【摘要】本文基于羊群效应理论， 从非财务信息不确定性视角出发， 聚焦于ESG评级信息， 利用2010 ～ 2022年我国沪深A股上市公司数据， 实证检验ESG评级分歧对分析师盈余预测羊群行为的影响。研究表明， ESG评级分歧会减少分析师盈余预测羊群行为。此外， 二者的关系在经济政策不确定性较高、 投资者情绪较高涨时更显著。机制检验发现， ESG评级分歧可通过减少分析师对私有信息的依赖和提高媒体关注度来抑制分析师盈余预测羊群行为。本文不仅补充了ESG评级分歧对资本市场参与者的影响及作用机制研究， 还对完善ESG评级体系和推动资本市场平稳运行提出了建议。
【关键词】ESG评级分歧；分析师盈余预测；羊群行为；资本市场
【中图分类号】 F275.2" " "【文献标识码】A" " " 【文章编号】1004-0994（2025）05-0109-8
一、 引言
在可持续发展背景下， ESG与国家的“双碳”目标高度契合， 相关信息已逐渐成为投资决策、 企业战略制定以及社会监督的重要依据， 受到了资本市场参与者与政府的广泛关注。2022年4月， 中国证监会发布了《上市公司投资者关系管理工作指引》， 要求上市公司在与投资者的沟通内容中增加其ESG信息， 这对于促进上市公司完善治理机制和加强投资者利益保护具有重要作用。然而， 由于各ESG评级机构在制定评级标准和选取指标等方面存在一定的主观性， 不同评级机构对同一企业的评级结果可能存在较大分歧。ESG评级作为典型的非财务信息， 其分歧的存在体现了非财务信息的不确定性， 会影响企业的非财务信息含量， 对其信息使用者造成不同程度的影响。现有研究主要关注ESG评级分歧对投资者决策等的影响（Krueger和Stammler-Gossmann，2019）， 仅有少数研究探究了其对分析师的影响， 如有研究认为ESG评级分歧会降低分析师盈余预测质量（周泽将等，2023）。但少有文献从分析师自身存在的认知和选择偏差以及分析师之间的相互影响角度， 探究ESG评级分歧对分析师其他决策行为的影响。
分析师作为资本市场上的重要信息中介， 其对企业信息的跟进与预测行为在企业运营和资本市场中一直发挥着不可替代的作用（Peter等，2016）。但近年来部分研究发现， 受信息或非信息因素的影响， 分析师会在盈余预测过程中表现出趋同， 产生明显的羊群行为（Bikhchandani等，1992；Scharfstein和Stein，1990；Xue，2016）。分析师羊群行为会影响企业的股价同步性和资本市场的信息效率（Xu等，2017）， 加剧资本市场波动（Cont和Bouchaud，2000；Bikhchandani和Sharma，2001）。因此， 基于分析师羊群行为视角探究ESG评级分歧的作用机制和经济后果， 有助于充分发挥分析师的信息中介作用和维系资本市场稳定。分析师在盈余预测过程中已将企业的ESG表现作为重要信息纳入考虑（Dhaliwal等，2012；孙光国等，2023）， 而ESG评级分歧的存在是非财务信息不确定性的体现， 会影响分析师的信息获取， 进而对其盈余预测羊群行为产生影响。一方面， ESG评级分歧越大， 说明不同评级机构获取和利用的私有信息含量越高， 这能够传递更多的异质性信息； 另一方面， 当ESG评级存在分歧时， 分析师难以对企业的ESG表现等信息做出准确判断（Berg等，2022）， 进而对其盈余预测决策产生影响。故基于非财务信息不确定性视角探究ESG评级分歧对分析师盈余预测羊群行为的影响， 对于保障资本市场平稳运行具有重要意义。
基于此， 本文以2010 ～ 2022年我国沪深A股上市公司作为研究样本， 实证检验ESG评级分歧对分析师盈余预测羊群行为的影响， 并进一步探究ESG评级分歧在不同经济政策不确定性、 投资者情绪下对分析师盈余预测羊群行为的影响效果及其内在机理。研究表明， ESG评级分歧显著抑制了分析师盈余预测羊群行为， 并且当经济政策不确定性较高、 投资者情绪较高涨时， 二者的相关性更强。本文可能的边际贡献如下： 第一， 丰富了ESG相关研究。现有ESG相关研究主要集中在ESG评级产生的经济后果方面， 较少关注ESG评级分歧带来的影响， ESG评级分歧与市场参与者之间的关系研究尚待补充。第二， 拓展了分析师羊群行为的相关研究。本文从非财务信息不确定性视角出发， 结合ESG发展背景， 讨论ESG评级分歧对分析师盈余预测羊群行为的影响， 对分析师羊群行为的影响因素研究进行了补充。
二、 文献综述
（一） ESG评级分歧相关研究
现有文献对ESG 评级分歧的研究主要集中在其形成原因以及产生的经济后果方面。
ESG评级分歧产生的首要原因是缺乏统一的评价体系， 不同评级机构可能采用不同的ESG评估标准（Krueger和Stammler-Gossmann，2019）。首先， 评级机构在度量方式、 权重选择、 对环境与社会责任的理解（Dimson，2020；Berg等，2022）以及缺失数据处理和基准选择等方面的差异（Chatterji，2016；Kotsantonis和Serafeim，2019）均会导致ESG评级分歧。其次， ESG评级所依据的信息也是影响ESG评级分歧的重要因素。不同的信息来源导致信息不对称， 进一步加剧了评级分歧（Clark和Urwin，2018）。企业公开披露的信息作为ESG评级的重要信息来源， 是造成ESG评级分歧的重要因素（朱富显等，2024）。Christensen等（2022）发现， 企业更多的ESG信息披露为评级机构采用不同指标评估企业业绩提供了更多的可能性， 容易引起更大的ESG评级分歧。然而， 部分学者认为， 随着企业ESG信息披露规范性和透明度的提升， ESG评级分歧会有所减小（Jorgensen和Ellingsen，2021）。另外， 当企业自愿披露ESG报告时ESG评级分歧会有所减小， 而ESG报告的语言特征， 包括报告的长度、 语气和粘性等， 也会影响ESG评级分歧（Kimbrough等，2024）。此外， ESG评级机构的评估既依赖于公共信息， 也依赖于私人信息， 评级机构获取信息的途径和能力差异会导致ESG评级分歧的产生（Larcker等，2022）。最后， 政府监管也是导致ESG评级差异的关键因素之一（Zhang等，2022）。
就ESG评级分歧的经济后果而言， 一方面， ESG 评级分歧会对企业的经营管理产生影响。ESG评级分歧会增加企业进行外部融资的难度（Christensen等，2022）， 从而导致企业投融资期限错配和绿色创新质量下降（李晓艳等，2024；李清和陈琳，2024）。另外， ESG 评级分歧的存在不利于管理者对企业ESG表现形成清晰的认识， 降低了企业提升 ESG 绩效的积极性（Chatterji等，2016）， 这也为管理者利用ESG信息披露进行“漂绿”提供了有利条件（Hu等，2023）。但部分学者持相反的观点， 他们认为ESG评级分歧会对企业的经营管理产生有利影响， 如降低企业债务融资成本（李凤羽等，2024；陈鹏程等，2024）、 提升企业绿色创新水平（曾宇飞洋等，2024）和自愿性信息披露水平等（何太明等，2023）。
另一方面， ESG 评级分歧会对资本市场产生重要影响。ESG 评级分歧会影响投资者决策， 投资者在面对不同的ESG评级时会存在决策困难（Krueger和Stammler-Gossmann，2019）， 使得其在作出决策时面临额外风险（Clark和Urwin，2018）。Gibson Brandon等（2021）、 Avramov等（2022）则从风险溢价角度出发， 发现股票收益率与ESG评级分歧呈正相关关系。与此同时， ESG评级分歧会对投资者产生“噪声”干扰， 从而提高公司股价同步性（刘向强等，2023）。而Serafeim等（2022）研究发现， 当ESG评级存在分歧时， 不仅会减弱其对未来ESG新闻的预测能力， 还会削弱ESG新闻与市场反应之间的关系， 导致累计超额收益率和收益波动率上升。
（二） 分析师羊群行为影响因素相关研究
根据现有研究， 分析师羊群行为产生的原因可以分为以下几类：
第一， 由信息引起的羊群行为。信息级联会导致基于信息的羊群行为（Froot等，1992；Hirshleifer等，1994；Bikhchandani等，1992）。分析师通过参考先前分析师的预测来推测信息， 往往选择忽视自己获取的信息， 采取跟随策略发布类似的预测， 从而形成信息层叠， 诱发羊群行为。在信息级联的基础上， Banerjee（1992）、 Bikhchandni等（1992）指出， 羊群行为受信息内容数量及信息产生顺序的影响。当面临相似的环境和信息集时， 分析师会发布相似的预测。此外， 当信息获取量有限或缺乏时， 分析师更容易产生羊群行为（Scharfstein和Stein，1990；Economou等，2018）。由于分析师羊群行为会受到信息的影响， 宏观数据发布（Galariotis等，2015）、 信息披露监管政策（Hahn和Song，2013；Mensah和Yang，2008）、 企业信息环境透明度（Leece和White，2017）、 无形资产相关信息披露（Reuben等，2023）、 经济政策不确定性（Chen等，2021）、 分析师信息获取渠道（Christensen等，2017）等因素， 均会对其产生影响。
第二， 由激励机制引起的羊群行为。分析师行为会受到薪酬、 声誉等因素的影响。Scharfstein和Stein（1990）、 Trueman（1994）提出了职业经理人出于职业或声誉考虑而从众的模型。为了保持或获得声誉， 分析师往往会放弃自身预测而跟随高能力分析师或者先前分析师的预测（Graham，1999；Hong等，2000；Hong和Kubik，2003；Prendergast和Stole，1996；Scharfstein和Stein，1990；Trueman，1994）。在薪酬激励方面， Brenan（1993）、 Roll（1992）、 Maug和Naik（1996）研究发现， 分析师会跟随和参考其他分析师的预测以获取高薪酬。但部分学者持有不同的观点。Clarke和Subramanian（2006）认为， 分析师的就业风险和薪酬是驱动其发布大胆预测的重要因素。由于凸性薪酬结构的存在， 分析师会发布不同的预测， 以吸引注意力和展现自身能力（Ottaviani和Sørensen，2006；Bernhardt和Kutsoati，2004；Banerjee，2021；Banerjee等，2022）。Frijns和Huynh（2018）发现， 媒体关注会激励分析师放弃跟随其他分析师的预测， 而是通过发布突破共识的预测以脱颖而出。
第三， 基于行为金融学的角度， 个人行为会受到自身特征和偏好甚至他人行为的影响， 而分析师羊群行为同样如此。Clement和Tse（2005）发现， 分析师的从众行为会受到其他分析师特征的影响， 如券商规模、 预测频率、 职业经验、 分析师关注的公司和行业数量等。另外， 分析师的风险承受能力（Christoffersen和Stæhr，2019）、 隶属关系（Xue，2016）、 任务难度（Kim和Pantzalis，2003）、 职业经验（Clement和Tse，2005；Hong等，2000；Youssef和Rajhi，2010）、建议之间的差异（Jegadeesh和Kim，2010）、 预测修正频率（Jegadeesh和Kim，2010）、 预测范围（De Bondt和Forbes，1999）等也会对分析师羊群行为产生影响。除此之外， 高涨的投资者情绪和市场情绪也会加剧分析师羊群行为（Garcia，2021；Chiang和Lin，2019）。
（三） 文献述评
通过梳理相关文献， 可以发现关于ESG评级分歧的研究主要集中于其形成原因以及产生的经济后果方面。但现有关于ESG评级分歧对资本市场参与者的影响研究主要关注点在投资者方面（Krueger和Stammler-Gossmann，2019；Clark和Urwin，2018）， 仅有少数学者探究了其对分析师的影响且主要集中在对分析师盈余预测质量的影响， 鲜少涉及对分析师其他决策行为的影响。现有研究表明， 受信息因素、 激励机制以及行为特征的影响， 分析师在盈余预测过程中会产生羊群行为。ESG评级作为典型的非财务信息， 是财务信息的有益补充， 已成为分析师预测的重要参考（Dhaliwal等，2012；孙光国等，2023）， 其评级分歧的存在会影响分析师的信息获取等， 进而对分析师羊群行为产生影响， 但少有学者深入研究ESG评级分歧对分析师盈余预测羊群行为的影响。因此， 本文基于羊群效应理论探究二者之间的关系。
三、 理论分析与假设提出
当ESG评级存在分歧时， 其无法准确反映企业的ESG表现（刘向强等，2023）， 分析师不能直接依赖和使用评级结果， 还需进一步搜集相关信息进行解读， 其获取信息的成本和难度有所提升。根据信息流模型， 信息成本越高越容易形成羊群行为。当信息获取成本过高时， 分析师很可能采取一种他们认为的“捷径”， 即观察并跟随他人发布的盈余预测， 导致羊群行为的产生（Bikhchandani等，1992）。ESG评级分歧的存在会降低公共信息含量， 此时分析师倾向于依赖私有信息进行盈余预测（Das等，1998；郭杰和洪洁瑛，2009）。由于分析师的个人能力影响了私有信息的获取量， 较少的公共信息披露激励了私人信息的收集， 也为拥有较多私人信息的分析师创造了优势（Verrecchia，1982）。因此， ESG评级分歧的存在扩大了能力较强与较差分析师之间的信息差距。基于信息流羊群效应模型， 在信息不对称的市场环境中， 由于无法获知其他分析师的信息掌握情况， 分析师会根据他人的行为来推测他人的私有信息， 并极端地采取跟随策略（Bikhchandani等，1992）。因此， 面对不同的ESG评级结果， 能力较差的分析师会倾向于跟随能力较强的分析师发布预测， 以缩小自身与他人的差距（Scharfstein和Stein，1990）。此外， ESG评级分歧反映了企业ESG信息的不确定性， 不利于分析师进行信息判断。根据声誉假说和声誉羊群效应模型， 面对不确定的信息环境时， 分析师会更加谨慎并倾向于模仿其他分析师的预测， 从而降低可能的预测失误对自身声誉造成的影响（Scharfstein和Stein，1990）。
基于上述分析， 提出如下假设：
H1a： ESG评级分歧会增加分析师盈余预测羊群行为。
ESG评级分歧从另一方面说明评级机构会从多个角度分析和评估企业的ESG表现， 一定程度上为分析师提供了更多元的信息， 便于分析师更加全面地了解企业的ESG表现。ESG评级分歧较大说明不同评级机构获取和利用的私有信息含量较高， 可以提供更多的异质性信息， 从多维度更加真实地反映企业的情况。随着信息获取量的增加， 分析师会减少对私有信息的依赖， 进而减少其在无法获悉其他分析师私有信息掌握情况的背景下选择跟随其他分析师预测的行为（Leece和White，2017）。此外， 当ESG评级存在分歧时， 由于个体之间存在着差异， 不同的分析师可能会参考不同的评级结果进行预测， 从而减少分析师因信息相似所诱发的羊群行为。
与此同时， ESG评级分歧较大的企业也会引起媒体以及其他利益相关者的关注。然而基于有限关注理论， 只有预测更准确的分析师才能获得更多的关注和报道， 赢得更多的声誉和薪酬， 进而形成凸性激励机制（Marinovic等，2013）。在凸性激励机制下， 分析师因发布质量较好的预测而获得的收益高于其因发布质量相对较差的预测而损失的收益（Bernhardt等，2004）。在ESG评级分歧较大的情况下， 分析师为了从众多分析师中脱颖而出， 赢得更多的关注和收益， 会选择减少羊群行为并发布不一致的预测， 将自己的预测与其他分析师的预测区别开来（Frijns和Huynh，2018；Ottaviani和Sørensen，2006；Bernhardt等，2004）。因为此时发布类似预测的分析师数量较少， 倘若分析师的预测准确， 则可以获取更多的收益。
基于上述分析， 提出如下假设：
H1b： ESG评级分歧会减少分析师盈余预测羊群行为。
四、 研究设计
（一） 样本选择与数据来源
本文选择2010 ～ 2022年我国沪深两市A股上市公司作为初始研究样本， 并对样本进行了以下筛选：" 参考Christensen等（2022）的做法， 保留有两家或两家以上机构评级结果的公司样本； 剔除早于一年、 迟于会计年度结束前30天发布的分析师预测样本； 若在同一年内同一分析师对同一家企业发布了多次盈余预测， 则仅保留最后一次预测； 剔除仅对同一家公司做出一次预测的分析师预测样本； 参考Xu等（2017）的做法， 由于当分析师关注度达到一定数量时才能有效地计算分析师羊群行为指数， 剔除分析师预测数量小于3的样本； 剔除金融业的上市公司样本； 剔除 ST和∗ST样本； 剔除主要解释变量和控制变量数据缺失的样本。同时， 本文对所有连续型变量进行了上下1%的缩尾处理以消除极端值的影响， 最终得到了46846个分析师—公司—年度数据。
（二） 模型构建
为了检验ESG评级分歧对分析师盈余预测羊群行为的影响， 本文构建以下模型：
Herdi，j，t=α0+α1ESGdisj，t-1+α2∑Controlj，t+
∑Industry+∑Year+εi，j，t （1）
其中， Herd为分析师盈余预测羊群行为， ESGdis为ESG评级分歧， Control为控制变量， Industry和Year分别表示行业、 年份固定效应， ε为随机扰动项。
（三） 变量设定
1. 被解释变量： 分析师盈余预测羊群行为。本文参考Hong等（2000）的做法对分析师盈余预测羊群行为（Herd）进行度量， 具体公式如下：
[Herdi，j，t=-AbsFEPSi，j，t-Fi，j，tAbsFi，j，t]" "（2）
其中， FEPSi，j，t为分析师i在t年对j股票每股收益（EPS）的预测值， Fi，j，t为除分析师i以外的所有分析师在t年对j股票每股收益预测值的均值。Herd的值越大， 表明羊群行为越明显。
2. 解释变量： ESG评级分歧。参考Avramov等（2022）的做法， 采用4家评级机构ESG评级的标准差来衡量ESG评级分歧。首先， 对初始数据进行处理。对商道融绿的评级结果进行赋值， 使其转化为评分形式， 将彭博及和讯网的评分数据除以10， 使华证等4家评级机构对上市公司的ESG评级或评分结果统一为0 ～ 10的评分形式， 便于各评级结果之间的比较。其次， 分年度将每一年各评级机构对企业的评分进行排序。评分相同的企业排名相同， 并采用极差标准化法对各评级机构所评价企业的排名进行标准化处理。最后， 将每两个评级机构作为一组， 共形成六组， 计算每组的标准差， 取六组标准差的均值作为该企业该年度的ESG评级分歧。
3. 控制变量。本文参考Clement和Tse（2005）、 Hong等（2000）的研究， 加入以下分析师层面以及公司层面的控制变量： 预测公司数量、 预测行业数量、 一般工作经验、 特定工作经验、 券商规模、 上次预测的相对准确性、 预测频率、 日期间隔、 分析师关注度、 公司规模、 成长能力、资产负债率、 账面市值比、 净资产收益率、 股权性质。具体变量定义如表1所示。
五、 实证结果与分析
（一） 描述性统计
表2为主要变量的描述性统计结果。ESGdis的最大值为0.495， 最小值为0.006， 均值为0.196， 说明ESG评级分歧普遍存在， 且不同企业之间的ESG评级分歧存在着较大差异。Herd的均值为-0.170， 最大值为-0.001， 最小值为-1.632， 说明分析师盈余预测表现出较高的趋同性， 羊群行为普遍存在， 且分析师盈余预测羊群行为在不同企业和分析师之间表现出较大的不同。其他变量的统计结果与已有研究相近， 不再赘述。
（二） 基准回归
表3报告了基于模型（1）的基准回归结果。第（1）列为仅控制行业和年份固定效应， 未对其他变量进行控制的回归结果。具体来说， ESG评级分歧（ESGdis）与分析师盈余预测羊群行为（Herd）的相关系数为-0.0334， 在1%的水平上显著。第（2）列展示了在控制行业和年份固定效应的基础上加入控制变量的回归结果， ESG评级分歧（ESGdis）的系数仍在1%的水平上显著为负。上述结果表明， ESG评级分歧减少了分析师盈余预测羊群行为， H1b得到了验证。其原因可能是， ESG评级分歧提供了增量信息， 当ESG评级存在分歧时， 不同分析师在进行盈余预测过程中可能参考不同的评级结果， 减少了因信息相似而引发的羊群行为。
（三） 稳健性检验
1. 控制反向因果。由于分析师盈余预测报告在一定程度上反映了企业的基本情况和信息， ESG评级机构在评级过程中可能会将其作为参考， 进而对其评级结果产生影响。因此， 分析师盈余预测可能会反向影响ESG评级分歧。基于此， 本文引入当年对企业进行ESG评级的评级机构个数作为工具变量， 并利用2SLS进行内生性检验。由于不同评级机构在度量方式和权重选择等方面的差异导致了ESG评级差异（Dimson，2020；Berg等，2022）， 对企业做出评级的评级机构数量越多越容易引起ESG评级差异， 但尚未有研究表明对企业进行ESG评级的评级机构数量会对分析师盈余预测羊群行为产生影响。表4第（1）列展示了以当年对企业进行ESG评级的评级机构个数作为工具变量的回归结果，可以看到ESG评级分歧与分析师盈余预测羊群行为仍在1%的水平上显著负相关， 说明在控制了反向因果后， 本文的研究假设依然得到了验证。
2. 控制样本自选择偏差。本文仅保留了有两家及以上评级机构对企业进行评级的样本， 未将由不足两家评级机构进行评级的上市公司纳入考虑， 而ESG评级机构是否会对企业进行评估并发布评级结果会受到企业自身特征的影响， 因此可能存在样本自选择偏差。为了缓解模型中可能存在的样本自选择偏差问题， 本文采用Heckman两阶段模型进行回归。第一阶段， 将没有ESG评级以及仅有一家评级机构进行评级的企业都加入总样本， 将企业是否存在ESG评级分歧作为被解释变量， 同时参考已有研究选择企业规模、 资产负债率、 成长能力、 是否两职合一、 董事会规模、 前十大股东持股比例、 企业年龄、 是否由“四大”审计、 产权性质、 账面市值比、 股权制衡度、 独立董事比例以及管理层持股比例作为影响评级机构是否对企业进行评级的变量， 对企业是否存在ESG评级分歧进行回归， 并计算出逆米尔斯比率（IMR）。第二阶段， 将第一阶段计算出的IMR加入模型（1）进行回归。表4第（2）列展示了最终的回归结果， ESGdis的系数为-0.0969， 且在1%的水平上显著， 说明本文的研究结论在控制样本自选择偏差后依然成立。
3. 改变被解释变量的度量方式。为了避免关键变量度量误差对研究结论造成的干扰， 本文借鉴Mensah和Yang（2008）、 Xu等（2017）的做法， 构建分析师盈余预测羊群行为指数DHI（Degree of Herding Index）对分析师盈余预测羊群行为重新进行度量。采用这一方法的前提条件是假定分析师盈余预测结果基本符合正态分布， 而DHI的度量方法则为其预测落在95%置信区间的比例。具体计算方法如下：
[DHI=L95%lt;Number of" Forecastslt;U95%Number of" Forecasts]" （3）
其中：" " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " " "， 为分析师盈余预测95%置信区间的下限；
U95%=F+1.98" " " " " " " " " " " " " " " " " " " " " "， 为分析师盈余预测95%置信区间的上限；
F、 SD和Number of Forecasts分别为分析师盈余预测的均值、 标准差以及数量。
DHI为分析师发布预测中羊群预测的比例， DHI越大， 表示分析师盈余预测羊群行为越明显。表4第（3）列报告了替换分析师盈余预测羊群行为度量方式后的回归结果， ESGdis的系数仍显著为负， 表明在减少分析师盈余预测羊群行为度量误差的干扰后， 研究结论仍然稳健。
4. 改变解释变量的度量方式。由于ESG评级分歧存在不同的衡量方式， 为了减少关键变量度量误差对研究结论可能造成的影响， 本文参考周泽将等（2023）的做法， 采用4个评级机构标准化排名的标准差对该年度该企业ESG评级分歧重新进行度量。如表4第（4）列所示， 在替换了ESG评级分歧的度量方式后ESGdis1的系数显著为负， 证明本文的研究结论稳健。
5. 缩短样本期间。虽然2019年之前的华证评级数据为评级机构回溯所得， 但考虑到数据的完整性， 本文借鉴刘向强等（2023）、 周泽将等（2023）的研究， 在基准回归中使用了更多期间样本。为了保证结果的可靠性， 本文将样本期间缩短至2019 ～ 2022年并重新进行回归。回归结果如表4第（5）列所示， 可见本文研究结论依然成立。
六、 进一步研究
（一） 机制检验
为探究ESG评级分歧对分析师盈余预测羊群行为的作用机制， 参考温忠麟和叶宝娟（2014）的研究， 在模型（1）的基础上利用以下模型进行机制检验：
Mediatorj，t=β0+β1ESGdisj，t-1+β2∑Controlj，t+
∑Industry+∑Year+εj，t （4）
Herdi，j，t=γ0+γ1ESGdisj，t-1+γ2Mediatorj，t+
γ3∑Controlj，t+∑Industry+∑Year+εi，j，t （5）
其中， Mediator为中介变量。
1. 信息机制。根据前文的分析， ESG评级存在分歧从另一方面说明了评级机构从多个角度评价分析了企业的ESG表现， 能够更为全面和多角度地揭示企业的真实面貌， 为分析师提供更多的异质性信息， 减少分析师对私有信息的依赖。这将减少分析师在信息不对称情况下根据他人的预测来推测他人的私有信息并跟随其他分析师预测的行为（Bikhchandani等，1992）。因此， 分析师私有信息获取量可能在ESG评级分歧与分析师盈余预测羊群行为之间起到中介作用。基于此， 本文参考Barron等（1998）的做法， 采用公式（6）衡量分析师私有信息获取量（Private）， 并将其作为中介变量进行回归。
[Private=SE-DN1-1ND+SE2] （6）
其中， SE是“实际每股收益-分析师预测值均值”平方的期望值， D为分析师预测值方差的期望值， N为企业的分析师跟踪数量。表5第（1）列展示了ESG评级分歧对分析师私有信息获取量的影响， ESGdis的系数在1%的水平上显著为负， 表明ESG评级分歧减少了分析师获取的私有信息。表5第（2）列展示了将分析师私有信息获取量作为中介变量， 利用模型（5）进行回归的结果。具体来说， Private的系数在1%的水平上显著为正， ESGdis的系数在1%的水平上显著为负， 表明ESG评级分歧可通过减少分析师对私有信息的依赖来抑制分析师盈余预测羊群行为。
2. 激励机制。媒体作为企业与资本市场之间重要的信息中介， 为了吸引流量和扩大影响力， 会倾向于关注投资者关注度更高的企业， 并报道有争议的话题（Djonkov等，2003）。ESG评级分歧较大时意味着企业的ESG表现存在争议， 会吸引更多媒体的关注。被媒体报道将有利于分析师的职业发展和声誉提升（Rees等，2015）， 使分析师获得更多收益。而媒体关注度的提升将会激励分析师发布突破共识的预测以脱颖而出（Frijns和Huynh，2018）。因此， 媒体关注在ESG评级分歧与分析师盈余预测羊群行为之间可能起到中介作用。基于此， 本文参考肖作平和周婧霏（2021）的做法， 采用网络媒体报道总数加1后取自然对数衡量媒体关注度（Media）， 并将其作为中介变量进行回归。表5第（3）列展示了ESG评级分歧对媒体关注度的影响， ESGdis的系数在1%的水平上显著为正， 表明ESG评级分歧越大， 越能吸引媒体关注。第（4）列的回归结果显示， Media的系数在1%的水平上显著为负， ESGdis的系数在1%的水平上显著为负。可见， 媒体关注在ESG评级分歧和分析师盈余预测羊群行为的关系中起到部分中介作用。
（二） 异质性分析
1. 经济政策不确定性。作为外部环境的重要组成部分， 经济政策不确定性会影响分析师的行为（Chen等，2021）。经济政策不确定性使得信息变得不再明朗和清晰， 从而使分析师难以对信息做出合理的判断， 倾向于持保守态度（Hugon，2016）。经济政策不确定性较高时， 预测环境具有较大的挑战性， 企业经营活动的波动性较强， 企业与分析师之间的信息不对称程度也随之提升（Chen等，2021）。此时， ESG评级分歧所提供的异质性信息能更好地补充分析师所获取的信息， 更大程度地缓解信息不对称， 进而更好地发挥其对分析师盈余预测羊群行为的抑制作用。因此， 经济政策不确定性可能正向调节ESG评级分歧与分析师盈余预测羊群行为之间的关系。
为了探究经济政策不确定性对二者关系的影响， 本文在模型（1）的基础上加入ESG评级分歧（ESGdis）与经济政策不确定性（EPU）的交乘项（ESGdis×EPU）进行检验。借鉴李增福等（2022）的做法， 本文将Baker等（2016）构建的月度中国经济政策不确定指数作为基础数据， 对其进行加权平均转换为年度数据并除以100， 采用最终所得数值作为经济政策不确定性的度量指标。回归结果如表6第（1）列所示， ESGdis×EPU 的系数在1%的水平上显著为负， 即经济政策不确定性较高时， ESG评级分歧对分析师盈余预测羊群行为的作用效果更显著。
2. 投资者情绪。当ESG评级存在分歧时， 投资者将难以解读企业的ESG表现， 面临决策困难（Krueger和Stammler-Gossmann，2019）。但当投资者情绪高涨时， 投资者倾向于更加踊跃地投入资本市场， 进一步增加对分析师盈余预测信息的需求以便解读ESG信息和做出更有利的投资决策。随着投资者需求的增加， 分析师受到的关注和做出准确预测所获得的收益也随之增加， 这会有效地激励分析师发布乐观大胆的预测， 以脱颖而出、 赢得更好的声誉和更多的薪酬。因此在投资者情绪较高涨时， ESG评级分歧可更好地发挥其对分析师盈余预测羊群行为的抑制效应。
为了检验投资者情绪对ESG评级分歧与分析师盈余预测羊群行为之间关系的影响， 本文在模型（1）的基础上加入ESG评级分歧（ESGdis）与投资者情绪（Sentiment）的交乘项（ESGdis×Sentiment）进行检验。参考张庆和朱迪星（2014）的做法， 以通过分离估值水平所得到的投资者情绪指标来度量投资者情绪。回归结果如表6第（2）列所示， ESGdis×Sentiment的系数在1%的水平上显著为负， 表明投资者情绪较高涨时， ESG评级分歧对分析师盈余预测羊群行为的作用效果更显著。
七、 结论与启示
非财务信息是资本市场参与者的重要信息参考， 而ESG评级作为典型的非财务信息， 其分歧的存在是非财务信息不确定性的一种体现。本文基于非财务信息不确定性视角， 利用2010 ～ 2022年我国沪深A股上市公司数据， 实证检验了ESG评级分歧对分析师盈余预测羊群行为的影响及不同情境下ESG评级分歧对分析师盈余预测羊群行为的异质性影响， 并进一步探究了其作用机制。研究发现， ESG评级分歧对分析师盈余预测羊群行为存在显著的抑制作用， 上述结论在经过一系列稳健性检验后依旧成立。机制检验结果表明， ESG评级分歧通过减少分析师对私有信息的依赖和提高媒体关注度发挥其对分析师盈余预测羊群行为的抑制作用。异质性分析发现， 在经济政策不确定性较高和投资者情绪较高涨时， ESG评级分歧对分析师盈余预测羊群行为的抑制作用更加显著。基于上述研究结论， 本文得到如下启示：
其一， ESG评级标准尚未统一， 监管部门需建立统一完善的ESG评级体系， 从而减少各评级机构因评级标准不同而产生的评级分歧。此外， 监管部门需制定更加细致有效的ESG政策， 加强对企业ESG信息披露的监管， 督促企业提升ESG信息披露质量， 以更好地发挥ESG评级的引导作用。在制定经济政策时， 政府部门要将政策实施的稳定性纳入考虑， 并对政策进行充分解读， 进而降低经济政策不稳定可能会给资本市场带来的不利影响， 为资本市场参与者解读信息和市场的平稳运行提供稳定的宏观环境。
其二， 企业应积极完善ESG信息披露， 提高信息透明度， 切实提升ESG表现， 从而为自身的可持续发展提供充足的动力。企业应当加强与分析师之间的信息交流， 从而减少分析师盈余预测羊群行为。
其三， 分析师要提升自身的专业能力， 对信息进行有效识别， 减少“噪声”的干扰。此外， 在对企业盈余状况进行分析预测的过程中， 分析师应当充分考虑所能获取的各类信息， 在重视财务信息的同时将非财务信息纳入考虑。分析师应积极拓宽信息获取渠道， 促进信息来源的多元化， 坚持自身的职业操守， 发布客观的、 高质量的盈余预测信息。
【 主 要 参 考 文 献 】
郭杰，洪洁瑛．中国证券分析师的盈余预测行为有效性研究［ J］．经济研究，2009（11）：55 ～ 67+81．
刘向强，杨晴晴，胡珺．ESG评级分歧与股价同步性［ J］．中国软科学，2023（8）：108 ～ 120．
孙光国，曹思宇，安家鹏．企业ESG表现能提高分析师盈余预测质量吗——来自A股上市公司的经验证据［ J］．财经论丛，2023（5）：68 ～ 77．
周泽将，谷文菁，伞子瑶．ESG评级分歧与分析师盈余预测准确性［ J］．中国软科学，2023（10）：164 ～ 176．
张庆，朱迪星．投资者情绪、管理层持股与企业实际投资——来自中国上市公司的经验证据［ J］．南开管理评论，2014（4）：120 ～ 127+139．
朱富显，徐晓莉，李双圆．信息披露会加剧ESG评级分歧吗［ J］．财会月刊，2024（8）：65 ～ 72．
Avramov D.， Cheng S.， Lioui A.， et al.. Sustainable investing with ESG rating uncertainty［ J］． Journal of Financial Economics，2022（2）：642 ～ 664．
Banerjee S.. Does competition improve analysts forecast informativeness？［ J］．Management Science， 2021（5）：3219 ～ 3238．
Berg F.， Klbel J. F.， Rigobon R.. Aggregate confusion：The divergence of ESG ratings［ J］． Review of Finance，2022（6）：1315 ～ 1344．
Bikhchandani S.， Hirshleifer D.， Welch I.. A theory of fads， fashion， custom， and cultural change as informational cascades［ J］． Journal of Political Econo-my，1992（5）：992 ～ 1026．
Clement B. M.， Tse Y. S.. Financial analyst characteristics and herding behavior in forecasting［ J］． The Journal of Finance，2005（1）：307 ～ 341．
Frijns B.， Huynh D. T.. Herding in analysts recommendations： The role of media［ J］． Journal of Banking and Finance，2018（91）：1 ～ 18．
Hong H.， Kubik J. D.， Solomon A.. Security analysts career concerns and herding of earnings forecasts［ J］． The Rand Journal of Economics，2000（1）：121 ～ 144．
Marinovic I.， Ottaviani M.， Sorensen" P.. Forecasters objectives and strategies［ J］． Handbook of Economic Forecasting，2013（2）：690 ～ 720．
Mensah M. Y.， Yang R.. An empirical evaluation of analysts herding behavior following regulation fair disclosure［ J］． Journal of Accounting and Public Policy，2008（4）：317 ～ 338．
Ottaviani M.， Sørensen N. P.. The strategy of professional forecasting［ J］． Journal of Financial Economics，2006（2）：441 ～ 466．
Scharfstein D. S.， Stein J. C.. Herd behavior and investment［ J］． The American Economic Review，1990（3）：465 ～ 479．
Trueman B.. Analyst forecasts and herding behavior［ J］． The Review of Financial Studies，1994（1）：97 ～ 124．