-
关联交易现象在世界范围内普遍存在且影响深远，因具有独特的经济特征及对公司经营活动产生的重要影响，长期以来备受监管部门和投资者关注，也引起国内外学者广泛的研究兴趣。特别是近年来，中国上市公司与关联方之间的关联交易呈快速上升趋势，在上市公司经营业务中占据重要地位（魏志华等，2017b），这使得深入研究关联交易可能产生的经济后果具有重要的理论与现实意义。与一般商业交易不同，关联交易发生在关联方之间，交易双方可能出于种种动机而隐藏信息（Johnson等，2000；Djankov等，2008；郑国坚，2009），造成公司信息透明度降低。而信息透明是资本市场有效运行的重要基石，如果广泛存在的关联交易行为影响信息透明度，那么也可能会进一步影响资本市场效率。因此，从逻辑上说，上市公司关联交易行为将最终对资本市场效率（尤其是信息效率）产生不可忽视的影响。
本文试图基于资本市场信息效率视角，深入研究关联交易对股价同步性的影响及其作用机制，并进一步考察分析师这一重要的信息中介在二者关系中发挥的作用。之所以关注股价同步性以及分析师行为，主要基于以下两方面考虑：一方面，股价同步性是反映资本市场信息效率的重要维度。已有研究发现，相比于国外成熟资本市场，中国股票市场尚不健全，股价“同涨同跌”现象严重，即股价同步性较高（Morck等，2000）。股价同步性反映了公司特质信息融入股价的速度和程度，可以有效揭示资本市场信息效率，因而研究关联交易对股价同步性的影响不仅能够全面了解关联交易的经济后果，而且有助于深刻理解中国上市公司股价同步性形成的影响因素及其背后的理论逻辑。另一方面，分析师是资本市场不可或缺的信息中介。分析师具有专业知识，具备丰富的市场经验和行业经验，拥有较强的信息挖掘和分析能力，能够有效鉴别和传递市场信息，从而提高资本市场信息质量，降低信息不对称程度，提高资本市场资源配置效率（朱红军等，2007；潘越等，2011）。如果上市公司关联交易行为会影响信息透明度进而影响资本市场信息效率，那么分析师行为能否在其中发挥有效的治理作用，也将是一个值得研究的话题。
综观现有文献，学术界对关联交易的研究主要聚焦于关联交易的动机和经济后果，而较少关注关联交易对资本市场股票定价效率的影响。相关研究发现，关联交易的动机主要包括大股东掏空（Johnson等，2000；刘峰和贺建刚，2004；Djankov等，2008；郑国坚等，2013）、盈余管理（陈政，2008；郑国坚，2009；肖迪，2010）等。关于关联交易的经济后果，现有文献主要考察关联交易对公司价值（刘建民和刘星，2007；郑国坚等，2007；魏志华等，2017b）、盈余质量（洪剑峭和方军雄，2005；佟岩和程小可，2007）等方面的影响，但研究结论尚不统一。股价同步性也是资本市场研究的热点问题之一。现有股价同步性研究主要围绕“基于特质信息的解释”（Durnev等，2003；Jin和Myers，2006；朱红军等，2007）和“基于行为金融的解释”（West，1988；孔东民和申睿，2008；王亚平等，2009；Li等，2014）两个方面展开，不过同样尚存争议。值得注意的是，尽管关联交易和资本市场定价效率一直是监管部门和投资者关注的焦点，但鲜有研究将二者相联系，探讨关联交易对股价同步性的影响。鉴于此，本文试图研究关联交易这一普遍存在的微观企业行为对股价同步性这一资本市场信息效率重要表征的影响及其作用机制，并考察分析师行为在二者关系中扮演的角色。
相比已有文献，本文可能的边际贡献如下：第一，丰富了关联交易经济后果的研究。已有关联交易经济后果研究侧重于考察关联交易对公司价值、盈余管理等方面的影响，而对关联交易在资本市场层面的经济后果研究还有待深入。本文基于股价同步性视角实证检验了关联交易对资本市场股票定价效率的影响，这为全面理解关联交易所具有的复杂经济后果提供了经验证据，也是对已有关联交易经济后果研究的有益补充。第二，拓展了股价同步性影响因素的研究视角。尽管现有文献对股价同步性的影响因素进行了广泛探索，但鲜有研究将视角聚焦于公司特殊交易行为。本文考察关联交易这一普遍存在的经济行为对股价同步性的影响，并进一步基于信息透明度视角揭示关联交易影响股价同步性的作用机制，这为深刻理解资本市场股票定价效率的影响因素与内在逻辑提供了新视角，也拓宽了股价同步性影响因素的研究视野。第三，提供了分析师能够在中国资本市场扮演积极角色的新证据。本文基于分析师关注度与盈余预测准确性两个维度探索分析师行为在关联交易与股价同步性二者关系中发挥的积极作用，为揭示分析师这一重要的信息中介能够在促进信息传递、提高资本市场信息效率方面扮演治理角色提供了实证支持，同时对更加科学合理地认识中国资本市场的分析师行为具有一定参考价值。
本文其余部分的结构安排如下：第二部分进行文献回顾并提出研究假说，第三部分阐述研究设计，第四部分报告主要的实证结果以及稳健性检验结果，第五部分是进一步分析，最后是本文的研究结论与启示。
-
关联交易行为带来的经济后果备受学者关注，相关文献主要集中于关联交易对公司价值和盈余质量的影响研究。关于关联交易对公司价值的影响，研究结论莫衷一是。持有“掏空”观点的学者认为，关联交易有助于控股股东侵占中小股东利益，进而损害公司价值（刘建民和刘星，2007）。然而，部分学者认为关联交易具有“双刃剑”效应，也可能发挥积极作用。黄蓉等（2013）发现，基于避税动机的关联交易会增加企业价值。魏志华等（2017b）研究发现，关联购销具有避税、缓解融资约束以及获得大股东支持的作用，并显著提升了公司价值。Wong等（2015）针对中国上市公司的研究也发现，关联交易有助于企业价值提升。还有少数研究认为，关联交易与企业价值存在曲线关系。郑国坚等（2007）研究表明，关联交易水平与公司价值之间并不是单一的线性关系，而是呈现N型关系。关于关联交易对公司盈余质量的影响，相关研究同样尚无定论。不少研究认为，关联交易与盈余质量存在线性关系。郑国坚（2009）对中国上市公司的实证研究表明，关联交易程度越高，公司盈余管理程度越高、价值相关性越低。Rahmat等（2020）对东亚上市公司的研究也表明，关联交易会显著降低公司盈余质量。Marchini等（2018）对意大利上市公司的研究发现，关联交易与公司盈余管理呈正相关关系。还有部分学者认为，关联交易与盈余质量呈非线性关系。洪剑峭和方军雄（2005）研究发现，关联销售比例显著影响盈余的价值相关性，二者呈倒U型曲线关系。佟岩和程小可（2007）研究表明，当控股股东持股比例在50%及以下时，关联交易会显著降低盈余质量；反之，则会提高盈余质量。近年来，不少学者关注关联交易的其他经济后果，如关联交易会增加公司违规（魏志华等，2017a）和财务重述（Kohlbeck和Mayhew，2017）的可能性、加大公司股价崩盘风险（史永和李思昊，2018）、提升公司投资效率（黄贤环和吴秋生，2017）等。
-
股价同步性研究始于King（1966），该文运用资本资产定价模型（CAPM）研究发现，个股收益率与市场、行业收益率显著相关，这说明公司股价包含了市场与行业层面的信息。然而，仅用市场和行业层面信息解释股价波动性还缺乏说服力，Morck等（2000）首次提出使用CAPM模型的拟合系数（R2）衡量股价同步性。后续学者沿用了该方法，采用R2衡量股价同步性。有趣的是，由于CAPM模型的拟合系数R2除了取决于市场和行业收益率外，还受到模型残差的影响，而影响残差的因素不仅包括公司特质信息，还包括由噪音引起的非理性因素。因此，股价同步性R2反映的是公司特质信息还是噪音引起越来越多学者的关注和争论，进而形成了“基于特质信息的解释”和“基于行为金融的解释”两大学派。
（1）基于特质信息的解释
“基于特质信息的解释”认为，股价同步性代表了公司特质信息融入股价的程度，股价同步性负向反映股票市场的信息效率。Hutton等（2009）认为，信息是影响股价同步性的重要因素，在充分有效的市场中，公司个体信息是股票价格的形成动因，信息不透明将导致公司个体信息融入股价的含量减少，股价同步性变高，此时股价同步性负向地反映股票市场的信息效率。Durnev等（2003）通过研究股价同步性如何影响股票回报对公司未来基本面的预测能力，发现股价同步性越低，股票回报对公司未来基本面的预测能力越强，这说明股价更多地反映了公司基本面信息，即股价同步性负向反映股价信息含量。Jin和Myers（2006）则发现，不同市场股价同步性存在的差异是由信息透明度不同造成的。当公司信息不透明时，外部投资者只能依赖市场信息对公司进行预期，从而股价中主要反映的是宏观信息，而公司层面信息融入股价的含量越少，股价随市场平均价格波动的程度越高。基于特质信息的视角，股价同步性也被部分学者用于研究股票市场的信息效率。黄俊和郭照蕊（2014）实证发现，媒体报道显著降低了股价同步性，原因在于随着媒体报道的增多，更多公司层面信息融入股票价格，促使股价同步性降低。何贤杰等（2018）研究发现，上市公司微博披露的企业经营活动和策略类信息越多，公司股价同步性越低，这表明微博等新媒体的信息传递增强了资本市场定价效率。
（2）基于行为金融的解释
“基于行为金融的解释”认为，股价同步性反映的是股票市场中的噪音，即股票价格主要受噪音推动，股价同步性越低，股价包含的噪音含量越多。投资者的金融决策会受其心理、认知偏差、情绪等非理性因素的影响，因此证券价格不仅受公司特质信息的影响，也在很大程度上受投资者非理性行为因素的影响。West（1988）认为，较低的股价同步性代表了较多噪音，市场平均价格波动与公司基本面波动并不能完全解释单个股票价格的波动性，原因在于股票价格的走势还受市场噪音所引发的投资者非理性行为因素的影响。Li等（2014）实证研究发现，股价同步性与知情者交易概率、买卖价差、价格延迟、非流动性水平等信息环境代理指标负相关，这说明低股价同步性主要由噪音引起。在股价“同涨同跌”现象较为严重的中国资本市场，学者研究发现，股价同步性与信息效率正相关。孔东民和申睿（2008）发现，股价同步性与信息环境显著相关，中国股市的股价同步性更大程度上体现了市场噪音。王亚平等（2009）研究发现，中国上市公司的信息透明度与股价同步性正相关，这说明较低的股价同步性与较高的噪音相关，股价同步性正向反映了市场信息效率。李志生和朱雯君（2015）研究表明，增发折价率与股价同步性显著负相关，而较高的机构投资者持股比例可以削弱该负相关关系，这表明中国股票市场噪音较大，股价同步性正向反映增发市场的信息效率。杨有红和闫珍丽（2018）研究发现，上市公司其他综合收益信息可以提高盈余透明度，降低私有信息对股价的影响，从而导致较高的股价同步性。
-
尽管股价同步性究竟反映的是公司特质信息还是噪音尚存争议，但学者大多倾向于认为，在不同股票市场上股价同步性的内涵可能截然不同。Li等（2014）指出，在一个非充分有效的市场中，股票市场的噪音含量较多，投资者不能完全识别不同类别的信息，尽管他们同时受噪音以及公司基本面信息的影响，但此时股票价格主要受噪音推动。事实上，中国股票市场较为符合上述特征，即适用于“基于行为金融的解释”。如前所述，大量研究发现，噪音是中国股票市场股价同步性的主要推动因素，股价同步性正向反映市场信息效率（张艳，2005；孔东民和申睿，2008；王亚平等，2009）。究其原因在于，中国股票市场还不成熟，市场监管和法律制度尚不健全，投资者以缺乏专业知识的散户为主且投机现象严重，致使中国股票市场噪音较大（张艳，2005）。因此，噪音在很大程度上影响了股票定价，进而成为影响股价同步性的主导因素（王亚平等，2009）。
关联交易是关联企业之间的交易行为，这类交易并非在完全竞争的公开市场中进行，因此交易价格可能有失公允。在现实中，尽管监管部门对上市公司关联交易的信息披露做出了较为严格的要求，但上市公司作为关联交易信息的形成方和披露方，具有较大的信息披露操纵空间，未必会及时、准确、完整地披露所有关联交易信息（魏志华等，2017b）。正因如此，关联交易的存在往往会加剧信息不对称，致使企业外部投资者更加难以掌握公司特质信息，进而导致股价包含更多噪音。换言之，在中国资本市场，关联交易很可能会增加投资者的交易噪音，降低资本市场信息效率，并表现为对股价同步性产生负向影响。据此，本文提出如下研究假说：
H1：关联交易水平越高的公司，股价同步性越低。
-
关联交易之所以会影响股价同步性，原因在于关联交易对公司信息透明度产生了不可忽视的影响。现有文献大多认为，关联交易会降低公司信息透明度（Johnson等，2000；Djankov等，2008；郑国坚，2009；史永和李思昊，2018）。这是因为，与一般商业交易不同，关联交易发生在关联方之间，对公司外部人而言具有信息透明度低、交易复杂等特征（魏志华等，2017b）。公司可能出于某些复杂动机（如避税、掏空等）而隐瞒信息，这将损害公司信息披露质量。同时，关联交易也可能沦为公司管理层进行盈余管理的重要手段（陈政，2008；郑国坚，2009；肖迪，2010），从而降低公司信息透明度。尤其是当关联交易背后隐藏着公司内部人的利益诉求时，那些非正常、不公平的关联交易更有可能导致公司信息披露的扭曲和盈余质量的下降（郑国坚，2009；Rahmat等，2020）。信息透明度反映了公司特质信息披露的程度和市场噪音比例的高低（王亚平等，2009），随着信息透明度的提高，噪音对公司股价的影响变弱，公司特质信息可以更好地融入股价，从而提高公司股价同步性（杨有红和闫珍丽，2018）。因此，理论上可以预期，关联交易将对公司信息透明度产生负向影响，进而降低公司股价同步性。据此，本文提出如下研究假说：
H2：关联交易会降低公司信息透明度，进而降低公司股价同步性。
-
分析师专业的信息处理能力能够帮助投资者挖掘更多公司特质信息，引导投资者进行理性投资，减少噪音对投资者决策的影响。在成熟资本市场，分析师的信息挖掘能力和治理作用已经得到普遍认可。在中国这类新兴市场，尽管投资者对分析师的专业能力和职业道德仍存在诸多质疑，但大量研究表明，分析师对于提高中国资本市场的信息效率发挥了积极的治理作用。朱红军等（2007）研究发现，分析师的信息处理能力促使股票价格更好地反映了企业真实情况，增强了股票价格对资源配置的引导作用，提高了资本市场运行效率。潘越等（2011）研究表明，在中国投资者法律保护环境尚不理想的情况下，分析师可以成为一种有效的替代机制，其对上市公司的关注度越高，由信息不透明造成的个股暴跌风险越低。李祎等（2016）研究表明，2007年新会计准则实施后，分析师的信息治理功能有助于降低上市公司的权益资本成本，原因在于分析师能够抑制管理层的应计盈余管理行为，提高公司信息透明度。汤泰劼等（2018）实证发现，作为信息中介的分析师利用其专业知识和发布分析报告，可以有效缓解投资者与上市公司之间的信息不对称，增加企业避税的实施成本，进而抑制企业避税。伊志宏等（2019）研究表明，分析师报告中公司特质信息含量越高，所关注公司的股价同步性越低，原因在于公司特质信息含量高的报告更受投资者关注，这促使股价可以更多地吸收公司特质信息。基于已有实证证据可以认为，如果分析师能够准确挖掘公司特质信息，并有效传递给资本市场，那么他们将有助于提高公司特质信息含量，从而降低股票市场的噪音比例，减少投资者非理性行为。因此，理论上可以预期，当分析师关注度越高、盈余预测越准确时，个股股价包含的公司特质信息越多，股价受噪音推动的程度越弱，此时关联交易对股价同步性的负向影响会在一定程度上被削弱。据此，本文提出如下研究假说：
H3a：分析师关注度越高，关联交易对股价同步性的负向影响越弱。
H3b：分析师预测越准确，关联交易对股价同步性的负向影响越弱。
-
本文选取中国A股上市公司作为研究样本，因实证过程中被解释变量采用提前一期处理，本文实际搜集的数据区间为2005−2016年。为力求样本数据的准确性和有效性，本文按照以下标准筛选样本：（1）剔除金融保险类公司样本；（2）剔除交易状态为ST、*ST的公司样本；（3）在估计股价同步性时，剔除交易天数少于100天（交易周数少于20周）的样本；（4）剔除主要变量缺失的样本。为控制极端值对研究结果的影响，本文对连续变量1%以下和99%以上分位数进行了缩尾处理。本文的研究数据来自CSMAR数据库和RESSET数据库。
-
股价同步性是指单个公司股票价格的变动与市场平均变动之间的关联性，即所谓的股价“同涨同跌”现象。沿用Hutton等（2009）的方法，本文采用如下模型（1）中得到的经调整的拟合系数R2衡量股价同步性。
$$ {R}_{i,t}={\beta }_{0}+{\beta }_{1}{R}_{m,t}+{\beta }_{2}{R}_{j,t}+{\varepsilon }_{i,t} $$ (1) 其中，Ri,t表示公司i在第t日的个股收益率，Rm,t表示第t日的市场收益率，Rj,t表示第t日公司所在行业j的行业收益率。R2为回归结果的拟合系数，R2越大，说明股票价格走势与市场、行业的价格走势越接近。因此，R2越大，表示股价同步性越高。考虑到R2在0到1之间取值，不符合最小二乘法的回归要求，借鉴Morck等（2000）的研究，本文进一步将R2代入模型（2）进行对数转换，将得到的SYN1作为股价同步性的衡量指标：
$$ SYN{\textit{1}}={\rm{Ln}}\left(\frac{{R}^{2}}{1-{R}^{2}}\right) $$ (2) 模型（2）是一个单调变换，R2越大，对应的股价同步性SYN1越高。因此，SYN1数值越大，表示股价同步性越高。
考虑到公司与市场的股价变动可能不完全一致，本文在模型（3）中将滞后一期的市场和行业日收益率加入回归方程，以控制日数据中可能存在的非同步交易偏差，回归方程得到新的R2。同样，对新的R2进行对数转换得到SYN2，将其作为股价同步性的另一个衡量指标。
$$ {R}_{i,t}={\beta }_{0}+{\beta }_{1}{R}_{m,t}+{\beta }_{2}{R}_{j,t}+{\beta }_{3}{R}_{m,t-1}+{\beta }_{4}{R}_{j,t-1}+{\varepsilon }_{i,t} $$ (3) $$ SYN{\textit{2}}={\rm{Ln}}\left(\frac{{R}^{2}}{1-{R}^{2}}\right) $$ (4) 其中，Rm,t−1表示第t−1日的市场收益率，Rj,t−1表示第t−1日公司所在行业j的行业收益率。
-
上市公司规模参差不齐，因此有必要对上市公司关联交易水平进行规模调整，以使不同规模上市公司的关联交易水平具有可比性。本文选择上市公司年度关联交易总额占资产总额的比例RPT来度量上市公司关联交易水平。在进一步分析中，本文将对不同类型的关联交易进行细分研究。
-
信息透明度是反映公司会计信息质量的一个重要特征，本文采用盈余管理水平与信息披露质量这两个典型指标来衡量公司信息透明度。
（1）盈余管理水平
借鉴现有文献，本文采用修正的Jones（1991）模型估算的可操控性应计利润绝对值来衡量盈余管理水平（DA）。具体过程如下：首先采用模型（5）分年度分行业进行回归，其次将估计所得的回归系数代入模型（6），计算得出可操控性应计利润（DAi,t），最后对其取绝对值。DA数值越大，说明公司盈余管理水平越高，信息透明度越低。
$$ \frac{{TA}_{i,t}}{{Asset}_{i,t-1}}={\alpha }_{1}\frac{1}{{Asset}_{i,t-1}}+{\alpha }_{2}\frac{{\Delta REV}_{i,t}}{{Asset}_{i,t-1}}+{\alpha }_{3}\frac{{PPE}_{i,t}}{{Asset}_{i,t-1}}+{\varepsilon }_{i,t} $$ (5) $$ {DA}_{i,t}=\frac{{TA}_{i,t}}{{Asset}_{i,t-1}}-({\widehat{\alpha }}_{1}\frac{1}{{Asset}_{i,t-1}}+{\widehat{\alpha }}_{2}\frac{{\Delta REV}_{i,t}-{\Delta REC}_{i,t}}{{Asset}_{i,t-1}}+{\widehat{\alpha }}_{3}\frac{{PPE}_{i,t}}{{Asset}_{i,t-1}}) $$ (6) 其中，TAi,t为i公司t期总应计利润，等于净利润减经营活动产生的净现金流；Asseti,t−1为i公司t−1期期末总资产；△REVi,t为销售收入增长额，等于i公司t期与t−1期主营业务收入之差；△RECi,t为应收账款增长额，等于i公司t期与t−1期期末应收账款之差；PPEi,t为i公司t期期末固定资产原价。
（2）信息披露质量
近年来，深圳证券交易所每年会根据上市公司信息披露的及时性、准确性、完整性、合规性等方面对上市公司信息披露质量进行考评，并将考评结果划分为优秀、良好、合格和不合格四个等级。深圳证券交易所的信息披露考评结果具有权威性、客观性，因而被学术界广泛用于衡量上市公司信息披露质量的高低，本文亦将该考评结果作为信息披露质量（Dis）的度量指标。具体而言，根据优秀、良好、合格和不合格四个考评结果等级，分别对Dis取值为1、2、3、4。Dis数值越大，说明上市公司信息披露质量考评结果越差，信息透明度越低。
-
（1）分析师关注度
本文以分析师跟踪人数衡量分析师关注度（Analyst）。借鉴胡军和王甄（2015）的研究，本文将分析师跟踪人数定义为当年跟踪过该公司的分析师（团队）数量与1之和的自然对数，具体公式如下：
$$ Analyst = {\rm{Ln }}(AnaAttention + 1) $$ (7) 其中，AnaAttention指在某一年度内对某上市公司进行跟踪的分析师（团队）数量。通常而言，一个机构较少会指派多个分析师跟踪同一家上市公司（李春涛等，2013），故本文将跟踪上市公司的一个团队也记为1个，而不考虑其成员数量多少。
（2）分析师盈余预测准确性
本文使用分析师盈余预测误差（ERR）和预测分歧度（DISP）两个指标作为分析师盈余预测准确性的反向指标。若分析师盈余预测误差越小、分歧度越低，则说明分析师盈余预测准确性越高。
第一，分析师盈余预测误差（ERR）。本文参考李春涛等（2013）的做法，首先计算上市公司各年度不同分析师对每股收益的预测值与实际每股收益之差的绝对值，并对上市公司每个年度所有分析师对每股收益预测的绝对误差求均值，然后除以年初股票价格Pi,t,0，得到分析师预测误差，具体公式如下：
$$ {ERR}_{i,t}=\frac{|{\sum }_{j=1}^{{N}_{i,t}}\frac{{FEPS}_{i,t,j}}{{N}_{i,t}}-{MEPS}_{i,t}|}{{P}_{i,t,\textit{0}}} $$ (8) 式中，FEPSi,t,j指分析师j预测的i公司t年度的每股收益；MEPSi,t指i公司t年度的实际每股收益；Pi,t,0指i公司t年度的年初股价；Ni,t指分析师对i公司t年度的盈余预测报告数量。
第二，分析师盈余预测分歧度（DISP）。本文采用各分析师预测值之间的标准差除以期初股价来衡量。具体公式如下：
$$ {DISP}_{i,t}=\frac{\sqrt{\sum _{j=1}^{{N}_{i,t}}{\left[{FEPS}_{i,t,j}-mean\left({FEPS}_{i,t}\right)\right]}^{2}/({N}_{i,t}-1)}}{{P}_{i,t,\textit{0}}} $$ (9) 式中，mean(FEPSi,t)指分析师对i公司t年度盈余预测值的均值。
-
借鉴已有文献，本文加入其他可能影响股价同步性的因素作为控制变量，包括公司规模（Size）、负债水平（Lev）、公司盈利能力（ROE）、公司成长性（MB）、换手率（Turn）、企业性质（SOE）、第一大股东持股比例（First）、机构投资者持股比例（Insholdshr）。此外，为控制年度及行业差异，本文还加入年度（Year）和行业（Ind）虚拟变量。相关变量具体定义如表1所示。
表 1 主要变量定义
变量名称 变量符号 变量描述 股价同步性 SYN1 对市场日收益率和行业日收益率回归R2取对数 SYN2 对市场日收益率和行业日收益率及其滞后一期回归R2取对数 关联交易水平 RPT 关联交易总额与期末总资产的比值 盈余管理水平 DA 根据修正的Jones模型得到的可操控性应计利润绝对值 信息披露质量 Dis 根据深圳证券交易所对上市公司信息披露质量的评级，取值1至4 分析师关注度 Analyst 当年关注一家上市公司且发布分析报告的分析师（团队）数量加1取对数 分析师盈余预测准确性 ERR 分析师盈余预测误差，见公式（8） DISP 分析师盈余预测分歧度，见公式（9） 公司规模 Size 上年末总资产的自然对数 负债水平 Lev 公司年末总负债与总资产的比值 公司盈利能力 ROE 公司当年营业利润与年末股东权益的比值 公司成长性 MB 公司上年末总市值与净资产总额的比值 换手率 Turn 股票当年成交量与发行总股数的比值 企业性质 SOE 当公司为国有时取1，否则为0 第一大股东持股比例 First 第一大股东持股数量与总股本股数的比值 机构投资者持股比例 Insholdshr 机构投资者持股数量与总股本股数的比值 年度效应 Year 以2006年为基准年，设置9个年份虚拟变量 行业效应 Ind 按证监会行业分类标准设置行业虚拟变量，共设置17个行业虚拟变量 -
为检验研究假说H1，本文构建如下回归模型（10）：
$$ {SYN}_{i,t+1}={\beta }_{0}+{\beta }_{1}{RPT}_{i,t}+\sum {\beta }_{j} {Controls}_{i,t}+{\varepsilon }_{i,t} $$ (10) 其中，SYN为衡量股价同步性的变量（SYN1和SYN2），RPT表示关联交易水平，Controls为表1中的相关控制变量，ε为残差项。为缓解可能存在的内生性，本文对模型的被解释变量均提前一期处理。另外，考虑到本文的研究样本属于时间跨度小而截面公司样本较多的非平衡面板数据，本文采用常见的公司层面聚类方法（Cluster）对标准误进行处理①。
为考察关联交易对股价同步性的影响及其作用机制，本文借鉴温忠麟等（2005）的研究，使用中介效应分析方法检验研究假说H2，具体构建如下模型（11）、模型（12）、模型（13），分步骤进行实证分析：
$$ {DA}_{i,t+1}\left({Dis}_{i,t+1}\right)={\beta }_{0}+{\beta }_{1}{RPT}_{i,t}+\sum {\beta }_{j} {Controls}_{i,t}+{\varepsilon }_{i,t} $$ (11) $$ {SYN}_{i,t+1}={\beta }_{0}+{\beta }_{1}{DA}_{i,t}\left({Dis}_{i,t}\right)+\sum {\beta }_{j} {Controls}_{i,t}+{\varepsilon }_{i,t} $$ (12) $$ {SYN}_{i,t+1}={\beta }_{0}+{\beta }_{1}{RPT}_{i,t}+{\beta }_{2}{DA}_{i,t}\left({Dis}_{i,t}\right)+\sum {\beta }_{j} {Controls}_{i,t}+{\varepsilon }_{i,t} $$ (13) 其中，DA、Dis分别表示盈余管理水平和信息披露质量，是反映公司信息透明度的两个代理变量。首先，用模型（11）检验关联交易是否显著降低信息透明度，如果得到β1显著为正，说明关联交易能够显著降低信息透明度；其次，用模型（12）检验信息透明度与股价同步性的关系，如果β1显著为负，说明信息透明度与股价同步性正相关；最后，将关联交易与信息透明度指标同时加入模型对股价同步性进行回归，即模型（13），如果关联交易的系数不再显著（显著性下降），说明关联交易完全（部分）通过信息透明度影响股价同步性。
-
为检验研究假说H3（H3a、H3b），本文构建如下模型（14）、模型（15）：
$$SY{N_{i,t + 1}} = {\beta _0} + {\beta _1}RP{T_{i,t}} + {\beta _2}Analys{t_{i,t}} + {\beta _3}RP{T_{i,t}} \times Analys{t_{i,t}} + \mathop \sum \nolimits {{\beta _j} Control{s_{i,t}}} + {\varepsilon _{i,t}}$$ (14) $$\begin{split} SY{N_{i,t + 1}} =& {\beta _0} + {\beta _1}RP{T_{i,t}} + {\beta _2}ER{R_{i,t}}(DIS{P_{i,t}}) + {\beta _3}RP{T_{i,t}}\times ER{R_{i,t}} (DIS{P_{i,t}}) \\ &+ \mathop \sum \nolimits {{\beta _j} Control{s_{i,t}}} + {\varepsilon _{i,t}} \end{split}$$ (15) 其中，Analyst表示分析师关注度，ERR、DISP分别表示分析师盈余预测误差和分析师盈余预测分歧度，是反映分析师盈余预测准确性的两个代理变量。RPT×Analyst为关联交易与分析师关注度的交乘项，RPT×ERR为关联交易与分析师盈余预测误差的交乘项，RPT×DISP为关联交易与分析师盈余预测分歧度的交乘项。上述交乘项用来考察分析师的治理作用。
-
表2报告了本文主要变量的描述性统计结果。统计显示，股价同步性（SYN1和SYN2）的最小值和最大值分别为−2.340、−2.090和1.330、1.360，表明不同上市公司之间的股价同步性差异较大。关联交易水平（RPT）的均值为0.330，即平均而言中国上市公司关联交易总额占资产总额的比重约为33%，说明关联交易现象在中国资本市场确实较为普遍。盈余管理水平（DA）的均值为0.070，中位数为0.050，表明中国上市公司存在较为普遍的盈余管理行为。信息披露质量（Dis）的均值为1.990，表明深圳证券交易所上市公司信息披露考评结果平均而言达到了“良好”等级。分析师关注度（Analyst）的标准差为0.860，最大值、最小值分别为3.710、0.690，说明分析师对不同上市公司的关注度差异明显。分析师盈余预测准确性（ERR、DISP）的均值相近（分别为0.030和0.020）且标准差较小（分别为0.040和0.020），这意味着不同分析师对上市公司盈余预测的准确性总体来说较为接近。其余变量的描述性统计结果与现有文献较为一致，此处不再赘述。
表 2 主要变量的描述性统计
变量 样本量 均值 标准差 中位数 最小值 最大值 SYN1 19,338 −0.270 0.730 −0.250 −2.340 1.330 SYN2 19,338 −0.220 0.700 −0.210 −2.090 1.360 RPT 19,338 0.330 0.450 0.190 0.000 2.880 DA 19,338 0.070 0.070 0.050 0.000 0.360 Dis 10,694 1.990 0.620 2.000 1.000 4.000 Analyst 14,731 1.970 0.860 1.950 0.690 3.710 ERR 13,860 0.030 0.040 0.020 0.000 0.210 DISP 13,860 0.020 0.020 0.010 0.000 0.140 Size 19,338 21.960 1.250 21.800 19.450 25.800 Lev 19,338 0.460 0.210 0.470 0.060 0.900 ROE 19,338 0.060 0.150 0.070 −0.760 0.390 MB 19,338 4.070 3.720 2.980 0.710 25.840 Turn 19,338 2.870 1.940 2.400 0.290 9.940 SOE 19,338 0.450 0.500 0.000 0.000 1.000 First 19,338 0.360 0.150 0.340 0.090 0.750 Insholdshr 19,338 0.200 0.210 0.130 0.000 0.810 -
表3检验了本文的研究假说H1，即关联交易对股价同步性具有何种影响。表3的回归结果显示，无论是用SYN1还是用SYN2来衡量股价同步性，上市公司关联交易水平（RPT）对股价同步性均在1%水平上具有显著负向影响。可见，在其他条件不变的情况下，上市公司关联交易显著降低了股价同步性，即本文的研究假说H1得到支持。已有研究发现，上市公司关联交易可能成为大股东“掏空”中小股东的工具（刘建民和刘星，2007），也可能沦为管理层进行盈余管理的重要手段（郑国坚，2009），因而关联交易公司往往更倾向于隐藏信息，从而降低公司信息透明度。本文实证发现，关联交易降低了上市公司股价同步性，鉴于股价同步性与资本市场信息效率正相关，上述结果在一定程度上表明关联交易降低了股票定价效率。可能的原因在于，关联交易降低了公司信息透明度，造成资本市场上公司特质信息减少，因而股价包含了更多噪音，导致股价同步性下降。对于上述解释，本文将在作用机制检验中提供进一步的实证证据。
表 3 关联交易与股价同步性
变量 SYN1 SYN2 (1) (2) RPT −0.057*** −0.054*** (−4.742) (−4.624) Size 0.170*** 0.168*** (20.177) (20.614) Lev −0.393*** −0.388*** (−9.605) (−9.866) ROE 0.477*** 0.441*** (10.832) (10.493) MB −0.019*** −0.017*** (−7.932) (−7.353) Turn 0.030*** 0.028*** (9.795) (9.436) SOE 0.082*** 0.081*** (5.813) (5.881) First −0.253*** −0.246*** (−5.930) (−5.958) Insholdshr −0.148*** −0.144*** (−4.316) (−4.318) Constant −3.752*** −3.675*** (−21.042) (−21.301) Year & Ind Yes Yes N 16,401 16,401 Adj_R2 0.445 0.452 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整。 -
表4、表5分别基于盈余管理水平视角和信息披露质量视角检验本文的研究假说H2，即关联交易是否通过降低信息透明度这一作用机制影响了股价同步性。表4和表5的列（1）分别检验了关联交易对信息透明度的影响，结果显示，无论是用盈余管理水平（DA）还是用信息披露质量（Dis）衡量信息透明度，关联交易水平（RPT）的回归系数均在1%水平上显著为正。这意味着关联交易显著降低了公司信息透明度，具体表现为关联交易增加了公司盈余管理水平（郑国坚，2009；Jian和Wong，2010），降低了信息披露质量。其原因可能在于，上市公司会利用关联交易进行利益输送或盈余管理以实现特定的盈余目标，而为了掩盖关联交易背后隐藏的动机，公司倾向于披露较少的特质信息，致使公司信息披露质量较差，信息透明度降低。
表 4 关联交易、信息透明度与股价同步性：基于盈余管理水平视角的中介效应检验
变量 DA SYN1 SYN2 SYN1 SYN2 (1) (2) (3) (4) (5) RPT 0.008*** −0.054*** −0.051*** (5.410) (−4.495) (−4.379) DA −0.347*** −0.329*** −0.325*** −0.309*** (−5.153) (−5.066) (−4.837) (−4.754) Size −0.005*** 0.171*** 0.169*** 0.170*** 0.168*** (−6.340) (20.245) (20.677) (20.246) (20.682) Lev 0.008* −0.417*** −0.411*** −0.388*** −0.383*** (1.798) −0.417*** −0.411*** −0.388*** −0.383*** ROE 0.017*** 0.489*** 0.453*** 0.481*** 0.445*** (3.495) (11.103) (10.754) (10.967) (10.626) MB 0.003*** −0.019*** −0.016*** −0.018*** −0.016*** (10.533) (−7.789) (−7.203) (−7.555) (−6.979) Turn 0.001* 0.032*** 0.030*** 0.031*** 0.029*** (1.664) (10.140) (9.770) (10.001) (9.636) SOE −0.004*** 0.078*** 0.077*** 0.080*** 0.078*** (−2.675) (5.502) (5.578) (5.615) (5.687) First 0.005 −0.262*** −0.255*** −0.249*** −0.243*** (1.085) (−6.146) (−6.170) (−5.849) (−5.879) Insholdshr −0.003 −0.144*** −0.140*** −0.148*** −0.144*** (−0.849) (−4.145) (−4.152) (−4.315) (−4.318) Constant 0.173*** −3.756*** −3.679*** −3.735*** −3.659*** (11.280) (−21.004) (−21.259) (−21.043) (−21.302) Year & Ind Yes Yes Yes Yes Yes N 16,432 16,401 16,401 16,401 16,401 Adj_R2 0.099 0.444 0.452 0.445 0.453 Sobel检验 0.007 0.008 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整；Sobel检验为p值（双尾）。 表 5 关联交易、信息透明度与股价同步性：基于信息披露质量视角的中介效应检验
变量 Dis SYN1 SYN2 SYN1 SYN2 (1) (2) (3) (4) (5) RPT 0.100*** −0.050*** −0.047*** (5.341) (−3.174) (−3.044) Dis −0.093*** −0.088*** −0.090*** −0.085*** (−7.934) (−7.721) (−7.644) (−7.446) Size −0.123*** 0.130*** 0.129*** 0.129*** 0.129*** (−9.363) (10.987) (11.229) (10.967) (11.210) Lev 0.573*** −0.298*** −0.297*** −0.269*** −0.270*** (9.279) (−6.065) (−6.249) −5.419) (−5.614) ROE −0.838*** 0.427*** 0.398*** 0.420*** 0.391*** (−10.456) (6.687) (6.509) (6.521) (6.348) MB −0.008** −0.022*** −0.020*** −0.022*** −0.020*** (−2.300) (−7.050) (−6.727) (−6.838) (−6.521) Turn 0.018*** 0.030*** 0.028*** 0.029*** 0.027*** (4.186) (7.601) (7.342) (7.469) (7.216) SOE −0.077*** 0.078*** 0.077*** 0.079*** 0.079*** (−3.267) (3.973) (4.080) (4.046) (4.150) First −0.212*** −0.397*** −0.380*** −0.384*** −0.368*** (−3.124) (−7.045) (−6.952) (−6.821) (−6.736) Insholdshr −0.105* −0.154*** −0.150*** −0.157*** −0.153*** (−1.956) (−3.764) (−3.785) (−3.863) (−3.881) Constant 4.916*** −2.701*** −2.655*** −2.703*** −2.657*** (17.585) (−10.120) (−10.274) (−10.131) (−10.284) Year & Ind Yes Yes Yes Yes Yes N 8,887 8,855 8,855 8,855 8,855 Adj_R2 0.165 0.424 0.432 0.424 0.433 Sobel检验 0.000 0.000 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整；Sobel检验为p值（双尾）。 表4和表5的列（2）、列（3）则分别检验了信息透明度（盈余管理水平、信息披露质量）与股价同步性的关系。结果显示，盈余管理水平（DA）、信息披露质量（Dis）与股价同步性（SYN1、SYN2）均在1%水平上显著负相关，这表明信息透明度越高（DA、Dis取值越小），股价包含的噪音信息越少，此时股价同步性也越高，即信息透明度与股价同步性显著正相关（王亚平等，2009）。上述结果支持了对股价同步性“基于行为金融的解释”，即在噪音较大的中国股票市场，低股价同步性并不代表股价含有较高的公司特质信息；恰恰相反，这是股价融入更多噪音所致。
表4和表5的列（4）、列（5）进一步对信息透明度进行了中介效应检验，本文将关联交易与信息透明度指标同时加入模型对股价同步性进行回归。结果显示，在加入信息透明度指标进行回归后，关联交易的回归系数仍然均在1%水平上显著为负，这表明关联交易并非完全而是部分地通过信息透明度作用于股价同步性。Sobel检验结果显示，无论是以盈余管理水平（DA）还是用信息披露质量（Dis）作为信息透明度的衡量指标，Sobel检验的p值均小于1%。这说明信息透明度这一作用机制在1%水平上显著，即信息透明度确实在关联交易与股价同步性二者关系中发挥了部分中介作用，本文的研究假说H2得到支持。
-
表6进一步检验了本文的研究假说H3（H3a、H3b），即分析师行为如何影响关联交易与股价同步性之间的关系。表6列（1）、列（4）显示，无论采用哪种方式衡量股价同步性，关联交易与分析师关注度交乘项（RPT×Analyst）的回归系数均在5%水平上显著为正，这说明关联交易与股价同步性的负相关关系会随着分析师跟踪人数的增加而显著降低。上述结果表明，更多的分析师跟踪有助于挖掘更多市场和公司层面的特质信息，削弱股价中噪音交易的影响。因此，分析师关注度的提高会削弱关联交易与股价同步性的负相关关系，即研究假说H3a得到支持。
表 6 关联交易与股价同步性：分析师行为的影响
变量 SYN1 SYN1 SYN1 SYN2 SYN2 SYN2 (1) (2) (3) (4) (5) (6) RPT −0.130*** −0.033* −0.017 −0.123*** −0.034* −0.017 (−3.755) (−1.697) (−0.767) (−3.678) (−1.762) (−0.816) Analyst 0.025** 0.024** (2.447) (2.426) RPT×Analyst 0.042** 0.039** (2.190) (2.148) ERR 0.411* 0.357 (1.827) (1.632) RPT×ERR −0.849** −0.738** (−2.266) (−2.042) DISP 1.316*** 1.193*** (3.935) (3.645) RPT×DISP −1.950*** −1.776*** (−3.047) (−2.834) Size 0.134*** 0.149*** 0.147*** 0.135*** 0.149*** 0.147*** (13.250) (15.854) (15.528) (13.705) (16.246) (15.947) Lev −0.304*** −0.355*** −0.359*** −0.305*** −0.354*** −0.357*** (−6.487) (−7.643) (−7.742) (−6.714) (−7.850) (−7.943) ROE 0.354*** 0.381*** 0.402*** 0.336*** 0.363*** 0.381*** (5.861) (5.992) (7.075) (5.803) (5.866) (6.955) Turn 0.032*** 0.030*** 0.030*** 0.030*** 0.028*** 0.028*** (8.978) (8.737) (8.835) (8.757) (8.482) (8.572) MB −0.027*** −0.023*** −0.023*** −0.025*** −0.021*** −0.021*** (−9.649) (−7.934) (−7.952) (−9.351) (−7.633) (−7.647) SOE 0.070*** 0.077*** 0.079*** 0.069*** 0.076*** 0.078*** (4.397) (4.894) (5.061) (4.407) (4.943) (5.102) First −0.233*** −0.247*** −0.242*** −0.228*** −0.241*** −0.236*** (−4.991) (−5.307) (−5.212) (−5.024) (−5.310) (−5.223) Insholdshr −0.183*** −0.155*** −0.153*** −0.176*** −0.149*** −0.148*** (−4.899) (−4.216) (−4.180) (−4.845) (−4.183) (−4.148) Constant −2.916*** −2.387*** −2.355*** −2.899*** −2.360*** −2.331*** (−13.288) (−11.287) (−11.075) (−13.601) (−11.460) (−11.264) Year & Ind Yes Yes Yes Yes Yes Yes N 12,394 12,590 12,590 12,394 12,590 12,590 Adj_R2 0.434 0.444 0.444 0.440 0.451 0.451 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整。 表6列（2）、列（5）显示，关联交易与分析师盈余预测误差交乘项（RPT×ERR）的回归系数均在5%水平上显著为负，这说明随着分析师盈余预测误差的降低，关联交易与股价同步性的负相关关系减弱。表6列（3）、列（6）显示，关联交易与分析师盈余预测分歧度交乘项（RPT×DISP）的回归系数均在1%水平上显著为负，这说明随着分析师盈余预测分歧度的降低，关联交易与股价同步性的负相关关系也会减弱。
综合来看，分析师盈余预测准确性越高（误差较小、分歧度较低），越有助于削弱关联交易与股价同步性的负相关关系，即研究假说H3b得到支持。上述结果表明，分析师盈余预测准确性对于挖掘公司有价值的信息具有重要影响，预测准确性越高，投资者越能够利用分析师挖掘的信息进行合理决策，越少受股市噪音的影响。换言之，分析师对于引导中国投资者进行理性投资、提高中国资本市场的信息效率发挥了积极的治理作用。
-
（1）替换关联交易水平的衡量
关联交易水平受诸多因素影响，为剔除这些因素可能对研究结论的干扰，本文采用超额关联交易水平作为前文关联交易水平（RPT）的替代变量进行稳健性检验。具体而言，借鉴Jian和Wong（2010）、魏志华等（2017b）的研究，本文将公司关联交易总额区分为正常关联交易和超额关联交易，并进一步采用如下模型（16）估计的超额关联交易水平（RPT_ab）替代前文的关联交易水平（RPT）。
$$ \begin{split} RP{T_t} = &{\beta _0} + {\beta _1}Siz{e_t} + {\beta _2}Le{v_t} + {\beta _3}Roa{_t} + {\beta _4}M{B_t} + {\beta _5}Bcce{o_t} + {\beta _6}Indrati{o_{t}} \\ &+ {\beta _7}Bsiz{e_t}+ {\beta _8}Firs{t_t} + {\beta _9}Secfiv{e_t} + \sum {\beta _i}Year + \sum {\beta _j}Ind + \varepsilon \end{split} $$ (16) 其中，RPT为上市公司关联交易水平；控制变量包括公司规模（Size）、负债水平（Lev）、公司盈利能力（Roa）、公司成长性（MB）、董事长与总经理是否两职合一（Bcceo）、独立董事占比（Indratio）、董事会规模（Bsize）、第一大股东持股比例（First）、第二至第五大股东持股比例（Secfive）；Year为年份虚拟变量，Ind为行业虚拟变量。本文以关联交易水平为因变量对上述模型进行回归，回归得到的残差即为超额关联交易水平（RPT_ab），再用RPT_ab替代RPT重复前文实证研究。表7的回归结果表明，在剔除其他因素对关联交易水平的影响后，本文的主要研究结论保持稳健。
表 7 稳健性检验：替换关联交易水平的衡量
变量 SYN1 SYN2 (1) (2) RPT_ab −0.058*** −0.055*** (−4.491) (−4.373) Constant −3.746*** −3.668*** (−20.844) (−21.066) Controls Yes Yes N 15,952 15,952 Adj_R2 0.446 0.453 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整。 （2）替换股价同步性的衡量
前文中在计算拟合系数R2时，采用的个股收益率、市场收益率以及行业收益率均为日收益率，并进一步做对数转换得到股价同步性衡量指标SYN1和SYN2。借鉴已有文献，本文采用周收益率替代日收益率，重新进行相关回归，计算拟合系数R2，并进一步做对数转换得到新的股价同步性衡量指标SYN3和SYN4，使用SYN3和SYN4重复前文的实证研究。表8的回归结果表明，使用新的股价同步性衡量指标，本文的研究结论保持稳健。
表 8 稳健性检验：替换股价同步性的衡量
变量 SYN3 SYN4 (1) (2) RPT −0.046*** −0.045*** (−2.945) (−3.153) Constant −3.582*** −3.219*** (−16.625) (−16.095) Controls Yes Yes N 16,431 16,431 Adj_R2 0.304 0.306 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整。 -
前文研究样本区间为2006−2016年，考虑到从2007年8月爆发至2009年年底基本结束的次贷金融危机对中国资本市场股价以及股价同步性可能产生的影响，本文采用2010−2016年样本重复前文的实证研究，以排除次贷金融危机对本文研究结论的干扰。表9的回归结果表明，剔除受次贷金融危机影响的样本后，本文的研究结论依然稳健。
表 9 稳健性检验：剔除受次贷金融危机影响样本
变量 SYN1 SYN2 (1) (2) RPT −0.068*** −0.063*** (−4.748) (−4.565) Constant −3.608*** −3.542*** (−17.728) (−17.975) Controls Yes Yes N 12,908 12,908 Adj_R2 0.415 0.423 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整。 -
（1）工具变量回归
为缓解可能存在的反向因果内生性问题，本文采用常见的工具变量回归方法（IV）进行处理。具体而言，本文采用上市公司所在行业关联交易水平中位数（RPT_adj）作为上市公司关联交易水平的工具变量。表10列（1）至列（3）的结果显示，工具变量第一阶段回归中不存在弱工具变量问题（Cragg-Donald Wald F统计量明显大于10），第二阶段回归中关联交易水平（RPT）仍然在1%水平上对股价同步性具有显著负向影响。
表 10 稳健性检验：工具变量回归与固定效应模型
变量 IV第一阶段 IV第二阶段 IV第二阶段 FE FE SYN1 SYN1 SYN2 SYN1 SYN2 (1) (2) (3) (4) (5) RPT −1.018*** −1.018*** −0.040*** −0.042*** (−3.977) (−4.034) (−2.819) (−3.079) RPT_adj 0.646*** (5.454) Constant 0.266 −3.361*** −3.283*** −3.435*** −3.207*** (1.364) (−12.757) (−12.635) (−16.379) (−15.930) Controls Yes Yes Yes Yes Yes Cragg-Donald Wald F 29.738 N 16,401 16,401 16,401 16,401 16,401 Adj_R2 0.094 0.095 0.084 0.127 0.129 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整。 （2）固定效应模型
为控制遗漏变量可能导致的内生性问题，本文采用双向固定效应模型进行处理。表10列（4）、列（5）的结果显示，在采用双向固定效应模型控制可能存在的遗漏变量问题后，关联交易水平（RPT）的回归系数仍然在1%水平上显著为负，即关联交易显著降低了股价同步性。
总体而言，在采用工具变量回归和固定效应模型缓解潜在的内生性问题后，本文的研究结论依然保持稳健。
-
前文聚焦于探讨关联交易对股价同步性的影响及其作用机制，并考察了分析师行为在二者关系中扮演的角色。本文进一步探索并回答以下两个问题：第一，不同类型关联交易对股价同步性的影响是否存在差异。现实中，上市公司关联交易种类繁多，不同类型关联交易对公司信息透明度和股价同步性的影响可能存在差异。因此，深入考察各类关联交易对股价同步性的异质性影响很有必要。第二，内外部公司治理机制在关联交易与股价同步性二者关系中扮演了何种角色。本文聚焦于考察内部大股东与外部审计的作用。一方面，大股东在上市公司关联交易中发挥着举足轻重的作用。关联交易是否公允、是否存在“掏空”行为进而是否降低了公司信息透明度，往往与大股东息息相关。因此，在考察关联交易与股价同步性二者关系时，有必要探究作为上市公司内部人的大股东是否在其中起到了“推波助澜”的作用。另一方面，审计监督是重要的公司外部治理机制。高质量的外部审计能够发现财务报告中存在的主观会计操纵或客观会计偏差，从而对会计信息质量提供重要保障，有效缓解公司信息不对称问题（魏志华等，2012）。因此，外部审计能否缓解关联交易对股价同步性的负向影响同样值得关注。
-
企业存在多种多样的关联方关系，也经常发生各种各样的关联交易，在中国现行会计准则中列举了11种常见的关联交易类型③。不少文献研究表明，不同类型关联交易背后可能隐藏着不同的交易动机，而各类关联交易也往往会产生不同的经济后果（陈晓和王琨，2005；Kohlbeck和Mayhew，2010；肖迪，2010；Jia等，2013）。为深入挖掘关联交易对公司股价同步性的影响，本文从不同类型关联交易视角进一步探究其对股价同步性的影响是否存在差异。
图 1 2006−2016年中国上市公司各类关联交易频次统计⑤
图1统计了2006−2016年中国上市公司各类关联交易的发生频次。统计显示，目前中国上市公司关联交易最频繁的类型依次为担保抵押、商品交易、提供或接受劳务、资金交易以及租赁，其他类型关联交易相对较少④。因此，本文在异质性分析中侧重考察商品交易（RPTtra）、提供或接受劳务（RPTlab）、资金交易（RPTmoney）、担保抵押（RPTgua）以及租赁（RPTrent）五类关联交易对股价同步性的影响，变量取值分别用各类关联交易金额占资产总额的比重来衡量。
表11使用全样本分别考察了五类主要关联交易对股价同步性的影响。需要说明的是，每类关联交易均有大量样本缺失，因而各回归中的研究样本差异较大。表11的回归结果显示，只有商品交易类关联交易（RPTtra）和担保抵押类关联交易（RPTgua）的回归系数显著为负，其他类型关联交易的回归系数为负但不显著。可能的解释是，商品交易和担保抵押是企业经营中较为常见的商业活动，并且在各类关联交易中涉及金额最大且最为频繁（见图1），对公司信息透明度的影响也最明显。因此，在各类关联交易中，商品交易类和担保抵押类关联交易对股价同步性的影响最显著，而其他关联交易的影响则相对微弱，这表明各类关联交易对股价同步性的影响具有异质性。
表 11 不同类型关联交易与股价同步性
变量 SYN1 SYN1 SYN1 SYN1 SYN1 SYN2 SYN2 SYN2 SYN2 SYN2 (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) RPTtra −0.121 *** −0.112 *** (−3.661) (−3.542) RPTlab −0.006 −0.010 (−0.031) (−0.056) RPTmoney −0.030 −0.015 (−0.611) (−0.314) RPTgua −0.048 ** −0.049 ** (−1.982) (−2.094) RPTrent −0.394 −0.194 (−0.348) (−0.175) Constant −3.857 ***
(−19.583)−3.942 ***
(−17.923)−4.322 ***
(−18.918)−4.354 ***
(−23.086)−3.833 ***
(−17.594)−3.730 ***
(−19.955)−3.851 ***
(−18.105)−4.181 ***
(−19.050)−4.216 ***
(−23.216)−3.715 ***
(−17.839)Controls Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes N 11,243 8,343 6,374 11,534 8,958 11,243 8,343 6,374 11,534 8,958 Adj_R2 0.456 0.446 0.470 0.444 0.459 0.464 0.453 0.477 0.452 0.466 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整。 -
关联交易降低了公司信息透明度进而影响股价同步性，那么内外部公司治理机制在二者关系中发挥了何种作用？是加剧还是削弱了关联交易的不利影响？为回答上述问题，本文进一步基于内部大股东和外部审计师两个视角探讨公司治理机制在关联交易与股价同步性二者关系中扮演的角色。具体而言，本文分别以股权集中度（First，第一大股东持股比例）、是否“四大”审计（Big4，若公司聘请的审计师为国际“四大”，取1，否则为0）作为考察内部大股东和外部审计师作用的代理变量，表12报告了实证结果。
表 12 关联交易与股价同步性：内部大股东和外部审计师的影响
变量 SYN1 SYN2 SYN1 SYN2 (1) (2) (3) (4) RPT −0.001 −0.001 −0.050*** −0.047*** (−0.033) (−0.024) (−4.449) (−4.308) First −0.197*** −0.193*** −0.249*** −0.242*** (−3.718) (−3.751) (−5.812) (−5.842) RPT×First −0.170* −0.161* (−1.843) (−1.801) Big4 −0.026 −0.024 (−0.684) (−0.651) RPT×Big4 0.135** 0.127** (2.334) (2.277) Constant −3.781*** −3.701*** −3.886*** −3.799*** (−21.142) (−21.379) (−20.910) (−21.176) Controls Yes Yes Yes Yes N 16,374 16,374 16,374 16,374 Adj_R2 0.445 0.452 0.446 0.453 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整。 表12列（1）、列（2）的结果显示，关联交易与股权集中度交乘项的回归系数均在10%水平上显著为负，即股权集中度越高的公司，关联交易与股价同步性的负向关系越强，这说明大股东控制会加剧关联交易对资本市场信息效率的负向影响。可能的原因在于，公司股权集中度越高，大股东越有可能利用关联交易“掏空”上市公司（Cheung等，2009；肖迪，2010；Kang等，2014），为隐藏相关信息而致使上市公司信息透明度降低，这导致外部投资者的交易行为更多地受到噪音的影响，表现为关联交易对股价同步性的负向影响更明显。
表12列（3）、列（4）的结果显示，关联交易与“四大”审计交乘项的回归系数均在5%水平上显著为正，即相比于聘请非“四大”审计的上市公司，聘请“四大”审计的上市公司的关联交易与股价同步性的负向关系更弱，这说明聘请高质量审计师有助于抑制关联交易对资本市场信息效率的负向影响。可能的原因在于，上市公司聘请“四大”审计有助于监督和推动上市公司提高信息披露质量，减少不合理的关联交易，削弱关联交易对股价同步性的负向影响。
上述结果表明，内外部公司治理机制确实在关联交易与股价同步性二者关系中发挥了重要作用，大股东股权过于集中对资本市场信息效率具有不利影响，而高质量的外部审计则对提高资本市场信息效率具有积极的治理作用。
-
关联交易行为往往会降低上市公司信息披露质量，加剧信息不对称程度，进而影响股票定价效率，但鲜有研究对此展开深入探索。本文实证检验了关联交易对股价同步性的影响及其作用机制，并考察了分析师行为在二者关系中扮演的角色。本文以2006−2016年中国A股上市公司为研究样本，研究发现：（1）关联交易显著降低了公司信息透明度，使得股价包含了更多噪音信息，降低了股价同步性；（2）更高的分析师关注度、更准确的分析师预测有助于减轻噪音信息对股价的干扰，削弱关联交易对股价同步性的负向影响。上述结果表明，关联交易带来的信息不透明降低了股票定价效率，而有效的分析师跟踪则可以对此扮演积极的治理角色。进一步研究发现，在各类关联交易中，只有商品交易类和担保抵押类关联交易对股价同步性具有显著负向影响；大股东股权过于集中会导致代理问题，加剧关联交易与股价同步性的负向关系，而聘请高质量的“四大”审计师则能够发挥积极的治理作用，削弱关联交易对股价同步性的负向影响。本文的研究在理论上丰富了关联交易经济后果和股价同步性影响因素的研究文献，在实践上为深刻理解关联交易对资本市场信息效率的影响提供了经验证据。
本文的研究表明，关联交易的经济后果并不仅仅局限于公司财务行为和公司价值，还可能对资本市场效率产生不可忽视的影响。这体现在关联交易降低了公司信息透明度进而降低了股价同步性，使得股价包含了更多噪音信息，从这个意义上说，关联交易在一定程度上扭曲了资本市场的资源配置功能，损害了资本市场信息效率。尽管已有研究认为，关联交易对公司价值具有正向影响（黄蓉等，2013；Wong等，2015；魏志华等，2017b），但从资本市场信息效率的角度来看，上市公司关联交易行为无疑存在一定的消极作用。可以说，本文的研究结论有助于投资者从资本市场视角更加全面、深刻地审视上市公司关联交易行为的“阴暗面”。上述结论的政策启示在于，监管部门应加大对公司关联交易行为的监督，确保关联交易在公正、合法且适当的范围内进行，依法对大额或异常的关联交易行为进行审查，并且针对公司关联交易行为制定更加完善的信息披露制度，以有效保护投资者利益。同时，本文的研究还发现更高的分析师关注度、更准确的分析师预测有助于减轻噪音信息对股价的干扰，削弱了关联交易对股价同步性的负向影响，提高了资本市场信息效率。基于此，监管部门应进一步推动分析师行业的发展，努力为分析师创造良好的环境，充分发挥分析师的信息挖掘和传递能力，从而更有效地发挥分析师作为信息中介在促进信息传递、提高资本市场信息效率方面的积极作用。
-
摘要: 文章以2006−2016年中国A股上市公司为样本，实证检验了关联交易对股价同步性的影响及其作用机制，同时考察了分析师行为在二者关系中扮演的重要角色。研究发现：关联交易显著降低了股价同步性，原因在于关联交易降低了公司信息透明度，使得股价中包含更多噪音信息，从而降低了股价同步性；同时，更高的分析师关注度、更准确的分析师预测有助于减轻噪音信息对股价的干扰，削弱关联交易对股价同步性的负向影响。上述研究结果表明，关联交易带来的信息不透明降低了股票定价效率，而有效的分析师跟踪则可以对此扮演积极的治理角色。进一步研究发现，在各类关联交易中，只有商品交易类和担保抵押类关联交易对股价同步性具有显著负向影响；大股东股权过于集中会导致代理问题，加剧关联交易与股价同步性的负向关系；而聘请高质量的“四大”审计师能够发挥积极作用，缓解关联交易与股价同步性的负向关系。研究在理论上丰富了关联交易经济后果以及股价同步性影响因素的相关文献，在实践上为更深刻地理解关联交易对资本市场信息效率的影响提供了实证证据。
Related Party Transactions, Analyst Behavior and Stock Price Synchronicity: An Empirical Research on Chinese Listed Companies
Abstract: Using a sample of Chinese A-share listed companies for the period of 2006-2016, this paper empirically examines the impact of related party transactions (RPTs) on stock price synchronicity (SPS) and its mechanism, and investigates the important role of analyst behavior in the relationship between RPTs and SPS. The results show that RPTs significantly reduce SPS. The reason is that RPTs reduce transparency of corporate information, make the stock price contains more noise information, and thus reduce SPS. Meanwhile, higher concerns and more accurate forecast of the analysts help to mitigate the interference of noise information on stock price, and this weakens the negative effect of RPTs on SPS. The above results suggest that low information transparency caused by RPTs reduces stock pricing efficiency, while effective analyst following can play a positive role to deal with this problem. Further study finds that among all kinds of RPTs only commodity transactions and secured mortgage have significantly negative effects on SPS. In addition, excessive concentration of ownership will lead to agency problems, and strengthen the negative relationship between RPTs and SPS. Employing high-quality auditors from Big Four accounting firms can play an active role, and weakens the negative relationship between RPTs and SPS. In theory, this study enriches the relevant literatures on the economic consequences of RPTs and the factors affecting SPS. In practice, it provides empirical evidence for a deeper understanding of the impact of RPTs on capital market information efficiency. -
表 1 主要变量定义
变量名称 变量符号 变量描述 股价同步性 SYN1 对市场日收益率和行业日收益率回归R2取对数 SYN2 对市场日收益率和行业日收益率及其滞后一期回归R2取对数 关联交易水平 RPT 关联交易总额与期末总资产的比值 盈余管理水平 DA 根据修正的Jones模型得到的可操控性应计利润绝对值 信息披露质量 Dis 根据深圳证券交易所对上市公司信息披露质量的评级，取值1至4 分析师关注度 Analyst 当年关注一家上市公司且发布分析报告的分析师（团队）数量加1取对数 分析师盈余预测准确性 ERR 分析师盈余预测误差，见公式（8） DISP 分析师盈余预测分歧度，见公式（9） 公司规模 Size 上年末总资产的自然对数 负债水平 Lev 公司年末总负债与总资产的比值 公司盈利能力 ROE 公司当年营业利润与年末股东权益的比值 公司成长性 MB 公司上年末总市值与净资产总额的比值 换手率 Turn 股票当年成交量与发行总股数的比值 企业性质 SOE 当公司为国有时取1，否则为0 第一大股东持股比例 First 第一大股东持股数量与总股本股数的比值 机构投资者持股比例 Insholdshr 机构投资者持股数量与总股本股数的比值 年度效应 Year 以2006年为基准年，设置9个年份虚拟变量 行业效应 Ind 按证监会行业分类标准设置行业虚拟变量，共设置17个行业虚拟变量 
下载: 导出CSV
表 2 主要变量的描述性统计
变量 样本量 均值 标准差 中位数 最小值 最大值 SYN1 19,338 −0.270 0.730 −0.250 −2.340 1.330 SYN2 19,338 −0.220 0.700 −0.210 −2.090 1.360 RPT 19,338 0.330 0.450 0.190 0.000 2.880 DA 19,338 0.070 0.070 0.050 0.000 0.360 Dis 10,694 1.990 0.620 2.000 1.000 4.000 Analyst 14,731 1.970 0.860 1.950 0.690 3.710 ERR 13,860 0.030 0.040 0.020 0.000 0.210 DISP 13,860 0.020 0.020 0.010 0.000 0.140 Size 19,338 21.960 1.250 21.800 19.450 25.800 Lev 19,338 0.460 0.210 0.470 0.060 0.900 ROE 19,338 0.060 0.150 0.070 −0.760 0.390 MB 19,338 4.070 3.720 2.980 0.710 25.840 Turn 19,338 2.870 1.940 2.400 0.290 9.940 SOE 19,338 0.450 0.500 0.000 0.000 1.000 First 19,338 0.360 0.150 0.340 0.090 0.750 Insholdshr 19,338 0.200 0.210 0.130 0.000 0.810
下载: 导出CSV
表 3 关联交易与股价同步性
变量 SYN1 SYN2 (1) (2) RPT −0.057*** −0.054*** (−4.742) (−4.624) Size 0.170*** 0.168*** (20.177) (20.614) Lev −0.393*** −0.388*** (−9.605) (−9.866) ROE 0.477*** 0.441*** (10.832) (10.493) MB −0.019*** −0.017*** (−7.932) (−7.353) Turn 0.030*** 0.028*** (9.795) (9.436) SOE 0.082*** 0.081*** (5.813) (5.881) First −0.253*** −0.246*** (−5.930) (−5.958) Insholdshr −0.148*** −0.144*** (−4.316) (−4.318) Constant −3.752*** −3.675*** (−21.042) (−21.301) Year & Ind Yes Yes N 16,401 16,401 Adj_R2 0.445 0.452 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整。
下载: 导出CSV
表 4 关联交易、信息透明度与股价同步性：基于盈余管理水平视角的中介效应检验
变量 DA SYN1 SYN2 SYN1 SYN2 (1) (2) (3) (4) (5) RPT 0.008*** −0.054*** −0.051*** (5.410) (−4.495) (−4.379) DA −0.347*** −0.329*** −0.325*** −0.309*** (−5.153) (−5.066) (−4.837) (−4.754) Size −0.005*** 0.171*** 0.169*** 0.170*** 0.168*** (−6.340) (20.245) (20.677) (20.246) (20.682) Lev 0.008* −0.417*** −0.411*** −0.388*** −0.383*** (1.798) −0.417*** −0.411*** −0.388*** −0.383*** ROE 0.017*** 0.489*** 0.453*** 0.481*** 0.445*** (3.495) (11.103) (10.754) (10.967) (10.626) MB 0.003*** −0.019*** −0.016*** −0.018*** −0.016*** (10.533) (−7.789) (−7.203) (−7.555) (−6.979) Turn 0.001* 0.032*** 0.030*** 0.031*** 0.029*** (1.664) (10.140) (9.770) (10.001) (9.636) SOE −0.004*** 0.078*** 0.077*** 0.080*** 0.078*** (−2.675) (5.502) (5.578) (5.615) (5.687) First 0.005 −0.262*** −0.255*** −0.249*** −0.243*** (1.085) (−6.146) (−6.170) (−5.849) (−5.879) Insholdshr −0.003 −0.144*** −0.140*** −0.148*** −0.144*** (−0.849) (−4.145) (−4.152) (−4.315) (−4.318) Constant 0.173*** −3.756*** −3.679*** −3.735*** −3.659*** (11.280) (−21.004) (−21.259) (−21.043) (−21.302) Year & Ind Yes Yes Yes Yes Yes N 16,432 16,401 16,401 16,401 16,401 Adj_R2 0.099 0.444 0.452 0.445 0.453 Sobel检验 0.007 0.008 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整；Sobel检验为p值（双尾）。
下载: 导出CSV
表 5 关联交易、信息透明度与股价同步性：基于信息披露质量视角的中介效应检验
变量 Dis SYN1 SYN2 SYN1 SYN2 (1) (2) (3) (4) (5) RPT 0.100*** −0.050*** −0.047*** (5.341) (−3.174) (−3.044) Dis −0.093*** −0.088*** −0.090*** −0.085*** (−7.934) (−7.721) (−7.644) (−7.446) Size −0.123*** 0.130*** 0.129*** 0.129*** 0.129*** (−9.363) (10.987) (11.229) (10.967) (11.210) Lev 0.573*** −0.298*** −0.297*** −0.269*** −0.270*** (9.279) (−6.065) (−6.249) −5.419) (−5.614) ROE −0.838*** 0.427*** 0.398*** 0.420*** 0.391*** (−10.456) (6.687) (6.509) (6.521) (6.348) MB −0.008** −0.022*** −0.020*** −0.022*** −0.020*** (−2.300) (−7.050) (−6.727) (−6.838) (−6.521) Turn 0.018*** 0.030*** 0.028*** 0.029*** 0.027*** (4.186) (7.601) (7.342) (7.469) (7.216) SOE −0.077*** 0.078*** 0.077*** 0.079*** 0.079*** (−3.267) (3.973) (4.080) (4.046) (4.150) First −0.212*** −0.397*** −0.380*** −0.384*** −0.368*** (−3.124) (−7.045) (−6.952) (−6.821) (−6.736) Insholdshr −0.105* −0.154*** −0.150*** −0.157*** −0.153*** (−1.956) (−3.764) (−3.785) (−3.863) (−3.881) Constant 4.916*** −2.701*** −2.655*** −2.703*** −2.657*** (17.585) (−10.120) (−10.274) (−10.131) (−10.284) Year & Ind Yes Yes Yes Yes Yes N 8,887 8,855 8,855 8,855 8,855 Adj_R2 0.165 0.424 0.432 0.424 0.433 Sobel检验 0.000 0.000 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整；Sobel检验为p值（双尾）。
下载: 导出CSV
表 6 关联交易与股价同步性：分析师行为的影响
变量 SYN1 SYN1 SYN1 SYN2 SYN2 SYN2 (1) (2) (3) (4) (5) (6) RPT −0.130*** −0.033* −0.017 −0.123*** −0.034* −0.017 (−3.755) (−1.697) (−0.767) (−3.678) (−1.762) (−0.816) Analyst 0.025** 0.024** (2.447) (2.426) RPT×Analyst 0.042** 0.039** (2.190) (2.148) ERR 0.411* 0.357 (1.827) (1.632) RPT×ERR −0.849** −0.738** (−2.266) (−2.042) DISP 1.316*** 1.193*** (3.935) (3.645) RPT×DISP −1.950*** −1.776*** (−3.047) (−2.834) Size 0.134*** 0.149*** 0.147*** 0.135*** 0.149*** 0.147*** (13.250) (15.854) (15.528) (13.705) (16.246) (15.947) Lev −0.304*** −0.355*** −0.359*** −0.305*** −0.354*** −0.357*** (−6.487) (−7.643) (−7.742) (−6.714) (−7.850) (−7.943) ROE 0.354*** 0.381*** 0.402*** 0.336*** 0.363*** 0.381*** (5.861) (5.992) (7.075) (5.803) (5.866) (6.955) Turn 0.032*** 0.030*** 0.030*** 0.030*** 0.028*** 0.028*** (8.978) (8.737) (8.835) (8.757) (8.482) (8.572) MB −0.027*** −0.023*** −0.023*** −0.025*** −0.021*** −0.021*** (−9.649) (−7.934) (−7.952) (−9.351) (−7.633) (−7.647) SOE 0.070*** 0.077*** 0.079*** 0.069*** 0.076*** 0.078*** (4.397) (4.894) (5.061) (4.407) (4.943) (5.102) First −0.233*** −0.247*** −0.242*** −0.228*** −0.241*** −0.236*** (−4.991) (−5.307) (−5.212) (−5.024) (−5.310) (−5.223) Insholdshr −0.183*** −0.155*** −0.153*** −0.176*** −0.149*** −0.148*** (−4.899) (−4.216) (−4.180) (−4.845) (−4.183) (−4.148) Constant −2.916*** −2.387*** −2.355*** −2.899*** −2.360*** −2.331*** (−13.288) (−11.287) (−11.075) (−13.601) (−11.460) (−11.264) Year & Ind Yes Yes Yes Yes Yes Yes N 12,394 12,590 12,590 12,394 12,590 12,590 Adj_R2 0.434 0.444 0.444 0.440 0.451 0.451 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整。
下载: 导出CSV
表 7 稳健性检验：替换关联交易水平的衡量
变量 SYN1 SYN2 (1) (2) RPT_ab −0.058*** −0.055*** (−4.491) (−4.373) Constant −3.746*** −3.668*** (−20.844) (−21.066) Controls Yes Yes N 15,952 15,952 Adj_R2 0.446 0.453 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整。
下载: 导出CSV
表 8 稳健性检验：替换股价同步性的衡量
变量 SYN3 SYN4 (1) (2) RPT −0.046*** −0.045*** (−2.945) (−3.153) Constant −3.582*** −3.219*** (−16.625) (−16.095) Controls Yes Yes N 16,431 16,431 Adj_R2 0.304 0.306 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整。
下载: 导出CSV
表 9 稳健性检验：剔除受次贷金融危机影响样本
变量 SYN1 SYN2 (1) (2) RPT −0.068*** −0.063*** (−4.748) (−4.565) Constant −3.608*** −3.542*** (−17.728) (−17.975) Controls Yes Yes N 12,908 12,908 Adj_R2 0.415 0.423 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整。
下载: 导出CSV
表 10 稳健性检验：工具变量回归与固定效应模型
变量 IV第一阶段 IV第二阶段 IV第二阶段 FE FE SYN1 SYN1 SYN2 SYN1 SYN2 (1) (2) (3) (4) (5) RPT −1.018*** −1.018*** −0.040*** −0.042*** (−3.977) (−4.034) (−2.819) (−3.079) RPT_adj 0.646*** (5.454) Constant 0.266 −3.361*** −3.283*** −3.435*** −3.207*** (1.364) (−12.757) (−12.635) (−16.379) (−15.930) Controls Yes Yes Yes Yes Yes Cragg-Donald Wald F 29.738 N 16,401 16,401 16,401 16,401 16,401 Adj_R2 0.094 0.095 0.084 0.127 0.129 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整。
下载: 导出CSV
表 11 不同类型关联交易与股价同步性
变量 SYN1 SYN1 SYN1 SYN1 SYN1 SYN2 SYN2 SYN2 SYN2 SYN2 (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) RPTtra −0.121 *** −0.112 *** (−3.661) (−3.542) RPTlab −0.006 −0.010 (−0.031) (−0.056) RPTmoney −0.030 −0.015 (−0.611) (−0.314) RPTgua −0.048 ** −0.049 ** (−1.982) (−2.094) RPTrent −0.394 −0.194 (−0.348) (−0.175) Constant −3.857 ***
(−19.583)−3.942 ***
(−17.923)−4.322 ***
(−18.918)−4.354 ***
(−23.086)−3.833 ***
(−17.594)−3.730 ***
(−19.955)−3.851 ***
(−18.105)−4.181 ***
(−19.050)−4.216 ***
(−23.216)−3.715 ***
(−17.839)Controls Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes N 11,243 8,343 6,374 11,534 8,958 11,243 8,343 6,374 11,534 8,958 Adj_R2 0.456 0.446 0.470 0.444 0.459 0.464 0.453 0.477 0.452 0.466 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整。
下载: 导出CSV
表 12 关联交易与股价同步性：内部大股东和外部审计师的影响
变量 SYN1 SYN2 SYN1 SYN2 (1) (2) (3) (4) RPT −0.001 −0.001 −0.050*** −0.047*** (−0.033) (−0.024) (−4.449) (−4.308) First −0.197*** −0.193*** −0.249*** −0.242*** (−3.718) (−3.751) (−5.812) (−5.842) RPT×First −0.170* −0.161* (−1.843) (−1.801) Big4 −0.026 −0.024 (−0.684) (−0.651) RPT×Big4 0.135** 0.127** (2.334) (2.277) Constant −3.781*** −3.701*** −3.886*** −3.799*** (−21.142) (−21.379) (−20.910) (−21.176) Controls Yes Yes Yes Yes N 16,374 16,374 16,374 16,374 Adj_R2 0.445 0.452 0.446 0.453 注：***、**、*分别表示显著性水平为1%、5%、10%（双尾）；括号内为t值，标准误差经公司层面聚类（Cluster）调整。
下载: 导出CSV
-
[1] 陈晓, 王琨. 2005. 关联交易、公司治理与国有股改革—来自我国资本市场的实证证据. 经济研究 (4): 77−86. [2] 陈政. 2008. 大股东资金占用与盈余管理: 问题掩饰还是揭露. 证券市场导报 (12): 51−58. [3] 何贤杰, 王孝钰, 孙淑伟, 朱红军. 2018. 网络新媒体信息披露的经济后果研究—基于股价同步性的视角. 管理科学学报 (6): 43−59. doi: 10.3969/j.issn.1007-9807.2018.06.004 [4] 洪剑峭, 方军雄. 2005. 关联交易和会计盈余的价值相关性. 中国会计评论 (1): 87−98. [5] 胡军, 王甄. 2015. 微博、特质性信息披露与股价同步性. 金融研究 (11): 190−206. [6] 黄俊, 郭照蕊. 2014. 新闻媒体报道与资本市场定价效率—基于股价同步性的分析. 管理世界 (5): 121−130. [7] 黄蓉, 易阳, 宋顺林. 2013. 税率差异、关联交易与企业价值. 会计研究 (8): 47−53. doi: 10.3969/j.issn.1003-2886.2013.08.007 [8] 黄贤环, 吴秋生. 2017. 上市公司与财务公司关联交易对投资效率影响研究. 审计与经济研究 (1): 68−79. [9] 孔东民, 申睿. 2008. R2、异常收益与交易中的信息成分. 中大管理研究 (3): 91−112. [10] 李春涛, 胡宏兵, 谭亮. 2013. 中国上市银行透明度研究—分析师盈利预测和市场同步性的证据. 金融研究 (6): 118−132. [11] 李祎, 刘启亮, 李洪. 2016. IFRS、财务分析师、机构投资者和权益资本成本—基于信息治理观视角. 会计研究 (10): 26−33. doi: 10.3969/j.issn.1003-2886.2016.10.004 [12] 李志生, 朱雯君. 2015. 信息含量、机构投资者与股价同步性—来自股票增发市场的经验证据. 中南财经政法大学学报 (5): 62−71. doi: 10.3969/j.issn.1003-5230.2015.05.008 [13] 刘峰, 贺建刚. 2004. 股权结构与大股东利益实现方式的选择—中国资本市场利益输送的初步研究. 中国会计评论 (1): 141−158. [14] 刘建民, 刘星. 2007. 关联交易与公司内部治理机制实证研究—来自沪深股市的经验证据. 中国软科学 (1): 79−89. doi: 10.3969/j.issn.1002-9753.2007.01.013 [15] 潘越, 戴亦一, 林超群. 2011. 信息不透明、分析师关注与个股暴跌风险. 金融研究 (9): 138−151. [16] 史永, 李思昊. 2018. 关联交易、机构投资者异质性与股价崩盘风险研究. 中国软科学 (4): 123−131. doi: 10.3969/j.issn.1002-9753.2018.04.012 [17] 汤泰劼, 宋献中, 罗曼璐. 2018. 分析师跟踪是否抑制了企业避税? —基于外部公司治理的视角. 财务研究 (5): 28−39. [18] 佟岩, 程小可. 2007. 关联交易利益流向与中国上市公司盈余质量. 管理世界 (11): 127−138. [19] 王亚平, 刘慧龙, 吴联生. 2009. 信息透明度、机构投资者与股价同步性. 金融研究 (12): 162−174. [20] 魏志华, 李常青, 曾爱民, 陈维欢. 2017a. 关联交易、管理层权力与公司违规—兼论审计监督的治理作用. 审计研究 (5): 87−95. [21] 魏志华, 王贞洁, 吴育辉, 李常青. 2012. 金融生态环境、审计意见与债务融资成本. 审计研究 (3): 98−105. [22] 魏志华, 赵悦如, 吴育辉. 2017b. “双刃剑”的哪一面: 关联交易如何影响公司价值. 世界经济 (1): 142−167. [23] 温忠麟, 侯杰泰, 张雷. 2005. 调节效应与中介效应的比较和应用. 心理学报 (2): 268−274. [24] 肖迪. 2010. 资金转移、关联交易与盈余管理—来自中国上市公司的经验证据. 经济管理 (4): 118−128. [25] 杨有红, 闫珍丽. 2018. 其他综合收益及其列报改进是否提高了盈余透明度? —分析师行为及股价同步性的证据. 会计研究 (4): 20−27. doi: 10.3969/j.issn.1003-2886.2018.04.003 [26] 伊志宏, 杨圣之, 陈钦源. 2019. 分析师能降低股价同步性吗—基于研究报告文本分析的实证研究. 中国工业经济 (1): 156−173. [27] 张艳. 2005. 我国证券市场泡沫形成机制研究—基于进化博弈的复制动态模型分析. 管理世界 (10): 34−40. [28] 郑国坚. 2009. 基于效率观和掏空观的关联交易与盈余质量关系研究. 会计研究 (10): 68−76. doi: 10.3969/j.issn.1003-2886.2009.10.010 [29] 郑国坚, 林东杰, 张飞达. 2013. 大股东财务困境、掏空与公司治理的有效性—来自大股东财务数据的证据. 管理世界 (5): 157−168. [30] 郑国坚, 魏明海, 孔东民. 2007. 大股东内部市场与上市公司价值: 基于效率观点和掏空观点的实证检验. 中国会计与财务研究 (4): 1−41. [31] 朱红军, 何贤杰, 陶林. 2007. 中国的证券分析师能够提高资本市场的效率吗? —基于股价同步性和股价信息含量的经验证据. 金融研究 (2): 110−121. [32] Cheung, Y-L., Y. Qi, P. R. Rau, and A. Stouraitis. 2009. Buy high, sell low: How listed firms price transfers in related party transactions. Journal of Banking and Finance 33(5): 914−924. doi: 10.1016/j.jbankfin.2008.10.002 [33] Djankov, S., R. La Porta, F. Lopez-de-Silanes, and A. Shleifer. 2008. The law and economics of self-dealing. Journal of Financial Economics 88(3): 430−465. doi: 10.1016/j.jfineco.2007.02.007 [34] Durnev, A., R. Morck, B. Yeung, and P. Zarowin. 2003. Does greater firm-specific return variation mean more or less informed stock pricing? Journal of Accounting Research 41(5): 797−836. doi: 10.1046/j.1475-679X.2003.00124.x [35] Hutton, A. P., A. J. Marcus, and H. Tehranian. 2009. Opaque financial reports, R2 and crash risk. Journal of Financial Economics 94(1): 67−86. doi: 10.1016/j.jfineco.2008.10.003 [36] Jia, N., J. Shi, and Y. Wang. 2013. Coinsurance within business groups: Evidence from related party transactions in an emerging market. Management Science 59(10): 2295−2313. doi: 10.1287/mnsc.1120.1703 [37] Jian, M., and T. J. Wong. 2010. Propping through related party transactions. Review of Accounting Studies 15(1): 70−105. doi: 10.1007/s11142-008-9081-4 [38] Jin, L., and S. C. Myers. 2006. R2 around the world: New theory and new tests. Journal of Financial Economics 79(2): 257−292. doi: 10.1016/j.jfineco.2004.11.003 [39] Johnson, S. R., P. Boone, A. Breach, and E. Frideman. 2000. Corporate governance in the Asian financial crisis. Journal of Financial Economics 58(1): 141−186. [40] Jones, J. J. 1991. Earnings management during import relief investigations. Journal of Accounting Research 29(2): 193−228. doi: 10.2307/2491047 [41] Kang, M., H-Y. Lee, M-G. Lee, and J. C. Park. 2014. The association between related-party transactions and control-ownership wedge: Evidence from Korea. Pacific-Basin Finance Journal 29(1): 272−296. [42] King, B. F. 1966. Market and industry factors in stock price behavior. Journal of Business 39(1): 139−190. [43] Kohlbeck, M., and B. W. Mayhew. 2010. Valuation of firms that disclose related party transactions. Journal of Accounting and Public Policy 29(2): 115−137. doi: 10.1016/j.jaccpubpol.2009.10.006 [44] Kohlbeck, M., and B. W. Mayhew. 2017. Are related party transactions red flags? Contemporary Accounting Research 34(2): 900−928. doi: 10.1111/1911-3846.12296 [45] Li, B., S. Rajgopal, and M. Venkatachalam. 2014. R2 and idiosyncratic risk are not interchangeable. The Accounting Review 89(6): 2261−2295. doi: 10.2308/accr-50826 [46] Marchini, P. L., T. Mazza, and A. Medioli. 2018. Related party transactions, corporate governance and earnings management. Corporate Governance 18(6): 1124−1146. doi: 10.1108/CG-11-2017-0271 [47] Morck, R., B. Yeung, and W. Yu. 2000. The information content of stock market: Why do emerging markets have synchronous stock price movements? Journal of Financial Economics 58(1-2): 215−260. doi: 10.1016/S0304-405X(00)00071-4 [48] Rahmat, M. M., B. Muniandy, and K. Ahmed. 2020. Do related party transactions affect earnings quality? Evidence from East Asia. International Journal of Accounting & Information Management 28(1): 147−166. [49] West, K. D. 1988. Dividend innovations and stock price volatility. Econometrica 56(1): 37−61. doi: 10.2307/1911841 [50] Wong, R. M. K., J-B. Kim, and A. W. Y. Lo. 2015. Are related-party sales value-adding or value-destroying? Evidence from China. Journal of International Financial Management & Accounting 26(1): 1−38.
点击查看大图
图(1) / 表(12)
计量
- 文章访问数: 797
- HTML全文浏览量: 202
- PDF下载量: 1007
- 被引次数: 0
