自古以来，人们通过观察天气变化来总结二十四节气对农业生产的影响。诗人以“绿杨烟外晓寒轻”、“炎威天气日偏长”、“秋风淅淅吹巫山”、“雪晴云淡日光寒”等天气现象入句寄情寓意。

 

在日常生活中，天气对机体的冷热感知、体温调节、身体各项机能起调节作用，进而影响人们生产、社交、行为、认知和情绪等方面。从个人直觉角度来看，高污染水瓶会导致人的心情变差，进而使得人的决策行为变得悲观。相反，已有研究表明，天气好会使人有乐观情绪以及更高的股票价格。

 

那么，天气作为个人情绪和行为的调节中枢会对金融分析师产生什么影响呢？

 

来自中国人民大学的董睿和许年行 、波士顿大学的Raymond Fisman 和南加州大学的汪勇祥于2021年3月在金融学国际顶刊《Journal of Financial Economics》发表论文“Air pollution, affect, and forecasting bias: Evidence from Chinese financial analysts”，文章探究了环境条件对金融分析师的影响。

 

董睿

中国人民大学博士生

 

许年行

中国人民大学商学院财务与金融系教授、博士生导师，耶鲁大学管理学院访问学者

 

Raymond Fisman

波士顿大学行为金融学教授

 

汪勇祥

现任上海交通大学上海高级金融学院金融学教授

 

 

01

研究背景

 

自2009年以来，深圳证券交易所（SZSE）规定，所有在该交易所上市的公司必须在到访后两个交易日内公开披露由股票分析师、共同/对冲基金经理、记者和个人投资者进行现场访问的详细信息，包括所有访问者的姓名、访问日期、雇主，以及现场考察的地点。因此可以观察分析师访问的时间（美国则不需要披露这一数据），并准确收集在考察后的几周内做出的全部盈利预测（文章重点关注访问后15个日历日内发布的收益预测）。

 

由于中国的污染水平均而言非常严重，并且在不同地域和时间之间变化很大，这导致环境条件的变化足以大到可能对分析师的影响产生因果影响。

 

 

02

模型与样本

 

根据Jackson（2005年）和大量关于盈利预测的会计领域文献，文章将分析师的预测乐观定义如下：

 

 

其中，FEPS_ijt是分析师i在第t年对公司j预测的每股收益（EPS），AEPS_ijt是公司j在第t年实际实现的每股收益，P_j是公司j在盈利预测前一天的股价。

 

文章从中国环境保护部（MEPC）的官方网站获取每个城市每日空气质量指数（AQI）。这些数据来自省和市级环境保护局提供的每日空气质量报告。

 

空气质量指数是根据六种大气污染物的水平构建的：

 

1. 二氧化硫（SO2）

2. 二氧化氮（NO2）

3. 空气动力学直径小于10微米的悬浮颗粒物（PM10）

4. 空气动力学直径小于2.5微米的悬浮颗粒物（PM2.5）

5. 一氧化碳（CO）

6. 臭氧（O3）

 

2014年以前，中国政府只监测了SO2、NO2和PM10，用于构建空气污染指数（API），并作为早年空气质量的汇总指标。虽然API和AQI没有直接可比性，但它们高度相关。为了便于注释，文章在下文中将两者都称为AQI。

 

对于一小部分通过MEPC无法获得AQI的城市，文章从清越开放环境数据中心网站上填写一些缺失的数据，该网站直接从地方政府获取污染数据。其中，MEPC共区分了六类AQI：

 

I-优（AQI≤50）

II-良（50<AQI≤100）

III-轻度污染（100<AQI≤150）

IV-中度污染（150<AQI≤200）

V-重度污染（200<AQI≤300）

VI-严重污染（AQI>300）

 

由于早期的文献表明天气会影响投资者的情绪和交易行为，文章因此收集了天气数据以匹配分析师的现场访问情况。每日天气数据来自中国194个国际气象站，由中国综合气象信息服务系统提供。变量包括日照时数、温度、湿度、降水量和风速。文章根据直线距离将每个城市与最近的气象站进行匹配。

 

文章还对公司的基本属性进行了控制，包括规模（资产）、市盈率、无形资产比率、股价波动、股票周转率、股票回报率、分析师关注度和行业（基于中国证监会的19个一级行业类别）。

 

文章还收集了部分分析师特征的数据，包括跟踪的公司数量和预测数量。分析师数据来自CSMAR，而公司属性数据则来自RESSET。

 

文章的主要分析样本包括在1642次实地访问后发布的3824份盈利预测（即每次访问平均2.35份预测）。将窗口延长至30个日历日，文章的样本将包括5108份盈利预测。样本的描述性统计结果如表1所示。

 

03

实证结果

 

文章的主要分析基于下述模型：

其中，X_ijt是控制变量的向量，包括公司属性以及行业、季度和分析师固定效应。e_ijt是误差项。为了便于解释回归系数，文章统一将AQI除以1000。回归结果如表2所示。第1列显示了公司预测乐观与空气污染之间的二元关系。AQI 的回归系数显著为负，表明实地考察期间较高的污染与相对于已实现收益的较低预测相关。

 

在第2列中包含星期和年×季度固定效应会使AQI的系数降低约 40%，在添加行业、分析师和城市固定效应（第3列）和公司、分析师和天气控制变量（第4列）后，系数变得更负。在所有回归中，AQI的系数至少在 10% 的水平上显著。

 

在表3中，文章允许在污染与预测乐观度之间的关系中有更大的灵活性，因此将上述模型右侧的线性形式替换为中国政府六类空气污染中每一类的虚拟变量（第一类，即污染最少的情况被省略）。结果表明，其与数据拟合良好。特别是，在第4列的完整模型中，回归系数在污染严重程度上单调递减，每个污染等级的系数的递减大致相当。

接下来，文章使用安慰剂测试来探讨结果的稳健性。该测试基于现场访问周围几天的污染情况，而相应的结果则突出了现场考察日期的污染与后续收益预测之间的明显关系。当然，在一个给定的城市中，污染程度在不同的日子之间存在相关性，但由于温度、风和其他因素的变化，也存在残余变化。这种短期变化使文章能够在实地考察日期之外的几天内观察空气污染的影响。

 

 

在表4中，文章重复了表2第4列中的回归，包括分析师访问前5、7和10天以及访问后5、7和10天的空气质量测量。访问日期的空气质量系数在所有六个模型中都是稳定的，而在考虑访问日期污染后，周围日期的空气污染没有预测能力。

同时，文章还检验了一家公司自身的污染是否会对上述结果产生影响。文章定义了指标变量High Pollution，用以表示被生态环境部列为高污染行业的16个行业之一的企业，包括火电、制浆造纸工业和发酵等行业，这些行业合计占全部样本的24.5%。如果文章的结果发现污染与盈利预测之间的负相关是由这一高污染子样本驱动的，那么人们可能会担心，来自该公司本身的污染可能会导致分析师推断该公司未来可能面临环保执法行动。

 

 

在表5中，文章展示了AQI 和High Pollution的交互作用。在没有控制任何行业固定效应的情况下（第1列），可以观察预测乐观的直接效应。再加入AQI 和High Pollution的交乘项后，文章发现该系数为正，与AQI的直接影响大小大致相同。这一发现反驳了公司自身的污染是与盈利预测负相关的根源。事实上，交乘项的正回归系数可能反映了生产本身就是排放源的企业的（相对）正污染归因。

接着，文章研究了影响污染与预测偏差关系的因素。首先，文章研究了预测延迟的影响。图1说明了空气污染和预测乐观度之间关系的估计是如何受到纳入预测的影响的，这些预测在实地考察中被进一步删除。图中给出了上述模型中β的一系列点估计。

 

有趣的是，虽然所有样本的负相关都成立，但在相对较短的窗口中，负相关最为明显，表明空气污染的影响可能会随着时间的推移而消失。当然，还有其他解释。例如，发现很少相关信息的访问可能不会导致随后几天的收益预测，因此访问与几周后生成的预测无关。

 

其次，文章研究了预测范围的影响。文章加入了AQI和log(Horizon)的交乘项以研究污染是否会在更长的时间范围内对预测产生不同的影响，其中Horizon表示预测日期与实际收益公告的相应日期之间经过的天数。

 

回归结果如表6所示，可以发现交乘项的回归系数全部显著为负，证明污染对长期预测的影响要大得多。即使在最后一列中额外加入分析师访问固定效应，回归系数仍旧显著为负。

第三，文章研究了分析师适应与污染的影响，而这也是文章研究分析师预测中的创新点所在。文章通过研究污染与收益预测之间的负相关关系是否是由来自污染程度较低城市的分析师推动的（文章对这个问题的研究隐含着一个假设，即污染的影响是不对称的——与经历相对较低污染的积极影响相比，暴露于比通常经历更糟糕的污染会对影响产生负面影响）。

 

表7展示了“适应性”假说的回归结果。其中，文章将现场访问AQI替换为现场访问样条曲线和家乡城市AQI的扭结。在所有列中，AQI与预测乐观之间的负相关关系是由分析师访问比其家乡污染更严重的地方造成的。然而，样条的负部分没有精确测量，因此我们不能拒绝两个样条系数的相等性。

 

第四，文章研究了分析师个人能力、经验和预测偏差。文章构建了一个经验指标——experience变量，定义为自分析师首次发布预测以来的季度数（的对数）。文章还构建了两个能力指标。一个是Star变量，用以表示分析师是否在访问年开始时被《新财富》杂志评为明星分析师。另一个是分析师预测准确性（Accuracy），其定义如下：

 

其中，n是上一年的预测数，EPS_i是实现的每股收益，EPS_ihat是分析师预测的每股收益。

 

回归结果如表8所示。在前4列中，我们研究了分析师特征的直接影响。Star（第1列）和Accuracy（第3列）都对预测乐观度没有显著影响。然而，experience的回归系数却总是显著为负（第2列和第4列）。考虑到平均存在的乐观偏见，这一结果意味着经验丰富的分析师的准确度更高。与本文更直接相关的是，文章在第5-7列中添加了每个变量与AQI的交互作用，并在第8列中包含所有交互作用。就回归系数而言，Star可能会减轻污染引起的悲观情绪，尽管这一系数并不显著。

 

总的来说，虽然文章没有观察到任何证据表明污染的影响是由经验或能力而减轻的，但鉴于文章的估计并不精确，因此无法从这些分析中得出强有力的结论。

最后，文章研究了预测偏差是否与其他分析师在访问期间的存在有关。文章定义了两个“团体访问”变量。第一个衡量了是否有来自同一家公司的至少一名其他分析师在场（Group Visit_Same），而第二个则衡量了是否有来自另一家经纪公司的至少一名其他分析师在场（Group Visit_Other）。文章事先不知道多个访客的角色。

 

一方面，“群体思维”可能导致个体偏见的放大，而“群体智慧”的观点正好相反——信仰的聚合可能有助于消除个人错误。文章将团体访问区分为公司内与公司外，是因为人们可能事先预计这两个集团之间的影响强度有所不同。特别是，文章推测，来自同一经纪公司的分析师将更容易受到社会一致性的影响，而社会一致性更容易发生在文化或态度更为同质的群体中。

 

回归结果如表9所示。文章发现两种类型的团体访问都不是预测乐观的直接预测因素。在加入交乘项后，文章发现AQI*Group Visit_Other的回归系数显著为正，其大小大致等于AQI的直接影响（在5%水平上显著），而AQI*Group Visit_Same的显著性则较弱。两个交乘项的差异在1%的水平上显著。

 

总体而言，这些结果表明，“群体智慧”效应可能对来自不同（竞争）公司的分析师起主导作用，而“群体思维”则对来自同一公司的分析师起主导作用。

 

当然，这些结果及其解释应被视为推测性的——文章没有尝试对进行现场访问的决策进行全面建模，更不用说对访问是由一名还是多名分析师进行建模了。尽管如此，文章相信这些结果——以及更普遍的异质性结果——是具有价值的发现，并可能会推动这一领域的进一步工作。

04

结 论

 

本文首次探究并发现了在不同情境下（如不同适应性的人群、是否有团队调研等情况）空气污染对分析师情绪造成的影响程度是不同的， 具体表现为以下几点：

 

 

1. 实地考察地的空气污染对于金融分析师的盈利预测之间呈负相关，即空气污染会使得分析师产生悲观情绪，进而降低后续盈余预测的乐观偏差。

 

2. 考察日期与预测报告发布日期间隔时间越长，负面影响就会越弱，即空气污染的影响可能会随着时间的推移而消失。

 

3. 当存在来自于同一所公司的分析师时，由于两者背景相似，预测偏误则会被放大；当存在来自不同公司的分析师时，群体智慧的出现会减少空气污染造成的预测偏差。