《典范相似性的双刃剑效应：一项关于证券分析师评估的研究报告

一、 作者、机构与发表信息 本项研究由来自四所知名商学院的学者合作完成。主要作者包括：Majid Majzoubi（加拿大约克大学舒立克商学院）；Eric Yanfei Zhao（英国牛津大学赛德商学院及圣休学院）；Tiona Zuzul（美国哈佛大学哈佛商学院）；Greg Fisher（美国印第安纳大学凯利商学院）。该研究论文于2024年5月7日在线发表于管理学领域顶级期刊 *Organization Science*（2025年1-2月刊，第36卷第1期，第121-144页），文章DOI为10.1287/orsc.2022.16855。

二、 研究背景与目的 本研究隶属于组织理论与战略管理领域，特别是关注市场类别、企业定位与外部评估者（如证券分析师）行为之间的交叉议题。先前研究普遍认为，企业通过定位自身与行业“典范”（exemplars，即类别内杰出、高绩效的组织）相似，可以获得显著的合法性（legitimacy）与认知度，从而带来积极的市场结果，例如更高的应用下载量或产品销售额。然而，这种“典范相似性”（exemplar similarity）的视角可能过于简化，忽略了外部评估过程的复杂性以及潜在的意外后果。

研究团队指出，现有文献尚未系统性地探讨典范相似性在评估过程不同阶段可能产生的差异化影响。具体到证券分析师这一关键市场中介，他们的评估过程通常分为两个阶段：首先是筛选阶段（screening），决定是否覆盖某家公司；其次是评估阶段（assessment），对已覆盖的公司进行深入分析并给出投资建议。这两个阶段的目标和标准不同，典范相似性在其中扮演的角色也可能截然不同。

因此，本研究旨在深入探究：企业相对于类别典范的定位如何塑造证券分析师的评估？研究提出了一个核心理论框架：典范相似性在筛选阶段可能是有益的（增加被覆盖的机会），但在评估阶段可能是有害的（导致更低的投资评级）。此外，研究还进一步探讨了类别特征（类别连贯性与类别独特性）以及典范典型性如何调节上述关系。

三、 详细研究流程与方法 本研究是一项大规模、纵向的实证分析，旨在检验上述理论假设。其工作流程主要包括以下几个关键步骤：

1. 数据收集与样本构建： 研究团队收集了1997年至2022年间在美国上市的所有公司数据，构建了一个包含7,603家独特公司、共计46,786个公司-年度观测值的面板数据集。数据来源包括： * 公司文本数据：从美国证券交易委员会（SEC）的EDGAR系统中提取所有公司的10-K年报，并专门获取其中“业务描述”（Description of Business）部分的文本内容。这部分文本被用作衡量公司战略定位和相似性的基础。 * 财务与市场数据：从CRSP/Compustat合并数据库中获取公司的财务和会计指标（如销售额、员工数、每股收益、研发支出等）。 * 证券分析师数据：从I/B/E/S数据库中获取分析师覆盖数量（Analyst Coverage）和分析师投资建议（Analyst Recommendations）。分析师覆盖定义为在某一年度对公司发布年终收益预测的分析师人数；分析师建议则采用I/B/E/S标准化后的共识评级（1-5分，数值越高代表越积极的建议，如“强力买入”）。

2. 核心变量测量： 本研究的关键在于运用自然语言处理技术量化核心构念。 * 典范相似性：这是核心自变量。首先，使用基于微软MPNet架构的预训练句子转换模型（all-mpnet-base-v2），将每家公司的“业务描述”文本转化为768维的数值向量（嵌入）。然后，计算公司向量之间的余弦相似度。接着，识别每个行业（基于北美产业分类系统NAICS代码）每年的“典范”公司。典范的识别标准是：将分析师覆盖数和分析师建议评级分别标准化后相加，得分高于行业平均值一个标准差以上的公司。最后，计算每家焦点公司与同行业所有典范公司向量之间的余弦相似度，并取最高值（即与最相似典范的相似度）作为该公司的“典范相似性”得分。 * 因变量： * 分析师覆盖广度：t+1年覆盖该公司的分析师人数。 * 分析师建议：t+1年分析师对该公司的共识投资建议（反向编码后的数值）。 * 调节变量： * 类别连贯性：首先，计算每年每个行业内所有公司向量的平均值，得到“行业平均向量”。然后，计算每家公司的向量与其行业平均向量的余弦相似度，得到“公司典型性”。最后，将该行业所有公司的“公司典型性”得分取平均值，即为“类别连贯性”。该值越高，说明行业内公司彼此越相似。 * 类别独特性：计算每个行业（如四位NAICS代码）的平均向量，然后计算该行业平均向量与其所属更广泛部门（两位NAICS代码）内所有其他行业平均向量的平均余弦相似度。将此相似度值乘以-1，使得数值越高代表类别越独特（与相邻类别重叠度越低）。 * 典范典型性：对于每家焦点公司，取其最相似典范公司的“公司典型性”得分作为调节变量。 * 控制变量：研究控制了公司层面（规模、市场份额、绩效、战略资源配置、多元化程度等）、行业层面（分析师数量、公司数量、平均覆盖与评级、行业集中度等）和典范层面（典范公司的典型性和绩效）的一系列变量，以排除其他潜在解释。

3. 实证分析策略： 研究采用普通最小二乘法回归模型进行假设检验，并使用了公司固定效应模型以控制不随时间变化的公司特质。所有自变量和控制变量均滞后一期（t年），因变量则取t+1年的值，以缓解反向因果关系问题。标准误在公司层面进行聚类调整以处理潜在的相关性。研究分别建立了模型来检验典范相似性对分析师覆盖（筛选阶段）和分析师建议（评估阶段）的主效应，以及类别连贯性、类别独特性和典范典型性的调节效应。

4. 补充分析与稳健性检验： 为确保研究结果的可靠性，团队进行了多项补充分析： * 典范识别方法验证：利用RavenPack新闻数据库，验证了通过分析师数据识别出的典范公司，在2015年的媒体文章中被作为行业参照点提及的概率显著更高，从而支持了典范识别方法的有效性。 * 机制验证：通过分组回归发现，当典范公司与焦点公司的业绩差距（以每股收益衡量）越大时，典范相似性对分析师建议的负面影响越强，这支持了“不利比较”的理论机制。 * 稳健性检验：研究测试了不同行业分类标准（如SIC码）、替代变量度量方式、加入额外控制变量（如10-K文本语调、可读性）、改变样本筛选标准（如行业最小公司数），并使用不同的计量模型（如泊松回归、广义估计方程GEE、Heckman选择模型）重新进行估计。主要结论在绝大多数检验中保持稳健。

四、 主要研究结果 研究结果有力地支持了所有的理论假设，揭示了典范相似性在分析师评估两阶段中的“双刃剑”效应及其边界条件。

1. 主效应结果： * 对分析师覆盖（筛选阶段）：典范相似性与下一年度的分析师覆盖广度呈显著正相关（β = 2.453， p < 0.001）。这意味着，公司与其行业典范越相似，越有可能吸引更多分析师的关注和覆盖。假设1a得到支持。 * 对分析师建议（评估阶段）：在控制了是否被覆盖后，典范相似性与下一年度的分析师投资建议呈显著负相关（β = -0.282， p = 0.014）。这表明，一旦公司通过筛选获得覆盖，其与典范的相似性反而会导致分析师给出更低的评级。假设1b得到支持。

2. 调节效应结果： * 类别连贯性的调节作用： * 在筛选阶段，类别连贯性显著增强了典范相似性对分析师覆盖的正面影响（交互项 β = 61.741， p < 0.001）。在高度连贯的类别中，相似于典范带来的认知和合法性收益更大，更能吸引分析师覆盖。假设2a得到支持。 * 在评估阶段，类别连贯性显著增强了典范相似性对分析师建议的负面影响（交互项 β = -3.400， p = 0.048）。在连贯的类别中，公司间可比性高，与高绩效典范的不利对比更为直接和严厉，导致评级更低。假设3a得到支持。 * 类别独特性的调节作用： * 在筛选阶段，类别独特性同样增强了典范相似性对分析师覆盖的正面影响（交互项 β = 39.915， p < 0.001）。在独特性高的类别中，典范作为参照点的价值更清晰，相似性带来的合法性信号更强。假设2b得到支持。 * 在评估阶段，类别独特性也增强了典范相似性对分析师建议的负面影响（交互项 β = -3.092， p = 0.017）。在独特性高的类别中，可用的外部比较基准有限，分析师更倾向于将焦点公司与行业内的主要典范进行严格比较。假设3b得到支持。 * 典范典型性的调节作用： * 在筛选阶段，典范典型性增强了典范相似性对分析师覆盖的正面影响（交互项 β = 19.996， p < 0.001）。与典型（更能代表行业原型）的典范相似，更能清晰传递类别成员身份和合法性，从而吸引覆盖。假设4a得到支持。 * 在评估阶段，典范典型性增强了典范相似性对分析师建议的负面影响（交互项 β = -2.744， p = 0.001）。与典型的典范相似，会使得焦点公司被更直接、更有效地与这个“理想”参照点进行比较，从而放大业绩差距带来的负面评价。假设4b得到支持。

3. 补充分析结果： * 验证了典范公司的平均每股收益（1.57）显著高于非典范公司（0.58），证实了典范作为高绩效参照点的地位。 * 发现了类别连贯性与类别独特性对典范相似性与分析师覆盖关系的交互影响：当两者都高时，典范相似性的正面效应最强；当两者都低时，其效应最弱。这深化了对类别特征共同作用的理解。

这些结果通过详实的回归系数、显著性水平以及边际效应分析图（展示了在不同调节变量水平下，典范相似性对两个因变量的影响变化）得到了清晰的呈现。数据逻辑链条完整：首先证明了主效应的存在，然后证明了类别特征和典范特征如何系统地改变这些效应的强度，最后通过机制检验和稳健性分析增强了结论的可信度。

五、 研究结论与价值 本研究得出核心结论：企业定位靠近类别典范是一把“双刃剑”。它在评估的早期筛选阶段通过提升认知度和合法性带来好处（增加分析师覆盖），但在后续的深入评估阶段却可能因引发与卓越典范的不利比较而带来成本（降低投资评级）。这一效应受到所处市场类别自身属性（连贯性、独特性）以及典范自身特征（典型性）的显著调节。

科学价值： 1. 深化了对类别典范的理解：将研究从新兴市场/产品领域拓展到成熟企业和资本市场，并首次系统揭示了典范相似性在复杂、多阶段评估过程中的矛盾效应。 2. 拓展了类别生存能力研究：强调了类别特征（连贯性、独特性）不仅影响类别本身的存续，也深刻影响企业在类别内的定位策略的有效性。 3. 丰富了最优独特性理论：探讨了相对于不同类别基准（如典范，而非仅仅是原型）进行定位的后果，为“如何平衡相似与差异”这一经典问题提供了新的视角。 4. 贡献于证券分析师研究：揭示了企业一项关键战略决策（选择靠近还是远离行业内的标杆企业）如何差异化地影响分析师的两项核心产出（覆盖与建议），连接了企业战略与金融市场中介行为。

应用价值： * 对企业的启示：企业管理者在制定定位策略时，需要更具动态性和情境意识。追求与典范相似可以作为一种有效的“吸引眼球”策略，尤其在行业边界清晰、内部同质化高时。但管理者必须意识到，这种策略可能在后续被更严格地审视和比较，尤其是在典范自身表现极为突出且典型时。企业可能需要权衡短期关注度与长期估值压力。 * 对投资者的启示：投资者和分析师可以更清醒地认识到自身评估过程中可能存在的认知偏差。对于与高绩效典范高度相似的公司，应警惕“光环效应”可能掩盖了其相对业绩的不足，在评估时需进行更独立的基本面分析。

六、 研究亮点 1. 理论创新：提出了一个关于典范相似性“双刃剑”效应的新颖理论框架，明确区分了评估过程的不同阶段（筛选 vs. 评估），并系统整合了类别层面和典范层面的调节因素，理论构建精细且完整。 2. 方法严谨： * 创新的度量方法：大规模应用先进的自然语言处理模型（Sentence Transformer based on MPNet）将非结构化的公司文本描述转化为可计算的相似性度量，并以此构建了类别连贯性、独特性等一系列核心变量，方法上具有前沿性。 * 全面的实证设计：采用了跨度26年的大型面板数据，运用固定效应模型、多种稳健性检验（包括处理样本选择偏差的Heckman模型）以及机制验证，确保了研究结论的稳健性和内部效度。 * 巧妙的典范识别：结合分析师覆盖（注意力）和推荐评级（评价效价）来识别典范，并通过外部媒体数据进行了验证，操作化定义合理且有创意。 3. 发现深刻：研究结果不仅证实了主效应的双重性，更揭示了这种双重性如何被类别环境和典范属性所塑造。例如，发现“典型”的典范反而会加剧比较的残酷性，这一发现颇具洞察力。

七、 其他有价值的内容 研究在讨论部分还提出了未来可能的研究方向，例如探讨不同行业动态性、技术变革速度或制度环境下，典范相似性效应的差异。此外，研究中对“典范典型性”与“类别连贯性”概念的区分与操作化，为后续研究测量和分析类别内部结构提供了有价值的参考。论文的在线附录包含了丰富的补充材料，如各行业典范列表、变量分布图、额外的回归结果等，增强了研究的透明度和可复现性。