Bukti Alternatif Penggunaan Informasi Laporan Keuangan oleh Analis Keuangan

Donal Byard

Departemen Akuntansi Stan Ross, Baruch College – CUNY,

New York, New York, USA, dan

Fatma Cebenoyan

Departemen Ekonomi, Hunter College – CUNY, New York, New York, USA

Abstrak

Tujuan - Analis keuangan sering dipandang sebagai perantara informasi yang memproses dan
menafsirkan laporan keuangan perusahaan untuk pelaku pasar lainnya. Namun, ada banyak
penelitian baru-baru ini yang meragukan kemampuan analis untuk memanfaatkan informasi
dalam laporan keuangan perusahaan sepenuhnya. Dengan menggunakan pendekatan alternatif,
penelitian ini bertujuan untuk memberikan bukti tentang seberapa canggih analis dalam
menggunakan informasi dalam laporan keuangan perusahaan.

Desain / metodologi / pendekatan - Artikel ini memperkirakan ukuran yang berbeda dari
efisiensi operasional perusahaan, yang semuanya berasal dari data laporan keuangan, dan
membandingkan kekuatan asosiasi antara pengukuran ini dengan kesalahan perkiraan absolut
seorang analis. Artikel ini kemudian membandingkan ukuran efisiensi operasional perusahaan
yang canggih dan berbasis frontier yang mengevaluasi kinerja perusahaan relatif terhadap
pesaing mereka dengan tiga ukuran efisiensi yang lebih tradisional; khususnya rasio Return on
Aset (ROA), ROA yang disesuaikan dengan industri, dan rasio Return on Equity.

Hasil - Hasil penelitian menunjukkan bahwa semakin canggih ukuran berbasis frontier
semakin terkait secara negatif dengan kesalahan perkiraan absolut analis daripada tiga ukuran
lainnya. Dengan demikian hasil ini menunjukkan bahwa analis mampu melakukan analisis
yang canggih dari informasi laporan keuangan perusahaan, setidaknya karena berkaitan dengan
efisiensi operasional.

Orisinalitas / nilai – Selama para analis berfungsi sebagai kelompok utama pengguna
informasi keuangan, hasil penelitian ini cenderung menarik bagi para pembuat kebijakan
akuntansi.

Kata kunci Pelaporan keuangan, Analisis keuangan, Informasi akuntansi

Jenis artikel: Artikel penelitian

1. Pendahuluan

Analis keuangan memiliki peran yang penting dalam pasar keuangan, sebuah peran
yang tampaknya semakin penting dalam beberapa tahun terakhir. Analis sering dipandang
sebagai perantara informasi yang mengumpulkan, memproses, dan menyebarluaskan informasi
perusahaan untuk investor (Lihat Schipper, 1991). Memang, banyak literatur akuntansi yang
memandang analis sebagai agen yang canggih yang bisa memproses atau menafsirkan
penyingkapan perusahaan untuk investor. Sesuai dengan pandangan ini, Lang dan Lundholm
(1996) mendokumentasikan bahwa perusahaan dengan tingkat penyingkapan sukarela yang
lebih tinggi menarik minat analis yang lebih besar.

Namun, pandangan mengenai analis sebagai perantara informasi yang canggih masih
dapat dipatahkan. Sejumlah besar literatur memberikan bukti bahwa analis tidak efisien dalam
menggunakan semua informasi yang terkandung dalam laporan keuangan perusahaan di masa
lalu. Sebagai contoh, DeBondt dan Thaler (1990) dan Abarbanell dan Bernard (1992) keduanya
memberikan bukti yang menunjukkan bahwa, analis tidak sepenuhnya menggunakan semua
informasi dalam pendapatan masa lalu dan perubahan pendapatan ketika memprediksi
pendapatan, dan akibatnya membuat kesalahan perkiraan yang lebih besar. Demikian pula,
Bradshaw dkk. (2001) memberikan bukti bahwa, ketika memperkirakan pendapatan tahunan,
analis tidak menggunakan semua informasi yang berkaitan dengan akrual modal kerja dari
laporan tahunan terbaru.

Namun sulit untuk menggunakan studi tersebut untuk menarik kesimpulan tentang
seberapa canggih analis menjadi pengguna laporan keuangan perusahaan. Pertama, studi yang
menunjukkan reaksi rendah analis terhadap informasi dalam riwayat laporan keuangan tidak
secara eksplisit memodelkan biaya pemrosesan informasi. Kedua, banyak bukti dalam studi
tersebut dapat dikaitkan dengan: (1) sedikit pengamatan yang ekstrem (Keane dan Runkle,
1998; Abarbanell dan Lehavy, 2003), atau (2) pengaruh pengamatan yang ekstrem tersebut
pada spesifikasi ekonometrik yang diadopsi oleh sebagian besar studi (lihat Basu dan Markov,
2004).

Artikel ini menggunakan pendekatan alternatif untuk menguji seberapa canggih analis
sebagai pengguna laporan keuangan perusahaan. Secara khusus, kami membandingkan
berbagai ukuran efisiensi operasional perusahaan yang berbeda-beda, yang semuanya dihitung
menggunakan informasi dari laporan keuangan perusahaan. Kami membandingkan
pengukuran-pengukuran ini untuk menentukan mana yang lebih terkait secara negatif dengan
kesalahan perkiraan absolut analis: asosiasi negatif yang lebih besar menunjukkan bahwa
informasi dalam variabel tersebut lebih banyak digunakan oleh analis ketika memperkirakan
pendapatan. Secara khusus, kami membandingkan ukuran efisiensi operasional yang canggih
berbasis frontier dengan (1) Return on Assets (ROA), (2) ROA yang disesuaikan dengan
industri (AROA), dan (3) Return on Equity (ROE). Pengujian kami didasarkan pada gagasan
bahwa, dibandingkan dengan ukuran berbasis frontier, rasio tolok ukur ini semuanya
merupakan ukuran yang kurang canggih dari efisiensi operasional perusahaan yang berasal dari
laporan keuangan perusahaan.

Studi kami didasarkan pada hasil sederhana yang didokumentasikan dalam studi
sebelumnya: perusahaan yang lebih efisien memiliki pendapatan yang lebih stabil (Lihat
Berger dan Mester, 1997). Dengan demikian, jika analis dapat menilai perusahaan mana yang
lebih efisien, hal ini akan membantu dalam proses prediksi mereka, yaitu membantu mereka
memperkirakan dengan lebih akurat. Jika analis menggunakan informasi dalam ukuran
efisiensi tertentu (misalnya ROA) untuk menentukan perusahaan mana yang lebih efisien,
maka kami berharap untuk menemukan hubungan negatif antara ukuran efisiensi ini dan
kesalahan perkiraan absolut analis. Kami membandingkan kekuatan hubungan negatif ini
untuk pengukuran efisiensi yang berbeda; yaitu, kami menguji apakah ukuran yang berbasis
frontier yang lebih canggih lebih kuat akan semakin berkaitan secara negatif dengan kesalahan
perkiraan absolut analis dibanding ketiga (benchmark) rasio akuntansi. Analisis kami
mencakup kontrol untuk ukuran perusahaan, industri, dan variasi pendapatan, sehingga
mengendalikan kesulitan yang dihadapi para analis saat memperkirakan pendapatan untuk
perusahaan yang berbeda.

Kami menggunakan data laporan keuangan dari Compustat untuk menghitung semua
ukuran efisiensi operasional relatif perusahaan. Prakiraan pendapatan dan data pendapatan
aktual yang digunakan untuk menghitung kesalahan perkiraan, dan riwayat data aktual
(historis) yang digunakan untuk menghitung variabilitas pendapatan, berasal dari basis data
Institutional Brokerage Estimation System (IBES). Periode sampel kami adalah 1993 hingga
1997, dan terdiri dari 1.216 perusahaan-tahun, merepresentasikan 611 perusahaan. Kami
mendokumentasikan bahwa kesalahan perkiraan absolut analis lebih kuat (secara negatif)
terkait dengan ukuran berbasis frontier yang lebih canggih daripada dengan salah satu dari tiga
ukuran efisiensi berbasis rasio akuntansi lainnya. Analisis kami mengontrol industri
perusahaan, ukuran (kapitalisasi pasar), dan tingkat variabilitas pendapatan perusahaan, yaitu
kesulitan memperkirakan pendapatan. Oleh karena itu, hasil penelitian kami menunjukkan
bahwa ketika memperkirakan laba, analis menggunakan alat canggih untuk menganalisis
informasi dalam laporan keuangan, setidaknya karena hal itu berkaitan dengan efisiensi
operasional perusahaan.

Artikel kami memberikan sejumlah kontribusi. Hasil penelitian kami menunjukkan

bahwa perkiraan analis mencerminkan pemahaman tentang efisiensi operasional perusahaan
berdasarkan informasi dari laporan keuangan perusahaan yang lebih canggih daripada hanya
memeriksa rasio akuntansi perusahaan. Hasil ini mendukung gagasan bahwa analis mampu
melakukan analisis yang canggih terhadap laporan keuangan perusahaan. Selain itu, perlu
dicatat bahwa ukuran berbasis frontier yang lebih kuat (secara negatif) yang berkaitan dengan
kesalahan perkiraan pendapatan absolut analis mengasumsikan pengetahuan yang cukup rinci
tentang fungsi produksi industri dan hubungan dalam industri antara input dan output.
Hasilnya, dengan demikian, menunjukkan manfaat yang jelas bagi investor dari pengetahuan
industri analis. Sementara ada spesialisasi industri di antara para analis, penelitian sebelumnya
tidak menunjukkan manfaat yang jelas bagi investor dari spesialisasi industri para analis ini
[1].

Artikel ini disusun sebagai berikut. Bagian 2 menjelaskan tentang latar belakang
penelitian kami. Bagian 3 menjelaskan tentang desain penelitian, sementara bagian 4
memberikan rincian pemilihan sampel dan metodologi. Hasil penelitian disajikan di bagian 5,
diikuti oleh bagian 6, yang menggambarkan tes ketahanan penelitian kami. Artikel ini ditutup
dengan diskusi di bagian 7.

2. Latar Belakang

2.1 Penggunaan informasi dalam laporan akuntansi perusahaan oleh analis

Analis keuangan secara luas dipandang sebagai perantara informasi penting yang
memproses pengungkapan keuangan perusahaan untuk investor (Lihat Schipper, 1991). Sesuai
dengan pandangan ini, Lang dan Lundholm (1996) menunjukkan bahwa perusahaan dengan
tingkat pengungkapan yang lebih tinggi menarik minat analis yang lebih besar. Demikian pula,
Stickel (1989) menunjukkan bahwa ada kebingungan dalam revisi perkiraan setelah
pengumuman pendapatan interim, menunjukkan bahwa analis menggunakan pengungkapan
akuntansi publik perusahaan untuk merevisi perkiraan mereka.

Namun, banyak literatur yang menunjukkan bahwa analis mungkin tidak terlalu baik
dalam menggunakan informasi yang terkandung dalam laporan keuangan perusahaan. Banyak
penelitian menguji apakah perkiraan pendapatan analis mencerminkan semua informasi yang
terkandung dalam beberapa variabel informasi (X) yang tersedia untuk analis ketika mereka
membuat perkiraan mereka. Spesifikasi khas dari studi tersebut adalah sebagai berikut:

di mana FEt + 1 adalah kesalahan perkiraan untuk periode penghasilan t + 1. FEt + 1 dihitung
sebagai selisih antara pendapatan aktual untuk periode t + 1 (At +1), dan perkiraan angka
pendapatan ini dibuat sebelum pemberitahuan ini, pada periode t(Ft): FEt + 1 = At + 1 - Ft. Dalam
studi ini, X adalah variabel informasi yang diketahui analis ketika mereka membuat perkiraan.
Jika analis sepenuhnya menggunakan semua informasi yang terkandung dalam X ketika
membuat perkiraan mereka, maka X harus tidak terkait dengan kesalahan perkiraan berikutnya.
Dalam hal ini perkiraan dikatakan ''efisien'' sehubungan dengan informasi dalam variabel X.

Berbagai penelitian menggunakan variasi persamaan (1) untuk menguji efisiensi

perkiraan pendapatan analis sehubungan dengan berbagai variabel informasi yang diketahui
analis ketika mereka membuat perkiraan. Sebagai contoh, DeBondt dan Thaler (1990)
menggunakan tingkat pendapatan untuk periode t; yaitu, mereka menetapkan X dalam
persamaan (1) di atas sama dengan tingkat pendapatan pada periode t.

Contohnya, DeBondt dan Thaler (1990) menggunakan tingkat penghasilan untuk periode t;
yaitu, mereka menetapkan X dalam persamaan (1) di atas setara dengan tingkat pendapatan
pada periode t. Menggunakan pendekatan ini, penelitian telah membuktikan ketidakefisienan
dalam perkiraan pendapatan para analis sehubungan dengan: tingkat pendapatan (DeBondt dan
Thaler,1990); perubahan pendapatan (Abarbanell dan Bernard, 1992); perubahan pendapatan
yang besar di masa lalu (Easterwood dan Nutt, 1999); dan akrual modal kerja (Bradshaw et al.,
2001). Secara umum, penelitian ini menunjukkan bahwa para analis kurang bereaksi terhadap
informasi dalam riwayat laporan keuangan perusahaan.
Penelitian-penelitian yang kurang mendapatkan reaksi ini telah diragukan, namun,
penelitian yang lebih baru menimbulkan pertanyaan metodologis mengenai penelitian
semacam itu. Basu dan Markov (2004) menunjukkan bahwa memperkirakan persamaan (1) di
atas menggunakan kuadrat terkecil biasa (OLS) secara tidak langsung menganggap bahwa para
analis mengalami fungsi kerugian kesalahan kuadrat—yang mereka usahakan untuk
meminimalkan kesalahan kuadrat dalam perkiraan mereka. Mereka menunjukkan bahwa hasil
dari memperkirakan persamaan (1) adalah sensitif terhadap spesifikasi yang digunakan. Gu
dan Wu (2003) menunjukkan bahwa karena pendapatan tidaklah sama, analis mungkin tidak,
pada kenyataannya, memiliki insentif untuk memperkirakan pendapatan negatif besar dalam
beberapa periode (lihat juga Keane dan Runkle, 1998). Akhirnya, penelitian ini tidak secara
eksplisit memodelkan biaya pemrosesan informasi analis.
Pendekatan kami untuk menguji seandainya analis menggunakan informasi dalam
laporan keuangan perusahaan berbeda dari penelitian berdasarkan persamaan (1) di atas.
Penelitian tersebut menunjukkan uji mutlak benar atau tidaknya perkiraan analis
mencerminkan item informasi tertentu. Sebaliknya, kami melakukan tes relatif: kami
membandingkan dua proxy potensial untuk informasi analis untuk melihat mana yang lebih
baik mencerminkan informasi analis yang tampaknya digunakan saat memperkirakan
penghasilan.
Penelitian kami didasarkan pada kenyataan bahwa perusahaan yang lebih efisien
memiliki pendapatan yang lebih stabil (contohnya. lihat Berger dan Mester, 1997).
Berdasarkan anggapan bahwa para analis berusaha meminimalkan kesalahan prakiraan mutlak
mereka, kami menguji apabila mereka tampaknya dapat menggunakan informasi laporan
keuangan untuk menentukan perusahaan mana yang memiliki tingkat efisiensi operasional
yang lebih besar [2]. Jika perusahaan yang lebih efisien memiliki pendapatan yang lebih stabil,
dan para analis bisa menentukan perusahaan mana yang lebih efisien, maka kesalahan
perkiraan mutlak para analis seharusnya berhubungan negatif dengan ukuran efisiensi (Z). Jika
kami memiliki dua ukuran efisiensi (Z1 dan Z2), kami dapat menguji mana dari ukuran-ukuran
ini yang lebih baik menangkap informasi yang digunakan analis saat memperkirakan
pendapatan menggunakan model berikut:
|FEt+1| = α0 + α1Z1t + α2Z2t + εt+1 (2)

di mana Z1 dan Z2 adalah ukuran efisiensi berdasarkan data yang diambil dari laporan
keuangan perusahaan untuk periode t. Jika kami percaya bahwa para analis lebih cenderung
mengandalkan informasi dalam ukuran Z1 daripada informasi pada Z2, maka kami
memperkirakan bahwa α1>α2. Kami menggunakan pendekatan seperti itu untuk
membandingkan berbagai ukuran efisiensi operasional untuk menguji ukuran mana yang lebih
berhubungan kuat dengan kesalahan perkiraan para analis. Jika satu ukuran efisiensi lebih
berhubungan kuat secara negatif dengan kesalahan perkiraan mutlak analis daripada ukuran
efisiensi lain, maka hal ini menunjukkan bahwa ukuran efisiensi ini lebih mencerminkan
penggunaan informasi analis saat mereka memperkirakan pendapatan.
2.2 Efisiensi operasional relatif, stabilitas pendapatan, dan proposisi penelitian kami
 Konsep efisiensi relatif diperkirakan dengan menggunakan pendekatan frontier
seringkali digunakan untuk mengukur dan membandingkan efisiensi operasional perusahaan
di semua jenis industri dari layanan (perbankan, audit) hingga manufaktur sampai nirlaba
(sekolah, rumah sakit) (lihat, contohnya, van den Broeck, 1988; Allen dan Rai, 1996; Berger
dan Mester, 1997; Rogers, 1998; Wheelock dan Wilson, 2000; Dopuch et al., 2003; dan Callen
et al., 2005). Meluasnya penggunaan pendekatan frontier ini adalah untuk mengukur efisiensi
operasi perusahaan hasil dari daya tarik konseptual ukuran ini, yang berasal dari kenyataan
bahwa pendekatan tersebut menangkap kinerja relatif perusahaan dalam industri mereka.
Pendekatan ini menghasilkan tolak ukur atau patokan komprehensif dari kinerja perusahaan
relatif terhadap kinerja para pesaingnya [3]. Selain itu, dalam perkiraannya, metodologi ini
menghilangkan faktor acak tidak terkendali seperti keberuntungan, iklim, dan kinerja mesin
yang bisa mempengaruhi tingkat kinerja yang diamati, menghasilkan ukuran langsung-spesifik
perusahaan dari faktor sistematis yang mempengaruhi kinerja perusahaan, seperti efektivitas
manajerial (lihat Hughes et al., 2002 untuk detail teknis).
Penelitian menunjukkan bahwa perusahaan yang lebih efisien memiliki kinerja yang
lebih stabil. Beberapa penelitian pada industri perbankan, sebagai contoh, melaporkan
hubungan negatif antara tingkat ketidakefisienan bank dan stabilitas keuntungan bank
(misalnya. lihat Berger dan Mester, 1997) [4]. Mills dan Schumann (1985) menyimpulkan
bahwa perusahaan yang lebih efisien memiliki tingkat output yang lebih stabil dibandingkan
dengan perusahaan yang kurang efisien. McGahan dan Porter (1999) menemukan bahwa
keuntungan yang lebih tetap terjadi pada perusahaan yang lebih efisien daripada terhadap
perusahaan yang kurang efisien dalam industri yang sama. Secara kolektif, penelitian ini
menunjukkan bahwa perusahaan yang relatif lebih efisien memiliki pendapatan yang lebih
stabil. Jika para analis dapat menggunakan data laporan keuangan perusahaan untuk
menentukan perusahaan mana yang lebih efisien daripada pesaing mereka, maka analis harus
membuat kesalahan perkiraan yang lebih kecil. Karenanya, kami mengharapkan hubungan
negatif antara kesalahan prakiraan (penghasilan) mutlak analis dan ukuran efisiensi operasional
perusahaan. Kami membandingkan besarnya koefisien negatif ini untuk ukuran efisiensi yang
berbeda.
Ukuran utama efisiensi operasional perusahaan yang kami gunakan adalah ukuran
efisiensi perusahaan yang dikembangkan dari estimasi frontier yang membandingkan efisiensi
operasional perusahaan terhadap para pesaingnya. Kami membandingkan ukuran efisiensi
operasional perusahaan yang canggih dengan tiga (tolak ukur) rasio efisiensi akuntansi. Ketiga
rasio tersebut adalah:
(1) ROA;
(2) AROA; dan
(3) ROE.
Semua ukuran efisiensi ini dihitung menggunakan informasi dari laporan keuangan
perusahaan. Kami membandingkan jika ukuran berdasarkan frontier lebih berhubungan kuat
dengan kesalahan perkiraan mutlak para analis. Hal ini menguji seandainya ukuran menangkap
lebih baik informasi analis, setidaknya yang berhubungan dengan tingkat efisiensi operasional
perusahaan. Jika ini adalah masalahnya, maka hal ini akan menunjukkan bahwa analis cukup
berpengalaman dalam hal penggunaan informasi dari laporan keuangan perusahaan, setidaknya
berkenaan dengan efisiensi operasional perusahaan.
3. Rancangan penelitian
Semua ukuran efisiensi operasional kami dihitung menggunakan data dari laporan keuangan
perusahaan. Ukuran berdasarkan frontier adalah ukuran efisiensi operasional relatif perusahaan
dan dimodelkan menggunakan metodologi frontier stochastic. Kami mengembangkan ukuran
efisiensi operasional berdasarkan frontier (frontier-based) kami dalam hal kemampuan
menghasilkan pendapatan (output) perusahaan, mengingat sumber daya (input) yang
dikeluarkan adalah relatif terhadap para pesaingnya. Untuk melakukannya, kami menggunakan
metodologi frontier stochastic yang menggabungkan struktur kesalahan dua komponen. Satu
komponen menunjukkan faktor acak dan tidak terkendali yang mempengaruhi
ketidakefisienan/efisiensi relatif perusahaan, sedangkan komponen kedua mengukur
komponen sistematis spesifik perusahaan dari ketidakefisienan/efisiensi relatif perusahaan.
Komponen sistematis dari kesalahan spesifik perusahaan ini kemudian diubah untuk
menciptakan ukuran efisiensi spesifik perusahaan, EFFIC. EFFIC mengukur seberapa efisien
suatu perusahaan relatif terhadap perusahaan lain dalam industri yang sama. Dengan demikian,
EFFIC menangkap spektrum data yang luas yang berhubungan dengan kinerja perusahaan
dalam industri tertentu.
Kami membandingkan EFFIC dengan tiga ukuran (tolak ukur) efisiensi operasional lainnya:
(1) rasio ROA;
(2) AROA; dan
(3) rasio ROE.
Semua ketiga rasio didasarkan pada data dari laporan keuangan perusahaan. Kami menyertakan
dua variabel kontrol dalam analisis kami yang mengontrol kesulitan yang melekat dari
perkiraan pendapatan untuk perusahaan yang berbeda. Pertama, kami memasukkan ukuran
variabilitas riwayat pendapatan: standar deviasi dari laba aktual per saham EPS selama periode
lima tahun sebelumnya (EPS_STD). Kedua, kami menyertakan ukuran perusahaan: kapitalisasi
pasar menurun hingga 1993 CPI-dollar (SIZE) konstan. Perusahaan yang lebih besar memiliki
lingkungan informasi yang lebih kaya yang dapat membuat proses prakiraan analis lebih
mudah. Selain itu, perusahaan yang lebih besar mungkin lebih stabil dan, sebagai hasilnya,
memiliki pendapatan yang lebih mudah diprediksi. Akhirnya, kami juga memasukkan variabel
dummy industri (IDp) sebagai variabel kontrol untuk setiap kode klasifikasi industri standar
(SIC) dua digit yang sesuai dengan industri p (kode SIC dua digit) dalam sampel kami. Analisa
kami, dengan demikian, didasarkan pada prakiraan model berikut:

|AVG_FE|it = θ0 + θ1EFFICit + θ2Z1 + θ3EPS_STDit + θ4SIZEi + λjIDp + εt+1 (3)

dimana Z1, sebagai alternatif, ditetapkan sama dengan (1) ROA, (2) AROA, dan (3) ROE.
Kami berharap bahwa semua ukuran efisiensi kami akan secara negatif berhubungan dengan
kesalahan prakiraan mutlak analis; yaitu θ1<0 dan θ2<0. Selain itu, mengikuti hasil dari
penelitian sebelumnya, kami berharap bahwa kesalahan perkiraan analis akan lebih besar untuk
perusahaan yang memiliki lebih banyak penghasilan variabel, jadi kami berharap θ3> 0. Dan
lagi, mengikuti penelitian sebelumnya, kami berharap bahwa kesalahan perkiraan mutlak
analis akan lebih kecil untuk perusahaan yang lebih besar, jadi kami berharap θ 4 <0. Untuk
menguji dugaan penelitian utama kami, kami menguji prediksi bahwa ukuran efisiensi frontier-
based memiliki pengaruh negatif yang lebih besar pada kesalahan perkiraan absolut analis
daripada masing-masing dari tiga rasio efisiensi (tolak ukur); yaitu, kami menguji jika θ1> θ2.

4. Metodologi dan Pilihan Sampel

Sampel kami terdiri dari seluruh perusahaan dari industri-industri yang terpilih (lihat dibawah)
dengan data Compusat yang cukup untuk mengestimasi fungsi produksi spesifik industri setiap
tahun pada periode sampel 5 tahun kami (1993-1997) [5]. kami tidak memasukan pelayanan
finansial dan industri yang diatur lain, seperti transportasi dan utilitas: industri-industri yang
diatur ini mungkin memiliki lingkungan pengoperasian yang berbeda (misalnya diatur vs.
Kompetitif), yang mungkin mempengaruhi tujuan perilaku perusahaan. Tahun-industri yang
tersisa yang diwakilkan dalam sample merupakan idustri dengan data yang cukup untuk
mengestimasi frontier/batasan produksi untuk tahun industri itu. Pada tahap estimasi frontier,
data diuji untuk kemungkinan pihak luar menggunakan metode residu standari; observasi
dengan residu standar pada kelebihan dua hal itu dihapus dari dataset final/akhir (Balsley et al.,
1980). data dari tahun perusahaan dengan skor efisiensi yang dibutuhkan dicocokan dengan
data Compustat untuk kapitalisasi pasar dan kode SIC, dan data IBES digunakan untuk
menghitung rata-rata perkiraan kesalahan absolut analis dan variabilitas pada penghasial aktual
awal periode 5 tahun.
Kami menghitun rata-rata perkiraan kesalahan untuk seorang analis menggunakan
perkiraan penghasilan tahunan untuk tahun t + 1 dibuat selama 30 hari jendela perkiraan dengan
segera setelah pengumuman pendapatan triwulan pertama dengan tahun t + 1. pilihan ini pada
periode perkiraan meyakinkan bahwa perkiraan individu untuk tiap perusahaan dikondisikan
pada informasi yang tersedia yang sama secara publik - tahun t laporan keuangan tahunan [6].
pegukuran efisiensi kami (EFFICit,ROAit, AROAit, dan ROEIT) dihitung menggunakan data
akunting untuk tahun t, sedangakan perkiraan kesalahan analis kami didasarkan pada perkiraan
pendapatan untuk tahun t + 1. tahun-perusahaan sampel kami berasal dari sampel periode 1993
sampai 1997 yang memenuhi syarat berikut ini:

1) Tanggal pengumuman pendapatan triwulan untuk pendapatan triwulan pertama untuk

tahun t + 1 tersedia juga dari yang aktif atau penelitian file triwulan Cmpusat.
2) Setidaknya dua perkiraan pada tahun t + 1pendapatan tahunan dari dua analis yang berbeda
dikeluarkan dalam periode 30 hari dengan segera setelah pengumuman pendapatan
triwulan pertama. Selain itu, perkiraan-perkiraan ini harus update pada perkiraan
sebelumnya [7].
3) Data EPS aktual untuk tahun t +1 pendapatan tahunan tersedia dari file pendapatan IBES
aktual.
4) Data EPS aktual untuk lima tahun awal tersedia pada file pendapatan aktual IBES - untuk
menghitung viribilitas pendapatan historis.
5) Perlunya data Compustat yang diperlukan untuk menghitung skor efisiensi, ROA, ROE
dan data untuk variabel kontrol, tersedia untuk perusahaan i pada tahun t [8].

Ini menghasilkan sampel final pada 1,216 tahun perusahaan, mewakili 611 perusahaan. Tabel
1 menunjukan komposisi industri pada perusahaan sampel. Perusahaan sampel tersebar pada
34 industri, dengan konsentrasi Eknstraksi Minyak da Gas (9% sampel), layanan komputer
(terutama software) (7%), toko pakaian dan aksesoris (7%), komputer dan peralatan kantor
(5%), dan komponen elektronik dan aksesoris (6%).
Kami menghitung EFFIC, pengukuran efisiensi berbasis frontier, dipisah ddengan
tahun industri. Untuk tiap tahun industri, kami secara terpisah menggunakan metodologi
batasan/frontier skokastik berdasarka fungsi produksi translog. Fungsi objektif spesifik
perusahaan yang digunaan ditunjukan sebagai berikut:

Dimana: Rev merupakan pendapatan penjualan, X merupakan vektor pada iput operasioal yang
menghasilkan pendapatan ini, w mewakili devisiasi spesifik perusahaan dari batasan yang
efisien karena faktor dibawah kontrol managerial, dan v mewaili faktor acak yang tidak bisa
terkontrol yang mempengaruhi kinerja perusahaan (lihat Berger dan Mester, 1997). untuk
mengestimasi secara terpisah hubungan produksi ini menggunakan data dengan tiap tahun
industri, kami menggunakan fungsi translog standar dengan lebih dari dua input [9]. dalam
kasus satu output (Rev) dan tiga input, fungsi translog bisa ditunjuan sebagai berikut (misalnya
lihat Brairam, 1994);
SIC SIC
kod perusa perus
Industri e haan Industri kode ahaan

Oli dan ekstrasi gas 13 55 Alat Pengukuran dan

kontroling 382 11
Konstruksi 15 2 Peralatan medis dan
Supply 384 27
makanan 20 21 komunikasi 48 15
Tekstil 22 20 Barang tahan lama 50 12
Produk kayu 24 6 Perdagangan grosir 51 4
Produk kertas dan Barang dagangan
sejenisnya 26 8 umum 53 9
Percetakan dan
penerbitan 27 9 Pengecer makanan 54 9
Produk bahan kimia
dan sejenisnya 28 37 Toko
Pakaian dan Aksesori 56 47
Tempat makan dan
Obat 283 19 minum 58 20
Karet, Kulit dan Kaca 30 13 Retail Lain-Lain 59 5
Industri Logam Primer 33 25 Pelayanan personal 72 2
Mesin Industri 35 33 Pelayanan bisnis 73 17
Peralatan Layanan hiburan 78 11
Komputer dan kantor 357 35
Alat elektronik 36 9 Layanan kesehatan 80 6
Alat komunikasi 366 27 Layanan pendidikan 82 1
Komponen elektronik
dan Layanan
Teknik dan
aksesoris 367 37 Manajemen 87 7
Perlengkapan
transportasi 37 9 Layanan komputer 737 43
Total perusahaan 611

Tabel I. Komposisi industri pada sampel (ukuran sampel = 611 perusahaan).

ini diikuti dengan dekomposisi pada istilah eror, e, dari estimasi persamaan (5) ke dua
komponen, v dan w, seberti yang didefinisikan dalam persamaan (4). dekomposisi/penguraian
dicapai dengan menspesifikan asumsi distribusional berikut (lihat Jondrow et al., 1982);

Spesifikasi ini pada istilah error didasarkan pada intuisi bahwa kinerja perusahaan berbeda
hasilnya: (1) fluktuasi acak seperti keberuntungan, iklim, kinerja mesin dll (titangkap v); dan
(2) kompnen spesifik perusahaan (w), menangkap kemampuan perusahaan untu mengiuti
praktik terbaik industri mereka. Skor inefisiensi spesifik perusahaan (w) yang didapatkan
melalui penguraian error/kesalahan ini diubah kedalam skor efisiensi yang lebih intuitif
(EFFIC) menggunakan alogaritma Battese dan Coelli (1988) (lihat Appendix untuk detail
teknis pada motodologi estimasi ini).
Dalam pilihan kami pada variabel input dan output yang digunakan untuk mengestimasi
persamaan (5) kami mengikuti penelitian efisiensi sebelumnya dengan beberapa modifikasi.
Kami menggunakan nilai dolar pada penjualan bersih (angka item A12 Compusat)
dibandingkan denga kuantitas output sebagai pengukuran kami pada output. Saat ada (bahkan
sedikit) perbedaan pada kualitas output seluruh perusahaan di industri yang sama,
menggunakan kuantitas output bisa menyebabkan ke distorsi dalam pengukuran output relatif
ke harga, yakni efisiensi seluruh perusahaan (Kolari dan Zarkoohi, 1987).
Tiga input yang digunakan dalam mengestimasi persamaan (5) dalam spesifikasi kami
pada fungsi produksi perusahaan yakni; harga barang yang terjual, penjualan, biaya umum dan
administratif, dan harga modal fisik (yang terdiri dari sewa dan beban penyusutan)(angka item
Compustat A14. A189 dan total A47+A14-A163 secara berurutan). pilihan kami pada tiga
kategori input ini juga mengikuti pilihan jenis biaya yang berbeda pada literatur yang
berhubungan dengan evaluasi pilihan input dalam proses produksi, seperti variabel, semi
fariabel dan biaya yang ditetapkan (lihat Bairam, 1994). untuk menghindari heteroskedastisitas
dan bias skala, kami menimbang semua variabel dalam estimasi frontier/batasan yang efisien
dengan total aset (Berger dan Mester, 1997) [10].
Variabel terikat kami pertama dihitung sebagai rata-rata perkiraan error/kesalahan

absolut yang dibuat oleh seorang analis untuk tia tahun perusahaan yakni

dimana j perkiraan analisis tahun t + 1 pendapatan tahunan untuk

perusahaan i. data penting dan keluaran ekonometrik muncul dalam pengujian persamaan (3)
menggunakan dataset kami. Pertama, data kami terdiri dari observasi untuk 1.216 perusahaan,
dan yang mewakili 611 perusahaan. Sampel kami terdiri dari kumpulan/set ketidak seimbangan
pada panel data; beberapa perusahaan memiliki observasi tahun yang lebih dibandingkan yang
lain. Selain itu, skor efisiensi perusahaan (dan ukuran perusahaan) cenderung untuk
dihubungkan ke seluruh tahun sampel (Kwan dan Eisenbeis, 1996), mengenalkan
kemungkinan ketergantungan/keterikatan cross-sectional yang mempengaruhi observasi tahun
perusahaan dengan rata-rata nilai perusahaan yang spesifik, dihitung pada seluruh tahun
perusahaan yang tersedia untuk tiap perusahaan. Menggunakan rata-rata lintas panel/across-
panel secara luas diadopsi prosedurnya untuk sataset panel yag tidak seimbang (Greene, 200;
P. 567)[11]. model regresi kami diestimasi sebagai berikut;
Dimana; m | AVG_FE|, merupakan nilai rata-rata untuk perusahaan i;
mEFFIC, merupakan rata-rata pengukuran efisiensi berbasis frontier, EFFIC, untuk perusahaan
i; mZ secara alternatif merupakan mROA, rata-rata pengembalian aset untuk perusahaan i;
mROE, rata-rata kembalian ekuitas untuk perusahaan i; mAROA, rata-rata industri yang
disesuaikan kembalian asetnya untuk perusahaan i; mEPS_STD, merupakan rata-rata

EPS_STDi , merupakan rata-rata merupakan deviasi standar EPS

tahunan pada database IBES pada lima tahun sebelumnya untuk perusahaan i tahun t; mSIZEi
merupakan kapitalisasi pasar, ukuran, pada perusahaan/firm i; dan IDp merupakan rangkaian
variabel dummy/boneka industri sama dengan satu untuk perusahaan-perusahaan di industri p
(tiap dua digit kode SIC) dan sama dengan nol untuk kebalikannya.
Estimasi untuk persamaan (6) pengujian hubungan antara efisiensi produksi relatif
perusahaan (EFFIC atau ROA) dan rata-rata perkiraan error pendapatan absolut seorang analis,
yang mengontrol untuk variabilitas pendapatan, ukuran perusahaan dan pengaruh industri.

Kami menggunaan persamaan (6) untuk menguji jika .

Tabel II menunjukan statistik deskriptif untuk sampel 611 perusahaan. Sampel
perusahaan kami cukup besar, dengan rata-rata kapitalisasi pasar sekitar $3,4 milliyar. Statistik
deskriptif juga mengungkapkan banya variasi pada seluruh sampelperusahaan kami pada
tingkan efiseiensi dan perkiraan rata-rata kesalahan absolut analis (EFFIC, ROA dan ROE).

5. Hasil
Sebagai langkah pertama pada analisis kami, kami mengestimasi batasan produksi untuk tiap
tahun industri pada sampel kami dengan mengguakan persamaan (5). residual dari tahun
spesifik estimasi batasan industri-industri ini diuraikan ke komponen perusahaan yang acak
dan perusahaan yang spesifik untuk tiap perusahaan-tahun. Skor efisiensi ini diocokan dengan
data perkiraan pendapatan IBES untuk prosedur sataset akhir pada 1.216 perusahaan-tahun,
yakni 611 perusahaan, yang dideskripsikan dalam tabel I dan II.
Tabel II menunjukan hubungan Pearson antara variabel-variabel kami. Seperti yang
bisa dilihat di tabel III, seperti yang diekspektasikan, kami menemukan hubungan negatif
antara efisiensi produksi relatif perusahaan (EFFIC) dan rata-rata perkiraankesalahan absolut
analis (AVG_FE) (hubungan koefisien sama dengan -0,08 dan -0,17, signifikan satu pada
p<0,05 dan p<0,01, secara berurutan. Kekuatan pada hubungan antara efisiensu produksi relatif
(EFFIC) dan AVG_FE. Konsisten dengan penelitian sebelumnya, kami juga menemukan
hubungan negatif antara ukuran perusahaan (SIZE) dan AVG_FE (hubungan koefisien sama
dengan - 0,09; signifikan pada p<0,01, satu pengujian). seperti yang kami harapkan, kami juga
menemukan bahwa perkiraan eror absolut analis secara positif berhubungan dengan deviasi
standar pendapatan historis; koefisien korelasi yakni 0,14, p<0,01.
Bukti berpasangan yang ditunjukan di Tabel II menjelaskan bahwa rata-rata kesalahan
perkiraan absolut (mAVG_FE) secara negatif berhubunga dengan efiseiensi produksi relatif
perusahaan, dan rasio ROA dan ROE. Seperti yang diharapkan, kami menemukan hubungan
positif antara kesalahan perkiraan absolut dan variabilitas pendapatan; semakin tinggi
variabilitas pada pendapatan, semaki luas esalahan perkiraan absolut. Analisis ini tidak lengkap
namun, karena kami belum mengontrol determinan yang diketahui lainnya pada lingkungkan
informasi analis. Kami menjelaskan pertanyaan ini setelah ini.

Persen
Deviasi Persentil til ke
Variable Mean standar ke 25 Median 75

0.47
mAVG_FEi 0.3838 0.4975 0.0825 0.2049 69
0.95
mEFFICi 0.9071 0.0608 0.8743 0.9316 08
mROAi 6.11 7.47 2.95 6.32 9.71
mROEi 11.60 14.23 7.18 12.54 18.26
2,51
mSIZEi 3,407 8,753 275 771 0
mEPS_ST 0.81
Di 0.7296 0.8641 0.2546 0.4552 57

Catatan: m|AVG_FE|i merupakan rata-rata untuk perusahaan i;

dimana merupakan pendapatan aktual untuk perusahaan i pada tahun

t + 1 dan Fj.i.t+1 merupakan perkiraan pada tahun t +1 pendapatan tahunan untuk perusahaan i
yang dibuat oleh seorang anali j; mEFFICi merupakan ukuran pada efiseiensi operasional untuk
perusahaan i pada tahun t yang dihitung menggunakan batasan produksi yang efisien yang
dihitung menggunakan data dari tahun t laporan keuangan untuk perusahaan i dan
kompetitornya; mROAi merupakan rata-rata ROE it ROAit merupakan kembalian aset untuk
perusahaan i tahun t; mROEi yakni rata-rata ROEit. ROEit merupakan kembalian ekuitas untuk
perusahaan i tahun t; mSIZE merupakan rata-rata SIZEit. Itu merupakan kapitalisasi pasar pada
perusahaan i tahun t; dan mEPS_STDi merupakan rata-rata dari EPS_STDit. EPS_STDit yang
merupakan deviasi standar pada EPS tahunan pada database IBES pada lima tahun awal untuk
perusahaan i tahun t.

Tabel III.

Hubungan analisis (ukuran sampel = 611 perusahaan).

Catatan: m |AVG_FE|i merupakan nilai rata-rata pada untuk perusahaan i;

dimana merupakan pendapatan aktual untuk

perusahaan i tahun t + 1 dan yakni kisaran pada tahun t+1 pendapatan tahunan untuk
perusahaan i yang dibuat oleh seorang analisis j; mEFFICi merupakan nilai rata-rata EFFICit
untuk perusahaan i; EFFICit merupakan ukuran efisiensi operasional untuk perusahaan i pada
tahun t yang dihitung menggunakan batasan/frontier produksi efisien yang dihitung
menggunakan data dari tahun t laporan keuangan untuk perusahaan i dan kompetitornya;
mROAi merupakan rata-rata ROAit. ROAit merupakan kembalian aset untuk perusahaan i
tahun i tahun t; mROE merupakan rata-rata ROEit; ROEit merupakan ekuitas untuk perusahaan
i tahun t; mSIZE merupakan rata-rata pada SIZEit; SIZEit merupakan kapitalisasi pasar dari
perusahaaan i tahun t; dan mEPS_STD merupakan rata-rata EPS_STDit; EPS_STDit
merupakan deviasis standar pada EPS tahunan pada database IBES pada lima tahun awal untuk
perusahaan i tahun t. nilai ap untuk satu/one-tailed uji pada signifikansi dimana tanda
diprediksi.

Tabel IV menunjukan hasil dari estimasi regreso OLS kami pada persamaan (6). penting bahwa
kami tidak menunjukan estimasi koefisien untuk 34 industri variabel dummy/boneka uga
termasuk dalam estimasi. Ditunjukan dalam tabel IV bahwa ada versi persamaan (6), tiap
diestimasi dengan rasio tolak ukur akuntansi (ROA, AROA dan ROE) kami membandingkan
dengan EFFIC. Pertama, perhatikan bahwa koefisien pada empat pengukuran efisiensi negatif
pada tiga versi persamman (6) yang diestimasi. Ini mengkonfirmasi hubungan negatif antara
ukuran efisiensi perusahaan dan error/kesalahan perkiraan absolut analis. Kedua, konsisten
dengan penelitian sebelumnyabahwa analis membuat perkiraan kesalahan yang lebih kecil
untuk perusahaan yang lebih luas, kami mmenemukan hubungan negatif secara sigifikan antara
rata-rata kesalahan perkiraan absolut analis dan SIZE (p<0,01, one-tailed/satu). sama halnya,
seperti yang diharapkan, kami menemukan rata-rata kesalahan perkiraan absolut analis
berhubungan secara positif dan signifikan dengan EPS_STD, pengukuran kami pada
variabilitas pendapatan (p<0,01, satu membuntuti/one-tailed).

Dugaan penelitian utama kami diuji dengan membandingkan besarnya regresi yang

koefisien pada EFFIC dengan, giliran, besarnya regresi koefisien pada tiap rasio tolak ukur

-ROA, AROA dan ROE. Kami menggunakan tes Wald untuk menguji dugaan kami bahwa

(lihat Greene, 2000, hal 273). seperti yang bisa dilihat tabel IV, tes Wld
mengkonfirmasi bahwa, seperti yang diharapkan, EFFIC secara signifikan lebih dihubungkan
secara relatif dengan kesalahan perkiraan analis dibandingkan rasio efisiensi tolak ukur
lainnya, ini dibandingkan dengan (p<0,05, satu mengekor/one-tailed). ii menjelaskan bahwa
EFFIC lbih baik menangkap informasi analis keuangan untuk keputusan efisiensi operasional
perusahaan dibandingkan rasio tolak ukur akunting. Karena EFFIC merupakan proxy yang
lebih luas dan lebih mencakup poxy untuk efisiensi relatif dibandingkan ROA, AROA, atau
ROE,
 mEPS_ST
Intercept mEFFIC mZ D mSIZE Test of
1 >2
koef koef koef koef koef
Variabel
Z t-stat. t-stat. t-stat. t-stat. t-stat. F-stat. Adj.
Rangkaia
nsama (p (p (p (p R2
dengan: (p value)a value)a value)a (p value)a value)a value)a (%)

Prediksi (?) ( ) ( ) (þ) ( )

(1) ROA 1.54 1.14 0.01 0.09 < 0.01
3.25 2.11 2.13 3.91 3.44 4.36 11.33
(<0.01) (0.02) (0.02) (<0.01) (<0.01) (0.02)
(2)
AROA 1.51 1.11 0.01 0.09 < 0.01
3.20 2.05 2.07 3.88 3.44 4.14 11.24
(<0.01) (0.02) (0.02) (<0.01) (<0.01) (0.02)
(3) ROE 1.69 1.32 0.01 0.10 < 0.01
3.67 2.49 1.70 4.09 3.50 6.17 10.26
(<0.01) (0.01) (0.04) (<0.01) (<0.01) (0.01)

Catatan:

Kami menguji jika dimana Z merupakan rangkaian yang sama dengan: (1) mROA, dan
(3) mROE; m nilairata-rata seluruh ketersidiaan observasi prusahaan-tahun untuk tiap

perusahaan dalam sampel. M|AVG_FE|i merupakan nitai rata-rata untuk

perusahaan dimana merupakan

pendapatan aktual untuk perusahaan i pada tahun t+1 dan merupakan perkiraan tahun
t+1 pendapatan tahunan untuk perusahaan i yang dibuat oleh seorang analisj; mEFFICi
merupakan nilai rata-rata EFFICit untuk perusahaan i; EFFICit merupakan pengukuran
efisiensi operasional untuk perusahaan i tahun t yang dikalkulasi menggunakan batasan
produksi efisien yang dihitung menggunakan data dari tahun t laporan keuangan untuk
perusahaan i dan kompetitornya; mROAi merupakan rata-rata ROAit: ROAit merupakan
kembalian aset untuk perusahaan i tahun t; mAROA, merupakan rata-rata industri yang
disesuaikan ROAit; ROAit merupakan kembalian aset untuk perusahaan i i tahun t; mROEi
merupakan rata-rata ROEit; ROEit merupakan kembalian ekuitas untuk perusahaan i tahun t;
mSIZE, merupakan rata-rata SIZEit; SIZEit merupakan kapialisasi pasar pada perusahaan i
tahun t; mEPS_STD; merupakan rata-rata EPS_STDit: EPS_STDit merupakan deviasi standar
pada EPS tahunan pada database IBES pada lima tahun awal untuk perusahaan i tahun t; dan
IDp yakni merupakan rangaian variabel boneka industri sama dengan satu untuk perusahaan
pada industri p (tiap dia digit kode SIC) dan sama dengan nol secara kebalikan. Nilai ap untuk
tes one-tailed/satu pengikut pada signifikansi dimana tanda diprediksi, kalu tidak dua-
pengekor/two-tailed.

Tabel IV analisis regresi OLS (ukuran sampel = 611 perusahaan)

Hasil ini menjelaskan bahwa analis bertindak seolah-oleh mereka menggunakan pengetahuan
industri yang luas menurut proses produksi dan efisiensi operasional untuk perkiraan
pendapatan yang lebih akurat. Untuk yang terakhir, analis nampaknya bisa menggunakan
laporan keuangan untuk mengembangkan informasi pada efisiensi operasional perusahaa yang
lebih ekstensif dibandingkan rasio akuntansi sederhana.

6. Kekohan

Kami menunjuan beberapa sensitivitas tes untuk membuat kekokohan pada hasil. Kesimpulan
dari hasil-hasil kami yang dilaporkan pada tabel IV tidak diubah menggunakan spesifikan
alternatif ini: (1) kuadrat terkecil tertimbang (WLS): kami mengestimasi kembali semua regresi
yang dilaporkan pada paper ini menggunakan WLS, dimana jumlah observasi yang tersedia
untuk tiap bentuk variabel pembobotan (Kmenta, 1997, ha; 368); (2) variabel penskalaan;
dalam analisis kami AVG_FE diskalakan oleh nilai absolut pada EPS aktual. Kami juga
melakukan analisis penskalaan kami dengan harga saham di akhir fiskal tahun t -1, dan
menggunakan AVG_FE yang tidak berskala; (3) Regresi peringkan: kami mengestimasi
kembali model kami menggunakan spesifikasi regresi ranking daripada OLS; (4) Spesifikasi
yang berbeda pada ROA: kami juga menggunakan jumlah spesifikasi yang bebeda pada ROA
(contohnya, penskalaan dengan rata-rata total aset anatara permulaan dan akhir tahun fiskal);
(5) periode sampel perkiraan alternatif: kami juga melakukan analisis kami menggunakan
sampel pada revisi perkiraan yang dibuat setelah pengumuman pendapatan triwulan kedua dan
ketiga untuk tahun t+1 dan menggunakan perkiraan yang tidak dibuat langsung setelah
pengumuman pendapatan sementara.

7. Kesimpulan

Penelitian ini membandingkan hubungan antara kesalahan perkiraan absolut analis dan
pengukuran yang berbeda pada efisiensi operasional perusahaan. Kami mengembangkan
empat pengukuran pada efisiensi operasi perusahaan - pengukuran berbasis frontier (EFFIC)
dan tiga akuntansi pengukuran berbasis rasio (ROA, AROA dan ROE). semuua empat
pengukuran itu dikembangkan menggunakan informasi dari laporan keuangan perusahaan.
Kami menguji jika pengukuran berbasis frontier pada efisiensi lebih kuat dihubungkan secara
negatif dengan kesalahan perkiraan absolut analis dibandingkan tiap tiga rasio tolak
ukur/bechmark.

Penelitian kami berdasarkan gagasan bahwa perusahaan yang lebih efisien memiliki
pendapatan yanglebih stabil, jadi analis harus membuat kesalahan absolut yang lebih kecil
apakah mereka bisa menjelaskan perusahaan yang mana yang lebih efisien. Dibawah asumsi
bahwa analis berusaha meminimalisir kesalahan perkiraan absolut mereka, kami
mengharapkan bahwa analis dengan pengetauan yang lebih baik mengenai efisiensi operasi
perusahaan akan menggunakan pengetahuan ini untuk memperkirakan lebih akurat, yakni
untuk mengurangi esalahan absolut mereka. Kami menjelaskan bahwa pengukuran berbasis
frontier lebih canggih dan proksi untuk tingkat kecanggihan yang lebih pada pengetahuan
industri. Perbandingan kami pada pengukuran efisiensi yang berbeda ini, tes-tes yang mana
yang proksinya lebih baik untuk analis gunaan saat mereka emperkirakan pendapatan. Kami
menjelaskan bahwa perbandingan ini memberikan bukti mengenai seberapa canggih analis
pada penggunaan informasi dari laporan keuangan perusahaan.

Hasil kami mendukung pandangan bahwa analis bisa melakukan analisis yang cukup
canggih pada data yang ada pada laporan keuangan perusahaan, setidaknya itu menjelaskan
pengertian efisiensi operasional perusahaan. Selain itu, ini penting bahwa pengukuran efisiensi
berbasis frontier yang lebih menjelaskan lebih baik asumsi kesalahan perkiraan analis dengan
pengetahuan cukup detail pada fungsi produksi industri dan hubungan industri antara input dan
output. Hasilnya menunjukajan keuntungan untuk investor dari pengetahuan industri analis.
Sedangkan ada spesialisasi industri yang ditandai antar analis, penelitian sebelumnya tidah
menunjukan keuntungan jelas untuk investor dari pesialisasi industri ini mengenai analis.

Catatan

1. Contohnya, hanya memilih perkiraan pada pendapatan tahunan untuk 1997 dari file detail
IBES, kami menemukan bahwa tahun 1997 IBS melacak 4753 analis yang memperkirakan
untuk 6171 perusahaan. Rata-rata jumlah perusahaan yang diikuti tiap analis sebanyak 10
(12,78). meskipun 6171 perusahaan yang berbeda ini tersebar sampai 70 dua digit kode
SIC yang berbeda, nilai tengah ada dua digit kode SIC yang menunjukan tiap analis yang
mengikuti perusahaan hanya berjumlah dua. Selanjutnya, lebih dari 75% analis hanya
mengikuti perusahaan dari empat atau kurang dari dua digit kode SIC.

2. Bukti terbaru mendukung asumsi bahwa analis berusaha untuk memperkirakan secara
akurat dan memiliki insentif untuk meminimalkan kesalahan perkiraan (Mikhail et al.,
1999). Peringkat tahunan analis menggunakan akurasi perkiraan sebagai salah satu kriteria
untuk memilih analis terbaik (lihat Investor Institusional, 2000; dan Wall Street Journal,
2001). Dalam kasus peringkat survei tahunan Wall Street Journal, peringkat tersebut
semata-mata didasarkan pada keakuratan perkiraan penghasilan analis.

3. Perusahaan individual dan konsultan industri menggunakan pendekatan evaluasi kinerja

relatif dalam industri ini untuk mengukur peringkat kinerja objektif dalam industri (Berger
dan Humphrey, 1997).

4. Berger et al., (1993) berpendapat bahwa hubungan ini konsisten dengan perusahaan yang
lebih efisien menghindari proyek berisiko untuk menghindari kemungkinan
membahayakan posisi mereka yang relatif lebih menguntungkan.

5. Kami menggunakan periode sampel lima tahun karena penelitian sebelumnya

menunjukkan bahwa skor efisiensi bervariasi sepanjang waktu, dan sebagai hasilnya,
DeYoung (1997) merekomendasikan penggunaan periode sampel sekitar enam tahun
dalam studi efisiensi. Jika terlalu lama periode sampel dipilih, konsep 'efisiensi rata-rata
perusahaan' kehilangan artinya. Ini muncul karena faktor-faktor lain seperti manajemen,
teknologi, dan / atau lingkungan peraturan dapat berubah dari waktu ke waktu dan juga
mempengaruhi stabilitas langkah-langkah efisiensi yang dirata-rata. DeYoung (1997)
 menunjukkan bahwa menggunakan periode sampel sekitar enam tahun meringankan
kekhawatiran ini.

6. Jendela prakiraan 30 hari yang pendek mengontrol kemungkinan efek pengganggu

residual perkiraan (Brown dan Han, 1992). Selain itu, untuk menargetkan analis aktif,
kami hanya memilih perkiraan yang merupakan pembaruan dari perkiraan sebelumnya,
yang dikeluarkan dalam periode 60 hari sebelum. Pengumuman pendapatan kuartal
pertama di tahun ke-1 oleh analis individu yang sama, karena analis ini cenderung menjadi
'penggembala' (Barron dan Stuerke, 1998).

7. Dalam kasus yang jarang terjadi di mana beberapa prakiraan tersedia dari analis yang sama
di jendela prakiraan 30 hari setelah pengumuman pendapatan kuartal pertama, hanya
prakiraan terakhir yang dipilih.

8. Selain itu, kami hanya menyertakan perusahaan dari industri dengan data yang cukup
untuk menghitung skor efisiensi yang dibutuhkan. Beberapa industri pada tahun-tahun
tertentu tidak dapat dimasukkan karena ketidakmampuan perkiraan fungsi produksi
spesifik industri untuk bertemu, terutama ketika ada sejumlah kecil perusahaan dalam
industri tersebut. daripada mengesampingkan aturan konvergen yang ketat, semua industri
non-konvergen ditinggalkan dari sampel untuk menghindari kemungkinan masalah
spesifikasi model.

9. Spesifikasi translog digunakan sebagai preferensi terhadap spesifikasi Cobb-Douglas.

Tidak seperti spesifikasi Cobb-Douglas, spesifikasi translog fleksibel karena
memungkinkan untuk karakteristik skala yang tidak seragam, dan tingkat substitusi di
antara input yang tidak terbatas pada kesatuan.

10. Karena biaya dan pendapatan perusahaan besar diharapkan lebih besar daripada
perusahaan kecil, kesalahan acak perusahaan besar akan memiliki varian yang lebih besar
tanpa normalisasi. Ini merupakan pertimbangan penting karena istilah efisiensi (dalam)
berasal dari residu gabungan. Tanpa normalisasi yang tepat, efek ini dapat menyebabkan
varians dalam istilah ini bergantung pada ukuran perusahaan.

11. Kami juga menggunakan penduga WLS menggunakan jumlah pengamatan perusahaan-
tahun per perusahaan sebagai variabel bobot. Kesimpulan kami tidak berubah
menggunakan spesifikasi alternatif ini.

12. Ini adalah keuntungan terbesar dari pendekatan perbatasan stokastik. Tak satu pun dari
teknologi lain yang mengakomodasi faktor-faktor (acak) yang tidak dapat dikendalikan.
 Selanjutnya, pendekatan ini bersifat stokastik yang memungkinkan peneliti untuk
membuat kesimpulan statistik berdasarkan hasil.

13. Asumsi distribusi ini dapat dilonggarkan jika seseorang dapat menggunakan data panel
untuk memperkirakan langkah-langkah inefisiensi untuk setiap produsen (Greene, 2000).

DAFTAR PUSTAKA

Apendiks: Metodologi frontier Stokastik

Metodologi frontier stokastik berasal dari model efisiensi ekonometrik yang dikembangkan
oleh Aigner et al. (1977) dan dikembangkan lebih lanjut oleh Jondrow et al. (1982). Metodologi
ini mengambil fungsi obyektif, memperkirakan batas praktik terbaik berdasarkan variabel yang
dipilih, dan kemudian memberikan ukuran inefisiensi spesifik perusahaan dari penguraian
istilah residual. Fungsi objektif dapat ditulis, dalam bentuk singkat, seperti:

Y ¼ f ðX; Þ þ e ðA1Þ

di mana Y adalah output maksimum yang dapat dicapai dari vektor input (X) yang diberikan,
adalah vektor parameter yang diestimasi, dan e istilah kesalahan komposit yang terdiri dari dua
komponen. Pembenaran untuk spesifikasi istilah kesalahan ini adalah bahwa perusahaan
berbeda satu sama lain dalam hal tujuan mereka karena: fluktuasi acak seperti keberuntungan,
iklim, kinerja mesin, dll. Dan kemampuan mereka untuk mengikuti praktik terbaik industri
[12]. Karenanya e terurai sebagai berikut:

e¼vþw ðA2Þ

di mana v mewakili gangguan karena peristiwa yang tidak terkendali, dan w penyimpangan
yang disebabkan oleh faktor-faktor yang dapat dikendalikan. Misalkan Y * menjadi output
maksimum (penjualan dalam penelitian ini) yang dapat diproduksi dengan input X1, X2, dan
X3 (harga pokok penjualan, biaya umum dan administrasi, dan modal fisik, masing-masing).
Y * adalah fungsi tujuan perbatasan yang parameternya, vektor, diperkirakan dari pengamatan
Y, dan X yang diberikan. Karena fungsi perbatasan diasumsikan stokastik, daripada
deterministik, Persamaan (A1) menjadi:
 Y¼Y þw ðA3Þ
Dimana:

Y ¼ f ðX; Þ þ v ðA4Þ

Dalam persamaan di atas, v mengasumsikan fluktuasi acak (baik negatif dan positif), tetapi w
hanya mengasumsikan nilai negatif. Karena peristiwa eksternal dapat bersifat menguntungkan
dan tidak menguntungkan, mereka dapat meningkatkan atau menurunkan output dan akibatnya
diasumsikan diambil dari distribusi dua sisi (biasanya normal). Di sisi lain, inefisiensi hanya
menurunkan output atau menambah biaya dan dianggap berasal dari distribusi satu sisi
(biasanya setengah normal). Karena komponen inefisiensi, w, tidak dapat diamati secara
langsung, maka harus diperoleh dari estimasi e, yang jelas mengandung informasi tentang w.
Solusinya mempertimbangkan distribusi kondisional dari w, diberikan e (w | v þ w). Untuk
melakukan ini, pertama, kepadatan bersama w dan ditulis sebagai produk dari kepadatan
masing-masing. Karena e didefinisikan sebagai jumlah dari dua istilah kesalahan ini, kerapatan
sambungan ini awalnya diubah menjadi kerapatan sambungan e dan w, dan kemudian menjadi
kerapatan e dengan mengintegrasikan w. Distribusi kondisional dari w, kemudian, diberikan
sebagai rasio kerapatan sambungan e dan w terhadap kerapatan e (lihat Maddala, 1977;
Lampiran Jondrow et al., 1982, untuk perhitungan terperinci). Mean atau mode distribusi ini
digunakan sebagai estimasi titik ukuran inefisiensi spesifik perusahaan w. Jondrow et al. (1982)
memberikan ekspresi untuk estimasi titik ini dengan asumsi distribusi setengah normal untuk
wi sebagai berikut [13]:

A
Ew e fð = Þ 5
jÞ
ð ¼ þ 1 Fð = Þ ð Þ

Dimana:
2 2 2 2 2 2 2 2 2
¼ we= ; ¼ w þ v; and ¼ w v=

dan f dan F masing-masing mewakili fungsi kepadatan normal dan kepadatan kumulatif
standar. Karena fungsi likelihood yang digunakan untuk mendekomposisi istilah kesalahan
mengevaluasi f dan F pada titik di mana = w / v, * / * dalam persamaan (A5) menjadi e /, dan
kita mendapatkan:

jÞ
ð ¼ 1 ðF e = ð Þ
f e=Þ e A
Ew e 6
ð Þ

Fungsi produksi, didefinisikan dalam persamaan (5) diperkirakan untuk setiap tahun industri
dalam sampel kami yang memberikan residu spesifik perusahaan (e diperkirakan
menggunakan persamaan (5)). Kesalahan ini kemudian didekomposisi menjadi komponen
spesifik perusahaan (w) dan acak (v) menggunakan estimator kemungkinan maksimum (A6).
Ukuran inefisiensi spesifik perusahaan ini (w) kemudian diubah menjadi ukuran efisiensi
spesifik perusahaan yang lebih menarik (yang kami beri label EFFIC). Transformasi ini
dilakukan dengan menggunakan algoritma Battese and Coelli (1988) untuk kasus fungsi
produksi logaritmik, seperti yang digunakan di sini. Khususnya, untuk kasus fungsi produksi
logaritmik, Battese dan Coelli menetapkan ukuran efisiensi spesifik perusahaan (EFFIC)
sebagai:

expðxi þ vi
EFFI wi Þ A
C 7
i ¼ expðxi þ viÞ ð Þ
dimana estimasi fungsi produksi perusahaan pada keadaan tidak efisiendibandingkan dengan
estimasi fungsi produksi perusahaan jika tingkat inefisiensi spesifik perusahaan (wi) adalah
nol. Ukuran ini, menurut desain, memiliki nilai antara nol dan satu. Sebagai contoh, jika ukuran
efisiensi perusahaan adalah 0,70, ini menyiratkan bahwa perusahaan menyadari 70 persen dari
produksi yang mungkin untuk perusahaan yang sepenuhnya efisien beroperasi di bawah
kondisi yang sama (Battese dan Coelli, 1988).