製藥公司藥品許可證、研發與分析...

ISSN 1023-2842 中山管理評論 2017 年六月號第二十五卷第二期 p.291-336 DOI: 10.6160/2017.06.01

～291～

製藥公司藥品許可證、研發與分析

師盈餘預測關聯性之研究

Drug Permit License, Research and Development, and Analyst’s Earnings Forecasts: A Study of

Pharmaceutical Firms

陳光政 Guang-Zheng Chen

逢甲大學會計系 Department of Accounting,

Feng Chia University

紀信義*Hsin-Yi Chi 國立中興大學會計系

Department of Accounting, National Chung Hsing University

本文引用格式建議：陳光政、紀信義，2017，「製藥公司藥品許可證、

研發與分析師盈餘預測關聯性之研究」，中山管理評論，25 卷 2 期：

291~336。

Suggested Citation: Chen, G. Z. and Chi, H. Y., 2017, “Drug Permit License,

Research and Development, and Analyst’s Earnings Forecasts: A Study of

Pharmaceutical Firms,” Sun Yat-sen Management Review, Vol. 25, No. 2,

291-336.

*

通訊作者：紀信義，國立中興大學會計系，402 台中市北區國光路 250 號，TEL：04-22840828-676，E-MAIL：[email protected]。陳光政，逢甲大學會計系，TEL：04-24517250-4224，E-MAIL：[email protected]。作者感謝兩位匿名評審委員之寶貴意見，以及科技部專題研究計畫之經費補助(計畫編號：MOST 102-2410-H-035-052）。

製藥公司藥品許可證、研發與分析師盈餘預測關聯性之研究

～292～

摘要

本研究調查 R&D(研究與發展)資本對創新產出(以藥品許可證件數衡量)

的影響。本研究亦檢測是否藥品許可證會影響分析師盈餘預測的特性。再

則，本研究檢測是否資訊透明度會影響藥品許可證與分析師預測特性之間的

關聯性。本研究以 2003-2011 年之台灣上市製藥公司為研究對象，實證發現

R&D 資本對藥品許可證有正向的影響性。本研究進一步發現公司有較多的藥

品許可證件數時，分析師的盈餘預測精確度愈差且離散度愈大。最後，本研

究證實公司有較高的資訊透明度，能改善高藥品許可證件數所產生之不精確

與離散的分析師預測。

關鍵詞：研發、藥品許可證、資訊透明度、分析師盈餘預測

Abstract

This study investigates the impact of R&D (research and development)

capital on innovation output, as measured by the number of drug permit licenses.

We also examine whether drug permit license affect the properties of analysts’

earnings forecasts. In addition, we examine whether information transparency

affect the relation between drug permit license and analysts’ forecast properties.

On the basis of a sample of listed Taiwanese pharmaceutical firms from 2003 to

2011, we find that R&D capital has a positive effect on drug permit license. We

further find that firms with higher number of drug permit licenses are associated

with less accurate and more dispersed analysts’ earnings forecasts. Finally, we

document that firms with higher level of information transparency can improve

the analysts’ forecast inaccuracy and dispersion associated with higher number of

drug permit licenses.

Keywords: R&D, Drug Permit License, Information Transparency, Analysts’

Earnings Forecasts

中山管理評論

～293～

壹、緒論

製藥產業是屬於高研發密集度的產業，而研發投資經常具有高風險、長

期導向與未來獲利之不可預測等特性，且在現行的會計準則規範下，多數的

研發投資於發生當時即被認列為費用 (Yang, 2007)。僅管如此，研發投入仍

是企業追求成長與發展競爭優勢的重要來源 (Daum, 2003)。對於需耗費如此

巨額研發資金的產業而言1，無非期望能於未來推出具有市場競爭力的產品，

以提昇企業的經營績效。根據現行法令的規範，製藥廠商需取得衛生主管機

關核發之藥品許可證，才得以進行藥品的產製與銷售2, 3，而藥品許可證除為

無形資產的一環外，亦代表該藥品的品質、安全與療效。故藥品許可證此一

議題有助於了解製藥產業於資本市場研究上所扮演的角色。本文首先探討企

業的研發資本與藥品許可證之間的關聯性。另外，過去研究指出，無形資產

的資訊具有高度的複雜性，且經常造成管理階層與外部投資人間的資訊不對

稱 (Barth et al., 2001; Wyatt, 2005)，而這樣的特性也經常增加分析師預測任務

的困難度 (Barron et al., 2002)，因此，本文接續探討是否藥品許可證會影響

分析師的盈餘預測特性。再則，企業資訊揭露的程度也會影分析師的預測行

為 (Lang & Lundholm, 1996; Hope, 2003a, 2003b; Chang et al., 2014; 王曉雯

1 實務上亦可見單例佐證(anecdotal evidence），例如，「…目前國內主要研發新藥的生技公司大多虧錢，但股價都遠高出淨值數倍，其中，真正完成 FDA 臨床二期的只有中裕新藥(即宇昌）(4147）的愛滋新藥 TMB355，目前進度最快，正找尋臨床試驗第三期的合作夥伴，有機會成為台灣第一個通過 FDA 認證的新藥。…研發新藥是一條相當辛苦且不一定成功的路，國內幾家研發新藥的公司，如果不找其他獲利來源，恐怕新藥還沒研發出來，公司資金早就燃燒殆盡。但因為生技新藥夢還是很美，如果真的研發成功，價值說不定高達數億美元…」(自由電子報，民國 101 年1 月 9 日）、「台灣研發中藥新藥有成，首件由台灣自行研發的中藥新成藥今天核發藥品許可證。…衛生署中藥委員會主委黃林煌介紹新中藥，藥名為「化療漾」，是由有機大豆發酵的內服液。藥品開發時間長達 14 年，耗資數十億，終於在今年開發完成。最特別的是藥品是從研發、原料到臨床實驗，完全都由台灣人所完成。」(台灣醒報，民國 100 年 12 月 21 日）

2 根據藥事法第三十九條之規定：「製造、輸入藥品，應將其成分、規格、性能、製法之要旨，檢驗規格與方法及有關資料或證件，連同原文和中文標籤、原文和中文仿單及樣品，並繳納費用，申請中央衛生主管機關查驗登記，經核准發給藥品許可證後，始得製造或輸入。」

3 根據醫藥產業年鑑 2011 統計資料顯示，至 2010 年底，我國之藥品許可證共計27,168 張，其中學名藥計有 22,857 張(占總藥品許可證之 84%)，其餘分別為原料藥計有 2,318 張、新藥計有 1,649 張、生物藥品計有 309 張、罕見疾病藥品計有 35張。


～294～

等，2008)，故本文進一步探討是否製藥公司的資訊透明度，會影響藥品許可

證與分析師盈餘預測特性之間的關係。

研發活動的投入有助於創新知識的生成與知識存量的累積，故有助於創

新能力的發展 (Greenhalgh & Longland, 2005; Penner-Hahn & Shaver, 2005; 謝

存瑞等，2011)。過去有關研發活動對創新產出的實證研究普遍支持兩者的正

向關聯性4。而在製藥產業之研究方面，實證研究也發現研發資本的投入有助

於新藥品的開發與專利權的取得 (Jensen, 1987; Langowitz & Graves, 1992;

McMillan et al., 2003)。由於藥品許可證為製藥公司重要的無形資產之一，本

文預期研發投入程度愈高，亦即研發資本存量愈多的公司，其累積較多的知

識資本與創新能量，應有較多的藥品許可證件數。

另一方面，證券分析師為資本市場上重要的資訊中介者。分析師提供的

預測資訊能降低資訊不對稱 (Healy & Palepu, 2001) 與改善市場效率 (Barth

& Hutton, 2004)。雖然分析師具有專業的資訊處理能力，然而，缺乏足夠與

錯誤的資訊，以及企業未來的不確定性都將增加預測任務的困難度 (Graham

& Dodd, 2008)。而實證研究也發現預測環境的複雜度愈高，將造成分析師無

法作出精確的財務預測 (Duru & Reeb, 2002; Plumlee, 2003)。再則，當複雜的

預測環境導致分析師無法取得充份且客觀的資訊時，此時，分析師會較仰賴

私有資訊來建立個別的盈餘預測水準，因而造成不同分析師之間對於預測標

的產生不一致的情況，亦即有較大的預測離散度 (Herrmann & Thomas,

2005)。而過去亦有學者針對無形資產與分析師預測特性的關聯性進行探討。

無形資產的高不確定性、模糊的資產所有權、價值不易估計與缺乏活絡市場

的特性 (Lev, 2001)，使得分析師在面對高無形資產的公司時，必須投入較多

的時間與努力 (Barth et al., 2001)。僅管如此，決策任務的複雜度對於判斷的

品質仍具有負面的效果 (Payne et al., 1988)，實證研究也發現無形資產的高資

訊複雜度造成分析師在處理與分析資訊的困難度增加，而此一資訊上的風險

也造成預測精確度的降低(預測誤差的增加)與離散度的增加 (Barron et al.,

2002; Gu & Wang, 2005; Gu & Li, 2010)。由於製藥公司的藥品許可證代表產

製與銷售藥品的條件，而是否能於未來帶來實質的獲利，其攸關藥品的市場

競爭力，故分析師在面對此一無形資產的資訊複雜度時，將增加處理與分析

資訊的成本，而降低預測的精確度，且增加分析師之間的預測離散度。然

4 例如，Griliches (1986)、Cardinal & Hatfield (2000)、Hall & Sharmistha (2002)、

Peeters & van Pottelsberghe de la Potterie (2006) 等。

中山管理評論

～295～

而，藥品許可證的取得，就研究發展的階段而言，其相關的研發風險應已相

對降低，且技術可行性的程度應相對較高，故分析師對於取得較多藥品許可

證的公司應會給予正面的評價，因而作出精確且一致性的預測。因此，本文

預期藥品許可證應與分析師的預測特性具有關聯性。

由於企業公開揭露的資訊愈充足，分析師藉由其他管道獲取私有資訊的

誘因與成本也較低 (Lang & Lundholm, 1996)，因此當分析師有較多的可用資

訊量時，其在判斷標的證券的未來盈餘趨勢上會較為準確，且分析師之間的

不一致情況也較低。實證研究也發現分析師對於資訊揭露愈透明的公司有較

高的意願進行預測(分析師追隨人數愈多)、較小的預測誤差(較高的預測精確

度)或預測離散度5。因此，本文假定，資訊透明度愈高的公司，由於分析師

進行預測時的可用資訊量較多，其預測能力受無形資產之資訊複雜度的限制

將獲得減緩。故預期資訊透明度愈高，將有助於改善藥品許可證對於分析師

預測特性(精確度與離散度)的不利效果。

本文以我國 2003-2011 年之上市（櫃）製藥公司為研究對象，實證結果

指出研發資本存量與藥品許可證總件數呈正向關聯性。再則，藥品許可證總

件數愈多的公司，其分析師盈餘預測精確度愈差且分析師之間的盈餘預測離

散度愈大。最後，本文亦發現資訊透明度愈高的公司，有助於提昇藥品許可

證與分析師預測特性的關聯性，亦即公司擁有的藥品許可證件數愈多，其資

訊透明度愈高時，分析師預測愈精確且離散度愈低。

本文預期貢獻如下，首先，過去有關研發投入與創新產出（例如，專利

權）的文獻皆證實兩者的正向關聯性，而少有研究以藥品許可證為創新產出

的衡量標的。專利的審查旨在確保該發明是否具有保護的價值，而專利權也

代表企業獨特的技術能力與知識資產。然而，經衛生主管機關檢驗核可而取

得許可證之藥品，所代表的是藥品的品質與安全性，對國人的健康安全有其

重大意義。對製藥廠商而言，在獲取專利與藥品許可證上並無必然的關聯

性，僅管開發新藥（新成份新藥）並取得專利權有助於藥廠回收鉅額的研發

投入資金，然而，學名藥（即專利過期藥）相對較低的投入成本仍是許多藥

廠生產規劃的重點，特別是我國健保給付的藥品中有約七成的比例為學名

5 例如，管理階層討論與分析(Management’s discussion and analysis，MD&A）報告

(Barron et al., 1999)、年報揭露水準 (Lang & Lundholm, 1996; Hope, 2003b)、會計政策 (Hope, 2003a)、前瞻性(forward-looking)非財務資訊 (Vanstraelen et al., 2003)、公司治理 (Yu, 2010) 等資訊的揭露程度。


～296～

藥，再加上近期許多國際藥廠之藥品專利保護期陸續屆滿，無疑提供我國製

藥廠商許多未來的營運空間。由於藥品許可證的審核包含多項的實驗性數據

與藥品品質的管控，這些都是需要持續性的研發投入，才得以獲得主管機關

的核可而取得藥品許可證，故本文對於創新投入-產出關聯性之研究有其增額

貢獻。其次，生技醫藥產業包含製藥、應用生技與醫療器材產業，其中就屬

製藥產業的產值最大。僅管該產業的高技術與知識密集型態為產品帶來較高

的附加價值，但也由於研發新藥的高風險與不確定性，使得製藥產業的獲利

具有高度的波動性。Barth et al. (1998) 的研究也指出製藥產業具有高度的不

可預測性與波動性，除存有大量未認列之無形資產外（研究發展支出），其產

品具有專屬性且不可移轉，故其價值較不易被估計。過去有關無形資產與分

析師預測特性的研究多以研發支出、廣告支出、專利權、帳列無形資產為探

討對象 (Barron et al., 2002; Gu & Wang, 2005)。本文係國內首篇以製藥產業的

藥品許可證，此一獨特的無形資產資訊作為研究課題，除在議題上具有獨特

性與重要性外，亦可部份印證先前文獻的論點，並對無形資產的研究提供增

額之貢獻。第三，由於企業與外部人士經常存在高度的資訊不對稱，而過去

許多學者也致力於研究企業資訊揭露程度與分析師預測特性的關聯性 (Lang

& Lundholm, 1996; Hope, 2003b; Chang et al., 2014)，然而，卻少有研究以藥

品許可證所引發的潛在資訊複雜度為主題，來探討是否資訊透明度能改善藥

品許可證對分析師預測任務的不利效果，本文之結果也對資訊透明度的研究

提供進一步的貢獻。再則，由於製藥乃是目前台灣政府積極推動產業升級的

重點產業之一，然而，相較於其它產業，其不可預測與高風險的特性對於製

藥公司的籌資產生很大的影響，倘若能透過管道進一步加強公司的資訊揭露

（例如，法說會或邀請分析師進行訪談）將有助於資本市場的籌資。最後，

過去有關分析師預測的研究多以美國為主軸，雖然，我國資本市場的規範相

較美國較不明確且由於市場小、法人投資相對偏低，本文的實證意涵可能較

無法推論至已開發的經濟體系，然而，本文的實證結果在提昇國內本土分析

師預測的研究上應有所助益6。

6 例如，程心瑤、蔡宜芬 (2006) 以 Ohlson 模型為架構，研究發現分析師對於當年度所作的最後一次盈餘預測，其對股價的解釋能力優於管理當局的財務預測，且此一情況在大公司較為普遍。賴紀誠等 (2011) 探討分析師盈餘預測與所屬券商自營部門的股票操作策略，實證研究發現券商自營部門會在分析師發佈樂觀盈餘預測前先買入標個股，且於發佈後進行大量的賣超策略；相反的，對於悲觀預測的個股，則於預測發佈後進行買超的策略。另一方面，陳瑞斌等 (2006) 探討公司治理機制

中山管理評論

～297～

本文後續架構如下：第貳節為我國製藥產業現況與相關文獻的探討，第

參節為研究假說的發展，第肆節為實證模式的建立，第伍節則為樣本與實證

結果的分析，最後則是本文結論。

貳、台灣製藥產業與文獻回顧

一、台灣製藥產業

我國行政院於 2009 年啟動「台灣生技起飛鑽石行動方案」，其旨在整合

產業價值鏈與強化產業的研發能量，以及成立創投基金、育成中心與食品藥

物管理局。而 2011 年更是陸續通過「衛生福利部食品藥物管理署組織法7」、

成立「台灣生技創投基金（Taiwan Medtech Fund, TMF）」以及「台灣生技育

成中心（Supra Integration & Incubation Center, Si2C）」，以期能解決生技產業

於發展階段所遇到的問題並提高競爭力。製藥產業是屬於生技醫藥產業的一

環。根據「經濟部生技醫藥產業發展推動小組」的統計資料顯示，2011 年製

藥產業的營業額與國內市場需求分別為 739 億與 1,437 億元，佔整體生技產

業之 31%與 43%。有別於其他產業，製藥產業具有下列的特性：(1)研發密集

度高、產品開發期間長、投資成本高、產業風險高與獲利回收期間長；(2)產

業分工與結構複雜且經常橫跨不同領域；(3)產品上市審核與醫療衛生法規的

規範相對嚴格。一般而言，藥品可以依其專利與生產技術分成新分子藥物

（New Molecular Entities, NMEs）、類新藥（Me too NMEs）、生技藥品

（Biological Drugs）與學名藥（Generic Drugs）四種8。由於平均開發一項新

對分析師預測特性的影響，實證結果發現當控制股東的控制能力愈強時，將導致資訊可靠度的降低，而造成分析師預測誤差變大且分析師之間的預測離散性愈大。林美鳳、陳虹吟 (2011) 則發現投資人的情緒波動愈大時，分析師預測的精確度愈低。而 Chang et al. (2014) 研究指出企業資訊揭露的透明度愈高，有助於提昇分析師的預測能力，同時改善分析師的預測誤差與離散度。

7 原名為「行政院衛生署食品藥物管理局組織法」，已於 2013 年 6 月 19 日廢止並更

名。 8 新分子藥物（新成分新藥），俗稱全新藥，係透過化學合成的方式從完全新穎的藥物標的所發展出來的新藥。類新藥，即仿效藥（同質藥），廠商根據市面上的暢銷藥品所製成的同類（質）藥品，亦即對既有的創新加以改良，可說是一種新版的舊藥。生技藥品，係以生物為來源或使用生物科技所開發的藥物。學名藥，又名非專利藥，係指原廠藥的專利過期後，其他藥廠依原藥廠申請專利時所公開的資訊，生產相同化學成分的藥品。


～298～

藥物需投入 7 至 12 年，並耗資約 2 億至 3.5 億美元 (蘇友珊、吳豐祥，

2015)，因此，國內許多藥廠致力於專利過期藥物(即學名藥)的生產與銷售9。

然而，學名藥的低技術門檻與健保核價制度，經常壓縮藥商的利潤空間。因

此，國內許多生技製藥公司仍致力於新藥的開發，因為一旦開發成功，除可

取得獨家的產銷專利外，亦可為公司帶來營收上的挹注10。

一般而言，藥廠在開發新成份新藥時，相關的專利與許可證的申請程序

大致如下：首先，完成醫藥品的結構發明，並向經濟部智慧財產局申請專利

且獲核准後，接著進行臨床試驗，最後，經衛生福利部食品藥物管理署審核

且獲核准後，才會發給上市許可證。對藥廠而言，藥品專利能保障其資金收

益，而藥品許可證則能保障藥品的品質安全及療效。

專利審查的目的旨在確認該發明是否具有專利保護的價值。有關醫藥相

關發明在申請專利時，僅需於說明書中提供相關的實驗數據。然而，專利法

或審查基準中並未限定需提出何種實驗數據的種類或模式，亦即，並未限定

需提出人體臨床試驗，其他的實驗室體外試驗或動物實驗亦可用來證明發明

之功效（需視具體個案決定）。而有關藥品許可證的申請，則需受藥品查驗登

記審查準則的規範。當中有關新藥審查的要項包含化學製造管制、毒（物）

理試驗、臨床試驗、藥物動力學等，而是否需具備專利要件並非審查的重點

與目的。相反地，上述的審查要項也並非專利審查的必要項目。故申請專利

之醫藥發明僅需符合專利法規定，具有專利保護價值即可獲准專利，而是否

該發明具備安全、療效與品質，並保障人民的健康並非專利審查的目的，此

與藥品核准上市的程序無關。因此，取得專利的藥品並非絶對能獲得藥品查

驗登記的許可，進而取得藥品許可證在市場上銷售。當然，具備藥品許可證

之藥品也並不以取得專利為前提，其兩者無必然的關聯性。

9 根據中華民國學名藥協會（Taiwan Generic Pharmaceutical Association, TGPA）之統計資料顯示，台灣學名藥市場的平均複合成長率達 4.8%，且我國健保局所給付的藥品使用量中高達 70%為學名藥。另外，根據美國寰宇藥品資料管理公司（IMS Institute for Healthcare Informatics, IMS Health）所發佈的研究報告顯示，隨著原廠藥專利陸續到期，預估至 2015 年新興市場將有 80%的醫療花費投入於學名藥，此為學名藥的供應鏈帶來許多市場商機。

10 實務上之單例佐證（anecdotal evidence）如下，「…營運表現突出的健喬(4114），自 2005 年起持續投入新藥領域發展。包括攝護腺專利新藥「優列扶」、心血管新藥「康你爾」、澳洲「選擇性體內療法－釔 90 微球體」代理均已領證上市，在多項新藥佈局均已陸續開花下，也推波該公司前 9 月營收 7.17 億元，年增率也達16.87％。…」。（工商時報，民國 101 年 10 月 20 日）

中山管理評論

～299～

二、資訊與分析師預測

分析師的專業乃是針對標的證券進行研究，並於資本市場中扮演資訊傳

遞者的角色 (Barron et al., 2002)。分析師通常聚焦於特定的產業與公司，因

此，他們擁有豐富的產業特定(industry-specific)與公司特定（firm-specific）

知識 (Schipper, 1991)。分析師通常對於其所追蹤的標的個股會提出詳細的研

究報告，而這些報告除了整合公司的財務資訊外，亦包含了企業經營管理與

產業面的訊息，同時，這些資訊也會促使分析師對預測標的有更前瞻性的看

法 (Coffee, 2006)。再則，同業的競爭也有助於提高分析師專注於本業的誘

因，並作出精確的財務預測 (Mikhail et al., 1999)。而分析師所屬的行業特

性，其在收集、傳遞與解釋資訊上有較強的網絡關係，分析師也能從中學習

資訊處理的能力 (Jacob et al., 1999)。

而過去有學者主張分析師是良好的資訊處理者 (Barron et al., 2002; Gu&

Chen, 2004; Bradshaw et al., 2006)。因為分析師除公開取得的資訊外，亦會透

過其他管道以進一步獲取私有的專屬資訊來發展成個人的專業見解。然而，

此一資訊處理的假設卻受到兩派學者的批判。首先，分析師可能會在個人道

德與野心家的利益考量上產生衝突。分析師經常持有標的公司的股份

(McTague, 2001)，且分析師傾向對他們的客戶誇大預測，以為了能替所屬的

投資銀行帶來豐厚的交易 (Dugar & Nathan, 1995)。而經驗豐富的分析師也會

有群聚效應，以避免在預測上有向下偏離（downward deviation）的情況，因

為個人在專業上的錯誤遠比整體錯誤還來得嚴重 (Clement & Tse, 2005)。

Hong & Kubik (2003) 研究發現，樂觀預測在分析師職業發展上的重要性遠遠

高於精確預測，且對於分析師所追蹤與報導的個股而言，樂觀預測顯得非常

重要。因此，分析師利益的衝突與資訊處理假設產生對立的情況。

而第二個批判的論點則是來自無形資產資訊的複雜度。而此一複雜度主

要係源自於無形資產的固有風險（inherent risk）與會計準則的規範。固有風

險是指在創新過程中的投資具有高度的不確定性，且相較於有形資產，無形

資產的所有權較不明確 (Lev, 2001)。再則，無形資產的價值經常不能獨立地

辨認或被特定的公司所擁有 (Basu & Waymire, 2008)。因此，固有風險使得

分析師不易了解無形資產的資訊。另外，在現行會計準則下，企業多數的無

形資產無法被資本化於財務報表中，且無形資產的相關投資需以費用化的方

式來處理，因此使得無形資產的資訊更加複雜 (Wyatt, 2005)。Barth et al.

(2001) 指出企業擁有的無形資產愈多，其與外部投資者資訊不對稱的情況愈


～300～

嚴重，且這些公司的股價無法精確的反應公司的基本價值，因此，公司有較

多的無形資產會吸引較多的分析師跟隨與投入較多的報導。然而，Barron et

al. (2002) 則進一步指出，由於高無形資產的公司其盈餘較不易預測，因此分

析師預測的一致性較低，且個別分析師的預測誤差較大。再則，Gu & Wang

(2005) 研究證實，企業所擁有的無形資產高於產業的平均水準、投資較多的

原始創新（original innovation，亦即開發出獨立且全新的技術）以及較高的

創新速度，將提高企業未來經濟效益的不確定性，分析師也因此有較大的盈

餘預測誤差。Gu & Li (2010) 實證結果亦發現，研發支出高風險的特性，將

增加企業未來盈餘的不確定性，因而造成較大的分析師預測誤差與離散度。

綜上所述，雖然分析師能藉由公開資訊與私有資訊來分析研究標的，然而，

過去研究證實了無形資產的資訊複雜度不利於分析師的預測。

三、企業資訊揭露與分析師預測

企業公開且透明的資訊，有助於投資人了解標的個股的未來發展狀況，

且在基於風險最小化與利益最大化的決策考量下，進而選定最佳的投資組合

以作為個人的投資方針，再則，透明且充份的資訊亦能提高分析師進行財務

預測的意願 (林美鳳、陳虹吟，2011)。過去研究也指出，分析師取得的資訊

愈多，亦即企業愈透明的揭露政策，有助於吸引較多的分析師進行報導，進

而改善分析師的預測精確性，且分析師之間的預測一致性也較高，亦即較低

的預測離散度。例如，Lang & Lundholm (1996) 發現公司揭露的程度愈高，

分析師有較高的預測精確度、較低的預測離散度，且預測修正的波動情況也

較少。Barron et al. (1999) 研究證實管理階層討論與分析（Management

Discussion and Analysis, MD&A）報告的評比（價）愈高，分析師的預測誤差

與離散度愈低。Hope (2003a) 實證發現會計政策的揭露水準與分析師的預測

誤差和離散度呈負相關。Hope (2003b) 則針對跨國的資料進行研究，發現年

報揭露程度與分析師預測精確性呈正相關。Vanstraelen et al. (2003) 研究發現

企業揭露愈多的前瞻性（forward-looking）非財務資訊，分析師的預測離散

度愈低且精確度愈高。Ali et al. (2005) 以產業集中度來衡量揭露的程度，發

現企業所屬的產業集中度愈高，有較少的分析師追隨、較高的盈餘預測離散

度、較大的預測誤差與預測修正波動度。Yu (2010) 研究指出企業於年報中

所揭露的公司治理資訊愈完善，分析師的盈餘預測愈精確且離散度愈低。

Chang et al. (2014) 研究亦發現企業資訊透明度愈高，有助於提昇分析師預測

中山管理評論

～301～

所需的資訊量，因此，分析師有較佳的預測精確性。整體而言，過去的文獻

顯示，透明的資訊有助於降低分析師預測任務的困難度，進而改善預測誤差

與離散的程度。

參、假說發展

企業研發活動是維持營收成長與保持競爭力的關鍵因素 (王曉雯等，

2008)，其中尤以生技製藥產業為甚 (McMillan et al., 2003)。企業持續性的創

造與累積內部知識的能力，乃是企業學習過程的一個重要因素 (Helfat &

Peteraf, 2003)。而企業也必須將其所創造的知識加以轉換為具市場導向的產

品 (Greenhalgh & Longland, 2005)。內部的研發能力，亦即研發活動的建置，

能協助企業開創與累積知識 (Penner-Hahn & Shaver, 2005)。Hall et al. (1986)

指出企業的研發投入有助於知識存量的提昇。再則，研發能力對於產品創新

所需的內部知識上具有關鍵的角色，且亦能評估內部知識的潛在可能結果

(Rosenberg, 1990)。因此，企業的研發能量是企業創新產出的一項重要預測指

標 (Cardinal & Hatfield, 2000)。過去研究廣泛的探討研發投入與研發成果的

關聯性。而這些研究普遍證實，研發支出正向的影響企業成果（corporate

outcomes）。例如，Griliches (1986) 研究發現企業致力於研發上的投入，對於

創新能力(生產力的成長)的發展有正向的幫助。

雖然製藥公司投入研發項目的風險愈高，其對經營效益的波動愈大，但

對於產品市場的競爭力具有正面的幫助，且當其業者發展出新藥品並取得上

市許可，將可以帶來可觀的利潤 (Jensen, 1987; Langowitz & Graves, 1992)。

單例佐證如下：

「國人研發中藥有成，第一件由國人自行研發的中藥藥品將於

21 日核發藥品許可證。此藥品為有機大豆發酵的內服液，由國內

藥商委託國內 GMP 藥廠製造，並經教學醫院依藥品優良臨床試驗

準則（GCP）進行臨床試驗療效評估，歷經數年時間終獲完成。該

中藥新藥查驗登記申請，經提交衛生署中藥藥物諮詢委員會決議，

同意核發藥品許可證。此中藥藥品為國內第二件經由中藥新藥臨床

試驗（IND）及中藥新藥查驗登記（NDA）通過的新藥，除代表國

內生技產業具有研發中藥新藥的能力，更顯示我國中藥的審查品


～302～

質，已能依照現代化及科學化方式進行，有助於激勵國內業者，開

創中草藥新紀元。衛生署中醫藥委員會指出，業者經過 14 年時

間、投入超過 10 億元經費研發，研發出有機大豆發酵內服液，且

經人體臨床試驗，可改善化療後疲勞與食慾不振等情況。」(參考

網址:http://www.uho.com.tw/hotnews.asp?aid=14321)

綜上所述，製藥公司的研發支出與藥品的產出有正向的關聯性。由於製

藥公司於產品研發過程充滿不確定性，其所投入之研發成本及時間居各產業

之冠，風險極高。因此，各廠商皆希望成功開發或製造之藥品能通過機關的

查驗核可，並取得藥品許可證。而當中有關藥品查驗的重點包含化學、製造

與管制的程序能否保障藥品的品質，以及多項的試驗性數據，而這些都是需

要持續性與長期性的研發投入才得以完成。因此，藥品許可證亦代表長期研

發投入的成果，且將有助於公司減少營運的不確定性，以及是否能夠大量生

產進行商業化銷售活動的之重要關鍵。故本文預期企業投入愈多的研發資

本，亦即累積愈多的研發能量與知識資產，對藥品許可證的件數應有正向的

影響性（以對立假說方式表示）。

H1：研發資本存量正向的影響藥品許可證件數。

有關影響證券分析師精確預測的因素，在過去的文獻已被廣泛的討論。

分析師有較高的盈餘預測精確度代表較容易獲得證券研究機構的評比排名

(Jackson, 2005) 與職務上的保障 (Mikhail et al., 1999)，且在工作上也較易於

被受推崇與肯定 (Hong et al., 2000)。而精確度對於券商而言，在增加客戶量

與交易量上亦具有相當重要性 (Mikhail et al., 1999)。分析師盈餘預測的精確

度取決於預測任務的困難度與複雜度 (Das et al., 1998)，而有關決策制定的研

究也發現，決策任務的複雜度不利於判斷的品質 (Payne et al., 1988)。因此，

當分析師面對高度不確定的環境時，由於可用資訊的減少，以及處理或時間

上的限制將不利於盈餘預測的精確度 (Plumlee, 2003)。

企業投資無形資產有兩個目的：發展新知識與學習關於其他同業創新的

利益 (Cohen & Levinthal, 1989)。Lev (2001) 指出相較於其他的資產類型（例

如，實體與金融資產）。，無形資產有較高的價值不確定性、模糊的資產所有

權、缺乏活絡的市場且大部份的無形資產缺乏可靠的價值估計。而 Hirschey

et al. (2001) 也指出專利權本身無法與企業的未來績效作連結，原因在於專利

中山管理評論

～303～

權的經濟價值變化相當大。由於無形資產對盈餘的貢獻缺乏明確的資訊，隱

含分析師有較強的市場誘因去針對高無形資產的公司提供附加價值的資訊。

實證研究也發現分析師對於擁有較多無形資產的公司，其所投入的努力與報

導程度愈高 (Barth et al., 2001)。然而，無形資產的資訊複雜度也增加了分析

師在收集、處理與分析資訊的困難度，因而不利於盈餘預測的任務 (Barron

et al., 2002; Gu & Wang, 2005)。Gu (2005) 實證研究也指出分析師對於專利引

證的資訊並無法充分的反應在盈餘預測上，主要原因在於分析師對於專利的

技術型態並無法充份的了解。

由於製藥是屬於高研發密集度的產業 (Yang, 2007)，且多數的研發投入

被以費用化的方式處理，因此相較於其他產業，製藥產業的會計盈餘數字具

有較低的資訊內涵 (Dedman et al., 2008)。而 Gu & Li (2010) 的研究也發現製

藥產業的研發支出有較大的未來盈餘波動與不確定性，因而分析師的預測誤

差與離散度也愈大。雖然，企業擁有愈多的藥品許可證隱含有較大優勢能於

未來進行生產與銷售，然而，此一帳列的無形資產是否能於未來產生明確的

經濟效益（現金流量），具有某種程度的不確定性。而研究也發現當分析師面

對公司的未來獲利具不確定性時，將傾向發佈樂觀偏誤的盈餘預測 (Lim,

2001)。換言之，對於擁有較多藥品許可證的公司而言，由於分析師需要取得

較多的資訊以進行分析並作出預測，而分析師也可能受限於時間與本身專門

的產業知識背景，而造成資訊處理的困難度與成本的提昇。然而，就研究發

展的階段而言，取得愈多藥品許可證的公司，可能處於發展階段的程度較

高，因而具有較大的技術可行性，且相關研發支出的風險應已大幅降低，故

分析師對於藥品許可證愈多的公司，應能給予穩定且正面的評價，因而作出

較為精確的預測。據此，當公司擁有愈多的藥品許可證，一方面隱含無形資

產的複雜度愈高，另一方面，亦表示可進行產銷的藥品愈多。故本文預期藥

品許可證應與分析師盈餘預測的精確度具有關聯性（以對立假說方式表示）。

H2a：藥品許可證件數與分析師盈餘預測的精確度具有關聯性。

分析師盈餘預測的離散程度代表分析師對於事前（ex ante）盈餘具有某

種程度的不確定性 (Imhoff & Lobo, 1992)。而學者們也一致認同，分析師預

測離散度是反應公司資訊環境的不確定性 (Imhoff & Lobo, 1992; Payne &

Robb, 2000)。Herrmann & Thomas (2005) 指出當分析師遭遇資訊赤字

（Information-deficit）的情況時，亦即無法取得充份且客觀的資訊以進行有


～304～

效的處理與分析時，分析師之間對於標的公司的預測將產生較大的不一致

性，因而產生較大的預測離散度。反之，當分析師對於未來盈餘擁有較精確

的訊息時，分析師彼此之間較能達成預測的一致性，因而降低預測的離散

度。

藥品許可證某種程度代表未來的潛在獲利能力，然而，是否能如預期為

製藥公司帶來有效的盈餘貢獻，其取決於企業於市場上的競爭力與銷售策

略。再則，是否分析師在面對此一無形資產所帶來的資訊不確定性，能作出

一致可靠的預測，其更考驗個別分析師能否有效的擷取與分析資訊。雖然，

具備較多藥品許可證的公司，可能於資本市場中受到較多分析師的關注，然

而，由於每位分析師的專門知識背景具有差異性，因此，市場分析師在面對

不熟悉或不確定的預測環境時，將產生預測不一致的情況。另一方面，由於

取得藥品許可證的公司，某種程度隱含藥品的技術可行性應已趨完整，故個

別分析師在面對較多藥品許可證的公司時，應會作出較為一致的預測行為，

因而降低預測的離散度。據此，本文預期藥品許可證應與分析師盈餘預測的

離散度具有關聯性（以對立假說方式表示）。

H2b：藥品許可證件數與分析師盈餘預測的離散度具有關聯性。

如前所述，預測環境的複雜化經常損害分析師的預測能力，分析師預測

的精確度通常用來衡量分析師預估公司未來績效分佈特徵的能力，較大的預

測誤差代表分析師轉換當期財務資訊至未來預期盈餘的能力受到限制

(Barron et al., 2002)。另外，分析師預測的離散度則代表分析師之間對公司未

來績效看法的不一致程度，較大的預測離散度也代表分析師缺乏能力與意願

去收集與處理資訊 (Herrmann & Thomas, 2005)。而過去的文獻指出企業揭露

愈多的資訊（資訊透明度愈高）時，分析師可取得與分析的資訊愈多，亦即

收集私有資訊的成本愈低，分析師有較高的意願進行預測，且預測的誤差與

離散程度較低 (Lang & Lundholm, 1996; Vanstraelen et al., 2003; Ali et al., 2005;

Chang et al., 2014)。相反的，當企業的資訊較不透明時，分析師為向管理當

局取得私有資訊的來源，會作出樂觀的預測偏誤 (Das et al., 1998; Lim,

2001)。故本文預期企業的資訊透明度愈高，將有助於改善無形資產（藥品許

可證）所帶來的資訊複雜度，亦即增加可供分析師處理與分析的資訊量，將

改善藥品許可證可能產生的低預測精確度與高預測離散度(以對立假說方式表

示)。

中山管理評論

～305～

H3a：藥品許可證件數愈多的公司，其資訊揭露的透明度愈高，分析師盈餘

預測的精確度愈高。 H3b：藥品許可證件數愈多的公司，其資訊揭露的透明度愈高，分析師盈餘

預測的離散度愈低。

肆、研究設計

一、研發資本與藥品許可證

本文第一個研究課題係探討製藥公司的研發資本與藥品許可證的關聯

性，並發展下列迴歸模式加以檢測：

0 1 1 2 1 3 1 4 1 5 1

7 1 8 1 it it it it it it

it it

DPLSTK RDSTK LEVRG CR ROA CAPINT

LnAGE INS year dummies

β β β β β ββ β ε

− − − − −

− −

= + + + + ++ + + +

(1)

其中，方程式(1)之因變數：DPLSTKit 係 i 公司第 t 期之藥品許可證總件

數(存量)平減期初資產總額（百萬元）。而有關方程式(1)之主要檢測變數：

RDSTK_研發資本存量，係採用 Hall (1990) 之遞減餘額方程式（declining

balance formula）加以衡量，其係假定公司的研發資本存量是由過去的研發活

動所構成，且該研發存量具有折舊的特性。計算方式如下：

( ) 11it it itRDSTK RDSTK RDδ −= − + ( 2 )

其中，RDSTKit(RDSTKit-1)為 i 公司第 t(t-1)期之研發資本存量平減期初資

產總額；RDit 為 i 公司第 t 期之研發支出平減期初資產總額；δ 為折舊率11。

由於研發資本愈多，代表累積的知識資產愈多，對於創新活動的發展有正面

的幫助，因此，本文預期製藥公司的研發資本與藥品許可證之間應具正向的

關聯性，亦即 β1係數應顯著為正。

11 折舊率係參考 Hall (1990) 之研究以每年固定 15%來反應研發投資過時

（obsolescense）的問題。而為計算樣本初始期之研發存量，本文援引 Hall & Oriani (2006) 之研究並以下列方式加以計算：RDSTKi,t=0 = RDi,t=0 / (δ+g)，其中RDSTKi,t=0(RDi,t=0)為 i 公司於 t = 0 期之研發資本存量（研發支出）並平減期初資產總額；g 為研發支出成長率，本文參考 Hall 等人之作法以 8%來加以計算。


～306～

而在其他控制變數方面，由於過去少有研究探討影響藥品許可證之因

素，故本文援引創新研究之文獻而納入相關控制變數。過去研究發現企業的

財務限制不利於企業的創新行為 (Brown et al., 2009)，故本文以長期負債除

以期初資產總額來衡量企業的槓桿程度(LEVRG)。再則，公司的短期資源可

能會影響創新專案所需的資金額度 (Hansen & Hill, 1991)，本文以流動比率來

控制流動性(CR)的效果，其衡量方式為流動資產除以流動負債。獲利能力較

佳的公司，其經理人有較高的自信去採行較多的創新專案 (Barker & Mueller,

2002)，因此本文於檢測模式中納入資產報酬率(ROA)來控制此一效果。另

外，過去研究發現資本集中度正向的影響創新活動 (Hall & Ziedonis, 2001)，

本文以固定資產淨額平減期初資產總額來衡量資本集中度(CAPINT)。成立年

限愈久的公司有較多的經驗與知識存量，故有較高的創新能量 (Kuemmerle,

1998)，然而，成立愈久的公司亦可能有較嚴重的官僚化（bureaucratization），

而不利於創新活動的進行 (Lewin & Massini, 2003)，因此本文以公司成立年

數取自然對數(LnAGE)來控制此一效果。研究指出內部人持股比率愈高對於

公司價值有正面的效果，且有利於公司的長期投資專案 (Hill & Snell,

1989)，故本文亦納入內部人持股比率(INS)作為控制變數，其衡量方式為經理

人、董事與監察人之持有股數除以流通在外股數。最後，本文納入年度虛擬

變數(year dummies)，以控制潛在的年度效果。

二、藥品許可證、資訊透明度與分析師預測

本文第二個欲探討的課題為是否藥品許可證會影響分析師盈餘預測的能

力（精確度與離散度），再則，是否資訊透明度會影響此一關係，並發展下列

迴歸模式加以檢測：

0 1 1 2 1 3 1 1 4 1

5 1 6 1 7 8 1 9 1

10 1 11 1

( ) *

4 +

it it it it it it it

it it it it it

it it

ACCY DISP DPLSTK INFT INFT DPLSTK LnASSET

MTB LEVRG SURPRISE STDE AF

BETA BIG year dummies

γ γ γ γ γγ γ γ γ γγ γ ε

− − − − −

− − − −

− −

= + + + ++ + + + ++ + +

(3)

有關方程式(3)之因變數，本文參考過去學者的作法 (Duru & Reeb, 2002;

Behn et al., 2008) 來衡量分析師預測之精確度(ACCY)與離散度(DISP)，其定

義如下：

中山管理評論

～307～

( )1

1 it itit

it

FORECAST EARNACCY

PRICE −

−= − (4)

其中，ACCYit 為 i 公司第 t 期之分析師預測精確度。FORECASTit 為 i 公

司第 t 期之平均分析師預測。EARNit 為 i 公司第 t 期之實際每股盈餘。

PRICEit-1為 i 公司第 t-1 期之每股市價。公式(4)之定義表示，ACCY 值愈大，

分析師預測精確度愈高。

( )

1

itit

it

STD FORECASTDISP

PRICE −

= (5)

其中，DISPit 為 i 公司第 t 期之分析師預測離散度。STD(FORECASTit)代

表 i 公司第 t 期之分析師預測標準差。根據公式(5)之定義，DISP 值愈大，代

表分析師預測離散度愈大。

另外，INFTit-1 為 i 公司第 t-1 期之資訊透明度虛擬變數，當公司揭露的

資訊愈透明，其值為 1；反之則為 012。方程式(3)之主要檢測變數：DPLSTK_

藥品許可證總件數(存量)，本文預期公司持有愈多的藥品許可證，可能會增

加分析師處理與分析資訊的困難度，因此不利於預測精確度且增加預測的離

散度。然而，愈多的藥品許可證亦可能反應正向的市場訊息，而導致較為精

確且一致的預測。故本文並不預期 γ1 係數的方向性。而另一檢測變數：

INFT*DPLSTK_資訊透明度與藥品許可證總件數之交乘項，本文預期公司揭

露的資訊愈透明，有助於降低預測環境的不確定性，而由於資訊供給量的提

昇，分析師能取得與處理關於藥品許可證對未來盈餘貢獻的評估證據愈多，

因此應能改善分析師不精確與高離散的盈餘預測情況。故本文預期 γ3 係數於

精確度模式應顯著為正，而於離散度模式應顯著為負。

12 TEJ 之資訊評鑑等級資料，係源自證券暨期貨發展基金會之「資訊揭露評鑑」系

統。由於證基會於第一屆（2003）與第二屆（2004）僅公佈前三分之一資訊揭露較透明的公司。自第三屆（2005）起則將評鑑結果分為 A+、A、B 與 C 四種等級。而自第四屆（2006）起更增加 C-等級，使其評鑑結果共細分為五級。再則，自第九屆(2011）起，進一步將等級細分為 A++、A+、A、A-、B、C 與 C-七級。本文援引國內學者的作法 (廖秀梅、陳依婷，2010)，將第一與二屆所揭露的前三分之一公司、第三屆以後被評鑑為 A+與 A 級的公司，以及第九屆被評鑑為A++、A+、A 與 A-級的公司，定義為資訊透明度較高的公司。


～308～

本文援引過去分析師盈餘預測之研究而納入下列控制變數。首先，

Barron et al. (2002) 指出大公司較豐富的資訊環境有利於分析師的預測任務。

過去研究也證實規模愈大的公司，其分析師盈餘預測的精確度愈高，且預測

離散度愈低 (Lang & Lundholm, 1996; Behn et al., 2008)，本文因而控制規模

(LnASSET)效果。一般而言，分析師對於高成長的公司傾向投入較多的時間，

且對於私有資訊的需求也較高 (Bhushan, 1989)，因此本文將成長機會(MTB)

納入檢測模式中。企業的槓桿程度主要反應出財務風險的高低，而槓桿程度

愈高，將增加分析師評估企業償債能力的困難度 (Kwon, 2002)，故本文亦控

制槓桿程度(LEVRG)。過去研究發現盈餘變動幅度愈大，愈不利於分析師的

盈餘預測任務 (Behn et al., 2008)，因此本文將盈餘變動值(SURPRISE)納入迴

歸式，其衡量方式為當期每股盈餘變動數取絶對值後再平減期初股價。由於

Kross et al. (1990) 指出長期盈餘波動愈大的公司，分析師預測愈不精確，本

文也以過去 5 年權益報酬率的標準差來控制盈餘波動(STDE)的效果。再則，

公司有較多的分析師追隨，表示有較豐富的資訊環境 (Lim, 2001)，而研究也

發現分析師追隨的人數愈多，其預測誤差與離散度愈小 (Gu & Wang, 2005;

Gu & Li, 2010)，本文亦將券商預測家數(AF)納入控制變數13。Xie et al. (2012)

研究證實市場風險愈大，愈不利於分析師的預測任務且預測誤差愈大，本文

以市場模式(market model)並採用一年期之日報酬來估算 Beta 係數，進而控

制市場風險(BETA)。最後，審計品質愈高代表公司的財務報導品質愈高，而

實證研究也發現當公司的財務報表由四大事務所查核時，其分析師的預測精

確性也愈高(離散度愈低) (Behn et al., 2008)，因此本文亦將四大事務所之指標

變數(BIG4)納入實證模式中。

伍、樣本與實證結果

一、樣本來源與特性

依據我國藥事法第 39 條的規定：「製造、輸入藥品，應將其成分、規

格、性能、製法之要旨，檢驗規格與方法及有關資料或證件，連同原文和中

13 由於 TEJ 之「券商預測模組」並未提供分析師的個人資訊，故本文以預測的券商家數來加以替代。

中山管理評論

～309～

文標籤、原文和中文仿單及樣品，並繳納費用，申請中央衛生主管機關查驗

登記，經核准發給藥品許可證後，始得製造或輸入。」亦即廠商的藥品上市

前，須向衛生福利部食品藥物管理署申請查驗登記，經評估藥品安全性、有

效性及品質無虞後，始核准發予藥品許可證，讓藥品上市流通或廠商製造。

本文以我國上市（櫃）製藥公司為研究對象14。有關本研究之實證資料來源

分述如下：首先，企業之財務、股價資訊係取自台灣經濟新報社資料庫(TEJ

Data Bank)之「一般產業」與「股價」模組。其次，分析師盈餘預測資訊係

取自該資料庫之「券商預測」模組，而資訊透明度與其他公司治理資訊亦取

自該資料庫之「公司治理」模組。最後，有關藥品許可證之資訊係分別查詢

自衛生福利部食品藥物管理署（西藥）與中醫藥司（中藥）15，並逐一加總

計算每家製藥公司於每一年度之藥品許可證數目。由於 TEJ 有關資訊揭露評

鑑的資料起始年度為 2003 年，故本研究的樣本期間係為 2003-2011 年。

表 1 之 Panel A 係樣本選樣過程。原始之樣本數共計 243 筆公司-年(firm-

year)觀察值，首先，在許可證檢測模式方面，剔除計算相關控制變數產生的

28 筆缺漏值(missing alue)後，最終樣本共計為 215 筆公司-年觀察值。而在分

析師預測模式方面，本文刪除 115 筆缺乏分析師預測的資料，以及 32 筆僅具

有一筆預測資訊的資料，最後，再刪除 17 筆計算控制變數產生的缺漏值，得

出最終樣本數為 79 筆公司-年觀察值。

表 1 之 Panel B 係實證模式之相關變數的敍述統計量16。首先，由藥品許

可證總件數(存量)(DPL)，以及平減百萬元期初資產總額(DPLSTK)的資訊顯

示，平均數(DPL = 107.684；DPLSTK = 0.060)皆大於中位數(DPL = 33.000；

DPLSTK = 0.035)，代表樣本呈現右偏的情況，亦即某些製藥公司擁有較多的

藥品許可證。再則，預測精確度(ACCY)的平均數(中位數)為-0.030(-0.020)，

代表分析師盈餘預測與實際盈餘間差異的平均數(中位數)約為期初每股市價

14 我國生技醫藥產業包含製藥、應用生技與醫療器材產業，其中製藥產業的公司主要以研發、產製、銷售原料藥或製劑為主要業務。

15 藥品許可證查詢網址：http://www.fda.gov.tw/MLMS/%28S%28l3wauu45aumpwa45mrd4conv%29%29/H0001.aspx (西藥)、http://www.mohw.gov.tw/CHT/DOCMAP/query_liense.aspx?mode=1 (中藥)

16 本文以 winsorize 的方式對模式中所有的連續變數進行極端值(outlier）處理。亦即分別以第 1 與第 99 百分位數之數值取代以前與以後的數值。由於模式(3)之樣本數僅 79 筆，故本文針對模式(1)與(3)均以前後兩筆觀測值進行極端值處理。然而，由於本研究之樣本數偏少，採用 winsorize 可能無法有效緩和極端值的效應，故本文

絶亦於敏感性分析一節，分別採用標準化殘差的對值與 Cook’s D 值，進行穩健性測式。


～310～

的 3%(2%)。平均離散度(DISP)為 0.021，代表平均預測離散度約為期初每股

市價的 2.1%。而研發資本存量(RDSTK)的平均數為 0.165，約佔期初資產總

額的 17%。INFT 的平均值為 0.304，代表樣本中約有 30%的公司-年觀察值具

有較高的資訊透明度。

至於其他變數方面，公司規模(LnASSET)為期初資產帳面價值取自然對

數，其平均數為 14.268，相當於新台幣 1,572 百萬元。平均之市價帳面價值

比(MTB)約接近 1，表示市場高估或低估樣本公司的情況並不嚴重。再者，平

均之流動比率(CR)為 3.836，表示樣本公司具備短期償債的能力。而長期負債

(LEVRG)、經常淨利(ROA)與固定資產淨額(CAPINT)分別約佔期初總資產的

7%、5%與 33%。公司成立年數取自然對數(LnAGE)之平均值為 3.169，約相

當於 24 年。平均內部人持股比例約為 31%。再則，平均每股盈餘變動數的

絶對值(SURPRISE)約佔期初股價的 5%，且權益報酬率標準差(STDE)的平均

數為 0.052。券商跟隨家數(AF)的平均數為 3.823，隱含樣本中的每一家公司

平均約有四家券商進行預測報導。最後，市場風險(BETA)的平均數為 1.042，

且大約有 62%的樣本公司由四大事務所查核財務報表(BIG4)。

表1 選樣過程與述統計量

Panel A: 選樣過程

藥品許可證模式分析師預測

特性模式

原始樣本數 (公司-年資料) 243 243

減：缺乏分析師盈餘預測資訊 – 115

減：樣本年度中僅具有一筆券商預測資訊 – 32 減：計算控制變數產生的缺漏值 28 17

最終樣本數 215 79

Panel B: 敍述統計量

樣本數平均數標準差第一分位數中位數第三分位數

DPL 215 107.684 148.344 6.000 33.000 175.000 DPLSTK 215 0.060 0.066 0.002 0.035 0.119 ACCY 79 -0.030 0.028 -0.046 -0.020 -0.011 DISP 79 0.021 0.020 0.009 0.016 0.030 RDSTK 215 0.165 0.169 0.054 0.124 0.222 INFT 79 0.304 0.463 0.000 0.000 1.000 LnASSET 215 14.268 0.857 13.615 14.192 14.886

中山管理評論

～311～

LEVRG 215 0.065 0.093 0.000 0.015 0.100 CR 215 3.836 3.948 1.545 2.356 4.614 ROA 215 0.046 0.068 0.016 0.045 0.090 CAPINT 215 0.330 0.168 0.194 0.315 0.434 LnAGE 215 3.169 0.659 2.773 3.401 3.664 INS 215 0.307 0.156 0.194 0.267 0.395 MTB 79 1.079 0.789 0.535 0.871 1.289 SURPRISE 79 0.045 0.059 0.007 0.023 0.069 STDE 79 0.052 0.038 0.019 0.038 0.079 AF 79 3.823 2.443 2.000 3.000 5.000 BETA 79 1.042 1.371 0.649 1.097 1.565 BIG4 79 0.620 0.488 0.000 1.000 1.000

a. 變數定義：DPL = 藥品許可證總件數(存量); DPLSTK = 藥品許可證總件數(存量) /

期初資產帳面值(百萬元); ACCY = (-1)乘以分析師盈餘預測誤差取絕對值 / 期初每

股市價; DISP = 分析師盈餘預測標準差 / 期初每股市價; RDSTK = Hall (1990) 之研

發資本存量; INFT = 虛擬變數，公司資訊揭露較透明(不透明)時，其值為 1(0);

LnASSET = 期初資產帳面值取自然對數; MTB = 每股市價 / 每股帳面值; LEVRG =

長期負債帳面值 / 期初資產帳面值; CR = 流動資產帳面值 / 流動負債帳面值;

ROA= 經常淨利 / 期初資產帳面值; CAPINT = 固定資產淨額 / 期初資產帳面值;

LnAGE = 公司成立年數取自然對數; INS = 經理人、董事及監察人之持有股數 / 流

通在外股數; SURPRISE = 當期每股盈餘變動數取絕對值 / 期初每股市價; STDE =

過去五年權益報酬率之標準差; AF = 券商預測家數; BETA = 市場模式所估計之

Beta 係數; BIG4 = 虛擬變數，公司財務報表由四大事務所查核時，其值為 1；反之

則為 0。

資料來源：本研究整理

二、單變量分析

表 2 係兩群體樣本之平均數(有母數 t 檢定)與中位數(無母數 Wilcoxon z

檢定)比較差異分析。Panel A 係依研發資本存量(RDSTK)之中位數將樣本區分

為高、低研發資本存量兩群 (HIGH_RDSTK、 LOW_RDSTK)，本文發現

HIGH_RDSTK 之藥品許可證總件數(DPLSTK)的平均數(中位數)明顯大於

LOW_RDSTK，差異數為 0.031(0.059)，且達 1%之統計顯著水準。此一結果

支持研發資本與藥品許可證之間的正向關聯性，表示企業投入的研發資本對

於創新產出有正向的影響，故假說一獲得初步的支持。另一方面，Panel B 係

依藥品許可證總件數 (DPLSTK) 之中位數將樣本區分為高、低兩群

(HIGH_DPLSTK、LOW_DPLSTK)，其平均數與中位數之差異比較顯示，


～312～

HIGH_DPLSTK 較 LOW_DPLSTK 有顯著為低的預測精確度(ACCY)(t 值 = -

3.36、z 值 = -3.19)與高的預測離散度(DISP)(t 值 = 5.85、z 值 = 6.11)，此一

結果間接支持高藥品許可證件數的公司，其分析師預測精確度較低且分析師

間的不一致程度愈高，亦即假說二獲得初步支持。

表2 單變量比較分析

Panel A: 研發資本存量與藥品許可證

HIGH_RDSTK(樣本數 = 107)

LOW_RDSTK (樣本數 = 108)

差異數 t 檢定 (Wilcoxon rank 檢定)

平均數DPLSTK 0.075 0.044 0.031 3.64*** (中位數DPLSTK) (0.067) (0.008) (0.059) (3.44***)

Panel B: 藥品許可證與分析師預測精確度、離散度

HIGH_DPLSTK(樣本數 = 39)

LOW_DPLSTK(樣本數 = 40)

差異數 t 檢定 (Wilcoxon rank 檢定)

平均數ACCY -0.040 -0.021 -0.019 -3.36*** (中位數ACCY) (-0.025) (-0.016) (-0.009) (-3.19***) 平均數DISP 0.032 0.011 0.021 5.85*** (中位數DISP) (0.030) (0.009) (0.021) (6.11***)

a. 變數定義：DPLSTK = 藥品許可證總件數(存量) / 期初資產帳面值(百萬元); RDSTK

= Hall (1990) 之研發資本存量; ACCY = (-1)乘以分析師盈餘預測誤差取絕對值 / 期

初每股市價; DISP = 分析師盈餘預測標準差 / 期初每股市價。 b. 本文以 RDSTK(DPLSTK)之中位數，將樣本區分為 HIGH_RDSTK(HIGH_DPLSTK)與

LOW_RDSTK(LOW_DPLSTK)。 c. t 檢定與 Wilcoxon rank 檢定分別用以檢測兩群體樣本之平均數與中位數差異。*, **

與***分別代表 0.1、0.05 與 0.01 之統計顯著水準(雙尾檢定)。


表 3 之 Panel A 與 Panel B 分別為藥品許可證模式(方程式(1))與分析師預

測模式(方程式(3))之 Pearson 相關係數表。Panel A 之結果顯示，DPLSTK 與

RDSTK 具顯著正向關聯性(P < 0.01)，其與本文之預期結果相符。而在其他控

制變數方面，DPLSTK 分別與 LEVRG、LnAGE 呈顯著負相關，而與 CR、

ROA、CAPINT、INS 呈顯著正相關。另一方面，Panel B 之結果顯示，ACCY

與 DISP 具顯著的負向關聯性(P < 0.01)，此與 Lang & Lundholm (1996) 之研

究結果相一致。而在主要變數方面，ACCY(DISP)分別與 DPLSTK 呈顯著負

(正)相關，而與 INFT 呈顯著正(負)相關，此一相關性亦與本文預期和過去研

中山管理評論

～313～

究結果相符。此外，在控制變數部份，ACCY 分別與 LnASSET、MTB、AF、

BIG4 呈顯著正相關，而與 SURPRISE、STDE 呈顯著負相關。再則，DISP 分

別與 LnASSET、AF、BIG4 呈顯著負相關，而與 SURPRISE 呈顯著正相關。

整體而言，因變數與控制變數之相關性大致與過去研究相一致。

表3 Pearson相關係數表

Panel A: 藥品許可證檢測模式

DPLSTK RDSTK LEVRG CR ROA CAPINT LnAGE

RDSTK 0.303***

LEVRG -0.287*** -0.175**

CR 0.118* -0.120** 0.435***

ROA 0.188** 0.105 0.030 0.101

CAPINT 0.295*** 0.148** 0.112 -0.336*** -0.133*

LnAGE -0.622*** -0.254*** 0.035 0.006 0.069 -0.210***

INS 0.274** 0.153** 0.216** 0.151** 0.002 0.429*** 0.524***

Panel B: 分析師預測特性模式

ACCY DISP DPLSTK INFT LnASSET MTB LEVRG SURPRISE STDE AF BETA

DISP -0.331***

DPLSTK -0.390*** 0.500***

INFT 0.366*** -0.431*** -0.473***

LnASSET 0.259** -0.390*** -0.320*** 0.277**

MTB 0.297*** -0.169 0.091 0.111 -0.103

LEVRG -0.158 0.061 -0.240** -0.129 -0.079 0.270**

SURPRISE -0.221** 0.466*** 0.202* -0.109 0.015 -0.130 0.086

STDE -0.277** 0.068 -0.093 -0.149 -0.071 -0.057 0.124 -0.056

AF 0.214** -0.297*** -0.014 -0.122 -0.101 -0.091 0.259** 0.002 -0.152

BETA -0.012 0.104 0.063 0.088 -0.017 0.191* 0.053 -0.268** 0.099 0.027

BIG4 0.524*** -0.325*** -0.160 0.233** 0.414*** 0.183 -0.077 -0.147 -0.144 0.072 -0.204* a. 變數定義：DPLSTK = 藥品許可證總件數(存量) / 期初資產帳面值(百萬元); ACCY = (-1)乘以分析師盈餘預測誤差取絕對值 / 期初每股市價; DISP = 分析師盈餘預測標

準差 / 期初每股市價; RDSTK = Hall (1990) 之研發資本存量; INFT = 虛擬變數，公

司資訊揭露較透明(不透明)時，其值為 1(0); LnASSET = 期初資產帳面值取自然對數; MTB = 每股市價 / 每股帳面值; LEVRG = 長期負債帳面值 / 期初資產帳面值; CR = 流動資產帳面值 / 流動負債帳面值 ; ROA = 經常淨利 / 期初資產帳面值 ; CAPINT = 固定資產淨額 / 期初資產帳面值; LnAGE = 公司成立年數取自然對數; INS = 經理人、董事及監察人之持有股數 / 流通在外股數; SURPRISE = 當期每股

盈餘變動數取絕對值 / 期初每股市價; STDE = 過去五年權益報酬率之標準差; AF = 券商預測家數; BETA = 市場模式所估計之 Beta 係數; BIG4 = 虛擬變數，公司財務

報表由四大事務所查核時，其值為 1；反之則為 0。 b. *, **與***分別代表 0.1、0.05 與 0.01 之統計顯著水準(雙尾檢定)。資料來源：本研究整理


～314～

三、多變量分析

（一）研發資本與藥品許可證

表 4 係藥品許可證模式(方程式(1))之迴歸結果。本文發現 RDSTK 之估計

係數值為 0.108 且 t 值為 4.74，達 1%之統計顯著水準，故支持假說一之預

期。此一結果表示，企業的研發資本存量愈多，隱含擁有的知識資產愈多，

對於創新產出具有正向的影響性，亦即研發資本存量與藥品許可證件數具正

向的關聯性17。

而控制變數的方向性亦與過去之創新文獻相一致。特別地，LnAGE 與

LEVRG 的估計係數顯著為負，而 CAPINT 之係數顯著為正，表示年輕、低槓

桿程度，與高資本集中度的公司，擁有較多的藥品許可證數。

表4 研發資本與藥品許可證之關聯性

因變數：DPLSTK

預期符號估計係數 t 值

截距項 -0.018 -0.63

RDSTK + 0.108*** 4.74

LEVRG – -0.179*** -3.94

CR + -0.001 -0.90

ROA + 0.078 1.64

CAPINT + 0.102*** 3.62

LnAGE +/– -0.006** -2.43

INS + 0.049 1.29

year dummies 未報導

調整 R2 0.227

樣本數 215 a. 變數定義：DPLSTK = 藥品許可證總件數(存量) / 期初資產帳面值(百萬元); RDSTK

= Hall (1990) 之研發資本存量; LEVRG = 長期負債帳面值 / 期初資產帳面值; CR =

流動資產帳面值 / 流動負債帳面值; ROA = 經常淨利 / 期初資產帳面值; 資產報酬

率; CAPINT = 固定資產淨額 / 期初資產帳面值; LnAGE = 公司成立年數取自然對

數; INS = 經理人、董事及監察人之持有股數 / 流通在外股數。

17 由於 DPLSTK 係以資產總額平減，此一作法容易降低大小公司間許可證數目的差

異，進而影響本文的實證推論，故本文亦以未平減的許可證數目（存量）進行穩健

性測試，實證結果發現，以許可證數量為依變數（dependent variable）之 Poisson迴歸與 Negative binomial 迴歸皆與表 4 之結果相符。

中山管理評論

～315～

b. *, **與***分別代表 0.1、0.05 與 0.01 之統計顯著水準(雙尾檢定)。本文使用 White

調整的異質性標準差(heteroscedastic-consistent standard erros)來計算 t 值。 c. 年度別虛擬變數(year dummies)已放入迴歸分析，為節省篇幅未列於表中。 d. 各自變數之變異數影響因子(Variance Inflation Factors, VIFs)皆小於 4，表示共線性問

題並不嚴重。


（二）藥品許可證、資訊透明度與分析師盈餘預測特性

表 5 係分析師預測特性(方程式(3))之迴歸結果，其中模式(1)與(2)、係

以 ACCY 為因變數，而模式(3)與(4)係以 DISP 為因變數。本文發現 DPLSTK

之係數於模式(1)顯著為負(-0.144， t 值 = -2.82)，而於模式(3)顯著為正

(0.070，t 值 = 1.93)，表示藥品許可證愈多的公司，分析師的預測精確度愈

低，且分析師之間的預測離散度愈大，亦即假說二獲得支持。而此一結果亦

支持過去學者對於無形資產的資訊複雜度不利於分析師預測任務之論點

(Barron et al., 2002; Gu & Wang, 2005)。此外，本文亦發現 INFT 之係數於上

述模式皆與過去文獻相符，即資訊透明度與預測精確度呈顯著正相關而與離

散度呈顯著負相關 (Lang & Lundholm, 1996; Hope, 2003a, 2003b)。再則，模

式(2)與(4)係放入 DPLSTK 與 INFT 之交乘項的估計結果，本文發現 DPLSTK

與 INFT 之個別效果仍維持預期之方向性與顯著性，另外，DPLSTK*INFT 之

係數於模式(2)顯著為正(0.205， t 值 = 2.31)，而於模式(4)則顯著為負(-

0.089，t 值 = -2.56)，此結果支持本文之假說三，表示資訊透明度愈佳的公

司，有助於降低分析師面臨高藥品許可證所產生的資訊複雜度，進而改善精

確度與離散度。

在其他控制變數部份，本文發現 ACCY 與 LnASSET、AF、BIG4 呈正相

關，而與 BETA 呈負相關。此外，DISP 與 LnASSET、BIG4 呈負相關，而與

SURPRISE 呈正相關。此一結果表示，規模愈大且財務報表由四大事務所查

核的公司，則分析師預測精確度愈大且離散度愈小 (Lang & Lundholm, 1996;

Behn et al., 2008; Gu & Li, 2010)。再則，較多的券商追隨家數，以及較小的

市場風險，都能提高分析師預測的精確度 (Gu & Wang, 2005; Xie et al.,

2012)。另外，當期盈餘變動程度愈大也會造成較大的預測離散度 (Behn et al.,

2008)。


～316～

表5 藥品許可證、資訊透明度與分析師預測特性之關聯性

因變數：ACCY 因變數：DISP 模式 (1) 模式 (2) 模式 (3) 模式 (4)

預期符號

估計係數 (t 值)


預期符號



截距項 -0.145***(-2.95)

-0.126** (-2.55)

0.093***(2.83)

0.074** (2.44)

DPLSTK +/– -0.144***(-2.82)

-0.211***(-3.66)

+/– 0.070* (1.93)

0.092** (2.51)

INFT + 0.007 (1.49)

0.008* (1.70)

– -0.006 (-1.66)

-0.007** (-2.03)

DPLSTK*INFT + 0.205** (2.31)

– -0.089** (-2.56)

LnASSET + 0.006* (1.92)

0.005 (1.66)

– -0.005** (-2.31)

-0.004* (-1.95)

MTB + 0.003 (0.81)

0.001 (0.16)

– -0.002 (-0.85)

-0.002 (-0.89)

LEVRG – -0.008 (-0.31)

-0.008 (-0.29)

+ 0.011 (0.76)

0.012 (0.83)

SURPRISE – -0.043 (-1.20)

-0.052 (-1.49)

+ 0.101** (2.14)

0.107** (2.22)

STDE – -0.130 (-1.64)

-0.104 (-1.41)

+ 0.009 (0.31)

0.003 (0.10)

AF + 0.002* (1.99)

0.002 (1.55)

– -0.001 (-1.48)

-0.001 (-1.34)

BETA – -0.004** (-2.25)

-0.005***(-2.83)

+ -0.000 (-0.26)

-0.0003 (-0.19)

BIG4 + 0.016***(3.02)

0.013** (2.58)

– -0.006 (-1.64)

-0.007* (-1.78)

year dummies 未報導未報導未報導未報導調整 R2 0.488 0.533 0.479 0.494 樣本數 79 79 79 79 a. 變數定義：ACCY = (-1)乘以分析師盈餘預測誤差取絕對值 / 期初每股市價; DISP = 分析師盈餘預測標準差 / 期初每股市價; DPLSTK = 藥品許可證總件數(存量)/ 期初

資產帳面值(百萬元); INFT = 虛擬變數，公司資訊揭露較透明(不透明)時，其值為

1(0); LnASSET = 期初資產帳面值取自然對數; MTB = 每股市價 / 每股帳面值; LEVRG = 長期負債帳面值 / 期初資產帳面值; SURPRISE = 當期每股盈餘變動數取

絕對值 / 期初每股市價; STDE = 過去五年權益報酬率之標準差; AF = 券商預測家

數; BETA = 市場模式所估計之 Beta 係數; BIG4 = 虛擬變數，公司財務報表由四大

事務所查核時，其值為 1；反之則為 0。 b. *, **與***分別代表 0.1、0.05 與 0.01 之統計顯著水準(雙尾檢定)。本文使用 White調整的異質性標準差(heteroscedastic-consistent standard erros)來計算 t 值。

c. 年度別虛擬變數(year dummies)已放入迴歸分析，為節省篇幅未列於表中。 d. 各自變數之變異數影響因子(Variance Inflation Factors, VIFs)皆小於 4，表示共線性問

題並不嚴重。資料來源：本研究整理

中山管理評論

～317～

（三）額外檢測：藥品許可證與未來營收(現金流量)波動性

由於表 5 之實證結果顯示，藥品許可證會增加分析師資訊環境的複雜

度，而造成較低的預測精確度與較大的離散度。故本文也進一步檢測是否這

樣的關聯性，有某種程度是來自於藥品許可證所產生的未來營收(現金流量)

不確定性。本文發展下列迴歸模式加以檢測：

( )1, 3 1, 3 0 1 2 3 4

5 6 7

it t it t it it it it

it it it

VOLSALES VOLCFO DPLSTK LnASSET LEVRG LnAGE

RDINT ADINT CAPINT year dummies

θ θ θ θ θθ θ θ ε

+ + + + = + + + +

+ + + + +(6)

其中，VOLSALESit+1, t+3與 VOLCFOit+1, t+3分別為 i 公司第 t+1 期至 t+3 期

的銷貨收入淨額與營業活動現金流量（平減期初資產總額）的標準差。而其

餘控制變數係參考過去相關文獻 (Kothari et al., 2002; Pandit et al., 2011)，分

別納入公司規模(LnASSET)、槓桿(LEVGR)、成立年數(LnAGE)、研發集中度

(RDINT: 研發支出/銷貨收入淨額)、廣告集中度(ADINT: 廣告支出平減銷貨

收入淨額)與資本集中度(CAPINT)。

表 6 之結果顯示，DPLSTK 的估計係數於模式(1)與(2)皆顯著為正，且達

5%之統計顯著水準，代表藥品許可證與未來營收(現金流量)的不確定性有正

向的關聯性，因而間接增加分析師預測任務的困難度。

表6 藥品許可證與未來營收(現金流量)波動性

因變數：VOLSALES 因變數：VOLCFO 模式 (1) 模式 (2)

預期符號



截距項 17.880*** (2.96)

3.033 (1.01)

DPLSTK +/– 0.193** (2.11)

0.114** (2.49)

LnASSET – -0.031*** (-5.06)

-0.016*** (-5.04)

LEVRG + -0.061 (-1.25)

-0.006 (-0.25)

LnAGE – -2.282*** (-2.89)

-0.363 (-0.92)

RDINT + 0.031*** (3.36)

0.011** (2.30)

ADINT + 0.042 (0.69)

0.022 (0.73)


～318～

CAPINT + -0.011 (-0.36)

-0.002 (-0.13)

year dummies 未報導未報導調整 R2 0.154 0.124 樣本數 227 227 a. 變數定義：VOLSALES = 未來三年之銷售收入淨額(平減期初資產帳面值)的標準差;

VOLCFO = 未來三年之營業活動現金流量(平減期初資產帳面值)的標準差; DPLSTK

= 藥品許可證總件數(存量) / 期初資產帳面值(百萬元); LnASSET = 期初資產帳面值

取自然對數; LEVRG = 長期負債帳面值 / 期初資產帳面值; LnAGE = 公司成立年數

取自然對數; RDINT = 研發支出 / 銷貨收入淨額; ADINT = 廣告支出 / 銷售收入淨

額; CAPINT = 固定資產淨額 / 期初資產帳面值。 b. *, **與***分別代表 0.1、0.05 與 0.01 之統計顯著水準(雙尾檢定)。本文使用 White

調整的異質性標準差(heteroscedastic-consistent standard erros)來計算 t 值。 c. 年度別虛擬變數(year dummies)已放入迴歸分析，為節省篇幅未列於表中。 d. 各自變數之變異數影響因子(Variance Inflation Factors, VIFs)皆小於 4，表示共線性問

題並不嚴重。


四、敏感性分析

(一)控制專利權與產品多角化資訊

由於藥品許可證可能與其他衡量研發成果的指標，例如，專利權等，存

在資訊重疊的情況；又許可證就某種程度而言，僅是捕捉到企業產品多樣化

的資訊。為避免此一情況影響本文的假說推論，本文分別於方程式(1)與(3)納

入專利權總件數(PAT)與產品多角化指標(DIV)作為控制變數18，並重新執行迴

歸分析。表 7 之 Panel A 顯示 PAT 與 DIV 係數顯著為正，表示專利權與產品

多樣化對藥品許可證具有正向的影響性，亦即在製藥產業的營運過程中，專

利的取得有助於許可證數的增加，而售銷的產品愈多元，也表示需要愈多的

許可證。特別地，在控制此二項變數後，RDSTK 仍維持相同的顯著性與方向

性。另一方面，Panel B 結果顯示，在控制 PAT 與 DIV 後(此二項變數皆未獲

得統計顯著性支持)，DPLSTK 與 DPLSTK*INFT 之係數顯著性與方向性仍與

前述分析結果相符，亦即分析師對於藥品許可證的預測行為並未受到專利權

與產品多樣化資訊太大的影響。整體而論，假說推論之結果並無明顯太大的

變化。

18 PAT 係指專利權總件數（存量）平減期初資產總額（百萬元）；而 DIV 係參考

Palepu (1985) 的作法來計算多角化之 Entropy 指標。

中山管理評論

～319～

表7 控制專利權與產品多角化資訊

Panel A: 藥品許可證檢測模式因變數：DPLSTK 預期

符號估計係數 t 值

截距項 -0.020 -0.67 PAT +/– 1.733** 2.47 DIV +/– 0.015** 2.43 RDSTK + 0.134*** 5.40 LEVRG – -0.157*** -3.44 CR + -0.0001 -0.08 ROA + 0.050 0.99 CAPINT + 0.092*** 3.10 LnAGE +/– -0.004 -1.55 INS + 0.036 0.94 year dummies 未報導調整 R2 0.252 樣本數 215 Panel B: 分析師預測特性模式


預期符號

估計係數

(t 值) 估計係數

(t 值) 預期符號

估計係數


(t 值) 截距項 -0.144***

(-2.82) -0.127**

(-2.55) 0.084***

(2.75) 0.067**

(2.29) PAT – 0.011

(0.01) -0.314

(-0.38) + 0.105

(0.19) 0.208

(0.38) DIV – -0.001

(-0.22) 0.002

(0.49) – 0.004

(1.00) 0.004

(0.94) DPLSTK +/– -0.143***

(-2.82) -0.224***

(-3.81) +/– 0.074*

(1.96) 0.095**

(2.46) INFT + 0.007

(1.33) 0.008

(1.52) – -0.006

(-1.48) -0.006*

(-1.78) DPLSTK*INFT + 0.230**

(2.47) – -0.086**

(-2.36) LnASSET + 0.006*

(1.88) 0.005

(1.63) – -0.005**

(-2.34) -0.004*

(-1.93) MTB + 0.002

(0.60) 0.001

(0.37) – -0.001

(-0.27) -0.001

(-0.30) LEVRG – -0.009

(-0.35) -0.004

(-0.14) + 0.014

(0.96) 0.014

(0.96) SURPRISE – -0.042

(-1.16) -0.057

(-1.56) + 0.098**

(2.28) 0.105**

(2.35)


～320～

STDE – -0.130 (-1.63)

-0.103 (-1.43)

+ 0.008 (0.24)

0.003 (0.09)

AF + 0.002* (1.95)

0.002 (1.45)

– -0.001 (-1.50)

-0.001 (-1.35)

BETA – -0.004** (-2.08)

-0.005***(-2.83)

+ -0.0004 (-0.28)

-0.0002 (-0.17)

BIG4 + 0.016***(2.74)

0.010* (1.70)

– -0.009* (-1.72)

-0.009* (-1.76)

year dummies 未報導未報導未報導未報導調整 R2 0.471 0.522 0.476 0.489 樣本數 79 79 79 79 a. DPLSTK = 藥品許可證總件數(存量) / 期初資產帳面值(百萬元); ACCY = (-1)乘以分

析師盈餘預測誤差取絕對值 / 期初每股市價; DISP = 分析師盈餘預測標準差 / 期初每股市價; RDSTK = Hall (1990) 之研發資本存量; INFT = 虛擬變數，公司資訊揭

露較透明(不透明)時，其值為 1(0); PAT = 專利權總件數(存量) / 期初資產帳面值(百萬元);DIV = 產品多角化之 Entropy 指標; LnASSET = 期初資產帳面值取自然對數; MTB = 每股市價 / 每股帳面值; LEVRG = 長期負債帳面值 / 期初資產帳面值; CR = 流動資產帳面值 / 流動負債帳面值 ; ROA = 經常淨利 / 期初資產帳面值 ; CAPINT = 固定資產淨額 / 期初資產帳面值; LnAGE = 公司成立年數取自然對數; INS = 經理人、董事及監察人之持有股數 / 流通在外股數; SURPRISE = 當期每股

盈餘變動數取絕對值 / 期初每股市價; STDE = 過去五年權益報酬率之標準差; AF = 券商預測家數; BETA = 市場模式所估計之 Beta 係數; BIG4 = 虛擬變數，公司財務

報表由四大事務所查核時，其值為 1；反之則為 0。 b. *, **與***分別代表 0.1、0.05 與 0.01 之統計顯著水準(雙尾檢定)。本文使用 White調整的異質性標準差(heteroscedastic-consistent standard erros)來計算 t(z)值。



（二）控制自我選擇偏差

由於分析師可能基於資訊取得的便利性，而傾向去報導高資訊揭露的公

司，亦或可能基於個人的偏好而去報導某一特定的公司，故可能產生自我選

擇偏差(self-selection bias)的情況。為修正此一問題，本文使用 Heckman 的兩

階段迴歸 (Heckman, 1979) 進行檢測。首先，本文建構第一階段的 probit 模

式如下：

0 1 2 1 3 4 5

6 7 it it it it it it

it it

INFT LnASSET ROA LEVRG RDINT INSHOLD

BIND LnAGE year dummies

φ φ φ φ φ φφ φ ε

−= + + + + ++ + + +

(7)

中山管理評論

～321～

其中，INFT 為一虛擬變數，當公司資訊揭露較透明時，其值為 1，反之

則為 0。而在自變數方面，本文參考 Upadhyay & Sriram (2011) 之研究而納入

公司規模(LnASSET)、獲利性(ROA)、槓桿(LEVRG)、研發集中度(RDINT)、內

部人持股(INS)、董事會獨立性(BIND: 獨立董事席次/全體董事席次)與公司年

齡(LnAGE)。接著，本文使用方程式(6)估算出 inverse Mills ratio(MILLS)，並

將 MILLS 帶入方程式(3)作為額外的控制變數，以控制潛在的自我選擇偏差。

表 6 之 Panel A 與 Panel B 係第一與第二階段之估計結果。其中，Panel B

之結果顯示，DPLSTK 係數於模式(1)與(2)皆顯著為負，而 DPLSTK*INFT 係

數於模式(2)顯著為正。此外，DPLSTK 係數於模式(3)與(4)皆顯著為正，而

DPLSTK*INFT 係數於模式(4)顯著為負。此一結果與表 5 相類似，而特別

地，本文發現 MILLS 係數於所有模式皆具統計顯著性，代表有其必要控制選

樣偏誤的效果。大體上，本文假說二與假說三之實證結果尚稱穩健。

表8 藥品許可證、資訊透明度與分析師預測特性之關聯性：自我選擇偏差

Panel A: 資訊揭露程度之 Probit 模式因變數：INFT 預期

符號估計係數 z 值

截距項 -230.539** -2.14 LnASSET + 0.579*** 4.03 LEVRG – -2.245* -1.79 ROA + 3.092** 2.18 RDINT – -0.227** -2.23 INS + 0.430 0.77 BIND + 1.445* 1.86 LnAGE + 29.236** 2.07 year dummies 未報導 Pseudo R2 0.129 樣本數 222 Panel B: 納入 inverse Mills ratio 之分析師預測特性模式


預期符號

估計係數



估計係數


(t 值) 截距項 -0.184***

(-3.63) -0.162**

(-3.08) 0.083**

(2.53) 0.067**

(2.20) DPLSTK +/– -0.165**

(-3.30) -0.223***(-3.82)

+/– 0.072** (2.22)

0.092*** (2.72)


～322～

INFT + 0.007 (1.57)

0.008 (1.79)

– -0.005 (-1.57)

-0.006* (-1.91)

DPLSTK*INFT + 0.184* (2.15)

– -0.078** (-2.48)

LnASSET + 0.008* (2.33)

0.007* (2.03)

– -0.004* (-1.77)

-0.003 (-1.45)

MTB + -0.0003 (-0.12)

-0.002 (-0.70)

– 0.0002 (0.15)

0.0002 (0.15)

LEVRG – -0.013 (-0.54)

-0.012 (-0.48)

+ 0.011 (0.81)

0.012 (0.89)

SURPRISE – -0.024 (-0.81)

-0.034 (-1.16)

+ 0.094** (2.02)

0.099** (2.08)

STDE – -0.149* (-2.06)

-0.124 (-1.86)

+ 0.046 (1.41)

0.039 (1.22)

AF + 0.001 (1.10)

0.001 (0.73)

– -0.0003 (-0.34)

-0.0002 (-0.23)

BETA – -0.001 (-0.22)

-0.001 (-0.62)

+ -0.001 (-0.77)

-0.001 (-0.67)

BIG4 + 0.018***(3.51)

0.015**(3.05)

– -0.006* (-1.85)

-0.007* (-1.94)

MILLS +/– 0.022**(2.93)

0.019* (2.38)

+/– -0.016*** (-3.46)

-0.016*** (-3.35)

year dummies 未報導未報導未報導未報導調整 R2 0.534 0.569 0.535 0.546 樣本數 79 79 79 79 a. 變數定義：INFT = 虛擬變數，公司資訊揭露較透明(不透明)時，其值為 1(0); ACCY = (-1)乘以分析師盈餘預測誤差取絕對值 / 期初每股市價; DISP = 分析師盈餘預測

標準差 / 期初每股市價; LnASSET = 期初資產帳面值取自然對數; LEVRG = 長期負

債帳面值 / 期初資產帳面值; ROA = 經常淨利 / 期初資產帳面值; RDINT = 研發費

用 / 銷貨收入淨額; INS = 經理人、董事及監察人之持有股數 / 流通在外股數; BIND =獨立董事席次 / 全體董事席次 ; LnAGE = 公司成立年數取自然對數 ; DPLSTK = 藥品許可證總件數(存量) / 期初資產帳面值(百萬元); MTB = 每股市價 / 每股帳面值; SURPRISE = 當期每股盈餘變動數取絕對值 / 期初每股市價; STDE = 過去五年權益報酬率之標準差; AF = 券商預測家數; BETA = 市場模式所估計之 Beta係數; BIG4 = 虛擬變數，公司財務報表由四大事務所查核時，其值為 1；反之則為

0; MILLS = inverse Mills ratio，係以 Heckman 兩階段迴歸 ( Heckman, 1979) 之第一階

段 probit 模式估計得之。 b. *, **與***分別代表 0.1、0.05 與 0.01 之統計顯著水準(雙尾檢定)。本文使用 White調整的異質性標準差(heteroscedastic-consistent standard erros)來計算 t(z)值。



中山管理評論

～323～

（三）藥品許可證之分類檢測

根據藥事法之規範，製藥廠商欲進行藥品的製造或輸入，需取得中央衛

生主管機關所核准之製造或輸入許可證。因此，本文將許可證區分此兩類

後，重新執行假說檢測。另外，由於我國藥品包括原料藥與製劑兩大類，其

中，製劑更可依劑型區分為口服劑、注射製劑與外用製劑。故本文亦將藥品

許可證區分為上述四類後，重新執行迴歸分析。上述之分類檢測結果分別列

於表 9 與表 10。表 9 之 Panel A 顯示，RDSTK 係數皆顯著為正，與表 4 之實

證結果相似。此一結果也表示當廠商需自國外輸入藥品以投入生產時，需具

備主管機關核准之輸入許可證。而製造許可證係指廠商在國內進行藥品的產

製時，所必需取得的要件。故不論是輸入或製造許可證，都是屬於藥廠整體

生產活動的必要條件。因此當研發資本存量愈高，對於投入研發製造所需的

藥品需求也相對愈大，故對於輸入或製造許可證有正向的影響。而表 9 之

Panel B 與 Panel C 分別為製造與輸入許可證之分析師預測特性檢測，雖然本

文發現部份的 DPLSTK 與 DPLSTK*INFT 估計係數僅達 10%之統計顯著性，

但大致上仍與表 5 相似。另一方面，表 10 Panel A 顯示，原料藥、口服劑與

外用製劑之 RDSTK 係數皆顯著為正，而僅注射製劑之估計係數未達統計顯

著性。另外，在 Panel B-Panel E 方面，各類型許可證之 DPLSTK 係數以及

DPLSTK*INFT 係數皆與預期之結果相符，僅管有部份邊際顯著(10%統計水

準)或未達顯著性的情況，但大體上皆與表 5 相似。故本文之實證結果在考量

許可證的分類效果後，亦獲得穩健性的支持。

表9藥品許可證分類之檢測：製造、輸入

Panel A: 藥品許可證檢測模式因變數：DPLSTK 製造輸入預期

符號估計係數


(t 值) 截距項 -0.017

(-0.58) -0.002

(-1.17) RDSTK + 0.106***

(4.69) 0.003**

(2.08) 控制變數未報導未報導調整 R2 0.219 0.059 樣本數 215 215


～324～

Panel B: 分析師預測特性模式_製造之檢測因變數：ACCY 因變數：DISP

模式 (1) 模式 (2) 模式 (3) 模式 (4)

預期符號

估計係數



估計係數


(t 值) 截距項 -0.148***

(-2.97) -0.130**

(-2.56) 0.107***

(2.98) 0.0897**

(2.58) DPLSTK +/– -0.111**

(-2.09) -0.170***

(-2.86) +/– 0.068*

(1.91) 0.087**

(2.17) INFT + 0.009*

(1.77) 0.009*

(1.80) – -0.007**

(-2.17) -0.008**

(-2.53) DPLSTK*INFT + 0.204**

(2.01) – -0.080**

(-2.51) 控制變數未報導未報導未報導未報導調整 R2 0.460 0.498 0.491 0.506 樣本數 79 79 79 79 Panel C: 分析師預測特性模式_輸入之檢測


預期符號

估計係數



估計係數


(t 值) 截距項 -0.152***

(-2.91) -0.152***

(-2.89) 0.095***

(3.76) 0.094***

(3.70) DPLSTK +/– -0.698**

(-2.02) -0.702*

(-1.97) +/– 0.489*

(1.89) 0.491*

(1.85) INFT + 0.011**

(2.44) 0.010**

(2.05) – -0.008***

(-3.17) -0.008***

(-3.14) DPLSTK*INFT + 0.237*

(1.72) – -0.252*

(-1.78) 控制變數未報導未報導未報導未報導調整 R2 0.442 0.477 0.541 0.549 樣本數 79 79 79 79

a. 變數定義：DPLSTK = 藥品許可證總件數(存量) / 期初資產帳面值(百萬元); ACCY = (-1)乘以分析師盈餘預測誤差取絕對值 / 期初每股市價; DISP = 分析師盈餘預測標

準差 / 期初每股市價; RDSTK = Hall(1990)之研發資本存量; INFT = 虛擬變數，公司

資訊揭露較透明(不透明)時，其值為 1(0)。 b. *, **與***分別代表 0.1、0.05 與 0.01 之統計顯著水準(雙尾檢定)。本文使用 White調整的異質性標準差(heteroscedastic-consistent standard erros)來計算 t 值。

c. 各模式之控制變數皆已放入迴歸分析，為節省篇幅未列於表中。 d. 各自變數之變異數影響因子(Variance Inflation Factors, VIFs)皆小於 4，表示共線性問


中山管理評論

～325～

表10 藥品許可證分類之檢測：原料藥、製劑

Panel A: 藥品許可證檢測模式因變數：DPLSTK 原料藥口服劑注射製劑外用製劑預期

符號估計係數




(t 值) 截距項 -0.011

(-1.41) 0.005

(0.22) -0.009

(-0.63) -0.003

(-0.96) RDSTK + 0.016**

(2.26) 0.085***

(5.29) -0.018

(-1.65) 0.025***

(5.89) 控制變數未報導未報導未報導未報導調整 R2 0.019 0.148 0.083 0.258 樣本數 215 215 215 215 Panel B: 分析師預測特性模式_原料藥之檢測


預期符號



預期符號

估計係數(t 值)


截距項 -0.119** (-2.38)

-0.103* (-1.81)

0.114*** (3.90)

0.111*** (3.62)

DPLSTK +/– -0.143*** (-3.54)

-0.187*** (-2.98)

+/– 0.088**(2.16)

0.061 (1.63)

INFT + 0.014*** (3.22)

0.016*** (3.77)

– -0.008**(-2.65)

-0.009*** (-2.77)

DPLSTK*INFT + 0.213* (1.93)

– -0.065* (-1.95)

控制變數未報導未報導未報導未報導調整 R2 0.454 0.466 0.463 0.471 樣本數 79 79 79 79 Panel C: 分析師預測特性模式_口服劑之檢測


預期符號



預期符號

估計係數(t 值)


截距項 -0.146*** (-2.82)

-0.158*** (-3.30)

0.112*** (3.31)

0.112*** (3.33)

DPLSTK +/– -0.229** (-2.39)

-0.241** (-2.52)

+/– 0.117**(2.02)

0.102* (1.94)

INFT + 0.0115** (2.29)

0.010* (1.85)

– -0.008**(-2.53)

-0.008** (-2.42)

DPLSTK*INFT + 0.560** (2.24)

– -0.142** (-1.99)

控制變數未報導未報導未報導未報導調整 R2 0.425 0.447 0.473 0.494 樣本數 79 79 79 79


～326～

Panel D: 分析師預測特性模式_注射製劑之檢測因變數：ACCY 因變數：DISP

模式 (1) 模式 (2) 模式 (3) 模式 (4)

預期符號



預期符號

估計係數(t 值)


截距項 -0.147*** (-2.82)

-0.146*** (-2.78)

0.080*** (3.36)

0.080*** (3.27)

DPLSTK +/– -0.169* (-1.69)

-0.163 (-1.54)

+/– 0.301**(2.07)

0.305** (2.03)

INFT + 0.012** (2.31)

0.010* (1.94)

– -0.008*** (-2.75)

-0.008*** (-2.66)

DPLSTK*INFT + 0.177* (1.87)

– -0.195** (-1.97)

控制變數未報導未報導未報導未報導調整 R2 0.426 0.431 0.556 0.575 樣本數 79 79 79 79 Panel E: 分析師預測特性模式_外用製劑之檢測


預期符號



預期符號

估計係數(t 值)


截距項 -0.162*** (-3.58)

-0.136*** (-2.90)

0.117*** (3.15)

0.119*** (3.17)

DPLSTK +/– -0.280* (-1.93)

-0.218* (-1.76)

+/– 0.223**(2.14)

0.229** (2.26)

INFT + 0.009* (1.77)

0.009* (1.95)

– -0.008*** (-2.73)

-0.008** (-2.60)

DPLSTK*INFT + 0.548** (2.59)

– -0.316* (-1.89)

控制變數未報導未報導未報導未報導調整 R2 0.443 0.465 0.467 0.484 樣本數 79 79 79 79 a. 變數定義：DPLSTK = 藥品許可證總件數(存量) / 期初資產帳面值(百萬元); ACCY =

(-1)乘以分析師盈餘預測誤差取絕對值 / 期初每股市價; DISP = 分析師盈餘預測標

準差 / 期初每股市價; RDSTK = Hall( 1990) 之研發資本存量; INFT = 虛擬變數，公

司資訊揭露較透明(不透明)時，其值為 1(0)。 b. *, **與***分別代表 0.1、0.05 與 0.01 之統計顯著水準(雙尾檢定)。本文使用 White

調整的異質性標準差(heteroscedastic-consistent standard erros)來計算 t 值。 c. 各模式之控制變數皆已放入迴歸分析，為節省篇幅未列於表中。 d.各自變數之變異數影響因子(Variance Inflation Factors, VIFs)皆小於 4，表示共線性問

題並不嚴重。


中山管理評論

～327～

（四）其餘敏感性檢測

1. 內生性

由於 ACCY(DISP) 與 DPLSTK 、 INFT*DPLSTK 呈內生關係

(endogeneity)，如果利用傳統兩階段最小平方法(forbidden regression)，可能將

造成係數估計值存在偏誤(biased)及不一致(inconsistent)的現象 (Wooldridge,

2010)。故本研究援引 Beaver et al. (2012) 及許永聲、彭詠旋 (2016) 的方

法，加入 INFT*DPLSTK 的第一階段估計值作為工具變數，再進行 2SLS 估

計 (piecewise linear regression)。實證結果顯示 (未報導 )，hat_DPLSTK 與

hat_DPLSTK*INFT 之估計係數仍維持統計顯著性，故假說二與三之結果並未

受到潛在內生性的影響。

2. 至少三家券商預測資訊

前述有關分析師預測模式的檢測，本文僅排除個別公司年度中僅具有一

筆預測資訊的觀察值。而為避免單一券商因個別因素而產生異常的預測結

果，本文亦參考陳瑞斌等 (2006) 的作法，將樣本公司限定為至少有三家券

商進行預測。本文發現在此一選樣條件下，實證結果(未報導)仍與表 5 相

符，亦即本研究的結果尚屬穩健。

3. 期新增之許可證件數

有關藥品許可證的衡量，本文係以總件數之存量資訊作為衡量基礎，然

而，相同企業前後期所獲得的藥品許可證總數可能存在序列相關。故本文亦

以當期新增之藥品許可證件數(流量)來重新執行假說檢測。實證結果顯示(未

報導)，以流量為基礎的估計係數仍與前述之結果相一致，表示本文的結果並

未受到序列相關的影響，實證結論尚稱穩健。

4. 額外極端值處理方式

由於本研究之樣本偏少，採用 winsorize 可能無法有效緩和極端值的問

絶題。故本文亦採用標準化殘差之對值(|標準化殘差|> 2)與 Cook’s D 值(D 值

> 4/n，n 為樣本數)來判斷潛在的極端值。本文剔除極端值後並重新執行假說

檢測(未報導)，整體來說，所獲得的結果並未有太大的差異。故本文的結果

並未受到不同極端值處理方式的影響。


～328～

陸、結論

持續性的投入創新活動，對於企業追求成長與競爭力有很大的重要性。

本文以製藥產業為研究對象，並探討是否研發資本對無形資產(即藥品許可證)

有正向的影響性。接著，由於高無形資產的公司經常增加分析師預測任務的

困難度，故本文也探討是否藥品許可證會影響分析師盈餘預測的特性(即精確

度與離散度)。另外，由於資訊揭露透明度愈高，分析師擁有的資訊供給量也

愈充足，故本文也進一步探討是否資訊透明度會影響藥品許可證與分析師盈

餘預測特性之間的關係。本文以台灣上市（櫃）之製藥公司為研究標的，實

證發現研發資本存量對藥品許可證件數有正向的關聯性，代表研發投入程度

愈高，其累積的知識資產愈多，故對創新產出有正向的影響。再則，本文發

現藥品許可證件數愈多的公司，分析師的盈餘預測精確度愈差，且分析師之

間的預測離散度愈大，此一結果支持過去學者主張之無形資產的資訊複雜度

不利於分析師預測任務的論點。此外，本文也進一步發現資訊透明度愈高的

公司，有助於改善來自藥品許可證所產生的預測不精確與離散情況，此一結

果表示資訊揭露的程度愈高，分析師所能取得的資訊供給來源愈多，故有助

於評估目標公司的未來前景，進而改善來自藥品許可證所增加的資訊複雜

度。

本文之實證結果除對創新與製藥產業的研究有貢獻外，亦有助於豐富分

析師預測特性的文獻。更重要地，過去學者指出無形資產的資訊複雜度不利

於分析師處理資訊的能力，而針對藥品許可證弱化分析師預測能力的部份，

本文的結果指出資訊透明度有助於改善此一情況，因此，主管機關應可加強

企業資訊揭露的相關規範，以提昇資本市場的資訊流動性，使分析師在決策

考量上能具備更充足的公開資訊，進而讓市場參與者有更精確的投資參考依

據。

中山管理評論

～329～

參考文獻

王曉雯、吳明政、王泰昌，2008，「企業經營型態與研發活動績效」，管理學報，25

卷 2 期：173~193。(Wang, H. W., Wang, T. C., and Wu, M. C., 2008, “Business

Types and R&D Activities Performance,” Journal of Management, Vol. 25, No. 2,

173-193.)

林美鳳、陳虹吟，2011，「投資人情緒與分析師行為之關聯性研究：以中國市場為

例」，會計審計論叢，1 卷 2 期：57~96。(Lin, M. F. and Chen, H. Y., 2011,

“Investor Sentiment and Analyst Behavior: Evidence from China,” Review of Accounting and Auditing Studies, Vol. 1, No. 2, 57-96.)

許永聲、彭詠旋，2016，「企業海外籌資策略與會計穩健政策」，管理評論，35 卷 1

期：73~95。(Hsu, Y. S. and Peng, Y. H., 2016, “Overseas Listing and Accounting

Conservatism,” Management Review, Vol. 35, No. 1, 73-95.)

陳瑞斌、劉立倫、翁慈青，2006，「公司治理與分析師預測誤差/離散性關係之研

究」，台灣金融財務季刊，7 卷 3 期：53~93。(Chen, J. P., Liu, L. L., and Weng, T.

C., 2006, “A Study of Association between Corporate Governance and Analyst's

Forecast Error and Dispersion,” Taiwan Banking and Finance Quarterly, Vol. 7, No.

3, 53-93.)

程心瑤、蔡宜芬，2006，「分析師預測與管理當局預測對於企業評價之相對有用性：

發佈時機與先後順序」，會計評論，42 期：81~107。(Cheng, H. Y. and Tsai, Y. F.,

2006, “The Relative Usefulness of Analyst Forecast and Management Forecasts in

Business Valuation: Timing and Sequence of Forecasts,” The International Journal of Accounting Studies, Vol. 42, No. 1, 81-107.)

廖秀梅、陳依婷，2010，「資訊揭露透明度、家族控制因素與盈餘價值攸關性」，東

吳會計學報，2 卷 2 期：1~23。(Liao, H. M. and Chen, Y. T., 2010, “Corporate

Disclosure Transparency, Family Control Factor and the Value Relevance of

Earnings,” Soochow Journal of Accounting, Vol. 2, No. 2, 1-23.)

賴紀誠、林問一、劉亞秋，2011，「台灣股市券商分析師盈餘預測之利益衝突」，臺

大管理論叢，22 卷 1 期：357~389。(Lai, C. C., Lin, W. Y., and Liu, A. Y., “The

Conflicts of Interest on Security Analysts' Earnings Forecasts in Taiwan,” NTU Management Review, Vol. 22, No. 1, 357-389.)

謝存瑞、陳俞如、葉日崧，2011，「國際化與創新表現：吸收能力與區位選擇之調節

效果」，管理與系統，18 卷 4 期：607~632。(Hsieh, T. J., Chen, Y. J., and Yeh, R.

S., 2011, “Internationalization and Firm Innovation Performance: The Moderating

Effects of Absorptive Capacity and Location Choice,” Journal of Management and System, Vol. 18, No. 4, 607-632.)


～330～

蘇友珊、吳豐祥，2015，「台灣生技公司如何運用開放式創新開發藥物？」，中山管

理評論，23 卷 1 期：335~376。(Su, Y. S. and Wu, F. S., 2015, “How Do Taiwanese

Biotechnology Companies Leverage Open Innovation to Develop New Drug,” Sun Yat-Sen Management Review, Vol. 23, No. 1, 335-376.)

Ali, A., Klasa, S., and Yeung, E., 2005, “Industry Concentration, Analysts’ Earnings

Forecasts and Bid-Ask Spread.” Working Paper, The University of Texas at Dallas.

Barker, V. L. and Mueller, G. C., 2002, “CEO Characteristics and Firm R&D Spending,”

Management Science, Vol. 48, No. 6, 782-801.

Barron, O. E., Byard, D., Kile, C., and Riedl, E. J., 2002, “High-Technology Intangibles

and Analysts’ Forecasts,” Journal of Accounting Research, Vol. 40, No. 2, 289-312.

Barron, O. E., Kyle, C. O., and O’ Keefe, T. B., 1999, “MD&A Quality as Measured by the

SEC and Analysts’ Earnings Forecasts,” Contemporary Accounting Research, Vol.

16, No. 1, 75-109.

Barth, M. E. and Hutton, A. P., 2004, “Analyst Earnings Forecast Revisions and the Pricing

of Accruals,” Review of Accounting Studies, Vol. 9, No. 1, 59-96.

Barth, M. E., Beaver, W. H., and Landsman, W. R., 1998, “Relative Valuation Role of

Equity Book Value and Net Income as a Function of Financial Health,” Journal of Accounting and Economics, Vol. 25, No. 1, 1-34.

Barth, M. E., Kasznik, R., and McNichols, M. F., 2001, “Analyst Coverage and Intangible

Assets,” Journal of Accounting Research, Vol. 39, No. 1, 1-34.

Basu, S. and Waymire, G., 2008, “Has the Importance of Intangibles Really Grown? And if

so, Why,” Accounting and Business Research, Vol. 38, No. 3, 171-190.

Beaver, W. H., Landsman, W. R., and Owens, E. L., 2012, “Asymmetry in Earnings

Timeliness and Persistence: A Simultaneous Equations Approach,” Review of Accounting Studies, Vol. 17, No. 4, 781-806.

Behn, B. K., Choi, J. H., and Kang, T., 2008, “Audit Quality and Properties of Analyst

Earnings Forecasts,” The Accounting Review, Vol. 83, No. 2, 327-349.

Bhushan, R., 1989, “Firm Characteristics and Analysts Following,” Journal of Accounting and Economics, Vol. 11, No. 2, 255-274.

Bradshaw, M. T., Richardson, S. A., and Sloan, R. G., 2006, “The Relation Between

Corporate Financing Activities, Analysts’ Forecasts and Stock Returns,” Journal of Accounting and Economics, Vol. 42, No. 1, 53-85.

Brown, J. R., Fazzari, S. M., and Petersen, B. C., 2009, “Financing Innovation and Growth:

Cash Flow, External Equity and the 1990s R&D Boom,” The Journal of Finance, Vol.

64, No. 1, 151-185.

Cardinal, L. B. and Hatfield, D. E., 2000, “Internal Knowledge Generation: The Research

中山管理評論

～331～

Laboratory and Innovative Productivity in the Pharmaceutical Industry,” Journal of Engineering and Technology Management, Vol. 17, No. 3, 247-271.

Chang, H. H., Chang, R. D., and Fang, C. J., 2014, “The Effects of Information

Transparency on Analysts’ Forecasts: Evidence from the Information Disclosure and

Transparency Ratings System in Taiwan,” Asia-Pacific Journal of Accounting & Economics, Vol. 20, No. 4, 405-428.

Clement, M. B. and Tse, S. Y., 2005, “Financial Analyst Characteristics and Herding

Behavior in Forecasting,” The Journal of Finance, Vol. 60, No. 1, 307-341.

Coffee, J., 2006, Gatekeepers-the Professions and Corporate Governance, 1st, Oxford,

UK: Oxford University Press.

Cohen, W. M. and Levinthal, D. A., 1989, “Innovation and Learning: The Two Faces of

R&D-Implications for the Analysis of R&D Investment,” The Economic Journal, Vol.

99, No. 397, 569-596.

Das, S., Levine, C. B., and Sivaramakrishnan, K., 1998, “Earnings Predictability and Bias

in Analysts’ Earnings Forecast,” The Accounting Review, Vol. 73, No. 2, 277‐294.

Daum, J. H., 2003, Intangible Assets and Value Creation, 1st, New York: John Wiley and

Sons.

Dedman, E., Lin, S. W. J., Prakash, A. J., and Chang, C. H., 2008, “Voluntary Disclosure

and its Impact on Share Prices: Evidence from the UK Biotechnology Sector,”

Journal of Accounting and Public Policy, Vol. 27, No. 3, 195-216.

Dugar, A. and Nathan, S., 1995, “The Effect of Investment Banking Relationships on

Financial Analysts’ Earnings Forecasts and Investment Recommendations,”

Contemporary Accounting Research, Vol. 12, No. 1, 131-160.

Duru, A. and Reeb, D. M., 2002, “International Diversification and Analysts’ Forecast

Accuracy and Bias,” The Accounting Review, Vol. 77, No. 2, 415-433.

Graham, B. and Dodd, D., 2008, Security Analysis, 6th, New York: McGraw Hill.

Greenhalgh, C. and Longland, M., 2005, “Running to Stand Still?-The Value of R&D,

Patents and Trade Marks in Innovating Manufacturing Firms,” International Journal of the Economics of Business, Vol. 12, No. 3, 307-328.

Griliches, Z., 1986, “Productivity, R&D, and Basic Research at the Firm Level in the

1970s,” American Economic Review, Vol. 76, No. 1, 141-154.

Gu, F. and Li, J. Q., 2010, “The Value-Relevance of Advertising: Evidence from

Pharmaceutical Industry,” Journal of Accounting, Auditing and Finance, Vol. 25,

No. 1, 85-120.

Gu, F. and Wang, W., 2005, “Intangible Assets, Information Complexity, and Analysts’

Earnings Forecasts,” Journal of Business Finance and Accounting, Vol. 32, No. 9-


～332～

10, 1673-1702.

Gu, F., 2005, “Innovation, Future Earnings, and Market Efficiency,” Journal of Accounting, Auditing and Finance, Vol. 20, No. 4, 385-418.

Gu, Z. and Chen, T., 2004, “Analysts' Treatment of Nonrecurring Items in Street Earnings,”

Journal of Accounting and Economics, Vol. 38, No. 1, 129-170.

Hall, B. H. and Ziedonis, R. H., 2001, “The Patent Paradox Revisited: An Empirical Study

of Patenting in the U.S. Semiconductor Industry, 1979-1995,” The RAND Journal of Economics, Vol. 32, No. 1, 101-128.

Hall, B. H., 1990, “The Manufacturing Sector Master File: 1959-1987.” NBER Working

Paper, National Burean of Economic Recearch.

Hall, B. J., Griliches, Z., and Hausman, J. A., 1986, “Patents and R and D: Is There a Lag,”

International Economic Review, Vol. 27, No. 2, 265-283.

Hall, B. H. and Oriani, R., 2006, “Does the Market Value R&D Investment by European

Firms? Evidence from a Panel of Manufacturing Firms in France, Germany, and Italy,”

International Journal of Industrial Organization, Vol. 24, No. 5, 971-993.

Hall, L. A. and Sharmistha, B. S., 2002, “A Study of R&D, Innovation, and Business

Performance in the Canadian Biotechnology Industry,” Technovation, Vol. 22, No. 4,

231-244.

Hansen, G. S. and Hill, C. W. L., 1991, “Are Institutional Investors Myopic? A Time-Series

Study of Four Technology-Driven Industries,” Strategic Management Journal, Vol.

12, No. 1, 1-16.

Healy, P. and Palepu, K., 2001, “Information Asymmetry, Corporate Disclosure, and the

Capital Markets: A Review of the Voluntary Disclosure Literature,” Journal of Accounting and Economics, Vol. 31, No. 1, 405‐440.

Heckman, J. J., 1979, “Sample Selection Bias as a Specification Error,” Econometrica, Vol.

47, No. 1, 153-162.

Helfat, C. E. and Peteraf, M. A., 2003, “The Dynamic Resource-Based View: Capability

Lifecycles Dynamic Capabilities Deconstructed Dynamic Capabilities Deconstructed

Dynamic Capabilities Deconstructed,” Strategic Management Journal, Vol. 24, No.

10, 997-1010.

Herrmann, D. and Thomas, W. B., 2005, “Rounding of Analyst Forecasts,” The Accounting Review, Vol. 80, No. 3, 805-823.

Hill, C. W. L. and Snell, S. A., 1989, “Effects of Ownership Structure and Control on

Corporate Productivity,” Academy of Management Journal, Vol. 32, No. 1, 25-46.

Hirschey, M., Richardson, V. J., and Scholz, S., 2001, “Value Relevance of Nonfinancial

Information: The Case of Patent Data,” Review of Quantitative Finance and

中山管理評論

～333～

Accounting, Vol. 17, No. 3, 223-235.

Hong, H. and Kubik, J. D., 2003, “Analyzing the Analysts: Career Concerns and Biased

Earnings Forecasts,” The Journal of Finance, Vol. 58, No. 1, 313-351.

Hong, H., Kubik, J. D., and Solomon, D., 2000, “Security Analysts' Career Concerns and

Herding of Earnings Forecasts,” Rand Journal of Economics, Vol. 31, No. 1, 121-

144.

Hope, O. K., 2003a, “Accounting Policy Disclosures and Analysts’ Forecast,”

Contemporary Accounting Research, Vol. 20, No. 2, 295-321.

Hope, O. K., 2003b, “Analyst Following and the Influence of Disclosure Components,

IPOs and Ownership Concentration,” Asia-Pacific Journal of Accounting and Economics, Vol. 10, No. 2, 117-141.

Imhoff, E. A. and Lobo, G. J., 1992, “The Effect of Ex Ante Earnings Uncertainty on

Earnings Response Coefficients,” The Accounting Review, Vol. 67, No. 2, 427-439.

Jackson, A. R., 2005, “Trade Generation, Reputation and Sell‐Side Analysts,” The Journal of Finance, Vol. 60, No. 2, 673-717.

Jacob, J., Lys, T., and Neal, M., 1999, “Expertise in Forecasting Performance of Security

Analysts,” Journal of Accounting and Economics, Vol. 28, No. 1, 27-50.

Jensen, E. J., 1987, “Research Expenditures and the Discovery of New Drugs,” Journal of Industrial Economics, Vol. 36, No. 1, 83-95.

Kothari, S. P., Laguerre, T. E., and Leone, A. J., 2002, “Capitalization versus Expensing:

Evidence on the Uncertainty of Future Earnings from Capital Expenditures versus

R&D Outlays,” Review of Accounting Studies, Vol. 7, No. 4, 355-382.

Kross, W., Ro, B., and Schroeder, D., 1990, “Earnings Expectations: The Analysts’

Information Advantage,” The Accounting Review, Vol. 65, No. 2, 461-476.

Kuemmerle, W., 1998, “Optimal Scale for Research and Development in Foreign

Environments: An Investigation Into Size and Performance of Research and

Development Laboratories Abroad,” Research Policy, Vol. 27, No. 2, 111‐126.

Kwon, S. S., 2002, “Financial Analysts’ Forecast Accuracy and Dispersion: High-Tech

Versus and Low-Tech Stocks,” Review of Quantitative Finance and Accounting, Vol.

19, No. 1, 65-91.

Lang, M. H. and Lundholm, R. J., 1996, “Corporate Disclosure Policy and Analyst

Behavior,” The Accounting Review, Vol. 71, No. 4, 467-492.

Langowitz, N. S. and Graves, S. B., 1992, “Innovative Productivity in Pharmaceutical

Firms,” Research Technology Management, Vol. 35, No. 2, 39-52.

Lev, B., 2001, Intangibles: Management, Measurement, and Reporting, 1st, Washington,

DC: Brookings Institution Press.


～334～

Lewin, A. Y. and Massini, S., 2003, “Knowledge Creation and Organizational Capabilities

of Innovating and Imitating Firms” in Tsoukas, H. and Mylonopoulos, N. (eds.),

Organizations as Knowledge Systems, First Edition, Basingstoke, UK: Palgrave, 1-

26.

Lim, T., 2001, “Rationally and Analysts’ Forecast Bias,” The Journal of Finance, Vol. 56,

No. 1, 369-385.

McMillan, C. S., Mauri, A., and Hamilton, R. D., 2003, “The Impact of Publishing and

Patenting Activities on New Product Development and Firm Performance: The Case of

the US Pharmaceutical Industry,” International Journal of Innovation Management, Vol. 7, No. 2, 213-221.

McTague, R. W., 2001, “Unger Says Securities Firms Complied Poorly with Rules Relating

to Analysts’ Investments,” Securities Regulation and Law, Vol. 33, No. 31, 1136-

1138.

Mikhail, M. B., Walther, B. R., and Willis, R. H., 1999, “Does Forecast Accuracy Matter to

Security Analysts,” The Accounting Review, Vol. 74, No. 2, 185‐200.

Palepu, K., 1985. “Diversification Strategy, Profit Performance and the Entropy Measure,”

Strategic Management Journal, Vol. 6, No. 3, 239-255.

Pandit, S., Wasley, C. E., and Zach, T., 2011, “The Effect of Research and Development

(R&D) Inputs and Outputs on the Relation between the Uncertainty of Future

Operating Performance and R&D Expenditures,” Journal of Accounting, Auditing and Finance, Vol. 26, No. 1, 121-144.

Payne, J. L. and Robb, S. W. G., 2000, “Earnings Management: The Effect of Ex Ante

Earnings Uncertainty,” Journal of Accounting, Auditing and Finance, Vol. 15, No. 4,

371-392.

Payne, J. W., Bettman, J. R., and Johnson, E. J., 1988, “Adaptive Strategy Selection in

Decision Making,” Journal of Experimental Psychology: Learning, Memory and Cognition, Vol. 14, No. 3, 534-552.

Peeters, C. and van Pottelsberghe de la Potterie, B., 2006, “Innovation Strategy and the

Patenting Behavior of Firms,” Journal of Evolutionary Economics, Vol. 16, No. 1-2,

109-135.

Penner-Hahn, J. and Shaver, J. M., 2005, “Does International Research and Development

Increase Patent Output? An Analysis of Japanese Pharmaceutical Firms,” Strategic Management Journal, Vol. 26, No. 2, 121-140.

Plumlee, M. A., 2003, “The Effect of Information Complexity on Analysts’ Use of that

Information,” The Accounting Review, Vol. 78, No. 1, 275‐296.

Rosenberg, N., 1990, “Why Do Firms Do Basic Research (With Their Own Money),”

中山管理評論

～335～

Research Policy, Vol. 19, No. 2, 165-174.

Schipper, K., 1991, “Analysts’ Forecasts,” Accounting Horizons, Vol. 5, No. 4, 105-121.

Upadhyay, A. and Sriram, R., 2011, “Board Size, Corporate Information Environment and

Cost of Capital,” Journal of Business Finance & Accounting, Vol. 38, No. 9-10,

1238-1261.

Vanstraelen, A., Zarzeski, M. T., and Robb, S. W. G., 2003, “Corporate Nonfinancial

Disclosure Practices and Financial Analyst Forecast Ability Across Three European

Countries,” Journal of International Financial Management and Accounting, Vol.

14, No. 3, 249-278.

Wooldridge, J. M., 2010, Econometric Analysis of Cross Section and Panel Data, 2nd,

New York: MIT Press.

Wyatt, A., 2005, “Accounting Recognition of Intangible Assets: Theory and Evidence on

Economic Determinants,” The Accounting Review, Vol. 80, No. 3, 967-1003.

Xie, Y., Zhang, Y., and Zhou, J., 2012, “National Level, City Level Auditor Industry

Specialization and Analyst Forecast,” International Journal of Auditing, Vol. 16, No.

3, 248-267.

Yang, Y. W., 2007, “The Value-Relevance of Nonfinancial Information: The Biotechnology

Industry,” Advances in Accounting, Vol. 23, No. 1, 287-314.

Yu, M., 2010, “Analyst Forecasts Properties, Analyst Following and Governance

Disclosure Disclosures: A Global Perspective,” Journal of International Accounting, Auditing and Taxation, Vol. 19, No. 1, 1-15.


～336～

作者簡介

陳光政

國立中央大學企業管理研究所博士。現職為逢甲大學會計學系專任助理

教授。研究領域為財務會計、公司治理與管理議題等。學術論文曾發表於

Asia-Pacific Journal of Accounting & Economics、Accounting & Finance、

International Review of Economics & Finance 、 Asia-Pacific Journal of

Management、管理學報與會計學報。

E-mail: [email protected]

紀信義

國立中央大學企業管理研究所博士。現職為國立中興大學會計學系專任

教授兼系主任、副總務長。研究領域為審計、公司治理等。學術論文曾發表

於Contemporary Accounting Research、Auditing: A Journal of Practice &

Theory 、 Corporate Governance: An International Review 、 Review of

Quantitative Finance and Accounting、Journal of Business Research、Advances

in Accounting、International Review of Economics & Finance、管理學報、證券

市場發展季刊、中山管理評論、會計評論、臺大管理論叢、管理與系統、中

華會計學刊等約20餘篇文章。

E-mail: [email protected]

製藥公司藥品許可證、研發與分析...

Documents