Apakah Perusahaan Disebarluaskan secara Strategis?

Bukti dari Penggunaan Media

Sosial Perusahaan

ABSTRAK:
Kami memeriksa apakah perusahaan menggunakan media sosial untuk menyebarkan
informasi keuangan secara strategis. Menganalisis penggunaan akun Twitter oleh S & P 1500
untuk menyebarluaskan pengumuman pendapatan kuartalan, kami menemukan bahwa
perusahaan kurang cenderung menyebar ketika berita buruk dan ketika besarnya berita buruk
lebih buruk, konsisten dengan perilaku strategis. Lebih jauh lagi, perusahaan cenderung
mengirim lebih sedikit tweet pengumuman penghasilan dan tweet "‘ ‘rehash’ ketika berita
buruk. Analisis cross-sectional menunjukkan bahwa insentif untuk diseminasi strategis lebih
tinggi untuk perusahaan dengan tingkat kecanggihan investor dan perusahaan yang lebih
rendah dengan audiens media sosial yang lebih besar. Kami juga menemukan bahwa perilaku
diseminasi strategis dapat dideteksi di perusahaan risiko litigasi tinggi, tetapi bukan
perusahaan risiko litigasi rendah. Akhirnya, kami menemukan bahwa tweeting berita buruk
dan retweeting berikutnya dari berita tersebut oleh pengikut perusahaan terkait dengan lebih
banyak artikel berita negatif yang ditulis tentang perusahaan oleh media tradisional,
menyoroti potensi downside ke penyebaran Twitter.

I. INTRODUCTION

Kami memeriksa apakah perusahaan secara strategis menyebarkan informasi kepada publik.
Diseminasi strategis berbeda dari pengungkapan strategis, di mana perusahaan secara
sukarela memberikan informasi kepada publik jika manfaatnya melebihi biaya (Schrand dan
Walther 2000; Lougee dan Marquardt 2004; Kothari, Shu, dan Wysocki 2009). Sebaliknya,
diseminasi strategis mengacu pada perusahaan yang memilih untuk menggunakan atau tidak
menggunakan saluran komunikasi tertentu untuk mendistribusikan informasi sukarela dan
wajib. Sebagai contoh, sementara perusahaan harus mengajukan laporan triwulan dengan
Securities and Exchange Commission (SEC), mereka dapat menjadi strategis dalam
penggunaan siaran pers, panggilan konferensi, dan media sosial untuk menyebarluaskan,
mendiskusikan, dan mempromosikan hasil kuartalan mereka. Dengan demikian, keputusan
diseminasi melampaui keputusan pengungkapan dan mengungkapkan bagaimana perusahaan
mencoba untuk mengendalikan lingkungan informasi mereka.

Tidak seperti pengungkapan strategis, diseminasi strategis belum didokumentasikan secara

langsung dalam literatur karena kesulitan yang melekat dalam mengisolasi keputusan
diseminasi dari keputusan pengungkapan. Kedua keputusan itu tidak dapat dipisahkan
(misalnya, pengungkapan kuartalan harus diajukan kepada SEC, dan sebagian besar
perusahaan selalu melakukan panggilan konferensi triwulanan untuk membahas
pengungkapan) atau saluran penyebaran tidak dikontrol oleh perusahaan (misalnya, pers
bisnis membuat keputusan editorial tentang perusahaan mana yang harus ditutup). Penelitian
sebelumnya memeriksa pers bisnis (Bushee, Core, Guay, dan Hamm 2010; Drake, Guest, dan
Twedt 2014; Rogers, Skinner, dan Zechman 2016), layanan newswire (Li, Ramesh, dan Shen
2011; Twedt 2016), konferensi panggilan (Frankel, Johnson, dan Skinner 1999; Bushee,
Matsumoto, dan Miller 2003), dan media sosial (Blankespoor, Miller, dan White 2014) telah
menetapkan bahwa proses diseminasi memiliki konsekuensi penting di atas dan di luar
keputusan pengungkapan. Oleh karena itu, penelitian kami mencoba untuk mengisolasi
keputusan diseminasi dari keputusan pengungkapan untuk lebih memahami apakah
perusahaan (dan manajer mereka) berperilaku strategis sehubungan dengan pilihan
diseminasi mereka.

Investigasi kami tentang diseminasi strategis berfokus pada pengumuman laba triwulanan
yang disebarkan di platform media sosial Twitter oleh perusahaan Standard & Poor's (S & P)
1500. Kami fokus pada pengumuman laba karena mereka sangat penting bagi investor dan
merupakan pengungkapan wajib yang tidak perlu disebarluaskan di Twitter, yang
memungkinkan kami untuk mengisolasi keputusan diseminasi dari keputusan pengungkapan.
Kami fokus pada Twitter karena data kami mengungkapkan bahwa itu telah melampaui
platform media sosial lainnya dalam adopsi perusahaan umum dan untuk menyebarluaskan
pengumuman terkait investor, seperti pengumuman laba, yang memberikan kekuatan untuk
pengujian empiris kami. Studi kami didasarkan pada penelitian sebelumnya yang telah
menyelidiki penggunaan pertemuan analis pribadi (misalnya, Bamber dan Cheon 1998) dan
situs web perusahaan (misalnya, Ashbaugh, Johnstone, dan Warfield 1999; Deller,
Stubenrath, dan Weber 1999; Debreceny, Gray, dan Rahman 2002) untuk menyebarluaskan
informasi. Namun, penelitian kami berkontribusi pada literatur dengan memeriksa diseminasi
strategis perusahaan: (1) setelah diberlakukannya Peraturan Pengungkapan yang Adil, 1 yang
melarang diseminasi pribadi, dan (2) di era di mana penyebaran publik melalui media sosial
menjangkau khalayak yang lebih luas lebih langsung dan cepat daripada informasi yang
diposting ke situs web perusahaan, karena teknologi seluler telah mendorong adopsi media
sosial di seluruh dunia ke tingkat yang belum pernah ada.2

Fokus utama kami adalah untuk memeriksa apakah perusahaan strategis dalam penyebaran
berita mereka. Ex ante, tidak jelas apakah perusahaan secara selektif menyebarkan beberapa
jenis berita dan bukan yang lain. Jika perusahaan ingin membangun atau mempertahankan
reputasi untuk transparansi dan kepercayaan, maka mereka harus memiliki kebijakan yang
konsisten (mis., Selalu atau tidak pernah) untuk menyebarkan berita perusahaan. Namun, jika
perusahaan hanya ingin mempromosikan berita baik atau menjelaskan berita buruk (Miller
dan Skinner 2015; Lee, Hutton, dan Shu 2015), maka mereka akan selektif dalam
menggunakan media sosial. Dalam pengaturan pengumuman laba, di mana berita dapat
dianggap baik atau buruk relatif terhadap perkiraan konsensus analis, kami berhipotesis
bahwa perusahaan lebih mungkin untuk menyebarkan berita baik melalui media sosial.
Meskipun kami menunda pembahasan lebih lengkap tentang insentif untuk penyebaran
strategis atas media sosial ke Bagian II, intuisi untuk hipotesis kami adalah sederhana —
perusahaan (dan manajer mereka) ingin menyebarkan berita baik seluas mungkin, tetapi tidak
mempublikasikan berita buruk lagi daripada yang diperlukan. Berita penghasilan buruk sudah
disebarluaskan melalui saluran tradisional (misalnya, siaran pers yang dikirim ke newswires)
dan perusahaan tidak berkewajiban memperluas penyebaran melalui media sosial.
Konsisten dengan harapan ini, kami menemukan bahwa perusahaan kurang mungkin untuk
menyebarkan berita pendapatan kuartalan melalui Twitter ketika berita buruk dan ketika
pendapatan meleset lebih besar, konsisten dengan perilaku diseminasi strategis. Kami lebih
lanjut memeriksa perilaku ini dengan menguji apakah tingkat (atau jumlah) dari diseminasi
strategis dikaitkan dengan arah berita. Twitter adalah pengaturan yang ideal untuk menguji
hipotesis ini karena perusahaan dapat memilih untuk mengirim satu pesan (satu tweet) atau
beberapa pesan yang diulang ke pengikut tentang peristiwa informasi yang sama. Dengan
demikian, kami mengukur tingkat penyebaran dengan jumlah tweet yang dikirimkan
perusahaan dalam kuartal tertentu tentang pengumuman pendapatan yang sama. Kami
menemukan beberapa bukti, meskipun lebih lemah, bahwa perusahaan cenderung mengirim
lebih sedikit pengumuman laba (EA) ketika berita buruk, sekali lagi mendukung gagasan
bahwa perusahaan secara strategis menyebarluaskan. Selain itu, kami memeriksa
pengumuman laba '' pratinjau '' dan '' rehash '' tweets (dibahas dalam Bagian III) dan
menemukan bahwa perusahaan cenderung mengirim lebih sedikit rehash tweet ketika
besarnya pendapatan berita lebih buruk, konsisten dengan hasil utama kami menggunakan
EA tweet. Pengaturan Twitter juga memungkinkan kita untuk memeriksa waktu yang tepat
dari tweet EA relatif terhadap waktu pengumuman laba (misalnya, waktu siaran pers).
Namun, kami tidak menemukan bukti bahwa perusahaan strategis dalam menunda tweet EA,
misalnya, hingga setelah pasar tutup.

Meskipun pengungkapan dan diseminasi berbeda, keduanya dapat dimanfaatkan untuk

membentuk lingkungan informasi perusahaan. Oleh karena itu, insentif yang memengaruhi
tingkat pengungkapan perusahaan juga dapat memengaruhi tingkat penyebaran. Kami
mempertimbangkan tiga insentif pengungkapan dan penyebaran terkait yang berbeda —
risiko litigasi perusahaan secara keseluruhan, kecanggihan basis investornya, dan ukuran
khalayak media sosialnya. Dua konstruk pertama telah digunakan dalam literatur
pengungkapan strategis untuk menguji variasi cross-sectional dalam pengungkapan
perusahaan, sementara yang ketiga adalah unik untuk pengaturan kami. Dalam analisis cross-
sectional kami, kami menemukan bukti bahwa diseminasi strategis perusahaan, atau insentif
untuk melakukannya, lebih besar untuk perusahaan dengan tingkat kecanggihan investor dan
perusahaan yang lebih rendah dengan audiens media sosial yang lebih besar. Kami juga
menemukan bahwa perilaku diseminasi strategis dapat dideteksi di perusahaan risiko litigasi
tinggi, tetapi bukan perusahaan risiko litigasi rendah.

Selanjutnya, kami menyelidiki bagaimana pengguna media sosial menanggapi diseminasi

strategis. Twitter tidak hanya memungkinkan perusahaan untuk secara langsung menge-tweet
informasi ke pengikut mereka, tetapi juga memungkinkan pengikut perusahaan untuk ''
retweet ’informasi kepada pengikut mereka. Kami tertarik untuk memeriksa apakah frekuensi
retweeting berita laba perusahaan dan ukuran pemirsa yang menerima retweet terkait dengan
arah berita pendapatan. Kami menemukan bahwa sementara perusahaan menunjukkan
perilaku strategis dalam penyebaran berita pendapatan mereka melalui Twitter, pengikut
mereka tidak lebih atau kurang cenderung untuk me-retweet berita baik atau buruk.
Akhirnya, kami memeriksa hubungan antara penyebaran dan reaksi Twitter dari media
tradisional dan pasar modal. Kami mengingatkan bahwa segala arah kausalitas sulit
dibuktikan, karena keputusan diseminasi perusahaan dapat menjadi respon terhadap media
dan reaksi pasar atau sebaliknya. Oleh karena itu, kami melakukan analisis ini dengan
maksud untuk memberikan bukti deskriptif tentang apakah penyebaran Twitter terkait dengan
media dan reaksi pasar. Kami menemukan beberapa bukti bahwa penyebaran berita
pendapatan buruk melalui Twitter oleh perusahaan, dan retweeting berikutnya dari berita oleh
pengikut perusahaan, terkait dengan lebih banyak artikel berita negatif yang ditulis tentang
perusahaan pada saat pengumuman laba. Dalam hal reaksi pasar, kami menemukan bahwa
bid-ask spread yang abnormal lebih kecil ketika perusahaan membuat tweet EA ke sejumlah
pengikut yang lebih besar, sedangkan pengurangan spread dikurangi jika ada lebih banyak
retweet dari tweet EA perusahaan kepada pengguna yang jangan langsung mengikuti
perusahaan. Hasil ini konsisten dengan gagasan bahwa penyebaran media sosial yang
diprakarsai perusahaan dapat meningkatkan lingkungan informasi perusahaan, tetapi dialog
yang dimulai pengguna yang tidak dikontrol oleh perusahaan mungkin memiliki efek
pengimbang.

Penelitian ini berkontribusi pada beberapa aliran penelitian akuntansi. Pertama, kami
memperluas literatur pengungkapan strategis yang telah meneliti bagaimana perusahaan
menggunakan penekanan dan nada dalam pengumuman pendapatan kuartalan untuk
mempengaruhi persepsi investor (Schrand dan Walther 2000; Lougee dan Marquardt 2004;
Rogers, Van Buskirk, dan Zechman 2011; Davis, Ge, Matsumoto , dan Zhang 2015). Studi
kami menunjukkan bahwa perusahaan mencoba untuk lebih mengontrol lingkungan
informasi mereka dengan secara selektif menggunakan saluran komunikasi tertentu untuk
pengumuman laba triwulanan. Kedua, kami berkontribusi pada penelitian sebelumnya yang
telah meneliti waktu strategis pengungkapan untuk menguntungkan manajer perusahaan
(Aboody dan Kasznik 2000; Doyle dan Magilke 2009; Niessner 2015). Dalam semua studi di
atas, baik keputusan untuk mengungkapkan diperiksa dengan perhatian terbatas untuk
bagaimana pengungkapan itu disebarluaskan, atau keputusan untuk mengungkapkan dibuat
bersama-sama dengan keputusan untuk menggunakan saluran komunikasi tertentu. 3 Kami
menambah literatur ini dengan mengisolasi keputusan diseminasi dan mendokumentasikan
bahwa perusahaan secara strategis menyebarluaskan informasi kepada publik.

Ketiga, penelitian kami juga memperluas kerja terbaru yang meneliti penggunaan media
sosial oleh perusahaan untuk meningkatkan lingkungan informasi mereka. Blankespoor et al.
(2014) memeriksa pengadopsi awal Twitter dan menemukan bahwa perusahaan teknologi
rendah visibilitas yang menggunakan Twitter untuk menyebarkan berita mereka secara lebih
luas dapat mengurangi asimetri informasi dan meningkatkan likuiditas stok mereka. Namun,
mereka tidak menemukan bukti diseminasi strategis, sedangkan kami menemukan bukti
tersebut menggunakan sampel perusahaan yang lebih luas dan lebih baru. Lee et al. (2015)
menguji pasar dan reaksi media terhadap penggunaan media sosial oleh perusahaan dalam
konteks penarikan kembali produk dan menemukan bahwa perusahaan dapat mengurangi
reaksi negatif yang terkait dengan penarikan kembali produk, tetapi efeknya dapat memburuk
jika perusahaan kehilangan kendali atas media sosial dialog. Hasil kami melengkapi mereka
dari Lee et al. (2015) dengan menunjukkan bahwa retweeting berita laba yang buruk dapat
dikaitkan dengan liputan media tradisional yang lebih negatif dan mengurangi manfaat yang
terkait dengan pengurangan asimetri informasi.

II. BACKGROUND AND HYPOTHESIS DEVELOPMENT

Keputusan perusahaan untuk menyebarluaskan informasi keuangan melalui media sosial
dapat dilihat sebagai perpanjangan dari strategi pengungkapannya. Manajer memiliki insentif
pasar modal untuk meningkatkan nilai perusahaan, dan satu mekanisme untuk mencapai
tujuan ini adalah untuk mengurangi biaya modal melalui pengungkapan strategis (Verrecchia
1983; Botosan 1997). Perilaku pengungkapan strategis telah didokumentasikan dalam
berbagai pengaturan. Misalnya, penelitian sebelumnya yang memeriksa pengungkapan
perusahaan tentang pengumuman laba, prakiraan manajemen, dan panggilan konferensi
menemukan bahwa arah berita pendapatan (yaitu, baik atau buruk) mempengaruhi aspek dari
keputusan pengungkapan (misalnya, Skinner 1994; Healy dan Palepu 1995; Aboody dan
Kasznik 2000; Trueman 1986; McVay 2006). Faktanya, penelitian tentang panggilan
konferensi sering kali berfokus pada bagaimana manajemen secara strategis menggunakan
tempat untuk menempatkan spin positif pada kinerja perusahaan (mis., Mayew 2008;
Kimbrough dan Louis 2011; Hobson, Mayew, dan Venkatachalam 2012; Larcker dan
Zakolyukina 2012). Namun, literatur ini biasanya diam tentang saluran penyebaran yang
harus digunakan atau diasumsikan oleh pengelola bahwa diseminasi adalah pilihan semua-
atau-tidak ada (misalnya, jika opsi pengungkapan adalah biner, maka begitu juga pilihan
untuk menyebarluaskan pengungkapan).

Berbagai tingkat penyebaran harus menjadi pertimbangan dalam strategi pengungkapan

perusahaan karena penyebaran yang lebih luas meningkatkan kesadaran publik terhadap
pengungkapan perusahaan dan dapat meningkatkan pengakuan investor terhadap perusahaan
itu sendiri, yang, secara teori, meningkatkan nilai perusahaan (Merton 1987). Sejumlah studi
empiris baru-baru ini telah memberikan bukti yang menunjukkan bahwa bagaimana
pengungkapan hal-hal yang disebarluaskan. Sebagai contoh, penelitian telah menunjukkan
bahwa peningkatan penyebaran berita baru mempengaruhi harga saham (Li et al. 2011),
mengurangi asimetri informasi (Bushee et al. 2010), dan mempengaruhi proses penemuan
harga (Twedt 2016). Studi-studi ini menyoroti gagasan bahwa diseminasi berbeda dari
pengungkapan, dan diseminasi itu sendiri memiliki konsekuensi pasar modal yang berpotensi
penting. Namun, studi ini tidak mengidentifikasi apakah perusahaan secara strategis
menyebarluaskan karena layanan newswire, daripada perusahaan, membuat keputusan
diseminasi.

Media sosial, dan khususnya, Twitter, memberikan pengaturan unik untuk memeriksa apakah
perusahaan secara strategis menyebarluaskan. Secara konvensional, jika perusahaan ingin
mempublikasikan informasi terkait investor, seperti pengumuman laba, maka ia akan
mengirim siaran pers ke perantara, seperti layanan newswire, database penelitian ekuitas, dan
perusahaan pialang (Frankel et al. 1999). Dengan pendekatan ini, perusahaan tidak akan tahu
apakah atau saat ada calon investor yang ada atau menerima informasi. Sebaliknya,
perusahaan dapat menggunakan Twitter untuk: (1) menyebarkan informasi secara langsung
ke pengikutnya tanpa perantara, (2) mengontrol waktu penyebaran, (3) mengirim beberapa
pesan yang berulang (atau pesan serupa) selama beberapa hari terkait dengan acara informasi
yang sama, dan (4) tahu jumlah pastinya pengikut. Aspek teknis dari Twitter juga
menunjukkan bahwa masuk akal untuk mengasumsikan bahwa pesan di Twitter hanya
berfungsi memperluas penyebaran pengumuman laba daripada mengungkapkan informasi
baru tentang pengumuman laba. Ada batasan 140 karakter pada tweet, sehingga perusahaan
sering menyertakan kutipan yang sudah dibuat dalam siaran pers atau panggilan konferensi
(lihat Lampiran B untuk contoh) dan hyperlink ke siaran pers lengkap dari pengumuman
penghasilan (Blankespoor et al. 2014). Fitur-fitur ini menunjukkan bahwa perusahaan dapat
menggunakan Twitter untuk memperluas penyebaran dan mengatasi kurangnya perhatian
investor (Hirshleifer dan Teoh 2003; Hirshleifer, Lim, dan Teoh 2009) yang dapat bertahan
meskipun diseminasi melalui saluran tradisional, seperti Blankespoor et al. (2014) tampilkan
untuk pengguna Twitter awal. Yang penting, perusahaan tidak berkewajiban menggunakan
Twitter untuk memperluas atau mengulangi penyebaran informasi yang juga telah
disebarluaskan melalui saluran tradisional, yang memungkinkan kita untuk membedakan
keputusan diseminasi dari keputusan pengungkapan.5

Seperti disebutkan sebelumnya, tidak jelas, ex ante, jika perusahaan secara selektif atau
strategis menggunakan media sosial untuk menyebarluaskan beberapa jenis berita dan bukan
yang lain. Pertama, jika perusahaan ingin membangun atau mempertahankan reputasi untuk
transparansi dan kepercayaan, maka mereka harus memiliki kebijakan perusahaan untuk: (1)
tidak pernah menggunakan media sosial, (2) hanya menggunakan media sosial untuk tujuan
pemasaran (non finansial), atau ( 3) menggunakan media sosial untuk berita keuangan secara
konsisten, terlepas dari apakah berita tersebut muncul baik atau buruk. Kedua, mungkin juga
bahwa perusahaan dapat menggunakan media sosial lebih banyak untuk mengurangi berita
buruk, seperti ketidakpastian investor yang diciptakan oleh kejutan pendapatan negatif yang
besar (Miller dan Skinner 2015), atau krisis lain seperti penarikan kembali produk (Lee et al.
2015). Sebagai kemungkinan ketiga, perusahaan mungkin lebih cenderung menyebarluaskan
hanya berita baik di media sosial. Insentif untuk mempromosikan berita baik terkait dengan
insentif pengungkapan strategis yang dibahas sebelumnya untuk meningkatkan nilai
perusahaan. Artinya, jika perusahaan mengharapkan bahwa pengungkapan akan
meningkatkan nilai perusahaan, maka ia akan ingin meningkatkan penyebaran pengungkapan
itu. Bahkan, dengan Twitter, perusahaan dapat mengirim beberapa tweet berulang untuk juga
meningkatkan penekanan pada pengungkapan itu.

Dalam pengaturan pengumuman laba kuartalan kami, di mana berita laba yang baik dan
buruk dapat didasarkan pada apakah penghasilan terpenuhi atau meleset dari ekspektasi
analis, kami mengharapkan insentif untuk menekankan kinerja positif untuk mendominasi.
Sebagai hasilnya, kami menempatkan bahwa para manajer dengan berita penghasilan yang
baik akan berusaha untuk meningkatkan penyebaran diseminasi menggunakan media sosial,
tetapi para manajer dengan berita pendapatan yang buruk tidak akan. Bukti perilaku tersebut
konsisten dengan diseminasi strategis. Kami menyatakan hipotesis pertama kami sebagai
berikut:
H1a: Diseminasi strategis dikaitkan dengan arah berita; perusahaan lebih (kurang)
kemungkinan untuk menyebarkan berita baik (buruk) melalui media sosial.

Kami juga memanfaatkan fitur Twitter yang memungkinkan perusahaan untuk mengirim
beberapa tweet berulang (atau tweet serupa) tentang pengumuman laba kuartal yang sama
untuk mengukur sejauh mana (atau jumlah) dari diseminasi strategis. Mirip dengan hipotesis
pertama kami, kami berharap tingkat penyebaran strategis dikaitkan dengan arah berita:

H1b: Tingkat penyebaran strategis dikaitkan dengan arah berita; dalam kuartal yang sama,
perusahaan cenderung mengirim lebih banyak berita baik (lebih sedikit berita buruk) tweet
melalui media sosial.

Di luar pengujian hipotesis di atas, yang dimaksudkan untuk memberikan bukti bagi
pertanyaan penelitian kami tentang apakah perusahaan menggunakan Twitter untuk
penyebaran strategis, kami melakukan dua set analisis tambahan. Dalam rangkaian analisis
pertama, kami memeriksa tiga faktor lintas bagian yang kami hipotesakan dapat memperkuat
atau memperlemah insentif untuk diseminasi strategis. Faktor-faktor ini adalah tingkat risiko
litigasi perusahaan, kecanggihan rata-rata investor perusahaan, dan ukuran pemirsa media
sosial perusahaan. Ex ante, efek dari risiko litigasi pada diseminasi strategis tidak jelas. Di
satu sisi, perusahaan yang menghadapi risiko litigasi tinggi (Skinner 1994) mungkin tidak
ingin tampil bias dalam pilihan diseminasi mereka dan, dengan demikian, mereka akan
mengadopsi kebijakan yang konsisten untuk selalu atau tidak pernah menyebarluaskan berita
keuangan melalui media sosial terlepas dari arah berita. Di sisi lain, perusahaan yang
waspada terhadap gugatan class action sekuritas yang disebabkan oleh penurunan signifikan
dalam harga saham mungkin lebih kecil kemungkinannya untuk menyebarkan berita buruk
melalui media sosial dan, dengan demikian, menjadi lebih strategis dalam pilihan diseminasi
mereka. Mengenai kecanggihan investor, sebagai investor ritel individu lebih cenderung
membeli saham yang menarik perhatian mereka (Barber dan Odean 2008), dan jika tweeting
kabar baik dimaksudkan untuk mendapatkan perhatian di media sosial dan tidak menge-tweet
berita buruk dimaksudkan untuk menghindari perhatian yang tidak perlu, Maka insentif untuk
diseminasi strategis harus lebih besar untuk perusahaan dengan basis investor ritel yang lebih
besar. Mengenai ukuran audiens media sosial perusahaan, kami berharap bahwa kemampuan
untuk membentuk lingkungan informasi perusahaan lebih kuat ketika perusahaan memiliki
audiens media sosial yang lebih besar dan, oleh karena itu, insentif untuk diseminasi strategis
harus lebih besar untuk perusahaan dengan sosial yang lebih besar audiens media.

Di set kedua analisis, kami menjelaskan konsekuensi dari menyebarkan berita penghasilan
melalui Twitter. Twitter memungkinkan perusahaan untuk tidak hanya menge-tweet
informasi langsung kepada pengikut mereka, tetapi juga memungkinkan pengikut perusahaan
untuk '' retweet ’informasi kepada pengikut mereka. Jadi, kami memeriksa sejauh mana (jika
ada) pengikut Twitter perusahaan me-retweet tweet pengumuman laba perusahaan. Kami
juga menguji apakah diseminasi melalui media sosial terkait dengan reaksi dari media
tradisional dan pasar modal. Kami mengingatkan bahwa segala arah kausalitas sulit untuk
ditampilkan karena media dan pasar dapat merespon (1) penyebaran media sosial, (2)
penyebaran media tradisional, (3) konten informasi dari pengumuman laba, atau ( 4)
keputusan perusahaan untuk menyebarluaskan media sosial dapat menjadi respon terhadap
media atau reaksi pasar. Sebagai hasilnya, tujuan pengujian kami adalah menyediakan bukti
deskriptif tentang hubungan antara penyebaran Twitter dan media dan pasar modal.

III. DATA AND DESCRIPTIVE STATISTICS

Kami mulai dengan semua perusahaan yang termasuk dalam indeks S & P 1500 pada Januari
2013, yang merupakan bulan awal pengumpulan data kami. Kami mengidentifikasi apakah
setiap perusahaan memiliki kehadiran media sosial di Twitter, Facebook, LinkedIn, Pinterest,
YouTube, dan Googleþ dengan mengunjungi situs web perusahaan dan mencari ikon atau
tautan ke situs media sosialnya. Langkah ini memastikan bahwa kami menemukan situs
media sosial perusahaan yang sebenarnya, dibandingkan dengan situs yang dikelola oleh
komunitas atau grup pengguna yang terkait dengan perusahaan. Jika kami tidak menemukan
tautan media sosial di situs web perusahaan, maka kami mencari keberadaan perusahaan
secara manual di masing-masing situs media sosial, dengan berhati-hati untuk menggunakan
hanya halaman perusahaan resmi jika ada.

Kami menemukan bahwa Twitter dan Facebook adalah dua platform media sosial yang
paling sering diadopsi untuk perusahaan. Kami merangkum temuan kami oleh industri
(Fama-French 30) pada Tabel 1, Panel A, yang menunjukkan bahwa pengadopsian Twitter
dan Facebook melebihi 47 persen dan 44 persen, masing-masing, dan tertinggi untuk industri
yang berhadapan dengan pelanggan ritel seperti Makanan, Ritel , Buku, dan Layanan
(masing-masing lebih dari 60 persen) dan terendah untuk sektor industri seperti Minyak dan
Baja (sekitar 20 persen). Kami menemukan penerapan perusahaan yang lebih rendah untuk
platform media sosial lainnya, menunjukkan bahwa mereka kurang kondusif untuk
menyampaikan komunikasi perusahaan. Meskipun penelitian sebelumnya telah
mendokumentasikan adopsi perusahaan media sosial untuk tujuan pemasaran (Lee,
Hosanagar, dan Nair 2017; Gong, Zhang, Zhao, dan Jiang 2017), kami fokus pada adopsi
perusahaan untuk menyebarkan berita keuangan (dibahas nanti secara lebih rinci), yang
belum diperiksa dalam studi sebelumnya untuk sampel perusahaan besar.

Kami juga mengumpulkan data tentang kapan perusahaan bergabung dengan Twitter atau
Facebook dengan mencari tweet atau postingan paling awal. Kecenderungan waktu dalam
adopsi media sosial perusahaan untuk Facebook dan Twitter diilustrasikan pada Gambar 1.
Pengadopsi awal Facebook bergabung pada bulan November 2007 dan set pertama
perusahaan untuk membuat akun Twitter melakukannya pada bulan Mei 2008. Pada awal
2013, adopsi perusahaan tingkat Twitter melampaui tarif untuk Facebook. Pada akhir periode
pengumpulan data kami, 52 persen dari perusahaan S & P 1500 telah mengadopsi satu atau
yang lain, dan tampaknya Twitter telah menjadi platform media sosial yang lebih disukai
untuk perusahaan.

TABEL 1
Statistik Sampel dan Ringkasan
 Tabel 1 menyajikan ringkasan statistik dari perusahaan sampel yang menjadi anggota indeks S & P
1500 per Januari 2013, yang merupakan bulan awal pengumpulan data kami. Panel A
menunjukkan adopsi oleh perusahaan, dikelompokkan dalam industri 30 Prancis Fama, di enam
platform media sosial populer. Panel B menunjukkan jenis pengumuman perusahaan yang paling
sering ditiru investor di Twitter. Panel C menunjukkan jumlah perusahaan Twitter (yang telah
mengadopsi Twitter), dikelompokkan dalam industri Fama-French 30, yang menge-tweet tiga jenis
pengumuman terkait laba: (1) yang dikirim pada tanggal pengumuman laba ('' EA tweets ' '), (2)
yang dikirim sebelumnya untuk mengingatkan investor tentang pengumuman pendapatan yang
akan datang (' 'pratinjau tweet' '), dan (3) orang-orang yang menarik perhatian pada pengumuman
pendapatan baru-baru ini (' 'rehash tweets' '). Kami mengklasifikasikan tweet terkait laba untuk
menjadi pratinjau, EA, atau rehash jika terjadi dalam jendela (_30, _1), (0), atau (þ1, þ10), masing-
masing, dengan hari 0 adalah tanggal pengumuman penghasilan. Panel D menunjukkan tiga
kategori perusahaan: (1) '' Perusahaan Biasa '' men-tweet berita pendapatan setiap kuartal setelah
pertama kali, (2) '' Perusahaan Pemberhentian Start-Stop '' men-tweet berita pendapatan untuk satu
atau lebih kuartal dan kemudian berhenti, dan (3) '' Perusahaan Sporadis '' men-tweet berita
pendapatan di beberapa kalangan, tetapi tidak yang lain, dengan cara ad hoc yang jelas.

Adopsi media sosial tidak selalu berarti bahwa media sosial digunakan oleh perusahaan untuk
menyebarkan informasi secara strategis. Oleh karena itu, langkah kita berikutnya adalah
menganalisis jenis informasi yang berfokus pada investor yang disebarkan oleh perusahaan
melalui media sosial. Kami fokus pada Twitter untuk analisis ini karena data menunjukkan
bahwa Twitter adalah platform media sosial yang lebih disukai, seperti yang ditunjukkan
pada Tabel 1, Panel A dan tren seri waktu pada Gambar 1. Kami menggunakan Antarmuka
Program Aplikasi Twitter (API) untuk ambil teks lengkap setiap tweet untuk setiap
perusahaan dalam sampel kami dari kuartal pertama tahun 2010 hingga kuartal pertama
2013.6 Kami kemudian mengidentifikasi tweet yang termasuk dalam hubungan investor
dengan secara manual mencari tweet tentang pengumuman laba, dividen, pembelian kembali
saham , perubahan dalam manajemen atau dewan direksi, merger dan akuisisi, dan
pengumuman baru tentang investasi, produk, dan pelanggan

Penghasilan tweet pengumuman adalah jenis yang paling umum dari tweet yang berfokus
pada investor, jauh melebihi jumlah tweets terkait dengan perputaran eksekutif, dividen,
dewan direksi, dan bahkan produk dan pelanggan baru. Temuan kami dirangkum dalam
Tabel 1, Panel B. Lebih dari setengah dari 712 perusahaan (57 persen) yang menggunakan
Twitter telah men-tweet pengumuman penghasilan setidaknya sekali selama periode sampel
kami. Karena banyaknya jumlah tweet yang terkait dengan pengumuman laba, kami
selanjutnya memilah mereka menjadi tiga subtipe: yang dikirim pada tanggal pengumuman
laba ('' EA tweets ''), yang dikirim hari sebelumnya untuk mengingatkan investor tentang
pengumuman pendapatan yang akan datang (' 'pratinjau tweet' '), dan yang dikirim hari
kemudian yang menarik perhatian pada pengumuman pendapatan baru-baru ini (' 'rehash
tweets' ') .8 Relatif terhadap waktu pengumuman laba perusahaan (yaitu, waktu siaran pers),
EA tweet terjadi, rata-rata, 37 menit kemudian. Nilai kuartil pertama dan ketiga untuk jumlah
waktu antara pengumuman laba dan tweet EA pertama adalah sepuluh menit dan dua jam.
Pratinjau tweet terjadi, rata-rata, 13 hari sebelum tanggal pengumuman penghasilan, dan
pengulangan tweet terjadi satu hingga dua hari setelah tanggal pengumuman penghasilan.
Berbagai jenis tweet terkait laba ini menggambarkan fleksibilitas di mana perusahaan dapat
mengontrol waktu penyebaran pendapatan melalui media sosial, dan kemampuan untuk
mengirim beberapa pesan yang berulang (atau pesan serupa) tentang peristiwa informasi yang
sama yang mencakup beberapa hari. Kami menemukan bahwa lebih dari sepertiga
perusahaan mengirim pratinjau atau rehash tweet. Dalam Lampiran B, kami menyediakan
contoh pratinjau, EA, dan rehash tweet dari Alcoa Inc.

FIGURE 1
Adoption of Twitter and Facebook over Time by S&P 1500 Firms

Sisa analisis kami berfokus pada tweet terkait laba. Karena bukti kami menunjukkan bahwa
Twitter adalah platform media sosial yang lebih disukai untuk perusahaan dan bahwa
pengumuman pendapatan adalah jenis tweet terkait investor yang paling menonjol, berfokus
pada tweet yang terkait dengan laba harus memberikan desain penelitian yang paling kuat.
Selanjutnya, seperti yang telah dibahas sebelumnya, pengaturan ini menguntungkan karena
(1) pengumuman laba telah ditunjukkan dalam pekerjaan sebelumnya untuk menjadi
kepentingan tingkat pertama bagi investor, (2) kita dapat mengontrol konten informasi
pengumuman laba lebih efektif daripada informasi isi pengungkapan keuangan lainnya, dan
(3) kami dapat mengidentifikasi tanggal dan waktu yang tepat bahwa pengumuman
pendapatan disebarluaskan melalui Twitter.

Rincian sampel perusahaan Twitter kami di seluruh industri (Fama-French 30) dan
penggunaan Twitter untuk EA, pratinjau, dan rehash tweets disediakan pada Tabel 1, Panel
C. Data ini menunjukkan bahwa penggunaan Twitter untuk berita penghasilan dapat sangat
berbeda dari penggunaan umum Twitter. Misalnya, 18 dari 26 perusahaan di industri
Makanan menggunakan Twitter (Tabel 1, Panel A); Namun, hanya satu dari perusahaan-
perusahaan ini yang membuat EA atau pratinjau tweet. Pola ini serupa untuk industri Ritel, di
mana hanya sepuluh dari 61 perusahaan dengan akun Twitter menyebarkan berita
penghasilan melalui Twitter. Sebaliknya, industri dengan persentase tertinggi perusahaan
yang menggunakan Twitter untuk menyebarluaskan penghasilan, tergantung pada memiliki
akun Twitter, adalah Minyak dan Baja.

Untuk menjelaskan variasi dalam konsistensi penggunaan Twitter oleh perusahaan untuk
menyebarluaskan pengumuman pendapatan setiap kuartal, kami memeriksa pola diseminasi
setiap tiga bulan untuk setiap perusahaan selama periode sampel kami. Kami kemudian
mengelompokkan perusahaan ke dalam tiga kategori: (1) '' Perusahaan Biasa '' men-tweet
berita penghasilan setiap kuartal setelah pertama kali, (2) '' Perusahaan Pemberhentian Start-
Stop '' men-tweet berita pendapatan untuk satu atau lebih kuartal dan kemudian berhenti, dan
(3) '' Perusahaan Sporadis '' men-tweet berita pendapatan di beberapa kalangan, tetapi tidak
yang lain, dengan cara ad hoc yang jelas. Tabel 1, Panel D menyajikan hasil kami: ada 132,
94, dan 180 perusahaan dalam kategori reguler, start-stop, dan sporadis, masing-masing.
Dalam kelompok 132 perusahaan reguler, 104 perusahaan secara konsisten mentweet berita
penghasilan selama tiga atau lebih perempat berturut-turut. Penguraian perusahaan ini
menunjukkan bahwa ada variasi crosssectional yang signifikan dalam konsistensi dengan
mana perusahaan menyebarkan pengumuman pendapatan melalui Twitter, menunjukkan
bahwa beberapa perusahaan mungkin strategis dalam penggunaan media sosial.
Statistik ringkasan pada Tabel 1 menunjukkan bahwa beberapa perusahaan menggunakan
Twitter untuk menghubungkan hampir seluruhnya dengan pelanggan ritel daripada dengan
kelompok pemangku kepentingan yang lebih luas. Pandangan ini konsisten dengan penelitian
terbaru yang menemukan bahwa departemen pemasaran mengawasi aktivitas media sosial di
sekitar setengah dari perusahaan yang disurvei (Harvard Business Review [HBR] 2010).
Perusahaan yang menggunakan Twitter terutama untuk tujuan pemasaran mungkin bukan
perusahaan kontrol yang tepat untuk digunakan dalam pengujian empiris kami karena
perusahaan-perusahaan ini tidak memiliki niat menggunakan Twitter untuk menyebarkan
berita kepada investor. Untuk perusahaan yang belum mengadopsi Twitter, jika biaya setup
rendah dan mereka berniat menggunakan Twitter untuk lebih dari tujuan pemasaran, maka
mereka mungkin merupakan kumpulan perusahaan kontrol yang sesuai. Selain itu,
perusahaan yang telah mengadopsi Twitter dan telah menge-tweet berita penghasilan
setidaknya sekali selama periode sampel kami mungkin merupakan kumpulan perusahaan
yang lebih baik untuk dimasukkan dalam analisis kami tentang penggunaan Twitter untuk
pengumuman laba triwulanan. Untuk alasan ini, kami melakukan sebagian besar analisis
kami pada kedua sampel perusahaan S & P 1500 dan subkelompok perusahaan yang telah
menggunakan Twitter untuk menyebarkan berita penghasilan setidaknya sekali.

IV. DETERMINANTS OF TWITTER USAGE

Penggunaan Twitter Umum

Sementara fokus kami adalah untuk menguji apakah perusahaan menggunakan Twitter untuk
penyebaran strategis pengumuman laba, pertama-tama kami memeriksa faktor-faktor penentu
penggunaan Twitter umum perusahaan untuk memberikan bukti adopsi media sosial
perusahaan. Kami menggunakan spesifikasi regresi probit cross-sectional tingkat perusahaan
berikut:

TWi adalah variabel indikator yang disetel ke 1 (0 sebaliknya) jika perusahaan saya memiliki
akun Twitter kapan saja selama periode sampel. Untuk menguji determinan potensial, kami
menyertakan variabel yang terkait dengan aktivitas media tradisional perusahaan dan
karakteristik perusahaan lainnya. Kami menangkap tingkat pengungkapan yang dimulai oleh
perusahaan dengan menggunakan PRESS_RELEASES, log 1 ditambah jumlah siaran pers
perusahaan yang dikeluarkan oleh perusahaan dan didistribusikan melalui penyedia berita.
Kami menangkap jumlah perhatian yang diterima perusahaan dari media tradisional
menggunakan MEDIA_NEWS, catatan 1 ditambah jumlah artikel berita yang ditulis oleh
organisasi media tradisional tentang perusahaan. Data untuk kedua variabel berasal dari
RavenPack News Analytics, penyedia data yang mengumpulkan berita dari penerbit termasuk
Dow Jones Newswires, Wall Street Journal, Direct Regulatory dan Press Release feed, dan
lebih dari 22.000 organisasi media tradisional lainnya.
Untuk karakteristik perusahaan lainnya, kami menyertakan variabel yang telah ditunjukkan
dalam literatur untuk menjadi penentu keterbukaan melalui saluran komunikasi lainnya,
seperti panggilan konferensi (Frankel et al. 1999), situs web perusahaan (Ettredge,
Richardson, dan Scholz 2002), dan presentasi konferensi (Bushee, Jung, dan Miller 2011).
Kami memasukkan ukuran perusahaan, yang diukur sebagai log dari total aset (SIZE), rasio
market-to-book (MTB), laba atas aset (ROA), pertumbuhan penjualan tahunan (GROWTH),
rasio utang terhadap aset (LEVERAGE) ), dan log 1 ditambah jumlah analis yang mencakup
perusahaan (ANALYSTS). Kami juga menyertakan variabel yang telah digunakan dalam
makalah sebelumnya memeriksa adopsi media sosial (misalnya, Lee et al. 2015), termasuk
biaya iklan yang diperkecil oleh total penjualan (ADVERTISING), jumlah tahun sejak
pendirian perusahaan (FIRMAGE), indikator untuk apakah sebuah perusahaan bermarkas
besar di wilayah Silicon Valley di California Utara (SILICON), dan usia CEO (CEO). Data
untuk variabel-variabel ini berasal dari Compustat, I / B / E / S, Execucomp, atau situs web
perusahaan, dan mereka diukur pada kuartal terakhir sebelum adopsi Twitter perusahaan, atau
untuk non-pengguna, kuartal terakhir di kami periode sampel.10

Kami termasuk efek tetap industri, dan semua variabel dirangkum dalam Lampiran A. Hasil
estimasi Persamaan (1) disajikan dalam Kolom (1) Tabel 2 untuk 1.422 perusahaan (dari
1.500 perusahaan dalam indeks S & P 1500) untuk yang kami memiliki data yang diperlukan.
Koefisien positif pada SIZE, MTB, dan IKLAN menunjukkan bahwa perusahaan dengan
akun Twitter cenderung lebih besar, lebih bernilai, dan membelanjakan lebih banyak untuk
biaya iklan (misalnya, karena mereka adalah perusahaan ritel). Selain itu, perusahaan-
perusahaan ini memiliki leverage yang lebih rendah, cakupan analis yang lebih tinggi, dan
menerbitkan lebih banyak siaran pers. Namun, koefisien negatif pada MEDIA_NEWS
menunjukkan bahwa lebih sedikit artikel yang ditulis tentang perusahaan-perusahaan ini di
media tradisional. Terakhir, perusahaan yang mengadopsi Twitter cenderung memiliki CEO
yang lebih muda, tetapi usia perusahaan dan apakah perusahaan tersebut berlokasi di Silicon
Valley bukanlah faktor yang signifikan. Pada subbagian berikutnya, kami membandingkan
hasil ini dengan temuan kami untuk faktor penentu penggunaan Twitter untuk berita
penghasilan.

Penggunaan Twitter untuk Penghasilan Berita

Kami selanjutnya menyelidiki faktor penentu pilihan perusahaan untuk menggunakan Twitter
untuk menyebarkan berita penghasilan setidaknya sekali selama periode sampel kami. Kami
menjalankan regresi probit cross-sectional tingkat perusahaan yang mirip dengan Persamaan
(1), dengan perbedaan utama adalah bahwa variabel dependen, TW_EAi, adalah variabel
indikator yang disetel ke 1 (0 sebaliknya) jika perusahaan saya menggunakan Twitter untuk
menyebarkan penghasilan informasi setidaknya sekali selama periode sampel (yaitu,
membuat setidaknya satu tweet EA) .11 Kami menjalankan regresi pertama menggunakan
sampel penuh perusahaan dengan data yang diperlukan dan kemudian menggunakan subset
dari 642 perusahaan dengan data yang diperlukan yang memiliki akun Twitter . Namun,
seperti yang disebutkan sebelumnya, kami percaya bahwa memasukkan hanya sub-sampel
perusahaan dalam regresi mungkin tidak ideal dalam hal sampel kontrol karena beberapa
perusahaan ini hanya menggunakan Twitter untuk tujuan pemasaran. Perusahaan-perusahaan
ini mungkin tidak akan lebih mungkin menggunakan Twitter untuk pengumuman laba dari
perusahaan lain, termasuk yang belum membuka akun Twitter. Dengan peringatan ini dalam
pikiran, kami menyajikan hasil dari kedua regresi.

TABLE 2
Twitter Usage in General and for Earnings News
***, **, * Tunjukkan signifikansi statistik pada tingkat 1 persen, 5 persen, dan 10 persen, masing-
masing, menggunakan uji t dua arah. Tabel 2 melaporkan hasil regresi probit tingkat perusahaan
yang menguji faktor-faktor penentu penggunaan Twitter pada umumnya dan untuk berita
penghasilan. Kolom (1) melaporkan perkiraan koefisien dan z-statistik (dalam tanda kurung) dari
kemunduran TW, variabel indikator ditetapkan ke 1 (0 sebaliknya) jika perusahaan memiliki akun
Twitter, pada perhatian media tradisional perusahaan dan karakteristik perusahaan lainnya. Kolom
(2) dan (3) melaporkan perkiraan koefisien dan z-statistik dari kemunduran TW_EA, variabel
indikator ditetapkan ke 1 (0 sebaliknya) jika perusahaan menge-tweet informasi penghasilan
setidaknya sekali selama periode sampel kami, pada perhatian media tradisional perusahaan,
karakteristik perusahaan lainnya, dan ukuran Twitter perusahaan berikut. Variabel independen
diukur pada tingkat perusahaan baik menggunakan: (1) kuartal pertama dalam periode sampel
kami jika perusahaan memiliki akun Twitter pada awal periode sampel kami, (2) kuartal terakhir
sebelum perusahaan memulai tweet pertamanya jika perusahaan membuka akun Twitter selama
periode sampel kami, atau (3) kuartal terakhir yang tersedia dalam periode contoh kami jika
perusahaan tidak memiliki akun Twitter pada akhir periode sampel kami. MEDIA_NEWS adalah
log 1 ditambah jumlah artikel berita yang ditulis oleh organisasi media tradisional tentang
perusahaan (Kolom (1)) atau pengumuman laba perusahaan (Kolom (2) dan (3)). Kami termasuk
efek tetap industri (Fama-French 10), tetapi tidak melaporkan koefisien. Semua variabel lainnya
didefinisikan dalam Lampiran A.

Untuk regresi yang terakhir, kami juga menyertakan ukuran ukuran audiens Twitter
perusahaan untuk menguji apakah memiliki audiens yang lebih besar membuat perusahaan
lebih atau kurang mungkin untuk men-tweet berita penghasilan. Kami menggunakan catatan
jumlah follower Twitter perusahaan (FIRM_FOLLOWERS) per 31 Maret 2013. Ukuran ini
statis (time-invariant) karena data time-series pada jumlah pengikut untuk setiap perusahaan
tidak tersedia.12 Kami hati-hati bahwa ukuran ini dapat menjadi proxy kasar untuk jumlah
orang yang melihat tweet perusahaan karena siapa pun yang bukan pengikut dapat melihat
tweet perusahaan dengan aktif mencari perusahaan di Twitter dan setiap pengikut dapat
melewatkan tweet perusahaan di '' feed mereka . '' Namun, satu keuntungan dari ukuran ini
adalah bahwa perusahaan tahu dengan pasti jumlah pengikut mereka dan pengetahuan itu
kemungkinan merupakan faktor dalam keputusan mereka untuk menyebarluaskan semua
jenis informasi melalui Twitter. Oleh karena itu, kami melihat sejumlah pengikut perusahaan
sebagai proxy yang sesuai untuk ukuran audiens media sosial yang dituju perusahaan.

Hasil dari regresi sampel lengkap disediakan dalam Kolom (2) dari Tabel 2, dan hasil dari
regresi subsampel berada di Kolom (3). Koefisien positif yang signifikan untuk
PRESS_RELEASES dan SIZE di kedua kolom menunjukkan bahwa perusahaan dan
perusahaan besar yang mengeluarkan lebih banyak siaran pers cenderung menyebarkan berita
penghasilan melalui Twitter. Koefisien negatif signifikan untuk MEDIA_NEWS di kedua
kolom menunjukkan bahwa perusahaan dengan lebih sedikit artikel yang ditulis tentang
berita pendapatan mereka dari media tradisional lebih cenderung menyebarkan berita
pendapatan melalui Twitter. Koefisien negatif untuk CEO di Kolom (2), tetapi tidak Kolom
(3), menunjukkan bahwa di semua perusahaan, mereka dengan CEO yang lebih muda lebih
cenderung mengadopsi Twitter dan menggunakannya untuk berita penghasilan. Tetapi
tergantung pada memiliki akun Twitter, usia CEO bukanlah faktor yang signifikan. Koefisien
negatif untuk FIRM_FOLLOWERS di Kolom (3) menunjukkan bahwa perusahaan dengan
pengikut lebih sedikit lebih cenderung menggunakan Twitter untuk informasi penghasilan.
Hasil ini konsisten dengan statistik ringkasan dalam Bagian III, yang menunjukkan bahwa
perusahaan dalam industri yang berhadapan dengan pelanggan ritel (misalnya, Ritel) kurang
cenderung menggunakan Twitter untuk berita penghasilan, sementara perusahaan dalam
industri industri (misalnya, Minyak dan Baja) yang lebih mungkin untuk melakukannya.

Sejumlah perbedaan ada antara pilihan untuk memiliki akun Twitter, dimodelkan dalam
Tabel 2, Kolom (1), dan pilihan untuk menggunakan Twitter untuk menyebarluaskan
informasi penghasilan, dimodelkan di Kolom (3). Sementara perusahaan dengan cakupan
analis yang lebih besar lebih cenderung memiliki akun Twitter, tidak ada perbedaan dalam
cakupan analis untuk perusahaan yang menggunakan dan tidak menggunakan Twitter untuk
berita penghasilan. Selain itu, sementara perusahaan dengan tingkat periklanan tinggi
cenderung memiliki akun Twitter, mereka dengan tingkat iklan yang rendah cenderung
menggunakan Twitter untuk menyebarluaskan penghasilan. Bukti ini menunjukkan bahwa
perusahaan yang menggunakan Twitter untuk penghasilan dan orang-orang yang
menggunakan Twitter secara umum pada dasarnya berbeda, konsisten dengan pembahasan
sebelumnya dalam Bagian III.

Disseminasi Triwulan Triwulan Penghasilan Berita Menggunakan Twitter

Dalam ayat ini, kami secara resmi menguji hipotesis pertama kami (H1a) bahwa penyebaran
strategis dikaitkan dengan arah (baik atau buruk) dari berita laba triwulanan. Kami
memodelkan pilihan perusahaan untuk membuat tweet pengumuman laba (EA) secara
kuartal-demi-kuartal menggunakan regresi panel dengan observasi kuartal perusahaan.
Spesifikasi regresi probit serupa dengan Persamaan (1), kecuali bahwa variabel dependen dan
independen diukur secara triwulanan, memungkinkan kita untuk menguji apakah berita
penghasilan waktu dan karakteristik perusahaan terkait dengan keputusan untuk men-tweet
berita laba dalam suatu kuartal tertentu.13 Juga , mirip dengan analisis kami dalam subbagian
sebelumnya, kami menjalankan regresi pertama menggunakan sampel penuh perusahaan dan
kemudian menggunakan subset perusahaan untuk perusahaan yang telah menge-tweet berita
penghasilan setidaknya sekali selama periode sampel. Spesifikasi yang kami gunakan adalah
sebagai berikut:

TW_EA_Qi,q is an indicator variable set to 1 (0 otherwise) if firm i disseminated at least one

EA tweet (i.e., earnings-related tweet on firm i’s earnings announcement date) for fiscal
quarter q. The independent variables of interest are MISSESTi,q, an indicator variable set to
1 (0 otherwise) if firm i’s actual earnings per share (EPS) is below the latest consensus mean
analyst forecast for quarter q; the absolute earnings surprise jEARNINGS_SURPRISEji,q,
defined as the absolute value of the firm’s actual EPS minus the latest consensus mean
analyst forecast, scaled by stock price at the end of the quarter; and their interaction term
MISSESTi,q _ jEARNINGS_SURPRISEji,q. For ease of interpretation and to reduce
multicollinearity, we demean the continuous jEARNINGS_SURPRISEj variable when
computing the interaction term. All other independent variables are previously defined and
we include quarter fixed effects, in addition to industry fixed effects.14

Descriptive statistics of the variables used in the panel regression are provided in Table 3,
Panel A. Continuous variables are winsorized at the 1st and 99th percentiles. Of the 18,706
firm-quarters in our full sample, firms made an EA tweet in 11.8 percent of the firm-quarters,
and they missed analysts’ consensus expectations in 26.6 percent of the firm quarters.

The results of the full-sample regression are provided in Column (1) of Table 3, Panel B, and
the results of the subsample regression are in Column (2). In both columns, the coefficients
for MISSEST and the interaction term MISSEST _ jEARNINGS_ SURPRISEj are
significantly negative, indicating that firms that miss analyst earnings expectations and miss
by larger amounts are less likely to tweet earnings news over Twitter.15 The marginal effect
of missing expectations (MISSEST ¼ 1) is a 1.4 percent decrease in the probability of
sending an EA tweet, which may appear nominal on an absolute basis, but it represents 12
percent of the unconditional probability (11.8 percent) of a firm sending an EA tweet in a
given quarter. These results support our first hypothesis that the decision to disseminate
earnings news over Twitter is related to the direction of earnings news, which is consistent
with strategic dissemination behavior by firms.

To provide further evidence on strategic dissemination in the social media setting, we test the
second part of our hypothesis (H1b) that the extent (or amount) of dissemination is associated
with the direction of quarterly earnings news. We replace the binary dependent variable in
Equation (2) (TW_EA_Q) with a continuous variable (TW_EA_NUM) that is the log of 1
plus thenumber of EA tweets that a firm made for fiscal quarter q. The results of the full-
sample ordinary least squares (OLS) regression are provided in Column (3) of Table 3, Panel
B, and the results of the subsample regression are in Column (4). The coefficient for
MISSEST is negative in Column (3) (significant at the 10 percent level), indicating that
across all firms, the quarters in which a firm missed analyst earnings expectations tend to
have fewer EA tweets.16 The coefficients for the interaction terms are negative, but not
significant, suggesting that the magnitude of the earnings miss is not correlated with the
number of EA tweets. Overall, the results in Panel B provide some support for H1b, that the
extent of strategic dissemination each quarter is associated with the direction of earnings
news.17

Waktu Penyebaran Berita Penghasilan Menggunakan Twitter

Kami melengkapi analisis pada Tabel 3 dengan menyelidiki apakah, tergantung pada
perusahaan yang membuat tweet EA, waktu tweet EA tertunda ketika berita pendapatan
buruk. Kami mengukur waktu yang telah berlalu (dalam jam dan menit) antara waktu
pengumuman laba, menggunakan cap waktu pada I / B / E / S, dan tweet EA pertama dan
kemudian memeriksa apakah waktu yang berlalu dikaitkan dengan arah berita laba . Secara
umum, ada sedikit variasi dalam ukuran waktu yang berlalu — jumlah median waktu antara
waktu pengumuman laba dan tweet EA pertama adalah 37 menit, dan waktu kuartil pertama
dan ketiga masing-masing sepuluh menit dan dua jam. Dalam analisis yang tidak dianalisa,
kami tidak menemukan hubungan antara waktu yang telah berlalu dan arah berita
pendapatan, mungkin tidak mengherankan mengingat kurangnya variasi dalam waktu yang
telah berlalu di seluruh perusahaan. Selanjutnya, kami memeriksa apakah perusahaan
menunda laba setelah sampai pasar tutup ketika berita penghasilan buruk. Untuk analisis ini,
kami membatasi sampel untuk perusahaan-perusahaan yang merilis laba sebelum pasar
dibuka (untuk memeriksa apakah perusahaan tersebut menunggu sampai seluruh hari
perdagangan berakhir sebelum membuat tweet EA). Sampel ini kecil — ada 39 firma
perempat tempat perusahaan mengumumkan laba di pra-buka, tetapi menunggu untuk
menge-tweet setelah penutupan pasar. Dalam analisis yang tidak dianalisa, kami tidak
menemukan bahwa perusahaan dengan berita laba yang buruk lebih atau kurang cenderung
menunda tweet EA mereka sampai setelah penutupan pasar. Secara keseluruhan, analisis ini
tidak mendukung kesimpulan bahwa perusahaan, tergantung pada pembuatan tweet EA,
sangat strategis dengan waktu tweet.

TABEL 3
Disseminasi Triwulan Triwulan Penghasilan Berita Menggunakan Twitter

***, **, * Tunjukkan signifikansi statistik pada tingkat 1 persen, 5 persen, dan 10 persen, masing-
masing, menggunakan uji t dua arah. Tabel 3 menyajikan statistik deskriptif dan hasil dari regresi
pilihan perusahaan untuk menyebarluaskan pengumuman laba tweet di Twitter setiap kuartal.
Panel A menunjukkan statistik deskriptif dari variabel yang digunakan dalam regresi panel.
Sampel terdiri dari maksimum 18.706 observasi kuartal perusahaan untuk perusahaan S & P 1500
antara 1Q2010 dan 1Q2013 yang mencukupi data keuangan Compustat, data harga saham CRSP,
dan perkiraan data perkiraan analis I / B / E / S. Kami menghilangkan perusahaan dengan ekuitas
pemegang saham negatif. Kecuali untuk variabel dengan batas bawah atau atas alami, variabel
dimenangkan pada persentil ke-1 dan ke-99. Di Panel B, Kolom (1) dan (2) melaporkan perkiraan
koefisien probit dan z-statistik (dalam tanda kurung), berdasarkan kesalahan standar yang
dikelompokkan oleh perusahaan, dari kemunduran TW_EA_Qi, q pada karakteristik laba
triwulanan perusahaan, perhatian media tradisional, dan karakteristik perusahaan lainnya.
TW_EA_Qi, q adalah variabel indikator yang disetel ke 1 (0 sebaliknya) jika perusahaan saya
menyebarkan setidaknya satu tweet EA (laba terkait tweet pada tanggal pengumuman laba
perusahaan) untuk kuartal fiskal q. Kolom (3) dan (4) melaporkan hasil regresi OLS di mana
variabel dependen adalah TW_EA_ NUMi, q, yang didefinisikan sebagai log 1 ditambah jumlah
tweet EA yang dibuat perusahaan untuk kuartal fiskal q. Kami termasuk industri (Fama-Prancis
10) dan efek tetap kuartal dalam regresi, tetapi tidak melaporkan koefisien. Semua variabel
didefinisikan dalam Apendiks A.

Variasi Lintas-Segi dalam Insentif untuk Diseminasi Strategis

Seperti yang telah dibahas sebelumnya di Bagian II, kami menempatkan bahwa insentif untuk
penyebaran strategis dapat dikaitkan dengan tingkat risiko litigasi perusahaan, kecanggihan
investor, dan ukuran audiens media sosial. Dalam subbagian ini, kami menguji apakah variasi
dalam insentif ini terkait dengan keputusan penyebaran strategis perusahaan. Pertama, untuk
mewakili risiko litigasi perusahaan, kami menggunakan model prediksi litigasi dari Kim dan
Skinner (2012) untuk memperkirakan risiko litigasi ante perusahaan. Kami kemudian
membagi sampel kami menjadi kelompok risiko litigasi rendah dan tinggi berdasarkan nilai
median.18 Kami kemudian mengulang regresi Persamaan (2) secara terpisah untuk kelompok
risiko litigasi rendah dan tinggi, menggunakan subset perusahaan untuk perusahaan yang
memiliki pendapatan yang di-tweet berita setidaknya satu kali selama periode sampel.
Hasilnya disediakan dalam Kolom (1) dan (2) dari Tabel 4. Koefisien untuk MISSEST dan
MISSEST _ jEARNINGS_SURPRISEj secara signifikan negatif untuk kelompok risiko
litigasi tinggi (Kolom (2)), tetapi tidak untuk kelompok risiko litigasi rendah ( Kolom (1)),
menunjukkan bahwa hubungan antara diseminasi strategis dan tingkat risiko litigasi
perusahaan yang bersifat ante terdeteksi hanya dalam kelompok litigasi tinggi. Namun, tes v2
perbedaan dalam koefisien antara Kolom (1) dan (2) tidak signifikan pada tingkat
konvensional. Nilai p untuk perbedaan dalam koefisien untuk MISSEST _
jEARNINGS_SURPRISEj adalah 0,113, yang memberikan bukti marjinal bahwa diseminasi
strategis perusahaan, atau insentif untuk melakukannya, bervariasi dengan risiko litigasi.

Dalam pengujian kami berikutnya, kami mewakili kecanggihan basis investor perusahaan
menggunakan persentase saham yang dimiliki oleh investor ritel individu, dengan asumsi
bahwa investor ritel kurang canggih daripada investor institusional. Dengan menggunakan
data kepemilikan institusional (Formulir 13F) dari Thomson Reuters, kami menghitung
persentase investor ritel sebagai 100 persen lebih sedikit persentase saham yang beredar yang
dimiliki oleh investor institusi. Kepemilikan ritel rata-rata adalah 23 persen untuk sampel
perusahaan S & P 1500 kami, dan semua perusahaan dengan kepemilikan ritel pada atau di
atas (di bawah) persentase ini ditempatkan dalam kelompok basis investor ritel tinggi
(rendah). Hasilnya disediakan dalam Kolom (3) dan (4) dari Tabel 4. Koefisien untuk
MISSEST secara signifikan negatif hanya di Kolom (3), dan koefisien untuk istilah interaksi
MISSEST _ jEARNINGS_SURPRISEj secara signifikan negatif hanya di Kolom (4) . Uji
perbedaan dalam koefisien ini di Kolom (3) dan (4) menunjukkan bahwa hanya koefisien
pada MISSEST _ jEARNINGS_SURPRISEj berbeda secara signifikan di kedua kelompok.
Hasil terakhir ini memberikan beberapa bukti bahwa diseminasi strategis sebagai tanggapan
terhadap besarnya kejutan laba negatif lebih mungkin bagi perusahaan dengan basis investor
ritel yang lebih besar (yaitu, kecanggihan yang lebih rendah).

Terakhir, kami menganalisis apakah ada perbedaan cross-sectional berdasarkan ukuran

audiens media sosial. Kami membagi sampel kami menggunakan nilai median
FIRM_FOLLOWERS. Hasilnya disediakan dalam Kolom (5) dan (6) dari Tabel 4. Koefisien
untuk MISSEST secara signifikan negatif hanya di Kolom (6), dan koefisien untuk istilah
interaksi MISSEST_ jEARNINGS_SURPRISEj secara signifikan negatif hanya di Kolom
(5). Pengujian perbedaan dalam koefisien di Kolom (5) dan (6) menunjukkan bahwa hanya
koefisien pada MISSEST berbeda secara signifikan di kedua kelompok. Hasil terakhir ini
memberikan beberapa bukti bahwa diseminasi strategis dalam menanggapi kejutan
pendapatan negatif lebih mungkin untuk perusahaan dengan pengikut media sosial yang lebih
besar. Secara keseluruhan, hasil pada Tabel 4 menunjukkan bahwa hubungan antara
diseminasi strategis dan kejutan pendapatan negatif (atau besarnya) lebih kuat ketika insentif
untuk diseminasi strategis lebih besar.
V. RESPONSE TO FIRMS’ TWITTER USAGE

Tanggapan oleh Pengikut Twitter Perusahaan terhadap Tweets Penghasilan

Di bagian ini, kami menyelidiki bagaimana pemirsa media sosial perusahaan menanggapi
penyebaran berita penghasilan. Twitter memungkinkan perusahaan untuk tidak hanya menge-
tweet informasi langsung kepada pengikut mereka, tetapi juga memungkinkan pengikut
perusahaan untuk '' retweet ’informasi kepada pengikut mereka. Kami tertarik untuk
memeriksa apakah frekuensi retweeting berita laba perusahaan dan ukuran pemirsa yang
menerima retweet terkait dengan arah berita pendapatan. Untuk mengukur ekstensi audiens
Twitter perusahaan ini, kami mengidentifikasi jumlah pengikut setiap orang yang me-retweet
tweet EA perusahaan (selanjutnya, retweeter). Tujuannya adalah untuk secara kasar menilai
urutan besarnya pengguna Twitter yang tidak mengikuti perusahaan secara langsung, tetapi
masih melihat tweet EA perusahaan melalui pengguna lain. Untuk setiap tweet awal EA yang
dikirim oleh perusahaan dalam kuartal tertentu, kami mengambil semua retweet
menggunakan API Twitter dan mengidentifikasi nama retweeter dan jumlah pengikut setiap
retweeter.19 Hitungan kami tentang jumlah pengikut semua retweeters proksi untuk jumlah
individu yang menerima tweet EA perusahaan, tetapi tidak langsung mengikuti perusahaan.

Tabel 5 memberikan hasil estimasi regresi Persamaan (2) menggunakan log 1 ditambah
jumlah retweet per tweet EA sebagai variabel dependen (EA_RETWEETS) di Kolom (1) dan
log dari pengikut total semua retweeter (RETWEET_FOLLOWERS) di Kolom (2). Sampel
mencakup semua perusahaan-perempat di mana perusahaan menge-tweet berita
pendapatannya. Kami menyertakan FIRM_FOLLOWERS sebagai kontrol tambahan dalam
spesifikasi ini, karena jumlah retweet kemungkinan bergantung pada jumlah total pengikut
Twitter perusahaan. Hasil kami tidak terpengaruh jika variabel kontrol tambahan ini tidak
disertakan. Kami tidak menemukan koefisien yang signifikan untuk variabel yang kami
minati, MISSEST dan interaksinya dengan kejutan pendapatan absolut,
jEARNINGS_SURPRISEj. Kurangnya signifikansi menunjukkan bahwa sementara
perusahaan menunjukkan perilaku strategis dalam penyebaran berita pendapatan mereka
melalui Twitter, pengikut mereka tidak lebih atau kurang cenderung untuk me-retweet berita
baik atau buruk. Hanya koefisien untuk ukuran perusahaan dan rasio pasar-ke-buku yang
secara signifikan positif, menunjukkan bahwa pengikut perusahaan yang lebih besar dan
memiliki penilaian relatif lebih tinggi cenderung untuk me-retweet berita laba perusahaan
kepada khalayak luas yang lebih besar.

TABEL 4
Regresi Cross-Sectional Pengumuman Penghasilan Penghasilan Tweets pada Arah
Penghasilan Berita

***, **, * Tunjukkan signifikansi statistik pada tingkat 1 persen, 5 persen, dan 10 persen, masing-
masing, menggunakan uji t dua arah. Tabel 4 menyajikan hasil dari regresi pilihan perusahaan
untuk menyebarluaskan pengumuman laba tweet di Twitter setiap kuartal menggunakan sampel
perusahaan yang men-tweet berita penghasilan setidaknya sekali selama periode sampel (yaitu,
 TW_EA¼1). Kolom (1) dan (2) melaporkan hasil ketika perusahaan dipartisi ke dalam kelompok
risiko litigasi rendah dan tinggi. Model Kim dan Skinner (2012) yang kami gunakan adalah
sebagai berikut: SUEDt ¼ b0 þ b1 (FPSt) þ b2 (LNASSETSt_1) þ b3 (PENJUALAN
PERTUMBUHAN_1) þ b4 (RETURNt_1) þ b5 (RETURN SKEWNESSt_1) þ b6 (RETURN STD
DEVt_1 ) þ b7 (TURNOVERt_1), di mana SUEDt sama dengan 1 jika periode kelas dari
pengajuan gugatan terjadi sepanjang tahun, dan 0 sebaliknya; FPSt sama dengan 1 jika perusahaan
berada di biotech (kode SIC 2833–2836 dan 8731–8734), komputer (3570–3577 dan 7370–7374),
elektronik (3600–3674), atau industri ritel (5200-559), dan 0 sebaliknya; LNASSETSt_1 adalah
log natural dari total aset pada akhir tahun t_1; PENJUALAN GROWTHt_1 adalah tahun t_1
penjualan kurang dari t_2 penjualan yang ditingkatkan dengan awal tahun dari t_1 total aset;
RETURNt_1 adalah pengembalian saham 12 bulan yang disesuaikan pasar; KEMBALIKAN
SKEWNESSt_1 adalah skewness pengembalian 12 bulan perusahaan untuk tahun t_1; RETURN
STD DEVt_1 adalah standar deviasi pengembalian 12 bulan perusahaan untuk tahun t_1; dan
TURNOVERt_1 adalah volume perdagangan yang terakumulasi selama periode 12 bulan yang
berakhir dengan akhir tahun fiskal sebelum pengajuan gugatan (untuk perusahaan yang dituntut),
dan tahun t_1 akhir tahun fiskal (untuk perusahaan yang tidak digugat) yang diperkecil oleh
permulaan tahun t_1 saham luar biasa. Nilai median untuk sampel perusahaan kami adalah 1,78.
Karena persyaratan data di atas, jumlah ukuran sampel dari kelompok risiko litigasi rendah dan
tinggi kurang dari 3,952. Kolom (3) dan (4) melaporkan hasil ketika perusahaan dipartisi ke dalam
kelompok kecanggihan investor rendah dan tinggi, dengan asumsi bahwa investor ritel kurang
canggih daripada investor institusional. Dengan menggunakan data kepemilikan institusional
(Formulir 13F) dari Thomson Reuters, kami menghitung persentase investor ritel sebagai 100
persen lebih sedikit persentase saham yang beredar yang dimiliki oleh investor institusi.
Kepemilikan ritel rata-rata adalah 23 persen untuk sampel perusahaan S & P 1500 kami, dan
semua perusahaan dengan kepemilikan ritel pada atau di atas (di bawah) persentase ini
ditempatkan dalam kelompok basis investor ritel tinggi (rendah). Kolom (5) dan (6) melaporkan
hasil ketika perusahaan dipartisi menjadi media sosial rendah dan tinggi berikut berdasarkan
median variabel FIRM_FOLLOWERS. Perkiraan koefisien probit dan z-statistik (dalam tanda
kurung), berdasarkan kesalahan standar yang dikelompokkan oleh perusahaan, berasal dari
kemunduran TW_EA_Qi, q pada karakteristik laba triwulanan perusahaan, perhatian media
tradisional, dan karakteristik perusahaan lainnya. TW_EA_Qi, q adalah variabel indikator yang
disetel ke 1 (0 sebaliknya) jika perusahaan saya menyebarkan setidaknya satu tweet EA (laba
terkait tweet pada tanggal pengumuman laba perusahaan) untuk kuartal fiskal q. Kami termasuk
industri (Fama-Prancis 10) dan efek tetap kuartal dalam regresi, tetapi tidak melaporkan koefisien.
Kami melaporkan nilai-p dari tes v2 perbedaan dalam koefisien untuk MISSEST dan MISSEST _
jEARNINGS_SURPRISEj di seluruh grup rendah dan tinggi untuk setiap variabel partisi. Semua
variabel lainnya didefinisikan dalam Lampiran A.

Tweets Penghasilan dan Media Tradisional

Kami selanjutnya memeriksa apakah tweeting perusahaan tentang pengumuman penghasilan

dan retweeting berikutnya oleh pengikut perusahaan terkait dengan perhatian media
tradisional. Kami memperingatkan bahwa asosiasi (jika ada) mungkin karena media
menanggapi tweets dan retweets atau sebaliknya; oleh karena itu, kami tidak menyiratkan
arah kausalitas yang spesifik. Kami memfokuskan analisis kami terkait perhatian media
terhadap ukuran audiens Twitter langsung dan tidak langsung perusahaan: (1) jumlah
pengikut perusahaan yang menerima tweet EA langsung dari perusahaan, dan (2) jumlah
pengikut retweeter. Jika ada hubungan, maka kita mengharapkannya bergantung pada ukuran
audiens ini dan bukan hanya kehadiran tweet atau retweet itu sendiri. Misalnya, perusahaan
dengan pengikut Twitter nol tidak akan memengaruhi tingkat penyebaran dengan men-tweet
pengumuman penghasilan. Untuk menguji asosiasi ini, kami menjalankan spesifikasi regresi
berikut:
EA_NEWSi, q adalah log 1 ditambah jumlah artikel berita yang ditulis oleh organisasi media
tradisional tentang penghasilan perusahaan selama jendela tiga hari yang berpusat pada
tanggal pengumuman laba perusahaan. RavenPack News Analytics mengelompokkan artikel
berita sebagai positif atau negatif berdasarkan skor sentimen antara 0 dan 100, dengan 50
mewakili sentimen netral. Oleh karena itu, kami juga mempartisi nomor log artikel berita
menjadi berita positif (EA_NEWS_POS) dan negatif (EA_NEWS_NEG).
EA_FIRM_FOLLOWERS didefinisikan sebagai log dari jumlah total pengikut Twitter
perusahaan pada tanggal 31 Maret 2013 ketika perusahaan membuat tweet EA, dan 0 ketika
perusahaan tidak membuat tweet EA. RETWEET_FOLLOWERS adalah log 1 ditambah
jumlah total pengikut pengguna yang me-retweet tweet EA perusahaan. Kami berinteraksi
kedua variabel dengan MISSEST untuk menguji apakah setiap asosiasi berbeda berdasarkan
arah berita.20 Seperti regresi sebelumnya, kami mengontrol untuk ukuran perusahaan, pasar-
ke-buku, kinerja, pertumbuhan, cakupan analis, indikator perkiraan yang tidak terjawab, dan
kejutan penghasilan mutlak.

Hasil estimasi Persamaan (3a) dan (3b) disajikan pada Tabel 6. Dalam Kolom (1), (3), dan
(5), koefisien untuk EA_FIRM_FOLLOWERS dan interaksinya dengan MISSEST tidak
signifikan. Sebaliknya, Kolom (2) menunjukkan bahwa koefisien untuk
RETWEET_FOLLOWERS secara signifikan positif, menunjukkan bahwa tingkat pendapatan
berita secara keseluruhan oleh media tradisional lebih tinggi untuk perusahaan dengan retweet
lebih dari pengumuman pendapatannya. Di Kolom (6), ketika variabel dependen adalah
EA_NEWS_NEG, koefisien untuk istilah interaksi adalah positif dan signifikan. Koefisien ini
menunjukkan bahwa ketika perusahaan membuat tweet EA mengenai ekspektasi analis yang
terlewatkan dan itu di-retweet oleh pengikut perusahaan, jumlah pengguna yang menerima
retweet terkait dengan perhatian media negatif yang lebih besar tentang pengumuman laba
perusahaan. Hasil ini dapat mencerminkan kecenderungan pengguna media sosial dan
organisasi media tradisional untuk berita negatif. Secara keseluruhan, kami
menginterpretasikan hasil pada Tabel 6 untuk menunjukkan bahwa penyebaran berita
pendapatan buruk melalui Twitter oleh perusahaan, dan retweeting berikutnya dari berita oleh
pengikut perusahaan, terkait dengan lebih banyak artikel berita negatif yang ditulis tentang
perusahaan pada saat itu. dari pengumuman penghasilan, menyoroti potensi downside ke
penyebaran Twitter.

TABEL 5
Tanggapan oleh Pengikut Twitter Perusahaan terhadap Tweets Penghasilan

***, **, * Tunjukkan signifikansi statistik pada tingkat 1 persen, 5 persen, dan 10 persen, masing-
masing, menggunakan uji t dua arah. Tabel 5 melaporkan estimasi koefisien OLS dan t-statistik
 (dalam tanda kurung), berdasarkan kesalahan standar yang dikelompokkan oleh perusahaan, dari
regresi kembali variabel tanggapan pengikut Twitter pada karakteristik laba triwulanan
perusahaan, perhatian media tradisional, dan karakteristik perusahaan lainnya. Variabel respons
Twitter adalah log 1 ditambah jumlah retweet per tweet EA (EA_RETWEETS) di Kolom (1) dan
log dari total pengikut semua retweeter (RETWEET_ FOLLOWERS) di Kolom (2). Kami
termasuk industri (Fama-Prancis 10) dan efek tetap kuartal dalam regresi, tetapi tidak melaporkan
koefisien. Semua variabel lainnya didefinisikan dalam Lampiran A.

Tweets Laba dan Reaksi Pasar

Kami juga memeriksa apakah tweeting perusahaan tentang pengumuman penghasilan dan
retweeting berikutnya oleh pengikut perusahaan terkait dengan reaksi pasar modal. Seperti
halnya analisis sebelumnya, kami mengingatkan bahwa pengujian kami tidak
mengidentifikasi arah kausalitas tertentu, karena pasar dapat bereaksi terhadap pengumuman
laba yang disebarkan melalui media tradisional atau sosial, atau keputusan perusahaan untuk
menyebarluaskan media sosial mungkin merupakan reaksi terhadap pergerakan harga saham
perusahaan.

Sekali lagi, niat kami adalah untuk memberikan bukti tentang penyebaran media sosial dan
pasar modal, serta untuk mengikat hasil apa pun ke makalah sebelumnya yang telah
memeriksa hubungan ini. Kami memfokuskan analisis kami terkait reaksi pasar terhadap
EA_FIRM_FOLLOWERS dan RETWEET_FOLLOWERS. Perbedaan antara kedua pemirsa
adalah bahwa yang pertama memilih untuk mengikuti perusahaan dan mungkin akrab dengan
pengumuman laba perusahaan sebelumnya dan tweet EA, sementara yang sama tidak dapat
dikatakan tentang yang terakhir. Retweet menghasilkan lebih banyak individu yang tidak
secara langsung mengikuti perusahaan yang menerima tweet EA perusahaan daripada jika
tidak ada retweets.21 Jika individu ini berperilaku sebagai investor yang tidak mendapatkan
informasi, sebagaimana dimodelkan dalam Diamond dan Verrecchia (1991) dan Kim dan
Verrecchia (1994), maka mereka dapat berkontribusi pada asimetri informasi yang lebih besar
(atau mengimbangi reduksi dalam asimetri informasi) pada saat pengumuman laba.

Menggunakan data return saham harian, volume, dan bid-ask dari CRSP, kami
mendefinisikan tiga ukuran pasar untuk proksi untuk konten informasi dan asimetri informasi
seputar pengumuman laba perusahaan. Pertama, kita menghitung nilai absolut abnormal dari
pengembalian ukuran yang disesuaikan (ABN_SAR) sebagai selisih antara ukuran absolut
yang disesuaikan selama tiga hari yang melingkupi tanggal pengumuman laba dan rata-rata
hasil penyesuaian ukuran absolut tiga hari dalam periode estimasi, dibagi oleh standar deviasi
dari rata-rata ukuran absolut yang disesuaikan kembali dalam periode estimasi (Cready and
Hurtt 2002; Bushee et al. 2011). Kedua, kita mengukur omset saham abnormal (ABN_TURN)
sebagai volume tiga hari dibagi dengan saham yang beredar, kurang rata-rata perputaran tiga
hari dalam periode estimasi. Ketiga, kami menghitung spread abnormal (ABN_SPREAD)
sebagai spread rata-rata tiga hari (meminta harga penawaran dikurangi, dibagi dengan mean
mereka), kurang rata-rata spread tiga hari dalam periode estimasi. Untuk setiap variabel,
periode estimasi terdiri dari 60 hari kalender, dimulai 61 hari sebelum tanggal pengumuman
laba dan berakhir dua hari sebelum tanggal tersebut. Seperti analisis sebelumnya, kami
melakukan regresi terpisah menggunakan EA_FIRM_FOLLOWERS dan
RETWEET_FOLLOWERS untuk memudahkan interpretasi hasil kami. Kami memperkirakan
spesifikasi regresi berikut pada sampel lengkap kami untuk perusahaan-kuartal:

Variabel Pasar mewakili ABN_SAR, ABN_TURN, dan ABN_SPREAD.

EA_FIRM_FOLLOWERS dan RETWEET_FOLLOWERS telah ditentukan sebelumnya.
Kami menyertakan interaksi ukuran audiens langsung atau tidak langsung perusahaan dengan
kejutan pendapatan mutlak untuk menguji apakah hubungan antara media sosial dan reaksi
pasar tergantung pada besarnya berita. Variabel kontrol termasuk kejutan laba mutlak,
indikator perkiraan yang tidak terjawab, perhatian media selama jendela reaksi pasar tiga hari,
ukuran perusahaan, pasar-ke-buku, kinerja, pertumbuhan, dan cakupan analis.

Hasil estimasi Persamaan (4a) dan (4b) disajikan pada Tabel 7. Ketika variabel dependen
adalah ABN_SAR (Kolom (1) dan (2)), koefisien untuk EA_FIRM_FOLLOWERS secara
signifikan positif, menunjukkan reaksi pasar yang lebih besar ketika perusahaan membuat
tweet EA dan audiens Twitter-nya lebih besar. Sebaliknya, koefisien untuk
RETWEET_FOLLOWERS tidak signifikan. Ketika variabel dependen adalah ABN_TURN
(Columns (3) dan (4)), koefisien untuk EA_FIRM_FOLLOWERS dan
RETWEET_FOLLOWERS keduanya tidak signifikan. Hasil ini hanya memberikan dukungan
terbatas untuk hubungan antara ukuran audiens Twitter langsung perusahaan yang menerima
tweet EA dan reaksi pasar pada saat pengumuman laba.

Ketika variabel dependen adalah ABN_SPREAD (Tabel 7, Kolom (5) dan (6)), yang
merupakan ukuran asimetri informasi, koefisien untuk EA_FIRM_FOLLOWERS secara
signifikan negatif, menunjukkan spread yang lebih kecil ketika perusahaan membuat tweet
EA ke yang lebih besar jumlah pengikut. Hasil ini konsisten dengan yang ditemukan di
Blankespoor et al. (2014) menggunakan kumpulan firma pengadopsi Twitter awal yang lebih
kecil dan langkah-langkah penyebaran Twitter yang berbeda. Dalam Kolom (6), koefisien
untuk interaksi RETWEET_FOLLOWERS dan kejutan penghasilan absolut secara signifikan
positif, menunjukkan bahwa tingkat RETWEET_FOLLOWERS melawan pengurangan
asimetri informasi ketika besarnya berita penghasilan lebih besar. Hasil ini konsisten dengan
gagasan bahwa penyebaran media sosial yang diprakarsai perusahaan dapat meningkatkan
lingkungan informasi perusahaan, tetapi dialog yang dimulai pengguna yang tidak dikontrol
oleh perusahaan mungkin memiliki efek pengimbang.

TABEL 6
Asosiasi antara Tweets Penghasilan dan Media Tradisional

***, **, * Tunjukkan signifikansi statistik pada tingkat 1 persen, 5 persen, dan 10 persen, masing-
masing, menggunakan uji t dua arah. Tabel 6 melaporkan estimasi koefisien OLS dan t-statistik
 (dalam tanda kurung), berdasarkan kesalahan standar yang dikelompokkan oleh perusahaan, dari
kemunduran variabel berita media tradisional pada variabel yang menangkap penyebaran dan
ukuran audiens Twitter. EA_NEWS adalah log 1 ditambah jumlah artikel berita yang ditulis oleh
organisasi media tradisional tentang perusahaan selama jendela tiga hari yang berpusat pada
tanggal pengumuman laba perusahaan. Kami juga mempartisi nomor log artikel berita menjadi
berita positif (EA_NEWS_POS) dan negatif (EA_NEWS_NEG). Kami termasuk industri (Fama-
Prancis 10) dan efek tetap kuartal dalam regresi, tetapi tidak melaporkan koefisien. Semua variabel
lainnya didefinisikan dalam Lampiran A.

VI. ADDITIONAL ANALYSES

Diseminasi Preview dan Rehash Tweets

Dalam sub bagian ini, kami memeriksa apakah keputusan perusahaan untuk menyebarkan
pratinjau atau rehash penghasilan tweets terkait dengan arah berita pendapatan. Pratinjau
tweet dikirimkan oleh perusahaan untuk mengingatkan pengikut pengumuman pendapatan
yang akan datang, dan rehash tweets meminta perhatian pada pengumuman pendapatan baru-
baru ini. Kami memperkirakan Persamaan (2) menggunakan TW_EA_NUMPREVIEW dan
TW_EA_NUMREHASH sebagai variabel dependen, yang didefinisikan sebagai 1 plus log
dari jumlah pratinjau dan rehash tweet, masing-masing, yang dikirim oleh perusahaan setiap
kuartal. Kolom (1) dan (2) dalam Tabel 8 menunjukkan hasil untuk pratinjau tweet, pertama
dengan sampel penuh dan kemudian dengan subkelompok perusahaan yang menggunakan
Twitter untuk berita penghasilan setidaknya sekali. Di semua perusahaan, perusahaan dan
perusahaan besar yang mengeluarkan lebih banyak siaran pers cenderung mengirimkan lebih
banyak pratinjau tweet, sementara tidak ada perbedaan di antara perusahaan yang
menggunakan Twitter untuk mendapatkan penghasilan. Koefisien untuk MISSEST dan
interaksinya dengan kejutan penghasilan absolut tidak signifikan di kolom mana pun. Kolom
(3) dan (4) menunjukkan hasil untuk tweet rehash; perusahaan dan perusahaan besar yang
menghabiskan lebih sedikit untuk iklan (misalnya, perusahaan non-ritel) cenderung mengirim
lebih banyak tweet rehash. Kami juga menemukan bahwa istilah interaksi MISSEST _
jEARNINGS_SURPRISEj signifikan negatif (pada tingkat 10 persen) di setiap kolom,
menunjukkan bahwa di semua perusahaan dan di dalam perusahaan Twitter, mereka
cenderung mengirim lebih sedikit tweet rehash ketika berita penghasilan lebih buruk. Bukti
ini memberikan dukungan tambahan untuk hipotesis kami bahwa penyebaran berita laba
perusahaan dan sejauh mana (jumlah) penyebaran dikaitkan dengan arah berita.

TABEL 7
Asosiasi antara Tweet Penghasilan dan Reaksi Pasar

***, **, * Tunjukkan signifikansi statistik pada tingkat 1 persen, 5 persen, dan 10 persen, masing-
masing, menggunakan uji t dua arah. Tabel 7 melaporkan estimasi koefisien OLS dan t-statistik
(dalam tanda kurung), berdasarkan kesalahan standar yang dikelompokkan oleh perusahaan, dari
kemunduran variabel reaksi pasar pada variabel yang menangkap ukuran audiens penyebaran
Twitter. ABN_SAR adalah pengembalian ukuran absolut absolut yang abnormal, ABN_TURN
adalah pergantian volume yang abnormal, dan ABN_SPREAD adalah bid-ask spread yang
abnormal. Setiap variabel diukur melalui jendela tiga hari yang berpusat pada tanggal
pengumuman laba perusahaan. Ini dan semua variabel lainnya didefinisikan dalam Lampiran A.
Kami termasuk industri (Fama-Perancis 10) dan efek tetap kuartal dalam regresi, tetapi tidak
melaporkan koefisien.
 TABEL 8
Diseminasi Preview dan Rehash Tweets

***, **, * Tunjukkan signifikansi statistik pada tingkat 1 persen, 5 persen, dan 10 persen, masing-
masing, menggunakan uji t dua arah. Tabel 8 melaporkan hasil regresi OLS di mana variabel
dependen adalah TW_EA_NUMPREVIEW atau TW_EA_NUMREHASH, didefinisikan sebagai
1 plus log dari jumlah pratinjau dan rehash tweet, masing-masing, yang dikirim oleh perusahaan
setiap kuartal. Kami termasuk industri (Fama-Prancis 10) dan efek tetap kuartal dalam regresi,
tetapi tidak melaporkan koefisien. Semua variabel lainnya didefinisikan dalam Lampiran A.

Earnings Tweets dan Reaksi Pasar Intraday

Dalam analisis akhir kami, kami menganalisis reaksi pasar intraday untuk EA, pratinjau, dan
rehash tweet untuk subset perusahaan yang menge-tweet selama jam perdagangan pasar.
Mengetahui tanggal dan waktu yang tepat dari setiap tweet, dan menggunakan data intraday
dari database Bursa dan Perdagangan New York Stock Exchange (TASE), kami
membandingkan reaksi pasar selama 15 menit setelah tweet ke reaksi pasar untuk 15 menit
sebelum tweet. Kami melihat analisis ini sebagai eksplorasi karena ukuran sampel kecil,
jendela acara pendek (untuk mengurangi berita pengganggu selama acara dan jendela
kontrol), dan ada kemungkinan bias seleksi mandiri untuk perusahaan yang memilih untuk
men-tweet informasi laba selama jam pasar

Kami mengukur reaksi pasar menggunakan dua pengukuran berbasis volume. Volume
abnormal diukur sebagai perubahan total volume perdagangan dari 15 menit sebelum tweet ke
15 menit setelah tweet, skala dengan volume rata-rata di kedua periode.22 Jumlah abnormal
perdagangan adalah perubahan dalam jumlah total perdagangan dari 15 menit sebelum hingga
15 menit setelah tweet, diukur dengan jumlah rata-rata perdagangan di kedua periode. Kami
mewajibkan semua EA, pratinjau, dan rehash tweet terjadi antara pukul 9:45 dan 03:45.
Waktu Timur untuk memungkinkan perdagangan selama acara dan jendela kontrol. Akhirnya,
untuk meminimalkan kemungkinan bahwa jenis berita perusahaan lain (selain tweet
perusahaan) terjadi selama event atau jendela kontrol (yang akan mengacaukan reaksi pasar
yang terkait dengan tweet), kami sekali lagi menggunakan data dari RavenPack News
Analytics untuk pertama kali mengidentifikasi semua berita perusahaan dengan cap tanggal
dan waktu dalam 15 menit dari intraday tweet. Kami kemudian memasukkan dalam analisis
kami hanya tweets yang tidak memiliki berita lain yang terjadi dalam acara dan jendela
kontrol.

Dalam hasil yang tidak diolah, kami menemukan 230 EA tweet yang terjadi selama jam
perdagangan pasar, dan rata-rata volume abnormal dan jumlah perdagangan adalah 3 persen
dan 5 persen, masing-masing (keduanya signifikan pada tingkat 1 persen). Dengan kata lain,
ada peningkatan volume perdagangan dan jumlah perdagangan secara signifikan, rata-rata,
dalam 15 menit setelah tweet EA, dibandingkan dengan 15 menit sebelum tweet. Satu
penjelasan bisa jadi bahwa tweet EA terjadi pada hari yang sama dengan pengumuman laba
perusahaan, dan mungkin ada peningkatan perdagangan sepanjang hari. Namun, kami
menemukan hasil yang serupa dengan pratinjau dan rehash tweet meskipun pratinjau tweet
terjadi, rata-rata, 13 hari sebelum pengumuman penghasilan, dan tweet rehash terjadi, rata-
rata, satu hingga dua hari setelah pengumuman penghasilan. Kami menemukan 531 pratinjau
tweet selama jam perdagangan, dan rata-rata volume dan jumlah perdagangan yang tidak
normal adalah 8 persen dan 9 persen, masing-masing.23 Juga ada 307 kicauan rehash selama
jam perdagangan, dan rata-rata volume dan jumlah perdagangan yang tidak normal adalah 4
persen dan 5 persen, masing-masing. Kami melihat temuan ini sebagai bukti reaksi pasar
intraday terkait dengan tweet terkait pendapatan intraday.

VII. CONCLUSION

Dalam tulisan ini, kami menggunakan platform media sosial Twitter sebagai pengaturan
untuk memberikan bukti awal bahwa perusahaan sangat strategis dalam cara mereka
menyebarkan berita penghasilan. Kami menemukan bahwa perusahaan kurang cenderung
menyebar melalui Twitter ketika berita buruk dan ketika besarnya berita buruk lebih buruk.
Kami juga menemukan beberapa bukti bahwa insentif untuk penyebaran strategis bervariasi
berdasarkan faktor spesifik perusahaan, seperti kecanggihan basis investornya dan ukuran
audiens media sosialnya. Studi kami berkontribusi pada literatur pengungkapan dan literatur
diseminasi terkait yang telah memeriksa pengungkapan perusahaan dan keputusan diseminasi
bersama-sama atau menggunakan pengaturan empiris di mana kedua keputusan tidak dapat
dipisahkan. Studi kami juga memperluas kerja terbaru yang meneliti penggunaan media sosial
perusahaan (Blankespoor et al. 2014) dan potensi jebakannya (Lee et al. 2015) dengan
menunjukkan bahwa tweeting dan retweeting dari berita laba yang buruk dapat dikaitkan
dengan media tradisional yang lebih negatif. cakupan, dan retweeting itu secara umum dapat
mengurangi manfaat yang terkait dengan pengurangan asimetri informasi.