-
近年来，新一轮科技革命和产业变革催生大量新产业、新业态和新模式，对全球经济发展和人类生产生活产生深远影响。其中，人工智能作为新一轮科技革命和产业变革的重要驱动力，已成为全球各国竞相布局的战略性技术领域。2015年，《国务院关于积极推进“互联网+”行动的指导意见》（国发〔2015〕40号）首次将人工智能纳入重点任务，标志着人工智能发展进入新阶段；
1 2017年，《国务院关于印发新一代人工智能发展规划的通知》（国发〔2017〕35号）将发展人工智能确立为国家战略；2 党的二十大报告明确提出构建新一代信息技术、人工智能等一批新的增长引擎；3 2024年，《政府工作报告》再次强调深化大数据、人工智能等研发应用，开展“人工智能+”行动。4 人工智能本质上是依托机器学习、计算机视觉、自然语言处理等技术，实现对多种任务的智能化处理，并促进多模态数据融合的现实交互。随着人工智能技术的不断进步，如何有效利用人工智能技术赋能各领域实现高质量发展，已成为当前亟需深入研究的重要课题。在这一背景下，传统实体企业积极加速与人工智能的深度融合，以实现转型升级和高质量发展。随着人工智能广泛融入企业生产经营管理的各个环节，企业的治理结构、内部管控和运营机制均发生深刻变革，信息结构也随之重塑，这些变化不仅改变了企业信息的生产和传递方式，也影响了企业公开披露信息的质量。资本市场理论认为，信息对揭示事物的本质和属性具有关键作用，其真实性和完整性直接影响资本市场的定价效率（Fama，1991）。因此，人工智能应用带来的信息披露质量变化，可能进一步作用于资本市场信息环境。此外，人工智能应用作为数字经济时代企业推动高质量发展的重要战略选择，已引起资本市场投资者的广泛关注，从而激发投资者对企业私有信息的需求。作为资本市场上专业的信息使用者，分析师能够凭借专业知识和技能挖掘，分析上市公司相关信息（Lang和Lundholm，1996），进而对公司未来盈余情况进行预测，为投资者提供决策参考，最终提高资本资源配置效率，促进资本市场高质量发展（Chen等，2015）。然而，已有研究主要从企业自身视角，探讨人工智能应用对企业运营方式和效率（邓云峰和张年华，2023）、经营管理实践（陈红等，2023）和信息披露质量（Agrawal等，2018）等方面的影响，较少从企业外部利益相关者（如分析师）视角，考察人工智能应用对资本市场信息环境的影响。那么，在数字技术飞速发展的今天，人工智能的商业应用是否影响分析师的跟踪偏好和盈余预测行为？进而改善资本市场信息环境？探究这些问题对于理解数字技术如何提高资本市场信息效率具有重要的理论价值与现实意义。
本文以2011−2022年沪深A股上市公司为研究样本，基于分析师行为视角，采用文本挖掘方法构建微观企业层面人工智能应用指标，实证检验人工智能应用对资本市场信息环境的影响。研究发现，上市公司应用人工智能能够吸引更多分析师关注，降低分析师盈余预测误差与盈余预测分歧度，从而显著改善资本市场信息环境。路径检验发现，上市公司应用人工智能有助于提高其会计信息质量，吸引更多分析师开展实地调研活动，拓宽分析师信息收集渠道，改善信息质量，进而提高分析师盈余预测准确度。
本文主要的边际贡献在于：
第一，已有研究大多从宏观层面和微观企业层面考察人工智能应用的经济后果。宏观层面主要关注经济发展（陈彦斌等，2019；Acemoglu和Restrepo，2020）和劳动力市场（Mutascu，2021；王林辉等，2023）；微观企业层面则聚焦经营管理（邓云峰和张年华，2023）、成本管理决策（陈红等，2023）、经营业绩（Chen和Lin，2021）和审计费用（王稳华等，2024）等方面，而对微观企业与外部利益相关者之间互动关系的研究相对不足。本文从外部利益相关者，即分析师行为视角，探究微观企业人工智能应用对分析师行为的影响，不仅拓展了微观层面人工智能经济后果的研究范畴，也为理解人工智能应用的微观效应提供了新的经验证据。
第二，本文基于人工智能应用视角，为理解新时代“大智移云物链”等新型数字技术与资本市场定价效率的关系提供了新的实证依据。信春华等（2022）、王瑶等（2023）发现，企业数字化转型有助于提高分析师盈余预测准确度，然而数字化转型本身涵盖多种数字技术的系统性融合，且分析师行为还包括分析师跟踪和分析师盈余预测分歧度等方面。与已有文献不同，本文重点关注人工智能应用对分析师关注度、盈余预测准确度以及盈余预测分歧度的影响，研究对象更为具体，对分析师行为的考察也更为全面。研究结论为理解人工智能与实体企业深度融合的影响路径提供了新思路，也为评估数字技术如何影响分析师行为补充了新的经验证据。
第三，在数字经济快速发展的背景下，如何有效利用新型数字技术助推资本市场高质量发展已成为企业和相关管理部门关注的重点问题。本文聚焦人工智能应用，通过构建“企业应用人工智能−公开信息和私有信息获取−分析师行为”的研究框架，考察企业人工智能应用影响分析师行为的内在机制。研究结论不仅有助于深化对企业数字技术应用如何影响外部利益相关者的认识，也为数字经济时代推动资本市场高质量发展提供了有益的政策启示。
-
人工智能通常是指基于机器学习算法，利用大数据与强大算法算力，实现自主学习、识别规律与判断决策功能的一种智能基础设施（Ruiz-Real等，2021）。人工智能的应用不仅深刻改变着社会生产方式、治理方式和产业形态，也引起了学术界的广泛关注。已有关于人工智能应用经济后果的研究主要分为宏观和微观两个层面。宏观层面的研究主要聚焦人工智能应用对经济发展和劳动力市场的影响。对于经济发展的影响，部分学者基于内生经济增长理论认为，作为技术进步的一种具体表现，人工智能与实体经济融合能够为经济和社会发展提供新动能（Wang和Li，2019），推动经济持续增长（陈彦斌等，2019；陈东和秦子洋，2022），促进社会现代化进程（韩民春等，2024），甚至缩短世界经济周期（Tyulin等，2023）。然而，也有部分学者认为人工智能应用存在“索洛悖论”效应，指出当前人工智能的配套基础设施不完善可能限制其促进作用的发挥（Brynjolfsson等，2017）；且人工智能技术的发展仍属小众创新现象，对宏观经济发展的影响尚不显著（Parteka和Kordalska，2023）。程文（2021）在研究人工智能对生产率的影响时，发现其在初期确实出现“索洛悖论”效应，但长期来看仍具有提升生产率的作用。对于劳动力市场的影响，部分学者认为人工智能的应用会对劳动力市场产生积极影响（王林辉等，2023），具体表现为促进经济社会智能化和自动化发展，创造新的任务与岗位，增加就业机会，从而提高社会生产力（Acemoglu和Restrepo，2020）。然而，也有部分学者认为人工智能应用带来的自动化发展会对劳动力就业市场产生负面影响，具体表现为就业两极分化、中低技能劳动者工资增长停滞、收入不平等加剧以及优质就业岗位不足等（王军和常红，2021；王林辉等，2022）；且当前人工智能技术应用范围有限，其对就业和劳动力市场的影响会受到制约（Hammer和Karmakar，2021）。此外，Mutascu（2021）研究发现，人工智能应用对失业率的影响呈现非线性特征：在低通货膨胀水平的国家，人工智能的快速发展有助于降低失业率；而在其他条件下，其影响趋于中性。
微观层面的研究主要关注人工智能应用对微观企业的促进效应或抑制效应。支持促进效应的学者认为，人工智能应用会显著影响企业运营、投资、生产、销售等多个环节。首先，人工智能应用可以改变企业的运营方式和效率（Chen和Lin，2021；邓云峰和张年华，2023），具体体现为提升业务流程管理能力（Suša Vugec等，2020）和人力资源管理能力（Malik等，2023）方面。其次，Husmann等（2022）通过研究人工智能应用与投资的关系，发现管理者应用人工智能协助企业优化投资组合，能够显著提高投资效率。再次，部分学者研究发现人工智能可以提高企业生产率（姚加权等，2024），降低企业成本粘性（陈红等，2023），进而提高企业经营业绩（Chen和Lin，2021）。人工智能应用还能增强企业的产品市场竞争力，提升企业营销能力（Mikalef等，2023）以及产品和服务创新能力（杨祎等，2021；Zirar等，2023）。最后，企业利用人工智能的机器学习和算法等新技术，通过构建基于机器学习的高级模型，能够准确预测企业经营风险（Qi和Wang，2021）、债务违约风险（Moscatelli等，2020）和不良贷款率（Abdullah等，2023），且其预测准确性显著优于传统统计模型。
支持抑制效应的学者则认为，企业在开展人工智能应用时需要投入大量期初成本（董直庆等，2023），以应对在不同适配方案之间进行摸索和试错的成本需求，从而建立一套最适合企业发展的人工智能运行体系（乔非等，2023）。人工智能的应用还可能增加企业经营风险，进而增加审计投入和审计费用（王稳华等，2024）。此外，人工智能在以机器替代低技能劳动力时，会增加企业对编程、智能操作、数据分析等高技能人才的需求（陈琳等，2024），而高技能人才通常需要通过长时间的技能学习或职业培训才能适应新的智能化岗位（王林辉等，2022）。在资金成本高与人才培养周期长等多方面因素影响下，人工智能对企业经济的积极影响可能不显著，甚至产生抑制效应（李金城和王林辉，2023）。
-
作为资本市场上公司与外部信息使用者的信息中介，分析师凭借自身对信息的捕捉能力和专业的分析能力，对企业进行盈余预测和价值评估，并对外发布相关的研究分析报告，以缓解企业与投资者之间的信息不对称，提高资本市场配置效率（林晚发等，2023）。在分析师对企业进行盈余预测的过程中，可获取信息的数量和质量会直接影响其对企业价值的判断。一般而言，分析师能够获取的信息分为公开信息和私有信息（Barron等，1998）。一方面，公开信息的基本来源通常是上市企业根据相关要求或自愿公开披露的年报、季报和其他重要事项公告，企业披露的这些公共信息越全面、准确和及时，分析师能够利用的信息数量越多、质量越高，盈余预测的分歧度越小、准确度越高（Clement，1999；白晓宇，2009；王雄元等，2017）。另一方面，当公开信息不足以支撑分析师对企业的预测和评估时，分析师则会依赖私有信息。分析师会通过实地调研、与管理层私下沟通和同行交流等方式获取私有信息（Green等，2014；翟淑萍等，2022）。分析师还通过与企业管理层建立的校友、稳定客户、同学、同事等社会网络关系来获取公司私有信息（王雄元和彭旋，2016；Gu等，2019；伊志宏等，2023），这些私有信息是对公开信息的有效补充，有助于分析师做出更加准确的盈余预测（魏萍等，2023）。此外，还有研究探究了公司内部治理行为（Brown等，2022；孙淑伟等，2023）、外部信息环境（林钟高和朱杨阳，2021；伊志宏等，2023）和数字技术（信春华等，2022；王瑶等，2023）对分析师盈余预测的影响。
综上所述，学者从不同视角对人工智能应用的宏微观经济后果和分析师行为的影响因素进行了大量研究，并取得了丰硕的研究成果，为本文研究人工智能应用与分析师行为的关系奠定了基础。第一，已有研究主要从信息数量与信息质量两方面探讨了分析师行为的影响因素，并指出数字技术应用会影响分析师的盈余预测行为，为本文研究提供了直接的范式参考。第二，已有研究从宏观层面与微观层面探讨了人工智能应用的经济后果，并指出人工智能应用会引发劳动力创造与分工、企业运营方式与组织形式变革等经济后果，为本文提供了丰富的文献支撑。第三，鲜有研究将人工智能应用与分析师行为联系起来，两者之间的影响效应及作用机制仍处于“黑箱”状态，本文尝试从企业层面探究人工智能应用与分析师行为的关系，以期丰富和拓展现有关于人工智能和分析师行为的研究。
-
在资本市场中，分析师作为重要的信息分析和传递主体，通过主动收集和分析上市公司信息，为投资者提供盈余预测并以此获得佣金收入。根据理性经济人假说，在选择是否跟踪公司时，分析师会综合考量净收益，其中信息获取成本是关键因素（Chen等，2022）。因此，上市公司应用人工智能可以通过改善分析师的净收益，直接影响分析师关注度，从而改善资本市场信息环境。
在收入端，人工智能的应用推动上市公司治理结构、内部管控和运营机制发生深刻变革（Gacanin和Wagner，2019），公司经营的不确定性相应增加（王稳华等，2024），因此仅靠外部投资者的传统经验难以评估其真实价值。此时，投资者对分析师的依赖显著增强，因为分析师不仅拥有专业的知识储备和学习能力，能够准确解读公开披露的信息，还可以通过实地调研获取更多关于跟踪公司的私有信息，以帮助投资者做出理性决策。在此背景下，投资者对分析师服务的需求上升，愿意支付更高的佣金，从而直接提升分析师的收入预期。在成本端，上市公司应用人工智能能够显著提高数据处理的规范性、自动化和信息化水平，减少人为操作引发的信息误差（Huang和Rust，2018），缓解信息收集与传递中的失真问题，最终提升公司对外披露的会计信息质量。对分析师而言，高质量的信息披露缩短了数据收集和甄别的流程，显著减少了在信息获取和处理中的时间与资源投入，从而降低了信息获取成本。
随着分析师获取信息的成本下降且预期收入不断增加，其净收益随之提升。在此情况下，分析师更倾向于关注应用人工智能的上市公司，从而进一步提升这些公司的市场透明度与吸引力。据此，本文提出研究假设1: 在其他条件相同的情况下，上市公司应用人工智能会提高分析师关注度。
-
分析师的盈余预测准确性与其所获取公司信息的数量和质量正相关（Lang和Lundholm，1996）。上市公司应用人工智能会改变分析师获取信息的数量和质量，进而影响分析师盈余预测准确度，改善资本市场信息环境。
在信息质量方面，人工智能应用优化了公司信息的生产与传递流程。一方面，通过推动组织结构从层次式向网络式转变（Gao和Liu，2018），减少了信息在传递过程中因多层级损耗导致的偏差，提升了对外披露会计信息的规范性和透明度。另一方面，公司应用人工智能所依托的知识图谱和数据分析场景等技术能够监控管理层的盈余操纵行为（Złotowski等，2017），并降低会计信息生产中的人为偏差（Kolbjørnsrud等，2016），进一步保障会计信息的真实可靠性。在信息数量方面，上市公司应用人工智能会产生正面“曝光效应”，增加分析师对公司的调研活动频率。当分析师实地调研活动频率增加时，上市公司的更多基本面信息和私有信息被挖掘的可能性也随之增大。此时，分析师不仅可以获取公司公开的会计信息，还可以通过实地调研获取更多的公司私有信息。
人工智能的应用不仅提高了公开披露信息的质量，还促使分析师通过实地调研深入挖掘私有信息，从而更精准地获取并处理公司数据，显著提升其盈余预测的准确性（Chen等，2022）。预测准确性的提高进一步优化了资本市场的信息环境，为投资者等市场参与者提供了更可靠的决策依据。据此，本文提出研究假设2：在其他条件相同的情况下，上市公司应用人工智能会提高分析师盈余预测准确度。
-
在资本市场中，分析师对同一上市公司盈余的预测分歧度是衡量市场信息环境的重要指标。分歧度越小，表明分析师对公司价值的判断越一致，资本市场信息透明度越高；反之，分歧度较大则可能反映信息不对称或公司未来盈余的不确定性（李哲等，2021）。在分析师对公司进行盈余预测的过程中，公开信息通常会促使分析师的盈余预测趋于一致，但通过特殊途径获取的私有信息则可能导致预测出现分歧。基于上述分析，企业应用人工智能通过影响公开信息与私有信息的获取，改变分析师盈余预测分歧度，从而影响资本市场信息环境。
上市公司应用人工智能优化了信息生成和披露流程，减少了信息传递中的损耗与操纵，显著提升了公开信息质量。此外，作为资本市场的热点技术，人工智能吸引了更多分析师的关注，增加了实地调研的频率。这些调研活动不仅帮助分析师挖掘更多私有信息，还能与高质量的公开信息相结合，使其对公司未来盈余的预测更准确地反映实际情况。当分析师的预测结果趋于一致并反映公司真实状况时，预测分歧度下降，资本市场信息环境随之改善。然而，人工智能的应用也可能提高分析师盈余预测分歧度。Byard和Shaw（2003）发现公开信息与私有信息的占比对盈余预测分歧度有显著影响。在公开信息质量相同的情况下，参与实地调研的分析师因掌握更多私有信息，降低了其与未调研分析师的信息趋同度，从而导致盈余预测分歧度上升。
人工智能应用既可能降低分析师盈余预测分歧度，改善资本市场信息透明度，也可能增加分析师盈余预测分歧度。据此，本文提出竞争性研究假设。
假设3a: 在其他条件相同的情况下，上市公司应用人工智能会降低分析师盈余预测分歧度。
假设3b: 在其他条件相同的情况下，上市公司应用人工智能会提高分析师盈余预测分歧度。
-
本文选取2011−2022年沪深A股上市公司为研究样本。选择2011年作为研究起点的原因在于：第一，人工智能技术由大数据和移动互联网等数字技术驱动发展，其产业化进程经历了从技术研发到行业应用的演进。根据中国信息通信研究院《人工智能白皮书（2022年）》，2011年后，中国的人工智能研发投资规模开始逐年扩大，并在近年实现从研发到行业应用的转化；第二，从数据分布来看，自2011年开始，样本中就有披露人工智能应用情况的观测值。为保证实证结果稳健、可靠，本文对样本进行了如下处理：（1）剔除金融、保险行业样本；（2）剔除ST、*ST、PT类样本；（3）剔除数据缺失的样本。经过以上处理，本文最终得到23191个样本观测值。为避免极端值对检验结果的干扰，本文对所有连续变量进行上下1%的缩尾（Winsorize）处理，并使用稳健聚类标准误。人工智能应用数据来自巨潮资讯网公布的上市公司年报，财务数据来自CSMAR数据库。
-
（1）分析师行为。分析师行为主要包括分析师跟踪、分析师预测误差和分析师预测分歧度。首先，本文参考Chen等（2022）的研究，将分析师跟踪（Follow）定义为当年跟踪公司并发布盈余预测的分析师团队或分析师个人的数量。部分公司可能没有被分析师跟踪，导致该数据呈现明显的右偏分布，因此，本文将分析师跟踪人数加1后取自然对数，以缓解数据右偏对估计结果的影响。
其次，分析师预测误差（Ferror）是指分析师的盈余预测值与公司实际披露的盈余值之间的平均偏差。考虑到同一分析师团队或个人在一年内可能对同一家公司发布多份盈余预测公告，本文统一采用该分析师同一年度内最后一次发布的预测值来作为研究样本；同时，由于同一家公司在同一年度通常有多位分析师发布盈余预测公告，本文构建如下模型进行计算：
$$ {{Ferror}}_{{i}{,}{t}{}}=\frac{{{\mathrm{Abs}}}\left[{Mean}\left({{FEPS}}_{{i}{,}{t}}\right)-{{MEPS}}_{{i}{,}{t}}\right]}{{{\mathrm{Abs}}}\left({{MEPS}}_{{i}{,}{t}}\right)} $$ (1) 其中，FEPSi,t表示在 t年所有跟踪i公司的分析师最后一次预测的每股盈余的平均值，MEPSi,t表示公司i在 t年实际的每股盈余；Ferrori,t表示公司i在 t年分析师预测的每股盈余与公司实际每股盈余的差异，数值越大，表明分析师预测误差越大，盈余预测质量越低。
最后，借鉴 Huberts和Fuller（1995）的研究，本文将分析师预测分歧度（Optimism）定义为所有分析师对公司每股盈余预测的分歧程度，采用分析师在一个会计年度内最后一次盈余预测值的标准差衡量，具体计算模型如下：
$$ {{Optimism}}_{{i}{,}{t}}=\frac{{{\mathrm{Std}}}{}\left({{FEPS}}_{{i}{,}{t}}\right)}{{{\mathrm{Abs}}}{}\left({{MEPS}}_{{i}{,}{t}}\right)} $$ (2) 其中，FEPSi,t、MEPSi,t的定义与公式（1）一致；Optimismi,t表示分析师盈余预测分歧度，数值越大，表示分析师盈余预测之间的分歧越大，盈余预测质量越低。
（2）人工智能应用。借鉴Yu等（2020）的研究，本文采用“文本定位+人工研读”方式获取企业层面人工智能应用数据。首先，参考国家发布的一系列人工智能相关政策文件、党的十九大报告和各机构发布的研究报告，通过人工智能的关键词关联度图谱分析，提取并构建企业人工智能应用的关键词库。
5 其次，借助Python开源的“Jieba”分词功能，从上市公司年报的“管理层讨论与分析（MD&A）”中提取涉及人工智能关键词的语句和段落。最后，邀请三名研究生根据统一标准阅读已提取的文本信息，判断企业是否应用人工智能技术，当三人判断结果一致时确定最终结果。若三人结果不一致，则通过协商达成一致后确认。在整合三人判断结果的基础上，并借鉴现有研究的做法，本文以人工智能关键词的总词频除以公司年报MD&A语段长度再乘以100衡量企业层面的人工智能应用程度（AI_Trans），该数值越大，表明企业人工智能应用程度越高。（3）控制变量。参照Chen等（2022）的研究，本文控制了一系列影响分析师行为的公司特征变量，包括公司规模（Size）、资产负债率（Lev）、总资产收益率（Roa）、公司成长性（Growth）、公司年龄（Age）、股权集中度（Top1）、审计质量（Big4）、盈余波动性（Risk）。具体变量定义见表1。
表 1 变量定义
变量 名称 定义 Follow 分析师跟踪 当年跟踪公司的分析师数量加1取自然对数 Ferror 分析师预测误差 所有分析师对公司盈余预测的平均误差程度，见公式（1） Optimism 分析师预测分歧度 所有分析师对公司盈余预测的分歧程度，见公式（2） AI_Trans 人工智能应用 公司年报中人工智能关键词的总词频除以年报MD&A语段长度乘以100 Size 公司规模 公司总资产取自然对数 Lev 资产负债率 公司总负债除以总资产 Roa 总资产收益率 公司净利润除以总资产 Growth 公司成长性 公司当年营业收入相对于上一年营业收入的增长率 Age 公司年龄 截至当年年末公司的上市年限 Top1 股权集中度 公司第一大股东持股数除以总股数 Big4 审计质量 公司当年聘请国际“四大”会计师事务所审计取值为1，否则为0 Risk 盈余波动性 公司近三年净利润的标准差 Year 年份固定效应 虚拟变量，样本属于某一年度取值为1，否则为0 Ind 行业固定效应 虚拟变量，样本属于某一行业取值为1，否则为0 -
为验证研究假设，本文构建如下回归模型：
$$\begin{split} {Analyst} _{ {i,t} } =&\alpha _{{0}} {+\beta } _{{1}} {AI\_Trans+\beta } _{{2}} {Size+\beta } _{{3}} {Lev+\beta } _{{4}} {Roa+\beta } _{{5}} {Growth+\beta } _{{6}} Age\\&+ \beta _{{7}} {Top\textit{1}} {+\beta } _{{8}} {Big\textit{4}+\beta } _{{9}} {Risk+\delta } _{ {t} } {+μ} _{ {j} } {+\epsilon } _{ {i,t} }\end{split} $$ (3) 其中，Analysti,t表示分析师行为，由分析师跟踪（Follow）、分析师预测误差（Ferror）、分析师预测分歧度（Optimism）来表示；AI_Transi,t表示企业层面人工智能应用；δt、μj、εi,t分别表示年度固定效应、行业固定效应及随机干扰项。
-
表2报告了主要变量的描述性统计结果。结果显示，分析师跟踪（Follow）的均值为1.770，标准差为1.081，最小值为0，最大值为3.850，说明不同公司间分析师跟踪数量存在显著差异。分析师预测误差（Ferror）的均值为2.390，标准差为4.970，最小值为0.007，最大值为32.500，说明分析师对不同上市公司盈余预测的误差整体偏大，准确度存在较大波动。分析师预测分歧度（Optimism）的均值为1.470，标准差为2.942，最小值为0.022，最大值为19.330，说明分析师的盈余预测分歧度较大。公司人工智能应用程度（AI_Trans）的均值为0.674，最小值为0，最大值为5.784，说明不同公司间人工智能应用情况存在较大差异。从控制变量来看，公司规模的均值为22.550，资产负债率的均值为0.433，总资产收益率的均值为0.041，公司成长性的均值为0.177，公司年龄的均值为2.236，股权集中度的均值为34.500，约有7.6%的上市公司聘请国际“四大”会计师事务所进行审计，公司盈余波动性的均值为0.088。
表 2 描述性统计
变量 样本量 均值 标准差 最小值 中位数 最大值 Follow 23191 1.770 1.081 0 1.792 3.850 Ferror 23191 2.390 4.970 0.007 0.740 32.500 Optimism 23191 1.470 2.942 0.022 0.515 19.330 AI_Trans 23191 0.674 1.019 0 0.304 5.784 Size 23191 22.550 1.308 20.240 22.350 26.520 Lev 23191 0.433 0.196 0.060 0.429 0.866 Roa 23191 0.041 0.059 −0.228 0.039 0.202 Growth 23191 0.177 0.376 −0.497 0.116 2.287 Age 23191 2.236 0.688 0.693 2.303 3.332 Top1 23191 34.500 15.000 8.570 32.410 74.820 Big4 23191 0.076 0.265 0 0 1 Risk 23191 0.088 0.090 0.005 0.061 0.547 -
不同人工智能应用程度的公司在诸多方面存在差异。为直观展示这些差异，本文以企业应用人工智能程度高低将总样本分为两组，进行组间差异检验，表3报告了组间差异检验结果。
表 3 单变量分析：基于人工智能应用程度分组
变量 人工智能应用程度较低 人工智能应用程度较高 均值
差异t值 样本量 均值 样本量 均值 Follow 12798 1.701 10393 1.859 −0.158 −11.063*** Ferror 12798 2.523 10393 2.226 0.297 4.530*** Optimism 12798 1.514 10393 1.416 0.098 2.527** Size 12798 22.520 10393 22.580 −0.056 −3.232*** Lev 12798 0.429 10393 0.438 −0.009 −3.446*** Roa 12798 0.040 10393 0.043 −0.003 −3.311*** Growth 12798 0.168 10393 0.188 −0.020 −3.940*** Age 12798 2.233 10393 2.240 −0.007 −0.783 Top1 12798 34.200 10393 34.870 −0.667 −3.371*** Big4 12798 0.077 10393 0.075 0.002 0.685 Risk 12798 0.087 10393 0.089 −0.002 −1.278 注：***、**和*分别表示1%、5%和10%的显著性水平；t值用于检验人工智能应用程度较高样本与较低样本之间的均值差异。 首先，人工智能应用程度较低公司的分析师跟踪的均值为1.701，低于人工智能应用程度较高公司分析师跟踪的均值（1.859），且两者差异在1%的水平上显著，说明分析师更倾向于关注应用人工智能的公司。其次，人工智能应用程度较低公司的分析师预测误差的均值为2.523，高于人工智能应用程度较高公司的分析师预测误差的均值（2.226），且两者差异在1%的水平上显著，说明分析师对人工智能应用程度较高公司的盈余预测误差更小，预测结果更准确。最后，人工智能应用程度较低公司的分析师预测分歧度的均值为1.514，高于人工智能应用程度较高公司的分析师预测分歧度的均值（1.416），且两者差异在5%的水平上显著，说明分析师对人工智能应用程度较高公司的盈余预测分歧度更小，预测结果更准确。
从控制变量来看，人工智能应用程度较高公司的公司规模、资产负债率、总资产收益率、公司成长性、股权集中度的均值明显高于人工智能应用程度较低的公司，但是公司年龄、审计质量和盈余波动性在人工智能应用程度高低两组样本中并未表现出显著差异。
-
表4报告了企业应用人工智能应用对分析师行为影响的结果。其中，列（1）、列（3）和列（5）报告了在不考虑其他分析师行为影响因素的情况下，仅控制年份和行业效应的回归结果；列（2）、列（4）和列（6）报告了在控制公司特征因素的基础上，进一步控制年份和行业效应的回归结果。结果显示，列（1）、列（2）中，人工智能应用（AI_Trans）与分析师跟踪（Follow）的回归系数分别为0.068和0.057，且均在1%的水平上显著，说明公司人工智能的应用程度越高，分析师的关注度越高，本文假设1得到支持。列（3）、列（4）中，人工智能应用（AI_Trans）与分析师预测误差（Ferror）的回归系数分别为−0.114和−0.107，且分别在5%和1%的水平上显著，说明人工智能应用会降低分析师的预测误差，提高分析师盈余预测准确度，本文假设2得到支持。列（5）、列（6）中，人工智能应用（AI_Trans）与分析师预测分歧度（Optimism）的回归系数分别为−0.063和−0.062，且均在5%的水平上显著，说明人工智能应用会降低分析师预测分歧度，提高分析师盈余预测准确度，本文假设3a得到支持。
表 4 人工智能应用与分析师行为
变量 Follow
(1)Follow
(2)Ferror
(3)Ferror
(4)Optimism
(5)Optimism
(6)AI_Trans 0.068*** 0.057*** −0.114** −0.107*** −0.063** −0.062** (4.05) (4.67) (−2.57) (−2.65) (−2.46) (−2.56) Size 0.450*** −0.231*** −0.068** (37.47) (−5.42) (−2.50) Lev −0.324*** −0.036 −0.008 (−4.68) (−0.13) (−0.04) Roa 6.316*** −19.121*** −8.940*** (34.87) (−26.16) (−20.36) Age 0.100*** −1.170*** −0.464*** (5.53) (−12.11) (−8.21) Growth −0.276*** −0.229*** −0.134*** (−15.47) (−3.88) (−3.53) Top1 −0.006*** −0.005* −0.002 (−7.61) (−1.77) (−1.45) Big4 0.017 −0.295** −0.173** (0.35) (−2.43) (−2.14) Risk −0.223** 1.739*** 0.754*** (−2.42) (3.94) (2.77) Constant 1.727*** −7.704*** 2.467*** 9.216*** 1.512*** 3.826*** (93.11) (−32.34) (45.93) (10.64) (46.99) (6.94) Year 控制 控制 控制 控制 控制 控制 Ind 控制 控制 控制 控制 控制 控制 样本量 23191 23191 23191 23191 23191 23191 Adj.R2 0.027 0.344 0.019 0.092 0.029 0.071 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。 -
前文研究结果表明，公司应用人工智能能够提高分析师关注度，降低分析师盈余预测误差和分歧度，提高分析师盈余预测准确度，但其具体作用路径尚不明确。本文认为，公司应用人工智能通过以下机制影响分析师行为：一方面，人工智能应用会优化公司组织架构，促进生产、经营和管理一体化发展，提高信息质量，进而影响分析师行为；另一方面，人工智能应用可能产生“曝光效应”，吸引分析师对公司进行更多的实地调研。分析师借助这些路径能够更好地收集和挖掘公开信息和私有信息，进而影响自身盈余预测行为。因此，本文从公司公开披露的会计信息质量和分析师实地调研两个方面，检验人工智能应用影响分析师行为的路径。
为检验上述路径，参考Baron和 Kenny（1986）的研究，本文采用中介效应方法，在模型（3）的基础上构建如下模型进行检验：
$$ {MidVar} _{ {i,t} } {=\alpha } _{ \mathrm{0}} {+\beta } _{ \mathrm{1}} {AI\_Trans+\lambda Controls+\delta } _{ {t} } {+μ} _{ {j} } {+\epsilon } _{ {i,t} } $$ (4) $$ Analyst_{i,t}=\alpha_{\mathrm{0}}+\gamma_{\mathrm{1}}AI\_Trans+\gamma_{\mathrm{2}}MidVar_{i,t}+\lambda Controls+\delta_t+μ_j+\epsilon_{i,t} $$ (5) 模型（4）中，MidVar为中介变量，由会计信息质量（EM）和分析师实地调研（Vist）来表示。会计信息质量（EM）以公司真实盈余管理程度衡量，分析师实地调研（Vist）以一个会计年度内分析师对公司实地调研的次数衡量。若模型（4）中β1与模型（5）中
$\gamma_1 $ 、$\gamma_2 $ 均显著，则中介效应存在；若其中任一系数不显著，则中介效应不存在。表5报告了会计信息质量路径的检验结果。结果显示，列（1）中，人工智能应用（AI_Trans）与会计信息质量（EM）的回归系数为−0.013，且在1%的水平上显著，说明人工智能应用能显著提升公司会计信息质量。列（2）至列（4）中，会计信息质量（EM）与分析师跟踪（Follow）、分析师预测误差（Ferror）、分析师预测分歧度（Optimism）的回归系数分别为−0.632、1.368和0.979，且均在1%的水平上显著，说明会计信息质量越高，分析师关注度越高、盈余预测误差越小、分歧度越低。列（5）至列（7）中加入会计信息质量（EM），人工智能应用（AI_Trans）与分析师跟踪（Follow）、分析师预测误差（Ferror）、分析师预测分歧度（Optimism）的回归系数分别为0.049、−0.090、−0.050，且分别在1%、5%、5%的水平上显著。以上结果表明，人工智能应用通过提高公司会计信息质量，进而提高分析师关注度，降低分析师盈余预测误差和盈余预测分歧度，提高分析师盈余预测准确度。
表 5 会计信息质量路径检验
变量 EM
(1)Follow
(2)Ferror
(3)Optimism
(4)Follow
(5)Ferror
(6)Optimism
(7)AI_Trans −0.013*** 0.049*** −0.090** −0.050** (−3.83) (4.07) (−2.24) (−2.07) EM −0.632*** 1.368*** 0.979*** −0.622*** 1.350*** 0.969*** (−13.73) (8.59) (10.20) (−13.54) (8.49) (10.08) Size 0.022*** 0.464*** −0.262*** −0.090*** 0.463*** −0.260*** −0.089*** (7.17) (39.91) (−6.10) (−3.30) (39.77) (−6.05) (−3.25) Lev 0.046*** −0.293*** −0.102 −0.054 −0.295*** −0.098 −0.052 (2.74) (−4.30) (−0.37) (−0.31) (−4.35) (−0.36) (−0.30) Roa −1.529*** 5.347*** −17.024*** −7.440*** 5.365*** −17.057*** −7.459*** (−27.87) (29.90) (−22.11) (−16.44) (30.07) (−22.18) (−16.50) Age 0.055*** 0.138*** −1.251*** −0.521*** 0.135*** −1.245*** −0.518*** (8.48) (7.29) (−12.88) (−9.20) (7.09) (−12.84) (−9.16) Growth −0.009** −0.283*** −0.215*** −0.124*** −0.282*** −0.217*** −0.125*** (−2.02) (−16.29) (−3.64) (−3.28) (−16.22) (−3.67) (−3.30) Top1 −0.000 −0.006*** −0.004 −0.002 −0.006*** −0.004* −0.002 (−0.49) (−8.03) (−1.64) (−1.34) (−7.89) (−1.71) (−1.40) Big4 −0.067*** −0.028 −0.199 −0.105 −0.025 −0.205* −0.108 (−5.76) (−0.61) (−1.64) (−1.30) (−0.55) (−1.68) (−1.33) Risk 0.078*** −0.156* 1.598*** 0.659** −0.175* 1.633*** 0.678** (2.75) (−1.71) (3.61) (2.43) (−1.92) (3.68) (2.49) Constant −0.441*** −7.968*** 9.792*** 4.243*** −7.978*** 9.811*** 4.253*** (−7.40) (−34.39) (11.21) (7.64) (−34.43) (11.23) (7.67) Sobel Test 7.828*** −6.272*** −6.742*** Year 控制 控制 控制 控制 控制 控制 控制 Ind 控制 控制 控制 控制 控制 控制 控制 样本量 23191 23191 23191 23191 23191 23191 23191 Adj.R2 0.191 0.356 0.095 0.075 0.357 0.095 0.075 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。 表6报告了分析师实地调研路径的检验结果。结果显示，列（1）中，人工智能应用（AI_Trans）与分析师实地调研（Vist）的回归系数为0.313，且在1%的水平上显著，说明人工智能应用会促使分析师进行更多的实地调研。列（2）至列（4）中，分析师实地调研（Vist）与分析师跟踪（Follow）、分析师预测误差（Ferror）、分析师预测分歧度（Optimism）的回归系数分别为0.033、−0.033和−0.012，且均在1%的水平上显著，说明分析师的实地调研活动越频繁，分析师关注度越高、盈余预测误差越小、分歧度越低。列（5）至列（7）中加入分析师实地调研（Vist），人工智能应用（AI_Trans）与分析师跟踪（Follow）、分析师预测误差（Ferror）、分析师预测分歧度（Optimism）的回归系数分别为0.046、−0.097、−0.058，且分别在1%、5%、5%的水平上显著。以上结果表明，人工智能应用通过促使分析师进行更多的实地调研，进而提高分析师关注度，降低分析师盈余预测误差和盈余预测分歧度，提高分析师盈余预测准确度。
表 6 分析师实地调研路径检验
变量 Vist
(1)Follow
(2)Ferror
(3)Optimism
(4)Follow
(5)Ferror
(6)Optimism
(7)AI_Trans 0.313*** 0.046*** −0.097** −0.058** (3.73) (3.95) (−2.39) (−2.40) Vist 0.033*** −0.033*** −0.012*** 0.033*** −0.032*** −0.012*** (22.18) (−6.86) (−4.06) (22.04) (−6.74) (−3.95) Size 0.412*** 0.437*** −0.219*** −0.064** 0.436*** −0.217*** −0.063** (3.99) (36.89) (−5.12) (−2.35) (36.81) (−5.08) (−2.31) Lev −1.214** −0.282*** −0.080 −0.024 −0.284*** −0.075 −0.022 (−2.52) (−4.17) (−0.29) (−0.14) (−4.21) (−0.27) (−0.12) Roa 10.114*** 5.982*** −18.783*** −8.815*** 5.988*** −18.795*** −8.822*** (8.24) (33.66) (−25.75) (−20.11) (33.74) (−25.81) (−20.16) Age 0.446*** 0.089*** −1.162*** −0.462*** 0.086*** −1.156*** −0.459*** (4.14) (5.03) (−12.05) (−8.17) (4.87) (−12.01) (−8.12) Growth −0.768*** −0.252*** −0.253*** −0.143*** −0.251*** −0.254*** −0.143*** (−5.98) (−14.22) (−4.27) (−3.74) (−14.18) (−4.29) (−3.76) Top1 −0.031*** −0.005*** −0.005** −0.003 −0.005*** −0.006** −0.003* (−5.03) (−6.46) (−2.07) (−1.60) (−6.35) (−2.14) (−1.66) Big4 −0.307 0.025 −0.300** −0.174** 0.027 −0.304** −0.176** (−0.69) (0.52) (−2.45) (−2.14) (0.56) (−2.48) (−2.17) Risk −1.009 −0.174* 1.670*** 0.721*** −0.191** 1.706*** 0.742*** (−1.50) (−1.93) (3.80) (2.66) (−2.12) (3.87) (2.73) Constant −3.203 −7.585*** 9.082*** 3.770*** −7.600*** 9.113*** 3.789*** (−1.54) (−32.36) (10.46) (6.81) (−32.43) (10.50) (6.85) Sobel Test 5.483*** −6.385*** −6.817*** Year 控制 控制 控制 控制 控制 控制 控制 Ind 控制 控制 控制 控制 控制 控制 控制 样本量 23191 23191 23191 23191 23191 23191 23191 Adj.R2 0.078 0.372 0.093 0.071 0.373 0.093 0.072 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。 -
人工智能应用既可能是企业自身的战略选择，也可能受到其他遗漏变量的影响。同时，分析师行为与人工智能应用也可能受到其他公司治理特征的影响。此外，本文构建的人工智能应用指标可能受到企业策略性信息披露的影响。为缓解上述内生性问题，本文分别进行如下稳健性检验：倾向得分匹配（PSM）、工具变量法（IV）、缩小样本区间、安慰剂检验和排除企业策略性信息披露的影响。
-
部分公司特征可能会同时影响人工智能应用和分析师行为，进而影响两者关系。为缓解样本偏差对本文结论的影响，本文采用倾向得分匹配法重新进行检验。首先，根据人工智能应用程度的均值将人工智能应用程度高于样本均值的公司作为实验组，低于样本均值的公司作为对照组。其次，选取公司规模（Size）、资产负债率（Lev）、总资产收益率（Roa）、公司年龄（Age）、公司成长性（Growth）、股权集中度（Top1）、盈余波动性（Risk）等影响公司人工智能应用的变量进行1比1有放回的倾向得分匹配，以减小不同人工智能应用程度公司间的特征差异。最后，对匹配后的样本重新进行回归。表7的结果显示，人工智能应用（AI_Trans）与分析师跟踪（Follow）、分析师预测误差（Ferror）、分析师预测分歧度（Optimism）的回归系数分别为0.062、−0.168、−0.080，且分别在1%、5%、10%的水平上显著，说明本文结论稳健。
表 7 稳健性检验：倾向得分匹配（PSM）
变量 Follow
(1)Ferror
(2)Optimism
(3)AI_Trans 0.062*** −0.168** −0.080* (3.04) (−2.19) (−1.80) Size 0.445*** −0.141* −0.024 (27.57) (−1.89) (−0.55) Lev −0.364*** 0.041 0.140 (−3.50) (0.08) (0.46) Roa 5.696*** −18.647*** −7.895*** (19.88) (−13.79) (−10.27) Age 0.247*** −1.487*** −0.602*** (5.67) (−6.00) (−4.55) Growth −0.282*** −0.281*** −0.162*** (−11.50) (−2.75) (−2.71) Top1 −0.005*** −0.009* −0.003 (−5.08) (−1.78) (−1.16) Big4 0.048 −0.529*** −0.227* (0.84) (−2.72) (−1.88) Risk −0.294** 1.783** 0.716 (−2.01) (2.11) (1.58) Constant −7.635*** 7.424*** 2.681*** (−23.87) (4.93) (3.11) Year 控制 控制 控制 Ind 控制 控制 控制 样本量 5120 5120 5120 Adj.R2 0.366 0.100 0.073 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。 -
本文采用工具变量法缓解遗漏变量可能带来的内生性问题，选择上市公司所在地区人工智能发展水平（IV_City）作为公司应用人工智能的工具变量。所在地区人工智能发展水平高对公司人工智能应用的影响可能表现在以下两个方面：第一，该地区集聚大量人工智能领域的专业人才，为公司应用人工智能提供了人力资源支持和先进的技术知识；此外，人工智能发展水平高的地区往往具备更为完善的政策扶持体系与优质的技术服务生态，能够为企业应用人工智能创造有利条件。第二，人工智能发展水平高的地区能够为公司应用人工智能创造良好的外部环境，为公司发展提供优质的客户和供应商，降低公司人工智能应用的创新成本，进而促进公司人工智能应用。因此，地区人工智能发展水平与公司人工智能应用呈现显著的正相关关系，但地区人工智能发展水平并不会直接影响分析师行为。根据国家工业信息安全发展研究中心发布的《人工智能发展报告（2022−2023）》，本文将人工智能算力发展指数排名前十的地区界定为人工智能发展水平较高地区，赋值为1，其他则界定为人工智能发展水平较低地区，赋值为0。
6 本文采用工具变量两阶段回归法重新检验人工智能应用对分析师行为的影响，结果如表8所示。结果显示，列（1）中，公司所在地区人工智能发展水平（IV_City）与人工智能应用（AI_Trans）的回归系数为0.170，且在1%的水平上显著，说明地区人工智能发展水平确实会影响公司人工智能应用情况。列（2）至列（4）中，人工智能应用（AI_Trans）与分析师跟踪（Follow）、分析师预测误差（Ferror）、分析师预测分歧度（Optimism）的回归系数分别为0.465、−1.257和−1.322，且均在1%的水平上显著，说明人工智能应用会提高分析师关注度，降低分析师盈余预测误差和盈余预测分歧度，与基准回归结论保持一致，说明本文结论稳健。
表 8 稳健性检验：工具变量法（IV两阶段估计）
变量 第一阶段 第二阶段 AI_Trans
(1)Follow
(2)Ferror
(3)Optimism
(4)AI_Trans 0.465*** −1.257*** −1.322*** (5.34) (−2.84) (−4.63) IV_City 0.170*** (12.25) Size 0.028*** 0.365*** −0.248*** −0.106*** (4.27) (49.76) (−6.70) (−4.38) Lev −0.460*** −0.123** −0.659** −0.598*** (−9.86) (−2.05) (−2.10) (−2.94) Roa −1.197*** 6.909*** −20.767*** −10.606*** (−7.6) (39.91) (−24.77) (−19.54) Age 0.137*** 0.045** −1.010*** −0.265*** (6.71) (2.03) (−8.96) (−3.76) Growth −0.034*** −0.270*** −0.391*** −0.251*** (−3.16) (−22.06) (−6.91) (−6.89) Top1 −0.007*** −0.002** −0.013*** −0.010*** (−16.43) (−2.54) (−3.30) (−3.95) Big4 −0.091*** 0.083*** −0.377*** −0.236*** (−3.96) (3.19) (−3.23) (−3.01) Risk 0.422*** −0.099 2.067*** 1.318*** (4.67) (−1.15) (4.81) (4.82) Constant 0.441 −6.333*** 11.319*** 6.304*** 3.42 (−43.99) (15.48) (13.27) Year 控制 控制 控制 控制 Ind 控制 控制 控制 控制 样本量 23191 23191 23191 23191 Adj.R2 0.030 0.145 0.030 0.026 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。 -
人工智能发展的时间趋势可能影响本文研究结论。《国务院关于推进物联网有序健康发展的指导意见》（国发〔2013〕7号）首次提出运用物联网推动产业结构调整和发展方式转变。
7 此后，相关部门围绕实体经济发展与人工智能应用相继出台政策措施，实体企业也相应加速推进人工智能技术融合与自身转型升级。为排除人工智能发展初期应用程度较低可能对研究结论的影响，本文将研究样本区间缩小为2013−2018年，重新检验公司人工智能应用对分析师行为的影响，结果如表9所示。结果显示，列（1）至列（3）中，人工智能应用（AI_Trans）与分析师跟踪（Follow）、分析师预测误差（Ferror）、分析师预测分歧度（Optimism）的回归系数分别为0.062、−0.113、−0.054，且分别在1%、1%、5%的水平上显著，说明公司应用人工智能会吸引更多分析师关注，降低分析师盈余预测误差和盈余预测分歧度，与基准回归结果保持一致，说明本文结论稳健。表 9 稳健性检验：缩小样本区间
变量 Follow
(1)Ferror
(2)Optimism
(3)AI_Trans 0.062*** −0.113*** −0.054** (5.05) (−2.74) (−2.23) Size 0.446*** −0.264*** −0.075*** (35.36) (−5.91) (−2.68) Lev −0.328*** −0.043 −0.034 (−4.50) (−0.15) (−0.18) Roa 6.100*** −17.647*** −8.235*** (32.66) (−23.71) (−18.50) Age 0.105*** −1.118*** −0.441*** (5.39) (−10.74) (−7.39) Growth −0.273*** −0.227*** −0.156*** (−14.44) (−3.66) (−3.87) Top1 −0.006*** −0.004 −0.002 (−7.58) (−1.62) (−1.37) Big4 0.028 −0.286** −0.180** (0.55) (−2.28) (−2.20) Risk −0.229** 1.837*** 0.796*** (−2.27) (3.93) (2.74) Constant −7.666*** 9.839*** 3.964*** (−30.57) (10.90) (7.05) Year 控制 控制 控制 Ind 控制 控制 控制 样本量 20350 20350 20350 Adj.R2 0.334 0.086 0.068 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。 -
本文采用安慰剂检验来缓解其他遗漏变量可能产生的干扰。本文将人工智能应用变量在各个上市公司中随机打乱，重新进行回归，结果如表10所示。若公司人工智能应用对分析师行为的影响由遗漏变量所致，则重新打乱人工智能应用变量后的回归系数应依然显著为正，但列（1）至列（3）中，随机打乱后的人工智能应用（AI_Trans）与分析师跟踪（Follow）、分析师预测误差（Ferror）、分析师预测分歧度（Optimism）的回归系数分别为−0.005、0.029、0.015，且均不显著，说明公司应用人工智能对分析师行为的影响并未受到其他遗漏变量的影响，本文研究结论依然稳健。
表 10 稳健性检验：安慰剂检验
变量 Follow
(1)Ferror
(2)Optimism
(3)AI_Trans −0.005 0.029 0.015 (−0.80) (0.82) (0.75) Size 0.451*** −0.233*** −0.065** (37.55) (−5.46) (−2.40) Lev −0.322*** −0.041 0.015 (−4.63) (−0.15) (0.09) Roa 6.312*** −19.111*** −9.018*** (34.72) (−26.10) (−20.43) Age 0.104*** −1.177*** −0.462*** (5.73) (−12.17) (−8.14) Growth −0.277*** −0.228*** −0.140*** (−15.53) (−3.86) (−3.67) Top1 −0.006*** −0.004* −0.003 (−7.76) (−1.68) (−1.50) Big4 0.014 −0.290** −0.169** (0.30) (−2.39) (−2.09) Risk −0.203** 1.697*** 0.705*** (−2.18) (3.86) (2.61) Constant −7.684*** 9.161*** 3.721*** (−32.19) (10.57) (6.73) Year 控制 控制 控制 Ind 控制 控制 控制 样本量 23191 23191 23191 Adj.R2 0.342 0.092 0.070 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。 为进一步增强安慰剂检验结果的稳健性，本文将人工智能应用（AI_Trans）在各上市公司之间重新随机组合，并采用打乱后的人工智能应用变量对模型（3）重复回归1000次，结果如表11所示。结果显示，重新回归后的系数显著为正或显著为负的占比较少。同时，如图1、图2和图3所示，在重复回归中，大部分随机抽样结果的t值均位于0附近。以上结果表明，本文构造的虚拟处理效应不存在，进一步支持人工智能应用确实能够吸引更多分析师关注，降低分析师盈余预测误差和盈余预测分歧度，本文研究结论依然稳健。
表 11 稳健性检验：进一步安慰剂检验
变量 Mean p5 p25 p50 p75 p95 sd N Follow 系数 0.006 0.006 0.006 0.006 0.006 0.006* 0.000 1000 t值 (−0.020) (−1.623) (−0.715) (−0.086) (0.637) (1.675) (1.012) 1000 Ferror 系数 0.030 0.028* 0.029 0.030 0.032 0.033 0.002 1000 t值 (−0.088) (−1.873) (−0.709) (−0.042) (0.615) (1.477) (1.023) 1000 Optimism 系数 0.018 0.017* 0.018 0.018 0.019 0.020 0.001 1000 t值 (−0.088) (−1.885) (−0.690) (−0.054) (0.626) (1.514) (0.988) 1000 注：*表示10%的显著性水平。 
图 1 人工智能应用对分析师跟踪的虚拟处理效应统计分布
图 2 人工智能应用对分析师预测误差的虚拟处理效应统计分布
图 3 人工智能应用对分析师预测分歧度的虚拟处理效应统计分布
-
本文通过文本挖掘与人工研判相结合的方式构建的企业人工智能应用指标，虽然能够有效捕捉企业应用人工智能的实际情况，但也可能受到企业策略性信息披露行为的影响，导致实证结果存在偏差。为排除上述影响，本文进行如下检验：第一，考虑到诸多高科技企业可能基于技术研发策略对相关信息进行策略性披露，本文剔除高科技企业样本重新进行检验。第二，不披露人工智能相关信息也可能是企业的一种策略性信息披露行为，因此本文剔除人工智能数据为0的样本重新进行检验。第三，考虑到企业不当策略性信息披露可能受到监管机构的处罚，本文剔除样本区间内因策略性信息披露而受到中国证监会、证券交易所等机构处罚的样本。第四，考虑到证券交易所会从多维度对上市公司信息披露行为进行考评，且信息披露考评结果为良好或优秀的上市公司进行策略性信息披露的可能性较低，本文仅保留样本区间内信息披露考评结果为良好或优秀的样本重新进行检验。
表12报告了剔除高科技企业样本和人工智能应用数据为0样本的检验结果。结果显示，人工智能应用（AI_Trans）与分析师跟踪（Follow）、分析师预测误差（Ferror）、分析师预测分歧度（Optimism）的回归系数分别显著为正、负和负，说明人工智能应用能够吸引分析师关注，降低分析师盈余预测误差和分歧度，本文结论并未受到企业策略性信息披露行为的影响。
表 12 排除企业策略性信息披露行为影响的回归结果（一）
变量 剔除高科技企业样本 剔除人工智能应用数据为0的样本 Follow
(1)Ferror
(2)Optimism
(3)Follow
(4)Ferror
(5)Optimism
(6)AI_Trans 0.083*** −0.113* −0.066* 0.064*** −0.092** −0.054** (4.05) (−1.79) (−1.76) (5.00) (−2.27) (−2.23) Size 0.439*** −0.236*** −0.079*** 0.451*** −0.260*** −0.081*** (32.00) (−5.08) (−2.67) (35.97) (−5.64) (−2.70) Lev −0.270*** 0.314 0.319 −0.318*** 0.032 0.015 (−3.15) (0.98) (1.58) (−4.40) (0.11) (0.08) Roa 6.459*** −20.101*** −9.759*** 6.582*** −19.415*** −9.347*** (27.68) (−22.56) (−17.90) (34.12) (−24.78) (−19.36) Age −0.268*** −0.157** −0.102** −0.267*** −0.236*** −0.133*** (−12.52) (−2.33) (−2.43) (−14.05) (−3.67) (−3.18) Growth 0.074*** −1.050*** −0.438*** 0.081*** −1.123*** −0.453*** (3.53) (−10.11) (−6.91) (4.25) (−11.23) (−7.55) Top1 −0.005*** −0.007** −0.004** −0.006*** −0.004 −0.002 (−5.66) (−2.45) (−2.24) (−7.32) (−1.34) (−1.25) Big4 0.058 −0.302** −0.168* 0.004 −0.214 −0.159* (1.15) (−2.36) (−1.90) (0.08) (−1.60) (−1.78) Risk −0.223** 1.581*** 0.820*** −0.213** 1.445*** 0.625** (−2.11) (3.18) (2.68) (−2.18) (3.10) (2.15) Constant −7.560*** 9.030*** 3.909*** −7.751*** 9.848*** 4.161*** (−27.92) (9.49) (6.42) (−31.16) (10.44) (6.81) Year 控制 控制 控制 控制 控制 控制 Ind 控制 控制 控制 控制 控制 控制 样本量 16639 16639 16639 20413 20413 20413 Adj.R2 0.344 0.093 0.075 0.347 0.093 0.072 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。 表13报告了剔除样本期间受到证监会、证券交易所等机构信息披露违规处罚样本以及保留证券交易所信息披露考评结果良好或优秀样本的检验结果。结果显示，人工智能应用（AI_Trans）与分析师跟踪（Follow）、分析师预测误差（Ferror）、分析师预测分歧度（Optimism）的回归系数分别显著为正、负和负，说明人工智能应用能够吸引分析师关注，降低分析师盈余预测误差和分歧度，进一步证明本文结论并未受到企业策略性信息披露行为的影响。
表 13 排除企业策略性信息披露行为影响的回归结果（二）
变量 剔除受到信息披露违规处罚的样本 保留信息披露考评结果为良好或优秀的样本 Follow
(1)Ferror
(2)Optimism
(3)Follow
(4)Ferror
(5)Optimism
(6)AI_Trans 0.047*** −0.079* −0.049* 0.063*** −0.079* −0.045* (3.53) (−1.78) (−1.90) (4.76) (−1.79) (−1.77) Size 0.458*** −0.289*** −0.086*** 0.484*** −0.236*** −0.060** (36.21) (−6.39) (−3.05) (34.26) (−5.21) (−2.19) Lev −0.299*** 0.316 −0.116 −0.212** −0.418 −0.351* (−3.99) (1.02) (−0.60) (−2.54) (−1.35) (−1.81) Roa 6.889*** −16.779*** −11.484*** 6.928*** −23.444*** −11.569*** (32.70) (−16.52) (−21.46) (28.54) (−25.50) (−21.26) Age 0.100*** −1.211*** −0.415*** 0.064*** −1.174*** −0.471*** (4.98) (−10.78) (−6.65) (2.71) (−11.49) (−7.68) Growth −0.276*** −0.146** −0.105*** −0.302*** −0.240*** −0.141*** (−14.71) (−2.44) (−2.73) (−14.10) (−3.74) (−3.41) Top1 −0.006*** −0.006** −0.003 −0.006*** −0.003 −0.002 (−7.15) (−2.07) (−1.51) (−6.67) (−0.96) (−1.03) Big4 0.008 −0.183 −0.112 0.047 −0.065 −0.015 (0.17) (−1.47) (−1.34) (0.85) (−0.46) (−0.17) Risk −0.305*** 2.266*** 1.035*** −0.328*** 1.872*** 0.935*** (−3.03) (4.59) (3.47) (−2.89) (3.86) (3.22) Constant −7.899*** 9.962*** 4.258*** −8.467*** 9.476*** 3.788*** (−31.48) (10.88) (7.43) (−30.34) (10.49) (6.92) Year 控制 控制 控制 控制 控制 控制 Ind 控制 控制 控制 控制 控制 控制 样本量 19388 19388 19388 15961 15961 15961 Adj.R2 0.351 0.094 0.087 0.347 0.119 0.096 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。 -
人工智能与实体企业的深度融合，正深刻重塑企业的商业模式，改变企业的经营管理实践。这一变革不仅对企业自身经营发展产生深远影响，也将显著影响外部利益相关者的行为决策。本文从分析师视角，采用文本分析方法构建企业微观层面的人工智能应用指标，以2011−2022年沪深A股上市公司为研究样本，实证检验企业应用人工智能对分析师行为的影响及作用机制。研究发现：第一，上市公司应用人工智能会显著增加资本市场对分析师的需求与供给，吸引更多分析师关注；第二，上市公司应用人工智能有助于降低分析师盈余预测误差，提高盈余预测准确度；第三，上市公司应用人工智能有助于降低分析师盈余预测分歧度，提高盈余预测准确度；第四，上市公司应用人工智能通过提高会计信息质量以及促使分析师开展更多实地调研，拓宽了分析师信息收集渠道，提升了会计信息质量，进而吸引更多分析师关注，降低分析师的盈余预测误差和分歧度，最终提高分析师的盈余预测准确性。
基于以上研究发现，本文得到如下政策启示：
第一，政府部门应加快构筑支持人工智能与实体企业融合的政策体系。通过出台法律法规与扶持政策，如扩大企业研发费用加计扣除适用范围、加强知识产权保护、提高税收优惠力度等，有力促进人工智能的商业应用与市场培育；同时，推动产学研协同创新，构建完整的人工智能产业生态链，持续推进人工智能与实体企业的深度融合。
第二，企业应依据《新一代人工智能发展规划》等战略指引，明确技术突破方向，规划好人工智能融合发展的顶层设计与关键路径，加快人工智能的深度应用。研究发现，企业应用人工智能会显著影响外部利益相关者（如分析师），产生正外部效应。因此，企业应将人工智能技术融入生产经营、组织管理和研发创新各环节，提升会计信息质量，有效减少利益相关者对公司未来发展的认知偏差，赢得市场信任。
第三，分析师应拓宽信息收集渠道，紧密追踪公司发展动态。除关注公开披露的公司基本面信息外，还应通过实地调研、访谈等方式主动获取私有信息，以提升盈余预测准确性。同时，在数字技术快速发展的背景下，分析师还需持续学习人工智能等前沿知识，增强信息甄别与处理能力，通过提供准确的盈余预测，帮助投资者减少非理性投资行为，从而提高资本市场的资源配置效率。
-
摘要: 人工智能与实体企业的深度融合，正深刻改变传统企业信息的生产和传递方式。作为资本市场信息的重要使用者和传播者，分析师是否受到人工智能应用所带来的信息生产和传递方式变革的影响，成为理解资本市场信息环境演变的关键议题。文章以2011−2022年沪深A股上市公司为研究样本，采用文本挖掘方法构建微观企业层面人工智能应用指标，基于分析师行为视角，实证检验企业应用人工智能对资本市场信息环境的影响。研究发现，上市公司应用人工智能显著提升资本市场中分析师的需求与供给，吸引更多分析师跟踪，并降低分析师盈余预测误差与盈余预测分歧度，进而改善资本市场信息环境。路径检验发现，上市公司应用人工智能有助于提高其会计信息质量，吸引更多分析师开展实地调研活动，进而提高分析师关注度，降低分析师盈余预测误差与盈余预测分歧度。研究结论不仅丰富了微观层面人工智能应用的经济后果以及分析师行为影响因素的相关研究，也对资本市场相关利益主体深入理解人工智能与实体企业融合、进而提升资本市场资源配置效率具有重要启示意义。
Can Artificial Intelligence Applications Improve the Capital Market Information Environment? An Investigation from the Perspective of Analyst Behaviors
Abstract: The deep integration of artificial intelligence (AI) with real-economy enterprises is profoundly altering the production and transmission of traditional corporate information. As key users and disseminators of information in the capital market, whether analysts are affected by these changes in information production dissemination driven by AI applications has been a crucial issue for understanding the evolution of the capital market information environment. Using a sample of Shanghai and Shenzhen A-share listed companies from 2011 to 2022, this study employs text mining methods to construct micro-level AI application metrics. From the perspective of analyst behaviors, it empirically examines the impact of corporate AI applications on the capital market information environment. The findings indicate that AI applications by listed companies significantly increases both the demand for and supply of analysts in the capital market, attracts more analyst coverage, reduces analyst earnings forecast errors and dispersion, thereby improving the capital market information environment. Further pathway tests reveal that AI applications by listed companies enhances their accounting information quality and attracts more analysts to conduct on-site visits, which in turn increases analyst attention and reduces earnings forecast errors and dispersion. The conclusions of this study not only enrich the research on the economic consequences of micro-level AI applications and the factors influencing analyst behaviors, but also hold significant implications for capital market participants in deeply understanding the integration of AI with real-economy enterprises, thereby promoting the enhancement of resource allocation efficiency in the capital market. -
表 1 变量定义
变量 名称 定义 Follow 分析师跟踪 当年跟踪公司的分析师数量加1取自然对数 Ferror 分析师预测误差 所有分析师对公司盈余预测的平均误差程度，见公式（1） Optimism 分析师预测分歧度 所有分析师对公司盈余预测的分歧程度，见公式（2） AI_Trans 人工智能应用 公司年报中人工智能关键词的总词频除以年报MD&A语段长度乘以100 Size 公司规模 公司总资产取自然对数 Lev 资产负债率 公司总负债除以总资产 Roa 总资产收益率 公司净利润除以总资产 Growth 公司成长性 公司当年营业收入相对于上一年营业收入的增长率 Age 公司年龄 截至当年年末公司的上市年限 Top1 股权集中度 公司第一大股东持股数除以总股数 Big4 审计质量 公司当年聘请国际“四大”会计师事务所审计取值为1，否则为0 Risk 盈余波动性 公司近三年净利润的标准差 Year 年份固定效应 虚拟变量，样本属于某一年度取值为1，否则为0 Ind 行业固定效应 虚拟变量，样本属于某一行业取值为1，否则为0 
下载: 导出CSV
表 2 描述性统计
变量 样本量 均值 标准差 最小值 中位数 最大值 Follow 23191 1.770 1.081 0 1.792 3.850 Ferror 23191 2.390 4.970 0.007 0.740 32.500 Optimism 23191 1.470 2.942 0.022 0.515 19.330 AI_Trans 23191 0.674 1.019 0 0.304 5.784 Size 23191 22.550 1.308 20.240 22.350 26.520 Lev 23191 0.433 0.196 0.060 0.429 0.866 Roa 23191 0.041 0.059 −0.228 0.039 0.202 Growth 23191 0.177 0.376 −0.497 0.116 2.287 Age 23191 2.236 0.688 0.693 2.303 3.332 Top1 23191 34.500 15.000 8.570 32.410 74.820 Big4 23191 0.076 0.265 0 0 1 Risk 23191 0.088 0.090 0.005 0.061 0.547
下载: 导出CSV
表 3 单变量分析：基于人工智能应用程度分组
变量 人工智能应用程度较低 人工智能应用程度较高 均值
差异t值 样本量 均值 样本量 均值 Follow 12798 1.701 10393 1.859 −0.158 −11.063*** Ferror 12798 2.523 10393 2.226 0.297 4.530*** Optimism 12798 1.514 10393 1.416 0.098 2.527** Size 12798 22.520 10393 22.580 −0.056 −3.232*** Lev 12798 0.429 10393 0.438 −0.009 −3.446*** Roa 12798 0.040 10393 0.043 −0.003 −3.311*** Growth 12798 0.168 10393 0.188 −0.020 −3.940*** Age 12798 2.233 10393 2.240 −0.007 −0.783 Top1 12798 34.200 10393 34.870 −0.667 −3.371*** Big4 12798 0.077 10393 0.075 0.002 0.685 Risk 12798 0.087 10393 0.089 −0.002 −1.278 注：***、**和*分别表示1%、5%和10%的显著性水平；t值用于检验人工智能应用程度较高样本与较低样本之间的均值差异。
下载: 导出CSV
表 4 人工智能应用与分析师行为
变量 Follow
(1)Follow
(2)Ferror
(3)Ferror
(4)Optimism
(5)Optimism
(6)AI_Trans 0.068*** 0.057*** −0.114** −0.107*** −0.063** −0.062** (4.05) (4.67) (−2.57) (−2.65) (−2.46) (−2.56) Size 0.450*** −0.231*** −0.068** (37.47) (−5.42) (−2.50) Lev −0.324*** −0.036 −0.008 (−4.68) (−0.13) (−0.04) Roa 6.316*** −19.121*** −8.940*** (34.87) (−26.16) (−20.36) Age 0.100*** −1.170*** −0.464*** (5.53) (−12.11) (−8.21) Growth −0.276*** −0.229*** −0.134*** (−15.47) (−3.88) (−3.53) Top1 −0.006*** −0.005* −0.002 (−7.61) (−1.77) (−1.45) Big4 0.017 −0.295** −0.173** (0.35) (−2.43) (−2.14) Risk −0.223** 1.739*** 0.754*** (−2.42) (3.94) (2.77) Constant 1.727*** −7.704*** 2.467*** 9.216*** 1.512*** 3.826*** (93.11) (−32.34) (45.93) (10.64) (46.99) (6.94) Year 控制 控制 控制 控制 控制 控制 Ind 控制 控制 控制 控制 控制 控制 样本量 23191 23191 23191 23191 23191 23191 Adj.R2 0.027 0.344 0.019 0.092 0.029 0.071 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。
下载: 导出CSV
表 5 会计信息质量路径检验
变量 EM
(1)Follow
(2)Ferror
(3)Optimism
(4)Follow
(5)Ferror
(6)Optimism
(7)AI_Trans −0.013*** 0.049*** −0.090** −0.050** (−3.83) (4.07) (−2.24) (−2.07) EM −0.632*** 1.368*** 0.979*** −0.622*** 1.350*** 0.969*** (−13.73) (8.59) (10.20) (−13.54) (8.49) (10.08) Size 0.022*** 0.464*** −0.262*** −0.090*** 0.463*** −0.260*** −0.089*** (7.17) (39.91) (−6.10) (−3.30) (39.77) (−6.05) (−3.25) Lev 0.046*** −0.293*** −0.102 −0.054 −0.295*** −0.098 −0.052 (2.74) (−4.30) (−0.37) (−0.31) (−4.35) (−0.36) (−0.30) Roa −1.529*** 5.347*** −17.024*** −7.440*** 5.365*** −17.057*** −7.459*** (−27.87) (29.90) (−22.11) (−16.44) (30.07) (−22.18) (−16.50) Age 0.055*** 0.138*** −1.251*** −0.521*** 0.135*** −1.245*** −0.518*** (8.48) (7.29) (−12.88) (−9.20) (7.09) (−12.84) (−9.16) Growth −0.009** −0.283*** −0.215*** −0.124*** −0.282*** −0.217*** −0.125*** (−2.02) (−16.29) (−3.64) (−3.28) (−16.22) (−3.67) (−3.30) Top1 −0.000 −0.006*** −0.004 −0.002 −0.006*** −0.004* −0.002 (−0.49) (−8.03) (−1.64) (−1.34) (−7.89) (−1.71) (−1.40) Big4 −0.067*** −0.028 −0.199 −0.105 −0.025 −0.205* −0.108 (−5.76) (−0.61) (−1.64) (−1.30) (−0.55) (−1.68) (−1.33) Risk 0.078*** −0.156* 1.598*** 0.659** −0.175* 1.633*** 0.678** (2.75) (−1.71) (3.61) (2.43) (−1.92) (3.68) (2.49) Constant −0.441*** −7.968*** 9.792*** 4.243*** −7.978*** 9.811*** 4.253*** (−7.40) (−34.39) (11.21) (7.64) (−34.43) (11.23) (7.67) Sobel Test 7.828*** −6.272*** −6.742*** Year 控制 控制 控制 控制 控制 控制 控制 Ind 控制 控制 控制 控制 控制 控制 控制 样本量 23191 23191 23191 23191 23191 23191 23191 Adj.R2 0.191 0.356 0.095 0.075 0.357 0.095 0.075 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。
下载: 导出CSV
表 6 分析师实地调研路径检验
变量 Vist
(1)Follow
(2)Ferror
(3)Optimism
(4)Follow
(5)Ferror
(6)Optimism
(7)AI_Trans 0.313*** 0.046*** −0.097** −0.058** (3.73) (3.95) (−2.39) (−2.40) Vist 0.033*** −0.033*** −0.012*** 0.033*** −0.032*** −0.012*** (22.18) (−6.86) (−4.06) (22.04) (−6.74) (−3.95) Size 0.412*** 0.437*** −0.219*** −0.064** 0.436*** −0.217*** −0.063** (3.99) (36.89) (−5.12) (−2.35) (36.81) (−5.08) (−2.31) Lev −1.214** −0.282*** −0.080 −0.024 −0.284*** −0.075 −0.022 (−2.52) (−4.17) (−0.29) (−0.14) (−4.21) (−0.27) (−0.12) Roa 10.114*** 5.982*** −18.783*** −8.815*** 5.988*** −18.795*** −8.822*** (8.24) (33.66) (−25.75) (−20.11) (33.74) (−25.81) (−20.16) Age 0.446*** 0.089*** −1.162*** −0.462*** 0.086*** −1.156*** −0.459*** (4.14) (5.03) (−12.05) (−8.17) (4.87) (−12.01) (−8.12) Growth −0.768*** −0.252*** −0.253*** −0.143*** −0.251*** −0.254*** −0.143*** (−5.98) (−14.22) (−4.27) (−3.74) (−14.18) (−4.29) (−3.76) Top1 −0.031*** −0.005*** −0.005** −0.003 −0.005*** −0.006** −0.003* (−5.03) (−6.46) (−2.07) (−1.60) (−6.35) (−2.14) (−1.66) Big4 −0.307 0.025 −0.300** −0.174** 0.027 −0.304** −0.176** (−0.69) (0.52) (−2.45) (−2.14) (0.56) (−2.48) (−2.17) Risk −1.009 −0.174* 1.670*** 0.721*** −0.191** 1.706*** 0.742*** (−1.50) (−1.93) (3.80) (2.66) (−2.12) (3.87) (2.73) Constant −3.203 −7.585*** 9.082*** 3.770*** −7.600*** 9.113*** 3.789*** (−1.54) (−32.36) (10.46) (6.81) (−32.43) (10.50) (6.85) Sobel Test 5.483*** −6.385*** −6.817*** Year 控制 控制 控制 控制 控制 控制 控制 Ind 控制 控制 控制 控制 控制 控制 控制 样本量 23191 23191 23191 23191 23191 23191 23191 Adj.R2 0.078 0.372 0.093 0.071 0.373 0.093 0.072 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。
下载: 导出CSV
表 7 稳健性检验：倾向得分匹配（PSM）
变量 Follow
(1)Ferror
(2)Optimism
(3)AI_Trans 0.062*** −0.168** −0.080* (3.04) (−2.19) (−1.80) Size 0.445*** −0.141* −0.024 (27.57) (−1.89) (−0.55) Lev −0.364*** 0.041 0.140 (−3.50) (0.08) (0.46) Roa 5.696*** −18.647*** −7.895*** (19.88) (−13.79) (−10.27) Age 0.247*** −1.487*** −0.602*** (5.67) (−6.00) (−4.55) Growth −0.282*** −0.281*** −0.162*** (−11.50) (−2.75) (−2.71) Top1 −0.005*** −0.009* −0.003 (−5.08) (−1.78) (−1.16) Big4 0.048 −0.529*** −0.227* (0.84) (−2.72) (−1.88) Risk −0.294** 1.783** 0.716 (−2.01) (2.11) (1.58) Constant −7.635*** 7.424*** 2.681*** (−23.87) (4.93) (3.11) Year 控制 控制 控制 Ind 控制 控制 控制 样本量 5120 5120 5120 Adj.R2 0.366 0.100 0.073 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。
下载: 导出CSV
表 8 稳健性检验：工具变量法（IV两阶段估计）
变量 第一阶段 第二阶段 AI_Trans
(1)Follow
(2)Ferror
(3)Optimism
(4)AI_Trans 0.465*** −1.257*** −1.322*** (5.34) (−2.84) (−4.63) IV_City 0.170*** (12.25) Size 0.028*** 0.365*** −0.248*** −0.106*** (4.27) (49.76) (−6.70) (−4.38) Lev −0.460*** −0.123** −0.659** −0.598*** (−9.86) (−2.05) (−2.10) (−2.94) Roa −1.197*** 6.909*** −20.767*** −10.606*** (−7.6) (39.91) (−24.77) (−19.54) Age 0.137*** 0.045** −1.010*** −0.265*** (6.71) (2.03) (−8.96) (−3.76) Growth −0.034*** −0.270*** −0.391*** −0.251*** (−3.16) (−22.06) (−6.91) (−6.89) Top1 −0.007*** −0.002** −0.013*** −0.010*** (−16.43) (−2.54) (−3.30) (−3.95) Big4 −0.091*** 0.083*** −0.377*** −0.236*** (−3.96) (3.19) (−3.23) (−3.01) Risk 0.422*** −0.099 2.067*** 1.318*** (4.67) (−1.15) (4.81) (4.82) Constant 0.441 −6.333*** 11.319*** 6.304*** 3.42 (−43.99) (15.48) (13.27) Year 控制 控制 控制 控制 Ind 控制 控制 控制 控制 样本量 23191 23191 23191 23191 Adj.R2 0.030 0.145 0.030 0.026 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。
下载: 导出CSV
表 9 稳健性检验：缩小样本区间
变量 Follow
(1)Ferror
(2)Optimism
(3)AI_Trans 0.062*** −0.113*** −0.054** (5.05) (−2.74) (−2.23) Size 0.446*** −0.264*** −0.075*** (35.36) (−5.91) (−2.68) Lev −0.328*** −0.043 −0.034 (−4.50) (−0.15) (−0.18) Roa 6.100*** −17.647*** −8.235*** (32.66) (−23.71) (−18.50) Age 0.105*** −1.118*** −0.441*** (5.39) (−10.74) (−7.39) Growth −0.273*** −0.227*** −0.156*** (−14.44) (−3.66) (−3.87) Top1 −0.006*** −0.004 −0.002 (−7.58) (−1.62) (−1.37) Big4 0.028 −0.286** −0.180** (0.55) (−2.28) (−2.20) Risk −0.229** 1.837*** 0.796*** (−2.27) (3.93) (2.74) Constant −7.666*** 9.839*** 3.964*** (−30.57) (10.90) (7.05) Year 控制 控制 控制 Ind 控制 控制 控制 样本量 20350 20350 20350 Adj.R2 0.334 0.086 0.068 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。
下载: 导出CSV
表 10 稳健性检验：安慰剂检验
变量 Follow
(1)Ferror
(2)Optimism
(3)AI_Trans −0.005 0.029 0.015 (−0.80) (0.82) (0.75) Size 0.451*** −0.233*** −0.065** (37.55) (−5.46) (−2.40) Lev −0.322*** −0.041 0.015 (−4.63) (−0.15) (0.09) Roa 6.312*** −19.111*** −9.018*** (34.72) (−26.10) (−20.43) Age 0.104*** −1.177*** −0.462*** (5.73) (−12.17) (−8.14) Growth −0.277*** −0.228*** −0.140*** (−15.53) (−3.86) (−3.67) Top1 −0.006*** −0.004* −0.003 (−7.76) (−1.68) (−1.50) Big4 0.014 −0.290** −0.169** (0.30) (−2.39) (−2.09) Risk −0.203** 1.697*** 0.705*** (−2.18) (3.86) (2.61) Constant −7.684*** 9.161*** 3.721*** (−32.19) (10.57) (6.73) Year 控制 控制 控制 Ind 控制 控制 控制 样本量 23191 23191 23191 Adj.R2 0.342 0.092 0.070 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。
下载: 导出CSV
表 11 稳健性检验：进一步安慰剂检验
变量 Mean p5 p25 p50 p75 p95 sd N Follow 系数 0.006 0.006 0.006 0.006 0.006 0.006* 0.000 1000 t值 (−0.020) (−1.623) (−0.715) (−0.086) (0.637) (1.675) (1.012) 1000 Ferror 系数 0.030 0.028* 0.029 0.030 0.032 0.033 0.002 1000 t值 (−0.088) (−1.873) (−0.709) (−0.042) (0.615) (1.477) (1.023) 1000 Optimism 系数 0.018 0.017* 0.018 0.018 0.019 0.020 0.001 1000 t值 (−0.088) (−1.885) (−0.690) (−0.054) (0.626) (1.514) (0.988) 1000 注：*表示10%的显著性水平。
下载: 导出CSV
表 12 排除企业策略性信息披露行为影响的回归结果（一）
变量 剔除高科技企业样本 剔除人工智能应用数据为0的样本 Follow
(1)Ferror
(2)Optimism
(3)Follow
(4)Ferror
(5)Optimism
(6)AI_Trans 0.083*** −0.113* −0.066* 0.064*** −0.092** −0.054** (4.05) (−1.79) (−1.76) (5.00) (−2.27) (−2.23) Size 0.439*** −0.236*** −0.079*** 0.451*** −0.260*** −0.081*** (32.00) (−5.08) (−2.67) (35.97) (−5.64) (−2.70) Lev −0.270*** 0.314 0.319 −0.318*** 0.032 0.015 (−3.15) (0.98) (1.58) (−4.40) (0.11) (0.08) Roa 6.459*** −20.101*** −9.759*** 6.582*** −19.415*** −9.347*** (27.68) (−22.56) (−17.90) (34.12) (−24.78) (−19.36) Age −0.268*** −0.157** −0.102** −0.267*** −0.236*** −0.133*** (−12.52) (−2.33) (−2.43) (−14.05) (−3.67) (−3.18) Growth 0.074*** −1.050*** −0.438*** 0.081*** −1.123*** −0.453*** (3.53) (−10.11) (−6.91) (4.25) (−11.23) (−7.55) Top1 −0.005*** −0.007** −0.004** −0.006*** −0.004 −0.002 (−5.66) (−2.45) (−2.24) (−7.32) (−1.34) (−1.25) Big4 0.058 −0.302** −0.168* 0.004 −0.214 −0.159* (1.15) (−2.36) (−1.90) (0.08) (−1.60) (−1.78) Risk −0.223** 1.581*** 0.820*** −0.213** 1.445*** 0.625** (−2.11) (3.18) (2.68) (−2.18) (3.10) (2.15) Constant −7.560*** 9.030*** 3.909*** −7.751*** 9.848*** 4.161*** (−27.92) (9.49) (6.42) (−31.16) (10.44) (6.81) Year 控制 控制 控制 控制 控制 控制 Ind 控制 控制 控制 控制 控制 控制 样本量 16639 16639 16639 20413 20413 20413 Adj.R2 0.344 0.093 0.075 0.347 0.093 0.072 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。
下载: 导出CSV
表 13 排除企业策略性信息披露行为影响的回归结果（二）
变量 剔除受到信息披露违规处罚的样本 保留信息披露考评结果为良好或优秀的样本 Follow
(1)Ferror
(2)Optimism
(3)Follow
(4)Ferror
(5)Optimism
(6)AI_Trans 0.047*** −0.079* −0.049* 0.063*** −0.079* −0.045* (3.53) (−1.78) (−1.90) (4.76) (−1.79) (−1.77) Size 0.458*** −0.289*** −0.086*** 0.484*** −0.236*** −0.060** (36.21) (−6.39) (−3.05) (34.26) (−5.21) (−2.19) Lev −0.299*** 0.316 −0.116 −0.212** −0.418 −0.351* (−3.99) (1.02) (−0.60) (−2.54) (−1.35) (−1.81) Roa 6.889*** −16.779*** −11.484*** 6.928*** −23.444*** −11.569*** (32.70) (−16.52) (−21.46) (28.54) (−25.50) (−21.26) Age 0.100*** −1.211*** −0.415*** 0.064*** −1.174*** −0.471*** (4.98) (−10.78) (−6.65) (2.71) (−11.49) (−7.68) Growth −0.276*** −0.146** −0.105*** −0.302*** −0.240*** −0.141*** (−14.71) (−2.44) (−2.73) (−14.10) (−3.74) (−3.41) Top1 −0.006*** −0.006** −0.003 −0.006*** −0.003 −0.002 (−7.15) (−2.07) (−1.51) (−6.67) (−0.96) (−1.03) Big4 0.008 −0.183 −0.112 0.047 −0.065 −0.015 (0.17) (−1.47) (−1.34) (0.85) (−0.46) (−0.17) Risk −0.305*** 2.266*** 1.035*** −0.328*** 1.872*** 0.935*** (−3.03) (4.59) (3.47) (−2.89) (3.86) (3.22) Constant −7.899*** 9.962*** 4.258*** −8.467*** 9.476*** 3.788*** (−31.48) (10.88) (7.43) (−30.34) (10.49) (6.92) Year 控制 控制 控制 控制 控制 控制 Ind 控制 控制 控制 控制 控制 控制 样本量 19388 19388 19388 15961 15961 15961 Adj.R2 0.351 0.094 0.087 0.347 0.119 0.096 注：***、**和*分别表示回归系数在1%、5%和10%的水平上显著，括号内为t值。
下载: 导出CSV
-
[1] 白晓宇. 2009. 上市公司信息披露政策对分析师预测的多重影响研究. 金融研究 (4): 92−112. [2] 陈东, 秦子洋. 2022. 人工智能与包容性增长——来自全球工业机器人使用的证据. 经济研究 (4): 85−102. [3] 陈红, 王稳华, 刘李福, 胡耀丹. 2023. 人工智能对企业成本黏性的影响研究. 科研管理 (1): 16−25. [4] 陈琳, 高悦蓬, 余林徽. 2024. 人工智能如何改变企业对劳动力的需求? ——来自招聘平台大数据的分析. 管理世界 (6): 74−93. [5] 陈彦斌, 林晨, 陈小亮. 2019. 人工智能、老龄化与经济增长. 经济研究 (7): 47−63. [6] 程文. 2021. 人工智能、索洛悖论与高质量发展: 通用目的技术扩散的视角. 经济研究 (10): 22−38. [7] 邓云峰, 张年华. 2023. 善用其器: 人工智能技术应用与公司市场价值——基于中共二十大数字中国建设的微观识别. 金融经济学研究 (1): 100−112. [8] 董直庆, 姜昊, 王林辉. 2023. “头部化”抑或“均等化”: 人工智能技术会改变企业规模分布吗? 数量经济技术经济研究 (2): 113−135. [9] 韩民春, 彭刚东, 袁瀚坤. 2024. 人工智能驱动现代化产业体系协同发展的理论机制、实证检验与实现路径. 经济问题探索 (3): 112−132. [10] 李金城, 王林辉. 2023. 工业智能化会引发新索洛悖论吗? ——来自城市层面的经验证据. 东南大学学报(哲学社会科学版) (6): 66−76. [11] 李哲, 黄静, 孙健. 2021. 突破式创新对分析师行为的影响——基于上市公司专利分类和引证数据的证据. 经济管理 (5): 192−208. [12] 林晚发, 卢洁宜, 赵仲匡, 宋敏. 2023. 投资者付费评级机构跟踪能改善股票市场信息质量吗——来自分析师预测的证据. 南开管理评论 (3): 156−168. [13] 林钟高, 朱杨阳. 2021. 信息披露监管模式变更影响分析师预测行为吗? ——基于分析师预测准确度与分歧度的视角. 会计与经济研究 (5): 62−78. [14] 乔非, 孔维畅, 刘敏, 王坚, 张浩. 2023. 面向智能制造的智能工厂运营管理. 管理世界 (1): 216−225, 239. [15] 孙淑伟, 陆敏敏, 杨玉龙. 2023. 国有企业聘用职业经理人能改善企业信息环境吗? ——来自分析师预测的证据. 外国经济与管理 (2): 41−56. [16] 王军, 常红. 2021. 人工智能对劳动力市场影响研究进展. 经济学动态 (8): 146−160. [17] 王林辉, 胡晟明, 董直庆. 2022. 人工智能技术、任务属性与职业可替代风险: 来自微观层面的经验证据. 管理世界 (7): 60−79. doi: 10.3969/j.issn.1002-5502.2022.07.006 [18] 王林辉, 钱圆圆, 周慧琳, 董直庆. 2023. 人工智能技术冲击和中国职业变迁方向. 管理世界 (11): 74−95. [19] 王稳华, 裴璇, 聂兴凯. 2024. 被审计单位人工智能应用对审计投入和审计费用的影响. 审计研究 (3): 102−112. [20] 王雄元, 李岩琼, 肖忞. 2017. 年报风险信息披露有助于提高分析师预测准确度吗? 会计研究 (10): 37−43. [21] 王雄元, 彭旋. 2016. 稳定客户提高了分析师对企业盈余预测的准确性吗? 金融研究 (5): 156−172. [22] 王瑶, 冯晓晴, 侯德帅. 2023. 企业数字化转型能提高分析师预测准确度吗——基于信息披露和信息挖掘的双重视角. 中南财经政法大学学报 (4): 16−27. [23] 魏萍, 魏明海, 蔡贵龙. 2023. 分析师实地调研对象的策略性选择与私有信息获取. 会计研究 (12): 30−45. [24] 信春华, 郝晓露, 程璐. 2022. “信息”抑或“噪声”: 企业数字化转型与分析师预测质量. 上海金融 (4): 41−58. [25] 杨祎, 刘嫣然, 李垣. 2021. 替代或互补: 人工智能应用管理对创新的影响. 科研管理 (4): 46−54. [26] 姚加权, 张锟澎, 郭李鹏, 冯绪. 2024. 人工智能如何提升企业生产效率? ——基于劳动力技能结构调整的视角. 管理世界 (2): 101−116, 133. [27] 伊志宏, 郭永祯, 杨圣之. 2023. 校友关系对分析师同行共享私有信息的影响研究. 管理学报 (8): 1207−1215. doi: 10.3969/j.issn.1672-884x.2023.08.011 [28] 翟淑萍, 甦叶, 袁克丽. 2022. 分析师实地调研与企业分类转移盈余管理. 会计与经济研究 (3): 33−53. [29] Abdullah, M., M. A. F. Chowdhury, A. Uddin, and S. Moudud-Ul-Huq. 2023. Forecasting nonperforming loans using machine learning. Journal of Forecasting 42(7): 1664−1689. doi: 10.1002/for.2977 [30] Acemoglu, D., and P. Restrepo. 2020. Robots and jobs: Evidence from US labor markets. Journal of Political Economy 128(6): 2188−2244. doi: 10.1086/705716 [31] Agrawal, A., J. Gans, and A. Goldfarb. 2018. Prediction machines: The simple economics of artificial intelligence. Boston: Harvard Business Review Press. [32] Baron, R. M., and D. A. Kenny. 1986. The moderator—mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology 51(6): 1173−1182. doi: 10.1037/0022-3514.51.6.1173 [33] Barron, O. E., O. Kim, S. C. Lim, and D. E. Stevens. 1998. Using analysts’ forecasts to measure properties of analysts’ information environment. The Accounting Review 73(4): 421−433. [34] Brown, A. B., G. Lin, and A. Zhou. 2022. Analysts’ forecast optimism: The effects of managers’ incentives on analysts’ forecasts. Journal of Behavioral and Experimental Finance 35, 100708. [35] Brynjolfsson, E., D. Rock, and C. Syverson. 2017. Artificial intelligence and the modern productivity paradox: A clash of expectations and statistics. Working Paper. [36] Byard, D., and K. W. Shaw. 2003. Corporate disclosure quality and properties of analysts’ information environment. Journal of Accounting, Auditing & Finance 18(3): 355−378. [37] Chen, D., Y. Ma, X. Martin, and R. Michaely. 2022. On the fast track: Information acquisition costs and information production. Journal of Financial Economics 143(2): 794−823. doi: 10.1016/j.jfineco.2021.06.025 [38] Chen, T., J. Harford, and C. Lin. 2015. Do analysts matter for governance? Evidence from natural experiments. Journal of Financial Economics 115(2): 383−410. doi: 10.1016/j.jfineco.2014.10.002 [39] Chen, Y., and Z. Lin. 2021. Business intelligence capabilities and firm performance: A study in China. International Journal of Information Management 57, 102232. [40] Clement, M. B. 1999. Analyst forecast accuracy: Do ability, resources, and portfolio complexity matter? Journal of Accounting and Economics 27(3): 285−303. [41] Fama, E. F. 1991. Efficient capital markets: II. The Journal of Finance 46(5): 1575−1617. doi: 10.1111/j.1540-6261.1991.tb04636.x [42] Gacanin, H., and M. Wagner. 2019. Artificial intelligence paradigm for customer experience management in next-generation networks: Challenges and perspectives. IEEE Network 33(2): 188−194. doi: 10.1109/MNET.2019.1800015 [43] Gao, S., and J. Liu. 2018. The impact of artificial intelligence on enterprise management theory and its countermeasures. Studies in Science of Science 36(11): 2004−2010. [44] Green, T. C., R. James, S. Markov, and M. Subasi. 2014. Access to management and the informativeness of analyst research. Journal of Financial Economics 114(2): 239−255. doi: 10.1016/j.jfineco.2014.07.003 [45] Gu, Z., Z. Li, Y. G. Yang, and G. Li. 2019. Friends in need are friends indeed: An analysis of social ties between financial analysts and mutual fund managers. The Accounting Review 94(1): 153−181. doi: 10.2308/accr-52160 [46] Hammer, A., and S. Karmakar. 2021. Automation, AI and the future of work in India. Employee Relations: The International Journal 43(6): 1327−1341. doi: 10.1108/ER-12-2019-0452 [47] Huang, M. H., and R. T. Rust. 2018. Artificial intelligence in service. Journal of Service Research 21(2): 155−172. doi: 10.1177/1094670517752459 [48] Huberts, L. C., and R. J. Fuller. 1995. Predictability bias in the US equity market. Financial Analysts Journal 51(2): 12−28.Huberts, L. C., and R. J. Fuller. 1995. Predictability bias in the US equity market. Financial Analysts Journal 51(2): 12−28. [49] Husmann, S., A. Shivarova, and R. Steinert. 2022. Company classification using machine learning. Expert Systems with Applications 195, 116598. [50] Kolbjørnsrud, V., R. Amico, and R. J. Thomas. 2016. How artificial intelligence will redefine management. Harvard Business Review 2(1): 3−10. [51] Lang, M. H., and R. J. Lundholm. 1996. Corporate disclosure policy and analyst behavior. The Accounting Review 71(4): 467−492. [52] Malik, A., P. Budhwar, and B. A. Kazmi. 2023. Artificial intelligence (AI)-assisted HRM: Towards an extended strategic framework. Human Resource Management Review 33, 100940. [53] Mikalef, P., N. Islam, V. Parida, H. Singh, and N. Altwaijry. 2023. Artificial intelligence (AI) competencies for organizational performance: A B2B marketing capabilities perspective. Journal of Business Research 164, 113998. [54] Moscatelli, M., F. Parlapiano, S. Narizzano, and G. Viggiano. 2020. Corporate default forecasting with machine learning. Expert Systems with Applications 161, 113567. [55] Mutascu, M. 2021. Artificial intelligence and unemployment: New insights. Economic Analysis and Policy 69: 653−667. [56] Parteka, A., and A. Kordalska. 2023. Artificial intelligence and productivity: Global evidence from AI patent and bibliometric data. Technovation 125, 102764. [57] Qi, Q., and J. Wang. 2021. Debt structure instability using machine learning. Journal of Financial Stability 57, 100948. [58] Ruiz-Real, J. L., J. Uribe-Toril, J. A. Torres, and J. D. Pablo. 2021. Artificial intelligence in business and economics research: Trends and future. Journal of Business Economics and Management 22(1): 98−117. [59] Suša Vugec, D., V. Bosilj Vukšić, M. Pejić Bach, J. Jaklič, and M. Indihar Stemberger. 2020. Business intelligence and organizational performance: The role of alignment with business process management. Business Process Management Journal 26(6): 1709−1730. doi: 10.1108/BPMJ-08-2019-0342 [60] Tyulin, A. E., A. A. Chursin, J. V. Ragulina, V. V. Akberdina, and A.V. Yudin. 2023. The development of Kondratieff’s theory of long waves: The place of the AI economy humanization in the ‘competencies-innovations-markets’ model. Humanities and Social Sciences Communications 10(1): 1−13. doi: 10.1057/s41599-022-01483-z [61] Wang, H., and H. Li. 2019. Research on theoretical analysis of human capital of labor economics based on artificial intelligence. Journal of Intelligent & Fuzzy Systems 37(3): 3257−3265. [62] Yu, F., L. Wang, and X. Li. 2020. The effects of government subsidies on new energy vehicle enterprises: The moderating role of intelligent transformation. Energy Policy 141, 111463. [63] Zirar, A., S. I. Ali, and N. Islam. 2023. Worker and workplace Artificial Intelligence (AI) coexistence: Emerging themes and research agenda. Technovation 124, 102747. [64] Złotowski, J., K. Yogeeswaran, and C. Bartneck. 2017. Can we control it? Autonomous robots threaten human identity, uniqueness, safety, and resources. International Journal of Human-Computer Studies 100: 48−54.
点击查看大图
图(3) / 表(13)
计量
- 文章访问数: 19
- HTML全文浏览量: 7
- PDF下载量: 1
- 被引次数: 0
