2025第47卷第8期
2.浙中金融研究院, 浙江 金华 321015;
3.上海财经大学 金融学院, 上海 200433;
4.上海海关学院 海关与公共经济学院, 上海 201204
2.Central Zhejiang Financial Research Institute, Jinhua 321015, China;
3.School of Finance, Shanghai University of Finance and Economics, Shanghai 200433, China;
4.School of Custom and Public Economics, Shanghai Customs College, Shanghai 201204, China
近年来，以人工智能、大数据等为代表的数字技术的快速发展为企业转型升级带来了新契机（戚聿东和肖旭，2020），越来越多的企业开始尝试进行数字化转型的资源投入，并在年报中公布与数字化转型相关的非财务文本信息。然而，企业的数字化文本披露强度并不总是与其数字化实际投入强度匹配。例如，刘柏和郭书妍（2023）识别了上市企业数字化披露言行相异的样本，将这部分样本划分“行胜于言”和“言过于行”的样本后发现，“言过于行”组在总样本占比由2010年的1.64%快速上升至2020年的31.44%。又例如，季昕华（2020）指出，中国企业中实际完成数字化转型的企业仅占25%，有大量企业数字化水平仍然很低，尚未完成基础设施的数字化改造。与之形成对照的是，朱杰和苏亚民（2023）发现，与数字化有关的非财务信息披露数量近年来增速较快，2020年有高达99.58%的上市公司不同程度地披露了数字技术或数字化转型相关的非财务文本信息，38%的上市公司财报中披露数字化转型相关词汇超过50次。上述事实说明，企业数字化转型 “低实际投入”与“高文本披露”并存的披露策略一定程度上在中国资本市场中存在，且伴随数字经济热潮愈演愈烈。
在这样的背景下，一个值得关注的问题是，企业管理层“在有限的数字化实际投入背景下披露更多的数字化转型文本信息”这一披露策略更可能是出于何种动机？此类披露策略将如何影响投资者，进而影响企业的股票资产定价？如果超出企业数字化实际投入水平的文本披露更多地反映了管理层积极的投资者沟通动机，则这种“更详尽”的数字化转型信息是具备真实信息含量的有效信息，能够进一步缓解投资者的信息不对称，进而减少错误定价（Lee，2021）；反之，如果超出企业数字化实际投入水平的文本披露反映了企业及其管理层的市值操纵动机，则这种超常的信息披露更可能是炒作性、夸大性的误导信息。这种误导信息不仅不能缓解信息不对称，在投资者信息搜集成本和认知模式偏差的影响下，还可能引发投资者的非理性情绪反应，进而加剧错误定价。从一般意义上说，企业及其管理层是否会利用数字化转型 “多言寡行”的策略性信息披露实施市值操纵？如果存在此类市值操纵，投资者为何难以识别？现有研究尚未给出明确解答。
针对该问题，本文通过对比企业数字化转型的“言”与“行”，识别出企业在数字化转型中“多言寡行”这一策略性披露行为。基于对该披露策略的识别和分析，本文探讨了“多言寡行”的数字化转型披露对企业股票的错误定价的影响。基于2006—2021年A股企业数据的研究发现，“多言寡行”的数字化转型披露策略反映了企业及其管理层的市值操纵动机，这种操纵行为在短期内难以被投资者识别，会造成投资者情绪高涨，并使股价向上偏离基本面价值。
本文的研究贡献包括以下三个方面：第一，拓展了信息操纵与企业资产定价理论的应用场景。本文确认了数字化的“低实际投入”与“高文本披露”并存这种错误定价风险信号，并厘清了相关机制渠道，这是对信息操纵与资产定价理论应用的深化。第二，建立了度量企业数字化转型“言行不一”的市值操纵行为的有效模型。通过梳理数字化转型的前期文献不难发现，许多前期研究往往选择“数字化文本披露”（吴非等，2021；袁淳等，2021；Wu等，2022；Chen等，2022）和“数字化资产投入”（张永珅等，2021；庞瑞芝和刘东阁，2022）两种衡量方法中的一种来衡量企业的数字化转型程度，在此基础探讨数字化转型的经济后果和影响因素。这一做法的缺陷在于，它忽视了企业数字化转型的“言行不一”。年报中的数字化文本关键词披露次数与数字化实际投资水平并不匹配，这可能暗示了企业及其管理层的市值操纵行为。第三，为规范中国金融市场数字化转型信息披露提供理论依据和经验证据。在数字经济热潮下，企业可能在有限的数字化投入情况下，借助年报中的非财务信息披露部分炒作数字化，以达到市值操纵的目的。这种隐蔽性高的市值操纵行为危害了资本市场的健康发展，亟须监管治理。本文的研究结论为政府部门对数字化信息披露风险的识别和治理提供了借鉴。
二、文献回顾与理论假设（一）文献回顾
1. 错误定价的成因
针对错误定价成因的现有研究主要基于信息不对称视角和投资者非理性视角。基于信息不对称视角的研究者从多个方面探讨了股票错误定价的成因，认为低质量的信息披露会引发错误定价。例如，当无法准确获取企业准确信息或受限于高信息成本和有限注意力无法完全识别信息时，投资者难以形成合理预期，投资者无法对资产进行正确估值（徐寿福和徐龙炳，2015）；管理层的盈余管理行为会加剧信息不对称，导致错误定价（Xie，2001）；社会责任报告净正面语调能够增加企业信息透明度，能够缓解股票错误定价（刘建秋等，2022）；社会责任强制披露能够减少信息不对称，进而缓解错误定价（许罡，2020）。基于投资者非理性视角的既有研究则证实，投资者非理性会加剧股票的错误定价。行为金融学研究者较早认识到投资者的行为并非完全理性，投资者基于情绪驱动的决策模式可能加剧了股票的错误定价。例如，投资者会在市场激进情绪的影响下筛选并投资“高增长前景公司”，这种非理性行为会导致较高水平的定价错误（Miwa，2016）；投资者情绪会刺激流动性，加剧股价泡沫风险（高扬等，2023）；企业的并购战略能够增加投资者的过度乐观情绪，导致投资者过度反应，加剧错误定价（黄兰兰等，2024）；此外，管理者能够利用积极的MD&A语调影响投资者情绪，进而放大错误定价效应（高雅和刘嫦，2020）。
2. 数字化转型概念炒作的经济后果
随着数字化转型相关研究领域的深入，研究者已经注意到企业年报数字化相关文本披露并不完全可靠，部分企业存在不实披露的数字化概念炒作问题。研究者从金融市场和投资者两方面对这数字化概念炒作的后果展开了探讨。
一部分研究考察了数字化转型概念炒作对金融市场的影响。研究者发现企业数字化转型概念炒作对金融市场具有负面影响。例如，张玉珂和陈云贤（2023）发现公司或管理层会出于资源获取和个人私利等动机操纵区块链信息披露，降低了信息质量，从而提高了股价崩盘风险。赵璨等（2020）注意到企业对“互联网+”信息的策略性炒作加剧了股价崩盘风险。曹伟等（2022）则发现夸大其词的“互联网+”信息披露会导致资源配置扭曲，影响银行信贷决策。另一些研究则关注了数字化转型概念炒作对投资者行为的影响。研究者发现数字化转型概念炒作不易被投资者识别。例如，Valliere和Peterson（2004）基于前景理论和认知失调理论，研究了美国互联网金融泡沫期间，风险投资者的偏离理性状态的认知模式和情绪性决策行为。Ranganathan（2018）发现个体投资者在数字化泡沫期间可能具有强的羊群效应。马连福等（2022）发现有限理性的个人投资者会对数字化转型表现出更正面预期。
综上所述，对错误定价的成因的研究文献已较为丰富，对数字化转型“多言寡行”的经济后果的研究也渐次展开。这些文献为后续研究打下了良好的理论基础，但已有文献对数字化转型“多言寡行”与股票错误定价之间的关系仍缺乏关注，对企业数字化转型概念炒作的有效测度方法仍需进一步发展。
（二）理论假设
当前中国部分上市公司年报中数字化领域“低实际投入”下的“高文本披露”更可能主要出于企业及管理层的市值操纵动机（程新生等，2012），而非投资者沟通动机（王艳艳等，2014），其实质是部分企业在数字化转型领域的“多言寡行”。随着数字经济的高速发展，数字化转型相关话题越来越受到投资者的关注，特别是在中国以散户为主的投资者结构下，投资者对概念和题材的关注度较高。通过在数字化实际投入有限的情况下大肆渲染数字化相关概念，企业容易获得市场的高度关注和投资者的青睐，进而实现股价上涨。在各类炒作渲染手段中，在年报、公告中披露更多的数字化转型相关文本是一种低成本、“短平快”而收益可观的操纵性披露方案。由于非财务信息披露具有非标准性特征，管理层对文本的内容、语调、用词有较高的自由裁量权，不容易被判定为虚假披露（Davis，2012；王克敏等，2018），因而极易成为信息披露操纵的对象（Lang和Lundholm，2000）。例如，王蕾茜等（2024）观察到，政府对数字化转型关注会诱发企业数字化转型的“多言寡行”。因此有理由相信，在数字化概念热度不断升温的市场背景下，面对较低的执行成本、较高的监管难度和巨大的利益动机，部分企业及其高管会在有限的数字化投入上在年报文本部分实施炒作性的大规模披露，夸大正面消息。这种做法其本质可能是一种市值操纵行为。如安硕信息股价先因大肆渲染炒作概念而屡创新高，后在证监会调查后股价断崖式下跌（程小可等，2021），以及 2000 年美国 “互联网金融泡沫” 中许多公司类似操作，这些案例都反映出企业管理层可能基于市值操纵动机采取该披露策略。
对于企业管理层数字化转型“多言寡行”的市值操纵行为，投资者由于有限注意力和认知模式偏差，在短期内难以识别企业操纵性披露，容易受到信息操纵者的迷惑，引发投资情绪高涨和情绪性交易行为，进而使得股价向上偏离基本面价值。
其一是投资者有限注意力问题。企业在有限数字化投入下的渲染式文本披露分散和干扰了投资者的注意力分配，使得投资者容易被文本信息过度吸引，引发投资者情绪非理性上涨，为企业股票错误定价创造了条件。现实中投资者的注意力是有限的，信息的搜集需要成本（Hirshleifer和Toeh，2003）。投资者需要在具备专业知识的情况下进行长期、大量的分析比对，才能提取有价值的决策信息，识别出企业的“多言寡行”的策略性披露行为（Li，2012）。企业在年报中对数字化转型相关文本信息的高强度渲染式披露分散了投资者有限的注意力，降低了投资者对企业真实从事的数字化转型实际投资的注意力分配权重，增加了信息复杂性和投资者信息分析的成本，引发信息不对称。中国A股市场中散户投资者占比高，散户投资者信息搜集能力相对更加有限，对概念和题材的关注度高，企业的炒作性披露行为更容易吸引散户投资者的关注。因此，企业“多言寡行”的数字化文本披露能够从注意力分配角度吸引投资者的过度关注，导致投资者相信企业已经或即将在数字化领域取得重要成果，错误地高估了公司的价值和未来利润，进而推动了投资者情绪的过度高涨。而前期文献已经指出，投资者情绪是引发股票错误定价的重要原因（Miwa，2016；高扬等，2023）。“多言寡行”的数字化转型信息披露模式能够引发投资者情绪非理性的上涨，达到企业及其管理层市值操纵的预期目的。
其二是投资者认知模式偏差问题。企业在有限数字化投入下的渲染式文本披露会干扰投资者的理性认知，误导投资者进入基于情绪驱动的启发式（heuristics）决策模式，导致非理性的情绪性交易行为，进而加剧错误定价。认知模式理论强调在实际决策中，人们容易受到直觉和情感的影响（Loewenstein等，2001）。数据通常能提供较为理性的决策基础，数据驱动的决策更可能导致理性的投资行为（Gill等，2018）。但心理学研究表明，相比于结构化数据，人类的认知模式对具有叙事特征的内容更加敏感。具有叙事性特征的文本语言认知上更直观，能增强与读者的情感连接（Sweller，1988），因此往往能够在实际决策中发挥重大作用。相比年报中的数据，年报中的文本能够传达更为直接的印象和情感信息（Bloomfield，2002；王克敏等，2018；赵璨等，2020）。中国A股市场中散户投资者主导性强，投资者可能没有足够的金融或统计背景来深入分析企业复杂的数据集，但他们能够理解和共鸣于以自然语言表达的文本信息。因此，企业能够刻意增加年报中数字化相关文本披露的数量，并辅以情绪性渲染的文字烘托来进一步干扰投资者基于数据的理性决策，误导投资者选择基于情绪驱动的决策模式。这种被夸大的数字化转型引发的投资者情绪也会导致投资者错误地高估了公司的价值和未来利润，引发投资者情绪非理性的上涨，从而加剧错误定价。
综上所述，一方面，在数字化转型相关话题热度不断增加的环境下，一些企业存在通过数字化“多言寡行”实施市值操纵的动机。另一方面，由于投资者的有限注意力和认知模式偏差，这种市值操纵行为在短期内往往难以被投资者识别，会使得投资者情绪被非理性的推高。这种投资者情绪上涨会导致情绪性交易行为的发生，使得股价向上偏离基本面价值，达到管理层市值操纵的预期目的。因此提出假设H1：
H1:“多言寡行”的数字化转型披露会通过推动投资者情绪高涨，导致股票错误定价。
三、研究设计（一）模型设计
根据研究假设，建立基准回归模型如下文式（1）所示，用于检验“多言寡行”的数字化转型披露对企业股票错误定价的影响：
| $ Deviatio{n_{i,t}} = {\beta _0} + {\beta _1}Digital\_a{b_{i,t - 1}} + \sum {Controls + } Industr{y_{i.t}} + Provinc{e_{i,t}} + Yea{r_{i,t}} + {\varepsilon _{i,t}} $ | (1) |
其中，被解释变量为股票错误定价（Deviation），解释变量为上一年度企业年报中的“多言寡行”的数字化转型披露（Digital_ab）程度。从逻辑上说，投资者在当年度实施投资决策时，能够获悉的是上一年度的企业年报中数字化转型文本信息披露以及财务信息披露。同时，将解释变量滞后一期的处理方式也能缓解研究的内生性问题。Controls为控制变量。此外控制行业、省份和年份固定效应。
（二）变量定义
1. 解释变量：多言寡行的数字化转型披露
企业年报中数字化相关的文本披露既可能包含了企业真实从事的数字化投资活动的文本信息“正常披露”部分，也可能包含超出数字化实际投资强度的文本信息“超常披露”部分。因此变量构建思路是通过剥离出能够与数字化实际投入匹配的文本信息正常程度的披露，识别出年报中数字化转型文本中“多言寡行”的超常文本信息披露部分。
对于超常信息披露，残差法是前期研究中常用的变量建构方法。例如赵璨等（2020）、曹伟等（2022）构建了“互联网+”信息披露的决定模型，取残差度量“互联网+”信息的策略性炒作。马连福等（2023）、朱杰和苏亚民（2023）构建了数字化转型信息披露的决定模型，并取残差度量数字化转型概念炒作。使用企业数字化文本披露强度对企业数字化实际投入强度回归的残差Digital_ab度量企业在数字化转型披露领域的“多言寡行”。建立回归如下文式（2）所示，将式（2）回归的残差命名为Digital_ab，即企业数字化文本披露偏离其数字化实际投入的程度，作为衡量企业在数字化转型披露领域的“多言寡行”的指标。
| $ \begin{aligned} Digital\_Tex{t_{i,t}} = & {\beta _0} + {\beta _1}Digital\_Inves{t_{i,t}} + {\beta _2}Digital\_Inves{t_{i,t - 1}} + {\beta _3}Ind\_Digital\_Tex{t_{i,t}} \\ & + \sum {Firm\_control{s_{i,t}}} + Industr{y_{i,t}} + Provinc{e_{i,t}} + Yea{r_{i,t}} + {\varepsilon _{i,t}} \end{aligned} $ | (2) |
式（2）中方程左边Digital_Text是企业数字化文本披露强度（“言”），本文参考吴非等（2021），使用Python爬虫整理上市公司年报，参考近年来的数字经济相关重要文件生成特征词库，使用jieba功能加总统计人工智能 （AI）、大数据技术（BD）、云计算技术（CC）、区块链技术（DT）和数字技术应用（ADT）五类数字化相关关键词在年报中披露的次数，加1取对数处理。相关词汇披露次数越多说明企业数字化文本披露强度越高。
式（2）方程右边引入同期和上一期年报中的数字化实际投入强度Digital_Invest（“行”）。本文参考张永珅等（2021）、庞瑞芝和刘东阁（2022）、祁怀锦等（2020）的做法，查阅企业资产负债表明细项，手工统计企业财务报表的资产中与数字化有关的投资。具体来说，首先，我们参照前期文献的做法，分析企业资产负债表明细项中的数字化投资相关资产的命名词特征。其次，基于资产明细项的命名特征，统计并汇总了人工智能、大数据技术、云计算技术、区块链技术和数字技术应用5个大类，142个与数字化相关资产有关的特征词的词表
其他控制变量方面：一是控制了同行业年度其他企业年报中数字化转型披露数量的均值Ind_Digital_text；二是控制一些公司层面的特征变量（Firm_Controls）；三是控制了固定效应。回归模型显示，所有方程右端引入的变量与Digital_text在1%的水平上显著相关，模型拟合良好，所有变量回归符号与理论预期一致，模型具备较高预测效率。在剔除以上因素的影响后，式（2）的残差部分度量了数字化文本披露强度偏离数字化投入强度的程度。将式（2）的残差命名为Digital_ab。根据其残差的定义，Digital_ab越大说明企业在数字化领域存在越严重的“低实际投入”下的“高文本披露”现象，即“多言寡行”越严重。
2.被解释变量：错误定价
使用Frankel和Lee（1998）、Kothari（2001）、徐寿福和徐龙炳（2015）发展的剩余收益估值法对股票错误定价程度进行度量。使用剩余收益模型（RIM）计算企业内在价值V如式（3）所示：
| $ V={b}_{t}+\frac{f{(1)}_{t}-r·{b}_{t}}{1+r}+\frac{f{(2)}_{t}-r·b{(1)}_{t}}{{(1+r)}^{2}}+\frac{f{(3)}_{t}-r·b{(2)}_{t}}{{(1+r)}^{2}·r} $ | (3) |
其中，V是每股内在价值，
| $\begin{aligned} Earning{s_{i,t + j}} = & {\alpha _0} + {\alpha _1}Asse{t_{i,t}} + {\alpha _2}Dividen{d_{i,t}} + {\alpha _3}D{D_{i,t}} + {\alpha _4}Earning{s_{i,t}} + {\alpha _5}NegE{n_{i,t}} \\ & + {\alpha _6}Accrua{l_{i,t}} + {\varepsilon _{i,t + j}} \end{aligned} $ | (4) |
其中，Earningsi,t+j是公司i未来一到三年的每股盈余，使用营业利润除以总股本得到。Asset和Dividend分别是每股总资产和每股现金股利。DD为是否发放股利的虚拟变量；Earnings是企业当年的每股盈余；NegEn为公司是否亏损的虚拟变量；Accrual 是每股应计项目，采用营业利润减去当年经营活动产生的现金流量净额计算得到。根据式（4）估计得到的系数建立预测方程，预测公司每一年的未来一至三年的每股盈余。例如，当j取1时，通过预测方程得到t+1期的预测每股盈余，记为
模型中bt为当年度每股权益账面价值，b(1)t使用式（5）得到，b(2)t使用式（6）得到
| $ b{(1)_t} = {b_t} + Earning{s_{t + 1}} - Dp{s_{t + 1}} $ | (5) |
| $ b{(2)_t} = b{(1)_t} + Earning{s_{t + 2}} - Dp{s_{t + 2}} $ | (6) |
其中，Earnings是企业的每股盈余，Dps为企业每股现金股利。
资本成本r的计算方面，前期研究表明，使用估计的内在价值V做截面回归时，选择不同的资本成本r对分析结果影响不大（Frankel和Lee，1998；Dechow 等，1999），因此选择与徐寿福和徐龙炳（2015）一致的做法，即选择5%的固定资本成本。
将以上参数作为式（3）的输入变量评估公司内在价值V。将V代入式（7）得到错误定价程度指标Deviation，式（7）中V是估算的内在价值，P是企业的市场价值，使用的是企业股票当年所有交易日收盘价的平均值。Deviation度量了市场价值对内在价值的向上偏离程度。
| $ Deviation = \frac{{P - V}}{P} $ | (7) |
3.控制变量
参考既有文献，设置控制变量为公司规模（Size）、资产负债率（Lev）、净资产收益率（ROE）、是否国企（SOE）、账面市值比（BM）、营业收入增长率（Growth）、是否亏损（Loss）、上市年限（ListAge）、月均超额换手率（Dturn）、机构投资者持股比例（INST）、第一大股东持股比例（Top1）、独立董事比例（Indep）、是否被四大审计（Big4）。为使系数的解读更加直观，将解释变量Digital_ab除以100。各变量定义如表1所示。
| 变量类别 | 变量名称 | 变量符号 | 变量定义 |
| 被解释变量 | 错误定价 | Deviation | 使用剩余收益估值法（RIM）计算得到 |
| 解释变量 | 多言寡行的数字化 转型披露 |
Digital_ab | 取式（2）的回归残差。Digital_ab越大说明企业数字化转型披露“多言寡行”越严重。 |
| 与解释变量 相关变量 |
年报中数字化 文本披露 |
Digital_Text | 年报中的“言”，即数字化相关关键词在年报中披露的次数，加1取对数处理。 |
| 年报中数字化 实际投入 |
Digital_Invest | 年报中的“行”，即数字化资产在企业总资产池中的占比 | |
| 控制变量 | 公司规模 | Size | 年总资产的自然对数 |
| 资产负债率 | Lev | 年末总负债除以年末总资产 | |
| 净资产收益率 | ROE | 净利润/股东权益平均余额 | |
| 是否国企 | SOE | 国有控股企业取值为1，其他为0 | |
| 账面市值比 | BM | 账面价值/总市值 | |
| 营业收入增长率 | Growth | 本年营业收入/上一年营业收入−1 | |
| 是否亏损 | Loss | 当年净利润小于0取 1，否则取0 | |
| 上市年限 | ListAge | ln（当年年份−上市年份+1） | |
| 月均超额换手率 | Dturn | 当年股票月均换手率－去年股票月均换手率 | |
| 机构投资者持股比例 | INST | 机构投资者持股总数除以流通股本 | |
| 第一大股东持股比例 | Top1 | 第一大股东持股数量/总股数 | |
| 独立董事比例 | Indep | 独立董事占比 | |
| 是否四大 | Big4 | 公司经由四大（普华永道、德勤、毕马威、安永） 审计为1，否则为0。 |
|
| 固定效应 | 行业 | Industry | 证监会2012年行业分类，制造业取两位代码， 其他行业用大类代码 |
| 省份 | Province | 企业注册地所在省份 | |
| 年份 | Year | 年份固定效应 |
（三）样本说明与描述性统计
2006年3月，国务院印发了《国家信息化发展战略纲要（2006—2020年）》，明确了发展信息化和数字化的战略目标和路径。2006年可视作中国企业全面数字化转型的重要起点。因此，本文选择2006—2021年A股上市企业作为研究对象。样本筛选过程为：（1） 剔除资产负债表中企业数字化投入明细项缺少披露或披露不全的企业样本。（2）由于式（2）的回归模型中需要使用当年度和上年度企业数字化投入数据，因此还需剔除未在当年度和上年度资产负债表中连续公布数字化明细投入的企业样本。（3）剔除了金融行业样本。（4）剔除处于ST、PT状态的企业样本。（5）剔除其他模型中主要变量缺失的样本。对所有连续变量按年度在1%和99%分位上做缩尾处理，最终得到
| 变量 | 观测值 | 均值 | 标准差 | p25 | p50 | p75 |
| Deviation | 0.357 | 0.691 | 0.129 | 0.532 | 0.768 | |
| Digital ab | 0 | 0.009 | −0.006 | −0.001 | 0.005 | |
| Size | 22.39 | 1.279 | 21.50 | 22.23 | 23.12 | |
| Lev | 0.466 | 0.198 | 0.316 | 0.470 | 0.616 | |
| ROE | 0.056 | 0.147 | 0.024 | 0.066 | 0.119 | |
| SOE | 0.465 | 0.499 | 0 | 0 | 1 | |
| BM | 1.200 | 1.316 | 0.450 | 0.781 | 1.415 | |
| Growth | 0.157 | 0.409 | −0.029 | 0.101 | 0.254 | |
| Loss | 0.120 | 0.325 | 0 | 0 | 0 | |
| ListAge | 2.472 | 0.495 | 2.079 | 2.485 | 2.890 | |
| Dturn | −0.010 | 0.339 | −0.181 | −0.006 | 0.162 | |
| INST | 0.408 | 0.233 | 0.219 | 0.419 | 0.590 | |
| Top1 | 0.338 | 0.148 | 0.220 | 0.316 | 0.440 | |
| Indep | 0.373 | 0.333 | 0.333 | 0.429 | ||
| Big4 | 0.066 | 0.249 | 0 | 0 | 0 |
（一）基准回归
表3列示了式（1）基准回归的结果。表3列（1）是没有考虑固定效应的回归结果，列（2）~（4）是逐步纳入年度、行业和省份固定效应的回归结果。列（1）~（4）中解释变量Digital_ab系数均在1%水平上显著为正，说明数字化转型“多言寡行”的程度越高，企业股票价格向上偏离基本面的程度越高。因此，年报中高于数字化投入强度的数字化文本信息披露很可能缺乏信息含量，体现了管理层的市值操纵的主观目的。
| （1） | （2） | （3） | （4） | |
| Deviation | Deviation | Deviation | Deviation | |
| Digital_ab | 1.939*** | 1.986*** | 1.982*** | 1.991*** |
| （6.328） | （6.665） | （6.740） | （6.803） | |
| Size | −0.098*** | −0.096*** | −0.091*** | −0.093*** |
| （−29.025） | （−27.701） | （−26.240） | （−26.493） | |
| Lev | 0.300*** | 0.239*** | 0.223*** | 0.234*** |
| （16.548） | （12.916） | （11.902） | （12.416） | |
| ROE | −2.168*** | −2.196*** | −2.198*** | −2.175*** |
| （−75.874） | （−77.851） | （−78.509） | （−77.864） | |
| SOE | 0.022*** | 0.005 | 0.024*** | 0.014** |
| （3.302） | （0.715） | （3.563） | （2.040） | |
| BM | −0.248*** | −0.234*** | −0.226*** | −0.223*** |
| （−81.058） | （−75.826） | （−70.921） | （−70.318） | |
| Growth | 0.027*** | 0.016** | 0.017** | 0.015** |
| （3.671） | （2.220） | （2.319） | （2.084） | |
| Loss | 0.045*** | 0.051*** | 0.047*** | 0.047*** |
| （3.640） | （4.216） | （3.978） | （3.964） | |
| ListAge | −0.071*** | −0.063*** | −0.051*** | −0.057*** |
| （−10.838） | （−9.727） | （−7.628） | （−8.396） | |
| Dturn | −0.099*** | −0.042*** | −0.041*** | −0.040*** |
| （−11.465） | （−4.043） | （−3.986） | （−3.910） | |
| INST | 0.001 | −0.038** | −0.022 | −0.020 |
| （0.079） | （−2.436） | （−1.373） | （−1.281） | |
| Top1 | −0.295*** | −0.282*** | −0.224*** | −0.224*** |
| （−12.865） | （−12.532） | （−9.985） | （−9.934） | |
| Indep | 0.205*** | 0.209*** | 0.159*** | 0.088* |
| （3.809） | （3.967） | （3.049） | （1.676） | |
| Big4 | −0.050*** | −0.055*** | −0.053*** | −0.059*** |
| （−3.999） | （−4.450） | （−4.338） | （−4.860） | |
| 常数项 | 3.010*** | 2.977*** | 2.828*** | 2.901*** |
| （41.949） | （40.116） | （37.965） | （38.696） | |
| 年份固定效应 | 否 | 是 | 是 | 是 |
| 行业固定效应 | 否 | 否 | 是 | 是 |
| 省份固定效应 | 否 | 否 | 否 | 是 |
| 样本容量 | ||||
| 调整后的 R2 | 0.576 | 0.599 | 0.610 | 0.614 |
| 注：括号内为系数的t值，***、**和*分别表示在1%、5%和10%的水平上显著，下同。 | ||||
（二）进一步检验
通过构建面板二值选择logit模型，进一步确认多言寡行的数字化转型披露是否会使股价向上偏离基本面价值。基于Deviation的取值，构建是否属于高估误定价组的虚拟变量Over，以此作为代理股价高估的被解释变量。再建立面板二值选择logit模型，参照式（1）进行回归。结果如表4列（1）（2）所示，可见多言寡行的数字化转型披露显著提高了企业股票市值被高估的概率，进一步说明管理层的市值操纵行为会使得股价向上偏离基本面价值。
| （1） | （2） | |
| Over | Over | |
| Digital_ab | 11.057*** | 9.932*** |
| （3.955） | （3.535） | |
| 控制变量 | 是 | 是 |
| 年份/行业/省份固定效应 | 否 | 是 |
| 样本容量 | ||
| Wald chi2 |
（一）稳健性检验
1.替换被解释变量
股票错误定价指标使用回归估值法替代剩余收益法，参考Rhodes-Kropf等（2005），按式（8）对各行业—年度企业分组回归（其中公司市场价值M是非流通股账面价值与流通股市场价值之和；B是公司资产总额、
| $ Ln{M}_{it}={\alpha }_{0,it}+{\alpha }_{1,it}Ln{B}_{it}+{\alpha }_{2,it}Ln{(NI)}_{it}^++{\alpha }_{3,it}I·Ln{(NI)}_{it}^++{\alpha }_{4,it}LE{V}_{it}+{\varepsilon }_{it} $ | (8) |
回归结果见表5列（1），Digital_ab的回归系数依然显著为正，说明结论稳健。
| 替换被解释变量 | 替换解释变量 | 替换解释变量 | 变更样本期间 | 剔除信息行业 | |
| （1） | （2） | （3） | （4） | （5） | |
| Deviation2 | Deviation | Deviation | Deviation | Deviation | |
| Digital_ab | 0.855*** | 2.035*** | 2.108*** | ||
| （4.058） | （6.540） | （7.186） | |||
| Digital_ab2 | 4.892*** | ||||
| （6.531） | |||||
| Digital_ab3 | 0.013* | ||||
| （1.718） | |||||
| 控制变量 | 是 | 是 | 是 | 是 | 是 |
| 年份/行业/省份固定效应 | 是 | 是 | 是 | 是 | 是 |
| 样本容量 | |||||
| 调整后的 R2 | 0.373 | 0.615 | 0.613 | 0.625 | 0.615 |
2.替换解释变量：Digital_ab2
参考袁淳等（2021），仅从年报的MD&A部分中统计数字化转型相关词汇，将企业数字化相关词汇频数总和除以年报MD&A语段长度得到数字化文本披露强度的另一度量指标，再将其代入式（2）回归，取残差得到衡量数字化转型披露多言寡行程度的指标Digital_ab2。将Digital_ab2滞后一期后代入式（1），回归结果见表5列（2），Digital_ab2的回归系数依然显著为正，说明结论稳健。
3.替换解释变量：Digital_ab3
使用坐标轴法，借鉴李哲（2018）的做法，判断数字化文本披露（Digital_Text）和实际投入（Digital_Invest）的匹配程度。当i企业t年数字化文本披露强度高于同年度同行业中位数，但数字化实际投入强度低于同年度同行业中位数时，认为企业在数字化转型披露中多言寡行，Digital_ab3赋值为1，否则赋值为0。将Digital_ab3滞后一期后代入式（1）回归结果见表5列（3），Digital_ab3的回归系数均依然显著为正，说明结论稳健。
4.变更样本期间
考虑到2011年以后随着移动互联网、电子商务的快速发展，以及中国工信部等五部门2011年印发了《关于加快推进信息化和工业化深度融合的若干意见》
5.剔除信息行业
信息技术行业的数字化投资和数字化文本披露相较于其他行业可能存在较大差异，因此参考张叶青等（2021），删除信息技术行业企业后再进行回归。结果如表5列（5）所示，Digital_ab回归系数依然显著为正，说明结论稳健。
（二）内生性处理
1.倾向得分匹配
为解决样本选择偏误，使用倾向得分匹配法对实验组（Digital_ab>0）和控制组（Digital_ab≤0）的样本进行最邻近匹配。匹配采用logit模型估计倾向得分，使用控制变量在共同支持区域内进行一对一有放回匹配，以确保每个处理组个体都有倾向得分相似的对照组个体，再估计总体的平均处理效应（ATE）。图1显示，匹配后实验组、控制组样本在主要控制变量均值方面不再存在显著差异。回归结果见表6列（1），保留匹配后样本的情况下Digital_ab回归系数依然显著为正，说明结论稳健。
|
| 图 1 样本匹配情况 |
| PSM | 工具变量法 | Heckman 两步法 | |||
| （1） | （2） | （3） | （4） | （5） | |
| Deviation | IV | Deviation | Ddum | Deviation | |
| Digital_ab | 1.837*** | 0.023*** | 2.899*** | 1.518*** | |
| （4.774） | （163.817） | （7.188） | （4.824） | ||
| AVEDigital_ab | 97.885*** | ||||
| （46.067） | |||||
| invmills | −0.156*** | ||||
| （−4.065） | |||||
| 控制变量 | 是 | 是 | 是 | 是 | 是 |
| 年份/行业/省份固定效应 | 是 | 是 | 是 | 是 | 是 |
| 样本容量 | |||||
| 调整后的 R2 | 0.610 | 0.531 | 0.614 | 0.614 | |
| 伪R2 | 0.090 | ||||
| Anderson canon. corr. LR | |||||
| Cragg−Donald F | |||||
| 10% maximal IV size | 16.38 | ||||
2.工具变量法
借鉴范合君等（2023）的思路，即基于异方差构造工具变量缓解内生性问题。具体来说，本文采用焦点企业多言寡行的数字化转型披露指标Digital_ab与按行业—省份—年度分类的Digital_ab指标均值差额的三次方作为工具变量（IV）。为便于表述，将工具变量IV乘以100。第一阶段回归如表6列（2）所示，表明IV与Digital_ab显著正相关。第二阶段回归如表6列（3）所示，Anderson canon. corr. LM 统计量在1%的水平上显著，拒绝工具变量识别不足假设。Cragg-Donald Wald F 统计量大于Stock-Yogo F 检验在10%水平上的临界值，拒绝弱工具变量假设。使用工具变量后Digital_ab系数依然显著为正，说明结论稳健。
3.Heckman两步法
数字化转型“多言寡行”与错误定价的正相关关系可能存在样本自选择。例如，处于行业领先地位的成功企业可能更愿意公开谈论和披露数字化转型相关信息，而这部分企业的错误定价程度可能恰好较高。因此需要采用Heckman两步法进行校正。第一阶段为选择方程，使用Probit模型建立选择方程对进行回归。其中，被解释变量为企业是否属于数字化转型“多言寡行” （Digital_ab>0）超常披露组（Ddum），解释变量方面，引入企业所在行业数字化转型“多言寡行”程度均值（AveDigital_ab）作为外生变量，并考虑控制变量、年度、行业、省份效应。根据选择方程计算出逆米尔斯比率（Invmills）。第一阶段的回归结果如表6列（4）所示。第二阶段，解释变量中除了Digital_ab和其他控制变量外，还加入了第一阶段处理方程回归得到的逆米尔斯比率（Invmills）来控制处理变量内生选择偏误的影响。回归结果如表6列（5）所示，发现Invmills显著，说明确实存在样本自选择问题。控制样本自选择偏误后Digital_ab依然显著为正，说明结论稳健。
六、机制检验假设H1中提到，多言寡行的数字化转型披露会通过推动投资者情绪高涨导致错误定价。因此本文分别用两种方法构建了投资者情绪的中介指标进行机制检验。
（一）投资者情绪：基于构造性指标
借鉴Baker和Wurgler（2006）、靳光辉（2015）的做法，将反映公司基本面因素营业收入增长率、权益收益率、股票收益率、资产负债率、企业规模与企业账面市值比、股票收益动量、托宾 Q、股票换手率这四个投资者情绪子维度做正交化处理后，将残差进行主成分分析，取前两个解释力度为 85%的主成分因子合成为投资者情绪指数。表7列（1）（2）展示了作用机制的回归结果。结果显示，企业及其管理层在年报中披露高于实际数字化投入水平的数字化文本信息能够对投资者情绪起到正向拉动作用。行为金融学认为投资者是有限理性的（Shiller，2003），有大量文献探讨了投资者情绪能够促进股价偏离基础价值（胡昌生和池阳春，2013；Miwa，2016）。而作为散户主导型的中国市场，投资者情绪能对股价高估的产生更大的影响。因此，可以推导出多言寡行的数字化转型披露模式无法被投资者有效识别，反而会通过数字化的概念炒作拉动投资者情绪，而投资者情绪上升能够导致股票错误定价水平上升，假设H1得证。为保证结论稳健，建立中介变量对结果变量的回归模型，结果见表7列（3）（4），发现投资者情绪确实提高了股票市值高估的概率。综上可见，结论稳健。
| Panel A 中介机制 | Panel B 中介机制稳健性 | |||
| （1） | （2） | （3） | （4） | |
| Sentiment | Sentiment | Deviation | Deviation | |
| Digital_ab | 2.219*** | 1.451*** | ||
| （7.361） | （4.995） | |||
| Sentiment | 0.286*** | 0.175*** | ||
| （32.084） | （27.435） | |||
| 控制变量 | 否 | 是 | 否 | 是 |
| 年份/行业/省份固定效应 | 是 | 是 | 是 | 是 |
| 样本容量 | ||||
| 调整后的 R2 | 0.497 | 0.537 | 0.202 | 0.625 |
（二）投资者情绪：网络检索强度和媒体正面报道
为保证结论稳健，又使用网络检索强度和媒体正面报道作为投资者情绪的代理变量。
其一是网络检索强度。近年来随着互联网的快速普及发展，投资者越来越倾向于从网络途径获取信息，投资者对上市公司的检索强度能够成为反映投资者情绪的“晴雨表”。一些前期研究中已经将网络搜索指数作为投资者情绪的代理变量（宗计川等，2020；许罡，2024）。因此，以个股年百度搜索指数的年总和（baidu_index，取自然对数）和年中位数（baidu_index2，取自然对数）代理投资者情绪指标，表8中列（1）（2）展示了作用机制的回归结果，可见Digital_ab回归系数均显著为正，说明高于实际投入水平的数字化文本披露对投资者情绪高涨的促进作用显著。在有限理性框架下，企业数字化领域的“多言寡行”会引发互联网投资者情绪的高涨，推动企业的网络曝光率上升。而企业网络曝光率上升也能反向作用进一步放大投资者情绪，推动了股价偏离基本面价值，假设H1得证。为保证结论稳健，又建立中介变量对结果变量的回归模型，结果见表8列（3）（4），发现中介机制变量对结果变量的回归系数均在1%水平显著为正。综上可见，结论稳健。
| Panel A 中介机制 | Panel B 中介机制稳健性 | Panel C 中介机制 | Panel D 中介机制稳健性 | |||||
| （1） | （2） | （3） | （4） | （5） | （6） | （7） | （8） | |
| baidu_index | baidu_index2 | Deviation | Deviation | PNC | OriginalPNC | Deviation | Deviation | |
| Digital_ab | 4.906*** | 4.659*** | 6.506*** | 6.442*** | ||||
| （7.400） | （10.182） | （11.914） | （13.831） | |||||
| baidu_index | 0.024*** | |||||||
| （7.205） | ||||||||
| baidu_index2 | 0.048*** | |||||||
| （9.892） | ||||||||
| PNC | 0.039*** | |||||||
| （11.232） | ||||||||
| OriginalPNC | 0.044*** | |||||||
| （11.080） | ||||||||
| 控制变量 | 是 | 是 | 是 | 是 | 是 | 是 | 是 | 是 |
| 年份/行业/省份 固定效应 | 是 | 是 | 是 | 是 | 是 | 是 | 是 | 是 |
| 样本容量 | ||||||||
| 调整后的 R2 | 0.308 | 0.430 | 0.625 | 0.626 | 0.581 | 0.508 | 0.615 | 0.615 |
其二是媒体正面报道。互联网时代，网络媒体是投资者重要的信息中介，是公司年报、公告信息的重要解读者和传播者（游家兴和吴静，2012；Dougal等，2012）。网络媒体对企业正面报道的增加也能够对投资者情绪高涨起到助推作用。Solomon（2012）发现企业会通过操纵行为使媒体发布获得更多正面报道，这种操纵行为会增加消息发布的股价回报。使用中国研究数据服务平台（CNRDS）中的财经新闻数据库统计的网络新闻媒体的新闻数据。本研究分别将各企业各年度的正面新闻报道数量（PNC，加1取自然对数）、原创的正面新闻报道数量（OriginalPNC，加1取自然对数）作为被解释变量，Digital_ab作为解释变量回归。表8列（5）（6）可见，“多言寡行”的数字化转型披露模式均会导致媒体的正向报道显著增加。网络媒体往往缺乏深入的审计知识、财报数据分析和信息交叉验证能力，且由于其商业价值导向通常更倾向于关注市场热点和投资者关注的话题，追求高点击率、流量和广告收入。较低的审计、数据阅读能力和较高的商业价值导向可能导致媒体被企业“多言寡行”的操纵性信息披露所误导而过度正面报道。这种过度的正面报道也助推了投资者情绪上涨，加剧错误定价，假设再次得证。为保证结论稳健，又建立中介变量对结果变量的回归模型，结果见表8列（7）（8），发现中介机制变量对结果变量的回归系数均在1%水平显著为正。综上可见，结论稳健。
七、进一步研究（一）细分披露类型
在各个细分技术领域，数字化转型的文本信息披露也应大致与企业的数字化投入规模匹配，如不匹配则说明可能存在披露操纵。为细化分析，参考吴非等（2021）的做法，将数字化相关词汇披露区分为人工智能 （AI）、大数据技术（BD）、云计算技术（CC）、区块链技术（DT）和数字技术应用（ADT）五个部分，分别统计其出现在年报中的词频。将词频代入式（2），回归得到的残差度量了不同细分技术领域内的数字化转型信息披露的“多言寡行”。结果如表9所示，所有系数均显著为正。说明企业通过数字化转型披露“多言寡行”实现股价操纵的现象可能存在于各个数字化细分科技领域。
| 人工智能 | 大数据技术 | 云计算技术 | 区块链技术 | 数字技术应用 | |
| （1） | （2） | （3） | （4） | （5） | |
| Deviation | Deviation | Deviation | Deviation | Deviation | |
| Digital_ab_AI | 5.153*** | ||||
| （8.402） | |||||
| Digital_ab_BD | 3.459** | ||||
| （2.132） | |||||
| Digital_ab_CC | 3.615*** | ||||
| （8.285） | |||||
| Digital_ab_DT | 2.322*** | ||||
| （4.836） | |||||
| Digital_ab_ADT | 1.382*** | ||||
| （4.251） | |||||
| 控制变量 | 是 | 是 | 是 | 是 | 是 |
| 年份/行业/省份固定效应 | 是 | 是 | 是 | 是 | 是 |
| 样本容量 | |||||
| 调整后的 R2 | 0.614 | 0.456 | 0.614 | 0.614 | 0.613 |
（二）信息操纵的治理渠道
信息操纵行为涉及操纵方与信息接收方之间的动态博弈，并非所有企业的数字化转型信息操纵行为都无法被投资者识别。高质量的审计、独立董事履职以及良好的公司内部治理等措施，可以提升企业的整体信息透明度，并抑制企业及其高管的投机动机。
1. 高质量审计
审计师高质量的审计能够对企业及其高管的信息操纵行为形成有效约束，减少信息不对称，使得年报中数字化转型文本信息的投资者沟通目的增强，市值操纵目的减弱。王嘉鑫和张龙平（2020）发现高水平的审计师能够对年报文本信息的异常语调保持应有的职业谨慎，并在做出决策时充分考察语调操纵对审计实践的影响。周静怡等（2022）发现审计师行业专长能够显著降低公司违规倾向以及提高公司违规被稽查的可能性。
参考董小红和孙文祥（2021）的做法建立审计质量的度量指标AQ。第一步，用实际发表的审计意见减去预测的审计师发表标准无保留审计意见的概率
| 高质量审计 | 独立董事履职 | 公司内部治理 | |
| （1） | （2） | （3） | |
| Deviation | Deviation | Deviation | |
| Digital_ab | |||
| （ | （ | （ | |
| Digital_ab×AQ | − | ||
| （− | |||
| AQ | |||
| （ | |||
| Digital_ab×ATT | − | ||
| （− | |||
| ATT | |||
| （ | |||
| Digital_ab×Governance | − | ||
| （− | |||
| Governance | |||
| （ | |||
| 控制变量 | 是 | 是 | 是 |
| 年份/行业/省份固定效应 | 是 | 是 | 是 |
| 样本容量 | |||
| 调整后的 R2 | 0.617 | 0.613 | 0.614 |
2. 独立董事履职
勤勉履职的独立董事能够对管理层实施监督，抵制短期利益导向的决策，从而减少损害投资者利益的年报中的投机行为，使得年报中数字化转型文本信息的投资者沟通目的增强，市值操纵目的减弱。前期研究发现独立董事基于维护声誉和规避法律风险的考量，会在一定程度上反对控股股东的“掏空”行为（叶康涛等，2007；张云，2015）。范合君和王思雨（2022）发现，企业收到交易所问询函后，独立董事更有可能发表异议。
参照史春玲和孙耀东（2021）的做法，构建衡量独立董事勤勉履职的代理变量ATT。若当年董事会中所有独立董事亲自出席会议次数占会议总数的比例均大于2/3，取值为1，否则取值为0。进而构造独立董事履职（ATT）与Digital_ab的交互项（Digital_ab×ATT）进行调节效应检验。结果如表10列（2），可见交互项（Digital_ab×ATT）的系数均显著为负，说明独立董事的勤勉履职行为负向调节了“多言寡行”的数字化转型披露对错误定价的促进作用，证明独立董事履职具备对信息操纵的治理作用。
3. 公司内部治理
良好的公司内部治理架构能够约束企业管理层的信息操纵行为，缓解代理问题，增强企业信息披露的真实信息含量。例如，Byun等（2011）指出，股权制衡能够避免单一主体主导信息控制，降低单方操纵信息的可能性，提高了企业信息透明度。陈西婵和周中胜（2020）认为高管激励机制在一定条件下能发挥公司治理作用，抑制上市公司信息披露违规。张逸杰等（2006）发现董事会独立性的增加能够在一定程度上减少企业盈余管理。
参照周宏等（2018）的做法，应用复合指标衡量公司内部治理水平。具体来说，选择公司治理的四个方面中有代表性的变量：（1）机构持股比例与股权制衡度（二至五大股东持股比例之和/控股股东持股比例）用以代表股权结构治理；（2）高管薪酬与高管持股比例用以代表激励机制治理；（3）董事长与总经理是否两职合一用以代表高管决策权力治理；（4）董事会规模与独立董事比例用以代表董事会监督治理；将从主成分分析法中得到的第一主成分作为反映公司内部治理水平的综合评价指数（Governance）。根据其定义，指数越大说明公司内部治理水平越高。进而构造公司内部治理水平（Governance）与Digital_ab的交互项（Digital_ab×Governance）进行调节效应检验。结果如表10列（3），可见交互项（Digital_ab×Governance）的系数显著为负，说明良好的公司治理负向调节了“多言寡行”的数字化转型披露对错误定价的促进作用，证明公司内部治理具备对信息操纵的治理作用。
八、结论和启示本文对2006—2021年间A股上市企业的经验研究表明，“多言寡行”的数字化转型披露策略短期内会加剧企业股票的错误定价，导致股价向上偏离其基本面价值。机制检验表明，该披露模式主要通过激发投资者的乐观情绪，加剧了股票的错误定价。进一步的研究发现：（1）企业通过数字化转型披露“多言寡行”实现股价操纵的现象可能出现在各个数字化细分技术领域。（2）高水平的审计、独立董事履职和良好的公司内部治理能够抑制企业在数字化领域通过文本披露进行概念炒作以推高股价的行为。本文有如下政策启示：
第一，应探索建立企业年报中财务信息和非财务信息“一致性”的评价机制和监管规则。本文发现，企业及管理层可能基于市值操纵动机，在年报中以超出实际投入水平的文本进行渲染式披露，进而推动股价上涨。因此，有必要进一步明确年报中文本信息披露的要求和格式，合理限制文本信息披露中的管理层的自由裁量权。探索建立对年报中数字化相关财务信息和非财务信息一致性的评估框架。
第二，应切实做好投资者教育工作。本文发现，“多言寡行”的数字化转型披露主要通过引发投资者情绪高涨导致股票错误定价。因此，应加强对投资者的教育和培训。对互联网上关于数字化转型的信息流动和投资者情绪进行分析研判，及时发现和消除误导性信息，以减少投资者情绪波动带来的市场不稳定。
第三，应增强公司治理内生约束，抑制企业及其管理层的投机性披露行为。本文发现高水平的审计、独立董事履职和良好的公司内部治理能够抑制数字化转型“多言寡行”下的股票错误定价。这表明，有效的内外部治理机制对于抑制企业以市值操纵为目的的数字化转型披露行为具有重要作用。只有通过有效的内外部治理制度建设，才能够确保企业数字化转型披露的真实性和准确性，提升投资者对企业股票的信心，促进资本市场的健康发展。
| [1] | 曹伟, 赵璨, 杨德明. 夸大其词的“互联网+”信息披露能够影响银行信贷决策吗[J]. 财贸经济, 2022, 43(2): 83–97. |
| [2] | 程小可, 孙乾, 高升好. 正面信息渲染与股价崩盘风险——基于安硕信息的案例分析[J]. 管理评论, 2021, 33(1): 340–352. |
| [3] | 高扬, 赵昆, 王耀君. 投资者情绪、股票流动性与股价泡沫——基于GASDF检验法的分析[J]. 运筹与管理, 2023, 32(7): 156–161. |
| [4] | 靳光辉. 投资者情绪、高管权益激励与公司投资——基于迎合渠道的实证检验[J]. 中央财经大学学报, 2015(6): 65–74. |
| [5] | 李哲. “多言寡行”的环境披露模式是否会被信息使用者摒弃[J]. 世界经济, 2018, 41(12): 167–188. |
| [6] | 马连福, 宋婧楠, 王博. 数字化转型信息披露的价值效应研究——来自概念炒作的证据[J]. 经济与管理研究, 2023, 44(8): 17–37. |
| [7] | 庞瑞芝, 刘东阁. 数字化与创新之悖论: 数字化是否促进了企业创新——基于开放式创新理论的解释[J]. 南方经济, 2022(9): 97–117. |
| [8] | 王克敏, 王华杰, 李栋栋, 等. 年报文本信息复杂性与管理者自利——来自中国上市公司的证据[J]. 管理世界, 2018, 34(12): 120–132,194. |
| [9] | 王蕾茜, 蒋忠莉, 纳超洪. 政府关注与企业数字化转型的“多言寡行”[J]. 财贸研究, 2024, 35(4): 97–110. |
| [10] | 吴非, 胡慧芷, 林慧妍, 等. 企业数字化转型与资本市场表现——来自股票流动性的经验证据[J]. 管理世界, 2021, 37(7): 130–144,10. |
| [11] | 许罡. 数字化转型与股票误定价: 抑制还是助推[J]. 金融经济学研究, 2024, 39(2): 58–72. |
| [12] | 袁淳, 肖土盛, 耿春晓, 等. 数字化转型与企业分工: 专业化还是纵向一体化[J]. 中国工业经济, 2021(9): 137–155. |
| [13] | 张永珅, 李小波, 邢铭强. 企业数字化转型与审计定价[J]. 审计研究, 2021(3): 62–71. |
| [14] | 赵璨, 陈仕华, 曹伟. “互联网+”信息披露: 实质性陈述还是策略性炒作——基于股价崩盘风险的证据[J]. 中国工业经济, 2020(3): 174–192. |
| [15] | Davis A K, Piger J M, Sedor L M. Beyond the numbers: Measuring the information content of earnings press release language[J]. Contemporary Accounting Research, 2012, 29(3): 845–868. |
| [16] | Hirshleifer D, Teoh S H. Limited attention, information disclosure, and financial reporting[J]. Journal of Accounting and Economics, 2003, 36(1-3): 337–386. |
| [17] | Lee J. Information asymmetry, mispricing, and security issuance[J]. The Journal of Finance, 2021, 76(6): 3401–3446. |
| [18] | Miwa K. Investor sentiment, stock mispricing, and long-term growth expectations[J]. Research in International Business and Finance, 2016, 36: 414–423. |