問詢函語調(diào)降低了年報(bào)樂觀性披露嗎？

劉慧芬 陳賢湘 林子琛 董 慧

(廣東外語外貿(mào)大學(xué)，廣東 廣州 510006)

一、引言

在“深化監(jiān)管體制改革”發(fā)展戰(zhàn)略指引下，滬深兩市分別于2013年和2014年開通信息披露直通車業(yè)務(wù)，進(jìn)一步強(qiáng)化了證券交易所的一線監(jiān)管。我國(guó)問詢監(jiān)管制度源于1998年的《深圳證券交易所股票上市規(guī)定》和《上海證券交易所股票上市規(guī)則》，即證券交易所有權(quán)要求對(duì)于定期報(bào)告或臨時(shí)報(bào)告存在錯(cuò)誤遺漏以及誤導(dǎo)性陳述的上市公司在財(cái)務(wù)狀況、并購(gòu)重組、關(guān)聯(lián)交易以及治理結(jié)構(gòu)方面進(jìn)行問詢，即針對(duì)公司特定事項(xiàng)或者年報(bào)信息披露不充分、內(nèi)容不準(zhǔn)確以及存在疑點(diǎn)的事項(xiàng)向上市公司發(fā)函，并限期回復(fù)，屬于典型的“非處罰性行政監(jiān)管”。據(jù)WIND數(shù)據(jù)統(tǒng)計(jì)，滬深兩大交易所對(duì)2014-2019年間發(fā)出問詢的公司占比高達(dá)36.66%，其中，年報(bào)問詢函在所有問詢函類型中數(shù)量居多。

國(guó)內(nèi)外關(guān)于問詢函監(jiān)管效力的研究均顯示出問詢監(jiān)管對(duì)資本市場(chǎng)信息質(zhì)量具有顯著的提升價(jià)值。一方面能夠抑制管理層信息操縱行為(Cunningham等，2018)[1]，另一方面進(jìn)一步提升了信息中介的執(zhí)業(yè)質(zhì)量(陳運(yùn)森等，2018)[2]，總體上優(yōu)化了會(huì)計(jì)信息環(huán)境(Johnston等，2017)[3]。我國(guó)年報(bào)問詢機(jī)制主要針對(duì)信息披露缺陷，旨在通過多輪問詢與回復(fù)達(dá)到“缺陷”信息的公開化，現(xiàn)有文獻(xiàn)實(shí)質(zhì)上是從一線監(jiān)管的權(quán)威性(包括問詢頻次、重大缺陷內(nèi)容等)作為研究出發(fā)點(diǎn)，未探討問詢函語調(diào)傳遞的監(jiān)管態(tài)度，是否影響問詢公司隨后的年報(bào)披露語氣，究其原因，主要障礙是缺乏適用于問詢監(jiān)管的情感詞典與語調(diào)提取技術(shù)，本文試圖就此探索，為深度解讀問詢信息提供實(shí)踐性證據(jù)。

全文提出使用Word2vec模型和調(diào)整后的SO-WV算法，以中國(guó)研究數(shù)據(jù)服務(wù)平臺(tái)中2014年12月4日至2020年3月9日的上市公司問詢函作為語料庫(kù)，利用python工具包構(gòu)建問詢領(lǐng)域情感詞典。按年度按公司提取情感傾向詞，分別得到問詢與回函語調(diào)值，并針對(duì)問詢函文本進(jìn)行語調(diào)分析、發(fā)展趨勢(shì)分析和主題交叉分析。

本文可能的貢獻(xiàn)有兩點(diǎn)：第一，拓展情感詞典，構(gòu)建了問詢函領(lǐng)域情感詞典，豐富了在情感詞典領(lǐng)域的研究，為問詢函的情感分析和解讀提供幫助；第二，從語調(diào)視角拓展了我國(guó)問詢研究領(lǐng)域，驗(yàn)證了問詢函語調(diào)對(duì)上市公司信息披露行為的影響，為監(jiān)管視角的語調(diào)應(yīng)用提供了經(jīng)驗(yàn)性證據(jù)。

二、制度背景與文獻(xiàn)綜述

2013年深交所通過“上市公司信息披露直通車”將上市公司財(cái)務(wù)報(bào)告發(fā)布由“先審后發(fā)”改為“先發(fā)后查”模式。從 2014 年開始，深交所率先在其“監(jiān)管信息公開”專欄發(fā)布年報(bào)問詢函與復(fù)函信息。根據(jù)證監(jiān)會(huì)要求，交易所根據(jù)上市公司具體情況實(shí)施年報(bào)審核，3年內(nèi)每家公司至少應(yīng)審核一次。

問詢函作為證監(jiān)會(huì)、各級(jí)證監(jiān)局就上市公司財(cái)務(wù)報(bào)告、重大交易、公司治理等異動(dòng)信息直接發(fā)函核實(shí)，并限時(shí)回函的事后監(jiān)管模式，近年來快速增長(zhǎng)。已有研究認(rèn)為，財(cái)務(wù)會(huì)計(jì)信息通過定價(jià)和治理功能實(shí)現(xiàn)投資者保護(hù)(陳勝藍(lán)和魏明海，2007)[4]。其中治理功能通過兩大渠道：基于市場(chǎng)監(jiān)督的聲譽(yù)機(jī)制與基于公共監(jiān)督的制度干預(yù)(李培功和沈藝峰，2010)[5]。公共監(jiān)督的強(qiáng)制干預(yù)主要有行政處罰和非處罰性監(jiān)管兩種方式。長(zhǎng)期以來，我國(guó)資本市場(chǎng)違規(guī)行為以事后處罰性監(jiān)管為主，對(duì)信息披露違規(guī)行為的行政處罰主要集中在違規(guī)后的2 至7年內(nèi)，在違規(guī)后 7 年以上才進(jìn)行處罰也達(dá)到了11.94%(黃政和吳國(guó)萍，2013)[6]，滯后性處罰致使投資者不能及時(shí)發(fā)現(xiàn)問題并采取有效措施避免損失，即使公布行政處罰也會(huì)引起當(dāng)期股價(jià)跌落，使得投資者在處罰公告日前后遭受損失，其利益并沒有得到更好的保護(hù)(吳溪等，2014)[7]。因此，我國(guó)資本市場(chǎng)寄厚望于問詢函制度。

針對(duì)問詢函監(jiān)管的經(jīng)濟(jì)后果研究主要集中于三部分：第一，問詢監(jiān)管對(duì)上市公司行為的約束。研究結(jié)論支持問詢監(jiān)管有助于市場(chǎng)甄別公司治理的優(yōu)劣(Cassell等，2013)[8]，識(shí)別公司盈余管理行為(劉柏和盧家銳，2019)[9]、避稅行為(Kubick等，2016)[10]，發(fā)現(xiàn)上市公司違規(guī)行為，抑制大股東的掏空行為(聶萍和潘再珍，2019)[11]，縮小并購(gòu)重組的買賣價(jià)差(李曉溪等，2019)[12]。第二，問詢監(jiān)管對(duì)信息環(huán)境的改善。研究結(jié)論支持收到問詢函后的年份被出具非標(biāo)意見的概率提高，當(dāng)問詢函要求會(huì)計(jì)師事務(wù)所等中介機(jī)構(gòu)發(fā)表核查意見時(shí)，審計(jì)質(zhì)量顯著提高(陳運(yùn)森等，2018)[13]，被問詢審計(jì)師的執(zhí)業(yè)質(zhì)量明顯提高(王艷艷等，2019)[14]。導(dǎo)致當(dāng)同行業(yè)公司收到有關(guān)風(fēng)險(xiǎn)信息披露的年報(bào)問詢函時(shí)，同行業(yè)其他公司會(huì)在下一會(huì)計(jì)年度改善年報(bào)中風(fēng)險(xiǎn)信息披露水平(Brown等，2018)[15]。第三，問詢監(jiān)管函的信息含量。美國(guó)資本市場(chǎng)對(duì)SEC評(píng)論函件有負(fù)向市場(chǎng)反應(yīng)(Duro等，2019)[16]。而源自我國(guó)資本市場(chǎng)的研究結(jié)論并不一致。李琳等(2017)[17]的研究發(fā)現(xiàn)年報(bào)問詢函發(fā)布與回函期間，市場(chǎng)呈負(fù)面股價(jià)反應(yīng)。陳運(yùn)森等(2018)[18]分別以收函日與回函日作為事件窗口日，以前后三日作為窗口期，驗(yàn)證了收函時(shí)市場(chǎng)反應(yīng)為負(fù)，而復(fù)函時(shí)市場(chǎng)反應(yīng)為正。楊海波和李建勇(2018)[19]則以收函公告日為事件日，以(0，15)為窗口期，發(fā)現(xiàn)窗口期累計(jì)超額收益率均持續(xù)為正并且顯著。陶雄華和曹松威(2018)[20]研究認(rèn)為，問詢函整體的市場(chǎng)反應(yīng)為正，是因?yàn)椤百Y產(chǎn)重組類”問詢函的正向效應(yīng)過大造成的。

以上研究中就問詢函度量指標(biāo)來看，以我國(guó)資本市場(chǎng)為背景的研究，主要有三類：第一，問詢函發(fā)函頻次：是否收到年報(bào)問詢函以及當(dāng)期問詢函次數(shù)(陳運(yùn)森等，2018)[18]，當(dāng)年收到的第一封年報(bào)問詢函字?jǐn)?shù)、問題數(shù)(余明桂和卞詩卉，2020)[21]。第二，問詢函內(nèi)容分析：年報(bào)問詢函是否涉及財(cái)務(wù)信息、當(dāng)年年報(bào)公示后至少收到一次與“業(yè)績(jī)真實(shí)性、會(huì)計(jì)處理合規(guī)性”相關(guān)的年報(bào)問詢函，以及統(tǒng)計(jì)每份年報(bào)問詢函中會(huì)計(jì)相關(guān)詞語的出現(xiàn)次數(shù)占總字符的比例(劉柏和盧家銳，2019)[9]。第三，年報(bào)問詢函負(fù)面語氣虛擬變量(李曉溪等，2019)[12]。

目前以我國(guó)A股資本市場(chǎng)問詢函市場(chǎng)反應(yīng)研究結(jié)論不一，究其原因，現(xiàn)有問詢函市場(chǎng)反應(yīng)研究，實(shí)質(zhì)上是檢驗(yàn)問詢機(jī)制的權(quán)威性(問詢頻次以及特定內(nèi)容問詢等)對(duì)投資者的影響力，由于投資者的專業(yè)解讀存在一定的局限，而問詢函語調(diào)解讀，更易于為投資者所捕捉。問詢語調(diào)研究不僅能夠從問詢函的另一視角檢驗(yàn)一線監(jiān)管的經(jīng)濟(jì)后果，還可以為我國(guó)監(jiān)管機(jī)制的深層優(yōu)化提供經(jīng)驗(yàn)性證據(jù)。正是基于這一思考，我們構(gòu)建問詢函語調(diào)變量，并檢驗(yàn)其對(duì)上市公司年報(bào)披露的影響。

三、構(gòu)建問詢函語調(diào)的研究設(shè)計(jì)

文本情感分析，又稱傾向性分析，是指對(duì)可能帶有主觀感情色彩的文本進(jìn)行處理、分析、歸納總結(jié)，以得到其中可能蘊(yùn)含的情感信息。在一般情況下，文本情感主要是通過情感詞來體現(xiàn)，因此在文本情感分析中使用情感詞典進(jìn)行分析是一個(gè)常用且高效的分析方式。而情感詞典的構(gòu)建主要有兩種方式，分別為有監(jiān)督式的學(xué)習(xí)方法和無監(jiān)督或半監(jiān)督式的學(xué)習(xí)方法。有監(jiān)督式的學(xué)習(xí)方法需要大量的人力標(biāo)注語料，可拓展性較差；無監(jiān)督或半監(jiān)督式的學(xué)習(xí)方法中的其中一種方法是通過人工標(biāo)注的詞典，利用一定的度量方式對(duì)詞匯和種子詞典之間的關(guān)聯(lián)性進(jìn)行度量并分類，從而擴(kuò)充詞典以形成專門的領(lǐng)域詞典(馮超等，2017)[22]。

由于問詢函及其回函本身具有很強(qiáng)的特殊性，其詞匯主要為經(jīng)濟(jì)領(lǐng)域詞匯，與其他領(lǐng)域的詞匯有較大差異，通過現(xiàn)有的情感詞典進(jìn)行情感分析，與問詢函文本相關(guān)性不高，缺乏行業(yè)特異性(宋云生，2017)[23]?；诖?，為了能夠透過問詢函及其回函探索更多有價(jià)值的信息，本文利用深度學(xué)習(xí)中Word2Vec模型基于問詢函語料構(gòu)建詞向量模型，采用一種基于詞向量的情感極性算法SO-WV(Semantic orientation from word vector)計(jì)算詞語的情感極性，最終構(gòu)建出問詢函領(lǐng)域的情感詞典，再通過對(duì)問詢函文本進(jìn)行詞頻統(tǒng)計(jì)，基于情感詞典計(jì)算上市公司問詢函件中可能蘊(yùn)含的情感語調(diào)TONE。

1.樣本選擇與數(shù)據(jù)來源

本文所使用的原始語料數(shù)據(jù)來自中國(guó)研究數(shù)據(jù)服務(wù)平臺(tái)(Chinese Research Data Services，簡(jiǎn)稱CNRDS)，選取2014年12月4日至2020年3月9日這一時(shí)間段的上市公司問詢函件為樣本，原始數(shù)據(jù)共7661條，數(shù)據(jù)字段包括股票代碼、公司簡(jiǎn)稱、函件類別、問詢函標(biāo)題、問詢函內(nèi)容、公司回函內(nèi)容、發(fā)函日期、限期回復(fù)日期、公司回復(fù)時(shí)間。

2.領(lǐng)域情感詞典構(gòu)建思路概述

本文提出的問詢函領(lǐng)域情感詞典的構(gòu)建方法的基本框架如圖1所示，主要流程分為三個(gè)步驟：

圖1 情感詞典構(gòu)建方法基本框架

(1)數(shù)據(jù)預(yù)處理

主要包括問詢函語料庫(kù)的處理以及對(duì)現(xiàn)有4個(gè)流行情感詞典的整合。

(2)詞向量模型的構(gòu)建

采用深度學(xué)習(xí)中Word2Vec模型將詞語轉(zhuǎn)換成詞向量表示，構(gòu)建詞向量模型，為后續(xù)計(jì)算文本情感傾向奠定基礎(chǔ)。

(3)領(lǐng)域情感詞典的構(gòu)建

情感詞典由兩部分構(gòu)成：?jiǎn)栐兒I(lǐng)域的通用情感詞典和問詢函領(lǐng)域的候選情感詞。利用調(diào)整后的SO-WV算法獲取候選情感詞的情感傾向，經(jīng)過篩選后并入問詢函領(lǐng)域的通用情感詞典，最終獲得情感詞典。

3.文本分析與問詢函語調(diào)的計(jì)算

對(duì)問詢函文本的語調(diào)計(jì)算，本文采用謝德仁和林樂(2015)[23]的方法，基于所構(gòu)建的情感詞典對(duì)經(jīng)過數(shù)據(jù)預(yù)處理之后的問詢函文本進(jìn)行情感詞匯詞頻統(tǒng)計(jì)，分別計(jì)算問函與回函文本的語調(diào)TONE。

四、構(gòu)建問詢函語調(diào)變量的試驗(yàn)方法

1.領(lǐng)域情感詞典構(gòu)建步驟

(1)數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理階段包括問詢函語料庫(kù)的處理和流行情感詞典的處理。問詢函語料庫(kù)的處理主要是對(duì)問詢函語料庫(kù)進(jìn)行分詞、去除停用詞、去除部分問詢函標(biāo)準(zhǔn)內(nèi)容以及去除人名和數(shù)字的處理，為后續(xù)實(shí)驗(yàn)奠定樣本基礎(chǔ)。至于流行情感詞典，本文收集了目前流行的四大主流情感詞典：清華大學(xué)李軍情感詞典、知網(wǎng)情感詞典(HowNet)、大連理工大學(xué)情感詞匯本體(DUTIR)、中國(guó)臺(tái)灣大學(xué)情感詞典(NTUSD)。分別選取上述詞典的積極詞集合與消極詞集合，去除重復(fù)出現(xiàn)的詞語后進(jìn)行融合[8]，融合的情況如表1所示。而后對(duì)經(jīng)處理后的語料庫(kù)的所有詞匯與融合后的情感詞典進(jìn)行取交集操作，生成問詢函領(lǐng)域的通用情感詞典。

表1 通用情感詞典結(jié)構(gòu)

(2)詞向量模型的構(gòu)建

在自然語言處理中，要將自然語言轉(zhuǎn)化機(jī)器學(xué)習(xí)就需要將自然語言符號(hào)數(shù)字化。最常見的表示法，如One-Hot representation，是將出現(xiàn)在文本中的詞語設(shè)置成虛擬變量，通過多維向量表達(dá)當(dāng)前的詞。但在詞匯量較大時(shí)，向量的維度會(huì)相當(dāng)高，進(jìn)而損失詞匯之間的語義信息。與One-hot Representation方法不同，分布式詞向量表示法利用一個(gè)較低維度的詞向量表示詞匯，同時(shí)利用概率函數(shù)得到詞匯與詞匯間的語義聯(lián)系[7]。本文所采用的詞向量是借助Python及其開源工具包gensim所構(gòu)建的，采用了深度遞歸神經(jīng)網(wǎng)絡(luò)中CBOW模型訓(xùn)練①。CBOW的神經(jīng)網(wǎng)絡(luò)模型圖如圖2所示，這里輸入層是由one-hot編碼的輸入上下文{x1,…,xC}組成，其中窗口大小為C，詞匯表大小為V。隱藏層是N維的向量，最后輸出層是也被one-hot編碼的輸出單詞y，被one-hot編碼的輸入向量通過一個(gè)V×N維的權(quán)重矩陣W連接到隱藏層；隱藏層通過一個(gè)N×V的權(quán)重矩陣W′連接到輸出層。

圖2 CBOW神經(jīng)網(wǎng)絡(luò)模型

2.領(lǐng)域情感詞典的構(gòu)建

(1)詞向量相似度的計(jì)算

第一，采用余弦相似度來度量詞向量相似度，公式如下：

其中，v1*v2為v1和v2的內(nèi)積，‖v‖為詞向量v的模。

第二，標(biāo)準(zhǔn)化。將相似度標(biāo)準(zhǔn)化到[0,1]，便于后續(xù)計(jì)算，標(biāo)準(zhǔn)化公式如下:

(2)調(diào)整后的基于詞向量的SO-WV算法

第一，關(guān)于候選詞情感傾向的計(jì)算。本文采用了馮超等(2017)[21]提出的基于詞向量的SO-WV算法并加以調(diào)整，以此來判斷問詢函領(lǐng)域的詞匯情感傾向。首先獲取尚未進(jìn)行情感傾向判斷的候選詞匯集合，對(duì)于每個(gè)詞匯word，獲取與其相似度高于閾值1的已在問詢函領(lǐng)域的通用情感詞典中的n個(gè)正向情感詞，記為集合POS，n個(gè)負(fù)向情感詞，記為集合NEG，對(duì)于詞匯word，其與正負(fù)向情感詞集相似度計(jì)算分別如下：

NS(word，POS)=

NS(word，NEG)=

第二，情感傾向SO的計(jì)算。依據(jù)馮超等(2017)[21]的研究，基于word的正負(fù)情感詞集相似度之差來計(jì)算它的情感傾向SO，公式如下：

SO(word)=NS(word，POS)-NS(word，NEG)

當(dāng)滿足SO(word)>0表示word的情感傾向?yàn)檎?；若SO(word)<0則表示word的情感傾向?yàn)樨?fù)向；得到候選詞情感詞性表。

第三，篩選候選情感詞。對(duì)于得到的候選詞詞性表，由于表中包含著所有的未進(jìn)入問詢函領(lǐng)域的通用情感詞典的詞匯，且部分詞匯情感傾向并不強(qiáng)，因此設(shè)定閾值2篩選候選詞。分別取正向負(fù)向候選詞性表的情感傾向前20%的詞匯，加入問詢函領(lǐng)域的通用情感詞典，最終形成情感詞典。

3.問詢函情感標(biāo)注

根據(jù)謝德仁和林樂(2015)[24]研究，采用比例權(quán)重加總的方法，基于情感詞典計(jì)算問詢函文本的語調(diào)TONE：

綜上本文基于情感詞典建立了兩個(gè)問詢函語調(diào)的衡量指標(biāo)：ATONE、RTONE，前者為問函的凈積極語調(diào)，后者為回函的凈積極語調(diào)。

4.情感極性分類實(shí)驗(yàn)

為驗(yàn)證情感詞典的有效性，以及為后續(xù)情感標(biāo)注實(shí)驗(yàn)所得到的情感強(qiáng)度所體現(xiàn)情感極性的正確性，本文設(shè)計(jì)并實(shí)現(xiàn)了情感極性分類實(shí)驗(yàn)。

經(jīng)過前面的數(shù)據(jù)預(yù)處理后，有效的問函數(shù)據(jù)有7309條，而有效的回函有6721條數(shù)據(jù)。首先，對(duì)問函及回函的有效樣本進(jìn)行人工篩選，各取數(shù)據(jù)集10%的數(shù)據(jù)進(jìn)行情感極性分類，分別作為問函文本與回函文本的“種子數(shù)據(jù)集”。

SVM是目前最常用、效果最好的分類器之一，以其作為對(duì)比，將有助于我們判斷基于情感詞典正確劃分情感極性的比例。本文采用SVM模型②，基于問函文本的“種子數(shù)據(jù)”進(jìn)行訓(xùn)練，得到SVM分類器，再將未分類的問函數(shù)據(jù)作為SVM分類器的輸入，進(jìn)行二分類，回函文本的操作與問函一致，最終得到情感極性的分類結(jié)果。

我們選取相似度(Similarity)作為評(píng)估度量指標(biāo)：

五、構(gòu)建問詢函語調(diào)變量的實(shí)驗(yàn)結(jié)果

1.領(lǐng)域情感詞典構(gòu)建情況

(1)詞典結(jié)構(gòu)

詞典分為積極情感詞匯與消極情感詞匯兩部分，積極詞匯共4987個(gè)，消極詞匯共3508個(gè)，表2列舉了部分情感詞匯。

表2 部分情感詞

(2)問詢函領(lǐng)域情感詞典可視化呈現(xiàn)

本文利用python的第三方模塊Sklearn (全稱 Scikit-Learn)中的數(shù)據(jù)可視化工具t-sen將情感詞典中的每個(gè)情感詞從400維降維到80維并進(jìn)行可視化，如下圖所示，距離越近表示詞匯的語義和情感越相似。

圖3 積極情感詞可視化結(jié)果

如圖所示，語義和情感上都具有一定的相似性的情感詞匯，在向量空間呈現(xiàn)聚合趨勢(shì)，例如圖3中聚合附近有“透明”“公平”“堅(jiān)持”“強(qiáng)”“優(yōu)良”“獨(dú)一無二”等具有積極情感的詞匯；圖4中“侵占”“批評(píng)”“錯(cuò)漏”“下跌”“低迷”“經(jīng)驗(yàn)不足”等消極情感的詞匯聚合在一起，這都說明所構(gòu)建的情感詞典的語義和情感聚合效果好，達(dá)到預(yù)期，滿足情感詞典要求。

圖4 消極情感詞可視化結(jié)果

2.情感極性分類實(shí)驗(yàn)結(jié)果

根據(jù)得到的分類結(jié)果，對(duì)比基于情感詞典計(jì)算的函件情感值TONE，得到如表3所示的相似度。

表3 相似度結(jié)果

表3顯示，問函與回函的最后的相似度都高于80%，其中問函更是達(dá)到了86.2%，其高于回函的原因可能是兩大交易所的發(fā)函，相比于上市公司的差異化回函，文本特征的相似性更高。實(shí)驗(yàn)結(jié)果也表明所構(gòu)建的情感詞典較高的有效性，以及基于所構(gòu)建的情感詞典進(jìn)行情感標(biāo)注得到的情感強(qiáng)度所體現(xiàn)的情感極性具有較高的正確性。

六、問詢函語調(diào)的描述性統(tǒng)計(jì)

1.問詢函數(shù)量描述性統(tǒng)計(jì)

(1)總體描述分析

問詢函數(shù)量變化過程反映了公開問詢監(jiān)管模式下交易所對(duì)上市公司規(guī)范運(yùn)作的關(guān)注程度，收函公司數(shù)量及收函公司平均問詢次數(shù)變化過程反映了一線監(jiān)管的密度。圖5顯示，函件數(shù)量逐年遞增，假設(shè)一年為1周期，則除2015年外，其他年份函件數(shù)量變動(dòng)基本類同，且每年第二季度都是該年函件數(shù)量頂峰，這與上市公司年報(bào)發(fā)布時(shí)間有關(guān)。

由表4、圖5可見，收函公司與上市公司兩者數(shù)量變化基本同勢(shì)，而收函公司平均問詢次數(shù)總體上也呈增長(zhǎng)趨勢(shì)，較上市公司數(shù)量變化而言，收函公司平均問詢次數(shù)增長(zhǎng)幅度總體大于上市公司數(shù)量增長(zhǎng)幅度，這體現(xiàn)了一線監(jiān)管密度在逐漸加大。結(jié)合問詢函數(shù)量、收函公司數(shù)量、收函公司平均問詢次數(shù)變化可知，自2014年年底至2019年年底，公開問詢監(jiān)管逐漸得到交易所重視，監(jiān)管制度也在逐漸完善，公開問詢監(jiān)管正在成為常規(guī)性市場(chǎng)監(jiān)管方式。

表4 收函公司數(shù)量及上市公司數(shù)量變化

圖5 季度問詢函數(shù)量變化

圖6 年度收函公司平均被問詢次數(shù)

(2)分項(xiàng)描述分析

本文通過人工收集與分析，根據(jù)陶雄華和曹松威(2018)[20]的研究，按問詢內(nèi)容將問詢函劃分為中介機(jī)構(gòu)核查意見相關(guān)、收入確認(rèn)相關(guān)、關(guān)聯(lián)交易相關(guān)和并購(gòu)重組相關(guān)四類，圖7展示了分類問詢函數(shù)量統(tǒng)計(jì)及變化趨勢(shì)。收入確認(rèn)相關(guān)的問詢主要是涉及收入時(shí)點(diǎn)、金額、會(huì)計(jì)處理等問題的問詢；關(guān)聯(lián)交易相關(guān)的問詢則是涉及關(guān)聯(lián)方資金拆借(資金占用)、商品交易或勞務(wù)、擔(dān)保等問題的問詢；中介機(jī)構(gòu)核查意見相關(guān)的問詢是需要獨(dú)立財(cái)務(wù)顧問、律師、會(huì)計(jì)師等中介機(jī)構(gòu)核查并發(fā)表意見的一類問詢；并購(gòu)重組相關(guān)的問詢是對(duì)上市公司具體并購(gòu)重組的重大事項(xiàng)及細(xì)節(jié)進(jìn)行詢問。

圖7 季度分類問詢函數(shù)量表現(xiàn)

實(shí)驗(yàn)有效樣本中，涉及收入確認(rèn)問題的問詢函樣本占比21.93%，涉及關(guān)聯(lián)交易問題的占比48.71%，要求中介機(jī)構(gòu)出具核查意見的問詢函占62.17%，以上在一定程度上說明我國(guó)上市公司涉及收益質(zhì)量的信息披露存在較大的缺陷，這也是問詢監(jiān)管中關(guān)注度較高的領(lǐng)域，這與我國(guó)證監(jiān)會(huì)行政處罰中體現(xiàn)的主要問題是一致的。此外，涉及中介機(jī)構(gòu)核查意見的問詢函占比最高，增速最快，2019年增加至1303份，年均增速44.5%，這表明公開問詢?yōu)榱吮ＷC回函質(zhì)量越來越多地增加了中介機(jī)構(gòu)核查，而四類函件中，僅有并購(gòu)重組函件“離群”，波動(dòng)性最低，變動(dòng)幅度并不大，這與并購(gòu)重組信息披露沒有顯著季節(jié)性有關(guān)。

2.問詢函語調(diào)分析

(1)問詢函的“壞消息”性質(zhì)

如圖8所示，問詢函文本凈語調(diào)值全部為負(fù)，說明問詢函主要是以負(fù)面傾向?yàn)橹鞯陌l(fā)函語氣，一定程度上驗(yàn)證了問詢函向外部市場(chǎng)傳遞了“壞消息”，因此，相應(yīng)的市場(chǎng)反應(yīng)為負(fù)，與陳運(yùn)森等(2018)[18]的研究結(jié)論一致。

(2)回函語調(diào)管理總體性分析

圖8所示，收函與回函語調(diào)值呈現(xiàn)出兩類趨勢(shì)：第一，凈語調(diào)值的負(fù)面傾向在下降?？傮w上，問詢與回函凈語調(diào)值均為負(fù)，在2014-2019年間，問函與回函凈語調(diào)值皆呈上升的趨勢(shì)，凈語調(diào)年均上升約1.33%，即凈語調(diào)的負(fù)面傾向在降低，說明問詢與回函中的文本的負(fù)面語調(diào)在下降。第二，回函語調(diào)值均高于問函，兩者的凈語調(diào)差能夠體現(xiàn)出管理層語調(diào)管理程度。問函的凈語調(diào)普遍比回函凈語調(diào)低，問函均凈語前期基本調(diào)維持在-0.3左右，隨著時(shí)間推移，問函與回函凈語調(diào)差異不斷縮小，最終于2019年初凈語調(diào)趨勢(shì)接近。這說明隨著問詢函負(fù)面語調(diào)的下降，上市公司的語調(diào)管理空間在縮小，即管理難以通過降低負(fù)面語氣的回函，抵消問詢本身的“壞消息”，影響市場(chǎng)投資者情緒。

圖8 季度問、回函文本凈語調(diào)表現(xiàn)

(3)回函語調(diào)管理分項(xiàng)總括

如圖9所示，對(duì)有效樣本進(jìn)行分項(xiàng)描述，在四類問詢函中，問函與回函凈語調(diào)值差額最大的排序，依次為并購(gòu)重組、關(guān)聯(lián)方交易、中介機(jī)構(gòu)審核意見以及涉及收入信息披露的問詢，說明上市公司針對(duì)問詢函的語調(diào)管理突出顯示在并購(gòu)重組的樣本，有理由相信并購(gòu)重組的“利好”下，管理層更有動(dòng)機(jī)和信心通過語調(diào)管理來緩解市場(chǎng)“焦慮”，因此，管理層的語調(diào)管理可以一定程度上解釋陶雄華和曹松威(2018)的研究結(jié)果，即資產(chǎn)重組類的問詢的市場(chǎng)反應(yīng)為正[20]。而對(duì)于涉及收入問題的問詢函件，上市公司回函與問函的凈語調(diào)逐漸趨于一致，本身收入確認(rèn)類函件受到一線監(jiān)管的高度重視，容忍度更低，降低了回函語調(diào)管理的作用。

圖9 不同類別問、回函文本凈語調(diào)

通過對(duì)問詢函件的語調(diào)提取及分析，我們發(fā)現(xiàn)，問詢語調(diào)傾向一定程度上可以解釋目前市場(chǎng)反應(yīng)研究結(jié)論存在的差異，即問詢函的市場(chǎng)反應(yīng)為負(fù)，一定程度上源自問詢函的負(fù)面語調(diào)所傳遞出來的“壞消息”；另一方面，隨著我國(guó)資本市場(chǎng)一線監(jiān)管制度的完善，問詢負(fù)面語調(diào)程度在降低，趨于中性，管理層語調(diào)管理空間大大下降。

七、進(jìn)一步的研究：?jiǎn)栐兒Z調(diào)與回函公司樂觀性年報(bào)披露

為檢驗(yàn)問詢語調(diào)數(shù)據(jù)提取的有效性，本文借鑒Bozanic等(2017)[25]的模型，進(jìn)一步驗(yàn)證問詢語調(diào)對(duì)收函公司年報(bào)信息披露語氣的影響。

1.數(shù)據(jù)來源

選取2014-2019年A股上市公司，通過以下篩選得到研究樣本：剔除金融業(yè)上市公司；剔除數(shù)據(jù)缺失的樣本；剔除資產(chǎn)負(fù)債率高于1的樣本。為了消除異常值對(duì)回歸結(jié)果造成的潛在影響，對(duì)公司層面的連續(xù)變量在1%以及99%的 winsorize縮尾處理。問詢函數(shù)據(jù)來自CNRDS數(shù)據(jù)庫(kù)，其他財(cái)務(wù)數(shù)據(jù)均來自CSMAR、WIND數(shù)據(jù)庫(kù)。

2.回歸模型

FSdisclosurei，t=ai，t+β1ComTonei，t-1+β2ControlVariables+Yearfixedeffect+Industryfixedeffect+ε

(1)

其中下標(biāo)i和t分別代表企業(yè)和時(shí)期；FSdisclosure代表上市公司年報(bào)積極語氣，ComTone表示滯后一期問詢函語調(diào)，主要觀測(cè)問詢函語調(diào)對(duì)上市公司隨后年份披露語氣的影響。控制變量分別從行業(yè)層面、公司特征以及公司治理層面，具體變量構(gòu)建說明見表5所示。

表5 變量定義

3. 回歸結(jié)果分析

表6匯報(bào)了問詢語調(diào)與上市公司年報(bào)語氣的回歸結(jié)果。列(1)(2)全樣本估計(jì)結(jié)果顯示，問詢語調(diào)ComTone的回歸系數(shù)在5%的水平顯著為負(fù)，這說明問詢語調(diào)負(fù)面傾向越重，上市公司下一年年報(bào)的積極語調(diào)越低，即問詢函語調(diào)顯著抑制了上市公司樂觀語氣，與Bozanic等(2017)[24]的研究結(jié)論一致。

表6 問詢函語調(diào)與年報(bào)樂觀語氣回歸結(jié)果

進(jìn)一步對(duì)全樣本按照內(nèi)部控制指數(shù)進(jìn)行分組，高于行業(yè)中位數(shù)的表示內(nèi)控指數(shù)高，代表內(nèi)部控制相對(duì)健全，反之表示內(nèi)控質(zhì)量不高。Wald統(tǒng)計(jì)量的檢驗(yàn)結(jié)果表明，問詢監(jiān)管對(duì)上市公司年報(bào)語氣的負(fù)回歸系數(shù)在不同內(nèi)部控制質(zhì)量的公司存在顯著差異。具體而言，內(nèi)部控制質(zhì)量越高的公司，如列(3)，問詢函語調(diào)對(duì)公司年報(bào)語氣沒有顯著影響，而內(nèi)部控制質(zhì)量低的企業(yè)；如列(4)，問詢函負(fù)面語調(diào)程度大大抑制了其樂觀語氣。相對(duì)于內(nèi)部控制指數(shù)高的企業(yè)，內(nèi)部控制指數(shù)低意味著企業(yè)內(nèi)部控制環(huán)境不佳，信息操縱的可能性更高，而問詢機(jī)制顯著抑制了管理層語調(diào)管理，降低了年報(bào)語氣誤導(dǎo)外部投資者的可能。

4. 分組回歸結(jié)果

表7匯報(bào)了選題的分組回歸，結(jié)果顯示，問詢語調(diào)對(duì)上市公司隨后年報(bào)的樂觀語氣的抑制效應(yīng)，體現(xiàn)在涉及列(1)涉及收入確認(rèn)、列(4)不涉及中介機(jī)構(gòu)核查意見、列(5)關(guān)聯(lián)方交易以及列(8)未涉及并購(gòu)重組的樣本，問詢語調(diào)ComTone的回歸系數(shù)均在5%水平上顯著為負(fù)?？赡艿慕忉屖?，收入確認(rèn)與關(guān)聯(lián)交易直接影響上市公司業(yè)績(jī)，也是投資者關(guān)注度最高的項(xiàng)目，這些內(nèi)容的問詢更可能引起外部投資者對(duì)管理層樂觀預(yù)期的質(zhì)疑，因此降低了上市公司采用“樂觀性”披露策略。另一方面，由于中介機(jī)構(gòu)審核意見以及并購(gòu)重組的樣本，都要求進(jìn)一步的信息核驗(yàn)，中介機(jī)構(gòu)在其中發(fā)揮了重要的“信息認(rèn)證”作用，一定程度上抑制管理層樂觀性解釋的動(dòng)機(jī)，因此，問詢語調(diào)對(duì)上市公司語調(diào)管理的影響，在不涉及中介機(jī)構(gòu)審核意見以及非重組并購(gòu)的公司更為顯著。

表7 問詢函語調(diào)與年報(bào)樂觀語氣的分組檢驗(yàn)

5. 穩(wěn)健性檢驗(yàn)

為了驗(yàn)證研究結(jié)論的穩(wěn)定性，將被解釋變量年報(bào)樂觀語調(diào)的計(jì)算，即(積極詞匯數(shù)-消極詞匯數(shù))/(積極詞匯數(shù)+消極詞匯數(shù))，替換為(積極詞匯數(shù)-消極詞匯數(shù))/年報(bào)詞匯數(shù)，回歸結(jié)果顯示因變量回歸系數(shù)顯著性并未發(fā)生變化，說明研究結(jié)果穩(wěn)健一致。

八、結(jié)論與啟示

本文以2014-2019年A股上市公司為樣本，利用中國(guó)研究CNRDS數(shù)據(jù)庫(kù)中的問詢函數(shù)據(jù)，借助Word2vec模型的語義優(yōu)勢(shì)，將詞匯映射到較高維度向量空間，再借助情感種子詞情感表達(dá)優(yōu)勢(shì)以及SO-WV算法情感傾向計(jì)算方法，實(shí)現(xiàn)了所構(gòu)建詞典的在情感詞匯在向量空間上較為有效的語義和情感表示?；诖说难芯拷Y(jié)論主要有三點(diǎn)：一是從語調(diào)視角檢驗(yàn)了問詢函更多地釋放了“壞消息”；二是隨著我國(guó)一線監(jiān)管制度的完善，呈縮小態(tài)勢(shì)，這說明管理層通過語調(diào)管理操縱市場(chǎng)情緒越來越難，也從另一個(gè)側(cè)面說明問詢制度在信息披露監(jiān)管是有效的；三是問詢函語調(diào)能夠降低問詢公司發(fā)布樂觀性年報(bào)的可能，說明問詢公司在一線監(jiān)管下采取了更為謹(jǐn)慎的信息披露策略，從而保護(hù)了外部投資者利益。

本文研究的重要啟示在于：第一，有必要建立我國(guó)資本市場(chǎng)監(jiān)管信息語料庫(kù)，為相關(guān)詞典建設(shè)提供研究基礎(chǔ)，同時(shí)，這些研究成果有助于優(yōu)化監(jiān)管效率；第二，問詢函的負(fù)面語調(diào)所傳遞出來的“壞消息”，能夠顯著左右管理層回函的應(yīng)對(duì)策略，尤其是涉及收入確認(rèn)、關(guān)聯(lián)方交易的問詢，因此，監(jiān)管層應(yīng)針對(duì)性地對(duì)監(jiān)管重點(diǎn)進(jìn)行差異化語調(diào)行文，以防范上市公司回函過度“辯白”影響投資者情緒。

本文仍存在一些不足之處，問詢函制度在國(guó)內(nèi)處于發(fā)展階段，語料的數(shù)量還不夠龐大，在后續(xù)的進(jìn)一步研究中還需要語料庫(kù)進(jìn)行擴(kuò)充，完善詞典構(gòu)建算法，語調(diào)計(jì)算精度仍有較大的提升空間，數(shù)據(jù)結(jié)果可能存在更深層次的規(guī)律尚未發(fā)掘。隨著問詢函制度的發(fā)展與完善，將會(huì)有更多有價(jià)值的問題等待我們繼續(xù)探索和研究。

【注 釋】

① CBOW模型簡(jiǎn)單理解就是上下文決定當(dāng)前詞出現(xiàn)的概率。在CBOW模型中，上下文所有的詞對(duì)當(dāng)前詞出現(xiàn)概率的影響的權(quán)重是一樣的，因此叫作CBOW( continuous bag-of words model) 模型，正如在袋子中取詞，取出數(shù)量足夠的詞就可以了，至于取出的先后順序是無關(guān)緊要的。

② 支持向量機(jī)(support vector machine，SVM)，通俗來講，它是一種二類分類模型，其基本模型定義為特征空間上的間隔最大的線性分類器，其學(xué)習(xí)策略便是間隔最大化，最終可轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問題的求解。