数字化信息披露与资本市场定价

丁亚楠 牛彪 王建新 车悦

收稿日期：2023-12-18

基金项目：国家社会科学基金重大项目“新发展格局下中国经济韧性的形成机理、动态评价与政策协同研究”（21&ZD072）；中南财经政法大学研究生科研创新平台项目“碳排放权交易试点对工业低碳转型的影响研究”（202410311）

作者简介：罗良文（1965—），男，河南信阳人，教授，博士，研究方向：低碳经济与管理；

孙立雪（1996—），女，河南郑州人，博士研究生，研究方向：低碳经济与管理；

王 晨（1996—），男，河南信阳人，博士研究生，研究方向：经济政策。

[摘 要：作为经济发展的晴雨表，资本市场在赋能实体经济转型升级过程中发挥着重要作用。文章以我国沪深A股上市公司为研究对象，从投资者信息解读的视角考察了企业数字化信息披露对资本市场定价的影响。结果表明：企业数字化信息披露能够提高企业的市场估值，但该正向市场反应仅表现于长期；投资者信息解读在企业数字化信息披露与资本市场定价之间发挥了部分中介效应。进一步分析表明，在信息披露的真实性较高、投资者信息能力较低和信息需求较高时，企业数字化信息披露的长期市场反应更加显著，而在信息披露的真实性较低、投资者信息能力较低和信息需求较高时，投资者信息解读的中介效应更加显著。

关键词：数字化信息披露；市场定价；投资者信息解读；资本市场；文本分析

中图分类号：F832.51；F49  文献标识码：A文章编号：1007-5097（2024）07-0053-13   ]

Digital Information Disclosure and Capital Market Pricing：

From the Perspective of Investor Information Interpretation

DING Ya'nan1， NIU Biao2， WANG Jianxin2， CHE Yue3

（1. School of Accounting， Beijing Wuzi University， Beijing 101149， China; 2. Chinese Academy of Fiscal Sciences， Beijing 100142， China;

3. School of Public Administration， Renmin University of China， Beijing 100872， China）

Abstract：As a barometer of economic development， the capital market plays a crucial role in empowering the transformation and upgrading of the real economy. This paper examines the impact of corporate digital information disclosure on capital market pricing from the perspective of investor information interpretation， focusing on listed companies in the Shanghai and Shenzhen A-share markets. Research findings： Digital information disclosure by companies can enhance their market valuation， though this positive market reaction is only evident in the long term. Investor information interpretation partially mediates the relationship between digital information disclosure and capital market pricing. Further analysis reveals that the long-term market reaction to digital information disclosure is more pronounced when the authenticity of information disclosure is high， investor information capability is low， and information demand is high. Conversely， when the authenticity of information disclosure is low， investor information capability is low， and information demand is high， the mediating effect of investor information interpretation becomes more significant.

Key words：digital information disclosure; market pricing; investor information interpretation; capital market; text analysis

一、引 言

当前我国数字经济进入高速发展时期，企业数字化作为数字经济与实体经济融合的微观基础，已有学者围绕企业生产效率、运营管理、公司治理等方面对企业数字化的微观层面影响进行了丰富的研究。数字经济的发展壮大离不开资本要素的支持，资本市场提供了多元化的融资渠道，使得企业能够获得更多资金用于扩大生产、研发创新与转型升级等，而已有研究对资本市场层面则较少涉及［1-3］。资本市场融资功能的发挥以定价为基础，数字化的价值提升作用已成为共识，但由于过程的长期性和复杂性、企业资源和能力的差异性，数字化能否成功实施并为企业带来价值增值仍具有不确定性。那么，企业数字化最终如何影响其资本市场价值评估，其微观层面竞争优势能否以及如何体现于资本市场？推动科技、资本和实体经济高水平循环是健全资本市场功能的重要抓手。对上述问题的探究不仅有助于发挥资本市场枢纽作用，支持更多数字化企业发展，而且有助于激发企业转型升级的内生动力，提高企业转型积极性，促进数字经济与实体经济深度融合。

信息披露是影响市场定价的直接因素，在信息内容上，已有研究从盈余信息、内部控制信息、社会责任信息等角度探究了不同的信息披露对市场定价的影响［4-7］。随着企业数字化转型战略的实施，数字化相关信息成为企业信息披露的重要内容。投资者是市场定价的主体，投资者基于对企业数字化信息的解读作出投资决策，企业数字化的价值能否体现于价格，很大程度上依赖于投资者对数字化信息的解读。互联网技术的应用为投资者的信息获取提供了便利，信息解读逐渐成为影响投资者决策的重要因素。建立投资者与上市公司互动平台是近年来证券交易所加强投资者权益保护的创新性举措，互动平台在加强投资者与上市公司之间的沟通、提高投资者信息解读能力、提升资本市场定价效率方面作用显著［8-9］，但已有研究多以上市公司整体的信息披露为对象，缺乏对不同类型信息的探究，难以为投资者特定方面的价值判断提供依据。随着互动平台用户规模的扩大、汇集信息的增多，对不同类型信息进行探究，有助于更加深入地了解投资者决策行为以及平台的作用机制。

市场定价体现为价格对信息的反应，包括是否反应以及反应过程两个层面［10］。结合本文的研究，即市场是否对企业披露的数字化信息进行定价及其定价过程的实现，前者表现为信息披露后能否引发正向或负向的市场反应，后者表现为这些信息何时以及通过何种渠道在股票价格或收益中反映出来。因此，本文的研究主要包括两个方面：①企业数字化信息披露后会产生怎样的市场反应及其反应的期间；②投资者对企业数字化信息的解读在数字化信息披露与市场反应间是否发挥了中介作用。

本文的主要贡献在于：①补充企业数字化的资本市场经济后果研究。企业数字化以企业价值提升为目标，资本市场价值是企业价值的重要体现。本文以企业数字化信息披露后的资本市场定价反应为切入点，有助于为数字化提升企业价值提供市场层面的实证依据。②检验企业数字化信息披露与市场反应的中介路径。投资者对信息的充分解读是市场定价的关键，大数据环境下的海量信息使得投资者信息解读能力更加重要。本文通过对投资者信息解读的衡量，为解释数字化信息披露的市场反应提供新视角。③拓展社交媒体经济后果的相关研究。已有对社交媒体信息作用的研究多基于不同类型的媒体，缺少对不同类型信息的区分，本文聚焦企业披露的数字化信息，利用投资者与上市公司互动平台这一媒体中介，实证检验其对投资者数字化信息解读的促进作用，为社交媒体信息中介作用的发挥提供更加具体和更具实践意义的证据。

二、理论分析与研究假设

（一）数字化信息披露与市场反应

数字化信息披露的资本市场效应具体体现在以下几个方面：首先，数字化信息披露与企业数字化生产、经营与管理的实施密切相关，数字化对企业的积极影响已被较多研究所支持，包括对企业经营能力的提升、创新能力的增强以及对企业外部经营环境的改善等［11-14］。基于企业数字化的积极影响，数字化信息的披露有助于提高投资者的企业估值。其次，代理成本的存在会影响投资者对企业的估值。数字技术的应用减少了人为操作，管理者实施盈余操控等自利行为的空间减小。高颗粒度的数据支撑有助于监督管理层，促使其规范自身行为，调控决策过程中的主观判断，提高公司治理水平［15］。最后，技术支撑下企业经营能力的改善，为管理者发挥个人能力提供了良好条件，有助于激励管理者通过个人能力提高绩效获取合理回报，减少管理者机会主义行为。如数字技术辅助管理者优化经营决策［16］，通过精准投资提高企业业绩，使得管理者从企业绩效改善中获取充分薪酬奖励，减少了攫取控制权私利、浪费企业资源等代理成本。因此，企业数字化转型有助于提高公司治理水平、降低代理成本，从而获得更多投资者的青睐。

在赋能企业经营管理与公司治理的同时，企业数字化转型还具有信号作用。企业数字化转型响应了大力发展数字经济的国家政策，与建设“数字中国”的国家战略保持着较高的一致性，一方面表明了企业主动适应外部环境变化、创新求变的态度，能够增加投资者的价值认同；另一方面也意味着企业在未来将获得更多的政策和资源支持，如政府补贴和奖励、财税及金融支持等［17-18］，释放出企业未来发展前景良好的积极信号［19-20］，提高了投资者的盈利预期。基于上述分析，本文提出假设1。

H1：数字化信息披露水平的提高会提升企业的市场估值，引发正向的市场反应。

投资者对企业数字化转型的认同预期使股票具有更好的市场表现，但这种表现通常难以在短期内体现，其主要原因是企业数字化转型具有战略性、全局性特征，涉及范围广，持续时间长，数字化转型的价值体现往往滞后［21］。生产过程中，数据作为企业引入的一种新的生产要素，需要与其他生产要素进行整合，进而发挥协同效应［22］。管理过程中，企业内部相关制度的建设需要不断探索和实践，转型初期原有的内部治理机制可能无法适应和匹配数字化转型所引起的业务流程、风险点和控制方式等的系统性变化，当数字化实现跨环节、跨领域集成，价值效益才能充分发挥，产生量变到质变的飞跃［23-24］。因此，虽然转型的潜在收益对投资者具有吸引力，但转型的结果具有较大不确定性，投资者对其价值的判断需要经历一个过程。随着转型的不断推进，成果逐步显现，从前期的投入阶段到中期的内化阶段，最后实现价值输出。同时，随着企业数字化信息的披露及解读，投资者的先验信念和认知不断更新，能够逐渐理解数字化投入产出的滞后性以及潜在的高收益性，不确定性逐渐减小，企业数字化的价值逐渐被揭示并表现为长期市场反应。基于上述分析，本文提出假设2。

H2：数字化信息披露会引发正向的长期市场反应，即数字化信息披露的正向市场反应具有滞后性。

（二）投资者信息解读的中介效应

信息是资本市场运行的基础，投资者的市场反应基于投资者对信息的获取和解读［25-26］。技术的发展显著降低了投资者的信息获取成本，信息的解读成为影响投资者信息能力的重要因素，对于数字化信息尤其如此。从数字化特征来看，数字化信息以数字技术专业知识为基础，企业的价值评估需要考虑技术相关因素，对投资者信息解读能力提出了较高的要求。我国资本市场以个人投资者为主，投资者群体专业知识较为缺乏，难以对相关信息进行充分解读。从企业数字化的过程来看，企业进行数字化转型，通常采用逐步推进的方式，遵循“局部数字化—模块数字化—整体数字化”的渐进式数字化路径，投入产出效率的提升具有滞后性［27-28］，这增加了投资者对企业数字化的评估难度，需要投资者在积累相关信息的基础上，对企业经营管理、发展战略等有更加深入的理解。

投资者与上市公司互动平台的建立，改变了投资者信息获取方式，影响投资者信息解读，其在促进投资者信息解读方面表现出显著的优势。首先，通过“互动易”和“上证e互动”等投资者与上市公司互动平台，投资者可以直接向管理层提出问题，管理层运用其掌握的内部资料对已披露的信息进行专业解读，有针对性地帮助投资者理解相关信息［29］。其次，与阅读上市公司财务报告等专业资料相比，互动问答方式兼具专业性和可读性，相关问题的解答是法定信息披露的专业补充和解读，相较于专业的信息披露公告，其更容易被投资者接受和理解。最后，由于平台的开放性，互动过程以在线文字形式呈现，可以被全体投资者知悉。对于那些没有参与互动的投资者也可以通过查阅其他投资者的问题与回复，学习专业知识，交流经验，提高其对上市公司基本面的分析能力［30］。投资者信息解读是影响投资者对企业转型价值认同的关键，对企业数字化转型信息的解读有助于投资者更好地认识转型的潜在价值，从而使企业获得积极的市场反应。基于上述分析，本文提出假设3。

H3：投资者对数字化信息的解读在数字化信息披露与正向的长期市场反应间发挥了中介作用。

三、研究设计

（一）样本选择与数据来源

本文以我国沪深A股上市公司为研究对象，投资者与上市公司互动平台最早于2010年开通（深交所“互动易”于2010年1月开通，上交所“上证e互动”于2013年推出），因此研究期间选择2010—2019年，并对数据进行以下处理：①剔除金融业公司样本；②剔除ST和期间退市的公司样本；③剔除在考察当年进行IPO的公司样本；④按2012年证监会行业分类，剔除信息产业公司样本以避免对数字化转型衡量的影响，包括计算机、通信和其他电子设备制造业（C39），电信、广播电视和卫星传输服务（I63），互联网和相关服务（I64），软件和信息技术服务业（I65）；⑤剔除相关变量缺失的样本；⑥对连续变量进行1%和99%的缩尾处理。经过上述筛选，最终得到13 692个观测值。数字化转型数据来源于公司年报，投资者互动数据来源于深交所和上交所互动平台，数据均通过爬虫获取，其他数据来源于国泰安（CSMAR）数据库。

（二）变量衡量

1. 数字化信息披露

年报是投资者获取企业信息的主要来源，也是企业运营情况的客观陈述，管理层会在年报中对其在数字化方面的实施情况进行披露。因此，本文通过批量抓取年报中与数字化相关的关键词，根据所有关键词在年报中出现的总次数来衡量企业的数字化信息披露（DIG）水平。在关键词的选取上，借鉴吴非等（2021）［31］的做法，将数字化相关词汇总结为底层技术运用的ABCD（人工智能、区块链、云计算、大数据）与技术实践层面的数字化场景运用，对年报中上述关键词进行词频统计和加总取对数处理。

2. 市场反应

本文以价格对信息的反应速度来衡量资本市场定价效率，如果市场不能将信息及时充分地吸收到股票价格中，那么这些信息会在后续时间陆续反映出来，从而形成价格反应的滞后，由此投资者便能获取超额收益。借鉴Chen等（2005）［32］、陈运森等（2018）［33］的研究，采用年报披露后持有超额收益率来衡量长期市场反应。对于长窗口期的选择，已有研究并没有统一标准，较短为30天，较长为360天［34-35］。早期对公告后市场反应的研究表明，由于投资者反应不足，盈余惯性存在的时间持续到公告后的第四个季度（12个月）［36-37］。考虑企业数字化转型的过程性及信息内容的专业性，投资者可能需要较长的时间依据转型的成果对相关信息进行解读，因此选择年报信息披露后的12个月作为窗口期计算。

（1）采用市场模型估计公司的期望收益率：

[Reti，t=αi+βiRetm，t+ei，t] （1）

其中：[Reti，t]表示公司i在t月的个股收益率，以考虑现金红利的个股收益率衡量；[Retm，t]表示公司所在市场的收益率，以流通市值加权平均的综合市场收益率衡量；[ei，t]表示残差。长期市场反应的一年期超额收益率的月收益区间选取年报披露后的当年5月至次年4月。选取样本当期前12个月作为正常收益率的估计窗口，得到估计参数后代入样本当期的市场收益率，计算得到公司i的期望收益率。

（2）计算超额收益率与累计超额收益率：

[ARi，t=Reti，t?αi?βiRetm，t] （2）

[CARi，T1，T2=∑T2t=T1ARi，t] （3）

通过计算公司i在样本期内月个股收益率与期望收益率之差得到超额收益率[ARi，t]。长期市场反应中，以月超额收益率加总得到年超额收益率，累计超额收益率为当年5月至次年4月超额收益率之和。

3.投资者信息解读

投资者与上市公司互动平台上的提问内容涉及公司经营管理的各个方面，需要对数字化转型问题与回复进行识别。考虑基于年报构建的词典中数字化术语概括性较强且较为专业，但投资者在提问中可能表达更加具体和通俗，部分问题和回复虽然与数字化相关，但并不在原构建的词典内。因此，对原词典进行扩充，通过人工搜集整理得到2010—2019年由国务院发布，国家发展和改革委员会、工业和信息化部单独或联合其他部门共同发布的34份数字经济相关的政策文件，从中筛选出现频率较高的与数字化相关的关键词136个。基于扩充后的词典，利用机器学习方法对投资者提问与上市公司回复内容进行文本分析，以是否包含关键词判断该提问或回复是否与数字化相关。投资者对信息的解读受平台问答质量的影响，其中包含了投资者提问质量与上市公司回复质量两个方面。网络的应用提高了投资者利用网络媒体发声的积极性，投资者关系管理的需要以及交易所的要求与考核提高了上市公司对互动平台运营管理的重视程度。参考丁慧等（2018）［7］、谭松涛等（2016）［38］的方法，构建平台的投资者互动程度指标来衡量投资者对数字化信息的解读，将当年上市公司的数字化相关回复数（[NumResp）]与提问总数（[NumQues]）之和加1取自然对数作为衡量的指标，对于当年没有收到投资者提问的公司，[NumResp]和[NumQues]取值为0。

[INTERi，t=ln （NumQuesi，t+NumRespi，t+1）] （4）

（三）模型构建

为检验企业数字化转型的长期市场反应，本文构建以下模型：

[CARi，t=α0+α1DIGi，t+α2SIZEi，t+α3LEVi，t+α4ROAi，t+α5GROWTHi，t+α6FIRSTi，t+α7ILLIQi，t+α8PEi，t+α9BETAi，t+∑Ind+∑Year+εi，t] （模型1）

参考于忠泊等（2012）［35］、李常青等（2010）［39］的研究，控制了企业规模（SIZE）、资产负债率（LEV）、总资产收益率（ROA）、成长性（GROWTH）、第一大股东持股比例（FIRST）、股票流动性（ILLIQ）、市盈率（PE）以及风险系数（BETA），同时控制行业（Ind）和年度（Year）变量。

为进一步检验投资者信息解读是否在企业数字化信息披露与长期市场反应之间发挥中介作用，参考Baron和Kenny（1986）［40］、温忠麟和叶宝娟（2014）［41］的方法，在模型1的基础上，构建模型2进行检验：

[INTERi，t=β0+β1DIGi，t+β2SIZEi，t+β3LEVi，t+β4ROAi，t+β5FIRSTi，t+β6ILLIQi，t+β7VOLATIi，t+β8ANALYi，t+β9SERCHi，t+∑Ind+∑Year+μi，t]

（模型2）

模型2检验数字化信息披露对投资者信息解读的影响，系数[β1]衡量了自变量企业数字化信息披露对中介变量投资者信息解读的影响效应。本文考虑影响投资者信息解读的可能因素对控制变量进行了调整，补充了个股收益波动率（VOLATI）、分析师关注（ANALY）以及投资者信息搜索（SERCH）等变量。

[CARi，t=γ0+γ1DIGi，t+γ2INTERi，t+γ3SIZEi，t+γ4LEVi，t+γ5ROAi，t+γ6GROWTHi，t+γ7FIRSTi，t+γ8ILLIQi，t+γ9PEi，t+γ10BETAi，t+γ11VOLATIi，t+γ12ANALYi，t+γ13SERCHi，t+∑Ind+∑Year+σi，t] （模型3）

模型3在模型1的基础上，加入投资者互动变量，系数[γ2]表示在控制数字化信息披露后，投资者信息解读对市场反应的影响；系数[γ1]表示在控制投资者互动的影响后，企业数字化信息披露对市场反应的直接效应。此外，加入可能同时影响投资者信息解读与资本市场反应的相关变量。在所有回归模型中，均采用Cluster聚类稳健标准误调整的t统计量。具体变量定义见表1所列。

四、实证结果分析

（一）描述性统计

首先，我们对不同数字化信息披露水平的市场反应进行统计分析。将样本的数字化信息披露按行业和年度三分位数划分为高中低三组，分组计算在年报披露后的不同时间段内平均个股累计超额收益率并进行比较，如图1所示。随着窗口期的扩大，不同组别的累计超额收益率整体呈增长趋势，且从［0，30］的窗口期开始，CAR均大于零。这表明市场对企业数字化信息披露的反应是积极的，累计超额收益反映了企业数字化带来的价值增值，且在数字化信息披露后的一段时间内仍然可以获得超额收益，意味着披露数字化信息并没有被市场立即接收，而是随着时间逐渐表现出来。对于不同水平的信息披露，数字化信息披露水平较高的企业累计超额收益率大于中间组和较低组，中间组则大于较低组，表明数字化信息披露与累计超额收益率存在正向关系。

图1 不同数字化信息披露水平的市场反应

图1从直观上显示了企业数字化信息披露的市场反应，为进一步从统计上确认不同数字化信息披露水平的市场反应差异是否显著，本文按照行业、年度均值将样本分为数字化信息披露水平较低和较高两组，对两组在不同窗口期的市场反应差异进行检验，结果见表2所列。可以看出，除［0，60］的窗口期外，其他四个时间段内，数字化信息披露水平较低组和较高组的市场反应差异均在统计上显著。同时，较低组与较高组超额收益之差正负向显著的情况均存在，分析其影响因素可能是多方面的，前期数字化信息披露水平较高组的超额收益显著大于较低组，可能是因为数字化信息披露水平较高的企业本身为发展状况较好的企业，能够为企业数字化转型提供资源支持。此外，在相对较短的时间段内，市场表现仍然由企业的基本面主导，且在报告公布期间，上市公司数字化信息披露较充分，干扰事件较多。因此，为更加准确检验企业数字化信息披露的市场反应，需要基于回归模型进行分析。

本文对投资者信息解读的中介效应进行初步分析，分别在数字化信息披露水平较低组和较高组中，依据投资者信息解读的高低分组进行组间差异检验，结果见表3所列。在数字化信息披露水平较低和较高组中，投资者信息解读多数都存在显著差异，大部分系数在1%的水平上显著为负，投资者信息解读较高组的超额收益率大于较低组，表明了投资者信息解读对正向市场反应具有促进作用。

表4报告了变量的描述性统计结果。CAR均值为0.231，标准差为0.298，表明样本企业整体在长期内能够获取正的超额收益，企业间差异不大。企业数字化信息披露均值为1.268，标准差为1.325，不同企业间数字化信息披露水平差异较大。投资者信息解读均值为4.601，标准差为1.365，不同企业间投资者信息解读同样存在较大差异。企业数字化信息披露与投资者信息解读在样本间存在充分变异，为本文提供了较好的研究样本。其他控制变量整体分布在合理区间。

（二）基准回归结果

表5报告了企业数字化信息披露与长期市场反应以及投资者信息解读中介效应检验的回归结果。在列（1）中，企业数字化信息披露与长期市场反应的回归系数在5%的水平上显著为正，数字化信息披露与累计超额收益呈正相关关系，表明企业数字化信息披露水平越高，长期市场反应越积极，H1和H2得以验证。在列（2）中，企业数字化信息披露对投资者信息解读的回归系数在1%的水平上显著为正，表明企业的数字化信息披露促进了投资者对数字化信息的解读，在此基础上对投资者信息解读进行中介效应检验。在列（3）中引入投资者信息解读的中介变量后，企业数字化信息披露和投资者信息解读的系数分别在10%和1%的水平上显著为正，依次检验的结果均显著。中介效应的Sobel检验在1%的水平上显著，表明企业数字化信息披露通过投资者信息解读影响市场反应的中介效应成立，企业数字化信息披露的直接效应显著，在数字化信息披露与长期市场反应中，投资者信息解读发挥了部分中介效应，中介效应占比11.78%。回归结果支持了数字化信息披露经由投资者信息解读影响长期市场反应的假设，H3得以验证。

基于前文分析，企业数字化是一项投入大、期限长、涉及要素广的复杂工程，短期内数字化信息通常难以被市场解读，且作为定价主体，我国资本市场以中小投资者为主，更加关注短期收益，对于具有长期价值的企业活动，很难在短期内迅速反应。因此，本文对企业数字化信息披露的短期市场反应进行检验。参考已有研究［31-32］，本文选取年报披露后的［-1，1］、［0，2］、［0，3］作为市场反应的短窗口，对企业数字化信息披露与窗口期的超额收益进行回归，结果见表6所列。回归结果显示，两者不存在显著相关关系，企业数字化信息披露不能影响市场的短期表现，与前文的理论分析相符，进一步支持了H2。

（三）稳健性检验

1. 变量替换

（1）替换被解释变量。本文采用市场调整模型计算累计超额收益，以市场收益率作为股票的正常收益率，超额收益率为个股的实际收益率与市场收益率之差，同样以月为基础计算年超额收益，结果见表7所列。替换衡量方法后，模型1和模型3的回归结果与原结果保持一致。

（2）替换解释变量。考虑年报文本长度的差异，采用企业披露的数字化词汇数占年报总词汇数的比例衡量数字化信息披露水平，回归结果见表8列（1）—列（3），结论保持不变。

（3）替换中介变量。以投资者与上市公司互动平台中投资者提问及上市公司回复的字符长度衡量投资者信息解读，重新构建变量进行中介效应检验。结果见表8列（4）和列（5），模型2和模型3的回归结果保持稳健。

2. 内生性问题

（1）工具变量法。长期市场反应采用的是滞后期数据，因而能避免互为因果导致的内生性问题，但两者可能存在共同的影响因素，如拥有更多资源的企业可能披露的数字化信息更多，其本身的超额收益也较高。对于可能存在的遗漏变量导致的内生性问题，借鉴黄群慧等（2019）［42］、赵涛等（2020）［43］的研究，以企业所在城市1984年每百人固定电话数与上一年全国互联网上网人数的交乘项作为当期企业数字化信息披露水平的工具变量（1）。历史上电信基础设施会从技术水平和使用习惯等方面影响后续阶段互联网技术的应用，互联网的最初使用基于电话线拨号接入，固定电话普及率与互联网普及率存在相关关系，同时固定电话的普及对市场反应不产生直接作用，满足工具变量相关性和外生性要求。因此，对该工具变量的检验表明了其有效性。

表9报告了工具变量回归结果，可以看出，数字化信息披露回归系数仍显著为正，支持了主回归结果。同时，考虑投资者信息解读可能存在的内生性问题，借鉴Dippel等（2020）［44］的研究，利用该工具变量进行因果中介效应检验，检验结果也支持了中介效应的存在（2）。

（2）外生冲击。信息基础设施是数字化的保障，作为最重要的信息基础设施，宽带支撑着物联网、云计算等高新技术产业的发展，为企业的技术创新与数字化奠定了物质基础。2013年8月，国务院发布“宽带中国”战略实施方案，工业和信息化部、国家发展和改革委员会分别于2014年、2015年和2016年分三批遴选出120个示范城市。已有研究表明，“宽带中国”战略覆盖的城市信息基础设施更加完备，网络与数字平台建设更具优势，对当地企业的数字化转型具有促进作用［45］。基于此，以“宽带中国”试点地区的上市公司为实验组，以其他地区上市公司为控制组，构建多时点双重差分模型以考察企业数字化信息披露的影响。

具体地，若企业所在城市在第t期被列入“宽带中国”示范城市名单，则t期之后政策变量赋值为1，否则为0；若企业所在城市未被列入示范城市则始终为0。回归结果见表10所列。政策变量（BD）的系数估计值在5%的水平上显著为正，表明企业数字化信息披露对正向的长期市场反应的影响具有稳健性（3）。

注：倾向得分匹配后，在进行回归分析时剔除了未匹配成功的样本，因而总样本量减少

（3）其他缓解内生性的检验。已有研究表明，管理层对新兴技术的积极认知，构成了企业的动态能力，在信息技术广泛应用与数字经济建设的背景下，有助于企业在技术变革中的生存和发展，提升企业市场价值，而具有数字或信息技术背景的高管对企业数字化也具有促进作用［46］。因此，以企业是否设置了首席信息官（CIO）、首席技术官（CTO）以及首席数字官（CDO）构建管理层数字背景指标（DIG_B），作为控制变量加入原模型进行回归，结果见表11列（1）—列（3），结果保持稳健。

此外，考虑中介变量与结果变量可能存在互为因果的情况或存在同时影响中介变量投资者信息解读与结果变量市场反应的不可观测因素，从而产生估计偏误，本文构建中介变量滞后一期与被解释变量的回归模型，同时在模型3中也将中介变量滞后一期，结果见表11列（4）和列（5）。可以看出，滞后一期的投资者信息解读变量均显著为正，投资者信息解读是市场反应的影响因素。

3. 其他稳健性检验

（1）多维度控制变量。考虑信息技术在不同地区发展水平的差异对所在地企业数字化信息披露的影响，在原有控制变量的基础上，控制企业所在省份变量。同时，加入省份与年度、行业与年度固定效应的交乘项，分别控制省份层面随时间变化的不可观测因素（省份层面随时间变化的数字经济发展水平对企业数字化信息披露与市场反应关系的影响）以及行业层面逐年变化的不可观测因素的影响，结果见表12所列，回归结果保持稳健。

（2）PSM倾向得分匹配。对于可能存在的样本选择偏差问题，本文采用倾向得分匹配法。首先，按照样本数字化信息披露水平是否大于行业年度样本均值构建企业数字化信息披露虚拟变量。其次，通过Logit模型计算每个观测样本对应的倾向得分，其中被解释变量为企业数字化信息披露虚拟变量，解释变量为本研究使用的企业层面控制变量和行业变量。为了尽可能地消除样本选择偏差的影响，采用1∶1近邻匹配进行得分匹配。最后，利用匹配后的样本重新进行回归分析。回归结果见表13所列，结果具有稳健性。

（3）扩展样本期间。虽然2010—2019年的数据在数据量上已较为充足，但为了验证变量间影响的持续性以及增强结论的可靠性，本文将样本期间拓展至较近的2021年，以2010—2021年为样本期间进行回归，结果见表14所列。可以看出，企业数字化信息披露对长期市场反应的回归系数在5%的水平上显著为正，数字化信息披露对投资者信息解读的回归系数在1%的水平上显著为正，数字化信息披露和投资者信息解读对长期市场反应的回归系数分别在10%和1%的水平上显著为正，回归结果与原结果保持一致。

五、进一步分析

（一）披露信息的真实性

已有研究表明，在企业信息披露实践中，对于能够为企业带来正面反馈的信息，企业往往存在夸大披露的动机，而对于数字化信息披露可能存在同样情形。企业的数字化信息披露可能是企业基于实质性陈述的经济后果分析，也可能包含企业进行市值管理或响应相关政策和社会热点进行策略性炒作的成分，由此信息的真实性就存在差异。那么在真实性较高（正常披露）和真实性较低（夸大披露）两种情况下，市场反应是否相同，投资者的信息解读作用发挥是否存在差异，本文拟对此做进一步分析。

在强调圆式思维的汉语言文化中，管理层常会通过语言的表达方式、篇幅等夸大企业的信息披露。因此在正常披露与夸大披露之间较难有准确的界定，对此，借鉴赵璨等（2020）［47］的研究，以企业所在行业的信息披露水平以及企业自身的情况构建企业数字化信息披露水平的决定模型（模型4）。其中，被解释变量为数字化信息披露水平，解释变量包括：年度行业内其他企业数字化信息披露水平的中位数（DIG_med）、企业规模（SIZE）、资产负债率（LEV）、总资产收益率（ROA）、成长性（GROWTH）、第一大股东持股比例（FIRST）、两职合一（DUAL）、成立年限（AGE）、研发投入（REASH）。以披露数字化信息的企业为样本，通过模型回归估算出企业数字化信息的正常披露水平，模型的残差代表异常披露水平，残差大于0则为夸大披露，等于或小于0则不存在夸大披露，进而将样本分为存在夸大披露样本和不存在夸大披露样本。

[DIGi，t=α0+α1DIG_medi，t+α2SIZEi，t+α3LEVi，t+α4ROAi，t+α5GROWTHi，t+α6FIRSTi，t+α7AGEi，t+α8DUALi，t+α9REASHi，t+∑Ind+∑Year+εi，t] （模型4）

表15报告了分组回归结果，虽然在真实性较高和真实性较低的样本中，数字化信息披露均会产生正向的长期市场反应，且投资者信息解读的中介作用都显著，但在反应程度和中介效应大小上存在显著差异。从列（1）和列（4）可以看出，CAR的系数分别在1%和10%的水平上显著，组间系数差异性检验表明两者间差异显著，即真实性较低的数字化信息披露的累计超额收益更少，正向长期市场反应程度更小，进而也表明投资者能够识别企业数字化信息披露中的夸大成分。从列（3）和列（6）可以看出，真实性较高组的数字化信息披露和投资者信息解读系数分别为0.020和0.007，计算得到的中介效应占比5.218%，而真实性较低组的中介效应占比则为10.744%（计算方法同前文），即在有夸大的信息披露组中，投资者信息解读的中介效应远大于正常信息披露组。由此表明，当企业存在夸大的数字化信息披露时，投资者对信息的解读变得更重要，有效的信息解读能够使价格更好地反映真实的企业情况。

（二）投资者信息能力

投资者信息能力的差异影响着信息解读中介作用的发挥。已有研究表明，机构投资者在信息收集、专业知识、决策分析等方面具有优势，而相较于机构投资者，个人投资者信息来源较少、专业能力缺乏，且个人投资者决策往往表现出非理性特征。基于个人投资者与机构投资者之间信息能力的差异，本文根据上市公司的投资者结构进行分组回归，当机构投资者持股比例小于行业年度均值时为信息能力较低组，大于均值时为信息能力较高组。

表16报告了分组后对模型1、模型2和模型3的回归结果。可以看出，在信息能力较低组中，企业数字化信息披露以及投资者信息解读的回归系数仍然保持显著，而在信息能力较高组中，仅企业数字化信息披露与投资者信息解读的回归系数显著，企业数字化信息披露与长期市场反应关系不显著。由此表明，信息能力较低的个人投资者是投资者信息解读作用的主要受益对象，其对企业数字化信息的解读，在数字化信息披露与正向长期市场反应间发挥了中介作用。

（三）投资者信息需求

投资者的信息需求是互动平台等社交媒体发挥作用的条件，不确定性的存在是产生信息需求的主要原因。企业外部环境的不确定性表明缺少与企业生存发展环境相关的信息，由此增加了投资者的信息需求。经济政策不确定性是企业外部信息环境的重要组成部分，经济政策不确定性增加了投资者的信息需求，引发投资者更多的信息搜集行为。据此，本文采用经济政策不确定性来衡量投资者的信息需求，检验不同信息需求下投资者信息解读作用的差异。以Baker等（2016）［48］构建的经济政策不确定性指数为衡量标准，按照不确定性指数的年度均值进行分组，小于均值为信息需求较低组，大于均值为信息需求较高组，回归结果见表17所列。在信息需求较低组中，仅企业数字化信息披露与投资者信息解读存在显著相关关系，数字化信息披露与长期市场反应关系不显著。而信息需求较高组中的回归结果与主回归结果基本保持一致，当投资者信息需求较高时，投资者信息解读在数字化信息披露与正向长期市场反应间发挥了显著的中介作用。进而推测，在经济政策不确定性较低时，企业未来发展前景较为明朗，市场信息较充分，企业数字化信息的预期价值能够在短时间内反映市场价格，因而长期表现不明显。

六、研究结论与启示

我国《“十四五”数字经济发展规划》强调，加大对数字经济的资金支持力度，引导资本流向数字经济领域，需要深入认识以信息为基础的资本市场定价机制。本文以2010—2019年我国沪深A股上市公司数据为样本，基于信息披露后的市场反应，考察了企业数字化信息披露对资本市场定价的影响以及投资者信息解读的作用。研究结果表明，数字化信息披露水平的提高能够提升企业的市场估值，引发正向的市场反应，但该反应仅在长期显著，具有时间上的滞后性。投资者对数字化信息的解读在数字化信息披露与正向的长期市场反应间发挥了部分中介效应，该结论在经过一系列稳健性检验后保持不变。进一步从披露信息的真实性、投资者信息能力以及信息需求高低的角度分析得出，真实性较低的数字化信息披露正向长期市场反应程度更小，投资者信息解读的中介效应更加显著；信息能力较低的个人投资者以及在经济政策不确定性较高、投资者信息需求较高时，投资者信息解读的中介效应更加显著。

实践中，数字化转型已成为企业共识，在资本市场上，数字技术与实体经济深度融合后所展现出的竞争优势日益明显，本文的研究结论从企业数字化信息披露的角度为企业数字化的战略正确性提供了资本市场层面的佐证。首先，由于数字化信息披露的正向市场反应存在滞后性，企业数字化的价值体现需要时间，但即使存在夸大信息披露的情况，市场也能够进行差别定价。因此，企业实施数字化不能急于求成，应稳步推进，过程中要重视数字化信息披露，提高数字化信息披露水平与质量，同时加强与投资者的沟通，促进投资者对信息的解读，使投资者更好地理解数字化对企业价值的积极作用，从而借助资本市场为企业数字化发展提供支持。其次，从市场监管者的角度，应适应互联网、新媒体等新时代发展趋势，借助平台媒体，促进投资者与上市公司的直接沟通，提高投资者信息解读能力，提升市场定价效率。最后，提升资本市场对数据资产的估值定价能力，发挥资本市场对数据要素市场化的促进作用。目前，我国资本市场尚未形成标准化数据资产的估值定价体系，进一步完善数据资产估值依据与方法，有助于提高投资者对数字化企业估值的准确性与及时性，提高市场定价效率，促进资本要素与数据要素深度融合，更好地支持企业数字化发展。

注 释：

（1）数据来源于国家统计局《中国城市统计年鉴》，该年鉴从1985年开始出版。

（2）工具变量有效性检验中，Kleibergen-Paap rk LM统计量在1%的水平上显著（P=0.000），拒绝工具变量识别不足的原假设；Kleibergen-Paap rk Wald F统计量大于Stock-Yogo弱工具变量识别F检验在10%显著性水平上的临界值（F=25.518），拒绝弱工具变量的原假设；基于工具变量的中介效应检验中第一阶段F统计值为30.95，结果接近真实值，中介效应系数在5%的水平上显著。考虑工具变量与中介变量并非完全随机，该因果中介效应检验仍存在一定局限性。

（3）对该政策进行了平行趋势检验，通过当前年份与该个体的政策时点相比较，生成每一个体的相对时间值的虚拟变量，观察动态的政策效果。在处理前的3期，每个时期的虚拟变量的系数均与0无显著差异，说明满足平行趋势假设。此外，随机筛选“宽带中国”试点城市并随机产生开始试点时间，据此构造了时间—城市两个层面随机实验，重复500次，最后绘出伪核心解释变量系数的估计系数分布图，虚假的双重差分项的估计系数集中分布于0附近，表明在模型设定中并不存在严重的遗漏变量问题。限于篇幅未列示，留待备索。

参考文献：

［1］FERREIRA J J M，FERNANDES C I，FERREIRA F A F. To Be or Not to Be Digital，That Is the Question：Firm Innovation and Performance［J］. Journal of Business Research，2019，101：583-590.

［2］赵宸宇，王文春，李雪松.数字化转型如何影响企业全要素生产率［J］.财贸经济，2021，42（7）：114-129.

［3］陈剑，黄朔，刘运辉.从赋能到使能——数字化环境下的企业运营管理［J］.管理世界，2020，36（2）：117-128，222.

［4］权小锋，吴世农.投资者关注、盈余公告效应与管理层公告择机［J］.金融研究，2010（11）：90-107.

［5］叶康涛，曹丰，王化成.内部控制信息披露能够降低股价崩盘风险吗？［J］.金融研究，2015（2）：192-206.

［6］刘建秋，尹广英，吴静桦.企业社会责任报告语调与分析师预测：信号还是迎合？［J］.审计与经济研究，2022，37（3）：62-72.

［7］丁慧，吕长江，陈运佳.投资者信息能力：意见分歧与股价崩盘风险——来自社交媒体“上证e互动”的证据［J］.管理世界，2018，34（9）：161-171.

［8］孟庆斌，黄清华，张劲帆，等.上市公司与投资者的互联网沟通具有信息含量吗？——基于深交所“互动易”的研究［J］.经济学（季刊），2020，19（2）：637-662.

［9］蔡贵龙，张亚楠，徐悦，等.投资者—上市公司互动与资本市场资源配置效率——基于权益资本成本的经验证据［J］.管理世界，2022，38（8）：199-217.

［10］FAMA E F. Efficient Capital Markets：A Review of  Theory and Empirical Work［J］.The Journal of Finance，1970，25（2）：383-417.

［11］何帆，刘红霞.数字经济视角下实体企业数字化变革的业绩提升效应评估［J］.改革，2019（4）：137-148.

［12］陈中飞，江康奇，殷明美.数字化转型能缓解企业“融资贵”吗［J］.经济学动态，2022（8）：79-97.

［13］龚强，班铭媛，张一林.区块链、企业数字化与供应链金融创新［J］.管理世界，2021，37（2）：22-34，3.

［14］牛彪，于翔，苑泽明，等. 数据资产信息披露与审计师定价策略［J］. 当代财经，2024（2）：154-164.

［15］GOLDSTEIN I，SPATT C S，YE M. Big Data in Finance［J］.The Review of Financial Studies，2021，34（7）：3213-3225.

［16］祁怀锦，曹修琴，刘艳霞.数字经济对公司治理的影响——基于信息不对称和管理者非理性行为视角［J］.改革，2020（4）：50-64.

［17］余典范，王超，陈磊.政府补助、产业链协同与企业数字化［J］.经济管理，2022，44（5）：63-82.

［18］曾皓.税收激励促进了企业数字化转型吗？——基于前瞻性有效税率的经验证据［J］.现代财经（天津财经大学学报），2022，42（10）：38-55.

［19］孙书娜，孙谦.投资者关注和股市表现——基于雪球关注度的研究［J］.管理科学学报，2018，21（6）：60-71.

［20］程博.官方微博与非营利组织信息披露质量：自媒体真的有治理效应吗？［J］.现代财经（天津财经大学学报），2019，39（7）：52-67.

［21］DEIGHTON J，KORNFELD L. Interactivity's Unanticipated Consequences for Marketers and Marketing［J］. Journal of Interactive Marketing，2009，23（1）：4-10.

［22］谢康，夏正豪，肖静华.大数据成为现实生产要素的企业实现机制：产品创新视角［J］.中国工业经济，2020（5）：42-60.

［23］肖静华.企业跨体系数字化转型与管理适应性变革［J］.改革，2020（4）：37-49.

［24］焦勇.数字经济赋能制造业转型：从价值重塑到价值创造［J］.经济学家，2020（6）：87-94.

［25］李小晗，朱红军.投资者有限关注与信息解读［J］.金融研究，2011（8）：128-142.

［26］权小锋，吴世农.投资者注意力、应计误定价与盈余操纵［J］.会计研究，2012（6）：46-53，93.

［27］SANDBERG J， HOLMSTR?M J，LYYTINEN K. Digitization and Phase Transitions in Platform Organizing Logics：Evidence from the Process Automation Industry［J］.MIS Quarterly，2020，44（1）：129-153.

［28］刘淑春，闫津臣，张思雪，等.企业管理数字化变革能提升投入产出效率吗［J］.管理世界，2021，37（5）：170-190，13.

［29］ELLIOTT W B，GRANT S M，HOBSON J L，et al. Trader Participation in Disclosure：Implications of Interactions with Management［J］.Contemporary Accounting Research，2020，37（1）：68-100.

［30］郑建东，吕晓亮，吕斌，等.社交媒体平台信息交互与资本市场定价效率——基于股吧论坛亿级大数据的证据［J］.数量经济技术经济研究，2022，39（11）：91-112.

［31］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.

［32］CHEN G M，FIRTH M，GAO D N，et al. Is China's Securities Regulatory Agency a Toothless Tiger？ Evidence from Enforcement Actions［J］.Journal of Accounting and Public Policy，2005，24（6）：451-488.

［33］陈运森，邓祎璐，李哲.非处罚性监管具有信息含量吗？——基于问询函的证据［J］.金融研究，2018（4）：155-171.

［34］王化成，孙健，邓路，等.控制权转移中投资者过度乐观了吗？［J］.管理世界，2010（2）：38-45，186.

［35］于忠泊，田高良，张咏梅.媒体关注、制度环境与盈余信息市场反应——对市场压力假设的再检验［J］.会计研究，2012（9）：40-51，96-97.

［36］BALL R，BARTOV E. How Naive Is the Stock Market's Use of Earnings Information？［J］. Journal of Accounting and Economics，1996，21（3）：319-337.

［37］吴世农，吴超鹏.盈余信息度量、市场反应与投资者框架依赖偏差分析［J］.经济研究，2005（2）：54-62.

［38］谭松涛，阚铄，崔小勇.互联网沟通能够改善市场信息效率吗？——基于深交所“互动易”网络平台的研究［J］.金融研究，2016（3）：174-188.

［39］李常青，魏志华，吴世农.半强制分红政策的市场反应研究［J］.经济研究，2010，45（3）：144-155.

［40］BARON R M，KENNY D A. The Moderator-Mediator Variable Distinction in Social Psychological Research：Conceptual，Strategic，and Statistical Considerations［J］. Journal of Personality and Social Psychology，1986，51（6）：1173-1182.

［41］温忠麟，叶宝娟.中介效应分析：方法和模型发展［J］.心理科学进展，2014，22（5）：731-745.

［42］黄群慧，余泳泽，张松林.互联网发展与制造业生产率提升：内在机制与中国经验［J］.中国工业经济，2019（8）：5-23.

［43］赵涛，张智，梁上坤.数字经济、创业活跃度与高质量发展——来自中国城市的经验证据［J］.管理世界，2020，36（10）：65-76.

［44］DIPPEL C，FERRARA A，HEBLICH S. Causal Mediation Analysis in Instrumental-Variables Regressions［J］.The Stata Journal，2020，20（3）：613-626.

［45］邱洋冬.网络基础设施建设驱动属地企业数字化转型——基于“宽带中国”试点政策的准自然实验［J］.经济与管理，2022，36（4）：57-67.

［46］刘锡禄，陈志军，马鹏程.信息技术背景CEO与企业数字化转型［J］.中国软科学，2023（1）：134-144.

［47］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.

［48］BAKER S R，BLOOM N，DAVIS S J. Measuring Economic Policy Uncertainty［J］.The Quarterly Journal of Economics，2016，131（4）：1593-1636.

［责任编辑：余 芳］

［DOI］10.19629/j.cnki.34-1014/f.231128018