运用多维文本分析方法评估改革后风险披露质量的变化

# 评估改革后风险披露质量变化：一种多维文本分析方法
来源：https://arxiv.org/html/2606.26522
###### 摘要

尽管企业叙述性披露为资本市场提供了关键信息，但全面评估其随时间推移发生的质量变化仍然具有挑战性。叙述性文本本质上是多维的，这意味着一个文本维度的改善往往伴随着其他维度的变化。为了捕捉这些潜在的动态，我们提出了一种纵向文本分析方法，该方法结合了日语 NLP 指标提取、配对检验、移位函数分析和指标间相关性分析。我们的框架通过引入跨部分相关性指标来扩展先前的指标集，以衡量风险披露与管理策略之间的主题对齐程度。运用此方法评估日本 2019 年披露改革，我们分析了 10 年期间（FY2015–FY2024）19,770 个公司-年度观测值。联合分析揭示了传统单一指标方法常常掩盖的披露模式中的复杂变化。具体而言，我们发现虽然披露量大幅增加，但可读性却随之下降。此外，尽管整体信息结构有所改善，但具体描述质量停滞不前，并且不同市场板块之间的适应程度存在差异。

## I. 引言

企业叙述性披露，如风险描述和管理层讨论，构成了资本市场参与者的主要信息来源。虽然评估此类长篇文本的质量至关重要，但孤立地分析文本维度可能会掩盖重要的动态。例如，披露量的增加可能看起来是一种改善，但可能伴随着可读性的下降或句子层面持续存在的公式化描述。捕捉这些多方面的变化需要同时评估多个文本维度。

尽管先前的研究通过开发多维指标系统取得了进展，但它们通常独立分析每个指标，并且主要关注平均效应。这种方法在很大程度上忽略了企业之间潜在的指标间不对称性和分布异质性。此外，现有框架侧重于单个叙述部分内部的属性，往往忽略了近年来披露改革日益强调的不同部分之间的主题对齐。

为了解决这些局限性，我们提出了一种纵向文本分析方法，该方法结合了六个互补指标：数量、具体性、可读性、模板化、粘性和跨部分相关性指标。这个相关性指标专门捕捉风险披露与更广泛管理策略之间的主题对齐程度。我们使用日语 NLP 工具（GiNZA [15]）提取这些指标，并将其与三个统计组件（配对 t 检验、移位函数分析 [3, 18] 和指标间相关性分析）集成，以统一的方式检验均值水平变化、分布异质性和指标间关系。

我们通过对日本 2019 年年度证券报告监管改革的实证应用来阐述这种方法，分析了 1,977 家上市公司在 10 年期间（FY2015–FY2024）的 19,770 个公司-年度观测值。在金融厅实施全面改革 [7, 6] 要求提供具体且与战略一致的风险描述超过五年后，企业披露实践实际变化的性质仍存在争议。我们的分析揭示了三种不同的动态：数量-可读性权衡、结构-描述性不对称，以及统一监管体制下的市场板块差异。这些发现表明我们的综合方法如何能够检测到传统方法难以观察到的模式。

## II. 相关工作

在本节中，我们回顾了先前关于企业叙述性披露的定量研究，概述了日本 2019 年监管改革的背景，并指出现有文献中的空白。

### II-A. 叙述性披露的量化

先前关于企业叙述性披露的定量研究主要集中在美国背景下。Li [13] 将模糊指数应用于 10-K 文件，并表明可读性较低的年度报告与较低且持续性较差的收益相关，从而将可读性确立为披露质量的一个可衡量且具有经济意义的维度。Loughran 和 McDonald [14] 构建了一个金融特定的情感词典，并证明叙述性披露的语气与市场反应显著相关。具体针对风险披露，Campbell 等人 [1] 表明强制性风险因素披露与企业与投资者之间的信息不对称性降低有关。此外，Hope 等人 [8] 证明，具体描述（以针对公司特定情况的命名实体比例为指标）与较低的市场不确定性相关，这凸显了超越单纯数量的质量重要性。

在这些单一维度研究的基础上，Dyer 等人 [4] 开发了一个全面的多维指标系统，涵盖长度、模板化、具体性、冗余度和粘性。将该系统应用于美国 10-K 文件的长期分析，他们揭示了虽然披露量逐年增长，但内容通过逐年结转变得越来越模板化，同时伴随具体性和可读性的下降。他们的多维框架为本研究使用的指标集提供了直接的概念基础。在日本背景下，Ito 等人 [9] 计算了 2004 年至 2018 年 MD&A 和风险信息的多维指标（包括可读性、具体性、模板化和粘性），为日本披露分析建立了基线。

然而，尽管这些研究使用了多个指标，但它们通常独立报告每个指标并侧重于均值水平的比较。因此，指标之间的相互作用和权衡以及企业反应的分布异质性在很大程度上仍未得到探索。此外，现有的指标集侧重于单个叙述部分内部的属性，并未捕捉到跨部分的主题对齐，而这是近年披露改革日益强调的一个属性。为了解决分布变化，移位函数分析 [3] 是一种非参数方法，用于在分位数水平上比较分布，提供了一种稳健的解决方案。尽管在心理学和神经科学 [18] 中被广泛应用，但在企业披露研究中使用有限。

除了企业层面的特征和分析方法之外，市场上市板块等制度因素在塑造披露行为中也起着至关重要的作用。例如，Miihkinen [16] 检查了芬兰上市公司，发现在大市场上市与更高水平的风险披露相关。这一发现突显了市场特征显著影响企业披露实践，推动了我们在日本监管管辖区内的跨板块分析。

### II-B. 日本 2019 年改革的实证研究

在 2019 年之前，日本的风险披露因内容泛泛、逐年结转且对变化的商业环境反应迟钝，以及与管理策略缺乏一致性而受到广泛批评 [5]。为了解决这些问题，金融厅于 2019 年修改了披露条例，要求企业通过基于原则的方法提供与业务战略一致的具体、通俗易懂的风险描述。已有几项研究直接检验了这些改革后叙述性披露的变化。Nakano 和 Yuasa [17] 分析了改革前后 MD&A 部分的字符数和粘性，表明虽然实施第一年字符数增加，但粘性也发生了显著变化。然而，这种改革后验证通常侧重于监管转变的直接影响，而中期至长期趋势在很大程度上仍未得到探索。

### II-C. 研究空白与贡献

尽管上述研究积累了大量成果，但文献中仍存在若干关键空白。最值得注意的是，2019 年改革后的中期至长期趋势很少受到关注，并且多个文本维度之间的潜在动态尚未得到系统检验。此外，企业反应的分布异质性在一个统一的分析框架内仍未得到充分解决。

为填补这些空白，本研究做出三项主要贡献。首先，我们通过引入跨部分相关性指标来扩展现有指标集，以衡量风险披露与管理策略叙述之间的主题对齐程度。虽然现有的多维框架 [4, 9] 独立分析每个叙述部分，且不衡量不同部分之间的主题对齐，但我们提出的指标明确捕捉了日本 2019 年改革所追求的跨部分整合。其次，我们将多维指标框架适配于日语语料库。这包括实施适合缺乏明确词边界的语言的基于字符的数量测量，应用日语特定的可读性公式 [11]，以及扩展 Hope 等人 [8] 的 NER 分类以适用于风险语境。第三，我们将基于 NLP 的指标提取与一个全面的统计工具包（包括配对检验、移位函数分析和指标间相关性分析）相结合。这种统一的方法使我们能够同时检验均值水平变化、分布异质性和指标间关系。我们通过对 2019 年日本披露改革的长期实证应用来证明这些贡献的有效性。

## III. 方法论

本节概述我们提出的分析框架。我们详细说明了从日语文本中提取六个多维指标的过程，并描述了用于系统评估质量变化的统计工具包。

### III-A. 方法概述

我们的分析框架集成了两个主要模块。首先，一个多维指标提取模块量化叙述性文本的六个互补维度。其次，一个统计分析模块结合均值水平检验、分布比较和指标间相关性分析，以系统地识别披露质量的变化。通过联合分析这些指标，我们可以捕捉到单一指标评估常常掩盖的披露质量中的细微动态。

### III-B. 指标定义与测量

我们通过下面详述的六个指标来操作化披露质量。所有形态分析和命名实体识别均使用 GiNZA [15] 进行，这是一个基于 Transformer 架构（ja-ginza-electra）的日语 NLP 库，提供从大规模语料库学习到的上下文相关表示。

#### III-B1 数量

我们使用风险信息部分的总字符数来衡量披露数量。由于日语文本缺乏明确的词边界，字符数比词近似值提供了更客观、更稳健的文本数量代理。为了归一化分布并减轻极端异常值的影响，我们对原始字符数（\(N_{char}\)）应用对数变换（排除空白）：

\[
\text{Volume} = \ln(1 + N_{char}) \tag{1}
\]

#### III-B2 具体性

基于 Hope 等人 [8] 的工作，我们将具体性操作化为叙述中具体命名实体的密度。使用 GiNZA 的命名实体识别器，我们提取四类与风险相关的实体：组织实体（例如，公司、政府及其关键人员如创始人和高管）、地点和设施、数量和时间表达，以及商业环境实体（例如，产品、法律、自然灾害）。¹ 具体性计算为这些保留的命名实体标记数与内容词（名词、动词、形容词和副词）总数之比：

\[
\text{Specificity} = \frac{\text{Count(Named Entity Tokens)}}{\text{Count(Content Words)}} \tag{2}
\]

分数越高表明从泛泛的抽象转向具体的、基于证据的描述。

脚注：¹ 命名实体识别使用 ja-ginza-electra 进行，该模型基于扩展命名实体层级和 OntoNotes 5.0 分类支持细粒度的多类实体提取。此四类别选择扩展了 Hope 等人 [8] 的操作化，将人物归入组织类别并增加了商业环境实体。

#### III-B3 可读性

为了评估语言复杂性，我们采用 Lee [11] 开发的日语可读性公式，该公式专门针对日语理解校准：

\[
\begin{split}
\text{Readability} &= 11.724 - 0.056 \times \text{MeanSentLen} \\
& \quad - 0.126 \times \text{SinoRatio} - 0.042 \times \text{NativeRatio} \\
& \quad - 0.145 \times \text{VerbRatio} - 0.044 \times \text{ParticleRatio}
\end{split} \tag{3}
\]

直观地说，该公式捕捉了句子较长、汉日词汇或动词比例较高的文本更难理解这一现象。汉日词汇和日语原生词汇使用日语学习词典支持小组维护的日语教育词汇表² 识别。分数越高表示可读性越好。

脚注：² http://jhlee.sakura.ne.jp/JEV/

#### III-B4 模板化

遵循 Ito 等人 [9] 的做法，我们通过识别跨企业共享的高度标准化短语来衡量模板化语言的普遍程度。具体来说，我们将“模板化短语”定义为在给定财政年度内，出现在至少 30% 的企业披露中的 8 词序列。³ 这些阈值遵循 Ito 等人 [9] 应用于日语披露的 8 元组、30% 阈值。

脚注：³ 这些阈值遵循 Ito 等人 [9] 应用于日语披露的 8 元组、30% 阈值。