在传统经济学研究中，数据往往来自调查问卷、财务报表或宏观统计——它们结构化、可量化、便于回归。但这类数据有一个共同的局限：它们记录的是“发生了什么”，却很少告诉我们“当事人怎么想”。

企业的预期、担忧、战略权衡、对政策的真实反应——这些驱动经济行为的关键信息，长期以来游离于主流计量分析之外。

如今，这一切正在改变。Tarek等七位学者在《Journal of Economic Perspectives》（JEP）2025年夏季刊发表长篇综述《Text as Data in Economic Analysis.》，系统展示了如何将非结构化的企业文本——尤其是财报电话会议记录——转化为可量化、可比较、可回归的经济指标。这不仅是数据来源的拓展，更是一场方法论意义上的“认知升维”。

一、为什么是财报电话会议？

财报电话会议（earnings conference calls）每季度举行一次，由上市公司管理层向分析师和投资者解读业绩、回应质疑、展望未来。与传统财务报表相比，它有四个不可替代的优势：

实时性：事件发生后数小时内即可获取文本，而非数月滞后的会计数据。

可比性：全球近90个国家、1.25万家公司用英语或提供英译，可直接跨国比较。

真实性：美国SEC强制要求公开披露，虚假陈述面临法律责任。分析师现场追问，管理层难以“空谈”——说出来的话有真实成本。

聚焦性：会议通常不超过一小时，讨论的话题必然是管理层认为最重要的事。

正是这些制度特征，让财报电话会议区别于普通的“廉价空谈”（cheap talk），成为窥探企业真实焦虑与判断的绝佳窗口。

二、核心测量：暴露、风险与情绪

1. 话题暴露

一个简单但强大的洞见：人们花多少时间谈论某件事，就说明它有多重要。在财报电话会中，计算某话题相关句子占总句数的比例，即可量化企业对该话题的“暴露程度”。

例如，2022年俄乌战争爆发后，意大利制鞋企业Geox在数小时内召开的电话会中，大量讨论供应链、制裁、银行结算等。通过统计“Russia”“Ukraine”“sanction”等关键词句占比，便能精确测量不同企业对该冲突的暴露差异。

2. 风险

测量“整体风险”：构建涵盖“risk”“uncertain”“variable”“chance”等风险同义词的词典，计算每场电话会中提及任何风险词的句子占比。文中显示：2008年金融危机时，风险讨论从1.6%跃升至2.2%；新冠疫情期间达到2.8%。这一指标与VIX指数高度相关，但更可分解。

测量“特定话题风险”：同时提及风险词和特定话题（如“Brexit”）的句子占比。文中展现了2016年公投后、2018年脱欧协议争议、2019年无协议风险等关键节点的Brexit风险脉冲。

3. 情绪

使用Loughran & McDonald（2011）金融文本情绪词典，判断句子正面（good/strong/great）或负面（loss/decline/difficult）。将某话题的正面句子数减去负面句子数，再标准化，得到“话题情绪”。

这种测量方法揭示了惊人的异质性：AI相关讨论的净情绪高达+32%（42%正面 vs 10%负面），而新冠、脱欧、俄乌战争的相关讨论情绪均为负。但AI情绪在企业间极度分化——Alphabet、NVIDIA极度正面；环球音乐、新闻集团极度负面（担忧版权）。同样，新冠疫情期间“录像带租赁”行业预期正面，而“人寿保险”行业预期负面。

三、词典构建：三条路径

研究者需将文本中的句子分类为“是否提及某话题”。有三种主流方法：

关键词法：适合定义清晰、窄口径的事件，如“Brexit”“Covid-19”。从人工标注句子出发，迭代筛选高频且低误报的关键词。

训练库法：适合宽泛话题（如“政治风险”）。选取两本代表性教材（如政治学 vs 会计学），提取二元词组（bigrams），用TF-IDF赋权。能捕捉更微妙、间接的表达。

机器学习/大语言模型：用模型建议候选词，研究者人工核验误报率；或完全交予LLM判断。但需警惕后见之明偏误——LLM可能将“福岛”自动关联核灾，即便文本写于灾前。

四、三大应用：重新定义实证研究

1. 应用一：风险分解——哪个风险最重要？

通过计算“某话题风险句子数 / 总风险句子数”，可进行风险的基数比较。文中显示：2018年三季度，贸易战风险占所有风险讨论的0.98%；2020年二季度，新冠风险飙升至9.88%；后疫情时代，通胀和供应链风险主导。这种分解让政策制定者一目了然：此时此刻，企业最怕什么。

2. 应用二：区分“坏消息”与“不确定性”

企业投资下降，是因为预期未来现金流恶化（坏消息），还是因为未来路径不明朗（不确定性）？两者常并存，难以分离。

借助“AI情绪”和“AI风险”两个指标，可巧妙拆解：ChatGPT冲击下，教育科技公司Chegg情绪为强烈负面，但风险中等——主要是坏消息。而Spotify强调未来知识产权立法的不确定性，表现为高风险、中性格局。文中研究结果表明：总体风险越高，投资越低；但AI正面情绪显著促进投资，而AI风险则抑制投资。对脱欧而言，2019年前风险主导投资下降；2020年脱欧落地后，风险不再显著，负面情绪成为主导。

3. 应用三：跨国风险传导

利用45个国家的训练库，测量每个国家企业讨论“英国风险”和“美国风险”的程度。文中呈现两个经典案例：

脱欧冲击（2016年）：中位数国家英国风险讨论上升31%，且事前暴露越高的国家（如爱尔兰）上升越多，脱欧冲击主要通过既有经济渠道传导。

全球金融危机（2008年）：美国风险讨论普遍大幅上升（全球影响2.27），但事前暴露的预测力很弱，危机产生了超越传统经济联系的系统性恐慌。

这两种截然不同的传导模式，仅靠传统数据难以刻画。

五、文本来源的拓展：专利与招聘信息

财报电话会之外，专利文本和在线招聘信息日益成为创新研究的新矿藏。

专利文本：Kelly et al.（2021）通过比较专利语言与前后专利的相似度，识别“突破性专利”。Kalyani（2023）统计专利中首次出现的新技术短语数量，区分“创造性专利”（强关联生产率增长）与“衍生专利”。

招聘信息：Hassan, Kalyani & Restrepo（2025）首先从1976-2014年专利文本中识别出1,286项新技术（如“单克隆抗体”“移动设备”）及其特征短语，然后到2010-2019年的在线招聘信息中搜索这些短语。结果发现：一项技术的“先驱地区”（早期专利集中地）在后来的AI相关就业中占据巨大且持久的领先优势。

六、注意事项与未来展望

研究者在使用文本数据时需警惕三个常见陷阱：

预处理的选择：对财报电话会文本，不建议激进地词干提取、词形还原或删除标点。保留原始文本，便于随时回溯阅读，验证测量波动的原因。

策略性沟通：管理层可能在业绩差时夸大外部风险。可通过控制盈利惊喜和会前股票收益、分析语言模式或声音特征进行稳健性检验。

测量误差：文本指标在“企业-季度”层面噪声较大，但聚合到行业或国家层面后信噪比显著提升。Hassan et al.（2019）用财报电话会与10-K文件两种来源互作工具变量，发现测量误差程度与生产率等传统指标相当（信噪比约1:1）。

文献引用

Hassan, Tarek A., Stephan Hollander, Aakash Kalyani, Laurence van Lent, Markus Schwedeler, and Ahmed Tahoun. 2025. "Text as Data in Economic Analysis." Journal of Economic Perspectives 39 (3): 193–220.