引言

在信息传递过程中，证券价格作为关键的信息载体，通过价格发现功能整合了市场参与者的异质信念。传统研究范式主要关注信息从企业向市场的单向流动，而近年来的理论发展开始强调信息反向传递的重要性，即市场信息向管理层的反馈机制。特别地，Bond等人提出的“启示性价格效率（RPE）”概念，将价格向管理者传递新信息的程度量化，这与反映所有已知信息的“预测价格效率”形成重要区分。由于管理层已经掌握部分信息，价格对企业决策的实际影响主要通过RPE渠道实现。当资本市场有效聚合分散的投资者信息时，管理者可以通过解读市场信号来优化其投资决策，这一过程被定义为管理层学习效应。

中国资本市场特有的分行业信息披露制度为研究上述机制提供了理想场景。该制度自2013年起由沪深交易所分阶段实施，要求上市公司按所属行业披露特定关键经营指标。这一外生政策冲击使得我们能够识别信息披露监管与管理层学习之间的因果关系。目前国内关于投资股价敏感性的研究相对有限，且普遍面临内生性问题的挑战，而分行业信息披露在资本市场层面的经济后果也尚未得到充分探讨。

基于此，本文利用2011-2023年A股上市公司数据，将分行业信息披露的实施作为准自然实验，建立多时点双重差分模型检验以下核心问题：第一，分行业信息披露是否显著提升了企业投资对股价的敏感性；第二，股价信息含量是否在政策影响企业投资的过程中发挥中介作用。本文的研究贡献主要体现在三个方面：首先，从理论层面拓展了对“认知杠杆效应”的理解，揭示了当披露框架与行业特质匹配时，如何通过提升价格信息含量来增强管理层的信号提取能力；其次，本文系统识别了政策最有效的管理层特征组合并在机制分析中明确了股价信息含量的中介作用，深化了对信息披露制度效果依赖市场微观环境的认识。

一、文献综述与假设提出

（一）分行业信息披露与投资股价敏感性

信息披露是缓解信息不对称的基本机制，已成为公司财务研究的焦点。基于有效市场假说和信息不对称理论，特定行业的经营信息披露提高了透明度和可比性，从而直接提高了股票价格的信息含量，增加了知情交易的可能性。从公司决策视角来看，战略投资决策本质上是管理层整合内部信息与市场信号的复杂过程。根据管理层学习理论，股票价格作为聚合分散信息的有效机制，蕴含了大量投资者关于行业前景、竞争格局与公司价值的私有信息。这些信息通过交易行为融入股价波动，为管理层识别投资机会、评估战略价值提供了独特视角。值得注意的是，D. Easley等人构建的理论模型区分了知情交易者与噪音交易者的行为差异，指出前者通过基于私有信息的套利行为，显著提升了价格的信息效率。这一机制在Foucault and Frésard对交叉上市公司的研究中得到验证：由于跨市场交易吸引了更多知情交易者参与，管理层对价格信号的依赖程度显著提升。

然而，信息披露与价格效率之间的关系并非简单的线性递增。Bird等人基于美国EDGAR系统分阶段实施的自然实验，揭示了重要的理论反转：当企业内部信息可及性显著提升时，反而可能抑制外部投资者生产增量信息的动机，产生“信息挤出”效应，最终导致投资股价敏感性的下降。这一发现提示着，分行业信息披露对管理层学习的影响可能存在复杂的传导路径与边界条件。

基于此，本文提出如下假设：

H1a：分行业信息披露会促进管理层价格学习。

H1b：分行业信息披露会抑制管理层价格学习。

（二）分行业信息披露，股价信息含量与投资股价敏感性

股价信息含量作为连接信息披露与公司投资行为的关键桥梁，其传导机制值得深入探讨。近年来，学界逐渐从“预测价格效率”转向“启示性价格效率”的研究范式，更加关注价格中蕴含的、管理层尚未掌握的私有信息成分。根据Bond等的理论框架，RPE的提高直接增强了管理层从市场获取增量信息的能力，进而通过两个相互强化的渠道影响投资决策：

首先，分行业信息披露通过降低信息获取成本，激励知情交易者基于行业特质信息进行套利。这一过程显著提升了股价关于行业前景与竞争动态的信息含量，使价格信号成为管理层识别投资机会的有效工具。其次，高信息含量的价格信号反过来强化了管理层的学习动机。当股价能够更准确地反映行业基本面时，管理者更有激励通过解读价格变动来优化资源配置决策，形成“信息质量提升—学习动机增强—投资效率改善”的良性循环。

这一理论机制得到了多维度实证证据的支持。在市场流动性层面，高流动性市场通过降低交易成本，加速了私有信息融入价格的过程，为管理层学习创造了更有利的条件。在公司决策层面，交叉上市公司管理层对价格信号依赖度的提升，直接源于知情交易者群体扩大带来的价格信息含量改善。在并购领域，高信息含量价格显著降低了公告期的异常收益波动，反映出市场与管理层之间更高效的信息协同。

基于上述理论推演，本文提出机制检验假设：

H2：分行业信息披露能够通过提高知情交易概率从而增加投资股价敏感性。

二、研究设计

（一）数据来源

本研究构建2011-2023年A股上市企业的面板数据，评估分行业信息披露对企业投资价格敏感性的影响。分行业信息披露实施的信息来源于上海和深圳证券交易所的官方网站，公司层面的财务数据来源于中国经济金融研究数据库（CSMAR）。根据顶尖金融期刊中的数据处理方式，实施以下样本选择标准：首先，排除在样本期内经历特殊处理（ST和*ST）的公司；第二，剔除上市不到一年的公司；第三，排除金融机构；最后，排除缺少关键财务数据的观察值，并在1%的水平上对所有连续变量进行缩尾。为了在提高数据稳定性的同时解决潜在的多重共线性和异方差问题，我们对总资产等数据进行对数处理。这些严格的数据处理程序产生了高质量的样本，为后续的实证分析提供了坚实的基础。

（二）变量选取

资本支出（CAPX）是本研究中的主要因变量。遵循公司投资文献中的既定方法，将CAPX计算为固定资产、无形资产和其他长期资产的现金流出与年初总资产的比率，如表1所示。为了确保稳健性，本文采用CAPXRD，计算为资本支出加上R&D费用与年初固定资产的比率，替代被解释变量进行回归。

参考Bird等人，本文将分行业信息披露与托宾Q的交乘项（DID×Q）作为核心自变量。本文通过人工收集沪深两市分行业信息披露的实施时间，参照上市公司的主要经营活动定义DID指标。

本文考察了信息披露政策影响投资价格敏感性的传导渠道：股价信息含量。参考D. Easley等人的研究，使用知情交易概率（PIN）来衡量股价信息含量，探究知情交易概率的提升是否能够增强分行业信息披露对投资股价敏感性的影响。表1提供了详细的变量定义。本文还控制了年份与公司固定效应，并在公司层面进行了标准误聚类。

变量名称	变量代码	变量定义
被解释变量
资本支出	CAPX	期初资本支出/总资产；资本支出=固定资产+无形资产+其他长期资产
研发支出	CAPXRD	（资本支出+研发费用）/期初固定资产
核心解释变量
分行业信息披露	DID	参考Bird等人研究，DID是treat和post相乘得到的综合指标。Treat用来表示公司所在行业在研究期间是否有信息披露指引。当值为1时，表示存在相关指南；值为0表示没有这样的规定。Post反映不同行业监管政策的正式实施时间，实施年度后的样本期取值为1，其他任何时期取值为0。
托宾Q	Q	公司市场价值/总资产
机制变量
知情交易概率	VPIN	参考David Easley等使用BVC算法估计VPIN值
控制变量
现金流量比率	CFO	经营活动产生的现金流量净额/总资产
公司规模	Asset	Ln(1+总资产)
盈利能力	Roa	净利润/平均总资产；平均总资产=(期末总资产+上年末总资产)/2
资产负债率	Lev	总负债/总资产
营收比率	Sales	营业收入/总资产

（三）模型设计

本文使用多时点的双重差分方法来评估分行业信息披露的实施如何影响投资价格敏感性。这一设计利用了上海和深圳证券交易所在2013年至2021年间逐步实施分行业信息披露的经验。参考Yang等和Bird等的研究，本文使用公司层面的面板数据，采用双向固定效应模型做基准回归。如公式（1）所示：

（1）

其中，代表资本支出，衡量为公司在年的资本支出与其在年的总资产的比率。参考Bird等，DID是通过乘以treat和post获得的综合指标，表示托宾Q，包含企业层级的控制变量。为了说明影响投资决策的时间不变的公司特定因素，包括公司固定效应与年度固定效应。此外，本文纳入，表示公司在年的经营现金流，定义为非常项目前的收益加上按总资产比例计算的折旧和摊销，以及加入它与的交乘项，作为对外部融资摩擦或依赖非价格信号的变化的控制变量。

三、实证结果

（一）基准回归

本文全样本的回归结果如表2所示。参考于丽峰等、Bird等人的研究，本文用交乘项来检验分行业信息披露对公司投资股价敏感性的影响，控制了年份和公司固定效应，标准误在公司层面进行聚类处理。列（1）展示了没有控制变量的结果；列（2）展示了加入控制变量后的结果。表4-1的回归结果显示，不论是否加入一系列控制变量，交乘项的系数均为正，并在5%的显著性水平上显著，本文的假设H1a得到验证。分行业信息披露显著增强了管理层从股价中学习信息的效果，进而提升了公司的投资股价敏感性。这一发现与Jayaraman与Wu的结果一致。

	(1)	(2)
	CAPX	CAPX
DID×Q	0.00308**	0.00284**
	(0.00142)	(0.00119)
DID	-0.00753	-0.00798
	(0.345)	(0.299)
Q	0.00347***	0.00212**
	(0.00130)	(0.000901)
Constant	0.0483***	0.693***
	(0.00276)	(0.101)
Controls	No	Yes
Year FE	Yes
Firm FE	Yes
N	31956	31955
Adj.R2	0.348	0.368

注：***、**和*分别表示在1%、5%和10%水平上显著的结果。

（二）平行趋势检验

本文使用多期双重差分法，使用该方法的前提是处理组和控制组在政策实施前满足相同的趋势。为了保证本文结果的有效性和可靠性，本文需要证明在分行业信息披露实施前，处理组和控制组的投资股价敏感性有相同的变化趋势，即满足平行趋势假设，适用多期双重差分法。参考现有文献的研究方法，本文构建动态效应模型（2），即在模型（1）中加入分行业信息披露（）实施前5年、当期以及后5年的虚拟变量以及这11个变量分别与托宾Q（）的交乘项，研究样本在分行业信息披露首次颁布的前后年份中投资股价敏感性的变化。

图1为本文的平行趋势检验结果，以政策实施前一期作为基期，平行趋势图展示了被解释变量为资本支出（）的模型在聚类标准误下的估计系数以及90%置信区间上的显著性。

（三）倾向得分匹配-双重差分（PSM-DID）估计

为缓解控制组与处理组之间潜在的系统性差异，本文采用PSM-DID方法来缓解这一问题。首先，本文采用PSM法为处理组匹配更加合适的控制组样本，具体以式（1）中的所有控制变量作为协变量，预测公司所处行业需要实施分行业信息披露准则的概率（Logit估计），同时使用1：1近邻匹配、卡尺匹配为处理组样本匹配控制组。其次，平衡性检验显示协变量的标准差偏差均小于10%，多数变量的t检验结果无法拒绝处理组与控制组之间无系统性差异的原假设。表3展示1：1近邻匹配的平衡性检验结果。各变量的标准化偏差如图2所示，所有变量的标准化偏差在匹配后缩小，证明匹配有效。

变量	样本	均值		标准误（%）	标准误绝对值减少（%）	T检验
		处理组	控制组			T值	P值
CFO	未匹配	0.051	0.044	9.7	96.3	8.68	0.000
	匹配	0.051	0.051	-0.4		-0.33	0.742
Asset	未匹配	22.390	22.111	21.6	96.5	19.40	0.000
	匹配	22.390	22.399	-0.8		-0.67	0.501
Roa	未匹配	0.040	0.036	4.4	89.1	3.95	0.000
	匹配	0.040	0.040	-0.5		-0.46	0.643
Lev	未匹配	0.429	0.406	11.3	92.0	10.17	0.000
	匹配	0.429	0.431	-0.9		-0.83	0.407
Sales	未匹配	0.614	0.653	-6.8	68.6	-6.11	0.000
	匹配	0.614	0.626	-2.1		-2.09	0.037

最后，基于新构建的研究样本重新进行式（1）的回归，结果如表4所示。列1为使用1：1近邻匹配法的估计结果，列2为使用0.01卡尺法的估计结果。回归结果显示，DID×Q的系数均在5%的水平上显著为正，表明分行业信息披露改革促进了基于揭示价格效率的管理层学习效应，与主回归结果相同，证实了本文研究结论的可靠性。

	(1)	(2)
	近邻匹配	卡尺匹配
DID×Q	0.00240**	0.00240**
	(2.32)	(2.32)
DID	0.0308	0.0308
	(0.09)	(0.09)
Q	0.000993	0.000993
	(1.53)	(1.53)
Constant	0.572***	0.572***
	(3.70)	(3.70)
Controls	Yes
Year FE	Yes
Firm FE	Yes
N	17551	17550
Adj.R2	0.280	0.280

注：***、**和*分别表示在1%、5%和10%水平上显著的结果。

（四）稳健性检验

本文使用CAPXRD（年初总资本支出和R&D费用与固定资产的比值）来替换被解释变量。表5的列1展示了替换后的被解释变量的回归结果，核心关注的DID×Q的回归系数均显著为正。

高维固定效应有助于控制影响其他维度财务绩效的因素。参考Zhang与Yang的方法，在保留企业和年度固定效应的同时，纳入了和行业×年度、城市×年度、省份×年度的固定效应。结果列于表5列2至列4。在不同的固定效应规范中，行业特定信息披露对投资价格敏感性的持续积极和显著的影响证明了基准研究结果的稳健性。

	(1)	(2)	(3)	(4)
	CAPXRD	CAPX	CAPX	CAPX
DID×Q	0.135**	0.00329***	0.00350***	0.00350***
	(2.12)	(2.62)	(2.60)	(2.60)
DID	-0.414*	-0.160	-0.209	-0.209
	(-1.71)	(-0.50)	(-0.61)	(-0.61)
Q	-0.139**	0.00177**	0.00211**	0.00211**
	(-2.12)	(2.02)	(2.41)	(2.41)
Constant	41.57	0.669***	0.664***	0.664***
	(1.58)	(8.76)	(9.72)	(9.72)
Controls	Yes	Yes	Yes	Yes
Industry-year FE	No	Yes	Yes	Yes
City-year FE	No	No	Yes	Yes
Province-year FE	No	No	No	Yes
N	13202	31898	30933	30933
Adj.R2	0.072	0.290	0.325	0.325

注： ***、**和*分别表示在1%、5%和10%水平上显著的结果。

（五）关于学习效应的机制检验

股票价格包含的信息可以为管理者提供决策信号。当价格信息含量增加时，投资价格敏感性也增加。知情交易者通过套利将私人信息整合到股票价格中，从而增加价格的信息含量。其背后的逻辑在于知情交易者可以获得一些管理层并不掌握的信息，比如投资者对公司价值的变化与潜在投资机会的私人信息，这增强了经理人的学习动力，使他们在做出投资决策时更加依赖股价信号。此外，市场流动性激励投资者收集信息。管理者从股票价格中学习的能力在高流动性市场中得到提高，因为它可以更快地吸收信息和修改价格。

因此，本文参考Foucault与Frésard的研究，采用知情交易概率（VPIN）作为股价信息含量的代理变量。参考温忠麟和叶宝娟的中介效应模型，进行回归分析。表6展示了知情交易概率如何在分行业信息披露和投资价格敏感性之间起中介作用。首先，列1证明了大量有知识的交易者，主要是机构投资者，被分行业信息披露的实施所吸引，知情交易的增加提高了价格的信息含量。第二，列2着重关注DID×Q和PIN×Q的系数。根据列2的结果，价格信息含量对投资股价敏感性的回归系数为0.36%，在1%水平上显著为正，说明分行业信息披露能够通过增加知情交易概率从而提升股价信息含量，进一步促进管理层的价格学习行为。

	(1)	(2)
	PIN×Q	CAPX
PIN×Q		0.00345***
		(4.10)
DID×Q	0.28423***	0.00176***
	(79.85)	(2.98)
Constant	3.202***	0.165***
	(42.98)	(14.32)
Controls	Yes
Year FE	Yes
Industry FE	Yes
N	32382	32382
Adj.R2	0.324	0.076
Sobel	0.001***
Aroian	0.001***
Goodman	0.001***

注：***、**和*分别表示在1%、5%和10%水平上显著的结果。由于可能存在多重共线性，未将托宾Q当放入中介效应进行回归。

四、研究结论与展望

本文利用2011-2023年A股上市公司的数据和准自然实验，检验了行业信息披露准则交错实施对投资价格敏感性的影响。实证结果显示，分行业信息披露显著增强了企业在投资决策中对股价信号的敏感性。机制分析进一步表明，分行业信息披露能够通过提高股票价格的信息含量（反映RPE途径）来促进投资价格敏感性，这使管理层能够提取价格中隐含的有价值的公司特定信息。这项研究通过引入RPE的概念，补充了Bird等人的理论框架。它为分行业信息披露如何作为一种外部治理机制发挥作用提供了新的见解，这种机制增强了市场信号，有助于更好地做出管理决策，为后续的学术研究提供新的视角和数据支持。其次，文章提出了分行业信息披露影响企业投资股价敏感性的新路径，将知情交易纳入分析框架，探究分行业信息披露如何通过影响股价信息含量促进管理层价格学习。

在实践层面，本文也具有重要启示。投资股价敏感性作为衡量管理层对市场信号响应能力的关键指标，其提升反映了企业资源配置效率的改善。研究结论可为企业优化信息披露策略、增强资本市场竞争力提供参考。同时，透明的信息披露机制有助于提升投资者信心，改善市场流动性，对资本市场的长期健康发展具有积极意义。需要指出的是，本研究仍存在一定局限。尽管我们识别了股价信息含量的中介作用，但仍可能存在其他未被观测的传导机制。此外，分行业信息披露的长期动态效应、其与市场成熟度的交互影响，以及管理层的认知偏差与行为因素在其中的作用，均是未来研究值得深入探索的方向。

参考文献：

1. [1] Jayaraman S, Wu J S. Should I stay or should I grow? Using voluntary disclosure to elicit market feedback[J]. Review of financial studies, 2020, 33(08): 3854-3888.
2. [2] Bond P, Edmans A, Goldstein I. The real effects of financial markets[J]. Annual review of financial economics, 2012, 4(01): 339-360.
3. [3] Bird A, Karolyi S A, Ruchti T G, et al. More is less: Publicizing information and market feedback[J]. Review of finance, 2021, 25(03): 745-775.
4. [4] Easley D, Kiefer N M, Ohara M, et al. Liquidity, information, and infrequently traded stocks[J]. Journal of finance, 1996, 51(04): 1405-1036.
5. [5] Foucault T, Frésard L. Cross-listing, investment sensitivity to stock price, and the learning hypothesis[J]. The review of financial studies, 2012, 25(11): 3305-3350.
6. [6] Edmans A, Jayaraman S, Schneemeier J. The source of information in prices and investment-price sensitivity[J]. Journal of financial economics, 2017, 126(01): 74-96.
7. [7] Goldstein I. Information in financial markets and its real effects[J]. Review of finance, 2023, 27(01): 1-32.
8. [8] Bennett B, Stulz R, Wang Z. Does the stock market make firms more productive?[J]. Journal of financial economics, 2020, 136(02): 281-306.
9. [9] Zhang J, Yang Y. Can environmental disclosure improve price efficiency? The perspective of price delay[J]. Finance research letters, 2023, 52.
10. [10] Chen Z, Huang Y, Kusnadi Y, et al. The real effect of the initial enforcement of insider trading laws[J]. Journal of corporate finance, 2017(45): 687-709.
11. [11] Easley D, Hvidkjaer S, O'Hara M. Factoring information into returns[J]. Journal of financial and quantitative analysis, 2010, 45(02): 293-309.
12. [12] Yang Y, Zhang J, Li Y. The effects of environmental information disclosure on stock price synchronicity in China[J]. Heliyon, 2023, 9(05).
13. [13] 于丽峰, 唐涯, 徐建国. 融资约束、股价信息含量与投资-股价敏感性[J]. 金融研究, 2014(11): 159-174.
14. [14] 吉阳. 管理层学习视角下高铁开通对投资股价敏感性的影响研究[D], 2023.
15. [15] Dow J, Gorton G. Stock market efficiency and economic efficiency: Is there a connection?[J]. Journal of finance, 1997, 52(03): 1087-129.
16. [16] 李四海, 王瑞麒. 分行业信息披露监管、知情交易与管理层学习效应[J]. 金融评论, 2025, 17(02): 97-115+57.
17. [17] 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(05): 731-45.