实证会计 · 信息披露 × 分析师 × 大模型文本
在中国，上市公司必须在交易所的互动平台上公开回答散户的提问。但「按时回了一条」不等于「说清楚了」—— 一句客气、漂亮、还把问题里的词重复了一遍的回复，照样可以什么都没告诉你。这篇研究用大模型读了 2010–2024 年的 19 万条问答，问了一个此前没人精确量过的问题：当公司答得越「绕」，靠公开信息吃饭的证券分析师，预测会不会更不准？
深圳「互动易」和上海「上证 e 互动」是两个强制性的投资者互动平台：散户公开提问，公司在交易所监督下公开作答，问与答都进同一个档案。沉默的成本被抬高了——但「说了什么」仍然是公司说了算。
过去研究这类平台，量的都是外围动作：公司回没回？回得快不快？回复和提问在字面上像不像？这些都能告诉你「沟通发生了」，却没办法告诉你最要紧的那一层——投资者明确问的那个信息，到底被解决了没有。
只看公司有没有在规定时间内贴出一条回复。回了就算「负责任」。
用文本模型算回复和提问有多「像」。但经理人可以把公司名、会计科目、项目名复述一遍，听上去很对题，实质却什么都没透露。
这条回复，解决了投资者提出的那个具体诉求吗？这才是真正的披露边际——也是最难自动测出来的一层。
一句话看懂这篇研究在补的洞：互动平台让「不回答」变得困难，却没让「回避式回答」变得困难。一条回复可以准时、上档案、措辞讲究，却把经理人的自由裁量从「不回应」悄悄挪到了「回避地回应」。本文要量的，正是这道被所有现成指标漏掉的缝。
对每一对「有效提问 — 公司回复」，让大模型判断公司有没有解决投资者真正想要的信息，归入四类之一：
实质性地回答了问题，或给出了不能披露的具体、正当理由。
只回应了诉求的一部分，或实质上仍不完整。
到截止时点为止，对这个有效提问没有任何实质回应。
文本不足以有把握地判断完整度——严格口径下也计入回避。
同一个问题，两种回复在「字面相似度」上可能差不多，但在「答没答到点上」上天差地别。判断对题与否需要读懂逻辑，而不是数关键词：
公司去年四季度的毛利率为什么环比下滑？是原材料涨价还是产品降价导致的？
「感谢您对公司的关注。公司一直高度重视经营质量，毛利率受多种因素综合影响，公司将持续努力提升盈利能力，详情请以定期报告为准。」
「四季度毛利率环比下降约 3 个百分点，主要系主要原材料 X 采购均价上涨约 12% 所致，产品售价基本稳定；公司已通过长协锁价对冲部分压力。」
关键区分：语气负面也可能是「直接答」（如实说了坏消息照样对题）；语气正面、辞藻华丽也可能是「回避」（绕开了要的信息）。所以指标盯的是逻辑上的回答完整度，不是情绪、不是长度、不是字面相似度。（上方为说明性示例，非论文原文样本。）
三套数据（均来自 CNRDS）拼在一起：互动平台的问答存档、分析师 EPS 预测与实际值、以及公司财务与治理变量。
深圳互动易自 2010 年起、上海上证 e 互动自 2013 年起的问答记录。
分析师–公司–年度观测（基准样本，每个分析师对同一公司当年保留最后一份报告）。
覆盖公司家数 / 分析师人数；对应 25,979 个公司–年度。
金融类与 ST 公司剔除，连续变量缩尾，要求报告前至少有一条有效提问。
公司不答到点上 → 公开信息更难解读、更难和其他披露对账 → 分析师要么靠更残缺的公开信号、要么自掏成本去找私人渠道补 → 预测误差变大。
也许分析师足够老练，把「回避」直接读成「有坏消息」的负面信号，抢先调整预测——那回避就不该让预测更不准，甚至可能更准。数据不支持这一面。
核心发现：在控制了公司、分析师、券商、提问量等特征，并加入「分析师×公司」固定效应后，报告前越回避的公司，其后分析师预测误差越大。量级上——回避度每升高 1 个标准差，预测误差相对样本均值约升高 3.4%。这不是机械的恒等式：它说明回避真的把信息成本转嫁给了市场中介。
最大的质疑是：会不会本来就更不透明、更难预测的公司，恰好也答得更绕？为压住「选择性」「平台时点」「遗漏变量」这些担忧，论文叠了六道关：
如果「回避抬高公开信息成本」这个机制成立，那么手上有替代信息渠道（明星光环、大券商资源、同城便于实地走访）的分析师应该能扛住；缺这些的，只能硬吃。异质性检验正是这个图景：
这恰好印证了机制：回避之所以伤人，正是因为它毁的是「公开信息」这个公共品。谁能用私人渠道（管理层接触、券商安排的会面、实地调研、IR 联系）把缺口补上，谁就受影响小；补不上的，预测就更离谱。
对那些回避自己提问的公司，分析师下调了预测修正的频率——公开信息不够用，更新自然变懒、变慢。
公司年度回复越回避，投资者就在其他平台上增加搜索活动，自己想办法找答案——需求并没消失，只是被挤到别处。
回避度更高，伴随更大的盈余信息不透明（操纵性应计的绝对值更大）。
分析师之间的预测分歧（dispersion）变大——大家对同一家公司的判断更难一致。
| 对谁 | 可以拿走的结论 |
|---|---|
| 监管者 | 互动平台的考核别只盯「回应率/及时率」这些外围动作。一条「答了却没答到点上」的回复，会实打实推高市场的信息加工成本——监督的重心应转向回答实质。 |
| 上市公司 | 用「客气话+复述问题」绕开提问，并不是零成本的安全操作：它会被分析师读出来，表现为预测更散、更新更少、投资者跑去别处搜，最终反映在自家信息环境的恶化上。 |
| 投资者 / 分析师 | 公开互动是真正进入分析师信息集的一手材料。回答的完整度本身就是一个值得追踪的信号，尤其当你没有明星光环或大券商的私人门路时。 |
| 研究者 | 提供了一个用大模型测量「回答完整度」的可迁移范式——区别于回应率、长度、语气、可读性、语义相似度，把「外部信息需求有没有被解决」这条难观测的披露边际显性化。 |
gpt-5.4-nano，经 OpenAI Batch API 调用（2026 年 4 月），温度设 0、结构化 JSON 输出，统一 prompt 跑遍每条记录。输入只有股票代码、公司名、提问、回复——不喂任何分析师预测、会计/市场结果或回归/分组变量，杜绝信息泄漏。
用 DeepSeek-V4-flash 在同一 prompt 下做独立第二标注；并以人工验证抽查分类质量。所有二值「回避」变量都由模型的类别标签按固定规则推出，不靠模型即兴判断。
盯的是逻辑回答完整度，不是语气、情绪、乐观度或词汇重叠。坏消息如实说＝直接答；好听话绕过去＝回避。文本即数据，但分类紧扣理论构念并对照人工判断。
诚实的边界：这是一篇尚未经同行评审的工作论文（SSRN 预印本）。它建立的是回避式回应与分析师预测结果之间稳健的、经多重识别检验的关联，而非声称穷尽了所有因果通道；分类依赖大模型，故以第二模型与人工校验交叉确认其可信度。