原文信息：Hassan, T. A., Hollander, S., Kalyani, A., van Lent, L., Schwedeler, M., & Tahoun, A. 2025. "Text as Data in Economic Analysis." Journal of Economic Perspectives, 39(3): 193-220.

01

随着信息技术、自然语言处理和大语言模型的发展，经济学家开始更系统地“阅读”文本。年报、专利说明书、招聘广告——这些过去主要依靠人工翻阅的材料，如今正被大规模转化为可追踪、可分析的数据，用来回答传统数据难以触及的问题。Hassan等人于2025年发表在Journal of Economic Perspectives上的《Text as Data in Economic Analysis》一文，系统梳理了这一研究前沿。文章以企业财报电话会议为例，展示了如何从企业“说了什么”中提取暴露度、风险和情绪等信息。

02

文章介绍了三种核心指标：暴露度、风险和情绪。

暴露度（Exposure）衡量企业对某一话题的关注程度。财报电话会时间有限，高管在一个话题上投入的篇幅，往往反映了它的重要性。因此，某话题相关句子占会议总句子数的比重，就可以作为企业对该话题的暴露度。例如，统计讨论俄罗斯及俄乌冲突的句子占比，能够衡量企业受这一事件影响的程度。

风险（Risk）衡量企业感知到的不确定性。作者从《牛津英语词典》中提取risk、risky、uncertain和uncertainty的同义词，构建风险词典。会议中同时提及风险词和特定话题的句子占比，就是该话题的风险指标。下图Panel A展示了2003—2023年美国上市公司的整体风险水平：2008年全球金融危机期间升至2.2%，2020年新冠疫情期间进一步升至2.8%。Panel B则刻画了英国脱欧风险的变化：2016年公投后迅速上升，2019年“无协议脱欧”担忧加剧时再次走高，并在英国正式脱欧后明显回落。

情绪（Sentiment）用来衡量企业对某一话题的态度。具体做法是：先识别积极词汇，如good、strong、great，以及消极词汇，如loss、decline、difficult；再统计同时提及该话题、且带有积极或消极词汇的句子。某一话题的情绪得分为：

（积极句子数－消极句子数）÷总句子数。

下图Panel A比较了四类重大事件的情绪得分。企业对AI的整体态度偏正面，而对英国脱欧、新冠疫情和俄罗斯入侵乌克兰的态度均偏负面。Panel B进一步展示了企业之间的差异。Alphabet、NVIDIA和Microsoft对AI明显更乐观；Warner Music Group、News Corp和Universal Music Group则更为消极，这可能与版权保护和内容替代风险有关。

前面三个指标能否算准，关键在于能否准确识别出与某一话题相关的句子。作者总结了三种常见方法。

第一，关键词法。这是最直接的识别方式，尤其适合边界清晰、表述集中的事件或政策议题。例如，仅凭“Brexit”一词，通常就能识别大部分英国脱欧相关讨论。具体做法是：先人工标注一批句子，找出在相关句中高频、在无关句中低频的关键词，再用样本外数据检验误报率，并据此不断调整词表。

第二，训练库法。当话题边界较模糊时，单靠关键词往往难以覆盖。这时可以引入参考文本作为训练库。比如，为区分“政治风险”和“非政治风险”，研究者可分别选取政治学教材和会计学教材，再利用TF-IDF方法，识别在前者中常见、在后者中少见的二元词组。由此得到的词表往往包含数千个词条，能够捕捉更间接、更隐蔽的相关表达。

第三，机器学习法。这类方法主要用模型辅助扩展词表：研究者先提供若干种子词，再由机器学习模型或LLM推荐相关表达，之后通过人工抽检决定是否保留。但如果把分类判断完全交给LLM，也会带来新的问题。一是不同模型的判断可能不一致，影响可复现性；二是模型可能出现“后见之明”偏差。比如，在分析福岛核事故发生前的文本时，模型可能自动把“福岛”与核灾难联系起来，从而偏离当时的真实语境。

应用一：将总体风险分解为具体来源。文本分析不仅能衡量企业面临的总体风险，还能进一步回答：这些风险究竟来自哪里？

下图展示了2015—2023年七类风险的相对贡献。2018年第三季度，贸易政策不确定性占全部风险讨论的0.98%，与英国脱欧风险大致相当；2020年第二季度，新冠疫情成为最主要的风险来源，占比达到9.88%；随着疫情冲击逐渐消退，企业关注的重点又转向通胀和供应链问题。这种风险分解方法，将不同风险放在同一尺度上比较，既能判断某一时期哪类风险最重要，也能追踪各类风险如何随时间此消彼长。

应用二：区分“坏消息”和“不确定性”。 同一项冲击可能同时通过两条渠道影响企业投资：一是改变企业对未来收益的判断，二是增加前景的不确定性。以AI为例，模仿歌手声音的技术既可能挤压音乐公司的收入，也可能带来版权诉讼和监管变化。

为区分这两种机制，作者将企业投资率同时对总体风险、AI风险和AI情绪进行回归。结果如下表所示：AI风险越高，企业投资越少；但如果企业对AI持积极态度，投资反而增加。也就是说，文本数据能够把“前景变差”和“前景更不确定”这两种通常混在一起的效应拆开。

应用三：追踪冲击的跨国传导。作者比较了各国企业在危机前后对英国或美国相关风险的讨论，借此判断冲击是否沿既有经济联系传播。

下图显示，脱欧公投后，各国企业对英国风险的讨论普遍增加，而且危机前越关注英国的国家，公投后的增幅越大（斜率为1.51，R²=0.86）。这说明，脱欧冲击主要沿着原有的贸易和经济联系传导。

2008年金融危机则不同。各国企业对美国风险的讨论都大幅上升，但增幅与危机前的对美暴露关系较弱（斜率为0.92，R²=0.55）。这表明，金融危机并非主要沿既有双边联系扩散，而是通过更复杂的金融网络演变为全球性的系统风险。

除了财报电话会议，专利和招聘信息也是重要的文本数据来源。

在专利文本方面，研究者不再只看专利数量和引用次数，而是直接分析专利写了什么。Kelly 等人（2021）比较一项专利与前后专利的文本相似度：如果它与此前专利差异较大，却被后续专利广泛借鉴，就将其识别为突破性专利。Kalyani（2023）则统计专利引入的新技术术语，发现新词越多的创造性专利，与企业生产率增长和超额股票收益的关系越强。

招聘文本则可以用来追踪技术扩散。Kalyani等人（2025）先从1976—2014年的美国专利中提取新出现的技术短语，再借助Wikipedia将其对应到1286项具体技术，最后在招聘信息中搜索这些词汇。结果发现，一项技术最早出现在哪里，相关岗位往往也会在当地持续增长，而且这种优势主要体现在高技能就业上，并可延续数十年。

推文作者：聂一鸣，南京大学商学院博士研究生，研究领域为数字经济。推文内容可能存在疏漏与不足，欢迎邮箱批评指正与进一步交流！