📈 经济学

Can Regulation Curb AI Adoption Narrative–Practice Decoupling?An Agent-Based Model of the A-Share Market

本文通过构建一个 A 股市场的基于智能体模型（ABM）证明，虽然仅靠市场力量对企业 AI 叙事与实际落地之间的差距进行惩罚的效果较弱，但由“重复违规升级”与“定向执法”组成的监管组合在遏制此类脱节方面最为有效，而诸如卖空机制和简单的披露标签则被证明是无效的。

原作者： ming sun

发布于 2026-10-22

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： ming sun

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在金融世界中，公司不断通过讲述故事来吸引投资者。它们谈论未来的计划、新技术和战略转型，希望这些叙事能说服人们购买其股票。几十年来，经济学家已经意识到，公司的言论与其实际行动之间往往存在差距。当一家公司声称正在转型业务，却缺乏支持这一转型的预算或人员时，就会产生脱节。这不一定是谎言，而是向公众讲述的故事与业务运营的现实之间的错位。长期以来令监管机构和市场观察者困惑的问题是，市场本身能否识别出这种差距，并惩罚那些仅仅是在“空谈”的公司，还是投资者会被故事带来的兴奋感所左右，而不顾事实。

一项新研究通过观察中国股市，特别是人工智能已成为热门话题的 A 股市场，来探讨这一问题。研究人员想知道，现有的游戏规则是否足以阻止公司在没有进行实际落地工作的情况下，仅仅靠着追逐热潮来获利。为了找出答案，他们不仅观察了过去的股价，还建立了一个数字实验室。他们创建了一个计算机模拟系统，模仿数千家真实公司、数百万个个人投资者以及一个监管机构的行为。通过将真实数据（来自 3,000 多家上市公司）输入这个虚拟市场，他们可以观察当人工智能的热潮席卷系统时，不同的规则将如何发挥作用。

研究人员首先在模拟中为每家公司测量了两个截然不同的指标。首先，他们测量了“谈论”，即公司年报中人工智能叙事的强度。这是用来描述人工智能雄心的语言。其次，他们测量了“做”，代表实际进行的可见工作。这是通过统计有多少公司在招聘具备人工智能技能的人才，以及有多少公司在提交与该技术相关的专利来追踪的。当一家公司大谈人工智能，但在招聘或专利方面表现寥寥时，模拟系统就会将其标记为“脱节”——即故事与实质之间的分离。

实验的核心在于向这个虚拟市场注入一股突然且巨大的人工智能兴奋浪潮，类似于当新的 AI 工具被广泛熟知时发生的现实世界激增。随后，研究人员多次运行模拟，每次都改变游戏规则，以观察哪种监管方法最为有效。他们测试了全球范围内监管机构使用的九种不同方法。有些方法类似于“一刀切”的规则，无论差距大小，都会惩罚任何表现出“谈论”与“做”之间存在差距的公司。另一些则更像是“定向聚光灯”，只针对那些明显夸大其词的公司。还有一些依赖于举报者报告违规行为，而另一些则只是要求公司在未达标时解释其行为。

结果显示，在任由市场自行运作的情况下，市场在惩罚这些夸大行为方面表现得异常乏力。即使没有任何新规则，模拟也显示，投资者并不能有效地区分那些真正构建人工智能的公司和那些仅仅是在空谈的公司。故事与现实之间的差距本身并未导致股价大幅下跌。这表明，仅依靠市场的自然约束力不足以阻止炒作。

当研究人员引入不同的监管工具时，结果差异巨大。最有效的方法是针对重复违规者的递增处罚制度。在这种情景下，如果一家公司被发现夸大其人工智能努力，那么下一次违规的处罚将比第一次显著更高。这创造了一种强大的激励机制，促使公司停止空谈并开始实干，或者至少停止在空谈中造假。模拟显示，这种方法的成功程度远高于仅仅提高初始罚款金额。驱动变革的是规则的结构，而非罚款的规模。

另一种高度有效的方法是定向执法。在那种情景下，监管机构并不惩罚所有在“谈论”与“做”之间存在差距的公司，而是专门针对那些具有“正向差距”的公司——即谈论多于实际行动的公司。这种方法避免了惩罚那些实际行动多于谈论的公司，从而保持了对真正创新的激励。当这两种方法结合使用时，产生了最强的效果，有效地遏制了叙事脱节，并使股价与实际工作更加一致。

相比之下，几种流行的监管理念在这一特定环境下被证明是无效的。仅仅要求公司披露其人工智能计划，或解释为何未达到标准，对改变行为几乎没有作用。模拟显示，这些在许多市场中常见的“遵循或解释”规则未能阻止炒作，因为“谈论”的成本太低，而“被抓获”的风险太小。同样，允许投资者通过卖空股票来做空这些公司也几乎没有效果。这主要是因为中国市场的规则使得投资者很难进行这类空头头寸操作，这意味着该机制根本无法发挥监督不良行为的功能。

研究还发现，监管的设计比惩罚的力度本身更为重要。如果一个系统根据固定阈值来惩罚公司，而不考虑它们是在进行真正的创新还是仅仅在吹嘘，可能会损害市场。它可能会挫伤真实企业的投资意愿，因为它们担心即便由于现实世界执行缓慢而产生的差距也会遭到惩罚。最成功的规则是那些能够聪明地分辨出一家公司是在真诚尝试还是仅仅在撒谎的规则。

最终，研究表明，为了消除人工智能叙事与现实之间的脱节，监管机构需要从宽泛的、一刀切的规则转向更精准的模式。相反，他们应该采用一种随着公司被抓到夸大行为次数增加而变得更加严格的制度，并将其审查重点放在那些“谈论多于实际行动”的公司身上。研究指出，结合这两种方法将产生最佳效果。虽然这项研究依赖于计算机模型而非对未来的直接观察，但它为不同规则如何塑造人工智能时代的商业行为提供了一张清晰的地图。模拟表明，如果没有正确的压力，市场将继续奖励那些最擅长讲故事的人，而不是那些最具实质内容的建设者。

技术摘要：监管能否遏制 AI 采用中的“叙事-实践脱节”现象？基于 A 股市场的基于智能体模型研究

1. 问题陈述

本文探讨了企业关于人工智能（AI）采用的叙事与可观测到的实际落地情况之间日益扩大的分歧。企业越来越多地在年报中通过沟通 AI 转型（“说”）来吸引资本，但这种叙事强度往往并不对应于实质性的投入，如招聘、专利申请或业务集成（“做”）。这种“叙事–实践脱节”造成了披露问题，导致资本可能流向善于辞令的叙述者，而非实质性的采用者。

核心研究问题是：公众 AI 叙事与可观测活动之间的差距如何与投资者行为及监管设计相互作用。具体而言，本文研究了仅靠市场定价约束力是否足以解决这一差距，以及在信息不对称和“AI 炒作”环境下，哪些监管机制最为有效。

2. 研究方法

本研究采用了基于 A 股市场的基于智能体模型（Agent-Based Model, ABM），并利用 3,133 家中国上市公司（2021–2024 年）的微观层面数据进行了校准。该模型将市场视为由相互作用的“粒子”（智能体）组成的系统，而非单一的均衡状态，从而允许通过微观规则涌现出宏观层面的规律。

模型组成部分：

智能体：
- 企业 (3,133 家)： 根据“说”指标（源自对年报的 NLP 分析）和“做”指标（以 AI 相关招聘和专利为代理变量）每年更新其叙事。两者之间的差异构成了“失调”（即叙事–实践脱节）。
- 零售投资者 (3,000 名)： 基于叙事信号和价格噪声进行交易，并受 30% 止损规则的约束。
- 机构投资者 (100 家)： 基于“说+做”综合得分进行交易；部分机制允许其进行卖空。
- 监管者 (1 名)： 根据特定的监管规则进行检查、标记并扣减估值。
实验设计：
- 冲击： 在 504 天的模拟过程（约两年）的第 31 天注入了一个共同的“AI 炒作冲击”。20% 的企业（初始高叙事者）在“说”和“做”方面同时获得真实提升，而 80% 的企业仅在“说”方面出现激增（蹭热度）。
- 监管机制： 测试了九种不同的机制，并将其与无监管基准进行对比。这些机制包括惩罚性机制（一刀切阈值、定向执法、针对重复违规者的升级处罚）、标签化机制（合规或解释、举报、阳光披露）以及博弈论机制（随机审计、卖空）。
- 参数： 每种机制都在四个不同的监管强度水平下进行测试（ $\lambda \in \{0, 0.3, 0.5, 0.7\}$ ），并在 $\lambda=1.0$ 时进行消融研究。
- 模拟规模： 200 组系综模拟（10 个设置 $\times$ 4 种强度 $\times$ 5 个系综），总计约 6.3 亿次智能体决策。
指标： 主要结果是通过对 Tobin's Q 与失调程度进行 OLS 回归来估计定价系数 $\beta_D$ 。 $\beta_D$ 越负，表明市场对脱节行为的惩罚力度越强。

3. 核心贡献

本文对金融监管和 AI 采用领域的文献做出了四项具体贡献：

统一的比较框架： 建立了一种通过将定价系数 $\beta_D$ 作为响应变量、将监管强度 $\lambda$ 作为控制参数来比较监管机制的方法，从而实现了传统计量经济学方法（如双重差分法）难以实现的反事实分析，因为后者难以处理内生性问题。
基于智能体的市场动态模拟： 构建了一个整合了企业、零售投资者、机构投资者和监管者的动态市场模型，并锚定在真实的 A 股数据之上，用以对同一信息冲击下的不同机制进行排序。
结构性与规模性分析： 通过组件消融和帕累托优化，本文证明了机制的结构设计（例如时序升级）比惩罚的绝对大小更能驱动有效性。同时，研究揭示了组合机制数量与威慑力之间存在非单调关系。
政策框架： 基于模拟结果，提出了一个四级分类披露框架和一条 RegTech（监管科技）实施路径。

4. 主要结果

模拟得出了关于监管机制有效性的四个主要发现：

市场约束力薄弱： 在缺乏监管的情况下（ $\lambda=0$ ），市场自身的定价约束力较弱， $\beta_D \approx -0.37$ 。这表明投资者无法在自身层面充分区分叙事与实践。
机制表现呈现显著分化：
- 最有效： 针对重复违规者的升级处罚（机制 F）和定向执法（机制 B）最为强力。在 $\lambda=0.7$ 时，机制 F 实现 $\beta_D \approx -2.07$ ，机制 B 实现 $\beta_D \approx -1.80$ 。
- 中等有效： 定向透明度和绝对的一刀切阈值表现出中间效应。
- 无效： 卖空（机制 G）和仅限标签的阳光披露（机制 H）的效果与无监管基准（ $\beta_D \approx -0.37$ ）完全一致，表明在特定实施方式下未产生额外效果。
有效性的结构性驱动因素：
- 升级机制： 重复违规者升级处罚的力量源于其跨时段的惩罚结构（对后续违规行为加倍处罚），这贡献了该机制约 56% 的强度。
- 定向性： 定向执法优于一刀切阈值，因为一刀切规则会同时惩罚真正的实施者（负向失调）和吹嘘者，从而产生“信号污染”，抑制了真正的技术采用。
- 非单调性： 增加更多机制并不一定会线性增加威慑力。最优组合涉及较少数量的机制（具体为 2–4 个）。
最优组合： 帕累托搜索确定了重复违规者升级处罚 + 定向执法为经常出现的内核组合（出现在 85.2% 的非支配解中）。该组合效果最佳（ $\beta_D = -2.125$ ），较无监管基准提升了约 5.8 倍。

5. 重要性与主张

本文将研究结果定位为源自随机模拟的条件性政策启示，而非作为现实世界量级的已证定理或预测。

监管设计： 研究认为，监管应侧重于结构设计（例如针对重复违规者的升级处罚），而非仅仅增加处罚幅度。研究建议，“定向”方法优于“一刀切”方法，以避免惩罚真正的创新者。
RegTech 实施： 作者提出，“做”指标（招聘/专利）和“说”指标（文本分析）可以利用大语言模型（LLM）实现自动化，从而构建实时监管基础设施。这将实现低成本、高频次的脱节度量。
分级监管： 本文提出了一个面向 A 股企业的四级披露框架（绿、黄、橙、红），其中干预程度根据叙事–实践脱节的程度递增，并设有“清零退出”机制，允许企业修复其地位。
局限性： 作者明确指出，模型依赖于特定的行为假设（如零售投资者的止损规则、机构投资者的卖空限制），且结果具有说明性意义。作者指出，卖空等机制的有效性在基础设施更发达的市场（如美国）可能会有所不同，且“清零退出”机制需要更长的时间跨度来验证其制度价值。

总之，本文得出结论：虽然市场约束力不足以遏制 AI 叙事脱节，但设计良好的监管体制——特别是结合了定向执法与针对重复违规者升级处罚的制度——可以显著改善企业叙事与实质性 AI 采用之间的对齐度。