Süni intellekt açıqlama intensivliyi, şirkətin SEC 10-K hesabatında AI ilə bağlı məzmunun sənəd uzunluğuna görə normallaşdırılması və inverse hyperbolic sine çevrilməsinin tətbiqi ilə yaradılan mətn əsaslı korporativ açıqlama göstəricisidir. Mingyeong Song və Hana Kim 2010–2024 dövründə ABŞ-da açıq şəkildə ticarət olunan şirkətləri araşdıraraq AI açıqlama intensivliyinin növbəti il şirkət qiymətləndirilməsi ilə necə əlaqəli olduğunu, analitiklərin eyni açıqlamalara yaxın dövr EPS proqnozları ilə reaksiya verib-vermədiyini və AI ilə bağlı media diqqətinin bu qiymətləndirmə əlaqəsini gücləndirib-gücləndirmədiyini araşdırırlar. SEC EDGAR, Compustat, IBES və ProQuest TDM Studio məlumatlarını birləşdirən tədqiqat AI açıqlama intensivliyinin növbəti il Tobin’s Q və market-to-book qiymətləndirmələri ilə müsbət əlaqəli olduğunu; lakin filing tarixi ətrafında analyst coverage dəyişməsi və ya EPS forecast revision üzərində əhəmiyyətli yaxın dövr təsirinin aşkar edilmədiyini bildirir.

Tədqiqatın mərkəzi nəticəsi bazar–analitik asimmetriyasıdır. Əsas sabit effektlər modelində AI açıqlama intensivliyinin növbəti il log Tobin’s Q əmsalı 0,115-dir və %1 səviyyəsində əhəmiyyətlidir. Market-to-book nəticəsi 0,146-dır. Bunun əksinə, analyst coverage dəyişməsi, filing-dən sonrakı analitik sayı və EPS forecast revision əmsalları statistik olaraq əhəmiyyətli deyil. Formal mediation analizində də analyst coverage yolu ilə keçən dolayı təsir təxminən sıfır tapılmışdır.

AI xəbərlərinə diqqət təkbaşına müstəqil qiymətləndirmə göstəricisi deyil; lakin şirkətin AI açıqlaması ilə qarşılıqlı təsirə girdikdə qiymətləndirmə əlaqəsini gücləndirir. AI disclosure × TDM AI news interaction əmsalı əsas Tobin’s Q modelində 0,085-dir və exact-name matching, outlier exclusion, winsorization və permutation placebo yoxlamalarında qorunur. Bununla belə, araşdırma müşahidə xarakterlidir və əsasən əlaqəseldir. Sabit effektlər, lead-lag zamanlaması, instrumental dəyişənlər və nümunə seçimi düzəlişləri mühüm möhkəmlik təmin edir; lakin tədqiqat AI açıqlamasının qiymətləndirməni səbəbli şəkildə artırdığını qəti sübut etmir.

Tədqiqat problemi

Şirkətlər illik 10-K hesabatlarında süni intellektdən getdikcə daha çox bəhs edirlər. Lakin şirkətin “AI istifadə edirik”, “AI-yə investisiya edirik” və ya “AI imkanlarımızı inkişaf etdiririk” tipli açıqlaması iki fərqli şəkildə qiymətləndirilə bilər.

Birinci kanal analitiklərin fundamental göstəriciləri yeniləməsidir. Əgər AI açıqlaması yaxın dövr mənfəətlərini həqiqətən dəyişirsə, sell-side analitiklərin EPS proqnozlarını, coverage səviyyələrini və ya digər maliyyə gözləntilərini dəyişdirməsi gözlənilə bilər.

İkinci kanal bazar narratividir. AI açıqlaması hələ yaxın dövr mənfəətlərinə çevrilməsə belə, investorların şirkətin uzunmüddətli böyümə seçimləri, texnologiya imkanları, intangible capital və ya strateji mövqeyi barədə gözləntilərinə təsir edə bilər. Bu halda qiymətləndirmə əmsalları dəyişə bilər, analitiklərin qısamüddətli EPS proqnozları isə eyni qala bilər.

Tədqiqatın əsas yeniliyi bu iki kanalı eyni tədqiqat dizaynı çərçivəsində ayırmağa cəhd etməsidir.

Niyə 10-K hesabatlarından istifadə olunur?

10-K ABŞ-da açıq şəkildə ticarət olunan şirkətlərin SEC-ə təqdim etdiyi məcburi illik hesabatdır. Bu hesabatlar maliyyə hesabatları ilə yanaşı risklər, əməliyyatlar, strategiya və gələcəyə yönəlmiş korporativ açıqlamaları ehtiva edir. Buna görə AI ilə bağlı narrativlərin müntəzəm və şirkət səviyyəsində müqayisə edilə biləcəyi geniş mətn mənbəyi yaradır.

Mənbə nümunədə hər hansı AI ifadəsi olan 10-K-ların payının 2010-cu ildə %2,5-dən 2024-cü ildə %57,9-a yüksəldiyini bildirir. Giriş mətni substantive AI discussion payının da %1,0-dan %42,6-a yüksəldiyini yazır. Lakin mənbə Figure 1-dəki substantive seriyası vizual olaraq bu %42,6 dəyəri ilə uyğun gəlmir. Buna görə %42,6 mətndə bildirilən mənbə dəyəri kimi qorunmalı, mənbədaxili fərq həll edilmədən qrafik məlumatı kimi yenidən qurulmamalıdır.

Dörd tədqiqat hipotezi

Məlumat mənbələri

Nümunənin quruluşu

Əsas disclosure–valuation məlumat bazasında nəticəyə xas filtrlərdən əvvəl 2010–2024 dövrünə aid 72.958 şirkət-il müşahidəsi vardır. Üstün tutulan Tobin’s Q sabit effektlər regresiyasında əskik nəzarət dəyişənləri və ardıcıl gələcək-il qiymətləndirilməsi şərtindən sonra 60.468 müşahidə istifadə olunur.

Analitik kanalında hər 10-K filing üçün növbəti maliyyə ilinin EPS proqnozlarında filing tarixindən əvvəlki və sonrakı 180 gün daxilində ən yaxın IBES snapshot-ları uyğunlaşdırılmışdır. Əsas regresiya nümunəsi 7.599 şirkət-ildir.

TDM Studio məlumatlarında şirkət adları normallaşdırılaraq Compustat gvkey identifikatoruna crosswalk yaradılmışdır. Eyni şirkət-ilə uyğun gələn bir neçə xəbər qeydi əvvəlcə gvkey-year səviyyəsində toplanmış, sonra çevrilmə tətbiq edilmişdir.

AI açıqlama intensivliyi necə hesablanır?

Mənbənin xam AI açıqlama balı:

\[ Raw\ AI\ Score = \frac{(tier1+0.5\times tier2)\times10{,}000} {total\ words} \]

şəklindədir.

tier1 birbaşa AI ilə əlaqəli ilkin terminləri; tier2 isə ikinci dərəcəli terminləri ifadə edir. Tier-2 terminləri yalnız filing daxilində ən azı bir tier-1 termini varsa nəzərə alınır. Beləliklə, ümumi texnologiya sözlərinin kontekstdən kənar şəkildə AI kimi sayılmasının azaldılmasına çalışılır.

10.000 vurğu yalnız miqyaslama funksiyası daşıyır. Bal daha sonra yuxarı quyruqda winsorize edilir və AI açıqlamasının çox seyrək olması səbəbindən inverse hyperbolic sine çevrilməsi tətbiq olunur.

Alternativ AI açıqlama ölçüləri

• AI ilə bağlı paraqraf sayının IHS çevrilməsi.
• AI-paraqraf dispersiyası.
• İki və ya daha çox AI ilə bağlı paraqraf və ya açıq AI fokuslanması varsa 1 olan substantive AI disclosure göstəricisi.

Alternativ ölçülərin məqsədi əsas tapıntının tək bir açar-söz balından asılı olub-olmadığını sınaqdan keçirməkdir.

Əsas lead-lag qiymətləndirmə modeli

Mənbə əsas modeli:

\[ \log Q_{i,t+1} = \beta AI\ Disclosure_{i,t} + \gamma'X_{i,t} + \alpha_i + \delta_t + \varepsilon_{i,t} \]

şəklində qurur.

\(\log Q_{i,t+1}\) növbəti maliyyə ilində log Tobin’s Q dəyəridir. \(AI\ Disclosure_{i,t}\) cari ilin IHS-çevrilmiş AI açıqlama intensivliyidir. \(X_{i,t}\) ROA, log assets, R&D intensity və debt ratio nəzarət dəyişənləridir. \(\alpha_i\) şirkət sabit effektini, \(\delta_t\) isə il sabit effektini təmsil edir.

Standart xətalar şirkət və il səviyyəsində ikiqat klasterləşdirilmişdir. Əlavə modellərdə il sabit effektləri industry-year sabit effektləri ilə əvəz olunur və ya cari/gecikmiş qiymətləndirmə nəzarətdə saxlanılır.

10-K-dakı AI Açıqlaması Şirkət Qiymətləndirilməsi ilə Necə Əlaqəlidir?

2010–2024 ABŞ şirkət-il panelində AI açıqlama intensivliyi növbəti il qiymətləndirilməsi ilə müsbət əlaqəlidir; əsas sabit effektlər modelində log Tobin’s Q əmsalı 0,115, log market-to-book əmsalı 0,146-dır və cari və ya gecikmiş qiymətləndirmə nəzarətləri əlavə edildikdə əlaqə zəifləsə də müsbət qalır. Tədqiqat bu nəticəni səbəbli təsir kimi deyil, möhkəmləndirilmiş əlaqəsəl tapıntı kimi şərh edir.

Tobin’s Q nəticələri

*** işarəsi mənbədə p<0,01 səviyyəsini göstərir.

Alternativ ölçülər eyni istiqaməti göstərirmi?

Bəli. AI paragraph dispersion əmsalı 0,044, substantive AI disclosure əmsalı 0,061-dir və hər ikisi %1 səviyyəsində əhəmiyyətlidir.

Bundan əlavə, post-ChatGPT qarşılıqlı təsiri 0,025 və p=0,394-dür. Bu nəticə əsas AI disclosure–valuation əlaqəsinin yalnız 2023–2024 dövründə ChatGPT-dən qaynaqlanan AI diqqəti partlayışına xas olmadığını göstərən mənbə-dəstəkli sübut təqdim edir.

Analitik kanalı necə sınaqdan keçirilir?

Analitik analizinin zamanlaması əsas şirkət-il modelindən fərqlidir. Tədqiqatçılar 10-K filing tarixini real hadisə tarixi kimi istifadə edir və növbəti maliyyə ili üçün filing-dən əvvəl və sonra ən yaxın IBES proqnoz snapshot-larını müqayisə edirlər.

Sınaqdan keçirilən nəticələr:

• analyst coverage change,
• filing-dən sonrakı analitik sayı,
• xam EPS forecast revision,
• qiymətlə miqyaslandırılmış EPS revision

şəklindədir.

Analitiklər AI Açıqlamalarını Dərhal EPS Proqnozlarına Əks Etdirirmi?

Mənbədə bununla bağlı əhəmiyyətli yaxın dövr sübutu yoxdur: AI açıqlama intensivliyinin coverage change, filing-dən sonrakı analitik sayı, xam EPS revision və miqyaslandırılmış EPS revision əmsallarının hamısı statistik olaraq əhəmiyyətsizdir; bu nəticə analitiklərin heç bir reaksiya vermədiyini deyil, araşdırılan filing pəncərəsində yaxın dövr fundamental-göstərici yenilənməsinin aşkar edilmədiyini göstərir.

Media diqqəti necə ölçülür?

TDM AI news attention şirkət-il səviyyəsində AI ilə bağlı xəbər sayının gvkey-year səviyyəsində toplanması və IHS çevrilməsindən keçirilməsi ilə yaradılmışdır.

Alternativ tier-weighted media ölçüsü:

tier1 + 0,5 × tier2 + 0,25 × tier3

şəklindəki çəkili AI keyword quruluşundan istifadə edir.

Qarşılıqlı təsir modellərində şirkətin AI açıqlaması və media diqqəti əvvəlcə mərkəzləşdirilir, daha sonra iki dəyişənin hasili yaradılır.

AI Xəbərlərinə Diqqət Şirkət Açıqlamasının Qiymətləndirmə Təsirini Gücləndirirmi?

Bəli; media diqqəti təkbaşına əhəmiyyətli qiymətləndirmə dəyişəni olmadığı halda AI disclosure × AI news interaction əmsalı Tobin’s Q üçün 0,085, market-to-book üçün 0,104 və industry-year sabit effektli modeldə 0,091-dir; mənbə bu modeli medianın şirkət açıqlamasını əvəz etməsi kimi deyil, şirkət narrativinin bazar görünürlüğünü artıran amplifikasiya mexanizmi kimi şərh edir.

Media qarşılıqlı təsiri nəticələri

TDM AI news əsas təsiri baza modelində 0,002-dir və statistik olaraq əhəmiyyətli deyil. Bu fərq vacibdir: nəticə “AI xəbərləri şirkətlərin dəyərini artırır” şəklində şərh edilə bilməz. Tapıntıda vacib olan xəbər görünürlüğü ilə şirkətin öz AI açıqlamasının birlikdə olmasıdır.

Şirkət adının uyğunlaşdırılması xətası nəticəni izah edə bilərmi?

Mənbə TDM məlumatlarının şirkət adları ilə Compustat-a uyğunlaşdırılmasının false-positive riskini xüsusi olaraq sınaqdan keçirir.

İl ərzində TDM attention dəyərlərinin şirkətlər arasında təsadüfi yenidən paylandığı 300 permutation placebo testində null əmsal paylanmasının ortalaması 0,000, standart sapması 0,019-dur. Heç bir təsadüfi yenidən təyinat müşahidə edilən 0,085 əmsalına çatmamış və empirik iki tərəfli p dəyəri 0,003 tapılmışdır.

Təşkilati qabiliyyət niyə vacibdir?

AI texnologiyasının tətbiqi yalnız bir proqram təminatı adından istifadə etməkdən ibarət deyil. Məlumat infrastrukturu, İT sistemləri, texniki işçi qüvvəsi və təşkilati rutinlər kimi tamamlayıcı kapital tələb edir. Mənbə buna görə AI açıqlamalarının daha böyük miqyaslı şirkətlərdə daha inandırıcı və ya tətbiq edilə bilən kimi qəbul oluna biləcəyi hipotezini sınaqdan keçirir.

Tədqiqatın Metodu və Nəticələri

Təşkilati qabiliyyət nəticələri

Large employer əsas tərifində ən azı 1.000 işçini, large assets isə medianın üzərindəki log assets dəyərini ifadə edir.

Əlavə Cədvəl A4-də nəticə davamlı ölçülərlə də araşdırılır. AI disclosure × log employment əmsalı 0,019, AI disclosure × log sales 0,008-dir və əhəmiyyətlidir. Bunun əksinə, capx/assets və R&D intensity qarşılıqlı təsirləri əhəmiyyətli deyil.

Instrumental dəyişən analizi niyə aparılır?

AI disclosure intensity endogen ola bilər. Məsələn, artıq yüksək qiymətləndirilən şirkətlər daha çox AI açıqlaması verə bilər və ya həm AI açıqlamasına, həm də qiymətləndirməyə təsir edən müşahidə olunmayan zaman-dəyişkən amillər ola bilər.

Mənbə iki ayrı just-identified 2SLS modeli qurur.

1. Industry-peer IV: eyni Fama–French 48 sektorundakı digər şirkətlərin eyni ildə leave-one-out AI disclosure ortalaması.
2. Geographic/state IV: eyni ABŞ ştatındakı digər şirkətlərin eyni ildə leave-one-out AI disclosure ortalaması.

2SLS nəticələri

Hər iki birinci mərhələ F statistikası ənənəvi zəif alət hədlərinin üzərindədir. Müəlliflər ikinci mərhələ əmsallarının sabit effektlər təxminindən böyük olmasını lüğət əsaslı AI disclosure ölçüsündə measurement error-dan qaynaqlanan attenuation ilə uyğun hesab edirlər.

Bununla belə, instrumental dəyişənin exclusion restriction fərziyyəsi birbaşa sınaqdan keçirilə bilməz. Eyni sektor və ya ştatdakı başqa şirkətlərin AI açıqlamalarının hədəf şirkətin qiymətləndirilməsinə yalnız hədəf şirkətin disclosure davranışı vasitəsilə təsir etdiyi fərziyyəsi vacibdir. Buna görə 2SLS nəticəsi daha güclü səbəblilik dəstəyi verir, lakin təkbaşına qəti səbəbli sübut kimi təqdim edilməməlidir.

Nümunə seçimi düzəldildikdə nəticə dəyişirmi?

Gələcək-il qiymətləndirilməsi bütün şirkət-illərdə müşahidə olunmadığı üçün mənbə inverse-probability weighting və Heckman two-step düzəlişlərindən istifadə edir.

Heckman modelində inverse Mills ratio 0,019 və p=0,945-dir. Mənbə bu nəticəni nümunə-retention prosesindən qaynaqlanan nəzərəçarpan selection bias sübutunun olmadığı kimi şərh edir.

Bu cədvəldəki əmsal səviyyələri əsas Table 3 ilə birbaşa müqayisə edilməməlidir; seçim-düzəliş modelləri industry və year fixed effects istifadə etdiyi halda əsas baseline firm fixed effects ehtiva edir.

Analitik kanalı vasitəçilik edirmi?

Bu analiz 6.264 şirkət-il üzərində tətbiq edilmişdir. a yolunun sıfıra yaxın və əhəmiyyətsiz olması səbəbindən AI disclosure → analyst coverage → valuation zəncirində müşahidə edilən dolayı təsir praktik olaraq yoxdur.

Figure 2 nə göstərir?

Mənbə Figure 2-də 2010–2024 arasında 10-K AI mention share ilə müsbət TDM AI news attention olan şirkətlərin payını birlikdə göstərir. AI disclosure seriyası xüsusilə 2022-dən sonra çox sürətlə yüksəldiyi halda TDM media diqqəti seriyası eyni formada biristiqamətli yüksəlmir.

Bu vizual tədqiqatın “media diqqəti disclosure-ı əvəz etmir” nəticəsi ilə konseptual olaraq uyğundur. Bununla belə, Figure 2 yalnız zaman üzrə təsviri seriyaları göstərir; interaction əmsalının səbəbli mexanizmini təkbaşına sübut etmir.

Figure 1-də mənbədaxili uyğunsuzluq

Giriş mətni substantive AI discussion nisbətinin 2024-cü ildə %42,6 olduğunu deyərkən Figure 1-də “Substantive AI focus” kimi göstərilən qırmızı seriya 2024-cü ildə bu böyüklüklə uyğun görünmür. Figure 1 qeydi də substantive ölçünü iki və ya daha çox AI paraqrafı kimi müəyyənləşdirir.

Mənbədə bu fərqi izah edən ayrıca metodoloji qeyd olmadığı üçün Verianla bu iki təqdimatı birləşdirmir və ya birinin adından digərini səssizcə düzəltmir.

Tədqiqatın dəstəklədiyi nəticələr

• AI disclosure intensity araşdırılan ABŞ panelində növbəti il Tobin’s Q və market-to-book qiymətləndirmələri ilə müsbət əlaqəlidir.
• Əlaqə current valuation, lagged valuation, industry-year effects və alternativ AI disclosure ölçülərində qorunur.
• Filing ətrafındakı analyst coverage və EPS revision ölçülərində əhəmiyyətli AI disclosure əlaqəsi tapılmır.
• AI news attention təkbaşına güclü qiymətləndirmə dəyişəni deyil.
• AI news attention ilə şirkətin AI disclosure-u arasındakı qarşılıqlı təsir müsbətdir.
• Media amplifikasiyası exact-name, outlier və permutation yoxlamalarında qorunur.
• AI disclosure qiymətləndirmə əlaqəsi böyük işəgötürənlərdə və böyük aktivli şirkətlərdə daha güclüdür.
• Analyst coverage vasitəçilik yolunun təxmini təxminən sıfırdır.
• IV və sample-selection analizləri əsas müsbət əlaqəni aradan qaldırmır.

Tədqiqatın dəstəkləmədiyi nəticələr

• AI haqqında daha çox yazmağın şirkət dəyərini qəti və səbəbli şəkildə artırdığı sübut olunmamışdır.
• AI disclosure mətninin şirkətin real AI qabiliyyətini birbaşa ölçdüyü göstərilməmişdir.
• Analitiklərin AI məlumatına heç reaksiya vermədiyi göstərilməmişdir; yalnız araşdırılan coverage və illik EPS pəncərələrində əhəmiyyətli yaxın dövr yenilənməsi tapılmamışdır.
• Media diqqətinin təkbaşına şirkət qiymətləndirilməsini artırdığı göstərilməmişdir.
• R&D intensivliyinin AI disclosure premiumunu gücləndirdiyi göstərilməmişdir.
• Post-ChatGPT dövrünün əlaqəni statistik olaraq gücləndirdiyi göstərilməmişdir.
• ABŞ nümunəsindəki nəticələrin digər ölkələrə və tənzimləyici strukturlara avtomatik ümumiləşdirilə biləcəyi göstərilməmişdir.
• AI açıqlamalarının gələcəkdə real məhsuldarlığa, mənfəətə və ya məhsul uğuruna çevriləcəyi birbaşa sınaqdan keçirilməmişdir.

Əsas məhdudiyyətlər

• AI disclosure ölçüsü lüğət əsaslıdır və real AI capability əvəzinə mətn açıqlamasının intensivliyini ölçür.
• Alternativ paraqraf və substantive ölçüləri measurement error problemini azalda bilər, lakin tamamilə aradan qaldırmır.
• Dizayn əsasən əlaqəsəldir və zaman-dəyişkən omitted variables qala bilər.
• Analitik testləri illik EPS snapshot-larına fokuslandığı üçün target price, qualitative report və ya daha uzun üfüqlü reaksiyanı qaçıra bilər.
• TDM media paneli şirkət-adı matching prosesindən asılıdır.
• Article-level doğrulama şirkət mənşəli elan ilə üçüncü tərəf xəbərini daha yaxşı ayıra bilər.
• Nümunə ABŞ şirkətləri ilə məhdudlaşır.
• 2010–2024 dövrü sürətli AI yayılmasını ehtiva etdiyindən gələcək dövrlərdə əlaqənin eyni qalacağı məlum deyil.

Gələcək tədqiqat istiqamətləri

Mənbə mətn əsaslı disclosure ölçülərinin AI patents, AI job postings və real product launches kimi xarici capability göstəriciləri ilə doğrulanmasını təklif edir. Analitik tərəfdə daha uzunmüddətli forecast, target-price və keyfiyyət tədqiqat hesabatları; media tərəfində isə article-level provenance fərqləndirilməsi gələcək tədqiqatlar üçün vacibdir.

Mənbə və Metod Qeydi

Tam orijinal başlıq: AI Disclosure Narratives, Media Attention, and Firm Valuation.

Müəlliflər: Mingyeong Song; Hana Kim.

Corresponding author: Hana Kim.

PDF-də afiliyasiya: School of Business and Technology Management, Korea Advanced Institute of Science and Technology (KAIST), Daejeon, Republic of Korea.

SSRN afiliyasiya qeydi: SSRN Hana Kim-i KAIST ilə göstərdiyi halda Mingyeong Song üçün afiliyasiya məlumatı vermir; yüklənmiş PDF hər iki müəllifi eyni KAIST bölməsi ilə əlaqələndirir.

Platforma: SSRN.

SSRN Abstract ID: 7030637.

DOI: 10.2139/ssrn.7030637.

Posting tarixi: 30 iyun 2026.

Səhifə sayı: 21.

Mənbə növü: Preprint research paper.

Hakemlik: Yüklənmiş PDF açıq şəkildə hakem qiymətləndirilməsindən keçmədiyini bildirir.

Hakemli journal version: Cari biblioqrafik yoxlamada ayrıca hakemli versiya təsdiqlənməmişdir.

Lisenziya: SSRN qeydi “All rights reserved. No reuse allowed without permission” bildirir.

Açar sözlər: artificial intelligence; disclosure; news attention; valuation; analyst forecasts; textual analysis.

JEL: G14; G32; M41; O33.

Tədqiqat dövrü: 2010–2024.

Əsas məlumat mənbələri: SEC EDGAR 10-K, Compustat, IBES və ProQuest TDM Studio.

Əsas disclosure paneli: 72.958 şirkət-il.

Üstün tutulan Tobin’s Q regresiyası: 60.468 müşahidə.

Analitik regresiya nümunəsi: 7.599 şirkət-il.

Əsas AI disclosure ölçüsü: Filing uzunluğuna normallaşdırılan tiered AI keyword score; upper-tail winsorization və IHS çevrilməsi tətbiq olunur.

Alternativ disclosure ölçüləri: AI-related paragraph dispersion və substantive AI disclosure.

Əsas ekonometrik üsul: Şirkət və il fixed effects daxil olan lead-lag panel regresiyası; standart xətalar şirkət və il səviyyəsində double-clustered.

Analitik dizaynı: 10-K filing tarixindən əvvəlki və sonrakı 180 gün daxilində növbəti maliyyə ili üçün ən yaxın IBES snapshot-larının uyğunlaşdırılması.

Media dizaynı: TDM AI news attention şirkət-il səviyyəsində gvkey-year-a toplanır və interaction-dan əvvəl disclosure ilə birlikdə mərkəzləşdirilir.

Əsas qiymətləndirmə əmsalı: AI disclosure → log Tobin’s Q(t+1): 0,115, s.e. 0,024.

Market-to-book əmsalı: 0,146, s.e. 0,032.

Analitik kanalı: Coverage change, NUMEST, EPS revision və scaled EPS revision nəticələrinin heç birində AI disclosure əmsalı əhəmiyyətli deyil.

Əsas media qarşılıqlı təsiri: AI disclosure × TDM news = 0,085, s.e. 0,027.

Permutation placebo: 300 within-year yenidən təyinat; empirik iki tərəfli p=0,003.

Qabiliyyət heterojenliyi: Large employer və large assets qarşılıqlı təsirləri 0,105 və əhəmiyyətlidir; high R&D qarşılıqlı təsiri əhəmiyyətli deyil.

Industry-peer IV: First-stage F=307,7; second-stage AI disclosure əmsalı 0,357.

State-peer IV: First-stage F=34,3; second-stage əmsalı 0,818.

Sample selection: IPW və Heckman düzəlişlərində AI disclosure əmsalı müsbət qalır; inverse Mills ratio 0,019 və p=0,945-dir.

Mediation: Analyst coverage vasitəsilə dolayı təsir -0,001 və vasitəçilik payı təxminən %0-dır.

Maraqların toqquşması: Müəlliflər məlum rəqabətli maliyyə marağının və ya tədqiqata təsir edə biləcək şəxsi münasibətin olmadığını bildirmişlər.

Data availability: Compustat və IBES məlumatları WRDS vasitəsilə, TDM Studio məlumatları ProQuest lisenziyası altında istifadə edilmişdir və müəlliflər tərəfindən yenidən paylana bilməz. SEC 10-K filings EDGAR vasitəsilə ictimaiyyətə açıqdır.

Maliyyələşdirmə: Yüklənmiş PDF-də ayrıca maliyyələşdirmə bəyanatı görünmür.

CRediT: Yüklənmiş PDF-də ayrıca CRediT/müəllif töhfələri bəyanatı görünmür.

Əsas şərh məhdudiyyəti: Tədqiqat möhkəmlik və IV analizlərinə baxmayaraq əsas tədqiqat dizaynını əlaqəsəl kimi xarakterizə edir; müşahidə olunmayan zaman-dəyişkən amillər tam şəkildə istisna edilməmişdir.

Figure 1 mənbədaxili uyğunsuzluq: Giriş substantive AI discussion nisbətinin 2024-cü ildə %42,6 olduğunu bildirdiyi halda Figure 1-də eyni anlayışa uyğun olduğu deyilən seriya bu səviyyə ilə vizual olaraq uyğun gəlmir. Mənbə fərqi izah etmədiyindən Verianla bu seriyanı dəqiq rəqəmsal qrafik kimi yenidən yaratmır.

Figure 2: 10-K AI mention share ilə müsbət TDM AI news attention olan şirkətlərin payının 2010–2024 trendini birlikdə göstərir.