Sunʼiy intellektni oshkor qilish intensivligi — kompaniyaning SEC 10-K hisobotidagi AI bilan bogʻliq mazmunni hujjat uzunligiga nisbatan normallashtirib, inverse hyperbolic sine transformatsiyasidan oʻtkazish orqali tuziladigan matnga asoslangan korporativ disclosure koʻrsatkichidir. Mingyeong Song va Hana Kim 2010–2024 davridagi AQSh ochiq kompaniyalarini oʻrganib, AI disclosure intensivligining keyingi yil kompaniya baholanishi bilan qanday bogʻliqligini, tahlilchilar ayni disclosure-larga yaqin davrdagi EPS prognozlari orqali munosabat bildiradimi-yoʻqmi va AI bilan bogʻliq media eʼtibori ushbu baholash munosabatini kuchaytiradimi-yoʻqmi tekshiradi. SEC EDGAR, Compustat, IBES va ProQuest TDM Studio maʼlumotlarini birlashtirgan tadqiqot AI disclosure intensivligi keyingi yilgi Tobin’s Q va market-to-book baholashlari bilan ijobiy bogʻliq ekanini, biroq filing sanasi atrofida analyst coverage oʻzgarishi yoki EPS forecast revision boʻyicha muhim yaqin muddatli taʼsir aniqlanmaganini xabar qiladi.

Tadqiqotning markaziy natijasi bozor–tahlilchi assimetriyasidir. Asosiy fixed effects modelida AI disclosure intensivligining keyingi yil log Tobin’s Q koeffitsiyenti 0,115 bo‘lib, %1 darajada ahamiyatlidir. Market-to-book natijasi 0,146. Bunga qarshi ravishda analyst coverage o‘zgarishi, filingdan keyingi tahlilchilar soni va EPS forecast revision koeffitsiyentlari statistik jihatdan ahamiyatli emas. Formal mediation tahlilida ham analyst coverage yo‘li orqali o‘tuvchi bilvosita taʼsir taxminan nol deb topilgan.

AI yangiliklariga eʼtibor o‘zi alohida mustaqil baholash ko‘rsatkichi emas; biroq kompaniya AI disclosure-si bilan o‘zaro taʼsirlashganda baholash munosabatini kuchaytiradi. AI disclosure × TDM AI news interaction koeffitsiyenti asosiy Tobin’s Q modelida 0,085 bo‘lib, exact-name matching, outlier exclusion, winsorization va permutation placebo tekshiruvlarida saqlanadi. Shunga qaramay, tadqiqot kuzatuvga asoslangan va mohiyatan assotsiativdir. Fixed effects, lead-lag vaqt tuzilishi, instrumental o‘zgaruvchilar va sample-selection tuzatishlari muhim robustlik beradi; ammo tadqiqot AI disclosure kompaniya bahosini sababiy ravishda oshirishini qatʼiy isbotlamaydi.

Tadqiqot muammosi

Kompaniyalar yillik 10-K hisobotlarida sunʼiy intellekt haqida tobora ko‘proq so‘z yuritmoqda. Ammo kompaniyaning “AI dan foydalanamiz”, “AI ga investitsiya qilamiz” yoki “AI salohiyatimizni rivojlantiramiz” tarzidagi bayonoti ikki xil yo‘l bilan narxlanishi mumkin.

Birinchi kanal tahlilchilarning fundamental ko‘rsatkichlarni yangilashidir. Agar AI disclosure yaqin muddatdagi daromadlarni haqiqatan o‘zgartirsa, sell-side tahlilchilar EPS prognozlarini, coverage darajalarini yoki boshqa moliyaviy kutilmalarni o‘zgartirishi kutilishi mumkin.

Ikkinchi kanal bozor narratividir. AI disclosure hali yaqin muddatli daromadlarga aylanmagan bo‘lsa ham, investorlarning kompaniyaning uzoq muddatli o‘sish imkoniyatlari, texnologik salohiyati, intangible capital yoki strategik o‘rni haqidagi kutilmalariga taʼsir qilishi mumkin. Bunday holda baholash multiplikatorlari o‘zgarishi, tahlilchilarning qisqa muddatli EPS prognozlari esa o‘zgarmasligi mumkin.

Tadqiqotning asosiy yangiligi — ushbu ikki kanalni bir xil tadqiqot dizayni ichida ajratishga urinishidir.

Nega 10-K hisobotlaridan foydalaniladi?

10-K AQShdagi ochiq kompaniyalar SEC ga topshiradigan majburiy yillik hisobotdir. Bu hisobotlar moliyaviy hisobotlardan tashqari risklar, operatsiyalar, strategiya va kelajakka yo‘naltirilgan korporativ disclosure-larni ham o‘z ichiga oladi. Shu sababli ular AI bilan bog‘liq narrativlarni muntazam va kompaniya darajasida taqqoslash mumkin bo‘lgan katta matn manbasini yaratadi.

Manba namunada har qanday AI ifodasi mavjud 10-K ulushi 2010-yildagi %2,5 dan 2024-yilda %57,9 gacha ko‘tarilganini bildiradi. Kirish matnida substantive AI discussion ulushi ham %1,0 dan %42,6 gacha oshgani yozilgan. Biroq manbadagi Figure 1 dagi substantive qator vizual jihatdan ushbu %42,6 qiymatiga mos kelmaydi. Shu sababli %42,6 matnda bildirilgan manba qiymati sifatida saqlanishi, manba ichidagi tafovut hal qilinmaguncha grafik maʼlumot sifatida qayta yaratilmasligi kerak.

To‘rtta tadqiqot gipotezasi

Maʼlumot manbalari

Namuna tuzilishi

Asosiy disclosure–valuation maʼlumotlar bazasida outcome-specific filtrlardan oldin 2010–2024 davriga oid 72.958 kompaniya-yil kuzatuvi mavjud. Afzal ko‘rilgan Tobin’s Q fixed effects regressiyasida yetishmaydigan nazorat o‘zgaruvchilari va ketma-ket keyingi-yil baholanishi shartidan so‘ng 60.468 kuzatuv ishlatiladi.

Tahlilchi kanalida har bir 10-K filing uchun keyingi moliyaviy yil EPS prognozlarida filing sanasidan oldingi va keyingi 180 kun ichidagi eng yaqin IBES snapshot-lari moslashtirilgan. Asosiy regressiya namunasi 7.599 kompaniya-yildir.

TDM Studio maʼlumotlarida kompaniya nomlari normallashtirilib, Compustat gvkey identifikatoriga crosswalk tuzilgan. Bir xil kompaniya-yilga mos kelgan bir nechta yangilik yozuvi avval gvkey-year darajasida jamlangan, so‘ng transformatsiya qo‘llangan.

AI disclosure intensivligi qanday hisoblanadi?

Manbaning xom AI disclosure skori:

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

ko‘rinishida.

tier1 AI bilan bevosita bog‘liq birlamchi atamalarni; tier2 esa ikkilamchi atamalarni anglatadi. Tier-2 atamalari faqat filing ichida kamida bitta tier-1 atamasi bo‘lsa hisobga olinadi. Shu tariqa umumiy texnologiya so‘zlarini kontekstdan uzib AI sifatida sanash kamaytiriladi.

10.000 ko‘paytuvchisi faqat masshtablash vazifasini bajaradi. Keyin skor yuqori dumda winsorize qilinadi va AI disclosure juda siyrak bo‘lgani uchun inverse hyperbolic sine transformatsiyasi qo‘llanadi.

Muqobil AI disclosure o‘lchovlari

• AI bilan bog‘liq paragraflar sonining IHS transformatsiyasi.
• AI-paragraf dispersiyasi.
• Ikki yoki undan ortiq AI bilan bog‘liq paragraf yoki aniq AI yo‘nalishi mavjud bo‘lsa 1 bo‘ladigan substantive AI disclosure ko‘rsatkichi.

Muqobil o‘lchovlarning maqsadi asosiy natija bitta keyword skoriga bog‘liqmi-yo‘qmi, shuni tekshirishdir.

Asosiy lead-lag baholash modeli

Manba asosiy modelni:

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

ko‘rinishida quradi.

\(\log Q_{i,t+1}\) keyingi moliyaviy yildagi log Tobin’s Q qiymatidir. \(AI\ Disclosure_{i,t}\) joriy yilning IHS-transformatsiyalangan AI disclosure intensivligidir. \(X_{i,t}\) ROA, log assets, R&D intensity va debt ratio nazorat o‘zgaruvchilaridir. \(\alpha_i\) kompaniya fixed effect-ini, \(\delta_t\) yil fixed effect-ini bildiradi.

Standart xatolar kompaniya va yil darajasida ikki tomonlama klasterlangan. Qo‘shimcha modellarda yil fixed effects industry-year fixed effects bilan almashtiriladi yoki joriy/kechikkan baholanish nazorat qilinadi.

10-K dagi AI Disclosure Kompaniya Baholanishi Bilan Qanday Bog‘liq?

2010–2024 AQSh kompaniya-yil panelida AI disclosure intensivligi keyingi yil baholanishi bilan ijobiy bog‘liq; asosiy fixed effects modelida log Tobin’s Q koeffitsiyenti 0,115, log market-to-book koeffitsiyenti 0,146 bo‘lib, joriy yoki kechikkan baholash nazoratlari qo‘shilganda munosabat kichraysa-da ijobiy qoladi. Tadqiqot bu natijani sababiy taʼsir emas, robustlashtirilgan assotsiativ natija sifatida talqin qiladi.

Tobin’s Q natijalari

*** belgisi manbada p<0,01 darajasini bildiradi.

Muqobil o‘lchovlar ham ayni yo‘nalishni ko‘rsatadimi?

Ha. AI paragraph dispersion koeffitsiyenti 0,044, substantive AI disclosure koeffitsiyenti 0,061 bo‘lib, ikkalasi ham %1 darajada ahamiyatli.

Shuningdek, post-ChatGPT interaction 0,025 va p=0,394. Bu natija asosiy AI disclosure–valuation munosabati faqat 2023–2024 davridagi ChatGPT sababli AI eʼtibori portlashiga xos emasligini ko‘rsatuvchi manba qo‘llab-quvvatlagan dalil beradi.

Tahlilchi kanali qanday sinovdan o‘tkaziladi?

Tahlilchi tahlilining vaqt tuzilishi asosiy kompaniya-yil modelidan farq qiladi. Tadqiqotchilar 10-K filing sanasini haqiqiy event sanasi sifatida olib, keyingi moliyaviy yil uchun filingdan oldingi va keyingi eng yaqin IBES forecast snapshot-larini taqqoslaydi.

Sinovdan o‘tkazilgan natijalar:

• analyst coverage change,
• filingdan keyingi tahlilchilar soni,
• xom EPS forecast revision,
• narxga masshtablangan EPS revision

ko‘rinishida.

Tahlilchilar AI Disclosure-ni Darhol EPS Prognozlariga Aks Ettiradimi?

Manbada bunga doir ahamiyatli yaqin muddatli dalil yo‘q: AI disclosure intensivligining coverage change, filingdan keyingi tahlilchilar soni, xom EPS revision va masshtablangan EPS revision koeffitsiyentlarining barchasi statistik jihatdan ahamiyatsiz; bu natija tahlilchilar umuman javob bermaydi degani emas, balki o‘rganilgan filing oynasida yaqin muddatli fundamental ko‘rsatkich yangilanishi aniqlanmaganini bildiradi.

Media eʼtibori qanday o‘lchanadi?

TDM AI news attention kompaniya-yil darajasidagi AI bilan bog‘liq yangiliklar sonini gvkey-year darajasida yig‘ib, IHS transformatsiyasidan o‘tkazish orqali tuzilgan.

Muqobil tier-weighted media o‘lchovi:

tier1 + 0,5 × tier2 + 0,25 × tier3

ko‘rinishidagi og‘irliklangan AI keyword tuzilmasidan foydalanadi.

Interaction modellarida kompaniya AI disclosure-si va media eʼtibori avval markazlashtiriladi, so‘ng ikki o‘zgaruvchining ko‘paytmasi tuziladi.

AI Yangiliklariga Eʼtibor Kompaniya Disclosure-sining Baholash Taʼsirini Kuchaytiradimi?

Ha; media eʼtibori o‘zi alohida ahamiyatli baholash o‘zgaruvchisi bo‘lmagan holda AI disclosure × AI news interaction koeffitsiyenti Tobin’s Q uchun 0,085, market-to-book uchun 0,104 va industry-year fixed effects modelida 0,091; manba ushbu naqshni media kompaniya disclosure-si o‘rnini bosishi emas, balki kompaniya narrativining bozor ko‘rinuvchanligini oshiradigan amplifikatsiya mexanizmi sifatida talqin qiladi.

Media interaction natijalari

TDM AI news asosiy taʼsiri bazaviy modelda 0,002 bo‘lib, statistik jihatdan ahamiyatli emas. Bu farq muhim: natijani “AI yangiliklari kompaniyalar qiymatini oshiradi” deb talqin qilib bo‘lmaydi. Natijadagi muhim jihat yangilik ko‘rinuvchanligi bilan kompaniyaning o‘z AI disclosure-si birga kelishidir.

Kompaniya nomini matching qilish xatosi natijani tushuntirishi mumkinmi?

Manba TDM maʼlumotlarini kompaniya nomlari orqali Compustat ga matching qilishning false-positive riskini alohida sinovdan o‘tkazadi.

Yil ichidagi TDM attention qiymatlari kompaniyalar orasida tasodifiy qayta taqsimlangan 300 permutation placebo testida null koeffitsiyent taqsimotining o‘rtachasi 0,000, standart og‘ishi 0,019. Hech bir tasodifiy qayta tayinlash kuzatilgan 0,085 koeffitsiyentga yetmagan va empirik ikki tomonlama p qiymati 0,003 deb topilgan.

Tashkiliy salohiyat nega muhim?

AI texnologiyasini joriy qilish faqat bir dasturiy taʼminot nomidan foydalanish emas. U maʼlumot infratuzilmasi, IT tizimlari, texnik ishchi kuchi va tashkiliy rutinlar kabi to‘ldiruvchi kapitalni talab qiladi. Shu sababli manba AI disclosure yirikroq kompaniyalarda ishonchliroq yoki amalga oshirish mumkinroq deb qabul qilinishi haqidagi gipotezani sinaydi.

Tadqiqot Usuli va Natijalari

Tashkiliy salohiyat natijalari

Large employer asosiy taʼrifida kamida 1.000 xodimni, large assets esa medianadan yuqori log assets qiymatini anglatadi.

Qo‘shimcha Table A4 da natija uzluksiz o‘lchovlar bilan ham ko‘rib chiqiladi. AI disclosure × log employment koeffitsiyenti 0,019, AI disclosure × log sales 0,008 bo‘lib, ahamiyatli. Aksincha, capx/assets va R&D intensity interaction-lari ahamiyatli emas.

Instrumental o‘zgaruvchi tahlili nega o‘tkaziladi?

AI disclosure intensity endogen bo‘lishi mumkin. Masalan, allaqachon yuqori baholangan kompaniyalar ko‘proq AI disclosure qilishi yoki AI disclosure va baholashning ikkalasiga taʼsir qiluvchi kuzatilmaydigan vaqt bo‘yicha o‘zgaruvchi omillar mavjud bo‘lishi mumkin.

Manba ikkita alohida just-identified 2SLS modelini quradi.

1. Industry-peer IV: ayni Fama–French 48 sanoatidagi boshqa kompaniyalarning shu yildagi leave-one-out AI disclosure o‘rtachasi.
2. Geographic/state IV: ayni AQSh shtatidagi boshqa kompaniyalarning shu yildagi leave-one-out AI disclosure o‘rtachasi.

2SLS natijalari

Har ikki first-stage F statistikasi anʼanaviy weak-instrument chegaralaridan yuqori. Mualliflar second-stage koeffitsiyentlar fixed effects bahosidan katta bo‘lishini lug‘atga asoslangan AI disclosure o‘lchovidagi measurement error sababli attenuation bilan mos deb hisoblaydi.

Biroq instrumental o‘zgaruvchining exclusion restriction farazini bevosita sinab bo‘lmaydi. Ayni sanoat yoki shtatdagi boshqa kompaniyalarning AI disclosure-si maqsad kompaniya baholanishiga faqat maqsad kompaniyaning disclosure xatti-harakati orqali taʼsir qiladi, degan faraz muhim. Shu sababli 2SLS natijasi kuchliroq sababiylik dalilini beradi, ammo o‘zi alohida qatʼiy sababiy isbot sifatida taqdim etilmasligi kerak.

Namuna tanlovi tuzatilganda natija o‘zgaradimi?

Keyingi-yil baholanishi barcha kompaniya-yillarda kuzatilmagani uchun manba inverse-probability weighting va Heckman two-step tuzatishlaridan foydalanadi.

Heckman modelidagi inverse Mills ratio 0,019 va p=0,945. Manba bu natijani sample-retention jarayonidan kelib chiqadigan yaqqol selection bias dalili yo‘q deb talqin qiladi.

Ushbu jadvaldagi koeffitsiyent darajalari asosiy Table 3 bilan to‘g‘ridan-to‘g‘ri taqqoslanmasligi kerak; selection-correction modellari industry va year fixed effects dan foydalanadi, asosiy baseline esa firm fixed effects ni o‘z ichiga oladi.

Tahlilchi kanali vositachilik qiladimi?

Bu tahlil 6.264 kompaniya-yilda qo‘llangan. a path nolga yaqin va ahamiyatsiz bo‘lgani sababli AI disclosure → analyst coverage → valuation zanjiridagi kuzatilgan bilvosita taʼsir amalda yo‘q.

Figure 2 nimani ko‘rsatadi?

Manba Figure 2 da 2010–2024 oralig‘ida 10-K AI mention share bilan ijobiy TDM AI news attention mavjud kompaniyalar ulushini birga ko‘rsatadi. AI disclosure qatori ayniqsa 2022 dan keyin juda tez oshadi, TDM media attention qatori esa xuddi shunday bir yo‘nalishda ko‘tarilmaydi.

Bu tasvir tadqiqotning “media eʼtibori disclosure o‘rnini bosmaydi” degan xulosasi bilan konseptual jihatdan mos. Biroq Figure 2 faqat vaqt bo‘yicha deskriptiv qatorlarni ko‘rsatadi; interaction koeffitsiyentining sababiy mexanizmini o‘zi alohida isbotlamaydi.

Figure 1 dagi manba ichki nomuvofiqlik

Kirish matni substantive AI discussion ulushi 2024-yilda %42,6 ekanini aytadi, Figure 1 dagi “Substantive AI focus” deb ko‘rsatilgan qizil qator esa 2024-yilda bu miqdorga vizual ravishda mos kelmaydi. Figure 1 izohida ham substantive o‘lchov ikki yoki undan ortiq AI paragrafi sifatida taʼriflanadi.

Manbada bu farqni tushuntiradigan alohida metodologik izoh bo‘lmagani uchun Verianla bu ikki ko‘rinishni birlashtirmaydi yoki biri nomidan ikkinchisini jimlik bilan tuzatmaydi.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• AI disclosure intensity o‘rganilgan AQSh panelida keyingi yil Tobin’s Q va market-to-book baholanishlari bilan ijobiy bog‘liq.
• Munosabat current valuation, lagged valuation, industry-year effects va muqobil AI disclosure o‘lchovlarida saqlanadi.
• Filing atrofidagi analyst coverage va EPS revision o‘lchovlarida ahamiyatli AI disclosure munosabati topilmagan.
• AI news attention o‘zi alohida kuchli baholash o‘zgaruvchisi emas.
• AI news attention bilan kompaniya AI disclosure-si o‘rtasidagi interaction ijobiy.
• Media amplifikatsiyasi exact-name, outlier va permutation tekshiruvlarida saqlanadi.
• AI disclosure–valuation munosabati large employer va large assets kompaniyalarda kuchliroq.
• Analyst coverage vositachilik yo‘lining bahosi taxminan nol.
• IV va sample-selection tahlillari asosiy ijobiy munosabatni yo‘q qilmaydi.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

• AI haqida ko‘proq yozish kompaniya qiymatini aniq va sababiy ravishda oshirishi isbotlanmagan.
• AI disclosure matni kompaniyaning haqiqiy AI capability-sini bevosita o‘lchashi ko‘rsatilmagan.
• Tahlilchilar AI maʼlumotiga umuman javob bermasligi ko‘rsatilmagan; faqat o‘rganilgan coverage va yillik EPS oynalarida ahamiyatli yaqin muddatli yangilanish topilmagan.
• Media eʼtibori o‘zi alohida kompaniya baholanishini oshirishi ko‘rsatilmagan.
• R&D intensivligi AI disclosure premiumini kuchaytirishi ko‘rsatilmagan.
• Post-ChatGPT davri munosabatni statistik jihatdan kuchaytirishi ko‘rsatilmagan.
• AQSh namunasidagi natijalarni boshqa mamlakat va tartibga solish tuzilmalariga avtomatik umumlashtirish mumkinligi ko‘rsatilmagan.
• AI disclosure keyinchalik haqiqiy unumdorlik, foyda yoki mahsulot muvaffaqiyatiga aylanishi bevosita sinovdan o‘tkazilmagan.

Asosiy cheklovlar

• AI disclosure o‘lchovi lug‘atga asoslangan bo‘lib, haqiqiy AI capability o‘rniga matnli disclosure intensivligini o‘lchaydi.
• Muqobil paragraf va substantive o‘lchovlar measurement error muammosini kamaytirishi mumkin, ammo butunlay yo‘q qilmaydi.
• Dizayn mohiyatan assotsiativ va vaqt bo‘yicha o‘zgaruvchi omitted variables qolishi mumkin.
• Tahlilchi testlari yillik EPS snapshot-lariga qaratilgani uchun target price, qualitative report yoki uzoqroq muddatli javobni o‘tkazib yuborishi mumkin.
• TDM media paneli kompaniya nomi matching jarayoniga bog‘liq.
• Article-level tekshiruv kompaniya manbali eʼlonni uchinchi tomon yangiligidan yaxshiroq ajrata olishi mumkin.
• Namuna AQSh kompaniyalari bilan cheklangan.
• 2010–2024 davri AI ning tez yoyilishini qamrab olgani sababli kelajak davrlarda munosabat bir xil qolishi nomaʼlum.

Kelajak tadqiqot yo‘nalishlari

Manba matnli disclosure o‘lchovlarini AI patents, AI job postings va haqiqiy product launches kabi tashqi capability ko‘rsatkichlari bilan tasdiqlashni taklif qiladi. Tahlilchi tomonida uzoqroq muddatli forecast, target-price va sifatli tadqiqot hisobotlari; media tomonida esa article-level provenance ajratilishi kelajak tadqiqotlar uchun muhimdir.

Manba va Usul Haqida Izoh

To‘liq asl sarlavha: AI Disclosure Narratives, Media Attention, and Firm Valuation.

Mualliflar: Mingyeong Song; Hana Kim.

Corresponding author: Hana Kim.

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

SSRN afiliatsiya izohi: SSRN Hana Kim ni KAIST bilan ko‘rsatadi, Mingyeong Song uchun esa afiliatsiya maʼlumoti bermaydi; yuklangan PDF har ikki muallifni bir xil KAIST bo‘limi bilan bog‘laydi.

Platforma: SSRN.

SSRN Abstract ID: 7030637.

DOI: 10.2139/ssrn.7030637.

Posting sanasi: 30 iyun 2026.

Sahifalar soni: 21.

Manba turi: Preprint research paper.

Peer review holati: Yuklangan PDF aniq ravishda peer review dan o‘tmaganini bildiradi.

Peer-reviewed journal version: Joriy bibliografik tekshiruvda alohida peer-reviewed versiya tasdiqlanmagan.

Litsenziya: SSRN yozuvi “All rights reserved. No reuse allowed without permission” deb bildiradi.

Kalit so‘zlar: artificial intelligence; disclosure; news attention; valuation; analyst forecasts; textual analysis.

JEL: G14; G32; M41; O33.

Tadqiqot davri: 2010–2024.

Asosiy maʼlumot manbalari: SEC EDGAR 10-K, Compustat, IBES va ProQuest TDM Studio.

Asosiy disclosure paneli: 72.958 kompaniya-yil.

Afzal ko‘rilgan Tobin’s Q regressiyasi: 60.468 kuzatuv.

Tahlilchi regressiya namunasi: 7.599 kompaniya-yil.

Asosiy AI disclosure o‘lchovi: Filing uzunligiga normallashtirilgan tiered AI keyword score; upper-tail winsorization va IHS transformatsiyasi qo‘llanadi.

Muqobil disclosure o‘lchovlari: AI-related paragraph dispersion va substantive AI disclosure.

Asosiy ekonometrik usul: Kompaniya va yil fixed effects ni o‘z ichiga olgan lead-lag panel regressiyasi; standart xatolar kompaniya va yil darajasida double-clustered.

Tahlilchi dizayni: 10-K filing sanasidan oldingi va keyingi 180 kun ichida keyingi moliyaviy yil uchun eng yaqin IBES snapshot-larini moslashtirish.

Media dizayni: TDM AI news attention kompaniya-yil darajasida gvkey-year ga yig‘iladi va interaction oldidan disclosure bilan birga markazlashtiriladi.

Asosiy baholash koeffitsiyenti: AI disclosure → log Tobin’s Q(t+1): 0,115, s.e. 0,024.

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

Tahlilchi kanali: Coverage change, NUMEST, EPS revision va scaled EPS revision natijalarining hech birida AI disclosure koeffitsiyenti ahamiyatli emas.

Asosiy media interaction: AI disclosure × TDM news = 0,085, s.e. 0,027.

Permutation placebo: 300 within-year qayta tayinlash; empirik ikki tomonlama p=0,003.

Salohiyat heterojenligi: Large employer va large assets interaction-lari 0,105 va ahamiyatli; high R&D interaction-i ahamiyatli emas.

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

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

Sample selection: IPW va Heckman tuzatishlarida AI disclosure koeffitsiyenti ijobiy qoladi; inverse Mills ratio 0,019 va p=0,945.

Mediation: Analyst coverage orqali bilvosita taʼsir -0,001 va vositachilik ulushi taxminan %0.

Manfaatlar to‘qnashuvi: Mualliflar maʼlum raqobatdosh moliyaviy manfaat yoki tadqiqotga taʼsir qilishi mumkin bo‘lgan shaxsiy munosabat yo‘qligini bildirgan.

Data availability: Compustat va IBES maʼlumotlari WRDS orqali, TDM Studio maʼlumotlari ProQuest litsenziyasi ostida ishlatilgan va mualliflar tomonidan qayta tarqatilishi mumkin emas. SEC 10-K filings EDGAR orqali ommaga ochiq.

Moliyalashtirish: Yuklangan PDF da alohida moliyalashtirish bayonoti ko‘rinmaydi.

CRediT: Yuklangan PDF da alohida CRediT/muallif hissalari bayonoti ko‘rinmaydi.

Asosiy talqin cheklovi: Tadqiqot robustlik va IV tahlillariga qaramay, asosiy tadqiqot dizaynini assotsiativ deb taʼriflaydi; kuzatilmaydigan vaqt bo‘yicha o‘zgaruvchi omillar to‘liq chiqarib tashlanmagan.

Figure 1 manba ichki nomuvofiqligi: Kirish substantive AI discussion ulushi 2024-yilda %42,6 ekanini bildiradi, Figure 1 da shu tushunchaga mos deyilgan qator esa bu darajaga vizual mos kelmaydi. Manba tafovutni izohlamagani sababli Verianla bu qatorni aniq raqamli grafik sifatida qayta yaratmaydi.

Figure 2: 10-K AI mention share bilan ijobiy TDM AI news attention mavjud kompaniyalar ulushining 2010–2024 trendini birga ko‘rsatadi.