你听一家公司的财报电话会，管理层先说收入和利润，随后提到招不到熟练工、员工流失、工资压力，或者正在大幅重组团队。单看每句话，它们像是经营杂音。但合在一起，可能透露一件财务报表不容易显示的事：这家公司维持正常运转所依赖的人，正在变得更贵、更少，或更不稳定。
Ang Zhang 的一篇 arXiv 预印本尝试把这种叙述变成可计算的风险信号。研究从财报电话会（earnings call——管理层在业绩发布后解释经营情况并回答分析师提问的会议）中识别“披露的人力资本扰动”，再检验它与股票风险的关系。这里的人力资本，指员工的技能、经验、组织知识和持续工作能力。
值得先说明：下文的效果数字均来自这篇尚待同行评审的单篇预印本，暂无第三方复现。研究发现的是相关性和预测关系，不是“员工动荡导致股价风险上升”的因果结论。
它寻找的不是所有员工话题
研究覆盖从 2005 年 10 月到 2025 年 5 月的 45,725 场电话会。作者把“人力资本扰动”限定为会约束、重新定价、中断或重组本公司劳动力的实质情况或行动，包括劳动力短缺、技能约束、员工流失与留任压力、工资及用工成本压力、安全和业务连续性问题、人员重组，以及影响重大的领导层更替。
边界同样重要。例行披露员工人数、泛泛谈企业文化，或者讨论别家公司的用工问题，都不自动算作扰动。分析师提出一个未经管理层证实的问题，也不够。换句话说，模型不是在数“员工”一词出现了多少次，而是在判断一段话是否真的说明组织运转受到冲击。
具体做法分两步。研究先用词表和分类器，从 183 万余个可能涉及员工的句子中筛出 173,273 个候选句；再把候选句连同前后句交给 contextual language model——一种会结合上下文理解词义和否定关系的语言模型——判断是否符合作者制定的标准。比如，“turnover”究竟指员工流失还是库存周转，单看一个词很难分清，前后文才是关键。
作者先人工分类了 50 段文字，用来划定经济含义的边界。之后，Claude Opus 4.8 按同一标准标注训练和评估材料，三个独立训练的 DeBERTa-v3-base 模型负责大规模分类。最终指标按每 10,000 个电话会单词中的扰动片段数计算，再汇总到公司财政年度。研究同时控制一般性的员工话题频率，试图区分“谈员工很多”和“谈到了真正的扰动”。
风险更像来自公司内部
年度分析包含 2006 至 2024 财年的 13,201 个公司年度观测，涉及 2,870 家公司。研究在同一家公司内部比较不同年份，并控制年份共同影响及一组公司特征。
据该预印本，一家公司的年度扰动指标上升一个标准差，与年化公司特有波动率上升 0.55 个百分点相关。标准差是衡量数据分散程度的单位；“上升一个标准差”相当于按样本自身的尺度，比较一次较明显但仍可统一衡量的变化。
公司特有波动率，是扣除大盘等共同因素后，仍由单家公司自身状况解释的价格波动。研究还发现，同样幅度的指标变化，与下行偏差上升 0.58 个百分点、最差月度回报降低 0.46 个百分点相关。前者关注负面方向上的波动，后者直接看一年里表现最差的月份。
有意思的是，指标与 market beta 没有相应关系。Market beta 衡量股票随整体市场共同涨跌的程度。这组结果更符合作者的解释：电话会透露的不是整个市场一起面对的风险，而是某家公司内部的组织状态。
这种关系在劳动密集型行业更强。研究按行业的员工与资产之比划分劳动依赖程度，高劳动密集行业的平均扰动频率为每万词 1.78 段，其他行业为 0.92 段。直觉上也说得通：如果经营更依赖大量员工，用工可得性、成本或连续性发生变化，执行原有计划的余地就更小。
不只是“缺人”，也不只是语气悲观
一个自然疑问是：这个指标是否只是换一种方式测量劳动力短缺，或者只是在捕捉管理层说话更负面？
作者做了几层排查。七套更宽或更窄的分类规则，让入选片段数量相对主指标减少 37%到增加 72%，但三项主要风险结果的方向和统计显著性保持稳定。不同规则得到的公司年度排名，Spearman 相关系数为 0.889 至 0.989。
研究还加入已有的 Harford–He–Qiu 劳动力短缺指标，并控制整篇电话会中的负面和不确定性语言。此时，扰动指标与公司特有波动率的关系仍为 0.65 个百分点。把明确谈论劳动力短缺的片段全部删除后，系数为 0.68 个百分点。作者据此认为，该信号覆盖的不只是“招不到人”，也包括留任、成本、技能、重组、安全、连续性和领导层变化。
电话会更像确认了一种持续状态
如果风险只在电话会之后突然上升，我们或许会认为披露本身带来了新消息。但论文看到的图景不同：扰动分数较高的公司，在电话会之前风险就已经偏高；会前到会后的变化很小。
即便控制会前风险，指标仍能预测随后两个互不重叠的 21 个交易日区间内更高的公司特有波动率。合计看未来 42 个交易日，一个标准差的指标上升对应约高 0.50%的公司特有波动率。这里原文写的是百分比，并未明确写成“百分点”，不能与年度结果的 0.55 个百分点直接混用。
这更像体检报告确认了一种已经存在、短期内还会持续的状态，而不是电话会当天突然制造了问题。也正因为风险在披露前已经升高，反向因果和共同冲击都无法排除：可能是原有经营压力同时推高了市场波动，并促使管理层谈到员工问题。
研究还删除所有涉及领导层和继任安排的片段，再观察组织变化。处理后的指标仍能预测下一年度具名高管退出名单，以及现任 CEO 在下一场电话会前实际离任。CEO 离任模型给出的系数为 0.391 个百分点，相当于样本事件率的 15.1%。这说明信号与后续组织变化相连，又不只是模型直接读到了“CEO 将离任”之类的话。
为什么值得关注
传统财务数据擅长记录已经形成的数量，例如员工人数和劳动力支出，却不容易呈现招聘困难、关键技能流失或重组执行压力。论文提供的新入口，是把管理层对组织摩擦的零散叙述整理成公司层面的风险指标。
它对资产定价的启发不在于找到一个可以直接交易的万能分数，而在于扩大“可测量信息”的范围。公司风险未必先出现在收入、利润或资产负债表上。组织能否稳定地找到人、留住人并让团队持续运转，也可能是财务结果形成之前的一层状态变量。
局限与未知
- 这是一项单篇 arXiv 预印本研究，尚待同行评审和独立复现；现有结果不能证明因果关系。
- 指标依赖作者制定的分类边界、候选句筛选和语言模型。第一阶段漏掉的相关句子，后续模型无法找回；电话会没有披露的员工问题也不在测量范围内。
- 研究展示了多种稳健性检验，但材料未提供真正的样本外验证。它能否跨市场、跨披露形式或在实时投资中保持有效，仍是未知数。