隐性人力资本的定价：工作强度与股票回报

《Journal of Banking & Finance》：The pricing of hidden human capital: work intensity and stock returns

　　摘要
我们研究了员工公开的工作强度是否能够预测股票市场的横截面回报。通过对大量中国在线员工评论数据集进行自然语言处理，我们构建了一种新的企业层面工作强度衡量方法，并发现高工作强度的企业能够获得显著的异常回报。这种回报的可预测性源于工作强度能够捕捉到未被定价的劳动投入和生产力提升，这与反映工作场所氛围的员工满意度不同。我们证明了高工作强度能够预测积极的收益意外和随之而来的盈利能力提升，这支持了基于市场错误定价的解释，而非风险补偿。进一步的测试显示，在信息不对称性较高、套利限制较大的企业中，以及在经济不确定性较高或市场竞争激烈的时期，这种效应更为显著，这与投资者注意力不集中和信息逐渐传播的理论一致。我们的发现突显了员工生成内容在识别被错误定价企业方面的价值，并为关于人力资本和资产定价的学术研究做出了贡献。

引言
无形资本在现代股票估值中的重要性日益增加，这对投资者和研究人员都带来了重大挑战。虽然企业价值的很大一部分来源于资产负债表外的无形资产，尤其是人力资本（Pantzalis & Park, 2009; Leung et al., 2018），但将这些因素纳入市场价格仍然非常复杂（Eisfeldt & Papanikolaou, 2013; Kogan & Papanikolaou, 2019; Eisfeldt et al., 2022; Ewens et al., 2025）。这一挑战促使了大量研究试图从非传统数据来源（包括利益相关者披露、新闻媒体和社交媒体信息）中提取与价值相关的信号，以更好地捕捉这些人力资本因素中的软信息（Edmans, 2011; Gutiérrez et al., 2020; Agrawal et al., 2021）。在这些新兴研究中，员工生成的披露因其能够提供关于企业人力资本、运营实力和组织健康状况的实时、内部视角而受到重视。先前的研究表明，这类数据包含的信息并未立即反映在市场价格中。例如，有研究指出工作场所满意度可以预测未来的经营表现和股票回报（Edmans, 2011; Fauver et al., 2018; Huang et al., 2020; Chen et al., 2023），尤其是在负面冲击期间（Shan & Tang, 2023）。后续研究进一步扩展了员工披露定价的领域，表明员工对企业前景的前瞻性预期以及报告的工作场所灵活性都能提供超出满意度指标的预测能力（Green et al., 2019; Sheng, 2025; Au et al., 2021）。这些发现共同表明，作为企业的重要利益相关者，员工拥有对企业基本面的深入了解，他们的集体声音通过系统分析可以揭示与人力资本相关的价值信息。

尽管取得了这些进展，现有文献主要集中在人力资本的情感和感知属性上，如满意度、乐观性和灵活性，但一个关键问题仍未得到解答：市场如何感知和定价实际的劳动投入——这一基础性的人力资本投入直接决定了企业的生产力和价值？具体来说，一个关键维度——员工的工作强度——仍然很大程度上未被探索。结合组织行为和劳动经济学的概念定义（Burke and Fiksenbaum, 2009; Maslach and Leiter, 2008; Piasna, 2018），我们将工作强度定义为员工为满足工作要求而持续付出的努力程度。它反映了生产力提升和与劳动分配相关的潜在成本。关键的是，与情感属性不同，工作强度捕捉到了超越主观感知的结构化工作场所条件（例如，任务密度和加班文化），这使其成为研究市场如何处理和定价人力资本信号的理想背景。

工作强度与股票表现之间的关系仍然不够明确。直观上，较高的工作强度和努力可能导致产出和盈利能力的增加。基于战略管理和组织行为的观点认为，高工作强度可能预示着积极的属性，包括强大的执行能力、高绩效文化和高效的运营效率（O’Reilly & Pfeffer, 2000; Bloom & Van Reenen, 2007）。相反，一些研究表明，高工作强度通常伴随着繁重的工作量、过度的身体、情感和认知压力，这往往与员工职业倦怠、高离职率和潜在的运营风险相关（Verwijmeren & Derwall, 2010; Hirshleifer et al., 2019; Xu et al., 2022）。生产性执行收益与人力资本消耗成本之间的矛盾引出了一个基本的实证问题：工作强度是否能够预测未来的股票回报？如果可以，这种可预测性是否代表了对承担运营风险的补偿，还是源于市场错误定价？本文通过使用中国领先的工作场所和招聘平台的在线员工评论，构建了一种新的基于文本的企业层面工作强度衡量方法，从而解决了这一空白。大规模众包平台的出现极大地促进了从普通员工那里收集有关雇主和工作的未经筛选的披露信息，使我们能够基于真实的内幕反馈来衡量工作强度，而这是传统数据来源无法捕捉到的。我们应用先进的自然语言处理（NLP）技术，通过对一个手工标注的数据集进行微调，使用了最先进的语言模型——双向编码器表示（BERT），来识别和量化与工作强度相关的描述，如努力程度、时间压力和工作量要求。我们还通过一系列外部基准测试验证了我们衡量方法的有效性。

我们的实证分析揭示了几个关键发现。首先，我们记录了工作强度与未来股票回报之间存在强烈的正相关关系。采用买入工作强度最高组企业、卖出工作强度最低组企业的长短仓投资策略，每月可获得0.40%至0.48%的显著异常回报。这种回报的可预测性在计算alph值的替代方法和各种稳健性检验中都保持稳定，包括工作强度的替代衡量方法和投资组合规格的变化。接下来，我们利用Fama-MacBeth横截面回归提供了证据，表明工作强度的可预测性与现有变量不同。即使在控制了已知的回报预测因子、市场微观结构代理指标和可观察的会计基础劳动指标后，这种回报的可预测性仍然存在，表明其预测能力源自工作强度中包含的价值相关信号。其次，我们有令人信服的证据表明，这种回报的可预测性是由投资者反应不足和市场错误定价驱动的，而非理性风险补偿。高工作强度能够稳健地预测更强的未来基本面表现，表现为积极的收益意外和随后的盈利能力提升。在横截面上，工作强度回报的差异在面临严重信息不对称性（分析师覆盖度低、研究报告少、机构所有权有限）和套利限制较大（特定波动性高）的企业中更为明显。此外，在经济不确定性较高或市场竞争激烈的时期，工作强度的回报可预测性更强，表明高努力工作文化的价值在对企业生存和表现提升更为重要时更加显著并被市场认可。上述证据共同支持了这样一个解释：市场对工作强度作为组织耐力和竞争优势的信号反应不足，导致高工作强度企业的系统性低估，并在错误定价被纠正时产生可预测的未来回报。最后，我们进行了一系列补充分析，分解了工作强度的动态特性、内在二元性和边界条件。首先，企业内部的工作强度变化产生了稳健的回报可预测性，表明它捕捉的是一个动态信号，而不仅仅是静态的企业特征。其次，研究工作强度的二元性发现，溢价仅集中在满意度高的企业和积极情感的评论中，表明市场奖励的是高效执行，而非有害的精疲力竭。第三，与认知超载机制一致，在决策容易受到职业疲劳影响的知识密集型行业中，溢价会减弱。第四，我们记录了工作强度与表现之间的驼峰形关系，以及多时期的衰减现象，强调高强度劳动努力的收益本质上是短暂的。

本文对学术界做出了几项重要贡献。首先，我们将工作强度作为一种新的、具有经济意义的可预测信号，扩展了基于人力资本的资产定价研究领域。虽然先前的研究关注员工感知的属性（Edmans, 2011; Green et al., 2019; Sheng, 2025），但我们证明了工作强度作为人力资本的一个更重要的维度，包含了市场估值所需的关键信息。这些结果扩展了我们对如何利用员工生成的软信息来揭示市场效率低下的理解。此外，我们的研究在金融学、组织行为学和战略管理领域之间建立了联系，提供了一个更全面的框架，以理解人力资本如何创造企业价值。其次，我们通过记录投资者对高工作强度企业的系统性低估，为行为资产定价文献做出了贡献。我们追踪了这种偏见在回报横截面中的实证特征，并展示了它在信息不对称性和套利限制较高的环境中如何持续存在。我们的发现进一步证明了市场参与者在评估无形资产时经常未能给予足够的关注，从而导致错误定价（Chan et al., 2001; Fornell et al., 2016）。第三，我们通过开发一种基于员工评论的、经过验证的心理测量学上合理的工作强度衡量方法，推进了文本在金融经济学中的使用。鉴于无形资本在现代经济中的重要性日益增加，这种方法论进展尤其有价值。

本文的其余部分组织如下：第2节回顾了相关文献并阐述了我们的理论框架。第3节描述了我们的数据来源和工作强度衡量方法的构建。第4节介绍了关于回报可预测性的主要结果。第5节探讨了经济机制，区分了错误定价和风险补偿。第6节提出了额外的分析和稳健性检验。第7节总结了研究结果。

**人力资本和工作强度**
越来越多的文献研究了人力资本如何反映在市场价格中（Pantzalis & Park, 2009; Leung et al., 2018; Bae & Kang, 2023）。由于财务报表对无形资产的披露有限，研究人员越来越多地关注能够捕捉企业人力资本关键维度的员工相关信息。例如，Green et al.（2019）和Sheng（2025）利用Glassdoor上的员工评论来证明员工的前瞻性预期……

**员工评论数据**
本研究使用了来自中国一家领先的在线招聘和工作场所沟通平台的数据，该平台拥有超过3.49亿注册用户和超过1300万企业档案。自2019年推出企业评论模块以来，该平台允许现任和前任员工匿名评价他们的雇主。每条企业评论包括对雇主在五点量表上的总体评分……

**工作强度与股票回报**
本节研究了从员工评论中衡量出的工作强度（WI）是否能够预测未来的股票回报。我们进行了一系列实证测试，包括投资组合排序和Fama-MacBeth横截面回归，旨在确定工作强度的回报可预测性及其超出已知企业特征和回报预测因子的额外信息内容。

**经济机制**
本节通过补充分析扩展了我们的实证调查，共同阐明了从工作强度中得出的回报可预测性的经济机制：首先，我们测试工作强度是否能够预测收益意外和盈利能力，以区分错误定价和基于风险的解释；其次，我们研究了回报可预测性的强度如何随着信息环境和套利限制的横截面差异而变化……

**额外分析和稳健性检验**
本节提出了一系列额外分析，以进一步洞察我们发现的经济机制和边界条件。我们首先评估了企业内部工作强度变化的动态信号内容。接下来，为了阐明工作强度的二元性，我们研究了工作场所满意度和评论情绪如何调节回报可预测性。然后，我们利用知识强度的行业异质性来测试认知超载机制……

**结论**
本研究通过使用自然语言处理从在线员工评论中提取的工作强度这一无形人力资本维度，将其作为股票市场横截面回报的重要预测因子。我们证明了高工作强度的企业能够获得无法用标准风险因素或企业特征解释的显著异常回报。关键的是，我们的发现表明，这种回报的可预测性源于市场错误定价，而非风险……

**数据与伦理声明**
本研究使用了公开可获得的金融市场数据和在线员工评论数据。研究不涉及人类参与者或动物实验对象。所有作者均已阅读并批准了本文。

作者贡献声明：
吴一飞：撰写文章、审稿与编辑、撰写初稿、数据可视化、数据验证、软件使用、资源准备、方法论设计、数据分析、数据整理、概念框架构建。
孔东民：撰写文章、审稿与编辑、数据验证、项目监督、资源组织、资金筹措、数据分析、概念框架构建。
李中兴：撰写文章、初稿撰写、数据验证、软件使用、方法论设计、数据分析、数据整理。
余洪海：撰写文章、审稿与编辑。

作者列表：吴一飞 | 孔东民 | 李中兴 | 余洪海