會計系專題演講紀實：臺灣大學資訊管理學系盧信銘教授

會計學系暨研究所

撰文者／會計學系研究所博士班  官歆芸

臺大會計系於3月31日Workshop非常榮幸邀請到臺灣大學資訊管理學系的盧信銘老師發表其研究：Anything New? A Deeper Look at MD&A Modifications

Brown and Tucker (2011)的研究提到，如果一家公司的管理階層討論與分析（Management’s Discussion and Analysis，以下簡稱MD&A）在公司發生重大經濟變化後與前一年相比沒有明顯變化，那麼該公司的MD&A可能沒有資訊內涵的。相反地，Cohen, Malloy, and Nguyen (2020)的實證研究結果顯示，儘管投資者對MD&A和年度報告(10K)中的新資訊不重視，但年度報告和MD&A中的新內容對投資者來說是有價值的，可賺取約22%的年度超額報酬。

以往衡量MD&A的方法有以下幾種，包括:餘弦相似性(Cosine Similarity)、雅卡爾相似性(Jaccard similarity)及編輯距離(Edit Distance)。首先，餘弦相似性是透過測量兩個向量的夾角的餘弦值來度量它們之間的相似性。夾角越大，代表兩個向量越是不像；夾角越小，代表兩個向量越是相像。其次，雅卡爾相似性是用於比較樣本集的相似性與多樣性的統計量。雅卡爾係數能夠量度有限樣本集合的相似度，其定義為兩個集合交集大小與聯集大小之間的比例，係數值越大，樣本相似度越高。最後，編輯距離是用來計算兩個字串的相似程度，由一個轉成另一個所需的最少編輯操作次數。可應用於拼字校正、或是計算兩個DNA序列的相似程度。一般來說，編輯距離越小，相似度越大。

由於先前的研究說法不一，講者也希望能把測量MD&A的工具磨得更利一些。因此創造了一個新工具Sentence-Level Document Differencing Based on Semantic Changes (以下簡稱SDDSC)。相較於上述的方法以字母和字母、單字和單字間的差異做比較，SDDSC較不關注太過微小的差別，以句子和句子間的差異比較文本的不同，例如:給定兩個檔A和B，SDDSC能夠識別新增加的、刪除的和未改變的句子。

本文的年報樣本來自美國證管會的電子資料庫系統(Electronic Data Gathering Analysis and Retrieval，以下簡稱EDGAR)，資料期間為西元1996-2020年。實證結果與Brown and Tucker (2011)一致，也發現SDDSC這個新工具比起其他衡量方法是一個更好的方法來捕捉MD&A間的迥異之處。

最後，參與本次討論的劉順仁主任、尤琳蕙老師、劉心才老師、廖芝嫻老師、吳淑鈴老師、曾智揚老師、高偉娟老師、黃祥宇老師以及謝昇峯老師給予盧信銘老師寶貴的建議；博士班學生們亦提出了許多提問，講者皆不吝地一一給予回覆。最後盧信銘老師於會後也感謝諸位提問者所提供寶貴之建議，非常高興能夠在臺大會計系分享最新的研究成果給大家。