一、引言 资本市场监管机制的完善是建成与金融强国相匹配的高质量资本市场的关键。党中央十分重视构建现代金融监管协同框架：党的二十大报告强调“加强和完善现代金融监管”，2023年中央金融工作会议提出打造规则统一、监管协同的金融市场。资本市场监管体系建立在公共实施机制（public enforcement mechanism）和私人实施机制（private enforcement mechanism）协同互补的基础之上。发达资本市场以私人实施机制（股东诉讼和投票等行权行为）为主，而新兴资本市场则侧重于以交易所一线监管和证监会行政监管为代表的公共实施机制。但有效的执法往往涉及混合执法，公共和私人实施机制都应该参与其中（Schantl & Wagenhofer，2020；Hutton et al.，2022）。因此，在弱私人实施机制的中国资本市场，公共实施机制能否产生挤入效应（crowding-in effect），促进私人实施机制的发展从而形成联动效应（alignment effect），对于提升监管效率具有重要意义。然而，现有文献主要在相互独立的简化假设下分别研究两种机制，却忽视了两者之间的联动（Christensen et al.，2020）。尽管Schantl & Wagenhofer（2020）以及Hutton et al.（2022）呼吁在统一框架内考察两种监管机制的联动效应，但目前这一领域的研究仍然缺乏，且已有研究对两种机制的关系仍存在争议。虽然Duan et al.（2024）认为在中国资本市场中公共实施机制的效力无法影响中小股东的认知行为，但该观点忽视了两种机制的联动效应。如果以交易所问询函为代表的公共实施机制能够为中小股东行权提供监管特质信息，这将是监管正外部性的重要体现，也是打造监管协同框架的改革成果。因此，在系统性评估公共实施机制的有效性时，应在监管协同的框架下进行综合考量，而非局限于公共实施机制本身（Lennox & Wu，2022）。 A股市场中小投资者数量占比高达96%，①他们是资本市场活力的重要来源，探究如何促进中小股东积极行使股东权利是建设私人实施机制的关键任务，对于打造监管协同的金融市场、建设以投资者为本的资本市场具有关键作用（郑志刚等，2022）。然而在目前“一股独大”的市场格局下，中小股东行权面临高昂成本以及劣势地位，难以对大股东的机会主义倾向产生震慑作用，使中小股东缺乏行权的动力和能力，从而倾向于选择“搭便车”和“用脚投票”（孔东民和刘莎莎，2017）。实际上，证券监管机构一直倡导中小股东提升股东意识以缓解公共执法资源有限的缺陷（Jackson & Roe，2009）。但现有研究通常关注中小股东的股东大会参与情况（黎文靖和孔东民，2013；黄泽悦等，2022）以及投资者互动平台参与（Lee & Zhong，2022）等“行权意识”的表现，忽略了以投票表决为代表的“行权力量”研究。相比于股东诉讼这种被动且非经常性的行权方式，股东大会投票表决是一种更为直接、主动且成本更低的行权途径。中小股东通过投票对公司重大事项的决策过程展现出广泛的影响力，仅2025年上半年，就有至少18家公司的67项议案被中小股东否决。 从理论上说，信息使用成本和认知限制对中小投资者行权决策具有决定性影响（Blankespoor et al.，2020）。然而传统模型未能充分体现信息使用成本对投资者决策过程的影响，尤其是忽略了中小股东在处理信息时所面临的实际成本与认知限制。Blankespoor et al.（2019）提出的信息使用顺序框架明确了如何通过改进信息披露机制，有效减轻投资者的认知负担和信息使用成本。因此，交易所监管问询函作为一种整合市场信息的工具，将原本需要中小股东承担的信息处理成本转移至交易所，为中小股东提供了一种低使用成本的信息传递载体。基于上述理论，本文首先构建了信号传递博弈模型，以建立理论预期，探讨交易所监管问询的介入如何影响中小股东和大股东之间的博弈均衡。模型结果表明：在新兴资本市场中，公共实施机制与私人实施机制存在监管联动效应。监管问询函能够影响中小股东信念并吸引中小股东参与，从而激发中小股东的异议行为，促使公司通过信息披露行为传递分离信号，缓解市场信息不对称和逆向选择问题。 为了更好地识别中小股东使用问询函信息的过程，证明问询函信息影响中小股东信念渠道的有效性，本文采用基于BERT架构的FinBERT大语言模型（large language models）对交易所问询函的特质文本信息进行主题分类和情绪分析（Huang et al.，2023），进而详细量化中小股东的反应。FinBERT大语言模型能够准确建立交易所问询函和股东大会主题议案等金融文本的主题关联，捕捉中小股东对于不同问询主题的信息解读和异议反应。以往的文本分析方法（如词袋模型或机器学习）普遍面临诸多限制：（1）由于训练语料范围狭窄，模型训练效果不佳；（2）难以处理字词在多种上下文中的多义性解释。因此，这些传统的文本分析方法难以进行复杂主题的识别，也无法准确观察中小股东对问询函中不同主题信息的反应。而由Google在2018年开发的基于深度学习的BERT模型对上述局限有重大突破（Devlin et al.，2018）：首先，该模型具有预训练机制，能够帮助其在分析特定文本之前先运用海量的语料库进行学习，②事先捕捉单词之间的复杂关系、语境信息以及句子结构，从而获得深度的语言理解。这一全面的预训练机制为后续特定任务提供了稳固的基础，极大增强了模型在多样化文本分析场景中的语言理解和处理能力。其次，模型在预训练过程中使用了双向上下文信息，能根据单词在句子中的具体上下文动态地调整向量表示，③在自然语言处理任务（如文本分类、问答等）上显著优于传统文本分析方法。为了更好地在会计金融领域进行文本分析，Araci（2019）基于BERT模型开发了FinBERT。Huang et al.（2023）发现FinBERT在情绪分析（sentiment）和主题分类（classification）任务方面的准确率分别高达88.2%和89.5%，高于其他算法。因此，应用大语言模型为本文识别问询函如何影响中小股东异议的因果关系提供了强有力的支持。
