企业人工智能应用(ERNIE模型测度)

字段字典

• Symbol [股票代码] — 6位股票代码
• StkName [证券简称] — 上市公司证券简称
• Year [年份] — 年报的报告年度
• Province [省份] — 公司注册地所在省份
• ProvinceCode [省份代码] — 公司注册地省份行政区划代码
• City [城市] — 公司注册地所在城市
• CityCode [城市代码] — 公司注册地城市行政区划代码(6位)
• County [区县] — 公司注册地所在区县
• CountyCode [区县代码] — 公司注册地区县行政区划代码(6位)
• IndustryCode [行业代码] — 中上协行业分类代码(如C26、J66,按年度动态匹配公司当年所属行业)
• IndustryName [行业名称] — 中上协行业分类名称(按年度动态匹配公司当年所属行业)
• IsMDAExtracted [是否成功提取管理层讨论与分析章节] — 是否从该份年报中成功定位到管理层讨论与分析章节(0=否，1=是)。取0时该企业年缺乏判定依据，人工智能应用相关字段均记为缺失值而非0
• NSentence [管理层讨论与分析语句总数] — 参考付业辉等(2026,科技进步与对策)的方法，计算公式为：管理层讨论与分析章节文本删除空白字符后按句号切分、且长度不少于5字的语句数量。可用作披露体量的控制变量，越大代表该章节篇幅越长
• NAICandidate [命中人工智能词典的语句数] — 参考付业辉等(2026,科技进步与对策)的方法，计算公式为：管理层讨论与分析章节中含有243个人工智能相关词汇之一的语句数量。该词典用于筛选待分类语句，命中关键词不等于企业实际应用了人工智能，实质判定由语言模型完成
• NAISentence [人工智能应用语句数] — 参考付业辉等(2026,科技进步与对策)的方法，计算公式为：候选语句中经微调后的ERNIE大语言模型逐句判定、真正反映企业已经或正在应用人工智能技术的语句数量。仅统计主语为企业自身且已落地的应用，排除宏观形势陈述、行业趋势分析与尚未实施的规划
• AI [企业人工智能应用] — 参考付业辉等(2026,科技进步与对策)的方法，计算公式为：ln(1+人工智能应用语句数)。用作研究变量，越大代表企业人工智能应用水平越高
• IsAIApplication [是否应用人工智能] — 当年年报中是否出现真正反映企业人工智能应用的论述(0=否，1=是)，计算公式为：人工智能应用语句数大于0时取1，否则取0。参考付业辉等(2026,科技进步与对策)按企业是否使用人工智能划分实验组与对照组的做法
• NAISentenceBert [人工智能应用语句数(BERT模型)] — 参考付业辉等(2026,科技进步与对策)稳健性检验中以BERT模型替代ERNIE模型的做法，计算公式为：候选语句中经微调后的BERT大语言模型逐句判定、真正反映企业已经或正在应用人工智能技术的语句数量。与主口径使用同一词典、同一候选语句集与同一标注语料
• AIBert [企业人工智能应用(BERT模型)] — 参考付业辉等(2026,科技进步与对策)的方法，计算公式为：ln(1+BERT模型判定的人工智能应用语句数)。用作核心指标的稳健性检验变量，越大代表企业人工智能应用水平越高

常见问题

「企业人工智能应用(ERNIE模型测度)」是什么数据集？

企业人工智能应用(ERNIE模型测度)，隶属数字化转型与人工智能。参考付业辉等(2026,科技进步与对策)的方法，以243个人工智能相关词汇从年报管理层讨论与分析章节筛出候选语句，由微调后的ERNIE大语言模型逐句判定是否真正

该数据集的时间范围是？

覆盖 1991-2025 年。

包含哪些变量/指标？

共 19 个变量。核心指标包括：是否成功提取管理层讨论与分析章节、管理层讨论与分析语句总数、命中人工智能词典的语句数、人工智能应用语句数、企业人工智能应用、是否应用人工智能、人工智能应用语句数(BERT模型)、企业人工智能应用(BERT模型)。完整字段清单（变量名·中文名·说明）见页面「字段字典」。

数据频率和层级是怎样的？

频率为年度，上市公司层级。

样本量有多大？

约 69,680 条观测。

数据是如何测算/获取的？

指标定义与计算方法 企业人工智能应用衡量的是企业把人工智能技术与自身业务深度融合并投入实际运用的程度。与把工业机器人安装数量当作代理变量的做法相比，年报文本能够覆盖算法支持、大数据分析与智能决策等生产环节之外的应用形态；与直接统计人工智能关键词词频的做法相比，语句层面的语义识别可以区分"提到人工智能"与"真正应用人工智能"。本数据集参考付业辉等（2026）的测度框架，以年报"管理层讨论与分析"章节为语料，用微调后的大语言模型逐句判定企业是否真正开展了人工智能应用，再把判定为真的语句汇总到企业年度层面。 测度分四步展开。 第一步是划定语料并切分语句。企业对自身经营活动的实质性论述集中在年报的管理层讨论与分析章节，故只取该章节文本，删除其中的空格与换行以还原被排版打断的句子，再按句号切分为语句。过短的碎片（页码、序号、表格残渣）不具备可判定的语义，不进入后续环节；超长语句截断至前 500 字，以适配语言模型的输入窗口。 第二步是用关键词词典作召回过滤。管理层讨论与分析章节中真正涉及人工智能的语句只占很小比例，若把全部语句都送入模型，冗余文本会稀释训练信号并大幅抬高计算成本。因此先用人工智能关键词词典筛出候选语句：一条语句只要含有词典中任一词汇即进入候选集。词典由两层构成，一层来自姚加权等（2024）公布的人工智能词表，另一层取自《新一代人工智能发展规划》（国发〔2017〕35号）正文中的人工智能技术与智能化应用术语；词表内存在大量包含关系（如"人工智能"是"人工智能软件"的子串），统计语句内词频时按最左最长且互不重叠的规则计数，使一处文本只计一次。需要强调的是，词典在此只承担召回，命中关键词不等于企业应用了人工智能——判定权完全交给下一步的分类模型。 第三步是训练语句分类模型。从候选语句中随机抽取 5% 交生成式大语言模型标注，判定标准是该语句是否表明企业自身已经或正在应用、研发、部署人工智能技术：主语必须是企业本身，描述客户、同行、政府或行业整体的一律为否；仅陈述宏观形势、国家政策、产业趋势与市场空间的为否；尚未落地的战略规划与未来意向为否；关键词出现在非人工智能语境（仅指自动化或联网的传统产品、资本市场板块名称、公司名与项目名、专利名称罗列、财务附注科目）时为否；企业自研或已落地的人工智能产品、算法、平台与解决方案，无论自用还是对外提供，均为是。标注结果按 8:2 划分为训练集与测试集，用于微调预训练语言模型并在测试集上评估分类性能，模型选轮以 F1 为准并设有准确率下限，未达下限即终止而不产出数据。 第四步是全量判定与企业年度汇总。已标注语句直接采用其标签，其余候选语句由微调后的模型逐句判定。判定在去重后的唯一语句文本上执行一次再映射回各企业年——模型是确定性的且不依赖上下文，同一段文本无论出现在哪家企业的年报中都会得到相同标签，该去重只节省算力，不改变任何结果。把判定为真的语句数量按企业与年度加总，得到人工智能应用语句数 $N$，核心指标为 $$AI = \ln(1 + N)$$ 加一取对数既压缩了右偏的长尾，又保留了"一条相关论述也没有"这一取值为零的情形。在此基础上另给出一个二元度量：当企业当年的人工智能应用语句数大于零时取 1，否则取 0，用于把样本划分为应用组与未应用组。 考虑到测度结果可能依赖于所选的语言模型，本数据集同时提供一组替代口径：沿用完全相同的词典、候选语句集、标注语料与训练测试划分，仅把分类模型的基座替换为另一种中文预训练语言模型，重新训练并全量判定，得到替代口径的语句数与其对数值。两组结果的一致程度可用于评估测度对模型选择的敏感性。 数据集同时输出计算链上的中间量：章节是否成功定位的标志、参与判定的语句总数、命中词典的候选语句数。它们既可用于复核测度过程，也可作为披露体量的控制变量——语句总数反映管理层讨论与分析章节的篇幅，候选语句数与最终的应用语句数之差则反映了"提及"与"应用"之间的距离。 补充说明 - 样本口径：覆盖语料中全部可得的年报报告年度，不预先施加剔除金融保险业、剔除特别处理公司、剔除关键变量缺失样本与连续变量缩尾等限制。这些属于回归样本设定，由使用者按各自的研究设计施加更为妥当。 - 章节定位失败的处理：管理层讨论与分析章节未能定位时，该企业年缺乏判定依据，人工智能应用的各字段取缺失值而非零，以免把"无法判定"误记为"没有应用"。章节是否定位成功已作为标志列一并输出，可用于筛除或作稳健性检验。 - 词典与原文的差异：原文的词典由三个来源合成，其中一份行业参考架构未见公开发布，本数据集的词典由其余两个公开来源重建，每个词均经程序校验确实出现在来源文件中。词表因而与原文并非逐词一致，影响体现为候选语句的召回略偏保守；由于判定权在分类模型而非词典，该差异不改变"何为人工智能应用"的判定口径。 - 标注环节的性质：原文由两个生成式模型交叉标注并在结果不一致时人工复核，本数据集以单一本地大语言模型按同一判定口径标注。缺少交叉验证会使标注噪声偏高，噪声经训练集传导至分类模型，方向不定。这是整条测度链路中唯一无法完全复现的环节。 - 判定口径的严格程度：依照原文对第二类错误的界定，尚未落地的规划与意向、宏观形势与产业趋势陈述，以及未与智能分析或自主决策能力相联系的一般数字技术表述（信息化与流程自动化一类），均不计为人工智能应用。这一口径偏保守，指标的绝对水平低于把上述表述一并计入的做法，横截面排序与时序变化不受影响；与采用其他口径的研究比较绝对水平时需注意这一差异。 - 方法的固有性质：指标依赖企业的自愿披露，管理层讨论与分析章节的详略与表述风格因企业而异，披露充分的企业更容易被识别出人工智能应用。年报披露准则修订会同时抬高该章节的篇幅与各类语句的绝对数量，跨制度变动年份作时序比较时尤需留意。建议在回归中加入企业规模与年份固定效应，必要时把语句总数作为披露体量的控制变量一并纳入。 - 其他局限：语句按句号切分，跨句表达的人工智能应用可能被拆分计数；超长语句被截断，出现在句尾的表述可能未被识别；人工智能相关表述在较早年份的年报中近乎不存在，早期年度的取值集中于零属真实现象而非数据缺陷。 参考文献 - 付业辉,僧建芬,乐凯迪,等.人工智能应用与企业价值链升级：效应、机制与情境异质性——大语言模型的文本分析证据[J].科技进步与对策,2026,43(8):26-36. - 姚加权,张锟澎,郭李鹏,等.人工智能如何提升企业生产率——基于劳动力技能结构调整的视角[J].管理世界,2024,40(2):101-116,133. - 金星晔,左从江,方明月,等.企业数字化转型的测度难题:基于大语言模型的新方法与新发现[J].经济研究,2024,59(3):34-53.

如何获取该数据集？

通过站内对应淘宝链接下单后，客服发放兑换码；在站内"兑换"页输入兑换码即可获得下载权益并下载。