企业年报文本异常相似度
「企业年报文本异常相似度」，覆盖 1991-2025 年，频率 年度，上市公司层级，含 13 个变量，样本量约 69,432。 参考薛菲等(2025,会计研究)，以相邻年完整年报原始词频余弦相似度对18项经营控制、CAPCO行业与注册省份固定效应作pooled OLS的带符号残差衡量异常
| 时间跨度 | 1991-2025 年 |
|---|---|
| 数据频率 | 年度 |
| 层级 | 上市公司 |
| 变量数 | 13 |
| 样本量 | 69,432 |
| 是否可合并 | 可与同主体数据集合并 |
字段字典
- Symbol [证券代码] — 6位数字字符串证券代码
- StkName [证券简称] — 按报告年度匹配的证券简称，缺少当年记录时允许回退同公司最新可得名称
- Year [年度] — 年报所属年度
- Province [省份] — 公司注册地所在省份
- City [城市] — 公司注册地所在城市
- County [区县] — 公司注册地所在区县
- ProvinceCode [省份代码] — 公司注册地省份行政区划代码
- CityCode [城市代码] — 公司注册地城市行政区划代码(6位)
- CountyCode [区县代码] — 公司注册地区县行政区划代码(6位)
- 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)
- 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)
- Absimilarity [企业年报文本异常相似度] — 计算公式为：Similarity-OLS拟合值；参考薛菲等(2025)式(4)—(6)，实际减正常相似度即带符号OLS残差；Z值及Geoseg补0为经批准调整，越高代表超出经营变化解释的文本雷同
- AbsimilarityNew [盈利转换调整异常相似度] — 计算公式为：Similarity-替换盈利控制的OLS拟合值；参考薛菲等(2025)稳健性，ROAChange/Profit/Loss替换AbsdROA，其余同主模型；带符号残差，缺估计条件则缺失
常见问题
- 「企业年报文本异常相似度」是什么数据集？
- 企业年报文本异常相似度，隶属信息环境。参考薛菲等(2025,会计研究)，以相邻年完整年报原始词频余弦相似度对18项经营控制、CAPCO行业与注册省份固定效应作pooled OLS的带符号残差衡量异常
- 该数据集的时间范围是？
- 覆盖 1991-2025 年。
- 包含哪些变量/指标？
- 共 13 个变量。核心指标包括：企业年报文本异常相似度、盈利转换调整异常相似度。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 69,432 条观测。
- 数据是如何测算/获取的？
- 数据说明 年报在连续年度之间沿用相近措辞，既可能反映经营情况稳定，也可能反映管理层重复使用已有表述。异常相似度关注其中不能由经营变化解释的部分。参照薛菲等（2025），先比较同一企业相邻年度完整年报，再用企业经营特征解释实际相似度，将实际值与正常值的差额作为研究指标。数值越高，表示年报的文本雷同程度越高于模型所解释的水平；负值表示实际相似度低于正常值，保留其经济含义。 数据以证券代码和年报年度为主键，覆盖现有完整年报的全部可得年份、行业和板块。完整年报是测量对象，不能将结果解释为仅针对管理层讨论与分析章节的指标。 测算方法 相邻年度年报的实际相似度 首先使用jieba默认词典对完整年报作精确分词并启用未登录词识别，保留纯中文词，去除固定停用词、数字和标点，不截断正文。以有效年报集合构建词表，保留至少出现在5份年报中、且出现比例不超过95%的词。这里的频率筛选指文档频率，词向量的元素仍采用每篇年报的原始词频，不使用TF-IDF权重。 设企业$i$在年度$t$的词频向量为$\mathbf v{i,t}$，将同一企业严格相邻年度的两个向量作余弦比较： $$ Similarity{i,t}=\frac{\mathbf v{i,t}^{\mathsf T}\mathbf v{i,t-1}}{\|\mathbf v{i,t}\|2\|\mathbf v{i,t-1}\|2}. $$ 实际相似度介于0和1之间，越接近1代表两篇年报的词频结构越接近。首个可得年度、上年年报缺失、文本不可测或筛选后为零向量时保留缺失，不用跨年年报代替上年，也不将不可测文本视作零相似度。 经营特征与正常相似度 年报内容会随企业规模、财务状况、经营范围和管理安排而变化。主模型纳入原文所列18项经营控制，并控制中上协行业及注册省份差异。设$\mathbf X{i,t}$为经营控制向量，$\deltaj$与$\phip$分别为行业和省份固定效应，则： $$ Similarity{i,t}=\alpha+\boldsymbol\beta^{\mathsf T}\mathbf X{i,t}+\delta{j(i,t)}+\phi{p(i)}+\varepsilon{i,t}. $$ 回归采用跨年度合并的完整案例样本。连续控制项在该模型完整估计样本内按整体1%和99%分位数缩尾，分位数沿用Stata默认定义；业务行业数和事件虚拟变量不缩尾，实际相似度也不缩尾。行业采用按年度匹配的CAPCO原始行业代码，缺少当年记录时使用同公司最新可得分类；省份使用现有注册地。年度固定效应未纳入本项文本分解回归。 18项控制的定义如下。财务变量均使用年度合并报表，所有年度变动严格配对$t-1$，金额统一为元。 | 控制项 | 定义与取值 | |---|---| | Age、Size | 首次上市年龄加1的自然对数；年末总资产的自然对数 | | Absdlev | 总负债/总资产相对上年的变动绝对值 | | Absdcurrentratio | 流动资产/流动负债相对上年的变动绝对值 | | Absdcash | 货币资金/总资产相对上年的变动绝对值 | | AbsdROA | ROA相对上年的变动绝对值，ROA为合并净利润/年初年末平均总资产 | | Absdgrowth、BM | 营业收入增长率绝对值；年末总资产/年末最后一个有效总市值，不以净资产替代总资产 | | Absret、RetSD | 自然年周价格收益均值的绝对值；至少两周收益的样本标准差。行情PctChg源字段已为比例，直接使用，不再次除以100 | | Busseg | 年末主营业务行业明细中收入非负的不同业务行业数，无行业披露保留缺失 | | Geoseg | 识别出的业务省份数加1的自然对数，提取方式见下文 | | Tone | 固定NTUSD词典正面词频减负面词频，再除以频率筛选前的有效中文词数，不另作否定词修正 | | ZScore | 采用国内文献公开的完整财务风险公式，定义见下文 | | CEOchg、CFOchg | 当年是否有总经理继任或离任事件；年末财务总监、总会计师或财务负责人身份集合是否较上年变化，纯副职不纳入 | | Auditchg、MA | 相邻年度境内审计事务所是否变化，去除名称空白后比较；当年是否完成成功并购 | 业务省份优先从年末主营业务地区收入明细识别，并补充完整年报“分地区”等收入披露中的地区与金额行。明确省名直接计数，能够唯一映射省份的城市归入相应省份；不将“华东”“国内”等大区展开为若干省份，也不将注册地址当作业务省份。两类来源识别结果合并去重，无法提取的按0参与计算： $$ Geoseg{i,t}=\ln(1+G{i,t}), $$ 其中$G{i,t}$是识别到的省份数。省份数和提取标志存于原始数据；0表示未取得可用省份披露，不能解释为企业没有实际业务。 Z-score采用马连福、纪安琪（2025）式（2）提供的国内可核验方法。以$CA$、$CL$、$TA$和$TL$分别表示流动资产、流动负债、总资产和总负债，$RE$表示盈余公积与未分配利润之和，$MV$为权益总市值，$REV$为营业收入： $$ Z=1.2\frac{CA-CL}{TA}+1.4\frac{RE}{TA}+3.3\frac{EBIT}{TA}+0.6\frac{MV}{TL}+0.999\frac{REV}{TA}. $$ EBIT优先使用报表明确披露的息税前利润，缺失时用利润总额加利息费用，不以净财务费用替代利息费用。总市值的源单位为万元，转为元后参与计算；各必需项缺失或分母不为正时保留缺失，不沿用经过裁剪的旧Z值。 财务控制项所需报表缺失、业务行业缺披露、管理者相邻年身份无法识别、事务所缺失或存在冲突时，该控制项保留缺失。总经理事件源年度范围外不补0；成功并购缺少完成日期时，公告年度标记为不确定，不当作已知未并购。缺失控制项的公司年度仍保留在全样本中，但不进入相应模型估计。 核心指标与稳健性指标 用模型在估计样本内的拟合值表示正常相似度： $$ Nsimilarity{i,t}=\widehat\alpha+\widehat{\boldsymbol\beta}^{\mathsf T}\mathbf X{i,t}+\widehat\delta{j(i,t)}+\widehat\phi{p(i)}. $$ 核心字段Absimilarity是实际相似度减去正常相似度，等于带符号回归残差： $$ Absimilarity{i,t}=Similarity{i,t}-Nsimilarity{i,t}. $$ 稳健性字段AbsimilarityNew按原文盈利转换方案，将AbsdROA替换为盈利能力相对变化ROAChange、负转正Profit和正转负Loss，其余控制和两类固定效应相同： $$ ROAChange{i,t}=\frac{ROA{i,t}-ROA{i,t-1}}{ROA{i,t-1}},\qquad Profit{i,t}=\mathbf1(ROA{i,t-1}<0,ROA{i,t}0),\qquad Loss{i,t}=\mathbf1(ROA{i,t-1}0,ROA{i,t}<0). $$ 稳健模型重新确定自己的完整案例样本和缩尾阈值，重新回归得到拟合值，并用实际值减去拟合值。上年ROA恰为0时，相对变化保留缺失；恰为0的当年盈利不算负转正或正转负。两个指标均不取绝对值、不将负值截为0，估计条件不足时保留缺失。 补充说明 原文未公开文本权重、停用词表、频率阈值及相似度分解的估计分组，本数据采用经确认的原始词频、冻结词表和合并OLS规则。原文Zscore未给出精确公式，本数据按授权使用上述国内文献公式替代，不能宣称该控制项是原作者算法的精确复现。财务负责人年末身份变化不等于完整年内更替事件，价格周收益不另作分红再投资调整；业务地区披露不完整时，省份提取可能低估。 明确损毁、错配公司主体或无法测量的年报不参与文本比较，其所在年度及依赖该原件的下一年度相似度保留缺失。现有源包含同一公司不同年度的A股与H股报告版本，未另作繁简转换或双语版本统一；版本切换可能降低实际相似度，不能将相应负残差全部解释为经济经营变化。 原始全样本版保留ST/PT和金融业；另外两版在完整样本测算后剔除已识别的ST/PT和金融业，其中缩尾版再按年度对两项研究指标作1%和99%缩尾。该年度缩尾不同于模型估计时对连续控制项的整体缩尾。 参考文献 [1]薛菲,许少山,伊志宏.年报文本管理与股价崩盘风险——基于文本异常相似度的研究[J].会计研究,2025,(11):77-92. [2]马连福,纪安琪.票据数字化能改善企业信息披露质量吗？——基于上海票据交易所成立的准自然实验[J].外国经济与管理,2025,47(2):38-52.
- 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。