企业年报非财务信息距离

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
• 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)
• IsReportValid [年报文本是否可测] — 完整中文年报全文是否可靠可测，1为可测、0为不可测；当前全文失测时全文稳健距离缺失
• IsMDAExtracted [经营讨论是否可测] — 完整管理层经营讨论是否可靠识别并可分词，1为可测、0为不可测；失败不回退全文
• MDAWordCount [经营讨论中文词数] — 当年完整经营讨论默认精确模式纯中文词总数，含单字、不去停用词；提取失败缺失
• PriorMDAWordCount [上年经营讨论中文词数] — 同公司严格上一年完整经营讨论的纯中文词总数；上年不存在或不可测缺失，不跨年配对
• ReportWordCount [全文中文词数] — 当年完整年报精确模式纯中文词总数；与全模式词集基数区分，源不可测缺失
• PriorReportWordCount [上年全文中文词数] — 同公司严格上一年年报全文精确模式纯中文词总数；上年不存在或源不可测缺失
• ReportUniqueWordCount [全文全模式不同词数] — 当年年报全文采用全模式分词得到的纯中文不同词语数量；全文源不可测缺失
• CosineSimilarity [经营讨论余弦相似度] — 参考谭建华等(2025,会计研究)的向量空间思路，计算公式为：当年与严格上一年完整经营讨论原始词频向量内积/两向量欧氏范数乘积；范围0至1，空向量或上年不可测缺失
• WordIntersection [全文词集交集数] — 当年与严格上一年全文全模式纯中文词集共同词语数量；任一词集不可测缺失
• WordUnion [全文词集并集数] — 当年与严格上一年全文全模式纯中文词集合计不同词语数量；任一词集不可测缺失
• JaccardSimilarity [全文杰卡德相似度] — 参考Tan等(2024,China Journal of Accounting Studies)同一研究的稳健方法，计算公式为：严格相邻年度全文全模式词集交集数/并集数；不可测或零并集缺失
• Distance [非财务信息距离] — 参考谭建华等(2025,会计研究)的方法，计算公式为：-经营讨论余弦相似度，范围-1至0；采用原始词频权重，严格上一年不存在或不可测缺失。用作研究变量，越大代表非财务信息距离越远
• JaccardDistance [全文距离稳健值] — 参考Tan等(2024,China Journal of Accounting Studies)同一研究的稳健性方法，计算公式为：1/全文杰卡德相似度，即全文词集并集数/交集数；零交集或严格上一年不可测缺失。用作研究变量，越大代表全文距离越远

常见问题

「企业年报非财务信息距离」是什么数据集？

企业年报非财务信息距离，隶属信息环境。参考谭建华等(2025,会计研究)，以同公司严格相邻年度完整MD&A原始词频向量的余弦相反数衡量非财务信息距离；同一英文研究稳健性为年报全文全模式中文词集杰卡德

该数据集的时间范围是？

覆盖 1991-2025 年。

包含哪些变量/指标？

共 24 个变量。核心指标包括：年报文本是否可测、经营讨论是否可测、经营讨论中文词数、上年经营讨论中文词数、全文中文词数、上年全文中文词数、全文全模式不同词数、经营讨论余弦相似度、全文词集交集数、全文词集并集数、全文杰卡德相似度、非财务信息距离、全文距离稳健值。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？

企业年报非财务信息距离 指标定义与计算方法 年报非财务信息距离衡量同一企业相邻年度经营讨论的文字差异。距离越大，表示当年的用词结构与上一年更不相似。它反映文本变动，可能与经营变化、披露调整或重复叙述有关，不能单独识别披露动机。参考谭建华等（2025），主指标使用完整管理层讨论与分析（MD&A）的向量空间相似度，并取其相反数；同一研究英文完整版的稳健指标使用完整年报词集的杰卡德相似度倒数。 先识别当年及同公司严格上一年完整经营讨论。现代管理层或经营情况讨论章节，以及早期承载经营讨论的董事会、董事局报告，均按真实章节识别，保留经营回顾、研发投资、经营财务分析和未来展望；独立治理、重大事项、股份变动、监事报告、审计及财务报表作为经营讨论边界。目录和正文引用不作为起点。原件不可读或边界不能可靠重建时，该年度MD&A不可测，不能用全文替代。 分别使用jieba默认词典精确模式并启用HMM分词，保留纯中文词，包含单字。不删除停用词，不截断正文，不使用TF-IDF或文档频率筛选，也不对词项作情感筛选。以相邻两年经营讨论的词语并集确定共同向量空间。对于每个词w，xit,w为当年出现次数，xi,t-1,w为上一年出现次数；未出现的词在对应向量中取零。 余弦相似度使用原始词频内积和两个向量的欧氏范数： $$ CosineSimilarity{it}=\frac{\sumw x{it,w}x{i,t-1,w}}{\sqrt{\sumw x{it,w}^2}\sqrt{\sumw x{i,t-1,w}^2}}. $$ 相似度介于0和1之间。两年词频结构相同或仅成比例变化时为1；可靠非空向量没有共同词时为0。依据中文正文明确的相反数定义，主距离为： $$ Distance{it}=-CosineSimilarity{it}. $$ 主距离范围为-1至0，越大代表经营讨论越不同。上一年指报告所属年度t-1；当年或严格上年不可测、上年原件不存在、任一词向量为空时，相应距离保留缺失，不跨过缺年与更早年配对。 稳健指标采用同一英文研究给出的全文词集方法。对两份完整年报使用jieba全模式分词，关闭HMM，并保留纯中文词语；重复词只保留一次。记当年与严格上一年的不同词集合分别为Ait和Ai,t-1，交集词数为Iit，并集词数为Uit： $$ I{it}=|A{it}\cap A{i,t-1}|,\qquad U{it}=|A{it}\cup A{i,t-1}|. $$ 杰卡德相似度及全文距离稳健值依次定义为： $$ JaccardSimilarity{it}=\frac{I{it}}{U{it}},\qquad JaccardDistance{it}=\frac{1}{JaccardSimilarity{it}}=\frac{U{it}}{I{it}}. $$ 英文稳健定义为倒数，不能改为1减相似度或相似度的相反数。倒数越大代表全文词集重合越少。两份全文可测且有交集时该值不小于1；严格上年不存在、任一全文不可测、零交集或零并集时保留缺失，不产生无穷值。全文稳健独立于MD&A识别，主范围失测时只要两份全文可靠，仍可有稳健值。 交付同时保留当年和上年的经营讨论词数、全文词数、当年全模式不同词数、余弦相似度、交并集词数及杰卡德相似度。全文精确模式词数与全模式词集基数含义不同；这些中间量有助于解释相似性来源和失测条件。 补充说明 作者向量空间模型的具体权重和分词参数未公开。本数据按已确认口径以原始词频操作化，并明确纯中文词、单字保留及不去停用词等参数，不声称作者向量参数或样本结果精确复现。主范围遵中文MD&A定义，全文稳健遵同一英文研究。 原文简繁保留，版本差异和早期董事会报告的混合经营容器会影响文本距离。摘要、损毁、错主体等确证坏源失测；主边界错序而全文可读的原件只影响MD&A。保留全部可得公司年度及ST/PT、金融企业，样本首年和缺年后的距离按严格窗口失测，不按论文实证选样提前筛除。 参考文献 - 谭建华,李亦普,高天成,潘俊.杠杆操纵与策略性信息披露——基于机器学习年报非财务信息的经验证据[J].会计研究,2025,(11):31-44. - TAN J, LI Y, GAO T, PAN J. Leverage manipulation and strategic disclosure: evidence from non-financial information in annual reports based on multimodal machine learning[J]. China Journal of Accounting Studies,2024,12(3):550-590. DOI:10.1080/21697213.2023.2300296.

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。