Question 1

「企业数据要素应用能力（BERT模型）」是什么数据集？

Accepted Answer

企业数据要素应用能力（BERT模型），隶属数字化转型与人工智能。本数据集衡量企业将数据资源与相关技术应用于生产经营的能力。

Question 2

该数据集的时间范围是？

Accepted Answer

覆盖 1991-2025 年。

Question 3

包含哪些变量/指标？

Accepted Answer

共 27 个变量。核心指标包括：数据基础设施有效词频、数据处理与分析有效词频、数据管理与存储有效词频、数据驱动应用有效词频、数据安全与隐私有效词频、数据要素广度有效词频、数据要素深度有效词频、数据要素应用有效总词频、年报全文有效词数、是否可靠提取MD&A、企业数据要素广度应用能力、企业数据要素深度应用能力、企业数据要素应用能力、企业数据要素广度应用千词频率、企业数据要素深度应用千词频率、企业数据要素应用千词频率。完整字段清单（变量名·中文名·说明）见页面「字段字典」。

Question 4

数据频率和层级是怎样的？

Accepted Answer

频率为年度，上市公司层级。

Question 5

样本量有多大？

Accepted Answer

约 69,432 条观测。

Question 6

数据是如何测算/获取的？

Accepted Answer

指标定义与计算方法

企业数据要素应用能力反映企业将数据资源、数据技术与生产经营活动相结合的能力。广度应用体现数据基础设施、基础处理分析工具和管理存储系统对企业经营活动的支撑；深度应用体现数据驱动技术嵌入具体业务以及安全隐私治理的程度。参考巫强、曹长帅、汪阳昕（2026），本指标依据企业年报管理层讨论与分析中的实际应用披露，分别测量广度、深度及总体能力。指标刻画披露所反映的应用能力，不直接度量技术投入金额或经营绩效。

首先，识别年报中完整的管理层讨论与分析，包括历史年度以董事会或董事局报告承载的经营讨论。保留经营回顾、业务分析与发展展望等内容，排除其他独立章节。以句号、问号和叹号划分自然语句，保留分号内的相关上下文；版式换行不单独构成句界。原件无法读取或无法可靠确定经营讨论边界时，保留该公司年度记录，并将相应研究指标记为缺失。

其次，直接使用原论文附表公开的105个关键词，保持五类归属，不重新进行语义扩词。数据基础设施、数据处理与分析、数据管理与存储三个类别对应广度应用；数据驱动应用、数据安全与隐私两个类别对应深度应用。表中9个辅助性术语具有较宽泛的含义，命中这些词本身不构成有效应用披露。

关键词识别统一英文大小写，保持英文词边界，消除词内排版空白，采用最长非重叠匹配。例如，同一处“神经网络”不再重复计为“网络”，“同态加密”不再重复计为“加密”。原表“计算机视觉（CV）”按中文技术名称识别，括号中的英文释义不作为另增词条。相同语句出现在不同原文位置时，分别保留其出现次数。

再次，对含关键词的语句使用专门训练的BERT二分类模型，判断其是否表达企业已经实际部署或应用数据相关技术。有效语句需要同时具有实际应用关系及具体数据基础设施、处理流程、存储形态或业务场景。仅为未来计划、行业趋势、否定性陈述或笼统口号的语句不计入。具体的已运行数据产品或数据处理服务可以构成实际应用；仅列举硬件产品名称或销售普通设备不能自动构成数据应用。否定词按其所对应的事实理解，不能将“不断”“不仅”等表达机械解释为没有应用。

令语句$s$的实际应用预测概率为$ps$，有效应用标记为$As$。使用论文规定的0.60阈值：

$$
As=\mathbf{1}\{ps\geq 0.60\}.
$$

模型训练标签同时要求实际应用及具体场景，因此该判定承担应用关系与场景约束的识别。超过模型输入长度的语句采用完整连续窗口处理，窗口之间保留上下文重叠，以最大窗口概率形成原句概率。词频在原句位置上统计一次，窗口重叠不增加词频。模型只判断已经确定的关键词语境，不改变词库内容。

设$c{isj}$为企业$i$当年经营讨论语句$s$中第$j$类关键词的出现次数，则各类别有效词频为：

$$
F{ij}=\sums As c{isj},\qquad j=1,\ldots,5.
$$

类别顺序依次为基础设施、处理分析、管理存储、驱动应用、安全隐私。辅助性术语仅在语句通过实际应用与具体场景判断时计入。将前三类有效频次相加得到广度词频$F{Bi}$，后两类相加得到深度词频$F{Di}$，总体词频$Fi=F{Bi}+F{Di}$。三个核心指标分别定义为：

$$
\mathrm{Breadth}i=\ln(1+F{Bi}),\qquad
\mathrm{Depth}i=\ln(1+F{Di}),
$$

$$
\mathrm{Dea}i=\ln(1+F{Bi}+F{Di}).
$$

以上指标均为无量纲。值越大，表示年报中有效的数据要素应用披露越多。总体能力对广度与深度词频之和取对数，不是将两个对数指标直接相加。可靠文本中没有关键词或全部候选语句未通过筛选时，词频及对数指标均为零；文本或章节失测时不以零代替缺失。

最后，为控制年报篇幅差异，提供论文中的千词频率稳健指标。令$Wi$为企业当年年报全文的有效词数，则总体稳健指标为：

$$
\mathrm{Dea\count}i=1000\frac{F{Bi}+F{Di}}{Wi}.
$$

广度与深度稳健指标分别为$1000F{Bi}/Wi$和$1000F{Di}/Wi$，单位为次/千词。分子取自经营讨论，分母取自年报全文。全文使用固定jieba默认词典精确模式及HMM分词，包含至少一个字母或数字的词项计为有效词，保留停用词、单字和数字，排除纯空白标点，不将研究关键词额外加入分母词典。全文失测或有效词数为零时，稳健指标保持缺失。所有指标均归属于年报所属年度，没有滞后或滚动窗口。
补充说明

- 模型实现：采用作者公开词表，未新增扩展词。作者分类权重和训练资料未公开，本指标使用本地语义模型产生弱监督标签并训练专用BERT。标注先提供数据对象与实际应用的原文证据，再给出分类；证据片段不超过64字，选择可直接表示的连续原文，判定仍读取完整输入语句。对依赖直引号、反斜杠或特殊控制字符才能表明应用关系的文本，存在短片段证据选择局限。证据无法在本条原文连续验证、超过长度、阳性缺少双证据或判断不确定时，排除出训练而不充作负类，不删改或拼接原文来构造证据。模型表现反映与该标签体系的一致性，不等同独立人工准确率。
- 操作口径：自然句划分、分词、最长匹配和长句窗口属于公开材料未明确细则的固定操作化。混合语句中个别关键词可能与阳性主题不同，仍存在句级分类与否定作用域误差。
- 测量边界：披露篇幅、表达风格及原始文本质量影响测量。全期语料训练属于事后研究测量，包含未来语料信息；源或章节缺失保留缺失，全行业、全板块的原始样本保留金融业和ST/PT。
参考文献

[1]巫强,曹长帅,汪阳昕.企业数据要素应用能力与供应链韧性：广度与深度的差异化机制[J].中国工业经济,2026,(3):170-193.DOI:10.19581/j.cnki.ciejournal.2026.03.008.

Question 7

如何获取该数据集？

Accepted Answer

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。

时间跨度	1991-2025 年
数据频率	年度
层级	上市公司
变量数	27
样本量	69,432
是否可合并	可与同主体数据集合并

企业数据要素应用能力（BERT模型）

字段字典

常见问题