企业数据要素利用

字段字典

• Symbol [证券代码] — 以交易所公布的证券代码为准,6位数字
• StkName [证券简称] — 上市公司证券简称
• Year [年度] — 统计年度
• 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)
• RawFreq [原始关键词词频] — 参考朱康、唐勇(2025,会计研究)的研究，公开168个示例词在年报全文中左起最长非重叠匹配次数，单位次；英文大小写统一并要求ASCII词边界；完整词库未公开，原始词频仍包含否定语义；源失测为缺失。
• NegatedFreq [否定语义词频] — 公开词条命中后，同分句前5个完整词中否定标记数量为奇数的关键词出现次数，单位次；双重否定及非否定例外按冻结规则处理；属于原文未公开细则的规则近似，源失测为缺失。
• ValidFreq [有效关键词词频] — 参考朱康、唐勇(2025,会计研究)的研究，计算公式为：原始关键词词频减否定语义词频，单位次；公开示例词库及局部否定为操作化，源失测为缺失。
• Lnda [企业数据要素利用] — 参考朱康、唐勇(2025,会计研究)的方法，计算公式为：ln(1+有效关键词词频)，自然对数、无量纲；用作研究变量，越大代表年报中数据及相关数字技术的非否定提及更多；采用公开示例词库及局部否定近似，不等同实际投入或应用成效；源失测为缺失。
• LndaRaw [未过滤否定的数据要素利用] — 计算公式为：ln(1+原始关键词词频)，自然对数、无量纲；作为否定处理的敏感性指标，越大表示公开词表提及更多；不是作者的相似度加权Lnda2，源失测为缺失。

常见问题

「企业数据要素利用」是什么数据集？

企业数据要素利用，隶属数字化转型与人工智能。参考朱康、唐勇(2025,会计研究)的词频对数方法，按公开168个示例词统计年报全文，经过局部否定规则过滤后计算ln(1+有效词频)，并保留原始、否定及有效词频

该数据集的时间范围是？

覆盖 1991-2025 年。

包含哪些变量/指标？

共 16 个变量。核心指标包括：原始关键词词频、否定语义词频、有效关键词词频、企业数据要素利用、未过滤否定的数据要素利用。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？

指标定义与计算方法 企业数据要素利用反映企业对数据获取、处理、共享及相关数字技术的关注和利用。数据可以帮助企业整合业务信息、辅助经营决策和改进资源配置，年度报告中的相关表述提供了观察这一过程的文本线索。参照朱康、唐勇（2025）的词频对数思路，本指标统计年报全文中数据及数字技术相关词条的出现次数，排除局部否定语义后构造对数指标。它衡量相关内容的非否定提及程度，不直接等于数据投入金额、实际采用率或应用绩效。 首先，以公司 $i$ 在年度 $t$ 的中文年报全文 $T{it}$ 为测量对象。文本范围包含经营讨论、其他叙述、表格及财务附注，不仅限于管理层讨论与分析。年度由报告所属年度确定，不以报告公布年份替代。采用完整可读的中文全文；不能恢复中文、明确为摘要或残片等无法测量的材料保留缺失。 其次，整理作者官方附件公开的词集示例，去除“数据库”“智能化”的重复列示，形成含168个唯一词的固定识别集合 $\mathcal D$。集合包含数据来源与处理词汇，如“客户数据”“数据采集”“数据挖掘”，也包含人工智能、云计算、区块链、互联网及智能应用等数字技术词汇。原文通过CBOW三次训练扩充基础词库，但附件没有区分基础与扩展词，亦未公开完整最终词库。本指标采用公开示例固定词库，不另行训练或补入未公开词条。 识别时按文本由左至右处理命中位置：同一起点命中多个词时保留最长词，已经计数的文字范围不再计入另一词条。例如“互联网金融”出现一次，不再额外计一次“互联网”。英文词汇统一ASCII字母大小写，词条首尾为英文字母时，该边界不允许紧邻英文字母、数字或下划线。识别不拼接排版折行，也不去除重复目录或附注。记经过上述匹配获得的关键词出现集合为 $\mathcal H{it}$，原始词频为： $$ R{it}=|\mathcal H{it}|. $$ 再次，对每次出现进行局部否定识别。中英文逗号、句号、问号、感叹号、分号、冒号及换行作为分句边界；在命中的分句内使用jieba精确分词，注册公开词条与否定、例外词，保留所有完整非空词。关键词之前的五个完整词组成窗口 $\mathcal Wh$，不把关键词本身计入窗口，也不跨越分句。 否定标记集合为“不、没、未、无、非、没有、并非、并未、尚未、不会、不能、不是、从未、绝非、难以、无法、未能、未曾、不曾、无需、毋须、不再、未予、不予、不得、不可”。仅对完整词匹配标记，标点不占词窗。窗口中的标记数量为奇数时将该次命中判为否定，为偶数时保留，从而处理窗口内的双重否定。若 $Bh$ 表示该次出现的否定判定，则： $$ Bh=\mathbf 1\!\left(\sum{w\in\mathcal Wh}\mathbf 1(w\in\mathcal N)\text{ 为奇数}\right). $$ “不断、不停、不仅、不但、不止、不少、不论、无论、无疑、无形资产、非但、非常、非凡、不可或缺、不得不、不能不、不可不、未尝不、并非没有、不是没有、并非不、不无、不能没有”注册为完整例外词，不拆成单个否定标记。该规则避免把“不仅使用大数据”误作否定，或把“不得不采用人工智能”误作否定采用。它是明确的局部语法近似，无法完整理解远距离否定和复杂语义。 将否定次数记为 $N{it}$，有效词频记为 $F{it}$： $$ N{it}=\sum{h\in\mathcal H{it}}Bh,\qquad F{it}=R{it}-N{it}. $$ RawFreq、NegatedFreq和ValidFreq分别对应 $R{it}$、$N{it}$ 和 $F{it}$，单位均为次。保持三个频数供研究者核对否定过滤的影响。对于有效全文，未命中词表时三个频数均为零。 最后，将有效词频加一取自然对数，降低频数右偏程度，并保留零命中公司年度。核心指标定义为： $$ \mathrm{Lnda}{it}=\ln(1+F{it}). $$ Lnda无量纲，值越大表示年报中数据及相关数字技术的非否定提及更多。计算不需要词数分母、行业估计组、滞后项或滚动窗口。另提供未过滤否定的敏感性指标： $$ \mathrm{LndaRaw}{it}=\ln(1+R{it}). $$ 该敏感性指标用于比较否定处理前后的测量差异，不是原文的相似度加权指标Lnda2。可测全文没有命中时两个对数为零；源文字失测时全部五个业务字段均为缺失，区分没有相关表述与没有可测材料。 补充说明 - 采用作者公开示例词库及上述否定操作化，未重建作者完整词库、CBOW模型或相似度权重，因此不宣称论文精确数值复现；不生成权重和零频规则未公开的Lnda2。同年度对照的测量水平较低，固定示例词库、匹配及样本口径不同，数值不能直接互换；各项差异的贡献无法单独识别。 - 词表包含一般信息技术、互联网及智能化等宽泛词，可能涉及业务描述、未来规划或背景介绍。局部否定窗口及有限例外可能误留或误剔复杂语义，两个对数可用于检查过滤影响。 - 固定公开词表用于全部可得年度，含较晚出现的技术词，早期测量存在事后词汇信息。折行断词、目录重复、文本缺页与提取质量也会影响词频；通过基本检查不代表每份报告已逐页核证完整性。 - 年度面板保留全部行业、板块及可得年度，原始全样本保留ST/PT和金融业，生产值不缩尾。简称和中上协行业按年度匹配，地域为现有公司档案信息；背景字段缺失不替代测量缺失。 参考文献 [1]朱康,唐勇.数据要素利用与企业金融资产配置——基于机器学习和文本分析的证据[J].会计研究,2025,(6):121-133.

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。