数字技术风险暴露(Mengzi模型)
「数字技术风险暴露(Mengzi模型)」，覆盖 2003-2025 年，频率 年度，上市公司层级，含 18 个变量，样本量约 64,602。 衡量企业面临的数字技术相关风险暴露程度。
| 时间跨度 | 2003-2025 年 |
|---|---|
| 数据频率 | 年度 |
| 层级 | 上市公司 |
| 变量数 | 18 |
| 样本量 | 64,602 |
| 是否可合并 | 可与同主体数据集合并 |
字段字典
- Symbol [股票代码] — 6位股票代码
- StkName [股票名称] — 上市公司简称
- Year [年份] — 财务年度
- Province [省份] — 公司注册所在省份
- ProvinceCode [省份代码] — 省份行政区划代码(6位)
- City [城市] — 公司注册所在城市
- CityCode [城市代码] — 城市行政区划代码(6位)
- County [区县] — 公司注册所在区县
- CountyCode [区县代码] — 区县行政区划代码(6位)
- IndustryCode [行业代码] — 中上协行业分类代码
- IndustryName [行业名称] — 中上协行业分类名称
- DigiRiskSentCount [数字技术风险关键词句数] — 参考卢垚、石晗清、周新怡(2025,经济研究)的方法，年报管理层讨论与分析(MD&A)中经Aho-Corasick自动机匹配到的数字技术风险关键词句子总数。用作文本信息量代理或样本筛选(数值越小测量越不稳定)。
- DigiRiskExpCount [风险暴露句数] — 参考卢垚、石晗清、周新怡(2025,经济研究)的方法，经微调的中文金融BERT模型(mengzi-bert-base-fin)将每条数字技术风险关键词句判别为风险暴露(-1)或风险防范(+1)，本字段为被判别为风险暴露的句子数。
- DigiRiskPrevCount [风险防范句数] — 参考卢垚、石晗清、周新怡(2025,经济研究)的方法，经微调的中文金融BERT模型将每条数字技术风险关键词句判别为风险暴露(-1)或风险防范(+1)，本字段为被判别为风险防范的句子数。
- MDAExtracted [MD&A提取标志] — 是否成功从年报全文提取到管理层讨论与分析(MD&A)章节(0=否，1=是)。为0时各数字技术风险暴露指标基于年报全文计算(回退口径)。
- DigiRiskExposure [数字技术风险暴露] — 参考卢垚、石晗清、周新怡(2025,经济研究)的方法，计算公式为：DigiRiskExposure=max(P_neg)-mean(P_pos)，其中P_neg为风险暴露句的负向(风险)预测概率、P_pos为风险防范句的正向(防范)预测概率，结果在0处截断(小于0取0)。用作研究变量，数值越大代表企业数字技术风险暴露越高。
- DataRiskExposure [数据风险暴露] — 参考卢垚、石晗清、周新怡(2025,经济研究)的方法，计算公式同数字技术风险暴露(DigiRiskExposure)，但仅基于数据风险(data_risk)类关键词句计算。用作研究变量，数值越大代表企业数据相关风险暴露越高。
- CyberRiskExposure [网络风险暴露] — 参考卢垚、石晗清、周新怡(2025,经济研究)的方法，计算公式同数字技术风险暴露(DigiRiskExposure)，但仅基于网络安全风险(cyber_risk)类关键词句计算。用作研究变量，数值越大代表企业网络安全相关风险暴露越高。
常见问题
- 「数字技术风险暴露(Mengzi模型)」是什么数据集？
- 数字技术风险暴露(Mengzi模型)，隶属信息环境。衡量企业面临的数字技术相关风险暴露程度。
- 该数据集的时间范围是？
- 覆盖 2003-2025 年。
- 包含哪些变量/指标？
- 共 18 个变量。核心指标包括：数字技术风险关键词句数、风险暴露句数、风险防范句数、MD&A提取标志、数字技术风险暴露、数据风险暴露、网络风险暴露。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 64,602 条观测。
- 数据是如何测算/获取的？
- 指标定义与计算方法 数字技术风险暴露指标衡量企业年度报告管理层讨论与分析（MD&A）部分中，数字技术安全相关风险的净暴露程度。该指标参考陆瑶、施函青、周欣怡（2025，经济研究）提出的方法，通过文本分析量化企业面临的数字技术风险水平。 构建过程分为三个阶段。第一阶段为关键词提取：基于《工业和信息化领域数据安全风险信息报送与共享工作指引（2021）》和《国家网络安全事件应急预案（2017）》中的分类体系，构建涵盖数据风险和网络风险两大类的关键词词典，利用Aho-Corasick多模式匹配算法从MD&A文本中提取含关键词的句子。关键词体系包含数据泄露、数据篡改、数据滥用、违规传输、有害程序、网络攻击、设备设施故障等子类。 第二阶段为句子级情感分类：对提取的关键词句子使用预训练中文金融BERT模型进行二分类，判断每句描述的是"风险暴露"（企业面临的威胁和隐患）还是"风险防范"（企业采取的保护和应对措施）。模型输出softmax概率，$P{neg}$表示风险暴露的概率，$P{pos}$表示风险防范的概率。 第三阶段为指标计算。核心指标的定义为： $$\text{DigiRiskExposure} = \max\bigl(P{neg,i}\bigr) - \frac{1}{m}\sum{j=1}^{m} P{pos,j}$$ 其中$P{neg,i}$为第$i$条风险暴露句子的负面情感概率最大值，$P{pos,j}$为第$j$条风险防范句子的正面情感概率均值。若差值为负则设为零。该公式通过最大风险敞口（max算子）与平均防范水平（mean算子）的差异，捕捉企业在数字技术领域的净风险暴露。 进一步，根据句子所匹配关键词的类别差异，可分解为数据安全风险暴露$\text{DataRiskExposure}$（仅基于数据风险类关键词句子）和网络安全风险暴露$\text{CyberRiskExposure}$（仅基于网络风险类关键词句子），计算公式相同。 补充说明 - 样本覆盖2003--2024年A股上市公司年报，关键词词典基于论文公布的核心词表 - MD&A章节通过多模式正则匹配提取，覆盖2001--2024年间的多种年报格式 - 无关键词匹配的公司-年度观测值设为零 - BERT分类模型基于随机抽样标注数据微调，验证准确率约86% 参考文献 - 陆瑶, 施函青, 周欣怡. 中国企业数字技术风险暴露对企业价值的影响--来自大语言模型的文本分析证据[J]. 经济研究, 2025, 60(2): 73-91. - Huang A H, Wang H, Yang Y. FinBERT: A large language model for extracting information from financial text[J]. Contemporary Accounting Research, 2023, 40(2): 806-841.
- 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。