Question 1

「高管大数据思维(LM修正词频法)」是什么数据集？

Accepted Answer

高管大数据思维(LM修正词频法)，隶属董监高数据。参考唐雪松等(2026,会计研究)的方法,基于年报管理层讨论与分析(MD&A)文本,采用Loughran & McDonald(2011)修正词频权重(tf.

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 16 个变量。核心指标包括：大数据思维词频、MD&A总字数、是否成功提取MDA、高管大数据思维、高管大数据思维(行业调整)。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 69,115 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

伴随大数据技术的发展与完善，企业管理者逐渐形成大数据思维能力，即能够有效获取、分析并利用数据进行科学决策的认知方式。参考唐雪松等(2026, 会计研究)的方法，大数据思维主要包含三个维度：全样思维（以总体性视角获取与分析信息，不依赖小样本推断）、相关思维（以关联性视角看待事物，重视相关规律而非固化的因果链条）与容错思维（接受数据的纷繁复杂，以代表性替代单点精确性）。根据高层梯队理论，高管的认知与思维特征会映射在企业战略与决策中；而心理语言学研究表明，语言的使用能够反映难以直接观测的个人认知特质。公司年报中的管理层讨论与分析（MD&A）集中展现了管理层对公司经营状况、风险机遇与战略规划的个性化阐述，其表述选择空间较大，能够有效体现管理层的个人思维风格。因此本指标沿"公司信息披露—高管语言表述—高管认知思维"的逻辑，以 MD&A 文本作为语料来源构建高管大数据思维的衡量指标。

大数据思维词典。 基于大数据思维经典文献对其内涵的阐述，挑选出最能体现大数据思维的种子词汇，包括"全样""全面""整体性""容错""纷繁""关联""相关性"。鉴于中文表达高度灵活、"一义多词"现象普遍，采用 Word2Vec（Skip-Gram 模型）先在通用中文知识库语料上训练、再在财经年报语料上进行第二次训练，通过词向量余弦相似度找出与种子词语义相近的词汇扩充基础词库，最后由资深学者人工核验筛选，形成最终的大数据思维词典。该词典的种子词与机器学习扩展词去重后共 $38$ 个词汇。

核心指标 BDM。 在获得词典后，借鉴 Loughran & McDonald (2011) 的修正词频权重算法为词典中每个词赋权，计算其 tf.idf 得分。对第 $i$ 份 MD&A 文本、词典中第 $j$ 个词：

$$
\text{Score}{i,j}=
\begin{cases}
\dfrac{1+\ln\left(tf{i,j}\right)}{1+\ln\left(ai\right)}\cdot\ln\left(\dfrac{N}{dfj}\right), & tf{i,j}\geq 1\[2mm]
0, & tf{i,j}=0
\end{cases}
$$

其中 $tf{i,j}$ 为词 $j$ 在第 $i$ 份 MD&A 中出现的次数，$ai$ 为第 $i$ 份 MD&A 的总字数（取中文字符数），$N$ 为全部有效 MD&A 文档总数，$dfj$ 为至少包含词 $j$ 一次的 MD&A 文档数。式中第一项通过对数变换降低高频词的影响，第二项则依据词的通用性（逆文档频率）修正其影响力。将各词典词的得分加总即得高管大数据思维指标：

$$
\text{BDM}i=\sum{j}\text{Score}{i,j}
$$

BDM 数值越大，表明公司高管的大数据思维（全样思维、相关思维、容错思维）越强。

词频形式与行业调整。 作为稳健替代度量，词频形式指标 $\text{BDMFreq}=\sumj tf{i,j}$ 直接以词典词在 MD&A 中出现的总频数衡量大数据思维；行业调整指标 $\text{BDMAdj}=\text{BDM}-\overline{\text{BDM}}{\text{同年度同行业}}$ 为 BDM 减去同年度同行业均值，其中行业按大类分组（制造业取行业代码前两位，非制造业取首字母）。此外报告 MD&A 的中文字数（$ai$，即加权算法的分母）与 MD&A 章节是否成功提取的标志，供研究者控制文本长度并筛选样本。
补充说明

- 分词采用中文分词工具，并将词典词加入分词器以保证多字词整体切分、长词优先，从而在词典存在前缀包含关系（如"关联"是"关联性""相关联"的前缀，"全面"是"全面性"的前缀）时按词元精确匹配、避免子串重复计数。
- 样本覆盖全部行业、全部有报告年份的公司-年（原文以剔除金融、特殊处理及信息技术等行业的子样本为研究对象，此处按数据集通用规范全行业覆盖，供研究者自行筛选）。仅纳入 MD&A 中文字数达到最小阈值的有效文档。
- 本指标水平存在若干需在使用时注意的固有特征：其一，词典以通用管理词汇为主，指标在一定程度上反映年报管理术语的表述密度，作为解释变量宜控制年报文本长度并辅以稳健性检验；其二，指标年度均值随时间明显上升，部分源于年报文本的逐年膨胀，使用时须加入公司与年份固定效应，且不宜将时间趋势直接解读为思维的演化；其三，大数据思维概念于 2013 年后方逐渐形成，早年取值语义较弱，建议研究样本起点不早于 2013 年；其四，MD&A 章节提取失败而回退全文的观测（提取标志为 0，多为特殊格式年报）指标偏高，建议研究时予以剔除或对相关行业单独处理；其五，指标绝对水平依赖语料的逆文档频率基准与样本构成，不宜跨数据集直接比较，宜配合固定效应用于组内相对比较。
参考文献

- 唐雪松,廖强,李闻,等.高管大数据思维与企业创新水平——基于机器学习的研究[J].会计研究,2026(5):107-119.
- Loughran T, McDonald B. When is a liability not a liability? Textual analysis, dictionaries, and 10-Ks[J]. The Journal of Finance, 2011, 66(1): 35-65.

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	16
样本量	69,115
是否可合并	可与同主体数据集合并

高管大数据思维(LM修正词频法)

字段字典

常见问题