企业探索式创新(文本分析法)

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] — 按报告年度匹配证券简称；缺少当年记录时回退至最新可得档案
• Year [年度] — 统计年度
• Province [省份] — 公司注册地所在省份；采用可得公司注册地档案快照，不代表逐年历史迁址
• ProvinceCode [省份代码] — 公司注册地省份行政区划代码；采用可得公司注册地档案快照，不代表逐年历史迁址
• City [城市] — 公司注册地所在城市；采用可得公司注册地档案快照，不代表逐年历史迁址
• CityCode [城市代码] — 公司注册地城市行政区划代码(6位)；采用可得公司注册地档案快照，不代表逐年历史迁址
• County [区县] — 公司注册地所在区县；采用可得公司注册地档案快照，不代表逐年历史迁址
• CountyCode [区县代码] — 公司注册地区县行政区划代码(6位)；采用可得公司注册地档案快照，不代表逐年历史迁址
• IndustryCode [行业代码] — 中上协行业分类，按年度轨迹匹配；缺少当年记录时回退至该主体最新可得行业档案
• IndustryName [行业名称] — 中上协行业分类，按年度轨迹匹配；缺少当年记录时回退至该主体最新可得行业档案
• ExploratoryKeywordCount [探索式创新关键词词频] — 参考方鑫等(2025,华东经济管理)第27页表1，计算公式为：年报全文72个探索式创新关键词完整词条出现次数之和，单位为次；长词中的短词不重复计数，否定与模板提及保留；中文全文不可测时缺失。
• ReportWordCount [年报全文中文词数] — 计算公式为：jieba专用词典将年报全文分词后，含至少一个中文汉字的词元数量，单位为词；保留单字及停用词，排除纯英文、数字、标点及空白。作者未公开具体程序，本字段为经确认的操作化，不是汉字数。
• ExploratoryInnovationRatio [探索式创新词频比例] — 参考方鑫等(2025,华东经济管理)第27页，计算公式为：探索式创新关键词词频/年报全文中文词数，单位为未缩放比例；用作研究变量，越大代表年报探索式创新相关文本表达越强；全文不可测或分母无效时缺失。
• ExploratoryInnovationZ [探索式创新标准化值] — 参考方鑫等(2025,华东经济管理)第27页的标准化步骤，计算公式为：(探索式创新词频比例-全部有效公司年度均值)/全部有效公司年度总体标准差，不分年或行业；具体标准化公式是经确认的操作化，原文未明确。用作研究变量，越大代表相对全样本的文本强度越高；原比例缺失或总体标准差为零时缺失。新增年度会改变历史标准化值。

常见问题

「企业探索式创新(文本分析法)」是什么数据集？

企业探索式创新(文本分析法)，隶属创新与知识产权。参考方鑫等(2025,华东经济管理)，按表1完整72词计量年报全文探索式创新词频，除以全文中文分词词数得到未缩放比例，并使用全部有效公司年度均值和总体标准差计算

该数据集的时间范围是？

覆盖 1991-2025 年。

包含哪些变量/指标？

共 15 个变量。核心指标包括：探索式创新关键词词频、年报全文中文词数、探索式创新词频比例、探索式创新标准化值。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？

指标定义与计算方法 探索式创新是企业通过搜索新知识、尝试新技术和开拓新领域来拓展既有能力边界的创新活动，体现了企业在创新过程中的探索、试验与变革取向。本数据集参考方鑫等（2025）的文本分析方法，从上市公司年度报告中识别与探索式创新有关的表述，并以其在年报中的相对频率衡量企业的探索式创新倾向。年报是企业介绍经营活动、发展战略和技术投入的重要载体，相关词汇的使用为观察企业对探索活动的关注程度提供了文本依据。 测度首先以探索式创新词典确定识别范围。原文以探索、搜索、变化、冒险、试验、灵活性、发掘和革新八个词作为种子词，运用词向量模型扩展近义表述，并经人工筛选与专家核验形成最终词表。本数据集直接采用原文表1公布的72个词，包含八个种子词及64个扩充词，涵盖探索研究、新品开发、自主研发、技术革新、商业模式创新等表述。各词等权计数，八个组别仅用于组织词表，不分别赋予权重，也不据此构造八个分项指标。 其次，在公司每一年度的年报全文中统计关键词出现次数。文本范围包括年报正文、目录和财务附注，并保留其中的附带材料。计数以中文分词后的完整词条为单位：同一词条每出现一次计一次，长词内部包含的短词不再重复计数，例如“新技术研究”只计该词本身，不再另计其中的“研究”。设企业 $i$ 在第 $t$ 年的年报中，词表内关键词 $w$ 的出现次数为 $f{it}(w)$，词表集合为 $K$，则探索式创新关键词总词频为 $$N{it}=\sum{w\in K}f{it}(w)$$ 其中 $N{it}$ 对应关键词词频字段 $ExploratoryKeywordCount$，反映年报中相关表述的总量。计数保留原文的否定、公司名称及模板性提及，不进一步进行语义分类；原文断行与繁简写法亦予保留。 再次，以年报篇幅调整关键词词频。年报较长的企业即使相关表述所占比重不变，也可能具有更高的绝对词频，因此将关键词总词频除以年报全文总词数。本文把含有至少一个中文汉字的分词词条作为有效词元，保留单字词与停用词，纯英文、数字、标点和空白不计入分母；中英文混合词条只要包含汉字便计入。记有效词元总数为 $L{it}$，对应年报全文中文词数字段 $ReportWordCount$，探索式创新词频比例定义为 $$R{it}=\frac{N{it}}{L{it}}$$ 该比例对应 $ExploratoryInnovationRatio$，不作百分数或每万词倍率变换。取值越大，表示探索式创新相关表述在企业年报中的比重越高；它反映的是相对文本表达强度，而非创新活动的绝对规模。词数以分词结果为基础，与中文字符数不同。 最后，对词频比例进行标准化。设全部有效公司—年度观测的词频比例均值为 $\muR$，总体标准差为 $\sigmaR$，则探索式创新标准化值为 $$Z{it}=\frac{R{it}-\muR}{\sigmaR}$$ 其中总体标准差以有效观测数为分母计算，均值与标准差均基于全部有效公司年度，不按年度或行业分别计算。该指标对应 $ExploratoryInnovationZ$，正值表示文本表达强度高于全样本平均水平，负值表示低于平均水平。数据同时保留未经标准化的词频比例，以及构成比例的关键词词频和全文中文词数，便于研究者根据自身样本进行后续处理。 补充说明 - 样本口径：覆盖全部可得股票主体、行业与板块，原始测量保留ST/PT及金融业，不预先施加参考论文的回归样本限制。简称、地区与行业为辅助信息，地区反映可得注册地档案，不能视为逐年历史迁址记录。 - 与原文的衔接：词表及词频比例取自原文，但作者未公开完整分词、清洗与词条边界程序，也未明确标准化公式及分组范围。本文采用中文词元、完整词条计数和全样本总体标准化作为具体实现；原文的专利替代测度不纳入本文本指标。 - 文本测度的含义：词表包含“研究”“开发”等较宽泛的表述，相关词频亦可能来自一般经营、财务叙述或模板内容，因此文本表达强度与实际创新产出有不同含义。以实际创新成果为研究对象时，可结合研发投入或专利指标进行分析。 - 零值、缺失与其他局限：有效中文文本未出现关键词时，词频和比例取零，标准化值仍按上述公式计算；文本不可读取、缺少有效中文或经既定规则识别为损毁、摘要及公告残片时，测量值留缺失。少量历史材料存在缺页或提取不完整，可能影响词频与篇幅，全文中文词数可用于辅助识别此类观测。 - 标准化与后续处理：新增年度、更新输入或变更计算样本会改变全样本均值、标准差及历史标准化值；总体标准差为零时标准化值留缺失。对词频、词数、比例和标准化值分别缩尾后，它们不再保持原始计算恒等式。 参考文献 [1]方鑫,董静,陆亮亮,彭兴越.CEO过度自信与探索式创新——基于机器学习和文本分析的方法[J].华东经济管理,2025,39(11):23-34.DOI:10.19629/j.cnki.34-1014/f.250217028.

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。