企业大数据应用程度

字段字典

• Symbol [股票代码] — 六位数字字符串股票代码；空值不转换为证券代码
• StkName [证券简称] — 按年度匹配的证券简称；当年缺记录时沿用最新可得简称
• Year [年份] — 年度报告对应的报告年份；仅使用已结束的可得报告年度，历史股票代码保留，不代表全部现实公司年均有年报
• 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)；按年度匹配中上协行业，当年缺记录时使用最新可得行业回填
• 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)；按年度匹配中上协行业，当年缺记录时使用最新可得行业回填
• BigDataFreq [大数据应用关键词总词频] — 参考柏淑嫄、潘子成、曹伟、耿修林（2024）附表A1，年报全文大数据、数据挖掘、文本挖掘、数据可视化、异构数据、征信、增强现实、混合现实、虚拟现实、数据科学十个中文词出现次数之和，单位为次，是核心对数指标的变换前原频。逐词独立完整字串计数，不额外匹配英文缩写、不拼空白、不繁简转换、不去否定、目录、名称或重复。有效全文无命中为0，源不可测时缺失；仅反映相关文本提及，不等于实际应用。
• IsBigData [是否披露大数据应用关键词] — 参考柏淑嫄等（2024）的BD1，年报全文十中文词总频大于0取1，否则取0；源不可测时缺失。1表示出现相关关键词，不代表语义核实实际使用；0表示本计数口径下未命中，不证明未应用。独立英文AR、MR、VR不另计，因此可能遗漏仅用缩写的技术表述。
• BigDataApplication [企业大数据应用程度] — 参考柏淑嫄等（2024）的BD2，计算公式为ln（1+年报全文十个中文关键词总词频），自然对数、无量纲，不作篇幅标准化或自设加权。数值越大表示相关文本提及更多，不能直接认定实际投入或内部应用；有效全文零命中为0，源不可测时缺失。作者未公开文本构造实现，中文字串及缩写处理为透明操作化，不保证作者同值；征信、名称、主营、否定和重复文字会影响结果。

常见问题

「企业大数据应用程度」是什么数据集？

企业大数据应用程度，隶属数字化转型与人工智能。企业大数据应用程度反映上市公司年报中对大数据相关技术与活动的披露程度。

该数据集的时间范围是？

覆盖 1991-2025 年。

包含哪些变量/指标？

共 14 个变量。核心指标包括：大数据应用关键词总词频、是否披露大数据应用关键词、企业大数据应用程度。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？

测算方法 一、测量对象与经济含义 企业大数据应用程度用于刻画上市公司年报中对大数据相关技术与活动的披露程度。参考柏淑嫄、潘子成、曹伟、耿修林（2024），以企业年报全文中大数据应用关键词的提及频次构造指标。相关表述越多，反映企业在公开披露中对这些技术和活动的关注或描述越多。本指标是文本代理量，不能直接认定企业已经实际使用相应技术，也不等于大数据投入金额或使用效率。 二、年报与关键词 以公司年度报告全文为计数对象，覆盖正文、管理层讨论、财务附注及其他全文内容，不将范围缩小为管理层讨论与分析。按实际报告年度和六位股票代码识别公司年，保留可得的已结束报告年度、全行业及全板块；原始数据保留ST、PT及金融企业。历史股票代码与退市公司有可得报告时仍保留。 依据论文补充材料附表A1，使用以下十个中文关键词：大数据、数据挖掘、文本挖掘、数据可视化、异构数据、征信、增强现实、混合现实、虚拟现实、数据科学。沿用公开词表，不拓词、不估计额外权重。各关键词对全文独立作完整字串匹配，重复出现分别计次，不拼接空白或转换繁简文字，不剔除否定、目录、释义、公司名称及重复文字。 三、关键词总词频 令公司为$i$、报告年度为$t$，$T{it}$为可测的完整年报文本，$wk$为上述第$k$个关键词，$f(wk,T{it})$表示该词在全文中的出现次数。十词总词频为： $$ F{it}=\sum{k=1}^{10} f(wk,T{it}) $$ 总词频对应字段BigDataFreq，单位为次，是后续两个指标的直接构件。它统计的是出现次数而非不同技术种类数。同一词在不同位置反复出现会反复计入；例如同一技术既出现在释义又出现在业务介绍中，两处均计数。有效全文未出现十词时，总词频为0。 四、是否提及与应用程度 与论文的BD1对应，是否披露大数据应用关键词按总词频是否为正构造： $$ BD1{it}=\mathbf{1}(F{it}0) $$ 字段IsBigData取0或1。1表示年报中至少出现一个相关中文关键词；0表示该全文在本计数口径下没有命中，不能据此判断企业实际没有应用大数据。 与论文的BD2对应，将总词频加1后取自然对数，构造企业大数据应用程度： $$ BD2{it}=\ln(1+F{it}) $$ 字段BigDataApplication无量纲。对数变换降低极高词频对数值尺度的影响；有效全文零词频对应0。不作全文篇幅标准化，不作行业调整，不引入自设语义评分。原始数据保留总词频、二元指标及对数指标，便于理解与复核三者关系。 五、缺失值与成品版本 完整解码失败、提取文字严重损毁、缺少中文、英语主体报告、已核证摘要或仅有业绩材料等无法可靠测量的公司年，三个研究字段均保留缺失，不能填为0。严格可逆的双编码恢复仅用于可证实的编码问题，不推断或补造丢失的中文。来源质量检查不等于逐份报告完整性人工认证。 公司简称和行业按年度匹配，缺少当年档案时使用最新可得记录回填；地区为可得档案快照，不代表逐年迁址。原始成品保留全样本；另提供剔除ST、PT与金融业及其年度双侧1%缩尾版本。缩尾仅作用于总词频和连续对数指标，二元指标保持原值。两连续变量分别缩尾，因此缩尾版未必严格保持原始对数恒等式；计算关系应以原始版核对。 补充说明 论文附表将增强现实、混合现实、虚拟现实分别附注AR、MR、VR，但公开回归材料未包含文本构造实现，未明确这些缩写是否另行匹配。本数据集采用已确认的中文十词方案，不另计独立英文缩写。这样可以避免将英文称谓、试剂级别、药品编号等歧义缩写计入，但也会遗漏仅使用英文缩写的真实技术表述。中文完整字串、不拼空白和不繁简转换等均为透明操作化，不声称与作者程序或原回归值完全相同。 “征信”等宽词可能出现在股东或子公司名称、主营产品、客户业务、否定及模板内容中，重复披露也会增加词频。年报篇幅、披露风格和排版差异影响可比性；文本出现不能替代企业实际技术采用的语义核实。早期来源稀疏、损坏或材料不完整的缺失仍保留，不用后年文字回填。论文中的专利类稳健性替换不在本数据集范围内。 参考文献 [1]柏淑嫄,潘子成,曹伟,耿修林.企业大数据应用对ESG评价的影响[J].世界经济,2024,47(8):133-167.DOI:10.19985/j.cnki.cassjwe.2024.08.005.

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。