企业数据专用性

字段字典

• Symbol [股票代码] — 六位数字字符串股票代码；保留历史证券代码及B股代码。
• StkName [证券简称] — 上市公司证券简称
• Year [报告所属年度] — 年报所属财务年度，不使用公告发布日期年度。
• 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)
• DataHumanFreq [数据人力专用性词频] — 参考彭正银等（2024），年报全文中数据人力专用性维度35个去重关键词出现次数之和，单位为次；中文及混合词去空白逐词匹配，纯英文在保留空白的原文中忽略大小写并限定ASCII字母数字下划线边界，嵌套词分别计数，同维去重、跨维保留归属，不识别职业语境或否定、不清除重复页眉、不作繁简转换。有效全文零命中为0，源无效为缺失，生产及原始版保留原始计数；标准缩尾版的处理见说明书。
• DataAlgorithmFreq [数据算法专用性词频] — 参考彭正银等（2024），年报全文中数据算法专用性维度35个去重关键词出现次数之和，单位为次；中文及混合词去空白逐词匹配，纯英文在保留空白的原文中忽略大小写并限定ASCII字母数字下划线边界，嵌套词分别计数，同维去重、跨维保留归属，不识别职业语境或否定、不清除重复页眉、不作繁简转换。有效全文零命中为0，源无效为缺失，生产及原始版保留原始计数；标准缩尾版的处理见说明书。
• DataChannelFreq [数据渠道专用性词频] — 参考彭正银等（2024），年报全文中数据渠道专用性维度54个去重关键词出现次数之和，单位为次；中文及混合词去空白逐词匹配，纯英文在保留空白的原文中忽略大小写并限定ASCII字母数字下划线边界，嵌套词分别计数，同维去重、跨维保留归属，不识别职业语境或否定、不清除重复页眉、不作繁简转换。有效全文零命中为0，源无效为缺失，生产及原始版保留原始计数；标准缩尾版的处理见说明书。
• DataScenarioFreq [数据场景专用性词频] — 参考彭正银等（2024），年报全文中数据场景专用性维度34个去重关键词出现次数之和，单位为次；中文及混合词去空白逐词匹配，纯英文在保留空白的原文中忽略大小写并限定ASCII字母数字下划线边界，嵌套词分别计数，同维去重、跨维保留归属，不识别职业语境或否定、不清除重复页眉、不作繁简转换。有效全文零命中为0，源无效为缺失，生产及原始版保留原始计数；标准缩尾版的处理见说明书。
• DataSpecificityFreq [数据专用性总词频] — 参考彭正银等（2024），四个维度关键词词频之和，单位为次，是企业数据专用性对数指标的直接构件；全局157个不同词、158个维度归属，“大数据”在人力与算法各计一次，嵌套词独立计数，保留宽词、公司名称和重复页眉的贡献。有效全文零命中为0，坏源缺失。生产及原始版保留原值，标准缩尾版的处理见说明书。
• DataSpecificity [企业数据专用性] — 参考彭正银等（2024），企业数据专用性为四维总词频加1的自然对数，无量纲，数值越大表示相关内容披露越多。使用完整公开词典的全文计数操作化，不额外筛选人员职业语境或清除重复页眉，宽词与版式影响可能较大；不代表实际投入或语义准确率，不保证作者同值。有效全文零词频取0，源无效缺失，生产及原始版保留原始值，标准缩尾版的处理见说明书。

常见问题

「企业数据专用性」是什么数据集？

企业数据专用性，隶属数字化转型与人工智能。参考彭正银、楚伯微、罗贯擎、施柏卉（2024），本数据集以年报中数据相关投入与活动的披露衡量企业数据专用性。

该数据集的时间范围是？

覆盖 1991-2025 年。

包含哪些变量/指标？

共 17 个变量。核心指标包括：数据人力专用性词频、数据算法专用性词频、数据渠道专用性词频、数据场景专用性词频、数据专用性总词频、企业数据专用性。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？

测量对象与经济含义 企业数据专用性反映数据与企业人力、算法、渠道和业务场景相结合后形成的针对性投入与活动。参考彭正银、楚伯微、罗贯擎、施柏卉（2024），本数据集利用年报披露统计四类关键词，形成企业数据专用性的文本代理。数值越大，表示相关内容提及越多，并不等同于已核实的数据专用资产金额或实际投资规模。 四维关键词词频 使用参考论文表1及续表1的完整公开词典，涵盖形成机制与应用特征两类词汇。数据人力维度包含首席信息官、数据工程师以及信息、技术、研发等词；数据算法维度包括算法、数据挖掘、云计算等；数据渠道维度包括数据传输、数据库、数据中心等；数据场景维度包括业务场景、精准推荐、智能生产等。 同一维度内的重复词只保留一次。去重后四个维度分别包含35、35、54、34个词，共157个不同词、158个维度归属。“大数据”同时列在人力和算法维度，分别计入两维。原表的英文拼写PASS予以保留，不替换为PAAS。 对企业i在年度t的有效年报全文，分别统计每个词的出现次数。中文和含中文的混合词去除排版空白后匹配；纯英文字词在保留空白的原文中忽略大小写，两侧以ASCII字母、数字和下划线限定词界。各词独立计数，包含关系不抵消，例如“云计算”可同时贡献“云计算”和“计算”；同一词自身的匹配不重叠。不扣除否定提及，不作繁简转换。 令四个维度的去重词集为KH、KA、KC、KS，词w的出现次数为c。各维度词频为： $$ F{d,it}=\sum{w\in Kd}c{it}(w),\qquad d\in\{H,A,C,S\} $$ 其中H、A、C、S依次表示人力、算法、渠道和场景，单位均为次。这四个词频是理解总指标构成的研究中间变量，随成品提供。 企业数据专用性 将四维词频相加，得到总词频F，再加1取自然对数： $$ F{it}=F{H,it}+F{A,it}+F{C,it}+F{S,it} $$ $$ Ds{it}=\ln(1+F{it}) $$ 总词频单位为次，Ds为无量纲指标。成品同时保留四维词频、总词频和Ds，便于核对构成。有效全文没有关键词时，词频及Ds均为零；原始文本不可有效测量时，保留公司年度观测，六个研究变量均为缺失。 补充说明 本集采用公开全词表的全文计数操作化。论文讨论了人员教育与从业背景，但没有公开职业语境筛选和完整清洗程序；本集不自行加入背景窗口，不删除公司名称或重复页眉。“信息披露”、一般技术措辞、财务附注和反复出现的公司页眉也可能贡献词频，宽词与版式影响可能较大。其结果应解释为既定词典下的披露代理，不能当作职业背景识别、实际投入或语义准确率，也不保证作者同值。 论文实证曾逐年对Ds上下各0.5%缩尾，本集不采用该论文特定比例。生产数据与全样本原始版保留原值；标准Stata成品另提供剔除ST/PT与金融业的原值版，以及在剔除样本上按年度对六个研究字段分别作上下各1%缩尾的版本。阈值使用各字段当年非缺失观测的Stata百分位数。 缩尾版是使用便利版本。由于各字段分别处理，缩尾后的四维词频与总频不保证继续满足原始求和关系，缩尾后的Ds也不保证等于缩尾总频的对数；中间计数还可能出现百分位阈值产生的小数。需要核对原始公式、重新选定处理方法或解释实际提及次数时，应使用原始版或剔除样本原值版。论文的有序稳健性分组不在本集提供。 早期文本稀疏、繁体表达、原始提取缺字及排版变化可能影响测量；未触发质量规则不等于逐份证明全文完整。读取失败、核证摘要、英语主体或严重损毁等材料保持研究量缺失，不以零代替。全样本包括ST/PT和金融企业，另提供剔除这些企业的原值版本；地区信息为档案快照，年度简称和行业缺同期资料时可能回退可得档案。 参考文献 [1]彭正银,楚伯微,罗贯擎,施柏卉.数据专用性对平台包络的影响效应研究[J].经济管理,2024,46(5):72-91.DOI:10.19616/j.cnki.bmj.2024.05.004.

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。