企业创新多言寡行

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)
• InnovWordCount [创新词出现次数] — 130词重建词库在年报全文jieba分词中的整词出现次数；全部词频重复累计、类别并集去重，单位为次。HMM=False，130词加入词典；全文否定、履历和模板不剔除。有效全文未命中为0，摘要、坏源、英文或未识别全文缺失。
• FullTextWordCount [年报全文词项数] — 与创新词计数使用同一次分词，含中文、拉丁字母或数字的词项数量；保留单字、数字和停用词，排纯标点空白。单位为词项，是创新披露比例的分母；未识别全文缺失。
• InnovDisclosure [创新文本披露比例] — 参考陈柏彤等（2025），创新词出现次数除以年报全文词项数，0至1的原始比例，不乘100，不取对数；繁体或混排标题及已核原件SHA判定的材料全文t2s后计数。130词为公开44词加86扩词的重建版，不等于作者完整词库。
• NextPatentApplications [次年专利申请数] — 现有公司专利年度表的次年全部发明及实用新型申请数量，单位为件；沿用该源主体与去重范围。实际观察为0保留0，缺年或缺公司不补0；数据上限当前年减一，因此末年无次年值。
• LnNextPatentApplications [次年专利申请对数] — 次年专利申请数加1后取自然对数，是创新披露回归的实际创新产出解释变量；原始申请数未知时缺失。
• PatentKnowledge [专利知识宽度代理] — 参考李宏等（2021）的知识宽度思路，复用已有累计发明及实用新型主IPC大组频数的1减HHI，0至1；累计可识别专利数大于0且原质量值合法才定义，真实单域0保留，无专利历史缺失。现有代理未按论文剔除避重弃权等状态。
• RDInvestment [研发投入金额代理] — 年度Q4财务指标表RdExp单源金额，单位为元，作为含费用化与资本化的总研发投入代理；不拼接利润表费用化金额，未知不补0。600660/2007原值经官方年报核为未来计划项目投资，本任务置缺失；未逐行核验全时期金额。
• RDToAssets [研发投入资产比] — 非负单源研发投入金额除以正值年末资产总额，原始比例不乘100；研发或资产不满足条件时缺失，作为创新披露回归控制。
• LnAssets [资产规模对数] — 年度Q4正值资产总额以元计后取自然对数，作为规模控制；非正或未知资产缺失。
• LnFirmAge [企业年龄对数] — 报告年度减实际成立年度后加1取自然对数；使用成立日期，不用上市日期、发行日或最早交易日替代，负年龄或未知成立日缺失。
• Leverage [资产负债率] — 年度Q4负债总额除以正值资产总额，原始比例不乘100；保留实际大于1等观测，不预先缩尾，未知缺失。
• RevenueGrowth [营业收入增长率] — 同一已证证券身份相邻日历年度营业收入同比，原码整行优先，仅缺整行键时使用官方一一北交所换码匹配，使用Revenue而不替换TotalRevenue；仅上年度Revenue为正时定义，缺年、未知或非正基期缺失。使用各年度源值，不统一改为后期报告的重述基期；重组或重述可使同比极端。
• Top1Share [第一大股东持股比例] — 年度第一大股东集中度CR1除以100得到0至1比例，原始百分数超出0至100或未知时缺失。
• LnBoardSize [董事会规模对数] — 年度董事会实际人数的自然对数，人数为正才定义；未知或非正缺失。
• IndependentShare [独立董事比例] — 年度独立董事百分比除以100，取0至1比例；原始超出0至100或未知时缺失。
• OperatingCashToAssets [经营现金资产比] — 年度Q4经营活动现金流量净额除以正值年末资产总额，原始比例，可为负，不预缩尾；未知缺失。
• IsStateOwned [国有企业] — 年度Q4实际控制人国企标记，已知国有为1、已知非国有为0；未知及其他无效值缺失，不将未知作为非国有。
• InnovationResidual [创新披露回归残差] — 全时期完整可得公司年合并OLS的原始残差，因变量为创新披露比例，解释变量为次年专利对数及本集财务治理控制，含截距及分别行业、年份固定效应，不预缩尾。1减杠杆值不大于1e-10的数学饱和观测留估计但本值缺失；新增年度会重估历史残差。
• Stdskew [企业创新多言寡行] — 参考陈柏彤等（2025），对可识别原始残差集合减均值后除以样本标准差，ddof=1；越大表示创新叙述相对模型解释水平越多，不直接证明虚假创新。使用130词重建版和明确控制代理，不保证作者同值；缺输入或数学饱和时缺失，新增年度会修订历史值。

常见问题

「企业创新多言寡行」是什么数据集？

企业创新多言寡行，隶属信息环境。参考陈柏彤、肖翔、戈心怡（2025），衡量企业创新文本披露相对于后续专利产出及企业特征的偏离。

该数据集的时间范围是？

覆盖 1990-2025 年。

包含哪些变量/指标？

共 30 个变量。核心指标包括：创新词出现次数、年报全文词项数、创新文本披露比例、次年专利申请数、次年专利申请对数、专利知识宽度代理、研发投入金额代理、研发投入资产比、资产规模对数、企业年龄对数、资产负债率、营业收入增长率、第一大股东持股比例、董事会规模对数、独立董事比例、经营现金资产比、国有企业、创新披露回归残差、企业创新多言寡行。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 76,988 条观测。

数据是如何测算/获取的？

测量对象与经济含义 企业创新多言寡行衡量企业年报中的创新叙述，相对于后续专利产出及企业特征所解释水平的偏离。参考陈柏彤、肖翔、戈心怡（2025），先测量全文创新披露比例，再控制次年专利申请和财务治理特征，提取标准化回归残差。值越大，表示相对于模型所解释水平的创新叙述越多；负值表示相对较少。它是条件文本偏离指标，不能直接证明虚假创新、操纵或实际创新不足。 重建词库与创新披露 作者完整冻结词库未公开。本集保留论文表1公开44个种子词，用既有年报词嵌入模型产生扩词候选，人工筛选后增加86词，形成固定130词。四类词数为创新目标47、创新禀赋35、创新进展39、创新成果9；成果类没有扩词，不能用本集复现作者“成果驱动”的分维结论。本集不将词数凑为作者宣称的693词。实际词库随Python参考代码附送，重算只需要固定词表，无需词嵌入模型或重新训练。 对中文年报全文使用jieba分词，全部130词按频率10亿加入词典，关闭HMM。统计完整词项的每次出现，不做子串或语义分类。创新词出现次数记为K；同一次分词中，包含中文、拉丁字母或数字的词项数记为N，保留单字、数字及停用词，排除纯标点和空白。根据繁体或繁简混排年报标题及已核原件SHA判定的材料，全文在任务内转为简体后计数；不删除否定、履历、模板或财务术语。创新披露比例为： $$ Itid{it}=K{it}/N{it} $$ 有效全文未出现创新词时K与Itid为零；源为摘要、英语主体、损坏材料或未能识别的全文时保持缺失，不能解释为未披露。已核字体映射、兼容字形叠字、主体错配和大量缺页的材料也排除，不额外恢复或改写原文。早期简式年报按真实结构判断，不要求具备现代栏目；使用现有文本不保证原始附件齐备。固定词库并不保证词义识别准确或原件提取完整。 创新产出与控制变量 实际创新产出使用现有专利年度表中的次年发明及实用新型申请数，取ln(1+申请数)，不把缺公司或缺年当成零。专利质量采用已有累计主IPC大组分布的1减HHI知识宽度代理；只有累计可识别专利数大于零且质量值在0至1内才定义。真实单一知识领域的质量零值保留，无可识别专利历史则缺失。该代理未按原文剔除避重弃权等专利状态，不等于作者原样本质量。 研发投入使用年度财务指标中的研发金额单源，作为包含费用化及资本化的总投入代理，再除以正值年末资产，不与利润表费用化研发金额拼接。已核600660在2007年的该源3875470000元实际对应未来计划项目总投资，本集仅将该项输入置为缺失，没有从年报提取或回填财务金额，也未修订共享财务表。其他早年金额未逐行用年报核实，不能由该个案推断全部大值错误。 其他控制为：正值年末资产总额的自然对数；报告年度减实际成立年度后加1取自然对数；负债总额除以资产；同码相邻日历年度营业收入同比且上年收入为正；第一大股东持股比例；董事人数自然对数；独立董事比例；经营活动现金流量净额除以资产；以及已知国企标记。持股及独董原始百分数除以100，未知国企不作非国有，成立日不以发行日或上市日替代。财务报表读取年度Q4，在实际键唯一前提下保留全部公司类型；具体字段不足时缺失，不机械删金融业。 营业收入同比使用各年度源值，不统一替换为后期报告的重述比较期；重组、调整前后口径或源表追溯更新可能形成极端增长率。例如600606在2015年的源同比约1878.37，2014年源基期与2015年年报重述比较期不同，不能将本集同比直接视为该报告内同比。本集保留冻结口径，不从年报回填共享财务源，也不为压低极值预先缩尾。 合并回归与标准化 在全部年份中输入完整的证券年度观测上，估计含截距的合并普通最小二乘回归，分别加入动态行业组和年份固定效应： $$ Itid{it}=\alpha+\beta\ln(1+Patent{i,t+1})+\gamma X{it}+IndustryFE+YearFE+\varepsilon{it} $$ 其中X包含专利知识宽度、研发投入资产比及上述财务治理控制。行业采用中上协分类，制造业按首字母与首位数字分组，其余按门类字母分组；同期行业缺失时可能使用可得的最新行业回退。这里采用全部可得年份合并估计，不是分别在行业年度组内回归。估计前不缩尾，不另设同行数量门槛。 原始残差记为InnovationResidual。数学饱和观测即1减回归杠杆值不大于十的负十次方，仍进入估计，但其机械零残差不作为可识别偏离，原始残差及最终指标缺失。对其余可识别残差减均值，除以样本标准差，得到： $$ Stdskew{it}=(\varepsilon{it}-\bar{\varepsilon})/s{\varepsilon} $$ 样本标准差分母使用n减1。Stdskew无量纲，可为负。新增年度、报告修订或输入更新后，对完整历史重新估计，因此历史分数会修订，不宜将不同估计池的分数直接拼接。指标使用次年专利及全时期估计，属于事后构造，不是当年年末已经可得的实时信号；用于预测研究时须处理前视信息。 样本、缺失及使用边界 保留全部可得行业和板块、ST及PT、金融业、真实历史证券和B股；生产样本不预先限制为论文实证样本。骨架由真实上市存续期与现有年报键组成；历史北交所旧代码只保留实际报告键，不额外重复展开全段上市骨架。输入按原始六位证券代码整行优先，仅在原源整个证券年度键缺失时，使用已有官方证据的248条北交所一一换码关系匹配同一身份，不逐单元补缺；实际成立日与行业也在该已证身份内查找。正式主键与年报原码保留，并核查同一发行人同年不重复进入估计池。其他证券及重组桥不任意合并，证券历史仍可能分段，不代表法律主体的完整连续历史；同一发行人的不同证券可能共用年报，不同行数不应直接解释为独立企业数。地区为档案快照，年度简称和行业有可得档案回退。 年份上限动态为当前年减一。由于计算需要次年专利，末年仍保留记录及可得中间变量，最终指标自然可能缺失。早期年报稀疏、财务或治理输入缺口、无可识别专利历史及专利主体范围均会减少核心可用样本。总行数并非最终指标有效数，覆盖率也不等于文本识别准确率。 成品包含词频分子分母、创新披露、次年专利原数与对数、专利知识宽度、研发金额及强度、必要回归控制、原始残差与最终标准化指标。这些是可用于理解和复核方法的研究构件；内部处理状态、缺失原因、覆盖和匹配诊断不进入成品。 普通Stata包提供原始全样本版、剔除STPT及金融业版、剔除后连续研究量1%与99%缩尾版。计数与国企二元量不缩尾；缩尾版对连续量分别处理，可能破坏原始比例、对数及标准化恒等关系，公式复核应使用原始版。三版筛选和缩尾不会写回生产原始数据。Python参考实现保留完整算法，重算需自备全部历史中文年报及财务、专利、治理和真实档案素材；普通包不附上游原始素材。 本集为已明确代理及缺失规则的130词重建版本，不保证与作者词库、程序、样本或数值同值。 参考文献 [1]陈柏彤,肖翔,戈心怡.创新“多言寡行”如何引发股价崩盘风险？[J].证券市场导报,2025(8):44-55. [2]李宏,王云廷,吴东松.专利质量对企业出口竞争力的影响机制：基于知识宽度视角的探究[J].世界经济研究,2021(1):32-46,134.DOI:10.13516/j.cnki.wes.2021.01.003.

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。