企业投资者环境风险感知

字段字典

• Symbol [股票代码] — 六位股票代码
• StkName [股票简称] — 按年份匹配的股票简称
• Year [年份] — 提问发生年份
• Province [省份] — 公司档案省份
• ProvinceCode [省代码] — 六位省级行政区划代码
• City [城市] — 公司档案城市
• CityCode [市代码] — 六位市级行政区划代码
• County [区县] — 公司档案区县
• CountyCode [区县代码] — 六位区县行政区划代码
• IndustryCode [行业代码] — 当年中上协行业代码
• IndustryName [行业名称] — 当年中上协行业名称
• IsTextAvailable [提问文本可测] — 当年是否存在时间和正文有效的提问(0=否，1=是)
• QuestionTotal [有效提问总数] — 按公司、平台、提问时间、用户名及提问正文去重后的当年有效提问总数，单位条；无可测文本为缺失
• EnvRiskQuestionCount [环境风险提问数] — 当年正文命中冻结环境风险词典的提问总数，单位条；一条提问命中多个词仅计一次
• EnvRiskQuestionChars [环境风险提问字符数] — 命中环境风险词典的整条提问去除空白后的字符数之和，保留标点、数字及英文，单位字符
• LnQ [环境风险提问数量对数] — 参考龙立等(2025)的研究，计算公式为：ln(1+环境风险提问数)；值越大表示投资者环境风险关注越强，无可测提问为缺失
• LnW [环境风险提问字数对数] — 参考龙立等(2025)的研究，计算公式为：ln(1+环境风险提问字符数)；值越大表示投资者环境风险关注越强，无可测提问为缺失
• QRatio [环境风险提问占比] — 计算公式为：环境风险提问数/有效提问总数；仅有效提问总数大于10时取值，单位比例，值越大表示环境风险提问占比越高
• IsEnvRiskQuestion [存在环境风险提问] — 当年是否存在环境风险相关提问(0=否，1=是)；无可测提问为缺失

常见问题

「企业投资者环境风险感知」是什么数据集？

企业投资者环境风险感知，隶属信息环境。以公开环境法律种子及独立Word2Vec扩展词典识别投资者提问，计算相关提问数量与整条提问字符数的对数，并提供占比及二元稳健指标；作者词典未公开，采用独立操作化。

该数据集的时间范围是？

覆盖 2010-2025 年。

包含哪些变量/指标？

共 19 个变量。核心指标包括：提问文本可测、有效提问总数、环境风险提问数、环境风险提问字符数、环境风险提问数量对数、环境风险提问字数对数、环境风险提问占比、存在环境风险提问。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 56,133 条观测。

数据是如何测算/获取的？

指标定义与计算方法 投资者环境风险感知反映投资者通过互动问答表达的环境风险关注。环境污染、排污治理、生态破坏及有害物质等问题可能影响企业经营与声誉，投资者相关提问的数量和文字规模能够刻画这种关注的强弱。参照龙立、王含含和张旻（2025）的测量思路，本指标识别环境风险相关提问，分别构造提问数量对数和提问字数对数，并以相关提问占比及是否出现相关提问作补充测量。 首先，以投资者提交的提问正文为识别对象，按提问发生年份归入公司年度；识别不以企业是否回复为条件。仅使用公司代码、年份和正文有效的记录。公司、问答平台、提问时间、用户名及提问正文五项均相同的记录仅保留一条。记公司 $i$ 在年份 $t$ 去重后的有效提问集合为 $\mathcal{P}{it}$，有效提问总数为 $N{it}=|\mathcal{P}{it}|$。 其次，从2014年修订的《中华人民共和国环境保护法》中选取十八个公开种子：污染、生态破坏、环境损害、环境影响评价、排污、废水、废气、废渣、固体废物、危险废物、噪声、放射性、辐射、重金属、粉尘、有毒有害、恶臭、医疗废物。用固定历史问答语料独立训练Word2Vec，在每个种子的前十个近邻中保留余弦相似度严格大于0.5的候选，经逐词语义审查与独立复核剔除偏离环境风险含义的词、合并及去重后冻结词典 $\mathcal{D}$。按原文讨论剔除“石油”“天然气”等仅表示资源或商品的候选，并将“污染”长词合并到“污染”。 训练采用CBOW，词向量维数200、上下文窗口5、最小词频5、训练十轮、固定随机种子955和单线程。历史语料窗口固定为2011—2021年，提问与回复分别作为训练文本，不要求每个提问存在回复；超过1000词的文本按原顺序切段。中文使用jieba精确分词，禁用HMM，加入上述种子；保留包含汉字、字母或数字的词，不另外应用停用词表。其他训练设定为五个负样本、词频降采样参数0.001，学习率从0.025下降至0.0001。没有达到最小训练词频的种子继续用于正文识别，但不生成其近邻扩展。 对于任一有效提问 $p$，若正文包含词典中至少一个词，其环境风险指示值 $Ep$ 为1，否则为0。中文按子串识别；英文技术缩写不区分大小写，要求前后不紧邻英文字母、数字或下划线，不自动扩展复数词形。识别时排除网址片段，避免域名或网址字符被当作环境术语。同一提问命中多个词仍只计一次。令 $Lp$ 为原始整条提问正文去除空白后的字符数，保留标点、数字、英文及网址；它衡量整条相关提问的文字规模，并非关键词自身的长度。环境风险提问数量 $Q{it}$ 和字符总数 $W{it}$ 分别为： $$ Q{it}=\sum{p\in\mathcal{P}{it}} Ep,\qquad W{it}=\sum{p\in\mathcal{P}{it}} Ep Lp. $$ 在此基础上，对数量与字符总数分别加一取自然对数，降低其右偏程度，并保留零命中年度。两个核心指标的定义为： $$ \mathrm{LnQ}{it}=\ln(1+Q{it}),\qquad \mathrm{LnW}{it}=\ln(1+W{it}). $$ LnQ越大，表示环境风险相关提问越多；LnW越大，表示相关提问的整体文字规模越大。两者体现投资者表达的环境风险关注，不能直接解释为企业实际污染程度或客观环境风险损失。 进一步，以 $\mathrm{QRatio}{it}=Q{it}/N{it}$ 衡量环境风险提问在全部有效提问中的比例，取值为0至1。参照原文稳健性回归的样本条件，仅在 $N{it}10$ 时提供该比例；其他情况保留缺失。二元稳健指标 $\mathrm{IsEnvRiskQuestion}{it}=\mathbf{1}(Q{it}0)$ 则表示当年是否出现环境风险相关提问。 当年存在有效提问时，文本可测标志IsTextAvailable为1；若没有词典命中，相关提问数量、字符数、两个对数及二元指标均为0。没有有效提问时，可测标志为0，提问总数及其他业务指标保留缺失，从而区分没有表达环境风险关注与没有可测文本。 补充说明 - 原文未公开完整法律种子、扩展词表及训练参数。本指标采用公开法律种子和上述独立训练操作化，保留原文数量与字数对数公式；与作者公开样本对照时，相关提问数量及两个对数指标明显较低，识别范围存在实质差异，与原文数值不能直接互换。固定历史词典用于全部可得年度，较早年份可能包含事后词汇信息。 - 字数按完整提问去空白后重算字符，不以回复字数代替；词典命中可能包含环境治理产品、业务咨询或“辐射”等词的商业空间用法。指标反映关键词识别的环境风险关注，不能单凭命中认定投资者已判断企业存在环境违法。 - 源记录缺少原始帖子唯一编号，五字段完全相同的不同提问仍可能被合并；缺失时间不推定年份。年度面板覆盖全行业和板块，保留确有有效提问的档案缺漏、上市前或退市后公司年，使用者可结合研究范围进一步筛选。 - 生产指标保留原始值，未进行缩尾。行业按当年中上协分类匹配，地域采用公司档案信息；缺失背景字段不替代缺失测量。 参考文献 [1]龙立,王含含,张旻.“推波助澜”抑或“激浊扬清”:投资者环境风险感知与企业ESG漂绿[J].会计研究,2025,(8):120-132. [2]全国人民代表大会常务委员会.中华人民共和国环境保护法[Z].2014-04-24.

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。