Question 1

「企业KAM行业文本相似性」是什么数据集？

Accepted Answer

企业KAM行业文本相似性，隶属公司治理。参考胡志颖、朱杉(2025,会计研究)，以完整关键审计事项的词向量TF-IDF加权余弦，衡量企业与同期同行业其他企业的披露相似程度，并提供纯TF-IDF及行业调

Question 2

该数据集的时间范围是？

Accepted Answer

覆盖 2016-2025 年。

Question 3

包含哪些变量/指标？

Accepted Answer

共 24 个变量。核心指标包括：关键审计事项数、完整KAM字符数、完整KAM有效词数、有效同行公司数、完整KAM是否可测、KAM行业相似度中位数、KAM行业相似度均值、词袋行业相似度中位数、词袋行业相似度均值、中位相似度中位调整、中位相似度均值调整、均值相似度中位调整、均值相似度均值调整。完整字段清单（变量名·中文名·说明）见页面「字段字典」。

Question 4

数据频率和层级是怎样的？

Accepted Answer

频率为年度，上市公司层级。

Question 5

样本量有多大？

Accepted Answer

约 42,639 条观测。

Question 6

数据是如何测算/获取的？

Accepted Answer

企业KAM行业文本相似性
指标定义与计算方法

关键审计事项（Key Audit Matters，KAM）是注册会计师在本期财务报表审计中最为重要的事项。其描述说明企业面临的重大判断、风险或交易，审计应对说明审计师如何处理这些事项。同行企业具有相近的经营环境和财务报告问题，因此KAM文本的接近程度能够反映企业披露与行业通常表达的相似程度。较高的行业相似度既可能来自共同经济风险，也可能来自标准化表达，不能直接解释为审计质量高低。

参考胡志颖、朱杉（2025）的词嵌入与TF-IDF加权思路，本指标先构造企业年度KAM文本向量，再与同期同行业其他企业逐对比较。行业相似度中位数与均值分别对应两种汇总方式，同时提供纯TF-IDF词袋余弦和行业中心调整结果。

第一步，确定完整的KAM文本。以正式审计报告的审计意见基础为定位证据，提取关键审计事项章节至下一同级报告章节之间的全部事项描述和审计应对。删除通用介绍、事项标题、表头、页眉和页码，保留事实陈述及审计程序。经营讨论中的重复披露不作为正式审计文本，原始事项表中的截断描述也不用于补齐全文。采用jieba精确模式分词，删除空白、标点和纯数字，保留中文单字、否定词及审计术语，英文字母统一为小写。记企业i在年度t中词k的出现次数为fikt，其有效词数为各词频之和。

第二步，构造年度词权重。每个年度以全部可测企业KAM文档形成语料，包括金融企业及ST/PT企业。设Nt为该年度文档数，dfkt为出现词k的文档数，词频和逆文档频率定义为：

$$ TF{ikt}=\frac{f{ikt}}{\sumk f{ikt}},\qquad IDF{kt}=1+\ln\left(\frac{1+Nt}{1+df{kt}}\right). $$

同一词在企业文本中出现越频繁，其词频权重越高；在多数企业中普遍出现的词获得较低的区分权重。IDF在年度全部可测企业中估计，行业分组只用于后续比较。

第三步，训练年度词向量。各年度独立采用Word2Vec的CBOW算法，在该年度语料上学习词k的向量ekt，不将其他年度文本加入训练。公开重建采用100维向量、上下文窗口5、最小词频1、训练10轮、随机种子953、单训练worker，负采样数5、下采样阈值0.001，关闭层次softmax；初始与最低学习率分别为0.025和0.0001。语料按公司代码排序，词初始化使用稳定哈希。将词向量按词频与逆文档频率加权平均，得到企业文本向量：

$$ v{it}=\frac{\sumk TF{ikt}IDF{kt}e{kt}}{\sumk TF{ikt}IDF{kt}}. $$

该向量同时利用词项的重要程度和年度语料中学习到的上下文关系。与单纯比较相同词项相比，词嵌入允许相近表达通过向量空间产生联系。

第四步，计算同行文本余弦。依据企业实际年度CAPCO行业轨迹划分同行组，制造业采用C开头的前两位代码，其他行业采用首位代码。设Pit为同年同行业、文本与向量均可测的其他企业集合，不包含企业i本身。企业i与同行j的余弦为：

$$ s{ijt}=\frac{v{it}^{\mathsf T}v{jt}}{\|v{it}\|\|v{jt}\|}. $$

核心字段KAMIndustrySimMedian取sijt在Pit中的中位数，KAMIndustrySimMean取均值。余弦无量纲，理论范围为负1至1，保留实际负值。中位数较少受个别异常文本影响，均值利用全部同行比较结果。

第五步，构造稳健指标。纯TF-IDF方法将每个词项的TFikt乘以IDFkt组成稀疏词袋向量，不使用词嵌入。以同一文本、年度语料和同行集合计算词袋余弦，中位数记为TFIDFSimMedian，均值记为TFIDFSimMean；其理论范围为0至1。另将每个核心相似度分别减去该行业年度核心值的中位数与均值，形成SimMedAdjMed、SimMedAdjMean、SimMeanAdjMed和SimMeanAdjMean。行业中心使用该行业年度全部有效核心值，包含本企业；调整结果允许正负，表示相对行业中心的偏离。

辅助字段记录关键审计事项数、清洗后的正文字符数、有效词数、有效同行公司数及完整文本可测标识。事项数优先按照源事项清单去重；缺少清单时采用全文中可辨识的事项序号，无法辨识时保留缺失。字符数不含空白，有效词数与实际建模分词一致。可测标识为质量标识，取0不表示企业未披露KAM。
补充说明

论文未公布完整的文本清洗规则、IDF语料范围及词向量训练参数，上述规则属于公开方法的明确操作化，不能视为作者模型与研究样本的精确复现。文本向量的聚合余弦与词袋余弦具有不同尺度；词嵌入共享语境可能产生较高的相似度，研究者可结合纯TF-IDF对照辨别这种差异。年度独立训练使各年结果受当年语料及同行构成影响。

数据保留全部可得行业、板块及年度。未取得正式完整KAM、无法确认边界、缺少实际年度行业、零向量或没有有效同行时，相应研究变量保留缺失，不借用其他行业或年度。中文报告版本、转文本后的排版顺序及完整源可得性可能与论文数据库不同。原文的控制变量残差版本和非专家同行版本依赖额外控制项及审计网络，本数据集不包含这些指标。
参考文献

[1]胡志颖,朱杉.审计师网络中行业专家关键审计事项披露的溢出效应研究——基于行业文本相似度视角[J].会计研究,2025,(8):160-172.

Question 7

如何获取该数据集？

Accepted Answer

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。

时间跨度	2016-2025 年
数据频率	年度
层级	上市公司
变量数	24
样本量	42,639
是否可合并	可与同主体数据集合并

企业KAM行业文本相似性

字段字典

常见问题