管理层讨论情感回避水平(FinPBert模型)

字段字典

• Symbol [股票代码] — 6位股票代码
• StkName [证券简称] — 上市公司证券简称
• Year [年份] — 年报所属会计年度
• 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)
• MDAExtracted [是否成功提取MD&A] — 是否成功提取年报中的管理层讨论与分析章节(0=否，1=是)。取0时表示未能按节标题定位到该章节，语句切分回退至年报全文，相关指标的可比性较弱，可据该列过滤样本
• NSentences [MD&A语句总数] — 管理层讨论与分析章节的语句总数，计算公式为：先移除页眉页脚、纯页码行与披露模板勾选项等非正文版面元素，再以句号、感叹号、问号和分号为基准切分该章节全文，保留汉字数不少于5个的片段后的语句数量
• NNegSentences [负面情感语句数] — 管理层讨论与分析中被判定为负面情感的语句数量，计算公式为：经金融领域微调的BERT大语言模型逐句判定语句情感后，情感为消极(赋值-1)的语句计数。该数量用作情感回避水平的分母
• NEmoAvoidSentences [情感回避语句数] — 情感回避语句的数量，计算公式为：语句情感被判定为消极(赋值-1)、同时语句语调大于0的语句计数。此类语句在陈述负面事实时规避了负面词汇、改用积极语调，是情感回避水平的分子构成部分
• EmoAvoid [情感回避水平] — 参考路杭霖等(2026,中国管理科学)的方法，计算公式为：对管理层讨论与分析中语句情感为负面且语句语调大于0的每一语句，累加(语句语调+1)，再除以该企业当年管理层讨论与分析中负面情感语句总数。语句语调=(语句中积极词数量-消极词数量)/(积极词数量+消极词数量)，取值区间[-1,1]，所用词典为姚加权等(2021,管理科学学报)构建的年报金融情绪词典；语句情感由金融领域微调的BERT大语言模型判定，积极、中性、消极分别赋值1、0、-1。用作研究变量，越大代表企业在负面情感语句中越倾向于规避负面词汇、改用积极语调表述，即情感回避水平越高；等于0代表所有负面情感语句均以负面语调表述，不存在情感回避
• EmoAvoid2 [严格口径情感回避水平] — 参考路杭霖等(2026,中国管理科学)的方法，计算公式为：对管理层讨论与分析中语句情感为负面且语句语调恰等于1(语调完全积极)的每一语句累加2，再除以该企业当年管理层讨论与分析中负面情感语句总数。该口径仅统计语调完全积极的负面情感语句，用于测度更为明显的情感回避行为。用作研究变量，越大代表情感回避水平越高

常见问题

「管理层讨论情感回避水平(FinPBert模型)」是什么数据集？

管理层讨论情感回避水平(FinPBert模型)，隶属信息环境。基于金融领域微调的BERT大语言模型(FinPBert)与年报金融情绪词典，测度上市公司年报管理层讨论与分析(MD&A)中的情感回避水平。

该数据集的时间范围是？

覆盖 2001-2025 年。

包含哪些变量/指标？

共 17 个变量。核心指标包括：是否成功提取MD&A、MD&A语句总数、负面情感语句数、情感回避语句数、情感回避水平、严格口径情感回避水平。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 68,474 条观测。

数据是如何测算/获取的？

指标定义与计算方法 企业年报中的管理层讨论与分析（MD&A）是定性信息披露的核心载体。与经过审计的财务数字相比，定性表述的操纵成本更低，管理层因而可能借助措辞选择来影响外部认知。本数据集从语言学出发刻画其中一种可被客观识别的异常语言行为——情感回避。 这一构念的理论起点是语言信息论。人类语言表达以"更短长度、更高信息密度"为效率目标（Piantadosi 等，2011），而负面词汇相较于积极词汇携带更多信息量（Garcia 等，2012）。由此可以推出一条语言学规律：传递负面消息时使用负面词汇，是信息传递效率最高、也最符合行为规律的方式。然而企业年报中大量存在与之相悖的表述——例如把裁员表述为"努力优化成本结构，降低人工成本"，不仅规避了负面词汇，反而使用了积极词汇。当一个语句在语义上确实在陈述负面事实，其用词语调却是积极的，该语句便偏离了上述规律。路杭霖等（2026）将这种"在负面情感语句中规避负面词汇、改用积极或中性语调表述负面事实，导致语句语调与情感方向偏离"的异常语言行为定义为情感回避，并将其解释为管理层隐藏负面信息的语言学信号。 指标的构建需要对同一语句同时获得两个相互独立的度量：语句真实表达的情感，以及语句用词的表面语调。二者的分离正是该方法的关键。 首先将 MD&A 章节全文切分为语句。考虑到中文表达中转折语句与长信息语句的存在，切分以句号、感叹号、问号和分号为基准。由于年报文本中的页眉页脚、页码行与披露模板勾选项并不携带这些终止符，会被整块并入相邻语句，切分前先将其移除；切分后仅保留具有实质长度的片段，以滤除经营范围顿号清单一类的碎片。 对每一语句，语调 $Tonei$ 采用情绪词典法测度，定义为语句中积极词数量与消极词数量之差，除以二者之和，取值区间为 $[-1,1]$。所用词典为面向年报正式用语构建的中文金融情绪词典（姚加权等，2021）。需要强调的是，语调是纯粹的词频统计量，不对否定结构作任何翻转处理——这并非疏漏，而是构念成立的前提：语调刻画的正是"表面用词"，它对语义反转的迟钝恰好是与语句真实情感形成对照的基础。语句中若不含任何情感词，其语调无定义。 语句情感 $Sentimenti$ 则由一个面向金融领域微调的双向预训练语言模型（FinPBert）判定。该模型以中文 BERT 为基座，输入序列长度 512、隐藏层维度 768、注意力头数 12，在一个经过人工标注的金融短语情感语料（Malo 等，2014；取标注者一致性达 75% 的子集）上微调而成，训练时采用 AdamW 优化器，学习率 5e-5，训练 10 轮，批大小 32，预热步数 500，权重衰减 0.01。模型将语句判定为积极、中性、消极三类，分别赋值为 $1$、$0$、$-1$。相较于词典法，该模型能够结合上下文完整理解语句含义，从而不受情感词表面操纵（例如情感的反转否定）的干扰，识别出语句真实表达的情感方向。 在此基础上，企业-年层面的情感回避水平定义为 $$EmoAvoid=\frac{\sum{i=1}^{N}\left(Tonei-Sentimenti\right)}{NegativeSentences},\quad \text{若 } Sentimenti=-1 \text{ 且 } Tonei0$$ 其中分子仅对"情感为负面、语调却为积极"的语句求和，每一这样的语句贡献 $Tonei-(-1)=Tonei+1$，其值越大说明该句语调与其负面情感的偏离越严重；分母 $NegativeSentences$ 为该企业-年 MD&A 中被判定为负面情感的语句总数，用于将偏离程度标准化为平均水平。$EmoAvoid$ 越大，代表负面情感语句中语调与情感的平均偏离程度越高，企业的情感回避水平越强；当其等于零时，说明所有负面情感语句均以负面语调表述，不存在情感回避行为。 考虑到受语言习惯与表达方式影响，语调的测度本身可能存在偏差——当语句语调并非完全积极时也会被计入情感回避，本数据集同时提供一个条件更严格的稳健口径 $EmoAvoid2$。其计算方式与上式相同，但仅统计语调完全积极（$Tonei=1$）的负面情感语句，每一这样的语句贡献恒为 $2$。该口径测度的是 MD&A 中更为明显的情感回避行为。 除上述两个测度外，数据集一并给出计算链上的构件：MD&A 语句总数、负面情感语句数（即上式分母）、以及情感回避语句数（负面情感且积极语调的语句数，即上式分子的计数形式）。这三个计数便于使用者复核指标构造、按语句规模作稳健性处理，或自行考察负面情感语句中语调一致与不一致的分布结构。 补充说明 - 样本口径：本数据集输出全部可获得年报的企业-年面板，不预先施加剔除金融业、剔除特别处理股票、剔除上市未满一年等回归样本限制，也不作缩尾处理，由使用者按研究设计自行筛选与处理。当某企业-年 MD&A 中不存在被判定为负面情感的语句时，指标的分母为零、取值无定义，该企业-年的两个测度均记为缺失而非零。 - 识别设定（重要）：本指标的原始截面相关方向受企业规模与披露篇幅主导——规模较大、披露详尽的公司负面语句更多，作为分母拉低指标水平，而这类公司同时更为稳健。因此若不加控制直接考察指标与企业风险的相关，会得到与文献相反的方向；加入规模、盈利能力等控制并施加年份与行业固定效应后，方向即与文献一致。使用本数据集时，规模类控制与双向固定效应应视为必选项。行业间水平差异较大且与行业用语风格相关（情绪词典将创新、平台、升级一类词汇列为正向，科技与服务类行业天然偏高），不宜作跨行业的水平比较。 - 模型实例差异：情感判定依赖具体的微调模型实例，而训练语料的中文译文与训练过程的随机性都会带来实例间差异，因此本数据集的绝对水平与原文报告值存在一定平移，跨研究比较绝对数值时需留意；两者的离散程度则高度接近。原文所揭示的核心事实在本数据集中得到复现：积极情感语句几乎全部采用积极语调，而负面情感语句中有接近半数采用了积极语调，这一显著的非对称性正是该指标所要捕捉的现象。 - 分布形态：相当比例的企业-年指标恰好取零，即该企业-年被判定为负面情感的语句全部采用了负面语调。这构成分布左端的一个角点，与原文缩尾后的分布形态不同，以最小二乘直接估计会有偏，可按角点解处理或引入零值哑变量。负面语句数很少的企业-年，其比率由极少数语句决定、波动明显更大，且指标取到端点的概率显著上升，建议结合数据集提供的负面语句数设定最小门槛。 - 时序可比性：MD&A 披露篇幅在样本期内逐年显著增长；披露准则改版还使该章节的结构与风险披露段落发生过质变，指标的缺失比例与水平在此前后不连续。早年章节篇幅短，指标缺失或取零的比例明显更高，且缺失并非随机（缺失一方的企业规模系统性偏小）。建议研究窗口自披露准则改版后起算，若须上溯应报告缺失样本特征。 - 持久性：指标的企业内年度波动含较多测量噪声，其自相关低于同类管理层语调指标，作解释变量存在向零的衰减偏误，加入公司固定效应后系数会被进一步削弱。建议同时报告加入与不加入公司固定效应的结果，或使用多年移动平均降噪。 - 章节提取与文本性质：MD&A 章节依年报节标题的多种历史格式匹配提取，提取是否成功以标志列给出。分句前已移除页眉页脚、页码行与披露模板勾选项等非正文版面元素；仍有少量表格与无标点清单会连成超长文本块，其语调按整块词频计算而情感判定只依据模型输入长度上限内的部分。 - 其他局限：年报按申报文件的证券代码标识主体，转板前后使用不同代码的公司、以及以境内外币股票代码申报的年报，无法匹配到当前的公司名称、地区与行业分类，此类企业-年的相应列为空，也无法进入含行业固定效应的回归。 参考文献 - 路杭霖,张永杰,熊熊."故弄玄虚"还是"高深莫测"？管理层讨论与分析中的情感回避与公司违约风险——基于大语言模型的实证研究[J/OL].中国管理科学,2026. https://doi.org/10.16381/j.cnki.issn1003-207x.2024.2247 - 姚加权,冯绪,王赞钧,等.语调、情绪及市场影响:基于金融情绪词典[J].管理科学学报,2021,24(05):26-46. - Malo P, Sinha A, Korhonen P, et al. Good debt or bad debt: Detecting semantic orientations in economic texts[J]. Journal of the Association for Information Science and Technology, 2014, 65(4): 782-796. - Piantadosi S T, Tily H, Gibson E. Word lengths are optimized for efficient communication[J]. Proceedings of the National Academy of Sciences, 2011, 108(9): 3526-3529. - Garcia D, Garas A, Schweitzer F. Positive words carry less information than negative words[J]. EPJ Data Science, 2012, 1: 1-12.

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。