Question 1

「企业同行前瞻性信息披露」是什么数据集？

Accepted Answer

企业同行前瞻性信息披露，隶属信息环境。参考郑忠良等(2025,会计研究)，以MD&A前瞻词频分别除字数、词数并乘100，再按同期CAPCO完整行业大类对其他可靠企业的个体比率取简单均值，剔除自身；稳

Question 2

该数据集的时间范围是？

Accepted Answer

覆盖 1991-2025 年。

Question 3

包含哪些变量/指标？

Accepted Answer

共 23 个变量。核心指标包括：MD&A总字数、MD&A总词数、前瞻性信息词频、MD&A总句数、前瞻性信息句数、是否可靠提取MD&A、有效同行企业数、本企业前瞻性信息披露字数口径、本企业前瞻性信息披露词数口径、同行前瞻性信息披露字数口径、同行前瞻性信息披露词数口径、同行前瞻性信息披露句数口径。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 69,432 条观测。

Question 6

数据是如何测算/获取的？

Accepted Answer

企业同行前瞻性信息披露
指标定义与计算方法

企业的前瞻性信息披露反映其对未来经营、发展目标、预期和潜在机遇的叙述。同行企业的此类表达共同构成企业所处的信息环境。同行前瞻性信息密度较高，意味着同一行业中其他企业在经营讨论中更频繁地涉及计划、预期或未来状态；它衡量的是文本表达，并不能直接等同于实际投资、兑现承诺或预测准确性。

参考郑忠良等（2025）的定义，先识别公司年报中的管理层讨论与分析（MD&A），计算各企业的前瞻性表达密度，再对同年同行企业的个体密度取均值。经营讨论包括经营回顾、研发投资、财务经营和未来展望，早期年报以董事会或董事局报告为相应载体。正式股本、监事、董监高及员工、治理、重要事项及审计财报章节作为经营讨论终点。独立履历不进入经营讨论，正文对其他章节的引用不构成截断；经营讨论内的治理小项保留后续经营内容。只在原文可读且章节边界能够可靠识别时测量；无法识别时保留本企业测量缺失，不以年报全文替代经营讨论。

词典构建以论文公开的二十一项种子为起点：计划、预计、未来、目标、可能、如果、机遇、预期、挑战、预测、今后、目的、契机、前景、希望、展望、相信、愿景、期待、明年、期望。在全部可得经营讨论语料上独立训练连续词袋模型（CBOW），为每项种子提取余弦相似度不低于0.5的前二十个近邻，合并去重后人工筛选，保留与计划、预期或未来状态直接相关的词项。二十一项种子全部保留，实际扩展词项经筛查后固定。该词典为本数据集的独立操作化，并非作者未公开的一百七十二词名单，也不按作者成品的均值选择词项。

实际纳入的扩展词项为：一旦、下一阶段、下个、今明两年、仍会、以后、倘若、假如、假若、即使、发展前景、发展前途、发展潜力、可能性、后续、商机、坚信、大好时机、奋斗目标、好时机、如若、宏伟目标、实施规划、将会、将来、届时、展望未来、市场前景、市场潜力、市场预测、开发计划、总体目标、愿景为、愿望、战略目标、战略规划、抓住机遇、接下来、整体规划、新愿景、新机遇、既定目标、时间表、明天、明年初、期望值、期盼、机会、机遇期、梦想、渴望、潜力、矢志、终极目标、良机、若、若因、规划、计划书、计划指标、计划编制、计划表、调整计划、还会、采购计划、长远、长远利益、长远目标、需求预测、预估、预判。这些词项与公开种子一起构成固定科学输入，测量时只按精确分词命中计数。

模型采用一百维词向量、五词上下文窗口、最低词频五次、负采样五个、下采样阈值0.001和五轮训练，随机种子为947。仅在训练时将超过一千词的自然句按每一千词非重叠分块，块边界不跨越上下文；测量句数仍按原自然句统计。分词采用jieba默认词典的精确模式并启用HMM，保留含字母或数字的词项，包括汉字、单字和数字，不删除停用词，也不将前瞻词强制加入分词器。训练后固定词典，后续年度使用同一词典测量，不自动重新扩词。

对企业i的t年经营讨论，记有效字数为Cit、有效词数为Wit、前瞻词频为Fit。字数统计Unicode字母和数字，包括汉字，排除标点与空白；词数为上述有效分词的数量。前瞻词频按有效词项与固定词典精确相等计数，同词重复出现逐次累计，不作子串匹配。本企业的两种基础密度为：

$$
ForwardSelf1{it}=100\frac{F{it}}{C{it}},\qquad ForwardSelf2{it}=100\frac{F{it}}{W{it}}.
$$

两者分别表示每百字和每百词的前瞻词出现次数。可靠经营讨论没有词典命中时为零；原文或章节失测时，字数、词数、词频及本企业密度均为缺失。

同行按当年中国上市公司协会（CAPCO）完整行业大类分组，如C26、J66，使用当年实际行业轨迹中的最后一条可得记录。仅保留同期可靠经营讨论且分母有效的企业作为同行，剔除被测企业自身。记这一同行集合为Pit，有效同行企业数为nit。核心指标是其他同行个体比率的等权简单均值：

$$
Forward1{it}=\frac{1}{n{it}}\sum{j\in P{it}}100\frac{F{jt}}{C{jt}},\qquad Forward2{it}=\frac{1}{n{it}}\sum{j\in P{it}}100\frac{F{jt}}{W{jt}}.
$$

先计算每家同行的比率，再取均值，不将同行词频合并后除以合并字数或词数。因此，每家可靠同行在指标中的权重相同，较长报告不会仅因篇幅而获得更高权重。Forward1和Forward2越大，表示其他同行的前瞻性表达密度越高。

稳健性指标改用句子覆盖比例。经营讨论按句末标点“。！？!?”切分，保留含字母或数字的片段及有效尾段；分号、换行和小数点不另作句界。记有效自然句数为Sit、至少含一个前瞻词的句数为Kit，同一句出现多个或重复关键词只计为一个前瞻句。对其他同行的句子覆盖比例取简单均值：

$$
Forward\Sent{it}=\frac{1}{n{it}}\sum{j\in P{it}}100\frac{K{jt}}{S{jt}}.
$$

ForwardSent的单位为百分比，范围为0至100，衡量同行前瞻表达涉及句子的比例。它与命中句的字数占比不同；一条较长的前瞻句与一条较短的前瞻句在句数比例中均只计一条。
补充说明

指标年份为年报所属年度t，论文回归中使用下一年度审计费用不改变文本指标年度。本数据保留全部可得年度、行业和板块，并保留ST/PT及金融业；同行池采用相同范围，生产指标不作缩尾。缺少当年真实行业时不跨年回填同行分组，也不以全市场替代。没有有效同行时同行数为零、同行指标缺失；只有一家有效同行仍保留。企业自身文本失测时，只要当年行业及其他有效同行可得，仍可测得同行指标。

论文未公开最终扩展词表、CBOW超参数、分词过滤与分句细节；这些环节采用上述明确规则。作者附件的行业代码为完整大类层级，但分类来源未说明，本数据采用同期CAPCO，可能与作者分组存在差别。公开种子中的“可能”“如果”“目的”“相信”等含义较宽，词典计数不判断否定、真实未来时态或承诺，因此指标应解释为前瞻相关表达密度。“期望值”也可指统计期望，“明天”可出现在名称或过去叙述中，“愿景为”含系词，仍按固定分词词项计数，意愿和确信词也有现时用法；这类多义性不通过词频法自动消除。

固定词典由全可得时期语料开发，可能包含后来才出现的词汇，适合事后研究测量，不能视为当时即可实施的无前视实时预测。八线程重训的词向量不保证逐位相同，但固定词典下的年度测量规则不变。早期原文不完整、章节与标点缺失以及繁体用字会影响可测性和密度；缺少句末标点的长段可能只形成一个句子，使用句数稳健指标时须关注这一限制。部分早期董事会报告及现代经营讨论章节为混合载体，可能夹有会议、治理、员工激励或利润分配事项；章节可提取不代表全部内容都是经营讨论，也不代表已经判别真实未来叙述。

公司名称、注册地及行业背景列按项目档案补充。名称和行业背景缺少当年记录时可能回退最新可得档案，地区为可得注册地快照；这些背景回退值不用于同行分组。作者附件仅提供回归成品，没有本企业计数、扩展词表或指标构造代码，故本数据不声称精确复制附件成品。
参考文献

[1]郑忠良,于明洋,吕可夫.同行前瞻性信息与企业审计费用[J].会计研究,2025,(12):164-179.

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	1991-2025 年
数据频率	年度
层级	上市公司
变量数	23
样本量	69,432
是否可合并	可与同主体数据集合并

企业同行前瞻性信息披露

字段字典

常见问题