企业社会创新(Qwen弱监督BERT)

字段字典

• Symbol [股票代码] — 六位数字字符串股票代码；保留来源对应的股票主体，不将空值补为代码
• StkName [证券简称] — 按年报所属年度匹配的证券简称；当年缺少记录时沿用可得简称
• Year [年份] — 年报所反映的报告年度，非披露公告年份
• 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)
• 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)
• 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)
• SocialInnovationSentenceCount [企业社会创新相关句子数] — 参考郑若愚、刘志阳、刘建一（2026）的句级社会创新指标，以社会或环境目标、企业自身已开展或在实施的行动、同一实践具体创新方式为识别目标；采用自建84词筛选年报全文候选，并以Qwen抽样弱标签训练BERT，全量预测窗口得分达到0.5的原句按出现位置累计，单位为句。同位置多词只计一次，不同位置重复分别计句，不取对数。可靠全文无候选或全部阴性为0，源不可测或任一候选未知时缺失。结果是有已知误判与漏判的探索性披露代理量，非作者原值复现，不等于项目数或实际社会成效

常见问题

「企业社会创新(Qwen弱监督BERT)」是什么数据集？

企业社会创新(Qwen弱监督BERT)，隶属创新与知识产权。本数据集衡量上市公司年报中社会创新相关内容的披露规模。

该数据集的时间范围是？

覆盖 1991-2025 年。

包含哪些变量/指标？

共 12 个变量。核心指标包括：企业社会创新相关句子数。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 69,432 条观测。

数据是如何测算/获取的？

一、测量对象与经济含义 企业社会创新是企业运用新的产品、技术、服务或组织方式回应社会与环境问题的活动。参考郑若愚、刘志阳和刘建一（2026）使用的句级社会创新指标，本数据集从上市公司年报全文识别同时包含社会或环境目标、企业实际行动、创新性解决方式的语句，以年度相关句子数衡量社会创新的披露规模。句数较多表示有关披露较多，不能直接解释为项目更多或社会成效更大。 二、全文与候选句 使用各报告年度可得的中文年报全文，不限于管理层讨论与分析章节。原始文本须通过字符编码与文本完整性检查；无法可靠读取、明确为损坏材料或缺少中文全文的公司年保留指标缺失，不能当作没有社会创新。 按中文句号、中文或英文问号与感叹号划分原句，删除句内空白后，以社会或环境目标相关词语筛选候选。候选词表由本数据集重建，包含84个词语，不是已获作者确认的原始词表。同一位置命中多个词只保留一个候选；相同句子在不同位置出现时，仍分别计入该年披露。 三、逐句判别 构建训练标签时，对抽样窗口依次作三项判断：第一，是否具有社会或环境目标；第二，是否描述企业自身或其子公司已经开展、正在实施的行动；第三，同一实践是否具有具体的创新性解决方式。社会价值与商业收益可以共存，但单纯行业趋势、未来倡议、一般性表态不能据此直接认定企业已经实施社会创新。只有三项均被判为成立时，才赋予该窗口阳性弱标签；全量窗口随后由BERT分类。 以上三项是训练标签的概念标准。本数据集采用两阶段识别：先使用Qwen3.5-9B-FP8标注抽样窗口，再以这些弱标签微调BERT-base-Chinese，对全部候选窗口分类。全量结果由BERT预测，不是逐句调用Qwen，也不是人工确认结果。 训练样本按报告年度、行业和文本长度分层，并富集具有创新方式与行动表达的候选；按公司划分训练、验证和测试集，清理跨组近重复及较长文本的完整包含，避免同一公司的披露同时进入训练与评估。抽样大模型按社会目标、企业行动和创新方式的顺序判断，前一项明确不成立时停止；仅输出数值标签和原文证据编号。三项均成立的窗口为阳性，任一项不成立为阴性；未知、无效证据与最终失败不改作阴性。原文证据可以回取定位，也不保证语义正确。 较长原句按逗号、分号、冒号及每段最多240字符切片，组成最多1700字符的连续窗口，相邻窗口重叠两个片段。BERT进一步将每个窗口的全部词元分为最多510个内容词元、相邻重叠64个的块，补入模型所需的起止符号。原句尾部和所有词元均被保留。 BERT从通用中文预训练基座重新初始化本任务二分类头，以完整窗口标签监督全部词元块组成的集合，取块级判别分数的最大值参与训练，不把阳性窗口的标签直接复制给每个短块。微调三轮、学习率为0.00002，正类损失权重为训练集中阴性与阳性数量之比；按验证集F1选择轮次，分类阈值固定为0.5，测试样本不参与阈值选择。预测时任一块得分达到阈值，该窗口即为阳性；任一窗口阳性则原句为阳性。集合聚合仍可能丢失跨块要素之间的关系，模型也可能把不属于同一实践的表达相互联系。 四、年度指标 令公司为 $i$、报告年度为 $t$，候选原句位置集合为 $C{it}$，原句 $s$ 的窗口集合为 $Ws$，窗口的词元块集合为 $Bw$。BERT对块 $b$ 输出阴性与阳性两个分类分值 $z{b0}$、$z{b1}$，先计算判别得分，再对完整窗口取最大值： $$ pb=\frac{1}{1+\exp[-(z{b1}-z{b0})]},\qquad pw=\max{b\in Bw}pb $$ 这里的 $pb$ 是使用类别加权损失训练得到的分类得分，不能解释为经过校准的社会创新发生概率。原句阳性记为： $$ Ys=\mathbf{1}\{\max{w\in Ws}pw\geq0.5\} $$ 该式只对已经能够判定的原句取值。年度企业社会创新相关句子数为： $$ SocialInnovationSentenceCount{it}=\sum{s\in C{it}}Ys $$ 指标单位为句，不取对数。原句即使描述多个实践，也只计一句。完全相同的句子和请求可以复用判别结果以减少重复计算，但汇总时恢复每个原始出现位置，因此不会把不同位置的重复披露合并为一句。 可靠全文没有命中候选词，或所有候选句均能判断且没有阳性时，记为0。原句有阳性窗口时可确定为阳性；没有阳性窗口而仍有未知窗口时为未知。任一候选原句仍未知，整个公司年的研究指标保留缺失。训练标签中的解析失败、无效证据、请求中断等排除出已知标签，不填0；同一教师请求最多尝试两次。推理出现非有限模型分值则停止处理，不能当作阴性。0因此表示本套识别程序在可测全文中未认定相关句子，不等于企业客观上不存在社会创新。 五、适用范围与补充说明 保留全部可得行业、板块以及ST/PT和金融企业，不按论文回归样本预先截取生产数据。分发另提供剔除ST/PT与金融业及其连续研究量按年1%和99%缩尾的版本。地区信息反映企业档案快照；证券简称和行业按可得年度记录匹配，缺年时存在资料回退，不应解释为逐年迁址历史。 原文同时使用词频两维调和指标和句级指标，本数据集仅重建后者。现有公开材料中未发现作者完整社会目标词表、提示词及模型实施细节。本数据集采用自建词表，并以Qwen抽样弱标签训练BERT替代全量大模型判断，属于探索性代理量，不能宣称作者同值复现。 既有验证存在明确漏判及将普通商业创新、未来计划、一般环保建设或行业泛述认作社会创新的误报。BERT会继承教师标签偏差并增加泛化误差；富集抽样与跨期披露变化也会影响分类表现。留出弱标签的一致性不等于人工准确率，阳性识别应分别考察精确率与召回率，不能用大量阴性造成的总体一致率掩盖错误。 词表漏筛、文本篇幅与模板、重复披露、原始提取质量以及长句跨窗口关系均可能影响跨企业和跨期比较。使用时应结合研究设计处理测量误差；本指标不替代人工确认的项目数量、创新质量或实际社会效果。 参考文献 [1]郑若愚,刘志阳,刘建一.ESG基金能否促进企业社会创新？——基于制度逻辑理论的能动视角[J].外国经济与管理,2026,48(6):113-134.DOI:10.16538/j.cnki.fem.20260317.204.

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。