高管团队金融背景

字段字典

• Symbol [股票代码] — A 股上市公司股票代码,6 位数字,前导零已补齐
• StkName [证券简称] — 证券简称
• Year [年份] — 统计所在自然年(通常以 12 月 31 日为时点)
• Province [省份] — 公司注册所在省份
• ProvinceCode [省份代码] — 省份行政区划代码(6位)
• City [城市] — 公司注册所在城市
• CityCode [城市代码] — 城市行政区划代码(6位)
• County [区县] — 公司注册所在区县
• CountyCode [区县代码] — 区县行政区划代码(6位)
• IndustryCode [行业代码] — 中上协行业分类代码
• IndustryName [行业名称] — 中上协行业分类名称
• TMTSize [高管团队人数] — 当年该公司的高管团队人数(不含独立董事和监事);同一人兼任多职按 1 人计
• FinancialCount [金融背景人数] — 高管团队中有金融机构从业经历的人数
• FinancialPct [金融背景占比] — 金融背景在高管团队中的人数占比
• HasFinancialAny [团队至少1人金融] — 高管团队中是否至少有 1 人具有金融机构从业经历(1=是,0=否)
• FinancialBankCount [银行背景人数] — 高管团队中在银行(含商业银行、政策性银行)任职过的人数
• FinancialBankPct [银行背景占比] — 在银行(含商业银行、政策性银行)任职过的成员在高管团队中的人数占比;分母为高管团队总人数,这样所有子类占比加总恰好等于团队的金融背景总占比
• FinancialSecuritiesCount [证券公司人数] — 高管团队中在证券公司(含券商投行、经纪业务、研究所)任职过的人数
• FinancialSecuritiesPct [证券公司占比] — 在证券公司(含券商投行、经纪业务、研究所)任职过的成员在高管团队中的人数占比;分母为高管团队总人数,这样所有子类占比加总恰好等于团队的金融背景总占比
• FinancialFundCount [基金公司人数] — 高管团队中在公募或私募基金公司任职过的人数
• FinancialFundPct [基金公司占比] — 在公募或私募基金公司任职过的成员在高管团队中的人数占比;分母为高管团队总人数,这样所有子类占比加总恰好等于团队的金融背景总占比
• FinancialInsuranceCount [保险公司人数] — 高管团队中在保险公司(含寿险、财险、再保险)任职过的人数
• FinancialInsurancePct [保险公司占比] — 在保险公司(含寿险、财险、再保险)任职过的成员在高管团队中的人数占比;分母为高管团队总人数,这样所有子类占比加总恰好等于团队的金融背景总占比
• FinancialTrustCount [信托公司人数] — 高管团队中在信托公司任职过的人数
• FinancialTrustPct [信托公司占比] — 在信托公司任职过的成员在高管团队中的人数占比;分母为高管团队总人数,这样所有子类占比加总恰好等于团队的金融背景总占比
• FinancialPEVCCount [私募股权创投人数] — 高管团队中在私募股权(PE)或风险投资(VC)机构任职过的人数
• FinancialPEVCPct [私募股权创投占比] — 在私募股权(PE)或风险投资(VC)机构任职过的成员在高管团队中的人数占比;分母为高管团队总人数,这样所有子类占比加总恰好等于团队的金融背景总占比
• FinancialRegulatorCount [金融监管机构人数] — 高管团队中在金融监管机构(如央行、证监会、银保监会等)任职过的人数
• FinancialRegulatorPct [金融监管占比] — 在金融监管机构(如央行、证监会、银保监会等)任职过的成员在高管团队中的人数占比;分母为高管团队总人数,这样所有子类占比加总恰好等于团队的金融背景总占比
• FinancialMixedCount [跨金融子类人数] — 高管团队中在两类及以上不同金融机构有过任职经历的人数
• FinancialMixedPct [跨金融子类占比] — 在两类及以上不同金融机构有过任职经历的成员在高管团队中的人数占比;分母为高管团队总人数,这样所有子类占比加总恰好等于团队的金融背景总占比
• FinancialUnknownCount [金融子类未明确人数] — 高管团队中有金融机构从业经历(HasFinancial=1)但金融子类(银行/证券/基金/保险/信托/PEVC/监管/跨类)未明确的人数
• FinancialUnknownPct [金融子类未明确占比] — 金融子类未明确的成员在高管团队中的人数占比;分母为高管团队总人数,这样所有子类占比加总恰好等于团队的金融背景总占比;计算公式为:FinancialUnknownCount / TMTSize

常见问题

「高管团队金融背景」是什么数据集？

高管团队金融背景，隶属董监高数据。基于高管团队成员背景档案，按公司-年度聚合金融从业背景的团队层面统计。

该数据集的时间范围是？

覆盖 1999-2025 年。

包含哪些变量/指标？

共 33 个变量。核心指标包括：高管团队人数、金融背景人数、金融背景占比、团队至少1人金融、银行背景人数、银行背景占比、证券公司人数、证券公司占比、基金公司人数、基金公司占比、保险公司人数、保险公司占比、信托公司人数、信托公司占比、私募股权创投人数、私募股权创投占比、金融监管机构人数、金融监管占比、跨金融子类人数、跨金融子类占比、金融子类未明确人数、金融子类未明确占比。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 74,215 条观测。

数据是如何测算/获取的？

指标定义与计算方法 本数据集以 Symbol × Year 为主键, 将高管团队的金融背景从人员明细汇总至公司-年度层面, 用于衡量团队内金融背景的人数、占比与结构分布. 数据来自 TMTBackgroundPanel 人员面板的团队聚合. 聚合前先过滤 $InOffice = 1$ 的当年在任记录, 并按 (Symbol, Year, PersonID) 对同一人的多岗记录进行去重, 即一人兼任董事长与总经理只计一人. 团队规模 $TMTSize$ 定义为当年该公司去重后的在任高管团队人数, 作为绝大多数比例指标的分母. 数据集包含三组核心指标. 第一组为维度层面的聚合: $FinancialCount$ 为团队中具有金融背景的人数, $FinancialPct$ 为其在团队中的占比, $HasFinancialAny$ 标识团队中是否至少有一人具有该背景. 其计算公式为: $$ FinancialPct = \frac{FinancialCount}{TMTSize} $$ 第二组为子类型分布, 将具有金融背景的成员按职业子类进一步细分为银行 (商业银行与政策性银行)、证券公司、基金公司、保险公司、信托公司、私募股权/风险投资 (PEVC)、金融监管机构 (央行/银保监/证监/交易所)、在两类及以上金融机构有过任职的跨类成员. 每个子类型有对应的 $FinancialXxxCount$ 与 $FinancialXxxPct$ 两个字段, 子类占比的分母统一为 $TMTSize$ (而非 $FinancialCount$). 这一分母选择保证了"所有子类占比之和恰好等于 $FinancialPct$"的加总恒等性, 便于研究者将金融背景强度拆解为各子类贡献. 当成员具有金融背景但 LLM 在"宁缺毋滥"原则下未能将其归入任一枚举子类时 (子类型 $FinSubtype$ 为空), 统计在 $FinancialUnknownCount$ / $FinancialUnknownPct$ 字段中. Unknown 桶的存在保证子类计数与维度总数的守恒, 即 $FinancialCount = \sum FinancialXxxCount$ (包含 Unknown). 补充说明 - 样本范围: 1999-2024 年, 覆盖所有 A 股上市公司 - 主键: Symbol × Year, 每条记录代表一家公司在一年中的高管团队聚合 - 去重规则: 同一人在同年兼任多岗时, 背景维度取其任一岗位的标识 (取最大值), 子类型取首个有效值 (理论上同一人同年共享同一份简历, 子类型一致) - 分母口径: 子类占比分母为 $TMTSize$ (团队总人数), 这样各子类占比直接相加等于维度总占比 参考文献 - 吴成颂,张艺林.高管金融背景对企业债务期限结构的影响研究——基于中国A股上市公司的经验证据[J].哈尔滨商业大学学报(社会科学版),2021,(6). - 武永霞,张真铭.高管金融背景与企业债务违约风险——公司治理与融资约束的链式中介效应[J].哈尔滨商业大学学报(社会科学版),2025,(1).

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。