1. 基本情况

2. 指标界定与依据

数字赋能（亦称"数字化转型"）用以刻画企业在经营与披露文本中数字化相关术语的出现强度。既有研究普遍采用"词频 × 逆文档频率"思路，从年报文本中提取数字化信号。本数据集沿用吴非等（2021）所整理的数字化词集，并以年报为单位聚合为单一年度指标。其概念基础包括：

• 黄勃等（2021）、吴非等（2021）：构建企业数字化术语词典，区分底层技术与场景化应用；

• 袁淳等（2021）：进一步引入"逆文档频率"对词频做加权，缓解通用词造成的虚高；

• 袁淳等（2022）：在词频—逆词频基础上加入"非零标记"项，构造 lnDCG 型综合指数，用以同时反映广度（出现企业比例）与深度（单家企业强度），降低对通用词或仅偶发提及情况的过度敏感。

3. 变量与公式

对任一企业 i、年份 t，记企业 i 在第 t 年年报中出现的词语集合为 Wit，对应的年报总词数为 Lit，整个样本的年报总份数为 N = Σi Σt 1{i 在 t 年有年报}（剔除 B 股后 N = 72,971）。对词表中的任一词语 w：

TFw = ln( 词频(w, i, t) / Lit + 1 )

IDFw = ln( N / ( Σi,t 1{w ∈ Wit} + 1 ) )

企业 i 在年份 t 的数字赋能总指标为：

DT_TFIDFi,t = Σw ∈ Wit TFw · IDFw

其中 TF 刻画单篇文本中词语 w 的相对密度，IDF 刻画词语 w 在整个年报语料库中的稀有程度；二者相乘后加总，可降低通用词造成的虚高、放大小众词的判别价值。扩展形式（袁淳等，2022）：

lnDCGi,t = Σw [ ln( tfw,i,t + 1 ) × ln( Ni / ( nw,i + 1 ) ) ]

其中 tfw,i,t 为企业 i 第 t 年包含词 w 的年报数，Ni 为企业 i 全部年报数，nw,i 为企业 i 包含词 w 的年报数。lnDCG 在 DT_TFIDF 基础上加入"非零标记项"，可同时区分出现比例与出现强度。

4. 计算方法

• 原始语料：所有 A 股上市公司年度报告；B 股年报剔除后剩 72,971 份作为 IDF 计算的样本基础；

• 分词与停用词：使用 jieba 切分中文文本，过滤哈工大停用词表；

• 词典：参考吴非等（2021）整理的数字化转型词集；

• 指标合成：在所有年报中统计包含各词语 w 的年报数量，进而计算每个词的 TF 与 IDF 项；将词语集中所有词的 TF × IDF 加总，即得到企业—年度的 DT_TFIDF；

• 样本筛选：剔除金融业上市公司（indcd 以 J 开头）以及 ST、PT 类公司，得到分析样本；

• 数据组织：Stata .dta 文件以"企业 × 年度"为行、企业层面代码与指标列为列；可由配套 .do 脚本一键还原。

5. 字段字典

下表给出最终分析样本（已剔除金融 STPT 版本）面板数据的主要字段；dt_tfidf 即最终合成指标。

原始词频长表（raw_words.dta）则采用"年报 × 词语"宽表，每行一份年报记录、每列一个数字化词语，年报文本中是否提及对应词语由 0/1 标记，词表中包括但不限于：人工智能、商业智能、图像理解、投资决策辅助系统、智能数据分析、智能机器人、机器学习、深度学习、语义网、生物识别技术、人脸识别、语言识别、身份验证、指纹识别等。

6. 样本长表节选

说明：以下证券代码与简称末尾字符经过遮蔽处理（各遮 1—2 位），实际数据为完整值；prov/city 仅给出代码列。

参考文献

1. 吴非, 胡慧芷, 林慧妍, 等. 企业数字化转型与资本市场表现——来自股票流动性的经验证据[J]. 管理世界, 2021, 37(07): 130-144+10.

2. 袁淳, 肖土盛, 耿春晓, 等. 数字化转型与企业分工：来自经验证据[J]. 中国工业经济, 2021, (11): 137-155.

3. 袁淳, 李沐谣, 赵停, 等. 企业数字化转型与非效率投资——基于文本分析方法的经验证据[J]. 改革, 2022, (08): 90-103.

4. 黄勃, 李海彤, 沈悦. 数字化转型、流动性约束与企业创新[J]. 财经研究, 2023, 49(04): 79-93.

5. 耿景珠, 杜明威, 刘文苹. 企业数字赋能与全球价值链嵌入[J]. 当代财经, 2023, (08): 122-133.

顶部专栏分享更多内容

专栏合集：经管社科数据集合与整理

来源： Paper 数据分析