上市公司大数据应用关键词频测算及程序文件（2000-2024年）

大数据应用是指依托海量（Volume）、高速（Velocity）、多样（Variety）、低价值密度（Value）、真实性（Veracity）的“5V”特征数据资源，运用云计算、人工智能、机器学习、自然语言处理等前沿技术，开展数据采集、清洗、存储、建模、分析及可视化呈现的全流程技术体系与实践范式，其核心价值在于通过数据驱动实现决策优化、流程重构、风险预警及价值创造。

本研究借鉴张叶青等（2021）的文本挖掘与指数构建方法，以中国A股上市公司2000-2024年年度报告为核心数据源，基于Python自然语言处理工具包构建大数据应用关键词词频测算体系，进而生成大数据应用指数。研究提供“未缩尾未剔除异常样本”“已缩尾未剔除异常样本”“已缩尾且剔除金融行业及ST/PT样本”三个版本的面板数据及对应的Stata程序文件（dofile），为公司金融、技术创新等领域的实证研究提供可靠的数据支撑。

一、数据概况

• 数据名称：上市公司大数据应用关键词频测算及程序文件（2000-2024年）
• 研究区间：2000年至2024年
• 样本范围：中国沪深A股上市公司
• 数据形态：平衡面板数据，配套Excel、Stata（.dta）及程序文件（.do）格式
• 数据提供方：ACADCN数研慧通

二、核心指标体系

指标类别	具体指标	指标说明
样本标识指标	证券代码（stkcd）、证券简称、年份（year）	用于样本匹配与时间维度识别，stkcd采用证监会标准6位编码
核心研究指标	大数据应用指数、大数据相关关键词词频	词频为年报中目标关键词出现频次，指数为词频的对数化处理结果
截面特征指标	行业代码、行业名称、所属省份及代码、所属城市及代码	行业分类采用证监会2012年行业分类标准，地理编码采用国家统计局行政编码
关键词池	大数据、海量数据、数据中心、信息资产、数据化、算力	基于技术演进及政策文件筛选，经LDA主题模型验证的核心关键词集合

三、指数构建方法

为避免词频为0时对数运算无意义的问题，本研究采用对数转换法构建大数据应用指数，具体公式如下：

大数据应用指数 = ln(大数据相关关键词词频 + 1)

其中，关键词词频通过Jieba分词工具结合自定义词典进行提取，经停用词过滤、同义词合并等预处理步骤后，采用词频统计法计算得出；缩尾处理采用1%分位的缩尾（Winsorize）方法，异常样本剔除标准为金融行业（证监会行业分类代码J）及特殊处理样本（ST/PT）。

四、参考文献

张叶青，陆瑶，李乐芸. 大数据应用对中国企业市场价值的影响——来自中国上市公司年报文本分析的证据[J]. 经济研究，2021, 56(12): 42-59.