数据集概览
年报是外部投资者获取公司经营信息最完整的文本通道。Li(2008)给出的经典结果是:年报读起来越费劲,当期盈余的持续性越差、分析师跟踪越少,「难读」往往是管理层有意模糊坏消息的信号。这条文献线索之后,可读性从读者的主观感受变成了一组可以逐份计算、可以逐年比较的文本统计量。
该数据覆盖 2001—2025 年 A 股上市公司年度报告,对整份年报全文与管理层讨论与分析(MD&A)两种文本分别测算篇幅、句法、词汇、汉字四组共 30 项可读性指标,两种口径合计 60 个指标列。当前版本含 71 926 条公司—年度观测、6 091 家上市公司;随数据提供 Python 处理代码与计算结果,便于把同一口径迁移到新增年报上复算。
指标是怎么算出来的
含三十个指标,整条链路可以拆成六步:
-
清洗。读取年报全文与 MD&A 章节文本,去掉全部空白字符与目录引导点(目录里成串的点线),使后续计数不受排版与换行影响。
-
分句。按句末标点切分句子。源文本大约每 30 字硬换行,换行不构成句读,因此不能作为切分依据——这一步直接决定了所有「句长」类指标的量纲。
-
分词。jieba 分词后只保留纯中文或纯英文词,含数字与标点的词一律丢弃。字符序列由此变成词汇序列,词长分布、虚词比例、词汇熵都以此为基础。
-
词汇难度。以「未登录词 + 词频低于 100 的低频词」构造难词比例,同时输出词长分布、虚词比例与词汇熵,用来区分「用常用词铺陈」与「堆生僻术语」两种写法。
-
汉字难度。用逐字笔画表(9 574 字)算平均笔画数、多笔画字与少笔画字比例;用《通用规范汉字表》(8 105 字,分一、二、三级)算各级字比例,并把表外字单列。生僻字越多,读者的认读负荷越高。
-
合成。中文 Fog = 0.4 ×(平均句长_词 + 100 × 难词比例)。把句法复杂度与词汇难度压成一个标量,方便在回归里作为单一自变量使用,也便于跨年份、跨公司快速排序。

样本数据(节选)

参考文献
Li, F. Annual report readability, current earnings, and earnings persistence[J]. Journal of Accounting and Economics, 2008, 45(2-3): 221-247.
下方专栏合集顶部分享更多内容:
来源: Paper 数据分析

334



被折叠的 条评论
为什么被折叠?



