1992-2025年上市公司人工智能概念炒作测度数据集

1. 基本情况

2. 指标界定与测度思路

概念界定。人工智能概念炒作，指企业在信息披露中夸大对人工智能发展情况的文本描述、而缺乏与之匹配的经济业务实质的一种信息操纵行为。其与实质性人工智能战略转型的分野在于：后者依托真实的技术投入，前者依托对技术前景的宏大叙述。由于人工智能相关信息高度专业化且面向未来，其真实性核验须跨越技术可行性评估与长期收益预测等多重壁垒，监管机构与普通投资者均难以在短期内甄别，因而此类操纵比传统财务信息操纵拥有更强的信息不对称优势。

为何聚焦 MD&A 章节。当企业对热点概念作空洞描述时，"管理层讨论与分析"章节中涉及的相关词汇会随之增多，该章节的披露强度因而能够刻画企业对概念的渲染程度。

词典构建。关键词表取自方法源文献的表 1，由原文经词嵌入模型扩展后人工筛定，共 55 个词条，涵盖三个层次：

1. 基础技术：机器学习、深度学习、神经网络、计算机视觉、自然语言处理等；

2. 支撑性技术：云计算、物联网、区块链、大数据分析、分布式计算等；

3. 行业应用形态：智能医疗、智能客服、智能投顾、自动驾驶、人脸识别等。

形如"分布式计算（Hadoop）"的词条，括号内为同义英文缩写，匹配时拆分为中文词与英文缩写两个独立模式并统一转小写，最终得到 60 个匹配串。

计数规则。词表内部存在子串包含关系（如"神经网络"是"卷积神经网络"与"循环神经网络"的子串），逐词匹配会使同一处文本被重复计入，故采用两遍最长匹配去重：先按匹配起始位置保留最长者，再按结束位置保留最长者。此外，少数企业名称本身含词表词条，其全称随页眉逐页出现会使词频等于页数而非真实披露强度，故计数前先从文本中掩除该企业的全称与简称。

3. 变量与公式

以下变量名为本文档自立命名。设企业 i 第 t 年年报 MD&A 章节中上述关键词的命中次数为 ai_wordfreq，该章节经中文分词、剔除停用词并保留长度不小于两字的词之后的总词数为 mda_wordcount。

指标一：词频口径的炒作强度。

hype_mdai,t = ai_wordfreqi,t / mda_wordcounti,t × 100

以百分比计，值越大说明企业对人工智能概念的文本披露强度越高。以章节总词数为分母而非直接使用词频，是为了剔除年报篇幅差异对词频绝对水平的影响。该口径的识别困难在于：人工智能词汇多也可能只是对自身业务的客观陈述，而非渲染。

指标二：残差口径的炒作强度。为把"客观陈述"与"夸大渲染"分开，借鉴招股说明书文本信息含量研究中的异常披露思路，用披露强度对企业基本面特征作回归，取未被基本面解释的部分：

hype_mdai,t = β0 + β1sizei,t + β2levi,t + β3roai,t + β4lnaipati,t + β5dai,t + β6tobinqi,t + β7growthi,t + β8sepi,t + ui + ut + εi,t

各解释变量：size 为总资产的自然对数；lev 为总负债与总资产之比；roa 为净利润与总资产之比；lnaipat 为企业当年申请的含人工智能技术分类号的发明专利数量加一后取对数——真正推进人工智能转型的企业会相应加大研发投入并形成专利产出，控制该变量之后，剩余披露强度才更接近"只说不做"的成分；da 为盈余管理水平（修正 Jones 模型操控性应计的绝对值）；tobinq 为企业市场价值；growth 为营业收入增长率；sep 为控制权与所有权的分离度；ui、ut 分别为公司与年份固定效应。

系数由公司与年份双向固定效应的组内变换估计，第二指标即披露强度减去截距与各基本面特征的解释部分：

hype_residi,t = hype_mdai,t − β̂0 − Σk=1..8 β̂k Xk,i,t

该残差保留固定效应成分，可直接进入含公司固定效应的回归；取值越大，说明披露水平中未被自身基本面解释的部分越多。估计时剔除金融业企业，要求解释变量与被解释变量齐备，要求企业在估计样本内至少有两个年度观测（否则组内变换无法为系数估计提供信息），并对参与回归的连续变量作上下 1% 的缩尾——这些限定仅在残差估计一步内部使用。

指标三：研发人员口径的稳健指标。从"言"与"行"相对比的角度提供稳健性度量：企业若要真正实现人工智能相关的技术整合与升级，应具备相应的研发人员基础。将 MD&A 中人工智能词汇的披露强度视为象征性行为、研发人员投入强度视为实质性行为，两者相对比可衡量炒作水平——该思路借鉴自环保领域以象征性行为对比实质性行为来识别"漂绿"的做法：

hype_rdi,t = hype_mdai,t / techsharei,t

其中 techshare 为技术人员占员工总数的比重（小数计）。比值越大，说明企业文本上说得越多而研发人员上做得越少。当技术人员占比低于 1% 时（多见于劳动密集型行业），分母趋近于零而由测量误差主导，该指标不予采计。需说明两点：其一，原文对此稳健性度量只表述为"进行对比、该值越大炒作水平越高"，未给出具体函数形式，此处采用同一作者团队在绿色概念炒作研究中的"文本披露占比除以实质投入占比"的比值形式；其二，分母以技术人员占比代理原文所述的研发人员占比，二者在年报员工构成披露实务中口径接近但不完全等同。原文另以研发资金投入强度（研发支出占总资产比重）构造了平行口径，但该分母在相当比例的企业—年中不大于零（早年研发费用尚未强制单列），比值无从定义，故本数据集未纳入。

4. 字段字典

共 17 个字段。标识字段如下（地理与行业标识按年度动态匹配公司当年信息）：

指标字段如下：

6. 样本结构与数据形态

6.1 年份分布

下表由逐年计数精确加总而得；单年明细从略，可按 year 自行汇总。样本合计 69,521 个观测、34 个年份，单年最多 5,198 个（出现于 2025 年）。

样本前期（1992—1998）每年仅个位数观测，与早年沪深上市公司数量稀少、年报电子文本可得性差有关；2016 年以后覆盖迅速加厚，2021—2025 五年合计占全部样本的三分之一以上。

6.2 样本节选

以下节选企业展示

企业一（stkcd=0000*2，注册地广东深圳，区县代码 4403**，全期行业为 K70 房地产业）：

表注：该企业 2001—2025 年共 25 行连续观测，此处节选 7 行；"—"表示该口径当年缺失。

企业二（stkcd=0000*4，注册地广东深圳，区县代码 4403**，行业由 G54 道路运输业转 C27 医药制造业、再转 I65 软件和信息技术服务业）：

表注：该企业 1994—2000、2006—2010 及 2022 年无观测行（面板非平衡）；1993 年 mda_ext01=0，各文本指标为缺失；此处节选 11 行。

7. 描述性统计

各指标字段在全样本上的压缩统计如下（最小值并入正文叙述）：

参考文献

1. 孙月, 王新, 郝晓蓓. 上市公司人工智能概念炒作与大股东股份减持. 南方经济, 2025(11): 143-162.

2. 王新, 郝晓蓓, 孙月. 绿色概念炒作与企业绩效：来自产品市场的新发现. 经济管理, 2024, 46(7): 190-208.

3. 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. 管理世界, 2021, 37(7): 130-144+10.

4. Hanley K W, Hoberg G. The information content of IPO prospectuses. The Review of Financial Studies, 2010, 23(7): 2821-2864.

5. Mikolov T, Sutskever I, Chen K, et al. Distributed representations of words and phrases and their compositionality. Advances in Neural Information Processing Systems, 2013, 26: 3111-3119.

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