发帖
雷达卡
【数据名称】AI治理如何赋能企业价值创造——基于“人—机”委托代理关系视角
三、数据基本信息
【数据名称】AI治理赋能企业价值创造实证分析数据
【数据层级】企业层面
【数据结构】中国A股上市公司半年度非平衡面板数据
【时间范围】2020年下半年—2025年上半年
【时期数量】10期
【企业数量】4553家
【样本数量】40658条原始观测；主要回归完整样本为35423条观测
【变量数量】22个
【数据格式】Stata（.dta）
【数据来源】上市公司年报及半年报、管理层讨论与分析（MD&A）文本、监管部门处罚公告、《中国统计年鉴》、相关政府网站及Wind数据库
【数据整理】赵晶、刘家彤、谢泰宇
【样本处理】剔除ST、*ST及PT类上市公司，对企业、行业和省级层面的信息进行整理与匹配。部分变量经过滞后或差分处理，因此第1期存在结构性缺失；不同企业实际覆盖时期可能不同。
【数据说明】数据包含企业价值创造、AI治理强度、AI动态认知、合规压力、政府支持、企业特征、研发投入和财务状况等指标，可用于复现论文的主要实证结果。
四、部分数据展示
变量名称 | 变量说明
---------------|----------------------------------------------------------
code | 上市公司代码，企业面板标识变量
year | 半年度时期编码，取值为1—10
ind | 企业所属详细行业代码
ind_code | 详细行业数值编码
ind_short | 行业大类简化代码
ind_year | 行业与时期组合编码，用于控制行业×时间固定效应
province_code | 企业所在省份代码
prov_id | 省份数值标识，用于计算省份层面聚类标准误
LP | 企业劳动生产率，当期员工人均营业收入的自然对数
Cited | 企业发明专利在当期的被引用量指标
test | 企业所在省份的AI治理政策实施强度
DIDpt | 经滞后一期处理的连续型双重差分核心解释变量
AI_score | 根据MD&A文本及AI特征词典计算的AI文本指标
AI_Adoption | 企业AI动态认知，即AI_score相对于上一期的变化量
Punish_time | 企业合规压力，根据当期违规处罚次数构建
Subsidy | 政府支持，当期政府补助总额加1后取自然对数
Rd | 企业研发投入指标
Lev | 企业资产负债率
Adv | 企业广告支出或市场投入指标
Size | 企业规模指标
Age | 企业年龄指标
ROA | 企业总资产收益率
主要指标说明：
【企业价值创造】使用企业劳动生产率作为代理指标。通过匹配企业每个半年度的员工数量与营业收入，计算当期员工人均营业收入并取自然对数。
【AI治理政策】治理政策变量由省级AI治理强度与政策实施时点虚拟变量相乘得到。省级治理强度结合各省份互联网相关行业行政执法数量与互联网行业企业规模构建，并匹配至企业所在地。核心解释变量考虑政策传导时滞，进行滞后一期处理。
【AI动态认知】依据《关键数字技术专利分类体系（2023）》等文件构建人工智能特征词典，对上市公司半年报MD&A文本进行分词，采用TF-IDF方法计算AI_score，再根据其变化值构建AI_Adoption。
【合规压力】根据企业当期受到的违规处罚次数构建。数值越大，表示企业面临的合规压力越高。
【政府支持】根据企业年报和半年报“政府补助”明细项目，将当期政府补助总额加1后取自然对数。
五、参考文献
【参考文献】
[1] 赵晶,刘家彤,谢泰宇.AI治理如何赋能企业价值创造——基于“人—机”委托代理关系视角[J].中国工业经济,2026,(5):147-168.
[2] 国家互联网信息办公室,国家发展和改革委员会,教育部,科学技术部,工业和信息化部,公安部,国家广播电视总局.生成式人工智能服务管理暂行办法[Z].2023.
AI治理如何赋能企业价值创造——基于“人 - 机”委托代理关系视角.zip
(29.65 MB, 需要: RMB 28 元)
京公网安备 11010802022788号
