发帖
雷达卡
数据名称：上市公司产业型战略股东文本相似度数据
时间范围：2003年至2024年
数据层级：股东—上市公司—年度明细级与上市公司年度级
核心指标：tfidfs、wordvecs、berts
识别变量：stock、证券代码、year、统计截止日期
文件格式：Stata DTA、Excel XLSX、Python PY 和 Stata DO
本数据基于上市公司主营业务文本与产业型战略股东经营范围文本，采用TF-IDF、预训练词向量和SentenceTransformer嵌入三种方法计算逐条文本余弦相似度，并按股东持股比例汇总为上市公司年度产业型战略股东指标。股东—公司—年度文本匹配明细和文本相似度计算结果各含63,535条记录；公司年度指标结果覆盖2003年至2024年，包含4,105家上市公司和46,990条记录；另提供包含产业型战略股东指标、公司特征和控制变量的上市公司年度整合数据，共18,020条记录，可用于研究产业型战略股东、企业经营相似性与公司行为。
二、原始数据与基本信息合并
上市公司产业型战略股东持股与文本匹配明细.xlsx：股东—上市公司—年度文本匹配明细，主要字段为stock、证券代码、year、统计截止日期、关系人名称、持股比例(%)、持股排名、股东性质、主营业务、经营范围、股东背景、注册资本、币种、tfidf_similarity、wordvec_similarity、bert_similarity。
上市公司产业型战略股东文本相似度计算结果.xlsx：主营业务与经营范围文本的逐条余弦相似度计算结果，主要字段为主营业务、经营范围、tfidf_similarity、wordvec_similarity、bert_similarity。
上市公司产业型战略股东指标与控制变量数据.xlsx：公司年度整合结果，主要字段为股票代码、年份、股票简称、行业名称、行业代码、所属省份、所属城市、tfidfs、wordvecs、berts、Size、Lev、ROA、ROE、ATO、Cashflow、INV、FIXED、Growth、Board、Indep、Dual、Top5、TobinQ、FirmAge、INST、Mshare、Mfee、Occupy。
文本相似度Python程序仅读取“主营业务”和“经营范围”两列，输出三类相似度；Stata程序以公司年度为组、以持股比例为权重计算加权平均。整合控制变量数据的具体合并过程未包含在当前目录的代码文件中，应以实际数据字段和研究使用口径为准。
三、计算说明
【tfidf_similarity】主营业务文本与经营范围文本在共同语料上构建TF-IDF向量后得到的逐条余弦相似度。代码使用jieba中文分词，并限制最多保留5,000个TF-IDF特征；数值越大表示两个文本的词项权重结构越相近。
【wordvec_similarity】基于预训练词向量的逐条余弦相似度。代码对每段文本中能被词向量模型识别的词元取平均向量，再计算两段文本的余弦相似度；数值越大表示两段文本在词向量语义空间越相近。
【bert_similarity】基于SentenceTransformer模型all-MiniLM-L6-v2编码文本嵌入后得到的逐条余弦相似度；数值越大表示两段文本的语义嵌入越相近。
【tfidfs】公司年度TF-IDF加权相似度，公式为同一公司年度内“持股比例×tfidf_similarity”之和除以持股比例之和。数值越大表示产业型战略股东与上市公司文本的平均词项相似度越高。
【wordvecs】公司年度词向量加权相似度，公式为同一公司年度内“持股比例×wordvec_similarity”之和除以持股比例之和。数值越大表示平均词向量语义相似度越高。
【berts】公司年度BERT加权相似度，公式为同一公司年度内“持股比例×bert_similarity”之和除以持股比例之和。数值越大表示平均文本嵌入语义相似度越高。
【持股比例(%)】股东在上市公司报告期的持股比例。Stata汇总代码直接将该字段作为权重，权重单位在分子和分母中相互抵消。
四、结果数据文件
共有三套主要结果数据文件。样本构建步骤如下：
（一）整理股东—上市公司—年度明细，保留公司主营业务、股东经营范围和持股比例等信息；
（二）以TF-IDF、词向量和BERT嵌入分别计算主营业务与经营范围的逐条余弦相似度；
（三）按“stock+year”分组，以持股比例为权重汇总三类相似度，并保留唯一公司年度观测；
（四）将公司年度产业型战略股东指标与行业、地区和公司控制变量整合，形成实证分析样本。
编号 文件名称 说明
一 上市公司产业型战略股东持股与文本匹配明细.xlsx 股东—公司—年度原始匹配明细及三类文本相似度字段。
二 上市公司产业型战略股东文本相似度计算结果.xlsx 逐条主营业务与经营范围文本的三类相似度计算结果。
三 上市公司产业型战略股东指标计算结果.dta 公司年度产业型战略股东指标Stata结果，包含stock、证券代码、year、统计截止日期、F、tfidfs、wordvecs和berts。
四 上市公司产业型战略股东指标计算结果.xlsx 与上述Stata结果对应的Excel版本。
五 上市公司产业型战略股东指标与控制变量数据.xlsx 含产业型战略股东指标、行业地区信息和公司控制变量的公司年度实证分析数据。
五、变量说明
序号 变量名称 变量类型 变量说明
一 stock 数值型 上市公司内部识别代码。
二 证券代码 字符型 上市公司证券代码；Excel读取时应统一保留六码字符格式。
三 year 数值型 年度。
四 统计截止日期 日期型或字符型 股东持股和文本匹配信息所属报告期截止日期。
五 F 字符型或数值型 原始结果中的辅助标识字段，当前目录代码未参与其计算。
六 关系人名称 字符型 产业型战略股东或关系人名称。
七 持股比例(%) 数值型 股东持股比例，用于计算公司年度加权相似度。
八 持股排名 数值型 股东在公司报告期的持股排名。
九 股东性质 字符型 股东性质分类。
十 主营业务 长字符型 上市公司主营业务文本。
十一 经营范围 长字符型 产业型战略股东经营范围文本。
十二 tfidf_similarity 数值型 逐条TF-IDF文本余弦相似度。
十三 wordvec_similarity 数值型 逐条词向量文本余弦相似度。
十四 bert_similarity 数值型 逐条BERT嵌入文本余弦相似度。
十五 tfidfs 数值型 公司年度持股比例加权TF-IDF相似度。
十六 wordvecs 数值型 公司年度持股比例加权词向量相似度。
十七 berts 数值型 公司年度持股比例加权BERT相似度。
十八 Size 数值型 公司规模控制变量。
十九 Lev 数值型 资产负债率控制变量。
二十 ROA 数值型 资产收益率控制变量。
二十一 ROE 数值型 净资产收益率控制变量。
二十二 ATO 数值型 资产周转率控制变量。
二十三 Cashflow 数值型 现金流控制变量。
二十四 INV 数值型 投资相关控制变量。
二十五 FIXED 数值型 固定资产相关控制变量。
二十六 Growth 数值型 成长性控制变量。
二十七 Board 数值型 董事会规模控制变量。
二十八 Indep 数值型 独立董事比例控制变量。
二十九 Dual 数值型 两职合一控制变量。
三十 Top5 数值型 前五大股东持股相关控制变量。
三十一 TobinQ 数值型 Tobin's Q控制变量。
三十二 FirmAge 数值型 公司年龄控制变量。
三十三 INST 数值型 机构投资者持股相关控制变量。
三十四 Mshare 数值型 管理层持股相关控制变量。
三十五 Mfee 数值型 管理费用相关控制变量。
三十六 Occupy 数值型 资金占用相关控制变量。
六、代码文件
文件名称 语言 说明
产业型战略股东文本相似度计算代码.py Python 读取主营业务和经营范围文本，以TF-IDF、预训练词向量和SentenceTransformer计算三类逐条余弦相似度并导出Excel结果。
产业型战略股东数据计算代码.do Stata 按公司年度以持股比例加权汇总三类文本相似度，生成tfidfs、wordvecs和berts，并保留唯一公司年度记录。
七、参考文献
[一] 产业型战略股东与国有企业合规风险治理——基于股东—公司经营范围相似度视角——蔡贵龙。
[二] 产业型战略投资者与“僵尸”国企治理——基于股东与公司经营范围相似度的研究——刘潋。
产业型战略股东数据2007-2024年.zip
(29.14 MB, 需要: RMB 29 元)
京公网安备 11010802022788号
