2025-2001年上市公司企业MD&A文本相似度与可读性数据、文本相似度、文本可读性

XM666 · 发表于 2024-12-14 10:09:00

1、资料名称：2025-2000年上市公司MD&A文本相似度与可读性数据、文本相似度、文本可读性、MD&A文本长度、MD&A总词数、年度比较企业数、词汇多样性

2、测算方式：
参考顶刊于李胜、王泽豪、王艳艳、李文涛（2024）《会计研究》的研究做法，利用VSM模型与TF-IDF算法测算上市公司MD&A叙述性信息披露的相似度与可读性。具体做法为：相似度——利用VSM模型将每份MD&A文本向量化，以词频TF(i,j)=n(i,j)/Σn(k,j)（用文本总词数加权防止偏向长文本）计算词频，以逆文档频率IDF(i)=log(D/(df(i)+1))赋予不同权重，将TF与IDF相乘得到TF-IDF值，将公司m的MD&A与同一年度所有其他公司{n}的MD&A分别比较，计算两份文本之间向量夹角余弦值，取均值作为文本相似度（向量L2归一化后两两余弦均值=(v_m·Σv_n)/(n-1)，无需逐对计算）；可读性——参考中文可读性研究的普遍做法，采用MD&A文本长度的自然对数作为文本可读性的主要度量方式，文本越长复杂程度越高、可读性越低。另输出MD&A文本长度、MD&A总词数、年度比较企业数、词汇多样性等过程变量。

我们多做了几个变量，如下图所示，包括核心变量或者稳健性检验及过程变量，数据全流程公开，每个原始数据及过程都清晰可查（非主观编造），大家可以做核心变量或者稳健性检验，多个数据更加容易显著！

3、资料范围：
5775多家企业，71116多个观测值，年份跨度2000-2025年。
具体数据分布情况如下方描述性统计。
包括原始数据、计算代码（stata和python代码都有，真实代码，可以向期刊公布，每一步都可以复现和做重复实验）、完整的复现说明（教大家一步步复现，做法过程全部公开，无数据黑箱，并且对复现过程常见问题做了解答）及最终结果（最终结果格式是excel电子表格格式，非常方便大家导入到自己数据里面），大家可以验证一下确保准确性！

4、参考文献：
[1]于李胜,王泽豪,王艳艳,李文涛.创新对企业MD&A叙述性信息披露策略的影响[J].会计研究,2024(3):150-160.

此数据为科研课题组自用数据，根据真实的A股上市公司年报MD&A文本一步步做出来的，每一步都可以复现和做重复实验，非仅仅只有一堆文件胡编乱造（根据参考文献瞎编结果根本就没有研究价值，不能反映真正的MD&A文本相似度与可读性水平，实证围绕着错的结果根本就毫无意义浪费大家时间），真正的原创一手认真整理数据，数据处理较为复杂大家可以自行试试。