2026-2014年上市公司企业人工智能技术暴露度数据、企业人工智能技术暴露度

xiaoniu666

1、资料名称：2026-2014年上市公司企业人工智能技术暴露度数据、企业人工智能技术暴露度

2、测算方式：参考顶刊《管理世界》张丹丹等（2025）老师的做法，通过上市公司在线招聘岗位的招聘岗位名称与职位描述中特定工作任务的披露频次来刻画企业人工智能技术暴露度（AI Exposure）。具体而言，本文借鉴Eloundou等（2024）与Felten等（2023）构建DWA大语言模型人工智能技术暴露指数的思路，将招聘岗位的工作任务分为13大类别，分别为：文本处理、内容创作、数据分析、编程开发、信息检索、客户服务、财务会计、销售推广、人事行政、设计创意、教育培训、法务合规、物流操作。各类别基于其与AI/大语言模型技术的替代互补程度赋予差异化的暴露度权重。各指标通过关键词词频匹配后计算加权综合得分，综合暴露度取值在0~1之间，数值越大表示该企业的人工智能技术暴露度越高。在量化实现上，针对上市公司发布的招聘大数据（覆盖2014-2026年）， 我们对每一个详细工作活动 （di ） 的暴露度进行评分⑧， 记为 sdi。其次， 我们将每个招聘广告j 中的职位描述文本与全部详细工作活动比对， 筛选出所有包含在广告 j 中的详细工作活动 （dx，…， dy ） 及它们在该职位工作中的重要性权重 （wx，…， wy， ∑x,w = 1…）。将所有与 j 有关的 DWA 暴露度评分 （s按重要性加权求和， 得到每个岗位 j 的暴露度。最后， 对每个职业或职业组别中所有招聘岗位的分数取平均值， 得到该职业 （组别） 的暴露度， 从而构造出 “基于 DWA 的大语言模型人工智能技术暴露指数


3、资料范围：5,635家上市公司，52,636个观测值，包括原始数据、测算代码（详细）及最终计算结果，大家可以验证一下确保准确性！


需要说明的是2026年为部分数据，2025年是全年数据
原始数据我们来源为智联招聘和51job招聘平台发布的数据

4、参考文献：张丹丹, 于航, 李力行, 胡佳胤, 莫怡青, 李泓孛. 中国人工智能技术暴露度的测算及其对劳动需求的影响——基于大语言模型的新证据[J]. 管理世界, 2025, (7): 59-83.