▪ 2023管理层注意力创新配置、内容注意力配置
▪ 数据范围：上市公司层面
▪ 数据年份：2001-2023


▪ 数据来源：根据上市公司年报管理层讨论与分析部分（MD&A）爬取
▪ 数据说明：上市公司管理层注意力时内容配置词频统计——未来注意力配置数据包括股票代码、股票简称、统计年份、行业代码、行业名称、年报中MD&A总词数、年报中MD&、总词数（去数字）、年报中MD&A总词数（去数字和英文）、年报MD&A部分含“未来注意力配置”词集词频总数等变量。









▪ 文献来源：余振,李元琨,李汛.外部关税冲击、企业家注意力配置与创新发展[J/OL].世界经济,2024,(06):65-94[2024-10-28].





注意力内容配置。现有文献表明公司年报可以有效反映企业家的特质及状态（Marquez-Illescas et al.，2019）。参照蒋艳辉和冯楚建（2014）的研究，本文选择对上市公司年报中的管理层分析与讨论章节（Management Discussion and Analysis，MD&A）进行文本分析。文本分析首先需要构建“创新注意力”词集。参照胡楠等（2021）和Brochet et al.（2015），本文通过机器学习Word2vec这一方法寻找近义词，缓解人为定义词表的主观性和通用同近义词工具的弱相关性（LeCun et al., 2015）。利用Word2vec模型对文本语料进行训练后，生成词向量空间，为每个词分配一个向量。在向量空间中，距离越近的词意思越近，可以通过两词的距离计算相似性。具体筛选词集方式如下：第一步为选择既往中文文献中曾用过的“创新注意力”词集作为基础词（黄珊珊和邵颖红, 2017），其中包括：“创新”、“自主”、“研发”、“科研”、“新产品”、“技术”、“开发”、“研究”、“专利”。第二步根据Word2vec中的CBOW模型（连续词袋模型，Continuous Bag-of-words Model）对中文年度财务报告语料进行训练，生成词向量空间。并在词向量空间中，对基础词的相似词进行筛选。筛选标准为：财报文本语料中出现频次在1000次以上，且和基础词频相似度在30%以上的拓展词。第三步为邀请了3名业界和学术界专家对CBOW模型得到的相似词进行人工核查，并筛选出包括“发明”和“技术成果”等额外的“创新注意力”拓展词集。本文将“创新注意力”基础词集和“创新注意力”拓展词集分别作为文本分析的词典，并基于词典法对每家企业的年报中MD&A部分进行词频分析。通过计算词集中词汇总词频占MD&A总词频的比例并乘以100，得到企业家创新注意力配置指标。为了验证稳健性，本文还计算了两个指标：词集总词频占不含数字MD&A总词数的比例，词集总词频占不含数字和英文MD&A总词数的比例。这两个指标数值越大，表示企业家越注重创新。