一、数据概况
本数据集基于自然语言处理技术构建，涵盖2008-2023年间中国A股5562家上市公司的创新活动测度指标，形成有效观测值5.05万条。数据核心指标包含：
- 基础计量指标：股票代码/公司简称/年份/全文总词数/关键词词频数/关键词词频自然对数
- 创新关键词体系：构建包含39个维度的创新词库，覆盖研发全生命周期（研究→开发→产业化）与创新类型（技术创新/管理创新/模式创新）


二、测度方法
本数据库构建方法参照谢佳松等（2025）发表于《统计研究》的文本分析框架，具体流程包含：
1. 语料处理：提取上市公司年报MD&A（管理层讨论与分析）文本
2. 词典构建：通过TF-IDF算法和专家验证，建立三级创新关键词体系
3. 指标计算：创新强度=Σ（创新关键词词频）/总词数×100%
4. 有效性验证：与研发支出、专利数量等结构化数据相关系数达0.68-0.82


三、创新关键词分类体系
1. 基础研发类：研发/开发/创新/研究/专利/发明等
2. 技术升级类：升级/新工艺/新技术/迭代/革新等
3. 战略转型类：转型/变革/新模式/新业态/推陈出新等
4. 产学协同类：产学研/科技攻关/知识产权等
5. 产品创新类：新品/独创/首创/原创/新一代等
6. 材料能源类：新能源/新材料/新技术等


四、学术应用价值
本数据库突破传统财务指标局限，实现：
1. 创新前导性：较研发支出数据提前1-2年反映创新动向
2. 战略解码：通过关键词结构分析企业创新战略倾向
3. 行业对标：构建跨行业可比创新强度指数


五、文献依据
谢佳松,樊嘉诚,林建浩.我国上市公司创新活动的测度——基于文本分析的方法[J].统计研究,2025,42(02):70-83.


注：本数据已通过年报文本可比性检验、关键词敏感性分析等质量验证，为研究企业创新战略提供量化支持。