本数据根据上市公司年度报告文本整理，参考 Hoberg and Phillips 的文本相似度思想，以及王琨、赵乐、任宏达关于中国上市公司产品市场竞争的年报文本测度方法。处理时先从年报中提取产品、业务、生产、销售、服务、客户、市场等相关文本，按年度构建 TF-IDF 文本向量，再在同一年份内计算公司之间的余弦相似度，由此形成企业年度层面的产品市场竞争文本相似度指标。样本范围为常规A股及北交所上市公司记录。





一、指标计算
产品市场竞争度_Top5均值：同一年份内，与该公司产品业务文本最相似的前5家公司余弦相似度均值。
产品市场竞争度_全市场均值：同一年份内，该公司与其他全部上市公司的产品业务文本余弦相似度均值。
产品市场竞争度_Top10均值：同一年份内，与该公司产品业务文本最相似的前10家公司余弦相似度均值。
产品市场竞争度_最大相似度：同一年份内，与该公司最相似的一家公司文本相似度。
产品市场竞争度_同行业均值：同一年份、同行业内公司产品业务文本相似度均值。


二、文本处理
产品业务文本优先从年报中的“报告期内公司从事的主要业务”“公司业务概要”“主营业务”“经营情况讨论与分析”等段落提取。若标题切分不稳定，则保留含产品、业务、生产、销售、服务、客户、市场等词汇的业务相关段落。目录页、纯页码、财务报表、会计政策、风险管理等非产品业务段落不纳入文本向量。分词后剔除常见停用词和年报通用套话，按年度构建 TF-IDF 矩阵并进行余弦相似度计算。





三、关键字段
证券代码：上市公司股票代码，保留六位代码格式。
证券简称：公司简称。
年份：年报年份。
行业代码、行业名称：上市公司所属行业信息。
产品业务文本词数：提取后的产品业务文本分词数量。
是否进入相似度计算：原始文本表中的标记变量，1表示该条记录有足够的产品业务文本并进入年度相似度矩阵。
年度词表规模：该年度进入 TF-IDF 矩阵的词汇数量。
产品市场竞争度_Top5均值：主指标，数值越大表示产品业务文本越接近、产品市场竞争越强。
产品市场竞争度_全市场均值、Top10均值、最大相似度、同行业均值：不同聚合口径的相似度指标。
最相似公司1证券代码、最相似公司1证券简称、最相似公司1相似度：同年度文本最接近的上市公司及相似度。
是否金融：金融行业公司识别变量，1表示金融类公司。
是否STPT：ST、PT及相关特殊处理公司识别变量，1表示特殊处理公司。





四、交付内容
原始数据文件夹保留产品业务文本、年度词表、Top5相似竞争对手表和相似度中间表。
最终数据文件夹提供未剔除版本、剔除金融及ST/PT版本。
过程代码文件夹提供产品业务文本提取、TF-IDF相似度计算 Python 代码和结果整理 Stata 代码。


五、数据概况
整理年份：2002-2025年。
未剔除样本量：71051条。
剔除金融及ST/PT后样本量：66228条。