2001—2025年上市公司人工智能漂洗程度|原始数据|测算代码|测算结果

整理好的面板数据

近年来，人工智能技术快速渗透企业生产经营的各个环节，成为推动产业升级与高质量发展的重要力量。在政策倡导与资本市场关注的双重驱动下，越来越多的上市公司在年度报告与管理层讨论与分析中高调披露其人工智能战略，包括智能工厂、智能供应链、智能制造、AI大模型应用等布局，以向市场传递技术领先信号、获取投资者与分析师的关注。然而，部分企业的AI宣称明显超出其实际投入与技术能力：对外强调采用人工智能提升产品与服务，实际上并未进行相应的研发支出与设备投资，或投入规模远不足以支撑其宣称的效果.这一现象被业界与学界称为“AI漂洗”（AI washing），即企业在人工智能领域的信息披露与其真实技术投入之间出现系统性偏离。

因此，如何量化识别企业AI漂洗程度，成为理解企业数字化转型真实进程、防范信息披露机会主义行为的关键问题。既有研究多以年报AI词频或AI专利数量单一维度刻画企业人工智能应用，难以区分“宣称”与“实干”。本数据同时刻画企业的人工智能信息披露强度与真实投入水平：以年报及MD&A中的AI关键词词频衡量“说了多少”，以财务报表附注中与智能化相关的无形资产、固定资产投资衡量“做了多少”，在行业—年度层面分别标准化后取二者之差，构建企业AI漂洗程度指标，从而为数字化转型、信息披露、企业伦理与监管政策等领域的实证研究提供可直接使用的面板数据。

参考文献及说明

袁春生, 郭振雄. 绩效期望落差与企业AI漂洗——基于管理者归因视角[J]. 华东经济管理, 2026, 40(4).

袁春生和郭振雄（2026）提出并系统讨论了企业AI漂洗的概念内涵与识别思路，强调应通过比较企业AI信息披露与实际投入的一致性程度来测度漂洗程度；

姚加权, 张锟澎, 郭李鹏, 等. 人工智能如何提升企业生产效率？——基于劳动力技能结构调整的视角[J]. 管理世界, 2024, 40(2).

姚加权等（2024）运用机器学习方法生成人工智能词典并对上市公司年报文本作词频分析，为本数据的AI关键词体系提供了直接依据；

张远, 李焕杰. 企业智能化转型对内部劳动力结构转换的影响研究[J]. 中国人力资源开发, 2022, 39(1).

张远和李焕杰（2022）从“智能化投资”与“智能技术应用”两个维度构建企业智能化转型指标，为本数据从财务报表附注中识别智能化相关固定资产投资与无形资产投资提供了口径参考。

数据来源

上市公司年报，全文与管理层讨论与分析（MD&A）文本（用于统计AI关键词词频）、财务报表附注中的固定资产明细表与无形资产明细表（用于识别智能化相关投资）、资产负债表（资产总计）、公司基本情况表（退市日期等）、行业代码表（证监会行业分类）。

测算方法

测算的基本逻辑是：企业AI漂洗程度等于其“AI信息披露强度”相对同行业同年度平均水平的偏离，减去其“AI真实投入”相对同行业同年度平均水平的偏离。

前者越高、后者越低，漂洗程度越大。为避免量纲差异，两项指标均先在行业—年度层面作Z分数标准化，再作差。

智能软件投资

以无形资产明细表中与智能化相关的科目金额衡量。保留报表类型为年报（Q4）的记录，若“科目名称”包含智能、软件、系统、信息平台、数据、大数据、云计算、云平台、区块链、物联网、机器学习、人工智能、机器人、ERP、OA、信息化、数字化、数字经济、工业互联网、移动互联网、电子商务、智能工厂、智能物流、智能仓储、智能设备、智能终端、自动控制、集成系统等约一百个关键词中的任意一个，则记该科目为智能化相关科目，并以“期末余额元”作为其投资金额；按股票代码与年度加总，得到企业—年度的智能软件投资金额。计算公式为：智能软件投资金额(i,t)=Σ期末余额元(i,t,k)×I(科目名称k含AI相关关键词)。

智能硬件投资

以固定资产明细表中与智能化相关的资产净值衡量。同样保留报表类型为年报（Q4）的记录，若“固定资产名称”包含电子设备、计算机、数据设备、系统、电脑、机房、电子、服务器等关键词，则以“净值期末数元”作为其投资金额；按股票代码与年度加总，得到企业—年度的智能硬件投资金额。计算公式为：智能硬件投资金额(i,t)=Σ净值期末数元(i,t,k)×I(固定资产名称k含AI相关关键词)。

AI真实投入与AI信息披露强度

AI真实投入为上述两项之和：AI_Inv(i,t)=智能软件投资金额(i,t)+智能硬件投资金额(i,t)。AI信息披露强度以企业文本中的AI关键词词频衡量：AI_disc_AR为企业年度报告全文中76个AI关键词的词频合计，AI_disc_MDA为管理层讨论与分析中的同一词频合计。词频统计采用jieba分词，并以关键词表构建自定义词典，以保证“计算机视觉”“知识图谱”“机器人流程自动化”等多字词不被切分。

行业—年度标准化

行业分类取证监会行业代码的首字母；制造业（C类）企业进一步取前两位代码，以区分细分制造业。对AI_disc_AR、AI_disc_MDA与AI_Inv分别在“年度×行业”单元内计算均值与标准差，并作Z分数标准化：std_X(i,t)=[X(i,t)−μ(行业,年度)]/σ(行业,年度)。若某行业—年度单元的标准差为0（单元内样本过少或取值完全相同），则该单元的标准化值记为0，以避免缺失。

AI漂洗程度指标

基准指标：AI_Washing(i,t)=std_AI_disc_AR(i,t)−std_AI_inv(i,t)。虚拟变量：AI_Washing1(i,t)=1，若AI_Washing(i,t)>0；否则为0。稳健性指标：AI_Washing2(i,t)=std_AI_disc_MDA(i,t)−std_AI_inv(i,t)，以MD&A词频替换年报词频，检验结论对披露文本口径的敏感性。

附件1：原始数据

原始数据共10个文件，涵盖文本词频、财务附注、财务总表、公司属性与行业分类五类信息：

文件名	内容说明	观测值	变量数
公司基本情况.dta	公司基本信息、行业分类与退市日期	5,848	22
资产负债表.dta	上市公司资产负债表，含资产总计等科目	78,582	154
行业代码.dta	上市公司行业分类代码与名称	92,076	7
智能硬件投资金额.dta	智能化相关固定资产净值按公司—年度汇总	94,635	3
智能软件投资金额.dta	智能化相关无形资产余额按公司—年度汇总	95,089	3
年报人工智能词频结果.dta	年报全文76个AI关键词词频及总计	71,919	85
MDA人工智能词频结果.dta	管理层讨论与分析AI关键词词频及总计	71,166	80
关键词.xlsx	AI关键词表（76个关键词）	75	1
固定资产明细.xlsx	财务报表附注固定资产明细（Q4年报）	939,971	29
无形资产明细.xlsx	财务报表附注无形资产明细（Q4年报）	746,864	26

附件2：测算代码

测算代码包括一个Stata do文件与两个Python脚本。

过程代码.do为Stata do file，是主测算程序，依次完成：导入固定资产明细与无形资产明细并按关键词生成投资金额、按公司—年度汇总、读取资产负债表并与各中间文件合并、生成行业分类、按行业—年度标准化、构造三个AI漂洗指标、限定样本年份、剔除金融与ST/PT及退市样本、按年度缩尾、导出dta与xlsx结果。

Python代码-处理年报词频.py与Python代码-处理MD&A词频.py为文本词频统计程序，加载关键词词典构建jieba自定义词典，遍历年度文本目录，统计各关键词词频与总计，并输出逐年的词频结果表；年报与MD&A分别运行一遍即可得到两套词频数据。需说明的是，do文件中引用的原始文件路径为数据提供方的本地路径，复现时需按自身存放位置调整工作路径；Python脚本中的年报与MD&A文本目录、停用词表及字体路径同样需按本地环境修改。

附件3：测算结果

测算结果包含10个变量：股票代码、年度、证券代码、证券简称、行业代码、行业名称、上市日期，以及三个AI漂洗指标。各变量的含义、单位与类型如下表所示。

变量名	变量含义	单位	类型
stkcd	股票代码（数值型）	—	数值
year	会计年度	年	数值
证券代码	股票代码（六位字符型，保留前导零）	—	字符
证券简称	股票简称	—	字符
行业代码	证监会行业分类代码（制造业细分至两位）	—	字符
行业名称	证监会行业名称	—	字符
上市日期	公司上市日期	—	日期
AI_Washing	企业AI漂洗程度（基准指标）	—	数值
AI_Washing1	企业AI漂洗虚拟变量（>0取1）	—	0/1
AI_Washing2	企业AI漂洗程度（MD&A稳健性指标）	—	数值

未剔除版本71162条观测、5813家公司；剔除金融与ST/PT退市样本后为63209条观测、5403家公司

指标	观测数	均值	标准差	最小值	中位数	最大值
AI_Washing	63,193	−0.015	0.996	−6.164	−0.029	5.702
AI_Washing1	63,209	0.456	0.498	0.000	0.000	1.000
AI_Washing2	63,193	−0.015	1.007	−6.164	−0.041	5.169

附件4：数据合集

包括附件1-3