上市公司裁判文书全量数据
1. 时间范围与样本规模
本数据覆盖 1989—2025年，共37个年度，按裁判文书年度整理。当前数据包含 10,167,819条匹配文书记录、18,516,233条文书与公司主体匹配关系，以及 240,512条公司主体名称词典记录。

这里的文书是指在本地裁判文书源文件中，依据上市公司及其关联主体名称识别并写入的数据，不等同于裁判文书网的全部案件。主体匹配关系数大于文书记录数，是因为一份文书可能匹配到多个上市公司或关联主体，也可能有多条匹配关系。
2. 数据来源与识别方法
数据来自本地保存的裁判文书网年度源文件。上市公司及子公司名称用于建立主体词典，并与文书标题、当事人信息和正文进行匹配。词典记录包括证券代码、上市公司名称、被匹配主体名称、主体类型及名称来源等信息。

匹配到公司名称表示该名称出现在文书相应字段中，并不自动说明该公司是原告、被告或第三人。特别是当命中位置为正文时，公司也可能仅出现在案件背景、交易关系或其他叙述中。研究涉诉身份或劳资冲突时，仍需进一步结合文书内容识别当事人角色和案件性质。
3. 数据表结构与主要字段
数据由文书表、主体匹配关系表和主体名称词典构成。
- 文书表 cases_YYYY.csv.gz：每条记录对应一份匹配文书，包含 doc_id、`title`、`court`、`case_type`、`case_no`、`procedure`、`cause`、`judgment_date`、`publish_date`、`parties` 和 content 等字段。`content` 保存裁判文书正文；`judgment_year`、`judgment_month`为按裁判日期整理的年月字段；`match_in_title`和`match_in_parties`标记标题或当事人字段中的匹配情况。
- 主体匹配关系表 case_entity_matches_YYYY.csv.gz：每条记录对应一份文书与一个匹配主体之间的关系，包含 doc_id、`stock_code`、`listed_name`、`matched_entity`、`entity_type`、`match_field`和`match_method`等字段。`entity_type`用于区分上市公司主体和子公司等关联主体，`match_field`记录命中位置，`match_method`记录匹配方式。
- 主体名称词典 entity_universe.csv.gz：保存参与识别的公司主体名称及其证券代码、主体类型和来源信息。
文书表与主体匹配关系表通过 doc_id 连接。若需检索匹配记录对应的完整裁判文书，可用 doc_id 回到文书表读取 content。一份文书可能对应多条主体匹配记录，因此按文书计数时，应在目标公司和年度范围内对 doc_id 去重。
4.年度分布
年度匹配文书数在2020年达到最高，为2,301,362条，其次为2021年的1,734,413条。1989—2000年原始源文件记录量较少，匹配文书也很少。年度数量同时受源数据覆盖、公开文书情况和名称匹配结果影响，不能直接解释为企业实际诉讼或劳资冲突发生率。
5. 压缩文件含义与使用口径
.csv.gz表示CSV文本经过Gzip压缩，解压后仍是CSV表格；它不是ZIP压缩包，也不会改变表的字段和内容。年度文件名中的`YYYY`表示文书年度。原始源文件格式随年份而异，处理后的核心数据统一保存为年度`.csv.gz`文件。

文书表包含正文全文，是数据体量最大的部分；主体匹配关系表只保存匹配信息，不重复存放全文；主体词典则提供公司和关联主体的名称识别范围。当前压缩文件占用空间约 14.28 GB，其中文书表约13.96 GB，主体匹配关系表约318.36 MB，主体词典约2.82 MB。以上为压缩后的磁盘占用，不是解压后大小。

Python 的 Pandas 可直接读取`.csv.gz`；文书表较大时建议分块读取。若使用不支持Gzip直读的软件，可按需解压单个年度文件再导入。构造企业—年度指标时，建议保留证券代码、主体类型、命中位置和`doc_id`，明确是否纳入子公司案件，并对文书去重。没有匹配记录不能据此认定企业没有诉讼；匹配到公司名称也不能单独证明该公司是案件当事人。