企业官网建设流程全解析

做这个“漂AI指数”的起因特别简单：我在整理上市公司年报文本时发现，从2010年到2024年，“人工智能”这个词在定期报告里的出现频率几乎成倍往上蹿，但很多公司的研发人员数量、研发费用投入、AI相关收入却纹丝不动，有的甚至还在往下走。一边是词频暴涨，一边是投入不涨，中间这条落差带就是典型的“漂AI”。

所谓漂AI，是我从ESG领域“漂绿”概念借来的说法，指的是企业在信息披露里大量使用AI相关词汇、描绘AI战略，但实际业务、资源配置和专利成果并没有跟上。说得直白一点：话说了很多，事没做多少。这种“言行不一”在文本数据里其实藏不住——只要把年报中的AI词频和财务底色放在一起对照，偏差立刻就显形。

这篇文章会把整个项目从0到1拆开讲：2281家上市公司样本是怎么筛出来的、2010到2024的时间窗为什么这样选、AI关键词词典怎么搭、漂AI指数的计算公式怎么定、以及我在清洗年报PDF和跑数时踩过的各种坑。无论你是做量化研究、信息披露分析，还是单纯对“哪些公司在认真搞AI、哪些公司只是嘴上说说”这件事感兴趣，这篇都能给你一套可直接落地的操作框架。

1. 项目整体设计：为什么盯上“言行不一”

1.1 从漂绿到漂AI，本质都是预期管理

“漂绿”这个词大家应该不陌生，讲的是企业把环保标签往自己身上贴，实际减排动作却寥寥无几。AI领域这几年出现了完全一样的现象：市场给AI故事很高的估值溢价，企业就有动力在年报、公告、投资者关系活动记录里反复提及人工智能，让外部人觉得它已经站在风口上。

这种行为背后是典型的预期管理逻辑。文本披露成本极低，写一段“公司将积极拥抱大模型技术，赋能业务智能化转型”只需要一行字，但要在研发端、产品端、收入端真正落地成AI业务，需要真金白银和长时间的积累。当低成本宣传能带来高估值反馈时，文本内容就会先于业务内容膨胀。

漂AI指数想做的事情，就是把这层“预期管理的水分”挤出来。它不是去判断一家公司有没有AI业务，而是去度量它在信息披露中表现出来的AI热情，和它在资源配置、业务结果中体现出来的AI实绩，到底偏离了多远。

1.2 样本池与2010-2024时间窗的取舍

项目标题里的2281，不是随手抓来的数字，而是经过一串剔除后剩下的样本量。我在建池子时依次做了这么几个动作：

• 从公开披露数据的上市公司股票池起步，先剔除金融类公司。金融企业年报里“智能风控”“智能客服”属于常规业务描述，词频逻辑和非金融差异太大，混在一起会严重污染文本指标。
• 剔除上市不满三年的公司，这类公司刚上市时年报披露节奏和业务结构都不稳定，词频和财务数据的可比性差。
• 剔除关键财务字段连续缺失、年报PDF无法提取有效文本的样本。
• 最后得到2281家，并拉出2010到2024年共15年的披露数据。

时间窗从2010年开始，主要原因是再往前的年报电子化质量参差不齐，大量扫描版PDF根本无法稳定抽取文本；而且2010年之前“人工智能”在企业年报里出现次数太少，词频分布几乎全是零，做出来的指数没有区分度。2010年开始覆盖了深度学习兴起、产业落地、再到生成式大模型爆发这几轮完整周期，既能看出整体词频膨胀趋势，也能观察不同类型公司的漂AI行为如何随时间变化。

1.3 指标整体框架：文本热度对财务底色的偏离

漂AI指数从框架上可以简化成一句话：把“说出来的AI”和“做出来的AI”分别量化，再求差值。

“说出来的AI”我用三个文本维度度量：AI关键词在年报中的出现强度、AI相关表述的具体程度、以及AI词频随时间的增长速度。“做出来的AI”则看三个财务维度：研发费用投入强度、研发人员占比、以及年报中披露的AI相关业务收入或相关项目进展。

这六个维度缺一不可。只看词频，会误伤那些真正在做AI、因而不得不大量提及技术的公司；只看研发投入，又无法识别那些钱花了但业务定位模糊的样本。把它们放在一起做偏离度计算，才能识别出“文本过分领先于业务”的公司，也就是漂AI指数最高的那一批。

2. 数据准备与关键词词典：指数质量70%取决于清洗

2.1 年报PDF解析与章节切片

做文本类指标的人最容易犯一个错误：把整份年报全文拿去跑词频。年报里面有大量重复的法律提示、财务附注、审计报告模板，这些内容会把AI词频稀释得很厉害，导致真正有信号价值的管理层讨论与分析部分被淹没。

我当时的处理思路是先把年报PDF按章节切出来，只保留管理层讨论与分析、董事会报告这类经营分析章节。具体做法是先解析PDF目录，定位章节标题，再按页面范围截取文本。工具上我用的是pdfplumber配合PyMuPDF，前者对文本层PDF的解析稳定性好，后者处理页面坐标和目录结构更快。

这里有一个很关键的细节：年报PDF必须确保是带文本层的版本。很多投资者关系页面挂出来的年报其实是扫描图片，直接解析会得到一堆空白。遇到这种文件，我的做法是先记录文件路径，统一交给OCR流程处理，而不是硬解析导致后面词频全部偏低。

2.2 AI关键词词典的搭建与扩充

词典好坏直接决定指数可信度。我最初的词表只有十个词左右，后来发现完全不够用，问题在于不同年代AI相关表述差异非常大。2012年叫“人工智能”“模式识别”，2016年流行“深度学习”“神经网络”，2020年后又冒出“大模型”“AIGC”“生成式模型”。如果词表固定在某个时点，就会系统性低估后几年和新概念的关联强度。

处理办法是分层建词表：

• 核心词，如人工智能、AI、机器学习、深度学习、神经网络、自然语言处理、计算机视觉、语音识别、知识图谱。这些词贯穿整个窗口期，语义稳定。
• 场景词，如智能驾驶、智能机器人、智能客服、智能风控、智慧医疗、智能制造。这类词说明AI落到具体业务方向。
• 趋势词，如大模型、预训练、生成式模型、AIGC、多模态、智能体。这类词主要用来捕捉后期概念热度。

词表建好之后，我还会对每一个词做人工抽样复核，随机抽几十段包含该关键词的上下文，确认它在年报里确实指代AI技术，而不是某些公司名称或会议名称里的同名缩写。这一步看着笨，但能把误判率降下来一大截。

2.3 词频统计与归一化

词频统计不能只看绝对次数，因为年报篇幅差异很大。有的公司管理层讨论与分析写了七八万字，有的只写了两万字，同样出现20次AI词，信息密度完全不同。所以我把命中次数除以章节总字数，换算成“每百万字AI关键词出现次数”，再进入后续计算。

但这还不够，因为不同行业的AI词频基准差异极大。计算机、通信行业年报里出现AI词是正常现象，食品、纺织行业出现一次都算异常。因此我在归一化时会按“年度+行业”分组，把每家公司的词频密度转化为行业内部的百分位排名。这样做的好处是彻底消除了行业基准差异，让跨行业比较成为可能。

3. 漂AI指数构建：把“会说”和“会做”放上天平

3.1 六个核心维度的度量口径

漂AI指数的六个维度，每个都有明确的指标定义和数据来源。我整理了一张表，方便你对照落地：

这里最花时间的是“AI业务落地度”。它不是纯财务字段，需要我去年报文本里打标，看公司是否披露了可以验证的AI产品或项目。比如某公司写了“自研智能仓储调度系统，报告期内实现营收3000万元”，这就是落地证据；如果只写“公司高度重视人工智能技术发展”，则不给分。

3.2 偏离度打分公式与权重逻辑

六个维度算出来后，下一步是把“说的部分”和“做的部分”合成为一个漂AI分数。我用的公式是：

漂AI指数 = 50 + (0.5×词频强度百分位 + 0.3×文本具体度百分位 + 0.2×词频增速百分位) - (0.5×研发投入强度百分位 + 0.3×研发人员占比百分位 + 0.2×AI业务落地度百分位)

然后再对结果做一次0到100的截断，保证分数范围可控。公式里的权重不是拍脑袋定的，我做过多轮敏感性测试：把权重上下浮动十个百分点，观察排名前100的公司变化量，稳定性差的权重直接淘汰。

为什么用百分位而不是原始值？因为百分位天然解决了单位和量纲问题，研发费用率、人员占比、词频密度放在一起相加才有意义。再加上行业和年份分组，百分位本身已经剔除了行业属性差异。

还要提醒一句，百分位计算有个前置条件：只有当文本维度达到一定信号强度时，才把公司放进“有比较意义”的池子。如果一个行业里AI词频普遍接近零，某家公司偶尔提了一次AI，词频百分位会直接冲到99%，这肯定不是真实信号。我的处理是设定最低命中阈值：AI关键词命中次数低于5次的公司，文本维度不参与百分位计算，直接置零。

3.3 分数分级与行为画像

漂AI指数算出来后，我会把它切成四档，方便后续分析使用：

• 指数80分以上，定义为“重度过分包装”：AI词频极高，研发投入和落地证据都很弱，基本可以判断为典型漂AI。
• 指数60到80分，定义为“轻度包装”：提到AI的次数不少，但部分指标还能对上，处于灰色地带。
• 指数40到60分，定义为“言行基本一致”：词频和投入大体匹配，可能有真实布局。
• 指数40分以下，定义为“务实投入”：提到AI不多，但研发和落地证据充足，常见于真正闷头做技术的公司。

举个例子，某机械制造类公司连续三年在年报中大谈“智能制造”“AI质检”，词频排在行业前5%，但研发费用率连续三年低于行业30%分位，AI业务收入为零，它的漂AI指数很容易冲到85分以上。另一家消费电子企业，平时很少提AI，但研发费用率常年行业前10%，海外子公司涉及算法团队的业绩披露，漂AI指数就稳定在40分附近。

这个分级的意义在于，它不是给公司贴一个“假AI”的定性标签，而是提示关注：哪些公司存在文本与资源、结果之间的严重脱节，值得进一步深挖。

4. 实操过程与代码实现：从年报文本到可直接发布的指数

4.1 环境准备与依赖库

整套流程用Python实现，核心依赖是pdfplumber、pandas、numpy、re、jieba。其中jieba主要用于词表构建阶段的初筛和快速分词，真正做词频统计时，我建议直接用正则表达式做关键词匹配，而不是把全文分词后再匹配。

原因是中文分词对“大模型”“AIGC”这类词非常不稳定。“大模型”经常被切成“大”和“模型”，“AIGC”有时会被识别成未知词，分词后再统计会漏掉大量命中。直接用正则匹配固定词表，虽然看起来不如分词智能，但胜在稳定、可解释、可复核。

数据规模方面，2281家公司15年的年报数量接近三万份，单机跑一遍完整流程大约需要一天左右。如果只是做方法验证，可以先跑最近一年数据，把全流程走通再铺开。

4.2 关键代码片段：文本抽取、词频统计、指数合成

第一步，抽取年报文本。只提取管理层讨论与分析等核心章节。

import pdfplumber def extract_report_text(pdf_path, start_page, end_page): text = "" with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages[start_page-1:end_page]: page_text = page.extract_text() if page_text: text += page_text + "\n" return text

第二步，用正则匹配AI关键词，统计命中次数和章节总字数。

import re ai_keywords = [ "人工智能", "ai", "机器学习", "深度学习", "神经网络", "大模型", "预训练", "生成式模型", "aigc", "多模态", "自然语言处理", "计算机视觉", "语音识别", "知识图谱", "智能驾驶", "智能机器人", "智能客服", "智能制造" ] def count_ai_mentions(text): text = text.lower() total_chars = len(text) counts = {kw: len(re.findall(re.escape(kw.lower()), text)) for kw in ai_keywords} total_hits = sum(counts.values()) freq_per_million = total_hits / total_chars * 1000000 return total_hits, freq_per_million

第三步，读入财务数据后，用分组百分位计算漂AI指数。

import pandas as pd import numpy as np # df包含字段：code, year, industry, ai_freq, rd_intensity, rd_personnel, ai_revenue_score # 按年度+行业分组计算百分位 df["rank_ai_freq"] = df.groupby(["year", "industry"])["ai_freq"].rank(pct=True) df["rank_rd"] = df.groupby(["year", "industry"])["rd_intensity"].rank(pct=True) # 指标合成，并截断到0-100 df["drift_index"] = 50 + 100 * (0.5 * df["rank_ai_freq"] - 0.5 * df["rank_rd"]) df["drift_index"] = df["drift_index"].clip(0, 100)

上面只是最简化的形式，完整版本还要把文本具体度、词频增速、研发人员占比、落地度全部纳入。简版代码的意义是让你快速看到核心逻辑：一切都围绕“文本热度百分位－财务投入百分位”的差。

4.3 输出表结构与数据复查

跑完指数后，我建议导出一张长表，字段至少包含：脱敏证券代码、年份、行业、AI词频、每百万字词频、研发费用率、研发人员占比、落地度评分、漂AI指数、漂AI分档。导出CSV后不要急着拿去用，先做几项基础复查：

• 抽取10家指数最高的公司和10家指数最低的公司，人工回到原文核对。
• 检查是否有异常值，比如某家公司词频突然从0跳到行业第一，通常意味着年报口径变化，比如做了重大资产重组。
• 按年份看均值稳定性，如果某一年指数均值突然大幅抬升，需要确认是不是词表或PDF解析出了问题。

5. 常见问题与排查技巧实录：做文本指数最容易踩的坑

5.1 PDF解析断行乱码导致词频失真

这是文本类研究最普遍的坑。部分年报PDF虽然带文本层，但排版复杂，表格、页眉页脚、目录目录编号混在正文里，抽取出来的文本经常出现断行错位。比如“人工智\n能”被切在两行，正则就匹配不到。

我的排查方式是先随机抽五份年报，人工对比抽取文本和原文片段，确认文本连续性和完整度。出现断行时，最简单的修复是把所有换行符替换成空格或者直接拼接后再做匹配：

text = text.replace("\n", "").replace("\u3000", "")

但要注意，把所有换行删除会导致段落边界丢失，影响后续按段落计算“文本具体度”。所以更好的做法是保留换行，但在匹配前先做一次“去断行”处理，统计词频时用拼接后的版本，计算具体度时用保留段落的版本。

5.2 词表主观性太强，怎么降低偏差

不少人会质疑：你凭什么选这30个词而不是另外30个？这个质疑完全合理。词表决定成败，所以我做了三件事来对冲主观偏差：

• 词表按核心词、场景词、趋势词分层，每一层独立计算命中率，不混合汇总。
• 让不同的人分别独立扩充词表，然后取并集，避免个人偏好导致遗漏。
• 做敏感性分析：删掉最容易引发争议的“智能”类宽泛词，重新计算指数，看排名变化。

“智能”这个字眼是最危险的。它经常出现在“智能手机”“智能电网”“智能化管理”等场景里，和AI技术并不完全等价。如果直接把“智能”放入词表，很多传统制造企业的词频会虚高，漂AI指数失真。我最终的做法是只保留“智能驾驶”“智能机器人”“智能客服”等复合场景词，禁止单独统计“智能”。

5.3 研发投入口径在2018年前后不一致

这个坑不在文本，而在财务数据。2010到2024年，研发费用在财务报告中的披露要求变化很大。早期很多公司没有单列研发费用，要么缺失，要么混在管理费用里。如果直接把缺失值当0处理，会狠狠高估早期公司的漂AI程度。

我的处理是先做口径对齐：凡是研发费用数据缺失的年份，优先用管理费用附注中的研发支出替代；仍然找不到的，该年度研发投入强度置为缺失，不参与百分位计算，而不是填0。这个细节如果不注意，时间趋势完全没法看。

5.4 行业百分位在“高AI浓度”行业里的失真

计算机和通信行业的公司几乎家家都提AI，词频百分位在头部被压得很扁，第三名和第三十名可能只差几个词。这种情况下，百分位的微小波动会被指数放大。

解决办法有两个：一是在分组计算百分位之前，对词频做缩尾处理，把超过99%分位的极端值拉回99%分位；二是把“文本具体度”权重提高。一个行业如果人人都在说AI，那谁说得更具体，谁就更可能是真做，纯词频已经没有鉴别力了。

5.5 幸存者偏差与未来信息污染

这是我做数据时最警惕的一点。如果我只是用2024年的研发现状去评价一家公司2020年的漂AI程度，等于用未来信息评价过去行为，逻辑上是错的。

所以时间序列上的每个年度指数，都必须只用截至该年度已公开的信息来构建。某公司2023年营收暴增是因为AI业务爆发，但这不能成为降低它2020年漂AI分数的理由。一旦把未来信息混进去，整个面板数据就失去了因果解释力，变成一锅粥。

我把这些坑整理成一张速查表，方便你直接对照：

6. 指数落地与进一步延展

6.1 从静态指数到动态追踪

漂AI指数如果是逐年单独算，能看到静态的“谁在漂”，但抓不到“谁开始漂”。我在项目后半段又加了一个追踪维度：把连续三年都拥有稳定低指数的公司看作对照组，观察每年新进入高分组的新面孔，重点关注它们的词频增速与研发投入增速之间的“剪刀差”。

这个动态版本比静态指数更有意思。某公司第一年研发投入大幅增长，第二年AI词频同步上升，第三年落地收入出现，这是正常的技术布局节奏。反过来，第一年公司业务毫无AI动静，第二年年报里突然密集出现大量AI词汇，同时研发费用率还在下滑，这就是非常典型的“临时蹭热点”信号。

做动态追踪时，时间窗的设定很关键。我推荐用滚动三年窗口：当年为t年，取t-2到t年的词频和投入数据，要求公司必须在这个窗口内持续存在，避免新上市公司因基数低而造成增速虚高。

6.2 指数使用中的边界与几个提醒

指数做完以后，我最想提醒的一点是：漂AI指数衡量的是“披露与投入的偏离程度”，不是“AI含量多少”，更不是投资建议。高分只能说明一家公司说的和做的不匹配，不能直接推导出它在撒谎，也可能是阶段性战略未披露、业务落地周期较长。

在我实际动手分析后，还发现三个有价值的扩展方向。一是把指数和后续几个报告期的营收结构变化对照，观察高漂AI公司的业务承诺是否能兑现，这比单纯看词频更有说服力。二是把文本具体度单独拎出来做指标，看哪些公司愿意在年报里提及具体AI产品名、金额、客户案例，这部分文本质量往往比词频更能预判业务真实性。三是人工复核流程，我每次跑完新一年数据，都会随机抽二三十家公司回到年报原文逐段比对，确保自动化打分没有把真正埋头做技术的公司误伤。

这个过程很耗时，但没有这步，前面所有自动化处理都缺少信任基础。文本指数这种东西，机器算出来之后，终究要回到原文去感受它的温度。