本报告提出了一种基于规则的命名实体识别方法,用于识别法国下游空间领域的企业。该方法结合行业代码过滤、文本词汇筛选、上下文检测与正则表达式规则,成功从新闻语料库中检测出88家新的下游空间公司,显著丰富了行业数据库约33%。方法区别于纯统计模型,强调专家规则制定,提高了识别精度和效率,为新兴行业企业挖掘提供通用框架 。
研究背景与目标
数据来源与构建规则的总体框架
核心规则详解及关键词/行业代码选择
| APE代码 | 描述 |
|---|---|
| 26.30Z、30.30Z 等 | 通讯及航天设备制造相关 |
| 61.* | 电信活动 |
| 62.及63. | 软件、数据处理和科研相关 |
| 66.22Z | 保险经纪业务(如参数保险产品) |
| ... | 总计33种细分子类,覆盖广泛空间下游应用 |
| 法人类别代码 | 描述 |
|---|---|
| 3120 | 外国注册商业公司 |
| 5499,5460 | 有限责任公司(SARL) |
| 5599,5699 | 股份有限公司(SA) |
| 5710 | 简化股份公司(SAS) |
| 5800 | 欧洲公司 |
| 6599 | 民事公司 |
文章筛选与处理结果
规则性能评估与统计模型对比
方法实施时间与未来复现建议
研究局限与未来改进方向
附录部分:主要新闻来源统计及每篇文章中捕捉公司数量分布
报告标题为《基于规则的方法论用于公司识别:应用于下游航天领域》(A Rule-Based Methodology for Company Identification: Application to the Downstream Space Sector),由Kenza Bousedra与Pierre Pelletier撰写。该研究发布于2022年,聚焦于如何识别参与下游航天活动的公司,即利用航天数据和技术提供服务或产品的企业。报告核心论点在于提出并验证一种基于命名实体识别(Named Entity Recognition,NER)的文本挖掘规则方法,突破传统行业分类难以识别新兴下游企业的局限,通过对法国数字化新闻报刊文本进行处理检测出88家新增的下游航天公司,数据库规模提升约33%。该方法不仅适用于本地化市场,也为未来扩展到其他行业或地区的类似研究提供了框架和指导。
总结来看,本报告旨在创新空间经济统计与公司识别方式,通过文本数据挖掘辅助构建具有行业代表性的公司数据库,为监测和评估“新空间”动态产业格局提供技术手段。报告中未列出评级或目标价,主要侧重于方法论创新和实证验证。
报告首先介绍航天产业结构性转型“新空间”(New Space)背景,强调数字化经济推动航天商业潜力提升,带来新的市场机会和商业模式变革。空间经济传统被划分为上游与下游两个主要环节:
现有输入-输出矩阵等产业分类方法难以准确识别下游产业因其活动代码高度分散,导致产业规模测算存在盲区。本研究提出避开直接依赖行业代码,转而基于公司实际活跃度的文本识别方式,促进对下游细分市场及新入企业动态的把握。
核心方法基于规则的命名实体识别技术,利用法国新闻数字平台Factiva和Europresse采集文章,搭配法国国家统计局(INSEE)的Sirene登记公司数据库,以及内部已知下游航天企业库进行交叉比对。
方法流程四条主要规则:
此规则集结合全名匹配及上下文语义限制,使列表规模由原始690万家活跃法人单位缩减至1475家目标企业,极大提升了人工校验效率。
文本样本包括48,900篇文章(Factiva收录28,400,Europresse20,500),涵盖2000年至2022年间的新闻报道。查询语句设计既包含空间相关关键词又兼顾语言特性(法英双语关键词,最终限定为法语),使用布尔逻辑精准锁定下游航天相关文本,防止引入非相关地理信息产业文本,查询示例位于Box 3章节。
Sirene数据库子集通过筛选33个特定细分APE行业代码与6个法律状态代码有效定位下游航天相关领域,极大缩小候选公司规模。
该流程详见图4,体现了各阶段筛选效率与结果递减情况。
图1展示了数据源(INSEE/Sirene法人数据库、Factiva与Europresse新闻数据库、现有企业库)、识别策略及文本处理的四条规则流程,箭头直观表达数据流转顺序。包括:
该流程图清晰阐释了整套方法的多层次、分步骤处理思想,有效利用结构化与非结构化数据融合。
图2为2000-2022年期间通过查询获得的报刊文章数量趋势,年发表数量在2000-2500篇波动,2017年达到峰值约3100篇,2021年略有回落。
此时间分布展示了数据充足性和行业话题热度,支持方法的长期适用性和文本数据丰富性。
表1系统列出33个适用的法国产业分类子类代码,包括通信设备制造(26开头)、航空航天制造(30.30Z)、计算机及软件(62开头)、电信(61开头)、保险代理(66.22Z)等,精准对应下游航天相关业务。
此表体现了专业筛选维度,规避非相关行业噪音,明确规则1的实施依据。
表2列举6类企业法律形态代码,如有限责任公司(SARL)、股份有限公司(SA)、简化股份公司(SAS)等,排除非营利及个体。体现排除逻辑,减少非活跃及非合规主体干扰。
展示规则逐步筛选企业数量:原始690万->规则1后65万->规则2后3万->规则3后2.28万->规则4后1475,最终确认58家新增企业及30家共引企业。
数字递减显示规则有效减少审查工作量,同时保持重要候选;流程中融合了自动化筛查与专家判断。
图5描述已知企业库220家经新闻数据库覆盖与查询过滤后的遗失情况。31家未被新闻提及(曝光不足/年轻企业),61家未被查询关键词捕捉,其中30家因时间问题,12家查询关键词匹配误差。
揭示方法潜在局限及客户应对策略,点明提升QUERY覆盖率需求。
规则方法:处理后公司30,084降至22,862,已知公司126降至120;过滤率4%、76%,保留率98%、95%。
SpaCy统计模型:标注企业268,015,已知企业83。
结果显示,基于领域知识规则的识别比纯机器学习模型更适用于本场景的准确识别,体现了专家规则的重要性。
AFP两个分支合计超1万篇报道,是主要信息源,说明来源集中度高,可能影响样本多样性。可为后续研究扩充采样来源提供参考。
大多数文章识别出公司数量集中在10家附近,说明样本文本中多数报道涵盖有限企业实体,利于精准匹配和关联挖掘。
报告以方法论与实证聚焦为主,无直接公司财务数据评估或估值内容,故此部分无具体估值模型或目标价分析。其创新价值集中于精准识别下游航天公司以辅助经济规模测算和产业结构研究。
报告明确指出几类风险因素:
风险缓解依赖对查询词、行业选择和规则权衡不断调试,且建议定期更新规则以适应行业变革。
本报告针对下游航天细分领域公司识别问题,创新性地采用基于规则的命名实体识别方法,通过构建和应用包含行业代码筛选、文本大写词过滤、上下文关键词限制、正则表达式筛选的多层规则体系,有效缩减了初始庞大公司数据库的扫描规模,实现了高效匹配与识别。共计新增88家下游航天公司,较原先数据库规模提升33%,显示该方法在填补传统统计方法短板、发掘新兴领域企业方面有重要应用价值。
详细的图表(如图1、图4)揭示了流程设计的合理性和分步骤筛选效果,表1-4对方法构成元素如行业代码、法律状态等进行了清晰定义。规则效能对比(图6)表明定制规则优于通用统计识别模型,彰显专家知识对于特殊行业文本挖掘的辅助意义。
该方法既有自动执行成分,也不可避免地依赖专家的主观审阅,为未来结合机器学习技术提供了坚实基础。报告最后建议定期更新规则、调整查询关键词以适应产业结构变化,合理规划数据来源采样和自动化水平。
综上,该文献不仅为航天行业经济统计提供了崭新工具,也为产业动态监测、技术融合应用划分了开创性的研究视角和方法路径。其细致的章节结构、丰富的数据资源和严谨的验证手段,均体现了金融与产业数据分析领域的高质量研究标准。
(所有引用页均已注明对应页码)
2412.02342.pdf