1985～2024 年各省市区县区域技术专业化CV指标面板数据

今天给大家分享一份 1985～2024 年各省市区县区域技术专业化 CV 指标面板数据。该数据的计算是参考附件中的论文：<技术流动对区域技术专业化的影响研究_林原.pdf>。

该数据是使用全部专利数据计算得到的：

1985～2024 年专利申请与授权数据（版本 3，含申请人所处的省市区县）: https://rstata.duanshu.com/#/brief/course/2397451274c546d3a36e156ffc865988

数据概览

为了方便大家使用，我把数据汇总成了省、地级市、区县三个层级的区域技术专业化CV指标面板数据，具体包括以下6个文件：

1985～2024年各省份区域技术专业化CV指标面板数据.dta
1985～2024年各地级市区域技术专业化CV指标面板数据.dta
1985～2024年各区县区域技术专业化CV指标面板数据.dta
1985～2024年各省份技术领域RTA汇总表.dta
1985～2024年各地级市技术领域RTA汇总表.dta
1985～2024年各区县技术领域RTA汇总表.dta

区域技术专业化CV指标（Coefficient of Variation） 是衡量区域技术专业化程度的重要指标。其核心思想是：一个地区在某些技术领域的专利越多，其技术结构就越专业化。CV指标通过计算各地区调整后RTA（Relative Technology Advantage）指数的变异系数来衡量技术专业化程度。CV值越大，表示该地区的技术专业化程度越高。

数据预览如下：

图表展示

下图展示了 2024年各省份区域技术专业化CV指数分布：

下图展示了 1985-2024年全国平均区域技术专业化CV指数变化趋势：

下图展示了 区域技术专业化CV指数分布：

处理代码

对该数据处理感兴趣的小伙伴可以学习平台上的这三个课程：

使用 Python 测算区域技术专业化: https://rstata.duanshu.com/#/course/e4ac5c33a05940f6bc7f82b4dfb5fa2c
使用 R 语言测算区域技术专业化: https://rstata.duanshu.com/#/course/da83ab96043246de9d81f53adc810892
使用 Stata 测算区域技术专业化: https://rstata.duanshu.com/#/course/a8cd17e6660147d9ad0bd4f36af1a5db

该数据的处理流程主要分为以下几个步骤：

第一步：构建IPC查找表

利用WIPO IPC与技术创新对照表，将专利的IPC代码映射到35个WIPO技术领域。

# 读取WIPO对照表
wipo <- read_csv("WIPO_IPC_and_Technology_Concordance_Table.csv",
  locale = locale(encoding = "UTF-8"))

# 构建IPC前缀查找表
build_ipc_lookup <- function(wipo_df) {
  lookup <- character(0)
  for (i in 1:nrow(wipo_df)) {
    ipc_codes <- wipo_df$IPC代码[i]
    patterns <- str_split(ipc_codes, ",\\s*")[[1]]
    for (p in patterns) {
      prefix <- pattern_to_prefix(trimws(p))
      if (prefix != "") {
        lookup[prefix] <- as.character(wipo_df$序号[i])
      }
    }
  }
  return(lookup)
}

第二步：计算RTA和Adj_RTA指数

RTA（Relative Technology Advantage）指数衡量某地区在某技术领域的相对优势：

# 计算RTA指数
tech_by_region <- tech_by_region %>%
  mutate(
    RTA = (专利数量 / tech_total) / (region_total / total_patents),
    Adj_RTA = (RTA - 1) / (RTA + 1) + 1
  )

第三步：计算CV指标

CV是调整后RTA的标准差与均值之比，反映地区技术结构的离散程度：

# 计算CV指标
cv_by_region <- tech_by_region %>%
  group_by_at(vars(all_of(group_vars))) %>%
  summarize(
    CV = sd(Adj_RTA, na.rm = TRUE) / mean(Adj_RTA, na.rm = TRUE),
    Mean_Adj_RTA = mean(Adj_RTA, na.rm = TRUE),
    Sd_Adj_RTA = sd(Adj_RTA, na.rm = TRUE),
    Total_Patents = sum(专利数量),
    Tech_Diversity = n(),
    .groups = "drop"
  )

附件中也提供了该数据的处理代码供参考：

数据引用格式

由于该数据包含较多 RStata 处理的内容，在研究中使用该数据请使用清晰的方式注明数据来源于 RStata 或者 RStata 数据中心，并使用如下格式引用：

RStata 数据中心: 1985～2024年各省市区县区域技术专业化CV指标面板数据. 2026. https://tidyfriday.cn/rsdb2/

英文文献可以使用下面的格式引用：

RStata Data Center: Panel Data on Regional Technological Specialization CV Indices across Provinces, Cities, and Districts/Counties, 1985–2024. 2026. https://tidyfriday.cn/rsdb2/

关联课程/数据推荐

使用 R 语言计算地区间技术互补指数：https://rstata.duanshu.com/#/course/f75e341e4f924e688de8015f29f85348

使用 Stata 计算地区间技术互补指数：https://rstata.duanshu.com/#/course/098e0e36b37246c1885c271668ee7cac

1985～2024 年各省份、城市间技术互补指数面板数据：https://rstata.duanshu.com/#/course/f1f122c0101941299920b425a36aece2

使用 R 语言测算上市公司专利技术集中度、搜索广度、搜索深度及知识整合能力：https://rstata.duanshu.com/#/course/8b7e6b4f7b6a47d8b1e8c8e6b4f7b6a47

1985～2024 年上市公司专利技术空间相似度、企业层面的知识宽度计算结果、新技术空间专利申请及IPC号新增数面板数据：https://rstata.duanshu.com/#/course/9b62be84b6e64703a19c018c4fafe053

点击这里跳转到 RStata 短书平台获取附件：1985～2024 年各省市区县区域技术专业化CV指标面板数据

数据概览

图表展示

处理代码

数据引用格式

关联课程/数据推荐

相关文章

评论