2001～2023 年上市公司供应商和客户技术专业化和技术多样化指标计算结果

1802 字 约 6 分钟 数据资料 区域经济上市公司

今天给大家分享一份 2001～2023 年上市公司供应商和客户技术专业化和技术多样化指标计算结果。

指标背景与文献来源

技术专业化（Technological Specialization, TSP）和技术多样化（Technological Diversification, TDI）是刻画企业技术布局的两个重要维度。

王慧扬等（2025）在《知识搜索与科技领军企业关键核心技术突破》（《科学学研究》2025）中系统使用了这两个指标来研究科技领军企业的关键核心技术突破。

  • 技术专业化（TSP）：衡量企业专利技术是否集中于少数技术类别。TSP 越高，说明企业的专利越集中在少数小类上，专业化程度越高。
  • 技术多样化（TDI）：衡量企业专利在技术大类上的分布广度。TDI 越高，说明企业的专利分布越分散，多样化程度越高。

这两个指标均基于企业专利的 IPC（国际专利分类） 分类号进行计算。

计算方法

技术专业化（TSP）—— 变异系数法

技术多样化（TDI）—— Shannon 熵指数法

数据来源与处理

本数据基于 2001～2023年上市公司供应商和客户与专利数据匹配结果 计算而成。

2001~2023 年上市公司供应商及客户专利申请与授权信息：https://rstata.duanshu.com/#/brief/course/8a2dad50eaf1460289799032a81914ac

该数据的详细计算方法在以下三个课程中均有讲解（Python、R 语言、Stata 三个版本）：

感兴趣的小伙伴可以结合讲义材料学习。附件中也提供了完整的计算代码。

数据概览

为了方便大家使用，我把数据汇总成了企业-年度面板数据，分别提供供应商和客户两个版本。

数据包含以下变量：

变量名 说明
gysid/khid 供应商或者客户的观测值编号
年份 专利申请年份
TSP 技术专业化指标
TDI 技术多样化指标
技术小类数量 企业当年申请专利的技术小类数量
技术大类数量 企业当年申请专利的技术大类数量
总专利数 企业当年申请专利总数

数据时间范围为2001～2023年。

供应商版本数据预览如下：

客户版本数据预览如下：

2001~2024 年上市公司前5大客户工商注册信息匹配结果（含经纬度及所处的省市区县）.dta 和 2001~2024年上市公司前5大供应商工商注册信息匹配结果（含经纬度及所处的省市区县）.dta 数据展示了每个 gysid 和 khid 对应的观测值。

图表展示

下图展示了2001～2023年供应商TSP与TDI年均趋势：

下图展示了供应商与客户TSP与TDI对比趋势：

下图展示了供应商TSP与TDI散点图：

处理代码

本数据的处理代码使用R语言编写，关键代码如下：

# ============================================================
# 计算上市公司供应商和客户技术专业化(TSP)与技术多样化(TDI)
# ============================================================
# 参考：王慧扬, 刘建华, 赵玉冰.《知识搜索与科技领军企业关键核心技术突破》
#       科学学研究, 2025
# 数据：2001～2023年上市公司供应商和客户与专利数据匹配结果.csv
# ============================================================

# 加载所需包
library(data.table)
library(dplyr)
library(stringr)

# 读取数据（分别处理供应商和客户）
df_supplier <- fread("2001～2023年上市公司供应商与专利数据匹配结果.csv", encoding = "UTF-8")
df_customer <- fread("2001～2023年上市公司客户与专利数据匹配结果.csv", encoding = "UTF-8")

# 数据去重函数
deduplicate_patents <- function(df) {
  df %>%
    mutate(公开公告号_clean = str_remove(公开公告号, "[A-Z]$")) %>%
    distinct(股票代码, 年份, 公开公告号_clean, .keep_all = TRUE) %>%
    distinct(股票代码, 年份, 申请号, .keep_all = TRUE) %>%
    mutate(
      IPC大类 = str_sub(IPC主分类, 1, 3),
      IPC小类 = str_sub(IPC主分类, 1, 4)
    ) %>%
    filter(!is.na(IPC大类) & !is.na(IPC小类))
}

df_supplier <- deduplicate_patents(df_supplier)
df_customer <- deduplicate_patents(df_customer)

# 计算技术专业化(TSP)和多样化(TDI)的函数
calculate_tsp_tdi <- function(df, id_var = "股票代码") {
  # 计算技术专业化(TSP)
  tech_small_class <- df %>%
    group_by(.data[[id_var]], 年份, IPC小类) %>%
    summarise(专利数 = n(), .groups = "drop")

  firm_total_patents <- df %>%
    group_by(.data[[id_var]], 年份) %>%
    summarise(总专利数 = n(), .groups = "drop")

  tech_small_ratio <- tech_small_class %>%
    inner_join(firm_total_patents, by = c(id_var, "年份")) %>%
    mutate(专利占比 = 专利数 / 总专利数)

  TSP <- tech_small_ratio %>%
    group_by(.data[[id_var]], 年份) %>%
    summarise(
      技术小类数量 = n(),
      TSP = case_when(
        技术小类数量 == 1 ~ 0,
        sd(专利占比) == 0 ~ 0,
        TRUE ~ sd(专利占比) / mean(专利占比)
      ),
      .groups = "drop"
    )

  # 计算技术多样化(TDI)
  tech_large_class <- df %>%
    group_by(.data[[id_var]], 年份, IPC大类) %>%
    summarise(专利数 = n(), .groups = "drop")

  tech_large_ratio <- tech_large_class %>%
    inner_join(firm_total_patents, by = c(id_var, "年份")) %>%
    mutate(专利占比 = 专利数 / 总专利数)

  TDI <- tech_large_ratio %>%
    group_by(.data[[id_var]], 年份) %>%
    summarise(
      技术大类数量 = n(),
      TDI = -sum(专利占比 * log(专利占比)),
      .groups = "drop"
    )

  # 合并结果
  result <- TSP %>%
    inner_join(TDI, by = c(id_var, "年份")) %>%
    inner_join(firm_total_patents, by = c(id_var, "年份")) %>%
    arrange(.data[[id_var]], 年份)

  return(result)
}

# 分别计算供应商和客户
result_supplier <- calculate_tsp_tdi(df_supplier)
result_customer <- calculate_tsp_tdi(df_customer)

# 保存结果
fwrite(result_supplier, "2001～2023年上市公司供应商和客户技术专业化和技术多样化指标计算结果_供应商.csv")
fwrite(result_customer, "2001～2023年上市公司供应商和客户技术专业化和技术多样化指标计算结果_客户.csv")

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: 2001～2023年上市公司供应商和客户技术专业化和技术多样化指标计算结果. 2026. https://tidyfriday.cn/rsdb2/

英文文献可以使用下面的格式引用：

RStata Data Center: Technology Specialization and Diversification Indices for Suppliers and Customers of Listed Companies, 2001–2023. 2026. https://tidyfriday.cn/rsdb2/

关联课程/数据推荐

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/f15816ee8d784128a8aa7cb58ca03979

使用 Stata 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/d539ade7949c45ca875d896e7840dcc3

使用 Python 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/0a302d0d99d144a39eb97004ebf54efb

2001~2023 年上市公司供应商及客户专利申请与授权信息：https://rstata.duanshu.com/#/brief/course/8a2dad50eaf1460289799032a81914ac

1985～2024年上市公司与专利数据匹配结果（版本3，含申请、授权信息）：https://rstata.duanshu.com/#/course/04100321f88b411f90429be934934bff

点击这里跳转到 RStata 短书平台获取附件：2001～2023 年上市公司供应商和客户技术专业化和技术多样化指标计算结果

相关文章

评论