旧版本｜2007～2016 年税调数据与专利数据匹配结果

前不久给大家分享了一份全国税收调查数据：

之前也给大家分享过专利全库的数据：

最近有小伙伴想把这两份数据匹配起来，由于两份数据都非常巨大（20GB 和 100GB），所以我就直接帮大家匹配好了。

因为数据较大，所以我特意将税收调查数据与专利数据匹配结果分拆成分年版本，时间范围为 2007～2016 年。数据格式方面，我提供的是供 Stata 读取的 dta 格式。以 2016 年为例，数据概览如下：

匹配结果

为了让大家更直观地感受这份数据，我还绘制了两幅图进行展示。下图展示了税收调查与专利数据匹配结果中各年总匹配专利的数量，以及各年各种类型的专利数量：

下图展示了 2016 年税调企业中专利申请人地址分布：

结合税收调查数据与专利数据的变量，我们使用税调数据中的企业名称与专利数据中的申请人进行匹配。具体匹配方法分为三步：

专利数据中有个申请人变量，每个专利可能有多个申请人，申请人之间使用冒号分隔。因此需要首先处理申请人变量，处理思路如下：
其次，对税调数据库里的企业名称和专利数据里的申请人变量进行处理，主要是改正错字和去除对匹配没有帮助的词汇（例如“有限公司”、“有限责任公司”）。为便于两个数据集的连接，我在税调数据中生成了sdid 变量以在匹配过程中识别每个观测值。在之前的课程「Stata 中的中文模糊匹配——以 2014 年工企数据和境外投资名录数据匹配为例」中，我分享过使用 Stata 进行模糊匹配的方法，不过模糊匹配耗时耗力，并且错误率很高。不同于英文，中文企业名称只要有一个字不同都可能不是同一家企业（英文企业名称有一两个字母不同可能是因为笔误）。所以中文企业名称的模糊匹配没有意义。因此这里我还是使用了精确匹配，考虑到企业名称中经常会把“有限公司”和“有限责任公司”混用，以及有限公司改股份有限公司之类的。所以这里在匹配前删除了下面词汇：股份有限、集团有限、有限责任、有限、责任、股份、公司、厂、、(集团)、（集团）、（、）、(、)、省、市、区、县、回族自治区、壮族自治区、维吾尔自治区、自治区。这样可以大大提高匹配成功率。

Stata 中的中文模糊匹配——以 2014 年工企数据和境外投资名录数据匹配为例：https://rstata.duanshu.com/#/brief/course/d4fb816566244662ab6359fa848f1f1e

点击这里跳转到 RStata 短书平台获取附件：旧版本｜2007～2016 年税调数据与专利数据匹配结果