2007～2020 年税调企业专利创新突破度 CD 指数计算结果

《Nature》论文「Papers and patents are becoming less disruptive over time」中使用了专利创新突破度（CD 指数）数据：

CD 指数的计算思路如下：对于专利 i，首先找出其后向引用（即专利 i 引用了哪些更早期的专利），然后考察后续专利 j（申请日期晚于专利 i）的引用行为：

若专利 j 既引用了专利 i，又引用了专利 i 的后向引用专利，说明专利 j 沿用了专利 i 的既有知识脉络，此时专利 i 的该项引用 CD 值为 -1；
若专利 j 只引用专利 i 但未引用其后向引用专利，说明专利 i 具有知识突破性，CD 值为 1；
若专利 j 没有引用专利 i 但引用其后向引用专利，CD 值为 0。

将所有后续专利对专利 i 的引用 CD 值取平均，即得到专利 i 的 CD 指数。

关于 CD 指数的计算方法，之前也讲解过：

名师讲堂｜使用 R 语言测算专利的创新突破度：CD 指数：https://rstata.duanshu.com/#/course/3b00a43418ee43f194df7fa664ef0c7d

名师讲堂｜使用 Stata 测算专利的创新突破度：CD指数：https://rstata.duanshu.com/#/course/ca92eb2b71854c1b8a6cd74c66bd6c5e

今天给大家分享一份 2007～2020 年税调企业专利创新突破度 CD 指数计算结果。该数据基于全国税收调查企业（税调企业）与专利数据的匹配结果，利用全部专利的引用与被引用信息，采用 R 语言并行计算得到。

数据概览

经过计算后得到了如下两个文件：

2007～2020年税调企业专利创新突破度CD指数计算结果.dta
2007～2020年税调企业专利创新突破度CD指数计算结果（分公司年份平均）.dta

其中包含以下变量：

sdid：公司税局 ID
年份：年份（2007～2020 年）
newipzlid：专利 ID（发明专利编号）
cd_index：CD 指数（取值范围为 -1 到 1，值越大表示专利创新突破性越强）

数据预览如下：

图表展示

下图展示了 2007～2020 年企业 CD 指数年度均值变化趋势：

下图展示了企业 CD 指数分布直方图：

下图展示了 2007～2020 年企业 CD 指数分年度箱线图：

下图展示了 2007～2020 年各年度企业样本数量：

下图展示了 2007～2020 年 CD 指数正负分布年度对比：

下图展示了 2007～2020 年 CD 指数正负占比年度趋势：

下图展示了 2007～2020 年企业 CD 指数分位数年度趋势（P10、P25、P50、P75、P90）：

下图展示了 2007～2020 年 CD 指数均值与标准差年度趋势：

下图展示了分公司年份平均 CD 指数分布直方图：

下图展示了 2007～2020 年分公司年份平均 CD 指数箱线图：

处理代码

附件中也提供了该数据的处理代码供参考。代码的主要处理流程如下：

首先是读取税调企业专利匹配数据，与具有引用与被引用信息的专利进行链接，确保专利编号能够对应到全部专利的引用关系网络中：

# 税调专利数据
readr::read_csv("/Volumes/ADT/常用大数据/税调与专利数据匹配结果分年.csv") -> df1
df1 %>%
  left_join(unique_newipzlid %>% mutate(value = 1)) -> df1b

# 由于专利数据里面包含重复的，所以我们要进行去重
df1b %>%
  mutate(公开公告号 = str_remove(公开公告号, "[A-Z]$")) %>%
  mutate(value = if_else(is.na(value), 0, value)) %>%
  # 根据公开公告号去重
  group_by(sdid, 年份, 公开公告号) %>%
  filter(value == max(value, na.rm = T)) %>%
  ungroup() %>%
  distinct(sdid, 年份, 公开公告号, .keep_all = T) %>%
  select(-公开公告号) %>%
  # 再根据申请号去重
  group_by(sdid, 年份, 申请号) %>%
  filter(value == max(value, na.rm = T)) %>%
  ungroup() %>%
  distinct(sdid, 年份, 申请号, .keep_all = T) %>%
  select(-申请号, -value) %>%
  select(sdid, newipzlid, 年份) -> patent_info

然后使用 R 语言并行计算（10 个核心）每个专利的 CD 指数。核心计算逻辑是：对于每个专利 i，找出其所有后向引用，然后筛选出申请日期晚于专利 i 的后续专利 j，分别统计同时引用专利 i 及其后向引用的情况、只引用专利 i 的情况、以及只引用后向引用的情况，据此计算 CD 指数：

library(parallel)
makeCluster(10) -> cl
clusterEvalQ(cl, ({
  library(tidyverse)
  read_rds("~/Documents/数据2025/计算上市公司专利CD指数/patent_citations2.rds") -> patent_citations2
}))

parLapply(cl, testmat$newipzlid, function(x){
  # 准备 i 的后向引用
  patent_citations2 %>%
    filter(newipzlid == x) -> testpat

  testpat %>%
    select(newipzlid2) %>%
    pull(newipzlid2) -> backrefs

  # j 申请日期晚于 i
  patent_citations2 %>%
    filter(date >= testpat$date[1]) -> part0

  # 引用 i 的
  part0 %>%
    filter(newipzlid2 == x) %>%
    select(newipzlid) %>%
    distinct(newipzlid) -> part1

  # 引用 i 后向引用的
  part0 %>%
    filter(newipzlid2 %in% backrefs) %>%
    select(newipzlid) %>%
    distinct(newipzlid) -> part2

  # 三种情况：既引用 i 又引用后向引用 -> -1；只引用 i -> 1；只引用后向引用 -> 0
  suppressMessages({
    part1 %>%
      inner_join(part2) %>%
      mutate(cd = -1) -> parta
    part1 %>%
      anti_join(part2) %>%
      mutate(cd = 1) -> partb
    part2 %>%
      anti_join(part1) %>%
      mutate(cd = 0) -> partc
  })

  tibble(
    newipzlid = x,
    cd_index = mean(c(parta$cd, partb$cd, partc$cd), na.rm = T)
  ) %>%
    write_csv(paste0("res1/", Sys.getpid(), ".csv"), append = T, quote = "needed")
})

最后将计算结果与税调企业专利信息匹配，没有后向引用的专利（即 CD 指数默认为 1）也一并合并，缺失值设为 0，并额外生成一个分公司年份平均的数据集：

# 和上述计算结果链接
patent_info %>%
  left_join(
    bind_rows(df0, nobackrefs)
  ) -> dfres

dfres %>%
  mutate(cd_index = if_else(is.na(cd_index), 0, cd_index)) -> dfres

dfres %>%
  arrange(sdid, newipzlid) %>%
  select(sdid, 年份, newipzlid, cd_index) -> dfres

dfres %>%
  haven::write_dta("2007～2020年税调企业专利创新突破度 CD 指数计算结果.dta",
                   label = "数据处理：微信公众号 RStata")

dfres %>%
  group_by(sdid, 年份) %>%
  summarise(cd_index = mean(cd_index, na.rm = T), .groups = "drop") %>%
  haven::write_dta("2007～2020年税调企业专利创新突破度 CD 指数计算结果（分公司年份平均）.dta",
                   label = "数据处理：微信公众号 RStata")

绘图代码使用 Stata 编写。

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: 2007～2020年税调企业专利创新突破度 CD 指数计算结果. 2026. https://tidyfriday.cn/rsdb2/

英文文献可以使用下面的格式引用：

RStata Data Center: Calculation Results of Patent Innovation Breakthrough Degree (CD Index) for Tax-Surveyed Enterprises, 2007–2020. 2026. https://tidyfriday.cn/rsdb2/

关联课程/数据推荐

名师讲堂｜使用 R 语言测算专利的创新突破度：CD 指数：https://rstata.duanshu.com/#/course/3b00a43418ee43f194df7fa664ef0c7d

名师讲堂｜使用 Stata 测算专利的创新突破度：CD指数：https://rstata.duanshu.com/#/course/ca92eb2b71854c1b8a6cd74c66bd6c5e

1985～2024 年全部专利引用与被引用详细信息：https://rstata.duanshu.com/#/course/225ad0b59a9945e1831d2e8b96ca1001

2007～2020 年税调渐进性创新与突破性创新相关指标计算结果：https://rstata.duanshu.com/#/course/a668fe30fc1f4b52bdb9ee570034c435

2007～2020 年税调数据与专利数据匹配结果（版本3）：https://rstata.duanshu.com/#/course/040a2ba951304f5b89f6c925320547f3

如果有相关数据需求，可以联系李老师付费定制。

点击这里跳转到 RStata 短书平台获取附件：2007～2020 年税调企业专利创新突破度 CD 指数计算结果

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