前不久给大家分享了专利数据和税调数据：
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
2007～2020 年税调数据与工商注册数据匹配结果：https://rstata.duanshu.com/#/course/339d61648ae94aac8f1863474da2199e
今天再给大家分享一份税调企业与专利数据的匹配结果。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 2007～2020 年。数据格式方面，我提供的是供 Stata 读取的 dta 格式。以 2020 年为例，共包含 134 万条观测值，数据概览如下：
为了方便大家使用，我还统计了历年税调企业专利申请与授权数量：
统计数量的时候注意去除重复专利，详情可以阅读专利的介绍（文初的链接）。
匹配结果
为了让大家更直观地感受这份数据，我还绘制了一幅图进行展示。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：
匹配方法
结合税收调查数据与专利数据的变量，我首先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，然后再使用统一信用代码匹配（新版本的专利数据里面有这个变量，然后税调+工商注册信息里面也有这个变量）。
具体匹配方法分为四步：
- 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
R 语言中的中文模糊匹配——以工企数据和境外投资名录数据匹配为例：https://rstata.duanshu.com/#/brief/course/2a44e6b5be8740a895e1daad087e2a63
使用处理后的企业名称和申请人匹配。
使用统一社会信用代码匹配。这里其实也涉及到上述的拆分。
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 年税调数据与专利数据匹配结果（版本3）. 2025. https://tidyfriday.cn/rsdb2/
英文文献可以使用下面的格式引用：
RStata Data Center: Matching Results of Tax Survey Data and Patent Data, 2007–2020 (Version 3). 2025. https://tidyfriday.cn/rsdb2/
点击这里跳转到 RStata 短书平台获取附件：2007～2020 年税调数据与专利数据匹配结果（版本3）
评论