2007～2020年上市公司碳排放数据（根据与税调数据匹配结果估算，分省份电网排放因子）

2766 字 约 8 分钟 数据资料 企业数据碳排放上市公司数据匹配

今天给大家分享一份 2007～2020 年上市公司碳排放数据（根据税调匹配结果估算，分省份电网排放因子）。该数据通过将上市公司及其全资子公司与全国税收调查数据（税调）进行企业名称匹配，获取其能源消费信息后，采用排放因子法估算碳排放量。与 RStata 数据中心此前发布的「全国统一电力因子（7.5 吨CO₂/万千瓦时）」版本不同，本版将电力碳排放因子替换为各企业所在省份的电网平均二氧化碳排放因子后重新计算（煤炭、石油、天然气系数不变）。

之前统一电力因子（7.5 吨CO₂/万千瓦时）的版本在这里：

2007～2020 年上市公司碳排放数据（根据税调匹配结果估算）：https://rstata.duanshu.com/#/brief/course/e2dab5ab8e6a404b9af1691a4621f5b4

该碳排放测算方法来自吴超鹏等（2025）发表于《中国工业经济》的论文《高管股权激励与企业碳排放：绿色发展背景下的企业激励机制研究》。论文原文中对碳排放测算方法的描述（第144页脚注②）如下：

本文的碳排放量指标参考现有文献（Lee et al., 2022; 周泽将等, 2022）的做法，根据全国税收调查数据中的企业用电量、煤炭、石油和天然气的消费量数据，利用排放系数法计算得到。

核心思路是：上市公司自身的能源消费数据通常不可直接获取，但通过将上市公司及其子公司与税调企业进行名称匹配，可以间接获得这些企业的能源消费数据，再利用各能源品种的碳排放系数计算出碳排放量。

排放系数

论文中使用的煤炭、石油、天然气碳排放系数与论文一致；电力排放因子改为按企业所在省份的电网平均值取值（本版相对原版的唯一方法学改动）：

能源品种 碳排放系数 消费量单位
电力 按企业所在省份电网平均二氧化碳排放因子（吨CO₂/万千瓦时）① 万千瓦时
煤炭 1.89 吨CO2/吨 吨
石油 3.02 吨CO2/吨 吨
天然气 21.68 吨CO2/万标立方米 万标立方米

① 电力排放因子取自生态环境部《2023 年电力二氧化碳排放因子》表3（省级），原始单位为 kgCO₂/kWh，换算为吨CO₂/万千瓦时 = kgCO₂/kWh × 10（例如北京 0.5554 → 5.554）。覆盖 30 个省级行政区（不含西藏、香港、澳门、台湾）；未匹配到地理位置或表3未覆盖的观测回退全国均值 7.5。

分省份电网排放因子说明（与全国统一因子版本的差异）

本数据集是 RStata 数据中心在原始「全国统一电力因子 7.5」版本基础上，将电力因子替换为各企业所在省份电网平均排放因子重新计算的版本。各企业所在省份的判定依据如下：

  • 上市公司：地理位置/2000～2025年上市公司…办公地址….dta 的 办公地址_省代码，按 (股票代码, 年份) 关联；当年缺失时回退为该上市公司其他年份的办公地址省份。

上市公司位置使用的是办公地址：

2000～2025 年上市公司注册地址与办公地址（含经纬度及其所处的省市区县）：https://rstata.duanshu.com/#/brief/course/70b8b22897f84d4c9b04c1bb21c3d088

上市公司子公司的位置数据在这里：

1999～2023 年上市公司子公司经纬度及其所处的省市区县数据：https://rstata.duanshu.com/#/brief/course/24376370188e4622b124f4a3199e395b

这里子公司的能源消耗数据已经合并到母公司里面了，所以省份仅使用母公司的。

重算后各数据集的覆盖情况与碳排放总量变化（对比全国统一 7.5 版本）如下：

数据集 观测值 使用省级因子 回退 7.5 碳排放总量变化
上市公司 2007–2020 51,095 95.97% 4.03% (2,058) −10.32%（3.0236e10 → 2.7115e10 吨）

上市公司中约 238 个股票代码完全不在办公地址文件中（占回退量的绝大多数），其当年观测回退 7.5；其余均通过当年或同公司其他年份的办公地址省份匹配。

数据处理流程

整个测算流程分为以下几个步骤：

  1. 读取税调企业能源消费数据（2007～2020 年各税调企业电力、煤炭、燃油、天然气消费量面板数据）
  2. 按 (股票代码, 年份) 关联上市公司办公地址省份，并以省级电网排放因子计算电力碳排放（其余能源按固定系数）
  3. 对税调企业层面的碳排放进行缩尾处理（1% 和 99% 分位数），总碳排放下限取 0
  4. 计算上市公司碳排放（母公司层面）：将税调与上市公司匹配结果合并，按上市公司-年份汇总
  5. 筛选持股比例为 100% 的全资子公司：总持股比例 = 直接持股 + 间接持股，仅保留等于 100% 的子公司
  6. 计算全资子公司碳排放：将全资子公司与税调匹配后汇总
  7. 合并母公司和子公司碳排放数据，生成最终面板数据

关于全资子公司的筛选，论文中特别指出仅保留持股比例为 100% 的全资子公司，这是为了确保对子公司碳排放的归因准确性。

数据概览

该数据为上市公司层面的碳排放面板数据（2007～2020 年），包含以下变量：

  • 股票代码：上市公司股票代码
  • 股票名称：上市公司股票名称
  • 年份：观测年份
  • total_carbon_emission_ton：总碳排放量：母公司+全资子公司（吨 CO2）
  • ln_carbon_emission：总碳排放量加 1 取自然对数
  • asinh_carbon_emission：总碳排放量的反双曲正弦变换
  • total_carbon_emission_ton_winsor：缩尾处理后的总碳排放量（吨 CO2）
  • ln_carbon_emission_winsor：缩尾后总碳排放量加 1 取自然对数
  • asinh_carbon_emission_winsor：缩尾后总碳排放量的反双曲正弦变换
  • parent_carbon_emission_ton：母公司层面碳排放量（吨 CO2）
  • carbon_emission_ton：税调匹配的母公司碳排放量（吨 CO2）
  • sub_carbon_emission_ton：全资子公司碳排放量（吨 CO2）
  • subsidiary_carbon_emission_ton：税调匹配的全资子公司碳排放量（吨 CO2）
  • 母公司各能源消费量（电力：万千瓦时；煤炭、石油：吨；天然气：万标立方米）
  • 全资子公司各能源消费量
  • n_matched_firms：母公司匹配到的税调企业数量
  • n_matched_subsidiaries：匹配到的全资子公司数量

数据预览如下：

图表展示

下图展示了各年平均碳排放量与样本量趋势：

下图展示了碳排放量对数分布的直方图：

下图展示了不同时期碳排放量的箱线图：

下图展示了母公司与子公司碳排放量的关系：

下图展示了各类能源消费量的堆叠面积图：

处理代码

下面展示使用 R 语言计算上市公司碳排放（分省份电网排放因子）的核心代码：

# 加载包
library(haven)
library(dplyr)
library(tidyr)
library(readxl)
library(labelled)

# 1. 读取省级电力排放因子（生态环境部 2023 年表3），kgCO2/kWh → 吨CO2/万千瓦时
prov_factor <- read_xlsx("表3_省级电力平均二氧化碳排放因子.xlsx") %>%
  mutate(电力因子 = `电力排放因子(kgCO2/kWh)` * 10)

# 2. 读取数据
energy_data <- read_dta("2007～2020年各税调企业电力、煤炭、燃油、天然气消费量面板数据.dta")
match_tax_listed <- read_dta("2007～2020年税调与上市公司匹配结果.dta")
match_tax_subsidiary <- read_dta("2007~2020年税调数据与上市公司子公司数据匹配结果.dta")

# 3. 上市公司：按 (股票代码, 年份) 关联办公地址_省代码（当年缺失回退同公司其他年份）
#    geo <- read_dta("地理位置/2000～2025年上市公司…办公地址….dta") %>% select(股票代码, 年份, 省代码)
#    将 省代码 关联到 energy_data 后 left_join(prov_factor, by = "省代码")
energy_data <- energy_data %>%
  left_join(prov_factor, by = "省代码")

# 4. 计算各能源碳排放：电力改用省级因子，缺失回退 7.5；总量下限取 0
carbon_emission <- energy_data %>%
  mutate(
    电力因子_实际 = if_else(is.na(电力因子), 7.5, 电力因子),
    electricity_co2 = `电力消费量_万千瓦时` * 电力因子_实际,
    coal_co2 = `煤炭消费量_吨` * 1.89,
    oil_co2  = `油消费量_吨` * 3.02,
    gas_co2  = `天然气_万标立方米` * 21.68,
    total_co2_ton = pmax(coal_co2 + oil_co2 + gas_co2 + electricity_co2, 0)
  )

# 5. 缩尾处理（1%和99%分位数）
carbon_emission <- carbon_emission %>%
  mutate(total_co2_ton_winsor = case_when(
    total_co2_ton < quantile(total_co2_ton, 0.01, na.rm = TRUE) ~ quantile(total_co2_ton, 0.01, na.rm = TRUE),
    total_co2_ton > quantile(total_co2_ton, 0.99, na.rm = TRUE) ~ quantile(total_co2_ton, 0.99, na.rm = TRUE),
    TRUE ~ total_co2_ton
  ))

# 6. 筛选100%持股的全资子公司
match_tax_subsidiary_full <- match_tax_subsidiary %>%
  mutate(总持股 = ifelse(is.na(直接持股), 0, 直接持股) + ifelse(is.na(间接持股), 0, 间接持股)) %>%
  filter(总持股 == 100)

# 7. 母公司碳排放汇总
listed_company_carbon <- match_tax_listed %>%
  left_join(carbon_emission, by = "sdid") %>%
  filter(!is.na(total_co2_ton)) %>%
  group_by(股票代码, 股票名称, 年份) %>%
  summarise(carbon_emission_ton = sum(total_co2_ton, na.rm = TRUE), .groups = "drop")

# 8. 全资子公司碳排放汇总
subsidiary_company_carbon <- match_tax_subsidiary_full %>%
  left_join(carbon_emission, by = "sdid") %>%
  filter(!is.na(total_co2_ton)) %>%
  group_by(证券代码, 年份) %>%
  summarise(subsidiary_carbon_emission_ton = sum(total_co2_ton, na.rm = TRUE), .groups = "drop")

# 9. 合并母公司和全资子公司碳排放
combined_carbon <- listed_company_carbon %>%
  full_join(subsidiary_company_carbon, by = c("股票代码" = "证券代码", "年份" = "年份")) %>%
  mutate(
    parent_carbon_emission_ton = ifelse(is.na(carbon_emission_ton), 0, carbon_emission_ton),
    sub_carbon_emission_ton = ifelse(is.na(subsidiary_carbon_emission_ton), 0, subsidiary_carbon_emission_ton),
    total_carbon_emission_ton = parent_carbon_emission_ton + sub_carbon_emission_ton,
    ln_carbon_emission = log(total_carbon_emission_ton + 1),
    asinh_carbon_emission = asinh(total_carbon_emission_ton)
  )

# 保存结果
write_dta(combined_carbon, "2007～2020年上市公司碳排放数据（分省份电网排放因子）.dta")

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年上市公司碳排放数据（根据与税调数据匹配结果估算，分省份电网排放因子）. 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 Carbon Emissions of Listed Companies (Estimated from Matching with Tax-Survey Data, by Province Grid Emission Factors), 2007–2020. 2026. https://tidyfriday.cn/rsdb2/

关联课程/数据推荐

2007～2020 年税调与上市公司匹配结果：https://rstata.duanshu.com/#/course/e653ffbc045a46c098409df647415f9a

2007～2020 年税调数据与上市公司子公司数据匹配结果：https://rstata.duanshu.com/#/course/ce5b9892434f40bcb2e4062143d1b76f

中国各省市碳排放量是如何计算的？R 语言栅格数据转面板数据：https://rstata.duanshu.com/#/course/75de598dcfcc4ad0b9ff28bff27f6b83

使用 R 语言整理中国省份碳排放面板数据：https://rstata.duanshu.com/#/course/3c2e9404d17243a9b9e5ce51046675cd

点击这里跳转到 RStata 短书平台获取附件：2007～2020年上市公司碳排放数据（根据与税调数据匹配结果估算，分省份电网排放因子）

相关文章

评论