一、为什么要统一海关税号编码
海关数据中的商品编码（税号编码），也就是我们常说的 HS 编码（Harmonized System，商品名称及编码协调制度），是国际贸易中对商品进行分类的通用语言。它有两个特点需要特别注意：
- 前 6 位是国际通用码，全球统一；后 2 位是国内子目，由各国海关自行扩展。我国海关数据中的商品编码通常为 8 位。
- HS 编码每隔约 5 年修订一次。世界海关组织（WCO）会新增、删除、拆分或合并部分税目，因此不同年份的数据使用的是不同版本的 HS 编码。
在我们的海关数据（2000–2016 年）中，年份与 HS 版本的对应关系如下：
library(tidyverse) |
如果直接把跨年份的数据放在一起做面板分析，同一个商品在不同年份可能对应不同的编码，会导致匹配错误。因此在做任何跨期分析之前，必须先把所有年份的编码统一到同一个版本。
本讲义演示如何用 Stata 把海关数据统一到 HS1996 / HS2002 / HS2007 / HS2012 / HS2017 五个版本，并保留原始编码。为节省篇幅，正文以 2014–2016 年（均为 HS2012 版本）的数据为例；处理全部年份只需把年份宏改为 2000 2001 ... 2016 即可。完整可运行代码见配套脚本 使用 Stata 统一海关税号编码.do 与 绘制缺失比例图.do。
二、数据准备
原始海关数据体量庞大，我们先用 Stata 把每年的数据抽取出 newhgid（观测 ID）、年份、商品编码 三个变量，另存为分年 .dta 文件，减小后续读取与转换的压力：
cd "/Users/ac/Desktop/使用 Stata 统一海关税号编码/" |
本项目中已备好 海关数据商品编码分年/2014.dta、2015.dta、2016.dta 三个分年文件，可直接进入下一步。
三、读取 HS 转换表
版本之间的转换依赖联合国统计司提供的官方对照表。每个 Excel 文件里通常有两张表：
- Conversion Table：只保留在新版本中仍有对应关系的旧码，覆盖不全；
- Correlation Table：记录 1:1 / 1:n / n:1 / n:n 全部对应关系，覆盖度更高。
因此我们统一使用 Correlation Table。所有转换表方向都是「新版本 → 旧版本」，其中第 1 列（A 列）是新版本码、第 3 列（C 列）是旧版本码。我们分别按正向（旧→新）和反向（新→旧）读取，一对多时取第一个匹配。
读取逻辑用一个小程序 read_corr 封装，统一把编码清洗为 6 位字符串（保留前导 0），并保存为实体中间文件 中间文件/corr_XXtoYY.dta：
*- 此处代码需下载讲义材料查看～ |
四、构建完整查找表
有了相邻版本的对照关系后，就可以把它们链式拼接起来，为每个源版本构建一张包含全部 5 个目标版本的查找表。核心技巧是级联填充：若某一步转换缺失，则沿用上一版本的码，保证链条不中断。
先由 corr_* 派生出 8 张相邻版本的「旧→新 / 新→旧」映射表（实体保存为 中间文件/fwd_* 与 中间文件/bwd_*）：
*- --- 正向（旧 -> 新）--- |
以 HS2012 源（对应 2014–2016 年数据）为例——它向前只需一步到 HS2017，向后需要依次退回到 HS2007、HS2002、HS1996。下面构建这张完整查找表（实体保存为 中间文件/lookup_HS2012.dta）：
*- --- HS2012 源：正向 hs12->hs17，反向 hs12->hs07->hs02->hs96 --- |
其余三个源版本（HS1996 / HS2002 / HS2007）的查找表构建方式完全类似，只是正向、反向链条的长度不同，完整代码见配套脚本
使用 Stata 统一海关税号编码.do。
我们来瞄一眼 HS2012 查找表长什么样（直接读取已生成的中间文件）：
library(haven) |
可以看到 source_code（原始 HS2012 码）与 hs12 列完全一致（恒等），而 hs96 / hs02 / hs07 / hs17 则是按版本链条推导出的对应编码。
五、执行编码转换
商品编码为 8 位：前 6 位参与版本转换，后 2 位（国内子目）保留不变。转换时按 source_code 与查找表做 merge，未匹配到的码保留原码，再把 5 个版本列拼回后 2 位子目，即完成统一：
*- 此处代码需下载讲义材料查看～
最终把 HS1996 ~ HS2017 五个新变量与原始变量一起写回 .dta，保存至 统一HS编码/。结果文件共 8 个变量：newhgid、年份、商品编码、HS1996、HS2002、HS2007、HS2012、HS2017。
六、统一质量：无法统一的比例
并非所有编码都能成功统一。若某个 6 位码不是目标版本中的合法 HS 编码（例如中国海关特有的 98/99 章特殊码、或数据录入错误），它就无法被统一，我们保留其原码。下面按观测数加权，统计 2014–2016 年各版本无法统一的比例。
「合法码集合」= 4 张 Correlation Table 双向列的并集（与 R / Python 版口径完全一致；各版本集合保存为 中间文件/valid_hsXX.dta）。统计逻辑如下：
*- 此处代码需下载讲义材料查看～ |
读入 Stata 生成的 CSV，整理成宽表（行=年份，列=目标版本）：
library(tidyverse) |
再用 Stata 的 heatplot（配合 palettes、colrspace）把结果画成热力图，直观展示各年各版本的无法统一比例（中文字体使用已安装的霞鹜文楷 LXGW WenKai）：
use "$proj/各版本缺失比例_2014-2016.dta", clear |
下面即为 Stata 实际生成的热力图：
从表中可以看出一个关键点（这也是「统一口径」与早期旧口径差异的来源）：
- 源版本自身恒等：2014–2016 均为 HS2012 源，故对照 HS2012 的比例很低（2014 年为 0%，2015 年 0.04%，2016 年 1.33%）；
- 对照越旧的版本缺失率越高：因为这些年份的数据本是 HS2012 时代的新码（含 98/99 章海关特殊码、980400 跨境电商监管码等），在 HS1996 / HS2002 的合法码集合里根本不存在，所以 2014 年对照 HS1996 高达 9.03%、对照 HS2002 为 6.82%；
- 2016 年偏高：当年 980400 系列跨境电商监管码大量出现（单一码即占约 23 万条观测），这类码不属于国际 HS 体系，在任何版本下都无法统一，使 2016 年各版本缺失比例普遍高于 2014–2015 年。
注意：这里的「无法统一」= 原始 6 位码不在目标版本的合法 HS 编码集合中（与 R / Python 版口径一致）。这与早期一张旧口径「全部年份」热力图（仅当 5 个版本列全空才算缺失）含义不同——旧口径下 2014 年几乎为 0%，新口径下则为 9.03%。比较时务必使用同一口径。
七、小结
用 Stata 统一海关税号编码的完整流程可以概括为四步：
- 抽取变量：用 Stata 把大数据瘦身为 newhgid + 年份 + 商品编码；
- 读取 Correlation Table：正、反两个方向分别构建相邻版本的对照关系（封装为 read_corr 程序）；
- 链式拼接 + 级联填充：为每个源版本构建到 5 个目标版本的查找表（保存于 中间文件/lookup_HS*.dta）；
- merge 转换：前 6 位查表转换、后 2 位保留，缺失则保留原码，输出 8 变量 .dta。
除个别中国海关特殊码与数据录入错误外，绝大多数年份——尤其是对照自身源版本时——的统一成功率都在 99% 以上，可以放心用于跨期面板分析。所有中间结果均以实体 .dta 文件保存在 中间文件/ 目录，便于核查与复用。
如何运行本项目：在 Stata 中先
cd到项目目录，再do "使用 Stata 统一海关税号编码.do"（生成统一编码与缺失比例）；接着do "绘制缺失比例图.do"生成热力图。注意 Stata 批处理模式（stata-mp -b do）对带空格的中文文件名支持不佳，若用命令行批量运行，建议通过一个 ASCII 路径的启动器 do 间接调用，或直接在原文件名上加引号。处理 2000–2016 全年份，只需把主脚本里的local years 2014 2015 2016改为完整年份列表即可。
点击这里跳转到 RStata 短书平台获取附件：使用 Stata 统一海关税号编码
评论