2007～2020 年瞪羚、独角兽与科技型初创企业与税调数据匹配结果

1211 字 约 4 分钟 数据资料 企业数据数据匹配

最近帮一位做实证研究的小伙伴处理了瞪羚、独角兽与科技型初创企业的税调数据匹配，分享给大家！

该数据使用瞪羚企业数据和税调数据匹配得到：

瞪羚、独角兽、创新型企业名录、工商注册信息匹配结果及经纬度数据（2025年6月爬取）: https://rstata.duanshu.com/#/brief/course/cd0c453f83f44b2e91e436cafb89027d

数据概览

最终得到 17,944 条匹配记录：

数据包含的变量有：省份、行业、认证时间（瞪羚/独角兽认证时间）、企业名称等核心字段，以及税调数据中的 sdid（税调观测值编号）、ID（瞪羚企业唯一标识）等匹配关联变量。

对该数据处理感兴趣的小伙伴可以学习如下课程：

使用 Stata 进行税调专利匹配：超高效的匹配流程：https://rstata.duanshu.com/#/course/43fd5249e06c462a95c499b2c646046d

Stata 中如何借助工商注册信息匹配结果把税调数据设定成面板？：https://rstata.duanshu.com/#/course/e57fa8a95f69496dafefd612f270fb20

如何匹配中国工业企业数据库和海关数据库？以 2013 年为例：https://rstata.duanshu.com/#/course/5463b8d7afcb438ca1e537fa76c1a45d

匹配方法

这份数据的匹配过程较为复杂，分为两个主要阶段：

第一阶段：多维度初步匹配

  1. 以瞪羚、独角兽与科技型初创企业的 ID 作为主键，与工商注册信息进行关联，获取企业名称、统一社会信用代码等关键变量；
  2. 对企业名称进行处理：提取曾用名、英文名、统一社会信用代码等多种形式用于匹配；
  3. 通过两种路径进行 joinby 匹配：
  4. 合并两个路径的匹配结果，保留同时存在于瞪羚企业库和税调库中的记录。

第二阶段：12 步精细去重

初步匹配结果中，同一个瞪羚企业可能对应多条税调记录，需要进行精细去重。去重遵循以下优先级规则：

  1. 名称完全一致优先保留
  2. 去掉”股份”后比较
  3. 去掉”责任”后比较
  4. 集团对集团匹配优先
  5. 双方均非集团时优先
  6. 排除银行支行/分行
  7. 排除子公司/分公司层级
  8. 排除嵌套公司结构
  9. 清理不对称嵌套结构
  10. 同 ID + 同企业名称强制去重
  11. 字符串相似度兜底（使用 strdist 命令）
  12. 最终强制去重

图表展示

下图展示了各省份瞪羚、独角兽与科技型初创企业分布情况：

下图展示了历年认证企业数量变化趋势：

下图展示了各行业企业数量分布（Top 15）：

处理代码说明

以下是该数据去重处理的核心代码逻辑（Stata）：

*- Step 1: 优先保留名称完全一致的匹配
gen temp1 = (公司全名 == 企业名称)
bysort ID: egen maxtemp1 = max(temp1)
drop if temp1 == 0 & maxtemp1 > 0
*- Step 2-3: 去掉"股份"/"责任"后比较
gen temp_name = subinstr(企业名称, "股份", "", .)
gen temp1 = (公司全名 == temp_name)
bysort ID: egen maxtemp1 = max(temp1)
drop if temp1 == 0 & maxtemp1 > 0
*- Step 6-7: 排除银行、子公司/分公司
foreach keyword in "支行" "分行" "子公司" "分公司" "支公司" {
    gen temp1 = (!strmatch(公司全名, "*`keyword'*") & !strmatch(企业名称, "*`keyword'*"))
    bysort ID: egen maxtemp1 = max(temp1)
    drop if temp1 == 0 & maxtemp1 > 0
    cap drop temp1 maxtemp1
}

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 年瞪羚、独角兽与科技型初创企业与税调数据匹配结果. 2026. https://tidyfriday.cn/rsdb2/

英文文献可以使用下面的格式引用：

RStata Data Center: Matched Dataset of Gazelle, Unicorn, and Technology-based Start-up Enterprises with Tax Survey Data, 2007–2020. 2026. https://tidyfriday.cn/rsdb2/

关联课程/数据推荐

瞪羚、独角兽、创新型企业名录、工商注册信息匹配结果及经纬度数据（2025年6月爬取）：https://rstata.duanshu.com/#/course/cd0c453f83f44b2e91e436cafb89027d

2007～2020 年税调企业地理信息数据（含经纬度及其所处的省市区县）：https://rstata.duanshu.com/#/course/39f5d95ad58841628fa4d935371bf3fd

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

2007～2020 年税调数据与工商注册数据匹配结果：https://rstata.duanshu.com/#/course/339d61648ae94aac8f1863474da2199e

使用 Stata 进行税调专利匹配：超高效的匹配流程：https://rstata.duanshu.com/#/course/43fd5249e06c462a95c499b2c646046d

Stata 中如何借助工商注册信息匹配结果把税调数据设定成面板？：https://rstata.duanshu.com/#/course/e57fa8a95f69496dafefd612f270fb20

点击这里跳转到 RStata 短书平台获取附件：2007～2020 年瞪羚、独角兽与科技型初创企业与税调数据匹配结果

相关文章

评论