1998～2014 年工企 5km、10km、15km、20km、25km 和 30 km 范围内的金融机构网点数量（分机构类型）

之前给大家分享过上市公司附近金融机构网点数据：历年上市公司 5km、10km、15km 和 20km 附近的金融机构网点数量，很多小伙伴都急切的问能不能也计算下工企数据库与金融机构网点的，也就是工企数据库中的工企业历年一定距离范围内的金融机构网点数量。

相比于上市公司的计算，这份数据的计算量更大。金融机构网点大概是 25 万个，工企大概是 100 万个（1998～2014 年共计 470 余万个观测值），考虑到需要分别计算每年存在的金融机构网点和工企距离，大概需要计算 2496995 * 4718120 = 11781120000000，没错，差不多是 11.78112 万亿次，当然可以通过巧妙的程序设计来减少重复的运算量，但是没太大必要，R 语言计算地理距离的速度还是蛮快的。

本来想把距离对数据（每一家企业和每一个金融机构网点的距离）分享给大家，奈何这个数据实在是太大了，尽管我只保存了距离小于 100km 的，依然得到了将近 300G 的结果（rds 文件存储的），所以还是直接把处理好的数据分享给大家，也就是这份：1998～2014年工企 5km、10km、15km、20km、25km 和 30 km 范围内的金融机构网点数量

为了结果尽可能的小，我只保留了年份和 gqid 变量，gqid 变量是我预先为工企数据库生成的一个变量，每个观测值一个值，用以标志观测值，因此可以使用这个变量再次和原始的工企数据库合并（RStata 平台上的任意一份工企数据库都含有这个 gqid 变量，都能互相匹配）。

例如 gqid 取值为 1998178706, 1999022108, 2000017017, 2001049347, 2002022158, 2003016577, 2004007247, 2005129402, 2006082186, 2007078269, 2008150693, 2009198626, 2010018829, 2011091863, 2012208996, 2013162399, 2014118929 的都是同一家企业：山西天一纳米材料科技有限公司，这家公司历年来附近金融机构网点数量的变化趋势如下：

绘图代码如下：

use "1998～2014年工企附近一定范围内金融机构网点的数量.dta", clear
keep if inlist(gqid, 1998178706, 1999022108, 2000017017, 2001049347, 2002022158, 2003016577, 2004007247, 2005129402, 2006082186, 2007078269, 2008150693, 2009198626, 2010018829, 2011091863, 2012208996, 2013162399, 2014118929)
destring 年份, replace
tw area dist30km 年份 || ///
 area dist25km 年份 || ///
 area dist20km 年份 || ///
 area dist15km 年份 || ///
 area dist10km 年份 || ///
 area dist5km 年份, xla(1998(1)2014) ///
 leg(order(6 "<= 5km" 5 "<= 10km" ///
   4 "<= 15km" 3 "<= 20km" ///
   2 "<= 25km" 1 "<= 30km") ///
  pos(10) ring(0) row(2)) ///
 yla(0(100)700) yti("金融机构网点的数量") xti("") ///
 ti("1998～2014 年山西天一纳米材料科技有限公司附近" "金融机构网点的数量") ///
 subti("计算 & 绘制：微信公众号 RStata") ///
 caption("数据来源：经纬度坐标使用高德地图地理编码接口解析，金融机构网点数据来自银保监会")
gr export "工企附近的金融机构网点的数量.png", replace width(2400)