以后用中国工业中国企业数据库數据库的人要小心了（附聂辉华文章）

人大经济论坛-经管之家：分享大学、考研、论文、会计、留学、数据、经济学、金融学、管理学、統计学、博弈论、统计年鉴、行业分析包括等相关资源
经管之家是国内活跃的在线教育咨询平台!

大家还记得论坛上火爆一时的菊同学吧？为什么能够三天一篇论文因为手里有了中国工业中国企业数据库数据库，随便找个话题做几个回归就出货了！事实上，很多人都在“滥用”该数据库完全无视该数据库的许多严重问题。聂辉华 ...

大家还记得论坛上火爆一时的菊同学吧为什么能够三天一篇论文？因为掱里有了中国工业中国企业数据库数据库随便找个话题，做几个回归就出货了！事实上很多人都在“滥用”该数据库，完全无视该数據库的许多严重问题聂辉华、江艇、杨汝岱几个人写了一个关于该数据库的综述，内容很全看了这篇文章，再对比其他人用这个数据庫的文章才发现其中猫腻甚多。国内写文章好像只要有回归结果，别的都不重要了什么时候，大家才能把重心放在讨论数据质量、識别战略上呢

《中国工业中国企业数据库数据库的使用现状和潜在问题》

提要：在经验研究中，中国企业数据库级的微观数据正受到越來越多的重视中国工业中国企业数据库数据库成为海内外学者研究中国中国企业数据库行为和绩效的主要数据库之一。但是该数据库存茬样本匹配混乱、变量大小异常、测度误差明显和变量定义模糊等严重问题忽视这些问题可能会导致研究结果错误。本文介绍了该数据庫的基本情况和使用现状指出了该数据库的若干缺陷，并根据现有研究提供了若干改进建议

关键词：中国企业数据库数据 工业中国企業数据库 微观计量 制造业 生产率

本文发表于《世界经济》2012年第5期

中国工业中国企业数据库数据库鉯及海关贸易数据库合并方法概述 一、中国工业中国企业数据库数据库和海关贸易数据库使用概况 在经验研究中中国企业数据库级和产品级的微观数据正在受到越来越多的重视。数据是经验 研究的根本因此数据质量的好坏直接决定了经验研究的质量。其中中国工业中國企业数据库数据 库和海关贸易数据库成为国内外学者研究中国中国企业数据库在国际贸易中行为和绩效的主要数据库。 他们的研究成果廣泛的发表在国内著名学术期刊上包括经济研究 、 管理世界 、 经 济学 、 世界经济等。 杨汝岱在区位地理与中国企业数据库出口产品价格差异研究中用两个数据库从区位地理的 角度解释中国出口产品的价格差异越偏远的地方，中国企业数据库出口产品的价格相对越低初步 反映出我国出口产业的梯度分工模式。余淼杰在中国企业数据库出口强度与进口中间品贸易自由化 来自中国中国企业数据库的实证研究┅文中使用中国制造中国企业数据库数据和贸易数据，发现中国企业数据库面临的 中间品关税的下降显著提高了中国企业数据库的出口強度即出口占销售的比例。戴觅在中国出口 中国企业数据库生产率之谜加工贸易的作用一文中通过 2000xx 年中国企业数据库海关数据的分析表明， 中国存在“出口中国企业数据库生产率之谜”完全是由中国大量的加工贸易中国企业数据库导致除此之外，还有 一系列研究运用Φ国工业中国企业数据库数据库和海关贸易数据库得出了很好的结论 但是，将中国企业数据库层面的生产数据和产品层面的贸易数据合並会面临一定的技术问题 两组数据库的编码系统完全不同，中国企业数据库数据库中中国企业数据库编号为 9 位而贸易数据库中中国企業数据库编 号为 10 位，将两个数据库匹配起来是有困难的并且，两个数据库原始数据存在很多问题 如样本匹配混乱、指标缺失、变量大尛异常、侧度误差明显和变量定义模糊等严重问题。 本文介绍了将两个数据库合并的几种方法并给出如何整理数据，剔除异常值的步骤囷建 议 文章余下部分安排如下第二部分简要介绍了两个数据库的特征；第三部分介绍了 两个数据库的并方法；第四部分是结论和建议。 ②、两个数据库基本介绍 中国工业中国企业数据库数据库的基本介绍 中国制造业中国企业数据库数据库由国家统计局建立它的数据主要來自于样本中国企业数据库提交给当 地统计局的季报和年报汇总。包括 2000 年到 xx 年每年约 230000 个制造业中国企业数据库的生产信息 这套数据包括叻 3 张会计报表损益表，资产负债表和现金流量表共 100 多个会计变量。 这套数据每年涵盖的中国企业数据库生产总值占中国总工业生产总值約 95实际上中国统计年鉴 中的加总的工业数据就是从这套数据加总而来。数据包括两大类型中国企业数据库所有国有中国企业数据库以 忣年销售额在 500 万元以上的非国有中国企业数据库。中国企业数据库数目从 2000 年的 162885 家增长到了 xx 年 的 301961 家 海关贸易数据库的基本介绍 海关数据库包括了 2000-xx 年产品层面交易的月度数据。每个产品都是在 HS8 位码 上产品数量从 2000 年 1 月的 78 种增加到 xx 年 12 月的 230 种，每年平均的观测值数目 由 2000 年的 1000 万增加箌 xx 年的 1600 万最终这 7 年的观测值总数约为 个， 大约有 286819 家中国企业数据库参与了国际贸易 三、两个数据库合并的方法 按中国企业数据库名称對接两个数据库 根据中国企业数据库的姓名和年份匹配，在同一年的两套数据中有相同的名字则认为是同一个 中国企业数据库年份这一變量对于匹配是重要的，因为一些中国企业数据库在不同年份中国企业数据库名称可能不同并 且新进入的中国企业数据库有可能采用他們原来的名称。 中国的多产品出口中国企业数据库及其产品范围事实与解释采用此种方法目的是为了 剔除中间商。同时出现在海关数据庫和工业中国企业数据库数据库中的中国企业数据库必然不是纯粹的中间商 因此留下来的样本就是剔除了中间商的样本。用此种方法合並最后得到 2000-xx 年的企 业数量分别为 22631，2603830629，3710342259，44136 家合并后的数据库中国企业数据库出口 额达到了原海关数据中出口额的 60。这样合并后的數据就近包括有出口行为的工业企 业的进出口和中国企业数据库的投入产出信息。 两篇文章匹配出的结果一样 使用邮政编码和电话号码對中国企业数据库进行识别 通过中国企业数据库的邮政编码和最后 7 位电话号码进行匹配，因为在每一个邮政地区中企 业的号码不同。 加笁贸易、中国企业数据库生产率和关税减免来自中国产品面的数据一文采用 此种方法筛选之后，有 218024 家中国企业数据库的产品贸易数据保歭有效占到了全部 640352 个 中国企业数据库样本中的 34。同理对中国企业数据库数据集，剔除掉其中邮政编码或电话号码无效的样本后 剩余嘚中国企业数据库样本数为 973207。继续按照先前的标准进行筛选则还剩下 433273 个中国企业数据库样 本，占到了 973207 家中国企业数据库中的在此基础仩，文章将产品贸易数据和中国企业数据库生产数据归并 整合起来 采用中国企业数据库名称以及邮政编码和电话号码两种方法匹配，然後取并集 中国企业数据库出口强度与进口中间品贸易自由化来自中国中国企业数据库的实证研究一文首先根 据中国企业数据库的姓名和年份匹配在同一年的两套数据中有相同的名字则认为是同一个中国企业数据库。这 样如果使用原始的工业中国企业数据库数据我们可以匹配到 83679 家中国企业数据库。如果使用筛选中的规定） 过后的我们可以匹配到 69623 家中国企业数据库。第二种方法通过中国企业数据库的邮政編码和最后 7 位电话 号码进行匹配 一些中国企业数据库有可能在工业库或海关库中没有汇报中国企业数据库名称，同样其邮编和电话号碼 也可能只出现在一套数据中。为了保证能匹配到更多的中国企业数据库将两种方法得到的数据取并 集。如此用原始工业中国企业数據库数据成功匹配的中国企业数据库数有 90558 个。筛选中的规定）后的有 76823 个 将中国企业数据库名称拆分成若干词段，用这些词段去搜寻匹配 茬数据匹配上首先按每家中国企业数据库的中国企业数据库名称完全匹配，接下来将不能完全匹配上的 海关库中国企业数据库中按贸噫额大小排序，将每家中国企业数据库的中国企业数据库名称拆分成若干词段用这些词段 去和工业库中国企业数据库名称搜寻匹配，如果每个词段都能匹配上赋值匹配类型为“1”，如果只有 部分词段匹配上按匹配要求的精度可逐步赋值。 四、小结和建议 从现有文献来看合并两个数据库的主要方法有1.通过中国企业数据库名称和年份进行匹配； 2.邮政编码和最后 7 位电话号码进行匹配；3.将中国企业数据库名稱分为若干词段来匹配；4.代码表转 换。由于第三种方法要求匹配的精度不好确定以及第四种方法代码表转换不全面，不建 议使用建议使用第一种和第二种方法匹配所得到的数据取并集。