最近总有师弟师妹来问我同一个问题：在Stata里处理CNRDS绿色专利数据库时，为什么下载下来直接打开就乱码，为什么统计出来的绿色专利申请量跟论文里对不上，为什么merge之后样本翻了好几倍。我意识到，这个数据库虽然下载门槛低、字段也齐全，但真正要拿到能进回归的“公司—年份”面板，中间还是有不少隐性坑的。索性把这几年的踩坑经历整理成一篇完整的操作笔记，从数据表结构、读取方式、统计口径，到匹配合并的常见报错，一条线走下来，希望能帮正在做绿色创新、ESG、环境经济相关研究的朋友少走弯路。
这篇内容不是基础菜单教学，而是围绕“CNRDS绿色专利数据到底怎么才能变成Stata里可用的研究数据”这个核心问题展开。无论你是刚接触Stata的新手，还是已经会跑基础命令但被数据清洗折磨过的老手，这篇文章应该都能提供一些直接可用的脚本和思路。我会把所有操作步骤写清楚，包括具体的Stata代码、字段名称、处理逻辑和判断理由，方便你直接对照自己的数据做修改。
1. CNRDS绿色专利数据库里究竟躺着哪些表
1.1 绿色专利识别的底层逻辑：先从IPC绿色分类说起
要理解CNRDS绿色专利数据库，必须先搞清楚一个问题：什么样的专利算“绿色专利”？CNRDS并不是自己拍脑袋定义了一套绿色专利标准，它的识别逻辑基于WIPO（世界知识产权组织）发布的环境友好技术分类清单，也就是业内常说的“WIPO Green Inventory”。
这份清单把与环境保护、资源节约、清洁能源相关的IPC分类号（国际专利分类号）单独摘了出来，比如太阳能、风能、废水处理、固体废物管理、节能照明等方向都有对应的IPC分类号段。CNRDS做的工作，本质上是在全量专利申请数据中，按照这些绿色IPC号做了一次筛选，再以公司为主体做了关联匹配。理解了这一点，你在用数据时就不会犯“把所有专利都当绿色专利”这种错误，也不会困惑为什么绿色专利数总比专利总数小一大截。
1.2 CNRDS绿色专利数据库的常用数据表及字段速查
根据研究场景不同，你大概率会用到这几个表中的几个。我用一张表把最常用的表名和核心字段列出来，你在下载的时候先认清楚自己需要哪些，不要一上来全选下载，文件又大又容易把自己绕晕。
| 数据表 | 主要用途 | 关键字段（常见命名） |
|---|---|---|
| 公司专利基本信息表 | 获取全量专利明细，含申请号、公开号、专利类型、IPC分类号、申请日、公开日 | Stkcd、证券简称、专利名称、公开公告号、专利类型、IPC分类号、申请日期、公开日期 |
| 公司绿色专利表 | 已按绿色IPC识别好的绿色专利明细，核心数据 | Stkcd、证券简称、公开公告号、专利类型、IPC分类号、申请日期、公开日期 |
| 公司绿色专利引用表 | 刻画专利质量，计算被引次数 | 公开公告号、被引专利号、引用日期等 |
| 公司绿色专利分类号表 | 专利与IPC分类号的多对多关系明细 | 公开公告号、IPC分类号、分类号层级等 |
这四张表是大多数实证论文的数据源头。其中公司绿色专利表是最常用的一张，它已经完成了“绿色识别”这一步，能直接用来统计公司每个年度的绿色专利申请量。但正是这张表里藏着几个不小的坑，后面我会详细说。
在动手下载之前，我强烈建议你先在CNRDS系统里看清楚自己学校的授权权限。有些学校只订购了“绿色专利”模块，有些学校连“专利引用”模块也一起订了。权限直接决定你能下载哪些表。没有引用表的话，后面做专利质量指标时就只能另想办法，比如用申请量做稳健性检验。
2. Stata读取CNRDS数据：编码、格式与变量类型清理
2.1 下载后的文件形态：Excel直接拖进Stata为什么会出问题
CNRDS下载下来的Excel文件，大多数情况下是能正常读取的，但如果你用的是老版本Stata（尤其是14及以下），直接import excel会有不少变量类型识别错误。最典型的表现是：股票代码那一列明明是文本，但Stata自动读成了数值，前导的0被吃掉；日期列要么读成序列值，要么读成字符串，后面还得手动转换。
比如股票代码“000001”，如果以数值格式读入，就会变成1。别笑，这个问题真的非常高频。解决方法是在导入前就告诉Stata哪些列是文本：
import excel using "公司绿色专利表.xlsx", firstrow clear destring Stkcd, replace force但这里又会引出另一个问题：如果Stkcd里包含类似“000001.SZ”这种带后缀的代码，destring会直接报错。所以更稳妥的做法是导入后先tostring或者用正则表达式处理。
2.2 import excel时值得保留的几项设置
我自己在实际操作中，一直用的是一套固定导入模板，基本能避开大部分格式问题：
import excel using "CNRDS_GreenPatent.xlsx", /// sheet("公司绿色专利表") firstrow clear * 中文变量名转英文，避免后续输入麻烦 rename Stkcd stkcd rename 证券简称 name rename 公开公告号 publication_no rename 专利类型 patent_type rename 申请日期 apply_date rename 公开日期 publish_date这段代码里有两个细节值得注意。sheet()一定要写，因为一个工作簿里可能有好几个表单，Stata默认读取第一个表，如果位置不对就会读错数据。另一个是中文变量名，新版Stata支持中文变量名，但每次输入变量名都要切换输入法，效率很低，建议还是导入后统一改成英文。
2.3 日期字段的统一：从Excel序列值到Stata日期
CNRDS导出的日期，有的版本是“2020-05-12”这样的文本，有的是“2020/5/12”，还有的老版本导出后Excel会直接显示为数值，比如43963这种序列值。这三种形态都需要统一处理。
处理文本日期格式：
* 第一种情况：标准格式 gen apply_date2 = date(apply_date, "YMD") format apply_date2 %td * 第二种情况：含斜杠 replace apply_date = subinstr(apply_date, "/", "-", .) gen apply_date2 = date(apply_date, "YMD") format apply_date2 %td处理Excel序列值，逻辑是：Excel默认的起始日期是1900年1月1日，但要扣掉一个闰年bug造成的偏差，在Stata里用date("1899-12-30","YMD") + 序列值就能转换。
gen apply_date2 = date("1899-12-30", "YMD") + apply_date_numeric format apply_date2 %td在处理日期之前，我建议先对原始字符串列做一次tab检查，看看到底有几种格式，不要上来就批量替换。万一某一行是“2020.05.12”，直接替换“/”和“-”都会漏掉它。
3. 公司绿色专利申请量的标准化统计流程
3.1 为什么不能直接把“绿色专利数”字段拿来用
很多同学以为下载下来的公司绿色专利表里都带了一列“绿色专利数量”，直接加总就行。但实际上，CNRDS提供的明细数据通常是“一行为一条专利记录”的格式，而不是“公司—年份—数量”的汇总格式。你需要自己根据Stkcd和申请年份做分组统计。
如果你在下载页面看到有“公司绿色专利年度统计表”之类的汇总表，也要谨慎使用。因为不同版本的汇总口径可能不一致，有的按申请年统计，有的按公开年统计。用明细表自己跑一遍统计是最稳妥的，既能控制口径，又能检查原始数据质量。
3.2 从明细表到公司—年份面板：一个标准化do文件模板
下面这套脚本是我每次处理CNRDS绿色专利数据都要跑的流程，基本可以复用于绝大多数研究场景：
* 第一步：导入 import excel using "公司绿色专利表.xlsx", sheet("Sheet1") firstrow clear * 第二步：清洗关键字段 rename Stkcd stkcd rename 专利类型 patent_type rename 申请日期 apply_date rename 公开公告号 publication_no * 将stkcd规范为6位字符串 tostring stkcd, replace format("%06.0f") force * 生成申请年份 gen apply_year = year(date(apply_date, "YMD")) * 第三步：处理重复值。同一专利可能包含多个IPC分类号，明细表会出现同一公开公告号多条记录 duplicates drop stkcd publication_no apply_year, force * 第四步：按专利类型分类统计 gen is_green_invention = (patent_type == "发明专利") gen is_green_utility = (patent_type == "实用新型") collapse (count) green_patent_total = publication_no /// (sum) green_invention = is_green_invention /// (sum) green_utility = is_green_utility, by(stkcd apply_year) * 第五步：补全面板（从最小年份到最大年份） xtset stkcd apply_year tsfill, full这里面的关键一步是duplicates drop。因为同一个专利如果有多个IPC分类号，明细表里就会有同一publication_no的多条记录，如果不先去重，后面collapse统计出的专利申请量就会虚高。我见过有人在统计时忘了这步，结果绿色专利数直接翻倍，回归结果也完全失真。
3.3 申请年vs公开年：两类年份的取舍逻辑
做绿色创新实证研究时，核心解释变量通常用专利申请量。那应该用申请年份还是公开年份？我的看法是：优先用申请年份。
专利的申请日代表技术方案提交的时点，更贴近企业的创新决策时间节点，而公开日通常是申请日后18个月甚至更晚的时点，用它构造的变量在时间上会整体滞后，且滞后长度不均匀（不同类型专利不一样，发明公开慢、实用新型公开相对快）。在做因果识别时，申请日通常被认为是相对外生的时间锚点。
但也有人会做稳健性检验，把公开年的统计量也跑一遍。你完全可以在do文件里同时生成两个年份变量：
gen apply_year = year(date(apply_date, "YMD")) gen publish_year = year(date(publish_date, "YMD"))后面想用哪个就用哪个。
4. 绿色专利质量刻画：授权量与引用次数怎么用
4.1 授权量计算的细节：授权公告日不等于公开日
如果只看申请量，很多时候会受到“策略性绿色创新”的质疑——企业申请一堆绿色专利只是为了“漂绿”，并不代表真实的技术进步。所以现在审稿人普遍要求补充绿色专利授权量来做稳健性检验。授权量的计算逻辑和申请量类似，但关键日期是授权公告日，而不是公开日。
CNRDS的公司专利基本信息表里通常会有“授权公告日”字段，绿色专利表有时候也会带。但要注意的是，有些表中的授权日字段在专利还没授权时为空值，直接按授权日年份统计时，空值年份会被自动排除，这没问题；但有些表中授权日缺失可能恰好对应“被驳回”的专利，这类专利本来就不该计入授权量，所以空值导致的排除是合理的，不用担心“丢失样本”。
授权量的统计脚本：
* 假设已导入绿色专利明细表 gen grant_year = year(date(授权公告日, "YMD")) * 仅保留授权年份非缺失的记录 keep if !missing(grant_year) * 按公司+授权年份统计 collapse (count) green_grant = publication_no, by(stkcd grant_year)这里有一个容易忽略的细节：授权量一般需要滞后几期再用。因为从申请到授权通常需要1到3年，如果拿当期授权量做被解释变量，估计出来的效应在经济意义上可能解释不清。常见的做法是做核心解释变量滞后一期、两期。
4.2 引用次数：构建“公司—年份”专利质量变量的路径
专利被引次数是衡量专利质量和高技术影响力的常用指标。CNRDS的绿色专利引用表记录了每件绿色专利的被引用情况，但它是“专利—引用记录”级别的数据，不能直接用来做回归。你需要把它汇总到“公司—年份”层面上。
一个合理的处理流程是：
* 导入引用表 import excel using "公司绿色专利引用表.xlsx", firstrow clear rename Stkcd stkcd rename 公开公告号 publication_no rename 引用日期 cite_date * 生成引用年份 gen cite_year = year(date(cite_date, "YMD")) * 有的引用表是引用的“被引证”记录，一行表示一次引用事件 collapse (count) green_cite = publication_no, by(stkcd cite_year)如果你想计算的是“某公司某年申请的绿色专利，在之后若干年被引的总次数”，那逻辑就更复杂一些：首先要拿到公司年度申请的专利清单，然后和引用表按publication_no关联，再按引用年份加总。这本质上是一个多表关联任务，建议分两步走，先在公司—年份层面上把申请专利的publication_no汇总宏列表保存下来，再与引用表匹配，最后collapse。别试图一个命令解决，中间变量多了容易出错。
我自己的经验是，引用数据在汇总前先做一次“引用年份是否在申请年份之后”的判断，剔除那些引用日早于申请日的异常记录。虽然理论上不会发生，但数据清洗时经常能遇到数据录入错误，这种异常值不处理会让质量变量产生微小但明显的污染。
5. 合并匹配时的三个“坑死人不偿命”的细节
5.1 重复合并带来的样本膨胀
这个坑我印象太深了。有一次处理绿色专利数据和公司财务数据合并，merge完成后发现样本量从3000多直接变成12000多，我还以为是自己财务数据下载多了，反复检查才发现是绿色专利明细表在publication_no层面有多条重复记录。
原因和前面说的一样：一条专利可能对应多个IPC分类号，如果合并前没有做去重，专利表和财务表做1:1合并时，系统就会自动变成多对多，一条公司年度观测值被复制成多条。解决办法就是在合并之前，确保绿色专利表已经在stkcd + year + publication_no层面去重，或者先用collapse把专利表变成“一个公司一年一行”的汇总表，再去和财务数据合并。
正确的合并路径：
* 第一步：把绿色专利明细collapse到公司-年份层面 preserve use "绿色专利明细_清洗.dta", clear collapse (count) green_patent = publication_no, by(stkcd apply_year) rename apply_year year save "绿盼专利_公司年度.dta", replace restore * 第二步：与公司财务数据合并 use "公司财务数据.dta", clear merge 1:1 stkcd year using "绿色专利_公司年度.dta" keep if _merge == 3先preserve再merge的好处是，财务数据永远作为主表，专利数据作为辅助信息匹配进去，不会因为专利数据的问题破坏主表结构。
5.2 股票代码格式不一致：000001到底该是文本还是数值
CNRDS表的股票代码有两种形态，一种是不带交易所后缀的6位代码，比如“000001”“600519”；另一种是带后缀的，比如“000001.SZ”“600519.SH”。在你的研究样本里，如果只用A股上市公司，6位代码就够用；但如果你合并的数据里有港股、B股或者其他市场标识，就必须带着后缀区分。
问题在于，Stata读取时如果直接destring，带后缀的代码会全部变成缺失值。我的建议是：在合并之前，先统一股票代码格式。
* 统一去掉所有后缀，只保留6位 gen stkcd_clean = substr(stkcd_raw, 1, 6)如果原始代码是数值型，就先转字符串再取前6位：
tostring stkcd, generate(stkcd_str) format("%06.0f") gen stkcd_clean = substr(stkcd_str, 1, 6)这一步的核心目的在于：让合并双方的主键完全一致。你花十分钟把代码格式统一，就能避免后面merge后几千条_merge == 1、_merge == 2对不上的痛苦。
5.3 时间区间错位：申请年度与财务年度的对齐问题
绿色专利的申请年度和公司财务年度都是自然年，所以stkcd + year可以直接做1:1合并。但如果你用的财务数据是“会计年度”且披露日和报告期不一致，或者有些数据库里的year变量用的是“公告年份”而非“报告期年份”，就一定要先核对两边的时间口径。
我可以分享一个简单的检查逻辑：合并之前，分别对两个数据源做tab stkcd year，格式和年份范围各看一遍。如果发现财务数据里有2024年的记录，而绿色专利数据只到2023年，那合并后2024年样本的绿色专利变量就全是缺失值，后续回归会自动剔除这些样本，样本区间就莫名其妙缩短了。
另一个常见问题发生在做滞后项时。如果你构造了L.green_patent，那么第一期的观测值会自动缺失，这是正常的，但很多新手会以为是自己数据丢了，反复检查。实际上只要面板设定正确，xtset stkcd year之后，L.前缀生成的缺失值是正常的统计结果。
6. 从数据到回归：一个最简可复现的变量构造全流程
6.1 一份可以“抄作业”的完整do文件示例
前面讲了那么多零散步骤，这里我把它们串起来，给出一份从零到回归前变量的完整do文件。你拿到CNRDS绿色专利表之后，可以直接套用这个框架。
* 路径设置 global rawdata "D:/CNRDS" global workdata "D:/workdata" * 导入绿色专利明细 import excel using "$rawdata/公司绿色专利表.xlsx", /// sheet("Sheet1") firstrow clear * 变量重命名 rename Stkcd stkcd rename 证券简称 name rename 公开公告号 publication_no rename 专利类型 patent_type rename 申请日期 apply_date rename 公开日期 publish_date * 清理stkcd格式 tostring stkcd, replace format("%06.0f") * 生成申请与公开年份 gen apply_year = year(date(apply_date, "YMD")) * 去重：同一专利有多条IPC记录时只保留一条 duplicates drop stkcd publication_no apply_year, force * 构造类型虚拟变量 gen inv_dummy = (patent_type == "发明专利") gen util_dummy = (patent_type == "实用新型") * 汇总到公司-年份 collapse (count) green_all = publication_no /// (sum) green_inv = inv_dummy /// (sum) green_util = util_dummy, by(stkcd apply_year) rename apply_year year save "$workdata/green_patent_firm_year.dta", replace用这个do文件跑出来的green_patent_firm_year.dta，每一行代表一个公司在某年的绿色专利申请情况，可以直接和公司财务数据做1:1合并。
6.2 合并后回归变量的常见选择与稳健性做法
变量构造好以后，具体回归模型根据研究主题可以灵活调整。这里仅说说绿色专利数据最常被用来做的几种变量形态：
- 绝对量：
green_all、green_inv，代表绿色专利申请总量和绿色发明专利申请量 - 相对量：
green_all / 公司当年总专利申请量，代表绿色创新占比，用来刻画“绿色转型程度” - 对数化：
ln(1 + green_all)，消除右偏分布的影响，是实证中最常见的做法 - 增量：
green_all - L.green_all，刻画动态变化，在事件研究类论文中常用
我建议在do文件里把所有这些形态都生成好，后面做描述性统计和回归时来回切换，会节约大量时间。
use "$workdata/green_patent_firm_year.dta", clear merge 1:1 stkcd year using "$workdata/firm_finance.dta" keep if _merge == 3 xtset stkcd year * 生成常用变量形态 gen ln_green = ln(1 + green_all) gen green_ratio = green_all / total_patent_all gen d_green = green_all - L.green_all6.3 数据质量的最后一道防线：描述性统计检查清单
变量生成完，不要着急跑主回归，花两分钟检查一下描述性统计，能避免很多低级问题。
tab year green_all tabstat ln_green green_ratio d_green, by(year) stats(n mean sd min max)重点检查三件事：第一，每一年的样本量是否和财务数据的公司数基本一致，如果某一年样本量骤减，多半是合并时数据时间段没对齐。第二，green_all的最大值是否异常大，比如大于500甚至1000，如果出现，就要回溯到明细表，看是不是某个公司当年确实申请了大量专利，还是去重步骤出了问题。第三，green_ratio是否都落在0到1之间，如果大于1，说明分子统计用了绿色专利表，而分母用了全量专利表，两个数据源的识别口径不一致，比值自然出错。
这三项检查是数据清洗和回归分析之间的一道安全网。我自己吃过好几次亏，都是因为跳过检查直接跑回归，等到结果出来发现系数方向不对，回头查了半天才找到是数据层面出了问题。浪费的时间足够把整个do文件跑几十遍了。
最后再分享一个个人习惯：CNRDS数据下载后，我会第一时间把原始Excel另存一份，并备注下载日期和版本号。因为数据库会不定期更新版本，不同版本之间同一家公司的绿色专利数量可能存在差异。做研究时确保自己用的始终是同一版本的数据，后面写论文的时候也可以直接在脚注里写清楚数据版本和下载时间。这个习惯帮我在审稿人要求补充数据细节时省了很多功夫。
