复现一篇顶刊实证论文最让人头疼的往往不是代码本身而是从制度背景到数据清洗再到识别策略的完整闭环。这个项目标题一出来圈内人都知道说的是哪类文章排污权交易试点作为一个市场型环境规制政策到底能不能通过倒逼企业升级来提升全要素生产率证据就藏在中国上市公司的面板数据里。复现这类研究既能练熟多期DID、事件研究法、安慰剂检验这一整套政策评估工具箱也能把TFP测算的几个主流方法彻底摸透。这篇文章我就从复现的核心思路、数据搭建、模型实现到排雷经验完整走一遍。1. 内容整体设计与研究思路拆解1.1 政策评估类论文的底层逻辑凡是标题里带是否提高了这种问法的经济学实证论文本质上都在做一件事因果识别。排污权交易机制不是一个统一的全国性政策而是分区域、分批次推进的这就天然形成了试点地区vs非试点地区政策实施前vs政策实施后两个维度。把这两个维度组合起来就是双重差分法DID的基本框架。但这里有个容易被带偏的地方。很多初学者拿到这类题目第一反应是我只要把处理组的虚拟变量和时间的虚拟变量乘起来跑个回归就行了。实际上顶刊论文的功夫全在数据构建和稳健性检验上。你要回答的不只是系数是不是显著为正/负而是为什么这个系数能代表因果关系而不是相关关系。来自中国上市公司的证据这个副标题已经点明了数据范围意味着要处理的是几千家上市公司十几年的非平衡面板里面涉及样本清洗、缺失值处理、极端值缩尾、聚类标准误选择等一大堆细节。复现的总体思路应该分四步走。第一步是读懂制度背景搞清楚政策试点的时间节点和覆盖范围第二步是构造核心变量包括全要素生产率的测算和政策虚拟变量的定义第三步是跑通基准回归复现主表结果第四步是做稳健性检验验证结论不是偶然的。1.2 复现此类项目的关键难点这类项目最大的难点不在计量方法本身而在数据口径的还原。原始论文用的数据库、样本筛选条件、变量定义方式不会事无巨细地写在正文里通常只在脚注或附录里给个简短说明。复现时最怕的是系数方向对了但数值差了一个数量级这种情况十有八九是变量量纲或者样本范围出了问题。另一个难点是政策时点的规定。排污权交易机制涉及多个批次不同批次的政策起始年份不一样如果你把处理组的所有企业都认为是从同一时间开始受政策影响那就用错了多期DID。正确的做法是构建一个随时间变化的处理变量这个变量的取值在企业所在城市被纳入试点的当年及之后变为1之前为0。我复现时的体会是先把研究设计的逻辑图画清楚再动手处理数据。谁在实验组里试点城市企业谁在对照组非试点城市企业政策冲击的时点怎么确定这就是这篇文章的引擎引擎架对了后面的机器才能转起来。2. 核心变量构建与数据准备实战2.1 全要素生产率测算方法怎么选全要素生产率TFP是这篇文章的核心被解释变量也是最容易出问题的地方。目前学术界主流的测算方法有OLS法、FE法、OP法、LP法和ACF法。OLS和FE因为存在同步偏差和样本选择偏差基本不太能用于顶刊论文的基准结果。OP法用投资作为代理变量但要求投资数据不能为零这在上市公司数据里损失太大LP法用中间投入作为代理变量数据可得性好很多所以绝大多数中文论文的基准结果都选用LP法。LP法估计的核心思路是用营业收入或工业增加值作为产出变量用员工人数作为劳动投入用固定资产净值作为资本投入用购买商品、接受劳务支付的现金作为中间投入然后分行业估计生产函数得到劳动和资本的弹性系数再算出残差作为TFP的对数值。计算的时候可以用Stata的prodest命令也可以用R的prodest包注意中间投入要剔除价格因素、产出变量要做价格平减否则估计出来的弹性系数会有偏。实际复现时我会同时算出LP、OP和ACF三个口径的TFP基准回归用LP法稳健性检验换OP和ACF。如果三个口径下的结论系数方向一致、显著性没有太大变化这篇文章的核心结论才立得住。这也是顶刊论文审稿人最爱看的东西。2.2 数据来源与样本筛选标准数据部分主要是两大块。财务数据包括营业收入、员工人数、固定资产、中间投入等来自常用的上市公司财务数据库政策试点城市的划分信息来自生态环境等部门公开的试点工作通知需要手动整理成城市-年份的政策虚拟变量。样本筛选标准我按这类论文的普遍惯例来处理。剔除金融保险类企业因为它们的财务报表结构和制造业差异太大剔除被ST、*ST处理的样本防止经营异常的企业干扰结果剔除关键变量缺失的样本对连续变量做1%和99%分位的缩尾处理。考虑到政策实施前后的对比需要样本区间一般从试点启动前几年开始到试点扩围之前结束避免扩容批次干扰第一批次的政策效应识别。比较麻烦的是把微观企业数据和城市层面的政策变量匹配起来。企业数据里有个体经营所在地信息但名称格式不规范需要用城市名称做模糊匹配再手工核对。这一步骤决定了处理组和对照组的划分是否准确也是我用时最多的地方。2.3 处理组、对照组与时点如何构造处理组的规则很简单企业注册城市在试点批次名单里就是处理组不在名单里的是对照组。但这里有个选择用注册地还是用实际经营地上市公司普遍存在注册地与实际经营地分离的现象尤其是那些为了税收优惠而注册在特定区域的集团公司。大多数顶刊论文的通行做法是用注册地因为政策约束的是所在行政区域内的企业注册城市才对应了环保监管的属地管辖。政策时点方面排污权交易试点的推进并非一次到位第一批次试点和第二批次试点相隔数年。在构造多期DID变量时正确的做法是定义did这个变量它在企业所在城市被纳入试点的当年及之后取1否则取0。这样每个处理组企业有自己的政策冲击时点不需要统一设定同一个年份。跑回归的时候用企业固定效应吸收企业不随时间变化的特征用年份固定效应吸收宏观经济波动和全国性的政策冲击。这类文章还有一个常见操作剔除政策实施当年新成立的企业。因为企业如果预见到政策要落地在生产决策上会有预期性调整导致当期数据不能真实反映政策的因果效应。我实际做的时候把样本做成了企业进入政策试行期之前至少存在一年的非平衡面板这样估计出来的效应更干净。3. 实证模型设定与回归实现3.1 基准模型到底怎么写核心模型就是一个典型的多期DID设定tfplp_it beta * did_it gamma * X_it phi_i mu_t epsilon_it其中tfplp_it是LP法测算的全要素生产率对数值did_it为核心解释变量系数beta就是排污权交易机制对企业TFP的平均处理效应X是一组企业层面的控制变量包括企业规模总资产对数、资产负债率、盈利能力ROA、企业年龄、股权集中度等phi是企业固定效应mu是年份固定效应。标准误要在企业层面聚类因为同一家企业在不同年份的扰动项大概率是序列相关的不聚类的话t值会虚高显著性是假的。跑回归之前我习惯先做几件事确认面板是平衡还是非平衡查看各年样本量有没有断崖式变化统计处理组和对照组样本占比是不是均衡看核心变量的描述性统计是否与论文一致。这些基础工作看着琐碎但能在早期就发现数据清洗的潜在错误。3.2 平行趋势检验的三种实现路径DID的黄金前提是平行趋势如果没有政策干预处理组和对照组的TFP应该有相同的变动趋势。这个假设没法直接检验但可以用事件研究法观察政策实施前处理组和对照组是否存在系统性差异。最常见做法是构造一系列事件时间虚拟变量。以一个参照期为基期通常取政策前一年生成before_3、before_2、before_1、post_0、post_1、post_2等虚拟变量代表企业所在城市被纳入试点前第3年、前第2年直到后第2年把这些虚拟变量全部放入回归。如果政策前各期的系数不显著异于0那就说明处理组和对照组在政策前没有显著趋势差异。这个检验的图形化输出比表格更直观。把系数和90%或95%置信区间画出来政策前系数在零附近波动、政策后系数出现明显偏离的形状就是审稿人最想看到的那张图。我用的coefplot命令几行代码就能出图。另外两种验证方式是做一个伪政策时间的安慰剂检验假设政策提前两年实施看系数是否显著以及做一个伪处理组的安慰剂检验从对照组中随机抽取虚拟处理组重复500次得到系数的分布看基准系数不在随机分布的高位。这两种检验的代码量不大但对论证因果关系的帮助极大。3.3 PSM-DID和异质性分析怎么落地图 3-3 是 PSM 和 DID 的结合主要解决处理组和对照组在政策前特征差异过大的问题。用政策前的协变量做 Logit 回归估计每个企业进入处理组的倾向得分然后近邻匹配或者卡尺内匹配在匹配后的样本上跑 DID。这里要提醒的是多期 DID 场景下的 PSM 不能在全部样本上一次性做按政策实施年份分组匹配更稳妥。也就是说2007 年批次的企业用 2007 年前的特征匹配2012 年批次的企业用 2012 年前的特征匹配否则就把后批次的预政策时期当作处理时期来处理了。异质性分析方面理论上排污权交易机制对不同特征的企业应该有差异化影响。常见分组维度有三类。产权性质国有企业相对有更多融资渠道和合规资源民营企业对成本变化更敏感。企业规模大企业有规模效应和资金实力去改造生产线小企业更容易被环境成本挤占生产空间。行业污染程度高污染行业受到的政策约束更强如果政策有效效应应该在高污染行业里更明显。实际操作里就是按分组变量把样本切开分别跑基准回归看组间系数差异用费舍尔组合检验确认组间差异的统计显著性。3.4 稳健性检验里那些细节决定了成败顶刊论文的稳健性检验远不止换控制变量那一件事。我复现时按下面这个顺序逐一排查每一项都对应一个可能的替代解释。换TFP测算方式是必须的LP换成OP和ACF系数方向和显著性不变才踏实。排除其他政策干扰也很关键样本期内可能存在其他同期环保政策为了排除干扰可以把受其他政策影响的样本剔除。改变样本区间的做法是缩短窗口比如只保留政策前两年到政策后三年检验结果对带宽不敏感。替换聚类层级也值得试试从企业层面聚类改成城市层面聚类t值通常变小但如果依然显著说明结果对推断方式的选择比较稳健。还有一个细节是是否加入城市层面的时变控制变量。如果不加可能把城市的宏观经济趋势误算进政策效应加上城市GDP增长率、产业结构、财政支出等能进一步吸收城市层面随时间变化的遗漏变量偏误。4. 常见问题与排查技巧实录4.1 匹配结果与论文对不上怎么办复现时最长遇到的第一个坑就是基准回归的样本量跟论文里差了好几千。原因通常出在样本筛选条件的细节上。论文可能在某个不起眼的脚注里写了剔除上市不足两年的企业或者剔除关键变量缺失样本如果你漏了这一步样本量自然对不上。我的经验是拿论文正文里描述性统计表的总样本量反推先核对企业数×年份数≈总观测值这个基本乘积关系数字对不上就从行业分类、城市覆盖范围、时间起止三个角度逐个排查。4.2 平行趋势检验图形出现跳跃前几期系数不显著但图形走势乱跳这种问题多出在样本期内各年处理组企业数量差异过大。比如第一批次试点的城市多、企业多第二批次城市少、企业少那么相对时间虚拟变量的估计精度不均匀后期系数的置信区间会变得很宽。解决方法是事件研究图的横轴不要延伸到政策后太远控制在政策前后各3到4年比较稳凸显处理组样本占比较大的窗口。还有可能的原因是政策预期。企业可能在政策正式文件发布前就通过非正式渠道获得消息提前调整生产决策导致政策前1年的系数就开始变得显著。遇到这种情况要把预期效应也讲清楚或者在稳健性检验里把政策启动时间前移一年做预期处理的敏感性分析。4.3 聚类标准误应该在哪一层这个问题看起来很小但自由度选错了会直接影响显著性判断。聚类数量太少会导致估计出的方差偏小、t值偏大。如果只有约80个城市每一年大概几十个城市有新进入试点的聚类的有效簇数并不大。此时除非城市层面的聚类t值还非常显著否则更适合保守地报告企业层面聚类加城市层面聚类两组标准误或者用城市层面对被解释变量做聚类稳健的推断同时在论文里报告这个结果。一个要特别注意的点是如果数据里同一个城市的企业数量特别多城市层面的处理变量就存在同一个簇内高度相关的问题。这时候用企业层面聚类会高估显著性。顶刊的通行做法是在省份-年份或城市-年份层面聚类因为政策的变动发生在城市-年份维度聚类就应该在这个维度上进行这样才和政策的变异来源匹配。4.4 从复现到超越的扩展思路复现的价值不止是跑出来一张一样的主表。我在完整跑通之后通常会做两个扩展。第一个是机制检验。政策如果真的提升了TFP路径不外乎技术创新和资源配置优化那就去构造企业专利申请数量、研发投入占比作为中介变量或者在回归中加入融资约束的交互项看哪些机制成立。第二个是空间溢出。排污权交易会不会让高污染企业从试点城市迁移到非试点城市如果是这样政策对企业TFP的提升可能只是区位再分配效应这时可以用迁移模型或边界断点来识别真正的净效应。我做这个项目时用的工具组合供参考数据清洗和匹配用R的dplyr和haven完成回归分析用Stata的reghdfe实现高维固定效应TFP测算用prodest包。每一步都留好日志文件特别是匹配和清洗的代码因为复现项目最怕的是中途改了一个筛选条件导致后面全部结果要重跑没有日志就只能逐段排查。5. 实操中的避坑清单与个人体会5.1 政策变量构造的时间边界处理组和对照组划分清晰之后相对时点也要精确。政策文件发布时间到正式实施时间可能有几个月间隔企业决策参考的是哪一个时间直接决定事件研究图中基期的选择。我建议把政策文件下发年份作为政策的起始年份因为上市公司信息披露和年度报表对应的都是日历年度用实施日期反而会和年报口径产生错位。5.2 TFP测算里资本存量的期初值别马虎LP法测算TFP需要用到资本存量而资本存量的期初值如果直接用固定资产账面价值在折旧率参数和基期选择上非常敏感。我使用的处理是用固定资产净额作资本投入并使用上市公司财报附注的折旧数据计算折旧率能不用全行业统一的折旧率就不用。这样各企业间资本投入的差别更贴近现实。一个复现中的常见错误是在做全样本TFP测算时用的是全行业一起估生产函数但制造业和采矿业的要素弹性差异很大正确的做法是分二位数行业估计。行业分类代码在数据里通常是标准代码注意统一为同一版本。如果行业代码口径不统一估计出的生产函数系数就完全乱套。5.3 最终审稿人视角的自检清单在跑完所有回归、把主表和附件都整理好之后我会站在审稿人的角度再做一遍自检。政策试点城市和企业所在城市之间的对应关系是否每一个城市年份都核对过处理组的Time虚拟变量是否在政策之前严格为0在政策后严格为1报告的结果是否同时给出了个体固定效应和年份固定效应标准误聚类层级是否透明声明关键连续变量是否报告了缩尾处理。这个检查流程我几乎每次都会抓出一两个问题最常出问题的是遗漏了城市层面的控制变量以及没有对交互项做中心化处理导致共线性。把这些都理顺了复现的质量和稳定性就完全不一样了。这篇项目的价值不只在跑出一张漂亮的主回归表更在于让你把政策评估的整个因果识别链条彻底走通一遍以后再遇到类似的研究设计思路和执行都会快很多。