2  政策如何进入数据

本章核心判断

政策文件不能直接进入回归。真正进入模型的，是研究者根据政策对象、执行时间、数据层级和识别逻辑构造出来的 Treat、Post、Exposure、样本边界和结果变量。

第一章讨论了为什么政策背景会决定研究设计。本章探讨政策背景如何与数据关联起来？

很多论文在这一步走得太快。政策文件刚介绍完，就列出如下模型设定：

\[ Y_{it}=\alpha+\beta(\operatorname{Treat}_{i}\times \operatorname{Post}_{t})+\mu_i+\lambda_t+\varepsilon_{it} \tag{2.1}\]

式 2.1 看起来熟悉，但它把最重要的问题藏了起来：Treat 从哪里来？Post 从哪里来？政策对象和数据单位是否一致？如果政策作用在产品、行业、城市、药品、金融机构或产业链关系上，而数据单位是企业、个人或上市公司，应该如何映射？如果政策进入有批次、名单、受理、注册、退出等多个时间节点，应该使用哪个时间点？

本章的主线案例仍然是 Lane (2025) 对韩国重化工业驱动 (Heavy and Chemical Industry Drive, HCI drive) 的研究。它的好处是政策边界、目标产业、时间结构和数据入口相对清楚，适合把政策进入数据的过程讲透。随后，本章用两个中国政策场景扩展讨论：科创板并试点注册制和政府引导基金。前者说明最终进入政策平台的企业不能直接等同于处理组；后者说明多层级、多轮次、多对象政策会使处理变量定义明显复杂化。

2.1 政策文件不能直接进入回归

一项政策要进入实证研究，至少要完成四个转化。

  • 从政策名称到处理对象
    • 政策名称只是制度标签；
    • 处理对象才是数据中的比较单位；
    • 处理对象可能是行业、地区、产品、药品、企业、金融机构、学校、医院或产业链关系。
  • 从政策日期到冲击时间
    • 文件发布日期不一定等于实际冲击时间；
    • 可能更重要的是名单公布日、正式实施日、企业进入日、监管进驻日、注册生效日或退出日；
    • 不同时间点对应不同信息冲击和不同估计对象。
  • 从政策对象到数据单位
    • 政策对象与数据单位常常不一致；
    • 研究者需要说明合并键；
    • 合并键可能是行业代码、地区代码、企业名称、股票代码、统一社会信用代码、产品编码、药品编码或供应商—客户配对关系。
  • 从政策目标到结果变量
    • 结果变量不能只由数据可得性决定；
    • 结果变量应当从政策目标和作用机制中推出；
    • 一个政策可以有多个目标，但每个结果变量都要说明它对应哪一个政策目标。

因此，Treat 不是政策名称，Post 也不是文件日期。它们是政策事实进入数据后的变量化结果。

常见错误

把政策名称直接写成 Treat，把文件发布日期直接写成 Post，再用固定效应模型估计政策效果。这种做法看起来完成了实证设定，但政策对象、冲击时间、数据合并键和反事实来源都没有真正交代。

2.2 Lane (2025)：从 HCI 政策到行业面板

图 2.1: Lane (2025)：从政策背景到研究设计

韩国 HCI drive 的政策事实可以先压缩成几句话：1973 年，韩国政府启动重化工业驱动，重点支持钢铁、有色金属、造船、机械、电子和石化六大战略部门；1979 年后，随着政治和经济环境变化，政策进入调整阶段。Lane (2025) 使用韩国制造业普查、UN COMTRADE 贸易数据、韩国银行投入产出表和政策立法文书，研究这项产业政策是否促进目标产业发展，并是否通过投入产出网络影响下游产业。该文的复现包公开于 Harvard Dataverse。

这些信息已经足够说明，HCI 政策进入数据不是一步完成的。它至少经历了下面这条链条：

政策法案 → 目标产业 → 行业分类代码 → 行业面板 → 事件时间 → 结果变量 → 估计方程

2.2.1 从目标产业到处理组

HCI drive 的直接对象是六大战略产业。研究者不能简单地把韩国制造业整体作为处理组，也不能把所有重工业都视为处理组。处理组必须来自政策文件中被明确支持的产业，并进一步映射到可观测的行业分类代码。

在 Lane (2025) 中，这一步可以概括为：

  • 政策层面
    • 政府明确支持六大战略部门；
    • 这些部门构成政策目标产业；
    • 目标产业来自政策规则，而不是回归结果。
  • 数据层面
    • 研究数据是行业面板；
    • 需要把政策产业映射到韩国行业分类；
    • 行业层面的处理变量可以记为 \(HCI_i\)。
  • 变量层面
    • 若行业 \(i\) 属于 HCI 目标产业，则 \(HCI_i = 1\)；
    • 若行业 \(i\) 不属于目标产业，则 \(HCI_i = 0\)；
    • 这个变量在行业维度上固定，但会与年份交互形成政策处理状态。

这一步的关键不是生成一个 0/1 变量，而是保证这个 0/1 变量有政策依据。处理组边界如果来自研究者事后挑选，就很难支持因果解释。

2.2.2 从政策启动到 Post

HCI 政策在 1973 年启动，因此 1973 年是政策进入数据的关键时间点。Lane 的事件研究通常以 1972 年作为政策前基准年。这样做的含义很清楚：所有动态效应都相对于政策启动前一年解释。

一个简化的事件研究设定可以写成：

\[ Y_{it}=\alpha_i+\lambda_t+\sum_{\tau\neq 1972}\beta_{\tau}\left(\operatorname{HCI}_{i}\times \mathbf{1}\{t=\tau\}\right)+\varepsilon_{it} \tag{2.2}\]

式 2.2 中，\(i\) 是行业，\(t\) 是年份，\(\operatorname{HCI}_{i}\) 表示行业是否属于政策目标产业，\(\mathbf{1}\{t=\tau\}\) 表示年份虚拟变量。\(\beta_{\tau}\) 描述目标产业相对于非目标产业在年份 \(\tau\) 的差异变化。

这个设定看起来是事件研究方程，但本章关注的是它背后的变量化逻辑：

  • 1972 年为什么可以作为基准年；
  • 1973 年为什么是政策进入数据的起点；
  • 1979 年后为什么不是简单把处理状态切回 0；
  • 政策退出或调整后，研究对象是否转向持续效应。

Lane 的处理方式提醒我们：政策时间不只是 Post_t。它包括基准年、启动年、政策期、调整期和长期观察期。若只写一个 Post，这些差别都会被压扁。

2.2.3 从行业政策到数据结构

Lane 使用的主要数据不是单一数据表，而是多个数据入口：

  • 制造业普查
    • 用来构造行业层面的产出、就业、工厂数、劳动生产率、价格等结果变量；
    • 支持目标产业与非目标产业在政策前后进行比较；
    • 同时存在较长时间跨度的较粗行业面板和较细行业粒度的较短面板。
  • UN COMTRADE 贸易数据
    • 用来研究出口表现和比较优势；
    • 结果变量包括出口、RCA 以及相关出口竞争力指标；
    • 它把政策效果从国内产业扩展到国际市场表现。
  • 韩国银行投入产出表
    • 用来构造目标产业和其他产业之间的投入产出联系；
    • 支持进一步分析 HCI 政策对下游行业的前向溢出；
    • 它把处理对象从直接目标行业扩展到产业网络中的间接受影响行业。
  • 政策立法文书
    • 用来确认目标产业、政策工具和政策时间；
    • 支撑处理组定义，而不是只作为背景材料。

这一步说明，数据不是被动承接政策。不同数据源回答不同问题。制造业面板回答直接产业效应，贸易数据回答出口和比较优势，投入产出表回答产业链溢出，政策文书回答处理组边界和时间结构。

Lane 案例中的数据入口

同一政策可以进入多种数据：行业面板、贸易数据、投入产出表和政策文件。每一种数据都对应不同的政策问题。把这些数据混在一起之前，必须先说清它们各自回答什么问题。

2.2.4 从政策目标到结果变量

虽然 HCI 政策的最终目标是地提高韩国 GDP，但它的政策对象是特定战略产业，作用机制包括产业扩张、学习效应、投资支持、出口能力形成和上下游联动。因此，结果变量也应围绕这些细分目标展开。

  • 产业扩张
    • 产出；
    • 就业；
    • 工厂数；
    • 行业产出份额和就业份额。
  • 效率与价格
    • 劳动生产率；
    • TFP；
    • 输出价格；
    • 投入和投资相关变量。
  • 出口与动态比较优势
    • 出口额；
    • RCA；
    • 相对出口生产率；
    • 是否达到显性比较优势。
  • 产业链溢出
    • 下游行业产出；
    • 下游行业价格；
    • 与 HCI 产业的前向联系强度。

这里的关键是：结果变量不是任意罗列。每一类结果变量都对应政策目标中的一部分。产业扩张回答目标产业是否成长；出口指标回答动态比较优势是否形成；投入产出指标回答政策是否通过产业链影响其他部门。

2.2.5 从直接处理到产业链暴露

HCI 政策直接支持目标产业，但目标产业生产的中间品可能被其他产业使用。若目标产业扩张或成本下降，下游产业也可能受益。此时，政策不再只通过 HCI_i 进入数据，还会通过投入产出联系进入数据。

可以把前向联系写成：

\[ \operatorname{ForwardLinkage}_{i}=\sum_{j\in HCI}\alpha_{ji} \tag{2.3}\]

式 2.3 中，\(j\) 是 HCI 目标产业，\(i\) 是可能使用 HCI 产业产出的下游产业，\(\alpha_{ji}\) 表示产业 \(j\) 的产出被产业 \(i\) 使用的份额。这个变量的含义是：行业 \(i\) 对 HCI 目标产业产出的依赖程度。

这一点非常重要。它说明政策对象和受影响对象并不总是同一个层级。直接处理组是 HCI 目标产业；间接受影响组可能是使用 HCI 产业产品的下游行业。政策进入数据时，既可以形成二元处理变量，也可以形成连续暴露度变量。

2.3 从 Lane 案例提炼一般规则

基于上述分析，我们可以把政策进入数据的基本规则总结如下：

需要界定的问题 Lane (2025) 的处理方式 一般化启发
政策事实 1973 年启动 HCI drive，1979 年后调整 先确认政策 episode，而不是只引用政策口号
处理对象 六大战略产业 处理组来自政策规则
数据单位 行业、贸易产品、投入产出行业 数据单位可能随研究问题变化
冲击时间 1973 年启动，1972 年为事件研究基准 Post 要与真实约束变化对应
结果变量 产出、就业、生产率、价格、出口、RCA 结果变量从政策目标推出
间接暴露 前向投入产出联系 政策可通过网络影响非直接处理组
方法选择 DID、DDD、DR DID、投入产出分析 方法来自政策结构和数据结构

简言之，在政策进入数据之前，我们必须先把政策事实拆成可观察、可合并、可解释的变量。

2.4 政策对象和数据单位不一致时：Exposure

多数情况下，政策对象和数据单位并不一致。政策作用在产品、药品、行业、城市或名单上，而研究数据却是企业、上市公司、个人或城市面板。此时，简单的 Treat 往往不够，需要构造暴露度。

一个通用写法是：

\[ \operatorname{Exposure}_{i}=\sum_{k}s_{ik,0}\operatorname{Shock}_{k} \tag{2.4}\]

式 2.4 中，\(k\) 是政策直接作用对象，\(i\) 是研究样本单位，\(s_{ik,0}\) 是政策前权重，\(\operatorname{Shock}_{k}\) 是政策在对象 \(k\) 上的强度。权重使用政策前信息，目的是避免政策后行为调整反过来影响处理变量。

这个公式可以覆盖很多情形：

  • 产品政策进入企业数据；
  • 药品政策进入上市公司数据；
  • 贸易政策进入企业出口结构；
  • 产业政策进入城市—行业面板；
  • 金融政策进入企业融资结构；
  • 供应链政策进入上下游配对数据。

暴露度不是技术细节。它回答的是：政策作用在对象 \(k\) 上，为什么会影响样本单位 \(i\)？如果这个映射解释不清，后面的估计系数也很难解释。

2.5 中国扩展案例：科创板并试点注册制

科创板并试点注册制适合说明另一个问题：最终进入政策平台的主体，通常已经被选择过，不能直接等同于外生处理组。

根据 China Policy Shocks 的 科创板并试点注册制政策卡片，2019 年 1 月 28 日，证监会发布设立科创板并试点注册制的实施意见。该改革包括市场化发行承销机制、以信息披露为核心的审核机制、更市场化的交易机制、并购重组制度和退市制度安排。

最直观的处理组是科创板上市企业。但这不是最稳妥的处理变量。实际能够在科创板上市的企业，通常已经经过科技属性、成长性、中介机构支持和监管审核等选择。若直接比较科创板上市企业和其他企业，很容易把企业本身质量、行业景气和中介筛选误认为政策效果。

更稳妥的做法，是根据研究问题重新定义处理组。

  • 研究 IPO 定价
    • 处理组可以是科创板 IPO 企业；
    • 对照组可以是同期其他板块 IPO 企业；
    • 结果变量可以是发行市盈率、首日收益率、超募比例、询价分散度等。
  • 研究审核效率
    • 处理组可以是科创板受理企业；
    • 对照组可以是其他板块申报企业；
    • 时间节点要区分受理、问询、注册和上市。
  • 研究潜在受益企业
    • 处理组不应只看最终上市企业；
    • 可以用政策前信息构造 Eligible_i；
    • 例如政策前研发强度、专利数量、高新技术企业身份、是否进入上市辅导、是否有 VC/PE 支持、是否符合科创板财务指标。
  • 研究资本市场反应
    • 可以构造 Exposure_i；
    • 事件日可以是政策发布日、受理日、问询日、注册日或上市日；
    • 不同事件日对应不同信息冲击，不能混用。

如果研究潜在上市企业的政策影响，可以写成：

\[ Y_{it}=\alpha+\beta(\operatorname{Eligible}_{i}\times\operatorname{Post}_{t})+X_{it}'\gamma+\mu_i+\lambda_t+\varepsilon_{it} \tag{2.5}\]

式 2.5 中，\(\operatorname{Eligible}_{i}\) 应使用政策前信息构造，而不是用事后是否成功上市替代。这个差别很小，但识别含义完全不同。

科创板案例的核心风险

实际上市身份是政策选择、企业质量、中介机构能力和市场环境共同作用的结果。把最终上市企业直接作为处理组，容易把筛选效应误写成政策效应。

科创板案例补充了 Lane 案例没有覆盖的情形。Lane 的处理组来自政策目标产业，边界相对清楚；科创板的处理组若按最终上市企业定义，就会混入事后选择。此时，政策前潜在受益企业、受理企业、申报企业和最终上市企业应当区分开来。

2.6 中国扩展案例：政府引导基金

政府引导基金比科创板更复杂。它不是一个单一政策平台，也不是一个简单名单。它可能涉及中央、省、市、区县不同层级的政府资金，也可能通过母基金、子基金和专项基金间接进入企业。优秀企业还可能在不同融资轮次接受不同层级基金投资。

因此，政府引导基金非常适合用来说明：一个企业是否被投，不够；被哪个层级基金投、在哪一轮投、何时投、投向哪个子公司、持股比例如何变化，都会影响处理变量定义。

关于政府引导基金的全国制度框架、国家级大基金三期、深圳地方基金规则和中芯南方微观案例，本书整理了一份政策梳理笔记，见 政府引导基金政策梳理笔记。

政府引导基金进入数据时，至少有三类难点。

2.6.1 多层级

政府引导基金可以来自不同层级。

  • 中央级基金
    • 可能关注国家战略、新兴产业、自主可控和跨区域产业链；
    • 典型例子是国家集成电路产业投资基金；
    • 它未必只服务某一个地区。
  • 省级基金
    • 可能服务省域产业布局；
    • 也可能跨省投资；
    • 深创投、安徽相关政府引导基金等经验都说明，省级或地方平台壮大后，投资边界可能超出行政区。
  • 市级和区县级基金
    • 更贴近地方招商、税源、就业和产业链补短板；
    • 政策目标更容易与地方产业规划绑定；
    • 处理强度和返投要求可能存在明显地方差异。

如果研究者只定义 Treat_i = 企业是否获得政府引导基金投资，这些层级差异都会消失。

2.6.2 多轮次

同一企业可能在不同阶段获得政府基金支持。

  • 首次进入可能发生在早期融资轮次；
  • 后续增资可能发生在企业扩产、上市前或重大项目建设阶段；
  • 不同轮次可能由不同层级基金进入；
  • 后续投资可能反映企业前期表现，因而具有更强选择性。

因此，Post 也不唯一。它可以是基金设立日、首次投资日、某一轮增资日、进入股东名册日或退出日。不同定义回答不同问题。

2.6.3 多对象

政府引导基金可能作用于不同对象。

  • 母基金层面；
  • 子基金层面；
  • 企业层面；
  • 子公司或项目层面；
  • 产业链上下游关系层面；
  • 地区—行业层面。

例如，如果政府基金投向某个核心企业的子公司，研究对象到底是母公司、子公司、项目，还是该企业所在产业链？若研究供应链韧性，结果变量可能落在供应商—客户配对层面，而不是企业年度面板层面。

政府引导基金研究可以采用多种处理变量定义。

  • 简单二元处理
    • Treat_i = 1 表示企业曾获得政府引导基金投资；
    • 适合描述性比较；
    • 会丢弃层级、轮次和强度信息。
  • 首次处理年份
    • FirstTreatYear_i 表示企业首次获得政府基金投资的年份；
    • 适合事件研究；
    • 会忽略后续追投和不同层级基金进入。
  • 分层处理
    • 区分中央、省、市、区县基金；
    • 适合研究不同层级政府资金的目标差异；
    • 要求研究者穿透基金出资结构。
  • 处理强度
    • 使用政府基金持股比例、累计投资金额、投资金额占企业融资额比例等变量；
    • 适合研究 dose-response；
    • 需要处理持股稀释和后续融资内生性。
  • 产业链暴露
    • 构造企业上下游是否受到政府基金支持；
    • 适合研究产业链协同、供应链韧性和长鞭效应；
    • 需要供应商—客户关系或投入产出关系数据。
政府引导基金案例的核心启发

Lane 的 HCI 政策可以较自然地形成行业层面的 0/1 处理变量；科创板需要区分潜在受益者和最终进入者；政府引导基金则进一步要求研究者识别基金层级、进入轮次、投资对象和处理强度。政策越复杂，变量化工作越不能省略。

2.7 政策进入数据检查表

在正式估计之前，可以用下面的清单检查政策是否已经真正进入数据。

检查项 需要回答的问题 如果说不清会怎样
政策事实 政策是否真实发生，是否有文件、名单或执行节点 政策只能作为背景，不能作为识别依据
处理对象 谁受到政策直接影响 Treat 变成研究者任意定义
数据单位 研究样本是行业、企业、产品、城市还是个人 政策对象和样本单位错位
合并键 政策对象如何与样本匹配 政策变量无法可靠落到数据上
冲击时间 哪个时间点真正改变约束或信息 Post 定义错误，事件研究图可能误导
结果变量 结果变量是否来自政策目标 显著结果难以解释政策含义
暴露度 政策对象和样本单位不一致时如何映射 处理强度含义不清
对照组 未处理组是否能代表反事实路径 DID 或事件研究缺少可信比较
选择机制 谁进入政策，进入是否与潜在结果相关 估计结果混入选择效应
溢出效应 对照组是否也受到间接影响 反事实组被污染
并发政策 同期是否有其他政策共同影响结果 单一政策效应难以分离

当然，在研究之初，我们不必完全按照上表的清单逐项检查，但要建立这种意识，以便对核心变量有清晰的界定。

2.8 从本章走向后续章节

本章讨论的是政策如何进入数据。只要开始定义 Treat、Post、Exposure、样本边界和结果变量，后续问题就会自然出现。

  • 如果处理组进入政策本身带有选择，就会进入第 3 章的样本选择和自选择问题；
  • 如果处理组和对照组存在不可观测差异，就会进入第 4 章的固定效应和遗漏变量问题；
  • 如果核心问题是没有政策时会怎样，就会进入第 5 章的 DID、DDD、事件研究和合成控制；
  • 如果控制变量很多、关系非线性，就会进入第 6 章的 FWL 和 DDML；
  • 如果研究者需要复现论文、检查政策卡片和追踪代码，就会进入第 7 章的 AI Agent 与复现工作流。

政策评估不是从回归开始。它从一个更基础的问题开始：这项政策在数据中到底长什么样。