经管科研数据选择指南：如何找到适合你研究的数据
写这篇文章的起因是发现很多同学在数据选择上走了弯路——要么数据太旧、要么变量不全、要么选了和模型不匹配的数据，导致返工。所以想把自己这些年踩过的坑整理一下，希望对你有帮助。
先想清楚你要研究什么
数据选得对不对，前提是你知道自己要研究什么。我见过不少人拿到一堆数据后临时找题目，这样做出来的研究往往逻辑不通。
简单来说，经管研究主要分三个层次：
- 微观：企业、家庭、个人
- 中观：行业、城市、区域
- 宏观：国家、省份
每个层次用到的数据差异很大，先把这个定下来，后面的选择就清晰多了。
如果你研究的是企业层面
恭喜你，上市公司数据是实证研究里最成熟的领域，变量多、时间长、质量也相对有保障。
基础配置：财务报表 + 公司治理
做企业研究，财务数据是标配。你需要的数据应该包括：
- 资产负债表、利润表、现金流量表的核心科目
- 股票交易数据（收益率、换手率、波动率）
- 基本公司信息（成立时间、行业分类、地区归属）
这些是所有回归模型的控制变量来源，没有的话研究根本跑不起来。
进阶配置：看你研究什么
同样是企业研究，不同方向的侧重点完全不一样。
如果你研究的是治理问题，比如股权结构、高管激励、内部控制在企业经营中起什么作用，你需要重点关注：
- 内部控制指数（直接反映内部治理质量）
- 董监高特征数据（年龄、学历、任期、政治背景）
- 高管薪酬数据（薪酬差距、薪酬业绩敏感性）
- 断裂带数据（衡量高管团队的分裂程度）
如果你关注的是财务质量或审计问题，这些数据可能更有用：
- 盈余管理指标（判断利润是否被操纵）
- 审计费用（审计成本的代理变量）
- 财务舞弊样本（研究哪些企业容易出问题）
如果你研究的是企业风险，有几个指标特别实用：
- 股价崩盘风险（NCSKEW、DUVOL）
- 违约风险
- 经营风险（资产收益率波动）
如果你想研究创新和专利
企业创新是近年的热门方向，但数据选择有点讲究。
基础创新指标
专利申请量、授权量是最常用的，但这里有个坑：不同数据库统计口径可能不一致，建议一开始就确定用哪个来源，后面别换来换去。
更精细的创新指标
如果你的研究想更深入，普通的专利数量就不够用了：
- 绿色专利：研究环保创新时必备，可以区分环境相关技术和普通技术
- 数字经济专利：研究数字化转型时，可以用人工智能、云计算、区块链等细分领域的专利来衡量
- 专利引用数据：衡量创新质量的重要指标，被引用次数多的专利价值更高
如果你关注ESG和可持续发展
这个方向这几年特别火，但数据质量参差不齐，选的时候要小心。
华证ESG评级是目前国内覆盖最广、时间最长的ESG数据，适合做时间序列分析。
如果你研究绿色投资，环保投入、节能支出这类变量比较关键。
还有一块是碳排放数据，部分学者整理了上市公司层面的碳排放数据，但时间跨度有限，用之前先确认样本量够不够。
如果你想研究数字化转型
这是近年经管领域最热的方向之一，数据也相对成熟。
吴非老师团队、袁淳老师团队、张永坤老师团队都发布了数字化转型数据，各有侧重：
- 有的偏重数字技术应用（人工智能、云计算）
- 有的偏重数字化基础设施
- 有的包含数字化战略、组织变革等软性指标
建议根据你的研究重点选择版本，比如你研究的是制造业数字化，就选技术应用类指标更详细的版本。
如果你研究供应链问题
供应链相关的实证研究需要两类数据：
- 供应商和客户明细：前五大客户/供应商的占比、关系稳定性
- 供应链韧性指标：衡量企业应对供应链冲击的能力
- 供应链金融数据：应收账款、存货融资相关
这类数据最大的问题是缺失值多，尤其是客户信息很多上市公司不披露，选的时候要有心理准备。
如果你关注投资者行为
研究机构投资者、分析师、散户行为，数据选择也不一样：
- 机构持股数据：看谁在买、谁在卖
- 分析师关注度：研报覆盖数量、预测偏差
- 投资者情绪指数：市场层面的情绪代理变量
如果你研究的是区域经济或城市问题
从微观跳到中观，你的数据库要从上市公司切换到城市层面。
地级市数据的主要来源
统计年鉴是最基础的数据，涵盖GDP、财政、人口、基础设施等核心指标。但有个现实问题：不同城市的数据完整度差异很大，东部沿海城市数据丰富，西部欠发达地区可能缺失严重。
做面板数据的时候，建议先做一个缺失值分析，如果某个变量缺失超过30%，要么换变量，要么想办法补数据。
环境研究相关数据
如果你研究环境问题，这些数据比较关键：
- 环境规制强度（衡量地方政府治污力度）
- PM2.5浓度（健康经济学必备）
- 碳排放数据
- 绿色金融发展指数
这些数据有个特点：空间粒度比较细，可以精确到区县层面，但时间跨度往往不如企业数据长。
政策评估类数据
做DID（双重差分）研究的同学注意了，政策冲击的时间节点很关键：
- 高铁开通年份（基础设施冲击）
- 低碳城市试点名单（环保政策）
- 自贸区设立批次（对外开放政策）
用这些数据做政策评估时，要重点关注处理组和对照组的选取，选不好平行趋势假设容易出问题。
如果你做的是省级或县域研究
省级数据相对简单，樊纲市场化指数、产业结构升级指数、EPU指数（经济政策不确定性）都是常用变量。
县域数据来源比较单一，主要是县域统计年鉴，但数据质量是出了名的不稳定，很多偏远县城的指标要么缺失要么口径不统一，用之前务必仔细清洗。
如果你用的是微观调查数据
CFPS、CGSS、CHFS、CLDS这四个微观调查数据库是研究家庭和个人行为的主要来源。
这类数据和宏观数据的最大区别是：样本量相对较小，但变量信息更丰富，可以做很多宏观数据做不到的分析，比如家庭资产配置、教育代际传递等。
使用微观调查数据要注意：
- 权重问题：不同家庭被抽中的概率不同，要用权重变量校正
- 追踪调查：同一批人多年追踪的数据可以做面板分析，但样本流失是常见问题
- 变量口径：同一概念在不同调查里的定义可能不一样，合并数据前要仔细核对
关于文本数据
这个方向这几年发展很快，但门槛也高。
- 新闻数据：可以构建企业舆情、媒体报道情绪指标
- 政府工作报告：研究地方政策取向、发展重点
- 年报MD&A文本：管理层讨论与分析的文本特征
做文本分析需要一些NLP基础，Python的jieba、snownlp等工具可以帮助处理中文文本。
最后说几点个人感受
数据质量比数量重要。与其有一堆半成品数据，不如把核心变量做扎实。一篇用高质量数据写成的论文，远比用一堆低质量数据的论文更有说服力。
早点确定数据来源。很多同学论文写到一半发现数据不够或质量不行，只能临时换题，浪费大量时间。开题前一定要评估数据可得性。
变量的定义要统一。同一个概念，不同数据来源可能有不同的计算口径。比如资产负债率，有的用总负债/总资产，有的用带息负债/总资产，用之前一定要看清楚。
缺失值不是洪水猛兽，但处理要透明。没有完美无缺的数据，关键是处理方法要说清楚，稳健性检验要跟上。
数据是研究的基石，选对了事半功倍。希望这份指南能帮你少走一些弯路。