使用 Python 统一海关税号编码

由于借助 AI 工具学习编程已经变得非常容易了，因此之后的课程就不再默认进行视频讲解了，如果特别需要视频讲解也可以联系李老师预约讲解～讲义材料学习过程中遇到的问题也可以及时与李老师联系。

购买 RStata 会员（任意会员均可）即可参加该课程啦（之前的和未来的都可以参加）！

购买会员可以从这里下单：https://rstata.duanshu.com/#/card/list/ 

* 如果发票可添加小编微信 r_stata2 （RStata 李老师）开具。如需数据资料，购买后可添加小编微信免费领取数据折扣卡。

更多关于 RStata 会员的更多信息可添加微信号 r_stata2 咨询：

课程主页（点击文末的阅读原文即可跳转）：https://rstata.duanshu.com/#/brief/course/aae08b44662b44b284369804399ae4e9

一、为什么要统一海关税号编码

海关数据中的商品编码（税号编码），也就是我们常说的 HS 编码（Harmonized System，商品名称及编码协调制度），是国际贸易中对商品进行分类的通用语言。它有两个特点需要特别注意：

1. 前 6 位是国际通用码，全球统一；后 2 位是国内子目，由各国海关自行扩展。我国海关数据中的商品编码通常为 8 位。
2. HS 编码每隔约 5 年修订一次。世界海关组织（WCO）会新增、删除、拆分或合并部分税目，因此不同年份的数据使用的是不同版本的 HS 编码。

在我们的海关数据（2000–2016 年）中，年份与 HS 版本的对应关系如下：

如果直接把跨年份的数据放在一起做面板分析，同一个商品在不同年份可能对应不同的编码，会导致匹配错误。因此在做任何跨期分析之前，必须先把所有年份的编码统一到同一个版本。

本讲义演示如何用 Python（借助 R 的 reticulate 包创建独立虚拟环境来运行）把海关数据统一到 HS1996 / HS2002 / HS2007 / HS2012 / HS2017 五个版本，并保留原始编码。为节省篇幅，正文以 2014–2016 年（均为 HS2012 版本）的数据为例；处理全部年份只需把年份列表改为 range(2000, 2017) 即可。

二、数据准备

原始海关数据体量庞大，我们先用 Stata 把每年的数据抽取出 newhgid（观测 ID）、年份、商品编码 三个变量，另存为分年 .dta 文件，减小后续读取的压力。对应的 Stata 代码如下（其 Python 等价写法见下方程序块，本项目已附带抽取好的 海关数据商品编码分年/ 数据）：

三、读取 HS 转换表（reticulate 虚拟环境）

本文档借助 reticulate 在 R 中调用 Python，并为项目创建专属虚拟环境 .venv，所需依赖（pandas / numpy / openpyxl / xlrd / matplotlib）全部隔离其中，避免与系统 Python（如 Anaconda）冲突。

重要说明：reticulate 在 R 会话中只能绑定一次 Python——一旦某个 {python} 代码块运行，Python 解释器就被锁定。因此虚拟环境的激活已在本文档开头的 reticulate-setup chunk 中、通过 Sys.setenv(RETICULATE_PYTHON = ...) 提前完成。

安装 Python 包（仅首次 knit 时自动执行）

验证激活状态

版本之间的转换依赖联合国统计司提供的官方对照表。每个 Excel 文件里通常有两张表：

• Conversion Table：只保留在新版本中仍有对应关系的旧码，覆盖不全；
• Correlation Table：记录 1:1 / 1:n / n:1 / n:n 全部对应关系，覆盖度更高。

转换表可以从这里下载：https://unstats.un.org/unsd/classifications/Econ

因此我们统一使用 Correlation Table。所有转换表方向都是「新版本 → 旧版本」，其中第 1 列是新版本码、第 3 列是旧版本码。我们分别按正向（旧→新）和反向（新→旧）读取，一对多时取第一个匹配：

四、构建完整查找表

有了相邻版本的对照关系后，就可以把它们链式拼接起来，为每个源版本构建一张包含全部 5 个目标版本的查找表。核心技巧是级联填充：若某一步转换缺失（NaN），则沿用上一版本的码，保证链条不中断。

以 HS2012 源（对应 2014–2016 年数据）为例——它向前只需一步到 HS2017，向后需要依次退回到 HS2007、HS2002、HS1996：

其余三个源版本（HS1996 / HS2002 / HS2007）的查找表构建方式完全类似，只是正向、反向链条的长度不同，完整代码见配套脚本 使用 Python 统一海关税号编码.py。

五、执行编码转换

商品编码为 8 位：前 6 位参与版本转换，后 2 位（国内子目）保留不变。转换时用字典做「查表 → 缺失填原码 → 拼回后 2 位」，对上千万行数据也非常高效：

可以看到，源版本变量（这里是 HS2012）与原始 商品编码 完全一致（恒等转换），而其他版本会随着税目的历史变动而不同。最终把 HS1996 ~ HS2017 五个新变量与原始变量一起写回 .dta，即完成统一：

六、统一质量：无法统一的比例

并非所有编码都能成功统一。若某个 6 位码不是目标版本中的合法 HS 编码（例如中国海关特有的 98/99 章特殊码、或数据录入错误），它就无法被统一，我们保留其原码。下面按观测数加权，统计 2014–2016 年各版本无法统一的比例：

再用 matplotlib 画成热力图，直观展示各年各版本的无法统一比例：

从图中可以看出：

• 2014 年几乎完美，无法统一比例为 0%；
• 2015 年约 0.04%，主要是少量海关特殊码；
• 2016 年明显偏高（约 1.33%），原因是当年 980400 系列跨境电商监管码大量出现——它一个码就占了约 23 万条观测，而这类码根本不属于国际 HS 体系，因此在任何版本下都无法统一。

七、小结

统一海关税号编码的完整流程可以概括为四步：

1. 抽取变量：用 Stata / Python 把大数据瘦身为 newhgid + 年份 + 商品编码；
2. 读取 Correlation Table：正、反两个方向分别构建相邻版本的对照关系；
3. 链式拼接 + 级联填充：为每个源版本构建到 5 个目标版本的查找表；
4. 向量化转换：前 6 位查表转换、后 2 位保留，缺失则保留原码。

除个别中国海关特殊码与数据录入错误外，绝大多数年份的统一成功率都在 99.9% 以上，可以放心用于跨期面板分析。完整可运行代码见配套脚本 使用 Python 统一海关税号编码.py 与 绘制缺失比例图.py。

如何参加课程？

* 如果发票可添加小编微信 r_stata2 （RStata 李老师）开具。如需数据资料，购买后可添加小编微信免费领取数据折扣卡。

更多关于 RStata 会员的更多信息可添加微信号 r_stata2 咨询：

课程主页（点击文末的阅读原文即可跳转）：https://rstata.duanshu.com/#/brief/course/aae08b44662b44b284369804399ae4e9