480 组回归设定里,只有 15 组在 5% 水平上显著为正,占 3.1%;显著为负的一组都没有。这个数字不是别人挑出来的,是包内 output/results/multiverse_all.csv 自己汇总的。一篇研究"数字时代的财政能力"的论文,把自家核心系数的脆弱程度连同 480 份估计一起交了出来,这在复现包里并不常见。
对象是 2026 年 11 月 11 日发布在 Zenodo 的记录 24141273(DOI 10.5281/zenodo.24141273),包内版本 1.0.1,主数据版本 2026-10-16,论文题为 Fiscal Capacity in the Digital Age: What Survives Identification? Evidence from 145 Countries,投《Economies》,稿号 economies-4672368。作者五位:Angelo Leogrande、Ada Spiru、Maria Buonarota、Cosimo Magazzino、Alberto Costantiello,单位分别是 LUM Giuseppe Degennaro 大学、地拉那都会大学、福贾大学。
包里是什么:273 个文件、两层数据、39 段程序
整包 10,057,611 字节,MD5 是 54af920a6888be3f41c3f686062e19ad,解开后 33.05 MB,273 个文件配 11 个目录。
| 目录 | 内容 | 规模 |
| data/ | 主面板 panel_master_v2026-10-16.csv、13 份原始摘录、4 份手工数据、2 份参考数据 | 主面板 7,211 行 × 119 列 |
| code/ | 39 个 Python 脚本 + 入口 run_all.py | 从取数到政策模拟全链路 |
| output/tables/ | 87 份表 CSV + 54 份 _note.txt 表注 | Table1—Table11 与 A1—P5 |
| output/figures/ | 29 张 PNG | 主文 4 张、附录 25 张 |
| output/results/ | 32 份 JSON | 系数、标准误、p 值、样本量、检验统计量 |
| docs/ | numbering_map.csv、CHANGES_vs_original_submission.md | 119 行编号对照 + 逐轮修订记录 |
数据分两层。上面一层是那份 7,211 行 × 119 列的主面板,覆盖 221 个经济体、1990—2025 年,实际估计样本收在 2005—2020 年(3,444 行)。下面一层是构成它的原料:IMF 的 WoRLD 税收库、UNCTAD 数字交付服务贸易、世行 KNOMAD 汇款与移民存量、世行非正规经济数据库、WDI、EIU 民主指数、RSF 新闻自由、ITU 监管追踪、Packet Clearing House 的互联网交换点、联合国电子政务调查、世行 GovTech 成熟度指数的四个税收征管条目,再加一份企业调查摘录(10.49 MB,是全包最大的单个文件)。
真正费工的是四份手工数据:145 个国家的"对境外数字服务开征增值税/消费税的生效日期"(8 列,带可信度评级与来源链接)、145 国 × 2005—2020 年的标准税率(2,320 行)、按沿海国家统计的国际海底光缆与启用年份(1,354 行)、欧盟 27 国加英国的增值税遵从缺口(224 行,2013—2020 年,注明所用报告的版本与表号)。这类东西公开数据库里没有现成表,靠一份份税务当局公告和 KPMG、PwC、Avalara 的国别提醒拼出来。
五条假设排成一张表,各有各的"活法"
论文没有笼统问"数字化是否提升财政能力",而是拆成五条可分别证伪的假设,包内 Table1.csv 就是这张诊断表:
| 假设 | 首选估计量 | 结果 |
| H1 非正规经济 | 跨国 Between,组内 FE 作检验 | 跨国负相关,组内为零 |
| H2a 数字服务进口 | FE-2SLS(二阶滞后)+DML-IV | 只在工具变量下为正;FE、CCE 与 Granger 检验均不通过 |
| H2b 侨汇 | 份额移动工具变量(东道国收入冲击) | 不显著 |
| H2c 数字服务增值税改革 | 交错 DiD +进口×改革交互 | 平均效应为零;改革后进口才带动增值税 |
| H3 民主程度 | 跨国 Between +系统 GMM 长期 | 跨国正相关;加入非税收入后减半 |
这张表的写法值得单独说:它把"用什么估计量、依赖什么识别假设、结论能推到哪一步"三件事并排写,等于替读者做完了判断。H1 与 H3 明写"无因果解读"(omitted structural factors、omitted slow-moving factors),H2a 直接写"fails under FE, CCE and Granger tests"。
换估计量就变号,这是全文最值得学的一段
同一个系数,被解释变量都是税收占 GDP 比重,ln 数字服务进口的估计值在包内是这样走的:
- 固定效应:0.39,标准误 0.34,p = 0.24,不显著;
- FE-2SLS(用二阶、三阶滞后作工具):2.65,标准误 1.01,p = 0.009,Anderson–Rubin 95% 区间 [0.70, 5.85];
- DML-IV,三种学习器、十次随机分样本取中位数:2.22—2.37,p ≤ 0.038;
- 同一套 DML 但不加工具:0.26—0.44,不显著;
- CCEP(共同相关效应):0.58,不显著,直接变号;
- Granger 先导检验:数字进口 → 税收 Z = 1.42,自助 p = 0.47,没有先导关系;反向 4.03,p = 0.093,弱的反向先导。
工具变量的强度也在同一份材料里被摊开:海底光缆作工具,第一阶段系数 0.055、Kleibergen–Paap F 只有 0.3,等于没识别力;份额移动工具(初始份额取对数 × 世界供给增长)F 5.8;换到 2013—2020 年样本、用光缆解释互联网用户,F 才到 11.4,此时对税收的效应是 0.127(标准误 0.064)。Table 2 那组 2.65 的估计,Sanderson–Windmeijer 条件 F 是 4.6/4.8/5.6,勉强过 5 的门槛。
设定曲线把这层意思说得更直白:工具变量那一族 120 组里有 30 组显著为正,无工具那一族 180 组只有 5 组,水平式(levels-based)180 组有 15 组。三个族的中位数分别是 1.68、0.32、0.39。换句话说,显著性集中在工具变量设定里,这既可能是识别起了作用,也可能是工具本身在说话——作者选的是把两种解读都摆出来。
真正站得住的是"改革之后"的那一段
交错 DiD 的结论是"没有平均效应":税收总收入 0.02(标准误 0.42),增值税 0.05(0.08);进入估计的处理组是 17 个(总收入)和 12 个(增值税),对照组 107 与 69 个。安慰剂检验里改革前的平均差是 0.40(0.32)与 0.07(0.
14),也干净。
但把进口和改革做交互,故事就出来了:ln 数字服务进口 × 改革在增值税方程上是 0.51(0.21),p = 0.013;只留转换国样本是 0.49(0.23)。翻成人话——对境外数字服务开征增值税这个动作本身不涨钱,是"数字进口规模大的国家在改革之后"才涨。增值税效率比(100 × 增值税收入 ÷ 标准税率)在转换国样本上是 3.02(1.06),p = 0.004;加全套控制 2.63,把税率固定住是 4.52。而行政能力那条线(联合国在线服务指数)没有任何中间效应:交互项 0.005(0.036),DiD 0.004(0.018),说明改革并不是靠"政府网站变好"起作用的。
异质性部分,六个预先指定的单侧检验用 Holm 校正后最小的 p 是 0.713,全部不显著;80% 功效下的最小可检测交互项在 0.31 到 3.74 之间。这个写法比"分组显著、另一组不显著"的老套路诚实得多:它承认样本根本分不出这个效应在谁身上更大。
跑一遍:Python 3.
11、钉死版本、作者报约 55 分钟
requirements.txt 锁了 13 个版本:numpy 2.5.
3、pandas 3.0.
5、scipy 1.18.
1、statsmodels 0.15.0、linearmodels 7.0、pydynpd 0.2.
2、scikit-learn 1.9.
1、shap 0.52.0、econml 0.17.0、lightgbm 4.7.0、matplotlib 3.11.
2、PySensemakr 0.0.
8、geonamescache 3.0.2,另加未锁版本的 openpyxl 与 xlrd。作者标注 Python 3.11 以上,实测用的是 3.13。
自述在 2 核云机上完整跑一遍约 55 分钟,时间主要花在三处:机器学习比较的嵌套交叉验证、双重机器学习的重复交叉拟合、以及推断脚本里的 wild bootstrap 与 pairs bootstrap。随机种子固定为 2026,作者称从空输出目录跑两次,结果逐位一致,唯一会变的是 Table C2 里的计算耗时(依赖硬件);因果森林为此特意单线程跑。
脚本顺序只有一处不能乱:33_dml_cf.py 要用 30_clustering.py 生成的聚类成员,其余按编号顺序即可,run_all.py 就是这么排的。聚类结果用 K-Means 六类,随机森林是最优学习器(交叉验证 R 0.34),SHAP 归因里"国家之间"的部分占 91.6%。
复现前要对的四处编号与版本
第一个坑:表号是错位的。 包内文件名沿用代码里的内部编号,发表稿重排过顺序,于是 Table10.csv 才是正文 Table 7(企业调查证据),Table7.csv 是 Table 8(聚类剖面),Table8.csv 是 Table 9,Table11.csv 是 Table 10,Table9.csv 才是 Table 11(预测与证据汇总)。图同样:Figure1.png 是正文 Figure 2(事件研究),Figure2.png 是 Figure 1(设定曲线)。照文件名直接引用,表号会全错一位。docs/numbering_map.csv 给了 119 行对照(15 条主文 + 104 条补充材料),每条都带标题说明。
第二个坑:附录改名了。 早期版本的附录 A—P,在发表稿里是 Supplementary Materials S1—S16,补充表连续编号到 S85、图到 S19。README 与代码里仍用 A—P 的内部名。
第三个坑:稿号有两处不一致。 README 写 economies-4672368,code/config.py 的注释写 economies-4642948,后者应是修订过程中的旧号。
第四个坑:版本号也没对齐。 .zenodo.json 里仍是 "version": "1.0.0"、"publication_date": "2026-10-16",而 README 与 CITATION.cff 都是 1.0.1 / 2026-11-11;CITATION.cff 的 DOI 字段写的是 23483609,那是 1.0.0 的 DOI,注释里自己说明了这一点。
另外三件事会影响你算出来的样本:完整原始下载不随包发(放在 data/source_downloads/ 再跑 00_extract_raw.py 才能重建摘录);企业调查那份摘录撞上了表格导出的 1,048,575 行上限,WB_ES_T_REG4 之后的全经济体序列缺失,所以企业层面用的是部门序列与 Business Ready 序列;收入类分析的样本停在 2019—2020 年,因为 IMF 那套税收序列对多数国家只到那里。还有一点,主面板里 93 个经济体有改革生效年份,中国记为 0(按码本定义即 2024 年前未见该制度),所以不在处理组——做国别比较时别把"没进处理组"读成"没有相关政策"。
适合谁
做财政、税收、数字经济与发展经济的研究者,尤其想学"一个系数要过几道关才算数"的;教面板计量与因果推断的老师,这份包从固定效应、工具变量、DML、交错 DiD 到设定曲线是完整的一条线;需要一份可追溯的国别税收与数字贸易面板的写作者;以及要引用"数字服务增值税改革效果"这个议题、又不想只引结论的人。
不太适合:想直接拿现成清洗数据做业务分析的人(119 列里大量是派生变量与滞后项,得先读码本);没有 Python 环境的人;想找 2021 年以后税收数据的人(主干序列止于 2019—2020)。
拿到它的条件
Zenodo 页面直接下载,无需注册、无需申请,10 MB 的 zip。许可分两块:作者自编的数据(手工数据与主面板)是 CC BY 4.0,代码是 MIT。CC BY 4.0 允许复制、再分发、改编,包括商用,条件是署名、给许可链接、标明是否改动;MIT 允许使用、修改、再分发,条件是保留版权声明与许可声明。包内还有一句要留意:data/raw/ 下的第三方摘录按各提供方条款再分发,世行系列是 CC BY 4.0,EIU、RSF、ITU、PCH、联合国电子政务调查标的是"as per provider",逐项复核过再用。Zenodo 每个版本给新 DOI,1.0.0 是 10.5281/zenodo.23483609,概念 DOI 指向最新版。
以上是免费部分。币区放条款原文、119 列的字段分组、五张表的完整数值、结果 JSON 的对照表,以及记录页与整包入口。
────────────────
想看条款原文、字段分组和五张表的完整数值,回帖留下邮箱,我按顺序发给你。
把经管之家装进你常用的 AI 智能体中 一键快捷安装经管之家 MCP/技能,让 AI 帮你查教程、找数据、读论坛帖子。 检索、阅读公开帖子不收费,安装可申请领取:3 通用积分+100 论坛币+3 元论坛资金 请点击查看安装教程与福利 → 说明: AI 算力按所用平台规则计算;附件按原帖条件获取;福利领取条件以活动页面为准。 |