高铁网络中心性衡量的是企业注册地所处城市在全国高铁网络中的位置优势。本数据集把高铁线路与车站开通信息落到城市层面,逐年重建动态网络,计算各城市节点的中心性,再与上市公司注册地匹配,形成 2003—2025 年的城市—企业面板,可用于考察交通基础设施改善对企业经营、投资、创新以及要素流动的影响。
覆盖范围方面,面板跨越 2003—2025 年共 23 个年度,涉及 A 股上市公司 5,368 家,累计 48,700 个公司—年度观测。
一、指标口径与测算方法
网络构建采用逐年动态的思路:某一年的网络只保留截至该年已经通车运营的高铁线路与车站,尚未通车的线路不进入当年的网络。受此影响,同一城市的中心性取值会随年份推进而改变,指标的年度差异本身即刻画了高铁网络的扩张过程。
在此基础上,共得到 6 项测度:
• 网络度(network_degree):公司所在城市在当年高铁网络中,可通过线路直接连接到的同线路城市数量,是最基础的局部连通性指标。
• 接近中心性(closeness):反映该城市到网络内其他城市的接近程度,取值越大说明到其他节点的平均距离越短。
• 接近中心性·标准算法结果(closeness_std):按标准算法口径重新计算的结果,与前一列的口径差异主要体现在对网络中不可达节点的处理方式上。
• 中介中心性(betweenness):反映该城市作为网络最短路径桥接节点的程度,为标准化后的结果。
• 中介中心性·原始加总(betweenness_raw):最短路径经过该城市的条数直接加总,不除以其理论最大值,是中介中心性的未标准化形态。
• 到枢纽城市的最短节点数(hub_dist):该城市到北京、上海、广州、深圳四个枢纽城市的最短节点距离,数值越小表示与全国铁路核心枢纽的联系越紧密。
下表汇总各字段的命名、含义与数据类型。变量名采用通用小写蛇形命名,便于在 Stata、Python、R 中直接调用。

二、数据构成与处理流程
数据集由三部分构成:高铁线路与车站的原始信息(线路名称、沿途城市、车站开通运营时点)、上市公司基本信息(代码、名称与注册地),以及在此基础上计算得到的结果数据。除原始信息与结果数据之外,还附有可复现指标计算的 Python 代码,便于按自己的口径重算。
整体流程可以概括为四步:
• 筛选线路:按年份确定当年已通车运营的线路与车站,未通车线路不参与当年网络构建。
• 构建网络:以城市为节点、同线相邻城市为边,逐年生成城市—年度高铁网络。
• 计算指标:在每年的网络上分别计算网络度、接近中心性、中介中心性与到枢纽城市最短节点数等 6 项测度。
• 匹配企业:把城市层面的中心性按注册地映射到上市公司,得到公司—年度面板。
预处理环节剔除了公司所在城市无法与铁路信息匹配的观测,因此面板中的城市均为已接入高铁网络的城市;若研究需要把尚未通高铁的城市作为对照,需要自行补回这部分样本。
三、样本数据
部分数据截图

样本数据节选(Stata 数据编辑器视图)。示例覆盖深圳市三家公司 2007—2025 年观测;受窗口宽度限制,右侧部分变量列未完整显示。
数据来源:全国高铁线路与车站开通信息、A 股上市公司基本情况(公开资料整理)
引用格式:高铁网络中心性面板数据集(2003—2025年)[DS]. 城市—企业年度观测,含网络度、接近中心性、中介中心性、到枢纽城市最短节点数等 6 项测度。
下方专栏分享更多内容:
来源:Paper 数据分析

1156



被折叠的 条评论
为什么被折叠?



