Figure & Data

图1：城市土地财政依赖度的分布与排序

目的：先建立你的核心解释变量本身是有意义的截面差异，不是噪音。

变量：城市层面，土地出让收入/地方财政收入（2018-2020年均值，即三道红线前），按城市排序画条形图或分布直方图。

为什么需要这张图：在proposal里直接说"我们用土地财政依赖度"，导师第一反应会问"这个变量本身分布合理吗？有没有极端值？头部城市和尾部城市差异有多大？"这张图把这个疑虑提前解决掉。

图2：土地财政依赖度 × 三道红线后地价/房价变化的散点图

目的：复现Chang-Wang-Xiong的核心发现（依赖度越高，价格背离越大），证明你的核心解释变量确实捕捉了"政府干预强度"，而不是别的东西。

变量：

• 横轴：城市土地财政依赖度（图1的变量）
• 纵轴：该城市2020-2022年成交量降幅与价格涨幅的差值（即"价格-数量背离指数"），或者简单点，纵轴用城投拿地占比变化

这张图的作用：它是你整个论证的第一个支点——证明依赖度高的城市确实表现出更强的"托价格、压数量"特征，这是Chang-Wang-Xiong的发现，你用自己拿到的Wind数据复现一遍，等于自己验证了别人的事实基础。

图3（核心图）：土地财政依赖度 × 企业层面trade credit收缩强度

这是整个proposal里最关键的一张图，直接对应你的核心假设。

变量：

• 横轴：企业所在城市的土地财政依赖度（按城市分组，或者直接用城市层面数值）
• 纵轴：企业层面三道红线前后AP/Sales变化幅度的均值（按城市分组取均值后画散点，或者更精细地，把房企样本按城市依赖度分组，画箱线图/分组柱状图）

呈现方式建议：考虑到城市数量有限（几十到上百个），用分组柱状图或binned scatter plot（把城市按依赖度分成4-5组，每组算AP/Sales变化的均值，画散点连线）比原始散点更清晰，能更直观地看出"是否存在单调关系"。

这张图如果呈现出正相关（依赖度越高，AP上升越多），就是你整个idea最直接的可行性证据。