
上市公司数字经济城市
一行代表一家上市公司在特定年份的数字经济特征及所在城市微观指标。
v1 生效中 · 2026/11/13 发布险种标签:企业财产险责任险时间跨度:2011–2019 年数据出处 上市公司年报、统计年鉴
- 记录
- 1.2 万
- 字段
- 21
- AI 扩增字段
- 2
- 平均非空率
- 100%
- 字段完整度
21 个字段,21 个没有空值,2 个 AI 扩增
01字段
字段来源,逐一标明
共 21 个字段,其中 AI 扩增字段 2 个。非空率按当前版本的 12,463 行计算。
关于这个数据集
一行代表一家上市公司在特定年份的数字经济特征及所在城市微观指标。覆盖A股上市公司,包含企业基本信息、数字化技术标签及所在城市的电信、金融环境数据。可用于分析企业数字化水平与区域基础设施环境的交互影响。
| 字段 | 类型 | 来源 | 非空率 | 可过滤 | 可返回 | 说明 |
|---|---|---|---|---|---|---|
| 股票代码stock_code含义:代码或编号键:股票代码。样本里格式符合 100%,100% 的行对上参照 listed-security-master、hk-security-master、stock-company-profile、neeq-company-info | 文本 | 原生 | 100% | 原表列名:stockcode | ||
| 公司简称company_name含义:名称 | 文本 | 原生 | 100% | 原表列名:firm | ||
| 年度year含义:年份键:年份。样本里格式符合 100%,还没有参照 | 整数 | 原生 | 100% | 原表列名:year | ||
| 经度lng规律 1:经度的字段规律字段规律:county_code由经度、纬度扩增得出。含义:经纬度(度)键:经度。样本里格式符合 100%,还没有参照 | 小数 | 原生 | 100% | 原表列名:lng | ||
| 纬度lat规律 1:纬度的字段规律字段规律:county_code由经度、纬度扩增得出。含义:经纬度(度)键:纬度。样本里格式符合 100%,还没有参照 | 小数 | 原生 | 100% | 原表列名:lat | ||
| 人工智能ai_tech含义:个数(个) | 整数 | 原生 | 100% | 含义不清 原表列名:AITech | ||
| 区块链blockchain_tech含义:类别 | 整数 | 原生 | 100% | 含义不清 原表列名:BlockChainTech | ||
| 云计算cloud_tech含义:类别 | 整数 | 原生 | 100% | 含义不清 原表列名:CloudComputingTech | ||
| 大数据bigdata_tech含义:类别 | 整数 | 原生 | 100% | 含义不清 原表列名:BigDataTech | ||
| 数据应用tech_application含义:类别 | 整数 | 原生 | 100% | 含义不清 原表列名:TechApplication | ||
| 产业代码industry_code含义:代码或编号键:大类证监会行业代码。样本里格式符合 100%,100% 的行对上参照 industry-classification | 文本 | 原生 | 100% | 原表列名:IndustryCode | ||
| 产业名称industry_name含义:类别键:行业名称。样本里格式符合 100%,还没有参照 | 文本 | 原生 | 100% | 原表列名:IndustryName | ||
| 省份province规律 1:省份的字段规律字段规律:city_code由省份、城市扩增得出。含义:地区键:省份名称。样本里格式符合 100%,还没有参照 | 文本 | 原生 | 100% | 原表列名:province | ||
| 城市city规律 1:城市的字段规律字段规律:city_code由省份、城市扩增得出。含义:地区键:城市名称。样本里格式符合 80.3%,还没有参照 | 文本 | 原生 | 100% | 原表列名:city | ||
| IT从业人数it_personnel含义:人数(人) | 整数 | 原生 | 100% | 人 原表列名:ITpersonnel | ||
| 电信收入teleservice含义:金额(万元) | 小数 | 原生 | 100% | 万元 原表列名:Teleservice | ||
| 宽带用户internet_broadband | 小数 | 原生 | 100% | 万户 原表列名:Internetbroadband | ||
| 移动用户mb_user含义:人数(万人) | 小数 | 原生 | 100% | 万人 原表列名:MBuser | ||
| 普惠金融指数inclusive_fi | 小数 | 原生 | 100% | 原表列名:数字普惠金融指数 | ||
| 城市区划代码city_code规律 1:城市区划代码的字段规律字段规律:city_code由省份、城市扩增得出。含义:代码或编号键:市级区划代码。样本里格式符合 100%,100% 的行对上参照 region-name-alias | 文本 | 规则扩增第 2 级扩增查看溯源:城市区划代码 | 100%平均置信度 1.00校验少:不建议单独作为决策依据 | 由省份、城市查行政区划参照得出的现行地级区划代码。程序查表,不用模型。对不上或置信度低的为空 | ||
| 所在区县代码county_code规律 1:所在区县代码的字段规律字段规律:county_code由经度、纬度扩增得出。含义:代码或编号键:县级区划代码。样本里格式符合 100%,100% 的行对上参照 county-boundary | 文本 | 规则扩增第 2 级扩增查看溯源:所在区县代码 | 100%平均置信度 0.94校验少:不建议单独作为决策依据 | 经度、纬度落在哪个区县,现行的县级区划代码。用县级边界查出,不用模型。离边界不到 1 公里的点置信度较低 |
02样本
先看样本,再做决定
这里显示当前版本的前 20 行。这个数据集没有敏感字段。
| # | 股票代码stock_code | 公司简称company_name | 年度year | 经度lng | 纬度lat | 人工智能ai_tech | 区块链blockchain_tech | 云计算cloud_tech | 大数据bigdata_tech | 数据应用tech_application | 产业代码industry_code | 产业名称industry_name | 省份province | 城市city | IT从业人数it_personnel | 电信收入teleservice | 宽带用户internet_broadband | 移动用户mb_user | 普惠金融指数inclusive_fi | 城市区划代码city_code | 所在区县代码county_code |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 000001 | 深发展A | 2011 | 114.1077368 | 22.54068139 | 0 | 0 | 0 | 1 | 2 | J66 | 货币金融服务 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440303 |
| 2 | 000001 | 平安银行 | 2012 | 114.1077368 | 22.54068139 | 0 | 0 | 0 | 0 | 1 | J66 | 货币金融服务 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440303 |
| 3 | 000001 | 平安银行 | 2013 | 114.1077368 | 22.54068139 | 1 | 0 | 0 | 0 | 15 | J66 | 货币金融服务 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440303 |
| 4 | 000001 | 平安银行 | 2014 | 114.1077368 | 22.54068139 | 0 | 0 | 0 | 2 | 23 | J66 | 货币金融服务 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440303 |
| 5 | 000001 | 平安银行 | 2015 | 114.1077368 | 22.54068139 | 1 | 0 | 9 | 0 | 12 | J66 | 货币金融服务 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440303 |
| 6 | 000001 | 平安银行 | 2016 | 114.1077368 | 22.54068139 | 0 | 0 | 1 | 0 | 14 | J66 | 货币金融服务 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440303 |
| 7 | 000001 | 平安银行 | 2017 | 114.1077368 | 22.54068139 | 9 | 0 | 1 | 5 | 7 | J66 | 货币金融服务 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440303 |
| 8 | 000001 | 平安银行 | 2018 | 114.1079658 | 22.54057839 | 22 | 0 | 15 | 2 | 37 | J66 | 货币金融服务 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440303 |
| 9 | 000001 | 平安银行 | 2019 | 114.10774 | 22.54068 | 21 | 0 | 15 | 3 | 48 | J66 | 货币金融服务 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440303 |
| 10 | 000002 | 万科A | 2013 | 114.3029745 | 22.59684124 | 0 | 0 | 0 | 0 | 2 | K70 | 房地产业 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440308 |
| 11 | 000002 | 万科A | 2014 | 114.3029745 | 22.59684124 | 0 | 0 | 0 | 0 | 12 | K70 | 房地产业 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440308 |
| 12 | 000002 | 万科A | 2015 | 114.3029745 | 22.59684124 | 0 | 0 | 0 | 0 | 2 | K70 | 房地产业 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440308 |
| 13 | 000002 | 万科A | 2016 | 114.3035755 | 22.59701124 | 0 | 0 | 1 | 0 | 1 | K70 | 房地产业 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440308 |
| 14 | 000002 | 万科A | 2017 | 114.3029745 | 22.59684124 | 1 | 0 | 2 | 0 | 0 | K70 | 房地产业 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440308 |
| 15 | 000002 | 万科A | 2018 | 114.3029745 | 22.59684124 | 1 | 0 | 3 | 0 | 2 | K70 | 房地产业 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440308 |
| 16 | 000002 | 万科A | 2019 | 114.305981 | 22.596304 | 0 | 0 | 1 | 0 | 2 | K70 | 房地产业 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | — |
| 17 | 000004 | 国农科技 | 2017 | 113.9409505 | 22.51130868 | 0 | 0 | 0 | 0 | 3 | C27 | 医药制造业 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440305 |
| 18 | 000004 | 国农科技 | 2018 | 113.9409505 | 22.51130868 | 1 | 0 | 0 | 0 | 8 | C27 | 医药制造业 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440305 |
| 19 | 000004 | 国农科技 | 2019 | 114.059891 | 22.570686 | 0 | 0 | 7 | 0 | 22 | I65 | 软件和信息技术服务业 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440304 |
| 20 | 000006 | 深振业A | 2012 | 114.1113668 | 22.54396139 | 2 | 0 | 0 | 0 | 0 | K70 | 房地产业 | 广东省 | 深圳市 | 82000 | 4150000 | 530.70001 | 2620.6101 | 81.18 | 440300 | 440303 |
03版本
每次发布,都留记录
发布后的数据版本不能修改。更正时发布新版本,旧版本保留。
版本 v12026/11/13 发布
生效中12,463 行 · 21 个字段 · 初始导入
04关联
和其他数据集,按键连起来
按键连到地区、企业、行业,能和不少于 219 个数据集连接。另外,它带年份或日期,能和其他数据集按时间对齐。共享同一种键的数据集能连接。按共享的键分组,对上的行多的在前。
按 证监会行业大类 + 城市 + 省份 + 股票代码 + 年份 能连
7 个数据集 · 本数据集 12,463 行有证监会行业大类- 上市公司劳动力与资产指标企业主体 · 5.3 万 行 · 连接字段 year、city_code、industry_code、stock_code、province按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司融资约束企业主体 · 5.2 万 行 · 连接字段 year、stock_code、city_code、industry_code、province按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司年报语气指标企业主体 · 4.7 万 行 · 连接字段 city_code_2、province、year、stock_code、industry_code按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司绿色创新与财务企业主体 · 2.3 万 行 · 连接字段 industry_code、stock_code、province、year、region_code按证监会行业大类对上本数据集 12,461 行(99%)
- 上市公司金融科技与创新企业主体 · 4.2 万 行 · 连接字段 province、region_code、stock_code、year、industry_code按证监会行业大类对上本数据集 12,049 行(96%)
- 上市公司数实融合水平企业主体 · 1.7 万 行 · 连接字段 province、industry_code、city_code、year、stock_code按证监会行业大类对上本数据集 11,975 行(96%)
- 上市公司财务治理指标企业主体 · 2.5 万 行 · 连接字段 year、province、city_code、industry_code、stock_code按证监会行业大类对上本数据集 11,897 行(95%)
按 城市 + 区县 + 省份 + 股票代码 + 年份 能连
5 个数据集 · 本数据集 12,463 行有城市- 上市公司供应链试点匹配企业主体 · 5.8 万 行 · 连接字段 province、county_code、year、city_code、stock_code按城市对上本数据集 12,463 行(100%)
- 上市公司供应链城市试点匹配企业主体 · 5.8 万 行 · 连接字段 county_code、city_code、year、stock_code、province按城市对上本数据集 12,463 行(100%)
- 上市公司数字普惠金融企业主体 · 4.2 万 行 · 连接字段 province、city_code、stock_code、county_code、year按城市对上本数据集 12,463 行(100%)
- 上市公司周边宗教场所统计企业主体 · 17.4 万 行 · 连接字段 year、stock_code、county_code、province、register_address_city_code按城市对上本数据集 12,452 行(99%)
- 上市公司政府采购合同工程项目 · 19 万 行 · 连接字段 contract_date、buyer_province、region_code、stock_code、buyer_city_code按城市对上本数据集 9,567 行(76%)
按 证监会行业大类 + 区县 + 省份 + 股票代码 + 年份 能连
4 个数据集 · 本数据集 12,463 行有证监会行业大类- 上市公司跨境电商DID企业主体 · 6.9 万 行 · 连接字段 year、stock_code、county_code、province、industry_code按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司百度指数企业主体 · 3.5 万 行 · 连接字段 industry_code、year、province、stock_code、county_code按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司供应链效率企业主体 · 7.1 万 行 · 连接字段 industry_code、province、stock_code、county_code、year按证监会行业大类对上本数据集 12,308 行(98%)
- 上市公司代理成本指标企业主体 · 5.8 万 行 · 连接字段 county_code、industry_code_2、stock_code、year、province按证监会行业大类对上本数据集 7,491 行(60%)
按 城市 + 区县 + 省份 + 年份 能连
37 个数据集 · 本数据集 12,463 行有城市- 全国土地出让记录工程项目 · 351.2 万 行 · 连接字段 province、year、city_code、county_code按城市对上本数据集 12,463 行(100%)
- 县级逐月风速自然灾害 · 293.5 万 行 · 连接字段 province、year、city_code、region_code按城市对上本数据集 12,463 行(100%)
- 银行业金融机构网点明细保险市场 · 47.7 万 行 · 连接字段 city_code、county_code、province、date按城市对上本数据集 12,463 行(100%)
- 区县金融网点数量区域底数 · 39 万 行 · 连接字段 province、county_code、city_code、year按城市对上本数据集 12,463 行(100%)
- 金融机构网点明细保险市场 · 27.5 万 行 · 连接字段 city_code、county_code、approve_date、province按城市对上本数据集 12,463 行(100%)
- 县级逐年降水量自然灾害 · 20.4 万 行 · 连接字段 province、region_code、city_code、year按城市对上本数据集 12,463 行(100%)
- 县级矫正夜间灯光区域底数 · 8.9 万 行 · 连接字段 province、year、county_code、region_code按城市对上本数据集 12,463 行(100%)
- 全国县市区碳排放区域底数 · 5.7 万 行 · 连接字段 city_code、year、province、county_code按城市对上本数据集 12,463 行(100%)
- 全国区县人工智能企业数企业主体 · 4.9 万 行 · 连接字段 year、city_code、province、county_code按城市对上本数据集 12,463 行(100%)
- 全国医院名录医疗药械 · 4.6 万 行 · 连接字段 province、county_code、city_code、founded_year按城市对上本数据集 12,463 行(100%)
- 全国区县路网密度区域底数 · 3.2 万 行 · 连接字段 year、county_code_2、province_name、city_code_2按城市对上本数据集 12,463 行(100%)
- 县级区域夜光指数区域底数 · 1.7 万 行 · 连接字段 county_code、province、city_code、year按城市对上本数据集 12,463 行(100%)
按 证监会行业大类 + 省份 + 股票代码 + 年份 能连
23 个数据集 · 本数据集 12,463 行有证监会行业大类- 上市公司行业地域信息企业主体 · 7 万 行 · 连接字段 year、industry_code、stock_code、province按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司气候风险指数企业主体 · 6.7 万 行 · 连接字段 industry_code、stock_code、province、year按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司年报AI词频企业主体 · 6.2 万 行 · 连接字段 stock_code、province、year、industry_code按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司所在城市低碳试点标记企业主体 · 5.8 万 行 · 连接字段 stock_code、industry_code、year、province_code按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司对外开放程度企业主体 · 5.8 万 行 · 连接字段 year、stock_code、industry_code、province按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司行业异质性企业主体 · 5.4 万 行 · 连接字段 stock_code、industry_code、year、province按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司省级政策匹配企业主体 · 4.9 万 行 · 连接字段 province、year、industry_code_c、stock_code按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司社会责任报告信息企业主体 · 4 万 行 · 连接字段 date、province、stock_code、industry_code按证监会行业大类对上本数据集 12,463 行(100%)
- A股数字化与ESG企业主体 · 3.9 万 行 · 连接字段 province、stock_code、year、industry_code按证监会行业大类对上本数据集 12,463 行(100%)
- A股ESG与财务企业主体 · 3.8 万 行 · 连接字段 stock_code、year、industry_code、province按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司ESG与创新指标企业主体 · 3.7 万 行 · 连接字段 industry_code、province、year、stock_code按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司人工智能采纳程度企业主体 · 3.7 万 行 · 连接字段 stock_code、year、province、industry_code按证监会行业大类对上本数据集 12,463 行(100%)
按 城市 + 省份 + 股票代码 + 年份 能连
8 个数据集 · 本数据集 12,463 行有城市- 上市公司绿色信贷匹配企业主体 · 5.8 万 行 · 连接字段 province、year、city_code、stock_code按城市对上本数据集 12,463 行(100%)
- 上市公司高铁开通匹配企业主体 · 5.7 万 行 · 连接字段 stock_code、year、province、city_code按城市对上本数据集 12,463 行(100%)
- 上市公司数字化与绿色创新企业主体 · 5 万 行 · 连接字段 stock_code、province、city_code_2、year按城市对上本数据集 12,463 行(100%)
- 上市公司数字化转型与企业创新面板企业主体 · 4.7 万 行 · 连接字段 city_code_2、year、stock_code、province按城市对上本数据集 12,463 行(100%)
- 上市公司ESG与就业指标企业主体 · 4.2 万 行 · 连接字段 year、province、stock_code、city_code_2按城市对上本数据集 12,463 行(100%)
- 上市公司ESG同群效应企业主体 · 4.2 万 行 · 连接字段 year、stock_code、province、city_code_2按城市对上本数据集 12,463 行(100%)
- 上市公司ESG与财务企业主体 · 3.9 万 行 · 连接字段 year、city_code_2、stock_code、province按城市对上本数据集 12,463 行(100%)
- 上市公司注册与经营概况企业主体 · 4,213 行 · 连接字段 stock_code、setup_date、province、city_code按城市对上本数据集 12,456 行(99%)
按 区县 + 省份 + 股票代码 + 年份 能连
7 个数据集 · 本数据集 12,407 行有区县- 上市公司绿色专利占比企业主体 · 5.6 万 行 · 连接字段 stock_code、province、year、county_code按区县对上本数据集 12,311 行(98%)
- 上市公司专利创新绩效企业主体 · 5.6 万 行 · 连接字段 province、year、stock_code、county_code按区县对上本数据集 12,311 行(98%)
- 上市公司商道融绿ESG评级面板企业主体 · 4.6 万 行 · 连接字段 province、year、county_code、stock_code按区县对上本数据集 12,308 行(98%)
- 上市公司托宾Q值企业主体 · 5.1 万 行 · 连接字段 stock_code、county_code、year、province按区县对上本数据集 12,299 行(98%)
- 上市公司环保处罚累计次数企业主体 · 5,633 行 · 连接字段 cutoff_date、stock_code、province、region_code按区县对上本数据集 12,231 行(98%)
- 上市公司对外投资企业主体 · 2.1 万 行 · 连接字段 stock_code、county_code、year、province按区县对上本数据集 11,836 行(94%)
- 上市公司供应链上下游企业主体 · 1.2 万 行 · 连接字段 region_code、year、province、stock_code按区县对上本数据集 11,730 行(94%)
按 城市 + 区县 + 股票代码 + 年份 能连
2 个数据集 · 本数据集 12,463 行有城市按 城市 + 省份 + 年份 能连
129 个数据集 · 本数据集 12,463 行有城市- 地级市间月度人口迁徙区域底数 · 616.7 万 行 · 连接字段 origin_city_code、month、origin_province按城市对上本数据集 12,463 行(100%)
- 地级市分行业创新指数区域底数 · 574.7 万 行 · 连接字段 province、year、region_code按城市对上本数据集 12,463 行(100%)
- 地级市日度夜间灯光区域底数 · 172.6 万 行 · 连接字段 date、province、region_code按城市对上本数据集 12,463 行(100%)
- 地级市社会经济指标区域底数 · 93.2 万 行 · 连接字段 region_code、year、province按城市对上本数据集 12,463 行(100%)
- 地级市市辖区社会经济指标区域底数 · 86.6 万 行 · 连接字段 year、region_code、province按城市对上本数据集 12,463 行(100%)
- 地级市间年度人口迁徙区域底数 · 65.2 万 行 · 连接字段 origin_province、origin_city_code、year按城市对上本数据集 12,463 行(100%)
- 全国城市每日人口迁徙区域底数 · 65.1 万 行 · 连接字段 region_code、province、date按城市对上本数据集 12,463 行(100%)
- 地级市逐月降水量自然灾害 · 55.4 万 行 · 连接字段 year、region_code、province按城市对上本数据集 12,463 行(100%)
- 地级市逐月风速自然灾害 · 37.8 万 行 · 连接字段 province、region_code、year按城市对上本数据集 12,463 行(100%)
- 中国新冠病例统计人口健康 · 12.5 万 行 · 连接字段 province_code、city_code、date按城市对上本数据集 12,463 行(100%)
- 地级市逐月闪电自然灾害 · 4.5 万 行 · 连接字段 region_code、province、year按城市对上本数据集 12,463 行(100%)
- 地级市逐年降水量自然灾害 · 2.7 万 行 · 连接字段 year、province、city_code按城市对上本数据集 12,463 行(100%)
按 区县 + 省份 + 年份 能连
54 个数据集 · 本数据集 12,407 行有区县- 全国区县平均房价区域底数 · 2,852 行 · 连接字段 region_code、province、year按区县对上本数据集 12,407 行(99%)
- 中国手机基站地理信息建筑设施 · 186.8 万 行 · 连接字段 create_date、province、county_code按区县对上本数据集 12,401 行(99%)
- 金融机构许可证企业主体 · 59 万 行 · 连接字段 region_code、province、issue_date按区县对上本数据集 12,392 行(99%)
- 全国行政村淘宝村DID面板区域底数 · 1056.8 万 行 · 连接字段 province_code、taobao_village_year、county_code按区县对上本数据集 12,386 行(99%)
- 区县城乡融合试点面板区域底数 · 7.4 万 行 · 连接字段 region_code、year、province按区县对上本数据集 12,386 行(99%)
- 县级年度夜间灯光区域底数 · 2.3 万 行 · 连接字段 year、region_code、province按区县对上本数据集 12,386 行(99%)
- 县级土地利用构成区域底数 · 2.3 万 行 · 连接字段 year、region_code、province按区县对上本数据集 12,386 行(99%)
- 区县人口分布(格网汇总)区域底数 · 1.4 万 行 · 连接字段 year、region_code、province按区县对上本数据集 12,386 行(99%)
- 县级暴雨重现期自然灾害 · 2,899 行 · 连接字段 region_code、province、first_year按区县对上本数据集 12,356 行(99%)
- 全国兴趣点高德地图建筑设施 · 2200 万 行 · 连接字段 pname、page_publish_time、adcode按区县对上本数据集 12,276 行(98%)
- 县域金融机构变动统计区域底数 · 5.3 万 行 · 连接字段 year、region_code、province按区县对上本数据集 12,190 行(97%)
- 县域开通微博企业数(按成立年份)区域底数 · 4.6 万 行 · 连接字段 province、year、region_code按区县对上本数据集 12,173 行(97%)
按 证监会行业大类 + 股票代码 + 年份 能连
44 个数据集 · 本数据集 12,463 行有证监会行业大类- 上市公司年报数字化词频企业主体 · 969 万 行 · 连接字段 stock_code、industry_code、year按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司基础财务企业主体 · 7.7 万 行 · 连接字段 industry_code、stock_code、year按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司盈利能力企业主体 · 7.4 万 行 · 连接字段 industry_code、stock_code、year按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司发展能力企业主体 · 7.4 万 行 · 连接字段 stock_code、year、industry_code按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司财务基础企业主体 · 6.7 万 行 · 连接字段 stock_code、year、industry_code按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司勒纳指数企业主体 · 6.6 万 行 · 连接字段 stock_code、industry_code、year按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司资产专用性指标企业主体 · 5.8 万 行 · 连接字段 year、industry_code、stock_code按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司融资约束SA指数企业主体 · 5.7 万 行 · 连接字段 stock_code、listed_date、industry_code按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司WW融资约束指数企业主体 · 5.7 万 行 · 连接字段 stock_code、report_date、industry_code按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司绿色投资者企业主体 · 5.7 万 行 · 连接字段 year、stock_code、industry_code_2按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司高管党员统计企业主体 · 5.7 万 行 · 连接字段 stock_code、industry_code_1、year按证监会行业大类对上本数据集 12,463 行(100%)
- 上市公司党组织设立企业主体 · 5.7 万 行 · 连接字段 year、industry_code、stock_code按证监会行业大类对上本数据集 12,463 行(100%)
按 城市 + 区县 + 省份 能连
14 个数据集 · 本数据集 12,463 行有城市- 区县相邻关系明细区域底数 · 841 万 行 · 连接字段 city_code、province_code、county_code按城市对上本数据集 12,463 行(100%)
- 全国A级景区点位建筑设施 · 1.5 万 行 · 连接字段 province、county_code、city_code按城市对上本数据集 12,463 行(100%)
- 区县和城市到港口和海岸线的距离区域底数 · 3,270 行 · 连接字段 region_code、city_code、province_code按城市对上本数据集 12,463 行(100%)
- 全国县级常住人口区域底数 · 3,052 行 · 连接字段 city_code、county_code、province按城市对上本数据集 12,463 行(100%)
- 全国区县方言分类区域底数 · 2,300 行 · 连接字段 city_code、province_code、region_code按城市对上本数据集 12,457 行(99%)
- 全国传统村落点位建筑设施 · 8,155 行 · 连接字段 county_code、city_code、province按城市对上本数据集 10,895 行(87%)
- 区县建筑轮廓汇总区域底数 · 391 行 · 连接字段 city_code、province、region_code按城市对上本数据集 10,777 行(86%)
- 全国地铁站点交通运输 · 1.9 万 行 · 连接字段 city_code、province、county_code按城市对上本数据集 10,509 行(84%)
- 全国五级统计用区划代码区域底数 · 62 万 行 · 连接字段 province_code、village_code、city_code按城市对上本数据集 9,567 行(76%)
- 各级别产业园区信息建筑设施 · 10.4 万 行 · 连接字段 province、city_code、county_code按城市对上本数据集 9,566 行(76%)
- 区县到最近医院的车程医疗药械 · 2,844 行 · 连接字段 county_code、province、city_code按城市对上本数据集 9,371 行(75%)
- 全国区县书院数量区域底数 · 1,392 行 · 连接字段 city_code、county_code、province按城市对上本数据集 9,335 行(74%)
按 省份 + 股票代码 + 年份 能连
10 个数据集 · 本数据集 12,463 行有省份- 新三板公司基本信息参照企业主体 · 1.3 万 行 · 连接字段 province、stock_code、establish_date按省份对上本数据集 12,463 行(100%)
- 沪深京上市证券参照企业主体 · 6,057 行 · 连接字段 ts_code、province、list_date按省份对上本数据集 12,463 行(100%)
- 上市公司ESG得分和同群均值企业主体 · 4.4 万 行 · 连接字段 region_code、stock_code、year按省份对上本数据集 12,463 行(100%)
- 上市公司低碳试点匹配企业主体 · 4.4 万 行 · 连接字段 year、province、stock_code按省份对上本数据集 12,463 行(100%)
- 上市公司市场化指数企业主体 · 4.3 万 行 · 连接字段 stock_code、listing_date、province按省份对上本数据集 12,463 行(100%)
- 上市公司供应链地理距离企业主体 · 4.2 万 行 · 连接字段 stock_code、year、province按省份对上本数据集 12,463 行(100%)
- 制造业上市公司财务指标企业主体 · 3.7 万 行 · 连接字段 province、stock_code、year按省份对上本数据集 12,463 行(100%)
- 制造业上市公司全要素生产率企业主体 · 1.6 万 行 · 连接字段 province、year、stock_code按省份对上本数据集 12,463 行(100%)
- 上市公司所在地企业主体 · 4,447 行 · 连接字段 list_date、province、stock_code按省份对上本数据集 12,463 行(100%)
- A股上市银行年度经营指标企业主体 · 3.1 万 行 · 连接字段 year、stock_code、province按省份对上本数据集 10,245 行(82%)
按 城市 + 区县 + 年份 能连
4 个数据集 · 本数据集 12,463 行有城市- 地级市土地出让金区域底数 · 1.2 万 行 · 连接字段 year、city_code、region_code_adj按城市对上本数据集 12,463 行(100%)
- 全国专利许可记录企业主体 · 19.2 万 行 · 连接字段 applicant_address_county_code、applicant_address_city_code、pub_date按城市对上本数据集 12,448 行(99%)
- 全国区县房价区域底数 · 1.2 万 行 · 连接字段 city_code、year、county_code按城市对上本数据集 11,077 行(88%)
- 长三角养老机构名录建筑设施 · 8,462 行 · 连接字段 established_date、address_city_code、county_code按城市对上本数据集 3,939 行(31%)
按 城市 + 省份 + 股票代码 能连
1 个数据集 · 本数据集 12,463 行有城市按 省份 + 年份 能连
290 个数据集 · 本数据集 12,463 行有省份- 海关进出口商品统计区域底数 · 2639.9 万 行 · 连接字段 province_name、year按省份对上本数据集 12,463 行(100%)
- 城市建设统计指标区域底数 · 237.2 万 行 · 连接字段 province、year按省份对上本数据集 12,463 行(100%)
- 省级社会经济指标区域底数 · 154.5 万 行 · 连接字段 region_code、year按省份对上本数据集 12,463 行(100%)
- 省级教育统计指标区域底数 · 145.4 万 行 · 连接字段 region_code、year按省份对上本数据集 12,463 行(100%)
- 省级教育统计面板区域底数 · 143.5 万 行 · 连接字段 year、region_code按省份对上本数据集 12,463 行(100%)
- 省级统计年鉴长序列指标区域底数 · 74.4 万 行 · 连接字段 province、year按省份对上本数据集 12,463 行(100%)
- 劳动统计年鉴省级指标区域底数 · 60.3 万 行 · 连接字段 region_code、year按省份对上本数据集 12,463 行(100%)
- 第三产业统计年鉴省级指标区域底数 · 54.7 万 行 · 连接字段 region_code、year按省份对上本数据集 12,463 行(100%)
- 分省分行业工业企业指标区域底数 · 50.4 万 行 · 连接字段 year、province按省份对上本数据集 12,463 行(100%)
- 分地区高技术产业统计区域底数 · 35.3 万 行 · 连接字段 region_code、year按省份对上本数据集 12,463 行(100%)
- 专精特新企业认定情况企业主体 · 27.7 万 行 · 连接字段 identify_year、province按省份对上本数据集 12,463 行(100%)
- 省级环境关注度日度指数区域底数 · 27.5 万 行 · 连接字段 region_code、date按省份对上本数据集 12,463 行(100%)
按 股票代码 + 年份 能连
186 个数据集 · 本数据集 12,463 行有股票代码- 上市公司月度ST状态企业主体 · 73.5 万 行 · 连接字段 stock_code、month按股票代码对上本数据集 12,463 行(100%)
- 上市公司现金流量表企业主体 · 52.9 万 行 · 连接字段 stock_code、date按股票代码对上本数据集 12,463 行(100%)
- 上市公司存货净额企业主体 · 48.1 万 行 · 连接字段 stock_code、date按股票代码对上本数据集 12,463 行(100%)
- 上市公司绿色专利面板企业主体 · 7.8 万 行 · 连接字段 stock_code、year按股票代码对上本数据集 12,463 行(100%)
- A股商誉治理财务企业主体 · 7.8 万 行 · 连接字段 stock_code、year按股票代码对上本数据集 12,463 行(100%)
- 沪深北全市场Z值企业主体 · 5.7 万 行 · 连接字段 year、stock_code按股票代码对上本数据集 12,463 行(100%)
- 上市公司竞争对手DID面板企业主体 · 5.7 万 行 · 连接字段 stock_code、year按股票代码对上本数据集 12,463 行(100%)
- 上市公司审计与披露企业主体 · 5 万 行 · 连接字段 year、stock_code按股票代码对上本数据集 12,463 行(100%)
- 上市公司年度违规次数企业主体 · 5 万 行 · 连接字段 stock_code、year按股票代码对上本数据集 12,463 行(100%)
- 上市公司数字化转型指数(吴非)企业主体 · 4.8 万 行 · 连接字段 year、stock_code按股票代码对上本数据集 12,463 行(100%)
- 上市公司环境披露指数企业主体 · 4.7 万 行 · 连接字段 stock_code、year按股票代码对上本数据集 12,463 行(100%)
- A股全品类能耗折标企业主体 · 4.6 万 行 · 连接字段 stock_code、year按股票代码对上本数据集 12,463 行(100%)
按 城市 + 年份 能连
60 个数据集 · 本数据集 12,463 行有城市- 地级市经济社会统计区域底数 · 120.5 万 行 · 连接字段 region_code、year按城市对上本数据集 12,463 行(100%)
- 城市主要经济指标区域底数 · 13.4 万 行 · 连接字段 city_code、year按城市对上本数据集 12,463 行(100%)
- 地级市新能源汽车月度销量交通运输 · 3.3 万 行 · 连接字段 month、city_code按城市对上本数据集 12,463 行(100%)
- 地级市数字产业集聚水平区域底数 · 1 万 行 · 连接字段 city_code、year按城市对上本数据集 12,463 行(100%)
- 地级市感动人物DID区域底数 · 8,762 行 · 连接字段 city_code、year按城市对上本数据集 12,463 行(100%)
- 地级市外商直接投资区域底数 · 8,260 行 · 连接字段 year、city_code按城市对上本数据集 12,463 行(100%)
- 地级市实际利用外资区域底数 · 7,529 行 · 连接字段 year、region_code按城市对上本数据集 12,463 行(100%)
- 大数据试验区试点面板区域底数 · 6,900 行 · 连接字段 year、region_code按城市对上本数据集 12,463 行(100%)
- 地级市新注册企业统计区域底数 · 6,740 行 · 连接字段 year、region_code按城市对上本数据集 12,463 行(100%)
- 地级市城镇居民可支配收入区域底数 · 6,651 行 · 连接字段 year、city_code按城市对上本数据集 12,463 行(100%)
- 地级市知识产权案件数区域底数 · 6,601 行 · 连接字段 city_code、year按城市对上本数据集 12,463 行(100%)
- 地级市高铁状态交通运输 · 6,556 行 · 连接字段 year、city_code按城市对上本数据集 12,463 行(100%)
按 城市 + 省份 能连
14 个数据集 · 本数据集 12,463 行有城市- 地级市河流长度与密度自然灾害 · 368 行 · 连接字段 region_code、province_code按城市对上本数据集 12,463 行(100%)
- 地级市宗族文化占比区域底数 · 338 行 · 连接字段 province_code、city_code按城市对上本数据集 12,463 行(100%)
- 城市政商关系健康指数区域底数 · 292 行 · 连接字段 province、city_code_2按城市对上本数据集 12,463 行(100%)
- 地级市胡焕庸线位置区域底数 · 285 行 · 连接字段 province、region_code按城市对上本数据集 12,463 行(100%)
- 全国高校基本信息企业主体 · 2,769 行 · 连接字段 city_code、province按城市对上本数据集 12,458 行(99%)
- 地级市地形起伏度自然灾害 · 360 行 · 连接字段 region_code、province按城市对上本数据集 12,445 行(99%)
- 全国地级市道观数量区域底数 · 341 行 · 连接字段 city_code、province按城市对上本数据集 12,438 行(99%)
- 全国银行网点明细企业主体 · 12 万 行 · 连接字段 province、city_code按城市对上本数据集 12,434 行(99%)
- 地级市儒家文化设施区域底数 · 293 行 · 连接字段 province、city_code按城市对上本数据集 12,355 行(99%)
- 地级市家谱数量和人口区域底数 · 228 行 · 连接字段 province、city_code按城市对上本数据集 11,819 行(94%)
- 地级市海拔标准差区域底数 · 288 行 · 连接字段 region_code、province按城市对上本数据集 10,770 行(86%)
- 地级市距港口距离区域底数 · 335 行 · 连接字段 city_code、province按城市对上本数据集 9,567 行(76%)
按 区县 + 年份 能连
10 个数据集 · 本数据集 12,407 行有区县- 行政区划新旧代码对照参照区域底数 · 7,388 行 · 连接字段 valid_from、old_code按区县对上本数据集 12,407 行(99%)
- 政治精英地区编码区域底数 · 3,843 行 · 连接字段 region_code、start_date按区县对上本数据集 12,086 行(96%)
- 全国格点逐年极端降水自然灾害 · 602.3 万 行 · 连接字段 year、county_code按区县对上本数据集 11,017 行(88%)
- 行政区划代码变更区域底数 · 4,636 行 · 连接字段 old_code、change_year按区县对上本数据集 7,800 行(62%)
- 全国百强区县入选状态区域底数 · 4.1 万 行 · 连接字段 year、region_code按区县对上本数据集 6,870 行(55%)
- 全国电厂点位建筑设施 · 4,274 行 · 连接字段 commissioning_year、county_code按区县对上本数据集 5,755 行(46%)
- 城市和区县新冠疫情日度人口健康 · 53.3 万 行 · 连接字段 date、county_code按区县对上本数据集 4,947 行(39%)
- 区县淘宝村数量区域底数 · 6,183 行 · 连接字段 year、county_code按区县对上本数据集 4,374 行(35%)
- 全国气象站逐日观测自然灾害 · 993.2 万 行 · 连接字段 date、county_code按区县对上本数据集 3,147 行(25%)
- 全国及城市建成区绿地指标区域底数 · 8.1 万 行 · 连接字段 year、region_code按区县对上本数据集 1,179 行(9.5%)
按 区县 + 省份 能连
4 个数据集 · 本数据集 12,407 行有区县按 证监会行业大类 + 年份 能连
3 个数据集 · 本数据集 12,463 行有证监会行业大类按 城市 + 区县 能连
3 个数据集 · 本数据集 12,463 行有城市按 证监会行业大类 + 省份 能连
1 个数据集 · 本数据集 12,463 行有证监会行业大类按 省份 能连
13 个数据集 · 本数据集 12,463 行有省份- 地级市空间权重关系区域底数 · 38.4 万 行 · 连接字段 province_code按省份对上本数据集 12,463 行(100%)
- 全国养老机构明细医疗药械 · 5.8 万 行 · 连接字段 region_code按省份对上本数据集 12,463 行(100%)
- 七普分省分行业就业人口区域底数 · 4.4 万 行 · 连接字段 region按省份对上本数据集 12,463 行(100%)
- 全国司法鉴定机构医疗药械 · 2,917 行 · 连接字段 province按省份对上本数据集 12,463 行(100%)
- 省级邻接空间权重区域底数 · 961 行 · 连接字段 source_province按省份对上本数据集 12,463 行(100%)
- 省级两两距离区域底数 · 900 行 · 连接字段 source_province按省份对上本数据集 12,463 行(100%)
- 省级空间邻接矩阵区域底数 · 900 行 · 连接字段 province按省份对上本数据集 12,463 行(100%)
- 省份距港口距离区域底数 · 31 行 · 连接字段 province按省份对上本数据集 12,463 行(100%)
- 分省景区数量统计区域底数 · 136 行 · 连接字段 province按省份对上本数据集 12,279 行(98%)
- 省级地形起伏度自然灾害 · 34 行 · 连接字段 region_code按省份对上本数据集 11,998 行(96%)
- 省份空间邻接矩阵区域底数 · 33 行 · 连接字段 province_name按省份对上本数据集 11,333 行(90%)
- 高新区创新积分试点名单区域底数 · 133 行 · 连接字段 province按省份对上本数据集 9,655 行(77%)
按 区县 能连
9 个数据集 · 本数据集 12,407 行有区县- 医保定点零售药店医疗药械 · 50.5 万 行 · 连接字段 region_code按区县对上本数据集 12,345 行(99%)
- 医保定点医疗机构医疗药械 · 57.8 万 行 · 连接字段 region_code按区县对上本数据集 12,249 行(98%)
- 县级地形起伏度自然灾害 · 2,873 行 · 连接字段 region_code按区县对上本数据集 12,103 行(97%)
- 全国医保经办机构保险市场 · 6,045 行 · 连接字段 region_code按区县对上本数据集 10,673 行(85%)
- 城投公司基本信息企业主体 · 1.2 万 行 · 连接字段 region_code按区县对上本数据集 9,745 行(78%)
- 全国矿产地分布建筑设施 · 22.8 万 行 · 连接字段 county_code按区县对上本数据集 9,617 行(77%)
- 医院可达性验证交通运输 · 20.9 万 行 · 连接字段 dest_county_code按区县对上本数据集 7,566 行(60%)
- 跨省异地就医定点机构医疗药械 · 65 万 行 · 连接字段 region_code按区县对上本数据集 3,192 行(25%)
- 全国 1 到 5 级河流自然灾害 · 1,830 行 · 连接字段 label_county_code按区县对上本数据集 2,720 行(21%)
按 城市 能连
7 个数据集 · 本数据集 12,463 行有城市- 地级市经济地理嵌套矩阵区域底数 · 8.1 万 行 · 连接字段 source_city_code按城市对上本数据集 12,463 行(100%)
- 地级市经济地理权重矩阵区域底数 · 8.1 万 行 · 连接字段 source_city_code按城市对上本数据集 12,463 行(100%)
- 统筹区异地就医开通状态保险市场 · 425 行 · 连接字段 region_code按城市对上本数据集 12,463 行(100%)
- 资源型城市静态分类区域底数 · 289 行 · 连接字段 city_code按城市对上本数据集 12,463 行(100%)
- 地级市间交通通勤时间交通运输 · 7.3 万 行 · 连接字段 destination_city_code按城市对上本数据集 12,426 行(99%)
- 省级开发区基本信息区域底数 · 1,201 行 · 连接字段 city_code按城市对上本数据集 10,943 行(87%)
- 供应链创新应用试点城市区域底数 · 55 行 · 连接字段 city_code按城市对上本数据集 7,336 行(58%)
按 股票代码 能连
2 个数据集 · 本数据集 12,463 行有股票代码只按年份能连:202 个数据集单独按年份连接多半没有意义,先看上面的组
按 年份 能连
202 个数据集- 全球双边贸易流量区域底数 · 2.2 亿 行 · 连接字段 year
- 出口企业产品质量企业主体 · 9912.4 万 行 · 连接字段 year
- 工企海关匹配对照企业主体 · 3137.8 万 行 · 连接字段 year
- 全球兴趣点建筑设施 · 2299.6 万 行 · 连接字段 created_date
- 世行WDI国家指标区域底数 · 844.5 万 行 · 连接字段 year
- 主要城市兴趣点建筑设施 · 592 万 行 · 连接字段 date
- 美日韩港澳台传染病监测人口健康 · 502.5 万 行 · 连接字段 period_start
- 世界银行健康营养与人口统计人口健康 · 353.8 万 行 · 连接字段 year
- 地级市城乡建设统计区域底数 · 208.6 万 行 · 连接字段 year
- 上市公司数字词频企业主体 · 191.6 万 行 · 连接字段 year
- 分省HS商品年度进出口区域底数 · 135.8 万 行 · 连接字段 year
- 死因监测分死因死亡率人口健康 · 127.5 万 行 · 连接字段 year
05字段规律
字段之间的规律
比如一一对应、谁先谁后。只帮你读懂数据,不用来连接。
本数据集内2
- 扩增得出
city_code由省份、城市扩增得出。
来自字段扩增上市公司数字经济城市上市公司数字经济城市 - 扩增得出
county_code由经度、纬度扩增得出。
来自字段扩增上市公司数字经济城市上市公司数字经济城市
06授权与接入
申请授权,一次调用就能用上
试用立即生效,并送 500 点试用点数。授权后用 API Key 调用 REST 接口,按返回的行数扣点。
REST 调用示例
# 先把 API Key 放进环境变量:export WI_API_KEY=你的 API Keycurl -X POST 'https://wi.insightworld.cn/api/v1/datasets/listed-company-digital-city/query' \ -H "Authorization: Bearer $WI_API_KEY" \ -H 'Content-Type: application/json' \ -d '{"filters":[{"field":"stock_code","op":"eq","value":"000001"}],"limit":10}'
交给 Agent
- 以后开放
MCP
仍在使用 MCP 的 Agent 客户端,用 OAuth 连接后通过工具查询。