上市公司金融科技与创新
一行是一家上市公司在某一年的金融科技水平及专利申请情况。
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：2004–2021 年数据出处 出处待核实
- 记录
- 4.2 万
- 字段
- 12
- AI 扩增字段
- 1
- 平均非空率
- 91.8%
- 字段完整度
12 个字段，9 个没有空值，1 个 AI 扩增
01字段
字段来源，逐一标明
共 12 个字段，其中 AI 扩增字段 1 个。非空率按当前版本的 42,420 行计算。
关于这个数据集
一行是一家上市公司在某一年的金融科技水平及专利申请情况。数据覆盖中国A股上市公司，包含股票代码、行业、地区及经过对数处理的专利数量等指标。可用于评估企业创新活跃度与金融科技应用程度，辅助企业财产险或责任险的风险定价。
| 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% | — | ||
| 年份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% | — | ||
| 行业名称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% | — | ||
| 行业代码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% | — | ||
| 省份province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% | — | ||
| 城市city含义：地区键：城市名称。样本里格式符合 80.8%，还没有参照 | 文本 | 原生 | 100% | — | ||
| 行政区划代码region_code规律 1：行政区划代码的字段规律字段规律：region_code_current由行政区划代码扩增得出。含义：代码或编号键：市级区划代码（2017 年版）。样本里格式符合 100%，100% 的行对上参照 region-code-by-year | 文本 | 原生 | 100% | — | ||
| 金融科技水平fintech_level | 小数 | 原生 | 100% | 含义不清 | ||
| 专利总数patent_count含义：个数（个） | 小数 | 原生 | 73% | 可能为对数处理后的值 原表列名：Patent | ||
| 发明专利数patent_invention含义：个数（个） | 小数 | 原生 | 65% | 可能为对数处理后的值 原表列名：Patent1 | ||
| 实用新型数patent_utility含义：个数（个） | 小数 | 原生 | 64% | 可能为对数处理后的值 原表列名：Patent2 | ||
| 行政区划代码（现行）region_code_current规律 1：行政区划代码（现行）的字段规律字段规律：region_code_current由行政区划代码扩增得出。含义：代码或编号键：市级区划代码。样本里格式符合 100%，99.9% 的行对上参照 region-code-crosswalk | 文本 | 规则扩增第 1 级扩增查看溯源：行政区划代码（现行） | 100%平均置信度 1.00校验少：不建议单独作为决策依据 | 行政区划代码按新旧代码对照换成的现行区划代码。医保的市本级代码换成地级代码。对不上的为空 |
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 | 年份year | 行业名称industry_name | 行业代码industry_code | 省份province | 城市city | 行政区划代码region_code | 金融科技水平fintech_level | 专利总数patent_count | 发明专利数patent_invention | 实用新型数patent_utility | 行政区划代码（现行）region_code_current |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 000002 | 2004 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 0 | 2.7725887298583984 | — | 2.7725887298583984 | 440300 |
| 2 | 000002 | 2005 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 0 | 1.6094379425048828 | — | 1.6094379425048828 | 440300 |
| 3 | 000002 | 2006 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 0.6931471805599453 | 3.610917806625366 | 1.3862943649291992 | 3.4965076446533203 | 440300 |
| 4 | 000002 | 2007 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 1.9459101490553132 | 0.6931471824645996 | 0 | 0 | 440300 |
| 5 | 000002 | 2008 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 2.1972245773362196 | 3.295836925506592 | 2.4849066734313965 | 2.70805025100708 | 440300 |
| 6 | 000002 | 2009 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 1.791759469228055 | 1.0986123085021973 | 0 | 0.6931471824645996 | 440300 |
| 7 | 000002 | 2010 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 2.302585092994046 | 3.4339871406555176 | 2.397895336151123 | 2.995732307434082 | 440300 |
| 8 | 000002 | 2011 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 2.9444389791664403 | 1.6094379425048828 | 0 | 1.3862943649291992 | 440300 |
| 9 | 000002 | 2012 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 3.044522437723423 | 1.6094379425048828 | 0.6931471824645996 | 1.0986123085021973 | 440300 |
| 10 | 000002 | 2013 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 2.6390573296152584 | 1.6094379425048828 | 1.0986123085021973 | 0.6931471824645996 | 440300 |
| 11 | 000002 | 2014 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 4.110873864173311 | 3.806662559509278 | 2.3025851249694824 | 3.5553481578826904 | 440300 |
| 12 | 000002 | 2015 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 4.499809670330265 | 3.5553481578826904 | 2.079441547393799 | 3.295836925506592 | 440300 |
| 13 | 000002 | 2016 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 4.948759890378168 | 3.044522523880005 | 1.3862943649291992 | 2.8332133293151855 | 440300 |
| 14 | 000002 | 2017 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 5.049856007249537 | 3.5553481578826904 | 2.5649492740631104 | 3.0910425186157227 | 440300 |
| 15 | 000002 | 2018 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 5.918893854273146 | 3.737669706344605 | 3.044522523880005 | 3.044522523880005 | 440300 |
| 16 | 000002 | 2019 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 6.436150368369428 | 3.9512436389923096 | 3.1354942321777344 | 3.367295742034912 | 440300 |
| 17 | 000002 | 2020 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 6.726233402358747 | 4.2626800537109375 | 3.2188758850097656 | 3.828641414642334 | 440300 |
| 18 | 000002 | 2021 | 房地产业 | K70 | 广东省 | 深圳市 | 440300 | 6.945051063725834 | 3.367295742034912 | 2.6390573978424072 | 2.70805025100708 | 440300 |
| 19 | 000004 | 2004 | 道路运输业 | G54 | 广东省 | 深圳市 | 440300 | 0 | — | — | — | 440300 |
| 20 | 000004 | 2005 | 道路运输业 | G54 | 广东省 | 深圳市 | 440300 | 0 | — | — | — | 440300 |
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42,420 行 · 12 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 146 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 42,420 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 stock_code、city_code、year、province、industry_code按证监会行业大类对上本数据集 42,420 行（100%）
- 上市公司融资约束企业主体 · 5.2 万 行 · 连接字段 industry_code、stock_code、year、province、city_code按证监会行业大类对上本数据集 42,420 行（100%）
- 上市公司年报语气指标企业主体 · 4.7 万 行 · 连接字段 province、industry_code、city_code_2、stock_code、year按证监会行业大类对上本数据集 42,420 行（100%）
- 上市公司数字经济城市企业主体 · 1.2 万 行 · 连接字段 stock_code、city_code、province、year、industry_code按证监会行业大类对上本数据集 42,412 行（99%）
- 上市公司绿色创新与财务企业主体 · 2.3 万 行 · 连接字段 year、region_code、industry_code、province、stock_code按证监会行业大类对上本数据集 42,359 行（99%）
- 上市公司数实融合水平企业主体 · 1.7 万 行 · 连接字段 stock_code、year、industry_code、city_code、province按证监会行业大类对上本数据集 41,820 行（98%）
- 上市公司财务治理指标企业主体 · 2.5 万 行 · 连接字段 year、industry_code、province、city_code、stock_code按证监会行业大类对上本数据集 41,090 行（96%）
按 证监会行业大类 + 省份 + 股票代码 + 年份 能连
27 个数据集 · 本数据集 42,420 行有证监会行业大类- 上市公司供应链效率企业主体 · 7.1 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 42,420 行（100%）
- 上市公司行业地域信息企业主体 · 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 42,420 行（100%）
- 上市公司跨境电商DID企业主体 · 6.9 万 行 · 连接字段 industry_code、year、stock_code、province按证监会行业大类对上本数据集 42,420 行（100%）
- 上市公司气候风险指数企业主体 · 6.7 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 42,420 行（100%）
- 上市公司年报AI词频企业主体 · 6.2 万 行 · 连接字段 year、stock_code、province、industry_code按证监会行业大类对上本数据集 42,420 行（100%）
- 上市公司数字化创新指标企业主体 · 5.9 万 行 · 连接字段 year、industry_code、province、stock_code按证监会行业大类对上本数据集 42,420 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 industry_code、stock_code、year、province_code按证监会行业大类对上本数据集 42,420 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、province、industry_code、stock_code按证监会行业大类对上本数据集 42,420 行（100%）
- 上市公司行业异质性企业主体 · 5.4 万 行 · 连接字段 industry_code、year、stock_code、province按证监会行业大类对上本数据集 42,420 行（100%）
- 上市公司省级政策匹配企业主体 · 4.9 万 行 · 连接字段 year、province、industry_code_c、stock_code按证监会行业大类对上本数据集 42,420 行（100%）
- 上市公司供应链风险企业主体 · 4.4 万 行 · 连接字段 province、industry_code、stock_code、year按证监会行业大类对上本数据集 42,420 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 province、stock_code、date、industry_code按证监会行业大类对上本数据集 42,420 行（100%）
按 城市 + 省份 + 股票代码 + 年份 能连
13 个数据集 · 本数据集 42,420 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 year、stock_code、province、city_code按城市对上本数据集 42,420 行（100%）
- 上市公司供应链试点匹配企业主体 · 5.8 万 行 · 连接字段 city_code、stock_code、year、province按城市对上本数据集 42,420 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 stock_code、province、year、city_code按城市对上本数据集 42,420 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、province、city_code、year按城市对上本数据集 42,420 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 year、province、city_code_2、stock_code按城市对上本数据集 42,420 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 province、stock_code、year、city_code_2按城市对上本数据集 42,420 行（100%）
- 上市公司ESG同群效应企业主体 · 4.2 万 行 · 连接字段 stock_code、province、year、city_code_2按城市对上本数据集 42,420 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、stock_code、year、city_code按城市对上本数据集 42,420 行（100%）
- 上市公司ESG与就业指标企业主体 · 4.2 万 行 · 连接字段 stock_code、city_code_2、year、province按城市对上本数据集 42,412 行（99%）
- 上市公司ESG与财务企业主体 · 3.9 万 行 · 连接字段 stock_code、province、year、city_code_2按城市对上本数据集 42,412 行（99%）
- 上市公司注册与经营概况企业主体 · 4,213 行 · 连接字段 province、setup_date、city_code、stock_code按城市对上本数据集 42,382 行（99%）
- 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、province、stock_code、register_address_city_code按城市对上本数据集 42,355 行（99%）
按 城市 + 省份 + 年份 能连
166 个数据集 · 本数据集 42,420 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、origin_province、month按城市对上本数据集 42,420 行（100%）
- 地级市分行业创新指数区域底数 · 574.7 万 行 · 连接字段 year、province、region_code按城市对上本数据集 42,420 行（100%）
- 县级逐月风速自然灾害 · 293.5 万 行 · 连接字段 city_code、year、province按城市对上本数据集 42,420 行（100%）
- 地级市日度夜间灯光区域底数 · 172.6 万 行 · 连接字段 region_code、province、date按城市对上本数据集 42,420 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 42,420 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 province、year、region_code按城市对上本数据集 42,420 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、year、origin_city_code按城市对上本数据集 42,420 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、date、province按城市对上本数据集 42,420 行（100%）
- 地级市逐月降水量自然灾害 · 55.4 万 行 · 连接字段 province、year、region_code按城市对上本数据集 42,420 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 province、city_code、date按城市对上本数据集 42,420 行（100%）
- 区县金融网点数量区域底数 · 39 万 行 · 连接字段 province、city_code、year按城市对上本数据集 42,420 行（100%）
- 地级市逐月风速自然灾害 · 37.8 万 行 · 连接字段 province、year、region_code按城市对上本数据集 42,420 行（100%）
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 42,420 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 industry_code、stock_code、year按证监会行业大类对上本数据集 42,420 行（100%）
- 上市公司FC融资约束指数企业主体 · 40.7 万 行 · 连接字段 industry_code、report_date、stock_code按证监会行业大类对上本数据集 42,420 行（100%）
- 上市公司KZ指数多口径企业主体 · 40.7 万 行 · 连接字段 stock_code、industry_code、report_date按证监会行业大类对上本数据集 42,420 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 42,420 行（100%）
- 上市公司盈利能力企业主体 · 7.4 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 42,420 行（100%）
- 上市公司发展能力企业主体 · 7.4 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 42,420 行（100%）
- 上市公司财务基础企业主体 · 6.7 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 42,420 行（100%）
- 上市公司勒纳指数企业主体 · 6.6 万 行 · 连接字段 year、stock_code、industry_code按证监会行业大类对上本数据集 42,420 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 industry_code、year、stock_code按证监会行业大类对上本数据集 42,420 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 listed_date、industry_code、stock_code按证监会行业大类对上本数据集 42,420 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 report_date、industry_code、stock_code按证监会行业大类对上本数据集 42,420 行（100%）
- 上市公司绿色投资者企业主体 · 5.7 万 行 · 连接字段 industry_code_2、year、stock_code按证监会行业大类对上本数据集 42,420 行（100%）
按 省份 + 股票代码 + 年份 能连
17 个数据集 · 本数据集 42,420 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 42,420 行（100%）
- 沪深京上市证券参照企业主体 · 6,057 行 · 连接字段 ts_code、list_date、province按省份对上本数据集 42,420 行（100%）
- 上市公司绿色专利占比企业主体 · 5.6 万 行 · 连接字段 province、year、stock_code按省份对上本数据集 42,420 行（100%）
- 上市公司专利创新绩效企业主体 · 5.6 万 行 · 连接字段 stock_code、year、province按省份对上本数据集 42,420 行（100%）
- 上市公司托宾Q值企业主体 · 5.1 万 行 · 连接字段 year、province、stock_code按省份对上本数据集 42,420 行（100%）
- 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 year、province、stock_code按省份对上本数据集 42,420 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 42,420 行（100%）
- 上市公司低碳试点匹配企业主体 · 4.4 万 行 · 连接字段 province、year、stock_code按省份对上本数据集 42,420 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 42,420 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、province、year按省份对上本数据集 42,420 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、year、stock_code按省份对上本数据集 42,420 行（100%）
- 上市公司对外投资企业主体 · 2.1 万 行 · 连接字段 province、year、stock_code按省份对上本数据集 42,420 行（100%）
按 城市 + 股票代码 + 年份 能连
2 个数据集 · 本数据集 42,420 行有城市按 城市 + 省份 + 股票代码 能连
1 个数据集 · 本数据集 42,420 行有城市按 省份 + 年份 能连
344 个数据集 · 本数据集 42,420 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 year、province_name按省份对上本数据集 42,420 行（100%）
- 全国兴趣点高德地图建筑设施 · 2200 万 行 · 连接字段 page_publish_time、pname按省份对上本数据集 42,420 行（100%）
- 县市逐日天气自然灾害 · 1509.2 万 行 · 连接字段 province、date按省份对上本数据集 42,420 行（100%）
- 县级日度夜间灯光区域底数 · 1313 万 行 · 连接字段 province、date按省份对上本数据集 42,420 行（100%）
- 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按省份对上本数据集 42,420 行（100%）
- 县级逐月降水量自然灾害 · 421.1 万 行 · 连接字段 year、province按省份对上本数据集 42,420 行（100%）
- 城市建设统计指标区域底数 · 237.2 万 行 · 连接字段 year、province按省份对上本数据集 42,420 行（100%）
- 县域统计年鉴主要指标区域底数 · 215.5 万 行 · 连接字段 year、province按省份对上本数据集 42,420 行（100%）
- 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按省份对上本数据集 42,420 行（100%）
- 县域数字基建词频区域底数 · 182 万 行 · 连接字段 province、year按省份对上本数据集 42,420 行（100%）
- 省级社会经济指标区域底数 · 154.5 万 行 · 连接字段 year、region_code按省份对上本数据集 42,420 行（100%）
- 省级教育统计指标区域底数 · 145.4 万 行 · 连接字段 year、region_code按省份对上本数据集 42,420 行（100%）
按 股票代码 + 年份 能连
186 个数据集 · 本数据集 42,420 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 month、stock_code按股票代码对上本数据集 42,420 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 42,420 行（100%）
- 上市公司绿色专利面板企业主体 · 7.8 万 行 · 连接字段 year、stock_code按股票代码对上本数据集 42,420 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 42,420 行（100%）
- 沪深北全市场Z值企业主体 · 5.7 万 行 · 连接字段 stock_code、year按股票代码对上本数据集 42,409 行（99%）
- 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 42,380 行（99%）
- 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 42,380 行（99%）
- 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 stock_code、year按股票代码对上本数据集 42,369 行（99%）
- 上市公司环境披露指数企业主体 · 4.7 万 行 · 连接字段 year、stock_code按股票代码对上本数据集 42,365 行（99%）
- 上市公司全要素生产率（五种算法）企业主体 · 5.5 万 行 · 连接字段 year、stock_code按股票代码对上本数据集 42,345 行（99%）
- 上市公司竞争对手DID面板企业主体 · 5.7 万 行 · 连接字段 year、stock_code按股票代码对上本数据集 42,324 行（99%）
- 上市公司年报管理层讨论词频企业主体 · 5.4 万 行 · 连接字段 stock_code、year按股票代码对上本数据集 42,269 行（99%）
按 城市 + 年份 能连
64 个数据集 · 本数据集 42,420 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 42,420 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 42,420 行（100%）
- 地级市数字产业集聚水平区域底数 · 1 万 行 · 连接字段 year、city_code按城市对上本数据集 42,420 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 42,420 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 42,420 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 42,420 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 42,420 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 42,420 行（100%）
- 地级市高铁状态交通运输 · 6,556 行 · 连接字段 city_code、year按城市对上本数据集 42,420 行（100%）
- 地级市工业产值与利税区域底数 · 6,324 行 · 连接字段 region_code、year按城市对上本数据集 42,420 行（100%）
- 地级市产业从业人数区域底数 · 6,324 行 · 连接字段 region_code、year按城市对上本数据集 42,420 行（100%）
- 地级市经济增长指标区域底数 · 6,324 行 · 连接字段 year、region_code按城市对上本数据集 42,420 行（100%）
按 城市 + 省份 能连
28 个数据集 · 本数据集 42,420 行有城市- 区县相邻关系明细区域底数 · 841 万 行 · 连接字段 province_code、city_code按城市对上本数据集 42,420 行（100%）
- 全国A级景区点位建筑设施 · 1.5 万 行 · 连接字段 city_code、province按城市对上本数据集 42,420 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 city_code、province_code按城市对上本数据集 42,420 行（100%）
- 全国县级常住人口区域底数 · 3,052 行 · 连接字段 province、city_code按城市对上本数据集 42,420 行（100%）
- 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 42,420 行（100%）
- 城市政商关系健康指数区域底数 · 292 行 · 连接字段 city_code_2、province按城市对上本数据集 42,420 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 42,404 行（99%）
- 地级市宗族文化占比区域底数 · 338 行 · 连接字段 city_code、province_code按城市对上本数据集 42,398 行（99%）
- 全国银行网点明细企业主体 · 12 万 行 · 连接字段 city_code、province按城市对上本数据集 42,303 行（99%）
- 地级市地形起伏度自然灾害 · 360 行 · 连接字段 province、region_code按城市对上本数据集 42,280 行（99%）
- 地级市胡焕庸线位置区域底数 · 285 行 · 连接字段 region_code、province按城市对上本数据集 42,230 行（99%）
- 全国区县方言分类区域底数 · 2,300 行 · 连接字段 city_code、province_code按城市对上本数据集 42,213 行（99%）
按 证监会行业大类 + 年份 能连
3 个数据集 · 本数据集 42,420 行有证监会行业大类按 证监会行业大类 + 省份 能连
1 个数据集 · 本数据集 42,420 行有证监会行业大类按 省份 能连
17 个数据集 · 本数据集 42,420 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 42,420 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 42,420 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 42,420 行（100%）
- 全国行政区划经纬度区域底数 · 3,445 行 · 连接字段 province按省份对上本数据集 42,420 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 42,420 行（100%）
- 区县农业区划归属区域底数 · 2,877 行 · 连接字段 province按省份对上本数据集 42,420 行（100%）
- 全国开发区点位和基本信息区域底数 · 2,781 行 · 连接字段 province按省份对上本数据集 42,420 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 42,420 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 42,420 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 42,243 行（99%）
- 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 42,243 行（99%）
- 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 41,523 行（97%）
按 城市 能连
10 个数据集 · 本数据集 42,420 行有城市- 全国养老机构点位医疗药械 · 5.8 万 行 · 连接字段 address_city_code按城市对上本数据集 42,420 行（100%）
- 全国行政区划代码参照区域底数 · 4,299 行 · 连接字段 parent_code按城市对上本数据集 42,409 行（99%）
- 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 42,409 行（99%）
- 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 42,408 行（99%）
- 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 42,395 行（99%）
- 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 42,395 行（99%）
- 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 42,055 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 38,034 行（89%）
- 保险公司分支机构名录保险市场 · 2,452 行 · 连接字段 address_city_code按城市对上本数据集 32,125 行（75%）
- 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 22,968 行（54%）
按 股票代码 能连
2 个数据集 · 本数据集 42,420 行有股票代码只按年份能连：212 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
212 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
- 全国气象站逐日观测自然灾害 · 993.2 万 行 · 连接字段 date
- 世行WDI国家指标区域底数 · 844.5 万 行 · 连接字段 year
- 全国格点逐年极端降水自然灾害 · 602.3 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
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1
- 扩增得出
region_code_current由行政区划代码扩增得出。
来自字段扩增上市公司金融科技与创新上市公司金融科技与创新
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-fintech-innovation/query' \ -H "Authorization: Bearer $WI_API_KEY" \ -H 'Content-Type: application/json' \ -d '{"filters":[{"field":"stock_code","op":"eq","value":"000002"}],"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。