- 记录
- 5.3 万
- 字段
- 17
- AI 扩增字段
- 1
- 平均非空率
- 93.8%
- 字段完整度
17 个字段，11 个没有空值，1 个 AI 扩增
图片：Clemens van Lay / Unsplash，Unsplash License（在新窗口打开图片的原始页面）
01字段
字段来源，逐一标明
共 17 个字段，其中 AI 扩增字段 1 个。非空率按当前版本的 52,624 行计算。
关于这个数据集
一行是一家上市公司一年的员工人数、支付给职工的现金、机器账面价值、研发投入、总资产、固定资产、总资产周转率、净资产收益率和无形资产占比，带行业和所在省市。覆盖 2000 到 2021 年，共 52624 行，机器价值和研发投入约三成缺失。来自人工智能与劳动力市场研究的整理数据，用来分析企业的人力成本和自动化程度，给雇主责任险、企业财产险的风险画像做参考。
| 字段 | 类型 | 来源 | 非空率 | 可过滤 | 可返回 | 说明 |
|---|---|---|---|---|---|---|
| 股票代码stock_code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% | — | ||
| 所属省份province规律 1：所属省份的字段规律字段规律：city_code由所属省份、所属城市扩增得出。键：省份名称。样本里格式符合 100%，还没有参照 | 文本 | 原生 | 100% | — | ||
| 所属城市city规律 1：所属城市的字段规律字段规律：city_code由所属省份、所属城市扩增得出。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键：多级区划代码（2020 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% | — | ||
| 支付职工现金cash_paid_to_employees | 小数 | 原生 | 100% | 支付给职工以及为职工支付的现金。单位：元 | ||
| 员工人数employee_count | 整数 | 原生 | 99% | 单位：人 | ||
| 机器账面价值machine_book_value | 小数 | 原生 | 70% | — | ||
| 研发投入金额rd_investment_amount | 小数 | 原生 | 61% | — | ||
| 年末总资产total_assets_end_of_year | 小数 | 原生 | 100% | 单位：元 原表列名：年末总资产_元 | ||
| 固定资产fixed_assets | 小数 | 原生 | 100% | 单位：元 原表列名：固定资产_元 | ||
| 总资产周转率total_asset_turnover_rate | 小数 | 原生 | 100% | — | ||
| 净资产收益率return_on_equity | 小数 | 原生 | 73% | — | ||
| 无形资产占比intangible_assets_ratio | 小数 | 原生 | 99% | 无形资产占总资产之比 | ||
| 所属城市区划代码city_code规律 1：所属城市区划代码的字段规律字段规律：city_code由所属省份、所属城市扩增得出。键：市级区划代码。样本里格式符合 100%，94.6% 的行对上参照 region-name-alias | 文本 | 规则扩增第 2 级扩增查看溯源：所属城市区划代码 | 95%平均置信度 1.00校验少：不建议单独作为决策依据 | 由所属省份、所属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 |
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 | 所属省份province | 所属城市city | 行政区划代码region_code | 支付职工现金cash_paid_to_employees | 员工人数employee_count | 机器账面价值machine_book_value | 研发投入金额rd_investment_amount | 年末总资产total_assets_end_of_year | 固定资产fixed_assets | 总资产周转率total_asset_turnover_rate | 净资产收益率return_on_equity | 无形资产占比intangible_assets_ratio | 所属城市区划代码city_code |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 000001 | 2000 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 361163155 | 4540 | — | — | 67227499769 | 1587091454 | 0.02129 | — | 0.000029488825358847476 | 440300 |
| 2 | 000001 | 2001 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 495007891 | 5089 | — | — | 120126983351 | 1763256906 | 0.017635 | — | 0.0002968773709716496 | 440300 |
| 3 | 000001 | 2002 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 759287598 | 5834 | — | — | 166166379400 | 2380640202 | 0.018518 | 0.114709 | 0.0003149354291100357 | 440300 |
| 4 | 000001 | 2003 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 807468470 | 6471 | 3564567692 | — | 192851003723 | 2388062129 | 0.016224 | 0.079833 | 0.0004515967628827709 | 440300 |
| 5 | 000001 | 2004 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 864465740 | 6999 | 4598460554 | — | 204286424020 | 3243569329 | 0.021934 | 0.061856 | 0.0003223761261470438 | 440300 |
| 6 | 000001 | 2005 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 1041394078 | 7142 | 4022065037 | — | 229216415808 | 2417722573 | 0.019884 | 0.069745 | 0.0001814026140031319 | 440300 |
| 7 | 000001 | 2006 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 1230566326 | 7737 | — | — | 260576263238 | 1994379072 | 0.026054 | 0.201238 | 0.00010195637035340548 | 440300 |
| 8 | 000001 | 2007 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 1819547000 | 8573 | 2958850000 | — | 352539361000 | 1554278000 | 0.029193 | 0.203744 | 0.00019210620853198857 | 440300 |
| 9 | 000001 | 2008 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 2363094000 | 10381 | 3126192000 | — | 474440173000 | 1674924000 | 0.028588 | 0.037439 | 0.00024010825069823924 | 440300 |
| 10 | 000001 | 2009 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 2913635000 | 11308 | 3356314000 | — | 587811034000 | 1714461000 | 0.024317 | 0.245766 | 0.0002667319783588819 | 440300 |
| 11 | 000001 | 2010 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 3747634000 | 12203 | 4340394000 | — | 727207076000 | 2392293000 | 0.02415 | 0.189286 | 0.00026344628142754763 | 440300 |
| 12 | 000001 | 2011 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 5287265000 | 13778 | 6269562000 | — | 1258176944000 | 3524265000 | 0.023119 | 0.13784 | 0.004760642792386124 | 440300 |
| 13 | 000001 | 2012 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 7176205000 | 24251 | 6673818000 | — | 1606536760000 | 3536443000 | 0.024221 | 0.159328 | 0.003659037966862333 | 440300 |
| 14 | 000001 | 2013 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 9660000000 | 34724 | 7312000000 | — | 1891741000000 | 3694000000 | 0.027115 | 0.135893 | 0.0028878160382420216 | 440300 |
| 15 | 000001 | 2014 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 12175000000 | 35069 | 7887000000 | — | 2186459000000 | 3812000000 | 0.032307 | 0.151219 | 0.002420809171358804 | 440300 |
| 16 | 000001 | 2015 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 12871000000 | 37937 | 9303000000 | — | 2507149000000 | 4788000000 | 0.036976 | 0.135387 | 0.00197874159054767 | 440300 |
| 17 | 000001 | 2016 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 13762000000 | 36885 | 13446000000 | — | 2953434000000 | 8316000000 | 0.035354 | 0.111782 | 0.001615407691521124 | 440300 |
| 18 | 000001 | 2017 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 14345000000 | 32502 | 13812000000 | — | 3248474000000 | 8036000000 | 0.032283 | 0.10443 | 0.0014471410268329069 | 440300 |
| 19 | 000001 | 2018 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 16194000000 | 34626 | 17487000000 | — | 3418592000000 | 10899000000 | 0.031069 | 0.10339 | 0.001395603804139248 | 440300 |
| 20 | 000001 | 2019 | 货币金融服务 | J66 | 广东省 | 深圳市 | 440300 | 18090000000 | 34253 | 18584000000 | — | 3939070000000 | 11092000000 | 0.032194 | 0.090085 | 0.0011071141157684428 | 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 v12026/11/15 发布
生效中52,624 行 · 17 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 177 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 + 地区 + 省份 + 股票代码 + 年份 能连
1 个数据集 · 本数据集 52,623 行有证监会行业大类按 证监会行业大类 + 地区 + 省份 + 股票代码 + 年份 能连
14 个数据集 · 本数据集 52,623 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 industry_code、stock_code、province、city_code、year按证监会行业大类对上本数据集 52,623 行（99%）
- 上市公司跨境电商DID企业主体 · 6.9 万 行 · 连接字段 year、city_code、stock_code、province、industry_code按证监会行业大类对上本数据集 52,623 行（99%）
- 上市公司气候风险指数企业主体 · 6.7 万 行 · 连接字段 region_code、province、year、industry_code、stock_code按证监会行业大类对上本数据集 52,623 行（99%）
- 上市公司年报AI词频企业主体 · 6.2 万 行 · 连接字段 year、stock_code、industry_code、province、city_code按证监会行业大类对上本数据集 52,623 行（99%）
- 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 city_code、industry_code、stock_code、year、province_code按证监会行业大类对上本数据集 52,623 行（99%）
- 上市公司对外开放程度企业主体 · 5.8 万 行 · 连接字段 stock_code、province、industry_code、year、city_code按证监会行业大类对上本数据集 52,623 行（99%）
- A股数字化与ESG企业主体 · 3.9 万 行 · 连接字段 region_code、year、industry_code、stock_code、province按证监会行业大类对上本数据集 52,619 行（99%）
- 上市公司ESG与创新指标企业主体 · 3.7 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 52,619 行（99%）
- 上市公司百度指数企业主体 · 3.5 万 行 · 连接字段 province、city_code、industry_code、stock_code、year按证监会行业大类对上本数据集 52,619 行（99%）
- 上市公司档案参照企业主体 · 5,704 行 · 连接字段 city_code、province、industry_code_c、stkcd、establish_date按证监会行业大类对上本数据集 52,539 行（99%）
- 上市公司供应链效率企业主体 · 7.1 万 行 · 连接字段 year、stock_code、industry_code、city_code、province按证监会行业大类对上本数据集 52,247 行（99%）
- 上市公司数字化创新指标企业主体 · 5.9 万 行 · 连接字段 region_code、industry_code、year、stock_code、province按证监会行业大类对上本数据集 51,583 行（98%）
按 证监会行业大类 + 城市 + 省份 + 股票代码 + 年份 能连
6 个数据集 · 本数据集 52,623 行有证监会行业大类- 上市公司融资约束企业主体 · 5.2 万 行 · 连接字段 province、year、industry_code、stock_code、city_code按证监会行业大类对上本数据集 52,623 行（99%）
- 上市公司数字经济城市企业主体 · 1.2 万 行 · 连接字段 city_code、industry_code、stock_code、province、year按证监会行业大类对上本数据集 52,611 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 region_code、industry_code、stock_code、year、province按证监会行业大类对上本数据集 52,539 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 industry_code、province、year、stock_code、region_code按证监会行业大类对上本数据集 51,579 行（98%）
- 上市公司数实融合水平企业主体 · 1.7 万 行 · 连接字段 city_code、stock_code、year、industry_code、province按证监会行业大类对上本数据集 50,751 行（96%）
- 上市公司财务治理指标企业主体 · 2.5 万 行 · 连接字段 city_code、industry_code、year、province、stock_code按证监会行业大类对上本数据集 50,726 行（96%）
按 城市 + 地区 + 省份 + 股票代码 + 年份 能连
6 个数据集 · 本数据集 49,794 行有城市- 上市公司数字化与绿色创新企业主体 · 5 万 行 · 连接字段 city_code、stock_code、city_code_2、year、province按城市对上本数据集 49,727 行（94%）
- 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、province、year、stock_code、city_code_2按城市对上本数据集 49,727 行（94%）
- 上市公司ESG同群效应企业主体 · 4.2 万 行 · 连接字段 city_code、city_code_2、year、stock_code、province按城市对上本数据集 49,727 行（94%）
- 上市公司ESG与就业指标企业主体 · 4.2 万 行 · 连接字段 city_code_2、year、province、stock_code、city_code按城市对上本数据集 49,709 行（94%）
- 上市公司ESG与财务企业主体 · 3.9 万 行 · 连接字段 stock_code、city_code_2、year、province、city_code按城市对上本数据集 49,709 行（94%）
- 上市公司政府采购合同工程项目 · 19 万 行 · 连接字段 buyer_city_code、stock_code、contract_date、company_city_code、buyer_province按城市对上本数据集 39,159 行（74%）
按 证监会行业大类 + 省份 + 股票代码 + 年份 能连
13 个数据集 · 本数据集 52,623 行有证监会行业大类- 上市公司行业异质性企业主体 · 5.4 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 52,623 行（99%）
- 上市公司省级政策匹配企业主体 · 4.9 万 行 · 连接字段 year、stock_code、industry_code_c、province按证监会行业大类对上本数据集 52,619 行（99%）
- 上市公司社会责任报告信息企业主体 · 4 万 行 · 连接字段 stock_code、province、date、industry_code按证监会行业大类对上本数据集 52,619 行（99%）
- 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 52,619 行（99%）
- 上市公司人工智能采纳程度企业主体 · 3.7 万 行 · 连接字段 industry_code、stock_code、year、province按证监会行业大类对上本数据集 52,619 行（99%）
- 上市公司Wind ESG评级企业主体 · 14 万 行 · 连接字段 province、year、stock_code、industry_code按证监会行业大类对上本数据集 52,539 行（99%）
- 上市公司创新与地区数字金融企业主体 · 2.1 万 行 · 连接字段 stock_code、industry_code、province、accounting_period按证监会行业大类对上本数据集 52,539 行（99%）
- 上市公司富时罗素ESG评分企业主体 · 2 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 52,539 行（99%）
- 全国上市公司注册发行企业主体 · 5,499 行 · 连接字段 listing_date、industry_code_c、stock_code、province按证监会行业大类对上本数据集 52,539 行（99%）
- 上市公司数字技术与所在省份数字基础设施企业主体 · 1.5 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 52,533 行（99%）
- 上市公司专利统计企业主体 · 7,834 行 · 连接字段 province、year、ind_code、stock_code按证监会行业大类对上本数据集 51,834 行（98%）
- 上市公司ESG工具变量企业主体 · 4 万 行 · 连接字段 year、stock_code、province、industry_code_1按证监会行业大类对上本数据集 51,579 行（98%）
按 城市 + 省份 + 股票代码 + 年份 能连
7 个数据集 · 本数据集 49,794 行有城市- 上市公司注册与经营概况企业主体 · 4,213 行 · 连接字段 setup_date、city_code、stock_code、province按城市对上本数据集 49,737 行（94%）
- 上市公司绿色信贷匹配企业主体 · 5.8 万 行 · 连接字段 stock_code、year、province、city_code按城市对上本数据集 49,727 行（94%）
- 上市公司供应链试点匹配企业主体 · 5.8 万 行 · 连接字段 province、stock_code、year、city_code按城市对上本数据集 49,727 行（94%）
- 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 province、stock_code、year、city_code按城市对上本数据集 49,727 行（94%）
- 上市公司高铁开通匹配企业主体 · 5.7 万 行 · 连接字段 province、city_code、stock_code、year按城市对上本数据集 49,727 行（94%）
- 上市公司数字普惠金融企业主体 · 4.2 万 行 · 连接字段 stock_code、province、city_code、year按城市对上本数据集 49,727 行（94%）
- 上市公司周边宗教场所统计企业主体 · 17.4 万 行 · 连接字段 register_address_city_code、year、province、stock_code按城市对上本数据集 49,700 行（94%）
按 地区 + 省份 + 股票代码 + 年份 能连
5 个数据集 · 本数据集 52,613 行有地区- 上市公司绿色专利占比企业主体 · 5.6 万 行 · 连接字段 year、province、stock_code、city_code按地区对上本数据集 52,516 行（99%）
- 上市公司专利创新绩效企业主体 · 5.6 万 行 · 连接字段 city_code、year、province、stock_code按地区对上本数据集 52,516 行（99%）
- 上市公司托宾Q值企业主体 · 5.1 万 行 · 连接字段 year、city_code、province、stock_code按地区对上本数据集 52,513 行（99%）
- 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、city_code、year、stock_code按地区对上本数据集 52,506 行（99%）
- 上市公司环保处罚累计次数企业主体 · 5,633 行 · 连接字段 province、city_code、cutoff_date、stock_code按地区对上本数据集 52,344 行（99%）
按 城市 + 地区 + 省份 + 年份 能连
4 个数据集 · 本数据集 49,794 行有城市- 城市二手房月度均价区域底数 · 4.3 万 行 · 连接字段 city_code、year、region_code、province按城市对上本数据集 48,479 行（92%）
- 城市二手房年度指标区域底数 · 4,119 行 · 连接字段 year、province、city_code、region_code按城市对上本数据集 48,479 行（92%）
- 全国机构养老服务机构建筑设施 · 3.9 万 行 · 连接字段 province、region_code、city_code、create_date按城市对上本数据集 39,159 行（74%）
- 全国社区养老设施建筑设施 · 19.7 万 行 · 连接字段 region_code、city_code、province、create_date按城市对上本数据集 23,737 行（45%）
按 城市 + 省份 + 年份 能连
162 个数据集 · 本数据集 49,794 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 month、origin_province、origin_city_code按城市对上本数据集 49,794 行（94%）
- 县级逐月风速自然灾害 · 293.5 万 行 · 连接字段 city_code、province、year按城市对上本数据集 49,794 行（94%）
- 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 49,794 行（94%）
- 全国城市每日人口迁徙区域底数 · 65.1 万 行 · 连接字段 date、region_code、province按城市对上本数据集 49,794 行（94%）
- 地级市逐月降水量自然灾害 · 55.4 万 行 · 连接字段 region_code、year、province按城市对上本数据集 49,794 行（94%）
- 银行业金融机构网点明细保险市场 · 47.7 万 行 · 连接字段 date、province、city_code按城市对上本数据集 49,794 行（94%）
- 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 49,794 行（94%）
- 地级市逐月风速自然灾害 · 37.8 万 行 · 连接字段 year、region_code、province按城市对上本数据集 49,794 行（94%）
- 金融机构网点明细保险市场 · 27.5 万 行 · 连接字段 province、approve_date、city_code按城市对上本数据集 49,794 行（94%）
- 县级逐年降水量自然灾害 · 20.4 万 行 · 连接字段 city_code、province、year按城市对上本数据集 49,794 行（94%）
- 中国新冠病例统计人口健康 · 12.5 万 行 · 连接字段 province_code、date、city_code按城市对上本数据集 49,794 行（94%）
- 县级矫正夜间灯光区域底数 · 8.9 万 行 · 连接字段 year、region_code、province按城市对上本数据集 49,794 行（94%）
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 52,623 行有证监会行业大类- 上市公司基础财务企业主体 · 7.7 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 52,623 行（99%）
- 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 52,623 行（99%）
- 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 52,623 行（99%）
- 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 52,623 行（99%）
- 上市公司勒纳指数企业主体 · 6.6 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 52,623 行（99%）
- 上市公司资产专用性指标企业主体 · 5.8 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 52,623 行（99%）
- 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 52,623 行（99%）
- 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、stock_code、industry_code按证监会行业大类对上本数据集 52,623 行（99%）
- 上市公司绿色投资者企业主体 · 5.7 万 行 · 连接字段 industry_code_2、stock_code、year按证监会行业大类对上本数据集 52,623 行（99%）
- 上市公司高管党员统计企业主体 · 5.7 万 行 · 连接字段 stock_code、year、industry_code_1按证监会行业大类对上本数据集 52,623 行（99%）
- 上市公司党组织设立企业主体 · 5.7 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 52,623 行（99%）
- 上市公司成本粘性指标企业主体 · 5.4 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 52,623 行（99%）
按 省份 + 股票代码 + 年份 能连
12 个数据集 · 本数据集 52,614 行有省份- 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 52,614 行（99%）
- 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 52,614 行（99%）
- 上市公司低碳试点匹配企业主体 · 4.4 万 行 · 连接字段 year、stock_code、province按省份对上本数据集 52,614 行（99%）
- 新三板公司基本信息参照企业主体 · 1.3 万 行 · 连接字段 establish_date、province、stock_code按省份对上本数据集 52,613 行（99%）
- 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 52,613 行（99%）
- 上市公司供应链地理距离企业主体 · 4.2 万 行 · 连接字段 province、year、stock_code按省份对上本数据集 52,613 行（99%）
- 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 52,613 行（99%）
- 上市公司对外投资企业主体 · 2.1 万 行 · 连接字段 stock_code、year、province按省份对上本数据集 52,613 行（99%）
- 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 year、stock_code、province按省份对上本数据集 52,613 行（99%）
- 上市公司供应链上下游企业主体 · 1.2 万 行 · 连接字段 province、year、stock_code按省份对上本数据集 52,613 行（99%）
- 上市公司所在地企业主体 · 4,447 行 · 连接字段 stock_code、province、list_date按省份对上本数据集 52,613 行（99%）
- A股上市银行年度经营指标企业主体 · 3.1 万 行 · 连接字段 province、year、stock_code按省份对上本数据集 39,203 行（74%）
按 地区 + 省份 + 年份 能连
3 个数据集 · 本数据集 52,613 行有地区按 城市 + 股票代码 + 年份 能连
2 个数据集 · 本数据集 49,794 行有城市按 城市 + 地区 + 年份 能连
1 个数据集 · 本数据集 49,794 行有城市按 城市 + 省份 + 股票代码 能连
1 个数据集 · 本数据集 49,794 行有城市按 省份 + 年份 能连
341 个数据集 · 本数据集 52,614 行有省份- 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 52,614 行（99%）
- 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 52,614 行（99%）
- 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 52,614 行（99%）
- 中国手机基站地理信息建筑设施 · 186.8 万 行 · 连接字段 province、create_date按省份对上本数据集 52,614 行（99%）
- 工业企业出口技术复杂度企业主体 · 75.2 万 行 · 连接字段 customs_province、year按省份对上本数据集 52,614 行（99%）
- 金融机构许可证企业主体 · 59 万 行 · 连接字段 province、issue_date按省份对上本数据集 52,614 行（99%）
- 县级逐月闪电自然灾害 · 34.2 万 行 · 连接字段 province、year按省份对上本数据集 52,614 行（99%）
- 省级环境关注度日度指数区域底数 · 27.5 万 行 · 连接字段 date、region_code按省份对上本数据集 52,614 行（99%）
- 省级日度夜间灯光区域底数 · 15.6 万 行 · 连接字段 date、province按省份对上本数据集 52,614 行（99%）
- 省级逐月降水量自然灾害 · 5 万 行 · 连接字段 year、province按省份对上本数据集 52,614 行（99%）
- 县市逐年极端天气天数自然灾害 · 4.4 万 行 · 连接字段 province、year按省份对上本数据集 52,614 行（99%）
- 省级新冠疫情日度人口健康 · 3.6 万 行 · 连接字段 date、region_name按省份对上本数据集 52,614 行（99%）
按 股票代码 + 年份 能连
186 个数据集 · 本数据集 52,623 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 52,623 行（99%）
- 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 52,623 行（99%）
- 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 52,623 行（99%）
- 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 52,623 行（99%）
- 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 52,609 行（99%）
- 上市公司审计与披露企业主体 · 5 万 行 · 连接字段 stock_code、year按股票代码对上本数据集 52,390 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 52,381 行（99%）
- 上市公司存货净额企业主体 · 48.1 万 行 · 连接字段 date、stock_code按股票代码对上本数据集 52,364 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 52,364 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 52,350 行（99%）
- 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 52,342 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 stock_code、year按股票代码对上本数据集 52,265 行（99%）
按 城市 + 年份 能连
63 个数据集 · 本数据集 49,794 行有城市- 全国创新型中小企业数量区域底数 · 2,102 行 · 连接字段 region_code、year按城市对上本数据集 49,774 行（94%）
- 地区新冠疫情每日统计人口健康 · 38.4 万 行 · 连接字段 region_code、date按城市对上本数据集 49,749 行（94%）
- 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 49,727 行（94%）
- 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 49,727 行（94%）
- 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 49,727 行（94%）
- 地级市数字普惠金融指数区域底数 · 4,706 行 · 连接字段 year、city_code按城市对上本数据集 49,727 行（94%）
- 地级市链长制政策面板区域底数 · 3,370 行 · 连接字段 city_code、year按城市对上本数据集 49,727 行（94%）
- 地级市链长制起始表区域底数 · 337 行 · 连接字段 city_code、start_year按城市对上本数据集 49,727 行（94%）
- 全国专利许可记录企业主体 · 19.2 万 行 · 连接字段 pub_date、applicant_address_city_code按城市对上本数据集 49,687 行（94%）
- 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 49,622 行（94%）
- 地级市经济社会统计区域底数 · 120.5 万 行 · 连接字段 year、region_code按城市对上本数据集 49,584 行（94%）
- 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 49,584 行（94%）
按 城市 + 省份 能连
28 个数据集 · 本数据集 49,794 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按城市对上本数据集 49,794 行（94%）
- 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 49,794 行（94%）
- 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 49,794 行（94%）
- 地级市河流长度与密度自然灾害 · 368 行 · 连接字段 province_code、region_code按城市对上本数据集 49,794 行（94%）
- 全国A级景区点位建筑设施 · 1.5 万 行 · 连接字段 province、city_code按城市对上本数据集 49,727 行（94%）
- 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 49,703 行（94%）
- 全国高校基本信息企业主体 · 2,769 行 · 连接字段 province、city_code按城市对上本数据集 49,687 行（94%）
- 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 49,598 行（94%）
- 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 49,589 行（94%）
- 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 49,566 行（94%）
- 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 49,482 行（94%）
- 全国地级市道观数量区域底数 · 341 行 · 连接字段 province、city_code按城市对上本数据集 49,360 行（93%）
按 地区 + 年份 能连
4 个数据集 · 本数据集 52,613 行有地区按 证监会行业大类 + 年份 能连
3 个数据集 · 本数据集 52,623 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 52,623 行有证监会行业大类按 地区 + 省份 能连
1 个数据集 · 本数据集 52,613 行有地区按 省份 能连
16 个数据集 · 本数据集 52,614 行有省份- 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 52,614 行（99%）
- 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 52,614 行（99%）
- 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 52,613 行（99%）
- 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 52,613 行（99%）
- 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 52,613 行（99%）
- 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 52,613 行（99%）
- 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 52,613 行（99%）
- 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 52,613 行（99%）
- 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 52,365 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 52,365 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 51,225 行（97%）
- 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 49,644 行（94%）
按 城市 能连
10 个数据集 · 本数据集 49,794 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 49,794 行（94%）
- 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 49,716 行（94%）
- 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 49,716 行（94%）
- 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 49,552 行（94%）
- 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 49,539 行（94%）
- 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 49,539 行（94%）
- 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 49,098 行（93%）
- 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 44,656 行（84%）
- 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 37,097 行（70%）
- 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 26,694 行（50%）
按 股票代码 能连
2 个数据集 · 本数据集 52,623 行有股票代码只按年份能连：208 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
208 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
- 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
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
city_code由所属省份、所属城市扩增得出。
来自字段扩增上市公司劳动力与资产指标上市公司劳动力与资产指标
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-labor-asset/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。