数据质量报告数据版 v4.0·103城(含港澳台)·八维 · 截至 2026-09-01

这一页不做宣传，只做披露：样本怎么构成、缺了多少、谁缺什么、来源是哪一级的、每格数据可不可核、还差什么、怎么复算、哪里还不好。 表内所有数字均由控制器在服务端实时统计 public/data/ 下的真实数据文件得出，随数据版本更新自动重算——不写死、不估算、不美化。 第三至第五节为本次新增：字段覆盖率矩阵（103 城 × 41 字段）、来源等级与核验状态构成、待补缺口清单。

缺失率的口径：把 16 个二级指标 × 103 城展开为 1648 个格子，统计其中值为 null 的比例。它反映的是官方信息公开程度，不等同于评分时实际用到的数据量——评分中缺失项按规则置 null 或按标注规则派生，不参与臆测补值。

一、样本覆盖与构成

评级分布（实测）

当前样本中 S 级与 D 级均为 0 城，评级集中在 B 级与 C 级区间；其余未落入上述区间的记录 0 条。

二、缺失值统计

下表按缺失数由多到少排列。缺失的含义只有一个：没有查到可追溯的官方来源，因此在数据文件中记为 null。 它不代表该城市「没有这项能力」，只代表「这一项目前没有公开可核的来源」。

按维度汇总（实测）

三、字段覆盖率矩阵（103 城 × 41 字段 · 实测）

上面两张表回答的是「缺了多少」；这一节回答「谁缺什么」。左侧矩阵按榜单名次排列 103 城， 每一格是该城在对应字段组里的「已采集字段数 / 该组字段总数」，底色深浅即覆盖率； 下方字段级热力把颗粒度再推一层——每一个字段单独一行、每一座城市单独一列。 所有格子都是运行时把 opc_cities_all.json 与 city_metrics.json 合并后逐格判定， 判定规则与数据字典里声明的一致（null / 空串 / 空对象视为未采集，数值 0 视为已采集）。

字段级热力：每个字段一行 · 每座城市一列

列自左至右 = 榜单第 1 名 → 第 103 名（把鼠标停在最上面的刻度行可以看到城市名）。 绿色 = 该字段在这座城市已采集，浅红 = 未采集。按覆盖率升序排列，所以最上面几行就是全网最薄的地方。

矩阵读出来的三件事（全部由上面的矩阵现算，不是事先写好的结论）

本页数字与数据字典的逐字段对账

四、来源等级与核验状态构成

覆盖率只说「有没有值」，不说「值可不可核」。这一节把两件事分开： 来源等级讲的是每一条来源登记的出处层级；核验状态讲的是每个「城市 × 指标」单元格到底是可核、部分可核、推定，还是根本没值。

4.1 来源等级分布（1248 条逐指标来源登记 · 实测）

A + B + O 三档合计 821 条， 占 65.8%—— 即约三分之二的来源可指向政府官网、官方数据收录平台或明确的政府机关文件。 复核：本表由 opc_provenance.json 逐条重数得出，与文件内自述的 stats.tier_dist 逐档一致 ✓（自述总条目同样为 1248 条）。

4.2 来源六要素的实际解析率（只抽取、不编造）

这五行的价值在于它们不够高：把「解析不出来」的比例公开，等于告诉引用者「来源文本里还有多少需要人工翻原文才能确认」。 解析器只做抽取，不做推测——抽不到就是 null，绝不根据城市名或常识补一个看起来合理的值。

4.3 核验状态构成（1648 个「城市 × 指标」单元格 · 实测）

1648 = 103 城 × 16 项指标。请特别注意 unsourced（有值但没有登记来源） 这一档： 它不是「没数据」，而是「有数据、但我们还没能把来源挂上去」。这是当前数据集最需要补的一类， 详见本节末尾的缺口清单。城市级总评：high 14 城 / medium 52 城 / low 37 城； 核验状态 ok 82 城 / partial 21 城（ok 的判据：6 项核心指标无缺）。

4.4 逐指标核验构成（15 项指标各自可核到什么程度）

「缺口合计」= 有值无来源 + 无值。一行里若 可核为 0，说明该指标全网还没有一条能直接指向官方一手链接的来源—— 这些指标在评分中被使用，因此它们的可靠度差异会真实传导到总分，请引用时注意。

与第二节的交叉对账：本节 missing 与第二节「缺失值统计」的「缺失」是两条互相独立的判据 （本节取 opc_confidence.json 的 per_metric，第二节取 city_metrics.json 的 ind 是否为空）。 实测在全部 16 项指标上逐项一致（合计同为 446 格）。 两条独立路径得到同一个数，这是本页数据自洽的一个旁证 ✓

五、待补缺口清单（接下来要补什么，按优先级）

上面都是统计；这一节是可执行的清单。本站的补数顺序是：先补「有值无来源」（数据已经在，只缺一张来源凭证，性价比最高）， 再补「无值」（需要真正去找公开数据）。

5.1 按指标：优先补齐「有值但未登记来源」

5.2 按城市：字段覆盖最薄的 15 城

覆盖最全的是 保定、唐山、秦皇岛（各已采集 39 个字段 / 共 41 个）。 请不要把这张表读成「这些城市数据质量差」——排在最前面的三席是港澳台（制度口径不评估）， 其余大多是白皮书核心城，它们缺的主要是 flags、顶层 src 这类元数据字段，以及补贴、孵化器、数字经济占比等 「多数城市都不公开」的字段；它们的 GDP、收入、产业等主干数据通常是齐的。 换句话说：这张表量的是我们采集的完成度，不是城市的实力。

5.3 全网无「可核」来源的城市（20 城）

这些城市没有任何一个指标能挂到官方一手链接上——它们的数据并非凭空而来，而是采信了官方数据收录平台、公开报道或体系内研究。 列出它们，是为了让引用者在需要「直接引用政府原文」的场景下知道该避开哪些城市，也让我们自己知道巡检该从哪里开始。

5.4 补数渠道（写明我们打算去哪儿找，接受监督）

六、推定值与派生值披露

本站只有一项真正的「推定值」（在无原值时代入一个值），其余为「派生值」（有官方依据、需按固定规则换算）。两类均逐城标注，任何引用者都能把它们筛出来单独审计。

七、数据来源时效

口径说明：统计的是逐城来源描述中出现的年份（既含数据年份，也含文件发布年份），同一城市可同时计入多个年份，因此各行数字不可相加。 它反映的是来源时效的构成，不等同于严格的「数据年份」统计；如需精确到「该城数据属于哪一年」，请下载 city_metrics.json 逐条查看来源原文。

结构化口径：来源年（逐指标条目实测）

上表是「文本提及」的宽口径；下表是严格口径——把 1248 条来源登记逐条解析出发布/数据年份后计数， 一条只算一次，因而可以相加。解析规则：正文优先取「20xx 年」上下文；URL 只认同 YYYY / YYYYMM / YYYYMMDD 形式的日期段， 资源 id 里的数字串一律不认（避免把 …_2092457. 误读成 2092 年），抽不到就是空、不猜。

两张表为什么不一致——以及该信哪一张：宽口径会把 URL 里的任意数字串也算成「提及」，例如 GDP 52073亿元 会被读成「2073 年」、链接末尾的 post_2002519 会被读成「2002 年」， 因此宽口径会高估近期以外年份的存在感。严格口径已经修掉这类假阳性（720 条无年份就是如实为空）。 需要引用「哪一年」时请使用下表（结构化口径）；上表仅用于说明「来源文本里大致提到了什么年代」，两表均不可当作评分的年份依据。

溯源完备度自述分布（实测）

八、复现与校验

# 1) 校验：31 城白皮书原值复现
python3 opc_rank.py validate

# 2) 全量：重算 103 城榜单
python3 opc_rank.py rank

九、已知局限与改进计划