本站长期专注于为学术科研、跨国出海战略研究及经管计量团队提供高质量标准经管专题数据库。
本次整理上架的是**【最新 OFDI】2003-2024 年中国对外直接投资(OFDI,Outward Foreign Direct Investment)流量与存量全量数据库**。数据严格基于商务部、国家统计局、国家外汇管理局联合发布的《中国对外直接投资统计公报》权威整理,全面覆盖全球 190 多个国家/地区及国民经济 19 大行业,是开展国际直接投资、一带一路专题、“走出去”战略以及跨国面板回归分析的必备权威数据包。
📦 数据包规格与商品详情
- 数据名称:中国对外直接投资(OFDI)流量与存量全量专题数据库
- 时间跨度:2003 年 - 2024 年 或 2004 年 - 2024 年(全网最新全量)
- 覆盖范围:
- 📌 中国对全球 190 多个国家/地区直接投资
- 📌 中国分 19 个国民经济行业对外直接投资
- 包含的具体内容(4 大核心数据表):
- 🚩 中国对外直接投资流量(分 191 个国家地区)
2003-2024 年 - 🚩 中国对外直接投资存量(分 196 个国家地区)
2003-2024 年 - 🚩 中国(分 19 个行业)对外直接投资流量
2004-2024 年 - 🚩 中国(分 19 个行业)对外直接投资存量
2004-2024 年
- 🚩 中国对外直接投资流量(分 191 个国家地区)
- 数据来源:《中国对外直接投资统计公报》(官方公报权威汇总)
- 数据格式:标准 EXCEL 表格(.xlsx) / CSV / Stata 面板格式
- 统计单位:万美元(已做长宽表转换与单位对齐)
- 数据完整度:官方披露全量收录(含极微量官方原始统计口径缺失标记)
- 发货与交易规则:
- 🔥 商品页包含内容全覆盖,标价即卖价,打包一口价;
- 📌 (具体信息详见本简介,不答疑,看好可以直接拍);
- ✨ 拍下后网盘秒发,发送链接即视为交易成功;
- 虚拟数字数据商品,非数据文件本身损坏原因不退不换,拒绝白嫖;
- 📌 所有文件均获取自网络公开权威渠道整理,仅供学习、科研和交流使用。#学习资料教材
一、数据包核心结构与指标维度
数据包已完成国别 ISO 3166-1 alpha-3 标准编码与国民经济行业分类(GB/T 4754)门类代码对齐,核心表结构如下:
| 数据表类别 | 统计对象与维度 | 时间跨度 | 核心指标 | 数据单位 |
|---|---|---|---|---|
| 国别流量表 | 全球 191 个国家和地区 | 2003-2024 年 | 当年实际投资流量(Flow) | 万美元 / 美元 |
| 国别存量表 | 全球 196 个国家和地区 | 2003-2024 年 | 年末累计投资存量(Stock) | 万美元 / 美元 |
| 行业流量表 | 19 个国民经济行业门类 | 2004-2024 年 | 行业实际投资流量(Flow) | 万美元 / 美元 |
| 行业存量表 | 19 个国民经济行业门类 | 2004-2024 年 | 行业累计投资存量(Stock) | 万美元 / 美元 |
二、附赠数据清洗与长宽表转换 Python 脚本
购买数据包后,附赠一键将 Excel 横向年份宽表逆透视(Unpivot / Melt)为计量长表的自动化处理代码:
import pandas as pdimport numpy as npfrom typing import Dict
# 国家中文名称到 ISO3 标准代码映射表CUSTOM_COUNTRY_MAP: Dict[str, str] = { "中国香港": "HKG", "中国澳门": "MAC", "中国台湾": "TWN", "开曼群岛": "CYM", "英属维尔京群岛": "VGB", "埃斯瓦蒂尼": "SWZ", "俄罗斯": "RUS", "韩国": "KOR", "美国": "USA", "新加坡": "SGP"}
def transform_ofdi_excel(file_path: str, sheet_name: str, metric_type: str, dimension: str) -> pd.DataFrame: """ 自动将 OFDI 宽表转为标准长表,并补齐 ISO 国别代码与美元换算 """ df = pd.read_excel(file_path, sheet_name=sheet_name) entity_col = df.columns[0] year_cols = [c for c in df.columns if str(c).isdigit() or (isinstance(c, int) and 2000 <= c <= 2030)]
# 宽表逆透视为长表 melted = df.melt( id_vars=[entity_col], value_vars=year_cols, var_name="year", value_name="amount_usd_10k" )
melted.rename(columns={entity_col: "entity_name"}, inplace=True) melted["year"] = melted["year"].astype(int) melted["metric_type"] = metric_type melted["dimension_type"] = dimension
# 缺失值与数值清洗 melted["is_official_missing"] = melted["amount_usd_10k"].isna() | (melted["amount_usd_10k"] == "--") melted["amount_usd_10k"] = pd.to_numeric( melted["amount_usd_10k"].replace(["--", "-", ""], np.nan), errors="coerce" ) # 换算标准美元(USD) melted["amount_usd"] = melted["amount_usd_10k"] * 10000.0
if dimension == "COUNTRY": melted["iso3_code"] = melted["entity_name"].apply(lambda n: CUSTOM_COUNTRY_MAP.get(str(n).strip(), "OTHER"))
return melted
if __name__ == "__main__": df = transform_ofdi_excel("china_ofdi_2003_2024.xlsx", "流量_分国家地区", "FLOW", "COUNTRY") print(f"✅ OFDI 国别流量清洗成功,生成长表记录数: {len(df)}")三、PostgreSQL / ClickHouse 星型模型数仓设计
配套提供的数据仓库建表 DDL:
-- OFDI 多维时序事实表CREATE TABLE fact_china_ofdi ( id BIGSERIAL PRIMARY KEY, year INT NOT NULL, dimension_type VARCHAR(16) NOT NULL, -- 'COUNTRY' 或 'INDUSTRY' entity_code VARCHAR(16) NOT NULL, -- ISO3 编码或行业门类代码 entity_name_zh VARCHAR(128) NOT NULL,
flow_usd_10k NUMERIC(15, 4), -- 投资流量(万美元) stock_usd_10k NUMERIC(15, 4), -- 投资存量(万美元) flow_usd NUMERIC(18, 2), -- 投资流量(美元) stock_usd NUMERIC(18, 2), -- 投资存量(美元)
is_flow_missing BOOLEAN DEFAULT FALSE, is_stock_missing BOOLEAN DEFAULT FALSE, updated_at TIMESTAMPTZ DEFAULT NOW(),
CONSTRAINT uq_ofdi_record UNIQUE (year, dimension_type, entity_code));
CREATE INDEX idx_ofdi_year_dim ON fact_china_ofdi (year, dimension_type);CREATE INDEX idx_ofdi_entity_year ON fact_china_ofdi (entity_code, year DESC);🛒 购买与获取方式
- 打包一口价:包含 4 份核心 Excel 基础表 + 清洗后长表 + 代码包;
- 直拍直发:付款后自动秒发网盘下载链接,省去查找统计年鉴和繁重的数据整理时间!欢迎直接拍购!