统计绩效指标（SPI）：第4支柱数据来源得分（0-100分制）

Statistical performance indicators (SPI): Pillar 4 data sources score (scale 0-100)

下载数据

指标代码：IQ.SPI.PIL4所属主题：公共部门：Policy & institutionsPublic Sector: Policy & institutions

2024最新有效年份

188最新年份有值国家

265历史上有数据经济体

90%总体缺失率

指标解释

World Bank official description / 世界银行官方说明

The data sources overall score is a composity measure of whether countries have data available from the following sources: Censuses and surveys, administrative data, geospatial data, and private sector/citizen generated data. The data sources (input) pillar is segmented by four types of sources generated by (i) the statistical office (censuses and surveys), and sources accessed from elsewhere such as (ii) administrative data, (iii) geospatial data, and (iv) private sector data and citizen generated data. The appropriate balance between these source types will vary depending on a country’s institutional setting and the maturity of its statistical system. High scores should reflect the extent to which the sources being utilized enable the necessary statistical indicators to be generated. For example, a low score on environment statistics (in the data production pillar) may reflect a lack of use of (and low score for) geospatial data (in the data sources pillar). This type of linkage is inherent in the data cycle approach and can help highlight areas for investment required if country needs are to be met.

可供参考的中文翻译：数据来源总体得分是一个综合性衡量指标，用于评估各国是否具备以下来源的数据：人口普查和调查、行政数据、地理空间数据以及私营部门/公民生成的数据。数据来源（输入）支柱按四种来源类型细分：由统计局生成的来源（i）人口普查和调查，以及从其他渠道获取的来源，如（ii）行政数据、（iii）地理空间数据、（iv）私营部门数据和公民生成数据。这些来源类型之间的适宜平衡将因国家的制度环境和统计系统的成熟度而异。高分应反映所利用的来源能够在多大程度上生成必要的统计指标。例如，环境统计（数据生产支柱）得分较低，可能反映地理空间数据（数据来源支柱）的使用不足和得分较低。这类关联性是数据周期方法的内在特征，有助于突出为满足国家需求而需要投资的方向。

数据口径与风险提示

该指标反映数据来源类型的可用性，而非数据生产或质量本身；高得分不代表统计数据完全准确
不同国家因制度环境和统计系统成熟度差异，适宜的数据来源组合存在差异，直接比较绝对分数需谨慎
该指标仅记录数据来源是否存在，不反映各来源数据的覆盖范围、更新频率或质量
中国数据最早追溯至2015年，2015年之前无记录，无法进行更长期的自身纵向比较
世行数据库中全球层面的该指标数据记录为零，无法直接获取世界平均水平用于比较
该指标基于特定时点的静态数据可用性评估，反映的是调查或行政记录时点的状态，而非动态的数据生产过程
地理空间数据和私营部门数据的评估标准可能随技术发展和数据生态变化而调整，跨年比较需注意口径一致性
高分国家可能因依赖特定数据来源而在某些领域具有优势，但不能简单将其解读为整体统计能力更强

中国趋势

趋势解读

中国在该指标上的表现呈现出一定波动性，从2015年基准年的45.84分逐步变化至2024年的40.7分。期末值与期初值的比值约为0.89，说明十年维度上该支柱得分下降了约11%。期间2016年触及最低点32.34分，随后有所回升，2019年达到阶段高点43.3分，此后基本在38-42分区间波动。数据序列仅包含10个观测点，且仅覆盖2015-2024年，样本量有限，不足以支撑长期趋势判断或周期性规律识别。考虑到数据来源类指标与统计基础设施投入、数据采集能力建设等因素密切相关，该阶段变化可能反映数据来源渠道的结构性调整或评估标准的细微变化，单凭该指标难以直接解读为统计体系的整体强弱变化。

2015年得分为45.84分，为有记录以来的最高值
2024年得分为40.7分，较2015年下降约5.14分
2016年得分降至有记录以来的最低点32.34分
2019年得分反弹至43.3分，是2016年之后的阶段性高点
2020-2024年间得分在38.28分至41.63分之间窄幅波动
期末值（2024年）与期初值（2015年）之比为0.8878
时间序列长度仅10年，样本有限，难以识别长期趋势或周期性规律
期间波动可能源于评估方法更新、数据源结构变化或统计口径微调，不宜直接归因于统计能力提升或下降

全球趋势

趋势解读

世界银行数据库中该指标的全球汇总数据记录为零，意味着无法直接获取世界平均水平的得分序列或长期趋势信息。全球统计绩效评估由各国独立数据构成，暂无公开的统一全球聚合值。因此，无法基于现有数据对全球数据来源得分的变化方向、幅度或阶段特征进行描述性分析。如需了解全球或区域平均水平，需参考个别国家得分分布或世行SPI报告中的分组统计，而非直接调用该指标的全球汇总序列。

世界银行数据库中该指标的WLD实体数据记录数量为零
全球层面数据缺失限制了直接的国际比较研究设计
如需开展中国与全球平均水平的对比研究，需另行构建替代指标或使用区域样本替代
缺乏全球基准值意味着不宜将该指标作为衡量中国统计体系国际相对位置的单一依据

每十年变化摘要

十年区间	中国变化	世界变化	提示
1960-1969	-	-	该阶段变化应结合指标定义、宏观背景、统计口径和缺失年份进行审慎解读。
1970-1979	-	-	该阶段变化应结合指标定义、宏观背景、统计口径和缺失年份进行审慎解读。
1980-1989	-	-	该阶段变化应结合指标定义、宏观背景、统计口径和缺失年份进行审慎解读。
1990-1999	-	-	该阶段变化应结合指标定义、宏观背景、统计口径和缺失年份进行审慎解读。
2000-2009	-	-	该阶段变化应结合指标定义、宏观背景、统计口径和缺失年份进行审慎解读。
2010-2019	0.9x	-	中国该阶段期初至期末的得分倍数为0.94，表明数据来源得分在此期间有所下降，可能与统计来源组合的调整或评估范围的变化有关；由于缺乏世界同期数据，无法判断中国变化幅度相对于全球是更快下降还是相对稳定，需结合其他SPI支柱或相关变量进一步验证。
2020-2029	1.0x	-	中国该阶段得分倍数接近1.0（0.98），说明2020年代初期的得分基本维持在2019年前后水平，未出现明显下滑，可能反映数据来源体系在经历了上一阶段的调整后趋于相对稳定；但该结论仍受限于缺乏同期世界数据作为参照，难以判断该稳定状态在全球范围内是否具有普遍性。

2024 年全部国家排名

排名已尽量排除 World、地区组和收入组，仅保留国家参与比较。排名高低应结合指标口径解释。

排名	国家	代码	数值
1	Singapore 新加坡	SGP	95.9
2	Poland 波兰	POL	94.3
3	Spain 西班牙	ESP	92.1
4	Canada 加拿大	CAN	91.3
5	Denmark 丹麦	DNK	89.7
6	Mexico 墨西哥	MEX	89.3
7	Sweden 瑞典	SWE	88.7
8	Italy 意大利	ITA	88.2
9	Norway 挪威	NOR	88.2
10	Romania 罗马尼亚	ROU	87.2
11	Finland 芬兰	FIN	87.1
12	United States 美国	USA	86.9
13	Malta 马耳他	MLT	86.5
14	Germany 德国	DEU	86.1
15	Portugal 葡萄牙	PRT	85.6
16	Australia 澳大利亚	AUS	84.5
17	Saudi Arabia 沙特阿拉伯	SAU	84.4
18	Brazil 巴西	BRA	84.3
19	Estonia 爱沙尼亚	EST	84.2
20	Switzerland 瑞士	CHE	84.2
21	Hungary 匈牙利	HUN	84.1
22	Israel 以色列	ISR	84.1
23	Slovenia 斯洛文尼亚	SVN	83.9
24	Japan 日本	JPN	83.4
25	Colombia 哥伦比亚	COL	82.5
26	Chile 智利	CHL	81.3
27	Netherlands 荷兰	NLD	81.2
28	Costa Rica 哥斯达黎加	CRI	81.2
29	Georgia 格鲁吉亚	GEO	81.1
30	Mongolia 蒙古	MNG	81.0
31	Bulgaria 保加利亚	BGR	80.8
32	New Zealand 新西兰	NZL	80.7
33	Lithuania 立陶宛	LTU	80.5
34	North Macedonia 北马其顿	MKD	80.4
35	Austria 奥地利	AUT	80.2
36	Belgium 比利时	BEL	80.2
37	Kazakhstan 哈萨克斯坦	KAZ	80.2
38	Malaysia 马来西亚	MYS	80.2
39	Greece 希腊	GRC	79.9
40	Slovak Republic 斯洛伐克	SVK	79.6
41	Korea, Rep. 韩国	KOR	79.0
42	Ireland 爱尔兰	IRL	78.5
43	Czechia 捷克	CZE	78.5
44	France 法国	FRA	77.9
45	Iceland 冰岛	ISL	77.9
46	United Kingdom 英国	GBR	77.6
47	Belarus 白俄罗斯	BLR	77.1
48	Latvia 拉脱维亚	LVA	76.8
49	Croatia 克罗地亚	HRV	76.0
50	Cyprus 塞浦路斯	CYP	74.8
51	Albania 阿尔巴尼亚	ALB	74.6
52	Panama 巴拿马	PAN	74.5
53	Luxembourg 卢森堡	LUX	74.2
54	India 印度	IND	74.2
55	Egypt, Arab Rep. 埃及	EGY	73.3
56	West Bank and Gaza 约旦河西岸和加沙	PSE	73.2
57	Argentina 阿根廷	ARG	72.9
58	Turkiye 土耳其	TUR	72.0
59	Philippines 菲律宾	PHL	72.0
60	Armenia 亚美尼亚	ARM	71.9
61	Jordan 约旦	JOR	71.7
62	South Africa 南非	ZAF	71.2
63	Kyrgyz Republic 吉尔吉斯斯坦	KGZ	70.9
64	Belize 伯利兹	BLZ	70.2
65	Iran, Islamic Rep. 伊朗	IRN	69.9
66	Serbia 塞尔维亚	SRB	69.9
67	Uruguay 乌拉圭	URY	69.5
68	Guatemala 危地马拉	GTM	69.5
69	United Arab Emirates 阿联酋	ARE	68.7
70	Montenegro 黑山	MNE	68.7
71	Uzbekistan 乌兹别克斯坦	UZB	68.2
72	Moldova 摩尔多瓦	MDA	67.9
73	Cabo Verde 佛得角	CPV	67.9
74	Thailand 泰国	THA	67.5
75	Mauritius 毛里求斯	MUS	67.3
76	Botswana 博茨瓦纳	BWA	67.2
77	Bangladesh 孟加拉国	BGD	66.7
78	Azerbaijan 阿塞拜疆	AZE	66.3
79	Russian Federation 俄罗斯	RUS	65.1
80	Sri Lanka 斯里兰卡	LKA	64.1
81	Bahrain 巴林	BHR	63.9
82	Oman 阿曼	OMN	63.7
83	Peru 秘鲁	PER	63.3
84	Tunisia 突尼斯	TUN	63.2
85	Paraguay 巴拉圭	PRY	62.7
86	Maldives 马尔代夫	MDV	62.4
87	Kuwait 科威特	KWT	62.3
88	Morocco 摩洛哥	MAR	61.9
89	Qatar 卡塔尔	QAT	61.2
90	Tonga 汤加	TON	60.7
91	Bolivia 玻利维亚	BOL	60.2
92	Ecuador 厄瓜多尔	ECU	60.0
93	Tajikistan 塔吉克斯坦	TJK	59.9
94	Jamaica 牙买加	JAM	59.2
95	Indonesia 印度尼西亚	IDN	58.7
96	Ukraine 乌克兰	UKR	58.3
97	Suriname 苏里南	SUR	58.0
98	Seychelles 塞舌尔	SYC	58.0
99	Andorra 安道尔	AND	57.6
100	Senegal 塞内加尔	SEN	57.6
101	Ghana 加纳	GHA	56.8
102	El Salvador 萨尔瓦多	SLV	56.4
103	Rwanda 卢旺达	RWA	56.3
104	Fiji 斐济	FJI	56.0
105	Palau 帕劳	PLW	55.8
106	St. Lucia 圣卢西亚	LCA	54.4
107	Lesotho 莱索托	LSO	53.7
108	Bosnia and Herzegovina 波黑	BIH	53.4
109	Brunei Darussalam 文莱	BRN	53.4
110	Antigua and Barbuda 安提瓜和巴布达	ATG	53.2
111	Tanzania 坦桑尼亚	TZA	53.0
112	Barbados 巴巴多斯	BRB	52.5
113	Myanmar 缅甸	MMR	52.0
114	Samoa 萨摩亚	WSM	50.6
115	Nauru 瑙鲁	NRU	50.5
116	Pakistan 巴基斯坦	PAK	50.5
117	Malawi 马拉维	MWI	49.4
118	Benin 贝宁	BEN	49.3
119	Burkina Faso 布基纳法索	BFA	49.2
120	Sao Tome and Principe 圣多美和普林西比	STP	48.6
121	Angola 安哥拉	AGO	48.6
122	Gambia, The 冈比亚	GMB	48.3
123	St. Vincent and the Grenadines 圣文森特和格林纳丁斯	VCT	48.3
124	Viet Nam 越南	VNM	48.2
125	Lebanon 黎巴嫩	LBN	48.1
126	Bhutan 不丹	BTN	47.8
127	Cambodia 柬埔寨	KHM	46.6
128	Nepal 尼泊尔	NPL	46.5
129	Dominican Republic 多米尼加共和国	DOM	46.2
130	Kosovo 科索沃	XKX	45.9
131	Grenada 格林纳达	GRD	45.9
132	Mozambique 莫桑比克	MOZ	45.8
133	Kenya 肯尼亚	KEN	45.2
134	Uganda 乌干达	UGA	45.1
135	Lao PDR 老挝	LAO	44.4
136	Algeria 阿尔及利亚	DZA	44.3
137	Liberia 利比里亚	LBR	44.0
138	Togo 多哥	TGO	43.6
139	St. Kitts and Nevis 圣基茨和尼维斯	KNA	43.6
140	Vanuatu 瓦努阿图	VUT	43.5
141	Cote d'Ivoire 科特迪瓦	CIV	43.4
142	Mali 马里	MLI	43.3
143	Timor-Leste 东帝汶	TLS	42.8
144	Zambia 赞比亚	ZMB	42.3
145	Sierra Leone 塞拉利昂	SLE	41.7
146	Niger 尼日尔	NER	40.8
147	China 中国	CHN	40.7
148	Dominica 多米尼克	DMA	40.5
149	Cameroon 喀麦隆	CMR	39.8
150	Zimbabwe 津巴布韦	ZWE	39.8
151	Nigeria 尼日利亚	NGA	39.8
152	Nicaragua 尼加拉瓜	NIC	37.9
153	Madagascar 马达加斯加	MDG	37.2
154	Namibia 纳米比亚	NAM	37.2
155	Iraq 伊拉克	IRQ	37.1
156	Bahamas, The 巴哈马	BHS	37.0
157	Honduras 洪都拉斯	HND	37.0
158	Marshall Islands 马绍尔群岛	MHL	36.1
159	Guinea 几内亚	GIN	34.7
160	Ethiopia 埃塞俄比亚	ETH	34.3
161	Guyana 圭亚那	GUY	33.7
162	Kiribati 基里巴斯	KIR	31.9
163	Eswatini 斯威士兰	SWZ	31.2
164	Venezuela, RB 委内瑞拉	VEN	30.6
165	Gabon 加蓬	GAB	29.8
166	Tuvalu 图瓦卢	TUV	28.6
167	Solomon Islands 所罗门群岛	SLB	26.5
168	Comoros 科摩罗	COM	26.0
169	Equatorial Guinea 赤道几内亚	GNQ	25.7
170	Mauritania 毛里塔尼亚	MRT	25.5
171	Chad 乍得	TCD	24.7
172	Congo, Dem. Rep. 刚果（金）	COD	24.4
173	Congo, Rep. 刚果（布）	COG	23.9
174	Micronesia, Fed. Sts. 密克罗尼西亚	FSM	22.1
175	Afghanistan 阿富汗	AFG	20.7
176	Yemen, Rep. 也门	YEM	20.5
177	Guinea-Bissau 几内亚比绍	GNB	19.9
178	Sudan 苏丹	SDN	18.8
179	Burundi 布隆迪	BDI	18.7
180	Haiti 海地	HTI	17.5
181	Somalia, Fed. Rep. 索马里	SOM	16.7
182	Djibouti 吉布提	DJI	16.6
183	Papua New Guinea 巴布亚新几内亚	PNG	14.5
184	Turkmenistan 土库曼斯坦	TKM	13.9
185	Syrian Arab Republic 叙利亚	SYR	11.2
186	Libya 利比亚	LBY	10.7
187	Central African Republic 中非共和国	CAF	10.1
188	South Sudan 南苏丹	SSD	9.74

使用建议、常见误用与研究场景

数值较高通常意味着什么

得分越高通常表示该国具备更多类型的数据来源渠道，包括官方统计调查、行政记录、地理空间信息和私营部门数据等多源数据的可用性越强，反映统计系统获取基础数据的能力相对较强。

数值较低通常意味着什么

得分越低通常表示该国可用的数据来源类型相对单一或有限，可能在某些数据来源类型上存在空白，统计系统对特定渠道的依赖程度较高，在需要多源数据融合分析的领域可能面临数据缺口。

鍙ｅ緞闄愬埗

该指标衡量的是数据来源类型的可用性，而非数据质量、时效性或准确性本身，高得分不等于数据可直接用于高质量分析
不同国家因制度环境差异，适宜的数据来源组合不同，发达国家的行政数据体系可能已高度完善，而发展中国家的调查数据可能更为核心，直接比较绝对分数意义有限
该指标反映静态的数据来源可用性，无法捕捉数据获取频率、更新周期或数据可及性的动态变化
地理空间数据和私营部门数据的评估标准可能随技术发展和数据生态演进而调整，跨年比较需确认口径一致性
该指标是SPI四个支柱之一，仅反映统计能力的某一维度，不宜作为评估一国统计体系整体水平的唯一依据
中国和世界数据的时间覆盖范围有限，长期趋势分析存在数据可得性约束

使用建议

在使用该指标进行国际比较时，应优先考虑制度环境、统计系统成熟度相近的国家群体作为参照系，避免将发展阶段差异较大的国家置于同一基准线上
开展深入研究时，建议将该指标与其他SPI支柱（如数据生产、数据服务、数据使用等）结合使用，形成对统计能力的多维评估
结合具体研究问题，可引入CPIA评级、人力资本指数等相关变量作为控制变量，以剥离制度质量、治理水平等混杂因素对数据分析的影响
关注该指标的评分标准说明文件，了解各数据来源类型的评估方法和权重设置，有助于更准确地解读得分差异的实质内涵
对于涉及时间序列的研究，需确认所使用的数据版本和评估基准年份是否一致，避免因指标定义更新而导致的前后不可比问题
在政策建议部分，应避免将该指标得分变化直接等同于统计体系改革成效，需结合统计数据生产的实际改进情况加以验证

常见错误用法

错误做法：直接将该指标得分作为评判中国统计体系是否落后的唯一依据，忽视其仅衡量数据来源可用性的局限性

正确做法：将该指标与其他SPI支柱结合分析，并参考CPIA评级、人力资本指数等相关变量，形成对统计能力的多维综合判断

单一维度的得分无法完整反映统计体系的全貌，高低分差可能源于制度环境差异而非绝对能力差距

错误做法：将世界平均分设为基准，得出中国该指标表现不佳的结论，而忽视全球数据实际缺失的事实

正确做法：在缺乏全球聚合数据时，选择与制度环境相近的国家群体进行对标分析，或在研究中明确标注数据局限性

当WLD数据为零时，全球基准本身不可得，以此为参照的评价缺乏数据支撑

错误做法：将该指标的高分解读为统计数据质量高的直接证明，混淆数据来源可得性与数据内容质量

正确做法：区分数据来源可得性（该指标衡量内容）与数据生产质量、误差控制等维度，后者的评估需要其他指标支持

数据来源多不等于数据准确，数据可用不等于数据适合分析目的

错误做法：基于有限年份的波动直接推断中国统计能力下降趋势，忽视评估方法可能存在的年度调整

正确做法：结合SPI其他支柱指标和官方统计体系改革的公开信息，综合判断统计能力的变化方向

单一指标的短期波动可能反映评估口径而非实际能力变化，需要多维度证据链支持

实际应用场景

中国统计体系数据来源能力的多维评估：研究中国统计体系在数据来源维度的发展状况，评估其在不同数据类型上的覆盖程度被解释变量以该指标为核心结果变量，同时纳入SPI其他三个支柱指标作为平行维度，构建中国统计能力的多维指标体系，观察各支柱得分之间的协同变化关系和阶段特征。
统计绩效与经济治理质量的关联分析：考察一国统计绩效与经济治理水平之间的关系，探讨高质量统计对政策制定的意义解释变量以IQ.CPA系列评级（宏观经济管理、财政政策、预算金融管理评级等）作为被解释变量，以SPI各支柱得分作为核心解释变量，加入人均GDP、贸易开放度等控制变量，分析统计能力对治理质量的边际贡献。
数据来源类型对统计生产效率的影响机制：探索不同数据来源组合是否影响统计生产的全面性和时效性机制变量将该指标作为中介变量或机制变量，检验其是否在教育投入（HD_HCIP系列指标）与统计产出质量之间发挥传导作用，分析数据来源可得性对统计生产链条的支撑效应。
统计绩效指标的稳健性检验：验证统计绩效相关研究的结论是否对指标选择敏感稳健性检验变量在已有统计绩效研究中，使用该指标替代其他SPI支柱指标或整体得分，重新检验核心解释变量的显著性和系数方向，以评估研究结论的稳健性。
人力资本积累与统计基础设施的交互效应：考察统计能力是否调节人力资本投资的回报率控制变量在人力资本回报的回归分析中引入SPI各支柱得分与教育投资的交互项，检验统计信息质量是否影响人力资本配置效率和投资决策质量。