1. 数据背景与价值解析2001-2024年上市公司供应链网络排名数据是一套覆盖中国资本市场23年发展历程的核心商业关系图谱。这份Excel格式的数据集以供应链为切入点系统记录了上市公司与其上下游企业之间的商业往来关系并通过科学算法对网络节点重要性进行量化排名。作为产业经济研究的显微镜这类数据具有三重核心价值产业链分析可直观呈现各行业头部企业的供应链控制力比如某新能源电池厂商的正极材料供应商集中度变化风险预警通过供应商/客户集中度波动预判企业潜在经营风险如2020年芯片短缺对汽车行业的影响路径投资决策机构投资者常用此类数据验证企业财报真实性某上市公司前五大客户占比突降往往预示业务异常2. 数据结构深度拆解2.1 字段构成与业务含义典型数据表包含以下核心字段字段名数据类型业务逻辑说明分析案例统计年度数值数据采集时点年报截止日2023年数据实际反映2022经营情况上市公司代码文本沪深交易所6位代码000002万科A供应链层级分类变量1供应商 2客户 3竞合关系宁德时代对华友钴业是1→2关系关联方名称文本非上市公司采用工商注册名东莞市XX电子科技有限公司交易金额占比百分比占同类交易总额比例某车企电池采购占比超30%需披露网络中心度标准化数值0-1区间值越大节点越核心0.85≈行业枢纽型企业2.2 数据采集方法论可靠的数据集通常采用混合采集方式强制披露依据《上市公司信息披露管理办法》要求前五大供应商/客户交易额超年度总额50%必须详细披露文本挖掘从年报经营情况讨论与分析章节提取供应链描述如与XX集团建立战略合作工商溯源通过股权关系、高管关联等维度补充隐性供应链关系注意不同数据提供商的质量差异主要体现在非结构化数据处理能力上优质数据集会标注数据来源如年报P233. 数据分析实战技巧3.1 动态网络可视化使用Python的networkx库可以构建随时间演变的供应链网络import pandas as pd import networkx as nx # 数据预处理 df pd.read_excel(supply_chain.xlsx) df[edge_weight] df[交易金额占比] * 100 # 标准化边权重 # 分年度构建网络 for year in range(2010,2023): yearly_data df[df[统计年度]year] G nx.from_pandas_edgelist(yearly_data, 上市公司代码, 关联方名称, edge_attr[edge_weight,供应链层级]) # 计算节点中心度 centrality nx.eigenvector_centrality(G, weightedge_weight) nx.set_node_attributes(G, centrality, eigen_centrality) # 输出年度TOP10节点 top_nodes sorted(centrality.items(), keylambda x:x[1], reverseTrue)[:10] print(f{year}年供应链网络核心节点{top_nodes})3.2 关键指标解读供应商集中度风险计算赫芬达尔指数HHISUMXMY2(交易金额占比列,交易金额占比列)*10000结果1800表示供应链风险较高客户依赖度预警连续3年前五大客户收入占比70%需警惕4. 典型应用场景4.1 产业链韧性评估以2021年芯片短缺事件为例提取汽车行业上市公司供应链数据识别二级供应商中的芯片企业如地平线、黑芝麻构建中断模拟模型% 节点移除模拟 adjacency_matrix G.adjacency_matrix(); robustness []; for k1:10 removed_nodes datasample(chip_nodes, k); new_matrix adjacency_matrix; new_matrix(removed_nodes,:) 0; new_matrix(:,removed_nodes) 0; robustness(k) graph_connectivity(new_matrix); end4.2 财务造假识别异常供应链特征包括前五大客户频繁变更但名称相似XX商贸1号、XX商贸2号注册地集中在税收洼地如霍尔果斯交易金额与行业惯例偏离如软件企业硬件采购占比异常5. 数据使用注意事项时间窗口效应上市公司年报披露存在3-4个月滞后2023年数据实际反映2022年状况非对称关系A把B列为主要供应商≠B把A列为主要客户常见于强势下游企业工商变更延迟企业更名后数据衔接需要人工核对如恒大地产→ST广田行业特异性白酒行业供应商集中度天然较高粮食采购光伏行业客户全球化程度高需结合海关数据数据清洗要点统一社会信用代码转换部分数据集使用旧工商注册号关联方别名归一化阿里、阿里巴巴、淘宝中国剔除已注销企业通过企查查API补充经营状态对于长期跟踪分析建议建立企业-年度二维索引表使用Power Query实现自动更新。实际操作中供应链网络分析往往需要结合企业征信数据、招投标信息等多源数据交叉验证单独使用本数据集得出的结论需谨慎对待。
1. 数据背景与价值解析2001-2024年上市公司供应链网络排名数据是一套覆盖中国资本市场23年发展历程的核心商业关系图谱。这份Excel格式的数据集以供应链为切入点系统记录了上市公司与其上下游企业之间的商业往来关系并通过科学算法对网络节点重要性进行量化排名。作为产业经济研究的显微镜这类数据具有三重核心价值产业链分析可直观呈现各行业头部企业的供应链控制力比如某新能源电池厂商的正极材料供应商集中度变化风险预警通过供应商/客户集中度波动预判企业潜在经营风险如2020年芯片短缺对汽车行业的影响路径投资决策机构投资者常用此类数据验证企业财报真实性某上市公司前五大客户占比突降往往预示业务异常2. 数据结构深度拆解2.1 字段构成与业务含义典型数据表包含以下核心字段字段名数据类型业务逻辑说明分析案例统计年度数值数据采集时点年报截止日2023年数据实际反映2022经营情况上市公司代码文本沪深交易所6位代码000002万科A供应链层级分类变量1供应商 2客户 3竞合关系宁德时代对华友钴业是1→2关系关联方名称文本非上市公司采用工商注册名东莞市XX电子科技有限公司交易金额占比百分比占同类交易总额比例某车企电池采购占比超30%需披露网络中心度标准化数值0-1区间值越大节点越核心0.85≈行业枢纽型企业2.2 数据采集方法论可靠的数据集通常采用混合采集方式强制披露依据《上市公司信息披露管理办法》要求前五大供应商/客户交易额超年度总额50%必须详细披露文本挖掘从年报经营情况讨论与分析章节提取供应链描述如与XX集团建立战略合作工商溯源通过股权关系、高管关联等维度补充隐性供应链关系注意不同数据提供商的质量差异主要体现在非结构化数据处理能力上优质数据集会标注数据来源如年报P233. 数据分析实战技巧3.1 动态网络可视化使用Python的networkx库可以构建随时间演变的供应链网络import pandas as pd import networkx as nx # 数据预处理 df pd.read_excel(supply_chain.xlsx) df[edge_weight] df[交易金额占比] * 100 # 标准化边权重 # 分年度构建网络 for year in range(2010,2023): yearly_data df[df[统计年度]year] G nx.from_pandas_edgelist(yearly_data, 上市公司代码, 关联方名称, edge_attr[edge_weight,供应链层级]) # 计算节点中心度 centrality nx.eigenvector_centrality(G, weightedge_weight) nx.set_node_attributes(G, centrality, eigen_centrality) # 输出年度TOP10节点 top_nodes sorted(centrality.items(), keylambda x:x[1], reverseTrue)[:10] print(f{year}年供应链网络核心节点{top_nodes})3.2 关键指标解读供应商集中度风险计算赫芬达尔指数HHISUMXMY2(交易金额占比列,交易金额占比列)*10000结果1800表示供应链风险较高客户依赖度预警连续3年前五大客户收入占比70%需警惕4. 典型应用场景4.1 产业链韧性评估以2021年芯片短缺事件为例提取汽车行业上市公司供应链数据识别二级供应商中的芯片企业如地平线、黑芝麻构建中断模拟模型% 节点移除模拟 adjacency_matrix G.adjacency_matrix(); robustness []; for k1:10 removed_nodes datasample(chip_nodes, k); new_matrix adjacency_matrix; new_matrix(removed_nodes,:) 0; new_matrix(:,removed_nodes) 0; robustness(k) graph_connectivity(new_matrix); end4.2 财务造假识别异常供应链特征包括前五大客户频繁变更但名称相似XX商贸1号、XX商贸2号注册地集中在税收洼地如霍尔果斯交易金额与行业惯例偏离如软件企业硬件采购占比异常5. 数据使用注意事项时间窗口效应上市公司年报披露存在3-4个月滞后2023年数据实际反映2022年状况非对称关系A把B列为主要供应商≠B把A列为主要客户常见于强势下游企业工商变更延迟企业更名后数据衔接需要人工核对如恒大地产→ST广田行业特异性白酒行业供应商集中度天然较高粮食采购光伏行业客户全球化程度高需结合海关数据数据清洗要点统一社会信用代码转换部分数据集使用旧工商注册号关联方别名归一化阿里、阿里巴巴、淘宝中国剔除已注销企业通过企查查API补充经营状态对于长期跟踪分析建议建立企业-年度二维索引表使用Power Query实现自动更新。实际操作中供应链网络分析往往需要结合企业征信数据、招投标信息等多源数据交叉验证单独使用本数据集得出的结论需谨慎对待。
