OECD 健康统计 — 86 个 dataflow，把「卫生系统」拆成可比的零件

§0 本条目怎么来的、不做什么

整理方：千方医数集，为中文医学 AI 社区整理可训练数据集的结构化说明。

本条目怎么来的：数字主源是 OECD SDMX REST API 的实时响应（2026-10-24 采集）：/dataflow/OECD.ELS.HD 返回 86 个 dataflow，按 @ 前的 DSD 前缀可归为 18 组；/data/OECD.ELS.HD,DSD_HEALTH_STAT@DF_LE,1.0/all 全量拉取得 52,241 条观测，REF_AREA 维度 51 个取值，TIME_PERIOD 从 1960 到 2024。许可条款取自 OECD 出版物与数据页统一的 CC BY 4.0 声明文本。

不做什么：不评价 OECD 的死亡登记质量；不核验各国自报数据与本国统计局原始发布是否一致；不判断某个卫生系统「好不好」。本条目只回答一个问题：这套 SDMX 接口长什么样、怎么取、哪里会坑人。

---

§1 数据集概览

§1.1 一句话

OECD 健康统计不是一个数据文件，是一套用 SDMX 3.0 表达的多维立方体服务——把一个国家的卫生系统拆成 86 个可独立取数的数据流，每个数据流共享同一套维度模型，于是「德国 2023 年 65 岁女性预期寿命」可以被一个 URL 精确定位。

§1.2 硬数字

项	值	来源
dataflow 数	86	/dataflow/OECD.ELS.HD 的 dataflows 数组长度
DSD 结构组数	18	同上，按 DSD_* 前缀去重
REF_AREA 经济体数	51	生命 expectancy dataflow 的 REF_AREA 维度取值
单 dataflow 观测数	52,241	DSD_HEALTH_STAT@DF_LE 全量
时间跨度	1960–2024（65 年）	TIME_PERIOD 维度
观测维度数	14	SDMX-JSON 的 dimensions.observation 长度
默认许可	CC BY 4.0	OECD 出版物与数据统一声明

§1.3 与「又一个健康数据库」的区别

库内公共卫生类条目已有 114 条。多数是疾病层面的数据集：影像、病历、测序、队列。少一层更外圈的东西——把卫生系统当作对象来看的数据。

这一层的价值在于它问的是另一类问题：

• 不是「这个病人得了什么病」，而是「这个国家为每个病人花了多少钱」
• 不是「这个病的患病率」，而是「这个病导致的死亡里，有多少是医疗系统本可以避免的」
• 不是「这个医生诊断得准不准」，而是「这个国家每千人有多少医生、多少张 ICU 床」

做医疗 AI 的人真正需要的，往往就是这层背景：你的模型部署在什么样的卫生系统里。 而这是世界银行那一层给不了的——世行有 GDP、有卫生支出占比，但没有 ICU 床位数、没有可避免死亡率、没有 SHA 2011 的筹资矩阵。

§1.4 与世界银行 / WHO GHO 的分工

库内条目	与本条关系	关键区别
world-bank-open-data（rid 1360）	上游分母 vs 系统内部结构	世行是编目层，71 个源统一检索，宽而浅；OECD 是专域深库，只讲卫生系统，但拆到筹资与服务质量级
who-gho（rid 175）	覆盖 vs 可比性	GHO 覆盖 190+ 成员国的疾病指标；OECD 只 51 国，但口径经统一重算，跨国可比性更强
gbd	观测 vs 建模	GBD 是协变量模型的估计，带 95% UI；OECD 主要是成员国自报 + 方法统一化

一句话分工：世行说「这个国家在世界上排第几」，WHO 说「这个国家有什么病」，OECD 说「这个国家的卫生系统是怎么运转的」。

---

§2 十八组 DSD：卫生系统的解剖图

§2.1 86 个 dataflow 的真实分组

/dataflow/OECD.ELS.HD 返回的 86 个数据流不是扁平列表，按 dataflow ID 里 @ 前的 DSD 前缀可以精确归组：

DSD 组	dataflow 数	覆盖的主题	代表 dataflow
DSD_HCQO	13	卫生服务质量与结局	DF_AC 急性病照护、DF_CC 癌症照护、DF_MH 精神卫生、DF_PS 患者安全、DF_PE 患者体验、DF_PC 初级照护
DSD_HEALTH_STAT	13	健康状态与死亡	DF_LE 预期寿命、DF_COM 死亡原因、DF_AM 可避免死亡、DF_C 癌症、DF_CD 传染病、DF_MIM 孕产妇与婴儿死亡
DSD_HEALTH_PROC	10	服务利用与产出	DF_CONSULT 门诊量、DF_SURG_PROC 手术量、DF_IMMUN 免疫、DF_SCREEN 筛查、DF_WAITING 等待时间
DSD_HEALTH_REAC_EMP	10	卫生人力	DF_PHYS 医生、DF_NURSE 护士、DF_MIDWIFE 助产士、DF_DNST 牙医、DF_PHST 药剂师
DSD_HEALTH_LVNG	6	非医疗健康决定因素	DF_HEALTH_LVNG_AC 饮酒、DF_HEALTH_LVNG_BW 体重、DF_HEALTH_LVNG_TC 烟草、DF_HEALTH_LVNG_VP 电子烟
DSD_HEALTH_REAC_HOSP	6	医疗设施与设备	DF_BEDS_ICU ICU 床位、DF_BEDS_FUNC 按功能分床位、DF_MED_TECH 医疗技术可及
DSD_HEALTH_EMP_REAC	5	人力与就业	DF_PHYS_AGE_SEX 按年龄性别分医生、DF_REAC 卫生人力资源总览
DSD_SHA	5	医疗支出与筹资（SHA 2011）	DF_SHA 支出与筹资、DF_SHA_FS 筹资方案收入、DF_SHA_HK 资本形成
DSD_HEALTH_LTCR	4	长期照护	DF_HEALTH_LTCR_BED 长护床位、DF_HEALTH_LTCR_RECIPIENT 接受者、DF_HEALTH_LTCR_WORKER 人员
HEALTH_PHMC	4	药品市场	DF_PHMC_CONSUM 药品消费、DF_PHMC_SALES 药品销售
DSD_HEALTH_MORTALITY	3	周度死亡监测	DF_MORTALITY、DF_MORTALITY_COVID、DF_MORTALITY_EXCESS 超额死亡
DSD_GHGHC	1	卫生部门温室气体排放	DF_GHGHC
DSD_HEALTH_LTCR_FAC_OWNER	1	长护机构按所有制	DF_HEALTH_LTCR_FAC_OWNER
DSD_HEALTH_PROT	1	医疗保障覆盖	DF_HEALTH_PROT
DSD_HEALTH_WFMI	1	卫生人力国际迁移	DF_HEALTH_WFMI
DSD_HSCS2023	1	卫生系统特征调查 2023 轮	DF_HSCS2023
DSD_HSCS	1	卫生系统特征调查（2012/2016/2018）	DF_HSCS
DSD_PARIS	1	患者报告指标调查（PaRIS）	DF_PARIS

§2.2 这张表怎么读

第一，DSD_HCQO 是最大的一组，也是最被忽视的一组。 13 个 dataflow 全在讲「服务质量和结局」——急性病照护、癌症照护、精神卫生、患者安全、患者体验、初级照护、整合照护、临终照护、髋膝关节 PROM、精神卫生 PREM、初级照护处方、患者安全文化。这一组回答的是「同样花了钱，哪个国家治得更好」，是卫生系统绩效研究的核心材料。

第二，DSD_HEALTH_MORTALITY 的三个周度 dataflow 是全库最特殊的一类。 它不做年度聚合，直接给按周的死亡数，还专门有一个 DF_MORTALITY_EXCESS（超额死亡）。这是 COVID 期间建立起来的能力，现在成了常规监测。如果你的研究涉及疫情冲击，这是能拿到周粒度的少数来源之一。

第三，DSD_GHGHC 只有 1 个 dataflow，但意义特殊。 它统计医疗卫生部门自己的温室气体排放。这是一个很新的视角：医疗系统既是气候变化的应对者，也是排放源。目前只有个别国家有数据。

第四，药品市场（HEALTH_PHMC）的 4 个 dataflow 用的是独立的 DSD 前缀（HEALTH_PHMC 而非 DSD_HEALTH_*）。这不是命名疏漏，是它来自不同的数据收集机制——药品销售数据多由商业数据库（如 IQVIA）提供，再由 OECD 标准化。

§2.3 医学 AI 视角下最该先看的三组

从「要给医学数据集补充系统背景」这个目的出发，优先级是：

第一优先：DSD_SHA（医疗支出与筹资，5 个 dataflow）。

SHA 2011（System of Health Accounts 2011）是国际公认的卫生核算标准。它把「医疗支出」拆成三个正交的轴：

• 功能（HC）：服务是什么——住院、门诊、药品、预防、长护
• 提供者（HP）：谁提供——医院、诊所、药房、养老机构
• 筹资方案（HF）：谁付钱——政府、社保、商业保险、个人自付

这三个轴加上「资本形成」（HK）就是 OECD 那 5 个 dataflow 的骨架。这是本条目最有价值的部分：你能精确回答「这个国家的医疗钱是怎么花的、谁掏的」，而不是只知道「卫生支出占 GDP 6.2%」。

第二优先：DSD_HEALTH_REAC_EMP + DSD_HEALTH_REAC_HOSP（16 个 dataflow）。

这两组加起来 16 个数据流，讲的是卫生系统的物理能力：多少医生、多少护士、按年龄性别怎么分布、多少床位、多少 ICU 床、有哪些医疗技术（MRI、CT、PET、放疗设备）。

对医学 AI 的意义很直接：你的模型部署环境有多少硬件。 一个只在三级医院有 MRI 的国家，和一个乡镇卫生院都有 CT 的国家，需要的模型形态完全不同。

第三优先：DSD_HCQO（13 个 dataflow）。

服务质量与结局。这一组最接近「临床」，但也是口径最复杂的一组——大量依赖患者报告（PROM / PREM），覆盖率远低于支出与人力。先看它能不能用，再决定要不要用它。

§2.4 SHA 2011：把「医疗支出」拆成三维

这是本条目最需要讲清的一件事，因为它是 OECD 相对其他所有来源的独占优势。

绝大多数数据集里的「卫生支出」是一个数：SH.XPD.CHEX.GD.ZS = 6.2%。这个数告诉你「花了多少」，但不告诉你「花在哪」和「谁掏的钱」。OECD 的 SHA 2011（System of Health Accounts 2011）把它拆成三个正交的轴：

轴一：功能（HC，Health Care function）—— 钱花在做什么

代码	功能	说明
HC.1	治疗性照护	又分住院（HC.1.1）、日间（HC.1.2）、门诊（HC.1.3）、居家（HC.1.4）
HC.2	康复	住院与门诊康复
HC.3	长期照护	护理为主，分住院与居家
HC.4	辅助服务	检验、影像、患者转运
HC.5	医疗用品	处方药（HC.5.1）、非处方药、治疗器械
HC.6	预防服务	免疫、筛查、健康监测、流行病学
HC.7	治理与行政	保险管理、卫生部门管理

轴二：提供者（HP，Health Care provider）—— 谁提供服务

代码	提供者
HP.1	医院（分综合、精神、专科）
HP.2	长期照护机构
HP.3	门诊提供者（诊所、独立执业医生、牙医、检验机构）
HP.4	辅助服务提供者
HP.5	零售与其他医疗用品销售商（药店）
HP.6	预防服务提供者
HP.7	卫生行政与保险机构

轴三：筹资方案（HF，Health Care financing scheme）—— 谁付钱

代码	筹资方案
HF.1	政府方案与强制保险（又分 HF.1.1 政府、HF.1.2 社保）
HF.2	自愿保险（商业健康险、社区保险）
HF.3	个人自付（OOP，out-of-pocket）
HF.4	外部资金（国际援助、跨境支付）

三轴交叉的意义：任何一个「功能 × 提供者 × 筹资」格子都有数。你能直接回答这几类问题：

• 「这个国家的处方药费用里，个人自付占多少？」→ HC.5.1 × HP.5 × HF.3
• 「预防服务是谁掏的钱？」→ HC.6 × HF.1.1
• 「长期照护在各国由机构提供还是家庭提供？」→ HC.3 × (HP.2 vs HP.3)

为什么这比「卫生支出占 GDP」有用得多：两个国家支出占比都是 6%，但一个 80% 用于医院、50% 由个人自付，另一个 30% 用于医院、10% 由个人自付——这两个系统的性质完全不同。只用汇总量做跨国比较，等于只看体重不看体脂。

对医学 AI 的一个具体含义：如果一个国家的自付比例高（HF.3 占大头），说明「患者能不能负担」直接影响服务可及性。你的模型在那个国家部署时，要考虑的不是「医生够不够」，是「患者会不会因为付不起而不来」。这个判断只能从 SHA 的三轴分解里读出来。

§2.5 覆盖率的现实：51 个经济体不是 51 个国家

REF_AREA 维度有 51 个取值。实际构成：

类别	数量	例子
OECD 成员国	38	AUS、AUT、BEL、CAN、CHL、COL、CRI、CZE、DNK、EST、FIN、FRA、DEU、GRC、HUN、ISL、IRL、ISR、ITA、JPN、KOR、LVA、LTU、LUX、MEX、NLD、NZL、NOR、POL、PRT、SVK、SVN、ESP、SWE、CHE、TUR、GBR、USA
伙伴国 / 关键非成员	13	CHN、IND、IDN、BRA、ZAF、RUS、ARG、PER、THA、UKR、BGR、ROU、HRV

关键判断：这 51 个经济体里，没有一个是低收入国家（按世行分类）。最低收入档的成员是 COL、CRI、MEX、CHN、IDN、IND、ZAF 等中高或中低收入国家。

这个事实决定了 OECD 数据的适用边界：它能回答「富裕国家之间卫生系统有何不同」，不能回答「全球健康公平」。如果你的研究需要覆盖撒哈拉以南非洲，这份数据帮不上，得去 WHO GHO 或世行。

另一个细节：保加利亚、罗马尼亚、克罗地亚、乌克兰在 REF_AREA 里出现，但它们不是 OECD 成员。OECD 收录它们是因为「欧盟成员国 + 有可比数据」。做分析时如果按「OECD 成员」筛选，需要额外维护一份成员名单，不能直接用 REF_AREA 的 51 个值。

---

§3 SDMX 取数通道

§3.1 四条 URL 模板

OECD 的 SDMX 3.0 服务有四类端点，全部在 https://sdmx.oecd.org/public/rest/ 下：

端点	用途	示例
/dataflow/{agency}/{id}	列数据流	/dataflow/OECD.ELS.HD
/dataflow/all/all/latest	列全部 agency 的数据流	返回 1,552 个
/datastructure/{agency}/{id}	看某数据流的维度结构	需要 DSD 全名
/data/{flowRef}/{key}	取数	见下

取数的完整路径：

https://sdmx.oecd.org/public/rest/data/{agencyID},{dataflowID},{version}/{key}?{params}

§3.2 一个能跑通的最小请求

curl -s -H "Accept: application/vnd.sdmx.data+json;version=1.0" \
  "https://sdmx.oecd.org/public/rest/data/OECD.ELS.HD,DSD_HEALTH_STAT@DF_LE,1.0/all?startPeriod=2022&dimensionAtObservation=AllDimensions"

四个组成部分：

• OECD.ELS.HD —— agency
• DSD_HEALTH_STAT@DF_LE —— dataflow ID（注意 @ 前后是 DSD 名与 DF 名）
• 1.0 —— 版本
• all —— 键，表示「全部维度全展开」

Accept 头是必须的。 不带它，服务端要么返回 406，要么退回 XML。正确的两个值：

用途	Accept
取数据	application/vnd.sdmx.data+json;version=1.0
取结构	application/vnd.sdmx.structure+json;version=1.0

§3.3 14 个维度，一次看清

以 DSD_HEALTH_STAT@DF_LE（预期寿命）为例，SDMX-JSON 响应的 data.structure.dimensions.observation 列出 14 个维度：

#	维度	该 dataflow 的取值数	说明
0	REF_AREA	51	经济体
1	FREQ	1	频率，这里只有 A（年度）
2	MEASURE	3	LFEXP（总）、LFEXPDMF（男）、LFEXPDFM（女）
3	UNIT_MEASURE	1	Y（年）
4	AGE	5	Y0（出生时）、Y40、Y60、Y65、Y80
5	SEX	3	_T、F、M
6	SOCIO_ECON_STATUS	1	_Z（不适用）
7	DEATH_CAUSE	1	_Z
8	CALC_METHODOLOGY	1	_Z
9	GESTATION_THRESHOLD	1	_Z
10	HEALTH_STATUS	1	_Z
11	DISEASE	1	_Z
12	CANCER_SITE	1	_Z
13	TIME_PERIOD	65	1960–2024

这 14 个维度的设计逻辑值得理解：它是「所有健康统计 dataflow 的超集」。DSD_HEALTH_STAT 下有 13 个 dataflow（预期寿命、死亡原因、可避免死亡、癌症、传染病、伤害、健康状态、自评健康、婴儿低出生体重、孕产妇与婴儿死亡、潜在寿命损失、病假、自评健康按社经地位），它们要共享同一个维度表，所以每个 dataflow 只能在自己用得到的维度上取值，其余全部填 _Z。

这就是 _Z 的来源。 在预期寿命的 dataflow 里，14 个维度有 8 个是 _Z。它们不是缺失，是「这个概念在本数据流里不适用」。

§3.4 请求参数

参数	作用	备注
startPeriod	起始年份	推荐总是加，能显著减小响应
endPeriod	结束年份	—
dimensionAtObservation	设为 AllDimensions	必须加，否则拿不到每条的完整维度
format	sdmx-json 等	不如用 Accept 头可靠
references	none / children / all	取结构时用

有一个参数不要加：任意自定义的时间戳。 OECD 服务端会因为多一个它不认识的查询参数而直接返回 403，报错文本是 Unknown query parameter : t。这与世行 API 可以随便加缓存破坏参数完全不同——绕 CDN 缓存这一个习惯在 OECD 这边会直接失败。

§3.5 CSV 出口

不想解析 SDMX-JSON 时，改 Accept 就能拿 CSV：

curl -s -H "Accept: text/csv" \
  "https://sdmx.oecd.org/public/rest/data/OECD.ELS.HD,DSD_HEALTH_STAT@DF_LE,1.0/all?startPeriod=2023"

返回的表头直接就是维度名：

DATAFLOW,REF_AREA,FREQ,MEASURE,UNIT_MEASURE,AGE,SEX,SOCIO_ECON_STATUS,DEATH_CAUSE,
CALC_METHODOLOGY,GESTATION_THRESHOLD,HEALTH_STATUS,DISEASE,CANCER_SITE,TIME_PERIOD,
OBS_VALUE,DECIMALS,OBS_STATUS,OBS_STATUS2,OBS_STATUS3,UNIT_MULT

CSV 出口是这条数据的实用通道。 一次 2023 年的请求只有 90 KB，比 JSON 小得多，而且列名即维度名，pandas 直接读。

---

§4 记录结构与字段字典

§4.1 一条记录是什么

一条记录 = 一个 dataflow × 14 个维度取值 × 一个年份 = 一个数。

在只用到 6 个维度的预期寿命 dataflow 里，它简化成：

(DSD_HEALTH_STAT@DF_LE, DEU, A, LFEXP, Y, Y0, _T, ..., 2023) → 81.2

这不是「一个病人」，不是「一次调查」，是 SDMX 立方体里的一个格点。理解这一点，后面所有操作才不会错位。

§4.2 SDMX-JSON 的观测编码

这是这套数据最反直觉的一处。观测不是对象数组，而是一个以冒号分隔的索引串为键的字典：

"observations": {
  "0:0:0:0:0:0:0:0:0:0:0:0:0:0": [6.2, null, null, null, null, null],
  "1:0:0:0:0:0:0:0:0:0:0:0:0:0": [6.9, null, null, null, null, null]
}

键 "0:0:0:..." 的每一位是对应维度在 values 数组中的位置索引。要还原成可读记录，必须做一次笛卡尔解码：

import json, itertools

def decode_sdmx(path):
    d = json.load(open(path))
    st  = d["data"]["structure"]
    dims = st["dimensions"]["observation"]
    names = [x["id"] for x in dims]
    codes = [[v["id"] for v in x["values"]] for x in dims]

    rows = []
    for key, obs in d["data"]["dataSets"][0]["observations"].items():
        idx = [int(i) for i in key.split(":")]
        rec = {n: c[i] for n, c, i in zip(names, codes, idx)}
        rec["OBS_VALUE"] = obs[0]        # 第一元素才是值
        rec["OBS_STATUS"] = obs[1]       # 后续是状态标志
        rows.append(rec)
    return rows

三处容易崩的地方：

1. obs[0] 是值，obs[1:] 是属性。直接 float(obs) 会抛 TypeError。
2. 键的位数必须等于维度数。解析时若维度数变化，硬编码 split(":")[0] 之类会错位。
3. observations 可能是空字典 {}（该键组合无数据），要判空。

§4.3 三个状态字段

CSV 出口里有三列状态：OBS_STATUS、OBS_STATUS2、OBS_STATUS3。它们对应 SDMX 的多层属性。

字段	常见值	含义
OBS_STATUS	空	正常上报值
OBS_STATUS	E	估算值
OBS_STATUS	B / P	断裂 / 临时值
OBS_STATUS2 / 3	空 / 各类代码	附加说明，多为口径变更或来源差异

最需要警惕的是 B（break in series）。 它表示「这个序列在某一年发生了口径断裂，前后的数不可直接连成一条曲线」。这是跨国时间序列分析里最容易被忽略的一类错误——你会得到一条看起来连续、实际中间换过算法的曲线。

防护代码：

df = df[df["OBS_STATUS"].fillna("") != "B"]

或者保留但打标，在做增长率类计算时排除断裂年份。

§4.4 UNIT_MEASURE 必须联查 codelist

UNIT_MEASURE 是代码不是文字。生命 expectancy 里是 Y（年），但别的 dataflow 可能是：

代码	含义
Y	年
PT	百分比
PS	每十万人
PN	每千人
USD_PPP	购买力平价美元
XDC	本国货币

这些代码在数据响应里没有释义，必须去 /codelist/OECD.ELS.HD/CL_UNIT_MEASURE 取。不做这一步，你的报表里会出现「卫生支出 = 4,823 USD_PPP」这种半成品。

§4.5 _Z 与 null 不是一回事

这两个概念常被混为一谈，但它们完全不同：

标记	含义	处理
维度值 _Z	不适用——这个概念在本次查询的语境下没有意义	该维度在此 dataflow 里恒为 _Z，直接丢弃这一列
OBS_VALUE = null	缺失——应该有值但没报	按缺失处理，不能填 0

在预期寿命的 14 个维度里，8 个恒为 _Z。如果你把它们当特征做 one-hot，会得到 8 列全零的常数特征；如果你把它们当缺失做插值，会对一个「不适用的概念」编造数据。

判断方法：如果某个维度在整份响应里只有一个取值且为 _Z，说明这个 dataflow 根本不用它，直接删列。

def drop_z_dims(df):
    return df.loc[:, [c for c in df.columns if not (df[c].nunique() == 1 and df[c].iloc[0] == "_Z")]]

---

§5 检索、抽样与泄漏分析

§5.1 用医学 AI 的眼光看，泄漏在哪

OECD 数据本身没有训练/测试划分，但把它当协变量接进医学模型时，有三层风险：

第一层：口径泄漏（最隐蔽）。 OECD 的部分指标是事后重算的。比如「可避免死亡率」（DF_AM）本身就是用死亡率 + 医疗可及性估算出来的。如果你用它当特征去预测死亡率，等于用「包含被告变量的函数」当特征。

第二层：时间对齐泄漏。 OECD 数据有大量回溯修订。2026 年拉到的 2020 年数据，和 2021 年拉到的 2020 年数据可能不同。做训练/测试切分时如果用了「最新版本的全历史」，测试集的信息会经由修订渗透到训练集。

第三层：国家集合泄漏。 51 个经济体是当前成员与伙伴国。但 OECD 成员是陆续加入的（智利 2010、斯洛文尼亚 2010、哥伦比亚 2020、哥斯达黎加 2021）。用「2024 年的 51 国集合」去做 2000 年的分析，会引入幸存者偏差——那些后来加入的国家，在 2000 年本来就与老成员不同。

§5.2 三步抽样法

不要一上来拉全量 86 个 dataflow。推荐顺序：

1. 看数据流清单：/dataflow/OECD.ELS.HD —— 86 个名字，先确认你要的东西在哪一组
2. 看维度结构：取一份 startPeriod 限最近一年的数据，看 14 个维度里哪些有值、哪些是 _Z
3. 看时间覆盖：去掉 startPeriod 拉全量，看 TIME_PERIOD 的最早年份

三步之后，这个 dataflow 能不能用就清楚了。

§5.3 各 dataflow 的时间起点差异巨大

同一份数据，不同 dataflow 的年份起点完全不同：

dataflow	大致起止	说明
DF_LE 预期寿命	1960–2024	最长，65 年
DF_SHA 卫生支出	1970 年代起	SHA 2011 框架下口径一致的部分更晚
DF_MED_TECH 医疗技术	1990 年代起	设备统计起步晚
DF_MORTALITY_EXCESS 超额死亡	2020 起	疫情期建立，只有周度近期数据
DF_PARIS 患者报告指标	2023 起	首轮调查
DF_GHGHC 卫生部门排放	近年	新议题

这意味着「拼宽表」时不能用统一年份窗口。 如果你设 1960–2024，DF_PARIS 和 DF_GHGHC 会全空；如果你设 2023，会丢掉 60 年的历史。正确做法是按研究问题定窗口，而不是按数据可用性定。

§5.4 一个实测：预期寿命的覆盖率

DF_LE 全量 52,241 条观测。粗算一下：51 个经济体 × 65 年 × 3 个 MEASURE × 5 个 AGE × 3 个 SEX = 149,175 个理论组合。实际 52,241，填充率约 35%。

稀疏来自哪里：

• 不是所有国家都有全部 5 个年龄组（Y40、Y80 是较晚加入的）
• 早期年份只有 LFEXP（总），没有按性别分
• 部分国家在部分年份中断

推论：即使是最成熟的指标，这个立方体也只有三分之一是填满的。先看稀疏结构，再决定怎么聚合。

---

§6 AI 就绪指南

§6.1 最小可用流水线

import requests
import pandas as pd

BASE = "https://sdmx.oecd.org/public/rest"
AGENCY = "OECD.ELS.HD"

def fetch_flow(dataflow_id, start=None, end=None, csv=True):
    """取一个 dataflow 的全部观测。CSV 通道比 JSON 快且直接可用。"""
    url = f"{BASE}/data/{AGENCY},{dataflow_id},1.0/all"
    params = {"dimensionAtObservation": "AllDimensions"}
    if start: params["startPeriod"] = start
    if end:   params["endPeriod"] = end

    headers = {"Accept": "text/csv"} if csv else {"Accept": "application/vnd.sdmx.data+json;version=1.0"}
    r = requests.get(url, params=params, headers=headers, timeout=120)
    r.raise_for_status()

    if csv:
        from io import StringIO
        return pd.read_csv(StringIO(r.text))

    # JSON 通道走 §4.2 的 decode_sdmx
    import json
    return pd.DataFrame(decode_sdmx_rows(r.json()))

df = fetch_flow("DSD_HEALTH_STAT@DF_LE", start="2015")

用 CSV 通道的理由：SDMX-JSON 要先解码索引串，多一层出错机会；CSV 直接是宽表，列名就是维度名。只有当你需要 structure 里的 codelist 名称（而不只是代码）时，才需要走 JSON。

§6.2 剔除 _Z 常量维度

def drop_z(df):
    keep = []
    for c in df.columns:
        s = df[c].astype(str)
        if s.nunique() == 1 and s.iloc[0] == "_Z":
            continue
        keep.append(c)
    return df[keep]

df = drop_z(df)
print(df.shape)   # 14 维 → 通常只剩 6 维

§6.3 把代码翻成可读标签

CSV 里的 MEASURE、UNIT_MEASURE、AGE、SEX 都是代码。取 codelist 才能翻译：

def get_codelist(cl_id):
    url = f"{BASE}/codelist/{AGENCY}/{cl_id}"
    r = requests.get(url, headers={"Accept": "application/vnd.sdmx.structure+json;version=1.0"}, timeout=60)
    d = r.json()["data"]
    cl = d["codelists"][0]
    return {
        c["id"]: (c.get("names", {}).get("en") or c.get("name", ""))
        for c in cl["codes"]
    }

MEASURE_NAME = get_codelist("CL_MEASURE")
df["measure_label"] = df["MEASURE"].map(MEASURE_NAME)

§6.4 处理序列断裂

def drop_breaks(df, status_col="OBS_STATUS"):
    """剔除 B（break in series）标记的观测。"""
    s = df[status_col].fillna("").astype(str)
    return df[~s.str.contains("B")]

df = drop_breaks(df)

如果研究需要连续序列，更稳的做法是按国家逐个检查断裂点，在断裂处切开而不是整段丢弃：

def split_at_breaks(df):
    s = df[df["OBS_STATUS"].fillna("") == "B"]["TIME_PERIOD"].unique()
    return {seg: g for seg, g in df.groupby(
        df["TIME_PERIOD"].apply(lambda y: sum(1 for b in s if b <= y))
    )}

§6.5 拼装多 dataflow 的宽表

FLOWS = {
    "le":      "DSD_HEALTH_STAT@DF_LE",
    "che":     "DSD_SHA@DF_SHA",
    "phys":    "DSD_HEALTH_EMP_REAC@DF_PHYS",
    "beds":    "DSD_HEALTH_REAC_HOSP@DF_BEDS_FUNC",
}

frames = {}
for k, f in FLOWS.items():
    d = drop_z(fetch_flow(f, start="2010"))
    d = d[d["SEX"].isin(["_T"]) & d["AGE"].isin(["Y0", "_T"])]
    # 每个 dataflow 的 MEASURE 语义不同，必须各自筛
    d = d.rename(columns={"OBS_VALUE": k})
    frames[k] = d[["REF_AREA", "TIME_PERIOD", k]].drop_duplicates(["REF_AREA", "TIME_PERIOD"])

wide = frames["le"]
for k in ["che", "phys", "beds"]:
    wide = wide.merge(frames[k], on=["REF_AREA", "TIME_PERIOD"], how="outer")

print(wide.notna().mean())

三个必须注意的点：

1. 不同 dataflow 的 MEASURE 取值集不同。 DF_LE 的 MEASURE 是 LFEXP 系列，DF_SHA 的是支出相关代码。统一按 SEX == "_T" 筛是对的，但 AGE 在不同 flow 里含义不同——DF_SHA 里 AGE 多数是 _T，不要硬套 Y0。
2. drop_duplicates 不能省。 有些 dataflow 在同一 (REF_AREA, TIME_PERIOD) 下有多个 MEASURE，筛完后仍可能重复，重复 merge 会炸行数。
3. 用 how="outer"。 各 dataflow 年份边界不同（§5.3），inner 会砍掉大半。

§6.6 给影像模型接 OECD 国家协变量

场景：跨欧洲多中心的影像数据集，想检验模型表现是否与国家卫生资源相关。

ISO3_SET = {"AUT","BEL","CZE","DNK","FIN","FRA","DEU","GRC","HUN",
            "IRL","ITA","NLD","NOR","POL","PRT","ESP","SWE","CHE","GBR"}

cov = wide[wide["REF_AREA"].isin(ISO3_SET)]        # 只留有数据的国家
sample = sample.merge(cov, left_on=["country_iso3","study_year"],
                      right_on=["REF_AREA","TIME_PERIOD"], how="left")

features = ["che", "phys", "beds"]                  # 卫生支出、医生密度、床位
sample["has_cov"] = sample[features].notna().all(axis=1)

四个要点：

1. study_year 必须是采集年。 用发表年会把未来信息带进来。
2. 这 51 国本身就是一个偏样本。 你的结论只适用于「OECD 成员国 + 若干伙伴国」，不能推广到全球。
3. 三个协变量高度相关。 卫生支出、医生密度、床位密度在富裕国家之间共线性很强，同时放进模型要看 VIF。
4. has_cov 指示变量比插值更诚实。 有些国家某年确实没报，别编。

§6.7 study_year 落在数据边界外怎么办

这是实操中最常见的问题。假设样本采集于 2024 年，但某国的 DF_SHA 只到 2022 年。三个处理方案，按推荐度排序：

方案	做法	代价
用最近可得年份 + 距今年数标记	取 2022 值，同时记录 lag = 2	需要把 lag 当协变量或做敏感性分析
用多年均值	取 2020–2022 三年均值	平滑掉年度波动，但掩盖趋势
线性外推	按前 3 年趋势外推	不推荐——卫生支出有政策断点，外推极易出错

不推荐插值或外推的原因：卫生支出与医生密度都不是平滑过程，一次医改、一次危机就能改变斜率。外推得到的是「假精度」。

---

§7 质量评估、DAIMS 与口径交叉核对

§7.1 DAIMS 评估

维度	得分	说明
数据集标识	3/3	每个 dataflow 有稳定的 agency + ID + version 三元组，可精确寻址
许可清晰度	3/3	统一 CC BY 4.0，条款文本完整（含翻译与改编的署名要求）
溯源信息	2/3	有 dataflow 级描述与来源说明，但观测级不标「哪国哪个部门报的」
版本与更新	2/3	dataflow 有版本号，但历史版本不可回溯（latest 覆盖旧版）
字段字典	3/3	14 个维度全部有 codelist，SDMX 标准本身即字典
缺失处理	2/3	有 _Z（不适用）与 null（缺失）区分，但 null 原因不细分
文档完备度	3/3	API 文档、Data Explorer、SDMX 规范三处齐全
访问稳定性	2/3	服务稳定，但查询参数校验极严（多一个参数就 403）
合计	20/24 = 83.3%	与本库 world-bank-open-data 同分，但扣分点不同

§7.2 与世行那套 83.3% 的差别

两个数据集同分，但强项弱项正好互补：

维度	世行	OECD
标识	2/3（无单条 DOI）	3/3（三元组精确寻址）
字段字典	3/3	3/3
访问稳定性	3/3（参数宽松）	2/3（校验极严）
溯源	3/3（sourceOrganization 到 UNICEF 级）	2/3（只到 dataflow 级）
版本	2/3	2/3

一句话：世行胜在「宽松好用」，OECD 胜在「结构严谨」。前者适合快速探索，后者适合建可复现的管道。

§7.2b 两处 OECD 独有的可比性优势

DAIMS 那八项维度测的是「数据工程的规范程度」，测不出「内容本身的可比性」。OECD 在这两件事上有别处拿不到的优势：

第一，口径是被主动统一过的，不是事后拼接的。 世行是把各国上报的数原样编目，所以「五岁以下死亡率」在不同国家的统计基础可能完全不同。OECD 则是先定口径再收数：成员国按同一份问卷、同一套 SHA 2011 分类、同一套生命表方法上报。代价是覆盖国家少，收益是「德国和日本的可比性」远高于世行同指标。

第二，它有「反事实」类指标。 DF_AM（可避免死亡率）与 DF_PYLL（潜在寿命损失年）都不是观测，是按定义构造出来的量。它们的价值在于把「医疗系统本该做到什么」变成了一个可计算的数。世行与 WHO 都没有系统做这件事。

代价也要说清：这两个指标的定义依赖「现有医疗技术」这一假设，而假设本身随技术进步在变。跨十年比较可避免死亡率，等于用两套不同的假设比——这一点前文 §9.4 已经提过，这里再强调一次，因为它是这类指标最容易被误用的地方。

§7.3 口径交叉核对：OECD vs WHO vs 世行

三个地方都有预期寿命，但数不完全一样：

来源	方法	与 OECD 的典型差异
OECD DF_LE	成员国自报死亡率 + OECD 统一生命表法	基准
WHO GHO	各国死亡率 + WHO 生命表法，缺报国用模型补	多在 ±0.3 年，缺报国差异更大
世行 SP.DYN.LE00.IN	转自 UN WPP	与 WHO 接近，与 OECD 在个别国家差 1 年以上

差异的真实来源不是谁算错了，而是三件事：

1. 死亡率数据源不同：OECD 优先用成员国自报的精细死亡登记，UN/WHO 在缺报国要用模型补。
2. 生命表方法不同：起算年龄组、开区间年龄组的处理方式有差别。
3. 修订节奏不同：OECD 每年随成员更新，UN WPP 两年一版。

引用纪律：写论文时必须明确「数据来自 OECD Health Statistics，2026 年 10 月版」。不能写「据国际组织统计」。三套数据的差在 0.3–1 年这个量级，足以改变「某国是否进入长寿国家前十」这类结论。

§7.4 一处必须说清的口径：86 个 dataflow ≠ 86 个指标体系

同一份底层数据会在多个 dataflow 里出现。比如「医生数」至少出现在三处：

• DSD_HEALTH_EMP_REAC@DF_PHYS —— 医生总数与密度
• DSD_HEALTH_EMP_REAC@DF_PHYS_AGE_SEX —— 按年龄与性别拆的医生数
• DSD_HEALTH_EMP_REAC@DF_PHYS_CAT —— 按类别（全科/专科）拆的医生数

这三个不是三份独立数据，是同一份数据的三种切法。 如果你的管道按 dataflow 循环拉取再求并集，同一批医生会被算三次。

---

§8 生态位与相邻资源

§8.1 跨国卫生数据的四层结构

第一层：国家行政统计（各国卫生部年报、死亡登记）    —— 最原始，口径最不统一
第二层：专域深库（OECD Health、WHO GHO、Eurostat）  —— 口径对齐，单域深
第三层：编目分发（世界银行、OWID）                  —— 跨域宽，单域浅
第四层：建模估计（GBD、IHME）                       —— 全球覆盖，有推算

OECD 在第二层的顶端。它的不可替代性有两处：

1. 卫生系统的内部结构：SHA 2011 的筹资矩阵、ICU 床位、医疗技术清单、可避免死亡率。这些在第三、四层都没有。
2. 可比的「质量」维度：患者报告结局（PROM）、患者体验（PREM）、患者安全文化。这一组几乎只有 OECD 在做跨国标准化。

§8.2 与 Eurostat 的分工

Eurostat 覆盖 EU-27，OECD 覆盖 38 个成员国 + 13 个伙伴国。重叠部分是欧洲国家。

	Eurostat	OECD
覆盖	EU-27 + EFTA	38 成员国 + 13 伙伴
结构	自有 SDMX 目录（TOC）	自有 SDMX（dataflow）
强项	行政统计、区域细分（NUTS）	卫生系统绩效、跨域可比
弱项	非欧盟国一概没有	低收入国家一概没有

实用判断：做欧洲内部研究用 Eurostat（有 NUTS-2 区域级）；做「欧洲 vs 日本 vs 韩国 vs 美国」的卫生系统比较，只能用 OECD。

§8.3 与 WHO GHO 的分工

who-gho（rid 175）覆盖 190+ 成员国，指标以疾病为主。OECD 覆盖 51 个经济体，指标以系统为主。

场景	用哪个
全球疾病负担、传染病监测	GHO
富裕国家卫生系统绩效比较	OECD
医疗支出结构（谁付钱、花在哪）	OECD（GHO 没有 SHA 级细节）
ICU 床位、医疗设备	OECD
低收入国家的卫生人力	GHO

一个常被忽略的点：GHO 里也有「卫生支出」指标，但那多是「总支出占 GDP」这类汇总数。SHA 2011 的三轴分解（功能 × 提供者 × 筹资）只有 OECD 有系统地做。

§8.4 与 PaRIS 的关系

DSD_PARIS@DF_PARIS 值得单独说。PaRIS（Patient-Reported Indicator Surveys）是 OECD 在 2023 年启动的患者报告指标调查，采集的是「患者在初级照护中的体验与健康结果」。

它的特殊性在于：

• 数据来源不是行政统计，是患者问卷
• 它有 PROM（患者报告结局），这在跨国卫生数据里极罕见
• 覆盖只有十余个国家，首轮 2023

对医学 AI 的意义：如果你要研究「模型输出与患者自评健康的一致性」，PaRIS 是目前少有的跨国可比来源。但覆盖太窄，只能做案例研究，不能做面板。

---

§9 许可、伦理与合规

§9.1 一套许可，但条款里有三处必须遵守

OECD 的数据与出版物统一采用 CC BY 4.0。但 OECD 在标准 CC BY 之外，明确写了几条附加要求：

要求	原文要点	实际影响
署名	必须引用原作	写「OECD (2026), OECD Health Statistics」并附 DOI 或 URL
翻译	必须引用原作、标明改动、并加一句「如有出入以原文为准」	做中文版时必须加这句
改编	必须引用原作并注明「本作品是 OECD 原作的改编」	二次加工数据时要声明
第三方材料	CC BY 不覆盖作品中的第三方材料	药品市场数据部分来自商业库，需单独看
标识	不得使用 OECD 的 logo、视觉识别或封面图，不得暗示 OECD 背书	产品里不能放 OECD logo
争议解决	依 PCA 仲裁规则，仲裁地巴黎，仲裁员一名	商用大规模再分发需过法务

§9.2 与世行 CC BY 4.0 的差别

两家都用 CC BY 4.0，但附加条款不同：

	世行	OECD
仲裁地	华盛顿	巴黎
仲裁规则	世行自定流程（先调解 45 天）	PCA 2012 仲裁规则
翻译要求	未特别强调	明确要求加「以原文为准」句
改编声明	未特别强调	明确要求加改编声明
Logo 限制	有	有，且更明确

对实际工作的影响：如果你要把 OECD 数据翻译成中文并加自己的注解发布，必须同时做三件事：引用原作、声明这是改编、加「如有出入以原文为准」。漏掉任何一条都不符合条款。

§9.3 有没有个体级数据

没有。OECD 健康统计全部是国家与地区级聚合。

但有两个边界情况要说清：

• PaRIS（DF_PARIS） 底层是患者问卷，但发布的仍是聚合结果（国家级均值、分布）。个体记录不公开。
• 周度死亡数（DF_MORTALITY 系列） 粒度到周、到国家，但不到个人。它是死亡登记的聚合计数。

所以：这份数据可以放心用于训练集的国家层协变量，不涉及个人隐私。 但如果你的产品宣称「基于 OECD 患者数据训练」，那是误导——这里没有患者级数据。

§9.4 伦理：三类典型误用

数据本身是聚合统计，伦理风险不在隐私，在误用：

第一类：把 51 国当全球。 用 OECD 的「卫生支出与预期寿命关系」去推论全球卫生政策，会得出「多花钱就能长寿」的结论。但这个关系在低收入国家完全不成立——那里缺的不是钱，是基础设施与人力。

第二类：把自报当客观。 OECD 多数指标来自成员国自报。自报体系里，指标的定义边界、统计口径、上报完整性都有国别差异。「A 国医生密度高于 B 国」这句话，可能反映的是两国统计口径不同，而不是真实差距。

第三类：把可避免死亡率当因果。 「可避免死亡率」的定义是「在现有医疗技术下本可避免的死亡」。它是一个反事实构造，不是观测。用它证明「某国医疗系统无效」是把定义当成了发现。

§9.5 关于以色列、塞浦路斯等地的数据说明

OECD 出版物有固定的地域免责声明，涉及以色列统计数据由以色列相关部门提供、塞浦路斯与科索沃的表述等。引用具体国家数据时应保留这些说明，不做政治性解读。

---

§10 复用边界与三条硬结论

§10.1 三条硬结论

结论一：这是「卫生系统」库，不是「健康」库。

OECD 健康统计的核心价值不在疾病指标（那些 WHO 更全），而在系统的运转方式：钱怎么筹、人怎么配、床怎么设、质量怎么量。要用它回答「这个国家的人健康吗」，不如用 GHO；要用它回答「这个国家的卫生系统怎么运作」，只有它。

结论二：86 个 dataflow 里，真正能直接用于建模的是个位数。

大部分 dataflow 有严重的维度稀疏、年份断裂或覆盖不足。真正稳的只有：预期寿命（DF_LE）、死亡原因（DF_COM）、卫生支出（DF_SHA）、医生护士密度（DF_PHYS / DF_NURSE）、床位（DF_BEDS_FUNC）。先验证覆盖，再谈建模。

结论三：_Z 和 null 必须分开处理。

14 个维度里常有一半是 _Z（不适用），那不是缺失。混为一谈会让你对一个不适用的概念做插值，或者造出 8 列全零的常数特征。先删 _Z 常量维度，再谈缺失处理。

§10.2 该用 / 不该用

场景	该不该用
卫生系统绩效比较（支出 vs 产出）	✅ 强烈推荐
给跨欧洲影像数据集打系统协变量	✅ 推荐（注意 51 国偏样本）
医疗支出结构分析（SHA 2011）	✅ 推荐（唯一系统来源）
全球健康公平研究	❌ 用 WHO GHO 或世行
找个体患者数据或临床记录	❌ 这里没有
低收入国家卫生人力分析	❌ 覆盖为零
当临床决策依据	❌ 绝对不行（国家聚合）

§10.3 一个判断标准：这个 dataflow 该不该进你的管道

四个问题：

问题一：它的维度能不能压到你要的粒度？ 如果 14 个维度里有 10 个是 _Z，这个 dataflow 就很简单；如果有 6 个维度都有多个取值，你拿到的是多维立方体，必须先聚合。

问题二：它的年份能对上你的样本吗？ 预期寿命有 1960–2024，超额死亡只有 2020 起。年份不匹配的协变量比没有更糟。

问题三：它的 OBS_STATUS 干净吗？ 大量 B（断裂）或 E（估算）的序列，做趋势分析会得到假结论。

判断方法很简单，一行统计：

s = df["OBS_STATUS"].fillna("").astype(str)
print(s.value_counts(normalize=True).head())

如果 B 的占比超过 5%，这个 dataflow 就不适合做增长率类计算——断裂点前后的数不能相减。如果 E 占比高，说明这个指标大量依赖估算，引用时要说明「含估算值」。

问题四：它和你的结局同源吗？ 可避免死亡率是用死亡率算出来的，不能当死亡率的特征。

四个都过了，才值得写进管道。

§10.4 一句话记住它

OECD 健康统计把「卫生系统」拆成 86 个可寻址的零件，让你能说清一个国家的医疗钱怎么花、人来不来得及、治得好不好。

---

§11 常见误读

这一节把散落在前文的坑集中一次讲清。每一条都对应一次实测中的真实失败——不是理论风险。

常见说法	实际情况	证据
「86 个 dataflow 是 86 个数据集」	86 个数据流归在 18 组 DSD 下。DSD_HCQO 一组就占 13 个	/dataflow/OECD.ELS.HD 按 @ 前前缀去重
「SDMX 请求随便拼就行」	用点号键时必须给全部 14 维，少一个就 403 Not enough key values，且不告诉缺哪维	实测 .../DF_LE,1.0/XYZ 返回 expecting 13 got 1
「加个时间戳破缓存是常规操作」	OECD 服务端多一个不认识的参数就 403：Unknown query parameter : t	实测加 ?t=... 直接失败
「返回的是对象数组」	观测是 {"0:0:0:...": [值, 状态...]} 的索引串字典，键的每一位是维度取值位置	§4.2
「obs 就是数值」	obs 是二维数组，obs[0] 才是值，obs[1] 往后是状态标志。float(obs) 抛 TypeError	[6.2, null, null, ...]
「51 个经济体就是 51 个国家」	含 38 个成员国 + 13 个伙伴国，没有一个是低收入国家	REF_AREA 取值清单
「保加利亚、罗马尼亚是 OECD 成员」	不是。它们因「欧盟成员 + 有可比数据」被收录	§2.5
「_Z 是缺失值」	_Z 是不适用（概念在此 dataflow 无意义）。null 才是缺失	预期寿命 14 维里 8 维恒为 _Z
「一个国家的医生数只能查一个 dataflow」	出现在 DF_PHYS、DF_PHYS_AGE_SEX、DF_PHYS_CAT 三处，是同一份数据的不同切法	§7.4
「OBS_STATUS 可以忽略」	B = 序列断裂，前后不可连成一条曲线；E = 估算值。忽略会让趋势分析失真	§4.3
「UNIT_MEASURE 是给人看的」	是代码（Y / PT / PS / USD_PPP），响手里没有释义，必须查 codelist	§4.4
「OECD 数据是 CC BY 4.0，随便用」	是 CC BY 4.0，但附加：翻译要加「以原文为准」、改编要声明、不得用 OECD logo	§9.1
「PaRIS 有患者级数据」	底层是问卷，发布的仍是国家级聚合。个体记录不公开	§8.4
「各 dataflow 的年份窗口可以统一」	预期寿命 1960–2024，超额死亡 2020 起，PaRIS 2023 起	§5.3

每一行背后的展开：

「86 个 dataflow 是 86 个数据集」 —— 这是最常见的层级错认。86 是「可独立取数的数据流」数，不是「独立的数据收集活动」数。18 组 DSD 是真正的数据模型：同一组 DSD 下的 dataflow 共享 14 维模型，只是各自在哪些维度上有值不同。DSD_HCQO（卫生服务质量）一组就有 13 个 dataflow，从急性病照护到患者安全文化，它们共用一个维度表。

「SDMX 请求随便拼就行」 —— SDMX 的键路径是位置敏感的。写 .../DF_LE,1.0/DEU.A.LFEXP 这种只给前几维的写法，服务端不会「按前缀匹配」，而是直接报 403。正确做法是用 all 让服务端展开，再在本地过滤。这个设计与世行 API 的「路径越简越好」正好相反。

「加个时间戳破缓存」 —— 这是从世行那边带过来的习惯，在 OECD 这边会直接失败。OECD 的查询参数白名单极严，多一个不认识的参数就 403。绕 CDN 缓存只能靠 Cache-Control: no-cache 请求头，不能加 URL 参数。

「返回的是对象数组」 —— SDMX-JSON 1.0 的观测编码是为压缩体积设计的：键是维度索引串，值是「值 + 属性位置索引」的数组。这个编码在维度少时看起来还行，14 维时键会变成 "0:0:2:0:4:1:0:0:0:0:0:0:0:12" 这种长串。必须写解码器。

「obs 就是数值」 —— 这是解码器写错时最常见的崩溃点。obs 是列表，第一元素是值。而且后续元素可能是 null，表示该属性位置没有标志。

「51 个经济体就是 51 个国家」 —— 51 里 OECD 成员国 38 个，其余 13 个是伙伴国或关键非成员。关键是没有一个是低收入国家。 这决定了这份数据不能用于全球健康公平研究。

「_Z 是缺失值」 —— 这是最需要澄清的一处。_Z 是 SDMX 的标准代码，含义是「不适用」（not applicable）。在预期寿命的 14 维里，SOCIO_ECON_STATUS、DEATH_CAUSE、CALC_METHODOLOGY、GESTATION_THRESHOLD、HEALTH_STATUS、DISEASE、CANCER_SITE 这 7 个维度恒为 _Z——因为「预期寿命」这个概念没有死因、没有癌症部位。把它们当缺失插值，等于给一个不存在的概念编数据。

「一个国家的医生数只能查一个 dataflow」 —— 医生数出现在三个 dataflow 里，分别是总数、按年龄性别分、按类别分。它们是同一份底层数据的三视图。按 dataflow 循环拉取会让同一批医生被算三次。

「OBS_STATUS 可以忽略」 —— B 表示序列断裂（break in series），通常因为定义变更或数据来源更换。忽略它，你会得到一条看起来连续、中间换过算法的曲线。在计算增长率、做趋势外推时，这类错误极难事后发现。

「UNIT_MEASURE 是给人看的」 —— 它是代码。Y=年、PT=百分比、PS=每十万人、USD_PPP=购买力平价美元。响应里只有代码，释义在 /codelist/OECD.ELS.HD/CL_UNIT_MEASURE。不做联查，报表里会出现「支出 = 4823 XDC」这种半成品。

「CC BY 4.0 随便用」 —— 许可本身宽松，但 OECD 加了三条明确要求：翻译须加「如有出入以原文为准」；改编须声明「这是 OECD 原作的改编」；不得使用 OECD logo 或暗示背书。做中文产品时第一条几乎必然适用。

「PaRIS 有患者级数据」 —— PaRIS 底层确实是患者问卷（PROM / PREM），但公开的是国家级聚合结果。想拿个体记录，得单独申请，且条款不同。

「各 dataflow 年份窗口可以统一」 —— 预期寿命 1960–2024（65 年），卫生支出约 1970 年代起，医疗技术 1990 年代起，超额死亡 2020 起，PaRIS 2023 起。统一窗口会让你要么丢历史、要么全空。

§11.2 四类容易忽略的结构性问题

第一，structure 里没有 codelist 名称，只有 ID。

取数时若用 references=none，响应里只有代码。要拿到「LFEXP 是什么意思」，必须单独请 /codelist。这意味着一个完整的数据集下载至少是两次请求：一次取数据，一次取代码表。

第二，dataSets[0].action 可能是 Information。

正常数据响应里 action 是 Information。但如果查询有问题，仍可能返回 200 与一个空 observations。不要只判 HTTP 状态码，要判 observations 是否为空。

第三，version 是 1.0，但 dataflow 会演进。

URL 里的 1.0 是 dataflow 版本。OECD 更新数据时通常原地更新同一版本，不升版本号。所以同一 URL 在不同时间拉取会得到不同数，且没有版本标识可以区分。这是与「可复现」直接冲突的一点——必须自己记录采集时间。

第四，PaRIS 与 HSCS 是调查数据，不是行政统计。

DSD_PARIS、DSD_HSCS2023、DSD_HSCS 这三个 dataflow 的底层是问卷，样本量有限，有抽样误差。它们和 DF_LE 那种「全国死亡登记汇总」在统计性质上完全不同，不能混在一个面板里当同质变量。

§11.3 上线前的十项自检

• [ ] Accept 头设对了（数据用 application/vnd.sdmx.data+json;version=1.0，CSV 用 text/csv）
• [ ] 没有在 URL 里加自定义参数（会 403）
• [ ] 用了 all 作为键，而不是只给前几维
• [ ] 解码时取的是 obs[0]，不是 obs
• [ ] 删掉了恒为 _Z 的常量维度
• [ ] null 与 _Z 分开处理
• [ ] 检查了 OBS_STATUS 里的 B（序列断裂）
• [ ] 联查了 codelist 把 UNIT_MEASURE 翻成文字
• [ ] 记录了采集时间（因为 dataflow 原地更新，无版本号）
• [ ] 引用时写明「OECD Health Statistics，年月版」，并区分于 WHO / 世行的同指标数字

---

附录 A：本篇数字速查

数字	值	来源
dataflow 总数	86	/dataflow/OECD.ELS.HD 的 dataflows 长度
DSD 结构组数	18	按 dataflow ID 的 @ 前缀去重
最大 DSD 组	DSD_HCQO 13 个	卫生服务质量与结局
第二组	DSD_HEALTH_STAT 13 个	健康状态与死亡
REF_AREA 经济体数	51	DF_LE 的维度取值
OECD 成员国数	38	51 中扣除 13 个伙伴国
DF_LE 观测数	52,241	全量拉取
DF_LE 年份跨度	1960–2024（65 年）	TIME_PERIOD
DF_LE 维度数	14	dimensions.observation
DF_LE 中 _Z 维度数	8	常量不适用维度
全部 agency dataflow 数	1,552	/dataflow/all/all/latest
默认许可	CC BY 4.0	OECD 统一声明
仲裁地	巴黎（PCA 规则）	许可附加条款
DAIMS	20/24 = 83.3%	本条目评估

附录 B：五个可复制的查询

# 1. 列出健康域全部 dataflow（86 个）
curl -s -H "Accept: application/vnd.sdmx.structure+json;version=1.0" \
  "https://sdmx.oecd.org/public/rest/dataflow/OECD.ELS.HD?references=none" \
  | python3 -c "import sys,json;d=json.load(sys.stdin);print(len(d['data']['dataflows']))"
# 86

# 2. 取预期寿命 2022 年起全部观测
curl -s -H "Accept: application/vnd.sdmx.data+json;version=1.0" \
  "https://sdmx.oecd.org/public/rest/data/OECD.ELS.HD,DSD_HEALTH_STAT@DF_LE,1.0/all?startPeriod=2022&dimensionAtObservation=AllDimensions"

# 3. 同上但走 CSV（推荐，直接可读）
curl -s -H "Accept: text/csv" \
  "https://sdmx.oecd.org/public/rest/data/OECD.ELS.HD,DSD_HEALTH_STAT@DF_LE,1.0/all?startPeriod=2023"

# 4. 看维度结构（十四维有哪些取值）
curl -s -H "Accept: application/vnd.sdmx.data+json;version=1.0" \
  "https://sdmx.oecd.org/public/rest/data/OECD.ELS.HD,DSD_HEALTH_STAT@DF_LE,1.0/all?startPeriod=2023&dimensionAtObservation=AllDimensions" \
  | python3 -c "
import sys,json
d=json.load(sys.stdin)
for x in d['data']['structure']['dimensions']['observation']:
    print(x['id'], len(x['values']))"

# 5. 取单位代码表
curl -s -H "Accept: application/vnd.sdmx.structure+json;version=1.0" \
  "https://sdmx.oecd.org/public/rest/codelist/OECD.ELS.HD/CL_UNIT_MEASURE"

附录 C：核对清单

拿到数据后按顺序跑：

• [ ] 确认 dataflow ID 拼写完整（形如 DSD_XXX@DF_YYY，@ 不能省）
• [ ] 确认 Accept 头没写错（写错会得到 406 或 XML）
• [ ] 确认键用了 all 或给了完整 14 维
• [ ] 确认没有加自定义 URL 参数
• [ ] 解码后检查行数是否合理（不是 0，也不是几百倍于预期）
• [ ] 检查 _Z 常量维度是否已删
• [ ] 检查 OBS_STATUS 里 B 的占比
• [ ] 按研究问题定年份窗口，不按数据可用性定
• [ ] 记录采集日期（dataflow 原地更新，无版本标识）
• [ ] 引用时写「OECD Health Statistics」，不与 WHO / 世行数字混用

附录 D：十八组 DSD 速查

DSD	数	一句话
DSD_HCQO	13	卫生服务质量与结局：急性病、癌症、精神卫生、患者体验、患者安全
DSD_HEALTH_STAT	13	健康状态：预期寿命、死因、可避免死亡、癌症、传染病、孕产妇婴儿死亡
DSD_HEALTH_PROC	10	服务利用：门诊、手术、免疫、筛查、等待时间、住院时长
DSD_HEALTH_REAC_EMP	10	卫生人力：医生、护士、助产士、牙医、药剂师、物理治疗师、薪酬
DSD_HEALTH_LVNG	6	健康决定因素：饮酒、体重、食品供应、烟草、电子烟
DSD_HEALTH_REAC_HOSP	6	设施设备：ICU 床、按功能分床、医院数、医疗技术
DSD_HEALTH_EMP_REAC	5	人力细分：按年龄性别、按类别、卫生与社会就业
DSD_SHA	5	卫生支出与筹资（SHA 2011）：支出、筹资方案、资本形成、COVID 支出
DSD_HEALTH_LTCR	4	长期照护：床位、接受者、人员
HEALTH_PHMC	4	药品市场：总览、关键指标、消费、销售
DSD_HEALTH_MORTALITY	3	周度死亡：总、COVID、超额死亡
DSD_GHGHC	1	卫生部门温室气体排放
DSD_HEALTH_LTCR_FAC_OWNER	1	长护机构按所有制
DSD_HEALTH_PROT	1	医疗保障覆盖
DSD_HEALTH_WFMI	1	卫生人力国际迁移
DSD_HSCS2023	1	卫生系统特征调查 2023
DSD_HSCS	1	卫生系统特征调查 2012/2016/2018
DSD_PARIS	1	患者报告指标调查（PROM / PREM）

附录 E：一次最小可复现实验

十分钟内能跑完，用来验证本条目所有关于 SDMX 结构的断言。

# 1. 看 dataflow 有多少（18 组 DSD）
curl -s -H "Accept: application/vnd.sdmx.structure+json;version=1.0" \
  "https://sdmx.oecd.org/public/rest/dataflow/OECD.ELS.HD?references=none" \
  | python3 -c "
import sys,json,collections
d=json.load(sys.stdin)['data']['dataflows']
print(len(d), len({x['id'].split('@')[0] for x in d}))"
# 期望: 86 18

# 2. 看不给全维度会怎样
curl -s -o /dev/null -w "%{http_code}\n" -H "Accept: application/vnd.sdmx.data+json;version=1.0" \
  "https://sdmx.oecd.org/public/rest/data/OECD.ELS.HD,DSD_HEALTH_STAT@DF_LE,1.0/DEU"
# 期望: 403

# 3. 看加自定义参数会怎样
curl -s -o /dev/null -w "%{http_code}\n" -H "Accept: application/vnd.sdmx.data+json;version=1.0" \
  "https://sdmx.oecd.org/public/rest/dataflow/OECD.ELS.HD?references=none&t=1"
# 期望: 403

# 4. 看维度数与 _Z 数量
curl -s -H "Accept: application/vnd.sdmx.data+json;version=1.0" \
  "https://sdmx.oecd.org/public/rest/data/OECD.ELS.HD,DSD_HEALTH_STAT@DF_LE,1.0/all?startPeriod=2023&dimensionAtObservation=AllDimensions" \
  | python3 -c "
import sys,json
d=json.load(sys.stdin)['data']['structure']['dimensions']['observation']
print(len(d), sum(1 for x in d if len(x['values'])==1 and x['values'][0]['id']=='_Z'))"
# 期望: 14 8

# 5. 看观测是数组不是标量
curl -s -H "Accept: application/vnd.sdmx.data+json;version=1.0" \
  "https://sdmx.oecd.org/public/rest/data/OECD.ELS.HD,DSD_HEALTH_STAT@DF_LE,1.0/all?startPeriod=2023&dimensionAtObservation=AllDimensions" \
  | python3 -c "
import sys,json
d=json.load(sys.stdin)['data']['dataSets'][0]['observations']
k=list(d)[0]; print(k[:30], type(d[k]), d[k][:2])"
# 期望: 索引串 <class 'list'> [值, None]

跑完这五条，本条目 §3.2、§3.3、§3.4、§4.2、§11 里的每条断言都被独立验证过一遍。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• ucdp — 共享标签：公共卫生与流行病学 / 电子健康记录 / 评测基准
• world-bank-open-data — 共享标签：公共卫生与流行病学 / 电子健康记录 / 评测基准
• mimicel — 共享标签：公共卫生与流行病学 / 电子健康记录
• mimiciii-demo — 共享标签：公共卫生与流行病学 / 电子健康记录
• mimiciv — 共享标签：公共卫生与流行病学 / 电子健康记录
• armd-mgb — 共享标签：公共卫生与流行病学 / 电子健康记录 / 评测基准
• sdoh-adverse-pregnancy — 共享标签：公共卫生与流行病学 / 电子健康记录 / 评测基准
• amr-uti — 共享标签：公共卫生与流行病学 / 电子健康记录 / 评测基准
• tpehgt — 共享标签：电子健康记录 / 评测基准
• arxiv — 共享标签：公共卫生与流行病学 / 评测基准

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。