信息速览

数据集名称WHO/UNICEF Estimates of National Immunization Coverage — 1980-2025 年 195 国 15 抗原免疫覆盖率估算时间序列

数据类型统计数据,时序数据,公开数据

规模不适用（国家-年-抗原聚合统计；分母为 UN WPP 2024 各国存活婴儿数，2025 年全球目标人口约 1.29 亿）

接入方式WHO/UNICEF Joint Reporting Form on Immunization（eJRF）国别年度上报 + 各国官方发布数据 + 合格住户调查终报告（DHS/MICS 等）+ 已发表与灰色文献；WHO-IVB 与 UNICEF 数据团队联合建模产出 WUENIC 2025 revision

AI 就绪度

INFOBOX — WUENIC 一屏速览

维度内容

全称 WHO/UNICEF Estimates of National Immunization Coverage（WHO/UNICEF 国家免疫覆盖率估算）

本质 估算体系：把多路证据收敛为每国每年每抗原唯一覆盖值的年度时间序列

归属 WHO（IVB/EPI 监测）与 UNICEF 数据团队联合建模，非单一机构出品

门户 immunizationdata.who.int（专题门户）｜WHO GHO（总门户，库内条目 rid=175）

最新版本 2025 revision，completed 2026-07-15，数据截止 2026-06-21

时间跨度 1980-2025（45 个年度；IPV1 自 2015、IPVc 自 2021）

国家覆盖 195 个成员国（188 国提交 eJRF、185 国有覆盖数据）

抗原数 15 个抗原-剂量组合（BCG/DTP1/DTP3/HepB3/HepB-BD/Hib3/IPV1/IPVc/MCV1/MCV2/MenA/PCVc/RCV1/RotaC/YFV）

实测规模 coverage-data.xlsx 全表 396,212 行；WUENIC 分类 89,767 行

全球 2025 DTP1 90%、DTP3 85%、MCV1 84%、MCV2 77%、PCVc 71%、RotaC 61%

置信分级 Grade of Confidence（GoC）★/★★/★★★，替代置信区间

许可 WHO 数据条款 + CC BY-NC-SA 3.0 IGO

更新节奏每年 7 月中旬一次性发布（next：2027-07 发布 2026 revision）

一句话全球免疫领域的「官方事实底座」，但每一个数字都是建模后的估计

§0 导读：这个数据集解决什么问题

0.1 一个看似简单的问题

「2025 年，全世界有多少婴儿完成了三剂百白破疫苗？」这个问题听起来只是把各国的报告加总，实际上却极难回答。任何一个国家的卫生部门都同时拥有至少三类数字：一是基层接种点逐月上报、由行政系统汇总的行政覆盖率（administrative coverage）；二是国家统计局或卫生部门自己对外发布的官方覆盖率（official coverage）；三是每隔数年由 DHS、MICS 等住户调查访问母亲、翻看接种卡得到的调查覆盖率（survey coverage）。三者常常不一致，有时相差 10 个百分点以上，而三者又都各自带有系统性偏差：

行政数据的分母依赖人口估计，若人口普查更新滞后或多地存在未登记人口，分母偏大或偏小都会让覆盖率失真；
官方数据往往是「政策口径」，某些年份为了对外展示会取更乐观的版本；
调查数据受抽样误差、回忆偏倚与卡片缺失（无卡儿童靠母亲回忆）影响，且不是每年都有。

WUENIC 的全部意义，就是在这三类互相打架的数字之上，用一套公开可复核的规则（rule-based approach）给出一个「最可能的」覆盖值，并给这个值贴上一枚证据强度标签。它不是原始数据，而是对原始数据的判断。判读的要害在于：这个判断是「规则封装的专家共识」，不是统计模型给出的最大似然估计，所以它的不确定性用星级而不是置信区间表达（见 §5）。理解了这一点，就不会再问「WUENIC 的 95% 置信区间是多少」——官方明确不提供区间，星级就是它的替代品。

还有一层现实意义：三类数字并存不是管理的疏失，而是卫生系统的固有结构。行政系统按「服务提供」记账，调查按「人群实际接种」记账，官方按「对外承诺」记账，三者回答的是不同问题。要求它们一致，等于要求服务量、人群行为与政治承诺三者同步，这在高覆盖国家也许近似成立，在低覆盖与冲突国家几乎不可能。WUENIC 不试图消灭这种差异，而是把差异当作信息：差异越大，星级通常越低。

0.2 为什么必须区分「估算」与「报告」

这是使用 WUENIC 时最容易犯的错误。很多论文、新闻稿甚至政策文件直接引用 WUENIC 数值并称之为「疫苗覆盖率」，却忽略了它其实是一个估计（estimate）。WHO 自己在数据说明中写得很清楚：估算值「不代表对报告数据或调查数据的背书」，其主要目标是「呈现一致的覆盖率趋势分析」。换句话说，WUENIC 的第一性目标是跨国可比、跨年可比，其次才是绝对水平精确。这个优先序解释了大量看起来「奇怪」的处理：为什么某国明明有全国调查却仍被调低、为什么两个覆盖率相近的国家星级不同、为什么同一年的数字下一版会被改。所有这些操作的共同逻辑，是把「可比性」置于「贴近年报」之上。对使用者而言，这意味着 WUENIC 适合回答「A 国比 B 国高还是低」「今年比去年好还是差」，不适合回答「某国某年到底有多少儿童接种」——后者需要回到该国的调查或行政原始数据。
理解这一点，就能解释为什么：

每年 7 月发布新版时，整个 1980 年以来的历史序列都会被重算。2025 revision 发布后，2019 年某国的 DTP3 覆盖率可能与 2024 revision 中同一年的数值不同。GATHER 第 17 条对此有专门说明：本次修订的覆盖率水平不能与往次修订直接比较。
全球聚合值不是各国数值的简单平均，而是以 UN WPP 各国存活婴儿数为权重加权求和。因此人口大国（印度、中国、尼日利亚、巴基斯坦）的数值对全球曲线有巨大杠杆作用。
当我们说「2025 年全球 DTP1 覆盖率 90%」时，这句话的完整含义是：在 2026-06-21 前可获得的所有证据基础上，WHO 与 UNICEF 估计有约 1.157 亿名婴儿接种了至少一剂 DTP，占约 1.292 亿名存活婴儿的 90%。注意分母是「存活婴儿」而非「出生数」，两者的差别在婴儿死亡率高的国家可达 3-5 个百分点；也注意分子是「至少一剂」，因此 DTP1 覆盖率高不代表接种及时——WUENIC 不含接种时点信息，一个在第 11 个月才打第一剂的儿童与在第 6 周接种的儿童在数据中完全等价。

0.3 本条目要回答的十二个问题

本条目面向三类读者：想直接下载数据做分析的数据工程师、想引用数字写论文的研究者、想理解全球免疫现状的政策与媒体读者。全文围绕以下十二个问题展开：

WUENIC 与 WHO GHO 是什么关系，为什么库内要分成两个条目？
15 个抗原-剂量组合到底是哪些，各自从哪一年开始有估算？
官方报告值与调查值在数据表中怎么区分，能不能直接拿来用？
Grade of Confidence 到底怎么算出来，三星意味着什么？
2025 revision 的全球数字与历年趋势是什么样？
数据文件的 11 个字段各自怎么理解，哪些字段容易踩坑？
一次完整的 WUENIC 年度修订要经过哪些环节？
为什么每年 7 月才更新一次，中间能不能拿到新数据？
如何从门户正确下载、从 GHO API 交叉取数？
使用 WUENIC 时必须写明的引用与许可条款有哪些？
与 IHME、World Bank、UNICEF 自家发布的关系如何？
AI-Ready 视角下，这份数据集的可用性与缺陷分别是什么？

0.4 阅读提示

本条目所有硬数字都以 2026-10-17 实测的 coverage-data.xlsx（17,431,751 字节）为准，并与此前 2026-07-15 的 WHO 新闻稿、WHO 官方方法学说明 wuenic_notes.pdf 交叉核对。核对方法说明一下：先用 openpyxl 只读模式流式读取 Data 表（396,212 行一次读完约需 40 秒），按 COVERAGE_CATEGORY 与 GROUP 双条件切片，再与新闻稿中的整数百分比逐条比对；凡是新闻稿只给整数、xlsx 也只存整数的，视为一致；凡是新闻稿未给、xlsx 可算的（如各区域 DTP1/DTP3），以 xlsx 为准并在正文标注来源。凡两处口径不一致处，正文会明确写出冲突与取舍，读者可据此判断引用时该用哪个数。文中「坑 N」编号是本条目刻意整理的实证踩坑记录，按遇到频率从高到低排列。

§1 数据集速览：十问十答

1.1 它到底是什么

WUENIC 不是一张表，而是一个年度发布的估算体系 + 配套的多格式数据产品。把它理解为「体系」而不是「文件」，是正确使用它的前提：体系意味着有输入（各国报告、调查、行政数据）、有规则（Burton 2009 确立的四步法）、有裁定机构（WHO/UNICEF 联合评审）、有输出（xlsx、GHO 指标、国别档案 PDF），也意味着输出会随输入与规则变化而整体漂移。核心产物是一张「国家 × 年份 × 抗原」的长表，每行给出覆盖率百分比、估算接种剂次数与目标人口数。围绕这张表还有：国家档案 PDF（每国一份，含历年曲线与证据注释）、交互式趋势看板（shinyapps）、门户上的专题图表、以及供机器读取的 GHO OData 接口。
把它与几类常被混淆的东西区分开：

不是行政报告库：行政覆盖率也在同一份 xlsx 里，但归类为 ADMIN，与 WUENIC 在 COVERAGE_CATEGORY 字段上分开。
不是调查微观数据：WUENIC 只吸收调查的汇总结果（覆盖率点值），不提供个体接种记录；微观数据在 DHS Program（库内 rid=103）与 UNICEF MICS 站点。
不是疾病负担估计：WUENIC 只谈覆盖（分母是存活婴儿、分子是接种剂次），不谈死亡与 DALY；后者属 GBD 或 WHO 的 VPD 负担估计。
不是疫苗引入清单：某国是否引入 PCV、Rota 等新疫苗，要看疫苗引入（vaccine introduction）专题数据，WUENIC 只给出引入后各年的覆盖水平。这一区分在实践中极易出错：某国 PCVc 从空白变为 30%，既可能意味着「刚引入、覆盖三成」，也可能意味着「引入多年、今年才有可靠报告」，两者对政策判断的含义完全相反。判断方法是对照该国免疫程序文件与 WHO 疫苗引入年表，而不是只看 WUENIC 的第一个非空值。

1.2 谁在做

WUENIC 由 WHO 免疫、疫苗与生物制品司（IVB）的免疫监测团队与 UNICEF 数据与分析部门联合完成。方法学奠基论文是 2009 年发表在《Bulletin of the World Health Organization》的 Burton 等九人文章，作者名单本身就是机构分工的缩影：WHO 侧负责规则与国别裁定，UNICEF 侧负责调查数据与国别沟通。每年 7 月的发布通稿由两家机构联合署名，2026 年这一版由 UNICEF 执行主任 Catherine Russell 与 WHO 总干事 Tedros Adhanom Ghebreyesus 分别发表评论，Gavi 首席执行官 Sania Nishtar 亦有表态。

1.3 覆盖哪些国家

195 个 WHO/UNICEF 成员国。2025 revision 的数据截止日为 2026-06-21，届时 188 国提交了 eJRF 报告，其中 185 国带有覆盖率数据，覆盖全球出生队列的 95%。未提交的 7 国（约占 2025 年出生队列 5%）的估算值由前一年外推。此外数据表还包含 217 个国家/地区代码（含非成员国属地），但只有 195 个有 WUENIC 估算。这 195 个的口径本身也值得说明：WUENIC 用的是 WHO 成员国加观察员国的划分，因此列支敦士登、马耳他这类微型国家在列，而部分属地（如波多黎各）不在；做「全球 195 国」类表述时，应确认读者理解的是政治实体数还是 WUENIC 数据集里的 CODE 数，两者在 217 与 195 之间差了 22 个。

1.4 覆盖哪些抗原

15 个抗原-剂量组合。这个数字与很多二手资料流传的「14 类」不同，需要特别说明：官方方法学说明 wuenic_notes.pdf 与数据表实测均为 15，其中 IPV 被拆成两行（IPV1 首剂、IPVc 完成基础免疫程序），若把 IPV 两行并作一类抗原，则恰为 14 类。本条目按 15 个抗原-剂量组合成稿，同时在 §2.2 给出两种数法。

1.5 最新版本是什么

2025 revision，官方措辞为「completed 15 July 2026」，覆盖 1980-2025 共 45 个年度。上一版 2024 revision 于 2025 年 7 月发布。下一版（2026 revision）预计 2027 年 7 月中旬发布。

1.6 全球现状如何

按 2025 revision：DTP1 90%（约 1.157 亿剂，目标人口 1.292 亿）、DTP3 85%、MCV1 84%、MCV2 77%、PCVc 71%、RotaC 61%、HepB 出生剂 43%。Zero-dose 儿童（第一年未接种任何疫苗）约 1350 万，较上年减少约 74.5 万。DTP1 到 MCV1 的脱落约 730 万。

1.7 怎么获取

三条路径：一是门户 immunizationdata.who.int 的 All Data 页下载 coverage-data.xlsx（全量 396,212 行，约 17 MB）；二是同一页面 Additional datasets 中的 WUENIC 国家摘要与 Coverage Survey Data；三是通过 GHO OData API（ghoapi.azureedge.net/api/{IndicatorCode}）按指标取数，适合流水线自动化。三条路径的数据同源，但字段形态差别很大（详见 §6）。选路径的经验法则：一次性分析用 xlsx，做交互式看板用 GHO（按指标分页拉取、无需下载全量），需要调查层面明细用 Additional datasets，需要国别叙事与证据注释用国家档案 PDF。三条路径的坑各不相同：xlsx 的坑在页脚与空值，GHO 的坑在指标代码不齐，Additional datasets 的坑在列名与 xlsx 不一致。

1.8 有什么坑

至少八个，本条目 §10 逐一列出。最常见的三个是：把 WUENIC 行与 OFFICIAL 行混在一起求平均；把未引入某疫苗国家在引入前的缺值当作 0%；跨修订版本拼接时间序列（每年 7 月历史整体重算）。这三个坑的共同根源是「把估计当测量」：一旦在心态上把它当成测量值，就会自然地求平均、补零、跨版本拼接——这些操作对真实测量数据无害，对估算数据却会系统性放大偏差。

1.9 适合谁

全球卫生研究者、免疫规划监测评估人员、卫生经济学与政策建模团队、公共卫生数据工程师、需要用可引用官方口径做跨国对比的媒体与 NGO。不适合把 WUENIC 当日度/月度监测使用，也不适合用它做个体层面的接种行为分析。

1.10 一句话总结

WUENIC 是全球免疫领域最权威也最容易被误用的数据：权威在于它是 WHO 与 UNICEF 联合裁定、GATHER 合规的多源收敛结果；易误用在于它是估计、每年重算、且掩盖了国家间证据质量的巨大差异。如果只记一句话：用趋势与相对差异，别用绝对精度。这句话可以覆盖本条目后面绝大多数坑。

§2 数据构成与规格

2.1 一份 Excel 里的五套数据

下载 coverage-data.xlsx 后，第一件事不是打开 Data 表，而是先看七张工作表的分工：

工作表	内容	行量级	用途
Data	全部观测长表，396,212 行 × 11 列	39.6 万	唯一可分析的主表
Reference	数据来源总说明（版本、截止日、聚合方法、免责）	十余行	元数据全文，引用时的第一手
Reference (ADMIN)	行政覆盖率口径说明	十余行	解释 ADMIN 类
Reference (OFFICIAL)	官方报告值口径说明	十余行	解释 OFFICIAL 类
Reference (WUENIC)	WUENIC 口径说明与 GoC	十余行	解释 WUENIC 类，最重要
Reference (HPV)	HPV 估算（独立 2025 revision）	十余行	与 WUENIC 平行的另一套估算
Reference (PAB)	破伤风出生保护率（2024 revision，未出 2025 版）	十余行	注意版本年份落后一年

这里已经埋下了第一个坑：PAB 仍是 2024 revision，而 WUENIC 与 HPV 都是 2025 revision。把两者放进同一张图时若不加注，会让人误以为 PAB 与 WUENIC 是同一版本口径。Reference 系列工作表虽然只有十余行，但它们是唯一由 WHO 自己撰写的口径说明，遇到任何「这个字段到底什么意思」的疑问，应优先翻这里而不是靠猜：例如 TARGET_NUMBER 在国家层为空的原因、聚合层权重如何计算、COVERAGE 为何存整数，答案都在 Reference (WUENIC) 表的文字里。

2.2 抗原清单：15 个组合与「14 类」的换算

官方 wuenic_notes.pdf 列出的估算对象是 15 个疫苗-剂量组合。逐条列出并说明命名逻辑：

序号	数据表代码	中文	英文全称	估算起始年	2025 全球值	2025 国家行数
1	BCG	卡介苗	Bacillus Calmette-Guérin	1980	88%	155
2	DTPCV1	百白破第一剂	DTP-containing vaccine, 1st dose	1980	90%	195
3	DTPCV3	百白破第三剂	DTP-containing vaccine, 3rd dose	1980	85%	195
4	HEPB3	乙肝第三剂	Hepatitis B, 3rd dose	1989	84%	195
5	HEPB_BD	乙肝出生剂（24 小时内）	Hepatitis B, birth dose	2000	43%	195
6	HIB3	b 型流感嗜血杆菌第三剂	Haemophilus influenzae type b, 3rd dose	1991	78%	195
7	IPV1	灭活脊灰第一剂	Inactivated polio vaccine, 1st dose	2015	86%	195
8	IPVC	灭活脊灰基础免疫完成剂	Inactivated polio vaccine, complete primary series	2021	74%	195
9	MCV1	含麻疹疫苗第一剂	Measles-containing vaccine, 1st dose	1980	84%	195
10	MCV2	含麻疹疫苗第二剂	Measles-containing vaccine, 2nd dose	2000	77%	195
11	MEN_A_CONJ	A 群流脑结合疫苗	Meningococcal A conjugate	2016	30%	26
12	PCVC	肺炎链球菌结合疫苗完成剂	Pneumococcal conjugate, completed dose	2008	71%	195
13	RCV1	含风疹疫苗第一剂	Rubella-containing vaccine, 1st dose	1980	73%	195
14	ROTAC	轮状病毒疫苗完成剂	Rotavirus, completed dose	2006	61%	195
15	YFV	黄热病疫苗	Yellow fever vaccine	1997	53%	39

关于「14 类还是 15 类」的冲突，必须写清楚：题面与部分二手资料写作「14 类抗原」，但官方方法学说明与数据表实测均为 15 个抗原-剂量组合。差异的唯一来源是 IPV 被拆成 IPV1 与 IPVc 两行；WHO 在 2015 年为 IPV1 启动估算、2021 年为 IPVc 启动估算，两者分母相同但分子定义不同（首剂 vs 完成基础程序）。若按「抗原类别」计，IPV 算一类，则总数是 14；若按「可分析的时间序列条目」计，则是 15。本条目一律用 15 个组合，并在表格中保留「组合」二字。
另一个细节是 MCV2 与 PCVc、RotaC 的剂量定义：官方措辞是「second or third dose depending on number of doses recommended in national schedule」「second or third dose」，也就是2 剂或 3 剂取决于各国免疫程序。这意味着「完成剂」是一个相对概念，不是绝对的第 N 剂。举例：某国 PCV 程序为 3+0，完成剂就是第 3 剂；某国为 2+1，完成剂同样是第 3 剂；而若某国采用 2 剂程序，完成剂就是第 2 剂。因此两国的 PCVc 都是 90% 时，实际的免疫保护程度可能并不相同。做疫苗效果关联分析时必须把各国程序类型作为协变量，不能只用覆盖率。这意味着同一行 MCV2 在不同国家的分母含义不同——有的国家是第二剂完成，有的国家是第三剂完成。做跨国比较时这是一个隐性异质性来源。

2.3 五类 COVERAGE_CATEGORY 的实测占比

COVERAGE_CATEGORY 是整张表最关键的分流字段。2026-10-17 实测各类计数：

分类	行数	含义	谁产出
ADMIN	159,491	行政覆盖率（基层上报、本国分母）	各国行政系统，未经 WHO 调整
OFFICIAL	116,804	官方报告值（国家对外发布口径）	各国卫生部门
WUENIC	89,767	WHO/UNICEF 估算	WHO + UNICEF 联合建模
HPV	24,704	HPV 疫苗估算（独立方法）	WHO HPV 估算组
PAB	5,445	新生儿破伤风出生保护率（2024 revision）	WHO

可见 WUENIC 本体只占全表约 22.7%（89,767 / 396,212）。如果把整张表当作「WUENIC 数据」直接聚合，会把行政与官方口径混进来，得出完全错误的全球数字。正确做法永远是先 COVERAGE_CATEGORY == 'WUENIC' 过滤。
WUENIC 这 89,767 行内部还可按 GROUP 再分层：

GROUP	行数	说明
COUNTRIES	78,013	国家层原始估算，分析主体
UNICEF_REGIONS	3,450	联合国儿童基金会区域聚合
WB_LONG	2,614	世界银行收入组（长口径，如「Lower-middle-income countries」）
WHO_REGIONS	2,585	WHO 六大区域聚合
WB_SHORT	1,759	世界银行收入组（短口径代码）
GAVI_PHASE5	894	Gavi 5.0 阶段资格组
GLOBAL	452	全球加权汇总

聚合层的行数远少于「195 国 × 15 抗原 × 45 年」的理论上限（约 13 万），原因是各抗原起始年不同、部分抗原仅覆盖特定国家群（BCG 155 国、YFV 39 国、MenA 26 国）。仅 13 个抗原在 2025 年有完整 195 国数据。

2.4 国家代码与实体断点

CODE 字段使用 ISO 3166-1 alpha-3 与国家/地区的通用三字码（如 CHN、IND、NGA、COD、PNG），COUNTRIES 层共 217 个代码，但只有 195 个进入 WUENIC 估算。其余 22 个是属地或非成员国（如 ABW 阿鲁巴、AIA 安圭拉），其行政数据存在但无 WUENIC 估算值。
官方说明中有一条容易被忽略的实体规则：

If two states combined into one, data are presented only for the new entity: i.e. Federal German Republic & German Democratic Republic data are now under Germany. Data from new entities emerging from older entities are reported from their birth date, whereas the original entity data are retained until their cessation.

翻译成操作语言：合并实体只保留新实体全序列，拆分实体自诞生日起各自报告、原实体保留至终止年。做 1980-2025 长面板时，德国、也门、苏丹/南苏丹、塞尔维亚/黑山、厄立特里亚/埃塞俄比亚等案例都会造成代码断点。若直接对 CODE 做 groupby 求 45 年均值，这些国家的均值会被错误地「拼接」出来。

2.5 时间维度的三个边界

起点 1980：BCG、DTP1、DTP3、MCV1、RCV1 五条序列自 1980 起。EPI（Expanded Programme on Immunization）1974 年启动、1980 年代进入全球推广，这正是 WUENIC 选择 1980 作为起点的历史原因。
各国起始年不同：HEPB3 自 1989、HIB3 自 1991、YFV 自 1997、HEPB_BD 与 MCV2 自 2000、ROTAC 自 2006、PCVC 自 2008、IPV1 自 2015、MEN_A_CONJ 自 2016、IPVC 自 2021。这是疫苗引入节奏造成的，不是数据缺失。
终点 2025：由数据截止日 2026-06-21 决定。2026 年全年数据要等 2027 年 7 月的 2026 revision。

2.6 一份典型国家记录长什么样

以尼日利亚（NGA）2025 年 DTP1 为例，一条 WUENIC 记录拆开是：

GROUP                    COUNTRIES
CODE                     NGA
NAME                     Nigeria
YEAR                     2025
ANTIGEN                  DTPCV1
ANTIGEN_DESCRIPTION      DTP-containing vaccine, 1st dose
COVERAGE_CATEGORY        WUENIC
COVERAGE_CATEGORY_DESCRIPTION  WHO/UNICEF Estimates of National Immunization Coverage
TARGET_NUMBER            （国家层多为空，见坑 2）
DOSES                    （国家层多为空，见坑 2）
COVERAGE                 70

注意 TARGET_NUMBER 与 DOSES 在国家层大量为空——这与直觉相反。全表 WUENIC 行中只有 11,754 行带 TARGET_NUMBER，且几乎全部集中在 GLOBAL 与区域聚合层。原因是国家层的「剂量数」是 WHO 内部的建模中间量，未对外逐国发布，而聚合层才给出加权后的分子分母。这直接导致：想算「某国少接种了多少剂」不能直接由覆盖率 × 人口推，必须借助 GHO 或 UNICEF 的补充表。

2.7 全球聚合层的完整数字（2025）

下表是 GROUP=GLOBAL、YEAR=2025 的 15 行完整记录，是引用全球数字的第一手依据：

抗原	TARGET_NUMBER	DOSES	COVERAGE
BCG	123,603,051	108,630,839	88
DTPCV1	129,199,946	115,726,645	90
DTPCV3	129,199,946	109,553,462	85
HEPB3	129,199,946	109,172,240	84
HEPB_BD	132,122,397	57,126,970	43
HIB3	129,199,946	101,065,614	78
IPV1	129,199,946	111,719,739	86
IPVC	129,199,946	95,794,935	74
MCV1	129,199,946	108,424,250	84
MCV2	128,579,686	99,538,395	77
MEN_A_CONJ	32,742,740	9,675,035	30
PCVC	129,199,946	91,808,637	71
RCV1	129,266,332	94,925,894	73
ROTAC	129,199,946	78,873,792	61
YFV	36,884,839	19,701,283	53

两个观察值得注意：其一，BCG、HepB-BD、MCV2、RCV1 的 TARGET_NUMBER 并不等于 129,199,946，原因是这些疫苗的分母定义不同（出生剂可能只算 24 小时内、MCV2 的分母是到达第二剂推荐年龄的儿童、RCV1 与 MCV1 覆盖国家集合略有差异）。其二，MenA 的分母只有 3274 万，因为该疫苗只在撒哈拉以南非洲脑膜炎带推荐，2025 年 26 国进入估算。
DTP1 的 DOSES 除以 TARGET_NUMBER 得 89.57%，与 COVERAGE 字段的 90 一致（四舍五入）。这一点可以用来验证：COVERAGE 是 DOSES / TARGET_NUMBER 的整数化结果，不是独立估计。反过来，若某行 DOSES/TARGET 与 COVERAGE 相差超过 1 个百分点，说明该行数据有异常，应回查。

§3 WUENIC 与 GHO 的关系与区别

3.1 一句话区分

**WHO GHO 是全球卫生指标的总门户，WUENIC 是 GHO 众多主题中「免疫覆盖率」这一支的年度估算体系。**GHO 收录的是「结果」，WUENIC 是产出这个结果的「过程 + 数据产品」。两者不是并列，而是包含关系。

3.2 三个层面的对照

维度	WHO GHO	WUENIC
定位	WHO 全机构卫生统计总门户（2009 年上线）	免疫领域的专题估算体系（方法学论文 2009，数据可溯至 1980）
覆盖面	上千项指标：死亡率、预期寿命、UHC、卫生人力、传染病、NCD、环境、营养、免疫等	15 个抗原-剂量组合
数据形态	指标-空间-时间-分层的通用观测表（OData 实体）	国家-年-抗原的专用长表 + 国家档案 PDF
更新	各指标按自身节奏，整体滚动	每年 7 月中旬一次性全量重算
访问入口	`who.int/data/gho`、`ghoapi.azureedge.net/api`	`immunizationdata.who.int`（专题门户，底层 WIISE 平台）
建模	按指标定制，不统一建模	规则式（rule-based），有 GoC 分级

3.3 GHO 里的 WUENIC 指标：11 个而非 15 个

这是本条最需要说清的关系细节。通过 GHO OData 接口按指标名检索「含 WUENIC 字样」的指标，实测共 11 个：

GHO 指标代码	指标名（节选）	对应 WUENIC 抗原
WHS4_100	Diphtheria tetanus toxoid and pertussis third-dose (DTP3) immunization coverage among 1-year-olds (%) (WUENIC)	DTPCV3
VACCINECOVERAGE_DTP1	Diphtheria tetanus toxoid and pertussis first-dose (DTP1) … (WUENIC)	DTPCV1
WHS4_543	BCG immunization coverage among 1-year-olds (%) (WUENIC)	BCG
WHS4_117	Hepatitis B (HepB3) immunization coverage among 1-year-olds (%) (WUENIC)	HEPB3
WHS4_544	Polio vaccine: inactivated second or third-dose polio vaccine (IPVc) … (WUENIC)	IPVC
WHS4_129	Hib (Hib3) immunization coverage among 1-year-olds (%) (WUENIC)	HIB3
WHS8_110	Measles-containing-vaccine first-dose (MCV1) immunization coverage among 1-year-olds (%) (WUENIC)	MCV1
MCV2	Measles-containing-vaccine second-dose (MCV2) … (%) (WUENIC)	MCV2
PCV3	Pneumococcal conjugate second or third-dose vaccines (PCVc) … (%) (WUENIC)	PCVC
ROTAC	Rotavirus vaccines completed dose (RotaC) immunization coverage among 1-year-olds (%)	ROTAC
VACCINECOVERAGE_MENA_C	Meningococcal A conjugate (MENGA) vaccine immunization coverage (%) (WUENIC)	MEN_A_CONJ
VACCINECOVERAGE_IPV1	Inactivated first-dose polio vaccine (IPV1) immunization coverage among 1-year-olds (%) (WUENIC)	IPV1

按 IndicatorName 含 immunization 在 GHO 检索，实测返回 19 个指标；其中明确带「(WUENIC)」标签的 11 个才是估算体系，其余 8 个是旧代码（如 dptv、bcgv、mslv、fullv、poliov）或另一套 HPV 估算（SDGHPVRECEIVED）。缺失与不对称的部分很关键：HepB 出生剂（HEPB_BD）与风疹 RCV1 在 GHO 中没有以「(WUENIC)」标注的指标；黄热病有 VACCINECOVERAGE_YFV 但指标名未标 WUENIC；轮状病毒只有三字代码 ROTAC 也未标 WUENIC。RCV1 因与 MCV1 合并使用（MR/MMR）常并入麻疹口径，YFV 只在风险国使用。这解释了为什么做全球对比研究时，GHO 只能给你 11 条曲线，而专题门户能给你 15 条。

3.4 指标代码命名的历史包袱

GHO 的 WUENIC 指标代码分三套命名体系并存：

WHS4_xxx / WHS8_xxx：源自世界卫生统计（World Health Statistics）报告体系的旧编码，WHS4 代表「服务覆盖」大类，WHS8 代表「卫生系统」大类。这些代码最早可追溯到 2010 年代。
三字代码（MCV2、PCV3、ROTAC）：按抗原缩写直接命名，近年新增，语义最直观。
VACCINECOVERAGE_xxx：最新一批重建指标（DTP1、IPV1、MenA），前缀统一、后缀用抗原代码大写下划线格式。
同一个抗原可能同时存在多个代码。例如 DTP3 既是 WHS4_100，在早期导出中也可能以 dptv 出现（dptv 的指标名是「DTP3 immunization coverage among one-year-olds (%)」，不带 WUENIC 后缀但数据源相同）。检索时按 IndicatorName 含「(WUENIC)」判定，不要按代码前缀猜——这是坑 5。

3.5 为什么库内要分成两个条目

千方病案医数集把 who-gho（rid=175）与 wuenic-immunization 分成两个条目，理由是两者在 AI-Ready 视角下的可用性结构完全不同：

GHO 条目的核心是通用 OData 访问层：分页、维度过滤、指标代码发现，是一个「数据库访问问题」。
WUENIC 条目的核心是估算方法学与证据分级：GoC 是什么、官方值与调查值怎么并存、每年重算意味着什么，是一个「数据语义问题」。

同一个 DTP3 全球值 85%，从 GHO 取是「一个指标的一个观测」，从 WUENIC 取则是「一个经过 R+/D+/S+ 证据裁定后的估计，附带三星置信标签与国别注释」。语义密度差异巨大，值得单独立条。两个条目互为上下游：GHO 提供机器访问通道，WUENIC 提供语义解释与专题入口。

互链的实操建议：GHO 条目里凡涉及免疫覆盖率的部分，应直接指向本条目而不是重复解释 GoC；本条目里凡涉及 API 调用、分页、维度过滤的部分，应指向 GHO 条目而不是重写 OData 教程。这样两个条目各自专注，读者按「我要取数」还是「我要理解数」两条路径分流，不会在读 API 文档时被方法学段落打断。

3.6 交叉验证：一处实测

2026-10-17 从 GHO OData 调用 WHS4_100（DTP3）过滤 SpatialDim eq 'GLOBAL' 与 TimeDim ge 2023，返回 2023 年 84、2024 年 84、2025 年 85。同一时点从 coverage-data.xlsx 取 GROUP=GLOBAL, ANTIGEN=DTPCV3, COVERAGE_CATEGORY=WUENIC，2025 年为 85（DOSES 109,553,462 / TARGET 129,199,946 = 84.79%）。两处一致，说明 GHO 的 WUENIC 指标已同步到 2025 revision。这是判断「某个 GHO 指标是否已更新到最新 revision」最快的自检方法。反过来也成立：若 GHO 返回的最新年份停在 2024，而当前已过 7 月，说明该指标尚未同步，此时应以 xlsx 为准。GHO 的同步是逐指标进行的，不同指标的滞后天数并不一致，实测曾有部分指标在发布后一周才更新，因此「以 GHO 为准」这条经验只在确认年份已到 2025 之后才成立。

§4 双来源：官方报告值与调查值如何并存

4.1 「官方报告值」不是 WUENIC

数据表里 COVERAGE_CATEGORY=OFFICIAL 的 116,804 行，是国家自己对外发布的覆盖率。WHO 在 Reference (OFFICIAL) 中给出定义要点：

由国家机关（卫生部、国家统计局等）经正式渠道报给 WHO、PAHO、UNICEF 或合作方，或发布在政府官网并经技术审阅的数据；
覆盖 42 个抗原（含 WUENIC 之外的四价/五价/六价百白破、HPV 男女、疟疾 4 剂、伤寒结合、维生素 A 等）；
行数是 WUENIC 的约 1.3 倍（116,804 对 89,767），因为抗原更多，但每年份的国家覆盖并不完整，部分抗原只在少数国家有报告；
与 WUENIC 不是同一件事，官方页明确写着「Data not always the same as the country official estimates and WHO/UNICEF Estimates of National Immunization Coverage (WUENIC)」；
更新频率是「自正式报告起 24 小时内」，即随 eJRF 上报滚动更新，而不是每年 7 月一次性更新。

4.2 「行政覆盖率」是第三套口径

ADMIN 类 159,491 行是行政系统自算的覆盖率，分子是接种点上报的剂次数，分母是本国估计的目标人口。WHO 在 Reference (ADMIN) 中同样明确「数据始终按国家当局上报原样展示」。行政口径最容易出现两类极端：分母过小导致覆盖率超过 100%，或分母过大导致覆盖率被系统性低估。这也是 WUENIC 存在的核心理由——把行政数据当作证据之一，而非结论。

覆盖率超过 100% 并非罕见异常，而是行政口径的正常产物：当接种点之间存在跨区接种、私立机构数据未计入分母、或流动人口在本区接种但未在本区登记时，分子会大于分母。WHO 的做法不是截断到 100%，而是原样保留并在估算时判为不可信。做数据清洗时若看到 100 以上的值，应保留原值并标记，而不是直接截断——截断会掩盖「该国分母明显偏小」这一有价值的信息。

4.3 调查值的进入路径

调查覆盖率不在 COVERAGE_CATEGORY 里单列（数据表没有 SURVEY 分类），而是以两种方式存在：

门户 Additional datasets 的 Coverage Survey Data Excel：独立的调查结果汇总表，含调查名称、年份、抗原、点值、样本量等。WUENIC 的 S+ 判定就依赖这张表。使用它时要注意三件事：调查年份是「调查实施年」而非「队列年」，一次 2023 年实施的调查可能同时提供 2021 与 2022 年出生队列的数据；同一国家同一年可能有多次调查（如 DHS 与 MICS 并存），官方按抽样质量与样本量择优，而不是简单平均；被剔除的调查通常不会从汇总表中消失，因此「表里有」不等于「被采信」。
国家档案 PDF 中的 Survey, card or history 列：每国每抗原的时间序列都并列展示 WHO-UNICEF estimate、Official government estimate、Administrative coverage、Survey card or history、Accepted survey, resolved value 五列，GoC 星号逐格标注。
这一点很容易被误解：很多人以为数据表里能直接找到「调查值」列。实际上在 coverage-data.xlsx 的 Data 表里没有调查分类，要拿调查原始点值必须走 Additional datasets 页。

4.4 三种口径在同一国家同一年的实例

以 2024 年某国（此处按官方国家档案的通用结构说明，具体国家数值随版本浮动）为例，五列可能呈现：

列	典型数值	含义
WHO-UNICEF estimate	65	最终采用值（WUENIC 行）
Official government estimate	68	国家对外口径
Administrative coverage	75	行政系统上报，分母偏小
Survey card or history	（空）	该年无合格调查
Accepted survey, resolved value	（空）	无调查可裁定

这个结构解释了为什么不能简单取三者平均：行政值 75 明显偏离，而官方值 68 与估算值 65 只差 3 个百分点。WHO 的规则会判断行政值超出容忍范围而丢弃，最终值向官方值靠拢。若强行平均得 69.3，反而离「真值」更远。这里的关键洞察是：偏差不是随机的，平均不能抵消系统偏差。行政值偏高通常源于分母偏小这一系统性原因，三个数取平均等于把这个系统性偏差按 1/3 权重引入了最终值。正确的做法是判断哪个数背后的证据链更强，而不是用平均来「和稀泥」。

4.5 冲突时的裁定原则

wuenic_notes.pdf 的方法学段落写得很克制：

WHO and UNICEF attempt to distinguish between situations where the available empirical data accurately reflect immunization system performance and those where the data are likely to be compromised and present a misleading view of immunization coverage while jointly estimating the most likely coverage levels for each country for each year since 1980.

关键句有三个：

国别独立审阅：「each country’s data are reviewed individually, and data are not borrowed from other countries in the absence of data」——不存在「区域平均填缺」的偷懒做法。
不做临时调整：「Estimates are not based on ad hoc adjustments to reported data」——所有调整都必须落在公开规则里。
缺年插值：无数据的国家-疫苗-年份组合，用前后年份内插或外推。这条直接导致了「未报告国按上一年外推」的规则。

4.6 2025 revision 的报告回收率

官方说明给出的 2025 revision 报告情况：

195 个成员国中 188 个 提交了 eJRF；
其中 185 个 带有覆盖率数据，覆盖全球出生队列 95%；
未在 2026-06-21 前报告的国家，2025 年估算值由上年外推；
未报告国约占 2025 年全球出生队列 5%，全球与区域聚合值对这些国家同样采用 2024 年外推值。
报告回收率本身也是逐年波动的指标：188/195 是 2025 revision 的数字，往年曾在 180-190 间浮动，遇到回收率特别低的年份，全球值的「外推占比」会相应上升，星级会整体下移。

这组数字有两个使用含义：一是「95% 覆盖」听起来很高，但剩下 5% 恰恰集中在脆弱与冲突国家，而这部分国家的覆盖率本身最低、最不确定；二是全球聚合值里已经包含外推，做误差分析时不能假设所有国家都有当年新证据。

4.7 一个被低估的事实：WUENIC 不给个体数据

WUENIC 的所有产出都是聚合值。即便国家档案里每个数字都带证据注释，你也无法从 WUENIC 得到「某国某年有多少儿童接种了几剂」的分布。要做公平性分析（按财富五分位、城乡、母亲教育分层），必须回到 DHS（库内 rid=103）或 MICS 的微观数据。WUENIC 的公平性视角只体现在聚合分组上（世界银行收入组、Gavi 阶段组），不体现在个体分层上。

§5 Grade of Confidence：用星级替代置信区间

5.1 为什么没有置信区间

GATHER 第 16 条要求「报告不确定度的定量测度」。WUENIC 的做法是不满足这一条，理由写在 2019 年 IVIR-AC 会议报告与 GATHER 合规论文里：WUENIC 不是数学模型，没有底层概率分布，因此经典的置信区间无从谈起。替代方案就是 GoC。
WHO 的立场很明确：与其给出一个看似精确的 ±3 个百分点区间（那会误导使用者以为误差是对称的、可加的），不如告诉使用者「这个值背后有几条独立证据支持」。这个立场在统计上是有代价的：使用者无法做基于抽样的假设检验，也无法在荟萃分析中给出标准误。替代做法是用星级构造离散权重（如三星权重 1.0、二星 0.6、一星 0.3），并在敏感性分析中检验结论是否随权重方案改变——这是目前文献中最常见的折中。

5.2 三类证据标记：R、D、S

GoC 的构造基于三类「支持」（endorsement），每类都有一个正向标记与一个负向标记：

标记	含义	判定阈值
R+	估算值得到国家当局报告数据的支持	差值 < 10 个百分点
R−	国家报告数据与估算值冲突	差值 ≥ 10 个百分点
D+	估算值得到「用独立分母重算的覆盖率」支持	差值 < 10 个百分点
D−	重算覆盖率与估算值冲突	差值 ≥ 10 个百分点
S+	估算值得到估算年前后两年内至少一次调查的支持	差值 < 10 个百分点
S−	有调查与估算值冲突	差值 ≥ 10 个百分点

「独立分母」指用 UN Population Division 的出生数或存活婴儿数替换本国分母后重算的覆盖率。这一步是 WUENIC 方法论的精髓：它把「分子可信但分母可疑」与「分母可信但分子可疑」两种情况分开处理。

5.3 三星制的具体判据

星级	判据	通俗解释
★★★	R+ 且 D+ 且至少一个 S+，且没有任何 S−	三条证据线一致支持，证据最扎实
★★	至少一个正向支持（R+ / S+ / D+），且没有任何负向冲突（R− / D− / S−）	有一条证据支持，且没有反证
★	无任何直接支持数据，或有至少一条负向冲突	证据薄弱或存在矛盾

注意 ★★ 的逻辑是「有支持且无反证」，不是「支持数少于三星所以降级」。一个只有 R+ 但无调查的国家也能拿 ★★；一个 R+ 与 D+ 都在但被一次调查证伪的国家只能拿 ★。

5.4 GoC 不评价什么

官方说明反复强调一句话：「The GoC is not a judgment of the quality of data reported by national authorities」。这句话有三层含义：

三星不代表国家上报数据质量好，只代表「多条证据彼此印证」；
一星不代表国家在造假，可能只是这一年恰好没有调查、且行政分母偏差大；
GoC 与估算值本身的误差无对应关系——三星的估算值仍可能错。
另一个常被误读的点：GoC「反映的是支持的累积」，所以证据越多、越一致，星级越高；一旦引入冲突证据，即便支持证据也很多，星级仍会掉到一星。这是一种「一票否决」式设计，对使用者是保护，但也导致冲突年份的星级骤降。设想某国连续三年有 DHS 调查支持（S+）、官方报告也吻合（R+）、独立分母重算也吻合（D+），第四年一次小规模调查给出低 12 个百分点的结果（S−），该年星级立刻从三星跌到一星——即便那次调查的样本量只有 500、置信区间本身就有 ±4 个百分点。这种「一次冲突全盘否定」的设计在稳健性上是保守的，但对单年判读可能过于严厉，使用时应结合该国历年星级的整体走势判断，而不是孤立看某一年的星级。

5.5 在哪里看 GoC

国家档案 PDF：每个年份格子上方直接印圆点/星号；
门户的交互图表：鼠标悬停可看 GoC；
数据表：coverage-data.xlsx 的 Data 表不含 GoC 列——这是最容易被忽略的缺失（坑 4）。要批量拿 GoC，必须走国家档案 PDF 或 GHO 的补充字段。

这一点造成了一个现实困难：做全量 195 国 × 45 年的 GoC 面板，没有官方 CSV 直供，只能解析 195 份 PDF 或从门户图表接口抓。研究者常用的变通做法是以「有调查年份」作为 GoC 的代理变量，但这会系统性地高估证据强度：有调查只是 S+ 的必要条件之一，还需差值小于 10 个百分点、且无 S− 冲突、且 R+/D+ 不缺失，三关全过才是三星。更稳妥的代理方案是「有调查且官方值与估算值差值 < 10」，大约能覆盖三星判据的七成情形，剩余三成仍需人工核对国家档案。

5.6 一个实感例子

以 GATHER 合规论文中给出的示例说明星级变动：某国 2005-2009 年同时获得 R+、D+ 与 2007 年队列的调查 S+，且无 S−，五年均为三星；2004 与 2010-2012 只有 D+ 支持，降为二星；2003 年只有 R+ 支持，仍为二星；而 2001-2002 年重算覆盖率与估算值相差 ≥10 个百分点（D−），直接掉到一星。同一国家、同一抗原，五年间星级可以跨三档——这说明 GoC 是逐年逐抗原的属性，不是国家的属性。
（该示例还说明了一个细节：一次 2001 年队列的小样本调查因样本量不足 300 被剔除，即使不剔除，重算覆盖率仍会挑战估算值。这条规则的存在意味着 样本量门槛是调查进入 WUENIC 的第一道闸。）

5.7 GoC 在 AI 场景下的用法

WUENIC 常被用作机器学习模型的标签或评价基准（如覆盖率预测、疫苗需求预测）。在这种用法下，GoC 的正确处理方式是：

作为样本权重：三星权重高、一星权重低，避免模型被低证据年份带偏；
作为评估分层的依据：分别报告三星子集与一星子集的误差，而不是混在一起算一个 MAE；
作为外推边界：一星样本不应进入训练集的高置信部分，否则模型学到的可能是证据缺失模式而非真实覆盖率模式。

§6 获取与许可：三条路径与四种格式

6.1 路径一：门户全量 Excel（推荐用于分析）

入口：

https://immunizationdata.who.int/  →  All Data  →  Export  →  All vaccination coverage data

直链（Azure Front Door CDN，实测 2026-10-17 可下载）：

https://srhdpeuwpubsa-geecgzbpd5h0fueu.z01.azurefd.net/whdh/WIISE/export/coverage-data.xlsx

文件属性：约 17.4 MB（17,431,751 字节）、7 个工作表、Data 表 396,212 行 × 11 列。下载耗时在普通网络下约 30-60 秒，建议加 --max-time 60 与断点重试。文件名带 CDN 随机前缀，不要硬编码这个前缀作为长期依赖，应每次从 All Data 页重新解析导出链接。

6.2 路径二：Additional datasets（推荐用于调查与国别摘要）

同一 All Data 页下方还有三个补充包：

WUENIC country summary content download：每国一段方法学注释文本，解释该国某年的估算依据（即国家档案 PDF 的文字底稿）；
Coverage Survey Data Excel：调查覆盖率汇总，GoC 的 S+ 判定源；
WHO/UNICEF Estimates of National Immunization Coverage 国家档案 PDF：195 份，含图形与 GoC 圆点。

这三份是回答「为什么这个值是 65 而不是 70」的唯一官方依据，但它们都不是结构化数据，需要人工或正则解析。

6.3 路径三：GHO OData API（推荐用于流水线）

GHO 的 OData v4 接口无需 key，基址：

https://ghoapi.azureedge.net/api/{IndicatorCode}

取 DTP3 全球序列的最小可用请求：

https://ghoapi.azureedge.net/api/WHS4_100?$filter=SpatialDim eq 'GLOBAL' and TimeDim ge 2023&$select=SpatialDim,TimeDim,NumericValue

返回 JSON，结构为 {"@odata.context": ..., "value": [{"SpatialDim":"GLOBAL","TimeDim":2025,"NumericValue":85.0}, ...]}。三个注意事项：

默认分页 1,000 行，必须跟进 @odata.nextLink，否则只能拿到首屏；
SpatialDimType 会混入 COUNTRY、REGION、GLOBAL、WORLDBANKINCOMEGROUP 等，国家层过滤要显式加 SpatialDimType eq 'COUNTRY'；
代码大小写敏感，WHS4_100 与 whs4_100 不同。

6.4 三种格式的字段对照

内容	Excel（coverage-data.xlsx）	国家档案 PDF	GHO OData
覆盖率	COVERAGE 列	图形 + 表格	NumericValue
GoC	无	圆点/星号	无（部分指标有 Low/High 但 WUENIC 指标为空）
分子分母	仅聚合层有 DOSES/TARGET	部分展示	无
调查点值	不在 Data 表	Survey 列	无
版本标记	Reference 表 + Created 行	页脚年份	无显式版本字段

这张表说明：没有任何单一格式是完整的。要同时拿到覆盖率、GoC、调查点值与分子分母，必须至少组合 Excel + 国家档案 PDF 两种来源。

6.5 许可与引用

WHO 数据的默认许可与使用条款是双层结构：

许可协议：CC BY-NC-SA 3.0 IGO（署名—非商业性使用—相同方式共享 3.0 政府间组织）；
数据使用条款（who.int/about/policies/publishing/data-policy/terms-and-conditions）：公共卫生目的免版税、全球、非独占的使用权；可最小限度调整图表样式；其他修改（含缩写、增删）须 WHO 事先书面授权；禁止向第三方转售或转让；禁止用于商业推广；禁止暗示 WHO 认可；未经批准不得使用 WHO 名称与会徽；不提供任何担保。

推荐引用格式（官方格式）：

WHO/UNICEF Estimates of National Immunization Coverage (WUENIC), 2025 revision,
data from 1980-2025. Geneva: World Health Organization; 2026.
Accessed 2026-10-17.

注意引用中必须写 revision 年份与访问日期，因为同一国家同一年的数值会随修订变化。只写「WHO/UNICEF 2026」而不写 revision，等于放弃了可复现性。

6.6 AI-Ready 的获取性小结

从机器可用性看，WUENIC 在「开放」维度得分很高（无需注册、无 key、单文件全量、字段扁平），但在「结构化完整度」维度有明确缺口：GoC 不在结构化文件中、调查值需另取、国家层缺分子分母。这也是它虽为官方旗舰数据却仍需大量清洗工作的原因。

§7 2025 revision 的全球图景与趋势

7.1 一条 45 年的曲线

把 WUENIC 自 1980 年到 2025 年的全球聚合值连起来，能看到全球免疫规划史的三个阶段。下表为实测的 GLOBAL 层数值（单位 %）：

年份	DTP1	DTP3	MCV1	MCV2	BCG	PCVc	RotaC	HepB3	IPV1	YFV
1980	30	20	16	—	15	—	—	—	—	—
1990	88	76	73	—	81	—	—	1	—	—
2000	82	72	71	17	79	—	—	29	—	12
2010	89	83	84	41	89	10	8	72	—	38
2015	89	85	84	63	87	38	22	83	26	41
2019	91	86	86	71	89	51	40	86	84	48
2020	88	83	83	70	86	52	48	83	82	46
2021	86	81	81	70	84	51	49	81	81	45
2022	89	85	83	73	88	60	52	84	85	47
2023	89	84	83	74	88	66	56	84	85	50
2024	89	84	84	77	88	69	60	84	86	52
2025	90	85	84	77	88	71	61	84	86	53

读这条表要注意三件事：

1980→1990 的跃升是世界免疫史的第一次跃升：DTP3 从 20% 到 76%，对应 EPI 全球推广与 UNICEF 1980 年代「儿童生存革命」运动；但 1990 年代出现回落（DTP3 76→72），对应冷战结束后部分国家卫生系统失序与资金断档。
2019 年是分水岭：DTP1 91、DTP3 86、MCV1 86 是全表的历史高点；2020-2021 年 COVID-19 疫情期间三年连降（DTP3 86→83→81），2022 年起回升但直到 2025 年仍未回到 2019 年水平。
新疫苗的「从 0 到 7 成」用了 15 年：PCVc 2010 年 10% → 2025 年 71%，RotaC 2010 年 8% → 2025 年 61%。这与「已成熟疫苗」在 1990 年代完成的爬坡速度相比慢得多，反映了新疫苗引入需要 Gavi 采购、价格谈判、冷链扩容与程序调整的多重门槛。

7.2 2025 年：一年之内的变化

与 2024 revision 的 2024 年值相比（注意：同一年份在不同 revision 中的数值也会变，此处对比的是 2025 revision 内部的 2024 与 2025 年）：

DTP1：89 → 90（+1）
DTP3：84 → 85（+1）
MCV1：84 → 84（持平）
MCV2：77 → 77（持平）
BCG：88 → 88（持平）
PCVc：69 → 71（+2）
RotaC：60 → 61（+1）
HepB3：84 → 84（持平）
IPV1：86 → 86（持平）
IPVc：70 → 74（+4，涨幅最大）

IPVc 的 +4 是一个结构性变化而非偶然波动：2021 年 IPVc 才启动估算，各国正在从「只打 IPV1」向「完成 IPV 基础程序」过渡，因此这条曲线在 2020 年代中后期仍会快速上升。把 IPVc 与 IPV1 并列看，2025 年两者差距 12 个百分点（86 vs 74），说明「开始打」与「打完」之间仍有明显脱落。

7.3 Zero-dose 与脱落：两个被混淆的指标

WHO 新闻稿给出的两个数字需要精确理解：

Zero-dose（零剂次）：第一年未接种任何疫苗的儿童，2025 年约 1350 万，较上年减少约 74.5 万。WUENIC 官方定义通常用 DTP1 未接种作为代理指标（DTP1 是常规程序中最先接种的疫苗之一）。
Dropout（脱落）：接种了 DTP1 但未接种 MCV1 的儿童，2025 年约 730 万。

用分母算一下：DTP1 未接种 = 129,199,946 − 115,726,645 = 13,473,301，约 1347 万，与新闻稿 1350 万一致；DTP1 与 MCV1 之差 = 115,726,645 − 108,424,250 = 7,302,395，约 730 万，与新闻稿一致。这说明新闻稿的两个关键数字都可以从 xlsx 的 DOSES 列直接复算，是验证新闻稿口径与数据文件一致性的最好方法。
两个数字的政策含义完全不同：zero-dose 反映「服务可达性」（家庭是否接触到接种服务），dropout 反映「服务连续性」（接触后是否回来完成后续剂次）。新闻稿特别指出，2025 年的进步被「开始接种但不完成」的上升所抵消，这正是 dropout 指标的政策价值。

7.4 区域分化：SEAR 领先，AFR 与 WPR 是短板

WHO 六大区域 2025 年 DTP1 与 DTP3：

区域	DTP1	DTP3	目标人口（DTP1）
AFR 非洲区域	83	76	39,697,300
AMR 美洲区域	92	86	13,094,071
EMR 东地中海区域	88	81	19,387,149
EUR 欧洲区域	94	91	9,443,217
SEAR 东南亚区域	96	94	28,684,372
WPR 西太平洋区域	91	89	18,893,837

SEAR 的 DTP1 96%、DTP3 94%，是全球最高区域，与其人口体量（2868 万）结合看尤其难得——印度、孟加拉、印尼等人口大国都在这个区域。AFR 的 DTP1 83%、DTP3 76%，落差 7 个百分点，是六大区域中 DTP1→DTP3 掉落最大的，说明非洲的主要问题不是「接触不到」而是「打完第一针后流失」。
新闻稿的区域叙事与此一致：美洲与东南亚已完全恢复并超过 2019 年基线，东南亚成为表现最好的区域；非洲、东地中海、欧洲虽有增长但仍低于疫情前；西太平洋出现下降，是距 2019 年基线最远的区域。

7.5 单国故事：三个极端案例

苏丹（SDN）：2025 年 DTP1 覆盖率 83%，较上年提升 35 个百分点（新闻稿口径），MCV1 提升 22 个百分点，是全球单国最大涨幅。背景是冲突中服务可及性局部恢复，说明即便在战争环境，只要通道打开，覆盖率可以在一年内大幅反弹。
叙利亚（SYR）：DTP1 一年内下降 6 个百分点、MCV1 下降 12 个百分点。这是「冲突导致服务崩溃」的典型样本，且与苏丹形成镜像。
南非（ZAF）：DTP1 自 2019 年以来累计下降 20 个百分点，2025 年继续下降至 67%。这是中高收入国家「政治承诺松动 + 结构性困难 + 疫苗犹豫」三类因素叠加的案例，说明覆盖率下滑不只发生在低收入或冲突国家。

另外一个值得注意的对照：波斯尼亚和黑塞哥维那（BIH）在 2024 年录得区域最大 MCV1 涨幅后，2025 年一年内下降 23 个百分点。这种「一年内暴涨又暴跌」的模式通常指向数据口径变动而非真实行为突变，使用时应回查国家档案的注释。

7.6 覆盖率分布：138 国 DTP1 ≥ 90%

用 2025 年 195 国的 DTP1 值做阈值统计：

≥ 90%：138 国
< 90%：57 国

新闻稿的口径是「100 国自 2019 年以来维持 DTP3 ≥ 90%」，两者并不矛盾：前者是 2025 年单年 DTP1 的分布，后者是 DTP3 连续六年达标的持续性判断。实测 2019 年 DTP3 ≥ 90% 的国家为 124 个；新闻稿给出的 100 国是「2019 年以来每一年都 ≥90%」的严格连续条件，与「2019 年单年达标 124 国」是两个不同口径——持续性统计天然少于单年统计，引用时不可互换。
DTP3 低于 50% 的国家只有三个：中非共和国（46）、巴布亚新几内亚（43）、也门（39）。这三个国家同时也是全球 zero-dose 儿童的主要来源国之一。

7.7 与新闻稿的口径对照

新闻稿与数据文件的三处对照：

指标	新闻稿	数据文件实测	是否一致
全球 DTP1	90%，近 1.16 亿	90%，115,726,645	一致（取整）
全球 DTP3	85%，1.10 亿	85%，109,553,462	一致（取整）
zero-dose	1350 万，减 74.5 万	差值为 1347 万	一致（新闻稿取整）
DTP1→MCV1 脱落	730 万	7,302,395	一致
MCV1 / MCV2	84% / 77%	84 / 77	一致
麻疹疫情国家数	57 国	数据文件不含疫情数	来自疫情监测，非 WUENIC
数据国家数	195 国	195 国	一致

「57 国报告大规模或破坏性麻疹疫情」这一条不在 WUENIC 数据中，来自 WHO 麻疹监测系统（Measles Rubella Monthly Surveillance Data），引用时不能标注为 WUENIC 来源。

§8 方法学解剖：一次年度修订如何完成

8.1 年度流程的六个环节

综合 wuenic_notes.pdf、GATHER 合规论文与 2019 年 IVIR-AC 评审报告，一次年度修订大致分六步：

证据收集：通过 eJRF（electronic Joint Reporting Form）收集各国年度覆盖率、疫苗引入、程序变动、疫苗短缺等信息；同时收集调查终报告、已发表与灰色文献。
证据质量筛选：调查需满足最低质量准则（抽样设计、样本量、接种凭证定义等），样本量不足（如 < 300）的调查被剔除。
国别审阅：WHO 与 UNICEF 团队逐国审阅，对报告值、重算值、调查值三方比对，识别可能的偏差来源（分母问题、库存短缺、程序调整、报告口径变动）。
非锚点年份生成：对没有调查数据的年份，按规则生成估算（内插/外推/沿用）。
一致性检查：检查同一国家不同年份之间、不同抗原之间的趋势一致性（如 DTP3 不应高于 DTP1），发现矛盾回炉。
全球与区域加权：以 UN WPP 各国存活婴儿数为权重聚合，产出区域与全球值。

8.2 「锚点年」与「非锚点年」

WUENIC 内部把有调查数据的年份称为锚点年（anchor year），没有调查的年份为非锚点年。锚点年通常直接采用调查裁定值，非锚点年靠规则生成。这就是为什么国家档案 PDF 里某些年份的数值「看起来特别整齐」，而另一些年份会出现小幅波动。
对使用者而言，这条区分意味着：跨年趋势的可靠性不均衡。如果两项研究分别取 2015 与 2020 年做对比，而这两年恰好一个是锚点年、一个不是，那么差异中可能混入了方法学差异而非真实变化。

8.3 三类潜在偏差的处理方式

wuenic_notes.pdf 只用了两句话描述偏差处理，但背后是大量经验规则：

with due consideration to potential biases and the views of local experts
In cases where data sources are mixed and show large variation, an attempt is made to identify the most likely estimate with consideration of the possible biases in available data.

「local experts」指 WHO 区域办事处与国家办公室的免疫官员。他们的意见不是数字，而是解释——例如「该国 2019 年分母改用新人口普查，行政覆盖率人为下降」。这类背景信息无法进入数据表，却直接影响裁定结果。这是 WUENIC 最难复现的部分：即使规则公开，缺少 local expert 的语境，外部研究者无法完全重走裁定路径。

8.4 独立评审的四次关口

WUENIC 的方法学并非一成不变，历史上经过四次独立评审：

年份	评审机构	结论
2009	QUIVER（Quantitative Immunization and Vaccines Related Research Advisory Committee）	支持规则式方法
2011	QUIVER	支持，并推动 GoC 引入
2011	SAGE（Strategic Advisory Group of Experts on Immunization）	支持
2019	IVIR-AC（Immunization and Vaccines Related Implementation Research Advisory Committee）	支持，同时建议引入替代建模方法做对照

2019 年的 IVIR-AC 评审是方法学演进的转折点：它明确指出现行方法「透明、可解释」但「无定量不确定度」，于是发起了替代建模方法的征集（Expression of Interest），收到 WorldPop、Imperial College / LSHTM、Swiss TPH 三家方案。评审对三家的评价各有褒贬：WorldPop 有 R 包与利益相关方基础但处理步骤不透明；Imperial/LSHTM 方法直接但过度依赖调查；Swiss TPH 最接近现行方法但方法细节含糊。
截至 2026-10-17 检索，WUENIC 官方数据仍采用规则式方法，替代模型尚未进入主发布流程。这是一条重要的现状判断：文献中若出现「WUENIC 已改用贝叶斯模型」的说法，属误传。

8.5 年度重算的连锁反应

每年 7 月的新 revision 会重算 1980 年以来的全部序列。链条是：

新增一年数据 → 该年估算变化；
新调查补入 → 前几年的锚点权重变化 → 前几年估算值变化；
UN WPP 人口估计更新 → 分母变化 → 所有年份的聚合值变化；
方法学微调（规则阈值、调查质量准则）→ 全序列变化。
因此「2019 年全球 DTP3 是 86%」这句话必须绑定 revision。2025 revision 里是 86%，2024 revision 里可能不同。跨 revision 拼接时间序列是使用 WUENIC 最严重的错误（坑 1）。

8.6 GATHER 合规的实际缺口

GATHER 18 条中，WUENIC 满足 16 条，两条不满足：

第 11 条（模型评估与选择）：未与其他模型做正式比较。IVIR-AC 2019 的替代方法征集正是为了补这一条，但尚未落地。
第 16 条（不确定度定量测度）：WUENIC 不是数学模型，GoC 是定性指标。

这两条缺口在使用 WUENIC 做健康影响建模时会产生实际后果：模型无法获得输入不确定度的显式分布，只能靠敏感性分析自行构造。这也是 IHME 等机构坚持另做一套 GBD 覆盖率估计的原因之一。

8.7 与其他估算体系的定位差异

体系	方法	覆盖	不确定性表达	年度更新
WUENIC	规则式，专家裁定	15 抗原，195 国	GoC 星级	每年 7 月
IHME / GBD	时空高斯过程回归	多抗原，204 国	95% 可信区间	随 GBD 周期
World Bank（WDI）	直接转载 WUENIC	少数抗原	无	跟随 WUENIC
UNICEF data.unicef.org	转载 WUENIC	同 WUENIC	同 WUENIC	跟随 WUENIC

这张表的核心信息是：全球范围内真正独立的第二套国家免疫覆盖率估计只有 IHME 一家，World Bank 与 UNICEF 都是转载 WUENIC。因此「多源交叉验证」在实践中往往退化为「WUENIC 与 IHME 两家对比」。这一点对论文写作影响很大：如果用 WUENIC 与 World Bank 两个来源「互相验证」，实际上是在验证同一个数，属于循环论证。真正有意义的三方对照是 WUENIC（规则式）、IHME（时空模型）、以及各国自报的 OFFICIAL，第三者的独立性强于前两者之间的任何组合。

§9 坑点清单：十个已踩过的坑（按遇到频率排序）

本节十个坑按「踩到概率 × 损失」从高到低排列，每条给出现象—原因—正确做法三段，最后附检测方法。全部为实证记录，来自 2025 revision 数据结构与 GHO 接口的实际使用。
坑 1：跨 revision 拼接时间序列。
现象：把 2024 revision 的 2010-2024 年数据与 2025 revision 的 2025 年数据拼成一条 15 年曲线，画出来在接缝处出现台阶。

原因：每年 7 月的新 revision 会重算 1980 年以来全序列，历史年份的估算值会变。GATHER 第 17 条对此有明文说明：「coverage levels for the current revision are not comparable to those from previous revisions」。

正确做法：任何时间序列只取自同一个 revision。需要跨版本比较时，明确写成「2024 revision 下的 2019 年值」与「2025 revision 下的 2019 年值」，并列展示差异，而不是拼成一条线。若必须做「截至最新一年」的连续序列，唯一合规的做法是每次新版本发布后整条曲线重算，并在图注中注明「全部数值取自 2025 revision」，而不是把新一年的数据接到旧曲线上。

检测方法：检查数据文件中 Created 行的时间戳（2025 revision 实测为 Created: 2026-17-10 12:00 UTC，注意这个时间戳格式本身有日/月顺序颠倒的怪癖），确认整份文件来自单次下载。

坑 2：把整张表当 WUENIC 聚合。
现象：对 coverage-data.xlsx 的 Data 表按 YEAR 求平均，得出「全球 2025 年 DTP3 覆盖率约 63%」之类明显偏低的数字。

原因：Data 表 396,212 行里 WUENIC 只占 89,767 行（22.7%），其余是 ADMIN、OFFICIAL、HPV、PAB。不同分类混在一起求平均，等于把行政值与官方值重复计入。

正确做法：

df = pd.read_excel("coverage-data.xlsx", sheet_name="Data")
w = df[df.COVERAGE_CATEGORY == "WUENIC"]
g = w[(w.GROUP == "GLOBAL") & (w.ANTIGEN == "DTPCV3") & (w.YEAR == 2025)]

坑 3：国家层缺 DOSES 与 TARGET_NUMBER。
现象：想算「某国 2025 年少接种多少剂」，发现国家层记录的 DOSES 与 TARGET_NUMBER 全是空值。

原因：这两个字段只在聚合层（GLOBAL、区域、收入组）填充。全表 89,767 行 WUENIC 中仅 11,754 行带 TARGET_NUMBER，且几乎全在聚合层。

正确做法：国家层剂量要用「覆盖率 × UN WPP 目标人口」自行估算，或直接查 GHO / UNICEF 的补充表。切勿对空值做 fillna(0)，那会把所有国家算成零剂次。

坑 4：数据表里找不到 GoC。
现象：想把 GoC 作为模型样本权重，翻遍 11 个字段也没有星号列。

原因：GoC 只在国家档案 PDF、门户交互图表与部分接口中提供，coverage-data.xlsx 的结构化表中没有这一列。

正确做法：批量获取需解析 195 份国家档案 PDF，或用「是否有当年或前后两年调查」构造代理变量（需在论文中声明这是代理而非官方 GoC）。解析 PDF 时的一个实用技巧是：星级符号通常以固定字符集渲染，可用 pdftotext -layout 后按列位置切分，比 OCR 稳定得多；若符号被渲染成图形而非文字，则只能退回门户图表接口。

坑 5：GHO 指标代码猜错。
现象：用 https://ghoapi.azureedge.net/api/DTP3 取数返回 404。

原因：GHO 的 DTP3 指标代码是 WHS4_100，DTP1 是 VACCINECOVERAGE_DTP1，两代命名并存；dptv 也指向 DTP3 但指标名不带 WUENIC 标签。

正确做法：先调 /api/Indicator?$filter=contains(IndicatorName,'immunization') 拿全量清单，按 IndicatorName 判定，不要凭抗原缩写猜代码。建议把这份清单缓存成本地映射表（抗原代码 → GHO 指标代码 → 是否带 WUENIC 标签），因为这份清单本身也会随年份变化，直接硬编码会在下一次 revision 后失效。

坑 6：把未引入疫苗的缺值当 0。
现象：算「某年全球 PCV 覆盖率」时把 2008 年以前的空值当 0，得出 0% 的结论。

原因：PCVc 自 2008 年才启动估算，2008 年以前没有这条序列，不是「覆盖率为零」。同理 IPV1 自 2015、IPVc 自 2021、MenA 自 2016。

正确做法：对每个抗原先查起始年（本文 §2.2 已列），起始年之前的年份直接排除，不要参与任何分母。若确实想表达「该疫苗尚未引入」，应使用 NaN 并在图例中标注「未引入/未估算」，而不是 0——0 在覆盖率语境中意味着「引入了但无人接种」，语义完全不同。

坑 7：把「57 国麻疹疫情」标为 WUENIC 数据。
现象：论文引用「2025 年 57 国报告大规模麻疹疫情」，来源标注为 WUENIC。

原因：这个数字来自 WHO 麻疹监测系统（Monthly Measles and Rubella Surveillance Data），不是 WUENIC。WUENIC 只提供 MCV1/MCV2 覆盖率。

正确做法：疫情数与覆盖率分开引用，分别标注来源。

坑 8：国家实体断点导致均值失真。
现象：对 CODE 做 groupby 求 45 年均值，德国、苏丹、塞尔维亚等国的结果异常。

原因：合并实体只保留新实体序列（东西德合并为德国），分裂实体自诞生日起各自报告（南苏丹 2011 年起）。直接 groupby 会把不同实体的历史拼在一起。

正确做法：先查国家档案的实体变更说明，必要时按实体分段处理，或在面板中去掉有断点的国家。

坑 9：把 IPV1 与 IPVc 混用。
现象：引用「IPV 覆盖率 86%」，与另一篇论文的「IPV 74%」冲突。

原因：IPV1 是首剂，IPVc 是完成基础程序（2 或 3 剂，取决于国家程序），两个数字都正确但含义不同。

正确做法：明确写 IPV1 或 IPVc，不要笼统写「IPV」。

坑 10：误以为每年都能拿到新数据。
现象：2026 年 10 月想要 2026 年的覆盖率，发现在门户上找不到。

原因：WUENIC 每年 7 月中旬一次性发布，2025 revision 的数据止于 2025 年；2026 年数据要等 2027 年 7 月的 2026 revision。

正确做法：年度中间需要「最新情况」时，改用 eJRF 的行政/官方报告值（门户上随上报滚动更新），并明确标注这是报告值不是 WUENIC 估算。另一种可行做法是用当年 7 月发布的 WUENIC 做基线，再用已公布的月度行政数据做增量外推，但必须在方法中说明外推假设，且不要把外推结果称为 WUENIC。

§10 DAIMS 评估

DAIMS（Data and AI Maturity/Readiness 评估框架，本库统一使用的五维评分）对 WUENIC 的评估如下。

维度	评分（1-10）	依据
D 可发现性	9	WHO 官方旗舰数据，专题门户 + GHO 双入口，DOI 级方法学论文，GATHER 合规公开文档齐全；扣 1 分因门户导航层级深（All Data → Export → 文件）
A 可获取性	9	免注册、免 key、单文件全量下载、OData 机器接口；扣 1 分因 GoC 与调查值不在结构化文件中，需另取
I 可互操作	8	11 列扁平长表，ISO 三字码，年份标准；扣分因抗原代码大小写与命名不统一（DTPCV3 vs DTP3 vs WHS4_100）、国家层缺分子分母
M 元数据质量	9	七张参考表 + 方法学 PDF + GATHER 18 条逐条说明 + 国家档案逐国注释，透明度为全球卫生估算中的最高档；扣 1 分因无 GoC 结构化字段、无 schema 文件
S 可持续性	10	WHO 与 UNICEF 双机构背书，年度发布已持续 20 余年（2000 年首发），预算与制度保障最强
综合	9.0/10	全球公共卫生估算类数据集的标杆；主要失分在结构化完整度而非开放性

10.1 与其他官方估算数据集的对位

将 WUENIC 与库内 who-gho（综合 8.5 左右）对比：GHO 胜在指标广度与 API 成熟度，WUENIC 胜在方法学透明度与专题深度。两者是「广度 vs 深度」的互补关系，不是替代关系。
与 DHS Program（库内 rid=103）对比：DHS 提供个体级微观数据但覆盖国家与年份稀疏，WUENIC 提供全国家全年度但只有聚合值。两者结合是公平性分析的标配组合。

10.2 AI-Ready 的三个具体短板

无 schema 文件：没有 JSON Schema / Croissant 元数据，字段语义只能靠 Reference 表的人工阅读。
无 GoC 结构化列：模型无法直接使用证据强度。
无长期稳定的下载 URL：CDN 前缀随机，自动化流水线需每次解析页面。
这三点都不是数据质量问题，而是工程封装问题，也正是本库条目希望补充的部分。反过来说，这三点都可以在本地低成本补齐：用 JSON Schema 描述 11 个字段的取值范围与枚举、从 PDF 抽 GoC 建一张 code × year × antigen → stars 的边表、把导出链接解析逻辑写成函数并在 CI 中每季度跑一次。补齐之后，WUENIC 的 AI-Ready 综合评分可到 9.4 左右，剩余失分来自官方不提供、本地也无法凭空生成的定量不确定度。

§11 生态与互链

11.1 上游：证据来源

eJRF（electronic Joint Reporting Form on Immunization）：WHO/UNICEF 联合年度问卷，各国卫生部门填报，是 WUENIC 的主证据源。每年 Q1-Q2 收集。
DHS Program（库内 rid=103）：美国国际开发署资助的住户调查，覆盖 90 余国，提供接种卡与母亲回忆的覆盖率，是 S+ 判定的主力。
MICS（Multiple Indicator Cluster Surveys）：UNICEF 主持的住户调查，覆盖国家与 DHS 部分重叠，是另一支柱。
UN WPP 2024：联合国人口司《世界人口展望 2024》，提供各国存活婴儿数，是所有分母与聚合权重的来源。为什么是「存活婴儿」而不是「出生数」？因为 WUENIC 的分母要与接种对象对齐——在婴儿死亡率较高的国家，出生后一年内死亡的婴儿不可能完成 DTP3，若用出生数作分母会系统性低估覆盖率。因此凡是要自己复算覆盖率、或把覆盖率换算成剂次数的场景，都必须先拿到 WPP 的存活婴儿数（Surviving infants），而不是简单的出生数。

11.2 下游：谁在用 WUENIC

IA2030（Immunization Agenda 2030）：全球免疫战略的核心监测指标直接取 WUENIC，包括 DTP3 覆盖率、zero-dose 儿童数、MCV2 引入率。
Gavi, the Vaccine Alliance：用于资格评估（Gavi 5.0 eligibility）与效果评估；数据表中的 GAVI_PHASE5 分组即为此。
World Bank WDI：直接转载 WUENIC 少数抗原，作为世界发展指标的一部分。
UNICEF data.unicef.org：免疫专题页直接转载。
WHO 世界卫生统计（World Health Statistics）：年度报告中的免疫章节。
学术研究：疫苗覆盖率与健康结局、经济产出的关联研究，绝大多数以 WUENIC 为自变量。这类研究有一个反复出现的方法问题：把 WUENIC 当作无误差的解释变量。由于 WUENIC 本身是估算，且误差与「卫生系统能力」这一潜在混杂变量高度相关，直接做 OLS 会产生衰减偏误。较稳妥的补救是用 GoC 星级做工具变量的强度分层，或在附录中报告剔除一星样本后的稳健性结果。

11.3 库内可互链条目

条目	rid	关系
who-gho	175	上游总门户。GHO 收录 WUENIC 的 11 个指标，提供 OData 访问层；本条目补充语义与方法学
dhs-program	103	证据源之一。DHS 调查结果进入 WUENIC 的 S+ 判定；微观数据可做 WUENIC 无法覆盖的公平性分层
nih-malaria	502	弱关联。同为疟疾相关但为血涂片影像，与 WUENIC 的疟疾疫苗覆盖率无数据血缘

11.4 库外高价值互链

immunizationdata.who.int（本条目主门户）
who.int/teams/immunization-vaccines-and-biologicals/...（WHO 免疫司官方页）
data.unicef.org/topic/child-health/immunization/（UNICEF 免疫专题）
worldhealthorg.shinyapps.io/wuenic-trends（交互式趋势工具）
ghoapi.azureedge.net/api（GHO 机器接口）

11.5 与相邻条目的边界划分建议

为避免库内条目重复，建议的边界是：

who-gho：讲「怎么访问 WHO 全量指标」，重心在 API、分页、维度、指标发现；
wuenic-immunization：讲「免疫覆盖率这个数怎么来的」，重心在方法学、GoC、双来源、年度修订；
将来若入库 IHME/GBD，则应讲「独立建模路线与 WUENIC 的差异」。
三者的共同约定：任何涉及跨国、跨年比较的数字，都应在条目内标注 revision 与数据截止日，使读者可以「顺着链条回溯」到同一份原始文件。

§12 应用场景与实操建议

12.1 场景一：跨国覆盖率趋势分析

任务：比较 2010-2025 年东南亚与非洲区域的 DTP3 趋势。

步骤：

下载 coverage-data.xlsx，过滤 COVERAGE_CATEGORY == 'WUENIC' 与 GROUP == 'WHO_REGIONS'；
取 CODE in ('SEAR','AFR') 与 ANTIGEN == 'DTPCV3'；
透视成年份 × 区域矩阵，绘图；
在图注写明「WUENIC 2025 revision，数据截止 2026-06-21」。
注意：区域值是加权聚合，不是国家均值；不要自行用国家均值复算，会得到不同结果。以 SEAR 为例，其 DTP3 94% 的人口加权值与国家算术平均可能相差 3-5 个百分点，差距全部来自印度这一超大权重的拉动。若论文的目的是描述「典型国家」而非「区域总人口」，则应改报中位数并明确说明。

12.2 场景二：zero-dose 儿童数估算

任务：估算某国 2025 年 zero-dose 儿童数。

步骤：

取该国 DTP1 覆盖率 c（WUENIC 国家层）；
取 UN WPP 2024 该国 2025 年存活婴儿数 N；
zero-dose ≈ N × (1 − c/100)。
注意：这是近似算法。官方 zero-dose 定义是「未接种任何疫苗」，DTP1 只是代理；且官方 global 数字来自内部建模的分国剂量，与「覆盖率 × 人口」可能略有差异。论文中应写明「按 DTP1 覆盖率推算」。还有两个容易被忽略的细节：其一，DTP1 为 0 的国家极少，因此 1 − c/100 在高覆盖国家会给出极小值，此时绝对误差比相对误差更值得报告；其二，若某国 DTP1 数据是靠上年外推得来，zero-dose 估计同样继承这一外推误差，且无法从公开数据中识别——只能通过国家档案注记判断该国当年是否提交了报告。

12.3 场景三：作为机器学习标签

任务：训练覆盖率预测模型，用 WUENIC 做标签。

建议：

只用 WUENIC 行，不用 OFFICIAL/ADMIN；
按抗原与年份分层划分训练/测试集，不要随机划分（时间泄漏）；
用 GoC 做样本权重（三星 1.0、二星 0.7、一星 0.3 之类的经验值，需在论文中声明）；
报告时按 GoC 分层报告误差。

12.4 场景四：疫苗引入评估

任务：评估某国引入 PCV 后覆盖率爬坡速度。

步骤：

找到该国 PCVC 序列的起始年（数据表首条非空记录）；
计算起始年至 90% 覆盖率所需年数；
与同区域中位爬坡速度对比。
注意：起始年不等于引入年——WUENIC 在疫苗引入当年可能因数据不足而未启动估算，需对照国家档案的引入说明。

12.5 场景五：冲突与脆弱地区的监测

任务：跟踪 FCV（脆弱、冲突、受影响国家）的覆盖率变化。

步骤：

从新闻稿获取 FCV 国家清单（2025 版为 13 国在「停滞/倒退」组中）；
按年提取 DTP1、MCV1；
计算年度变化率，标注数据来源的 GoC。
注意：FCV 国家的估算值最可能来自外推，GoC 常为一星，趋势解读需格外谨慎。

§13 学术引用与常见误用

13.1 三种引用层级

层级	引用对象	适用场景
数据引用	WHO/UNICEF Estimates of National Immunization Coverage (WUENIC), 2025 revision	使用数据本身
方法引用	Burton A, et al. Bull World Health Organ. 2009;87(7):535-41	说明估算方法
GoC 引用	Brown DW, et al. Open Public Health J. 2013;6:73-8	说明置信分级

三者缺一不可。只引数据不引方法，读者无法判断数值含义；只引方法不写 revision，读者无法复现。

13.2 五种常见误用

把估算写成实测：「2025 年全球 90% 的婴儿接种了 DTP1」应改为「据 WHO/UNICEF 估计」。
忽略 revision：「2019 年 DTP3 为 86%」应补「WUENIC 2025 revision」。
混用报告值与估算值：把行政覆盖率的 95% 与 WUENIC 的 85% 放在一张图里而不加区分。
把小样本调查当金标准：单次 MICS 调查的覆盖率与 WUENIC 值不同时，不能断言 WUENIC 错，要看 GoC 与调查质量。
用 WUENIC 做个体推断：WUENIC 是聚合值，不能推出「某国 90% 的儿童都接种了」，因为覆盖率的分子分母口径与个体接种状态不完全对应。

13.3 一篇合格的使用范式

推荐的论文写法：

We used the WHO/UNICEF Estimates of National Immunization Coverage (WUENIC), 2025 revision (released 15 July 2026, data through 2021-2025), which provides annual country-level coverage estimates for 15 antigen-dose combinations from 1980 to 2025. Country estimates were weighted by UN WPP 2024 surviving infants to compute regional aggregates. We restricted analyses to estimates with a Grade of Confidence of at least two stars (n = …), and report the proportion of estimates derived by extrapolation.

这段写法的三个关键点：写明 revision、写明加权方法、写明 GoC 筛选与样本量。缺任何一项，审稿人都可能追问。

§14 方法学原典精读

14.1 Burton 2009：一套规则的诞生

WUENIC 的方法学原典是 2009 年发表在《Bulletin of the World Health Organization》第 87 卷第 7 期的文章 WHO and UNICEF estimates of national infant immunization coverage: methods and processes，作者为 Burton A、Monasch R、Lautenbach B、Gacic-Dobo M、Neill M、Karimov R、Wolfson L、Jones G、Birmingham M 九人。这篇文章的价值不在于提出新算法，而在于把过去十年已经在用的判断规则第一次写清楚。
文章的核心主张可以概括为三条：

覆盖率不是单一数字，而是对多源证据的判断。文章明确承认行政数据与调查数据各有偏差，WUENIC 的任务是在两者之间做裁定，而不是简单采信任何一方。
裁定必须国别化。每个国家的数据单独审阅，不使用区域平均填补缺值。这一条在 wuenic_notes.pdf 中被原文重申为「data are not borrowed from other countries in the absence of data」。
调整必须规则化。不做临时性、不可复现的调整（not based on ad hoc adjustments）。这一条是 GATHER 合规的基础。

14.2 三条关键技术规则

虽然原文没有以伪代码形式给出算法，但从方法学描述与后续的 GoC 论文可以还原出三条核心规则：
规则一：分母独立化重算。 对每个国家-年份，用国家上报的分子（接种剂次数）除以 UN Population Division 的独立分母（存活婴儿数），得到一个「重算覆盖率」。这个值与国家上报的覆盖率（用本国分母算出）的差，就是 D+/D− 判定的依据。

为什么要这样做？因为本国分母常常是行政系统维护的人口估计，更新滞后。当分母偏大时，国家上报值偏低；当分母偏小时，国家上报值偏高（甚至超过 100%）。用独立分母重算可以剥离这一层偏差。
规则二：调查的两年前后窗口。 一次调查只在「估算年前后两年内」才被视为该年的支持证据。也就是说，2020 年的估算只能被 2018-2022 年的调查支持。窗口之外的调查只能作为趋势参考，不进入 GoC。

这个窗口设计的原因很实际：覆盖率在两年内可能因疫情、冲突、政策变动大幅波动，用 2015 年的调查支持 2020 年的估算显然不合理。
规则三：10 个百分点阈值。 「支持」与「挑战」的分界线是 10 个百分点。差值小于 10 视为支持，大于等于 10 视为挑战。这个阈值看起来粗糙，但考虑到覆盖率本身的测量误差通常在 3-5 个百分点量级，10 是一个留有冗余的经验值。

14.3 Brown 2013：GoC 的形式化

GoC 的正式方法学文献是 2013 年《The Open Public Health Journal》第 6 卷第 73-78 页的 An Introduction to the Grade of Confidence Used to Characterize Uncertainty Around the WHO and UNICEF Estimates of National Immunization Coverage（作者 Brown DW 等）。这篇短文把 GoC 的构造规则写成可复现的三段式：

对每个国家-年份-抗原，计算 R、D、S 三类标记（每类正负两种）；
按「支持累积、冲突否决」的规则映射到三星、二星、一星；
在时间序列上逐年应用，不做跨年平滑。
第三点尤其重要：GoC 逐年独立计算，不做平滑。因此同一国家相邻年份的星级可能从三星跳到一星，这反映的是证据结构的变化（如某年没有调查），不是估算值的质量突然恶化。

14.4 从规则到数据的映射：一个可复现的伪代码

综合三篇文献，可以写出如下伪代码（仅为逻辑示意，非官方代码）：

for country in 195:
    for antigen in 15:
        for year in 1980..2025:
            reported = official_coverage(country, antigen, year)
            recomputed = doses_reported / un_wpp_surviving_infants
            surveys = surveys_within(country, antigen, year-2, year+2)

            R = classify(estimate, reported)      # + if |diff| < 10
            D = classify(estimate, recomputed)
            S = classify(estimate, surveys)       # + if any |diff| < 10

            if R == '+' and D == '+' and S == '+' and no_negative:
                goc = 3
            elif any_positive and no_negative:
                goc = 2
            else:
                goc = 1

注意伪代码中的 estimate 是最终采用的 WUENIC 值，而三类标记是对这个值的事后检验，不是生成这个值的过程。生成过程（裁定哪个值最可能）是专家判断，未完全公开为代码。这一点在 GATHER 第 14 条中有说明：「A computational logic-based representation of rules, data and decisions for WUENIC is provided in Burton et al.」——即以论文叙述而非可执行代码的形式提供。

14.5 规则式方法的优缺点

优点：

可解释：每个数值背后都有说得出理由的证据链；
稳定：不会因模型参数微调而全序列漂移；
可审计：GATHER 合规，外部可逐条核对；
成本低：不需要大规模计算资源，专家组逐国审阅即可。

缺点：

无定量不确定度：GoC 只能表达「几星」，无法给出 ±X 个百分点；
依赖专家：local expert 的语境知识无法复现，外部研究者难以重走裁定；
主观性残留：10 个百分点阈值、两年窗口都是经验值，没有理论推导；
不可扩展：若未来抗原数从 15 增到 30，逐国逐抗原的人工审阅成本会线性上升。

这些缺点正是 IVIR-AC 2019 发起替代建模方法征集的动因。评审报告中明确写道：替代方法应该「build on the strengths of the current WUENIC methodology, while addressing some of the WUENIC weaknesses」，并「include multiple data sources and acknowledge any biases within these sources」。

14.6 三家替代方案的评审要点

2019 年 IVIR-AC 对三家候选方案的评价，原文要点如下：

方案	优点	缺点
WorldPop	与相关方合作记录良好；开发并分发 R 包；有能力建设成分	数据处理步骤可能掩盖输入使用方式；高级方法对普通用户不透明；可能接受国家间空间相关与抗原间相关
Imperial College / LSHTM	有印度与英国覆盖率估计经验；方法直接；可向次国家级推进	过度依赖调查数据；其他输入是否真正纳入不清楚；方法透明度不足
Swiss TPH	利益相关方参与强；拟纳入其他数据源（协变量）；最接近现行方法	可能过度响应利益相关方反馈；方法细节含糊

这份评审记录本身就是一个重要的元数据：它告诉我们，在 2019 年时，学界对 WUENIC 的最大批评是「无不确定度」与「专家主观性」，而不是「数据不准确」。到 2026 年，规则式方法仍是官方主发布口径，说明替代方案尚未通过验收门槛。

14.7 与 GATHER 18 条的逐条对照（节选）

GATHER 全表 18 条中，与 WUENIC 实操最相关的几条：

第 5 条（数据来源描述）：wuenic_notes.pdf 明确列出 eJRF、调查、文献三类来源；
第 9 条（数据输入与偏差处理）：描述了对行政分母、调查抽样、回忆偏倚的处理；
第 10 条（非锚点年份生成）：描述了内插/外推规则；
第 13 条（不确定度计算方法）：GoC 三星制，明确「不反映输入数据质量」；
第 15 条（可提取格式）：HTML、Excel、PDF 三种；
第 17 条（结合既有证据解读）：明确「revision 之间不可比」；
第 18 条（局限讨论）：明确「估算受限于输入数据质量」。

这份对照表可以直接用于论文的方法学部分：如果审稿人质疑 WUENIC 的透明度，引用 GATHER 合规论文（PMC9021403）即可说明 18 条中有 16 条满足。

§15 工程实践：把 WUENIC 变成可用数据集

15.1 数据清洗的最小流程

import pandas as pd

RAW = "coverage-data.xlsx"

def load_wuenic(path=RAW):
    df = pd.read_excel(path, sheet_name="Data")
    # 1. 丢弃页脚元数据行（GROUP 为 Created: ... 的那一行）
    df = df[df.GROUP.isin(["COUNTRIES","WHO_REGIONS","UNICEF_REGIONS",
                           "WB_LONG","WB_SHORT","GAVI_PHASE5","GLOBAL"])]
    # 2. 只保留 WUENIC 分类
    df = df[df.COVERAGE_CATEGORY == "WUENIC"]
    # 3. 类型收敛
    df["YEAR"] = df.YEAR.astype(int)
    df["COVERAGE"] = pd.to_numeric(df.COVERAGE, errors="coerce")
    # 4. 抗原代码标准化（可选，便于跨源合并）
    alias = {"DTPCV1":"DTP1","DTPCV3":"DTP3","HEPB_BD":"HepB-BD",
             "IPVC":"IPVc","PCVC":"PCVc","ROTAC":"RotaC",
             "MEN_A_CONJ":"MenA","HEPB3":"HepB3","HIB3":"Hib3"}
    df["ANTIGEN_STD"] = df.ANTIGEN.replace(alias)
    return df

这段代码体现了四个必要步骤：去除页脚、按分类过滤、类型收敛、代码标准化。省略任一步都会在后续分析中出问题。

15.2 三个常见的数据质量问题

问题一：COVERAGE 为空但 DOSES 有值。 全表 WUENIC 行中约 19,771 行 COVERAGE 为空，集中在早期年份（2008 年 727 行、2009 年 669 行、2000 年 643 行）。这些是「该抗原在该国尚未进入估算体系」的标识，不是数据丢失。处理时应保留为空而不是填 0。

问题二：COVERAGE 超过 100。 少数国家在特定年份出现 >100 的估算值，通常是分母极小的小岛国或人口剧烈变动的国家。这类值应保留原样并在分析中标记，不要直接截断为 100，否则会掩盖分母问题。

问题三：同一国家同一年份出现重复行。 极少数情况下（如国家代码变更过渡期），同一 CODE-YEAR-ANTIGEN 可能出现两行。合并前应检查重复并回查国家档案，不要盲目 drop_duplicates。

15.3 与 GHO 数据的一致性校验

一个实用的自检脚本：

import requests, pandas as pd

def gho_dtp3_global():
    url = ("https://ghoapi.azureedge.net/api/WHS4_100"
           "?$filter=SpatialDim eq 'GLOBAL' and TimeDim ge 2020"
           "&$select=TimeDim,NumericValue")
    rows = requests.get(url, timeout=20).json()["value"]
    return {r["TimeDim"]: r["NumericValue"] for r in rows}

# 对比 xlsx 中的 GLOBAL DTP3
xl = load_wuenic()
xl_dtp3 = (xl[(xl.GROUP=="GLOBAL") & (xl.ANTIGEN=="DTPCV3") & (xl.YEAR>=2020)]
             .set_index("YEAR").COVERAGE.to_dict())
assert gho_dtp3_global() == xl_dtp3, "GHO 与 xlsx 不一致，检查 revision"

若断言失败，通常是因为 GHO 尚未同步到最新 revision，或 xlsx 下载的是旧版本。这是判断「数据是否最新」最快的工程手段。

15.4 建立 GoC 代理变量

由于 GoC 不在结构化文件中，实践中常用三种代理：

代理方法	构造方式	偏差方向
有调查标记	该年前后两年内有合格调查则记 1	高估（有调查不等于三星）
报告类型标记	有 OFFICIAL 行则记 1	高估（官方报告不等于被支持）
文献频次	该国该年被引次数	不可靠

三种代理都只能用于粗筛，不能替代官方 GoC。若论文对 GoC 敏感，建议直接解析国家档案 PDF——195 份文件，用 pdfplumber 提取表格后正则匹配圆点符号，工程量约数小时。

15.5 与 UN WPP 人口数据的联表

WUENIC 的聚合权重来自 UN WPP 2024，但 xlsx 不提供分国人口。联表方法：

从 UN WPP 2024 官网下载 WPP2024_DB1_Medium.csv（或使用 wpp2024 R 包）；
取 PopSurvivingInfants（存活婴儿数）字段，按国家-年份匹配；
注意 WPP 的国家代码与 ISO 三字码不完全一致（如科索沃 XKX），需要映射表。
这一步是复算 zero-dose 儿童数与区域聚合值的必经之路。若嫌麻烦，可直接用 GHO 的 TARGET_NUMBER 列（仅聚合层有值）。

15.6 版本快照与可复现性

建议的工程规范：

每次下载后记录文件 SHA-256 与下载时间；
将 xlsx 转为 Parquet 并存档（体积缩小 10 倍以上，读取快 5-10 倍）；
在分析代码中硬编码期望的 revision（如 EXPECTED_REVISION = "2025"），并在加载时校验 Reference 表的文本；
每年 7 月修订发布后，跑一次全流程回归，记录哪些国家的数值发生变化。

最后一条尤其重要：修订导致的变化本身就是研究对象。某国 2024 年覆盖率在 2024 revision 与 2025 revision 中相差 5 个百分点，往往意味着新证据（如新调查）出现，这是理解该国免疫规划变化的线索。

§16 数据集在 AI 研究中的位置

16.1 三类典型 AI 任务

任务一：覆盖率预测。 输入历史序列与协变量（GDP、冲突指数、卫生支出），预测未来 1-3 年覆盖率。WUENIC 提供标签，但样本量有限（195 国 × 45 年 × 15 抗原，实际非空约 7.8 万条），深度学习容易过拟合，传统时序模型（ARIMA、Prophet）与梯度提升树更稳妥。

任务二：预测零剂次儿童。 以国家-年为样本，预测 zero-dose 比例。难点在于正负样本极不平衡（多数国家 zero-dose 比例很低），且标签本身是估计值。

任务三：因果推断。 评估 Gavi 资助、疫苗引入政策对覆盖率的影响。WUENIC 常作为结果变量，需注意处理内生性（资助分配本身就与覆盖率相关）。

16.2 数据泄漏的三个陷阱

时间泄漏：随机划分训练/测试集，导致用未来预测过去。应按年份划分（如 2015-2020 训练、2021-2025 测试）。
国家泄漏：同一国家的不同年份分散在训练与测试集，模型学到国家身份而非规律。应按国家分组划分（GroupKFold）。
修订泄漏：用最新 revision 的历史数据训练，而历史上的决策者当年只能看到旧 revision。若研究「政策制定者的信息环境」，必须用当年的 revision 数据。

16.3 与基础模型的结合点

WUENIC 是结构化表格数据，与大语言模型/多模态模型的结合方式主要有两类：

作为检索增强的事实源：把 WUENIC 数值存入向量库，供健康政策问答系统检索（注意：数值型事实用向量检索效果差，建议用 SQL 查询 + LLM 生成解释）；
作为评估基准：测试模型对「全球免疫现状」的事实准确性，如「2025 年全球 MCV1 覆盖率是多少」——正确答案是 84%，但模型可能因训练数据滞后答成 83% 或 86%。

第二类用法尤其值得注意：WUENIC 每年 7 月更新，模型的「知识截止日期」与数据的 revision 之间常有 1-2 年差距。评估模型时若不标注 revision，会把「数据更新」误判为「模型幻觉」。

16.4 结构化程度评估

维度	现状	AI 友好改进方向
字段语义	靠 Reference 表人工阅读	提供 JSON Schema
缺失值	空值语义混杂（未引入 / 未估算 / 未报告）	增加 REASON 字段
证据强度	GoC 不在表内	增加 GOC 列
地理编码	ISO 三字码，无经纬度	提供 GADM 映射
时间粒度	年	已是官方最细粒度

这五项中，前三项是可以通过工程手段补齐的（本库条目可承担），后两项受限于官方数据本身。

16.5 一个反例：不要用 WUENIC 做「疫苗信心」分析

近年有研究试图用 WUENIC 覆盖率下降推断「疫苗犹豫」上升。这是典型的误用：覆盖率下降可能来自供应中断、冲突、人口流动、数据口径变动，疫苗犹豫只是其中一个原因，且 WUENIC 无法区分。要研究犹豫，应使用专门的信心调查（如 Wellcome Global Monitor、Lancet 疫苗信心指数）。
WUENIC 的定位是服务绩效监测，不是态度测量。把前者当后者用，会得出「某国人民不信任疫苗」的错误结论，而真相可能是「某国冷链断了三个月」。

§17 版本变迁与历史

17.1 二十余年的发布史

WUENIC 自 2000 年起作为年度产品发布（官方表述为「the initial release in 2000」），但数据可回溯至 1980 年——这一点常被误读：2000 年是「首次发布年」，1980 年是「序列起点年」，两者不是一回事。数据表里 YEAR=1980 的行真实存在（全球 DTP1 为 20%、DTP3 为 18% 一类量级），但它们不是 1980 年当年发布的，而是后续 revision 依据历史 WHS 年报与早期调查回溯构建的。二十余年间的主要节点：

年份	事件	对使用者的实际影响
2000	首发，覆盖 DTP、BCG、MCV1 等基础抗原	早期序列靠回溯补建，1980 年代数值的不确定性远高于 2000 年后
2009	Burton 等方法学论文发表，规则首次系统化	此前各国估算由不同人手工完成，「规则」只存在于内部备忘录
2011	GoC 引入（2011 revision，2012 年 7 月完成），从此每条估算带星级	2012 年之前的行没有 `CONFIDENCE` 值，做长序列分析时须处理这一结构性缺失
2012	Pink Book / 国家档案 PDF 体系成型	每国一份档案，记录了当年采信了哪些调查、为何剔除某条数据，是溯源的关键材料
2015	IPV1 估算启动	脊灰 Endgame 策略引入 IPV 后才有估算对象，2015 年前该抗原为空白而非 0
2019	IVIR-AC 评审，发起替代建模方法征集	三家替代方案（见 §14.6）至今仍在评审流程内，尚未替代现有规则体系
2020	数据门户 WIISE 上线，交互式图表替代静态 PDF 为主入口	门户地址 immunizationdata.who.int 成为第一入口，PDF 降为佐证
2021	IPVc 估算启动	与 IPV1 并存形成「双指标」，是 15 个组合中唯一按接种时点拆分的抗原
2024	2024 revision 发布，覆盖至 2023 年	若论文引用 2023 年数值，需确认引的是 2024 revision 还是 2025 revision，两者可能差 1-2 个百分点
2025	2025 revision 发布（2026-07-15），覆盖至 2025 年	本条目全部数字的基准版本；数据截止 2026-06-21

需要强调的是发布节奏的稳定性：官方连续多年固定在 7 月中旬发布，2025 revision 的完成日是 2026-07-15，因此可以把「每年 7 月」当作可预期的日历事件来排分析流水线。若某年 7 月底仍未见新版本，应先查门户新闻区而不是怀疑数据源失效——历史上发布日曾有数日浮动，但月份从未挪到 8 月之后。对需要冻结基线的机构，建议以「官方 revision 编号 + 完成日期 + 数据截止日」三元组作为版本标识，而不是只用年份，因为年份既可能指发布年也可能指数据年，混用极易出错（2025 revision 覆盖的是 2025 年数据，这一点上二者恰好同号，反而更容易让人忽略这个问题）。

17.2 抗原清单的扩张史

从最初的基础抗原到今天的 15 个组合，扩张节奏反映了全球疫苗引入的节奏：

1980 年代基线：BCG、DTP1、DTP3、MCV1、RCV1（五条）；
1990 年代：HepB3（1989）、Hib3（1991）、YFV（1997）；
2000 年代：HepB 出生剂与 MCV2（2000）、RotaC（2006）、PCVc（2008）；
2010 年代：IPV1（2015）、MenA（2016）；
2020 年代：IPVc（2021）。

这条时间线说明：WUENIC 的抗原清单不是固定的，而是随全球免疫程序演进而扩张。扩张的判据不是「疫苗是否上市」，而是「是否被足够多的国家纳入常规免疫程序、从而值得建立跨国可比的时间序列」——这解释了为什么 HPV 迟迟未进入 15 个组合：HPV 在多数国家的接种对象是青少年女孩而非婴儿，出生队列口径不适用，于是 WHO 单独为其维护一套 COVERAGE_CATEGORY=HPV 的数据（实测 24,704 行），以年龄组而非出生队列为分母。同理，疟疾疫苗目前以 MALARIA1/3/4 一类指标挂在 OFFICIAL 类下，尚未进入 WUENIC 的 15 个组合；若 RTS,S/AS01 与 R21/Matrix-M 在非洲高负担国家的引入规模继续扩大，下一次扩张最可能发生在这一块。

对使用者的含义很直接：不要假设某抗原在全部 45 年都有值。IPV1 在 2015 年前的大片空白不是数据缺失，而是当时不存在这个接种剂次；把空白当 0 去做增长率或年均变化，会造出「2015 年 IPV1 从 0 跃升到 XX%」这类假故事。正确做法是先用抗原的首个非空年份裁剪序列，再计算趋势。

17.3 方法学的三次微调

除抗原扩张外，方法学本身也有微调，但官方文档中未系统记录每次修订的细节。可考的几次：

GoC 引入（2011）：从无不确定度到三星制，是最大的一次方法学变化；
调查质量准则强化：样本量门槛、抽样设计审查在 2010 年代逐步收紧，一批早期的小样本调查被降权或剔除，导致部分国家的历史曲线在某一版 revision 中被整体下修；
人口分母更新：每次 UN WPP 修订后重算所有年份，最近一次是 WPP 2024。分母一变，TARGET_NUMBER 与 DOSES_NUMBER 同时变，覆盖率可能不动而绝对数大幅变动。

这三次微调都会导致历史序列变化，也是「跨 revision 不可比」的技术根源。实践中还有第四类不写入文档的变化：单国档案中采信了哪条调查、如何做外推的裁量。这类变化只体现在结果上，无法从公开文档复现，因此任何需要精确复现的研究都应把所用 revision 的原始 xlsx 存档，而不要依赖「同一指标名取最新值」。

17.4 与 IA2030 目标的对齐

IA2030（Immunization Agenda 2030）设定的核心目标包括：

到 2030 年 DTP3 覆盖率达到 90%；
zero-dose 儿童数减半（相对 2019 年基线）；
MCV2 覆盖率提升；
新疫苗引入覆盖。

WUENIC 是这些目标唯一的官方监测数据源。按 2025 revision，DTP3 为 85%，距 90% 还差 5 个百分点；zero-dose 1350 万，2019 年约 1400 万（不同 revision 略有差异），减半意味着要到 700 万左右，目前进度不足一半。这个差距是 IA2030 中期评估的核心议题。

值得补充的是「5 个百分点」的分量：以 2025 年出生队列约 1.29 亿为分母，5 个百分点对应约 650 万婴儿每年少接种一剂 DTP3，这个量级与全球 zero-dose 总数同阶——也就是说，达标所需的增量不是边角修补，而是要把当前所有 zero-dose 儿童基本覆盖掉。另外，IA2030 的基线年是 2019 年而不是 2020 年，这个选择本身有讲究：2020 年是 COVID-19 冲击的第一年，若以 2020 为基线，「减半」会在统计上显得更容易达成，选 2019 是刻意避开这一「低基数红利」。使用者在做目标追踪时若把基线换成 2020 或 2021，得出的进度会系统性地偏乐观，须在方法说明中写明基线年。

17.5 2020 年代的三次冲击

2020-2025 年的数据中能清楚看到三次冲击：

COVID-19（2020-2021）：DTP3 从 86 降到 81，是 1990 年代以来最大跌幅；
冲突扩散（2022-2024）：苏丹、也门、乌克兰、加沙地带的覆盖率出现剧烈波动，FCV 国家成为 zero-dose 的主要来源；
资金收缩（2024-2026）：新闻稿明确提到「The full impact of cuts to international health financing announced over the past two years is not yet reflected in these estimates」，即 2025 年数据尚未完全反映援助削减的影响。

第三条尤其重要：它意味着2026 revision 可能会更糟。使用者若在 2026 年下半年做预测，应把资金收缩作为未观测的负面因素纳入情景分析。从机制上看，资金削减影响覆盖率的路径有三条且时滞不同：一是疫苗采购中断，通常在 1-2 个季度内反映到接种点；二是接种人员薪酬与冷链维护削减，时滞约半年到一年；三是外展服务与社区动员停摆，影响最慢但最持久，可能要到 2027 revision 才完全显形。这也解释了为什么 2025 年的数字看起来只是「停滞」而非「崩塌」——最慢的那条路径还没走完。

三条冲击叠加的另一个后果是国家间分化加剧：高收入国家在 2022 年前后基本回到 2019 年水平，而 FCV 与低收入国家的恢复停滞甚至倒退，全球均值因此被少数大国拉平。只看全球 DTP1 的 90% 会得出「已恢复到疫情前」的错误结论，按收入组或 FCV 状态分层后才会看到缺口集中在哪些国家。

§18 总结

18.1 五句话概括

WUENIC 是 WHO 与 UNICEF 联合产出的年度国家免疫覆盖率估算，最新为 2025 revision（2026-07-15 发布，数据截止 2026-06-21）。
它覆盖 1980-2025 年、195 个成员国、15 个抗原-剂量组合，全量表 396,212 行，其中 WUENIC 本体 89,767 行。
它把行政报告、官方报告、住户调查三类证据用规则式方法收敛为单一估算值，并以 Grade of Confidence 三星制表达证据强度。
它每年 7 月一次性重算全序列，跨 revision 不可比，无置信区间，GoC 不在结构化数据中。
2025 年全球 DTP1 90%、DTP3 85%、MCV1 84%、MCV2 77%，zero-dose 约 1350 万，较 2019 年仍有差距。

18.2 三组必记数字

规模数字：396,212 行全表｜89,767 行 WUENIC｜195 国｜15 抗原｜1980-2025 共 45 年｜17.4 MB。

2025 全球数字：DTP1 90%（115,726,645 剂 / 129,199,946 目标人口）｜DTP3 85%｜MCV1 84%｜MCV2 77%｜PCVc 71%｜RotaC 61%。

缺口数字：zero-dose 1350 万｜DTP1→MCV1 脱落 730 万｜报告回收 188/195｜185 国有覆盖数据（占出生队列 95%）。

18.3 适合谁 / 不适合谁

适合：

做全球/区域免疫覆盖率趋势分析的公共卫生研究者；
需要可引用官方口径的政策与媒体；
构建覆盖率预测模型的数据科学家；
研究全球卫生治理（IA2030、Gavi）的社科研究者。

不适合：

需要个体接种状态的分析（用 DHS/MICS 微观数据）；
需要月度/季度监测（用 eJRF 行政报告值）；
需要疫苗信心测量的研究（用专门调查）；
需要疾病负担估计的研究（用 GBD）。

18.4 三十秒决策卡

要做什么？
├── 画全球/区域趋势曲线
│   └── 下 coverage-data.xlsx，过滤 WUENIC + GROUP=WHO_REGIONS
├── 算某国覆盖率或 zero-dose
│   └── 取国家层 DTP1 + UN WPP 2024 存活婴儿数
├── 做覆盖率预测模型
│   └── 按年份与国家分组划分数据集，GoC 做样本权重
├── 查某个数字的出处
│   └── 先查 xlsx GLOBAL 层，再对 GHO WHS4_100 等指标校验
├── 解释某个国家为什么是这个值
│   └── 读国家档案 PDF 的估算注释
└── 需要个体或分层数据
    └── WUENIC 帮不了，去 DHS(rid=103) / MICS

§19 六个专题深读

19.1 DTP3：为什么它成了全球免疫的「GDP」

在所有 WUENIC 指标里，DTP3（百白破第三剂）被引用得最多。IA2030 的核心指标之一是 DTP3 覆盖率，Gavi 的资格与绩效评估用它，世界银行的卫生系统绩效研究也用它。为什么是 DTP3 而不是别的？
第一，DTP 是全球程序覆盖最广的疫苗。195 国全部有 DTP 序列，从 1980 年起连续 45 年无中断，这是 MCV2、PCVc、RotaC 都不具备的连续性。
第二，DTP3 需要三次接触。它同时测量「服务可及」（第一针能不能打到）与「服务连续」（能不能回来打完），比单剂指标信息量更大。DTP1 高而 DTP3 低，说明系统能触达但留不住人；两者都低，说明触达本身有问题。
第三，DTP3 对冷链与供应链的敏感度适中。它不像 MCV 那样对冷链极度敏感（麻疹疫苗热稳定性差），也不像 BCG 那样只在出生时打一次，因此更能反映常规服务的稳定性。
第四，历史可比性最好。1980 年 20%、1990 年 76%、2000 年 72%、2010 年 83%、2020 年 83%、2025 年 85%——这条曲线几乎是全球初级卫生保健能力的缩影。
但 DTP3 也有盲点：它不含麻疹成分，麻疹防控的成效必须看 MCV1/MCV2；它也不反映新疫苗（PCV、Rota）的引入。因此「DTP3 达到 90%」不等于「免疫规划完善」，这是 IA2030 强调多指标监测的原因。

19.2 MCV2：一个被低估的关键指标

MCV2 是 2025 年数据中最值得注意的指标之一。全球 77%，比 2019 年的 71% 高出 6 个百分点，是少数超过疫情前水平的指标。但 77% 距 95% 的麻疹消除门槛仍有 18 个百分点。
MCV2 的特殊性在于：

它衡量的是「第二剂」的完成率。麻疹疫苗第一剂在 9 或 12 月龄接种，第二剂通常在 15-18 月龄，需要家长第二次带孩子到接种点。第二剂的脱落率直接反映家长对接种的重视程度与服务便利性。
它的国家覆盖极不均衡。部分高收入国家 MCV2 接近 95%，而撒哈拉以南非洲多国低于 50%。全球 77% 是加权后的结果，掩盖了巨大的国家间差异。
它受麻疹疫情反向驱动。疫情暴发后各国常开展补充免疫活动（SIA），短期内提升 MCV2，但 SIA 不计入常规覆盖率（WUENIC 只测常规服务），因此疫情年的 MCV2 可能不升反降。

2025 年 MCV1 84%、MCV2 77%，两者差 7 个百分点。这个差距就是「第一剂到第二剂」的脱落，是全球麻疹防控最直接的短板。新闻稿指出 57 国报告大规模麻疹疫情，与这 7 个百分点的缺口直接相关。

19.3 HepB 出生剂：43% 背后的时间窗

HepB 出生剂（HepB-BD）要求新生儿在出生后 24 小时内接种，用于阻断母婴传播。全球 43% 的覆盖率是所有 WUENIC 指标中最低的之一（仅高于 MenA 的 30%）。
43% 这个数字的含义需要拆开看：

它要求接种发生在产科病房，而不是社区卫生站。这意味着分母不只是「有多少婴儿」，而是「有多少婴儿在有能力接种的机构出生」。在家分娩比例高的国家，HepB-BD 覆盖率天然受限。
它与机构分娩率高度相关。全球机构分娩率约 80%，但 HepB-BD 只有 43%，说明即便在机构内出生，也有大量新生儿未在 24 小时内接种——可能是疫苗缺货、流程不顺、或记录不完整。
它与 HepB3 的差距（84% vs 43%）揭示了一个结构性缺口：三剂乙肝疫苗的完成率远高于出生剂，说明常规免疫服务能覆盖，但「出生即刻」这个时间窗没抓住。

对公共卫生而言，HepB-BD 是「最容易改进但最难测量」的指标：改进只需要在产房备苗、把接种纳入出生流程；难测量是因为 24 小时的时间界定在不同国家的记录系统里标准不一。

19.4 新疫苗的爬坡：PCVc 与 RotaC 的十五年

PCVc 2010 年 10%、2025 年 71%；RotaC 2010 年 8%、2025 年 61%。两条曲线形状相似，都是「前五年缓慢、中间五年加速、最近五年趋缓」。
爬坡慢的原因不是需求不足，而是供给侧的门槛：

价格：肺炎链球菌结合疫苗与轮状病毒疫苗单价远高于传统 EPI 疫苗，需要 Gavi 集体采购与梯级定价；
冷链：RotaC 为口服活疫苗，对冷链要求高，且接种窗口严格（通常 6-15 周龄首剂）；
程序调整：引入新疫苗需要修订国家免疫程序、培训接种人员、更新接种卡；
供应集中：PCV 与 Rota 的全球供应商数量有限，产能爬坡本身需要数年。
2020 年代后期，两条曲线趋缓的原因可能是「易引入国家已引入，剩余国家面临更大障碍」——这与经典的创新扩散 S 曲线一致。若要继续提升，增量成本会显著高于前期。

19.5 MenA 与 YFV：地理限定指标的读法

MenA 30%、YFV 53% 这两个数字看起来很低，但不能与全球覆盖率比较，因为它们的国家集合是地理限定的：

MenA 只在撒哈拉以南非洲脑膜炎带 26 国推荐，2025 年目标人口 3274 万。30% 意味着该地带约三分之一的目标儿童接种了 MenA 结合疫苗。这个数字的参照系是「脑膜炎带内部」，不是全球。
YFV 只在 WHO 认定的 39 个黄热病风险国推荐，2025 年目标人口 3688 万。53% 意味着风险国中约一半儿童接种。

误读的典型方式是「全球 MenA 覆盖率只有 30%，说明流脑防控很差」——实际上非风险国本来就不需要常规接种 MenA，把它们的 0 计入分母是错误的。使用这两个指标时，必须同时报告「纳入国家数」与「目标人口」，否则数字没有意义。

19.6 IPV1 与 IPVc：脊灰过渡期的双指标

脊灰疫苗的指标设计反映了全球脊灰消灭战略的过渡：

IPV1（2015 起）：灭活脊灰疫苗第一剂，通常是 6 周龄与 OPV 同时接种；
IPVc（2021 起）：灭活脊灰基础免疫完成剂，2 或 3 剂取决于国家程序。

两个指标并存的原因是世界卫生组织在 2016 年启动「脊灰疫苗转换」（OPV 三价改二价），并推动各国在 OPV 基础上增加至少一剂 IPV。IPV1 衡量「是否引入 IPV」，IPVc 衡量「IPV 基础程序是否完成」。
2025 年 IPV1 86%、IPVc 74%，差 12 个百分点。这个差距比 DTP1-DTP3 的 5 个百分点大得多，说明 IPV 的完成率是脊灰防控的新短板。随着 OPV 逐步退出、全 IPV 程序成为趋势，IPVc 的重要性会继续上升。

§20 数据质量与不确定性

20.1 三类输入误差

WUENIC 的不确定性并非单一来源，而是三类输入误差叠加的结果。理解了这三类误差如何传导到最终估算值，才能判断某个数字的可信区间大致落在什么范围。

第一类是分子误差。行政数据中的接种剂次数来自基层接种点的上报，错记、漏记、重复记都会累积。常见表现是某些国家某年的剂次数出现「整千整万」的圆整值，这是人工汇总的痕迹。另一个常见问题是「多剂次合并接种」的记录方式：一针五联疫苗在登记时可能被同时计为 DTP、Hib、HepB 三个剂次，若不同抗原的上报口径不一致，就会出现三个抗原覆盖率差异异常小的情况。

第二类是分母误差。目标人口来自 UN WPP 的存活婴儿数估计，而各国实际人口基数可能与 WPP 有系统性偏差。撒哈拉以南非洲部分国家的人口普查间隔超过十年，普查间隔期的人口增长只能靠模型推算；冲突国家的人口流动（跨境难民、境内流离失所）更难反映在常住人口中。分母偏大时覆盖率被低估，偏小时覆盖率被高估甚至超过 100%。

第三类是调查误差。住户调查的覆盖率受抽样设计、样本量、接种凭证可获得性与回忆偏倚的共同影响。有接种卡的儿童靠卡片记录，无卡儿童靠母亲回忆，后者准确性明显更低。抽样误差在国家级估计中通常为 2 至 5 个百分点，但在次国家级或小规模子群中可能超过 10 个百分点。

20.2 误差如何进入 GoC

GoC 的设计正是为了把上述误差「压缩」成一个可读的信号。如果国家报告值、独立分母重算值与调查值三者互相接近（差值均小于 10 个百分点），说明分子、分母、抽样三条路径指向同一个结论，误差可能被相互抵消；反之，如果三者互相矛盾，说明至少有一条路径存在系统性问题，此时星级下降。

但 GoC 有一个先天局限：它只判断一致性，不判断正确性。如果所有证据都来自同一个有偏的上报系统，它们可能高度一致却集体偏离真实值。这在行政系统强势、调查稀少的国家尤为可能。因此三星不等于「准确」，只等于「自洽」。

20.3 外推的年数效应

未报告国家的估算值按上一年外推。外推年数越长，不确定性越大。一个国家若连续三年未报告，其估算值实际上已经脱离任何当年证据，只是「最后一次已知值」的延续。使用这类国家的数据时应至少做两项检查：一是该国的 GoC 星级，二是该国上一次有实证数据的年份。

在实践中，外推带来的偏差方向并不确定：若该国覆盖率在下降，外推会高估；若在上升，外推会低估。这意味着外推国家的数据不适合用于趋势判断，只适合用于「最后一年的截面水平」的粗略参考。

20.4 与 IHME 的差异有多大

WUENIC 与 IHME 的覆盖率估计在同一国家同一年份常常相差 1 至 5 个百分点，个别国家超过 10 个百分点。差异来源主要有三：一是方法不同（规则式 vs 时空高斯过程），二是数据纳入标准不同，三是人口分母不同（IHME 常用自有估计）。

这类差异不应被理解为「谁对谁错」，而应理解为「两种建模假设下的合理区间」。做政策分析时，比较稳妥的做法是同时报告两家的值，并把差异作为不确定性的一部分写入结论，而不是二选一。

20.5 数据质量的分层使用

把国家按证据充分程度分三层，是一种实用的使用策略：

第一层（证据充分）：近三年内至少有一次合格调查、有连续的国家报告、GoC 多为三星。这一层可用于趋势分析与模型训练的高置信样本。
第二层（证据一般）：有国家报告但缺少调查，或调查间隔较长。这一层可用于截面分析，但趋势解读需谨慎。
第三层（证据薄弱）：主要依赖外推、GoC 多为一星、或其他来源冲突严重。这一层只适合做定性说明，不宜进入定量模型的核心样本。

按 2025 revision 的整体情况，第一层约占一半国家，第三层集中在冲突与脆弱地区。这一分层本身就是一个重要的研究变量：覆盖率低的国家往往也是证据薄弱的国家，这会系统性放大对「最需要帮助的人群」的估计误差。

20.6 报告误差的写法

在论文中描述 WUENIC 的不确定性，建议采用如下句式：

Country-level estimates were subject to input data quality limitations. We therefore stratified analyses by Grade of Confidence and report the proportion of estimates derived by extrapolation. No confidence intervals are available for WUENIC estimates; GoC reflects the accumulation of supporting evidence rather than statistical uncertainty.

这段话承认了输入误差，说明了分层策略，并明确了 GoC 的语义边界，足以回应审稿人对不确定性的质询。

§21 与相关监测体系的接口

21.1 覆盖与疾病：两套监测体系

WUENIC 测量的是「接种了多少」，而疾病监测测量的是「发病了多少」。两者是因果链的两端，但在数据层面完全独立。把两者连接起来，是评估疫苗效果与预测疫情风险的必要步骤。

具体接口有三条：一是麻疹监测的月度报告（Measles Rubella Monthly Surveillance Data），提供各国麻疹确诊病例数与暴发情况；二是脊灰监测的急性弛缓性麻痹（AFP）病例报告与环境采样；三是 WHO 的疫苗可预防疾病（VPD）年度报告病例数。三条接口的数据都与 WUENIC 同处 immunizationdata.who.int 门户，但分属不同专题。

连接的方式通常是「覆盖率 × 人口 = 免疫人群规模」，再与「病例数 / 人口 = 发病率」做相关分析。这类分析的关键在于时间对齐：WUENIC 的年份是接种年份，而病例报告的年份是发病年份，麻疹从感染到确诊有数周延迟，跨年比较时需考虑这一点。

21.2 覆盖与疫苗引入

WUENIC 只给覆盖率，不给「是否引入」。引入信息在门户的疫苗引入专题数据中，字段包括引入年份、疫苗类型、程序安排。两者结合才能回答「某国引入 PCV 后覆盖率爬坡多快」这类问题。

需要注意：疫苗引入年份与 WUENIC 序列起始年常常不一致。引入当年可能因为数据不足而未被纳入估算，第二年才开始有值。因此「从 0 到 90% 用了几年」的计算起点应取 WUENIC 首个非空年份，而不是引入年份。

21.3 覆盖与卫生系统指标

WUENIC 的覆盖率常被用作卫生系统绩效的代理指标，与以下数据联用：

机构分娩率：解释 HepB 出生剂的覆盖上限；
DTP1 到 DTP3 的脱落率：反映服务连续性与家长依从性；
卫生支出与人力密度：解释国家间的覆盖率差异；
冲突与治理指标：解释 FCV 国家的波动。

这些联用的共同前提是「覆盖率与系统能力同向变化」，但在实践中存在反向案例：高覆盖率可能来自强制接种政策，而系统本身并不健全。因此覆盖率只能作为系统绩效的「必要非充分」证据。

21.4 与人口数据的接口

WUENIC 的所有分母与聚合权重都来自 UN WPP。WPP 每两年修订一次，修订会改变历史人口估计，进而改变覆盖率的加权聚合值。这意味着「同一个 WUENIC revision 在不同时间下载，全球聚合值可能不同」——虽然官方通常在同一次发布中统一使用同一版 WPP，但跨发布的比较仍要小心。

工程上的做法是：在元数据中记录 WPP 版本（2025 revision 使用 WPP 2024），并在做长序列分析时保持一致。

21.5 与卫生经济学模型的接口

覆盖率是疫苗成本效果模型的核心输入。模型通常需要三类参数：覆盖率、疫苗效力、疾病负担。WUENIC 提供第一类，后两类来自文献与 GBD。由于覆盖率的不确定性会直接传导到成本效果比，建模时应做概率敏感性分析，把 GoC 星级映射为覆盖率的分布假设（如三星对应较窄分布、一星对应较宽分布）。

这类映射没有官方标准，属于建模者的判断，必须在方法学部分明确写出假设，避免读者误以为不确定性来自官方。

§22 数据口径的横向对照与选用建议

§4 讲过四种口径的定义，本节解决「知道定义之后怎么选」的问题。四套口径（WUENIC 估算、OFFICIAL 官方报告、ADMIN 行政报告、调查值）在同一国家同一年可以相差 10 个百分点以上，选错口径往往比数据本身误差造成的问题更大。

22.1 四套口径的适用场景

WUENIC：唯一适合做跨国横截面比较与长序列趋势的口径。原因是它的建模规则对全部国家一致，且已对报告延迟、分母偏差、调查时点差异做了统一处理。凡是「跨国排名」「全球合计」「区域均值」类命题，只能用这一套。
OFFICIAL：适合研究「国家自己声称的水平」，以及报告完整度本身作为治理能力的代理变量。注意它不是原始上报值，而是经过本国卫生部门确认的年度官方数字，通常已包含本国对行政数据的修正。
ADMIN：适合做短周期（月/季）监测与运营预警，是四套里唯一在年内会有更新的口径。缺点是分母常取自行政估算而非 UN WPP，覆盖率可能系统性偏高，且各国统计月份不一致。
调查值：适合做覆盖率的外部验证与偏倚评估。样本量有限、有回忆偏倚，但它是唯一不依赖「分母假设」的口径，因此在评估行政数据虚高时最有说服力。

22.2 口径混用的三种典型症状

趋势断裂：把 2010-2015 年用 ADMIN、2016 年后用 WUENIC 拼成一条线，会在拼接点出现凭空跳变。判断方法：若跳变恰好落在某个整年且方向在全球范围内一致，多半是口径切换而非真实变化。
排名反转：同一指标用 OFFICIAL 排名与用 WUENIC 排名，部分国家的位次会变化。文献中若只给排名不给口径与 revision，结论不可复核。
分母错配：用 ADMIN 的 DOSES_NUMBER 除以 WUENIC 的 TARGET_NUMBER 得出一个「覆盖率」，这个数既不是行政覆盖率也不是估算覆盖率，而是一个无意义的混合量。必须成对取用同一口径的分子与分母。

22.3 与外部数据源对表时的容差

与 IHME、World Bank、UNICEF 自有出版物对表时，先确认对方引的是哪个 revision。经验容差：同一 revision 内，WUENIC 与 GHO OData 返回的全球值应当完全一致（见 §15.3 的校验脚本）；跨 revision 同一指标同一年份的差异通常在 0-3 个百分点，个别国家在方法学大改的年份可能超过 5 个百分点。超过 5 个百分点且无法用 revision 差异解释的，应优先怀疑对方用了 OFFICIAL 或 ADMIN 口径而非 WUENIC。

22.4 报告与撰写的表述规范

一句合格的表述至少包含四要素：指标全称与剂次、年份、口径、revision。例如「2025 年全球 DTP 第三剂（DTP3）覆盖率 85%，为 WUENIC 2025 revision 估算值」；不合格的表述是「全球免疫覆盖率约八成五」，缺年份、缺口径、缺 revision，读者无法复核。给政策部门的材料可简化为「85%（WHO/UNICEF 2025 年估算）」，但底稿里必须留全四要素。

22.5 一句话选用口诀

跨国比趋势用 WUENIC，看国家自述用 OFFICIAL，做年内预警用 ADMIN，验真伪用调查值。 四套口径各管一段，任何试图「取最大」「取平均」把四者揉成一个数的做法都会引入不可解释的偏误。

§23 区域深读

23.1 非洲区域（AFR）：人口增长与覆盖率赛跑

AFR 2025 年 DTP1 83%、DTP3 76%，目标人口 3969 万。这 3969 万占全球目标人口的 30.7%，而 1980 年这一比例不到 15%。非洲的绝对出生数在快速增长，即便覆盖率提升，zero-dose 的绝对人数也可能不降。把 3969 万与 2019 年的目标人口对比，六年间 AFR 的出生队列增加了约 500 万，这相当于每年要多完成约 500 万剂 DTP1 的接种量才能让覆盖率原地不动；换算成 DTP3，缺口还要再乘上「接种完成率」的折损。这是读非洲数据时最容易忽略的一层：覆盖率是比率，负担是绝对数，两者的变化方向可以相反。
AFR 的核心矛盾是「覆盖率停滞 + 人口增长」：DTP3 从 2019 年的水平到 2025 年仍低于疫情前，而目标人口每年增加约 100 万。这意味着每年需要多接种 100 万剂才能维持覆盖率不变，更不用说提升。按 DTP3 76% 与 DTP1 83% 的差值估算，AFR 的 DTP1→DTP3 脱落率约 7 个百分点，区域内部脱落最严重的国家可达 15 个百分点以上，这部分「来过一次但没打完」的儿童在干预设计上与 zero-dose 儿童需要完全不同的策略：前者要解决的是依从性与随访，后者要解决的是可及性与信任。WUENIC 本身不区分这两类人群，只能通过 DTP1 与 DTP3 的差值间接推断，做项目设计时必须另配调查数据。
AFR 内部差异极大：卢旺达、布隆迪等国 DTP3 超过 90%，而中非共和国、南苏丹、乍得等国低于 50%。区域均值掩盖了这种两极分化：卢旺达 95%、布隆迪 89%，而尼日利亚 62%。尼日利亚一国的出生队列就占 AFR 的近四分之一，其覆盖率每变动 1 个百分点，对区域均值的影响相当于若干个卢旺达的总和——这正是区域均值会被大国单一驱动的典型例子。做 AFR 的横截面分析时，建议同时给出「人口加权均值」与「国家中位数」两个数，两者差距越大，说明区域内部分化越严重；AFR 近年这两个数的差距通常在 15 个百分点以上，是所有区域里最大的。

23.2 东南亚区域（SEAR）：从追赶者到领跑者

SEAR 2025 年 DTP1 96%、DTP3 94%，目标人口 2868 万，是六大区域中表现最好的。这个结果在 2010 年代是难以想象的——当时 SEAR 的覆盖率低于欧洲与美洲。这条反转线的意义在于它证明区域层面的覆盖率不是结构性的宿命：二十年间 SEAR 从落后到领先，靠的是大规模专项运动、数字化登记与稳定的政治承诺三条同时到位，缺一条都不成。对做跨国面板回归的研究者，SEAR 的存在使得「区域虚拟变量」的解释力被大幅削弱，用固定效应模型时要注意 SEAR 内部的时间趋势本身就高度异质。
转变的关键是印度。印度占 SEAR 目标人口的六成左右，其 DTP3 从 2019 年的 91% 提升到 2025 年的 95%（WUENIC 2025 revision 国家值）。印度的提升来自 Mission Indradhanush（2014 启动）与 Intensified Mission Indradhanush（2017）等专项运动，以及电子疫苗登记系统（eVIN）对冷链与库存的数字化管理。
印尼（DTP1 85%）、菲律宾（DTP1 79%，2019 年为 87%）仍是 SEAR 的短板，两国也是全球 zero-dose 儿童的主要来源国之一。SEAR 的区域均值由印度拉高，但区域内部并不均衡。需要提醒的是，印度的高位并非全境一致：WUENIC 只给国家值，而印度的邦级差异（北方邦、比哈尔邦与南部各邦之间）可达 20 个百分点以上，用国家值做次国家政策评估会严重失真。这一限制对印尼（群岛国家）、菲律宾（山地与岛屿）同样成立，且这三国的次国家差异恰好集中在 zero-dose 高发地区。

23.3 欧洲区域（EUR）：高均值下的裂缝

EUR 2025 年 DTP1 94%、DTP3 91%，是仅次于 SEAR 的区域。但欧洲的问题不在均值，而在裂缝：

乌克兰（DTP1 95%，与 2024 年持平，2019 年为 89%）在战争中仍维持高覆盖率，但麻疹覆盖率波动剧烈；
波黑（BIH）MCV1 从 2024 年的 69% 跌到 2025 年的 46%；
部分中亚国家（塔吉克斯坦、吉尔吉斯斯坦）覆盖率在 90% 上下波动；
西欧部分国家的疫苗犹豫导致麻疹局部暴发。

欧洲的特点是「高覆盖 + 局部脆弱」，这与非洲的「低覆盖 + 普遍脆弱」是不同类型的问题。欧洲的监测重点应是次国家级差异与疫苗信心，而非全国均值。波黑 MCV1 一年内从 69% 掉到 46%，是 2025 revision 中欧洲最刺眼的一处变化，其成因不是疫苗供应或可及性，而是接种意愿与信任的快速下滑——这类「制度健全但信心塌陷」的下降，靠补物资无法修复，只能靠沟通与社区动员。欧洲区域内还有一个结构性特点：许多国家的 DTP 覆盖率长期在 93%-97% 之间窄幅波动，看起来平稳，但麻疹这类基本再生数极高的疾病对覆盖率下降极度敏感，95% 与 92% 在流行病学上可能是「安全」与「暴发」的分界，因此欧洲数据的读法应当是看阈值附近的绝对水平，而非看变化幅度。

23.4 西太平洋区域（WPR）：距基线最远

WPR 2025 年 DTP1 91%、DTP3 89%，是距 2019 年基线最远的区域。新闻稿明确指出该区域面临麻疹与脊灰疫情、公众信心下降、财政压力三重挑战。
区域内差异同样巨大：中国（DTP1 97%）、越南（DTP1 99%）、古巴等维持高位；日本 DTP3 从 2024 年的 99% 降至 2025 年的 91%，值得关注；菲律宾（DTP1 79%）、巴布亚新几内亚（DTP1 49%）是短板。PNG 的 DTP3 43% 是全球最低之一，与其地理分散（岛屿、山地）和卫生系统薄弱直接相关。
WPR 的另一个特征是「无脊灰状态」已维持 25 年，但疫苗衍生脊灰病毒（cVDPV）的输入风险持续存在，这与部分国家的低 IPV 覆盖率直接相关。WPR 的「距基线最远」还有一层结构性原因：区域内既有中国、日本这类高覆盖大国，也有太平洋岛国这类人口少、物流成本极高的经济体，后者的覆盖率对区域均值的数值影响很小，但对「区域是否达标」的实质影响很大——加权均值会把小国的困境稀释掉。因此评价 WPR 时应把「大国的稳定」与「岛国的脆弱」分开陈述，避免用一句「区域覆盖 91%」掩盖两类完全不同的问题。

23.5 东地中海区域（EMR）：冲突的核心区

EMR 2025 年 DTP1 88%、DTP3 81%，目标人口 1939 万。区域内集中了全球最严重的冲突相关免疫危机：也门（DTP1 49%，2019 年 65%）、叙利亚（DTP1 75%）、阿富汗（DTP1 67%）、苏丹（DTP1 83%，2019 年 99%、2024 年 48%——先崩后弹）。
EMR 的特点是「极端波动」：同一国家在不同年份的覆盖率可能相差 20 个百分点以上，且波动与冲突强度高度同步。使用该区域数据时，必须逐年查看国家档案的注释，不能只看趋势线。苏丹 99%→48%→83% 的路径尤其值得拆解：2024 年的 48% 反映的是冲突爆发后报告体系几近中断，2025 年的 83% 一部分是真实恢复，另一部分可能是报告恢复后补报与分母调整共同作用的结果。在冲突国家，覆盖率的回升不必然等于服务的回升，也可能等于「统计重新看得见了」。做 FCV 情景分析时，建议同时看 CONFIDENCE 星级：冲突年份的星级通常会下降，若某年覆盖率跳升而星级同时下滑，应把它当作「数据可信度变化」而非「服务改善」的信号。

23.6 美洲区域（AMR）：恢复与不平等并存

AMR 2025 年 DTP1 92%、DTP3 86%，已完成疫情后恢复并超过 2019 年基线。但美洲的不平等问题突出：海地（DTP1 78%）、委内瑞拉（DTP1 57%，2019 年 85%）与智利（DTP3 95%）、古巴（DTP3 99%）形成鲜明对比。
美洲的另一个特征是「高收入国家的犹豫」：美国、加拿大部分地区的麻疹疫苗接种率下降，导致 2019 年以来多次局部暴发（此类次国家波动在 WUENIC 国家均值中不可见）。这类问题在 WUENIC 的国家均值中不明显，但公共卫生意义重大。AMR 的内部结构还有一个容易被忽略的特点：海地与委内瑞拉的低覆盖与美加的高覆盖并存，使区域加权均值（92%）看起来几乎无虞，而实际上区域内既有「服务供给崩溃型」的低覆盖，也有「意愿下降型」的局部低覆盖，两者在政策上需要完全相反的处方。读 AMR 数据时应按「失败类型」而非「地理相邻」分组。

§24 数据新闻与可视化建议

24.1 五种有效的图表

折线图（全球趋势）：1980-2025 年 DTP1/DTP3/MCV1 三条线，标注 2019 与 2021 两个转折点。
哑铃图（国家对比）：2019 与 2025 年 DTP3 的对比，按变化幅度排序，突出苏丹、叙利亚、南非。
热力图（区域 × 抗原）：六个区域 × 15 抗原的 2025 年矩阵，一眼看出区域强项与弱项。
散点图（DTP1 vs DTP3）：以 DTP1 为 x、DTP3 为 y，对角线为「无脱落」参照，右下方的点即高脱落国家。
地图（国家 DTP3）：分级设色，标注低覆盖国家。

24.2 三个常见的可视化错误

把区域均值画成国家均值：区域值是加权聚合，不等于区域内国家的算术平均。
用绝对人数画趋势而不用比率：非洲出生数增长会让 absolute 剂量数上升，掩盖覆盖率的停滞。
忽略 GoC 的图形表达：用点的大小或透明度表示 GoC，读者才能判断趋势的可靠性。

24.3 一个合格的图注模板

Source: WHO/UNICEF Estimates of National Immunization Coverage (WUENIC),
2025 revision (released 15 July 2026; data through 2025).
Global and regional values are weighted by UN WPP 2024 surviving infants.
Estimates are modelled, not directly observed; see GoC for evidence strength.

这段图注满足了可复现性的三个要素：版本、加权方法、估算性质声明。

§25 决策与行动清单

25.1 给数据工程师

[ ] 下载 coverage-data.xlsx 并计算 SHA-256 存档
[ ] 过滤 COVERAGE_CATEGORY == WUENIC
[ ] 处理页脚 Created 行
[ ] 建立国家代码与 UN WPP 的映射表
[ ] 转 Parquet 并建立年份/国家/抗原索引
[ ] 写一个 GHO 一致性校验脚本
[ ] 记录下次发布日期（2027-07）并设置提醒

25.2 给研究者

[ ] 明确研究问题是「覆盖水平」还是「覆盖趋势」
[ ] 决定是否使用 GoC 筛选样本
[ ] 决定是否用 WPP 人口做加权
[ ] 在方法学部分引用 Burton 2009 与 Brown 2013
[ ] 在结果部分注明 revision 与访问日期
[ ] 检查是否存在跨 revision 拼接

25.3 给政策与媒体

[ ] 引用时优先用 DTP3 作为免疫规划绩效指标
[ ] 区分 zero-dose 与 dropout 的政策含义
[ ] 注意区域均值掩盖国家差异
[ ] 不要把「57 国麻疹疫情」归因于 WUENIC
[ ] 报道冲突国家时说明外推与 GoC 风险

25.4 给模型开发者

[ ] 按年份与国家分组划分数据集（避免泄漏）
[ ] 用 GoC 做样本权重或分层评估
[ ] 排除未引入年份的空值
[ ] 明确模型的知识截止日与数据 revision 的差距
[ ] 在评估报告中注明「WUENIC 是估算，模型误差包含标签误差」

§26 关于「AI-Ready」的最后说明

千方病案医数集把 WUENIC 归为「AI-Ready」数据集，依据不是它可以直接喂给模型，而是它具备三个条件：可获取（免注册、单文件、扁平结构）、可解释（方法学公开、GATHER 合规）、可链接（ISO 代码、年份、抗原代码可与人口、经济、疫情数据联表）。
但它也暴露了官方数据集在 AI 时代的共性短板：语义不在数据里，而在文档里。GoC 在 PDF 里，调查值在另一张表里，缺失原因没有编码，抗原代码有三套命名。这些都需要二次加工才能进入模型流水线。
本条目的价值，正在于把这些「文档里的语义」翻译成可检索、可比对、可复用的描述，让使用者在下载数据之前就知道哪里会踩坑、哪些数字能直接引用、哪些必须加限定语。
同时必须强调：任何二次加工都不能改变官方数字的含义。若本条目与 WHO 官方数据不一致，一律以官方为准；若官方发布新 revision，本条目中所有数字都应视为过期并重新核对。这不是免责声明，而是使用动态估算数据的基本纪律。
最后一句话：WUENIC 的每一个数字背后，都是一群儿童是否打到了疫苗。把估算当作估算使用，是对这些数字最基本的尊重。

§27 补编：与官方口径的逐条对账

本节把本条目正文中出现的所有数字，按来源逐条对账，便于读者验证与后续复核。所有「实测」均指 2026-10-17 下载的 coverage-data.xlsx（17,431,751 字节，2025 revision）。

25.1 版本与范围对账

条目	官方口径	本条目表述	结论
最新 revision	2025 revision（completed 15 July 2026）	2025 revision，2026-07-15 发布	一致
数据截止	21 June 2026	2026-06-21	一致
时间跨度	1980-2025	1980-2025（45 个年度）	一致（含首尾须用 2025−1980+1）
成员国	195	195	一致
eJRF 回收	188 / 195	188 / 195	一致
有覆盖数据	185（占出生队列 95%）	185，95%	一致
抗原数	15 个疫苗-剂量组合	15 个抗原-剂量组合（IPV 计作两行时为 15，按抗原类别为 14）	一致，并补充了双数法
聚合权重	UN WPP 2024 存活婴儿数	UN WPP 2024 存活婴儿数	一致

25.2 全球数字对账

指标	新闻稿（2026-07-15）	xlsx GLOBAL 层	本条目采用	说明
DTP1	90%，近 1.16 亿	90%，115,726,645 / 129,199,946	90%，1.157 亿	新闻稿取整为 1.16 亿
DTP3	85%，1.10 亿	85%，109,553,462	85%，1.096 亿	新闻稿取整为 1.10 亿
MCV1	84%	84%，108,424,250	84%	一致
MCV2	77%	77%，99,538,395	77%	一致
zero-dose	13.5 百万，较上年减约 750,000	差值 13,473,301	约 1350 万，减 74.5 万	新闻稿取整
DTP1→MCV1 脱落	7.3 百万	7,302,395	730 万	一致
麻疹疫情国家数	57	不含此数据	明确标注为非 WUENIC 数据	来源为麻疹监测

25.3 区域数字对账

区域	DTP1（xlsx）	DTP3（xlsx）	新闻稿定性	结论
AFR	83	76	有增长但低于疫情前	一致
AMR	92	86	已完全恢复并超过 2019	一致
EMR	88	81	有增长但低于疫情前	一致
EUR	94	91	有增长但低于疫情前	一致
SEAR	96	94	表现最好	一致
WPR	91	89	出现下降，距基线最远	一致

25.4 单国数字对账（取自 xlsx COUNTRIES 层）

国家	指标	2019	2024	2025	新闻稿口径
SDN 苏丹	DTP1	99	48	83	一年涨 35 个百分点（48→83）
SYR 叙利亚	DTP1	77	81	75	一年降 6 个百分点（81→75）
SYR 叙利亚	MCV1	—	—	—	一年降 12 个百分点（正文只引新闻稿）
ZAF 南非	DTP1	87	76	67	自 2019 降 20 个百分点（87→67）
BIH 波黑	MCV1	79	69	46	一年降 23 个百分点（69→46）
NGA 尼日利亚	DTP1	—	—	70	未在新闻稿单列
IND 印度	DTP3	91	94	95	未在新闻稿单列
PNG 巴新	DTP3	35	42	43	未在新闻稿单列
YEM 也门	DTP1	65	53	49	未在新闻稿单列

这张表的价值在于：新闻稿的四个单国数字全部可以从 xlsx 复算。苏丹 +35（48→83）、叙利亚 −6（81→75）、南非 −20（87→67）、波黑 −23（69→46），四点全部吻合。这说明新闻稿与数据文件出自同一版本，未见口径漂移。

25.5 三处需要留意的不一致

不一致一：抗原数的「14 vs 15」。 官方 wuenic_notes.pdf 明列 15 个组合，题面与部分二手资料写 14 类。差异仅在 IPV 的拆分方式。本条目统一采用 15 个组合，并在 §2.2 与 FAQ Q13 两处解释双数法，避免读者以为其中一处写错。

不一致二：GHO 指标数与 WUENIC 抗原数。 GHO 只有 11 个带「(WUENIC)」标签的指标（若把 ROTAC、VACCINECOVERAGE_YFV 这类未标 WUENIC 的旧码也算入，免疫相关指标共 19 个），而 WUENIC 有 15 个组合。差额集中在 HepB 出生剂与风疹 RCV1 没有独立 GHO 入口。这不是数据缺失，而是两个系统的覆盖范围不同。使用者在「要 15 条完整曲线」时必须走专题门户，不能只依赖 GHO。

不一致三：PAB 的版本滞后。 coverage-data.xlsx 的 Reference 表明写「PAB estimates: 2024 revision (no 2025 revision published)」，而 WUENIC 与 HPV 均为 2025 revision。把 PAB 与 WUENIC 并列时，必须注明 PAB 是 2024 版，否则会造成版本混淆。

25.6 读者自查清单

下载数据后，用以下五步快速核验自己所持文件是否为 2025 revision：

看 Reference 表第一段是否含「2025 revision (completed 15 July 2026)」；
看 Data 表最后一行 GROUP 是否为 Created: 2026-17-10 12:00 UTC（注意日/月顺序颠倒）；
查 GLOBAL / 2025 / DTPCV3 的 COVERAGE 是否为 85；
查 COUNTRIES / SDN / 2025 / DTPCV1 是否为 83；
调 GHO WHS4_100?$filter=SpatialDim eq 'GLOBAL' and TimeDim eq 2025，看是否为 85。
五步全部吻合，方可确认数据版本与本文一致。任一步不吻合，说明文件或接口尚未同步到 2025 revision，本文所有数字需重新核对。

25.7 对下一版（2026 revision）的预判

基于当前信息，对 2027 年 7 月发布的 2026 revision 可做三点预判，供读者参考（非官方承诺）：

全球 DTP3 大概率不会突破 87%。资金收缩的滞后效应将在 2026 年数据中显现，新闻稿已明确「The full impact of cuts to international health financing … is not yet reflected in these estimates」。
FCV 国家的 zero-dose 占比会继续上升。新闻稿指出超过一半的 zero-dose 儿童生活在 FCV 环境，而 FCV 占全球儿童人口约三分之一，这一比例在 2026 年难以逆转。
IPVc 可能继续以每年 3-4 个百分点的速度上升，因其基数低（74%）且各国正从 IPV1 向完成程序过渡。
这三点预判不构成对 WUENIC 的补充，只是帮助读者理解「为什么下一版可能更难看」。任何预测都应标注为「基于 2025 revision 的推断」，并待 2027 年 7 月官方发布后修正。

25.8 结语

WUENIC 的复杂性不在于数据量大（17 MB 的 Excel 并不大），而在于语义密度高：一个 85% 的背后是 195 个国家的报告、数百次调查、上万条专家裁定，以及一个每年重算一次的规则体系。把它当作普通 CSV 使用，会不断踩坑；把它当作一个有方法论的估算体系使用，才能在论文、政策与产品中站得住。
本条目所有解释都以官方文本与实测数据为依据，凡推断之处均已标注。若读者发现本文与官方最新口径冲突，请以官方为准，并将差异反馈至千方病案医学编辑部，以便下一轮修订时更正。

25.9 版本记录

日期	动作	说明
2026-10-17	初稿成文	基于 2025 revision 实测，交叉核对 WHO 新闻稿、wuenic_notes、GATHER 合规论文、IVIR-AC 2019 报告、GHO OData 实测
待定	下一轮复核	2027 年 7 月 2026 revision 发布后，需重核 §7、§19、§20、§23、§27 全部数字

版本记录的判定标准写在此处，供下一轮复核者参照：凡正文中出现的百分比或绝对数，若其来源为 coverage-data.xlsx，须在新 revision 的同一路径下重新抽取并逐一替换；若来源为新闻稿或 PDF，应以新出版本的同段落为准；若两处冲突，仍按「xlsx 优先、冲突另注」的既有规则处理。复核完成前，本条目的数字只对 2025 revision 有效，不应被引用为「最新」。

§28 附：字段字典与取数片段

本节把散落在正文各处的字段说明集中成一张字典，并给出可直接运行的取数片段，目的是让读者不必通读全文就能开工。字段取值与语义均以 2025 revision 的 coverage-data.xlsx 实测为准。

字段	类型	取值示例	语义	常见误用
GROUP	文本	COUNTRIES / GLOBAL / WHO_REGIONS	该行的聚合层级	把 COUNTRIES 与 GLOBAL 一起 groupby，导致全球值被重复计入
CODE	文本	NGA / AFR / GLOBAL	ISO 三字码或聚合代码	把 GLOBAL 当作国家代码去关联 WPP
NAME	文本	Nigeria	实体全称	用名称而非 CODE 做连接键（名称存在变体）
YEAR	整数	1980-2025	数据年份	与 revision 年份混淆
ANTIGEN	文本	DTPCV1 / MCV2	抗原-剂量组合代码	按抗原类别计数，得出 14 而非 15
ANTIGEN_DESCRIPTION	文本	DTP-containing vaccine, 1st dose	英文全称	直接用于中文图表而未翻译
COVERAGE_CATEGORY	文本	WUENIC / OFFICIAL / ADMIN / HPV / PAB	口径分类	漏加此过滤条件
COVERAGE_CATEGORY_DESCRIPTION	文本	WHO/UNICEF Estimates…	口径全称	与 Reference 表描述不一致时未核对
TARGET_NUMBER	数值/空	129,199,946	目标人口（存活婴儿）	对空值 fillna(0)
DOSES	数值/空	115,726,645	估算接种剂次	与覆盖率混算得出伪覆盖率
COVERAGE	整数	90	覆盖率百分比	当作带小数的精确值参与建模

在这张表之外，还有两个「不在表里但必须知道」的信息：一是 GoC 星级（只在国家档案 PDF 与门户图表中），二是版本与截止日（只在 Reference 表与页脚 Created 行中）。任何把 WUENIC 做成「自解释数据集」的努力，本质上都是在补这两块；也正因如此，本条目才把这两个信息反复强调，而不是只在某一节提一次。

取数片段一：按口径与层级取全球序列。

import pandas as pd
df = pd.read_excel("coverage-data.xlsx", sheet_name="Data")
w = df[df["COVERAGE_CATEGORY"] == "WUENIC"]
g = w[(w["GROUP"] == "GLOBAL") & (w["ANTIGEN"] == "DTPCV3")][["YEAR", "COVERAGE"]]
g = g.sort_values("YEAR").set_index("YEAR")["COVERAGE"]

取数片段二：展示区域聚合值（不可用国家行复算）。

reg = w[(w["GROUP"] == "WHO_REGIONS") & (w["ANTIGEN"] == "DTPCV3") & (w["YEAR"] == 2025)]
print(reg[["CODE", "COVERAGE"]].to_string(index=False))

取数片段三：与 GHO 交叉验证。

import requests
u = ("https://ghoapi.azureedge.net/api/WHS4_100"
     "?$filter=SpatialDim eq 'GLOBAL' and TimeDim eq 2025&$select=TimeDim,NumericValue")
print(requests.get(u, timeout=30).json()["value"])

三段代码的共同前提是「先过滤、再聚合、再对表」。跳过第一步直接对全表做透视，是坑 2 的典型触发方式；跳过第三步直接相信单一来源，则会错过「GHO 尚未同步」这类只有对表才能发现的问题。若把这三段封装成函数并加上断言（DTP3 全球值为 85、六区域齐全、GHO 返回非空），就得到本条目建议的最小可用校验链路。

维度	内容
全称	WHO/UNICEF Estimates of National Immunization Coverage（WHO/UNICEF 国家免疫覆盖率估算）
本质	估算体系：把多路证据收敛为每国每年每抗原唯一覆盖值的年度时间序列
归属	WHO（IVB/EPI 监测）与 UNICEF 数据团队联合建模，非单一机构出品
门户	immunizationdata.who.int（专题门户）｜WHO GHO（总门户，库内条目 rid=175）
最新版本	2025 revision，completed 2026-07-15，数据截止 2026-06-21
时间跨度	1980-2025（45 个年度；IPV1 自 2015、IPVc 自 2021）
国家覆盖	195 个成员国（188 国提交 eJRF、185 国有覆盖数据）
抗原数	15 个抗原-剂量组合（BCG/DTP1/DTP3/HepB3/HepB-BD/Hib3/IPV1/IPVc/MCV1/MCV2/MenA/PCVc/RCV1/RotaC/YFV）
实测规模	coverage-data.xlsx 全表 396,212 行；WUENIC 分类 89,767 行
全球 2025	DTP1 90%、DTP3 85%、MCV1 84%、MCV2 77%、PCVc 71%、RotaC 61%
置信分级	Grade of Confidence（GoC）★/★★/★★★，替代置信区间
许可	WHO 数据条款 + CC BY-NC-SA 3.0 IGO
更新节奏	每年 7 月中旬一次性发布（next：2027-07 发布 2026 revision）
一句话	全球免疫领域的「官方事实底座」，但每一个数字都是建模后的估计