储能行业指标地图 · 一次「把指标挖全」的实测

6170个

去重后的候选指标

294个

关键档（P0）

62词

收敛后的检索词

5组

需求·供给·价格·机制·贸易

这份页面回答三个问题：指标从哪来、怎么分层、哪些是真的能用。中间穿插一个反直觉的结论：让 AI 帮忙想关键词，提升没有想象中大。

01一个经济事实，数据库里有十几套口径

在 iFinD 里搜「储能」，返回 4527 条。它们来自完全不同的体系：国家统计局、海关总署、国家能源局、中国汽车动力电池产业创新联盟、国网新能源云、广州期货交易所、各省统计局，以及同花顺自己整理的指标。

同一个「储能电池产量」，可能同时存在：统计局的万只（按只数）、创新联盟的吉瓦时（按容量）、年鉴的千瓦时（按电能量）。单位不同、口径不同、更新频率也不同——所以"搜到"只是开始。

图 1｜信源越"官方"，条目越少但口径越硬；行业联盟与交易所反而是高频数据的主力。

把 6170 个候选按四条尺子打分——信源层级（官方/行业/自编）、指标语义（原始量价 vs 派生比率）、频率（月/日 vs 年）、数据跨度（≥5 年），再叠一条硬门槛：名字里必须带主题核心词，否则"发电量""用电量"会把储能主题淹掉。

档	判定	用途	本次数量
P0 关键	官方或行业信源 · 原始量价（装机/产量/销量/出货/价格）· 月或日频 · 跨度≥5 年 · 含主题核心词	决定判断的那几十条	294
P1 有用	结构类（占比/库存/开工率/进出口/渗透率）、派生类（同比/环比）、被降级的命中	解释 P0 为什么动	3454
P2 全面	企业级、单一地方、海外细分、长尾	需要时再翻	2422

四条"往下沉"的规则：同比/环比/占比是变换不是原始事实；单家公司（比亚迪/宁德时代）不是行业指标；单一省市不是全国口径；海关只有「合计/全国/总额」才是总量，国别细分要降一档。
不加这几条，P0 会有 1478 条——全是"发电量/用电量"这类背景指标，主题被淹掉。

做了一个 A/B：A 组是我自己写的 26 个词；B 组是 A 组 + Codex 建议 65 词 + Antigravity 建议 60 词 + 网页框架补充，共 113 词。流程、打分、过滤全部不变，只换词表。

指标	A 手工 26 词	B 全量 113 词	F 定稿 62 词
去重指标数	3,601	7,528	6,170
关键档 P0	266	295	294
P1 有用	1,941	4,238	3,454
P2 全面	1,394	2,995	2,422
新增词里产出 P0 的比例	—	7 / 87	—

结论很清楚：指标总量翻倍，但"关键档"只涨了 11%。87 个新词里，只有 7 个真正带来了新的关键指标，其余 80 个（92%）零产出。

图 2｜提升几乎全部落在"机制类"维度上——电价、消纳、交易、弃风弃光这些我原本一个词都没写。而"产品类"维度（电池、材料）我本来就覆盖住了。

真正的结论：问 AI 的价值 ≈ 补我没想到的维度，不是补同义词。而"数据库里有没有"是硬约束——储能招标、储能中标、储能系统价格、EPC 报价，两家 AI 都建议了，EDB 里全都是 0 条。

既然 92% 的新词零产出，就可以按"实测产出"反向裁剪：保留 26 个原词 + 45 个有产出的新词，再去掉"出口金额/出口数量"这类会召回大量噪声的泛化词，得到 62 词定稿。

图 3｜砍掉 45% 的词，指标总量掉 18%（掉的是噪声），关键档只少 1 条。

"搜得到"不等于"有数据"，"有数据"也不等于"还在更新"。对每个关键指标真取一次数，看时间点数量和最新一期：

抽样 40 个关键档指标验活，9 个是停更的（22.5%）——最刺眼的是"电化学储能累计装机"这种听起来最该用的指标，只有 5 个点、最新停在 2020 年 12 月。如果只看名称不看最新期，写进报告就是硬伤。

边界也要写进结论：EDB 里搜「储能招标」是 0 条，但搜「招标」能发现它有风电招标容量（月度，行业经济模块）。也就是说，"招标"这个指标族存在，只是储能那支没被覆盖——这类"覆盖边界"本身就是研究结论的一部分，光看命中数看不出来。

用最短名词，不用复合词42 个零产出词里一大半是"储能电芯均价""储能系统中标容量"这类硬拼复合词。库里真实的命名是"其他电池:销量:磷酸铁锂"——拆成最短名词去搜，命中率完全不一样。
机制类维度必须单列弃风率、弃光率、新能源利用率、市场化交易电量、代理购电价格、分时电价、两部制电价、容量电费、调峰、调频。这是人工词表最容易漏、而 AI 最容易补上的一块，也是判断景气拐点最灵的一类。
海关要写成"商品名 + HS 编码"两套只写"出口金额"，会召回一大堆无关商品；写成"锂离子蓄电池(85076000)"才精准。
先验活再采信每个关键指标先取一次数，看点数与最新期；最新一期超过 18 个月就标"陈旧"。这一条能挡掉 20% 以上的坑。

一句话：先让机器告诉你「哪些维度是空的」，再去问 AI 补那几块。全覆盖式提问一次要 1.5 分钟，而只补盲区几乎不花额外时间——但效果一样。