有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
National Crime Victimization Survey (NCVS)|犯罪调查数据集|受害者研究数据集
收藏www.bjs.gov2024-10-26 收录
下载链接：
https://www.bjs.gov/ncvs
下载链接
链接失效反馈资源简介：
国家犯罪受害者调查（NCVS）是由美国司法统计局（BJS）进行的一项年度调查，旨在收集有关美国境内发生的犯罪事件的信息。该调查涵盖了各种类型的犯罪，包括暴力犯罪和财产犯罪，并提供了关于受害者、犯罪事件和犯罪后果的详细数据。
提供机构：
www.bjs.gov
AI搜集汇总
数据集介绍
构建方式
National Crime Victimization Survey (NCVS) 数据集由美国司法统计局（BJS）构建，旨在通过定期对美国家庭进行抽样调查，收集关于犯罪受害情况的数据。该数据集采用多阶段分层抽样方法，确保样本能够代表全国人口。调查内容涵盖了各种类型的犯罪，包括但不限于暴力犯罪、财产犯罪和网络犯罪。数据收集过程严格遵循科学抽样原则，确保数据的代表性和可靠性。
特点
NCVS 数据集的特点在于其全面性和时效性。该数据集不仅涵盖了广泛的犯罪类型，还提供了详细的受害者和犯罪者信息，包括性别、年龄、种族和社会经济状况等。此外，NCVS 每年更新数据，确保研究者能够获取最新的犯罪趋势和模式。数据集的高质量数据和详细分类使其成为犯罪学和社会学研究的重要资源。
使用方法
NCVS 数据集的使用方法多样，适用于多种研究目的。研究者可以通过分析数据集中的变量，探索犯罪率的变化趋势、犯罪类型的分布以及受害者的社会特征。数据集支持多种统计分析方法，包括描述性统计、回归分析和时间序列分析。此外，NCVS 提供了详细的数据字典和使用指南，帮助用户理解和处理数据，确保研究结果的准确性和可靠性。
背景与挑战
背景概述
National Crime Victimization Survey (NCVS) 是由美国司法统计局（BJS）自1973年开始实施的一项长期调查，旨在收集关于美国境内犯罪受害情况的数据。该数据集的核心研究问题包括犯罪类型、受害者的社会经济特征、犯罪发生的时间和地点等，为政策制定者和研究人员提供了宝贵的信息，以评估犯罪趋势、制定预防措施和改进司法系统。NCVS的影响力不仅限于美国，其方法和结果也被国际社会广泛引用，成为犯罪学和公共安全领域的重要参考。
当前挑战
NCVS在构建过程中面临多项挑战。首先，数据收集的复杂性在于需要确保受访者的隐私和数据的安全性，同时保持数据的准确性和代表性。其次，犯罪行为的敏感性要求调查设计必须既能获取详细信息，又不会对受访者造成心理负担。此外，随着社会变迁和技术进步，如何持续更新调查方法以反映最新的犯罪形式和受害情况，也是一个重要的挑战。最后，数据分析的复杂性在于如何从庞大的数据集中提取有意义的模式和趋势，以支持有效的政策制定和研究。
发展历史
创建时间与更新
National Crime Victimization Survey (NCVS) 创建于1972年，由美国司法统计局（BJS）负责管理。自创建以来，NCVS定期进行更新和修订，以反映社会变化和犯罪趋势。最近一次重大更新发生在2016年，引入了新的数据收集方法和问卷设计，以提高数据质量和代表性。
重要里程碑
NCVS的一个重要里程碑是其在1992年进行的重大改革，引入了更为详细和结构化的问卷，以更好地捕捉不同类型的犯罪行为。此外，2006年，NCVS开始收集有关网络犯罪的数据，这是首次在国家级调查中系统地记录此类犯罪。2016年的更新则进一步提升了数据的可比性和分析能力，为政策制定者和研究人员提供了更为精确的犯罪统计数据。
当前发展情况
当前，NCVS已成为美国犯罪学和刑事司法领域最重要的数据来源之一。其数据被广泛用于研究犯罪趋势、评估犯罪预防措施的效果，以及制定和调整公共安全政策。NCVS的持续更新和改进确保了其数据的前沿性和实用性，为学术界、政府机构和非政府组织提供了宝贵的信息资源。此外，NCVS的数据开放性和透明度也促进了跨学科的合作和研究，推动了犯罪学领域的知识进步。
发展历程
- 美国司法统计局（BJS）首次启动国家犯罪受害者调查（NCVS），旨在通过家庭调查收集犯罪受害数据，以补充警方记录的犯罪统计。
- NCVS首次发布年度报告，提供了关于犯罪类型、受害者特征和犯罪事件频率的详细数据。
- NCVS进行重大修订，引入了新的调查问卷和数据收集方法，以提高数据质量和覆盖范围。
- NCVS开始发布季度数据，使政策制定者和研究人员能够更及时地获取犯罪趋势信息。
- NCVS再次进行修订，增加了对网络犯罪和家庭暴力等新兴犯罪类型的调查。
- NCVS发布了关于COVID-19大流行期间犯罪趋势的特别报告，展示了疫情对犯罪模式的影响。
常用场景
经典使用场景
在犯罪学研究领域，National Crime Victimization Survey (NCVS) 数据集被广泛用于分析和预测犯罪行为。该数据集通过定期对美国家庭进行抽样调查，收集了大量关于犯罪受害情况的信息，包括受害类型、频率、地点和受害者的社会经济特征。这些数据为研究人员提供了宝贵的资源，用于探索犯罪模式、受害风险因素以及犯罪预防策略的有效性。
解决学术问题
NCVS 数据集在解决犯罪学领域的多个学术问题上发挥了关键作用。例如，它帮助学者们识别了不同社会经济群体的犯罪受害差异，揭示了性别、种族和收入水平对受害风险的影响。此外，该数据集还支持了对犯罪预防措施效果的评估，为政策制定者提供了科学依据。通过这些研究，NCVS 数据集不仅深化了我们对犯罪行为的理解，还推动了相关领域的理论发展。
衍生相关工作
基于 NCVS 数据集，许多后续研究和工作得以开展。例如，有学者利用该数据集开发了预测模型，用于评估特定社区的犯罪风险。此外，NCVS 数据还被用于跨学科研究，如社会学、心理学和公共卫生领域，探讨犯罪行为与社会因素的复杂关系。这些衍生工作不仅丰富了犯罪学的研究内容，还为多学科合作提供了新的视角和方法。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
LFW
人脸数据集;LFW数据集共有13233张人脸图像，每张图像均给出对应的人名，共有5749人，且绝大部分人仅有一张图片。每张图片的尺寸为250X250，绝大部分为彩色图像，但也存在少许黑白人脸图片。 URL: http://vis-www.cs.umass.edu/lfw/index.html#download
AI_Studio 收录
中国1km分辨率逐月降水量数据集（1901-2023）
该数据集为中国逐月降水量数据，空间分辨率为0.0083333°（约1km），时间为1901.1-2023.12。数据格式为NETCDF，即.nc格式。该数据集是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国降尺度生成的。并且，使用496个独立气象观测点数据进行验证，验证结果可信。本数据集包含的地理空间范围是全国主要陆地（包含港澳台地区），不含南海岛礁等区域。为了便于存储，数据均为int16型存于nc文件中，降水单位为0.1mm。 nc数据可使用ArcMAP软件打开制图; 并可用Matlab软件进行提取处理，Matlab发布了读入与存储nc文件的函数，读取函数为ncread，切换到nc文件存储文件夹，语句表达为：ncread (‘XXX.nc’,‘var’, [i j t],[leni lenj lent])，其中XXX.nc为文件名，为字符串需要’’；var是从XXX.nc中读取的变量名，为字符串需要’’；i、j、t分别为读取数据的起始行、列、时间，leni、lenj、lent i分别为在行、列、时间维度上读取的长度。这样，研究区内任何地区、任何时间段均可用此函数读取。Matlab的help里面有很多关于nc数据的命令，可查看。数据坐标系统建议使用WGS84。
国家青藏高原科学数据中心 收录
Global Livestock Geo-Wiki
Global Livestock Geo-Wiki是一个全球牲畜分布数据集，旨在提供全球范围内牲畜分布的详细信息。该数据集包括不同类型的牲畜（如牛、羊、猪等）的分布情况，以及相关的环境和社会经济数据。
livestock.geo-wiki.org 收录
中国区域地面气象要素驱动数据集 v2.0（1951-2020）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 70 年（1951~2020 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 70 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。CMFD 2.0 的数据内容与此前宣传的 CMFD 1.7 基本一致，仅对 1983 年 7 月以后的向下短/长波辐射通量数据进行了更新，以修正其长期趋势存在的问题。2021 年至 2024 年的 CMFD 数据正在制作中，计划于 2025 年上半年发布，从而使 CMFD 2.0 延伸至 2024 年底。
国家青藏高原科学数据中心 收录
YOLO-dataset
该数据集用于训练YOLO模型，包括分类、检测和姿态识别模型。目前支持v8版本，未来计划支持更多版本。
github 收录