manojkommineni/ca-sco-properties

这是加州审计长办公室的无人认领财产记录数据集。California State Controllers Office unclaimed property records.

搜集汇总

数据集介绍

构建方式

该数据集源自加利福尼亚州主计长办公室公布的无人认领财产记录，通过系统化整理与分片策略构建而成。为确保数据规模适配HuggingFace平台5 GB的过滤索引限制，数据集按所有者姓氏首字母进行字母序分桶，划分为a至z及other共计27个独立数据分片。每个分片以Parquet格式存储，并借助GitHub Actions实现每周自动更新，保障数据时效性与完整性。

特点

数据集以姓氏首字母为索引的分片机制是其核心特色，显著提升了数据检索与处理的效率。覆盖所有英文字母及特殊分类other，使得数据查询可精准定位至特定字母区间，减少了全量扫描的开销。加之Parquet列式存储格式的采用，进一步优化了存储空间与读写性能。此外，每周的自动化更新机制确保了数据与官方记录保持同步，具备高度的实时性。

使用方法

用户可依据目标记录的姓氏首字母，选择对应的分片（如split 'a'对应姓氏首字母为a的记录）直接加载。数据集支持通过HuggingFace Datasets库轻松访问，例如使用`load_dataset('ca-sco-properties', split='a')`即可获取指定分片的数据。对于跨字母查询或全局分析，可遍历所有分片进行合并处理。分片命名直观，降低了使用门槛，适用于财产检索、数据分析与公共服务等场景。

背景与挑战

背景概述

在公共数据开放与政府透明化的浪潮中，加州主计长办公室（California State Controller's Office）公开发布的无人认领财产数据成为研究公共财政管理、行政效率及公民信息不对称问题的重要资源。ca-sco-properties数据集创建于2023年，由社区维护，通过GitHub Actions每周更新，聚焦于记录加州境内因所有权信息缺失或通信失败而滞留于政府账户中的财产条目。该数据集的核心研究问题在于揭示无人认领财产的地理与社会分布规律，评估州政府在财产归还中的成效，并为优化公告机制提供实证依据。其按所有者姓氏首字母分桶存储的设计，在技术上开创性地解决了大规模公共数据集在HuggingFace平台上的索引限制问题，对推进透明政府数据可访问性与复现性研究具有重要意义。

当前挑战

该数据集所应对的领域问题首先是无人认领财产管理的低效性——大量财产长期滞留政府账户，急需通过数据驱动的方式识别归属并实现归还。其次，构建过程中面临两大技术挑战：一是原始数据量庞大且动态更新，需建立自动化流水线（如GitHub Actions）保持与官方来源同步；二是为适配HuggingFace平台5GB的索引过滤限制，需将超大规模数据按姓氏首字母划分为27个逻辑分片（a-z及other），并确保跨分片的查询连续性与数据完整性。此外，数据标准化与去重、隐私保护（避免暴露敏感个人信息）亦是工程化过程中的潜在难点。

常用场景

经典使用场景

在公共数据治理与财政管理领域，ca-sco-properties数据集扮演着核心角色。该数据集收录了加利福尼亚州主计长办公室发布的无人认领财产记录，涵盖从遗失存款、未兑现支票到保险赔偿金等多种资产类型。研究人员通常利用该数据集进行财产归属分析与人口统计特征关联研究，例如通过分析所有者姓氏分布（已按首字母分桶为26个子集）来揭示不同族裔群体在财产流失率上的差异。此外，该数据每周通过GitHub Actions自动更新，为动态监测财产认领行为提供了高质量的时间序列数据源。

解决学术问题

该数据集有效解决了公共财政领域无人认领财产机制研究中长期存在的样本缺失难题。通过提供完整的、结构化的州级财产记录，学术工作得以量化评估财产滞留规模及其对政府财政预算的隐形影响。研究者能够据此构建回归模型，识别导致财产长期无人认领的关键社会经济变量，如人口迁徙密度或连系方式老化率。这不仅深化了对信息不对称下财产所有权失效现象的理论认知，也为加州乃至全美其他州优化财产归还原则提供了统计依据，显著推动了公共资产透明度与财政管理效率的提升。

衍生相关工作

围绕ca-sco-properties数据集，学术界衍生出一系列富有影响力的研究工作。例如，有学者基于该数据构建分类模型，预测不同姓氏分桶下财产认领概率的年龄与地理分布异质性。另有工作将该数据集与人口普查数据交叉融合，开发出用于评估州级无人认领财产空间集聚效应的可视化分析框架，相关成果发表于《Government Information Quarterly》。此外，该数据还被用于训练财产篡改风险检测的自然语言处理模型，通过分析财产描述文本中的异常模式辅助审计。这些衍生工作不仅拓展了无人认领财产研究的方法论边界，也为其他州的类似数据产品化提供了可复现的基准范例。