2020年中国大陆31省社区级教育水平数据（涵盖122126个社区）
数据介绍
获取：https://mp.weixin.qq.com/s/zWtGJgS_FUKrNDW3m91Kbw
教育水平是个人和社区社会经济地位的关键指标，但中国缺乏细空间分辨率的教育数据—— 现有数据仅能覆盖地级市（年度统计）或县 / 区级（十年一度 census），且互联网企业基于用户行为的估算存在 “黑箱操作、样本非代表性、数据私有化” 等缺陷，限制了精细化社会空间研究。
构建开放获取的社区级教育百分位排名数据集（相比“教育年限” 更能规避学位通胀、跨代可比性问题），为跨学科细粒度社会空间分析提供基础数据。
研究数据与核心方法
1. 核心指标定义
教育百分位排名：衡量个体在同出生队列中教育水平的相对位置（0-100 分），基于各队列教育构成计算，解决了不同年代教育水平绝对值不可比的问题（如 1935 年高中教育与 1995 年高中教育的社会地位差异）。
2. 数据来源
训练样本：6 波中国综合社会调查（CGSS 2010-2021），共 2730 个社区样本，覆盖全国代表性人群。多源建成环境数据：
功能设施：POI（零售、学校、医院等）、路网、建筑密度、植被覆盖（来源：高德、OpenStreetMap、MODIS 等）；
街景元素：2081 万张百度街景图像（2013-2021），通过语义分割提取 17 类元素（天空、道路、车辆等）；
活力指标：夜间灯光数据（VIIRS）、环境人口密度（LandScan）；
物理混乱：手动标注2.3 万张街景图像，通过 YOLOv7 检测垃圾、涂鸦、占道等 3 类乱象；
人类感知：3.2 万张街景图像的财富 / 安全感知评分（40 名城市规划师标注，16 万次 pairwise 比较）；
地形数据：NASA ASTER GDEM 的海拔和坡度。
3. 模型与流程
核心模型：XGBoost 回归器（结合贝叶斯超参数优化），通过 10 折交叉验证优化；
数据处理：采用MICE + 贝叶斯岭回归填充 896 个样本的缺失特征，提升模型稳定性；
空间范围：以社区/ 村委会为最小单元，覆盖社区及 1km 缓冲区的建成环境特征（该范围预测精度最优）；
验证方案：① 测试集性能验证；② 地级市 / 县级与 census 数据相关性验证；③ 社区级与北京 LBS 数据、广州 census 数据对比验证。
三、主要研究结果
数据集规：2020 年中国社区级教育百分位排名数据集，涵盖 122126 个社区，覆盖中国大陆 31 个省份、326 个地级市、2337 个县级单位，人口覆盖率 85.5%，城市建设用地覆盖率 82.7%。
模型准确性：
测试集：R²=0.918（可解释 91.8% 的变异），MAE=3.808，RMSE=5.203；
宏观层面：地级市/ 县级与 census 教育年限的皮尔逊相关系数分别为 0.87、0.84；
社区层面：北京与LBS 低教育人口比例相关系数 - 0.873（强负相关），广州与 census 教育年限相关系数 0.836。
空间分布特征：核心城区教育百分位排名最高，其次为郊区副中心，远郊区最低；不同城市存在差异（如深圳呈多中心分布，广州呈单中心分布）。
四、数据集特点与应用价值
数据属性：以GeoTIFF格式，支持 ArcGIS、QGIS 及 Python Rasterio 处理，遵循 CC BY4.0协议。
应用场景：
城市社会结构分析（阶层分化、社会不平等、居住隔离）；
社会空间现象研究（绅士化、犯罪率、住房市场动态）；
政策制定支持（教育资源配置、公共服务优化）。
更新潜力：每3-5 年可通过更新 CGSS 样本和建成环境数据实现迭代。
五、局限与展望
局限：街景数据仅覆盖城市公共街道，封闭社区内部环境无法观测，可能影响部分社区预测精度；
展望：整合社交媒体图像等多渠道视觉数据，扩大空间覆盖范围，进一步提升细粒度预测能力。
数据信息
2020年预测的社区层面教育百分等级数据集以GeoTIFF（.tif）文件形式存储，采用WGS84投影。我们的数据集包含120,301个社区，覆盖中国97.9%的地级行政单位和81.8%的县级行政单位。全国版和省级版本均可下载。我们还发布了一个简化的表格版本（.xlsx），展示每个社区居民的平均教育百分等级。该表格包含社区名称、其质心的经纬度、所在的县级、地级和省级行政单位名称，以及其教育百分等级。
其中以河北省为例，解压获得tif数据
在ArcMap加载如下：
