UCDP 冲突数据 — 41.8 万起有组织暴力事件，记到村庄与单日

§0 本条目怎么来的、不做什么

整理方：千方医数集，为中文医学 AI 社区整理可训练数据集的结构化说明。

本条目怎么来的：数字主源是 GED 26.1 官方 CSV 的完整遍历（2026-10-24 下载 ged261-csv.zip，39,122,522 字节，解压后 GEDEvent_v26_1.csv 273,992,720 字节，逐行流式统计）。数据集清单取自 ucdp.uu.se/downloads/ 页面的 79 个直接文件链接。API 行为取自 ucdpapi.pcr.uu.se 的实测响应（未带 token 时返回 401）。许可条款取自下载页原文。

不做什么：不评价任何一场冲突的伤亡数字是否准确；不核验 UCDP 的编码判断；不对任何国家或武装团体的行为做定性。本条目只回答一个问题：这张表长什么样、怎么用、哪里会坑人。

---

§1 数据集概览

§1.1 一句话

UCDP 不是伤亡统计，是把「暴力」拆成可核验的最小单元：某天、某个坐标、哪两方、死了多少人、依据哪几个来源。

§1.2 硬数字

项	值	来源
GED 事件数	417,968	GEDEvent_v26_1.csv 行数
死亡合计（best）	4,257,891	best 字段求和
覆盖国家	126	country 字段去重
年份跨度	1989–2025（37 年）	year 字段
可下载数据集	79	下载页 .csv/.zip/.xlsx 链接数
GED 字段数	49	表头
CSV 压缩包	39.1 MB	ged261-csv.zip
解压后主表	274 MB	GEDEvent_v26_1.csv
默认许可	CC BY 4.0	下载页声明

§1.3 三类暴力，独立计数

type_of_violence 字段把有组织暴力分成三型，这是理解整份数据的钥匙：

值	类型	定义	事件数
1	国家型武装冲突	政府与至少一个反对派组织之间的对抗，双方都有组织、有政治目标	292,121
2	非国家冲突	两个有组织的武装团体之间的对抗，政府不参与	61,451
3	单边暴力	一方（通常是政府或其代理）针对无对抗能力的平民	64,396

三者不能相加混算。 1 型的分母是「交战国」，2 型的分母是「武装团体对」，3 型的分母是「平民」。研究报告给一个「总暴力事件数」的和，等于把三种性质完全不同的东西装进一个筐。

§1.4 区域分布

41.8 万起事件的地理分布极不均匀：

地区	事件数	占比
Middle East	128,033	30.6%
Asia	100,564	24.1%
Africa	74,836	17.9%
Europe	58,016	13.9%
Americas	56,519	13.5%

中东占三成。 这个数字背后是叙利亚、伊拉克、也门、以色列-巴勒斯坦几条长线冲突的密集编码。任何全球冲突趋势的结论，都会被中东的权重主导——做区域比较时必须分层，不能只看全球汇总。

§1.5 为什么一个医学数据集库要收冲突数据

库内公共卫生类条目已有 116 条，绝大多数是病理层面的数据：影像、病历、测序、队列。缺的是把「暴力」当作环境暴露的那一层。

这个缺口的实际后果很具体：

• 你要研究「战争暴露对儿童心理健康的影响」，需要知道每个样本所在村庄什么时候发生过什么
• 你要研究「医疗设施被攻击对 vaccination 覆盖率的影响」，需要知道哪一天哪个点被打过
• 你要给一个来自冲突地区的影像数据集打暴露强度协变量，需要事件密度、死亡密度、时间距离

这三个问题，影像数据集本身回答不了，病历数据回答不了，只有事件级冲突数据能回答。UCDP 的 GED 就是这一层。

§1.6 与本库已有条目的边界

库内条目	关系	区别
world-bank-open-data（rid 1360）	同层，不同变量	世行给「国家 × 年」的社会经济分母；GED 给「事件 × 日 × 坐标」的暴力暴露
oecd-health（rid 1361）	同层，互补	OECD 讲卫生系统能力；GED 讲系统被冲击的频率与地点
gbd	可交叉验证	GBD 的暴力死亡是建模估计（国家 × 年）；GED 是事件编码（点 × 日）。两者可互为验证

一句话分工：世行说「这个国家有多穷」，OECD 说「这个国家有多少医生」，GED 说「这个国家哪天在哪里死了多少人」。

---

§2 数据集族：79 个文件不是 79 份数据

§2.1 下载页的真实结构

ucdp.uu.se/downloads/ 页面有 79 个直接指向 .csv / .zip / .xlsx 的链接。它们可以归成六组：

组	代表文件	粒度	说明
事件级	ged261-csv.zip、GEDEvent_v26_0_9.csv	事件 × 日 × 坐标	GED 正式版与 Candidate 快报版
冲突-年 / 国家-年	ucdp-prio-acd-261-csv.zip	冲突 × 年	1946–2025，武装冲突的年度定性
双边	ucdp-dyadic-261-csv.zip	冲突双方 × 年	把冲突拆到「谁对谁」
非国家与单边	ucdp-nonstate-261-csv.zip、ucdp-onesided-261-csv.zip	组织 × 年	2 型与 3 型的年度汇总
专题	终止、议题、和平协议、onset、VPP、CACE	各类	冲突生命周期各阶段
汇总	organizedviolencecy-261-csv.zip	国家 × 年	三类暴力的国家-年总表

每一组都有 CSV / XLSX / RDS / DTA 四种格式。 这是 UCDP 的一个好习惯——R 用户拿 RDS，Stata 用户拿 DTA，不用自己转。

§2.2 GED 与 Candidate：两套数据，不能混用

这是最容易搞错的一处。UCDP 同时提供两个事件级数据集：

	GED（26.1）	Candidate（26.0.X）
更新频率	年度（正式版）	月度（快报版）
事件数	417,968（截至 2025 年底）	仅覆盖最近月份
编码状态	全部 code_status = Clear	含 Clear 与待核
用途	学术分析、长期趋势	监测、早期预警
稳定性	版本冻结后不再改	每月回溯修订

关键差别在 code_status。 GED 里 417,968 条全部是 Clear（已确认）。Candidate 里有大量待核条目，它们会在下一版里被修改、拆分或删除。

实测确认：GED 26.1 的 code_status 只有 Clear 一个值，417,968 条全部如此。这意味着用 GED 做分析不需要按 code_status 过滤——它已经过滤过了。但如果你混用了 Candidate，就必须过滤。

实用建议：做研究用 GED，做监测用 Candidate，永远不要拼在一起。两套的编码标准、来源门槛、修订状态都不同。

§2.3 GED 的 49 个字段，按功能分七组

组	字段	用途
标识	id、relid、active_year、code_status	事件唯一性与版本状态
时间	year、date_start、date_end、date_prec	何时发生、日期有多准
类型	type_of_violence、conflict_dset_id、conflict_new_id、conflict_name	属于哪场冲突、哪一型暴力
交战方	dyad_*、side_a_*、side_b_*、gwnoa、gwnob	谁打谁（side_a 常是国家）
地理	where_prec、where_coordinates、where_description、adm_1、adm_2、latitude、longitude、geom_wkt、priogrid_gid、country、country_id、region	在哪打、坐标多准
伤亡	deaths_a、deaths_b、deaths_civilians、deaths_unknown、best、high、low	死了多少、区间多宽
来源	number_of_sources、source_article、source_office、source_date、source_headline、source_original	依据什么

最被低估的是最后一组。 UCDP 把每个事件的来源文章标题、发布机构、日期、原文链接都存了下来。这意味着你可以回溯核验任何一条记录。这是它与多数「二手伤亡统计」的根本区别——它给了你怀疑的入口。

§2.4 地理精度的七档，直接决定能不能做空间分析

where_prec 是 1 到 7 的整数，实测分布：

值	含义	事件数	占比
1	精确到村庄 / 街区 / 具体地点	194,544	46.5%
2	精确到二级行政区（县）	101,236	24.2%
3	精确到二级行政区（较宽）	59,437	14.2%
4	精确到一级行政区（省 / 州）	38,531	9.2%
5	精确到一级行政区（较宽）	18,645	4.5%
6	精确到国家，但知道大致区域	5,309	1.3%
7	仅知道国家（坐标是国家质心）	266	0.06%

这张表最重要的一行是最后一行，也是最重要的一个判断：只有 46.5% 的事件精确到村庄级。

推论一：做缓冲区分析（比如「医疗机构 5 公里内发生过多少起事件」）只能用 where_prec == 1 的 19.5 万条。用 2–7 的条目会把整个县或整个省的事件都堆在同一个点上，产生严重的空间聚集假象。

推论二：where_prec == 7 的 266 条，坐标是国家质心。这 266 个点全落在各国地理中心，做热力图时会在每个国家中间冒出一个孤立的亮点，完全是伪信号。必须剔除。

推论三：where_prec 是 2–4 的条目，坐标是行政区中心。同一县内的多起事件会共享同一个坐标——这会让「事件密度」在这个点上莫名变高。做核密度估计时要按 where_prec 加权或分层。

§2.5 日期精度的五档

date_prec 同样分档，实测分布：

值	含义	事件数	占比
1	精确到日	358,130	85.7%
2	只知道月份（取当月某日）	45,066	10.8%
3	只知道季度	2,566	0.6%
4	只知道某段时间范围	8,595	2.1%
5	只知道年份（取当年某日）	3,611	0.9%

85.7% 的事件有精确日期。 这个比例比地理精度好得多。

但 14.3% 没有精确日期，这会带来一个具体问题：如果你做「事件后 N 天的心理健康就诊量」这类时间窗口分析，那些只知道月份的事件会被放到该月的某一天（通常是月中的某天），可能造成 ±15 天的错位。对于「窗口 7 天」的研究，这个错位足以让效应消失。

防护：把 date_prec != 1 的条目单独打标，做敏感性分析时剔除，看结论是否稳定。

§2.6 伤亡字段：四分解 + 三档区间

GED 的伤亡不是单一数字，是两层结构：

第一层，按交战方分解：

字段	含义
deaths_a	side_a（通常是政府军）死亡
deaths_b	side_b（通常是反对派）死亡
deaths_civilians	平民死亡
deaths_unknown	无法判定归属的死亡

第二层，按区间估计：

字段	含义
low	保守下限
best	主估计
high	上界

两个关键判断：

判断一：四分解相加不等于 best。 因为有 deaths_unknown。实测中大量事件的 deaths_civilians 是 0 而 best 是 5——这意味着那 5 个人归属不明，不是「没有平民死亡」。如果把 deaths_civilians == 0 当作「无平民伤亡」，会系统性低估平民死亡。

判断二：high 与 low 的差距可能非常大。 UCDP 对来源充分的事件给窄区间，对来源少的事件给宽区间（有时 low=1、high=100+）。用 best 做汇总是对的，但必须同时报告区间宽度，否则读者不知道这个数有多不确定。

§2.7 来源数：一个必须警惕的 -1

number_of_sources 记录该事件依据的独立来源数量。原以为它是「1、2、3……」这样的正整数，实测发现它有一个特殊值 -1，而且占比极大：

number_of_sources	事件数	占比	死亡合计（best）
-1（缺失）	97,496	23.3%	1,028,773
1	236,405	56.6%	—
2	59,175	14.2%	—
3	13,712	3.3%	—
4	5,154	1.2%	—
5–9	5,096	1.2%	—
10+（截断）	930	0.2%	—

这张表推翻了两个直觉：

第一，「来源数缺失」的不是小部分，是 23.3%。 而且这批事件承载了 102.9 万死亡，占总死亡的 24.2%。近四分之一的死亡记录没有来源计数。

第二，正数来源里绝大多数只有 1 个。 236,405 条事件只有 1 个来源，占全部的 56.6%。也就是近八成事件（23.3% + 56.6%）不是多源交叉核验的。

这说明什么：GED 的编码门槛并不像通行理解的那样是「至少两个独立来源」。实际结构是：一部分事件有多个来源，一部分只有单一来源，还有近四分之一来源计数缺失（可能是早期版本遗留、可能是编码流程变更、可能是内部记录方式）。

实用推论：不要用 number_of_sources >= 2 当质量门槛，那会一次砍掉近 80% 的数据，且砍掉的部分里包含四分之一的死亡量。正确做法是把它当协变量而不是筛子——在回归里作为可信度控制项，或者做「仅单源」与「仅多源」两组敏感性分析，看结论是否稳定。

§2.8 平民死亡字段的陷阱：62.4% 的事件是零

实测中最反直觉的一个数：260,606 起事件（62.4%）的 deaths_civilians 是 0，而 best 大于 0。

这意味着：近三分之二的事件，有死亡但没有记录到平民死亡。

这不代表这些事件里没有平民死。 因为死亡分解成四块，deaths_unknown 承接了归属不明的部分。全库 deaths_unknown 合计 702,579 人——占 425.8 万总死亡的 16.5%。

三个层次的正确解读：

情形	含义	处理
deaths_civilians > 0	确认有平民死亡	直接用
deaths_civilians == 0 且 deaths_unknown == 0	确认无平民死亡（死者都是交战方）	可以用
deaths_civilians == 0 且 deaths_unknown > 0	平民死亡未知	不能当零用

最危险的错误：直接把 deaths_civilians 求和当作「平民死亡总数」。这会系统性低估，因为 16.5% 的死亡根本没有归属。正确做法是给三个数：

total       = df["best"].sum()                 # 425.8 万
civ_known   = df["deaths_civilians"].sum()     # 已确认的平民死亡
unknown     = df["deaths_unknown"].sum()       # 702,579，归属不明

并在报告里写明「平民死亡至少 X 人，另有 Y 人归属不明」。

§2.9 冲突与双边的真实层级

前文说「一场冲突可含多个双边」，实测确认这个结构存在，但绝大多数冲突只有一个双边：

每冲突的双边数	冲突数	占比
1	1,512	95.6%
2	24	1.5%
3	7	0.4%
4	10	0.6%
5	12	0.8%
6–8	7	0.4%
9+	9	0.6%

全库共 1,581 场冲突，其中 1,512 场只有一个双边。最多的一场有 19 个双边——那是典型的多方混战（如叙利亚）。

实用推论：把分析单位从 conflict 换到 dyad，对 95.6% 的冲突没有区别，但对剩下的 4.4%（69 场）差异极大。如果你的研究对象包含叙利亚、也门、阿富汗这类多方冲突，必须用 dyad 级，否则会把不同性质的对抗混在一起算。

---

§3 取数通道

§3.1 两条路：下载与 API

通道	适用	门槛
直接下载	全量分析、长期研究	无。79 个文件都能匿名下载
REST API	增量查询、按条件取子集	需申请 token

推荐走下载。 理由很实际：GED 主表 274 MB，本地加载一次约 2–3 分钟，之后所有查询都在本地跑，比逐次 API 请求快几个数量级。

§3.2 API 的实测行为

不带 token 访问：

curl -s "https://ucdpapi.pcr.uu.se/api/gedevents/26.1?pagesize=2"
# HTTP 401
# API token required. Add header: x-ucdp-access-token: <your-token>

这个错误信息很明确：加 x-ucdp-access-token 请求头。token 需向 UCDP 申请（页面有 Contact 邮箱）。

API 的路径结构：

https://ucdpapi.pcr.uu.se/api/{dataset}/{version}?{params}

常见 params：

参数	作用
pagesize	每页条数
page	页码
StartDate / EndDate	时间范围
Country	按国家筛
version	数据版本（26.1）

§3.3 下载后的加载

import pandas as pd

# 49 列，41.8 万行。dtype 必须指定，否则 float 推断会出问题
DTYPES = {
    "id": "Int64", "relid": "Int64", "year": "Int32",
    "type_of_violence": "Int8", "where_prec": "Int8", "date_prec": "Int8",
    "latitude": "float64", "longitude": "float64",
    "best": "Int32", "high": "Int32", "low": "Int32",
    "deaths_a": "Int32", "deaths_b": "Int32",
    "deaths_civilians": "Int32", "deaths_unknown": "Int32",
    "number_of_sources": "Int16",
}

df = pd.read_csv("GEDEvent_v26_1.csv", dtype=DTYPES,
                 parse_dates=["date_start", "date_end"],
                 low_memory=False)
print(len(df), df["best"].sum())
# 417968 4257891

三个必须设 dtype 的理由：

1. id 是整数，但可能有缺失。不设 Int64 会变成 float，id 出现 .0。
2. deaths_* 有大量 0，少量大值。Int32 比默认的 int64 省一半内存。
3. low_memory=False 必须加，否则 pandas 会分块猜 dtype，同一列在不同块里可能被猜成不同类型，最后报 mixed types 警告。

§3.4 内存与性能

274 MB CSV 加载后约 1.2–1.8 GB 内存（取决于 dtype）。这在常规机器上可以接受，但如果要反复试验，建议：

# 只加载分析需要的列，内存降到 1/4
COLS = ["id","year","type_of_violence","date_start","date_prec",
        "latitude","longitude","where_prec","country","region",
        "best","high","low","deaths_civilians","number_of_sources"]
df = pd.read_csv("GEDEvent_v26_1.csv", usecols=COLS, dtype=DTYPES, low_memory=False)

不要用 dask 或分块处理。41.8 万行是「小数据」，分块的调度开销大于收益。一次读进内存更快。

---

§4 记录结构与字段字典

§4.1 一条记录是什么

一条记录 = 一次被独立核验的致命暴力行为。

(2024-03-15, 某村坐标, side_a=政府军, side_b=某武装团体, best=7) → 一条记录

不是一次战役（一次战役可能是几十条记录），不是一个月的统计（那是国家-年表），不是一次调查。

§4.2 事件与冲突的层级关系

理解 GED 必须理解它的三层结构：

冲突（conflict）—— 一场持久的对抗，可跨年、跨政府
  └── 双边（dyad）—— 冲突中一对具体的交战方
        └── 事件（event）—— 某天某地的一次具体暴力行为

字段对应：

层	字段	例
冲突	conflict_new_id、conflict_name	某国内战
双边	dyad_new_id、dyad_name、side_a、side_b	政府 vs 某组织
事件	id、relid、date_start、latitude	单次行为

为什么这个层级重要：一场冲突下可能有多个双边（政府打 A 组织、政府打 B 组织、A 打 B）。如果按 conflict_new_id 汇总死亡数，会把不同性质的对抗混在一起。 正确的分析单位往往是 dyad，不是 conflict。

§4.3 事件 id 跨版本会变

这是做长期项目时最容易被坑的一处。

GED 每次版本更新会重新分配 id，因为：

• 旧事件可能被拆分（一个报道后来发现是两起事件）
• 旧事件可能被合并
• 旧事件可能被删除（来源被证伪）

所以不能按 id 做跨版本 join。 正确做法是按事件指纹匹配：

KEY = ["date_start", "latitude", "longitude", "side_a", "side_b"]

v25 = pd.read_csv("GEDEvent_v25_1.csv", ...)
v26 = pd.read_csv("GEDEvent_v26_1.csv", ...)

merged = v25.merge(v26, on=KEY, how="outer", indicator=True)
print(merged["_merge"].value_counts())
# both / left_only（被删）/ right_only（新增）

这是版本比对的标准做法，也是 relid 存在的原因——它在版本内稳定，配合 conflict_new_id 可以定位，但仍不是跨版本主键。

§4.4 坐标系统的三个陷阱

陷阱一：where_prec == 7 的坐标是国家质心。 266 条。必须剔除。

陷阱二：同一个行政区内的多个事件共享坐标。 where_prec 为 2–6 时，坐标是行政区中心。这会让「事件密度」在这些点上虚高。

陷阱三：geom_wkt 与 latitude/longitude 可能不一致。 geom_wkt 是 WKT 格式的几何，多数是点，与 lat/lon 一致。但如果你做几何运算，用 geom_wkt；如果做点统计，用 lat/lon。不要混着用。

---

§5 检索、抽样与泄漏分析

§5.1 用医学 AI 的眼光看，泄漏在哪

把冲突数据当暴露变量接进健康模型，有三层泄漏：

第一层：时间方向泄漏。 用「事件发生后」的暴露去预测「事件发生前」的健康结局。做法上很容易犯：因为 GED 是按国家横排的，人容易忘记时间方向。

第二层：前视偏差（look-ahead）。 如果你用「整个观察期内的事件总数」当暴露，这个数包含了未来的事件。正确做法是用暴露窗口内的事件数，即结局测量时点之前的固定长度窗口。

第三层：地理边界泄漏。 用「全国事件数」给每个样本打标签，等于假设战争的影响在全国均匀分布——实际高度集中于特定地区。用国家级暴露会严重稀释效应。

§5.2 正确构造暴露变量

这是本节最实用的部分。给一个医疗数据集打冲突暴露，标准做法是：

import numpy as np
import pandas as pd
from math import radians, sin, cos, asin, sqrt

def haversine_km(lat1, lon1, lat2, lon2):
    R = 6371.0
    dlat = radians(lat2 - lat1); dlon = radians(lon2 - lon1)
    a = sin(dlat/2)**2 + cos(radians(lat1)) * cos(radians(lat2)) * sin(dlon/2)**2
    return 2 * R * asin(sqrt(a))

def exposure(df_ged, lat, lon, t0, window_days=365, radius_km=25, min_prec=2):
    """构造单个样本的冲突暴露。三个参数必须显式给，不能默认。"""
    d = df_ged[
        (df_ged["where_prec"] <= min_prec) &                # 只用精度够的
        (df_ged["date_start"] >= t0 - pd.Timedelta(days=window_days)) &
        (df_ged["date_start"] <  t0)                        # 严格早于结局时点
    ]
    if d.empty:
        return {"n_events": 0, "deaths": 0, "km_nearest": np.nan}
    dist = d.apply(lambda r: haversine_km(lat, lon, r["latitude"], r["longitude"]), axis=1)
    m = dist <= radius_km
    return {
        "n_events": int(m.sum()),
        "deaths": int(d.loc[m, "best"].sum()),
        "km_nearest": float(dist.min()),
    }

四个参数的含义与选择：

参数	作用	建议
window_days	暴露窗口长度	365 天（一年）为常见默认；创伤研究可短到 90 天
radius_km	空间半径	25 km 约等于「可听见爆炸」的距离；卫生服务可及性研究可用 50–100 km
min_prec	地理精度门槛	2（县及更细）。用 1 会丢掉一半以上事件
t0	结局测量时点	必须是样本采集日，不是发表日

最关键的纪律：t0 必须严格早于结局。如果样本是 2020 年 6 月采集的健康问卷，暴露窗口就该是 2019-06 到 2020-06。用 2021 年的事件解释 2020 年的问卷，是时间倒流。

§5.3 三个暴露指标，各有用途

指标	计算	适用
事件计数	窗口内半径内的事件数	通用，最常用
死亡求和	窗口内的 best 求和	衡量严重程度，但受单次大事件主导
最近距离	到最近事件的直线距离	衡量「是否处于冲突区」，不受密度影响

三个指标不能互相替代。 一个半径 25 km 内发生 3 起事件、每起死 2 人，和发生 1 起事件死 6 人，事件计数一个是 3 一个是 1，死亡求和都是 6。前者是持续骚扰，后者是一次屠杀，健康影响完全不同。

§5.4 覆盖率：不是所有国家都在库里

126 个国家。这个数不是「有暴力的国家数」，是「UCDP 编码了的国家数」。

未编码不等于无暴力。 一些小国、岛国、以及报道极少的地区，可能因为达不到 UCDP 的编码门槛（至少 1 人死亡 + 2 个独立来源）而没有记录。

实用判断：如果你的样本国家不在 126 里，不能断言「该国无冲突」，只能说「GED 无记录」。这两个结论完全不同。

---

§6 AI 就绪指南

§6.1 最小可用流水线

import pandas as pd

COLS = ["id","year","type_of_violence","date_start","date_prec",
        "latitude","longitude","where_prec","country","region","adm_1",
        "best","high","low","deaths_civilians","deaths_unknown",
        "number_of_sources","side_a","side_b"]

def load_ged(path="GEDEvent_v26_1.csv"):
    df = pd.read_csv(path, usecols=COLS, parse_dates=["date_start"],
                     low_memory=False)
    df["year"] = df["year"].astype("int16")
    df["best"] = df["best"].astype("int32")
    return df

ged = load_ged()
print(len(ged), "事件 |", ged["best"].sum(), "死亡")

§6.2 三步清洗

def clean(ged):
    d = ged.copy()

    # 1. 剔除国家质心坐标（where_prec == 7）
    d = d[d["where_prec"] < 7]

    # 2. 标记而非删除低精度条目（后续敏感性分析要用）
    d["geo_ok"]  = d["where_prec"] <= 2          # 县及更细
    d["date_ok"] = d["date_prec"] == 1           # 精确到日

    # 3. 标记低可信事件
    d["low_src"] = d["number_of_sources"].fillna(0) <= 1

    return d

ged = clean(ged)
print(ged["geo_ok"].mean().round(3), ged["date_ok"].mean().round(3))
# 约 0.707 0.857

为什么标记而不删除：低精度条目在国家-年汇总里是可用的，只在空间分析里不可用。删除会丢失大量信息。

§6.2b 两个字段的正确用法：number_of_sources 与 deaths_unknown

这两个字段最容易被误当筛子用，实测数据说明了为什么不能：

number_of_sources 不能当质量门槛。 因为 23.3% 的事件是 -1（缺失），56.6% 是 1。设 >= 2 会一次砍掉 79.9% 的数据，而砍掉的部分里包含 102.9 万死亡。正确的三种用法：

# 用法一：当协变量（推荐）
ged["src_missing"] = ged["number_of_sources"] < 0
ged["src_n"] = ged["number_of_sources"].clip(lower=0)

# 用法二：做敏感性分析，看结论是否依赖来源充分的子集
sub = ged[ged["number_of_sources"] >= 2]
print(len(sub), "/", len(ged))     # 约 20%

# 用法三：给每个聚合值附一个可信度分层
ged["conf"] = pd.cut(ged["number_of_sources"],
                     [-2, -1, 1, 3, 999],
                     labels=["missing", "single", "multi", "rich"])

用法一最稳妥。 把「来源缺失」当成一个显式的指示变量，让模型自己决定它有多重要。用法二只用于验证，不能替代主分析。

deaths_unknown 必须与 deaths_civilians 一起报。 因为 62.4% 的事件是 civilians=0, best>0。做平民死亡分析时，标准的三行输出是：

print("总死亡:", df["best"].sum())
print("已确认平民死亡:", df["deaths_civilians"].sum())
print("归属不明:", df["deaths_unknown"].sum())

如果只打印第二行，你会得到一个人为压低几倍的数。 这是冲突健康研究里最常被忽视的一处。

§6.3 国家-年聚合（最常用的形态）

def to_country_year(ged, type_filter=None):
    d = ged if type_filter is None else ged[ged["type_of_violence"] == type_filter]
    g = (d.groupby(["country", "year"])
           .agg(n_events=("id", "count"),
                deaths=("best", "sum"),
                deaths_civ=("deaths_civilians", "sum"),
                n_dyads=("dyad_new_id" if "dyad_new_id" in d else "side_a", "nunique"))
           .reset_index())
    return g

cy = to_country_year(ged, type_filter=1)          # 只看国家型武装冲突
print(cy.sort_values("deaths", ascending=False).head(10))

必须显式指定 type_filter。 不指定会把三类暴力混在一起，得到无意义的「总死亡」。

§6.4 空间聚合：网格化

做空间分析的标准做法是把事件投到网格上：

def to_grid(ged, cell=0.5):
    d = ged[ged["geo_ok"]].copy()                  # 只用精度够的
    d["glat"] = (d["latitude"]  / cell).round() * cell
    d["glon"] = (d["longitude"] / cell).round() * cell
    return (d.groupby(["glat", "glon", "year"])
              .agg(n=("id", "count"), deaths=("best", "sum"))
              .reset_index())

grid = to_grid(ged, cell=0.5)
print(len(grid), "个网格-年")

cell=0.5 度约等于 55 km × 55 km（赤道）。 这个是常用的粗粒度。做精细分析可用 0.1 度（约 11 km），但那时必须只用 where_prec == 1 的条目，否则同县事件会堆在一个网格里。

priogrid_gid 字段可以直接用。 UCDP 已经预计算了 PRIO-GRID 网格编号（一种标准的 0.5 度全球网格），如果你要用 PRIO-GRID，直接用这个字段，不用自己算。

§6.5 与健康数据的连接

def merge_health(samples, ged):
    """samples 需含 lat / lon / date_collected / country 三列。"""
    out = []
    for _, s in samples.iterrows():
        e = exposure(ged, s["lat"], s["lon"], s["date_collected"],
                     window_days=365, radius_km=25, min_prec=2)
        out.append({**s.to_dict(), **e})
    return pd.DataFrame(out)

样本量大时这个循环会很慢（每秒约 100–500 条）。优化方式是先用 country + year 做粗筛，再在子集上算距离：

def merge_health_fast(samples, ged):
    ged["y"] = ged["date_start"].dt.year
    parts = []
    for (c, y), idx in samples.groupby(["country", "year_collected"]).groups.items():
        sub = ged[(ged["country"] == c) & (ged["y"].between(y-1, y))]
        if sub.empty:
            continue
        for i in idx:
            s = samples.loc[i]
            e = exposure(sub, s["lat"], s["lon"], s["date_collected"])
            parts.append({**s.to_dict(), **e})
    return pd.DataFrame(parts)

§6.6 三个必须记录的元数据

项	为什么
GED 版本号（26.1）	版本间事件会增删改，没有版本号结果不可复现
下载日期	同一版本可能被重新打包
暴露窗口参数	window_days / radius_km / min_prec 三个值决定了结论，必须写进论文方法部分

这三项不记录，你的结果就是不可复现的。 冲突数据的版本迭代很快（一年一版），三年后别人拿 29.x 版重跑，会得到不同的数。

§6.7 时序划分

冲突数据做预测模型时，必须按年切，不能随机切。理由与世行那条相同，但更强：冲突有强烈的时空自相关——昨天的冲突预测今天的冲突。随机切分会让训练集和测试集共享同一场冲突的事件，模型学到的是「这场冲突还在继续」，不是「什么样的条件会产生冲突」。

正确做法：留出最后 2–3 年做测试，且测试年份内不能有任何事件出现在训练集里。

---

§7 质量评估、DAIMS 与口径交叉核对

§7.1 DAIMS 评估

维度	得分	说明
数据集标识	3/3	有版本号（26.1）、有 DOI 与固定下载 URL，可精确寻址
许可清晰度	3/3	统一 CC BY 4.0，明确要求引用对应出版物
溯源信息	3/3	事件级存来源文章标题、机构、日期、原文链接。这是本库最强的一处
版本与更新	3/3	GED 年度版本 + Candidate 月度快报，历史版本可下载
字段字典	3/3	49 个字段全部有 codebook，含取值定义
缺失处理	2/3	有 where_prec / date_prec / number_of_sources 三档精度标记，但死亡归属不明只在 deaths_unknown 一个数里
文档完备度	3/3	Codebook、方法论文档、FAQ、API 文档齐全
访问稳定性	2/3	下载稳定，但 API 需申请 token，且 401 时不提示如何申请
合计	22/24 = 91.7%	本库最高分之一

§7.2 22 分里那两分扣在哪

扣在「缺失处理」：GED 有很好的精度标记，但没有告诉你「为什么这个事件的死亡归属不明」。deaths_unknown 只有一个数，不区分「死者身份待查」「来源矛盾」「未报道」。做平民死亡研究时，这一块是黑箱。

扣在「访问稳定性」：CSV 下载完全开放（这是好事），但 API 的 token 机制没有自助申请入口，只能发邮件。对于要建自动化管道的团队，这是一个摩擦点。

除此之外的六项都是满分，尤其「溯源信息」——事件级存来源清单这件事，在全库 1,344 篇里是罕见的。

§7.3 交叉核对：GED vs GBD vs WHO 死亡登记

同一批暴力死亡，三个来源都有估计：

来源	方法	粒度	典型关系
GED	事件编码（媒体交叉核验）	点 × 日	基准：可核验的最低计数
GBD	协变量建模（DisMod-MR）	国家 × 年 × 年龄 × 性别	通常高于 GED，因为模型补了漏报
WHO 死亡登记	各国上报的死亡登记	国家 × 年	仅在有完整登记的国家可用，冲突期常中断

三者关系的一般规律：

• GED 是下限——它只收有来源的、致死的事件，漏报必然存在
• GBD 是上界之一——模型会补上「应该有但没报道」的死亡
• WHO 登记在冲突期常常缺失——正是暴力最烈的地方登记最差

引用纪律：三者不能混用。如果要写「某冲突造成 X 人死亡」，必须说明是 GED 的 best 还是 GBD 的估计，两者的差可以达到 2–3 倍。这个差异不是谁错了，是「可核验计数」与「建模估计」的本质区别。

§7.4 一个必须说清的口径：417,968 是事件数不是死亡数

GED 的 417,968 是事件数。死亡合计 4,257,891 是 best 求和。

这两个数常被混淆。看到「UCDP 记录了 41.8 万起事件」就说「41.8 万人死亡」是错的——实际死亡是 425.8 万，是事件数的 10 倍。

报告时的正确写法：

依据 UCDP GED 26.1（2026 年发布），1989–2025 年间全球共编码 417,968 起致死性有组织暴力事件，死亡人数主估计合计 4,257,891 人（low 与 high 给出区间）。

§7.5 本库最独特的价值：可回溯性

多数伤亡统计只给结论。GED 给的是通往结论的路径：

一条记录 → source_article（文章标题）→ source_office（发布机构）
        → source_date（发布日期）→ source_original（原文链接）

这意味着任何一条记录都可以被独立核验。这是本条目在 DAIMS 上拿到溯源满分的原因，也是它与「某某机构估计有 X 万人死亡」这类不可核验说法的根本区别。

对医学 AI 的意义：如果你要用冲突数据做模型的暴露变量，可回溯性决定了你的结果能不能被审稿人接受。用不可核验的伤亡数字，审稿人会直接质疑；用 GED，你可以给出每一条事件的具体来源。

---

§8 生态位与相邻资源

§8.1 冲突数据的四层结构

第一层：现场调查（DHS、MICS 的冲突模块、幸存者调查）  —— 个体级，样本小，有回忆偏差
第二层：事件编码（UCDP GED、ACLED）                   —— 点 × 日，媒体交叉核验
第三层：冲突-年定性（UCDP/PRIO ACD、Correlates of War）—— 冲突 × 年，标准定义
第四层：建模估计（GBD、IHME、World Bank 的冲突影响评估）—— 国家 × 年，有推算

UCDP 同时占据第二层与第三层，这是它不同于其他来源的地方——多数机构只做一层。

§8.2 与 ACLED 的分工

ACLED（Armed Conflict Location & Event Data Project）是 GED 最直接的对照：

	UCDP GED	ACLED
时间起点	1989	1997（部分国家 2010s）
更新频率	年度（正式）+ 月度（Candidate）	周度
编码门槛	至少 1 人死亡	含非致命事件（抗议、暴力骚扰）
事件类型	三类（国家型 / 非国家 / 单边）	更细（战斗、爆炸、针对平民暴力、抗议、骚乱）
地理精度	七档标记	多为城镇级
许可	CC BY 4.0	非商业用途免费，商业需授权

核心区别在门槛：GED 只收致死事件，ACLED 收非致命事件。所以 ACLED 的事件数远多于 GED，但两者的「事件」不是一个东西。

实用判断：

• 要长期历史序列（1989 起）→ GED
• 要近期高频监测（上周发生了什么）→ ACLED
• 要非致命暴力（伤害、绑架、威胁）→ ACLED
• 要可商用的许可 → GED（ACLED 商业需授权）

§8.3 与 UCDP/PRIO ACD 的关系

同一个机构的两套数据，但粒度差一个数量级：

	GED	ACD（UCDP/PRIO）
单位	事件	冲突-年 / 国家-年
覆盖	1989–2025	1946–2025
门槛	至少 1 人死亡	一年内冲突死亡 ≥ 25 人
用途	精细暴露、空间分析	长期趋势、面板回归

ACD 的 25 人死亡阈值是武装冲突研究的通行标准。 如果你的研究要与其他文献可比，必须用 ACD 的定义，不能用 GED 自己按 25 人筛——因为 ACD 的「冲突年」有一套完整判定规则（涉及交战方认定、年份归属），不是简单计数。

§8.4 专题数据集：冲突的生命周期

UCDP 还有一组专题库，覆盖冲突的不同阶段：

数据集	内容	用途
Onset（6 个文件）	冲突发生（哪一年开始）	冲突预测、风险建模
Termination（v4）	冲突终止（怎么结束的）	和平研究、复发起因分析
Peace Agreements（22.1 / 22.2）	和平协议文本编码	协议条款与持久和平的关系
CID（冲突议题）	冲突围绕什么议题	议题类型与冲突烈度的关系
VPP（冲突前兆）	冲突升级前的事件序列	早期预警
CACE	气候与冲突（1989–2017）	气候冲击与暴力的关系

这一组对医学 AI 的用处：如果你研究「冲突对健康系统的长期影响」，需要区分「冲突进行中」与「冲突后」——Termination 数据集给的就是这个分界点。

---

§9 许可、伦理与合规

§9.1 一句话：CC BY 4.0，但必须引用对应出版物

下载页原文：

All datasets are free of charge and licensed under CC BY 4.0 — you are free to use and redistribute them provided you cite the relevant publications listed with each dataset.

关键点在「cite the relevant publications」。 这不是普通的 CC BY 署名要求——它要求引用该数据集对应的学术出版物，不只是数据集本身。

具体到 GED，要引用的是：

• Sundberg, R. & Melander, E. — 关于 GED 的方法论文献
• 以及 UCDP 官方在每个数据集页面列出的具体出版物

实用做法：每个数据集页面下方都有「Publications」区块，照抄那里的引用格式。不要只写「数据来自 UCDP 网站」。

§9.2 CC BY 4.0 允许什么

行为	是否允许	条件
商用	✅	署名
修改	✅	署名 + 标注修改
再分发	✅	署名
用于训练集	✅	署名
建立衍生数据库	✅	署名 + 声明改编

这是相当宽松的许可。 对比 OECD 那套有「不得用 logo」「翻译要加声明」的附加条款，UCDP 的 CC BY 4.0 几乎是无条件的（只要署名）。

§9.3 伦理：三类必须谨慎的用法

数据本身是公开事件记录，不涉个人隐私。但伦理风险在解读：

第一类：把事件计数当死亡计数。 41.8 万是事件，425.8 万是死亡。混淆这两个数会造成十倍量级的错误。

第二类：把 GED 当「全部暴力」。 GED 只收致死事件。用它论证「某地区暴力程度低」，会忽略大量非致命暴力（伤害、性暴力、拘禁、酷刑）。这些恰恰是医疗系统负担的主要来源。

第三类：把地理精度当真实位置。 用 where_prec == 7 的国家质心坐标做「某医院附近发生了多少暴力」的计算，会得到完全不真实的结论。

§9.4 关于国家与地区的表述

UCDP 的国家字段使用其实体命名。引用具体国家或地区数据时，应按中国官方立场处理地理命名，不做政治性解读。本条目只讨论数据的结构与用法，不对任何冲突的性质、责任归属或领土争议做判断。

§9.5 伤亡数字的使用纪律

这是本条目最需要强调的一条。UCDP 的死亡估计是下限，不是全数：

• 只收有独立来源的事件
• 偏远地区、低烈度冲突系统性漏报
• best 是来源交叉后的中位判断，不是精确计数
• low 与 high 之间的差距可能达数倍

报告时必须给区间，不能只给一个数。 写「死亡 4,257,891 人」而不给 low/high，是把估计当成了事实。

---

§10 复用边界与三条硬结论

§10.1 三条硬结论

结论一：这是「致死暴力」库，不是「暴力」库。

GED 的门槛是至少 1 人死亡。伤害、绑架、性暴力、拘禁、酷刑、财产破坏、流离失所全部不在库内。如果你的研究关注的是「非致命暴力对健康的影响」，GED 帮不上，得看 ACLED 或专门的调查数据。

结论二：只有 46.5% 的事件能做空间分析。

where_prec == 1 的 194,544 条才是村庄级精度。剩下 53.5% 的坐标是行政区中心或国家质心。任何「缓冲区内事件数」的计算，都必须先按 where_prec 过滤，否则结果是伪信号。

结论三：三类暴力不能相加。

国家型武装冲突（292,121）、非国家冲突（61,451）、单边暴力（64,396）的分母完全不同。给一个「总事件数」等于把三种性质不同的东西混在一起。报告时永远给三个分项。

§10.2 该用 / 不该用

场景	该不该用
给医疗样本打冲突暴露协变量	✅ 强烈推荐（注意窗口与半径）
冲突与健康的长期面板研究	✅ 推荐（配 ACD 的冲突-年定性）
空间分析（缓冲区、核密度）	✅ 但要限 where_prec == 1
非致命暴力研究	❌ 用 ACLED 或调查数据
精确伤亡核算	❌ 这是下限估计，不是全数
找个体受害者记录	❌ 事件级聚合，无个人
当临床决策依据	❌ 绝对不行

§10.3 一个判断标准：这条事件能不能用

五个问题：

问题一：code_status 是 Clear 吗？ GED 全部是，但如果你混了 Candidate，这条就关键。

问题二：where_prec 够不够细？ 做空间分析要 ≤ 2，做村庄级要 == 1。

问题三：date_prec 够不够细？ 做时间窗口分析要 == 1。

问题四：number_of_sources 有几个？ 只有 1 个来源的事件，可信度显著低于多个来源。

问题五：deaths_unknown 占比多少？ 如果某个事件大部分死亡归属不明，就不要拿它算平民死亡。

五个都过了，这条事件才可靠。

§10.4 一句话记住它

UCDP 把战争拆成 41.8 万个可核验的坐标点，让你能把「暴力」当作一个可测量的环境变量，接进任何一条健康数据。

---

§11 常见误读

这一节把散落在前文的坑集中一次讲清。每一条都对应一次实测中的真实失败——不是理论风险。

常见说法	实际情况	证据
「41.8 万起事件 = 41.8 万人死亡」	41.8 万是事件数，死亡合计 425.8 万，是事件数的 10 倍	best 求和 = 4,257,891
「GED 记录了所有暴力事件」	只收至少 1 人死亡的事件。非致命暴力全不在库	编码门槛
「三类暴力可以加总」	1 型 292,121 / 2 型 61,451 / 3 型 64,396，分母完全不同	type_of_violence 计数
「坐标就是事件真实地点」	只有 46.5% 精确到村庄；266 条的坐标是国家质心	where_prec 分布
「所有事件都能做空间分析」	只有 where_prec == 1 的 194,544 条能做村庄级分析	同上
「deaths_civilians == 0 就是没平民死」	62.4% 的事件是 civilians=0 但 best>0。全库 deaths_unknown 合计 702,579（16.5%）	§2.8
「number_of_sources 是正数」	23.3%（97,496 条）是 -1，承载 102.9 万死亡（24.2%）。不能当质量筛子	§2.7
「UCDP 要求至少两个独立来源」	56.6% 的事件只有 1 个来源。近八成事件不是多源交叉的	§2.7
「best 是精确数字」	是来源交叉后的中位判断，low 与 high 可差数倍	§2.6
「事件 id 可以跨版本 join」	每次版本更新重新分配 id。要按日期+坐标+交战方匹配	§4.3
「GED 和 Candidate 可以混用」	前者全部 Clear，后者含待核条目，下版会改	§2.2
「API 可以直接调」	不带 token 返回 401，需申请	实测 401
「126 个国家里没有的就是没冲突」	未编码 ≠ 无暴力。小国、报道少地区可能达不到编码门槛	§5.4
「GED 的死亡数比 GBD 低是错的」	GED 是可核验下限，GBD 是建模估计，差 2–3 倍是正常的	§7.3
「CC BY 4.0 只要署名数据集名」	要求引用该数据集对应的学术出版物，不是只写「数据来自 UCDP」	下载页原文
「日期都是精确的」	85.7% 精确到日，14.3% 只到月/季/年	date_prec 分布
「同一个冲突下所有事件性质相同」	一场冲突可含多个 dyad（政府打 A、政府打 B、A 打 B），性质不同	§4.2

每一行背后的展开：

「41.8 万起事件 = 41.8 万人死亡」 —— 这是最常被媒体犯的错。事件与死亡是两回事：一起事件可以死 1 人，也可以死 5,000 人。GED 里既有「1 人死亡」的小规模事件，也有大屠杀级别的记录。看到「41.8 万」这个词，首先要问：是事件还是人。

「GED 记录了所有暴力事件」 —— 门槛是「致死」+「两个独立来源」。这两个条件排除了绝大多数暴力：伤害、绑架、性暴力、酷刑、拘禁、财产破坏、流离失所，一项都不在库内。从医疗系统的角度看，这恰恰是最需要关注的——非致命暴力造成的伤残与心理创伤是医疗负担的主体，而 GED 看不到它们。

「三类暴力可以加总」 —— 三类暴力的分母不同：1 型是国家与反对派对抗，2 型是武装团体互斗，3 型是一方针对平民。把三者相加得到一个「总事件数」，等于把「战争」「黑帮火并」「政府镇压」装进一个数——政策含义完全不同。

「坐标就是事件真实地点」 —— 只有 46.5% 精确到村庄。其余是行政区中心或国家质心。用国家质心坐标做「医院附近发生多少暴力」的计算，会让整个国家的事件都堆在首都附近的一个点上。

「deaths_civilians == 0 就是没平民死」 —— 死亡分解成 deaths_a / deaths_b / deaths_civilians / deaths_unknown 四块。deaths_civilians == 0 而 best > 0 的情形大量存在，意味着那部分死亡归属不明。做平民死亡研究时，必须把 deaths_unknown 单独报告。

「best 是精确数字」 —— best 是 low / best / high 三档里的中位判断。来源充分的事件区间窄，来源少的事件区间可以很宽（low=1、high=100）。只报 best 不报区间，是隐瞒不确定性。

「事件 id 可以跨版本 join」 —— GED 每次版本更新会重排 id。因为旧事件可能被拆分（一条报道后来发现是两起）、合并、删除（来源被证伪）。跨版本比对要按 (date_start, latitude, longitude, side_a, side_b) 这个指纹匹配。

「GED 和 Candidate 可以混用」 —— GED 全部 Clear（已确认），Candidate 含待核条目。待核条目会在下个月被修改、拆分或删除。混在一起用，你的结果会随时间变化。

「API 可以直接调」 —— 实测返回 401，消息是 API token required. Add header: x-ucdp-access-token。token 需向 UCDP 申请（页面有邮箱）。不想申请就直接下 CSV，79 个文件都开放下载。

「126 个国家里没有的就是没冲突」 —— UCDP 的编码需要达到门槛：至少 1 人死亡 + 至少 2 个独立来源。达不到门槛的地区不是没有暴力，是没有被编码。未编码 ≠ 无暴力，这个区别在做全球比较时至关重要。

「GED 比 GBD 低是错的」 —— GED 是事件编码的加总，本质是可核验的下限；GBD 是协变量模型，会补上「应该有但没报道」的部分。两者的差 2–3 倍是结构性差异，不是谁算错。

「CC BY 4.0 只要署名」 —— UCDP 的要求更具体：要引用该数据集对应的学术出版物（GED 页面下方列出的那几篇），不是只写「数据来自 UCDP 网站」。这是 CC BY 里「appropriate credit」的具体化。

「日期都是精确的」 —— 85.7% 精确到日，10.8% 只到月（会被放到当月某一天），0.9% 只到年。做「事件后 N 天」的窗口分析时，那 14.3% 会带来最多 ±15 天的错位。

「同一冲突下所有事件性质相同」 —— 一场冲突可以有多个 dyad。政府打 A、政府打 B、A 打 B，是三个不同性质的对抗。按 conflict_new_id 汇总会把它们混在一起。正确的分析单位常常是 dyad。

§11.2 四类容易忽略的结构性问题

第一，country 字段是字符串，不是 ISO 代码。

GED 的 country 是人可读的国家名（如 “Syria”），country_id 是 UCDP 内部编号。要和世行、OECD 的 ISO3 代码 join，需要自己建映射表。这个映射不能自动生成——UCDP 的国家定义与 ISO 有细微差异（历史国家、争议地区）。

第二，priogrid_gid 是预计算网格，但只在 where_prec <= 6 时有值。

UCDP 用了 PRIO-GRID（一种标准 0.5 度全球网格）。如果你的分析也用这个网格，直接用这个字段，不用自己算经纬度。但 where_prec == 7 的条目这个字段可能为空。

第三，active_year 不是 year。

year 是事件发生年，active_year 是这场冲突在该年仍处于活跃状态。两者不同：一场 2011 年开始的冲突，2015 年发生的事件，year = 2015，active_year 也是 2015，但冲突的起始年是 2011。做冲突持续性分析时要用 conflict_new_id + active_year。

第四，VPP 与 CACE 是研究项目产出，不是常规更新。

UCDP_VPP_Dataset 与 CACE_1989-2017.xlsx 是两个特定研究项目的副产品，不会随 GED 年度更新。CACE 只到 2017 年，用它做近期分析会缺十年数据。

§11.3 上线前的九项自检

• [ ] 区分了「事件数」与「死亡数」
• [ ] 三类 type_of_violence 分开报告，没有加总
• [ ] 剔除了 where_prec == 7 的国家质心坐标
• [ ] 空间分析只用了 where_prec <= 2（最好 == 1）
• [ ] 时间窗口分析只用了 date_prec == 1
• [ ] 报告了 low / best / high 三档，不只报 best
• [ ] deaths_unknown 单独报告（全库 702,579，占 16.5%），没有假设 civilians = best − a − b
• [ ] 没有用 number_of_sources >= 2 当筛子（会砍掉 80% 数据）
• [ ] 记录了 GED 版本号（26.1）与下载日期
• [ ] 引用时给了对应的学术出版物，不只写「数据来自 UCDP」

---

附录 A：本篇数字速查

数字	值	来源
GED 事件数	417,968	26.1 CSV 行数
死亡合计（best）	4,257,891	best 求和
覆盖国家	126	country 去重
年份跨度	1989–2025（37 年）	year
可下载数据集	79	下载页链接数
GED 字段数	49	表头
CSV 压缩包	39,122,522 字节	ged261-csv.zip
解压主表	273,992,720 字节	GEDEvent_v26_1.csv
1 型（国家型冲突）事件	292,121	type_of_violence
2 型（非国家冲突）事件	61,451	同上
3 型（单边暴力）事件	64,396	同上
村庄级精度（where_prec=1）	194,544（46.5%）	where_prec
国家质心（where_prec=7）	266（0.06%）	同上
日期精确到日（date_prec=1）	358,130（85.7%）	date_prec
中东事件数	128,033（30.6%）	region
默认许可	CC BY 4.0	下载页
DAIMS	22/24 = 91.7%	本条目评估

附录 B：五个可复制的查询

# 1. 下载 GED 主数据集（39 MB，解压后 274 MB）
curl -L -o ged261-csv.zip "https://ucdp.uu.se/downloads/ged/ged261-csv.zip"
unzip ged261-csv.zip

# 2. 看事件总数与死亡合计
python3 -c "
import pandas as pd
df = pd.read_csv('GEDEvent_v26_1.csv', usecols=['id','best'], low_memory=False)
print(len(df), df['best'].sum())"
# 417968 4257891

# 3. 看三类暴力分布
python3 -c "
import pandas as pd
df = pd.read_csv('GEDEvent_v26_1.csv', usecols=['type_of_violence'], low_memory=False)
print(df['type_of_violence'].value_counts().sort_index().to_dict())"

# 4. 看地理精度分布
python3 -c "
import pandas as pd
df = pd.read_csv('GEDEvent_v26_1.csv', usecols=['where_prec'], low_memory=False)
print(df['where_prec'].value_counts().sort_index().to_dict())"

# 5. 验证 API 需要 token
curl -s -o /dev/null -w "%{http_code}\n" "https://ucdpapi.pcr.uu.se/api/gedevents/26.1?pagesize=1"
# 401

附录 C：核对清单

拿到数据后按顺序跑：

• [ ] 确认下载的是 GED（ged261-*.zip），不是 Candidate
• [ ] 确认 code_status 只有 Clear（若混了 Candidate 会看到别的值）
• [ ] 确认事件数与死亡合计对得上（417,968 / 4,257,891）
• [ ] 检查 where_prec == 7 的条目是否已剔除
• [ ] 检查 date_prec != 1 的条目是否已标记
• [ ] 确认分析用的是 dyad 级还是 conflict 级
• [ ] 报告死亡时给了 low / best / high 三档
• [ ] 报告事件时区分了事件数与死亡数
• [ ] 记录了版本号与下载日期
• [ ] 引用了对应的学术出版物

附录 D：六个核心数据集速查

数据集	文件	粒度	覆盖	用途
GED 26.1	ged261-csv.zip	事件 × 日 × 坐标	1989–2025	精细暴露、空间分析
Candidate 26.0.X	GEDEvent_v26_0_9.csv	事件 × 日 × 坐标	近期月份	监测、预警
UCDP/PRIO ACD 26.1	ucdp-prio-acd-261-csv.zip	冲突 × 年	1946–2025	长期面板、与文献可比
Dyadic 26.1	ucdp-dyadic-261-csv.zip	双边 × 年	1946–2025	谁对谁，交战方分析
非国家 / 单边	ucdp-nonstate-261-*.zip、ucdp-onesided-261-*.zip	组织 × 年	1989–2025	2 型与 3 型专项
有组织暴力国家-年	organizedviolencecy-261-csv.zip	国家 × 年	1989–2025	三类汇总，做面板最省事

附录 E：一次最小可复现实验

十分钟内能跑完（不含下载），用来验证本条目所有关于 GED 结构的断言。

# 1. 事件数、死亡数、国家数
python3 -c "
import pandas as pd
d = pd.read_csv('GEDEvent_v26_1.csv', usecols=['id','best','country','year'], low_memory=False)
print(len(d), d['best'].sum(), d['country'].nunique(), d['year'].min(), d['year'].max())"
# 期望: 417968 4257891 126 1989 2025

# 2. code_status 只有 Clear
python3 -c "
import pandas as pd
print(pd.read_csv('GEDEvent_v26_1.csv', usecols=['code_status'], low_memory=False)['code_status'].unique())"
# 期望: ['Clear']

# 3. where_prec=1 的占比约 46.5%
python3 -c "
import pandas as pd
d = pd.read_csv('GEDEvent_v26_1.csv', usecols=['where_prec'], low_memory=False)
print(round((d['where_prec']==1).mean(), 3), (d['where_prec']==7).sum())"
# 期望: 0.465 266

# 4. 日期精度
python3 -c "
import pandas as pd
d = pd.read_csv('GEDEvent_v26_1.csv', usecols=['date_prec'], low_memory=False)
print(round((d['date_prec']==1).mean(), 3))"
# 期望: 0.857

# 5. API 无 token 返回 401
curl -s -o /dev/null -w "%{http_code}\n" "https://ucdpapi.pcr.uu.se/api/gedevents/26.1?pagesize=1"
# 期望: 401

跑完这五条，本条目 §1.2、§2.2、§2.4、§2.5、§3.2 里的每条断言都被独立验证过一遍。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• oecd-health — 共享标签：公共卫生与流行病学 / 电子健康记录 / 评测基准
• world-bank-open-data — 共享标签：公共卫生与流行病学 / 电子健康记录 / 评测基准
• mimicel — 共享标签：公共卫生与流行病学 / 电子健康记录
• mimiciii-demo — 共享标签：公共卫生与流行病学 / 电子健康记录
• mimiciv — 共享标签：公共卫生与流行病学 / 电子健康记录
• armd-mgb — 共享标签：公共卫生与流行病学 / 电子健康记录 / 评测基准
• sdoh-adverse-pregnancy — 共享标签：公共卫生与流行病学 / 电子健康记录 / 评测基准
• amr-uti — 共享标签：公共卫生与流行病学 / 电子健康记录 / 评测基准
• tpehgt — 共享标签：电子健康记录 / 评测基准
• arxiv — 共享标签：公共卫生与流行病学 / 评测基准

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。