コンテキスト **A. 概要** このデータセットは、[Data Science for Good: Kiva Crowdfunding][1]のチャレンジのために、この[コード][2]を用いて作成されました。GPS座標を利用して、キバ（Kiva）の世帯データと、5つのキバ対象国（コロンビア、ハイチ、フィリピン、ケニア、アルメニア）の人口統計・保健調査（DHS）のクラスターデータが統合されました。これらの国は開発レベルが大きく異なり、洞察に富んだモデルを導き出す上で重要な基準となります。全体として、6,778のクラスターに属する90,000を超えるDHS世帯データが統合されました。 **B. モデリング** k近傍法を用いて、KIVAの借入者とDHSクラスターをマッチングさせることで、詳細かつ正確な貧困指標を得ることができます。マッチングの質を評価するために、様々な地図や統計データが作成されています。[Bukun][3]、[M'hamed Jabri][4]、[Fabian Bruckschen][5]などの他のKaggleユーザーは、このデータセットの可能性を証明するとともに、その精度も評価しています。これらの素敵なコラボレーションに感謝いたします。 **C. 利用可能な貧困指標** 3つの指標が詳細な「ターゲティングスコア」を構成し、Kivaの借入者の福祉レベルまたは金融包摂度を示します。 - 多次元貧困指数（MPI） - 資産貧困指数（API） - 夜間照明データ（出典：VIIRS/NPP昼/夜バンド） コンテンツ データ辞書を参照してください。何か質問があれば、ご連絡ください。 インスピレーション Kivaのチャレンジを前進させることを支援します。貧困スコア付きの結果データセット（KIVA.DHSv5.csv）は、Kivaのチャレンジに取り組むための大きな機会を提供します。これは以下の目的に役立ちます。 a) より多くのKIVA対象国に対してこのアプローチを展開するための概念実証として。多数の追加国で最近のDHS調査が行われており、大規模なサンプルサイズとGPS座標が利用可能です。これらの国を含めることで、KIVAの融資の72％がカバーされる可能性があります。 b) リモートセンシングベースの手法の検証として。リモートセンシングベースの手法は、空間的なカバレッジが常に調査ベースの手法を上回ります。 [1]: https://www.kaggle.com/kiva/data-science-for-good-kiva-crowdfunding [2]: https://www.kaggle.com/fkosmowski/matching-kiva-s-borrowers-with-dhs-clusters/code [3]: https://www.kaggle.com/ambarish [4]: https://www.kaggle.com/mhajabri/ [5]: https://www.kaggle.com/fbruckschen