Geographical Analysis

Các khả năng về hình ảnh hóa, truy xuất dữ liệu nhanh chóng và thao tác trong các hệ thống thông tin địa lý (GIS) đã tạo ra nhu cầu về những kỹ thuật mới cho phân tích dữ liệu khám phá tập trung vào các khía cạnh "không gian" của dữ liệu. Việc xác định các mẫu địa phương của sự liên kết không gian là một mối quan tâm quan trọng trong bối cảnh này. Trong bài báo này, tôi phác thảo một lớp chỉ số địa phương chung mới về sự liên kết không gian (LISA) và trình bày cách mà chúng cho phép phân tách các chỉ số toàn cầu, chẳng hạn như chỉ số Moran's I, thành sự đóng góp của từng quan sát. Các thống kê LISA phục vụ hai mục đích. Một mặt, chúng có thể được hiểu như là các chỉ số của những khu vực địa phương không ổn định, hoặc 'hot spots', tương tự như các thống kê G_i và G*_i của Getis và Ord (1992). Mặt khác, chúng có thể được sử dụng để đánh giá ảnh hưởng của từng địa điểm đến độ lớn của thống kê toàn cầu và để xác định các "giá trị ngoại lai", như trong biểu đồ tán xạ Moran của Anselin (1993a). Một đánh giá ban đầu về các thuộc tính của một thống kê LISA được thực hiện cho Moran địa phương, được áp dụng trong một nghiên cứu về mô hình không gian của xung đột cho các quốc gia châu Phi và trong một số mô phỏng Monte Carlo.

Trong bài báo này, chúng tôi giới thiệu một gia đình các thống kê, G, có thể được sử dụng làm thước đo của sự liên kết không gian trong một số trường hợp. Thống kê cơ bản được suy diễn, các tính chất của nó được xác định, và những lợi thế của nó được giải thích. Một số thống kê G cho phép đánh giá sự liên kết không gian của một biến trong khoảng cách xác định từ một điểm duy nhất. Chúng tôi so sánh thống kê G tổng quát với I của Moran trong các điều kiện giả thuyết và thực nghiệm tương tự. Công việc thực nghiệm bao gồm các nghiên cứu về hội chứng đột tử ở trẻ sơ sinh theo quận ở Bắc Carolina và giá cả đơn vị cư trú tại khu vực đô thị San Diego theo các quận mã bưu chính. Kết quả chỉ ra rằng các thống kê G nên được sử dụng kết hợp với I để xác định các đặc điểm của các mẫu không được tiết lộ bởi thống kê I một mình và, một cách cụ thể, các thống kê G_i và G_i* cho phép chúng tôi phát hiện các "túi" phụ thuộc địa phương có thể không xuất hiện khi sử dụng các thống kê toàn cầu.

The statistics G_i(d) and G_i*(d), introduced in Getis and Ord (1992) for the study of local pattern in spatial data, are extended and their properties further explored. In particular, nonbinary weights are allowed and the statistics are related to Moran's autocorrelation statistic, I. The correlations between nearby values of the statistics are derived and verified by simulation. A Bonferroni criterion is used to approximate significance levels when testing extreme values from the set of statistics. An example of the use of the statistics is given using spatial‐temporal data on the AIDS epidemic centering on San Francisco. Results indicate that in recent years the disease is intensifying in the counties surrounding the city.

Tính không ổn định không gian là điều kiện mà một mô hình "toàn cầu" đơn giản không thể giải thích các mối quan hệ giữa một số tập hợp biến. Bản chất của mô hình phải thay đổi theo không gian để phản ánh cấu trúc bên trong dữ liệu. Trong bài báo này, một kỹ thuật được phát triển, được gọi là hồi quy trọng số theo địa lý, nhằm cố gắng nắm bắt sự biến đổi này bằng cách điều chỉnh một mô hình hồi quy đa biến cho phép các mối quan hệ khác nhau tồn tại tại các điểm khác nhau trong không gian. Kỹ thuật này được dựa lỏng lẻo trên hồi quy hạt nhân. Phương pháp này được giới thiệu và những vấn đề liên quan như việc lựa chọn hàm trọng số không gian được thảo luận. Sau đó, một loạt các bài kiểm tra thống kê liên quan được xem xét, có thể được miêu tả chung là các bài kiểm tra cho tính không ổn định không gian. Sử dụng các phương pháp Monte Carlo, các kỹ thuật được đề xuất để điều tra giả thuyết không rằng dữ liệu có thể được mô tả bởi một mô hình toàn cầu thay vì một mô hình không ổn định và cũng nhằm kiểm tra xem các hệ số hồi quy cá nhân có ổn định qua không gian địa lý hay không. Các kỹ thuật này được chứng minh trên một tập dữ liệu từ cuộc điều tra dân số Vương quốc Anh năm 1991 liên quan đến tỷ lệ sở hữu xe hơi với tầng lớp xã hội và tỷ lệ thất nghiệp nam giới. Bài báo kết luận bằng cách thảo luận về các cách mà kỹ thuật này có thể được mở rộng.

Conventional integral measures of accessibility, although valuable as indicators of place accessibility, have several limitations when used to evaluate individual accessibility. Two alternatives for overcoming some of the difficulties involved are explored in this study. One is to adapt these measures for evaluating individual accessibility using a disaggregate, nonzonal approach. The other is to develop different types of measures based on an alternative conceptual framework. To pursue the former alternative, this study specifies and examines eighteen gravity‐type and cumulative‐opportunity accessibility measures using a point‐based spatial framework. For the latter option, twelve space‐time accessibility measures are developed based on the construct of a prism‐constrained feasible opportunity set. This paper compares the relationships and spatial patterns of these thirty measures using network‐based GIS procedures. Travel diary data collected in Columbus, Ohio, and a digital data set of 10,727 selected land parcels are used for all computation. Results of this study indicate that space‐time and integral indices are distinctive types of accessibility measures which reflect different dimensions of the accessibility experience of individuals. Since space‐time measures are more capable of capturing interpersonal differences, especially the effect of space‐time constraints, they are more “gender sensitive” and helpful for unraveling gender/ethnic differences in accessibility. An important methodological implication is that whether accessibility is observed to be important or different between individuals depends heavily on whether the measure used is capable of revealing the kind of differences the analyst intends to observe.

Dựa trên một số lượng lớn các thí nghiệm mô phỏng Monte Carlo trên một mạng lưới đều đặn, chúng tôi so sánh các tính chất của kiểm tra Moran's I và kiểm tra nhân tử Lagrange đối với phụ thuộc không gian, tức là đối với cả tự tương quan lỗi không gian và biến phụ thuộc được suy rộng không gian. Chúng tôi xem xét cả độ chệch và sức mạnh của các bài kiểm tra cho sáu cỡ mẫu, từ hai mươi lăm đến 225 quan sát, cho các cấu trúc khác nhau của ma trận trọng số không gian, cho nhiều phân bố lỗi bên dưới, cho các ma trận trọng số được chỉ định sai, và cho tình huống khi có hiệu ứng ranh giới. Kết quả cung cấp chỉ số về các cỡ mẫu mà các tính chất tiệm cận của các bài kiểm tra có thể được xem là có hiệu lực. Chúng cũng minh họa sức mạnh của các bài kiểm tra nhân tử Lagrange để phân biệt giữa phụ thuộc không gian thực chất (trễ không gian) và phụ thuộc không gian như một phiền nhiễu (tự tương quan lỗi).

Những thành phố trên thế giới thường được coi là một hệ thống đô thị hoặc mạng lưới thành phố, nhưng điều này chưa bao giờ được xác định rõ trong tài liệu. Trong bài báo này, mạng lưới thành phố thế giới được xác định là một dạng mạng lưới đặc biệt với ba cấp độ cấu trúc: các thành phố như các nút, nền kinh tế thế giới như cấp độ mạng lưới siêu nút, và các công ty dịch vụ sản xuất tiên tiến hình thành một cấp độ phụ nút quan trọng. Các công ty này tạo ra một mạng lưới liên kết thông qua các chiến lược địa lý toàn cầu của họ để đặt văn phòng. Do đó, chính các công ty dịch vụ sản xuất tiên tiến hoạt động thông qua các thành phố là những nhân tố chính trong việc hình thành mạng lưới thành phố thế giới. Quy trình này được xác định chính thức thông qua bốn ma trận quan hệ liên thành phố - nguyên tố, tỉ lệ, khoảng cách và không đối xứng. Thông qua việc quy định này, lần đầu tiên có thể áp dụng các kỹ thuật phân tích mạng lưới tiêu chuẩn cho các thành phố thế giới. Trong một kết luận ngắn gọn, sự liên quan của việc quy định mạng lưới thành phố thế giới này đối với lý thuyết và thực tiễn chính sách sẽ được thảo luận ngắn gọn.

Hägerstrand's time geography is a powerful conceptual framework for understanding constraints on human activity participation in space and time. However, rigorous, analytical definitions of basic time geography entities and relationships do not exist. This limits abilities to make statements about error and uncertainty in time geographic measurement and analysis. It also compromises comparison among different time geographic analyses and the development of standard time geographic computational tools. The time geographic measurement theory in this article consists of analytical formulations for basic time geography entities and relations, specifically, the space–time path, prism, composite path‐prisms, stations, bundling, and intersections. The definitions have arbitrary spatial and temporal resolutions and are explicit with respect to informational assumptions: there are clear distinctions between measured and inferred components of each entity or relation. They are also general ton‐dimensional space rather than the strict two‐dimensional space of classical time geography. Algebraic solutions are available for one or two spatial dimensions, while numeric (but tractable) solutions are required for some entities and relations in higher dimensional space.

The statistic known as Moran's I is widely used to test for the presence of spatial dependence in observations taken on a lattice. Under the null hypothesis that the data are independent and identically distributed normal random variates, the distribution of Moran's I is known, and hypothesis tests based on this statistic have been shown in the literature to have various optimality properties. Given its simplicity, Moran's I is also frequently used outside of the formal hypothesis‐testing setting in exploratory analyses of spatially referenced data; however, its limitations are not very well understood. To illustrate these limitations, we show that, for data generated according to the spatial autoregressive (SAR) model, Moran's I is only a good estimator of the SAR model's spatial‐dependence parameter when the parameter is close to 0. In this research, we develop an alternative closed‐form measure of spatial autocorrelation, which we call APLE, because it is an approximate profile‐likelihood estimator (APLE) of the SAR model's spatial‐dependence parameter. We show that APLE can be used as a test statistic for, and an estimator of, the strength of spatial autocorrelation. We include both theoretical and simulation‐based motivations (including comparison with the maximum‐likelihood estimator), for using APLE as an estimator. In conjunction, we propose the APLE scatterplot, an exploratory graphical tool that is analogous to the Moran scatterplot, and we demonstrate that the APLE scatterplot is a better visual tool for assessing the strength of spatial autocorrelation in the data than the Moran scatterplot. In addition, Monte Carlo tests based on both APLE and Moran's I are introduced and compared. Finally, we include an analysis of the well‐known Mercer and Hall wheat‐yield data to illustrate the difference between APLE and Moran's I when they are used in exploratory spatial data analysis.

Spatial weights matrices are necessary elements in most regression models where a representation of spatial structure is needed. We construct a spatial weights matrix, W, based on the principle that spatial structure should be considered in a two‐part framework, those units that evoke a distance effect, and those that do not. Our two‐variable local statistics model (LSM) is based on the G_i* local statistic. The local statistic concept depends on the designation of a critical distance, d_c, defined as the distance beyond which no discernible increase in clustering of high or low values exists. In a series of simulation experiments LSM is compared to well‐known spatial weights matrix specifications—two different contiguity configurations, three different inverse distance formulations, and three semi‐variance models. The simulation experiments are carried out on a random spatial pattern and two types of spatial clustering patterns. The LSM performed best according to the Akaike Information Criterion, a spatial autoregressive coefficient evaluation, and Moran's I tests on residuals. The flexibility inherent in the LSM allows for its favorable performance when compared to the rigidity of the global models.