Skip to main content
LibreTexts - Ukrayinska

6: Аналіз

  1. Last updated
  2. Save as PDF
  • Page ID
    37838

    • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)

    Аналіз - це спосіб інтерпретації того, що відбувається на картах, з якими ви стикаєтеся і створюєте. Аналітичні інструменти надають способи взаємодії з даними, розуміння просторових закономірностей та надання нам словникового запасу для обговорення того, що ми бачимо, коли дивимося на карту. Існує багато способів просторового аналізу даних, що відображаються на картах - занадто багато, щоб згадати тут. У цьому розділі ми зупинимося на кількох конкретних методах аналізу карт, а також торкнемося деяких соціальних, економічних та політичних наслідків аналізу карт.

    Цей розділ познайомить вас з чотирма видами аналізу:

    • точковий візерунок
    • автокореляція
    • близькість
    • співвідношення

    Ці категорії відрізняються декількома способами. Вони можуть відрізнятися тим, чи дивляться вони на місцезнаходження окремо, або розташування та атрибути одночасно. Вони іноді відрізняються тим, чи дивляться вони на точки і області, або просто точки або області. Ці аналітичні підходи також відрізняються тим, чи дивляться вони лише на одну тему (скажімо, лише населення) або більше однієї теми одночасно (наприклад, дві карти округів, одна щільність населення на округ та інша середнього доходу).

    Залежно від спрямованості запиту та кількості аналізованих тем деякі карти можуть бути проаналізовані за допомогою більш ніж одного з цих методів, а інші карти найкраще аналізувати, використовуючи лише один. У цьому розділі ми навчимо вас відмінностям між цими чотирма типами просторового аналізу та попросимо вас використовувати ці аналітичні методи для розуміння карт. Майте на увазі, що хоча ми проводимо відмінності між цими типами аналізу протягом усього розділу, існує багато перекриттів та ситуацій, в яких різні аналітичні методи (особливо близькість та кореляція) можуть використовуватися в тандемі. Наприкінці цієї глави ви матимете основні навички для аналізу та інтерпретації карт та просторових даних.


    Аналіз. Чотири поширені методи аналізу карт.Вони відрізняються тим, чи дивляться вони на місцезнаходження окремо, або розташування і атрибути одночасно. [1]

    6.1 Аналіз точкових шаблонів

    Аналіз точкових шаблонів розглядає просторове розташування місць розташування об'єктів або подій в межах однієї теми і не враховує, як їх атрибути змінюються. Зокрема, такий вид аналізу розглядає взаємозв'язок між розташуваннями об'єктів або подій в просторі щодо місць розташування інших об'єктів або подій.

    На карті нижче розглядається розподіл крадіжок біля річки Темзи в Лондоні. Тут ми дивимося на місця конкретних подій - крадіжок, які відбуваються, коли хтось входить у будівлю незаконно з наміром щось вкрасти. Зауважте, що технічно розглядається якісний атрибут — чи сталася крадіжка зі зломом у певному місці чи ні? — але нас дійсно просто цікавить місце проведення цих заходів. Нас не цікавлять атрибути будь-якої самої крадіжки зі зломом, наприклад, те, що було вкрадено, що це коштувало, чи злодій спійманий, чи будь-яка кількість інших видів атрибутів, які ми могли б виміряти, або питання, які ми могли б задати.


    Лондонські крадіжки. Ця карта зображує розподіл крадіжок біля річки Темзи в Лондоні. [2]

    Ми використовуємо точковий аналіз шаблонів, щоб описати закономірність цієї конкретної теми, що представляє інтерес - місця зломів - над відображеною областю. Аналіз точкових моделей може допомогти нам побачити, де відбуваються просторові закономірності крадіжок, наприклад, якщо грабіжники націлюються на певний блок останніми днями. Як ви здогадалися з назви, аналіз точкових шаблонів зацікавлений у знаходженні закономірностей у місцях, в даному випадку, коли є якісь закономірності в крадіжках. Нам потрібна мова, щоб описати ці закономірності, саме це ми досліджуємо далі.

    Існує три основних типи точкових моделей - або просторовий розподіл місць розташування сутностей або подій - на карті: випадкові, рівномірні та кластерні.


    Точкові візерунки. Три загальні моделі точок є випадковими, рівномірними та кластерними. [3]

    Випадкові. Випадкова картина - це місце, де локації розподіляються, здавалося б, випадковим чином, або іншими словами, де положення будь-якої однієї точки не пов'язане з розташуванням інших точок. Маркетингові фірми, які проводять телефонні опитування, часто хочуть випадкового розподілу людей, наприклад, тому вони використовують методи, щоб переконатися, що вони вибирають випадкові місця, де люди живуть у місті, штаті чи нації.

    Уніформа. Рівномірний малюнок - це той, при якому місця рівномірно розподілені через простір. Карти пожежних станцій в окрузі часто відображають рівномірну схему, оскільки пожежні станції навмисно розподілені по місту чи округу, щоб гарантувати, що пожежники можуть швидко та ефективно отримати доступ до пожеж по всій території. Іншим прикладом є розташування вовчих зграй, в тому, що зграї розкладені якомога більше, оскільки кожна зграя намагається зберегти багато місця між собою та іншими зграями, щоб зменшити конфлікт з приводу гри.

    Кластерний. Кластерний візерунок описує, коли ряд місць знаходяться дуже близько один до одного або в кластерах - ближче, ніж можна було б очікувати, якби вони були випадковим чином візерунком. Грабіжники, які націлені на конкретний район, створять кластер крадіжок на карті злочинів громади. Хвороба часто групується в космосі, оскільки розташування однієї події, наприклад грипу, робить більш імовірним, що інші випадки грипу будуть поруч, оскільки грип поширюється через тісний контакт між людьми.

    Майте на увазі, що ви часто знайдете кілька моделей точок на одній карті. На малюнку нижче показана карта розташування господарських магазинів на Середньому Заході США. Дивлячись на цю карту з аналізом точкових шаблонів, ви можете описати розподіл магазинів як рівномірний у північній частині Айови (обведений червоним кольором), випадковий у центральному Вісконсині та прикордонній зоні Міннесоти/Дакотаса (жовтий) та скупчений навколо Міста-близнюків (синій).


    Кластеризація в магазинах. Порівняння кластеризації для розташування магазинів обладнання Menards на Середньому Заході США. Ви можете описати розподіл магазинів як рівномірний у північній частині Айови (обведений червоним кольором), випадковий у центральному Вісконсіні та прикордонній зоні Міннесоти/Дакотаса (жовтий) та скупчений навколо Міста-побратимів Міннесоти (синій). [4]

    6.2 Автокореляційний аналіз

    Хоча аналіз точкових шаблонів стосується взаємозв'язків між місцезнаходженнями на карті, автокореляція стосується як просторового розподілу місця розташування, так і атрибутів по площі. Дані перепису, наприклад, добре підходять для автокореляційного аналізу. Хоча дані перепису можуть збиратися на рівні окремих домогосподарств, демографічні дані в кінцевому підсумку агрегуються та відображаються на певній території, а не прив'язані до конкретних місць проживання домогосподарств. Автокореляція розглядає зв'язок одного атрибута до себе; або іншими словами, автокореляція - це спосіб аналізу ступеня, до якої речі одного і того ж роду пов'язані.

    Нагадаємо карту лондонських місць злому, розглянутих вище. На малюнку нижче показано різницю між точковою картою (як це вище), яку найкраще досліджувати за допомогою аналізу точкових моделей, та картою місцевості, яка краще підходить для автокореляційного аналізу. Наведена вище карта показує конкретні місця, де в Лондоні повідомлялося про крадіжки зі зломом, тоді як наведена нижче інформація про ці дані як рівень злому для конкретних районів, що дозволяє нам порівнювати крадіжки з крадіжками серед сусідніх районів. Ці два типи карт корисні для різних цілей. Якщо ви хочете зрозуміти конкретні будинки або блоки, які грабіжники націлені в районі, точкова карта краще для збору інформації про просторової кластеризації крадіжок зі зломом. Якщо ви працюєте в місті Лондон, і ви намагаєтеся вирішити, як розподілити ресурси на різні поліцейські дільниці, це більш корисно для вас, щоб знати, де найбільше злочинів відбувається в різних дільничних районах. У цьому випадку знання місцезнаходження конкретних домогосподарств не було б таким корисним, як наявність просторових даних по площі. Якщо ви розглядаєте можливість придбання будинку по сусідству, будь-яка з цих карт може допомогти вам зрозуміти ваш загальний ризик злому.


    Крадіжки зі зломом по площі. Повідомляється про крадіжки зі зломами в Лондоні, агреговані по площі. [5]

    Існує три способи опису моделей автокореляції: негативна автокореляція, позитивна автокореляція або відсутність автокореляції. Ці описові терміни викликають на думку те, що було названо першим законом географії Тоблера: «Все пов'язане з усім іншим, але близькі речі більш пов'язані, ніж далекі речі». На малюнку нижче представлений дуже спрощений приклад того, як ці автокореляційні описи можуть відображатися на дуже стилізованій карті.


    Автокореляція. Негативний, позитивний і нейтральний або немає автокореляції. [6]

    • Негативна автокореляція описує закономірність, яка не відповідає закону Тоблера — атрибут рівномірно розподілений по площі, рівномірно перетинається з різнорідними ознаками і не концентрується.
    • Позитивна автокореляція відповідає закону Тоблера — найближчі один до одного ділянки будуть відображати подібні закономірності або щільності атрибута, а ділянки, що знаходяться далі, відображають різну щільність атрибутів.
    • Відсутність автокореляції вказує на відсутність помітної закономірності в розподілі атрибута.

    Інший спосіб мислення про автокореляцію полягає в тому, щоб запитати, чи значення атрибута в одному місці, ймовірно, будуть подібними до значень у сусідніх місцях (позитивна автокореляція), сильно відрізняються від сусідніх місць (негативна автокореляція), і чи немає в основному зв'язку між сусідні місця за ознакою (немає автокореляції).

    Значна частина демографічних даних, з якими ми маємо справу в цьому курсі, відображатимуть позитивну автокореляцію. Наприклад, карта, яка показує показники крадіжки зі зломом для всього Лондона, демонструє, що райони з високими показниками злому, як правило, розташовані ближче до інших районів з високими або вище середніми показниками злому. Боро з низьким рівнем злому, як правило, ближче до інших районів низького або нижче середнього рівня злому.


    Крадіжки зі зломом по р-н. Показники крадіжки зі зломом в Лондоні, агреговані по району Ті, у кого високий рівень злому, як правило, розташовані ближче до інших районів з високим або вище середнього рівня злому. [7]

    6.3 Аналіз близькості

    Аналіз близькості описує просторові зв'язки та закономірності між місцезнаходженнями за двома темами - розглядайте це як аналіз точкових шаблонів з двома різними видами об'єктів або подій. Використовуючи аналіз близькості, ви можете подивитися на взаємозв'язок між будинками і вулицями, злочинами та камерами спостереження, пацієнтами та переносниками хвороб або магазинами та місцем проживання людей. Крім просторових відносин між кількома точками, аналіз близькості може допомогти нам зрозуміти світ у часі та відстані.

    Аналіз близькості може бути надзвичайно корисним для охорони здоров'я, визначаючи, як поширюються захворювання, як передбачити вразливість до хвороб, а також як і де найбільш ефективно націлювати втручання. Доктор Джон Сноу розробив один з класичних прикладів аналізу близькості громадського здоров'я. Як зазначається в главі 1, спалах холери розоряв Лондон у 1854 році і залишив багатьох захисників охорони здоров'я та політиків тривожними та невпевненими в тому, як стримувати вірус. Доктор Сноу опитав жителів і виявив, що ті, хто заразився холерою, отримували воду з насоса Broad Street, як на малюнку нижче. Незабаром після того, як ручка була знята з цього насоса, епідемія холери вщухла.


    Близькість і хвороба. Спалах холери та близькість до водяного насоса Broad Street, Лондон 1854, намальований доктором Джоном Сноу (на фото). Маленькі чорні точки представляють випадки холери, великі зелені точки представляють водяні насоси, а червона крапка - водяний насос Broad Street. Червоне коло - концентрація найбільшої кількості випадків холери, наближена до насоса Broad Street. [8]

    Щоб переконати медичне співтовариство, що холера є водною, а не повітряно-крапельною хворобою, доктор Сноу створив карту, показану вище, щоб продемонструвати взаємозв'язок між випадками холери та насосом Broad Street. Карта доктора Сноу була одним з найбільш ранніх прикладів аналізу близькості, проведеного для розуміння переносників просторових захворювань, і вона відкрила шлях для значного розширення картографування захворювань. Ця інформація призвела до реформування всієї системи охорони здоров'я у вікторіанській Англії, яка включала Закон про усунення неприємностей та профілактику захворювань 1846 року та розширення лондонської каналізаційної системи в 1849 році.

    Аналіз близькості також може допомогти нам подумати про різні способи вимірювання відстані. Більшу частину часу нас цікавить евклідова відстань, яка є прямою відстанню між двома точками. Однак, якщо ви не зможете масштабувати та стрибати через будівлі, відстань між точкою А та точкою В буде впливати природне та побудоване середовище. Уявіть, що ви водій швидкої допомоги, і вам потрібно доставити критично пораненого людини в найближчу лікарню. «Найближча» лікарня, заснована на часі (швидкість доріг, рух) або відстані (милі дороги), може бути не такою ж, як лікарня, яка найближча на евклідовій відстані. Відстань Манхеттена, або «геометрія таксі», - це вимірювання відстані, яке враховує сітку, подібну до моделі міських вулиць (як на острові Манхеттен), і краще підходить для розуміння навігаційної близькості. Відстань Манхеттена корисна не тільки для роздумів про близькість у міських умовах. Це більш загально позначає відстань, яку ви повинні проїхати через транспортну мережу, щоб досягти десь, або відстань мережі.

    Уявіть, що ви плануєте поїздку в прекрасні Південні Альпи Нової Зеландії. Льодовик Фокс і гора. Кук - це два найбільш захоплюючих місця, і лише близько 35 км один від одного, що є дуже близьким за допомогою евклідової міри відстані. Тим не менш, подорожувати між ними на машині потрібно більше 5 годин, тому що є мало місць, щоб пройти через гори. Ваші плани подорожей повинні враховувати відстань мережі, інакше ви будете в протягом дуже довгого і потенційно неприємного дня подорожі!


    Види дистанції. Карти Google проїзду з гори. Готуйте до льодовика Фокс, Нова Зеландія. Подорож між ними на машині займає більше 5 годин, незважаючи на те, що вони близькі з точки зору евклідівської відстані. [9]

    6.4 Кореляційний аналіз

    Кореляційний аналіз передбачає аналіз просторового зв'язку між декількома атрибутами або темами. Іншими словами, кореляційний аналіз намагається виміряти ступінь або ступінь, до якої два або більше різних атрибутів просторово пов'язані. Хоча кореляція, як правило, є хорошим методом для перегляду декількох атрибутів, агрегованих по області, вона також може бути використана для розмови про зв'язок між агрегованим атрибутом і певною точкою. Таким чином іноді виникають перекриття між близькістю та кореляційним аналізом. З цими перекриттями ми розберемося більш комплексно пізніше. А поки давайте розглянемо типовий приклад кореляційного аналізу: просторовий зв'язок між доходом і освітою.

    У всьому світі багато урядів, неурядових організацій та засобів масової інформації віщують взаємозв'язок між вищою освітою та збільшенням доходів. На малюнку нижче показані середні доходи тих, хто заробляє 75 000 доларів і більше, і відсоток людей зі ступенем бакалавра або вище для переписних ділянок в місті Лос-Анджелес. Дивлячись на ці дві карти пліч-о-пліч, ми можемо побачити загальну кореляцію між певними областями з відносно високими доходами та більш високим рівнем освітнього рівня. Місця, де співвідношення між двома атрибутами є сильними, виділяються колом або овалом.


    Кореляційний аналіз. Доходи та досягнення освіти співвідносяться в районі Лос-Анджелеса. [10]

    На цій карті є й інші області, де співвідношення не настільки чітке, як відзначають квадрати і прямокутники. Наприклад, у центрі Лос-Анджелеса (площа у верхньому лівому куті кола приблизно в центрі карти) ми бачимо невелику кореляцію між освітою та доходом. Важливо уважно читати свої карти при оцінці кореляції: погляньте на довгий діагональний тракт перепису у верхньому правому куті кожної карти. Це тракт перепису округу Лос-Анджелес 9301.01, і ми бачимо на картах, що хоча існує велика кількість освічених жителів, недостатньо даних про те, скільки з них заробляють 75 000 доларів або більше на рік. Це може бути тому, що лише 119 людей живуть у всій цій місцевості гір Сан-Габріель. Хоча ряд областей на карті, схоже, підтримують пропозицію про те, що вища освіта корелює з більш високими доходами, карта також демонструє, що є райони, які не дотримуються цієї моделі, і що ситуація, ймовірно, складніша в реальності.

    6.4.1 Потенційні помилки

    При проведенні кореляційного аналізу потрібно бути обережним, щоб уникнути двох поширених підводних каменів: 1) кореляція не обов'язково означає причинно-наслідковий зв'язок, а 2) дані іноді не сумісні.

    Помилка перша: кореляція ≠ причинно-наслідковий зв'язок

    Як і у прикладі доходу та освіти вище, лише тому, що ви бачите кореляцію на карті, не означає, що у вас є достатня інформація для визначення причинно-наслідкового зв'язку. Озираючись на наші карти доходів та освіти в Лос-Анджелесі, ми не маємо достатньої інформації, щоб стверджувати, що вища освіта спричиняє вищі доходи, або що вищі доходи спричиняють вищу освіту. Все, що ми бачимо з карти, це те, що вони співвідносяться. Якщо ви хочете зробити твердження про причинно-наслідковий зв'язок під час проведення просторового кореляційного аналізу, ви повинні проконсультуватися та цитувати іншу надійну академічну літературу, яка підтримує ваш аналіз. Коротше кажучи, ви повинні розробити кандидатську теорію або концепцію, яка пояснює зв'язок між вашими змінними.

    Помилкова кореляція/причинно-наслідкова зв'язок зберігається у всіх популярних ЗМІ. Наприклад, у 2014 році розділ New York Times Economy опублікував статтю із заголовком: «Просте рівняння: більше освіти = більше доходу». (Портер 2014). Тепер ця пропозиція може бути вірною в певних областях і на певних рівнях агрегації, але ми знаємо навіть з простого погляду на нашу карту, що в районі Лос-Анджелеса майже стільки місць, де між доходом і освітою мало кореляції. Ми просто не маємо достатньої інформації, щоб зрозуміти, чому деякі ділянки не відображають кореляцію між освітою та доходом, коли це роблять інші прилеглі райони. Ми не можемо претендувати на причинно-наслідковий зв'язок для певних місць або просторових масштабів без введення додаткових рецензованих даних, і навіть тоді ми повинні бути дуже обережними щодо причинних тверджень.

    Аналогічно, пропозиція в статті New York Times, яка стверджує, що вища освіта має причинно-наслідковий зв'язок із вищим доходом, також не допомагає нам пояснити ці низькі кореляційні тракти. Хоча можуть бути поширені кореляції між освітнім досягненням та доходом на рівні штату та округу, критичне читання нашої карти доходів та освіти демонструє складність та помилковість простої кореляції дорівнює аргументу причинно-наслідкового зв'язку. З цих причин академічна література зобов'язана чітко викладати свою методологію дослідження і є більш прозорою щодо того, як збираються дані та як робляться висновки, ніж популярні джерела засобів масової інформації. Як правило, академічні ресурси є більш корисними, якщо ви зацікавлені в причинно-наслідкових аргументах.

    Помилка друга: упущення про сумісність

    Переконайтеся, що дані, які ви корелюєте, насправді порівнянні. Ви хочете переконатися, що карти, які ви порівнюєте, і відображувані дані, базуються на аналогічних одиницях агрегації, категоріях і тимчасових характеристиках. Ви можете намалювати ефективні кореляції лише в тому випадку, якщо ваші карти та дані сумісні. На малюнку нижче показаний приклад того, як кореляційний аналіз може бути використаний для інтерпретації зсувів атрибутів з плином часу. Ці цифри, вироблені New York Times, дивляться на кореляції демографічних зрушень між чорношкірим та іспаномовним населенням у Південному Лос-Анджелесі між 1990 та 2010 роками.


    Кореляція та сумісність. Просторово сумісні карти, які показують кореляції демографічних зрушень з плином часу. [11]

    Використовуючи те, що ви знаєте про дані перепису, погляньте на тимчасові характеристики, одиниці агрегації, просторовий ступінь та категорії атрибутів. Чи належним чином ці карти сумісні? У цьому випадку відповідь - так. Ці карти охоплюють однакові часові рамки (1990 та 2010), у роки, коли расові категорії залишалися послідовними (чорношкірі та латиноамериканці мають однакові значення в переписах 1990 та 2010 років), обидві карти сукупні дані за переписом (через роки, коли просторові межі переписних ділянок залишалися послідовними), і зосередитися на тій же просторовій протяжності (Південний Центральний Лос-Анджелес). Це карти, які охоплюють всі бази сумісності і можуть бути ефективно проаналізовані за допомогою кореляції. Якщо у вас є додаткові запитання щодо сумісності, зверніться до розділу «Дані» для більш глибокого обговорення.

    6.5 Поєднання аналізів

    Як уже згадувалося вище, між цими різними аналітичними методами іноді трапляються перекриття, і відмінності не завжди настільки чіткі. Іноді ви можете використовувати ці кілька методів для аналізу однієї карти. Наведений нижче малюнок був опублікований New York Times в 2012 році в рамках серії про смертельні поліцейські розстріли в Анахаймі, штат Каліфорнія.


    Змішування видів аналізу. Місця смертельних розстрілів поліції, відсоток латиноамериканських демографічних даних, і середній дохід домогосподарств, Анахайм, Каліфорнія, США. [12]

    Використовуючи цю цифру, ми можемо виконати точковий аналіз зразків, спостерігаючи за розподілом місць стрільби поліції зі смертельними наслідками. Ми могли б провести автокореляційний аналіз на верхній карті, розглядаючи зв'язок між щільністю іспаномовних жителів у сусідніх урочищах (відносно позитивні рівні автокореляції), або нижню карту, порівнюючи середні доходи домогосподарств по урочищах. Ми можемо провести кореляційний аналіз на двох картах пліч-о-пліч, намагаючись визначити, чи існує взаємозв'язок між відсотком іспаномовних жителів та середнім доходом домогосподарств. Нарешті, ми можемо використовувати ці цифри, щоб зрозуміти близькість між місцями зйомки зі смертельними наслідками, відсотком іспаномовних жителів та/або середніми доходами домогосподарств. Оскільки часто існує перекриття між кореляцією та близькістю, ви можете використовувати будь-який або обидва аналітичні методи, щоб зрозуміти просторові зв'язки між смертельними зйомками та агрегованими атрибутами відсотків іспаномовного населення та середнього доходу домогосподарств.

    Давайте розглянемо інший приклад. На малюнку нижче покликаний аналіз близькості, оскільки в центрі уваги розслідування є розташування університетів та компаній Fortune 500 один до одного в районі Лос-Анджелеса. Загалом, ми бачимо відносно високий ступінь близькості між університетами та компаніями з Fortune 500. Звичайно, є деякі винятки. Наприклад, Університет Пеппердін, розташований в горах Санта-Моніка на лівій стороні вашої карти, здається відносно ізольованим у такому масштабі; однак, в умовах Манхеттена або мережевої відстані, це менше 20 миль, і близько 30 хвилин їзди, від або Dole Foods або Health Net, корпорації розташовані відповідно на північний захід і північний схід від кампуса.


    Аналіз близькості. Аналіз близькості між корпораціями та університетами в районі Лос-Анджелеса. [13]

    6.6 Висновок

    У цьому розділі ми розглянули кілька методів аналізу карт. Ми звузили нашу увагу до чотирьох загальних категорій аналізу: точкова картина, автокореляція, близькість та кореляція. Ці категорії відрізняються ключовими способами, особливо з точки зору того, чи дивляться вони на місцезнаходження окремо, або розташування та атрибути одночасно, і чи дивляться вони лише на одну тему або кілька тем одночасно. Вони також іноді відрізняються тим, чи дивляться вони лише на точки, лише області, або як точки, так і області. Незалежно від підходу, важливо не втрачати з уваги загальну картину, пам'ятати, що іноді можна використовувати кілька форм аналізу з однією і тією ж картою, і залишатися критичними до причинно-наслідкових претензій, заснованих лише на кореляції.

    Ресурси

    Для отримання додаткової інформації про аналіз:

    • ESRI (найбільша в світі компанія ГІС) розглядає кілька способів використання карт
    • Головний науковий співробітник ESRI розглядає «сюжетні карти» та просторовий аналіз
    • Едуардо Портер. 2014 рік. «Просте рівняння: більше освіти = більше доходу». Нью-Йорк Таймс.
    1. КУБ.СМ ПО-НК-СА 4.0. Стівен Менсон, 2015 ↑
    2. Карта згенерована за допомогою інтерфейсу карти в Лондонському телеграфі (2015) http://www.telegraph.co.uk/finance/n...hot-spots.html ㎡
    3. КУБ.СМ ПО-НК-СА 4.0. Стівен Менсон, 2015 ↑
    4. КУБ.СМ ПО-НК-СА 4.0. Лора Мейтсон, 2015 ↑
    5. Громадське надбання. Столична поліцейська служба (2015) http://news.met.police.uk ν
    6. КУБ.СМ ПО-НК-СА 4.0. Стівен Менсон, 2005 ↑
    7. Публічне надбання. Столична поліцейська служба (2015) http://news.met.police.uk ν
    8. Громадське надбання. Джон Сноу; Опубліковано C.F Cheffins, Літ, Саутгемптон будівель, Лондон, Англія, 1854 в Сноу, Джон. Про спосіб спілкування холери, 2-е видання, Джон Черчілль, Нью-Берлінгтон-стріт, Лондон, Англія, 1855. commons.wikimedia.org/w/inde...? курід = 2278605ò
    9. КУБ.СМ ПО-НК-СА 4.0. Лора Метсон, 2015. Карти Google. БІРЖА
    10. КУБ.СМ ПО-НК-СА 4.0. Сара Нельсон 2015. Дані з SocialExplorer та перепису населення США
    11. Сумлінне використання. Нью-Йорк Таймс (24 квітня 2012 р.). За роки після заворушень змінився колір обличчя на півдні Центрального
    12. Сумлінне використання. Нью-Йорк Таймс (2 серпня 2012 р.). Розділене місто. БІРЖА
    13. КУБ.СМ ПО-НК-СА 4.0. Лора Метсон, 2015. Карти Google
    1. Back to top
    • Was this article helpful?

    Recommended articles

    1. Article type
      Chapter
      License
      CC BY-NC-SA
      Show Page TOC
      No on Page
    2. Tags
      1. authorname:smanson
      2. source[translate]-geo-5549