4. Przestrzenne analizy zjawiska - przegląd metod badawczych
4.2. GIS w badaniach nad przestępczością
GIS (Geographic Information System) to oprogramowanie, które współcześnie jest powszechnie wykorzystywane w analizach przestrzennych różnych zjawisk. W ramach systemu możliwe jest wprowadzanie danych, ich gromadzenie, przetwarzanie oraz zarządzanie i wizualizacja danych geograficznych. GIS umożliwia również prowadzenie szerokich oraz wieloaspektowych analiz przestrzennych, dzięki włączaniu kolejnych warstw zawierających różne informacje (Kelly i in. 2004). Jest to bardzo pomocne narzędzie przy rozważaniu przyczyn występowania określonych – niekorzystnych dla społeczeństwa zjawisk, w tym również przestępczości – problematyki, która jest niezwykle złożona, a jednocześnie niełatwa w wyjaśnianiu jej przyczyn. Stąd też zastosowanie metod i technik dostępnych w ramach oprogramowania GIS daje szerokie możliwości, a ich wykorzystanie we współczesnych analizach przestępczości pozwala na uzasadnienie przestrzennego zróżnicowania zjawiska. Stosowanie GIS występuje w czterech sferach, które dotyczą
5 Przykład stanowić może opracowanie D.F. Higgins’a (2003) A Crime Analyst’s Guide to Mapping, obejmujące swoim zakresem przewodnik po tworzeniu map rozmieszczenia zjawisk o charakterze przestępczym, geokodowaniu danych w tym zakresie oraz przeprowadzania prostych analiz przestrzennych.
125
badania, zwalczania oraz zapobiegania zjawisku, wśród nich wymienia się: badania naukowe, działania w zakresie strategii przeciwdziałania zjawisku, działania operacyjne oraz działania zapobiegawcze i informacyjne (Tab. 4).
Tab. 4 Zastosowanie GIS w badaniach przestępczości
Źródło: opracowanie własne na podstawie Sypion-Dutkowska 2014, s. 56 Sfera wykorzystania GIS zakres badań
badania naukowe • kartowanie zjawisk społeczno-ekonomicznych, w tym także przestępczości;
• identyfikacja miejsc koncentracji przestępstw, tzw. hot spotów;
• zdefiniowanie uwarunkowań przestrzennych zjawiska;
• testowanie koncepcji dotyczących przestrzennego rozkładu przestępstw;
• analiza geostatystyczna oraz modelowanie zjawiska;
• kwestie metodologiczne w kartografii przestępczości;
• produkcja wyspecjalizowanego oprogramowania działania strategiczne • strategiczna analiza kryminalna z uwzględnieniem
aspektów przestrzennych;
• przestrzenna analiza trendów zjawiska;
• przestrzenna analiza dotycząca działań organów zajmujących się ściganiem sprawców oraz wymiarem sprawiedliwości;
• przestrzenny wymiar działań związanych z zapobieganiem przestępczości
działania operacyjne • oznaczanie zgłoszeń, zdarzeń oraz interwencji organów na mapach;
• wspomaganie działań o charakterze operacyjnym, śledczym oraz wywiadowczym;
• przestrzenna analiza kryminalna o charakterze operacyjnym, śledczym i wywiadowczym;
• analiza mobilności; profilowanie geograficzne sprawców;
• kontrola środowisk przestępczych;
• oznaczanie, a następnie analiza przestrzenna policyjnych działań operacyjnych;
zapobieganie i informacja • monitorowanie obszarów i obiektów pod względem bezpieczeństwa;
• monitorowanie i kontrola zjawiska przestępczości;
• opracowania kartograficzne dotyczące problemów przestępczości;
• interaktywne mapy przestępczości dostępne w internecie
Zastosowanie GIS, które może być niezwykle przydatne w zakresie zapobiegania, kontroli oraz ograniczania przestępczości przez poszczególne organy ściągania, zwłaszcza policję. Jest to narzędzie, które umożliwia gromadzenie danych, a w tym zakresie monitoring poziomu przestępczości, co ułatwia podejmowania określonych czynności. Zapobieganie zjawisku możliwe jest dzięki identyfikacji obszarów charakteryzujących się stosunkowo wysokimi wskaźnikami przestępstw.
Zarówno kartowanie zjawisk przestępczych, jak również ich przestrzenna analiza daje szereg różnych zastosowań, wśród których wymienia się:
a) ewidencję oraz oznaczanie na mapach działań policyjnych, co pozwala na monitorowanie i kontrolowanie przedsięwzięć związanych z zapobieganiem oraz ograniczaniem zjawiska, a także miejsc, w których miały miejsce interwencje policyjne;
126
b) bieżącą pomoc dla jednostek policji w zakresie identyfikacji przestępstw jakie wystąpiły w niedalekiej przeszłości i których prawdopodobieństwo wystąpienia jest stosunkowo wysokie;
c) określenie obszarów koncentracji zdarzeń przestępczych tzw. hot spotów, co umożliwia szczególną kontrolę takich miejsc;
d) wsparcie dla analiz zmierzających do poznania zjawiska, zrozumienia uwarunkowań jego występowania, zróżnicowania w przestrzeni w czasie dzięki łączeniu danych dotyczących przestępczości z danymi o innych niekorzystnych zjawiskach społecznych oraz różnych cech społeczeństwa;
e) wykorzystanie wizualizacji kartograficznych jako narzędzi informacyjnych oraz środków porozumiewania się ze społecznościami zamieszkującymi różne obszary na terenie miasta, jak również w zakresie działań mających na celu zapobieganie niepożądanym zjawiskom (Sypion-Dutkowska 2014).
Rozwój technologii, także w zakresie kartowania oraz przestrzennych analiz zjawiska przestępczości, w tym uwzględniając wykorzystanie narzędzi i metod udostępnianych w ramach GIS, stanowią już podstawowe narzędzia w zakresie zapobiegania i ograniczania zjawiska pomocne w szczególności organom ścigania.
Wśród wypracowanych metod ułatwiających badania nad przestępczością należy wymienić;
a) mapy tematyczne tworzone przy użyciu GIS;
b) hot spots;
c) autokorelację przestrzenną;
d) regresję przestrzenną;
e) profilowanie geograficzne;
f) ProMap.
W dalszej części niniejszego podrozdziału omówione zostaną poszczególne metody z krótkim komentarzem uwzględniającym możliwości ich wykorzystania w polskich warunkach.
Najprostszym sposobem wizualizacji danych dotyczących różnych zjawisk, w tym również przestępczości są mapy tematyczne. Crime mapping, stanowi swoiste narzędzie służące do prowadzenia analiz przestrzennych dotyczących zdarzeń kryminalnych. Dane czasu i miejsca dokonania czynów przestępczych, pozwalają na wskazanie przestrzennych schematów zachowań przestępczych, a także określenie miejsc szczególnej koncentracji zjawiska tzw. hot spots (Goldschneider 2010).
Stosowanie map tematycznych w ramach badań nad przestępczością jest silnie uzależnione od poziomu szczegółowości udostępnionych przez jednostki policyjne danych (Mordwa 2013c). W Polsce udostępniane są danych dla województw, powiatów oraz gmin, a w przypadku dokładniejszych lokalizacji statystyk zagregowanych do poziomu administracyjnych dzielnic miast lub obszarów komisariatów policyjnych. Rzadziej możliwe jest uzyskanie informacji odnośnie szczegółowej lokalizacji zdarzeń przestępczych tj. punktów adresowych, częściej można otrzymać dane dotyczące liczby przestępstw dokonywanych na poszczególnych ulicach. Stąd też analizując zjawisko przestępczości w zakresie zależności z innymi cechami społeczno-ekonomicznymi charakteryzującymi
127
społeczeństwo konieczne staje się odpowiednie przystosowanie, a właściwie sprowadzenie danych dotyczących wszystkich branych pod uwagę czynników do jednakowych jednostek przestrzennych. Umożliwiają to narzędzia jakimi dysponuje oprogramowanie GIS, dzięki którym możliwe staje się zliczenie właściwości obiektów poprzez zastosowanie określonych filtrów przestrzennych lub odpowiedniego dopasowania warstw. Ponadto dzięki funkcji nakładania wielu różnych warstw na siebie można w łatwy i szybki sposób określać zależności między nasileniem przestępczości, a poszczególnymi wskaźnikami (Mordwa 2013c).
Przykład mapy tematycznej prezentuje poniższa ryc. 20.
Ryc. 20. Przestrzenne rozmieszczenie przestępczości we Wrocławiu według okręgów policyjnych. Źródło:
Lisowska i in. 2014
Dzięki analizie map tematycznych, przy odpowiedniej szczegółowości danych możliwe jest zidentyfikowanie miejsc o szczególnej koncentracji przestępstw, określanych mianem hot spotów. Są to takie tereny, które charakteryzuje większe niż przeciętne natężenie zjawiska. Zwykle są to niewielkie powierzchniowo obszary, na których występuje znaczna liczba zdarzeń kryminalnych, cechujące się również zmiennością w zakresie wielkości zjawiska przestępczości. Zmienność ta wynika z podejmowania działań zapobiegających lub zmierzających do redukcji zjawiska, co skutkuje odpowiednim zmniejszeniem wskaźników i zmianą kategorii miejsca na tzw. cold spot (Mordwa 2013c). Hot spoty mogą być rozpatrywane w różnych skalach – mogą to być konkretne punkty adresowe, budynki o konkretnym przeznaczeniu, zespoły budynków lub po prostu pewne obszary (Levine 2010).
Kwestię występowania miejsc o zwiększonych wartościach przestępczości rozważa się w kontekście teorii działań rutynowych, która daje przesłanki do odpowiedniego programowania algorytmów do oprogramowani GIS. Skoro zgodnie w przytoczoną koncepcją, do wystąpienia przestępstwa konieczne jest zaistnienie sytuacji, w której jednocześnie znajdą się umotywowany sprawca, atrakcyjny cel/ofiara oraz miejsce niekontrolowane, niemonitorowane, to w przypadku koncentracji określonej grupy osób o pewnych cechach, mających jednocześnie
128
motywację do popełnienia przestępstwa na pewnym obszarze, sprzyja powstawaniu tam hot spotów.
Są różne sposoby identyfikacji miejsc o szczególnej koncentracji przestępczości, szerzej definiowane jako statystyki przestrzenne. Należą do nich powierzchnie gęstościowe (Levine 2010, Ratcliffe 2010), kartogramy ilorazów lokalizacji (Brantingham, Brantingham, 1995, Brantingham, Brantingham 1997, Andresen i in. 2009), lokalne wskaźniki autokorelacji przestrzennej LISA (Ratcliffe 2010, Erdogan i in 2011) oraz grupowanie hierarchiczne metodą najbliższego sąsiada (Levine 2010). Rozważając różne metody identyfikacji miejsc o szczególnej koncentracji zjawiska w zakresie stosowania dostępnego oprogramowania najlepiej wyznaczać hot spoty metodą gęstościową tzw. kernel density estimate (Higgins 2003, Mordwa 2013b).
Jednym ze sposobów pozwalających m.in. na identyfikację hot spotów jest autokorelacja przestrzenna wykorzystywana także do złożonych analiz nad zjawiskiem przestępczości. Jest to specyficzna zależność przestrzenna, o której można mówić wtedy, gdy występowanie zjawiska w określonej przestrzeni powoduje zwiększenie lub zmniejszenie prawdopodobieństwa wystąpienia tego zjawiska w obszarach sąsiednich (Bivand 1980). Wynika to z pierwszego prawa geografii W. Toblera, zgodnie z którym wszystkie elementy znajdujące się w przestrzeni są ze sobą wzajemnie powiązane, przy czym bliższe bardziej niż te odległe. Stąd też występowanie autokorelacji przestrzennej oparte jest o dwa podstawowe założenia – wymiar społeczno-ekonomicznej aktywności społeczeństwa jest kreowany przez odległość oraz lokalizację, przez co działalność człowieka nie jest ograniczona, do konkretnego obszaru – granice jednostek nie stanowią granic działania człowieka.
W związku z tym jednostki sąsiadujące mogą być podobne do siebie pod względem występowania tych samych zjawisk społeczno-ekonomicznych (Mordwa 2013b).
B. Suchecki (2010) wyjaśnił, że w praktycznym ujęciu autokorelację przestrzenną należy definiować jako „stopień skorelowania obserwowanej wartości zmiennej w danej lokalizacji z wartością tej samej zmiennej w innej lokalizacji”.
W przypadku badań dotyczących przestępczości, rozważania nad autokorelacją przestrzenną związane są przede wszystkim z identyfikacją miejsc koncentracji, a właściwie stwierdzenia występowania lub braku występowania skupień zdarzeń przestępczych. W przypadku, gdy stwierdzona zostanie tendencja do przestrzennego skupiania się wysokich wartości analizowanej zmiennej wskazuje się na występowanie autokorelacji dodatniej, natomiast jeśli wysokie wartości zjawiska otaczają wartości niskie lub ma miejsce sytuacja odwrotna, stwierdza się autokorelację ujemną. Losowe rozmieszczenie wartości wysokich oraz niskich oznacza brak autokorelacji przestrzennej. Istotnym elementem przy badaniu autokorelacji przestrzennej, jak również regresji przestrzennej, jest sporządzenie macierzy wag, co wynika z założenia o relacjach przestrzennych – wpływie odległości na występowanie zjawiska w jednej jednostce przestrzennej na jego pojawienie się w jednostkach sąsiednich lub położonych w pobliżu. Macierz odległości lub macierz sąsiedztwa daje możliwości do utworzenia różnych typów macierzy wag. Kryterium stanowić mogą m.in. występowanie wspólnej granicy, jej długość, odległość między
129
obiektami lub odwrotność takiej odległości (Mordwa 2013b). W przypadku relacji społeczno-przestrzennych można mówić o znacznej ich intensywności.
Ponieważ przestępczość jest zjawiskiem o charakterze zarówno społecznym, jak i przestrzennym, zdaniem Anselina i in. (2000) najbardziej efektywna jest konstrukcja macierzy wag według wspólnej granicy z uwzględnieniem sąsiedztwa typu queen. Macierz wag według wspólnej granicy konstruowana jest w oparciu o przyległość obiektów, a wspólna granica definiowana jest jako wspólny odcinek – dowolny również o zerowej długości w przypadku sąsiedztwa typu queen (http://manuals.pqstat.pl/przestrzenpl:mwagpl#macierz_wag_wedlug_odleglosci;
dostęp: 17.05.2018). Podsumowując, w przypadku istnienia autokorelacji przestrzennej można stwierdzić podobieństwo jednostek przestrzennych zlokalizowanych w niewielkiej odległości. Zależność tę można określać za pomocą różnych statystyk przestrzennych, które ułatwiają interpretację i zdefiniowanie jej charakteru (Pośpiech, Mastalerz - Kodzis 2015). Autokorelacja może być rozpatrywana na poziomie globalnym i lokalnym, co umożliwia analizę zjawiska zarówno w kontekście całego obszaru złożonego z mniejszych jednostek, jak również w poszczególnych jednostkach. Wśród statystyk przestrzennych – globalnych, wyróżnia się następujące: I Morana, C Geary-ego i G Getisa-Orda (Suchecki 2010).
Najczęściej stosowaną jest statystyka globalna I Morana, która pozwala na stwierdzenie lub wykluczenie istnienia globalnej autokorelacji przestrzennej. W tym przypadku wykorzystuje się binarną macierz wag uwzględniającą istnienie wspólnej granicy występującej z każdą jednostką sąsiadującą (Pośpiech, Mastalerz-Kodzis 2015). Macierz ta przyjmuje wartości „0” na przekątnej, natomiast poza nią elementy ją tworzące przyjmują następujące wartości: 1, gdy obiekty i oraz j graniczą ze sobą, 0 w pozostałych przypadkach. Statystyka globalna I Morana wykorzystywana jest dla oceny ogólnego podobieństwa obszarów i określona jest wzorem:
𝐼 = 𝑁
∑ ∑ 𝑤𝑖 𝑗 𝑖𝑗 ∗∑ ∑ 𝑤𝑖 𝑗 𝑖𝑗(𝑥𝑖− 𝑥̅)(𝑥𝑗 − 𝑥̅)
∑ (𝑥𝑖 𝑖 − 𝑥̅)2
gdzie: N – liczba jednostek przestrzennych; xi – wartość badanej zmiennej w i-tej jednostce, ̅x – średnia obliczona ze wszystkich jednostek, wij – element ustalonej wcześniej macierzy wag.
Jeśli wartość statystyki wynosi 0 nie istnieje autokorelacja przestrzenna dla poddanej badaniom zmiennej, w przypadku osiągnięcia wartości większych od zera wskazuje się na występowanie dodatniej autokorelacji przestrzennej, ujemna autokorelacja przestrzenna występuje, gdy statystyka przyjmuje wartości poniżej 0 (Müller-Frączek, Pietrzak 2008). W ujęciu nieco bardziej praktycznym – dodatnia autokorelacja oznacza skupianie się w przestrzeni podobnych wartości, natomiast ujemna oznacza, że wartości wysokie sąsiadują z niskimi (Pośpiech, Mastalerz-Kodzis 2010). Uzupełnieniem wartości statystyki jest wykres punktowy Morana (Ryc. 21) – równomierny rozkład punktów we wszystkich ćwiartkach oznacza brak autokorelacji przestrzennej, natomiast punkty znajdujące się w ćwiartce I (ozn. HH)
130
i III (ozn. LL) stanowią jednostki otoczone przez im podobne – HH (relacja wysokie-wysokie), są to jednostki charakteryzujące się wysokimi wartościami otoczonymi również jednostkami o wysokich wartościach, natomiast LL (relacja niskie-niskie) oznacza jednostki o niskich wartościach, które są otoczone również jednostkami o niskich wartościach. Punkty, które znalazły się w obrębie ćwiartki II (ozn. LH) oraz IV (HL) to jednostki, które otoczone są przez sąsiednie niepodobne pod względem wartości, przy czym LH (relacja niskie-wysokie) oznacza, że jednostki o niskich wartościach otoczone są przez jednostki o wysokich wartościach, natomiast HL (relacja wysokie-niskie) oznacza jednostki o wysokich wartościach, które zostały otoczone przez jednostki o niskich wartościach. Rozmieszczenie poszczególnych punktów w odpowiednich ćwiartkach definiuje także rodzaj zależności – przewaga punktów w II (LH) i IV (HL) ćwiartce wskazuje na ujemną autokorelację, natomiast I (HH) oraz III (LL) na autokorelację dodatnią. Linia wyrysowana na wykresie to linia regresji, której kierunek umożliwia interpretację współczynnika I Morana w następujący sposób:
a) I > 0 – wskazuje na występowanie klastrów o podobnych wartościach – oznacza autokorelację dodatnią – punkty pomiarowe położone są blisko linii prostej, wzrostowi jednej zmiennej odpowiada wzrost drugiej zmiennej;
b) I < 0 – wskazuje na występowanie hot spotów, definiowanych jako występowanie skupisk różnych wartości w obszarach sąsiadujących ze sobą – oznacza autokorelację ujemną, punkty pomiarowe również położone są blisko linii prostej, przy czym wzrostowi jednej zmiennej towarzyszy spadek wartości drugiej;
c) I = 0 – wskazuje na losowy rozkład badanej wartości zmiennej w przestrzeni i oznacza brak autokorelacji, a zatem rozkład, który otrzymano jest tak
131
prawdopodobny jak inny (http://manuals.pqstat.pl/przestrzenpl:autocorpl:gmoranpl)
Ryc. 21 Wykres rozrzutu Morana. Źródło: http://manuals.pqstat.pl/przestrzenpl:autocorpl:gmoranpl (data dostępu: 17.05.2018)
Statystyka globalna C Geary-ego również, tak jak I Morana, zmierza do wskazania stopnia intensywności wybranej cechy w jednostkach przestrzennych.
Analizy opartej na tej statystyce nie należy wykonywać dla obszarów, które nie mają sąsiedztwa (a zatem w macierzy wag osiągają wartości 0). Statystyka Geary-ego stanowi alternatywny sposób identyfikacji autokorelacji przestrzennej i określona jest wzorem:
𝑐 = ∑𝑛𝑖=1∑𝑛𝑗=1𝑤𝑖𝑗(𝑥𝑖 − 𝑥𝑗)2 2𝑆0𝑠𝑑2
gdzie: n to liczba obiektów przestrzennych, xi, xj stanowią wartości zmiennej dla porównywanych jednostek; wij to elementy przestrzennej macierzy wag, ̅x stanowi średnią wartość zmiennej dla wszystkich jednostek, natomiast:
𝑆0 = ∑ ∑ 𝑤𝑖𝑗
𝑛
𝑗=1 𝑛
𝑖=1
𝑠𝑑2 =∑𝑛𝑖=1(𝑥𝑖−𝑥̅)2
𝑛−1 (wariancja)
132 W przypadku, gdy:
a) C < 1 i C = 0 oznacza się na występowanie klastrów charakteryzujących się podobnymi wartościami, czyli autokorelację dodatnią;
b) C > 1 to występowanie hot spotów, czyli analogicznie, jak w przypadku statystyki I Morana oznacza to ujemną autokorelację przestrzenną;
c) C = 1 wskazuje na losowy rozkład badanej zmiennej w przestrzeni, a zatem nie występuje autokorelacja (http://manuals.pqstat.pl/przestrzenpl:autocorpl:
gmoranpl; dostęp 17.05.2018).
Najmniej popularną ze stosowanych statystyk jest statystyka G Getisa i Orda, co wynika z ograniczeń jakie posiada. Współczynnik oblicza się na podstawie wybranych a priori macierzy odległości, dla których należy zdefiniować maksymalną odległość, w której zakresie możliwe jest wystąpienie klastrów. W przypadku spełnienia warunku, a zatem zaistnienia spodziewanych lokalizacji w obrębie wskazanej odległości macierz przyjmuje wartości 1, a w sytuacji, kiedy lokalizacje występują poza tą odległością – wartości równe 0. Statystyka G Getisa i Orda określona jest wzorem:
𝐺𝑔 = ∑𝑛𝑖=1∑𝑛𝑗=1𝑤𝑖𝑗(𝑑)𝑥𝑖𝑥𝑗
∑𝑛𝑖=1∑𝑛𝑗=1𝑥𝑖𝑥𝑗
gdzie:
wij – odpowiedni element macierzy wag’
xi – oznacza wartość cechy danego obiektu w lokalizacji i – tej, xj – oznacza wartość cechy danego obiektu w lokalizacji j – tej, 𝑥̅ – oznacza przeciętną wartość cechy dla wszystkich obiektów, n – oznacza wszystkie obiekty, które uwzględniono w badaniu
Globalne statystyki analizujące autokorelację przestrzenną są silnie związane z przyjętym podziałem obszaru na odpowiednie jednostki przestrzenne, co w pewnym stopniu może wpływać na uzyskane wyniki (Pietrzykowski 2011). Stąd też poza określeniem statystyk globalnych warto zwrócić uwagę na wyniki otrzymane w konsekwencji zastosowania statystyk lokalnych. Wskaźniki lokalne umożliwiają określenie zależności występujących między konkretnie wskazanymi jednostkami względem jednostek sąsiednich (Müller-Frączek, Pietrzak 2008). Najczęściej stosowaną statystyką lokalną jest lokalna odmiana statystyki Morana – LISA (Local Indicators of Spatial Association), która umożliwia stwierdzenie występowania lokalnej autokorelacji przestrzennej – podobieństwa jednej jednostki przestrzennej wobec sąsiadujących oraz bada istotność statystyczną takiej sytuacji. Współczynnik lokalnej statystyki I Morana wyrażony jest wzorem (http://manuals.pqstat.pl/przestrzenpl:lokalpl#dokuwiki__top):
133
𝐼𝑖 = (𝑥𝑖− 𝑥̅) ∑𝑛𝑗=1𝑤𝑖𝑗(𝑥𝑗− 𝑥̅) 𝜎2
gdzie:
n – liczba obiektów przestrzennych (liczba punktów lub wielokątów), xi, xj – to wartości zmiennej dla porównywanych obiektów,
𝑥̅ – to srednia wartość zmiennej dla wszystkich obiektów, Wij – elementy przestrzennej macierzy wag;
𝜎2=∑𝑛𝑖=1(𝑥𝑖−𝑥̅)2
𝑛−1 – wariancja
Jednostki, dla których zidentyfikowano istotną, ujemną lokalną zależność przestrzenną określane są mianem obserwacji typu outlier, czyli sytuacji, w której badaną jednostkę otaczają jednostki o zupełnie innych wartościach analizowanej cechy. Natomiast w przypadku, gdy stwierdzono występowanie wysokich wartości zmiennej, które zostały otoczone jednostkami sąsiednimi, które charakteryzują się niskimi wartościami to wskazuje się na występowanie hot spotów. Jeśli zachodzi sytuacja odwrotna wskazuje się na istnienie cold spotów (Müller-Frączek, Pietrzak 2008). Istotna dodatnia wartość lokalnego współczynnika wskazuje na istnienie skupisk, klastrów, a zatem jednostki, którą otaczają inne o podobnych wartościach dla charakteryzowanej zmiennej (Pośpiech, Mastalerz-Kodzis, 2015). W przypadku statystyki lokalnej Gi Getisa i Orda możliwe jest zidentyfikowanie lokalnej koncentracji wartości wysokich i niskich badanej zmiennej w jednostkach sąsiadujących przy jednoczesnej analizie istotności stwierdzonej zależności.
W przypadku bliźniaczej statystyki Gi* w badaniach pod uwagę bierze się również jednostkę, dla której jest wykonywana analiza. Współczynnik Gi dla i-tej jednostki określony jest wzorem:
𝐸(𝐺𝑖) =∑ 𝑤𝑖𝑗𝑥𝑗
𝑛𝑗=1
∑𝑛𝑗=1𝑥𝑗 , gdzie 𝑖 ≠ 𝑗
*objaśnienia jak w przypadku poprzedniej statystyki
Współczynnik Gi* określony jest tym samym wzorem, różnica polega na tym, że obliczenia wykonywane są także dla jednostki analizowanej, co oznacza, że indeksy i oraz j są sobie równe. Wskaźnik osiąga wysokie wartości w sytuacji, kiedy stwierdza się koncentrację jednostek charakteryzujących się wysokimi wartościami badanej zmiennej, natomiast osiągnięcie niskich wartości wskazuje na występowanie skupisk jednostek o niskich wartościach. Rozkład losowy ma miejsce wówczas, gdy wartość osiągana przez współczynnik jest bliska wartości oczekiwanej, określonej wzorem (http://manuals.pqstat.pl/przestrzenpl:lokalpl#dokuwiki__top):
134
*objaśnienia jak w przypadku poprzedniej statystyki
Zdaniem S. Mordwa (2013b) zabadanie autokorelacji przestrzennej umożliwia wskazanie miejsc koncentracji zdarzeń przestępczych, nie uzasadnia jednak przyczyn takiego stanu. Stąd też w badaniach zjawiska pojawia się również analiza regresji przestrzennej. Zwykle stosowane techniki regresji liniowej bazujące na metodzie najmniejszych kwadratów, są jednymi z najbardziej popularnych w zakresie analizowania zależności jakie występują między różnymi zmiennymi.
Jednak istotnym ograniczeniem jest brak uwzględnienia relacji przestrzennych, stąd też przy stwierdzeniu autokorelacji przestrzennej, konieczne staje się włączenie czynnika przestrzennego do modelu regresji. Techniki regresji przestrzennej rozwinął L. Anselin (2002) wykorzystując w tym zakresie, jak w przypadku autokorelacji przestrzennej, macierze wag. Pod uwagę wzięto zatem sąsiedztwo oraz położenie jednostek przestrzennych. Analiza polega natomiast na zidentyfikowaniu efektów przestrzennych zmiennych zależnych określanych mianem opóźnienia przestrzennego oraz zmiennych niezależnych – błędów przestrzennych. W przypadku stwierdzenia opóźnień lub błędów przestrzennych, model regresji dopasowany zostanie w taki sposób, aby zredukować oddziaływanie efektów przestrzennych na siłę uzasadniającą uzyskany model regresji (Mordwa 2013b). Techniki regresji przestrzennej wykorzystywane były przez S. Mordwę i zmierzały do wskazania przyczyn zmienności przestrzennej kradzieży na obszarze Łodzi uwzględniając w tym zakresie cechy demograficzne mieszkańców. Dzięki przeprowadzonym analizom wykazano istotne znaczenie gęstości zaludnienia oraz udziału kobiet w populacji mieszkańców, które zadecydowały o przestrzennym rozkładzie wybranego czynu przestępczego (Mordwa 2011a). Zarówno wykonanie analiz dotyczących
Jednak istotnym ograniczeniem jest brak uwzględnienia relacji przestrzennych, stąd też przy stwierdzeniu autokorelacji przestrzennej, konieczne staje się włączenie czynnika przestrzennego do modelu regresji. Techniki regresji przestrzennej rozwinął L. Anselin (2002) wykorzystując w tym zakresie, jak w przypadku autokorelacji przestrzennej, macierze wag. Pod uwagę wzięto zatem sąsiedztwo oraz położenie jednostek przestrzennych. Analiza polega natomiast na zidentyfikowaniu efektów przestrzennych zmiennych zależnych określanych mianem opóźnienia przestrzennego oraz zmiennych niezależnych – błędów przestrzennych. W przypadku stwierdzenia opóźnień lub błędów przestrzennych, model regresji dopasowany zostanie w taki sposób, aby zredukować oddziaływanie efektów przestrzennych na siłę uzasadniającą uzyskany model regresji (Mordwa 2013b). Techniki regresji przestrzennej wykorzystywane były przez S. Mordwę i zmierzały do wskazania przyczyn zmienności przestrzennej kradzieży na obszarze Łodzi uwzględniając w tym zakresie cechy demograficzne mieszkańców. Dzięki przeprowadzonym analizom wykazano istotne znaczenie gęstości zaludnienia oraz udziału kobiet w populacji mieszkańców, które zadecydowały o przestrzennym rozkładzie wybranego czynu przestępczego (Mordwa 2011a). Zarówno wykonanie analiz dotyczących