Альтернативные матрицы пространственных весов соседства: методика создания и использования на примере расчета локальных индикаторов пространственной автокорреляции

Игорь Юрьевич Окунев; Анна Эдуардовна Кушнарева

doi:10.21638/spbu07.2023.210

Авторы

Игорь Юрьевич Окунев МГИМО МИД России, пр. Вернадского, 76, Москва, Россия, 119454 https://orcid.org/0000-0003-3292-9829
Анна Эдуардовна Кушнарева МГИМО МИД России, пр. Вернадского, 76, Москва, Россия, 119454 https://orcid.org/0000-0002-5759-8811

DOI:

https://doi.org/10.21638/spbu07.2023.210

Аннотация

Эвристический потенциал методов пространственного анализа неразрывно связан с используемыми матрицами соседства. В настоящей статье тестируется методика создания матриц абсолютных географических и относительных социально-политических весов соседства и их использования при расчете пространственной автокорреляции для единиц международно-политического анализа. В частности, проводится сравнение закономерностей пространственной автокорреляции для выборки из 193 стран-членов ООН в геометрическом и геополитическом пространстве. Для определения значимости эффекта соседства в каждом из случаев производится расчет индекса Морана, а анализ картограмм локальных индикаторов пространственной автокорреляции LISA позволяет выявить особенности кластеризации госудасртв при разных основаниях определения соседства. Сравнительный анализ картограмм LISA демонстрирует способность идентифицировать возможные пути распространения социально-политических явлений, а также особенности организации международного пространства. Проведение расчетов с разными матрицами при изменении основания установления соседства позволяет выделить группы наблюдений, составляющих ядро кластера, и, напротив, «переходные» наблюдения, меняющие свою кластерную принадлежность в предполагаемо гомогенной совокупности объектов. Также при использовании разных оснований для создания весовых матриц появляется возможность выявлять «серые зоны» – части набора данных, демонстрирующие систематическое отсутствие пространственной автокорреляции, требующие дополнительного изучения области и аспекты объекта исследования. В целом результаты свидетельствуют о целесообразности применения в рамках эксплоративного пространственного статистического анализа как абсолютных топологических, так и относительных весовых матриц, сконструированных на основе социально-экономических показателей, поскольку их параллельное использование позволяет обнаружить новые тенденции пространственной организации, а также получить эмпирическое подтверждение известных пространственных закономерностей.

Ключевые слова:

матрица пространственных весов соседства, относительное соседство, локальные индикаторы пространственной автокорреляции, пространственная автокорреляция, политическая география, система междунароных отношений, геополитический блок

Скачивания

Данные скачивания пока недоступны.

Библиографические ссылки

Балаш, О. С. (2013). Пространственный анализ темпов роста городов России. Известия Саратовского университета. Новая серия. Серия Экономика. Управление. Право, 13 (2), 186–191.

Вакуленко, Е. С. (2015). Анализ связи между региональными рынками труда в России с использованием модели Оукена. Прикладная эконометрика, 4 (40), 28–48.

Захарова, Е. А. (2021). Электоральные процессы в фюльке Норвегии через призму пространственного анализа. Псковский регионологический журнал, 1 (45), 110–125.

Латков, А. В., Никифорова, Е. В., Толмачев, М. Н., Барашов, Н. Г. (2020). Динамика показателей дифференциации заработной платы в экономическом пространстве России в условиях макроэкономической нестабильности. Балканское научное обозрение, 3 (9), 90–93.

Михеева, Н. Н. (2016). Исходные условия для формирования новой модели экономического роста: пространственный аспект. Научные труды: Институт народнохозяйственного прогнозирования РАН, 1, 586–605.

Нефедова, Т. Г., Трейвиш, А. И., Шелудков, А. В. (2022). Полимасштабный подход к выявлению пространственного неравенства в России как стимула и тормоза развития. Известия Российской академии наук. Серия географическая, 3, 289–303.

Окунев, И. Ю. (2023). Основы пространственного анализа. 2-е изд., перераб. и доп. М.: Аспект Пресс.

Семерикова, Е. В. и Демидова, О. А. (2015). Анализ региональной безработицы в России и Германии: пространственно-эконометрический подход. Пространственная экономика, 2, 64–85. https://doi.org/10.14530/se.2015.2.064-085

Торкунов, А. В. (2012). Политические системы современных государств: энциклопедический справочник. В 4 т. М.: Аспект Пресс.

Agnew, J. (1987). Place and Politics: The Geographical Mediation of State and Society, 1st ed. London: Routledge.

Agnew, J. (1996). Mapping politics: how context counts in electoral geography. Political Geography, 15 (2), 129–146.

Agnew, J., Mitchell, K., Toal, G. (2003). A Companion to Political Geography. UK: Blackwell Publishing Ltd.

Aldenderfer, M. (1996). Introduction. In: M. Aldenderfer and H. D. G. Maschner, ed., Anthropology, Space, and Geographic Information Systems. New York: Oxford University Press, 1–18.

Anselin, L. (1995). Local Indicators of Spatial Association LISA. Geographical Analysis, 27, 93–115. https://doi.org/10.1111/j.1538-4632.1995.tb00338.x

Anselin, L. (2003). Spatial Externalities, Spatial Multipliers, And Spatial Econometrics. International Regional Science Review, 26 (2), 153–166. https://doi.org/10.1177/0160017602250972

Anselin, L. (2013). Spatial Econometrics: Methods and Models. Netherlands: Springer Netherlands.

Anselin, L. and Rey, S. J. (2010). Perspectives on Spatial Data Analysis. Berlin: Springer-Verlag.

Anselin L., Sridharan S., Gholston S. (2007). Using Exploratory Spatial Data Analysis to Leverage Social Indicator Databases: The Discovery of Interesting Patterns. Social Indicators Research, 82 (2), 287–309.

Blanchard, P. and Volchenkov, D. (2009). Mathematical Analysis of Urban Spatial Networks. Berlin; Heidelberg: Springer.

Coleman, J. S., Campbell, E. Q., Hobson, C. J., McPartland, F., Mood, A. M., Weinfeld, F. D., York R. L. (1966). Equality of educational opportunity. Washington, DC: U.S. Government Printing Office.

Cressie, N. (1993). Statistics for Spatial Data. New York: John Wiley & Sons.

Earnest, A., Morgan, G., Mengersen, K., Ryan, L., Summerhayes, R., Beard, J. (2007). Evaluating the effect of neighbourhood weight matrices on smoothing properties of Conditional Autoregressive (CAR) models. International Journal of Health Geographics, 6 (1), 54–65. https://doi.org/10.1186/1476-072x-6-54

Eff, A. (2008). Weight Matrices for Cultural Proximity: Deriving Weights from a Language Phylogeny. Structure and Dynamics. E-Journal of Anthropological and Related Sciences, 3 (2), art. 9.

Elliott, P. and Wartenberg, D. (2004). Spatial epidemiology: current approaches and future challenges. Environmental health perspectives, 112 (9), 998–1006. https://doi.org/10.1289/ehp.6735

Fischer, M. M. and Getis, A. (2010). Handbook of applied spatial analysis: software tools, methods and applications. Berlin: Springer.

Fotheringham, S., Charlton, M., Brunsdon, C. (1998). Geographically Weighted Regression: A Natural Evolution of the Expansion Method for Spatial Data Analysis. Environment and Planning A, 30, 1905–1927. http://dx.doi.org/10.1068/a301905

Fotheringham, A. S. and Rogerson, P. A. (2009). The SAGE handbook of spatial analysis. London; Los Angeles: SAGE Publications, Ltd.

Geary, R. C. (1954). The Contiguity Ratio and Statistical Mapping. The Incorporporated Statistician, 5, 115–145. https://doi.org/10.2307/2986645

Getis, A. and Aldstadt, J. (2004). Constructing the Spatial Weights Matrix Using a Local Statistic. Geographical Analysis, 36 (2), 90–104. https://doi.org/10.1111/j.1538-4632.2004.tb01127.x

Getis, A. and Ord, J. K.(1992). The Analysis of Spatial Association by Use of Distance Statistics. Geographical Analysis, 24, 189–206. https://doi.org/10.1111/j.1538-4632.1992.tb00261.x

Grattet, R., Jenness, V., Curry, T. (1998). The Homogenization and Differentiation of Hate Crime Law in the United States, 1978 to 1995: Innovation and Diffusion in the Criminalization of Bigotry. American Sociological Review, 63 (2), 286–307. https://doi.org/10.2307/2657328

Grekousis, G. (2020). Spatial Analysis Methods and Practice: Describe — Explore — Explain through GIS. Cambridge: Cambridge University Press.

Johnston, R. J. (1991). A question of place: exploring the practice of human geography. Oxford: Basil Blackwell.

Kuo, T.-M., Lee, R. M., Anselin, L. (2011). Geographic disparities in late-stage breast cancer diagnosis in California. Health & Place, 17 (1), 327–334. https://doi.org/10.1016/j.healthplace.2010.11.007

Lam, C. and Souza, P. C. L. (2019). Estimation and Selection of Spatial Weight Matrix in a Spatial Lag Model. Journal of Business & Economic Statistics, 3, 693–710. https://doi.org/10.1080/07350015.2019.1569526

Leenders, R. T. A. J. (2002). Modeling social influence through network autocorrelation: Constructing the weight matrix. Social Networks, 24 (1), 21–47. https://doi.org/10.1016/S0378-8733(01)00049-1

LeSage, J. and Pace, R. K. (2009). Introduction to Spatial Econometrics. United Kingdom: CRC Press.

Mears, D. P. and Bhati, A. S. (2006). No community is an island: the effects of resource deprivation on urban violence in spatially and socially proximate communities. Criminology, 44 (3), 509–548. https://doi.org/10.1111/j.1745-9125.2006.00056.x

Moran, P. (1948). The Interpretation of Statistical Maps. Journal of the Royal Statistical Society, 10, 243–251.

Morenoff, J. D. (2003). Neighborhood Mechanisms and the Spatial Dynamics of Birth Weight. American Journal of Sociology, 108 (5), 976–1017.

Morenoff, J. D., Sampson, R. J., Raudenbush, S. W. (2001). Neighborhood inequality, collective efficacy, and the spatial dynamics of urban violence. Criminology, 39 (3), 517–558.

O’Loughlin, J. and Anselin, L. (1991). Bringing geography back to the study of international relations: spatial dependence and regional context in Africa, 1966-1978. International Interactions, 17, 29–61.

O’Loughlin, J., Flint, C., Anselin, L. (1994). The Geography of the Nazi Vote: Context, Confession, and Class in the Reichstag Election of 1930. Annals, Association of American Geographers, 84, 351–380.

O’Loughlin, J., Ward, M., Lofdahl, C., Cohen, J., Brown, D., Reilly, D., Gleditsch, K., Shin, M. (1998). The spatial and temporal diffusion of democracy, 1946-1994. Annals, Association of American Geographers, 88, 545–574.

Rogers, E. M.(1983). Diffusion of Innovations. New York: Free Press.

Sampson, R. J., Morenoff, J. D., Earls, F. (1999). Beyond Social Capital: Spatial Dynamics of Collective Efficacy for Children. American Sociological Review, 64, 633–660.

Tita, G. E. and Greenbaum, R. (2008). Crime, neighborhoods and units of analysis: Putting space in its place. In: D. Weisburd, W. Bernasco, G. J. N. Bruinsma, eds, Putting crime in its place: Units of analysis in spatial crime research. New York: Springer, 145–170.

Tobler, W. R. (1970). A Computer Movie Simulating Urban Growth in the Detroit Region. Economic Geography, 46, 234–240.

Voss, P. R., White, K. J. C., Hammer, R. B. (2006). Explorations in Spatial Demography. In: W. A. Kandel and D. L. Brown, eds, Population Change and Rural Society. Dordrecht: Springer, 407–429.

Waller, L. A., Carlin, B. P., Xia, H., Gelfand, A. E. (1997). Hierarchical Spatio-Temporal Mapping of Disease Rates. Journal of the American Statistical Association, 92, 607–617.

Wang, Y., Kockelman, K., Murray, W. (2013). The impact of weight matrices on parameter estimation and inference: A case study of binary response using land-use data. Journal of Transport and Land Use, 6 (3), 75–85.

Weisburd, D. and McEwen, T. (1998). Crime Mapping and Crime Prevention. New York: Criminal Justice Press.