Zastosowanie metod przestrzennych w analizie zjawiska przestępczości

• Autorzy: Katarzyna Zeug-Żebro
• Języki publikacji: PL

Abstrakty

Celem rozdziału jest zidentyfikowanie zależności przestrzennych zachodzących w Polsce pod względem przestępczości oraz próba wykorzystania wybranych metod i modeli ekonometrii przestrzennej w badaniach tego problemu. Układ przestrzenny przestępczości został przeanalizowany na poziomie powiatów. W aktualnie obowiązującym w Polsce (według stanu na 1 stycznia 2021 roku) podziale wyróżniono 380 jednostek przestrzennych (powiatów). W poszczególnych częściach rozdziału dokonano krótkiej analizy zjawiska przestępczości w Polsce, następnie zaprezentowano statystyki przestrzenne wykorzystywane w analizach oraz wyniki modelowania przestrzennego tego zjawiska. Badania przeprowadzono bazując na danych pozyskanych z Banku Danych Lokalnych Głównego Urzędu Statystycznego. Ze względu na ograniczenia wynikające z dostępności danych źródłowych dotyczących powiatów, analizę przeprowadzono tylko dla wybranych lat z okresu 2013-2020. Wszystkie obliczenia wykonano przy użyciu programu R Cran i pakietu Microsoft Excel. (fragment tekstu)

Słowa kluczowe

PL

Przestępczość; Statystyka przestępczości; Ekonometria przestrzenna; Modelowanie zjawisk czasowo-przestrzennych; Przestrzenna analiza statystyczna

EN

Crime; Crime statistics; Spatial econometrics; Modeling of time-space; Spatial statistical analysis

• Czasopismo: Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2023
• Tom: Gospodarka, społeczeństwo i rynki finansowe w dobie wyzwań współczesnego świata
• Strony: 67--88

Twórcy

autor

Katarzyna Zeug-Żebro

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• 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. (2002). Under the hood: Issues in the specification and interpolation of spatial regression models. Agricultural Economics, 27, 247-267. https://doi.org/10.1111/j.1574-0862.2002.tb00120.x
• Anselin, L. (2006). Spatial analysis with GeoDa. 4. Spatial regression, Urbana-Champaign: University of Illinois.
• Anselin, L., Bera, A. K., Florax, R., Yoon, M. J. (1996). Simple diagnostic tests for spatial dependence. Regional Science and Urban Economics, 26, 77-104. https://doi.org/10.1016/0166-0462(95)02111-6
• Anselin, L., Rey, S. J. (1991). Properties of tests for spatial dependence in linearregression models. Geographical Analysis, 23, 112-131. https://doi.org/10.1111/j.1538-4632.1991.tb00228.x
• Bąk, I. (2015). Struktura i typologia przestrzenna przestępczości w Polsce. Econometrics. Ekonometria. Advances in Applied Data Analytics, 4(50), 43-61. https://doi.org/10.15611/ekt.2015.4.03
• Bivand, R. (1980). Autokorelacja przestrzenna a metody analizy statystycznej w geografii. W Z. Chojnicki (red.), Analiza regresji w geografii (s. 23-38). Poznań: PWN.
• Chainey, S., Ratcliffe, J. (2005). GIS and crime mapping (1st ed.). John Wiley and Sons.
• Cliff, A. D., Ord, J. K. (1973). Spatial autocorrelation. London: Pion.
• European Forum for Urban Safety [EFUS]. (2007). Guidance on local safety audits. A compendium of international practice. Barcelona.
• Europol. (2020). Catching the virus cybercrime, disinformation and the COVID-19 pandemic. https://www.europol.europa.eu/sites/default/files/documents/catching_the_virus_cybercrime_disinformation_and_the_covid-19_pandemic_0.pdf
• Interpol. (2020). Cybercrime: Covid-19 impact. https://www.interpol.int/content/download/15526/file/COVID-19 Cybercrime Analysis Report- August 2020.pdf
• Kądziołka, K. (2016a). Analysis of the crime rate in Poland in spatial and temporal terms. Central and Eastern European Journal of Management and Economics, 4(1), 81-96. https://ceejme.eu/wp-content/uploads/2017/04/ceejme_1_6_art_05.pdf
• Kądziołka, K. (2016b). Determinanty przestępczości w Polsce. Analiza zależności z wykorzystaniem drzew regresyjnych. Ekonomia. Rynek, Gospodarka, Społeczeństwo, 4, 53-81. https://yadda.icm.edu.pl/yadda/element/bwmeta1.element.ekon-element-000171437306
• Kopczewska, K. (2011). Ekonometria i statystyka przestrzenna z wykorzystaniem programu R Cran. Warszawa: CeDeWu.
• Kopczewska, K. (red.). (2020). Przestrzenne metody ilościowe w R: statystyka, ekonometria, uczenie maszynowe, analiza danych. Warszawa: CeDeWu.
• Moran, P. A. P. (1950). Notes on continuous stochastic phenomena. Biometrika 37(1), 17-23. https://doi.org/10.2307/2332142
• Mordwa, S. (2013). Zastosowanie GIS w badaniach przestępczości. Acta Universitatis Lodziensis. Folia Geographica Socio-oeconomica, 14, 77-92. http://foliags-o.geo.uni.lodz.pl/folia14/Mordwa_Zastosowanie GIS w badaniach przestepczosci.pdf
• Ord, J. K., Getis, A. (1995). Local spatial autocorrelation statistics: Distributional issues and an application. Geographical Analysis, 27(4), 286-306. https://doi.org/10.1111/j.1538-4632.1995.tb00912.x
• Ord, J. K., Getis, A. (2012). Local spatial heteroscedasticity (LOSH). The Annals of Regional Science, 48(2), 528-539. http://doi.org/10.1007/s00168-011-0492-y
• Suchecki, B. (red.). (2010). Ekonometria przestrzenna. Metody i modele analizy danych przestrzennych. Warszawa: C.H. Beck.
• Szulc, E. (2008). Analiza struktury ekonomicznych procesów przestrzennych na przykładzie PKB w wybranych krajach europejskich. Acta Universitatis Nicolai Copernici, Ekonomia, 38, 7-20. https://doi.org/10.12775/AUNC_ECON.2008.001
• UN. (2020). Policy brief: The impact of COVID-19 on women. https://www.un.org/sites/un2.un.org/files/2020/04/policy_brief_on_covid_impact_on_women_9_apr_2020_updated.pdf