Projects

Prostorové metriky demo-sociálních změn v urbánním prostředí

SP/2010198

Světová města dlouhodobě ztrácejí status výrobních průmyslových center a stávají se centry terciárního a kvartálního sektoru. Počínaje 60. lety 20. století začínají tato města ztrácet většinu svých dělníků a zaměstnanců v průmyslu a to díky rozsáhlým uzavíráním průmyslové výroby, mechanizaci, suburbanizaci průmyslu a obecně kvůli celosvětovému posunu industriální výroby z center do periferních částí světa. Tyto pracovní pozice byly postupně nahrazovány zaměstnaností ve službách a to hlavně v oblasti finančnictví (Fyfe, Kenny, 2005). Město tvoří dynamický socio-ekonomický systém, který je vnitřně silně heterogenní. Tato heterogenita se zřetelně odráží také ve vnitřním prostorovém uspořádání města. Tyto proměny měly obrovský dopad právě na tuto vnitřní strukturu města. Pokud tato industriální města chtěla hrát dále důležitou roli v národním či dokonce nadnárodním prostředí, musela projít celkovou proměnnou (Glasgow, Manchester, Lille, Bilbao, Dortmund, Katowice, Ostrava atd). V tomto období ztrácela velkou část své populace, měnilo se ekonomické zaměření zaměstnanosti obyvatel a v neposlední řadě nastaly proměny v bytové výstavbě. Některé městské části tak prošly kompletní proměnou, stejně jako jejich obyvatelé. Z analytického hlediska lze tyto změny v prostorové distribuci obyvatel či zaměstnanců sledovat prostřednictvím celé řady metrik. McKibben, Faust (2004) zde zařazují metodu procentuální distribuce, která je z pravidla nejjednodušší mírou pro popis prostorové distribuce obyvatel. Je totiž nemožné porovnávat zastoupení dílčí subpopulace mezi několika různě velkými populacemi, pokud se nepočítá právě s procentuálním zastoupením této subpopulace. Další měrou pak je Zipfovo pravidlo velikostní kategorie (Zipf, 1949), Giniho míra koncentrace, která měří velikost nerovnosti a Lorentzova křivka, která umožňuje graficky reprezentovat nerovnost dvou distribucí. Dále zde řadí indexy rezidenční separace a prostorové izolace skupin obyvatel neboli míry segregace. Tyto indikátory měří relativní stupeň rezidenční separace rozdílných skupin obyvatel v urbánním prostoru (Sýkora, Temelová 2005). S postupnou větší dostupností dat a vývojem sofistikovaných počítačových analytických postupů, vznikaly další více zpřesněné indexy. Massey, Denton (1988) vytvořili shlukovou analýzou z 20 různých indexů segregace 5 výsledných kategorií indexů – vyrovnanost, ohrožení, koncentrace, centralizace a shlukování. Dále pak doporučili jeden nejlepší index pro každou tuto skupinu rezidenční segregace. Kategorie vyrovnanost měří prostorovou segregaci rozdílných skupin a segregace je nejmenší, pokud má každá oblast stejnou populační skladbu. Řadí se sem index nesourodosti, který měří nesourodost dvou populací v jednom území nebo index entropie, který měří různorodost populace v území. Indexy z kategorie ohrožení pak měří možný kontakt mezi členy jednotlivých skupin a je zde zařazen index izolace, který měří pravděpodobnost, že náhodně zvolený člen jedné skupiny se potká se členem stejné skupiny či index interakce, který měří pravděpodobnost, že se člen skupiny potká se členem jiné skupiny. Základní myšlenkou skupiny indexů koncentrace je tvrzení, že pokud skupiny mají stejnou populaci, ale bydlí v rozdílně velké oblasti v rámci území, tak by území bylo považováno jako segregované. Zde je zařazen index koncentrovanosti, který je odvozen z indexu nesourodosti. Do čtvrté skupiny centralizace je zařazen absolutní index centralizace, který měří distribuci minoritní skupiny okolo centra geografické jednotky a jeho velikost napovídá preferenci žít na okraji této jednotky (hodnoty blízké -1) nebo naopak v centru (hodnoty blízké 1) a dále relativní index koncentrovanosti. Poslední pátá skupina shlukování pak umožňuje detekovat různé etnické, rasové a jiné enklávy. Je zde zařazen index prostorové blízkosti, který měří průměrnou blízkost mezi členy jedné skupiny a členy jiné skupiny nebo index relativního shlukování. Všechny tyto nástroje tak poskytují silný nástroj pro zkoumání posledních trendů v rezidenční distribuci a separaci skupin. Identifikace sousedů reprezentuje specifický problém polygonového vzorku. Pro čtvercový grid je možné odvodit okolí např. podle pohybu šachových figur – věž, střelec či královna. Pro nepravidelný prostorový vzorek pak musí být využito více přístupů. Přehled těchto metod určování blízkosti v případě použití areálových dat poskytuje publikace od Bailey, Gatrell (1995). Lze využít například topologického přístupu, kde jsou jako prostorově blízké považovány ty jednotky, které spolu přímo sousedí, určené prahové hodnoty vzdálenosti, která odpovídá např. eukleidovské vzdálenosti nebo dále třeba k nejbližších sousedů apod. Anselin et al. (2005) tyto metody implementoval do programu GeoDa, který umožňuje vypočítat rozdílné typy stanovení vah pro areálová data. Metriky prostorové autokorelace umožňují určit podobnost určitých území a pracuje dle Goodchild (1987) jak s tematickou, tak s geometrickou složkou prostorových dat. Toto pak s využitím geografických informačních systémů umožňuje významně zlepšit výsledky analýz a dokonce zdůraznit výsledky, které by za jiných okolností zůstaly skryty (Fotheringham, Rogerson, 1994). Dle Anselin (1995) je možné hodnotit, zda prostorové vazby existují či ne. Globální prostorová autokorelace prozkoumává prostorové charakteristiky atributových dat v celém regionu a jejím výstupem je jakási jedna výsledná hodnota statistického ukazatele, která je platná pro všechny oblasti zkoumaného území. Naopak lokální měřítko prostorové autokorelace (LISA) bylo navrženo pro identifikaci výskytu odchylek od globálního vzoru a „hot spotů“ či „cold spotů“, jako lokální shluky a odlehlé hodnoty. Existují dva základní ukazatele existence prostorové autokorelace a to Moranovo I kritérium a Gearyho C kritérium. Obě mohou být použity pro zjišťování jak globální, tak i lokální prostorové autokorelace. Celá řada praktických ukázek použití jako lokalizace etnicky jednotných oblastí, oblastí s vysokou kriminalitou, s častým výskytem požárů apod. je uvedena v Goodchild, Janelle (2004). Prostorové vazby v aglomeraci Paříže a okolí pak zkoumali například Guillain and Le Gallo (2006) a využívali k tomu právě metodiku LISA a Giniho koeficient. Netrdová and Nosek (2009) pak porovnávali hodnoty globální a lokální autokorelace s dekompozicí Thailova indexu pro stadium geografické úrovně sociálních nerovností v rámci České republiky. Běžným limitujícím faktorem pro tyto metody je fakt, že pracují stále s určitými územními celky (čtvrti, statistické jednotky, socioekonomické regiony apod.). Čím rozlehlejší tyto zóny pak jsou, tím větší je vnitřní heterogenita jednotlivých oblastí (Burrough, McDonell 1998). ANSELIN, L. 1995: Local indicators of spatial association - LISA. Geographical Analysis 27(2). ANSELIN L., SYABRI I., KHO Y. (2005): GeoDa: An introduction to spatial data analysis. Geographical Analysis. BAILEY, T.C., GATRELL, A.C. (1995): Interactive spatial data analysis. Essex: Longman Scientific & Technical, 1995. BURROUGH, P., McDONNELL, R. (1998): Principles of Geographical Information Systems. Oxford, Oxford University Press, 336 pp., ISBN 0-19-823365-5. FOTHERINGHAM, S., ROGERSON, P.: Spatial analysis and GIS. Taylor & Francis Ltd., 1994, ISBN 0-7484-0104-0. FYFE, N. R., KENNY, J. T. (2005): The Urban Geography Reader. Routledge Taylor & Francis Group. ISBN 0-415-30702-3. GOODCHILD, M., F. 1987: Spatial Autocorrelation. Norwich. Geo Books. GOODCHILD M. F., JANELLE, D. G. (eds.) (2004): Spatial Integrated Social Science, Oxford University Press. ISBN 0-19-515270-0 GUILLAIN R., LeGALLO J. (2006): Measuring Agglomeration: An exploratory Spatial Analysis Approach Applied to the Case of Paris and Its Surroundings. In Proceedings of 1st workshop of Spatial Econometrics Association Rome, 2006. MASSEY, D., DENTON, N. (1988): The dimensions of residential segregation. Social Forces 67: 281-315. McKIBBEN, E. N., FAUST, K. A. (2004): Population distribution: Classification of Residence. In SIEGEL, J. S., SWANSON, D. A. (eds.): The Methods and Materials of Demography. Academic Press; 2 edition. 819 p. ISBN 978-0126419559. NETRDOVÁ, P., NOSEK, V. (2009): Přístupy k měření významu geografického rozměru společenských nerovnoměrností. Geografie–Sbornik ČGS, 114, 1, pp. 52–65. SÝKORA, L., TEMELOVÁ, J., eds (2005): Prevence prostorové segregace. Praha Univerzita Karlova v Praze, Přírodovědecká fakulta, katedra sociální geografie a regionálního rozvoje, Centrum pro výzkum měst a regionů a Ministerstvo pro místní rozvoj. ZIPF, G. K. (1949): Human behaviour and the principle of the least effort. New York: Addison-Wesley Press.

2010

2010

Ministerstvo školství, mládeže a tělovýchovy

SGS

Specifický výzkum VŠB-TUO

Ivan Igor prof. Ing., Ph.D.