Spatial Analysis Of Foreign Migration In Poland In 2012 Using Geographically Weighted Regression

Karolina Lewandowska-Gwarda

doi:10.2478/cer-2014-0037

Autor

Karolina Lewandowska-Gwarda University of Lodz, Faculty of Economics and Sociology, Department of Spatial Econometrics

DOI:

https://doi.org/10.2478/cer-2014-0037

Słowa kluczowe:

emigracja, imigracja, analiza przestrzenna, GWR, GIS

Abstrakt

Migracje ludności w znaczącym stopniu wpływają na kształtowanie się liczby ludności w krajach. Z tego względu zagadnienia związane przyczynami, skutkami i kierunkami ruchów ludności są coraz częstszym przedmiotem politycznych i akademickich dyskusji. Celem artykułu jest analiza przestrzennego rozmieszczenia poziomu emigracji i imigracji w Polsce w 2012 r. Metody geograficznych systemów informacyjnych wykorzystano w celu wizualizacji i wstępnej (statystycznej) analizy danych. Następnie podjęto próbę specyfikacji zmiennych ekonomiczno-społecznych, które mogą mieć zasadniczy wpływ na kształtowanie się badanego zjawiska oraz estymacji parametrów modelu geograficznie ważonej regresji (GWR). Metoda ta umożliwia identyfikację zmienności współczynników regresji w przestrzenni geograficznej.

Pobrania

Brak dostępnych danych do wyświetlenia.

Bibliografia

Benson T., Chamberlin J., Rhinehart I. (2005), An investigation of the spatial determinants of the local prevalence of poverty in rural Malawi, Food Policy no. 30.
Google Scholar

Bonifazi C., Okólski M., Schoorl J., Simon P. (2008), International Migration in Europe. New Trends and New Methods of Analysis, ʻIMISCOE Researchʼ, Amsterdam University Press.
Google Scholar

Brunsdon C., Fotheringham S., Charlton M. (1996), Geographically Weighted Regression: A Method for Exploring Spatial Nonstationarity, ʻGeographical Analysisʼ, vol. 28, no. 4.
Google Scholar

Brunsdon C., Fotheringham A., Chambers M. (1997), Measuring spatial variations in relationships with geographically weighted regression, [in:] Fischer M., Getis A. (eds.) Recent developments in Spatial Analysis, Springer-Verlag, London.
Google Scholar

Brunsdon C., Fotheringham A., Chambers M. (2002), Geographically Weighted Regression: The Analysis of Spatially Varying Relationships, Wiley, United Kingdom.
Google Scholar

Byrne G., Pezić A. (2004), Modelling internal migration drivers with geographically weighted regression, Australian Population Association, Proceedings of the 12th Biennial Conference of the Australian Population Association, 15-17 September 2004, Canberra.
Google Scholar

Cellmer R. (2013), The Use of the Geographically Weighted Regression for the Real Estate Market Analysis, ʻFolia Oeconomica Stetinensiaʼ no. 11 (1).
Google Scholar

Charlton M., Fotheringham S. (2009), Geographically weighted regression. White paper, National Centre for Geocomputation National University of Ireland Maynooth, http://gwr.nuim.ie/downloads/GWR_WhitePaper.pdf (Accessed on 24 May 2014).
Google Scholar

Comber A.J., Brunsdon C., Radburn R. (2011), A spatial analysis of variations in health access: linking geography, socio-economic status and access perceptions, ʻInternational Journal of Health Geographicsʼ, no. 10 (44).21787394
Google Scholar

Foody G.M. (2003), Geographical weighting as a further refinement to regression modelling: An example focused on the NDVI-rainfall relationship, Remote Sensing of the Environment no. 88 (3).
Google Scholar

Gilbert A., Chakraborty J. (2011), Using geographically weighted regression for environmental justice analysis: Cumulative cancer risks from air toxics in Florida, Social Science Research no. 40 (1). doi: 10.1016/j.ssresearch.2010.08.006
Google Scholar

Główny Urząd Statystyczny (2013), Informacja o rozmiarach i kierunkach emigracji z Polski w latach 2004-2012, GUS, Departament Badań Demograficznych i Rynku Pracy, Warszawa.
Google Scholar

Jensen T., Deller S. (2007), Spatial Modeling of the Migration of Older People with a Focus on Amenities, ʻThe Review of Regional Studiesʼ, no. 37 (3).
Google Scholar

Jivraj S., Brown M., Finney N. (2013), Modelling Spatial Variation in the Determinants of Neighbourhood Family Migration in England with Geographically Weighted Regression, ʻApplied Spatial Analysis and Policyʼ, no. 6 (4).
Google Scholar

Kisiala W. (2013), Wykorzystanie geograficznie ważonej regresji do analizy czynników kształtujących zapotrzebowanie na świadczenia przedszpitalnego ratownictwa medycznego, ʻPrzegląd Geograficznyʼ, no. 85 (2).
Google Scholar

Lo C.P. (2008), Population Estimation Using Geographically Weighted Regression, GIScience & Remote Sensing no. 45(2).
Google Scholar

Matthews S.A., Yang T.C. (2012), Mapping the results of local statistics: Using geographically weighted regression, ʻDemographic Researchʼ, no.26/6.
Google Scholar

McMillen D. (1996), One hundred fifty years of land values in Chicago: A nonparametric approach, ʻJournal of Urban Economicsʼ, no. 40.
Google Scholar

Mennis J. (2006), Mapping the Results of Geographically Weighted Regression, ʻThe Cartographic Journalʼ, vol. 43, no. 2.
Google Scholar

Nakaya T., Fotheringham A.S., Brunsdon C., Charlton M. (2005), Geographically weighted Poisson regression for disease association mapping, ʻStatistics in Medicineʼ, no. 24(17).
Google Scholar

Partridge M.D., Rickman D.S. (2007), Persistent pockets of extreme American Poverty and Job Growth: Is There a Place-Based Policy Role?, ʻJournal of Agricultural and Resource Economicsʼ, no. 32 (1).
Google Scholar

Young L.J., Gotway C.A. (2010), Using geostatistical methods in the analysis of public health data: The final frontier? geoENV VII - Geostatistics for Environmental Applications no. 16.
Google Scholar

Yu D-L, Wei Y.D., Wu C. (2007), Modeling spatial dimensions of housing prices in Milwaukee, ʻWI. Environment and Planning B: Planning and Designʼ, no. 34 (6).
Google Scholar