Analiza skupień w badaniach nad przestrzennym wymiarem zachowań spenalizowanych
DOI:
https://doi.org/10.18778/0208-6069.94.06Słowa kluczowe:
analiza skupień, kryminologia środowiskowa, geografia przestępczości, przestępczość w Baltimore, obliczeniowe nauki społeczneAbstrakt
Prezentowany artykuł poświęcony jest wykorzystaniu w socjologii prawa oraz kryminologii środowiskowej jednej z nowoczesnych metod obliczeniowych przydatnych do badania dużych zbiorów danych – analizy skupień (grupowania; klasteryzacji). Metoda ta pozwala na podzielenie zbioru obserwacji na ustaloną liczbę podzbiorów takich, że elementy tego samego podzbioru są do siebie możliwie podobne, a elementy różnych podzbiorów – możliwie odmienne. Jeśli dane dotyczą położenia geograficznego, na przykład umiejscowienia przestępstw, rezultatem wykorzystania analizy skupień będzie podział obszaru na ustaloną liczbę wewnętrznie spójnych rejonów według zobiektywizowanego kryterium. Podzielenie badanego terytorium na mniejsze części z zastosowaniem klasteryzacji wydaje się być lepszym rozwiązaniem od kryteriów stosowanych tradycyjnie, w dużym stopniu arbitralnych, takich jak na przykład podział administracyjny.
W pracy przedstawiono szczegółową charakterystykę hierarchicznych metod analizy skupień, a następnie wykorzystano metody kombinatoryczną k-średnich oraz hierarchiczną Warda do podziału zbioru danych o zgłoszeniach przestępstw w mieście Baltimore w latach 2014–2019. Wykazano, że powstały w ten sposób podział różni się w sposób znaczący od podziału administracyjnego Baltimore, a także że zwiększanie liczby grup powstających jako wynik analizy skupień prowadzi do pożądanego w pewnych przypadkach wzrostu wariancji zmiennych opisujących strukturę przestępczości w poszczególnych częściach miasta. Utworzone przy użyciu klasteryzacji podziały wykorzystano także do zweryfikowania hipotezy o odmienności struktury przestępczości w różnych obszarach Baltimore.
Głównym celem pracy jest zachęcenie do stosowania w badaniach społecznych nowoczesnych metod analizy danych oraz pokazanie, że analiza skupień może być cennym narzędziem w kryminologicznych i socjologicznoprawnych analizach poświęconych relacji między prawem a przestrzenią.
Pobrania
Bibliografia
Conte, Rosaria, Nigel Gilbert, Giulia Bonelli, Claudio Cioffi-Revilla, Guillaume Deffuant, Janos Kertesz, Vittorio Loreto, Suzy Moat, Jean-Pierre Nadal, Anxo Sanchez, Andrzej Nowak, Andreas Flache, Maxi San Miguel and Dirk Helbing. 2012. “Manifesto of Computational Social Science.” The European Physical Journal Special Topics 214(1): 325–346.
Google Scholar
DOI: https://doi.org/10.1140/epjst/e2012-01697-8
Dudek, Michał, Piotr Eckhardt and Marcin Wróbel, Eds. 2018. Przestrzenny wymiar prawa [Spatial Dimension of Law]. Kraków: NOMOS.
Google Scholar
Gareth, James, Daniela Witten, Trevor Hastie and Robert Tibshirani. 2017. An Introduction to Statistical Learning with Applications in R. New York: Springer.
Google Scholar
Glyde, John. 1856. “Localities of Crime in Suffolk.” Journal of the Statistical Society of London 19(2): 102–106.
Google Scholar
DOI: https://doi.org/10.2307/2338263
Hastie, Trevor, Robert Tibshirani and Jerome Friedman. 2009. The Elements of Statistical Learning. Data Mining, Inference and Prediction Second Edition. New York: Springer.
Google Scholar
Jarocka, Marta. 2015. “Wybór formuły normalizacyjnej w analizie porównawczej obiektów wielocechowych” [“The Choice of a Formula of the Data Normalization in the Comparative Analysis of Multivariate Objects”]. Ekonomia i Zarządzanie 1: 113–126.
Google Scholar
Jonge, Erwin de and Mark van der Loo. 2013. An Introduction to Data Cleaning with R. The Hague: Statistics Netherlands.
Google Scholar
Jung, Yunjae, Haesun Park, Ding-Zhu Du and Barry Drake. 2003. “A Decision Criterion for the Optimal Number of Clusters in Hierarchical Clustering.” Journal of Global Optimization 25(1): 91–111.
Google Scholar
DOI: https://doi.org/10.1023/A:1021394316112
Kądziołka, Kinga. 2016a. “Determinanty przestępczości w Polsce. Analiza zależności z wykorzystaniem drzew regresyjnych” [“Determinants of Crime Rate in Poland. Analysis using Regression Trees”]. Ekonomia. Rynek, Gospodarka, Społeczeństwo 45: 53–81.
Google Scholar
Kądziołka, Kinga. 2016b. “Przestrzenne zróżnicowanie zagrożenia przestępczością w Polsce” [“Spatial Diversity of Crime Rate in Poland”]. De Securitate et Defensione. O Bezpieczeństwie i Obronności 2: 31–43.
Google Scholar
Krzyśko, Mirosław, Waldemar Wołyński, Tomasz Górecki and Michał Skorzybut. 2008. Systemy uczące się. Rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości [Machine Learning Systems. Pattern Recognition, Cluster Analysis and Dimensionality Reduction]. Warszawa: Wydawnictwo Naukowo-Techniczne.
Google Scholar
Lazer, David, Alex Pentland, Lada Adamic, Sinan Aral, Albert Laszlo Barabasi, Devon Brewer, Nicholas Christakis, Noshir Contractor, James Fowler, Myron Gutmann, Tony Jebara, Gary King, Michael Macy, Deb Roy and Marshall Van Alstyne. 2009. “Computational Social Science.” Science 323(5915): 721–723.
Google Scholar
DOI: https://doi.org/10.1126/science.1167742
Marek, Tadeusz and Czesław Noworol. 1983. Wprowadzenie do analizy skupień [Introduction to Cluster Analysis]. Kraków: Uniwersytet Jagielloński.
Google Scholar
Matyja, Artur and Krzysztof Simiński. 2014. “Comparison of Algorithms for Clustering Incomplete Data.” Foundations of Computing and Decisions Sciences 39(2): 107–127.
Google Scholar
DOI: https://doi.org/10.2478/fcds-2014-0007
Milligan, Glenn and Martha Cooper. 1985. “An Examination of Procedures for Determining the Number of Clusters in a Data Set.” Psychometrika 50(2): 159–179.
Google Scholar
DOI: https://doi.org/10.1007/BF02294245
Mordwa, Stanisław. 2016. “The Geography of Crime in Poland and Its Interrelationship with Other Fields of Study.” Geographia Polonica 89(2): 187–202.
Google Scholar
DOI: https://doi.org/10.7163/GPol.0053
Murtagh, Fionn and Pedro Contreras. 2012. “Algorithms for Hierarchical Clustering: An Overview.” Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery 2: 86–97.
Google Scholar
DOI: https://doi.org/10.1002/widm.53
Murtagh, Fionn and Pierre Legendre. 2014. “Ward’s Hierarchical Agglomerative Clustering Method: Which Algorithms Implement Ward’s Criterion?” Journal of Classification 31(3): 274–295.
Google Scholar
DOI: https://doi.org/10.1007/s00357-014-9161-z
Walesiak, Marek. 2002. “Pomiar podobieństwa obiektów w świetle skal pomiaru i wag zmiennych” [“Similarity Measures from the Point of View Scales of Measurement and Variables Weights”]. Prace Naukowe Akademii Ekonomicznej we Wrocławiu 950: 71–85.
Google Scholar
Walesiak, Marek. 2014. “Przegląd formuł normalizacji wartości zmiennych oraz ich własności w statystycznej analizie wielowymiarowej.” [“Data Normalization in Multivariate Data Analysis. An Overview and Properties”] Przegląd Statystyczny 61(4): 363–372.
Google Scholar
Ward, Joe. 1963. “Hierarchical Grouping to Optimize an Objective Function.” Journal of the American Statistical Association 58(301): 236–244.
Google Scholar
DOI: https://doi.org/10.1080/01621459.1963.10500845
Wierzchoń, Sławomir and Mieczysław Kłopotek. 2015. Algorytmy analizy skupień [Algorithms for Cluster Analysis]. Warszawa: Wydawnictwo WNT.
Google Scholar
Wortley, Richard and Michael Townsley. 2016. “Environmental Criminology and Crime Analysis: Situating the Theory, Analytic Approach and Application.” In Environmental Criminology and Crime Analysis, 2nd ed. 1–26. Edited by Richard Wortley and Michael Townsley. New York: Routledge.
Google Scholar
DOI: https://doi.org/10.4324/9781315709826
Zhang, Zhongheng. 2016. “Introduction to Machine Learning: K-nearest Neighbors.” Annals of Translational Medicine 4(11): 218: 1–7.
Google Scholar
DOI: https://doi.org/10.21037/atm.2016.03.37
Kowarik, Alexander and Matthias Templ. 2016. “Imputation with the R Package VIM.” Journal of Statistical Software 74(7): 1–16.
Google Scholar
DOI: https://doi.org/10.18637/jss.v074.i07
RCore Team. 2020. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. Vienna, Austria. Accessed 13th February 2021: https://www.R-project.org/
Google Scholar
RStudio Team. 2020. RStudio: Integrated Development for R. RStudio. PBC. Boston, MA. Accessed 13th February 2021: http://www.rstudio.com/
Google Scholar
Wickham, Hadley. 2016. ggplot2: Elegant Graphics for Data Analysis. New York: SpringerVerlag. Accessed 13th February 2021: https://ggplot2.tidyverse.org/
Google Scholar
Wickham, Hadley, Jim Hester and Romain François. 2018. readr: Read Rectangular Text Data. R package version 1.3.1. Accessed 13th February 2021: https://CRAN.R-project.org/package=readr/
Google Scholar
Wickham, Hadley, Romain François, Lionel Henry and Kirill Müller. 2020. dplyr: A Grammar of Data Manipulation. R package version 0.8.5. Accessed 13th February 2021: https://CRAN.R-project.org/package=dplyr/
Google Scholar
Pobrania
Opublikowane
Jak cytować
Numer
Dział
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Użycie niekomercyjne – Bez utworów zależnych 4.0 Międzynarodowe.