BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Griffith Daniel A. (University of Texas at Dallas, USA)
Title
Does Spatial Autocorrelation Matter for Sustainable Regional Development Planning and Evaluation?
Czy autokorelacja przestrzenna ma znaczenie w kontekście planowania i oceny zrównoważonego rozwoju regionalnego?
Source
Rozwój Regionalny i Polityka Regionalna / Instytut Geografii Społeczno-Ekonomicznej i Gospodarki Przestrzennej Uniwersytetu im. Adama Mickiewicza w Poznaniu, 2023, nr 65, s. 13-35, rys., tab., wykr., bibliogr. 38 poz.
Keyword
Rozwój regionalny, Rozwój zrównoważony, Monitoring zanieczyszczeń środowiska, Jakość powietrza, Dobór próby badawczej, Autokorelacja przestrzenna
Regional development, Sustainable development, Monitoring of environmental pollution, Air quality, Selection of test methods, Spatial autocorrelation
Note
streszcz., summ.
Abstract
Dążenie do osiągnięcia różnych wymiarów zrównoważonego rozwoju zobowiązuje władze społeczne do zaangażowania się w bardziej gruntowne monitorowanie zbiorowej podaży i popytu, m.in. w sferze ekonomicznej, szczególnie w kontekście geograficznym. W rezultacie, nakłady i wydajność na które ma to wpływ, jak również zasoby/towary/usługi do wykorzystania oraz generowane odpady, które występują i są oznaczone pośrednio lub bezpośrednio w przestrzeni geograficznej, są wyraźnymi nośnikami autokorelacji przestrzennej. Wykorzystanie tej prawie wszechobecnej właściwości danych georeferencyjnych pociąga za sobą możliwość wspierania wydajnych i skutecznych przedsięwzięć w zakresie zrównoważonego rozwoju. Losowy dobór próby metodą tesalacji warstwowej w celu monitorowania zanieczyszczenia środowiska nawiązuje do jednego z przykładów tego twierdzenia. Artykuł ilustruje ten przykład poprzez analizę jakości powietrza w Polsce w 2023 roku. W ten sposób struktura oparta na wyidealizowanych tesalacjach zostaje przełożona na strukturę polskich okręgów administracyjnych; to przekształcenie metodologiczne umożliwia organizacjom rządowym uczestniczenie w każdym planowanym monitorowaniu oraz jego nadzorowaniu bez dodatkowych komplikacji prawnych. Przypadkowe odkrycia naukowe obejmują wstępne rozszerzenie zbioru standardowych kształtów wielokątów (np. kwadratów i sześciokątów) o trapezy w celu pobrania próbek przestrzennych oraz ewentualność, że wpływ autokorelacji przestrzennej na statystyki oparte na projektach może mieć znaczną przewagę nad naruszeniem konwencjonalnego przykazania zrównoważonego losowego pobierania próbek. Wniosek jaki się nasuwa w trakcie analiz streszczonych w niniejszej publikacji dowodzi, że autokorelacja przestrzenna ma znaczenie w planowaniu i ocenie zrównoważonego rozwoju regionalnego. (abstrakt oryginalny)

Pursuing the various existing stainability dimensions obliges leaders of society to engage in more comprehensive monitoring of collective economic and other supplies and demands, particularly in a geographic context. In turn, the affected inputs, outputs, resources/goods/services stocks, and generated garbage/trash waste, which all exist and are tagged implicitly or explicitly in geographic space, are definite harborers of spatial autocorrelation. Harnessing this nearly ubiquitous georeferenced data property implants a capability of fostering efficient and effective sustainability ventures. Tessellation stratified random sampling to monitor environmental pollution alludes to one example of this assertion. This paper illustrates this exemplification with an examination of 2023 air quality data for Poland. In doing so, it translates a framework build upon idealized tessellations into one for the administrative districts of Poland. This methodological conversion enables governmental organizations to participate in and oversee any intended monitoring without additional jurisdictional complications. Serendipitous academic discoveries include an initial extension of the set of standard polygon shapes (e.g., square and hexagon) to the trapezoid for spatial sampling purposes, and the possibility that spatial autocorrelation impacts upon design-based statistics may far outweigh a violation of the conventional random sampling equiprobable commandment. Finally, the discerning conclusion reached through the analyses summarized in this exposé argues that spatial autocorrelation does matter for sustainable regional development planning and evaluation. (original abstract)
Full text
Show
Bibliography
Show
  1. Banaszak M., Górnisiewicz K., Nijkamp P., Ratajczak W. 2023. Fractal dimension complexity of gravitation fractals in central place theory. Scientific Reports, 13(1): 2343 (12 pp.).
  2. Bäsel, U. 2021. The moments of the distance between two random points in a regular polygon (https://arxiv.org/abs/2101.03815).
  3. Bhardwaj G., Kumar A. 2019. The comparison of shape indices and perimeter interface of selected protected areas especially with reference to Sariska Tiger Reserve, India. Global Ecology and Conservation, 17: e00504 (10 pp.). https://doi.org/10.1016/j.gecco.2018.e00504
  4. Birch C., Oom S., Beecham J. 2007. Rectangular and hexagonal grids used for observation, experiment and simulation in ecology. Ecological Modelling, 206(3-4): 347-359.
  5. Bradley J., Zaucha J. (eds.) 2017. Territorial Cohesion: A Missing Link Between Economic Growth and Welfare - Lessons from the Baltic Tiger. Uniwersytet Gdański, Gdańsk.
  6. Brown T., Wood J., Griffith D. 2017. Using spatial autocorrelation analysis to guide mixed methods survey sample design decisions. Journal of Mixed Methods Research, 11(3): 394-414.
  7. Brundtland G. 1987. Our Common Future: Report of the World Commission on Environment and Development.: United Nations UN - Dokument A/42/427, Geneva.
  8. Carr D., Olsen A., White D. 1992. Hexagon mosaic maps for display of univariate and bivariate geographical data. Cartography and Geographic Information Systems, 19(4): 228-236.
  9. Chen Y. 2020. Two sets of simple formulae to estimating fractal dimension of irregular boundaries. Mathematical Problems in Engineering: Article ID 7528703 (15 pp.). https://doi.org/10.1155/2020/7528703
  10. Devuyst D. 2000. Linking impact assessment and sustainable development at the local level: the introduction of sustainability assessment systems. Sustainable Development, 8(2): 67-78.
  11. Dočekalová M., Kocmanová A., Koleňák J. 2015. Determination of economic indicators in the context of corporate sustainability performance. Business: Theory and Practice/Verslas: Teorija ir Praktika, 16(1): 15-24.
  12. Fages D., Cerda M. 2022. Migration and social preferences. Economics Letters, 218: 110773 (6 pp.).
  13. Frank B., Monleon V. 2021. Comparison of variance estimators for systematic environmental sample surveys: considerations for post-stratified estimation. Forests, 12(6): 772 (20 pp.). https://www.mdpi.com/1999-4907/12/6/772
  14. Graymore M., Sipe N., Rickson R. 2008. Regional sustainability: How useful are current tools of sustainability assessment at the regional scale? Ecological Economics, 67(3): 362-372.
  15. Griffith D. 2005. Effective geographic sample size in the presence of spatial autocorrelation. Annals of the Association of American Geographers, 95(4): 740-760.
  16. Griffith D. 2013. Establishing qualitative geographic sample size in the presence of spatial autocorrelation. Annals of the Association of American Geographers, 103(5): 1107-1122.
  17. Griffith D. 2015. Approximation of Gaussian spatial autoregressive models for massive regular square tessellation data. International Journal of Geographical Information Science, 29(12): 2143-2173.
  18. Griffith D. 2020. A family of correlated observations: From independent to strongly interrelated ones. Stats, 3(3): 166-184.
  19. Griffith D. 2023. Spatial autocorrelation in geospatial disease data: An important global epidemiologic/public health assessment ingredient. Transactions in GIS, 27(3): 730-751.
  20. Griffith D., Agarwal K., Chen M., Lee C., Panetti E., Rhyu K., Venigalla L., Yu X. 2022a, b. Geospatial socio-economic/demographic data: the masking of negative by, and existence of, mixtures of spatial autocorrelation in georeferenced data: Part I and Part II. Transactions in GIS, 26(1): 72-87 & 26(1): 88-99.
  21. Griffith D., Morris E., Thakar V. 2016. Spatial autocorrelation and qualitative sampling: The case of snowball type sampling designs. Annals of the American Association of Geographers, 106(4): 773-787.
  22. Griffith D., Liau Y. 2021. Imputed spatial data: cautions arising from response and covariate imputation measurement error. Spatial Statistics, 42: 100419 (12 pp.).
  23. Griffith D., Plant R. 2022. Statistical analysis in the presence of spatial autocorrelation: selected sampling strategy effects. Stats, 5(4): 1334-1353.
  24. Hart J.E., Källberg H., Laden F., Costenbader K.H., Yanosky J.D., Klareskog L., Alfredsson L., Karlson E.W. 2013. Ambient air pollution exposures and risk of rheumatoid arthritis. Arthritis Care & Research, 65(7): 1190-1196.
  25. Martin G., Webster S. 2020. Does residential sorting explain geographic polarization? Political Science Research and Methods, 8(2): 215-231.
  26. Mocănașu D. 2020. Determining the sample size in qualitative research. Proceedings of the 4th International Multidisciplinary Scientific Conference on the Dialogue Between Sciences & Arts, Religion & Education, October 26-27. Târgoviște, Romania: Ideas Forum International Academic and Scientific Association, p. 181-187.
  27. Mthuli S., Ruffin F., Singh N. 2022. 'Define, Explain, Justify, Apply' (DEJA): An analytic tool for guiding qualitative research sample size. International Journal of Social Research Methodology, 25(6): 809-821.
  28. Nasheeda A. 2022. Sampling, sample size, and data saturation in qualitative research. VC Research Digest, 10 (April): 7-9.
  29. Olea R. 1984. Sampling design optimization for spatial functions. Mathematical Geology, 16(4): 369-392.
  30. Overton W., Stehman S. 1993. Properties of designs for sampling continuous spatial resources from a triangular grid. Communications in Statistics: Theory and Methods, 22: 2641-2660.
  31. Rutkauskas A., Raudeliuniene J., Racinskaja I. 2014. Integral knowledge, innovation and technology cluster formation nurturing the universal development sustainability in the context of globalization. Economics & Sociology, 7(4): 41.
  32. Sebele-Mpofu F. 2021. The sampling conundrum in qualitative research: Can saturation help alleviate the controversy and alleged subjectivity in sampling? International J. of Social Science Studies, 9(5): 11-25.
  33. Stehman S., Overton W. 1996. Spatial sampling. [In:] S. Arlinghaus, D. Griffith (eds.), Practical Handbook of Spatial Statistics. CRC Press Boca, Raton, FL, p. 31-63.
  34. Stough T., Cressie N., Kang E., Michalak A., Sahr K. 2020. Spatial analysis and visualization of global data on multi-resolution hexagonal grids. Japanese J. of Statistics and Data Science, 3: 107-128. https://doi.org/10.1007/s42081-020-00077-w
  35. Straková J. 2015. Sustainable value added as we do not know it. Business: Theory and Practice Verslas: Teorija ir Praktika, 16(2): 168-173.
  36. Subedi K. 2021. Determining the sample in qualitative research. Scholars' Journal, 4: 1-13.
  37. Webster R., Oliver M. 2007. Geostatistics for Environmental Scientists. 2nd ed. Wiley, Chichester, UK.
  38. White D., U.S. Environmental Protection Agency 1992. EPA 40 km Hexagons for Conterminous United States. U.S. Geological Survey, Washington, DC. https://doi.org/10.5066/P9C56AY1
Cited by
Show
ISSN
2353-1428
Language
eng
URI / DOI
https://doi.org/10.14746/rrpr.2023.65.03
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu