Daugiau

Kaip pasirinkti atsitiktinį gretimą surašymo taką

Kaip pasirinkti atsitiktinį gretimą surašymo taką


Turiu surašymo dokumentų rinkinį, išdėstytą visame mieste, ir norėčiau atsitiktinai pasirinkti gretimą surašymo taką, kad ištirtumėte netoliese esančius demografinius duomenis. Nesu tikras, ar yra lengvas procesas, kaip gauti gretimus surašymo dokumentus tam tikriems surašymo takams.


Remdamiesi kitu atsakymu, galite apibendrinti atsakymus į masyvą ir tada naudoti atsitiktinę funkciją „PostgreSQL“, padaugintą iš masyvo ilgio, kad gautumėte atsitiktinį to masyvo indeksą. Pasibaigus + 1, tai yra todėl, kad masyvo indeksai „PostgreSQL“ prasideda nuo 1

SU masyvo_datais AS (SELECT ARRAY_AGG (a.tile, ',' ORDER BY. BY p.tile UŽSAKYTI P.tile

Vienas iš mano mėgstamiausių triukų yra string_agg (). Jei galite gauti savo duomenis į šiuolaikinę duomenų bazę, turite tokį kodą

PASIRINKITE STRING_AGG (a.tile, ',' ORDER BY a.tile) Kaip plyteles iš cuy_contour_tiles AS p, cuy_contour_tiles AS a WHERE ST_Touches (p.geom, a.geom) IR p.tile = 'MyCensusTractOfInterest' GROUP BY p.tile UŽSAKYTI P.tile;

Kodas yra iš Steve'o Matherio tinklaraščio įrašo, pridėjus anIRišlyga. Bostono GIS žmonės labai išsamiai išnagrinėja. Iš patirties žinau, kad „Oracle“ apibendrina iki 4000 simbolių = maksimalus VARCHAR2 () duomenų bazės stulpelio tipo dydis.

Jei sąrašo suvestinės funkcijos rezultatai yra problema, išmeskite abuSTRING_AGG ()irGROUP BY p.tileišlyga. PakeistiSTRING_AGG ()… AS plytelėslinija sup.tile AS pasirinkta_tilelė, a.tile AS gretimos_plytelės.

Bet kuriuo atveju dabar turite plytelių sąrašą, kad išsiaiškintumėte, kaip atsitiktinai atliksite galutinį pasirinkimą.


Kaip pasirinkti atsitiktinį gretimą surašymo taką - Geografinės informacijos sistemos

Fonas Vis daugiau vyresnio amžiaus žmonių gyvena ir miršta įstaigose, tačiau yra nedaug tyrimų, kuriuose būtų analizuojamas to poveikis mirtingumui mažose vietovėse ir jo poveikis materialinio nepritekliaus ir mirtingumo ryšiui.

Metodai Skerspjūvio, ekologinis tyrimas Madrido regione, apimantis 3906 surašymo duomenis (vidutiniškai 1000 gyventojų), naudojant 1996–2003 m. Mirtingumo duomenis ir 2001 m. Surašymo socialinį ir ekonominį nepriteklių. Standartizuoti mirtingumo koeficientai (SMR) buvo apskaičiuoti kiekvienam surašymo takui. Naudojant Besag – York – Mollié modelį, mirštančiųjų RR ir jų 95% PI pagal nagrinėtą nepritekliaus indeksą (kai ketvirtoji kvartilė, Q yra nepalankiausia situacija), buvo apskaičiuoti pagal mirčių skaičių tarp: visų gyventojų ir gyventojų, neįskaitant įstaigose mirusių gyventojų.

Rezultatai 6% mirusiųjų gyveno įstaigose, kurios paveikė 16,5% surašymo skyrių (644) ir sudarė 17% vyrų ir 10% moterų SMR kintamumo, p & lt0,001. Mirtingumas padidėjo dėl socialinio ir ekonominio nepritekliaus, o visų ketvirtojo ketvirčio gyventojų RR, palyginti su I ketvirčiu, buvo 1,46 vyrų (95% PI 1,41–1,50) ir 1,12 moterų (95% PI 1,08–1,17), šie skaičiai padidėjo iki 1,48 ( Atitinkamai 95% PI 1,43–1,53) ir 1,14 (95% PI 1,10–1,18), išskyrus gyventojus, mirusius įstaigose.

Išvados Įstaigų gyventojų mirtys daro įtaką mirtingumo mažose vietovėse svyravimams ir painioja mirtingumo ir socialinio bei ekonominio nepritekliaus ryšį. Šis kintamasis turėtų būti įrašytas į mirtingumo statistiką, kad vėliau būtų galima kontroliuoti jo poveikį.


Raktažodžiai

Geografinis žemėlapių sudarymas ir sveikatos bei sveikatos priežiūros analizė yra nusistovėję epidemiologinių ir sveikatos priežiūros paslaugų aspektai (Joseph ir Phillips, Reference Joseph and Phillips 1984 Meade and Earickson, Reference Meade and Earickson 2005: 381–400), o daugelis tyrimų konkrečiai nagrinėja pirminius sveikatos priežiūra (PHC, pvz., Guagliardo, Reference Guagliardo 2004 Luo, Reference Luo 2004 Wang and Luo, Reference Wang and Luo 2005 Ricketts and Holmes, Reference Ricketts and Holmes 2007 Busato and Kunzi, Reference Busato and Kunzi 2008). Didžioji dalis sveikatos geografijos integravimo buvo nulemta geografinių informacinių sistemų (GIS) metodų ir technologijų pažangos bei susijusių geografiškai nurodytų (georeferencinių) sveikatos ir sociodemografinių duomenų rinkinių (Samarasundera). ir kt., Nuoroda Samarasundera, Martin, Saxena ir Majeed 2010a). Šios tendencijos taip pat paskatino interaktyvių, internetinių sveikatos ir sveikatos priežiūros atlasų, taip pat programinės įrangos, pritaikytos sveikatos paslaugų programoms, augimą, todėl žemėlapiai tapo prieinami platesnei sveikatos priežiūros auditorijai. Pavyzdžiai yra Pasaulio sveikatos organizacijos (PSO) žemėlapių sudarymo ir GIS programa (http://www.who.int/health_mapping/en/), Šiaurės Vakarų Anglijos visuomenės sveikatos observatorijos kartografavimo priemonė (http://www.nwpho.org). uk/healthgis/) Jungtinėje Karalystėje ir Naujosios Zelandijos sveikatos apsaugos ministerijos žvalgybos įrankis (http://www.phionline.moh.govt.nz/).

Didėjantis GIS taikymas PHC yra šios tendencijos dalis. Tačiau efektyviai naudojant georeferencinius duomenų rinkinius (Samarasundera ir kt., Nuoroda Samarasundera, Martin, Saxena ir Majeed 2010a) GIS programinėje įrangoje ir el. Sveikatos atlasuose reikalaujama suprasti geografines sąvokas (Crooks and Andrews, Reference Crooks and Andrews 2009) ir vadovo supratimą apie tikslus, apimtį ir apribojimus. kartografavimo ir analizės metodai. Šioje apžvalgoje nagrinėjami erdvinio žemėlapių sudarymo ir analizės metodai bei priemonės, skirtos visuomenės sveikatos valdymo PHC ir sveikatos žvalgybos tikslais, taip pat aptariami pagrindiniai instituciniai ir įgyvendinimo klausimai, susiję su veiksmingu tokių metodų ir technologijų diegimu.


Kaip „Enodo“ supranta jūsų duomenis

Komercinio nekilnojamojo turto specialistai vis dažniau ieško naujų būdų įgyti konkurencinių pranašumų, kai įrankiai ir metodai prisitaiko prie skaitmeninių technologijų augimo. Vienas didžiausių iššūkių, su kuriais susiduria įmonės, yra didelis jų turimos informacijos kiekis. Netrūksta duomenų teikėjų, sąrašų svetainių ir norinčių brokerių, norinčių dalytis nuosavybės duomenimis, tačiau, kaip dauguma patyrė, informacija iš šių šaltinių dažnai gali būti neteisinga.

Turėdamas tai omenyje, noriu pateikti glaustą apžvalgą apie tai, kaip „Enodo“ kaupia viešojoje erdvėje esančios informacijos įvairovę, pašalina blogus duomenis ir pateikia įžvalgų, kurios pagerina analizės procesą. Pabandysiu atsakyti į tris pagrindinius klausimus, kuriuos paprastai gauname iš nekilnojamojo turto specialistų:

  1. Iš kur gaunami jūsų duomenys?
  2. Kaip nustatyti „rinką“?
  3. Kaip žinoti, kad nuomos mokestis mokamas iš šio konkretaus patogumo?

1. Duomenų vamzdynas

Siekdama pateikti įžvalgų apie kiekvieną JAV rinką, „Enodo“ renka išsamius duomenis apie nuosavybės ypatybes ir patogumus, rinkos nuomos mokesčius ir vienetų prieinamumą iš 3 skirtingų nuosavybės valdymo programinės įrangos integracijų, 10 skirtingų nuomos sąrašų svetainių ir daugiau nei 5000 atskirų nuosavybės svetainių.

Nors duomenys apie patogumus, vienetų kvadratūrą ir kt. Dažnai nesikeičia, mūsų duomenų bazė kas savaitę renka atnaujinamus nuomos ir vienetų prieinamumo duomenis apie maždaug 2 milijonus daugiabučių namų, apimančių kiekvieną šalies rinką.

Tačiau duomenys, kuriuos gauname iš sąrašo svetainių, ne visada yra tobuli - jie gali būti pasenę, retkarčiais paspausti klavišus arba įvesti „riebus pirštas“, arba gali būti trumpalaikė nuoma (kurios kaina dažnai yra daug didesnė) iš pajamų valdymo programinė įranga.

Norėdami tai išspręsti, sukūrėme algoritmų seriją, kad pašalintume nukrypimus ir blogus duomenis, o po to sujungėme likusius gerus duomenis, kad išmokytume patogumo ir kainos prognozavimo algoritmus.

Pavyzdžiui, jei mūsų valymo algoritmai nustato, kad to paties pastato tipo to paties pastato kaina yra 2,5 standartinio nuokrypio didesnė arba mažesnė už tą patį pastatą, tuos duomenis išmetame. Be to, mes išsamiai išanalizuojame, ar kiekvieno įrašo nuoma už kvadratinį metrą yra pagrįsta, atsižvelgiant į nuosavybės ypatybes ir vidutines rinkos nuomos kainas, ir automatiškai palyginame naujus duomenis su to paties turto istoriniais duomenimis, kad nustatytume, ar nuomos sąrašas buvo netyčia įkainotas. neteisingai.

Po to, kai sąrašo duomenys yra kruopščiai išvalyti ir pašaliniai rodikliai pašalinami, mes naudojame savo analizavimo algoritmus, kad pasirinktume tokias charakteristikas kaip pastatas ir įrenginiai, laikas rinkoje, grindys, užstatas ir kt. Tai suteikia mums išsamius duomenis apie butų vienetų, kuriuos galima įsigyti kiekvienoje rinkoje, kuriuos vėliau galime kaupti turto lygiu ir išanalizuoti.

2. Dinamiškas rinkos grupavimas

Išsamūs tiekimo pusės duomenys, kuriuos surinkome iš duomenų srauto, geografiškai sujungiami į mūsų duomenų bazę su paklausos (demografiniais) duomenimis iš Aplinkos sistemų tyrimų instituto (ESRI) surašymo trakto lygiu. Mes pirmiausia naudojame gobelenų segmentavimo duomenis iš ESRI, kurie integruoja vartotojų bruožus su gyvenamosiomis savybėmis, kad nustatytų rinkas ir klasifikuotų JAV rajonus.

Sujungus šiuos duomenų rinkinius, „Enodo“ grupavimo algoritmas naudoja tiek pasiūlos, tiek paklausos duomenis, kad protingai apibrėžtų rinkos sritis. Šis procesas iš tikrųjų vyksta tiesiogiai platformoje. Pradėdami nuo surašymo trakto, kuriame yra objekto nuosavybė, mes apskaičiuojame kiekvieno gretimo surašymo trakto statistinio panašumo balą, remdamiesi tų traktatų savybėmis ir rinkos savybėmis, ir pasirenkame palyginamiausius gretimus traktatus, iš kurių sudaromas klasteris.

Tada algoritmas ieško kito gretimų takų sluoksnio ir toliau nuosekliai prideda surašymo įrašus, kol bus sukaupta pakankamai duomenų nuomos ir papildomoms patogumų vertėms apskaičiuoti. Surašymo duomenys yra sujungti į rinkas, remiantis jų pasiūlos ir paklausos savybių panašumu.

3. Prognozuojamo modelio mokymas

Šiose rinkos grupėse „Enodo“ moko mašininio mokymosi modelį, kuris numato rinkos nuomos ir patogumo įmokas, remdamasis rinkos demografinėmis charakteristikomis ir daugiabučių būsto pasiūlos ekonominėmis charakteristikomis toje naujai apibrėžtoje rinkos zonoje. Dažnai modelių mokymui gali būti panaudota dešimtys tūkstančių vienetų.

„Enodo“ algoritmas, sumaniai atrinkdamas kiekvienos grupės atrankos ypatybes, gali nustatyti papildomą pastatytų metų poveikį, miegamųjų skaičių, vonios kambarių skaičių ir kiekvieną individualų patogumą, laikydamas visa kita apie turtą ir rinką.

Geriausias būdas apibūdinti šio proceso veikimą yra įsivaizduoti, kad tam tikro vieneto rinkos vertę padalijame į kaimynystės, turto ir paties vieneto vertę, tada apskaičiuojame kiekvieno jų dalį.

Kaimynystės kintamieji apima demografinius ir vietos patogumo duomenis. Yra tam tikra vertė, susijusi tik su vieneto turėjimu tam tikroje teritorijoje, neatsižvelgiant į pastato ir vieneto lygio patogumus ar savybes. „Enodo“ apskaičiuoja tiesiog buvimo rinkoje vertę ir paskirsto vertę kiekvienam rinkos kintamajam.

Turto kintamieji apima tokius dalykus kaip pastatymo metai, nuosavybės tipas, vienetų skaičius ir pastato patogumai. Yra tam tikra vertė, susijusi tik su buvimu tam tikroje nuosavybėje, nesvarbu, ar esate blogiausiame, ar geriausiame tos nuosavybės vienete. Rinkos neapibrėžta rinkos vertės dalis paskirstoma pastatui.

Vieneto kintamieji apima vieneto dydį, lovų/vonių skaičių ir vieneto patogumus. Paskutinė vertės dalis gaunama iš kiekvieno konkretaus vieneto santykinio konkurencingumo su kitais to paties pastato vienetais.

Kai atsižvelgiama į visus tris lygius, susidaro išsamus vertės vaizdas. Tai yra „Enodo“ platformos esmė.

Vis dėlto nepasitikėkite mūsų žodžiu - suplanuokite demonstracinę versiją, kad pamatytumėte Enodo veikimą.


EB-5 regioninio centro geografiniai aspektai

Laikui bėgant USCIS patvirtinti geografiniai regionai tapo mažesni, todėl naujesni EB-5 regioniniai centrai greičiausiai turės mažesnę geografinę sritį nei senesni regioniniai centrai. Pavyzdžiui, kai kurie senesni EB-5 regioniniai centrai turi geografines apimtis, apimančias visas valstybes, o kai kuriais atvejais ir kelias valstybes. Kita vertus, naujesni regioniniai centrai turi geografines apimtis, apimančias tik 10–15 apskričių, o kartais ir mažiau.

Ieškomas EB-5 projektas remia regioninis centras todėl turi rasti regioninį centrą, kurio geografinė sritis apima projekto vietą. Jei projekto vieta yra už patvirtinto regioninio centro geografinio regiono ribų, tas regioninis centras negali automatiškai remti projekto. Tačiau jei geografinė riba yra pakankamai arti, kad būtų galima įtikinamai argumentuoti USCIS, yra precedentas išplėsti regioninio centro geografinę aprėptį kaip atskiro EB-5 investuotojo dalį. I-526 prašymą.

Ankstesniais bandomosios programos etapais regioniniai centrai veikė tik iš anksto patvirtintose pramonės šakose, apibrėžtose pagal Šiaurės Amerikos pramonės klasifikavimo sistemą (NAICS). Tačiau 2013 metų gegužę šis apribojimas išnyko.


Kaip rasti gyventojų ir (arba) užimtumo duomenis apie projekto svetainę

Gali būti sunku rasti tinkamų gyventojų ir (arba) užimtumo duomenų, kurie pagrįstų jūsų prašymą dėl TEA paskyrimo. Joje Politikos vadovas, USCIS pažymi, kad „priimtini duomenų šaltiniai nedarbui apskaičiuoti buvo JAV surašymo biuro duomenys (įskaitant Amerikos bendruomenės tyrimo duomenis) ir Darbo statistikos biuro duomenys (įskaitant vietinės bedarbystės statistikos duomenis)“, kai kalbama apie duomenis šaltinių būsenos, naudojamos TEA paskyrimo procese. Nors USCIS nurodo šiuos galimus duomenų šaltinius, ji automatiškai nepatvirtina jokio konkretaus duomenų rinkinio. Tai nepasikeitė įvedus naujas taisykles.

Renkant duomenis, kad būtų galima pagrįsti TEA paskyrimo prašymą, pagrindinis dėmesys turėtų būti skiriamas naudojimui patikimas ir patikrinamas duomenys, kurie yra viduje nuoseklus ir galioja norimą laikotarpį. Pareiškėjas privalo įrodyti, kad teritorija patenka į TEA. Nors informacija, viešai prieinama iš vyriausybės departamentų ir agentūrų, yra patikima ir patikrinama, ji retai kada yra nuosekli.

Vidinis nuoseklumas reiškia ne tik duomenų šaltinį, bet ir laikotarpį, kurį duomenys apima. Pavyzdžiui, jei naudojate Amerikos bendruomenės tyrimas (ACS) duomenis, kad nustatytumėte nedarbo lygį projekto teritorijoje, turite naudoti ACS duomenis, kad nustatytumėte nacionalinį nedarbo lygį. Panašiai, jei naudojate metinį nacionalinį nedarbo lygį, negalite jo lyginti su mėnesiniu nedarbo lygiu projekto teritorijoje. Taip pat paprastai geriau naudoti metines palūkanas, nes tai leidžia pagrįsti paskyrimo prašymą ilgesniais galiojimo laikotarpio duomenimis.


Keturių geokodavimo metodų padėties tikslumas ir geografinis šališkumas epidemiologiniuose tyrimuose

Mes ištyrėme keturių adresų geokodavimo metodų geografinį šališkumą, naudodami „ArcGIS“, komercinę įmonę, SAS/GIS ir fotografavimą iš oro. Mes palyginome „tašką poligone“ („ArcGIS“, komercinė įmonė ir aerofotografija) ir „paieškos lentelės“ metodą (SAS/GIS), kad priskirtume adresus surašymo geografijai, ypač kai tai susiję su surašymu pagrįstu skurdo lygiu. .

Metodai

Atsitiktinai pasirinkome 299 vaikų, gydytų nuo astmos, adresus miesto skubios pagalbos skyriuje (1999–2001 m.). Pastato adreso šoninių durų koordinatės buvo gautos pastoviu poslinkiu remiantis „ArcGIS“ ir komercine įmone bei tikra žemės vieta, paremta aerofotografija.

Rezultatai

Visų metodų koordinatės buvo prieinamos 261 adresui. 24–30% geokoduotų kelio/durų koordinatių padėties paklaida buvo 51 metrai ar didesnė, o tai buvo panašu į visus geokodavimo metodus. Vidutinis guolis buvo –26,8 laipsnio koordinačių vektoriui, paremtam aerofotografija ir „ArcGIS“, ir 8,5 laipsnio vektoriui, paremtam aerofotografijai ir komercinei įmonei (p & lt 0,0001). „ArcGIS“ ir komercinė įmonė, paskirstydamos surašymo geografiją, pasirodė labai gerai, palyginti su SAS/GIS. 20%durų vieta, pagrįsta aerofotografija, buvo priskirta kitai blokų grupei, palyginti su SAS/GIS. Blokuotų grupių skurdo lygis svyravo bent dviem standartiniais nuokrypiais nuo 6% iki 7% adresų.

Išvada

Mes nustatėme svarbius atstumus ir guolio skirtumus tarp geokodavimo, palyginti su fotografavimu iš oro. Vietų priskyrimas pagal aerofotografiją surašymu pagrįstoms geografinėms vietovėms gali sukelti esminių klaidų.


USCIS abejoja TEA paskyrimu

—- ATNAUJINTI —-
Šios žinutės problemos nebetaikomos nuo 2013 m. Gegužės 5 d. EB-5 politikos memorandumo, įpareigojančio USCIS atidėti valstybės nustatymą atitinkamoms tikslinės užimtumo srities riboms. Citata iš politikos atmintinės 8 puslapio:

b. Valstybės paskirties užimtumo srities paskyrimas
Reglamente numatyta, kad valstijos vyriausybė gali paskirti savo teritorijoje esantį geografinį ar politinį padalinį kaip tikslinę užimtumo sritį, pagrįstą dideliu nedarbu. Kad valstybė galėtų paskirti tokį paskyrimą, valstybės pareigūnas turi pranešti USCIS apie agentūrą, valdybą ar kitą atitinkamą valstybės valdžios instituciją, kuriai bus įgaliota patvirtinti, kad geografinis ar politinis padalinys yra didelio nedarbo zona . Tuomet valstybė gali nusiųsti valstybės įgaliotos institucijos raštą, patvirtinantį, kad buvo nustatytas geografinis ar politinis metropolinės statistinės zonos arba 20 000 ar daugiau gyventojų turinčio miesto ar miestelio, kuriame įmonė daugiausia vykdo verslą, padalinys. didelė nedarbo sritis. 8 C.F.R. § 204.6 (i).
Vadovaudamasi taisyklėmis, USCIS atideda valstybės nustatymus, nustatydama tinkamas geografinio ar politinio padalinio, kuris yra tikslinė užimtumo sritis, ribas. Tačiau visoms TEA paskyroms USCIS vis tiek turi užtikrinti, kad būtų laikomasi įstatymuose nustatyto reikalavimo, kad siūloma valstybės paskirta teritorija iš tikrųjų turėtų ne mažiau kaip 150 procentų šalies vidutinio nedarbo lygio. Šiuo tikslu USCIS peržiūrės nedarbo lygio valstybės nustatymus ir tai darydama USCIS gali įvertinti metodą ar metodus, kuriais valstybės institucija gavo nedarbo statistiką. Priimtini duomenų šaltiniai nedarbui apskaičiuoti yra JAV surašymo biuro duomenys (įskaitant Amerikos bendruomenės tyrimo duomenis) ir Darbo statistikos biuro duomenys (įskaitant vietinio nedarbo statistikos duomenis).

— –SENAS 2011 m —–

Ketvirtinis USCIS suinteresuotųjų šalių susitikimas 2010 10 14 iškėlė svarbų klausimą:

Suinteresuotoji šalis paklausė, ar, norint apibrėžti TEA, yra priimtina susieti didelį nedarbo zoną su gyventojų surašymo duomenimis ar politiniais padaliniais, kuriuose yra mažas nedarbas, kad būtų galima padaryti bendrą išvadą apie didelį nedarbą, kai ketinama iš tikrųjų investuoti į mažo nedarbo zona.

Tuo metu USCIS tikrai neatsakė į klausimą (išsamesnės informacijos ieškokite aukščiau esančioje santraukoje), o klausimas vėl buvo iškeltas 2010 m. Šį kartą USCIS savo poziciją apibrėžė aiškiau, pabrėždama, kad agentūra tikisi, kad jūsų “TEA vietovė ” bus prasminga kaip geografinis ar politinis vienetas, o ne tik atsitiktinis surašymo planų rinkinys, kurio vidutinis nedarbas yra didelis tarifą ir kad jūsų paskirta valstybės institucija tai patvirtina. Apibendrinant iš pristatymo (žr. 42–48 skaidres):

  1. Neužtenka tik paskirto valstybės pareigūno TEA laiško, bet ir valstybės išduotas TEA paskyrimas turi būti pagrįstas įrodymais, įskaitant geografinio ar politinio padalinio ribų aprašymą ir metodą ar metodus. iš kurių buvo gauta nedarbo statistika. Valstybės analizėje naudojama statistika turi atspindėti nacionalinį ir vietinį nedarbo lygį šiuose regionuose svetimo investuotojo kapitalo investavimo metu. ”
  2. TEA turi būti pagrįsta geografiniu ar politiniu padaliniu, kurio ribas galima apibrėžti. (Pristatyme sakoma, kad rinkimų apylinkės, pvz., Kongresų apygardos, valstijų atstovaujamieji rajonai, valstijų senatorių apygardos, apskričių priežiūros apygardos, miesto tarybos narių rajonai, atrodo, atitinka teisinį politinio padalinio apibrėžimą ir nepaaiškina, kas yra priimtinas geografinis padalinys.)

Dabar bendruomenė šurmuliuoja dėl 2011-03-11 pranešimo apie ketinimą paneigti, paskelbtą RC Floridoje, kuriame nepriimtina strategija, kurią šiuo metu naudoja daugelis regioninių centrų. Citata iš pranešimo:

Palaikydamas advokato teiginį, kad darbo vietas kurianti įmonė yra įsikūrusi TEA, peticijos pateikėjas pateikė 2010 m. Kovo 25 d. Laišką iš Floridos valstijos pareigūno. Pareigūnas padarė išvadą, kad prisijungus prie kelių surašymo takų, besiribojančių su surašymo traktu [trakto numeris], bendras plotas patyrė didelį nedarbą, kuris sudarė mažiausiai 150 procentų šalies vidutinio nedarbo lygio 2009 m. kaip tikslinė užimtumo sritis.
Paprasta reglamento kalba rodo, kad TEA turi būti vienas geografinis ar politinis padalinys. <...> Niekas reglamente nerodo, kad peticijos pateikėjas gali gauti sumažintą investicijų sumą, siekdamas vyriausybės patvirtinimo, kad prie mažo nedarbo surašymo trakto pridėjus kelis aukštus nedarbo surašymo dokumentus padidėja vidutinis nedarbo lygis. Surašymo takas [trakto numeris] savaime nėra laikomas TEA. Surašymo takas [trakto numeris] laikomas TEA tik sujungus gretimus surašymo takus ir apskaičiuojant nedarbo duomenis. Tokia analizė sumažina investicijų sumą beprasmiška, nes bet kuris užsienietis gali pretenduoti į sumažintą sumą, tiesiog pridėdamas didelį surašymo nedarbo būdu įrašus prie surašymo trakto, kuris kitaip nėra TEA. Atvirkščiai, investicijos turi būti įtrauktos į “a ” geografinį ar politinį padalinį, oficialiai paskirtą TEA.

Jei jūsų projekto adresas nepatenka į TEA surašymo taką, kaip parodote, kad jūsų didesnė kvalifikacinė sritis ar surašymo traktatų grupė nėra atsitiktinė, bet laikoma geografiniu ar politiniu padaliniu? Štai kaip Kalifornijos valstijos gubernatoriaus biuras suskaido specialios valstybės paskyrimo reikalavimus:

Jei siūlomo naujo verslo vieta nepatenka į 2 etape aprašytą reikalavimus atitinkančią sritį, aukštą nedarbo lygio kvalifikaciją galima pateisinti specialiai nurodant mažesnę, kitaip nekvalifikuotą, teritoriją. Valstijos vyriausybė gali paskirti tam tikrą geografinį ar politinį padalinį, esantį metropolinėje statistinėje zonoje arba 20 000 ar daugiau gyventojų turinčiame mieste ar mieste, kuriame yra didelis nedarbas ir kuriame yra ne mažiau kaip 150 procentų šalies vidurkio.
Norėdami apsvarstyti specialias teritorijų paskirtis, pareiškėjai dėl tokio paskyrimo turi laikytis šių kriterijų:
A) Verslininkas, prašantis paskirti, turėtų apimti geografinio ar politinio padalinio ribų aprašymą:
a. Geografinis padalijimas būtų sritis, išskirta atsižvelgiant į fizines Žemės paviršiaus ypatybes. (Geri pavyzdžiai būtų XYZ slėnis, XYZ įlanka ir kt.)
b. Politinis padalinys būtų valstybės padalinys, kuris pirmiausia yra skirtas tam tikroms vietos valdžios funkcijoms atlikti, pavyzdžiui, apskrities ar miesto civiliniam administraciniam vienetui. (Federalinės ar valstijos vyriausybės administraciniai padaliniai negali būti specialiai paskirti.)
B) Siūlomos teritorijos nedarbo lygis turi būti lygus arba didesnis nei 150% šalies nedarbo vidurkio, remiantis svertiniu nedarbo lygio vidurkiu gretimuose surašymo dokumentuose, kuriuos sudaro norima sritis.


Programinis funkcijų pasirinkimas

Kartais norite automatiškai pasirinkti daugybę sluoksnio funkcijų pagal tam tikrus lentelės kriterijus. Tokiu atveju pasirinksite visus Hariso grafystės surašymo dokumentus iš didesnio 13 apskričių regiono. The COUNTYPF10 Atributų lentelės lauke yra apskrities FIPS kodas, kuris yra „201“, skirtas Hariso apskrityi.

Funkcijų pasirinkimas pagal požymius

  1. Juostelėje, spustelėkite Žemėlapis skirtuką.
  2. Atrankos grupėje spustelėkite Pasirinkite pagal atributus mygtuką, kad atidarytumėte įrankį „Pasirinkti sluoksnį pagal atributą“ geografinio apdorojimo srityje.

Eksportuoti pasirinktas funkcijas

  1. Turinio srityje dešiniuoju pelės mygtuku spustelėkite HGAC_tracts sluoksnio pavadinimas ir pasirinktiDuomenys & gt Eksporto funkcijos.
  2. Geografinio apdorojimo srityje įveskite „Išvesties funkcijų klasė“ & quot„HarrisTracts“& quot. Jei rodomas visas failo kelias, įsitikinkite, kad palikite viską failo kelyje per Intro.gdb .
  3. Geografinio apdorojimo srities apačioje spustelėkiteBėgti.
  4. Norėdami pamatyti rezultatus, turinio srityje, dešiniuoju pelės mygtuku spustelėkite naujai eksportuotų „HarrisTracts“ sluoksnio pavadinimas ir pasirinktiPriartinti sluoksnį.
  5. Turinio srityje dešiniuoju pelės mygtuku spustelėkite originalus HGAC_tracts sluoksnis ir pasirinktiPašalinti. Atminkite, kad šis procesas neištrina sluoksnio iš jūsų projekto geografinės duomenų bazės, o tik pašalina sluoksnį iš šio konkretaus surašymo takų žemėlapio.

Dabar pakartosite aukščiau aprašytą procesą, kad pasirinktumėte Ryžių universiteto surašymo traktą.

    Aukščiau esančiame skyriuje „Funkcijų pasirinkimas pagal požymius“ kartoti2-5 veiksmai„HarrisTracts“ sluoksnis su išraiška: (GEOID10 lygus 48201412100). Galite įvesti FIPS kodą, kad jis būtų paryškintas išskleidžiamajame sąraše, o ne slinkti per visą sąrašą, kad jį surastumėte.

Turėtumėte matyti savo žemėlapyje pasirinktą Ryžių universiteto surašymo taką, kaip parodyta žemiau. Toliau priartinsite arčiau.

Funkcijų pasirinkimas pagal vietą

Dabar sukursime autobusų stotelių ir autobusų maršrutų, aptarnaujančių Ryžių miestelį, žemėlapį. Galėtume ir toliau dirbti pagal esamą žemėlapį, tačiau kadangi dabar sutelkiame dėmesį į skirtingus teminius sluoksnius skirtinga geografine apimtimi, tai gali būti tinkamas laikas sukurti antrąjį mūsų projekto žemėlapį.

  1. Ant juostelės, spustelėkite Įdėti skirtuką.
  2. Projekto grupėje spustelėkite Naujas žemėlapis mygtuką.
  3. Geografinio apdorojimo srities apačioje spustelėkite Katalogas srities skirtukas.
  4. Pervardyti naujas žemėlapis1 į & quotRyžių autobusų maršrutai& quot.
  5. Iš katalogo srities, esančio Intro.gdb geografinė duomenų bazė, papildyti METRO_BusRoutes, METRO_BusStops, ir ryžių ypatybių klasės į naują Ryžių autobusų maršrutai žemėlapis.
  6. turinio srityje, dešiniuoju pelės mygtuku spustelėkite Ryžiai sluoksnio pavadinimas ir pasirinktiPriartinti sluoksnį.

Dabar pasirinksite visas autobusų stoteles Ryžių surašymo trakte. Norėdami įtraukti autobusų stoteles kitoje gatvės pusėje nuo Ryžių, pridėsite paieškos atstumą 50 pėdų nuo Ryžių.

    Juostelės grupėje Atranka spustelėkite Pasirinkite pagal vietą mygtuką, kad atidarytumėte įrankį Pasirinkti sluoksnį pagal vietą geografinio apdorojimo srityje.

Neišvalykite pasirinkimo, nes dabar mes naudosime pasirinktas autobusų stoteles, kad pasirinktume autobusų maršrutus, esančius 100 pėdų atstumu nuo jūsų kaimynystėje esančios autobusų stotelės.

Visos jūsų autobusų stotelės, esančios 50 pėdų atstumu nuo ryžių, taip pat visi autobusų maršrutai, esantys 100 pėdų nuo tų stotelių, dabar turėtų būti pasirinkti jūsų žemėlapyje, kaip parodyta žemiau.

Dabar turinio srityje turėtumėte turėti du sluoksnius: „RiceBusRoutes“ ir Ryžiai.

Rezultatas yra žemėlapis, kuriame rodomos visur, kur galite patekti autobusu iš Ryžių miestelio, neperkeldami kelių maršrutų.


Diskusija

Šiame tyrime mes nustatėme individualaus ir bendruomeninio lygio SDOH, kurie buvo susiję su HbA1C sumažėjimu diabeto valdymo programoje, skirtoje socialiai ir ekonomiškai nepalankioje padėtyje esantiems Meksikos Amerikos gyventojams, gyvenantiems prie JAV ir#x02013Meksiko sienos. Mūsų analizė parodė, kad HbA1C sumažėjimas tarp pradinio ir paskutinio stebėjimo labai skyrėsi dėl daugelio veiksnių tiek individualiu, tiek bendruomenės lygiu. Įvertinus dalyvavimą programoje (ty laiką, praleistą programoje, ir iš programos paimtų DSME klasių skaičių) bei pradinį HbA1C lygį, į individualius veiksnius įtrauktos socialinės ir demografinės charakteristikos (ty pradinis amžius, pagrindinė kalba, šeiminė padėtis, išsilavinimas) ), o bendruomenės lygmens veiksniai apėmė socialinį ir ekonominį pranašumą, pagrindines miesto galimybes ir imigracijos sanglaudą bei prieinamumą.

Turėtume atkreipti dėmesį, kad mūsų analizė nesiekia išsamiai įvertinti „SyV“ programos veiksmingumo, kaip buvo pranešta kitur (13). Atvirkščiai, mes siekėme ištirti, kaip skirtingi SDOH gali prisidėti prie HbA1C mažinimo, po atsižvelgiant į dalyvių ir#x00027 dalyvavimą programoje. Mes nustatėme, kad dalyviai, kurie lankė daugiau DSME klasių, turėjo didesnį HbA1C sumažėjimą, o tai atitiko Reiningerio ir kt. (13), kur didelės įtraukimo grupės (𢙒 apsilankymai intervencijos programos teikiamose paslaugose) parodė didesnį HbA1C kiekio sumažėjimą per tiriamąjį laikotarpį, tačiau mažo įtraukimo grupės (ς apsilankymai) nesugebėjo išlaikyti HbA1C sumažėjimo. Mes taip pat įtraukėme dienos trukmę kaip būdą apskaityti įsitraukimą ir nustatėme, kad ilgesnis buvimas programoje taip pat buvo susijęs su didesniu HbA1C sumažėjimu, tačiau asociacija turėjo plokščiakalnio efektą ir sumažėjo po 439 dienų.

Apsvarstę individualų dalyvavimą programoje, mes nustatėme, kad susituokimas buvo susijęs su didesniu HbA1C sumažėjimu. Tai sutiko su ankstesniais tyrimais, nes susituokę žmonės turėjo didesnį su diabetu susijusio gyvenimo būdo prisitaikymo lygį, mažiau su diabetu susijusių kančių ir geresnę gyvenimo kokybę (28). Mes taip pat nustatėme, kad jaunesnių grupių (㱠 metų) HbA1C sumažėjimas buvo mažesnis, palyginti su vyresnio amžiaus (60 metų ir vyresnėmis) grupėmis, taip pat atitinka ankstesnius tyrimus, kad pacientams, kuriems diagnozuotas diabetas nuo 35 iki 60 metų, buvo blogesnė glikemijos kontrolė palyginti su tais, kuriems diagnozuota 65 metų ar vyresnė (29). Priežastys, kodėl jaunesniems žmonėms blogesnė glikemijos kontrolė, gali būti įvairios, nes jie gali turėti sunkesnę ligos formą ir (arba) didesnį atsparumą insulinui (30), mažiau dalyvauti ar dalyvauti programoje (31) arba susidurti su daugiau konkuruojančių asmenų. darbo ir šeimos įsipareigojimai, trukdantys keisti gyvenimo būdą (32, 33). Mūsų išvados rodo, kad diabeto valdymo efektyvumas įvairiose demografinėse grupėse skiriasi. Todėl svarbu nustatyti kliūtis, kurios gali neleisti tam tikroms grupėms visapusiškai pasinaudoti intervencinėmis programomis, tokiomis kaip SyV.

Bendruomenės ar kaimynystės lygiu turėjome netikėtų išvadų, kad dalyviai, gyvenantys socialiai ir ekonomiškai labiau palankiuose surašymo dokumentuose, programos pabaigoje sumažino HbA1C kiekį. Ši išvada prieštaravo ankstesniems tyrimams, rodantiems, kad žmonės, gyvenantys apylinkėse, turinčiose aukštą socialinį ir ekonominį statusą, turėjo geresnę glikemijos kontrolę (34). Išvadų nenuoseklumą iš dalies gali lemti mažesnis diabeto paplitimas didesnio socialinio ir ekonominio pranašumo surašymo dokumentuose tyrimo imtyje, nes nustatėme neigiamą ryšį tarp pradinio HbA1C ir socialinio ir ekonominio pranašumo indekso. However, the inverse association between community socioeconomic advantage and HbA1C reduction persisted even after controlling for baseline HbA1C levels, suggesting that baseline severity of diabetes could not fully explain the observed results. Another possible interpretation might be that since the study populations are even more disadvantaged compared to the whole population in the study region, those disadvantaged individuals from wealthier census tracts may experience an increased level of depression and stress and in turn, had negative impacts on glycemic control. Finally, a previous study suggested people living in socioeconomically disadvantaged neighborhoods are more likely to use health care services than people from a more advantaged neighborhoods (35). Indeed, we saw that people from less advantaged communities on average participated in more classes (5.68 for first quartile of advantage index and 5.25 for fourth quartile of advantage index, Supplementary eTable 2) and stayed longer in the program (319 days for first quartile of advantage index and 295 days for fourth quartile of advantage index, Supplementary eTable 2).Therefore, a potentially higher engagement in the program among those living in more socioeconomically disadvantaged areas may have partially contributed greater HbA1C reduction in this group. Contrary to the inverse association observed for community socioeconomic advantage, we found that participants from census tracts with higher opportunity index rank or higher immigration cohesion and accessibility index rank had a greater HbA1C reduction. This was consistent with the previous study that social support and social cohesion had a significant positive influence on glycemic control (36). The mixed findings for different community indices suggested a complex and multidimensional impact of community context on diabetes control outcomes, and that future studies should investigate how multiple domains of community SDOH independently and collectively influence the effectiveness of health interventions.

To our knowledge, the study is the first to utilize Bayesian multilevel spatial models and simultaneously investigate both individual- and community-level SDOH in the context of diabetes management. Our analysis results suggested that both individual- and community-level SDOH were important factors with diabetes management and control. Solely relying on individual-level factors may overlook the neighborhood and environmental effects on individuals' lifestyles and decisions. Therefore, comprehensive approaches to diabetes control and management should not only target individual-level education and skill training but also include neighborhood context to improve the overall effectiveness. Intervention programs targeting behavior change at the community level could potentially improve diabetes-related health outcomes, and hence reduce health disparities in this disadvantaged Mexican American group. Our study has strength in several aspects. First, our study population is from a Mexican American population in an extremely poor area and with a high prevalence of diabetes and obesity, among which many have undiagnosed diabetes. This population is highly disadvantaged socioeconomically and understudied, and as such, our study provided the needed knowledge on SDOH and their impacts for this population on diabetes management. Second, though previous neighborhood SDOHs have been studied, they tend to focus only on one dimension (e.g., social economic status only), while our analysis included several different social dimensions, as well as including both individual and neighborhood level of SDOH together. Third, our Bayesian statistical model is a novel application in the context of SDOH and diabetes management. In addition, instead of only investigating the direction of the associations, we are quantifying the association of HbA1C reduction in relation to various SDOH domain. Such quantification could be very useful in the design of future diabetes management program and has high clinical relevance in personalized intervention. Our analysis also presented several limitations. First, though the data were collected longitudinally, we only investigated the difference in HbA1C reduction at the last follow up and the baseline, and therefore ignored the longitudinal HbA1C trajectory. This is indeed within our future plan to expand the Bayesian multilevel model presented here to model longitudinal diabetes control trajectories, as well as to investigate the potential difference of individual trajectory by neighborhood SDOH. As the number of individual and neighborhood SDOH increases, one may need to consider the issue of variable selection. In our analysis, we performed a priori process of variables selection using elastic net regression, but other approaches are available (37). Second, since we didn't have information on how long the participants have had diabetes, we were not able to assess the impact of duration of the disease on the effectives of the program. Third, we were not able to investigate the comorbidity of diabetes when assessing the effectiveness of diabetes management. Diabetes comorbidities, including depression, have been shown to lead to higher rates of complications in diabetes and disability, and may impact the diabetes control (38). Finally, measurements on lifestyle modification of the participants during the program, such as nutrition and physical activity, could be important factors affecting diabetes outcomes but were not included in our analysis.

To our knowledge, our study was the first to utilize Bayesian multilevel modeling with both individual- and community-level SDOH for diabetes management. The findings provide some explanation on the variation we see in HbA1C reduction from the participants, and shed some light on how to better design and implement future diabetes control and management programs. Multilevel intervention programs that are neighborhood-based and focused on SDOH are potentially effective in reducing uncontrolled diabetes among Mexican American populations.


Žiūrėti video įrašą: ეს ყველა ქართველმა უნდა ნახოს! მეფე ერეკლე მეორე და თეიმურაზ მეორე