Daten zu polizeilichen Kontrollen mit Diagrammen erkunden

Obwohl viele Amerikaner aufgrund von Geschwindigkeitsüberschreitungen als Autofahrer oder unachtsamem Verhalten als Fußgänger angehalten werden, ist möglicherweise nur wenigen bewusst, wie erniedrigend eine Kontrolle sein kann, wenn die Polizeibeamten auf der Suche nach mehr sind. Dieser [Oberste] Gerichtshof hat Polizeibeamten erlaubt, Sie aus einem beliebigen Grund anzuhalten, solange sie dies im Nachhinein mit einem Vorwand rechtfertigen können. … Diese Rechtfertigung muss konkrete Gründe enthalten, aus denen ein Polizeibeamter Sie einer Gesetzesübertretung verdächtigt hat … dabei können Ihre ethnische Herkunft … Ihr Wohnort … Ihre Kleidung … und Ihr Verhalten eine Rolle spielen. … Der Polizeibeamte muss nicht einmal wissen, gegen welches Gesetz Sie möglicherweise verstoßen haben, solange er später irgendeinen möglichen Verstoß nennen kann – auch wenn dieser geringfügig ist, in keinem Zusammenhang steht oder nicht eindeutig ist. … — "Dissent of Justice Sonia Sotomayor in Utah v. Strieff," Supreme Court of the United States, 2016.

Sie beginnen Ihre Analyse, indem Sie Daten zu polizeilichen Fahrzeugkontrollen in Nashville, Tennessee, erkunden. Sie verwenden die Data-Engineering-Ansicht, um die Felder und Attribute in den Daten zu erkunden und Diagramme zu erstellen, mit denen Sie Unterschiede bei den Personendurchsuchungsquoten und Trends in den Daten im Zeitverlauf identifizieren. Schließlich vergleichen Sie einen bestimmten Stadtteil mit der Stadt insgesamt.

Daten zu polizeilichen Kontrollen mit der Data-Engineering-Ansicht untersuchen

Es ist wichtig, dass Sie sich mit den Daten vertraut machen, bevor Sie mit der Analyse beginnen. Zunächst erkunden Sie die verfügbaren Felder im Dataset zu polizeilichen Kontrollen in Nashville.

  1. Laden Sie die Datei police_stops .zip herunter, und entpacken Sie sie an einen Speicherort auf dem Computer, z. B. Laufwerk C:\.
  2. Öffnen Sie den entpackten Ordner police_stops, und doppelklicken Sie auf Police Stops.aprx, um das Projekt in ArcGIS Pro zu öffnen.

    Police Stops.aprx

  3. Wenn Sie dazu aufgefordert werden, melden Sie sich mit Ihrem ArcGIS-Konto an.
    Hinweis:

    Wenn Sie über keinen Zugriff auf ArcGIS Pro oder über kein ArcGIS-Organisationskonto verfügen, informieren Sie sich über die Optionen für den Zugriff auf die Software.

    Daraufhin werden ein Diagramm und eine Karte von Nashville, Tennessee, angezeigt.

    Balkendiagramm und Karte

    Die Punkte in der Karte stellen polizeiliche Fahrzeugkontrollen in Nashville im Zeitraum des Datasets dar. Diese Daten stammen vom Stanford Open Policing Project. Das dargestellte Diagramm wurde von den gleichen Daten sowie von Bevölkerungszahlen aus dem American Community Survey (ACS), der vom United Sates Census Bureau durchgeführt wird, abgeleitet. Das Diagramm enthält zwei Balken für jede ethnische Herkunft: Der hellblaue Balken zeigt den prozentualen Anteil der polizeilichen Kontrollen, die auf diese ethnische Herkunft entfallen, und der dunkelblaue Balken zeigt den prozentualen Anteil der Bewohner von Nashville mit dieser ethnischen Herkunft.

    Bei einer gleichmäßigen Verteilung der Kontrollen würden Sie bei Stop Percentage und Population Percentage für alle Ethnizitäten die gleiche Balkenhöhe erwarten. Tatsächlich jedoch sieht die Verteilung anders aus. So sind beispielsweise nur 26,93 Prozent der Bewohner von Nashville Schwarze, während 37,04 Prozent der polizeilichen Fahrzeugkontrollen bei Schwarzen stattfanden. Dies ist ein Beweis für Ungleichbehandlung, das heißt, die Ergebnisse sind bei verschiedenen Gruppen unterschiedlich. Das Vorhandensein eines Unterschieds allein bedeutet nicht zwangsläufig, dass Diskriminierung vorliegt, aber dennoch ist der Unterschied signifikant, da er nachteilige Auswirkungen hat (Pryor et al. 2020, 11).

    Als Nächstes erkunden Sie das Dataset zu polizeilichen Kontrollen in der Data-Engineering-Ansicht, um zu sehen, welche Felder und Attribute für jede Verkehrskontrolle enthalten sind.

  4. Schließen Sie das Diagrammfenster.
  5. Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Police Stops (2017-2019), und klicken Sie auf Data Engineering.

    Data Engineering

    Die Data-Engineering-Ansicht wird angezeigt. Sie besteht aus zwei Abschnitten: dem Feldbereich, in dem eine Liste der Felder des Layers angezeigt wird, und dem Statistikbereich, der zurzeit leer ist. Sie erkunden Felder, indem Sie sie dem Statistikbereich hinzufügen.

  6. Klicken Sie auf ein beliebiges Feld im Feldbereich, und drücken Sie STRG+A, um alle Felder auszuwählen. Ziehen Sie die Felder in den Statistikbereich.

    Alle Felder ausgewählt

    Die Felder werden jetzt als Zeilen im Statistikbereich angezeigt.

  7. Klicken Sie über dem Statistikbereich auf die Schaltfläche Berechnen.

    Schaltfläche "Berechnen"

    Kurz darauf wird der Statistikbereich mit Datenqualitätskennwerten und Statistiken zu den Attributen in den einzelnen Feldern gefüllt.

    Statistikbereich

    Im Statistikbereich werden die Feldnamen, die Datentypen, die Anzahl der NULL-Werte, eine Diagrammvorschau mit der Verteilung des Feldes, allgemeine Verteilungswerte wie Minimalwert, Maximalwert, Mittelwert und Modalwert sowie weitere Kennwerte angezeigt. Mithilfe dieser Angaben können Sie sich mit den einzelnen Feldern in den Daten vertraut machen.

    Unten in der Data-Engineering-Ansicht geht aus der Anzahl der Datensätze hervor, dass in der von den Daten abgedeckten Zeitspanne 422.535 Kontrollen durchgeführt wurden.

    Anzahl der Datensätze

    In der zweiten Zeile der Statistiktabelle wird die Summenstatistik für das Feld date angezeigt. Für den Wert Minimum wird der 1. Januar 2017 und für den Wert Maximum der 24. März 2019 angezeigt. Diesen Werten können Sie entnehmen, dass sich die 422.535 Fahrzeugkontrollen über zwei Jahre und drei Monate der erfassten Daten erstrecken.

Personendurchsuchungsquoten nach Hautfarbe und ethnischer Herkunft erkunden

Manche polizeiliche Kontrollen werden zu einer Personendurchsuchung ausgeweitet:

Eine Personendurchsuchung wird vorgenommen, wenn Polizeibeamte die Kleidung einer Person von außen abtasten, um zu überprüfen, ob die Person Waffen mit sich führt. Polizeibeamte können Sie rechtmäßig durchsuchen, wenn Sie zustimmen, oder sogar ohne Ihre Zustimmung, wenn sie einen "begründeten Verdacht" (das heißt einen konkreten, auf Tatsachen basierenden Grund zu der Annahme) haben, dass Sie eine Waffe bei sich haben – "Know Your Rights: Stop-And-Frisk", ACLU, District of Columbia, 2021.

Die Entscheidung, eine Person zu durchsuchen, liegt im Ermessen der Polizeibeamten, was die Gefahr rassistischer Voreingenommenheit auf persönlicher Ebene mit sich bringt. Sie erkunden die Personendurchsuchungsquote, das heißt den prozentualen Anteil der Kontrollen, die zu einer Personendurchsuchung ausgeweitet wurden. Ist die Durchsuchung einer angehaltenen Person abhängig von der ethnischen Herkunft wahrscheinlicher oder weniger wahrscheinlich? Zur Beantwortung dieser Frage verwenden Sie zwei Felder, subject_race und frisk_performed, um ein Diagramm zu erstellen, mit dem die Personendurchsuchungsquoten für jede ethnische Herkunft visualisiert werden.

  1. Führen Sie in der Data-Engineering-Ansicht in der Statistiktabelle einen Bildlauf nach unten durch, um das Feld subject_race zu suchen.
  2. Zeigen Sie in der Zeile subject_race auf die Zelle Diagrammvorschau.

    Pop-up mit Diagrammvorschau

    Daraufhin wird ein Fenster angezeigt, indem die Werte aus der Diagrammvorschau aufgeführt werden.

  3. Klicken Sie in der Zeile subject_race mit der rechten Maustaste auf die Zelle Diagrammvorschau, und klicken Sie auf Balkendiagramm öffnen.

    Daraufhin wird ein Balkendiagramm mit der Anzahl der Fahrzeugkontrollen nach ethnischer Herkunft der angehaltenen Person angezeigt.

    Balkendiagramm für "subject_race"

    Sie ändern das Diagramm so, dass anstelle der Anzahl der Kontrollen die Personendurchsuchungsquote für jede ethnische Herkunft angezeigt wird.

  4. Klicken Sie gegebenenfalls auf der Werkzeugleiste über dem Diagramm auf die Schaltfläche Eigenschaften, um den Bereich Diagrammeigenschaften zu öffnen.

    Zunächst unterteilen Sie die einzelnen Spalten, um die Anzahl der Kontrollen mit Personendurchsuchung anzuzeigen.

  5. Wählen Sie im Bereich Diagrammeigenschaften für Unterteilen nach (optional) das Feld frisk_performed aus.

    Unterteilen nach "frisk_performed"

    Das Diagramm enthält jetzt sieben Spaltengruppen. Es zeigt für jede ethnische Herkunft an, bei wie vielen polizeilichen Kontrollen eine Personendurchsuchung durchgeführt bzw. nicht durchgeführt wurde. Sie beschriften und stapeln die Balken, damit sie sich leichter lesen lassen. Außerdem entfernen Sie die Spalte für nicht zutreffende Daten.

  6. Aktivieren Sie im Bereich Diagrammeigenschaften unter Datenbeschriftungen das Kontrollkästchen Balken beschriften.
  7. Klicken Sie auf die Registerkarte Reihe. Wählen Sie für Anzeigen mehrerer Reihen als die Option 100% gestapelt aus.
  8. Klicken Sie in der Tabelle auf die Zeile NA und dann auf die Schaltfläche Ausgewählte Zeile löschen.

    Schaltfläche "Löschen" und Zeile "NA"

  9. Ziehen Sie die Zeile TRUE über die Zeile FALSE.

    Ziehleiste der Zeile "TRUE"

    Sie bearbeiten den in der Legende des Diagramms angezeigten Text, damit er besser verständlich ist.

  10. Doppelklicken Sie in der Spalte Beschriftung auf TRUE, und geben Sie Frisked ein. Ändern Sie die Beschriftung FALSE in Not frisked.

    In "Frisked" und "Not frisked" umbenannte Beschriftungen

    Das Diagramm zeigt jetzt die Personendurchsuchungsquote für jede ethnische Herkunft an.

    Gestapeltes Balkendiagramm

    Im Vergleich wurden 2,58 Prozent der Schwarzen und 2,49 Prozent der Hispanos durchsucht gegenüber 0,92 Prozent der Weißen. Dies bedeutet, dass die Entscheidung für eine Personendurchsuchung je nach ethnischer Herkunft unterschiedlich ausfällt. Mit anderen Worten: Aus den Daten geht hervor, dass bei Schwarzen und Hispanos in Nashville, die von der Polizei angehalten wurden, die Wahrscheinlichkeit einer Personendurchsuchung mehr als doppelt so hoch war wie bei Weißen. Die Ergebnisse stehen im Einklang mit Berichten von Aktivisten und Studienergebnissen des Policing Project der NYU School of Law:

    Die städtischen Behörden achten verstärkt auf Verkehrskontrollen, seit in zwei unabhängigen Berichten festgestellt wurde, dass schwarze Autofahrer überproportional häufig angehalten und durchsucht wurden, obwohl die Polizei selten Beweise für eine Straftat fand …

    … diese Trends wurden in zwei separaten Analysen von Daten des Metro Nashville Police Department (MNPD) hervorgehoben.

    – Nashville Police Report Major Drop In Traffic Stops Following Accusations Of Racial Bias, Samantha Max, Nashville Public Radio, 2021.

Trends bei Verkehrskontrollen im Zeitverlauf und in verschiedenen Stadtteilen erkunden

Während das Problem der auf der ethnischen Herkunft basierenden Ungleichbehandlung bei polizeilichen Kontrollen in allen Städten der Vereinigten Staaten auftritt, können Berichte von Analysten und Aktivisten Veränderungen bewirken: Die Verkehrskontrollen durch das Metro Nashville Police Department (MNPD) sind zwischen 2016 und 2021 um fast 90 Prozent zurückgegangen, nachdem die Ausbildungsrichtlinien aufgrund unabhängiger Berichte geändert wurden.

Nachdem Forscher der NYU festgestellt hatten, dass bei Verkehrskontrollen des MNPD selten illegale Gegenstände gefunden wurden, gestaltete die Behörde ihre Ausbildung komplett neu. In den Mittelpunkt rückten Maßnahmen gegen riskantes Fahrverhalten anstelle von Durchsuchungen.

Schon in der ersten Folie wurden die Beamten aufgefordert, darüber nachzudenken, "warum das MNPD Verkehrskontrollen durchführt", und mit der Bevölkerung auf eine Weise zu interagieren, "die die Würde der Bürger, Respekt und Verfahrensgerechtigkeit berücksichtigt".

– Nashville Police Report Major Drop In Traffic Stops Following Accusations Of Racial Bias, Samantha Max, Nashville Public Radio, 2021

Sie erstellen ein Diagramm zu den Veränderungen bei den Verkehrskontrollen im Lauf der Zeit, um den im Bericht von Nashville Public Radio festgestellten Rückgang zu bestätigen.

  1. Klicken Sie über dem Diagrammfenster auf die Registerkarte Police Stops (2017-2019), um die Data-Engineering-Ansicht erneut zu öffnen.
  2. Führen Sie gegebenenfalls einen Bildlauf zum Anfang der Statistiktabelle durch, und suchen Sie die Zeile date.

    In der Zeile date zeigt die Zelle Diagrammvorschau einen Abwärtstrend bei der Anzahl der Kontrollen im Zeitverlauf an. Um dieses Muster eingehender zu untersuchen, zeigen Sie anstelle der Diagrammvorschau das gesamte Diagramm an.

  3. Klicken Sie in der Zeile date mit der rechten Maustaste auf die Zelle Diagrammvorschau, und klicken Sie auf Liniendiagramm öffnen.

    Liniendiagramm öffnen

    Daraufhin wird ein Liniendiagramm angezeigt. Das Diagramm wird auch dem Bereich Inhalt unter dem Layer mit Polizeikontrollen in Nashville hinzugefügt.

    Liniendiagramm der Veränderungen bei den Datenanzahlen im Zeitverlauf

    Das Diagramm zeigt die Anzahl der Verkehrskontrollen in Nashville für die Zeitspanne der Daten an. Der Abstand zwischen den einzelnen Punkten entspricht sechs Tagen. Sie ändern das Intervall in eine Woche.

  4. Klicken Sie gegebenenfalls auf der Werkzeugleiste über dem Diagramm auf Eigenschaften, um den Bereich Diagrammeigenschaften zu öffnen.
  5. Ändern Sie im Bereich Diagrammeigenschaften die Intervallgröße in 7 Tage.

    "Intervallgröße", festgelegt auf "7 Tage"

    Das Diagramm zeigt, dass die polizeilichen Kontrollen von Anfang 2017 (ungefähr 4.500 Kontrollen pro Woche) bis Anfang 2019 (ungefähr 1.000 Kontrollen pro Woche) zurückgegangen sind. Der Trend steht im Einklang mit dem von Nashville Public Radio gemeldeten Rückgang der Verkehrskontrollen durch das Metro Nashville Police Department um fast 90 Prozent in den letzten fünf Jahren. Sie erkunden die Daten weiter, um herauszufinden, ob dieser Trend bei verschiedenen Kategorien für Hautfarbe und ethnische Herkunft und in verschiedenen Stadtteilen konsistent ist.

  6. Wählen Sie im Bereich Diagrammeigenschaften für Unterteilen nach (optional) die Option subject_race aus.

    Das Diagramm wird aktualisiert und zeigt jetzt für jede Kategorie im Feld subject_race eine Zeile an.

    Nach "subject_race" unterteiltes Liniendiagramm

    Für Schwarze und Weiße ist ein ähnlicher Abwärtstrend bei polizeilichen Fahrzeugkontrollen sichtbar.

    Tipp:

    Sie können auf Elemente in der Legende des Diagramms klicken, um Kategorien ein- und auszublenden, damit Sie Trends für eine bestimmte Kategorie leichter erkunden können.

    Nun erkunden Sie die Diagramme zusammen mit der Karte, um zu untersuchen, ob dieser Trend in verschiedenen Stadtteilen von Nashville konsistent ist.

  7. Klicken Sie auf die Registerkarte des Liniendiagramms, und ziehen Sie es neben die Karte. Verankern Sie das Diagramm rechts neben der Karte.

    Verankerungsziel neben der Karte

    Das Diagramm wird jetzt neben der Karte angezeigt.

  8. Zeigen Sie in der Data-Engineering-Ansicht im Feldbereich auf das Feld subject_race, und klicken Sie auf die Schaltfläche Symbolisierung aktualisieren.

    Schaltfläche "Symbolisierung aktualisieren"

    Die Karte wird aktualisiert und zeigt jetzt die Verkehrskontrollen nach Hautfarbe und ethnischer Herkunft der angehaltenen Person an. Das Liniendiagramm wird aktualisiert und verwendet jetzt dieselben Farben wie die Karte.

    Karte und Liniendiagramm mit übereinstimmenden Farben

    Hinweis:

    Die Farben in Ihrer Karte und Ihrem Diagramm können von den im Lernprogramm gezeigten abweichen.

  9. Klicken Sie auf der Werkzeugleiste über dem Liniendiagramm auf die Schaltfläche Nach Ausdehnung filtern.

    Schaltfläche "Nach Ausdehnung filtern"

  10. Zoomen und schwenken Sie die Karte, um verschiedene Stadtteile anzuzeigen. Beobachten Sie die Veränderungen im Liniendiagramm.

    Das Liniendiagramm wird dynamisch aktualisiert, um in der aktuellen Kartenansicht Veränderungen bei polizeilichen Kontrollen im Zeitverlauf wiederzugeben. In einigen Stadtteilen wurden mehr Schwarze als Weiße angehalten. In den meisten Stadtteilen zeichnet sich der gleiche Abwärtstrend ab wie in der Stadt insgesamt.

Personendurchsuchungsquoten für ethnische Herkunft, Zeitpunkt und Stadtteile vergleichen

Als Nächstes erkunden Sie, wie sich der Rückgang bei den polizeilichen Kontrollen nach 2018 auf die Personendurchsuchungsquoten ausgewirkt hat.

  1. Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Police Stops (2017-2019), und klicken Sie auf Auf Layer zoomen.
  2. Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Auswahl auf Nach Attributen auswählen.

    Schaltfläche "Nach Attributen auswählen"

  3. Wählen Sie im Fenster Nach Attributen auswählen unter Eingabezeilen die Option Police Stops (2017-2019) aus.
  4. Verwenden Sie die Dropdown-Menüs für Ausdruck, um den Ausdruck Wobei gilt: date ist vor 12/1/2018 zu erstellen.

    Ausdrucksklausel für das Werkzeug "Nach Attributen auswählen"

  5. Klicken Sie auf OK.

    Die meisten Punkte in der Karte sind ausgewählt. Im Liniendiagramm sind alle Punkte vor dem starken Rückgang Ende 2018 ausgewählt.

    Liniendiagramm, in dem die meisten Punkte ausgewählt sind

  6. Klicken Sie über der Data-Engineering-Ansicht auf die Registerkarte Police Stops (2017-2...frisk_performed, um das Balkendiagramm anzuzeigen.
  7. Klicken Sie auf der Werkzeugleiste über dem Balkendiagramm auf die Schaltfläche Nach Auswahl filtern.

    Schaltfläche "Auswahl"

    Das Balkendiagramm wird aktualisiert und zeigt jetzt nur Personendurchsuchungsquoten für polizeiliche Kontrollen vor Dezember 2018 an.

    Die Personendurchsuchungsquote betrug bei Schwarzen 2,56 Prozent und bei Weißen 0,9 Prozent. Das Verhältnis zwischen diesen beiden Werten (2,56 geteilt durch 0,9) entspricht 2,84. Das heißt, bei Schwarzen, die angehalten wurden, war die Wahrscheinlichkeit einer Personendurchsuchung 2,84 Mal so hoch wie bei Weißen.

    Als Nächstes sehen Sie, wie sich diese Zahlen nach Dezember 2018 verändert haben.

  8. Klicken Sie auf der Werkzeugleiste über einem der Diagramme auf die Schaltfläche Auswahl umkehren.

    Schaltfläche "Auswahl umkehren"

    Das Balkendiagramm wird geändert und zeigt jetzt die Personendurchsuchungsquoten für den letzten Teil des Zeitraums an. Die neue Auswahl ist auch im Liniendiagramm sichtbar.

    Liniendiagramm, in dem die letzten Punkte ausgewählt sind

    In diesem Zeitraum betrug die Personendurchsuchungsquote bei Schwarzen 3,21 Prozent und bei Weißen 1,48 Prozent. Beide Werte sind höher als vorher. Das heißt, dass bei Kontrollen im Jahr 2019 die Ausweitung zu einer Personendurchsuchung wahrscheinlicher war. Da jedoch insgesamt weniger Kontrollen durchgeführt wurden, fanden auch weniger Personendurchsuchungen statt.

    Das Verhältnis zwischen den Personendurchsuchungsquoten bei Schwarzen und Weißen beträgt 2,16. Damit ist es kleiner als das vorherige Verhältnis von 2,84, was bedeutet, dass nach Dezember 2018 die ethnischen Ungleichheiten bei den Personendurchsuchungsquoten zurückgegangen sind. Der Rückgang war jedoch nicht stark, und bei Schwarzen, die angehalten wurden, war die Wahrscheinlichkeit einer Personendurchsuchung immer noch doppelt so hoch wie bei Weißen in der gleichen Situation.

    Als Nächstes erkunden Sie, wie sich die Personendurchsuchungsquoten nicht für die gesamte Stadt, sondern für einen bestimmten Stadtteil verändert haben. Löschen Sie die Auswahl nicht.

  9. Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Navigieren auf Lesezeichen und dann auf das Lesezeichen Tennessee State University.

    Die Karte wird auf den Stadtteil, in dem sich die zu den historisch afroamerikanischen Colleges und Hochschulen gehörende Tennessee State University befindet, gezoomt.

  10. Klicken Sie auf der Werkzeugleiste über dem Balkendiagramm auf die Schaltfläche Nach Ausdehnung filtern.

    Jetzt spiegelt das Diagramm Daten aus der aktuellen Auswahl und der aktuellen Kartenansicht wider: Es werden nur Kontrollen angezeigt, die nach Dezember 2018 im Stadtteil um die Tennessee State University herum durchgeführt wurden.

    Gefiltertes gestapeltes Balkendiagramm

    Die Personendurchsuchungsquote lag in diesem Stadtteil und Zeitraum bei 3,15 Prozent. Für Weiße betrug sie 0,6 Prozent.

    Hinweis:

    Ihre Zahlen können aufgrund einer etwas anderen Kartenausdehnung abweichen. Diese Zahlen haben keine Auswirkung auf den Rest des Lernprogramms.

    Das Verhältnis zwischen diesen beiden Werten beträgt 5,25 und ist damit höher als die bisher beobachteten Verhältniswerte. Es ist zu erwarten, dass in einem vorwiegend schwarzen Stadtteil mehr Schwarze als Weiße angehalten werden. Diese Zahl gibt jedoch wieder, wie wahrscheinlich es ist, dass eine angehaltene Person durchsucht wird. In diesem Stadtteil ist die ethnische Ungleichheit hinsichtlich der zu einer Personendurchsuchung ausgeweiteten Kontrollen stärker ausgeprägt als in der Stadt insgesamt.

  11. Klicken Sie auf der Werkzeugleiste über einem der Diagramme auf die Schaltfläche Auswahl aufheben.

    Schaltfläche "Auswahl aufheben"

  12. Schließen Sie beide Diagramme, die Data-Engineering-Ansicht und den Bereich Diagrammeigenschaften.
  13. Klicken Sie auf der Symbolleiste für den Schnellzugriff auf die Schaltfläche Speichern.

    Schaltfläche "Speichern"

    Hinweis:

    Möglicherweise werden Sie in einer Meldung gewarnt, dass Sie nach dem Speichern der Projektdatei in der aktuellen ArcGIS Pro-Version die Datei nicht mehr in einer früheren Version öffnen können. Wenn diese Meldung angezeigt wird, klicken Sie auf Ja, um fortzufahren.

Bisher haben Sie in diesem Lernprogramm Daten zu Verkehrskontrollen in Nashville erkundet. Sie haben ethnische Ungleichheiten bei den Kontroll- und Personendurchsuchungsquoten untersucht und Diagramme für die Kontrollen im Zeitverlauf erstellt. Dabei haben Sie festgestellt, dass die polizeilichen Kontrollen in Nashville von 2017 bis 2019 zurückgegangen sind, was das Ergebnis von Änderungen bei der Polizeiausbildung aufgrund von Analysen durch Aktivisten sein kann. Sie haben jedoch auch festgestellt, dass nach wie vor ethnische Ungleichheiten bestehen. Bei Schwarzen, die von der Polizei angehalten werden, ist die Wahrscheinlichkeit einer Personendurchsuchung immer noch höher als bei Weißen, und diese Ungleichheit variiert zwischen den Stadtteilen.

Als Nächstes fahren Sie mit der Erkundung der polizeilichen Kontrollen fort und verwenden dabei Werkzeuge für räumliche Analysen.


Hot-Spots für Personendurchsuchungen suchen

Im vorherigen Modul haben Sie Daten zu polizeilichen Kontrollen in Nashville vorbereitet, visualisiert und erkundet. Als Nächstes konzentrieren Sie sich auf die Stadt New Orleans, Louisiana. Dabei verwenden Sie ein Dataset zu Kontrollen von Fußgängern, bei denen sich die Polizeibeamten für eine Personendurchsuchung entschieden haben. Personendurchsuchungen werden allgemein kritisiert wegen ihrer Auswirkungen auf Einzelpersonen und Gemeinschaften sowie wegen der disproportionalen Zahl betroffener Schwarzer und Latinos (Center for Constitutional Rights, 2012).

Die Kontrolle ist nicht nur deswegen demütigend, weil ein Polizeibeamter Ihnen sagt, dass Sie wie ein Krimineller aussehen. Der Polizeibeamte bittet Sie möglicherweise als Nächstes, in die Untersuchung Ihrer Tasche "einzuwilligen", ohne Ihnen zu sagen, dass Sie ablehnen können. Unabhängig von Ihrer Antwort kann er Ihnen befehlen, sich "hilflos, vielleicht mit dem Gesicht zu einer Wand und mit erhobenen Händen" hinzustellen. Wenn der Polizeibeamte der Meinung ist, dass Sie gefährlich sein könnten, kann er Sie auf Waffen "durchsuchen". Dabei geht es um mehr als nur Abtasten. Während Passanten vorbeigehen, kann der Beamte "mit sensiblen Fingern jeden Teil [Ihres] Körpers befühlen. Dabei werden [möglicherweise] [Ihre] Arme und Achselhöhlen, die Taille und der Rücken, die Leistengegend und der Bereich um die Hoden sowie die gesamte Oberfläche der Beine bis hinunter zu den Füßen gründlich abgesucht." Dissent of Justice Sonia Sotomayor in Utah v. Strieff," Supreme Court of the United States, 2016.

Angesichts der Schwere der Personendurchsuchungen analysieren Sie jetzt, wie diese in der Stadt New Orleans räumlich und zeitlich verteilt auftreten. Als Hilfe beim Quantifizieren einiger der Ihnen möglicherweise auffallenden Muster mithilfe von Karten und Diagrammen führen Sie Tests der statistischen Signifikanz von Trends bei Personendurchsuchungen aus.

Einen Raum-Zeit-Würfel der Positionen von Personendurchsuchungen erstellen

Zunächst verwenden Sie ein Liniendiagramm, um zu beobachten, wie sich die Trends bei Personendurchsuchungen für jede ethnische Herkunft im Lauf der Zeit verändert haben. Anschließend erstellen Sie einen Raum-Zeit-Würfel. Diese Datenstruktur benötigen Sie, um eine Trendanalyse von Hot-Spots durchzuführen, mit der räumliche und zeitliche Muster zusammen in einer Karte visualisiert werden können.

  1. Öffnen Sie bei Bedarf das Projekt Police Stops in ArcGIS Pro. Klicken Sie unter dem Menüband auf die Registerkarte der Karte New Orleans.

    Registerkarte der Karte "New Orleans"

    Daraufhin wird eine Karte mit den Positionen von Personendurchsuchungen von 2011 bis 2018 innerhalb der Stadtgrenzen von New Orleans angezeigt. Diese Daten stammen vom Stanford Open Policing Project. Die Positionen werden mit der ethnischen Herkunft der durchsuchten Person symbolisiert.

  2. Klicken Sie im Bereich Inhalt unter Frisk Locations (2011-2018) mit der rechten Maustaste auf das Diagramm Change in frisks over time, und klicken Sie auf Öffnen.

    Ein Diagramm öffnen

    Aus dem Diagramm geht hervor, dass die Personendurchsuchungen in New Orleans von 2011 bis 2013 insgesamt zurückgegangen sind. Andererseits scheinen die Personendurchsuchungen bei Schwarzen zwischen 2014 und 2018 allmählich zuzunehmen.

    Liniendiagramm

    Hinweis:

    Wenn Sie erkunden möchten, wie diese Muster nach Stadtteilen variieren, können Sie die in diesem Lernprogramm bereits verwendeten Schritte wiederholen, um das Diagramm nach der Ausdehnung zu filtern, und dann die Karte schwenken und zoomen.

    Das gleichzeitige Anzeigen der Karte und des Diagramms ist eine Möglichkeit, räumliche und zeitliche Trends in einem Dataset zu visualisieren. Mit einem Raum-Zeit-Würfel jedoch können Sie diese Muster konkreter quantifizieren. Bei dieser Datenstruktur werden Daten in Abschnitten aggregiert, die durch Raum und Zeit definiert werden. Zum Definieren der räumlichen Grenzen der Abschnitte verwenden Sie Zählbezirke.

  3. Schließen Sie die Diagrammansicht und den Bereich Diagrammeigenschaften.
  4. Aktivieren Sie im Bereich Inhalt das Kontrollkästchen neben dem Layer Race/Ethnicity by Tract (2015-2019), um ihn zu aktivieren.

    Dieser Layer zeigt Zählbezirke mit Variablen für die Hautfarbe und ethnische Herkunft an, die im American Community Survey (ACS) definiert wurden. Zählbezirke werden vom United States Census Bureau verwendet, um Bevölkerungsdaten zu organisieren und zu analysieren, die im Allgemeinen Stadtteilen mit einer Bevölkerung zwischen 2.500 und 8.000 Personen entsprechen (U.S. Census, 2021). Die Daten wurden vom Layer ACS Race and Hispanic Origin Variables – Boundaries in ArcGIS Living Atlas of the World abgeleitet.

    Sie erstellen einen Raum-Zeit-Würfel mit den Personendurchsuchungsdaten und den Zählbezirken. Aus den Ergebnissen geht hervor, welche Zählbezirke Hot-Spots für Personendurchsuchungen sind.

  5. Klicken Sie im Menüband auf die Registerkarte Analyse. Klicken Sie in der Gruppe Geoverarbeitung auf Werkzeuge.

    Schaltfläche "Werkzeuge" auf dem Menüband

    Daraufhin wird der Bereich Geoverarbeitung angezeigt.

  6. Geben Sie auf der Suchleiste die Zeichenfolge Raum-Zeit-Würfel erstellen ein. Klicken Sie in den Suchergebnissen auf Raum-Zeit-Würfel durch Aggregieren von Punkten erstellen.

    Werkzeug "Raum-Zeit-Würfel durch Aggregieren von Punkten erstellen"

    Ein Raum-Zeit-Würfel aggregiert Daten in einem dreidimensionalen Raum. Räumliche Abschnitte werden auf der X- und Y-Achse dargestellt und Zeitabschnitte auf der Z-Achse. Für diese Analyse definieren Sie jeden Abschnitt als Zählbezirk mit einer Zeitspanne von vier Wochen. Jeder Bezirk enthält einen Stapel von Abschnitten, die jeweils vier Wochen darstellen. In jedem Abschnitt wird die Anzahl der Personendurchsuchungen gezählt, die in diesem Bereich und während dieser Zeit durchgeführt wurden.

    Datenstruktur des Raum-Zeit-Würfels

  7. Legen Sie im Bereich Geoverarbeitung die folgenden Parameter fest:
    • Wählen Sie für Eingabe-Features die Option Frisk Locations (2011–2018) aus.
    • Geben Sie für Ausgabe-Raum-Zeit-Würfel den Namen Frisk_Tracts_4Weeks ein.
    • Wählen Sie unter Zeitfeld den Eintrag date aus.
    • Lassen Sie den Parameter Vorlagewürfel leer.
    • Geben Sie für Zeitschrittintervall den Wert 4 ein, und wählen Sie Wochen aus.
    • Wählen Sie für Zeitschrittausrichtung die Option Endzeit aus.
    • Wählen Sie für Aggregations-Shape-Typ die Option Definierte Positionen aus.
    • Wählen Sie für Definierte Polygon-Positionen die Option Race/Ethnicity by Tract (2015-2019) aus.
    • Wählen Sie für Positions-ID die Option Tract Numeric ID aus.

    Werkzeugparameter

    Sie wählen Endzeit für den Parameter Zeitschrittausrichtung aus, da Sie sich bei dieser Analyse mehr für aktuelle als für ältere Trends bei Personendurchsuchungen interessieren. Mit dieser Auswahl stellen Sie sicher, dass das Werkzeug beim Erstellen der Abschnitte am Ende (bei den neuesten Daten) beginnt und im Zeitverlauf rückwärts zählt. Der letzte Abschnitt ist möglicherweise unvollständig, wodurch sich eine zeitliche Verzerrung ergibt. Es ist jedoch besser, wenn sich die Verzerrung im ältesten und nicht im neuesten Abschnitt befindet.

  8. Klicken Sie auf Ausführen.

    Nach Abschluss des Werkzeugs wird unten im Bereich Geoverarbeitung eine Warnung angezeigt.

  9. Klicken Sie in der Warnung auf den Link Details anzeigen.

    Link "Details anzeigen" im Bereich "Geoverarbeitung"

    Ein Fenster mit weiteren Informationen wird geöffnet. Sie werden darauf hingewiesen, dass einige Positionen nicht mit dem Zählbezirk-Layer übereinstimmen. Diese wenigen Features wurden ausgelassen, da sie sich an Bezirksgrenzen befanden. Dies deutet nicht auf ein systemisches Problem hin, das sich auf diese Analyse auswirken würde.

  10. Klicken Sie ggf. auf die Registerkarte Meldungen. Führen Sie im Dialogfeld unter Eigenschaften des Raum-Zeit-Würfels einen Bildlauf durch, um den Eintrag Zeitliche Verzerrung des ersten Zeitschrittes zu suchen.

    Zeitliche Verzerrung

    Die zeitliche Verzerrung von 28,57 Prozent wirkt sich auf die Ergebnisse aus.

    Beim Erstellen des Raum-Zeit-Würfels haben Sie ein Zeitschrittintervall von vier Wochen festgelegt. Da das Werkzeug im Zeitverlauf rückwärts zählt (unter Verwendung des Wertes Endzeit für Zeitschrittausrichtung), wird der früheste Zeitabschnitt zuletzt gezählt und enthält keine Daten für vier vollständige Wochen. Der betroffene Abschnitt bezieht sich auf den Zeitraum 2. Mai 2011 bis 30. Mai 2011, aber die frühesten Personendurchsuchungen beginnen am 10. Mai 2011. Vom 2. Mai bis 10. Mai ist der Abschnitt leer, sodass sich in diesem ersten Zeitschritt eine zeitliche Verzerrung von 28,57 Prozent ergibt.

    Um diese zeitliche Verzerrung zu korrigieren, filtern Sie die Daten so, dass sie am 31. Mai 2011 beginnen, und führen das Werkzeug erneut aus.

    Hinweis:

    Weitere Informationen zur Zeitschrittausrichtung finden Sie unter Funktionsweise von "Raum-Zeit-Würfel erstellen".

  11. Schließen Sie das Fenster Raum-Zeit-Würfel durch Aggregieren von Punkten erstellen.
  12. Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Auswahl auf Nach Attributen auswählen.
  13. Wählen Sie im Fenster Nach Attributen auswählen für Eingabezeilen die Option Frisk Locations (2011-2018) aus.
  14. Erstellen Sie mit den Dropdown-Menüs unter Ausdruck die Abfrage Wobei gilt: date ist nach 5/29/2011.

    Ausdrucksklausel im Werkzeug "Nach Attributen auswählen"

  15. Klicken Sie auf OK.

    Die meisten Punkte in der Karte sind ausgewählt. Wenn Sie das Werkzeug Raum-Zeit-Würfel durch Aggregieren von Punkten erstellen erneut ausführen, wird es nur mit diesen ausgewählten Features ausgeführt.

  16. Klicken Sie im Bereich Geoverarbeitung auf Ausführen.
  17. Klicken Sie nach Abschluss des Werkzeugs auf den Link Details anzeigen, und klicken Sie gegebenenfalls auf die Registerkarte Meldungen.

    Die Zeitliche Verzerrung des ersten Zeitschrittes wurde auf 3,57 Prozent reduziert.

  18. Führen Sie einen Bildlauf zum Ende der Registerkarte Meldungen durch.

    Aus den Diagnosemeldungen geht auch hervor, dass der Raum-Zeit-Würfel für Trendrichtung den Wert Nicht signifikant aufweist.

    "Trendrichtung" mit der Angabe "Nicht signifikant"

    Während die Stadt New Orleans insgesamt für die Zeitspanne der Daten keinen statistisch signifikanten zeitlichen Trend aufweist, verzeichnen einzelne Stadtteile und Personendurchsuchungskategorien möglicherweise statistisch signifikante Trends.

  19. Schließen Sie das Fenster Raum-Zeit-Würfel durch Aggregieren von Punkten erstellen.

    Sie haben einen Raum-Zeit-Würfel erstellt und ihn im Hinblick auf zeitliche Verzerrung korrigiert. Der Würfel wird nicht in der Karte angezeigt. Als Nächstes visualisieren Sie den Würfel in der Karte und verwenden dazu das Werkzeug Raum-Zeit-Würfel in 3D visualisieren.

  20. Klicken Sie mit der rechten Maustaste auf eine beliebige Stelle der Karte, und klicken Sie auf Aufheben, um die Auswahl aufzuheben.

    Option "Aufheben" im Kontextmenü

    Hinweis:

    Falls beim Klicken mit der rechten Maustaste die Option zum Aufheben der Auswahl der ausgewählten Features nicht angezeigt wird, klicken Sie auf dem Menüband auf die Registerkarte ‏Karte. Klicken Sie in der Gruppe Auswahl auf Aufheben.

Personendurchsuchungsmuster in 3D visualisieren

Sie zeigen den Raum-Zeit-Würfel in drei Dimensionen an, um zu verstehen und zu erkunden, wie die Personendurchsuchungen nach Raum und Zeit aggregiert wurden.

  1. Klicken Sie unter dem Menüband auf die Registerkarte New Orleans 3D.
  2. Klicken Sie im Bereich Geoverarbeitung auf die Schaltfläche "Zurück". Navigieren Sie zum Werkzeug Raum-Zeit-Würfel in 3D visualisieren, und öffnen Sie es.
  3. Klicken Sie für Eingabe-Raum-Zeit-Würfel auf die Schaltfläche zum Durchsuchen. Navigieren Sie zu dem Ordner, in dem sich das Projekt Police Stops befindet, und wählen Sie Frisk_Tracts_4Weeks.nc aus.

    "Frisk_Tracts_4Weeks.nc" im Dateibrowser

    Dies ist der Raum-Zeit-Würfel, den Sie erstellt haben.

  4. Klicken Sie auf OK.
  5. Wählen Sie unter Würfel-Variable den Eintrag COUNT aus. Wählen Sie für Anzeigedesign den Eintrag Wert aus.
  6. Löschen Sie unter Ausgabe-Features den vorhandenen Text, und geben Sie Frisks3D ein.

    Werkzeug "Raum-Zeit-Würfel in 3D visualisieren"

  7. Klicken Sie auf Ausführen.

    In der Szene wird ein neuer Layer mit dem Raum-Zeit-Würfel in drei Dimensionen angezeigt.

    Dreidimensionale Visualisierung des Raum-Zeit-Würfels

    Jede Spalte stellt einen Zählbezirk dar. Jede Spalte besteht aus einem Stapel von Abschnitten, die jeweils einen Zeitschritt von vier Wochen darstellen. Die unteren Abschnitte sind älter (Juni 2011), und die oberen Abschnitte sind neuer (Juni 2018). Je dunkler die Farbe eines Abschnitts, umso mehr Personendurchsuchungen wurden in diesem Raum und zu dieser Zeit durchgeführt.

  8. Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Navigieren auf Lesezeichen und auf New Orleans.

    Die Karte wird auf den Innenstadtbereich gezoomt, in dem mehr Personendurchsuchungen stattfinden. Viele Bereiche weisen ein Streifenmuster auf, bei dem Zeiträume mit Personendurchsuchungen durch Zeiträume ohne Personendurchsuchungen voneinander getrennt sind.

Personendurchsuchungen räumlich und zeitlich analysieren

Nachdem Sie die dreidimensionale Struktur eines Raum-Zeit-Würfels visualisiert und kennengelernt haben, wenden Sie eine 2D-Visualisierung an, mit der die in den Daten enthaltenen Trends zusammengefasst werden.

  1. Klicken Sie unter dem Menüband auf die Registerkarte New Orleans, um zur 2D-Karte zurückzukehren.
  2. Klicken Sie im Bereich Geoverarbeitung auf die Schaltfläche "Zurück". Navigieren Sie zum Werkzeug Raum-Zeit-Würfel in 2D visualisieren, und öffnen Sie es.
  3. Klicken Sie für Eingabe-Raum-Zeit-Würfel auf die Schaltfläche zum Durchsuchen. Suchen Sie die Datei Frisk_Tracts_4Weeks.nc, und wählen Sie sie aus. Klicken Sie auf OK.
  4. Wählen Sie unter Würfel-Variable den Eintrag COUNT aus. Wählen Sie für Anzeigedesign den Eintrag Trends aus.

    Mit dem Parameter Anzeigedesign können Sie bestimmen, wie der Raum-Zeit-Würfel in der Karte symbolisiert wird. Mit der Option Trends können Sie anzeigen, wo sich Werte im Zeitverlauf gemäß der Berechnung mit der Mann-Kendall-Statistik erhöht oder verringert haben.

  5. Aktivieren Sie das Kontrollkästchen Zeitserien-Pop-ups aktivieren. Geben Sie für Ausgabe-Features den Namen Frisk_Trends ein.

    Werkzeug "Raum-Zeit-Würfel in 2D visualisieren"

  6. Klicken Sie auf Ausführen.

    Es wird ein neuer Layer auf der Karte angezeigt.

  7. Sehen Sie sich im Bereich Inhalt die Legende an, um die Symbole in der Karte zu verstehen.

    "Legende" im Bereich "Inhalt"

    In grünen Bereichen waren Abwärtstrends zu verzeichnen, das heißt, bei den meisten Zeitschritten ist die Anzahl der Personendurchsuchungen im Vergleich mit dem vorherigen Zeitschritt gesunken. In violetten Bereichen waren Aufwärtstrends zu verzeichnen, das heißt, die meisten Zeitschritte weisen im Vergleich mit dem vorherigen Zeitschritt eine Erhöhung auf. In weißen Bereichen liegt kein signifikanter Trend vor. Die verschiedenen Grün- und Violettschattierungen beziehen sich auf die Signifikanz des Trends.

    Trendkarte mit grünen und violetten Bereichen

    Vorher enthielt die Karte so viele Punkte, dass es nicht möglich war, räumliche oder zeitliche Muster zu erkennen. Jetzt können Sie sehen, dass die Anzahl der Personendurchsuchungen in der Nähe des Zentrums von New Orleans gestiegen und in vielen anderen Teilen der Stadt gesunken ist.

  8. Ziehen Sie den Layer Neighborhoods im Bereich Inhalt nach oben.

    Layer "Neighborhoods" im Bereich "Inhalt"

  9. Zoomen Sie auf das Lesezeichen Treme-Lafitte.

    Die Karte wird auf den Stadtteil Treme-Lafitte gezoomt, der einen Aufwärtstrend bei Personendurchsuchungen in der von den Daten abgedeckten Zeitspanne aufweist.

    Stadtteil Treme-Lafitte in der Karte

  10. Klicken Sie auf den nördlichsten Zählbezirk im Stadtteil Treme-Lafitte.

    Daraufhin wird ein Pop-up mit einem Zeitseriendiagramm angezeigt, in dem der Aufwärtstrend bei Personendurchsuchungen in diesem Bereich veranschaulicht wird.

    Diagramm in Pop-up

  11. Schließen Sie das Pop-up.

    Die Trends der einzelnen Positionen werden mit der Mann-Kendall-Statistik ausgewertet. Auch wenn eine Position einen Aufwärtstrend verzeichnet, bedeutet dies nicht zwangsläufig, dass die Werte für diese Position hoch sind. Als Nächstes ermitteln Sie mit dem Werkzeug Trendanalyse von Hot-Spots, wo unter Berücksichtigung von Raum und Zeit Cluster mit einer hohen Anzahl von Personendurchsuchungen vorliegen.

Hot-Spots für Personendurchsuchungen suchen

Mithilfe einer Trendanalyse von Hot-Spots können Sie Muster bei von der Polizei durchgeführten Personendurchsuchungen räumlich und zeitlich interpretieren. Das Werkzeug erstellt für jeden Raum-Zeit-Abschnitt eine lokale Nachbarschaft im Raum und in der Zeit anderer nahe gelegener Abschnitte. Es vergleicht die durchschnittliche Anzahl der Personendurchsuchungen in der lokalen Nachbarschaft mit der durchschnittlichen Anzahl der Personendurchsuchungen in New Orleans insgesamt. Mithilfe dieser Vergleiche identifiziert das Werkzeug Bereiche in der Stadt, die Cluster aus besonders hohen (Hot-Spots) oder niedrigen (Cold-Spots) Personendurchsuchungsanzahlen aufweisen.

  1. Klicken Sie im Bereich Geoverarbeitung auf die Schaltfläche "Zurück". Suchen Sie nach dem Werkzeug Trendanalyse von Hot-Spots, und öffnen Sie es.

    Klicken Sie für Eingabe-Raum-Zeit-Würfel auf die Schaltfläche zum Durchsuchen. Suchen Sie die Datei Frisk_Tracts_4Weeks.nc, und wählen Sie sie aus. Klicken Sie auf OK.

  2. Wählen Sie unter Analysevariable den Eintrag COUNT aus. Geben Sie für Ausgabe-Features den Namen Frisks_HotSpot ein.
  3. Wählen Sie unter Konzeptualisierung von räumlichen Beziehungen den Eintrag Nächste Nachbarn (K) aus.

    Mit der Standardmethode für diesen Parameter wird die Nachbarschaft jedes Abschnitts basierend auf einer festen Entfernung definiert. Da Zählbezirke jedoch ungleichmäßige Formen und Größen haben, verwenden Sie stattdessen die Methode Nächste Nachbarn (K). Diese stellt sicher, dass jede Nachbarschaft eine feste Anzahl (K) von Nachbarn enthält.

    Für diese Analyse definieren Sie die räumliche Nachbarschaft jedes Abschnitts als den jeweils eigenen Bezirk plus die acht nächsten Bezirke im Raum.

  4. Übernehmen Sie für Anzahl der räumlichen Nachbarn den Standardwert 8.

    Mithilfe der Nachbarschaft können auch Daten über Zeitschritte hinweg verglichen werden. Für diese Analyse definieren Sie die zeitliche Nachbarschaft jedes Abschnitts als den jeweils eigenen Zeitschritt plus einen vorherigen Zeitschritt für insgesamt acht Wochen.

  5. Geben Sie für Nachbarschaftszeitintervall den Wert 4 ein.
  6. Wählen Sie unter Globalen Wert definieren den Eintrag Nachbarschaftszeitintervall aus.

    Bei der Analyse wird für jeden Bezirk in jedem Zeitschritt eine Nachbarschaft erstellt, die aus den acht nächsten benachbarten Bezirken einschließlich Bezirken aus den vier vorherigen Zeitschritten besteht. Dann wird für jeden Nachbarschaftszeitschritt die durchschnittliche Anzahl der Personendurchsuchungen in den einzelnen Nachbarschaften mit der durchschnittlichen Anzahl der Personendurchsuchungen in ganz New Orleans verglichen.

    Parameter des Werkzeugs "Trendanalyse von Hot-Spots"

    Hinweis:

    Diese Parameter dienen nur als Ausgangspunkt. Experimentieren ist empfehlenswert und notwendig, um für jeden Datensatz und jede Fragestellung die beste Kombination von Parametern zu ermitteln.

  7. Klicken Sie auf Ausführen.

    Es wird ein neuer Layer auf der Karte angezeigt.

  8. Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Frisks_HotSpot, und klicken Sie dann auf Auf Layer zoomen.

    Ergebnisse der Trendanalyse von Hot-Spots in der Karte

  9. Sehen Sie sich im Bereich Inhalt die Legende an, um die Symbole in der Karte zu verstehen.

    Legende mit Erläuterungen der Symbole für Hot-Spots und Cold-Spots

    Rote Bereiche sind Hot-Spots oder Bereiche, in denen die Anzahl der Personendurchsuchungen weit über dem Durchschnitt der Stadt liegt. Blaue Bereiche sind Cold-Spots oder Bereiche mit weniger Personendurchsuchungen. Die verschiedenen Muster der Symbole beziehen sich auf die Veränderungen bei der Anzahl der Personendurchsuchungen im Zeitverlauf.

    Hinweis:

    Weitere Informationen zu den Symbolklassen finden Sie unter Funktionsweise von "Trendanalyse von Hot-Spots".

    Es gibt Bereiche mit statistisch signifikanten Hot-Spots der Personendurchsuchungen in der Nähe des Zentrums von New Orleans.

  10. Ziehen Sie im Bereich Inhalt den Layer Neighborhoods nach oben.
  11. Zoomen Sie auf das Lesezeichen Hot Spots.

    Die Karte wird auf die Stadtteile gezoomt, in denen das Werkzeug Trendanalyse von Hot-Spots statistisch signifikante spatiotemporale Hot-Spots und Cold-Spots für Personendurchsuchungen gefunden hat.

    Sie sehen in der Karte, wo in New Orleans von 2011 bis 2018 statistisch signifikante Cluster aus hohen und niedrigen Anzahlen von Personendurchsuchungen aufgetreten sind. Die Stadtteile French Quarter und Central Business District (CBD) werden zunehmend zu Hot-Spots für Personendurchsuchungen. Die benachbarten Stadtteile sind zeitweilige Hot-Spots.

    Karte mit Hot-Spots für Personendurchsuchungen

    • Ein sich verstärkender Hot-Spot ist eine Position, die für 90 % der Zeitintervalle, einschließlich des letzten Intervalls, einen statistisch signifikanten Hot-Spot darstellt. Außerdem ist für jeden Zeitschritt eine allgemeine, statistisch signifikante Intensitätszunahme hinsichtlich der Cluster-Bildung von hohen Zählwerten zu beobachten.
    • Ein zeitweiliger Hot-Spot ist eine Position, die ein zunächst aktiver, dann inaktiver Hot-Spot ist. In weniger als 90 % der Zeitintervalle handelte es sich um statistisch signifikante Cold-Spots und in keinem Zeitintervall war ein statistisch signifikanter Hot-Spot zu verzeichnen.

    Sie haben bereits Bereiche von New Orleans identifiziert, in denen Personendurchsuchungen zunahmen oder abnahmen. Diese neue Karte zeigt, wo die Anzahl der Personendurchsuchungen im Vergleich mit dem Rest der Stadt signifikant höher oder niedriger ist, und liefert Informationen zu den Veränderungen der Personendurchsuchungsmuster im Zeitverlauf. Der Stadtteil Treme-Lafitte, der in der vorherigen Analyse einen Aufwärtstrend verzeichnete, ist auch ein statistisch signifikanter Hot-Spot für Personendurchsuchungen.

Hot-Spots für Personendurchsuchungsquoten suchen

Aus der Trendanalyse von Hot-Spots, die Sie durchgeführt haben, geht hervor, dass der Innenstadtbereich von New Orleans ein Hot-Spot für Personendurchsuchungsanzahlen ist. Es ist jedoch nicht überraschend, dass in verdichteten, geschäftigen Stadtteilen in der Innenstadt mehr Kontrollen und Personendurchsuchungen stattfinden. Als Nächste suchen Sie Hot-Spots für Personendurchsuchungsquoten anstelle von Anzahlen, um die Stadtteile zu ermitteln, in denen eine polizeiliche Kontrolle mit höherer Wahrscheinlichkeit zu einer Personendurchsuchung ausgeweitet wird.

  1. Deaktivieren Sie im Bereich Inhalt die folgenden Layer, und blenden Sie sie aus:
    • Frisks_HotSpot
    • Frisk_Trends
    • Race/Ethnicity by Tract (2015-2019)
    • Frisk Locations (2011-2018)
  2. Aktivieren Sie den Layer All Stop Locations (2011-2018), und blenden Sie ihn ein.

    Im Bereich "Inhalt" ausgeblendete Layer

    Zuvor haben Sie die Positionen von Personendurchsuchungen analysiert. Als Nächstes analysieren Sie die Personendurchsuchungen im Vergleich zu allen polizeilichen Kontrollen.

  3. Navigieren Sie im Bereich Geoverarbeitung zum Werkzeug Feld codieren, und öffnen Sie es.

    Dieses Werkzeug codiert Kategoriewerte in numerische Felder. Sie konvertieren das Feld "frisk_performed" (mit den Werten TRUE und FALSE) in ein numerisches Feld (mit den Werten 0 und 1). Die auf diese Weise codierten Daten können mit dem Werkzeug Trendanalyse von Hot-Spots verwendet werden.

  4. Wählen Sie für Eingabetabelle die Option All Stop Locations (2011-2018) aus. Wählen Sie für Feld, das codiert werden soll die Option frisk_performed aus.
  5. Wählen Sie für Encodierungsmethode die Option One-Hot aus.

    Mit dieser Methode wird sichergestellt, dass Kontrollen, bei denen eine Personendurchsuchung durchgeführt wurde, den Wert 1 und Kontrollen ohne Personendurchsuchung den Wert 0 erhalten.

    Werkzeug "Feld codieren"

  6. Klicken Sie auf Ausführen.

    Auf der Karte ist keine Veränderung erkennbar. Dem Layer All Stop Locations (2011-2018) wurden zwei neue Felder hinzugefügt. Mit ihrer Hilfe können Sie einen Raum-Zeit-Würfel erstellen, der die Quoten von Personendurchsuchungen anstelle ihrer Anzahl modelliert.

  7. Suchen Sie im Bereich Geoverarbeitung nach dem Werkzeug Raum-Zeit-Würfel durch Aggregieren von Punkten erstellen, und öffnen Sie es.
  8. Geben Sie die folgenden Parameter ein:
    • Wählen Sie für Eingabe-Features die Option All Stop Locations (2011-2018) aus.
    • Geben Sie für Ausgabe-Raum-Zeit-Würfel den Namen FriskRates_Tracts_4Weeks ein.
    • Wählen Sie unter Zeitfeld den Eintrag date aus.
    • Lassen Sie den Parameter Vorlagewürfel leer.
    • Geben Sie für Zeitschrittintervall den Wert 4 ein, und wählen Sie Wochen aus.
    • Wählen Sie für Zeitschrittausrichtung die Option Endzeit aus.
    • Wählen Sie für Aggregations-Shape-Typ die Option Definierte Positionen aus.
    • Wählen Sie für Definierte Polygon-Positionen die Option Race/Ethnicity by Tract (2015-2019) aus.
    • Wählen Sie für Positions-ID die Option Tract Numeric ID aus.

    Parameter des Werkzeugs "Raum-Zeit-Würfel durch Aggregieren von Punkten erstellen"

    Mit Ausnahme der Eingabe-Features und des Namens für Ausnahme sind diese Parameter identisch mit denen, die Sie zum Erstellen des letzten Raum-Zeit-Würfels verwendet haben.

  9. Legen Sie unter Zusammenfassungsfelder die folgenden Parameter fest:
    • Wählen Sie für Feld die Option TRUE (frisk_performed_One-hot) aus.
    • Wählen Sie für Statistik den Eintrag Mittelwert aus.
    • Wählen Sie für Füllt leere Abschnitte mit die Option Nullen aus.

    Parameter "Zusammenfassungsfelder"

    Mit diesen Parametern wird anstelle der Anzahl der Personendurchsuchungen für jeden Abschnitt im Raum-Zeit-Würfel der Mittelwert der Personendurchsuchungsquoten berechnet.

  10. Klicken Sie auf Ausführen.

    Der Raum-Zeit-Würfel wird erstellt, aber nicht in der Karte angezeigt. Als Nächstes visualisieren Sie ihn mit dem Werkzeug Trendanalyse von Hot-Spots.

  11. Navigieren Sie im Bereich Geoverarbeitung zum Werkzeug Trendanalyse von Hot-Spots, und öffnen Sie es. Geben Sie die folgenden Parameter ein:
    • Klicken Sie für Eingabe-Raum-Zeit-Würfel auf die Schaltfläche zum Durchsuchen. Suchen Sie die Datei FriskRates_Tracts_4Weeks.nc, und wählen Sie sie aus. Klicken Sie auf OK.
    • Wählen Sie für Analysevariable die Option ONEHOT_FRISK_PERFORMED_TRUE_MEAN_ZEROS aus.
    • Geben Sie für Ausgabe-Features den Namen FriskRates_HotSpot ein.
    • Wählen Sie unter Konzeptualisierung von räumlichen Beziehungen den Eintrag Nächste Nachbarn (K) aus.
    • Übernehmen Sie für Anzahl der räumlichen Nachbarn den Standardwert 8.
    • Geben Sie für Nachbarschaftszeitintervall den Wert 4 ein.
    • Wählen Sie für Globalen Wert definieren die Option Gesamter Würfel aus.

    Parameter des Werkzeugs "Trendanalyse von Hot-Spots"

    Diese Parameter sind fast identisch mit denen, die Sie bei der letzten Ausführung des Werkzeug Trendanalyse von Hot-Spots festgelegt haben. Dieses Mal wählen Sie für den Parameter Globalen Wert definieren die Option Gesamter Würfel aus (anstelle des Nachbarschaftszeitschrittes), da Sie anstelle der Anzahl von Personendurchsuchungen ihre Quoten analysieren, die weniger von der Bevölkerungsentwicklung beeinflusst werden. Das Werkzeug vergleicht Stadtteile über die gesamte Zeitspanne der Daten und für die gesamte Stadt.

  12. Klicken Sie auf Ausführen.

    Der Layer FriskRates_HotSpot wird auf der Karte angezeigt.

    Dieser Layer zeigt den Anteil der Fußgänger- und Autofahrerkontrollen an, die zu einer Personendurchsuchung ausgeweitet wurden, also Bereiche der Stadt, in denen ein höherer Anteil der Kontrollen zu einer Personendurchsuchung ausgeweitet wurde.

  13. Ziehen Sie im Bereich Inhalt den Layer Neighborhoods an den Anfang der Liste. Deaktivieren Sie den Layer All Stop Locations (2011-2018), und blenden Sie ihn aus.
  14. Aktivieren Sie den Layer Frisks_HotSpot. Deaktivieren und aktivieren Sie den Layer FriskRates_HotSpot, um ihn mit dem darunter liegenden Layer zu vergleichen.

    Layer "FriskRates_HotSpot" im Bereich "Inhalt" und in der Karte

    Der Central Business District (CBD) war ein Hot-Spot für Personendurchsuchungen, aber nicht für Personendurchsuchungsquoten. Das heißt, der CBD wies eine hohe Anzahl von Personendurchsuchungen auf, aber die Anzahl der Personendurchsuchungen im Verhältnis zur Anzahl der Kontrollen war im Vergleich mit dem Rest der Stadt nicht signifikant hoch. Gert Town dagegen war kein Hot-Spot für Personendurchsuchungen, aber ein Hot-Spot für Personendurchsuchungsquoten: Hier ist die Anzahl der Personendurchsuchungen nicht hoch, aber das Verhältnis der Personendurchsuchungen zu den Kontrollen ist hoch.

    Sie vergleichen diese Ergebnisse mit der im jeweiligen Bezirk überwiegenden Hautfarbe und ethnischen Herkunft.

  15. Deaktivieren Sie im Bereich Inhalt den Layer Frisks_HotSpot. Aktivieren Sie den Layer Race/Ethnicity by Tract (2015-2019).
  16. Deaktivieren und aktivieren Sie den Layer FriskRates_HotSpot, um ihn mit dem darunter liegenden Layer zu vergleichen.

    Layer "FriskRates_HotSpot" im Vergleich mit dem Layer "Race/Ethnicity by Tract"

    Die gelben Bereiche im Layer Race/Ethnicity by Tract (2015-2019) entsprechen Bezirken mit vorwiegend schwarzer oder afroamerikanischer Bevölkerung. Ein visueller Vergleich dieser beiden Layer deutet darauf hin, dass die Entscheidung für eine Personendurchsuchung bei einem höheren Anteil der Kontrollen in Stadtteilen mit überwiegend schwarzer Bevölkerung getroffen wurde.

  17. Speichern Sie das Projekt.

In diesem Modul haben Sie einen Raum-Zeit-Würfel aus Daten zu Personendurchsuchungen erstellt. Sie haben den Raum-Zeit-Würfel verwendet, um Trends und statistisch signifikante Hot-Spots und Cold-Spots für die Anzahl der Personendurchsuchungen in New Orleans zu ermitteln. Anschließend haben Sie einen zweiten Raum-Zeit-Würfel unter Verwendung von Personendurchsuchungsquoten erstellt, eine zweite Trendanalyse von Hot-Spots durchgeführt und mithilfe der Ergebnisse Muster bei der Entscheidung für Personendurchsuchungen bei Kontrollen in New Orleans analysiert. Sie haben in einigen der geschäftigeren Bereiche der Stadt wie dem CBD und French Quarter Hot-Spots für die Anzahl der Personendurchsuchungen gefunden. Außerdem haben Sie Hot-Spots für Personendurchsuchungsquoten in Stadtteilen mit vorwiegend schwarzer Bevölkerung in der Nähe der Innenstadt gefunden.


Ungleichbehandlung aufgrund der ethnischen Herkunft bei polizeilichen Kontrollen analysieren

Sie haben polizeiliche Kontrollen und Personendurchsuchungen in Nashville mithilfe von Diagrammen und Personendurchsuchungen in New Orleans mithilfe einer Trendanalyse von Hot-Spots erkundet. Als Nächstes erkunden Sie die Verteilung der Fußgängerkontrollen nach ethnischer Herkunft in den einzelnen Stadtteilen von San Antonio, Texas. Sie erstellen einen Disparitätsindex, um die Stadtteile zu ermitteln, in denen der Anteil der angehaltenen Personen einer bestimmten ethnischen Herkunft höher ist als ihr Anteil am entsprechenden Stadtteil.

Bei einer Disparitätsindexanalyse wird angenommen, dass die Personen, die in einem Stadtteil angehalten werden, auch dort leben. Diese Annahme erweist sich nicht immer als richtig, trifft aber bei Fußgängerkontrollen mit höherer Wahrscheinlichkeit zu (Studie von Hannon, 2019). Daher schließen Sie Fahrzeugkontrollen aus Ihrer Analyse aus. Darüber hinaus wird in der Studie von Hannon (2019) festgestellt, dass mit diesem Kennwert nachgewiesene ethnische Ungleichheiten zwar geringer werden, aber selbst dann weiter bestehen, wenn Nichtbewohner ausgenommen werden. Dieser Kennwert wird auch allgemein von der American Civil Liberties Union (ACLU) bei Untersuchungen der Ungleichbehandlung durch die Polizei in den Vereinigten Staaten verwendet, beispielsweise in New York City, New York, Washington, DC und Philadelphia, Pennsylvania. Selbst wenn Nichtbewohner eines Stadtteiles kontrolliert werden, hat dies dennoch Auswirkungen auf die Gemeinschaft. Daher stellt der Disparitätsindex trotz dieser Annahme einen hilfreichen Kennwert dar.

Den prozentualen Anteil der Kontrollen in den einzelnen Bezirken nach ethnischer Herkunft messen

Zunächst berechnen Sie den prozentualen Anteil der Kontrollen Schwarzer, Weißer und Hispanos in den einzelnen Bezirken. Diese Werte benötigen Sie später zum Berechnen eines Disparitätsindex. Zwar kann für jede Hautfarbe und ethnische Herkunft ein Disparitätsindex erstellt werden, aber in diesem Lernprogramm messen Sie nur die Ungleichbehandlung Schwarzer, Weißer und Hispanos.

  1. Öffnen Sie bei Bedarf das Projekt Police Stops in ArcGIS Pro. Klicken Sie unter dem Menüband auf die Registerkarte der Karte San Antonio.

    Karte "San Antonio"

    Die Karte zeigt die Grenze der Stadt San Antonio sowie nach vorwiegender Hautfarbe und ethnischer Herkunft symbolisierte Zählblöcke. Im Gegensatz zu Nashville und New Orleans hat San Antonio mehrheitlich Bezirke mit vorwiegend hispanischer oder lateinamerikanischer Bevölkerung, die in der Karte in Grün dargestellt werden.

  2. Aktivieren Sie im Bereich Inhalt den Layer Pedestrian Stops (2012-2018).

    In der Karte werden Punktdaten angezeigt, die sich im Wesentlichen als Cluster im Zentrum der Stadt befinden. Dieser Layer enthält nur Fußgängerkontrollen. Er stammt vom Stanford Open Policing Project.

    Punkte auf der Karte

  3. Suchen Sie im Bereich Geoverarbeitung nach dem Werkzeug Zusammenfassen (innerhalb) (Analysis Tools), und öffnen Sie es.

    Sie verwenden dieses Werkzeug, um die polizeilichen Fußgängerkontrollen in den einzelnen Bezirken zu zählen, wobei die Ergebnisse nach der Hautfarbe und ethnischen Herkunft der angehaltenen Person gruppiert werden.

  4. Wählen Sie für Eingabe-Polygone die Option Race/Ethnicity by Tract (2015-2019) aus.

    Dieser Layer ist von dem gleichen ACS-Dataset abgeleitet wie der Layer Race/Ethnicity by Tract (2015-2019), den Sie für New Orleans verwendet haben. In San Antonio jedoch stimmen die Bezirksgrenzen nicht mit der Stadtgrenze überein, und für diese Analyse ist es wichtig, dass sich die Bezirke vorwiegend innerhalb der Stadt befinden. Daher wurden Bezirke, deren Flächen zu mehr als 10 Prozent außerhalb der Stadt liegen, entfernt.

  5. Wählen Sie für Eingabe-Zusammenfassungs-Features die Option Pedestrian Stops (2012-2018) aus. Geben Sie unter Ausgabe-Feature-Class den Text RacialDisparityByTract ein.
  6. Lassen Sie den Abschnitt Zusammenfassungsfelder leer. Wählen Sie für Gruppenfeld die Option subject_race aus.

    Daraufhin werden weitere Parameter angezeigt.

  7. Aktivieren Sie das Kontrollkästchen Gruppenprozentsätze hinzufügen. Übernehmen Sie für Gruppierte Ausgabetabelle den Standardnamen subject_race_Summary.

    Parameter des Werkzeugs "Zusammenfassen (innerhalb)"

  8. Klicken Sie auf Ausführen.

    Die Ausführung des Werkzeugs kann einige Minuten dauern. Nach Abschluss des Werkzeugs wird der Karte ein Feature-Layer (DisparityByTract) hinzugefügt. Dieser Layer ist bis auf ein zusätzliches Feld zum Zählen der Anzahl der Kontrollen in jedem Bezirk identisch mit dem Layer Race/Ethnicity by Tract (2015-2019). Da Sie den ursprünglichen Layer nicht mehr benötigen, sollten Sie ihn entfernen.

  9. Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Race/Ethnicity by Tract (2015-2019), und klicken Sie auf Entfernen.

    Das Werkzeug hat außerdem eine neue Tabelle mit dem Namen subject_race_Summary erstellt. In dieser Tabelle werden die Kontrollen für jede ethnische Herkunft in jedem Bezirk gezählt. Sie verbinden die Informationen zur ethnischen Herkunft aus der Tabelle mit dem Feature-Layer, aber zuerst müssen Sie die Tabelle in eine Pivot-Tabelle konvertieren.

  10. Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf die Tabelle subject_race_Summary, und klicken Sie auf Öffnen.

    Attributtabelle

    Die neue Tabelle enthält die Anzahlen und prozentualen Anteile der Kontrollen in den einzelnen Bezirken, unterteilt nach der ethnischen Herkunft. Das Feld Join ID gibt den Bezirk an. Für jeden Bezirk sind mehrere Zeilen vorhanden, eine für jede ethnische Herkunft. Sie konvertieren diese Tabelle in eine Pivot-Tabelle, sodass für jeden Bezirk nur noch eine Zeile vorhanden ist.

    Hinweis:

    Für das Werkzeug Pivot-Tabelle ist eine Advanced-Lizenz erforderlich. Wenn Sie nicht über eine Advanced-Lizenz verfügen, können Sie zu Schritt 14 springen und subject_race_Summary_ready anstelle von subject_race_Summary_Pivot verwenden.

  11. Suchen Sie im Bereich Geoverarbeitung nach dem Werkzeug Pivot-Tabelle, und öffnen Sie es.
  12. Füllen Sie im Werkzeug Pivot-Tabelle die folgenden Parameter aus:
    • Wählen Sie für Eingabetabelle die Option subject_race_Summary aus.
    • Wählen Sie für Eingabefeld(er) die Option Join_ID aus.
    • Wählen Sie für Pivot-Feld die Option subject_race aus.
    • Wählen Sie für Wertefeld die Option Percent of point count aus.
    • Ändern Sie für Ausgabetabelle den Namen in subject_race_Summary_Pivot.

    Parameter für "Pivot-Tabelle"

  13. Klicken Sie auf Ausführen.
  14. Schließen Sie die Tabelle subject_race_Summary, und öffnen Sie die Tabelle subject_race_Summary_Pivot.

    Pivot-Tabelle

    Die Tabelle enthält 260 Zeilen (eine für jeden Bezirk) und ein Feld für jede Kategorie der ethnischen Herkunft. Die Werte stellen den Prozentsatz der Kontrollen im Bezirk dar, die bei Personen der jeweiligen ethnischen Herkunft durchgeführt wurden. So waren zum Beispiel im Bezirk mit OBJECTID 1 28 Prozent der angehaltenen Personen hispanischer Herkunft.

Summenwerte mit einem räumlichen Layer verbinden

Sie verbinden die Felder black, white und hispanic aus der Summentabelle mit dem Layer RacialDisparityByTract, damit Sie diese Werte in der Karte visualisieren können.

  1. Deaktivieren Sie im Bereich Inhalt den Layer Pedestrian Stops (2012-2028).
  2. Navigieren Sie im Bereich Geoverarbeitung zum Werkzeug Feld verbinden, und öffnen Sie es.
  3. Geben Sie die folgenden Parameter ein:
    • Wählen Sie für Eingabetabelle die Option RacialDisparityByTract aus.
    • Wählen Sie unter Eingabe-Join-Feld das Feld Join_ID aus.
    • Wählen Sie als Join-Tabelle die Tabelle subject_race_Summary_Pivot aus.
    • Wählen Sie als Join-Tabellen-Feld das Feld Join_ID aus.
    • Wählen Sie für Felder übertragen die Optionen black, hispanic und white aus.

    Parameter des Werkzeugs "Feld verbinden"

    Hinweis:

    In diesem Lernprogramm analysieren Sie nur drei ethnische Gruppen. Es empfiehlt sich, im Rahmen der Durchführung einer Gleichbehandlungsanalyse Daten für alle ethnischen Gruppen in einer bestimmten Bevölkerungsgruppe zu berücksichtigen. Sie können den Workflow dieses Lernprogramms auch verwenden, um die Unterschiede zwischen anderen ethnischen Gruppen zu analysieren.

  4. Klicken Sie auf Ausführen.

    Die Felder black, white und hispanic werden dem Layer RacialDisparityByTract hinzugefügt. Sie benennen diese Felder um, damit deutlicher erkennbar ist, worauf sie sich beziehen.

  5. Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf RacialDisparityByTract, zeigen Sie auf Datendesign, und wählen Sie Felder aus.

    Die Option "Felder" im Kontextmenü "Datendesign"

    Die Tabelle Felder wird geöffnet.

  6. Führen Sie einen Bildlauf zum Ende der Tabelle durch. Ändern Sie in der Spalte Feldname den Namen black in PercentStopsBlack, den Namen hispanic in PercentStopsHispanic und den Namen white in PercentStopsWhite.
  7. Ändern Sie in der Spalte Alias den Alias black in Percent of Stops Black. Ändern Sie hispanic in Percent of Stops Hispanic. Ändern Sie white in Percent of Stops White.

    Neue Feldnamen und Aliasnamen

    Außerdem blenden Sie einige der Felder aus. Dadurch können Sie die für Sie relevanten Felder später leichter finden und vergleichen.

  8. Deaktivieren Sie das Kontrollkästchen neben der Kopfzeile der Spalte Sichtbar, um alle Zeilen zu deaktivieren.

    Deaktivierte Spalte "Sichtbar"

  9. Aktivieren Sie das Kontrollkästchen Sichtbar für die folgenden Feldaliasnamen:
    • NAME
    • Total Population
    • Percent of Population that is White alone, Non-Hispanic
    • Percent of Population that is Black or African American alone, Non-Hispanic
    • Percent of Population that is Hispanic or Latino
    • Anzahl der Punkte
    • Percent of Stops Black
    • Percent of Stops Hispanic
    • Percent of Stops White

    Aktivierte Felder

  10. Klicken Sie im Menüband auf der Registerkarte Felder in der Gruppe Änderungen verwalten auf Speichern.

    Schaltfläche "Speichern" auf dem Menüband

  11. Schließen Sie die Ansicht "Felder" und die Tabelle subject_race_Summary_pivot.
  12. Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf RacialDisparityByTract, und klicken Sie auf Attributtabelle.

    Die Attributtabelle wird angezeigt.

  13. Führen Sie einen Bildlauf zum Ende der Tabelle durch.

    Für die drei verbundenen Felder werden jetzt die aktualisierten Namen angezeigt. Diese Felder zeigen den Prozentsatz der Kontrollen in den einzelnen Bezirken an, bei denen die angehaltene Person schwarz, hispanisch oder weiß war. Als Nächstes symbolisieren Sie eines dieser Felder in der Karte.

  14. Schließen Sie die Attributtabelle.
  15. Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf den Layer RacialDisparityByTract, und klicken Sie auf Symbolisierung.

    Der Bereich Symbolisierung wird angezeigt.

  16. Wählen Sie im Bereich Symbolisierung für Primäre Symbolisierung den Eintrag Nicht klassifizierte Farben aus.
  17. Wählen Sie für Feld die Option Percent of Stops Hispanic aus.

    Karte mit blauem Farbschema

    Aus der Karte geht hervor, dass höhere prozentuale Anteile von Kontrollen bei Hispanos in der südlichen Hälfte der Stadt auftreten.

  18. Klicken Sie auf der Symbolleiste für den Schnellzugriff zweimal oder so oft, bis die Karte wieder grün ist, auf die Schaltfläche Rückgängig. Schließen Sie den Bereich Symbolisierung.

    Schaltfläche "Rückgängig"

    Der Layer RacialDisparityByTract wird wieder mit seiner ursprünglichen Symbolisierung angezeigt. Dabei ist zu sehen, dass mehr Hispanos im südlichen Teil der Stadt leben. Daher ist möglicherweise zu erwarten, dass dort mehr Hispanos angehalten werden. Als Nächstes lernen Sie, einen Disparitätsindex zu berechnen, der die Demografiedaten der einzelnen Stadtteile berücksichtigt.

Einen Disparitätsindex berechnen

Als Nächstes fügen Sie drei weitere Felder hinzu, um Disparitätsindexwerte für die einzelnen Bezirke zu berechnen. Mithilfe dieser Werte können Sie Stadtteile identifizieren, in denen Personen einer bestimmten ethnischen Herkunft im Vergleich mit der lokalen Bevölkerung überproportional häufig angehalten wurden.

  1. Öffnen Sie erneut die Attributtabelle für den Layer RacialDisparityByTract.
  2. Klicken Sie auf der Werkzeugleiste über der Tabelle auf die Schaltfläche Berechnen.

    Schaltfläche "Berechnen"

    Das Fenster Feld berechnen wird angezeigt.

  3. Geben Sie für Feldname (vorhanden oder neu) den Namen DisparityBlack ein, und drücken Sie die TAB-Taste.

    Da Sie ein neues Feld erstellen, anstatt ein vorhandenes auszuwählen, wird ein neuer Parameter mit dem Namen Feldtyp angezeigt.

  4. Wählen Sie als Feldtyp die Option Float (32-Bit-Gleitkommazahl) aus. Wählen Sie für Ausdruckstyp die Option Arcade aus.
  5. Geben Sie für DisparityBlack = die Zeichenfolge $feature.PercentStopsBlack - $feature.B03002_calc_pctBlackE ein (oder fügen Sie sie über die Zwischenablage ein).
    Tipp:

    Sie können zum Erstellen des Ausdrucks auch auf die Feldnamen in der Liste Felder doppelklicken.

    Parameter im Werkzeug "Feld berechnen"

    Mit diesem Ausdruck wird der Wert von Percent of Population that is Black or African American vom Wert von Percent of Black Stops subtrahiert.

  6. Klicken Sie auf Übernehmen.

    Am Ende der Attributtabelle wird ein neues Feld mit dem Namen DisparityBlack angezeigt.

  7. Aktualisieren Sie im Dialogfeld Feld berechnen die folgenden Parameter:
    • Geben Sie für Feldname den Namen DisparityWhite ein, und drücken Sie die TAB-Taste.
    • Geben Sie für Ausdruck die Zeichenfolge $feature.PercentStopsWhite - $feature.B03002_calc_pctNHWhiteE ein (oder fügen Sie sie über die Zwischenablage ein).
  8. Klicken Sie auf Übernehmen.

    In der Attributtabelle wird ein neues Feld mit dem Namen DisparityWhite angezeigt.

  9. Aktualisieren Sie im Dialogfeld Feld berechnen die folgenden Parameter:
    • Geben Sie für Feldname den Namen DisparityHispanic ein, und drücken Sie die TAB-Taste.
    • Geben Sie für Ausdruck die Zeichenfolge $feature.PercentStopsHispanic - $feature.B03002_calc_pctHispLatE ein (oder fügen Sie sie über die Zwischenablage ein).
  10. Klicken Sie auf OK.
  11. Führen Sie einen Bildlauf zum Ende der Attributtabelle RacialDisparityByTract durch.

    Die drei neuen Felder sind verfügbar.

    Neue Felder in der Attributtabelle

    Die in diesen Feldern gespeicherten Werte stellen die Differenz zwischen dem prozentualen Anteil der schwarzen, weißen oder hispanischen Bevölkerung und dem prozentualen Anteil der polizeilichen Fußgängerkontrollen dar, bei denen die betroffene Person schwarz, weiß oder hispanisch war. Diese drei Disparitätsindizes messen den Unterschied zwischen den Bewohnern eines Stadtteils und den im jeweiligen Stadtteil von der Polizei angehaltenen Personen.

  12. Schließen Sie die Attributtabelle.

Einen Disparitätsindex visualisieren

Als Nächstes visualisieren Sie den Disparitätsindex für schwarze Personen in einer Karte, um herauszufinden, ob es räumliche Muster gibt.

  1. Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf RacialDisparityByTract, und wählen Sie Symbolisierung aus.
  2. Wählen Sie im Bereich Symbolisierung für Primäre Symbolisierung den Eintrag Nicht klassifizierte Farben aus. Wählen Sie für Feld den Eintrag DisparityBlack aus.
  3. Klicken Sie auf das Menü Farbschema, und aktivieren Sie die Kontrollkästchen Namen anzeigen und Alle zeigen. Führen Sie einen Bildlauf zur unteren Hälfte der Liste durch, und wählen Sie das Farbschema Violett-Grün (kontinuierlich) aus.

    Farbschema "Violett-Grün (kontinuierlich)" und die Kontrollkästchen "Namen anzeigen" und "Alle zeigen"

  4. Klicken Sie auf die Schaltfläche Mehr und dann auf Umgekehrtes Farbschema.

    Option "Umgekehrtes Farbschema" im Menü "Mehr"

    Dabei handelt es sich um ein divergierendes Farbschema, das heißt, es besteht aus zwei Farben (Grün und Violett), die von einer zentralen, neutralen Farbe (Weiß) weg divergieren. Dieser Farbschematyp ist hilfreich beim Darstellen von Disparität in einer Karte, aber nur, wenn die zentrale weiße Farbe dem Disparitätswert Null entspricht. Eine Disparität von Null bedeutet, dass der prozentuale Anteil der angehaltenen Schwarzen mit dem prozentualen Anteil der Schwarzen, die in diesem Stadtteil leben, identisch ist.

    Der Minimalwert liegt im Symbolisierungshistogramm bei -20, während der Maximalwert bei 31 liegt. Diese Zahlen müssen gleich weit von Null entfernt sein, um sicherzustellen, dass ein Disparitätswert von Null der Farbe Weiß entspricht.

  5. Doppelklicken Sie im Bereich Symbolisierung auf die Beschriftung -20 über dem Histogramm, und geben Sie -31 ein. Drücken Sie die Eingabetaste.

    Obere Beschriftung im Symbolisierungshistogramm

    Der mögliche Farbbereich geht jetzt über den Datenbereich hinaus.

  6. Ziehen Sie den Ziehpunkt an der Beschriftung -20 an den Anfang des Histogramms, sodass sie auch -31 lautet.

    Auf "-31" verschobener Ziehpunkt im Symbolisierungshistogramm

    Jetzt ist die Symbolisierung gleichmäßig verteilt. In den violetten Bezirken ist die Anzahl der Kontrollen für Schwarze unverhältnismäßig hoch, das heißt, der prozentuale Anteil der angehaltenen Schwarzen ist höher als der prozentuale Anteil der im Bezirk lebenden Schwarzen. Dies trifft auf 208 der 260 (80 Prozent) Bezirke in der Stadt zu. Die Karte ist jetzt größtenteils violett. Dieses Muster war vor der Anpassung des Symbolisierungshistogramms nicht ersichtlich.

    Karte der Ungleichheiten für Schwarze bei polizeilichen Kontrollen

    In den grünen Bezirken ist das Gegenteil der Fall: Der prozentuale Anteil der angehaltenen Schwarzen ist niedriger als der prozentuale Anteil der im Bezirk lebenden Schwarzen. Dies trifft auf 50 der Bezirke (19 Prozent) in der Stadt zu.

  7. Klicken Sie auf der Karte auf eines der Zählbezirkpolygone, um das zugehörige Pop-up anzuzeigen. Vergleichen Sie die Werte für Percent of Population that is Black or African American mit Percent of Stops Black und DisparityBlack.

    Felder im Pop-up-Fenster

    In diesem Beispielbezirk waren 13,2 Prozent der angehaltenen Personen, aber nur 3,9 Prozent der im Bezirk lebenden Personen Schwarze. Der Disparitätsindex für Schwarze (das Feld DisparityBlack) stellt die Differenz zwischen diesen beiden Werten dar.

  8. Schließen Sie das Pop-up.

Ungleichheit für drei Kategorien der ethnischen Herkunft vergleichen

Sie erstellen zwei Kopien des Layers RacialDisparityByTract, damit Sie die Ungleichheit für Weiße und Hispanos sowie für Schwarze visualisieren können. Sie richten konsistente Symbolisierungseigenschaften für die drei Layer ein, damit Sie die ethnische Ungleichheit für die drei Kategorien der ethnischen Herkunft visuell vergleichen können.

  1. Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf RacialDisparityByTract, und klicken Sie auf Symbolisierung. Klicken Sie mit der rechten Maustaste auf die Karte San Antonio, und klicken Sie dann auf Einfügen. Klicken Sie erneut mit der rechten Maustaste auf San Antonio, und klicken Sie dann erneut auf Einfügen.

    "Einfügen" im Kontextmenü der Karte

    Im Bereich Inhalt befinden sich jetzt drei identische Layer namens RacialDisparityByTract.

  2. Ändern Sie die Namen der Layer in Disparity Black, Disparity White und Disparity Hispanic.
  3. Ordnen Sie die Layer im Bereich Inhalt neu an, sodass sich der Layer San Antonio oben und die drei Disparity-Layer direkt darunter befinden.

    Die Reihenfolge der drei Disparity-Layer spielt keine Rolle.

    Legenden im Bereich "Inhalt"

  4. Öffnen Sie den Bereich Symbolisierung für den Layer Disparity White. Ändern Sie Feld in DisparityWhite.

    Auf "DisparityWhite" festgelegte Option "Feld" im Bereich "Symbolisierung"

  5. Öffnen Sie den Bereich Symbolisierung für den Layer Disparity Hispanic. Ändern Sie Feld in DisparityHispanic.
  6. Vergleichen Sie im Bereich Inhalt die Datenbereiche für die drei Disparity-Layer.

    Legenden mit unterschiedlichen Wertebereichen

    Zurzeit stellt ein dunkles Violett in einem Layer den Disparitätswert 13 dar, während die gleiche Farbe in einem anderen Layer den erheblich höheren Disparitätswert 63 darstellt. Um einen fairen visuellen Vergleich zu ermöglichen, verwenden Sie für alle Layer eine konsistente Symbolisierung. Damit ist sichergestellt, dass ein dunkles Violett oder ein dunkles Grün in allen Karten die gleiche Bedeutung hat.

  7. Öffnen Sie den Bereich Symbolisierung für den Layer Disparity Black.
  8. Ändern Sie die Beschriftungen für Minimum und Maximum im Histogramm in -64 und 64. Ziehen Sie die Ziehpunkte des Histogramms auf -64 und 64.

    Symbolisierungshistogramm mit einem Bereich von 64 bis -64

    Tipp:

    Die Werte des Symbolisierungshistogramms können sich nicht kreuzen und müssen daher in einer bestimmten Reihenfolge bearbeitet werden.

  9. Bearbeiten Sie die Histogramme für die Layer Disparity White und Disparity Hispanic so, dass sie ebenfalls einen Bereich von -64 bis 64 aufweisen.

    Legenden mit übereinstimmenden Wertebereichen

    Nun sind die Symbolisierungen aufeinander abgestimmt, und Sie können die drei Disparity-Layer visuell vergleichen.

  10. Drücken Sie im Bereich Inhalt die ALT-Taste, und klicken Sie auf das Kontrollkästchen für den Layer Disparity Black.

    Mit Ausnahme von Disparity Black wird keiner der Layer mehr in der Karte angezeigt.

  11. Deaktivieren Sie den Layer Disparity Black. Aktivieren Sie die Layer Disparity White und Disparity Hispanic, um diese einzeln anzuzeigen.

    Vergleich der Karten mit Ungleichheit für Schwarze, Weiße und Hispanos
    Die Abbildung zeigt von links nach rechts den Disparitätsindex für Schwarze, Weiße und Hispanos. Dabei bedeutet Violett eine höhere Ungleichheit, Grün eine niedrigere Ungleichheit und Weiß keine Ungleichheit.

    Wie zuvor werden die meisten Bezirke in der Karte Disparity Black violett dargestellt. Die Farben sind heller, da der Wertebereich größer ist.

    In der Karte Disparity White sind fast alle Bezirke violett. Diese Karte zeigt, dass in den meisten Teilen der Stadt die Anzahl der polizeilichen Fußgängerkontrollen bei Weißen unverhältnismäßig hoch war. Die Violetttöne sind außerdem dunkler als in der vorherigen Karte, das heißt, das Ausmaß der Ungleichheit ist größer.

    In der Karte Disparity Hispanic sind fast alle Bezirke grün, was bedeutet, dass die Anzahl der polizeilichen Fußgängerkontrollen bei Hispanos unverhältnismäßig niedrig war.

  12. Klicken Sie in der Karte auf den dunkelsten grünen Bezirk im Süden der Stadt.

    Dunkelgrüner Bezirk im Süden der Stadt

  13. Vergleichen Sie im Pop-up des Bezirks die Werte, die sich auf die weiße und die hispanische Bevölkerung beziehen.

    Pop-up-Felder

    In diesem Bezirk sind 8,4 Prozent der Bevölkerung Weiße, und 91,6 Prozent sind Hispanos oder Latinos. Jedoch waren 72,2 Prozent der angehaltenen Personen Weiße, und nur 27,8 Prozent waren Hispanos. Wenn wir davon ausgehen, dass alle in diesem Bezirk angehaltenen Personen Bewohner waren, bedeutet dies, dass die Polizei Weiße achtmal so häufig anhält, wie es ihrem Bevölkerungsanteil entsprechen würde. Die violetten und grünen Karten zeigen, dass sich dieses Muster in der gesamten Stadt wiederholt: Die Anzahl der polizeilichen Fußgängerkontrollen ist für Hispanos und Latinos unverhältnismäßig niedrig und für Weiße unverhältnismäßig hoch. Dieses Muster scheint ungewöhnlich.

    Ihre Informationen reichen nicht aus, um Schlüsse aus diesem Muster zu ziehen. Eine mögliche Erklärung wäre jedoch, dass viele Hispanos als Weiße oder eine andere Kategorie der ethnischen Herkunft klassifiziert wurden.

    Das Feld DisparityHispanic wurde mit Daten berechnet, die mit zwei verschiedenen Methoden erfasst wurden. Bezüglich der Bevölkerungsdaten wurden die Befragten bei der Volkszählung in den USA zuerst gefragt, ob sie hispanischer, lateinamerikanischer oder spanischer Herkunft sind. Dann wurden sie in einer getrennten Frage nach ihrer ethnischen Herkunft gefragt. Sie wissen nicht, wie die Polizeidaten erfasst wurden, aber die verfügbaren Kategorien der ethnischen Herkunft lassen darauf schließen, dass eine einzige Frage gestellt wurde. Ihnen ist auch nicht bekannt, ob die in der Vorladung erfasste ethnische Herkunft von den Polizeibeamten oder von der angehaltenen Person angegeben wurde. Es ist möglich, dass viele der Personen in San Antonio, die bei der Volkszählung als Hispanos gezählt wurden, in den Daten zu polizeilichen Kontrollen als Weiße gezählt wurden. Aufgrund dieser Inkonsistenz und der fehlenden Informationen zu den Daten sind Ihre Ergebnisse nicht zuverlässig.

    Hinweis:

    Hautfarbe und ethnische Herkunft, ihr Schnittpunkt und wie sie in Daten codiert werden, sind ein kompliziertes und sich ständig weiterentwickelndes Thema. Analysten, die eine ausgewogene Analyse unter Verwendung von Daten zu Hautfarbe und ethnischer Herkunft durchführen möchten, sollten sicherstellen, dass sie verstehen, wie die Daten erfasst wurden. Nur dann besteht Klarheit darüber, ob die Ergebnisse richtig interpretiert werden. Weitere Informationen zu diesem Thema finden Sie in den folgenden Artikeln:

  14. Schließen Sie das Pop-up und speichern Sie das Projekt.

In diesem Modul haben Sie die ethnische Ungleichheit bei polizeilichen Kontrollen in den einzelnen Bezirken von San Antonio gemessen. Sie haben festgestellt, dass in den meisten Bezirken der prozentuale Anteil der Kontrollen Schwarzer höher war als der prozentuale Anteil der Schwarzen, die im jeweiligen Bezirk leben. Sie konnten jedoch keine zuverlässigen Schlussfolgerungen zu den Ungleichheiten für Weiße und Hispanos ziehen, da die ethnische Herkunft in den Polizeidaten vermutlich anders erfasst wurde als in den von der Volkszählung abgeleiteten Bevölkerungsdaten.


Die Kolokalität von Kontrollen und Kriminalität messen

Aus polizeilicher Sicht sind Fußgängerkontrollen in Gebieten mit hoher Kriminalität als Form der proaktiven Polizeiarbeit gerechtfertigt, um Straftaten zu verhindern und potenzielle Täter abzuschrecken.

Aus Evaluierungen des gezielten Einsatzes von SQF [Stop-question-frisk, Anhalten, befragen, durchsuchen] an Orten mit Gewaltstraftaten oder schweren Straftaten mit Schusswaffen und mit Schwerpunkt auf hochgefährlichen Wiederholungstätern geht einheitlich hervor, dass sich die Kriminalität auf diese Weise kurzfristig reduzieren lässt – "A Number of Proactive Policing Practices Are Successful at Reducing Crime; Insufficient Evidence on Role of Racial Bias", National Academies of Sciences, Engineering, Medicine, 2017.

Aus umfassenden Untersuchungen (Carvalho, Mizael und Sampaio, 2021) geht jedoch hervor, dass nach wie vor unverhältnismäßig oft schwarze Personen und Gemeinschaften das Ziel polizeilicher Kontrollen sind.

In diesem Modul überprüfen Sie mithilfe von Daten aus New York City und einer Kolokalitätsanalyse die Rechtfertigung der Polizei, dass Kontrollen in Stadtteilen mit einer hohen Anzahl von Gewaltstraftaten durchgeführt werden. Dann identifizieren Sie Bezirke, in denen die Kontrollen meist unabhängig von Gewaltstraftaten durchgeführt wurden, und erkunden die ethnische Ungleichheit bei den dort durchgeführten polizeilichen Kontrollen.

Den Disparitätsindex für New York City erkunden

Zunächst erkunden Sie den Disparitätsindex für New York City, der bereits berechnet ist. Auf diese Weise verschaffen Sie sich einen Überblick darüber, wer in New York City angehalten wird, bevor Sie die Kolokalitätsanalyse durchführen. Später vergleichen Sie die Ergebnisse der Kolokalitätsanalyse mit dem Disparitätsindex.

  1. Öffnen Sie bei Bedarf das Projekt Police Stops in ArcGIS Pro. Klicken Sie unter dem Menüband auf die Registerkarte der Karte New York City.

    Karte der Disparität für Weiße bei polizeilichen Kontrollen

    Die Karte zeigt den Disparitätsindex für nicht hispanische Schwarze. Er wurde mit den Methoden erstellt, die schon im vorherigen Modul beschrieben wurden.

    Hinweis:

    Wenn der Disparitätsindex-Layer auf der Karte nicht angezeigt wird, ziehen Sie im Bereich Inhalt den Layer New York City an das Ende der Liste "Inhalt".

    Neu angeordnete Layer im Bereich "Inhalt"

    Die Mehrheit der Bezirke ist violett, das heißt, in diesen Bezirken liegt eine hohe Ungleichheit bei nicht hispanischen Schwarzen vor. Dies bedeutet, das nicht hispanische Schwarze häufiger angehalten werden, als Sie angesichts ihres prozentualen Anteils an den im betreffenden Bezirk lebenden Personen erwarten würden. Die Farben liegen im Bereich von -100 bis 100, das heißt, in mindestens einem der dunkelvioletten Bezirke waren 100 Prozent der kontrollierten Personen und 0 Prozent der dort lebenden Personen Schwarze und nicht Hispanos.

    Einige der Bezirke fehlen. Dabei handelt es sich um Bezirke, in denen gemäß den verwendeten Datasets keine nicht hispanischen Schwarzen leben oder angehalten wurden.

  2. Öffnen Sie den Bereich Symbolisierung für den Layer Racial Disparity by Tract.
  3. Ändern Sie im Bereich Symbolisierung die Option Feld in Disparity White Not Hispanic.

    Karte der Disparität für Weiße bei polizeilichen Kontrollen

    In dieser Karte ist die Mehrheit der Bezirke grün, das heißt, dass weniger nicht hispanische Weiße angehalten wurden als der prozentuale Anteil derjenigen, die im Bezirk leben.

    Hinweis:

    Der Layer enthält drei weitere Disparitätsindizes als Felder, die Sie erkunden können: Disparity API (Asian and Pacific Islander, Asiaten und Pazifikinselbewohner), Disparity Black Hispanic und Disparity White Hispanic. Für einen fairen Vergleich der Felder sollte im Symbolisierungshistogramm ein konsistenter Wertebereich (-100 bis 100) verwendet werden.

    Als Nächstes erkunden Sie die Daten zu polizeilichen Kontrollen, die für die Erstellung dieser Disparitätsindizes verwendet wurden.

  4. Deaktivieren Sie im Bereich Inhalt den Layer Racial Disparity by Tract, und aktivieren Sie Pedestrian Stops (2017-2020).

    Dieser Layer stellt alle polizeilichen Fußgängerkontrollen zwischen dem 1. Januar 2017 und dem 31. Dezember 2020 dar. Der Layer stammt aus Daten (The Stop, Question and Frisk Data), die vom New York Police Department (NYPD) über NYC OpenData bereitgestellt wurden.

  5. Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Pedestrian Stops (2017-2020), und klicken Sie auf Data Engineering.

    Die Data-Engineering-Ansicht wird angezeigt.

  6. Geben Sie über dem Feldbereich in der Suchleiste die Zeichenfolge race ein. Klicken Sie im Feldbereich mit der rechten Maustaste auf SUSPECT_RACE_DESCRIPTION, und klicken Sie auf Zu Statistik hinzufügen und berechnen.

    Zu Statistik hinzufügen und berechnen

    Im Statistikbereich wird eine Tabellenzeile angezeigt. Der Spalte Anzahl Einzelwerte können Sie entnehmen, dass dieses Dataset 11 verschiedene Kategorien der ethnischen Herkunft enthält. Aus der Spalte Modus geht hervor, dass BLACK der häufigste Wert für die ethnische Herkunft ist.

  7. Zeigen Sie auf die Zelle Diagrammvorschau.

    Pop-up der Zelle "Diagrammvorschau"

    Daraufhin wird ein Pop-up-Fenster mit der Aufschlüsselung der 10 Kategorien in diesem Feld angezeigt. In den Daten zu polizeilichen Kontrollen in New York City sind Hautfarbe und ethnische Herkunft anders codiert als in den Daten für San Antonio: Es gibt separate Kategorien für BLACK und BLACK HISPANIC.

    Die zum Berechnen des Disparitätsindex verwendeten demografischen Daten aus der Volkszählung wurden auf die gleiche Weise codiert. Für San Antonio konnten Sie keine angemessenen Vergleiche in Bezug auf die ethnisch bedingten Ungleichheiten anstellen, da die Daten zu den polizeilichen Kontrollen und die demografischen Daten unterschiedlich erfasst wurden. Für New York City ist dies jedoch möglich.

    Hinweis:

    Die zum Berechnen der Disparitätsindizes verwendeten demografischen Daten wurden über das Geoverarbeitungswerkzeug Anreichern mithilfe von Variablen aus der Kategorie 2015-2019 Race and Hispanic Origin (ACS) hinzugefügt. Das Anreichern von Layern in ArcGIS Pro wird im Lernprogramm Standorte für eine Buchhandlung vergleichen beschrieben.

  8. Schließen Sie die Data-Engineering-Ansicht.

Eine Kolokalitätsanalyse für Kontrollen und Straftaten durchführen

Sie verwenden eine Kolokalitätsanalyse, um zu messen, ob die einzelnen Fußgängerkontrollen in New York City von 2017 bis 2020 mit Gewaltstraftaten kolokalisiert (in der Nähe) oder von diesen isoliert (weit entfernt) sind. Sie messen die Kolokalität in Raum und Zeit.

  1. Deaktivieren Sie im Bereich Inhalt den Layer Pedestrian Stops (2017-2020), und aktivieren Sie den Layer Violent Crime (2017-2020).

    Die violetten Punkte stellen gemeldete Gewaltstraftaten der Kategorie 1 (Part 1 Violent Crimes) für den gleichen Zeitraum dar. Dieser Layer stammt aus dem Dataset NYPD Complaint Data Historic bei NYC OpenData. Gewaltstraftaten der Kategorie 1 sind gemäß dem Uniform Crime Reporting (UCR) Program definiert als Totschlag, Vergewaltigung, Raub und schwere Körperverletzung.

    Alle Daten enthalten Verzerrungen. Durch kritisches Nachdenken darüber, welche Daten verwendet werden sollten, können Sie die Auswirkungen von Verzerrungen in Ihrer Analyse begrenzen. Kriminalitätsdaten sind besonders verzerrungsanfällig, oft aufgrund von Dunkelziffern (z. B. wenn ein Opfer eine Straftat aus Angst nicht meldet) oder Abweichungen bei den von der Polizei verwendeten Verhaltensmustern und Methoden (z. B. wenn in einem Stadtteil, in dem die Polizei besonders aktiv ist, mehr Straftaten gemeldet werden). Für diese Analyse bewerten Sie nicht alle Straftaten in New York City, sondern nur die Orte von Gewaltstraftaten der Kategorie 1. Diese Arten von Straftaten wurden aus zwei Gründen gewählt: Erstens sind dies die schwersten Straftaten, die mit größter Wahrscheinlichkeit immer gemeldet werden. Zweitens werden die polizeilichen Fußgängerkontrollen damit gerechtfertigt, dass die Kontrollen speziell in Gebieten mit einer hohen Anzahl von Gewaltstraften durchgeführt werden.

    Sie messen, wo die Daten zu polizeilichen Kontrollen mit den Daten zu Gewaltstraftaten kolokalisiert sind und wo dies nicht der Fall ist.

  2. Öffnen Sie den Bereich Geoverarbeitung. Suchen Sie nach dem Werkzeug Kolokalitätsanalyse, und öffnen Sie es.

    Für jedes Feature für polizeiliche Kontrollen wertet die Kolokalitätsanalyse die Straftaten-Features innerhalb des jeweiligen Stadtteiles aus. Wenn in der Nähe einer Kontrolle mehr Straftaten stattfinden (genauer gesagt, wenn der Anteil der Straftaten in der Nachbarschaft einer Kontrolle höher ist als der Anteil der Straftaten im gesamten Bereich), wird die Kontrolle als mit Straftaten kolokalisiert betrachtet. Wenn in der Nähe einer Kontrolle weniger Straftaten auftreten, wird sie als von Straftaten isoliert betrachtet.

  3. Legen Sie im Bereich Geoverarbeitung die folgenden Parameter fest:
    • Wählen Sie für Eingabetyp die Option Datasets ohne Kategorien aus.
    • Wählen Sie für Relevante Eingabe-Features die Option Pedestrian Stops (2017-2020) aus.
    • Wählen Sie für Interessen-Zeitfeld die Option STOP_FRISK_DATE_Converted aus.
    • Wählen Sie für Benachbarte Eingabe-Features die Option Violent Crime (2017-2020) aus.
    • Wählen Sie für Zeitfeld der benachbarten Features die Option CMPLNT_FR_DT aus.

    Sie wählen das Feld CMPLNT_FR_DT (Complaint From Date) aus, da das andere Datumsfeld (CMPLNT_TO_DT) NULL-Werte enthält.

    Vorschau des Werkzeugs "Kolokalitätsanalyse"

    Sie wurden aufgefordert, Zeitfelder auszuwählen, da dieses Werkzeug nach Straftaten-Features sucht, die sich sowohl räumlich als auch zeitlich in der Nähe befinden. Sie definieren die räumliche Nachbarschaft der einzelnen Kontrollen als eine halbe Meile und die zeitliche Nachbarschaft als ein Jahr vor der Kontrolle.

  4. Legen Sie die folgenden Parameter fest:
    • Geben Sie für Entfernungsband den Wert 0,5 ein, und wählen Sie Meilen (US Survey) aus.
    • Wählen Sie für Typ der zeitlichen Beziehung die Option Vor aus.
    • Geben Sie für Zeitschrittintervall den Wert 1 ein, und wählen Sie Jahre aus.
    • Übernehmen Sie für Anzahl der Permutationen den Standardwert 99.
    • Geben Sie für Ausgabe-Features den Namen Stops_Crime_Colocation ein.

    Vorschau des Werkzeugs "Kolokalitätsanalyse"

    Diese Nachbarschaftsdefinition wurde ausgewählt basierend auf Annahmen dazu, wie viel Zeit seit einer Straftat verstrichen sein kann und wie weit der Ort der Straftat entfernt sein kann, um Einfluss auf eine zukünftige Kontrolle zu haben. Dies sind nur Ausgangswerte für die Parameter, Sie können die Analyse anschließend mit verschiedenen Werten iterieren.

  5. Klicken Sie auf Ausführen.

    Dem Bereich Inhalt wird ein neuer Layer mit dem Namen Stops_Crime_Colocation hinzugefügt.

  6. Deaktivieren Sie die Punkt-Layer Violent Crime (2017-2020).
  7. Lesen Sie im Bereich Inhalt die Legende für den Layer Stops_Crime_Colocation.

    Legende für den Layer "Stops_Crime_Colocation"

    Die einzelnen Kontrollen werden danach kategorisiert, ob sie mit der Straftat kolokalisiert oder von ihr isoliert sind und ob diese Beziehung statistisch signifikant ist. Die Kategorie Undefiniert bedeutet, dass in der Nachbarschaft der Kontrolle keine Straftaten-Features vorhanden waren, sodass die Kolokalität nicht ausgewertet werden konnte.

    Eine signifikante Kolokalität bedeutet nicht zwangsläufig eine hohe Anzahl von Kontrollen oder Straftaten. Sie bedeutet nur, dass der Anteil der Straftaten in der Nachbarschaft der Kontrolle höher war als der Gesamtanteil zwischen Straftaten und Kontrollen.

    Einige Ihrer Ergebnisse sind nicht zuverlässig. Beispielsweise kann eine Kontrolle vom 1. Januar 2017 isoliert scheinen, da vorher keine Straftaten aufgetreten sind. Es ist jedoch nicht möglich, zu bestimmen, ob die Kontrolle isoliert oder kolokalisiert ist, da Ihnen für 2016 keine Kriminalitätsdaten vorliegen. Sie entfernen alle Kontrollen aus dem Jahr 2017, um Ihre Daten ausschließlich auf die zuverlässigen Ergebnisse zu begrenzen.

  8. Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Stops_Crime_Colocation, und klicken Sie auf Attributtabelle.

    Die Attributtabelle enthält kein Datumsfeld, da dieses Feld nicht Teil der Ausgabe des Werkzeugs Kolokalitätsanalyse ist. Sie fügen das Datumsfeld mithilfe einer Verbindung wieder aus dem ursprünglichen Dataset hinzu und entfernen dann Kontrollen aus dem Jahr 2017.

  9. Navigieren Sie im Bereich Geoverarbeitung zum Werkzeug Feld verbinden, und öffnen Sie es.
  10. Geben Sie die folgenden Parameter ein:
    • Wählen Sie für Eingabetabelle die Option Stops_Crime_Colocation aus.
    • Als Eingabe-Join-Feld wählen Sie Source ID aus.
    • Wählen Sie für Join-Tabelle die Option Pedestrian Stops (2017-2020) aus.
    • Wählen Sie als Join-Tabellen-Feld die Option OBJECTID aus.
    • Wählen Sie für Felder übertragen die Option STOP_FRISK_DATE_Converted aus.

    Parameter des Werkzeugs "Feld verbinden"

    Hinweis:

    Wenn die Feld-Aliasnamen für Attributfeld-Eingaben nicht angezeigt werden, klicken Sie auf die Schaltfläche Feldlisteneinstellungen, und wählen Sie Alias anzeigen aus.

  11. Klicken Sie auf Ausführen.

    Nach Abschluss des Werkzeugs wird in der Attributtabelle ein neues Feld mit dem Namen STOP_FRISK_DATE_Converted angezeigt. Jetzt können Sie die Daten basierend auf dem Datum filtern.

  12. Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Stops_Crime_Colocation, und klicken Sie auf Eigenschaften.
  13. Klicken Sie im Fenster Layer-Eigenschaften auf die Registerkarte Definitionsabfrage. Klicken Sie auf Neue Definitionsabfrage.
  14. Erstellen Sie mithilfe der Menüs den Ausdruck Wobei gilt: STOP_FRISK_DATE_Converted ist am oder nach 1/1/2018.

    Definitionsabfrageklausel

  15. Klicken Sie auf Übernehmen und dann auf OK.

    Die Karte wird nur mit den zuverlässigen Kolokalitätsergebnissen neu dargestellt. Sie haben die Kontrollen aus dem Jahr 2017 nach der Ausführung des Werkzeugs "Kolokalitätsanalyse" und nicht vorher herausgefiltert, da das Werkzeug einen globalen Anteil mit einem lokalen Anteil vergleicht. Dies ist wichtig, um Auswirkungen auf den globalen Anteil auszuschließen.

Bereiche identifizieren, in denen die Kontrollen von Straftaten isoliert sind

In der Karte werden Kolokalitätsergebnisse für einzelne Kontrollen angezeigt, und die zugehörigen Symbole überlappen einander in der Karte. Als Nächstes konzentrieren Sie sich auf isolierte Kontrollen, damit Sie die Stadtteile identifizieren können, in denen in der Nähe polizeilicher Kontrollen weniger Gewaltstraftaten begangen wurden. Sie aggregieren die Ergebnisse in Polygonen der Zählbezirke, damit Sie Muster in der Karte besser visualisieren können.

  1. Öffnen Sie bei Bedarf die Attributtabelle für den Layer Stops_Crime_Colocation.

    Mit dem Feld LCLQ Type (Local Colocation Quotient, Quotient für lokale Kolokalität) in der Tabelle wird angegeben, ob Kontrollen kolokalisiert oder isoliert sind. Sie erstellen ein neues Feld, um nur isolierte und signifikante Kontrollen zu identifizieren.

  2. Klicken Sie auf der Werkzeugleiste über der Tabelle auf die Schaltfläche Berechnen. Legen Sie im Fenster Feld berechnen die folgenden Parameter fest:
    • Geben Sie für Feldname (vorhanden oder neu) den Namen IsolatedSignificant ein.
    • Wählen Sie als Feldtyp die Option Short (16-Bit-Integer) aus.
    • Wählen Sie für Ausdruckstyp die Option Arcade aus.
    • Geben Sie als Ausdruck den folgenden Text ein bzw. fügen Sie ihn über die Zwischenablage ein:

      if ($feature.LCLQTYPE == "Isolated - Significant") {return 1}

      else {return 0}

    Parameter im Werkzeug "Feld berechnen"

    Mit diesem Ausdruck wird allen signifikant isolierten Kontrollen der Wert 1 und allen anderen Kontrollen der Wert 0 zugewiesen.

  3. Klicken Sie auf OK.

    Der Attributtabelle wird ein neues Feld hinzugefügt, in dem alle signifikant isolierten Kontrollen identifiziert werden.

  4. Suchen Sie im Bereich Geoverarbeitung nach dem Werkzeug Zusammenfassen (innerhalb) (Analysis Tools), und öffnen Sie es.

    Sie verwenden das Werkzeug Zusammenfassen (innerhalb), um die signifikant isolierten Kontrollen in den einzelnen Zählbezirken zu zählen.

  5. Legen Sie im Werkzeugbereich Zusammenfassen (innerhalb) die folgenden Parameter fest:
    • Wählen Sie für Eingabe-Polygone die Option Racial Disparity by Tract aus.
    • Wählen Sie für Eingabe-Zusammenfassungs-Features den Eintrag Stops_Crime_Colocation aus.
    • Geben Sie unter Ausgabe-Feature-Class den Namen IsolatedStopsByTract ein.
    • Wählen Sie unter Zusammenfassungsfelder für Feld die Option IsolatedSignificant aus. Wählen Sie für Statistik die Option Summe aus.

    Parameter des Werkzeugs "Zusammenfassen (innerhalb)"

  6. Klicken Sie auf Ausführen.

    Nach Abschluss des Werkzeugs wird ein neuer Layer auf der Karte angezeigt, der jedoch aufgrund der Features im Kolokalitäts-Layer möglicherweise nicht sichtbar ist.

  7. Deaktivieren Sie im Bereich Inhalt den Layer Stops_Crime_Colocation, und schließen Sie die zugehörige Attributtabelle.
  8. Öffnen Sie die Attributtabelle für den Layer IsolatedStopsByTract. Führen Sie einen Bildlauf zum Ende der Tabelle durch.

    Die Felder Summe isolatedsignificant und Anzahl der Punkte wurden vom Werkzeug Zusammenfassen (innerhalb) erstellt. Sie verwenden diese Felder, um den prozentualen Anteil der Kontrollen in den einzelnen von Straftaten isolierten Bezirken zu suchen.

    Neue Felder in der Attributtabelle

  9. Klicken Sie auf der Werkzeugleiste der Attributtabelle auf Berechnen. Legen Sie im Fenster Feld berechnen die folgenden Parameter fest:
    • Geben Sie für Feldname (vorhanden oder neu) die Bezeichnung PercentIsolatedStops ein.
    • Wählen Sie als Feldtyp die Option Float (32-Bit-Gleitkommazahl) aus.
    • Wählen Sie für Ausdruckstyp die Option Arcade aus.
    • Geben Sie für Ausdruck die Zeichenfolge $feature.SUM_IsolatedSignificant / $feature.Point_Count * 100 ein oder fügen Sie sie über die Zwischenablage ein.

    Parameter im Werkzeug "Feld berechnen"

    Mit diesem Ausdruck wird der prozentuale Anteil der Kontrollen in den einzelnen signifikant isolierten Bezirken berechnet.

  10. Klicken Sie auf OK.

    Nach Abschluss des Werkzeugs werden Warnmeldungen angezeigt, in denen Sie informiert werden, dass die Berechnung für einige Datensätze fehlgeschlagen ist. Das liegt daran, dass in einigen Bezirken keine Kontrollen stattfanden.

  11. Schließen Sie das Fenster Feld berechnen. Vergewissern Sie sich, dass der Attributtabelle ein neues Feld hinzugefügt wurde, und schließen Sie dann die Tabelle.
  12. Öffnen Sie den Bereich Symbolisierung für den Layer IsolatedStopsByTract. Ändern Sie Feld in PercentIsolatedStops.

    Da die Werte in diesem Feld im Bereich von 0 bis 100 Prozent liegen, ist das aktuelle divergierende Farbschema nicht geeignet. Sie wählen ein lineares Farbschema aus, das zwischen hellen Farbtönen (für "weniger") und dunkleren Farbtönen (für "mehr") variiert.

  13. Klicken Sie auf das Menü Farbschema, und deaktivieren Sie Alle zeigen. Wählen Sie das Farbschema Blautöne (kontinuierlich) aus.

    Karte mit prozentualen Anteilen der isolierten Kontrollen

    Die dunkelblauen Bezirke in der Karte sind diejenigen mit den meisten (sowohl räumlich als auch zeitlich) von Gewaltstraftaten isolierten Kontrollen. In diesen Bereichen stehen die Ergebnisse im Gegensatz zur Rechtfertigung der Polizei, dass Kontrollen in Gebieten mit Gewaltstraftaten durchgeführt werden.

Ungleichheit in Bereichen untersuchen, in denen die Kontrollen von Straftaten isoliert sind

Sie haben den prozentualen Anteil der isolierten Kontrollen in den einzelnen Zählbezirken in New York City in einer Karte dargestellt. Als Nächstes wählen Sie die Bezirke mit vorwiegend isolierten Kontrollen aus und untersuchen die Disparitätsindexwerte für diese Bezirke.

  1. Suchen Sie im Bereich Geoverarbeitung nach dem Werkzeug Layer nach Attributen auswählen, und öffnen Sie es.
  2. Wählen Sie für Eingabezeilen die Option IsolatedStopsByTract aus. Erstellen Sie für "Ausdruck" die Abfrage Wobei gilt: PercentIsolatedStops ist größer als 50.

    Ausdrucksklausel im Werkzeug "Layer nach Attributen auswählen"

  3. Klicken Sie auf Ausführen.

    Die Bezirke in dunklerem Blau sind ausgewählt. Als Nächstes sammeln Sie Statistiken für diese Gruppe von Bezirken.

  4. Suchen Sie im Bereich Geoverarbeitung nach dem Werkzeug Summenstatistik, und öffnen Sie es.
  5. Wählen Sie für Eingabetabelle die Option IsolatedStopsByTract aus. Geben Sie für Ausgabetabelle den Text MostlyIsolatedStops_Summary ein.

    Das Werkzeug berücksichtigt nur die ausgewählten Features, sodass in den Ausgaben nur die Bezirke zusammengefasst werden, in denen die Kontrollen meist von Straftaten isoliert waren.

  6. Wählen Sie für Statistikfeld(er) die folgenden Felder aus:
    • Percent Population Black Not Hispanic
    • Percent Population White Not Hispanic
    • Percent Stops Black Not Hispanic
    • Percent Stops White Not Hispanic
    • Disparity Black Not Hispanic
    • Disparity White Not Hispanic
    Hinweis:

    Wenn die Feld-Aliasnamen für Attributfeld-Eingaben nicht angezeigt werden, klicken Sie auf die Schaltfläche Feldlisteneinstellungen, und wählen Sie Alias anzeigen aus.

  7. Ändern Sie für alle Felder den Statistiktyp in Medianwert.

    Sie wählen den Medianwert aus, da es sich um einen Durchschnittswert handelt, der weniger von Ausreißern beeinflusst wird als der Mittelwert.

    Parameter des Werkzeugs "Summenstatistik"

  8. Klicken Sie auf Ausführen.
  9. Klicken Sie unten im Bereich Inhalt mit der rechten Maustaste auf die Tabelle MostlyIsolatedStops_Summary, und klicken Sie auf Öffnen.

    Die Summentabelle enthält die Medianwerte aller von Ihnen aufgelisteten Felder für die ausgewählten Bezirke. Sie können sehen, dass der Medianwert der schwarzen und nicht hispanischen Bevölkerung 4,61 Prozent beträgt. Als Nächstes erstellen Sie die gleiche Tabelle, aber für alle Bezirke.

  10. Klicken Sie mit der rechten Maustaste auf eine beliebige Stelle der Karte, und klicken Sie auf Aufheben, um die Auswahl aufzuheben.
  11. Ändern Sie im Bereich Geoverarbeitung die Option Ausgabetabelle in AllStops_Summary.

    Werkzeug "Summenstatistik" mit der auf "AllStops_Summary" festgelegten Option "Ausgabetabelle"

    Ändern Sie die Einstellung Statistikfeld(er) nicht.

  12. Klicken Sie auf Ausführen.
  13. Öffnen Sie die Tabelle AllStops_Summary. Ziehen Sie die Tabelle über die andere, und verankern Sie sie.

    Verankerungsziel über der Tabelle

    Als Nächstes untersuchen Sie die Statistiken, die Sie zusammengefasst haben. Mithilfe dieser Werte können Sie die Ungleichbehandlung aufgrund der ethnischen Herkunft bei polizeilichen Kontrollen bewerten, die sich nicht durch das Auftreten von Gewaltstraftaten in dem Bereich erklären lässt.

  14. Vergleichen Sie in beiden Tabellen die Werte für MEDIAN_Pct_Pop_BlackNotHispanic und MEDIAN_ Pct_Pop_WhiteNotHispanic.

    Medianwertfelder für die Bevölkerung in Prozent

    Diese Felder stellen den prozentualen Anteil der schwarzen und der weißen Bevölkerung dar.

    In Bezirken, in denen die polizeilichen Kontrollen meist von Gewaltstraftaten isoliert waren (in der Tabelle MostlyIsolatedStops_Summary) leben im Vergleich mit der Stadt insgesamt weniger Schwarze und mehr Weiße.

  15. Vergleichen Sie die Werte für MEDIAN_PercentStopsBlackNotHispanic und MEDIAN_PercentStopsWhiteNotHispanic.

    Medianwertfelder für die Kontrollen in Prozent

    Der prozentuale Anteil der Kontrollen Schwarzer und Weißer war in den Bezirken, in denen die Kontrollen meist von Gewaltstraftaten isoliert waren, und der Stadt insgesamt sehr ähnlich. Bedenken Sie jedoch, dass in den meist isolierten Bezirken mehr Weiße leben. Wenn Sie also davon ausgehen, dass die Kontrollen die Bewohner eines Bezirks betreffen, würden Sie erwarten, dass ein höherer prozentualer Anteil von Weißen angehalten wird.

  16. Vergleichen Sie schließlich in beiden Tabellen die Werte für MEDIAN_DisparityBlackNotHispanic und MEDIAN_DisparityWhiteNotHispanic.

    Medianwertfelder für die Ungleichheit

    Diese Zahlen bestätigen, was Sie im letzten Schritt gesehen haben: Bezirke, in denen polizeiliche Kontrollen meist isoliert von Gewaltstraftaten durchgeführt wurden (die dunkelsten blauen Bereiche in der Karte), wiesen im Vergleich mit der Stadt insgesamt einen höheren Disparitätsindex für Schwarze und einen niedrigeren für Weiße auf.

    In den dunkelblauen Bezirken wurden in der Nähe der einzelnen Kontrollen im Vergleich mit der Stadt insgesamt weniger vorherige Straftaten begangen. Die Straftaten wurden entweder weit entfernt von den Kontrollen begangen, oder die Dichte der Kontrollen in diesem Bereich war im Vergleich zu den Straftaten höher. Der Disparitätsindex für Schwarze war in den dunkelblauen Bezirken höher als in New York City insgesamt. Das bedeutet, dass in den Gebieten, in denen Kontrollen durchgeführt wurden, obwohl in der Nähe keine schweren Straftaten begangen wurden, die die Kontrollen rechtfertigen würden, Schwarze im Verhältnis häufiger angehalten wurden als an anderen Orten in der Stadt.

    [Die] Erklärung für hohe Unverhältnismäßigkeitsindizes steht im Einklang mit dem bekannten Fall des Harvard-Professors Henry Louis Gates Jr.: Unabhängig von der Zugehörigkeit zu einer sozialen Schicht und den Ressourcen werden Minderheiten angehörende Bewohner in mehrheitlich von Weißen bewohnten Gebieten eher als bedrohlich und "fehl am Platz" angesehen und daher zusätzlichen polizeilichen Kontrollen unterzogen. (Ogletree 2010) – Neighborhood Residence and Assessments of Racial Profiling Using Census Data, Socius: Sociological Research for a Dynamic World, 2019

  17. Schließen Sie beide Tabellen, und speichern Sie das Projekt.
  18. Schließen Sie ArcGIS Pro.

In diesem Modul haben Sie eine Kolokalitätsanalyse verwendet, um die Fußgängerkontrollen zu ermitteln, die isoliert von Gewaltstraftaten der Kategorie 1 in New York City durchgeführt wurden. Sie haben diese Informationen in Bezirken zusammengefasst, um die Bereiche zu identifizieren, in denen die Kontrollen überwiegend isoliert durchgeführt wurden. Sie haben festgestellt, dass ein größerer Anteil der Weißen in den Bezirken lebt, in denen die Kontrollen weniger mit Straftaten kolokalisiert waren. Bei den Schwarzen in diesen Stadtteilen war die Ungleichheit der Kontrollen noch größer.

GIS wird schon seit langer Zeit zum Analysieren von Kriminalitätsdaten verwendet. Sie haben GIS jetzt verwendet, um Probleme mit der Gleichbehandlung durch Strafverfolgungsbehörden zu analysieren. Dr. Phillip Atiba Goff vom Center for Policing Equity erläutert die Bedeutung seiner Arbeit:

Wenn es bei der Polizeiarbeit um Gerechtigkeit geht, dann müssen wir die Gerechtigkeit messen, nicht nur über sie sprechen. Das bedeutet, nicht nur die Kriminalität zu messen, sondern die Kosten ihrer Bekämpfung und ob die Polizeiarbeit zu gerechten Ergebnissen führt. Wir müssen nach den Kosten des weitverbreiteten Einsatzes von Verkehrs- und Fußgängerkontrollen fragen und uns dabei besonders auf die Gemeinschaften konzentrieren, die durch Generationen von staatlicher Vernachlässigung und Desinvestition benachteiligt wurden. Wir müssen die Auswirkungen auf diese Nachbarn messen und ermitteln, ob die Praktiken tatsächlich ihre Sicherheit erhöhen. Wir müssen gewillt sein, darüber nachzudenken, ob wir beim Versuch, Kriminalitäts- und Sicherheitsprobleme zu lösen, zusätzlichen Schaden anrichten – "Collecting, Analyzing, and Responding to Stop Data: A Guidebook for Law Enforcement Agencies, Government, and Communities", Center for Policing Equity and Policing Project an der NYU School of Law, 2020.

In diesem Lernprogramm haben Sie mehrere Techniken verwendet, um die Ungleichbehandlung aufgrund der ethnischen Herkunft bei polizeilichen Kontrollen zu untersuchen:

  • Sie haben mit Diagrammen und der Data-Engineering-Ansicht Daten zu polizeilichen Kontrollen in Nashville, Tennessee, visualisiert.
  • Sie haben sich mithilfe einer Trendanalyse von Hot-Spots einen besseren Eindruck davon verschafft, in welchen Stadtteilen von New Orleans, Louisiana, die meisten Personendurchsuchungen durchgeführt wurden.
  • Sie haben die unverhältnismäßige Verteilung der Fußgängerkontrollen nach ethnischer Herkunft in den einzelnen Stadtteilen von San Antonio, Texas, erkundet.
  • Sie haben mithilfe einer Kolokalitätsanalyse in New York City, New York, die Rechtfertigung der Polizei überprüft, dass Fußgängerkontrollen in Stadtteilen mit einer höheren Anzahl von Gewaltstraften durchgeführt werden.

Bei Ihrer Erkundung verschiedener Städte haben Sie gesehen, dass der Ort eine Rolle spielt. Die Ergebnisse und Details wichen bei jeder Stadt und sogar jedem Stadtteil ab. Sie haben gelernt, wie wichtig es ist, Ihre Daten zu verstehen und zu erkennen, dass in manchen Fällen die Daten das Aufdecken von Mustern nicht unterstützen.

Sie haben viele Möglichkeiten, diese Analyse auszuweiten. Sie können zum Beispiel Folgendes probieren:

  • Wiederholen Sie die Analyse für eine andere Stadt. Daten zu Kontrollen an anderen Orten finden Sie in ArcGIS Hub, beim Stanford Open Policing Project und bei der Police Data Initiative. Im Handbuch des Center For Policing Equity finden Sie Empfehlungen zum Sammeln Ihrer eigenen Daten zu Kontrollen.
  • Konzentrieren Sie sich bei der Analyse auf eine bestimmte demografische Gruppe, beispielsweise junge schwarze und hispanische Männer.
  • Untersuchen Sie, wie sich Änderungen an den Daten oder Methoden auf die Ergebnisse auswirken.

Darüber hinaus können Sie untersuchen, wie sich die ethnische Ungleichbehandlung bei der Polizeiarbeit mit der ethnischen Ungleichbehandlung in anderen Bereichen überschneidet, indem Sie Ergebnisse in anderen Bereichen der Gesellschaft wie Bildung, Gesundheit oder Ernährungs- und Wohnungsunsicherheit untersuchen. GIS kann eine wichtige Rolle bei der Unterstützung des ganzheitlichen Ansatzes spielen, der für die Untersuchung der Auswirkungen rassistischer Praktiken erforderlich ist. In Racial Equity GIS Hub finden Sie Daten und weitere Ressourcen, mit deren Hilfe Sie diese Probleme erkunden können.

Weitere Lernprogramme finden Sie in der Lernprogrammgalerie.