Изучение данных полицейских проверок с помощью диаграмм
Хотя многие американцы были остановлены за превышение скорости или переход улицы в неположенном месте, мало кто понимает, насколько унизительной может быть остановка, когда полицейский требует большего. Этот [Верховный] суд разрешил офицеру остановить вас по любой причине, по которой он хочет, при условии, что он может указать предлоговое обоснование постфактум. … В этом обосновании должны быть указаны конкретные причины, по которым офицер подозревает вас в нарушении закона… но оно может учитывать вашу этническую принадлежность… место проживания… во что вы были одеты… и как себя вели. … Офицеру даже не нужно знать, какой закон вы, возможно, нарушили, если он может позже указать на любое возможное нарушение — даже незначительное, не имеющее отношения к делу или необоснованное. … — "Несогласие судьи Сони Сотомайор в деле Юта против Стриффа," Верховный суд США, 2016 г.
Чтобы начать анализ, вы изучите данные о проверках автомобилей полицией в Нэшвилле, штат Теннесси. Вы будете использовать вид Data Engineering для изучения полей и атрибутов в данных и создания диаграмм для выявления несоответствий в показателях частоты обысков и поисков закономерностей в данных с течением времени. Наконец, вы сравните конкретный район с городом в целом.
Изучение данных полицейских проверок с помощью вида Data Engineering
Перед началом любого анализа важно ознакомиться с вашими данными. Вы начнете с изучения полей, доступных в наборе данных полицейских проверок в Нэшвилле.
- Загрузите файл police_stops .zip и распакуйте его в папку на вашем компьютере, например, на диск C.
- Откройте распакованную папку police_stops и дважды щелкните Police Stops.aprx, чтобы открыть проект в ArcGIS Pro.
- Если будет предложено, войдите под учетной записью ArcGIS.
Примечание:
Если у вас нет доступа к ArcGIS Pro или учетной записи организации ArcGIS, см. варианты доступа к программному обеспечению.
Появляются диаграмма и карта Нэшвилла, штат Теннесси.
Точки на карте представляют собой проверки автомобилей полицией в Нэшвилле в течение временного периода, соответствующего набору данных. Эти данные взяты из Stanford Open Policing Project. Диаграмма внизу была получена на основе тех же данных, а также подсчета населения из Опроса американского сообщества (ACS), который проводится Бюро переписи населения США. На диаграмме показаны два столбца для каждой расы: светло-голубой столбец показывает процент проверок полицией, относящихся к этой расе, а темно-синий столбец показывает процент жителей Нэшвилла, принадлежащих к этой расе.
Если бы проверки были пропорциональны, можно было бы увидеть одинаковую высоту столбца для Процента проверок и Процента населения для каждой расы, но вы видите немного другую картину. Например, хотя только 26,93 процента жителей Нэшвилла являются чернокожими, 37,04 процента проверок транспортных средств приходится на чернокожих. Это свидетельствует о несоответствии, что означает, что результаты различаются между разными группами. Наличие неравенства само по себе не обязательно означает, что имела место дискриминация, но неравенство все же является значительным, поскольку оказывает пагубное воздействие (Pryor et al. 2020, 11).
Далее вы изучите набор данных полицейских проверок в виде Data Engineering, чтобы увидеть, какие поля и атрибуты включены для каждой остановки автомобиля.
- Закройте окно диаграммы.
- На панели Содержание щелкните правой кнопкой Police Stops (2017-2019) и щелкните Data Engineering.
Появляется вид Data Engineering. Он состоит из двух разделов: панели полей, на которой показан список полей слоя, и панели статистики, которая в данный момент пуста. Вы будете исследовать поля, добавляя их на панель статистики.
- Щелкните любое поле на панели полей и нажмите Ctrl+A, чтобы выбрать все поля. Перетащите поля на панель статистики.
Поля теперь отображаются в виде строк на панели статистики.
- Над панелью статистики щелкните кнопку Вычислить.
Через несколько секунд панель статистики будет заполнена показателями качества данных и статистикой по атрибутам в каждом поле.
На панели статистики отображаются имена полей; типы данных; количество значений null; предварительный просмотр диаграммы, показывающий распределение поля; общие значения распределения, такие как минимум, максимум, среднее значение и режим; и другие показатели, которые помогут вам ознакомиться с каждым полем в данных.
В нижней части вида Data Engineering количество записей показывает, что за период сбора данных было 422 535 остановок.
Во второй строке таблицы статистики показана сводная статистика для поля date. Минимальное значение на 1 января 2017 г. и Максимальное значение на 24 марта 2019 г. говорят вам, что 422 535 остановок транспортных средств охватывают два года и три месяца, в течение которых собирались данные.
Изучение частоты обыска по расе и этнической принадлежности
Некоторые полицейские проверки переходят в обыск:
Обыск происходит, когда полицейские прощупывают чью-то одежду снаружи, чтобы проверить, есть ли у него оружие. Полиция может на законных основаниях «обыскать» вас с вашего согласия или даже без вашего согласия, если у них есть «обоснованные подозрения» (то есть конкретные, основанные на фактах основания полагать), что у вас есть оружие — "Знай свои права: остановка и обыск," Американский союз борьбы за гражданские права округа Колумбия, 2021 г.
Решение об обыске зависит от усмотрения офицера, что открывает двери для расовых предубеждений на индивидуальном уровне. Вы изучите частоту обысков: процент проверок, которые переросли в обыски. Когда человека останавливают, вероятность его обыска выше или ниже в зависимости от его расы? Чтобы ответить на этот вопрос, вы будете использовать два поля, subject_race и frisk_performed, чтобы создать диаграмму, отображающую частоту обыска для каждой расы.
- В виде Data Engineering в таблице статистики прокрутите вниз, чтобы найти поле subject_race.
- В строке subject_race наведите курсор на ячейку Предварительный просмотр диаграммы.
Появится окно со списком значений, показанных в предварительном просмотре диаграммы.
- В строке subject_race щелкните правой кнопкой мыши ячейку Предварительный просмотр диаграммы и щелкните Открыть диаграмму.
Появится столбчатая диаграмма, отображающая количество проверок транспортных средств в зависимости от расы водителя.
Вы измените эту диаграмму так, чтобы она показывала частоту обысков для каждой расы, а не количество проверок.
- При необходимости на панели инструментов над диаграммой щелкните кнопку Свойства, чтобы открыть панель Свойства диаграммы.
Вы начнете с разделения каждого столбца, чтобы показать, сколько проверок включало обыск.
- На панели Свойства диаграммы для опции Разбить (дополнительно) выберите поле frisk_performed.
Диаграмма теперь показывает семь групп столбцов. Она показывает, сколько было полицейских проверок, не включающих в себя обыски, для каждой расы. Вы надпишете столбцы и составите их так, чтобы их было легче читать. Вы также удалите столбец для неиспользуемых данных.
- На панели Свойства диаграммы в разделе Надписи данных, отметьте Надписать столбцы.
- Перейдите на вкладку Серии. Для Показать несколько серий как выберите 100% Составная.
- В таблице щелкните строку NA и щелкните кнопку Удалить выбранную строку.
- Перетащите строку TRUE выше строки FALSE.
Вы отредактируете текст, который появляется в легенде диаграммы, чтобы сделать его более понятным.
- В столбце Подпись дважды щелкните TRUE и введите Frisked. Измените подпись FALSE на Not frisked.
На диаграмме теперь отображается частота обысков для каждой расы.
Сравнение 2,58% чернокожих и 2,49% латиноамериканцев, подвергшихся обыску, против 0,92% белых, подвергшихся обыску, показывает расовое неравенство в решении обыскать. Другими словами, данные показывают, что чернокожие и латиноамериканцы в Нэшвилле подвергались обыску более чем в два раза чаще, чем белые, когда их останавливала полиция. Результаты согласуются с отчетами активистов и выводами полицейского проекта Юридической школы Нью-Йоркского университета:
Городские власти уделяют более пристальное внимание остановкам автомобилей, поскольку два независимых отчета показали, что чернокожих водителей останавливали и обыскивали с непропорциональной частотой, хотя полиция редко находила доказательства преступления…
…эти тенденции были отмечены в двух отдельных анализах данных полицейского управления города Нэшвилл (MNPD).
—"Полиция Нэшвилла сообщает о значительном сокращении количества остановок на дорогах после обвинений в расовой предвзятости", Саманта Макс, Общественное радио Нэшвилла, 2021 г.
Изучение тенденции проверок на дорогах с течением времени и в разных районах
В то время как расовые неравенства в полицейских проверках являются распространенной проблемой во всех городах Соединенных Штатов, отчеты аналитиков и активистов могут привести к изменениям: количество проверок полицейского управления Метро Нэшвилл (MNPD) сократилось почти на 90 процентов в период с 2016 по 2021 год после изменения в политике обучения в результате независимых отчетов.
После того, как исследователи Нью-Йоркского университета обнаружили, что на остановках MNPD редко оказывается контрабанда, департамент полностью переписал свой курс обучения. Акцент сместился на предотвращение небезопасного вождения, а не на обыски.
На самом первом слайде офицерам было предложено подумать о том, «почему MNPD останавливает автомобили», и им было сказано взаимодействовать с членами сообщества «таким образом, чтобы поддерживать достоинство, уважение и процессуальную справедливость гражданина».
—"Nashville Police Report Major Drop In Traffic Stops Following Accusations Of Racial Bias," Samantha Max, Nashville Public Radio, 2021
Вы опишете, как менялись остановки автомобилей с течением времени, чтобы подтвердить снижение остановок, о котором сообщается в отчете Nashville Public Radio.
- Над окном диаграммы щелкните вкладку Police Stops (2017-2019), чтобы снова открыть вид Data Engineering.
- При необходимости прокрутите вверх таблицу статистики и найдите строку date.
В строке date ячейка Предварительный просмотр диаграммы показывает тенденцию к снижению количества проверок с течением времени. Чтобы глубже изучить этот шаблон, вы просмотрите полную диаграмму вместо предварительного просмотра диаграммы.
- В строке date щелкните правой кнопкой мыши ячейку Предварительный просмотр диаграммы и щелкните Открыть диаграмму-график.
Появляется диаграмма-график. Диаграмма также добавляется на панель Содержание под слоем Nashville Police Stops.
На диаграмме показано количество проверок на дорогах в Нэшвилле за временной диапазон данных. Пространство между точками соответствует шести дням. Вы измените интервал на одну неделю.
- При необходимости на панели инструментов над диаграммой щелкните Свойства, чтобы открыть панель Свойства диаграммы.
- На панели Свойства диаграммы измените Размер интервала на 7 дней.
На диаграмме видно, что с начала 2017 года (примерно 4500 проверок в неделю) до начала 2019 года (примерно 1000 проверок в неделю) количество проверок полицией сократилось. Эта тенденция, похоже, согласуется с выводами Общественного радио Нэшвилла о том, что за последние пять лет количество проверок, осуществленных полицейским управлением Метрополии Нэшвилл, сократилось почти на 90 процентов. Вы продолжите изучение данных, чтобы выяснить, присутствует ли эта закономерность для категорий рас и этнических принадлежностей в других районах.
- На панели Свойства диаграммы для опции Разбить (дополнительно) выберите subject_race.
Диаграмма обновится, чтобы отобразить линию для каждой категории в поле subject_race.
Аналогичная тенденция к уменьшению количества проверок автомобилей полицией наблюдается как для чернокожих, так и для белых.
Подсказка:
Вы можете щелкнуть элементы в легенде диаграммы, чтобы отключить категории и упростить изучение тенденций для определенной категории.
Теперь вы изучите диаграммы вместе с картой, чтобы проверить, сохраняется ли эта тенденция в разных районах Нэшвилла.
- Щелкните вкладку диаграммы-графика и перетащите ее рядом с картой. Закрепите диаграмму справа от карты.
Диаграмма теперь отображается рядом с картой.
- В виде Data Engineering на панели полей наведите курсор на поле subject_race и щелкните кнопку Обновить символы.
Карта обновляется, чтобы отображать проверки в зависимости от расы и этнической принадлежности человека. Диаграмма-график обновится, цвета символов на диаграмме и карте совпадут.
Примечание:
Цвета на вашей карте и диаграмме могут отличаться от цветов, показанных в руководстве.
- На панели инструментов над диаграммой-графиком щелкните кнопку Фильтр по экстенту.
- На карте используйте инструменты перемещения и масштабирования, чтобы посмотреть разные районы. Наблюдения за изменениями на диаграмме-графике.
Диаграмма-график динамически обновляется, чтобы отражать изменения с течением времени в проверках полиции для текущего вида карты. В некоторых районах проверяют больше чернокожих, чем белых. Большинство из районов демонстрируют ту же тенденцию к снижению, что и для города в целом.
Сравнение частоты обыска в зависимости от расы, времени и района
Далее вы узнаете, как сокращение количества полицейских проверок после 2018 года повлияло на количество обысков.
- На панели Содержание щелкните правой кнопкой Police Stops (2017-2019) и выберите Приблизить к слою.
- На ленте щелкните вкладку Карта. В группе Выборка щелкните Выбрать по атрибуту.
- В окне Выбрать по атрибутам для Входных строк выберите Police Stops (2017-2019).
- Для Выражения используйте ниспадающее меню, чтобы построить выражение Where date is before 12/1/2018.
- Нажмите OK.
Выбрано большинство точек на карте. На диаграмме-графике выбраны все точки до резкого падения в конце 2018 года.
- Над видом Data Engineering щелкните вкладку Police Stops (2017-2…frisk_performed), чтобы отобразить столбчатую диаграмму.
- На панели инструментов над столбчатой диаграммой щелкните кнопку Фильтр по выборке.
Столбчатая диаграмма обновляется, чтобы отображать частоту обысков только для проверок полиции, которые произошли до декабря 2018 года.
Частота обыска чернокожих составляла 2,56 процента, а частота обыска белых людей - 0,9 процента. Соотношение между этими двумя значениями (2,56 разделить на 0,9) составляет 2,84. Это означает, что после остановки чернокожие подвергались обыску в 2,84 раза чаще, чем белые.
Далее вы посмотрите, как эти цифры изменились после декабря 2018 года.
- На панели инструментов над любой диаграммой щелкните кнопку Переключить выборку.
Столбчатая диаграмма изменится, чтобы показать частоту обыска для последней части временного интервала. Новая выборка также отображается на диаграмме-графике.
В этот период частота обыска для чернокожих составляла 3,21 процента, а частота обыска для белых - 1,48 процента. Оба эти значения выше, чем раньше. Это означает, что в 2019 году проверки с большей вероятностью переросли в обыски. Однако, поскольку в целом было меньше проверок, было и меньше обысков.
Соотношение между частотой обыска для черных и белых составляет 2,16. Это меньше, чем предыдущее соотношение 2,84, а это означает, что после декабря 2018 года расовое неравенство в показателях обыска уменьшилось. Однако снижение было невелико, и вероятность обыска чернокожих по-прежнему была более чем в два раза выше, чем у белых.
Далее вы изучите, как изменилась частота обыска в конкретном районе, а не для всего города. Не очищайте выборку.
- На ленте щелкните вкладку Карта. В группе Навигация щелкните Закладки и щелкните закладку Tennessee State University.
Карта приближается к району вокруг Университета штата Теннесси, исторически сложившегося колледжа и университета для чернокожих.
- На панели инструментов над линейчатой диаграммой щелкните кнопку Фильтр по экстенту.
Теперь на диаграмме отображаются данные из текущей выборки и текущего вида карты: она отражает только проверки, произошедшие в окрестностях Университета штата Теннесси после декабря 2018 года.
Частота обысков в этом районе в этот период времени составляла 3,15 процента. Для белых людей она была 1,15 процента.
Примечание:
Ваши цифры могут отличаться из-за немного другого экстента карты. Эти числа не повлияют на остальную часть руководства.
Соотношение между этими двумя значениями составляет 5,25, что выше, чем другие отношения, которые вы видели до сих пор. Ожидается, что с чернокожими будет больше проверок, чем с белыми в преимущественно черном районе; однако это число отражает вероятность обыска человека после того, как его остановили. В этом районе расовое неравенство между проверками, перерастающими в обыск, выше, чем в городе в целом.
- На панели инструментов над любой диаграммой щелкните кнопку Очистить выборку.
- Закройте обе диаграммы, вид Data Engineering и панель Свойства диаграммы.
- На Панели инструментов быстрого доступа щелкните кнопку Сохранить.
Примечание:
Может появиться сообщение, предупреждающее вас о том, что сохранение этого файла проекта в текущей версии ArcGIS Pro не позволит вам снова открыть его в более ранней версии. Если вы видите это сообщение, нажмите Да, чтобы продолжить.
До сих пор в этом руководстве вы изучали данные о проверках автомобилей в Нэшвилле. Вы изучили расовые неравенства в частоте проверок и частоте обыска, а также составили диаграмму проверок во времени. Вы обнаружили, что с 2017 по 2019 год в Нэшвилле количество проверок полицией сократилось, что может быть результатом изменений в обучении полиции, вызванных анализом, проведенным активистами. Однако вы также обнаружили, что расовое неравенство все еще существует. Когда полиция останавливает чернокожих, они по-прежнему чаще подвергаются обыску, чем белые, и эти различия варьируются от района к району.
Далее вы продолжите изучение полицейских проверок с помощью инструментов пространственного анализа.
Поиск горячих точек обысков
В предыдущем модуле вы подготовили, визуализировали и изучили данные об полицейских проверках в Нэшвилле. Далее вы переключите свое внимание на город Новый Орлеан, штат Луизиана, используя набор данных проверок пешеходов, в ходе которых полицейские решили применить обыск. Обыск подвергался широкой критике за его влияние на отдельных лиц и сообщества, а также за непропорциональное нацеливание на сообщества чернокожих и латиноамериканцев (Центр конституционных прав, 2012 г.).
Оскорбление проверкой не ограничивается тем, что офицер говорит вам, что вы выглядите как преступник. Офицер может затем запросить ваше «согласие» на осмотр вашей сумки или кошелька, не сказав вам, что вы можете отказаться. Независимо от вашего ответа, он может приказать вам стоять «беспомощно, возможно, лицом к стене с поднятыми руками». Если офицер считает, что вы можете быть опасны, он может «обыскать» вас на наличие оружия. Это включает в себя больше, чем просто прощупать одежду. На глазах у людей, полицейский может «ощупать чувствительными пальцами каждую часть [вашего] тела. [Может] тщательно обыскать [ваши] руки и подмышки, талию и спину, пах и область вокруг яичек, а также всю поверхность ног до ступней". — "Несогласие судьи Сони Сотомайор в деле Юта против Стриффа," Верховный суд США, 2016 г.
Учитывая серьезность инцидентов с обысками, теперь вы будете анализировать, как они происходят в пространстве и времени в Новом Орлеане. Чтобы помочь вам количественно оценить некоторые закономерности, которые вы можете наблюдать с помощью карт и диаграмм, вы проведете тесты на статистическую значимость тенденций обыска.
Создание куба пространства-времени из местоположений обыска
В первую очередь, вы будете использовать диаграмму-график, чтобы наблюдать, как тенденции обыска менялись с течением времени для каждой расы. Затем вы построите куб пространства-времени. Эта структура данных необходима для выполнения нового анализа горячих точек, который может визуализировать пространственные и временные закономерности вместе на одной карте.
- При необходимости откройте проект Police Stops в ArcGIS Pro. Под лентой щелкните вкладку карты New Orleans.
Появится карта, показывающая места проведения обысков с 2011 по 2018 год в черте города Нового Орлеана. Эти данные взяты из Stanford Open Policing Project. Местоположения обозначены символами в соответствии с расовой принадлежностью обыскиваемого человека.
- На панели Содержание под Frisk Locations (2011-2018), щелкните правой кнопкой мыши диаграмму Change in frisks over time и щелкните Открыть.
На диаграмме показано, что общее количество обысков в Новом Орлеане снизилось с 2011 по 2013 год, но количество обысков среди чернокожих также постепенно увеличивается в период с 2014 по 2018 год.
Примечание:
Если вы хотите изучить, как эти закономерности меняются в зависимости от района, вы можете повторить шаги, описанные ранее в уроке, чтобы отфильтровать диаграмму по экстенту, а затем перемещать и масштабировать карту.
Одновременный просмотр карты и диаграммы - это один из способов визуализировать пространственные и временные тренды в наборе данных. Однако вы можете более конкретно определить эти закономерности с помощью пространственно-временного куба. Эта структура данных агрегирует данные в бины, определяемые пространством и временем. Чтобы определить пространственные границы ваших бинов, вы будете использовать переписные районы.
- Закройте вид диаграммы и панель Свойства диаграммы.
- На панели Содержание поставьте отметку рядом со слоем Race/Ethnicity by Tract (2015-2019), чтобы включить его.
Этот слой показывает переписные районы с переменными расы и этнической принадлежности, как это определено в опросе американского сообщества (ACS). Переписные районы используются Бюро переписи населения США для систематизации и анализа данных о населении, как правило, соответствующих районам с населением от 2500 до 8000 человек (перепись США, 2021 г.). Данные были получены из слоя ACS Race and Hispanic Origin Variables – Boundaries в ArcGIS Living Atlas of the World.
Вы создадите куб пространства-времени с данными об обысках и переписными районами. Результаты покажут вам, какие переписные районы являются горячими точками для обысков.
- Щёлкните вкладку Анализ на ленте. В группе Геообработка щелкните Инструменты.
Откроется панель Геообработка.
- В поисковой строке введите создать куб пространство-время. В результатах поиска щелкните Создать куб Пространство-Время по агрегации точек.
Куб пространства-времени объединяет данные в трехмерное пространство. Пространственные бины нанесены на диаграмму по осям x и y, а временные бины — по оси z. Для этого анализа вы определите каждый бин как переписной район с четырехнедельным временным интервалом. Каждый район будет иметь стек бинов, каждый из которых соответствует четырем неделям. Каждый бин будет подсчитывать количество обысков, которые произошли в этой области за это время.
- На панели Геообработка задайте следующие параметры:
- Для Входных объектов выберите Frisk Locations (2011–2018).
- Для Выходного куба пространство-время введите Frisk_Tracts_4Weeks.
- Для Поля времени выберите date.
- Оставьте параметр Шаблон куба пустым.
- В качестве значения Интервал временного шага введите 4 и выберите Недели.
- Для Выравнивания временного шага выберите Конечное время.
- Для Типа геометрии для агрегации выберите Указанные местоположения.
- Для Указанных полигональных местоположений выберите Race/Ethnicity by Tract (2015-2019).
- Для ID местоположения выберите Tract Numeric ID.
Вы выбрали Конечное время для параметра Выравнивание временного шага, потому что для этого анализа вам последние тенденции в области обыска интереснее, чем старые. Этот выбор гарантирует, что инструмент запустится с конца временного периода (самые последние данные) и будет считать в обратном направлении по мере создания бинов. Последний бин может быть неполным, что приводит к временному смещению, но предпочтительнее, чтобы смещение присутствовало в самом старом бине, а не в самом новом.
- Щелкните Запустить.
Когда инструмент завершит работу, в нижней части панели Геообработка появится предупреждение.
- В предупреждении щелкните ссылку Просмотр подробной информации.
Появится окно с дополнительной информацией. Это говорит о том, что некоторые местоположения не совпадали со слоем Census Tracts. Эти несколько объектов были пропущены, потому что они были расположены на границах участков, что не означает системной проблемы, которая могла бы повлиять на этот анализ.
- Если необходимо, щелкните вкладку Сообщения. В диалоговом окне в разделе Характеристики Куба Пространство-Время прокрутите, чтобы найти запись Временное смещение первого временного шага.
Временное смещение в 28,57% повлияет на результаты.
При создании куба пространства-времени вы обозначили временной интервал в четыре недели. Поскольку инструмент отсчитывает время в обратном направлении (используя значение Конечное время для Выравнивания временного шага), самый ранний временной бин считается последним и не содержит данных за полные четыре недели. Этот бин охватывает период со 2 по 30 мая 2011 года, но самые ранние проверки в данных начинаются с 10 мая 2011 года. Со 2 по 10 мая бин пуст, что приводит к временному смещению 28,57% на этом первом временном шаге.
Чтобы исправить это временное смещение, вы отфильтруете данные, начиная с 31 мая 2011 г., и повторно запустите инструмент.
Примечание:
Чтобы узнать больше о выравнивании временного шага, прочитайте Как работает инструмент Создать куб пространство-время.
- Закройте окно Создать куб Пространство-Время по агрегации точек.
- На ленте щелкните вкладку Карта. В группе Выборка щелкните Выбрать по атрибутам.
- В окне Выбрать по атрибутам для Входных строк выберите Frisk Locations (2011-2018).
- В разделе Выражение используйте ниспадающее меню, чтобы построить запрос Где date после 29/5/2011.
- Нажмите OK.
Выбрано большинство точек на карте. При повторном запуске инструмента Создать куб Пространство-Время по агрегации точек он будет выполняться с использованием только этих выбранных объектов.
- На панели Геообработка щелкните Запустить.
- Когда инструмент завершит работу, щелкните ссылку Просмотреть подробности и, если необходимо, перейдите на вкладку Сообщения.
Временное смещение первого временного шага было уменьшено до 3,57 процента.
- Прокрутите вниз вкладку Сообщения.
Диагностические сообщения также указывают на то, что куб пространства-времени имеет значение Trend direction - Not Significant.
В то время как город Новый Орлеан в целом не демонстрирует статистически значимой временной тенденции по всему диапазону данных, в отдельных районах и для отдельных категорий обысков можно наблюдать статистически значимые закономерности.
- Закройте окно Создать куб Пространство-Время по агрегации точек.
Вы создали куб пространства-времени и скорректировали его временную погрешность. Куб не отображается на вашей карте. Далее вы визуализируете куб на карте с помощью инструмента Визуализация куба Пространство-Время в 3D.
- Щелкните правой кнопкой мыши в любом месте карты и щелкните Очистить, чтобы очистить выборку.
Примечание:
Если при нажатии правой кнопкой мыши у вас нет возможности очистить выбранные объекты, то нажмите на ленте вкладку Карта. В группе Выборка щелкните Очистить.
Визуализация закономерностей обысков в 3D
Вы отобразите куб пространства-времени в трех измерениях, чтобы понять и изучить, как он агрегирует обыски по пространству и времени.
- Под лентой щелкните вкладку карты New Orleans 3D.
- На панели Геообработка щелкните кнопку назад. Найдите и откройте инструмент Визуализация куба Пространство-Время в 3D.
- Для параметра Входной куб Пространство-Время нажмите кнопку Обзор. Перейдите к папке, содержащей проект Police Stops и выберите Frisk_Tracts_4Weeks.nc.
Это куб пространства-времени, который вы создали ранее.
- Нажмите OK.
- Для Переменной куба выберите COUNT. Для Темы отображения выберите Значение.
- Для Выходных объектов сотрите существующий текст и введите Frisks3D.
- Щелкните Запустить.
На сцене появляется новый слой, отображающий куб пространства-времени в трех измерениях.
Каждый столбец представляет переписной район. Каждый столбец состоит из стека бинов, и каждый бин представляет временной шаг в 4 недели. Бины внизу более старые (июнь 2011 г.), а бины вверху более свежие (июнь 2018 г.). Чем темнее цвет бина, тем больше обысков произошло в этом пространстве и времени.
- На ленте щелкните вкладку Карта. В группе Навигация щелкните Закладки и щелкните New Orleans.
Карта приближается к центру города, где больше случаев обыска. Для многих областей характерен символ в полоску, когда периоды обысков разделены периодами отсутствия обысков.
Анализ тенденции обысков в пространстве и времени
Теперь, когда вы визуализировали и поняли трехмерную структуру куба пространства-времени, вы примените 2D визуализацию, которая суммирует тенденции, присутствующие в данных.
- Под лентой щелкните вкладку New Orleans, чтобы вернуться к 2D-карте.
- На панели Геообработка щелкните кнопку назад. Найдите и откройте инструмент Визуализация куба Пространство-Время в 2D.
- Для параметра Входной куб Пространство-Время нажмите кнопку Обзор. Найдите и выберите Frisk_Tracts_4Weeks.nc. Нажмите OK.
- Для Переменной куба выберите COUNT. Для Темы отображения выберите Тренды.
Параметр Тема отображения определяет, как куб пространства-времени будет отображаться на карте. Опция Тренды показывает, где значения увеличивались или уменьшались с течением времени, рассчитанные с использованием статистики Манна-Кендалла.
- Отметьте Включить всплывающие окна временных рядов. Для Выходных объектов введите Frisk_Trends.
- Щелкните Запустить.
На карте появляется новый слой.
- На панели Содержание прочитайте легенду, чтобы понять символы на карте.
В зеленых зонах наблюдались тенденции к снижению, что означает, что на большинстве временных шагов количество обысков уменьшалось по сравнению с предыдущим временным шагом. Фиолетовые области показывают тенденцию к росту, что означает увеличение большинства временных шагов по сравнению с предыдущим временным шагом. Белые области не претерпели значительных изменений. Различные оттенки зеленого и фиолетового связаны со значением тренда.
До анализа на карте было слишком много точек, так что невозможно было обнаружить ни пространственные, ни временные закономерности. Теперь вы можете заметить, что в центре Нового Орлеана количество обысков увеличилось, а во многих других частях города — уменьшилось.
- Перетащите слой Neighborhoods вверх панели Содержание.
- Приблизьтесь к закладке Treme-Lafitte.
Карта приблизится к району Трем-Лафит, который демонстрирует тенденцию к увеличению числа обысков по всему диапазону данных.
- Щелкните самый северный переписной район в районе Трем-Лафит.
Появится всплывающее окно с диаграммой временных рядов, которая иллюстрирует тенденцию к увеличению числа обысков в этой области.
- Закройте всплывающее окно.
Статистика Манна-Кендалла оценивает тенденции каждого местоположения. Хотя местоположение может показывать тенденцию к увеличению, это не обязательно означает, что местоположение имеет высокие значения. Далее вы будете использовать инструмент Анализ возникновения горячих точек, чтобы оценить, где происходит скопление большого числа обысков с учетом пространства и времени.
Поиск горячих точек обысков
Анализ возникновения горячих точек позволит вам интерпретировать закономерности полицейских обысков в пространстве и времени. Для каждого пространственно-временного бина инструмент строит локальную окрестность в пространстве и времени других близлежащих бинов. Он сравнит среднее количество обысков в районе со средним количеством обысков по всему Новому Орлеану. Инструмент будет использовать эти сравнения для определения областей в городе, где сосредоточено особенно большое (горячие точки) или низкое (холодные точки) количество обысков.
- На панели Геообработка щелкните кнопку назад. Найдите и откройте инструмент Анализ возникновения горячих точек.
Для параметра Входной куб Пространство-Время нажмите кнопку Обзор. Найдите и выберите Frisk_Tracts_4Weeks.nc. Нажмите OK.
- Для Переменной анализа выберите COUNT. Для Выходных объектов введите Frisks_HotSpot.
- Для Определении пространственных взаимоотношений выберите Ближайшая окрестность K.
Метод по умолчанию для этого параметра заключается в определении окрестности каждого бина на основе фиксированного расстояния. Однако переписные районы имеют неодинаковые формы и размеры, поэтому вместо этого вы будете использовать метод Ближайшая окрестность K, который гарантирует, что каждый район содержит заданное количество (k) соседей.
Для этого анализа вы определите пространственный район каждого бина как его собственный район плюс восемь ближайших к нему районов в пространстве.
- Для Числа пространственных соседей примите значение по умолчанию 8.
Окрестности также могут сравнивать данные по временным шагам. Для этого анализа вы определите временную окрестность каждого бина как собственный временной шаг плюс один предыдущий временной шаг, всего восемь недель.
- Для Интервал шкалы времени для соседних объектов введите 4.
- Для Определить глобальное окно выберите Интервал шкалы времени для соседних объектов.
Для каждого района на каждом временном шаге анализ создаст окрестность, состоящую из восьми ближайших соседних районов, включая районы на предыдущих четырех временных шагах. Затем среднее количество обысков в каждом районе будет сравниваться со средним количеством обысков по всему Новому Орлеану для каждого временного шага района.
Примечание:
Эти параметры являются лишь отправной точкой. Экспериментирование рекомендуется и необходимо для определения наилучшего сочетания параметров для каждого набора данных и вопроса анализа.
- Щелкните Запустить.
На карте появляется новый слой.
- На панели Содержание щелкните правой кнопкой мыши Frisks_HotSpot и щелкните Приблизить к слою.
- На панели Содержание прочитайте легенду, чтобы понять символы на карте.
Красные области — это горячие точки или районы, в которых было значительно больше обысков, чем в среднем по городу. Синие области — это холодные точки или области со значительно меньшим количеством обысков. Различные закономерности символов связаны с тем, как количество обысков в этом районе менялось с течением времени.
Примечание:
Чтобы узнать больше о классах символов, прочтите статью Как работает Анализ возникновения горячих точек.
Рядом с центром Нового Орлеана есть районы со статистически значимыми горячими точками обысков.
- На панели Содержание перетащите вверх слой Neighborhoods.
- Приблизьтесь к закладке Hot Spots.
Карта приближается к районам, где инструмент Анализ возникновения горячих точек обнаружил статистически значимые пространственно-временные горячие и холодные точки обысков.
На карте показано, где в Новом Орлеане с 2011 по 2018 год произошло статистически значимое скопление высоких и низких показателей обыска. Окрестности Французского квартала и Центрального делового района (CBD) становятся возрастающими горячими точками обыска. Соседние районы являются спорадическими горячими точками.
- Возрастающая горячая точка – местоположение, являющееся статистически значимой горячей точкой для 90% интервалов временных шагов, включая последний временной шаг. Кроме того интенсивность кластеризации высоких значений в каждом временном шаге с течением времени возрастает, одновременно с ростом статистической значимости.
- Спорадическая горячая точка — это место, которое снова и снова становится горячей точкой. Менее 90 процентов интервалов временных шагов были статистически значимыми горячими точками, и ни один из интервалов временных шагов не был статистически значимыми холодными точками.
Ранее вы определили районы Нового Орлеана, где количество обысков увеличивалось или уменьшалось. Эта новая карта показывает вам, где количество обысков значительно выше или ниже по сравнению с остальной частью города, и предоставляет информацию о том, как шаблоны обысков менялись с течением времени. Район Трем-Лафит, который в предыдущем анализе демонстрировал тенденцию к росту числа обысков, также оказался статистически значимой горячей точкой обысков.
Поиск горячих точек частоты обысков
Проведенный вами анализ новых горячих точек показывает, что центральная часть Нового Орлеана является горячей точкой для подсчета обысков. Однако неудивительно, что больше проверок и обысков происходит в густонаселенных, оживленных районах центра города. Далее вы обнаружите горячие точки частоты обыска, а не количества, так что вы сможете найти те районы, где полицейская проверка с большей вероятностью перерастет в обыск.
- В панели Содержание отключите и сверните следующие слои:
- Frisks_HotSpot
- Frisk_Trends
- Race/Ethnicity by Tract (2015-2019)
- Frisk Locations (2011-2018)
- Включите и разверните слой All Stop Locations (2011-2018).
Раньше вы анализировали местоположения обысков. Далее вы проанализируете число обысков по сравнению со всеми полицейскими проверками.
- На панели Геообработка найдите и откройте инструмент Кодировать поле.
Этот инструмент кодирует категориальные значения в числовые поля. Вы преобразуете поле frisk_performed (со значениями TRUE и FALSE) в числовое поле (со значениями 0 и 1). Кодирование данных таким образом позволит вам использовать их в инструменте Анализ возникновения горячих точек.
- Для Входной таблицы выберите All Stop Locations (2011-2018). Для Кодируемого поля выберите frisk_performed.
- Для Метода кодирования выберите Один-горячий.
Этот метод гарантирует, что проверки, на которых был проведен обыск, получат значение 1, а проверки, на которых обыск не производился, получат значение 0.
- Щелкните Запустить.
На карте изменений вы не увидите. Два новых поля добавлены к слою All Stop Locations (2011-2018). Они позволят вам создать куб пространства-времени, который моделирует частоту обысков, а не количество обысков.
- В панели Геообработки найдите и откройте инструмент Создать куб Пространство-Время по агрегации точек.
- Введите следующие параметры:
- Для Входных объектов выберите All Stop Locations (2011-2018).
- Для Выходного куба пространство-время введите FriskRates_Tracts_4Weeks.
- Для Поля времени выберите date.
- Оставьте параметр Шаблон куба пустым.
- В качестве значения Интервал временного шага введите 4 и выберите Недели.
- Для Выравнивания временного шага выберите Конечное время.
- Для Типа геометрии для агрегации выберите Указанные местоположения.
- Для Указанных полигональных местоположений выберите Race/Ethnicity by Tract (2015-2019).
- Для ID местоположения выберите Tract Numeric ID.
За исключением Входных объектов и имени Выходных данных, эти параметры идентичны тем, которые вы использовали для создания последнего пространственно-временного куба.
- В разделе Поля суммирования настройте следующие параметры:
- Для Поля выберите TRUE (frisk_performed_One-hot).
- В опции Статистика выберите Среднее.
- Для Заполнить пустые бины выберите Нули.
Эти параметры будут вычислять среднюю частоту обысков для каждого бина в пространственно-временном кубе, а не количество обысков.
- Щелкните Запустить.
Куб пространства-времени создан, но не отображается на вашей карте. Далее вы визуализируете его с помощью инструмента Анализ возникновения горячих точек.
- На панели Геообработка найдите и откройте инструмент Анализ возникновения горячих точек. Введите следующие параметры:
- Для параметра Входной куб Пространство-Время нажмите кнопку Обзор. Найдите и выберите FriskRates_Tracts_4Weeks.nc. Нажмите OK.
- Для Переменной анализа выберите ONEHOT_FRISK_PERFORMED_TRUE_MEAN_ZEROS.
- Для Выходных объектов введите FriskRates_HotSpot.
- Для Определении пространственных взаимоотношений выберите Ближайшая окрестность K.
- Для Числа пространственных соседей примите значение по умолчанию 8.
- Для Интервал шкалы времени для соседних объектов введите 4.
- В параметре Определить глобальное окно выберите Весь куб.
Эти параметры почти такие же, как те, которые вы установили при последнем запуске инструмента Анализ возникновения горячих точек. На этот раз вы выбрали Весь куб для параметра Определить глобальное окно (вместо временного шага соседства), потому что вы анализируете частоту обысков, а не количество обысков, которые менее чувствительны к изменениям населения. Инструмент будет сравнивать районы за весь период данных и весь город.
- Щелкните Запустить.
Слой FriskRates_HotSpot появляется на карте.
Этот слой отображает долю проверок пешеходов и транспортных средств, которые переросли в обыски, другими словами, районы города, где более высокая доля проверок переросла в обыски.
- На панели Содержание перетащите вверх списка слой Neighborhoods. Отключите и сверните слой All Stop Locations (2011-2018).
- Включите слой Frisks_HotSpot. Включите и выключите слой FriskRates_HotSpot, чтобы сравнить его со слоем под ним.
Центральный деловой район был горячей точкой обысков, но не частоты обысков. Это означает, что в центральном деловом районе было много обысков, но количество обысков по отношению к количеству проверок незначительно по сравнению с остальным городом. Напротив, Герт-Таун не был горячей точкой обысков, но это была горячая точка частоты обысков: в этом месте количество обысков невелико, но доля обысков по отношению к количеству проверок высока.
Вы сравните эти результаты с преобладающей расой и этнической принадлежностью в каждом районе.
- На панели Содержание отключите слой Frisks_HotSpot. Включите слой Race/Ethnicity by Tract (2015-2019).
- Включите и выключите слой FriskRates_HotSpot, чтобы сравнить его со слоем под ним.
Желтые области в слое Race/Ethnicity by Tract (2015-2019) соответствуют преимущественно чернокожим или афроамериканским районам. Визуальное сравнение между этими двумя слоями предполагает, что решение об обыске было принято в большей части проверок в районах, где преобладают черные.
- Сохраните проект.
В этом модуле вы создали куб пространства-времени на основе данных об инцидентах с обысками. Вы использовали куб пространства-времени, чтобы найти тенденции и статистически значимые горячие и холодные точки для подсчета обысков в Новом Орлеане. Затем вы построили второй куб пространства-времени, используя частоту обысков, провели второй анализ возникающих горячих точек и использовали результаты для анализа закономерностей решения об обыске во время проверки в Новом Орлеане. Вы обнаружили горячие точки количества обысков в некоторых из наиболее оживленных районов города, таких как центральный деловой район и Французский квартал. Вы также обнаружили горячие точки частоты обысков в преимущественно чернокожих районах недалеко от центра города.
Анализ расового неравенства в полицейских проверках
Вы исследовали проверки и обыски полицией в Нэшвилле, используя карты, и обыски в Новом Орлеане, используя анализ возникновения горячих точек. Далее вы изучите распределение проверок пешеходов по расам в каждом районе Сан-Антонио, штат Техас. Вы создадите индекс неравенства, чтобы найти районы, в которых доля проверок людей определенной расы больше, чем доля района, который представляет эта раса.
Анализ индекса неравенства предполагает, что люди, остановленные для проверки в районе, также живут там. Это предположение не всегда будет верным, но оно более вероятно для проверок пешеходов (Hannon, 2019), поэтому вы исключите проверки автомобилей из своего анализа. Кроме того, Hannon (2019) обнаружил, что расовое неравенство, подтвержденное этим показателем (индексом неравенства), сокращается, но сохраняется даже при удалении нерезидентов. Этот показатель также широко используется Американским союзом гражданских свобод (ACLU) в их расследованиях неравенства в деятельности полиции в Соединенных Штатах, например, в Нью-Йорке, штат Нью-Йорк; Вашингтон; и Филадельфия, Пенсильвания. Даже когда происходят проверки нерезидентов района, это все равно влияет на сообщество, что делает индекс неравенства полезным показателем, несмотря на это предположение.
Измерение процента проверок в каждом районе по расе
Сначала вы подсчитаете процент проверок в каждом районе, которые произошли с чернокожими, белыми и латиноамериканцами. Эти значения понадобятся вам позже для расчета индекса неравенства. Индекс неравенства можно создать для каждой расы и этнической принадлежности, но в этом руководстве вы будете измерять неравенство только для чернокожих, белых и латиноамериканцев.
- При необходимости откройте проект Police Stops в ArcGIS Pro. Под лентой щелкните вкладку карты San Antonio.
На карте показаны границы города Сан-Антонио и переписные районы, обозначенные по преобладающей расе и этнической принадлежности. В отличие от Нэшвилла и Нового Орлеана, в Сан-Антонио есть большинство районов, в которых преобладают латиноамериканцы или испаноязычные, обозначенные на карте зеленым цветом.
- Включите слой Pedestrian Stops (2012-2018) на панели Содержание.
На карте отображаются точечные данные, основные кластеры которых приходятся на центр города. Этот слой содержит только проверки пешеходов. Они взяты из Stanford Open Policing Project.
- На панели Геообработка найдите и откройте инструмент Суммировать в пределах (инструменты анализа).
Вы будете использовать этот инструмент для подсчета полицейских проверок пешеходов, произошедших в каждом районе, с группировкой результатов по расе и этнической принадлежности остановленного человека.
- Для Входных полигонов выберите Race/Ethnicity by Tract (2015-2019).
Этот слой получен из того же набора данных ACS, что и слой Race/Ethnicity by Tract (2015-2019), который вы использовали в Новом Орлеане. Однако в Сан-Антонио границы районов не совпадают с границами города, а для данного анализа важно, чтобы районы находились преимущественно в черте города. Поэтому районы, имеющие более 10 процентов своей площади за пределами города, были удалены.
- Для Входных суммируемых объектов выберите Pedestrian Stops (2012-2018). Для Выходного класса объектов введите RacialDisparityByTract.
- Оставьте раздел Поля суммирования пустым. Для Поля группы выберите subject_race.
Появятся дополнительные параметры.
- Отметьте Добавить проценты в группе. Для Выходной таблицы группировки примите имя по умолчанию subject_race_Summary.
- Щелкните Запустить.
Выполнение инструмента займет некоторое время. По завершении на карту добавляется векторный слой (DisparityByTract). Этот слой идентичен слою Race/Ethnicity by Tract (2015-2019) с дополнительным полем, в котором подсчитывается количество проверок в каждом районе. Вам больше не нужен исходный слой, поэтому вы его удалите.
- На панели Содержание щелкните правой кнопкой мыши Race/Ethnicity by Tract (2015-2019) и щелкните Удалить.
Инструмент также создал новую таблицу с именем subject_race_Summary. В этой таблице подсчитывается количество проверок для каждой расы в каждом районе. Вы присоедините информацию о расе из таблицы к векторному слою, но сначала вам нужно транспонировать таблицу.
- На панели Содержание щёлкните правой кнопкой мыши таблицу subject_race_Summary и щелкните Открыть.
Новая таблица содержит количество и процент проверок в каждом районе с разбивкой по расам. В поле Join ID указан район. Каждый район имеет несколько строк, по одной для каждой расы. Вы транспонируете эту таблицу так, чтобы в ней была только одна строка для каждого района.
Примечание:
Для инструмента Сводная таблица требуется лицензия Advanced. Если у вас нет лицензии Advanced, вы можете перейти к шагу 14 и использовать subject_race_Summary_ready вместо subject_race_Summary_Pivot.
- На панели Геообработка найдите и откройте инструмент Сводная таблица.
- В инструменте Сводная таблица заполните следующие параметры:
- Для Входной таблицы выберите subject_race_Summary.
- Для Входного поля выберите Join_ID.
- Для Поля столбцов выберите subject_race.
- Для Поля значений выберите Percent of point count.
- Для Выходной таблицы измените имя на subject_race_Summary_Pivot.
- Щелкните Запустить.
- Закройте таблицу subject_race_Summary и откройте таблицу subject_race_Summary_Pivot.
В таблице 260 строк - по одной для каждого района - и присутствуют поля для каждой категории расы. Значения представляют собой процент проверок в районе, которые произошли с людьми этой расы. Например, в районе с OBJECTID 1 28 процентов остановленных людей были испаноязычными.
Присоединение сводных значений к пространственному слою
Вы соедините поля black, white и hispanic из сводной таблицы со слоем RacialDisparityByTract, чтобы визуализировать эти значения на карте.
- На панели Содержание отключите слой Pedestrian Stops (2012-2028).
- На панели Геообработка найдите и откройте инструмент Соединение полей.
- Введите следующие параметры:
- Для Входной таблицы выберите RacialDisparityByTract.
- Для Входного поля соединения выберите Join_ID.
- Для Соединяемой таблицы выберите subject_race_Summary_Pivot.
- Для Поля соединяемой таблицы выберите Join_ID.
- Для Переноса полей выберите black, hispanic и white.
Примечание:
В этом руководстве вы проанализируете только три расовые группы. При проведении анализа расового равенства рекомендуется учитывать данные по всем расовым и этническим группам населения. Вам предлагается использовать рабочий процесс этого руководства для самостоятельного анализа различий между другими расовыми и этническими группами.
- Щелкните Запустить.
Поля black, white и hispanic добавляются к слою RacialDisparityByTract. Вы переименуете эти поля, чтобы было понятнее, к чему они относятся.
- На панели Содержание щелкните правой кнопкой мыши RacialDisparityByTract, наведите курсор на Дизайн данных и щелкните Поля.
Появится таблица Поля.
- Переместитесь в нижнюю часть таблицы. В столбце Имя поля измените black на PercentStopsBlack, hispanic на PercentStopsHispanic и white на PercentStopsWhite.
- В столбце Псевдоним измените black на Percent of Stops Black. Измените hispanic на Percent of Stops Hispanic. Измените white на Percent of Stops White.
Вы также скроете некоторые поля. Это облегчит поиск и сравнение интересующих вас полей в дальнейшем.
- Снимите отметку в заголовке столбца Видимые, чтобы снять отметку со всех строк.
- Отметьте Видимые для следующих псевдонимов полей:
- NAME
- Общая численность населения
- 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
- Число точек
- Percent of Stops Black
- Percent of Stops Hispanic
- Percent of Stops White
- На вкладке Поля ленты, в группе Управление изменениями, щелкните Сохранить.
- Закройте вид Поля и таблицу subject_race_Summary_pivot.
- На панели Содержание щелкните правой кнопкой мыши RacialDisparityByTract и щелкните Таблица атрибутов.
Появится таблица атрибутов.
- Переместитесь в конец таблицы.
Три присоединенных поля отображены со своими обновленными именами. Эти поля показывают процент проверок в каждом районе, где проверяемый человек был черным, латиноамериканцем и белым. Далее вы присвоите символы по одному из этих полей на карте.
- Закройте таблицу атрибутов.
- На панели Содержание щелкните правой кнопкой мыши слой RacialDisparityByTract и щелкните Символы.
Появится панель Символы.
- На панели Символы измените Основные символы на Неклассифицированные цвета.
- Для Поля выберите Percent of Stops Hispanic.
Карта показывает, что более высокий процент проверок приходится на латиноамериканцев в южной части города.
- На Панели инструментов быстрого доступа, щелкните кнопку Отмена дважды или пока карта снова не станет зеленой. Закройте панель Символы.
Слой RacialDisparityByTract возвращается к исходным символам. Это показывает, что больше латиноамериканцев проживает в южной части города, поэтому, возможно, ожидается, что там будет проверяться больше латиноамериканцев. Далее вы узнаете, как рассчитать индекс неравенства, учитывающий демографические характеристики каждого района.
Вычисление индекса неравенства
Далее вы добавите еще три поля для вычисления значений индекса неравенства для каждого района. Это поможет вам определить районы, где определенная раса проверялась непропорционально их доле в населении.
- Повторно откройте таблицу атрибутов для слоя RacialDisparityByTract.
- На панели инструментов над таблицей щелкните кнопку Вычислить.
Появится окно Вычислить поле.
- Для Имя поля (существующего или нового), введите DisparityBlack и нажмите Tab.
Появится новый параметр с именем Тип поля, потому что вы создаете новое поле, а не выбираете существующее.
- В Тип поля выберите Float (32-bit floating point). Для Типа выражения выберите Arcade.
- Для DisparityBlack = введите или скопируйте и вставьте $feature.PercentStopsBlack - $feature.B03002_calc_pctBlackE.
Подсказка:
Вы также можете построить это выражение, дважды щелкнув имена полей в списке Поля.
Это выражение будет вычитать значение процентов чернокожего населения из значения Процента проверок чернокожих.
- Щелкните Применить.
В конце таблицы атрибутов появится новое поле с именем DisparityBlack.
- В диалоговом окне Вычислить поле обновите следующие параметры:
- Для Имя поля, введите DisparityWhite и нажмите Tab.
- Для Выражения введите или скопируйте и вставьте $feature.PercentStopsWhite - $feature.B03002_calc_pctNHWhiteE.
- Щелкните Применить.
Новое поле с именем DisparityWhite появится в таблице атрибутов.
- В диалоговом окне Вычислить поле обновите следующие параметры:
- Для Имя поля, введите DisparityHispanic и нажмите Tab.
- Для Выражения введите или скопируйте и вставьте $feature.PercentStopsHispanic - $feature.B03002_calc_pctHispLatE.
- Нажмите OK.
- Прокрутите до конца таблицу атрибутов RacialDisparityByTract.
Доступны три новых поля.
Значения, хранящиеся в этих полях, представляют собой разницу между процентной долей чернокожего, белого или латиноамериканского населения и процентом полицейских проверок пешеходов, где субъект был черным, белым или латиноамериканцем. Эти три индекса неравенства измеряют разницу между тем, кто живет в районе, и тем, кто в этом районе был остановлен полицией.
- Закройте таблицу атрибутов.
Визуализация индекса неравенства
Далее вы визуализируете индекс неравенства для чернокожих на карте, чтобы увидеть, есть ли какие-либо пространственные закономерности.
- На панели Содержание щелкните правой кнопкой мыши RacialDisparityByTract и щелкните Символы.
- На панели Символы измените Основные символы на Неклассифицированные цвета. Для Поля выберите DisparityBlack.
- Щелкните меню Цветовая схема и отметьте Показать названия и Показать все. Прокрутите список более чем наполовину и выберите цветовую схему Розово-зеленый (плавный переход).
- Щелкните кнопку Дополнительно и щелкните Обратить цветовую схему.
Это расходящаяся цветовая схема, то есть в ней есть два цвета (зеленый и пурпурный), расходящиеся от центрального, нейтрального цвета (белого). Этот тип цветовой схемы полезен для отображения неравенства, но только в том случае, если центральный белый цвет соответствует нулевому значению неравенства. Нулевое неравенство означает, что процент остановленных чернокожих равен проценту чернокожих, живущих в этом районе.
Гистограмма символов показывает минимальное значение -20 и максимальное значение 31. Эти числа должны быть на одинаковом расстоянии от нуля, чтобы гарантировать, что значение неравенства, равное нулю, соответствует белому цвету.
- На панели Символы дважды щелкните надпись над гистограммой -20 и введите -31. Нажмите Enter.
Возможный цветовой диапазон теперь выходит за пределы диапазона данных.
- Перетащите указатель -20 в верхнюю часть гистограммы, чтобы она также отображала -31.
Теперь символы распределены равномерно. В фиолетовых районах количество проверок непропорционально велико для чернокожих, а это означает, что процент остановленных чернокожих больше, чем процент чернокожих, живущих в районе. Это касается 208 из 260 (80%) районов города. Карта теперь в основном фиолетовая. Эта закономерность не была очевидна до того, как вы настроили гистограмму символов.
В зеленых районах все наоборот: процент остановленных чернокожих ниже, чем процент чернокожих, живущих в районе. Это касается 50 районов (19 процентов) города.
- На карте щелкните один из полигонов района, чтобы просмотреть его всплывающее окно. Сравните значения Percent of Population that is Black or African American с Percent of Stops Black и DisparityBlac.
В этом примере района 13,2 процента людей, проверенных полицией, были чернокожими, но только 3,9 процента людей, живущих в районе, являются черными. Индекс неравенства для чернокожих (поле DisparityBlack) представляет разницу между этими двумя значениями.
- Закройте всплывающее окно.
Сравнение неравенства между тремя расовыми категориями
Вы сделаете две копии слоя RacialDisparityByTract, чтобы визуализировать неравенство белых и латиноамериканцев, а также чернокожих. Вы настроите согласованные свойства символов для трех слоев, чтобы можно было визуально сравнивать расовые неравенства в трех категориях рас.
- На панели Содержание щелкните правой кнопкой мыши RacialDisparityByTract и щелкните Копировать. Щёлкните правой кнопкой карту San Antonio и щелкните Вставить. Снова щёлкните правой кнопкой карту San Antonio и снова щелкните Вставить.
Теперь в панели Содержание есть три идентичных слоя RacialDisparityByTract.
- Переименуйте слои в Disparity Black, Disparity White и Disparity Hispanic.
- Измените порядок слоев на панели Содержание так, чтобы линейный слой San Antonio был сверху, а три слоя Disparity находились непосредственно под ним.
Неважно, в каком порядке расположены три слоя Disparity.
- Откройте панель Символы для слоя Disparity White. Измените Поле на DisparityWhite.
- Откройте панель Символы для слоя Disparity Hispanic. Измените Поле на DisparityHispanic.
- На панели Содержание сравните диапазоны данных для трех слоев Disparity.
В настоящее время темно-фиолетовый цвет в одном слое представляет собой значение неравенства 13, а в другом слое он представляет гораздо более высокое значение неравенства 63. Для корректного визуального сравнения вы будете использовать одинаковый диапазон символов для всех слоев. Это гарантирует, что темно-фиолетовый или темно-зеленый цвет будет означать одно и то же на каждой карте.
- Откройте панель Символы для слоя Disparity Black.
- Измените надписи минимума и максимума на гистограмме на -64 и 64. Перетащите указатели гистограммы на -64 и 64.
Подсказка:
Значения гистограммы символов не могут пересекаться друг с другом, поэтому их необходимо редактировать в определенном порядке.
- Измените гистограммы для слоев Disparity White и Disparity Hispanic, чтобы они также находились в диапазоне от -64 до 64.
Теперь, когда символы выровнены, вы можете провести визуальное сравнение трех слоев Disparity.
- На панели Содержание нажмите клавишу Alt щелкните отметку для слоя Disparity Black.
Все слои исчезнут с карты, кроме Disparity Black.
- Отключите слой Disparity Black. Включите слои Disparity White и Disparity Hispanic, чтобы просмотреть каждый из них отдельно.
На изображении слева направо показан индекс неравенства для чернокожих, белых и латиноамериканцев, где фиолетовый цвет означает более высокое неравенство, зеленый — меньшее неравенство, а белый — отсутствие неравенства. Как и прежде, большинство районов на карте Disparity Black окрашены в фиолетовый цвет. Цвета светлее, потому что диапазон значений больше.
На карте Disparity White почти все районы окрашены в фиолетовый цвет. На этой карте видно, что на большей части города полицейские проверки пешеходов были непропорционально высоки для белых людей. Оттенки фиолетового также темнее, чем на предыдущей карте, а это означает, что величина неравенства больше.
На карте Disparity Hispanic почти каждый район отмечен зеленым цветом, что свидетельствует о непропорционально малом количестве полицейских проверок пешеходов для латиноамериканцев.
- На карте щелкните самый темный зеленый район на юге города.
- Во всплывающем окне района сравните значения, относящиеся к белому и латиноамериканскому населению.
В этом районе 8,4 процента населения составляют белые, а 91,6 процента - латиноамериканцы или испаноязычные. Однако 72,2 процента проверяемых были белыми, и только 27,8 процента проверяемых были латиноамериканцами. Если предположить, что все люди, которых проверяли в этом районе, жили там же, то это означало бы, что полиция останавливала белых примерно в 8 раз чаще, чем их население. Фиолетовая и зеленая карты показывают, что эта картина повторяется по всему городу: полицейские проверки пешеходов непропорционально низки для латиноамериканцев или испаноязычных и непропорционально высоки для белых. Эта закономерность кажется необычной.
У вас недостаточно информации, чтобы делать выводы об этой закономерности. Однако одним из возможных объяснений может быть то, что многие латиноамериканцы были классифицированы как белые или представители другой расовой категории.
Поле DisparityHispanic было вычислено с использованием данных, собранных двумя разными способами. Что касается данных о населении, перепись населения США сначала спрашивала респондентов, являются ли они латиноамериканцами, испаноязычными или испанцами; затем в отдельном вопросе они указывали свою расу. Вы не знаете, как были собраны полицейские данные, но имеющиеся категории рас предполагают, что это был один вопрос. Вы также не знаете, была ли раса, указанная в протоколе, идентифицирована полицейским или человеком, которого они остановили. Вполне возможно, что многие люди в Сан-Антонио, которых при переписи считали латиноамериканцами, в данных полицейских проверок считались белыми. Эта непоследовательность и отсутствие знаний о данных делает ваши результаты ненадежными.
Примечание:
Раса и этническая принадлежность, их пересечение и то, как они кодируются в данных, — сложная и постоянно развивающаяся тема. Аналитик, который хочет провести объективный анализ с использованием данных о расе и этнической принадлежности, должен убедиться, что он понимает, как данные были собраны, чтобы было ясно, правильно ли интерпретируются результаты. Подробнее об этой теме вы можете прочитать в следующих статьях:
- Закройте всплывающее окно и сохраните проект.
В этом модуле вы измерили расовое неравенство полицейских проверок в каждом районе Сан-Антонио. Вы обнаружили, что в большинстве районов процент проверок чернокожих был выше, чем процент чернокожих жителей района. Однако вы не смогли сделать надежные выводы о неравенстве для белых и латиноамериканцев из-за возможных различий в том, как определялась раса в полицейских данных по сравнению с данными переписи населения.
Измерение совместного размещения проверок и преступности
С точки зрения охраны правопорядка, использование полицейских проверок пешеходов оправдано как форма активной охраны правопорядка в районах с высоким уровнем преступности для предотвращения преступлений и сдерживания потенциальных правонарушителей.
Анализ целенаправленного использования SQF [остановка-вопрос-обыск] в местах со случаями насилия или серьезными преступлениями с применением огнестрельного оружия и сосредоточенного на лицах с высокой степенью риска неоднократной судимости последовательно демонстрирует краткосрочный эффект снижения уровня преступности — "Ряд упреждающих полицейских мер успешно снижает уровень преступности; Недостаточно доказательств роли расовой предвзятости", Национальная академия наук, инженерии, медицины, 2017 г.
Однако большое количество исследований (Carvalho, Mizael, and Sampaio 2021) показало, что проверки полицией по-прежнему несоразмерно больше нацелены на чернокожих людей и их общины.
В этом модуле вы будете использовать данные Нью-Йорка и анализ совместного размещения, чтобы проверить обоснованность полицейских проверок в районах с высоким уровнем преступности. Затем вы определите районы, где проверки были в основном изолированы от преступлений с применением насилия, и исследуете расовое неравенство в полицейских проверках.
Изучение индекса неравенства для Нью-Йорка
Сначала вы изучите индекс неравенства для города Нью-Йорк, который уже был рассчитан для вас. Вы будете использовать его, чтобы получить некоторую информацию о том, кого останавливают на проверку в Нью-Йорке, прежде чем проводить анализ совместного размещения. Позже вы сравните результаты анализа совместного размещения с индексом неравенства.
- При необходимости откройте проект Police Stops в ArcGIS Pro. Под лентой щелкните вкладку карты New York City.
На карте показан индекс неравенства для неиспаноязычных чернокожих. Она была создана с использованием тех же методов, которые описаны в предыдущем модуле.
Примечание:
Если на карте не отображается слой индекса неравенства, на панели Содержание перетащите слой New York City вниз списка содержимого.
Большинство районов окрашены в фиолетовый цвет, что означает, что они отличаются сильным неравенством для чернокожих неиспаноязычных людей. Это означает, что неиспаноязычных чернокожих проверяют чаще, чем можно было бы ожидать, учитывая процент населения, проживающего в районе, где их останавливали. Цвета варьируются от -100 до 100, что означает, что по крайней мере в одном из темно-фиолетовых районов 100 процентов проверяемых людей были чернокожими и там проживало 0 процентов чернокожих неиспаноязычных людей.
Некоторые районы отсутствуют. Это районы, в которых не проживают чернокожие неиспаноязычного происхождения или их не проверяли в соответствии с используемыми наборами данных.
- Откройте панель Символы для слоя Racial Disparity by Tract.
- На панели Символы измените Поле на Disparity White Not Hispanic.
На этой карте большинство районов выделено зеленым цветом, что означает, что было проверено меньше белых неиспаноязычных людей, чем процент белых жителей района.
Примечание:
Три других индекса неравенства включены в слой в виде полей, которые вы можете изучить: Disparity API (азиатские и тихоокеанские жители), Disparity Black Hispanic и Disparity White Hispanic. Для корректного сравнения полей гистограмма символов должна использовать постоянный диапазон значений (от -100 до 100).
Далее вы изучите данные полицейских проверок, которые использовались для создания этих индексов неравенства.
- На панели Содержание отключите слой Racial Disparity by Tract и включите Pedestrian Stops (2017-2020).
Этот слой представляет каждую полицейскую проверку пешехода в период с 1 января 2017 г. по 31 декабря 2020 г. Этот слой взят из данных The Stop, Question and Frisk Data, предоставленных Департаментом полиции Нью-Йорка (NYPD) через NYC OpenData.
- На панели Содержание щелкните правой кнопкой мыши Pedestrian Stops (2017-2020) и щелкните Data Engineering.
Появляется вид Data Engineering.
- Над панелью полей в строке поиска введите race. На панели полей щелкните правой кнопкой мыши SUSPECT_RACE_DESCRIPTION и щелкните Добавить к статистике и вычислить.
На панели статистики появится строка таблицы. В столбце Number of Unique Values указано, что в этом наборе данных есть 11 различных категорий рас. В столбце Mode указано, что наиболее распространенным значением расы является BLACK.
- Наведите курсор на ячейку Предварительный просмотр диаграммы.
Появится всплывающее окно, показывающее разбивку первых 10 категорий в этом поле. Данные полицейских проверок для Нью-Йорка кодируют расу и этническую принадлежность иначе, чем данные для Сан-Антонио: существуют отдельные категории для BLACK и BLACK HISPANIC.
Демографические данные переписи, используемые для расчета индекса неравенства, были закодированы таким же образом. В Сан-Антонио вы не смогли правильно сравнить расовое неравенство, потому что данные полицейских проверок и демографические данные собирались по-разному. В Нью-Йорке сможете.
Примечание:
Демографические данные, используемые для расчета индексов неравенства, были добавлены с помощью инструмента геообработки Обогатить с использованием переменных из категории 2015-2019 Race and Hispanic Origin (ACS). Чтобы узнать, как обогащать слои в ArcGIS Pro, попробуйте обратиться к руководству Сравнение местоположений для розничного магазина.
- Закройте вид Data Engineering.
Проведение анализа совместного размещения проверок и преступлений
Вы будете использовать анализ совместного размещения, чтобы определить, была ли каждая полицейская проверка пешехода в Нью-Йорке с 2017 по 2020 год совмещена (близко) или изолирована (далеко) от преступлений с применением насилия. Вы будете измерять совпадения как в пространстве, так и во времени.
- На панели Содержание отключите слой Pedestrian Stops (2017-2020) и включите слой Violent Crime (2017-2020).
Фиолетовые точки представляют зарегистрированные насильственные преступления по части 1 за тот же период времени. Этот слой взят из набора данных NYPD Complaint Data Historic в NYC OpenData. Насильственные преступления части 1 определяются программой Единой отчетности о преступлениях (UCR) как уголовное убийство, насильственное изнасилование, грабеж и нападение при отягчающих обстоятельствах.
Все данные содержат некоторую предвзятость. Критическое осмысление того, какие данные следует использовать, помогает ограничить эффект предвзятости в вашем анализе. Данные о преступности могут быть особенно предвзятыми, часто из-за занижения сведений (например, жертва может не сообщать о преступлении из-за страха) или различий в методах и действиях полиции (например, больше преступлений может быть сообщено в районе, который усиленно охраняется полицией). Для этого анализа вы будете оценивать только места совершения насильственных преступлений по Части 1, а не все преступления в Нью-Йорке. Эти типы преступлений были выбраны по двум причинам: во-первых, потому что они являются наиболее серьезными и о них чаще всего сообщают. Во-вторых, потому что практика полицейских проверок пешеходов оправдана тем, что проверки нацелены именно на районы с высоким уровнем насильственных преступлений.
Вы определите, где данные полицейских проверок совпадают с данными о насильственных преступлениях, а где нет.
- Откройте панель Геообработка. Найдите и откройте инструмент Анализ совместного размещения.
Для каждого объекта полицейской проверки анализ совместного размещения будет оценивать особенности преступности в его районе. Если рядом с проверкой находится больше преступлений, точнее, если доля преступлений в окрестностях проверки больше, чем доля преступлений во всем районе, то проверка считается совмещенной с преступлениями. Если рядом с проверкой находится меньше преступлений, она считается изолированной от преступлений.
- На панели Геообработка задайте следующие параметры:
- Для Типа входных данных выберите Наборы данных без категорий.
- Для Входных объектов интереса выберите Pedestrian Stops (2017-2020).
- Для Временного поля интереса выберите STOP_FRISK_DATE_Converted.
- Для Входных соседних объектов выберите Violent Crime (2017-2020).
- Для Временного поля соседних объектов выберите CMPLNT_FR_DT.
Вы выбрали поле CMPLNT_FR_DT (дата жалобы), поскольку другое поле даты (CMPLNT_TO_DT) содержит значения null.
Вам было предложено выбрать поля времени, потому что этот инструмент будет искать признаки преступления, которые находятся поблизости как в пространстве, так и во времени. Вы зададите пространственную окрестность каждой проверки как полмили, а временную окрестность — как один год до проверки.
- Укажите параметры следующим образом:
- Для Диапазон расстояний введите 0.5 и выберите Геодезические мили США.
- Для Типа временных отношений выберите До.
- В качестве значения Интервал временного шага введите 1 и выберите Годы.
- Для Числа перестановок примите значение по умолчанию 99.
- Для Выходных объектов введите Stops_Crime_Colocation.
Это определение района было выбрано на основе предположений о том, как давно и как далеко может быть совершено преступление, чтобы повлиять на будущую проверку. Это только начальные значения параметров — впоследствии вы можете повторять анализ с другими значениями.
- Щелкните Запустить.
Новый слой с именем Stops_Crime_Colocation добавляется на панель Содержание.
- Отключите точечные слои Violent Crime (2017-2020).
- На панели Содержание прочитайте легенду слоя Stops_Crime_Colocation.
Каждая проверка классифицируется по тому, является ли она совмещенной или изолированной от преступности, и является ли эта взаимосвязь статистически значимой. Категория Не определено означает, что в районе проверки не было криминальных объектов, поэтому совпадение не могло быть оценено.
Значимое совпадение не обязательно означает большое количество проверок или преступлений. Это означает только то, что доля преступлений в районе проверки была выше, чем общая доля между преступностью и проверками.
Некоторые из ваших результатов ненадежны. Например, проверка от 1 января 2017 года может показаться изолированной, поскольку до нее не было преступлений, однако невозможно определить, изолирована она или совмещена, поскольку у вас нет данных о преступлениях за 2016 год. Вы удалите все проверки за 2017 год, чтобы ограничить свои данные только надежными результатами.
- На панели Содержание щелкните правой кнопкой мыши Stops_Crime_Colocation и щелкните Таблицу атрибутов.
Таблица атрибутов не содержит поля date, так как это поле не является частью выходных данных инструмента Анализа совместного размещения. Вы добавите поле date обратно из исходного набора данных с помощью присоединения, а затем удалите проверки за 2017 год.
- На панели Геообработка найдите и откройте инструмент Соединение полей.
- Введите следующие параметры:
- Для Входной таблицы выберите Stops_Crime_Colocation.
- Для Входного поля соединения выберите Source ID.
- Для Соединяемой таблицы выберите Pedestrian Stops (2017-2020).
- В Поле соединяемой таблицы выберите OBJECTID.
- Для Переноса полей выберите STOP_FRISK_DATE_Converted.
Примечание:
Если вы не видите псевдонимы полей для каких-либо полей атрибутов, нажмите кнопку Настройки списка полей и выберите Показать псевдоним.
- Щелкните Запустить.
Когда инструмент завершает работу, в таблице атрибутов появляется новое поле с именем STOP_FRISK_DATE_Converted. Теперь вы можете фильтровать данные по дате.
- На панели Содержание щелкните правой кнопкой мыши Stops_Crime_Colocation и щелкните Свойства.
- Щелкните на закладку Определяющий запрос в диалоговом окне Свойства слоя. Щелкните Новый определяющий запрос.
- Используйте меню для построения выражения Где STOP_FRISK_DATE_Converted соответствует или после 1/1/2018.
- Щелкните Применить, затем ОК.
Карта перерисовывается, показывая только те результаты совместного размещения, которые являются надежными. Вы отфильтровали проверки за 2017 год после запуска инструмента Анализ совместного размещения, а не до него, потому что инструмент сравнивает глобальную пропорцию с локальной пропорцией. Важно убедиться, что глобальная пропорция не будет затронута.
Определение областей, где проверки изолированы от преступности
На карте показаны результаты совпадения для отдельных проверок, а их символы перекрывают друг друга на карте. Далее вы сосредоточитесь на изолированных проверках, чтобы определить те районы, где рядом с полицейскими проверками пешеходов было меньше насильственных преступлений. Вы объедините результаты в полигоны переписных районов, чтобы лучше визуализировать закономерности на карте.
- При необходимости откройте таблицу атрибутов для слоя Stops_Crime_Colocation.
Поле LCLQ (Local Colocation Quotient) Type в таблице указывает, являются ли проверки совмещенными или изолированными. Вы создадите новое поле для определения только тех проверок, которые являются изолированными и значимыми.
- На панели инструментов над таблицей щелкните кнопку Вычислить. В окне Вычислить поле задайте следующие параметры:
- Для Имя поля (существующее или новое), введите IsolatedSignificant.
- Для Тип поля выберите Короткое целое (16-битное целочисленное).
- Для Типа выражения выберите Arcade.
- Для Выражения введите или скопируйте и вставьте следующий текст:
if ($feature.LCLQTYPE == "Isolated - Significant") {return 1}
else {return 0}
Это выражение будет присваивать значение 1 всем значимым изолированным проверкам и 0 всем остальным проверкам.
- Нажмите OK.
В таблицу атрибутов добавляется новое поле, определяющее все значимые изолированные проверки.
- На панели Геообработка найдите и откройте инструмент Суммировать в пределах (инструменты анализа).
Вы будете использовать инструмент Суммировать в пределах, чтобы подсчитать количество значимых изолированных проверок, существующих в каждом переписном районе.
- На панели инструмента Суммировать в пределах задайте следующие параметры:
- Для Входных полигонов выберите Racial Disparity by Tract.
- Для Входных суммируемых объектов выберите Stops_Crime_Colocation.
- Для Выходного класса объектов введите IsolatedStopsByTract.
- В разделе Поля суммирования для Поля выберите IsolatedSignificant. Для Статистики, выберите Сумма.
- Щелкните Запустить.
Когда инструмент завершит работу, на карте появится новый слой, но он может быть не виден из-за всех объектов слоя совпадений.
- На панели Содержание отключите слой Stops_Crime_Colocation и закройте его таблицу атрибутов.
- Откройте таблицу атрибутов для слоя IsolatedStopsByTract. Переместитесь в конец таблицы.
Поля Sum isolatedsignificant и Count of Points были созданы инструментом Суммировать в пределах. Вы будете использовать эти поля, чтобы найти процент проверок в каждом районе, которые изолированы от преступлений.
- На панели инструментов таблицы атрибутов щелкните Вычислить. В окне Вычислить поле задайте следующие параметры:
- Для Имя поля (существующего или нового) введите PercentIsolatedStops.
- В Тип поля выберите Float (32-bit floating point).
- Для Типа выражения выберите Arcade.
- Для Выражения введите или скопируйте и вставьте $feature.SUM_IsolatedSignificant / $feature.Point_Count * 100.
Это выражение будет вычислять процент проверок в каждом районе, которые значимы и изолированы.
- Нажмите OK.
Когда инструмент завершит работу, появятся предупреждающие сообщения о том, что вычисление для некоторых записей завершилось неудачно. Это произошло потому, что в некоторых районах не было проверок.
- Закройте окно Вычислить поле. Убедитесь, что в таблицу атрибутов добавлено новое поле, а затем закройте таблицу.
- Откройте панель Символы для слоя IsolatedStopsByTract. Измените Поле на PercentIsolatedStops.
Значения в этом поле находятся в диапазоне от нуля до 100 процентов, поэтому текущая расходящаяся цветовая схема не подходит. Вы выберете линейную цветовую схему, которая варьируется от светлого цвета (представляющего меньшее значение) до темного цвета (представляющего большее значение).
- Щелкните меню Цветовая схема и снимите отметку Показать все. Выберите Синюю (непрерывную) цветовую схему.
На карте темно-синие районы - это районы, где большинство полицейских проверок были изолированы - как в пространственном, так и во временном отношении - от инцидентов с применением насилия. В этих районах результаты противоречат заявлениям полиции о том, что проверки происходят в районах с насильственными преступлениями.
Исследование неравенства в областях, где проверки изолированы от преступности
Вы нанесли на карту процент изолированных проверок в каждом переписном районе в Нью-Йорке. Далее вы выберете районы с преобладанием изолированных проверок и исследуете значения индекса неравенства для этих районов.
- На панели Геообработка найдите и откройте инструмент Выбрать в слое по атрибуту.
- Для Входных строк выберите IsolatedStopsByTract. В качестве выражения постройте запрос Where PercentIsolatedStops is greater than 50.
- Щелкните Запустить.
Выбраны более интенсивные темно-синие районы на карте. Далее вы соберете статистику для этой группы районов.
- На панели Геообработка найдите и откройте инструмент Суммарная статистика.
- Для Входной таблицы выберите IsolatedStopsByTract. Для Выходной таблицы введите MostlyIsolatedStops_Summary.
Инструмент будет учитывать только выбранные объекты, поэтому выходные данные будут суммировать только те районы, где проверки были в большинстве случаев изолированы от преступлений.
- Для Полей статистики выберите следующие поля:
- 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
Примечание:
Если вы не видите псевдонимы полей для каких-либо полей атрибутов, нажмите кнопку Настройки списка полей и выберите Показать псевдоним.
- Для всех полей измените Тип статистики на Медиана.
Вы выбрали медиану, потому что это усредненное значение, на которое меньше влияют выбросы, чем на среднее значение.
- Щелкните Запустить.
- Внизу панели Содержание щёлкните правой кнопкой мыши таблицу MostlyIsolatedStops_Summary и щелкните Открыть.
В сводной таблице представлены медианные значения для всех перечисленных вами полей для выбранных районов. Вы можете видеть, что медианный процент чернокожего и нелатиноамериканского населения составляет 4,61. Далее вы создадите такую же таблицу, но для всех районов.
- Щелкните правой кнопкой мыши в любом месте карты и щелкните Очистить, чтобы очистить выборку.
- На панели Геообработка измените Выходную таблицу на AllStops_Summary.
Не изменяйте настройку Полей статистики.
- Щелкните Запустить.
- Откройте таблицу AllStops_Summary. Перетащите и закрепите таблицу так, чтобы она располагалась вверху другой.
Далее вы исследуете собранную вами статистику. Эти значения могут помочь вам оценить расовую диспропорцию в тех полицейских проверках, которые не объясняются наличием насильственных преступлений в этом районе.
- Сравните значения в обеих таблицах для MEDIAN_Pct_Pop_BlackNotHispanic и MEDIAN_ Pct_Pop_WhiteNotHispanic.
Эти поля представляют процент чернокожего населения и процент белого населения.
Районы, где полицейские проверки были в основном изолированы от насильственных преступлений (в таблице MostlyIsolatedStops_Summary), являются местом проживания для меньшего количества чернокожих и большего количества белых по сравнению с городом в целом.
- Сравните значения для MEDIAN_PercentStopsBlackNotHispanic и MEDIAN_PercentStopsWhiteNotHispanic.
Процент проверок, которые произошли с чернокожими и белыми людьми, был очень схожим между районами, где проверки были в основном изолированы от насильственных преступлений, и городом в целом. Однако помните, что в наиболее изолированных районах проживает больше белых людей, поэтому, если предположить, что проверки происходят с жителями района, вы ожидаете увидеть более высокий процент проверок белых людей.
- Наконец, сравните значения в обеих таблицах для MEDIAN_DisparityBlackNotHispanic и MEDIAN_DisparityWhiteNotHispanic.
Эти цифры подтверждают то, что вы видели на последнем шаге: районы, где проверки полицией были в основном изолированы от насильственных преступлений (самые темно-синие области на карте), имели больший индекс неравенства для чернокожих и более низкий для белых по сравнению с городом в целом.
В темно-синих районах возле каждой проверки было меньше преступлений по сравнению с городом в целом. Либо преступления были далеко от проверок, либо в этом районе была более высокая плотность проверок по сравнению с преступлениями. Индекс неравенства для чернокожих был выше в темно-синих районах, чем во всем Нью-Йорке. Это означает, что в районах, где происходили проверки, несмотря на отсутствие поблизости серьезных преступлений, оправдывающих их, чернокожих останавливали чаще, чем где-либо еще в городе.
[Это] объяснение высоких индексов неравенства согласуется с известным случаем гарвардского профессора Генри Луиса Гейтса-младшего; независимо от социального класса и ресурсов, жители меньшинств считаются более опасными и «неуместными» в районах с преимущественно белым населением и, таким образом, подлежат дополнительному контролю со стороны полиции. (Ogletree 2010) — "Место жительства по соседству и оценки расового профиля с использованием данных переписи," Socius: Sociological Research for a Dynamic World, 2019
- Закройте обе таблицы и сохраните проект.
- Закройте ArcGIS Pro.
В этом модуле вы использовали анализ совместного размещения, чтобы найти полицейские проверки пешеходов, которые были изолированы от насильственных преступлений первой части в Нью-Йорке. Вы суммировали эту информацию в районы, чтобы определить области, где проверки были преимущественно изолированы. Вы обнаружили, что большая часть белых людей живет в районах, где проверки были менее связаны с преступлениями, и неравенство в отношении частоты проверок было еще больше для чернокожих в этих районах.
ГИС уже давно используется для анализа данных о преступлениях. Вы уже привыкли анализировать вопросы расового равенства в правоохранительных органах. Доктор Филлип Атиба Гофф из Центра защиты справедливости объясняет важность этой работы:
Если работа полиции связана со справедливостью, то мы должны измерять справедливость, а не просто говорить о ней. Это означает измерение не только преступности, но и затрат на борьбу с ней, а также того, дает ли работа полиции справедливые результаты. Нам нужно задаться вопросом о стоимости повсеместного использования проверок транспортных средств и пешеходов, уделяя особое внимание сообществам, пострадавшим из-за пренебрежения правительства поколениями и отказа от инвестиций. Мы должны измерить воздействие на эти соседства и определить, действительно ли такие методы делают их более безопасными. Мы должны быть готовы рассмотреть вопрос о том, не причиняем ли мы дополнительный вред, пытаясь решить проблемы преступности и безопасности — "Сбор, анализ и реагирование на данные проверок: руководство для правоохранительных органов, правительства и сообществ," Центр обеспечения справедливости и Полицейский проект юридического факультета Нью-Йоркского университета, 2020 г.
В этом руководстве вы использовали несколько методов для изучения расового неравенства при проверках полицией:
- Вы визуализировали данные об проверках полицией в Нэшвилле, штат Теннесси, с помощью диаграмм и вида Data Engineering.
- Вы использовали новый анализ горячих точек, чтобы лучше понять, какие районы Нового Орлеана, штат Луизиана, подвергались наибольшему количеству обысков.
- Вы исследовали несоразмерное бремя полицейских проверок пешеходов по расе в каждом районе Сан-Антонио, штат Техас.
- Вы использовали анализ совместного размещения в Нью-Йорке, штат Нью-Йорк, чтобы проверить обоснование полиции того, что полицейские проверки пешеходов происходят в районах с более высоким уровнем насильственных преступлений.
Исследуя различные города, вы поняли, что местоположение имеет значение. В каждом городе и даже в каждом районе города были разные результаты и истории. Вы узнали о важности понимания своих данных и осознали, что в некоторых случаях данные могут не поддерживать возможность выявления закономерностей.
Есть много способов продолжить этот анализ. Вы можете, например, попробовать следующее:
- Повторить анализ для другого города. Вы можете найти данные о проверках для других местоположений в ArcGIS Hub, Stanford Open Policing Project и Police Data Initiative. Руководство Center For Policing Equity Stop Guide описывает лучшие методы сбора ваших собственных данных о проверках.
- Сосредоточьте анализ на конкретной демографической группе, например, на молодых чернокожих и латиноамериканских мужчинах.
- Изучите, как изменение данных или методов влияет на результаты.
Кроме того, вы можете изучить, как расовое неравенство в полицейской деятельности пересекаются с расовым неравенством в других областях, изучив результаты в других аспектах общества, таких как образование, здравоохранение или отсутствие продовольственной и жилищной безопасности. ГИС может сыграть важную роль в поддержке целостного подхода, необходимого для изучения воздействия расистской практики. В Racial Equity GIS Hub есть данные и другие ресурсы, которые помогут вам изучить эти вопросы.
Вы можете найти больше учебных пособий в галерее учебных пособий.