Wykład profesora Daniela Griffitha, 25 maja | Wydział Zarządzania i Ekonomii Politechniki Gdańskiej

Czy autokorelacja przestrzenna ma znaczenie dla planowania i oceny zrównoważonego rozwoju regionalnego?

Podążanie za różnymi istniejącymi wymiarami plamistości zobowiązuje liderów społeczeństwa do bardziej kompleksowego monitorowania zbiorowych dostaw i żądań ekonomicznych i innych, zwłaszcza w kontekście geograficznym. Z kolei dotknięte nimi wejścia, wyjścia, zapasy zasobów/towarów/usług oraz wygenerowane śmieci/śmieci, które wszystkie istnieją i są domyślnie lub jawnie oznaczone w przestrzeni geograficznej, są zdecydowanymi nośnikami autokorelacji przestrzennej. Wykorzystanie tej niemal wszechobecnej właściwości danych georeferencyjnych umożliwia wspieranie wydajnych i skutecznych przedsięwzięć w zakresie zrównoważonego rozwoju. Losowe pobieranie próbek z warstwową teselacją w celu monitorowania zanieczyszczenia środowiska nawiązuje do jednego z przykładów tego twierdzenia. Niniejsza praca ilustruje tę egzemplifikację analizą danych o jakości powietrza z 2023 r. dla Polski. Czyniąc to, przekłada ramy zbudowane na wyidealizowanych teselacjach na ramy dla okręgów administracyjnych Polski; ta konwersja metodologiczna umożliwia organizacjom rządowym udział w każdym zamierzonym monitorowaniu i nadzorowanie go bez dodatkowych komplikacji prawnych. Nieoczekiwane odkrycia akademickie obejmują początkowe rozszerzenie zestawu standardowych kształtów wielokątów (np. kwadratu i sześciokąta) do trapezu w celu próbkowania przestrzennego oraz możliwość, że wpływ autokorelacji przestrzennej na statystyki oparte na projektowaniu może znacznie przewyższyć naruszenie konwencjonalnej przypadkowej próbkowanie nieprawdopodobnego przykazania. Wreszcie, wnikliwy wniosek wyciągnięty z analiz podsumowanych w tym exposé dowodzi, że autokorelacja przestrzenna ma znaczenie dla planowania i oceny zrównoważonego rozwoju regionalnego.

Does spatial autocorrelation matter for sustainable regional development planning and evaluation?

Pursuing the various existing stainability dimensions obliges leaders of society to engage in more comprehensive monitoring of collective economic and other supplies and demands, particularly in a geographic context. In turn, the affected inputs, outputs, resources/goods/services stocks, and generated garbage/trash waste, which all exist and are tagged implicitly or explicitly in geographic space, are definite harborers of spatial autocorrelation. Harnessing this nearly ubiquitous georeferenced data property implants a capability of fostering efficient and effective sustainability ventures. Tessellation stratified random sampling to monitor environmental pollution alludes to one example of this assertion. This paper illustrates this exemplification with an examination of 2023 air quality data for Poland. In doing so, it translates a framework build upon idealized tessellations into one for the administrative districts of Poland; this methodological conversion enables governmental organizations to participate in and oversee any intended monitoring without additional jurisdictional complications. Serendipitous academic discoveries include an initial extension of the set of standard polygon shapes (e.g., square and hexagon) to the trapezoid for spatial sampling purposes, and the possibility that spatial autocorrelation impacts upon design-based statistics may far outweigh a violation of the conventional random sampling equiprobable commandment. Finally, the discerning conclusion reached through the analyses summarized in this exposé argues that spatial autocorrelation does matter for sustainable regional development planning and evaluation.