![Sample our Economics, Finance,Business & Industry journals, sign in here to start your access, latest two full volumes FREE to you for 14 days]({"type":"image" , "src" : "/sda/5931/TOC-Subject-Sample-2021-Economics-Finance-Business-Industry.jpg"})
Abstract
Clustering in a spatially distributed phenomenon is an important focus of spatial analysis because it not only suggests characteristics of the pattern itself but also of its background processes. Traditional methods of spatial cluster detection mostly rely on the planar space assumption, yet a variety of spatial phenomena do not support its logic. This article expounds on an exploratory spatial data analysis methodology named local indicators of network-constrained clusters (LINCS) introduced elsewhere for detecting local-scale clustering in a spatial phenomenon that is constrained by a network space. In particular, this article focuses on two types of LINCS methods that are network extensions of traditional methods for analyzing spatial associations in zone-based planar-space data, namely, the local Moran I statistic and the local Getis and Ord G statistic. They are designed for phenomena that are represented by attribute values of individual network links. Examples of such phenomena include traffic volume, traffic speed, and the number of vehicle crashes aggregated at the link level. When the phenomenon of interest can be seen as a subset of a more generic spatial phenomenon, for example, vehicle crashes in relation to the entire traffic observed in a study region, the LINCS methods are capable of taking into account the distribution of such a base phenomenon so that one can avoid the detection of spurious clusters merely reflecting the base distribution. The article illustrates the application of the two LINCS methods using data on highway vehicle crashes in the Buffalo, New York, area in 1997.
El agrupamiento [clustering] en un fenómeno distribuido espacialmente es un importante enfoque en análisis espacial porque tal condición no solo sugiere características del propio patrón, sino también de sus procesos de base. Los métodos tradicionales de detección de agrupamiento espacial se basan principalmente en el supuesto del espacio plano, si bien una variedad de fenómenos espaciales no vindican su lógica. Este artículo se adentra en una metodología exploratoria de análisis de datos espaciales denominada indicadores locales de agrupamientos de redes constreñidas (LINCS, por el acrónimo en inglés), presentada en otra parte como método para detectar agrupamientos a escala local de un fenómeno espacial que es constreñido por un espacio de redes. Este artículo enfoca en particular dos tipos de métodos LINCS que son extensiones en red de métodos tradicionales para analizar asociaciones espaciales en datos de espacio plano de base zonal, a saber, la estadística local Moran y la estadística local Getis y Ord G. Estos métodos se diseñaron para estudiar fenómenos que están representados por valores de atributo de los eslabones individuales de una red. Los ejemplos de tales fenómenos incluyen cosas como el volumen de tráfico, velocidad del tráfico y el número de colisiones vehiculares agregadas al nivel del eslabón. Cuando el fenómeno que interesa puede visualizarse como un subconjunto de un fenómeno espacial más genérico, por ejemplo, colisiones de vehículos en relación con el tráfico conjunto observado en una región de estudio, los métodos LINCS son capaces de tomar en cuenta la distribución de tal fenómeno base, de modo que uno pueda evitar la detección de agrupamientos espurios que tan solo reflejan la distribución de base. El artículo ilustra la aplicación de los dos métodos LINCS mediante el uso de datos sobre colisiones de vehículos en carretera en el área de Buffalo, Nueva York, en 1997.
Acknowledgments
The authors wish to thank engineers at the New York State Department of Transportation for their availability and cooperation throughout this research, especially Robert Limoges and Justin Przepasniak.