Suite

Comment sélectionner un secteur de recensement adjacent au hasard


J'ai un ensemble de secteurs de recensement espacés dans une ville et j'aimerais choisir au hasard un secteur de recensement adjacent pour explorer les données démographiques à proximité. Je ne sais pas s'il existe un processus facile pour obtenir des secteurs de recensement adjacents pour des secteurs de recensement sélectionnés.


En vous basant sur l'autre réponse, vous pouvez agréger les réponses dans un tableau, puis utiliser la fonction aléatoire PostgreSQL multipliée par array_length pour obtenir un index aléatoire pour ce tableau. Le + 1 à la fin est dû au fait que les index des tableaux commencent à 1 dans PostgreSQL

AVEC arrayed_data AS(SELECT ARRAY_AGG(a.tile, ',' ORDER BY a.tile) AS tuiles FROM cuy_contour_tiles AS p, cuy_contour_tiles AS a WHERE ST_Touches(p.geom, a.geom) AND p.tile = 'MyCensusTractOfInterest' GROUP BY p.tile ORDER BY p.tile) SELECT Tiles[ ( (array_length(tiles,1) - 1) *random())::int + 1] FROM arrayed_data

L'une de mes nouvelles astuces préférées est string_agg(). Si vous pouvez obtenir vos données dans une base de données moderne, alors vous avez un code comme celui-ci

SELECT STRING_AGG(a.tile, ',' ORDER BY a.tile) As tuiles FROM cuy_contour_tiles AS p, cuy_contour_tiles AS a WHERE ST_Touches(p.geom, a.geom) AND p.tile = 'MyCensusTractOfInterest' GROUP BY p.tile ORDRE PAR p.tile;

Le code provient du blog de Steve Mather avec l'ajout d'unETclause. Les gens du SIG de Boston entrent dans les moindres détails. Je sais par expérience qu'Oracle limite l'agrégation à 4 000 caractères = taille maximale du type de colonne de base de données VARCHAR2().

Si les résultats de la fonction d'agrégation de liste posent problème, supprimez les deuxSTRING_AGG()etGROUP BY p.tileclause. RemplacerSTRING_AGG()… AS tuilesaligner avecp.tile AS selected_tile, a.tile AS adjacent_tiles.

Dans les deux cas, vous disposez maintenant d'une liste de tuiles pour déterminer comment vous ferez votre sélection finale au hasard.


Comment sélectionner aléatoirement un secteur de recensement adjacent - Systèmes d'information géographique

Contexte De plus en plus de personnes âgées résident et meurent dans des institutions, mais il existe peu d'études qui analysent l'effet de cette situation sur la mortalité dans de petites zones et son effet sur l'association entre privation matérielle et mortalité.

Méthodes Une étude écologique transversale dans la région de Madrid couvrant 3906 secteurs de recensement (médiane 1000 habitants), en utilisant les données de mortalité pour 1996-2003 et la privation socio-économique du recensement de 2001. Des ratios de mortalité standardisés (SMR) ont été calculés pour chaque secteur de recensement. À l'aide du modèle Besag-York-Mollié, les RR de décès et leur IC à 95 % selon l'indice de défavorisation considéré (le quatrième quartile, Q, étant la situation la plus défavorable) ont été calculés pour les décès parmi : la population totale et la population excluant résidents décédés en institution.

Résultats 6 % des personnes décédées résidaient en institution, ce qui touche 16,5 % des sections de recensement (644) et représente 17 % de la variabilité du RMS chez les hommes et 10 % chez les femmes, p<0,001. La mortalité augmentait avec la privation socio-économique, alors que le RR pour la population totale au T4 par rapport au T1 était de 1,46 chez les hommes (IC à 95 % 1,41 à 1,50) et de 1,12 chez les femmes (IC à 95 % 1,08 à 1,17), ces chiffres sont passés à 1,48 ( IC à 95 % 1,43 à 1,53) et 1,14 (IC à 95 % 1,10 à 1,18), respectivement, pour la population excluant les résidents décédés en institution.

Conclusion Les décès de résidents en institutions affectent la variation de la mortalité dans les petites régions et confondent la relation entre la mortalité et les privations socio-économiques. Cette variable doit être enregistrée dans les statistiques de mortalité afin que son effet puisse être contrôlé dans les analyses ultérieures.


Mots clés

La cartographie et l'analyse géographiques de la santé et des soins de santé sont des facettes bien établies des analyses épidémiologiques et des services de santé (Joseph et Phillips, Reference Joseph et Phillips 1984 Meade et Earickson, Reference Meade et Earickson 2005 : 381-400), avec de nombreuses études examinant spécifiquement les soins de santé (PHC, par exemple Guagliardo, Référence Guagliardo 2004 Luo, Référence Luo 2004 Wang et Luo, Référence Wang et Luo 2005 Ricketts et Holmes, Référence Ricketts et Holmes 2007 Busato et Kunzi, Référence Busato et Kunzi 2008). Une grande partie de l'intégration de la géographie de la santé est due aux progrès des méthodes et des technologies des systèmes d'information géographique (SIG), et à une gamme associée d'ensembles de données sociodémographiques et de santé géoréférencés (géoréférencés) (Samarasundera et al., Référence Samarasundera, Martin, Saxena et Majeed 2010a). Ces tendances ont également entraîné la croissance d'atlas de santé et de soins de santé interactifs sur Internet, ainsi que de logiciels adaptés aux applications de services de santé, rendant la cartographie accessible à un public de soins de santé plus large. Les exemples incluent le programme de cartographie et de SIG de l'Organisation mondiale de la santé (OMS) (http://www.who.int/health_mapping/en/), le centre de cartographie de l'observatoire de santé publique du nord-ouest de l'Angleterre (http://www.nwpho.org. uk/healthgis/) au Royaume-Uni et l'outil de renseignement du ministère de la Santé de la Nouvelle-Zélande (http://www.phionline.moh.govt.nz/).

L'application croissante des SIG dans les SSP s'inscrit dans cette tendance. Cependant, en utilisant efficacement des jeux de données géoréférencés (Samarasundera et al., Référence Samarasundera, Martin, Saxena et Majeed 2010a) dans les logiciels SIG et les atlas de cybersanté nécessite une compréhension des concepts géographiques (Crooks et Andrews, Référence Crooks et Andrews 2009) ainsi qu'une compréhension managériale des objectifs, de la portée et des limites de méthodes de cartographie et d'analyse. Cette revue examine les méthodes et outils de cartographie spatiale et d'analyse pour la gestion au niveau de la population des SSP et des renseignements sur la santé, et aborde également les principaux problèmes institutionnels et de mise en œuvre pertinents pour le déploiement efficace de ces méthodes et technologies.


Comment Enodo donne un sens à vos données

Les professionnels de l'immobilier commercial recherchent de plus en plus de nouvelles façons d'obtenir des avantages concurrentiels, car les outils et les approches s'adaptent à la croissance de la technologie numérique. L'un des plus grands défis auxquels sont confrontées les entreprises est la grande quantité d'informations à leur disposition. Les fournisseurs de données, les sites d'annonces et les courtiers désireux de partager des données immobilières ne manquent pas, mais comme la plupart l'ont constaté, les informations provenant de ces sources peuvent souvent être incorrectes.

Dans cet esprit, je souhaite donner un aperçu concis de la façon dont Enodo agrège l'étendue des informations disponibles dans le domaine public, nettoie les mauvaises données et fournit des informations qui améliorent le processus d'analyse. Je vais spécifiquement essayer de répondre aux trois principales questions que nous recevons généralement des professionnels de l'immobilier :

  1. D'où viennent vos données ?
  2. Comment déterminez-vous « le marché » ?
  3. Comment savez-vous que la prime de loyer provient de cet équipement spécifique ?

1. Le pipeline de données

Afin de fournir un aperçu de chaque marché aux États-Unis, Enodo collecte des données détaillées sur les caractéristiques et les équipements de la propriété, les loyers du marché et les disponibilités des unités à partir de 3 intégrations de logiciels de gestion immobilière différentes, de 10 sites d'annonces de location différents et de plus de 5 000 sites Web de propriétés individuelles.

Bien que les données sur les équipements, la superficie en pieds carrés des unités, etc. ne changent pas souvent, notre pipeline de données récupère des données mises à jour sur les loyers et la disponibilité des unités chaque semaine pour environ 2 millions de propriétés multifamiliales, couvrant tous les marchés du pays.

Mais les données que nous recevons des sites d'annonces ne sont pas toujours parfaites - elles peuvent être obsolètes, avoir une frappe occasionnelle ou une erreur de saisie de données "gros doigt", ou elles peuvent représenter des baux à court terme (dont le prix est souvent beaucoup plus élevé) à partir des revenus logiciel de gestion.

Pour résoudre ce problème, nous avons construit une série d'algorithmes pour supprimer les valeurs aberrantes et les mauvaises données, puis combinons les bonnes données restantes pour former nos algorithmes de prime d'agrément et de prévision des prix.

Par exemple, si nos algorithmes de nettoyage détectent qu'un prix est supérieur ou inférieur à 2,5 écarts-types à la moyenne pour le même type d'unité dans le même bâtiment, nous rejetons ces données. De plus, nous analysons en détail si le loyer global et par pied carré pour chaque annonce est raisonnable en fonction des caractéristiques de la propriété et des loyers moyens du marché, et nous comparons automatiquement les nouvelles données aux données historiques pour la même propriété afin de détecter si une annonce de location a été facturée par inadvertance. incorrectement.

Une fois que les données de l'annonce ont été soigneusement nettoyées et que les valeurs aberrantes ont été supprimées, nous utilisons nos algorithmes d'analyse pour sélectionner des caractéristiques telles que les commodités du bâtiment et de l'unité, le temps sur le marché, l'étage, le dépôt de garantie, etc. Cela nous fournit des données détaillées sur la fourniture de appartements disponibles sur chaque marché, que nous pouvons ensuite agréger au niveau de la propriété et analyser.

2. Regroupement dynamique du marché

Les données détaillées du côté de l'offre que nous avons collectées à partir du pipeline de données sont ensuite jointes géographiquement dans notre base de données avec les données du côté de la demande (démographiques) de l'Environmental Systems Research Institute (ESRI) au niveau du secteur de recensement. Nous utilisons principalement les données de segmentation Tapestry d'ESRI, qui intègrent les caractéristiques des consommateurs aux caractéristiques résidentielles pour identifier les marchés et classer les quartiers américains.

Une fois ces ensembles de données réunis, l'algorithme de clustering d'Enodo utilise à la fois les données de l'offre et de la demande pour définir intelligemment les zones de marché. Ce processus se déroule réellement en direct sur la plate-forme. En partant du secteur de recensement dans lequel se trouve une propriété en question, nous calculons un score de similarité statistique pour chaque secteur de recensement adjacent en fonction des caractéristiques de la propriété et du marché de ces secteurs, et sélectionnons les secteurs adjacents les plus comparables à partir desquels former un cluster.

L'algorithme examine ensuite la couche suivante de secteurs adjacents et continue d'ajouter des secteurs de recensement de manière séquentielle jusqu'à ce que suffisamment de données soient accumulées pour calculer les valeurs de loyer et d'agrément supplémentaires. Les données des secteurs de recensement sont réunies pour former des marchés en fonction de la similitude de leurs caractéristiques d'offre et de demande.

3. Formation de modèle prédictif

Au sein de ces grappes de marché, Enodo forme un modèle d'apprentissage automatique pour prédire les loyers et les primes d'agrément du marché en fonction des caractéristiques démographiques du marché et des caractéristiques économiques de l'offre de logements multifamiliaux dans cette zone de marché nouvellement définie. Il y a souvent des dizaines de milliers d'unités à utiliser pour la formation des modèles.

En sous-échantillonnant intelligemment les propriétés de chaque cluster, l'algorithme d'Enodo peut déterminer l'impact incrémentiel de l'année de construction, du nombre de chambres, du nombre de salles de bains et de chaque équipement individuel en maintenant tout le reste de la propriété et du marché constant.

La meilleure façon de décrire le fonctionnement de ce processus est d'imaginer que nous divisons la valeur marchande d'une unité particulière en valeur du quartier, de la propriété et de l'unité elle-même, puis calculons la proportion de chacun.

Les variables de quartier comprennent les données démographiques et d'agrément de l'emplacement. Il y a une certaine valeur associée au simple fait d'avoir une unité dans une zone particulière, quelles que soient les commodités ou les caractéristiques au niveau du bâtiment et de l'unité. Enodo calcule la valeur du simple fait d'être sur un marché et répartit la valeur entre chaque variable du marché.

Les variables de propriété incluent des éléments tels que l'année de construction, le type de propriété, le nombre d'unités et les commodités du bâtiment. Il y a une certaine valeur associée au fait d'être simplement dans une propriété particulière, que vous soyez dans la pire unité ou la meilleure unité au sein de cette propriété. La part de la valeur marchande non définie par le marché est affectée à l'immeuble.

Les variables de l'unité comprennent la taille de l'unité, le nombre de lits/bains et les commodités de l'unité. La partie finale de la valeur provient de la compétitivité relative de chaque unité particulière par rapport aux autres unités du même immeuble.

Lorsque les trois niveaux sont pris en compte, une image complète de la valeur est générée. C'est le cœur de la plateforme Enodo.

Ne nous croyez pas sur parole, planifiez une démo pour voir Enodo en action.


Considérations géographiques du centre régional EB-5

Au fil du temps, les régions géographiques approuvées par l'USCIS sont devenues plus petites, et les nouveaux centres régionaux EB-5 sont donc susceptibles d'avoir une portée géographique plus petite que les centres régionaux plus anciens. Par exemple, certains des centres régionaux EB-5 les plus anciens ont des étendues géographiques qui s'étendent sur des États entiers et, dans certains cas, sur plusieurs États. D'un autre côté, les centres régionaux plus récents ont tendance à avoir des étendues géographiques couvrant seulement 10 à 15 comtés, et parfois même moins.

Un projet EB-5 à la recherche parrainage par un centre régional doit donc trouver un centre régional dont la portée géographique inclut l'emplacement du projet. Si l'emplacement d'un projet se situe en dehors de la région géographique approuvée d'un centre régional, ce centre régional ne peut pas parrainer automatiquement le projet. Cependant, si la frontière géographique est suffisamment proche pour qu'un argument convaincant puisse être présenté à l'USCIS, il existe un précédent pour l'expansion de la portée géographique d'un centre régional dans le cadre d'un investisseur individuel EB-5. Demande I-526.

Au cours des premières étapes du programme pilote, les centres régionaux étaient limités à des activités au sein d'industries préapprouvées définies selon le Système de classification des industries de l'Amérique du Nord (SCIAN). Cependant, en mai 2013, cette restriction a disparu.


Comment trouver des données sur la population et/ou l'emploi sur un site de projet

Il peut être difficile de trouver les données pertinentes sur la population et/ou l'emploi pour appuyer votre demande de désignation TEA. Dans son Manuel des politiques, l'USCIS note que "les sources de données acceptables aux fins du calcul du chômage comprenaient les données du US Census Bureau (y compris les données de l'American Community Survey) et les données du Bureau of Labor Statistics (y compris les données des Local Area Unemployment Statistics)" en se référant aux données les états des sources utilisés pendant le processus de désignation TEA. Bien que l'USCIS signale ces sources de données potentielles, il n'approuve automatiquement aucun ensemble de données spécifique. Cela n'a pas changé avec l'introduction des nouvelles règles.

Lors de la collecte de données pour étayer une demande de désignation TEA, l'accent doit être mis sur l'utilisation fiable et vérifiable des données qui sont cohérence interne et qui restera valable pour la période souhaitée. Il incombe au demandeur de démontrer que la zone relève d'une TEA. Bien que les informations accessibles au public auprès des ministères et organismes gouvernementaux soient fiables et vérifiables, elles sont rarement cohérentes à l'interne.

La cohérence interne fait référence non seulement à la source des données, mais également à la période couverte par les données. Par exemple, si vous utilisez Enquête communautaire américaine (ACS) données pour déterminer le taux de chômage dans la zone du projet, vous devez utiliser les données ACS pour déterminer le taux de chômage national. De même, si vous utilisez le taux de chômage national annuel, vous ne pouvez pas le comparer au taux de chômage mensuel de la zone du projet. Il est également généralement préférable d'utiliser des taux annuels, car cela permet de fonder la demande de désignation sur des données sous-jacentes avec une période de validité plus longue.


Précision positionnelle et biais géographique de quatre méthodes de géocodage dans la recherche épidémiologique

Nous avons examiné le biais géographique de quatre méthodes de géocodage des adresses à l'aide d'ArcGIS, d'une entreprise commerciale, de SAS/GIS et de photographies aériennes. Nous avons comparé le « point dans le polygone » (ArcGIS, entreprise commerciale et photographie aérienne) et la méthode « table de consultation » (SAS/SIG) pour attribuer des adresses à la géographie du recensement, en particulier en ce qui concerne les taux de pauvreté basés sur le recensement. .

Méthodes

Nous avons sélectionné au hasard 299 adresses d'enfants traités pour asthme dans un service d'urgence urbain (1999-2001). Les coordonnées de la porte latérale de l'adresse du bâtiment ont été obtenues par un décalage constant basé sur ArcGIS et une entreprise commerciale et un véritable emplacement au sol basé sur la photographie aérienne.

Résultats

Les coordonnées étaient disponibles pour 261 adresses pour toutes les méthodes. Pour 24 % à 30 % des coordonnées route/porte géocodées, l'erreur de position était de 51 mètres ou plus, ce qui était similaire pour toutes les méthodes de géocodage. Le relèvement moyen était de −26,8 degrés pour le vecteur de coordonnées basé sur la photographie aérienne et ArcGIS et de 8,5 degrés pour le vecteur basé sur la photographie aérienne et la firme commerciale (p < 0,0001). ArcGIS et la société commerciale se sont très bien comportés par rapport à SAS/GIS en termes d'affectation à la géographie du recensement. Pour 20 %, l'emplacement de la porte basé sur la photographie aérienne a été attribué à un groupe de blocs différent de celui du SAS/GIS. Le taux de pauvreté des groupes de blocs variait d'au moins deux écarts types pour 6 % à 7 % des adresses.

Conclusion

Nous avons trouvé des différences importantes de distance et de relèvement entre le géocodage par rapport à la photographie aérienne. L'attribution d'emplacements sur la base de photographies aériennes à des zones géographiques fondées sur le recensement pourrait entraîner des erreurs substantielles.


L'USCIS remet en cause la désignation TEA

—- MISE À JOUR —-
Les problèmes de ce poste ne s'appliquent plus depuis le 30/05/2013 EB-5 Policy Memo, qui engage l'USCIS à s'en remettre aux déterminations de l'État des limites appropriées d'une zone d'emploi ciblée. Pour citer la page 8 de la note de politique :

b. Désignation par un État d'une zone d'emploi ciblée
Le règlement prévoit qu'un gouvernement d'État peut désigner une subdivision géographique ou politique à l'intérieur de ses frontières comme zone d'emploi ciblée en raison d'un taux de chômage élevé. Avant que l'État ne puisse faire une telle désignation, un fonctionnaire de l'État doit informer l'USCIS de l'agence, du conseil ou de tout autre organisme gouvernemental approprié de l'État qui aura le pouvoir de certifier que la subdivision géographique ou politique est une zone de chômage élevé. . L'État peut alors envoyer une lettre de l'organisme autorisé de l'État certifiant que la subdivision géographique ou politique de la zone statistique métropolitaine ou de la ville de 20 000 habitants ou plus dans laquelle l'entreprise exerce principalement ses activités a été désignée une zone de chômage élevé. 8 C.F.R. § 204.6(i).
Conformément à la réglementation, l'USCIS s'en remet aux déterminations étatiques des limites appropriées d'une subdivision géographique ou politique qui constitue la zone d'emploi ciblée. Cependant, pour toutes les désignations de TEA, l'USCIS doit toujours assurer le respect de l'exigence légale selon laquelle la zone proposée désignée par l'État a en fait un taux de chômage d'au moins 150 % du taux moyen national. À cette fin, l'USCIS examinera les déterminations de l'État du taux de chômage et, ce faisant, l'USCIS peut évaluer la ou les méthodes par lesquelles l'autorité de l'État a obtenu les statistiques du chômage. Les sources de données acceptables aux fins du calcul du chômage comprennent les données du U.S. Census Bureau (y compris les données de l'American Community Survey) et les données du Bureau of Labor Statistics (y compris les données des Local Area Unemployment Statistics).

—–ANCIEN POSTE DE 2011 —–

La réunion trimestrielle des parties prenantes de l'USCIS le 14/10/2010 a soulevé une question importante :

Un intervenant a demandé s'il était acceptable, aux fins de la définition d'une TEA, de lier une zone de chômage élevé à des secteurs de recensement ou des subdivisions politiques à faible taux de chômage afin d'arriver à une conclusion globale de chômage élevé alors que l'intention est en fait d'investir dans le zone à faible taux de chômage.

À ce moment-là, l'USCIS n'a pas vraiment répondu à la question (consultez le résumé ci-dessus pour plus de détails), et la question a été soulevée à nouveau lors de la réunion des parties prenantes du 17/03/2010. Cette fois, l'USCIS a défini sa position plus clairement, en soulignant que l'agence s'attend à ce que votre "zone de thé" ait un sens en tant qu'unité, géographique ou politique, et pas seulement un assemblage aléatoire de secteurs de recensement qui entraînent en moyenne un taux de chômage élevé. taux, et que votre autorité étatique désignée approuve. Pour résumer la présentation (voir diapositives 42-48) :

  1. Il ne suffit pas d'avoir une lettre TEA du représentant de l'État désigné, mais « une désignation TEA délivrée par l'État doit être étayée par des preuves, y compris une description des limites de la subdivision géographique ou politique et de la ou des méthodes par laquelle les statistiques du chômage ont été obtenues. Les statistiques utilisées dans l'analyse de l'État doivent refléter les taux de chômage nationaux et locaux pour ces régions au moment de l'investissement en capital de l'investisseur étranger.
  2. La TEA doit reposer sur une « subdivision géographique ou politique » dont les limites peuvent être définies. (La présentation indique que les « districts électoraux tels que les districts du Congrès, les districts représentatifs de l'État, les districts sénatoriaux de l'État, les districts de surveillance du comté, les districts des membres du conseil municipal" semblent répondre à la définition légale d'une subdivision politique et n'explique pas ce qui constitue une subdivision géographique acceptable.)

Maintenant, la communauté bourdonne à propos d'un avis d'intention de refus du 11/03/2011 émis à un CR en Floride qui qualifie d'inacceptable une stratégie que de nombreux centres régionaux utilisent actuellement. Pour citer l'avis :

À l'appui de l'affirmation de l'avocat selon laquelle l'entreprise créatrice d'emplois est située dans une TEA, le requérant a fourni une lettre datée du 25 mars 2010 d'un fonctionnaire de l'État de Floride. Le responsable a conclu qu'en rejoignant plusieurs secteurs de recensement contigus au secteur de recensement [numéro de secteur], la zone combinée a connu un taux de chômage élevé d'au moins 150 pour cent du taux de chômage moyen national pour 2009. Ainsi, selon la lettre, la zone combinée se qualifie en tant que bassin d'emploi ciblé.
Le langage clair du règlement indique que TEA doit être une seule subdivision géographique ou politique. … Rien dans le règlement ne suggère qu'un pétitionnaire puisse prétendre au montant d'investissement réduit en demandant au gouvernement la confirmation du fait que l'ajout de plusieurs secteurs de recensement à taux de chômage élevé à un secteur de recensement à faible taux de chômage produit un taux de chômage moyen plus élevé. Le secteur de recensement [numéro de secteur] n'est pas considéré comme un TEA en soi. Le secteur de recensement [numéro de secteur] est considéré comme un TEA uniquement en combinant des secteurs de recensement adjacents et en faisant la moyenne des données sur le chômage. Une telle analyse rend le montant de l'investissement réduit dénué de sens car tout étranger pourrait prétendre au montant réduit simplement en ajoutant des secteurs de recensement à taux de chômage élevé à un secteur de recensement qui n'est autrement pas un TEA. Au contraire, l'investissement doit être dans une subdivision géographique ou politique officiellement désignée comme TEA.

Si l'adresse de votre projet ne fait pas partie d'un secteur de recensement TEA, comment montrez-vous que votre plus grande zone ou groupe de secteurs de recensement admissible n'est pas aléatoire mais compte comme une subdivision géographique ou politique ? Voici comment le bureau du gouverneur de l'État de Californie décompose les exigences relatives à la désignation spéciale d'un État :

Si l'emplacement de la nouvelle entreprise proposée ne fait pas partie d'une zone qualifiée décrite à l'étape 2, la justification de la qualification de zone de chômage élevé pourrait être possible par la désignation spéciale d'une zone plus petite dans la zone autrement non admissible. Le gouvernement de l'État peut désigner une subdivision géographique ou politique particulière située dans une zone statistique métropolitaine ou dans une ville ou une ville ayant une population de 20 000 habitants ou plus comme une zone de chômage élevé et ayant au moins 150 pour cent du taux moyen national.
Afin d'envisager des désignations de zones spéciales, les candidats à une telle désignation doivent respecter les critères suivants :
A) L'entrepreneur qui demande la désignation doit inclure une description des limites de la subdivision géographique ou politique :
une. Une subdivision géographique serait une zone découpée en fonction des caractéristiques physiques de la surface de la Terre. (De bons exemples seraient XYZ Valley, XYZ Bay, etc.)
b. Une subdivision politique serait une division d'un État qui existe principalement pour remplir une fonction de gouvernement local, comme une unité administrative civile d'un comté ou d'une ville. (Les unités administratives du gouvernement fédéral ou de l'État ne sont pas admissibles à une désignation spéciale.)
B) La zone proposée doit avoir un taux de chômage égal ou supérieur à 150 % de la moyenne nationale de chômage basée sur la moyenne pondérée du taux de chômage des secteurs de recensement contigus composant la zone souhaitée.


Sélection de fonctionnalités par programmation

Parfois, vous souhaitez sélectionner automatiquement de nombreuses entités dans une couche en fonction de certains critères tabulaires. Dans ce cas, vous sélectionnerez tous les secteurs de recensement du comté de Harris dans la plus grande région de 13 comtés. Le COMTÉPF10 Le champ de la table attributaire contient le code FIPS du comté, qui est « 201 » pour le comté de Harris.

Sélection d'entités par attributs

  1. Dans le ruban, Cliquez sur les Carte languette.
  2. Dans le groupe Sélection, Cliquez sur les Sélectionner par attributs pour ouvrir l'outil Sélectionner une couche par attribut dans le volet Géotraitement.

Exportation des entités sélectionnées

  1. Dans le volet Contenu, clic-droit les HGAC_tracts nom de la couche et sélectionnerDonnées > Exporter des fonctionnalités.
  2. Dans le volet Géotraitement, pour 'Classe d'entités en sortie', saisissez "HarrisTracts". Si le chemin d'accès complet au fichier est affiché, assurez-vous de tout laisser dans le chemin d'accès au fichier via Intro.gdb.
  3. En bas du volet Géotraitement, Cliquez surCours.
  4. Pour voir les résultats, dans le volet Contenu, clic-droit le nouvellement exporté HarrisTracts nom de la couche et sélectionnerZoom sur le calque.
  5. Dans le volet Contenu, clic-droit l'original HGAC_tracts couche et sélectionnerSupprimer. Notez que ce processus ne supprime pas la couche de votre géodatabase de projet, mais supprime uniquement la couche de cette carte particulière des secteurs de recensement.

Vous allez maintenant répéter le processus ci-dessus pour sélectionner le secteur de recensement pour l'Université Rice.

    Dans la section "Sélection des entités par attributs" ci-dessus, répéterétapes 2 à 5 pour le HarrisTracts couche avec l'expression : (GEOID10 est égal à 48201412100). Vous pouvez taper le code FIPS pour le mettre en surbrillance dans la liste déroulante plutôt que de faire défiler toute la liste pour le localiser.

Vous devriez voir le secteur de recensement de l'Université Rice sélectionné sur votre carte, comme indiqué ci-dessous. Ensuite, vous zoomerez plus près.

Sélection d'entités par emplacement

Nous allons maintenant créer une carte des arrêts de bus et des itinéraires de bus qui desservent le campus Rice. Nous pourrions continuer à faire notre travail au sein de la carte existante, mais, puisque nous nous concentrons maintenant sur différentes couches thématiques dans une étendue géographique différente, cela pourrait être le bon moment pour créer une deuxième carte au sein de notre projet.

  1. Sur le ruban, Cliquez sur les Insérer languette.
  2. Dans le groupe Projet, Cliquez sur les Nouvelle carte bouton.
  3. En bas du volet Géotraitement, Cliquez sur les Catalogue onglet volet.
  4. Renommer le nouveau Map1 à "Lignes de bus du riz".
  5. Dans le volet Catalogue, dans le Intro.gdb géodatabase, ajouter les METRO_BusRoutes, METRO_BusStops, et les classes d'entités Rice au nouveau Lignes de bus du riz carte.
  6. dans le volet Contenu, clic-droit les Riz nom de la couche et sélectionnerZoom sur le calque.

Vous allez maintenant sélectionner tous les arrêts de bus dans le secteur de recensement de Rice. Pour inclure les arrêts de bus en face de Rice, vous ajouterez une distance de recherche de 50 pieds de Rice.

    Sur le ruban, dans le groupe Sélection, Cliquez sur les Sélectionner par emplacement pour ouvrir l'outil Sélectionner une couche par emplacement dans le volet Géotraitement.

N'effacez pas la sélection, car nous utiliserons les arrêts de bus sélectionnés pour sélectionner maintenant les itinéraires de bus à moins de 100 pieds d'un arrêt de bus dans votre quartier.

Tous les arrêts de bus à moins de 50 pieds de Rice, ainsi que toutes les lignes de bus qui se trouvent à 100 pieds de ces arrêts doivent maintenant être sélectionnés sur votre carte, comme indiqué ci-dessous.

Vous devriez maintenant avoir deux calques dans votre volet Contenu : RizBusRoutes et Riz.

Le résultat est une carte vous montrant partout où vous pouvez vous rendre en bus depuis le campus de Rice sans transfert entre les itinéraires.


Discussion

Dans cette étude, nous avons identifié les SDOH au niveau individuel et au niveau communautaire qui étaient associés à la réduction de l'HbA1C dans un programme de gestion du diabète, conçu pour une population américaine d'origine mexicaine défavorisée sur le plan socio-économique vivant à la frontière entre les États-Unis et le Mexique. Notre analyse a montré que la réduction de l'HbA1C entre la ligne de base et le dernier suivi variait de manière significative par de nombreux facteurs, tant au niveau individuel que communautaire. Après avoir pris en compte la participation au programme (c. ) et les facteurs au niveau communautaire comprenaient l'avantage socioéconomique, les opportunités du noyau urbain et la cohésion et l'accessibilité de l'immigration.

Il convient de noter que notre analyse n'essaie pas de fournir une évaluation complète de l'efficacité du programme SyV, comme cela a été rapporté ailleurs (13). Nous avons plutôt cherché à étudier comment différents SDOH pourraient contribuer à la réduction de l'HbA1C, après en tenant compte de l'engagement des participants dans le programme. Nous avons constaté que les participants qui ont assisté à plus de cours DSME présentaient une réduction de l'HbA1C plus élevée, ce qui était cohérent avec les résultats de Reininger et al. (13), où les groupes à fort engagement (𢙒 visites au service fourni par le programme d'intervention) ont montré une réduction plus importante de l'HbA1C au cours de la période d'étude, mais les groupes à faible engagement (ς visites) n'ont pas été en mesure de maintenir la réduction de l'HbA1C. Nous avons également inclus la durée de la journée comme moyen de tenir compte de l'engagement et avons constaté qu'un séjour plus long dans le programme était également associé à une réduction plus élevée de l'HbA1C. Cependant, l'association avait un effet de plateau et diminuait après 439 jours.

Après avoir examiné l'engagement individuel dans le programme, nous avons constaté que le fait d'être marié était associé à une réduction plus importante de l'HbA1C. Cela concordait avec les études précédentes, car les personnes mariées étaient plus susceptibles d'avoir un niveau plus élevé d'adaptation au mode de vie lié au diabète, moins de détresse liée au diabète et une meilleure qualité de vie (28). Nous avons également constaté que les groupes plus jeunes au départ (㱠 ans) présentaient une réduction de l'HbA1C plus faible que les groupes plus âgés (60 ans et plus), ce qui est également cohérent avec les études précédentes selon lesquelles les personnes diagnostiquées avec un diabète entre 35 et 60 ans avaient un contrôle glycémique moins bon. par rapport à ceux diagnostiqués à 65 ans ou plus (29). Les raisons pour lesquelles les jeunes présentent un contrôle glycémique plus faible pourraient être multiples, car ils peuvent avoir une forme plus grave de la maladie et/ou un degré plus élevé de résistance à l'insuline (30), une participation ou un engagement plus faible dans le programme (31) ou être confrontés à plus de compétitions. obligations professionnelles et familiales qui empêchent le changement de mode de vie (32, 33). Nos résultats suggèrent que l'efficacité de la gestion du diabète varie selon les groupes démographiques. Il est donc important d'identifier les barrières qui peuvent empêcher certains groupes de bénéficier pleinement des programmes d'intervention comme SyV.

Au niveau de la communauté ou du quartier, nous avons eu des résultats inattendus selon lesquels les participants vivant dans des secteurs de recensement socio-économiquement plus favorisés présentaient une réduction de l'HbA1C plus faible à la fin du programme. Ce résultat était contraire aux études précédentes montrant que les personnes vivant dans des quartiers à statut socio-économique élevé avaient un meilleur contrôle glycémique (34). L'incohérence des résultats peut être due en partie à la prévalence plus faible du diabète dans les secteurs de recensement à plus haut avantage socio-économique de l'échantillon de l'étude, car nous avons trouvé une association négative entre l'HbA1C de base et l'indice d'avantage socio-économique. However, the inverse association between community socioeconomic advantage and HbA1C reduction persisted even after controlling for baseline HbA1C levels, suggesting that baseline severity of diabetes could not fully explain the observed results. Another possible interpretation might be that since the study populations are even more disadvantaged compared to the whole population in the study region, those disadvantaged individuals from wealthier census tracts may experience an increased level of depression and stress and in turn, had negative impacts on glycemic control. Finally, a previous study suggested people living in socioeconomically disadvantaged neighborhoods are more likely to use health care services than people from a more advantaged neighborhoods (35). Indeed, we saw that people from less advantaged communities on average participated in more classes (5.68 for first quartile of advantage index and 5.25 for fourth quartile of advantage index, Supplementary eTable 2) and stayed longer in the program (319 days for first quartile of advantage index and 295 days for fourth quartile of advantage index, Supplementary eTable 2).Therefore, a potentially higher engagement in the program among those living in more socioeconomically disadvantaged areas may have partially contributed greater HbA1C reduction in this group. Contrary to the inverse association observed for community socioeconomic advantage, we found that participants from census tracts with higher opportunity index rank or higher immigration cohesion and accessibility index rank had a greater HbA1C reduction. This was consistent with the previous study that social support and social cohesion had a significant positive influence on glycemic control (36). The mixed findings for different community indices suggested a complex and multidimensional impact of community context on diabetes control outcomes, and that future studies should investigate how multiple domains of community SDOH independently and collectively influence the effectiveness of health interventions.

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

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