Spatiaalista mallinnusta pistedatalla: Kyselypohjainen analyysi koetusta terveydestä ja turvattomuudesta Helsingin metropolialueella

Avainsanat: spatiaalinen analyysi, kontekstuaalinen vaikutus, koettu terveys, koettu turvattomuus, lähiö, sosiaalinen disorganisaatio

Tässä menetelmäartikkelissa esitellään spatiaalisten mallien soveltamista sosiaalitieteellisessä kyselytutkimuksessa. Havainnollistavina esimerkkeinä käytetään koettua terveyttä ja koettua turvattomuutta Helsingin metropolialueella. Spatiaalinen analyysi tarjoaa joustavia työkaluja paitsi analyysin eksploratiiviseen vaiheeseen, myös mallinnukseen, jossa havaintojen spatiaalinen korrelaatio voidaan ottaa huomioon paikkatietopohjaisen naapuruusmäärityksen avulla. Artikkelissa käydään läpi spatiaalisten mallien soveltamisen kannalta keskeistä käsitteistöä ei-teknisellä ja käytännöllisellä otteella. Havainnollistavassa esimerkissä verrataan tavanomaisten regressiomallien tuloksia aluemallien vastaaviin. Artikkelissa todetaan, että koetulla turvattomuudella on selvästi enemmän alueellista rakennetta kuin terveydellä. Turvattomuus on siinä määrin spatiaalisesti korreloitunut ilmiö, että spatiaalisten mallien soveltaminen on perusteltua, minkä seurauksena selittävien kontekstimuuttujien piste-estimaatit pienenevät tuntuvasti tavanomaisten mallien tuottamiin estimaatteihin nähden.


Spatial modeling of point data: a survey-based analysis of self-rated health and feeling of unsafety in the Helsinki metropolitan area

This article demonstrates the use of spatial regression models in social scientific survey research. Self-rated health and feeling of unsafety were chosen as topics for the illustrative practical example. The rationale for this choice is threefold. First, both are central areas of well-being. Second, they possess very different spatial structures, which serves well the purposes of illustration. Third, they stem from the two historical roots of the modern spatial analysis, namely, the fields of 19th century epidemiology and criminology.

Spatial analysis offers flexible and underused tools for social scientist. The spatial distribution of the phenomenon of interest can be visualised using different scales or resolutions. From the point of view of modelling, one is able to account for the possible spatial autocorrelation of the phenomena, which results in more correct estimates. It is possible that the substantial interpretations depend on whether or not one accounts for spatial autocorrelation.

In our illustrative example, feeling of unsafety has a stronger spatial structure than self-rated health. As a consequence, accounting for spatial correlation makes a difference in the case of unsafety, contrary to that of self-rated health. The point estimates of the contextual variables diminish rather markedly in the spatial models of unsafety when compared to the standard models.