יותר

עזרה בשימוש בנתוני סקר הקהילה האמריקאית בארה"ב


אני רוצה להשתמש בנתוני סקר הקהילה האמריקנית בארה"ב לצורך ניתוח מרחבי, אך אני מתקשה להבין כיצד בנויות טבלאות הסקר כך שאוכל לקשר אותן לטבלאות צורה של קבוצות.

הכנתי בהצלחה טופס צורה שמכיל את כל קבוצות החסימה בארה"ב, אך אינני מצליח להבין כיצד נתוני המפקד קשורים אליו באמצעות קוד STFID. יש לי כמה אלפי קבצי טקסט (בשםe20095ak0001000.txtלדוגמה). כשאני קורא אותםרהם הופיעו עם הכותרות הבאות:

[1] "ACSSF" "X2009e5" "ak" "X000" "X0011" "X0000001" [7] "X4269" "X2211" "X224" "X157" "X189" "X142" [13] "X77" "X269 "" X247 "" X169 "" X389 "" X146 "... עד 200 לערך

(אני מניח שקוד החסימה אינו תואם לשם הקובץ, מכיוון שיש לי 12,465 קבצים ו- 212,083 קבוצות חסימות)

אני מבין שעלי להבין מהו קוד הזיהוי, לקשר אותם לקבוצות החסימה, אך אינני יכול למצוא תיעוד המסביר מידע זה (גם לאחר קריאת התיעוד הטכני). היכן מוסברים כותרות העמודות הללו?

אני משתמש בסקר ACS בן 5 שנים.


אתה רוצה להרכיב סט ארצי בקובץ אחד? לכמה משתנים?

יש כמה חישוקים לעבור כדי לחבר את STFIDs בטופס הצורה שלך לנתונים. לא יכולתי לקרוא אם הבעיה העיקרית שלך היא פענוח תוכניות השמות של הקבצים ובירור מה יש בכל אחד מהם, או שמא מדובר בקשר למפתחות הראשיים של קובץ הצורה וקבצי הנתונים. בכל מקרה, הנה דרך אחת. אני חייב לומר שאני מתייחס למדגם ACS 2005-2009, אך נראה שהמבנה אנלוגי:

  • קבל את קובץ הנתונים. נשמע שהורדת את כל מערך הנתונים הארצי? זה שאתה מתייחס אליו הוא מ- ACS 2009, אלסקה, מקטע 0001 (מכיוון שקיימים כל כך הרבה שדות בקובץ הסיכום של ACS, הלשכה מחלקת אותם ליותר ממאה קבצים נפרדים לאומדנים ולמאה קבצים נוספים המכילים שוליים של שגיאות. אלה לקבצים יש קידומת "m" (לכל מדינה).
  • תזדקק גם לכותרות השולחן. עבור ACS הם מאוחסנים בקבצי xls.
  • STFID היא אחת הדרכים להתייחס באופן ייחודי לקבוצת חסימות. אחר הוא LOGRECNO, שהוא השדה שנמצא בפועל בקבצי הנתונים. עליך לקשר זאת באמצעות אחד מקבצי הגיאוגרפיה (גם xls). למשל, קליפורניה כאן. STFID היא גרסה קצרה יותר של עמודה C (15 התווים האחרונים בערך; לא זוכר את המספר המדויק עבור קבוצות חסימות, אך הוא מזהה קוד דו ספרתי למדינה, קוד תלת ספרתי למחוז, קוד בן שש ספרות לדרכי , ו (אני חושב) ארבעה קוד ספרתי אחד לקבוצת חסימות). לדוגמה, קבוצת בלוקים בסן פרנסיסקו תהיה 060750101001 או כך.
  • אם אתה מעוניין רק בקומץ משתנים, זה הרבה יותר קל פשוט להביא את הטבלאות האלה מ- Factfinder האמריקאית. אני חושב שרוב סקרי ה- ACS נמצאים כעת ב- factfinder2.
  • לבסוף, כאשר עסקתי בכך, מצאתי כי מסמך זה שימושי, אם כי עבור המדגם לחמש שנים. זה זמין למדגם של שנה אחת.

סיכום הצג עזרה לסיכום

סקר הקהילה האמריקאית (ACS) הוא סקר סטטיסטי מתמשך המדגם אחוז קטן מהאוכלוסייה מדי שנה - נותן לקהילות את המידע הדרוש להם כדי לתכנן השקעות ושירותים. מדגם המיקרו נתונים של הציבור לשימוש בן חמש שנים (PUMS) לשנים 2015-2019 הוא תת קבוצה של דגימות סקר הקהילה האמריקאית 2015-2019 (ACS) וסקר קהילת פורטו ריקו (PRCS). הוא מכיל את אותו מדגם כמו קבצי ה- PUMS המשולבים לשנת 2015, 2016, 2017, 2018 ו- 2019. ה- PUMS בן 5 השנים האחרונות ACS מכיל חמש שנים של נתונים על יחידות דיור (HU) ועל האוכלוסייה ממשקי בית. ואוכלוסיית רבעי הקבוצה (GQ). אוכלוסיית המטפלים, יחידות הדיור ואוכלוסיית משקי הבית משוקללים כולם כדי להסכים עם ספירת ה- ACS, שהם ממוצע במהלך חמש השנים (2015-2019). מדגם ה- ACS נבחר מכל המחוזות ברחבי המדינה ומכל העיריות בפורטו ריקו.


היקף הפרויקט

תקופות זמן צפה בעזרה לתקופות זמן

תאריך האיסוף צפה בעזרה של תאריך האיסוף

הערות לאיסוף נתונים הצג עזרה עבור הערות לאיסוף נתונים

אוסף נתונים זה אינו מכיל רשומות עבור אנשים בפורטו ריקו.

משתמשים ממליצים בחום לקרוא את כל התיעוד כולל דגימה, שגיאות דגימה, משקולות וזקיפה לפני ניתוח הנתונים. תיעוד זמין להורדה עם אוסף זה.

לעיתים, קטגוריות התגובה המשמשות בקבצי הנתונים של ACS חייבות להשתנות. זה עלול לגרום לקובץ PUMS רב שנתי לשאת שני משתנים או יותר להחליף את המשתנה היחיד המקורי שנראה ב- PUMS לשנה. זה קורה בגלל שינויים במערכות הסיווג המשמשות לניתוח הכלכלה, כמו גם שינויים במירוץ, במוצא, במקומות קודי הלידה ובהגדרות של אזורי מיקרו נתונים (PUMA).

בשנת הנתונים 2012 הוצגה קבוצה של משתני וינטג 'כפולים לקובץ PUMS בן 5 השנים. מערך הנתונים ACMS בן 5 השנים 2012-2016 הוא המוצר הראשון בן 5 השנים המכיל חמש שנות נתונים עם משתני הבציר משנת 2012. בקבצי 2012-2016 שונה שם המשתנים האלה, כאשר השנה הוסרה משם המשתנה. לדוגמא, משתנה POBP12 במערך הנתונים של PUMS לשנים 2011-2015 נקרא POBP במערך הנתונים 2012-2016.

היחידה הגיאוגרפית הקטנה ביותר שזוהה היא אזור השימוש במיקרו נתונים ציבוריים (PUMA). PUMA הם אזורים מיוחדים שאינם חופפים המחלקים כל מדינה ליחידות גיאוגרפיות צמודות המכילות לא פחות מ 100,000 איש כל אחת. תיקי ה- PUMS לחמש שנים 2012-2016 נשענים על גבולות PUMA שהוצבו על ידי ממשלות המדינה לאחר מפקד האוכלוסין בשנת 2010.

איסוף נתונים זה כולל קובץ אימות המספק אומדנים למאפיינים נבחרים הניתנים כדי לסייע למשתמשי הנתונים לקבוע אם הם משתמשים כהלכה במשקולות לצורך חישוב אומדנים. חלק מההערכות הללו עשויות להיות שונות מההערכות לאותם מאפיינים שפורסמו ב- FactFinder האמריקאית. משתמשים יכולים למצוא את קובץ האימות במדריך למשתמש טכני. להסבר על הבדלים אלה, עיין בסעיף "דיוק הנתונים" במדריך למשתמש הטכני.

אם משתמשי PUMS רוצים להשוות את אומדני PUMS לחמש שנים 2012-2016 ל PUMS 2011-2015, או רוצים לעשות שימוש חוזר בתכנית שנכתבה לנתוני PUMS לחמש שנים 2011-2015, עיין בסעיף "קרא אותי" במדריך למשתמש טכני אודות משתנים עם שינויים בין השנים 2015 ל -2016. לפרטים נוספים על השינויים, עיין במילוני הנתונים של PUMS וברשימות הקוד לשנים 2011-2015 וגם 2012-2016.

משתנים שנוספו מאז PUMS הקודם לחמש שנים: RACNH ו- RACPI.

משתני נמחק מאז מנ"צ 5 שנים קודמות: ANC1P05, ANC2P05, CITWP05, LANP05, MARHYP05, MIGPUMA00 MIGSP05, OCCP10, POB05, POWPUMA00, POWSP05, PUMA00, RAC2P05, RAC3P05, RACNHPI, SOCP10, ו YOEP05.

משתנים עם קודים חדשים או שונו מאז ה- PUMS הקודם בן 5 השנים: ADJHSG, ADJINC, BUS, CITWP, CONP, LANP, MARHYP, PLM, SERIALNO, SVAL, TOIL, YBL, YOEP, FBUSP ו- FTOILP.

משתנים עם שינויים קוסמטיים בתוויות משתנות או תוויות ערך: ANC1P, ANC2P, FER, LANP, MIGPUMA, MIGSP, OCCP, POBP, POWPUMA, POWSP, PUMA, RAC2P, RAC3P, SOCP, SRNT, TEL ו- FTELP.

בשל המגבלה במספר השורות המותרות של 65,536 ועמודות מותרות של 256 ב- Excel 97-2003 (סיום הקובץ, xls), קובץ ה- Excel המופץ עם אוסף זה הוא בגירסה המאוחרת יותר של Excel (סיום הקובץ של xlsx) .

למידע נוסף אנא בקרו באתר סקר הקהילה האמריקאית (ACS).


מבוא

למרות שלא ניתן לשלוט על התרחשותם של אסונות טבע, החברה יכולה להפחית את ההשפעות באמצעות אסטרטגיות התאוששות יעילות לאחר האסון. מחקר זה מעריך את השיבושים מההוריקן סנדי, את מהירות התאוששות המערכת ואת השפעותיהם על התפוקה הכלכלית ברמת הבית. הוריקן סנדי, אסון טבע בעל השפעה רבה שכונה "סופת סופר סנדי" בשל עוצמתו, פגע באזור ניו יורק (ניו יורק) ב- 29 באוקטובר 2012. הסערה שיבשה מאוד את מערכות התחבורה וההספק (Kaufman et al., 2012). , המגבילה את יכולתו של הציבור להגיע למקומות תעסוקה ולחזור לפריון. חזרה לפרודוקטיביות, למטרות מחקר זה, פירושה "יכולת לעבוד" עבור עבודה נתונה. חלק מהעבודות מחייבות נוכחות פיזית ואילו אחרות מאפשרות לעובדים לעבוד מרחוק. אלה שצריכים להיות נוכחים זקוקים למערכת התחבורה, בעוד שאלה שעובדים מרחוק עשויים להזדקק למערכות החשמל וגם לתקשורת כדי לתפקד. שתי הקבוצות עשויות להתמודד עם מגבלות נוספות, כמו חובות טיפול בילדים עקב סגירת בית ספר ומעונות יום, המשפיעות עוד יותר על יכולתן להיות פרודוקטיביות.

במטרופולין ניו יורק, כמעט שליש מהעובדים בני 16 ומעלה שעוזבים את בתיהם לעבודה נוסעים בתחבורה ציבורית - מצב מעבר חולק פי שמונה מהממוצע באזורי מטרופולין אחרים בארה"ב (סקר הקהילה האמריקאית). נתח מצב גבוה זה מוסיף סיבוכים, מכיוון שזה נהיה חשוב יותר בניו יורק מאשר בחלקים אחרים של אמריקה העירונית לשחזר את מערכת המעבר והתשתיות התומכות. משקי בית בעלי הכנסה נמוכה יותר עשויים להתמודד עם אתגרים גדולים יותר בגלל אפשרויות תחבורה מופחתות (למשל, לא להחזיק רכב פרטי) והיעדר משאבים כספיים לשלם עבור טיפול בילדים במהלך סגירת בית הספר או אפשרויות תחבורה פרטית במחירים גבוהים יותר (מרכז הסיוע הטכני לאסון, 2017 , Masozera et al., 2007, Lowe, 2018). בנוסף, משקי בית בעלי הכנסה נמוכה יותר יכולים להיות ממוקמים באזורים הפגיעים יותר לנזק. Faber (2015), למשל, מצא כי אחוז גדול יותר של משקי הבית בשטחי מפקד האוכלוסין של ניו יורק שהוצפו על ידי סנדי היו מתחת לקו העוני מאשר באזורים שאינם מוצפים. שיטפון זה תרם לסגירה זמנית של 150 תחנות רכבת תחתית בניו יורק, ובכך לקצר את הגישה למערכת עבור תושבים ועובדים הנוסעים בדרך כלל לתחנות אלה או ממנה. נראה שהירידות החדות ביותר בגישה היו באזורים עם שיעורי עוני גבוהים במיוחד, אם כי לא היו מספיק מסכתות כאלה כדי שהטענה הזו תציג מובהקות סטטיסטית (Faber, 2015).

במספר מחקרים על התנהגות נוסעים לאחר הפרעה השתמשו בגישות סקר ובמודלים סטטיסטיים. לדוגמא, Kontou et al. (2017) תפסה את הסתגלות הנוסעים אחרי הוריקן סנדי על ידי פיתוח חמישה דגמי logit בינאריים מרובי משתנים לשינוי מצב, ביטול נסיעה לעבודה, שינוי מסלול ושינוי זמני יציאה (מוקדם או מאוחר יותר) לטיולי בית לעבודה. ספרות קיימת (Giuliano and Golob, 1998, Zhu et al., 2010, Mokhtarian et al., 2010) ציינו כי שינוי זמן היציאה ושינוי מסלול הם שתי האפשרויות המועדפות הראשונות לנוסעים העומדים בפני הפרעה תחבורתית ויכולים להיחשב כהחלטות טקטיות. (בניגוד להחלטות אסטרטגיות) שאינן כרוכות בהכרח בהשקעות כספיות או בשינויים בפעילות ונמצאות בשליטת המטייל. שינוי מצב הוא האופציה הפחות מועדפת (Giuliano and Golob, 1998, Zhu et al., 2010, Mokhtarian et al., 2010), פחות סביר אפילו לבטל את הנסיעה לחלוטין (Giuliano and Golob, 1998), בגלל מחסור ברכב. בעלות ואפשרויות מוגבלות לשירות תחבורה מגבילות את היתכנות השינוי במצב (Zhu et al., 2010). שירות המעבר והנגישות הם מחוץ לשליטת הנוסעים ואילו בעלות על מכונית יכולה להיחשב כהחלטה אסטרטגית, הכרוכה בהשקעה כספית משמעותית ומאמץ להשיג את הרכב.

סקירתם של לוינסון וז'ו (2012) על 16 מאמרים בנושא תגובות התנהגותיות לשיבושים ברשת התחבורה, מזהה כמה מגבלות של מחקרים קיימים המגבילים את הכלליות שלהם: (1) חוסר פירוט בבחירות זמן מסלול ויציאה, (2) הסתמכות על נוסע עם אפשרות אחת. הסתגלות, כגון שינוי מסלולים או זמני יציאה, ואי שילוב אפשרויות מרובות, (3) אי התחשבות בחוויה ולמידה במהלך ההפרעה. המחקר שלנו מטפל בכמה מהליקויים הללו על ידי בניית מודל מבוסס סוכן (ABM). כדי לטפל בבעיה (1), ABM בוחנת אפשרויות בחירת זמן מסלול ויציאה עבור כל סוכן. עבור נוסעים ברכבת התחתית / ברכבת, אנו מדגמנים את בחירת המסלול היומית המלאה ואילו במצבים אחרים אנו רואים רק חלקים ספציפיים של המסלול המשמשים בנסיעה, כגון גשרים ומנהרות. לגבי נושא (2), ה- ABM שלנו מאפשר לסוכנים לבצע שינויים מרובים, כגון זמן מסלול ויציאה, בו זמנית. לבסוף, לנושא (3), הנוסעים במודל שלנו לומדים מחוויות הנסיעה הקודמות שלהם על ידי בחינת עיכוב וצפיפות מהיום הקודם, כך שיוכלו להתאים את החלטות הנסיעה שלהם בהתאם.

מכשירי ABM יכולים לדמות מצבים מבוססי זמן מסובכים ודינמיים, כמו שיבושים הקשורים להוריקן סנדי, ולעתים קרובות משתמשים במודלים סטטיסטיים. מרכזית למטרותינו, דוגמנות מבוססת סוכנים מציעה גישה מתאימה למידול בעיות הקשורות לתחבורה (Bernhardt, 2007) ושילוב קבלת החלטות אנושיות דינמיות שיכולות לגרום להבדלים משמעותיים בתפקוד המערכת הכולל (Hager et al., 2015). לדוגמא, נעשה שימוש במודל מבוסס סוכנים במחקרים על דרישת נסיעות והתנהגות קבלת החלטות במהלך פינוי (Yin, 2014, Zhang et al., 2013, Zhang and Wolshon, 2014, Ukkusuri et al., 2017), זמן פינוי מינימלי לפלורידה קיז (Chen et al., 2006), השוואה בין אסטרטגיות פינוי מבוימות וסימולטניות (Chen and Zhan, 2006) וההשפעה של זמן היציאה על הפינוי (Lammel and Klupfel, 2012). מחקרים אחרים השתמשו בטכניקות דוגמנות מבוססות סוכנים לחישוב הביקוש העתידי לתחבורה (Huynh et al., 2011) והערכת בעיות עומסי דרכים (Rossetti et al., 2000).

המחקר שלנו שונה ממצבים שלפני ההשפעה, תוך התמקדות בנוסעים שנשארים באזור הפגיעה ומנסים לנהל חיים נורמליים ככל האפשר לאחר חלוף הסכנה המיידית. לאחר ההוריקן סנדי, התושבים הושפעו מהפרעות שנגרמו בעקבות הסערה ואמצעי ההחלמה שביצעו גורמים שונים. כדי להתמודד עם השיבושים הללו, אנשים שינו את דפוסי הנסיעה שלהם. Marsden and Docherty (2013) הצהירו כי התנהגות הנסיעות משתנה הרבה יותר מכפי שקובעי המדיניות מאפשרים וללמוד התנהגות לאחר כל הפרעה יכולה לחשוף תובנות חדשות. לכן, כדי לזהות שינויים פוטנציאליים בנסיעה ולהשיג תובנות חדשות לגבי מאמצי התאוששות, מחקר זה משתמש בנתוני סקר ומודיע על ידי מחקרים קודמים.

מאמר זה מציג ABM מקורי ללכידת התנהגות והסתגלות של אנשים לאחר הוריקן סנדי ומתייחס באופן ספציפי לאופן שבו תרחישי התאוששות היפותטיים שונים משפיעים על פרק הזמן שבו אנשים יכולים לחזור למצב יצרני. הבנה טובה יותר של גורמים אלה יכולה לסייע לפקידים ולסוכנויות להחליט כיצד למקד את מאמצי ההתאוששות שלהם כדי לקדם חזרה מוקדמת יותר לפריון לאחר אסון, וכן לזהות את המערכות החשובות ביותר להתאוששות תחילה. שאר מאמר זה מחולק לארבעה חלקים. סעיף 2 מתאר את ה- ABM ואת הנתונים המשמשים לפיתוחו. סעיף 3 מציג את תוצאות חקירת תרחישי ההתאוששות המשנים את ציר הזמן האמיתי של התאוששות המערכת כדי לבחון את השפעתם על התפוקה. לבסוף, סעיף 4 מתאר את המסקנות וסעיף 5 מציג כיוונים ומגבלות עתידיות.


היקף הפרויקט

תקופות זמן צפה בעזרה לתקופות זמן

תאריך האיסוף צפה בעזרה של תאריך האיסוף

הערות לאיסוף נתונים הצג עזרה עבור הערות לאיסוף נתונים

אוסף נתונים זה אינו מכיל רשומות עבור אנשים בפורטו ריקו.

משתמשים ממליצים בחום לקרוא את כל התיעוד כולל דגימה, שגיאות דגימה, משקולות וזקיפה לפני ניתוח הנתונים. תיעוד זמין להורדה עם אוסף זה.

לעיתים, קטגוריות התגובה המשמשות בקבצי הנתונים ACS משתנות, מה שעלול לגרום לקובץ PUMS רב שנתי לשאת שני משתנים או יותר להחליף את המשתנה היחיד המקורי שנראה ב- PUMS לשנה אחת. זה קורה בגלל שינויים במערכות הסיווג המשמשות לניתוח הכלכלה, כמו גם שינויים במירוץ, במוצא, במקומות קודי הלידה ובהגדרות של אזורי מיקרו נתונים (PUMA). לקובץ ה- PUMS של 5 השנים 2008-2012 יש שש עשרה קבוצות של משתנים כפולים (או משולשים) (שתוארו גם כמשתנים וינטאג ') מאחר ומשתנים מפורטים רבים תוקנו עבור מוצרי הנתונים לשנת 2012. על מנת לקבל נתונים עבור כל מדגם ה- PUMS, יש להשתמש בכל הבצירים הללו עבור משתנה נתון. ערך של -9, -09, -009 או -0009 (תלוי באורך המשתנה) מוקצה למקרים שהמשתנה אינו חל עליהם בגלל שנת הנתונים, למעט קודי עיסוק. לקבלת רשימה מלאה של המשתנה הכפול, עיין במסמך ReadMe ל PUMS בן 5 השנים 2008-2012 ובמילון הנתונים PUMS הכלול באיסוף נתונים זה למידע נוסף על משתנים אלה.

היחידה הגאוגרפית הקטנה ביותר שזוהה היא אזור השימוש במיקרו נתונים ציבורי (PUMA), המבוסס על גודל אוכלוסייה בתחילה כ- 100,000 ומעלה. ישנן שתי קבוצות של PUMAs ב- ACS PUMS 2008-2012. לרשומות PUMS משנת 2008 עד 2011 יש קודי PUMA שנוצרו מקובצי הנתונים של מפקד 2000, 5 אחוזים. לרשומות PUMS משנת 2012 יש קודי PUMA המבוססים על נתוני מפקד 2010. לרשומות הישנות אין את קודי PUMA לשנת 2010, ולרשומות 2012 אין את קודי ה- PUMA המבוססים על 2000.

בשל המגבלה במספר השורות המותרות של 65,536 ועמודות מותרות של 256 ב- Excel 97-2003 (סיום הקובץ, xls), קובץ ה- Excel המופץ עם אוסף זה הוא בגירסה המאוחרת יותר של Excel (סיום הקובץ ב- xlsx) .


מיפוי 2-1-1 שיחות הקשורות לאי-ביטחון מזון באזור 10-מחוזות במרכז טקסס לפי מיקוד: בחינת התפקיד של גישה לאוכל גיאוגרפי, עירוניות ואינדיקטורים דמוגרפיים

חוסר ביטחון תזונתי הוא נושא בריאות הציבור הפוגע ב -12% מהאמריקאים. אנשים החיים במשקי בית חסרי ביטחון נוטים יותר לסבול ממצבים כמו תת תזונה, השמנת יתר ומחלות כרוניות. חוסר ביטחון תזונתי נקשר לגישה גיאוגרפית מוגבלת למזון עם זאת, מחקרים קודמים השתמשו במדדי גישה מוגבלים שאינם תופסים את הניואנסים של ההקשר הקהילתי לחלוטין. מטרת מחקר זה הייתה לחקור את הקשר בין חוסר ביטחון תזונתי לבין גישה למזון גיאוגרפי לפי רמת עירוניות. שיחות 2-1-1 שנערכו בשנת 2018 במרכז טקסס סווגו כצרכי מזון לעומת צרכים שאינם מזון. סופרמרקטים וחנויות נוחות מומו באמצעות ArcGIS. הגישה לאוכל גיאוגרפי הופעלה כנוכחות של סופרמרקטים וחנויות נוחות: בתוך המיקוד רק במיקודים שכנים ולא נמצא בתוך מיקודים שכנים או במיקודים שכנים. סטטיסטיקה תיאורית ורגרסיה לוגיסטית בינומית שימשו לבחינת קשר בין גישה גיאוגרפית ל -2-1-1 שיחות מזון, מרובדות לפי רמת עירוניות. 11% מהשיחות 2-1-1 שבוצעו בשנת 2018 (N = 55,405) נוגעות לצרכי מזון. התוצאות הראו כי מתקשרים עירוניים וכפריים המתגוררים במיקודים שהיו להם סופרמרקטים במיקודים שכנים בלבד, היו בעלי סיכויים גדולים יותר להתקשר לצרכי מזון בהשוואה לאלה שהמרכולים שלהם היו במיקוד. ממצאים אלה מצביעים על כך שגישה למזון גיאוגרפי קשורה לחוסר ביטחון תזונתי, אך קשר זה משתנה לפי עירוניות. לפיכך, יש צורך בפיתוח תוכניות להפחתת חוסר ביטחון תזונתי באזורים פרי-אורבניים וכפריים.

זו תצוגה מקדימה של תוכן מנוי, גישה דרך המוסד שלך.


בשנת 2019, כ -9% מהילדים מתחת לגיל 18 גרו במשקי בית בהם אף הורה לא השלים תיכון, 26% התגוררו במשקי בית לאם בלבד, 8% גרו במשקי בית לאב בלבד, ו -16% היו במשפחות שחיו בעוני.

מאפייני משפחות ילדים קשורים לחוויות חינוכיות של ילדים ולהישגים הלימודיים שלהם. מחקרים קודמים מצאו כי גורמי הסיכון של מגורים במשק בית ללא הורה שסיים בית ספר תיכון, מגורים בבית חד-הורית וחיים בעוני קשורים לתוצאות חינוכיות גרועות - כולל קבלת ציוני הישג נמוכים, צורך לחזור ציון, ונשירה מהתיכון. אינדיקטור זה בוחן את שכיחותם של גורמי סיכון אלה בקרב קבוצות גזעיות / אתניות ובמדינות העוני. למידע נוסף על הקשר בין מעמד סוציו-אקונומי משפחתי לתוצאות מאוחרות אחר-תיכוניות ותעסוקתיות, ראה מצב החינוך 2019 אינדיקטור זרקור תוצאות חינוך ותעסוקה למבוגרים צעירים לפי מעמד סוציו-אקונומי משפחתי.

בחר תת-קבוצה:

בחר מאפיין תת-קבוצה מהתפריט הנפתח למטה כדי להציג טקסט ותווים רלוונטיים.

1 כולל הורים שסיימו תיכון באמצעות תכניות שקילות, כמו תוכנית GED.

הערה: כולל רק ילדים מתחת לגיל 18 שגרו לפחות עם אחד מהוריהם (כולל הורה מאמץ או אב חורג למעט הורה אומנה). רמת ההישגים החינוכית הגבוהה ביותר של ההורים היא ההשכלה הגבוהה ביותר שהושג על ידי כל הורה המתגורר באותו בית כמו הילד. הורים כוללים הורים מאמצים וחורגים אך אינם כוללים הורים שאינם מתגוררים באותו בית כמו ילדם. ייתכן שהפרט לא יסתכם בסיכומים בגלל עיגול. למרות שמוצגים מספרים מעוגלים, הנתונים מבוססים על נתונים לא מעוגלים.

המקור: משרד המסחר האמריקני, לשכת המפקד, סקר הקהילה האמריקאית (ACS), 2010 ו- 2019. ראה תקציר הסטטיסטיקה של החינוך 2020, טבלה 104.70.

בשנת 2019, למרות שמעט מחצית מהילדים מתחת לגיל 18 התגוררו במשקי בית שבהם אחד ההורים סיים לפחות תואר אקדמי (תואר עמית ומעלה), כמעט מחציתם גרו במשקי בית בהם לא היה להורה תואר אקדמי. באופן ספציפי, 9 אחוזים התגוררו במשקי בית שבהם אף הורה לא סיים תיכון, 19 אחוזים גרו במשקי בית שבהם רמת ההשכלה הגבוהה ביותר הייתה השלמת בית הספר התיכון, 3 ו -20 אחוז התגוררו במשקי בית בהם רמת ההשכלה הגבוהה ביותר הייתה מכללה כלשהי. נוכחות אך ללא תואר. עשרה אחוזים התגוררו במשקי בית שהרמת ההשכלה הגבוהה ביותר שהשיג אחד מההורים הייתה תואר מקורב. ארבעים ושלושה אחוז מהילדים התגוררו במשקי בית שהרמת ההשכלה הגבוהה ביותר שהשיג אחד ההורים הייתה תואר ראשון או יותר, כולל 23 אחוזים עם תואר ראשון, 14 בעלי תואר שני ו -6 אחוזים עם תואר רופא. 4

בהשוואה לשנת 2010, היו אחוזים נמוכים יותר של ילדים מתחת לגיל 18 בשנת 2019 שהתגוררו במשקי בית בהם אף הורה לא השלים תואר שני. זה כולל ילדים במשקי בית בהם אף הורה לא סיים תיכון (9 לעומת 12 אחוזים), שבהם רמת ההשכלה הגבוהה ביותר שהשיג אחד מההורים הייתה סיום התיכון (19 לעומת 20 אחוזים), ובהם הרמה הגבוהה ביותר ההשכלה שהשיג אחד מההורים הייתה השתתפות מסוימת במכללה אך ללא תואר (20 לעומת 23 אחוזים). פירוש הדבר, בתורו, היה אחוז גבוה יותר של ילדים בשנת 2019 בהשוואה לשנת 2010 שחיו במשקי בית שההשכלה הגבוהה ביותר בהורים הייתה תואר שני. באופן ספציפי, בשנת 2019 חיו כ- 43 אחוזים במשקי בית שבהם ההשכלה הגבוהה ביותר שהשיג אחד ההורים הייתה תואר ראשון או גבוה יותר, לעומת 35 אחוזים בשנת 2010. 5

1 כולל הורים שסיימו תיכון באמצעות תכניות שקילות, כמו תוכנית GED.

הערה: כולל רק ילדים מתחת לגיל 18 שגרו לפחות עם אחד מהוריהם (כולל הורה מאמץ או אב חורג למעט הורה אומנה). רמת ההישגים החינוכית הגבוהה ביותר של ההורים היא רמת ההשכלה הגבוהה ביותר אותה משיג כל הורה השוהה באותו בית כמו הילד. הורים כוללים הורים מאמצים וחורגים אך אינם כוללים הורים שאינם מתגוררים באותו בית כמו ילדם. קטגוריות גזע אינן כוללות אנשים ממוצא אתני היספני. ייתכן שהפרט לא יסתכם בסיכומים בגלל עיגול. למרות שמוצגים מספרים מעוגלים, הנתונים מבוססים על נתונים לא מעוגלים.

המקור: משרד המסחר האמריקני, לשכת המפקד, סקר הקהילה האמריקאית (ACS), 2019. ראה תקציר הסטטיסטיקה של החינוך 2020, טבלה 104.70.

רמת ההשכלה הגבוהה ביותר שהשיג אחד מההורים לילדים מתחת לגיל 18 השתנה בין קבוצות גזעיות / אתניות בשנת 2019. אחוז הילדים מתחת לגיל 18 שהתגוררו במשקי בית בהם אף הורה לא סיים תיכון היה גבוה יותר עבור ילדים היספנים (22 אחוזים) ) מאשר לילדים מקבוצות גזעיות / אתניות אחרות: אינדיאנים אמריקאים / אלסקים ילידים (11 אחוזים), שחורים (8 אחוזים), איי האוקיאנוס השקט (7 אחוזים), אסיה (6 אחוזים), שני גזעים או יותר (4 אחוזים), לבן (3 אחוז). אחוז הילדים שחיו במשקי בית ללא הורה שסיים תיכון היה נמוך יותר עבור ילדים לבנים מאשר לילדים מכל קבוצה גזעית / אתנית אחרת.

אחוז הילדים בשנת 2019 שהתגוררו במשקי בית שבהם ההשכלה הגבוהה ביותר שהשיג אחד מההורים הייתה לפחות תואר ראשון היה נמוך יותר עבור היספנים (22 אחוזים), ילידי אמריקה / אלסקה (24 אחוזים), איי האוקיינוס ​​השקט (25 אחוזים, ושחור (27 אחוזים) מאשר עבור שני גזעים או יותר (48 אחוזים), לבנים (54 אחוזים) וילדים אסייתיים (70 אחוזים).

1 כולל משיבים שכתבו במרוץ אחר שלא נכלל כאופציה בשאלון.

הערה: הנתונים אינם כוללים ילדי אומנה, ילדים בתת משפחות שאינן קשורות, ילדים המתגוררים במגורים קבוצתיים וילדים שדווחו כבעלי הבית או בן הזוג של בעל הבית. "במשק בית אם בלבד" יש בת בית, ללא בן / בת זוג (כלומר, בעל הבית אינו נשוי או שבן הזוג אינו בבית), ואילו "במשפחה לאב בלבד" יש בעל בית גבר, ללא בן / בת זוג . כולל את כל הילדים המתגוררים אצל הוריהם או אצל בעל בית אליו הם קשורים מלידה, נישואין או אימוץ (למעט ילד שהוא בן הזוג של בעל הבית). ילדים מסווגים לפי מצבם המשפחתי של הוריהם או, אם אין הורים בבית, לפי מצבו המשפחתי של בעל הבית הקשור לילדים. בעל הבית הוא האדם (או אחד האנשים) שבבעלותו או משכיר (מתחזק) את יחידת הדיור. קטגוריות גזע אינן כוללות אנשים ממוצא אתני היספני. למרות שמוצגים מספרים מעוגלים, הנתונים מבוססים על נתונים לא מעוגלים. הפרט אינו מסתכם במאה אחוז מכיוון שלא מדווחים על הקטגוריה "כל שאר הילדים".

המקור: משרד המסחר האמריקני, לשכת המפקד, סקר הקהילה האמריקאית (ACS), 2019. ראה תקציר הסטטיסטיקה של החינוך 2020, טבלה 102.20.

בשנת 2019, למרות שרוב הילדים מתחת לגיל 18 התגוררו במשקי בית של זוג נשוי (63 אחוז), 26 אחוז התגוררו במשקי בית אם בלבד ו- 8 אחוז התגוררו במשקי בית לאב בלבד. 6 דפוס זה - של אחוז גבוה יותר מהילדים החיים במשקי זוג נשואים מאשר במשקי בית אם ואב בלבד - נצפה אצל ילדים בכל קבוצות הגזע / אתניות, למעט ילדים שחורים. רוב הילדים השחורים גרו במשקי בית אם בלבד (55 אחוזים), לעומת 34 אחוזים שהתגוררו במשקי זוג נשואים ו -9 אחוזים שהתגוררו במשקי בית לאב בלבד.

1 כולל משיבים שכתבו במרוץ אחר שלא נכלל כאופציה בשאלון.

הערה: מדד העוני בילדים כולל את כל הילדים הקשורים לבעל הבית מלידה, נישואין או אימוץ (למעט ילד שהוא בן הזוג של בעל הבית). בעל הבית הוא האדם (או אחד האנשים) שבבעלותו או משכיר (מתחזק) את יחידת הדיור. למידע נוסף על מצב העוני, ראה https://www.census.gov/topics/income-poverty/poverty/guidance/poverty-measures.html. קטגוריות גזע אינן כוללות אנשים ממוצא אתני היספני. למרות שמוצגים מספרים מעוגלים, הנתונים מבוססים על נתונים לא מעוגלים.

המקור: משרד המסחר האמריקני, לשכת המפקד, סקר הקהילה האמריקאית (ACS), 2010 ו- 2019. ראה תקציר הסטטיסטיקה של החינוך 2020, טבלה 102.60.

בשנת 2019 כ 11.6 מיליון ילדים מתחת לגיל 18 היו במשפחות שחיות בעוני. 7 שיעור העוני בקרב ילדים בשנת 2019 (16 אחוז) היה נמוך יותר מאשר בשנת 2010 (21 אחוז). דפוס זה נצפה בילדים בכל קבוצות הגזע / אתניות, למעט ילדים באוקיאנוס השקט. לדוגמא, 23 אחוז מהילדים ההיספאניים חיו בעוני בשנת 2019, לעומת 32 אחוזים בשנת 2010, ו -30 אחוז מהילדים השחורים חיו בעוני בשנת 2019, לעומת 38 אחוזים בשנת 2010. אצל ילדי האוקיאנוס השקט, שיעור העוני בשנת 2019 היה לא שונה במידה ניכרת מהשיעור ב -2010.

שיעור העוני בקרב ילדים מתחת לגיל 18 השתנה בין קבוצות גזעיות / אתניות בשנת 2019. הילידים האמריקאים בהודו / אלסקה (30 אחוז), שחורים (30 אחוז) וילדים היספניים (23 אחוז) היו בשיעורי עוני גבוהים מהממוצע הארצי (16 אחוזים) ואילו ילדים לבנים (10 אחוזים) ואסיה (9 אחוזים) היו בשיעורים נמוכים מהממוצע הארצי. שיעורי העוני בקרב ילדים משני גזעים או יותר וילדי תושבי האוקיאנוס השקט לא היו שונים במידה ניכרת מהממוצע הארצי. לקבלת מידע נוסף אודות שיעורי העוני ותתי-קבוצות גזעיות / אתניות, עיין ב מעמד ומגמות בחינוך קבוצות גזעיות ואתניות להגיש תלונה.

! פרש נתונים בזהירות. מקדם הווריאציה (CV) לאומדן זה הוא בין 30 ל- 50 אחוז.

1 כולל משיבים שכתבו במרוץ אחר שלא נכלל כאופציה בשאלון.

2 כולל הורים שסיימו תיכון באמצעות תכניות שקילות, כגון תוכנית GED.

הערה: כולל רק ילדים מתחת לגיל 18 שגרו לפחות עם אחד מהוריהם (כולל הורה מאמץ או אב חורג למעט הורה אומנה). רמת ההישגים החינוכית הגבוהה ביותר של ההורים היא רמת ההשכלה הגבוהה ביותר אותה משיג כל הורה השוהה באותו בית כמו הילד. ההורים כוללים הורים מאמצים וחורגים אך אינם כוללים הורים שאינם מתגוררים באותו בית כמו ילדם. מדד העוני בילדים כולל ילדים שקשורים לבעל הבית מלידה, נישואין או אימוץ (למעט ילד שהוא בן הזוג של בעל הבית). בעל הבית הוא האדם (או אחד האנשים) שבבעלותו או משכיר (מתחזק) את יחידת הדיור. למידע נוסף על מצב העוני, ראה https://www.census.gov/topics/income-poverty/poverty/guidance/poverty-measures.html. קטגוריות גזע אינן כוללות אנשים ממוצא אתני היספני. למרות שמוצגים מספרים מעוגלים, הנתונים מבוססים על נתונים לא מעוגלים.

המקור: משרד המסחר האמריקני, לשכת המפקד, סקר הקהילה האמריקאית (ACS), 2019. ראה תקציר הסטטיסטיקה של החינוך 2020, טבלה 102.62.

In 2019, the poverty rate for children under age 18 was highest for those in households in which no parent had completed high school (43 percent) and lowest for those in households in which the highest level of education attained by either parent was a bachelor’s or higher degree (4 percent). This pattern held both overall and within all racial/ethnic groups except Pacific Islander children. For Pacific Islander children, the poverty rate by parent’s education level was higher (25 to 33 percent) than the poverty rate for those living in households in which the highest level of education was a bachelor’s or higher degree (5 percent) for every level except children living in households in which the highest level of education attained by either parent was some college (13 percent).

! Interpret data with caution. The coefficient of variation (CV) for this estimate is between 30 and 50 percent.

1 Includes respondents who wrote in some other race that was not included as an option on the questionnaire.

NOTE: A “mother-only household” has a female householder, with no spouse present (i.e., the householder is unmarried or their spouse is not in the household), while a “father-only household” has a male householder, with no spouse present. Includes all children who live either with their parent(s) or with a householder to whom they are related by birth, marriage, or adoption (except a child who is the spouse of the householder). Children are classified by their parents’ marital status or, if no parents are present in the household, by the marital status of the householder who is related to the children. The householder is the person (or one of the people) who owns or rents (maintains) the housing unit. For additional information about poverty status, see https://www.census.gov/topics/income-poverty/poverty/guidance/poverty-measures.html. Race categories exclude persons of Hispanic ethnicity. Although rounded numbers are displayed, the figures are based on unrounded data.

SOURCE: U.S. Department of Commerce, Census Bureau, American Community Survey (ACS), 2019. See Digest of Education Statistics 2020, table 102.60.

In 2019, the poverty rate for children under age 18 was highest for those living in mother-only households (37 percent), followed by those living in father-only households (18 percent). Children living in married-couple households had the lowest poverty rate (7 percent). This pattern of children living in married-couple households having the lowest poverty rate was observed across most racial/ethnic groups. The exception was Pacific Islander children, for whom there was no measurable difference between poverty rates in father-only households and other household structures. For all racial/ethnic groups, poverty rates were higher for children in mother-only households than for those in married-couple households.

NOTE: A “mother-only household” has a female householder, with no spouse present (i.e., the householder is unmarried or their spouse is not in the household), while a “father-only household” has a male householder, with no spouse present. Includes all children who live either with their parent(s) or with a householder to whom they are related by birth, marriage, or adoption (except a child who is the spouse of the householder). Children are classified by their parents’ marital status or, if no parents are present in the household, by the marital status of the householder who is related to the children. The householder is the person (or one of the people) who owns or rents (maintains) the housing unit. For additional information about poverty status, see https://www.census.gov/topics/income-poverty/poverty/guidance/poverty-measures.html.

SOURCE: U.S. Department of Commerce, Census Bureau, American Community Survey (ACS), 2010 and 2019. See Digest of Education Statistics 2020, table 102.60.

Similar to the overall difference between 2010 and 2019 in the poverty rate for children under age 18, the poverty rate was lower in 2019 than in 2010 for children living in mother-only households (37 vs. 44 percent), father-only households (18 vs. 26 percent), and married-couple households (7 vs. 11 percent). This pattern of lower child poverty rates in 2019 than 2010 by family structure was observed across all racial/ethnic groups, except Pacific Islander and American Indian/Alaska Native children, for whom there were no measurable differences between the two years.

NOTE: The measure of child poverty includes all children who are related to the householder by birth, marriage, or adoption (except a child who is the spouse of the householder). The householder is the person (or one of the people) who owns or rents (maintains) the housing unit. For additional information about poverty status, see https://www.census.gov/topics/income-poverty/poverty/guidance/poverty-measures.html.

SOURCE: U.S. Department of Commerce, Census Bureau, American Community Survey (ACS), 2019. See Digest of Education Statistics 2020, table 102.40.

While the national average poverty rate for children under age 18 was 16 percent in 2019, the rates among states ranged from 7 percent in New Hampshire to 28 percent in Mississippi. Twenty-four states had poverty rates for children that were lower than the national average, 15 states had rates that were higher than the national average, and 11 states and the District of Columbia had rates that were not measurably different from the national average. Of the 15 states that had poverty rates higher than the national average, the majority (12) were located in the South. In 39 states and the District of Columbia, the poverty rates were lower in 2019 than in 2010. In the remaining 11 states, there was no measurable difference between the poverty rates in 2010 and 2019.

1 Pungello, E.P., Kainz, K., Burchinal, M., Wasik, B.H., Sparling, J.J., Ramey, C.T., and Campbell, F.A. (2010, February). Early Educational Intervention, Early Cumulative Risk, and the Early Home Environment as Predictors of Young Adult Outcomes Within a High-Risk Sample. Child Development, 81(1): 410–426. Retrieved January 8, 2021, from http://onlinelibrary.wiley.com/doi/10.1111/j.1467-8624.2009.01403.x/full.

2 Ross, T., Kena, G., Rathbun, A., KewalRamani, A., Zhang, J., Kristapovich, P., and Manning, E. (2012). Higher Education: Gaps in Access and Persistence Study (NCES 2012-046). U.S. Department of Education. Washington, DC: National Center for Education Statistics. Retrieved January 8, 2021, from https://nces.ed.gov/pubsearch/pubsinfo.asp?pubid=2012046.

3 Includes parents who completed high school through equivalency programs, such as a GED program.

4 Includes parents who had completed professional degrees.

5 Although the percentage of children living in households in which the highest level of education attained by either parent was an associate’s degree was also higher in 2019 than in 2010 (10.1 vs. 9.7 percent), both percentages round to 10 percent.

6 A “mother-only household” has a female householder, with no spouse present (i.e., the householder is unmarried or the spouse is not in the household), while a “father-only household” has a male householder, with no spouse present. Includes all children who live either with their parent(s) or with a householder to whom they are related by birth, marriage, or adoption (except a child who is the spouse of the householder). Children are classified by their parents’ marital status or, if no parents are present in the household, by the marital status of the householder who is related to the children. The householder is the person (or one of the people) who owns or rents (maintains) the housing unit. Foster children, children in unrelated subfamilies, children living in group quarters, and children who were reported as the householder or spouse of the householder are not included in this analysis.

7 In this indicator, data on household income and the number of people living in the household are combined with the poverty threshold, published by the Census Bureau, to determine the poverty status of children. A household includes all families in which children are related to the householder by birth or adoption, or through marriage. The householder is the person (or one of the people) who owns or rents (maintains) the housing unit. In 2019, the poverty threshold for a family of four with two related children under 18 years old was $25,926. For a more detailed breakdown of the 2019 poverty rate, refer to this table.


Results

Prevalence of food insecurity

In total, 450 adult-child dyads from five participating communities (נ = 240 rural households נ = 210 urban households) were enrolled. Participant demographics are summarized in Table 1. For adults, the average age was 31.5 ± 8.5 years, 95% were female, and 81.3% self-identified as American Indian for children, average age was 45.0 ± 13.0 months, 50.0% were female, and 86.3% were identified by their caregiver as American Indian. The overall prevalence of food insecurity was 61% and was significantly higher in urban versus rural households at 80% versus 45%, respectively (עמ ' < 0.001, Fig. 1). Between food insecure and food secure households, significant differences were observed in education level (עמ ' < 0.01), income (עמ ' < 0.01), adult age (עמ ' < 0.05), and distance traveled to purchase food (עמ ' < 0.001).

Prevalence of household food insecurity in the overall sample and by rural and urban status. Prevalence of household food insecurity was determined for the overall sample from Healthy Children, Strong Families 2 study (נ = 450 households) and by rural (נ = 240 households) and urban (נ = 210 households) status using 2 validated questions from the USDA Household Food Security Survey

Factors associated with food insecurity

Using logistic regression analysis, factors associated with food insecurity were assessed (Table 2). In the model that included all households, factors associated with significantly higher odds of food insecurity were adult ethnicity identified as American Indian (עמ ' < 0.05), WIC participation (עמ ' < 0.05), and urban households (עמ ' < 0.001), with a trend toward higher odds for single adult households (עמ ' = 0.054). Attainment of a college degree or higher was associated with significantly lower odds of food insecurity (עמ ' < 0.01). For rural households, single adult households were associated with significantly higher odds (עמ ' < 0.01), while attainment of a college degree or higher and working outside of the home were associated with lower odds of food insecurity (עמ ' < 0.05 for both). For urban families, the odds of food insecurity decreased with increasing distance traveled to purchase food (עמ ' < 0.05) and increased with an increasing number of children in the household (עמ ' < 0.05).

Dietary patterns among food insecure and food secure households

The frequency of daily intake of the following food groups was determined for both the adult and child: fruit, vegetables, salad, potatoes, fried potatoes, pizza, 100% juice, soda, other sugar sweetened beverages (SSBs, e.g., lemonade, sweetened tea, fruit punch, Kool-Aid), sports drinks, and milk (Table 3). Adults from food insecure households had significantly lower vegetable consumption (עמ ' < 0.05), and significantly higher intake of fried potatoes (עמ ' < 0.001), 100% fruit juice (עמ ' = 0.001), and other SSBs (עמ ' < 0.05). Children from food insecure households had significantly higher intake of salad (עמ ' < 0.01), fried potatoes (עמ ' < 0.05), soda (עמ ' = 0.01), and sports drinks (עמ ' < 0.05).

Dietary patterns in food insecure and secure households were further analyzed by geographic status (urban and rural). Adults in rural food insecure households had lower intake of vegetables and higher intake of 100% fruit juice and SSBs compared to rural food secure households. For children from rural food insecure households, salad was significantly higher than their food secure counterparts. For adults in urban food insecure households, fried potatoes and 100% fruit juice were significantly higher compared to urban food secure households. Fried potatoes were also significantly higher for urban food insecure children compared to urban food secure households. For all food variables, adult and child mean daily intake was significantly correlated (עמ ' < 0.05), with two exceptions: adult and child intake of soda and milk was not significantly associated in rural food insecure households (data not shown).

Focus groups

Six focus groups were held (two rural and one urban site) with a total of 31 adults between August 2015 and April 2016. Participants reported coping strategies employed during times of food insecurity, such as use of food assistance programs and relying on family members to supplement meals. Participants reported some intergenerational living or child care arrangements, which blunted some food insecurity through pooled resources but introduced a loss of parental control over some feeding choices. Some geographic differences in coping strategies were noted. For example, urban families with greater access to food outlets reported shopping frequently (every day or every other day), which resulted in spending more on food than planned. Rural families reported infrequent food purchasing trips, which often resulted in the purchase of fewer fresh fruits and vegetables. Rural families also reported using hunting, gathering, and sharing practices (e.g., hunting deer, harvesting wild rice) and individual/community gardens to supplement their diet. Table 4 includes sample comments from urban and rural participants.


3.2 Orientation to Esri Business Analyst Online (BAO)

Registered students can access the reading in Canvas on the Lesson 3 Readings page.

The above reading is the introduction to a scenario from Miller's text which you can use to orient yourself to Esri's Business Analyst Online.

In this lesson, we provide a brief overview of Esri's Business Analyst Online (BAO). BAO includes Esri's most current business, demographic, and lifestyle data:

  • Business Data: Refreshed data for the United States and Canada from Dun and Bradstreet.
  • Esri's 2014/2019 US Updated Demographics: Accurate, current-year estimates and five-year projections capture changes to the US population such as growth and decline increased diversity aging and changes to household types, home values, employment, and income.
  • 2008/2012 US American Community Survey (ACS): Updated survey data from the Census Bureau. Variables include households with/without a disabled person and households using food stamps.
  • Esri's 2014 Tapestry Segmentation: Tapestry reflects changes in the US population such as increased diversity, changing households, aging, and nontraditional families.

You will be receiving an email from the instructor with directions to access the Penn State licensed Esri Business Analyst Online, using your PSU user name and password. The email provides access to the BAO system and class group work, so please be sure to check your Penn State email. Once logged into the site, you will notice that additional help documentation is available as well as instructional videos on the website.

  • Log into Esri's BAO.
  • Select the "Maps" tab.
  • Choose "Define Areas for Reports."
  • Select "Geography," search for your geography, enter ("Minneapolis, MN"), Go.
  • Select the radio button for "Metropolitan Areas (CBSAs)," check Minneapolis-St. Paul, Click "Next."
  • You should now have a polygon on the map around Minneapolis MN (see Figure 3.1).

Upcoming assignments will involve creating choropleth maps and using Esri's Tapestry data on BAO. Familiarize yourself with those two topics by utilizing Esri's documentation and instructional videos to help you better understand how to display the information.

There are some excellent free resources for learning Esri's Business Analyst Online as follows:

We will only complete the first part of this activity this week (Exploring Your Own Market, Part 1), continuing on with site selection next week.

  • Murphy, Geography: Why It Matters, Chapter 3 "Places" excerpt (pp. 75-86)
  • Church/Murray, Business Site Selection, Location Analysis, and GIS, Chapter 1 (pp. 1-16)
  • Buckner, Site Selection, Chapter 6 "Prioritizing Markets" (pp. 74-84)
  • Esri. 2019. Tapestry Life Mode Reference Tables. Tapestry Segmentation. Esri.

ה Geography: Why it Matters reading is from the required textbook for this course.
Registered students can access the other readings in Canvas on the Lesson 3 Readings page.

Optional Readings

  • Spaeder, Karen. E. 2019. How to Find the Best Location: A guide to scouting out a location for your food or retail business, sizing up demographics and getting the help you need. Entrepreneur.
  • Kerski, Joseph & Clark, Jill. 2019. GIS Guide to Public Domain Data. Esri Press.
  • ArcGIS Hub open data portal. Esri. www.arcgisonline.com

Registered students can access the reading in Canvas on the Lesson 3 Readings page.


Measuring Exposure Density by Neighborhood over Time

We explore three hypotheses. First, large-scale mobility data can represent neighborhood activity levels over time, and neighborhood social distancing can be measured by changes in this observed activity. Second, disparities in community activity changes before and after a stay-at-home order are associated with neighborhood socioeconomic, demographic, and built-environment characteristics. Third, variations in neighborhood social distancing result in disparities in COVID-19 infections and outcomes, controlling for differences in population health risk.

To examine these questions, we introduce exposure density ( E x ρ ) as a high-spatiotemporal-resolution social-distancing metric using large-scale mobility data without tracking individual devices. The goal of social distancing is to reduce the probability of contact between potentially infected and noninfected individuals therefore, it can be defined mathematically as the inverse proportion of human activity density, represented by the number of people in a given area at a given time. Naively, a lower activity volume, holding spatial area constant, results in a lower dynamic population density, thus decreasing the probability of close contacts. However, this metric needs to account for both the volume of activity in an area and the type of land use where activities occur. For example, activities in residential buildings can be a measure of people staying at home, while activities outside of residential buildings, depending on the specific nature of those activities, are more likely to increase exposure risk by raising the likelihood of contact with those outside of the family or household unit. As transmission risk increases with a greater probability of close contacts outside of the household or family unit, we quantify E x ρ based on activities in nonresidential buildings (e.g., office buildings, hotels, and retail stores) and outdoor areas (e.g., parks, sidewalks, and open spaces). We measure the average number of hourly users per grid cell (250 m × 250 m) outside of residential buildings for 177 zip code tabulation areas during the pre-COVID period and after the stay-at-home order.

The average change in neighborhood exposure density before and after the New York stay-at-home order (by grid cell) and COVID-19 infection positivity rates (by zip code) are presented in Fig. 1. The positivity rate is a measure of the prevalence of disease infection, represented by the percentage of COVID-positive tests out of all tests conducted in a given area using a PCR test (SI Appendix, Table S3). The citywide overall activity volume decreased approximately 20% after the stay-at-home order when compared to the pre-COVID baseline (SI Appendix, Fig. S2). However, there are significant disparities in neighborhood exposure density levels across the city, as shown in Fig. 1, Upper. A majority of neighborhoods in Manhattan, and several in Brooklyn, experienced large reductions in exposure density, a result, in part, of a decrease in overall population as many residents left the city, and a shift in activities from nonresidential and outdoor areas to residential buildings for those that remained. On the other hand, neighborhoods in South Brooklyn, East Queens, and Staten Island showed an increase in exposure density, despite having relatively lower urban densities, as more residents stayed within their local communities. The measured change in exposure density corresponds with higher positivity rates, as illustrated in Fig. 1, Lower. Overall, this visual representation suggests that areas with lower median incomes and lower housing density had greater infection risk during the study period.

Neighborhood exposure density change by 250-m × 250-m grid cell (Upper) and COVID-19 positivity rate by zip code (Lower).