Advertisement

Die Konstruktion von Dienstleistungskarten mit Open Data am Beispiel des lokalen Bedarfs an Kinderbetreuung in Berlin

  • Ulrich RendtelEmail author
  • Milo Ruhanen
Originalveröffentlichung
  • 46 Downloads

Zusammenfassung

Durch Dichteschätzer können georeferenzierte Daten effektiv zur Darstellung des Zusammenhangs von Konzentrationsgebieten bestimmter Bevölkerungsgruppen und dem jeweiligen Betreuungsbedarf genutzt werden. Im Gegensatz zu der klassischen Darstellung über Choroplethenkarten bieten Kerndichteschätzer für eine kleinräumige Analyse große Vorteile. Diese vermeiden Sprünge an den Gebietsgrenzen, sie sind flächentreu und bieten die Möglichkeit Konzentrationsgebiete leicht zu erkennen.

Allerdings liefern Open Data nur aggregierte Informationen zu einem Flächenstück. In diesem Aufsatz zeigen wir, wie durch die Anwendung der Methode der simulierten Geokoordinaten von Groß et al. (2017) auch mit Open Data Dichteschätzer erstellt werden können. Dies geschieht hier anhand von vier Beispielen aus dem Bereich der Kinderbetreuung in Berlin. Zum Vergleich benutzen wir die bisher übliche Darstellungsweise über Choroplethenkarten. Im Ergebnis erkennt man auf den Dichtekarten eine angemessene regionale Verteilung von Kitas und Grundschulen, während die Versorgung mit Kinderarztpraxen deutliche Mängel aufweist. Diese Sachverhalte sind anhand der Choroplethenkarten nicht ersichtlich.

Schlüsselwörter

Open Data Kerndichteschätzung EM Algorithmus Choroplethenkarte 

The construction of service maps with open data: the case of local need for child care in Berlin

Abstract

With density estimators it is possible to illustrate effectively the relation between concentration of different subpopulations living in certain areas and the care which is accordingly needed. In contrast to the conventional plotting method with choropleths, kernel density estimators have the advantage that they also can be used for local analyses. These estimators avoid leaps at the border lines and provide an equivalent map, which offers the opportunity to identify the concentration areas easily.

However, Open Data frequently supplies only aggregated information for each area. In this paper we show that it is even possible to create density estimators with Open Data by using the method of simulated geographic coordinates by Groß et al. (2017). This will be demonstrated by four examples on childcare in Berlin. For comparison, we use the traditional maps based on choropleths. In conclusion, the density maps show that the distribution of kindergartens and primary schools is allocated appropriately, while the allocation of pediatricans is inadequate. These insights are not obvious with the use of choropleth maps.

Keywords

Open Data Kernel Density Estimate EM Algorithm Choropleth Map 

Literatur

  1. Abgeordnetenhaus Berlin (2016) Anfrage zu den Anmeldezahlen für Grund- und Oberschulen zum Schuljahr 2016/2017 in den Bezirken. https://kleineanfragen.de/berlin/17/18754-anmeldezahlen-fuer-grund-und-oberschulen-zum-schuljahr-2016-2017-in-den-bezirken. Zugegriffen: 11. Juni 2018Google Scholar
  2. Abgeordnetenhaus Berlin (2017) Unsere Kinder in Berlin – Ärztliche Grundversorgung sichergestellt? https://kleineanfragen.de/berlin/18/10369-unsere-kinder-in-berlin-aerztliche-grundversorgung-sichergestellt. Zugegriffen: 11. Juni 2018Google Scholar
  3. Celeux G, Chauveau D, Diebolt J (1996) Stochastic versions of the em algorithm: an experimental study in the mixture case. J Stat Comput Simul 55(4):287–314CrossRefGoogle Scholar
  4. Dempster A, Laird N, Rubin D (1977) Maximum likelihood from incomplete data via the EM algorithm. J R Stat Soc Series B Stat Methodol 39(1):1–38MathSciNetzbMATHGoogle Scholar
  5. Fahrmeir L, Hamerle A, Tutz G (1996) Multivariate statistische Verfahren, 2. Aufl. De Gruyter, BerlinzbMATHGoogle Scholar
  6. Gemeinsamer Bundesausschuss (2017): Richtlinie über die Bedarfsplanung sowie die Maßstäbe zur Feststellung von Überversorgung und Unterversorgung in der vertragsärztlichen Versorgung, https://www.g-ba.de/downloads/62-492-1408/BPL-RL_2016-12-15_iK-2017-06-01.pdf. Zugegriffen: 15. Januar 2018
  7. Groß M, Rendtel U, Schmid T, Schmon S, Tzavidis N (2017) Estimating the density of ethnic minorities and aged people in Berlin: multivariate kernel density estimation applied to sensitive georeferenced administrative data protected via measurement error. J R Stat Soc Ser A 180(1):161–183MathSciNetCrossRefGoogle Scholar
  8. Groß M, Rendtel U, Schmid T, Tzavidis N (2018) Switching between different area systems via simulated geocoordinates: a case study for student residents in Berlin. Diskussionsbeiträge, No. 2018/2. Freie Universität Berlin, Fachbereich Wirtschaftswissenschaft, BerlinGoogle Scholar
  9. Hall P, Marron S (1987) On the amount of noise inherent in bandwidth selection for a kernel density estimator. Ann Stat 15(1):163–181MathSciNetCrossRefGoogle Scholar
  10. Hauptstadtportal Berlin (2018) Kinderärzte. https://berlin.de/special/gesundheit-und-beauty/adressen/kinderarzt/. Zugegriffen: 11. Juni 2018Google Scholar
  11. Nielsen S (2000) The stochastic EM algorithm: estimation and asymptotic results. Bernoulli (Andover) 6(3):457–489MathSciNetCrossRefGoogle Scholar
  12. Open Knowledge International (2016) Global open data index. https://index.okfn.org/place/. Zugegriffen: 11. Juni 2018Google Scholar
  13. Senatsverwaltung für Bildung, Jugend und Familie (2017) Bedarfsatlas 2017. http://www.berliner-kitabuendnis.de/downloads/bedarfsatlas.pdf. Zugegriffen: 11. Juni 2018Google Scholar
  14. Senatsverwaltung für Bildung, Jugend und Familie (2018) Kitaverzeichnis. https://berlin.de/sen/jugend/familie-und-kinder/kindertagesbetreuung/kitas/. Zugegriffen: 11. Juni 2018Google Scholar
  15. Sheather S, Jones C (1991) A reliable data-based bandwidth selection method for kernel density estimation. J R Stat Soc Series B Stat Methodol 53(3):683–690MathSciNetzbMATHGoogle Scholar
  16. Silverman B (1986) Density estimation for statistics and data analysis. London, Chapman & HallCrossRefGoogle Scholar
  17. Wand M, Jones C (1994) Multivariate plug-in bandwidth selection. Comput Stat 9:97–116MathSciNetzbMATHGoogle Scholar

Copyright information

© Springer-Verlag GmbH Germany, part of Springer Nature 2018

Authors and Affiliations

  1. 1.Fachbereich WirtschaftswissenschaftFreie Universität BerlinBerlinDeutschland

Personalised recommendations