Soziologie

In einem neuen Aufsatz "Beyond Proximity: Investigating Crime With Organic Neighborhoods and a Two-Stage Unsupervised Learning Approach" der internationalen Fachzeitschrift "Sociological Methods & Research" stellt Kerstin Ostermann (Universität Bielefeld) einen neuen, auf Machine-Learning-basierten Ansatz vor, der Nachbarschaften flexibel und datengetrieben erstellt. Zentrale Verbesserungen zu bestehenden Ansätzen sind, dass die erstellten "organischen" Nachbarschaften sich automatisch an die in den Daten vorliegende räumliche Struktur anpassen und auch Veränderungen über die Zeit hinweg zulassen.

Der Ansatz kann auf jegliche Art feinräumiger georeferenzierter Daten angewendet werden - von georeferenzierter Surveyforschung bis hin zu räumlichen Gitterzelldaten. Aber was für einen Mehrwert bietet die neue Methode? Der zweite Teil des Aufsatzes zeigt, dass Nachbarschaftsfragmentierung, gemessen mithilfe der organischen Nachbarschaften, mit dem Kriminalitätsgeschehen einer Stadt zusammenhängt, selbst unter Kontrolle der allgemeinen Komposition der Stadt.