Mehr

Hilfe bei der Verwendung der Umfragedaten der US-amerikanischen Community


Ich möchte die Vermessungsdaten der USA American Community für die räumliche Analyse verwenden, habe jedoch Schwierigkeiten zu verstehen, wie die Vermessungstabellen aufgebaut sind, damit ich sie Blockgruppen-Shapefiles zuordnen kann.

Ich habe erfolgreich ein Shapefile erstellt, das alle US-Blockgruppen enthält, aber ich kann mithilfe des STFID-Codes nicht herausfinden, wie die Volkszählungsdaten damit zusammenhängen. Ich habe ein paar tausend Textdateien (mit dem Namene20095ak0001000.txtbeispielsweise). Wenn ich sie einleseRsie erschienen mit den folgenden Überschriften:

[1] „ACSSF“ „X2009e5“ „ak“ „X000“ „X0011“ „X0000001“ [7] „X4269“ „X2211“ „X224“ „X157“ „X189“ „X142“ [13] „X77“ „X269 " "X247" "X169" "X389" "X146"… bis zu 200 oder so

(Ich gehe davon aus, dass der Blockgruppencode nicht mit dem Dateinamen übereinstimmt, da ich 12.465 Dateien und 212.083 Blockgruppen habe)

Mir ist klar, dass ich den ID-Code herausfinden muss, um diese mit den Blockgruppen zu verknüpfen, aber ich kann keine Dokumentation finden, die diese Informationen erklärt (auch nach dem Lesen der technischen Dokumentation). Wo werden diese Spaltenüberschriften erklärt?

Ich verwende die 5-Jahres-ACS-Umfrage.


Sie möchten ein bundesweites Set in einer Datei zusammenstellen? Für wie viele Variablen?

Es sind einige Schritte zu überwinden, um die STFIDs in Ihrem Shapefile tatsächlich mit den Daten zu verbinden. Ich konnte nicht lesen, ob Ihr Hauptproblem darin besteht, die Benennungsschemata der Dateien zu entschlüsseln und herauszufinden, was in jeder enthalten ist, oder ob es darum ging, die Primärschlüssel der Formdatei und der Datendateien in Beziehung zu setzen. Hier ist jedenfalls ein Weg. Ich muss sagen, dass ich mich auf das ACS 2005-2009-Beispiel beziehe, aber die Struktur scheint analog zu sein:

  • Holen Sie sich die Datendatei. Klingt so, als hätten Sie den gesamten bundesweiten Datensatz heruntergeladen? Diejenige, auf die Sie sich beziehen, stammt von ACS 2009, Alaska, Segment 0001 (da die ACS-Zusammenfassungsdatei so viele Felder enthält, segmentiert das Büro sie in mehr als 100 separate Dateien für die Schätzungen und 100 zusätzliche Dateien mit Fehlergrenzen. Diese Dateien haben ein "m"-Präfix (für jeden Zustand).
  • Sie benötigen auch die Tabellenüberschriften. Für ACS werden sie in xls-Dateien gespeichert.
  • STFID ist eine Möglichkeit, sich eindeutig auf eine Blockgruppe zu beziehen. Ein anderes ist LOGRECNO, das ist das Feld, das tatsächlich in den Datendateien gefunden wird. Das müssen Sie mit einer der Geo-Dateien (auch xls) in Verbindung bringen. Die kalifornische ist zum Beispiel hier. STFID ist eine kürzere Version von Spalte C (die letzten 15 oder so Zeichen; erinnere mich nicht an die genaue Nummer für Blockgruppen, aber sie identifiziert einen zweistelligen Code für den Bundesstaat, einen dreistelligen Code für den Landkreis, einen sechsstelligen Code für den Bezirk , und ein (glaube ich) vier einstelliger Code für Blockgruppe). Eine Blockgruppe in San Francisco wäre beispielsweise 060750101001 oder so.
  • Wenn Sie nur an einer Handvoll Variablen interessiert sind, ist es viel einfacher, diese Tabellen einfach von American Factfinder zu holen. Ich denke, die meisten ACS-Umfragen sind jetzt auf factfinder2.
  • Als ich mich damit beschäftigte, fand ich schließlich dieses Dokument nützlich, wenn auch für die Fünfjahresstichprobe. Dieser ist für die 1-Jahres-Stichprobe verfügbar.

Zusammenfassung Hilfe für Zusammenfassung anzeigen

Der American Community Survey (ACS) ist eine fortlaufende statistische Erhebung, bei der jedes Jahr ein kleiner Prozentsatz der Bevölkerung befragt wird, um den Gemeinden die Informationen zu geben, die sie für die Planung von Investitionen und Dienstleistungen benötigen. Die 5-Jahres-Mikrodatenstichprobe (PUMS) für die öffentliche Nutzung für 2015-2019 ist eine Teilmenge der Stichproben der American Community Survey (ACS) 2015-2019 und der Puerto Rico Community Survey (PRCS). Es enthält dieselbe Stichprobe wie die kombinierten PUMS 1-Jahres-Dateien für die Jahre 2015, 2016, 2017, 2018 und 2019. Das ACS 5-Jahres-PUMS 2015-2019 enthält Daten für fünf Jahre für Wohneinheiten (HE) und die Bevölkerung aus Haushalten und die Gruppenquartiere (GQ) Bevölkerung. Die GQ-Bevölkerung, Wohneinheiten und die Bevölkerung aus Haushalten werden alle so gewichtet, dass sie mit den ACS-Zählungen übereinstimmen, die einen Durchschnitt über den Fünfjahreszeitraum (2015-2019) darstellen. Die ACS-Stichprobe wird aus allen Landkreisen des Landes und allen Gemeinden in Puerto Rico ausgewählt.


Projektumfang

Zeitraum(e) Hilfe zu Zeitraum(en) anzeigen

Abholdatum Hilfe für Abholdatum anzeigen

Hinweise zur Datenerfassung Hilfe für Hinweise zur Datenerfassung anzeigen

Diese Datensammlung enthält keine Aufzeichnungen über Personen in Puerto Rico.

Benutzern wird dringend empfohlen, vor der Analyse der Daten die gesamte Dokumentation einschließlich Stichproben, Stichprobenfehler, Gewichte und Imputation zu lesen. Mit dieser Sammlung steht eine Dokumentation zum Download bereit.

Gelegentlich müssen sich die in den ACS-Datendateien verwendeten Antwortkategorien ändern. Dies kann dazu führen, dass eine mehrjährige PUMS-Datei zwei oder mehr Variablen enthält, um die ursprüngliche einzelne Variable aus der 1-Jahres-PUMS zu ersetzen. Dies geschieht aufgrund von Änderungen in den Klassifikationssystemen, die für die Analyse der Wirtschaft verwendet werden, sowie Änderungen der detaillierten Rassen-, Abstammungs-, Geburtsort-Codes und Definitionen von Public Use Microdata Areas (PUMAs).

Im Datenjahr 2012 wurde ein Satz dualer Vintage-Variablen in die 5-Jahres-Datei von PUMS aufgenommen. Der ACS 5-Jahres-PUMS-Datensatz 2012-2016 ist das erste 5-Jahres-Produkt, das Daten aus fünf Jahren mit den Jahrgangsvariablen 2012 enthält. In den Dateien von 2012-2016 wurden diese Variablen umbenannt, wobei das Jahr jetzt aus dem Variablennamen entfernt wurde. Zum Beispiel wird die Variable POBP12 im PUMS 5-Jahres-Datensatz 2011-2015 im Datensatz 2012-2016 als POBP bezeichnet.

Die kleinste identifizierte geografische Einheit ist die Public Use Microdata Area (PUMA). PUMAs sind spezielle, sich nicht überschneidende Gebiete, die jeden Bundesstaat in zusammenhängende geografische Einheiten mit jeweils nicht weniger als 100.000 Menschen unterteilen. Die ACS 5-Jahres-PUMS-Dateien von 2012-2016 basieren auf PUMA-Grenzen, die von den Regierungen der Bundesstaaten nach der Volkszählung von 2010 gezogen wurden.

Diese Datensammlung umfasst eine Verifizierungsdatei, die Schätzungen für ausgewählte Merkmale bereitstellt, die bereitgestellt werden, um Datenbenutzern bei der Bestimmung zu helfen, ob sie die Gewichtungen korrekt verwenden, um Schätzungen zu berechnen. Einige dieser Schätzungen können von den Schätzungen für dieselben Merkmale abweichen, die im American FactFinder veröffentlicht wurden. Benutzer finden die Verifizierungsdatei im Technical User Guide. Eine Erläuterung dieser Unterschiede finden Sie im Abschnitt "Genauigkeit der Daten" des Technischen Benutzerhandbuchs.

Wenn PUMS-Benutzer die 5-Jahres-PUMS-Schätzungen von 2012-2016 mit PUMS 2011-2015 vergleichen oder ein Programm wiederverwenden möchten, das für 5-Jahres-PUMS-Daten 2011-2015 geschrieben wurde, lesen Sie den Abschnitt "Read Me" im Technical User Guide über Guide Variablen mit Änderungen zwischen 2015 und 2016. Weitere Einzelheiten zu den Änderungen finden Sie in den 5-Jahres-PUMS-Datenwörterbüchern und -Codelisten 2011-2015 und 2012-2016.

Variablen, die seit den vorherigen 5-Jahres-PUMS hinzugefügt wurden: RACNH und RACPI.

Variablen, die seit dem letzten 5-Jahres-PUMS gelöscht wurden: ANC1P05, ANC2P05, CITWP05, LANP05, MARHYP05, MIGPUMA00 MIGSP05, OCCP10, POB05, POWPUMA00, POWSP05, PUMA00, RAC2P05, RAC3P05, RACNHPI, SOCP0510 und YOEP

Variablen mit neuen oder geänderten Codes seit den letzten 5 Jahren PUMS: ADJHSG, ADJINC, BUS, CITWP, CONP, LANP, MARHYP, PLM, SERIALNO, SVAL, TOIL, YBL, YOEP, FBUSP und FTIOLP.

Variablen mit kosmetischen Änderungen an Variablenlabels oder Wertlabels: ANC1P, ANC2P, FER, LANP, MIGPUMA, MIGSP, OCCP, POBP, POWPUMA, POWSP, PUMA, RAC2P, RAC3P, SOCP, SRNT, TEL und FTELP.

Aufgrund der Begrenzung der zulässigen Zeilen von 65.536 und zulässigen Spalten von 256 in Excel 97-2003 (Dateiendung, xls), befindet sich die mit dieser Sammlung verteilte Excel-Datei in der neueren Version von Excel (Dateiendung xlsx). .

Weitere Informationen finden Sie auf der Website der American Community Survey (ACS).


Einführung

Obwohl das Auftreten von Naturkatastrophen nicht kontrolliert werden kann, kann die Gesellschaft die Auswirkungen durch wirksame Strategien zur Wiederherstellung nach einer Katastrophe reduzieren. Diese Studie bewertet die Störungen durch den Hurrikan Sandy, die Geschwindigkeit der Systemwiederherstellung und ihre Auswirkungen auf die wirtschaftliche Produktivität auf Haushaltsebene. Hurrikan Sandy, eine Naturkatastrophe mit großen Auswirkungen, die aufgrund ihrer Intensität als „Superstorm Sandy“ bezeichnet wird, traf am 29. Oktober 2012 die Gegend von New York City (NYC). Der Sturm störte Transport- und Stromversorgungssysteme erheblich (Kaufman et al., 2012) , wodurch die Möglichkeit der Öffentlichkeit eingeschränkt wird, Arbeitsplätze zu erreichen und zur Produktivität zurückzukehren. Die Rückkehr zur Produktivität bedeutet für die Zwecke dieser Studie die „Fähigkeit zur Arbeit“ für einen bestimmten Job. Bei einigen Jobs muss man physisch anwesend sein, während andere den Mitarbeitern ermöglichen, aus der Ferne zu arbeiten. Diejenigen, die anwesend sein müssen, benötigen das Transportsystem, während diejenigen, die aus der Ferne arbeiten, möglicherweise sowohl das Strom- als auch das Kommunikationssystem benötigen, um zu funktionieren. Beide Gruppen können zusätzlichen Einschränkungen ausgesetzt sein, wie zum Beispiel Betreuungspflichten aufgrund von Schul- und Kita-Schließungen, die ihre Leistungsfähigkeit weiter beeinflussen.

In der Metropolregion NYC pendelt fast ein Drittel der Arbeitnehmer ab 16 Jahren, die ihr Zuhause verlassen, um zur Arbeit zu gehen, mit öffentlichen Verkehrsmitteln – einem Verkehrsträger, der achtmal so hoch ist wie der Durchschnitt anderer Metropolregionen in den USA (American Community Survey). Dieser hohe Verkehrsträgeranteil führt zu Komplikationen, da es in NYC wichtiger wird als in anderen urbanen Teilen Amerikas, das Verkehrssystem und die unterstützende Infrastruktur wiederherzustellen. Haushalte mit geringerem Einkommen können aufgrund eingeschränkter Transportmöglichkeiten (z. B. kein eigenes Fahrzeug) und fehlender finanzieller Mittel für die Kinderbetreuung während der Schulschließung oder teurerer privater Transportmöglichkeiten vor noch größeren Herausforderungen stehen (Disaster Technical Assistance Center, 2017 , Masozera et al., 2007, Lowe, 2018). Darüber hinaus können sich Haushalte mit geringerem Einkommen in Gebieten befinden, die anfälliger für Schäden sind. Faber (2015) stellte beispielsweise fest, dass ein größerer Prozentsatz der Haushalte in den von Sandy überfluteten NYC-Volkszählungsgebieten unterhalb der Armutsgrenze lag als in nicht überfluteten Gebieten. Diese Überschwemmung trug zur vorübergehenden Schließung von 150 NYC-U-Bahn-Stationen bei, wodurch der Zugang zum System für Bewohner und Arbeiter, die normalerweise zu oder von diesen Stationen fahren, eingeschränkt wurde. Der stärkste Rückgang des Zugangs schien in Gebieten mit extrem hohen Armutsquoten zu verzeichnen, obwohl es nicht genügend solcher Gebiete gab, um diese Behauptung statistisch signifikant zu belegen (Faber, 2015).

Mehrere Studien zum Pendlerverhalten nach einer Störung haben Erhebungsansätze und statistische Modelle verwendet. Kontou et al. (2017) erfassten die Anpassung der Pendler nach dem Hurrikan Sandy, indem sie fünf multivariable binäre Logit-Modelle für den Moduswechsel, die Stornierung einer Arbeitsfahrt, die Änderung der Route und die Änderung der Abfahrtszeiten (früher oder später) für Fahrten nach Hause zur Arbeit entwickelten. Vorhandene Literatur (Giuliano und Golob, 1998, Zhu et al., 2010, Mokhtarian et al., 2010) hat festgestellt, dass eine Änderung der Abfahrtszeit und eine Änderung der Route die ersten beiden bevorzugten Optionen für Pendler sind, die mit einer Verkehrsstörung konfrontiert sind, und als taktische Entscheidungen angesehen werden können (im Gegensatz zu strategischen Entscheidungen), die nicht unbedingt finanzielle Investitionen oder Änderungen der Aktivitäten beinhalten und der Kontrolle des Reisenden unterliegen. Das Ändern des Modus ist die am wenigsten bevorzugte Option (Giuliano und Golob, 1998, Zhu et al., 2010, Mokhtarian et al., 2010), weniger wahrscheinlich als sogar die vollständige Stornierung der Reise (Giuliano und Golob, 1998), da ein Auto fehlt Eigentumsverhältnisse und eingeschränkte Transitangebotsoptionen schränken die Durchführbarkeit eines Verkehrsträgerwechsels ein (Zhu et al., 2010). Der Transportservice und die Zugänglichkeit liegen außerhalb der Kontrolle des Pendlers, während der Besitz eines Autos als strategische Entscheidung angesehen werden kann, die einen erheblichen finanziellen Aufwand und Aufwand erfordert, um das Fahrzeug zu erhalten.

Levinson und Zhu (2012) Überprüfung von 16 Veröffentlichungen über Verhaltensreaktionen auf Unterbrechungen von Verkehrsnetzen identifiziert mehrere Einschränkungen bestehender Studien, die ihre Verallgemeinerbarkeit einschränken: (1) Mangel an Details bei der Routen- und Abfahrtszeitwahl, (2) Abhängigkeit von Pendlern mit einer einzigen Optionoption Anpassung, wie sich ändernde Routen oder Abfahrtszeiten, und Nichteinbeziehen mehrerer Optionen, und (3) Nichtberücksichtigen von Erfahrungen und Lernen im Verlauf der Störung. Unsere Forschung adressiert einige dieser Mängel durch den Aufbau eines agentenbasierten Modells (ABM). Um Problem (1) zu lösen, berücksichtigt das ABM Routen- und Abfahrtszeitwahlen für jeden Agenten. Für Pendler mit U-Bahn/Bahn modellieren wir die gesamte tägliche Routenwahl, während wir für andere Verkehrsträger nur bestimmte Teile der Route berücksichtigen, die im Pendlerverkehr verwendet werden, wie Brücken und Tunnel. In Bezug auf Problem (2) ermöglicht unser ABM Agenten, mehrere Änderungen, wie Route und Abfahrtszeit, gleichzeitig vorzunehmen. Für Ausgabe (3) schließlich lernen Pendler in unserem Modell aus ihren früheren Reiseerfahrungen, indem sie Verspätungen und Staus vom Vortag berücksichtigen, damit sie ihre Reiseentscheidungen entsprechend anpassen können.

ABMs können zeitbasierte Situationen simulieren, die kompliziert und dynamisch sind, wie die Störungen im Zusammenhang mit dem Hurrikan Sandy, und verwenden häufig statistische Modelle. Zentral für unsere Zwecke bietet die agentenbasierte Modellierung einen geeigneten Ansatz zur Modellierung von transportbezogenen Problemen (Bernhardt, 2007) und zur Einbeziehung dynamischer menschlicher Entscheidungsfindungen, die erhebliche Unterschiede in der Gesamtsystemfunktion verursachen können (Hager et al., 2015). Agentenbasierte Modellierung wurde beispielsweise in Studien zur Reisenachfrage und zum Entscheidungsverhalten während einer Evakuierung verwendet (Yin, 2014, Zhang et al., 2013, Zhang und Wolshon, 2014, Ukkusuri et al., 2017). minimale Evakuierungszeit für Florida Keys (Chen et al., 2006), Vergleich gestufter und simultaner Evakuierungsstrategien (Chen und Zhan, 2006) und die Auswirkung der Abfahrtszeit auf die Evakuierung (Lammel und Klupfel, 2012). Andere Studien verwendeten agentenbasierte Modellierungstechniken, um die zukünftige Transportnachfrage zu berechnen (Huynh et al., 2011) und Straßenüberlastungsprobleme zu bewerten (Rossetti et al., 2000).

Unsere Studie unterscheidet sich von diesen Situationen vor dem Aufprall und konzentriert sich auf die Pendler, die sich im Aufprallbereich aufhalten und versuchen, nach dem Ende der unmittelbaren Gefahr ein möglichst normales Leben zu führen. Nach dem Hurrikan Sandy waren die Anwohner von Störungen durch den Sturm und Bergungsmaßnahmen verschiedener Einrichtungen betroffen. Um mit diesen Störungen umzugehen, änderten die Menschen ihr Pendelverhalten. Marsden und Docherty (2013) stellten fest, dass das Reiseverhalten weitaus variabler ist, als die politischen Entscheidungsträger zulassen, und die Untersuchung des Verhaltens nach jeder Störung kann neue Erkenntnisse bringen. Um potenzielle Veränderungen beim Pendeln zu identifizieren und neue Erkenntnisse für die Erholungsbemühungen zu gewinnen, verwendet diese Studie daher Umfragedaten und basiert auf früheren Studien.

Dieses Papier präsentiert ein ursprüngliches ABM zur Erfassung des Verhaltens und der Anpassung von Menschen nach dem Hurrikan Sandy und befasst sich insbesondere damit, wie verschiedene hypothetische Erholungsszenarien den Zeitrahmen beeinflussen, in dem Menschen in einen produktiven Zustand zurückkehren können. Ein besseres Verständnis dieser Faktoren könnte Beamten und Behörden bei der Entscheidung helfen, wie sie ihre Wiederherstellungsbemühungen auf eine frühere Rückkehr zur Produktivität nach einer Katastrophe konzentrieren und die Systeme identifizieren können, die zuerst wiederhergestellt werden müssen. Der Rest dieser Arbeit ist in vier Abschnitte unterteilt. Abschnitt 2 beschreibt das ABM und die zu seiner Entwicklung verwendeten Daten. Abschnitt 3 präsentiert die Ergebnisse der Untersuchung von Wiederherstellungsszenarien, die den realen Zeitplan der Systemwiederherstellung ändern, um ihre Auswirkungen auf die Produktivität zu untersuchen. Schließlich skizziert Abschnitt 4 die Schlussfolgerungen und Abschnitt 5 stellt zukünftige Richtungen und Grenzen vor.


Projektumfang

Zeitperiode(n) Hilfe für Zeitperiode(n) anzeigen

Abholdatum Hilfe für Abholdatum anzeigen

Hinweise zur Datenerfassung Hilfe für Hinweise zur Datenerfassung anzeigen

Diese Datensammlung enthält keine Aufzeichnungen über Personen in Puerto Rico.

Benutzern wird dringend empfohlen, vor der Analyse der Daten die gesamte Dokumentation einschließlich Stichproben, Stichprobenfehler, Gewichte und Imputation zu lesen. Mit dieser Sammlung steht eine Dokumentation zum Download bereit.

Gelegentlich ändern sich die Antwortkategorien, die in den ACS-Datendateien verwendet werden, was dazu führen kann, dass eine mehrjährige PUMS-Datei zwei oder mehr Variablen enthält, um die ursprüngliche einzelne Variable aus den 1-Jahres-PUMS zu ersetzen. Dies geschieht aufgrund von Änderungen in den Klassifikationssystemen, die für die Analyse der Wirtschaft verwendet werden, sowie Änderungen der detaillierten Rassen-, Abstammungs-, Geburtsort-Codes und Definitionen von Public Use Microdata Areas (PUMAs). Diese 5-Jahres-PUMS-Datei 2008-2012 enthält sechzehn Sätze von dualen (oder dreifachen) Variablen (auch als Vintage-Variablen bezeichnet), da viele detaillierte Variablen für die Datenprodukte von 2012 überarbeitet wurden. Um Daten für die gesamte PUMS-Stichprobe zu erhalten, müssen alle diese Jahrgänge für eine bestimmte Variable verwendet werden. Ein Wert von -9, -09, -009 oder -0009 (je nach Länge der Variablen) wird den Fällen zugewiesen, für die die Variable aufgrund des Datenjahres nicht anwendbar ist, mit Ausnahme von Berufscodes. Eine vollständige Liste der dualen Variablen finden Sie im ReadMe-Dokument für das 5-Jahres-PUMS 2008-2012 und im PUMS Data Dictionary, das dieser Datensammlung für weitere Informationen zu diesen Variablen beiliegt.

Die kleinste identifizierte geografische Einheit ist die Public Use Microdata Area (PUMA), die auf einer Bevölkerungsgröße von anfangs rund 100.000 oder mehr basiert. Es gibt zwei Sätze von PUMAs auf den ACS PUMS 2008-2012. PUMS-Datensätze von 2008 bis 2011 enthalten PUMA-Codes, die aus den 5 Prozent PUMS-Datendateien der Volkszählung 2000 erstellt wurden. PUMS-Datensätze aus dem Jahr 2012 haben PUMA-Codes, die auf den Daten der Volkszählung 2010 basieren. Die älteren Datensätze verfügen nicht über die PUMA-Codes von 2010 und die Datensätze von 2012 enthalten nicht die auf dem Jahr 2000 basierenden 5-Prozent-PUMA-Codes.

Aufgrund der Begrenzung der zulässigen Zeilen von 65.536 und zulässigen Spalten von 256 in Excel 97-2003 (Dateiendung, xls), befindet sich die mit dieser Sammlung verteilte Excel-Datei in der neueren Version von Excel (Dateiendung xlsx). .


Kartierung von 2-1-1-Anrufen im Zusammenhang mit Ernährungsunsicherheit in einem Gebiet mit 10 Landkreisen in Zentraltexas nach Postleitzahl: Untersuchung der Rolle des geografischen Nahrungszugangs, der Urbanität und der demografischen Indikatoren

Ernährungsunsicherheit ist ein Problem der öffentlichen Gesundheit, von dem 12% der Amerikaner betroffen sind. Personen, die in ernährungsunsicheren Haushalten leben, leiden häufiger an Erkrankungen wie Unterernährung, Fettleibigkeit und chronischen Krankheiten. Ernährungsunsicherheit wurde mit einem begrenzten geografischen Zugang zu Nahrungsmitteln in Verbindung gebracht, jedoch wurden in früheren Studien begrenzte Zugangsmaße verwendet, die die Nuancen des gemeinschaftlichen Kontexts nicht vollständig erfassen. Ziel dieser Studie war es, den Zusammenhang zwischen Ernährungsunsicherheit und geografischem Zugang zu Nahrungsmitteln nach Urbanitätsgrad zu untersuchen. 2-1-1-Anrufe, die 2018 in Zentraltexas getätigt wurden, wurden als Nahrungsmittelbedarf und Nicht-Nahrungsmittelbedarf klassifiziert. Supermärkte und Convenience-Stores wurden mit ArcGIS kartiert. Der geografische Zugang zu Lebensmitteln wurde als Präsenz von Supermärkten und Convenience Stores operationalisiert: innerhalb der Postleitzahl nur in benachbarten Postleitzahlen und nicht innerhalb oder in benachbarten Postleitzahlen. Deskriptive Statistik und binomiale logistische Regression wurden verwendet, um die Zusammenhänge zwischen geografischem Zugang und 2-1-1 Essensaufrufen zu untersuchen, stratifiziert nach Urbanitätsgrad. 11% der 2-1-1-Anrufe im Jahr 2018 (N = 55.405) betrafen den Nahrungsmittelbedarf. Die Ergebnisse zeigten, dass Anrufer von Stadtrandgebieten und ländlichen Gebieten, die in Postleitzahlen lebten, die nur Supermärkte in benachbarten Postleitzahlen hatten, größere Chancen hatten, wegen ihres Lebensmittelbedarfs anzurufen als diejenigen, die Supermärkte in der Postleitzahl hatten. Diese Ergebnisse deuten darauf hin, dass der geografische Zugang zu Nahrungsmitteln mit Ernährungsunsicherheit verbunden ist, aber dieser Zusammenhang variiert je nach Urbanität. Daher ist die Entwicklung von Programmen zur Eindämmung der Ernährungsunsicherheit in stadtnahen und ländlichen Gebieten erforderlich.

Dies ist eine Vorschau von Abonnementinhalten, auf die Sie über Ihre Institution zugreifen können.


Im Jahr 2019 lebten etwa 9 Prozent der Kinder unter 18 Jahren in Haushalten, in denen kein Elternteil die High School abgeschlossen hatte, 26 Prozent lebten in Nur-Mutter-Haushalten, 8 Prozent lebten in Nur-Vater-Haushalten und 16 Prozent lebten in Familien in Armut.

Familienmerkmale von Kindern hängen mit den Bildungserfahrungen der Kinder und ihren schulischen Leistungen zusammen. Frühere Untersuchungen haben ergeben, dass die Risikofaktoren des Lebens in einem Haushalt ohne einen Elternteil mit Abitur, das Leben in einem Haushalt mit einem alleinerziehenden Elternteil und das Leben in Armut mit schlechten Bildungsergebnissen verbunden sind – einschließlich niedriger Leistungswerte, Wiederholungspflichten eine Klasse und bricht das Gymnasium ab. 1 , 2 Dieser Indikator untersucht die Prävalenz dieser Risikofaktoren bei rassischen/ethnischen Gruppen und im Hinblick auf den Armutsstatus zwischen Staaten. Weitere Informationen zum Zusammenhang zwischen dem sozioökonomischen Status der Familie und späteren postsekundären und Beschäftigungsergebnissen finden Sie unter Der Zustand der Bildung 2019 Spotlight-Indikator Bildungs- und Beschäftigungsergebnisse junger Erwachsener nach sozioökonomischem Status der Familie.

Wählen Sie eine Untergruppe aus:

Wählen Sie ein Untergruppenmerkmal aus dem Dropdown-Menü unten aus, um relevanten Text und Abbildungen anzuzeigen.

1 Umfasst Eltern, die die High School durch Gleichwertigkeitsprogramme, wie beispielsweise ein GED-Programm, abgeschlossen haben.

HINWEIS: Umfasst nur Kinder unter 18 Jahren, die bei mindestens einem ihrer Elternteile (einschließlich Adoptiv- oder Stiefeltern, ausgenommen Pflegeeltern) gelebt haben. Der höchste Bildungsabschluss der Eltern ist der höchste Bildungsabschluss eines Elternteils, der mit dem Kind im selben Haushalt lebt. Zu den Eltern zählen Adoptiv- und Stiefeltern, jedoch keine Eltern, die nicht im selben Haushalt wie ihr Kind leben. Details summieren sich aufgrund von Rundungen möglicherweise nicht zu Summen. Obwohl gerundete Zahlen angezeigt werden, basieren die Zahlen auf ungerundeten Daten.

QUELLE: US-Handelsministerium, Census Bureau, American Community Survey (ACS), 2010 und 2019. Siehe Zusammenfassung der Bildungsstatistik 2020, Tabelle 104.70.

Im Jahr 2019 lebte zwar etwas mehr als die Hälfte der Kinder unter 18 Jahren in Haushalten, in denen ein Elternteil mindestens einen Hochschulabschluss (Associate’s Degree oder höher) hatte, aber fast die Hälfte lebte in Haushalten, in denen kein Elternteil einen Hochschulabschluss hatte. Konkret lebten 9 Prozent in Haushalten, in denen kein Elternteil die High School abgeschlossen hatte, 19 Prozent lebten in Haushalten mit dem höchsten Bildungsabschluss, 3 und 20 Prozent lebten in Haushalten, in denen der höchste Bildungsabschluss ein College war Anwesenheit, aber kein Abschluss. Zehn Prozent lebten in Haushalten, in denen der höchste Bildungsabschluss eines der Elternteile ein Associate Degree war. 43 Prozent der Kinder lebten in Haushalten, in denen der höchste Bildungsabschluss eines der Elternteile ein Bachelor oder ein höherer Abschluss war, davon 23 Prozent mit einem Bachelor, 14 mit einem Master und 6 Prozent mit einem Doktortitel. 4

Im Vergleich zu 2010 gab es 2019 weniger Kinder unter 18 Jahren, die in Haushalten lebten, in denen kein Elternteil ein postsekundäres Studium abgeschlossen hatte. Dazu gehören Kinder in Haushalten, in denen kein Elternteil einen Hochschulabschluss hatte (9 vs. 12 Prozent), in denen der höchste Bildungsabschluss eines der Elternteile ein Abitur war (19 vs. 20 Prozent) und in denen der höchste Bildungsabschluss der Bildungsabschluss beider Elternteile bestand in einem gewissen College-Abschluss, aber ohne Abschluss (20 vs. 23 Prozent). Dies wiederum bedeutet, dass im Jahr 2019 ein höherer Anteil an Kindern als im Jahr 2010 in Haushalten lebte, in denen der höchste Bildungsabschluss der Eltern ein postsekundärer Abschluss war. Im Jahr 2019 lebten etwa 43 Prozent in Haushalten, in denen das höchste Bildungsniveau eines Elternteils ein Bachelor oder ein höherer Abschluss war, verglichen mit 35 Prozent im Jahr 2010. 5

1 Umfasst Eltern, die die High School durch Gleichwertigkeitsprogramme, wie z. B. ein GED-Programm, abgeschlossen haben.

HINWEIS: Umfasst nur Kinder unter 18 Jahren, die bei mindestens einem ihrer Elternteile (einschließlich Adoptiv- oder Stiefeltern, ausgenommen Pflegeeltern) gelebt haben. Der höchste Bildungsabschluss der Eltern ist der höchste Bildungsabschluss eines Elternteils, der mit dem Kind im selben Haushalt lebt. Zu den Eltern zählen Adoptiv- und Stiefeltern, jedoch keine Eltern, die nicht im selben Haushalt wie ihr Kind leben. Rassenkategorien schließen Personen hispanischer ethnischer Zugehörigkeit aus. Details summieren sich aufgrund von Rundungen möglicherweise nicht zu Summen. Obwohl gerundete Zahlen angezeigt werden, basieren die Zahlen auf ungerundeten Daten.

QUELLE: US-Handelsministerium, Census Bureau, American Community Survey (ACS), 2019. Siehe Zusammenfassung der Bildungsstatistik 2020, Tabelle 104.70.

Das höchste Bildungsniveau, das ein Elternteil von Kindern unter 18 Jahren erreichte, variierte im Jahr 2019 je nach ethnischer Zugehörigkeit. Der Prozentsatz der Kinder unter 18 Jahren, die in Haushalten lebten, in denen kein Elternteil die High School abgeschlossen hatte, war bei hispanischen Kindern höher (22 Prozent .). ) als für Kinder anderer rassischer/ethnischer Gruppen: Indianer/Alaska-Eingeborene (11 Prozent), Schwarze (8 Prozent), Pazifikinsulaner (7 Prozent), Asiaten (6 Prozent), Zwei oder mehr Rassen (4 Prozent) und Weiß (3 Prozent). Der Prozentsatz der Kinder, die in Haushalten ohne einen Elternteil lebten, der die High School abgeschlossen hatte, war bei weißen Kindern niedriger als bei Kindern jeder anderen ethnischen Gruppe.

Der Prozentsatz der Kinder im Jahr 2019, die in Haushalten lebten, in denen das höchste Bildungsniveau eines der Elternteile mindestens ein Bachelor-Abschluss war, war für Hispanoamerikaner (22 Prozent), Indianer/Alaska-Eingeborene (24 Prozent), Pazifische Inselbewohner (25 .) niedriger Prozent) und Schwarz (27 Prozent) als für Zwei oder mehr Rassen (48 Prozent), Weiße (54 Prozent) und asiatische Kinder (70 Prozent).

1 Beinhaltet Befragte, die in einem anderen Rennen geschrieben haben, das nicht als Option in den Fragebogen aufgenommen wurde.

HINWEIS: Die Daten umfassen keine Pflegekinder, Kinder in nicht verwandten Unterfamilien, Kinder, die in Gruppenunterkünften leben, und Kinder, die als Haushaltsvorstand oder Ehepartner des Haushaltsvorstands gemeldet wurden. Ein „Nur-Mutter-Haushalt“ hat einen weiblichen Haushalt, ohne dass ein Ehepartner anwesend ist (dh der Haushalt ist unverheiratet oder der Ehepartner ist nicht im Haushalt), während ein „Nur-Vater-Haushalt“ einen männlichen Haushalt hat, ohne dass der Ehepartner anwesend ist . Umfasst alle Kinder, die entweder bei ihren Eltern oder bei einem Haushaltsvorstand leben, mit dem sie durch Geburt, Heirat oder Adoption verwandt sind (mit Ausnahme eines Kindes, das der Ehegatte des Haushaltsvorstands ist). Kinder werden nach dem Familienstand der Eltern oder, falls keine Eltern im Haushalt anwesend sind, nach dem Familienstand des mit den Kindern verwandten Haushaltsvorstands klassifiziert. Der Hausbesitzer ist die Person (oder eine der Personen), die die Wohneinheit besitzt oder mietet (unterhält). Rassenkategorien schließen Personen hispanischer ethnischer Zugehörigkeit aus. Obwohl gerundete Zahlen angezeigt werden, basieren die Zahlen auf ungerundeten Daten. Details summieren sich nicht zu 100 Prozent, da die Kategorie „Alle anderen Kinder“ nicht gemeldet wird.

QUELLE: US-Handelsministerium, Census Bureau, American Community Survey (ACS), 2019. Siehe Zusammenfassung der Bildungsstatistik 2020, Tabelle 102.20.

Im Jahr 2019 lebte zwar die Mehrheit der Kinder unter 18 Jahren in Haushalten mit Ehepaaren (63 Prozent), 26 Prozent lebten jedoch in Haushalten nur mit Müttern und 8 Prozent lebten in Haushalten nur mit Vätern. 6 Dieses Muster – ein höherer Prozentsatz von Kindern, die in Haushalten mit Ehepaaren leben als in Haushalten mit nur Mutter und Vater – wurde für Kinder aller ethnischen Gruppen mit Ausnahme von schwarzen Kindern beobachtet. Die Mehrheit der schwarzen Kinder lebte in Haushalten nur mit Müttern (55 Prozent), verglichen mit 34 Prozent in Ehepaaren und 9 Prozent in Haushalten nur mit Vätern.

1 Beinhaltet Befragte, die in einem anderen Rennen geschrieben haben, das nicht als Option in den Fragebogen aufgenommen wurde.

HINWEIS: Das Maß für Kinderarmut umfasst alle Kinder, die mit dem Haushaltsvorstand durch Geburt, Heirat oder Adoption verwandt sind (außer einem Kind, das Ehepartner des Haushaltsvorstands ist). Der Hausbesitzer ist die Person (oder eine der Personen), die die Wohneinheit besitzt oder mietet (unterhält). Weitere Informationen zum Armutsstatus finden Sie unter https://www.census.gov/topics/income-poverty/poverty/guidance/poverty-measures.html. Rassenkategorien schließen Personen hispanischer ethnischer Zugehörigkeit aus. Obwohl gerundete Zahlen angezeigt werden, basieren die Zahlen auf ungerundeten Daten.

QUELLE: US-Handelsministerium, Census Bureau, American Community Survey (ACS), 2010 und 2019. Siehe Zusammenfassung der Bildungsstatistik 2020, Tabelle 102.60.

Im Jahr 2019 lebten etwa 11,6 Millionen Kinder unter 18 Jahren in Familien, die in Armut lebten. 7 Die Armutsquote von Kindern war 2019 (16 Prozent) niedriger als 2010 (21 Prozent). Dieses Muster wurde bei Kindern aller Rassen/ethnischen Gruppen beobachtet, mit Ausnahme der Kinder der pazifischen Inselbewohner. Zum Beispiel lebten 2019 23 Prozent der hispanischen Kinder in Armut, verglichen mit 32 Prozent im Jahr 2010, und 30 Prozent der schwarzen Kinder lebten 2019 in Armut, verglichen mit 38 Prozent im Jahr 2010. Für Kinder der Pazifikinseln lag die Armutsrate 2019 bei nicht messbar von der Rate im Jahr 2010 ab.

Die Armutsquote für Kinder unter 18 Jahren variierte im Jahr 2019 je nach Rasse/ethnischer Gruppe. Indianer/Alaska-Eingeborene (30 Prozent), schwarze (30 Prozent) und hispanische Kinder (23 Prozent) wiesen eine über dem nationalen Durchschnitt liegende Armutsquote auf (16 .). Prozent), während weiße (10 Prozent) und asiatische Kinder (9 Prozent) niedrigere Raten als der nationale Durchschnitt hatten. Die Armutsraten für Kinder von zwei oder mehr Rassen und Kinder von pazifischen Inselbewohnern wichen nicht messbar vom nationalen Durchschnitt ab. Weitere Informationen zu Armutsquoten und rassischen/ethnischen Untergruppen finden Sie im Stand und Trends in der Bildung rassischer und ethnischer Gruppen Bericht.

! Interpretieren Sie Daten mit Vorsicht. Der Variationskoeffizient (CV) für diese Schätzung liegt zwischen 30 und 50 Prozent.

1 Beinhaltet Befragte, die in einem anderen Rennen geschrieben haben, das nicht als Option in den Fragebogen aufgenommen wurde.

2 Umfasst Eltern, die die High School durch Gleichwertigkeitsprogramme, wie beispielsweise ein GED-Programm, abgeschlossen haben.

HINWEIS: Umfasst nur Kinder unter 18 Jahren, die bei mindestens einem ihrer Elternteile gelebt haben (einschließlich Adoptiv- oder Stiefeltern, ausgenommen Pflegeeltern). Der höchste Bildungsabschluss der Eltern ist der höchste Bildungsabschluss eines Elternteils, der mit dem Kind im selben Haushalt lebt. Zu den Eltern zählen Adoptiv- und Stiefeltern, jedoch keine Eltern, die nicht im selben Haushalt wie ihr Kind leben. Das Maß für Kinderarmut umfasst Kinder, die mit dem Haushaltsvorstand durch Geburt, Heirat oder Adoption verwandt sind (mit Ausnahme eines Kindes, das der Ehegatte des Haushaltsvorstands ist). Der Hausbesitzer ist die Person (oder eine der Personen), die die Wohneinheit besitzt oder mietet (unterhält). Weitere Informationen zum Armutsstatus finden Sie unter https://www.census.gov/topics/income-poverty/poverty/guidance/poverty-measures.html. Rassenkategorien schließen Personen hispanischer ethnischer Zugehörigkeit aus. Obwohl gerundete Zahlen angezeigt werden, basieren die Zahlen auf ungerundeten Daten.

QUELLE: US-Handelsministerium, Census Bureau, American Community Survey (ACS), 2019. Siehe Zusammenfassung der Bildungsstatistik 2020, Tabelle 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 (n = 240 rural households n = 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 (p < 0.001, Fig. 1). Between food insecure and food secure households, significant differences were observed in education level (p < 0.01), income (p < 0.01), adult age (p < 0.05), and distance traveled to purchase food (p < 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 (n = 450 households) and by rural (n = 240 households) and urban (n = 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 (p < 0.05), WIC participation (p < 0.05), and urban households (p < 0.001), with a trend toward higher odds for single adult households (p = 0.054). Attainment of a college degree or higher was associated with significantly lower odds of food insecurity (p < 0.01). For rural households, single adult households were associated with significantly higher odds (p < 0.01), while attainment of a college degree or higher and working outside of the home were associated with lower odds of food insecurity (p < 0.05 for both). For urban families, the odds of food insecurity decreased with increasing distance traveled to purchase food (p < 0.05) and increased with an increasing number of children in the household (p < 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 (p < 0.05), and significantly higher intake of fried potatoes (p < 0.001), 100% fruit juice (p = 0.001), and other SSBs (p < 0.05). Children from food insecure households had significantly higher intake of salad (p < 0.01), fried potatoes (p < 0.05), soda (p = 0.01), and sports drinks (p < 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 (p < 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.

Das 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).


Watch the video: Schiefergas-Förderung und die Folgen in den USA. GLOBAL 3000 (Oktober 2021).