Geographische Muster
j$k1139395j$k
Es ist bekannt, dass die menschliche Mobilität über mehrere Größenordnungen physikalischer Entfernungen verteilt ist, was es in der Regel schwierig macht, typische und sinnvolle Skalen endogen zu finden oder zu definieren. Relevante Analysen, von Bewegungen bis zu geographischen Teilungen, scheinen relativ zu einer Ad-hoc-Skala oder gar keiner Skala zu sein. Ausgehend von geotagged Daten, die von sozialen Medien gesammelt werden, wenden wir die Community-Erkennung auf Bewegungsnetzwerke an, die durch zunehmende Perzentile der Entfernungsverteilung eingeschränkt sind. Mit einem einfachen parameterfreien Diskontinuitätserkennungsalgorithmus entdecken wir klare Phasenübergänge im Community-Partitionsraum. Der Nachweis dieser Phasen stellt die erste objektive Methode zur Charakterisierung endogener, natürlicher Skalen der menschlichen Bewegung dar. Unsere Studie deckt neun Regionen ab, von Städten bis hin zu Ländern unterschiedlicher Größe und einem transnationalen Gebiet. Für alle Regionen ist die Anzahl der natürlichen Skalen bemerkenswert gering (2 oder 3). Darüber hinaus deuten unsere Ergebnisse eher auf maßstabsbezogene Verhaltensweisen als auf maßstabsbezogene Benutzer hin. Die Trennwände der natürlichen Skalen ermöglichen es uns, diskrete geografische Grenzen mehrerer Skalen zu ziehen, die möglicherweise in der Lage sind, wichtige Erkenntnisse in Bereichen wie Epidemiologie oder kulturelle Ansteckung zu liefern, in denen die Einführung räumlicher Grenzen von entscheidender Bedeutung ist. Skalierungsabhängige Diagramme werden mit einem Community-Erkennungsalgorithmus partitioniert. Die Detektion geografischer Cluster beruht häufig auf einer netzwerkbasierten Community-Erkennungsmethode, z.
B. in Ref. 5, wo Grenzen auf Kreisebene rekonstruiert werden, indem die Modularität von Graphengemeinschaften in US-basierten Handydaten maximiert wird, in Ref. 6, die auf einem gewichteten Netz von Check-in-Routen basiert, oder Ref. 16, wo Löwen auf einem Pendlernetz angewendet wird. Diese Klasse von Algorithmen versucht, die Partition eines Graphen mit der höchsten Modularität zu finden, d. h. den Bruchteil der Kanten innerhalb der Partitionen, der durch den erwarteten Bruch in einem zufälligen Graphen mit der gleichen Gradverteilung normalisiert wird. Modularität misst somit die Stärke einer gegebenen Partition23. Allgemeiner gesagt, hat das Verständnis und das Aufbrechen von Mobilitätsmustern als Überlagerung einer kleinen Anzahl endogener skalenspezifischer Verhaltensweisen in verschiedenen Bereichen wie der Epidemiologie wichtige Folgen. Kulturelle Ansteckung und öffentliche Ordnung26,27,28 wo die Niedermodellierung von Verschiebungen7,8,29,30,31 entscheidend ist: Hier könnte sich die Einführung von Randbedingungen auf der Grundlage eines Gerüstes einer kleinen Anzahl natürlicher Skalen, die endogen aus den Daten hervorgehen, als besonders fruchtbar erweisen.
Die weltweite Einführung von Instagram in den letzten Jahren macht es zu einem beträchtlichen Fundus an geosozialen Daten für eine aufkommende Literatur. Insbesondere in Bezug auf die Mobilität zeigten mehrere aktuelle Arbeiten, dass verlässliche Mobilitätsdaten aus Fotoposting- und Check-in-Plattformen extrahiert werden können6,7,8,13, während Instagram beides zu sein scheint. Die Fokussierung auf einzelne Bewegungen21 zeigt, dass geografische Muster, die von Instagram abgeleitet werden, denen von Daten ähneln, die in Foursquare, einer so genannten “Check-in”-Plattform, gefunden werden, auf der Nutzer ihre Position in der Regel an ihre Freunde senden (allerdings unterscheiden sich zeitliche Muster und Posting-Verhalten zwischen den beiden Plattformen, was darauf hindeutet, dass sie unterschiedlichen Internet-Nutzungen entsprechen). Eine neuere Studie18 befasst sich genauer mit soziospatialen Mustern und Spaltungen auf der Ebene der Städte.
