Suite

Aide à l'utilisation des données de l'enquête de la communauté américaine américaine

Aide à l'utilisation des données de l'enquête de la communauté américaine américaine


Je souhaite utiliser les données de l'enquête de la communauté américaine des États-Unis pour l'analyse spatiale, mais j'ai du mal à comprendre comment les tables d'enquête sont construites afin de pouvoir les associer à des fichiers de formes de groupe de blocs.

J'ai réussi à créer un fichier de formes qui contient tous les groupes de blocs américains, mais je ne peux pas comprendre comment les données du recensement y sont liées à l'aide du code STFID. J'ai quelques milliers de fichiers texte (nommése20095ak0001000.txtpar example). Quand je les lis dansRils sont apparus avec les en-têtes suivants :

[1] "ACSSF" "X2009e5" "ak" "X000" "X0011" "X0000001" [7] "X4269" "X2211" "X224" "X157" "X189" "X142" [13] "X77" "X269 " "X247" "X169" "X389" "X146"… jusqu'à 200 environ

(Je suppose que le code du groupe de blocs ne correspond pas au nom de fichier, car j'ai 12 465 fichiers et 212 083 groupes de blocs)

Je me rends compte que je dois comprendre quel est le code d'identification, pour les lier aux groupes de blocs, mais je ne trouve pas de documentation qui explique ces informations (même après avoir lu la documentation technique). Où ces en-têtes de colonnes sont-ils expliqués ?

J'utilise l'enquête ACS sur 5 ans.


Vous souhaitez assembler un ensemble national en un seul fichier ? Pour combien de variables ?

Il y a quelques obstacles à franchir pour connecter réellement les STFID de votre fichier de formes avec les données. Je n'ai pas pu lire si votre problème principal était de décoder les schémas de nommage des fichiers et de déterminer ce qu'il y avait dans chacun, ou s'il s'agissait de relier les clés primaires du fichier de forme et des fichiers de données. En tout cas, voici une façon. Je dois dire que je me réfère à l'échantillon ACS 2005-2009, mais il semble que la structure soit analogue :

  • Obtenez le fichier de données. On dirait que vous avez téléchargé l'ensemble de données à l'échelle nationale ? Celui auquel vous faites référence provient d'ACS 2009, Alaska, segment 0001 (parce qu'il y a tellement de champs dans le fichier de synthèse ACS, le bureau les segmente en plus de 100 fichiers séparés pour les estimations et 100 fichiers supplémentaires contenant des marges d'erreurs. Ces les fichiers ont un préfixe "m" (pour chaque état).
  • Vous aurez également besoin des en-têtes de tableau. Pour ACS, ils sont stockés dans des fichiers xls.
  • STFID est un moyen de faire référence de manière unique à un groupe de blocs. Un autre est LOGRECNO, qui est le champ réellement trouvé dans les fichiers de données. Vous devez le relier à l'aide de l'un des fichiers géo (également xls). Par exemple, celui de Californie est ici. STFID est une version plus courte de la colonne C (les 15 derniers caractères environ ; ne vous souvenez pas du nombre exact pour les groupes de blocs, mais il identifie un code à deux chiffres pour l'état, un code à trois chiffres pour le comté, un code à six chiffres pour le tract , et un (Je pense) quatre code à un chiffre pour le groupe de blocs). Par exemple, un groupe de blocs à San Francisco serait 060750101001 ou alors.
  • Si vous n'êtes intéressé que par une poignée de variables, il est beaucoup plus facile de simplement récupérer ces tableaux dans American Factfinder. Je pense que la plupart des enquêtes ACS sont maintenant sur factfinder2.
  • enfin, lorsque j'ai traité de cela, j'ai trouvé ce document utile, quoique pour l'échantillon de cinq ans. Celui-ci est disponible pour l'échantillon de 1 an.

Résumé Afficher l'aide pour Résumé

L'American Community Survey (ACS) est une enquête statistique en cours qui échantillonne un petit pourcentage de la population chaque année - donnant aux communautés les informations dont elles ont besoin pour planifier les investissements et les services. L'échantillon de microdonnées à grande diffusion (PUMS) sur 5 ans pour 2015-2019 est un sous-ensemble des échantillons de l'American Community Survey (ACS) et de l'Enquête communautaire de Porto Rico (PRCS) 2015-2019. Il contient le même échantillon que les fichiers PUMS à 1 an combinés pour 2015, 2016, 2017, 2018 et 2019. Le PUMS à 5 ans de l'ACS 2015-2019 contient cinq années de données pour les unités de logement (HU) et la population des ménages. et la population des quartiers de groupe (GQ). La population du GQ, les unités de logement et la population des ménages sont toutes pondérées pour concorder avec les chiffres de l'ACS, qui sont une moyenne sur la période de cinq ans (2015-2019). L'échantillon ACS est sélectionné dans tous les comtés du pays et dans tous les municipios de Porto Rico.


La portée du projet

Période(s) de temps Afficher l'aide pour Période(s) de temps

Date de collecte Voir l'aide pour la date de collecte

Notes de collecte de données Afficher l'aide pour les notes de collecte de données

Cette collecte de données ne contient pas d'enregistrements pour les personnes à Porto Rico.

Les utilisateurs sont fortement encouragés à lire toute la documentation, y compris l'échantillonnage, les erreurs d'échantillonnage, les poids et l'imputation avant d'analyser les données. La documentation est disponible en téléchargement avec cette collection.

Occasionnellement, les catégories de réponses utilisées dans les fichiers de données ACS doivent changer. Cela peut amener un fichier PUMS pluriannuel à contenir deux variables ou plus pour remplacer la variable unique d'origine vue dans le PUMS sur un an. Cela se produit en raison de changements dans les systèmes de classification utilisés pour l'analyse de l'économie ainsi que de changements dans la race, l'ascendance, les codes de lieu de naissance et les définitions des zones de microdonnées à usage public (PUMA).

Au cours de l'année de données 2012, un ensemble de variables de millésime double a été introduit dans le fichier PUMS sur 5 ans. L'ensemble de données PUMS sur 5 ans de l'ACS 2012-2016 est le premier produit sur 5 ans à contenir cinq années de données avec les variables du millésime 2012. Sur les fichiers 2012-2016, ces variables ont été renommées, l'année étant désormais supprimée du nom de la variable. Par exemple, la variable POBP12 sur le jeu de données PUMS sur 5 ans 2011-2015 est nommée POBP sur le jeu de données 2012-2016.

La plus petite unité géographique identifiée est la zone de microdonnées à grande diffusion (PUMA). Les PUMA sont des zones spéciales sans chevauchement qui divisent chaque État en unités géographiques contiguës contenant chacune pas moins de 100 000 personnes. Les fichiers PUMS sur 5 ans de l'ACS 2012-2016 reposent sur les limites PUMA qui ont été tracées par les gouvernements des États après le recensement de 2010.

Cette collecte de données comprend un fichier de vérification qui fournit des estimations pour certaines caractéristiques fournies pour aider les utilisateurs de données à déterminer s'ils utilisent correctement les poids pour calculer les estimations. Certaines de ces estimations peuvent être différentes des estimations pour les mêmes caractéristiques publiées dans l'American FactFinder. Les utilisateurs peuvent trouver le fichier de vérification dans le Guide technique de l'utilisateur. Pour une explication de ces différences, veuillez vous référer à la section « Exactitude des données » du Guide technique de l'utilisateur.

Si les utilisateurs de PUMS souhaitent comparer les estimations PUMS sur 5 ans 2012-2016 à celles de PUMS 2011-2015, ou souhaitent réutiliser un programme écrit pour les données PUMS sur 5 ans 2011-2015, consultez la section « Lisez-moi » dans le Guide de l'utilisateur technique à propos de variables avec des changements entre 2015 et 2016. Pour plus de détails sur les changements, voir les dictionnaires de données PUMS sur 5 ans et les listes de codes 2011-2015 et 2012-2016.

Variables ajoutées depuis les PUMS 5 ans précédents : RACNH et RACPI.

Variables supprimées depuis les PUMS précédents sur 5 ans : ANC1P05, ANC2P05, CITWP05, LANP05, MARHYP05, MIGPUMA00 MIGSP05, OCCP10, POB05, POWPUMA00, POWSP05, PUMA00, RAC2P05, RAC3P05, RACNHPI, SOCP10 et YOEP05.

Variables avec codes nouveaux ou modifiés depuis les 5 dernières années PUMS : ADJHSG, ADJINC, BUS, CITWP, CONP, LANP, MARHYP, PLM, SERIALNO, SVAL, TOIL, YBL, YOEP, FBUSP et FTOILP.

Variables avec des modifications cosmétiques des étiquettes de variables ou des étiquettes de valeur : ANC1P, ANC2P, FER, LANP, MIGPUMA, MIGSP, OCCP, POBP, POWPUMA, POWSP, PUMA, RAC2P, RAC3P, SOCP, SRNT, TEL et FTELP.

En raison de la limite du nombre de lignes autorisées de 65 536 et de colonnes autorisées de 256 dans Excel 97-2003 (fin de fichier, xls), le fichier Excel distribué avec cette collection est dans la version ultérieure d'Excel (fin de fichier xlsx) .

Pour plus d'informations, veuillez visiter le site Web de l'American Community Survey (ACS).


Introduction

Bien que l'occurrence des catastrophes naturelles ne puisse être contrôlée, la société peut en réduire les impacts grâce à des stratégies efficaces de relèvement post-catastrophe. Cette étude évalue les perturbations causées par l'ouragan Sandy, les vitesses de récupération du système et leurs effets sur la productivité économique au niveau des ménages. L'ouragan Sandy, une catastrophe naturelle à fort impact appelée « Superstorm Sandy » en raison de son intensité, a frappé la région de New York (NYC) le 29 octobre 2012. La tempête a considérablement perturbé les transports et les systèmes électriques (Kaufman et al., 2012) , limitant la capacité du public à atteindre les lieux d'emploi et à retrouver la productivité. Le retour à la productivité, aux fins de cette étude, signifie la « capacité de travailler » pour un emploi donné. Certains emplois nécessitent une présence physique tandis que d'autres permettent aux employés de travailler à distance. Ceux qui doivent être présents ont besoin du système de transport, tandis que ceux qui travaillent à distance peuvent avoir besoin à la fois des systèmes d'alimentation et de communication pour fonctionner. Les deux groupes peuvent être confrontés à des contraintes supplémentaires, telles que des obligations de garde d'enfants en raison de la fermeture des écoles et des garderies, qui influencent davantage leur capacité à être productifs.

Dans la région métropolitaine de New York, près d'un tiers des travailleurs de 16 ans et plus qui quittent leur domicile pour travailler se déplacent en utilisant les transports en commun, un mode de transport qui partage huit fois la moyenne des autres régions métropolitaines des États-Unis (American Community Survey). Cette part modale élevée ajoute des complications, car il devient plus important à New York que dans d'autres parties de l'Amérique urbaine de restaurer le système de transport en commun et les infrastructures de soutien. Les ménages à faible revenu peuvent être confrontés à encore plus de difficultés en raison de la réduction des options de transport (par exemple, ne pas posséder de véhicule privé) et du manque de ressources financières pour payer la garde d'enfants pendant la fermeture des écoles ou des options de transport privé plus chères (Centre d'assistance technique en cas de catastrophe, 2017 , Masozera et al., 2007, Lowe, 2018). De plus, les ménages à faible revenu peuvent être situés dans des zones plus vulnérables aux dommages. Faber (2015), par exemple, a constaté qu'un plus grand pourcentage de ménages dans les secteurs de recensement de New York inondés par Sandy étaient en dessous du seuil de pauvreté que dans les zones non inondées. Cette inondation a contribué à la fermeture temporaire de 150 stations de métro de New York, limitant l'accès au système pour les résidents et les travailleurs qui se rendent normalement à ou à partir de ces stations. Les baisses d'accès les plus marquées semblaient se situer dans les zones où les taux de pauvreté étaient extrêmement élevés, bien qu'il n'y ait pas suffisamment de secteurs de ce type pour que cette affirmation soit statistiquement significative (Faber, 2015).

Plusieurs études sur le comportement des navetteurs après une perturbation ont utilisé des approches d'enquête et des modèles statistiques. Par exemple, Kontou et al. (2017) ont capturé l'adaptation des navetteurs après l'ouragan Sandy en développant cinq modèles logit binaires multivariables pour changer de mode, annuler un voyage de travail, changer d'itinéraire et changer les heures de départ (plus tôt ou plus tard) pour les trajets domicile-travail. La littérature existante (Giuliano et Golob, 1998, Zhu et al., 2010, Mokhtarian et al., 2010) a noté que le changement d'heure de départ et le changement d'itinéraire sont les deux premières options préférées pour les navetteurs confrontés à une perturbation des transports et peuvent être considérés comme des décisions tactiques. (par opposition aux décisions stratégiques) qui n'impliquent pas nécessairement des investissements financiers ou des changements d'activités et sont sous le contrôle du voyageur. Le changement de mode est l'option la moins préférée (Giuliano et Golob, 1998, Zhu et al., 2010, Mokhtarian et al., 2010), moins probable que même l'annulation totale du voyage (Giuliano et Golob, 1998), car un manque de voiture la propriété et les options de service de transport en commun limitées limitent la faisabilité d'un changement de mode (Zhu et al., 2010). Le service de transport en commun et l'accessibilité sont hors du contrôle du navetteur, tandis que la possession d'une voiture peut être considérée comme une décision stratégique, impliquant un investissement financier et des efforts importants pour obtenir le véhicule.

L'examen de Levinson et Zhu (2012) de 16 articles sur les réponses comportementales aux perturbations du réseau de transport identifie plusieurs limites des études existantes qui restreignent leur généralisabilité : (1) manque de détails dans les choix d'itinéraire et d'heure de départ, (2) recours aux navetteurs à option unique l'adaptation, comme la modification des itinéraires ou des heures de départ, et l'incapacité à intégrer plusieurs options, et (3) l'incapacité à prendre en compte l'expérience et l'apprentissage au cours de la perturbation. Notre recherche aborde certaines de ces lacunes en construisant un modèle basé sur les agents (ABM). Pour résoudre le problème (1), l'ABM considère les choix d'itinéraire et d'heure de départ pour chaque agent. Pour les navetteurs métro/rail, nous modélisons le choix d'itinéraire quotidien complet tandis que pour les autres modes, nous ne considérons que des parties spécifiques de l'itinéraire utilisé pour les déplacements, comme les ponts et les tunnels. En ce qui concerne le problème (2), notre GAB permet aux agents d'effectuer plusieurs modifications, telles que l'itinéraire et l'heure de départ, en même temps. Enfin, pour le problème (3), les navetteurs de notre modèle tirent des enseignements de leurs expériences de voyage précédentes en tenant compte des retards et de l'encombrement de la veille afin qu'ils puissent ajuster leurs décisions de voyage en conséquence.

Les GAB peuvent simuler des situations temporelles complexes et dynamiques, telles que les perturbations associées à l'ouragan Sandy, et utilisent souvent des modèles statistiques. Au cœur de nos objectifs, la modélisation à base d'agents offre une approche appropriée pour modéliser les problèmes liés au transport (Bernhardt, 2007) et intégrer la prise de décision humaine dynamique qui peut entraîner des différences significatives dans la fonction totale du système (Hager et al., 2015). Par exemple, la modélisation à base d'agents a été utilisée dans des études sur la demande de déplacement et le comportement décisionnel tout au long d'une évacuation (Yin, 2014, Zhang et al., 2013, Zhang et Wolshon, 2014, Ukkusuri et al., 2017), le temps d'évacuation minimum pour les Florida Keys (Chen et al., 2006), en comparant les stratégies d'évacuation par étapes et simultanées (Chen et Zhan, 2006) et l'effet de l'heure de départ sur l'évacuation (Lammel et Klupfel, 2012). D'autres études ont utilisé des techniques de modélisation à base d'agents pour calculer la future demande de transport (Huynh et al., 2011) et évaluer les problèmes de congestion routière (Rossetti et al., 2000).

Notre étude diffère de ces situations pré-impact, en se concentrant sur les navetteurs qui restent dans la zone d'impact et tentent de mener une vie aussi normale que possible une fois le danger immédiat passé. Après l'ouragan Sandy, les résidents ont été touchés par les perturbations causées par la tempête et les mesures de récupération mises en œuvre par diverses entités. Pour faire face à ces perturbations, les gens ont modifié leurs habitudes de déplacement. Marsden et Docherty (2013) ont déclaré que le comportement de voyage est beaucoup plus variable que ne le permettent les décideurs politiques et que l'étude du comportement après chaque perturbation peut révéler de nouvelles informations. Par conséquent, pour identifier les changements potentiels de navettage et obtenir de nouvelles informations pour les efforts de rétablissement, cette étude utilise des données d'enquête et s'appuie sur des études antérieures.

Cet article présente un ABM original pour capturer le comportement et l'adaptation des personnes après l'ouragan Sandy et traite spécifiquement de la manière dont différents scénarios de récupération hypothétiques affectent le délai dans lequel les personnes peuvent retourner à un état productif. Une meilleure compréhension de ces facteurs pourrait aider les responsables et les agences à décider comment concentrer leurs efforts de récupération pour promouvoir un retour plus rapide à la productivité après une catastrophe, ainsi qu'à identifier les systèmes les plus critiques à récupérer en premier. Le reste de cet article est divisé en quatre sections. La section 2 décrit l'ABM et les données utilisées pour le développer. La section 3 présente les résultats de l'enquête sur les scénarios de récupération qui modifient le calendrier réel de récupération du système pour examiner leur impact sur la productivité. Enfin, la section 4 présente les conclusions et la section 5 présente les orientations et limites futures.


La portée du projet

Période(s) de temps Afficher l'aide pour Période(s) de temps

Date de collecte Voir l'aide pour la date de collecte

Notes de collecte de données Afficher l'aide pour les notes de collecte de données

Cette collecte de données ne contient pas d'enregistrements pour les personnes à Porto Rico.

Les utilisateurs sont fortement encouragés à lire toute la documentation, y compris l'échantillonnage, les erreurs d'échantillonnage, les poids et l'imputation avant d'analyser les données. La documentation est disponible en téléchargement avec cette collection.

À l'occasion, les catégories de réponses utilisées dans les fichiers de données de l'ACS changent, ce qui peut amener un fichier PUMS pluriannuel à contenir deux variables ou plus pour remplacer la variable unique d'origine vue dans le PUMS sur un an. Cela se produit en raison de changements dans les systèmes de classification utilisés pour l'analyse de l'économie ainsi que de changements dans la race, l'ascendance, les codes de lieu de naissance et les définitions des zones de microdonnées à usage public (PUMA). Ce fichier PUMS quinquennal 2008-2012 comporte seize ensembles de variables doubles (ou triples) (également décrites comme variables d'époque) puisque de nombreuses variables détaillées ont été révisées pour les produits de données de 2012. Afin d'obtenir des données pour l'ensemble de l'échantillon PUMS, tous ces millésimes doivent être utilisés pour une variable donnée. Une valeur de -9, -09, -009 ou -0009 (selon la longueur de la variable) est attribuée aux cas pour lesquels la variable n'est pas applicable en raison de l'année de données, à l'exception des codes de profession. Pour une liste complète de la variable double, voir le document Lisez-moi pour le PUMS sur 5 ans 2008-2012 et le dictionnaire de données PUMS inclus avec cette collecte de données pour plus d'informations sur ces variables.

La plus petite unité géographique identifiée est la zone de microdonnées à usage public (PUMA), qui est basée sur une taille de population initialement d'environ 100 000 ou plus. Il existe deux ensembles de PUMA sur les PUMS ACS 2008-2012. Les enregistrements PUMS de 2008 à 2011 ont des codes PUMA qui ont été créés à partir des fichiers de données PUMS à 5 pour cent du recensement de 2000. Les enregistrements PUMS de 2012 ont des codes PUMA basés sur les données du recensement de 2010. Les enregistrements plus anciens n'ont pas les codes PUMA 2010, et les enregistrements 2012 n'ont pas les codes PUMA à 5 pour cent basés sur 2000.

En raison de la limite du nombre de lignes autorisées de 65 536 et de colonnes autorisées de 256 dans Excel 97-2003 (fin de fichier, xls), le fichier Excel distribué avec cette collection est dans la version ultérieure d'Excel (fin de fichier xlsx) .


Cartographie des appels 2-1-1 liés à l'insécurité alimentaire dans une région de 10 comtés du centre du Texas par code postal : exploration du rôle de l'accès géographique à la nourriture, de l'urbanité et des indicateurs démographiques

L'insécurité alimentaire est un problème de santé publique qui touche 12% des Américains. Les personnes vivant dans des ménages en situation d'insécurité alimentaire sont plus susceptibles de souffrir de conditions telles que la dénutrition, l'obésité et les maladies chroniques. L'insécurité alimentaire a été liée à un accès géographique limité à la nourriture, cependant, des études antérieures ont utilisé des mesures d'accès limitées qui ne capturent pas pleinement les nuances du contexte communautaire. Le but de cette étude était d'explorer l'association entre l'insécurité alimentaire et l'accès géographique à la nourriture selon le niveau d'urbanité. Les appels 2-1-1 passés en 2018 dans le centre du Texas ont été classés comme besoins alimentaires par rapport à des besoins non alimentaires. Les supermarchés et les dépanneurs ont été cartographiés à l'aide d'ArcGIS. L'accès géographique à la nourriture a été opérationnalisé comme la présence de supermarchés et de magasins de proximité : dans le code postal uniquement dans les codes postaux voisins et non situés à l'intérieur ou dans les codes postaux voisins. Des statistiques descriptives et une régression logistique binomiale ont été utilisées pour examiner les associations entre l'accès géographique et les appels de nourriture 2-1-1, stratifiés par niveau d'urbanité. 11% des appels 2-1-1 passés en 2018 (N = 55 405) concernaient des besoins alimentaires. Les résultats ont montré que les appelants périurbains et ruraux vivant dans des codes postaux qui n'avaient que des supermarchés dans les codes postaux voisins avaient plus de chances d'appeler pour des besoins alimentaires par rapport à ceux qui avaient des supermarchés dans le code postal. Ces résultats indiquent que l'accès géographique à la nourriture est associé à l'insécurité alimentaire, mais cette relation varie selon l'urbanité. Ainsi, le développement de programmes d'atténuation de l'insécurité alimentaire dans les zones périurbaines et rurales est nécessaire.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


En 2019, environ 9 % des enfants de moins de 18 ans vivaient dans des ménages où aucun parent n'avait terminé ses études secondaires, 26 % vivaient dans des ménages composés uniquement de mères, 8 % vivaient dans des ménages composés uniquement de pères et 16 % vivaient dans des familles vivant dans la pauvreté.

Les caractéristiques des familles des enfants sont associées aux expériences éducatives des enfants et à leur réussite scolaire. Des recherches antérieures ont montré que les facteurs de risque de vivre dans un ménage sans un parent qui a terminé ses études secondaires, de vivre dans un ménage monoparental et de vivre dans la pauvreté sont associés à de mauvais résultats scolaires, notamment l'obtention de faibles résultats scolaires, le redoublement une classe et l'abandon de l'école secondaire. 1 , 2 Cet indicateur examine la prévalence de ces facteurs de risque parmi les groupes raciaux/ethniques et, pour le statut de pauvreté, parmi les États. Pour de plus amples renseignements sur la relation entre le statut socioéconomique de la famille et les résultats postsecondaires et professionnels ultérieurs, voir La condition de l'éducation 2019 Indicateur phare Résultats scolaires et professionnels des jeunes adultes selon le statut socioéconomique de la famille.

Sélectionnez un sous-groupe :

Sélectionnez une caractéristique de sous-groupe dans le menu déroulant ci-dessous pour afficher le texte et les figures pertinents.

1 Comprend les parents qui ont terminé leurs études secondaires dans le cadre de programmes d'équivalence, comme un programme GED.

REMARQUE : Comprend uniquement les enfants de moins de 18 ans qui résidaient avec au moins un de leurs parents (y compris un parent adoptif ou un beau-parent à l'exclusion d'un parent d'accueil). Le plus haut niveau de scolarité atteint par les parents est le plus haut niveau de scolarité atteint par tout parent résidant dans le même ménage que l'enfant. Les parents incluent les parents adoptifs et les beaux-parents, mais excluent les parents ne résidant pas dans le même foyer que leur enfant. Détail peut ne pas correspondre aux totaux en raison de l'arrondissement. Bien que des nombres arrondis soient affichés, les chiffres sont basés sur des données non arrondies.

SOURCE : U.S. Department of Commerce, Census Bureau, American Community Survey (ACS), 2010 et 2019. Voir Recueil des statistiques de l'éducation 2020, tableau 104.70.

En 2019, bien qu'un peu plus de la moitié des enfants de moins de 18 ans vivaient dans des ménages dans lesquels un parent avait au moins un diplôme universitaire (un diplôme d'associé ou plus), près de la moitié vivaient dans des ménages dans lesquels aucun parent n'avait de diplôme universitaire. Plus précisément, 9 pour cent vivaient dans des ménages dans lesquels aucun parent n'avait terminé ses études secondaires, 19 pour cent vivaient dans des ménages dans lesquels le plus haut niveau de scolarité était un diplôme d'études secondaires, 3 et 20 pour cent vivaient dans des ménages dans lesquels le plus haut niveau de scolarité était un diplôme universitaire. présence mais pas de diplôme. Dix pour cent vivaient dans des ménages dans lesquels le plus haut niveau d'éducation atteint par l'un ou l'autre des parents était un diplôme d'associé. Quarante-trois pour cent des enfants vivaient dans des ménages où le plus haut niveau de scolarité atteint par l'un ou l'autre des parents était un baccalauréat ou un diplôme supérieur, dont 23 pour cent avec un baccalauréat, 14 avec une maîtrise et 6 pour cent avec un doctorat. 4

Comparativement à 2010, il y avait des pourcentages plus faibles d'enfants de moins de 18 ans en 2019 qui vivaient dans des ménages dans lesquels aucun parent n'avait obtenu un diplôme d'études postsecondaires. Cela comprend les enfants des ménages dans lesquels aucun parent n'avait terminé ses études secondaires (9 contre 12 %), dans lesquels le plus haut niveau de scolarité atteint par l'un ou l'autre des parents était l'achèvement des études secondaires (19 contre 20 %) et dans lesquels le niveau le plus élevé de l'éducation atteint par l'un ou l'autre des parents était une certaine fréquentation du collège mais aucun diplôme (20 contre 23 pour cent). Ceci, à son tour, signifie qu'il y avait un pourcentage plus élevé d'enfants en 2019 qu'en 2010 qui vivaient dans des ménages dans lesquels le plus haut niveau de scolarité des parents était un diplôme postsecondaire. Plus précisément, en 2019, quelque 43 % vivaient dans des ménages dont le plus haut niveau de scolarité atteint par l'un ou l'autre des parents était un baccalauréat ou un diplôme supérieur, contre 35 % en 2010.5

1 Comprend les parents qui ont terminé leurs études secondaires dans le cadre de programmes d'équivalence, comme un programme GED.

REMARQUE : Comprend uniquement les enfants de moins de 18 ans qui résidaient avec au moins un de leurs parents (y compris un parent adoptif ou un beau-parent à l'exclusion d'un parent d'accueil). Le plus haut niveau de scolarité atteint par les parents est le plus haut niveau de scolarité atteint par tout parent résidant dans le même ménage que l'enfant. Les parents incluent les parents adoptifs et les beaux-parents, mais excluent les parents ne résidant pas dans le même foyer que leur enfant. Les catégories raciales excluent les personnes d'origine hispanique. Détail peut ne pas correspondre aux totaux en raison de l'arrondissement. Bien que des nombres arrondis soient affichés, les chiffres sont basés sur des données non arrondies.

SOURCE : U.S. Department of Commerce, Census Bureau, American Community Survey (ACS), 2019. Voir Recueil des statistiques de l'éducation 2020, tableau 104.70.

Le niveau d'éducation le plus élevé atteint par l'un ou l'autre des parents d'enfants de moins de 18 ans variait selon les groupes raciaux/ethniques en 2019. Le pourcentage d'enfants de moins de 18 ans qui vivaient dans des ménages dans lesquels aucun parent n'avait terminé ses études secondaires était plus élevé pour les enfants hispaniques (22% ) que pour les enfants d'autres groupes raciaux/ethniques : Amérindiens/Autochtones de l'Alaska (11 %), Noirs (8 %), Insulaires du Pacifique (7 %), Asiatiques (6 %), Deux races ou plus (4 %) Blanc (3 pour cent). Le pourcentage d'enfants qui vivaient dans des ménages sans parent ayant terminé leurs études secondaires était plus faible pour les enfants blancs que pour les enfants de tout autre groupe racial/ethnique.

Le pourcentage d'enfants en 2019 qui vivaient dans des ménages dans lesquels le plus haut niveau d'éducation atteint par l'un ou l'autre des parents était au moins un baccalauréat était plus faible pour les hispaniques (22 %), les Indiens d'Amérique/les natifs de l'Alaska (24 %), les insulaires du Pacifique (25 pour cent) et Noir (27 pour cent) que pour Deux races ou plus (48 pour cent), Blanc (54 pour cent) et les enfants asiatiques (70 pour cent).

1 Comprend les répondants qui ont écrit dans une autre race qui n'était pas incluse comme option sur le questionnaire.

REMARQUE : Les données n'incluent pas les enfants en famille d'accueil, les enfants de sous-familles non apparentées, les enfants vivant dans des logements collectifs et les enfants qui ont été déclarés en tant que chef de famille ou conjoint du chef de famille. Un « ménage exclusivement maternel » a une femme comme chef de famille, sans épouse (c'est-à-dire que le chef de famille est célibataire ou que le conjoint ne fait pas partie du ménage), tandis qu'un « ménage exclusivement paternel » a un homme comme chef de famille, sans conjoint présent . Comprend tous les enfants qui vivent soit avec leurs parents, soit avec un chef de famille auquel ils sont liés par la naissance, le mariage ou l'adoption (à l'exception d'un enfant qui est le conjoint du chef de famille). Les enfants sont classés selon l'état matrimonial de leurs parents ou, si aucun parent n'est présent dans le ménage, selon l'état matrimonial du chef de famille qui est lié aux enfants. Le propriétaire est la personne (ou l'une des personnes) qui possède ou loue (entretient) le logement. Les catégories raciales excluent les personnes d'origine hispanique. Bien que des nombres arrondis soient affichés, les chiffres sont basés sur des données non arrondies. Le détail n'est pas égal à 100 % car la catégorie « Tous les autres enfants » n'est pas indiquée.

SOURCE : U.S. Department of Commerce, Census Bureau, American Community Survey (ACS), 2019. Voir Recueil des statistiques de l'éducation 2020, tableau 102.20.

En 2019, bien que la majorité des enfants de moins de 18 ans vivaient dans des ménages de couples mariés (63 %), 26 % vivaient dans des ménages composés uniquement de mères et 8 % vivaient dans des ménages composés uniquement de pères. 6 Cette tendance—d'un pourcentage plus élevé d'enfants vivant dans des ménages de couples mariés que dans des ménages composés uniquement de mères et de pères—a été observée pour les enfants de tous les groupes raciaux/ethniques, à l'exception des enfants noirs. La majorité des enfants noirs vivaient dans des ménages composés uniquement de mères (55 %), contre 34 % qui vivaient dans des ménages composés de couples mariés et 9 % dans des ménages composés uniquement de pères.

1 Comprend les répondants qui ont écrit dans une autre race qui n'était pas incluse comme option dans le questionnaire.

REMARQUE : La mesure de la pauvreté des enfants comprend tous les enfants qui sont liés au chef de famille par la naissance, le mariage ou l'adoption (à l'exception d'un enfant qui est le conjoint du chef de famille). Le propriétaire est la personne (ou l'une des personnes) qui possède ou loue (entretient) le logement. Pour plus d'informations sur le statut de pauvreté, voir https://www.census.gov/topics/ Income-poverty/poverty/guidance/poverty-measures.html. Les catégories raciales excluent les personnes d'origine hispanique. Bien que des nombres arrondis soient affichés, les chiffres sont basés sur des données non arrondies.

SOURCE : U.S. Department of Commerce, Census Bureau, American Community Survey (ACS), 2010 et 2019. Voir Recueil des statistiques de l'éducation 2020, tableau 102.60.

En 2019, environ 11,6 millions d'enfants de moins de 18 ans vivaient dans des familles vivant dans la pauvreté. 7 Le taux de pauvreté des enfants en 2019 (16 %) était inférieur à celui de 2010 (21 %). Cette tendance a été observée pour les enfants de tous les groupes raciaux/ethniques, à l'exception des enfants des îles du Pacifique. Par exemple, 23 % des enfants hispaniques vivaient dans la pauvreté en 2019, contre 32 % en 2010, et 30 % des enfants noirs vivaient dans la pauvreté en 2019, contre 38 % en 2010. Pour les enfants des îles du Pacifique, le taux de pauvreté de 2019 était pas sensiblement différent du taux de 2010.

Le taux de pauvreté des enfants de moins de 18 ans variait selon les groupes raciaux/ethniques en 2019. Les Indiens d'Amérique/les natifs de l'Alaska (30 %), les enfants noirs (30 %) et les enfants hispaniques (23 %) avaient des taux de pauvreté supérieurs à la moyenne nationale (16 pour cent), tandis que les enfants blancs (10 pour cent) et asiatiques (9 pour cent) avaient des taux inférieurs à la moyenne nationale. Les taux de pauvreté des enfants de deux races ou plus et des enfants des îles du Pacifique n'étaient pas sensiblement différents de la moyenne nationale. Pour plus d'informations sur les taux de pauvreté et les sous-groupes raciaux/ethniques, veuillez consulter le Statut et tendances de l'éducation des groupes raciaux et ethniques rapport.

! Interprétez les données avec prudence. Le coefficient de variation (CV) de cette estimation se situe entre 30 et 50 pour cent.

1 Comprend les répondants qui ont écrit dans une autre race qui n'était pas incluse comme option sur le questionnaire.

2 Comprend les parents qui ont terminé leurs études secondaires dans le cadre de programmes d'équivalence, comme un programme GED.

REMARQUE : Comprend uniquement les enfants de moins de 18 ans qui résidaient avec au moins un de leurs parents (y compris un parent adoptif ou un beau-parent à l'exclusion d'un parent d'accueil). Le plus haut niveau de scolarité atteint par les parents est le plus haut niveau de scolarité atteint par tout parent résidant dans le même ménage que l'enfant. Les parents incluent les parents adoptifs et les beaux-parents, mais excluent les parents ne résidant pas dans le même foyer que leur enfant. La mesure de la pauvreté des enfants comprend les enfants qui sont liés au chef de famille par la naissance, le mariage ou l'adoption (à l'exception d'un enfant qui est le conjoint du chef de famille). Le propriétaire est la personne (ou l'une des personnes) qui possède ou loue (entretient) le logement. Pour plus d'informations sur le statut de pauvreté, voir https://www.census.gov/topics/ Income-poverty/poverty/guidance/poverty-measures.html. Les catégories raciales excluent les personnes d'origine hispanique. Bien que des nombres arrondis soient affichés, les chiffres sont basés sur des données non arrondies.

SOURCE : U.S. Department of Commerce, Census Bureau, American Community Survey (ACS), 2019. Voir Recueil des statistiques de l'éducation 2020, tableau 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 (m = 240 rural households m = 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 (m = 450 households) and by rural (m = 240 households) and urban (m = 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.

le 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, Plus haut. 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, Plus bas. 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 (Plus haut) and COVID-19 positivity rate by zip code (Plus bas).


Voir la vidéo: USA Tremendous Team Free Routine. FINA Artistic Swimming World Series 2021