Predicitve Policing: Wie Gebäude- und Regionaldaten Wohnungseinbrüche vorhersagen

Sorry, this entry is only available in German. For the sake of viewer convenience, the content is shown below in the alternative language. You may click the link to switch the active language.

In diesem Jahr (2017) veröffentlichte das Landeskriminalamt Nordrhein-Westfalen den Basis-Forschungsbericht Wohnungseinbruchdiebstahl (WED) https://lka.polizei.nrw/sites/default/files/2017-05/Basisbericht_Forschungsprojekt%20WED.pdf

Darin wird u.a. festgestellt, dass – unterschieden nach Häusern und Wohnungen – es sich bei den ersten Fällen mehrheitlich um freistehende Einfamilienhäuser (n = 1 328, 60,7 %) handelt. Weitere 25,6 Prozent der Delikte (n = 559) erfolgen in Reihenhäusern. Gebäude vom Typ Doppelhaushälfte machten dagegen nur 13,7 Prozent (n = 300) aller betroffenen Häuser aus.

Die Anteile der verschiedenen Wohngebäudetypen werden im Wesentlichen durch die Gemeindegrößen der Tatorte bestimmt. Der Anteil raumsparender Reihenhäuser und Doppelhaushälften ist in Großstädten dabei natürlich größer. In Großstädten mit mehr als 150 000 Einwohnern hatten Reihenhäuser und Doppelhaushälften einen Anteil von 51,5 Prozent (n = 399) an allen von WED betroffenen Tatobjekten. Dieser Anteil sinkt dem Bericht zur Folge kontinuierlich mit der Abnahme der Einwohnerzahl. So betrug der Anteil angegangener Reihenhäuser und Doppelhaushälften in Gemeinden bis 25.000 Einwohnern nur noch 16,4 Prozent (n = 64).

infas 360 hat auf amtlicher Basis alle bundesweit rund 20 Mio. Wohngebäude auf Adressebene analysiert und u.a. die einzelhausgenaue CASA-Gebäudetypologie in 98 Klassen entwickelt

Mehr Infos dazu unter http://infas360.de/service/news/so-wohnt-deutschland/

Für Predictive Analytics sollten alle über 700 berechnete CASA-Merkmale zur Anwendung kommen. Die Small Area Methodik bestimmt dann, welche Variablen am besten das Gebäude und seine Umgebung voraussagt.

Haben Sie Fragen zu regionalen Einbruchsdaten, Predicitive Analytics oder Predicitve Policing, dann kontaktieren Sie uns unter Consulting@infas360.de 

 

Des Deutschen liebstes Haustier ist nach wie vor die Katze. Jeder dritte Katzenhaushalt teilt sich sein Zuhause mit einem Hund.

Sorry, this entry is only available in German. For the sake of viewer convenience, the content is shown below in the alternative language. You may click the link to switch the active language.

Der CASA-Monitor Digitales Wohnen 2017 mit deutschlandweit 10.931 befragten Personen widmete sich auch der Frage: “Welche und wie viele Haustiere haben Sie?”.

Klar an der Spitze mit 3.121 bzw. 28,2% liegen die Katzenbesitzer. 2.412 bzw. 22,1% gaben an, mindestens einen Hund zu haben. An dritter Stelle liegt der Fisch (9,9%), knapp gefolgt von den Kleintieren (9,3%). Immerhin noch 381 (3,5%) sagten von sich, ein oder mehrere Pferde zu besitzen.

Wer meint, Katzen und Hunde könnten nicht zusammenleben, wird von 8,6% bzw. 944 der 10.931 befragten Personen eines besseren belehrt. Sie gaben an, mindestens einen Hund und eine Katze in ihrem Haushalt zu haben. Aus Sicht eines Katzenhaushaltes bedeutet dies, dass 30% bzw. fast jeder dritter Katzenhaushalt sein ‘Nest’ mit einem Hund teilt.

Im Durchschnitt zählt ein “Katzenhaushalt” in Deutschland 1,66 Katzen, ein Hundehaushalt kommt auf 1,37 Hunde.

Sie möchten wissen wie sich z.B. die Haustierbesitzer regional verteilen oder wie z.B. ein detailliertes Zielgruppenprofil (Einkommen, Wohnsituation usw.) für Pferdebesitzer aussieht, dann kontaktieren Sie unser Consulting@infas360.de. Wir verfügen über 700 beschreibende Tiefenmerkmale zu allen Haustierbesitzern.

Zum CASA-Monitor Digitales Wohnen 2017: 10.931 online-repräsentativ befragte Personen beleuchtete dieses Jahr intensiv die (geplante) Haushaltsausstattung mit dem Themenschwerpunkt Smart Home.

 

It’s all about Neighborhood!

The main power of Spatial Data & Analytics is the so called “Basic principle of Neighborhood”. In the World of Spatial Data all objects like buildings, places, trees or even people are connected to each other. And mostly every object has its neighbor(s). That is the main difference to all other data concepts. It offers a lot more possibilities to explore the interrelation and perhaps correlation of all phenomenons that occur in space (and time).

What do you think makes geodata so powerful to use? What are the main advantages of spatial data?

Small Area Statistics für SAS®Software

Sorry, this entry is only available in German. For the sake of viewer convenience, the content is shown below in the alternative language. You may click the link to switch the active language.

Small Area Statistics oder Small-Area-Methoden (verkürzt SAM) beschäftigen sich im Wesentlichen mit der Entwicklung und Verbesserung statistischer Verfahren zur Schätzung kleinräumiger Daten, bei denen die Regionen nur sehr wenige oder gar fehlende (Befragungs-)Werte aufweisen. Im Zentrum steht dabei das Regionalisieren, also das Herunterrechnen von für größere Regionen vorliegenden aggregierten Daten in feinere geographische Einheiten bis in Wohnblocks, Straßenabschnitten oder sogar Einzeladressen.

Die Vorteile von SAM gegenüber herkömmlichen Schätzmodellen bestehen darin, dass in das Modell Informationen aus übergeordneten Raumebenen ebenso einfließen wie Informationen aus ähnlichen Regionen. Das führt zu sehr genauen Angaben, selbst wenn die Regionen nur kleine oder gar fehlende Fallzahlen aufweisen. Voraussetzung der Raumebenen ist eine hierarchisch überschneidungsfreie Struktur (nested data).

Und genau hier setzt nun das Umsetzungsmodell für die Business Analytic Software SAS an. infas 360 nutzt dazu sein Raumstrukturmodell PAGS, das überschneidungsfrei alle amtlichen und postalischen Raumstrukturen Deutschlands von der Gemeinde, den Postleitzahlen, den Orts-, Postorts- und Stadtteilen bis hin zu den Siedlungsblöcken, Straßenabschnitten und Einzelhausadressen. Dieses wird in SAS importiert und mit allen weiteren zur verfügbar stehenden Daten auf allen Raumebenen inkl. der (Befragungs-)fälle kombiniert.

Postalisch-amtliches Gliederungssystem (PAGS), das überschneidungsfreie Gebiete (nested areas) sicherstellt.

Sie interessieren sich für einen kostenlosen Informationstermin oder einen ausführlicheren Workshop zum Thema, dann kontaktieren Sie einfach unsere Consulting-Team unter Consulting@infas360.de

Einen programmatischen Ansatz für Small Area Statistics in SAS gibt der Artikel Small Area Estimation for Survey Data Analysis Using SAS® Software http://support.sas.com/resources/papers/proceedings11/336-2011.pdf