D 2021

Modelování struktur v regionální analýze –segment dat Covid 19

BOTLÍK, Josef

Basic information

Original name

Modelování struktur v regionální analýze –segment dat Covid 19

Name in Czech

Modelování struktur v regionální analýze –segment dat Covid 19

Name (in English)

Modeling of structures in regional analysis - data segment Covid 19

Authors

BOTLÍK, Josef (203 Czech Republic, guarantor, belonging to the institution)

Edition

XXIV. Brno, International Colloquium on Regional Sciences, p. 540-546, 7 pp. 2021

Publisher

Masarykova univerzita v Brně

Other information

Language

Czech

Type of outcome

Stať ve sborníku

Field of Study

50201 Economic Theory

Country of publisher

Czech Republic

Confidentiality degree

není předmětem státního či obchodního tajemství

Publication form

electronic version available online

References:

RIV identification code

RIV/47813059:19520/21:A0000239

Organization unit

School of Business Administration in Karvina

ISBN

978-80-210-9896-1

Keywords (in Czech)

regionální analýza; Covid19; precedenční analýza; modelování

Keywords in English

regional analysis; Covid19; precedence analysis; modeling

Tags

International impact, Reviewed
Změněno: 25/12/2021 18:48, Ing. Milena Botlíková, Ph.D.

Abstract

V originále

Regionální vědy se opírají o specifické výzkumné metody, zohled ňující analyzované faktory a regionální členění. Ve většině případů nedokážou analýzy zohlednit vazby mezi analyzovanými faktory a geopolitickou lokací regionu. Práce p ředstavuje možnosti analýzy pomocí preceden čního modelování, prostřednictvím kterého lze provád ět analýzy s ohledem na geografické vazby. Cílem naš eho výzkumu bylo prokázání vhodnosti implementace precedenčního modelu pro predikci vývoje nár ůstu Covid pozitivních případů na úrovni obcí ČR. Precedenční analýza umož ňuje zjednodušení části matematického analyti ckého aparátu do binární podoby. Data jsou prezentována ve vybraném časovém intervalu ohrani čeném uzavřením okresů na úrovni obcí s rozšířenou působností (ORP). Výzkum vychází z výzkumné otázky, zda lze efektivn ě vyhodnocovat pomocí precedenčního modelu regionální disparity. Základní metodou výzkumu je precedenční analýza a následná matematicko statistická analýza, p ředevším stanovení směrnic vývoje precedencí v týdenních intervalech. Výsledkem prezentované části výzkumu je sumarizace ORP podle potenciálu Covid ohrožení. Mapování struktury v prezentovaném modelu identifikovalo skupiny ORP, které jsou lokálními extrémy sledovaných hodnot. Byly tak identifikovány obce, které jsou potencionálními zdroji nákazy virem Covid a obce, které jsou potencionálními místy ohroženými virem.

In English

Regional sciences are based on specific research methods, taking into account the analyzed factors and regional breakdown. In most cases, the analyzes fail to take into account the links between the analyzed factors and the geopolitical location of the region. The work presents the possibilities of analysis using precedent modeling, through which analyzes can be performed with respect to geographical links. The aim of our research was to demonstrate the suitability of implementing a precedent m odel for predicting the development of an increase in Covid positive cases at the level of Czech municipalities. The precedent analysis enables the simplification of a part of the mathematical analytical apparatus into a binary form. The data are presented in a selected time interval limited by the closure of districts at the level of municipalities with extended powers (MEP). The research is based on the research question of whether it can be effectively evaluated using a precedent model of regional disparity. The basic method of research is precedent analysis and subsequent mathematical and statistical analysis, especially the determination of guidelines for the development of precedents at weekly intervals. The result of the presented part of the research is a summary of the MEP according to the potential of the Covid threat. The structure mapping in the presented model identified MEP groups, which are local extremes of the observed values. Thus, municipalities that are potential sources of Covid virus infection and municipalities that are potential sites endangered by the virus were identified.