Vairāk

Vai ir kādi vienkārši karšu datu avoti, piemēram, world.dat

Vai ir kādi vienkārši karšu datu avoti, piemēram, world.dat


Nesen es sastapos ar šo emuāra ierakstu www.gnuplotting.org/plotting-the-world/, kurā tika izmantots fails, kurā atrodas pamata pasaules karte. Vai šāda veida datiem ir nosaukums? Vai ir arī līdzīgu, bet augstākas izšķirtspējas datu krātuve.

Tieša saite uz datiem: www.gnuplotting.org/data/world.dat


World.dat fails ir faila formāts, kas paredzēts tieši GnuPlot. Es neesmu dzirdējis par tā izmantošanu citur un es neko nevarēju atrast.

Jaunākā emuāra ziņā tajā pašā vietnē autors runā par faila world.dat atjaunināšanu ar labākiem datiem - īpaši no Natural Earth. Tā kā autors sāk ar formas failiem, šo pašu datu plūsmu var izmantot gandrīz jebko, jo formas faila formāts ir diezgan visuresošs.


Jūs varat izveidot savas kartes gnuplot no attēlu failiem vai shapefiles, izmantojot R pakotni Rgnuplot.

Tas var arī uzzīmēt duci kartogrāfisko projekciju


Vai ir kādi vienkārši karšu datu avoti, piemēram, world.dat - ģeogrāfiskās informācijas sistēmas

2. modulis: Datu vākšanas metodes - 2. nodaļa

Tiešsaistes nodarbība

Brīvā laika pavadīšanas pētījumu metodes

Kad pētījuma jautājums ir noteikts, nākamais solis ir noteikt, kura metode būs piemērota un efektīva.

Zemāk esošajā tabulā aprakstītas dažādu metodiku pamatīpašības.

Kvalitatīvās un kvantitatīvās pētījumu metodoloģijas

Kvantitatīvs pētījumu metodes ietver:

Kvalitatīva pētījumu metodes ietver:

Katrai pētījuma metodei ir savas stiprās un vājās puses. Veidojot pētījuma pētījumu, ir svarīgi izlemt, kādu rezultātu (datus) iegūs pētījums, un pēc tam atlasiet labāko metodoloģiju, lai iegūtu vēlamo informāciju.

Datu vākšanas paņēmieni

Ir divi datu avoti. Primārajā datu vākšanā izmanto aptaujas, eksperimentus vai tiešus novērojumus. Sekundāro datu vākšanu var veikt, vācot informāciju no daudzveidīga dokumentu avota vai elektroniski saglabātas informācijas. ASV tautas skaitīšana un tirgus pētījumi ir kopīgu sekundāro datu avotu piemēri. To sauc arī par & quotdata ieguve. & Quot

Galveno datu vākšanas paņēmieni

Ievada rakstīšana

Jebkurā pētījuma priekšlikumā pētniekam jāizvairās no vārda & quot; izmeklēšana & quot; Šis vārds tiek uztverts negatīvā nozīmē.

Labas ievada galvenās sastāvdaļas ir

Eksperimentālās procedūras

Eksperimentālie projekti ir statistiskās nozīmības pamatā. Eksperimentālā dizaina pamatu piemērs ir parādīts zemāk.

Pētnieku interesē brīvā dabā pavadītas atpūtas programmas (neatkarīgais mainīgais, eksperimentālā terapija vai intervences mainīgais) ietekme uz riska grupas jauniešu uzvedību (atkarīgie vai iznākuma mainīgie).

Paredzams, ka šajā piemērā neatkarīgais mainīgais (atpūtas programma brīvā dabā) ietekmēs mainīgo. Pat ja ir labi izstrādāts pētījums, paliek jautājums, kā pētnieks var būt pārliecināts, ka uzvedības izmaiņas, ja tādas ir, izraisīja āra atpūtas programma, nevis kāds cits, iejaukšanās vai svešs mainīgais? Eksperimentāls dizains nenovērš iejaucošos vai svešus mainīgos, bet mēģina ņemt vērā to ietekmi.

Eksperimentālā kontrole ir saistīta ar četriem galvenajiem faktoriem (Huck, Cormier & amp Bounds, 1974).

Ārstēšanas grupa: Parauga vai populācijas daļa, kas ir pakļauta manipulācijām ar neatkarīgo mainīgo, ir pazīstama kā ārstēšanas grupa. Piemēram, jaunieši, kas piesakās un piedalās atpūtas programmās, ir ārstēšanas grupa, un grupa, kurai netiek sniegti atpūtas pakalpojumi, ir kontroles grupa.

Eksperimenta projekta derīguma novērtēšanai ir divi galvenie kritēriji.

Kļūdas: ir apstākļi, kas var sajaukt neatkarīgā mainīgā ietekmi ar kāda cita (-u) mainīgā (-u) mainīgo.

Patiesie modeļi - pieci galvenie eksperimentālā pētījuma izstrādes soļi

1. Apskatiet literatūru par pašreizējiem pētījumiem, kas saistīti ar jūsu pētījumu.
2. Definējiet problēmu, formulējiet hipotēzi, definējiet pamatterminus un mainīgos un darbiniet mainīgos.
3. Izstrādāt pētījumu plānu:
a. Identificējiet traucējošos / starpojošos mainīgos, kas var piesārņot eksperimentu, un izstrādājiet metodes, kā tos kontrolēt vai samazināt līdz minimumam.
b. Atlasiet pētījuma dizainu (skat. 3. nodaļu).
c. Nejauši izvēlieties priekšmetus un nejauši izvēlieties tos grupās.
d. Apstipriniet visus izmantotos instrumentus.
e. Izstrādāt datu vākšanas procedūras, veikt izmēģinājuma pētījumu un pilnveidot instrumentu.
f. Norādiet nulles un alternatīvās hipotēzes un iestatiet pētījuma statistiskās nozīmības līmeni.
4. Veikt pētījuma (-u) eksperimentu (-us).
5. Analizējiet visus datus, veiciet atbilstošus statistikas testus un ziņojiet par rezultātiem.

Galvenā atšķirība starp patiesajiem dizainparaugiem un kvazi dizainparaugiem ir tā, ka kvazi dizainparaugos neizmanto nejaušu piešķiršanu apstrādes vai kontroles grupās, jo šis dizains tiek izmantots esošajos dabiskos apstākļos.

Grupām tiek veikti iepriekšēji testi, pēc tam vienai grupai tiek piešķirta ārstēšana un pēc tam abām grupām tiek piešķirts pēcpārbaude. Tas rada nepārtrauktu jautājumu par iekšējo un ārējo derīgumu, jo tēmas tiek izvēlētas pašas. Kvazi dizainā izmantotie soļi ir tādi paši kā patiesie.

Ex Post Facto modeļi

Ex post facto dizains noteiks, kuri mainīgie atšķir priekšmetu grupas.

Ex Post Facto dizaina posmi

Ex post facto pētījumi nevar pierādīt cēloņsakarību, bet var sniegt ieskatu parādības izpratnē.

CITAS LAUKA METODES / GRUPU TEHNIKA

Nominālā grupas tehnika (NGT)

NGT ir grupas diskusiju strukturēšanas tehnika. Tas ir noderīgi, lai koncentrētos uz tēmām. NGT nodrošina metodi, lai noteiktu jautājumus, kas skar īpašas interešu grupas vai sabiedrību kopumā. Ewert (1990) atzīmēja, ka NGT ir kolektīvs lēmumu pieņemšanas paņēmiens, ko izmanto parku un atpūtas plānošanā un apsaimniekošanā. NGT tiek izmantots, lai iegūtu ieskatu grupas jautājumos, uzvedībā un turpmākajās pētniecības vajadzībām.

Avots: (Mitra & amp Lankford, 1999)

Delfu metode tika izstrādāta, lai strukturētu diskusijas un apkopotu izvēlētās grupas iespējas:

Lai gan dati var izrādīties vērtīgi, vākšanas process ir ļoti laikietilpīgs. Kad laiks ir pieejams un respondenti vēlas noteikt laika periodu, tehnika var būt ļoti spēcīga, lai noteiktu tendences un prognozētu nākotnes notikumus.

Metode prasa virkni anketu un atgriezenisko saiti atsevišķu personu grupai. Katra sērija tiek analizēta un instruments / paziņojumi tiek pārskatīti, lai atspoguļotu grupas atbildes. Tiek sagatavota jauna anketa, kas ietver jauno materiālu, un process tiek atkārtots, līdz tiek panākta vienprātība.

Turpmāk sniegtais lasījums ir pētījums, kurā tika izmantota delfu tehnika un satura analīze, lai izstrādātu valsts profesionālās sertifikācijas programmu.

Ričards Krēgers (1988), apraksta fokusa grupu kā īpašu grupas veidu mērķa, lieluma, sastāva un procedūru ziņā. Fokusgrupu parasti veido septiņi līdz divpadsmit dalībnieki, kuri viens otram nav zināmi, un tos vada apmācīts intervētājs. Šie dalībnieki tiek izvēlēti, jo viņiem ir noteiktas kopīgas iezīmes, kas attiecas uz fokusa grupas tēmu.

Pētnieks fokusa grupā rada visatļautības vidi, kas kopj atšķirīgu uztveri un viedokļus, neuzspiežot dalībniekus balsot, plānot vai panākt vienprātību. Grupas diskusija tiek veikta vairākas reizes ar līdzīga veida dalībniekiem, lai noteiktu uztveres tendences un modeļus. Rūpīga un sistemātiska diskusiju analīze sniedz norādes un ieskatu par to, kā tiek uztverts produkts, pakalpojums vai iespēja.

Fokusa grupu var definēt kā rūpīgi plānotu diskusiju, kuras mērķis ir iegūt priekšstatus par noteiktu interešu loku visatļautībā, nedraudošā vidē. To vada aptuveni septiņi līdz divpadsmit cilvēki kvalificēts intervētājs. Diskusija ir nepiespiesta, ērta un dalībniekiem bieži patīkama, jo viņi dalās savās idejās un uztverē. Grupas dalībnieki ietekmē viens otru, reaģējot uz idejām un komentāriem diskusijā.

FOCUS GRUPU RAKSTUROJUMS

Fokusa grupas intervijām parasti ir četras iezīmes:

Citu veidu cilvēku procesos izmantojamie grupas procesi (delfiskie, nominālie, plānošanas, terapeitiskie, jutīgie vai konsultatīvie) var būt ar vienu vai vairākām no šīm pazīmēm, bet ne tādā pašā kombinācijā kā fokusa grupu intervijās.

Uzvedība / kognitīvā kartēšana

Kognitīvā un telpiskā kartēšanas informācija sniedz telpisko karti ar:

Visu veidu atpūtas aktivitātes un ceļojumi ietver zināmu vides izziņas līmeni, jo cilvēkiem ir jāidentificē un jāatrod atpūtas mērķi un atrakcijas.

Kognitīvā kartēšana ļauj atpūtas resursu pārvaldniekiem noteikt, kur lietotāji un apmeklētāji uztver labākās atpūtas zonas. Ir svarīgi izprast lietotāju uztveri, lai pārvaldītu intensīvas izmantošanas jomas uzturēšanas, uzraudzības, budžeta veidošanas, politikas izstrādes un plānošanas ziņā.

Kognitīvās kartes iezīmē pētījuma vietu zonās. Zonas identificē esošos ģeogrāfiskos, klimatiskos, ainaviskos, jūras resursus un atpūtas vietas. Režģi ļauj respondentiem norādīt primārās atpūtas vietas, un pēc tam tiek izveidots salikts, lai identificētu lielas ietekmes vietas. Pētnieki apkopo datus par atpūtas zonām (pludmale, kempings, jahtu piestātne, takas virsotne utt.), Intervējot apmeklētājus un atpūtas speciālistus. Datu vākšanas procesā jāizvēlas gadījuma vietas, dienas, laiki un respondenti (katru n-to), lai palielinātu datu ticamību un vispārināmību.

Novērošanas pētījumi tiek izmantoti neverbālās uzvedības (žestu, aktivitāšu, sociālo grupu uc) izpētei.

Zommers un Zommers (1986) izstrādāja zemāk redzamo sarakstu, lai palīdzētu novērošanas pētījumos.

Gadījuma novērošana parasti tiek veikta tāpat kā nestrukturētas intervijas. Pētniecības projekta sākumposmā gadījuma rakstura novērošana ļauj pētniekam (iem) novērot priekšmetus pirms anketu un / vai interviju formātu izstrādes.

Novērošanas pētījumu veidi

Dokumenti (saukti arī par sekundārajiem datiem vai datu ieguvi)

Datu iegūšanu parasti izmanto gan kvalitatīvos, gan kvantitatīvos pētījumos. Sekundārie dati sniedz datus, kas nodrošina pētniecības projekta ietvaru, pētījuma jautājuma (-u) izstrādi un pētījumu rezultātu apstiprināšanu.

Bieži izmantotie sekundāro datu avoti ir:

Satura analīze sistemātiski apraksta rakstiskā un / vai runātā materiāla formu vai saturu. To izmanto, lai kvantitatīvi pētītu masu medijus. Tehnikā tiek izmantoti sekundārie dati, un to uzskata par neuzkrītošu pētījumu.

Pirmais solis ir izvēlēties pētāmos plašsaziņas līdzekļus un izpētes tēmu. Pēc tam izstrādājiet klasifikācijas sistēmu informācijas reģistrēšanai. Metodes var izmantot apmācītus tiesnešus, vai arī datu programmu var izmantot datorprogrammai, lai palielinātu procesa uzticamību.

Satura analīze ir garlaicīgs process, jo tiek prasīts, lai katrs datu avots tiktu analizēts vairākās dimensijās. Tas var būt arī induktīvs (identificē tēmas un modeļus) vai deduktīvs (kvantificē datu biežumu). Rezultāti ir aprakstoši, taču tajos tiks norādītas arī interesējošās tendences vai jautājumi.

Turpmāk lasītais ir pētījums, kurā tika izmantota delfu tehnika un satura analīze, lai izstrādātu valsts profesionālās sertifikācijas programmu.

Meta-analīze apvieno pārskatāmo pētījumu rezultātus. Tas izmanto statistikas paņēmienus, lai novērtētu noteiktā secinājumu kopuma stiprumu daudzos dažādos pētījumos. Tas ļauj izveidot kontekstu, no kura var rasties nākotnes pētījumi, un noteikt atklājuma ticamību, pārbaudot daudzu dažādu pētījumu rezultātus. Pētnieki analizē iepriekšējos pētījumos izmantotās metodes un kopīgi izsaka pētījumu rezultātus. Meta-analīzes rezultāti ir pamats jaunu teoriju, modeļu un koncepciju izveidošanai.

Tomass un Nelsons (1990) sīki apraksta meta-analīzes soļus:

Vēsturiskos pētījumus sauc arī par analītiskiem pētījumiem. Kopējās metodiskās īpašības ietver pētījumu tēmu, kas attiecas uz pagātnes notikumiem, primāro un sekundāro datu pārskatīšanu, kritikas paņēmienus vēsturisko meklējumu un informācijas novērtēšanai, kā arī secinājumu sintēzi un skaidrojumu. Vēstures pētījumi mēģina sniegt informāciju un izpratni par pagātnes vēsturiskajiem, juridiskajiem un politikas notikumiem.

McMillan & amp; Schumacher (1984) identificēja piecas pamata procedūras, kas kopīgas vēsturisko pētījumu veikšanai. Tie nodrošina sistemātisku pieeju vēsturisko pētījumu procesam.

1. solis: definējiet problēmu, uzdodot atbilstošus jautājumus, piemēram: vai vēsturiskā metode ir piemērota? Vai ir pieejami attiecīgie dati? Vai atklājumi būs nozīmīgi atpūtas pakalpojumu jomā?

2. solis: Izstrādājiet pētījuma hipotēzi (ja nepieciešams) un pētījuma mērķus, lai nodrošinātu ietvaru pētījuma veikšanai. Pētījuma jautājumi koncentrējas uz notikumiem (kas, kas, kad, kur), kā notikums noticis (aprakstošs) un kāpēc notikums noticis (interpretējošs). Tas kontrastē ar kvantitatīvajiem pētījumiem, kuros pētnieks pārbauda hipotēzes un mēģina noteikt nozīmību starp vērtējumiem eksperimentālajām un kontroles grupām vai sakarībām starp mainīgo x un mainīgo y.

3. solis: apkopojiet datus, kas sastāv no bagātīgu piezīmju izdarīšanas un datu sakārtošanas. Pētītājam jākodē tēmas un apakštēmas, lai sakārtotu un ierakstītu datus. Vēstures pētījumos izmantotie datu analīzes veidi ietver (balstoties uz McMillan & amp; Schumacher, 1984):

4. solis: izmantojot ārēju un iekšēju kritiku, pētījumiem vajadzētu novērtēt datus. Datu avoti ietver dokumentus (vēstules, dienasgrāmatas, rēķinus, kvītis, avīzes, žurnālus / žurnālus, filmas, attēlus, ierakstus, personiskos un institucionālos ierakstus un budžetus), pasākumu dalībnieku mutiskas liecības un relikvijas (mācību grāmatas, ēkas, kartes, aprīkojums, mēbeles un citi priekšmeti).

5. solis: ziņošana par atklājumiem, kas ietver problēmas izklāstu, izejmateriālu pārskatu, pieņēmumus, pētījumu jautājumus un metodes, kas izmantotas secinājumu iegūšanai, interpretācijas un secinājumus, kā arī pamatīgu bibliogrāfisko atsauču sistēmu.

Daudzmetode pieeja mudina apkopot, analizēt un integrēt datus no vairākiem avotiem un izmantot dažādas dažāda veida pētījumu metodes.

Autortiesības 2001. Ziemeļu Arizonas universitāte, VISAS TIESĪBAS REZERVĒTAS


Vai ir kādi vienkārši karšu datu avoti, piemēram, world.dat - ģeogrāfiskās informācijas sistēmas

Gaisa piesārņojuma dati ir laika apstākļu, valdības un privāto gaisa kvalitātes datu apvienojums ar satelīta datiem. Datu avots ir Air Visual, kas apkopo datus katru dienu.

Datu avots par piesārņojumu:

Piesārņoto vietu dati rāda vietnes, kuras Pure Earth toksisko vietu izmeklēšanas programmas ietvaros ir izpētījuši apmācīti izmeklētāji. Šo programmu ierobežo finansētāju budžets un ģeogrāfiskā uzmanība, un tāpēc tajās ir redzama tikai neliela daļa toksisko vietu valstīs ar zemiem un vidējiem ienākumiem. Datu avots ir ContaminatedSites.org, atjauninājumi šajā kartē tiek parādīti automātiski, kad vietnes ir apstiprinātas šajā datu bāzē.

Piesārņojuma izraisītie nāves gadījumi ir norādīti Lancet piesārņojuma un veselības komisijas metrikā Nāve vai DALY. Dati tiek sniegti pa valstīm atsevišķi, un tos var kārtot, pamatojoties uz riska faktoriem.

Apstiprināts

Gaida novērtēšanu

Pure Earth kā ​​GAHP sekretariāts ir atbildīgs par šīs kartes izgatavošanu ar partnerorganizāciju ieguldījumu:

  • Starptautiskā Zemes zinātnes informācijas tīkla centrs (CIESIN)
  • Google Earth Outreach
  • Arnholdas Globālās veselības institūts, Mt. Sinaja
  • Pasaules resursu institūts - ūdens ūdens riska analīze
  • National Geographic, Tavs šāviens
  • Air Visual
  • Asu kartes
  • Vides rādītājs Jeilas universitātē
  • Dalhousie
  • ANO vide Live
  • ANO vide GEMS Ūdens
  • TU TEICI
  • Eiropas Komisija
  • UNIDO
  • Veselības metrikas un novērtēšanas institūts

Šeit var vizualizēt tikai daļu no piesārņojuma problēmas, jo dati ir nepilnīgi. Piemēram, gaisa piesārņojums ir pietiekami labi izmērīts ASV un Eiropā. Bet jaunattīstības valstīs tikai dažas valstis un dažreiz tikai dažas pilsētas atbilstoši mēra gaisa kvalitāti. Tā rezultātā jūs domājat, ka ASV un Eiropa izskatās piesārņotākas, jo tām ir daudz monitoru. Bet tas tā nav! Faktiski valstīm, kurās ir vairāk monitoru, iespējams, būs vairāk piesārņojuma samazināšanas programmu. Daudzās valstīs vispār nav monitoru, un tās var viegli piesārņot.

Tāpat dati par piesārņotām vietām (parasti augsnes un smago metālu piesārņojums) ir pieejami tikai dažās valstīs ar zemiem un vidējiem ienākumiem. (Lūdzu, ņemiet vērā arī to, ka mēs apzināti neesam uzskaitījuši nevienu piesārņotu vietu attīstītajā pasaulē). Ja vienā valstī vai pilsētā redzat maz vai nē piesārņotu vietu, tas nenozīmē, ka vieta no tām ir brīva. Tā vietā tas tikai nozīmē, ka nav bijis pietiekami daudz pētījumu, lai tos atrastu.

Cenšoties aizpildīt daudzos pieejamo datu trūkumus, iedzīvotāji var pievienot paši savus datus, izmantojot vietni ReportPollution.org, kur pilsoņu ziņojumi tiek augšupielādēti un pēc tam Pure Earth tos pārskata potenciālajai izmeklēšanai kā daļu no toksisko vietņu izmeklēšanas programmas. Šīs piesārņojuma nominācijas pēc apstiprināšanas un zinātniskas pārbaudes tiks integrētas šīs vietnes piesārņoto vietu iezīmē.

Dati par iedarbību katrai valstij ietver šādus aprēķinus:

  • Bērnu (19 un jaunāki) skaits, kuru svina līmenis asinīs (BLL) pārsniedz 5 ug / dl. Tas ir PVO un CDC bažu līmenis. Bērniem, kas pārsniedz šo slieksni, visticamāk, ir samazināts intelekta koeficients, palielināti attīstības traucējumi un citas nozīmīgas veselības un sabiedrības problēmas.
  • Bērnu skaits, kuru BLL pārsniedz 10 ug / dl.
  • Vidējais BLL šai valstij
  • Priekšlaicīgas nāves, kas saistītas ar svinu (IHME 2019). Nāves gadījumi tiek saistīti ar paaugstinātu sirds un asinsvadu slimību risku
  • Dzīves gadi, kas koriģēti ar invaliditāti (DALY), kas saistīti ar svinu (IHME 2019)

Datus nodrošina Veselības metrikas un novērtēšanas institūts, izmantojot viņu datu slogu par slimību slogu 2019. gadam. Avots: Pure Earth / UNICEF.

WQI - UNEP / GEMS ūdens un EEA Waterbase

Globālā saldūdens vides monitoringa sistēma (GEMS / Water) sniedz pasaules sabiedrībai pamatotus datus par saldūdens kvalitāti, lai atbalstītu zinātniskus novērtējumus un lēmumu pieņemšanu par šo tēmu. Virszemes un gruntsūdeņu kvalitātes monitoringa dati, kas savākti no globālā GEMS / ūdens monitoringa tīkla, tiek koplietoti, izmantojot GEMStat informācijas sistēmu. Uzziniet vairāk vietnē https://www.unep.org/gemswater/who-we-are/overview

Reitinga sistēma, Kalēja indekss, sarindo vietnes smagumu, izmantojot logaritmisko skalu. Detalizētu metodiku skatiet šajās publikācijās.


Pierādījumi reālajā pasaulē

  • FDA izmanto RWD un RWE, lai uzraudzītu pēcreģistrācijas drošību un nevēlamus notikumus un pieņemtu regulatīvus lēmumus.
  • Veselības aprūpes sabiedrība izmanto šos datus, lai atbalstītu lēmumus par pārklājumu un izstrādātu pamatnostādnes un lēmumu atbalsta rīkus, ko izmantot klīniskajā praksē.
  • Medicīnisko produktu izstrādātāji izmanto RWD un RWE, lai atbalstītu klīnisko pētījumu plānus (piemēram, lielus vienkāršus izmēģinājumus, pragmatiskus klīniskos izmēģinājumus) un novērošanas pētījumus, lai radītu novatoriskas, jaunas ārstēšanas pieejas.

2016. gadā pieņemtajā 21. gadsimta ārstniecības likumā papildu uzmanība tiek pievērsta šāda veida datu izmantošanai, lai atbalstītu regulatīvo lēmumu pieņemšanu, tostarp jaunu apstiprinātu zāļu norāžu apstiprināšanu. Kongress definēja RWE kā datus par zāļu lietošanu vai iespējamiem ieguvumiem vai riskiem, kas iegūti no citiem avotiem, nevis tradicionālajos klīniskajos pētījumos. FDA ir paplašinājusi šo definīciju, kā apspriests turpmāk.

Kāpēc tas notiek tagad?

Datoru, mobilo ierīču, valkājamo ierīču un citu biosensoru izmantošana, lai apkopotu un uzglabātu milzīgu daudzumu ar veselību saistītu datu, ir strauji paātrinājusies. Šie dati ļauj mums labāk izstrādāt un veikt klīniskos pētījumus un pētījumus veselības aprūpes vidē, lai atbildētu uz iepriekšējiem, lai arī neiespējamajiem jautājumiem. Turklāt, attīstot sarežģītas, jaunas analītiskās iespējas, mēs labāk spējam analizēt šos datus un izmantot mūsu analīžu rezultātus medicīnas produktu izstrādei un apstiprināšanai.

Kas ir RWD un no kurienes tie nāk?

Īstā pasaule dativai dati, kas attiecas uz pacienta veselības stāvokli un / vai veselības aprūpes sniegšanu, tiek regulāri apkopoti no dažādiem avotiem. RWD var nākt no vairākiem avotiem, piemēram:

  • Elektroniskie veselības dokumenti (EHR)
  • Prasības un norēķinu darbības
  • Produktu un slimību reģistri
  • Pacienta ģenerētie dati, tostarp mājas lietošanas iestatījumos
  • Dati, kas apkopoti no citiem avotiem, kuri var sniegt informāciju par veselības stāvokli, piemēram, mobilās ierīces

Kas ir RWE?

Īstā pasaule pierādījumi ir klīniski pierādījumi par medicīnas produkta lietošanu un iespējamiem ieguvumiem vai riskiem, kas iegūti, analizējot RWD. RWE var ģenerēt, izmantojot dažādus pētījumu plānus vai analīzes, tostarp, bet ne tikai, randomizētus pētījumus, tostarp lielus vienkāršus izmēģinājumus, pragmatiskus izmēģinājumus un novērošanas pētījumus (perspektīvus un / vai retrospektīvus).

Šī vietne tika izstrādāta, lai iegūtu aktuālu informāciju par FDA darbību statusu saistībā ar RWD un RWE izstrādi un izmantošanu.


Vai ir kādi vienkārši karšu datu avoti, piemēram, world.dat - ģeogrāfiskās informācijas sistēmas

Džeiks Krūks, Nacionālie vides informācijas centri

Kāda bija vidējā temperatūra?

Krāsas rāda vidējo mēneša temperatūru katrā blakus esošajā Amerikas Savienoto Valstu 344 klimata rajonos. Klimata iedalījumos, kas parādīti baltās vai ļoti gaišās krāsās, vidējā temperatūra bija tuvu 50 ° F. Zilās zonas kartē bija vēsākas par 50 ° F, jo tumšāka bija zila krāsa, jo vēsāka bija vidējā temperatūra. Apelsīnu un sarkano krāsu laukumi bija siltāki par 50 ° F, jo tumšāks nokrāsa bija, jo siltāka bija mēneša vidējā temperatūra.

No kurienes šie mērījumi?

Temperatūras rādījumi nāk no laika stacijām Globālajā vēsturiskās klimatoloģijas tīklā. Zinātnieki visu mēnesi katrā stacijā vāc dienas augstāko un zemāko temperatūru. Kad viņi ir pārbaudījuši datu kvalitāti, viņi aprēķina stacijas mēneša vidējo rādītāju un uzzīmē tos režģotajā kartē. Lai aizpildītu režģi, datorprogramma izmanto matemātisko filtru, kas ņem vērā staciju sadalījumu un reljefu. Mēneša vidējā temperatūra katram klimata rajonam ir visu tajā ietilpstošo tīkla punktu vērtību vidējā vērtība.

Zilā nokrāsa parāda klimata sadalījumu, kura mēneša vidējā temperatūra bija zemāka par 50 ° F. Jo tumšāks ir zilā nokrāsa, jo zemāka ir vidējā temperatūra. Oranžās un sarkanās krāsas toņos parādītajām klimatiskajām atšķirībām vidējā temperatūra pārsniedza 50 ° F. Jo tumšāks ir oranžas vai sarkanas krāsas tonis, jo augstāka ir vidējā temperatūra. Baltas vai ļoti gaišas krāsas parāda klimata dalījumu, kur vidējā temperatūra bija tuvu 50 ° F.

Vidējās temperatūras izsekošana katrā no blakus esošajām Amerikas Savienoto Valstu 344 klimata nodaļām dod zinātniekiem iespēju klimatu uzraudzīt reģionālā mērogā. Enerģētikas uzņēmumi izmanto šo informāciju, lai novērtētu pieprasījumu pēc apkures un gaisa kondicionēšanas. Lauksaimniecības uzņēmumi arī izmanto šos datus, lai optimizētu stādīšanas, ražas novākšanas un mājlopu ganību laiku.

Datu momentuzņēmumi ir esošo datu produktu atvasinājumi: lai apmierinātu plašas auditorijas vajadzības, mēs izejas datus prezentējam vienkāršotā vizuālā stilā. Šis momentuzņēmumu kopums ir balstīts uz klimata sadalījuma datiem (nClimDiv), ko sagatavojuši Nacionālie vides informācijas centri (NCEI) - Laika apstākļi un klimats, un kas ir pieejami no tiem. Lai izveidotu savus attēlus, mēs izmantojam skriptu kopu, kas piekļūst avota datiem un atspoguļo tos mūsu bāzes kartēs.


Vai ir kādi vienkārši karšu datu avoti, piemēram, world.dat - ģeogrāfiskās informācijas sistēmas

Lūdzu, palīdziet atbalstīt šo vietni, veicot nelielu ziedojumu:

Laipni lūdzam pasaules karogu datubāzē, kas ir pirmais pieturas punkts precīziem pasaules karogiem, tostarp valstu karogiem, karogiem, militārajiem karogiem un valsts galvas karogiem, ar skaistām ilustrācijām. Mīl gan skolotāji, gan vecāki, gan studenti, gan diplomāti.

JAUNA VERSIJA BETA!
Jauna šīs vietnes versija ir izstrādāta jau ilgu laiku, un tagad tā ir gatava publiskai beta versijai. Tas nozīmē, ka visa funkcionalitāte ir, bet var būt dažas nelielas problēmas vai kļūdas. Jaunajā versijā ir lielāki attēli un lejupielādējami katra karodziņa PDF faili. Lūdzu, apskatiet un nosūtiet visas atsauksmes uz e-pastu, kas norādīts kontaktu lapā. Noklikšķiniet šeit, lai pārietu uz jauno vietni.

Lai sāktu darbu, zemāk ir saraksts ar visām organizācijām, valstīm, teritorijām un vietējiem reģioniem, uz kuriem attiecas datubāze un kuri sākas ar burtu "A". Valstis un teritorijas ir parādītas treknrakstā. Zemākiem reģioniem ir norādīta zemāk redzamā valsts. Ņemiet vērā, ka, ja aizjūras teritorija tiek uzskatīta par tās mātes valsts daļu, tā tiek atzīmēta kā subnacionāla (piemēram, Francijas Gviāna).

Varat izmantot alfabētiskās pogas navigācijā, lai parādītu pārējos burtu indeksus, vai arī izmantot iepriekšējo un nākamo pogu navigācijas panelī. Ir arī pilns indekss, kas parāda visas valstis, vietējos iedzīvotājus un organizācijas, uz kurām attiecas datu bāze.

Noklikšķiniet uz viena no ierakstiem, lai skatītu pamatinformāciju, lielākus karoga attēlus un citus attiecīgās valsts vai organizācijas karogus. Dažās lappusēs zem karodziņiem atradīsit apakšsadaļu pogas, kas aizvedīs jūs vēl vairāk karodziņu!


EF Data Service API

Envirofacts ir izstrādājis RESTful datu pakalpojumu API visām iekšējām datu glabātavām. Šī funkcionalitāte nodrošina Envirofacts lietotājam iespēju veikt vaicājumus jebkurā tabulā, izmantojot URL. Noklusējuma izeja ir XML, kuru var izmantot citās lietojumprogrammās, kā arī tādos rīkos kā Microsoft Excel vai Access. URL var pieprasīt CSV un Excel izvades iespējas. Visi Envirofacts datu bāzes metadati ir pieejami tiešsaistē, lai visas Envirofacts tabulas un kolonnas būtu dokumentētas. Šādi pieejamu tabulu struktūru dēļ lielākā daļa Envirofacts datu ir viegli pieejami pakalpojumā.

Envirofacts RESTful pakalpojuma stiprās puses un ierobežojumi
Tas ir vienkārši lietojams, labi dokumentēts veids, kā piekļūt vairākiem datu avotiem bez lietotāja datu bāzes savienojumiem. Iegūto izvadi var viegli izmantot ar darbvirsmas lietojumprogrammām, piemēram, Excel vai Access, vai arī izmantot, lai izveidotu tīmekļa mash-up.

Pašreizējā pakalpojuma izlaišana, lai arī nodrošina ērtu piekļuvi milzīgam datu apjomam un diapazonam, aprobežojas ar vaicājumiem līdz trim tabulām. Arī izvade vienlaikus ir ierobežota līdz 10000 datu rindām, taču lietotājs var izvēlēties, kuras 10000 datu rindas, un pēc tam atgriezties, lai izgūtu nākamos 10000.

Meklēšanas izveidošana
Lai izveidotu meklēšanu, lietotāji izveido URL ar noteiktu parametru kopu. Tas tiek darīts, izveidojot virkni, izmantojot šādu formātu:

  1. Tabulas nosaukums - Nepieciešams vismaz viens tabulas nosaukums. Var ievadīt ne vairāk kā trīs tabulu nosaukumus. Ievietojot URL vairākas tabulas, tām ir koplietojams ID vai kopēja kolonna, lai tabulas varētu savienot vai saistīt. Lai iegūtu precīzu rezultātu, vislabāk ir izmantot tabulas, kurām ir kopīga ID kolonna. Piemēram, tabulās, kas veido TRI mehānisma informāciju, katram ir kopīga ID kolonna, kas pazīstama kā TRI_FACILITY_ID. To vizuāli var redzēt Envirofacts modeļa lapās dažādām tēmām, piemēram, TRI objekta informācija. Lūdzu, skatiet Envirofacts datubāzes metadatus, lai atrastu tabulas, kuras var savienot, izmantojot ID kolonnas RESTful datu pakalpojumā.
  2. Kolonnas nosaukums - Šis ir neobligāts ieraksts. Ievadiet kolonnas nosaukumu un vērtību, lai ierobežotu rezultātus. Vietrādī URL var izmantot vairākas kolonnas, lai ierobežotu tabulas vai tabulu datus. Kolonnas nosaukums nav reģistrjutīgs.
  3. Operators - Šis ir neobligāts ieraksts. Šis parametrs ļauj lietotājiem ievadīt operatoru ar vaicājumu. Noklusējuma izvade ir "=" un tai nav nepieciešams operators, taču lietotāji var ievadīt operatorus "& lt", "& gt", "! =", "BEGINNING", "CONTAINING", arī izmantojot URL. Operators "SĀKUMS" atgriezīs rindas, kur kolonnas vērtības sākums ir vienāds ar meklēšanas vērtību. Kamēr vienums "SATUR" atgriezīs rindas, kurās meklēšanas vērtība ir ietverta kolonnas vērtībā.
    OPERATORSLIETOŠANA
    =Datu bāze atgriezīs tikai rindas, kur kolonnas vērtība ir vienāda ar meklēšanas vērtību.
    !=Datu bāze atgriezīs tikai rindas, kur kolonnas vērtība NAV vienāda ar meklēšanas vērtību.
    & ltDatu bāze atgriezīs tikai rindas, kur kolonnas vērtība ir mazāka par meklēšanas vērtību.
    & gtDatu bāze atgriezīs rindas tikai tad, ja kolonnas vērtība ir lielāka par meklēšanas vērtību.
    SĀKUMSDatu bāze atgriezīs tikai rindas, kur kolonnas vērtības sākums ir vienāds ar meklēšanas vērtību. Tiek veikts salīdzinājums pa rakstzīmēm pēc pēdējās rakstzīmes, kas ievadīta meklēšanas vērtībai.
    SATURTikai rakstzīmju laukiem. Datu bāze atgriezīs rindas tikai tad, ja meklēšanas vērtība ir ietverta kolonnas vērtībā. Piemēram, ja ievadītā meklēšanas vērtība ir "ABC" un kolonnas vērtība ir "CCABCDD", rinda tiks pieņemta. Izmantojot to pašu meklēšanas vērtību “ABC”, ja kolonnas vērtība bija “AABBCC”, rinda tiks noraidīta.
  4. Kolonnas vērtība - Šis ir neobligāts ieraksts (izņemot gadījumus, kad izmantojat # 2 - kolonnas nosaukums). Kolonnas vērtība tiek uzdota datu bāzei bez izmaiņām, tāpēc šī vērtība ir reģistrjutīga. Izmantojiet programmas sistēmas modeli un Envirofacts vaicājumus, lai vēlreiz pārbaudītu vērtības reģistru.
  5. Rindas - Šis ir neobligāts ieraksts. Norādiet parādāmās rindas, ievadot 'rows / & ltfirst_row & gt: & ltlast_row & gt'. Rezultātu numerācija sākas ar 0. Tātad, lai iegūtu pirmās piecsimt rindas, ievadiet rindas / 0: 499 Ja rindas nav norādītas, noklusējums ir pirmās 10000 rindas.
  6. Izejas formāts - Šis ir neobligāts ieraksts. Noklusējuma izvade ir XML, tomēr URL var pieprasīt JSON, CSV vai Excel izvades iespējas. Izejas formāts nav reģistrjutīgs.

7. Skaits - Šis ir neobligāts ieraksts, un tas ir redzams kā # 7 iepriekš redzamajā URL attēlā. Skaits parāda kopējo ierakstu skaitu, kas tiks atgriezts šajā meklēšanā, tiklīdz tiks noņemta opcija Count. Ja tiek izmantots Count, Excel, CSV vai XML nevar norādīt. Kolonnas nosaukums nav reģistrjutīgs.

Piemēram:


    atgriež rezultātu kopas ierakstus no 500 līdz 505 no tabulas TRI_FACILITY, kur STATE_ABBR = "VA".

Envirofacts metadatu izmantošana meklēšanas izveidošanai
Envirofacts izmanto grafisko datu bāzes modeļu kopumu, lai nodotu informāciju par datu bāzes attiecībām un atsevišķām tabulas struktūrām. Meklējumus var izveidot jebkurai datu sistēmai, kurai ir Envirofacts datu modelis un tabulas metadati. Lietotāji var sekot šīm saitēm uz modeļiem, lai noskaidrotu nepieciešamos tabulu un kolonnu nosaukumus, lai izveidotu savus pielāgotos meklējumus:

The starting points are contained in the links above, but information about system databases and their tables are also available through any of the Data System “Overview” pages, which can be found by navigating through the Envirofacts site to one of the system data information links. For example, from the “About the Data” tab there are “More information on” links to all “Overview” pages. The “Overview” pages have links to a graphic model page showing the database structure and to a table and column information page showing the list of tables and individual table structures. A model link is also available on the sidebar of the data system pages. The following set of screens provide an example of working through the metadata to find the desired table and column names.

Starting from an overview page:

Clicking on the "Model" link in the right side menu brings the user to a page showing the subject areas:

Clicking on a subject area (for example SITES) brings the user to a diagram showing all tables in the subject area and their relationships:

Clicking on a table will take the user to that table’s metadata page:

Clicking on a column name will then take the user to a column description page:

Working with the Output
The result set is XML that can be ported into an application or used as part of a Web mash-up. This is an example of what the output looks like with a return of two records from a search of the table PCS_PERMIT_FACILITY:

<?xml version="1.0"?>
<pcs_permit_facilityList Count="2" Rows="1-2" >
<pcs_permit_facility>
<NPDES>AKG285001</NPDES>
<NAME_1>UNOCAL</NAME_1>
<NAME_2>GRANITE POINT TANK FARM</NAME_2>
<MAJOR_DISCHARGE_INDICATOR>M</MAJOR_DISCHARGE_INDICATOR>
<REGION>10</REGION>
<CITY_CODE>99905</CITY_CODE>
<CITY_NAME>GULF OF ALASKA</CITY_NAME>
<COUNTY_CODE>000</COUNTY_CODE>
<COUNTY_NAME>NONE</COUNTY_NAME>
<SIC_CODE>1311</SIC_CODE>
</pcs_permit_facility>
<pcs_permit_facility>
<NPDES>AKG285002</NPDES>
<NAME_1>UNOCAL</NAME_1>
<NAME_2>TRADING BAY TREATMENT FACILITY</NAME_2>
<MAJOR_DISCHARGE_INDICATOR>M</MAJOR_DISCHARGE_INDICATOR>
<REGION>10</REGION>
<CITY_CODE>99905</CITY_CODE>
<CITY_NAME>GULF OF ALASKA</CITY_NAME>
<COUNTY_CODE>000</COUNTY_CODE>
<COUNTY_NAME>NONE</COUNTY_NAME>
<SIC_CODE>1311</SIC_CODE>
</pcs_permit_facility>
</pcs_permit_facilityList>

After saving this as an XML file, it can be opened in Excel as an XML List, or in MS Access using the “Get External Data/Import” tool to create a table.

Future Enhancements
Envirofacts will consider additional search types such as beginning with or between. Pending the modification of the Envirofacts database architecture, the output may be updated to include additional rows of data (i.e., 1000 at a time).

User Comments/Feedback Requests
For Envirofacts Data Service API usage questions or suggestions, please contact the Envirofacts team.


What Is Data Modeling?

Data Modeling refers to the practice of documenting software and business system design. The “modeling” of these various systems and processes often involves the use of diagrams, symbols, and textual references to represent the way the data flows through a software application or the Data Architecture within an enterprise. Data Modeling also includes practices such as business process modeling which deals with larger conceptual business process and decision making flows of entire organizations.

There is a host of related terminology including conceptual modeling, enterprise modeling, logical models, physical models, entity-relationship models, object models, multi-dimensional models, knowledge graphs, statistical models, canonical data models, application data models, business requirements models, enterprise data models, integration models, business information models, ontologies, taxonomies, non-relational models, semantic modeling, ORM, UML, and many others.

A data model is used to document, define, organize, and show how the data structures within a given database, architecture, application, or platform are connected, stored, accessed, and processed within the given system and between other systems.

“The process of discovering, analyzing, representing, and communicating data requirements in a precise form called the dati modeli.” And “data models depict and enable an organization to understand its data assets.”

Many Data Modeling tutorials discuss the three primary types of data models: logical, physical, and conceptual. The Data Administration Newsletter (TDAN.com) defines each of them as:

  • “A fizisksdatimodeli represents the actual structure of a database—tables and columns, or the messages sent between computer processes. Here the entity types usually represent tables, and the relationship type lines represent the foreign keys between tables.”
  • “A loģiskidatimodeli is a fully attributed data model that is fully normalized. Fullyattributed means that the entity types have all the attributes and relationship types for all the data that is required by the application(s) it serves. It may include:
    • Restrictions on the data that can be held
    • Rules and derived data that are relevant to the processes of the application(s) the logical data model serves.”

    Cits Definīcijas gada Dati Modelēšana Iekļaut:

    • “Data modeling is a representation of the data structures in a table for a company’s database and is a very powerful expression of the company’s business requirements. This data model is the guide used by functional and technical analysts in the design and implementation of a database.” (Techopedia)
    • “Data modeling is the act of exploring data-oriented structures. Like other modeling artifacts data models can be used for a variety of purposes, from high-level conceptual models to physical data models. From the point of view of an object-oriented developer data modeling is conceptually similar to class modeling. With data modeling you identify entity types whereas with class modeling you identify classes.” (Agile Data)

    Daži Ieguvumi gada Dati Modelēšana priekš Organizācijas ir:


    Ключевой показатель эффективности

    KPI обычно представляет собой одно значение, относящееся к определенной области или функции, и является показателем достижения успеха в этой области или функции. Значения этого параметра для разного бизнеса и разных функций могут изменяться. Ниже представлены некоторые популярные показатели KPI, которые компании любят отслеживать.

    Показатель лояльности клиентов (NPS). Показывает вероятность того, что клиент порекомендует ваш продукт или услугу своему другу.

    Показатель прибыльности клиентов (CPS). Показывает прибыль, которую приносит клиент вашему бизнесу, с учетом расходов на привлечение и удержание клиента.

    Показатель эффективности рекламы. Показывает количество потенциальных клиентов, ставших клиентами.

    Относительная доля рынка. Показывает занимаемую вами долю рынка в сравнении с вашими конкурентами.

    Коэффициент прибыльности. Показывает процент чистой прибыли в доходе компании.

    Ключевые показатели эффективности лучше всего отображаются с помощью диаграмм KPI.


    Are there any simple map data sources like world.dat - Geographic Information Systems

    The choice of method is influenced by the data collection strategy, the type of variable, the accuracy required, the collection point and the skill of the enumerator. Links between a variable, its source and practical methods for its collection (Table 6.1, Table 6.2 and Table 6.3) can help in choosing appropriate methods. The main data collection methods are:

    · Registration: registers and licences are particularly valuable for complete enumeration, but are limited to variables that change slowly, such as numbers of fishing vessels and their characteristics.

    · Questionnaires: forms which are completed and returned by respondents. An inexpensive method that is useful where literacy rates are high and respondents are co-operative.

    · Interviews: forms which are completed through an interview with the respondent. More expensive than questionnaires, but they are better for more complex questions, low literacy or less co-operation.

    · Direct observations: making direct measurements is the most accurate method for many variables, such as catch, but is often expensive. Many methods, such as observer programmes, are limited to industrial fisheries.

    · Reporting: the main alternative to making direct measurements is to require fishers and others to report their activities. Reporting requires literacy and co-operation, but can be backed up by a legal requirement and direct measurements.

    6.1 VARIABLES, SOURCES AND METHODS

    The choice of the many methods for collecting fishery data will depend on the variables to be measured, the source and the resources available. In many cases, there is a natural way to collect particular variables. For example, relatively static variables, like vessel length or engine size, are often best collected through a registration system. Highly dynamic variables, like catch or effort, may often be best obtained through daily records, such as logsheets.

    For the same variable, the methods can be different depending on the type of fishery. For example, for a large-scale fishery, catch data would be best collected from logbooks, whilst in a small-scale fishery interviews and/or questionnaires would often be the best method. The sources (fishers, processors etc.) are also an important factor for the choice and design of methods. Buyers, processors and other intermediaries are likely to keep their own sales records, which should be used as the basis of data forms. Small-scale fishers often do not keep any records, and data acquisition in this case would be restricted to one-to-one interviews, but the interview structure could be more flexible.

    Data collection should be conducted at intervals sufficiently frequent for the management purpose. For example, data for stock monitoring have to be collected constantly, while household data can be at much longer time intervals. In general, frequently collected data will probably have to rely on fishers or industry personnel providing the data. Less frequent data can use enumerators since the costs of collection are much lower.

    There are cases when fishery data collection programmes cannot be operated on a regular basis because of operational limits. These cases include small scale fishing operations in many inland or remote marine areas, where fishing operations are spread over a large area with part-time fishers using a large array of fishing gears and techniques, sometimes in many different habitats. Under these circumstances, a number of alternative approaches can be taken to assess the fisheries, including:

    Many variables can be collected by more than one method and at different points from fishers to consumers. Where possible, data should be collected from several sources to crosscheck for errors. For example, catch data collected through logbooks can be cross-checked against reported landings based on sales slips, data collected by interview at landing sites and even consumer or trade data.

    In almost all cases, many different variables can be collected simultaneously. For example, length frequency, species composition, average weight and first sale price can all be obtained when vessels land their catch. Collecting of data for different purposes reduces costs and thus due account should be made of this aspect when planning the data collection programme.

    There are strong links between types of data, where they can be obtained and the methods, which are available for their collection. This section provides a guide for selecting data collection methods in relation to the data type and source, and gives some indication of what types of data can be collected simultaneously.

    6.1.1 Data sources

    Harvest: at the level where fish are caught. The most direct approach to the fishery data (e.g. catch, effort).

    Post harvest: levels through which fish are prepared for market. This may include middle person, fish auction, cold storage, processing farms and transport of products.

    Market: all situations where fish are commercially transferred. It may include the fish market at landing port, transaction (secondary market) of products among brokers, processing farms and consumers' market.

    Consumers: at the level where the products are finally consumed.

    Government-related agencies: any agencies or institutes forming part of government (including the inter-governmental level). It would include various agencies outside of fisheries (e.g. custom, coast guard and meteorology department).

    Support industry: industries which provide materials and services for fisheries, but are not directly involved in fisheries business (e.g. ship building industry, fishing gear suppliers).

    6.1.2 Linkage among variables, sources and methods

    The linkage between variables, sources and methods are shown in three tables. These tables intend to give some guidance for selecting collecting methods and sources, and design a data collection system. The tables also would give ideas about what types of data can be collected simultaneously at the same source with the same method.

    Table 6.1 The different types of data that can be collected from the various data sources. Numbers in brackets refer to relevant sections in the main text.

    Government related agencies & institutions

    Compliance data (4.3.1.5 4.3.1.6)

    Costs and earnings data (4.3.3.3)

    Institutions data (4.3.3.5 4.3.4.3)



    Table 6.2 The different data collection methods that can be used for the different sources.

    Compliance data (4.3.1.5 4.3.1.6)

    Costs and earnings data (4.3.3.3)

    Institutions data (4.3.3.5 4.3.4.3)

    Compliance data (4.3.1.5 4.3.1.6)

    Costs and earnings data (4.3.3.3)

    Institutions data (4.3.3.5 4.3.4.3)

    6.2 RECORDING A VARIABLE

    It is important to assess the degree of precision required for the measurement of each variable. This will affect the method of collection, the design of the recording form and later analyses. For example, catch can be recorded in 1, 10, 100, 1000 kg or other units. Total estimated catch can be disaggregated into species by relative proportions or each species mass can be estimated separately. Fishers' age can be recorded by year categories or locally derived groups such as "apprentice", "active" or "semi-retired". However, there is little point in requesting a captain to report and record the catch from a haul to the nearest kilogram, when his estimates are only accurate to the nearest tonne. If more precise measurements are required, the catch will have to be weighed on landing.

    Sometimes decisions on the units of measure are complicated by the type of data to be collected. Data values may need to be represented by codes (e.g. sea state, degree of job satisfaction), which should be standardised.

    6.3 DATA COLLECTION METHODS

    6.3.1 Registration

    A register is a depository of information on fishing vessels, companies, gear, licenses or individual fishers. It can be used to obtain complete enumeration through a legal requirement. Registers are implemented when there is a need for accurate knowledge of the size and type of the fishing fleet and for closer monitoring of fishing activities to ensure compliance with fishery regulations. They may also incorporate information related to fiscal purposes (e.g. issuance or renewal of fishing licenses). Although registers are usually implemented for purposes other than to collect data, they can be very useful in the design and implementation of a statistical system, provided that the data they contain are reliable, timely and complete

    6.3.1.1 Registration data types

    In most countries, vessels , especially commercial fishing vessels, and chartered or contract fishing vessels are registered with the fisheries authorities. Data on vessel type, size, gear type, country of origin, fish holding capacity, number of fishers and engine horsepower should be made available for the registry.

    Companies dealing with fisheries agencies are registered for various purposes. These companies may not only include fishing companies, but also other type of companies involved in processing and marketing fishery products. Data, such as the number of vessels, gear type and vessel size of registered fishing companies, should be recorded during such registration. Processing companies should provide basic data on the type of processing, type of raw material, capacity of processing, and even the source of material.

    Fishing vessels and fishing gears may often be required to hold a valid fishing licence . Unlike vessel registers, licences tend to be issued for access to specific fisheries over a set period of time. Because licences may have to be periodically renewed, they can be a useful way to update information on vessel and gear characteristics.

    A registry must not only capture new records, but be able to indicate that a particular record is inactive (e.g. a company has ceased operations) or record changes in operations (e.g. a company's processing capacity has increased). If licences must be renewed each year, data collected from licensing is particularly useful, as records are updated on an annual basis.

    Registry data also contain criteria for the classification of fishing units into strata. These classifications are usually based on assumptions and a priori knowledge regarding differences on catch rates, species composition and species selectively.

    In general, vessel registers are complex systems requiring well-established administrative procedures supported by effective data communications, data storage and processing components. As such, they predominantly deal with only certain types and size of fishing units, most often belonging to industrial and semi-industrial fleets. Small-scale and subsistence fisheries involving large numbers of fishing units are often not part of a register system or, if registered, are not easily traced so as to allow validation or updating.

    6.3.2 Questionnaires

    In contrast with interviews, where an enumerator poses questions directly, questionnaires refer to forms filled in by respondents alone. Questionnaires can be handed out or sent by mail and later collected or returned by stamped addressed envelope. This method can be adopted for the entire population or sampled sectors.

    Questionnaires may be used to collect regular or infrequent routine data, and data for specialised studies. While the information in this section applies to questionnaires for all these uses, examples will concern only routine data, whether regular or infrequent. Some of the data often obtained through questionnaires include demographic characteristics, fishing practices, opinions of stakeholders on fisheries issues or management, general information on fishers and household food budgets.

    A questionnaire requires respondents to fill out the form themselves, and so requires a high level of literacy. Where multiple languages are common, questionnaires should be prepared using the major languages of the target group. Special care needs to be taken in these cases to ensure accurate translations.

    In order to maximise return rates, questionnaires should be designed to be as simple and clear as possible, with targeted sections and questions. Most importantly, questionnaires should also be as short as possible. If the questionnaire is being given to a sample population, then it may be preferable to prepare several smaller, more targeted questionnaires, each provided to a sub-sample. If the questionnaire is used for a complete enumeration, then special care needs to be taken to avoid overburdening the respondent. If, for instance, several agencies require the same data, attempts should be made to co-ordinate its collection to avoid duplication.

    The information that can be obtained through questionnaires consists of almost any data variable. For example, catch or landing information can be collected through questionnaire from fishers, market middle-persons, market sellers and buyers, processors etc. Likewise, socio-economic data can also be obtained through questionnaires from a variety of sources. However, in all cases variables obtained are an opinion and not a direct measurement, and so may be subject to serious errors. Using direct observations (6.3.4) or reporting systems (6.3.5) for these sorts of data is more reliable.

    Questionnaires, like interviews, can contain either structured questions with blanks to be filled in, multiple choice questions, or they can contain open-ended questions where the respondent is encouraged to reply at length and choose their own focus to some extent.

    To facilitate filling out forms and data entry in a structured format, the form should ideally be machine-readable, or at least laid out with data fields clearly identifiable and responses pre-coded. In general, writing should be reduced to a minimum (e.g. tick boxes, multiple choices), preferably being limited to numerals. In an open-ended format, keywords and other structuring procedures should be imposed later to facilitate database entry and analysis, if necessary.

    6.3.3 Interviews

    In interviews information is obtained through inquiry and recorded by enumerators. Structured interviews are performed by using survey forms, whereas open interviews are notes taken while talking with respondents. The notes are subsequently structured (interpreted) for further analysis. Open-ended interviews, which need to be interpreted and analysed even during the interview, have to be carried out by well-trained observers and/or enumerators.

    As in preparing a questionnaire, it is important to pilot test forms designed for the interviews. The best attempt to clarify and focus by the designer cannot anticipate all possible respondent interpretations. A small-scale test prior to actual use for data collection will assure better data and avoid wasting time and money.

    Although structured interviews can be used to obtain almost any information, as with questionnaires, information is based on personal opinion. Data on variables such as catch or effort are potentially subject to large errors, due to poor estimates or intentional errors of sensitive information.

    6.3.3.1 Open-ended interviews

    Open-ended interviews cover a variety of data-gathering activities, including a number of social science research methods.

    Focus groups are small (5-15 individuals) and composed of representative members of a group whose beliefs, practises or opinions are sought. By asking initial questions and structuring the subsequent discussion, the facilitator/interviewer can obtain, for example, information on common gear use practices, responses to management regulations or opinions about fishing.

    Panel surveys involve the random selection of a small number of representative individuals from a group, who agree to be available over an extended period - often one to three years. During that period, they serve as a stratified random sample of people from whom data can be elicited on a variety of topics.

    6.3.3.2 Structured interview

    Generally, structured interviews are conducted with a well-designed form already established. Forms are filled in by researchers, instead of respondents, and in that it differs from questionnaires. While this approach is more expensive, more complicated questions can be asked and data can be validated as it is collected, improving data quality. Interviews can be undertaken with variety of data sources (fishers to consumers), and through alternative media, such as by telephone or in person.

    Structured interviews form the basis for much of the data collection in small-scale fisheries.

    In an interview approach for sample catch, effort and prices, the enumerators work according to a schedule of landing site visits to record data. Enumerators can be mobile (that is sites are visited on a rotational basis) or resident at a specific sampling site. Their job is to sample vessels, obtaining data on landings, effort and prices from all boat/gear types that are expected to operate during the sampling day. The sample should be as representative as possible of fleet activities. Some additional data related to fishing operations may be required for certain types of fishing units, such as beach seines or boats making multiple fishing trips in one day. For these, the interview may cover planned activities as well as activities already completed.

    In an interview approach for boat/gear activities, the enumerators work according to a schedule of homeport visits to record data on boat/gear activities. Enumerators can be mobile (that is homeports are visited on a rotational basis) or resident at a specific sampling site. In either case, their job is to determine the total number of fishing units (and if feasible, fishing gears) for all boat/gear types based at that homeport and number of those that have been fishing during the sampling day.

    There are several ways of recording boat/gear activities. In many cases, they combine the interview method with direct observations. Direct observations can be used to identify inactive fishing units by observing those that are moored or beached, and the total number of vessels based at the homeport are already known, perhaps from a frame survey or register. Often enumerators will still have to verify that vessels are fishing as opposed to other activities by using interviews during the visit.

    The pure interview approach can be used in those cases where a pre-determined sub-set of the fishing units has been selected. The enumerator's job is to trace all fishers on the list and, by means of interviewing, find out those that had been active during the sampling day. For sites involving a workable number of fishing units (e.g. not larger than 20), the interview may involve all fishing units.

    Sometimes it is possible to ask questions on fishing activity which refer to the previous day or even to two days back. This extra information increases the sample size significantly with little extra cost, ultimately resulting in better estimates of total fishing effort. Experience has shown that most of the variability in boat/gear activity is in time rather than space.

    6.3.4 Direct observations

    Observers can make direct measurements on the fishing vessels, at landing sites, processing plants, or in markets. The variables that enumerators can collect include catch (landing and discards), effort, vessel/gears, operations, environmental variables (e.g. sea state, temperature), biological variables (e.g. length, weight, age), the values and quantities of landings and sales.

    In practice, observers do not only make direct measurements (observations), but also conduct interviews and surveys using questionnaires. They might also be involved in data processing and analysis. The tasks of an observer are difficult and adequate training and supervision are therefore essential.

    Clear decisions need to be made on the nature and extent of data collected during any one trip. Often, the amount of data and frequency of collection can be established analytically with preliminary data.

    Preferably, observers should only collect data, not carry out other activities, such as enforcement, licensing or tax collection. This should help to minimise bias by reducing the incentives to lie. Problems in terms of conflicts between data collection and law enforcement, for example, can be reduced by clear demarcation, separating activities by location or time. This becomes a necessity for at-sea observers. Their positions on fishing vessels and the tasks that they perform depend significantly on a good working relationship with the captain and crew, which can be lost if they are perceived as enforcement personnel.

    The major data obtained through at-sea observers are catch and effort data, which are often used for cross checking fishing logs. At the same time, the at-sea observers can collect extra biological (fish size, maturity, and sex), by-catch and environmental data, as well as other information on the gears, fishing operations etc. Frequently, discards data can only be collected by at-sea observers.

    The main data obtained from observers at landing sites, processing plants and markets include landing (amount, quality, value and price), biological (size, maturity), and effort (how many hauls, hours fishing) data. For the large-scale fishery where a logbook system is used, data collected at landing sites could be used to crosscheck data recorded in logbooks. Data collected from processing plants include quantities by species and, especially in modern factory practices, the batch number of raw materials, which can sometimes be traced back to fishing vessels. These data if collected can be used to validate landing data.

    Collecting data to estimate raising factors for converting landed processed fish weight to the whole weight equivalent may be necessary. By sampling fish before and after processing, conversion factors may be improved. Potential seasonal, life history stage and other variations in body/gut weight ratios suggest date, species, sex and size should be recorded in samples.

    Economic and demographic data at each level (e.g. input and output of various products to and from market and processors) are usually obtained by interview and questionnaire. However, the data directly collected by enumerators can also be the major source as well as supporting data for those collected through other methods.

    While product data in processing plants can be collected through questionnaire (6.3.2) or interview (6.3.3), enumerators can directly collect many physical variables (weight, number, size etc.) more accurately. Automatic scales, through which a continuous stream of fish passes, can record the weight of fish mechanically or through computerised sensors. Similarly, mechanical or automatic weighing bins for whole frozen or defrosted fish, prior to entry to a processing line or cold store, can be used to record weights for each batch. Otherwise, boxes need to be counted and sub-sampled to ensure their fish contents are correctly identified and weighed.

    Fish is often landed in bulk together with non-fish materials (e.g. ice, brine slurry, packing material and pallets). It can be very difficult to estimate the total fish weight, let alone weight by species, product and size grade. Methods need to be established to record whether non-fish material is included in any weighing process (e.g. are scales set to automatically subtract pallet weight?). In the case of processed fish in sealed boxes, it may be that sampling to determine an average weight and then box or pallet counting is sufficient. Alternatively, each box or pallet is weighed and a note taken whether box and pallet weight should be subtracted at a later data when processing the data.

    Complete landings of all catch in relation to a vessel's trip (i.e. emptying of holds) is preferred since records can then be matched against logsheets. However, in some circumstances off-loading in harbours, at the dock or at sea may only be partial, some being retained on board until the next off-loading. In this case, records should be maintained of both catch landed and retained on board.

    Inspectors are a kind of enumerator involved in law enforcement and surveillance (for fishing regulations, sanitary inspections, labour control, etc.). They may work at sea on surveillance vessels, at landing sites on shore, at processing factories and at markets. In general, scientific data are better collected by enumerators who are not directly involved in law enforcement. Nevertheless, many variables collected by the inspectors are very useful, and include landings, operational information, effort, landing price, processing procedure and values of product to the market and processors. Inspectors are also useful in collecting employment data.

    Inspectors may play an important role in verification. In many cases, reports can be physically checked with observations. For example, random samples of boxes can be taken to check box contents (species, product type and size grade) against box identification marks. Inspectors need to be skilled in such sampling strategies.

    As with enumerators/observers, inspector data should be treated with caution because of the high chance of sampling bias. This potential bias of data collected by law-enforcement officers should be considered in analyses.

    Ecological research methods can be undertaken independent of commercial fishing operations to measure variables related to fish populations or the environment. Such research can be carried out by institutional research vessels or by industry or institutions using commercial fishing vessels. The objective is to obtain observations on biological (e.g. stock abundance or spatial distribution and fish size, maturity and spawning activities) and environmental (e.g. salinity and temperature) variables. It is important that this type of research is carried out periodically in order to obtain time sequential data.

    Similarly, socio-cultural research methods can be used to obtain specific information useful to management. Although these methods may not often be considered routine, they provide important data and should be considered for infrequent data collection where possible.

    Key informants are individuals with specialised knowledge on a particular topic. They may include academic specialists, community leaders, or especially skilled fishers. Interviews are usually begun with a set of baseline questions, but the interviewer expects to elicit new and perhaps unexpected information by requesting that the key informant expand on his or her answers to these initial questions. This method is ideal for obtaining in-depth descriptive data on beliefs and practices, including historical practices.

    Participant-observation is a technique whereby the researcher spends an extended period of time (from weeks to years, depending on the objective and the context) living with a target community, both observing their behaviour and participating in their practices. During this time, the researcher will be conducting formal and informal open-ended interviewing on a variety of topics. This is a good method for learning about the actual processes of decision-making, as opposed to the formal procedures. Cultural and institutional rules are rarely followed to the letter, and there are usually informal standards for an acceptable leeway. However, information on these standards can often only be obtained through participant-observation.

    Automatic Location Communicators (ALC) automatically log data through positioning and communications technology. They allow remote observation through recording of fishing activities at sea, and could replace logbooks and observers/inspectors on the bridges of fishing vessels. However, ALCs will be deficient in one simple respect: entry of data on the catch remains the responsibility of the captain.

    Many data on fishing operations can be automatically recorded from bridge instrumentation. Position, speed, heading, deployment of gear through links to electronic instruments are likely to become more common in future. Once gathered, such data may be automatically transmitted to databases through satellite or ground communications.

    The technology that combines vessel position and a catch assessment for management authorities through remote means is generally known as a Vessel Monitoring System (VMS). Confidentiality is the key to the widespread acceptance of VMS, as information on current fishing grounds, and therefore security of position information, is a major concern.

    However, vessel positions, activities and catch reporting through these systems, directly to databases and thence to reports that either aggregate data or remove vessel identifiers are becoming possible. Since it will be relatively simple to check remotely sensed position against recorded position, logsheet records should become more representative of real vessel activities at sea.

    6.3.5 Reporting

    In most complete enumeration approaches, fisheries staff do not directly undertake data collection, but use external data sources. Most commonly, these sources are data forms completed by the fishing companies themselves, middle persons, market operators, processors and even trading companies and custom offices. Such methods are almost exclusively used for semi-industrial and industrial fisheries and institutions.

    Fishing companies are often a good source of information regarding basic data on catches and fishing effort. Regular submission of basic data is a part of the fishing licensing process. Data submitted by companies are often in the form of logbooks or landings declarations. Logbooks should contain detailed information on individual fishing operations, including fishing grounds, type and duration of operation, catch by species and other types of data relating to weather and sea conditions. Landings declarations usually deal with grouped data presented as summaries of fishing trips and catch by species.

    The advantage of using reports is that data are compiled by agents other than fisheries staff and sometimes can be made available in pre-processed computerised format directly from the company's records, thereby reducing administration costs. Confidentiality of information (such as fishing grounds and catch rates) should be part of the agreement for data submission, and statistical outputs of the survey should not contain information related to individual fishing vessels or companies. However, there are also risks of under-reporting or of deliberate distortion of data, especially fishing ground, catch and revenue related information.

    The collection of data from all vessels within a fishery sector is sometimes needed usually from large-scale fisheries. Normally each vessel will be required to record their catch and effort data for every trip on a specially designed logbook. Because it is a painstaking task, usually only essential data are required. For various reasons, the data collected by this method could be inaccurate and thus validation from time to time by inspectors is important.

    Data from post harvest operations are often used for obtaining information on landings, biology, markets, costs and earnings. Where logsheets, landings records and market reports are not available, reliable information can often only be obtained from processing factories. Reports by the processors generally include quantities and value of fish received and the resulting products. Additional information may include the origin of catch (fishing and transport vessels) and size categories of fish.

    Monitoring off-loading catch in processed or whole round form requires considerable attention to detail and much depends on the relationship between the fishery authority and vessel captains or companies. It may be that sufficient trust has been developed to allow vessel or company off-loading records to be used directly, perhaps with random spot checks.

    In some circumstances, off-loading may proceed directly to a processing factory or cold store (particularly by conveyor of bulk fish such as small pelagics, tuna etc.). Detailed landings can still be recorded as long as each batch is marked with its source (vessel name and trip identifier).

    Most factories will maintain records of fish (by species, product type and size grade) that enter processing directly or cold store. They will also maintain information on their output and sales, including destination and price, although such data may be much more difficult or impossible to obtain unless legally required. Data forms will need to be customised to the type of processing and the factory management system.

    Market transaction records may form a feasible way of collecting landings with complete enumeration, particularly in large fleets of small-scale vessels that land in central locations. All invoices, sales slips or sales tallies should be designed with care as to content, style and availability to ensure completeness of coverage. Given the potential volume of paper work, simplicity and brevity will often be the most important criteria.

    The primary identifier on records should be the name of the vessel (including all carrier vessels unloading from more distant fleets) that sold the catch, and the date or trip number, since vessels may make more than one sale from one landing. Total weight by species or commercial group, and price should be collected. Ideālā gadījumā būtu jāiegūst papildu dati par zvejas vietu un zvejas piepūles līmeni, lai gan bieži vien tas nav iespējams.

    Līdzīgi kā žurnālus un izkraušanas lapas, pārdošanas dokumenti jāsagatavo atbilstoši identificētās formās, vajadzības gadījumā vairākos eksemplāros. Kopijas, visticamāk, būs nepieciešamas tirgus administrācijai (ja nepieciešams), pārdevējam, pircējam un zvejniecības iestādei.

    Vispārīgi pārdošanas ieraksti, piemēram, pārdošanas apjoms un cenas pēc produkta veida, sniedz noderīgu informāciju bioekonomiskās analīzes veikšanai un datu avotu par nozveju un izkraušanu, ja visi citi datu vākšanas veidi nav pieejami. Parasti ir pieejami trīs informācijas avoti par vispārējo pārdošanu: tirgus, apstrādes rūpnīcas un eksporta dati. Tomēr šie dati vienmēr jāizturas uzmanīgi. Jo tālāk datu avoti atrodas no primārā avota, jo vairāk tiks ieviesta kļūda, un tiks zaudēta sīkāka informācija (piemēram, zvejas vieta, zvejas piepūle).

    Papildus tiem tiešie zvejniecības uzņēmumu apsekojumi var sniegt būtisku informāciju, uz kuras var balstīties vispārējā zivsaimniecības pārvaldība un pārvalde. Ikgadējie zvejniecības statistikas apsekojumi var būt brīvprātīgi vai obligāti. Ja atbilde būs brīvprātīga, atbilde būs atkarīga no privātā sektora un varas iestāžu sadarbības līmeņa. Ja tas ir obligāts, ir nepieciešami tiesību akti, kurus var izstrādāt dažādās formās, piemēram, Uzņēmumu vai Statistikas likumos.

    Tirdzniecības dati attiecas uz informāciju no muitas vai līdzīgiem avotiem par tirdzniecību. Šie dati tiek izmantoti sociāli ekonomiskajos rādītājos un dažos izņēmuma gadījumos atbalsta izkraušanas datus.

    Informācija par eksportu un importu tiek publicēta lielākajā daļā valstu. Tas ir īpaši svarīgi gadījumos, kad jāmaksā eksporta vai importa nodokļi vai tiek doti eksporta stimuli. Protams, eksporta un importa datiem ir maza nozīme, aprēķinot kopējo zivju produkciju, ja vien nav arī līdzekļu, lai noteiktu nozvejas proporciju, kas tiek izmantota vietējā patēriņā. Tomēr dažos īpašos gadījumos tirdzniecības dati ir galvenais avots, lai novērtētu izkrāvumus (piemēram, haizivs, tunzivis). Ja tirdzniecības datus izmanto izkraušanas apstiprināšanai vai novērtēšanai, daudzumi parasti jāpārrēķina uz visu svaru.

    Eksporta datu detalizācijas trūkums var būt problēma tikai to apkopošanas formas dēļ. Eksporta kategorijas, ko reģistrējušas iestādes (parasti nesadarbojoties ar zvejniecības iestādēm), var slēpt lielu daļu nepieciešamās informācijas. Zivju konservi, saldētas zivis, svaigas zivis, kaltētas zivis un zivju milti var būt vienīgās atbilstošās kategorijas eksporta iestādēm. Kopā ar precīziem paaugstināšanas faktoriem šos datus var izmantot kopējai zivju ražošanai. Šī novērtēšanas metode ir diezgan precīza, ja ir mazs vietējais tirgus. Tomēr, ja vien tie nav sadalīti pa sugām un nav tieši saistīti ar datu avotiem, kas ir tuvāk ražas nozarei, tie maz nodrošina zivsaimniecības pārvaldību.


    Skatīties video: Bērni un kartes