В статье проводится пространственный анализ социально-экономических факторов, влияющих на электоральное поведение в США на президентских выборах 2012 и 2016 годов. Используя метод географически взвешенной регрессии (GWR), автор выявляет территориальные кластеры взаимосвязей между различными социально-экономическими показателями и результатами голосования. Для сравнения моделей регрессии также использовался расчет индекса пространственной автокорреляции (Moran’s I) и локальный индекс пространственной автокорреляции Гетиса-Орда. Внимание уделяется изучению влияния демографических характеристик, социальных и экономических условий на электоральные предпочтения американских избирателей. Исследование показывает, что воздействие данных факторов является географически нестационарным, а использование локальных моделей регрессии позволяет получить более точные объяснения в сравнении с глобальными моделями. В статье также рассматриваются кластеры, образованные взаимодействием различных факторов, и анализируется их пространственное распределение. Результаты работы подчеркивают значимость пространственной неоднородности и демонстрируют пересечения кластеров в ряде регионов США, что открывает новые перспективы для дальнейших исследований в области электоральной географии.
электоральное поведение, пространственный анализ, географически взвешенная регрессия, выборы в США, политическая география
1. Ahmed R., Pesaran M.H. (2020), Regional heterogeneity and US presidential elections, CESifo Working Paper, no. 8615, Munich: Munich Society for the Promotion of Economic Research, 74 p. DOI: https://doi.org/10.2139/ssrn.3711891
2. Akaike H. (1974), A new look at the statistical model identification, IEEE Transactions on Automatic Control, vol. 19, no. 6, pp. 716-723.
3. Brunsdon C., Fotheringham A.S., Charlton M.E. (1996), Geographically weighted regression: a method for exploring spatial non-stationarity, Geographical Analysis, vol. 28, no. 4, pp. 281-298.
4. Campbell A. (1980), The American Voter, Chicago: University of Chicago Press, 576 p.
5. Cho W.K.T., Gimpel J.G. (2009), Presidential voting and the local variability of economic hardship, The Forum, vol. 7, no. 1. DOI: https://doi.org/10.2202/1540-8884.1286
6. Cox K.R. (1970), Residential relocation and political behavior: Conceptual model and empirical tests, Acta Sociologica, vol. 13, no. 1, pp. 40-53.
7. Evans G. (2000), The continued significance of class voting, Annual Review of Political Science, vol. 3, no. 1, pp. 401-417.
8. Forest B. (2018), Electoral geography: From mapping votes to representing power, Geography Compass, vol. 12, no. 1, e12352. DOI: https://doi.org/10.1111/gec3.12352; EDN: https://elibrary.ru/MBRRZR
9. Fotheringham A.S., Brunsdon C., Charlton M.E. (2009), Geographically weighted regression, The Sage Handbook of Spatial Analysis, eds. Fotheringham A.S., Rogerson P.A., London: SAGE, pp. 243-254.
10. Hajnal Z.L., Lee T. (2011), Why Americans don't join the party: Race, immigration, and the failure of political parties to engage the electorate, Princeton: Princeton University Press, 320 p. DOI: https://doi.org/10.1515/9781400838776
11. Hamilton L.C. (1992), Regression with graphics: A second course in applied statistics, Belmont, CA: Duxbury Press, 363 p.
12. Hillier B., Hanson J., Peponis J. (1984), What do we mean by building function?, Designing for building utilisation, eds. Powell J.D., Cooper I., Lera S., London: E & FN Spon Ltd, pp. 61-72.
13. Ishizawa H., Stevens G. (2007) Non-English language neighborhoods in Chicago, Illinois: 2000, Social Science Research, vol. 36, no. 3, pp. 1042-1064.
14. Iyengar S., Westwood S.J. (2015), Fear and loathing across party lines: New evidence on group polarization, American Journal of Political Science, vol. 59, no. 3, pp. 690-707.
15. Jana M., Sar N. (2016), Modeling of hotspot detection using cluster outlier analysis and Getis-Ord Gi* statistic of educational development in upper-primary level, India, Modeling Earth Systems and Environment, vol. 2, no. 2, pp. 1-10. DOI: https://doi.org/10.1007/s40808-016-0122-x; EDN: https://elibrary.ru/XGBTSQ
16. Johnston R., Jones K., Propper C., Burgess S. (2007), Region, local context, and voting at the 1997 general election in England, American Journal of Political Science, vol. 51, no. 3, pp. 640-654.
17. Kinder D.R., Kiewiet D.R. (1979), Economic discontent and political behavior: The role of personal grievances and collective economic judgments in congressional voting, American Journal of Political Science, vol. 23, pp. 495-527.
18. Kramer G.H. (1971), Short-term fluctuations in US voting behavior, 1896-1964, American Political Science Review, vol. 65, no. 1, pp. 131-143.
19. Lewis-Beck M.S. (1988), Economics and elections: The major Western democracies, Ann Arbor: University of Michigan Press, 183 P.
20. Lind J.T. (2007), Does permanent income determine the vote?, The BE Journal of Macroeconomics, vol. 7, no. 1. DOI: https://doi.org/10.2202/1935-1690.1527
21. Menard S. (2002), Applied logistic regression analysis, Thousand Oaks: SAGE, 128 p. DOI: https://doi.org/10.4135/9781412983433
22. Moran P.A. (1948), The interpretation of statistical maps, Journal of the Royal Statistical Society. Series B., vol. 10, no. 2, pp. 243-251.
23. Ord J.K., Getis A. (1995), Local spatial autocorrelation statistics: distributional issues and an application, Geographical Analysis, vol. 27, no. 4, pp. 286-306.
24. Paez A. (2004), Anisotropic variance functions in geographically weighted regression models, Geographical Analysis, vol. 36, no. 4, pp. 299-314.
25. Steenbergen M.R. (2010), Decomposing the vote: Individual, communal, and cantonal sources of voting behavior in Switzerland, Swiss Political Science Review, vol. 16, no. 3, pp. 403-424.
26. Sui D.Z., Hugill P.J. (2002), A GIS-based spatial analysis on neighborhood effects and voter turnout: A case study in College Station, Texas, Political Geography, vol. 21, no. 2, pp. 159-173. EDN: https://elibrary.ru/GWJGGF
27. Tenn S. (2007), The effect of education on voter turnout, Political Analysis, vol. 15, no. 4, pp. 446-464. EDN: https://elibrary.ru/IVXBJH
28. Tu J., Xia Z.G. (2008), Examining spatially varying relationships between land use and water quality using geographically weighted regression I: Model design and evaluation, Science of the Total Environment, vol. 407, no. 1, pp. 358-378.
29. Weber D., Englund E. (1992), Evaluation and comparison of spatial interpolators, Mathematical Geology, vol. 24, pp. 381-391.
