Hotspot-Analyse

Die Hotspot-Analyse (englisch Hot Spot Analysis) ist ein Verfahren der räumlichen Statistik, das statistisch signifikante Konzentrationen hoher und niedriger Werte in einem geographischen Datensatz identifiziert. Auf Basis der Getis-Ord-Gi*-Statistik bewertet das Verfahren jedes Feature im Kontext seiner Nachbarn und prüft, ob die lokale Häufung von Werten stärker ausgeprägt ist, als es bei einer zufälligen Verteilung zu erwarten wäre. Features mit signifikant hohen Werten in einer Umgebung ebenfalls hoher Werte gelten als Hotspots, Cluster niedriger Werte als Coldspots.

Die Getis-Ord-Gi*-Statistik berechnet für jedes Feature eines Datensatzes einen z-Wert und einen p-Wert. Der z-Wert entspricht der Standardabweichung der lokalen Wertesumme von der unter räumlicher Zufälligkeit erwarteten Summe. Hohe positive z-Werte mit kleinen p-Werten kennzeichnen statistisch signifikante Hotspots, bei denen ein Feature und seine Nachbarn hohe Werte aufweisen. Hohe negative z-Werte mit kleinen p-Werten zeigen signifikante Coldspots an, während z-Werte nahe null für Bereiche ohne signifikante Clusterbildung stehen. Die Analyse setzt ein Modell räumlicher Beziehungen voraus, etwa inverse Distanz, feste Distanzbänder oder k nächste Nachbarn, das festlegt, wie benachbarte Features einander beeinflussen. Die Wahl des Distanzschwellenwerts beeinflusst die Ergebnisse erheblich und sollte sich an der räumlichen Skala des untersuchten Phänomens orientieren.

Die Hotspot-Analyse wird in der öffentlichen Sicherheit, in der Wirtschaft, im Gesundheitswesen und im Umweltbereich breit eingesetzt. Polizei- und Sicherheitsbehörden identifizieren damit räumliche Kriminalitätsschwerpunkte und steuern Streifeneinsätze und Präventionsprogramme auf empirischer Grundlage. Der Einzelhandel wertet Umsatz- und Kundendaten aus, um geographische Nachfrage-Hotspots zu erkennen und Standortwahl wie Marketingstrategie darauf auszurichten. Das öffentliche Gesundheitswesen kartiert Häufungen von Krankheitsfällen, um Impfkampagnen gezielt auszurichten, Versorgungsressourcen zu verteilen und Ausbruchsquellen zu untersuchen. Die Umweltforschung lokalisiert Schadstoff-Hotspots und priorisiert Sanierungsmaßnahmen. Die Verkehrsplanung analysiert Unfallschwerpunkte, um Sicherheitsmaßnahmen an Hochrisikostellen umzusetzen, und die Stadtplanung nutzt Hotspots wirtschaftlicher Aktivität zur Steuerung von Entwicklung und Infrastrukturinvestitionen.

Die Hotspot-Analyse identifiziert räumliche Cluster objektiv und statistisch fundiert und geht damit über die subjektive visuelle Interpretation von Karten hinaus. Über z-Werte und p-Werte lassen sich Ergebnisse mit Konfidenzniveaus kommunizieren und echte Muster von zufälliger Streuung unterscheiden. Weil das Verfahren die Werte benachbarter Features einbezieht, liefert es eine robustere Einschätzung als die einfache thematische Kartierung einzelner Werte. Die Ergebnisse sind zudem intuitiv interpretierbar und auch für fachfremde Zielgruppen gut vermittelbar.

Die Ergebnisse reagieren empfindlich auf die Wahl des räumlichen Beziehungsmodells und der Distanzparameter und erfordern eine sorgfältige Kalibrierung. Kleine Stichproben oder dünn besetzte Daten können unzuverlässige Resultate liefern. Zudem unterstellt die Analyse, dass der zugrunde liegende Prozess im gesamten Untersuchungsgebiet stationär ist, was nicht in jedem Fall zutrifft. Bei der gleichzeitigen Signifikanzprüfung vieler Features entsteht außerdem ein Problem multiplen Testens, das die Zahl scheinbar signifikanter Hotspots aufblähen kann.

Die Raum-Zeit-Hotspot-Analyse untersucht Muster über Zeitintervalle hinweg und unterscheidet neu entstehende, sich verstärkende, abklingende und persistente Hotspots. Optimierte Hotspot-Analysen wählen geeignete Distanzparameter automatisch anhand der Datencharakteristik aus. Die Integration mit prädiktiver Analytik ermöglicht Prognosen, wo künftig Hotspots entstehen dürften, und die Echtzeitüberwachung auf Basis von Sensordatenströmen unterstützt eine dynamische Ressourcensteuerung.