Городские данные: что это такое?

«Обширные информационные массивы, которые охватывают различные аспекты городской жизни. Например, данные о городской инфраструктуре на разных уровнях — от отдельных районов до целых отраслей экономики. Грамотный анализ больших данных позволяет выявить перспективные точки экономического роста в городе, проанализировать инфраструктурные объекты, найти недостатки в городском планировании и оптимизировать использование городского пространства», — Галина Васильева, аспирантка экономического факультета («Мировая экономика»).

Город уже построен, но надо его развивать. С какими сложностями сталкиваются специалисты?

«Во-первых, существует проблема разрозненности данных. В отличие от развивающихся стран, где данных может не хватать, в России их достаточно, но они плохо стандартизированы. Например, данные о населении Москвы собираются по районам и кварталам, а статистика преступности ведётся по месяцам и субъектам. Такая неоднородность требует дополнительной обработки, а это значительно увеличивает временные и ресурсные затраты. Во-вторых, существует проблема наследия старых градостроительных решений. Города, сформированные десятилетия или даже века назад, трудно перестраивать. Например, в моём родном городе Ульяновске уже три года продолжается реконструкция важного моста, соединяющего два района. Первоначальные просчёты в проектировании привели к тому, что сооружение не справляется с транспортным потоком, создавая долгосрочные проблемы для городской логистики. В-третьих, есть проблема в коммуникации между жителями и органами власти. Нужно общаться, чтобы создавать комфортную городскую среду совместными усилиями», — Никита Лазарев, студент экономического факультета («Проектный анализ и моделирование в экономике», III курс).

Как «Пульс городов» поможет определить точки роста в населенных пунктах?

«Выявляем точки роста через комплексный анализ трёх ключевых параметров: уровня потенциального спроса (например, плотности населения в радиусе 600 метров), плотности конкурентов и наличия „якорных“ объектов — супермаркетов, парковок и транспортных узлов. При этом спрос корректируется с учётом количества аналогичных конкурентных объектов в зоне и их удалённости. В основе алгоритма — пространственно-статистическая модель, которая присваивает каждой географической точке числовые индексы спроса, конкурентного давления и притяжения трафика. Прогноз оборота строится с использованием методов линейной регрессии и Geographically Weighted Regression на основе геокодированных координат объектов и их конкурентов. Точка роста определяется как локация, где прогнозируемый оборот существенно превышает показатели соседних территорий. Для верификации результатов строится карта „горячих“ зон с наибольшим спросом, анализируется плотность потенциальных клиентов и сравниваются прогнозные показатели», — Виктор Кадров, студент факультета физико-математических и естественных наук («Математика и компьютерные науки», III курс).

Для комплексного анализа в систему интегрируются данные из разных источников.

«Мы используем разнородные данные — статистики, новостные сводки и информацию из социальных сетей. Задействованы традиционные табличные данные, они остаются основой анализа, но часто не отражают полноты картины и поступают с запозданием. Эмоциональная составляющая отзывов в соцмедиа дает возможность понять отношение людей к городским сервисам и бизнесам. Анализ текстовых комментариев, включая структуру предложений, орфографию и эмоциональную окраску слов, предоставляет ценную дополнительную информацию. Это особенно важно в ситуациях, когда потребитель имеет возможность выбора — по добровольно оставленным отзывам можно оперативно выявить причины успеха или неудачи предприятия», — Филипп Приказнов, студент экономического факультета («Проектный анализ и моделирование в экономике», IV курс).