О городах и данных

#PhD#humanmobility Делая PhD, основанный на анализе GPS-локаций людей, я начала задаваться вопросами, которые раньше, при работе с коммерческими данными, не приходили мне в голову: 🔹 Существуют ли стандарты обработки GPS-сигналов для изучения человеческой мобильности? 🔹 Какие ограничения по приватности нужно учитывать при визуализации? Можно ли, например, добавлять на карту дом и работу одного человека? 🔹 Какие валидационные тесты помогут сделать так, чтобы "тебе поверили"? 🔹 Как сделать код полезным для тех, у кого нет доступа к моему датасету? В поисках ответов я наткнулась на статью, которая лишь подтвердила актуальность проблемы: стандартов нет, но они должны быть выработаны. 🚧В чем сложность? 1️⃣ Отсутствие открытых мобильных датасетов Открытых мобильных датасетов почти нет, поэтому большинство исследований строится на коммерческих данных, которые отличаются по структуре, методам сбора и предобработки. Это делает повторение результатов практически невозможным. 📌Примеры доступных датасетов: - раз - два У меня, например, GPS-сигналы уже агрегированы в "стоянки" и "поездки", тогда как большинство исследований работают с сырыми данными. Или, например, в некоторые месяцы в моем датасете нет сигналов с 12:00 до 18:00 – это критично, если копировать чужие методы без адаптации под такие особенности. 2️⃣ Разные задачи → разная предобработка Кто-то ищет "дом и работу" пользователей, и ему нужны только те, у кого много сигналов, и часть из них ночью. А кто-то изучает "проходимость локаций" и ему нужны максимально сырые данные. 💡В качестве решения авторы называют синтетические данные 🔬 Их создают с помощью нейросетей и агентских моделей на основе транспортных опросов, демографических данных и иногда частично доступных мобильных данных. Модели учат причины и патерны перемещения людей и на их основе генерируют новые траектории. 📌 Примеры исследований: - OpenPFLOW ( без нейронки) - SynMob ✅ Плюсы синтетических данных: ✔️Доступность – их можно строить даже без реальных мобильных данных, нужны лишь классические опросы и метрики населения ✔️Отсутствие технических артефактов – такие данные не содержат неожиданных пропусков или скачков в сигналах, как реальные данные ❌ Минусы синтетических данных: ⚠️Зависимость от исходных данных – например, если в Израиле построить такие данные на основе опросов только еврейского населения, не включив арабов, бедуинов, друзов и тд, то картина будет неполной. Хотя тут я должна оговориться, что и мобильные данные передают только то население, у которого есть телефоны. ⚠️Ограниченность траекторий – модели чаще всего воспроизводят типичные маршруты людей и игнорируют неожиданные отклонения. ⚠️Шум на индивидуальном уровне – на уровне отдельного человека присутствует много шума, поэтому изучать отдельное поведение по таким данным невозможно 💭 Получается, что несмотря на огромное число статей в сфере human mobility, изданных за последние 10 лет, очень немного было сделано для того, чтобы выработать единый подход в работе с мобильными данными. Каждая лаборатория изобретает свой велосипед, поскольку практически невозможно повторить другие исследования и сравнить результаты из-за различий в данных и отсутствия детального описания их обработки. Доступность же таких данных отдана на добрую волю компаний-агрегаторов GPS сигналов или мобильных операторов, поэтому большинство исследователей вообще не имеет к ним доступа и вынуждены изобретать очередной опрос на 100 человек, который никак не отражает реальную ситуацию😔

#phd Мое PhD исследование посвящено оценке влияния удаленной работы на экономику районов. Наличие влияния является гипотезой,основанной на теоретической базе, поэтому может быть как подтверждено, так и отклонено Почему ожидаются изменения? Микроэкономическая теория построена на предположении о стремлении системы к равновесию - эквилибриуму. В точке равновесия, спрос равен предложению, существует идеальная конкуренция, и все объекты экономической среды максимизируют удовлетворение (satisfaction) в условии ограниченности ресурсов. В городе эта идея трансформируется в urban equilibrium. В классической моноцентристской модели города, описанной Алонсо, urban equilibrium представлен в виде равновесия 3-х основных элементов города: - Residential Equilibrium (жители выбирают место жительства исходя из своего дохода и расстояния до центра города); - Market Equilibrium ( спрос на землю равен ее предложению); - Firm Equilibrium (фирмы увеличивают мощности до тех пор пока каждая новая произведенная единица не станет убыточной); Основное допущение модели - при удалении от центра города цены и плотность населения падают, все рабочие места и развлечения сконцентрированы в центре, поэтому людям приходится каждый день ездить туда Угрозы и возможности удаленки для районов города. С удаленкой ценность центра падает, но при этом растет привлекательность окраин ( donnut effect). Поэтому в своем исследовании я предполагаю, что на окраинах города с высоким процентом удаленщиков возникает дисбаланс между спросом и предложением на лучшее жилье и сервисы. Этот дисбаланс является потенциальными угрозой и возможностью для экономики районов. Угроза Если житель не может потратить дополнительное свободное время и ресурсы, появившиеся из-за Covid в рамках своего района, то он будет стремиться переехать туда, где это удастся, а значит, район потеряет налогоплательщика, а арендаторы и сервисы - клиента. Возможность С другой стороны, для реализации угрозы требуется время - решение переехать оценивается экономистами как "life-changing" и потому считается редким. Это дает возможность локальным властям среагировать на изменившийся спрос и принять меры: мотивировать новое строительство или появление локальных бизнесов. Во-время принятые меры могут не только сохранить текущий уровень экономики, но и увеличить его, привлекая в район новых жителей и сервисы. В работе я буду тестировать валидность гипотезы изменений и исследовать влияние различных политик на экономику районов

#phd Про поискPHD позиции Если вы сейчас ищете PhD в гео с уклоном в аналитику, то у себя в блоге собрала список открытых сейчас позиций и инсайты, как искать. Пост доступен по подписке Итак, идея писать PhD появилась у меня еще со времен магистратуры - мне тогда так понравилось заниматься своим тезисом, что я подумала, что готова закоммититься на 3-4 года не работы ради поиска математического объяснения некой городской проблемы. Следующие 2 года я с переодически возрастающей активностью следила за открывающимися позициями За это время у меня сложилось некоторое впечатление о " рынке PhD" в целом и о PhD в гео в частности. Дальше все ИМХО, если ваш опыт другой, пишите в комментариях. Есть 3 типа PhD позиций: 1. Ты ежегодно платишь за программу и сам выбираешь тему. Отбор на них не супер жесткий, если только вы не претендуете на стипендию, которых обычно 1-2 на набор. Большинство таких позиций много в UK. например, как тут. 2. Позиция на проекте в университетской лаборатории. У университета есть грант, в рамках которого они могут набирать себе сотрудников. Вот пример такой программы (кстати дедлайн по заявке 18/12/23). Такая позиция интереснее первой, но и отбор на нее выше. 3. Позиция в университете для проекта на 3ью организацию: компанию и муниципалитет. Здесь компания платит тебе за PhD и у тебя есть четкие обязательства. Редкая штука, на мой взгляд привлекательная для тех, кто не привык исследовать ради исследования:) Разница в типах PhD не только влияет на отбор (про него я еще напишу отдельно) и финансы, но и на стартовую дату: В 1-ом случае ориентироваться надо на начало семестра, хотя есть вузы, где начать писать можно в любой момент. Основное время набора: ноябрь - январь 2 и 3ий случай больше похожи на найм, есть четкая дата подачи заявки и дата старта позиции, которая никак не привязана к учебному году. Их можно отслеживать круглый год Дальше напишу про отбор и мой опыт подачи