Одиночество и блазированность в городе
В университете я очень любила социологию/антропологию города, особенно с этих т.з. исследовать фильмы. Тут отрывок из моей работы по фильму Стива Маккуина "Стыд".
P.S. Отдельно рекомендую всем урбанистам поисследовать фильм Джармуша "Ночь на Земле".
@urban_mash
В университете я очень любила социологию/антропологию города, особенно с этих т.з. исследовать фильмы. Тут отрывок из моей работы по фильму Стива Маккуина "Стыд".
P.S. Отдельно рекомендую всем урбанистам поисследовать фильм Джармуша "Ночь на Земле".
@urban_mash
Teletype
Проблема городской маргинализации в фильме “Стыд”
Георг Зиммель в очерке «Большие города и духовная жизнь» описывает городскую жизнь и городскую культуру в рамках компенсаторных реакций...
❤17👍5
Аудит_внутриквартальных_территорий_постсоветского_периода_Йошкар.pdf
2.8 MB
"ДВОРУЛИЦА" в городском планировании
Концепция "дворулица" была предложена Юрием Григоряном в исследовании "Археология периферии" в 2013 году. Дворулицы представляют собой пространства между жилыми домами, которые не принадлежат конкретным зданиям, но выступают дворами для целого квартала и улицами для отдельно стоящих домов. Эти пространства обладают огромным потенциалом для превращения в удобные и функциональные зоны, но часто остаются неухоженными.
Вытекающие проблемы
Основа проблем "дворулиц" лежит в размытии понятия ответственности за их состояние между местными жителями, бизнесом и городскими властями. Это ведет к ряду негативных последствий:
1. Ухудшенное состояние среды: Низкий уровень освещенности, плохое качество дорожного покрытия, отсутствие тротуаров и другие недостатки инфраструктуры приводят к тому, что территории остаются неухоженными. На таких пространствах редко играют дети, не общаются соседи, нет комфортных условий для собеседований или прогулок.
2. Потеря проницаемости и связности: Из-за недостаточной связности пешеходных сетей снижаются пешеходные потоки. Это создает неблагоприятные условия для офлайн-бизнесов на первых этажах зданий (ground floor), поскольку снижается количество точек притяжения.
3. Трудности для онлайн-бизнесов и сервисов такси: Неоптимальная транспортная связность затрудняет доставку и снижает эффективность сервисов такси, так как необустроенные дворулицы сложны для навигации для велосипедных курьеров, пешеходов и автомобилей.
Чтобы решить эти проблемы, нужно изучать потенциала фрагментации городской ткани...
Основная задача заключается в исследовании потенциала улучшения локальной связности через анализ и планирование городских пространств. Это включает в себя понимание существующих паттернов использования и поиск способов для их оптимизации.
А один из способов этого решения - протаивание...
Метод "протаивания" предлагает бесконфликтное обновление жилой среды через мягкие и экономичные преобразования. Этот подход позволяет создавать новые городские пространства, адаптированные к нуждам конкретных районов, формируя их уникальный характер и функциональность. Протаивание базируется на идее второй дорожной сети, которая состоит из внутриквартальных общественных и полу-общественных пространств, пешеходных, велосипедных и парковочных маршрутов. Эти маршруты формируются на основе сложившихся паттернов использования и обеспечивают более детализированную структуру, отличную от официальной сети автомобильных дорог.
Бесшовная интеграция для улучшения среды
Объединение официальной и второй дорожной сетей повышает проницаемость и пешеходную связность территории, улучшая качество жизни. Это включает концепции бесшовности, мелких лотов и коллективной собственности, способствующие раскрытию потенциала открытого пространства.
🏙 P.S. Для примера можно рассмотреть аудит внутриквартальных территорий в Йошкар-Оле, который мы с напарницей выполнили летом 2021 года.
@urban_mash
Концепция "дворулица" была предложена Юрием Григоряном в исследовании "Археология периферии" в 2013 году. Дворулицы представляют собой пространства между жилыми домами, которые не принадлежат конкретным зданиям, но выступают дворами для целого квартала и улицами для отдельно стоящих домов. Эти пространства обладают огромным потенциалом для превращения в удобные и функциональные зоны, но часто остаются неухоженными.
Вытекающие проблемы
Основа проблем "дворулиц" лежит в размытии понятия ответственности за их состояние между местными жителями, бизнесом и городскими властями. Это ведет к ряду негативных последствий:
1. Ухудшенное состояние среды: Низкий уровень освещенности, плохое качество дорожного покрытия, отсутствие тротуаров и другие недостатки инфраструктуры приводят к тому, что территории остаются неухоженными. На таких пространствах редко играют дети, не общаются соседи, нет комфортных условий для собеседований или прогулок.
2. Потеря проницаемости и связности: Из-за недостаточной связности пешеходных сетей снижаются пешеходные потоки. Это создает неблагоприятные условия для офлайн-бизнесов на первых этажах зданий (ground floor), поскольку снижается количество точек притяжения.
3. Трудности для онлайн-бизнесов и сервисов такси: Неоптимальная транспортная связность затрудняет доставку и снижает эффективность сервисов такси, так как необустроенные дворулицы сложны для навигации для велосипедных курьеров, пешеходов и автомобилей.
Чтобы решить эти проблемы, нужно изучать потенциала фрагментации городской ткани...
Основная задача заключается в исследовании потенциала улучшения локальной связности через анализ и планирование городских пространств. Это включает в себя понимание существующих паттернов использования и поиск способов для их оптимизации.
А один из способов этого решения - протаивание...
Метод "протаивания" предлагает бесконфликтное обновление жилой среды через мягкие и экономичные преобразования. Этот подход позволяет создавать новые городские пространства, адаптированные к нуждам конкретных районов, формируя их уникальный характер и функциональность. Протаивание базируется на идее второй дорожной сети, которая состоит из внутриквартальных общественных и полу-общественных пространств, пешеходных, велосипедных и парковочных маршрутов. Эти маршруты формируются на основе сложившихся паттернов использования и обеспечивают более детализированную структуру, отличную от официальной сети автомобильных дорог.
Бесшовная интеграция для улучшения среды
Объединение официальной и второй дорожной сетей повышает проницаемость и пешеходную связность территории, улучшая качество жизни. Это включает концепции бесшовности, мелких лотов и коллективной собственности, способствующие раскрытию потенциала открытого пространства.
🏙 P.S. Для примера можно рассмотреть аудит внутриквартальных территорий в Йошкар-Оле, который мы с напарницей выполнили летом 2021 года.
@urban_mash
🔥12👍8👏3❤1
В прошлом году в мае я впервые была на гео-форуме в Роттердаме. В этом году цель быть не только слушателем, но и выступающим. Сейчас дорабатываю свой диплом по Transit Oriented Development до публикации, а также начинаю работать над исследованием по методам определения оптимального местоположения (location problems).
Пока ресерчила тему конференций нашла отличную подборку geospatial conferences, которую в том числе дополнял мой бывший научный руководитель Егор Котов. Сохраняйте и принимайте участие! Профильные конференции и форумы - это отличная возможность почерпнуть профессиональное вдохновение!
Если кто-то также заинтересован в location problems, как и я сейчас, то велком в лс для обсуждение совместного академического сотрудничества :)
@urban_mash
Please open Telegram to view this post
VIEW IN TELEGRAM
GitHub
GitHub - Nowosad/conferences_2025: A list of geospatial conferences for 2025
A list of geospatial conferences for 2025. Contribute to Nowosad/conferences_2025 development by creating an account on GitHub.
❤18🔥7
LSCP vs MCLP vs P-median tg.pdf
1.1 MB
Локационные задачи: где размещать объекты с умом?
Выбор мест для магазинов, складов, больниц или станций — это локационные проблемы. Их цель — найти оптимальные точки, чтобы минимизировать затраты или максимизировать охват. Три ключевые модели:
1. LSCP — когда нужно гарантированно покрыть всех клиентов (например, пожарные станции в городе).
2. MCLP — когда ресурсов мало, а охват нужно максимизировать (например, аптеки в районе).
3. P-median — когда важно сократить среднее расстояние (например, логистические хабы для доставки).
Где применить?
- Ритейл — где открыть магазин?
- Логистика — где разместить склады?
- Госуслуги — как распределить больницы?
- Телеком — куда ставить вышки (тут также помогают диаграммы Вороного, о которых писала выше)?
Все эти модели уже реализованы в библиотеке
@urban_mash
Выбор мест для магазинов, складов, больниц или станций — это локационные проблемы. Их цель — найти оптимальные точки, чтобы минимизировать затраты или максимизировать охват. Три ключевые модели:
1. LSCP — когда нужно гарантированно покрыть всех клиентов (например, пожарные станции в городе).
2. MCLP — когда ресурсов мало, а охват нужно максимизировать (например, аптеки в районе).
3. P-median — когда важно сократить среднее расстояние (например, логистические хабы для доставки).
Где применить?
- Ритейл — где открыть магазин?
- Логистика — где разместить склады?
- Госуслуги — как распределить больницы?
- Телеком — куда ставить вышки (тут также помогают диаграммы Вороного, о которых писала выше)?
Все эти модели уже реализованы в библиотеке
spopt из PySAL — просто подставьте свои данные. Я поделюсь нашей черновой теоретической презентацией по принципу работы этих "моделек". @urban_mash
❤28👍9🔥9
Трудоустройство в большие и маленькие фирмы
Часто слышу от друзей и знакомых рассуждения о найме. Два главных тейка:
1. Яндекс оборзели, платят меньше рынка.
2. Урбан бюро оборзели, мало платят.
С одним из тейков я более, чем согласна, с другим нет) Любое трудоустройство - это заключение договора, это сделка между работником и работодателем. Работники, коих большинство, часто находятся в позиции прошения, особенно на российском рынке. Но давайте представим, что работодатели тоже за нас конкурируют, точно так же, как мы конкурируем за место в Амазон. Чем круче сотрудник, тем выше за него конкуренция. Когда говорят "дефицит кадров", это не значит, что нет рабочей силы. Рабочая сила есть, но не каждый человек, находящийся в поиске работы - нужный крутой кадр.
И когда на рынок труда выходит тот самый кадр, предлагая свои профессиональные услуги, компании начинают за него конкурировать. Яндекс (подставьте название любой корпорации), очевидно, предложить может нефинансовых плюшек (т.е. помимо зарплаты) гораздо больше, чем любая маленькая компания. Давайте перечислим:
1. ДМС
2. Классные френдли офисы со спортзалами, едой, библиотеками
3. Скидочные системы с партнерами
4. Мероприятия и разного рода развлечения
5. Репутация (такая строчка в резюме - маркер качества)
6. Профессиональный карьерный рост: много супер умных коллег, у которых ты учишься
7. Понятный карьерный рост: есть четкие регламенты и сроки грейдапов
8. Выстроенные стабильные процессы
... и т.д.
Именно поэтому в Яндекс все еще непросто попасть, несмотря на относительно низкие зарплаты. Однако когда вы маленькая компания, маленькое бюро или стартап, единственное преимущество, которое вы можете дать работнику - это деньги. И когда маленькие компании не предлагают те самые деньги (а зарплаты должны быть не просто на 5% выше рынка, а прям значительно выше), я задаюсь вопросом: а как вы вообще собираетесь расти компанию? Без кадров, без классной экспертизы сотрудников вы просто не выживите на рынке, молчу про увеличение прибыли.
Есть много исследований, которые подтверждают, что маленькие компании часто вынуждены предлагать более высокую заработную плату, чтобы конкурировать с крупными корпорациями. Собрала и прикрепила все ссылочки.
1. Компенсация нематериальных выгод деньгами
- Исследование Turban & Cable (2003) показывает, что кандидаты готовы соглашаться на меньшую зарплату в крупных компаниях из-за их репутации и дополнительных льгот.
- Теория трансакционных издержек (Williamson, 1985).
2. "Премия за риск" в малом бизнесе
Предприниматели и сотрудники малых фирм получают в среднем больше (почасовая оплата), чем в крупных компаниях – это компенсация за нестабильность и отсутствие гарантий (Hamilton, 2000).
3. Эмпирические данные о зарплатах
- В работе Oi & Idson (1999) собрана инфа о зарплатах, вывод: крупные фирмы платят меньше за аналогичные позиции, но компенсируют это стабильностью и бонусами.
- А тут Brown & Medoff (1989) показано, что размер компании отрицательно коррелирует с зарплатой (чем больше компания, тем ниже ставки при прочих равных).
4. Современные исследования (стартапы)
- Lehdonvirta (2018) отмечает, что фрилансеры и сотрудники стартапов требуют надбавку за отсутствие соцпакета.
Из чего у меня 2 вывода:
1) Если вы маленький стартап, не готовый платить сотрудникам, если нет готовности брать кредиты на зарплаты, если не получается "продать" идею или просто найти внешних инвесторов, мб ну нафиг эту деятельность?)
2) Если вы кадр, но вам не предлагают работу крупные корпорации или вообще есть сложности с поиском работы, то скорее всего вы не кадр) Лучшее, что можно сделать, это уйти в минус по деньгам, но проапгрейдив свои скилы. Никто не отменил образовательные кредиты, помощь фондов, родительские деньги (если имеются возможности) и т.д.
P.S. совершенно иначе стоит вопрос, когда крупные компании конкурируют за кадры. Условные Сбер, WB, Ozon, Яндекс и т.д.
@urban_mash
Часто слышу от друзей и знакомых рассуждения о найме. Два главных тейка:
1. Яндекс оборзели, платят меньше рынка.
2. Урбан бюро оборзели, мало платят.
С одним из тейков я более, чем согласна, с другим нет) Любое трудоустройство - это заключение договора, это сделка между работником и работодателем. Работники, коих большинство, часто находятся в позиции прошения, особенно на российском рынке. Но давайте представим, что работодатели тоже за нас конкурируют, точно так же, как мы конкурируем за место в Амазон. Чем круче сотрудник, тем выше за него конкуренция. Когда говорят "дефицит кадров", это не значит, что нет рабочей силы. Рабочая сила есть, но не каждый человек, находящийся в поиске работы - нужный крутой кадр.
И когда на рынок труда выходит тот самый кадр, предлагая свои профессиональные услуги, компании начинают за него конкурировать. Яндекс (подставьте название любой корпорации), очевидно, предложить может нефинансовых плюшек (т.е. помимо зарплаты) гораздо больше, чем любая маленькая компания. Давайте перечислим:
1. ДМС
2. Классные френдли офисы со спортзалами, едой, библиотеками
3. Скидочные системы с партнерами
4. Мероприятия и разного рода развлечения
5. Репутация (такая строчка в резюме - маркер качества)
6. Профессиональный карьерный рост: много супер умных коллег, у которых ты учишься
7. Понятный карьерный рост: есть четкие регламенты и сроки грейдапов
8. Выстроенные стабильные процессы
... и т.д.
Именно поэтому в Яндекс все еще непросто попасть, несмотря на относительно низкие зарплаты. Однако когда вы маленькая компания, маленькое бюро или стартап, единственное преимущество, которое вы можете дать работнику - это деньги. И когда маленькие компании не предлагают те самые деньги (а зарплаты должны быть не просто на 5% выше рынка, а прям значительно выше), я задаюсь вопросом: а как вы вообще собираетесь расти компанию? Без кадров, без классной экспертизы сотрудников вы просто не выживите на рынке, молчу про увеличение прибыли.
Есть много исследований, которые подтверждают, что маленькие компании часто вынуждены предлагать более высокую заработную плату, чтобы конкурировать с крупными корпорациями. Собрала и прикрепила все ссылочки.
1. Компенсация нематериальных выгод деньгами
- Исследование Turban & Cable (2003) показывает, что кандидаты готовы соглашаться на меньшую зарплату в крупных компаниях из-за их репутации и дополнительных льгот.
- Теория трансакционных издержек (Williamson, 1985).
2. "Премия за риск" в малом бизнесе
Предприниматели и сотрудники малых фирм получают в среднем больше (почасовая оплата), чем в крупных компаниях – это компенсация за нестабильность и отсутствие гарантий (Hamilton, 2000).
3. Эмпирические данные о зарплатах
- В работе Oi & Idson (1999) собрана инфа о зарплатах, вывод: крупные фирмы платят меньше за аналогичные позиции, но компенсируют это стабильностью и бонусами.
- А тут Brown & Medoff (1989) показано, что размер компании отрицательно коррелирует с зарплатой (чем больше компания, тем ниже ставки при прочих равных).
4. Современные исследования (стартапы)
- Lehdonvirta (2018) отмечает, что фрилансеры и сотрудники стартапов требуют надбавку за отсутствие соцпакета.
Из чего у меня 2 вывода:
1) Если вы маленький стартап, не готовый платить сотрудникам, если нет готовности брать кредиты на зарплаты, если не получается "продать" идею или просто найти внешних инвесторов, мб ну нафиг эту деятельность?)
2) Если вы кадр, но вам не предлагают работу крупные корпорации или вообще есть сложности с поиском работы, то скорее всего вы не кадр) Лучшее, что можно сделать, это уйти в минус по деньгам, но проапгрейдив свои скилы. Никто не отменил образовательные кредиты, помощь фондов, родительские деньги (если имеются возможности) и т.д.
P.S. совершенно иначе стоит вопрос, когда крупные компании конкурируют за кадры. Условные Сбер, WB, Ozon, Яндекс и т.д.
@urban_mash
👍25🤔6🔥2👏1
Зачем геоаналитикам ML и зачем ML-щикам Geo?
Часто слышу от "трушных" программистов, что геоаналитика — это просто добавить столбцы
Почему геоаналитику недостаточно классического ML?
Когда я делала любую геомодель, которая по пространственным признакам предсказывает таргет, то я сталкивалась с несколькими проблемами:
- Пространственные данные автокоррелированы (значение в точке зависит от соседей) → обычные ML-модели дают смещённые предсказания.
- Координаты — это не просто два признака, а пространственная структура → нужны специальные методы (геостатистика, пространственные графы).
- В геоданных много шума (GPS-прыжки, ошибки картографирования) → без предобработки модели учатся на артефактах.
Почему ML-специалистам нужно понимание гео?
Когда мы с командой прогнозировали заказы в ПВЗ на хакатоне, мы увидели, что:
- Рядом с метро спрос выше в 1.5–3 раза → но если просто добавить
- Традиционные метрики (RMSE) не отражают географическую ошибку (промах на 500 м в центре Москвы ≠ 500 м в промзоне).
- Без понимания пространственных процессов (например, сезонной миграции) модель выдаёт "среднюю температуру по больнице".
Курсы, которые реально прокачали мои навыки
1. Working with Geospatial Data in Python (Datacamp) – лучший старт для работы с
2. Spatial Data Science and Applications (Coursera) – более общий курс, где есть QGIS, PostGIS, R и инструменты Hadoop.
3. Курс Инессы Трегубовой – разбор реальных практических кейсов. Это курс, где я была на 1 потоке и который стал для меня вдохновением пойти работать геоаналитиком в Я.Лавку, т.к. на тот момент Инесса там работала.
P.S. Если хотите глубже разобрать какой-то кейс – пишите, расскажу про подводные камни (например, почему kNN для геоданных — плохая идея).
@urban_mash
Часто слышу от "трушных" программистов, что геоаналитика — это просто добавить столбцы
latitude и longitude в датасет и прогнать через sklearn. Но на практике всё чуть сложнее. Почему геоаналитику недостаточно классического ML?
Когда я делала любую геомодель, которая по пространственным признакам предсказывает таргет, то я сталкивалась с несколькими проблемами:
- Пространственные данные автокоррелированы (значение в точке зависит от соседей) → обычные ML-модели дают смещённые предсказания.
- Координаты — это не просто два признака, а пространственная структура → нужны специальные методы (геостатистика, пространственные графы).
- В геоданных много шума (GPS-прыжки, ошибки картографирования) → без предобработки модели учатся на артефактах.
Почему ML-специалистам нужно понимание гео?
Когда мы с командой прогнозировали заказы в ПВЗ на хакатоне, мы увидели, что:
- Рядом с метро спрос выше в 1.5–3 раза → но если просто добавить
distance_to_subway, модель не учтёт нелинейность (например, пешеходные маршруты через парки).- Традиционные метрики (RMSE) не отражают географическую ошибку (промах на 500 м в центре Москвы ≠ 500 м в промзоне).
- Без понимания пространственных процессов (например, сезонной миграции) модель выдаёт "среднюю температуру по больнице".
Курсы, которые реально прокачали мои навыки
1. Working with Geospatial Data in Python (Datacamp) – лучший старт для работы с
geopandas и shapely.2. Spatial Data Science and Applications (Coursera) – более общий курс, где есть QGIS, PostGIS, R и инструменты Hadoop.
3. Курс Инессы Трегубовой – разбор реальных практических кейсов. Это курс, где я была на 1 потоке и который стал для меня вдохновением пойти работать геоаналитиком в Я.Лавку, т.к. на тот момент Инесса там работала.
P.S. Если хотите глубже разобрать какой-то кейс – пишите, расскажу про подводные камни (например, почему kNN для геоданных — плохая идея).
@urban_mash
❤36👍9🔥3🤔1
Введение бесплатного проезда в Белграде
В декабре 2021 года мэр Белграда Александр Шапич из Сербской прогрессивной партии SNS, объявил, что с 1 января 2022 года общественный транспорт в городе станет бесплатным для всех жителей. В действительности бесплатный городской транспорт (трамваи, автобусы, троллейбусы) вступил в силу с 2025 года. Официальная причина - поддержка граждан в условиях роста цен. Инфляция в Сербии в 2022 году достигала 15%.
ПОЧЕМУ ЭТО НЕРАЗУМНЫЙ ШАГ?
1. Финансовая нагрузка на бюджет
До реформы городской транспортный оператор GSP ежегодно получал 10–12 млрд динаров (≈85–100 млн евро) от продажи билетов. После введения бесплатного проезда, этот доход исчез, и убытки теперь покрываются из бюджета Белграда. В 2023 году на субсидии транспорта выделили более 20 млрд динаров (≈170 млн евро) — почти вдвое больше, чем раньше. Средства берутся из городского бюджета, который и так имеет долги (в 2023 году — около 1,5 млрд евро). Оппозиция, например, партия «Двери српске», утверждает, что это приводит к сокращению других важных программ — ремонта дорог, финансирования школ и больниц.
2. Ухудшение качества транспорта
Автопарк устарел: Шапич обещал закупить 500 новых автобусов, но к 2024 году поставлено лишь около 200, в основном китайские Yutong. Водители и профсоюзы жалуются на нехватку персонала и переработки, что приводит к сбоям в расписании (это мы еще не берем перекрытые дороги из-за протестов). А бюджет мощнее не становится, персонула надо платить деньги, подвижной состав надо закупать или ремонтировать текущий. И так были большие проблемы с наземным общественным транспортом, проблема никуда не делась.
3. Эластичность спроса на ОТ не зависит от цены
Если Шапич считает, что это хоть как-то повлияет на пробки, вынуждена огорчить. Местные жители и так не сильно желали платить за транспорт, можно сравнить эмпирически пассажиропотоки и кол-во проданных билетов на любом маршруте в час-пик. У Белграда не было проблем в недозагруженности, наоборот. Автобусы переполнены. На спрос цена не повлияла (что мб к счастью) в положительную сторону, т.к. условная половина и так не платила. Но зато город потерял половину поступлений от людей, которые платили. А автомобилисты в любой стране автомобилисты. Пока ОТ не удовлетворяет трем критериям: скорость, комфорт и предсказуемость, автомобилисты на него не пересядут. Но справедливости ради им и некуда пересаживаться, зайдите на любой маршрут в час-пик.
Мое мнение
Если мы заботимся о горожанах, мол инфляция высокая, логичнее ввести льготные тарифы для социально уязвимых групп (как идея посмотреть еще на причины инфляции, но это не точно). Если мы заботимся о пробках - это можно решить негативными стимулами по индивидуальному авто и позитивными по общественному (и цена билета автобуса не стимул). Реформа Шапича — классический пример популизма, отличающийся красивым обещанием перед выборами. Пока что реформа выглядит как политический пиар за счёт городского бюджета.
P.S. фотография - пример активного гражданского общества, которые борются за отмененные маршруты. Подробнее о кейсе можно почитать тут: Vratimo trolu 28.
P.P.S. как насчет возобновления строительства метро?) вот что действительно подняло бы рейтинги любого градоначальника 😁
@urban_mash
В декабре 2021 года мэр Белграда Александр Шапич из Сербской прогрессивной партии SNS, объявил, что с 1 января 2022 года общественный транспорт в городе станет бесплатным для всех жителей. В действительности бесплатный городской транспорт (трамваи, автобусы, троллейбусы) вступил в силу с 2025 года. Официальная причина - поддержка граждан в условиях роста цен. Инфляция в Сербии в 2022 году достигала 15%.
ПОЧЕМУ ЭТО НЕРАЗУМНЫЙ ШАГ?
1. Финансовая нагрузка на бюджет
До реформы городской транспортный оператор GSP ежегодно получал 10–12 млрд динаров (≈85–100 млн евро) от продажи билетов. После введения бесплатного проезда, этот доход исчез, и убытки теперь покрываются из бюджета Белграда. В 2023 году на субсидии транспорта выделили более 20 млрд динаров (≈170 млн евро) — почти вдвое больше, чем раньше. Средства берутся из городского бюджета, который и так имеет долги (в 2023 году — около 1,5 млрд евро). Оппозиция, например, партия «Двери српске», утверждает, что это приводит к сокращению других важных программ — ремонта дорог, финансирования школ и больниц.
2. Ухудшение качества транспорта
Автопарк устарел: Шапич обещал закупить 500 новых автобусов, но к 2024 году поставлено лишь около 200, в основном китайские Yutong. Водители и профсоюзы жалуются на нехватку персонала и переработки, что приводит к сбоям в расписании (это мы еще не берем перекрытые дороги из-за протестов). А бюджет мощнее не становится, персонула надо платить деньги, подвижной состав надо закупать или ремонтировать текущий. И так были большие проблемы с наземным общественным транспортом, проблема никуда не делась.
3. Эластичность спроса на ОТ не зависит от цены
Если Шапич считает, что это хоть как-то повлияет на пробки, вынуждена огорчить. Местные жители и так не сильно желали платить за транспорт, можно сравнить эмпирически пассажиропотоки и кол-во проданных билетов на любом маршруте в час-пик. У Белграда не было проблем в недозагруженности, наоборот. Автобусы переполнены. На спрос цена не повлияла (что мб к счастью) в положительную сторону, т.к. условная половина и так не платила. Но зато город потерял половину поступлений от людей, которые платили. А автомобилисты в любой стране автомобилисты. Пока ОТ не удовлетворяет трем критериям: скорость, комфорт и предсказуемость, автомобилисты на него не пересядут. Но справедливости ради им и некуда пересаживаться, зайдите на любой маршрут в час-пик.
Мое мнение
Если мы заботимся о горожанах, мол инфляция высокая, логичнее ввести льготные тарифы для социально уязвимых групп (как идея посмотреть еще на причины инфляции, но это не точно). Если мы заботимся о пробках - это можно решить негативными стимулами по индивидуальному авто и позитивными по общественному (и цена билета автобуса не стимул). Реформа Шапича — классический пример популизма, отличающийся красивым обещанием перед выборами. Пока что реформа выглядит как политический пиар за счёт городского бюджета.
P.S. фотография - пример активного гражданского общества, которые борются за отмененные маршруты. Подробнее о кейсе можно почитать тут: Vratimo trolu 28.
P.P.S. как насчет возобновления строительства метро?) вот что действительно подняло бы рейтинги любого градоначальника 😁
@urban_mash
👍23🔥9💯8❤4🤔1🦄1
kNN для геоданных
В одном из последних постов упомянула, что классический knn не оч хорош для геоданных, полетели вопросы в лс) Поэтому решила сделать отдельный пост!
📍 ПРОБЛЕМЫ
1. Масштабирование признаков
Геоданные обычно представлены в виде координат (широта, долгота), которые могут иметь разный масштаб (например, градусы vs. метры). Если не нормализовать данные, расстояние между точками будет искажаться.
Пример:
- В градусах:
- В метрах:
2. Расстояние на сфере (Земля не плоская)
Евклидово расстояние (
Пример:
- Вблизи экватора
3. Неравномерная плотность данных
В городах точек может быть много, а в сельской местности — мало. Это приводит к:
- Смещению предсказаний (kNN будет давать больше веса густонаселённым регионам).
- Проблемам с выбором
4. Вычислительная сложность
kNN требует хранения всех данных и вычисления расстояний для каждого нового объекта → O(N) на запрос. Для больших геодатасетов (миллионы точек) это неэффективно.
5. Категориальные признаки
Если в данных есть категории (например, тип местности), их сложно учесть в стандартной метрике расстояния.
📍 КАК УЛУЧШИТЬ kNN ДЛЯ ГЕОДАННЫХ?
1. Использовать метрики, которые учитывают кривизну Земли.
- самая популярная Haversine distance
- Vincenty distance более точный, но более медленный
2. Нормализация и масштабирование
- Если используете евклидово расстояние, приведите координаты к метрам (например, через
- Можно применить
Спойлер: в конце будет про UTM
3. Учет пространственной автокорреляции
- Взвешенный kNN – давать больше веса ближайшим соседям (например,
- KD-деревья или Ball Trees – ускоряют поиск соседей в пространственных данных (
*** кстати соседей в своей работе в Яндексе я ищу через роутеры по улично-дорожной сети, т.к. в моих задачах мне важна транспортная доступность
4. Оптимизация выбора k
- Использовать кросс-валидацию с учетом пространственного разделения (например,
- Методы вроде LOOCV (Leave-One-Out Cross-Validation) для маленьких датасетов.
📍 А КАК ЖЕ UTM???
UTM действительно помогают работать с геоданными в локальных координатах, но у них есть свои нюансы. За этими проекции следуюдет признать:
✅ Евклидово расстояние работает лучше – в метрах, а не в градусах.
✅ Меньше искажений на небольших территориях (город, область).
✅ Быстрые вычисления – не нужно считать Haversine.
Но есть ограничения...
1. Границы зон
Точки из разных зон UTM нельзя сравнивать напрямую (
2. Большие расстояния
UTM искажает расстояния за пределами зоны (~1000 км), для континентальных данных лучше подходит Haversine/Vincenty.
3. Высота не учитывается
UTM работает только с 2D-координатами. Если нужен рельеф, нужно добавлять
4. Неравномерная плотность
В городах точек больше, чем в сельской местности, тут нужен адаптивный
P.S. как быстро определить зону UTM
UTM хорош для локальных данных в одной зоне, но для сложных случаев имхо лучше использовать другие подходы. Про них напишу как-нибудь потом)
@urban_mash
В одном из последних постов упомянула, что классический knn не оч хорош для геоданных, полетели вопросы в лс) Поэтому решила сделать отдельный пост!
1. Масштабирование признаков
Геоданные обычно представлены в виде координат (широта, долгота), которые могут иметь разный масштаб (например, градусы vs. метры). Если не нормализовать данные, расстояние между точками будет искажаться.
Пример:
- В градусах:
lat ∈ [-90, 90], lon ∈ [-180, 180] → долгота влияет сильнее. - В метрах:
1° широты ≈ 111 км, 1° долготы ≈ 111 км × cos(lat) → зависимость от широты. 2. Расстояние на сфере (Земля не плоская)
Евклидово расстояние (
sqrt(Δlat² + Δlon²)) плохо работает на больших дистанциях, так как искажает реальные расстояния на сфере. Пример:
- Вблизи экватора
1° ≈ 111 км, но ближе к полюсам 1° долготы → 0 км. 3. Неравномерная плотность данных
В городах точек может быть много, а в сельской местности — мало. Это приводит к:
- Смещению предсказаний (kNN будет давать больше веса густонаселённым регионам).
- Проблемам с выбором
k (в плотных районах нужно маленькое k, в разреженных — большое). 4. Вычислительная сложность
kNN требует хранения всех данных и вычисления расстояний для каждого нового объекта → O(N) на запрос. Для больших геодатасетов (миллионы точек) это неэффективно.
5. Категориальные признаки
Если в данных есть категории (например, тип местности), их сложно учесть в стандартной метрике расстояния.
1. Использовать метрики, которые учитывают кривизну Земли.
- самая популярная Haversine distance
from sklearn.metrics.pairwise import haversine_distances
distances = haversine_distances([[lat1, lon1], [lat2, lon2]])
- Vincenty distance более точный, но более медленный
2. Нормализация и масштабирование
- Если используете евклидово расстояние, приведите координаты к метрам (например, через
pyproj). - Можно применить
StandardScaler или MinMaxScaler.3. Учет пространственной автокорреляции
- Взвешенный kNN – давать больше веса ближайшим соседям (например,
weight = 1 / distance). - KD-деревья или Ball Trees – ускоряют поиск соседей в пространственных данных (
sklearn.neighbors.BallTree)*** кстати соседей в своей работе в Яндексе я ищу через роутеры по улично-дорожной сети, т.к. в моих задачах мне важна транспортная доступность
4. Оптимизация выбора k
- Использовать кросс-валидацию с учетом пространственного разделения (например,
sklearn.model_selection.KFold с учетом координат). - Методы вроде LOOCV (Leave-One-Out Cross-Validation) для маленьких датасетов.
UTM действительно помогают работать с геоданными в локальных координатах, но у них есть свои нюансы. За этими проекции следуюдет признать:
✅ Евклидово расстояние работает лучше – в метрах, а не в градусах.
✅ Меньше искажений на небольших территориях (город, область).
✅ Быстрые вычисления – не нужно считать Haversine.
Но есть ограничения...
1. Границы зон
Точки из разных зон UTM нельзя сравнивать напрямую (
easting повторяется), нужно разбивать данные по зонам или использовать Haversine. 2. Большие расстояния
UTM искажает расстояния за пределами зоны (~1000 км), для континентальных данных лучше подходит Haversine/Vincenty.
3. Высота не учитывается
UTM работает только с 2D-координатами. Если нужен рельеф, нужно добавлять
altitude в метрику расстояния. 4. Неравномерная плотность
В городах точек больше, чем в сельской местности, тут нужен адаптивный
k или взвешенный kNN. P.S. как быстро определить зону UTM
import math
utm_zone = math.floor((lon+180)/6)+1
UTM хорош для локальных данных в одной зоне, но для сложных случаев имхо лучше использовать другие подходы. Про них напишу как-нибудь потом)
@urban_mash
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥17❤4👍3🤔2
Global Leadership & Business Certification Cambridge 2025
Меня выбрали в качестве делегата в бизнес-симпозиум Кембриджского университета. Ура 🥰
@urban_mash
Меня выбрали в качестве делегата в бизнес-симпозиум Кембриджского университета. Ура 🥰
@urban_mash
❤46🔥32😍9👍3
Геомаркетинг. С чего начать?
Геомаркетинг на мой взгляд одна из самых прибыльных сфер сейчас (мб помимо geoAI) с учетом большого кол-ва заказчиков, которым надо развивать самые разные бизнесы оффлайн и онлайн (как гипер растущая сфера екома сейчас).
Хочу посоветовать на мой взгляд классную базовую книгу для каждого, кто только начинает развиваться в области решения локационных задач: Gérard Cliquet "Geomarketing: Methods and Strategies in Spatial". Пособие не столько практическое в плане написания конкретного скрипта под специфические данные, делаем скидку на то, что она 2006 года издания. Однако она поможет раскрыть и структурировать информацию по локационным задачам и потребительскому поведению в пространстве.
Совсем недавно я выступала на работе с решением классической задачи, которая в общем виде звучит "Где открыть бизнес?". Задача классическая, а решений и моделей может быть миллион. Перед тем как подступиться к гитхабам и разным адаптированным либам, советую хотя бы брифли ознакомиться с логикой решения геомаркетинговых задач. Сначала понимание - затем реализация.
А сам спектр вопросов, с которыми помогут методы из геомаркетинга очень широк.
Выбор местоположения
1. Где открыть новый магазин/кафе/склад, чтобы максимизировать поток клиентов?
2. Как определить зону покрытия (trade area) для существующей точки?
3. Где разместить новый филиал банка или АЗС с учетом конкуренции?
Анализ потребительского поведения
4. Откуда приезжают клиенты (анализ потоков)?
5. Как далеко люди готовы ехать за определенным товаром?
6. Как сегментировать аудиторию по географическим и поведенческим признакам?
Оптимизация розничной сети
7. Какие точки сети закрыть/перепрофилировать из-за низкой эффективности?
8. Как распределить товары между магазинами в зависимости от локации?
9. Как избежать каннибализации продаж между своими же точками?
Ценообразование и ассортимент
10. Как варьировать цены в разных районах (например, дороже в центре)?
11. Как адаптировать ассортимент под локальный спрос (гео-мерчандайзинг)?
12. Где размещать рекламу премиум-товаров?
Логистика и доставка
13. Как оптимизировать зоны доставки для снижения затрат?
14. Где открыть склад для минимального времени доставки?
15. Как спрогнозировать спрос в разных районах для управления запасами?
Вот такие задачи решают компании из ритейла, HoReCa, банковского сектора, логистики, e-commerce и госструктуры (например, при планировании городской инфраструктуры). Геомаркетинг — это не только про карты, а про прибыльные решения, основанные на данных.
P.S. Знаю, что отдельно курс геомаркетинга есть на геофаке ВШЭ, у меня, к сожалению, такой дисциплины не было. Познавала сама) Выше в канале рекомендовала открытые курсы по геоаналитике, которые мне помогли построить техническую базу в гео.
@urban_mash
Геомаркетинг на мой взгляд одна из самых прибыльных сфер сейчас (мб помимо geoAI) с учетом большого кол-ва заказчиков, которым надо развивать самые разные бизнесы оффлайн и онлайн (как гипер растущая сфера екома сейчас).
Хочу посоветовать на мой взгляд классную базовую книгу для каждого, кто только начинает развиваться в области решения локационных задач: Gérard Cliquet "Geomarketing: Methods and Strategies in Spatial". Пособие не столько практическое в плане написания конкретного скрипта под специфические данные, делаем скидку на то, что она 2006 года издания. Однако она поможет раскрыть и структурировать информацию по локационным задачам и потребительскому поведению в пространстве.
Совсем недавно я выступала на работе с решением классической задачи, которая в общем виде звучит "Где открыть бизнес?". Задача классическая, а решений и моделей может быть миллион. Перед тем как подступиться к гитхабам и разным адаптированным либам, советую хотя бы брифли ознакомиться с логикой решения геомаркетинговых задач. Сначала понимание - затем реализация.
А сам спектр вопросов, с которыми помогут методы из геомаркетинга очень широк.
Выбор местоположения
1. Где открыть новый магазин/кафе/склад, чтобы максимизировать поток клиентов?
2. Как определить зону покрытия (trade area) для существующей точки?
3. Где разместить новый филиал банка или АЗС с учетом конкуренции?
Анализ потребительского поведения
4. Откуда приезжают клиенты (анализ потоков)?
5. Как далеко люди готовы ехать за определенным товаром?
6. Как сегментировать аудиторию по географическим и поведенческим признакам?
Оптимизация розничной сети
7. Какие точки сети закрыть/перепрофилировать из-за низкой эффективности?
8. Как распределить товары между магазинами в зависимости от локации?
9. Как избежать каннибализации продаж между своими же точками?
Ценообразование и ассортимент
10. Как варьировать цены в разных районах (например, дороже в центре)?
11. Как адаптировать ассортимент под локальный спрос (гео-мерчандайзинг)?
12. Где размещать рекламу премиум-товаров?
Логистика и доставка
13. Как оптимизировать зоны доставки для снижения затрат?
14. Где открыть склад для минимального времени доставки?
15. Как спрогнозировать спрос в разных районах для управления запасами?
Вот такие задачи решают компании из ритейла, HoReCa, банковского сектора, логистики, e-commerce и госструктуры (например, при планировании городской инфраструктуры). Геомаркетинг — это не только про карты, а про прибыльные решения, основанные на данных.
P.S. Знаю, что отдельно курс геомаркетинга есть на геофаке ВШЭ, у меня, к сожалению, такой дисциплины не было. Познавала сама) Выше в канале рекомендовала открытые курсы по геоаналитике, которые мне помогли построить техническую базу в гео.
@urban_mash
👍20❤13🔥9👏2❤🔥1
Насчет GeoAI
Мне кажется, если специалист знает и географию, и анализ данных с ML, то он как будто даже более востребован на рынке или по крайней мере его зарплаты выше, нежели чем он знает что-то одно из этого или сосредоточился на геомаркетинге. Из физической географии недавно ко мне поступила задача "спрогнозировать эрозию почв в месте Х, чтобы понять, как прокладывать трубы с веществом Y", из соц-эк классическая задача для любой айти компании "Сколько через Х лет будет заказов/клиентов/прибыли по зонам Y?".
Чтобы было интереснее читать дальше, давайте примерно соберем, где востребована прогнозная геоаналитика (GeoAI):
1. Сельское хозяйство: прогноз урожайности, засух и урожайных зон по спутниковым и погодным данным.
2. ЧС и риски: прогноз наводнений, пожаров, распространения загрязнений.
3. Транспорт и логистика: предсказание трафика, оптимизация маршрутов, планирование общественного транспорта.
4. Ритейл и недвижимость: выбор лучших локаций для магазинов, складов, жилья с учетом динамики спроса и конкуренции.
5. Экология: прогноз изменений климата, водоемов, исчезновения лесов, “теплового острова” в городах.
Все вместе неплохо кст уживается под термином "городское планирование", город в самых разных смыслах нужно планировать на будущее)
Чтобы чуть-чуть пощупать сферу прогнозирования, можно ознакомиться с множеством готовых бесплатных сервисов/библиотек/репозиториев:
1. Raster Vision - deep learning по анализу спутниковых снимков
2. Solaris - аналитика снимков и разработка моделей для распознавания объектов инфраструктуры.
3. SpaceNet - наборы открытых данных и пайплайны для детекции зданий, дорог и т.д. на спутниковых снимках.
4. Sentinel Hub - API и сервисы для скачивания и анализа данных спутников Copernicus.
5. Google Earth Engine - удобная платформа для быстрой обработки больших объемов космических и картографических данных с ML и GIS.
6. TensorFlow - это открытая библиотека для машинного обучения от Гугла, но я часто натыкаюсь на ее использование в контексте геодаты. Вот пример как предсказать маршрут.
7. Lightgbm и catboost - наши любимые ML библиотеки) Тут про то, чем крут catboost для геодаты. Кстати, даже на сайте ESRI есть их описание и отличительные особенности.
А чтобы быть в курсе новостей в мире GeoAI я читаю пресс-релизы и интервью ребят из компаний Google Maps, Google Earth Engine, ESRI, HERE Technologies, IBM PAIRS Geoscope, SAP, TomTom, Maxar Technologies, AWS (Amazon Web Services), Mapbox и другие) Еще мне приходят уведомления из Geospatial World, где я была на форуме в Роттердаме в 2024 году.
P.S. Табличку-саммари сделала по интервью "How AI is Revolutionizing Geospatial Analysis" на сайте IGNESA.
@urban_mash
Мне кажется, если специалист знает и географию, и анализ данных с ML, то он как будто даже более востребован на рынке или по крайней мере его зарплаты выше, нежели чем он знает что-то одно из этого или сосредоточился на геомаркетинге. Из физической географии недавно ко мне поступила задача "спрогнозировать эрозию почв в месте Х, чтобы понять, как прокладывать трубы с веществом Y", из соц-эк классическая задача для любой айти компании "Сколько через Х лет будет заказов/клиентов/прибыли по зонам Y?".
Чтобы было интереснее читать дальше, давайте примерно соберем, где востребована прогнозная геоаналитика (GeoAI):
1. Сельское хозяйство: прогноз урожайности, засух и урожайных зон по спутниковым и погодным данным.
2. ЧС и риски: прогноз наводнений, пожаров, распространения загрязнений.
3. Транспорт и логистика: предсказание трафика, оптимизация маршрутов, планирование общественного транспорта.
4. Ритейл и недвижимость: выбор лучших локаций для магазинов, складов, жилья с учетом динамики спроса и конкуренции.
5. Экология: прогноз изменений климата, водоемов, исчезновения лесов, “теплового острова” в городах.
Все вместе неплохо кст уживается под термином "городское планирование", город в самых разных смыслах нужно планировать на будущее)
Чтобы чуть-чуть пощупать сферу прогнозирования, можно ознакомиться с множеством готовых бесплатных сервисов/библиотек/репозиториев:
1. Raster Vision - deep learning по анализу спутниковых снимков
2. Solaris - аналитика снимков и разработка моделей для распознавания объектов инфраструктуры.
3. SpaceNet - наборы открытых данных и пайплайны для детекции зданий, дорог и т.д. на спутниковых снимках.
4. Sentinel Hub - API и сервисы для скачивания и анализа данных спутников Copernicus.
5. Google Earth Engine - удобная платформа для быстрой обработки больших объемов космических и картографических данных с ML и GIS.
6. TensorFlow - это открытая библиотека для машинного обучения от Гугла, но я часто натыкаюсь на ее использование в контексте геодаты. Вот пример как предсказать маршрут.
7. Lightgbm и catboost - наши любимые ML библиотеки) Тут про то, чем крут catboost для геодаты. Кстати, даже на сайте ESRI есть их описание и отличительные особенности.
А чтобы быть в курсе новостей в мире GeoAI я читаю пресс-релизы и интервью ребят из компаний Google Maps, Google Earth Engine, ESRI, HERE Technologies, IBM PAIRS Geoscope, SAP, TomTom, Maxar Technologies, AWS (Amazon Web Services), Mapbox и другие) Еще мне приходят уведомления из Geospatial World, где я была на форуме в Роттердаме в 2024 году.
P.S. Табличку-саммари сделала по интервью "How AI is Revolutionizing Geospatial Analysis" на сайте IGNESA.
@urban_mash
🔥26❤7🦄4👍2
Личный пост про тригер на обесценивание
С самого детства мне приходится бороться за право быть там, где я хочу быть или нахожусь в моменте. Я привыкла с самого детства, что меня ценят не из-за того, что я есть, а из-за того, что я делаю, поэтому в какой-то момент я влюбилась в теорию категорического императива Канта и стала отчаянной гуманисткой. Прочитав маленький, но важный для городской антропологии трактат Зимелля "Большие города и духовная жизнь", я задумалась над знаком равенства между человеком и функцией.
И вот эта функциональность мне очень помогает, по крайней мере помогала, в работе. Я себя чувствую Ханной-Мантаной, "которая живееееет две жизни". На самом деле таких жизней у меня много, но как минимум действительно две: формальная рабочая сторона жизни и настоящая личная. Это главный пункт, почему я вообще начала вести тг-канал. Раньше я всякое полезное писала в Инстаграме/Фейсбуке. В моей голове сейчас это так устроено, но возможно будет меняться, что работа и личное - не пересекающиеся круги Эйлера. У меня нет друзей-коллег и я не работаю с друзьями.
Последние пару месяцев так получилось, что эти 2 сферы начали соприкасаться через эмоциональную грань. То, что происходит в рабочих отношениях сильно ранит мое личное и я начинаю реагировать так, как бы отреагировала на подобное в дружеских/романтических отношениях. В силу некоторых особенностей и прожитого негативного опыта у меня аллергия на любого рода "обесценивание". Фразы "ты не нужна", "у тебя нет уникальной экспертизы", "справимся без тебя", "да это легко было сделать" и подобное отношение вызывает у меня целый спектр интенсивных эмоций, который сложно сдержать.
Сейчас помимо денежного вознаграждения за работу (что супер маст, базис по Марксу) я бы хотела банально получать комментарии в духе "спасибо, ты молодец, круто". И вот за последние полгода подобное для меня значит очень много, я переживаю сложный период. Мне очень важно слышать "твоя работа нужна, твоя работа важна, классная модель". И если у тебя болит голова, это окей 1-2 дня полечить мигрень, а потом возобновить работу. Я понимаю и у меня нет иллюзий, что наемные работники - это функционал, это винтики в системе. Но без вот этой псих-эмоц поддержки мне лично довольно тяжело.
Прекраснейшая аналогия собственного производства пришла мне в голову, не судите строго) Это аналогично ONS. Оба стороны процесса встретились с четко определенной целью, но давай сделаем вид первые 1-2 часа, что мы друг другу интересны как люди, выпьем вино или кофе, а потом приступим к цели мероприятия. А потом давай даже если нам абсолютно плевать друг на друга утром скажем "блин, спасибо, классно провели ночь, хорошего дня!", а не молча уйдем.
Чтобы посмотреть, а не баес ли у меня и реально ли важны софтовые штуки, я залезла в вышкинские подписки на агрегаторы статей и perplexity.
Так вот.
1. Ресерч из American Journal of Preventive Medicine показал: выгорание сотрудников обходится компаниям в США в $4,000–$21,000 на одного сотрудника в год. Для компании с 1к сотрудников это в среднем $5 млн ежегодных потерь. Модель учитывает переход сотрудника от вовлеченности к выгоранию и увольнению, а также прямое влияние на прибыль.
2. Тут Roger J. Best, University of Central Missouri анализировали компании из списка Fortune "100 Best Companies to Work For". Фирмы с высокой удовлетворённостью сотрудников демонстрируют значительно более высокую рыночную оценку и производительность по сравнению с отраслевыми аналогами. Снижение удовлетворенности приводит к падению производительности и рыночной стоимости.
3. Насчет HR-практик:
а - По данным McKinsey (2024): компании с сильными HR-практиками в 2,5 раза чаще превосходят конкурентов по финансовым показателям.
б - Gallup (2023): высоко вовлечённые команды показывают на 21% большую прибыльность и на 41% меньше прогулов.
в - Стоимость замены одного сотрудника достигает 200% его годовой зарплаты, а общий ущерб от текучести кадров в США — $1 трлн в год.
Получается, важны и более того нужны!
@urban_mash
С самого детства мне приходится бороться за право быть там, где я хочу быть или нахожусь в моменте. Я привыкла с самого детства, что меня ценят не из-за того, что я есть, а из-за того, что я делаю, поэтому в какой-то момент я влюбилась в теорию категорического императива Канта и стала отчаянной гуманисткой. Прочитав маленький, но важный для городской антропологии трактат Зимелля "Большие города и духовная жизнь", я задумалась над знаком равенства между человеком и функцией.
И вот эта функциональность мне очень помогает, по крайней мере помогала, в работе. Я себя чувствую Ханной-Мантаной, "которая живееееет две жизни". На самом деле таких жизней у меня много, но как минимум действительно две: формальная рабочая сторона жизни и настоящая личная. Это главный пункт, почему я вообще начала вести тг-канал. Раньше я всякое полезное писала в Инстаграме/Фейсбуке. В моей голове сейчас это так устроено, но возможно будет меняться, что работа и личное - не пересекающиеся круги Эйлера. У меня нет друзей-коллег и я не работаю с друзьями.
Последние пару месяцев так получилось, что эти 2 сферы начали соприкасаться через эмоциональную грань. То, что происходит в рабочих отношениях сильно ранит мое личное и я начинаю реагировать так, как бы отреагировала на подобное в дружеских/романтических отношениях. В силу некоторых особенностей и прожитого негативного опыта у меня аллергия на любого рода "обесценивание". Фразы "ты не нужна", "у тебя нет уникальной экспертизы", "справимся без тебя", "да это легко было сделать" и подобное отношение вызывает у меня целый спектр интенсивных эмоций, который сложно сдержать.
Сейчас помимо денежного вознаграждения за работу (что супер маст, базис по Марксу) я бы хотела банально получать комментарии в духе "спасибо, ты молодец, круто". И вот за последние полгода подобное для меня значит очень много, я переживаю сложный период. Мне очень важно слышать "твоя работа нужна, твоя работа важна, классная модель". И если у тебя болит голова, это окей 1-2 дня полечить мигрень, а потом возобновить работу. Я понимаю и у меня нет иллюзий, что наемные работники - это функционал, это винтики в системе. Но без вот этой псих-эмоц поддержки мне лично довольно тяжело.
Прекраснейшая аналогия собственного производства пришла мне в голову, не судите строго) Это аналогично ONS. Оба стороны процесса встретились с четко определенной целью, но давай сделаем вид первые 1-2 часа, что мы друг другу интересны как люди, выпьем вино или кофе, а потом приступим к цели мероприятия. А потом давай даже если нам абсолютно плевать друг на друга утром скажем "блин, спасибо, классно провели ночь, хорошего дня!", а не молча уйдем.
Чтобы посмотреть, а не баес ли у меня и реально ли важны софтовые штуки, я залезла в вышкинские подписки на агрегаторы статей и perplexity.
Так вот.
1. Ресерч из American Journal of Preventive Medicine показал: выгорание сотрудников обходится компаниям в США в $4,000–$21,000 на одного сотрудника в год. Для компании с 1к сотрудников это в среднем $5 млн ежегодных потерь. Модель учитывает переход сотрудника от вовлеченности к выгоранию и увольнению, а также прямое влияние на прибыль.
2. Тут Roger J. Best, University of Central Missouri анализировали компании из списка Fortune "100 Best Companies to Work For". Фирмы с высокой удовлетворённостью сотрудников демонстрируют значительно более высокую рыночную оценку и производительность по сравнению с отраслевыми аналогами. Снижение удовлетворенности приводит к падению производительности и рыночной стоимости.
3. Насчет HR-практик:
а - По данным McKinsey (2024): компании с сильными HR-практиками в 2,5 раза чаще превосходят конкурентов по финансовым показателям.
б - Gallup (2023): высоко вовлечённые команды показывают на 21% большую прибыльность и на 41% меньше прогулов.
в - Стоимость замены одного сотрудника достигает 200% его годовой зарплаты, а общий ущерб от текучести кадров в США — $1 трлн в год.
Получается, важны и более того нужны!
@urban_mash
❤50❤🔥11🔥9👍1
LiDAR
Разбираюсь с лидарами на питоне. Помогают с библиотекой PDAL вот эти заметки. Рекомендую, там же внутри открытые источники данных.
Как-то у меня появилась задача посмотреть качество велодорожек в Германии. Это интересный формат данных (облака точек), которые широко используются в самых разных областях. От беспилотных автомобилей до оценки пожароустойчивости лесов.
https://blog.maptheclouds.com/learning/lidar-pdal-experiments-dublin
@urban_mash
Разбираюсь с лидарами на питоне. Помогают с библиотекой PDAL вот эти заметки. Рекомендую, там же внутри открытые источники данных.
Как-то у меня появилась задача посмотреть качество велодорожек в Германии. Это интересный формат данных (облака точек), которые широко используются в самых разных областях. От беспилотных автомобилей до оценки пожароустойчивости лесов.
https://blog.maptheclouds.com/learning/lidar-pdal-experiments-dublin
@urban_mash
MapTheClouds
LiDAR PDAL Experiments - Dublin - MapTheClouds
Those are my notes on taking some LiDAR data and testing different commands in PDAL. If you like, you can follow along using your own data. Most probably I’ll de adding or deleting stuff, but you can take a look…
❤15🔥7
Media is too big
VIEW IN TELEGRAM
Миграционный кризис
Кисин, известный публичный критик британской миграционной политики, недавно был у Дудя. Оказывается, Консантин, честно в этом признавшись, заканчивает свою "работу" или "миссию" на уровне громкого озвучивания проблемы. 2 основные претензий:
1) мигрантов и в частности беженцев слишком много (приводит историческую статистику кол-ва мигрантов за последние 30 лет);
2) мигранты и беженцы не интегрируются, они опасны.
У меня лично нет претензии к лишь озвучиванию проблем. Как меня учили на соцфаке: не надо спрашивать у местных жителей КАК построить классный парк, спросите КАКИЕ ЕСТЬ БОЛИ у местных жителей, а спроектировать парк - это ваша работа, а не их.
Поэтому спасибо Консатину Кисину за яркую критику. Я наблюдаю очевиднейшую миграционную проблему, например, в Германии, где я часто бываю. Правый крен на политической арене всего ЕС подтверждает массовое недовольство местных жителей. И если вопрос кол-ва беженцев/мигрантов в стране, которые нормально проходят пограничный контроль - это прерогатива федеральных правительств или надфедеральных (как например Евросоюз), то вопрос их интеграции вполне лежит в плоскости местных политик на уровне городов/агломераций. Кстати, риторика Кисина не допустима в устах реальных политиков, на мой взгляд. И нет, не потому, что "плохо быть против мигрантов, где ваша человечность, они в сложной ситуации". А потому, что политикам не достаточно обозначать проблемы, нужно уметь реалистично их решать. Это то, почему я отговаривала всех своих знакомых в Германии голосовать за АдГ. Это обычная право-популистская партия, но сейчас не об этом.
Вот мой ответ как урбаниста, что можно сделать с т.з. местных полиси, что поспособствовать интеграции мигрантов в местную культуру и сообщество:
1) социальное жилье + дисперсное расселение (scattered-site housing);
2) смешанное зонирование.
1. Социальное жильё
Муниципалитет может управлять тем, где и как предоставляется социальное жильё, чтобы не допускать концентрации выходцев одной страны в одном районе.
- Распределённое размещение — принцип расселения «рассеиванием» (scattered-site housing): социальное жилье размещается не в одном районе (гетто), а по всему городу, среди «разнообразных» кварталов. Условно: не 100 квартир в одном доме, а по нескольку квартир в разных жилых комплексах среди местных семей.
- При предоставлении жилья — смешивать семьи мигрантов и местное население, чтобы стимулировать межкультурное взаимодействие и снижения риска образования локальных анклавов.
2. Зонирование mixed use (многофункциональное зонирование)
Mixed use — это когда в одном районе располагаются разные типы построек: жилые дома, магазины, офисы, кафе, школы. Такая среда создаёт «пространства для встреч» и стихийного общения между жителями разного происхождения.
- Мигранты и беженцы, поселённые в mixed use районах, получают возможность контактировать с местными жителями в быту, на работе, проводя досуг.
- В отличие от «спальных» кварталов или пригородных гетто, mixed use районы способствуют формированию единой городской культуры через совместное использование общественного пространства.
Здесь очевидно встает вопрос, какое еще зонирование, какое еще предоставление социального жилья, если жилья ПРОСТО НЕТ. Дефицит жилья всегда вытекающая проблема жесткого градостроительного регулирования. Нужно находить баланс, меняя полиси под современные вызовы. Сейчас время, когда надо строить жилье)
Пару полезных статей на эту тематику
1) Refugee Integration in Urban Governance - Number Analytics
2) Refugee and Migrant Integration in Urban Spatial Structures and City Development: Case Study of Busan, South Korea
3) Working Together for Local Integration of Migrants and Refugees in Berlin
4) Working together for local integration of migrants and refugees
5) Can mixed land use promote social integration? Multiple mediator analysis based on spatiotemporal big data in Beijing
6) Housing for Migrants and Refugees in the UNECE Region
@urban_mash
Кисин, известный публичный критик британской миграционной политики, недавно был у Дудя. Оказывается, Консантин, честно в этом признавшись, заканчивает свою "работу" или "миссию" на уровне громкого озвучивания проблемы. 2 основные претензий:
1) мигрантов и в частности беженцев слишком много (приводит историческую статистику кол-ва мигрантов за последние 30 лет);
2) мигранты и беженцы не интегрируются, они опасны.
У меня лично нет претензии к лишь озвучиванию проблем. Как меня учили на соцфаке: не надо спрашивать у местных жителей КАК построить классный парк, спросите КАКИЕ ЕСТЬ БОЛИ у местных жителей, а спроектировать парк - это ваша работа, а не их.
Поэтому спасибо Консатину Кисину за яркую критику. Я наблюдаю очевиднейшую миграционную проблему, например, в Германии, где я часто бываю. Правый крен на политической арене всего ЕС подтверждает массовое недовольство местных жителей. И если вопрос кол-ва беженцев/мигрантов в стране, которые нормально проходят пограничный контроль - это прерогатива федеральных правительств или надфедеральных (как например Евросоюз), то вопрос их интеграции вполне лежит в плоскости местных политик на уровне городов/агломераций. Кстати, риторика Кисина не допустима в устах реальных политиков, на мой взгляд. И нет, не потому, что "плохо быть против мигрантов, где ваша человечность, они в сложной ситуации". А потому, что политикам не достаточно обозначать проблемы, нужно уметь реалистично их решать. Это то, почему я отговаривала всех своих знакомых в Германии голосовать за АдГ. Это обычная право-популистская партия, но сейчас не об этом.
Вот мой ответ как урбаниста, что можно сделать с т.з. местных полиси, что поспособствовать интеграции мигрантов в местную культуру и сообщество:
1) социальное жилье + дисперсное расселение (scattered-site housing);
2) смешанное зонирование.
1. Социальное жильё
Муниципалитет может управлять тем, где и как предоставляется социальное жильё, чтобы не допускать концентрации выходцев одной страны в одном районе.
- Распределённое размещение — принцип расселения «рассеиванием» (scattered-site housing): социальное жилье размещается не в одном районе (гетто), а по всему городу, среди «разнообразных» кварталов. Условно: не 100 квартир в одном доме, а по нескольку квартир в разных жилых комплексах среди местных семей.
- При предоставлении жилья — смешивать семьи мигрантов и местное население, чтобы стимулировать межкультурное взаимодействие и снижения риска образования локальных анклавов.
2. Зонирование mixed use (многофункциональное зонирование)
Mixed use — это когда в одном районе располагаются разные типы построек: жилые дома, магазины, офисы, кафе, школы. Такая среда создаёт «пространства для встреч» и стихийного общения между жителями разного происхождения.
- Мигранты и беженцы, поселённые в mixed use районах, получают возможность контактировать с местными жителями в быту, на работе, проводя досуг.
- В отличие от «спальных» кварталов или пригородных гетто, mixed use районы способствуют формированию единой городской культуры через совместное использование общественного пространства.
Здесь очевидно встает вопрос, какое еще зонирование, какое еще предоставление социального жилья, если жилья ПРОСТО НЕТ. Дефицит жилья всегда вытекающая проблема жесткого градостроительного регулирования. Нужно находить баланс, меняя полиси под современные вызовы. Сейчас время, когда надо строить жилье)
Пару полезных статей на эту тематику
1) Refugee Integration in Urban Governance - Number Analytics
2) Refugee and Migrant Integration in Urban Spatial Structures and City Development: Case Study of Busan, South Korea
3) Working Together for Local Integration of Migrants and Refugees in Berlin
4) Working together for local integration of migrants and refugees
5) Can mixed land use promote social integration? Multiple mediator analysis based on spatiotemporal big data in Beijing
6) Housing for Migrants and Refugees in the UNECE Region
@urban_mash
❤23🤔16🔥4🦄2👏1
This media is not supported in your browser
VIEW IN TELEGRAM
Современные AI для урбанистов и архитекторов📍
AI-визуализация и концепты
1. Midjourney (Подписка)
Генерирует фотореалистичные и концептуальные изображения архитектуры по текстовым запросам, отлично подходит для поиска идей и презентаций.
2. ArchiVinci (Бесплатно/подписка)
Позволяет создавать детализированные и креативные архитектурные концепции, ускоряет этап прототипирования и генерации визуализаций.
3. Gendo (Бесплатно/подписка)
Быстрый инструмент для CGI-визуализации зданий, полезен на ранних стадиях проектирования и для эффектных презентаций.
4. PromeAI (Бесплатно/подписка)
AI-платформа для поиска нестандартных архитектурных форм и инновационных планировочных решений на основе машинного обучения.
5. Archicad AI Visualizer (Требуется лицензия Archicad)
Плагин для Archicad, превращающий концепт-арты и скетчи в детализированные 3D-визуализации на базе Stable Diffusion.
AI для планов и массинга
1. TestFit (Подписка, демо/триал возможен)
Автоматически разрабатывает варианты застройки с учетом норм, парковки и потоков, идеален для предпроектного анализа участков.
2. Maket / Maket.ai (Бесплатно/подписка)
Генерирует различные планировки жилых домов, учитывает стиль, нормативы, дает советы по материалам.
3. Finch (Подписка)
Генеративный ассистент для архитектора: динамично оптимизирует планы и конфигурации помещений при изменении параметров.
4. ARCHITEChTURES (Подписка, демо/триал возможен)
Платформа для быстрой генерации и многокритериальной оптимизации зданий с автоматизацией анализа реализуемости и норм.
5. Ark Design (Бесплатно/подписка)
Создает схемы планировок, 3D-визуализации и приблизительный расчет стоимости по заданным критериям эффективности.
BIM и автоматизация с AI
1. Veras (Бесплатно/подписка)
Интегрируется с CAD/BIM-платформами, превращая 3D-модели в высококачественные визуализации с помощью AI.
2. BricsCAD BIM (30 дней бесплатно, далее подписка)
AI ускоряет BIM-процессы: автоматическое определение и классификация элементов строения, генерация документации, поддержка популярных CAD-форматов.
AI-анализ участков и городской среды
1. Autodesk Forma (ex-Spacemaker) (30 дней бесплатно, далее подписка)
Платформа для комплексного моделирования городской среды: анализ участка, плотность, транспорт, экология, сценарное планирование. Интеграция с BIM и коллаборативная работа.
2. Archistar (Бесплатно/подписка)
Автоматизирует анализ участков, проверку градостроительных норм и быстро генерирует варианты застройки сложных территорий.
3. Sidewalk Labs (Корпоративный доступ)
Анализирует данные сенсоров, трафик, шум и качество окружающей среды для оптимизации городских территорий и повышения качества среды.
4. DBF Engine (Корпоративный доступ, лист ожидания)
AI-платформа для урбанистов: быстрое прототипирование и моделирование сценариев развития городов с использованием открытых данных.
5. ALICE Technologies (Корпоративный доступ)
Автоматизированное составление и оптимизация графиков строительства и инфраструктурных проектов на основе анализа 3D-моделей и ресурсов.
6. Cove Tool (Подписка, демо/триал возможен)
Обеспечивает автоматизированный анализ устойчивости, энергоэффективности и экологичности зданий и кварталов на основе AI.
P.S. Я попробовала несколько демо версий, больше всего впечатлилась Sidewalk Labs за счет реальных городских данных от Гугла. Она использует машинное обучение для анализа данных сенсоров (трафик, шум, качество воздуха) и оптимизации городских территорий. Также позволяет генерировать тысячи вариантов планировки кварталов с учетом качества среды, плотности, инсоляции и других параметров. На платформу выходило даже пару обзоров (что интересно, это 2020 и 2022 год, т.е. платформа работает с самого начала выхода нейронок). Но самая популярная сейчас платформа Autodesk Forma, интегрируется с Ревитом, поддерживает совместную работу команд, автоматизирует рутину. Ее используют Baker Barrios Architects, Arcadis, шведские муниципалитеты, Gray Puksand и другие.
@urban_mash
AI-визуализация и концепты
1. Midjourney (Подписка)
Генерирует фотореалистичные и концептуальные изображения архитектуры по текстовым запросам, отлично подходит для поиска идей и презентаций.
2. ArchiVinci (Бесплатно/подписка)
Позволяет создавать детализированные и креативные архитектурные концепции, ускоряет этап прототипирования и генерации визуализаций.
3. Gendo (Бесплатно/подписка)
Быстрый инструмент для CGI-визуализации зданий, полезен на ранних стадиях проектирования и для эффектных презентаций.
4. PromeAI (Бесплатно/подписка)
AI-платформа для поиска нестандартных архитектурных форм и инновационных планировочных решений на основе машинного обучения.
5. Archicad AI Visualizer (Требуется лицензия Archicad)
Плагин для Archicad, превращающий концепт-арты и скетчи в детализированные 3D-визуализации на базе Stable Diffusion.
AI для планов и массинга
1. TestFit (Подписка, демо/триал возможен)
Автоматически разрабатывает варианты застройки с учетом норм, парковки и потоков, идеален для предпроектного анализа участков.
2. Maket / Maket.ai (Бесплатно/подписка)
Генерирует различные планировки жилых домов, учитывает стиль, нормативы, дает советы по материалам.
3. Finch (Подписка)
Генеративный ассистент для архитектора: динамично оптимизирует планы и конфигурации помещений при изменении параметров.
4. ARCHITEChTURES (Подписка, демо/триал возможен)
Платформа для быстрой генерации и многокритериальной оптимизации зданий с автоматизацией анализа реализуемости и норм.
5. Ark Design (Бесплатно/подписка)
Создает схемы планировок, 3D-визуализации и приблизительный расчет стоимости по заданным критериям эффективности.
BIM и автоматизация с AI
1. Veras (Бесплатно/подписка)
Интегрируется с CAD/BIM-платформами, превращая 3D-модели в высококачественные визуализации с помощью AI.
2. BricsCAD BIM (30 дней бесплатно, далее подписка)
AI ускоряет BIM-процессы: автоматическое определение и классификация элементов строения, генерация документации, поддержка популярных CAD-форматов.
AI-анализ участков и городской среды
1. Autodesk Forma (ex-Spacemaker) (30 дней бесплатно, далее подписка)
Платформа для комплексного моделирования городской среды: анализ участка, плотность, транспорт, экология, сценарное планирование. Интеграция с BIM и коллаборативная работа.
2. Archistar (Бесплатно/подписка)
Автоматизирует анализ участков, проверку градостроительных норм и быстро генерирует варианты застройки сложных территорий.
3. Sidewalk Labs (Корпоративный доступ)
Анализирует данные сенсоров, трафик, шум и качество окружающей среды для оптимизации городских территорий и повышения качества среды.
4. DBF Engine (Корпоративный доступ, лист ожидания)
AI-платформа для урбанистов: быстрое прототипирование и моделирование сценариев развития городов с использованием открытых данных.
5. ALICE Technologies (Корпоративный доступ)
Автоматизированное составление и оптимизация графиков строительства и инфраструктурных проектов на основе анализа 3D-моделей и ресурсов.
6. Cove Tool (Подписка, демо/триал возможен)
Обеспечивает автоматизированный анализ устойчивости, энергоэффективности и экологичности зданий и кварталов на основе AI.
P.S. Я попробовала несколько демо версий, больше всего впечатлилась Sidewalk Labs за счет реальных городских данных от Гугла. Она использует машинное обучение для анализа данных сенсоров (трафик, шум, качество воздуха) и оптимизации городских территорий. Также позволяет генерировать тысячи вариантов планировки кварталов с учетом качества среды, плотности, инсоляции и других параметров. На платформу выходило даже пару обзоров (что интересно, это 2020 и 2022 год, т.е. платформа работает с самого начала выхода нейронок). Но самая популярная сейчас платформа Autodesk Forma, интегрируется с Ревитом, поддерживает совместную работу команд, автоматизирует рутину. Ее используют Baker Barrios Architects, Arcadis, шведские муниципалитеты, Gray Puksand и другие.
@urban_mash
Please open Telegram to view this post
VIEW IN TELEGRAM
❤25🔥19❤🔥6
В последнее время стараюсь исследовать даже неочевидные сферы, где могут требоваться мои знания и навыки) Одна из них - ФУТБОЛ! (вау ахах)
⚽️ Как геоаналитика меняет футбол
Геоинформационные системы (ГИС) и геоаналитика всё активнее используются в профессиональном футболе. Вот как они работают на практике:
– Анализ тактики и перемещений:
Клубы используют GPS-трекеры и высокоточные датчики, чтобы отслеживать позиции игроков, оценивать схемы, точность передач и передвижения по полю.
– Оценка "off-the-ball" действий:
C помощью ГИС можно моделировать зоны контроля игроков и оценивать выгодность их перемещений без мяча, что напрямую связано с результативностью команды.
– Реальное время и GNSS:
Современные системы позволяют тренерам видеть подробную тактическую картину матча в реальном времени с точностью до 50 см — это помогает принимать важные решения прямо по ходу игры.
How GIS can be used to improve football game – LinkedIn
Off-the-ball offensive movement in football – MSc Thesis
GIS-based Football Game Analysis – ICC Proceedings (PDF)
Real-Time Tactical Analysis with GNSS – Scitepress
Game Analysis: GIS & Football – Geography Realm
Data analytics in the football industry – Taylor & Francis
GIS Mapping in Sports – Sport England
GIS In Sports Analytics – Reddit
Geovisualisation of Football Players Movement – Thesis
Data Science in Football – Saarland University (PDF)
@urban_mash
⚽️ Как геоаналитика меняет футбол
Геоинформационные системы (ГИС) и геоаналитика всё активнее используются в профессиональном футболе. Вот как они работают на практике:
– Анализ тактики и перемещений:
Клубы используют GPS-трекеры и высокоточные датчики, чтобы отслеживать позиции игроков, оценивать схемы, точность передач и передвижения по полю.
– Оценка "off-the-ball" действий:
C помощью ГИС можно моделировать зоны контроля игроков и оценивать выгодность их перемещений без мяча, что напрямую связано с результативностью команды.
– Реальное время и GNSS:
Современные системы позволяют тренерам видеть подробную тактическую картину матча в реальном времени с точностью до 50 см — это помогает принимать важные решения прямо по ходу игры.
How GIS can be used to improve football game – LinkedIn
Off-the-ball offensive movement in football – MSc Thesis
GIS-based Football Game Analysis – ICC Proceedings (PDF)
Real-Time Tactical Analysis with GNSS – Scitepress
Game Analysis: GIS & Football – Geography Realm
Data analytics in the football industry – Taylor & Francis
GIS Mapping in Sports – Sport England
GIS In Sports Analytics – Reddit
Geovisualisation of Football Players Movement – Thesis
Data Science in Football – Saarland University (PDF)
@urban_mash
🔥26👍5❤3😢1
Индексы Морана
В своей работе я часто сталкиваюсь с геопрогнозированием. Перед тем, как начать строить модель в случае с пространственными данными необходимо убедиться, есть ли вообще пространственные автокорреляции, стоит ли вообще добавлять пространственные признаки.Далеко не всегда бизнесу нужны пространственные модели . Здесь на помощь приходят индексы Морана, давайте разбираться.
Глобальный и локальный
Глобальный индекс Морана оценивает общую (глобальную) степень кластеризации или дисперсии значений по всей территории или набору пространственных объектов. Он показывает, есть ли в данных пространственная автокорреляция в целом: например, сгруппированы ли высокие значения вместе, или данные случайно распределены. Значение индекса варьируется от -1 (полная дисперсия) до +1 (сильная кластеризация), при нуле — случайное распределение. Глобальный индекс позволяет понять общую пространственную структуру данных и выявить крупные кластеры.
Локальный индекс Морана (LISA) измеряет пространственную автокорреляцию на уровне отдельных объектов или территорий, выявляя локальные кластеры и аномалии. Он показывает, насколько значение в конкретной точке похоже (или отличается) от значений в соседних точках. LISA помогает обнаружить «горячие точки» (hot spots) и «холодные точки» (cold spots), а также локальные аномалии, которые не видны при глобальном анализе.
В геопрогнозировании на практике чаще используется локальный
Высокий локальный Моран свидетельствует о локальной пространственной автокорреляции. Это значит, что в модели прогнозирования полезно:
1) добавлять пространственные признаки (например, средние значения по соседям, spatial lag)
2) использовать пространственно-информированные алгоритмы (geospatial regression, GNN, ConvLSTM).
Если локального Морана нет → район статистически не похож на своих соседей, пространственные методы и фичи тут помогают мало. Нет глобального Морана — вся карта как "шум": пространство ни на что не влияет, пространственные группировки не работают.
Довольно понятно на примерах объяснено на сайте ArcGis: тык и тык.
Но чтобы переходить к вопросу, включать гео фичи, не включать в модель, супер маст разобраться вообще с моделированием, как работают предсказания. Мне в этом смысле повезло, так как в Яндекс.Лавке у меня группа "геоаналитики и прогнозирования". Мы часто работали вместе с Сашей Исаковым, хардовым ML-щиком, который мне объяснял концептуально, что мы делаем и отвечал на порой мои глупые вопросы про временные ряды) У Саши есть канал - можете заглянуть, он собрал супер большую базу по входу в ML для новичков и не только.
@urban_mash
В своей работе я часто сталкиваюсь с геопрогнозированием. Перед тем, как начать строить модель в случае с пространственными данными необходимо убедиться, есть ли вообще пространственные автокорреляции, стоит ли вообще добавлять пространственные признаки.
Глобальный и локальный
Глобальный индекс Морана оценивает общую (глобальную) степень кластеризации или дисперсии значений по всей территории или набору пространственных объектов. Он показывает, есть ли в данных пространственная автокорреляция в целом: например, сгруппированы ли высокие значения вместе, или данные случайно распределены. Значение индекса варьируется от -1 (полная дисперсия) до +1 (сильная кластеризация), при нуле — случайное распределение. Глобальный индекс позволяет понять общую пространственную структуру данных и выявить крупные кластеры.
Локальный индекс Морана (LISA) измеряет пространственную автокорреляцию на уровне отдельных объектов или территорий, выявляя локальные кластеры и аномалии. Он показывает, насколько значение в конкретной точке похоже (или отличается) от значений в соседних точках. LISA помогает обнаружить «горячие точки» (hot spots) и «холодные точки» (cold spots), а также локальные аномалии, которые не видны при глобальном анализе.
В геопрогнозировании на практике чаще используется локальный
Высокий локальный Моран свидетельствует о локальной пространственной автокорреляции. Это значит, что в модели прогнозирования полезно:
1) добавлять пространственные признаки (например, средние значения по соседям, spatial lag)
2) использовать пространственно-информированные алгоритмы (geospatial regression, GNN, ConvLSTM).
Если локального Морана нет → район статистически не похож на своих соседей, пространственные методы и фичи тут помогают мало. Нет глобального Морана — вся карта как "шум": пространство ни на что не влияет, пространственные группировки не работают.
Довольно понятно на примерах объяснено на сайте ArcGis: тык и тык.
Но чтобы переходить к вопросу, включать гео фичи, не включать в модель, супер маст разобраться вообще с моделированием, как работают предсказания. Мне в этом смысле повезло, так как в Яндекс.Лавке у меня группа "геоаналитики и прогнозирования". Мы часто работали вместе с Сашей Исаковым, хардовым ML-щиком, который мне объяснял концептуально, что мы делаем и отвечал на порой мои глупые вопросы про временные ряды) У Саши есть канал - можете заглянуть, он собрал супер большую базу по входу в ML для новичков и не только.
@urban_mash
🔥15❤10👍6
Geospatial Community of Serbia Meetup
Недавно меня пригласили на мероприятие от foursquare, где собрались геоаналитики Сербии)
Особенно запомнился рассказ ex-яндексоида Никиты Киселева про машинное обучение в проекте "Идеи" Я.Карт и основателя Mile Techonoliges Милоша Златковича про локационные задачи в деливери бизнесах.
Кстати, я завела Linkedin, подписывайтесь)
www.linkedin.com/in/marija-ercegovac
@urban_mash
Недавно меня пригласили на мероприятие от foursquare, где собрались геоаналитики Сербии)
Особенно запомнился рассказ ex-яндексоида Никиты Киселева про машинное обучение в проекте "Идеи" Я.Карт и основателя Mile Techonoliges Милоша Златковича про локационные задачи в деливери бизнесах.
Кстати, я завела Linkedin, подписывайтесь)
www.linkedin.com/in/marija-ercegovac
@urban_mash
🦄9❤3🔥1