Undersøgelse finder, at online restaurantinformation kan forudsige vigtige nabolagsindikatorer

Lejlighedssøgende i storbyer bruger ofte tilstedeværelsen af ​​restauranter til at afgøre, om et kvarter ville være et godt sted at bo. Det viser sig, at der er meget bag denne tommelfingerregel:MIT bystudier har nu fundet ud af, at i Kina, restaurantdata kan bruges til at forudsige nøglesocioøkonomiske egenskaber i kvarterer.

Ja, ved hjælp af online restaurantdata, siger forskerne, de kan effektivt forudsige et kvarters dagbefolkning, nattebefolkning, antallet af virksomheder beliggende i det, og størrelsen af ​​det samlede forbrug i nabolaget.

"Restaurantbranchen er en af ​​de mest decentraliserede og deregulerede lokale forbrugsbrancher, " siger Siqi Zheng, en urban studies professor ved MIT og medforfatter til et nyt papir, der skitserer resultaterne. "Det er stærkt korreleret med lokale socioøkonomiske egenskaber, ligesom befolkning, rigdom, og forbrug."

Brug af restaurantdata som en proxy for andre økonomiske indikatorer kan have et praktisk formål for byplanlæggere og politiske beslutningstagere, siger forskerne. I Kina, som mange steder, en folketælling tages kun en gang om året, og det kan være svært at analysere dynamikken i en bys stadigt skiftende områder hurtigere. Således kan nye metoder til at kvantificere boligniveauer og økonomisk aktivitet hjælpe med at vejlede byens embedsmænd.

"Selv uden folketællingsdata, vi kan forudsige en række af et kvarters egenskaber, hvilket er meget værdifuldt, " tilføjer Zheng, hvem er Samuel Tak Lee lektor i ejendomsudvikling og entreprenørskab, og fakultetsdirektør for MIT China Future City Lab.

"I dag er der en stor dataforskel, "siger Carlo Ratti, direktør for MIT's Senseable City Lab, og en medforfatter af papiret. "Data er afgørende for bedre at forstå byer, men mange steder har vi ikke mange [officielle] data. På samme tid, vi har flere og flere data genereret af apps og websteder. Hvis vi bruger denne metode, kan vi forstå socioøkonomiske data i byer, hvor de ikke indsamler data."

Papiret, "Forudsiger kvarterers socioøkonomiske egenskaber ved hjælp af restaurantdata, " vises i Proceedings of the National Academy of Sciences . Forfatterne er Zheng, hvem er den tilsvarende forfatter; Ratti; og Lei Dong, en postdoc afholdt af MIT China Future City Lab og Senseable City Lab.

Undersøgelsen ser nærmere på ni byer i Kina:Baoding, Beijing, Chengdu, Hengyang, Kunming, Shenyang, Shenzen, Yueyang, og Zhengzhou. For at gennemføre undersøgelsen, forskerne udtog restaurantdata fra webstedet Dianping, som de beskriver som den kinesiske ækvivalent til Yelp, den engelsksprogede virksomhedsanmeldelserside.

Ved at matche Dianping-dataene med pålidelige, eksisterende data for disse byer – inklusive anonymiserede og aggregerede mobiltelefonplaceringsdata fra 56,3 millioner mennesker, bankkortoplysninger, virksomhedsregistreringsregistre, og nogle folketællingsdata - forskerne fandt ud af, at de kunne forudsige 95 procent af variationen i dagbefolkningen mellem kvarterer. De forudsagde også 95 procent af variationen i nattebefolkningen, 93 procent af variationen i antallet af virksomheder, og 90 procent af variationen i forbrugernes forbrug.

"Vi har brugt nye offentligt tilgængelige data og udviklet nye dataforøgelsesmetoder til at løse disse byproblemer, " siger Dong, der tilføjer, at undersøgelsens model er et "nyt bidrag til [brugen af] både datavidenskab til samfundets bedste, og big data til byøkonomiske samfund."

Forskerne bemærker, at dette er en mere nøjagtig proxy til at estimere demografisk og økonomisk aktivitet på nabolagsniveau end andre tidligere anvendte metoder. For eksempel, andre forskere har brugt satellitbilleder til at beregne mængden af ​​nattelys i byer, og til gengæld brugte mængden af ​​lys til at estimere aktivitet på kvarterniveau. Selvom denne metode klarer sig godt for befolkningsestimater, restaurantdatametoden er generelt bedre, og meget bedre til at estimere forretningsaktivitet og forbrugerforbrug.

Zheng siger, at hun føler sig "sikker" på, at forskernes model kan anvendes på andre kinesiske byer, fordi den allerede viser god forudsigelseskraft på tværs af byer. Men forskerne mener også, at den metode, de brugte - som bruger maskinlæringsteknikker til at nulstille signifikante sammenhænge - potentielt kan anvendes til byer over hele kloden.

"Disse resultater indikerer, at restaurantdata kan fange almindelige indikatorer for socioøkonomiske resultater, og disse fællestræk kan overføres ... med rimelig nøjagtighed i byer, hvor undersøgelsesresultater ikke observeres, " fastslår forskerne i avisen.

Som de lærde erkender, deres undersøgelse observerede sammenhænge mellem restaurantdata og kvarterskarakteristika, frem for at specificere de nøjagtige årsagsmekanismer på arbejdet. Ratti bemærker, at årsagssammenhængen mellem restauranter og nabolagskarakteristika kan løbe begge veje:Nogle gange kan restauranter fylde efterspørgslen i et allerede blomstrende område, mens deres tilstedeværelse på andre tidspunkter er et varsel om fremtidig udvikling.

"Der er altid [både] et skub og et træk" mellem restauranter og kvarterudvikling, siger Ratti. "Men vi viser, at de socioøkonomiske data er meget godt afspejlet i restaurantlandskabet, i de byer, vi kigger på. Det interessante er, at dette ser ud til at være så godt som en proxy."

Zheng siger, at hun håber, at flere forskere vil tage fat på metoden, som i princippet kunne anvendes på mange emner i bystudier.

"Selv restaurantdata, såvel som mangfoldigheden af ​​nabolagsegenskaber, det forudsiger, kan hjælpe andre forskere med at studere alle former for byspørgsmål, hvilket er meget værdifuldt, " siger Zheng.