Сбор и обработка пространственных данных для решения задач размещения и планирования

Актуальность статьи состоит в необходимости использования качественных пространственных данных для решения задачи размещения объектов торговли и инфраструктуры в условиях ограниченной доступности открытых геоаналитических источников. Целью исследования является разработка и систематизация подходов к сбору, обработке и агрегации пространственных данных из различных источников для последующего построения экономико-м атематических моделей в рамках решения поставленной задачи. В статье рассмотрены основные типы пространственных данных: сведения о домохозяйствах (ГИС ЖКХ), стоимости недвижимости (Авито недвижимость), зданиях и дорожной сети (OpenStreetMap), организациях и конкуренции (Яндекс Карты), а также о пешеходном и автомобильном трафике и социально- демографической структуре населения (Яндекс Геоаналитика). Для каждого источника описан процесс получения данных, необходимые инструменты и методы обработки, обеспечивающие пространственную привязку и возможность расчета факторов в заданных радиусах. Практическая значимость. Предложенный в исследовании подход позволяет формировать богатое пространство объясняющих переменных для моделирования экономических показателей локаций. Выявленные факторы будут использованы в дальнейших работах для сравнительного анализа результатов моделирования.

1. Dibb S., Simkin L. Retail store performance model the impact of own‑branch “friendly fire”. International Transactions in Operational Research. 1994;1(4):479‑487. DOI: 10.1111/j.1475‑3995.1994.00324.x

2. Satman M. H., Altunbey M. Selecting Location of Retail Stores Using Artificial Neural Networks and Google Places API. International Journal of Statistics and Probability. 2014;3(1):67‑77. DOI: 10.5539/ijsp.v3n1p67

3. Xu M., Wang T., Wu Z., Zhou J., Li J., Wu H. Demand driven store site selection via multiple spatial‑temporal data. SIGSPATIAL ‘16: Proceedings of the 24th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. 2016;(40):1‑10. DOI: 10.1145/2996913.2996996

4. Karamshuk D., Noulas A., Scellato S., Nicosia V., Mascolo C. Geo‑spotting: Mining online location‑ based services for optimal retail store placement. KDD ‘13: Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. 2013:793‑801. DOI: 10.1145/2487575.2487616

5. Roig‑Tierno N., Baviera‑Puig A., Buitrago‑Vera J., Mas‑Verdu F. The retail site location process using GIS and the analytical hierarchy process. Applied Geography. 2013;(40):191‑198. DOI: 10.1016/j.apgeog.2013.03.005

6. Cheng E., Li H., Yu L. A GIS approach to shopping mall location selection. Building and Environment. 2007;42(2):884‑892. DOI: 10.1016/j.buildenv.2005.10.010

7. Xue C., Ju Y., Li S., Zhou Q., Liu Q. Research on accurate house price analysis by using GIS technology and transport accessibility: A case study of Xi’an, China. Symmetry. 2020;12(8):1329‑1350. DOI: 10.3390/sym12081329

8. Moser C. A., Scott W. British towns: A statistical study of their social and economic differences. Edinburgh and London: Oliver & Boyd; 1961. 169 p.

9. Coates D., Doherty N., French A., Kirkup M. Neural networks for store performance forecasting: An empirical comparison with regression techniques. The International Review of Retail, Distribution and Consumer Research. 1995;5(4):415‑432. DOI: 10.1080/09593969500000024

10. Qu Y., Zhang J. Trade area analysis using user generated mobile location data. WWW ‘13: Proceedings of the 22nd international conference on World Wide Web. 2013:1053‑1064. DOI: 10.1145/2488388.2488480