Страница не найдена

Как урбанисты исследуют мобильность горожан

, Среда
Переводчик Ольга Балцату

Аналитик городских данных Анна Львова рассказывает, зачем следить за перемещениями людей в городах.

Фото: Istockphoto.com

Транспортная аналитика — одна из самых трудных и закрытых тем в урбанистике. Она включает в себя много расчётов, метрик и математических моделей, поэтому выполняется узкими специалистами по заказу других узких специалистов и считается малоинтересной для широкой публики. Однако в последнее время всё чаще появляются исследования, ориентированные как на профессиональных транспортников, так и на обычных людей, и доступные каждому. Среди таких примеров — «Дом — работа, работа — дом» «Яндекса» или Movement Uber. Как к подобным исследованиям относятся представители городских властей, академической среды и независимые исследователи? Strelka Magazine попросил выпускницу «Стрелки», аналитика городских данных в компании Habidatum Анну Львову рассказать, какие у этих исследований преимущества и ограничения и почему подобных работ будет становиться всё больше.

 

Как За Транспортом Следят В Москве

В урбанистике большие данные, как можно догадаться из названия, дают представление о гораздо большем количестве людей, чем раньше можно было представить. Социологические методы — интервью, анкеты или наблюдение — не могут себе позволить такого охвата. Старые количественные исследования долги, дороги и ограничены территорией или временем: можно опросить всех жителей города, что они покупают, и совершенно упустить спрос маятниковых мигрантов. Или сделать замер пешеходного трафика каждые два часа и упустить аномалию внутри этого временного промежутка.

Для изучения мобильности и активности населения традиционно использовали перепись населения, информацию о покупке недвижимости и регистрации фирм. В России подобных наработок совсем мало по понятным причинам: в Советском Союзе не могло быть и речи о тех объёмах внутренней миграции, которая существовала в Америке или Европе, поэтому её и не изучали столь пристально. Но у этой ситуации есть и преимущества. Отсутствие привычного инструментария делает города более открытыми новым технологиям, ведь можно перескочить определённые этапы развития.

«В Москве одна из самых продвинутых в Европе интеллектуальная транспортная система. У города есть две транспортные модели: статическая и динамическая. Последняя включает в себя множество данных, которые в режиме реального времени поступают в Ситуационный центр ЦОДД и показывают, как происходит движение в городе в конкретный момент времени.

В целом есть много параметров, которые транспортники изучают и мониторят. Для анализа транспортного спроса чаще всего используют так называемые матрицы корреспонденций (origin-destination matrices). В самом простом виде это таблица, в которой обозначены районы отправления, прибытия и количество перемещений между ними. Чтобы понять транспортную доступность того или иного района, используют метод изохрон: для точки или целого района оценивается время в пути на том или ином транспорте и картографируется. Мы пользовались этим при планировании маршрутной сети „Магистраль“. Можно измерять интенсивность потока, то есть концентрацию людей и загрузку разных участков улично-дорожной сети. Например, вы знаете, что на Тверской образуется пробка в 10 утра, но не знаете, откуда и куда все эти люди едут.

1 / 3

Основной источник информации о движении московского транспорта в Москве — камеры и датчики / фото: transport.mos.ru

2 / 3

Изохроны показывают, как далеко можно уехать из заданной точки за 30 минут / источник: mos.ru

3 / 3

В самом простом виде матрица корреспонденций это таблица, в которой обозначены районы отправления, прибытия и количество перемещений между ними

Гораздо сложнее понять, сколько людей и каким видом транспорта пользуются. Для этого до сих пор используются соцопросы. Это очень дорого, так как для крупного города нужна соответствующая выборка. В Москве подобный опрос проводили три раза, последний — в 2015 году. Если говорить о том, чего транспортникам не хватает, то это координации между разными типами данных. Например, по использованию метро или наземного транспорта. Мы не видим этих данных в режиме реального времени, не можем сравнить с автомобильными потоками, хотя вся инфраструктура для этого есть. Грубо говоря, сейчас данных больше, чем понимания того, что с ними делать. А ещё очень не хватает хороших автоматизированных данных по пешеходным перемещениям».

 

Кто, Кроме Учёных, Анализирует Большие Данные

Московскую транспортную модель питают несколько источников данных. Основной — собственные датчики и камеры ЦОДД, расставленные по всему городу, дополнительный — жилищно-коммунальная техника, автобусы, парктроны, которые фиксируют нарушения парковки. Кроме того, власти договорились с сервисами такси Uber, «Яндекс.Такси» и Gett и получают от них обезличенные данные. В мире подобная практика не распространена. Американские власти долго пытались обязать местные такси-сервисы вроде Uber и Lyft отдавать свои данные на службу городу.

 

Uber: Всем или никому

Американский Uber отказывался от сотрудничества и долго выяснял свои отношения с властями в суде. И вот компания нашла третий путь — делиться данными со всеми. Она запустила сервис Movement, в котором отображается статистика перемещений такси. Сервис показывает, как со временем меняется загруженность дорог. Можно выбрать район старта и финиша, и Movement покажет, сколько времени занимает поездка: в этот момент или в среднем за какой-то промежуток времени. Сейчас к сервису нужно запрашивать доступ, но скоро его обещают сделать полностью публичным, а пока можно ознакомиться с несколькими проектами. Информация, которая там показана, — это те самые матрицы корреспонденций, красиво визуализированные. Кроме того, в них присутствует временной фактор, что делает эту информацию крайне ценной (особенно с учётом того, что, в отличие от транспортных планировщиков, Uber получает эту информацию бесплатно).

1 / 4

Источник: Techcrunch.com

2 / 4

Источник: Uber

3 / 4

Источник: Techcrunch.com

4 / 4

Источник: Techcrunch.com

 

«Яндекс»: От транспорта к градостроительству

В декабре 2016 года «Яндекс» опубликовал исследование «Дом — работа, работа — дом» о ежедневных перемещениях москвичей. Суточный цикл миграции изучили с помощью данных из «Навигатора» и «Яндекс.Карт». В итоге районы Москвы разделили на жилые, рабочие и смешанные, а также изучили время поездок: во сколько выезжают, сколько едут, и как на это влияют пробки. Это исследование ценно не только для транспортников, но и для градостроителей, так как много говорит о поведенческих особенностях жителей и типологии района. Социальный географ Ольга Вендина прокомментировала результаты этой работы и выделила самые интересные районы.

«Несмотря на важность таких факторов, как местоположение и удалённость места жительства от места работы, ещё большее влияние на перемещения автомобилистов оказывают: график работы (ночная, сменная, „сутки через трое“, свободный график, режимные ограничения, работа дома, стандартный график); статус, занимаемая должность и характер работы; социальное положение, включая обязанности матери и домохозяйки и образ жизни, и, наконец, развитость альтернативных возможностей перемещения из точки „А“ в точку „Б“. Так, график интенсивности автомобильных перемещений в течение дня показывает существенные различия между жителями Звенигорода, Марьина, Академического и Тверского районов.

Для Марьина характерен сравнительно пологий характер кривой перемещений в течение всего дня, отсутствие острых пиков и заметно большее количество поездок „домой“ в раннее утреннее и ночное время. Это говорит о том, что значительное количество жителей работает не по стандартному графику с 9 до 18, а по сменам. Напрашивается и другой вывод. При своих значительных размерах Марьино обеспечено наземным общественным транспортом и метро хуже многих других районов Москвы. Это своего рода „городской остров“. Такая ситуация вынуждает прибегать к поездкам на машине в любых жизненных ситуациях (школа, поликлиника, магазин, гости). Поэтому место отправления и назначения, систематически вносимые в навигатор, не могут быть однозначно определены как дом или работа.

В Звенигороде явно формируется два потока. Одни едут по своим делам (скорее всего, на работу) с утра, чтобы успеть к 9–10 часам (это примерно 30–35 % автомобилистов), другие — чтобы оказаться у цели после 10 утра. У этого района самый выгнутый парус вечерней кривой. Это указывает на то, что существует значительная группа людей, которые, во-первых, предпочитают позже приезжать в офис (на предприятиях такое вряд ли возможно), но и позже уезжать оттуда. Во-вторых, это могут быть те, кто проводит свой вечерний досуг вне условного дома. Жители Звенигорода кажутся наиболее зависимыми от цикличности человеческой деятельности, точнее эта цикличность имеет для них выраженный групповой характер, выражающийся в „стандартном“ поведении.

Тверской район, напротив, характеризуется меньшей зависимостью от распорядка дня и вынужденности поведения. То, что примерно 40 % автомобилистов садятся за руль с 9 до 12 утра, свидетельствует: не только работа цель автомобильных перемещений. Альтернативу работе составляет множество других задач: от „отвезти в школу — забрать из школы“ до поездок в фитнес-клуб. Вполне возможно, что сказывается и более высокий уровень автомобилизации населения, где наличие двух машин в семье — не редкость.

Академический район можно охарактеризовать как промежуточный между Тверским и Марьином. Для него характерен наиболее стандартный цикл трудового дня, когда доминирующая активность начинается в 9–10 часов утра, пик деловых встреч приходится на послеобеденное время (16–19 часов), а после 19 вечера люди спешат домой. Наверное, это и есть тот самый средний класс со своим стандартом и образом жизни. Кажется странным, но режим жителей Академического выглядит более однообразным, чем Звенигорода».

1 / 3

Районы разного типа в московской агломерации

2 / 3

Остановки наземного транспорта Москвы в будни и выходные

3 / 3

Распределение поездок на работу и домой по времени

Чуть позже «Яндекс» выпустил другую работу — об использовании общественного транспорта. В ней была подсчитана популярность остановок в разных районах Москвы. Критерий — количество людей, воспользовавшихся приложением «Яндекс.Транспорт» в непосредственной близости от остановки.

Ольга Вендина: «Это исследование менее информативно, но также даёт пищу для разных интерпретаций. Во-первых, очевидно, что остановок больше там, где выше плотность дорожно-уличной сети и лучше её связность. Это даёт возможность организовать сеть маршрутов наземного транспорта, а значит повышает привлекательность его использования, экономит время и уменьшает число пересадок. У юго-запада Москвы в этом смысле нет конкурентов среди других секторов города, вот он и светит на карте. Заметны районы, где сформировалась развитая сеть внутрирайонных автобусных маршрутов: Измайлово, Ясенево, Солнцево, Орехово-Борисово, а где — нет: Марьино, Люблино, Метрогородок. Причины такого положения могут быть очень разными, и их трудно свести к общему знаменателю».

 

Небезграничные Возможности Больших Данных

Большие данные — это горячая тема, и её начинают активно использовать в городском управлении. Всё чаще мэры и менеджеры говорят, что научились принимать решения, основанные не на опыте и интуиции, а на объективной информации. В то же время важно понимать, что такой «объективный» подход не является универсальным решением всех проблем и имеет множество ограничений, о которых важно знать.

Во-первых, такие данные являются выборкой всего населения. И они совершенно не обязательно покрывают всех жителей. Так, в исследовании «Яндекса» все центральные районы оказались исключительно рабочими. Кажется, что в них никто не живёт. На деле жители центра могут просто не пользоваться личным транспортом, соответственно, в исследовании «Яндекса» они никак не отображаются. Строго говоря, это исследование не о том, «где живут и работают москвичи», а о том, «где живут и работают московские автомобилисты, которые используют сервисы „Яндекс“ и сохраняют в них домашний и рабочий адреса».

Хотя Uber и совершил революцию на американском рынке, сделав такси более доступным, всё же его средний пользователь, скорее всего, богаче среднего жителя, пользующегося общественным транспортом. Ещё одна проблема — возрастная или даже классовая репрезентативность. Uber — мобильное приложение, популярное среди молодых, технически продвинутых людей. Проблема выборки решается использованием разных типов информации или разной фильтрацией одного и того же источника. «Яндекс» определил время, в которое люди едут из дома на работу. Для двух третей это период между 7 и 9 часами. Теперь было бы интересно посмотреть на все поездки в этот промежуток. Людей, пользующихся «Навигатором», определённо больше тех, кто сохраняет домашний и рабочий адреса в приложении. Можно предположить, что большая часть поездок в этот временной промежуток совершается именно для дороги на работу. Так удалось бы получить информацию о гораздо большем количестве людей. Но в выборке бы оказались, например, родители, везущие детей в школу, или курьеры. То есть данные стали бы грязнее.

 

Другие Способы Изучать Городскую Мобильность

С развитием цифровых технологий способов узнавать геолокацию человека становится всё больше. Только телефон предоставляет несколько вариантов узнать местоположение владельца. Во-первых, эта информация есть у сотовых операторов. Ещё во времена телефонов с полифонией и встроенным фонариком любую сим-карту можно было зафиксировать в пространстве. Этот источник до сих пор обладает одним из самых больших охватов, ведь телефон есть у каждого, а рынок связи на 80 % принадлежит трём компаниям.

Самый яркий пример использования этих данных — исследование «Археология периферии», которое подготовили компании Thomson Reuters, Mathrioshka и «Мегафон» для Московского урбанистического форума в 2013 году. Они проанализировали перемещения москвичей в будний день: откуда они едут, куда и какие магистрали пересекают. Оказалось, что две трети жителей Большой Москвы на рабочей неделе не выезжают за пределы своего района, а пятая часть утренних поездок в центр — перепробеги. Это означает, что жителю не нужно ехать в центр, но это единственный способ сделать пересадку или добраться до другой радиальной магистрали. Именно это исследование развенчало миф о Москве как о сверхмобильном городе и продемонстрировало дефицит хордовых магистралей.

1 / 2

Исследование «Археология периферии», подготовленное для Мосурбанфорума в 2013 году

2 / 2

Карта самых фотографируемых мест в мире / источник: photospots.mwong.ch

Второй источник, который до сих пор себя не проявил, — производители операционных систем. Например, все устройства с iOS и Android по умолчанию записывают вашу геолокацию — так вы можете найти потерянный телефон. На две эти платформы приходится 98 % мирового рынка мобильной связи. Пока что Google и Apple не спешат делиться этой информацией, однако пример Uber может воодушевить IT-гигантов.

В-третьих, местоположение пользователя известно многим мобильным приложениям. Геолокацию используют навигационные сервисы типа TomTom или Here, приложения для бега вроде Nike+ и многие другие. Из них аналитикой в сфере передвижений занимается TomTom: он ежегодно делает рейтинг городов с самыми большими пробками, лидером которого Москва была до 2013-го. Here предоставляет данные городским властям: он сотрудничает с департаментами транспорта нескольких американских штатов. Другие компании обычно используют данные для оптимизации работы своих приложений или для индивидуальной аналитики, например, чтобы пользователь мог посмотреть статистику всех своих пробежек.

Интересно, что информацию о местоположении пользователя получают гораздо больше приложений, чем мы думаем. Попробуйте зайти в меню «Локация» в настройках своего телефона — вы удивитесь, как много сервисов — от музыкальных до игровых — знают о том, где вы находитесь. Чем популярнее приложение, тем интереснее было бы поработать с его данными. Так, приложение PokemonGo может знать о московских пешеходных маршрутах гораздо больше, чем транспортные планировщики.

Исследование Habidatum маятниковой миграции в российских агломерациях на основе постов в Instagram

Помимо трекинга со стороны приложений, можно использовать открытую информацию, которой делятся сами люди в Twitter, Instagram, Foursquare или Facebook. Это одно из самых популярных и активно развивающихся направлений в урбанистике. Открытые данные питают многих исследователей и позволяют узнавать неожиданные факты.

В Habidatum изучили маятниковую миграцию и границы агломераций в пяти российских городах на основе Instagram. Другой пример — интерактивная карта самых фотографируемых мест мира, созданная на основе данных 500px — ресурса для профессиональных фотографов.

Наконец, анализировать потоки можно через камеры видеонаблюдения на дорогах, датчики, установленные в асфальт, умные фонари и прочие сенсоры. Это далеко не исчерпывающий список. Другое растущее направление — анализ финансовых транзакций, когда ваша карточка рассказывает о том, где и в какое время вы совершаете покупки, а соответственно, как двигаетесь по городу. Примеров подобных исследований — единицы. И до сих пор они в основном выполнялись в академических целях, чтобы продемонстрировать релевантность подхода. Пока либо банки боятся делиться этой информацией с аналитиками, либо сами городские аналитики не знают, как её применять. Однако через этот этап прошли все типы данных, активно используемые сейчас: от сотовых операторов до социальных сетей. Сам Uber уже успел заключить партнёрство с исследователями из MIT Senseable City Lab, а также выложить в открытый доступ небольшую часть своих данных — о среднем времени ожидания в разных точках города. Я думаю, что всё больше держателей и производителей данных будут делиться ими с урбанистами. Но ещё интереснее станет, когда все приложения, следящие за передвижениями пользователя, сами станут урбанистами. И вместо аналитических отчётов от городских властей у нас будут исследования от Spotify, Pokemon.Go и Meitu.

Нашли опечатку или ошибку? Выдeлите фрагмент и отправьте нажатием Ctrl+Enter.

О материале