Цель: дать воспроизводимую методику картографирования и интерпретации внутригородского социально‑экономического неравенства (пример — Токио или Мехико) с использованием больших геопространственных данных (ОГМ), индексов доступности и пространственного анализа.
1. Область, единицы анализа и масштаб
- Выбрать исследуемую агломерацию и несколько уровней пространственной агрегации: мелкий регулярный сеточный грид (напр. 250–500 м), административные трaкты/секции и агрегированные районы.
- Обосновать выбор масштаба и провести чувствительный анализ (MAUP — модифицируемая территориальная единица).
2. Источники данных (примеры)
- Перепись/административные данные (INEGI для Мехико; Statistics Bureau для Токио): доходы, домохозяйства, возраст.
- OSM, кадры зданий/parcel: плотность жилья.
- GTFS и транспортная сеть, расписания; дорожная сеть.
- Мобильные данные (CDR), данные банковских транзакций — для временной и поведенческой картины (анонизировать).
- Спутниковые данные: ночные огни (VIIRS), индексы покрытий (Sentinel/Landsat) для подтверждения активности.
- Точки услуг: школы, клиники, супермаркеты.
3. Предобработка ОГМ
- Геокодирование, унификация проекций, синхронизация по времени.
- Перераспределение населения внутри полигонов (dasymetric / насел.-взвешивание) для снижения ошибок агрегирования. Пример поп.-взвешенной средней: ${\tilde{x}}_j=\frac{{\sum }_{i\in j}{x}_i{p}_i}{{\sum }_{i\in j}{p}_i}$.
- Удаление/коррекция выбросов и учет пропусков.
4. Индикаторы неравенства (глобальные и локальные)
- Gini (глоб.): $G=\frac{{\sum }_{i=1}^n{\sum }_{j=1}^n|x_i-x_j|}{2n^2\bar{x}}$.
- Theil (для декомпозиции между/внутри групп): $T=\frac{1}{n}\sum _{i=1}^n\frac{x_i}{\bar{x}}\ln \frac{x_i}{\bar{x}}$.
- Atkinson — для чувствительности к нижним слоям.
- Локальные варианты: рассчитывать Gini/Theil внутри движущихся окрестностей (окно радиусом r) или для сеточных ячеек, чтобы получить пространственное распределение неравенства.
5. Индексы доступности (назначение: связать доход/богатство с доступом к услугам и рабочим местам)
- Кумулятивная возможность (threshold): $A_i=\sum _j{O}_j{1}_{c_{ij}\le t}$, где $c_{ij}$ — время/расстояние.
- Гравитационная/Hansen: $A_i=\sum _j{O}_{j}f(c_{ij}),f(c)=e^{-\beta c}$ (или $f(c)=c^{-\beta }$).
- 2SFCA (для медицинского доступа): шаг 1 — расчёт предложения/популяции в catchment; шаг 2 — суммирование доступности на уровне точек спроса.
- Использовать сетевой (не евклидов) расчёт времени с учётом расписаний (GTFS) и межmodalности.
6. Пространственный анализ и выявление кластеров
- Пространечная автокорреляция: глобальный Moran’s I:
$I=\frac{n}{W}\frac{{\sum }_i{\sum }_j{w}_{ij}(x_i-\bar{x})(x_j-\bar{x})}{{\sum }_i(x_i-\bar{x}{)}^2}$.
- Локальный Moran (LISA) и Getis‑Ord $G^{\ast }$ для «hotspot»/«coldspot» выявления.
- Пространственные регрессии: лаговая модель — $y=\rho Wy+X\beta +\epsilon$; ошибка — $\epsilon =\lambda W\epsilon +u$.
- GWR (географически взвешенная регрессия) для локальных коэффициентов: оценить вариацию связи доход–доступность.
- Пространственно‑временной анализ: отслеживать тренды и миграцию неравенства.
7. Декомпозиция факторов неравенства
- Разложение Theil на «межрайонное» и «внутрирайонное» неравенство.
- Модели множественной регрессии (простая и пространственная) для оценки вклада факторов: трансп. доступность, удалённость от центра, плотность занятости, ночная освещённость, стоимость жилья.
8. Визуализация и представление результатов
- Использовать поп.-взвешенные хлороплеты, градации с учётом распределения, гексагональную сетку или kernel density для избежания вводящих в заблуждение карт.
- Биваpиные карты: доход vs доступность; интерактивные панели с фильтрами по времени/виду транспорта.
- Отмечать статистическую значимость (например, области с локальным Moran p<0.05).
9. Проверка устойчивости и оценка неопределённости
- Bootstrap/перестановочные тесты для локальных индексов.
- Чувствительный анализ по параметрам $t$ и $\beta$ в функциях доступности; по масштабу агрегации.
- Валидация доступности с эмпирическими данными (рейсы трансп., опросы).
10. Этические и практические ограничения
- Анонимизация индивидуальных данных (CDR, транзакции). Соблюдение законодательства о персональных данных.
- Учет и корректировка выборочных смещений данных (мобильные данные не равномерны по классам населения).
- Избегать стигматизации районов — предоставлять контекст и вовлекать местные сообщества в интерпретацию.
11. Примерный рабочий пайплайн (коротко)
- Собрать данные: перепись + OSM + GTFS + ночные огни + мобильные/карточные данные.
- Создать базовый грид (250–500 м) и распределить население (dasymetric).
- Рассчитать на гриде доход и услуги → глобальные и локальные индексы неравенства.
- Построить сетевые travel‑time матрицы; вычислить $A_i$ (Hansen, cumulative, 2SFCA).
- Пространственный анализ: Moran, LISA, GWR, spatial lag.
- Визуализация: карты, биваpиные слои, интерактив.
- Отчет: декомпозиция Theil, чувствительность, рекомендации политики.
12. Инструменты и библиотеки
- GIS: QGIS, PostGIS.
- Python: geopandas, osmnx, networkx/pgRouting, pandana, PySAL (spreg, esda), scikit‑learn.
- R: sf, spdep, GWmodel.
- Big data: Spark + GeoMesa/GeoSpark для масштабных ОГМ.
Короткая рекомендация по применению к Токио/Мехико: начать с переписных трактов + GTFS метро/автобусных сетей; использовать мобильные данные для оценки поведенческой доступности; особое внимание платным зонам жилья вблизи центров и периферии; провести декомпозицию Theil для выявления вкладов пригородов и элитарных анклавов.
Если нужно, могу дать компактный пример кода (PySAL/OSMnx) для расчёта Hansen‑доступности и локального Moran.