Crowd-Sourced Geographies of Income: Using Google Maps Points of Interest as High-Frequency Proxies for Sub-Municipal Income Estimation in Sao Paulo, Brazil
Dit artikel toont aan dat door de massa gegenereerde Google Maps Points of Interest kunnen dienen als een hoogfrequente, goedkope proxy voor het schatten van het huishoudinkomen op subgemeentelijk niveau in São Paulo, waarbij een sterke voorspellende prestatie (R² van 0,65) wordt behaald die een levensvatbaar alternatief biedt voor kostbare, niet-frequente censusgegevens voor sociaal beleid in Brazilië.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je probeert een kaart te tekenen van de rijkdom van een stad, maar de enige kaart die je hebt, is een foto van twaalf jaar geleden. Dat is de realiteit voor veel beleidsmakers in Brazilië en andere landen met een middeninkomen. Ze moeten precies weten welke wijken moeite hebben om hulp te ontvangen, maar de officiële volkstelling van de overheid — de gouden standaard voor deze gegevens — vindt slechts eens in de tien jaar plaats. In de lange periodes tussen deze volkstellingen verandert de stad: nieuwe winkels openen, oude sluiten, en gezinnen verhuizen, maar de officiële inkomenskaart blijft bevroren in de tijd. Om dit op te lossen, wenden wetenschappers zich tot "crowdsourced" data, wat informatie is die door miljoenen gewone mensen via hun telefoons en apps wordt verzameld. Denk aan een enorme, levende dagboek van een stad, geschreven door iedereen die er loopt, rijdt of winkelt. Dit artikel bevindt zich op het snijvlak van geografie, economie en informatica, en stelt een simpele maar krachtige vraag: Kunnen we raden hoeveel geld een buurt verdient door simpelweg te kijken naar wat voor bedrijven en plaatsen er nu op Google Maps staan?
De onderzoekers in deze studie besloten dit idee te testen in São Paulo, Brazilië, een enorme stad met meer dan 26.000 kleine buurtblokken, genaamd "census sectors". Ze behandelden Google Maps als een gigantische, digitale inventaris van de stad. In plaats van mensen te vragen hoeveel geld ze verdienen, vroegen ze aan de kaart: "Wat is er in deze buurt?" Ze zochten naar specifieke soorten plaatsen, zoals banken, scholen, ziekenhuizen, kerken en restaurants. De theorie is dat de mix van deze plaatsen fungeert als een vingerafdruk van rijkdom. Een buurt vol luxe koffietentjes en privéklinieken heeft waarschijnlijk andere inkomensniveaus dan een buurt die gedomineerd wordt door kleine, informele markten of specifieke soorten gemeenschapscentra.
Het team bouwde een computermodel om de verbinding tussen deze "Points of Interest" (POI's) en de werkelijke inkomensgegevens van de volkstelling van 2022 te leren. Ze voerden het model de lijst met plaatsen die in elke buurt werden gevonden en leerden het om het inkomen te voorspellen. Om er zeker van te zijn dat het model daadwerkelijk leerde en niet alleen de antwoorden uit het hoofd leerde, gebruikten ze een slimme truc: ze verborgen hele stroken van de stad voor de computer tijdens de training en lieten hem pas aan het einde de antwoorden zien voor die verborgen stroken. Dit is vergelijkbaar met het geven van een oefentoets aan een student, waarbij de meeste vragen worden beantwoord, om vervolgens een compleet nieuw deel van de toets te geven die hij nog nooit heeft gezien, om te zien of hij de stof echt begrijpt.
De resultaten waren zeer veelbelovend. Het beste model, dat een specifieke wiskundige techniek gebruikte om de gegevens te vereenvoudigen, was in staat om het inkomen van deze onbekende buurten te voorspellen met een nauwkeurigheidsscore (genoemd R²) van ongeveer 0,65. In gewone mensentaal betekent dit dat het model ongeveer twee derde van de verschillen in inkomen tussen buurten kon verklaren, enkel door te kijken naar de lijst met bedrijven op Google Maps. De studie suggereert dat deze methode een snelle, goedkope en actuele manier is om inkomenskaarten tussen de officiële volkstellingen door te verversen. Het kan overheden helpen om buurten te identificeren die snel veranderen of waar mensen door het officiële systeem heen kunnen vallen.
Het artikel is echter voorzichtig om dit geen perfecte oplossing te noemen. Het model was niet erg goed in het voorspellen van de allerrijkste of de allerarmste gebieden; het had de neiging om te voorspellen dat de rijken iets minder rijk waren en de armen iets rijker dan ze in werkelijkheid waren. De auteurs leggen uit dat dit gebeurt omdat de gegevens beperkingen hebben: in zeer rijke gebieden staat de kaart misschien niet elke luxe winkel vermeld, en in zeer arme gebieden zijn veel bedrijven informeel en staan ze niet op Google Maps. Bovendien betoogt de studie expliciet tegen het idee dat deze gegevens de officiële volkstelling volledig zouden moeten vervangen. In plaats daarvan stellen ze voor dat het gebruikt kan worden als een "levend signaal" om schattingen bij te werken tussen de grote, trage, officiële enquêtes door. De studie benadrukt ook dat de gegevens bevooroordeeld zijn richting formele bedrijven; als een buurt afhankelijk is van straatverkopers of informele diensten die niet op Google Maps staan, kan het model het ware economische beeld missen.
Uiteindelijk suggereert dit artikel dat, hoewel we de volkstelling niet perfect kunnen vervangen door een Google-zoekopdracht, we de digitale voetafdruk van een stad kunnen gebruiken om een veel actueler en frequenter beeld te krijgen van de economische gezondheid. Het is een instrument dat de chaotische, dagelijkse activiteit van een stad — waar mensen winkelen, eten en werken — omzet in een leesbare kaart van rijkdom, en een manier biedt om sociale beleidstaken te voorkomen dat ze al verouderd zijn voordat ze de grond raken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.