Appartementzoekers in grote steden gebruiken vaak de aanwezigheid van restaurants om te bepalen of een buurt een goede plek is om te wonen. Het blijkt dat er veel aan deze vuistregel zit:MIT-onderzoekers op het gebied van stedelijke studies hebben nu ontdekt dat in China, restaurantgegevens kunnen worden gebruikt om de belangrijkste sociaaleconomische kenmerken van buurten te voorspellen.

Inderdaad, met behulp van online restaurantgegevens, zeggen de onderzoekers, ze kunnen effectief de dagbevolking van een buurt voorspellen, nachtelijke bevolking, het aantal bedrijven dat er gevestigd is, en het bedrag van de totale uitgaven in de buurt.

"De restaurantindustrie is een van de meest gedecentraliseerde en gedereguleerde lokale consumptie-industrieën, " zegt Siqi Zheng, een professor in stedelijke studies aan het MIT en co-auteur van een nieuw artikel waarin de bevindingen worden geschetst. "Het is sterk gecorreleerd met lokale sociaaleconomische kenmerken, zoals bevolking, rijkdom, en consumptie."

Het gebruik van restaurantgegevens als proxy voor andere economische indicatoren kan een praktisch doel hebben voor stedenbouwkundigen en beleidsmakers, zeggen de onderzoekers. In China, zoals op veel plaatsen, een volkstelling wordt slechts eenmaal per decennium gehouden, en het kan moeilijk zijn om de dynamiek van de steeds veranderende gebieden van een stad op een snellere basis te analyseren. Zo zouden nieuwe methoden voor het kwantificeren van woonniveaus en economische activiteit stadsambtenaren kunnen helpen.

"Zelfs zonder volkstellingsgegevens, we kunnen verschillende kenmerken van een buurt voorspellen, wat erg waardevol is, " voegt Zheng toe, wie is de Samuel Tak Lee universitair hoofddocent vastgoedontwikkeling en ondernemerschap, en faculteitsdirecteur van het MIT China Future City Lab.

"Vandaag de dag is er een grote datakloof, " zegt Carlo Ratti, directeur van het Senseable City Lab van MIT, en een co-auteur van het papier. "Data zijn cruciaal om steden beter te begrijpen, maar op veel plaatsen hebben we niet veel [officiële] gegevens. Tegelijkertijd, we hebben steeds meer gegevens die worden gegenereerd door apps en websites. Als we deze methode gebruiken, [kunnen] we sociaaleconomische gegevens begrijpen in steden waar ze geen gegevens verzamelen."

De krant, "Het voorspellen van de sociaaleconomische kenmerken van buurten met behulp van restaurantgegevens, " verschijnt in de Proceedings van de National Academy of Sciences . De auteurs zijn Zheng, wie is de corresponderende auteur; Ratti; en Lei Dong, een postdoc die mede wordt georganiseerd door het MIT China Future City Lab en het Senseable City Lab.

De studie neemt negen steden in China onder de loep op buurtniveau:Baoding, Peking, Chengdu, Hengyang, Kunming, Shenyang, Shenzhen, Yueyang, en Zhengzhou. Om de studie uit te voeren, haalden de onderzoekers restaurantgegevens van de website Dianping, die ze omschrijven als het Chinese equivalent van Yelp, de Engelstalige bedrijfsreviewsite.

Door de Dianping-gegevens te matchen met betrouwbare, bestaande gegevens voor die steden, inclusief geanonimiseerde en geaggregeerde locatiegegevens van mobiele telefoons van 56,3 miljoen mensen, bankkaartgegevens, bedrijfsregistratiegegevens, en sommige volkstellingsgegevens - de onderzoekers ontdekten dat ze 95 procent van de variatie in de bevolking overdag tussen buurten konden voorspellen. Ze voorspelden ook 95 procent van de variatie in de nachtelijke bevolking, 93 procent van de variatie in het aantal bedrijven, en 90 procent van de variatie in consumptieniveaus.

"We hebben nieuwe openbaar beschikbare gegevens gebruikt en nieuwe methoden voor gegevensvergroting ontwikkeld om deze stedelijke problemen aan te pakken, " zegt Dong, die eraan toevoegt dat het model van de studie een "nieuwe bijdrage is aan [het gebruik van] zowel datawetenschap voor sociaal welzijn, en big data voor stedelijke economische gemeenschappen."

De onderzoekers merken op dat dit een nauwkeurigere proxy is voor het schatten van demografische en economische activiteit op buurtniveau dan andere eerder gebruikte methoden. Bijvoorbeeld, andere onderzoekers hebben satellietbeelden gebruikt om de hoeveelheid nachtlicht in steden te berekenen, en gebruikte op zijn beurt de hoeveelheid licht om de activiteit op buurtniveau te schatten. Hoewel die methode het goed doet voor populatieschattingen, de restaurant-datamethode is over het algemeen beter, en veel beter in het inschatten van bedrijfsactiviteiten en consumentenbestedingen.

Zheng zegt dat ze "vertrouwen" voelt dat het model van de onderzoekers kan worden toegepast op andere Chinese steden, omdat het al een goede voorspellende kracht over steden laat zien. Maar de onderzoekers geloven ook dat de methode die ze gebruikten - die technieken voor machine learning gebruikt om significante correlaties op te sporen - mogelijk kan worden toegepast op steden over de hele wereld.

"Deze resultaten geven aan dat de restaurantgegevens gemeenschappelijke indicatoren van sociaaleconomische resultaten kunnen bevatten, en deze overeenkomsten kunnen worden overgedragen ... met redelijke nauwkeurigheid in steden waar onderzoeksresultaten niet worden waargenomen, ', stellen de onderzoekers in de krant.

Zoals de geleerden erkennen, hun studie observeerde correlaties tussen restaurantgegevens en buurtkenmerken, in plaats van de exacte causale mechanismen op het werk te specificeren. Ratti merkt op dat het oorzakelijk verband tussen restaurants en buurtkenmerken in beide richtingen kan lopen:soms kunnen restaurants de vraag in een toch al bloeiend gebied vervullen, terwijl hun aanwezigheid op andere momenten een voorbode is van toekomstige ontwikkeling.

"Er is altijd [zowel] een push als een pull" tussen restaurants en buurtontwikkeling, zegt Ratti. "Maar we laten zien dat de sociaaleconomische gegevens zeer goed worden weerspiegeld in het restaurantlandschap, in de steden waar we naar kijken. De interessante bevinding is dat dit zo goed lijkt te zijn als een proxy."

Zheng zegt dat ze hoopt dat andere wetenschappers de methode zullen oppikken, die in principe op veel onderwerpen van stadsstudies zou kunnen worden toegepast.

"De restaurantgegevens zelf, evenals de verscheidenheid aan buurtkenmerken die het voorspelt, kan andere onderzoekers helpen bij het bestuderen van allerlei stedelijke vraagstukken, wat erg waardevol is, "zegt Zheng.