Forwarded from Путеводитель по док.политике
Анализ российских данных на внутрирегиональном уровне осложняется изменениями границ муниципальных образований, изменениями их типов, названий и кодов ОКТМО.
С 2018 по 2024 гг. изменилась муниципальная структура более 40 регионов:
◽️ есть регионы, где все муниципалитеты меняли свои типы - Магаданская и Курганская области, Ставропольский край, ЯНАО, Удмуртия и др.;
◽️есть регионы, где было большое количество изменений границ - Московская область, Пермский край и др. - около 3% муниципалитетов России в 17 регионах.
Масштаб изменений сильно осложняет сбор панельных данных по муниципалитетам. При этом процесс преобразований не прекращается. Но удобных открытых машиночитаемых данных о таких преобразованиях нет.
Поэтому мы собрали базу данных об изменениях муниципалитетов и их границ, теперь можно:
🔸прочитать в статье на habr о проблемах данных на муниципальном уровне и как мы собрали и объединили данные из Росстата и OpenStreetMap;
🔸скачать с сайта СберИндекса версионный справочник муниципальных образований и пространственный слой с границами муниципалитетов с 2018 г.
Эта информация может помочь:
◽️ геоаналитикам, заинтересованным в данных о границах муниципальных образований
◽️исследователям, которые работают с муниципальными данными
◽️при проектировании БДПМО 2.0. Росстата
С 2018 по 2024 гг. изменилась муниципальная структура более 40 регионов:
◽️ есть регионы, где все муниципалитеты меняли свои типы - Магаданская и Курганская области, Ставропольский край, ЯНАО, Удмуртия и др.;
◽️есть регионы, где было большое количество изменений границ - Московская область, Пермский край и др. - около 3% муниципалитетов России в 17 регионах.
Масштаб изменений сильно осложняет сбор панельных данных по муниципалитетам. При этом процесс преобразований не прекращается. Но удобных открытых машиночитаемых данных о таких преобразованиях нет.
Поэтому мы собрали базу данных об изменениях муниципалитетов и их границ, теперь можно:
🔸прочитать в статье на habr о проблемах данных на муниципальном уровне и как мы собрали и объединили данные из Росстата и OpenStreetMap;
🔸скачать с сайта СберИндекса версионный справочник муниципальных образований и пространственный слой с границами муниципалитетов с 2018 г.
Эта информация может помочь:
◽️ геоаналитикам, заинтересованным в данных о границах муниципальных образований
◽️исследователям, которые работают с муниципальными данными
◽️при проектировании БДПМО 2.0. Росстата
Forwarded from Запасник экономиста
Пешим ходом
Попался интересный источник данных по доступности инфраструктуры для пешеходов в городах мира (учитываются супермаркеты, места отдыха, кафе и рестораны, школы, больницы и т.д.). Справочно для всех городов приведены координаты, площадь и население (последние два показателя не совпадают с официальными данными, а рассчитаны для «функциональных городских территорий»). Файл в формате geojson можно скачать по ссылке.
Попробуем исследовать эти данные с двух сторон. В главке (1) посмотрим, какова доступность инфраструктуры в городах ЦФО — кто чемпион и кто аутсайдер, и связано ли это с плотностью населения? В главке (2) сравним Россию с некоторыми другими странами — пусть это будут Германия, США, Япония, Великобритания и Китай
Попался интересный источник данных по доступности инфраструктуры для пешеходов в городах мира (учитываются супермаркеты, места отдыха, кафе и рестораны, школы, больницы и т.д.). Справочно для всех городов приведены координаты, площадь и население (последние два показателя не совпадают с официальными данными, а рассчитаны для «функциональных городских территорий»). Файл в формате geojson можно скачать по ссылке.
Попробуем исследовать эти данные с двух сторон. В главке (1) посмотрим, какова доступность инфраструктуры в городах ЦФО — кто чемпион и кто аутсайдер, и связано ли это с плотностью населения? В главке (2) сравним Россию с некоторыми другими странами — пусть это будут Германия, США, Япония, Великобритания и Китай
Arcgis
Pedestrian accessibility indicators by urban center
An assessment of pedestrian accessibility in the world's main urban centers, aggregated at city level. Indicators include the average walking time to different categories of destinations, as well as the proportion of inhabitants that can access each category…
Forwarded from Запасник экономиста
Пешим ходом (1)
Цветом отобразил доступность городской инфраструктуры — от высокого зеленого (Москва) до низкого красного (Кинешма). Размер кружочков — площадь в расчете на человека: чем больше «ареал обитания» среднего жителя, тем сложнее добраться до инфраструктуры. В принципе, здесь видна взаимосвязь, если сравнить, опять же, Кинешму с Москвой, но более четко эту взаимосвязь увидим позже.
Сейчас же хочется отметить, что во многих областях ЦФО второй крупный город (Кинешма, Елец, Мичуринск, Обнинск) не дотягивает до региональной столицы (Иваново, Липецк, Тамбов, Калуга). Вероятно, это следствие перетока части населения в локальные центры экономической активности или в Москву. Хотя есть и исключения – например, в паре Орел / Ливны второй город, наоборот, выделяется высокой доступностью инфраструктуры
Цветом отобразил доступность городской инфраструктуры — от высокого зеленого (Москва) до низкого красного (Кинешма). Размер кружочков — площадь в расчете на человека: чем больше «ареал обитания» среднего жителя, тем сложнее добраться до инфраструктуры. В принципе, здесь видна взаимосвязь, если сравнить, опять же, Кинешму с Москвой, но более четко эту взаимосвязь увидим позже.
Сейчас же хочется отметить, что во многих областях ЦФО второй крупный город (Кинешма, Елец, Мичуринск, Обнинск) не дотягивает до региональной столицы (Иваново, Липецк, Тамбов, Калуга). Вероятно, это следствие перетока части населения в локальные центры экономической активности или в Москву. Хотя есть и исключения – например, в паре Орел / Ливны второй город, наоборот, выделяется высокой доступностью инфраструктуры
Forwarded from Запасник экономиста
Пешим ходом (2)
А теперь – к сравнениям. До Германии по доступности городской инфраструктуры дотянуться сложно, но не только для России, но и для других стран. В США пешая доступность не в приоритете, но и в Великобритании немало городков, существенно не отличающихся от российских по доступности инфраструктуры. Удивительно, но из рассмотренных стран Россия ближе всего к Японии по распределению удаленности инфраструктуры и площади городов в расчете на жителя. Китай очень неоднороден (точки слева-внизу – Гонконг и некоторые его районы, почему-то выделенные в базе отдельно; но в массе своей инфраструктура в городах Китая менее доступна, чем в России). Но везде связь доступности инфраструктуры и плотности населения в целом сохраняется.
Ограничение анализа – зависимость от OpenStreetMap, который может заполняться с разной интенсивностью и где-то быть слабо репрезентативным
А теперь – к сравнениям. До Германии по доступности городской инфраструктуры дотянуться сложно, но не только для России, но и для других стран. В США пешая доступность не в приоритете, но и в Великобритании немало городков, существенно не отличающихся от российских по доступности инфраструктуры. Удивительно, но из рассмотренных стран Россия ближе всего к Японии по распределению удаленности инфраструктуры и площади городов в расчете на жителя. Китай очень неоднороден (точки слева-внизу – Гонконг и некоторые его районы, почему-то выделенные в базе отдельно; но в массе своей инфраструктура в городах Китая менее доступна, чем в России). Но везде связь доступности инфраструктуры и плотности населения в целом сохраняется.
Ограничение анализа – зависимость от OpenStreetMap, который может заполняться с разной интенсивностью и где-то быть слабо репрезентативным
Наступило 1 ноября, а значит время #30DayMapChallenge
Тема первого дня - точки (points).
У меня технически не совсем точки, но близкое - точки Вурмана (Wurman dots). Были разработаны дизайнером Ричардом Вурманом для отображения плотности городского населения в “Urban Atlas: 20 American Cities. A Communication Study Notating Select Urban Data at a Scale of 1:48,000”.
Здесь внешняя граница ячейки показывает максимальное значение величины, а внутренний круг - долю от него. Чуть подробнее здесь https://www.esri.com/arcgis-blog/products/js-api-arcgis/mapping/reference-size-maps-bringing-back-the-60s/
На карте количество населения в Санкт-Петербурге. В качестве исходных данных использовался набор данных по плотности населения от компании Kontur https://data.humdata.org/organization/kontur
Для подготовки карты пользовалась вот этим туториалом
Делала в двух вариантах для тестирования режимов смешивания и эффекта свечения.
Тема первого дня - точки (points).
У меня технически не совсем точки, но близкое - точки Вурмана (Wurman dots). Были разработаны дизайнером Ричардом Вурманом для отображения плотности городского населения в “Urban Atlas: 20 American Cities. A Communication Study Notating Select Urban Data at a Scale of 1:48,000”.
Здесь внешняя граница ячейки показывает максимальное значение величины, а внутренний круг - долю от него. Чуть подробнее здесь https://www.esri.com/arcgis-blog/products/js-api-arcgis/mapping/reference-size-maps-bringing-back-the-60s/
На карте количество населения в Санкт-Петербурге. В качестве исходных данных использовался набор данных по плотности населения от компании Kontur https://data.humdata.org/organization/kontur
Для подготовки карты пользовалась вот этим туториалом
Делала в двух вариантах для тестирования режимов смешивания и эффекта свечения.
День 2 #30DayMapChallenge - линии
Идея была в том, чтобы показать пешеходную доступность станций метро в пределах 15 минут, но не привычными полигонами изохрон, а в виде сегментов улично-дорожной сети с вариацией в толщине и цвете.
Чем дальше от станции метро находится сегмент, тем он тоньше. Цвет меняется от зеленого до оранжевого также по мере удаления от станций.
Реализуется такая вариация с использованием интерполированной линии в QGIS.
Идея была в том, чтобы показать пешеходную доступность станций метро в пределах 15 минут, но не привычными полигонами изохрон, а в виде сегментов улично-дорожной сети с вариацией в толщине и цвете.
Чем дальше от станции метро находится сегмент, тем он тоньше. Цвет меняется от зеленого до оранжевого также по мере удаления от станций.
Реализуется такая вариация с использованием интерполированной линии в QGIS.
non-contiguous cartogram.png
936 KB
День 3 (с опозданием) #30DayMapChallenge - полигоны.
Несмежная анаморфная карта по плотности населения в муниципальных образованиях. Форма здесь сохранена, но к объектам применено масштабирование для их пропорционального уменьшения по значению плотности населения.
Исходные данные: OpenStreetMap и Росстат.
Техника создания взята на основе туториала
Несмежная анаморфная карта по плотности населения в муниципальных образованиях. Форма здесь сохранена, но к объектам применено масштабирование для их пропорционального уменьшения по значению плотности населения.
Исходные данные: OpenStreetMap и Росстат.
Техника создания взята на основе туториала
День 6 #30DayMapChallenge - растр
Небольшой эксперимент со стилями теневой отмывки рельефа.
Карта рельефа Хибин в стиле швейцарского картографа Эдуарда Эмхофа. Получилось немножко Средиземье.
В качестве руководства пользовалась заметкой от Джона Нельсона.
Исходные данные - FABDEM.
Небольшой эксперимент со стилями теневой отмывки рельефа.
Карта рельефа Хибин в стиле швейцарского картографа Эдуарда Эмхофа. Получилось немножко Средиземье.
В качестве руководства пользовалась заметкой от Джона Нельсона.
Исходные данные - FABDEM.
День 7 #30DayMapChallenge - vintage style
Еще один эксперимент с цифровой моделью рельефа. Ретро отображение рельефа Хибин - в виде комбинации теневой отмывки и штрихового отображения.
Исходные данные - FABDEM
Туториал для построения штриховой карты рельефа взят отсюда.
Еще один эксперимент с цифровой моделью рельефа. Ретро отображение рельефа Хибин - в виде комбинации теневой отмывки и штрихового отображения.
Исходные данные - FABDEM
Туториал для построения штриховой карты рельефа взят отсюда.
Forwarded from Картетика.Канал
Картетика проводит исследование рынка труда гео-специалистов 📊
Мы продолжаем собирать информацию про нашу профессиональную деятельность. В прошлом году мы делали исследование гео-вакансий по данным HH. Но то, что пишут в резюме и вакансиях, только частично отражает общую картину.
Чтобы углубить наше знание о реальном положении дел, в этом году мы сделали свой опрос. Он для всех, кто причисляет себя к гео-специалистам 🗺
Примеры вопросов, на которые мы хотим и пытаемся найти ответы:
- какие зарплаты у нас в сфере
- какие навыки и ПО сейчас актуальны на рынке
- как много тех нас, кто работает на нескольких работах
- какая фактическая география нашего рынка труда
⚡️Как можно поучаствовать в исследовании:
- пройдите опрос самостоятельно, это займёт 7-10 минут
- поделитесь опросом с друзьями и коллегами, которые работают в нашей сфере
Чем больше ответов мы соберём, тем полнее и показательнее будут результаты💪🏻 Результаты опроса мы выложим открыто и добавим к ним свежие данные по вакансиям.
Мы продолжаем собирать информацию про нашу профессиональную деятельность. В прошлом году мы делали исследование гео-вакансий по данным HH. Но то, что пишут в резюме и вакансиях, только частично отражает общую картину.
Чтобы углубить наше знание о реальном положении дел, в этом году мы сделали свой опрос. Он для всех, кто причисляет себя к гео-специалистам 🗺
Примеры вопросов, на которые мы хотим и пытаемся найти ответы:
- какие зарплаты у нас в сфере
- какие навыки и ПО сейчас актуальны на рынке
- как много тех нас, кто работает на нескольких работах
- какая фактическая география нашего рынка труда
⚡️Как можно поучаствовать в исследовании:
- пройдите опрос самостоятельно, это займёт 7-10 минут
- поделитесь опросом с друзьями и коллегами, которые работают в нашей сфере
Чем больше ответов мы соберём, тем полнее и показательнее будут результаты💪🏻 Результаты опроса мы выложим открыто и добавим к ним свежие данные по вакансиям.
Forwarded from Дата-сторителлинг (Андрей Дорожный)
📈Плиточника вызывали?
Антон Мизинов сделал сервис для создания плиточных карт регионов России Tilemapper. Простой, не требует навыков программирования и регистрации на платных сервисах. Основа — плиточная карта ТАСС. Интерфейс понятный, разобрался даже я.
Как это работает:
1. Загружаете данные: CSV-файл (код региона | значение параметра) Пример датасета
2. Настраиваете цветовую палитру и другие параметры плиток.
3. Скачиваете результат в формате PNG или SVG. Можно даже сохранить шрифт не в кривых)
Респект Антону за такие разработки, поддержите сердечком🧡
Попробовать: https://mizinov.pro/tilemapper/
Антон Мизинов сделал сервис для создания плиточных карт регионов России Tilemapper. Простой, не требует навыков программирования и регистрации на платных сервисах. Основа — плиточная карта ТАСС. Интерфейс понятный, разобрался даже я.
Как это работает:
1. Загружаете данные: CSV-файл (код региона | значение параметра) Пример датасета
2. Настраиваете цветовую палитру и другие параметры плиток.
3. Скачиваете результат в формате PNG или SVG. Можно даже сохранить шрифт не в кривых)
Респект Антону за такие разработки, поддержите сердечком🧡
Попробовать: https://mizinov.pro/tilemapper/
Forwarded from Наука и данные
R’s Geospatial Kaleidoscope: Exploring Perspectives, Strengths, and Challenges 🔥
Jakub Nowosad сделал интересный доклад, который касается обзора текущих R-инструментов и перспектив развития в области пространственных данных. Можно посмотреть его прекрасную презентацию, которая охватывает множество тем, начиная от типов данных до различных перспективных направлений. Отличное введение для всех, кто интересуется, как используется язык R в пространственном анализе!
Machine learning approaches for working with spatial data - еще один интересный (хотя и не всеобъемлющий) обзор на основе mlr-подхода от Jacub'а.
Помимо прочего, Jacub в своем блоге (+пост) недавно опубликовал отличную серию статей по сравнению растровых данных (как непрерывных, так и категориальных).
Jakub Nowosad сделал интересный доклад, который касается обзора текущих R-инструментов и перспектив развития в области пространственных данных. Можно посмотреть его прекрасную презентацию, которая охватывает множество тем, начиная от типов данных до различных перспективных направлений. Отличное введение для всех, кто интересуется, как используется язык R в пространственном анализе!
Machine learning approaches for working with spatial data - еще один интересный (хотя и не всеобъемлющий) обзор на основе mlr-подхода от Jacub'а.
Помимо прочего, Jacub в своем блоге (+пост) недавно опубликовал отличную серию статей по сравнению растровых данных (как непрерывных, так и категориальных).