Как карты и нейросети помогают экономистам: на ФЭН выступил профессор Омер Унсал
Омер Унсал, сотрудник кафедры географии Университета Бурса Улудаг, работает с геоинформационными системами, пространственной статистикой и искусственным интеллектом. Он применяет эти методы, чтобы изучить вопросы, которые обычно считаются предметом интереса экономистов и социологов. По его мнению, одни и те же социальные и экономические факторы действуют с разной силой в разных местах, и если модель будет усреднять их по всей стране или городу, она лишится точности и упустит главное объяснение. 15 сентября он выступил с лекцией на семинаре Научно-учебной лаборатории пространственно-эконометрического моделирования социально-экономических процессов в России.
Современные технологии, ГИС и географический ИИ помогают разобраться, какие именно факторы влияют на стоимость жилья, распространение болезней или политические процессы, но чтобы уметь ими воспользоваться, по мнению профессора Унсала, нужно развитое пространственное мышление.
Чтобы показать, как далеко могут тянуться причинно-следственные связи, лектор начал с шести карт американского штата Алабама. Около 100 млн лет назад здесь проходило болотистое побережье Аппалачи, одного из массивов суши, на которые тогда делилась будущая Северная Америка. Отложения мелового периода дали начало плодородным почвам Блэкленд-Прери, на которых до сих пор работают самые крупные фермы штата.
В XIX веке на этих почвах выросли хлопковые плантации, и хоть по переписи 1860 года порабощенные люди составляли 45% населения штата, в округах плодородного пояса их доля превышала 80%. Спустя полтора века карта почти не изменилась, и сегодня самая высокая доля темнокожих жителей сохраняется в тех же округах. При этом социальные и политические процессы приводят к политическим изменениям, и на президентских выборах 2020 года эти округа чаще голосовали за Демократическую партию. Такую связь было бы трудно заметить в простой таблице, но на карте она куда более заметна. Конечно, карта может обмануть, ведь скопление точек бывает случайным, поэтому большую часть лекции профессор Унсал посвятил тому, как отличить закономерность от совпадения.
Начать он предложил с закона географии, сформулированного ученым Уолдо Тоблером в 1970 году: «Все связано со всем, но близкие объекты связаны сильнее, чем далекие». Затем Унсал показал, как использовать различные методы. Так, индекс Морана проверяет, выполняется ли этот закон в конкретных данных. Его локальная версия, предложенная Люком Анселином, показывает, где именно находятся кластеры высоких и низких значений и какие районы резко отличаются от соседей. Статистика Гетиса-Орда ищет горячие и холодные точки, а статистика Ли позволяет увидеть, где совпадают пространственные узоры двух разных показателей. Результатом каждого метода становится карта.
Последний шаг от описания к объяснению делает многомасштабная географически взвешенная регрессия MGWR, которая считает коэффициенты для каждого района отдельно и подбирает для каждого фактора собственный масштаб. Одни действуют одинаково по всему городу, другие только в определенных кварталах.
Практическую работу этих методов лектор показал на карте Стамбула. Вместе с коллегами он изучил итоги парламентских выборов 2018 года в 956 городских кварталах и сравнил поддержку двух главных соперников турецкой политики, правой Партии справедливости и развития и левой Республиканской народной партии. Карты горячих точек двух партий получились почти зеркальными. Первая лидирует на периферии, вторая — в центральных районах и на западной окраине. MGWR объяснила эти различия заметно точнее глобальной модели.
В конце лекции Унсал рассказал о так называемом GeoAI, области пересечения искусственного интеллекта и пространственного анализа. Обработка естественного языка, компьютерное зрение и машинное обучение дают исследователю новые источники данных, и в качестве примера профессор рассказал о работе, в которой ученые изучили отзывы в Google Maps о парках Стамбула. Отзывы описывают и сам парк, и социальную обстановку вокруг него, и, прибегая к этим данным, городские власти могут получать регулярную обратную связь от жителей, которую раньше приходилось собирать опросами. Нейросети, размечающие панорамы на картах, могут следить за важными для людей факторами и передавать о них информацию.
В апреле архив Google, где за 20 лет накопилось более 280 млрд снимков, стал доступен для анализа с помощью языковых моделей. Профессор Унсал показал, как исследователи уже используют эти данные. Так, после торнадо в штате Индиана приложения автоматически нашли на снимках 3,5 тыс. поврежденных автомобилей и строительных объектов, а языковая модель составила сводку о наиболее сильных разрушениях.
Лекцию Омер Унсал прочитал во время визита в Москву, и город произвел на него сильное впечатление.
Профессор Университета Бурса Улудаг
Вышку Юнсал описал как университет, где есть все необходимое для работы и общения. Беседы с исследователями из разных российских университетов убедили его, что они ориентированы на международное сотрудничество и результат высокого уровня, и особенно тепло он отозвался о коллегах из Лаборатории
Профессор Университета Бурса Улудаг
Доклад вызвал оживленное обсуждение. Еще долго после окончания лекции Юнсал отвечал на вопросы слушателей и вместе с ними обсуждал, как применять пространственные методы и GeoAI к российским данным.
Сотрудничество с лабораторией продолжится: Юнсал планирует совместные статьи с ее заведующей, профессором Департамента прикладной экономики ФЭН Ольгой Демидовой.
профессор Университета Бурса Улудаг