Eötvös Loránd Tudományegyetem, Földrajz- és Földtudományi Intézet, Regionális Tudományi Tanszék Abstract
Recent trends in spatial research pay increasing attention on Big Data sources and analytical possibilities, since in the era of Big Data now we have the chance to give deeper insights about the internet-related soco-geographical processes. There are unprecedentedly large digitally and automatically generated samples to analyse social behaviour as well as to understand the changing role of geography. The focal point of interest is on the huge amount of spontaneously generated digital urban footprints, which are continuously being generated in daily interactions or simply during everyday usage of the information world. Such digital footprints give the chance for social sciences to uncover also urban and regional motives of cyberspace or physical space activities or to discover new aspects of the spatial structure of the society.
Kulcsszavak: Big Data, digitális nyomok, térpályák, információs társadalom
1. Bevezetés
Az információs kor digitális világában a sokáig csak virtuális melléktermékként számon tartott napi információhalom akkor válik igazán értékessé, amikor a keletkező adatokat sikerül összekötni, köztük összefüggéseket, felismerhető mintázatokat találni, s mindebből értékelhető következtetéseket levonni. Az internetes és telekommunikációs cégeknél, kormányzati szerveknél vagy egyéb helyeken összegyűlő hatalmas adatmennyiség a társadalom és a gazdaság folyamatainak vizsgálata számára valóságos aranybánya. Közlekedési, vásárlási, szabadidős vagy egyéb mindennapi szokásainkról szinte korlátlanul gyűjtenek adatokat a különféle szervezetek. Mindezek összessége végső soron az emberi viselkedés egyedi és csoportos (társadalmi) szintjeibe is betekintést nyújt, s számos térbeli folyamatra is új rálátást biztosít. Az egyre szélesebb körben terjedő, térbeli információkat is használó vagy azokat spontán mód generáló alkalmazások, digitális eszközök és webes szolgáltatások révén a Big Data néven ismertté váló új fogalomkör a társadalom térbeli működésének megértéséhez vagy feltérképezéséhez, a regionális és települési térszerkezeti sajátosságok feltárásához is megszámlálhatatlan mennyiségben kínál új adatokat.
A fókuszban újabban az úton-útfélen hagyott térbeli tartalommal is rendelkező direkt vagy indirekt digitális nyomok állnak, amelyek új lehetőségeket kínálnak a társadalmi-gazdasági térfolyamatok megismerésére. Az efféle adatokra épülő adatbázisok közvetlen módon például az okostelefonok különböző helyalkalmazásaihoz kötődően keletkeznek, vagy például egyes honlapok geotag-ekkel, azaz földrajzi azonosító kódokkal való ellátásakor. Másrészt, ennél jóval érdekesebbek a geoinformációkat tartalmazó digitális nyomok indirekt halmazai, melyek nem szándékoltan, de mégis nagy számban keletkeznek a mindennapi információs eszközhasználat során. Jelen tanulmány arra vállalkozik, hogy a direkt és indirekt módon keletkező digitális nyomok földrajzi elemzésekben alkalmazható hasznosságát és néhány példáját bemutassa és értékelje.
2. Digitális nyomok alkalmazása a térpályák meghatározásában
A big spatial data állományokra épülő analitikai lehetőségek köre szinte végtelen (Ivan et al. 2017). Köztük számos olyan eljárást vagy módszert találhatunk, amelyek a társadalom-földrajzi kutatások számára is rendkívül hasznosak (lásd például Girardin et al. 2009, Järv 2012, Naaman 2011). Az alábbi példák csak apró szeletét mutatják be azoknak a lehetőségeknek, amelyeket a térszerkezeti sajátosságokat, illetve geográfiai struktúrákat elemző vagy térhasználati információkra épülő területi kutatások felhasználhatnak.
A digitális nyomokban rejlő sokszínű térbeli információk egyik széles körben elterjedt praktikus felhasználói területét képezik azok a megoldások, amelyek a helymeghatározó vagy egyéb rendszerekben rögzített direkt helyzeti adatok idősoros feldolgozását állítják a fókuszpontba. A nagyszámú tér-idő adatot hasznosító vizsgálatok tipikus eredményeiként a felmért egyedek vagy csoportok jellemző térbeli mozgási mintázatai, azaz térhasználati szokásai és tipikus bejárt térpályái is meghatározhatók lehetnek.
A modern IKT eszközök immáron bőséges új forrásokat kínálnak a térhasználati szokások feltérképezéséhez, valamint a térpályák objektív felméréséhez. A GPS eszközök, az okostelefonokba beépített alkalmazások, illetve számos más helymeghatározó, nyomkövető stb. eszköz képes rögzíteni az egyes felhasználók által megtett útvonalakat, illetve azok tér-idő koordinátáit.
A geokoordináták és időbélyegek sorozataként rögzített tér-idő adatok különösen akkor válnak hasznossá, amikor nagyon sok felhasználó nagyon nagy számú hasonló információját sikerül egyszerre, áttekintő módon értékelni. A big spatial data rendszerek éppen ezt kínálják. A sokfelhasználós közegekben ugyanis nemcsak az egyedi térpályák, hanem a jellemző útvonalak, térbeli csoportosulások meghatározására is lehetőség nyílik.
Amióta a helymeghatározó rendszerek megoldásai széles körben és relatíve olcsón elérhetővé váltak, egyre nagyobb mennyiségű felhasználóról váltak ismertté a naplózott helyzeti információk, melyek az adatfeldolgozás után térképi formában is megjeleníthetők és elemezhetők (1. ábra). Ez a módszer (a térbeli azonosítás pontosságától függően) így lehetővé teszi például a városi mikro- vagy makroterek jellemzően vagy intenzíven használt helyeinek és útvonalainak feltárását, kvázi
134
mérését.
A big spatial data forrásokra alapozott térpálya-analízis a településfejlesztés, várostervezés vagy közlekedéstervezés hasznos eszköze lehet, hiszen így már nem csak egyedi és alkalmi, de nagyszámú és szinte folyamatos megfigyelése is lehetséges az egyes helyeknek, tereknek vagy útvonalaknak. Az adatvolumen pedig következésképpen a vizsgálatok robosztusságának fokát növelheti.
3. Indirekt digitális nyomokra épülő területi vizsgálati lehetőségek
A városi térhasználat lenyomataként értelmezhető direkt helyzeti adatok mellett a társadalmi térbeli viselkedés megértésében igazán újszerű és egyben jelentős potenciált kínálnak az indirekt helyadatok, melyek kihasználása még viszonylag gyerekcipőben jár. Manapság egyre több olyan internetes felület létezik, ahol a közzétett információk egyértelműen azonosított földrajzi lokalizációval is rendelkeznek, aminek hatására az amúgy a tértől teljesen független információk is térbeli relevanciájúak lettek. Ha a HTML webkörnyezetben rögzült földrajzi lokalizációs szándékkal létrehozott geotag-ek (földrajzi azonosító kódok) adatait összegyűjtjük és térképen ábrázoljuk, láthatóvá válnak azok a területek, amelyekről nagyobb sűrűséggel tesznek közzé a felhasználók térbeli információkat vagy ahol gyakrabban megfordulnak, s így közvetve az is megvizsgálható, hogy hol használják aktívabban az információtechnológiai eszközöket, vagy melyek azok a térbeli pontok (helyek), amelyek a térszervezés szempontjából kitüntetett jelentőségűek.
A fellelhető számos példa (pl. Cuevas et al. 2014, Leetaru et al. 2013 stb.) közül csak egyet említve az utóbbi évek geolokalizált webes tartalomanalitikai kutatásainak népszerű forrásaként említhető a Twitter közösségi oldala, mely bepillantást nyújt a valóságos és spontán térszerveződések regionális és települési szintjeibe is. A közzétett rövid üzenetek (tweet-ek) rendkívül
1. ábra: Digitális nyomok alapján kirajzolódó urbánus térpályák példái (Forrás: Carden – Coast 2005)
2. ábra: Geolokalizált Twitter bejegyzések Budapest környékén illetve a „Budapest” kulcsszóra hivatkozva (melléktérkép)(saját adatgyűjtés 2018.09.13-14. között)
nagyszámú, bár nem teljes mintája egy nyilvános API (alkalmazásprogramozási felület vagy alkalmazásprogramozási interfész, angolul application programming interface) segítségével adatbázisokba gyűjthető és szervezhető. A földrajzi azonosítóval is rendelkező üzeneteknek pedig a térbeli sűrűsödése, de ezen kívül egyéb tartalmi jellemzőinek területi előfordulási gyakorisága is elemezhető.
Mivel a Twitter üzenetek rendkívül precíz, akár az utca-házszám szintnél is pontosabb területi azonosítókkal rendelkeznek, esetenként lehetőség nyílik a pontsűrűségi adatok igazán részletes vizsgálatára. Gyakori változat, amikor a sűrűségi ábrák a területi azonosításra szolgáló háttérinformációk minimális ábrázolásával jelenítik meg a geokódolt találati pontokat. Az ábrákról ugyanakkor így is sejthető, hogy azok mely földrajzi térségekre vonatkoznak, a kirajzolódó térstruktúra révén mintegy közvetett módon visszaadva a települési térfelosztás vagy regionális térstruktúra amúgy is meglévő releváns határait vagy objektumait. Ilyenkor a pontmintázat spontán kirajzolódásának érzékeltetése lehet a területi analitika célja, azaz például annak bemutatása, hogy a weben közölt tartalmak mennyire is követik a valódi földrajzi megkötöttségeket.
A 2. ábra a Twitter bejegyzések Budapest környéki sűrűsödését jeleníti meg, illetve azokat a lokációkat, amelyek a „Budapest”
kulcsszóra hivatkozó bejegyzéseket azonosították a térben. A Twitter tevékenység megfigyelésére 2018. szeptemberében egy 24 órás intervallumban került sor két módon: egyrészt a főváros területét lefedő geoablakba eső bejegyzések kerültek feljegyzésre (lásd főtérkép), másrészt a Budapest szót tartalmazó Twitter üzeneteket rögzítette az adatbázis függetlenül attól, hogy az üzenetet földrajzilag honnan is küldték (lásd melléktérkép). Bár a teljes megfigyelési időszakban összegyűjtött 6735 bejegyzésnek csupán 5%-a volt földrajzilag azonosítható, így is elegendő nagyságú volt a minta ahhoz, hogy például a belvárosi koncentrációt, vagy egyes turisztikai szempontból kiemelt helyek (pl. Parlament, Lánchíd, Budai vár) domináns kibertérbeli megjelenését azonosítani lehessen.
4. Összegzés
Mind a direkt, azaz előre tervezett módon generálódó, mind az indirekt, azaz nem szándékoltan keletkező digitális nyomok hasznosak lehetnek az új geográfiai kutatások számára. Úgy tűnik, az újonnan elérhetővé váló adatok segítségével az eddig csak sejtett, vagy relatíve korlátozott adatkörrel leírt társadalmi térszerkezeti minták esetlegesen stabilabb, vagy legalábbis kiegészítő magyarázatára lehet esély. Az optimista képet mindazonáltal árnyalja, hogy a digitális nyomok elemzése új kihívásokat is felvet az adatgyűjtéstől kezdve a jelentős méretű adathalmazok feldolgozási nehézségein át a valóban releváns következtetések levonásának kérdésköréig sok helyütt.
Köszönetnyilvánítás
A tanulmány a Felsőbbfokú Tanulmányok Intézete (Institute of Advanced Studies Kőszeg) támogatásával készült.
5. Irodalomjegyzék
Carden, T., Coast, S. (2005) London GPS tracking map. OpenStreetMap. http://www.visualcomplexity.com/vc/project.cfm?id=256 Letöltés időpontja: 2018. augusztus.
Cuevas, R., Gonzalez, R., Cuevas, A., Guerrero, C. (2014) Understanding the locality effect in Twitter: measurement and analysis. Personal and Ubiquitous Computing 18. (2.), pp. 397-411.
Girardin, F., Vaccari, A., Gerber, A., Biderman, A., Ratti, C. (2009) Quantifying urban attractiveness from the distribution and density of digital footprints. International Journal of Spatial Data Infrastructures Research 4., pp. 175-200.
Ivan, I., Singleton, A., Horák, J., Inspektor, T. (2017)(eds.) The Rise of Big Spatial Data. Springer International Publishing, Cham, Switzerland.
Järv, O., Ahas, R., Saluveer, E., Derudder, B., Witlox, F. (2012) Mobile Phones in a Traffic Flow: A Geographical Perspective to Evening Rush Hour Traffic Analysis Using Call Detail Records. PLoS ONE 7 (11) e49171. doi:10.1371/journal.pone.0049171
Leetaru, K.H., Wang, S., Cao, G., Padmanabham, A., Shook, E. (2013) Mapping the Global Twitter Heartbeat: The Geography of Twitter. First Monday 18. (5-6).
Naaman, M. (2011) Geographic information from georeferenced social media data. SIGSPATIAL 3 (2) pp. 54-61.