Local and Application-Specific Geodemographics for Data-Led Urban Decision Making

Abstract

This work seeks to introduce improvements to the traditional variable selection procedures employed in the development of geodemographic classifications. It presents a proposal for shifting from a traditional approach for generating general-purpose one-size-fits-all geodemographic classifications to application-specific classifications. This proposal addresses the recent scepticism towards the utility of general-purpose applications by employing supervised machine learning techniques in order to identify contextually relevant input variables from which to develop geodemographic classifications with increased discriminatory power. A framework introducing such techniques in the variable selection phase of geodemographic classification development is presented via a practical use-case that is focused on generating a geodemographic classification with an increased capacity for discriminating the propensity for Library use in the UK city of Leeds. Two local classifications are generated for the city, one a general-purpose classification, and the other, an application-specific classification incorporating supervised Feature Selection methods in the selection of input variables. The discriminatory power of each classification is evaluated and compared, with the result successfully demonstrating the capacity for the application-specific approach to generate a more contextually relevant result, and thus underpins increasingly targeted public policy decision making, particularly in the context of urban planning.

Modelos y marcos de trabajo para la evaluación de las políticas públicas: Una revisión sistemática

“…Los efectos causales, es tratado por Stoffi y Gnecco (2020) en la evaluación de una política pública aplicada por la Administración Regional de Toscana (Italia), para facilitar el acceso al crédito a las pequeñas empresas, usando los algoritmos; Árbol Causal con Variable Instrumental (CT-IV) y Árbol Causal Honesto con Variable Instrumental (HCT-IV), demostrando que estos algoritmos pueden tratar de forma más eficiente la heterogeneidad 2021) presenta cuatro estudios que integran herramientas de investigación de distintas disciplinas -desde la inferencia causal estadística hasta los modelos de química atmosférica -para evaluar los impactos de la política energética y medioambiental adoptada sobre la calidad del aire, utilizando métodos prospectivos y retrospectivos, concluyendo que los efectos reales de las políticas, suelen estar muy por debajo que los beneficios previstos; ya, con el desarrollo de la energía eólica, observan beneficios sustanciales para la calidad del aire, pero además indica que estos se multiplicarían por cuatro, si las políticas pudieran priorizar aquellas unidades más dañinas, además en este segundo estudio, encontró que los beneficios para las poblaciones de bajos ingresos y las minorías está por debajo de los objetivos planteados, por lo que sugiere que hacen falta más esfuerzos para resolver las disparidades de la contaminación del aire; posteriormente propone un método estadístico para estimar los factores de emisión medios de los vehículos (resultado que se usa para tomar decisiones) a partir de mediciones instantáneas (dato que se toma sobre el terreno), descubriendo que una fracción mucho menor del parque automotor móvil en Europa cumple con las normas de emisión, en relación a las cifras oficiales; y finalmente, propone un modelo de aprendizaje automático, que demuestra tener un mejor desempeño para atribuir las tendencias de los contaminantes observados a los cambios en las emisiones bajo la variabilidad meteorológica. Desde una perspectiva más general, Diallo et al, (2021) afirman que los modelos informáticos y las simulaciones orientadas a la elaboración de políticas suelen centrarse más en la articulación de las políticas a aplicar, que, en la representa-ción realista de la dinámica cultural de la sociedad Modelos y marcos de trabajo para la evaluación de las políticas públicas: una revisión sistemática objetivo, y esto puede llevar a evaluaciones de políticas que ignoran factores sociales contextuales cruciales, en ese sentido, Diallo et al, (2021) aportan pruebas de que la incorporación de dimensiones moralmente destacadas de una cultura, producen evaluaciones relevantes y precisas de la política social cuando se utilizan modelos y simulaciones de AI multi-agente; del mismo modo Otley et al, (2021) presentan un marco que introduce mejoras en los procedimientos tradicionales de selección de variables empleadas en el desarrollo de clasificaciones geodemográficas, que introduce en la fase de selección de variables, técnicas de ML supervisado para identificar variables de entrada contextualmente relevantes a partir de las cuales desarrollar clasificaciones geodemográficas con mayor poder discriminatorio, demostrando con éxito la capacidad del enfoque específico de la aplicación, para generar un resultado más relevante desde el punto de vista contextual, a través de un caso de uso práctico cuyo objetivo es discriminar mejor la propensión al uso de las bibliotecas en la ciudad británica de Leeds.…”