Bea Močiariková a Evča Pavloušková: Šťastie v Brne

Vítame vás na blogu nášho projektu, ktorý vznikol v rámci Digitálnej akadémie v Brne. Veríme, že Vás pobaví. :)

Ako to celé začalo?

Prvýkrát sme sa stretli už minulý rok na HTML/CSS kurze od Czechitas, takže sme sa registrovali už od začiatku kurzu. Nakoniec z nás dvojičky spravila spoločná predstava projektu, ktorý niečo dokáže zmeniť, pomôže a ideálne bude zameraný na aktuálne problémy s počasím, suchom a využívaním dažďovej vody.

     Keď prišiel moment predstavenia datasetov, hneď prvá možnosť z nich – termálna mapa – nás oslnila a v podstate bolo rozhodnuté. Za využitia ďalších otvorených dat od magistrátu mesta Brna sme chceli zmeniť aktuálnu situáciu v Brne, priniesť sem viac vody, zelene a šťastia. Celkom rýchlo sme však pochopili, že práca s mapami je niečo úplne iné ako to, čo sme sa snažili pochopiť na lekciách PowerBI či SQL. Prišli s nimi problémy so súradnicami, hodiny googlenia aj učenie geografickej terminológie.

Meet your mentor
Každý tím si na základe predstavenia dat a svojej predstavy o projekte mal do MYM vytvoriť hypotézy, ideálne vedieť, v akej oblasti má silné miesta a s akými nástrojmi chce pracovať.
     My sme, s ideou zachrániť svet (Brno) a pomôcť všetkým byť bližšie k vode a prírode svoj plán postupne predkladali mentorom. Kým sme prišli k poslednému stolu, hlavy sme mali ako balóny, nápadov veľa. Problém sme však skoro všade počuli rovnaký: a budete k tomuto mať data?
     Na naše veľké šťastie sme nakoniec z mentorov vyhrali Romana Baroša z Oracle Netsuite, ktorý nášmu pôvodnému nápadu vyzeral naklonený. Vtedy ešte netušil, k čomu sa upísal, ale čoskoro pochopil:

B: Tak sme zmenili tému..

R: A to je koľký plán? E..F..G? Aby nám stačila abeceda.

Problém: Nemáme data. zn. Hackaton
Hackaton sa blížil, ľudia skúmali data, zoznamovali sa s nimi. A my sme ich stále nemali. Vzhľadom k tomu, že sme neboli jediná dvojička s nedostupnými datami od magistrátu, dohodlo sa stretnutie na radnici, ktoré prebehlo krásne a data sme mali prisľúbené. Nakoniec sme sa k nim dostali v piatok, deň pred Hackatonom. Na ten sme išli plné očakávaní – každý nám predsa vravel, že práve tu spravíme aspoň 80 % projektu a ďalšie týždne to už len doťukneme. Gratulujeme všetkým, komu to tak vyšlo, rozhodne to nebol náš prípad. :D
     Problém sme objavili hneď ráno, keď náš hlavný objekt záujmu – termálna mapa – neponúkol požadované údaje. Vzdali sme to s ňou po niekoľkých útrapných hodinách, skúšaní landsatexplorer či USGS.. Prešli sme teda na plán B, pracovať s datami o Brnenských budovách, ktoré sme mali k dispozícii, a dodatočne ich prepojiť s iným, zaujímavým datasetom.
     Keďže Roman je majster cez SQL, všetky údaje sme si najskôr naimportovali do databázy. Spätne nám toto prvé nahrávanie dat príde úsmevné, keďže odvtedy sme si prešli drop-ovaním, truncate-ovaním a bulk-ovaním možno aj viackrát, ako by sme chceli. :)
     Postupom dňa však na nás obe dopadala mierna depresia z toho, že nemáme jasnú tému. Preto sme sa rozhodli ísť pre splnenie nášho cieľa každá iným smerom. Evča sa rozhodla preskúmať korelácie jednotlivých faktorov medzi sebou. S pomocou Honzíka Dupala rozbehala korelančné tabuľky v PowerBI.
     Bea sa pustila do ovládnutia máp, pretože sa nechcela vzdať pôvodnej témy prírody a zdravia. Rozhodla sa, že skúsi zistiť vzdialenosť budov od zelene. Pre tieto účely využila datasety od magistrátu mesta Brna o parkoch a lesoch v Brne. Spustenie aplikácie QGis pre zobrazenie vrstiev máp nebol problém, rovnako ako nahranie prvých vrstiev. Aby sme však mohli zobrazovať na mape aj naše budovy, z dostupného geografického údaju sa (nakoniec s veľkou pomocou všetkých naokolo) museli vydolovať súradnice.

NNjoin v QGise

      So súradnicami sme už následne mohli pracovať. :) Datasety z magistrátu sme prepojili pre vytvorenie vrstvy zelene a ešte sme pridali polygonovú vrstvu mestských častí Brna. Opäť za pomoci Honzíka Dupala sme pre účely určovania vzdialenosti objavili plugin NNjoin.
     Ostávalo zistené údaje prepočítať zo stupňov na metre a vzdialenosti si ukázať v PowerBI. Viac sme na hackatone nestihli, pretože bezlaktózová dvojička sa trochu pozabudla a zjedla pizzu so syrom, vďaka čomu strávila tretinu dňa v kŕčoch (a Miloš s Romanom by si za podporu zaslúžili minimálne medaile).
     Večerné odprezentovanie celodennej práce tak ostalo na Eve s podporou Bei zo zadných zelených sedačiek.

Šťastie
Po hackatone prišlo vytriezvenie v podobe reálneho problému: nemáme poriadne data, nemáme tému, všetko je zle. Najlepším kamarátom sa stala Ecosia, Google a víno. Keďže sme sa nechceli vzdať toho, čo sme už mali a témy prírody, mysleli sme si, že musíme mať veľké šťastie, aby sme našli vhodný doplňujúci dataset. A vtedy sme si to uvedomili. Šťastie!
     Ovplyvňuje šťastie ľudí v Brne to, že sú blízko k zeleni? Alebo to, že sú blízko k hospodám, obchodom? Vadí im hluk? Tieto a ďalšie otázky sme sa rozhodli hľadať v datach z mapy pocitov obyvateľov v Brne. Konečne sme mali data a novú energiu do robenia projektu. :)

Excel, Python, SQL, QGis, PowerBI
Napriek tomu, že pri učení rôznych technológii sme sa bavili na tom, že „určite“ všetky pri projekte využijeme, nakoniec sa tak naozaj stalo.
     Čistenie dat trvalo dlho. Oba datasety, s ktorými sme pracovali, mali svoje špecifikácie. Napríklad „pocity“ obsahovali stĺpce, kde sa ľudia vyjadrovali v rámci výskumu – v celých vetách – k mestskej časti v Brne, kde žijú. Dataset s budovami zase prešiel v rámci spracovávania autorovej diplomovej práce určitou štandardizáciou, čím sa niektoré hodnoty z neho stali v podstate nepoužiteľné.
     Vzhľadom k obsahu datasetu pocitov sme sa rozhodli skúsiť spraviť analýzu textu, aby sme zistili, aké konkrétne veci ľuďom v ich mestskej štvrti vadia a naopak, ktoré im robia radosť.

Analýza kľúčových slov
Problémov sme však mali hneď niekoľko. Keďže odpovede písali ľudia na počítači, často sa vyskytli rôzne znaky (/“, a najhoršia možnosť - ; ). Časté boli preklepy, niektorí ľudia písali s diakritikou, iní bez nej. Cieľom pre nás bolo získať kľúčové slová, rozdeliť ich do kategórii a následne si určiť, akú majú hodnotu, aby sme s nimi vedeli numericky pracovať.
     Pre prvotnú analýzu sme si zobrali všetky vety a v Pythone sme sa pomocou stránky Geneea pre textovú analýzu pozreli na to, aké vety sú. Pre otestovanie, ako systém funguje pre naše potreby, sme to vyskúšali na vzorke veľkej okolo 100 záznamov. Keďže v našom datasete boli vety rozdelené v stĺpcoch podľa šťastia a problémov, očakávali sme rozpoznanie viet v problémoch ako negatívne a pri šťastí ako pozitívne zafarbených. Na využitie služieb Geneea sme si vytvorili svoj prístupový kľúč a využili ho, aby nám vrátil sentiment viet.

Príkaz v Pythone pre pripojenie na stránky, ktoré nám vrátia sentiment zadaných viet

     Výsledok pre jednotlivé vety sme mali rýchlo, rovnako rýchlo sme si však overili svoje domnienky, že odpoveď v podobe jedného slova bude (pokiaľ nejde o výrazne expresívne slovo) rozpoznaná ako neutrálna, rovnako ako systém ťažko rozpozná iróniu.

Výsledok v príkazovom riadku

     Ako vidno pri výpise niekoľkých viet, najprv je vypísaná verzia systému, ďalej je skúmaný text a za language je cs, čiže správne rozpoznaná čeština. Pre nás najzaujímavejšie sú posledné dva stĺpce sentiment v hodnote -1, 0 alebo 1 a následné vyjadrenie slovom negative, neutral alebo positive. Ako vidno aj na ukážke, objavili sa všetky možnosti, výsledky analýzy sme však pozreli aj v PowerBI.

     Čeština a slovenčina je vo výsledkoch správne, keďže niektorí respondenti boli slováci. Polština a maďarčina bola rozpoznaná v prípadoch, keď bolo uvedené iba jedno (alebo pár slov) bez diakritiky (napríklad nic). V tomto prípade išlo o negatívne vety, napriek tomu niektoré z nich boli rozpoznané ako pozitívne. Za všetky je ukážkový príklad veta, kde sa pán sťažoval na parkovanie ľudí - nie úplne slušnou cestou - a za vetu dal, zrejme pre zjemnenie, usmiateho smajlíka.

 

     Vyskytla sa nám teda otázka, ako si získané kľúčové slová ohodnotíme. Ba čo viac, ako v nich zohľadníme, že je pre nás dôležité zameranie na zeleň a prírodu. Vytvorili sme si teda svoje vlastné hodnotenie slov. Pozitívne kľúčové slová sme ohodnotili od 1 do 5 s tým, že hodnotenie 5 = najväčšia dôležitosť pre náš cieľ. Negatívne kľúčové slová mali hodnotu -1 až -5 s rovnakou logikou.

     Kategórii sme si vytvorili 18, napríklad doprava, ľudia, príroda či vybavenosť. Kľúčových slov sme definovali 149. Hodnotu -5 získali negatívne slová v kategóriách hluk, zdravie a zeleň vadí. Hodnotu 5 na druhú stranu dostali slová kategórií príroda, zeleň a parky.
     Všetky hodnoty v jednotlivých kategóriách sú zobrazené v tabuľke naľavo.

     Väčšina kategórii bola rovnaká pre svoju pozitívne aj negatívne zafarbenú verziu. Najdôležitejšie pre nás sú v kladných hodnotách parky a príroda (pod ktorú spadá kĺúčové slovo zeleň), v negatívnych nám najviac záležalo na kategóriách hluk, zdravie, zeleň chýba a zeleň vadí.

SQL
Všetky tabuľky sme si chceli opäť importovať do SQL, aby sme v nich mohli robiť výpočty. Keby sme pre budúce generácie mali zanechať nejaký odkaz, bol by takýto: pri importe dat treba mať veľa, veľa trpezlivosti. Bulk insert vie byť zlo, rovnako tak zmeny kódovania medzi UTF-8 a Unicode. V lepšom prípade prišla ms. 4865, v horšom sa nič nenaimportovalo – BEZ HLÁŠKY ERRORU.
     ..keď človek ani nevie, čo má googliť. To je skutočné peklo.
     Po hodinách errorov nás v určitých chvíľach zachránil codepage a výsledné BULK príkazy vyzerali nasledovne:

     Nakoniec sa nám úspešne podarilo importovať všetky tabuľky z oboch datasetov a mohli sme začať hľadať výsledky. Tie sme hľadali jednak na základe zadávania SQL príkazov, rovnako však aj za použitia PowerBI.
     Pre následnú najkrajšiu možnú vizualizáciu výsledkov sme chceli využiť mapy nie len z PowerBI, ale aj z nášho obľúbeného QGisu, ktorý nám tak verne slúžil na všetko, okrem termálnej mapy.
     Pocit zrady z jeho strany bol teda o to väčší (názov Oh Uh! je tak výstižný, ako to len ide..):

     Niektoré veci, ktoré sme vďaka tejto aplikácii chceli vyskúsať, začali čoraz častejšie podobnú optimistickú hlášku ukazovať, poďakovali sme preto QGisu za spoluprácu a ďalej mapy riešili už len v rámci PowerBI.

Získavanie výsledkov

Korelácie
Evča sa ďalej venovala koreláciám z Hackatonu. Aby data mohla vykreslovať do grafov a skúmať, musela ich najskôr štandardizovať. Výsledkom bol štandardizovaný dataset, obsahujúci spojené atributy o Brne (a neskôr aj o zeleni a parkoch). V tomto bode sme už mohli skúmať jednotlivé faktory.
     Pre prehľadnosť sme ich rozdelili na faktory environmentálne a sociálne. Na zistenie podobných skupín a ich znázornenie sme využili zhlukovú analýzu. Ako sme zistili, medzi faktormi existuje priama aj nepriama závislosť.

Environmentálne faktory
   

Znázornenie korelácii medzi faktormi environmentálneho charakteru

Priamu závislosť môžeme vidieť napríklad pri vzdialenosti miesta od zelene a jeho vzdialenosť od frekventovanej silnice. Rovnako tak figuruje znečistenie ovzdušia aj v nepriamej závislosti na vzdialenosť miesta od frekventovanej silnice (čím sa teda zvýši hodnota vzdialenosti daného miesta od silnice, tým sa zníži hodnota prekročenia znečistenia ovzdušia). Toto znečistenie ovplyvňuje ďalej nepriamo aj vzdialenosť od zelene – opäť, čím je miesto bližšie k zeleni, tým je hodnota znečistenia ovzdušia menšia.

Sociálne faktory

Znázornenie korelácii medzi faktormi sociálneho charakteru

Značne viac dat sme mali pre skupinu sociálnych faktorov. Dalo sa hneď vidieť niekoľko skupín, ktoré na sebe sú závislé.

     Priama závislosť je napríklad jasná v doprave MHD a dojazdových časoch na vybrané dopravné uzly. Pri sledovaných miestach v Brne to vypovedá o priamej závislosti na dopravnej obslužnosti MHD a dostupnosti hlavných prestupných uzlov. Viditeľné je tiež, že reštaurácie sú umiestnené v miestach s dobrou obslužnosťou MHD.
     Vybavenosť miest poštami, potravinami a miestami pre recykláciu má nepriamu závislosť k pomeru zastúpenia obytných budov (teda tam, kde je viac obytných budov, je väčšia sociálna vybavenosť týmito službami a vzdialenosť sledovaných miest je k týmto službám zase menšia).

Kľúčové slová a hodnoty mestských častí

Veľa výsledkov nám priniesla samotná analýza kľúčových slov, vďaka ktorej sme vedeli zistiť veľmi zaujímavé výsledky – aj vďaka SQL. Napriek tomu, že by sme tieto veci dokázali zistiť aj v PowerBI, vnútorne sme k SQL tak inklinovali, že sme chceli čo najviac vecí vyskúšať aj tu.
     Od prvých SELECTov sme tak pre naše potreby postupne využívali čoraz zložitejšie príkazy. Niektoré zo základných príkazov, s ktorými sme sa postupne hrali, vyzerali nasledovne:

     Snažili sme sa prísť na rôzne vzťahy medzi kľúčovými slovami a ich kategóriami v rôznych mestských častiach.

Okno, ktoré na dlho ukáže PowerBi pri obnove hodnôt z databázy

     Keďže v priebehu práce s datami sa stalo, že sme si v nich všimli také, ktoré si ešte zaslúžili našu pozornosť a ďalšiu prácu s nimi, veľmi sme ocenili prepojenie SQL s PowerBI, čo nám neuveriteľne uľahčilo život. Akonáhle sme na niečo použili v rámci databázy UPDATE, v PowerBI nám stačilo použiť Refresh (potom čakať..dosť dlho :D) a užívať si upravené hodnoty.

Výpočet priemerov hodnôt pre mestské časti

Na výpočet celkovej hodnoty mestskej časti sme porovnali všetky hodnotenia od všetkých respondentov. Pre každú mestskú časť sme vypočítali priemer pozitívnych a negatívnych kľúčových slov, rovnako ako priemer všetkých kľúčových slov. Výpočtov pre správne určenie výsledných hodnôt mestských častí sme skúsili niekoľko.
     Vo výslednej tabuľke jedného z nich (pod tabuľkou vidno jeho nežne upravenú verziu) vidieť priemer pozitívneho sentimentu, priemer negatívneho sentimentu, priemer týchto dvoch hodnôt, a celkový priemer hodnoty = náš podstatný údaj pre ohodnotenie mestskej časti na základe nami stanovených hodnôt kľúčových slov. Tým pádom sú tu zoradené mestské časti podľa toho, ako ju ľudia hodnotia s ohľadom na zeleň a príbuzné kategórie v nej. Rovnako pre nás boli dôležité kategórie s trochu nižšími hodnotami, napríklad vybavenosť či služby. Vnorený SELECT nám počítal pre každú mestskú časť priemery pre každého jedného respondenta zvlášť. Hlavný SELECT nám vyrátal priemer týchto priemerov. Výsledná tabuľka vyzerala nasledovne:

Zoradenie mestských častí Brna podľa priemeru ich hodnôt

     Ak by sme mali všeobecne zhodnotiť, ako vyšli podľa našich kritérii jednotlivé mestské časti, na prvom mieste by sa umiestnil Útěchov s pozitívnym priemerom 2,242, nasledovaný Kohoutovicami s 1,641. Top 3 by uzavrel Žebětín s 1,597.

     Ako najmenej “zelené”, teda s ohľadom na naše priority najhoršie, vyšli Chrlice s hodnotou -1,667, Ořešín s -1,5 a Bosonohy s -1,417.

     Rovnaké hodnoty by nám vrátil aj značne jednoduchší SELECT iba s mestskou časťou a priemerom, páčilo sa nám však mať všetky informácie pre výpočty pri sebe. :)
     Pri lepšom pohľade na výsledky nám však nedalo a museli sme spraviť to, čomu sme sa podvedome chceli vyhnúť – premazať mestské časti (= vybrať pre väčšiu reprezentatívnosť výsledkov časti s viac respondentmi). Je totiž veľký rozdiel, či na mestskú časť reaguje 1 človek alebo ich je 123. Ako je z tabuľky vidieť, Chrlice aj Ořešín na posledné priečky poslal 1 ich (očividne nespokojný) obyvateľ, rovnako ako 1 človek dostal Tuřany na 4 miesto.

     Zmenili sme teda náš príkaz tak, aby nám ukázal len tie mestské časti, pre ktoré bol minimálny počet respondentov 10:

     Výsledkom je 15 riadková tabuľka, na ktorú sme veľmi hrdé, aj keď je opäť pre množstvo údajov dosť neprehľadná. Opäť vidíme údaje ako predtým, tentokrát nám však ako najpozitívnejšia mestská časť vyšli Medlánky, nasledované Žabovřeskami a časťou Líšeň. Vo výslednej tabuľke na rozdiel od tej predtým vidno, že iba 3 mestské časti – Vinohrady, Židenice a Slatina – zostali z častí s negatívnou hodnotou.

Výsledná tabuľka mestských častí

     Údajov je ku každej mestskej časti naozaj veľa, riešime ich preto až v rámci nášho reportu, ktorý nájdete na konci príspevku. :)

Ukážka z reportu pre mestskú časť Brno - Stred

     Tu ďalej bližšie popíšeme niekoľko vybraných mestských častí. Chceli sme vybrať čo najvernejších zástupcov rôznych výsledkov (najpozitívnejšie a najnegatívnejšie hodnotené, najkomentovanejšie atď.). Nakoniec sme vybrali nasledujúce mestské časti:

-        Medlánky,

-        Brno – Sever,

-        Slatina,

-        Komín,

-      Brno – Stred (ako časť s najviac respondentmi aj odpoveďami pre možnosť porovnávania).

Hodnotenie vybraných mestských častí

Hodnoty kategórii pre vybrané mestské časti

Na obrázku, kde zobrazujeme len spomínané mestské časti, vidno, prečo sa každá z nich umiestnila na mieste, na akom je. V Brne – Stred je veľké zastúpenie kladných hodnôt z prírody, parkov, vybavenosti a polohy, stráca však na parkovaní, hluku či nedostatku zelene. Toto je napríklad veľmi zaujímavý paradox, pretože napriek tomu, že veľa ľuďom sa práve zeleň páči, aj tak jej je podľa iných málo. To len viac poukazuje na subjektivitu názorov jednotlivcov.

     Medlánky, víťaz nášho boja, získali veľa na prírode a kľude, ktorý tam prevláda. Ľudia ocenili ich polohu, ako aj v Brne - Strede však kritizujú možnosti parkovania.
     Slatina, očividne, utrpela veľkú porážku z dôvodu dopravy, hluku a tomu, že tam chýbajú zelené plochy. O doprave na Slatinu nemusíme dlho polemizovať, pretože kto tam už niekedy išiel v dopravnej špičke, vie, že je to pre vodičov veľká skúška nervov. Pozreli sme sa preto na priemernú vzdialenosť k zastávkam MHD a výsledok dal ľuďom za pravdu, že dostupnosť MDH (riešená v rámci kategórie doprava) je dosť zlá – z vybraných častí je priemerná vzdialenosť k zastávke o 300 metrov horšia, ako v predposlednom Komíne. Rozdiel medzi časťami Brno – Sever a Slatinou je úplne markantný, zatiaľ čo v Slatine to je 714 metrov, v časti Brno - Sever to je len 190 metrov. Nasledované sú Stredom (s 245 m) a Medlánkami (246 m).

     Pre potvrdenie sme sa ešte pozreli na to, ako dlho trvá priemerne cesta k 3 vybraným MHD uzlom z jednotlivých mestských častí (započítaná je aj vzdialenosť, ktorú človek prejde chôdzou zo sledovaného miesta na zastávku):

Priemerná vzdialenosť k 3 vybraným MHD uzlom

     Graf opäť potvrdzuje sťažnosti ľudí o tom, že je Slatina ďaleko – vidíme, že dostať sa na Českú zaberie jej obyvateľom cez 40 minút, na Skácelovu cestujú až 49 minút. Tieto hodnoty sú extrémne v porovnaní so všetkými ďalšími skúmanými časťami. Brno – Stred si obhájil svoje dobré body za dostupnosť, prekvapivo však Brno – Sever toľko kladných bodov za túto výhodu nezískal, aj keď vidno, že na tom v časovom porovnaní nie je vôbec tak zle a v priemernej vzdialenosti na zastávku dokonca prekonal Stred.

Priemerná vzdialenosť k pošte, potravinám,
reštauráciám a recyklokontajnerom

     Ako ďalšiu kategóriu zo skôr určených sme sa rozhodli pozrieť na vybavenosť. V tej sa do negatívnej hodnoty dostali akurát Medlánky, rozhodli sme sa preto pozrieť na priemernú vzdialenosť budov od reštaurácii či hospod. Ako vidno, okrem pošty na tom sú Medlánky porovnateľne s Komínom a ešte lepšie ako Slatina.

Všeobecné závery

Kľúčové slová
Pri skúmaní najčastejšie uvádzaných pozitívnych a negatívnych kľúčových slov sa nám potvrdila naša najzákladnejšia hypotéza: zeleň ľudí robí šťastnejšími, pretože práve zeleň vyšla ako najčastejšie uvádzané pozitívne kľúčové slovo. Doprava a parkovanie je naopak problémom ľudí takmer vo všetkých mestských častiach.

 “Nespokojné body”
Na nasledujúcej mape vidno základné zhluky bodov, ktoré sa Brňanom nepáčia, farebne sú odlíšené podľa mestských častí. Jednoznačne sa dá povedať, že hlavní nádraží a Mendlovo náměstí má u ľudí najmenšiu obľubu, koncentrácia bodov je tu naozaj najvýraznejšia z celej mapy. Rovnako tak sa dá všimnúť súvislý pás bodov na Cejli a okolitých uliciach. Potvrdzuje to naše zistenia z dat o šťastí, pretože k tejto oblasti a jej obyvateľom často smerovali výtky od respondentov. Dalo by sa povedať, že to sú miesta s obrovským potenciálom na zmenu v rámci centra Brna.

Nespokojné body - zhluk v oblasti hlavního nádraží či Cejlu

Zhluky zelene
Z mapy a údajov vyplýva pozitívny vzťah ľudí k prírode a zeleni vo viacerých častiach Brna. Pri zisťovaní kľúčových slov sme zistili napríklad to, že ľudia pozitívne hodnotili mestské časti Brno – Stred, Brno – Sever, Bystrc, Žabovřesky či Medlánky. Konkrétne ocenili Lužánky, Špilberk či Tyršovy sady.

Čím bližšie k zeleni, tým sú body zelenšie

     Ako vidno, body okolo Lužánok a ďalších parkov sú zelené. Body, ktoré sú v reálnom živote ďalej ako 200 m od zelene sa stávajú žltšími a od 400 m farba prechádza na červenú.

     Je však dobré poukázať na to, čo sme písali na začiatku – tieto data máme napojené na mapu zelene, ktorú sme získali prepojením parkov a lesov mesta Brna. Pokiaľ teda v Brne je zeleň, ktorá nie je zapísaná pod Brnom, aktuálna mapa s ňou nepracuje ako so zeleňou a ignoruje, že na mape sa ukáže ako zelená plocha.

     Pri pohľade na celú mapu vidíme ďalšie výsledky.

Mapa vzdialeností od zelene

     Červenou farbou sú označené oblasti, kde zeleň chýba. Jednoznačný je trend priemyselných zón (Černovická terasa, Brno – Horní Heršpice, oblasť CTParku, ..) a staníc (Stanica Brno – Horní Heršpice, Brno – Slatina); ďalšie z červených zhlukov je oblasť Zetoru a v okolí Pod Hády v Líšni.
     Pre overenie hypotézy, že naozaj zeleň šťastie ľudí ovplyvňuje, sa pozrieme ešte na poslednú mapu – sú na nej modrou zobrazené body, ktoré respondenti označili ako miesta, s ktorými sú spokojní, nechcú ich meniť. Je jasná ich koncentrácia v Lužánkach, Wilsonovom lese, na Kravej hore aj Špilberku.

Viditeľné "spokojné" body v oblasti zelene

     Tak, ako bolo jasné prepojenie nespokojnosti ľudí s “hlavasom”, tak tu krásne vyplýva prepojenie ľudskej spokojnosti a zelene v rámci Brna.

Dodatočná mapa

Vzhľadom k tomu, že sme sa naučili robiť pekné mapy a niektoré údaje z našich 2 datasetov sa priam ponúkali na prepojenie, pozreli sme sa na ďalšie faktory, ktoré môžu spokojnosť ľudí v Brne ovplyvniť. Na nasledujúcej mape napríklad konkrétne vidno, ako sú jednotlivé budovy vzdialené od najbližšieho kontajneru s triedeným odpadom. Čím je bod svetlejší, tým je ku kontajneru bližšie. Problém s odpadkovými košmi na triedený odpad uviedlo niekoľko ľudí práve v mestskej časti Brno – Stred. Práve pre týchto ľudí možno bude zaujímavé pozrieť si, či sú ich sťažnosti oprávnené, prípadne pozrieť stránky magistrátu mesta Brna, kde je mapa kontajnerov na triedený odpad verejne prístupná.

Vzdialenosť budov od kontajnerov na triedený odpad

Zhrnutie

Všetky naše zistené výsledky podporili našu hlavnú hypotézu. Príroda a zeleň značným spôsobom ovplyvňujú šťastie ľudí v Brne s tým, že si toho sú naozaj vedomí a v prípade, kde zeleň chýba, považujú to za negatívne. Rovnako dôležité sú pre nich kľud a dobrý vzduch.
     Brňanov najviac hnevá doprava, parkovanie a autá. Ako jeden respondent vyjadrill svoj negatívny názor: “autá, autá, autá všade.” Zaujímavý je po zamyslení kontrast týchto odpovedí. Ľudia na jednej strane chcú, aby bolo viac zelene, aby sa pozastavovali zástavby a aby pribúdalo parkov. Na druhej strane ostro kritizujú nemožnosť poriadne zaparkovať, nadávajú na autá parkujúce všade možne po uliciach a chodníkoch a dovolávajú sa parkovacích domov či výstavby parkovacích miest.
     Naše výsledky naznačujú, že je veľký potenciál niektoré veci zmeniť k lepšiemu a ponúkajú priestor pre rozvoj a zlepšenie niektorých miest v rôznych mestských častiach Brna.

Záverom zn. Čo nám akadémia dala
Obe sme veľmi šťastné, že sme mali možnosť akadémie sa zúčastniť. Bola to vo všetkých ohľadoch veľká výzva. Každá sme našli zaľúbenie v niečom inom a získali sme predstavu, čo vlastne vo svojom živote (ne)chceme robiť.
     Akadémia pre nás boli smiech aj slzy, odhodlanie aj čistá beznádej (termálna mapa). Obrovská časť akadémie však boli práve ľudia, ktorí ju tvorili. Či už to boli spolužiačky, mentori alebo vyučujúci - každý prispel svojou časťou a vytvoril tento nezabudnuteľný zážitok, ktorý trval 3 mesiace, ale prešiel neuveriteľne rýchlo.
     Chceli by sme poďakovať každému, kto nám na ceste k tomuto projektu pomohol. Romanovi, pretože mal na naše vrtochy a výmysly trpezlivosť. Rodinám a Tomovi, pretože zvládali občasné depresívne stavy a zachraňovali notebooky pred vyhodením z okna. Milošovi a Honzíkovi, pretože to sú neuveriteľne úžasní ľudia ochotní kedykoľvek pomôcť.
     A samozrejme Katke, Romči, Marti, Ivči, Verči, Helči, Maruške a ostatným dievčatám za to, že sú také skvelé a že sme spolu vytvorili, napriek tomu, aká sme každá iná, úžasný tím. :)

Report:

Výsledný report v PowerBI