Arquitectura de Resolución de Nombres Regionales

Los clústeres de colocalización se identifican mediante geometría: un conjunto de coordenadas de latitud y longitud derivadas de los registros de puntos de interés de OpenStreetMap. La geometría no tiene nombre. Asignar a un clúster un nombre útil y reconocible para los usuarios requiere un paso de resolución independiente que hace coincidir el centroide del clúster con conjuntos de datos de nombres de lugares con autoridad reconocida. Este artículo describe cómo funciona dicha resolución, por qué es necesaria y dónde puede fallar.

[edit]El Problema con los Límites Administrativos

OpenStreetMap y Wikidata organizan la geografía en jerarquías administrativas: país, región, condado, municipio. Estas jerarquías están definidas legal y políticamente. No siempre corresponden a los nombres que residentes, empresas e investigadores de mercado utilizan para describir un lugar.

Consideremos un clúster de colocalización comercial en la comunidad de Sherwood Park, Alberta. Sherwood Park es una comunidad no incorporada dentro del Condado de Strathcona. Su límite administrativo en OSM es el condado — Strathcona County — no la comunidad. Un algoritmo que resuelva nombres de clústeres únicamente a partir de límites administrativos etiquetaría este clúster como "Strathcona County", un nombre que aporta escasa información a un investigador que estudia patrones comerciales suburbanos en el área metropolitana de Edmonton. El nombre "Sherwood Park" es el que usan la comunidad, sus comercios y sus residentes. Es el que debe aparecer en el título de un artículo de Mercado Regional.

Esta desconexión entre la geografía administrativa formal y los nombres coloquiales de los lugares no es un caso excepcional. Aparece en todo contexto donde persisten comunidades no incorporadas, subdivisiones censales y nombres históricos de ciudades junto a estructuras de condado o municipio más recientes. La arquitectura de resolución existe para salvar esa brecha.

[edit]Conjuntos de Datos de Límites

Cuatro conjuntos de datos proporcionan candidatos de nombres de lugares, cada uno cubriendo una parte diferente del alcance geográfico de la plataforma.

TIGER 2023 (Estados Unidos). El conjunto de datos TIGER (Topologically Integrated Geographic Encoding and Referencing) de la Oficina del Censo de EE. UU. proporciona límites de lugares para los Estados Unidos. La versión 2023 incluye aproximadamente 32.000 lugares con nombre: ciudades y pueblos incorporados, lugares designados por el censo (CDP) y algunas comunidades no incorporadas con nombres reconocidos. Los lugares TIGER son la fuente de resolución principal para todos los clústeres de EE. UU.

GISCO LAU 2021 (Unión Europea y países asociados). La Comisión Europea publica los límites de Unidades Administrativas Locales (LAU) derivados de la nomenclatura NUTS. La versión 2021 cubre aproximadamente 98.600 municipios en estados miembros de la UE y países vecinos del marco de Eurostat. Los límites LAU son la fuente de resolución principal para clústeres de la UE en Alemania, Francia, España, Italia, Polonia, Países Bajos, Austria, Portugal, Grecia, Suecia, Dinamarca, Finlandia y Noruega.

GADM GBR (Reino Unido). La base de datos GADM proporciona datos de límites subnacionales para países no cubiertos por GISCO. Para el Reino Unido, GADM proporciona límites administrativos de nivel 3 (parroquias y distritos electorales en Inglaterra; comunidades en Gales; parroquias civiles en Escocia).

Reemplazos Nominatim (Canadá). Canadá presenta un desafío particular porque las subdivisiones censales (CSD) a veces abarcan grandes áreas geográficas que contienen múltiples comunidades distintas con nombres diferentes. Doce entradas de reemplazo manual en ca_places_nominatim.json proporcionan nombres canónicos de lugares para casos en los que el nombre CSD sería engañoso. Sherwood Park (CSD Condado de Strathcona) es uno de estos doce reemplazos.

[edit]Lógica de Resolución

Para cada centroide de clúster, el algoritmo de resolución procede como sigue:

Coincidencia de nombre. El algoritmo primero verifica si las ubicaciones comerciales del clúster tienen una etiqueta addr:city o addr:suburb coherente en OSM. Si la mayoría de los registros miembros coinciden en un nombre de lugar, ese nombre se toma como candidato sin consultar los conjuntos de datos de límites.

Contención por límites. Si no existe consenso en las etiquetas OSM, se prueba si el centroide está contenido en el conjunto de datos de límites aplicable. Se selecciona el polígono de menor área que contiene el centroide, y su campo de nombre se convierte en el candidato de resolución.

Respaldo de nivel administrativo. Si ningún polígono al nivel administrativo preferido contiene el centroide, el algoritmo sube al siguiente nivel administrativo y repite la prueba de contención.

Aplicación de reemplazos. Después de identificar el candidato inicial, el algoritmo verifica el nombre candidato frente a la lista de reemplazos. Para Canadá, si el nombre CSD resuelto coincide con uno de los doce nombres problemáticos conocidos, el reemplazo proporciona el nombre coloquial correcto.

[edit]Por Qué Importan los Nombres Canónicos

El nombre resuelto no es simplemente una etiqueta de visualización. Es el identificador principal utilizado en el sistema de puntuación de Mercados Regionales. El nombre resuelto de un clúster determina qué cálculo de distancia metropolitana se le aplica. Una resolución incorrecta causaría una clasificación errónea del mercado y afectaría a la puntuación de esa ubicación.

El nombre resuelto también se convierte en el título de cualquier artículo de Mercado Regional escrito para ese clúster. La exactitud aquí es una cuestión de integridad editorial.

[edit]Limitaciones Conocidas

La arquitectura de resolución actual se apoya en conjuntos de datos de límites con versiones fijas (TIGER 2023, GISCO LAU 2021). Los nombres que hayan cambiado desde esas versiones no quedarán reflejados hasta que se actualicen los datos. De igual modo, las comunidades de nueva creación posteriores a los conjuntos de datos recurrirán a la resolución por nivel administrativo, que puede producir nombres menos específicos.

Las doce entradas de reemplazo para Canadá representan los casos identificados durante los ciclos de compilación de las Fases 14 y 15. Pueden existir otras discordancias entre nombres CSD y comunitarios en áreas aún no cubiertas.

Procedencia de los datos: TIGER 2023 (Oficina del Censo de EE. UU., dominio público); GISCO LAU 2021 (Eurostat/CE, CC BY 4.0); GADM GBR (GADM v4.1, licencia de investigación no comercial); reemplazos Nominatim (originales). Datos OSM CC0.