Polska dysponuje rozbudowanym zasobem danych opisujących przestrzeń, gospodarkę i przebieg procesów inwestycyjnych. W wielu analizach lokalizacyjnych głównym problemem nie jest już brak danych, lecz ich rozproszenie, różna jakość oraz trudność łączenia informacji pochodzących z wielu źródeł. Właśnie w tym miejscu pojawia się przestrzeń dla GeoAI — metod łączących analizę geoprzestrzenną z uczeniem maszynowym, przetwarzaniem tekstu i innymi technikami analizy danych.
W 2025 Open Data Maturity Report Polska znalazła się w ścisłej europejskiej czołówce pod względem ogólnej dojrzałości otwartych danych.[1] Nie jest to ranking krajowych zasobów GIS, dlatego nie należy wyciągać z niego takiego wniosku. Wynik ten jest jednak zgodny z obrazem polskich zasobów publicznych: mamy dostęp do bardzo wielu danych przestrzennych, statystycznych, gospodarczych i administracyjnych, które mogą wspierać decyzje inwestycyjne.
W dalszej części pokazuję, w jaki sposób te dane można łączyć i analizować z wykorzystaniem GeoAI, aby odpowiadać na konkretne pytania dotyczące lokalizacji inwestycji przemysłowych.
Jakimi danymi już dysponujemy?
Poniższa tabela zestawia najważniejsze grupy danych, które mogą mieć znaczenie w analizach rynku nieruchomości przemysłowych i przy wyborze lokalizacji inwestycji. Rozróżnienie między danymi publicznymi i komercyjnymi jest istotne: profesjonalna analiza rzadko opiera się wyłącznie na źródłach otwartych.
| Grupa | Rodzaj danych | Postać danych | Dostępność publiczna | Typowy poziom szczegółowości | Główne źródła publiczne | Uzupełnienie komercyjne / indywidualne |
|---|---|---|---|---|---|---|
| Dane referencyjne | Działki ewidencyjne | wektor | TAK / CZĘŚCIOWO | działka | EGiB, Geoportal | pełne wypisy, dane własnościowe |
| Budynki | wektor / 3D | TAK / CZĘŚCIOWO | budynek | EGiB, BDOT10k, Geoportal | wzbogacone bazy nieruchomości | |
| Granice administracyjne | wektor | TAK | jednostka administracyjna | PRG, GUGiK | — | |
| Punkty adresowe | punkt | TAK | adres | PRG, EMUiA, GUGiK | HERE, TomTom, Google | |
| Rzeźba terenu | raster / chmura punktów | TAK | ok. 1 m i dokładniej lokalnie | NMT, NMPT, LiDAR, GUGiK | pomiary i fotogrametria na zamówienie | |
| Ortofotomapy | raster | TAK | zwykle 5–10 cm, lokalnie dokładniej | GUGiK, Geoportal | naloty na zamówienie | |
| Pokrycie i użytkowanie terenu | wektor / raster | TAK / CZĘŚCIOWO | obiekt / 10 m dla Sentinel-2 | BDOT10k, Sentinel | dane tematyczne | |
| Sieć drogowa i kolejowa | sieć / wektor | TAK / CZĘŚCIOWO | odcinek sieci | BDOT10k, OSM, źródła zarządców | HERE, TomTom, PTV | |
| Planowanie i stan prawny | Miejscowe plany zagospodarowania | wektor / dokument | TAK / CZĘŚCIOWO | działka / obszar planu | Rejestr Urbanistyczny, BIP, gminy | zagregowane bazy planistyczne |
| Plany ogólne i polityka przestrzenna | wektor / dokument | TAK / CZĘŚCIOWO | strefa planistyczna / gmina | Rejestr Urbanistyczny, BIP | bazy planistyczne | |
| Własność nieruchomości | rejestr | OGRANICZONY | nieruchomość | EGiB i EKW w zakresie przewidzianym prawem | badanie stanu prawnego | |
| Dane ewidencji gruntów i budynków | wektor / tabela | CZĘŚCIOWO | działka / budynek | EGiB, Geoportal | wypisy i wyrysy | |
| Pozwolenia i decyzje administracyjne | tabela / dokument / lokalizacja | TAK / CZĘŚCIOWO | inwestycja / działka | RWDZ, BIP | bazy inwestycji | |
| Ograniczenia środowiskowe | wektor / dokument | TAK | działka / strefa | GDOŚ, Wody Polskie, PIG-PIB, GIOŚ | specjalistyczne analizy | |
| Obszary chronione | wektor | TAK | obszar / działka | GDOŚ | — | |
| Służebności i inne prawa do nieruchomości | rejestr / dokument | OGRANICZONY | nieruchomość | księgi wieczyste, jeżeli numer jest znany | badanie prawne | |
| Ograniczenia zabudowy | dane pochodne | CZĘŚCIOWO | działka | plany, GDOŚ, Wody Polskie, PIG-PIB, rejestry zabytków | analizy due diligence | |
| Transport i logistyka | Dostęp do dróg głównych | sieć / wektor | TAK | działka–węzeł / odcinek drogi | GDDKiA, BDOT10k, OSM | HERE, TomTom, PTV |
| Czasy przejazdu | sieć / szeregi czasowe | CZĘŚCIOWO | relacja między punktami | OSM, GDDKiA, lokalne ITS | HERE, TomTom, dane flotowe | |
| Terminale kolejowe i bocznice | punkt / linia | CZĘŚCIOWO | obiekt | UTK, PKP PLK, OSM | bazy logistyczne | |
| Porty | punkt / obiekt | CZĘŚCIOWO | port / terminal | porty, GUS, OSM | bazy logistyczne | |
| Lotniska | punkt / obiekt | TAK | lotnisko | ULC, BDOT10k, OSM | — | |
| Terminale intermodalne | punkt | CZĘŚCIOWO | terminal | UTK, OSM, operatorzy | bazy logistyczne | |
| Natężenie ruchu i kongestia | szeregi czasowe / odcinki sieci | CZĘŚCIOWO | odcinek drogi | GDDKiA, lokalne ITS | TomTom, HERE | |
| Ograniczenia dla pojazdów ciężarowych | sieć / atrybut | CZĘŚCIOWO | odcinek drogi | zarządcy dróg, OSM | systemy wyznaczania tras dla transportu ciężkiego | |
| Pomiary ruchu | tabela / punkt / odcinek | TAK | punkt / odcinek | GDDKiA | — | |
| Koszt i przebieg tras | dane pochodne | CZĘŚCIOWO | relacja między punktami | sieci drogowe + dane o opłatach | PTV, HERE, TomTom | |
| Odległość i dostęp do dostawców oraz odbiorców | dane pochodne / sieć | CZĘŚCIOWO | przedsiębiorstwo–zakład / trasa | rejestry firm + sieci transportowe | dane o łańcuchach dostaw | |
| Infrastruktura techniczna | Sieć elektroenergetyczna i dostępna moc | sieć / tabela | CZĘŚCIOWO | odcinek sieci / punkt przyłączenia | GESUT, PSE, operatorzy | uzgodnienia z operatorami |
| Stacje elektroenergetyczne | punkt / obiekt | CZĘŚCIOWO | obiekt | PSE, GESUT, OSM | operatorzy | |
| Sieć gazowa | sieć | CZĘŚCIOWO | odcinek sieci | GESUT, GAZ-SYSTEM | operatorzy | |
| Wodociągi | sieć | CZĘŚCIOWO | odcinek sieci | GESUT, przedsiębiorstwa komunalne | operatorzy | |
| Kanalizacja | sieć | CZĘŚCIOWO | odcinek sieci | GESUT, przedsiębiorstwa komunalne | operatorzy | |
| Telekomunikacja | sieć / punkt / adres | CZĘŚCIOWO | adres / odcinek sieci | internet.gov.pl, SIDUSIS, GESUT | operatorzy | |
| Sieci ciepłownicze | sieć | CZĘŚCIOWO | odcinek sieci | GESUT, URE, operatorzy lokalni | operatorzy | |
| Potencjał energii odnawialnej | raster / szeregi czasowe | TAK / CZĘŚCIOWO | raster / lokalizacja | IMGW, dane meteorologiczne | Solargis i inne źródła komercyjne | |
| Środowisko i warunki terenowe | Wysokość i nachylenie terenu | raster / chmura punktów | TAK | ok. 1 m | NMT, LiDAR, GUGiK | pomiary terenowe |
| Geologia | wektor / profile / otwory | TAK | zależnie od opracowania | PIG-PIB, CBDG | badania geotechniczne | |
| Wody podziemne | wektor / punkt | TAK / CZĘŚCIOWO | jednostka hydrogeologiczna / otwór | PIG-PIB, Wody Polskie | badania lokalne | |
| Zagrożenie powodziowe | wektor / raster | TAK | działka / strefa | Wody Polskie | — | |
| Warunki glebowe | wektor / mapa | CZĘŚCIOWO | zależnie od opracowania | IUNG, PIG-PIB | badania geotechniczne | |
| Zanieczyszczenie gruntu | punkt / obszar / dokument | CZĘŚCIOWO | nieruchomość / obszar | GDOŚ | badania środowiskowe nieruchomości | |
| Hałas | raster / izolinie | CZĘŚCIOWO | lokalnie | GIOŚ, samorządy | pomiary | |
| Jakość powietrza | punkt / raster / szeregi czasowe | TAK | stacja / modelowany raster | GIOŚ | — | |
| Natura 2000 i inne formy ochrony | wektor | TAK | obszar | GDOŚ | — | |
| Ryzyko klimatyczne i ekstremalne temperatury | raster / szeregi czasowe | TAK / CZĘŚCIOWO | raster / region | IMGW, publiczne modele klimatyczne | wyspecjalizowane bazy ryzyka | |
| Ludność i rynek pracy | Liczba ludności | tabela / siatka | TAK | siatka statystyczna / gmina | GUS | — |
| Zasoby pracy | tabela | TAK / CZĘŚCIOWO | gmina / powiat | GUS | komercyjne analizy rynku pracy | |
| Bezrobocie | tabela | TAK | powiat / region | GUS, urzędy pracy | — | |
| Wynagrodzenia | tabela | TAK / CZĘŚCIOWO | powiat / region | GUS | badania płacowe | |
| Kwalifikacje i zawody | tabela | CZĘŚCIOWO | region / powiat | GUS, edukacja, urzędy pracy | bazy rekrutacyjne i badania pracodawców | |
| Dojazdy do pracy | macierz przepływów | TAK, okresowo | gmina–gmina | GUS, NSP | dane operatorów komórkowych | |
| Struktura demograficzna | tabela / siatka | TAK | siatka / gmina | GUS | — | |
| Edukacja | tabela / punkt | TAK / CZĘŚCIOWO | placówka / jednostka terytorialna | GUS, rejestry oświatowe | — | |
| Migracje | tabela | TAK / CZĘŚCIOWO | gmina / powiat / region | GUS | — | |
| Rynek nieruchomości przemysłowych | Istniejące zasoby magazynowe i przemysłowe | punkt / obiekt / tabela | CZĘŚCIOWO | budynek / park | EGiB, BDOT10k, OSM, raporty rynkowe | REDD, brokerzy |
| Lokalizacje magazynów | punkt / obiekt | CZĘŚCIOWO | budynek | OSM, BDOT10k, strony przedsiębiorstw | REDD, brokerzy | |
| Powierzchnia budynków | wektor / tabela | CZĘŚCIOWO | budynek | EGiB, geometria budynków | właściciele, brokerzy | |
| Pustostany | tabela | NIE dla danych szczegółowych | budynek / moduł | raporty zagregowane | REDD, brokerzy | |
| Czynsze | tabela | CZĘŚCIOWO | rynek / obiekt | raporty rynkowe | brokerzy, właściciele | |
| Ceny transakcyjne | tabela / obiekt | TAK / wdrażane | transakcja / nieruchomość | RCN | Cenatorium, MSCI, brokerzy | |
| Ceny ofertowe gruntów | tabela / punkt | CZĘŚCIOWO | oferta / działka | portale ofertowe | analityka portali, brokerzy | |
| Planowane i realizowane inwestycje | tabela / dokument / lokalizacja | CZĘŚCIOWO | inwestycja / działka | RWDZ, komunikaty spółek | REDD, brokerzy | |
| Popyt i absorpcja powierzchni | tabela | NIE dla danych szczegółowych | rynek / park | raporty zagregowane | brokerzy | |
| Deweloperzy i właściciele | tabela / graf powiązań | CZĘŚCIOWO | podmiot / nieruchomość | KRS, CEIDG, ujawnienia spółek | bazy komercyjne | |
| Najemcy i użytkownicy | tabela / punkt | CZĘŚCIOWO | przedsiębiorstwo / obiekt | komunikaty, strony firm | bazy najmu i przedsiębiorstw | |
| Geografia działalności gospodarczej | Rejestry przedsiębiorstw | tabela | TAK | podmiot | CEIDG, REGON, KRS | D&B, EMIS, Coface i inne |
| Lokalizacje zakładów i placówek | punkt / adres | CZĘŚCIOWO | zakład / adres | REGON, CEIDG, strony przedsiębiorstw | komercyjne bazy przedsiębiorstw | |
| Klasyfikacja działalności | tabela | TAK | przedsiębiorstwo | PKD, REGON, CEIDG, KRS | — | |
| Zatrudnienie w przedsiębiorstwach | tabela | CZĘŚCIOWO | przedsiębiorstwo / jednostka terytorialna | dane zagregowane GUS | bazy przedsiębiorstw | |
| Informacje finansowe | tabela / dokument | CZĘŚCIOWO | przedsiębiorstwo | KRS, raporty spółek | EMIS, D&B i inne | |
| Dostawcy | graf relacji / tabela | OGRANICZONY | relacja między przedsiębiorstwami | zamówienia publiczne, ujawnienia spółek | bazy łańcuchów dostaw | |
| Odbiorcy | graf relacji / tabela | OGRANICZONY | relacja między przedsiębiorstwami | ujawnienia spółek | bazy łańcuchów dostaw | |
| Skupiska działalności przemysłowej | dane pochodne | CZĘŚCIOWO | klaster / region | rejestry firm + dane przestrzenne | bazy komercyjne | |
| Obserwacja Ziemi | Sentinel | raster / szeregi czasowe | TAK | 10–60 m zależnie od pasma | Copernicus Data Space | — |
| Landsat | raster / szeregi czasowe | TAK | zwykle 30 m | USGS / Landsat | — | |
| Zobrazowania satelitarne wysokiej rozdzielczości | raster | NIE | do poziomu poniżej 1 m | — | Maxar, Planet, Airbus, ICEYE | |
| Zdjęcia lotnicze | raster | CZĘŚCIOWO | centymetry | GUGiK — ortofotomapy | naloty na zamówienie | |
| LiDAR | chmura punktów | TAK | punkty / obiekt | GUGiK | pomiary na zamówienie | |
| Radar satelitarny SAR | raster / szeregi czasowe | TAK / CZĘŚCIOWO | zależnie od sensora | Sentinel-1 | ICEYE, Capella | |
| Przemieszczanie się ludzi i towarów | Dane z sieci komórkowych | przepływy / szeregi czasowe | NIE na użytecznym poziomie szczegółowości | agregowane strefy | — | operatorzy komórkowi |
| Ślady GPS | trajektorie | OGRANICZONY | urządzenie / pojazd | nieliczne zbiory badawcze | floty, telematyka | |
| Dane o rzeczywistym ruchu pojazdów | szeregi czasowe / sieć | OGRANICZONY | odcinek drogi | lokalne systemy ITS | TomTom, HERE | |
| Wykorzystanie transportu zbiorowego | tabela / szeregi czasowe | CZĘŚCIOWO | linia / przystanek | samorządy, GTFS, GUS | operatorzy | |
| Natężenie ruchu pieszego | punkt / szeregi czasowe | CZĘŚCIOWO | punkt / strefa | lokalne pomiary | operatorzy komórkowi, analityka handlowa | |
| Dojazdy do pracy | macierz przepływów | TAK, okresowo | gmina–gmina | GUS | dane telekomunikacyjne | |
| Przepływy towarowe | tabela / przepływy | CZĘŚCIOWO | korytarz / region | GUS, GDDKiA, kolej, porty | dane spedycyjne i logistyczne | |
| Internet i dane społeczne | OpenStreetMap | wektor / sieć | TAK | obiekt | OSM | — |
| Katalogi przedsiębiorstw | tabela / punkt | CZĘŚCIOWO | przedsiębiorstwo / adres | CEIDG, REGON | komercyjne katalogi firm | |
| Strony internetowe | tekst / dokument | CZĘŚCIOWO | strona / podmiot | publiczna sieć WWW | wyspecjalizowane bazy | |
| Ogłoszenia nieruchomości | tekst / tabela / punkt | dostęp do odczytu, zwykle bez otwartej bazy | oferta | portale ogłoszeniowe | analityka portali | |
| Punkty zainteresowania i obiekty usługowe | punkt / wektor | TAK / CZĘŚCIOWO | obiekt | OSM, Wikidata | HERE, TomTom, Foursquare, Google | |
| Dane tworzone społecznościowo | różne | TAK zależnie od licencji | obiekt | OSM, Wikidata | — | |
| Dokumenty powiązane z miejscem | Dokumenty planistyczne | tekst / wektor | TAK / CZĘŚCIOWO | dokument / obszar | Rejestr Urbanistyczny, BIP | bazy planistyczne |
| Decyzje środowiskowe | dokument / lokalizacja | CZĘŚCIOWO | inwestycja / działka | Ekoportal, Baza OOŚ, RDOŚ, BIP | bazy inwestycji | |
| Pozwolenia | dokument / lokalizacja | TAK / CZĘŚCIOWO | inwestycja / działka | RWDZ | bazy inwestycji | |
| Strategie gminne | dokument | CZĘŚCIOWO | gmina | BIP, strony samorządów | — | |
| Plany rozwoju infrastruktury | dokument / mapa | CZĘŚCIOWO | region / sieć | PSE, GDDKiA, PKP PLK, GAZ-SYSTEM | operatorzy | |
| Komunikaty przedsiębiorstw | tekst / dokument | CZĘŚCIOWO | przedsiębiorstwo / inwestycja | ESPI, EBI, strony spółek | bazy informacji gospodarczej | |
| Raporty inwestycyjne i rynkowe | dokument | CZĘŚCIOWO | rynek / region | PAIH, raporty brokerów | płatne raporty i bazy | |
| Dokumentacja przetargowa | dokument | TAK | postępowanie / inwestycja | e-Zamówienia, BZP, TED | — | |
| Dane przedsiębiorstwa | Lokalizacje zakładów | punkt / obiekt | NIE dla danych wewnętrznych | zakład | — | dane przedsiębiorstwa |
| Baza dostawców i odbiorców | tabela / graf relacji | NIE | przedsiębiorstwo / relacja | — | ERP, CRM, SRM | |
| Przesyłki i transport | tabela / trajektoria | NIE | przesyłka / trasa | — | TMS, WMS | |
| Produkcja | szeregi czasowe / tabela | NIE | linia / maszyna / zlecenie | — | MES, SCADA | |
| Zatrudnienie i organizacja pracy | tabela | NIE | pracownik / zespół / zakład | — | HRIS | |
| Zużycie energii | szeregi czasowe | NIE | licznik / urządzenie / budynek | — | EMS, BMS | |
| Wskaźniki operacyjne | szeregi czasowe / tabela | NIE | proces / linia / zakład | — | systemy przedsiębiorstwa | |
| Nakłady inwestycyjne | tabela | NIE | projekt / składnik majątku | — | systemy finansowe | |
| Utrzymanie ruchu | tabela / szeregi czasowe | NIE | urządzenie | — | CMMS, EAM | |
| Budynek i eksploatacja | Model geometryczny i informacyjny budynku | BIM / 3D | NIE dla obiektów prywatnych | element budynku | publiczne modele 3D tylko jako kontekst | model BIM udostępniony przez inwestora lub użytkownika |
| Lokalizacja pomieszczeń i urządzeń | BIM / punkt / obiekt | NIE | pomieszczenie / urządzenie | — | BIM, dokumentacja powykonawcza | |
| Rejestry wyposażenia i majątku | tabela / BIM | NIE | urządzenie | — | EAM, CMMS, BIM | |
| Liczniki energii | szeregi czasowe | NIE | licznik / urządzenie | — | BMS, EMS, IoT | |
| Czujniki warunków środowiskowych | szeregi czasowe | NIE | czujnik / strefa | — | BMS, IoT | |
| Czujniki produkcyjne | szeregi czasowe | NIE | maszyna / linia | — | MES, SCADA, IoT | |
| Ruch ludzi i środków transportu wewnątrz zakładu | trajektorie / zdarzenia | NIE | osoba / pojazd / strefa | — | RFID, UWB, systemy wewnętrzne |
Najsilniejsza część polskiego zasobu publicznego dotyczy informacji o położeniu i cechach obiektów: działek, budynków, dróg, ukształtowania terenu, ograniczeń środowiskowych czy podziałów administracyjnych. Im bliżej jednak rzeczywistej decyzji biznesowej i działania zakładu, tym większe znaczenie mają dane komercyjne, informacje przedsiębiorstwa oraz dane uzyskiwane bezpośrednio od operatorów infrastruktury, samorządów, właścicieli nieruchomości i innych uczestników procesu inwestycyjnego.
Brak takich danych w otwartych rejestrach nie jest zresztą szczególną słabością Polski. Informacje o rzeczywistej zdolności przyłączeniowej, stawkach najmu, łańcuchach dostaw, przepływach towarowych czy pracy zakładu są także w innych krajach w znacznej mierze komercyjne albo poufne.
Od mapy do modelu decyzyjnego
Te same dane można wykorzystywać na różnych poziomach zaawansowania. Najprostsza analiza odpowiada na pytanie: co znajduje się w danym miejscu? Kolejny krok polega na łączeniu wielu warstw i ocenie wariantów według przyjętych kryteriów. Jeszcze dalej idą metody, które na podstawie danych rozpoznają powtarzające się zależności, przewidują wartości lub klasy obiektów, analizują sieci powiązań albo automatycznie wydobywają informacje z dokumentów.
Siqin Wang wraz z zespołem w przeglądzie badań GeoAI wyróżniają m.in. obrazy rastrowe, dane wektorowe, przepływy czasoprzestrzenne, dane urzędowe i tekst. W badaniach tych dane służą m.in. do klasyfikowania obiektów, prognozowania, symulacji, automatycznego wydobywania cech potrzebnych modelom oraz rozpoznawania nazw i odniesień geograficznych w tekście.[2]
Taki rozwój ma swoje korzenie w klasycznym wspomaganiu decyzji przestrzennych. Jacek Malczewski opisywał integrację GIS i wielokryterialnej analizy decyzji jako sposób łączenia danych geograficznych z oceną wariantów, tak aby uzyskać informację potrzebną do podjęcia decyzji.[3] GeoAI poszerza ten warsztat o metody, które potrafią rozpoznawać zależności w dużych i niejednorodnych zbiorach danych.
W przeglądzie 149 badań dotyczących wyboru lokalizacji obiektów przemysłowych Dongbo Wang wraz z zespołem wskazują, że badania coraz częściej łączą wielokryterialne wspomaganie decyzji, GIS i sztuczną inteligencję.[4] Autorzy opisują m.in. próby łączenia obrazów, tekstu, danych wektorowych i danych z czujników w jednym procesie analitycznym. Coraz większe znaczenie mają także grafy wiedzowe, które pozwalają zapisywać relacje między przedsiębiorstwami, obiektami i elementami infrastruktury, oraz grafowe sieci neuronowe, które mogą takie relacje wykorzystywać w modelach. Osobny kierunek badań dotyczy metod wyjaśniających, dlaczego model wskazał określoną lokalizację lub przypisał jej określoną ocenę.
Jedna decyzja wymaga spojrzenia z kilku poziomów
Decyzja dotycząca lokalizacji inwestycji powinna być analizowana w kilku skalach — od regionu aż po konkretną nieruchomość wraz z jej otoczeniem.
Na poziomie regionu liczą się przede wszystkim dostęp do pracowników, klientów i dostawców, połączenia transportowe oraz sytuacja na lokalnym rynku. Na poziomie działki trzeba sprawdzić możliwość zabudowy i przyszłej rozbudowy, warunki planistyczne i prawne, dostęp drogowy, uzbrojenie, ukształtowanie terenu oraz ograniczenia środowiskowe. Jeżeli rozważany jest istniejący budynek, należy dodatkowo ocenić, czy jego geometria, wysokość, siatka słupów, instalacje i układ funkcjonalny pozwolą pomieścić planowany proces produkcyjny.
Część pytań obejmuje kilka poziomów jednocześnie. Odpowiedź na pytanie „gdzie powinniśmy ulokować nowy zakład?” wymaga najpierw porównania regionów, a następnie konkretnych nieruchomości. Jeszcze szerszej analizy wymaga decyzja „czy wybudować nowy zakład, kupić istniejący obiekt, czy rozbudować obecny?”. Trzeba wtedy porównać warunki rynkowe i logistyczne, możliwości zabudowy i uzbrojenia działek, a także możliwość dostosowania istniejących budynków do wymagań produkcji.
Tak rozumiana analiza lokalizacji nie kończy się na mapie wskazującej obszary spełniające określone kryteria. Powinna prowadzić do porównania rzeczywistych wariantów inwestycyjnych.
Pierwsze polskie zastosowania już istnieją
Marcin Hernes wraz z zespołem pokazali, że polskie dane nieruchomościowe można łączyć z informacją przestrzenną i wykorzystywać w modelach analitycznych. Badanie objęło 148 transakcji gruntami inwestycyjnymi we Wrocławiu. Do danych transakcyjnych dodano m.in. informacje o przeznaczeniu planistycznym, intensywności zabudowy, infrastrukturze, dostępie drogowym, transporcie zbiorowym, odległościach, zagrożeniu powodziowym i uciążliwościach otoczenia.[5]
Autorzy porównali regresję wieloraką, las losowy i sztuczną sieć neuronową. W tej konkretnej próbie sieć neuronowa osiągnęła średni bezwzględny błąd procentowy (MAPE) równy 13%, wobec 22,2% dla regresji i 26,3% dla lasu losowego.[6] Nie należy z tego wyciągać wniosku, że sieci neuronowe są zawsze najlepszym rozwiązaniem. Ważniejsze jest to, że połączenie danych rynkowych i przestrzennych pozwoliło zbudować model o użytecznej wartości analitycznej. Jednocześnie autorzy wskazali niewielką liczbę transakcji jako istotne ograniczenie badania.[7]
Polska nie stoi więc przed pytaniem, czy takie analizy są w ogóle możliwe. Wyzwanie polega raczej na tym, aby pojedyncze eksperymenty zastępować powtarzalnymi metodami pracy, które łączą dane publiczne, komercyjne i wewnętrzne dane przedsiębiorstw.
Nie tylko Zachód i Chiny
Metody wspomagające wybór lokalizacji z użyciem modeli matematycznych i analizy przestrzennej rozwijają się nie tylko w Stanach Zjednoczonych, Europie Zachodniej czy Chinach. Serena Fugaro i Antonino Sgalambro przeanalizowali 288 publikacji dotyczących wielokryterialnych problemów lokalizacyjnych z lat 2011–2025. Spośród 143 prac wykorzystujących studia przypadków największy udział dotyczył Iranu — 23,0% — oraz Chin — 22,7%.[8]
W literaturze dotyczącej wyboru lokalizacji znajdziemy również konkretne irańskie przykłady, m.in. analizę lokalizacji farm wiatrowych w prowincji Semnan oraz badania dotyczące lokalizacji działalności przemysłowej w Isfahanie.[9]
Nie są to dane świadczące o skali rzeczywistych wdrożeń gospodarczych. Fugaro i Sgalambro zwracają uwagę, że wiele studiów przypadków służy przede wszystkim sprawdzeniu działania metod na realistycznych danych, a nie opisowi systemów rzeczywiście używanych w praktyce.[8] Mimo tego porównanie jest znamienne: intensywne badania nad ilościowym wspomaganiem wyboru lokalizacji prowadzi się w znacznie szerszej grupie państw, niż mogłoby sugerować potoczne skojarzenie tych metod wyłącznie z największymi ośrodkami technologicznymi.
Dane już są. Teraz trzeba lepiej je wykorzystywać
Polska nie musi czekać na powstanie nowej infrastruktury danych przestrzennych, aby rozwijać zastosowania GeoAI. Duża część potrzebnego zaplecza już istnieje. Potrzebne są przede wszystkim sprawne sposoby łączenia źródeł, kontrola jakości danych oraz metody, które pozwolą przełożyć zgromadzone informacje na odpowiedzi na konkretne pytania inwestorów.
GeoAI jest tu jednym z elementów szerszego warsztatu. W zależności od problemu nadal potrzebne będą GIS, analiza wielokryterialna, badania operacyjne, statystyka, analiza sieciowa, przetwarzanie tekstu i klasyczne modelowanie. Wartość sztucznej inteligencji w analizie lokalizacji nie polega na samym zastosowaniu nowej technologii. Pojawia się wtedy, gdy pozwala połączyć rozproszone dane, lepiej rozpoznać zależności między nimi i dzięki temu trafniej porównać rzeczywiste warianty inwestycyjne.
Literatura pokazuje, że podobne podejście rozwija się nie tylko w Stanach Zjednoczonych, Europie Zachodniej i Chinach, ale również w państwach takich jak Iran. Pytanie nie brzmi więc już, czy GeoAI można wykorzystać przy wyborze lokalizacji inwestycji przemysłowych. Pytanie brzmi, dlaczego Polska — dysponująca tak rozbudowanym zapleczem danych publicznych — nie miałaby należeć do państw, w których takie metody są rozwijane i stosowane w praktyce.
Literatura
- European Commission / data.europa.eu, 2025 Open Data Maturity Report. ↩
- Wang, S. et al., “Mapping the landscape and roadmap of geospatial artificial intelligence (GeoAI) in quantitative human geography: An extensive systematic review”, International Journal of Applied Earth Observation and Geoinformation, 128 (2024), 103734, s. 5. ↩
- Malczewski, J., “GIS-based multicriteria decision analysis: a survey of the literature”, International Journal of Geographical Information Science, 20(7) (2006), 703–726, s. 703–704. ↩
- Wang, D., Zhu, Y., Mao, X., Wang, J., Ji, X., “Industrial Site Selection: Methodologies, Advances and Challenges”, Applied Sciences, 15 (2025), 11379, s. 22–26. ↩
- Hernes, M., Tutak, P., Nadolny, M., Mazurek, A., “Real estate valuation using machine learning”, Procedia Computer Science, 246 (2024), 4592–4599, s. 4596. ↩
- Hernes, M. et al., dz. cyt., s. 4596–4597. ↩
- Hernes, M. et al., dz. cyt., s. 4598. ↩
- Fugaro, S., Sgalambro, A., “Multi-Objective Facility Location Problems: Systematic Literature Review and research agenda”, Computers & Industrial Engineering, 216 (2026), 111994, s. 7 oraz omówienie zastosowań studiów przypadków w dalszej części artykułu. ↩
- Yousefi, H., Motlagh, S.G., Montazeri, M., “Multi-Criteria Decision-Making System for Wind Farm Site-Selection Using Geographic Information System (GIS): Case Study of Semnan Province, Iran”, Sustainability, 14 (2022), 7640; Reisi, M., Afzali, A., Aye, L., “Applications of analytical hierarchy process (AHP) and analytical network process (ANP) for industrial site selections in Isfahan, Iran”, Environmental Earth Sciences, 77 (2018), 537. ↩
Objaśnienia skrótów
BIM (Building Information Modeling) — cyfrowe modelowanie informacji o budynku, obejmujące jego geometrię i przypisane do elementów informacje techniczne.
BMS (Building Management System) — system zarządzania instalacjami i funkcjonowaniem budynku, m.in. ogrzewaniem, wentylacją, chłodzeniem, oświetleniem i zużyciem energii.
IoT (Internet of Things) — sieć urządzeń i czujników, które automatycznie zbierają i przekazują dane.
MES (Manufacturing Execution System) — system służący do nadzorowania i zarządzania realizacją produkcji na poziomie zakładu.
SCADA (Supervisory Control and Data Acquisition) — system nadzoru, sterowania i pozyskiwania danych z procesów przemysłowych.