হাঁটার উপযোগিতা স্কোর: কীভাবে হিসাব হয় এবং কীভাবে কাজে লাগাবেন

হাঁটার উপযোগিতা স্কোর একটিই প্রশ্নের উত্তর দেয়: এই দরজা থেকে হাঁটা দূরত্বে দৈনন্দিন জীবনের কতটা আছে? মুদি দোকান, ওষুধের দোকান, একটি স্কুল, একটি পার্ক, খাওয়ার একটা জায়গা। এই সবকিছু সে 0 থেকে 100 স্কেলের একটি সংখ্যায় সংকুচিত করে, আর সেজন্যই প্রপার্টি পোর্টাল, রিলোকেশন সাইট ও AI অ্যাসিস্ট্যান্ট সবাই এটি গ্রহণ করেছে।

সংখ্যাটি দেখানো সহজ এবং ঠিকভাবে হিসাব করা জরুরি, কারণ একই শহরের দুটি ঠিকানা সম্পূর্ণ আলাদা পাড়ায় পড়তে পারে। এই গাইডে প্রথমে পদ্ধতিটি ব্যাখ্যা করা হয়েছে, তারপর তা বাস্তব ডেটায় প্রয়োগ করা হয়েছে। আমরা MapAtlas POI API ব্যবহার করে 20টি ইউরোপীয় শহরের 40টি ঠিকানার জন্য হাঁটার উপযোগিতা সূচক হিসাব করেছি, এবং ফলাফল দেখায় কেন স্কোরটি শহরের নয়, ঠিকানার সম্পত্তি।

হাঁটার উপযোগিতা স্কোর কী মাপে

হাঁটার উপযোগিতা স্কোর একটি নৈকট্যের পরিমাপ। এটি একটি স্থানাঙ্ক থেকে হেঁটে পৌঁছানো যায় এমন দৈনন্দিন গন্তব্য গোনে, তারপর সেগুলো কতটা জরুরি ও কতটা দূরে সেই অনুযায়ী ওজন দেয়।

এই সংজ্ঞা থেকে তিনটি ফলাফল আসে, এবং যেখানেই সংখ্যাটি প্রকাশ করুন, তিনটিই উল্লেখ করার মতো।

এটি ঠিকানার বৈশিষ্ট্য, শহরের নয়। তিন কিলোমিটার দূরত্বের দুটি ফ্ল্যাটের মধ্যে সাধারণত 30 পয়েন্ট বা তার বেশি ফারাক থাকে, যা আমরা এখন দাবির বদলে ডেটা দিয়ে দেখাতে পারি।

এটি উপস্থিতি মাপে, মান নয়। স্কোর জানে যে 300 মিটার দূরে একটি সুপারমার্কেট আছে। সেটি ভালোভাবে সাজানো কি না, দামি কি না, বা রোববার বন্ধ থাকে কি না, তা সে জানে না।

এটি দূরত্ব মাপে, পরিশ্রম নয়। সমতল এক কিলোমিটার আর চড়াই এক কিলোমিটার, দুটোই এক কিলোমিটার হিসেবে গোনা হয়। ভূপ্রকৃতি, রাস্তা পারাপার ও ফুটপাতের মান হিসাবের সম্পূর্ণ বাইরে থাকে।

এগুলো একটি সংখ্যা যতটা বহন করতে পারে তার সীমা, পদ্ধতির ত্রুটি নয়।

হাঁটার উপযোগিতা স্কোর কীভাবে হিসাব করবেন

যেকোনো বাস্তবায়ন একই তিনটি ধাপে নেমে আসে।

ধাপ 1: ঠিকানাকে স্থানাঙ্কে রূপান্তর করুন

শুরু করুন ঠিকানাটিকে অক্ষাংশ ও দ্রাঘিমাংশে geocode করে। সেই ম্যাচের নির্ভুলতা পরের সব কিছুর সর্বোচ্চ সীমা ঠিক করে দেয়। রুফটপ পর্যায়ের ম্যাচ উৎসবিন্দুকে ভবনটির ওপরেই বসায়, আর পোস্টকোড পর্যায়ের ম্যাচ কয়েকশো মিটার দূরে পড়তে পারে, যা হাঁটার স্কেলে উত্তরটাই বদলে দেয়।

আপনার geocoder ম্যাচ নির্ভুলতার ফিল্ড ফেরত দিলে সেটি ব্যবহার করুন, এবং রাস্তা পর্যায়ের চেয়ে স্থূল কিছু থেকে হিসাব করা যেকোনো স্কোরকে আনুমানিক হিসেবে চিহ্নিত করুন।

ধাপ 2: হাঁটার ক্যাচমেন্টের ভেতরে যা আছে তা সংগ্রহ করুন

এরপর ঠিক করুন কতটাকে হাঁটার দূরত্ব ধরবেন। দুটি বিকল্প আছে, এবং এই বাছাই দেখতে যতটা সাধারণ মনে হয় তার চেয়ে বেশি গুরুত্বপূর্ণ।

ব্যাসার্ধ স্থানাঙ্কের 1 কিলোমিটারের ভেতরের সব কিছু নেয়। এটি দ্রুত, সস্তা ও পুনরুৎপাদনযোগ্য, কিন্তু রাস্তার নেটওয়ার্ক সম্পূর্ণ উপেক্ষা করে। সেতুহীন নদীর ওপারে 400 মিটার দূরের একটি দোকানও পাশের দোকানের মতোই গোনা হয়।

Isochrone সেই পলিগনের ভেতরের সব কিছু নেয় যা বাস্তব পথ ধরে 15 মিনিট হেঁটে সত্যিই পৌঁছানো যায়। প্রতি রিকোয়েস্টে খরচ বেশি, বিনিময়ে এটি নদী, রেললাইন, মহাসড়ক ও বন্ধ গলি ঠিকভাবে সামলায়।

নিচের সূচকটি 1 কিলোমিটার ব্যাসার্ধ ব্যবহার করে, কারণ প্রকাশিত কোনো বেঞ্চমার্ক যাচাই করতে চাওয়া যে কারও পক্ষে পুনরুৎপাদনযোগ্য হওয়া দরকার। লাইভ লিস্টিং ফিচারের জন্য isochrone ব্যবহার করুন।

ধাপ 3: প্রতিটি শ্রেণিকে বক্ররেখায় স্কোর দিন, তারপর ওজন দিন

শেষে সংখ্যাগুলোকে স্কোরে রূপান্তর করুন। এখানে কাঁচা গণনা কাজ করে না: 40টি রেস্তোরাঁর একটি পাড়া 10টি রেস্তোরাঁর পাড়ার চেয়ে চার গুণ বেশি হাঁটার উপযোগী নয়, আর প্রথম সুপারমার্কেটটি বিংশতমটির চেয়ে অনেক বেশি গুরুত্বপূর্ণ। তাই প্রতিটি শ্রেণিকে ক্রমহ্রাসমান রিটার্নের বক্ররেখায় স্কোর দেওয়া হয়।

// One category, scored 0..1. `target` is the count that earns full marks.
const componentScore = (count, target) =>
  Math.min(1, Math.log(1 + count) / Math.log(1 + target));

// Weighted sum across categories gives the headline 0..100 number.
const score = components.reduce(
  (total, c) => total + componentScore(counts[c.key], c.target) * c.weight,
  0,
);

আসল কাজটি করে লগারিদম। শূন্য থেকে একটি সুপারমার্কেটে যাওয়া উপাদান স্কোরকে অনেকটা এগিয়ে দেয়, আর 30 থেকে 31-এ যাওয়া প্রায় কোনো পরিবর্তনই আনে না, যা মোটামুটি মানুষ একটি পাড়া যেভাবে অনুভব করে তার কাছাকাছি।

তারপর ওজন প্রয়োগ করা হয়। এগুলো আমাদের ওজন, প্রতিটির পেছনের যুক্তিসহ:

ওজন একটি বিচারভিত্তিক সিদ্ধান্ত, ধ্রুব সত্য নয়, তাই আমরা আমাদের ওজনগুলো প্রকাশ করি যাতে আপনি যাচাই ও সমন্বয় করতে পারেন। পরিবারকেন্দ্রিক একটি পোর্টাল স্কুলের ওজন বাড়াতে পারে, আর শিক্ষার্থীদের ভাড়ার সাইট বরং পরিবহন ও খাবারের ওজন বাড়াতে পারে। প্রকাশিত ওজনই সংখ্যাটিকে অন্য কারও প্রোডাক্টের ভেতরে পুনরুৎপাদনযোগ্য করে তোলে।

কোন স্কোরকে ভালো ধরা হয়

ব্যান্ড ধরে পড়লে স্কোর নিয়ে কাজ করা সহজ হয়। এই ব্যান্ডগুলো নিচের ইউরোপীয় নমুনার ওপর ক্যালিব্রেট করা, তাই স্কেলের মাঝামাঝি একটি সংখ্যা বাস্তব একটি ইউরোপীয় পাড়াকেই বর্ণনা করে।

মনে রাখবেন, ব্যান্ডগুলো একটি ঠিকানার আশপাশে সুবিধার সরবরাহ বর্ণনা করে, সেখানে হেঁটে যাওয়ার অভিজ্ঞতা নয়।

MapAtlas Walk Index: 20টি ইউরোপীয় শহর

আমরা 20টি ইউরোপীয় শহরের প্রতিটিতে দুটি করে ঠিকানায় পদ্ধতিটি চালিয়েছি: কেন্দ্রীয় চত্বর, এবং প্রায় 5 থেকে 8 কিলোমিটার দূরের একটি বাইরের আবাসিক এলাকা। প্রতিটি গণনা 1 কিলোমিটার ব্যাসার্ধের ভেতরে MapAtlas POI API থেকে এসেছে, সংগ্রহের তারিখ 28 জুলাই 2026।

দুটি বিন্দুর মধ্যকার ফারাক র‌্যাঙ্কিংয়ের চেয়ে অনেক বেশি গুরুত্বপূর্ণ। কেন্দ্রীয় ঠিকানাগুলোর গড় ছিল 94, আর একই শহরের বাইরের আবাসিক ঠিকানাগুলোর গড় ছিল 73। নীল বিন্দুগুলো ছাদের কাছে জমাট বাঁধে, কারণ ইউরোপীয় শহরকেন্দ্র প্রায় গঠনগতভাবেই ঘন, তাই আসল তারতম্য বহন করে সবুজ বিন্দুগুলো।

টেবিল থেকে তিনটি বিষয় স্পষ্ট হয়।

নমুনার মধ্যে Rome-এর ভেতরের ফারাক সবচেয়ে বেশি, 53 পয়েন্ট। Piazza Venezia পায় 93, আর Ponte Mammolo, যা এখনও শহরের ভালোমতো ভেতরে, পায় 40। সেই বাইরের স্থানাঙ্কের 1 কিলোমিটারের ভেতরে API পেয়েছে 4টি সুপারমার্কেট, 19টি খাবারের জায়গা ও 6টি সবুজ জায়গা, যেখানে কেন্দ্রে এই সংখ্যাগুলো 85, 1129 ও 149।

Warsaw একমাত্র শহর যেখানে বাইরের ঠিকানা এগিয়ে। Ursynów পায় 84, পুরোনো শহরের 82-এর বিপরীতে, কারণ Ursynów একটি পরিকল্পিত আবাসিক এলাকা যেখানে মুদি দোকান, স্কুল, ক্লিনিক ও পার্ক নকশাতেই ধরা ছিল। ঐতিহাসিক কেন্দ্র আর সপ্তাহ চালানোর ভালো জায়গা এক জিনিস নয়।

Barcelona ও Athens প্রায় নামেই না, 2 ও 7 পয়েন্ট। দুই শহরেই টানা মাঝারি উচ্চতার ঘনত্ব পর্যটক কেন্দ্রের অনেক বাইরেও সুবিধার সরবরাহ ধরে রাখে।

শহরের গড় কেন ভুল সংখ্যা

একটি শহরকে ভেঙে দেখলে কার্যপ্রণালীটি পরিষ্কার হয়।

প্রতিটি উপাদান একসঙ্গে নামে। মুদি দোকান 93 থেকে 34-এ নামে, খাবার 96 থেকে 41-এ, আর স্কুল 93 থেকে 39-এ। এটি একটি অনুপস্থিত শ্রেণি অন্যথায় তুলনীয় একটি পাড়াকে টেনে নামানোর ঘটনা নয়, এটি সম্পূর্ণ ভিন্ন ধরনের একটি জায়গা।

ভাবুন কী হয় যখন একটি পোর্টাল দুটি ঠিকানাকেই "Rome, হাঁটার উপযোগিতা 93" বলে চিহ্নিত করে। বাইরের ফ্ল্যাট দেখতে আসা ক্রেতা কেন্দ্রের প্রত্যাশা নিয়ে পৌঁছান, আর সরেজমিন পরিদর্শন লিস্টিংকে শুধরে দেয়। প্রতিটি প্রপার্টির নিজস্ব স্থানাঙ্ক থেকে স্কোর হিসাব করলে এই ফারাক এড়ানো যায়, এবং ক্রেতা পৃষ্ঠার বাকি অংশে ভরসা করার কারণ পান।

স্কোর যা জানায় না

সংখ্যার পাশে প্রকাশ করার মতো চারটি সীমা আছে।

উপস্থিতি মানেই মান নয়। 1 কিলোমিটারের ভেতরে ছয়টি রেস্তোরাঁ চমৎকার হোক বা বাজে, একই স্কোর পায়, কারণ স্কোর কেবল প্রাপ্যতা মাপে, আর কিছু নয়।

সমতল ও খাড়া একই স্কোর পায়। নৈকট্যভিত্তিক হিসাবের কাছে ভূপ্রকৃতি অদৃশ্য, তাই Lisbon বা Zurich-এর মতো শহরে স্কোর বাস্তবের চেয়ে আশাবাদী দেখায়।

ডেটা কভারেজ দেশভেদে আলাদা। আমাদের ডেটাসেট পরিবহন নোড নথিভুক্ত করে কিন্তু স্কোর দেয় না, কারণ স্টপ পর্যায়ের ট্যাগিংয়ের ঘনত্ব দেশে দেশে এত বেশি আলাদা যে ন্যায্য তুলনা চলে না। Zurich কারণটি দেখায়: কোয়েরি Paradeplatz-এর 1 কিলোমিটারের ভেতরে মাত্র একটি পরিবহন নোড ফেরত দিয়েছে, যা সুইস ট্রাম সম্পর্কে সত্য নয়, বরং ট্যাগিংয়ের একটি কৃৎকৌশল। এটিকে স্কোর দিলে আত্মবিশ্বাসের সঙ্গে একটি ভুল সংখ্যা তৈরি হতো, তাই আমরা এটি বাদ দিয়েছি এবং কারণ ব্যাখ্যা করেছি।

একটি স্ন্যাপশট প্রবণতা নয়। এই হিসাবগুলো 28 জুলাই 2026-এর, আর সুবিধাগুলো খোলে ও বন্ধ হয়, তাই আপনি যে স্কোরই হিসাব করুন, তার পাশে তারিখ প্রকাশ করুন।

প্রপার্টি লিস্টিংয়ে হাঁটার উপযোগিতা স্কোর কীভাবে যোগ করবেন

ক্রেতারা প্রপার্টি নিয়ে প্রশ্ন করার আগে এলাকা নিয়ে প্রশ্ন করেন। যে লিস্টিং পৃষ্ঠাতেই সেই প্রশ্নগুলোর উত্তর দেয়, সেটি দর্শনার্থীকে ধরে রাখে, অন্য কোথাও উত্তর খুঁজতে সার্চ ইঞ্জিনে পাঠায় না।

বাস্তবায়ন চারটি ধাপে নেমে আসে।

1. লিস্টিংয়ের ঠিকানা geocode করুন একবার, ইনজেস্টের সময়, এবং স্থানাঙ্কটি তার ম্যাচ নির্ভুলতাসহ সংরক্ষণ করুন। প্রতিটি পেজ ভিউতে geocode করবেন না।
2. হাঁটার ক্যাচমেন্ট চান ওই স্থানাঙ্কের জন্য: 15 মিনিটের পথচারী isochrone, তারপর তার ভেতরের সুবিধার সংখ্যা।
3. আপনার ওজন প্রয়োগ করুন এবং ফলাফল cache করুন। পাড়া দিনে নয়, মাসের হিসাবে বদলায়, তাই মাসিক বা ত্রৈমাসিক রিফ্রেশই যথেষ্ট।
4. সংখ্যা ও প্রমাণ দুটোই দেখান। স্কোর, উপাদানভিত্তিক বিভাজন এবং তার পেছনের নামসহ জায়গাগুলো দেখান।

শেষ ধাপটির দ্বিতীয় একটি লাভও আছে। কেউ যখন জিজ্ঞাসা করে একটি ঠিকানার আশপাশে কী আছে, AI সার্চ ইঞ্জিন তখন বাস্তব ও নামসহ জায়গার তালিকা দেওয়া একটি ব্লক উদ্ধৃত করতে পারে, কিন্তু খালি একটি সংখ্যা তাদের উদ্ধৃত করার মতো কিছুই দেয় না। ব্লকটিকে স্ট্রাকচার্ড ডেটা দিয়ে মার্কআপ করলে সেটি মেশিন রিডেবলও হয়:

{
  "@context": "https://schema.org",
  "@type": "Residence",
  "address": {
    "@type": "PostalAddress",
    "streetAddress": "Via dei Fori Imperiali 1",
    "addressLocality": "Rome",
    "addressCountry": "IT"
  },
  "additionalProperty": {
    "@type": "PropertyValue",
    "name": "Walkability score",
    "value": 93,
    "maxValue": 100,
    "measurementTechnique": "Weighted amenity density within a 15 minute walking isochrone",
    "valueReference": "Computed 2026-07-28"
  },
  "amenityFeature": [
    { "@type": "LocationFeatureSpecification", "name": "Supermarkets within a 15 minute walk", "value": 12 },
    { "@type": "LocationFeatureSpecification", "name": "Primary schools within a 15 minute walk", "value": 4 }
  ]
}

এখানে দুটি ফিল্ড সংখ্যাটির উৎস বহন করে। measurementTechnique জানায় সংখ্যাটি কীভাবে তৈরি হয়েছে, আর হিসাবের তারিখ মানের সঙ্গেই যায়, ফলে একটি answer engine দুটোই দ্বিধা ছাড়া পুনরাবৃত্তি করতে পারে।

এই স্কোরগুলো কোথায় কাজে লাগে

তিনটি জায়গা আছে, মোটামুটি বাণিজ্যিক মূল্যের ক্রমে। প্রপার্টি লিস্টিং, যেখানে স্কোর এলাকা নিয়ে প্রশ্নের উত্তর পৃষ্ঠাতেই দেয়। রিলোকেশন ও ভাড়ার খোঁজ, যেখানে ব্যবহারকারীরা ভবন ধরে ফিল্টার করার আগে জীবনযাপনের ধরন ধরে ফিল্টার করেন। এবং AI অ্যাসিস্ট্যান্ট, যারা ক্রমেই এলাকাটি হাঁটার উপযোগী কি না তার উত্তর দেয় কাউকে কোনো লিস্টিংয়ে না পাঠিয়েই।

তৃতীয় জায়গাটি সবচেয়ে দ্রুত বদলাচ্ছে। তারিখসহ একটি স্কোর, তার পদ্ধতি ও পেছনের নামসহ জায়গাগুলোসহ প্রকাশিত হলে, answer engine উদ্ধৃত করার মতো সুনির্দিষ্ট কিছু পায়।

মূল ডেটার জন্য GeoEnrich API একটি কলেই একটি স্থানাঙ্কের আশপাশের সুবিধার সংখ্যা ও নামসহ জায়গা ফেরত দেয়, আর Isochrone API সেই হাঁটার ক্যাচমেন্ট তৈরি করে যার ভেতরে ওই সংখ্যাগুলো মাপা হয়। স্কোরিং ওজন নিজের প্রোডাক্টেই রাখুন, যেখানে সেগুলো আপনার নির্দিষ্ট পাঠকের অগ্রাধিকার প্রতিফলিত করতে পারে।

সারসংক্ষেপ

হাঁটার উপযোগিতা স্কোর হলো একটি স্থানাঙ্কের আশপাশের দৈনন্দিন গন্তব্যের ওজনযুক্ত ও দূরত্ব অনুযায়ী ক্ষয়প্রাপ্ত গণনা। ঠিকানাটি geocode করুন, তার হাঁটার ক্যাচমেন্টের ভেতরে যা আছে সংগ্রহ করুন, তারপর প্রতিটি শ্রেণিকে বক্ররেখায় স্কোর দিয়ে আপনার ওজন প্রয়োগ করুন।

শহর ধরে নয়, ঠিকানা ধরে হিসাব করুন। আমাদের 20 শহরের নমুনায় কেন্দ্রে গড় ছিল 94 এবং বাইরের এলাকায় 73, শুধু Rome-এর ভেতরেই 53 পয়েন্টের ফারাক।

তারপর সংখ্যার সঙ্গে পদ্ধতিটিও প্রকাশ করুন: ওজন, ক্যাচমেন্ট, সংগ্রহের তারিখ, এবং স্কোর ইচ্ছাকৃতভাবে যা মাপে না সেগুলো।