The new availability of big data sources provides an opportunity to revisit our ability to predict neighborhood change. This article explores how data on urban activity patterns, specifically, geotagged tweets, improve the understanding of one type of neighborhood change—gentrification—by identifying dynamic connections between neighborhoods and across scales. We first develop a typology of neighborhood change and risk of gentrification from 1990 to 2015 for the San Francisco Bay Area based on conventional demographic data from the Census. Then, we use multivariate regression to analyze geotagged tweets from 2012 to 2015, finding that outsiders are significantly more likely to visit neighborhoods currently undergoing gentrification. Using the factors that best predict gentrification, we identify a subset of neighborhoods that Twitter-based activity suggests are at risk for gentrification over the short term—but are not identified by analysis with traditional census data. The findings suggest that combining Census and social media data can provide new insights on gentrification such as augmenting our ability to identify that processes of change are underway. This blended approach, using Census and big data, can help policymakers implement and target policies that preserve housing affordability and protext tenants more effectively.

大数据源的新可用性为重新审视我们预测邻里变化的能力提供了机会。本文探讨了关于城市活动模式的数据，特别是带有地理标记的推文，如何通过识别社区之间和跨尺度的动态联系来提高对一种社区变化——高档化的理解。我们首先根据人口普查的传统人口统计数据，为旧金山湾区开发了 1990 年至 2015 年间社区变化和高档化风险的类型学。然后，我们使用多元回归来分析 2012 年至 2015 年间带有地理标记的推文，发现局外人更有可能访问目前正在高档化的社区。使用最能预测高档化的因素，我们确定了基于 Twitter 的活动表明在短期内有中产阶级化风险的社区子集，但没有通过传统人口普查数据的分析来确定。研究结果表明，结合人口普查和社交媒体数据可以提供有关高档化的新见解，例如增强我们识别正在发生变化的过程的能力。这种使用人口普查和大数据的混合方法可以帮助政策制定者实施和制定政策，以更有效地保持住房负担能力和保护租户。研究结果表明，结合人口普查和社交媒体数据可以提供有关高档化的新见解，例如增强我们识别正在发生变化的过程的能力。这种使用人口普查和大数据的混合方法可以帮助政策制定者实施和制定政策，以更有效地保持住房负担能力和保护租户。研究结果表明，结合人口普查和社交媒体数据可以提供有关高档化的新见解，例如增强我们识别正在发生变化的过程的能力。这种使用人口普查和大数据的混合方法可以帮助政策制定者实施和制定政策，以更有效地保持住房负担能力和保护租户。