هوش مکانی اتیم تحقیقاتی ونوس نصیرفام

اندازه‌گیری دسترسی به تسهیلات بهداشتی برای جمعیت‌هایی با حالت‌های حمل‌ونقل چندگانه با در نظر گرفتن انتخاب حالت حمل‌ونقل مسکونی

خلاصه

تحقیقات دسترسی تسهیلات مراقبت‌های بهداشتی به سمت حالت‌های حمل و نقل چندگانه (MTM) در حال توسعه است که تحت تأثیر انتخاب‌ها و ترجیحات حمل‌ونقل مسکونی قرار دارند. به دلیل تفاوت در عوامل تاثیر سفر مانند شرایط ترافیک، محل مبدا، فاصله تا مقصد و هزینه اقتصادی، سفر روزانه ساکنان گزینه‌های متفاوتی برای حمل و نقل مسکونی (RTMC) ارائه می‌کند. هدف از مطالعه ما اندازه‌گیری دسترسی فضایی به امکانات مراقبت‌های بهداشتی بر اساس MTM با در نظر گرفتن RTMC (MTM-RTMC) بود. ما روش حوضه آبریز شناور دو مرحله ای گرانشی (G2SFCA) را به عنوان یک مدل اساسی انتخاب کردیم. از طریق حالت حمل و نقل واحد (STM)، MTM، و MTM-RTMC، سه جنبه برای نشان دادن و طراحی مجدد G2SFCA استفاده می شود. ما مدل MTM-RTMC G2SFCA را به دست آوردیم که احتمالات RTMC و ضریب اصطکاک سفر را ادغام می کند. ما نانجینگ را به‌عنوان منطقه آزمایشی انتخاب کردیم، از داده‌های برنامه‌ریزی مسیر چهار حالت (شامل رانندگی، پیاده‌روی، حمل‌ونقل عمومی، و دوچرخه‌سواری) از یک پلت‌فرم نقشه‌برداری وب استفاده کردیم و سه مدل را برای خدمات کلینیک اطفال برای اندازه‌گیری دسترسی به کار بردیم. نتایج نشان می‌دهد که مکانیسم MTM-RTMC برای برآورد سنتی دسترسی است که تأثیر انتخاب‌های حمل‌ونقل مسکونی را از دست می‌دهد. مکانیسم MTM-RTMC که روشی واقعی‌تر و قابل اطمینان‌تر را ارائه می‌کند، می‌تواند به مدل‌های اصلی دسترسی تعمیم دهد و راهنمایی‌های مطلوبی را برای سیاست‌گذاران ارائه دهد. از داده‌های برنامه‌ریزی مسیر چهار حالت (شامل رانندگی، پیاده‌روی، حمل‌ونقل عمومی و دوچرخه‌سواری) از یک پلت‌فرم نقشه‌برداری وب استفاده کرد و از این سه مدل برای خدمات کلینیک کودکان برای اندازه‌گیری دسترسی استفاده کرد. نتایج نشان می‌دهد که مکانیسم MTM-RTMC برای برآورد سنتی دسترسی است که تأثیر انتخاب‌های حمل‌ونقل مسکونی را از دست می‌دهد. مکانیسم MTM-RTMC که روشی واقعی‌تر و قابل اطمینان‌تر را ارائه می‌کند، می‌تواند به مدل‌های اصلی دسترسی تعمیم دهد و راهنمایی‌های مطلوبی را برای سیاست‌گذاران ارائه دهد. از داده‌های برنامه‌ریزی مسیر چهار حالت (شامل رانندگی، پیاده‌روی، حمل‌ونقل عمومی و دوچرخه‌سواری) از یک پلت‌فرم نقشه‌برداری وب استفاده کرد و از این سه مدل برای خدمات کلینیک کودکان برای اندازه‌گیری دسترسی استفاده کرد. نتایج نشان می‌دهد که مکانیسم MTM-RTMC برای برآورد سنتی دسترسی است که تأثیر انتخاب‌های حمل‌ونقل مسکونی را از دست می‌دهد. مکانیسم MTM-RTMC که روشی واقعی‌تر و قابل اطمینان‌تر را ارائه می‌کند، می‌تواند به مدل‌های اصلی دسترسی تعمیم دهد و راهنمایی‌های مطلوبی را برای سیاست‌گذاران ارائه دهد. نتایج نشان می‌دهد که مکانیسم MTM-RTMC برای برآورد سنتی دسترسی است که تأثیر انتخاب‌های حمل‌ونقل مسکونی را از دست می‌دهد. مکانیسم MTM-RTMC که روشی واقعی‌تر و قابل اطمینان‌تر را ارائه می‌کند، می‌تواند به مدل‌های اصلی دسترسی تعمیم دهد و راهنمایی‌های مطلوبی را برای سیاست‌گذاران ارائه دهد. نتایج نشان می‌دهد که مکانیسم MTM-RTMC برای برآورد سنتی دسترسی است که تأثیر انتخاب‌های حمل‌ونقل مسکونی را از دست می‌دهد. مکانیسم MTM-RTMC که روشی واقعی‌تر و قابل اطمینان‌تر را ارائه می‌کند، می‌تواند به مدل‌های اصلی دسترسی تعمیم دهد و راهنمایی‌های مطلوبی را برای سیاست‌گذاران ارائه دهد.

کلید واژه ها:

دسترسی فضایی ؛ چندین حالت حمل و نقل ؛ انتخاب حالت حمل و نقل مسکونی ؛ نقشه های وب ; داده های برنامه ریزی مسیر ؛ تسهیلات مراقبت های بهداشتی

۱٫ معرفی

دسترسی فضایی که تحت تأثیر نوع و مقیاس امکانات خدماتی، توزیع مجدد جمعیت فضایی در مکان های تقاضا و امپدانس سفر (مانند زمان سفر، مسافت یا هزینه سفر) است، نقش اساسی در برنامه ریزی امکانات خدمات شهری و بهینه سازی ترافیک شهری [ ۱ ، ۲ ، ۳ ، ۴ ، ۵ ، ۶ ]. دسترسی به مراقبت های بهداشتی یک زمینه چند وجهی است که شامل مراقبت های بهداشتی اولیه [ ۷ ]، دسترسی به مراقبت های بهداشتی در مناطق روستایی [ ۸ ، ۹ ]، دسترسی فضایی فرامرزی به مراقبت های بهداشتی [ ۱۰ ] می شود.]، برابری فضایی مراقبت های بهداشتی چند سطحی [ ۱۱ ]، مراقبت های بیمارستانی و خدمات فوریت های پزشکی [ ۱۲ ، ۱۳ ]، و سلامت روان در دوران کودکی و نوجوانی [ ۱۴ ]. امپدانس سفر به طور گسترده توسط محققان ثابت شده است که یک عامل کلیدی بر دسترسی ساکنان به امکانات خدماتی است [ ۱۵ ]. با این وجود، اندازه گیری امپدانس سفر با مشکلاتی مواجه است، بنابراین چگونه می توان امپدانس سفر واقعی تر را در محیط های ترافیکی چندوجهی و پویا به دست آورد؟
اول، سفر روزانه ساکنان به بخش مراقبت های بهداشتی به سمت حمل و نقل چند وجهی است. مطالعات سنتی به سمت انتخاب ذهنی حالت‌های خاص سفر نگاه کرده‌اند [ ۱۶ ]، اما تعداد فزاینده‌ای از محققان شروع به بهبود مدل‌های دسترسی با توجه به تأثیر روش‌های مختلف حمل‌ونقل کرده‌اند [ ۱۷ ]. حالت های حمل و نقل عمدتاً شامل رانندگی، پیاده روی، حمل و نقل عمومی، دوچرخه سواری و ترکیبی از این موارد می شود. در میان آنها، حالت های ترکیبی معمولاً برای سفرهای طولانی مدت اتخاذ می شوند [ ۱۸ ]. حالت های حمل و نقل متنوع تأثیر قابل توجهی بر مسیر ترافیک و زمان ترافیک دارند [ ۱۹]، مانند تغییرات در برنامه ریزی مسیر سفر و مصرف زمان در ۹ شهر اروپایی و ۱۵ کلان شهر بزرگ جهان. یک مدل دسترس‌پذیری با حالت‌های حمل‌ونقل چندگانه (MTM) برای محاسبه تغییرات واقعی در زمان سفر و قابلیت اطمینان خدمات پیشنهاد شده است [ ۲۰ ]. با فرض اینکه ساکنان برای هر نوع روش حمل و نقل به مقاصد مختلف احتمال انتخاب یکسانی دارند، مائو و نکورچوک [ ۳ ] حالت های رانندگی و حمل و نقل عمومی را برای تخمین دسترسی به مراقبت های بهداشتی در نظر گرفتند. لین و همکاران [ ۲۱] بر اساس داده های StreetMap، زمان سفر ارائه دهندگان مراقبت های اولیه را با خودرو و وسایل حمل و نقل عمومی محاسبه کرد. بر اساس داده های امپدانس سفر در نظر گرفته شده در MTM، بسیاری از مدل های دسترسی جدید توسعه یافته اند، مانند روش حوضه آبریز شناور دو مرحله ای چندوجهی (۲SFCA) [ ۳ ]، یک مدل حوزه آبریز شناور با عرض متغیر [ ۱۷ ]، چند وجهی ۲SFCA شامل نسبت دسترسی فضایی [ ۲۱ ]، و ارزیابی برابری مبتنی بر دسترسی چندوجهی [ ۲۲ ].
دوم، سرعت روش های مختلف حمل و نقل یک مقدار تئوری ثابت نیست. مجموعه ثابتی از مطالعات دسترسی، امپدانس سفر را با شبیه‌سازی یک حالت حمل‌ونقل منفرد با سرعت مبتنی بر تئوری بر اساس مجموعه داده‌های شبکه جاده‌ای سیستم اطلاعات جغرافیایی (GIS) محاسبه کرده‌اند، برای مثال، سرعت پیاده‌روی ۴ کیلومتر در ساعت، سرعت دوچرخه‌سواری. ۱۰ کیلومتر در ساعت و سرعت رانندگی در جاده های اصلی شهری ۵۰ کیلومتر در ساعت [ ۲۳ ، ۲۴ ، ۲۵ ]. با این حال، ادبیات موجود به شدت مبتنی بر فرضیات بیش از حد ساده شده است که خدمات حمل و نقل با سرعت های قطعی عمل می کنند [ ۲۰ ]. داده‌های امپدانس سفر را می‌توان از منابع داده باز [ ۲۶ ، ۲۷ ] در دسترس قرار داد]، از جمله داده‌های نظرسنجی سفر فردی [ ۳ ]، خدمات نقشه‌برداری وب (Google Maps [ ۱۷ ]، Baidu Maps [ ۲۸ ]، نقشه‌های Amap [ ۲۹ ])، و داده‌های رسانه‌های اجتماعی مبتنی بر مکان [ ۲۰ ]، که پیشرفت‌هایی را در آشکارسازی ممکن می‌سازد. ویژگی های فعالیت های انسانی [ ۳۰ ، ۳۱ ، ۳۲ ]. داده های رسانه های اجتماعی جغرافیایی ارجاع داده شده، داده های بزرگ در مقیاس دقیق و پویا را برای تحقیقات دسترسی ارائه می کنند [ ۳۳ ]. خدمات نقشه برداری وب روش دقیق تری برای به دست آوردن داده های امپدانس سفر بین مبدا و مقصد برای MTM ارائه می دهد [ ۲۵ ].
ثالثاً، افراد ترجیحات متفاوتی برای شیوه های مختلف حمل و نقل دارند. آزمایش‌های کمتری در مورد اینکه چگونه انتخاب‌های حالت حمل‌ونقل مسکونی (RTMC) بر دسترسی به تسهیلات تأثیر می‌گذارد، انجام شده است. RTMC به انتخاب حالت‌های حمل‌ونقل توسط ساکنان بر اساس فعالیت‌ها، محدودیت‌های زمان سفر، مقصدها و شرایط ترافیکی اشاره دارد [ ۳۴ ، ۳۵ ، ۳۶ ]. چندین حالت حمل و نقل بین یک جفت مبدا-مقصد (OD) وجود دارد که نقطه تقاضا نیز نامیده می شود منبه نقطه عرضه j. فرض اصلی RTMC فرض می‌کند که مردم ترجیح می‌دهند راحت‌ترین و سریع‌ترین حالت حمل‌ونقل را انتخاب کنند [ ۲۰ ، ۳۷ ]، که به «عقلانیت محدود» تصمیم‌گیری انسانی بستگی دارد [ ۳۸ ]. در زندگی واقعی، شرایط تسهیلات ترافیکی، مکان ترافیک، فاصله از مقصد و هزینه اقتصادی به عوامل موثر بر RTMC تبدیل می‌شوند [ ۳۹ ]. نظریه‌های RTMC عمدتاً شامل نظریه بیشینه‌سازی مطلوبیت [ ۴۰ ]، نظریه ارزیابی رضایت [ ۴۱ ] و نظریه مبادله تلاش-دقت [ ۴۲ ] است.]. ما باید به تفاوت‌های انتخاب‌های ساکنان برای حالت‌های مختلف ترافیک بر اساس عوامل فردی توجه کنیم: عواملی که بر ترافیک ساکنان تأثیر می‌گذارند، مانند تأثیر اختلاف در زمان سفر بر شیوه‌های مختلف حمل‌ونقل ناشی از میزان ازدحام شهری در زمان های مختلف.
در این مقاله، ما بر روی شکاف RTMC تمرکز می کنیم و عوامل مختلف حمل و نقل را برای ایجاد احتمالات RTMC و طراحی مجدد روش حوضه آبریز شناور دو مرحله ای گرانشی (G2SFCA) در نظر می گیریم. احتمالات RTMC، که عمدتاً به امپدانس سفر حالت های حمل و نقل مختلف بستگی دارد ( شکل ۱ a)، نشان می دهد که حالت های حمل و نقل مختلف از محل مبدا i (محل تقاضا) تا مکان مقصد j (محل عرضه) احتمالات متفاوتی دارند. w(مترمن)انتخاب شدن ( شکل ۱ ب). ما مدل G2SFCA یک حالت حمل و نقل (STM) را به عنوان یک مدل اساسی انتخاب کردیم و دسترسی مکانی به امکانات را با MTM-RTMC اندازه‌گیری کردیم. ما نانجینگ را به عنوان منطقه آزمایشی بر اساس چهار نوع داده برنامه ریزی مسیر برای MTM از پلت فرم نقشه برداری وب انتخاب کردیم. ما سپس سه مدل G2SFCA را در مراکز پزشکی اطفال برای اندازه‌گیری دسترسی به کار بردیم.
ادامه این مقاله به شرح زیر سازماندهی شده است. بخش ۲ مدل های دسترسی ریاضی را برای مدل STM G2SFCA ( بخش ۲٫۲ )، مدل MTM G2SFCA ( بخش ۲٫۳ ) و مدل MTM-RTMC G2SFCA ( بخش ۲٫۴ ) به تفصیل شرح می دهد. علاوه بر این، ما دو پارامتر حیاتی را در مدل MTM-RTMC G2SFCA معرفی می‌کنیم، از جمله ضریب اصطکاک سفر ( بخش ۲٫۵ ) و احتمالات RTMC ( بخش ۲٫۶ ). بخش ۳ پیشینه حوزه تحقیق و وضعیت اولیه داده های مورد استفاده در این تحقیق را معرفی می کند. بخش ۴ارزش روش پیشنهادی و نتایج آن را برای اندازه‌گیری دسترسی به امکانات مراقبت‌های بهداشتی مورد بحث قرار می‌دهد. در بخش ۵ و بخش ۶ما مکانیسم MTM-RTMC را به پنج نوع مدل ۲SFCA تعمیم می دهیم و نتایج این تحقیق را خلاصه می کنیم.

۲٫ مواد و روشها

چندین مطالعه از روش ۲SFCA برای تخمین دسترسی به مراقبت های بهداشتی استفاده کرده اند [ ۱۶ ، ۴۳ ]. مدل تعمیم یافته ۲SFCA مدل اساسی دسترسی است [ ۴۴ ]. با تغییرات در توابع فروپاشی فاصله، مدل ۲SFCA تعمیم یافته می تواند به انواع مختلفی تبدیل شود، از جمله مدل ۲SFCA پیشرفته، مدل G2SFCA، مدل ۲SFCA چگالی هسته، و مدل ۲SFCA گاوسی [ ۱۵ ]. در میان مدل‌های اندازه‌گیری دسترسی، مدل G2SFCA به طور گسترده برای اندازه‌گیری دسترسی فضایی تسهیلات استفاده شده است . مدل G2SFCA مبتنی بر شبیه سازی، که تابع واپاشی فاصله را به عنوان یک تابع پیوسته در نظر می گیرد، یکی از روش های ۲SFCA ارائه شده است [ ۲۵ ]. ۲۲ ]. مدل G2SFCA تعامل بین عرضه و تقاضا را در مناطق مختلف در نظر می گیرد [ ۴۵ ]. در این بخش ابتدا مدل تعمیم یافته ۲SFCA که اساس بخش ۲ و بخش ۴٫۱ است بررسی می شود و سه مدل G2SFCA برای نشان دادن روند پیاده سازی برای بهبود و طراحی مدل MTM-RTMC G2SFCA معرفی می شوند.

۲٫۱٫ مروری بر مدل سنتی تعمیم یافته ۲SFCA

در زمینه روش‌شناسی دسترسی، می‌توانیم مدل‌های دسترسی را به دو دسته دسته‌بندی کنیم، مدل‌های دسترسی مبتنی بر مکان (یعنی جامعه مسکونی) و مدل‌های دسترسی مبتنی بر فرد (یعنی فرد مسکونی) که بر اساس تعداد ساکنان مورد مطالعه طبقه‌بندی شده‌اند [ ۱۵ ]. معیارهای دسترسی مبتنی بر مکان عمدتاً شامل مدل‌های فرصت تجمعی و مدل‌های گرانشی [ ۴۶ ] و ۲SFCA [ ۴۷ ] است و فرصت‌ها را از مکان‌های تقاضا تا امکانات اطراف با در نظر گرفتن امپدانس سفر ارزیابی می‌کند [ ۴۸ ]. Radke و Mu [ ۴۹ ] نسخه های قبلی رویکرد حوضه آبریز شناور را ارائه کردند و ۲SFCA توسط Luo و Wang [ ۴۷ ] بهبود یافت. وانگ [ ۱۶ ] شکل کلی مدل ۲SFCA، مدل تعمیم یافته ۲SFCA را خلاصه کرد. ابتدا، مدل تعمیم یافته ۲SFCA، حوضه آبریز محل عرضه j را به عنوان منطقه ای متشکل از همه مکان های تقاضا k در یک امپدانس سفر آستانه تعریف می کند.د۰، و نسبت عرضه به تقاضا را محاسبه می کند ایکسjدر حوضه آبریز (معادله (۱)). دوم، مدل تعمیم یافته ۲SFCA همه j را در داخل جستجو می کندد۰از i و نسبت ها را خلاصه می کند ایکسj(معادله (۱)) [ ۱۶ ]. عامل مقیاس جمعیت Vjکل جمعیت قابل سرویس پس از اثر ترکیبی توابع فروپاشی فاصله است f(دکj)(معادله (۲)). Vjمی تواند تفاوت در مقیاس جمعیت قابل خدمات را از نقاط عرضه مختلف نشان دهد [ ۵۰ ]. ارزش دسترسی جهانی تمام نقاط تقاضا را می توان از رابطه (۳) محاسبه کرد.

آمن(جیهnهrآلمنzهد)=∑j=1مایکسj=∑j=1مEj∗f(دمنj)Vj
Vj=∑ک=۱نپک∗f(دکj)
آ(جیهnهrآلمنzهد)=∑ک=۱نآمن(جیهnهrآلمنzهد)

جایی که

آمن(جیهnهrآلمنzهد)-دسترسی فضایی نقطه تقاضا منمحاسبه شده توسط مدل تعمیم یافته ۲SFCA.
آ(جیهnهrآلمنzهد)- ارزش مجموع تمام نقاط تقاضا برای دسترسی فضایی محاسبه شده توسط مدل تعمیم یافته ۲SFCA.
E j – ظرفیت تامین منبع خدمات نقطه تامین j ;
d ij – امپدانس سفر از نقطه تقاضا i تا j .
M – تعداد کل نقاط عرضه؛
N – تعداد نقاط تقاضا.
P k – تعداد جمعیت در نقطه تقاضا k ;
V j – ضریب مقیاس جمعیت j ;
X j – نسبت عرضه به تقاضا j .

توابع فروپاشی فاصله f(دمنj)و f(دکj)مدل تعمیم یافته ۲SFCA را می توان به عنوان معادله (۴) ارائه کرد. g(دمنj)معمولا یک ثابت خاص است.

f(دمنj)={g(دمنj)،دمنj≤د۰۰،دمنj>د۰

جایی که

د۰- آستانه موثر امپدانس سفر بین منو j.

۲٫۲٫ بررسی مدل سنتی STM G2SFCA

مدل گرانش و مدل ۲SFCA به یک چارچوب نظری تعلق دارند [ ۴۷ ]. هر دوی آنها تأثیر مقیاس مقصد، مقیاس دیدگاه و رابطه فاصله بین مقصد و نقطه را بر دسترسی در نظر می گیرند. مدل STM G2SFCA که به عنوان مدل پتانسیل یا مدل انرژی پتانسیل نیز شناخته می شود، از قانون گرانش جهانی نیوتن مشتق شده است و توسط هانسن [ ۵۱ ] پیشنهاد شده است. هانسن هنگام تحلیل توزیع جمعیت جمعیت شهری و شاخص‌های دسترسی فضایی زمین مسکونی، مفهوم دسترسی فضایی را معرفی کرد. هانسن همچنین مدلی را برای محاسبه دسترسی فضایی ارائه کرد که با استفاده از شاخص های بالقوه [ ۵۲ ] ارزیابی شد.

شکل اصلی مدل STM G2SFCA ( آمن(ستیمتر)، آ(ستیمتر)) با مدل تعمیم یافته ۲SFCA به جز تابع واپاشی فاصله سازگار است f(دمنj). را f(دمنj)مدل STM G2SFCA را می توان به صورت معادله (۵) تعمیم داد.

f(دمنj)={دمنj-β،دمنj≤د۰۰،دمنj>د۰

جایی که

β- ضریب اصطکاک سفر: پارامتر فاصله – فروپاشی.

۲٫۳٫ طراحی مدل MTM G2SFCA

MTM نمایش دسترسی واقعی تری نسبت به روش های تک حالته ارائه می دهد [ ۲۱ ]. لانگفورد، هیگز و فرای [ ۴۳ ] یک روش چندوجهی ۲SFCA را با ترکیب حالت های حمل و نقل عمومی و خصوصی با استفاده از مجموعه داده های شبکه اختصاصی پیشنهاد کردند. در این مقاله، ما مکانیسم MTM را برای بازسازی عامل مقیاس جمعیت اتخاذ می‌کنیم Vj(معادله (۶)) و تابع واپاشی فاصله f(دکj(مترr))(معادله (۸)) اول، و دستیابی به MTM (معادله (۷)) در مرحله دوم. در رابطه (۸)، ضرایب اصطکاک سفر { β(متر۱)، β(متر۲)،……β(مترr)} بر اساس حالت حمل و نقل متفاوت است، که می تواند اثرات مختلف کاهش امپدانس سفر در دسترس بودن را مشخص کند [ ۳ ]. جزئیات بیشتر ضرایب اصطکاک سفر { β(متر۱)، β(متر۲)،……β(مترr)} در بخش ۲٫۵ ارائه شده است. زیرا آرانواع حالت های حمل و نقل در معادلات (۶) و (۷) در نظر گرفته شده است، نتایج MTM باید بر تقسیم شوند. آربرای جلوگیری از شمارش مضاعف جمع بندی همه آمن(مترتیمتر)، می توانیم بدست آوریم آ(مترتیمتر)، ارزش جهانی منطقه تحقیق (معادله (۹)).

Vj=1آر∗∑ک=۱ن∑r=1آرپک∗f(دکj(مترr))
آمن(مترتیمتر)=۱آر∗∑j=1م∑r=1آرEj∗f(دمنj(مترr))Vj
f(دمنj(مترr))={(دمنj(مترr))-β(مترr)،دمنj(مترr)≤د۰(مترr)0،دمنj(مترr)>د۰(مترr)
آ(مترتیمتر)=∑ک=۱نآمن(مترتیمتر)

جایی که

آمن(مترتیمتر)-دسترسی فضایی مدل MTM G2SFCA از من;
آ(مترتیمتر)- مجموع تمام نقاط تقاضای ارزش دسترسی فضایی مدل MTM G2SFCA.
مترr- rنوع حالت حمل و نقل، r∈(۰،آر]. حالت های حمل و نقل شامل رانندگی، پیاده روی، حمل و نقل عمومی و دوچرخه سواری است.
β(مترr)-ضریب اصطکاک سفر حالت حمل و نقل مترr;
دمنj(مترr)- امپدانس سفر برای حالت حمل و نقل مترrاز جانب منبه j;
د۰(مترr)- آستانه موثر امپدانس سفر حالت حمل و نقل مترrبین منو j.

۲٫۴٫ طراحی مدل MTM-RTMC G2SFCA

یک فرض اساسی وجود دارد که ساکنان در موقعیت‌های مختلف احتمالات یکسانی دارند آمن(مترتیمتر)، که از واقعیت حمل و نقل منحرف می شود. بنابراین، ما از احتمالات RTMC استفاده کردیم wک(مترr)برای مدل حمل و نقل مترrبرای نزدیک شدن به واقعیت حمل و نقل (به معادلات (۱۰) و (۱۱) مراجعه کنید). در میان آنها، wمنj(مترr)که محدودیت ها را برآورده می کند ∑r=1آرwمنj(مترr)=1.

Vj=∑ک=۱ن∑r=1آرwکj(مترr)∗پک∗f(دکj(مترr))
آمن(مترتیمتر-rتیمترج)=∑j=1م∑r=1آرwمنj(مترr)∗Ej∗f(دمنj(مترr))Vjستی. ∑r=1آرwمنj(مترr)=1

برای درک دقیق‌تر معادله اصلی مدل MTM-RTMC G2SFCA (معادله (۱۱))، شکل بسط آمن(مترتیمتر-rتیمترج)در رابطه (۱۲) بدون در نظر گرفتن تأثیر نشان داده شده است د۰(مترr). جمع بندی همه آمن(مترتیمتر-rتیمترج)، می توانیم بدست آوریم آ(مترتیمتر-rتیمترج)، ارزش جهانی منطقه تحقیق (معادله (۱۳)). در مدل MTM-RTMC G2SFCA، فرآیند محاسبه پارامتر بحرانی wمنj(مترr)در بخش ۲٫۶ نشان داده شده است .

آمن(مترتیمتر-rتیمترج)=∑j=1م(wمنj(متر۱)∗Ejدمنj(متر۱)β(متر۱)∗Vj+wمنj(مترr)∗Ejدمنj(مترr)β(مترr)∗Vj+…+wمنj(مترآر)∗Ejدمنj(مترآر)β(مترآر)∗Vj)ستی. ∑r=1آرwمنj(مترr)=1
آ(مترتیمتر-rتیمترج)=∑من=۱نآمن(مترتیمتر-rتیمترج)

جایی که

آمن(مترتیمتر-rتیمترج)-دسترسی فضایی مدل MTM-RTMC G2SFCA من;
آ(مترتیمتر-rتیمترج)- مجموع تمام نقاط تقاضای ارزش دسترسی فضایی مدل MTM-RTMC G2SFCA.
wمنj(مترr)- احتمالات RTMC حالت حمل و نقل مترrاز جانب منبه j.

۲٫۵٫ ضریب اصطکاک سفر β

ضریب اصطکاک سفر β به داده ها و کار اضافی برای تعریف نیاز دارد و ممکن است برای منطقه خاص باشد. از پیش تعریف ضریب اصطکاک سفر β برای حالت‌های مختلف حمل و نقل نیز در تحقیقات پیشینیان بسیار مهم است ( جدول ۱ ) زیرا میزان اصطکاک را تعیین می‌کند. دمنjواپاشی برای محاسبه دسترسی MTM و دسترسی MTM-RTMC [ ۵۳ ]. یک مقدار β بزرگتر نشان می‌دهد که ساکنان هنگام جستجوی امکانات مراقبت‌های بهداشتی بیشتر از زمان‌های سفر طولانی دلسرد می‌شوند و بنابراین تمایل بیشتری برای اقامت در مکان‌های نزدیک دارند [ ۴۷ ]. مائو و نکورچوک [ ۳ ] هنگام مطالعه حالت اتوبوس و ماشین، تأثیر اصطکاک سفر را نادیده گرفتند. آنها مشاهده کردند که نادیده گرفتن تأثیر انتخاب های ساکنان برای شیوه های حمل و نقل منجر به انحراف از نتایج واقعی تر می شود. ضریب اصطکاک سفر β تأثیر کلی فروپاشی امپدانس سفر را بر تعاملات فضایی نشان می‌دهد. بزرگترβنشان‌دهنده اثر فروپاشی فاصله سریع‌تر است، به طوری که حرکات به دلیل تفکیک فضایی بیشتر مانع می‌شوند [ ۵۴ ].
صرف نظر از تأثیر عوامل فردی بر انتخاب روش های حمل و نقل فردی ساکنان، سفر کلی گروه ساکنان از مفروضات اساسی به شرح زیر پیروی می کند. (۱) ساکنان می توانند یکی از حالت های حمل و نقل را انتخاب کنند. (۲) اصول اولیه RTMC به سمت یک حالت حمل و نقل با زمان سفر کوتاه و هزینه اقتصادی کم تمایل دارد. (۳) مشخصه های میانگین سرعت کلی چهار حالت اصلی حمل و نقل عبارتند از: پیاده روی با ۴ کیلومتر در ساعت (کمترین سرعت)، دوچرخه سواری با سرعت ۸ کیلومتر در ساعت (سرعت کمتر)، حمل و نقل عمومی با سرعت ۴۰ کیلومتر در ساعت (سرعت متوسط)، و رانندگی با سرعت ۷۰ کیلومتر در ساعت (سرعت بالا) [ ۲۳ ، ۲۴ ، ۲۵ ]. (۳) با در نظر گرفتن ضریب اصطکاک سفر βدر توابع فروپاشی فاصله ای که امپدانس سفر را افزایش داده و سرکوب می کنند، β = ۱ نقطه ارزش بحرانی است، با آستانه امپدانس سفر ۱ کیلومتر به عنوان مرز تقسیم کننده سفر به مسافت های کوتاه و طولانی ( شکل ۲ ) (برای امپدانس سفر، فاصله به عنوان انتخاب شده است دمنj; به محتوا مراجعه کنید: کیلومتر را به عنوان بعد انتخاب کنید و اساس آن به طور مفصل در بخش ۴٫۱ مورد بحث قرار گرفته است . (۴) در سفرهای مسافت کوتاه، ضریب اصطکاک سفر β توابع فروپاشی فاصله، تأثیر بزرگ‌تری بر امپدانس سفر دارد. در مقابل، در سفرهای طولانی، ضریب اصطکاک سفر β توابع فروپاشی فاصله، اثر کوچک شدنی بر امپدانس سفر دارد ( شکل ۲ ). هنگامی که فاصله تا یک مرکز حداقل باشد، آن تسهیلات نسبت به سایر امکانات خدماتی از راه دور برتری مطلق دارد. تأسیسات خدماتی مجاور نقش پیشرو در نقاط تقاضای همسایه دارند و بنابراین در خور توجه هستند.
می توانیم اصول زیر را نتیجه گیری کنیم:
(۱)
در سفرهای کوتاه مدت زمان سفر چهار حالت اصلی حمل و نقل مشابه است. ساکنان تمایل دارند از حالت های حمل و نقل کم هزینه مانند پیاده روی یا دوچرخه سواری استفاده کنند، بنابراین سرعت سفر و ضریب اصطکاک سفر β یک همبستگی منفی دارند. در سفرهای مسافت کوتاه، ضریب اصطکاک سفر β در حالت حمل و نقل با سرعت بالا، با افزایش سرعت حالت حمل و نقل، افزایش نسبتاً کمتری در امپدانس سفر ارائه می‌کند. بنابراین، ضریب اصطکاک سفر β در حالت حمل و نقل با سرعت بالا نسبتا کم است.
(۲)
برای سفرهای طولانی مدت، زمان سفر چهار حالت اصلی حمل و نقل بسیار متفاوت است. تنوع روش های حمل و نقل جایگزین به تدریج کاهش می یابد و ساکنان تمایل دارند حالت های حمل و نقل سریع تری را انتخاب کنند که می تواند زمان حمل و نقل کوتاه تر را تضمین کند. با افزایش سرعت حالت حمل و نقل، ضریب اصطکاک سفر β حالت حمل و نقل با سرعت بالا تأثیر نسبتاً کمتری بر سرکوب امپدانس سفر دارد، بنابراین ضریب اصطکاک β در حالت حمل و نقل با سرعت بالا نسبتاً پایین است.
در مدل MTM G2SFCA و مدل MTM-RTMC G2SFCA، ما ضرایب اصطکاک سفر را به ترتیب برای پیاده‌روی، دوچرخه‌سواری، حمل‌ونقل عمومی و رانندگی به‌ترتیب ۱٫۴، ۱٫۲، ۱٫۰ و ۰٫۸ نسبت دادیم که با اثر سرکوب‌کننده بر سرعت مطابقت دارد. حالت های حمل و نقل

۲٫۶٫ احتمالات انتخاب حالت حمل و نقل مسکونی w k (m r )

بسیاری از عوامل موثر بر RTMC را می توان به جنبه های کلان و خرد تقسیم کرد ( شکل ۳). عوامل کلان شامل ویژگی‌های منطقه شهری، سطح اقتصادی شهرداری و وضعیت توسعه تسهیلات حمل‌ونقل شهری است، در حالی که عوامل خرد شامل ویژگی‌های فردی ساکن، ویژگی‌های خانوادگی، دسترسی، وقت‌شناسی، راحتی، ایمنی، تجربه سفر، اطلاعات ترافیک در زمان واقعی، سفر است. هدف، فوریت زمان حرکت، مسافت سفر، و غیره. تفاوت در عوامل کلان منجر به تفاوت های کلی بین مناطق شهری می شود. تفاوت در عوامل خرد منجر به تنوع شیوه های حمل و نقل برای ساکنان منطقه می شود. به عنوان مثال، به دلیل اینکه بودجه سفر ساکنان پردرآمد بیشتر است، نرخ مالکیت خودروهای شخصی و نسبت سفر با رانندگی بیشتر خواهد بود. RTMC یک توزیع احتمال ترکیبی را ارائه می دهد،
هزینه سفر به کل عملکرد ارزی اشاره دارد که ساکنان در فرآیند سفر سرمایه گذاری می کنند و در مخارج پولی و غیر پولی منعکس می شود. هزینه سفر اعمال شده برای ساکنینی که یک حالت حمل و نقل خاص را انتخاب می کنند، می تواند به مخارج مالی مستقیم و از دست دادن زمان سفر در طول کل فرآیند سفر خلاصه شود. از دست دادن ارزش زمان سفر به عنوان عملکرد ارزی زمان مصرف شده فرد در طول کل فرآیند سفر تعریف می شود. اصل قیمت سایه این است که اگر زمان صرف شده به جای آن در فعالیت های تولیدی سرمایه گذاری می شد، کالایی با ارزش خاص ایجاد می شد. به عبارت دیگر، مقدار ارزش از دست رفته به مقدار پول از دست رفته از سرمایه گذاری زمان معینی در فعالیت های غیرمولد اشاره دارد. ۶۰ ]]. ساکنان تمایل دارند یک حالت حمل و نقل با هزینه های سفر کمتر را انتخاب کنند ( شکل ۳ ).
هزینه سفر عمدتاً تحت تأثیر زمان ترافیک، مسافت ترافیک و ضریب اقتصادی یا فوریت است. هر چه زمان ترافیک و مسافت ترافیک بیشتر باشد، هزینه سفر بیشتر است [ ۴۰ ]. ما احتمالات RTMC را محاسبه کردیم wک(مترr)با در نظر گرفتن عوامل موثر محاسبه احتمال RTMC به صراحت شامل چهار مرحله است ( شکل ۴ ). داده های ورودی داده های برنامه ریزی مسیر MTM هستند و نتیجه خروجی آن است wک(مترr)از OD های مختلف برای محاسبه احتمالات RTMC به استانداردسازی امتیاز Z و کاهش ابعاد تابع Softmax [ ۶۱ ] تکیه کردیم.

مرحله ۱: ساخت و ساز استیDمنj(مترr)(معادله (۱۴)). را استیDمنj(مترr)با درجه ارتباط فیزیکی در فضای جغرافیایی مشخص می شود.

استیDمنj(مترr)=ساعتمنj(مترr)∗دمنj(مترr)

جایی که

ساعتمنj(مترr)- زمان سفر برای حالت حمل و نقل rاز جانب منبه j;
دمنj(مترr)- مسافت سفر برای حالت حمل و نقل rاز جانب منبه j.

مرحله ۲: ساخت و ساز زمنj”(مترr)(معادله (۱۵)). δrکه دارای واحد دلار/(person.km) است، نشان دهنده ضریب هزینه اقتصادی برای ادغام حالت های مختلف حمل و نقل است. عامل هزینه اقتصادی به مبادله بین استفاده از منابع اشاره دارد [ ۳۹ ، ۶۲ ]. طراحی از δrتأثیر تعدیل عمده ای بر محاسبه احتمالات RTMC دارد. ما از هزینه های ثابت خودرو و هزینه های متغیر خودرو به عنوان هزینه های پولی کاربران استفاده کردیم. بنابراین، شاخص ها ماشین متوسط: ۰٫۱۵ دلار ، اتوبوس دیزلی: ۰٫۰۸ دلار ، دوچرخه: ۰٫۰۳ دلار ، پیاده روی: ۰٫۰۱ دلار [ ۳۹ ، ۶۲ ] هستند. برای سهولت محاسبه، افزایش دادیم δrبا ۱ و تاسیس شد δrبه عنوان { حمل و نقل عمومی = ۱٫۰۸ ، پیاده روی = ۱٫۰۱ ، رانندگی = ۱٫۱۵ ، دوچرخه سواری = ۱٫۰۳ }. δrیک شاخص منفی است و هر چه بزرگتر باشد، مقدار احتمال RTMC کمتر است.

زمنj”(مترr)=1استیDمنj(مترr)∗δr

مرحله ۳: استانداردسازی امتیاز Z (معادله (۱۶)). روش استانداردسازی امتیاز Z که انحراف اختلاف احتمال انتخاب ناشی از اختلاف زیاد در OD را کاهش می دهد، برای استانداردسازی انتخاب شد. روش استانداردسازی Z-score مجموعه های متعددی از داده ها را به واحدهای بدون واحد تبدیل می کند زمنj”∗(مترr). نمرات استانداردهای داده ها را یکنواخت می کند، قابلیت مقایسه داده ها را بهبود می بخشد و قابلیت تفسیر داده ها را ضعیف می کند.

زمنj”∗(مترr)=زمنj”(مترr)-μσ

جایی که

σ – انحراف استاندارد داده های کلی.
μ – میانگین داده های کلی.

مرحله ۴: احتمال RTMC wمنj(مترr)در معادله (۱۷). تابع Softmax که به عنوان تابع نمایی نرمال شده نیز شناخته می شود، تعمیم توابع منطقی در نظریه احتمال و زمینه های مرتبط است. می تواند حاوی هر کدام باشد کبعد بردار زو آن را به دیگری “فشرده” کنید کبردار بعد σ(ز). بنابراین، هر عنصر دارای یک محدوده در است (۰، ۱)و مجموع همه عناصر برابر با ۱ است. تابع Softmax یک نرمال سازی گرادیان log از توزیع احتمال گسسته آیتم محدود است که کاربردهای گسترده ای در انواع روش های مسئله چند طبقه بندی مبتنی بر احتمال دارد.

wمنj(مترr)=پ(زمنj”∗(مترr))=هزمنj”∗(مترr)∑r=1آرهزمنj”∗(مترr)خیابان. ∑r=1آرwمنj(مترr)=1

در میان آنها، r∈(۰،آر].

برای بیان برجسته فرآیند محاسبه برای احتمالات RTMC، ما دو جریان تجربی OD را انتخاب کردیم، جامعه Yujinli به بیمارستان کودکان نانجینگ دفتر گوانگژو (NCHGZ) ( شکل ۵ a) و انجمن Yujinli به بیمارستان Yifu وابسته به دانشگاه پزشکی نانجینگ (YHANMU) (YHANMU) شکل ۵ ب)، برای درخواست مسیرهای توصیه شده MTM از Amap Maps (نقطه در زمان: ۸ اکتبر ۲۰۱۹). تفصیل فاصله سفر و نتایج زمانی را می توان در جدول ۲ مشاهده کرد. ما احتمالات RTMC را محاسبه کردیم wک(مترr)از دو جریان تجربی OD انتخاب شده، و wک(مترr)نتایج عبارتند از { حمل و نقل عمومی = ۰٫۰۵۲ ، رانندگی = ۰٫۲۸۵ ، پیاده روی = ۰٫۰۶۹ ، دوچرخه سواری = ۰٫۵۹۳ } و {حمل و نقل عمومی = ۰٫۱۹۳، رانندگی = ۰٫۶۳۹، پیاده روی = ۰٫۰۳۹، دوچرخه سواری = ۰٫۱۳}. بازدیدهای میدانی نشان می‌دهد که موقعیت یوجینلی از محل سوار شدن به حمل‌ونقل عمومی دور است، بنابراین سفرهای کوتاه یوجینلی عمدتاً از طریق دوچرخه است، در حالی که سفرهای طولانی مدت یوجینلی از طریق خودرو انجام می‌شود که مطابق با RTMC واقعی است.

۳٫ منطقه مطالعه و داده ها

۳٫۱٫ منطقه مطالعه

نانجینگ با مساحت ۶۵۸۷ کیلومتر مربع و جمعیت ۸۳۰۰۰۰۰ نفر، نانجینگ (۱۱۸ درجه و ۱۸ دقیقه شمالی، ۳۱ درجه و ۱۴ دقیقه شرقی، ۱۱۹ درجه و ۱۸ دقیقه شمالی، ۳۲ درجه و ۳۶ دقیقه شرقی) یکی از مهم ترین شهرهای چین است ( شکل ۶). نانجینگ، مرکز استان جیانگ سو و شهر دروازه ملی ضروری برای مناطق مرکزی و غربی دلتای رودخانه یانگ تسه، یک شهر تاریخی و فرهنگی مشهور است. از نظر جمعیت، تا سال ۲۰۱۶، نرخ شهرنشینی نانجینگ ۸۲٫۲۹٪ بود. از نظر حمل و نقل، اشکال مختلف حمل و نقل در کنار هم وجود دارد و متعدد است. تعداد اتوبوس و واگن برقی ۸۳۹۵ دستگاه و تعداد تاکسی ها ۱۴۲۳۹ دستگاه بوده است. طول کل مترو نانجینگ ۳۸۱ کیلومتر بود که در پایان سال ۲۰۱۵ در رتبه پنجم از نظر طول در سراسر جهان قرار گرفت. علاوه بر این، تعداد وسایل نقلیه شخصی در نانجینگ به ۲٫۵۴ میلیون دستگاه رسید و تعداد دوچرخه های مشترک و دوچرخه های الکترونیکی به ۶۵۰۰۰۰ دستگاه رسید. و به ترتیب ۳ میلیون در پایان سال ۲۰۱۸ ( http://tjj.nanjing.gov.cn/tjxx/201904/t20190402_1495115.html). در نهایت، شبکه جاده های ترافیکی نانجینگ در خط مقدم چین قرار دارد، با مساحت سرانه جاده ای ۲۱٫۸۱ متر مربع، که بسیار فراتر از میانگین ملی ۱۵٫۶ متر مربع است [ ۶۳ ]]. از نظر خدمات پزشکی، سیستم پزشکی و مراقبت های بهداشتی نانجینگ ایده آل است، منابع پزشکی جامع فراوان است و شرایط پزشکی و بهداشتی پس از شانگهای و پکن در رتبه دوم قرار دارند. ۲۴۱ بیمارستان دولتی در نانجینگ وجود دارد که از این تعداد ۲۲ بیمارستان سطح سه هستند. اگرچه میانگین تعداد پزشکان اطفال به ازای هر ۱۰۰۰ نفر در نانجینگ، که ۰٫۶۷ است، بالاتر از میانگین چین است، اما هنوز بسیار کمتر از تعداد کشورهای توسعه یافته اصلی است که نسبت آنها به استاندارد ۰٫۸۵-۱٫۳ می رسد، که نشان دهنده قابل توجهی است. شکاف منابع اطفال بنابراین، با توجه به عوامل جمعیت، حمل و نقل و خدمات پزشکی، نانجینگ به عنوان یک منطقه تحقیقاتی کلانشهری با ویژگی‌های قوی انتخاب شد.
برای تسهیل تحقیق و کاهش تأثیر مسئله واحد منطقه ای قابل اصلاح [ ۶۴ ]، از داده های بلوک خیابان نانجینگ به عنوان یک واحد آماری فضایی استفاده کردیم. داده‌های بلوک خیابان، داده‌های چارچوب مکانی برای تحقق مدیریت یکپارچه کاداستر هستند و تقسیم‌بندی آنها به طور جامع بر اساس عوامل سازمانی، شرایط جغرافیایی طبیعی و امکانات عمومی در نظر گرفته شد [ ۶۵ ]. ۲۲۶۵ بلوک خیابان در نانجینگ وجود دارد. بلوک‌های خیابانی در نواحی مرکزی شهری، مناطق کوچک و متراکم را نشان می‌دهند که برخی از آنها کوچکتر از ۱ کیلومتر مربع هستند . در مقابل، بلوک‌های خیابانی در مناطق حاشیه‌ای شهری، مناطق بزرگ و کم جمعیت هستند و برخی از آنها بیش از ۲۰ کیلومتر مربع هستند .. بنابراین، استفاده از داده های بلوک خیابان به عنوان یک واحد تحقیقاتی می تواند ویژگی های مورفولوژیکی شهری را بهتر مشخص کند. می تواند به ویژگی های مورفولوژیکی اساسی “تفاوت کوچک در طبقه و تفاوت بزرگ بین طبقات” دست یابد.

۳٫۲٫ داده ها

۳٫۲٫۱٫ داده های برنامه ریزی مسیر از حالت های حمل و نقل چندگانه

API برنامه ریزی مسیر نقشه های وب نوع جدیدی از محاسبه هزینه سفر است [ ۲۵ ]. نقشه های وب داده های برنامه ریزی مسیر دسترسی باز را برای چندین حالت حمل و نقل مستقل یا مختلط، از جمله رانندگی، پیاده روی و دوچرخه سواری فراهم می کنند [ ۶۶ ]. این مقاله Amap Maps را که یکی از محبوب ترین پلتفرم های نقشه برداری وب در سرزمین اصلی چین است، به عنوان منبع داده انتخاب کرد. سرویس برنامه‌ریزی مسیر نقشه‌های آمپ، ناوبری بلادرنگ را با تولید برنامه‌های سفری سفارشی برای کاربران بر اساس تنظیمات خط‌مشی مقصد، عزیمت و مسیر ارائه می‌کند که داده‌های ترافیکی بی‌درنگ را با کمک به کاربران در دور زدن بخش‌های شلوغ و لذت بردن از شخصی‌تر و صمیمی‌تر ارائه می‌کند. -تجربه سفر دوستانه [ ۶۷]. رابط برنامه نویسی کاربردی (API) راحت است، فقط به مختصات طول و عرض جغرافیایی نقاط مبدا و نقاط مقصد نیاز دارد. نتایج برگردانده شده توسط API (برای درخواست کد، به مطالب تکمیلی مراجعه کنید ) به ما این امکان را می‌دهد که مستقیماً فایل‌های مسیر را شامل مسیرهای خاص، مسیرهای تقسیم‌بندی شده و هزینه‌های سفر مربوطه (مانند زمان و مسافت) دریافت کنیم. نتایج API برگردانده شده زمان کل مسیر و هزینه مسافت است. زمان و مسافت سفر توسط وب نقشه API یک میانگین تاریخی است که پیش بینی های مفید و معتبری را برای اهداف تحقیقاتی ارائه می دهد. این مقادیر بازگشتی دقیق‌تر هستند زیرا شرایط ترافیک و زمان ازدحام را با استفاده از داده‌های مکان واقعی در نظر می‌گیرند [ ۲۶ ]]. برای سهولت بیان، یک مکان ارائه‌دهنده تجربی، NCHGZ، انتخاب کردیم تا زمان سفر و فاصله از بلوک‌های خیابانی مختلف درخواست شده از API برنامه‌ریزی مسیر Amap Maps (نقطه در زمان: ۸ اکتبر ۲۰۱۹) را نشان دهد ( شکل ۷ ). شکل ۷ (a1,a2,a3,a4) نشان می‌دهد که مسافت سفر حالت‌های مختلف حمل‌ونقل تا NCHGZ متفاوت است، که نتیجه آن این است که حالت‌های حمل و نقل مختلف انواع مختلف مسیرهای سفر را انتخاب می‌کنند. تغییر زمان سفر در حالت‌های مختلف حمل‌ونقل دارای تفاوت‌های ظاهری است که در نشان داده شده است شکل ۷ نشان داده شده است(b1،b2،b3،b4). بیشترین تنوع یا سریعترین راه در رانندگی است و به دنبال آن حمل و نقل عمومی است، در حالی که پیاده روی و دوچرخه سواری به عنوان یک سری حلقه های متحدالمرکز تکامل یافته اند. موارد فوق نشان می دهد که حالت های مختلف حمل و نقل تأثیر قابل توجهی بر زمان و مسافت سفر دارند.
۳٫۲٫۲٫ داده های توزیع فضایی جمعیت کودک
داده های توزیع فضایی جمعیت در مقیاس ریز یکی از شاخص های ضروری برای تحقق دسترسی مکانی-زمانی است [ ۲۹ ]. در مطالعات گذشته، معمولاً از داده های جمعیت شناختی هر واحد اداری برای نمایش مستقیم جمعیت استفاده شده است. کاستی ها شامل دانه بندی بزرگ داده ها، توزیع فضایی گسسته و دقت پایین بود. توسعه فناوری اطلاعات و ارتباطات، پشتیبانی فنی را برای دستیابی به داده های توزیع مکانی دقیق تر جمعیت فراهم کرده است [ ۶۸]. ما نقشه حرارتی آماری بستر مناسب برای سفر را برای به دست آوردن داده‌های توزیع جمعیت فضایی اتخاذ کردیم. مقدار متوسط ​​داده های نقشه حرارتی WeChat در این دوره برای نشان دادن توزیع جمعیت منطقه ای استفاده شد.
برای به دست آوردن دقیق داده های توزیع فضایی برای جمعیت کودکان در نانجینگ از بستر مناسب برای سفر، باید تعریف کودک را بررسی کنیم و روش تبدیل متناسب را اتخاذ کنیم. تقسیم سنی مفهوم کودک را زیر چهارده سال تعریف می کند. در پایان سال ۲۰۱۷، جمعیت سرشماری از ۰ تا ۱۴ سال در نانجینگ ۹۰۴۰۰۰ نفر بود و نسبت کودکان در جمعیت ۱۰٫۸۵٪ بود. داده‌های جمعیتی درخواست‌شده از بستر مناسب برای سفر در نانجینگ، جمعیتی معادل ۷۷۶۹۰۰۰ نفر را نشان داد که کمی کمتر از تعداد جمعیت ساکن از منابع آماری است، و بنابراین این محدوده معقولی در نظر گرفته می‌شود. بنابراین، تعداد فرزندان نانجینگ با ضرب ۷,۷۶۹,۰۰۰ در ۱۰٫۸۵٪ به دست آمد. و تعداد فرزندان حاصل برای استفاده در مطالعه ما ۸۴۳۲۰۰ نفر بود. برای تسهیل نمایش فضایی، ما داده‌های توزیع فضایی جمعیت کودک را بر روی سلول‌های تور ماهی با استفاده از روش طبقه‌بندی شکست‌های طبیعی نقشه‌برداری کردیم [۶۹ ] ( شکل ۸ ). جمعیت کودکان فضایی (برای جزئیات، به مواد تکمیلی مراجعه کنید ) در مناطق اصلی مسکونی نانجینگ متمرکز شده است، با توزیع فضایی نقطه مانند و ناهموار. کانون ها در مناطق همراه با شبکه های شریانی منطقه اصلی شهری متمرکز هستند.
۳٫۲٫۳٫ داده های خدمات کلینیک اطفال
با توجه به ویژگی‌های خاص اطفال، منابع خدمات کلینیک اطفال (PCS) به ویژه در کشورهای در حال توسعه با کمبود بالایی مواجه هستند [ ۷۰ ، ۷۱ ]. در سال ۲۰۱۶، کمیسیون بهداشت دولتی و برنامه ریزی خانواده چین دستورالعمل هایی را برای تقویت اصلاح و توسعه خدمات پزشکی و مراقبت های بهداشتی کودکان صادر کرد ( http://www.mohrss.gov.cn/SYrlzyhshbzb/shehuibaozhang/zcwj/yiliao/201606/t201824109 .html ). دسترسی فضایی PCS یکی از مسائل معمولی و معنادار در تحقیقات در مورد دسترسی به خدمات مراقبت های بهداشتی است [ ۷۲ ، ۷۳ ، ۷۴ ]، که ما را بر آن داشت تا PCS را به عنوان هدف تحقیق انتخاب کنیم.
بیست و شش بیمارستان در نانجینگ خدمات اطفال را تأسیس کرده اند ( پیوست A جدول A1 )، و خدمات کودکان بیمارستان های مختلف در حال حاضر تفاوت های قابل توجهی در سطح خدمات ارائه شده دارند. برای اندازه‌گیری مؤثر مقیاس کودکان بیمارستان‌های مختلف و در نظر گرفتن در دسترس بودن و دقت داده‌ها، مقیاس کودکان بیمارستان‌ها را بر اساس تعداد پزشکان اطفال برآورد کردیم. تعداد پزشکان اطفال از سایت دکتر خوب ( https://haoping.haodf.com/keshi/3030000/faculty_jiangsu_nanjing.htm ) بدست آمد. نتایج آماری در قالب نقشه های فضایی بیان شده است ( شکل ۶). نتایج نشان داد که تعداد کل پزشکان اطفال در نانجینگ ۶۰۳ نفر است. به طور کلی، در مقایسه با ۹۰۴۰۰۰ کودک، میانگین تعداد پزشکان اطفال در هر ۱۰۰۰ نفر تقریباً ۰٫۶۷ است. بر اساس اطلاعات منتشر شده توسط سالنامه آمار سلامت چین در سال ۲۰۱۵، در پنج سال گذشته، به طور متوسط ​​۰٫۴۳ متخصص اطفال در هر ۱۰۰۰ کودک وجود داشته است. اگرچه میانگین تعداد پزشکان اطفال به ازای هر ۱۰۰۰ نفر در نانجینگ بالاتر از میانگین چین است، اما هنوز بسیار کمتر از تعداد کشورهای توسعه یافته اصلی است که نسبت آنها به استاندارد ۰٫۸۵-۱٫۳ رسیده است.
همانطور که توزیع فضایی نشان می دهد، بیمارستان های حاوی اطفال عمدتاً در ناحیه گولو متمرکز شده اند، که منطقه مرکزی شهری نانجینگ است و دارای بخش های حیاتی، منابع آموزشی و مراکز تجاری است.

۳٫۳٫ ملاحظات اخلاقی

داده‌های تحقیق ما، در مورد داده‌های رسانه‌های اجتماعی جغرافیایی ارجاع‌شده، شامل داده‌های برنامه‌ریزی مسیر MTM، داده‌های توزیع فضایی جمعیت کودکان، و داده‌های خدمات کلینیک اطفال است. برنامه خزنده از Amap Maps API ( https://lbs.amap.com/ ) داده های برنامه ریزی مسیر MTM را خزیده است. داده های توزیع فضایی جمعیت کودک از بستر مناسب برای سفر ( http://c.easygo.qq.com/eg_toc/map.html ) به دست آمد. داده های خدمات کلینیک اطفال به صورت دستی از وب سایت دکتر خوب ( https://haoping.haodf.com/ ) جمع آوری شد. استفاده روزافزون از داده‌های رسانه‌های اجتماعی ارجاع‌شده جغرافیایی، چالش‌های بیشتری را برای حفظ حریم خصوصی و همچنین برخی دیگر از مسائل اجتماعی، قانونی و اخلاقی به همراه داشته است [ ۷۵ ]]. در اینجا، ما باید اعلام کنیم که تمام داده‌هایی که از اینترنت جمع‌آوری شده‌اند منبع باز، از نظر اخلاقی رایگان و بدون حریم خصوصی هستند. علاوه بر این، باز بودن جمع‌آوری داده‌ها مزایایی را برای گسترش روش تحقیق ما به شهرهای دیگر به همراه دارد.

۴٫ نتایج

روند آزمایشی به شرح زیر بود. ما یک برنامه خزنده برای به دست آوردن داده ها و محاسبه دسترسی فضایی اطفال بر اساس سه مدل G2SFCA (STM، MTM، و MTM-RTMC) طراحی کردیم. نرم افزار ذخیره سازی داده انتخاب شده در این آزمایش MongoDB 2.7.0، زبان توسعه مدل پایتون ۳٫۵ و نرم افزار نقشه برداری GIS ArcGIS 10.2 بود. در فرآیند محاسبه مدل، باید روشن کنیم که چیست دمنjبه و بعد آن اشاره دارد (به بخش ۴٫۱ مراجعه کنید ). ما تفاوت های بین را مقایسه کردیم Vjاز بین سه مدل، و نتایج دسترسی سه مدل برای نشان دادن تأثیر بهبود مدل بر دسترسی مقایسه شد.

۴٫۱٫ d ij تاسیس

محتوا و بعد دمنjدر توابع فروپاشی فاصله f(دمنj)تأثیر قابل توجهی در محاسبه دسترسی دارند. علما در مورد محتوا و بعد ارجاع شده ذهنیت های متنوع و خاصی دارند دمنj( جدول ۱ ). در اکثر مدل های ۲SFCA، آستانه موثر امپدانس سفر د۰و ضریب امپدانس فاصله β از نظر ریاضی وابسته هستند و بنابراین چه زمانی د۰تعیین می شود، β باید بر این اساس تنظیم شود (چن و جیا، ۲۰۱۹). برای بحث در مورد تأثیر دمنjما دوباره دو جریان تجربی OD را انتخاب کردیم: Yujinli به NCHGZ ( شکل ۵ a، نسبتا نزدیک)، و Yujinli به YHANMU ( شکل ۵ b، نسبتاً دور). نتایج تجزیه و تحلیل (نگاه کنید به جدول ۲ ) نشان می دهد که ضریب تغییرات f(دمنj)0. 6020 است که در هنگام مسافت طی شده کوچکترین است دمنjدر کیلومتر نشان داده شده است. این نشان می دهد که وقتی دمنjدر واحد کیلومتر، درجه پراکندگی بیان می شود f(دمنj)کمترین مقدار است که با ضریب تغییر مسافت طی شده بر حسب کیلومتر مطابقت دارد.
در این آزمایش، ما حمل و نقل عمومی را به عنوان حالت حمل و نقل برای مدل STM G2SFCA انتخاب کردیم، مقدار β ۱ است، و د۰۱۰۰ کیلومتر بودن در مدل MTM G2SFCA و مدل MTM-RTMC G2SFCA، ما چهار حالت حمل و نقل شامل پیاده روی، دوچرخه سواری، حمل و نقل عمومی و رانندگی را انتخاب کردیم. د۰(مترr)به ترتیب ۶۰ کیلومتر، ۸۰ کیلومتر، ۱۰۰ کیلومتر و ۱۲۰ کیلومتر بود.

۴٫۲٫ مقایسه برآوردهای V ij با سه مدل G2SFCA

در مدل STM G2SFCA، مدل MTM G2SFCA و مدل MTM-RTMC G2SFCA، ضریب نفوذ Vjبه تدریج افزایش می یابد ( شکل ۹ ). مدل MTM-RTMC G2SFCA در مقایسه با مدل STM G2SFCA و مدل MTM G2SFCA پیشرفت قابل توجهی را نشان می دهد، که نشان می دهد RTMC به طور قابل توجهی دسترسی به ترافیک را بهبود می بخشد. با بهبود ارتباطات ترافیکی، Vjافزایش می یابد، به این معنی که هر بیمارستان جمعیت بالقوه بیشتری خواهد داشت.

۴٫۳٫ مقایسه برآوردهای دسترسی از سه مدل G2SFCA

مقایسه مستقیم منطقه کلی تحقیق ( شکل ۱۰ a-c) نشان می‌دهد که سه مدل دارای ویژگی‌های توزیع فضایی یکسان، توزیع تجمع دو هسته‌ای هستند (برای جزئیات، به مواد تکمیلی مراجعه کنید.). پدیده توزیع تجمع دو هسته‌ای عمدتاً به تمرکز منابع پزشکی کودکان در NCHGZ و بیمارستان کودکان نانجینگ دفتر هکسی (NCHHX) مربوط می‌شود: آنهایی که به بیمارستان کودکان نانجینگ در نانجینگ متصل هستند. با در نظر گرفتن تعداد پزشکان اطفال در هر بیمارستان، تعداد پزشکان اطفال در بیمارستان کودکان نانجینگ متشکل از NCHGZ و NCHHX بزرگترین است، از جمله ۳۹۲ متخصص اطفال، که ۶۵٪ از تعداد کل پزشکان اطفال در نانجینگ را تشکیل می دهد. حداکثر تعداد ویزیت های سرپایی در بیمارستان کودکان نانجینگ از ۱۱۰۰۰ و تعداد کلینیک های سرپایی در شب بیش از ۱۰۰۰ مورد بود. حجم سرپایی سالانه ۲,۵۶۵,۷۰۰ بود. علاوه بر این، مناطقی با ارزش دسترسی بالا در مرکز شهر قرار دارند، که دارای شرایط شبکه جاده توسعه یافته و چندین نوع حمل و نقل راحت است. شرایط ترافیکی خوب به طور گسترده ثابت شده است که یک عامل اساسی در بهبود دسترسی در تحقیقات موجود است.۳ ، ۷۶ ، ۷۷ ].
برای راحتی بحث، یک سری از نقشه های بزرگنمایی محلی برای مناطق مرکزی شهری و مناطق شهری خارجی ساخته شد، همانطور که در شکل ۱۰ نشان داده شده است (a1,b1,c1,a2,b2,c2). برای مناطق اصلی شهری ( شکل ۱۰ (a1,b1,c1))، نتایج دسترسی مدل MTM و مدل MTM-RTCM به طور قابل توجهی بالاتر از مدل STM است، که نشان می دهد MTM برای افزایش پوشش مساعد است. ارزش دسترسی بالا از آنجایی که ساکنان روش های حمل و نقل جایگزین بیشتری دارند، آنها تمایل دارند که روش های کم هزینه را انتخاب کنند. علاوه بر این، برخی مناطق کم ارزش در مناطق مرکزی شهری وجود دارد، عمدتاً به این دلیل که این مناطق موانع ترافیکی مانند مناطق آبی، فضای پارک سبز، زمین های توسعه نیافته و غیره را نشان می دهند. در مناطق شهری خارجی ( شکل ۱۰).(a2،b2،c2))، تفاوت های قابل توجهی در مناطق تابشی وجود دارد. با این حال، آنها سطح یکسانی از مقادیر دسترسی را برای سه مدل نشان می‌دهند که به صورت شکل ۱۰ (c2) > شکل ۱۰ (a2) > شکل ۱۰ (b2) نشان داده شده است، که نشان می‌دهد مناطق شهری خارجی نیز از اصل اساسی انتخاب پایین‌تر پیروی می‌کنند. – روش هزینه حمل و نقل با این حال، شکل ۱۰ (a2) > شکل ۱۰(b2) نشان می دهد که حمل و نقل عمومی نقش مسلط را در مناطق خارجی شهری ایفا می کند که به طور مستقیم با امکانات ترافیکی و فاصله مکانی از امکانات پزشکی مرتبط است. نرخ مالکیت خودروهای شخصی در مناطق شهری خارجی کمتر از مناطق مرکزی شهری است و فاصله مکانی از امکانات پزشکی در مناطق خارجی شهری بسیار بیشتر از مناطق مرکزی شهری است. این ویژگی‌ها تأثیر قابل‌توجه MTM-RTCM بر دسترسی را نشان می‌دهد.
ارزش مدل STM G2SFCA به طور قابل توجهی تحت تأثیر شرایط توزیع شبکه ترافیک قرار گرفت که توزیعی را همراه با شبکه اصلی ترافیک و به طور کلی با دسترسی کم نشان می دهد. ارزش جهانی مدل STM G2SFCA 124.48 بود. ارزش مدل MTM G2SFCA بر اساس تابش دایره متحدالمرکز ارائه شد و دسترسی کلی دو هسته ای بود. ارزش جهانی مدل MTM G2SFCA 129.67 بود. مدل MTM-RTMC G2SFCA تابش دایره ای متحدالمرکز را با دامنه تابش گسترده تر از MTM ارائه می دهد. دسترسی کلی دو هسته ای را نشان می دهد. ارزش جهانی مدل MTM-RTMC G2SFCA 132.53 بود. از آنجایی که مکانیسم MTM-RTMC زمان سفر کل منطقه را کاهش داد، مدل MTM-RTMC G2SFCA دسترسی را بهبود بخشید و محدوده تابش دسترسی را افزایش داد.
برای انعکاس بهتر تغییرات در دسترس‌پذیری ایجاد شده توسط سه مدل، نرخ رشد ارزش جهانی محاسبه می‌شود آ(مترتیمتر)-آ(ستیمتر)آ(ستیمتر)∗۱۰۰%و آ(مترتیمتر-rتیمترج)-آ(مترتیمتر)آ(مترتیمتر)∗۱۰۰%به ترتیب ۴٫۱ درصد و ۲٫۲ درصد افزایش یافتند. در مدل MTM-RTMC G2SFCA، هر چه نقطه تقاضا به امکانات مراقبت‌های بهداشتی نزدیک‌تر بود، دسترسی به مراقبت‌های بهداشتی به دلیل اولویت‌بندی حالت حمل‌ونقل با سرعت پایین تضعیف می‌شد. در مقابل، هر چه نقطه تقاضا از امکانات مراقبت‌های بهداشتی دورتر باشد، به‌دلیل بهبود دسترسی و راحتی حمل‌ونقل، دسترسی به مراقبت‌های بهداشتی مدل MTM-RTMC G2SFCA در مقایسه با مدل STM G2SFCA و مدل MTM G2SFCA به طور قابل‌توجهی افزایش می‌یابد. رشد دسترسی تأثیر فوری بر دسترسی کل منطقه دارد. بررسی انحراف معیار در جدول ۳، انحراف استاندارد مدل MTM-RTMC G2SFCA کمترین است، که نشان می دهد مکانیسم MTM-RTMC عادلانه بودن امکانات مراقبت های بهداشتی را ارتقا می دهد و شکاف دسترسی بین نقاط تقاضا را کاهش می دهد.

۵٫ بحث

۵٫۱٫ کاربرد بالقوه این مکانیسم MTM-RTCM

نگرانی این مکانیسم MTM-RTCM گسترش آن به مدل گرانشی دسترسی فضایی است که ۲SFCA یک مورد خاص از آن است [ ۱۶ ، ۴۷ ]. پنج مدل اصلی ۲SFCA شامل ۲SFCA تعمیم یافته (مدل پایه) ( شکل ۱۱ (a1))، ۲SFCA تقویت شده ( شکل ۱۱ (b1))، G2SFCA ( شکل ۱۱ (c1))، تراکم هسته ۲SFCA ( شکل ۱۱ (d1))، و Gaussian 2SFCA ( شکل ۱۱ (e1)). Luo و Qi [ ۷۷ ] یک روش ۲SFCA پیشرفته را برای شناسایی مناطق تحت پوشش بیشتر با تقسیم یک حوضه به مناطق مختلف وزن پیشنهاد کردند. دای [ ۷۸ ، ۷۹] روش ۲SFCA را با تابع گاوسی و تابع چگالی هسته یکپارچه کرد تا دسترسی را اندازه گیری کند در حالی که به طور مداوم دسترسی را کاهش می دهد. با توجه به ذهنیت قوی، دمنjتعیین استاندارد طبقه بندی آستانه حوضه از مدل تعمیم یافته ۲SFCA و مدل ۲SFCA پیشرفته دشوار است. پارامتر β مدل G2SFCA ذهنیت را ایجاد می کند، در حالی که مدل ۲SFCA چگالی هسته و محاسبه مدل گاوسی ۲SFCA واضح هستند، بدون تنظیم.
به دنبال الگوهای مشابه از مکانیسم MTM-RTCM، مکانیسم MTM-RTMC را می توان به پنج مدل اصلی ۲SFCA از طریق بهبود توابع فروپاشی فاصله تعمیم داد ( جدول ۴ ). توابع فروپاشی فاصله ای بهبودیافته انواع حمل و نقل منفرد سنتی را به انواع حمل و نقل چندگانه گسترش می دهند، به این معنی که مورفولوژی ریاضی توابع فروپاشی فاصله بهبود یافته به فضای ۳ بعدی تبدیل می شود ( شکل ۱۱ (a2,b2,c2,d2,e2)). معادله اصلی مدل‌های مختلف ۲SFCA با مکانیسم MTM-RTMC به همگامی با معادله (۱۱) ادامه می‌دهد.

۵٫۲٫ مفاهیم و تفکر نظری روش پیشنهادی

مکانیسم MTM-RTCM می تواند پیامدهای عملی برای ابتکارات سیاستی در مورد تأثیر MTM-RTCM بر تخصیص خدمات جدید، به ویژه در سیاست برنامه ریزی خدمات مسکونی ارائه دهد. روش‌های سنتی سیاست برنامه‌ریزی خدمات مسکونی مبتنی بر واحد فضایی نامرتبط برای تعیین مکان‌های جدید تسهیلات خدماتی است. با این حال، ما یک راه معقول‌تر را فرض می‌کنیم که کل شهر، به عنوان یک کل ارگانیک، مناطق پویا از خدمات را بر اساس شبکه جاده‌ای و MTM-RTMC ایجاد می‌کند، که مکان‌های خدماتی را به کارآمدی و فشرده بودن در سراسر شهر ارتقا می‌دهد. جهت‌های کاربردی معمولی شامل بهینه‌سازی مشکلات مکان‌یابی خدمات مراقبت‌های بهداشتی بر اساس MTM-RTCM است [ ۵۳ ، ۸۰ ]] و بهبود برابری فضایی مراقبت های بهداشتی چند سطحی در کلان شهر بر اساس MTM-RTCM [ ۱۱ ].
از منظر نوآوری روش، روش شناسی ما همان مفهوم اولیه طراحی را با طهماسبی و همکاران دارد. [ ۲۲] تحقیق در مورد مقایسه مشابه ترین و نزدیک ترین مطالعات دسترسی چندوجهی. طهماسبی و همکاران با در نظر گرفتن اثرات گروه‌های درآمدی مختلف در اصفهان، ایران، اما زمان‌های سفر ترافیکی حالت‌های مختلف حمل‌ونقل همچنان بر اساس محاسبات شبیه‌سازی نرم‌افزار GIS است که تأثیر عوامل مختلف ترافیکی را بر سفر ساکنین در نظر نگرفته است. ترجیح. چنین مقایسه ای به طور شهودی نشان می دهد که ما کجا نوآوری کرده ایم و کجا باید پیشرفت کنیم. از دیدگاه کشف دانش از دیدگاه PCS، چه چیزی انگیزه این پدیده را ایجاد می کند که اطفال در نانجینگ یک اثر رشدی کل را نشان می دهد؟ دو منطقه بالاترین امتیاز و سه مرکز فرعی با ارزش دسترسی نسبتاً بالا در نانجینگ هستند. این پدیده همچنین با خانه پزشکی بیمار محور متفاوت است،۸۱ ]. دلیل عمیق‌تر این پدیده که ما گمان می‌کنیم باید مستقیماً با پیچیدگی تخصص‌های کودکان، دشواری آموزش پزشک اطفال و حساسیت به درمان کودکان مرتبط باشد [ ۷۱ ]. ما عقیده داریم که جمع‌آوری پزشکی [ ۸۲ ]، بیمارستان‌های سطح بالا در منطقه با سایر خدمات بهداشتی همکاری می‌کنند و مراقبت‌های اولیه مبتنی بر جامعه ممکن است برای توسعه PCS با کیفیت و برابری مفید باشند.

۶٫ نتیجه گیری

در این مقاله، ما سعی کردیم با ارائه تأثیر دسترسی PCS برای نانجینگ، یکی از ابرشهرهای چین، شکافی را در دانش MTM-RTMC پر کنیم. ما مکانیسم MTM-RTMC را در مدل G2SFCA ادغام کردیم و آن را به پنج نوع مهم از مدل‌های ۲SFCA تعمیم دادیم. مدل MTM-RTMC G2SFCA تأثیر قابل توجهی بر تخمین سنتی امپدانس سفر دارد، که بستگی به این دارد که آیا مکانیسم MTM-RTMC یک حالت حمل و نقل واحد را به حالت های حمل و نقل متعدد ساکنان غنی می کند یا خیر. مکانیسم MTM-RTMC روش قابل اعتمادتری نسبت به STM برای اندازه‌گیری دسترسی بین مکان‌های تقاضا به مکان‌های ارائه‌دهنده با مکانیسم انتخاب حالت‌های حمل‌ونقل متعدد، به‌ویژه در مکان‌های دور، مانند حومه‌ها و حومه شهر، فراهم می‌کند. مکانیسم MTM-RTMC،
مکانیسم MTM-RTMC، که بر روی اثبات اولیه انجام شده است، برای بهبود محاسبه دسترسی برای به تصویر کشیدن ویژگی های سفر ساکنان واقعی با دقت بیشتری پیشنهاد شده است. با این حال، هنوز سوالات تحقیقاتی وجود دارد که باید به آنها پرداخت. چگونه می توان تفاوت احتمالات RTMC را با عوامل جامع مشخص کرد، مانند ارائه تسهیلات خدمات حمل و نقل، شرایط آب و هوایی، شرایط فصلی، ویژگی های توپوگرافی منطقه ای، جدول زمانی رفت و آمد، و ویژگی های حمل و نقل منطقه ای (به عنوان مثال، هانوی در ویتنام شهری است که در آن شکل اصلی حمل و نقل موتور سیکلت است)؟ این یک چالش برای تحقیقات مرتبط آینده است. ما معتقدیم عوامل بیشتری را می توان در ترکیب با روش تحقیق به کار گرفته شده از طریق پرسشنامه جغرافیای انسانی در نظر گرفت. ما تجزیه و تحلیل تجربی و مقایسه پنج مدل اصلی ۲SFCA را با مکانیسم MTM-RTMC در تحقیقات آینده آغاز خواهیم کرد. مهمتر از آن، بر اساس پلتفرم کلان داده حمل و نقل دولت که می تواند داده های سفر روزانه افراد را جمع آوری کند، سازگاری بین احتمالات تخمینی MTM-RTMC و ترجیحات واقعی مسافران از حالت های مختلف حمل و نقل را تأیید می کنیم.

مواد تکمیلی

داده های حمایت کننده از یافته ها در “figshare.com” با پیوند خصوصی https://figshare.com/s/185e7f9682f791527cdc موجود است.. ما کدی را ارائه کرده‌ایم که شامل مقداردهی اولیه فهرست جریان‌های OD، درخواست زمان برنامه‌ریزی مسیر و فاصله آن از نقشه‌های Amap، و محاسبه نتایج دسترسی سه مدل است. کد را می توان در Python IDE (مانند PyCharm 2017) اجرا کرد. داده‌های تحقیق شامل داده‌های «rtmcp_mtm_gm.json» و داده‌های «street_block_mock_data.shp»، داده‌های لازم را برای محاسبات دسترسی و نمادسازی فضایی فراهم کردند. با در نظر گرفتن محرمانه بودن وضعیت داده‌های بلوک خیابان، از روش بافر ArcGIS و روش پوشش ویژگی ArcGIS به چند ضلعی برای تولید داده‌های ساختگی مطابق با مورفولوژی و ویژگی‌های داده بلوک خیابان استفاده کردیم. داده های “rtmcp_mtm_gm.json” را می توان با استفاده از نرم افزار “MongoDB 3.2” و داده های “street_block_mock_data.shp” را با استفاده از نرم افزار “ArcGIS 10.2” باز کرد. همه این داده‌های تحقیق از روش‌های منبع باز وب جمع‌آوری شده‌اند و شامل هیچ اطلاعات حساس شخصی نیستند، به جز شکل فایل بلوک خیابان. بنابراین، تایید اخلاقی در خطر کم است.

پیوست اول

جدول
جدول A1. بیمارستان‌هایی در نانجینگ که خدمات اطفال را ارائه می‌دهند.

منابع

  1. جین، ز. نورتریج، ME; متکالف، SS مدل‌سازی تأثیر روابط اجتماعی و انتخاب حمل‌ونقل بر دسترسی به مراقبت‌های بهداشتی دهان برای افراد مسن. Appl. Geogr. ۲۰۱۸ ، ۹۶ ، ۶۶-۷۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  2. Tomasiello، DB; جیانوتی، ام. آربکس، آر. دیویس، سی. مدل های شبکه حمل و نقل چند زمانی برای مطالعات دسترسی. ترانس. GIS ۲۰۱۹ ، ۲۳ ، ۲۰۳-۲۲۳٫ [ Google Scholar ] [ CrossRef ]
  3. مائو، ال. Nekorchuk، D. اندازه گیری دسترسی فضایی به مراقبت های بهداشتی برای جمعیت با حالت های حمل و نقل چندگانه. Health Place ۲۰۱۳ ، ۲۴ ، ۱۱۵-۱۲۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. تنکانن، اچ. سارسلمی، پ. جارو، او. سالونن، ام. Toivonen، T. تحقیقات بهداشتی به اقدامات دسترسی جامع تری نیاز دارد: یکپارچه سازی زمان و حالت های حمل و نقل از داده های باز. بین المللی J. Health Geogr. ۲۰۱۶ ، ۱۵ ، ۲۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  5. Kwan، MP فضا-زمان و معیارهای یکپارچه دسترسی فردی: یک تحلیل مقایسه ای با استفاده از یک چارچوب مبتنی بر نقطه Geogr. مقعدی ۱۹۹۸ ، ۳۰ ، ۱۹۱-۲۱۶٫ [ Google Scholar ] [ CrossRef ]
  6. Neutens، T. دسترسی، برابری و مراقبت های بهداشتی: بررسی و دستورالعمل های تحقیق برای جغرافیدانان حمل و نقل. J. Transp. Geogr. ۲۰۱۵ ، ۴۳ ، ۱۴-۲۷٫ [ Google Scholar ] [ CrossRef ]
  7. تانسر، اف. گیجسبرتسن، بی. هربست، ک. مدل‌سازی و درک دسترسی و استفاده از مراقبت‌های بهداشتی اولیه در مناطق روستایی آفریقای جنوبی: اکتشاف با استفاده از یک سیستم اطلاعات جغرافیایی. Soc. علمی پزشکی ۲۰۰۶ ، ۶۳ ، ۶۹۱-۷۰۵٫ [ Google Scholar ] [ CrossRef ]
  8. شوپس، آ. گابریش، اس. نیامبا، ال. سیه، آ. Becher, H. تأثیر فاصله تا امکانات مراقبت های بهداشتی بر مرگ و میر کودکان در روستاهای بورکینافاسو. صبح. J. Epidemiol. ۲۰۱۱ ، ۱۷۳ ، ۴۹۲-۴۹۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. کانوگانتی، اس. سرکار، AK; سینگ، AP ارزیابی دسترسی به مراقبت های بهداشتی در مناطق روستایی با استفاده از روش افزایش یافته حوزه آبریز شناور دو مرحله ای (E2SFCA). J. Transp. Geogr. ۲۰۱۶ ، ۵۶ ، ۴۵-۵۲٫ [ Google Scholar ] [ CrossRef ]
  10. ماتون، دی. آپاریسیو، پی. لاشاپل، دسترسی فضایی فرامرزی به مراقبت های بهداشتی در بخش شمال شرقی هائیتی. بین المللی J. Health Geogr. ۲۰۱۸ ، ۱۷ ، ۳۶٫ [ Google Scholar ] [ CrossRef ]
  11. ژانگ، اس. آهنگ، X. وی، ی. دنگ، W. برابری فضایی مراقبت های بهداشتی چند سطحی در کلان شهر چنگدو، چین: یک رویکرد ارزیابی جدید. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۹ ، ۱۶ ، ۴۹۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  12. هو، دبلیو. تان، جی. لی، ام. وانگ، جی. وانگ، اف. تأثیر ترافیک بر تغییرات مکانی و زمانی دسترسی مکانی خدمات فوریت های پزشکی در داخل شهر شانگهای. محیط زیست طرح. ب مقعد شهری. علوم شهر ۲۰۱۸ ، ۴۷ ، ۸۴۱-۸۵۴٫ [ Google Scholar ] [ CrossRef ]
  13. شیا، تی. آهنگ، X. ژانگ، اچ. آهنگ، X. کاناسوجی، اچ. Shibasaki, R. اندازه گیری دسترسی مکانی-زمانی به خدمات پزشکی اورژانس از طریق داده های بزرگ GPS. Health Place ۲۰۱۹ ، ۵۶ ، ۵۳–۶۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  14. نوردبو، ECA; نورد، اچ. Raanaas، RK; Aamodt، G. GIS معیارهای تعیین کننده محیط ساخته شده سلامت روان و مشارکت در فعالیت در دوران کودکی و نوجوانی: یک بررسی سیستماتیک. Landsc. طرح شهری. ۲۰۱۸ ، ۱۷۷ ، ۱۹-۳۷٫ [ Google Scholar ] [ CrossRef ]
  15. چن، ایکس. جیا، ص. تجزیه و تحلیل مقایسه ای از اقدامات دسترسی به روش دو مرحله ای حوضه آبریز شناور (۲SFCA). بین المللی جی. جئوگر. Inf. علمی ۲۰۱۹ ، ۳۳ ، ۱۷۳۹–۱۷۵۸٫ [ Google Scholar ] [ CrossRef ]
  16. وانگ، اف. اندازه‌گیری، بهینه‌سازی و تأثیر دسترسی به مراقبت‌های بهداشتی: یک بررسی روش‌شناختی. ان دانشیار صبح. Geogr. ۲۰۱۲ ، ۱۰۲ ، ۱۱۰۴-۱۱۱۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  17. Dony, CC; دلمل، EM; Delmelle، EC مفهوم مجدد دسترسی به پارک ها در شهرهای چند وجهی: روش حوزه آبریز شناور با عرض متغیر (VFCA). Landsc. طرح شهری. ۲۰۱۵ ، ۱۴۳ ، ۹۰-۹۹٫ [ Google Scholar ] [ CrossRef ]
  18. Cavinato، JL Transportation-Logistics Dictionary ; Springer Science & Business Media: برلین، آلمان، ۲۰۱۲٫ [ Google Scholar ]
  19. لانگ، دبلیو. چن، تی. چان، ای اچ. یونگ، ای اچ. لی، TC درک فرم شهری متراکم قابل زندگی برای شکل دادن به چشم انداز امکانات اجتماعی در هنگ کنگ با استفاده از اندازه گیری های در مقیاس خوب. شهرها ۲۰۱۹ ، ۸۴ ، ۳۴–۴۵٫ [ Google Scholar ] [ CrossRef ]
  20. ژانگ، تی. دونگ، اس. زنگ، ز. لی، جی. کمی کردن دسترسی حمل و نقل عمومی چند وجهی برای مناطق بزرگ شهری: یک رویکرد مدل‌سازی قابلیت اطمینان وابسته به زمان. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۸ ، ۳۲ ، ۱۶۴۹-۱۶۷۶٫ [ Google Scholar ] [ CrossRef ]
  21. لین، ی. وان، ن. شیتس، اس. گونگ، ایکس. دیویس، الف. یک رویکرد ارزیابی دسترسی نسبی فضایی چند وجهی برای اندازه گیری دسترسی فضایی به ارائه دهندگان مراقبت های اولیه. بین المللی J. Health Geogr. ۲۰۱۸ ، ۱۷ ، ۳۳٫ [ Google Scholar ] [ CrossRef ]
  22. طهماسبی، بی. منصوریان فر، محمدحسن; حق شناس، ح. کیم، I. ارزیابی برابری مبتنی بر دسترسی چندوجهی توزیع امکانات عمومی شهری. حفظ کنید. جامعه شهرها ۲۰۱۹ ، ۴۹ ، ۱۰۱۶۳۳٫ [ Google Scholar ] [ CrossRef ]
  23. میلوارد، اچ. اسپینی، جی. اسکات، دی. رفتار پیاده روی در حمل و نقل فعال: مقصد، مدت زمان، فاصله. J. Transp. Geogr. ۲۰۱۳ ، ۲۸ ، ۱۰۱-۱۱۰٫ [ Google Scholar ] [ CrossRef ]
  24. زینگ، ال. لیو، ی. لیو، ایکس. اندازه‌گیری نابرابری فضایی در دسترسی با روش چند حالته بر اساس طبقه‌بندی فضای سبز پارک در ووهان، چین. Appl. Geogr. ۲۰۱۸ ، ۹۴ ، ۲۵۱-۲۶۱٫ [ Google Scholar ] [ CrossRef ]
  25. شیا، ن. چنگ، ال. چن، اس. وی، ایکس. زونگ، دبلیو. لی، ام. قابلیت دسترسی بر اساس مدل گرانشی-تابش و Google Maps API: مطالعه موردی در استرالیا. J. Transp. Geogr. ۲۰۱۸ ، ۷۲ ، ۱۷۸-۱۹۰٫ [ Google Scholar ] [ CrossRef ]
  26. گارسیا آلبرتوس، پی. پیکورنل، ام. Salas-Olmedo، MH; گوتیرز، جی. بررسی پتانسیل سوابق تلفن همراه و برنامه ریزان مسیر آنلاین برای تجزیه و تحلیل دسترسی پویا. ترانسپ Res. بخش A سیاست سیاست. ۲۰۱۹ ، ۱۲۵ ، ۲۹۴-۳۰۷٫ [ Google Scholar ] [ CrossRef ]
  27. ویس، دی جی; نلسون، ا. گیبسون، اچ. تمپرلی، دبلیو. پیدل، اس. لیبر، ا. هنچر، م. پویارت، ای. بلچیور، اس. Fullman, N. نقشه جهانی زمان سفر به شهرها برای ارزیابی نابرابری در دسترسی در سال ۲۰۱۵٫ Nature ۲۰۱۸ , ۵۵۳ , ۳۳۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  28. تائو، ز. یائو، ز. کنگ، اچ. دوان، اف. لی، جی. دسترسی فضایی به خدمات مراقبت های بهداشتی در شنژن، چین: بهبود روش حوضه آبریز شناور چند مرحله ای با تخمین زمان سفر از طریق API های نقشه آنلاین. سرویس بهداشتی BMC Res. ۲۰۱۸ ، ۱۸ ، ۳۴۵٫ [ Google Scholar ] [ CrossRef ]
  29. ژو، ایکس. دینگ، ی. وو، سی. هوانگ، جی. Hu, C. اندازه گیری عقلانیت تخصیص فضایی تسهیلات خدماتی مناطق مسکونی بر اساس نقشه اینترنت و داده های خدمات مبتنی بر مکان. پایداری ۲۰۱۹ ، ۱۱ ، ۱۳۳۷٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  30. هوانگ، جی. لوینسون، دی. وانگ، جی. ژو، جی. وانگ، Z.-J. ردیابی پویایی شغل و مسکن با داده های کارت هوشمند. Proc. Natl. آکادمی علمی ایالات متحده آمریکا ۲۰۱۸ ، ۱۱۵ ، ۱۲۷۱۰–۱۲۷۱۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. خو، ی. شاو، اس.-ال. ژائو، ز. یین، ال. لو، اف. چن، جی. نیش، ز. لی، کیو. داستان دیگری از دو شهر: درک فضای فعالیت انسانی با استفاده از داده‌های موقعیت مکانی تلفن همراه ردیابی شده فعال. ان صبح. دانشیار Geogr. ۲۰۱۶ ، ۱۰۶ ، ۴۸۹-۵۰۲٫ [ Google Scholar ]
  32. لیو، ی. لیو، ایکس. گائو، اس. گونگ، ال. کانگ، سی. ژی، ی. چی، جی. شی، ال. حس اجتماعی: رویکردی جدید برای درک محیط های اجتماعی-اقتصادی ما. ان دانشیار صبح. Geogr. ۲۰۱۵ ، ۱۰۵ ، ۵۱۲-۵۳۰٫ [ Google Scholar ] [ CrossRef ]
  33. یانگ، سی. کلارک، ک. شکر، س. تائو، CV تجزیه و تحلیل داده‌های مکانی-زمانی بزرگ: مرز تحقیق و نوآوری . تیلور و فرانسیس: ابینگدون، بریتانیا، ۲۰۱۹٫ [ Google Scholar ]
  34. گروه کر، CG; مولین، ای جی. ون وی، بی. اطلاعات سفر به عنوان ابزاری برای تغییر انتخاب های سفر مسافران: مروری بر ادبیات. یورو J. Transp. زیرساخت. Res. ۲۰۰۶ ، ۶ ، ۳۳۵-۳۶۴٫ [ Google Scholar ]
  35. لاپین، جی. Bottom, J. درک و پیش‌بینی پاسخ مسافر به اطلاعات: مروری بر ادبیات . بخش حمل و نقل، تحقیقات و برنامه های ویژه: واشنگتن، دی سی، ایالات متحده آمریکا، ۲۰۰۱٫
  36. گروه کر، CG; مولین، ای جی. Van Wee, B. استفاده و اثرات خدمات پیشرفته اطلاعات مسافرتی (ATIS): مروری بر ادبیات. ترانسپ Rev. ۲۰۰۶ , ۲۶ , ۱۲۷-۱۴۹٫ [ Google Scholar ] [ CrossRef ]
  37. فاربر، اس. Fu، L. دسترسی پویا به حمل و نقل عمومی با استفاده از مکعب های زمان سفر: مقایسه اثرات سرمایه گذاری های زیرساختی (dis) در طول زمان. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۷ ، ۶۲ ، ۳۰-۴۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. سایمون، HA نظریه های عقلانیت محدود. تصمیم می گیرد. عضو. ۱۹۷۲ ، ۱ ، ۱۶۱-۱۷۶٫ [ Google Scholar ]
  39. لیتمن، تی. تحلیل هزینه و سود حمل و نقل . موسسه سیاست حمل و نقل ویکتوریا: ویکتوریا، BC، کانادا، ۲۰۰۹٫
  40. فون نیومن، جی. Morgenstern, O. Theory of Games and Economic Behavior (نسخه یادبود) ; انتشارات دانشگاه پرینستون: پرینستون، نیوجرسی، ایالات متحده آمریکا، ۲۰۰۷٫ [ Google Scholar ]
  41. هاجسون، جنرال موتورز بازیابی عادت برای اقتصاد نهادی. جی. اکون. روانی ۲۰۰۴ ، ۲۵ ، ۶۵۱-۶۶۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. پین، جی دبلیو. بتمن، جی آر. لوس، MF وقتی زمان پول است: رفتار تصمیم گیری تحت فشار زمان فرصت-هزینه. عضو. رفتار هوم تصمیم می گیرد. روند. ۱۹۹۶ ، ۶۶ ، ۱۳۱-۱۵۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. لنگفورد، ام. هیگز، جی. فرای، آر. تجزیه و تحلیل حوضه آبریز شناور دو مرحله ای چند وجهی دسترسی به مراقبت های بهداشتی اولیه. Health Place ۲۰۱۶ ، ۳۸ ، ۷۰-۸۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  44. وانگ، اف. تانگ، Q. برنامه ریزی به سمت دسترسی برابر به خدمات: یک رویکرد برنامه نویسی درجه دوم. محیط زیست طرح. B طرح. دس ۲۰۱۳ ، ۴۰ ، ۱۹۵-۲۱۲٫ [ Google Scholar ] [ CrossRef ]
  45. تائو، ز. چنگ، ی. دای، تی. روزنبرگ، MW بهینه‌سازی فضایی مکان‌های مراکز مراقبت مسکونی در پکن، چین: حداکثر برابری در دسترسی. Prog. Geogr. ۲۰۱۴ ، ۱۳ ، ۳۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  46. بوشمن، EE; کوان، ام.-پی. دسترسی به شغل منطقه شهری و فقرای کارگر: بررسی تغییرات فضایی محلی بافت جغرافیایی جئوگر شهری. ۲۰۱۰ ، ۳۱ ، ۴۹۸-۵۲۲٫ [ Google Scholar ] [ CrossRef ]
  47. لو، دبلیو. وانگ، اف. اندازه گیری دسترسی فضایی به مراقبت های بهداشتی در یک محیط GIS: سنتز و مطالعه موردی در منطقه شیکاگو. محیط زیست طرح. B طرح. دس ۲۰۰۳ ، ۳۰ ، ۸۶۵-۸۸۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. نویتنز، تی. شوانن، تی. ویتلوکس، اف. De Maeyer, P. برابری ارائه خدمات شهری: مقایسه معیارهای مختلف دسترسی. محیط زیست طرح. A ۲۰۱۰ , ۴۲ , ۱۶۱۳-۱۶۳۵٫ [ Google Scholar ] [ CrossRef ]
  49. رادکه، جی. Mu، L. تجزیه فضایی، مدل سازی و نقشه برداری مناطق خدماتی برای پیش بینی دسترسی به برنامه های اجتماعی. Geogr. Inf. علمی ۲۰۰۰ ، ۶ ، ۱۰۵-۱۱۲٫ [ Google Scholar ] [ CrossRef ]
  50. Shen, Q. ویژگی های موقعیت مکانی محله های درون شهری و دسترسی به اشتغال کارگران کم دستمزد. محیط زیست طرح. B طرح. دس ۱۹۹۸ ، ۲۵ ، ۳۴۵-۳۶۵٫ [ Google Scholar ] [ CrossRef ]
  51. Hansen, WG چگونه دسترسی به استفاده از زمین شکل می دهد. مربا. Inst. طرح. ۱۹۵۹ ، ۲۵ ، ۷۳-۷۶٫ [ Google Scholar ] [ CrossRef ]
  52. Krueckeberg، DA; سیلورز، تحلیل برنامه ریزی شهری AL: روش ها و مدل ها ; جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، ۱۹۷۴٫ [ Google Scholar ]
  53. ۵۳ ژانگ، دبلیو. کائو، ک. لیو، اس. Huang, B. یک رویکرد بهینه‌سازی چند هدفه برای مشکلات تخصیص مکان مرکز مراقبت‌های بهداشتی در شهرهای بسیار توسعه‌یافته مانند هنگ کنگ. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۶ ، ۵۹ ، ۲۲۰-۲۳۰٫ [ Google Scholar ] [ CrossRef ]
  54. زو، دی. هوانگ، ز. شی، ال. وو، ال. لیو، ی. استنباط الگوهای تعامل فضایی از عکس های فوری متوالی توزیع های فضایی. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۸ ، ۳۲ ، ۷۸۳-۸۰۵٫ [ Google Scholar ] [ CrossRef ]
  55. وانگ، ی. Zhang، C. GIS و تجزیه و تحلیل منطقه خدمات مبتنی بر چند ضلعی گرانشی تسهیلات عمومی: مطالعه موردی بیمارستان‌ها در منطقه جدید پودونگ. اقتصاد Geogr. ۲۰۰۵ ، ۲۵ ، ۸۰۰-۸۰۳٫ [ Google Scholar ]
  56. ژنگنا، اس. Wen, C. اندازه گیری دسترسی فضایی به امکانات مراقبت های بهداشتی بر اساس مدل بالقوه. Prog. Geogr. ۲۰۰۹ ، ۲۸ ، ۸۴۸-۸۵۴٫ [ Google Scholar ]
  57. یائو، جی. موری، AT; آقاجانیان، V. دیدگاهی جغرافیایی در مورد دسترسی به مراقبت های بهداشتی جنسی و باروری برای زنان در روستاهای آفریقا. Soc. علمی پزشکی ۲۰۱۳ ، ۹۶ ، ۶۰-۶۸٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  58. بارونا، رایانه شخصی؛ Blaschke، T. دسترسی به مراقبت های بهداشتی و محرومیت اجتماعی-اقتصادی: مطالعه موردی در کیتو، اکوادور. در مجموعه مقالات GI_Forum 2015، برلین، آلمان، ۲۰۱۵٫ [ Google Scholar ]
  59. هو، ی. داونز، جی. اندازه‌گیری و تجسم دسترسی به شغل مکان‌محور-زمان. J. Transp. Geogr. ۲۰۱۹ ، ۷۴ ، ۲۷۸-۲۸۸٫ [ Google Scholar ] [ CrossRef ]
  60. وی، زی. ارزش زمانی مسافران. J. Traffic Transp. مهندس ۲۰۰۳ ، ۳ ، ۷٫ [ Google Scholar ]
  61. بوچارد، جی. مرزهای کارآمد برای تابع softmax و کاربردها برای استنتاج تقریبی در مدل‌های ترکیبی. در مجموعه مقالات کارگاه آموزشی NIPS 2007 برای استنتاج تقریبی بیزی در سیستم‌های پیوسته/هیبرید، ویسلر، کالیفرنیا، ایالات متحده آمریکا، ۲۰۰۷٫ [ Google Scholar ]
  62. Litman, T. حسابداری کامل هزینه حمل و نقل شهری: مفاهیم و ابزار . الزویر: آمستردام، هلند، ۱۹۹۷٫ [ Google Scholar ]
  63. Statistics, NBO China City Statistical Yearbook 2016 ; انتشارات آمار چین: پکن، چین، ۲۰۱۶٫ [ Google Scholar ]
  64. کاتر، SL; هولم، دی. کلارک، ال. نقش مقیاس جغرافیایی در نظارت بر عدالت محیطی. ریسک مقعدی ۱۹۹۶ ، ۱۶ ، ۵۱۷-۵۲۶٫ [ Google Scholar ] [ CrossRef ]
  65. یو، سی. لی، ال. او، بی. ژائو، ز. لی، ایکس. مدل‌سازی ثبت یکپارچه اموال غیرمنقول در چین مبتنی بر LADM. سیاست کاربری زمین ۲۰۱۷ ، ۶۴ ، ۲۹۲-۳۰۶٫ [ Google Scholar ] [ CrossRef ]
  66. گوگل مپ. Guides for Directions API. در دسترس آنلاین: https://developers.google.cn/maps/documentation/directions/ (دسترسی در ۵ سپتامبر ۲۰۱۸).
  67. Amap-Maps. Guides for Directions API. در دسترس آنلاین: https://lbs.amap.com/api/webservice/guide/api/direction (در ۵ آوریل ۲۰۱۹ قابل دسترسی است).
  68. لیو، ایکس. او، جی. یائو، ی. ژانگ، جی. لیانگ، اچ. وانگ، اچ. Hong, Y. طبقه بندی کاربری زمین شهری با ادغام داده های سنجش از دور و رسانه های اجتماعی. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۷ ، ۳۱ ، ۱۶۷۵-۱۶۹۶٫ [ Google Scholar ] [ CrossRef ]
  69. دی اسمیت، ام جی; Goodchild، MF; Longley، P. تجزیه و تحلیل جغرافیایی: راهنمای جامع اصول، تکنیک ها و ابزارهای نرم افزاری . Troubador publishing ltd: Leicester, UK, 2007. [ Google Scholar ]
  70. کوهن، ای. Kuo، DZ; آگراوال، آر. بری، جی جی. بهگات، SK; سیمون، تی دی; Srivastava، R. کودکان با پیچیدگی پزشکی: یک جمعیت در حال ظهور برای ابتکارات بالینی و تحقیقاتی. اطفال ۲۰۱۱ ، ۱۲۷ ، ۵۲۹-۵۳۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  71. گلیدر، ال. پلوز-اوگان، جی. آگراوال، آر. کودکان با پیچیدگی پزشکی: ایجاد چارچوبی برای مراقبت بر اساس طبقه بندی بین المللی عملکرد، ناتوانی و سلامت. توسعه دهنده پزشکی نورول کودک. ۲۰۱۶ ، ۵۸ ، ۱۱۱۶-۱۱۲۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  72. گوالیاردو، MF; Ronzio، CR; چونگ، آی. چاکو، ای. جوزف، JG دسترسی به پزشک: مطالعه موردی شهری از ارائه دهندگان اطفال. Health Place ۲۰۰۴ ، ۱۰ ، ۲۷۳-۲۸۳٫ [ Google Scholar ] [ CrossRef ]
  73. Nieves، JJ مدل‌های شبکه حمل و نقل را با روش‌های تراکم هسته برای اندازه‌گیری دسترسی فضایی نسبی خدمات مراقبت‌های اولیه کودکان در شهرستان جفرسون، کنتاکی، ترکیب می‌کند. بین المللی J. Appl. ژئوسپات. Res. ۲۰۱۵ ، ۶ ، ۳۹-۵۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  74. نوبلز، م. سربان، ن. Swann, J. دسترسی فضایی به مراقبت های بهداشتی اولیه کودکان: اندازه گیری و استنتاج. ان Appl. آمار ۲۰۱۴ ، ۸ ، ۱۹۲۲-۱۹۴۶٫ [ Google Scholar ] [ CrossRef ]
  75. هوانگ، اچ. گارتنر، جی. روندها و چالش های کنونی در خدمات مبتنی بر مکان . موسسه انتشارات دیجیتال چند رشته ای: بازل، سوئیس، ۲۰۱۸٫ [ Google Scholar ]
  76. وانگ، ال. رویزمن، دی. مدلسازی دسترسی فضایی مهاجران به پزشکان خانواده از نظر فرهنگی متنوع. پروفسور Geogr. ۲۰۱۱ ، ۶۳ ، ۷۳-۹۱٫ [ Google Scholar ] [ CrossRef ]
  77. لو، دبلیو. Qi، Y. یک روش حوضه آبریز شناور دو مرحله ای (E2SFCA) برای اندازه گیری دسترسی فضایی به پزشکان مراقبت های اولیه. Health Place ۲۰۰۹ ، ۱۵ ، ۱۱۰۰-۱۱۰۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  78. دای، دی. تفکیک مسکونی سیاه، نابرابری در دسترسی فضایی به امکانات مراقبت های بهداشتی، و تشخیص سرطان پستان در مرحله آخر در کلانشهر دیترویت. Health Place ۲۰۱۰ ، ۱۶ ، ۱۰۳۸-۱۰۵۲٫ [ Google Scholar ] [ CrossRef ]
  79. دای، دی. نابرابری های نژادی/قومی و اجتماعی-اقتصادی در دسترسی به فضای سبز شهری: کجا باید مداخله کرد؟ Landsc. طرح شهری. ۲۰۱۱ ، ۱۰۲ ، ۲۳۴-۲۴۴٫ [ Google Scholar ] [ CrossRef ]
  80. اسمیت، سی ام. فرای، اچ. اندرسون، سی. مگوایر، اچ. هایوارد، AC بهینه سازی دسترسی فضایی برای اطلاع رسانی منطقی از خدمات بهداشتی تخصصی. بین المللی J. Health Geogr. ۲۰۱۷ ، ۱۶ ، ۱۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  81. سیا، سی. Tonniges، TF; اوسترهوس، ای. طبا، س. تاریخچه مفهوم خانه پزشکی. Pediatrics ۲۰۰۴ ، ۱۱۳ ، ۱۴۷۳-۱۴۷۸٫ [ Google Scholar ]
  82. لیو، جی جی؛ Vortherms، SA; Hong, X. به روز رسانی اصلاحات بهداشتی چین. آنو. Rev. Public Health ۲۰۱۷ ، ۳۸ ، ۴۳۱-۴۴۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 09 00394 g001 550
شکل ۱٫ نمودار شماتیک حالت های حمل و نقل چندگانه- انتخاب حالت حمل و نقل مسکونی (MTM-RTMC). احتمالات RTMC، که عمدتاً به امپدانس سفر حالت‌های حمل و نقل مختلف بستگی دارد ( شکل ۱ a)، نشان می‌دهد که حالت‌های حمل و نقل مختلف از محل مبدا i (محل تقاضا) تا مکان مقصد j (محل عرضه) احتمالات متفاوتی دارند w ( m i ) انتخاب شدن ( شکل ۱ ب).
Ijgi 09 00394 g002 550
شکل ۲٫ اثر شماتیک ضرایب مختلف اصطکاک سفر β در نمودار خطی.
Ijgi 09 00394 g003 550
شکل ۳٫ نمودار مدل نظری RTMC.
Ijgi 09 00394 g004 550
شکل ۴٫ نمودار شماتیک محاسبه احتمال RTMC.
Ijgi 09 00394 g005 550
شکل ۵٫ مسیرهای MTM دو جریان تجربی انتخاب شده جفت مبدا-مقصد (OD). شکل ۵ a یک سفر کوتاه از انجمن Yujinli به NCHGZ است و شکل ۵ b یک سفر طولانی از جامعه Yujinli به YHANMU است.
Ijgi 09 00394 g006 550
شکل ۶٫ منطقه مورد مطالعه.
Ijgi 09 00394 g007 550
شکل ۷٫ زمان و فاصله MTM از بلوک های مختلف خیابان تا بیمارستان کودکان نانجینگ دفتر گوانگژو (NCHGZ) (شکل با وضوح بالا را می توان از https://figshare.com/s/7fc7a00e868a9c71ac37 مشاهده کرد).
Ijgi 09 00394 g008 550
شکل ۸٫ نقشه توزیع فضایی جمعیت کودکان نانجینگ (شکل با وضوح بالا را می توان از https://figshare.com/s/7fc7a00e868a9c71ac37 مشاهده کرد).
Ijgi 09 00394 g009 550
شکل ۹٫ نمودار میله ای واریانس V j .
Ijgi 09 00394 g010 550
شکل ۱۰٫ نتایج دسترسی سه مدل G2SFCA (STM، MTM، و MTM-RTMC) (شکل با وضوح بالا را می توان از https://figshare.com/s/7fc7a00e868a9c71ac37 مشاهده کرد).
Ijgi 09 00394 g011 550
شکل ۱۱٫ توابع مختلف فروپاشی فاصله.

ونوس نصیرفام

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما