مقایسه وضعیت عملیات نظارت بر پارک‌های صنعتی آسیای جنوب شرقی چین قبل و بعد از COVID-19 با استفاده از داده‌های نورهای شبانه

COVID-19 تأثیر زیادی بر بسیاری از صنایع در سراسر جهان داشته است. شرکت‌هایی که دارای بودجه بین‌المللی هستند تا حد زیادی تحت تأثیر اقدامات پیشگیری و کنترل COVID-19، مانند کنترل‌های مرزی قرار گرفته‌اند. با این حال، مطالعات کمی تأثیر COVID-19 را بر شرکت‌های دارای بودجه بین‌المللی بررسی کرده‌اند. برای این منظور، این مقاله ۱۲ مورد از پارک‌های صنعتی چین واقع در جنوب شرقی آسیا را در نظر گرفت، در حالی که وضعیت عملکرد قبل و بعد از شیوع کووید-۱۹ را بر اساس سنجش از دور چراغ‌های شبانه (NTL) مقایسه کرد. NTL به طور کلی به عنوان یک پروکسی برای فعالیت های اقتصادی استفاده می شود. ابتدا، شش پارامتر برای تعیین کمیت و نظارت بر وضعیت عملیات بر اساس داده‌های NTL پیشنهاد شد. پس از آن، این پارامترها برای پارک ها و برای مناطق حایل ۱۰ کیلومتری اطراف آنها محاسبه شد تا تفاوت در شرایط عملیاتی تجزیه و تحلیل شود. نتایج نشان داد که (۱) علیرغم تأثیر منفی کووید-۱۹، ۹ پارک از ۱۲ پارک دارای میانگین NTL بیشتر از ۱ بودند، که نشان می‌دهد این پارک‌ها در سال ۲۰۲۰ در وضعیت عملکرد بهتری نسبت به سال ۲۰۱۹ هستند. (۲) ۷ مورد از ۱۰ کیلومتر مناطق حائل در اطراف پارک ها کاهش میانگین NTL را نشان دادند. تنها سه پارک کاهش میانگین NTL را نشان دادند. تأثیر COVID-19 بر مناطق اطراف بیشتر از تأثیر آن بر پارک ها بود.

کلید واژه ها:

COVID-19 ؛ اقتصاد ; چراغ های شب ; سنجش از دور

۱٫ مقدمه

در سال ۲۰۲۰، شیوع ویروس کووید-۱۹ خسارت زیادی به اقتصاد جهانی وارد کرد. در ژوئن ۲۰۲۰، صندوق بین المللی پول (IMF) تخمین زد که اقتصاد جهانی به دلیل تأثیر COVID-19 4.9٪ کوچک می شود [ ۱ ]. صندوق بین‌المللی پول همچنین پیش‌بینی کرد که زیان انباشته تولید ناخالص داخلی جهانی (GDP) در سال‌های ۲۰۲۰ و ۲۰۲۱ از ۱۲ تریلیون دلار فراتر خواهد رفت [ ۱ ] . در مارس ۲۰۲۰، سازمان بین المللی کار (ILO) پیش بینی کرد که ۲۵ میلیون نفر به دلیل COVID-19 بیکار خواهند شد [ ۲ ]]. درک دقیق تأثیر COVID-19 بر صنایع مختلف برای سیاستگذاران برای تدوین سیاست های هدفمند از اهمیت زیادی برخوردار است. در این مقاله، روشی با استفاده از داده‌های نور شبانه (NTL) برای ارزیابی تأثیر COVID-19 بر عملکرد پارک‌های صنعتی با بودجه خارجی پیشنهاد و ارزیابی شد. سهم اصلی ما پیشنهاد مجموعه‌ای از سیستم‌های شاخص نظارت بر تأثیر کمی نوآورانه است که از داده‌های NTL مشتق شده‌اند، که می‌تواند تأثیر COVID-19 را بر اقتصاد ارزیابی کند.

یک همبستگی مقطعی بین فعالیت سبک و اقتصادی در سال ۱۹۷۲ توسط کرافت TA [ ۳ ] مشاهده شد. هنگامی که اولین حسگر نور شب (حسگرهای اسکن خط عملیاتی) روی ماهواره برنامه ماهواره هواشناسی دفاعی (DMSP) در سال ۱۹۹۴ پرتاب شد، داده های نور شب به طور گسترده برای نظارت بر فعالیت های اجتماعی و اقتصادی مورد استفاده قرار گرفت. همانطور که توسط Donaldson D. و Storygard A. بررسی شده است [ ۴]، این مطالعات را می توان به طور عمده به دو دسته تقسیم کرد. دسته اول عمدتاً همبستگی بین داده های NTL و فعالیت های اجتماعی-اقتصادی، به ویژه همبستگی با تولید ناخالص داخلی را مطالعه می کند. به عنوان مثال، Doll et al. (۲۰۰۶) دریافتند که داده های NTL با تولید ناخالص داخلی ۱۱ کشور اتحادیه اروپا در سطح ملی همبستگی دارد، در حالی که در ایالات متحده، NTL و GDP در چندین سطح زیر ملی همبستگی دارند [ ۵ ]. هندرسون و همکاران (۲۰۱۲) رشد اقتصادی را با استفاده از داده های NTL اندازه گیری کرد [ ۶ ]. چن و همکاران (۲۰۱۲) تولید ناخالص داخلی و درخشندگی را در سطح کشور در کشورهای در حال توسعه برای دوره ۱۹۹۲-۲۰۰۸ مقایسه کردند [ ۷ ]. گالیمبرتی (۲۰۲۰) رشد تولید ناخالص داخلی را در یک نمونه جهانی از کشورها با استفاده از داده های NTL پیش بینی کرد [ ۸]. هو و همکاران (۲۰۲۰) یک مجموعه داده جهانی NTL با یک سری زمانی طولانی (۱۹۹۲-۲۰۱۷) ساخت و دریافت که داده‌های NTL در چین و هند با تولید ناخالص داخلی مربوطه آنها همبستگی مثبت دارد، با مقدار R2 بالاتر از ۰٫۸۵ [ ^۹ ] . در غیاب داده‌های دیگر، داده‌های نوری می‌توانند به عنوان منبع تحقیق برای تجزیه و تحلیل فعالیت‌های اجتماعی-اقتصادی مورد استفاده قرار گیرند. این نوع تحقیقات شامل نقشه برداری از فعالیت های اجتماعی-اقتصادی در مقیاس های مختلف [ ۱۰ ، ۱۱ ]، تجزیه و تحلیل تأثیر رویدادهای غیرمنتظره (فاجعه/جنگ/اپیدمی و غیره) بر فعالیت های اجتماعی-اقتصادی [ ۱۲ ] و تجزیه و تحلیل توسعه است. فعالیت های اجتماعی-اقتصادی [ ۱۳ ].

پس از شیوع کووید-۱۹، داده های NTL به دلیل ویژگی های مقیاس بزرگ و تقریباً زمان واقعی، به سرعت به ابزاری مهم برای نظارت بر تأثیر اقتصادی آن تبدیل شد. لیو و همکاران دریافتند که میانگین ماهانه NTL در چین پس از شیوع کووید-۱۹ بسیار کمتر بود [ ۱۴ ]. قوش و همکاران و الویدج و همکاران به طور جداگانه کاهش نورها را در هند و چین در طول همه‌گیری COVID-19 مورد بررسی قرار داد [ ۱۵ ، ۱۶ ]. یین و همکاران بهبود فعالیت شهری در ۱۷ منطقه اداری چین را در طول دوره همه‌گیری کووید-۱۹ در اوایل سال ۲۰۲۰ با استفاده از داده‌های NTL ارزیابی کرد [ ۱۷ ]]. این یافته ها نشان می دهد که COVID-19 زندگی روزمره مردم در چین، هند و سایر کشورهای جهان را به طور جدی تحت تاثیر قرار داده است. قرنطینه خانگی، تعطیلی مدارس، کارخانه‌ها، مغازه‌ها، و سایر اقدامات پیشگیری از کووید-۱۹، و همچنین اقدامات کنترلی، فعالیت‌های اقتصادی-اجتماعی را بسیار کند کرده است [ ۱۸ ]. این می تواند منجر به افت سریع در مقادیر شاخص تولید ناخالص داخلی و NTL شود [ ۱۹ ، ۲۰ ].

با این حال، تا به امروز، تجزیه و تحلیل تأثیر اجتماعی و اقتصادی COVID-19 بر اساس داده‌های NTL عمدتاً بر تأثیرات اقتصادی در کشورهای مختلف متمرکز شده است. تأثیر COVID-19 بر اساس اهداف، صنایع و گروه‌های مختلف مردم متفاوت است. پس از شیوع COVID-19، سطوح پایین‌تری از آلاینده‌های هوا در مصر [ ۲۱ ] و جنوب شرقی بریتانیا [ ۲۲ ] یافت شد. در حالی که کووید-۱۹ تأثیر کمی بر تولید غلات در مناطقی مانند هوبی، چین [ ۲۳ ] داشته است، فشار مستمری بر زنجیره عرضه جهانی غذا به شکل قرنطینه، افت اقتصادی، محدودیت‌های تجارت مواد غذایی و افزایش قیمت مواد غذایی وارد کرده است. تورم. بنابراین، منجر به بحران های بهداشتی در کشورهای کمتر توسعه یافته و در حال توسعه شده است [ ۲۴]. علاوه بر این، بیکاری و ورشکستگی در صنایعی مانند گردشگری، هوانوردی، رستوران ها و اقتصاد اشتراک گزارش شده است [ ۱۸ ، ۲۵ ].

بنگاه های خارجی یک نیروی محرکه مهم برای توسعه اقتصادی جهانی به ویژه در کشورهای در حال توسعه هستند. آنها به شدت تحت تأثیر COVID-19 قرار گرفته اند. محدودیت های سفر و بسته شدن مرزها پرکاربردترین اقدامات پیشگیری و کنترل COVID-19 است. شرکت‌هایی که دارای بودجه خارجی هستند به گردش پرسنل و تامین مواد برون مرزی تکیه می‌کنند، که آن‌ها را مستعد تاثیرات اقدامات پیشگیری و کنترل COVID-19 می‌کند. با این حال، تأثیر COVID-19 بر شرکت های خارجی توجه کمی را به خود جلب کرده است. این امر باعث می شود که سیاست گذاران نتوانند سیاست های هدفمند را تدوین کنند.

برای رسیدگی به این مشکل، پارک‌های صنعتی چین در جنوب شرقی آسیا (CIPSA) را به عنوان مطالعات موردی در نظر گرفته‌ایم. هدف این مطالعه (۱) پیشنهاد یک روش نظارت کمی برای نظارت بر عملیات CIPSA با استفاده از داده های NTL قبل و بعد از شیوع COVID-19، و (۲) برای مقایسه و تجزیه و تحلیل اثرات COVID-19 بر CIPSAها و بازارهای محلی

نوآوری های اصلی این مقاله شامل این واقعیت است که تأثیر COVID-19 بر پارک های خارج از کشور هنوز مورد مطالعه قرار نگرفته است. ما یک روش نظارت کمی برای وضعیت عملیاتی پارک‌های CIPSA پیشنهاد می‌کنیم. این شامل یک سیستم پارامتر کمی مبتنی بر داده های NTL است. ما عملکرد پارک‌های CIPSA را قبل و بعد از COVID-19 با استفاده از داده‌های NTL نظارت کردیم. این برای ادارات مربوطه مساعد است تا تصمیمات هدفمند بگیرند.

۲٫ روش ها

۲٫۱٫ روش ورودی و مراحل پردازش

برای مقایسه وضعیت عملیات قبل و بعد از شیوع COVID-19، یک روش نظارت کمی بر اساس داده‌های NTL در این مقاله پیشنهاد شد. ورودی این الگوریتم شامل اطلاعات مکان CIPSA ها، سری های زمانی NTL و داده های مورد COVID-19 است. اطلاعات مکان CIPSAها در فایل shp قرار داشت و برای زیر مجموعه‌های سری زمانی NTL به ناحیه CIPSAs استفاده می‌شد. سری زمانی NTL برای استخراج شاخص کمی NTL و ارزیابی بیشتر عملیات CIPSA مورد استفاده قرار گرفت. از داده‌های مورد COVID-19 برای ارائه اطلاعاتی مانند زمان شروع و تغییرات اپیدمی استفاده شد. الگوریتم با مراحل زیر انجام شد ( شکل ۱): (۱) پیش پردازش داده ها. (۲) محاسبه پارامترهای کمی. (۳) تجزیه و تحلیل کیفی و کمی بر اساس پارامترهای کمی. و (۴) تجزیه و تحلیل مقایسه ای بین پارک های صنعتی و مناطق بافر ۱۰ کیلومتری.

۲٫۲٫ محاسبه پارامترهای کمی

به طور کلی، منحنی های NTL زمانی برای یک منطقه خاص در سال های مختلف مشابه است. تغییرات ناگهانی در این منحنی ها اغلب به دلیل شرایط اضطراری مانند همه گیری COVID-19 ایجاد می شود. برای مقایسه وضعیت عملیات قبل و بعد از شیوع COVID-19، منحنی‌های میانگین زمانی NTL هر CIPSA و مناطق بافر ۱۰ کیلومتری آن‌ها در سال‌های ۲۰۲۰ و ۲۰۱۹ ترسیم شد. سپس، تفاوت بین منحنی‌های ۲۰۱۹ و ۲۰۲۰ با شش پارامتر نسبت ارزیابی شد تا مشخص شود که آیا عملکرد هر پارک یا منطقه حائل ۱۰ کیلومتری پس از شیوع بدتر می‌شود یا خیر. از سه پارامتر برای مقایسه با وضعیت پیش از اپیدمی استفاده شد، در حالی که از سه پارامتر دیگر برای مقایسه با ماه مشابه در سال ۲۰۱۹ استفاده شد.

۲٫۲٫۱٫ محاسبه پارامترها برای مقایسه با وضعیت پیش از اپیدمی

در اکثر کشورهای جنوب شرقی آسیا، اولین مورد COVID-19 بین ژانویه تا مارس ۲۰۲۰ گزارش شد. بنابراین، ما این سوال را مطرح می کنیم: شاخص NTL پس از شروع شیوع چقدر کاهش یافته است؟ برای پاسخ به این سوال، از سه نسبت NTL قبل و بعد از شیوع برای اندازه گیری تغییر استفاده شد. آنها به این صورت تعریف شدند:

ن تی L_B A_D = (N تی L m e a n ، b e f o r e - ن تی L m i n ، a f تی آر_) / ن تی L m e a n ، b e f o r e \times ۱۰۰ %

(۱)

ن تی L_B A_آر من = ن تی L a f t e r, i / ن تی L m e a n ، b e f o r e

(۲)

ن تی L_B A_R = N تی L m e a n ، a f تی آر_/ ن تی L m e a n ، b e f o r e

(۳)

که در آن NTL_BA_D ، NTL_BA_R ، و NTL_BA_R _i شاخص نسبت NTL قبل و بعد از شروع شیوع هستند. میانگین NTL _{، قبل} از میانگین شاخص NTL از ژانویه تا مارس ۲۰۲۰، NTL _{دقیقه، پس از} آن حداقل شاخص NTL هر پارک از آوریل تا دسامبر ۲۰۲۰، و NTL _{بعد، i} میانگین ماهانه شاخص NTL هر پارک در ماه i است. از آوریل تا دسامبر ۲۰۲۰٫ NTL_BA_D برای ارزیابی حداکثر کاهش NTL پس از همه گیری استفاده شد که به صورت درصد بیان شد. هر چه مقدار NTL_BA_D بیشتر باشد، بدتر شدن شاخص NTL پس از شیوع بیشتر است. NTL_BA_R i برای ارزیابی کاهش ماهانه NT پس از اپیدمی استفاده شد _.برای ما راحت‌تر بود که بفهمیم NTL در ماه شروع به کاهش کرد و ماهی که به سطح قبل از اپیدمی بازگشت. وقتی NTL_BA_R _i < ۱ بود، شاخص NTL در ماه i شروع به زوال کرد . NTL_BA_R برای ارزیابی تغییرات کلی قبل و بعد از شیوع استفاده شد.

۲٫۲٫۲٫ محاسبه پارامترها برای مقایسه با ماه مشابه در سال ۲۰۱۹

سوال دوم این است که نسبت به مدت مشابه سال قبل، شاخص NTL پس از شیوع چقدر کاهش یافته است؟ برای پاسخ به این سوال، ما از سه پارامتر نسبت دیگر بر اساس نسبت داده NTL بین سال‌های ۲۰۱۹ و ۲۰۲۰ استفاده کردیم که می‌تواند به صورت زیر تعریف شود:

ن تی L_Y_D من = (ن تی L 2019 ، i - ن تی L 2020 ، i) / ن تی L 2019 ، i \times ۱۰۰ %

(۴)

ن تی L_Y_آر من = ن تی L 2020 ، i / ن تی L 2019 ، i

(۵)

ن تی L_Y_R = N تی L من یک سال ، ۲۰۲۰_/ ن تی L من یک سال ، ۲۰۱۹_

(۶)

که در آن NTL_Y_D _i و NTL_Y_R _i شاخص نسبت NTL بین سال‌های ۲۰۱۹ و ۲۰۲۰ ماه i ، NTL _{۲۰۲۰، i} و NTL _۲۰۱۹ هستند، i شاخص‌های NTL در ماه i در سال‌های ۲۰۲۰ و ۲۰۱۹، و NTL _mean و NTL 2020 _{هستند . ۲۰۲۰} میانگین داده های شاخص NTL در سال های ۲۰۲۰ و ۲۰۱۹ است. NTL_Y_D _i نشان دهنده نسبت کاهش شاخص NTL ناشی از COVID-19 نسبت به دوره مشابه در سال قبل است. مقادیر بیشتر NTL_Y_D _i نشان دهنده تأثیر جدی تر COVID-19 است.NTL_Y_R برای ارزیابی تغییرات کلی بین سال‌های ۲۰۱۹ و ۲۰۲۰ مورد استفاده قرار گرفت. NTL_Y_R _i در بررسی ماهی که NTL شروع به کاهش کرد و ماهی که به سطح قبل از همه‌گیری برگشت، راحت‌تر بود. اگر NTL_Y_R _i < 1 باشد، میانگین شاخص NTL کمتر از سال ۲۰۱۹ است. اگر مقدار NTL_Y_R _i ماه i برابر یا بیشتر از ۱ باشد، به این معنی است که میانگین داده های NTL برای این ماه برابر یا بیشتر از همان ماه در سال ۲۰۱۹

۲٫۳٫ تحلیل کیفی عملکرد پارک ها پس از شیوع COVID-19

پس از شیوع COVID-19، ابتدا باید به دو سوال پاسخ داده شود: (۱) آیا عملکرد پارک بدتر شده است؟ (۲) اگر چنین بود، چه زمانی شروع به خراب شدن کرد؟ هنگامی که شش پارامتر نسبت محاسبه شد، می توان به این سوالات پاسخ داد.

هم ابر و هم COVID-19 می توانند منجر به تغییراتی در منحنی های موقتی NTL شوند. با این حال، ابرها در مرحله پردازش داده حذف شدند و با مقادیر نامعتبر جایگزین شدند. بنابراین، زمانی که داده ها نامعتبر نبودند، تغییرات در منحنی های موقت NTL را می توان عمدتاً به دلیل COVID-19 در نظر گرفت. این تغییرات ممکن است به مقادیر NTL منجر شود که کمتر از مقادیر قبل از شیوع COVID-19 یا در همان ماه در سال ۲۰۱۹ باشد. برای مثال، از آنجایی که شیوع COVID-19 در فوریه ۲۰۲۰ رخ داد، مقادیر NTL در مارس ۲۰۲۰ کمتر از در فوریه ۲۰۲۰ و مارس ۲۰۱۹٫ مقدار NTL_BA_R را می توان برای ارزیابی کاهش NTL و به دنبال آن شیوع COVID-19 استفاده کرد. اگر NTL_BA_R < 1 باشد، عملکرد پارک را قبل از کووید-۱۹ بدتر می‌دانیم. چه زمانیNTL_BA_R _i < 1، وخامت در ماه i نسبت به سال قبل از COVID-19 شروع شد.

با این حال، داده‌های NTL تغییرات فصلی آشکاری دارند که می‌تواند مقادیر کمتری نسبت به قبل از شیوع ایجاد کند [ ۲۶ ]. بنابراین، ما داده‌های NTL هر ماه را در سال‌های ۲۰۲۰ و ۲۰۱۹ مقایسه کردیم تا مشخص کنیم که آیا عملکرد پارک بدتر شده است یا خیر. اگر NTL یک پارک در سال ۲۰۲۰ کمتر از آن در سال ۲۰۱۹ بود ( NTL_Y_R < 1)، عملکرد پارک را نسبت به سال ۲۰۱۹ بدتر می‌دانستیم. وقتی NTL_Y_R _i < 1 بود، در نظر گرفته شد که وخامت در ماه شروع می‌شود. من در مقایسه با سال ۲۰۱۹

۲٫۴٫ تجزیه و تحلیل کمی تأثیر اپیدمی COVID-19

پس از محاسبه شش پارامتر، می توان به سوالات ما به صورت کمی پاسخ داد. اولین سوال این است که شاخص نور پس از شیوع اپیدمی COVID-19 نسبت به قبل از COVID-19 چقدر کاهش یافته است؟ این سوال را می توان با استفاده از شاخص NTL_BA_D پاسخ داد که حداکثر کاهش NTL را پس از COVID-19 نشان می دهد. سوال دوم این است که شاخص نور تحت تاثیر کووید-۱۹ در مقایسه با شاخص NTL در سال ۲۰۱۹ چقدر کاهش یافته است؟ این سوال را می توان با استفاده از شاخص NTL_Y_D که برای نشان دادن حداکثر کاهش در بدترین شرایط استفاده می شود، پاسخ داد.

با ظهور COVID-19، عملکرد پارک ها با نوسانات مواجه شده است. احیای بهره برداری از پارک یکی دیگر از نگرانی هاست. همچنین بهبود شرایط عملیاتی پارک را با مقایسه آن با سال قبل از همه‌گیری یعنی ۲۰۱۹ بررسی کرده‌ایم. از دو پارامتر ( NTL_BA_R _i و NTL_Y_R _i ) برای بررسی میزان بازسازی در عملکرد پارک‌ها استفاده شد. عملکرد پارک در شرایط پیش از اپیدمی در نظر گرفته شد، یک بار NTL_BA_R _i > 1. در همان زمان، عملکرد پارک به همان سطح سال ۲۰۱۹ برای NTL_Y_R _i > 1 بازگشت. پارامترهایی مانند به عنوان NTL_BA_R _i وNTL_Y_R _i از آوریل محاسبه شد، زیرا دوره از ژانویه تا مارس ۲۰۲۰ به عنوان پیش از اپیدمی در نظر گرفته شد. جدول ۱ پارامترها و استفاده از آنها را همانطور که در این مقاله اتخاذ شده است نشان می دهد.

۲٫۵٫ مقایسه NTL پارک های خارجی و مناطق حائل ۱۰ کیلومتری

پس از شیوع COVID-19، کشورهای مختلف یک سری اقدامات را برای کنترل شیوع آن صادر کردند. متداول ترین اقدامات اتخاذ شده عبارتند از: (۱) کنترل مرزها، مانند تعلیق پروازهای بین المللی و روادید توریستی، بسته شدن مرزها، و جلوگیری از ورود اتباع خارجی، و (۲) کنترل تجمع مردم، مانند بسته شدن کارخانه ها، رستوران ها و سینماها. شرکت های خارجی تمایل دارند کارکنان خارجی بیشتری داشته باشند و به زنجیره تامین محصولات بین المللی متکی هستند. بنابراین، اقدامات کنترل مرزی می تواند منجر به کمبود کارکنان و اختلال در زنجیره تامین برای شرکت های خارجی شود. انتظار می رود شرکت های خارجی به شدت تحت تأثیر COVID-19 قرار گیرند و شانس بهبودی آنها کمتر باشد.

برای ارزیابی تفاوت در تأثیر COVID-19 بر شرکت های خارجی و اقتصاد محلی، سری زمانی NTL CIPSA و اقتصاد محلی مقایسه شد. ابتدا یک منطقه حائل ۱۰ کیلومتری برای هر پارک اعمال شد. فرض بر این بود که این مناطق حائل نشان دهنده اقتصاد محلی هستند در حالی که شرایط توسعه اقتصادی مشابه پارک را به ارث می برند. از آنجایی که این مناطق بسیار نزدیک به پارک ها بودند، اقدامات پیشگیری و کنترل COVID-19 در این مناطق باید مشابه اقدامات پارک باشد. متعاقباً، میانگین ماهانه سری زمانی NTL از ژانویه ۲۰۱۹ تا دسامبر ۲۰۲۰ در هر منطقه حائل محاسبه شد. سپس، شش پارامتر نسبت برای هر منطقه بافر محاسبه شد. سرانجام، تفاوت در این شش پارامتر بین پارک ها و مناطق حائل برای تجزیه و تحلیل (۱) تغییر در NTL قبل و بعد از شیوع COVID-19 و (۲) بهبود اقتصادی در مرحله بهبودی پس از COVID-19 مقایسه شد. برای بالاترمقادیر NTL_BA_D و NTL_Y_D _i ، تأثیر COVID-19 جدی در نظر گرفته شد. زمانی که زمان NTL_BA_R _i و NTL_Y_R _i بعداً به ۱٫۰ رسید، بازیابی کندتر بود.

۳٫ روش آزمون و نتایج

۳٫۱٫ حوزه و داده های مطالعه

۳٫۱٫۱٫ منطقه مطالعه

پارک‌های صنعتی یک پلت فرم مهم برای سرمایه‌گذاری خارجی چین هستند، به طوری که بیش از ۳۰ درصد از شرکت‌های چینی در پارک‌های صنعتی در کشورهای مختلف متمرکز شده‌اند [ ۲۷ ، ۲۸ ]. مجموعه داده های پارک های صنعتی خارج از کشور چین که توسط لی و همکاران جمع آوری شده است. شامل ۱۸۲ پارک صنعتی [ ۲۹]. آسیای جنوب شرقی دارای بیشترین تعداد پارک های صنعتی چین است و رابطه اقتصادی نزدیکی با چین دارد. با این حال، تنها ۴۷ پارک صنعتی در این مجموعه داده دارای اطلاعات مکان دقیق هستند. از این میان، ۱۴ پارک در جنوب شرقی آسیا واقع شده اند و دو مورد از این پارک ها بسیار کوچک هستند. بنابراین، تنها دوازده CIPSA واقع در تایلند، ویتنام، کامبوج، لائوس، و مالزی به عنوان هدف تحقیق ما انتخاب شدند. اطلاعات دقیق در مورد این پارک ها در شکل ۲ و جدول ۲ ارائه شده است.

۳٫۱٫۲٫ داده ها و پیش پردازش داده ها

مجموعه داده

آخرین نسل NTL شامل داده‌های باند روز-شب (DNB) است که توسط مجموعه تصویربرداری مرئی و فروسرخ (VIIRS) که با سیستم ماهواره‌ای مدار قطبی مشترک (JPSS) به دست آمده است. داده ها به صورت روزانه در وضوح فضایی ۵۰۰ متر به دست آمد. کامپوزیت های ماهانه و سالانه DNB بدون ابر نیز توسط گروه مشاهده زمین (EOG) [ ۳۰ ] ارائه شد. ابر و نور سرگردان از محصولات ماهانه و سالانه DNB ارائه شده توسط EOG حذف شد ( https://eogdata.mines.edu/products/vnl/ ، در ۵ فوریه ۲۰۲۲ قابل دسترسی است).

کامپوزیت‌های ماهانه DNB بدون ابر از این دوازده CIPSA از ژانویه ۲۰۱۸ تا دسامبر ۲۰۲۰ در اینجا مورد استفاده قرار گرفت، زیرا جنوب شرقی آسیا یک منطقه ابری و بارانی است. به دلیل نفوذ ابرها، یافتن داده های نورانی بدون ابر که کل آسیای جنوب شرقی را پوشش می دهد، بسیار دشوار بود. اگر از داده های روزانه یا داده های هفتگی استفاده شود، داده های نامعتبر زیادی وجود خواهد داشت. داده های ترکیبی ماهانه می توانند داده های روز بدون ابر در تاریخ های مختلف را با داده های ماهانه ترکیب کنند تا تأثیر ابرها را تا حد زیادی کاهش دهند. همانطور که در جدول ۲ ارائه شده است، تعداد داده های کاملاً بدون ابر برای بیشتر پارک ها از ۲۰ فراتر می رود. داده‌های ماهانه یا سالانه DNB داده‌های سطح بالایی هستند که ابر و نور سرگردان را حذف می‌کنند و در عین حال کار با فرمت ذخیره‌سازی را آسان‌تر می‌کنند. این یک مرحله پیش پردازش داده آسان تر را به خصوص در تجزیه و تحلیل سری های زمانی برای کاربر فراهم می کند. بنابراین، این دو نوع داده به طور گسترده مورد استفاده قرار می گیرند [ ۹ ، ۱۰ ، ۱۱ ، ۱۲ ، ۱۳ ، ۱۴ ، ۱۵ ، ۱۶ ، ۳۱ ].

مجموعه داده COVID-19 از صفحه وب سازمان بهداشت جهانی ( https://COVID19.who.int/ ، در تاریخ ۵ فوریه ۲۰۲۲) دانلود شده است. این شامل چهار پارامتر (موارد جدید، موارد تجمعی، مرگ‌های جدید، مرگ‌های تجمعی) برای اندازه‌گیری اثرات COVID-19 در هر کشور است.

پیش پردازش داده ها

مجموعه داده ۳۶ ماهه VIIRS DNB که آسیای جنوب شرقی را از ژانویه ۲۰۱۸ تا دسامبر ۲۰۲۰ پوشش می دهد، به شرح زیر پردازش شد، در حالی که در شکل ۳ نیز ارائه شده است :

(۱): از آنجایی که ابر و نور سرگردان در محصولات ماهانه توسط EOG حذف شد، فرآیندهای حذف ابر و نور سرگردان اضافی مورد نیاز نبود.
(۲): حذف پس زمینه و مقادیر نامعتبر پیکسل هایی با داده های بی کیفیت به دلیل پوشش ابر یا نور خورشید روی صفر تنظیم شدند. علاوه بر این، نویز پس زمینه بسیار کمی در داده های NTL وجود داشت. این مقادیر نامعتبر صفر و نویز زمین باید هنگام محاسبه میانگین یا مجموع مقادیر NTL حذف شوند. قوش و همکاران (۲۰۲۰) با پوشاندن مقادیر NTL <0.6 نانووات/cm2/sr در حین محاسبه مجموع مقادیر NTL برای هند، چنین نویزهای زمینی را حذف ^کرد [ ۱۵ ]. در اینجا، ده منطقه مورد علاقه بدون فعالیت انسانی در آسیای جنوب شرقی برای محاسبه مقدار نویز پس‌زمینه انتخاب شدند. میانگین مقدار NTL این ده ناحیه ۰٫۵ نانووات بر سانتی متر مربع ^بر ثانیه بود. بنابراین، مقادیر NTL کمتر از ۰٫۵ نانووات بر سانتی متر مربع ^است/sr در هر ماه مجموعه داده NTL روی مقادیر -NaN تنظیم شد تا پس‌زمینه و مقادیر نامعتبر حذف شوند. داده‌های NTL پارک‌ها با پس‌زمینه و مقادیر نامعتبر بیش از ۵۰ درصد نیز حذف شدند تا از کیفیت بالای داده‌های مورد استفاده اطمینان حاصل شود.
(۳): به دلیل کوچک بودن پارک های خاص، تعداد پیکسل های پوشش دهنده این پارک ها کم بود. این می تواند در هنگام محاسبه میانگین های آماری، به مقادیر پرت منجر شود. برای افزایش تعداد پیکسل‌ها، تصاویر NTL را با استفاده از نزدیک‌ترین روش پیکسل همسایه در نرم‌افزار ENVI 4.3 (ITT Industries, Inc., Boulder, CO, USA) دوباره نمونه‌برداری کردیم تا ۱۰۰ متر.
(۴): مقادیر میانگین ماهانه NTL هر پارک CIPSA و در مناطق بافر ۱۰ کیلومتری اطراف هر CIPSA در سال‌های ۲۰۱۸، ۲۰۱۹ و ۲۰۲۰ با استفاده از ابزارهای آماری در نرم‌افزار ENVI 5.3 محاسبه شد. شکل ۴ مقادیر میانگین ماهانه و انحراف معیار (Stdev) نور شبانه پارک صنعتی یونژونگ، استان بیجیانگ، ویتنام را از ژانویه ۲۰۱۹ تا دسامبر ۲۰۲۰ نشان می دهد.
(۵): مقادیر میانگین ماهانه NTL برای محاسبه شاخص NTL استفاده شد و وضعیت عملیات قبل و بعد از شیوع با هم مقایسه شد.

۳٫۲٫ نتایج

۳٫۲٫۱٫ نتایج پایش عملیات پارک‌های صنعتی آسیای جنوب شرقی چین

نتایج تحلیل کیفی پارکها

جدول ۳ نتایج پایش کیفی پارک ها را نشان می دهد. در مقایسه با سال قبل از COVID-19، فقط دو پارک مقدار NTL_BA_R را کمتر از ۱ نشان می‌دادند. بنابراین، وضعیت عملکرد آن دو پارک به شدت تحت تأثیر شیوع COVID-19 قرار گرفت. فقط سه پارک نشان داد که ارزش NTL_Y_R کمتر از ۱ دارند. این نشان می‌دهد که وضعیت عملکرد آن سه پارک در سال ۲۰۲۰ بدتر از سال ۲۰۱۹ بود. با این حال، ۱۱ پارک با NTL_Y_R _{i وجود داشت.}مقادیر < 1، نشان دهنده نوسان در وضعیت عملکرد آنها است. داده های NTL بیشتر پارک ها در ژانویه شروع به کاهش کردند. زمان ظهور موارد COVID-19 در کشورهای جنوب شرقی آسیا از ژانویه تا مارس ۲۰۲۰ بود. این نشان می دهد که عملکرد این پارک ها و مناطق اطراف آن پس از شیوع COVID-19 به سرعت تحت تأثیر قرار گرفته است. SCDZ تنها پارک با NTL_Y_R _i > 1 برای تمام ماه‌ها بود، زیرا هنوز در حال ساخت است. مساحت ساخت و ساز از ۰٫۳۶ کیلومتر مربع ^در ۱۲ آوریل ۲۰۱۹ به ۰٫۸۲ کیلومتر مربع ^در ۲۳ نوامبر ۲۰۲۰ افزایش یافت که ارزش NTL آن را افزایش داد ( شکل ۵ ).

شکل ۶ منحنی های NTL زمانی پارک ها و مناطق حائل را در سال های ۲۰۱۹ و ۲۰۲۰ نشان می دهد. همانطور که از شکل ۶ مشاهده می شود ، به جز پارک SCDZ، منحنی NTL 2019 و منحنی NTL 2020 سایر پارک ها همدیگر را قطع می کنند. این بدان معناست که بهره برداری از این پارک ها در سال ۲۰۲۰ دارای نوسان بوده است. این همان نتیجه تجزیه و تحلیل با پارامتر NTL_Y_R _i است.

نتایج تحلیل پارامترهای کمی پارکها

نتیجه حداکثر کاهش NTL از ۱۲ پارک پس از شروع اپیدمی COVID-19 در جدول ۴ ارائه شده است . مشاهده می شود که مقادیر NTL_BA_D ۱۱ پارک بزرگتر از ۰ با میانگین NTL_BA_D ۲۴٫۴۲٪ بود. این نشان می دهد که مقادیر NTL این پارک ها قبل از شروع COVID-19 کمتر بوده است. مقادیر NTL_BA_D دو پارک بیش از ۵۰ درصد بود که نشان دهنده تأثیر قابل توجه COVID-19 بر عملکرد آنها است. حداکثر مقادیر NTL_Y_D ۱۱ پارک بزرگتر از ۰، با میانگین حداکثر NTL_Y_D ۳۲٫۰۵٪ بود. حداکثر NTL_Y_Dارزش سه پارک بیش از ۵۰ درصد افزایش یافته است. به دلیل تأثیر کووید-۱۹، عملکرد این سه پارک در سال ۲۰۲۰ به مراتب بدتر از سال ۲۰۱۹ بود.

همه پارک‌ها دارای مقادیر NTL_BA_R _i بیشتر از ۱ بودند که نشان‌دهنده بازگرداندن عملیاتی آنها به سطح قبل از COVID-19 برای چند ماه بود. بیشتر پارک ها در آوریل یا مه ارزش NTL_BA_R را بیشتر از ۱ نشان دادند.

۳٫۲٫۲٫ مقایسه تأثیرات کووید-۱۹ بر شرکت های خارجی و مناطق محلی

نتایج تحلیل کیفی ۱۰ کیلومتر بافر پارکها

در جدول ۳ ، در مقایسه با قبل از COVID-19، هفت منطقه حائل دارای مقادیر NTL_BA_R کمتر از ۱ بودند. این بدان معناست که وضعیت عملیاتی آن هفت منطقه حائل پس از شیوع COVID-19 بد بود. تعداد مناطق بافری که دارای مقادیر NTL_Y_R کمتر از ۱ بودند نیز ۷ بود. این نشان می‌دهد که وضعیت عملکرد آن هفت منطقه حائل در سال ۲۰۲۰ بدتر از سال ۲۰۱۹ بوده است.

جدول ۵ مقادیر NTL_BA_D مناطق حائل ۱۰ کیلومتری را نشان می دهد که بزرگتر از ۰ هستند، با میانگین ۴۳٫۲۱%. مقادیر NTL_BA_D پنج تا از مناطق بافر بیشتر از ۵۰٪ بود. حداکثر مقادیر NTL_Y_D _i در همه مناطق بافر بیشتر از ۰ با میانگین NTL_BA_D ۴۹٫۸۴٪ بود. حداکثر مقادیر NTL_Y_D _i در شش ناحیه بافر بیشتر از ۵۰ درصد بود. به دلیل تأثیر کووید-۱۹، عملکرد این شش منطقه حائل در سال ۲۰۲۰ بسیار بدتر از سال ۲۰۱۹ بود.

مقایسه بین پارک ها و بافر ۱۰ کیلومتری

همانطور که در جدول ۳ نشان داده شده است ، هفت منطقه حائل ۱۰ کیلومتری در اطراف پارک ها کاهش NTL را نشان دادند ( NTL_Y_R <1)، در حالی که تنها سه پارک کاهش را نشان دادند. همه پارک ها و مناطق بافر ۱۰ کیلومتری حداقل یک مقدار NTL_BA_R _i یا NTL_Y_R _i بزرگتر از ۱ را نشان می دهند. ماه با مقدار NTL_BA_R _i یا NTL_Y_R _i بیشتر از ۱ نیز مقایسه شد ( جدول ۴ ). ماه اول با مقادیر NTL_BA_R _i یا NTL_Y_R _i بزرگتر از ۱ با پررنگ برجسته شده است. به عنوان مثال، برای پارک BEDZ، اولین NTL_BA_R _i> 1 در ماه مه، در حالی که ژوئیه برای مناطق حائل ۱۰ کیلومتری است. بنابراین، ما می را در جدول ۴ برجسته کردیم . نه پارک وجود دارد که زمان اول NTL_BA_R _i > 1 زودتر از مناطق حائل ۱۰ کیلومتری است، در حالی که یک منطقه حائل ۱۰ کیلومتری است که زمان آن زودتر از پارک است. پنج پارک وجود دارد که زمان اول NTL_Y_R _i > 1 زودتر از مناطق بافر ۱۰ کیلومتری است، در حالی که چهار منطقه حائل ۱۰ کیلومتری وجود دارد که زمان آنها زودتر از پارک ها است. بنابراین، پارک ها بهتر از مناطق حائل بهبود یافتند. پارک ها ۱ تا ۵ ماه زودتر از مناطق حائل مربوطه خود بهبود یافتند. به عنوان مثال، NTL_BA_R _i و NTL_Y_R _iمقادیر BEDZ برای می و آوریل بالای ۱ بود، در حالی که مقادیر برای منطقه حائل ۱۰ کیلومتری تا جولای و می، که به ترتیب دو و یک ماه بعد هستند، بالاتر از ۱ افزایش پیدا نکرد. بنابراین بازیابی مناطق حائل ۱۰ کیلومتری از پارکها عقب افتاد. از تحلیل فوق می توان دریافت که مناطق حائل در همه شاخص ها از ارزش بدتری نسبت به پارک ها برخوردار بودند. بنابراین، COVID-19 تأثیر بیشتری بر مردم نسبت به پارک‌های صنعتی داشت. این ممکن است به دلیل تفاوت در اقدامات پیشگیری و کنترل COVID-19 اتخاذ شده توسط صنایع مختلف باشد. تأثیر محدودیت‌های سفر و تجمع جمعیت بر رستوران‌ها، هتل‌ها، سینماها و سایر صنایع خدماتی بسیار بیشتر از تأثیرات روی کارخانه‌ها بود.

۴٫ بحث

۴٫۱٫ مقایسه سال های ۲۰۱۸، ۲۰۱۹ و ۲۰۲۰

رویداد ویژه سال ۲۰۲۰ شیوع COVID-19 بود. پارامتر NTL_Y_R _۲۰۲۰ تغییر بین سال‌های ۲۰۲۰ و ۲۰۱۹ است. ما بیشتر تغییرات را بین سال‌های ۲۰۱۹ و ۲۰۱۸ محاسبه کردیم – پارامتر NTL_Y_R _۲۰۱۹ . سپس، پارامترهای NTL_Y_R _۲۰۲۰ و NTL_Y_R _۲۰۱۹ برای یافتن تأثیر COVID-19 مقایسه شدند. نتایج در شکل ۷ الف ارائه شده است. مشخص شد که نه پارک و هفت منطقه حائل با NTL_Y_R _۲۰۱۹ > 1 وجود دارد، در حالی که اعداد با NTL_Y_R _{۲۰۲۰ نه و پنج هستند.}به ترتیب > 1. این نشان می‌دهد که NTL این پارک‌ها و مناطق حائل در سال ۲۰۱۹ نسبت به سال ۲۰۱۸ افزایش یافته است. مناطق حائل عملکرد بدی را در سال ۲۰۲۰ نشان دادند. هشت پارک با NTL_Y_R 2019 > NTL_Y_R 2020 وجود _دارد ، _در حالی که _تنها شش منطقه بافر با NT201Y_R > _{NTL_1Y_R} وجود دارد. این نشان می دهد که NTL این پارک ها و مناطق حائل در سال ۲۰۱۹ به میزان قابل توجهی افزایش یافته است.

ماهانه NTL_Y_R _{۲۰۱۹، i} نیز برای نشان دادن تغییر ماهانه بین سال‌های ۲۰۱۹ و ۲۰۱۸ محاسبه شد. تعداد ماه‌ها ( NM _۲۰۱۹ ) با NTL_Y_R _۲۰۱۹،i > 1 شمارش شد، که نشان داد NTL سال ۲۰۱۹ در ماه ۲۰۱۸ بیشتر از در حالی که NM _۲۰۲۰ با NTL_Y_R _۲۰۲۰،i > 1 داریم. به دلیل نفوذ ابر، برای ماه‌های خاص هیچ داده‌ای وجود نداشت. علاوه بر این، NM _۲۰۱۹ و NM _۲۰۲۰ به طور مستقیم قابل مقایسه نیستند. بنابراین، NM _۲۰۱۹ و NM _۲۰۲۰بر تعداد ماه‌ها با داده‌های سال‌های ۲۰۱۹ و ۲۰۲۰ تقسیم شد تا NM _{۲۰۱۹، p} و NM _{۲۰۲۰، p} به صورت درصد به دست آید. شکل ۷ ب نتایج مقایسه بین NM _۲۰۱۹,p و NM _۲۰۲۰,p را نشان می دهد. مشخص شد که هفت پارک با NM _۲۰۱۹,p > NM _۲۰۲۰,p وجود دارد، در حالی که تنها سه منطقه بافر با NM _۲۰۱۹,p > NM _{۲۰۲۰,p وجود دارد.}. بر اساس پارامترهای فوق، می توان فهمید که اگرچه NTL بیشتر پارک ها در سال ۲۰۲۰ افزایش یافته است، اما این افزایش در سال ۲۰۱۹ کمتر قابل توجه بوده است. این را می توان به وضوح از منحنی NTL پارک SPSEZ از ژانویه ۲۰۱۸ تا دسامبر ۲۰۲۰ مشاهده کرد ( شکل ۸ ).

۴٫۲٫ تأثیر اقدامات پیشگیری و کنترل COVID-19 بر موارد جدید COVID-19 و اقتصاد

شکل ۶ تأثیر اقدامات پیشگیری و کنترل را بر تعداد موارد جدید COVID-19 و اقتصاد نشان می دهد. پس از شیوع کووید-۱۹، اقدامات سختگیرانه پیشگیری و کنترل کووید-۱۹ مانند بسته شدن مرزها، محدودیت های مسافرتی و بسته شدن مغازه ها و کارخانه ها اجرا شد. این مطالعه کاهش سریع هر دو موارد جدید COVID-19 و شاخص NTL را در این دوره نشان داد که با نتایج Shen و همکارانش مطابقت دارد. [ ۳۲]. هم موارد جدید COVID-19 و هم مقادیر NTL ماهانه به دلیل اقدامات پیشگیری و کنترل COVID-19 کاهش یافته است. با برداشته شدن تدریجی این اقدامات، اقتصاد به سرعت بهبود یافت. با این حال، اگر اقدامات پیشگیری و کنترل قبل از حذف موارد COVID-19 حذف شود، می تواند منجر به افزایش سریع موارد شود. به این می گویند رفع انسداد زودرس. رفع انسداد زودهنگام می تواند منجر به احیای زودهنگام اقتصاد شود، اما همچنین می تواند منجر به وقوع سریع موج دیگری از موارد شود که اوج آن بالاتر از موج قبلی است.

۴٫۳٫ تأثیر انواع کاربری زمین

جدول ۶ مقایسه تأثیر COVID-19 بر CIPSAها و مناطق حائل ۱۰ کیلومتری اطراف آنها را نشان می دهد. این CIPSAها در دو نوع پوشش زمین (روستایی و شهری) قرار گرفتند. مقایسه مقادیر میانگین NTL_BA_D و میانگین حداکثر مقادیر NTL_Y_D نشان داد که تأثیر COVID-19 در پارک‌های روستایی بیشتر از شهری بود. پارک‌های روستایی بهبود بهتری نسبت به پارک‌های شهری نشان دادند، زیرا همه آنها مقادیر NTL_Y_R بیشتر از ۱ داشتند، در حالی که یکی از پارک‌های شهری اینطور نبود.

با این حال، هنگام بررسی مناطق حائل ۱۰ کیلومتری، تأثیرات COVID-19 در مناطق روستایی و شهری بسیار مشابه بود. مناطق شهری بدترین بهبود را نسبت به مناطق روستایی نشان دادند. همه مناطق حائل پارک های روستایی دارای مقادیر NTL_Y_R _i بیشتر از ۱ بودند، در حالی که دو منطقه حائل پارک های شهری این مقدار را نداشتند. برای مناطق حائل شهری، نوع کاربری اراضی شهر، معمولاً مسکونی بود. برای مناطق حائل روستایی، انواع کاربری اراضی روستایی و معمولاً زمین های کشاورزی بودند. بنابراین، مناطق روستایی کمتر تحت تأثیر COVID-19 قرار می گیرند و بهتر می توانند بهبود یابند.

۴٫۴٫ محدودیت ها

(۱): جنوب شرق آسیا ابری و بارانی است. به دلیل نفوذ ابرها، تعداد زیادی مقادیر پیش فرض در داده های NTL روزانه و ماهانه در این ناحیه وجود دارد. این حساسیت استفاده از داده‌های NTL برای نظارت بر عملکرد پارک را محدود می‌کند و دریافت تغییرات کوتاه‌مدت در عملیات را دشوار می‌کند. در مناطق کمتر ابری، داده های روزانه NTL را می توان برای افزایش حساسیت نظارت در نظر گرفت.
(۲): وضوح فضایی داده های NTL به دست آمده توسط VIIRS 500 متر است. برخی از پارک های صنعتی بسیار کوچک هستند. این امر نظارت آنها را با استفاده از داده های VIIRS NTL دشوار می کند. در ۵ نوامبر ۲۰۲۱، چین ماهواره علمی توسعه پایدار ۱ (SDGSAT-1) را پرتاب کرد. مجهز به سنسور نور شب با وضوح ۱۰ متر بود. استفاده از داده های نور شب با وضوح بالا برای نظارت بر اهداف پارک مناسب تر بود.
(۳): داده‌های COVID-19 مورد استفاده در این مطالعه داده‌های مقیاس ملی و داده‌های روشنایی شبانه داده‌های شبکه‌بندی شده بودند. تفاوت در مقیاس های داده به این معنی است که ما فقط می توانیم روابط بین تعداد موارد COVID-19، شاخص NTL و پیشگیری از COVID-19 و همچنین اقدامات کنترلی را مورد بحث قرار دهیم. تجزیه و تحلیل دقیق روابط بین این سه عامل نیازمند داده هایی با مقیاس های سازگار است. برای مثال، داده‌های NTL و COVID-19 در مقیاس ملی را می‌توان با هم برای تحلیل تأثیر COVID-19 بر اقتصاد ملی مورد استفاده قرار داد.
(۴): از داده های NTL می توان برای نظارت بر عملکرد کلی پارک استفاده کرد. با این حال، بهره برداری از پارک تحت تاثیر عوامل بسیاری مانند تامین مواد اولیه، تامین انرژی، تحرک پرسنل و نوسانات بازار است. برای تجزیه و تحلیل تأثیر خاص COVID-19 به داده های بیشتری نیاز است.

۵٫ نتیجه گیری ها

این مطالعه از داده‌های سری زمانی NTL برای آسیای جنوب شرقی از سال ۲۰۱۸ تا ۲۰۲۰ برای تجزیه و تحلیل تأثیر COVID-19 بر پارک‌های آسیای جنوب شرقی چین استفاده کرد. عملکرد پارک ها و مناطق محلی نیز با استفاده از شش پارامتر مقایسه شد. نتایج نشان می دهد که:

(۱): علیرغم تأثیر منفی کووید-۱۹، ۹ پارک از ۱۲ پارک دارای شاخص NTL_Y_R _۲۰۲۰ بیشتر از ۱ بودند که نشان می‌دهد این پارک‌ها در سال ۲۰۲۰ در وضعیت عملکرد بهتری نسبت به سال ۲۰۱۹ قرار داشتند. با این حال، نه پارک وجود داشت که شاخص NTL_Y_R _۲۰۲۰ کمتر بود. نسبت به شاخص NTL_Y_R _۲۰۱۹ . این نشان می دهد که به دلیل تأثیر COVID-19، نرخ رشد پارک کاهش یافته است.
(۲): منحنی NTL 2019 و منحنی NTL 2020 از ۱۱ پارک تلاقی می کنند. این نشان می‌دهد که عملکرد این پارک‌ها در سال ۲۰۲۰ با نوساناتی همراه بوده است که گاه بدتر از سال ۲۰۱۹ و گاه بهتر بوده است. حداکثر مقادیر NTL_Y_D ۱۱ پارکی که برای ارزیابی حداکثر کاهش ماهانه استفاده شد، بیشتر از ۰ با میانگین حداکثر NTL_Y_D ۳۲٫۰۵٪ بود. حداکثر مقادیر NTL_Y_D در سه پارک بیش از ۵۰٪ افزایش یافته است.
(۳): در مقایسه با قبل از COVID-19، ۱۰ پارک با شاخص NTL_BA_R بیشتر از ۱ وجود دارد که نشان می‌دهد این پارک‌ها پس از COVID-19 در وضعیت عملکرد بهتری نسبت به قبل از COVID-19 قرار داشتند. با این حال، مقادیر NTL_BA_D ۱۱ پارک بزرگتر از ۰ با میانگین NTL_BA_D ۲۴٫۴۲ درصد بود که به این معنی است که مقادیر NTL این پارک ها در یک ماه کمتر از قبل از COVID-19 بوده است.
(۴): تأثیر COVID-19 بر مناطق اطراف بیشتر از تأثیر آن بر پارک ها بود. هفت منطقه حائل ۱۰ کیلومتری اطراف پارک ها کاهش NTL را نشان دادند ( NTL_Y_R <1)، در حالی که تنها سه پارک پس از شیوع COVID-19 کاهش نشان دادند. علاوه بر این، در مقایسه با دوره مشابه در سال قبل، پارک ها نیز بهتر از مناطق حائل بهبود یافتند، به طوری که پارک ها ۱ تا ۵ ماه زودتر از مناطق حایل مربوطه خود بهبود یافتند.
(۵): تأثیر کووید-۱۹ بر مناطق شهر از نظر میانگین NTL_BA_D و میانگین حداکثر مقادیر NTL_Y_D ، در هر دو پارک و مناطق حائل ۱۰ کیلومتری آنها، بیشتر از مناطق روستایی بود. علاوه بر این، پارک های روستایی بهبود بهتری نسبت به پارک های شهری نشان دادند.

منابع

XIN وانگ ANET. کانون توجه: صندوق بین‌المللی پول پیش‌بینی اقتصاد جهانی را در بحبوحه افزایش پیامدهای ناشی از کووید-۱۹ بازبینی می‌کند، هشداری در مورد سطح بدهی‌های بی سابقه. در دسترس آنلاین: http://www.xinhuanet.com/english/2020-06/25/c_139164949.htm (دسترسی در ۲۰ آوریل ۲۰۲۱).
Chinadaily. COVID-19 یک “بحران بازار کار”. در دسترس آنلاین: https://www.chinadailyhk.com/article/126024 (دسترسی در ۲۰ آوریل ۲۰۲۱).
Croft، TA سوزاندن گاز زباله در میادین نفتی. طبیعت ۱۹۷۳ ، ۲۴۵ ، ۳۷۵-۳۷۶٫ [ Google Scholar ] [ CrossRef ]
دونالدسون، دی. استوریگارد، الف. نمای از بالا: کاربردهای داده های ماهواره ای در اقتصاد. جی. اکون. چشم انداز ۲۰۱۶ ، ۳۰ ، ۱۷۱-۱۹۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
عروسک، CN; مولر، J.-P. مورلی، جی جی نقشه برداری فعالیت اقتصادی منطقه ای از تصاویر ماهواره ای نور در شب. Ecol. اقتصاد ۲۰۰۶ ، ۵۷ ، ۷۵-۹۲٫ [ Google Scholar ] [ CrossRef ]
هندرسون، JV; استوریگارد، ا. Weil، DN اندازه گیری رشد اقتصادی از فضا. صبح. اقتصاد Rev. ۲۰۱۲ , ۱۰۲ , ۹۹۴-۱۰۲۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
چن، ایکس. نوردهاوس، WD استفاده از داده‌های درخشندگی به‌عنوان پروکسی برای آمارهای اقتصادی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا ۲۰۱۱ ، ۱۰۸ ، ۸۵۸۹-۸۵۹۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گالیمبرتی، جی کی پیش بینی رشد تولید ناخالص داخلی از فضا. Oxf. گاو نر اقتصاد آمار ۲۰۲۰ ، ۸۲ ، ۶۹۷-۷۲۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هو، ی. Zhang، Y. تغییر نور جهانی در شب از سال ۱۹۹۲ تا ۲۰۱۷: یکنواخت تر و روشن تر. پایداری ۲۰۲۰ ، ۱۲ ، ۴۹۰۵٫ [ Google Scholar ] [ CrossRef ]
هندرسون، JV; اسکوایرز، تی. استوریگارد، ا. ویل، دی. توزیع جهانی فعالیت اقتصادی: طبیعت، تاریخ، و نقش تجارت. QJ Econ. ۲۰۱۸ ، ۱۳۳ ، ۳۵۷-۴۰۶٫ [ Google Scholar ] [ CrossRef ]
وانگ، ایکس. ساتون، رایانه شخصی؛ Qi، B. نقشه برداری جهانی از تولید ناخالص داخلی در ۱ کیلومتر مربع ^با استفاده از تصاویر ماهواره ای شبانه VIIRS. ISPRS Int. J. Geo-Information ۲۰۱۹ ، ۸ ، ۵۸۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لی، ایکس. ژان، سی. تائو، جی. Li, L. پایش طولانی مدت اثرات فاجعه بر فعالیت انسانی با استفاده از داده های نور شبانه DMSP/OLS: مطالعه موردی زلزله ونچوان، چین در سال ۲۰۰۸٫ Remote Sens. ۲۰۱۸ , ۱۰ , ۵۸۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وانگ، آر. وان، بی. گوا، کیو. هو، م. ژو، اس. نقشه برداری محدوده شهری منطقه ای با استفاده از داده های NPP-VIIRS DNB و MODIS NDVI. Remote Sens. ۲۰۱۷ , ۹ , ۸۶۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیو، کیو. شا، د. لیو، دبلیو. هاوسر، پی. ژانگ، ال. هو، آر. لان، اچ. فلین، سی. لو، ام. هو، تی. و همکاران الگوهای مکانی-زمانی تأثیر COVID-19 بر فعالیت‌های انسانی و محیط در سرزمین اصلی چین با استفاده از داده‌های کیفیت هوا و نور شبانه. Remote Sens. ۲۰۲۰ , ۱۲ , ۱۵۷۶٫ [ Google Scholar ] [ CrossRef ]
قوش، ت. الویدج، سی. Hsu، F.-C.; ژیژین، م. بازیلیان، ام. کم نور شدن چراغ ها در هند در طول همه گیری COVID-19. Remote Sens. ۲۰۲۰ , ۱۲ , ۳۲۸۹٫ [ Google Scholar ] [ CrossRef ]
الویدج، سی. قوش، ت. Hsu، F.-C.; ژیژین، م. بازیلیان، ام. کم نور شدن چراغ ها در چین در طول همه گیری کووید-۱۹٫ Remote Sens. ۲۰۲۰ , ۱۲ , ۲۸۵۱٫ [ Google Scholar ] [ CrossRef ]
یین، آر. او، جی. جیانگ، دبلیو. پنگ، ی. Gong, C. تصاویر نور شبانه فعالیت شهری چین را در طول دوره همه‌گیری COVID-19 در اوایل سال ۲۰۲۰ نشان می‌دهد . IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۲۱ , ۱۴ , ۵۱۱۱–۵۱۲۲٫ [ Google Scholar ] [ CrossRef ]
نگوین، HTT؛ نگوین، تی تی. سد، مالیات بر ارزش افزوده؛ نگوین، LH; Vu، GT؛ نگوین، اچ تی. Le, HT COVID-19 بحران اشتغال در ویتنام: مسئله جهانی، راه حل های ملی. جلو. بهداشت عمومی ۲۰۲۰ , ۸ , ۵۹۰۰۷۴٫ [ Google Scholar ] [ CrossRef ]
گلدشتجن، یو. شوارتزمن، دی. نهورایی، الف. سیاست عمومی و پویایی اقتصادی گسترش COVID-19: مطالعه مدلسازی ریاضی. PLoS ONE ۲۰۲۰ , ۱۵ , e0244174. [ Google Scholar ] [ CrossRef ]
پان، دبلیو. هوانگ، جی. شی، ی. هو، سی. دای، دبلیو. پان، دبلیو. Rongsheng، H. COVID-19: تأثیر کوتاه مدت بر اقتصاد چین با در نظر گرفتن سناریوهای مختلف. گلوب. چال. ۲۰۲۱ ، ۵ ، ۲۰۰۰۰۹۰٫ [ Google Scholar ] [ CrossRef ]
مصطفی، م.ک. جمال، جی. وافیق، ع. تأثیر کووید ۱۹ بر سطوح آلودگی هوا و سایر شاخص های زیست محیطی – مطالعه موردی مصر. جی. محیط زیست. مدیریت ۲۰۲۱ ، ۲۷۷ ، ۱۱۱۴۹۶٫ [ Google Scholar ] [ CrossRef ]
Wyche، KP; نیکولز، ام. پارفیت، اچ. بکت، پی. راهبان، PS تغییرات در کیفیت هوای محیط و ترکیب و واکنش اتمسفر در جنوب شرقی بریتانیا در نتیجه قرنطینه COVID-19. علمی کل محیط. ۲۰۲۱ ، ۷۵۵ ، ۱۴۲۵۲۶٫ [ Google Scholar ] [ CrossRef ]
وانگ، ی. پنگ، دی. یو، ال. ژانگ، ی. یین، جی. ژو، ال. ژنگ، اس. وانگ، اف. لی، سی. نظارت بر رشد محصول در طول دوره انتشار سریع کووید-۱۹ در چین توسط سنجش از دور. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۲۰ , ۱۳ , ۶۱۹۵–۶۲۰۵٫ [ Google Scholar ] [ CrossRef ]
اروخین، وی. گائو، تی. تأثیرات کووید-۱۹ بر تجارت و جنبه های اقتصادی امنیت غذایی: شواهدی از ۴۵ کشور در حال توسعه. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۲۰ ، ۱۷ ، ۵۷۷۵٫ [ Google Scholar ] [ CrossRef ]
حسین، م. تأثیر کووید-۱۹ بر فعالیت‌های اقتصاد اشتراکی. جی. پاک. تولید ۲۰۲۱ ، ۲۸۰ ، ۱۲۴۷۸۲٫ [ Google Scholar ] [ CrossRef ]
لوین، ن. تأثیر تغییرات فصلی بر روشنایی شبانه مشاهده شده از کامپوزیت های ماهانه VIIRS DNB از ۲۰۱۴ تا ۲۰۱۵٫ سنسور از راه دور محیط. ۲۰۱۷ ، ۱۹۳ ، ۱۵۰-۱۶۴٫ [ Google Scholar ] [ CrossRef ]
آهنگ، تی. لیو، دبلیو. لیو، ز. Wuzhati، Y. پارک‌های صنعتی خارج از کشور چین در جنوب شرقی آسیا: بررسی تحرک سیاست از دیدگاه تعبیه‌سازی. جی. جئوگر. علمی ۲۰۱۸ ، ۲۸ ، ۱۲۸۸-۱۳۰۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیو، ز. دانفورد، ام. لیو، دبلیو. جفت کردن استراتژی های اقتصادی ژئوپلیتیک ملی و ابتکار کمربند و جاده: پارک صنعتی سنگ بزرگ چین-بلاروس. Politi-Geogr. ۲۰۲۱ ، ۸۴ ، ۱۰۲۲۹۶٫ [ Google Scholar ] [ CrossRef ]
لی، اچ ام. وو، ام کیو؛ نیو، ز. لی، کیو. مجموعه اطلاعاتی پارک های صنعتی خارج از کشور چین از سال ۱۹۹۲ تا ۲۰۱۸٫ China Sci. داده ۲۰۱۹ ، ۴٫ [ Google Scholar ]
الویج، سی دی; باگ، ک. ژیژین، م. Hsu، FC; Ghosh، T. VIIRS چراغ های شبانه. بین المللی J. Remote Sens. ۲۰۱۷ , ۳۸ , ۵۸۶۰–۵۸۷۹٫ [ Google Scholar ] [ CrossRef ]
زو، ی. خو، دی. علی، ش. ما، ر. چنگ، جی. آیا می توان از داده های نور شبانه برای تخمین مصرف برق استفاده کرد؟ شواهد جدید از استنتاج علّی- معلولی. Energies ۲۰۱۹ , ۱۲ , ۳۱۵۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
شن، ایکس. کای، سی. لی، اچ. محدودیت‌های اجتماعی-اقتصادی سرعت کووید-۱۹ را بسیار مؤثرتر از شواهد هواشناسی مطلوب از ماهواره کند می‌کند. علمی کل محیط. ۲۰۲۰ , ۷۴۸ , ۱۴۱۴۰۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]

شکل ۱٫ نمودار جریان الگوریتم پیشنهادی.

شکل ۲٫ نقشه موقعیت پارک های صنعتی چین در آسیای جنوب شرقی.

شکل ۳٫ نمودار جریان از پیش پردازش داده های NTL.

شکل ۴٫ میانگین ماهانه و انحراف معیار (Stdev) مقادیر نور شبانه پارک صنعتی یونژونگ، استان بیجیانگ، ویتنام، از ژانویه ۲۰۱۹ تا دسامبر ۲۰۲۰٫

شکل ۵٫ تصویر سنجش از دور ۰٫۵ متری SCDZ که در ۱۲ آوریل ۲۰۱۹ و ۲۳ نوامبر ۲۰۲۰ به دست آمد.

شکل ۶٫ ( ۱ )–( ۱۲ ) منحنی‌های سری زمانی NTL در هر پارک CIPSA و منطقه بافر ۱۰ کیلومتری (خطوط) و موارد جدید COVID-19 (ستون‌ها) در سال‌های ۲۰۱۹ و ۲۰۲۰٫

( ۱ )–( ۱۲ ) منحنی‌های سری زمانی NTL در هر پارک CIPSA و منطقه بافر ۱۰ کیلومتری (خطوط) و موارد جدید COVID-19 (ستون‌ها) در سال‌های ۲۰۱۹ و ۲۰۲۰٫

شکل ۷٫ تغییر مقایسه پارک ها و مناطق حائل بین سال های ۲۰۱۸، ۲۰۱۹ و ۲۰۲۰ ( a , b ).

شکل ۸٫ مقادیر میانگین ماهانه نور شبانه منطقه ویژه اقتصادی بندر سیهانوک، کامبوج، از ژانویه ۲۰۱۸ تا دسامبر ۲۰۲۰٫

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام