ارزیابی توسعه اقتصادی بر اساس تراکم شبکه جاده ای نقشه خیابان باز: مطالعه موردی 85 شهر در چین

خلاصه

ارزیابی اقتصاد شهری یکی از نگرانی های کلیدی است که توسط محققان شناسایی شده است. در گذشته اکثر روش های تحقیق در مورد ارزیابی توسعه شهری بر اساس داده های آماری بوده و نتایج تحلیل ها در قالب جداول آماری ارائه شده است. علاوه بر این، توسعه شبکه‌های جاده‌ای شهری نشان‌دهنده وضعیت توسعه شهری و معیارهای فضایی است که از شبکه راه‌های شهری به دست می‌آید که می‌تواند برای ارزیابی رشد اقتصاد شهری مورد استفاده قرار گیرد. نقشه خیابان باز (OSM) از طریق جمع‌سپاری جمع‌آوری می‌شود و شبکه جاده OSM دارای ویژگی‌های یک رویکرد ساده و کارآمد برای جمع‌آوری داده‌ها، به‌روزرسانی داده‌ها، داده‌های رایگان در دسترس و غیره است. بنابراین در این مقاله از چگالی شبکه جاده OSM استفاده شده است. به عنوان یک متریک فضایی که به عنوان موضوع اصلی مطالعه در نظر گرفته می شود، ارزیابی توسعه اقتصادی شهرهای چین در آزمایش ما، نتایج نشان می‌دهد که همبستگی رگرسیونی معنی‌داری بین تراکم شبکه جاده OSM و تولید ناخالص داخلی شهرداری (GDP) وجود دارد. برای ۸۵ شهر منتخب چین، در مجموع ۷۱ شهر با باقیمانده بین ۰٫۱- تا ۰٫۱ ۸۳٫۵۳ درصد و در مجموع ۷۹ شهر با باقیمانده بین ۰٫۲- و ۰٫۲ ۹۲٫۹۴ درصد است. بنابراین، واضح است که تراکم شبکه جاده ای OSM می تواند به عنوان یک متریک فضایی برای ارزیابی تولید ناخالص داخلی شهرداری استفاده شود و در نتیجه می تواند توسط دولت های محلی و محققان برای برآورد، ارزیابی و پیش بینی توسعه اقتصادی شهری چین مورد استفاده قرار گیرد. . نتایج نشان می‌دهد که همبستگی رگرسیونی معنی‌داری بین تراکم شبکه جاده‌ای OSM و تولید ناخالص داخلی شهرداری (GDP) وجود دارد. برای ۸۵ شهر منتخب چین، در مجموع ۷۱ شهر با باقیمانده بین ۰٫۱- تا ۰٫۱ ۸۳٫۵۳ درصد و در مجموع ۷۹ شهر با باقیمانده بین ۰٫۲- و ۰٫۲ ۹۲٫۹۴ درصد است. بنابراین، واضح است که تراکم شبکه جاده ای OSM می تواند به عنوان یک متریک فضایی برای ارزیابی تولید ناخالص داخلی شهری مورد استفاده قرار گیرد و در نتیجه می تواند توسط دولت های محلی و محققان برای برآورد، ارزیابی و پیش بینی توسعه اقتصادی شهری چین استفاده شود. . نتایج نشان می‌دهد که همبستگی رگرسیونی معنی‌داری بین تراکم شبکه جاده‌ای OSM و تولید ناخالص داخلی شهرداری (GDP) وجود دارد. برای ۸۵ شهر منتخب چین، در مجموع ۷۱ شهر با باقیمانده بین ۰٫۱- تا ۰٫۱ ۸۳٫۵۳ درصد و در مجموع ۷۹ شهر با باقیمانده بین ۰٫۲- و ۰٫۲ ۹۲٫۹۴ درصد است. بنابراین، واضح است که تراکم شبکه جاده ای OSM می تواند به عنوان یک متریک فضایی برای ارزیابی تولید ناخالص داخلی شهری مورد استفاده قرار گیرد و در نتیجه می تواند توسط دولت های محلی و محققان برای برآورد، ارزیابی و پیش بینی توسعه اقتصادی شهری چین استفاده شود. .

کلید واژه ها:

OpenStreetMap (OSM) ; تراکم شبکه جاده ای ; اقتصاد شهری ; تحلیل رگرسیون ; متریک فضایی

۱٫ معرفی

در سال‌های اخیر، توسعه سریع سنجش از دور، اطلاعات جغرافیایی داوطلبانه (VGI) و سایر فن‌آوری‌ها، به‌کارگیری داده‌های مکانی آسان‌تر شده است. در نتیجه، تحقیقات بیشتر و بیشتری در مورد پوشش زمین، کاربری زمین و توسعه شهری با استفاده از معیارهای فضایی [ ۱ ، ۲ ، ۳ ، ۴ ، ۵ ، ۶ ، ۷ ، ۸ ] انجام می شود. چند رویکرد مختلف مورد استفاده برای نشان دادن مفاهیم فضایی منجر به توسعه معیارهای فضایی مختلف شده است [ ۱ ، ۲ ، ۳ ، ۴]. معیارهای رایج‌تری که توسط محققان استفاده می‌شود شامل اندازه وصله، غالب بودن، تعداد وصله‌ها و چگالی، طول و چگالی لبه، فاصله نزدیک‌ترین همسایه، بعد فراکتال، سرایت، و غیره است [ ۴ ]. هرولد و همکاران [ ۵ ] از متریک‌های فضایی و معیارهای بافت برای توصیف ویژگی‌های فضایی اشیاء پوشش‌دهنده زمین در هر منطقه کاربری زمین که از عکس‌های هوایی تفسیر شده مشتق شده‌اند استفاده کرد. این معیارهای فضایی شامل درصد منظر، چگالی وصله، میانگین اندازه وصله، انحراف استاندارد مساحت، تراکم لبه، بزرگترین شاخص وصله، میانگین فاصله نزدیکترین همسایه اقلیدسی، انحراف استاندارد فاصله نزدیکترین همسایه اقلیدسی، ابعاد فراکتال میانگین وزنی مساحت، انحراف استاندارد بعد فراکتال است. و غیره هرولد و همکاران. [ ۶] استدلال کرد که سنجش از دور و معیارهای فضایی منجر به درک و بازنمایی بهتر پویایی شهری می شود و در عین حال به توسعه مفاهیم جایگزین از ساختار و تغییر فضایی شهری کمک می کند. به منظور پوشش هرچه بیشتر معیارهای ممکن، ریس و همکاران. [ ۷ ] مجموعه ای گسترده، به روز و دقیق تر از معیارهای فضایی را برای اندازه گیری رشد شهری و الگوهای کوچک شدن شهری ارائه کرد. در مقاله آنها، معیارهای فضایی به عنوان معیارهای کمی مورد استفاده برای ارزیابی ویژگی های فضایی سکونتگاه های شهری تعریف شد. ریس و همکاران [ ۸] معیارهای فضایی را در سه گروه جمع آوری کرد: متریک های چشم انداز. معیارهای جغرافیایی-فضایی و آمار فضایی. آنها نشان دادند که معیارهای چشم انداز مانند ابعاد فراکتال، شکل، میانگین نسبت محیط به مساحت، شکل متوسط، و غیره، به طور سنتی برای تعیین کمیت چندین جنبه از پیکربندی و ترکیب منظر استفاده می شود. معیارهای جغرافیایی بیشتر برای اندازه گیری الگوهای فضایی شهری استفاده شده است. با این حال، معیارهایی وجود دارد که بین متریک های جغرافیایی و متریک های منظره مشابه هستند. علاوه بر این، یک تفاوت مهم بین معیارها از معیارهای چشم انداز این است که مورد دوم شامل مجموعه ای از معیارها است که در رویکرد “بالا به پایین” تکامل یافته است. آمار فضایی معیارهایی مبتنی بر ابزارهای آماری است و این معیارهای مکانی اغلب در ترکیب با مدل های رگرسیون و اقتصادسنجی فضایی استفاده می شوند. در این صفحه، هدف اصلی این تحقیق بحث در مورد اینکه آیا نقشه خیابان باز (OSM) تراکم شبکه جاده ای می تواند برای ارزیابی سطح توسعه اقتصادی شهری در شهرها مورد استفاده قرار گیرد یا خیر است. ابتدا با استفاده از یک مدل رگرسیونی برای ایجاد رابطه بین تراکم شبکه جاده ای OSM و تولید ناخالص داخلی شهرداری (GDP) از سال ۲۰۱۴ تا ۲۰۱۷٫ سپس از تراکم شبکه راه OSM و GDP شهری در سال ۲۰۱۸ برای تأیید مدل رگرسیونی استفاده شد. بحث در مورد اینکه آیا تراکم شبکه جاده OSM می تواند به عنوان یک متریک فضایی برای ارزیابی سطح توسعه اقتصادی شهری در شهرها استفاده شود یا خیر. از آنجایی که شبکه جاده OSM این مزیت را دارد که روش ساده‌تری برای جمع‌آوری داده‌ها باشد، به شیوه‌ای کارآمدتر، داده‌ها را به‌روزرسانی می‌کند و داده‌های در دسترس رایگان و غیره را ارائه می‌کند. اگر بتوانیم از تراکم شبکه جاده OSM برای ارزیابی سطح اقتصاد شهری استفاده کنیم. توسعه در شهرها، سپس این تحقیق می تواند به سیاست گذاران در چین کمک کند تا شهرهای خود را به سمت شهرهای شفاف تر و کارآمدتر نظارت و ارزیابی کنند. علاوه بر این، تراکم شبکه جاده ای OSM بر اساس آمار است و عمدتا از یک مدل رگرسیون استفاده می کند، بنابراین، تراکم شبکه جاده OSM را به عنوان یک متریک فضایی برای ارزیابی سطح توسعه شهری و شفافیت در شهرها در نظر می گیریم.

به طور کلی بین شهرنشینی و سطح توسعه اقتصادی همبستگی معناداری وجود دارد و به نظر می رسد هر کشور یا منطقه ای تا حدی با این قاعده مطابقت دارد [ ۸ ، ۹ ، ۱۰ ] و شهرنشینی یک پدیده تعیین کننده جهانی بوده است. یک نیروی محرکه کلیدی برای توسعه اجتماعی و اقتصادی در طول قرن گذشته [ ۱۱ ، ۱۲ ]. علیرغم اینکه چین بزرگترین کشور توسعه یافته جهان است، شهرنشینی آن با سرعت بی سابقه ای پیشرفت کرده است [ ۱۳ ]، زیرا شهرنشینی به دلیل افزایش صنایع و جمعیت در شهرها و اطراف آن تغییر کرده است و توسعه اقتصادهای مقیاس را تسهیل می کند [ ۱۴ ]. کای و همکاران [ ۱۵ ] ] نشان داد که بهبود زیرساخت های شهری باعث جذب سرمایه گذاری های شرکت ها، ایجاد مشاغل جدید و هجوم نیروی کار شد. بنابراین، نسبت جمعیت چین در شهرها از ۱۷٫۹ درصد در سال ۱۹۷۸ به ۵۸٫۵ درصد در سال ۲۰۱۷ افزایش یافت [ ۱۶ ]. حشمتی و همکاران [ ۱۷ ] یک شاخص ترکیبی چند بعدی از زیرساخت‌های شهری را با تجزیه و تحلیل ۳۱ استان و شش منطقه در چین طی سال‌های ۲۰۰۵ تا ۲۰۱۴ محاسبه کرد و نشان داد که اقتصاد، اشتغال، توسعه انسانی، خدمات شهری و مؤلفه‌های فناوری زیرساخت‌های شهری اثرات مثبت و معناداری دارند. در مورد شهرنشینی چین، و پیشنهاد کرد که دولت باید سرمایه گذاری ها را به سمت سیستم های حمل و نقل کارآمدتر هدایت کند که توسعه یک شهر را بهبود می بخشد.

همانطور که در ادبیات فوق توضیح داده شد، سیستم های حمل و نقل کارآمد تاثیر مثبتی بر شهرنشینی دارند و هر چه سطح شهرنشینی یک شهر بالاتر باشد، تراکم شبکه جاده ای آن بیشتر می شود، سطح اقتصادی شهر بالاتر می رود. به منظور بحث در مورد رابطه بین تراکم شبکه راه ها و توسعه اقتصادی شهری، بر اساس معیارهای جغرافیایی و آمار فضایی، محققان زیادی به بررسی رابطه بین متریک های فضایی و توسعه اقتصادی شهری پرداخته اند. یو و همکاران [ ۱۸ ] با بررسی نقش بزرگراه در تکامل تجمعات اقتصادی فضایی، آنها نشان دادند که بهبود شبکه بزرگراه منجر به درجه بالاتر تمرکز جغرافیایی فعالیت های اقتصادی می شود. جیائو و همکاران [ ۱۹] رابطه بین دسترسی به جاده و رشد اقتصادی در چین را از سال ۱۹۹۰ تا ۲۰۱۰ مورد مطالعه قرار داد. آنها در مجموع ۳۳۷ شهر در چین را مورد مطالعه قرار دادند و چارچوب تجزیه و تحلیل دو متغیره دسترسی، رشد اقتصادی و افزایش نرخ ها را بررسی کردند. تجزیه و تحلیل نشان داد که بین دسترسی و رشد اقتصادی یک شهر رابطه مثبت معناداری وجود دارد و نرخ های افزایش اقتصادی تا حد زیادی تحت تأثیر تغییر دسترسی است. Worku [ ۲۰ ] روندها، موجودی دستاوردها، و تأثیر شبکه جاده ها بر رشد اقتصادی اتیوپی، آفریقا را مورد مطالعه قرار داد. وی خاطرنشان کرد که تأثیر شبکه راه‌ها بر رشد تولید ناخالص داخلی کشاورزی کمتر بوده است، اما تأثیر آشکاری بر تولید ناخالص داخلی بخش صنعت و خدمات داشته است. ایوانووا و مازارووا [ ۲۱] با استفاده از روش سری و همبستگی برای تجزیه و تحلیل اثرات توسعه زیرساخت های جاده ای بر رشد اقتصادی و رقابت پذیری اقتصاد اسلواکی، نشان دادند که زیرساخت جاده پیش نیاز رشد اقتصادی است. بیزاتلار و همکاران [ ۲۲ ] رابطه علیت گرنجر بین درآمد و حمل و نقل کشورهای اتحادیه اروپا-۱۵ را بررسی کرد. آنها نشان دادند که یک رابطه درونزا بین درآمد و حمل و نقل وجود دارد. گائو و همکاران [ ۲۳ ] رابطه بین شاخص جامع حمل و نقل بار و تولید ناخالص داخلی در چین را مورد مطالعه قرار داد. آنها نشان دادند که حجم حمل و نقل کالا و گردش کالا در چین با تولید ناخالص داخلی همبستگی مثبت دارد. فن و چان کانگ [ ۲۴] تاثیر سرمایه گذاری راه بر رشد کلی اقتصادی، رشد روستایی و شهری و کاهش فقر روستایی و شهری را مورد مطالعه قرار داد. آنها نشان دادند که سرمایه گذاری های جاده ای بالاترین بازده اقتصادی را در مناطق شرقی و مرکزی چین به همراه داشت، در حالی که سهم کاهش فقر در غرب چین بیشترین میزان را داشت. از تحقیقات فوق می توان دریافت که شبکه راه ها می تواند با تولید ناخالص داخلی همبستگی داشته باشد و اکثر محققان از تحلیل رگرسیون برای بررسی رابطه بین معیارهای فضایی و توسعه اقتصادی شهری در شهرها استفاده کرده اند.

در دهه گذشته، OSM با محبوبیت و توسعه اینترنت به پیشرفت فوق العاده ای دست یافته است. OSM یک نقشه خیابانی تولید شده توسط کاربر است، بیشتر منابع داده توسط مردم یا داوطلبان ارائه شده است [ ۲۵ ] و تاکنون بیش از شش میلیون عضو ثبت شده در جهان و بیش از شش میلیارد گره در OSM وجود دارد. پایگاه داده [ ۲۶ ]. امروزه ، OSM برای استفاده در بسیاری از موارد ، مانند مدل‌سازی سه‌بعدی شهر ، به‌روزرسانی جاده ، و غیره در دسترس قرار گرفته است .]. به عنوان مثال، بر اساس داده های جغرافیایی رایگان ارائه شده توسط پروژه OSM و اطلاعات ارتفاع دامنه عمومی ارائه شده توسط ماموریت توپوگرافی رادار شاتل، Over et al. [ ۲۷ ] چشم انداز استفاده از یک مدل شهر سه بعدی تعاملی را در آلمان مطالعه کرد و اشاره کرد که نقطه مورد علاقه (POI) در داده های OSM فرصت های جدیدی را برای مدل سازی سه بعدی شهر فراهم می کند. فونته و همکاران [ ۲۸ و ۲۹ ] از داده‌های OSM و داده‌های تصویری GlobeLand30 برای پردازش استفاده کردند که در نتیجه نقشه پوشش کاربری زمین دقیق‌تر و دقیق‌تر بود و جزئیات بیشتری را می‌توان با این روش نسبت به هر روش دیگری نشان داد. مبشری و همکاران [ ۳۴] امکان استفاده از داده های OSM را به عنوان داده های ناوبری جغرافیایی در چندین شهر آلمان با استفاده از عواملی مانند تعداد ویژگی ها و یکپارچگی بررسی کرد و نتایج نشان داد که داده های پیاده رو در OSM را می توان برای مسیریابی استفاده کرد. ژانگ و همکاران [ ۳۷ ] رابطه بین تراکم جاده و تنوع نوع جاده را بر اساس داده‌های به‌دست‌آمده از شبکه جاده‌ای OSM چین در ماه مه ۲۰۱۴، با در نظر گرفتن ۳۴۰ شهر در سطح استان در چین به‌عنوان منطقه مورد مطالعه بررسی کرد، به این نتیجه رسید که تنوع جاده OSM منعکس‌کننده تقاضا است. و ارزش اطلاعات جغرافیایی مرتبط با جاده و همچنین منعکس کننده علایق کاربران نسبت به استفاده از اطلاعات جغرافیایی OSM است. گوتز [ ۳۸] از داده های نقاط مورد علاقه در OSM برای تمرکز بر نمایش جزئیات در مدل سازی سه بعدی شهر استفاده کرد. Wang و Zipf [ ۳۹ ] از یک الگوریتم برای استخراج اطلاعات ساختمان در داده‌های OSM برای مدل‌سازی استفاده کردند و جزئیات داخلی ساختمان را می‌توان با استفاده از روش پیشنهادی نمایش داد. در مطالعه ناوبری مسیر، برگمن و اوکسانن [ ۴۰ ] داده های OSM و داده های ردیابی ورزشی سیار را به عنوان اشیاء تحقیقاتی، مدل پنهان مارکوف (HMM) بر اساس یک روش تحقیق، اشاره کردند که داده های OSM در مسیر دوچرخه امکان سنجی دارند. جهت یابی. از نظر نقشه برداری جغرافیایی، روزینا و همکاران. [ ۴۱] اسلوونی و اتریش را به عنوان اشیاء تحقیقاتی در نظر گرفت و داده‌های OSM را به لایه نفوذناپذیری کوپرنیک اضافه کرد تا نقشه توزیع جمعیت را بهبود بخشد و روش‌های ترسیم دو کشور را ترسیم کند. نتایج تجربی نشان داد که خطای کل پس از افزودن داده‌های OSM برای پردازش کمکی کاهش می‌یابد و افزودن داده‌های OSM اثرات بهبود خاصی دارد. ژائو و همکاران [ ۴۲ ] تکامل شبکه جاده ای OSM در پکن را از چهار جنبه مورد مطالعه قرار داد. از طریق تجزیه و تحلیل تجربی، آنها معتقد بودند که توسعه شبکه جاده ای OSM در پکن به طور قابل توجهی با تعداد داوطلبان مرتبط است و رشد شبکه جاده ای OSM بسیار شبیه به روند توسعه شبکه جاده ای واقعی است. دینگیل و همکاران [ ۴۳] از OSM برای تخمین و تجزیه و تحلیل انرژی حمل و نقل مسافر به ازای هر نفر در سال ۵۷ شهر، توزیع شده در ۳۳ کشور استفاده کرد که نتایج نشان می دهد که سهم بالای حالت خودروی شخصی دلیل اصلی استفاده بالای انرژی حمل و نقل در چنین شهرهایی است.

از تحقیقات کاربردی فوق در مورد OSM، آشکار است که استفاده از داده های OSM برای انجام تحقیقات گسترده تر شده است. در این مقاله، هدف ما تمرکز بر توسعه ارزیابی توسعه اقتصادی برای ۸۵ شهر چین با استفاده از تراکم شبکه جاده‌ای متریک فضایی OSM است. هدف اصلی بررسی کاربرد OSM برای ارزیابی توسعه اقتصادی شهری شهرهای چین و در نظر گرفتن تراکم شبکه جاده ای OSM به عنوان یک معیار فضایی برای ارزیابی سطح توسعه اقتصادی شهری است که با تولید ناخالص داخلی شهرداری اندازه گیری می شود. در آزمایش خود، ما ۸۵ شهر را برای تأیید روش پیشنهادی انتخاب کردیم، نتایج نشان می‌دهد که همبستگی بین تراکم شبکه جاده OSM و تولید ناخالص داخلی شهری معنی‌دار است. در نتیجه،

این مقاله به شرح زیر سازماندهی شده است: منابع داده و روش های اساسی به ترتیب در بخش ۲ و بخش ۳ معرفی شده اند. نتایج تجربی و تجزیه و تحلیل در بخش ۴ گزارش شده است. نتیجه گیری در بخش ۵ ترسیم شده است.

۲٫ مناطق مطالعه و منبع داده

۲٫۱٫ مناطق مطالعه

از زمان اصلاحات و بازگشایی در سال ۱۹۷۸، سطح شهرنشینی چین به طور مداوم بهبود یافته است. به عنوان منطقه پیشگام توسعه اقتصادی چین، شهرهای ساحلی و شهرهای استانی دارای نرخ شهرنشینی بالاتری هستند که در سال ۲۰۱۷ از ۶۰ درصد فراتر رفته است [ ۴۳ ]. این به این دلیل است که شهرهای ساحلی و استانی شرقی دارای مزیت های نسبی در جذب منابع، نوآوری، حمل و نقل و غیره هستند که آنها را به رهبران توسعه کلی اقتصادی و اجتماعی چین تبدیل می کند [ ۴۳ ]. از آنجایی که شهرهای ساحلی شرقی و استانی پیشگامان توسعه اقتصادی و شهرنشینی چین هستند، سیاست باز کردن، نوآوری فنی جدید و تنظیم روش‌های ساختار ورودی، کارایی شهرنشینی چین را بهبود بخشیده است [ ۴۴ ، ۴۵ ].].

در این مقاله، ما در مجموع ۸۵ شهر در چین را انتخاب کردیم. در بین ۸۵ شهر، در مجموع ۶۲ شهر شرقی، ۱۲ شهر مرکزی و ۱۱ شهر غربی وجود داشت. علاوه بر این، از بین ۸۵ شهر، مطالعه در مجموع ۲۷ شهر استانی و ۴ شهرداری را شامل می شود.

۲٫۲٫ جمع آوری داده ها

سه نوع داده اصلی وجود دارد: شبکه جاده OSM، تولید ناخالص داخلی شهری، و منطقه شهری در هر شهر انتخاب شده. جزئیات بیشتر در مورد منابع داده و فرمت های داده به شرح زیر است.

۲٫۲٫۱٫ شبکه جاده ای OSM

در حال حاضر، OSM یکی از موفق ترین و محبوب ترین پروژه های VGI است و پیشرفت فوق العاده ای به دست آورده است. تا کنون، بیش از شش میلیون عضو ثبت شده در جهان، و بیش از شش میلیارد گره در پایگاه داده OSM [ ۲۶ ]، و تحقیقات زیادی در مورد OSM وجود دارد. از آنجایی که داده‌های OSM از طریق جمع‌سپاری جمع‌آوری می‌شوند، کیفیت OSM اغلب مورد بحث قرار گرفته است و معمولاً بر اساس کیفیت آن با داده‌های معتبر ارزیابی می‌شود. هاکلی [ ۴۶ ] اولین محققی بود که کیفیت داده های شبکه جاده ای OSM را برای انگلستان، انگلستان تجزیه و تحلیل و بررسی کرد. از آن زمان، بسیاری از محققان کیفیت داده های OSM را برای آلمان [ ۴۷ ، ۴۸ ]، فرانسه [ ۴۹ ] و چین [ ۵۰ ] تجزیه و تحلیل کرده اند.]. لو و همکاران [ ۵۰ ] سه شهر بزرگ، متوسط و کوچک در چین را انتخاب کرد و یکپارچگی طول شبکه جاده ای OSM را با شبکه جاده ای بایدو و شبکه جاده ای گوگل مقایسه کرد. آنها نشان دادند که یکپارچگی طول شبکه جاده ای OSM اساساً با شبکه جاده های Baidu و شبکه جاده های Google مطابقت دارد و یکپارچگی طول شبکه جاده ای OSM بهتر از شبکه جاده های Baidu و شبکه جاده های Google در برخی مناطق است. Hecht و همکاران [ ۵۱ ] کامل بودن داده های OSM در ساختمان ها را با مقایسه آنها با داده های بررسی رسمی اندازه گیری کرد. از تحقیقات آنها واضح است که داده های ساختمان OSM در مناطق شهری، به ویژه در نزدیکی مرکز شهر، به سطح بسیار بالاتری از کامل بودن دست می یابند. سینگ سهرا و همکاران [ ۵۲] یک بررسی جامع از ارزیابی داده های OSM را معرفی کرد. برخی از محققان نشان دادند که OSM دارای دقت مکان یابی، کامل بودن و غیره، ویژگی های کیفی داده در مناطق شهری است [ ۴۸ ، ۵۳ ]. زیرا، اکثر مناطق شهری با تراکم جمعیت بالاتر، تعداد بیشتری از مشارکت کنندگان را به ارث می برند، که بر کمیت و کیفیت اشیاء OSM جمع سپاری شده تأثیر می گذارد [ ۴۵ ، ۴۶ ، ۴۷ ، ۴۸ ، ۴۹ ، ۵۰ ، ۵۱ ، ۵۲ ، ۵۳ .]. بنابراین، در این مقاله از شبکه جاده شهری OSM برای محاسبه تراکم شبکه جاده‌ای برای ۸۵ شهر چین استفاده می‌کنیم.

شبکه جاده ای OSM از وب سایت OSM ( http://download.geofabrik.de/ ) که همان ESRI Shapefile است دانلود می شود. علاوه بر این، سیستم مختصات پیش بینی شده مورد استفاده، سیستم مختصات مرکاتور عرضی جهانی (UTM) است. در این مقاله داده‌ها از سال ۲۰۱۴ تا ۲۰۱۸ جمع‌آوری و دانلود شدند. شبکه راه‌های OSM دارای حدود ۲۰ کلاس راه مانند دوچرخه‌سواری، پیاده‌راه، بزرگراه، مسکونی، اولیه و فرعی و غیره است.

۲٫۲٫۲٫ تولید ناخالص داخلی شهرداری

طی ۴۰ سال گذشته، اصلاحات اقتصادی چین موفقیت آمیز بوده است و به یکی از مهم ترین موتورهای قدرت اقتصادی در سراسر جهان تبدیل شده و دومین اقتصاد بزرگ با اندازه گیری تولید ناخالص داخلی است. رشد سریع اقتصادی چین تا حد زیادی به استفاده فراوان از منابع طبیعی، سرمایه گذاری کم هزینه و نیروی کار با حمایت از نرخ پس انداز بالا بستگی دارد و سیاست های دولت نیز نقش مهمی در ارتقای ساخت و ساز زیرساخت ایفا کرده است [ ۵۴ ]]. در سال های اخیر، نرخ رشد اقتصادی چین از نرخ دو رقمی از ۵ درصد به ۷ درصد کاهش یافته است. اقتصاد چین وارد «اقتصاد عادی جدید» شده است. سه ویژگی اصلی «عادی جدید اقتصاد چین» وجود دارد: (الف) تغییر از نرخ رشد بالا به نرخ رشد متوسط به بالا. ب) روند مداوم بهینه سازی و ارتقاء ساختار اقتصادی و کاهش شکاف شهری و روستایی با درآمد شخصی بالاتر به عنوان سهمی از تولید ناخالص داخلی و افزایش تعداد افرادی که از توسعه اقتصادی منتفع می شوند. و (ج) گذار از رشد ناشی از ورودی و سرمایه گذاری به رشدی که توسط نوآوری هدایت می شود. این ویژگی‌ها و اقدامات می‌توانند رشد پایدار اقتصاد چین را ارتقا دهند، پتانسیل توسعه را افزایش دهند و نشاط بازار را آزاد کنند [ ۵۵ ]]. فرقی نمی کند اقتصاد چین در نرخ رشد دو رقمی باشد یا نرخ رشد متوسط به بالا «اقتصاد عادی جدید» فعلی، تولید ناخالص داخلی شاخصی است که برای توصیف سطح توسعه اقتصادی یک شهر و سیستم حمل و نقل کارآمد، جمعیت استفاده می شود. ، فناوری و غیره تأثیر مثبتی بر تولید ناخالص داخلی دارند. از بین ۸۵ شهر منتخب، در مجموع ۵ شهر درجه یک، ۳۱ شهر درجه دو و ۴۹ شهر درجه سه شناسایی شدند ( https://www.yicai.com/news/5293378.html ). به طور کلی، تولید ناخالص داخلی و نرخ شهرنشینی شهرهای درجه یک بیشتر از شهرهای درجه دو است و تولید ناخالص داخلی و نرخ شهرنشینی شهرهای درجه دو بالاتر از شهرهای درجه سه است.

در تحقیق ما، داده‌های تولید ناخالص داخلی شهرداری از اداره ملی آمار ( http://www.stats.gov.cn/ )، داده‌های تولید ناخالص داخلی از سال ۲۰۱۴ تا ۲۰۱۸ و واحد تولید ناخالص داخلی شهرداری به تریلیون یوان (CNY) جمع‌آوری شده است.

۲٫۲٫۳٫ کاوش در ناحیه شهری هر شهر منتخب

محدوده مطالعه در مجموع ۸۵ منطقه اصلی شهری را تجزیه و تحلیل کرد. در این مطالعه واحد مساحت کیلومتر مربع استفاده شد. به عنوان مثال شانگهای را در نظر بگیرید، محدوده منطقه شهری اصلی از اداره برنامه ریزی و منابع طبیعی شانگهای ( http://ghzyj.sh.gov.cn/ ) استخراج شده است. شکل ۱ مکان و تولید ناخالص داخلی شهرداری را در سال ۲۰۱۸ از ۸۵ شهر انتخاب شده نشان می دهد.

۳٫ روش شناسی

تحلیل رگرسیون یکی از رایج ترین روش های تحلیل آماری است که برای توصیف همبستگی بین متغیرهای مستقل و متغیرهای وابسته استفاده می شود [ ۵۶ ]. در مقاله ما، ما از یک مدل رگرسیون برای مطالعه همبستگی بین تراکم شبکه جاده ای OSM و تولید ناخالص داخلی شهری استفاده کردیم و از تراکم شبکه جاده OSM به عنوان یک متریک فضایی برای ارزیابی سطح توسعه اقتصادی شهری شهرها استفاده کردیم. در این قسمت جزئیات مدل رگرسیونی را توضیح نمی دهیم، بلکه تنها به معرفی روش محاسبه چگالی شبکه جاده ای OSM می پردازیم.

محاسبه تراکم شبکه جاده ای OSM یک شهر

تراکم شبکه راه ها یک شاخص مهم برای ارزیابی ترافیک جاده های منطقه ای است [ ۵۷ ، ۵۸ ، ۵۹ ]. چگالی شبکه جاده ای OSM شامل اطلاعات جغرافیایی است که یک شبکه جاده ای در دنیای واقعی را منعکس می کند، و شاخصی برای ارزیابی کیفیت داده های جغرافیایی OSM. در این مطالعه، ما تراکم شبکه جاده ای OSM 85 شهر چین را محاسبه کردیم [ ۶۰ ، ۶۱ ]:

Dمن=Lمن/آمن من∈[۱،۲،۳،…،۸۵]،

(۱)

جایی که یک منطقه اصلی شهری است من، تراکم شبکه جاده OSM در منطقه اصلی شهری مناست Dمنطول شبکه جاده OSM برای منطقه اصلی شهری مناست Lمن، و مساحت منطقه اصلی شهری مناست آمن.

شکل ۲ شبکه جاده ای OSM را در سه درجه مختلف بر اساس شهر نشان می دهد. چند خطوط آبی شبکه جاده ای OSM در سال ۲۰۱۸ هستند. چند خطوط قرمز، شبکه های جاده ای OSM در سال ۲۰۱۴ هستند. شکل ۱ شهرهای پکن، شانگهای و گوانگژو را به عنوان شهرهای درجه یک نشان می دهد. در مقایسه با شهرهای نانجینگ، ووهان و چنگدو با شهرهای درجه دو و شهرهای گوئیانگ، هایکو و لانژو با شهرهای درجه سه، این شهرها دارای سطوح مختلف توسعه اقتصادی و تراکم شبکه جاده ای OSM هستند.

۴٫ نتایج و تجزیه و تحلیل

۴٫۱٫ تجزیه و تحلیل تناسب

در این مقاله، از رابطه (۱) برای محاسبه تراکم شبکه جاده ای OSM از سال ۲۰۱۴ تا ۲۰۱۸ استفاده کردیم، سپس داده های تراکم شبکه جاده OSM از سال ۲۰۱۴ تا ۲۰۱۷ را به عنوان متغیر مستقل و تولید ناخالص داخلی شهرداری از سال ۲۰۱۴ تا ۲۰۱۷ را به عنوان متغیر وابسته به کار بردیم. متغیر. علاوه بر این، مدل‌های رگرسیون ۸۵ شهر چین با استفاده از مدل رگرسیون خطی تکی به‌دست آمدند و سپس از چگالی شبکه جاده‌ای OSM و داده‌های تولید ناخالص داخلی شهری در سال ۲۰۱۸ برای اعتبارسنجی مدل رگرسیون استفاده کردند.

تراکم شبکه جاده ای OSM، تولید ناخالص داخلی شهری، مدل های رگرسیون و ضریب تعیین (R ^۲ ) از ۸۵ شهر چین از سال ۲۰۱۴ تا ۲۰۱۷ در جدول A1 ( پیوست A ) نشان داده شده است، آمار R ^۲ در نشان داده شده است. شکل ۳ . در میان همه شهرها، حداکثر مقدار R ^۲ گوانگژو و R ^۲ آن ۰٫۹۹۹ است. حداقل مقدار R ^۲ Hohhot و R ^۲ آن ۰٫۰۰۰۵ است. توزیع ضریب تعیین در شکل ۴ نشان داده شده است .

در این مقاله همچنین از داده های تراکم و جمعیت شبکه جاده ای OSM از سال ۲۰۱۴ تا ۲۰۱۷ به عنوان متغیر مستقل، تولید ناخالص داخلی شهرداری از سال ۲۰۱۴ تا ۲۰۱۷ به عنوان متغیر وابسته استفاده کردیم، مدل های رگرسیونی ۸۵ شهر چین با استفاده از رگرسیون خطی باینری به دست آمد. مدل، و سپس از چگالی شبکه جاده ای OSM و داده های تولید ناخالص داخلی شهرداری در سال ۲۰۱۸ برای اعتبارسنجی همان مدل رگرسیون استفاده کرد.

آمار R2 در شکل ۵ و توزیع ضریب تعیین در شکل ۶ ^نشان داده شده است . در میان تمام شهرهای انتخاب شده، حداکثر مقدار R ^۲ تایژو است، R ^۲ آن ۰٫۹۹۹۹ است. حداقل مقدار R ^۲ Baotou است، R ^۲ آن ۰٫۳۳۵۳ است. در این مدل رگرسیونی، R ^۲ گوانگژو ۰٫۹۹۹۶ و R ^۲ هوهات ۰٫۴۸۴۲ است. توزیع ضریب تعیین در شکل ۶ نشان داده شده است . علاوه بر این، می بینیم که R ^۲ که با تراکم و جمعیت شبکه جاده OSM محاسبه می شود، بالاتر از R است.^۲ ، که توسط چگالی شبکه جاده ای OSM محاسبه می شود و با مرجع [ ۲۴ ، ۶۲ ] مطابقت دارد. فن و چان کانگ [ ۲۴ ]، ساواش [ ۶۲ ] نشان دادند که در شهرها همبستگی بالایی با سرمایه گذاری در جاده ها، جمعیت و رشد اقتصادی وجود دارد.

شکل ۳ در مجموع ۷۲ شهر را با همبستگی معنی دار با ضریب تعیین R ^۲ بالای ۰٫۷ نشان می دهد که ۸۴٫۷۱ درصد را شامل می شود. این ۷۲ شهر در طول چهار سال از ۲۰۱۴ تا ۲۰۱۷ توسعه اقتصادی سریعی را تجربه کردند و با افزایش تولید ناخالص داخلی شهرداری آنها سال به سال به طور پیوسته افزایش یافت. ۵ شهر با ضریب تعیین R ^۲ زیر ۰٫۵ به ترتیب شنیانگ، ارومچی، دالیان، بائوتو و هوهوت هستند و R ^۲ آنها به ترتیب ۰٫۴۹۹، ۰٫۴۸۳، ۰٫۳۴۲، ۰٫۳۰۳ و ۰٫۰۰۰۵ است. داده های آماری تولید ناخالص داخلی شهرداری و تراکم شبکه جاده ای OSM برای این پنج شهر در جدول ۱ و جدول ۲ نشان داده شده است.. مشاهده می شود که تولید ناخالص داخلی شهرداری برای این پنج شهر سال به سال افزایش نمی یابد، اما تراکم شبکه جاده ای OSM سال به سال افزایش می یابد.

Hohhot حداقل ضریب تعیین را نشان می دهد و ضریب تعیین ۰٫۰۰۰۵ است. ما دریافتیم که تولید ناخالص داخلی هوهوت از ۳۱۷٫۳۵۹ میلیارد یوان در سال ۲۰۱۶ به ۲۷۴٫۳۷۲ میلیارد یوان در سال ۲۰۱۷ کاهش یافت. با این حال، تراکم شبکه جاده ای OSM در منطقه اصلی شهری به تدریج از سال ۲۰۱۴ تا ۲۰۱۷ افزایش یافت. به طور خاص، در سال ۲۰۱۶، با افزایش ۰٫۲۰۴ نسبت به سال ۲۰۱۵ که بسیار بیشتر از سال های دیگر است. بائوتو و هوهوت که در منطقه خودمختار مغولستان داخلی چین قرار دارند، الگوهای مشابهی دارند. در سال ۲۰۱۷، تولید ناخالص داخلی بائوتو ۲۷۵٫۳۰۳ میلیارد CNY بود که کاهش ۱۱۱٫۴۶ میلیارد CNY از ۳۸۶٫۷۶۳ میلیارد CNY در سال ۲۰۱۶ را نشان می دهد. ۰٫۲۲ که بسیار بیشتر از تغییرات سال های دیگر است.

۴٫۲٫ اعتبار سنجی مدل

به منظور اعتبارسنجی مدل رگرسیون به‌دست‌آمده از تراکم شبکه جاده‌ای OSM در بخش فوق، از تولید ناخالص داخلی واقعی شهرداری ۸۵ شهر چین در سال ۲۰۱۸ برای اعتبارسنجی مدل رگرسیون استفاده کردیم. نتایج آماری باقیمانده مطلق و باقیمانده نسبی در هنگام استفاده از تراکم شبکه جاده ای OSM به ترتیب در جدول A2 ، شکل ۷ و شکل ۸ نشان داده شده است. توزیع نتایج مطلق باقیمانده و باقیمانده نسبی در هنگام استفاده از چگالی شبکه جاده ای OSM به ترتیب در شکل ۹ و شکل ۱۰ نشان داده شده است.

روش محاسبه باقیمانده مطلق ( آرآبسoلتوتیه) و باقیمانده نسبی ( آرrهلآتیمنvه) به شرح زیر است:

آرآبسoلتوتیه=پrهدمنجتیمنvهمن-آرهآلمن من∈[۱،۲،۳،…،۸۵]،

(۲)

آرrهلآتیمنvه=(پrهدمنجتیمنvهمن-آرهآلمن)آرهآلمن×۱۰۰ من∈[۱،۲،۳،…،۸۵]،

(۳)

جایی که یک منطقه اصلی شهری است من، تولید ناخالص داخلی پیش بینی کننده منطقه اصلی شهری مندر سال ۲۰۱۸ است پrهدمنجتیمنvهمن، تولید ناخالص داخلی واقعی منطقه اصلی شهری مندر سال ۲۰۱۸ است آرهآلمن.

در عین حال، مدل رگرسیون به‌دست‌آمده با استفاده از تراکم و جمعیت شبکه جاده‌ای OSM را اعتبارسنجی کردیم، همچنین از تولید ناخالص داخلی واقعی شهرداری ۸۵ شهر در سال ۲۰۱۸ برای اعتبارسنجی مدل رگرسیون استفاده کردیم و نتایج آماری باقی‌مانده‌های مطلق نشان داده شده است. شکل ۱۱ و شکل ۱۲ به ترتیب. توزیع نتایج باقیمانده به ترتیب در شکل ۱۳ و شکل ۱۴ نشان داده شده است.

ما تفاوت بین باقیمانده را که با استفاده از تراکم شبکه جاده ای OSM به دست می آید و جمعیت محاسبه کردیم. نتایج آماری تفاوت ها در شکل ۱۵ و توزیع تفاوت ها در شکل ۱۶ نشان داده شده است.. نتایج نشان می‌دهد ۶۹ شهر با تفاوت‌های باقی‌مانده بین -۰٫۱ و ۰٫۱، که ۸۱٫۱۸٪ را تشکیل می‌دهند. در مجموع ۷۶ شهر با اختلاف باقیمانده بین ۰٫۲- و ۰٫۲، که ۸۹٫۴۱٪ را شامل می شود. به طور کلی، نتایج پیش‌بینی با استفاده از تراکم شبکه جاده OSM دارای ویژگی‌های مشابهی در نتایج پیش‌بینی هنگام استفاده از تراکم و جمعیت شبکه جاده OSM هستند. این نشان می دهد که تراکم شبکه جاده ای OSM می تواند به عنوان یک متریک فضایی برای ارزیابی سطح توسعه اقتصادی شهری در شهرها استفاده شود.

با توجه به اینکه هدف اصلی این مقاله بررسی این است که آیا تراکم شبکه جاده ای OSM می تواند به عنوان یک متریک فضایی برای ارزیابی سطح توسعه اقتصادی شهری مورد استفاده قرار گیرد، بحث زیر بر روی پیش بینی نتایج به دست آمده با استفاده از تراکم شبکه راه OSM متمرکز خواهد بود.

همانطور که در شکل ۷ و جدول A2 نشان داده شده است، در کل ۵۰ شهر چینی وجود دارد که دارای پسماند مطلق منفی هستند و ۳۵ شهر با باقیمانده مطلق مثبت هستند. بزرگترین باقیمانده مطلق مثبت چونگ کینگ با مقدار باقیمانده مطلق ۰٫۴۴۴ است. کوچکترین باقیمانده مطلق منفی، شنژن است، با مقدار باقیمانده مطلق -۰٫۲۸۱۷٫ باقیمانده مطلق ۴۴ شهر بین ۰٫۱- و ۰٫۰ است که ۵۱٫۷۶ درصد را شامل می شود و باقیمانده مطلق ۲۷ شهر بین ۰٫۰ تا ۰٫۱ است که ۳۱٫۷۶ درصد را شامل می شود. باقیمانده مطلق ۷۱ شهر بین ۰٫۱- و ۰٫۱ است که ۸۵٫۵۳٪ را تشکیل می دهد. باقیمانده مطلق ۴ شهر بین ۰٫۲- تا ۰٫۱- است که ۴٫۷۱ درصد را شامل می شود. باقیمانده مطلق ۴ شهر بین ۰٫۱ تا ۰٫۲ است که ۴٫۷۱ درصد را شامل می شود. باقیمانده مطلق ۷۹ شهر بین ۰٫۲- و ۰٫۲ است که ۹۲٫۹۴٪ را تشکیل می دهد.

همانطور که در شکل ۸ و جدول A2 نشان داده شده است ، در مجموع ۵۰ شهر چینی وجود دارد که دارای باقیمانده نسبی منفی و ۳۵ شهر با باقیمانده نسبی مثبت هستند. کوچکترین باقیمانده نسبی منفی انشان با باقیمانده نسبی ۳۴٫۶۰۸۸- و بزرگترین باقیمانده نسبی مثبت Shijiazhuang با مقدار باقیمانده نسبی ۴۷٫۸۷۱۱ است. باقیمانده نسبی ۴۱ شهر بین ۱۰- تا ۰٫۰ است که ۴۸٫۲۴ درصد را شامل می شود و باقیمانده نسبی ۲۰ شهر بین ۰٫۰ تا ۱۰ است که ۲۳٫۵۳ درصد را شامل می شود. باقیمانده نسبی ۶۱ شهر بین ۱۰٫۰- تا ۱۰٫۰ است که ۷۱٫۷۶ درصد را شامل می شود. باقیمانده نسبی ۷۷ شهر بین ۲۰٫۰- تا ۲۰٫۰ است که ۹۰٫۵۹ درصد را شامل می شود.

نتایج نشان می‌دهد که مدل‌های رگرسیون به‌دست‌آمده از بخش فوق دارای دقت پیش‌بینی بالایی هستند و تراکم شبکه جاده‌ای OSM می‌تواند به عنوان یک متریک فضایی برای پیش‌بینی تولید ناخالص داخلی شهرداری استفاده شود. به منظور بحث مستقیم تفاوت بین تولید ناخالص داخلی پیش بینی شده در سال ۲۰۱۸ و تولید ناخالص داخلی در سال ۲۰۱۸، بحث زیر بر اساس باقیمانده های مطلق در شکل ۷ و جدول A2 است.

بزرگترین مقدار مثبت باقیمانده چونگ کینگ است، مقدار باقیمانده ۰٫۴۴۴ است. چونگ کینگ در جنوب غربی چین واقع شده است و تنها شهرداری در جنوب غربی چین است که مساحت کل آن ۸۲۴۰۰ کیلومتر مربع و مساحت اصلی شهری آن ۷۲۲۰ کیلومتر مربع است. تولید ناخالص داخلی شهری و تراکم شبکه جاده ای OSM از سال ۲۰۱۴ تا ۲۰۱۸ در جدول A1 و جدول A2 نشان داده شده است.. از سال ۲۰۱۴ تا ۲۰۱۷، تولید ناخالص داخلی شهرداری چونگ کینگ سال به سال افزایش یافته است، متوسط رشد سالانه تولید ناخالص داخلی شهرداری چونگ کینگ ۱۷۲٫۰۸۴ میلیارد یوان است. با این حال، رشد تولید ناخالص داخلی شهرداری در سال ۲۰۱۸ ۹۳٫۸۲۴ میلیارد یوان یوان است که بسیار کمتر از میانگین رشد سالانه تولید ناخالص داخلی شهرداری در ۳ سال گذشته است. رشد تراکم شبکه جاده OSM در سال ۲۰۱۸ ۰٫۳۸ است و میانگین رشد تراکم شبکه جاده OSM 0.13 است که با تغییر رشد تولید ناخالص داخلی شهرداری در سال ۲۰۱۸ متفاوت است، رشد تراکم شبکه جاده OSM در سال ۲۰۱۸ بسیار بیشتر از میانگین تراکم شبکه جاده OSM است. رشد در طول ۳ سال گذشته، و روندهای متناقض در رشد تولید ناخالص داخلی شهرداری و رشد شبکه جاده ای OSM منجر به پیش بینی بیش از حد باقیمانده شده است.

تیانجین دومین باقیمانده بزرگ را دارد، مقدار باقیمانده ۰٫۳۱۴۹ است. تیانجین یک شهرداری واقع در شمال چین است که مساحت کل آن ۱۱۹۰۰ کیلومتر مربع و مساحت اصلی شهری آن ۱۰۰۷ کیلومتر مربع است. از سال ۲۰۱۴ تا ۲۰۱۸، کل تولید ناخالص داخلی شهرداری تیانجین سال به سال افزایش یافت، اما رشد تولید ناخالص داخلی شهرداری بسیار متفاوت بود. رشد تولید ناخالص داخلی شهرداری در سال ۲۰۱۸ برابر با ۲۶۰٫۴۵ میلیارد یوان است که در مقایسه با میانگین رشد تولید ناخالص داخلی ۹۴٫۰۷۵ میلیارد CNY است. در نتیجه، رشد تولید ناخالص داخلی شهرداری در سال ۲۰۱۸ بسیار کمتر از میانگین رشد تولید ناخالص داخلی در سه سال گذشته است. با این حال، تراکم شبکه جاده ای OSM در تیانجین به سرعت در حال افزایش است، به طور خاص در سال ۲۰۱۸، رشد تراکم شبکه جاده OSM 0.89 است و میانگین رشد تراکم شبکه جاده OSM 0.26 است.

در مقابل، شنژن کوچکترین باقیمانده منفی را دارد، مقدار باقیمانده ۰٫۲۸۱۷- است. شنژن یک منطقه ویژه توسعه اقتصادی مهم در جنوب چین است، مساحت کل آن ۱۹۹۷ کیلومتر مربع و منطقه اصلی شهری ۹۲۷ کیلومتر مربع است. اقتصاد شنژن با رشد ثابتی از ۱٫۶۰۰۱۸۲ میلیارد یوان در سال ۲۰۱۴ به ۲٫۴۲۲۲ میلیارد یوان در سال ۲۰۱۸ توسعه یافته است. با این حال، طی سال های ۲۰۱۴ تا ۲۰۱۷، رشد سالانه تراکم جاده ها در شنژن روند نزولی را نشان داد، اما رشد سالانه در سال ۲۰۱۸ نشان داد. تفاوت بین تمایل تغییر تولید ناخالص داخلی شهری و تمایل تغییر چگالی شبکه جاده ای OSM باعث می شود که مقدار پیش بینی تولید ناخالص داخلی شهری کوچکتر از داده های واقعی باشد که منجر به باقیمانده شنژن می شود که کمترین باقیمانده منفی را داشته باشد.

به طور کلی، بین ۸۵ شهر، در مجموع ۸ شهر با باقیمانده مطلق بزرگتر از ۰٫۱، و ۶ شهر با باقیمانده مطلق کمتر از ۰٫۱- یافت شد، این ۱۴ شهر شامل پکن، شانگهای، شنژن، تیانجین، چونگ کینگ، هانگژو، دالیان، نینگبو، جینان، سوژو، شنیانگ، ووکسی، فوشان و شیجیاژوانگ. این ۱۴ شهر همگی ویژگی شهرهای توسعه یافته را دارند. در سال‌های اخیر، سرعت ساخت و ساز شهری این شهرهای توسعه‌یافته با داشتن جمعیت زیاد با سرعت زیادی افزایش یافته است که می‌تواند به رشد تولید ناخالص داخلی شهرداری کمک زیادی کند. از سال ۲۰۱۴ تا ۲۰۱۸، تغییرات تولید ناخالص داخلی شهرداری با تراکم شبکه جاده ای OSM سازگار نیست. به طور مشخص تر، رشد سالانه تولید ناخالص داخلی شهرداری برای ۱۴ شهر فوق در سال ۲۰۱۸ بسیار کمتر از سال ۲۰۱۷ است، اما در عین حال،

با این حال، هنگام در نظر گرفتن ۷۱ شهر دیگر، باقیمانده مطلق بین ۰٫۱- و ۰٫۱ یافت می شود. از سال ۲۰۱۴ تا ۲۰۱۸، رشد تولید ناخالص داخلی شهرداری این شهرها به شدت تغییر نکرده است، روند تغییر تولید ناخالص داخلی شهری و تراکم شبکه جاده ای OSM شباهت هایی دارد که منجر به باقیمانده مطلق کوچکتر می شود. در بین این ۷۱ شهر، اکثر شهرها شهرهای درجه دو و سه هستند، این شهرها جمعیت کمتری دارند. بنابراین، تا حدودی، تجزیه و تحلیل باقیمانده مطلق در مقاله نیز تأیید می‌کند که استراتژی توسعه اقتصادی فعلی چین با مرحله اقتصادی پرسرعت تا مرحله اقتصادی با سرعت متوسط، تأثیر نسبتاً پیش‌بینی‌شده‌ای در شهرهای توسعه‌یافته دارد. در مقایسه با شهرهای درجه دوم و سوم، که تأثیر قابل توجهی در آنها وجود ندارد.

۵٫ نتیجه گیری ها

این مطالعه بر استفاده از چگالی شبکه جاده ای OSM شهری به عنوان یک متریک فضایی برای ارزیابی توسعه اقتصادی شهری ۸۵ شهر چین متمرکز شده است. نتایج زیر در این مقاله مشخص شده است:

(۱) تراکم شبکه جاده ای OSM می تواند به عنوان یک متریک فضایی برای تخمین و پیش بینی سطح توسعه اقتصادی شهری شهرها که معمولاً با تولید ناخالص داخلی شهرداری اندازه گیری می شود، استفاده شود.

(۲) تحلیل سطح توسعه اقتصادی شهری شهرها با استفاده از تراکم شبکه جاده ای OSM امکان پذیر است. بین تراکم شبکه جاده ای OSM و تولید ناخالص داخلی شهری همبستگی معناداری وجود دارد. نتایج در مجموع ۷۱ شهر چین با باقیمانده مطلق بین -۰٫۱ و ۰٫۱، حسابداری برای ۸۳٫۵۳٪ نشان داد. و ۷۹ شهر با باقیمانده مطلق بین ۰٫۲- و ۰٫۲، حسابداری برای ۹۲٫۹۴٪. ۶۱ شهر با باقیمانده نسبی بین ۱۰- تا ۱۰ شهر وجود دارد که ۷۱٫۷۶٪ را تشکیل می دهند. و ۷۷ شهر با باقیمانده نسبی بین ۲۰- تا ۲۰ شهر وجود دارد که ۹۰٫۵۹٪ را تشکیل می دهند.

(۳) در آزمایش ما، R2 ^با تراکم شبکه جاده OSM محاسبه می شود و جمعیت بالاتر از R2 ^است.که با چگالی شبکه راه OSM محاسبه می شود، اما برای باقیمانده ها، باقیمانده های مطلق و نسبی با استفاده از چگالی شبکه راه OSM با استفاده از تراکم و جمعیت شبکه راه OSM دارای ویژگی های مشابه باقیمانده مطلق و نسبی هستند. در میان ۸۵ شهر، ۷۳ شهر با باقیمانده مطلق بین ۰٫۱- و ۰٫۱ وجود دارد که ۸۵٫۸۸٪ را شامل می شود. و ۷۸ شهر با باقیمانده مطلق بین ۰٫۲- و ۰٫۲، که ۹۱٫۷۶ درصد را شامل می شود. در مجموع ۶۴ شهر با باقیمانده نسبی بین ۱۰- تا ۱۰ وجود دارد که ۷۵٫۲۹ درصد را شامل می شود. و ۷۷ شهر با باقیمانده نسبی بین ۲۰- تا ۲۰ شهر وجود دارد که ۹۰٫۵۹٪ را تشکیل می دهند.

(۴) استراتژی توسعه اقتصاد چین از توسعه با سرعت بالا به توسعه با سرعت متوسط- بالا در حال تغییر است، این یافته ها در شهرهای توسعه یافته اقتصادی در مقایسه با شهرهای معمولی آشکارتر است. علاوه بر این، شهرهای توسعه یافته اقتصادی توجه بیشتری به تأثیر فناوری پیشرفته دارند.

تحقیق در این مقاله عیوب یافت شده در روش را هنگام استفاده از چگالی شبکه جاده ای OSM برای ارزیابی و پیش بینی سطح توسعه اقتصادی شهری در شهرهای چین شناسایی کرده است. بدیهی است که چگالی شبکه جاده ای OSM می تواند به عنوان یک متریک فضایی برای تحلیل پیش بینی و سیاست گذاری برای به دست آوردن شفافیت استفاده شود. در آینده، از متریک فضایی پیشنهادی برای انجام برخی تحقیقات مرتبط استفاده خواهیم کرد.

پیوست اول

جدول A1. نتایج آماری تولید ناخالص داخلی شهرداری، ضریب تعیین R2 ^و معادله رگرسیون ۸۵ شهر چین از سال ۲۰۱۴ تا ۲۰۱۷٫

جدول A2. نتایج آماری برای تولید ناخالص داخلی پیش بینی ۸۵ شهر چین در سال ۲۰۱۸٫

منابع

گوستافسون، EJ کمی سازی الگوی فضایی منظر: وضعیت هنر چگونه است؟ اکوسیستم ها ۱۹۹۸ ، ۱ ، ۱۴۳-۱۵۶٫ [ Google Scholar ] [ CrossRef ]
هارگیس، سی دی; بیسونت، JA; دیوید، JL رفتار معیارهای چشم انداز که معمولاً در مطالعه تکه تکه شدن زیستگاه استفاده می شود. Landsc. Ecol. ۱۹۹۸ ، ۱۳ ، ۱۶۷-۱۸۶٫ [ Google Scholar ] [ CrossRef ]
اونیل، RV; کرومل، جی آر. گاردنر، RH; سوگیهارا، جی. جکسون، بی. DeAngelis، DL; Milne، BT; ترنر، ام جی; زیگمونت، بی. کریستنسن، SW; و همکاران شاخص های الگوی چشم انداز. Landsc. Ecol. ۱۹۸۸ ، ۱ ، ۱۵۳-۱۶۲٫ [ Google Scholar ] [ CrossRef ]
مک گریگال، ک. کوشمن، SA; نیل، ام سی; Ene, E. FRAGSTATS: برنامه تحلیل الگوی فضایی برای نقشه های طبقه بندی شده. ۲۰۰۲٫ در دسترس آنلاین: www.umass.edu/landeco/research/fragstats/fragstats.html (در ۱۵ مه ۲۰۲۰ قابل دسترسی است).
هرولد، ام. لیو، XH; Clarke، KC Spatial Metrics and Image Texture برای نقشه برداری کاربری زمین شهری. فتوگرام مهندس Remote Sens. ۲۰۰۳ , ۶۹ , ۹۹۱-۱۰۰۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هرولد، ام. کوکللیس، اچ. Clarke، KC نقش معیارهای فضایی در تحلیل و مدل‌سازی تغییر کاربری اراضی شهری. محاسبه کنید. محیط زیست سیستم شهری ۲۰۰۵ ، ۲۹ ، ۳۶۹-۳۹۹٫ [ Google Scholar ] [ CrossRef ]
ریس، جی پی. سیلوا، EA؛ پینبو، پی. فضای اندازه گیری: مروری بر معیارهای فضایی برای رشد و انقباض شهری. در کتاب روشهای تحقیق برنامه ریزی راتلج ; Silva, EA, Healey, P., Harris, N., Van den Broeck, P., Eds. Routledge: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۱۴; صص ۲۷۹-۲۹۲٫ [ Google Scholar ]
ریس، جی پی. سیلوا، EA؛ پینبو، ص. معیارهای فضایی برای مطالعه الگوهای شهری در شهرهای در حال رشد و کوچک شدن. جئوگر شهری. ۲۰۱۶ ، ۳۷ ، ۲۴۶-۲۷۱٫ [ Google Scholar ] [ CrossRef ]
چن، ام. هوانگ، ی. تانگ، ز. لو، دی. لیو، اچ. Ma, L. الگوی استانی رابطه بین شهرنشینی و توسعه اقتصادی در چین. جی. جئوگر. علمی ۲۰۱۴ ، ۲۴ ، ۳۳-۴۵٫ [ Google Scholar ] [ CrossRef ]
هندرسون، وی. فرآیند شهرنشینی و رشد اقتصادی: سؤال پس چه. جی. اکون. رشد ۲۰۰۳ ، ۸ ، ۴۷-۷۱٫ [ Google Scholar ] [ CrossRef ]
Njoh، AJ شهرسازی و توسعه در جنوب صحرای آفریقا. شهرها ۲۰۰۳ ، ۲۰ ، ۱۶۷-۱۷۴٫ [ Google Scholar ] [ CrossRef ]
لیو، YS; نیش، اف. Li، YH مسائل کلیدی استفاده از زمین در چین و پیامدهای آن برای سیاست گذاری. سیاست کاربری زمین ۲۰۱۴ ، ۴۰ ، ۶-۱۲٫ [ Google Scholar ] [ CrossRef ]
شیانگ، WN; Stuber، RMB; دیدار منگ، XC با چالش‌گران مهم و تلاش برای پایداری شهری در چین. Landsc. طرح شهری. ۲۰۱۱ ، ۱۰۰ ، ۴۱۸-۴۲۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
لی، YZ شهرنشینی و رشد اقتصادی در چین: یک تحقیق تجربی بر اساس مدل VAR. بین المللی جی. اکون. مالی ۲۰۱۷ ، ۹ ، ۲۱۰-۲۱۹٫ [ Google Scholar ]
Cai، ZY; لیو، کیو. Cao, SX املاک و مستغلات از توسعه سریع شهرنشینی چین پشتیبانی می کند. خط مشی استفاده از زمین ۲۰۲۰ , ۹۵ , ۱۰۴۵۸۲٫ [ Google Scholar ] [ CrossRef ]
اداره ملی آمار (NBS). سالنامه آماری چین ; مطبوعات آمار چین: پکن، چین، ۲۰۱۸٫
حشمتی، ع. رشیدقلم، م. اندازه گیری و تحلیل زیرساخت های شهری و اثرات آن بر شهرنشینی در چین. J. زیرساخت. سیستم ۲۰۲۰ , ۲۶ , ۰۴۰۱۹۰۳۰٫ [ Google Scholar ] [ CrossRef ]
یو، NN; د رو، جی. دی یونگ، ام. Storm, S. آیا گسترش شبکه بزرگراه منجر به تجمع اقتصادی شواهد از چین می شود. ترانسپ سیاست ۲۰۱۶ ، ۴۵ ، ۲۱۸-۲۲۷٫ [ Google Scholar ] [ CrossRef ]
جیائو، جی. وانگ، جی. جین، اف. Du, C. درک رابطه بین دسترسی و رشد اقتصادی: مطالعه موردی از چین (۱۹۹۰-۲۰۱۰). چانه. Geogr. علمی ۲۰۱۶ ، ۲۶ ، ۸۰۳-۸۱۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Worku، I. توسعه بخش جاده و رشد اقتصادی در اتیوپی. اتیوپ جی. اکون. ۲۰۱۰ ، ۱۹ ، ۱۰۱-۱۴۶٫ [ Google Scholar ]
ایوانووا، ای. Masarova, J. اهمیت زیرساخت جاده در توسعه اقتصادی و رقابت. رقابت کنید. اقتصاد جهانی ملل ۲۰۱۳ ، ۱۸ ، ۲۶۳-۲۷۴٫ [ Google Scholar ] [ CrossRef ]
بیزاتلار، م. کاراکال، م. یتکینر، اچ. گرنجر علیت بین حمل و نقل و تولید ناخالص داخلی: یک رویکرد داده تابلویی. ترانسپ Res. بخش A سیاست سیاست. ۲۰۱۴ ، ۶۳ ، ۴۳-۵۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گائو، ی. ژانگ، YP; لی، اچ جی; پنگ، تی. هائو، مطالعه SQ در مورد رابطه بین شاخص جامع حمل و نقل بار و تولید ناخالص داخلی در چین. Procedia Eng. ۲۰۱۶ ، ۱۳۷ ، ۵۷۱-۵۸۰٫ [ Google Scholar ] [ CrossRef ]
فن، SG; Chan-Kang، C. توسعه جاده های منطقه ای، فقر روستایی و شهری: شواهدی از چین. ترانسپ سیاست ۲۰۰۸ ، ۱۵ ، ۳۰۵-۳۱۴٫ [ Google Scholar ] [ CrossRef ]
هاکلی، م. Weber, P. OpenStreetMap: نقشه های خیابانی توسط کاربر. محاسبات فراگیر IEEE ۲۰۰۸ ، ۷ ، ۱۲-۱۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
نقشه خیابان باز Stats-OpenStreetMap Wiki [آنلاین]. در دسترس آنلاین: https://wiki.openstreetmap/wiki/.orgStats (در ۲۰ ژوئن ۲۰۲۰ قابل دسترسی است).
بیش از، م. شیلینگ، آ. نوبائر، اس. Zipf، A. تولید مدل های شهر سه بعدی مبتنی بر وب از OpenStreetMap: وضعیت فعلی در آلمان. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۰ ، ۳۴ ، ۴۹۶-۵۰۷٫ [ Google Scholar ] [ CrossRef ]
Fonte, CC; مارتینهو، ن. ارزیابی کاربرد داده‌های OpenStreetMap برای کمک به اعتبارسنجی نقشه‌های کاربری/پوشش زمین. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۷ ، ۳۱ ، ۲۳۸۲-۲۴۴۰٫ [ Google Scholar ] [ CrossRef ]
فونته، سی. مینگینی، ام. پاتریارکا، جی. آنتونیو، وی. ببینید، L. Skopeliti، A. ایجاد نقشه های کاربری زمین و پوشش زمین به روز و دقیق با استفاده از OpenStreetMap و GlobeLand30. ISPRS Int. J. Geo-Inf. ۲۰۱۷ ، ۶ ، ۱۲۵٫ [ Google Scholar ] [ CrossRef ]
Bittner, C. تنوع در اطلاعات جغرافیایی داوطلبانه: مقایسه OpenStreetMap و Wikimapia در اورشلیم. ژئوژورنال ۲۰۱۶ ، ۸۲ ، ۸۸۷–۹۰۶٫ [ Google Scholar ] [ CrossRef ]
مبشری، ع. رویکرد استدلال فضایی مبتنی بر قانون برای غنی‌سازی کیفیت داده‌های نقشه خیابان باز. مطالعه موردی مسیریابی و ناوبری. Sensors ۲۰۱۷ , ۱۷ , ۲۴۹۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ژو، Q. بررسی رابطه بین تراکم و کامل بودن داده های ساختمان شهری در OpenStreetMap برای تخمین کیفیت. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۸ ، ۳۲ ، ۲۵۷-۲۸۱٫ [ Google Scholar ] [ CrossRef ]
گوتز، ام. Zipf، A. به سمت تعریف چارچوبی برای استخراج خودکار مدل‌های ۳D CityGML از اطلاعات جغرافیایی داوطلبانه. بین المللی J. 3-D Inf. مدل. ۲۰۱۲ ، ۱ ، ۱-۱۶٫ [ Google Scholar ] [ CrossRef ]
Hennig، S. OpenStreetMap در مدیریت مناطق حفاظت شده استفاده می شود. نمونه ای از زیرساخت های تفریحی در پارک ملی Berchtesgaden. J. Prot. Mt. Areas Res. مدیریت ۲۰۱۷ ، ۱ ، ۳۰-۴۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مبشری، ع. سان، ی. لوس، ال. علی، الف. آیا مجموعه داده های Crowdsourced برای خدمات مسیریابی تخصصی مناسب هستند؟ مطالعه موردی OpenStreetMap برای مسیریابی افراد با تحرک محدود. پایداری ۲۰۱۷ ، ۹ ، ۹۹۷٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
جوهاز، ال. Hochmair، HH نقشه‌برداران داوطلب چگونه از تصاویر سطح خیابان Mapillary جمع‌سپاری شده برای غنی‌سازی OpenStreetMap استفاده می‌کنند؟ در مجموعه مقالات بیستمین کنفرانس AGILE در علم اطلاعات جغرافیایی، واگنینگن، هلند، ۱۱ مه ۲۰۱۷؛ ص ۱۸-۲۱٫ [ Google Scholar ]
ژانگ، YJ; لی، XM؛ وانگ، AM; بائو، TL; Tian، SZ تراکم و تنوع شبکه‌های جاده‌ای OpenStreetMap در چین. J. Urban Manag. ۲۰۱۵ ، ۴ ، ۱۳۵-۱۴۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Goetz, M. به سمت تولید مدل‌های بسیار دقیق ۳D CityGML از OpenStreetMap. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۳ ، ۲۷ ، ۸۴۵-۸۶۵٫ [ Google Scholar ] [ CrossRef ]
وانگ، زی؛ Zipf، A. استفاده از داده های نقشه خیابان باز برای تولید مدل های ساختمان با ساختارهای داخلی آنها برای نقشه های سه بعدی. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۷ . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
برگمن، سی. Oksanen, J. Conflation of OpenStreetMap و داده های ردیابی ورزشی موبایل برای مسیریابی خودکار دوچرخه. ترانس. GIS ۲۰۱۶ ، ۲۰ ، ۸۴۸-۸۶۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
روزینا، ک. Hurbã¡Nek، P. Cebecauer, M. استفاده از OpenStreetMap برای بهبود شبکه های جمعیتی در اروپا. صبح. کارتوگر. ۲۰۱۶ ، ۴۴ ، ۱۳۹-۱۵۱٫ [ Google Scholar ] [ CrossRef ]
ژائو، پی ایکس؛ جیا، تی. Qin، K. شان، جی. Jiao، CJ تجزیه و تحلیل آماری در مورد تکامل شبکه‌های جاده‌ای OpenStreetMap در پکن. Physica A ۲۰۱۵ ، ۴۲۰ ، ۵۹-۷۲٫ [ Google Scholar ] [ CrossRef ]
دینگیل، AE; شوایزر، جی. روپی، اف. Stasiskiene، Z. مدل های به روز شده مصرف انرژی مرتبط با حمل و نقل مسافر در مناطق شهری. پایداری ۲۰۱۹ ، ۱۱ ، ۴۰۶۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
شانگ، YS؛ لیو، اس جی. لیو، سی. یین، ص. ویژگی‌های مکانی-زمانی کارایی شهرنشینی در شهرهای ساحلی چین. در مجموعه مقالات هفتمین کنفرانس بین المللی سالانه دانش و هوش جغرافیایی-فضایی، گوانگژو، چین، ۲۰ تا ۲۱ دسامبر ۲۰۱۹٫ [ Google Scholar ] [ CrossRef ]
زو، YF; دنگ، م. لی، وای جی; Rong، Y. ویژگی های تکامل و پیامدهای سیاست شهرنشینی جدید در شهرهای مرکز استان در غرب چین. PLoS ONE ۲۰۲۰ , ۱۵ , e0233555. [ Google Scholar ] [ CrossRef ]
Haklay, M. اطلاعات جغرافیایی داوطلبانه چقدر خوب است؟ مطالعه تطبیقی مجموعه داده‌های OpenStreetMap و Ordnance Survey. محیط زیست طرح. B طرح. دس ۲۰۱۰ ، ۳۷ ، ۶۸۲-۷۰۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
زیلسترا، دی. Zipf، A. مطالعه مقایسه ای داده های جغرافیایی اختصاصی و اطلاعات جغرافیایی داوطلبانه برای آلمان. در مجموعه مقالات سیزدهمین کنفرانس بین المللی AGILE در علم اطلاعات جغرافیایی، گیماراس، پرتغال، ۱۰-۱۴ مه ۲۰۱۰٫ [ Google Scholar ]
نیس، پ. زیلسترا، دی. Zipf، A. تکامل شبکه خیابانی نقشه‌های crowdsourced: OpenStreetMap در آلمان ۲۰۰۷-۲۰۱۱٫ اینترنت آینده ۲۰۱۲ ، ۴ ، ۱-۲۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Girres, J.-F. Touya, G. ارزیابی کیفیت مجموعه داده OpenStreetMap فرانسه. ترانس. GIS ۲۰۱۰ ، ۱۴ ، ۴۳۵-۴۵۹٫ [ Google Scholar ] [ CrossRef ]
لو، ال سی؛ لیو، بی. لیو، XC ارزیابی کیفیت داده و تجزیه و تحلیل برنامه برای شبکه جاده ای OpenStreetMap. علم جیانگشی ۲۰۱۷ ، ۳۵ ، ۱۵۱-۱۵۷٫ [ Google Scholar ]
هچت، ر. کونز، سی. Hahmann, S. اندازه گیری کامل بودن ردپای ساختمان در OpenStreetMap در مکان و زمان. ISPRS Int. J. Geo-Inf. ۲۰۱۳ ، ۲ ، ۱۰۶۶-۱۰۹۱٫ [ Google Scholar ] [ CrossRef ]
سینگ سهرا، ا. سینگ، جی. سینگ رای، اچ. ارزیابی داده‌های نقشه خیابان باز – مروری. بین المللی جی. کامپیوتر. Appl. ۲۰۱۳ ، ۷۶ ، ۱۷-۲۰٫ [ Google Scholar ]
لودویگ، آی. ووس، ا. Krause-Traudes، M. مقایسه شبکه های خیابانی Navteq و OSM در آلمان. در پیشرفت علم اطلاعات جغرافیایی برای جهانی در حال تغییر . Geertman, S., Reinhardt, W., Toppen, F., Eds. Springer: برلین، آلمان، ۲۰۱۱; صص ۶۵-۸۴٫ [ Google Scholar ]
ژانگ، جی. چن، جی. مقدمه ای بر اقتصاد عادی جدید چین. جی. چین. اقتصاد اتوبوس. گل میخ. ۲۰۱۷ ، ۱۵ ، ۱-۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لی، سی. ژانگ، XJ Renminbi بین المللی سازی در نرمال جدید: پیشرفت، عوامل تعیین کننده و بحث های سیاست. اقتصاد جهانی چین ۲۰۱۷ ، ۲۵ ، ۲۲-۴۴٫ [ Google Scholar ] [ CrossRef ]
مونتگومری، دی سی؛ پک، EA مقدمه ای بر تحلیل رگرسیون خطی . Wiley: Hoboken، NJ، ایالات متحده، ۱۹۸۲٫ [ Google Scholar ]
هاوبکر، تی جی؛ Radeloff، VC; چکش، RB; Clayton، MK تراکم جاده و الگوی منظر زمین در رابطه با تراکم مسکن، و مالکیت، پوشش زمین، و خاک. Landsc. Ecol. ۲۰۰۵ ، ۲۰ ، ۶۰۹-۶۲۵٫ [ Google Scholar ] [ CrossRef ]
شن، جی. وو، آر. جاده و ترابری شهری ; انتشارات دانشگاه ووهان: ووهان، چین، ۲۰۰۶٫ (به زبان چینی) [ Google Scholar ]
ژانگ، کیو. وانگ، جی. پنگ، ایکس. گونگ، پی. Shi، P. تشخیص تغییر زمین ساخته شده شهری با چگالی جاده و اطلاعات طیفی از داده‌های چند زمانی Landsat TM. بین المللی J. Remote Sens. ۲۰۰۲ , ۲۳ , ۳۰۵۷-۳۰۷۸٫ [ Google Scholar ] [ CrossRef ]
فنگ، ز. لیو، دی. یانگ، ی. ارزیابی توانایی حمل و نقل چین: از سطح شهرستان به استان. Geogr. Res. ۲۰۰۹ ، ۲۸ ، ۴۱۹-۴۲۹٫ [ Google Scholar ]
جین، اف جی. وانگ، سی جی. روش تبعیض Li، XW و تحلیل کاربرد آن در برتری حمل و نقل منطقه ای. Acta Geogr. گناه ۲۰۰۸ ، ۶۳ ، ۷۸۷-۷۹۸٫ [ Google Scholar ]
ساواش، ب. رابطه بین جمعیت و رشد اقتصادی: شواهد تجربی از اقتصادهای آسیای مرکزی. Orta Asya Kafkasya Araştırmaları ۲۰۰۸ ، ۶ ، ۱۳۵–۱۵۳٫ [ Google Scholar ]