آیا ویژگی های شبکه خیابان های شهری می تواند نشان دهنده سطح توسعه اقتصادی باشد؟ شواهدی از شهرهای چین

خلاصه

شبکه خیابانی اسکلت ساختار شهر در نظر گرفته می شود. کارایی و بهره وری شهر را از این جهت تعیین می کند که مانند رگ های خونی عمل می کند که افراد، کالاها و اطلاعات را حمل می کند. رابطه بین شبکه‌های خیابانی و توسعه اقتصادی یک موضوع تحقیقاتی مهم در جغرافیای شهری است. در سال‌های اخیر، نظریه شبکه پیچیده با موفقیت برای درک ویژگی‌های ساختار شبکه خیابانی مورد استفاده قرار گرفته است. با این حال، محققان فاقد چارچوب و روش های تحلیلی برای مطالعه رابطه بین ساختار مورفولوژیکی خیابان های شهری و سطح توسعه اقتصادی شهرها هستند. بر این اساس، این مقاله یک چارچوب روش‌شناختی را برای اولین بار، توصیف کمی ساختار مورفولوژیکی شهری بر اساس داده‌های شبکه خیابان‌های باز پیشنهاد می‌کند، و دوم، بررسی رابطه بین ساختار مورفولوژیکی خیابان شهری و سطح توسعه اقتصادی شهری. روش پیشنهادی در 31 شهر مرکز استان در چین اعمال شد. نتایج نشان می دهد که ساختار مورفولوژیکی شهری را می توان به صورت کمی با مرکزیت بین و نزدیکی استخراج شده از شبکه های خیابانی توصیف کرد. شهرهایی با ساختارهای مشابه دارای سطوح توسعه اقتصادی مشابهی هستند. علاوه بر این، نتایج حاکی از همبستگی مثبت و معنادار بین شبکه خیابانی بین مرکزیت ضرایب جینی و سطوح توسعه اقتصادی شهرها است که نشان می‌دهد شبکه خیابانی ممکن است بر بهره‌وری شهر تأثیر بگذارد. این مطالعه دو کمک عمده به ادبیات علمی می کند. از نظر روش شناسی، چارچوب پیشنهادی پشتیبانی فنی و روش شناختی را برای درک بهتر رابطه بین توسعه اقتصادی شهرها و ساختار خیابان شهری فراهم می کند. از نظر تجربی، مطالعه موردی نشان‌داده‌شده ممکن است تصمیم‌گیری مربوط به توسعه منطقه‌ای و بهینه‌سازی فضای شهری را راهنمایی کند.

کلید واژه ها:

شبکه خیابان های شهری ; شبکه پیچیده ؛ مرکزیت ; توسعه اقتصادی ؛ چین

1. معرفی

شبکه خیابانی اسکلت یک شهر محسوب می شود زیرا واحدهای جغرافیایی را در فضای شهری به هم پیوند می دهد. ساختار مورفولوژیکی خیابان ها تا حدودی وسعت و شدت ارتباطات بین مناطق عملکردی مختلف در محیط های شهری را تعیین می کند و بر این اساس بر جریان ها و کارایی عملیاتی عناصر منابع مختلف در شهر و ساختار فضایی شهری تأثیر می گذارد [ 1 ، 2 ، 3 ، 4 ]. ، 5]. بنابراین، رابطه بین شبکه های خیابانی و سطح توسعه اقتصادی یک حوزه پژوهشی مهم در جغرافیای شهری و برنامه ریزی شهری است. مجموعه ای غنی از ادبیات بررسی کرده است که آیا توسعه اقتصادی با دسترسی به شبکه ترافیک، تراکم زیرساخت های ترافیکی یا تراکم شبکه های خیابانی مرتبط است [ 6 ، 7 ، 8 ، 9 ، 10 ، 11 ].]. این مطالعات نشان داده است که بین شبکه حمل و نقل و توسعه اقتصادی یک رابطه ارتقاء و محدودیت متقابل وجود دارد. از یک سو، گسترش شبکه حمل و نقل، پیوندهای میان شهرهای منطقه ای را بهبود می بخشد، جریان عوامل را تسریع می بخشد و توسعه اقتصاد منطقه ای را ارتقا می بخشد [ 12 ، 13 ]. از سوی دیگر، توسعه اقتصادی بیشتر باعث گسترش و بهبود شبکه حمل و نقل می شود [ 10 ، 14 ]. با این حال، به دلیل محدودیت کسب داده های شبکه خیابانی با وضوح فضایی بالا و قدرت محاسباتی، تحقیقات سنتی در درجه اول بر مقیاس های منطقه ای با استفاده از داده های تصویر سنجش از دور اقتصادی سالانه و چند ساله متمرکز شده است [ 15 ].]. اخیراً، چند مطالعه ظاهر شده است که بررسی می کند چگونه ساختارهای شبکه خیابانی ممکن است بر فعالیت های اقتصادی مانند تخصیص و کارایی عملیاتی عناصر مختلف در شهرها تأثیر بگذارد [ 16 ، 17 ]. با این حال، مطالعاتی که به طور کامل روابط درون شبکه‌های خیابانی را از منظر مقیاس خرد در نظر می‌گیرند (مثلاً تعاملات پیچیده بین عناصر شبکه خیابانی) یا چارچوب روش‌های کمی را برای مطالعه مورفولوژی و ساختار شبکه‌های خیابانی ارائه می‌دهند. به طور کلی فاقد

در سال‌های اخیر، فناوری‌هایی از جمله فناوری اطلاعات و ارتباطات (ICT) و اطلاعات جغرافیایی داوطلبانه (VGI) به سرعت توسعه یافته‌اند و داده‌های فراوان شبکه خیابان‌های شهری را با وضوح بالا در دسترس عموم قرار داده‌اند و فرصت‌های جدیدی را برای تجزیه و تحلیل کمی مورفولوژی و ساختار خیابان فراهم کرده‌اند. شبکه ها در سطح شهر [ 18 ، 19 ، 20 ]. علاوه بر این، روش‌های شبکه پیچیده، که در علم جغرافیا و علوم منطقه‌ای ادغام شده‌اند، بینش جدیدی در درک شبکه خیابانی از دیدگاه سیستم و ساختار ارائه کرده‌اند [ 21 ، 22 ]]. در مقایسه با روش‌های سنتی، روش‌های شبکه پیچیده به تعاملات پیچیده در یک شبکه خیابانی می‌پردازند و این مزیت را دارند که الگوهای ذاتی و ویژگی‌های اتصالات بین عناصر شهری را از منظری سیستماتیک و کل نگر به تصویر بکشند. بنابراین، روش‌های پیچیده شبکه ممکن است به ارائه بینش جدیدی در رابطه بین ساختارهای شبکه خیابانی و فعالیت‌های اقتصادی شهری کمک کند.

در این راستا، بسیاری از مطالعات، رویکردهای شبکه پیچیده ای را برای ارزیابی یکپارچگی و دسترسی شبکه های خیابانی با تجزیه و تحلیل ویژگی های توپولوژیکی شبکه های خیابانی و توزیع فضایی آنها به کار گرفته اند [ 23 ، 24 ، 25 ، 26 .]. در حالی که مطالعات رو به رشدی وجود دارد که رابطه بین ویژگی‌های شبکه خیابانی و فعالیت‌های اجتماعی-اقتصادی را بررسی می‌کند، بیشتر کارهای موجود بر تجزیه و تحلیل ویژگی‌های توپولوژیکی گره‌ها در یک شبکه خیابانی شهری و ارتباط آن‌ها با نوع خاصی از فعالیت اقتصادی متمرکز است (به عنوان مثال، خرده فروشی). مطالعات اندکی، تا جایی که نویسندگان می دانند، شبکه خیابان های یک شهر را به عنوان یک کل در نظر گرفته اند و بررسی کرده اند که آیا ویژگی های ساختارهای مورفولوژیکی آن ممکن است با سطوح توسعه اقتصادی شهر مرتبط باشد یا خیر.

برای پر کردن این شکاف‌های تحقیقاتی، این مقاله یک چارچوب تحلیلی کلی برای توصیف ساختارهای شبکه خیابانی شهرها و برای بررسی کمی رابطه بین ساختار شبکه خیابانی شهر و سطح توسعه اقتصادی آن با استفاده از داده‌های شبکه خیابان باز پیشنهاد می‌کند. این چارچوب شامل یک چرخه زندگی کامل از جمع آوری داده ها، پردازش، مدل سازی و برنامه های کاربردی در برنامه ریزی و مدیریت شهری است. بقیه مقاله به شرح زیر سازماندهی شده است: بخش 2 مطالعات مربوطه را بررسی می کند که از روش های شبکه پیچیده برای بررسی شبکه خیابانی استفاده می کنند. بخش 3 چارچوب روش‌شناختی پیشنهادی را ارائه می‌کند و روش‌های تحلیلی را به تفصیل شرح می‌دهد. بخش 4از یک مطالعه موردی برای بررسی روش‌های پیشنهادی استفاده می‌کند و ابتدا به طور خلاصه منطقه مورد مطالعه و منبع داده را معرفی می‌کند و سپس نتایج مطالعه موردی را مورد بحث قرار می‌دهد. و در نهایت، بخش 5 مقاله را با بحث در مورد کاربردهای بالقوه روش پیشنهادی و اینکه چگونه بینش های به دست آمده از مطالعه موردی ممکن است بر برنامه ریزی و توسعه منطقه ای و همچنین تحقیقات آینده روشن کند، پایان می دهد.

2. ادبیات مرتبط

2.1. مشخص کردن شبکه های خیابانی با استفاده از رویکردهای پیچیده شبکه

رویکردهای پیچیده شبکه دیدگاه و روش های قدرتمندی در مطالعات شبکه ترافیک ارائه کرده است. بیشتر تحقیقات اولیه بر استخراج شاخص‌های توپولوژیکی شبکه‌های حمل‌ونقل شهری، تجزیه و تحلیل ویژگی‌های شاخص‌ها، و کاوش ویژگی‌های شبکه مانند ویژگی‌های بدون مقیاس و جهان کوچک متمرکز است. چند مطالعه بیشتر سعی در شناسایی مورفولوژی و ساختار شهرها بر اساس توزیع فضایی شاخص‌های توپولوژیکی شبکه خیابانی دارند. برای مثال، کروسیتی و همکاران. از شبکه‌های خیابانی شهری که با الگوها و ریشه‌های تاریخی متفاوت مشخص می‌شوند و از روش‌های مختلف ساخت شبکه برای تحلیل ویژگی‌های توپولوژیکی شش شبکه خیابانی استفاده کردند.27 ]. جیانگ یک الگوی توپولوژیکی از شبکه‌های خیابان شهری را با استفاده از یک نمونه بزرگ استخراج شده از پایگاه داده TIGER از اداره سرشماری ایالات متحده استخراج کرد. این مطالعه نشان داد که هم برای طول خیابان و هم برای درجه اتصال تقاطع خیابان-خیابان، توپولوژی‌های شبکه‌های خیابان شهری همگی ساختاری کوچک و دارایی بدون مقیاس را نشان می‌دهند [ 28 ].

با این حال، دشواری دستیابی به داده های دقیق شبکه خیابانی، تحقیقات قبلی را در مطالعه کمی سازی و مقایسه سازه های خیابانی شهری با استفاده از نمونه هایی با اندازه بزرگتر محدود کرده است. در سال‌های اخیر، OpenStreetMap (OSM)، یک پلت‌فرم نقشه‌برداری مبتنی بر اینترنت بر اساس مشارکت‌های داوطلبانه کاربران در سراسر جهان، به سرعت توسعه یافته و به محققان شهری امکان دسترسی به منبع باز ارزشمند داده‌های مکانی در سراسر جهان را داده است. تعدادی از مطالعات اولیه نشان می دهد که شبکه های جاده ای OSM در شناسایی ساختارهای شهری مفید هستند [ 29 , 30 ]]. به عنوان مثال، بوئینگ از نرم افزار OSMnx برای به دست آوردن 27000 شبکه خیابانی ایالات متحده از OSM در مقیاس شهری، شهری و محله استفاده کرد و سپس میانگین طول بخش خیابان، تراکم گره، تراکم لبه و بیش از 20 شاخص را برای توصیف ویژگی های شبکه خیابان استخراج کرد. [ 31]. دومینگوس و همکاران چندین شبکه خیابانی 1150 شهر جهان را از OSM بر اساس شرایط فیلتر به دست آورد و درجه گره متحدالمرکز، ضریب خوشه بندی متحدالمرکز، دسترسی و شاخص تطبیق را به عنوان شاخص های اندازه گیری برای خواص توپولوژیکی شبکه های خیابانی در نظر گرفت. آنها ابتدا توزیع هر شاخص را تجزیه و تحلیل کردند، سپس روابط زوجی بین این شاخص‌ها را که توسط ضریب همبستگی پیرسون تعیین می‌شود، بررسی کردند و در نهایت از تحلیل مؤلفه‌های اصلی (PCA) برای بررسی توزیع کلی شهرها استفاده کردند. نتایج نشان داد که شهرها از قاره های خاص تمایل به داشتن بسیاری از ویژگی های توپولوژیکی شبکه خیابانی مشابه دارند [ 32]. با این حال، مطالعه تنها بر ویژگی‌های فیزیکی شبکه‌های خیابانی متمرکز بود و فاقد بررسی رابطه بین ویژگی‌های شبکه خیابانی و توسعه اقتصادی شهری بود.

2.2. درک رابطه بین شبکه های خیابانی و توسعه اقتصادی از دیدگاه شبکه

شبکه های خیابانی نه تنها ساختارهای شهری را تعیین می کنند، بلکه بر فعالیت های اقتصادی در شهر نیز تأثیر می گذارند. مطالعات رابطه بین شبکه‌های خیابانی و فعالیت‌های اجتماعی-اقتصادی را در مقیاس‌های فضایی مختلف بررسی کرده‌اند. در مقیاس شهر، مطالعات متعددی از تراکم توزیع فضایی مکان‌های تجاری به عنوان شاخص‌های فعالیت‌های اقتصادی استفاده می‌کنند و روابط بین تراکم مرکزیت خیابان و فعالیت‌های اقتصادی را تحلیل می‌کنند. به عنوان مثال، پورتا و همکاران. رابطه بین مرکزیت خیابان و فعالیت های اقتصادی (یعنی خرده فروشی و خدمات) در شهر بولونیا، ایتالیا را بررسی کرد. آنها ابتدا بین، نزدیکی و مرکزیت خیابان ها را اندازه گیری کردند و سپس تحلیل همبستگی بین معیارهای مرکزیت و تراکم خرده فروشی و خدمات را اعمال کردند.33 ]. کاردیلو و همکاران به طور مشابه، همبستگی جغرافیای مرکزیت خیابان و انواع مختلف فعالیت های اقتصادی در بارسلون، اسپانیا را بررسی کرد. سه نوع اندازه گیری مرکزیت، یعنی بین بودن، نزدیکی و راستی در مطالعه استفاده شد [ 34 ]. در امتداد خطوط مشابه، چندین مطالعه نشان داد که مرکزیت خیابان ممکن است بر موقعیت مکان‌های تجاری تأثیر بگذارد. به عنوان مثال، وانگ و همکاران. از طریق مطالعه موردی چانگچون، چین، دریافت که مرکزیت خیابان برای شدت استفاده تجاری از زمین بسیار مهم است و بنابراین بر مکان فروشگاه‌های خرده‌فروشی تأثیر می‌گذارد [ 17 ]]. بر اساس مدل‌های ارزیابی مرکزیت چندگانه، لین و همکاران. پیشنهاد کرد که مرکزیت خیابان می تواند مزایای مکان فروشگاه های خرده فروشی را در کلانشهرهای تجاری سنتی نشان دهد [ 35 ]. لیو و همکاران همچنین ناهمگونی فضایی را در رابطه بین مرکزیت شبکه خیابانی و شدت کاربری زمین در نظر گرفت. با استفاده از روش رگرسیون وزن‌دار جغرافیایی (GWR)، مطالعه آنها روابط قوی بین مرکزیت خیابان و شدت کاربری زمین را شناسایی کرد [ 36 ].

در سطح تراکم شهری، محققان به فقدان روش‌هایی برای توصیف رابطه بین شهرهایی که از ویژگی‌های توپولوژیکی شبکه جاده استفاده می‌کنند اشاره کرده‌اند [ 37 ]. به این ترتیب، مطالعات اخیر بررسی کرده‌اند که آیا شهرهایی که دارای ویژگی‌های توپولوژی شبکه خیابانی مشابه هستند، ویژگی‌های مشابهی در جمعیت و سطوح توسعه اقتصادی خود دارند یا خیر. به عنوان مثال، Spadon، Gimenes و Rodrigues 645 شهر را در ایالت سائوپائولو، برزیل بر اساس ویژگی‌های شبکه خیابانی طبقه‌بندی کردند و دریافتند که ویژگی‌های توپولوژیکی خیابان‌های شهری می‌تواند در مقیاس بزرگ، جمعیت‌شناسی آنها را نشان دهد یا حتی پیش‌بینی کند [ 37 ].]. در امتداد خطوط مشابه، لی و یونگ ویژگی‌های توپولوژیکی شبکه‌های خیابانی را با استفاده از روش‌های چند مرکزیت تجزیه و تحلیل کردند و مجموعه‌ای از شهرها را به چند گروه طبقه‌بندی کردند که بر اساس مرکزیت، فرااطلاعات مشترکی دارند. نتایج آنها نشان داد که عوامل توپولوژیکی سازه های خیابانی ارتباط نزدیکی با تحلیل فرااطلاعات شهر دارند [ 38 ].

با وجود ادبیات روبه رشدی که ویژگی‌های ساختاری فیزیکی شبکه‌های خیابانی شهری را با استفاده از نظریه و روش‌های پیچیده شبکه مورد مطالعه قرار می‌دهد، تحلیل کمی و مقایسه‌ای ویژگی‌های ساختار شبکه خیابان‌های شهر از منظر شبکه تنها در حال ظهور است. تنها چند مطالعه اخیر به روابط بین ساختارهای شبکه خیابانی و وضعیت اجتماعی-اقتصادی شهرها توجه کرده اند. با این حال، این مطالعات شواهدی ارائه نکرده اند که نشان دهد آیا شبکه های خیابانی شهر می توانند سطوح توسعه اقتصادی را نشان دهند یا خیر. علاوه بر این، مطالعات فعلی از تحقیقات تجربی استفاده می‌کنند که چارچوب روش‌شناختی مشترکی برای تحلیل رابطه بین شبکه‌های خیابانی و توسعه اقتصادی ارائه نکرده است. به این منظور،

3. روش شناسی

3.1. چارچوب تحلیلی پیشنهادی

ما یک چارچوب تحلیلی اقتباس شده از Spadon و همکاران را پیشنهاد می کنیم. [ 37 ]، همانطور که در شکل 1 نشان داده شده است ، که شامل سه مرحله است: جمع آوری داده، مشخص کردن شبکه های خیابانی شهری، و بررسی رابطه بین شبکه های خیابانی شهری و توسعه اقتصادی. ابتدا، داده های شبکه خیابانی شهرها را از OpenStreetMap با استفاده از OSMnx [ 31 ] به دست آوردیم]، نرم افزاری برای دانلود موجودیت های فضایی و برای مدل سازی، طرح ریزی، تجسم و تجزیه و تحلیل شبکه های پیچیده خیابانی از رابط های برنامه نویسی کاربردی OpenStreetMap (API). شبکه های خیابانی (نمودارها) سپس با استفاده از داده های خیابان OSM به دست آمده ساخته شدند. در این مقاله، تقاطع‌های خیابان را به عنوان گره و قطعه خیابان بین هر جفت تقاطع خیابان را به عنوان یال در شبکه در نظر می‌گیریم. طول لبه ها در شبکه وزن در نظر گرفته می شود.

دوم، ما شبکه خیابانی یک شهر را بر اساس دو ویژگی توپولوژیکی معمول مورد استفاده، یعنی بین (به پیوست A شکل A1 مراجعه کنید ) و مرکزیت نزدیکی مشخص کردیم. انتخاب این دو شاخص بر اساس ملاحظاتی بود که: (1) مطالعات قبلی پیشنهاد کرده اند که مرکزیت بین و نزدیک دو شاخص هستند که به طور قابل توجهی با فعالیت های اقتصادی مرتبط هستند [ 17 ، 33 ]. و (2) اگرچه تنوع شاخص‌هایی که می‌توانند ویژگی‌های شبکه خیابانی را توصیف کنند، برخی از شاخص‌ها کاملاً مشابه هستند. به عنوان مثال، مطالعات نشان داده اند که مرکزیت اطلاعات با مرکزیت بین در نمایش یک شبکه خیابانی همبستگی زیادی دارد [ 27 ]]. به این ترتیب، شاخص‌های متمایز و معرف شبکه (به عنوان مثال، مرکزیت بین و نزدیکی) باید استفاده شود. برای شبکه خیابانی هر شهر، دو شاخص با استفاده از Networkx، یک بسته پایتون برای ایجاد، دستکاری و مطالعه ساختار، دینامیک و عملکرد شبکه‌های پیچیده محاسبه شد. سپس با استفاده از روش برازش خطی برای استخراج شیب توزیع آماری این دو ویژگی، ویژگی‌های شبکه خیابانی یک شهر را به طور کلی اندازه‌گیری کردیم.

سوم، بر اساس ویژگی های شناسایی شده، بررسی کردیم که آیا شهرهایی که دارای ساختارهای خیابانی مشابه هستند، سطح توسعه اقتصادی مشابهی دارند یا خیر. به طور خاص، ما شهرها را با استفاده از تحلیل خوشه‌بندی سلسله مراتبی به خوشه‌های مختلف طبقه‌بندی کردیم و نتایج خوشه‌بندی را با شاخص‌های توسعه اقتصادی، از جمله منطقه‌بندی اقتصادی سنتی که با سطوح توسعه اقتصادی، تولید ناخالص داخلی (GDP) و جمعیت تعیین می‌شود، مقایسه کردیم. این مقایسه بر این فرض استوار است که شهرهایی که به یک خوشه تعلق دارند در منطقه بندی اقتصادی یکسان و از نظر فضای ابعاد تولید ناخالص داخلی و جمعیت به هم نزدیک خواهند بود. اگر بین ویژگی‌های شبکه خیابان‌های شهری و توسعه اقتصادی همبستگی مشاهده شود،

3.2. مشخص کردن ساختارهای شبکه خیابانی

تحلیل مرکزیت معمولاً برای مشخص کردن ساختار شبکه خیابانی با کمی کردن گره‌ها و/یا پیوندهای درون شبکه استفاده می‌شود [ 22 ، 37 ]. در میان اندازه‌گیری‌های مختلف مرکزیت، ما از دو شاخص پرکاربرد استفاده کردیم: مرکزیت بین و مرکزیت نزدیکی [ 39 ، 40 ، 41 ].

مرکزیت بین تعداد کوتاهترین مسیرهایی را که از هر گره یا لبه در یک شبکه می گذرد، ارزیابی می کند [ 17 ، 42 ، 43 ]. در یک شبکه خیابانی، حجم ترافیک بالقوه ای را نشان می دهد که یک گره یا پیوند ممکن است جذب کند. به عبارت دیگر، میزان کنترل یک گره یا یک لبه را برای یک شبکه نشان می دهد. مرکزیت بین بودن به این صورت تعریف می شود

ب سی من = 1 ( ن - 1 ) ( N - 2 ) \sum j = 1; k = 1; j \neq i \neq 1 ن n j k ( من ) n j k

(1)

جایی که $n_{j k}$ تعداد کوتاهترین مسیرهای بین j و k و است $n_{j k} (i)$ تعداد کوتاهترین مسیرهای بین j و k است که شامل گره i است. مرکزیت بین یک گره با تعداد جفت گره ها که توسط شاخص های جمع مشخص می شود مقیاس می شود. بنابراین، مقادیر مرکزیت میانی با تقسیم مقادیر با استفاده از تعداد گره‌ها، بدون احتساب خود، مجدداً مقیاس می‌شوند. بنابراین، اصطلاح $\frac{1}{(N - 1) (N - 2)}$ برای نرمال کردن مقدار مرکزیت بین در محدوده 0 تا 1 برای شبکه های جهت دار [ 44 ] استفاده می شود، که در آن N تعداد گره ها در شبکه خیابان است.

مرکزیت نزدیکی، درجه نزدیکی یک گره به تمام گره های دیگر در یک شبکه را ارزیابی می کند [ 17 ، 42 ، 45 ]. این متقابل مجموع فاصله یک گره تا تمام گره های دیگر در شبکه است. از آنجایی که مجموع فواصل به تعداد گره ها در نمودار بستگی دارد، نزدیکی با مجموع حداقل فواصل ممکن N – 1 نرمال می شود. اگر گره به طور متوسط به گره های دیگر نزدیک تر باشد، مرکزی تر در نظر گرفته می شود. مرکزیت نزدیکی به این صورت تعریف می شود

سی سی من = ( ن - 1 ) \sum ن j = 1 ; j \neq i د من ج

(2)

که در آن N تعداد کل گره های شبکه است و $d_{i j}$ کوتاه ترین فاصله بین گره i و j است.

3.3. تجزیه و تحلیل خوشه بندی سلسله مراتبی

برای طبقه‌بندی شهرها بر اساس ویژگی‌های ساختار شبکه خیابانی، ضریب جینی را برای نشان دادن ویژگی ساختار شبکه اتخاذ کردیم. ضریب جینی به طور گسترده در علم اقتصاد برای اندازه گیری نابرابری مقادیر اقتصادی مانند درآمد استفاده می شود [ 38 ، 46 ]. به عنوان تعریف شده است

g = \sum n i = 1 \sum n j = 1 | ایکس من - ایکس j | 2 n \sum n i = 1 ایکس من

(3)

جایی که $x_{i}$ مقدار مرکزیت گره i و n تعداد گره های شبکه خیابانی است.

خوشه بندی سلسله مراتبی (که به آن تحلیل خوشه سلسله مراتبی یا HCA نیز گفته می شود) یک روش تجزیه و تحلیل خوشه ای است که به دنبال ایجاد سلسله مراتبی از خوشه ها است [ 47 ]. به طور کلی انواع مختلفی از رویکردهای خوشه بندی سلسله مراتبی وجود دارد. اولین رویکرد یک رویکرد “پایین به بالا” است: هر مشاهده با خوشه خاص خود شروع می شود، و خوشه ها با هم جفت می شوند و با حرکت به سمت بالا در سلسله مراتب ادغام می شوند. روش دوم یک رویکرد “بالا به پایین” است: همه مشاهدات در یک خوشه شروع می شوند، و خوشه به صورت بازگشتی با حرکت به سمت پایین سلسله مراتب تقسیم می شود. در این مطالعه، ما از روش پیوند کامل، یک رویکرد “پایین به بالا” برای اندازه گیری فاصله بین جفت مشاهدات استفاده کردیم. مراحل فرآیند به شرح زیر است.

مرحله 1: هر شهر را در کلاستر خود شروع کنید. محاسبه فاصله اقلیدسی بین هر جفت شهر در فضای ویژگی.
مرحله 2: جفت های خوشه را در یک خوشه جدید بر اساس حداقل فاصله بین جفت ها ادغام کنید.
مرحله 3: دوباره فاصله بین خوشه جدید و سایرین را محاسبه کنید.
مرحله 4: مراحل 2 و 3 را تکرار کنید تا همه شهرها در یک خوشه ادغام شوند.

4. مطالعه موردی

4.1. منطقه مطالعه و منبع داده

ما 31 شهر مرکز استان در سرزمین اصلی چین را به عنوان منطقه مورد مطالعه انتخاب کردیم ( پیوست A شکل A2 را ببینید ). این شهرهای مرکز استان سریع‌ترین سرعت شهرنشینی را دارند و نقش مهمی در توسعه سیاسی، اقتصادی و فرهنگی منطقه دارند. علاوه بر این، آنها اغلب شهرهای مرکزی هستند که شهرهای دیگر منطقه را به هم متصل می‌کنند و بنابراین برای اجرای استراتژی‌های توسعه منطقه‌ای مهم مانند استراتژی‌های «کمربند و جاده»، «کمربند اقتصادی رودخانه یانگ تسه» و «شهر مرکز ملی» حیاتی هستند. چین. به این ترتیب، مطالعات تجربی این شهرها نه تنها اعتبار چارچوب پیشنهادی را اثبات می کند، بلکه تحولات منطقه ای در چین را نیز روشن می کند.

در این مطالعه از دو مجموعه داده از شهرهای استان استفاده شد، شامل (1) داده های آماری اقتصادی و جمعیت شناختی، که از پایگاه آماری CEInet دانلود شد [ 48 ] و (2) داده های شبکه خیابان های شهر استخراج شده از OSM. کسب داده های OSM شامل مراحل زیر بود. ابتدا، ما فهرستی از نام مناطق اداری برای همه شهرها را از BaiduBaike [ 49 ] یک جامعه وب مشابه ویکی پدیا به دست آوردیم. در مرحله دوم، ما از GaoDe map API [ 50 ] برای جمع‌آوری داده‌های مرزهای جغرافیایی اداری هر شهر در قالب فایل شکل استفاده کردیم. در نهایت، ما از OSMnx، یک بسته پایتون ایجاد شده توسط جف بوئینگ [ 31 ]، برای بازیابی مجموعه داده های شبکه خیابانی استفاده کردیم.

علی‌رغم نگرانی‌های اولیه در مورد ناقص بودن داده‌های OSM در چین، مطالعات اخیر نشان داده‌اند که کیفیت داده‌های خیابان OSM در چین بهبود یافته و برای مطالعه شهرهای چین ارزشمند است [ 51 ]. بهبود مستمر کیفیت داده‌های OSM را می‌توان با استفاده از تحلیل OSM [ 52 ]، ابزاری برای ردیابی تاریخچه OSM، بررسی کرد. به ویژه، شهرهای مرکز استان، شهرهای توسعه‌یافته شرقی، و شهرهایی با جابجایی جمعیت و تحصیلات عالی بیشتر احتمال دارد داده‌های خیابانی OSM کامل‌تری داشته باشند [ 51 ]. برای بررسی بیشتر اعتبار مجموعه داده مشتق شده برای مطالعه ما، همبستگی بین داده های OSM و داده های رسمی را اندازه گیری کردیم [ 53] (یعنی گزارش سالانه آمار شبکه جاده‌ای در شهرهای بزرگ چین که توسط آکادمی برنامه‌ریزی و طراحی شهری چین منتشر می‌شود) بر اساس طول کل خیابان‌های شهر. نتایج نشان می دهد که دو مجموعه داده به طور قابل توجهی با R-square 0.66 همبستگی دارند ( پیوست A ، شکل A3 ).

4.2. ویژگی های شبکه های خیابانی

ما ابتدا از تجزیه و تحلیل آماری توصیفی برای ارائه یک نمای کلی از شبکه های خیابانی 31 شهر استفاده کردیم. چهار پارامتر شامل تعداد گره‌ها در شبکه خیابان‌های یک شهر، تعداد لبه‌ها در یک شبکه خیابانی، میانگین طول بخش خیابان در یک شهر و تراکم تقاطع‌های خیابان مورد استفاده قرار گرفت. جدول A1 ضمیمه A نتایج تحلیل را ارائه می دهد: میانگین تعداد گره های خیابان در شهرها 14252.48 و میانگین تعداد یال ها 32858.15 است. در بین تمامی شهرهای مورد مطالعه، پکن دارای بیشترین تعداد گره ها و لبه ها و یینچوان دارای کمترین تعداد گره ها و لبه ها هستند.

متوسط طول بخش خیابان (یعنی طول لبه یک شبکه خیابانی) در 31 شهر 446.57 متر است. در میان شهرهایی که مورد مطالعه قرار گرفتیم، لانژو دارای بیشترین طول متوسط خیابان با 1017.41 متر است، در حالی که گوانگژو دارای کوتاه ترین طول متوسط 279.71 متر است. 31 شهر به طور میانگین دارای 20.59 تقاطع در هر کیلومتر مربع ^هستند که شیجیاژوانگ بیشترین تراکم تقاطع خیابان ها و لانژو کمترین را دارند.

سپس اندازه‌گیری‌های مرکزیت را، همانطور که در بخش 3.2 ارائه شد ، برای شبکه‌های خیابانی به منظور تمایز ساختارهای مختلف شبکه خیابانی شهرها اعمال کردیم. برای هر یک از اندازه‌گیری‌های مرکزیت (یعنی مرکزیت بین و مرکزیت نزدیکی)، توزیع تجمعی آن رسم شد. در مرحله دوم، روش‌های برازش خطی را برای برازش منحنی توزیع هر شهر انتخاب کردیم و شیب خط برازش را برای اندازه‌گیری تفاوت محاسبه کردیم.

4.2.1. مرکزیت بین شبکه های خیابانی

توزیع مرکزیت بین شهرها در شکل 2 نشان داده شده است. بدیهی است که تفاوت های قابل توجهی در ساختار شهر وجود دارد. انحنای یک خط توزیع تجمعی مرکزیت نشان می دهد که تا چه اندازه مرکزیت بین گره های شبکه خیابانی در یک شهر متفاوت است. هر چه یک خط منحنی‌تر باشد، تفاوت در مرکزیت بین گره‌های خیابان یک شهر بیشتر است. در مقیاس شهر، این تفاوت می تواند بر ساختارهای مورفولوژیکی متفاوت شهرها دلالت کند. برای اندازه‌گیری درجه تفاوت در مرکزیت بین گره‌های خیابان یک شهر، از روش برازش خطی ساده استفاده کردیم و شیب هر منحنی توزیع را محاسبه کردیم. سپس از روش طبقه‌بندی طبیعی بریک‌ها (جنکس) در مجموعه شیب‌ها استفاده کردیم و شهرها را بر اساس ساختارهای مورفولوژیکی شبکه خیابان‌هایشان به انواع مختلف طبقه‌بندی کردیم ( پیوست A. جدول A2 ). چهار نوع ساختار مورفولوژیکی اصلی شناسایی شد. انواع سازه های شهری معمولی، به شرح زیر، در ضمیمه A شکل A4 نشان داده شده است.

شبکه مستطیلی: هشت شهر از جمله پکن و چنگدو در این نوع قرار می گیرند. خصوصیات معمول این شهرها این است که منحنی توزیع ملایم و مقدار شیب بیش از 0.95 است، شبکه خیابانی یک شبکه مستطیلی است، تراکم گره‌های جاده‌ای زیاد و میانگین طول خیابان نسبتاً طولانی است.
شبکه مستطیلی چند گروهی: هفت شهر از جمله نانجینگ، چونگ کینگ و ووهان در این گروه قرار دارند. ویژگی مشترک این شهرها این است که دامنه مقدار شیب برابر یا کمتر از 0.95 است در حالی که بیش از 0.9، توزیع فضایی شبکه‌های خیابانی گروه‌های شبکه مستطیلی متعددی را ارائه می‌کند و تراکم تقاطع‌های خیابان‌ها زیاد است.
شبکه دایره ای شکل: شن یانگ و شش شهر دیگر در این گروه طبقه بندی می شوند. ویژگی های معمول این شهرها این است که دامنه مقدار شیب برابر یا کمتر از 0.9 در حالی که بیش از 0.85 است، ساختار مورفولوژیکی شهر یک شبکه دایره ای شکل ارائه می دهد و میانگین طول خیابان کوتاه است.
شبکه نواری: شهرهایی از جمله Xining، Yinchuan و Lanzhou در این نوع طبقه بندی می شوند. ویژگی های رایج شهرهای این نوع این است که دامنه مقادیر شیب برابر یا کمتر از 0.85 است، شکل شبکه خیابانی شکل نواری دارد و میانگین طول خیابان در مقایسه با شهرهای طبقه بندی شده در انواع دیگر نسبتاً طولانی است.

4.2.2. مرکزیت نزدیکی شبکه های خیابانی

در یک شبکه خیابانی، مناطقی که گره‌ها در آن متمرکزتر هستند، ارزش مرکزی نزدیکی بیشتری دارند. بنابراین، توزیع فضایی مقادیر مرکزیت نزدیکی گره‌های خیابان می‌تواند الگوهای مراکز شهر را روشن کند. ما از توزیع احتمال تجمعی مرکزیت نزدیکی برای بررسی اینکه آیا یک شهر دارای مراکز شهر است یا خیر استفاده می کنیم. یعنی اگر مقادیر مرکزیت نزدیکی به طور یکنواخت توزیع شوند، تعداد گره ها در هر محدوده ای از مقادیر نزدیکی برابر خواهد بود. به این ترتیب، توزیع احتمال تجمعی باید یک خط مستقیم باشد که در آن مقادیر محور x همیشه برابر با مقادیر محور y باشد. همانطور که در شکل 3 نشان داده شده استتمامی شهرهای مورد مطالعه چند مرکزی هستند. با این حال، نحوه توزیع چندین مرکز شهر در داخل شهرها متفاوت است. ما همچنین از مقدار شیب 1 برای تقسیم شهرهای مورد مطالعه به دو نوع استفاده می کنیم ( پیوست A جدول A3 ). نوع اول شامل 11 شهر با مقادیر شیب بیش از 1 است. توزیع فضایی مراکز شبکه خیابانی این شهرها به طور پیوسته همگن است و خیابان های شهری معمولی در ضمیمه A شکل A5 نشان داده شده است. شیان نماینده معمولی این نوع شهر است. نوع دوم شامل 20 شهر مانند نانجینگ و ووهان است که دارای مقادیر شیب کمتر از 1 هستند. توزیع فضایی مراکز شبکه خیابانی این شهرها ناهمگن است.

4.3. رابطه بین شبکه خیابانی و توسعه اقتصادی

سپس ما رابطه بین مورفولوژی و ساختار شبکه‌های خیابانی یک شهر و توسعه اقتصادی شهر را با مقایسه نتایج خوشه‌بندی HCA با تولید ناخالص داخلی و جمعیت شهرها در این مطالعه با تقسیم‌بندی مناطق اصلی اقتصادی چین بررسی کردیم. شهرهای مورد مطالعه بر اساس ویژگی‌های مورفولوژی و ساختار شبکه خیابانی خود با استفاده از تحلیل ضریب جینی و HCA خوشه‌بندی شدند. ضریب جینی یک اندازه گیری رایج در زمینه های اقتصاد و بوم شناسی برای توصیف نابرابری ها در توزیع منابع داده شده در بین افراد یک جمعیت است [ 54 ].]. در این مطالعه، ما ضریب جینی مرکزیت بین و نزدیکی یک شبکه خیابانی را برای ارائه ناهمگونی توزیع مرکزیت بین گره‌های خیابان در یک شهر محاسبه کردیم. سپس HCA را بر اساس ضریب جینی مرکزیت یک شبکه خیابانی به کار گرفتیم. روش پیوند کامل، بر اساس بیشترین فاصله بین شهرها در خوشه‌های مختلف، در HCA اعمال شد. با انتخاب حداکثر فاصله برابر با 0.6 برای دو شهر که به یک خوشه تعلق دارند، پنج خوشه از شهرها را شناسایی کردیم ( شکل 4 ).

سپس از تولید ناخالص داخلی و ارقام جمعیت در سال 2016 برای هر شهر استفاده کردیم تا به طور مقدماتی تجزیه و تحلیل کنیم که آیا شهرهایی با اشکال خیابانی مشابه نیز دارای سطوح توسعه اقتصادی مشابهی هستند یا خیر. شهرها با پیش بینی تولید ناخالص داخلی و جمعیت در فضای دو بعدی ترسیم شدند که محورهای x و y به ترتیب نشان دهنده تولید ناخالص داخلی و جمعیت بودند ( شکل 5 ). هر نقطه در شکل نشان دهنده یک شهر است که رنگ آن نشان دهنده خوشه ای است که شهر به آن تعلق دارد و شعاع آن نشان دهنده مساحت شهر است. همانطور که در شکل 5 نشان داده شده است ، نقاطی با رنگ یکسان متمرکز شده اند که نشان می دهد این شهرها از نظر توسعه اقتصادی و جمعیتی مشابه هستند.

ما همچنین نتایج خوشه‌ای را با چهار منطقه اصلی اقتصادی چین مقایسه کردیم که توسط شورای دولتی چین بر اساس توسعه اجتماعی-اقتصادی مناطق مختلف تقسیم شده‌اند [ 55 ، 56 ]. این چهار منطقه به ترتیب مناطق اقتصادی شرقی، مرکزی، غربی و شمال شرقی هستند. جدول 1 نتایج مقایسه ها را نشان می دهد. در جدول، شهرهایی که به هر یک از خوشه‌ها تعلق دارند، فهرست شده‌اند، با منطقه اقتصادی که یک شهر به آن تعلق دارد، به‌عنوان بالانویس برچسب‌گذاری شده است. نتایج مقایسه به شرح زیر بود.

اولین خوشه شامل سه شهر است: لهاسا، لانژو و ارومچی. تمامی شهرهای این خوشه در غرب چین قرار دارند و به منطقه اقتصادی غرب تعلق دارند. به طور کلی شهرهای منطقه اقتصادی غرب از سطح توسعه اقتصادی پایین تری نسبت به شهرهای سه منطقه دیگر برخوردار هستند. با این حال، این منطقه یک منطقه توسعه صنعت انرژی بزرگ در چین است و قطب رشد اقتصادی خوبی را تشکیل داده است. در این خوشه، شبکه های خیابانی شهرها یا نواری شکل هستند یا دارای مراکز ناهمگون گسسته متعددی هستند. علاوه بر این، تراکم گره های خیابان به طور کلی کم است و طول متوسط بخش خیابان در هر سه شهر نسبتاً طولانی است.
خوشه دوم شامل پنج شهر از Hohhot تا Yichuan است. شهرهای این خوشه نیز به منطقه اقتصادی غرب تعلق دارند. در این خوشه، شبکه‌های خیابانی گویانگ و هوهات شکل یک شبکه مستطیلی گروهی چندگانه را ارائه می‌کنند، در حالی که شبکه‌های خیابانی بقیه شهرها نواری شکل هستند.
خوشه سوم شامل پنج شهر از تایوان تا شن یانگ است. سه شهر از پنج شهر، به غیر از شن یانگ و هاربین، به منطقه اقتصادی مرکزی تعلق دارند. در میان چهار منطقه، شهرهای منطقه اقتصادی مرکزی سریع ترین نرخ رشد اقتصادی را دارند. در این خوشه، شبکه‌های خیابانی اکثر شهرها یا شکلی با شبکه‌های مستطیلی گروهی متعدد دارند و یا دارای چندین مرکز ناهمگن گسسته هستند. علاوه بر این، تراکم گره ها زیاد است و طول متوسط بخش خیابان در این شهرها طولانی است.
خوشه چهارم شامل 9 شهر از جمله پکن و ووهان است. بیشتر این شهرها در شرق چین واقع شده اند و به منطقه اقتصادی شرق تعلق دارند که در آن توسعه اقتصادی نسبت به شهرهای دیگر چین پیشرفته تر است. شبکه‌های خیابانی این شهرها یا شکل شبکه‌ای مستطیلی دارند و یا دارای چندین مرکز ناهمگون گسسته هستند.
خوشه پنجم از هفت شهر شامل هفی و جینان تشکیل شده است. از این میان، سه شهر مربوط به منطقه اقتصادی شرق، دو شهر به منطقه اقتصادی مرکزی و دو شهر دیگر به ترتیب متعلق به منطقه اقتصادی غرب و شمال شرق هستند. اگرچه شهرهای این خوشه به مناطق اقتصادی متفاوتی تعلق دارند، اما شبکه خیابانی اکثر شهرهای این خوشه یا شکل یک شبکه مستطیلی گروهی چندگانه را نشان می‌دهد یا ساختار شبکه‌ای چند مرکزی با توزیع همگن پیوسته دارد.

تحلیل فوق نشان می دهد که ساختار شبکه خیابانی شهرها تا حدی می تواند سطوح توسعه اقتصادی را نشان دهد. برای تایید بیشتر اهمیت آماری رابطه مشاهده شده، یک تحلیل همبستگی برای تولید ناخالص داخلی سرانه و ضریب جینی مرکزیت شبکه خیابانی اعمال می شود ( شکل 6 ). در اینجا ما از شاخص تولید ناخالص داخلی برای حذف تأثیر اندازه شهر بر توسعه اقتصادی استفاده می کنیم. نتایج همچنین رابطه بین ساختارهای شبکه خیابانی و سطح توسعه اقتصادی را تایید می‌کند، زیرا ضریب جینی مرکزیت بین شبکه‌های خیابانی برای سطوح توسعه اقتصادی شهر از نظر آماری معنی‌دار است.

5. بحث و نتیجه گیری

این مقاله یک چارچوب روش‌شناختی را پیشنهاد می‌کند که هدف آن تحلیل کمی ویژگی‌های ساختار شبکه خیابان‌های شهر از دیدگاه شبکه و بررسی رابطه بین سطوح توسعه اقتصادی شهرها و ویژگی‌های ساختاری شبکه‌های خیابانی آن‌ها است. این دو کمک به مجموعه ادبیات موجود می کند. از نظر روش‌شناسی، ما چارچوبی را برای تحلیل کمی شکل و ساختار شبکه خیابان‌های شهری و برای درک رابطه آن با توسعه اقتصادی بر اساس نظریه شبکه پیچیده ایجاد کرده‌ایم. این چارچوب شامل سه مرحله جمع‌آوری داده‌های باز، مدل‌سازی و محاسبه است. امکان سنجی چارچوب با مطالعه موردی 31 شهر مرکز استان چین تایید شد. نتایج نشان می‌دهد که شاخص مرکزیت توپولوژیکی شبکه‌های خیابانی برای تمایز ساختارهای مورفولوژیکی خیابان‌های شهری مؤثر است. به طور خاص، شکل و ساختار شبکه یک شبکه خیابانی را می توان به طور موثر با توزیع مقادیر مرکزیت بین و نزدیکی در شبکه به تصویر کشید و با شیب منحنی های توزیع آن مقادیر کمی سازی کرد. علاوه بر این، ساختارهای مورفولوژیکی خیابان یک شهر را می توان به عنوان شاخص سطوح توسعه اقتصادی شهر مورد استفاده قرار داد، زیرا مطالعه موردی نشان می دهد که شهرهایی با ساختار شبکه خیابانی مشابه نیز دارای سطوح مشابهی از توسعه اقتصادی هستند. تجزیه و تحلیل همبستگی بیشتر تأیید می کند که رابطه بین ویژگی های شبکه خیابان های شهری و سطح توسعه اقتصادی از نظر آماری معنی دار است. همینطور،

به طور تجربی، شکل و ویژگی‌های شبکه‌های خیابانی را در 31 شهر تحلیل کردیم و سپس رابطه بین ویژگی‌های مورفولوژیکی این شهرها و سطوح توسعه اقتصادی آنها را بررسی کردیم. بر اساس نتایج به دست آمده از 31 شهر، می توان به سه نتیجه زیر دست یافت: (1) از نظر مورفولوژی شبکه خیابانی، تفاوت بین 31 شهر مرکز استان قابل توجه است. شهرها را می توان به چهار نوع اصلی تقسیم کرد: شبکه مستطیلی، شبکه چند گروهی، شبکه دایره ای و نوار خطی. شهرهای معمولی برای این چهار نوع به ترتیب پکن، نانجینگ، شن یانگ و شینینگ هستند. (2) تمام ساختارهای شبکه خیابانی شهری چند مرکزی هستند. با توجه به مقادیر شیب و توزیع فضایی اندازه‌گیری‌های توپولوژیکی شبکه‌های خیابانی، شهرها به دو گروه اصلی پیوسته و گسسته تقسیم می شوند. شهرهای معمولی این دو گروه به ترتیب شیان و ووهان هستند. (3) نتایج خوشه‌بندی 31 شهر بر اساس شکل و ویژگی‌های ساختاری خیابان‌های آنها به تقسیمات اقتصادی شهری موجود در چین نزدیک است، که نشان می‌دهد شکل و ساختار شبکه خیابان‌های شهری با سطح توسعه اقتصادی یک شهر مرتبط است.

به خوبی شناخته شده است که توسعه اقتصاد شهری تحت تأثیر عوامل زیادی قرار دارد. درک رابطه علی بین ساختار مورفولوژیکی شبکه خیابان های شهر و توسعه اقتصادی موضوع مهمی است اما از حوصله این مطالعه خارج است. در این مقاله، ما بر روی این موضوع تمرکز کردیم که آیا ساختار مورفولوژیکی شبکه خیابانی یک شهر می‌تواند سطح توسعه اقتصادی شهری آن شهر را نشان دهد و آیا می‌توانیم از داده‌های باز مانند OSM برای نظارت به موقع سطح توسعه اقتصادی یک شهر استفاده کنیم. با شهرنشینی سریع، به ویژه در کشورهای در حال توسعه مانند چین، خیابان های شهری به سرعت در حال تغییر بوده و به طور فزاینده ای پیچیده شده اند. بهره‌گیری از داده‌های باز، که اغلب در بازنمایی محیط شهری پویا نسبت به محیط سنتی به موقع‌تر هستند. سالنامه آماری که کمتر به روز می شود، به طور بالقوه می تواند راه جدیدی برای ارزیابی و مقایسه سطوح توسعه اقتصادی شهرها فراهم کند و بنابراین می تواند از توسعه طرح های جامع شهرها و برنامه های توسعه منطقه ای حمایت کند. تفاوت در نتایج طبقه‌بندی بر اساس ساختار شبکه خیابان‌های شهر و تقسیم‌بندی مناطق اقتصادی نیز پیامدهایی دارد که شبکه‌های خیابانی مشتق‌شده از داده‌های OSM ممکن است تا حدی بهتر سطوح توسعه اقتصادی فعلی شهرهای استانی مورد مطالعه را به عنوان خوشه‌بندی نشان دهند. نتایج با آمارهای جدیدتر تولید ناخالص داخلی و جمعیت منتشر شده در سال 2016 مطابقت بهتری دارد. تقسیم بندی سنتی منطقه اقتصادی بر اساس مجاورت جغرافیایی و سطح مشخص توسعه اقتصادی است. پس از نزدیک به یک دهه توسعه، تغییرات قابل توجهی رخ داده است و سطوح توسعه اقتصادی شهرهای داخل یک منطقه ممکن است بسیار متفاوت باشد. به عنوان مثال، در سال های اخیر، سطح توسعه اقتصادی شهرهایی مانند شیان و چنگدو از شهرهای دیگر متعلق به منطقه اقتصادی غرب بالاتر بوده و تقریباً به سطح شهرهای منطقه اقتصادی شرق رسیده است. به این ترتیب، ما معتقدیم که درک سطوح توسعه اقتصادی شهرها بر اساس مورفولوژی شبکه خیابانی فعلی آن‌ها می‌تواند تا حدی روشنگر تعدیل و تجدیدنظر در تقسیم‌بندی‌های مناطق اقتصادی چین باشد. سطح توسعه اقتصادی شهرهایی مانند شیان و چنگدو بالاتر از شهرهای دیگر متعلق به منطقه اقتصادی غرب بوده و تقریباً به سطح شهرهای منطقه اقتصادی شرق رسیده است. به این ترتیب، ما معتقدیم که درک سطوح توسعه اقتصادی شهرها بر اساس مورفولوژی شبکه خیابانی فعلی آن‌ها می‌تواند تا حدی روشنگر تعدیل و تجدیدنظر در تقسیم‌بندی‌های مناطق اقتصادی چین باشد. سطح توسعه اقتصادی شهرهایی مانند شیان و چنگدو بالاتر از شهرهای دیگر متعلق به منطقه اقتصادی غرب بوده و تقریباً به سطح شهرهای منطقه اقتصادی شرق رسیده است. به این ترتیب، ما معتقدیم که درک سطوح توسعه اقتصادی شهرها بر اساس مورفولوژی شبکه خیابانی فعلی آن‌ها می‌تواند تا حدی روشنگر تعدیل و تجدیدنظر در تقسیم‌بندی‌های مناطق اقتصادی چین باشد.

علیرغم مشارکت هایش، این مطالعه دارای دو محدودیت است که می تواند در مطالعات آینده مورد توجه قرار گیرد. ابتدا، مطالعه تجربی ارائه شده توسط نمونه مورد مطالعه و با داده های اقتصادی که از سالنامه آماری به دست آمده است، محدود می شود. در حالی که 31 شهر مرکز استان از نظر تنوع جغرافیایی نشان داده شده اند، آنها در نمایندگی شهرهای سطح استان که ممکن است ساختار خیابانی آنها متفاوت باشد محدود هستند. علاوه بر این، واحدهای فضایی مورد استفاده برای آمارهای جمعیتی و اقتصادی در سالنامه آماری نسبتاً درشت هستند که ممکن است تا حدودی باعث عدم قطعیت در نتایج مطالعه شود. دوم، این مطالعه فقط شبکه خیابان های مسطح را در نظر می گیرد، در حالی که خیابان های غیر مسطح، مانند روگذر، تونل، و بزرگراه های جدا شده با درجه، در نظر گرفته نمی شوند. فقدان ویژگی‌های خیابان غیرمسطح در داده‌های OSM محدودیت‌هایی را برای این مطالعه ایجاد می‌کند. گنجاندن ویژگی‌های غیرمسطح در ساخت شبکه خیابانی به طور کامل در زمینه علوم شبکه پیچیده مورد مطالعه قرار نگرفته است و شایسته کاوش بیشتر است. علاوه بر این، در حالی که این مطالعه بر روی شبکه های خیابانی تمرکز دارد، آنها تنها یک نوع شبکه حمل و نقل اساسی هستند. شایان ذکر است که آیا و چگونه دیگر شبکه‌های زیرساخت شهری، مانند شبکه‌های حمل‌ونقل عمومی و شبکه‌های زیرساخت خدماتی، و ترکیبی از شبکه‌های مختلف ممکن است با توسعه اقتصادی ارتباط داشته باشند، بیشتر بررسی شود. یک تحلیل طولی با استفاده از روش‌های ارائه‌شده در این مطالعه ممکن است بینش بیشتری در مورد مکانیسم‌های نهفته در ارتباط بین شبکه‌های حمل‌ونقل و توسعه اقتصادی ارائه دهد. بر اساس درک بهتری از نحوه ارتباط شبکه‌های زیرساخت شهری با توسعه اقتصادی، ممکن است سطوح اقتصادی شهری را با استفاده از روش‌های یادگیری ماشینی شبیه‌سازی و پیش‌بینی کنیم. مطالعاتی از این دست می‌تواند بر بهبود کارایی عملیات شهری از طریق تصمیم‌گیری منطقی برای برنامه‌ریزی حمل‌ونقل شهری و زیرساخت‌ها روشن شود.

پیوست اول

شکل A1. توزیع فضایی مرکزیت بین گره شبکه های خیابانی پکن هر چه رنگ روشن تر باشد، ارزش آن بیشتر است. از مقایسه نقشه می توان دریافت که نقاط پر ارزش عمدتاً در تقاطع های جاده های کمربندی اصلی و تقاطع های پکن توزیع شده اند.

شکل A2. توزیع فضایی شهرهای مورد مطالعه.

شکل A3. رابطه طول جاده شهرها بین داده های OSM و داده های رسمی

جدول A1. ویژگی های اساسی نمودارهای فضایی خیابان شهرهای مختلف چین

جدول A2. نتایج تیپ‌های ریخت‌شناختی شهر بر اساس توزیع شبکه خیابانی طبقه‌بندی شده است.

جدول A3. نتیجه انواع ساختار شهر طبقه بندی شده توسط توزیع نزدیکی شبکه خیابانی.

شکل A4. نقشه مرکزیت بین شبکه جاده ای: ( الف ) پکن، ( ب ) نانجینگ، ( ج ) شن یانگ، و ( د ) شینینگ.

شکل A5. توزیع مرکزیت نزدیکی شبکه جاده: ( الف ) شیان و ( ب ) ووهان.

منابع

تیان، ز. جیا، ال. دونگ، اچ. سو، اف. Zhang, Z. تجزیه و تحلیل شبکه ترافیک جاده های شهری بر اساس شبکه پیچیده. Procedia Eng. 2016 ، 137 ، 537-546. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
جین، اف. وانگ، سی. کائو، ی. کائو، ایکس. وانگ، جی. دای، تی. جیائو، جی. پیشرفت تحقیق در مورد جغرافیای حمل و نقل در چین. جی. جئوگر. علمی 2016 ، 26 ، 1067-1080. [ Google Scholar ] [ CrossRef ]
هاجسون، سی. تأثیر زیرساخت های حمل و نقل بر محل فعالیت اقتصادی: راه آهن و دفاتر پست در غرب آمریکا. J. شهری اقتصاد. 2018 ، 104 ، 59-76. [ Google Scholar ] [ CrossRef ]
Lakshmanan، TR پیامدهای اقتصادی گسترده تر سرمایه گذاری در زیرساخت های حمل و نقل. J. Transp. Geogr. 2011 ، 19 ، 1-12. [ Google Scholar ] [ CrossRef ]
هالت، جی. ساختار فضایی شهری. در اقتصاد زمین شهری ; پالگریو مک میلان: لندن، بریتانیا، 2015; جلد 21501، ص 97–124. [ Google Scholar ]
لینکر، بی. اسپنس، N. زیرساخت های حمل و نقل جاده ای و توسعه اقتصادی منطقه ای: اثرات توسعه منطقه ای بزرگراه مداری M25 لندن. J. Transp. Geogr. 1996 ، 4 ، 77-92. [ Google Scholar ] [ CrossRef ]
خاویر، جی. موقعیت، پتانسیل اقتصادی و دسترسی روزانه: تجزیه و تحلیل تاثیر دسترسی خط پرسرعت مادرید-بارسلون-مرز فرانسه. J. Transp. Geogr. 2001 ، 9 ، 229-242. [ Google Scholar ]
پرادان، RP; Bagchi، TP اثر زیرساخت های حمل و نقل بر رشد اقتصادی در هند: رویکرد VECM. Res. ترانسپ اقتصاد 2013 ، 38 ، 139-148. [ Google Scholar ] [ CrossRef ]
روکیکی، بی. Stępniak، M. سرمایه گذاری عمده زیرساخت های حمل و نقل و توسعه اقتصادی منطقه ای – یک رویکرد مبتنی بر دسترسی. J. Transp. Geogr. 2018 ، 72 ، 36-49. [ Google Scholar ] [ CrossRef ]
شی، ی. گوا، اس. Sun, P. نقش زیرساخت ها در رشد اقتصادی منطقه ای چین. جی. اقتصاد آسیایی. 2017 ، 49 ، 26-41. [ Google Scholar ] [ CrossRef ]
Melo، PC; گراهام، دی جی؛ Brage-Ardao، R. بهره وری سرمایه گذاری زیرساخت های حمل و نقل: یک فراتحلیل شواهد تجربی. Reg. علمی اقتصاد شهری 2013 ، 43 ، 695-706. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
میرسمن، اچ. ناظم زاده، م. سهم زیرساخت های حمل و نقل در فعالیت اقتصادی: مورد بلژیک. مورد مطالعه. ترانسپ سیاست 2017 ، 5 ، 316-324. [ Google Scholar ] [ CrossRef ]
یو، ن. دی یونگ، ام. طوفان، اس. Mi، J. اثرات سرریز فضایی زیرساخت های حمل و نقل: شواهد از مناطق چین. J. Transp. Geogr. 2013 ، 28 ، 56-66. [ Google Scholar ] [ CrossRef ]
روزیک، پ. استپنیاک، م. Komornicki، T. دهه فشار بزرگ به جاده ها در لهستان: تأثیر بر بهبود دسترسی و انسجام سرزمینی از دیدگاه سیاست. ترانسپ سیاست 2015 ، 37 ، 134-146. [ Google Scholar ] [ CrossRef ]
زی، اف. لوینسون، دی. مدل سازی رشد شبکه های حمل و نقل: بررسی جامع. شبکه های اسپات. اقتصاد 2009 ، 9 ، 291-307. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تسیوتاس، دی. توپولوژی شبکه های جاده ای شهری و نقش آن در تحرک شهری. ترانسپ Res. Procedia 2017 ، 24 ، 482-490. [ Google Scholar ] [ CrossRef ]
وانگ، اف. چن، سی. شیو، سی. ژانگ، پی. تحلیل موقعیت مکانی فروشگاه‌های خرده‌فروشی در چانگچون، چین: چشم‌انداز مرکزیت خیابان. شهرها 2014 ، 41 ، 54-63. [ Google Scholar ] [ CrossRef ]
ژن، اف. کائو، ی. Qin، X. وانگ، ب. تعیین مرز تجمع شهری بر اساس داده‌های ورود به میکروبلاگ سینا ویبو: مطالعه موردی دلتای رودخانه یانگ تسه. شهرها 2017 ، 60 ، 180-191. [ Google Scholar ] [ CrossRef ]
Qin، X. ژن، اف. Zhu، SJ تمرکز یا عدم تمرکز؟ تأثیر کانال های اطلاعاتی بر تحرک مسکونی در عصر اطلاعات Habitat Int. 2016 ، 53 ، 360-368. [ Google Scholar ] [ CrossRef ]
باتی، ام. داده های بزرگ، شهرهای هوشمند و برنامه ریزی شهری. دیالوگ هام Geogr. 2013 ، 3 ، 274-279. [ Google Scholar ] [ CrossRef ]
نیومن، MEJ ساختار و عملکرد شبکه های پیچیده. SIAM Rev. 2005 ، 45 ، 167-256. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Barthélemy, M. Spatial Networks ; فیزیک هرزه.؛ Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2014; جلد 499، ص 1967–1976. [ Google Scholar ]
کاردیلو، آ. اسکلاتو، اس. لاتورا، وی. پورتا، اس. ویژگی های ساختاری نمودارهای مسطح الگوهای خیابان شهری. فیزیک Rev. E 2006 , 73 , 066107. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
آسامی، ی. ایستک، سی. خصوصیات شبکه های خیابانی در شکل سنتی شهری ترک. محیط زیست طرح. B طرح. دس 2001 ، 28 ، 777-795. [ Google Scholar ] [ CrossRef ]
دوان، ی. Lu, F. استحکام ساختاری شبکه های جاده ای شهری بر اساس جامعه. محاسبه کنید. محیط زیست سیستم شهری 2013 ، 41 ، 75-87. [ Google Scholar ] [ CrossRef ]
امنیت، استاندارد IT دفتر EI: چرخه حیات توسعه سیستم امن. محیط زیست طرح. ب مقعد شهری. علوم شهر 2017 ، 369 ، 1-5. [ Google Scholar ]
کروسیتی، پی. لاتورا، وی. پورتا، س. اقدامات مرکزیت در شبکه های فضایی خیابان های شهری. فیزیک Rev. E 2006 , 73 , 036125. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
جیانگ، بی. الگوی توپولوژیکی شبکه‌های خیابانی شهری: جهانی بودن و ویژگی. فیزیک یک آمار مکانیک. برنامه آن است. 2007 ، 384 ، 647-655. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیو، ایکس. Long, Y. شناسایی و خصوصیات خودکار بسته ها (AICP) با OpenStreetMap و نقاط مورد علاقه. محیط زیست طرح. B طرح. دس 2006 ، 43 ، 341-360. [ Google Scholar ] [ CrossRef ]
جوکار ارسنجانی، ج. هلبیچ، ام. باکی‌الله، م. Loos, L. ظهور و تکامل OpenStreetMap: رویکرد اتوماتای سلولی. بین المللی جی دیجیت. زمین 2015 ، 8 ، 74-88. [ Google Scholar ] [ CrossRef ]
بوئینگ، G. OSMnx: روش‌های جدید برای دستیابی، ساخت، تجزیه و تحلیل و تجسم شبکه‌های خیابانی پیچیده. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 65 ، 126-139. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Domingues، GS; سیلوا، FN; Comin، CH; Da Costa، LF توصیف توپولوژیکی شهرهای جهان. J. Stat. مکانیک. تئوری Exp. 2018 , 2018 , 083212. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پورتا، اس. استرانو، ای. یاکوویلو، وی. مسورا، آر. لاتورا، وی. کاردیلو، آ. وانگ، اف. مرکز Scellato، S. Street و تراکم خرده فروشی و خدمات در بولونیا، ایتالیا. محیط زیست طرح. B طرح. دس 2009 ، 36 ، 450-465. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کاردیلو، آ. وانگ، اف. لاتورا، ال. روئدا، س. اسکلاتو، اس. کاردناس، اف. بلی، ای. پورتا، اس. لاتورا، وی. استرانو، ای. و همکاران مرکزیت خیابان و موقعیت فعالیت های اقتصادی در بارسلونا. مطالعه شهری. 2011 ، 49 ، 1471-1488. [ Google Scholar ]
لین، جی. چن، ایکس. لیانگ، ی. موقعیت فروشگاه‌های خرده‌فروشی و مرکزیت خیابان در گوانگژو، چین. Appl. Geogr. 2018 ، 100 ، 12-20. [ Google Scholar ] [ CrossRef ]
لیو، ی. وی، ایکس. جیائو، ال. وانگ، اچ. روابط بین مرکزیت خیابان و شدت استفاده از زمین در ووهان، چین. ج. طرح شهری. توسعه دهنده 2016 , 142 , 05015001. [ Google Scholar ] [ CrossRef ]
اسپادون، جی. گیمنس، جی. رودریگز، JF توصیف شبکه خیابانی توپولوژیکی از طریق تجزیه و تحلیل بردار ویژگی و خوشه. در کنفرانس بین المللی علوم محاسباتی ; Springer: Cham, Switzerland, 2018; ص 274-287. [ Google Scholar ]
لی، بی. یونگ، دبلیو. تحلیل شبکه خیابان شهری کره: ارتباط بین توپولوژی و فرااطلاعات. Physica A 2018 ، 497 ، 15-25. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دوکروت، سی. بوگیت، ال. علوم فضایی و علوم شبکه: بررسی و نتایج یک رابطه پیچیده. شبکه های اسپات. اقتصاد 2014 ، 14 ، 297-316. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آگریزکوف، تی. الیور، جی ال. تورتوسا، ال. Vicent، JF تجزیه و تحلیل فعالیت های تجاری یک شبکه خیابانی با رتبه بندی گره های آنها: مطالعه موردی در مورسیا، اسپانیا. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 479-495. [ Google Scholar ] [ CrossRef ]
ژانگ، دبلیو. وانگ، اس. تیان، ایکس. یو، دی. یانگ، زی. ستون فقرات شبکه های خیابانی شهری: ویژگی های توزیع درجه و اتصال. Adv. مکانیک. مهندس 2017 , 9 . [ Google Scholar ] [ CrossRef ]
تان، آر. ژو، ک. شو، اچ. اثرات مرکزیت جاده شهری بر ارزش‌های دارایی: تحلیل لذت‌گرایانه فضایی بازار مسکن در ووهان، چین. ج. طرح شهری. توسعه دهنده 2019 , 145 , 05019005. [ Google Scholar ] [ CrossRef ]
فریمن، LC مجموعه ای از معیارهای مرکزیت بر اساس بین. Sociometry 1977 ، 40 ، 35-41. [ Google Scholar ] [ CrossRef ]
بین مرکزیت. در دسترس آنلاین: https://en.wikipedia.org/wiki/Betweenness_centrality (در 25 نوامبر 2019 قابل دسترسی است).
Sabidussi, G. شاخص مرکزیت یک نمودار. Psychometrika 1966 ، 31 ، 581-603. [ Google Scholar ] [ CrossRef ] [ PubMed ]
روزنتال، اس اس; عجیب، WC عوامل تعیین کننده تراکم. J. شهری اقتصاد. 2001 ، 50 ، 191-229. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
روکاچ، ال. Maimon, O. فصل 15-روشهای خوشه بندی. در کتابچه داده کاوی و کشف دانش ؛ Maimon, O., Rokach, L., Eds. Springer: Boston, MA, USA, 2010; پ. 32. شابک 0-387-25465-X. [ Google Scholar ]
پایگاه آمار CEInet. در دسترس آنلاین: https://db.cei.cn/page/Default.aspx (در 25 نوامبر 2019 قابل دسترسی است).
بایدوبیک. در دسترس آنلاین: https://baike.baidu.com (در 25 نوامبر 2019 قابل دسترسی است).
GaoDe Map API. در دسترس آنلاین: https://lbs.amap.com/api/webservice/guide/api/district (در 25 نوامبر 2019 قابل دسترسی است).
یلماز، ع. کمک، اس. سبنمدوزگون، ح. Cakir، نماینده کارتوگرافی موضوعی برای جامعه ; Springer: Cham, Switzerland, 2014; صص 157-170. [ Google Scholar ]
آنالیز OSM. در دسترس آنلاین: https://osm-analytics.org/#/ (در 25 نوامبر 2019 قابل دسترسی است).
گزارش سالانه آمار شبکه جاده ای در شهرهای بزرگ چین. در دسترس آنلاین: https://www.chinautc.com/templates/H_groupsecond/people.aspx?nodeid=33&page=ContentPage&contentid=92331 (در 25 نوامبر 2019 قابل دسترسی است).
Pyatt, G. در تفسیر و تفکیک ضرایب جینی. اقتصاد J. 2006 , 86 , 243. [ Google Scholar ] [ CrossRef ]
لی، ام. او، بی. گوا، آر. لی، ی. چن، ی. Fan, Y. مطالعه الگوی توزیع جمعیت در سطح شهرستان چین. حفظ کنید. 2018 ، 10 ، 3598. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
اداره ملی آمار چین. موجود به صورت آنلاین: https://www.stats.gov.cn/ztjc/zthd/sjtjr/dejtjkfr/tjkp/201106/t20110613_71947.htm (در 25 نوامبر 2019 قابل دسترسی است). (به زبان چینی)

شکل 1. چارچوب تحلیلی شبکه خیابانی و سطح توسعه اقتصادی.

شکل 2. توزیع احتمال تجمعی مرکزیت بین شبکه خیابانی.

شکل 3. توزیع احتمال تجمعی مرکزیت نزدیکی شبکه خیابانی.

شکل 4. درخت سلسله مراتبی (دندروگرام) بر اساس ضرایب جینی توزیع های دو اندازه گیری مرکزیت.

شکل 5. ترسیم خوشه های شهر بر اساس تولید ناخالص داخلی (GDP) و جمعیت شهرها.

شکل 6. همبستگی بین تولید ناخالص داخلی سرانه و ضرایب جینی مرکزیت بین شبکه خیابانی.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.