خلاصه

برای بررسی ارتباط بین فعالیت بدنی (از جمله حالت‌های سفر فعال) و عوامل محیطی، بسیاری از تحقیقات تأثیرات زمینه‌ای را بر اساس مناطق یا مناطق مشخص شده با تجزیه و تحلیل بافر تخمین زده‌اند. با این حال، مطالعات کمی تا به امروز اثرات اندازه‌های مختلف بافر را بر برآورد مواجهه‌های پویا افراد در طول سفرهای روزانه‌شان که به‌عنوان مسیرهای GPS ثبت شده‌اند، بررسی کرده‌اند. بنابراین، با استفاده از مجموعه داده‌های GPS ۷ روزه جمع‌آوری‌شده در بررسی فهرست سفرهای خانگی منطقه‌ای شیکاگو (CRHTI)، این مطالعه به موضوع روش‌شناختی می‌پردازد که چگونه ارتباط بین زمینه‌های محیطی و حالت‌های سفر فعال (ATM) به عنوان زیرمجموعه‌ای از فعالیت بدنی متفاوت است. اندازه بافر مبتنی بر GPS. نتایج نشان می‌دهد که اندازه بافر بر چنین ارتباط‌ها و سطوح معنی‌داری هفت عامل محیطی انتخاب شده به عنوان پیش‌بینی‌کننده تأثیر می‌گذارد. علاوه بر این، یافته‌های مربوط به اثرات اندازه بافر بر چنین ارتباط‌هایی و سطوح اهمیت به وضوح بین دستگاه‌های خودپرداز پیاده‌روی و دوچرخه‌سواری متفاوت است. چنین شواهدی از وجود اثرات اندازه بافر برای عوامل محیطی متعدد نه تنها اهمیت مشکل بافت جغرافیایی نامشخص (UGCoP) را تأیید می کند، بلکه یک یادداشت هشداردهنده قوی برای تمام تحقیقات آینده در مورد تحرک انسان که شامل مسیرهای GPS افراد می شود، از جمله مطالعات بر روی فعالیت بدنی و رفتارهای سفر، به ویژه بر اساس برآورد قابل اعتماد مواجهه فردی با عوامل محیطی و پیامدهای سلامتی آنها. یافته‌های مربوط به تأثیر اندازه بافر بر چنین ارتباط‌هایی و سطوح اهمیت به وضوح بین دستگاه‌های خودپرداز پیاده‌روی و دوچرخه‌سواری متفاوت است. چنین شواهدی از وجود اثرات اندازه بافر برای عوامل محیطی متعدد نه تنها اهمیت مشکل بافت جغرافیایی نامشخص (UGCoP) را تأیید می کند، بلکه یک یادداشت هشداردهنده قوی برای تمام تحقیقات آینده در مورد تحرک انسان که شامل مسیرهای GPS افراد می شود، از جمله مطالعات بر روی فعالیت بدنی و رفتارهای سفر، به ویژه بر اساس برآورد قابل اعتماد مواجهه فردی با عوامل محیطی و پیامدهای سلامتی آنها. یافته‌های مربوط به تأثیر اندازه بافر بر چنین ارتباط‌هایی و سطوح اهمیت به وضوح بین دستگاه‌های خودپرداز پیاده‌روی و دوچرخه‌سواری متفاوت است. چنین شواهدی از وجود اثرات اندازه بافر برای عوامل محیطی متعدد نه تنها اهمیت مشکل بافت جغرافیایی نامشخص (UGCoP) را تأیید می کند، بلکه یک یادداشت هشداردهنده قوی برای تمام تحقیقات آینده در مورد تحرک انسان که شامل مسیرهای GPS افراد می شود، از جمله مطالعات بر روی فعالیت بدنی و رفتارهای سفر، به ویژه بر اساس برآورد قابل اعتماد مواجهه فردی با عوامل محیطی و پیامدهای سلامتی آنها.

کلید واژه ها:

تجزیه و تحلیل بافر ؛ GIS _ زمینه محیطی ؛ مسیرهای GPS ; حالت های سفر فعال

1. معرفی

با افزایش علاقه به روابط بین زمینه‌های محیطی و رفتارها و پیامدهای مرتبط با سلامت انسان، بسیاری از محققان فعالیت بدنی (PA) تأثیرات محیطی بر PA متوسط ​​تا شدید افراد را بررسی کرده‌اند. PA “هر گونه حرکت بدنی است که توسط عضلات اسکلتی ایجاد می شود که منجر به مصرف انرژی می شود” [ 1 ]. PA متوسط ​​تا شدید، به ویژه، مانند راه رفتن سریع و دویدن، فواید سلامتی مختلفی را به همراه دارد [ 2 ]]. بسیاری از مطالعات از تجزیه و تحلیل بافر مبتنی بر سیستم اطلاعات جغرافیایی (GIS) به دلیل سادگی استفاده از آنها برای ترسیم مناطق یا مناطق بافتی و اثربخشی در استخراج متغیرهای زمینه با آنها استفاده کرده اند. بنابراین، مناطق حائل با فاصله از پیش تعیین شده، اغلب در تحقیقات روی PA برای تعیین مناطقی که در آن افراد به طور بالقوه تحت تأثیر عوامل محیطی خاص قرار می گیرند، استفاده می شود.
آدرس‌های خانه یک نوع مکان جغرافیایی محبوب برای تعیین مناطق بافر بوده است. به عنوان مثال، مطالعات قبلی اثرات فضاهای سبز محله اطراف مکان های خانه افراد را بر PA آنها بررسی کردند [ 3 ، 4 ، 5 ، 6 ]. برخی از محققان به دنبال شناسایی یک فاصله معقول و قابل اعتماد برای ثبت اثرات واقعی همسایگی هستند. به عنوان مثال، مک گین و همکاران [ 7 ] پیشنهاد کردند که فاصله 20 دقیقه ای پیاده روی – تقریباً 1.6 کیلومتر یا 1 مایل – برای تعریف مناطق همسایگی از مکان های منازل فردی در تحقیقات سلامت فیزیکی مناسب است، در حالی که Berke و همکاران [ 7] 8 ]] ادعا کرد که اندازه کمی کوچکتر، 1 کیلومتر یا 0.6 مایل، ممکن است ویژگی های محله های مسکونی مردم را بهتر نشان دهد.
در مقایسه با مکان‌های ایستا، مانند آدرس‌های خانه، چند مطالعه برای بررسی اثرات اندازه بافرهای مبتنی بر GPS هنگام تخمین نوردهی پویا در طول مسیرهای GPS روزانه افراد انجام شده است. برای بافرهای مبتنی بر GPS، نقاط پویا GPS به عنوان موجودیت‌هایی برای ساختن بافرها به جای مکان‌های ثابت خانه استفاده می‌شوند. با شناسایی مکان و زمانی که افراد وقت خود را می گذرانند و در معرض تأثیرات محیطی خاص در زندگی روزمره خود قرار می گیرند، استفاده از داده های GPS ممکن است به کاهش مشکل بافت جغرافیایی نامشخص (UGCoP) کمک کند، که به دلیل عدم قطعیت های مکانی و زمانی تأثیرات متنی بر روی زمین ایجاد می شود. رفتارها یا پیامدهای مرتبط با سلامت افراد [ 9]. در دهه گذشته یا بیشتر، تجزیه و تحلیل بافر (به عنوان مثال، بافر 50 یا 100 متر) برای ترسیم زمینه های محیطی در امتداد مسیرهای GPS افراد استفاده شده است که تأثیرات مکانی فوری و لحظه ای بر PA متوسط ​​تا شدید افراد دارند [ 10 ، 11 ] . با این حال، به دلیل عدم توافق بر سر بهترین فاصله برای ایجاد بافرهای مبتنی بر GPS در مطالعات قبلی و تغییرات احتمالی در نتایج تحقیقات به دلیل استفاده از بافرهای با اندازه‌های مختلف، نیاز مبرمی به بررسی اثرات اندازه‌های مختلف وجود دارد. حائل در یافته های تحقیقاتی برای ارائه بینش در مورد تحقیقات بهداشت عمومی و حمل و نقل.
بنابراین، این مطالعه به موضوع روش‌شناختی اثرات اندازه‌های مختلف بافر بر روابط تخمین زده شده بین زمینه‌های محیطی و حالت‌های سفر فعال (ATM) می‌پردازد که جلوه‌ای از UGCoP است. به عنوان زیرمجموعه ای از PA، دستگاه های خودپرداز در این مطالعه فقط پیاده روی و دوچرخه سواری را شامل می شوند، اگرچه دستگاه های خودپرداز دیگری مانند دویدن، اسکیت سواری و غیره در زندگی روزمره ما وجود دارند. تحلیل‌های حساسیت برای بررسی ارتباط‌های مختلف بین هفت عامل محیطی (جرم، درختان، پارک‌ها و فضاهای باز، متوسط ​​درآمد خانوار محله، جمعیت محله، در دسترس بودن حمل‌ونقل، و برخورد ترافیک) و پیاده‌روی و دوچرخه‌سواری با در نظر گرفتن ۱۱ اندازه بافر مختلف انجام شد. بین 20 تا 200 متر علاوه بر این،
این مطالعه به ادبیات مربوط به برآورد دقیق مواجهه‌های فردی با زمینه‌های مختلف محیطی کمک می‌کند.
این مقاله به شرح زیر سازماندهی شده است. مطالعات گذشته در مورد برآورد قرار گرفتن در معرض محیطی با استفاده از بافرها در بخش 2 بررسی شده است. مجموعه داده های GPS، مجموعه داده های GIS و روش های تحلیلی مورد استفاده در این مطالعه در بخش 3 توضیح داده شده است. بخش 4 نتایج به دست آمده از تجزیه و تحلیل های آماری در مورد ارتباط بین دستگاه های خودپرداز و عوامل محیطی متعدد را ارائه می دهد و بخش 5 یافته های تحقیق را مورد بحث قرار می دهد و مقاله را به پایان می رساند.

2. برآورد قرار گرفتن در معرض محیطی فردی با استفاده از تجزیه و تحلیل بافر

روش‌های GIS برای تخمین تأثیر تأثیرات محیطی بر PA ضروری بوده‌اند. حجم وسیعی از تحقیقات از تجزیه و تحلیل بافر برای ترسیم محله‌های اطراف آدرس خانه افراد و یافتن شواهد تجربی در مورد ارتباط بین PA و ویژگی‌های محله استفاده کرده‌اند [ 5 ، 7 ، 8 ، 12 ، 13]. بافر یکی از انواع تجزیه و تحلیل فضایی است که می تواند برای ارزیابی اثرات عوامل مختلف با تعریف مناطق پیرامون اولیه های هندسی مانند نقاط، خطوط یا چندضلعی ها که موجودات یا اشیاء جغرافیایی را نشان می دهند، استفاده شود. بافرهای دایره ای (شعاعی) با فاصله یکسان در همه جهات به طور گسترده برای تعریف مناطق همسایه یا بافتی به صورت همسانگرد استفاده می شوند، در حالی که بافرهای شبکه برای تعریف مناطق متنی ناهمسانگرد با در نظر گرفتن فواصل قابل دسترس افراد در امتداد شبکه های جاده ای استفاده می شوند ( شکل 1 ) . . شکل دایره‌ای محبوب‌ترین شکل برای ترسیم مناطق متنی بر اساس فاصله‌ای خاص از مجموعه‌ای از موجودیت‌ها (مثلاً مکان‌های خانه افراد) بوده است. به عنوان مثال، مک گین و همکاران [ 7] بافرهای دایره ای 1.6 کیلومتری (1 مایلی) را در اطراف خانه های 1270 بزرگسال در شهرستان فورسیث، NC و جکسون سیتی، ام اس ایجاد کرد تا ارتباط بین محیط ساخته شده و PA بزرگسالان را برای اهداف تفریحی و حمل و نقل بررسی کند. مسافت 1.6 کیلومتر معادل 20 دقیقه پیاده روی است که برای تعیین محله های مسکونی مردم بر اساس موقعیت مکانی آنها، مسافت منطقی به نظر می رسد. این مطالعه نشان داد که در جکسون، ام اس، افرادی که در محله هایی با حجم کم ترافیک زندگی می کنند، کمتر به توصیه های فعالیت بدنی عمل می کنند.
از آنجایی که یک محله یا منطقه زمینه را می توان بر اساس ویژگی های مختلف شرکت کنندگان یا محیط مشخص کرد، اندازه های بافر مختلفی در برخی از مطالعات استفاده شد [ 5 ، 8 ، 13 ، 14 ، 15 ]. برک و همکاران برای مثال، [ 8 ] از اندازه‌های بافر کوچک‌تر (مثلاً 100 متر، 500 متر و 1 کیلومتر) استفاده می‌کند که ممکن است مناطق قابل پیاده‌روی را برای افراد مسن در اطراف خانه‌هایشان بهتر به تصویر بکشد. به عنوان یکی از ویژگی های محیط ساخته شده، اثرات فضای سبز بر PA افراد ممکن است به مجاورت فضای سبز و خانه افراد بستگی داشته باشد. به عنوان مثال، ماس و همکاران [ 13] از بافرهای دایره ای 1 کیلومتری و 3 کیلومتری برای اندازه گیری درصد فضای سبز اطراف خانه های شرکت کنندگان استفاده کردند، در حالی که سرین و همکاران [ 16 ] از بافرهای شبکه 500 متری و 1 کیلومتری برای ترسیم فضای سبز قابل دسترس برای بزرگسالان در 12 کشور استفاده کردند. براونینگ و لی [ 17 ] یک مرور ادبیات سیستماتیک انجام دادند و دریافتند که وقتی بافرهایی در اطراف آدرس خانه افراد ایجاد می شد، تعداد زیادی از مطالعات ارتباط قابل توجهی را بین سبز بودن و سلامت فیزیکی بهتر یا رفتارهای سلامتی، از جمله PA، با افزایش اندازه بافر پیدا کردند. تا سال 1999 م. علاوه بر این، ناگل و همکاران [ 5] نتیجه گرفت که اهمیت ارتباط بین برخی از عوامل محیطی ساخته شده و PA می تواند بسته به اندازه بافرهایی که محدوده های مختلف محله یا مناطق بافتی را نشان می دهند متفاوت باشد.
پذیرش فزاینده GPS در تحقیقات PA منجر به شناسایی مکان هایی شده است که PA در آن رخ می دهد. در برخی از مطالعات، نقاط GPS که در 400 متر تا 1600 متر بافرهای دایره ای یا شبکه از مکان های خانه افراد قرار می گیرند، در نظر گرفته شدند [ 18 ، 19 ، 20 ، 21 ]. این مطالعات نقاط GPS را با PA اندازه گیری شده ترکیب کردند تا تأثیر محله های مسکونی بر PA افراد را درک کنند. Boruff و همکاران [ 18 ] انواع مختلف بافر و تأثیر آنها بر یافته های تحقیق را بیشتر بررسی کردند. علاوه بر این، اندازه‌های مختلف بافرها در مطالعات اخیر برای ترسیم محله‌های مسکونی دقیق‌تر برای انواع خاص PA (مانند پیاده‌روی یا دوچرخه‌سواری) در نظر گرفته شد 22،23 ]. به عبارت دیگر، با توجه به اندازه بافرها، انواع PA مورد نظر به یک عامل حیاتی تبدیل شد که برای یافتن اندازه بافر مناسب باید در نظر گرفته شود.
با این حال، تنها چند مطالعه تا به امروز، بافرهایی را در طول سفرهای فردی که توسط مسیرهای GPS برای ارزیابی تأثیر دینامیک عوامل محیطی ردیابی می‌شوند، در نظر گرفته‌اند. از جمله این مطالعات، رودریگز و همکاران. [ 10 ] استفاده از بافرهای 50 متری در اطراف هر نقطه GPS را برای تخمین قرار گرفتن روزانه دختران نوجوان با ویژگی های محیط ساخته شده توجیه کرد. هدف از استفاده از فاصله 50 متری جلوگیری از وابستگی بالقوه در اثرات تخمینی محیط ساخته شده بین دو نقطه متوالی GPS بود. علاوه بر این، بورگوین و همکاران [ 11] یک روش ترکیبی را با استفاده از بافرهای دایره‌ای 100 متری برای تخمین قرار گرفتن در معرض محیطی در طول سفرهای کودکان از و به مدرسه و بافرهای شبکه 800 متری برای محله‌های مسکونی و مدرسه آنها اعمال کرد. هریسون و همکاران [ 24 ] با توجه به سفر از و به مدرسه کودکان، از مسیرهای واقعی مشتق شده از نقاط GPS و مسیرهای پیش بینی شده با استفاده از الگوریتم کوتاه ترین مسیر برای مقایسه محیط های غذا و PA در بافرهای 100 متری در امتداد این دو استفاده کردند. انواع مسیرها یین و همکاران [ 25] تاکید کرد که اگرچه PA متوسط ​​تا شدید جوانان معمولاً در شعاع 0.25 یا 0.3 مایلی اطراف محل سکونت آنها با توجه به سفرهای روزانه آنها رخ می دهد، مسیرهای فضا-زمان آنها به طور یکنواخت در ناحیه شعاعی توزیع نشده است. علاوه بر این، هیوستون [26 ] بافرهای 50، 250 و 500 متری ایجاد شده در اطراف مسیرهای GPS 55 بزرگسال را آزمایش کرد و دریافت که نتایج بین اندازه های مختلف بافر متفاوت است. به عنوان مثال، با افزایش اندازه بافر به 500 متر، میزان تأثیر فضای سبز بر PA متوسط ​​تا شدید کاهش یافت.
بنابراین، این مطالعه یک بررسی عمیق در مورد اثرات اندازه بافر بر نتایج تحقیقات مربوط به PA بر اساس مسیرهای GPS انجام داد. با توجه به UGCoP، کوان [ 27 ] نیاز به انجام تجزیه و تحلیل حساسیت را به طور خاص، به منظور درک بهتر میزان تأثیر یافته های تحقیق و تأثیرات زمینه ای توسط تقسیم بندی های مختلف واحدهای زمینه ای، برجسته کرد. از این رو، این مطالعه بررسی می‌کند که آیا اندازه بافر مبتنی بر GPS بر ارتباط بین دستگاه‌های خودپرداز، از جمله پیاده‌روی و دوچرخه‌سواری، و عوامل محیطی فیزیکی و اجتماعی متعددی که مطالعات قبلی آن‌ها را بررسی نکرده‌اند، تأثیر می‌گذارد یا خیر. علاوه بر این، در مقایسه با تحقیقات هیوستون [ 26]، این مطالعه قرار گرفتن در معرض محیطی فردی را با استفاده از بافرهای کوچکتر (به عنوان مثال، از 50 متر تا 200 متر) بررسی می کند.

3. روش

3.1. داده های GPS

داده‌های GPS و یادداشت‌های روزانه فعالیت جمع‌آوری‌شده در پروژه فهرست سفرهای خانگی منطقه‌ای شیکاگو (CRHTI) در این مطالعه استفاده شد. شیکاگو سومین منطقه شهری بزرگ در ایالات متحده است که مردم در آن در معرض فرصت‌های شهری و محیط‌های ساخته شده مختلف هستند. این مطالعه توسط هیئت بررسی نهادی دانشگاه ایلینویز تایید شده است. در بررسی CRHTI، داده های مسیر GPS از اعضای 147 خانوار به مدت 7 روز بین سپتامبر 2007 و دسامبر 2007 با استفاده از GlobalSat Data Logger ثبت شد. یادداشت های روزانه فعالیت در اولین روز از کل 7 روز نظرسنجی در مورد مقصدها و سفرها گزارش شد. در میان این شرکت‌کنندگان، تنها 178 نفر از 73 خانوار، اطلاعات کامل شخصی و خانوادگی را علاوه بر داده‌های GPS و یادداشت‌های فعالیت داشتند. و 168 بزرگسال که 18 سال یا بیشتر داشتند به عنوان آزمودنی برای این مطالعه انتخاب شدند. زمانی که شرکت‌کننده با سرعت حداقل یک مایل در ساعت (مایل در ساعت) حرکت می‌کرد که سرعت پیاده‌روی آهسته است، داده‌های GPS در فاصله زمانی 5 ثانیه ثبت شد. در این مطالعه، برای کاهش زمان محاسبات برای تجزیه و تحلیل های زیر، از نقاط GPS در فاصله 10 ثانیه نمونه برداری شد. از آنجایی که تعداد نقاط GPS در فواصل 5 ثانیه برای پردازش بافر بسیار زیاد است، تصمیم گرفتیم با نمونه برداری از آنها در فاصله 10 ثانیه، تعداد نقاط را به نصف کاهش دهیم. قبل از تجزیه و تحلیل داده ها، فیلتر کالمن [ برای کاهش زمان محاسبه برای تجزیه و تحلیل های زیر، از نقاط GPS در یک بازه 10 ثانیه نمونه برداری شد. از آنجایی که تعداد نقاط GPS در فواصل 5 ثانیه برای پردازش بافر بسیار زیاد است، تصمیم گرفتیم با نمونه برداری از آنها در فاصله 10 ثانیه، تعداد نقاط را به نصف کاهش دهیم. قبل از تجزیه و تحلیل داده ها، فیلتر کالمن [ برای کاهش زمان محاسبه برای تجزیه و تحلیل های زیر، از نقاط GPS در یک بازه 10 ثانیه نمونه برداری شد. از آنجایی که تعداد نقاط GPS در فواصل 5 ثانیه برای پردازش بافر بسیار زیاد است، تصمیم گرفتیم با نمونه برداری از آنها در فاصله 10 ثانیه، تعداد نقاط را به نصف کاهش دهیم. قبل از تجزیه و تحلیل داده ها، فیلتر کالمن [28 ]، بر اساس برآورد درجه دوم خطی، برای افزایش دقت داده های GPS انجام شد. علاوه بر این، سفرهای کوتاه با مدت زمان کمتر از 3 دقیقه حذف شدند، زیرا مسیرهای GPS که به نظر سفرهای کوتاه کمتر از 3 دقیقه هستند، به احتمال زیاد سفرهای واقعی نیستند (مثلاً به دلیل جابجایی نقاط GPS) و می توانند به اشتباه به عنوان سفر شناسایی شوند. بنابراین، این «سفرهای کوتاه» حذف شدند.

3.2. طبقه بندی حالت سفر

برای بدست آوردن حالت‌های سفر سفرهای ثبت‌شده در نظرسنجی، الگوریتم طبقه‌بندی حالت سفر توسط لی و کوان [ 28 ]] پذیرفته شد. این الگوریتم حالت های سفر مانند پیاده روی و دوچرخه سواری را با استفاده از یادگیری ماشین شناسایی می کند. در میان سه فرآیند اصلی که الگوریتم طبقه‌بندی حالت سفر را تشکیل می‌دهند، فرآیند «طبقه‌بندی با استفاده از داده‌های GPS» برای طبقه‌بندی راه رفتن، وضعیت داخل خودرو، دوچرخه‌سواری و دویدن برای این مطالعه اصلاح، بهینه‌سازی و پیاده‌سازی شد، زیرا داده‌های GPS فقط داده های حسگر جمع آوری شده توسط پروژه CRHTI. این فرآیند بهینه‌سازی شامل تست مجموعه‌های مختلف پنجره‌های فاصله و زمان (فاصله 10 تا 500 متر و زمان 10 تا 300 ثانیه) برای یافتن بهترین دقت پیش‌بینی است که در نسخه قبلی الگوریتم (10 تا 200 متر) انجام نشده بود. فاصله و زمان 10 تا 180 ثانیه).
دقت پیش‌بینی کلی الگوریتم طبقه‌بندی بهینه شده 97.00% (پیاده‌روی: 97.58%، در داخل خودرو: 97.24%، دوچرخه‌سواری: 89.33% و دویدن: 99.01% در شکل 2 ) با زمان 10 تا 300 ثانیه تا پنجره‌ها و 55001 پنجره‌های فاصله‌ای متری زمانی که داده‌های GPS Geolife که در بخش 3.1 در [ 28 ] توضیح داده شده است به عنوان مجموعه داده‌های آموزشی و آزمایشی استفاده شد. هنگامی که پنجره های زمانی 10 تا 180 ثانیه و پنجره های فاصله 10 تا 200 متری – که حداقل محدوده اندازه پنجره در آزمون بودند – استفاده شد، الگوریتم به کمترین دقت پیش بینی (95.04٪) دست یافت. سپس، الگوریتم طبقه‌بندی بهینه‌شده نیز با استفاده از مسیرهای GPS دنیای واقعی جمع‌آوری‌شده از سه موضوع توصیف‌شده در لی و کوان [ 28 ] آزمایش شد.]. سه آزمودنی بزرگسالان جوان و همه مرد بودند که هیچ مشکل سلامتی نداشتند. دقت راه رفتن (99.38%) و وضعیت داخل خودرو (95.81%) را در مقایسه با نسخه قبلی (پیاده روی: 98.25%؛ در داخل خودرو: 91.98%) بهبود می بخشد، در حالی که دوچرخه سواری (90.47%) دقت کمی پایین تری نشان می دهد. نسبت به نسخه اصلی الگوریتم (90.95%). مشاهدات در حال اجرا در مسیرهای GPS دنیای واقعی در این مطالعه با رکوردهای تقریباً 2 ساعته TrackProfiler (Višnjan، کرواسی)، که یک سرویس آنلاین برای آپلود و اشتراک گذاری مسیرهای GPS است، جایگزین شد، زیرا تعداد مشاهدات برای دویدن بسیار کم بود. برای اندازه گیری عملکرد الگوریتم در پیش بینی اجرا در مطالعه قبلی. با مشاهدات جایگزین شده، طبقه بندی بهینه به دقت 90.95٪ در شناسایی دویدن دست یافت.شکل 3 .

3.3. تحلیل های آماری

بافرهای مبتنی بر GPS از نظر مکانی خاص تر هستند و در مقایسه با سایر روش های ترسیم، از جمله فضاهای فعالیت [ 29 ، 30 ، 31 ، 32 ، 33 ]، تراکم هسته [ 34 ، 35 ]، می توانند زمینه های محیطی را در طول مسیرهای GPS افراد بهتر به تصویر بکشند. و مناطق مسیر بالقوه روزانه [ 36 ]. علاوه بر این، بافرهایی که با استفاده از نقاط GPS ایجاد می‌شوند، می‌توانند بعد زمانی نوردهی را نیز در نظر بگیرند و تخمین قرار گرفتن افراد در معرض تأثیرات محیطی را ممکن می‌سازند (به عنوان مثال، زمانی که افراد برای مدت طولانی‌تری در مکان‌های خاص می‌مانند، قرار گرفتن در معرض بیشتر)، در حالی که سایر روش‌های ترسیم معمولاً اغلب آنها را نادیده بگیرید (ر.ک، وانگ و کوان [37 ]).
بافرهای دایره ای در اطراف هر نقطه GPS با حالت های سفر پیش بینی شده ایجاد می شوند ( شکل 4 ). در مورد تأثیر محیط بر PA افراد، وضعیت داخل خودرو با دستگاه های خودپرداز مانند دوچرخه سواری در تضاد است (وینترز و همکاران، 2010). بنابراین، هنگامی که ارتباط بین هر حالت سفر و زمینه محیطی مورد بررسی قرار می‌گیرد، وضعیت داخل خودرو می‌تواند به عنوان یک مقوله مرجع عمل کند.

برای مدل آماری در این مطالعه، از رگرسیون لجستیک چند جمله ای برای بررسی ارتباط بین دستگاه های خودپرداز و زمینه های محیطی استفاده شد. در متغیر پاسخ، عدم فعالیت پیش‌بینی‌شده و دستگاه‌های خودپرداز (به عنوان مثال، در خودرو در مقابل پیاده‌روی، و در خودرو در مقابل دوچرخه‌سواری) مقایسه شدند. تحلیل‌های رگرسیون لجستیک، نسبت‌های شانس (OR) را برای هر پیش‌بینی‌کننده به‌عنوان تخمین‌هایی از احتمال وقوع یک نتیجه خاص (مثلاً سفر فعال) در برابر دیگری (مثلاً سفر غیرفعال) ارائه می‌کند. در این مقاله، اگر OR بزرگ‌تر از 1 باشد، به این معنی است که پیاده‌روی یا دوچرخه‌سواری برای یک پیش‌بینی‌کننده خاص بیشتر اتفاق می‌افتد. از سوی دیگر، اگر OR کمتر از 1 باشد، نشان می‌دهد که احتمال وقوع وضعیت داخل خودرو بیشتر است. در رگرسیون لجستیک، ORها با افزایش توان ضریب بتای یک متغیر معین به صورت زیر بدست می‌آیند.

O dدs R a t i o = هβ،�ددس آرآتیمن�=ه�،

که در آن β ضریب یک متغیر توضیحی معین در رگرسیون لجستیک است.

هر مشاهدات در نظر گرفته شده در مدل‌ها یک نقطه GPS بود و 7 متغیر محیطی مختلف بر اساس مناطق بافری که با فواصل مختلف مشخص شده‌اند و به هر مشاهده اختصاص داده شده‌اند، در مدل‌ها گنجانده شده‌اند. همانطور که در جدول 1 نشان داده شده است ، آن 7 متغیر پیش بینی کننده جنبه های مختلف زمینه های فیزیکی، اجتماعی و محیطی مرتبط با ایمنی را نشان می دهند. از بین 7 پیش بینی کننده، درختان، پارک ها و فضاهای باز، دسترسی حمل و نقل، جرم و برخورد ترافیک انتخاب شدند زیرا به طور گسترده به عنوان متغیرهای مهم در مطالعات قبلی مورد استفاده قرار گرفتند [ 4 ، 5 ، 10 ، 18 ، 38 ، 39 ، 40 ، 41 ،42 ., 43 , 44 , 45 , 46 ]. علاوه بر این، از آنجایی که بسیاری از مطالعات یافته‌های مختلط یا غیر قابل توجهی را در مورد تأثیر عوامل مرتبط با ایمنی بر سفر فعال افراد گزارش کردند، این مطالعه به طور خاص جرایم و تصادفات ترافیکی را به عنوان عوامل ایمنی عمومی در نظر گرفت [ 5 ، 7 ، 18 ، 46 ، 47 ]. ادراک افراد در مورد محیط های محله نیز عوامل تاثیرگذار بر PA [ 48 ] است و بنابراین، درآمد و جمعیت در سطح محله به عنوان پیش بینی کننده در این مطالعه گنجانده شد.
درختان و پارک ها و فضاهای باز در دسته محیط زیست قرار گرفتند. شاخص در دسترس بودن حمل و نقل در دسته حمل و نقل معیاری است که «فرکانس خدمات حمل و نقل، دوستی عابر پیاده، فاصله شبکه تا ایستگاه های حمل و نقل و تعداد اتصالات زیرمنطقه را در نظر می گیرد» [ 49 ]. دسترسی به حمل و نقل را به عنوان شاخصی از 1 تا 5 نشان می دهد (1 نشان دهنده کمترین و 5 بالاترین سطح دسترسی به حمل و نقل است). پیش بینی کننده جرم، وقوع 11 نوع جنایت خشونت آمیز است [ 50 ، 51]. تصادفات ترافیکی شامل عابران پیاده و دوچرخه سواران مرتبط با ایمنی عمومی در این مطالعه در نظر گرفته شد. جدای از این پیش بینی ها، سن، نژاد، درآمد خانوار و روزهای هفته/آخر هفته به عنوان عوامل مخدوش کننده گنجانده شدند.
سه مدل به طور مکرر با استفاده از 11 اندازه بافر – 20، 30، 40، 50، 60، 70، 80، 90، 100، 150 و 200 متر تولید شدند. بنابراین، در مجموع 33 مدل ایجاد شد. برای هر اندازه بافر، 7 متغیر محیطی به صورت تکراری محاسبه شد. به طور خاص، برای پارک ها و فضاهای باز، مناطق موجود در هر اندازه بافر محاسبه شد. با توجه به شاخص در دسترس بودن حمل و نقل و درآمد متوسط ​​خانوار محله و جمعیت، میانگین وزنی منطقه برای هر اندازه بافر محاسبه شد. این سه مدل شامل تعداد کمی متفاوت از متغیرهای محیطی بودند. مدل اول شامل تعداد موارد جرایم خشونت‌آمیز، درصد مناطق درختی، تراکم پارک و فضای باز، شاخص در دسترس بودن حمل‌ونقل، و تعداد تصادفات ترافیکی تنظیم‌شده برای سن، نژاد، درآمد خانوار و روزهای هفته/آخر هفته بود. . مدل دوم تراکم آمریکایی های آفریقایی تبار در همسایگی را به عنوان یک پیش بینی اضافه کرد، علاوه بر آن پیش بینی کننده هایی که قبلاً در مدل اول گنجانده شده بودند. مدل سوم شامل درآمد متوسط ​​خانوار محله ای علاوه بر پیش بینی هایی بود که قبلاً در مدل دوم گنجانده شده بود. مدل دوم و سوم برای بررسی اثرات وضعیت اجتماعی-اقتصادی محله بر احتمال استفاده از پیاده روی یا دوچرخه سواری در برابر سفر در وسایل نقلیه به عنوان یک حالت سفر استفاده شد. با توجه به استفاده از درصد آمریکایی‌های آفریقایی‌تبار در یک محله به‌عنوان پیش‌بینی‌کننده، یک مطالعه گذشته مشاهده کرد که «آفریقایی‌آمریکایی‌ها بدون در نظر گرفتن ترکیب نژادی محله، محله‌های خود را نسبت به سفیدپوستان کمتر امن‌تر و برای فعالیت بدنی لذت‌بخش‌تر می‌دانند». علاوه بر آن پیش‌بینی‌کننده‌هایی که قبلاً در مدل اول گنجانده شده‌اند. مدل سوم شامل درآمد متوسط ​​خانوار محله ای علاوه بر پیش بینی هایی بود که قبلاً در مدل دوم گنجانده شده بود. مدل دوم و سوم برای بررسی اثرات وضعیت اجتماعی-اقتصادی محله بر احتمال استفاده از پیاده روی یا دوچرخه سواری در برابر سفر در وسایل نقلیه به عنوان یک حالت سفر استفاده شد. با توجه به استفاده از درصد آمریکایی‌های آفریقایی‌تبار در یک محله به‌عنوان پیش‌بینی‌کننده، یک مطالعه گذشته مشاهده کرد که «آفریقایی‌آمریکایی‌ها بدون در نظر گرفتن ترکیب نژادی محله، محله‌های خود را نسبت به سفیدپوستان کمتر امن‌تر و برای فعالیت بدنی لذت‌بخش‌تر می‌دانند». علاوه بر آن پیش‌بینی‌کننده‌هایی که قبلاً در مدل اول گنجانده شده‌اند. مدل سوم شامل درآمد متوسط ​​خانوار محله ای علاوه بر پیش بینی هایی بود که قبلاً در مدل دوم گنجانده شده بود. مدل دوم و سوم برای بررسی اثرات وضعیت اجتماعی-اقتصادی محله بر احتمال استفاده از پیاده روی یا دوچرخه سواری در برابر سفر در وسایل نقلیه به عنوان یک حالت سفر استفاده شد. با توجه به استفاده از درصد آمریکایی‌های آفریقایی‌تبار در یک محله به‌عنوان پیش‌بینی‌کننده، یک مطالعه گذشته مشاهده کرد که «آفریقایی‌آمریکایی‌ها بدون در نظر گرفتن ترکیب نژادی محله، محله‌های خود را نسبت به سفیدپوستان کمتر امن‌تر و برای فعالیت بدنی لذت‌بخش‌تر می‌دانند». مدل سوم شامل درآمد متوسط ​​خانوار محله ای علاوه بر پیش بینی هایی بود که قبلاً در مدل دوم گنجانده شده بود. مدل دوم و سوم برای بررسی اثرات وضعیت اجتماعی-اقتصادی محله بر احتمال استفاده از پیاده روی یا دوچرخه سواری در برابر سفر در وسایل نقلیه به عنوان یک حالت سفر استفاده شد. با توجه به استفاده از درصد آمریکایی‌های آفریقایی‌تبار در یک محله به‌عنوان پیش‌بینی‌کننده، یک مطالعه گذشته مشاهده کرد که «آفریقایی‌آمریکایی‌ها بدون در نظر گرفتن ترکیب نژادی محله، محله‌های خود را نسبت به سفیدپوستان کمتر امن‌تر و برای فعالیت بدنی لذت‌بخش‌تر می‌دانند». مدل سوم شامل درآمد متوسط ​​خانوار محله ای علاوه بر پیش بینی هایی بود که قبلاً در مدل دوم گنجانده شده بود. مدل دوم و سوم برای بررسی اثرات وضعیت اجتماعی-اقتصادی محله بر احتمال استفاده از پیاده روی یا دوچرخه سواری در برابر سفر در وسایل نقلیه به عنوان یک حالت سفر استفاده شد. با توجه به استفاده از درصد آمریکایی‌های آفریقایی‌تبار در یک محله به‌عنوان پیش‌بینی‌کننده، یک مطالعه گذشته مشاهده کرد که «آفریقایی‌آمریکایی‌ها بدون در نظر گرفتن ترکیب نژادی محله، محله‌های خود را نسبت به سفیدپوستان کمتر امن‌تر و برای فعالیت بدنی لذت‌بخش‌تر می‌دانند». مدل دوم و سوم برای بررسی اثرات وضعیت اجتماعی-اقتصادی محله بر احتمال استفاده از پیاده روی یا دوچرخه سواری در برابر سفر در وسایل نقلیه به عنوان یک حالت سفر استفاده شد. با توجه به استفاده از درصد آمریکایی‌های آفریقایی‌تبار در یک محله به‌عنوان پیش‌بینی‌کننده، یک مطالعه گذشته مشاهده کرد که «آفریقایی‌آمریکایی‌ها بدون در نظر گرفتن ترکیب نژادی محله، محله‌های خود را نسبت به سفیدپوستان کمتر امن‌تر و برای فعالیت بدنی لذت‌بخش‌تر می‌دانند». مدل دوم و سوم برای بررسی اثرات وضعیت اجتماعی-اقتصادی محله بر احتمال استفاده از پیاده روی یا دوچرخه سواری در برابر سفر در وسایل نقلیه به عنوان یک حالت سفر استفاده شد. با توجه به استفاده از درصد آمریکایی‌های آفریقایی‌تبار در یک محله به‌عنوان پیش‌بینی‌کننده، یک مطالعه گذشته مشاهده کرد که «آفریقایی‌آمریکایی‌ها بدون در نظر گرفتن ترکیب نژادی محله، محله‌های خود را نسبت به سفیدپوستان کمتر امن‌تر و برای فعالیت بدنی لذت‌بخش‌تر می‌دانند».48 ]. به عبارت دیگر، آمریکایی‌های آفریقایی تبار تمایل دارند همسایه‌های خود را از نظر امنیت و لذت کمتر از سفیدپوستان ارزیابی کنند، و بنابراین، محله‌هایی که درصد بالایی از آمریکایی‌های آفریقایی‌تبار دارند، تمایل دارند که برای فعالیت بدنی منفی تلقی شوند (که به نوبه خود، بر قصد افراد برای انجام این کار تأثیر منفی می‌گذارد. انجام فعالیت بدنی).
برای مقایسه برازش سه مدل از سه معیار خوب بودن برازش (شبه-R-squared، AIC (معیار اطلاعات Akaike) و BIC (معیار اطلاعات Bayesian) استفاده شد.
از نرم افزار آماری R برای محاسبه متغیرها بر اساس تعداد زیادی نقطه GPS با اندازه های بافر مختلف و تحلیل های آماری استفاده شد. Extreme Science and Engineering Discovery Environment (XSEDE) Jetstream با پردازنده های Intel Xeon E-2680v3 (24 هسته) محاسبات متغیر را در این مطالعه تسریع کرد [ 52 ، 53 ].

4. نتیجه

4.1. آمار توصیفی

جدول 2 آمار توصیفی 168 بزرگسال را با ویژگی های شخصی و میانگین زمان سفر روزانه پیش بینی شده با استفاده از الگوریتم طبقه بندی حالت سفر بهینه شده شرح داده شده در بخش 3.2 نشان می دهد.. در خلاصه آماری، درصد زنان اندکی بیشتر از مردان بود. اکثر شرکت کنندگان سفید پوستان و بزرگسالان میانسال بودند. بر اساس آمار جمعیت شیکاگو (اداره سرشماری ایالات متحده، 2010)، درصد سفیدپوستان در جمعیت منطقه مورد مطالعه 45٪ بود در حالی که در نمونه ما 81.5٪ بود، و آمریکایی های آفریقایی تبار 33٪ از جمعیت را تشکیل می دادند. که بیشتر از درصد نمونه های ما (10.7 درصد) بود. افراد پردرآمد گروه غالب را تشکیل می‌دادند و وسایل نقلیه از جمله خودروهای شخصی و حمل‌ونقل عمومی پرمصرف‌ترین حالت‌ها برای سفرهای روزانه بودند که به طور متوسط ​​یک ساعت در روز را تشکیل می‌دادند. از آنجایی که دویدن به ندرت در زندگی روزانه 168 شرکت کننده انجام می شد، از این مطالعه حذف شد. سه حالت دیگر سفر (یعنی پیاده روی، سفر با ماشین،
تعداد کل نقاط GPS 156627 (156627 مشاهده) بود. ویژگی های محیطی در بافرهای 50 متری اطراف این نقاط GPS در شرح داده شده است جدول 3 توضیح داده شده استبه این معنا که چگونه شرکت کنندگان به طور پویا در معرض زمینه های مختلف محیطی در زندگی روزمره خود قرار گرفتند. با توجه به حالت‌های سفر پیش‌بینی‌شده، 40999 نقطه GPS به عنوان پیاده‌روی شناسایی شدند، در حالی که تنها 2545 نقطه به عنوان دوچرخه‌سواری طبقه‌بندی شدند. مناطق حائل نقاط GPS مرتبط با پیاده‌روی، به طور متوسط، تراکم درختان بالاتر، در دسترس بودن حمل و نقل و بروز باتری بیشتر و برخوردهای ترافیکی بیشتری با عابران پیاده و دوچرخه‌سواران نسبت به مناطق بافر نقاط GPS مرتبط با دوچرخه‌سواری و داخل خودرو داشتند. از سوی دیگر، مناطق حائل نقاط GPS مرتبط با دوچرخه‌سواری، به‌طور میانگین دارای مناطق پارک و فضای باز بیشتر و میانگین درآمد خانوار محله‌ای بالاتری بودند. همبستگی بین هفت پیش بینی کننده برای ارزیابی چند خطی با استفاده از ضرایب همبستگی تجزیه و تحلیل شد.

4.2. تجزیه و تحلیل حساسیت 11 اندازه بافر

ارتباط های مختلف بین دستگاه های خودپرداز شرکت کنندگان و هفت عامل محیطی در مدل های 1، 2، و 3 در نشان داده شده است. شکل 5 نشان داده شده است.. در هر سه مدل، اندازه‌های بافر مختلف بر چنین ارتباط‌هایی از نظر سطوح معنی‌داری متغیرها و ORs تأثیر گذاشت. هنگامی که درختان، پارک ها و فضاهای باز، در دسترس بودن حمل و نقل، باتری و برخورد ترافیک به عنوان پیش بینی کننده در مدل 1 گنجانده شد، ارتباط بین دستگاه های خودپرداز شرکت کنندگان و هفت عامل محیطی عمدتاً برای راه رفتن در میان بافرهای 20 تا 200 متری قابل توجه بود، در حالی که فقط درختان و برخورد ترافیک شامل عابران پیاده و دوچرخه سواران ارتباط قابل توجهی برای دوچرخه سواری به طور مداوم برای اندازه های مختلف بافر داشتند. هنگامی که محله آمریکایی آفریقایی تبار به عنوان یک پیش بینی در مدل 2 اضافه شد، در دسترس بودن حمل و نقل برای همه اندازه های بافر برای دوچرخه سواری در مقایسه با خودرو مهم تر شد. با این حال، پارک ها و فضاهای باز و جرم و جنایت هنوز برای بسیاری از اندازه های بافر دوچرخه سواری غیر قابل توجه است. تراکم افزوده شده آمریکایی های آفریقایی تبار در یک محله نیز ارتباط قابل توجهی با دوچرخه سواری نداشت. در مقابل، نتایج مدل 3 با متغیر درآمد متوسط ​​خانوار محله نشان می‌دهد که پیامدهای اندازه‌های بافر در نهایت در درختان، در دسترس بودن حمل و نقل و درآمد متوسط ​​خانوار محله با توجه به سطوح اهمیت آنها برای پیاده‌روی و دوچرخه‌سواری کاهش می‌یابد. با این حال، بقیه پیش‌بینی‌کننده‌ها سطوح اهمیت ثابتی را در اندازه‌های بافر نشان نمی‌دهند. به ویژه در مورد پارک ها و فضاهای باز، جرم و جنایت و تراکم ساکنان آفریقایی-آمریکایی محله، تنها اندازه های نسبتاً بزرگ بافر (150 و 200 متر) آنها را برای دوچرخه سواری مهم می کند. به علاوه،
در هر سه مدل، ارتباط بین راه رفتن در مقابل داخل وسیله نقلیه و همه پیش‌بینی‌کننده‌ها عمدتاً سطوح معنی‌داری بالایی داشتند ( 001/ 0p <)، و ORs با تغییر اندازه بافر متفاوت بودند، در حالی که نمودارهای دوچرخه‌سواری در مقابل خودرو بیشتر نشان می‌دهند. روندهای پایدار در اندازه های بافر، به جز برای جرم و تصادف و ترافیک. با توجه به دو عامل مرتبط با ایمنی، ORهای پیاده روی و دوچرخه سواری در مقایسه با وضعیت داخل خودرو خصوصاً ویژگی های مشترکی را نشان می دهند. هر دوی آنها با ORهای مشابه برای اندازه‌های بافر کوچک در حدود 20 و 30 متر شروع می‌شوند، با بزرگ‌تر شدن اندازه بافر بیشتر و بیشتر واگرا می‌شوند و در یک اندازه معین (جنایت) عبور می‌کنند یا بیشتر عریض می‌شوند (برخوردهای ترافیکی).
همانطور که در شکل 6 نشان داده شده است، از آنجایی که مدل 3 دارای متغیرهای مهم تری در اندازه های مختلف بافر بود و 200 متر حداکثر فاصله بود که بیشترین تعداد سطوح معنی داری بالاتر را در همه پیش بینی کننده ها در مدل 3 نشان می داد، همانطور که در شکل 6 نشان داده شده است ، به عنوان مناسب ترین فاصله بافر انتخاب شد. ارتباط بین دستگاه های خودپرداز و عوامل محیطی را در این مطالعه بررسی کنید. شکل 6 سطوح معنی داری هفت پیش بینی کننده برای پیاده روی و دوچرخه سواری را نشان می دهد، و بنابراین، حداکثر تعداد متغیرهای مهم 14 است. در شکل 6 ، هیستوگرام نشان می دهد که با نزدیک شدن اندازه بافر به 200 متر، متغیرهای محیطی بیشتری معنادار می شوند.
ارتباط هفت پیش‌بینی‌کننده مشتق‌شده با بافرهای 200 متری و حالت‌های سفر در نشان داده شده است جدول 4 نشان داده شده است.. همه معیارهای برازش مدل، از جمله سه نوع مقادیر شبه R-squared، نشان می‌دهند که مدل 3 با درآمد متوسط ​​خانوار محله اضافه شده، تغییرات در متغیر نتیجه – حالت‌های سفر پیش‌بینی‌شده – را بهتر از دو مدل دیگر توضیح می‌دهد. درصد بالاتر از مناطق درختی (OR: 1.05)، در دسترس بودن حمل و نقل (OR: 2.06)، وقوع جرم (OR: 1.00) و برخورد ترافیک (OR: 1.01) به طور قابل توجهی با شانس بالاتر پیاده روی همراه بود، در حالی که برخوردهای ترافیکی (OR: 1.00) OR: 0.99) به طور قابل توجهی با شانس کمتر دوچرخه سواری در مقایسه با وضعیت داخل وسیله نقلیه در مدل 1 مرتبط بود. برای پیاده روی، تراکم پارک ها و فضاهای باز (OR: 0.97) ارتباط معنی داری با شانس پایین تر پیاده روی در خودرو داشت. وضعیت در مدل 1. نتایج مدل 2 مشابه مدل 1 بود،
در مقایسه با مدل‌های 1 و 2، همه متغیرها ارتباط معنی‌داری با پیاده‌روی و دوچرخه‌سواری در مدل 3 داشتند که مقادیر بسیار بهبود یافته R-squared، AIC و BIC را نشان می‌دهند. تراکم درخت، در دسترس بودن حمل و نقل، و جرم ارتباط معنی داری با شانس بیشتری برای پیاده روی (OR: 1.05، 1.92، و 1.00 به ترتیب) و دوچرخه سواری (OR: 1.00، 1.09، و 1.00 به ترتیب) در مقایسه با وضعیت داخل خودرو در مدل 3 داشتند. متوسط ​​درآمد خانوار محله، تراکم آمریکایی‌های آفریقایی تبار محله، و تصادفات رانندگی با شانس بیشتری برای پیاده‌روی (به ترتیب OR: 1.00، 1.00 و 1.01)، اما با شانس کمتر برای دوچرخه‌سواری (OR: 0.99، 0.99، و 0.99) همراه بود. به ترتیب) در مقایسه با وضعیت داخل خودرو. از سوی دیگر، پارک ها و فضاهای باز با شانس کمتری برای پیاده روی (OR: 0.98) و دوچرخه سواری (OR: 0) همراه بودند.
برای تعیین تأثیر همه عوامل محیطی در مقیاس احتمال بر پیاده روی یا دوچرخه سواری، میانگین اثرات حاشیه ای محاسبه شد. در مدل 3، میانگین اثر حاشیه ای در دسترس بودن حمل و نقل بر پیاده روی بالاترین (0.1061) در بین همه پیش بینی کننده ها بود. این نشان داد که احتمال پیاده روی برای مناطقی که دسترسی ترانزیتی زیاد دارند، تقریباً 10 درصد بیشتر از مناطق با سطح دسترسی ترانزیتی پایین است. همچنین مشخص شد که وقتی محیط های اطراف تراکم درختان بالاتری داشتند، به طور متوسط ​​تقریباً 1٪ احتمال راه رفتن بیشتر از مناطق با تراکم درختان کمتر بود.

5. بحث و نتیجه گیری

این مطالعه بررسی کرد که چگونه اندازه‌های مختلف بافر بر ارتباط بین دستگاه‌های خودپرداز و عوامل محیطی متعدد (از جمله محیط‌های فیزیکی، اجتماعی و ایمنی) در برآورد قرار گرفتن در معرض مکانی-فوری و زمانی-لحظه‌ای در اطراف مسیرهای GPS افراد برای تحقیقات PA و حمل و نقل تأثیر می‌گذارد. علاوه بر این، تجزیه و تحلیل حساسیت با اندازه‌های بافر مختلف با نشان دادن حساسیت نتایج مطالعه به انتخاب اندازه‌های مختلف بافر و اندازه‌های بافر بزرگ، یافته‌های مهم‌تری به UGCoP نشان داد. در بین سه مدل، مدل 3 دارای متغیرهای مهم تری در اندازه های مختلف بافر بود و 200 متر مناسب ترین فاصله بافر برای مدل بود. بر اساس ORها و سطوح معناداری متغیرهای محیطی، این مطالعه نشان داد که اندازه بافر بر ارتباط بین دستگاه‌های خودپرداز و عوامل محیطی تأثیر می‌گذارد، و یافته‌های مربوط به ORs و سطوح اهمیت به وضوح در پیاده‌روی و دوچرخه‌سواری متفاوت است. به طور خاص، ارتباط بین دوچرخه‌سواری و/یا پیاده‌روی و پارک‌ها و فضاهای باز، جرم و جنایت و برخوردهای ترافیکی ثابت نمی‌ماند و افزایش یا کاهش در ORها را نشان می‌دهد و به عنوان اندازه بافر از ارتباط مثبت به منفی یا برعکس حرکت می‌کند. افزایش. توضیح احتمالی برای این ناهماهنگی این است که تغییرات در جهت تداعی‌ها بین 20 متر و 30 متر در مقایسه با اندازه‌های دیگر، ناشی از اندازه ناکافی مناطق حائل 20 متری است که شامل هیچ منطقه پارکی نمی‌شود و حوادث جرم و جنایت و برخورد ترافیک در اطراف مسیرهای GPS فردی.26 ].
ارتباط بین دستگاه‌های خودپرداز و عوامل محیطی برای دوچرخه‌سواری حساس‌تر از پیاده‌روی است، و سطوح معنی‌داری آماری متفاوتی را در اندازه‌های مختلف بافر در پارک‌ها و فضاهای باز، در دسترس بودن حمل‌ونقل، جرم، تراکم آمریکایی‌های آفریقایی‌تبار همسایگی و برخوردهای ترافیکی نشان می‌دهد. یکی از مشخصه‌های رایج در نتایج این است که وقتی اندازه بافر به فاصله نسبتاً بزرگی مانند 150 یا 200 متر می‌رسد، تداعی‌های غیر معنی‌دار معنی‌دار می‌شوند. استفاده از بافرهای 200 متری، به ویژه در این مطالعه، متغیرهای مهم تری را در مدل 3 تولید کرد و ارزیابی های برازش مدل بهتری را بر اساس چندین معیار شبه-مربع R نسبت به دو مدل دیگر به دست آورد. علاوه بر این، مدل 3 هنگام استفاده از بافرهای 200 متری بهترین تناسب را در مقایسه با سایر فواصل بافر کوتاهتر نشان داد.48 ]. بنابراین، شواهدی مبنی بر وجود اثرات اندازه بافر بر عوامل محیطی متعدد به‌دست‌آمده در این مطالعه، بینش‌های سیستماتیک‌تری را در مورد تحقیقات PA و حمل‌ونقل نسبت به مطالعات قبلی در مورد بافرهای مبتنی بر GPS ارائه می‌دهد [ 10 ، 26 ].
در محیط فیزیکی، درصد مناطق درختی به‌عنوان نماینده سبزی به دست آمده با بافرهای 200 متری در اطراف هر نقطه GPS یکی از پیش‌بینی‌کننده‌های ثابت بود که ارتباط پایدار و قابل‌توجهی را در سه مدل نشان داد. تراکم درخت در مقایسه با سفرهای داخل خودرو، ORهای بیشتری برای پیاده روی و دوچرخه سواری دارد. با تراکم درختان به طور عینی اندازه‌گیری شده، این مطالعه نشان می‌دهد که سبزی احتمالاً با راه رفتن بیشتر (نسبت به حالت‌های سفر موتوری) مرتبط است، که با یافته‌های مطالعات قبلی مطابقت دارد [ 38 ، 39 ]]. نقش پارک‌ها و فضاهای باز در ترویج پیاده‌روی و دوچرخه‌سواری، با این حال، با مطالعات دیگر ناسازگار است، و نشان می‌دهد که هر چه تعداد مناطق پارکی که افراد در سفرهای روزانه خود در معرض آن‌ها قرار می‌گیرند، ارتباط معنی‌داری با ORهای کمتر سفرهای فعال در مقایسه با آنها بیشتر است. به حالت سفر موتوری [ 4 ، 18 ، 40 ، 41 ، 42 ، 43 ، 44 ، 45 ]. یکی از توضیح های احتمالی این است که برخی از بزرگسالان عمداً هنگام رانندگی به سمت خانه مسیر انحرافی را طی می کنند تا از مناظر طبیعی زودگذر، از جمله فضای سبز لذت ببرند، که ممکن است وضعیت داخل خودرو شانس بیشتری نسبت به دو دستگاه خودپرداز بدهد (بل و همکاران، [ 54 ]]). علاوه بر این، از آنجایی که پارک ها و فضاهای باز ویژگی های پیچیده تری دارند، مانند کیفیت و در دسترس بودن (لی و ماهسواران، [ 55 ])، که ممکن است بر ارتباط آنها با استفاده از دستگاه های خودپرداز تأثیر بگذارد، یافته های مربوط به تأثیرات پارک ها و فضاهای باز هستند. به اندازه تراکم درختان سازگار نیست. ORهای بالاتر حالت‌های سفر غیرموتوری – پیاده‌روی و دوچرخه‌سواری در این مطالعه – در مقابل وضعیت داخل خودرو با توجه به در دسترس بودن حمل‌ونقل نیز با مطالعات گذشته مطابقت دارد، که نشان می‌دهد تسهیلات حمل‌ونقل مردم را تشویق به استفاده از دستگاه‌های خودپرداز و PA می‌کند [ 41 ، 46 ]. بنابراین، برای ترویج پیاده‌روی یا دوچرخه‌سواری، برنامه‌ریزان شهری ممکن است نیاز داشته باشند که چنین تأثیرات درختان، پارک‌ها و فضاهای باز و در دسترس بودن حمل و نقل را در سفرهای فعال در نظر بگیرند.
یکی از شواهد برجسته ای که این مطالعه به دست آورد این است که عوامل مرتبط با ایمنی، از جمله جرایم و تصادفات ترافیکی، ارتباط قابل توجهی با پیاده روی و دوچرخه سواری دارند. در مقایسه با سفر با وسایل نقلیه شخصی یا حمل و نقل عمومی، برخوردهای ترافیکی بیشتر شامل عابران پیاده و دوچرخه سواران به طور قابل توجهی با احتمال کمتر دوچرخه سواری مرتبط است، که شواهد تجربی ارائه می دهد که برخوردهای ترافیکی PA را محدود می کند. 56 ]]. برعکس، یافته های متفاوتی در مورد راه رفتن وجود دارد. برخلاف دوچرخه‌سواری، پیاده‌روی در مناطقی که تصادفات ترافیکی بیشتری دارند بیشتر اتفاق می‌افتد. علاوه بر این، بروز بالاتر باتری به طور قابل توجهی با ORهای بالاتر پیاده روی و دوچرخه سواری در مقایسه با وضعیت داخل خودرو مرتبط است. ORهای بالاتر پیاده روی نسبت به وضعیت داخل خودرو در ارتباط بین دستگاه های خودپرداز و جرم و برخورد ترافیک غیرمنتظره بود، که نشان می دهد احتمال وقوع پیاده روی بیشتر از وضعیت داخل وسیله نقلیه در مناطقی با موارد جرم بیشتر و برخورد ترافیکی در اطراف است. . یکی از دلایل احتمالی پشت این ارتباط‌های ناسازگار این است که بافرهای بزرگتر شامل جرایم و برخوردهای ترافیکی بیشتر در اطراف مکان‌هایی که پیاده‌روی و دوچرخه‌سواری در آن‌ها رخ داده است، می‌شود و این ممکن است بر نتایج تأثیر بگذارد. علاوه بر این، با یافته های مختلف در ارتباط بین راه رفتن و دوچرخه سواری و برخوردهای ترافیکی، این مطالعه شواهد تجربی ارائه می دهد که مکانیسم های نهفته در ارتباط بین حالت های مختلف سفر و عوامل محیطی ممکن است یکسان عمل نکنند. تأثیر میانگین درآمد خانوار محله و تراکم آمریکایی آفریقایی‌تبار نیز نشان می‌دهد که برخی از عوامل محیطی می‌توانند اثرات متضادی بر دو حالت فعال داشته باشند. برای مثال، احتمالاً پیاده‌روی در محله‌هایی انجام می‌شود که درصد بالایی از آمریکایی‌های آفریقایی‌تبار و متوسط ​​درآمد خانوار در مقایسه با وضعیت داخل وسیله نقلیه بالا است، در حالی که دوچرخه‌سواری نتایج معکوس دارد. این مطالعه شواهد تجربی ارائه می دهد که مکانیسم های نهفته در ارتباط بین حالت های مختلف سفر و عوامل محیطی ممکن است به طور یکسان کار نکنند. تأثیر میانگین درآمد خانوار محله و تراکم آمریکایی آفریقایی‌تبار نیز نشان می‌دهد که برخی از عوامل محیطی می‌توانند اثرات متضادی بر دو حالت فعال داشته باشند. برای مثال، احتمالاً پیاده‌روی در محله‌هایی انجام می‌شود که درصد بالایی از آمریکایی‌های آفریقایی‌تبار و متوسط ​​درآمد خانوار در مقایسه با وضعیت داخل وسیله نقلیه بالا است، در حالی که دوچرخه‌سواری نتایج معکوس دارد. این مطالعه شواهد تجربی ارائه می دهد که مکانیسم های نهفته در ارتباط بین حالت های مختلف سفر و عوامل محیطی ممکن است به طور یکسان کار نکنند. تأثیر میانگین درآمد خانوار محله و تراکم آمریکایی آفریقایی‌تبار نیز نشان می‌دهد که برخی از عوامل محیطی می‌توانند اثرات متضادی بر دو حالت فعال داشته باشند. برای مثال، احتمالاً پیاده‌روی در محله‌هایی انجام می‌شود که درصد بالایی از آمریکایی‌های آفریقایی‌تبار و متوسط ​​درآمد خانوار در مقایسه با وضعیت داخل وسیله نقلیه بالا است، در حالی که دوچرخه‌سواری نتایج معکوس دارد.
الگوریتم طبقه‌بندی حالت سفر بهینه‌شده برای شناسایی خودکار وضعیت راه رفتن، دویدن، دوچرخه‌سواری و داخل خودرو یکی از بخش‌های نوآورانه این مطالعه است. چنین طبقه‌بندی خودکار حالت‌های سفر تنها از مسیرهای GPS استفاده می‌کند و در شناسایی آن چهار حالت سفر به دقت قابل توجهی دست یافته است. با الگوریتم طبقه‌بندی حالت سفر که به تازگی اتخاذ شده است، این مطالعه روش جدیدی را برای استفاده از حالت‌های تخمینی سفر در تحقیقات بهداشتی، حمل‌ونقل و برنامه‌ریزی شهری برای درک مواجهه پویای افراد با عوامل محیطی و تأثیرات آن‌ها بر PA افراد پیشنهاد می‌کند. سفرهای روزانه مردم ثبت شده توسط مسیرهای GPS.
این مطالعه اما محدودیت هایی دارد. اول، این مطالعه زنجیره سفر را به عنوان یک واحد تحلیلی در نظر نگرفت. تحقیقات فعالیت بدنی تمایل دارد از هر نقطه GPS به عنوان واحد تحلیلی برای برآورد قرار گرفتن در معرض استفاده کند، در حالی که تحقیقات حمل و نقل از سفرها به عنوان واحد تحلیلی برای تخمین قرار گرفتن در اطراف مسیرهای سفر افراد استفاده می کند [ 57 ]. به طور خاص، رویکرد نقطه به نقطه می تواند نتایج را نسبت به نقاط GPS با دقت پایین حساس تر کند. دوم، این مطالعه به سوگیری های مرتبط با تحرک انتخابی روزانه نمی پردازد. از آنجایی که این مطالعه به جای روابط علّی، فقط بر تداعی‌ها متمرکز بود، نتوانست تأثیرات علی عوامل محیطی را بر سفر افراد مشخص کند (ر.ک، [ 58 ).]). به عنوان مثال، این مطالعه نتوانست دلایلی را که چرا مردم نوع خاصی از محیط را برای پیاده روی یا دوچرخه سواری انتخاب می کنند یا اینکه چرا قرار گرفتن در محیط های خاص باعث می شود افراد پیاده روی یا دوچرخه سواری کنند را شناسایی کند. سوم، همبستگی بین مشاهدات در این مطالعه مورد توجه قرار نگرفت. با توجه به تعداد زیاد نقاط GPS در فرکانس بالا (فاصله 10 ثانیه)، نقاط متوالی GPS ممکن است مقادیر بسیار مشابهی از ویژگی های محیطی برای یک سوژه داشته باشند. مشاهدات از موضوعات مختلف نیز می تواند به یکدیگر مرتبط باشد، زیرا داده های GPS از اعضای خانواده جمع آوری شده است، و بنابراین، والدین و فرزندان و خواهران و برادران آنها ممکن است سفرهای مشابهی داشته باشند. مشاهدات باید در بسیاری از آزمون های آماری مستقل باشند و ناآگاهی از همبستگی بین مشاهدات می تواند باعث تخمین بیش از حد p شود.– ارزش‌ها [ 59]. این موضوع باید در مطالعات آتی، به عنوان مثال، با مقایسه نتایج با نتایج به دست آمده از طریق نمونه های تصادفی نقاط GPS مورد بررسی قرار گیرد. چهارم، اندازه بافر بهینه شناسایی شده در این مطالعه ممکن است قابل تعمیم نباشد. اندازه بافر بهینه ممکن است بیش از 200 متر برای سایر مناطق مورد مطالعه گسترش یابد و عوامل محیطی مختلف ممکن است اندازه بافر بهینه متفاوتی داشته باشند. بنابراین، چنین تغییراتی باید بیشتر مورد بررسی قرار گیرد. علاوه بر این، نرخ نمونه برداری از نقاط GPS ممکن است بر ثبات نتایج تأثیر بگذارد. در این مطالعه، نقاط GPS در یک بازه زمانی 10 ثانیه برای تولید مجموعه داده های GPS کوچکتر و افزایش کارایی محاسباتی برای تولید بافرها نمونه برداری شدند. با این حال، درشت تر (مثلاً 60 ثانیه) یا ظریف تر (مثلاً 5s) مقیاس‌های نمونه‌گیری ممکن است پیامدهایی برای یافته‌های مربوط به ارتباط بین دستگاه‌های خودپرداز و عوامل محیطی و اثرات اندازه‌های مختلف بافر بر این ارتباط داشته باشد، زیرا تجزیه و تحلیل اولیه با مجموعه داده‌های GPS در فاصله 60 ثانیه نتایج متفاوتی را برای برخی به دست آورد. اندازه های بافر، اگرچه به طور کلی اغلب مشابه هستند. علاوه بر این، شدت دستگاه های خودپرداز در این مطالعه در نظر گرفته نشده است، که می تواند درک ما را از انجمن ها تقویت کند. برای مثال، پیاده‌روی را می‌توان بسته به شدت آن به پیاده‌روی سبک و تند تقسیم کرد که ممکن است تحت تأثیر عوامل محیطی مختلف قرار گیرد، همانطور که بسیاری از مطالعات با استفاده از شتاب‌سنج‌ها برای شناسایی سطوح شدت PA افراد نشان داده‌اند. در آخر، نمونه آزمودنی های مورد استفاده در این مطالعه، معرف جمعیت بزرگتر مناطق مورد مطالعه نیست. شرکت‌کنندگان در نمونه عمدتاً سفیدپوستان میانسال و ثروتمند بودند، که کاربرد یافته‌های ما در مورد تأثیر اندازه‌های مختلف بافر بر ارتباط بین دستگاه‌های خودپرداز و عوامل محیطی را برای این گروه اجتماعی خاص محدود می‌کند. علاوه بر این، این مطالعه با جنبه های زمانی اثرات اندازه بافر سروکار نداشت. اندازه بافرهای مختلف ممکن است اثرات متفاوتی بر نتایج مطالعه در مقاطع زمانی مختلف داشته باشند، و این باید در مطالعات آینده به منظور درک بهتر اثرات حساس به زمان اندازه بافر مورد توجه قرار گیرد. که کاربرد یافته های ما را در مورد اثرات اندازه های مختلف بافر بر ارتباط بین دستگاه های خودپرداز و عوامل محیطی به این گروه اجتماعی خاص محدود می کند. علاوه بر این، این مطالعه با جنبه های زمانی اثرات اندازه بافر سروکار نداشت. اندازه بافرهای مختلف ممکن است اثرات متفاوتی بر نتایج مطالعه در مقاطع زمانی مختلف داشته باشند، و این باید در مطالعات آینده به منظور درک بهتر اثرات حساس به زمان اندازه بافر مورد توجه قرار گیرد. که کاربرد یافته های ما را در مورد اثرات اندازه های مختلف بافر بر ارتباط بین دستگاه های خودپرداز و عوامل محیطی به این گروه اجتماعی خاص محدود می کند. علاوه بر این، این مطالعه با جنبه های زمانی اثرات اندازه بافر سروکار نداشت. اندازه بافرهای مختلف ممکن است اثرات متفاوتی بر نتایج مطالعه در مقاطع زمانی مختلف داشته باشند، و این باید در مطالعات آینده به منظور درک بهتر اثرات حساس به زمان اندازه بافر مورد توجه قرار گیرد.
با در نظر گرفتن این محدودیت‌ها، کار آینده باید روش‌های مختلف ترسیم و تأثیرات آن‌ها بر یافته‌های تحقیق را بیشتر بررسی کند. روش‌های جمع‌آوری‌شده‌تر، مانند فضای فعالیت و تراکم هسته که بر اساس سفرها به‌جای هر نقطه GPS است، باید برای کاهش مشکلات به دلیل استفاده از رویکرد نقطه به نقطه و در نظر گرفتن همبستگی‌های بین مشاهدات بررسی شوند. همبستگی بین مشاهدات را می توان با استفاده از آزمون های آماری تخصصی که ساختار سلسله مراتبی سفرها و شرکت کنندگان را در نظر می گیرد، مورد بررسی قرار داد [ 59 ]]. غیرخطی‌هایی که ممکن است در ارتباط بین دستگاه‌های خودپرداز و عوامل محیطی وجود داشته باشد نیز باید در کارهای آینده با استفاده از مدل‌های آماری غیرخطی بررسی شوند. علاوه بر این، تأثیر نرخ نمونه‌گیری داده‌های GPS بر یافته‌های تحقیق باید مورد بررسی قرار گیرد. به جای فاصله 10 ثانیه، مقایسه نتایج به دست آمده با فواصل 5 ثانیه ای اصلی و فواصل بزرگتر مفید خواهد بود تا ببینید چگونه نتایج مطالعه بسته به میزان نمونه گیری متفاوت است. چنین تحقیقی با پیشنهاد حداقل فرکانس نمونه برداری برای داده های GPS به تحقیقات تحرک در زمینه های مختلف کمک می کند. علاوه بر این، دسته‌بندی دستگاه‌های خودپرداز باید با در نظر گرفتن شدت دستگاه‌های خودپرداز، که می‌تواند بر اساس داده‌های به‌دست‌آمده با شتاب‌سنج‌ها یا بر اساس تخمین‌هایی با استفاده از اطلاعات فیزیولوژیکی افراد، مانند سن، قد، وزن و و سرعت پیاده روی یا دوچرخه سواری علاوه بر این، برای افزایش درک ما از تناقضات در نتایج با تمرکز بر جنسیت‌ها، گروه‌های نژادی یا قومی مختلف، و گروه‌های اجتماعی-اقتصادی، به تحقیقات بیشتری نیاز است. همچنین برای کاوش برخی از پیش‌بینی‌کننده‌ها، مانند پارک‌ها و فضاهای باز و عوامل مرتبط با ایمنی، که ممکن است به زمان حساس باشند و بین روزهای هفته و آخر هفته متفاوت باشند، به تحلیل فضایی-زمانی نیز نیاز است.

منابع

  1. کاسپرسن، سی جی; پاول، KE; کریستنسون، جنرال موتورز فعالیت بدنی، ورزش، و آمادگی جسمانی: تعاریف و تمایزات برای تحقیقات مرتبط با سلامت. بهداشت عمومی ، 1985 ، 100 ، 126-131. [ Google Scholar ]
  2. کمیته مشورتی دستورالعمل فعالیت های بدنی. گزارش کمیته مشورتی دستورالعمل های فعالیت بدنی ; وزارت بهداشت و خدمات انسانی ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 2008.
  3. کوهن، دی. Ashwood، JS; اسکات، MM; اورتون، ا. Evenson، KR; استاتن، LK; پورتر، دی. مک کنزی، تی ال. کاتلیه، دی. پارک های عمومی و فعالیت بدنی در میان دختران نوجوان. Pediatrics 2006 , 118 , e1381–e1389. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. کومبز، ای. جونز، AP; Hillsdon، M. رابطه فعالیت بدنی و اضافه وزن با دسترسی و استفاده از فضای سبز به طور عینی اندازه گیری شده است. Soc. علمی پزشکی 2010 ، 70 ، 816-822. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. Nagel، CL; کارلسون، NE; بوسورث، ام. مایکل، YL رابطه بین محیط ساخته شده محله و فعالیت پیاده روی در میان سالمندان. صبح. J. Epidemiol. 2008 ، 168 ، 461-468. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  6. شیپرین، جی. بنتسن، پی. ترولسن، جی. تافتاگر، م. Stigsdotter، UK ارتباط بین فعالیت بدنی و ویژگی های فضای سبز شهری. شهری برای. سبز شهری. 2013 ، 12 ، 109-116. [ Google Scholar ] [ CrossRef ]
  7. مک گین، AP; Evenson، KR; شاه ماهی، ق. هیوستون، اس ال. رودریگز، DA بررسی ارتباط بین فعالیت بدنی و معیارهای درک شده و عینی محیط ساخته شده. J. Urban Health 2007 ، 84 ، 162-184. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  8. برک، EM; Koepsell, TD; Moudon، AV; هاسکینز، RE; لارسون، انجمن EB محیط ساخته شده با فعالیت بدنی و چاقی در افراد مسن. صبح. J. بهداشت عمومی 2007 ، 97 ، 486-492. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  9. کوان، ام.-پی. مشکل زمینه جغرافیایی نامشخص ان دانشیار صبح. Geogr. 2012 ، 102 ، 958-968. [ Google Scholar ] [ CrossRef ]
  10. رودریگز، DA; چو، G.-H. Evenson، KR; کانوی، تی ال. کوهن، دی. قوش دستیدار، ب. Pickrel، JL; وبلن-مورتنسون، اس. Lytle، LA Out and about: ارتباط محیط ساخته شده با رفتارهای فعالیت بدنی دختران نوجوان. Health Place 2012 ، 18 ، 55-62. [ Google Scholar ] [ CrossRef ]
  11. بورگوین، تی. جونز، AP; Namenek Brouwer، RJ; بنجامین نیلون، SE ارتباط بین BMI و قرار گرفتن در معرض محیطی خانه، مدرسه و مسیر با استفاده از GPS و GIS: آیا شواهدی از سوگیری حرکتی انتخابی روزانه در کودکان می بینیم؟ بین المللی J. Health Geogr. 2015 ، 14 ، 8. [ Google Scholar ] [ CrossRef ]
  12. هیلزدون، ام. پانتر، جی. فاستر، سی. Jones, A. رابطه بین دسترسی و کیفیت فضای سبز شهری با فعالیت بدنی جمعیت. بهداشت عمومی 2006 ، 120 ، 1127-1132. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  13. ماس، جی. Verheij، RA; Spreeuwenberg، P. Groenewegen، PP فعالیت بدنی به عنوان یک مکانیسم ممکن در پشت رابطه بین فضای سبز و سلامت: تجزیه و تحلیل چند سطحی. BMC Public Health 2008 ، 8 ، 206. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  14. میچل، سی. کلارک، ای. گیلیلند، جی. تأثیرات محیطی ساخته شده از فعالیت بدنی کودکان: بررسی تفاوت‌ها بر اساس اندازه محله و جنسیت. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2016 ، 13 ، 130. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  15. چمبرز، تی. پیرسون، آل. کواچی، آی. رزوتکیویچ، ز. استنلی، جی. اسمیت، ام. بار، ام. نی مورچو، سی. Signal, L. Kids in space: اندازه گیری محله های مسکونی کودکان و سایر مقاصد با استفاده از فضای فعالیت GPS و داده های دوربین پوشیدنی. Soc. علمی پزشکی 2017 ، 193 ، 41-50. [ Google Scholar ] [ CrossRef ]
  16. سرین، ای. میتاش، جی. کاین، KL; کانوی، تی ال. آدامز، MA; شوفیلد، جی. Sarmiento، OL; ریس، RS; شیپرین، جی. دیوی، آر. و همکاران آیا ارتباط بین فعالیت بدنی ارزیابی شده عینی و ویژگی های محیط محله بر اساس زمان روز و روز هفته متفاوت است؟ مطالعه بزرگسالان IPEN بین المللی جی. رفتار. Nutr. فیزیک عمل کنید. 2017 ، 14 ، 34. [ Google Scholar ] [ CrossRef ]
  17. براونینگ، ام. لی، کی. در چه فاصله ای «سبزی» به بهترین شکل سلامت جسمانی را پیش بینی می کند؟ بررسی سیستماتیک مقالات با تجزیه و تحلیل بافر GIS در طول عمر. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2017 ، 14 ، 675. [ Google Scholar ] [ CrossRef ]
  18. بوروف، بی جی؛ ناتان، ا. Nijënstein، S. استفاده از فناوری GPS برای (دوباره) بررسی تعاریف عملیاتی “همسایگی” در تحقیقات بهداشتی مبتنی بر مکان. بین المللی J. Health Geogr. 2012 ، 11 ، 22. [ Google Scholar ] [ CrossRef ]
  19. آلمانزا، ای. جرت، ام. دانتون، جی. ستو، ای. Ann Pentz, M. مطالعه ای در مورد طراحی جامعه، سبز بودن و فعالیت بدنی در کودکان با استفاده از داده های ماهواره، GPS و شتاب سنج. Health Place 2012 ، 18 ، 46-54. [ Google Scholar ] [ CrossRef ]
  20. دانتون، جی اف. آلمانزا، ای. جرت، ام. ولچ، جی. پنتز، MA استفاده از پارک محله توسط کودکان. صبح. J. قبلی پزشکی 2014 ، 46 ، 136-142. [ Google Scholar ] [ CrossRef ]
  21. جیمز، پی. بریگان، دی. هارت، جی. آرون هیپ، جی. هونر، سی ام. کر، جی. سرگرد، JM; اوکا، م. لادن، اف. اثرات اندازه و شکل بافر بر ارتباط بین محیط ساخته شده و تعادل انرژی. Health Place 2014 ، 27 ، 162-170. [ Google Scholar ] [ CrossRef ]
  22. هیرش، جی. وینترز، م. Ashe, MC; کلارک، پی جی؛ مک‌کی، HA مقاصدی که بزرگسالان مسن‌تر در فضاهای فعالیت GPS خود تجربه می‌کنند: رابطه با فعالیت فیزیکی اندازه‌گیری شده عینی. محیط زیست رفتار 2016 ، 48 ، 55-77. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. Prins، RG; پیریک، اف. اتمن، ا. استرکنبورگ، RP; کامفویس، CBM؛ Van Lenthe، FJ تعداد سفرهای پیاده‌روی و دوچرخه‌سواری که توسط افراد مسن انجام می‌شود فراتر از اندازه‌های بافر رایج است: نتایج یک مطالعه GPS. Health Place 2014 ، 27 ، 127-133. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  24. هریسون، اف. بورگوین، تی. کوردر، ک. ون اسلویج، EM; جونز، الف. مسیرهای مدل‌سازی شده به مدرسه چقدر محیطی را که کودکان در معرض آن قرار می‌گیرند ثبت می‌کنند؟ مقایسه مقطعی مسیرهای مدل‌سازی شده و GPS اندازه‌گیری شده به مدرسه. بین المللی J. Health Geogr. 2014 ، 13 ، 5. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  25. یین، ال. راجا، س. لی، ایکس. لای، ی. اپستاین، ال. Roemmich، J. Neighborhood for Playing: استفاده از GPS، GIS و شتاب‌سنجی برای تعیین مناطقی که جوانان در آنها از نظر فیزیکی فعال هستند. مطالعه شهری. 2013 ، 50 ، 2922-2939. [ Google Scholar ] [ CrossRef ]
  26. هیوستون، دی. پیامدهای مسئله واحد منطقه ای قابل اصلاح برای ارزیابی همبستگی محیط ساخته شده با فعالیت بدنی متوسط ​​و شدید. Appl. Geogr. 2014 ، 50 ، 40-47. [ Google Scholar ] [ CrossRef ]
  27. کوان، ام.-پی. محدودیت‌های اثر همسایگی: عدم قطعیت‌های زمینه‌ای در تحقیقات جغرافیایی، بهداشت محیطی و علوم اجتماعی. ان صبح. دانشیار Geogr. 2018 ، 108 ، 1482-1490. [ Google Scholar ] [ CrossRef ]
  28. تره فرنگی.؛ Kwan، M. طبقه بندی فعالیت بدنی خودکار و وضعیت داخل خودرو بر اساس داده های GPS و شتاب سنج: یک رویکرد طبقه بندی سلسله مراتبی با استفاده از تکنیک های یادگیری ماشین. ترانس. GIS 2018 ، 22 ، 1522-1549. [ Google Scholar ] [ CrossRef ]
  29. Zenk، SN; شولز، ای جی; متیوز، SA; Odoms-Young، A.; ویلبر، جی. وگرزین، ال. گیبس، ک. براونشوایگ، سی. استوکس، سی. محیط فضای فعالیت و رفتارهای رژیم غذایی و فعالیت بدنی: یک مطالعه آزمایشی. Health Place 2011 ، 17 ، 1150-1161. [ Google Scholar ] [ CrossRef ]
  30. هیرش، جی. وینترز، م. کلارک، پی. مک کی، اچ. ایجاد فضاهای فعالیت GPS که عادات حرکتی افراد مسن را روشن می کند: یک تحلیل توصیفی. بین المللی J. Health Geogr. 2014 ، 13 ، 51. [ Google Scholar ] [ CrossRef ]
  31. پرشو، سی. Kestens، Y.; توماس، اف. Hulst، AV; تیری، بی. Chaix، B. ارزیابی الگوهای رفتار فضایی در مطالعات بهداشتی: تعیین‌کننده‌های اجتماعی-دموگرافیک و ارتباط آن‌ها با شیوه‌های حمل‌ونقل (مطالعه کوهورت RECORD). Soc. علمی پزشکی 2014 ، 119 ، 64-73. [ Google Scholar ] [ CrossRef ]
  32. لی، NC; ووس، سی. فریزر، AD; هیرش، جی. مک کی، HA; Winters, M. آیا اندازه فضای فعالیت بر سطح فعالیت بدنی نوجوانان تأثیر می گذارد؟-مطالعه GPS از محیط شهری. قبلی پزشکی 2016 ، 3 ، 75-78 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  33. راندل، AG; شیهان، DM; کوین، جی دبلیو. بارتلی، ک. آیزنهاور، دی. بادر، MMD; لواسی، جی اس. Neckerman، KM با استفاده از داده های GPS برای مطالعه راه رفتن محله و فعالیت بدنی. صبح. J. قبلی پزشکی 2016 ، 50 ، e65–e72. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  34. تیری، بی. چایکس، بی. Kestens، Y. تشخیص مکان‌های فعالیت از داده‌های خام GPS: یک الگوریتم جدید مبتنی بر هسته. بین المللی J. Health Geogr. 2013 ، 12 ، 14. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  35. Jankowska، MM; ناتاراجان، ال. گودبول، اس. مسک، ک. سیرز، دی دی. پترسون، RE; Kerr, J. تخمین تراکم هسته به عنوان معیاری از قرار گرفتن در معرض محیطی مرتبط با مقاومت به انسولین در بازماندگان سرطان پستان. اپیدمیول سرطان. قبلی بیومارک. 2017 ، 26 ، 1078-1084. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  36. کوان، ام.-پی. جنسیت و دسترسی فردی به فرصت های شهری: مطالعه ای با استفاده از معیارهای فضا-زمان. پروفسور Geogr. 1999 ، 51 ، 211-227. [ Google Scholar ] [ CrossRef ]
  37. وانگ، جی. کوان، ام.-پی. چارچوبی تحلیلی برای ادغام دینامیک فضایی و زمانی بافت محیطی و تحرک فردی در ارزیابی مواجهه: مطالعه ای در مورد رابطه بین قرار گرفتن در معرض محیط غذایی و وزن بدن. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2018 ، 15 ، 2022. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  38. گونگ، ی. گالاچر، جی. پالمر، اس. Fone، D. فضای سبز محله، عملکرد فیزیکی و مشارکت در فعالیت های بدنی در میان مردان مسن: مطالعه آینده نگر Caerphilly. بین المللی جی. رفتار. Nutr. فیزیک عمل کنید. 2014 ، 11 ، 40. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  39. مک موریس، او. ویلنوو، پی جی; سو، جی. جرت، ام. سرسبزی شهری و فعالیت بدنی در یک نظرسنجی ملی از کانادایی ها. محیط زیست Res. 2015 ، 137 ، 94-100. [ Google Scholar ] [ CrossRef ]
  40. تروپد، پی جی. ساندرز، RP; Pate, RR; راینینگر، بی. Addy, CL مربوط به فعالیت بدنی تفریحی و حمل و نقل در میان بزرگسالان در یک جامعه نیوانگلند. قبلی پزشکی 2003 ، 37 ، 304-310. [ Google Scholar ] [ CrossRef ]
  41. سالیس، جی اف. بولز، منابع انسانی؛ باومن، ا. Ainsworth، BE; گاو نر، اف سی؛ کریگ، CL; شوستروم، ام. دوبوردوهویج، آی. لوفور، جی. ماتسودو، وی. و همکاران محیط های همسایگی و فعالیت بدنی در میان بزرگسالان در 11 کشور. صبح. J. قبلی پزشکی 2009 ، 36 ، 484-490. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. گومز، LF; پارا، دی سی؛ بوشنر، دی. براونسون، RC; Sarmiento، OL; پینزون، جی دی. اردیلا، م. مورنو، جی. سراتو، م. Lobelo، F. ویژگی های محیطی ساخته شده و الگوهای راه رفتن در میان جمعیت مسن در بوگوتا. صبح. J. قبلی پزشکی 2010 ، 38 ، 592-599. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  43. استل-برت، تی. فنگ، ایکس. کلت، GS فضای سبز با پیاده روی و فعالیت بدنی متوسط ​​تا شدید (MVPA) در بزرگسالان میانسال تا مسن مرتبط است: یافته های 203883 استرالیایی در مطالعه 45 و بالاتر. برادر J. Sports Med. 2014 ، 48 ، 404-406. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  44. براون، جی. Schebella، MF; وبر، دی. استفاده از GIS مشارکتی برای اندازه گیری فعالیت بدنی و مزایای پارک شهری. Landsc. طرح شهری. 2014 ، 121 ، 34-44. [ Google Scholar ] [ CrossRef ]
  45. فیشر، کی جی. لی، اف. مایکل، ی. کلیولند، M. تأثیرات سطح همسایگی بر فعالیت بدنی در میان بزرگسالان: یک تحلیل چند سطحی. جی. فیزیک پیری. عمل کنید. 2004 ، 12 ، 45-63. [ Google Scholar ] [ CrossRef ]
  46. هونر، سی ام. برنان رامیرز، LK; الیوت، مگابایت؛ Handy، SL; براونسون، RC اقدامات محیطی و فعالیت بدنی درک شده و عینی در میان بزرگسالان شهری. صبح. J. قبلی پزشکی 2005 ، 28 ، 105-116. [ Google Scholar ] [ CrossRef ]
  47. تروپد، پی جی. ویلسون، جی اس. متیوز، م. کراملی، EK; Melly, SJ محیط ساخته شده و فعالیت فیزیکی مبتنی بر مکان. صبح. J. قبلی پزشکی 2010 ، 38 ، 429-438. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. Boslaugh، SE; لوک، دی. براونسون، RC; Naleid، KS; Kreuter، MW تصورات محیط محله برای فعالیت بدنی: آیا این “آن کسی هستید” یا “جایی که زندگی می کنید”؟ جی. گاو نر بهداشت شهری. آکادمی نیویورک پزشکی 2004 ، 81 ، 671-681. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  49. شاخص در دسترس بودن حمل و نقل – مرکز داده CMAP. در دسترس آنلاین: https://datahub.cmap.illinois.gov/dataset/access-to-transit-index (در 18 ژوئیه 2019 قابل دسترسی است).
  50. اداره آمار دادگستری (BJS) – جنایات خشونت آمیز. در دسترس آنلاین: https://www.bjs.gov/index.cfm?ty=tp&tid=31 (در 18 ژوئیه 2019 قابل دسترسی است).
  51. جرایم خشونت آمیز. در دسترس آنلاین: https://www.nij.gov:443/topics/crime/violent/Pages/welcome.aspx (در 18 ژوئیه 2019 قابل دسترسی است).
  52. تاونز، جی. کوکریل، تی. دهان، م. فاستر، آی. گیتر، ک. گریمشاو، ا. هازلوود، وی. لاتروپ، اس. لیفکا، دی. پترسون، جی دی. و همکاران XSEDE: تسریع کشف علمی. محاسبه کنید. علمی مهندس 2014 ، 16 ، 62-74. [ Google Scholar ] [ CrossRef ]
  53. استوارت، کالیفرنیا؛ ترنر، جی. وان، ام. گافنی، نیوجرسی؛ کوکریل، TM; فاستر، آی. هنکاک، دی. بازرگان، ن. اسکیدمور، ای. استانزیونه، دی. و همکاران Jetstream: یک محیط ابری مهندسی و علمی و مقیاس‌پذیر خود تهیه‌شده. در مجموعه مقالات کنفرانس XSEDE 2015 در مورد پیشرفت های علمی فعال شده توسط زیرساخت سایبری پیشرفته—XSEDE ’15 ; ACM Press: سنت لوئیس، MO، ایالات متحده آمریکا، 2015; صص 1-8. [ Google Scholar ]
  54. بل، اس ال. فینیکس، سی. لاول، آر. Wheeler، BW با استفاده از GPS و روایت‌های جغرافیایی: رویکردی روش‌شناختی برای درک و موقعیت‌یابی برخوردهای روزمره فضای سبز: استفاده از GPS و روایت‌های جغرافیایی. منطقه 2015 ، 47 ، 88-96. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. لی، ACK; ماهسواران، ر. مزایای سلامتی فضاهای سبز شهری: مروری بر شواهد. J. بهداشت عمومی 2011 ، 33 ، 212-222. [ Google Scholar ] [ CrossRef ]
  56. فاستر، اس. Giles-Corti، B. محیط ساخته شده، جرم محله و فعالیت فیزیکی محدود: کاوش یافته های متناقض. قبلی پزشکی 2008 ، 47 ، 241-251. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  57. بدلند، اچ ام. اسکوفیلد، جنرال موتورز; گرت، ن. رفتار سفر و متغیرهای طراحی شهری اندازه‌گیری شده عینی: انجمن‌هایی برای بزرگسالانی که به محل کار سفر می‌کنند.Health Place 2008 ، 14 ، 85-95. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  58. چایکس، بی. ملین، جی. دانکن، اس. مرین، سی. کاروسیسی، ن. پرشو، سی. لوین، ا. لبادی، ک. Kestens، Y. ردیابی GPS در مطالعات همسایگی و بهداشت: یک گام به جلو برای ارزیابی قرار گرفتن در معرض محیطی، یک گام به عقب برای استنتاج علی؟Health Place 2013 ، 21 ، 46-51. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  59. ساینانی، ک. اهمیت حسابداری برای مشاهدات همبسته. PM&R 2010 , 2 , 858-861. [ Google Scholar ]
Ijgi 08 00514 g001 550
شکل 1. بافرهای دایره ای و شبکه.
Ijgi 08 00514 g002 550
شکل 2. تست عملکرد الگوریتم طبقه بندی حالت سفر بهینه شده با استفاده از داده های GPS با ترکیبات مختلف ویژگی ها بسته به اندازه فاصله و پنجره های زمانی (محور x).
Ijgi 08 00514 g003 550
شکل 3. حالت‌های سفر پیش‌بینی‌شده بر اساس داده‌های GPS فهرست سفرهای خانگی منطقه‌ای شیکاگو و تجسم خوشه‌بندی آن‌ها با استفاده از تخمین چگالی هسته. ( الف ) پیاده روی، ( ب ) در وسیله نقلیه، و ( ج ) دوچرخه سواری.
Ijgi 08 00514 g004 550
شکل 4. بافرهای دایره ای 20 متری ایجاد شده در اطراف هر نقطه GPS با حالت های سفر پیش بینی شده.
Ijgi 08 00514 g005a 550 Ijgi 08 00514 g005b 550
شکل 5. نسبت شانس های متفاوت و خطاهای استاندارد ناشی از مدل های 1، 2 و 3 در 11 اندازه بافر هستند. مدل 1: تعداد موارد جرایم خشونت آمیز، درصد مساحت درختان. پارک و فضای باز تراکم؛ شاخص در دسترس بودن حمل و نقل؛ و برخورد ترافیک برای سن، نژاد، درآمد خانوار و روزهای هفته/آخر هفته تنظیم شده است. مدل 2: مدل 1 + همسایگی آفریقایی آمریکایی به عنوان یک پیش بینی اضافی. مدل 3: مدل 2 + درآمد متوسط ​​خانوار محله به عنوان یک پیش بینی اضافی. *** p < 0.001; ** p < 0.01; * ص < 0.1. مناطق خاکستری: خطاهای استاندارد ضرایب.
Ijgi 08 00514 g006 550
شکل 6. تعداد کل متغیرهای مهم در مدل 3 با توجه به اندازه های مختلف بافر.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید