فاصله گذاری اجتماعی روشی موثر برای کنترل همه گیر COVID-19 با کاهش تحرک جمعیت است، اما بر فروش مشاغل محلی نیز تأثیر منفی گذاشته است. این مقاله تأثیر مکانی-زمانی تحرک جمعیت را بر فروش مشاغل محلی در پاسخ به COVID-19 در سئول، کره جنوبی بررسی می‌کند. ابتدا، این مطالعه تغییرپذیری زمانی را با تجزیه و تحلیل اصطلاحات تعامل آماری در مدل‌های رگرسیون خطی بررسی کرد. دوم، تنوع مکانی-زمانی با استفاده از مدل‌های ضرایب متغیر مکانی (SVC) مبتنی بر فیلتر فضایی بردار ویژه موران (MESF) با شرایط تعامل آماری اضافی ثبت شد. تحرک جمعیت و فروش کسب و کار محلی به ترتیب از فروش سواری حمل‌ونقل عمومی و فروش رستوران برآورد شد که هر دو از مجموعه داده‌های بزرگ فضایی به‌دست آمدند. نتایج تجزیه و تحلیل وجود روابط مختلف بین تغییرات در تحرک جمعیت و فروش مشاغل محلی را با توجه به دوره و منطقه مربوطه نشان می دهد. این مطالعه قابلیت استفاده از مجموعه داده‌های بزرگ فضایی و مدل‌های ضرایب متغیر مکانی-زمانی را برای مطالعات COVID-19 تأیید می‌کند و برای سیاست‌گذاران در پاسخ به بیماری‌های عفونی حمایت می‌کند.

کلید واژه ها: 

COVID-19 ؛ تجزیه و تحلیل مکانی – زمانی ; موران بردار ویژه فیلتر فضایی ; ضرایب متغیر مکانی

1. مقدمه

از زمانی که اولین مورد تایید شده COVID-19 در ووهان چین اعلام شد، همه گیری COVID-19 در سراسر جهان گسترش یافته است. برای کاهش و کنترل همه‌گیری، بسیاری از کشورها اقدامات کنترلی سختگیرانه‌ای را اجرا کرده‌اند، به عنوان مثال، قرنطینه شهرها و استان‌ها برای محدود کردن تحرک جمعیت و ترویج فاصله‌گذاری اجتماعی [ 1 ، 2 ، 3 ]. اگرچه دولت کره جنوبی هیچ محدودیتی برای کل شهرها اعمال نکرده است، اما فاصله گذاری اجتماعی را تشویق کرده است.
سیاست های فاصله گذاری اجتماعی تمایل به کاهش تحرک جمعیت دارد [ 4 ، 5 ، 6 ، 7 ]، اما بر کسب و کارهای محلی نیز تأثیر منفی می گذارد. با این حال، فاصله گذاری اجتماعی هنوز یکی از روش های اساسی برای کنترل همه گیری COVID-19 است زیرا شانس انتقال ویروس SARS-CoV-2 را به حداقل می رساند [ 8 ]. به عنوان مثال، Nouvellet و همکاران. [ 4 ] رابطه بین تحرک جمعیت و انتقال را در بین 52 کشور تجزیه و تحلیل کرد. نویسندگان گزارش کردند که کاهش تحرک به محدود کردن انتقال COVID-19 در اکثر کشورها کمک کرده است. ولنیوس و همکاران [ 9] همبستگی بالایی بین اجرای سیاست های فاصله گذاری اجتماعی و کاهش تحرک در ایالات متحده گزارش کرد. در مطالعات قبلی، تحرک جمعیت به طور کلی توسط حجم ترافیک و سواری حمل و نقل عمومی مشخص شده است [ 10 ، 11 ، 12 ]. در کره جنوبی، سیاست فاصله گذاری اجتماعی همچنین منجر به کاهش تعداد مسافران مترو [ 13 ، 14 ] و حجم ترافیک [ 15 ] شده است. با این حال، این مطالعه بیشتر بر روی تغییرات در حمل و نقل عمومی تمرکز کرد، زیرا استفاده از حمل و نقل عمومی در مقایسه با رانندگی و پیاده روی به دلیل محیط کوچک و بسته، تأثیر بیشتری بر گسترش COVID-19 دارد [ 16 ].].
مطالعات قبلی نشان داده اند که کاهش تحرک جمعیت بر مشاغل محلی تأثیر منفی می گذارد [ 17 ، 18 ، 19 ]. به عنوان مثال، Panzone و همکاران. [ 19 ] تأثیر اولین قرنطینه COVID-19 بر خدمات غذا و نوشیدنی بریتانیا را گزارش کرد که در آن درآمد آنها کاهش یافت. فیرلی [ 20] نشان داد که بسته شدن مغازه ها و شرکت ها در ایالات متحده به همراه کاهش تعداد صاحبان شرکت های فعال افزایش یافته است که نشان دهنده تأثیر منفی بر مشاغل محلی است. در سئول، کره جنوبی، تجزیه و تحلیل رابطه بین جمعیت روزانه و استفاده از کارت اعتباری، بسته به نوع کسب و کار و ویژگی‌های مناطق، ارتباط‌های مختلفی را نشان داد [ 21 ].
تأثیرات COVID-19 و سیاست فاصله گذاری اجتماعی مربوطه بر مشاغل محلی می تواند در مکان و زمان متفاوت باشد. به عنوان مثال، به دلیل سیستم بسیار توسعه یافته خدمات تحویل غذا در کره [ 22 ]، کسب و کارهای رستورانی که خدمات تحویل را ارائه می دهند ممکن است در واکنش به کاهش تحرک جمعیت آسیب کمتری نسبت به مشاغل رستورانی که این خدمات را ارائه می دهند، متحمل شده باشند، اگرچه چانگ و همکاران [ 23 ] گزارش داد که همبستگی جهانی بین تعداد بروز کووید-19 و تحویل غذا از نظر آماری معنی‌دار نیست. علاوه بر این، کاهش در تحرک جمعیت نیز الگوهای مکانی متفاوتی را نشان داد [ 24 ، 25 ]و روابط فضایی متفاوت با مشاغل محلی [ 21 ]، که تغییرات فضایی تأثیر فاصله گذاری اجتماعی را تشدید می کند. کی لی و همکاران [ 14 ] گزارش داد که سیاست فاصله گذاری اجتماعی منجر به کاهش قابل توجه مسافران مترو در سئول، عمدتاً در مناطق تجاری، فرهنگی و آموزشی شد.
به طور مشابه، تغییرات فضایی در عوامل اجتماعی-اقتصادی و جمعیت شناختی بروز COVID-19، عمدتاً از طریق استفاده از مدل‌های ضرایب متغیر مکانی (SVC) گزارش شده است، به عنوان مثال، بر اساس رگرسیون وزن‌دار جغرافیایی (GWR) [ 26 ، 27 ، 28 ] و مدل‌های SVC فیلتر فضایی بردار ویژه موران (MESF) [ 29]. از آنجا که یک مدل SVC ضرایب رگرسیون را برای هر واحد فضایی بدون فرض یک ضریب ثابت در سراسر فضا تخمین می‌زند، می‌تواند تغییرات مکانی را هنگام بررسی تأثیر عوامل کشف کند. علاوه بر این، تعداد حوادث COVID-19 و سیاست فاصله گذاری اجتماعی مربوطه دارای تغییرات زمانی هستند که منجر به تغییرات زمانی در تحرک جمعیت می شود و تأثیر متغیری بر مشاغل محلی دارد. بنابراین، تغییرات زمانی که به ندرت در مطالعات قبلی [ 21 ، 26 ، 27 ، 28 ] به آنها پرداخته شده است، باید علاوه بر تأثیر فضایی تحرک جمعیت بر فروش مشاغل محلی مورد بررسی قرار گیرد.
بنابراین، این مطالعه با هدف بررسی تأثیر مکانی-زمانی تحرک جمعیت بر فروش مشاغل محلی در پاسخ به همه‌گیری COVID-19 در سئول، کره جنوبی انجام شد. ابتدا، این مطالعه تفاوت‌های زمانی در پاسخ‌ها را بررسی کرده و آنها را با استفاده از شرایط تعامل آماری در یک مدل رگرسیون خطی تأیید می‌کند. دوم، مدل‌های SVC برای شناسایی تنوع مکانی تأثیر استفاده شد، و اصطلاحات تعامل آماری علاوه بر این برای مدل‌ها به کار رفت تا تغییرات مکانی-زمانی تأثیر تحرک جمعیت مرتبط با COVID-19 بر مشاغل محلی را نشان دهد. به طور خاص، این تحلیل از یک مدل SVC مبتنی بر MESF با اصطلاح تعامل آماری استفاده کرد زیرا یکی از روش‌های معمولی است که برای مقابله با تغییرات فضایی در ضرایب رگرسیون استفاده می‌شود [ 29 ].] و نسبتاً عاری از مسئله چند خطی در ضرایب رگرسیون است [ 30 ]. علاوه بر این، یک مدل SVC مبتنی بر MESF را می توان برای کشف تنوع مکانی-زمانی گسترش داد. این مطالعه از تغییرات در حمل و نقل عمومی و فروش رستوران برای ثبت تغییرات در تحرک جمعیت و فروش مشاغل محلی استفاده کرد. انتظار می رود این مطالعه با استفاده از اصطلاحات تعامل آماری که می تواند برای ثبت تغییرات مکانی-زمانی در مجموعه داده هایی که از داده های بزرگ و بلادرنگ جمع آوری شده اند، به ادبیات موجود COVID-19 کمک کند [ 31 ، 32 ].

2. تغییرات در وضعیت COVID-19 و سیاست فاصله گذاری اجتماعی

این بخش به طور متوالی تعداد موارد تأیید شده COVID-19 و تغییرات در سیاست فاصله گذاری اجتماعی را خلاصه می کند، زیرا اینها عواملی هستند که بر تحرک جمعیت و مشاغل محلی تأثیر می گذارند. شکل 1 تعداد موارد تایید شده COVID-19 را در سال 2020 نشان می دهد. روند همه گیری کووید-19 کره در سال 2020 به طور کلی با توجه به نقاط افزایش سریع تعداد موارد تایید شده به سه دوره (یعنی موج) طبقه بندی می شود. [ 33]. موج اول از 20 ژانویه تا 11 اوت ادامه داشت. این دوره از روز اولین مورد تایید شده شروع می شود و همچنین شامل اولین مورد تایید شده در سئول، در 25 ژانویه می شود. افزایش این موج در دائگو و گیونگبوک اتفاق افتاد، اما سئول بیشترین تعداد موارد تایید شده را داشت. موج دوم همه‌گیری در 12 اوت آغاز شد و در آن زمان تجمع بزرگی در سئول برگزار شد. در این دوره، سئول همچنین بیشترین تعداد حوادث تایید شده را نشان داد و منطقه شهری سئول – از جمله سئول، اینچئون و گیونگگی – بیش از نیمی از موارد تایید شده را داشت. موج سوم از 13 آبان ماه با خوشه های سراسری آغاز شد.
دولت کره با ایجاد ستاد مرکزی مقابله با بلایا و ایمنی، اقدامات فاصله گذاری اجتماعی را تشویق و اجرا کرد. دولت همچنین به مراکز کنترل و پیشگیری از بیماری‌های کره (KCDC) اختیار تدوین و اجرای سیاست‌های مرتبط با بیماری‌های عفونی را داد [ 34 ]. نکته اصلی سیاست فاصله گذاری اجتماعی، جلوگیری از همه جلسات و گردهمایی های غیرضروری با هدف کاهش چشمگیر تعداد تماس های چهره به چهره برای کاهش سرعت شیوع COVID-19 بود. با این حال، چنین سیاست های فاصله گذاری اجتماعی می تواند به دلیل کاهش تحرک جمعیت، بر مشاغل محلی تأثیر منفی بگذارد [ 20 ، 35 ].
KCDC سیاست‌های فاصله‌گذاری اجتماعی انعطاف‌پذیر را بر اساس مناطق با توجه به تعداد حوادث تأیید شده جدید COVID-19 اجرا کرده است. از آنجا که تغییرات در سیاست مستقیماً بر تحرک تأثیر می گذارد و به نوبه خود بر مشاغل محلی تأثیر می گذارد، اجرای انعطاف پذیر سیاست فاصله گذاری اجتماعی با هدف به حداقل رساندن تأثیر منفی اجتماعی-اقتصادی آن [ 9 ] بود. هنگامی که سطح فاصله گذاری اجتماعی تشدید می شود، تحرک جمعیت به طور قابل توجهی کاهش می یابد، که منجر به تأثیر منفی بیشتر بر مشاغل محلی می شود. در مقابل، هنگامی که سطح فاصله گذاری اجتماعی کاهش می یابد، تحرک جمعیت بهبود می یابد یا افزایش اندکی را نشان می دهد. در نتیجه، تأثیر منفی بر مشاغل محلی کاهش می یابد.
جدول 1 تغییرات در سیاست فاصله گذاری اجتماعی را با اجرای عمده در سئول از نظر سه موج همه گیر COVID-19 خلاصه می کند [ 36 ]]. به طور خاص، در موج اول، KCDC سیاست فاصله گذاری اجتماعی قوی تر را در 22 مارس تشویق کرد، و KCDC سیاست فاصله گذاری اجتماعی، یعنی فاصله گذاری در زندگی روزمره را در 6 می کاهش داد. در 28 ژوئن، KCDC سیاست فاصله گذاری اجتماعی سه سطحی را ایجاد کرد و سیاست سطح 1 را اجرا کرد. در موج دوم، سطح فاصله گذاری اجتماعی در 16 مرداد به سطح 2 رفت و مجدداً به سطح 2 افزایش یافت. سطح فاصله گذاری اجتماعی از 14 شهریور کاهش یافت. در 7 نوامبر، سیاست فاصله گذاری اجتماعی پنج سطحی برقرار شد و در موج سوم، سطح فاصله گذاری اجتماعی از 19 نوامبر افزایش یافت.

3. مواد و روشها

این مطالعه تاثیر مکانی-زمانی تغییرات در حمل‌ونقل عمومی را بر تغییرات فروش رستوران در طول واکنش COVID-19 در سئول بررسی می‌کند. این بخش مجموعه داده‌ها و روش‌های مدل‌سازی مورد استفاده برای کاوش تأثیر مکانی-زمانی را توصیف می‌کند. از آنجایی که سیاست فاصله گذاری اجتماعی از ماه مارس اعمال شد، مجموعه داده‌های مربوط به فروش خودروهای حمل‌ونقل عمومی و رستوران‌ها از 1 مارس 2020 تا 31 دسامبر 2020 به‌دست آمد و همان متغیرها نیز برای مقاصد مقایسه برای سال 2019 جمع‌آوری شدند. تجزیه و تحلیل رگرسیون خطی و MESF-SVC با شرایط تعامل آماری برای بررسی تأثیر تغییرات در حمل‌ونقل عمومی بر فروش رستوران‌های محلی مورد استفاده قرار گرفت.

3.1. داده ها

تغییرات در فروش رستوران به عنوان متغیر وابسته این تحلیل استفاده شد. اطلاعات فروش از اداره اعتبار کره (KCB) Big Data [ 32 ] به دست آمده است.]. KCB Big Data درآمد سالانه را بر اساس اطلاعات تراکنش کارت اعتباری تخمین می زند و درآمد ماهانه را بر حسب واحدهای فضایی کوچک به نام K-block جمع آوری می کند. میانگین جمعیت حدود 300 نفر است. این تجزیه و تحلیل برآوردهای درآمد سالانه در سطح K-block را به سطح دونگ که کوچکترین واحد اداری در کره است، تجمیع کرد. سئول تا سال 2021 دارای 425 دانگ است. با این حال، این تجزیه و تحلیل از 422 دانگ با ادغام دونگ های بدون رستوران در دونگ های مجاور با رستوران ها استفاده کرد. برآوردها بر اساس نوع کسب و کار بر اساس کد صنعت استاندارد کره (KSIC) طبقه بندی شدند. این تجزیه و تحلیل فقط فعالیت های خدمات غذا و نوشیدنی را برای نشان دادن کسب و کار رستوران استخراج کرد. این به این دلیل است که، در این منطقه مورد مطالعه، کسب و کار رستوران دومین درصد از کل مشاغل را به خود اختصاص می دهد (به عنوان مثال،19 ].
متغیرهای مستقل تغییرات در حمل و نقل عمومی بودند. به طور خاص، مقادیر سواری از مجموعه داده کره ای تاریخچه حمل و نقل عمومی کارت حمل و نقل هوشمند (T-Money)، از جمله از طریق اتوبوس و مترو [ 31 ] به دست آمد. این تجزیه و تحلیل از تعداد مسافران پیاده‌شده برای نشان دادن تحرک جمعیت استفاده کرد. تعداد مسافران تنها در ایستگاه‌های خروج نهایی شمارش می‌شد، زیرا نقل و انتقالات شمارش نمی‌شد. با توجه به آمار سواری مدل‌های سفر در سئول، میزان سواری اتوبوس و مترو حدود 61.4 درصد از کل تحرک جمعیت را تشکیل می‌دهد، در حالی که وسایل نقلیه شخصی 28.5 درصد را تشکیل می‌دهند (Seoul Open Data Plaza، https://data. seoul.go.kr/dataList/250/S/2/datasetView.do، قابل دسترسی در 10 اکتبر 2022). تعداد سواری اتوبوس ها و متروها در پاسخ به COVID-19 بیشتر از وسایل نقلیه شخصی کاهش یافته است [ 37 ] زیرا حمل و نقل عمومی عموماً تأثیر بیشتری بر گسترش یک بیماری همه گیر دارد [ 16 ].
این تحلیل با این فرض انجام شد که تأثیر تحرک جمعیت در طول زمان متفاوت است. بنابراین، تعداد مسافران به شش دوره زمانی در هر روز (یعنی 6-8، 9-11، 12-14، 15-17، 18-20، و 21-23) با طبقه بندی بیشتر به روزهای هفته و آخر هفته تقسیم شد. ; به عنوان مثال، MD6 و ME21 به ترتیب به 6-8 در روزهای هفته و 21-23 در تعطیلات آخر هفته اشاره دارند. سپس، تعداد مسافران در سطح دونگ بر اساس ماه جمع آوری شد. تغییرات در هر دو متغیر وابسته و مستقل با مقایسه برآوردهای سال 2020 با برآوردهای سال 2019 محاسبه شد، یعنی: ایکس2020–ایکس2019/ایکس2019.

3.2. مواد و روش ها

این مطالعه از رگرسیون خطی و مدل‌های SVC مبتنی بر MESF با شرایط تعامل آماری استفاده کرد. ابتدا، مدل‌های رگرسیون خطی برای بررسی روابط بین تغییرات در حمل‌ونقل عمومی و تغییرات در فروش رستوران استفاده شد. این به این دلیل است که یک مدل رگرسیون خطی به طور کلی نتایج قابل تفسیر بیشتری را برای رابطه در مقایسه با مدل‌های غیرخطی ارائه می‌کند [ 38 ]. سپس، تنوع زمانی در روابط با یک عبارت تعامل آماری بین این واژه و سایر متغیرهای کمکی مورد بررسی قرار گرفت [ 38 ، 39 ، 40 ].

y=βپایکسپ+βمنایکسپ×د+ε
اینجا، yو ایکسپبه متغیرهای وابسته و مستقل یعنی تغییرات فروش رستوران و تعداد سواری حمل و نقل عمومی به ترتیب اشاره شود. βپو βمنبه ترتیب ضرایب تخمینی متغیرهای کمکی و شرایط تعامل با متغیرهای کمکی است. دیک اصطلاح تعامل آماری را نشان می دهد. به طور خاص، داده های ماهانه جمع آوری شده (به عنوان مثال، nمترonتیساعت=12) به تعداد نسبتاً کمی از دوره ها گروه بندی می شوند (یعنی، r دوره ها، r<12، و متغیرهای شاخص به هر دوره اختصاص داده می شوند. این تجزیه و تحلیل از یک متغیر ساختگی ساده (یعنی 0 یا 1) برای اصطلاحات تعامل آماری استفاده می کند زیرا روابط فروش رستوران بر روی متغیرهای کمکی تنها بین دو دوره (یعنی از مارس تا ژوئیه و از آگوست تا دسامبر) تفاوت معنی داری نشان می دهد. که در بخش نتایج توضیح داده خواهد شد. ضرایب برآورد شده عبارات تعامل آماری نشان دهنده تفاوت زمانی در روابط است و این تفاوت را می توان با آزمون های معناداری ضرایب مربوطه تأیید کرد.
مدل های رگرسیون خطی عمومی می توانند در توانایی آنها برای بررسی تأثیر تحرک جمعیت بر مشاغل محلی به دلیل وجود همبستگی مکانی در متغیرها محدود شوند [ 41 ، 42 ]. بنابراین، تجزیه و تحلیل ما از یک مدل SVC مبتنی بر MESF برای پرداختن به خودهمبستگی مکانی و برای بررسی تنوع مکانی-زمانی در تأثیر تحرک جمعیت بر فروش کسب‌وکار رستوران [ 29 ، 30 ، 43 ]، با ترکیب شرایط تعامل آماری استفاده کرد. بنابراین، این بخش به طور خلاصه به بررسی مدل های SVC مبتنی بر MESF و MESF می پردازد.
مدل MESF نوعی رگرسیون فضایی است که برای پرداختن به خودهمبستگی فضایی در باقیمانده های رگرسیونی که خطاهای استاندارد ضرایب برآورد شده را افزایش می دهد استفاده می شود [ 44 ]. MESF بردارهای ویژه را از ماتریس وزن های فضایی تبدیل شده به صورت زیر استخراج می کند [ 45 ، 46 ]:

من–11تی/nسیمن–11تی/n
بردارهای ویژه استخراج شده به عنوان متغیرهای کمکی در مدل رگرسیونی استفاده می شوند. اینجا، سیماتریس وزن های فضایی باینری است، منماتریس هویت است و 1بردار 1 است. nتعداد مشاهدات است. این مطالعه ماتریس وزن‌های فضایی را بر اساس وزن‌های مجاورت ملکه ساخته است. بردارهای ویژه استخراج شده نشان دهنده الگوهای فضایی است که در آن مقادیر ضرایب موران مستقیماً با مقادیر ویژه بردارهای ویژه مربوطه مرتبط است. علاوه بر این، بزرگترین و کوچکترین مقادیر ویژه مربوط به بزرگترین و کوچکترین مقادیر ضریب موران برای یک منطقه مورد مطالعه است [ 47 ]. علاوه بر این، بردارهای ویژه متقابلاً ناهمبسته و متعامد هستند. بنابراین، یک ترکیب خطی از بردارهای ویژه انتخاب شده که معمولاً از روش انتخاب متغیر گام به گام به‌دست می‌آیند، می‌تواند با در نظر گرفتن مؤلفه‌های فضایی منجر به تخمین‌های ضریب رگرسیون بی‌طرف شود [ 48 ].]. مدل MESF برای رگرسیون خطی را می توان با معادله زیر نشان داد:

y=βپایکسپ+βEE+ε

جایی که yمتغیر وابسته است، ایکسپمتغیر مستقل است، Eمجموعه ای از بردارهای ویژه انتخاب شده است و βپو βEبرآورد ضرایب مربوطه هستند.

مدل MSEF را می توان به یک مدل SVC برای بررسی تغییرپذیری فضایی در ضرایب رگرسیون گسترش داد. هنگامی که یک منطقه مورد مطالعه از زیر ناحیه های گسسته و ناهمگن تشکیل شده است، یک مدل SVC به محدودیت های یک مدل جهانی می پردازد که فرض می کند ضرایب در سراسر فضا با تخمین ضرایب برای هر واحد فضایی ثابت هستند [ 43 ، 49 ]. رویکرد GWR یک مدل SVC به طور گسترده مورد استفاده برای بررسی تنوع فضایی است، که همچنین در رابطه با همه‌گیری COVID-19 استفاده شده است [ 26 ، 27 ، 28 ]. با این حال، GWR از چند خطی بودن در ضرایب رگرسیون [ 49 ] و مسئله انتخاب پهنای باند [ 50 ] رنج می برد.]. علاوه بر این، مدل SVC مبتنی بر MSEF به طور کلی دقت مدل بهتری را نشان می‌دهد [ 29 ، 51 ]. بنابراین، تجزیه و تحلیل ما از مدل SVC مبتنی بر MESF استفاده کرد.
مدل SVC مبتنی بر MESF، MESF اصلی را با ترکیب شرایط تعامل آماری بین بردارهای ویژه انتخاب شده و متغیرهای مستقل گسترش می‌دهد تا تغییرپذیری فضایی در ضرایب را به شرح زیر بررسی کند [ 52 ]:

y=β01+∑ک0=1ک0βک0Eک0+∑پ=1پβپ1+∑کپ=1کپβکپEکپ·ایکسپ+ε

جایی که Eکپبردارهای ویژه مربوط به متغیر مستقل را نشان می دهد پ، و اصطلاحات برهمکنش آماری از ضرب بدست می آید Eکپو ایکسپ. بنابراین، بخش اول معادله وقفه متغیر فضایی را بیان می کند و بخش دوم به SVC متغیرهای مستقل اشاره دارد. مدل SVC مبتنی بر MESF با سازماندهی مجدد معادله به صورت زیر، بین تأثیرات جهانی و محلی تفاوت قائل می شود:

y=β01+∑پ=1پβپ1ایکسپ+∑ک=1کβEکEک+∑پ=1پ∑ک=1کβپEکEکایکسپ+ε

که در آن قسمت اول نشان دهنده ضرایب رگرسیون یک مدل جهانی است و قسمت دوم نشان دهنده SVC است.

این تجزیه و تحلیل یک اصطلاح تعامل آماری اضافی را در مدل MSEF-SVC برای بررسی تنوع زمانی گنجانده است. مشابه مثال رگرسیون خطی قبلی، یک متغیر ساختگی ساده به صورت زیر در مدل MSEF-SVC اعمال می شود:

y=β01+∑ک0=1ک0Eک0βک0+∑پ=1پβ01+∑کپ=1کپEکپβکپ·ایکسپ+∑پ=1پβ01+∑کپ=1کپEکپβکپ·ایکسپ·د+ε

که در آن ضرب SVC و متغیر ساختگی زمانی (یعنی، Eکپ·ایکسپ·د) تنوع مکانی – زمانی را در ضرایب رگرسیون بیان می کند.

یک مدل MESF-SVC باید مجموعه کامل بردارهای ویژه را محدود کند تا هم درجه ای از آزادی را حفظ کند و هم صرفه جویی مدل را افزایش دهد. این محدودیت طی دو مرحله انجام می شود. اول، مدل MESF-SVC تنها بر اساس زیر مجموعه ای از بردارهای ویژه به نام بردارهای ویژه [ 53 ] ساخته می شود. این تجزیه و تحلیل بردارهای ویژه را با استفاده از مقادیر ویژه متناظر که 50 درصد از مقدار ویژه اصلی را دارند استخراج می کند. Tiefelsdorf و Griffith [ 54 ] استفاده از بردارهای ویژه را با 25٪ مقدار ویژه اصلی توصیه می کنند، اما این مدل خاص به دلیل ادغام یک عبارت تعامل زمانی اضافی باید مدل های محدودتری داشته باشد. دوم، این تجزیه و تحلیل از یک روش انتخاب متغیر رو به جلو برای انتخاب تنها متغیرهای مستقل مهم استفاده می کند.52 ].

4. نتایج

4.1. کاوش داده ها و رگرسیون خطی جهانی

ساختارهای مکانی-زمانی تغییرات در تحرک جمعیت و فروش رستوران با استفاده از مدل‌های رگرسیون ساخته شده مورد بررسی قرار گرفت. این تجزیه و تحلیل کل دوره مطالعه را به دو دوره طبقه بندی کرد: دوره 1 (P1) از مارس تا ژوئیه و دوره 2 (P2) از آگوست تا دسامبر، با توجه به تغییر در رابطه بین تحرک جمعیت و فروش رستوران. به طور خاص، P1 شامل موج اول و P2 موج دوم و سوم را پوشش می دهد ( شکل 1 و شکل 2 ).
میانگین تغییرات در تحرک (استفاده شده برای متغیرهای مستقل) تفاوت بین P1 و P2 را نشان نمی دهد ( شکل 2 ). همه مناطق تغییرات منفی در تحرک نشان دادند، به این معنی که تعداد سواران حمل و نقل عمومی در سال 2020 در مقایسه با سال 2019 کاهش یافت. علاوه بر این، کاهش تعداد سواری در P2 بیشتر از P1 بود، اگرچه فروش رستوران در P2 افزایش یافت ( شکل 3 A,B). در جزئیات، حدود 98.8٪ و 99.6٪ از مناطق (به عنوان مثال، دونگ) تغییرات منفی در تحرک نشان داد. علاوه بر این، تغییرات سواری از طریق کاهش بیشتر در آخر هفته ها در مقایسه با روزهای هفته نشان داده شد (نقشه های کامل متغیرهای مستقل را در فایل تکمیلی ببینید).
تغییرات ماهانه جمع آوری شده در فروش رستوران (استفاده شده برای متغیرهای وابسته) تفاوت معنی داری را بین دو دوره نشان داد ( شکل 2 ). آزمون t بین P1 و P2 اهمیت آماری تفاوت میانگین آنها را تأیید کرد. به طور خاص، تغییرات در فروش رستوران به طور کلی در P1 زیر صفر بود ( شکل 3 C)، به این معنی که ماه مربوطه در سال 2020 کاهشی در فروش رستوران در مقایسه با سال 2019 نشان داد. با این حال، در P2، اکثر مناطق تغییرات بالای صفر درصد را نشان دادند. ( شکل 3د). یعنی بیشتر مناطق در دوران کووید، افزایش فروش رستوران‌ها را نشان دادند. تنها مناطق تجاری عمده، به عنوان مثال، گانگنام و میونگ دونگ، کاهش فروش خود را در کل دوره نشان دادند. این ناسازگاری در رابطه بین تحرک جمعیت و فروش رستوران ممکن است نشان دهد که یک مدل رگرسیون جهانی رابطه را در کل دوره و منطقه مورد مطالعه با موفقیت توضیح نمی دهد. توزیع فضایی کل جمعیت سواری در شکل A1 نشان داده شده است.
جدول 2 نتایج مدل رگرسیون جهانی بین تغییرات تحرک جمعیت و فروش رستوران را نشان می دهد. مدل رگرسیون تنها واریانس تغییر جزئی نسبت فروش در تغییرات تحرک متناظر آنها را با مقدار R2 تعدیل شده 0.294 توضیح داد . این مقدار R2 تعدیل شده نسبتاً کم ممکن است نشان دهد که رابطه بین متغیرها شامل ناهمگنی مکانی-زمانی است. به این معنا که از آنجایی که رگرسیون جهانی نمی تواند ناهمگونی را در رابطه بین متغیرها نشان دهد، مدل های رگرسیون محلی، به عنوان مثال، مدل های SVC مبتنی بر MESF، برای این تحلیل ساخته شدند.
اگرچه قدرت توضیحی این مدل رگرسیون جهانی کم است، متغیرهای آماری معنی‌دار می‌توانند روند کلی بین تحرک جمعیت و فروش رستوران را آشکار کنند. متغیرهای مثبت معنادار در سطح اطمینان 0.1% MD12 (0.0105)، MD18 (0.0043)، ME6 (0.0048)، ME9 (0.0032)، ME15 (0.0051) و ME21 (0.0068) بودند. به طور خاص، کاهش تعداد سواران حمل‌ونقل عمومی در بازه‌های زمانی 12-14 و 18-20 در روزهای هفته (به ترتیب MD12 و MD18) و همچنین 6-8، 9-11، 15-17، و 21- 23 دوره زمانی در آخر هفته ها (به ترتیب ME6، ME9، ME15 و ME21) باعث کاهش فروش رستوران شد. از آنجایی که MD12 و MD18 به ترتیب ممکن است منعکس کننده تحرک جمعیت برای ناهار و شام باشند، این روابط مثبت را می توان به طور منطقی توضیح داد. در مقابل این متغیرها، MD9 (0.0073-)، MD21 (0.0179-)، ME12 (0.0073-)، و ME18 (0.0057-) رابطه منفی معناداری با سطح اطمینان یکسان داشتند. یعنی کاهش تحرک جمعیت در روزهای 9-11 و 21-23 در روزهای هفته و همچنین 12-14 و 18-20 در تعطیلات آخر هفته در عوض باعث افزایش فروش شد. این بدان معناست که تحرک جمعیت در این زمان‌ها ممکن است به فروش رستوران مربوط نباشد. به عنوان مثال، تحرک در ساعات 9 تا 11 و 21 تا 23 در روزهای کاری ناشی از تحرک برای رفت و آمد به محل کار است. این بدان معناست که تحرک جمعیت در این زمان‌ها ممکن است به فروش رستوران مربوط نباشد. به عنوان مثال، تحرک در ساعات 9 تا 11 و 21 تا 23 در روزهای کاری ناشی از تحرک برای رفت و آمد به محل کار است. این بدان معناست که تحرک جمعیت در این زمان‌ها ممکن است به فروش رستوران مربوط نباشد. به عنوان مثال، تحرک در ساعات 9 تا 11 و 21 تا 23 در روزهای کاری ناشی از تحرک برای رفت و آمد به محل کار است.

4.2. کاوش تفاوت زمانی با استفاده از اصطلاحات تعامل آماری

یک اصطلاح متقابل آماری (یعنی متغیر ساختگی) برای مدل رگرسیون جهانی به کار گرفته شد تا تغییرپذیری زمانی در روابط را نشان دهد ( جدول 3 ). در اینجا، این تحلیل برای P1، یعنی از مارس تا ژوئیه، صفر و برای P2، یعنی از آگوست تا دسامبر، یک را اعمال کرد. مدل رگرسیون با عبارت تعامل یک مقدار R 2 تعدیل شده (0.678) بالاتر از مدل رگرسیون جهانی بدون ترم تعامل (0.294) نشان داد. F جزئی-آزمون همچنین تفاوت آماری معنی داری را بین دو مدل گزارش کرد. این نتیجه نشان می دهد که واریانس در تغییرات فروش رستوران با عبارت تعامل آماری بهتر توضیح داده می شود. به عبارت دیگر، اصطلاح تعامل آماری ناهمگنی زمانی در روابط بین متغیرها را با موفقیت توضیح می دهد.
ضرایب تخمینی عبارت تعامل آماری مشخص شده با ‘INT’ (به عنوان مثال، از MD6:INT تا ME21:INT) نشان دهنده تفاوت زمانی در روابط است که تفاوت قابل توجهی را در رابطه با مدل رگرسیون جهانی قبلی نشان می دهد ( جدول 3). ). بر اساس برآورد ترم تعامل با دو دوره، متغیرهای MD12، MD18، MD21، ME12، ME15 و ME21 به طور قابل توجهی ارتباط متفاوتی بین دوره‌ها داشتند. ضرایب رگرسیون تخمینی بدون INT (به عنوان مثال، از MD6 تا ME21) رابطه تغییرات فروش رستوران را با تغییرات مربوطه در تحرک جمعیت برای P1، و مجموع ضریب تخمینی با و بدون INT گزارش می‌کنند (به عنوان مثال، مجموع MD6 و MD6: INT) رابطه P2 را نشان می دهد.
MD12 (یعنی تحرک بین 12-14 در روزهای هفته) یک رابطه منفی در P1 نشان داد (یعنی 0.0009-)، اما در P2 رابطه مخالف داشت (یعنی 0.0041). تفاوت ها از نظر آماری در سطح اطمینان 5 درصد معنی دار بود. یعنی تغییرات تحرک جمعیت در P1 بر تغییرات فروش رستوران تاثیری نداشت، اما در P2، تغییرات تحرک منجر به تغییر در متغیرهای وابسته متناظر آنها شد. از آنجا که آنها رابطه مثبتی دارند، کاهش تحرک جمعیت منجر به کاهش فروش رستوران شد. MD18 (یعنی تحرک بین 18 تا 20 در روزهای هفته) تفسیری مشابه با MD12 نشان داد. با این حال، بر خلاف MD12، MD18 یک رابطه مثبت در P1 نشان داد (یعنی 0.0007)، اگرچه از نظر آماری معنی دار نیست. با این وجود، مشابه MD12، MD18 تفاوت معنی داری داشت (یعنی قوی تر) رابطه بین P1 و P2 با سطح اطمینان 1٪. یعنی در P1 کاهش تحرک مربوط به کاهش فروش رستوران است و این رابطه در P2 تشدید شد. در کل دوره‌ها، کاهش فروش رستوران‌های محلی در سطح جهانی نسبت به زمان ناهار بیشتر مستعد تحرک در زمان شام بود.
تغییرات زمانی رابطه در MD21 (یعنی تحرک بین 21-23 در روزهای هفته) با وجود این واقعیت که ضرایب برآورد شده برای متغیرهای مرتبط از نظر آماری معنی‌دار نبودند، ارزش پرداختن به آن را دارند. در مدل و مدل رگرسیون جهانی با شرایط تعامل در P1، MD21 رابطه منفی با فروش رستوران داشت، زیرا تحرک در این دوره زمانی به طور معمول با رفت و آمدهای کاری مرتبط است. با این حال، در P2، MD21 رابطه منفی قوی تری (یعنی 0.0049-) با فروش رستوران نشان داد. این تغییر ممکن است منعکس کننده نتیجه فاصله گذاری اجتماعی باشد. به طور خاص، پس از 16 آگوست، با افزایش سطح فاصله گذاری اجتماعی به سطح 2، سیاست فاصله گذاری اجتماعی به رستوران ها اجازه می دهد تا بعد از ساعت 21:00 تحویل یا تحویل را ارائه دهند. بنابراین، در P2،
متغیرهای مربوط به تحرک در تعطیلات آخر هفته نیز روابط متفاوتی با تغییرات فروش رستوران بین P1 و P2 داشتند. ME12 و ME15 (یعنی تحرک بین 12-14 و 15-17 در تعطیلات آخر هفته، به ترتیب) جهت مخالف بین P1 و P2 داشتند. یعنی در P1، ME12 یک رابطه مثبت (0.0012) و ME15 یک رابطه منفی (0.0028-) داشت. در همین حال، ME12 در P2 یک رابطه منفی (0.0081-) نشان داد، در حالی که ME15 یک رابطه مثبت (0.0079) داشت. ME21 همچنین تغییرات قابل توجهی را در ضرایب تخمینی بین P1 و P2 با سطح اطمینان 10٪ نشان داد. به طور خاص، ME21 (یعنی تحرک بین 21-23 در تعطیلات آخر هفته) رابطه مثبت معناداری (0.0064) را با فروش رستوران در P1 نشان داد. کاهش تحرک در این مدت منجر به کاهش فروش رستوران تا اوت شد. در P2، ME21 همچنان جهت مثبت (0.0012) را نشان داد، اما کاهش معنی داری در ضریب برآوردی وجود داشت. این بدان معناست که در بازه زمانی 21 تا 23 در آخر هفته‌ها، تحرک مربوط به فروش رستوران در P2 در مقایسه با P1 کاهش می‌یابد، که ممکن است ناشی از تغییر در سیاست فاصله‌گذاری اجتماعی نیز باشد.

4.3. کاوش تفاوت مکانی-زمانی با استفاده از ESF-SVC با شرایط تعامل آماری

شرایط تعامل آماری زمانی برای مدل‌های رگرسیون محلی، به عنوان مثال، مدل‌های MESF-SVC، برای بررسی متغیرهای مکانی-زمانی در رابطه اعمال شد. بنابراین، ضرایب برآورد شده بر اساس مکان و دوره متفاوت است. تفسیر کلی ضرایب مشابه مشابه آنها در ضرایب رگرسیون عمومی است. یک رابطه مثبت، به عنوان مثال، ضریب تخمینی بزرگتر از صفر – نشان می دهد که کاهش تحرک جمعیت به کاهش فروش رستوران محلی مربوطه مربوط می شود. در مقابل، یک رابطه منفی به این معنی است که کاهش در تحرک جمعیت تمایل به افزایش همتایان خود دارد. شکل 4 و شکل 5نشان دهنده ضرایب متغیر فضایی در P1 و P2 برای روزهای هفته (یعنی MD12، MD18، و MD21) و آخر هفته (یعنی ME12، ME15، و ME21)، به ترتیب، که روابط قابل توجهی را بین متغیرها در مدل رگرسیون جهانی قبلی نشان می دهد. در شکل 4 و شکل 5 ، نواحی قرمز و آبی به ترتیب دارای روابط مثبت و منفی هستند.
اگرچه ضرایب مدل‌های جهانی برای MD12 به ترتیب در P1 و P2 روابط منفی و مثبت داشتند، جایی که مقادیر MD12 SVC آنها الگوهای مختلفی را با توجه به ویژگی‌های مناطق مرتبط نشان می‌دهند ( شکل 4 A,B). تعداد واحدهای فضایی دارای رابطه مثبت در P1 و P2 به ترتیب 199 و 259 بود. به عنوان مثال، منطقه تجاری مرکزی (CBD) در سئول در کل دوره دارای ضرایب منفی بود ( شکل 4 A و شکل A2 را ببینید.برای مناطق دقیق). یعنی تحرک جمعیت در این منطقه در سال 2020 کاهش یافت، اما این کاهش تاثیری بر فروش رستوران های محلی نداشت. ضرایب مثبت عمدتاً در مناطق همسایه CBD یافت شد، جایی که کاهش تحرک جمعیت باعث کاهش فروش رستوران‌های محلی می‌شد. مناطقی که مقادیر SVC مثبت در P1 دارند در P2 پخش می شوند ( شکل 4ب) که ممکن است منجر به یک رابطه مثبت در مدل جهانی شود. مناطق با مقادیر SVC مثبت نیز در مناطق تجاری مانند Gangnam-Gu و همچنین مناطق مسکونی مانند Gangbuk-Gu و Jungnang-Gu مشاهده شد. این نتیجه تجزیه و تحلیل نشان می‌دهد که کاهش تحرک جمعیت در طول زمان ناهار در روزهای هفته تأثیر منفی بیشتری بر فروش رستوران‌ها در مناطق تجاری و مسکونی نسبت به CBD داشته است و مناطقی با تأثیرات منفی بین دو دوره گسترش یافته‌اند.
ضرایب تخمینی MD18 در مدل رگرسیون جهانی در هر دو P1 و P2 روابط مثبت داشتند، اما مقادیر SVC MD18 دارای الگوهای مکانی-زمانی متفاوتی بودند ( شکل 4 C,D). یعنی 184 و 217 دانگ به ترتیب در P1 و P2 روابط مثبت داشتند. به طور کلی، مناطق تجاری عمده، به عنوان مثال، Gangnam-Gu، Yongsan-Gu، و Yeouido، به طور مداوم مقادیر SVC مثبت را نشان می دادند و CBD ها دارای مقادیر SVC منفی بودند. بنابراین، در زمان شام، کاهش تحرک در این مناطق می تواند فروش رستوران های محلی آنها را کاهش دهد. مشابه مقادیر SVC MD12، مناطق با مقادیر SVC مثبت در P2 در مقایسه با P1 گسترش یافتند. در P2، اکثر مناطق Jongro-Gu، Gangbuk-Gu، و Seocho-Gu دارای مقادیر SVC مثبت بودند ( شکل 4د). این ممکن است به این معنی باشد که تأثیر منفی تحرک بر فروش رستوران در P2 قوی‌تر از P1 بود، اگرچه فروش کلی رستوران در P2 افزایش یافت.
مقادیر SVC MD21 شامل برآوردهای مثبت ( شکل 4 E,F) برای 199 و 259 دانگ برای P1 و P2 بود، اگرچه همتایان جهانی آن فقط ضرایب برآورد منفی داشتند ( جدول 3 ). الگوهای کلی مقادیر MD21 SVC در هر دو P1 و P2 تقریباً مشابه بود، اما شدت آنها به طور کلی در P2 بیشتر بود. یعنی مقادیر مطلق MD21 SVC در P2 در مقایسه با P1 بزرگتر بود. به طور خاص، مناطق با مقادیر SVC مثبت در CBD مشاهده شد، جایی که مقادیر SVC منفی بیشتر برای MD12 و MD18 یافت شد. زیرا کاهش تحرک در این دوره‌های زمانی عمدتاً منعکس‌کننده تغییرات در فاصله‌گذاری اجتماعی است که فقط به رستوران‌ها اجازه می‌دهد در P2 تحویل یا بیرون‌بر را ارائه دهند [ 55 ]]، مناطقی با مقادیر SVC مثبت، به عنوان مثال، Seongdong-Gu، Gwangjin-Gu، Dongdaemun-Gu، که مناطق تجاری و مسکونی به طور کلی مخلوط هستند، می توانند مناطق عمده ای باشند که از این سیاست آسیب دیده اند.
مقادیر SVC متغیرهای مربوط به تحرک در تعطیلات آخر هفته، به عنوان مثال، ME12، ME15، و ME21، الگوهای متفاوتی را به SVC تحرک متناظر آنها در روزهای هفته نشان داد، به عنوان مثال، MD12، MD15، و MD21 ( شکل 5 ). ضرایب تخمینی ME12 و ME15 در مدل رگرسیون جهانی جهت مخالف بین P1 و P2 را نشان داد، اما الگوهای SVC ME12 و ME15 در هر دو P1 و P2 مشابه بودند. توجه داشته باشید که مقادیر مطلق آنها در P2 بزرگتر از P1 بود، که می تواند منجر به تفاوت معنی داری در ضرایب رگرسیون جهانی تخمینی بین P1 و P2 شود. به طور خاص، برای ME12 ( شکل 5A، B)، CBD و Yongsan-Gu عمدتاً SVC منفی را نشان دادند، در حالی که مناطق دارای مقادیر SVC مثبت در Gwangjin-Gu، Songpa-Gu و Dongjak-Gu یافت شدند. برای ME15 ( شکل 5 C، D)، Gwanak-Gu، Gangnam-Gu، Songpa-Gu، و Seongdong-Gu مقادیر SVC منفی را نشان دادند، در حالی که Seocho-Gu و Nowon-Gu مقادیر SVC مثبت داشتند. با این حال، در طول روز در تعطیلات آخر هفته، SVC مثبت از Myeongdong به CBD در P2 در مقایسه با P1 گسترش یافت. این می تواند نشان دهد که تأثیر منفی کاهش تحرک جمعیت بر فروش رستوران های محلی در طول P1 گسترش یافته است.
ضرایب تخمینی ME21 در مدل رگرسیون جهانی روابط مثبت را برای P1 و P2 نشان می دهد، اما مقادیر SVC آن شامل جهت های منفی است ( شکل 5).E,F). مناطقی که مقادیر SVC منفی دارند در P2 گسترش یافتند – به ترتیب 195 و 223 دانگ برای P1 و P2 – و مقادیر مطلق مقادیر SVC نیز در P2 در مقایسه با P1 بزرگتر بودند. مقادیر مطلق مقادیر SVC مثبت نیز در P2 بزرگتر بود که شامل Yongsan-Gu، Mapo-Gu، و Yeouido است. همانطور که در مورد MD21 وجود دارد، کاهش تحرک جمعیت در این دوره زمانی، که به کاهش فروش رستوران های محلی مربوط می شد، عمدتاً در نتیجه سیاست فاصله گذاری اجتماعی ایجاد شد. به همین دلیل مناطق فوق الذکر را نیز می توان متضرر از سیاست دانست.

5. نتیجه گیری ها

سیاست های فاصله گذاری اجتماعی اعمال شده در پاسخ به COVID-19 می تواند تحرک جمعیت را کاهش دهد، اما همچنین می تواند منجر به تغییر در فروش مشاغل محلی در سئول شود. این مطالعه تأثیرات تغییرات در تحرک جمعیت را بر تغییرات در فروش رستوران‌های محلی، به‌ویژه از منظر تغییرات مکانی-زمانی آنها بررسی کرد. اول، یک مدل رگرسیون جهانی با یک اصطلاح تعامل آماری توانست تنوع زمانی را در رابطه بین تغییرات در تحرک جمعیت و فروش رستوران، که عمدتاً به دلیل تغییر در سیاست‌های فاصله‌گذاری اجتماعی رخ می‌دهد، ثبت کند. به ویژه، تغییرات در تحرک جمعیت در زمان ناهار و شام، به عنوان مثال، بین 12-14 و 18-20، روابط مثبتی در روزهای هفته با تغییرات مربوطه آنها در فروش رستوران از آگوست تا دسامبر داشتند (یعنی P1)، که نشان دهنده تأثیر منفی کاهش تحرک جمعیت بر فروش رستوران است. در همان دوره، تغییرات در تحرک جمعیت در شب، یعنی بین 21 تا 23، روابط منفی در هر دو روز هفته و آخر هفته با تغییرات فروش رستوران نشان داد. این می تواند بیانگر این باشد که تحرک در این زمان به فروش رستوران مربوط نمی شد و ناشی از رفت و آمد به محل کار بود، زیرا سیاست فاصله گذاری اجتماعی فقط به رستوران ها اجازه می داد غذا و نوشیدنی را تحویل دهند یا بیرون ببرند. روابط منفی در هر دو روز هفته و آخر هفته با تغییرات در فروش رستوران نشان داد. این می تواند بیانگر این باشد که تحرک در این زمان به فروش رستوران مربوط نمی شد و ناشی از رفت و آمد به محل کار بود، زیرا سیاست فاصله گذاری اجتماعی فقط به رستوران ها اجازه می داد غذا و نوشیدنی را تحویل دهند یا بیرون ببرند. روابط منفی در هر دو روز هفته و آخر هفته با تغییرات در فروش رستوران نشان داد. این می تواند بیانگر این باشد که تحرک در این زمان به فروش رستوران مربوط نمی شد و ناشی از رفت و آمد به محل کار بود، زیرا سیاست فاصله گذاری اجتماعی فقط به رستوران ها اجازه می داد غذا و نوشیدنی را تحویل دهند یا بیرون ببرند.
دوم، مدل‌های SVC مبتنی بر MESF با شرایط تعامل آماری برای بررسی تغییرات مکانی-زمانی در تأثیر تحرک جمعیت بر فروش رستوران‌های محلی استفاده شد. اگرچه مدل رگرسیون جهانی فقط می‌توانست رابطه بین متغیرهای مرتبط را گزارش کند، مدل‌های SVC قادر به نمایش روابط مختلف مربوط به ویژگی‌های واحدهای مکانی-زمانی فردی متناظر بودند. به عنوان مثال، با تغییرات در تحرک جمعیت در زمان ناهار، یعنی بین 12 تا 14 در روزهای هفته، CBD و مناطق تجاری، به عنوان مثال، Gangnam-Gu، به ترتیب ضرایب مثبت و منفی را در کل دوره نشان دادند. مشابه این مثال، نتیجه تحلیل ما نشان داد که در این زمان، کاهش تحرک جمعیت تأثیر بیشتری بر کاهش فروش رستوران در مناطق تجاری نسبت به CBD داشت. از آنجایی که کاهش تحرک جمعیت در شب، یعنی بین 21 تا 23، عمدتاً ناشی از سیاست فاصله گذاری اجتماعی بود، مناطقی با ضرایب SVC مثبت (که به معنای کاهش تحرک جمعیت است) که تمایل به کاهش در فروش رستوران داشتند، می‌توانند مناطقی هستند که از سیاست های فاصله گذاری اجتماعی آسیب دیده اند.
انتظار می‌رود این مقاله به ادبیات تحلیل‌های فضایی و حمایت‌های سیاستی در پاسخ به بیماری‌های عفونی، به عنوان مثال، COVID-19 کمک کند. از نظر روش‌شناسی، این مطالعه شرایط تعامل آماری را در مدل‌های SVC مبتنی بر MESF گنجانده است. به طور کلی، مدل‌های SVC فقط ضرایب رگرسیون محلی را بررسی می‌کنند، اما رویکرد ما به‌علاوه تغییرات زمانی ضرایب مکانی را تأیید می‌کند. این مطالعه همچنین از داده‌های بزرگ مکانی مانند مجموعه داده‌های KCB و T-Money برای بررسی تأثیر تغییرات تحرک جمعیت بر فروش رستوران استفاده کرد. مجموعه داده های KCB و T-Money به ترتیب از تراکنش های کارت اعتباری و تاریخچه کارت حمل و نقل به دست آمدند. نتایج تجزیه و تحلیل قابلیت استفاده از داده های بزرگ فضایی را برای بررسی مشکلات اجتماعی-اقتصادی تایید کرد. سرانجام، این مطالعه تغییرات در فروش رستوران ها را بر اساس تحرک جمعیت و مناطق کشف شده که بسته به تغییر در سیاست های فاصله گذاری اجتماعی آسیب دیده اند، تخمین می زند. نتایج و رویکرد روش‌شناختی ما می‌تواند با کمک به پیش‌بینی تأثیر سیاست‌های فاصله‌گذاری اجتماعی بر فروش مشاغل محلی در پاسخ به بیماری‌های عفونی آینده، تحقیقات پایه‌ای را برای سیاست‌گذاران فراهم کند.
این مطالعه را می توان در تحقیقات آتی گسترش داد. اول، این مطالعه فقط دو دوره را مقایسه کرد، یعنی P1 از مارس تا جولای و P2 از اوت تا دسامبر. این به این دلیل است که مجموعه داده های مورد استفاده در این مطالعه روابط متفاوتی را بین متغیرهای مرتبط نشان می دهد. مدل‌های رگرسیون را می‌توان با شرایط تعامل آماری ماهانه برای بررسی تغییرات ماهانه دقیق روابط ترکیب کرد. با این حال، ممکن است مشکلاتی را با توجه به تفسیر نتایج رگرسیون ایجاد کند. علاوه بر این، مدل های خطی مختلط و پانل می توانند به عنوان جایگزین برای بررسی روابط بیشتر استفاده شوند [ 46]، اگرچه ممکن است به دلیل وجود روابط متفاوت بین تقسیمات، برای این مطالعه مفید نباشند. دوم، چند خطی بودن بین متغیرهای مستقل وجود دارد که می‌تواند بر آزمون‌های معناداری ضرایب تخمینی آنها تأثیر بگذارد. یک نمایش جایگزین از مؤلفه های زمانی، به عنوان مثال، تنظیم دوره های زمانی، و متعاقباً استخراج مؤلفه های اصلی، ممکن است برای مطالعات آینده مفید باشد. در نهایت، انواع ویروس SARS-CoV-2 می‌توانند تأثیرات متفاوتی بر تغییرات تحرک و فروش رستوران‌های محلی داشته باشند، اگرچه این تجزیه و تحلیل تنها تأثیر مشاهده شده در سال 2020 را بررسی کرد.

پیوست اول

Ijgi 11 00532 g0a1 550
شکل A1. تعداد جمعیت در حال پرواز در سال 2019 برای P1 ( A ) و P2 ( B ) و در سال 2020 برای P1 ( C ) و P2 ( D ).
Ijgi 11 00532 g0a2 550
شکل A2. منطقه مطالعه و مناطق برجسته.

منابع

  1. دریک، TM; Docherty، AB; ویزر، TG; یول، اس. شیخ، ع. هریسون، EM اثرات فاصله گذاری فیزیکی بر تحرک جمعیت در طول همه گیری COVID-19 در بریتانیا. Lancet Digit. Health 2020 , 2 , e385–e387. [ Google Scholar ] [ CrossRef ]
  2. بوناکورسی، جی. پیری، اف. سینلی، م. فلوری، ع. گالیازی، ا. پورچلی، اف. اشمیت، آل. Valensise، CM; اسکالا، ا. Quattrociocchi، W. و همکاران پیامدهای اقتصادی و اجتماعی محدودیت های تحرک انسان تحت COVID-19. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2020 ، 117 ، 15530–15535. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  3. پپه، ای. باجردی، پ. گووین، ال. پریویترا، اف. دریاچه، بی. کاتتوتو، سی. Tizzoni، M. COVID-19 Outbreak Response، مجموعه داده ای برای ارزیابی تغییرات تحرک در ایتالیا به دنبال قرنطینه ملی. علمی داده 2020 ، 7 ، 3-9. [ Google Scholar ] [ CrossRef ]
  4. نوولت، پ. بهاتیا، اس. کوری، ا. Ainslie، KEC; باگولین، ام. بهات، اس. بونیاسیری، ع. Brazeau، NF; کاتارینو، ال. کوپر، LV; و همکاران کاهش تحرک و انتقال COVID-19. نات اشتراک. 2021 ، 12 ، 1-9. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. کریمر، MUG; یانگ، CH; گوتیرز، بی. وو، CH; کلاین، بی. پیگوت، دی.م. دو پلسیس، ال. فاریا، NR; لی، آر. Hanage، WP; و همکاران تأثیر تحرک انسان و اقدامات کنترلی بر اپیدمی COVID-19 در چین. Science 2020 , 368 , 493-497. [ Google Scholar ] [ CrossRef ]
  6. بدر، اچ اس; دو، اچ. مارشال، ام. دونگ، ای. Squire، MM; گاردنر، ارتباط LM بین الگوهای تحرک و انتقال COVID-19 در ایالات متحده: یک مطالعه مدل سازی ریاضی. عفونت لانست دیس 2020 ، 20 ، 1247-1254. [ Google Scholar ] [ CrossRef ]
  7. پرینو، اف. زینو، ال. پورفیری، م. Rizzo، A. مدل‌سازی و پیش‌بینی تأثیر فاصله‌گذاری اجتماعی و محدودیت‌های سفر بر گسترش COVID-19. JR Soc. رابط 2021 ، 18 ، 20200875. [ Google Scholar ] [ CrossRef ]
  8. Lewnard، JA; Lo, NC مبنای علمی و اخلاقی برای مداخلات فاصله‌گذاری اجتماعی علیه COVID-19. عفونت لانست دیس 2020 ، 3099 ، 631-633. [ Google Scholar ] [ CrossRef ]
  9. Wellenius، GA; ویسپیت، اس. اسپینوزا، وی. فابریکانت، ا. تسای، تی سی؛ هنسی، جی. دای، ا. ویلیامز، بی. گادپالی، ک. بولانجر، ا. و همکاران تأثیر سیاست‌های فاصله‌گذاری اجتماعی بر تحرک و رشد موارد COVID-19 در ایالات متحده . اشتراک. 2021 ، 12 ، 6-12. [ Google Scholar ] [ CrossRef ]
  10. De Vos, J. اثر COVID-19 و متعاقب آن فاصله گذاری اجتماعی بر رفتار سفر. ترانسپ Res. بین رشته ای. چشم انداز 2020 ، 5 ، 100121. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  11. جنلیوس، ای. Cebecauer، M. اثرات COVID-19 بر حمل و نقل عمومی در سوئد: تجزیه و تحلیل اعتبار بلیط، فروش و تعداد مسافران. ترانسپ Res. بین رشته ای. چشم انداز 2020 ، 8 ، 100242. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  12. کیم، جی. کوان، نماینده مجلس تأثیر همه‌گیری کووید-19 بر تحرک مردم: مطالعه طولی ایالات متحده از مارس تا سپتامبر 2020. J. Transp. Geogr. 2021 ، 93 ، 103039. [ Google Scholar ] [ CrossRef ]
  13. پارک، جی. تغییرات در حمل و نقل مترو در پاسخ به COVID-19 در سئول، کره جنوبی: پیامدهایی برای فاصله گذاری اجتماعی. Cureus 2020 , 14 , e7668. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  14. تره فرنگی.؛ پارک، اس. Ham, Y. تغییرات در ترافیک مترو در سئول در طول فاصله گذاری اجتماعی به دلیل شیوع COVID-19 و ویژگی های جغرافیایی منطقه پشت ایستگاه. جی. اکون. Geogr. Soc. کره 2021 ، 24 ، 127-142. [ Google Scholar ]
  15. لی، اچ. پارک، اس جی. لی، GR; کیم، جی. لی، جی اچ. یونگ، ی. نام، EW رابطه بین روند شیوع COVID-19 و سطوح ترافیک در کره جنوبی. بین المللی ج. عفونی کردن. دیس 2020 ، 96 ، 399-407. [ Google Scholar ] [ CrossRef ]
  16. زو، آر. آنسلین، ال. باتی، م. کوان، نماینده مجلس؛ چن، ام. لو، دبلیو. چنگ، تی. لیم، CK; سانتی، پی. چنگ، سی. و همکاران تأثیر حالت‌های مختلف سفر و مقاصد سفر بر انتقال COVID-19 در شهرهای جهانی. علمی گاو نر 2022 ، 67 ، 588-592. [ Google Scholar ] [ CrossRef ]
  17. کاراسدو، پی. پورتاس، آر. مارتی، ال. خطوط تحقیقاتی در مورد تأثیر همه گیری COVID-19 بر تجارت. تحلیل متن کاوی اتوبوس جی. Res. 2021 ، 132 ، 586-593. [ Google Scholar ] [ CrossRef ]
  18. پانتانو، ای. پیتزی، جی. اسکارپی، دی. دنیس، سی. رقابت در طول یک بیماری همه گیر؟ فراز و نشیب های خرده فروشان در طول شیوع COVID-19. اتوبوس جی. Res. 2020 ، 116 ، 209-213. [ Google Scholar ] [ CrossRef ]
  19. پانزون، لس آنجلس؛ لارکوم، اس. او، PW در حال تخمین تاثیر اولین قرنطینه COVID-19 بر خرده‌فروشان مواد غذایی بریتانیا و بخش رستوران‌ها. گلوب. بخش غذا 2021 ، 28 ، 100495. [ Google Scholar ] [ CrossRef ]
  20. Fairlie, R. تأثیر COVID-19 بر صاحبان مشاغل کوچک: شواهدی از سه ماه اول پس از محدودیت های گسترده فاصله گذاری اجتماعی. جی. اکون. مدیریت استراتژی. 2020 ، 29 ، 727-740. [ Google Scholar ] [ CrossRef ]
  21. Na، H. کیم، جی. آن، جی. Na، H. کیم، جی. آن، جی. جون، دی. Im, D. تجزیه و تحلیل روابط بین جمعیت شناور و داده های مصرف کننده کارت در سئول قبل و بعد از COVID-19. Proc. کره Inf. روند. Soc. Conf. 2021 ، 28 ، 301-304. [ Google Scholar ]
  22. لیم، اس. لیم، اچ. Després، JP خسارت جانبی ناشی از همه گیری COVID-19 بر کیفیت تغذیه و فعالیت بدنی: دیدگاه کره جنوبی. چاقی 2020 ، 28 ، 1788-1790. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. چانگ، اس.-جی. پارک، جی.-ام. کانگ، جی.-ای. مطالعه ای در مورد تأثیر تعداد آلوده COVID-19 بر تعداد تحویل مواد غذایی: با تمرکز بر اثر میانجی صندوق ملی بلایای طبیعی و فاصله گذاری اجتماعی. کره بین المللی Trade Res. Inst. 2022 ، 18 ، 131-147. [ Google Scholar ] [ CrossRef ]
  24. جین، جی. سئونگ، ب. تجزیه و تحلیل تفاوت‌ها در تغییرات جمعیت زنده و پاسخ‌های منطقه‌ای با شیوع COVID-19 در سئول. کره ای J. Appl. آمار 2020 ، 33 ، 697-712. [ Google Scholar ]
  25. ریو، EH; کیم، ای جی تحلیل تغییرات در الگوی جمعیتی واقعی و تأثیرات محیط محلی بر تغییرات جمعیت واقعی در سئول پس از کووید-19. J. کره شهری ژئوگر. Soc. 2021 ، 24 ، 19-35. [ Google Scholar ] [ CrossRef ]
  26. اسب زرد، ای جی; یانگ، تی سی؛ نابرابری‌های ساختاری Huyser، KR معماری همه‌گیری COVID-19 را در میان بومیان آمریکایی در آریزونا ایجاد کرد: یک دیدگاه رگرسیون وزن‌دار جغرافیایی. J. نژاد نژاد. نابرابری های سلامت 2022 ، 9 ، 165-175. [ Google Scholar ] [ CrossRef ]
  27. وو، ایکس. ژانگ، جی. کاوش تأثیرات متغیر مکانی-زمانی بر مورد تجمعی COVID-19 در تگزاس با استفاده از رگرسیون وزن‌دار جغرافیایی (GWR). محیط زیست علمی آلودگی Res. 2021 ، 28 ، 43732-43746. [ Google Scholar ] [ CrossRef ]
  28. جیائو، جی. چن، ی. عظیمیان، الف. بررسی تفاوت‌های جمعیتی و اقتصادی متغیر زمانی در عفونت‌های کووید-19 در چهار منطقه ایالات متحده: بر اساس مدل‌های OLS، GWR، و جنگل تصادفی. محاسبه کنید. علوم شهری 2021 ، 1 ، 27. [ Google Scholar ] [ CrossRef ]
  29. چن، ام. چن، ی. ویلسون، جی پی؛ تان، اچ. چو، تی. استفاده از یک مدل ضرایب متغیر فضایی مبتنی بر فیلتر فضایی ویژه برای تجزیه و تحلیل ناهمگونی فضایی COVID-19 و عوامل تأثیرگذار آن در سرزمین اصلی چین. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 67. [ Google Scholar ] [ CrossRef ]
  30. کو، اچ. بررسی ناهمگونی فضایی در عوامل قیمت آپارتمان در سئول با استفاده از فیلتر فضایی بردار ویژه موران بر اساس ضرایب متغیر فضایی. J. Assoc. جئوگر کره ای 2019 ، 8 ، 321-335. [ Google Scholar ] [ CrossRef ]
  31. لی، جی. کیم، جی سی کارت حمل و نقل هوشمند (T-Money): یکپارچه سازی سیستم های حمل و نقل عمومی برای بهبود تحرک شهروندان در سئول، 1996-2004. گلوب. تحویل دهید. آغازگر. 2021 ، 1 ، 1-12. [ Google Scholar ]
  32. ها، ای. لی، سی. کوه، م. کیم، کی. اثر متمایز COVID-19 بر تحرک. J. کره ای کارتوگر. دانشیار 2021 ، 21 ، 59-76. [ Google Scholar ] [ CrossRef ]
  33. یانگ، اس. جانگ، جی. پارک، SY؛ Ahn، SH; کیم، اس. پارک، اس بی؛ ریو، بی. لی، اس. شین، ای. کیم، N.-Y. و همکاران گزارش شیوع کووید-19 از 20 ژانویه 2020 تا 19 ژانویه 2022 در جمهوری کره. هفته نامه بهداشت عمومی Rep. 2022 , 15 , 796-805. [ Google Scholar ]
  34. کارگروه مقابله با کووید-19. همه چیز درباره واکنش کره به COVID-19 ؛ وزارت امور خارجه: سئول، کره، 2020. [ Google Scholar ]
  35. مادیرا، آ. پالرائو، تی. مندز، به عنوان تأثیر بحران همه گیر بر کسب و کار رستوران. پایداری 2021 ، 13 ، 40. [ Google Scholar ] [ CrossRef ]
  36. لی، جی اچ. پارک، ام اس؛ لی، اس. دینامیک انتقال SARS-CoV-2 با تنظیم در سه موج در منطقه شهری سئول در کره جنوبی. جامعه سلامت ولف Rev. 2021 , 41 , 7-26. [ Google Scholar ]
  37. کیم، جی. کی، دی. لی، اس. تحلیل تغییر انتخاب حالت سفر با گسترش COVID-19: مورد سئول، کره. طرح J. کره. دانشیار 2021 ، 56 ، 113-129. [ Google Scholar ] [ CrossRef ]
  38. جیمز، جی. ویتن، دی. هستی، تی. تبشیرانی، ر . مقدمه‌ای بر یادگیری آماری با کاربرد در R. Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2017. [ Google Scholar ]
  39. چون، ی. گریفیث، DA آمار فضایی و زمین آمار: نظریه و کاربردها برای علم و فناوری اطلاعات جغرافیایی ; Sage Publications Inc.: لندن، انگلستان، 2013; ISBN 1446201732. [ Google Scholar ]
  40. کو، اچ. چون، ی. گریفیث، مدلسازی DA عدم قطعیت موقعیت به دست آمده از طریق کدگذاری جغرافیایی خیابان. بین المللی J. Appl. اطلاعات مکانی 2018 ، 9 ، 1-22. [ Google Scholar ] [ CrossRef ]
  41. فرانک-پاردو، آی. ناپلتانو، بی.ام. روزت ورجز، اف. Billa, L. تجزیه و تحلیل فضایی و GIS در مطالعه COVID-19. بازنگری. علمی کل محیط. 2020 , 739 , 140033. [ Google Scholar ] [ CrossRef ]
  42. فرانک-پاردو، آی. Desjardins، MR; بارئا-ناوارو، آی. Cerdà، A. مروری بر روش‌های GIS برای تجزیه و تحلیل پویایی COVID-19 در نیمه دوم سال 2020. Trans. GIS 2021 ، 25 ، 2191-2239. [ Google Scholar ] [ CrossRef ]
  43. هلبیچ، ام. مدل‌های ضریب متغیر فضایی گریفیث، DA در املاک و مستغلات: فیلتر فضایی بردار ویژه و رویکردهای جایگزین. محاسبه کنید. محیط زیست سیستم شهری 2016 ، 57 ، 1-11. [ Google Scholar ] [ CrossRef ]
  44. گریفیث، DA خودهمبستگی فضایی و فیلتر فضایی: به دست آوردن درک از طریق تئوری و تجسم علمی . Springer: برلین/هایدلبرگ، آلمان، 2003; ISBN 3540248064. [ Google Scholar ]
  45. چون، ی. گریفیث، DA مدلسازی خودکار همبستگی شبکه در داده های جریان مهاجرت فضا-زمان: یک رویکرد فیلتر فضایی بردار ویژه. ان دانشیار صبح. Geogr. 2011 ، 101 ، 523-536. [ Google Scholar ] [ CrossRef ]
  46. Chun, Y. تجزیه و تحلیل رویدادهای جرم و جنایت فضا-زمان با استفاده از فیلتر فضایی بردار ویژه: یک کاربرد برای سرقت خودرو. Geogr. مقعدی 2014 ، 46 ، 165-184. [ Google Scholar ] [ CrossRef ]
  47. تیفلسدورف، ام. چکمه، ب. توزیع دقیق محیط I. موران. طرح. A 1995 ، 27 ، 985-999. [ Google Scholar ] [ CrossRef ]
  48. گریفیث، ویژگی‌های تابع ویژه DA و تقریب‌های ماتریس‌های بروز منتخب به کار رفته در تحلیل‌های فضایی. برنامه جبر خطی. 2000 ، 321 ، 95-112. [ Google Scholar ] [ CrossRef ]
  49. ویلر، دی. Tiefelsdorf، M. چند خطی و همبستگی بین ضرایب رگرسیون محلی در رگرسیون وزنی جغرافیایی. جی. جئوگر. سیستم 2005 ، 7 ، 161-187. [ Google Scholar ] [ CrossRef ]
  50. موراکامی، دی. لو، بی. هریس، پی. براندون، سی. چارلتون، ام. ناکایا، تی. گریفیث، DA اهمیت مقیاس در مدل‌سازی ضریب متغیر فضایی. ان صبح. دانشیار Geogr. 2019 ، 109 ، 50-70. [ Google Scholar ] [ CrossRef ]
  51. موراکامی، دی. یوشیدا، تی. سیا، ح. گریفیث، دی. یاماگاتا، ی. یک رویکرد اثرات ترکیبی مبتنی بر ضریب موران برای بررسی روابط متغیر فضایی. تف کردن آمار 2017 ، 19 ، 68-89. [ Google Scholar ] [ CrossRef ]
  52. گریفیث، DA مشارکت‌های مبتنی بر فیلتر فضایی در نقد رگرسیون وزن‌دار جغرافیایی (GWR). محیط زیست طرح. A 2008 , 40 , 2751-2769. [ Google Scholar ] [ CrossRef ]
  53. چون، ی. گریفیث، دی. لی، ام. Sinha، P. انتخاب بردار ویژه با تکنیک های رگرسیون گام به گام برای ساخت فیلترهای فضایی بردار ویژه. جی. جئوگر. سیستم 2016 ، 18 ، 67-85. [ Google Scholar ] [ CrossRef ]
  54. تیفلسدورف، ام. گریفیث، DA فیلترینگ نیمه پارامتریک خودهمبستگی فضایی: رویکرد بردار ویژه. محیط زیست طرح. A 2007 , 39 , 1193-1221. [ Google Scholar ] [ CrossRef ]
  55. کیم، اس. کیم، وای جی؛ پک، KR؛ کو، ی. لی، جی. یونگ، ای. حفظ تعداد باروری پایین با وجود تحرک مجدد جمعیت در کره، کشوری که در طول همه‌گیری کووید-19 هرگز در قفل نبود. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 , 17 , 9551. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Ijgi 11 00532 g001 550
شکل 1. تعداد موارد تأیید شده جدید COVID-19 در سال 2020.
Ijgi 11 00532 g002 550
شکل 2. تغییرات ماهانه در تحرک جمعیت و فروش رستوران.
Ijgi 11 00532 g003 550
شکل 3. توزیع فضایی تغییرات در تحرک جمعیت و فروش رستوران. تغییر در تحرک جمعیت برای P1 ( A ) و برای P2 ( B ) و تغییر در فروش رستوران برای P1 ( C ) و برای P2 ( D ).
Ijgi 11 00532 g004 550
شکل 4. ضرایب متغییر مکانی-زمانی تحرک مکان در روزهای هفته. ( A ) MD12 در P1، ( B ) MD12 در P2، ( C ) MD18 در P1، ( D ) MD18 در P2، ( E ) MD21 در P1، و ( F ) MD21 در P2.
Ijgi 11 00532 g005 550
شکل 5. ضرایب متغییر مکانی-زمانی تحرک جمعیت در تعطیلات آخر هفته. ( A ) ME12 در P1، ( B ) ME12 در P2، ( C ) ME15 در P1، ( D ) ME15 در P2، ( E ) MD21 در P1، و ( F ) MD21 در P2.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید