2SFCA مبتنی بر هاف چند حالته: بررسی دسترسی جغرافیایی به مراکز غذایی در آستین، تگزاس

محیط خرده فروشی مواد غذایی توجه بسیاری از محققان را به خود جلب می کند زیرا می تواند رفتارهای غذایی و نتایج سلامتی افراد را شکل دهد. اگرچه پیشرفت‌های زیادی صورت گرفته است، ارزیابی‌های فعلی محیط زیست خرده‌فروشی عمدتاً از معیارهای ساده دسترسی به غذا استفاده می‌کنند در حالی که نقش حالت‌های حمل‌ونقل چندگانه را نادیده می‌گیرند. این تحقیق یک روش حوضه آبریز شناور دو مرحله ای مبتنی بر هاف (2SFCA) را برای اندازه گیری دسترسی جغرافیایی به مراکز غذایی در آستین، تگزاس پیشنهاد کرد. امتیاز دسترسی فضایی با ضرایب امپدانس کم تا زیاد محاسبه شد. تجزیه و تحلیل ما یک اختلاف هسته و محیطی شهری را در دسترسی فضایی به مراکز غذا نشان داد. ما همچنین 2SFCA مبتنی بر هاف چند حالته پیشنهادی را با همتای تک حالته آن با استفاده از t مقایسه کردیم.-روش های آزمون و تفاوت نسبی این مقایسه نشان می‌دهد که تفاوت بین دو روش محاسبه دسترسی به غذای سالم و ناسالم زمانی که ضریب امپدانس به ترتیب 1.4 و 1.5 تنظیم شود، قابل توجه است. روش 2SFCA مبتنی بر هاف چند حالته پیشنهادی ما برای وسایل حمل و نقل مختلف و ناهمگونی فضایی در تقاضای جمعیت برای خدمات غذایی محاسبه می‌شود. این می‌تواند از توسعه استراتژی‌های مداخله‌ای برای هدف قرار دادن مناطق غذایی سالم که کمتر از آنها استفاده می‌شود و مناطق غذایی ناسالم که بیش از حد سرو می‌شوند، حمایت کند.

کلید واژه ها:

برابری دسترسی به غذا محیط غذایی ؛ 2SFCA مبتنی بر هاف ؛ چندین حالت حمل و نقل ؛ نابرابری های فضایی

1. مقدمه

دسترسی فضایی به غذا، سهولت یا دشواری تهیه غذا برای افراد یا گروه های جمعیتی در واحدهای جغرافیایی خاص را اندازه گیری می کند [ 1 ، 2 ، 3 ]. ارائه دهندگان مواد غذایی (یعنی فروشگاه های مواد غذایی) و مصرف کنندگان معمولاً به طور مساوی توزیع نمی شوند، که منجر به نابرابری در دسترسی فضایی غذا می شود [ 4 ]. شیوه‌ها و برنامه‌هایی برای از بین بردن نابرابری‌ها و نابرابری‌ها در دسترسی به غذا [ 5 ] ایجاد شده‌اند. با این حال، مساوی کردن دسترسی به غذا در برخی مناطق جغرافیایی همچنان چالش برانگیز است و نابرابری دسترسی به غذا هنوز یک مسئله بهداشت عمومی مهم است [ 6 ، 7 ].

معیار خوبی برای دسترسی، پایه و اساس ارزیابی نابرابری های دسترسی به غذا است. در دو دهه گذشته، اقدامات دسترسی فضایی در سطح گروه مبتنی بر GIS به طور گسترده مورد بررسی قرار گرفته است [ 8 ، 9 ، 10 ]، و روش های مختلفی توسعه یافته است [ 11 ، 12 ، 13 ]. این روش ها در سطح گروه را می توان به دو دسته تقسیم کرد: رویکرد توصیفی و رویکرد مدل سازی [ 2 ]. موارد توصیفی ساده هستند و به طور گسترده مورد استفاده قرار گرفته اند. این رویکرد چگالی را در نظر می گیرد [ 14 ، 15 ، 16 ، 17 ، 18 ، 19 ،20 ، 21 ، 22 ]، مجاورت [ 11 ، 23 ، 24 ، 25 ، 26 ، 27 ، 28 ]، تنوع [ 16 ، 29 ] و رقابت [ 30 ]. رویکرد توصیفی در معرض دو مشکل است [ 2 ، 31 ]: (1) فرض می‌کند که همه افراد در یک واحد فضایی دسترسی برابر به یک سایت خدماتی دارند، مهم نیست که چقدر از آن فاصله دارند. (2) به این معنی است که مردم همیشه در محله های خود خرید مواد غذایی انجام می دهند. رویکرد توصیفی محدودیت ها یا امپدانس واقع بینانه را در نظر نمی گیرد.

در مقابل، رویکرد مدل‌سازی پیشرفته‌تر و پیچیده‌تر است. این رویکرد – که شامل روش چگالی هسته [ 32 ] و مدل مبتنی بر گرانش [ 33 ] است، زمان، زمان‌بندی، تغییرات زمانی [ 34 ، 35 ، 36 ] و هزینه سفر [ 37 ، 38 ] را در نظر می‌گیرد. در میان این روش ها، مدل مبتنی بر جاذبه فرض می کند که دسترسی افراد به یک سایت خدماتی با دورتر شدن آنها کاهش می یابد. به عبارت دیگر، اثر فاصله- زوال [ 39 ] را در نظر می گیرد.

روش حوضه آبریز شناور دو مرحله ای (2SFCA) یک مدل مبتنی بر گرانش است [ 10 ، 40 ] که در مطالعات مراقبت های بهداشتی استفاده شده است [ 40 ]. این نه تنها اثر زوال فاصله، بلکه تعامل بین خدمات بهداشتی و تقاضای جمعیت را نیز در نظر می گیرد. با این حال، 2SFCA دارای محدودیت‌هایی است زیرا فرض می‌کند که همه افراد در حوضه آبریز (یعنی منطقه رانندگی 30 دقیقه‌ای) به یک سایت خدمات دسترسی برابر دارند. روش 2SFCA مبتنی بر هاف (تک حالت) یکی از اصلاحات موفق 2SFCA اصلی است [ 10]. این محدودیت‌های واقعی‌تر را به حساب می‌آورد (به عنوان مثال، کمی کردن احتمال انتخاب یک سایت عرضه توسط مردم با در نظر گرفتن هزینه سفر و ظرفیت یک سایت عرضه). روش 2SFCA مبتنی بر هاف (تک حالته) و انواع دیگر تحت چارچوب 2SFCA هستند، که نسبت عرضه به جمعیت را برای اندازه‌گیری دسترسی، شناسایی مناطق تحت پوشش، و ارائه شواهد قابل اعتماد در مورد مداخلات و تخصیص منابع محاسبه می‌کند [ 41 ].

حالت های حمل و نقل عوامل مهمی هستند که بر ظرفیت سفر افراد تأثیر می گذارند. برای مثال، مسافت 30 دقیقه ای رانندگی با 30 دقیقه پیاده روی تفاوت اساسی دارد. در ایالات متحده، 90٪ از خانواده ها برای خرید مواد غذایی رانندگی می کنند. با این حال، این درصد در برخی مناطق شهری (به عنوان مثال، شهر نیویورک) به دلیل سیستم های حمل و نقل عمومی به خوبی توسعه یافته، و همچنین چالش های ترافیکی و پارکینگ در شهرها می تواند به 46 درصد برسد. علاوه بر این، برخی از گروه‌های حاشیه‌نشین توانایی خرید وسایل نقلیه شخصی را ندارند و باید به وسیله نقلیه پیاده یا عمومی متکی باشند. بنابراین، ترکیب حالت‌های حمل و نقل متعدد در اندازه‌گیری دسترسی ضروری است. تا به امروز، تعداد کمی از مطالعات حالت های حمل و نقل متعدد را در روش 2SFCA گنجانده اند [ 42 ، 43 ], 44 , 45 , 46 , 47 ]. به عنوان مثال، مائو و نکورچوک [ 48 ] یک روش 2SFCA چند حالته را برای اندازه گیری دسترسی به مراقبت های بهداشتی در فلوریدا پیشنهاد کردند. این روش توسط کوآی و ژائو [ 3 ] برای اندازه‌گیری دسترسی به غذای سالم در باتون روژ، لوئیزیانا اتخاذ شد. با این حال، آن را تنها چند حالت حمل و نقل را به 2SFCA اصلی اعمال کرد، و به فرض ساده شده دسترسی برابر به یک سایت عرضه برای همه افراد در حوضه آبخیز توجهی نکرد. هو و همکارانش [ 47] روش چند حالته 2SFCA را با ترکیب یک تابع گاوسی برای محاسبه فاصله در هر یک از حوضه ها بهبود بخشید. آنها آن را چند حالته Gaussian 2SFCA نامیدند و از آن برای اندازه گیری دسترسی فضایی به پارک های شهری استفاده کردند. این روش محدودیت های واقعی تری نسبت به 2SFCA چند حالته دارد. با این وجود، تابع گاوسی در این روش نمی‌تواند احتمال بازدید یک مصرف‌کننده معین از یک سایت عرضه معین در حوضه‌های حمل‌ونقل مختلف را به طور همزمان با در نظر گرفتن هزینه‌های سفر، جذابیت یک سایت عرضه و سایر سایت‌های رقیب محاسبه کند. در مقابل، مدل هاف ظرفیت جبران این کمبود را دارد [ 10 ، 49]. بنابراین، هدف این مقاله ترکیب مدل هاف در یک 2SFCA چند حالته است تا معیار واقعی تری از دسترسی فضایی به غذاها داشته باشد.

ما یک روش 2SFCA مبتنی بر هاف چند حالته را همانطور که در بالا بحث شد پیشنهاد کردیم. از یک طرف، چندین حالت حمل و نقل را در 2SFCA مبتنی بر هاف ادغام می کند که به طور بالقوه بر برآورد بیش از حد تقاضای جمعیت توسط روش 2SFCA مبتنی بر هاف غلبه می کند. از سوی دیگر، ترکیب مدل مبتنی بر هاف نیز مسئله دسترسی برابر در حوزه حوضه را با استفاده از روش چند حالته 2SFCA اصلاح می‌کند. روش پیشنهادی 2SFCA مبتنی بر هاف چند حالته در آستین، تگزاس برای تخمین دسترسی جغرافیایی به مراکز غذایی سالم و ناسالم استفاده می‌شود.

2. مواد و روشها

2.1. منطقه مطالعه و منبع داده

شهر آستین منطقه مطالعه ما است. این پایتخت تگزاس است و در سه شهرستان (یعنی تراویس، هیز و ویلیامسون) گسترش یافته است [ 50 ]. آستین دومین شهر بزرگ در میان مراکز ایالتی در ایالات متحده است و در سال 2016 به عنوان سریع ترین شهر در حال رشد در کشور رتبه بندی شد [ 50 ، 51 ]. در سال 2020، 961،855 نفر در آستین زندگی می کردند. متوسط درآمد خانوار دلار بود42689 نفر با 14.4 درصد جمعیت زیر خط فقر؛ اسپانیایی‌ها/لاتین‌ها و آسیایی‌ها به‌ترتیب 33.9% و 7.6% از کل جمعیت را تشکیل می‌دهند که سریع‌ترین رشد را در نژاد/قومیت داشتند. ما از گروه بلوک سرشماری به عنوان واحد تحلیل خود استفاده کردیم. فروشگاه های خرده فروشی مواد غذایی از ReferenceUSA به دست آمد. هم منابع غذایی سالم (به عنوان مثال، سوپرمارکت ها و فروشگاه های مواد غذایی، مراکز فوق العاده، و فروشگاه های تخصصی) و منابع غذایی ناسالم (به عنوان مثال، فروشگاه های رفاه و زنجیره های فست فود) برای تجزیه و تحلیل جمع آوری شدند [ 51 ، 52 ].

ما داده‌های فروشگاه‌های مواد غذایی خرده‌فروشی را در ArcGIS 10.7 کدگذاری کردیم. میانگین نمرات تطبیق کدگذاری جغرافیایی از 95.81٪ تا 97.50٪ متغیر بود. سپس سیستم مختصات را به NAD 1983 UTM 14N پیش بینی کردیم. ون متر و همکاران [ 53 ] توصیه کرد که هر مطالعه ای که شامل معیارهای دسترسی باشد باید اثرات لبه را تصحیح کند. برای انجام این کار، یک بافر 2000 متری در اطراف مرز شهر آستین ایجاد کردیم. هر گونه فروشگاه در منطقه حائل برای تجزیه و تحلیل نگهداری شد. در مجموع 156 فروشگاه غذای سالم در منطقه حائل آستین شناسایی شد – 101 سوپرمارکت و فروشگاه مواد غذایی، 14 سوپرمرکز، 14 بازار گوشت، یک بازار ماهی و غذاهای دریایی، 16 بازار میوه و سبزیجات، و 10 فروشگاه مواد غذایی خاص دیگر. فروشگاه های مواد غذایی سالم عمدتاً در مرکز شهری در امتداد بزرگراه IH-35 قرار دارند ( شکل 1آ). در مجموع 245 فروشگاه رفاه و 566 فروشگاه فست فود جغرافیایی کدگذاری شدند ( شکل 1 ب).

طبق گفته کوای و ژائو که تحقیقات دسترسی به غذا را در باتون روژ، لوئیزیانا [ 3 ] انجام دادند، ظرفیت تجاری فروشگاه های مواد غذایی را می توان با لگاریتم حجم فروش فروشگاه مواد غذایی تخمین زد. بنابراین، ما این تبدیل لگاریتمی را در مطالعه خود اتخاذ کردیم. ما حجم فروش را برای هر فروشگاه غذا بر اساس حد بالای “محدوده حجم فروش” آن که توسط داده های ReferenceUSA گزارش شده است، کدگذاری کردیم. به عنوان مثال، محدوده حجم فروش “<0.5 میلیون” به “500000” اختصاص داده شده است. جزئیات کدگذاری داده های مرتبط در جدول 1 نشان داده شده است.

ما سه حالت سفر را در نظر گرفتیم: رانندگی، حمل و نقل عمومی و پیاده روی. حالت های دیگر مانند دوچرخه سواری، موتورسواری و تاکسی به دلیل در دسترس نبودن داده ها و پذیرش محدود این حالت ها به طور کلی در نظر گرفته نشد. با این حال، هر زمان که داده های سه حالت سفر برای استفاده در دسترس نبود، از وسایل حمل و نقل برای کار داده ها به عنوان جانشین استفاده می کردیم. داده‌های وسایل حمل‌ونقل تا محل کار شامل اطلاعاتی درباره شیوه‌های مختلف رفت و آمد به محل کار، مانند رانندگی، حمل‌ونقل عمومی و پیاده‌روی است که از برآوردهای 5 ساله جامعه آمریکایی (ACS) در سال 2016 به‌دست آمده است. تعداد افراد 25 تا 64 ساله که از هر وسیله حمل و نقل (یعنی رانندگی، حمل و نقل عمومی و پیاده روی) در هر مسیر سرشماری در آستین استفاده کردند، از نظرسنجی جامعه آمریکا (ACS) استخراج شد.شکل A1 در بخش پیوست A ). مسیرهای رانندگی و پیاده‌روی با استفاده از شبکه‌های جاده‌ای محاسبه شدند ( پیوست A را برای راه‌اندازی شبکه سفر ببینید شکل A2 ). از نظر حمل و نقل عمومی، ما از مشخصات خوراک حمل و نقل عمومی (GTFS) برای ایجاد مسیرهای حمل و نقل عمومی و محاسبه زمان سفر بین ایستگاه های حمل و نقل استفاده کردیم. ما آستین GTFS حاوی سرویس حمل و نقل 1 تا 30 ژوئن 2016 را از وب‌سایت شهر آستین دریافت کردیم. افزودن GTFS به مجموعه داده شبکه، یک جعبه ابزار توسعه یافته توسط ملیندا مورانگ و تیمش در ESRI، برای تبدیل فایل‌های متنی GTFS به مسیرهای انتقال استفاده شد ( شکل A2 را در بخش ضمیمه A برای گردش کار این تبدیل ببینید).

2.2. روش

2.2.1. روش سنتی 2SFCA

2SFCA [ 40 ]: این پایه و اساس خانواده حوضه آبریز شناور دو مرحله ای است. دو مرحله حیاتی دارد. اول، برای هر سایت عرضه j، تمام سایت های تقاضا (k) در یک حوضه آبریز $d_{0}$ شناسایی می شوند و نسبت عرضه به تقاضا $R_{j}$ در حوضه آبریز ( $d_{0}$ ) به صورت زیر محاسبه می شود:

آر j = اس j \sum k \in { د kj \leq د 0 } پ ک

(1)

جایی که $R_{j}$ نسبت عرضه به تقاضا در محل عرضه j است که در حوضه آبریز از پیش تعریف شده قرار می گیرد $d_{0}$ ; $S_{j}$ ظرفیت عرضه در سایت j است. $d_{kj}$ زمان سفر بین سایت k و j است. و $P_{k}$ تقاضای جمعیت در سایت k است که در حوضه آبریز قرار می گیرد.

دوم، برای هر سایت تقاضا i، تمام سایت های عرضه j که در محدوده حوضه هستند $d_{0}$ برای نسبت عرضه به تقاضا خلاصه می شوند $R_{j}$ همانطور که نشان داده شده است:

آ اف من = \sum j \in {د ij \leq د 0} آر j = \sum j \in {د ij \leq د 0} اس j \sum k \in { د kj \leq د 0 } پ ک

(2)

جایی که $A_{i}^{F}$ دسترسی در مکان i است. و $d_{kj}$ یا $d_{i j}$ زمان سفر بین مکان i (یا k) و j است.

(تک حالت) 2SFCA مبتنی بر هاف [ 10 ]: روش 2SFCA احتمال انتخاب افراد را تنها با در نظر گرفتن زمان سفر (یا هزینه) محاسبه می کند. مدل هاف احتمال انتخاب افراد در یک سایت عرضه را با در نظر گرفتن هزینه سفر و ظرفیت سایت تامین کمیت می کند. معادله مدل هاف به صورت زیر است:

پروب اچ ij = اس j د ij - β \sum s \in { د است \leq د 0 } اس س د است - β

(3)

جایی که ${Prob}_{ij}^{H}$ احتمال مکان جمعیتی بازدیدکننده از سایت تامین j بر اساس مدل هاف است. $d_{ij}$ هزینه سفر از محل جمعیت i به سایت تامین j است. $S_{j}, S_{s}$ نشان دهنده یک سایت تامین معین و تمام سایت های عرضه در حوضه است $d_{0}$ ، به ترتیب؛ $d_{is}$ نشان‌دهنده هزینه سفر از یک مکان جمعیتی i به تمام مکان‌های عرضه در حوضه است. و β ضریب امپدانس زمان سفر است.

اولین مرحله از روش 2SFCA مبتنی بر هاف، استفاده از آن است ${Prob}_{kj}^{H}$ و وزن فاصله توان منفی پیوسته $W_{kj}$ . معادله را می توان به صورت زیر بازنویسی کرد:

آر j = اس j \sum k \in { د kj \leq د 0 } پروب اچ kj پ ک دبلیو kj

(4)

مرحله دوم خلاصه کردن است $R_{j}$ در تمام سایت های عرضه در حوضه آبریز $d_{0}$ . معادله این است:

آ اف من = \sum j \in {د ij \leq د 0} پروب اچ ij آر j دبلیو ij

(5)

2.2.2. 2SFCA مبتنی بر هاف چند حالته

با الهام از مائو و نکورچوک [ 48 ]، ما به دنبال بهبود مدل 2SFCA مبتنی بر هاف (تک حالته) با ترکیب حالت های حمل و نقل متعدد بودیم. ما این روش پیشنهادی را “2SFCA مبتنی بر هاف چند حالته” می نامیم که در چارچوب 2SFCA قرار می گیرد. از وسایل حمل و نقل مختلف به عنوان وزنه استفاده می کند. سپس وزن هر نوع حمل و نقل را برای محاسبه نسبت عرضه به تقاضا و شاخص دسترسی مکانی تعیین می کند. در سه مرحله به شرح زیر اجرا می شود.

ابتدا احتمال انتخاب یک سایت عرضه توسط افراد را بر اساس حالت های مختلف حمل و نقل محاسبه می کند. هزینه سفر و ظرفیت سایت عرضه را به طور همزمان در نظر می گیرد. این محاسبه شبیه به محاسبه‌شده در روش 2SFCA مبتنی بر هاف است. تفاوت این است که روش پیشنهادی n ( $n \geq 1$ ) حالت های حمل و نقل $\{M_{1}, M_{2}, \dots M_{n}\}$ به معادله در نتیجه، معادله به صورت زیر به روز می شود:

پروباچij _مn=اسj×(دij _ مn)– β∑r∈ _{ دir _مn ≤ د0 , مn }اسr×(دir _ مn)– βProbij,MnH=Sj×(dij, Mn)−�∑r∈dir,Mn ≤ d0, Mn }Sr×(dir, Mn)−�

(6)

جایی که ${Prob}_{ij, M_{n}}^{H}$ احتمال بازدید مکان جمعیتی من از سایت تامین j بر اساس مدل هاف بر اساس حالت حمل و نقل است $M_{n}$ ; $d_{ij, M_{n}}$ یا $d_{ir, M_{n}}$ زمان سفر بین i و j (یا r) با حالت حمل و نقل است $M_{n}$ ; $d_{0, M_{n}}$ حوضه آبریز سفر از پیش تعریف شده بر اساس حالت حمل و نقل است $M_{n}$ ; r هر محل عرضه در حوضه است $d_{0, M_{n}}$ ; و β ضریب امپدانس زمان سفر است.

دوم، نسبت عرضه به تقاضا $R_{j}$ محاسبه می شود. در این مرحله، n حالت حمل و نقل $\{M_{1}, M_{2}, \dots M_{n}\}$ در معادله (4) گنجانده شده است. به همین ترتیب، جمعیت در مکان k بر اساس حالت های حمل و نقل به n زیرجمعیت تقسیم می شود $\{P_{k, M_{1}}, P_{k, M_{1}}, \dots P_{k, M_{n}}\}$ [ 48 ]، و احتمال افراد در جمعیت k که یک سایت عرضه j را انتخاب می کنند توسط حالت های حمل و نقل به روز می شود. $\{{Prob}_{kj, M_{1}}^{H}, {Prob}_{kj, M_{2}}^{H}, \dots {Prob}_{kj, M_{n}}^{H}\}$ . از این رو، $R_{j}$ به صورت زیر بازنویسی می شود:

R j = S j \sum n 1 \sum k \in { d kj , M n \leq d 0 , M n } Prob H kj , M n P k , M n W kj , M n

(7)

جایی که $d_{kj, M_{n}}$ زمان سفر توسط حالت حمل و نقل است $M_{n}$ بین مکان k و j؛ $d_{0, M_{n}}$ زمان سفر آستانه از پیش تعریف شده از j به حالت است $M_{n}$ ; ${Prob}_{kj, M_{n}}^{H}$ احتمال انتخاب مبتنی بر مدل هاف برای جمعیت k برای بازدید از سایت عرضه j با حالت است $M_{n}$ ; و $W_{kj, M_{n}}$ وزن امپدانس توان معکوس بین k و j با حالت است $M_{n}$ .

در نهایت، دسترسی کلی $A_{i}$ در یک سایت جمعیت محاسبه می شود. را $R_{j}$ در مرحله دوم در تمام سایت های عرضه با روش های مختلف حمل و نقل در حوضه محاسبه می شود $d_{0, M_{n}}$ خلاصه شده است. به جای اینکه مستقیماً همه را اضافه کنید $R_{j} s$ در یک حوضه آبریز، روش چند حالته وزنی را تعیین می کند $R_{j}$ مقادیر برای هر تأسیسات بر اساس اندازه زیرجمعیت آن بر اساس حوزه(های) حوضه آبریز که در آن قرار می گیرد. سپس، مقادیر وزنی را برای محاسبه دسترسی کلی (Ai) جمعیت i جمع می کند. دسترسی فضایی $A_{i}$ باید میانگین وزنی دسترسی n گروه زیر جمعیتی باشد. معادله این است:

A i = \sum n 1 P i , M n \sum j \in { d i j , M n \leq d 0 , M n } Prob H i j , M n R j W i j , M n \sum n v = 1 P i , M v

(8)

جایی که $P_{i, M_{n}}$ جمعیت در مکان i بر اساس حالت حمل و نقل است $M_{n}$ ; نمادهای دیگر مانند معادله (7) باقی می مانند.

2.2.3. تجزیه و تحلیل مقایسه ای بین 2SFCA مبتنی بر هاف چند حالته و تک حالته

روش‌های 2SFCA مبتنی بر هاف چند حالته و تک حالته با استفاده از دو روش مقایسه شدند: (1) آزمون t زوجی برای ارزیابی اینکه آیا تفاوت معنی‌داری بین آنها وجود دارد یا خیر. (2) تفاوت نسبی هر گروه سرشماری بلوک برای بررسی مقدار و جهت تفاوت محاسبه شد و معادله آن در زیر نشان داده شده است [ 48 ]

تفاوت نسبی (RD) = A اف من ( متر ) - آ اف من ( ها ) آ اف من ( ها ) \times 100

(9)

جایی که $A_{i}^{F} (m)$ و $A_{i}^{F} (s)$ امتیاز دسترسی فضایی برای روش های 2SFCA مبتنی بر هاف چند حالته و تک حالته است.

ما همچنین بررسی کردیم که آیا اقدامات چند حالته و تک حالته توسط مالکیت وسیله نقلیه در هر بخش سرشماری متمایز شده است یا خیر. ما داده های مالکیت خودرو را از ACS به دست آوردیم و آنها را به شکل فایل تراکت سرشماری ملحق کردیم. سپس درصد خانوارهای بدون وسیله نقلیه را در هر تراکم سرشماری محاسبه کردیم. در نهایت، درصد خانوارهای بدون وسیله نقلیه را به دو گروه بیشتر یا مساوی 15 درصد و کمتر از 15 درصد برای مقایسه دسترسی فضایی به فروشگاه‌های مواد غذایی تقسیم کردیم.

2.2.4. پیاده سازی روش 2SFCA مبتنی بر هاف چند حالته

سه حوضه در مطالعه ما استفاده شد: 10 دقیقه برای پیاده روی [ 54 ]، 15 دقیقه برای رانندگی، و 30 دقیقه برای حمل و نقل عمومی [ 7 ]. از نظر تنظیم شبکه و زمان سفر هر حالت، لطفاً به پیوست A شکل A2 مراجعه کنیدبرای اطلاعات بیشتر. ما ابتدا یک ماتریس هزینه OD ایجاد کردیم که زمان سفر هر حالت سفر را برای هر جفت سرشماری-بلوک-غذا-خروجی محاسبه می کند. برای هر سایت جمعیتی، تمام مکان‌های عرضه در حوضه آبریز آن با روش حمل و نقل شناسایی و به لایه حوضه آبریز سایت جمعیتی ملحق شدند. ویژگی‌های زمان رانندگی برای محاسبه احتمال انتخاب یک مکان جمعیتی مبتنی بر هاف در سایت‌های عرضه در حوضه آن با حالت‌های مختلف حمل‌ونقل به هم پیوست شدند. محاسبه شامل دو عامل است: (1) ظرفیت تجاری یک سایت عرضه. و (2) وزن معکوس زمان رانندگی ((زمان سفر) ^(-β)) توسط حالت های حمل و نقل.

مرحله دوم نسبت عرضه به تقاضا را برای هر یک از سایت های عرضه در منطقه مورد مطالعه با استفاده از رابطه (7) محاسبه می کند. برای هر سایت تامین، تمام مکان‌های جمعیتی در حوضه آبریز آن با روش حمل‌ونقل شناسایی و به لایه حوضه آبریز محل تامین ملحق شدند. ویژگی های زمان رانندگی برای محاسبه نسبت عرضه به تقاضا به هم پیوستند. تقاضای جمعیت بیشتر توسط سه عامل تنظیم شد: (1) وزن انتخاب مبتنی بر هاف. (2) گروه های زیر جمعیت با حالت های مختلف. و (3) وزن معکوس زمان رانندگی ((زمان سفر) ^ (-β)) توسط حالت های حمل و نقل.

آخرین مرحله تجزیه و تحلیل، نسبت های عرضه به تقاضای هر مکان جمعیت را برای محاسبه دسترسی با استفاده از رابطه (8) جمع می کند. دسترسی کلی نیز توسط سه عامل تنظیم شد: (1) احتمال انتخاب بر اساس هاف از یک مکان جمعیت در یک سایت عرضه. (2) گروه های زیر جمعیت با حالت های مختلف. و (3) وزن معکوس زمان رانندگی ((زمان سفر) ^(-β)) توسط حالت های حمل و نقل.

سه مرحله همگی حاوی ضریب امپدانس β هستند. Luo [ 10 ] از شش ضریب پیشنهادی ESRI استفاده کرد که از 1.5 تا 2.0 متغیر بود. طیف وسیع تری از ضرایب، از 1.2 تا 2.2 با افزایش 0.1، برای انجام تحلیل مقایسه ای در مطالعه ما استفاده شد.

3. نتایج

3.1. دسترسی جغرافیایی به مراکز غذایی سالم و ناسالم

جدول 2 آمار شاخص دسترسی فضایی به مراکز غذای سالم (SAI _H ) را برای گروه های سرشماری بر اساس 11 مقدار ضریب امپدانس (β) مختلف خلاصه می کند. حداکثر، میانگین و انحراف معیار (SD) شاخص دسترسی مکانی با افزایش ضریب امپدانس افزایش می‌یابد، اما میانه مقادیر شاخص دسترسی مکانی کاهش می‌یابد. ضریب تغییرات (CV) با افزایش ضریب امپدانس افزایش می یابد. همه این‌ها نشان می‌دهند که با افزایش ضریب امپدانس، دسترسی فضایی به مراکز غذای سالم در گروه‌های بلوک سرشماری در منطقه مورد مطالعه متفاوت است. I-ارزش های موران از شاخص های دسترسی فضایی مثبت و معنادار است ( ص= 0.000) در 11 تنظیمات ضریب امپدانس، نشان می دهد که معیارهای دسترسی به غذای سالم در گروه های بلوک همبستگی فضایی مثبت را نشان می دهد. آمار شاخص دسترسی فضایی به مراکز غذایی ناسالم (SAI _U ) الگوهای تغییر مشابهی را با SAI _H در 11 تنظیمات ضریب امپدانس نشان می‌دهد.

شکل 2دسترسی فضایی به خروجی های غذای سالم را با ضریب امپدانس فاصله از 1.2 به 2.2 نشان می دهد. یک روند کلی این است که دسترسی به مراکز غذای سالم در مرکز شهری زیاد و در نواحی پیرامونی آستین پایین است. به عبارت دیگر، دسترسی فضایی به غذاهای سالم هنگام دور شدن از مرکز شهری کاهش می یابد. هنگامی که ضریب امپدانس پایین است (β = 1.2-1.4)، و خود همبستگی فضایی بالا است، گروه های بلوکی با دسترسی فضایی بالا به غذاهای سالم در هسته شهری و اطراف آن قرار دارند. در مقابل، دسترسی فضایی کم در حاشیه آستین است. هنگامی که ضریب امپدانس بالا باشد (β = 1.8-2.2) و خود همبستگی فضایی کم باشد، بلوک‌های سرشماری بیشتری در خارج از منطقه مرکزی شهری به رنگ آبی تیره می‌شوند. نشان می دهد که گروه های بلوک بیشتری در حاشیه در فاصله دسترسی کم قرار می گیرند. در همین حال، گروه‌های بلوک بیشتری در ناحیه درون شهری دارای مقادیر دسترسی بالاتر با ضریب امپدانس بزرگ‌تر هستند. این الگوی جالب نشان می‌دهد که افزایش امپدانس منجر به افزایش دسترسی بالا و دسترسی پایین پایین‌تر می‌شود، در نتیجه نابرابری دسترسی به غذا را تشدید می‌کند. این چیزی را که توسط مقادیر CV در آشکار می شود تأیید می کندجدول 2 ، که روند افزایشی در CV با ضرایب امپدانس بزرگتر را نشان می دهد. علاوه بر این، مدل ما از طیف وسیع تری از ضرایب امپدانس (از 1.2 تا 2.2) نسبت به مدل واحد [ 10 ] (یعنی 1.5 تا 2.0) استفاده می کند. این نه تنها به شناسایی ضرایب کمک می کند که مدل های چندگانه و تک حالته تفاوت های آماری معنی داری را نشان می دهند، بلکه تفاوت های متمایز تری را از نظر دسترسی فضایی بین هسته های شهری، حومه ها و حاشیه ها در آستین نشان می دهد (همانطور که در شکل 2 مشاهده می شود. ).

دسترسی به مراکز غذایی ناسالم (SAI _U ) در آستین در اکثر گروه های بلوک کم است ( شکل 3 ). دسترسی بالا را می توان در چند گروه بلوکی از هسته شهری و در شمال غربی و شمال شرقی آستین مشاهده کرد. هنگامی که ضریب امپدانس پایین است (β = 1.2-1.5) و خودهمبستگی فضایی زیاد است، مقادیر در گروه های بلوک با دسترسی بالا با افزایش ضریب امپدانس بسیار بیشتر می شود.

3.2. نتایج تحلیل مقایسه ای

آزمون‌های t زوجی برای مقایسه اندازه‌گیری‌های دسترسی به مراکز غذایی سالم با استفاده از روش‌های 2SFCA مبتنی بر هاف چند حالته و تک حالته انجام شد. مشخص شد که در بیشتر موارد، این دو روش با ضرایب امپدانس متفاوت تفاوت معنی داری نشان نمی دهند ( جدول 3 ). تنها یک استثنا وجود دارد؛ چه زمانی

β

برابر با 1.4 است. میانگین اختلاف شاخص دسترسی بین دو روش در بیشترین میزان است

β

= 1.4، در حالی که کوچکترین اختلاف میانگین با مشاهده می شود

β

مقادیر متغیر از 1.9 تا 2.2 ( جدول 3 ).

ما همچنین بررسی کردیم که آیا تفاوت معنی‌داری بین روش‌های 2SFCA مبتنی بر هاف چند حالته و تک حالته برای دسترسی به فروشگاه مواد غذایی ناسالم وجود دارد یا خیر. چه زمانی

β

برابر با 1.5، این دو روش تفاوت معنی داری دارند. میانگین مقادیر شاخص دسترسی برای چند حالت بزرگتر از مدل منفرد است.

ما بیشتر ضریب امپدانس β را روی 1.4 تنظیم کردیم تا معیارهای دسترسی به غذای سالم (SAI _H ) را بین روش 2SFCA مبتنی بر هاف چند حالته و روش تک حالته مقایسه کنیم. مقادیر اصلی SAI _H خیلی کوچک بودند (همانطور که در شکل 2 مشاهده می شود ). _{برای اهداف تصویرسازی بهتر، مقادیر اصلی SAI H} را در 10000 ضرب کردیم و یک تبدیل لگاریتمی برای آنها اعمال کردیم. این نشان داد که در مناطقی با مالکیت کم وسیله نقلیه، چند حالته تمایل به تخمین کمتری نسبت به حالت تک حالته دارد ( شکل 4).یک نقطه قرمز). زمانی که مقدار دسترسی متوسط (2.2-3.0) باشد، تفاوت بیشتر قابل توجه است. در مقابل، در مناطقی با مالکیت کم وسیله نقلیه، روش چند حالته عمدتاً برآورد دسترسی بالاتری نسبت به روش تک حالته ایجاد می‌کند ( شکل 4 یک نقطه آبی). برای مقادیر log-transformed بزرگتر از 3.6، گروه‌های بلوک با حالت چندگانه همگی تخمین بالاتری دارند، که منجر به عدم کاهش تخمین زیر خط مرجع 1:1 می‌شود. ما از مقدار β 1.5 برای مقایسه دو حالت برای اندازه گیری دسترسی به غذای ناسالم (SAI _U ) استفاده کردیم. در گروه های بلوکی که بیش از 15 درصد خانوارها بدون وسیله نقلیه بودند ( شکل 4b نقاط قرمز)، حالت چندگانه معمولاً منجر به تخمین کمتری نسبت به حالت تکی می شود، که همان الگوی نقاط قرمز را در شکل 4 الف نشان می دهد. این تفاوت زمانی کاملاً مشخص می شود که شاخص دسترسی تغییر یافته با ورود به سیستم متوسط باشد (3.7-4.5). در گروه‌های بلوک باقی‌مانده که بیش از 85 درصد خانوارها دارای وسایل نقلیه هستند، روش چند حالته منجر به تخمین بالاتری می‌شود ( شکل 4 ب نقاط آبی). این تفاوت همچنین زمانی قابل توجه است که شاخص دسترسی تبدیل شده متوسط باشد (3.0-4.0).

شکل 5a مقدار و جهت درصد اختلاف بین دو روش را نشان می دهد. در مرکز شهری (یعنی مرکز شهر آستین و دانشگاه تگزاس در آستین)، درصد اختلاف منفی است (<-10%)، که نشان می دهد مقادیر شاخص دسترسی با روش چند حالته بیش از 10٪ کمتر از مقادیر است. به روش تک حالته در مقابل، در بسیاری از مناطق پیرامونی، درصد اختلاف مثبت است (0-10٪). این نشان می دهد که روش چند حالته 0 تا 10 درصد مقادیر شاخص دسترسی بالاتری نسبت به روش تک حالته ایجاد می کند. ما همچنین مشاهده می‌کنیم که گروه‌های بلوک در سمت غربی منطقه مرکز شهر به رنگ قرمز روشن هستند (یعنی > 15٪، اختلاف درصد مثبت). این مناطق از نظر جغرافیایی در مجاورت مرکز شهری قرار دارند.شکل 5 ب) را می توان در دانشگاه تگزاس در آستین (نزدیک به مرکز شهر آستین) و همچنین در اواسط شمالی و میانه جنوبی آستین در امتداد IH-35 مشاهده کرد، که نشان می دهد که حالت چندگانه بیش از 10 حالت تولید می کند. ٪ مقادیر شاخص دسترسی کمتر از همتای تک حالته آن. در مقابل، در اکثر مناطق پیرامونی، درصد تفاوت ها مثبت است (0-10٪). این نشان می دهد که روش چند حالته شاخص دسترسی کمتر از 10٪ نسبت به روش تک حالته در این مناطق تولید می کند. برخی از گروه‌های بلوک که مراکز شهری را تقریب می‌کنند، درصد اختلاف مثبت بالایی دارند (بیش از 15%) زیرا اکثر مردم (بیش از 96%) وسایل نقلیه شخصی دارند و می‌توانند برای خرید غذا به فروشگاه‌های مواد غذایی بروند.

4. بحث و نتیجه گیری

یک 2SFCA مبتنی بر هاف چند حالته جدید برای غلبه بر معایب 2SFCA مبتنی بر هاف (تک حالته) پیشنهاد شد. ما این روش را در آستین، تگزاس برای اندازه‌گیری دسترسی به غذای سالم و ناسالم در سطح گروه بلوک به کار بردیم. می تواند به طور موثر مشکل برآورد بیش از حد را در مناطق شهری به حداقل برساند. بنابراین، تصویر دقیق تری از دسترسی فضایی به مراکز غذایی نسبت به جایگزین های خود نشان می دهد.

با روش پیشنهادی، دسترسی فضایی به فروشگاه‌های مواد غذایی سالم و ناسالم، الگوی واضحی را در هسته شهری و مناطق پیرامونی نشان می‌دهد. مناطق مرکزی شهری بهترین دسترسی را دارند، در حالی که بسیاری از گروه های بلوک در مناطق پیرامونی در آستین دسترسی ناکافی به فروشگاه های مواد غذایی دارند. این نتیجه با یافته های قبلی [ 16 ] مطابقت دارد. فروشگاه های مواد غذایی، فروشگاه های رفاه و سایر مراکز غذایی عمدتاً در مناطق شهری متمرکز هستند [ 3 ]. کسب‌وکارهای خرده‌فروشی مواد غذایی معمولاً در مناطق مرکزی شهری فعالیت می‌کنند، زیرا تراکم متراکم جمعیت در این مناطق می‌تواند حجم خرید و درآمد بالایی را تضمین کند [ 3 ]]. با این حال، برخی دیگر از مطالعات مواد غذایی یک استدلال متقابل دارند – به عنوان مثال، “Redlining سوپرمارکت” اصطلاحی است که برای توصیف پدیده جابجایی فروشگاه‌های بزرگ سوپرمارکت‌ها و فروشگاه‌های مواد غذایی از مناطق درون شهری به حومه‌ها استفاده می‌شود [ 55 ]، که اغلب با شکل گیری “بیابان های غذا” در ایالات متحده و سایر کشورهای توسعه یافته [ 25 ، 29 ، 56 ]. برعکس، شهر آستین دارای چنین الگوهای در حال توسعه ای نبود (همانطور که در شکل 1 مشاهده می شود )، و بیشتر فروشگاه های زنجیره ای مواد غذایی همچنان در منطقه داخلی شهری توزیع می شدند. دلایل اساسی ارزش بررسی بیشتر در مطالعات آینده را دارد.

ما روش پیشنهادی را با جایگزین تک حالته آن مقایسه کردیم. مزیت اصلی رویکرد ما این است که جمعیت با و بدون وسیله نقلیه را متمایز می کند. این روش از حالت های حمل و نقل مختلف به عنوان یک محدودیت یا وزن برای تنظیم بیشتر تقاضای تخمین بیش از حد در هر دو مرحله استفاده می کند که منجر به نتیجه بسیار معقول تری نسبت به روش تک مدل می شود. این دو رویکرد به طور کلی از نظر تفاوت‌های هسته-پیرامون شهری بدون توجه به ضرایب امپدانس با یکدیگر سازگار هستند. نتایج آزمون‌های t زوجی نیز این یافته را تأیید می‌کند زیرا این دو روش تفاوت‌های ناچیزی با بیشتر ضرایب امپدانس نشان می‌دهند (به جز

β

= 1.4 (دسترسی به غذاهای سالم) و

β

= 1.5 (دسترسی به غذاهای ناسالم). ما همچنین دریافتیم که روش چند حالته تنوع کلی بالاتری را نسبت به روش تک حالته تخمین می‌زند. این با انتظارات ما مطابقت دارد زیرا جمعیتی با حالت‌های حمل و نقل مختلف می‌توانند ناهمگنی اندازه‌گیری را به حداکثر برسانند و در نتیجه انحراف استاندارد بالاتری ایجاد کنند.

در گروه‌های بلوکی با مالکیت خودروی بالاتر (بیشتر در آستین محیطی)، روش تک حالته مقدار کمتری نسبت به روش چند حالته تولید می‌کند. این را می‌توان به صورت زیر توضیح داد: حالت تک فرض می‌کند که همه افراد وسایل نقلیه را به سمت فروشگاه‌های مواد غذایی می‌رانند، که منجر به ارائه خدمات هر یک از فروشگاه‌های غذایی به جمعیت بیشتری در حوضه خود می‌شود، که منجر به مخرج بزرگ‌تر در معادله (4) و در نتیجه عرضه کمتر می‌شود. -نسبت تقاضا _Rj . در آخرین مرحله روش تک حالته (معادله (5)) همه را جمع می کند

{Prob}_{i j}^{H} R_{j} W_{i j}

در حوضه آن در مناطق حاشیه ای، تقریباً همه خانوارها (بیش از 96٪) وسایل نقلیه دارند. در این مرحله تفاوت زیادی بین حالت تک حالته (معادله (5)) و چند حالته (معادله (8)) وجود ندارد. از آنجایی که Rj در معادله (4) کمتر است، روش تک _حالته تمایل به تولید شاخص های دسترسی کمتر در مناطق پیرامونی و دست کم گرفتن مقادیر دسترسی دارد. بنابراین، حالت تک مناطقی را که کمتر سرو می شود برای غذای سالم بیش از حد تخمین می زند (به عنوان مثال، 221.44 در مقابل 213.51 در جدول 4 )، اما مناطق بیش از حد سرو شده را برای غذای ناسالم دست کم می گیرد (یعنی 80.30 در مقابل 83.25 در حالت چندگانه در جدول 4) .، در گروه های بلوک با مالکیت خودرو بالا (که اکثریت آنها در آستین محیطی هستند). این یافته برای دست اندرکاران مواد غذایی و سیاست گذاران سلامت برای مداخلات مهم است. این یافته نشان می‌دهد که هنگام هدف قرار دادن مداخلات در آستین محیطی، ذینفعان باید در صورت استفاده از روش تک حالته محتاط باشند، زیرا این روش برای منابع مداخله‌گر بیشتری در مناطق غذای سالم کمتر مورد استفاده قرار می‌گیرد، اما منابع کمتری در مناطق غذایی ناسالم بیش از حد ارائه می‌شود. در واقع مورد نیاز است.

برای گروه‌های بلوکی با مالکیت خودرو پایین‌تر (بیشتر در آستین داخلی)، روش چند حالته ارزش کمتری نسبت به تک حالته ایجاد می‌کند، که می‌توان آن را به صورت زیر توضیح داد: روش چند حالته فرض می‌کند که افراد غذاها را با روش‌های مختلف تهیه می‌کنند. وسایل حمل و نقل، و در نتیجه افراد کمتری برای غذا رقابت می کنند، که منجر به _Rj بالاتری می شود (معادله (7)). در هسته شهری، درصد مشخصی (یعنی 20 درصد) از مردم ممکن است به دلیل در دسترس بودن سیستم های حمل و نقل عمومی و مشکلات شدید ترافیک و پارکینگ، صاحب وسیله نقلیه نباشند. در آخرین مرحله از روش چند حالته (معادله (8))، درصد کمتر رانندگی در مناطق شهری تأثیر زیادی بر

{Prob}_{i j}^{H} R_{j} W_{i j}

، و دسترسی کلی را کاهش می دهد. در نتیجه، روش تک حالته امتیاز دسترسی بالاتری نسبت به روش چند حالته در آستین داخلی ایجاد می‌کند. با وجود این، در بیشتر آستین داخلی، روش تک حالته تمایل دارد که مناطق غذای سالم کمتر ارائه شده را دست کم بگیرد (به عنوان مثال، 20.53 در مقابل 24.19 در جدول 4 ) و بیش از حد مناطق غذایی ناسالم را بیش از حد برآورد کند (به عنوان مثال، 15.62 در مقابل 14.89 در جدول 4 ).

با وجود مزایای روش پیشنهادی، نتایج باید با احتیاط تفسیر شوند. اولا، زمان قطع سفر برای تعریف مناطق مختلف خدمات (به عنوان مثال، 10 دقیقه پیاده روی، 15 دقیقه رانندگی، و 30 دقیقه حمل و نقل عمومی) در این مطالعه بر اساس داده های تجربی بود. برای مطالعات آینده، ممکن است یک نظرسنجی از مشتری برای تعیین مناسب ترین زمان سفر برای تعیین اندازه حوضه برای هر حالت حمل و نقل لازم باشد [ 57 ]. علاوه بر این، اندازه حوضه می‌تواند برای کاربردهای مختلف بر اساس ویژگی‌های محله و زمینه متفاوت باشد [ 39]. ثانیاً، ما فرض می کنیم که سفر از خانه به فروشگاه راهی است که اکثر مردم به فروشگاه های مواد غذایی دسترسی دارند. اما مردم همیشه از خانه به مراکز غذایی سفر نمی کنند. سفرهای غذایی ممکن است بخشی از سفر چند منظوره آنها باشد که شامل سفر به محل کار، سفر تا سرگرمی و غیره می شود. در نهایت، در اینجا ما فقط ضعف فضایی را در نظر گرفتیم (مثلاً جایی که فروشگاه های غذا هستند) برای تعیین کمیت دسترسی محله ها به غذاها. زیرا این در درجه اول یک مطالعه دسترسی فضایی است. با این حال، عوامل اجتماعی جمعیت شناختی غیر فضایی به همان اندازه برای شناسایی چالش های دسترسی به غذا ضروری هستند.

پیوست اول

شکل A1. درصد جمعیت با سه حالت حمل و نقل برای کار در آستین، تگزاس.

شکل A2. مراحل ایجاد یک شبکه چند حالته با استفاده از فایل متنی GTFS و شبکه جاده ای. توجه: * شبکه جاده ای شامل بین ایالتی، آزادراه، بزرگراه، عوارضی، بزرگراه های ایالات متحده و ایالتی، شریان های اصلی، جاده های کشور، شریان های فرعی، خیابان های کشور، رمپ ها و چرخش ها، راهروها، جاده های خدماتی، جاده خصوصی، ردیف آبکاری شده/ساخته نشده، پیاده روها، و پیاده روها

شکل A2 مراحل ایجاد یک شبکه چند حالته و محاسبه زمان سفر برای سه حالت سفر را نشان می دهد. شرح تنظیمات در زیر نشان داده شده است.

(1): ایجاد مسیرها و ایستگاه های حمل و نقل. فایل متنی GTFS حاوی اطلاعات طول و عرض جغرافیایی ایستگاه های حمل و نقل است و این اطلاعات توسط ابزار Generate Transit lines and stops در Add GTFS Data to a Network Dataset toolkit تعبیه شده در ArcGIS خوانده می شود. شکل فایل نقطه ای که شامل تمام ایستگاه های حمل و نقل در آستین است برای ذخیره اطلاعات مکانی ایجاد می شود. سپس خطوط مستقیمی را برای اتصال دو ایستگاه مجاور ایجاد می کند. خطوط به شکل فایل های خط (یعنی مسیرهای حمل و نقل) تبدیل می شوند. در مجموع، 2684 ایستگاه ترانزیتی و 3232 بخش مسیر ترانزیتی ایجاد شد.
(2): اتصالات بین ایستگاه های حمل و نقل به شبکه های خیابانی ایجاد کنید. شبکه های جاده ای و ایستگاه های ترانزیت (یا خطوط ترانزیتی) از منابع مختلفی می آیند. ممکن است بین ایستگاه های حمل و نقل و شبکه های جاده ای شکاف وجود داشته باشد. مردم نمی توانند از شکاف ها عبور کنند مگر اینکه یک “پل” اتصال ایستگاه های حمل و نقل و خیابان ها وجود داشته باشد. ابزار Generate Stop-Street Connectors می‌تواند یک «اتصال» به‌عنوان «پل» ایجاد کند تا عابران پیاده بتوانند از آن عبور کنند. “کانکتور” یک خط مستقیم کوتاه و عمود بر خیابان ها است و سیستم حمل و نقل و شبکه خیابان را به هم متصل می کند. “اتصال” ممکن است در دنیای واقعی وجود نداشته باشد، اما یک گام مهم است. با ایجاد کانکتورها، خطوط ترانزیت و شبکه های خیابانی فقط در ایستگاه ها به هم متصل می شوند که از راه رفتن عابران پیاده روی خطوط حمل و نقل جلوگیری می کند.
(3): یک شبکه حمل و نقل چند حالته ایجاد کنید. با ایجاد یک مجموعه ابزار شبکه چند حالته ارائه شده در ArcGIS 10.8 Network Analyst Extension، یک شبکه حمل و نقل چند حالته می تواند ایجاد شود. تنظیم سه حالت حمل و نقل در زیر نشان داده شده است.

(3a) حالت حمل و نقل. این فرض وجود دارد که مردم در خیابان به ایستگاه‌های حمل‌ونقل راه می‌روند، سپس با ترانزیت به ایستگاه‌های حمل‌ونقل دیگر می‌روند تا پیاده شوند و در خطوط خیابان برای رسیدن به مقصد راه می‌روند. ما ورود، خروج و انتقال را با سرعت پیاده روی 0.05 مایل در دقیقه فرض می کنیم. برای اتصال دهنده های ایجاد شده در مرحله 2، ما یک تاخیر 0.5 دقیقه برای انتقال بین خیابان ها و خطوط حمل و نقل (برای نشان دادن سوار شدن به وسیله نقلیه حمل و نقل) و یک تاخیر 0.5 دقیقه برای انتقال از خطوط حمل و نقل به خیابان ها (برای نشان دادن پایین آمدن) اعمال می کنیم. ما همچنین برای جلوگیری از پیاده‌روی عابران پیاده در چهار نوع جاده، محدودیتی برای عابر پیاده ایجاد می‌کنیم: 1 (بین ایالتی، آزادراه، بزرگراه و عوارضی)، 2 (بزرگراه‌های ایالات متحده و ایالت)، 15 (جاده خصوصی) و 17 (ردیف آبکاری شده/ساخته نشده). ). ارزیاب برای راه اندازی شبکه حیاتی است زیرا تعیین می کند که شبکه چگونه از فیلدهای جداول shapefile استفاده می کند. برای شبکه های حمل و نقل، از یک ارزیاب حمل و نقل استفاده می کنیمGTFS را به مجموعه ابزار داده شبکه اضافه کنید تا زمان سفر در خطوط حمل و نقل را محاسبه کنید. ارزیاب ترانزیت با جستجوی سفرهای حمل‌ونقل موجود در برنامه‌های GTFS در زمان مناسب روز و جمع‌بندی زمان انتظار برای سفر به اضافه زمان سفر از ایستگاه فعلی تا ایستگاه بعدی، زمان سفر در آن خط حمل‌ونقل را تعیین می‌کند. در تجزیه و تحلیل خود، ما از دوشنبه عمومی برای محاسبه زمان سفر ترانزیت استفاده کردیم، زیرا روی یک جدول زمانی یا برنامه زمانی خاص ترانزیت ها تمرکز نداشتیم. یک روز کاری عمومی مانند دوشنبه می تواند به تحلیل کمک کند.

(3b) حالت رانندگی. تنظیم حالت درایو به پیچیدگی حالت حمل و نقل نیست. شکل فایل خیابان دارای یک فیلد “دقیقه” است که حداقل زمان سفر در هر بخش خیابان است. ارزیاب از “دقیقه” برای محاسبه زمان رانندگی در خیابان استفاده می کند. علاوه بر این، ارزیاب از یک فیلد یک طرفه (مانند “B”، “FT” و “TF”) در شکل فایل خیابان به عنوان یک محدودیت یک طرفه استفاده می کند.

(3c) حالت پیاده روی. راه اندازی حالت پیاده روی با بخش عابر پیاده حالت حمل و نقل یکسان است. فرض می کنیم که سرعت راه رفتن 0.05 مایل در دقیقه است.

منابع

گلنز، ک. سالیس، جی اف. Saelens، BE; Frank, LD محیط های تغذیه سالم: مفاهیم و اقدامات. صبح. J. ارتقاء سلامت. 2005 ، 19 ، 330-333. [ Google Scholar ] [ CrossRef ]
Luan، H. تحلیل‌های فضایی و مکانی-زمانی محیط‌های غذایی خرده‌فروشی محله: شواهدی برای برنامه‌ریزی و مداخلات غذایی. UWSpace. 2016. موجود آنلاین: https://hdl.handle.net/10012/11079 (در 21 ژوئن 2017 قابل دسترسی است).
کوای، ایکس. ژائو، کیو. بررسی دسترسی به غذای سالم و نابرابری در باتون روژ، لوئیزیانا. ان GIS 2017 ، 23 ، 103-116. [ Google Scholar ] [ CrossRef ]
وانگ، اف. لو، دبلیو. ارزیابی عوامل فضایی و غیرمکانی برای دسترسی به مراقبت‌های بهداشتی: به سوی یک رویکرد یکپارچه برای تعریف مناطق کمبود حرفه‌ای سلامت. Health Place 2005 ، 11 ، 131-146. [ Google Scholar ] [ CrossRef ]
تورنتون، RL; گلاور، سی ام. سنه، CW; گلیک، دی سی؛ هندرسون، جی. ویلیامز، DR ارزیابی استراتژی‌ها برای کاهش نابرابری‌های سلامت با پرداختن به عوامل اجتماعی تعیین‌کننده سلامت. اداره بهداشت 2016 ، 35 ، 1416-1423. [ Google Scholar ] [ CrossRef ]
آلگرت، اس جی. آگراوال، ا. لوئیس، دی اس تفاوت در دسترسی به محصولات تازه در محله های کم درآمد در لس آنجلس. صبح. J. قبلی پزشکی 2006 ، 30 ، 365-370. [ Google Scholar ] [ CrossRef ]
دای، دی. Wang, F. نابرابری های جغرافیایی در دسترسی به فروشگاه های مواد غذایی در جنوب غربی می سی سی پی. محیط زیست طرح. B طرح. دس 2011 ، 38 ، 659-677. [ Google Scholar ] [ CrossRef ]
اودوایر، لس آنجلس؛ Burton، DL Potential مطابق با واقعیت: GIS و تحقیقات بهداشت عمومی در استرالیا. اوست بهداشت عمومی NZJ 1998 ، 22 ، 819-823. [ Google Scholar ] [ CrossRef ]
لنگفورد، ام. هیگز، جی. اندازه‌گیری دسترسی بالقوه به خدمات مراقبت‌های بهداشتی اولیه: تأثیر بازنمایی‌های فضایی جایگزین جمعیت. پروفسور Geogr. 2006 ، 58 ، 294-306. [ Google Scholar ] [ CrossRef ]
لو، جی. ادغام مدل هاف و روش های حوضه آبریز شناور برای تجزیه و تحلیل دسترسی فضایی به خدمات مراقبت های بهداشتی. ترانس. GIS 2014 ، 18 ، 436-448. [ Google Scholar ] [ CrossRef ]
شاریر، اچ. کیسی، آر. سالزه، پ. سیمون، سی. چایکس، بی. بانوس، ا. باداریوتی، دی. وبر، سی. اوپرت، جی.-ام. اندازه گیری محیط غذایی با استفاده از سیستم های اطلاعات جغرافیایی: بررسی روش شناختی بهداشت عمومی Nutr. 2010 ، 13 ، 1773-1785. [ Google Scholar ] [ CrossRef ]
فورسایت، ا. لیتل، ال. ون ریپر، دی. یافتن غذا: مسائل و چالش‌ها در استفاده از سیستم‌های اطلاعات جغرافیایی برای اندازه‌گیری دسترسی به غذا. J. Transp. کاربری زمین 2010 ، 3 ، 43. [ Google Scholar ] [ CrossRef ]
هیلمرز، ا. Hilmers، DC; دیو، جی. نابرابری‌های همسایگی در دسترسی به غذاهای سالم و اثرات آن بر عدالت محیطی. صبح. J. بهداشت عمومی 2012 ، 102 ، 1644-1654. [ Google Scholar ] [ CrossRef ]
بلوک، JP؛ Scribner، RA; DeSalvo، KB فست فود، نژاد/قومیت، و درآمد. صبح. J. قبلی پزشکی 2004 ، 27 ، 211-217. [ Google Scholar ] [ CrossRef ]
وینکلر، ای. تورل، جی. پترسون، سی. آیا زندگی در یک منطقه محروم به معنای فرصت های کمتری برای خرید میوه و سبزیجات تازه در آن منطقه است؟ یافته های مطالعه مواد غذایی بریزبن Health Place 2006 ، 12 ، 306-319. [ Google Scholar ] [ CrossRef ]
آپاریسیو، پی. Cloutier، M.-S.; Shearmur، R. مورد بیابان های غذایی گمشده مونترال: ارزیابی دسترسی به سوپرمارکت های مواد غذایی. بین المللی J. Health Geogr. 2007 ، 6 ، 4. [ Google Scholar ] [ CrossRef ]
آستین، اس بی؛ ملی، اس جی. سانچز، BN; پاتل، ا. بوکا، س. Gortmaker، SL خوشه بندی رستوران های فست فود در اطراف مدارس: کاربرد جدیدی از آمار فضایی برای مطالعه محیط های غذایی. صبح. J. بهداشت عمومی 2005 ، 95 ، 1575-1581. [ Google Scholar ] [ CrossRef ]
بیکر، EA; شوتمن، م. بارنیج، ای. Kelly, C. Peer بررسی کردند: نقش نژاد و فقر در دسترسی به غذاهایی که افراد را قادر می سازد به دستورالعمل های غذایی پایبند باشند. قبلی دیس مزمن 2006 ، 3 ، A76. [ Google Scholar ]
پاول، ال.ام. Chaloupka، FJ; Bao, Y. در دسترس بودن رستوران های فست فود و خدمات کامل در ایالات متحده: ارتباط با ویژگی های محله. صبح. J. قبلی پزشکی 2007 ، 33 ، S240–S245. [ Google Scholar ] [ CrossRef ]
مور، LV; دیز روکس، AV; نتلتون، جی. Jacobs, DR, Jr. انجمن های محیط غذایی محلی با کیفیت رژیم – مقایسه ارزیابی ها بر اساس نظرسنجی ها و سیستم های اطلاعات جغرافیایی: مطالعه چند قومیتی آترواسکلروز. صبح. J. Epidemiol. 2008 ، 167 ، 917-924. [ Google Scholar ] [ CrossRef ]
وانگ، ام سی؛ کیم، اس. گونزالس، AA; مک لئود، KE; Winkleby، MA خصوصیات فیزیکی اجتماعی-اقتصادی و مواد غذایی محیط محله با شاخص توده بدنی مرتبط است. J. Epidemiol. سلامت جامعه 2007 ، 61 ، 491-498. [ Google Scholar ] [ CrossRef ]
Zenk، SN; شولز، ای جی; اسرائیل، BA; جیمز، SA; بائو، اس. ویلسون، ترکیب نژادی محله ML، فقر محله، و دسترسی فضایی به سوپرمارکت‌ها در کلانشهر دیترویت. صبح. J. بهداشت عمومی 2005 ، 95 ، 660-667. [ Google Scholar ] [ CrossRef ]
Wang, F. روش‌های کمی و کاربردهای اجتماعی-اقتصادی در GIS . CRC Press: Boca Raton، FL، USA، 2014. [ Google Scholar ]
داکوستا، جی. یافتن صحراهای غذا: مطالعه اقدامات دسترسی به غذا در منطقه شهری فونیکس-مسا . دانشگاه کالیفرنیای جنوبی: لس آنجلس، کالیفرنیا، ایالات متحده آمریکا، 2015. [ Google Scholar ]
لارسن، ک. Gilliland، J. نقشه‌برداری از تکامل “صحراهای غذا” در یک شهر کانادا: دسترسی به سوپرمارکت در لندن، انتاریو، 1961-2005. بین المللی J. Health Geogr. 2008 ، 7 ، 16. [ Google Scholar ] [ CrossRef ]
Opfer، روابط عمومی با استفاده از فناوری GIS برای شناسایی و تجزیه و تحلیل “بیابان های غذایی” در ساحل جنوبی اورگان. 2010. در دسترس آنلاین: https://ir.library.oregonstate.edu/concern/graduate_projects/xd07gv654 (در 15 سپتامبر 2018 قابل دسترسی است).
پیرس، جی. بلیکلی، تی. ویتن، ک. Bartie, P. محرومیت محله و دسترسی به خرده فروشی فست فود: یک مطالعه ملی. صبح. J. قبلی پزشکی 2007 ، 32 ، 375-382. [ Google Scholar ] [ CrossRef ]
شارکی، جی آر. هورل، اس. دین، محرومیت محله WR، مالکیت وسیله نقلیه و دسترسی فضایی بالقوه به انواع میوه ها و سبزیجات در یک منطقه روستایی بزرگ در تگزاس. بین المللی J. Health Geogr. 2010 ، 9 ، 26. [ Google Scholar ] [ CrossRef ]
Sparks، AL; بانیا، ن. لیت، ال. رویکردهای مقایسه ای برای اندازه گیری دسترسی به غذا در مناطق شهری: مورد پورتلند، اورگان. مطالعه شهری. 2011 ، 48 ، 1715-1737. [ Google Scholar ] [ CrossRef ]
گالاگر، MJC بررسی تأثیر صحراهای غذا بر سلامت عمومی در دیترویت ؛ گروه مشاوره و تحقیقات ماری گالاگر: شیکاگو، IL، ایالات متحده آمریکا، 2007. [ Google Scholar ]
وان، ن. زو، بی. Sternberg، T. روش حوضه آبریز شناور سه مرحله ای برای تجزیه و تحلیل دسترسی فضایی به خدمات بهداشتی. بین المللی جی. جئوگر. Inf. علمی 2012 ، 26 ، 1073-1089. [ Google Scholar ] [ CrossRef ]
Guagliardo، MF دسترسی فضایی مراقبت های اولیه: مفاهیم، روش ها و چالش ها. بین المللی J. Health Geogr. 2004 ، 3 ، 3. [ Google Scholar ] [ CrossRef ]
جوزف، AE; Bantock، PR اندازه گیری دسترسی فیزیکی بالقوه به پزشکان عمومی در مناطق روستایی: روش و مطالعه موردی. Soc. علمی پزشکی 1982 ، 16 ، 85-90. [ Google Scholar ] [ CrossRef ]
چن، ایکس. کلارک، جی. اندازه‌گیری دسترسی فضا-زمان به خرده‌فروشان مواد غذایی: موردی از اختلاف دسترسی زمانی در شهرستان فرانکلین، اوهایو. پروفسور Geogr. 2016 ، 68 ، 175-188. [ Google Scholar ] [ CrossRef ]
Zenk، SN; شولز، ای جی; متیوز، SA; Odoms-Young، A.; ویلبر، جی. وگرزین، ال. گیبز، 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 ]
شانون، جی. فراتر از راه حل سوپرمارکت: پیوند بیابان های غذا، بافت محله، و تحرک روزمره. ان صبح. دانشیار Geogr. 2016 ، 106 ، 186-202. [ Google Scholar ] [ CrossRef ]
Balstrøm, T. در شناسایی مسیر پیاده‌روی با بیشترین صرفه‌جویی در زمان در یک زمین کوهستانی بدون مسیر. Geogr. Tidsskr.-Dan. جی. جئوگر. 2002 ، 102 ، 51-58. [ Google Scholar ] [ CrossRef ]
شریل، ک. فریکز، بی. Schupbach, S. مدل سطح هزینه زمان سفر: رویه عملیاتی استاندارد ; گزارش منابع طبیعی Nps/Nrpc/Imd/Nrr–2010/238. گزارش منتشر شده-2164894; مرکز برنامه منابع طبیعی: فورت کالینز، CO، ایالات متحده آمریکا، 2010. [ Google Scholar ]
وان، ن. ژان، FB; زو، بی. Chow, E. یک رویکرد ارزیابی دسترسی نسبی فضایی برای تجزیه و تحلیل دسترسی فضایی بالقوه به خدمات سرطان کولورکتال در تگزاس. Appl. Geogr. 2012 ، 32 ، 291-299. [ Google Scholar ] [ CrossRef ]
لو، دبلیو. وانگ، اف. اندازه گیری دسترسی فضایی به مراقبت های بهداشتی در یک محیط GIS: سنتز و مطالعه موردی در منطقه شیکاگو. محیط زیست طرح. B طرح. دس 2003 ، 30 ، 865-884. [ Google Scholar ] [ CrossRef ]
وو، ا. پلاچکینووا، م. Bhaskar، R. ارزیابی الگوریتم‌های دسترسی به مراقبت‌های بهداشتی: بررسی جامع خانواده روش‌های حوضه آبریز شناور دو مرحله‌ای. در مجموعه مقالات کنفرانس های آمریکای 2015 در مورد سیستم های اطلاعاتی (AMCIS 2015)، فاجاردو، پورتوریکو، 13 تا 15 اوت 2015. پ. 17. [ Google Scholar ]
لین، ی. وان، ن. شیتس، اس. گونگ، ایکس. دیویس، الف. یک رویکرد ارزیابی دسترسی نسبی فضایی چند وجهی برای اندازه گیری دسترسی فضایی به ارائه دهندگان مراقبت های اولیه. بین المللی J. Health Geogr. 2018 ، 17 ، 33. [ Google Scholar ] [ CrossRef ]
پارک، جی. گلدبرگ، DW مروری بر مطالعات دسترسی فضایی اخیر که از اطلاعات مکانی پیشرفته بهره مند شده است: حمل و نقل چندوجهی و تفکیک مکانی و زمانی. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 532. [ Google Scholar ] [ CrossRef ]
تائو، ز. ژو، جی. لین، ایکس. چائو، اچ. لی، GJ بررسی تأثیرات حمل و نقل عمومی بر دسترسی به شغل در شنژن، چین: یک رویکرد چند وجهی. خط‌مشی استفاده از زمین 2020 ، 99 ، 105025. [ Google Scholar ] [ CrossRef ]
ژو، ایکس. یو، ز. یوان، ال. وانگ، ال. Wu, CJ اندازه‌گیری دسترسی به امکانات مراقبت‌های بهداشتی برای جمعیت‌هایی با حالت‌های حمل‌ونقل چندگانه با در نظر گرفتن انتخاب حالت حمل‌ونقل مسکونی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 394. [ Google Scholar ] [ CrossRef ]
تائو، ز. یائو، ز. کنگ، اچ. دوان، اف. لی، GJ دسترسی فضایی به خدمات مراقبت های بهداشتی در شنژن، چین: بهبود روش حوضه آبریز شناور چند مرحله ای با تخمین زمان سفر از طریق API های نقشه آنلاین. سرویس بهداشتی BMC Res. 2018 ، 18 ، 345. [ Google Scholar ] [ CrossRef ]
هو، اس. آهنگ، دبلیو. لی، سی. Lu, JJC یک روش حوضه آبریز شناور دو مرحله‌ای مبتنی بر گاوسی برای اندازه‌گیری دسترسی به پارک‌های شهری. Cities 2020 , 105 , 102815. [ Google Scholar ] [ CrossRef ]
مائو، ال. Nekorchuk، D. اندازه گیری دسترسی فضایی به مراقبت های بهداشتی برای جمعیت با حالت های حمل و نقل چندگانه. Health Place 2013 ، 24 ، 115-122. [ Google Scholar ] [ CrossRef ]
هاف، DLJE ArcUser. تخمین پارامتر در مدل هاف. 2003، صص 34-36. در دسترس آنلاین: https://www.esri.com/news/arcuser/1003/files/huff.pdf (در 23 اوت 2022 قابل دسترسی است).
جین، اچ. Lu, Y. ارزیابی محیط تغذیه مصرف کننده در صحراهای غذا و مرداب های غذایی. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2021 ، 18 ، 2675. [ Google Scholar ] [ CrossRef ]
جین، اچ. Lu, Y. SAR-Gi*: اتخاذ رویکردی فضایی برای درک صحراهای غذا و باتلاق های غذایی. Appl. Geogr. 2021 ، 134 ، 102529. [ Google Scholar ] [ CrossRef ]
Stein، DO “Food Deserts” و “Food Swamps” در Hillsborough County, Florida: دسترسی نابرابر به سوپرمارکت ها و رستوران های فست فود . دانشگاه فلوریدا جنوبی: تامپا، فلوریدا، ایالات متحده آمریکا، 2011. [ Google Scholar ]
ون متر، EM; لاوسون، AB; کولابیانچی، ن. نیکولز، ام. هیبرت، جی. پورتر، دی. Liese، AD ارزیابی اثرات لبه در معیارهای دسترسی و در دسترس بودن تغذیه: یک مطالعه شبیه سازی. بین المللی J. Health Geogr. 2010 ، 9 ، 40. [ Google Scholar ] [ CrossRef ]
یانگ، ی. Diez-Roux, AV استفاده از یک مدل مبتنی بر عامل برای شبیه سازی سفر فعال کودکان به مدرسه. بین المللی J. Behav. Nutr. فیزیک عمل کنید. 2013 ، 10 ، 67. [ Google Scholar ] [ CrossRef ]
ژانگ، ام. گوش، دی. خط قرمز فضایی سوپرمارکت و آسیب پذیری محله: مطالعه موردی هارتفورد، کانکتیکات. ترانس. GIS 2016 ، 20 ، 79-100. [ Google Scholar ] [ CrossRef ]
ویلان، ا. ریگلی، ن. گرم، دی. کنسرو، EJUS زندگی در یک “صحرای غذا”. مطالعه شهری. 2002 ، 39 ، 2083-2100. [ Google Scholar ] [ CrossRef ]
وان، ن. ژان، FB; زو، بی. Wilson, JG دسترسی فضایی به خدمات مراقبت های بهداشتی و نابرابری در مرحله سرطان کولورکتال در تشخیص در تگزاس. پروفسور Geogr. 2013 ، 65 ، 527-541. [ Google Scholar ] [ CrossRef ]

شکل 1. مراکز غذایی سالم ( a ) و ناسالم ( b ) در آستین، TX [ 51 ].

شکل 2. توزیع فضایی SAI _H در سطح گروه سرشماری بلوک برای طیف وسیعی از ضرایب امپدانس.

شکل 3. توزیع فضایی SAI _U در سطح گروه سرشماری بلوک برای طیف وسیعی از ضرایب امپدانس.

شکل 4. مقایسه 2SFCA مبتنی بر هاف چند حالته و تک حالته در گروه های بلوکی با بیش از (یا مساوی) 15% (نقاط قرمز) در مقابل کمتر از 15% خانوارهای بدون وسیله نقلیه (نقاط آبی) برای ( یک ) ) Ln SAI _H و ( ب ) Ln SAI _U .

شکل 5. تفاوت های نسبی بین 2SFCA مبتنی بر هاف چند حالته و تک حالته در ( a ) SAI _H و ( b ) SAI _U.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه