DOI: https://doi.org/10.1038/s41598-024-84279-2
PMID: https://pubmed.ncbi.nlm.nih.gov/39747286
تاريخ النشر: 2025-01-02
المؤلف: Guifen Lyu وآخرون
الموضوع الرئيسي: تنقل البشر والتحليل القائم على الموقع
نظرة عامة
تستكشف هذه الورقة البحثية حيوية المدن في يينتشوان، مع التركيز على التفاعل بين أنشطة السكان والبيئة المبنية، وهو أمر حاسم للتنمية الاجتماعية والاقتصادية. تستخدم الدراسة بيانات كبيرة متعددة المصادر، بما في ذلك خرائط الحرارة من بايدو، لقياس حيوية المدن وتوظف نموذج الانحدار الجغرافي الموزون (GWR) لتحليل التباين المكاني في العلاقات بين عوامل البيئة المبنية وحيوية المدن. تشير النتائج إلى أن حيوية المدن تتأثر بشكل كبير بالبيئة المبنية، لا سيما في المناطق المركزية، مما يكشف عن تباين مكاني إيجابي وأنماط تجميع. تقترح الدراسة استراتيجيات مستهدفة لتعزيز حيوية المدن، مما يساهم في تقديم رؤى نظرية وإرشادات عملية لمخططي المدن.
كما تنتقد الدراسة الأساليب التقليدية لتقييم حيوية المدن، التي غالبًا ما تعتمد على مصادر بيانات ذات طابع شخصي مثل الاستطلاعات وبيانات نظم المعلومات الجغرافية المحدودة. من خلال دمج منهجيات متقدمة وبيانات شاملة، تؤسس الدراسة إطار تقييم قوي يجمع بين الانحدار الخطي وتحليل GWR لاستكشاف حيوية المدن من وجهات نظر ماكرو وميكرو. مع الاعتراف بحدود استخدام وكلاء بيانات محددة، تدعو الدراسة إلى إجراء أبحاث مستقبلية لتضمين مصادر بيانات متنوعة ونهج متعددة التخصصات لفهم حيوية المدن بشكل أفضل وإبلاغ التخطيط الحضري المستدام.
الطرق
توضح هذه القسم المنهجيات المستخدمة لقياس حيوية المدن، وهو مفهوم متعدد الأبعاد يشمل الأبعاد الاقتصادية والاجتماعية والثقافية والبيئية. تم تقديم حيوية المدن لأول مرة من قبل جين جاكوبس في عام 1961، حيث تركز على التفاعل بين تنوع المدن وسلوك السكان. اعتمدت الأساليب التقليدية لقياس حيوية المدن على بيانات على مستوى الماكرو، مثل التعداد السكاني والإحصاءات الاقتصادية، والتي غالبًا ما تفتقر إلى التوقيت والدقة. ومع ذلك، فإن التقدم في تقنيات البيانات الكبيرة قد سهل تقييمًا أكثر دقة لحيوية المدن من خلال بيانات جغرافية متعددة المصادر، بما في ذلك خريطة الشارع المفتوحة ونقاط الاهتمام من خريطة بايدو. طور الباحثون نماذج شاملة تتضمن مؤشرات مثل حيوية الحشود وإمكانات التفاعل المكاني، باستخدام طرق مثل TOPSIS المكاني للتقييمات، لا سيما في الأحياء الحضرية مثل وسط نانجينغ.
علاوة على ذلك، يناقش القسم تطور طرق استخراج العلاقات في فحص العلاقة بين حيوية المدن والبيئة المبنية. بينما كان الانحدار الخطي هو النهج التقليدي، إلا أنه يفشل في حساب التباين المكاني عبر مناطق الدراسة. لمعالجة هذه القيود، تم اعتماد نموذج الانحدار الجغرافي الموزون (GWR)، مما يسمح بتحليل أكثر دقة لكيفية تأثير عوامل البيئة المبنية على حيوية المدن في مواقع مختلفة. تستخدم هذه الدراسة نموذج GWR للتحقيق في التأثيرات المتنوعة مكانيًا للبيئة المبنية على حيوية المدن، مما يعزز فهم التباينات المحلية في هذه العلاقات.
النتائج
تكشف نتائج الدراسة حول حيوية المدن عن رؤى هامة مستمدة من طريقة وزن الانتروبيا، التي قامت بت quantifying مساهمات مؤشرات مختلفة. كانت الأوزان المعينة لكل مؤشر كما يلي: NDVI (3.243%)، الناتج المحلي الإجمالي (26.699%)، الكثافة السكانية (41.784%)، الأضواء الليلية (26.61%)، وقيمة بايدو الحرارية (1.663%). أظهرت خريطة توزيع حيوية المدن أن أعلى مستويات الحيوية كانت مركزة في المناطق المركزية، لا سيما في منطقة شينغتشينغ، مع نشاط ملحوظ حول الشوارع الرئيسية. أظهر تحليل كثافة تدفق الناس، استنادًا إلى خرائط الحرارة من بايدو، نمطًا مميزًا للحركة، مع تركيزات ذروية في المراكز الحضرية خلال أيام الأسبوع وتحول نحو المناطق السكنية بعد الساعة 18:00. في عطلات نهاية الأسبوع، كان التدفق أكثر تشتتًا، مما يبرز الطبيعة الديناميكية لحيوية المدن.
علاوة على ذلك، حدد التحليل باستخدام نماذج الانحدار الخطي علاقات هامة بين حيوية المدن ومجموعة من المتغيرات المستقلة، بما في ذلك التنوع، التصميم، المسافة إلى وسائل النقل، وإمكانية الوصول إلى الوجهات. أظهرت النماذج دلالة إحصائية، مع قيمة p لاختبار F تبلغ 0.000، وأشارت إلى أن 11 متغيرًا مستقلًا أثرت بشكل كبير على حيوية المدن. كشف تحليل التباين المكاني باستخدام Moran’s I عن ارتباطات إيجابية قوية بين معظم المتغيرات، مما يبرر استخدام الانحدار الجغرافي الموزون (GWR) لتقييم التباين المكاني. تفوق نموذج GWR على الانحدار العادي (OLS)، مع قيم R² المعدلة التي تشير إلى تحسين التوافق للمتغيرات مثل التنوع (0.909) والمسافة (0.833). من الجدير بالذكر أن العلاقة بين كثافة الطرق وحيوية المدن كانت إيجابية في المناطق المركزية ولكن سلبية في بعض المناطق الطرفية، مما يبرز الديناميات المكانية المعقدة التي تلعب دورًا في توزيع حيوية المدن.
المناقشة
في هذه الدراسة، طور المؤلفون نظام تقييم شامل لحيوية المدن في مدينة يينتشوان من خلال دمج بيانات متعددة المصادر، بما في ذلك مؤشر الفرق النباتي المعدل (NDVI)، الناتج المحلي الإجمالي (GDP)، كثافة السكان، خريطة حرارة بايدو، وبيانات الأضواء الليلية. أظهر التحليل أن كثافة السكان هي العامل الأكثر أهمية الذي يؤثر على حيوية المدن، حيث تمثل 41.784% من التقييم العام. مكانيًا، كانت حركة المشاة العالية مركزة في المناطق المركزية، مما يدل على جاذبيتها الاقتصادية والثقافية. أظهر التحليل الزمني لخريطة الحرارة أنماطًا مميزة للنشاط الحضري، مع تحولات من المناطق التجارية خلال أيام الأسبوع إلى المناطق السكنية في المساء وعطلات نهاية الأسبوع، مما يعكس التوازن الديناميكي للحياة الحضرية.
علاوة على ذلك، فحصت الدراسة العلاقة بين عوامل البيئة المبنية وحيوية المدن باستخدام تحليلات الانحدار الخطي والانحدار الجغرافي الموزون (GWR). أشارت النتائج الرئيسية إلى أن المتغيرات مثل تنوع المناظر الطبيعية، مرافق التسوق، وإمكانية الوصول إلى وسائل النقل تؤثر بشكل إيجابي على حيوية المدن، بينما قد تؤدي إمكانية الوصول المفرطة إلى الازدحام وتقليل الحيوية في سياقات معينة. سلط تحليل GWR الضوء على التباينات المكانية الهامة في هذه العلاقات، مما يبرز الحاجة إلى استراتيجيات تخطيط حضري محلية. يقترح المؤلفون استراتيجيات تحسين مخصصة لكل منطقة، مع التركيز على تعزيز وسائل النقل، وتحسين العروض التجارية، وتعزيز التعاون بين المؤسسات التعليمية والمجتمعات المحلية لتحفيز حيوية المدن والتنمية المستدامة.
DOI: https://doi.org/10.1038/s41598-024-84279-2
PMID: https://pubmed.ncbi.nlm.nih.gov/39747286
Publication Date: 2025-01-02
Author(s): Guifen Lyu et al.
Primary Topic: Human Mobility and Location-Based Analysis
Overview
This research paper investigates urban vitality in Yinchuan, emphasizing the interplay between residents’ activities and the built environment, which is crucial for social and economic development. The study utilizes multi-source big data, including Baidu heat maps, to measure urban vitality and employs a Geographically Weighted Regression (GWR) model to analyze spatial heterogeneity in the relationships between built environment factors and urban vitality. The findings indicate that urban vitality is significantly influenced by the built environment, particularly in central districts, revealing positive spatial autocorrelation and clustering patterns. The study proposes targeted strategies for enhancing urban vitality, contributing both theoretical insights and practical guidance for urban planners.
The research also critiques traditional methods of assessing urban vitality, which often rely on subjective data sources like surveys and limited GIS data. By integrating advanced methodologies and comprehensive data, the study establishes a robust assessment framework that combines linear regression and GWR analysis to explore urban vitality from macro and micro perspectives. While acknowledging the limitations of using specific data proxies, the study calls for future research to incorporate diverse data sources and multidisciplinary approaches to better understand urban vitality and inform sustainable urban planning.
Methods
The section outlines the methodologies employed to measure urban vitality, a multifaceted concept encompassing economic, social, cultural, and environmental dimensions. Initially introduced by Jane Jacobs in 1961, urban vitality emphasizes the interplay between urban diversity and resident behavior. Traditional measurement approaches have relied on macro-level data, such as population censuses and economic statistics, which often lack timeliness and granularity. However, advancements in big data technologies have facilitated a more nuanced assessment of urban vitality through multi-source geographic data, including Open Street Map and Baidu Map POI. Researchers have developed comprehensive models that incorporate indicators like crowd vitality and spatial interaction potential, utilizing methods such as Spatial TOPSIS for evaluations, particularly in urban neighborhoods like central Nanjing.
Furthermore, the section discusses the evolution of relationship mining methods in examining the connection between urban vitality and the built environment. While linear regression has been the conventional approach, it fails to account for spatial heterogeneity across study areas. To address this limitation, the Geographically Weighted Regression (GWR) model has been adopted, allowing for a more precise analysis of how built environment factors influence urban vitality in varying locations. This study employs the GWR model to investigate the spatially diverse impacts of the built environment on urban vitality, thereby enhancing the understanding of local variations in these relationships.
Results
The results of the study on urban vitality reveal significant insights derived from the entropy weight method, which quantified the contributions of various indicators. The weights assigned to each indicator were as follows: NDVI (3.243%), GDP (26.699%), population (41.784%), nighttime lights (26.61%), and Baidu’s calorific value (1.663%). The Urban Vitality Distribution map indicated that the highest vitality levels were concentrated in central districts, particularly in Xingqing District, with notable activity around key streets. The analysis of people flow density, based on Baidu heat maps, showed a distinct pattern of movement, with peak concentrations in urban centers during weekdays and a shift towards residential areas post-18:00. On weekends, the flow was more dispersed, highlighting the dynamic nature of urban vitality.
Further analysis using linear regression models identified significant relationships between urban vitality and various independent variables, including Diversity, Design, Distance to transit, and Destination accessibility. The models demonstrated statistical significance, with an F-test p-value of 0.000, and indicated that 11 independent variables significantly influenced urban vitality. Spatial autocorrelation analysis using Moran’s I revealed strong positive correlations among most variables, justifying the use of Geographically Weighted Regression (GWR) for assessing spatial heterogeneity. The GWR model outperformed traditional Ordinary Least Squares (OLS) regression, with adjusted R² values indicating improved fit for variables such as Diversity (0.909) and Distance (0.833). Notably, the relationship between road density and urban vitality was positive in central areas but negative in certain peripheral regions, underscoring the complex spatial dynamics at play in urban vitality distribution.
Discussion
In this study, the authors developed a comprehensive evaluation system for urban vitality in Yinchuan City by integrating multi-source data, including the Normalized Difference Vegetation Index (NDVI), Gross Domestic Product (GDP), population density, Baidu Heat Map, and nighttime light data. The analysis revealed that population density is the most significant factor influencing urban vitality, accounting for 41.784% of the overall assessment. Spatially, high pedestrian flow was concentrated in the central districts, indicating their economic and cultural attractiveness. The temporal analysis of the heat map illustrated distinct patterns of urban activity, with shifts from commercial areas during weekdays to residential zones in the evenings and weekends, reflecting the dynamic balance of urban life.
The study further examined the relationship between built environment factors and urban vitality using linear regression and Geographically Weighted Regression (GWR) analyses. Key findings indicated that variables such as landscape diversity, shopping facilities, and accessibility to transit positively impact urban vitality, while excessive accessibility may lead to congestion and reduced vitality in certain contexts. The GWR analysis highlighted significant spatial variations in these relationships, emphasizing the need for localized urban planning strategies. The authors propose tailored improvement strategies for each district, focusing on enhancing transportation, optimizing commercial offerings, and fostering collaboration between educational institutions and local communities to stimulate urban vitality and sustainable development.