این تحقیق بر روی محل مطالعه مرزهای داخلی شهر اوکلند، نیوزلند تمرکز دارد. اوکلند بزرگ‌ترین و پرجمعیت‌ترین شهر نیوزلند است که در 1086 کیلومتر مربع وسعت دارد . شهر اوکلند متشکل از یک مرکز شهر با تراکم جمعیت بالا است که بر روی یک تنگه قرار گرفته است، که با افزایش فاصله از منطقه تجاری مرکزی، حومه‌ها، مناطق روستایی و جنگلی با تراکم جمعیت کمتر احاطه شده است. منطقه درون شهری اکثریت جمعیت شهر را در بر می گیرد و ما برای هدف این مطالعه تمرکز بر این منطقه را انتخاب کردیم ( شکل 1 ).
عکس. 1 . موقعیت محل مطالعه، مرز درونی شهر (خط جامد)، و توزیع فضایی پارک‌های شورای منطقه‌ای اوکلند و مناطق منطقه‌ای <10,000,000 متر مربع ( 10,000 کیلومتر مربع ) و عناوین ملکی متعلق به مالکیت آزاد یا عنوان واحد توسط Housing NZ Limited یا Housing NZ Build Limited.
توسعه‌های مسکن عمومی در محله‌های خاصی دسته‌بندی شده‌اند که در سراسر شهر پراکنده شده‌اند. با این حال، محله هایی که بیشترین مسکن عمومی را دارند در جنوب و غرب شهر درونی قرار دارند.
ما از داده‌های فضایی فضای سبز به عنوان نماینده مکان فضاهای سبز شهری در منطقه اوکلند استفاده می‌کنیم و از داده‌های عنوان املاک مسکن عمومی استخراج‌شده برای منطقه اوکلند استفاده می‌کنیم ( برای جزئیات به مطالب پشتیبانی ، جدول A1 مراجعه کنید ). داده‌های عنوان دارایی مسکن عمومی را در محدوده شهر برش دادیم و معیارهای گنجاندن را برای داده‌های فضای سبز و داده‌های عنوان املاک مسکن عمومی، از جمله فقط انواع دارایی‌های پارک یا پارک منطقه‌ای با مساحت کمتر از 10000 کیلومتر مربع و عناوین تحت مالکیت آزاد یا مالکیت را اعمال کردیم. عنوان واحد به ترتیب توسط Housing NZ Limited یا Housing NZ Build Limited. ما همه پارک‌ها و مناطق منطقه‌ای را در محدوده شورای منطقه‌ای اوکلند در محاسبات دسترسی به پارک لحاظ کردیم، زیرا افرادی که در داخل شهر زندگی می‌کنند ممکن است به این مکان‌ها سفر کنند. توزیع فضایی داده های پارک نهایی و داده های عنوان ملک مسکن عمومی مورد استفاده در تجزیه و تحلیل در شکل 1 نشان داده شده است .
ما از مجموعه داده‌ای از مکان‌های نقطه کاربر تلفن همراه برای هفته اول مارس 2020 ( UberMedia، 2019 ) استفاده می‌کنیم که نشان‌دهنده یک هفته کاری معمولی در نیوزیلند بدون تعطیلات مدرسه یا بانک است. داده‌ها از تلفن‌های همراه کاربران هنگام استفاده از تلفن خود یا داشتن برنامه‌های کاربردی تلفن همراه در پس‌زمینه جمع‌آوری شده است. مکان GPS کاربر و مُهر زمانی مجموعه نقطه داده به همراه شناسه منحصربه‌فرد دستگاه که به عنوان یک ردیف در مجموعه داده وارد می‌شود، ثبت می‌شود. با توجه به اینکه داده‌های نقطه‌ای فقط زمانی ثبت می‌شوند که از تلفن همراه استفاده می‌شود، توجه می‌کنیم که سطح بازنمایی مجموعه داده ناشناخته است و هنگام تفسیر نتایج هر تحلیل با استفاده از این داده‌ها، این محدودیت باید در نظر گرفته شود. ما داده‌ها را پاک کردیم تا خطاها و نادرستی‌ها را حذف کنیم، و کاربرانی را استخراج کردیم که معیارهای گنجاندن حداقل 500 امتیاز در مسیر خود، حداقل یک امتیاز در طول هفته و حداقل یک امتیاز در آخر هفته را داشتند. محتمل‌ترین مکان خانه هر کاربر با استفاده از خوشه‌بندی فضایی مبتنی بر چگالی (DBSCAN) محاسبه شد، جایی که مهم‌ترین مکان از مسیر کاربر به عنوان نشانه‌ای از مکان خانه استخراج شد. DBSCAN انتخاب شد زیرا روشی پرکاربرد و مؤثر برای خوشه‌بندی مکان‌های نقطه است و در مطالعات قبلی برای تخمین موقعیت خانه‌های کاربر استفاده شده است (به عنوان مثال استر و همکاران، 1996 ، زو و همکاران، 2021 ، ورما و همکاران. ، 2024 ). مجموعه داده نهایی شامل آن دسته از مسیرهای کاربری است که مکان خانه آنها در داخل مرزهای شهر اوکلند و مناطق ساخته شده بر اساس پایگاه داده پوشش زمین (LCDB)، به استثنای فرودگاه ها قرار دارد. تعداد کاربران منحصر به فرد در این مجموعه داده 17297 کاربر است. ما محله‌هایی را در داخل شهر شناسایی کردیم که 25 درصد بالا و پایین اجاره مسکن عمومی را داشتند، بر اساس داده‌های تصحیح شده عنوان ملک مسکن عمومی. همه محله‌های 25 درصد پایین‌تر فاقد مسکن عمومی مستاجر بودند. ما این مناطق را فقط به مناطقی تقسیم کردیم که طبق LCDB به عنوان مناطق ساخته شده طبقه بندی شده اند، به استثنای فرودگاه ها، تا روی انواع زمین های مسکونی و غیر صنعتی تمرکز کنیم. تعداد کاربران منحصربه‌فرد در محله‌هایی که بیشترین 25 درصد (PH) و حداقل 25 درصد (NPH) مسکن عمومی را داشتند، به ترتیب 5329 و 2372 نفر بود.
تمام مجموعه داده های مورد استفاده در تجزیه و تحلیل در جدول A1 فهرست شده است .
این تحقیق یک چارچوب روش‌شناختی با استفاده از داده‌های تلفن همراه برای بررسی نابرابری‌های فضایی بالقوه در دسترسی به فضاهای سبز برای کسانی که در مناطق PH زندگی می‌کنند و کسانی که در مناطق NPH زندگی می‌کنند، ارائه می‌کند. دسترسی به فضاهای سبز با استفاده از تجزیه و تحلیل اندازه گیری فاصله و دسترسی ارزیابی می شود. بهره برداری از پارک با استفاده از چهار معیار بهره برداری جدید توسعه یافته ارزیابی می شود. نمای کلی چارچوب طراحی شده در شکل 2 نشان داده شده است . کد و شبه کد برای تحلیل های فهرست شده در این چارچوب در مواد تکمیلی موجود است .
شکل 2 . چارچوب روش شناختی مورد استفاده در این مقاله.
در تجزیه و تحلیل حرکت، خوشه بندی برای شناسایی گروه هایی از نقاطی که با یک مکان یا فعالیت مطابقت دارند استفاده می شود. ما خوشه‌بندی را برای شناسایی محتمل‌ترین مکان‌های خانه کاربران استخراج‌شده از داده‌های نقطه تلفن همراه برای منطقه درونی شهر اوکلند اعمال می‌کنیم. خوشه‌بندی فضایی مبتنی بر چگالی برنامه‌های کاربردی با نویز (DBSCAN 4 ) در مسیر حرکت کاربر انتخاب شده اجرا شد. مختصات مرکز مرکزی برای هر کاربر برای اولین خوشه استخراج شد، که فرض می‌شود مکان منزل کاربر در محدوده‌های شهر درونی اوکلند است ( Gong et al., 2014 ). سپس، سه اندازه گیری فاصله مختلف محاسبه شد:
به دنبال این، بازدیدهای واقعی از پارک از مجموعه داده استخراج شد. اگر نقطه ای در مسیر تلفن همراه کاربر به صورت مکانی پارک را قطع کند، یک پارک “بازدید” می شود. بنابراین، نقطه باید در داخل یا در محدوده پارک قرار گیرد تا “بازدید” تلقی شود. برای آن بازدیدهای واقعی از پارک مربوط به کاربرانی که در داخل مرزهای شهر اوکلند قرار دارند، دو معیار فاصله متفاوت محاسبه شد:
حداقل فاصله تا فضاهای سبز با استفاده از شاخص محرومیت چندگانه 2018 (IMD18) تجسم و با سطح محرومیت موجود در هر شبکه مقایسه شد ( Exeter et al., 2017 ).
معیارهای دسترسی برای دسترسی به پارک در محدوده داخلی شهر با استفاده از متغیرهای زیر محاسبه شد:
یک معیار دسترسی مبتنی بر گرانش برای این دو متغیر ورودی، به‌ویژه مدل گرانش منحصر به فرد با استفاده از یک تابع نمایی منفی با مقدار فروپاشی 0.2 استفاده شد.
مدل گرانشی مورد استفاده در این مقاله در معادله 1، به دنبال Piovani و همکارانش بیان شده است. (2018) و بات و مینال (2022) :𝐴ij=∑𝑗𝑃𝑗𝑒-𝛽𝑐ijجایی که𝐴ijنشان دهنده دسترسی پارک ها از واحد فضایی i به واحد فضایی j با استفاده از شبکه راه است.𝑃𝑗فرصت ها (مساحت پارک جمع شده یا تعداد پارک ها) در واحد فضایی مقصد j از واحد فضایی مبدا i است ، وزن آن بر اساس هزینه𝑐ijسفر از i به j به عنوان مسافت سفر با استفاده از شبکه جاده ای که در یک تابع فروپاشی نمایی قرار دارد.
همه معیارهای دسترسی با استفاده از یک ماتریس مبدا-مقصد (OD) بر اساس SA2 (منطقه آماری 2 – واحدهای اداری با 2086 نفر به طور متوسط ( آمار NZ، 2019 ) مرکزها برای سال 2018 و مسافت پیاده‌روی محاسبه شدند. نتایج اقدامات دسترسی به تصویر کشیده شده است. با استفاده از نقشه‌های choropleth برای سلول‌های شبکه 300mx300، که در آن مقدار خروجی چند ضلعی SA2 2018 بر اساس تقاطع مرکز به سلول‌های شبکه اختصاص می‌یابد تا با سلول‌های شبکه 300 × 300 متر، نتایج دسترسی را با تخصیص هر شبکه جدا کنیم. سلول مقدار چند ضلعی SA2 2018 که مرکز آن در آن قرار دارد، در حالی که سلول های شبکه چندگانه ممکن است مقدار مشابهی داشته باشند، این رویکرد امکان مقایسه با نتایج گزارش شده در مقیاس 300 متر × 300 متر را فراهم می کند.
ما سطح بهره برداری از پارک را با محاسبه چهار معیار ارزیابی کردیم. توضیح بصری این چهار معیار در شکل 3 نشان داده شده است ، با استفاده از سناریوهای مثال خیالی برای نشان دادن نحوه محاسبه معیارها. ابتدا، تفاوت بین نزدیکترین فاصله پارک نظری و نزدیکترین فاصله بازدید شده از پارک واقعی (DAT) را با استفاده از نتایج حاصل از تجزیه و تحلیل فاصله برای هر کاربری که محل خانه‌اش در محدوده‌های داخلی شهر قرار دارد، محاسبه کردیم.DAT𝑖=Actual𝑐𝑙𝑜𝑠𝑒𝑠𝑡𝑝𝑎𝑟𝑘𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑒𝑖-Theoretical𝑐𝑙𝑜𝑠𝑒𝑠𝑡𝑝𝑎𝑟𝑘𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑒𝑖در جایی که برای محل منزل کاربر اول در داخل مرزهای شهر، فاصله تا نزدیکترین پارکی که واقعاً توسط کاربر اول بازدید شده است از فاصله تا نزدیکترین پارک نظری برای کاربر اول کم می شود .
شکل 3 . توضیح تصویری در مورد چگونگی محاسبه چهار معیار استفاده از پارک با استفاده از سناریوهای مثال خیالی، برای الف) تفاوت بین فاصله نظری و واقعی پارک (DAT)، ب) فرصت های پارک استفاده شده (UPO)، ج) محل بازدید از پارک (LPV) و D) نرخ بازدید از نزدیکترین پارک (NPVR).
برای توضیح بصری DAT ( شکل 3 ، تصویر A)، دو پارک نمونه نشان داده شده است که مرکز پارک با یک مثلث سبز نشان داده شده است. مکان مکان خانه کاربر نمونه نشان داده شده است، همانطور که با نماد خانه نشان داده شده است که در یک سلول شبکه نمونه قرار دارد. شبکه جاده ای که برای دسترسی به پارک ها از محل منزل کاربر استفاده می شود نشان داده شده است. فاصله تا نزدیکترین پارک نظری با خط چین زرد نشان داده می‌شود، در حالی که فاصله تا نزدیکترین پارک واقعی که کاربر از آن بازدید کرده است با یک خط چین بنفش نشان داده می‌شود. کاربر نمونه از نزدیکترین پارک نظری خود بازدید نکرده است، اما در واقع از نزدیکترین پارک خود بازدید کرده است. بنابراین، DAT به عنوان 100 متر محاسبه می شود (فاصله پارک واقعی 500 متر – فاصله پارک نظری 400 متر = 100 متر).
برای DAT، مقدار 0 را می توان تفسیر کرد که نزدیکترین پارک واقعی که کاربر از آن بازدید کرده است با نزدیکترین فاصله پارک نظری یکسان است. هر مقدار دیگر بزرگتر از 0 را می توان اینگونه تفسیر کرد که کاربر از نزدیکترین پارک نظری خود بازدید نکرده است، و بزرگی DAT نشان می دهد که نزدیکترین پارک واقعی بازدید شده چقدر از نزدیکترین پارک نظری فاصله دارد.
دوم، ما فرصت های پارک استفاده شده (UPO) را همانطور که در معادله مشخص شده است محاسبه کردیم. (2):UPO(𝑑)𝑖=Σ𝑝𝑎𝑟𝑘𝑠𝑣𝑖𝑠𝑖𝑡𝑒𝑑(𝑑)𝑖Σ𝑝𝑎𝑟𝑘𝑠𝑎𝑣𝑎𝑖𝑙𝑎𝑏𝑙𝑒(𝑑)𝑖جایی که برای مکان منزل کاربر اول در داخل مرزهای شهر، تعداد پارک های بازدید شده بر تعداد پارک های موجود تقسیم می شود، در فاصله اقلیدسی د اقلیدسی 1 کیلومتر، 2 کیلومتر، یا شعاع 5 کیلومتری محل خانه کاربر. مخرج UPO را می توان با استفاده از مرکز پارک یا چندضلعی پارک که به ترتیب نشان دهنده مرکز هندسی یا هر بخشی از پارک در آستانه فاصله است محاسبه کرد.
برای توضیح تصویری UPO ( شکل 3 ، تصویر B)، همان دو پارک و محل منزل کاربر نشان داده شده است. پارک سوم اضافه شده و شبکه جاده گسترش می یابد. دو سناریو ممکن ارائه شده است، برای 1 کیلومتر و 2 کیلومتر دور از محل منزل کاربر. شعاع 1 کیلومتری، فاصله اقلیدسی، از محل خانه کاربر به صورت یک دایره خالی نارنجی (دایره نارنجی چین دار) نشان داده می شود. پارک های بازدید شده توسط کاربر با رنگ سبز نشان داده شده است. کاربر از پارک خاکستری بازدید نکرد. دایره های کوچک و رنگی مجاور هر پارک نمونه، تعداد پارک هایی را نشان می دهد که مرکز آن در شعاع 1 یا 2 کیلومتری قرار دارد. برای سناریوی اول، 1 کیلومتر فاصله اقلیدسی از محل منزل کاربر، یک پارک از دو پارک احتمالی موجود در 1 کیلومتری وجود دارد که توسط کاربر بازدید می‌شود. بنابراین UPO برای 1 کیلومتر 1/2 = 0.5 است. برای سناریوی دوم، از بین سه پارک احتمالی موجود در فاصله 2 کیلومتری، دو پارک توسط کاربر بازدید شده است. بنابراین UPO برای 2 کیلومتر 2/3 = 0.667 است.
برای UPO، مقدار 0 را می توان به این صورت تفسیر کرد که هیچ پارکی در آستانه فاصله از محل منزل کاربر بازدید نشده است، در حالی که مقدار 1 را می توان به این صورت تفسیر کرد که همه پارک های موجود توسط کاربر بازدید شده است.
سوم، ما محل بازدید از پارک (LPV) را همانطور که در معادله 3 مشخص شده است، محاسبه کردیم:LPV(𝑑)𝑖=Σ𝑝𝑎𝑟𝑘𝑠𝑣𝑖𝑠𝑖𝑡𝑒𝑑(𝑑)𝑖Σ𝑝𝑎𝑟𝑘𝑠𝑣𝑖𝑠𝑖𝑡𝑒𝑑𝑡𝑜𝑡𝑎𝑙𝑖جایی که برای مکان منزل کاربر اول در داخل مرزهای شهر که حداقل از یک پارک در محدوده شورای منطقه ای اوکلند بازدید کرده اند، تعداد پارک های بازدید شده در فاصله اقلیدسی 1 کیلومتری، 2 کیلومتری یا شعاع 5 کیلومتری خانه. مکان کاربر بر تعداد کل پارک های بازدید شده توسط کاربر در محدوده شورای منطقه ای اوکلند تقسیم می شود.
برای توضیح تصویری LPV ( شکل 3 ، تصویر C)، همان پارک‌های مثال، موقعیت مکانی کاربر و شبکه جاده نشان داده شده‌اند، و همان دو سناریو ارائه شده‌اند. برای سناریوی اول، کاربر از یک پارک در 1 کیلومتری خانه خود بازدید کرد، جایی که دو پارک در دسترس است. در مجموع، کاربر از دو پارک در محدوده شورای منطقه ای اوکلند، بدون توجه به فاصله از محل زندگی خود بازدید کرد. بنابراین، LPV برای سناریوی اول، 1 کیلومتر، 1/2 = 0.5 است. برای سناریوی دوم، کاربر از دو پارک بازدید کرده و در مجموع بدون توجه به مسافت، از دو پارک بازدید کرده است، بنابراین LPV برای 2 کیلومتر 2/2 = 1 است.
برای LPV، مقدار 0 را می توان تفسیر کرد که هیچ پارکی که توسط کاربر بازدید شده است در آستانه فاصله معینی از خانه خود نبوده است، در حالی که مقدار 1 را می توان تفسیر کرد که همه پارک هایی که توسط کاربر بازدید شده است در فاصله معینی قرار دارند. آستانه خانه آنها
در نهایت، ما نزدیکترین نرخ بازدید از پارک (NPVR) را که در رابطه 4 بیان شده است، محاسبه کردیم:NPVR𝑖=Σ𝑢𝑠𝑒𝑟𝑠𝑣𝑖𝑠𝑖𝑡𝑒𝑑𝑛𝑒𝑎𝑟𝑒𝑠𝑡𝑝𝑎𝑟𝑘𝑖Σ𝑎𝑙𝑙𝑢𝑠𝑒𝑟𝑠𝑖جایی که برای سلول شبکه یکم در داخل مرزهای شهر، نسبت کاربرانی که محل خانه خود را در سلول شبکه i دارند که از نزدیکترین پارک نظری خود بازدید کرده اند محاسبه می شود.
نزدیکترین پارک نظری با استفاده از فاصله اقلیدسی یا تحلیل شبکه تعیین شد (جزئیات تجزیه و تحلیل فاصله را در بخش قبلی برای جزئیات بیشتر ببینید). نتایج تجزیه و تحلیل بهره برداری پارک با استفاده از نقشه های choropleth برای سلول های شبکه 300mx300m تجسم می شود، جایی که میانگین مقدار اندازه گیری مربوطه بر اساس تقاطع نقاط کاربر و سلول شبکه به سلول های شبکه اختصاص داده می شود.
برای توضیح تصویری NPVR ( شکل 3 ، تصویر D)، همان سناریوی مثال نشان داده شده است، اما کاربر دوم به سلول شبکه مشابه اضافه شده است. نزدیکترین پارک نظری برای هر یک از این کاربران، زرد برای کاربر یک و بنفش برای کاربر دو مشخص شده است. هر دو کاربر در این مثال در واقع از نزدیکترین پارک نظری برای کاربر یک بازدید کردند، همانطور که توسط دایره های کوچک رنگی مجاور پارک نشان داده شده است. هیچ یک از کاربران از نزدیکترین پارک نظری برای کاربر دو بازدید نکردند. از آنجایی که تنها یکی از دو کاربر از نزدیکترین پارک نظری خود بازدید کرده است، NPVR برای سلول شبکه مثال 1/2 = 0.5 خواهد بود.
برای NPVR، مقدار 0 را می توان تفسیر کرد که هیچ کاربر در سلول شبکه از نزدیکترین پارک نظری خود بازدید نکرده است، در حالی که مقدار 1 را می توان به این صورت تفسیر کرد که همه کاربران از نزدیکترین پارک نظری خود بازدید کرده اند. این نشان می‌دهد که کدام سلول‌های شبکه و در نتیجه کدام محله‌ها، کاربرانی دارند که به احتمال زیاد از نزدیکترین پارک به محل زندگی خود بازدید می‌کنند.
همه فواصل، معیارهای دسترسی، و نتایج تجزیه و تحلیل استفاده از پارک برای آن محله‌های PH و NPH زیر مجموعه بودند.
اهمیت آماری تفاوت در میانگین، میانه و توزیع مقادیر خروجی بین محله‌های PH و NPH با استفاده از آزمون‌های آماری مورد ارزیابی قرار گرفت:
تجزیه و تحلیل همبستگی با استفاده از روش پیرسون برای ارزیابی رابطه بین معیارهای دسترسی و تجزیه و تحلیل استفاده از پارک برای هر سلول شبکه استفاده شد.
