基于区位空间可达性特征定制的决策支持:以纽约市应急医疗健康服务为例

《Computers, Environment and Urban Systems》:Customized decision-making support per location's characteristics of spatial accessibility: A case study of emergency healthcare in New York City

【字体: 大 中 小 】 时间:2026年07月25日 来源:Computers, Environment and Urban Systems 8.9

编辑推荐:

  研究人员可根据可达性时空变化特征(时间变化性与不同等级水平的组合)对区位进行分类。这些聚类能够识别区位间的多样化需求,从而有效减少可及性不平等。研究人员的工作有助于促进最优资源配置,并支持定制化与灵活的政策响应。

  
研究人员可根据可达性时空变化特征(时间变化性与不同等级水平的组合)对区位进行分类。这些聚类能够识别区位间的多样化需求,从而有效减少可及性不平等。研究人员的工作有助于促进最优资源配置,并支持定制化与灵活的政策响应。
论文解读:《Computers, Environment and Urban Systems》发表研究——基于区位空间可达性特征的定制化决策支持
研究背景与问题提出
传统空间可达性测量方法,如两步浮动 catchment 区域法(Two-Step Floating Catchment Area, 2SFCA)或重力模型(Gravity Model),通常未考虑时间维度,侧重于供给(如医院)与需求(如周边人口)之间的静态空间交互。然而,城市现象在日内呈现出显著的时间变化,包括人口聚集程度的波动、交通拥堵导致的流动性差异以及医疗服务运营时间的限制。现有动态空间可达性(Dynamic Spatial Accessibility)研究存在两方面缺口:一是动态测量结果产生大量高维冗余信息,利益相关者难以从中提炼关键决策依据;二是鲜有研究在24小时内综合运用完整的时间依赖变量集(供给、需求、移动性)。以往研究多局限于主观选择特定时段考察时间变化或空间不平等,忽视了区位基于时间流逝所接收的不同可达性水平及其在基础设施分配中的意义。鉴于此,研究人员开展本研究,旨在通过将序列分析(Sequence Analysis)集成至动态空间可达性测量中,依据可达性随时间变化的时序特征对地理区位进行分类,以提供定制化的决策支持。
主要关键技术方法
研究人员以美国纽约市(New York City, NYC)为研究区,以人口普查 tract(Census Tract)为单元(共2324个)。数据方面,供给采用2021年第一季度纽约州机构提供者网络数据(Institutional Provider Network Data)并结合Google Maps API获取营业时间;需求采用美国社区调查(American Community Survey, ACS)2017–2021及人口普查交通规划产品(Census Transportation Planning Products, CTPP)计算通勤调整人口;移动性采用OpenStreetMap(OSM)路网结合Uber Movement数据集估算时变行程时间。计算方法上,首先采用高斯两步浮动 catchment 区域法(Gaussian Two-Step Floating Catchment Area, G2SFCA)测算每小时可达性(阈值15分钟);随后将连续可达性数值按修正Z得分名义化为五类(VH, H, M, L, VL);最后利用TraMineR包实施最优匹配(Optimal Matching, OM)算法进行层次聚类(Ward距离)及轮廓系数(Silhouette coefficient)确定最佳聚类数,借助CyberGIS-Compute中间件连接高性能计算(High-Performance Computing, HPC)资源以解决计算密集型问题。
研究结果
4.1. Various temporal changes in accessibility per location
研究人员在完整时间依赖变量实施下观察到显著的时空变化。不同区位呈现差异化的可达性时序特征:例如曼哈顿部分 tract 凌晨至早晨可达性高,日间降至低水平,深夜回升;斯塔滕岛部分 tract 早晨起始低,日间升至中等,夜间回落;布朗克斯部分区域全天维持极高或高可达性;布鲁克林东部则持续遭受极低或低可达性。这表明各区位具有由时间变化(平稳与非平稳)与可达性水平(高、中、低等)组合而成的不同特征。
4.2. Unique sequences in the measures of dynamic spatial accessibility
序列分析识别出24小时内14个具有独特可达性变化序列的聚类(Silhouette系数为0.364)。研究人员沿两个维度定义特征:时间变化(平稳 vs 非平稳)与可达性水平。前缀N表示夜间可达性优于日间(如N3聚类39个tract,凌晨高、日间低);前缀D表示日间优于夜间(如D4聚类199个tract,凌晨中等、日间高);前缀S表示24小时平稳(如S3聚类480个tract,持续中等可达性)。
4.3. Spatial delineation per characteristics of accessibility
空间划分显示非平稳可达性区位(N#与D#)呈空间集聚:日间可达性优区(D#)主要在斯塔滕岛、布朗克斯、布鲁克林东部;夜间可达性优区(N#)主要在曼哈顿、皇后区西部。平稳可达性区(S#)分散分布,其中持续极低可达性(S1)与持续高可达性(S4)分别集中于肯尼迪机场附近的东南皇后区与东北皇后区。
讨论与结论总结
讨论部分指出,本研究首次按动态空间可达性测量中的时序观测对地理区位分组。CyberGIS框架将计算时间从本地72小时以上缩短至9小时以内,支持迭代优化与近实时决策。城市动力机制解释:布朗克斯(D#)因白天居民外出工作需求低、夜间回归需求高且资源少,故日间优夜间差;曼哈顿(N#)因日间涌入通勤者需求超载、夜间流出且拥有24小时设施,故夜间优日间差;平稳区(S#)受城市动态影响小,常位于缓冲地带。基于此,研究人员提出定制化策略:D#集群需延长现有资源营业时间(运营干预);N#集群需灵活人员配置与公私合作(Public-Private Partnerships, PPPs)应对日间峰值;慢性缺陷区(S1, S2)需战略性扩建中小型设施;并可识别跨集群通勤的脆弱人群实施职场医疗项目。
结论部分翻译:研究人员提出了一种利用序列分析按24小时可达性测量特征(即时间变化与不同水平)对区位进行分组的方法。以纽约市医疗资源为例,运用了建成环境中观测到的一套完整时间依赖变量,发现了各区位可达性的独特时间变化。此外,序列分析区分了14个在时间变化(即平稳与非平稳)和可达性水平(如高、中、低)上的显著聚类。因此,本研究能为区位多样化需求提供定制化政策启示,有效减少可及性不平等。具体而言,研究人员的工作能识别需要运营干预或额外基础设施的区位。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号