美国实际的空间可达性与潜在的空间可达性：基于地理空间大数据的案例研究

医疗空间可及性差异研究基于地理大数据，采用两步浮动车模型分析全美人口潜在与实际医疗可及性。通过整合SafeGraph人流量与AHA医院数据，发现潜在可及性显著低估实际服务利用水平，尤其在人口密集区域差异突出。研究为政策制定提供量化依据，促进医疗资源公平分配。

　　

邵亚雄

美国北伊利诺伊大学地球、大气与环境系

摘要

COVID-19大流行显著引发了人们对医疗保健空间可及性差异的关注。尽管潜在的空间可及性已经得到了广泛研究，但实际实现的空间可及性仍然相对较少被探讨。本研究利用地理空间大数据（SafeGraph月度模式），通过两步浮动集水区（2SFCA）模型，分析了美国本土各普查区整个人口的这两种空间可及性之间的差异。通过结合兴趣点（POI）Placekey匹配、部分Placekey匹配和模糊匹配等方法，我们成功地将SafeGraph的步行流量模式与美国医院协会（AHA）的调查数据集进行了匹配。以总床位数表示医疗设施的供应情况，以调整后的SafeGraph访问次数表示实际医疗服务的使用情况，应用2SFCA模型计算了实现的空间可及性。基于SafeGraph步行流量模式以及相同的供应数据和潜在需求人口，我们计算出了潜在的空间可及性。结果显示，美国本土各地的潜在空间可及性与实现空间可及性之间存在显著差异。与实现的空间可及性指标相比，潜在的空间可及性指标大大低估了医疗服务的实际可及性。我们的方法表明，基于SafeGraph数据的实现空间可及性指标不仅有助于政策制定者做出更明智的决策，还可以成为改善医疗保健公平性的催化剂。

引言

医疗公平性是美国一个普遍关注的话题。改善医疗保健服务设施的可及性与更好的结果和更少的差异密切相关（Hoffman & Paradise, 2008）。医疗服务的可及性可以根据其特征进行分类。例如，它可以分为物理可及性和虚拟可及性。虚拟可及性强调对远程医疗服务的访问，而物理可及性则关注对医疗设施的面对面访问（Alford-Teaster, Wang, Tosteson, & Onega, 2021; Liu, Alford-Teaster, Onega, & Wang, 2023; Shao & Luo, 2023; Wang, Zeng, Liu, & Onega, 2023）。此外，它还可以分为潜在可及性和实现（显现/实际）可及性。潜在可及性关注医疗服务的潜在需求，而实现（显现/实际）可及性则反映了这些服务的实际使用情况（Aday & Andersen, 1981; Aday, Andersen, & Fleming, 1980; Andersen & Aday, 1978; Andersen, McCutcheon, Aday, Chiu, & Bell, 1983）。为了明确空间与非空间方面的差异，我们可以引入这一额外的二分维度，从而将可及性分为四类：潜在空间可及性、实现空间可及性、潜在非空间可及性和实现非空间可及性（Khan, 1992; Wang & Liu, 2023）。本文将仅关注空间可及性。

政策制定者和规划者经常使用潜在空间可及性作为评估各种公共设施（包括公园、杂货店和医院等）可及性的重要指标（Hu, Song, Li, & Lu, 2020; Pan, Liu, Wang, Xie, & Delamater, 2015; Yeager & Gatrell, 2014）。虽然已有大量研究关注潜在的空间医疗可及性，但对实现（显现/实际）空间可及性的关注较少，尤其是在大规模范围内，如整个美国的人口。本研究旨在通过更广泛地考察实现空间可及性，并将其与美国整体人口的潜在空间可及性进行全面比较，来填补这一空白。我们将重点关注两个关键研究问题：（1）如何使用SafeGraph的数据移动性数据来计算国家层面的实现空间可及性？（2）潜在空间可及性和实现空间可及性之间有什么差异？该研究为未来利用地理空间大数据进行改进奠定了基础，其结果可以帮助政策制定者制定更有效的政策，以改善国家层面的医疗公平性。

本文的其余部分安排如下：第2节回顾现有文献。第3节介绍本研究使用的数据集。第4节描述本研究的方法论和数据处理步骤。第5节展示结果和发现。第6节对研究进行一些总结，第7节讨论局限性及可能的未来研究方向。

方法

实现可及性的测量基于医疗服务的使用情况，而潜在可及性则依赖于预测需求。尽管人们普遍认为实现可及性更容易测量（Levesque, Harris, & Russell, 2013），但实际上由于数据获取的难度，获取实现可及性比潜在可及性要困难得多。此外，法律因素（如遵守健康保险可携带性法规）也影响了实现可及性的测量。

研究区域

本研究仅关注“美国本土”，即包括48个州和哥伦比亚特区。我们选择美国本土作为研究区域主要有四个原因：

首先，由于数据获取的限制，大多数先前的研究都针对较小的区域，因此未能全面了解美国各地的医疗保健空间可及性。SafeGraph提供的广泛步行流量数据覆盖了整个

记录链接

记录链接，通常称为数据匹配，是指将来自不同数据集的相同记录进行匹配并合并到一个数据集中的过程。互联网上有许多专为记录链接设计的软件和工具包，包括Splink（Linacre, Lindsay, Manassis, Slade, & Hepworth, 2022）、Dedupe（Gregg & Eder, 2022）、Python Record Linkage Toolkit（De Bruin, 2019）和TheFuzz（https://github.com/seatgeek/thefuzz）。在本研究中，我们概述了一个三步程序来

可及性结果

图6展示了使用E2SFCA方法和之前详细说明的距离衰减函数得出的潜在空间可及性空间分布。潜在空间可及性得分已通过自然断裂分类法分为五个不同的类别：0–0.0015、0.0016–0.0024、0.0025–0.0033、0.0034–0.0054和0.0055–0.0270。高潜在空间可及性区域（0.0055–0.0270）主要分布在美中部，从堪萨斯州西部延伸到

结论

本文利用地理空间大数据（SafeGraph）和2SFCA模型，计算了美国各地医疗服务的实现和潜在空间可及性——这是研究界尚未充分探讨的领域。我们采用三步记录链接过程，将AHA医院数据集和SafeGraph月度步行流量数据集进行了匹配。此外，我们还根据SafeGraph月度步行流量数据集推导出了一个距离衰减函数

局限性与未来工作

虽然利用新的地理空间大数据可以提供关于与医疗设施相关的人类移动行为模式的独特见解，但仍存在一些固有的不确定性和挑战：

1)

由于隐私问题，从家庭普查区块组到兴趣点的访问次数如果少于2次将被忽略，2–4次的访问次数会被调整为4次。这些调整可能会影响实际的访问模式。此外，访问必须至少持续4分钟才能被计为一次访问。此外，数据集并未

资金

本研究未获得公共部门、商业部门或非营利部门任何特定的资助。

写作过程中生成式AI和AI辅助技术的声明

在准备本文时，作者使用了ChatGPT来改进语言和可读性。使用该工具后，作者对内容进行了审查和编辑，并对出版物的内容负全责。

CRediT作者贡献声明

邵亚雄：撰写——原始草稿、可视化、验证、软件开发、方法论设计、调查、数据分析、概念构建。罗伟：撰写——审稿与编辑、监督、概念构建。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

致谢

我们感谢SafeGraph提供每月汇总的步行流量数据。

我们感谢四位匿名审稿人的宝贵建议和评论，这些帮助我们改进了手稿。

本研究使用了北伊利诺伊大学研究计算和数据中心的资源。