Most of the data that we have used

Most of the data that we have used are available from official bodies and Google Earth. The novelty here lies in the fact that the database we produced was georeferenced in order to create a GIS with different theme-based layers which we then used to analyse the whole dataset. We began by creating a layer that included both new HSR lines and railway stations currently in service.3 We then added a layer containing agglomerations with over 10,000 inhabitants and selected those located within 25 km of a railway station: the catchment area. This GIS made it possible to calculate both the distances between different railway stations and also those from them to the nearest population nuclei. This was particularly useful for identifying cases in which a station was located on the outskirts of, or at some distance from, its nearest population nucleus. Finally, we added a third layer corresponding to the region in which each station was located. This allowed us to associate each station with the per capita GDP of the area to which it belonged. We used all this information due to its relevance and because it corresponded to recent and comparable data (2007–2014) which were available for all the 174 HSR stations considered in this study. The next question is how we used this information and what types of challenge we encountered. Having information relating to the real number of HST users, by station, would be ideal for checking our findings. Unfortunately rail companies no longer provide this kind of data.
There are four previous steps to this methodology: (1) assigning data relating to population; (2) locating railway stations with respect to their corresponding urban nuclei; (3) calculating distances between stations; and (4) assigning the regional GDP parameter.

ผลลัพธ์ (ไทย) 1:

ข้อมูลที่เราใช้ส่วนใหญ่จะว่างจากงานราชการและ Google Earth นวัตกรรมที่นี่ตั้งอยู่ในความเป็นจริงที่ว่า ฐานข้อมูลที่เราผลิตคือ georeferenced เพื่อสร้างเป็น GIS กับธีมตามชั้นต่าง ๆ ที่เราใช้การวิเคราะห์ชุดข้อมูลทั้งหมดแล้ว เราเริ่ม ด้วยการสร้างเลเยอร์ที่รวมบรรทัดทั้งสองแหล่งใหม่ และรถไฟสถานีอยู่ใน service.3 เรา แล้วเพิ่มเลเยอร์ที่ประกอบด้วย agglomerations มีกว่า 10000 คน และเลือกที่อยู่ภายใน 25 กิโลเมตรสถานีรถไฟ: พื้นที่เก็บกักน้ำ GIS นี้ทำการคำนวณทั้งระยะทางระหว่างสถานีรถไฟต่าง ๆ และจากนั้นให้แอลฟาประชากรที่ใกล้ที่สุด นี้เป็นประโยชน์มากสำหรับการระบุกรณีที่สถานีตั้งอยู่บนชานของ หรือบางระยะ นิวเคลียสของประชากรที่ใกล้ที่สุด สุดท้าย เราเพิ่มที่สอดคล้องกับภูมิภาคซึ่งแต่ละสถานีที่อยู่ชั้นสาม นี้อนุญาตให้เราเชื่อมโยงแต่ละสถานี มี GDP ต่อหัวของพื้นที่ที่มันอยู่ เราใช้ข้อมูลนี้ทั้งหมดเนื่องจากความเกี่ยวข้อง และเนื่องจากมัน corresponded ล่าสุด และสามารถเปรียบเทียบข้อมูล (ปี 2007-2014) ซึ่ง ใช้สำหรับทั้งหมด 174 แหล่งสถานีถือว่าในการศึกษานี้ คำถามต่อไปคือ เราใช้ข้อมูลนี้อย่างไรและชนิดใดความท้าทายที่เราพบ มีข้อมูลที่เกี่ยวข้องกับจำนวนจริงผู้ HST โดย สถานีจะเหมาะสำหรับการตรวจสอบผลการวิจัยของเรา แต่บริษัทรถไฟไม่ให้ชนิดของข้อมูลนี้มีสี่ขั้นตอนก่อนหน้านี้ไปวิธีนี้: (1) การกำหนดข้อมูลที่เกี่ยวข้องกับประชากร (2) ค้นหาสถานีรถไฟกับแอลฟาเมืองของพวกเขาเกี่ยวข้อง (3) คำนวณระยะทางระหว่างสถานี และ (4) กำหนดพารามิเตอร์ GDP ระดับภูมิภาค

ผลลัพธ์ (ไทย) 2:

ส่วนใหญ่ของข้อมูลที่เราได้ใช้ที่มีอยู่จากร่างกายอย่างเป็นทางการและ Google Earth ความแปลกใหม่ที่นี่อยู่ในความจริงที่ว่าฐานข้อมูลที่เราผลิตได้รับการอ้างอิงทางภูมิศาสตร์เพื่อสร้างระบบสารสนเทศภูมิศาสตร์กับชั้นรูปแบบที่แตกต่างกันตามที่เรานั้นใช้ในการวิเคราะห์ชุดข้อมูลทั้งหมด เราเริ่มด้วยการสร้างชั้นที่รวมเส้น HSR ทั้งใหม่และที่สถานีรถไฟในปัจจุบัน service.3 จากนั้นเราจะเพิ่มชั้นที่มี agglomerations ที่มีมากกว่า 10,000 คนที่อาศัยอยู่และเลือกผู้ที่อยู่ใน 25 กิโลเมตรจากสถานีรถไฟที่: พื้นที่เก็บกักน้ำ ระบบสารสนเทศภูมิศาสตร์นี้ทำให้มันเป็นไปได้ในการคำนวณทั้งระยะทางระหว่างสถานีรถไฟที่แตกต่างกันและผู้ที่มาจากพวกเขาไปยังที่ใกล้ที่สุดนิวเคลียสประชากร นี้เป็นประโยชน์อย่างยิ่งสำหรับการระบุกรณีที่สถานีที่ตั้งอยู่ในเขตชานเมืองของหรือที่ห่างจากนิวเคลียสของประชากรที่ใกล้ที่สุด สุดท้ายเราเพิ่มชั้นที่สามที่สอดคล้องกับภูมิภาคซึ่งในแต่ละสถานีที่ตั้งอยู่ นี้ช่วยให้เราสามารถเชื่อมโยงแต่ละสถานีที่มี GDP ต่อหัวของพื้นที่ที่มันเป็น เราใช้ข้อมูลทั้งหมดที่เกิดจากการความเกี่ยวข้องนี้และเพราะมันตรงกับข้อมูลล่าสุดและสามารถเทียบเคียง (2007-2014) ซึ่งมีอยู่ทั้งหมด 174 สถานี HSR พิจารณาในการศึกษาครั้งนี้ คำถามต่อไปคือวิธีการที่เราใช้ข้อมูลนี้และสิ่งที่ประเภทของความท้าทายที่เราพบ มีข้อมูลที่เกี่ยวข้องกับจำนวนที่แท้จริงของผู้ใช้ HST โดยสถานีจะเหมาะสำหรับการตรวจสอบการค้นพบของเรา แต่น่าเสียดายที่ บริษัท รถไฟไม่ให้ชนิดของข้อมูลนี้.
มีสี่ขั้นตอนก่อนหน้านี้วิธีการนี้คือ (1) การกำหนดข้อมูลที่เกี่ยวข้องกับประชากร (2) การตั้งสถานีรถไฟที่เกี่ยวกับนิวเคลียสเมืองที่สอดคล้องกันของพวกเขา (3) การคำนวณระยะทางระหว่างสถานี; และ (4) การกำหนดค่าพารามิเตอร์ของจีดีพีในระดับภูมิภาค

ผลลัพธ์ (ไทย) 3:

ที่สุดของข้อมูลที่เราได้ใช้มีศพอย่างเป็นทางการ และ Google Earth นวัตกรรมนี้อยู่ในความเป็นจริงว่า ฐานข้อมูลที่เราผลิตเป็นทางเพื่อสร้างระบบสารสนเทศภูมิศาสตร์ที่มีธีมที่แตกต่างกันตามชั้น ซึ่งเราก็ใช้วิเคราะห์ข้อมูลได้ทั้งหมด เราเริ่มด้วยการสร้างเลเยอร์ใหม่ที่รวมทั้งเส้น HSR และสถานีรถไฟอยู่ในบริการ3 จากนั้นเราเพิ่มเลเยอร์ที่มี agglomerations กว่า 10 , 000 คน และเลือกผู้ที่อยู่ภายใน 25 กิโลเมตรจากสถานีรถไฟ : พื้นที่ . ระบบสารสนเทศทางภูมิศาสตร์นี้ทำให้สามารถคำนวณหาระยะทางระหว่างสถานีรถไฟทั้งสองแตกต่างกันและนอกจากนี้ยังมีผู้ที่จากไปที่ใกล้ที่สุดของประชากรนี้เป็นประโยชน์อย่างยิ่งสำหรับการระบุกรณี ซึ่งเป็นสถานีที่ตั้งอยู่ในเขตชานเมืองของ หรือ ที่ระยะห่างจากนิวเคลียสของประชากรที่ใกล้ที่สุด สุดท้าย เราได้เพิ่มเป็น 3 ชั้น ตามภูมิภาค ซึ่งในแต่ละสถานีอยู่ นี้อนุญาตให้เราที่จะเชื่อมโยงแต่ละสถานีมี GDP ต่อหัวของพื้นที่ที่มันอยู่เราใช้ข้อมูลทั้งหมดนี้เนื่องจากมีความเกี่ยวข้องและเพราะมันสอดคล้องกับข้อมูลและเทียบเคียงล่าสุด ( 2007 – 2557 ) ซึ่งมีทั้งหมด 174 สถานี HSR พิจารณาในการศึกษานี้ คำถามต่อไปคือวิธีการที่เราใช้ข้อมูลนี้และสิ่งที่ประเภทของความท้าทายที่เราเผชิญ มีข้อมูลที่เกี่ยวข้องกับตัวเลขจริงของผู้ใช้ , HST โดยสถานีจะเหมาะสำหรับการตรวจสอบผลของเรา แต่น่าเสียดายที่การรถไฟ บริษัท ไม่ได้ให้ชนิดของข้อมูล .
มีสี่ขั้นตอนก่อนหน้าเพื่อวิธีการนี้ : ( 1 ) ให้ข้อมูลเกี่ยวกับประชากร ( 2 ) การค้นหาสถานีรถไฟด้วยความเคารพนิวเคลียสที่สอดคล้องกันของพวกเขาในเมือง ; ( 3 ) การคำนวณระยะทางระหว่างสถานี และ ( 4 ) การกำหนดพารามิเตอร์
GDP ของภูมิภาค