Araştırma, Çin'in kıyı kesimindeki Xiamen–Zhangzhou–Quanzhou (XZQ) kentsel yığılmasında bulunan 89 A-share borsaya kote şirketi kullanarak NQPF'nin yapılı çevreyle olan ilişkisini 600 m × 600 m mekânsal gridler üzerinde incelemektedir. Firma düzeyindeki NQPF değerleri 1,5 km bant genişliğine sahip Kernel Density Estimation (KDE) ile sürekli bir mekânsal yüzeye dönüştürülmüş; yapılı çevre değişkenleri ise Recursive Feature Elimination with Cross-Validation (RFE-CV) ve Multiscale Geographically Weighted Regression (MGWR) birleşimiyle analiz edilmiştir.

Çalışmanın temel metodolojik fikri, yapılı çevrenin yenilik odaklı üretkenlikle olan ilişkisinin bütün kentte aynı büyüklükte ve aynı mekânsal ölçekte gerçekleştiğini varsaymamaktır. Ordinary Least Squares (OLS) bütün alan için sabit katsayılar tahmin ederken Geographically Weighted Regression (GWR) katsayıların konuma göre değişmesine izin vermekte fakat bütün değişkenleri tek bant genişliğine zorlamaktadır. MGWR ise her açıklayıcı değişkene kendi optimum mekânsal bant genişliğini atayarak bazı değişkenlerin bölge genelinde, bazılarının ise yalnız belirli yerel alanlarda güçlü ilişkiler göstermesine izin vermektedir.

RFE-CV işlemi iki tamamlayıcı model oluşturmuştur. Yedi değişkenli parsimonious subset, temel mekânsal yapıyı daha az değişkenle açıklamak amacıyla seçilmiş ve beş katlı çapraz doğrulamada Mean CV-R² = 0,342274 elde etmiştir. On dört değişkenli highest-performing subset ise Mean CV-R² = 0,343979 ile özellik seçimi aşamasındaki en yüksek değeri vermiştir. İki model rakip modeller olarak değil, farklı analitik görevleri olan iki katman şeklinde yorumlanmaktadır: yedi değişkenli model temel yapısal omurgayı, on dört değişkenli model ise fonksiyonel, kurumsal ve hizmet değişkenlerinin yerel mekanizmaları nasıl değiştirdiğini açıklamaktadır.

MGWR her iki spesifikasyonda da OLS ve GWR'den daha güçlü in-sample uyum göstermiştir. Yedi değişkenli MGWR modelinde R² = 0,989; on dört değişkenli modelde R² = 0,991'dir. Ancak bu çok yüksek değerler dış örneklem tahmin doğruluğu veya nedensellik kanıtı değildir. Bağımlı değişken şirket noktalarının KDE ile mekânsal olarak yumuşatılmasından oluşmakta, yüzey son derece yüksek mekânsal otokorelasyon göstermekte ve Moran's I = 0,998 olarak raporlanmaktadır. Yazarlar bu nedenle MGWR R² değerlerinin mekânsal olarak yumuşatılmış ve yüksek otokorelasyonlu bir yüzey üzerindeki in-sample açıklama kapasitesi olarak değerlendirilmesini özellikle istemektedir.

Sonuçlar üç ana mekânsal mekanizmayla yorumlanmaktadır: ekolojik uyum, altyapı ve doğal temel koşullarının farklı bölgelerde farklı marjinal karşılıklar göstermesini; yapısal koordinasyon, olgun merkezlerde aşırı yoğunlaşma, fonksiyonel uyumsuzluk ve kalabalıklaşma baskılarının yenilik odaklı üretkenlikle olan ilişkinin yönünü değiştirebilmesini; sınır aktivasyonu ise kentler arası ve yeni kent arayüzlerinin ulaşım, kamu hizmetleri ve kurumsal kaynaklar uygun biçimde yeniden örgütlendiğinde yüksek duyarlılık gösteren alanlara dönüşebilmesini ifade etmektedir.

Bu bulgular nedensel deney sonuçları değildir. Çalışma gözlemsel ve kesitseldir; ters nedensellik, tarihsel gelişim, politika şokları veya ölçülmeyen başka faktörlerin etkisi tamamen dışlanamamaktadır. Ayrıca sonuçlar XZQ bölgesi, incelenen 89 borsaya kote şirket, kullanılan KDE dönüşümü ve mevcut yapılı çevre göstergeleri bağlamında yorumlanmalıdır.

Araştırma hangi sorunu çözmeye çalışıyor?

Kentlerde yenilikçi firmalar, nitelikli iş gücü, ulaşım ağları, araştırma kurumları, finansal hizmetler ve gelişmiş kamu hizmetleri mekânsal olarak eşit dağılmaz. Bir şehir merkezinde çok güçlü görünen bir yapılaşma veya hizmet yoğunluğu, başka bir bölgede aynı sonucu vermeyebilir. Üstelik aynı faktörün etkisinin hangi coğrafi ölçekte ortaya çıktığı da değişebilir. Bir yol ağı bağlantısının bölgesel önemi olabilirken, eğitim tesisi veya yapı yoğunluğu gibi başka bir değişken yalnız belirli mahallelerde farklı davranabilir.

Bu nedenle araştırmanın problemi yalnız “hangi yapılı çevre faktörü önemlidir?” sorusu değildir. Asıl sorular şunlardır: Hangi faktör önemlidir, nerede önemlidir, ilişkinin yönü nerede değişmektedir ve her faktör hangi mekânsal ölçekte çalışmaktadır?

Yazarlar bu problemi ekonomik coğrafya, kurumsal iktisat, inovasyon sistemleri ve mekânsal heterojenlik literatürünü birleştirerek ele almaktadır. Teorik çerçeve üç mekanizma üzerinde kuruludur:

• Ekolojik uyum: Doğal temel, altyapı ve erişilebilirlik koşullarının yenilik odaklı üretkenliğe ilişkin mekânsal fırsat ve kısıtları farklı ölçeklerde şekillendirmesi.
• Yapısal koordinasyon: Sanayi, hizmet, kurumsal kaynak ve kent yapısının birbirine uyumlu veya uyumsuz olmasının üretkenlik ilişkilerini değiştirmesi.
• Sınır aktivasyonu: Geleneksel kent merkezleri dışındaki yeni kent, kıyı koridoru ve idari sınır arayüzlerinin ulaşım, kamu hizmeti ve kurumsal bağlantılarla daha güçlü yenilik alanlarına dönüşebilmesi.

NQPF Bu Çalışmada Tam Olarak Neyi Ölçüyor?

NQPF, bu makalede doğrudan gözlenen tek bir ekonomik çıktı değildir; 89 A-share şirketin araştırma-geliştirme insan kaynağı, sabit ve maddi varlık yapısı, Ar-Ge'ye ayrılan fiziksel ve doğrudan girdiler, maddi olmayan varlıklar ve operasyonel verimlilik gibi 11 göstergesinin Entropi Ağırlık Yöntemiyle birleştirilmesinden elde edilen firma düzeyinde bileşik bir endekstir. Bu nedenle makaledeki “NQPF” değerleri patent sayısı, toplam satış veya tek başına iş gücü verimliliğiyle özdeş değildir.

Firma düzeyindeki 11 NQPF göstergesi

Kaynak tablodaki ağırlıkların toplamı 100'dür. Bununla birlikte bu çalışma NQPF kavramını bu 11 göstergelik operasyonel tanımla ölçmektedir; farklı bir araştırmadaki NQPF ölçüm sisteminin aynı olmak zorunda olduğu sonucu çıkarılmamalıdır.

Denklem (1): Entropi Ağırlık Yönteminde gösterge ağırlığı

\[ w_j=\frac{1-e_j}{\sum_{j=1}^{11}(1-e_j)} \]

Formül neyi hesaplıyor? \(j\) numaralı göstergenin bileşik NQPF endeksi içindeki objektif ağırlığını hesaplamaktadır.

Değişkenler: \(w_j\), \(j\)'inci göstergenin ağırlığıdır. \(e_j\), aynı göstergenin bilgi entropisidir. Paydaki \(1-e_j\), göstergenin bilgi farklılaştırma kapasitesini temsil eden terimdir. Payda, 11 göstergenin tümündeki \(1-e_j\) değerlerinin toplamıdır ve ağırlıkları ortak ölçekte normalize eder.

Yorum: Denklem, bilgi entropisi daha düşük ve örnekleri daha fazla ayırt eden göstergenin bileşik endekste daha büyük ağırlık almasına izin verir. Ancak kaynak \(e_j\)'nin hesaplanmasına ilişkin ayrı entropi denklemini bu yöntem bölümünde vermemektedir; Verianla kaynakta bulunmayan ilave bir entropi formülü eklememektedir.

Denklem (2): Firma düzeyindeki NQPF endeksi

\[ NQPF_i=\sum_{j=1}^{11} w_j P_{ij} \]

\(NQPF_i\), \(i\) numaralı şirketin bileşik NQPF değeridir. \(w_j\), Denklem (1)'den elde edilen gösterge ağırlığıdır. \(P_{ij}\), \(i\) firmasının \(j\) göstergesindeki standardize edilmiş değeridir. Matematiksel olarak her standardize gösterge kendi ağırlığıyla çarpılır ve 11 bileşen toplanır.

Bu nedenle firma düzeyindeki NQPF değeri tek bir finansal oran değil, birden fazla boyutu bir araya getiren ağırlıklı bileşik skordur.

Firma noktaları neden KDE ile sürekli yüzeye dönüştürülüyor?

89 şirket mekânda tek tek noktalardır. Yapılı çevre verileri ise 600 m × 600 m gridler üzerinde temsil edilmektedir. Doğrudan yalnız şirket bulunan gridleri kullanmak, çok sayıda sıfır değerli hücre ve parçalı bir bağımlı değişken oluşturabilir. Çalışma bu nedenle şirket NQPF değerlerini mekâna yayılmış sürekli bir yoğunluk yüzeyine dönüştürür.

Denklem (3): Kernel Density Estimation

\[ f_h(x)=\frac{1}{nh}\sum_{i=1}^{n}K\left(\frac{x-x_i}{h}\right) \]

Kaynak sadakati notu: Denklem (3) yayımlanan PDF'de yukarıdaki gibi \(1/(nh)\) biçiminde yazılmıştır. Verianla formülü standart bir iki boyutlu KDE ifadesine çevirmek amacıyla paydada \(h^2\) gibi kaynakta bulunmayan bir değişiklik yapmamıştır.

\(f_h(x)\), hedef \(x\) konumundaki tahmin edilmiş kernel yoğunluğudur. \(K(\cdot)\), kernel fonksiyonudur. \(h\), bant genişliğidir ve çalışmada 1,5 km olarak sabitlenmiştir. \(n\), şirket gözlemlerinin toplam sayısını ifade eder; çalışmanın firma örneklemi 89'dur. \(x_i\), \(i\)'inci şirketin konumunu temsil eder.

Bant genişliği, tek bir şirket noktasının mekânsal etkisinin ne kadar geniş bir çevreye yayıldığını belirleyen temel parametredir. Çok küçük bir bant genişliği yüzeyi aşırı parçalı hale getirebilir; büyük bant genişliği ise yerel farklılıkları aşırı yumuşatabilir. Yazarlar 1,5 km değerini yerel yayılımı temsil etme ile aşırı parçalanmayı sınırlama arasında bir denge olarak seçtiklerini, fakat gelecek çalışmalarda farklı KDE bant genişlikleri için duyarlılık analizi yapılması gerektiğini belirtmektedir.

KDE yüzeyinden her 600 m × 600 m grid hücresinin merkezindeki değer alınarak sonraki regresyon modellerinin sürekli bağımlı değişkeni oluşturulur.

Denklem (4): Global Moran's I

\[ I= \frac{n}{S_0} \frac{ \sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}Z_iZ_j }{ \sum_{i=1}^{n}Z_i^2 } \]

\(n\), mekânsal birim sayısıdır. \(w_{ij}\), \(i\) ve \(j\) mekânsal birimleri arasındaki mekânsal ağırlıktır. \(Z_i\) ve \(Z_j\), ilgili birimlerin NQPF değerlerinin ortalamadan sapmalarıdır. \(S_0\), bütün mekânsal ağırlıkların toplamıdır.

Moran's I pozitif olduğunda benzer değerlere sahip mekânsal birimlerin birbirine yakın kümelenme eğilimi gösterdiği anlaşılır. Çalışmada Moran's I = 0,998 ve p = 0 olarak raporlanmıştır. Yazarlar bu çok yüksek otokorelasyonun bir kısmının KDE dönüşümünün yarattığı mekânsal süreklilikten kaynaklandığını açıkça belirtmektedir.

Moran's I sonucunun bilimsel rolü önemlidir: bağımlı değişkenin güçlü biçimde mekânsal kümelenme göstermesi, bütün alan için tek sabit katsayı varsayan yalnız OLS modelinin yeterli olmayabileceğine dair temel gerekçeyi oluşturmaktadır.

Çalışma alanı ve mekânsal çözünürlük

Çalışma Çin'in güneydoğu kıyısındaki Min-nan, yani Güney Fujian bölgesinde yer alan Xiamen, Zhangzhou ve Quanzhou şehirlerinden oluşan XZQ kentsel yığılmasını incelemektedir.

Temel analiz birimi 600 m × 600 m grid hücresidir. Yazarlar bu çözünürlüğün yaklaşık mahalle ölçeğinde yerel heterojenliği gösterebildiğini, aynı zamanda çok daha küçük gridlerde oluşabilecek yoğun sıfır değer sorununu azaltmaya yardımcı olduğunu belirtmektedir.

Firma düzeyindeki 89 NQPF değeri bu grid sistemine KDE yoluyla taşınmakta ve yapılı çevre göstergeleri de aynı koordinat sistemi ve aynı referans grid üzerinde hizalanmaktadır. Böylece bağımlı ve açıklayıcı değişkenlerin mekânsal birimleri ortak hale getirilmektedir.

Yapılı çevre aday değişkenleri

Makalenin metni 27 aday değişkenden söz etmektedir. Ancak yayımlanan Tablo 1 görünür olarak aşağıdaki X1–X26 değişkenlerini listelemektedir:

Kaynak içi tutarsızlık: Metin 27 aday değişken bulunduğunu söylerken Tablo 1 X1–X26'yı göstermektedir. Makalenin mekânsal dağılım açıklamasında ayrıca “census population (X27)” ifadesi kullanılır. Yöntem kısmında population density (POP) değişkeninin ciddi içsellik ve makro-kolineerlik nedeniyle VIF taramasından önce çıkarıldığı belirtilmektedir. Kaynak yayımlanan Tablo 1'de eksik görünen satırı açık biçimde vermediği için Verianla X27 ile POP'un aynı tanım olduğunu kesin bir bilimsel gerçek olarak tamamlamamaktadır.

Farklı çözünürlükteki veriler nasıl ortak hale getirildi?

Kaynaklar bina verileri, yol ve POI verileri, NASA arazi verileri, NDVI rasterları ve diğer çok kaynaklı mekânsal veri setlerinden oluşmaktadır. Bunların ham çözünürlükleri aynı değildir.

Çalışmada bütün veri setleri ortak koordinat sistemine projekte edilerek standart 600 m × 600 m gridle geometrik olarak hizalanmıştır. Nokta ve çizgi verileri grid hücrelerinde sayı veya yoğunluk olarak toplanmış; sürekli rasterlarda ise grid hücresi içindeki ortalama piksel değerlerini elde etmek için zonal statistics kullanılmıştır.

Son aşamada bütün toplulaştırılmış açıklayıcı değişkenler model tahmininden önce Z-score standardizasyonuna tabi tutulmuştur. Bunun amacı farklı ölçü birimlerine sahip göstergeleri karşılaştırılabilir regresyon ölçeğine taşımaktır.

VIF taraması neden yapıldı?

Çok sayıda yapılı çevre değişkeninin birbirine güçlü biçimde bağlı olması regresyon katsayılarını kararsızlaştırabilir. Bu nedenle ilk OLS tanı modelinde Variance Inflation Factor (VIF) kullanılmıştır.

Yazarlar klasik 10 eşiğinden daha katı bir eşik kullanarak VIF < 7,5 koşulunu uygulamıştır. Yüksek VIF'li değişkenler ardışık biçimde çıkarılmıştır. Population density ise VIF sürecinden önce ciddi içsellik ve makro-kolineerlik gerekçesiyle çıkarılmıştır.

Ek Tablo A2 ilk taramada bazı değişkenlerin son derece yüksek VIF değerlerine ulaştığını göstermektedir: örneğin X6 POI density için 522,593; X19 shopping services için 74,109; X18 catering services için 22,832; X20 life services için 22,829; X17 residential area için 11,825 ve X11 enterprise density için 9,577 raporlanmıştır. Ardışık eleme sonrasında 18 değişken VIF < 7,5 koşuluyla ana OLS modelinde tutulmuştur.

RFE-CV nasıl çalışıyor?

VIF sonrasında kalan değişkenlerin tamamını MGWR'ye doğrudan vermek yerine çalışma Recursive Feature Elimination with Cross-Validation kullanmaktadır. RFE, bir temel regresyon tahmincisi kurar, standartlaştırılmış katsayı büyüklüğüne göre en az bilgi taşıdığı düşünülen değişkeni çıkarır ve yeni değişken kümesini yeniden değerlendirir.

Her değişken kümesi beş katlı çapraz doğrulama ile test edilir. Böylece yalnız bütün veri üzerindeki uyuma değil, doğrulama katlarındaki performansa göre özellik seçimi yapılır.

Denklem (5): Ortalama çapraz doğrulama R² değeri

\[ Mean\ CV-R^2(S^{(t)}) = \frac{1}{K} \sum_{k=1}^{K} R^2_{test,k}(S^{(t)}) \]

\(K=5\), doğrulama katı sayısıdır. \(S^{(t)}\), RFE sürecinin \(t\)'inci iterasyonunda elde tutulan özellik kümesidir. \(R^2_{test,k}\), bu özellik kümesinin \(k\)'inci doğrulama katındaki test R² değeridir.

Formül beş doğrulama sonucunu toplayıp beşe bölerek o özellik kümesinin ortalama dış-kat performansını verir. Bu değer daha sonra farklı büyüklükteki özellik kümelerini karşılaştırmak için kullanılır.

Performans ilk değişkenlerin eklenmesiyle hızlı yükselmekte, yedi değişken civarında artış belirgin biçimde yataylaşmaktadır. Yedi değişkenli küme mutlak maksimum değildir; daha az boyutla 0,342274 değerini verdiği için yorumlanabilir ve parsimonious model olarak seçilmiştir. On dört değişkenli küme 0,343979 ile RFE-CV yolundaki en yüksek sonucu verdiği için highest-performing subset olarak seçilmiştir.

Buradaki yaklaşık 0,34 düzeyindeki çapraz doğrulamalı R² ile ileride MGWR'de elde edilen 0,989–0,991 in-sample R² aynı değerlendirme düzeninin aynı metriği değildir. Birincisi özellik seçiminin beş doğrulama katındaki performans ölçüsüdür; ikincisi KDE ile yumuşatılmış mekânsal yüzey üzerinde yerel katsayılı MGWR uyumudur. Bu iki sayı birbirinin yerine kullanılamaz.

MGWR'nin GWR'den Temel Farkı Nedir?

GWR bütün açıklayıcı değişkenlerin mekânsal ilişkisinin tek ortak bant genişliğinde değiştiğini varsayarken MGWR her değişkene ayrı bir optimum bant genişliği atar; böylece örneğin kavşak yoğunluğunun bölge genelinde istikrarlı, bina yoğunluğunun ise yalnız belirli yerel alanlarda değişken davranması aynı model içinde temsil edilebilir.

Denklem (6): Ordinary Least Squares

\[ y_i=\beta_0+\sum_k\beta_kx_{ik}+\epsilon_i \]

\(y_i\), \(i\) mekânsal birimindeki NQPF bağımlı değişkenidir. \(x_{ik}\), aynı mekânsal birimdeki \(k\)'inci yapılı çevre değişkenidir. \(\beta_0\) sabit terim, \(\beta_k\) bütün çalışma alanı için tek bir global katsayı ve \(\epsilon_i\) hata terimidir.

OLS'nin kritik varsayımı bu bağlamda katsayının coğrafi konuma göre değişmemesidir. Örneğin X3 kavşak yoğunluğu için bir \(\beta_3\) tahmin edilir ve bu katsayı Xiamen, Zhangzhou veya Quanzhou'nun bütün gridlerinde aynı kabul edilir.

Denklem (7): Geographically Weighted Regression

\[ y_i= \beta_0(u_i,v_i) + \sum_k \beta_k(u_i,v_i)x_{ik} + \epsilon_i \]

\((u_i,v_i)\), \(i\) mekânsal biriminin coğrafi konumudur. GWR'de katsayılar artık konuma bağlıdır. Dolayısıyla aynı X3 değişkeni farklı gridlerde farklı katsayı alabilir.

Bununla birlikte standart GWR bütün değişkenler için tek ortak optimum bant genişliği kullanır. Bu, her kentsel mekanizmanın aynı mekânsal ölçekte çalıştığını varsaymak anlamına gelir.

Denklem (8): Multiscale Geographically Weighted Regression

\[ y_i= \beta_{bw0}(u_i,v_i) + \sum_k \beta_{bw_k}(u_i,v_i)x_{ik} + \epsilon_i \]

MGWR'deki temel değişiklik \(bw_k\)'dir. Her \(k\) değişkeni kendi optimum bant genişliğine sahip olabilir. Böylece bir değişken geniş bir coğrafyada benzer ilişki gösterirken başka bir değişken çok daha lokal bir süreç olarak modellenebilir.

Kaynak, büyük adaptif bant genişliklerini — örneğin 864 — örneklem kapsamına yaklaşan quasi-global ilişkilerin göstergesi olarak; 43 veya 44 gibi küçük bant genişliklerini ise daha yerel ve bağlama bağlı mekanizmaların göstergesi olarak yorumlamaktadır.

Model değerlendirme metrikleri ne anlatıyor?

• RSS — Residual Sum of Squares: Model tahminleriyle gözlenen bağımlı değişken arasındaki artık hataların toplam büyüklüğünü değerlendirir. Aynı veri ve karşılaştırma düzeninde daha düşük değer daha güçlü uyuma işaret eder.
• AIC ve AICc: Model uyumu ile karmaşıklığı birlikte değerlendiren bilgi kriterleridir. AICc küçük örneklem/etkin parametre etkisi için düzeltilmiş biçimdir. Aynı karşılaştırmada daha düşük değer tercih edilir.
• R²: Modelin bağımlı değişkendeki varyasyonun ne kadarını aynı veri üzerinde açıkladığını gösterir.
• Adjusted R²: Ek değişken veya model karmaşıklığının R²'yi mekanik biçimde yükseltmesini kısmen cezalandıran düzeltilmiş ölçüdür.
• ENP — Effective Number of Parameters: OLS'de gerçek tahmin edilen parametre sayısını, GWR/MGWR'de ise mekânsal ağırlıklandırma altında etkin model karmaşıklığını temsil eder.

NQPF'nin ilk mekânsal dağılımı

KDE sonucunda NQPF yüzeyi tek merkezli değildir. Kaynak bunu “Xiamen çekirdeği – Quanzhou ikincil merkezi – Zhangzhou zayıf yığılması” biçiminde tanımlanan parçalı ve çok merkezli bir yapı olarak raporlamaktadır.

En yüksek yoğunluklar Xiamen'deki Siming ve Huli bölgelerinde görülmektedir. Quanzhou'da Licheng, Fengze ve Jinjiang ikincil kümeler oluşturur. Zhangzhou'da Xiangcheng, Longwen ve Longhai daha zayıf yığılmalar göstermekte ve yazarlar bunları Xiamen'den gelen yayılım etkileriyle ilişkilendirmektedir. Güney ve batı Zhangzhou ile Quanzhou'nun dağlık batı kesimlerinde KDE değerleri belirgin biçimde düşüktür.

Bu mekânsal açıklama kaynak haritalarına dayanmaktadır. Haritalardaki sınırlar, idari geometri ve onaylı kartografik katmanlar yaklaşık şekilde yeniden çizilmemiştir.

Çalışmanın Yöntemi ve Bulguları

OLS ön tanı sonuçları

Moran's I analizinin ardından yapılı çevre değişkenleri için OLS ön tanı modeli kurulmuştur. VIF elemesinden sonra 18 değişken tutulmuştur.

Kaynakta *** p < 0,01, ** p < 0,05 ve * p < 0,1 anlamına gelmektedir.

OLS düzeyinde yapı yoğunluğu, kavşak yoğunluğu, arazi kullanım karması, bitki örtüsü ve eğitim tesisleri NQPF ile pozitif; ortalama bina yüksekliği, yükselti, finansal hizmetler ve leisure services negatif yönde anlamlı ilişki göstermektedir. Ancak yazarlar bu global OLS katsayılarının mekânda her yerde aynı çalışan mekanizmalar olarak yorumlanmaması gerektiğini özellikle belirtmektedir. OLS burada daha çok mekânsal olarak değişen modellere geçiş için global bir başlangıç karşılaştırmasıdır.

OLS, GWR ve MGWR model uyum karşılaştırması

OLS en yüksek RSS ve en düşük R² değerlerini vermektedir. GWR, katsayıların mekânda değişmesine izin verdiğinde model uyumu büyük ölçüde iyileşmektedir. Fakat 7 değişkenden 14 değişkene geçildiğinde GWR'nin R² değeri 0,877'den 0,873'e hafifçe gerilemekte, AICc de 5230,5'ten 5315,8'e yükselmektedir. Kaynak bunu daha karmaşık açıklayıcı sistemde bütün değişkenlere tek ortak mekânsal ölçek dayatılmasının yetersiz kalabileceği şeklinde yorumlamaktadır.

MGWR ise iki alt kümede de en düşük RSS/AICc ve en yüksek R² değerlerini vermektedir. On dört değişkenli MGWR, bu çalışmanın kendi veri ve modelleme koşulları altında genel olarak en güçlü in-sample uyumu göstermektedir.

MGWR'deki R² = 0,991 Neden “%99,1 Tahmin Doğruluğu” Demek Değildir?

Çünkü 0,991 değeri bağımsız test setindeki tahmin doğruluğu değil, KDE ile mekânsal olarak yumuşatılmış ve Moran's I = 0,998 düzeyinde çok güçlü otokorelasyon taşıyan NQPF yüzeyine MGWR'nin aynı örneklem içindeki uyumunu gösteren R²'dir; yazarlar bunu açıkça dış örneklem öngörü başarısı veya nedensel tanımlama olarak yorumlamamaktadır.

Kaynak yüksek MGWR R² değerlerinin üç temel nedenle dikkatle yorumlanmasını ister:

1. Bağımlı değişken ham şirket sonucu değildir; KDE ile oluşturulmuş sürekli ve mekânsal olarak yumuşatılmış NQPF yüzeyidir.
2. Moran's I = 0,998 olduğundan bağımlı değişken son derece güçlü mekânsal otokorelasyona sahiptir.
3. MGWR her konum için yerel katsayılar ve her değişken için farklı mekânsal bant genişlikleri tahmin ederek düzgün fakat mekânsal olarak durağan olmayan ilişkileri global modellere göre daha esnek biçimde uydurur.

Bu nedenle model yalnız R² ile değil; AICc, RSS, ENP, bant genişlikleri ve yerel katsayı örüntüleri birlikte değerlendirilmiştir.

Yedi değişkenli parsimonious MGWR modeli

Yedi değişkenli model şu değişkenlerden oluşmaktadır:

• X1 yapı yoğunluğu
• X2 ortalama bina yüksekliği
• X3 kavşak yoğunluğu
• X7 yükselti
• X10 bitki örtüsü kapsamı
• X23 eğitim tesisleri
• X25 sağlık hizmetleri

Bu modelde X3 kavşak yoğunluğu ve X25 sağlık hizmetleri bütün yerel katsayılarda pozitif olup 864 bant genişliğine sahiptir. Kaynak bu iki değişkeni örneklem içinde near-global ölçekte nispeten istikrarlı temel koşullar olarak yorumlamaktadır.

X1, X2, X7, X10 ve X23 ise çok daha küçük bant genişliklerine ve hem pozitif hem negatif yerel katsayılara sahiptir. Bu nedenle bunlar bütün bölge için aynı yönlü evrensel sürücüler değildir.

Yedi değişkenli modelde mekânsal desenler

İç kesimdeki Yongchun–Dehua sınırı çevresinde kavşak yoğunluğunun pozitif katsayıları özellikle güçlüdür. Yazarların yorumu, başlangıç erişilebilirliğinin daha düşük olduğu alanlarda yol bağlantısındaki iyileşmenin faktör hareketliliği ve işlem maliyetleri açısından daha yüksek marjinal karşılık gösterebilmesidir.

Xiamen ve Zhangzhou'nun olgun merkezlerinde ise yapı yoğunluğunun bazı güçlü negatif katsayıları ortaya çıkmaktadır. Özellikle Siming'in güneybatı eski kent çekirdeğinde yapı yoğunluğu olumsuz yönde belirginleşirken sağlık hizmetleri Xiamen Adası, merkezi Zhangzhou ve doğu Quanzhou kıyılarında güçlü pozitif ilişkiler göstermektedir.

Bu sonuç “yüksek yoğunluk kötüdür” şeklinde evrensel bir hüküm değildir. Kaynağın yorumu, çok olgun merkezlerde arazi baskısı, tıkanıklık ve fonksiyonel doygunluk arttığında ilave fiziksel yoğunluğun eskisi kadar üretkenlik avantajı sağlamayabileceği; yüksek düzeyli hizmetlerin ise yetenek tutma, işgücü eşleşmesi ve yaşam kalitesiyle tamamlayıcı olabileceğidir.

On dört değişkenli highest-performing MGWR modeli

On dört değişkenli model, yedi değişkenlik çekirdeği koruyup arazi kullanım karması, nehir ağı yoğunluğu, kamu kurumları, finansal hizmetler, konaklama, toplu taşıma istasyonları ve leisure services gibi fonksiyonel/kurumsal değişkenleri eklemektedir.

Bu genişletilmiş modelde X3 kavşak yoğunluğu, X14 finansal hizmetler, X22 toplu taşıma istasyonları ve X26 leisure services bütün gridlerde pozitif yerel katsayılara ve 864 bant genişliğine sahiptir. Bunlar kaynak tarafından on dört değişkenli spesifikasyonda quasi-global ilişkiler olarak yorumlanmaktadır.

X13 kamu kurumlarının katsayıları gridlerin %84,05'inde pozitiftir. Buna karşılık arazi kullanım karması, nehir ağı, konaklama, eğitim ve sağlık gibi değişkenlerde işaret değişimleri belirgindir.

Sağlık değişkeninin iki model arasında değişmesi neden önemli?

Yedi değişkenli modelde X25 healthcare ortalama katsayısı 0,112, pozitif katsayı payı %100 ve bant genişliği 864'tür. On dört değişkenli modelde ortalama katsayı −0,135'e, pozitif pay %34,10'a ve bant genişliği 44'e dönüşmektedir.

Yazarlar bunu “sağlık hizmetleri aslında zararlıdır” biçiminde yorumlamamaktadır. Parsimonious modelde healthcare değişkeninin kent merkeziliği, hizmet bütünlüğü veya genel amenity kalitesi gibi daha geniş özelliklerin bir bölümünü proxy olarak taşıyabileceği; finans, toplu taşıma, leisure, kamu kurumu ve arazi kullanım karması modele eklendiğinde bu ortak açıklayıcı gücün ayrıştırıldığı ileri sürülmektedir.

Dolayısıyla geniş modeldeki X25 katsayısı daha zengin fonksiyonel bağlam koşullu net yerel ilişkiye yaklaşmaktadır. Aynı mantık eğitim tesisleri ve bitki örtüsü katsayılarındaki değişimler için de kullanılmaktadır.

Bant genişlikleri ne gösteriyor?

Bu tablo, neden MGWR'nin yalnız “her yerde farklı katsayı” modeli olmadığını gösterir. Model aynı zamanda her değişkenin hangi mekânsal ölçekte değiştiğini tahmin etmektedir.

Birinci mekanizma: ekolojik uyum

Çalışmada doğal çevre değişkenlerinin etkisi tek yönlü değildir. Yükselti, nehir ağı ve bitki örtüsü gibi değişkenler çok küçük veya orta bant genişliklerine sahip olmakta ve katsayı işaretleri konuma göre değişebilmektedir.

Özellikle kuzey iç Quanzhou'daki Yongchun–Dehua sınırı çevresinde kavşak yoğunluğunun marjinal pozitif ilişkisi daha kuvvetlidir. Yazarlar bunu temel erişilebilirliği zayıf olan bölgelerde bağlantı geliştirmelerinin faktör hareketliliği ve işlem maliyetlerinde daha büyük karşılık gösterebilmesiyle ilişkilendirmektedir.

Ancak bu sonuç, “daha fazla yol her yerde NQPF'yi artırır” şeklinde nedensel bir politika kanıtı değildir. Katsayıların yüksek olduğu alanlar çalışma modelindeki mekânsal ilişki örüntüleridir.

İkinci mekanizma: yapısal koordinasyon ve olgun merkezlerde kalabalıklaşma

Siming'in olgun kent merkezi ile Quanzhou'daki Licheng–Fengze çekirdeğinde yapı yoğunluğu, arazi kullanım karması ve bazı kamu hizmeti değişkenleri yer yer negatif katsayılara dönüşmektedir.

Kaynak bunu basitçe “yoğunluk kötüdür” diye açıklamaz. Daha gelişmiş bir kent çekirdeğinde arazi fiyatları, ulaşım sürtünmesi, fonksiyonel örtüşme, hizmet rekabeti ve mekânsal doygunluk arttığında ek bir tesis veya ek yapı yoğunluğunun net yerel katkısı zayıflayabilir.

Buna karşılık gelişme aşaması devam eden Zhangzhou çekirdeğinde finans, toplu taşıma ve leisure services için güçlü pozitif katsayı bölgeleri örtüşmektedir. Yazarlar bunu farklı gelişme aşamalarındaki kentlerin aynı hizmet birikimine aynı şekilde yanıt vermediğini gösteren bir asimetri olarak yorumlamaktadır.

Üçüncü mekanizma: sınır aktivasyonu

Çalışmanın en belirgin sonuçlarından biri, yenilik odaklı üretkenliğin yalnız geleneksel merkezlerde yoğunlaşmak zorunda olmadığını göstermesidir.

Longhai'nin Siming'e bakan kıyı şeridi, Jimei–Tong'an sınırı ve Hui'an–Fengze arayüzü gibi alanlar bazı model katsayılarında yüksek duyarlılık göstermektedir. Burada kamu kurumları, sağlık hizmetleri, ulaşım ve diğer işlevler yalnız merkezden pasif biçimde taşan etkiler olarak değil, sınır bölgelerindeki fonksiyonların yeniden örgütlenmesinin parçaları olarak ele alınmaktadır.

“Sınır aktivasyonu” bu nedenle basit kent dışına yayılma değildir. Yazarların çerçevesinde idari, ulaşım ve hizmet kaynaklarının arayüz alanlarında yeniden birleşmesi söz konusudur.

İki model neden birlikte okunmalı?

Yedi değişkenli model “hangi temel faktörler yapısal omurgayı oluşturuyor?” sorusuna daha yakın cevap verir. On dört değişkenli model ise “bu faktörlerin ilişkisi farklı fonksiyonlar ve gelişme aşamaları eklendiğinde nerede ve nasıl yeniden düzenleniyor?” sorusunu açar.

Bu nedenle bir değişkenin iki model arasında katsayı değiştirmesi otomatik olarak çelişki değildir. Değişkenin önceki modelde başka kent özellikleri için proxy işlevi görmesi, genişletilmiş modelde bu ortak açıklama gücünün finans, ulaşım, kurumsal kaynak veya hizmet değişkenleri arasında ayrışması mümkündür. Kaynak özellikle healthcare, eğitim ve bitki örtüsü örneklerinde bu yorumu kullanmaktadır.

Çalışmanın desteklediği bulgular

• NQPF'nin KDE yüzeyi XZQ bölgesinde çok güçlü mekânsal kümelenme göstermektedir; Moran's I 0,998 olarak raporlanmıştır.
• OLS'nin global sabit katsayı modeli, GWR ve özellikle MGWR'ye göre daha düşük in-sample uyum göstermektedir.
• Yedi değişkenli parsimonious model, düşük boyutla temel yapısal faktörleri ayırmak için kullanılabilir.
• On dört değişkenli model RFE-CV aşamasında en yüksek Mean CV-R² değerini, MGWR aşamasında da en güçlü genel in-sample model uyumunu vermiştir.
• Kavşak yoğunluğu iki MGWR modelinde de 864 bant genişliği ve tamamen pozitif yerel katsayılarla istikrarlı near-global değişken olarak görünmektedir.
• Sağlık, eğitim, bitki örtüsü, arazi kullanım karması ve başka bazı değişkenlerin katsayıları modele ve konuma göre işaret değiştirebilmektedir.
• Olgun kent merkezleri, büyüyen merkezler, sınır bölgeleri ve iç ekolojik alanlar aynı yapılı çevre faktörlerine aynı biçimde yanıt vermemektedir.

Çalışmanın desteklemediği sonuçlar

• Yapılı çevre değişkenlerinin NQPF'deki değişiklikleri nedensel olarak yarattığı kanıtlanmamıştır.
• MGWR R² = 0,991 değeri %99,1 gerçek dünya tahmin doğruluğu anlamına gelmez.
• XZQ'da bulunan katsayıların başka ülkelerde veya kentlerde aynı olacağı gösterilmemiştir.
• Bir değişkenin belirli bölgede negatif katsayıya sahip olması o hizmetin veya yapının genel olarak “zararlı” olduğunu kanıtlamaz.
• 864 bant genişliğine sahip pozitif ilişki deneysel bir müdahalenin bütün bölgede aynı sonucu vereceğini kanıtlamaz.
• KDE ile elde edilen sürekli NQPF yüzeyi, 600 m gridlerde doğrudan gözlenen şirket üretkenliği değildir; firma noktalarından üretilmiş mekânsal yayılım yüzeyidir.

Çalışmanın temel sınırlılıkları

Nedensellik: Araştırma gözlemsel ve kesitseldir. Yapılı çevre değişkenlerinin üretkenliği yönlendirdiği varsayılsa da ters nedensellik veya politika şokları, tarihsel gelişmeler ve başka gözlenmemiş karıştırıcılar dışlanamamaktadır.

Veri proxy'leri: Kamu hizmeti ve POI tabanlı göstergeler gerçek erişilebilirlik, hizmet kalitesi veya kapasitedeki daha ince farkları tam olarak temsil etmeyebilir.

Yerel katsayı belirsizliği: MGWR çok sayıda yerel katsayı üretmektedir. Yazarlar multiple testing ve yerel katsayı belirsizliği sorununu kabul etmektedir. Çalışma daha sağlam örüntülere odaklanmış; gelecekte inferential correction veya Bayesian spatial modeling önerilmiştir.

KDE bant genişliği: 1,5 km bant genişliği sabit seçilmiştir. Yazarlar alternatif KDE bant genişliklerinin gelecekte duyarlılık analiziyle sınanması gerektiğini belirtmektedir.

Genellenebilirlik: Çekirdek–sınır–ekoloji tipolojisinin başka şehir bölgeleri veya ülkelerde tekrarlanması gerekmektedir.

Zamansal boyut: Kesitsel yapı değişkenlerin zaman içindeki dönüşümünü ve dinamik nedenselliği doğrudan göstermez. Yazarlar gelecekte longitudinal veri, quasi-experimental tasarımlar, difference-in-differences, mekânsal panel ve spatio-temporal modeller önermektedir.

Dış örneklem doğrulaması: Çok yüksek MGWR R² değerlerine rağmen bağımsız doğrulama örneklemleri ve spatial cross-validation ile tahmin sağlamlığının ayrıca değerlendirilmesi gerekmektedir.

Gelecek çalışmalar için önerilen yönler

Kaynak; yeni otoyol açılışları gibi olaylarda difference-in-differences tasarımlarının kullanılması, şehirler arası ağlar ve işgücü akışları gibi yeni değişkenlerin eklenmesi, MGWR'nin istatistiksel ölçeklerinin operasyonel kent ölçekleriyle daha açık ilişkilendirilmesi, farklı kent bölgelerinde dış doğrulama yapılması, MGWR'nin makine öğrenmesiyle birleştirilmesi, spatio-temporal model kurulması, alternatif KDE bant genişliklerinin test edilmesi ve bağımsız doğrulama örneklerinin kullanılmasını gelecek araştırma alanları olarak göstermektedir.

Kaynak ve Yöntem Notu

Özgün başlık: Modeling the Built Environment’s Role in Shaping Innovation-Oriented Productivity Through a Spatially Heterogeneous Lens

Yazarlar: Yan Gu; Yifei Hou; Yudie Zhang; Ruoxi Zhang; Lemin Zhang.

Corresponding authors: Yan Gu ve Ruoxi Zhang.

Eş katkı: Kaynakta eş birinci yazar/eş katkı işareti raporlanmamaktadır.

Kurum 1: The Environmental Sustainability Research Centre (ESRC), Fuzhou University, Xiamen 361000, China.

Kurum 2: School of Architecture and Civil Engineering, Xiamen University, Xiamen 361005, China.

Dergi: Urban Science.

Yayınevi: MDPI, Basel, Switzerland.

Cilt / sayı / makale: Volume 10, Issue 7, Article 402.

DOI: 10.3390/urbansci10070402.

Resmî bağlantı: https://doi.org/10.3390/urbansci10070402

Gönderim: 11 Ocak 2026.

Revizyon: 11 Mayıs 2026.

Kabul: 4 Haziran 2026.

Yayın: 10 Temmuz 2026.

Kaynak türü: Article; gözlemsel, kesitsel, mekânsal ekonometrik/kentsel analiz çalışması.

Hakemlik durumu: Hakemli Urban Science dergisinde yayımlanmış Version of Record makaledir.

Lisans: Creative Commons Attribution (CC BY).

Örneklem: Xiamen–Zhangzhou–Quanzhou kentsel yığılmasındaki 89 yerel A-share borsaya kote şirket.

Temel mekânsal birim: 600 m × 600 m grid.

NQPF ölçümü: 11 finansal ve operasyonel göstergenin Entropi Ağırlık Yöntemi ile bileşik endekse dönüştürülmesi.

KDE: ArcGIS 10.8; kaynakta bant genişliği 1,5 km olarak raporlanmıştır.

RFE-CV: Python 3.13.5; beş katlı çapraz doğrulama.

MGWR: MGWR Version 2.1.2, Spatial Analysis Research Center, Tempe, Arizona, USA.

Finansman: General Project of MOE Foundation for Humanities and Social Sciences, Youth Project, 23YJCZH058; Fujian Provincial Social Science Foundation Key Project, FJ2023A014; National Natural Science Foundation of China, 52478072; General Project of Fujian Provincial Social Science Fund, FJ2024B209.

Etik kurul: Çalışma kamuya açık, anonimleştirilmiş veri kaynaklarına dayandığı için etik inceleme ve bilgilendirilmiş onam gerektirmediği bildirilmiştir.

Bilgilendirilmiş onam: Uygulanabilir değil.

Veri erişilebilirliği: Makalenin sonuçlarını destekleyen ham verilerin yazarlardan talep üzerine sağlanacağı belirtilmektedir.

Çıkar çatışması: Yazarlar competing interests bulunmadığını beyan etmektedir.

Yazar katkıları: Kavramsallaştırma Yan Gu; metodoloji Yan Gu, Yifei Hou ve Yudie Zhang; yazılım Yan Gu, Yifei Hou ve Yudie Zhang; doğrulama Yan Gu ve Yifei Hou; biçimsel analiz bütün yazarlar; araştırma Yan Gu, Yifei Hou ve Yudie Zhang; kaynaklar Yan Gu, Ruoxi Zhang ve Lemin Zhang; ilk taslak Yan Gu; inceleme ve düzenleme Yan Gu ve Yifei Hou; görselleştirme Yan Gu ve Yifei Hou; danışmanlık Yan Gu ve Ruoxi Zhang; proje yönetimi Yan Gu, Ruoxi Zhang ve Lemin Zhang; finansman temini Yan Gu, Ruoxi Zhang ve Lemin Zhang.

Kaynak içi gösterge notu: Makale metni 27 aday yapılı çevre değişkeninden söz etmektedir; yayımlanmış Tablo 1 görünür biçimde X1–X26'yı göstermektedir. İlerleyen bölümde “census population (X27)” ifadesi bulunmaktadır ve yöntem ayrıca population density (POP) değişkeninin VIF taramasından önce çıkarıldığını söyler. Eksik tablo satırı kaynaktan kesin biçimde çözülemediği için Verianla bu noktayı kaynakta bulunduğu biçimiyle belirsiz bırakmıştır.

Kodlama notu: Land Use Mix Index kaynak Tablo 1'de MLU, bazı sonraki tablolarda MUL ve RFE değişken listelerinde mlu olarak yazılmıştır. Bilimsel değişken X5 Land Use Mix Index'tir; Verianla kaynak kod farklılığını yeni bir değişken gibi yorumlamamıştır.

Denklem notu: KDE Denklem (3) kaynak PDF'de \(1/(nh)\) çarpanı ile yayımlanmıştır. Verianla formülü standart başka bir KDE ifadesine dönüştürmemiş ve kaynakta yazılı matematiği korumuştur.

Temel yöntemsel sınır: Çalışma kesitsel ve gözlemseldir. MGWR katsayıları mekânsal ilişki örüntülerini göstermekte, nedenselliği kanıtlamamaktadır. Çok yüksek MGWR R² değerleri KDE ile yumuşatılmış, yüksek otokorelasyonlu bağımlı yüzey üzerindeki in-sample açıklama kapasitesidir; bağımsız test performansı değildir.