文摘
既可用并健康流动服务期间COVID-19自行车共享用户可以使旅行健康问题由于较低的社会距离等限制运输模式相比公共交通和随意组合服务。利用在芝加哥旅行分配公共自行车系统的数据,本研究exploresspatially异构下建筑环境对公共自行车使用的影响大流行。结果表明,平均每周客流量下降了52.04%。占的空间异构关系建筑环境和客流量,地理加权回归(吉尼斯世界纪录)模型和半参数吉尼斯世界纪录(S-GWR)模型构造。我们发现S-GWR模型优于吉尼斯世界纪录和多元线性回归模型。S-GWR模型的结果表明,教育就业密度,距离地铁、COVID-19情况下,客流量COVID-19全局变量。客流量和建筑环境之间的影响因素(即提出,household density, office employment density, and the ridership) vary across space. The results of this study could provide a useful reference to transportation planners and bike-sharing operators to determine the high bike-sharing demand area under the pandemic,thus adjusting station locations, capacity, and rebalancing schemes accordingly.
1。介绍
COVID-19爆发严重威胁世界各地的人们的生活。根据约翰霍普金斯大学在美国,由于COVID-19累积的死亡人数已经超过650000,在美国和累计确诊病例的数量已经超过了4040万年9月8日,2021年。在此期间,美国政府机构实施政策来减少社区传播的病毒,包括授权全职和社会距离订单(1]。这些订单在很大程度上影响了居民的日常出行行为,进一步影响了城市交通系统(2]。鉴于大流行可能会持续很长一段时间,impactsare预期继续。
互动接触COVID-19的风险,人们倾向于降低公共交通的使用模式(即。社会距离指引后,地铁和公共汽车)。然而,使用自行车共享没有严重影响了,因为用户可以骑自行车在开放空间和社会保持安全距离。研究表明,当公共交通systemsare COVID-19[期间被认为是危险的1),居民通常从一个高风险的模式切换到骑自行车以减少感染的风险(3]。因此,使用自行车的需求发生了巨大的变化与COVID-19[爆发前的一小段时间内4]。因此,了解建筑环境因素如何影响公共自行车的使用情况的影响下COVID-19是必要的,因为它可以提供一个重要的参考交通规划者和公共自行车运营商确定高需求地区,thusmaking位置调整,调整方案的能力,以及一气合成。
有丰富的作品的使用公共自行车前的大流行。两种类型的模型已经广泛应用于以前的研究,即全球回归模型(5,6和当地的回归模型7]。全球气候模型,如线性回归模型和负二项回归模型,假设所有的系数预测不改变整个空间。尽管他们广泛使用,他们不捕捉空间变化预测和响应变量之间的关系,特别是在大型研究领域的情况下(8,9]。因此,空间潜在的类模型(10)和地理加权回归(吉尼斯世界纪录)模型(7)的方法来捕获这个空间变化。在这项研究中,通过测定模型。吉尼斯世界纪录以来模型假设所有变量与响应变量的空间变化的关系,这可能不是真的,半参数吉尼斯世界纪录(S-GWR)模型已经开发,允许一些变量是全球性的和其他地方。
结果,本研究调查了不同建筑环境之间的关系和空间既客流量COVID-19期间,控制前的客流量大流行。我们打算回答以下四个问题。(1)自行车客流量的增加或减少由于COVID-19爆发?(2)如果自行车客流量的变化,将每个站的客流量的变化成比例的总客流量变化?(3)如果每个站的客流量的变化不是成比例的总客流量变化,什么因素,包括建筑环境和人口,导致这种差异?(4)这些因素导致这种差异如何?
剩下的论文结构如下。第二部分是相关研究的总结公共自行车的使用情况。第三部分描述了本研究中使用的数据。第四部分介绍了模型的结果。第五部分总结总结本研究的主要发现和局限性。
2。文献综述
相关研究的文献综述由两部分组成:公共自行车客流量的影响因素爆发之前COVID-19和COVID-19对公共自行车使用情况的影响。
2.1。影响因素既COVID-19爆发之前
学者们使用不同的数据和模型探索的因素显著影响自行车共享使用。的因素可分为两类:内部和外部。
外部因素主要是指建筑环境因素,包括密度、多样性、和设计(7,11- - - - - -14]。此外,人口因素也被认为是外部因素,包括年龄、私人汽车拥有量,收入(15- - - - - -18]。还包括其他外部因素,比如天气状况(e。g,温度、湿度、风速),替代模式,和假期6,17,19- - - - - -24]。此外,在流行的背景下,一些研究也认为COVID-19-related因素,如病例和死亡人数的数量直接关系到COVID-19 [25- - - - - -27]。内部因素主要是指个人喜好和服务水平。例如,一些研究探索用户的意图使用和票价如何影响客流量(5,28- - - - - -30.]。
模型的选择,许多研究使用多元线性回归(高)模型来确定重要影响变量(6,12,31日]。因为普通最小二乘模型不能占多重共线性,捕捉空间的自我,和准确估计回归系数,胡锦涛和陈用偏最小二乘法处理解释变量之间的多重共线性。他们发现,独立变量的影响像家庭收入在客流量最多站空间不同(25]。为了进一步调查spatialimpacts,考克斯和Hurtubia空间回归模型计算用于空间自相关(10,32- - - - - -34]。的研究得出的结论是,使用dockless自行车站在商业领域和空间autocorrelated路路口(31日]。普伊施等人利用广义线性回归模型来处理响应变量的偏态分布(35- - - - - -37]。station-CBD的积极影响距离和娱乐场所的数量自行车旅行的数量被发现(33]。胡锦涛等人采取了不同的模型,广义mixed-effects模型,通过添加随机效应的广义线性回归模型(26,38,39]。研究人员发现的地区更COVID-19情况下,高收入,更教育就业减少了人类活动的影响下COVID-19 [26]。
预测变量,响应变量和模型归纳在表格最相关的研究1。
2.2。COVID-19对自行车的影响客流量
相关研究的影响客流量的COVID-19自行车在这一节中进行了总结。Bucsky股票研究人类活动和旅游模式的变化在匈牙利期间COVID-19 [4]。公共自行车最小的客流量下降。studypointed公共自行车作为COVID-19下选择公共交通,给一个更强大的理由,政府促进循环。比勒和穿孔的影响研究COVID-19公共自行车使用通过国家调查(41]。他们发现骑自行车的普遍趋势和随时间的变化在不同的城市在欧洲和美国从2019年到2020年。为了探索机制公共自行车使用的变化,一些学者已经开始研究使用不同的方法的影响因素。
胡锦涛和陈利用贝叶斯结构时间序列模型和偏最小二乘回归研究的演化COVID-19对交通客流量的影响在土地利用方面,COVID-19相关特性,和社会人口变量(25]。COVID-19病例/死亡的数量呈正相关的研究公共交通客流量下降,反对toeducational和收入水平。胡锦涛等人使用广义加法混合模型探索旅行之间的关系和影响因素,包括COVID-19-related特性、人口、就业(26]。结果表明,COVID-19数量的情况下,收入水平,教育就业消极与旅行有关。非线性时间不同的独立变量之间的相互作用和公共自行车使用变化也探索了同样的模式27]。本文说明住宅与公共自行车使用呈正相关,而汽车保有量是负相关。
总之,现有的研究解决影响的演变在时间维度和混合处理线性和非线性的影响。然而,没有考虑空间非平稳的关系,这可能会导致估计偏差。因此,本文运用吉尼斯世界纪录和S-GWR模型来处理这个问题。
3所示。数据描述
芝加哥是在北美人口最多的城市之一,有一个很大的和充满活力的市中心,这吸引了许多上班族和游客。本研究使用两个数据集,即芝加哥的旅行数据分配公共自行车系统和智能位置数据库(SLD)由美国环境保护署。芝加哥公共自行车系统涵盖了芝加哥unrban区域和两个邻近郊区约600台和6000多辆自行车。分配公共自行车系统的数据包括每个旅行的开始/结束时间,每个旅行的开始/结束站,会员的类型,和用户信息。分配的空间分布自行车站在芝加哥如图1。SLD提供建筑环境和人口信息聚合的普查块组(cbre)。
3.1。空间分布的变化COVID-19期间使用
考虑到传播COVID-19开始2020/2/26在美国,八周的自行车旅行数据之前和之后的一周(2/27/2020-3/4/2020)被用于这项研究代表pre-COVID-19时期和peri-COVID-19时期。
每周使用分配系统的八个星期之前和期间COVID-19绘制在图2。使用被定义为下降的皮卡和旅行的总和。
如图2COVID-19之前,使用波动约30000。COVID-19期间,观察短暂上升,其次是快速从近50000下降到10000。之后,使用变得稳定,在18000左右。因此,研究时期流行在这个研究后未来三周接下来的六周(3 - 6周图右边的传播的一周2),之前的研究时期流行选择对称前六周的前三周为研究区间(3 - 6周图左边的传播的一周2)。据统计,流行是29131年前的平均每周使用5次,平均每周流感大流行期间使用13970倍。总的来说,使用bike-sharingduring COVID-19减少了52.04%。
如果公共自行车使用的比率在COVID-19 COVID-19之前为每个站大致相同,使用的变化只是流行造成的,与其他因素无关。如果该比率一站一站的大大不同,这表明变化不仅受到COVID-19还影响车站的特点和周边环境,如建筑环境和人口统计数据。这个比例如图的直方图3。
图3表明大多数站的客流量减少COVID-19期间,一些站点的增加,比例千差万别。图4介绍了空间分布的比例。这两个数据显示,使用的变化不仅影响由COVID-19也爆发建筑环境等其他因素。
数据5和6客流量的空间分布。这表明车站客流量高之前围绕CBD COVID-19和围绕在COVID-19站在北方。从这两个数字,我们可以推断出自行车运营商应该更加注意的可能缺自行车或码头在COVID-19站在北方。
3.2。反应和预测变量
响应变量在这项研究是总使用(上升和下降旅行)4周后的每个车站COVID-19(3/19/2020-4/15/2020),如图1。
为了研究影响因素的变化在COVID-19使用,有必要控制COVID-19之前使用。因此,它是包含在模型作为控制变量。本文在选择建筑环境因素,指的是“5 D”变量(5类型的建筑环境变量的名字从D开始,包括密度、设计、多样性,距离,和目的地可达性)由先前的研究作为潜在变量,提出可能影响下的公共自行车客流量COVID-19 [17]。最后,共有20个预测因子,包括建筑环境、人口、COVID-19-related病例和死亡,和客流量COVID-19之前,是选择。
17在建筑环境和人口统计变量来自左翼联盟。一个循环缓冲区在每个车站绘制半径300米。300米半径的确定基于共同的来源或目的地之间的步行距离和公众自行车站(7]。值的预测变量提取基于缓冲区。
COVID-19病例和死亡的数量得到了来自芝加哥。考虑到COVID-19病例和死亡可能有更广泛的影响区域(27),一个环形缓冲区的半径500米在每个车站绘制提取COVID-19病例和死亡的数量。
3.3。数据处理
正态分布的因变量是一个古典线性回归模型的假设,确保参数无偏回归结果(42]。响应变量的直方图遵循一个偏态分布,不同于正态分布。为了应对这个问题,执行响应变量的对数变换。转换也已通过其他研究。转换后的结果也显示在图7。
(一)
(b)
先前的研究已经发现,人口和建筑环境变量会影响居民的旅游模式在COVID-19 [25,26]。例如,许多人可能远程工作或在家学习由于要求在家工作的秩序,在社会距离的指导方针。大多数人的家庭旅行有一个下降低于公司旅行。因此,控制pre-epidemic客流量、家用密度与peri-epidemicusage假定为正相关,而就业密度与流行后的使用被认为是负相关。另外,变量,比如距离公共交通和邻近市中心被认为影响自行车共享使用。所以这两个变量是peri-pandemic客流量呈负相关。因此,本文包括建筑环境、社会经济和COVID-19-related变量,可能会影响peri-epidemic作为响应变量。
为了消除大型解释变量的大小差异,促进结果的解释,解释变量对数转换。建模结果将代表的弹性响应变量来解释变量,即表示为响应变量变化的百分比由1%的解释变量的变化引起的。在这项研究中所有变量的描述性统计如表所示2。
在哪里N代表的就业类型和数量p我就业的比例是这种类型的吗我。
4所示。方法
4.1。看不到多元线性回归(MLR)
本研究建立了高钙影响自行车模型分析因素COVID-19期间使用。该模型假设预测变量和响应变量之间的关系是线性的和均匀的空间。它的功能是如以下所示的方程。
在哪里响应变量; , ,…,是预测; , ,…,系数的预测;和是随机误差,它的期望值为零,遵循正态分布,是相互独立的42]。
高模型的参数主要是用普通最小二乘(OLS)方法估计。目标函数如下:
在哪里的真正价值我th响应变量; ,…,是kth的预测我th响应变量的预测;和 , ,…,参数的估计。
4.2。地理加权回归(吉尼斯世界纪录)
在一个大型研究区域的情况下,响应变量和解释变量之间的关系在空间可能会有所不同。所以研究需要使用当地的回归模型,如吉尼斯世界纪录。吉尼斯世界纪录模型提高了传统高模型,允许不同空间的关系。在每个车站建立当地回归方程,从而允许回归参数随空间位置。其功能如下(7]:
在哪里代表了公共自行车的使用 , 系数的预测吗的站 , 是预测的站 , 是随机误差项的站 ,和 代表站的纬度和经度 。
有一组系数在每个公共自行车站吉尼斯世界纪录建模的结果。它表明,预测变量对响应变量的影响因空间而异。当每个站的估计系数,重量分配基于其他站到目标的距离。说明variablesare估计系数的加权平方和最小化。通过测定模型的目标函数如下:
空间权重反映了这个职位的重要性。许多方法可以用来计算空间重量。最简单的一个是距离阈值函数。具体功能如下:
在哪里代表的距离阈值,代表站之间的距离和目标站 。解决体重不连续的问题,高斯函数也经常用来表达重量和距离之间的关系
在哪里代表之间的权重和目标站 , 代表站之间的距离和目标站 ,和是带宽。
4.3。半参数地理加权回归(S-GWR)
吉尼斯世界纪录的系数模型假设所有预测不同空间。然而,一些预测和响应变量之间的关系可能不随空间变化。S-GWR模型,因为吉尼斯世界纪录的扩展模型,允许一些预测全球和其他地方。S-GWR模型的表达式如下(7的符号,通过模型方程是一样的。
S-GWR模型的目标函数如下:
5。模型结果
本节建立了高钙,吉尼斯世界纪录和S-GWR模型探索解释变量和响应变量之间的关系。
5.1。高模型的结果
有两种方法来构建回归模型。一种方法是治疗期间的客流量COVID-19前因变量和客流量COVID-19以及其他变量作为自变量。另一种方法是治疗期间的客流量比COVID-19前客流量COVID-19因变量和其他变量作为自变量。两种方法在本研究探索。
第一种方法构建模型,治疗期间的客流量COVID-19前因变量和客流量COVID-19以及其他变量作为自变量,首先探索。采用落后的变量选择方法选择变量。这个方法后,六个解释变量显著相关的使用分配bike-sharingduring COVID-19在the5%水平。此外,通货膨胀因素VIF方差小于5的这六个变量,这表明不存在多重共线性问题。VIF的公式如下: 在哪里模式的确定系数使用吗我th解释变量作为响应变量和其余的解释变量作为解释变量。
表3介绍了模型的结果。重要的变量是家庭密度、教育就业密度,办公室就业密度、距离最近的地铁站,COVID-19累积情况下,COVID-19前和使用。
解释重要预测因子之间的关系和响应变量是下面。
COVID-19期间,客流量家庭密度呈正相关。这可能是由于在家工作的政策,使居民在家里。因此,越来越多的旅行家庭旅行。还有一个积极联系累计病例数和客流量。这个结果可能是由于更多的自行车旅行的地区高的旅游需求。更多的人聚集在区域导致更高的感染风险。另一方面,COVID-19感染人数的增加也会使人们使用自行车来代替其他公共交通模式,如地铁和公共汽车。此外,分配公共自行车的使用之前COVID-19呈正相关,在COVID-19分配公共自行车的使用情况。这表明站高使用率之前COVID-19 COVID-19期间继续使用高。系数为0.626,表明如果pre-COVID-19使用量增加了1%,平均peri-COVID-19使用将增加0.626%。
教育就业密度是负相关。可能是由于大多数学校要求学生和教职工的呆在家里,或在线教课。同样,办公室就业密度也负相关。这个结果也可能由于全职秩序和在家工作的政策回应COVID-19在芝加哥。客流量是负相关的数量和距离最近的地铁站。可能的原因是居民接近最近的地铁站COVID-19爆发后从使用地铁使用自行车。
然而,公共自行车使用之前COVID-19可能削弱的影响时间不变的解释变量在COVID-19公共自行车使用。来演示这些预测变量的解释力COVID-19期间使用自行车,自行车使用的比率在COVID-19公共自行车使用之前COVID-19也作为响应变量。考虑到比存在着巨大的差异,在因变量日志执行转换。同样的向后变量选择方法是用于筛选重要的变量。模型的结果如表所示4。
该模型的结果,见表4,不同于之前的模型。模型的拟合优度为0.347,这是不如以前的模型。这可能是因为客流量的变量之前COVID-19占很大比重的时不变组件响应变量,客流量COVID-19期间,在前面的模型。家庭密度和教育就业密度显著的两个载体。尽管有一些差异在模型结果的重要变量,应该注意的是,模型结果的差异在实证研究中十分常见。有时,简单的扩展数据的时间可能会导致不同的模型的结果。
具体来说,模型结果显示家庭密度和因变量之间存在正向关系。在家工作的政策使许多人呆在家里,在办公室旅行减少显著高于家庭旅行。家庭没有汽车的比例也与因变量呈正相关。在流行期间,汽车将旅客的第一偏好。家庭没有汽车,人们不太愿意使用地铁或巴士,这可能导致疾病传播,从而转向公共自行车。客流量运营结果,自行车在higherhousehold密度和较低的地区车辆ownershipis不受疫情影响太多。
相比之下,娱乐就业密度和教育就业密度与因变量负相关。这可能是因为疫情严重影响了娱乐业务,导致就业损失。关于教育就业密度的影响,员工和学生都指示给讲座或在家学习,这样可以减少旅行,从学校。劳动年龄人口可访问性是可以访问的适龄工作人口驾驶一辆汽车在45分钟。因变量是负相关。这可能是因为,除以人口劳动人口和非职业的人口,执行的旅行工作人口相比有更高比例的减少由非职业人群由于在家工作的政策。因此,通过控制家庭的密度,劳动年龄人口的可访问性是因变量负相关。
每个两个模型都有自己的优势。在本文中,我们采用第一个模型探讨空间不同的解释变量和因变量之间的关系。
5.2。通过模型结果
通过测定模型的建模结果如表所示5。
模型的整体平方吉尼斯世界纪录是0.865。每个站的平方是显示在图8。
每个站的平方是高于0.5,相当比例高于0.8,这表明通过模型与数据的吻合程度。市区的拟合优度通常较低可能是由于这样的事实,在这些站点客流量比在其他变量。另外,变量选择不准确解释客流量的动态变化,因为在家工作的政策。
5.3。S-GWR模型结果
S-GWR模型也是constructed.Table6介绍了建模的结果S-GWR模型。确定每个预测变量是全局或局部,所有变量首先被假定为全局变量。每个变量的区别(DIFF)的标准计算。DIFF表示比较的差异指标(AICc)之间的吉尼斯世界纪录和S-GWR模型。一般来说,一个积极的价值准则的差异表明,没有空间变异性(7]。换言之,如果DIFF > 0,预测变量被认为是一个全局变量;否则,它是一个局部变量。
与高钙建模结果相比,吉尼斯世界纪录的拦截或S-GWR随地理位置的局部变量,可以观察到在先前的研究7,41]。总结如表6办公室、家庭密度和就业密度模型的局部变量中,而另一些全局变量。
两个局部变量的系数将介绍如下。结果的解释也会给。
家居的系数的空间分布密度图所示9。当家庭密度是一个重要因素,通常有一个正相关的使用公共自行车在流行,这与之前的研究的结论是一致的(27]。家居的系数中心和东部地区的密度相对较小,从0.161到0.286不等。这可以归因于许多高收入居民更有可能由私家车上下班,而不是公共自行车在这两个地区。
办公室就业系数的空间分布密度图所示10。当办公室就业密度是一个重要因素,它通常是客流量呈负相关。可能是因为COVID-19期间全职秩序在办公室工作的人数减少,减少了使用自行车共享在办公室就业密度高的地区。因此,这在城市中心的负面影响是显而易见的。也有一个区域在韩国办公室就业密度是意义重大,因为这个区域附近的芝加哥大学的位置。办公室工作在这一领域主要是大学的教师和工作人员。流行期间,大部分的大学教师和工作人员被要求在家工作。教员和员工在家工作是高于其他类型的工作。因此,办公室就业密度是负的显著水平。总的来说,家庭的负系数的大小密度和办公室就业密度更大在市区南部地区。 Such relationships may be due to the higher percentage of downtown shutdowns than on the south side.
S-GWR模型的整体平方0.886,高于吉尼斯世界纪录的模型。S-GWR的平方的空间分布模型如图11。站在市中心的拟合优度仍不高,这表明,客流量的戏剧性的变化在这些领域由于COVID-19很难捕捉。
5.4。模型比较
高的结果,吉尼斯世界纪录,S-GWR模型进行比较,见表7。
由于模型与一个较小的残差平方和,−2对数似,AIC, AICc,和更高的平方被视为更好的模型,S-GWR模型三种模型中是最好的。
6。结论
本研究调查的建筑环境因素影响芝加哥的公共自行车客流量分配系统在COVID-19 COVID-19之前虽然控制了客流量。捕捉空间不同建筑环境与客流量之间的关系,通过测定和S-GWR模型建立。高钙模型也比较发达。我们发现,从许多角度S-GWR拟合优度最高。
我们还发现,总自行车客流量COVID-19爆发后下降了一半。每个站的客流量的减少是不同的;使用自行车的空间分布在COVID-19 COVID-19之前不同。这个观察表明,交通规划者和公共自行车运营商应该注意这个变化和调整的能力和位置站以及平衡方案根据目前客流量的模式。
在建筑环境之间的关系和客流量的变化,一些变量是局部变量(即。,household density and office employment density), whileother variables are global variables such as education employment density and distance to the nearest subway station. The complex relationship should be fully considered when estimating the change in ridership of bike-sharing stations.
本研究也有一些局限性。首先,尽管从这项研究中获得的结果可能并不适用于所有城市,分析框架可以应用到其他城市。每个城市都应该根据自己的条件制定政策。其次,因为我们使用横截面数据,揭示了独立变量和响应变量之间的关系应当被视为关联而不是因果关系。尽管一些因果关系从结果可以推断,这个推论应该谨慎。在未来,面板数据可以用来解决这个问题。当然,传统的泊松和负二项模型用于计算变量。然而,它可能更合适的值时使用线性回归模型的响应变量不包含零个或小值(44,45]。此外,当缓冲区的十字路口的面积以及cbre不是整个街区,我们假设均匀分布在cbre的独立变量。然而,事实可能并非如此。本研究的另一个限制是,有不同的方法来构建回归模型,而没有理论模型更合适的理由。两种方式都有自己的优势。模型使用COVID-19期间客流量作为因变量采用因为结果更直观,和拟合优度较好。但应该注意的是,拟合优度高可能是因为之前的客流量COVID-19与因变量高度相关,这高度的相关性可以掩盖其他独立变量的影响。因此,建模相关的变量,比如peri-COVID-19和pre-COVID-19使用的比例,也是有意义的,因为它可以避免这个问题,值得研究。最后,我们使用四周自行车COVID-19期间客流量数据作为响应变量。虽然旅游容量相对稳定在COVID-19(显示在图2)可以捕获COVID-19下公共自行车使用模式,使用较长时间内可能产生更可靠的建模结果。
数据可用性
本文使用的数据是可用的https://www.divvybikes.com/system-data,https://www.epa.gov/smartgrowth/smart-location-mapping,https://data.cityofchicago.org/Health-Human-Services/COVID-19-Cases-Tests-and-Deaths-by-ZIP-Code/yhhz-zm2v,https://data.cityofchicago.org/browse?tags=gis。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
作者证实他们对论文的贡献如下。Hongtai杨了概念化,方法,正式的分析,和写作,尤其是审查和编辑。郭Zishuo导致数据处理,正式的分析,和写作,尤其是准备初稿。Guocong翟导致写作、审查和编辑。临川杨导致写作、审查和编辑。京海霍导致审查和编辑。所有作者回顾了结果,批准了最终版本的手稿。
确认
这项研究是由中国国家自然科学基金(批准号51774241和51774241),中国博士后科学基金会,四川青年科技创新研究团队项目(批准号2019 jdtd0002和2020 jdtd0027)。