Document Type : Original Article
Authors
1 Professor of Geography and Urban Planning, University of Tehran, Tehran, Iran
2 Faculty Member of Faculty of Geography, University of Tehran, Tehran, Iran
3 Master's degree in Economic Development and Planning, Razi University of Kermanshah, Kermanshah, Iran
Abstract
Keywords
مقدمه
نواحی شهری با الگوهای مکانی ناهمگن در ارتباط با توزیع جمعیت، قومیت و ویژگیهای اجتماعی و اقتصادی مشخصشدهاند. قطبیشدن مکانی و نابرابری جغرافیایی در نواحی شهری سراسر دنیا رخ میدهد. بااینوجود، نابرابریها بهطور خاص در شهرهای کشورهای درحالتوسعه، مشهودتر است. شهرهایی که از شرایط نامناسب مسکن، کیفیت پایین خدمات شهری، دسترسی نابرابر به زیرساختهای فیزیکی و اجتماعی، جرم و جنایت و بیکاری رنج میبرند. وجه مشترک این مشکلات در شهرهای بزرگ کشورهای درحالتوسعه در بعد مکانی آنهاست، زیرا همه این مشکلات شهری گرایش به تمرکز در نواحی خاصی از شهر دارند (Martinez, 2005:1). در سالهای اخیر، کاهش نابرابریهای درونشهری بهعنوان ابزار مهمی برای رسیدن به توسعه پایدار شهری موردتوجه قرارگرفته و دولتهای محلی برای هدفگذاری نواحی محروم و اجرای سیاستهای اصلاحی مؤثر بهمنظور کاهش نابرابریها تشویق شدهاند. سیاستهای ناحیه محور از ابزارهایی هستند که از دهه 1990 برای هدفگذاری نواحی جغرافیایی دارای مشکل و برای بهبود کیفیت زندگی ساکنین این نواحی بکار گرفتهشده است. یکی از دلایل توجه به این نوع سیاستها، قطبیشدن فزاینده بین نواحی محروم و نواحی برخوردارتر است (Smith, 1999: 4).
تاکنون مطالعات مختلفی در تحلیل نابرابریهای درونشهری در شهر تهران و سایر شهرهای ایران انجامگرفته است که میتوان برخی از مهمترین آنها را اینگونه برشمرد: افروغ (1376)، حاتمی نژاد (1379)، اکبری (1380)، مرصوصی (1382) و شریفی (1385)، سیفالدینی و منصوریان (1390). این مطالعات عمدتاً به تحلیل نابرابریها در مقیاس منطقهای پرداختهاند و تنها تعداد اندکی از آنها تکنیکهای آماری مکانی را مورداستفاده قرار دادهاند. این مطالعات برای نشان دادن دادهها و توزیع مکانی آنها عمدتاً متکی بر نقشهها، نمودارها یا جدولها میباشند. با واردکردن بعد مکانی به این مطالعات میتوان بر محدودیتهای تحلیلهایی که وابستگی سطح توسعه هر ناحیه را به موقعیت جغرافیایی آن ناحیه نادیده میگیرند، غلبه کرد. بهطورکلی، تحلیلهای آماری مکانی و آزمونهای آماری پیچیده که قابلیت اعتماد یافتهها را افزایش میدهند، بهندرت مورداستفاده قرارگرفتهاند.
رویکرد تحلیل اکتشافی دادههای مکانی، یکی از کارآمدترین ابزارها برای مطالعه نابرابریهای درونشهری است که توسط محققان مختلفی بکار گرفتهشده است (ببینید:Ertur and Le Gallo, 2003; Rey, 2004; Baumont et al. 2004; Guillain et al. 2006; Le Gallo and Dall’Erba, 2006; Seifolddini and Mansourian, 2012). تحلیل اکتشافی دادههای مکانی مجموعهای از روشها در جهت توصیف و نمایش توزیعهای مکانی، شناسایی بیقاعدگیهای مکانی، کشف الگوهای ارتباط مکانی، خوشههای مکانی و اشاره به رژیمهای مکانی یا شکلهای ناهمگن مکانی دیگر است.
در این مطالعه، رویکرد تحلیل اکتشافی دادههای مکانی برای تحلیل نابرابریهای درونشهری بر اساس شاخصهای کیفیت مسکن در سطح نواحی شهر تهران مورداستفاده قرارگرفته است. شهر تهران نمونۀ موردمطالعه این پژوهش انتخابشده است. این شهر در چند دهه اخیر رشد شتابان جمعیتی را تجربه کرده است؛ درحالیکه عدم تناسب میان رشد شتابان جمعیتی با توسعه زیرساختهای اجتماعی، اقتصادی و فیزیکی مشکلات عدیدهای را برای ساکنین این شهر ایجاد کرده است. یکی از مهمترین مشکلات، وجود نابرابریهای درونشهری بر اساس شاخصهای کیفیت مسکن است.
در این مطالعه، از اطلاعات جمعآوریشده در سرشماری عمومی نفوس و مسکن سال 1390 شهر تهران برای شناسایی ابعاد و توسعه شاخص کیفیت مسکن استفادهشده است. رویکرد تحلیل اکتشافی دادههای مکانی بهمنظور بررسی توزیع مکانی ابعاد و شاخص نهایی کیفیت مسکن در سطح نواحی شهر تهران بکار گرفتهشده است. روششناسی ارائهشده در این مطالعه میتواند درک روشنی از نابرابریهای درونشهری برحسب شاخصهای کیفیت مسکن در شهر تهران ارائه دهد و نتایج حاصل میتواند، اطلاعات جامع و قابلاعتمادی را در مورد توزیع مکانی متغیرهای موردمطالعه در اختیار سیاستگذاران شهری قرار دهد. درواقع، این نوع از تحلیلها میتواند کمک مستقیمی به مداخله عمومی و اختصاص منابع به شیوهای استراتژیک تر و مؤثرتر بهمنظور بهبود کیفیت زندگی شهروندان داشته باشد.
تحلیل اکتشافی دادههای مکانی
تحلیل اکتشافی دادههای مکانی زیرمجموعه تحلیل اکتشافی دادهها است که بر متمایزسازی خصوصیات دادههای مکانی و بهطور خاص بر خودهمبستگی مکانی و ناهمگنی مکانی متمرکز است. بهطور خاصتر، تحلیل اکتشافی دادههای مکانی مجموعهای از تکنیکها برای توصیف و نمایش دادن توزیعهای مکانی، شناسایی مکانهای بیقاعده، کشف الگوهای ارتباط مکانی، خوشهها یا نقاط داغ و اشاره بر رژیمهای مکانی یا سایر اشکال ناهمگنی مکانی است (Anselin et al, 2007:4). تحلیل اکتشافی دادههای مکانی مجموعهای از تکنیکها در جهت توصیف توزیعهای مکانی برحسب الگوهای ارتباط مکانی از قبیل خودهمبستگی مکانی کلی، خودهمبستگی مکانی محلی و ناهمگنی مکانی است (Guillain et al, 2006: 2082).
خودهمبستگی مکانی بدان معناست که مکانهای مشابه (مشاهداتی که درجه معینی از مجاورت مکانی را ارائه میدهند) منطبق باارزشهای مشابه (همبستگی) هستند؛ بنابراین، زمانی که ارزشهای بالا یا پایین متغیری خاص، خوشهای را در فضا شکل میدهد، خودهمبستگی مکانی مثبت وجود دارد و زمانی که نواحی مجاور یک ناحیه جغرافیایی معین ارزشهای گوناگون را ارائه میدهند خودهمبستگی مکانی منفی وجود خواهد داشت. ناهمگنی مکانی بدان معناست که رفتار اقتصادی در فضا ثابت نیست و بنابراین داشتن الگوهای مکانی گوناگون از توسعه اقتصادی امکانپذیر است. نتایج میتواند رژیمهای مکانی از قبیل خوشهای از نواحی توسعهیافته (هسته) یا خوشهای از نواحی کمتر توسعهیافته (پیرامون) را نشان دهد (Perobelli et al, 2003: 5).
خودهمبستگی مکانی کلی
در میان شاخصهای خودهمبستگی مکانی کلی، شاخص موران () بهطور گستردهای مورداستفاده قرارگرفته است. این شاخص، اندازهای قراردادی، از میزان ارتباط خطی بین ارزشهای مشاهدهشده و میانگین ارزشهای مجاور که بهطور فضایی وزن دادهشده، در اختیار میگذارد. شاخص موران نشان میدهد که آیا خوشهبندی در مجموعۀ داده وجود دارد یا نه و بهصورت رابطه (1) محاسبه میشود.
رابطه (1)
که در آن تعداد نواحی، مقدار متغیر در ناحیه، مقدار متغیر در ناحیه، میانگین متغیر در کلیه نواحی ووزن بکار رفته برای مقایسه دو ناحیه و است. ارزش I بزرگتر از ارزش مورد انتظار نشاندهندۀ خودهمبستگی مکانی مثبت و ارزش I کوچکتر از ارزش مورد انتظار نشاندهندۀ خودهمبستگی مکانی منفی است. دامنه تغییرات ارزش از 1+ (خودهمبستگی مکانی مثبت کامل) تا 1- (خودهمبستگی مکانی منفی کامل) است.
آماره آمارهای کلی است و امکان ارزیابی ساختار ناحیهای خودهمبستگی مکانی را نمیدهد. بااینوجود، آماره میتواند این سؤالات اساسی را ایجاد کند: آیا خوشههای مکانی محلی از ارزشهای بالا یا پایین وجود دارد؟ کدام نواحی سهم بیشتری در خودهمبستگی مکانی کلی دارند؟ و اینکه تا چه اندازه ارزیابی کلی از خودهمبستگی مکانی، بیقاعدگیهای مکانی را پنهان میسازد (Gallo and Ertur, 2003: 176-177).
خودهمبستگی مکانی محلی
آماره آمارهای کلی است که تنها خوشهبندی کلی را نشان میدهد و امکان ارزیابی ساختار ناحیهای خودهمبستگی مکانی، شناسایی خوشهها یا استثناهای مکانی محلی و نواحی سهیم در خودهمبستگی مکانی کلی را فراهم نمیکند. نمودار پراکندگی موران (Anselin, 1996) و شاخصهای محلی همبستگی مکانی یا LISA (Anselin, 1995) روشهای بسیار مفیدی برای ارزیابی خودهمبستگی مکانی محلی هستند. این روشها ساختار خودهمبستگی مکانی در درون نواحی را از طریق شناسایی خوشههای محلی باارزشهای بالا یا پایین و نواحی دارای سهم بیشتر در خودهمبستگی مکانی کلی، آشکار میسازند. این روشها نواحی خاص یا گروهی از نواحی مجاور که از الگوی کلی خودهمبستگی مکانی منحرفشدهاند را نیز مشخص میکنند.
نمودار پراکندگی موران
نمودار پراکندگی موران با نمایش بازه مکانی متغیر در محور عمودی و ارزش متغیر در هر ناحیه بر روی محور افقی، ارائه ناپایداری و بیقاعدگیهای مکانی محلی را تسهیل میسازد. بازه مکانی، میانگین وزن دهی شدۀ ارزشهای مجاور یک مکان تعریفشده است. ارزش نیز بهعنوان ضریب رگرسیون تعریفشده و بهمنزلۀ شیبخط در نمودار پراکندگی برای ماتریس وزنی استانداردشده، نمایش داده میشود. نمودار پراکندگی موران، ابزاری برای اکتشاف بصری خودهمبستگی مکانی تدارک میبیند، اما هیچگونه نشانهای از معناداری خوشهبندی مکانی در اختیار ما قرار نمیدهد (حاتمی نژاد و دیگران، 1392: 35). چهار چارک مختلف نمودار پراکندگی موران، مطابق با چهار نوع ارتباط مکانی محلی بین یک ناحیه با سایر همسایگانش است (جدول 1).
نمودار پراکندگی موران به چهار چارک تقسیمشده است. این چارکها متناسب با چهار الگوی همبستگی مکانی محلی بین نواحی و همسایههایشان هستند. چارک نخست (واقعشده در گوشه بالا سمت راست) با عنوان بالا-بالا (HH) نواحی را نشان میدهد که دارای ارزشهای بالا برای متغیر مورد تحلیل بوده (ارزشهای بالاتر از میانگین) و با نواحی دارای ارزش بالاتر از میانگین برای متغیر مورد تحلیل احاطهشدهاند. چارک دوم (واقعشده در گوشه بالا سمت چپ) بهعنوان پایین- بالا (LH) طبقهبندیشده و نواحی باارزشهای پایین اما احاطهشده بهوسیله همسایههایی باارزشهای بالا را نمایش میدهد. چارک سوم (واقعشده در گوشه پایین سمت چپ) بهعنوان پایین-پایین (LL) نامگذاری شده و نواحی باارزشهای پایین احاطهشده بهوسیله همسایگانی باارزشهای پایین را نشان میدهد. چارک چهارم (واقعشده در گوشه پایین سمت راست) بهعنوان بالا- پایین (HL) طبقهبندیشده و نواحی باارزشهای بالا احاطهشده بهوسیله نواحی باارزشهای پایین را نشان میدهد.
نواحی واقعشده در چارکهای بالا- بالا و پایین- پایین خودهمبستگی مکانی مثبت را ارائه میدهند، بدان معنا که این نواحی خوشههایی از ارزشهای مشابه را شکل میدهند. در طرف مقابل، چارکهای بالا- پایین و پایین- بالا ارائهدهنده خودهمبستگی مکانی منفی میباشند، بدان معنا که این نواحی خوشههایی از ارزشهای غیرمشابه را شکل میدهند (Perobelli et al, 2003: 7).
جدول 1- نحوه تفسیر نتایج نمودار پراکندگی موران
طبقه |
چارک نمودار پراکندگی |
خودهمبستگی |
تفسیر |
بالا- بالا |
بالا سمت راست |
مثبت |
خوشه- ناحیهای باارزش بالا احاطهشده بهوسیله نواحی باارزشهای بالا |
بالا- پایین |
پایین سمت راست |
منفی |
بیقاعدگی- ناحیهای باارزش بالا در میان نواحی دارای ارزش پایین |
پایین- پایین |
پایین سمت چپ |
مثبت |
خوشه- ناحیهای باارزش پایین در مجاورت نواحی دارای ارزشهای پایین |
پایین- بالا |
بالا سمت چپ |
منفی |
بیقاعدگی- ناحیهای باارزش پایین در میان نواحی دارای ارزش پایین |
شاخصهای محلی همبستگی مکانی (LISA)
چون نمودار موران نمیتواند معناداری آماری ارتباطات مکانی را ارزیابی کند، بنابراین باید شاخصهای محلی همبستگی مکانی محاسبه شوند. انسلین (1995) شاخص محلی ارتباط مکانی را بهعنوان آمارهای تعریف میکند که برآورنده کننده دو معیار است: نخست، LISA برای هر مشاهده اندازهای از معناداری خوشهبندی مکانی ارزشهای مشابه اطراف آن مشاهده را فراهم میکند؛ دوماً، مجموع LISA برای همه مشاهدات متناسب با شاخص کلی ارتباط مکانی است (Guillain et al, 2006: 10).
آماره خودهمبستگی مکانی کلی را نشان میدهد. با استفاده از LISA میتوان مشخص کرد که کدام مکانهای خاص، در الگوی کلی خودهمبستگی مکانی سهیم هستند؛ یعنی میتوان هستهها یا مراکز خوشهبندی را بهصورت معناداری شناسایی کرد. شاخص LISA از رابطه (2) محاسبه میشود.
رابطه (2)
مشاهده در ناحیه ، میانگین مشاهدات در همه نواحی است. ارزشهای مثبت خوشهبندی مکانی ارزشهای مشابه (بالا یا پایین) را نشان میدهد و ارزشهای منفی خوشهبندی مکانی ارزشهای غیرمشابه (بهعنوانمثال، ناحیهای باارزش بالا احاطهشده بهوسیله همسایههایی باارزشهای پایین) را نشان میدهد.
دادهها و ماتریس وزن مکانی
واحد تحلیل این مطالعه 117 ناحیه شهر تهران در سال 1390 است. متغیرهای مورداستفاده شامل درصد واحدهای مسکونی با یک اتاق و کمتر، درصد واحدهای مسکونی با سه اتاق و بیشتر، درصد واحدهای دارای آشپزخانه، حمام و توالت بهداشتی، درصد واحدهای دارای آب، برق و تلفن، تعداد نفر در واحد مسکونی، درصد واحدهای مسکونی با مساحت 50 متر و کمتر، درصد واحدهای مسکونی با مساحت 51 تا 100 متر، درصد واحدهای مسکونی با مساحت 101 تا 200 متر، درصد واحدهای مسکونی با مساحت بالای 200 متر، درصد خانوارهای مالک و درصد خانوارهای مستأجر است که از نتایج سرشماری عمومی نفوس و مسکن سال 1390 برای نواحی شهر تهران استخراجشدهاند.
اولین گام در تحلیل اکتشافی دادههای مکانی، تعریف ماتریس وزن مکانی است. ماتریس وزنی شیوهای برای بیان آرایش مکانی دادهها، تعریف وابستگی متقابل بین نواحی و همچنین نقطه شروع برای هر آزمون یا مدل آماری مکانی است. این ماتریس که به شیوههای گوناگون قابلتعریف است، ساختاری همسایگی بر دادهها اعمال میکند. در این ماتریس، هر ناحیه با مجموعهای از نواحی مجاور بر اساس یک الگوی مکانی بهطور خارجی تعریفشده، مرتبط است. عناصر Wii در قطر ماتریس همگی صفر هستند؛ درحالیکه عناصر Wij بیانگر روشی هستند که ناحیه i به لحاظ مکانی با ناحیه j مرتبط است. این عناصر غیر تصادفی، غیر منفی و متناهی هستند. ما در این مقاله از دو روش ساده باینری مجاورت کوین و نزدیکترین همسایهها استفاده کردهایم.
ماتریس مجاورت کوین از 0 و 1 تشکیلشده است: اگر ناحیه مرز مشترک حتی در یک نقطه با ناحیه داشته باشد، پس آنها همسایه هستند و؛ اما اگر ناحیه مرز مشترکی با ناحیه نداشته باشد، پس آنها همسایه نیستند و؛ بنابراین ماتریس وزنی کوین ماتریسی متقارن است که عناصر قطر اصلی آن همگی صفر میباشند.
ماتریس نزدیکترین همسایهها از فاصله بین مرکز هندسی نواحی محاسبه میشود و اشاره بر ارتباط مکانی هر ناحیه با تعداد یکسانی از نواحی مجاور (k) دارد. شکل کلی ماتریس وزنی نزدیکترین همسایهها یا W(k) اینگونه تعریفشده است:
رابطه (3)
بهطوریکه عنصری از ماتریس وزنی استاندارد نشده، عنصری از ماتریس وزنی استانداردشده و فاصله آستانه برای هر ناحیه i است. بهطور دقیقتر، k امین مرتبه کوچکترین فاصله بین نواحی i و j است، بهطوریکه هر ناحیه i دقیقاً k همسایه دارد. در این مطالعه، برای ماتریس وزنی نزدیکترین همسایهها، k=5,6 تعیینشده است. دلیل انتخاب k=5,6 این است که بیشترین فراوانی در توزیع ارتباط بین نواحی شهر تهران، بر اساس آزمون ماتریس مجاورت ساده باینری کوین مربوط به ارزش 5 و 6 است. به عبارت سادهتر، اکثریت نواحی شهر تهران دارای 5 و 6 همسایه میباشند (37 ناحیه دارای 5 همسایه و 25 ناحیه دارای 6 همسایه). برای نرمالسازی تأثیر خارجی بر روی هر ناحیه، هر دو ماتریس مجاورت کوین و نزدیکترین همسایهها استانداردسازی شدهاند، بهطوریکه مجموع عناصر هر سطر برابر یک باشد.
یافتهها
شناسایی ابعاد و توسعه شاخص کیفیت مسکن
برای شناسایی ابعاد و توسعه شاخص نهایی کیفیت مسکن در سطح نواحی شهر تهران از روش تحلیل مؤلفههای اصلی استفاده شد. ارزش KMO برابر 82/0 و سطح معناداری آزمون بارتلت برابر 00/0 است که نشاندهندۀ مناسب بودن دادهها برای تحلیل عاملی است. یازده متغیر مورداستفاده در این مطالعه با استفاده از تکنیک تحلیل مؤلفههای اصلی در غالب 3 مؤلفه ارائه شدند. این سه مؤلفه حدود 1/80 درصد واریانس موجود در دادههای اولیه را تبیین میکنند. مؤلفه اول بهعنوان مهمترین مؤلفه 1/38 درصد واریانس دادهها را تبیین میکند (جدول 2).
جدول 2- ماتریس بارهای عاملی برای متغیرهای کیفیت مسکن در شهر تهران
متغیرها |
عاملها |
||
1 |
2 |
3 |
|
درصد واحدهای مسکونی با یک اتاق و کمتر درصد واحدهای مسکونی با سه اتاق و بیشتر درصد واحدهای دارای آشپزخانه، حمام و توالت بهداشتی درصد واحدهای مسکونی با مساحت 50 متر و کمتر تعداد نفر در واحد مسکونی درصد واحدهای دارای آب، برق و تلفن درصد واحدهای مسکونی با مساحت 51 تا 100 متر درصد واحدهای مسکونی با مساحت بالای 200 متر درصد واحدهای مسکونی با مساحت 101 تا 200 متر درصد خانوارهای مالک درصد خانوارهای مستأجر |
921/0- 907/0 888/0 825/0- 626/0- 551/0
543/0
|
944/0- 840/0 788/0
488/0- |
539/0-
821/0 677/0- |
مقدار ویژه واریانس (%) مجموع واریانس تبیین شده (%) |
083/38 |
93/25 |
086/16 |
189/4 |
852/2 |
769/1 |
|
099/80 |
نتایج حاصل از تحلیل مؤلفههای اصلی اینگونه تفسیر شدهاند:
مؤلفه اول: این فاکتور دارای بارهای عاملی مثبت و بالا با چهار متغیر درصد واحدهای مسکونی با سه اتاق و بیشتر، درصد واحدهای دارای آشپزخانه، حمام و توالت بهداشتی، درصد واحدهای دارای آب، برق و تلفن و درصد خانوارهای مالک و بار عاملی منفی و بالا با سه متغیر درصد واحدهای مسکونی با یک اتاق و کمتر، درصد واحدهای مسکونی با مساحت 50 متر و کمتر، تعداد نفر در واحد مسکونی است. این عامل را میتوان بهعنوان تسهیلات و تراکم در مسکن نامگذاری کرد. امتیاز بالا در این فاکتور نشاندهندۀ کیفیت مسکن بهتر به لحاظ تسهیلات و تراکم است.
مؤلفه دوم: این فاکتور دارای بارهای عاملی منفی با متغیرهای درصد واحدهای مسکونی با مساحت 51 تا 100 متر و درصد خانوارهای مستأجر و بار عاملی مثبت با متغیرهای درصد واحدهای مسکونی با مساحت 101 تا 200 متر و درصد واحدهای مسکونی با مساحت بالاتر از 200 متر است. این عامل را میتوان بهعنوان مساحت مسکن نامگذاری کرد. امتیاز بالاتر در این عامل نشاندهندۀ وجود واحدهای مسکونی با مساحت بیشتر در ناحیه مورد مطالعه است.
مؤلفه سوم: این فاکتور دارای بار عاملی مثبت با متغیر درصد خانوارهای مالک و بار عاملی منفی با دو متغیر درصد خانوارهای مستأجر و تعداد نفر در واحد مسکونی است. این عامل را میتوان بهعنوان مالکیت مسکن نامگذاری کرد. امتیاز بالاتر در این عامل نشاندهندۀ میزان بالاتر مالکیت مسکن در ناحیه موردمطالعه است.
در این مطالعه هر مؤلفه بهعنوان بعدی از کیفیت مسکن در نظر گرفتهشده و از امتیاز مربوط به مؤلفهها برای توسعه شاخص نهایی کیفیت مسکن استفادهشده است. شاخص نهایی کیفیت مسکن ترکیب خطی وزن دهی شدۀ مؤلفههای استخراجشده با استفاده از روش تحلیل مؤلفههای اصلی است. برای وزن دهی مؤلفهها از واریانس مربوط به هر مؤلفه استفادهشده است. توزیع مکانی هرکدام از مؤلفهها و شاخص نهایی کیفیت مسکن در شکل (1) نمایش دادهشده است.
شکل 1- توزیع مکانی مؤلفهها و شاخص نهایی کیفیت مسکن در شهر تهران
توزیع مکانی مؤلفه اول، تمایز میان شمال و جنوب شهر تهران را نشان میدهد. نیمه شمالی دارای وضعیت مطلوبی در مؤلفه اول است، درحالیکه نیمه جنوبی وضعیت نامطلوبی را در این مؤلفه نشان میدهد. بهعبارتدیگر، نواحی واقع در نیمه شمالی شهر تهران دارای واحدهای مسکونی با تعداد اتاق بیشتر، امکانات و تسهیلات بالاتر و تراکم کمتر میباشند و عکس این حالت برای نیمه جنوبی شهر صادق است. در مؤلفه دوم بهاستثنای نواحی واقع در مرکز شمالی و شمال شهر تهران، سایر نواحی دارای وضعیت نامناسبی میباشند. توزیع مکانی مؤلفه دوم بیانگر مساحت پایین مساکن در جنوب، مرکز و شرق و مساحت بالای مسکن در شمال شهر تهران است. مؤلفه سوم بیانگر میزان مالکیت مسکن در سطح نواحی شهر تهران است. توزیع مکانی این مؤلفه، نشاندهنده بالا بودن میزان اجارهنشینی در مرکز شهر است. میزان اجارهنشینی با دور شدن از مرکز بهصورت شعاعی کاهش مییابد و در نواحی حاشیهای شهر تهران، افزایش دوباره میزان اجارهنشینی مشاهده میشود. توزیع مکانی شاخص نهایی کیفیت مسکن بهطور بارزی تقابل شمال- جنوب را در شهر تهران نشان میدهد. بالاترین میزان کیفیت مسکن مربوط به نواحی واقع در مرکز شمالی و شمال شهر تهران است، درحالیکه پایینترین کیفیت مسکن مربوط به نواحی واقع در نیمه جنوبی شهر تهران است.
تحلیل اکتشافی دادههای مکانی
آماره برای سنجش خودهمبستگی مکانی کلی مورداستفاده قرار گرفت (جدول 3). نتایج بهدستآمده نشان میدهد که بهطورکلی توزیع ارزشهای مربوط به شاخصهای کیفیت مسکن در سطح نواحی شهر تهران بهصورت خوشهای است. به عبارت سادهتر، بهطورکلی نواحی باارزشهای مشابه (بالا یا پایین) در مؤلفههای سهگانه و شاخص کیفیت مسکن بهطور معنیداری در مجاورت یکدیگر قرارگرفتهاند. با استفاده از ماتریس مجاورت کوین بالاترین میزان خودهمبستگی مکانی کلی بر اساس آماره مربوط به شاخص کیفیت مسکن (0.778) و پایینترین میزان مربوط به مؤلفه سوم (0.358) است.
جدول 3- آماره برای شاخصهای کیفیت مسکن
متغیرها |
Wk(6) weight matrix |
Wk(5) weight matrix |
W Binary weight matrix |
|||
Moran's I |
P-value |
Moran's I |
P-value |
Moran's I |
P-value |
|
مؤلفه 1 |
5550/0 |
01/0 |
5746/0 |
01/0 |
6068/0 |
01/0 |
مؤلفه 2 |
6111/0 |
01/0 |
6216/0 |
01/0 |
5955/0 |
01/0 |
مؤلفه 3 |
3426/0 |
01/0 |
3712/0 |
01/0 |
3586/0 |
01/0 |
کیفیت مسکن |
7413/0 |
01/0 |
7509/0 |
01/0 |
7788/0 |
01/0 |
نتایج حاصل از خودهمبستگی مکانی کلی بر اساس آماره تنها وجود و یا عدم وجود خوشهبندی کلی را در ناحیه موردمطالعه نشان میدهد؛ ازاینرو، نتایج حاصل از سنجش خودهمبستگی مکانی کلی باید در معرض تحلیلهای مکانی محلی قرار گیرند تا خوشهبندیهای مکانی ارزشهای بالا و خوشهبندیهای مکانی ارزشهای پایین متمایز شوند. بهعبارتدیگر، ما باید خودهمبستگی مکانی محلی را در سطح نواحی شهر تهران بهمنظور شناسایی خوشههای مکانی ارزشهای بالا یا پایین و نواحی سهیم در خودهمبستگی مکانی کلی مورد ارزیابی قرار دهیم.
تکنیک اولیه بهمنظور سنجش خودهمبستگی مکانی محلی در این مطالعه نمودار پراکندگی موران برای شاخصهای موردمطالعه است. همانگونه که اشاره شد نمودار پراکندگی موران دارای چهار چارک است که دو چارک بالا-بالا و پایین- پایین بیانگر خودهمبستگی مکانی مثبت و دو چارک بالا- پایین و پایین- بالا بیانگر خودهمبستگی مکانی منفی میباشند. شکل (2) توزیع نواحی شهر تهران را در چارکهای نمودار پراکندگی موران با توجه شاخصهای موردمطالعه نشان میدهد. بررسی وضعیت مؤلفه اول در سطح نواحی شهر تهران نشان میدهد که حدود 46 درصد نواحی در چارک بالا- بالا و 29 درصد نواحی در چارک پایین- پایین قرارگرفتهاند. این دو چارک بیانگر ارتباط مکانی مثبت میباشند؛ بنابراین برحسب وضعیت تسهیلات و تراکم مسکن بیشتر نواحی شهر تهران (75 درصد نواحی) بهوسیله ارتباط مکانی مثبت مشخصشدهاند. نواحی بالا- بالا عمدتاً در نیمه شمالی شهر تهران و نواحی پایین- پایین در نیمه جنوبی شهر واقعشدهاند. در این مؤلفه 2/16 درصد نواحی شهر در چارک پایین- بالا و 5/8 درصد در چارک بالا- پایین واقعشدهاند؛ که بیانگر ارتباط مکانی منفی و وجود ناهمگنی مکانی در سطح نواحی شهر تهران در شاخص تسهیلات و تراکم مسکن است. نواحی پایین- بالا و بالا- پایین بهصورت زونهای انتقالی بین نواحی بالا- بالا و پایین- پایین عمدتاً در شرق، شمال و مرکز شهر تهران مشاهده میشوند.
شکل 2- نمودار پراکندگی موران برای شاخصهای کیفیت مسکن در شهر تهران
توزیع مکانی مؤلفه دوم در نمودار پراکندگی موران نشان میدهد که 9/29 درصد نواحی در چارک بالا- بالا و 4/56 درصد در چارک پایین- پایین واقعشدهاند. نواحی بالا- بالا در مرکز شمالی و شمال شهر تهران و نواحی پایین-پایین در نیمه جنوبی، شرق و شمال غرب شهر تهران واقعشدهاند. نواحی پایین- بالا و بالا- پایین نیز با در برگرفتن 6/13 درصد نواحی عمدتاً در غرب و مرکز شهر تهران قابلمشاهده میباشند.
مؤلفه سوم نشاندهنده وضعیت مالکیت مسکن در سطح نواحی شهر تهران است. در این مؤلفه نواحی بالا- بالا (6/43 درصد نواحی) در شمال و بهصورت هالهای اطراف مرکز شهر و نواحی پایین- پایین (2/28 درصد نواحی) در نیمه غربی، مرکز و شرق شهر واقعشدهاند. نواحی پایین- بالا و بالا- پایین نیز شامل حدود 28 درصد نواحی شهر تهران میباشند که عمدتاً در شمال شرقی، مرکز و جنوب شهر بهعنوان زونهای انتقالی دیده میشوند (جدول 4).
جدول 4- توزیع نواحی شهر تهران در نمودار پراکندگی موران برحسب شاخصهای کیفیت مسکن
شاخصها |
موقعیت نواحی شهر تهران در نمودار پراکندگی موران، تعداد (درصد) |
|||
HH |
LL |
LH |
HL |
|
مؤلفه 1 |
(15/46)54 |
(06/29)34 |
(24/16)19 |
(55/8)10 |
مؤلفه 2 |
(91/29)35 |
(41/56)66 |
(42/3)4 |
(26/10)12 |
مؤلفه 3 |
(59/43)51 |
(20/28)33 |
(67/13)16 |
(53/14)17 |
شاخص کیفیت مسکن |
(88/41)49 |
(32/39)46 |
(55/8)10 |
(26/10)12 |
توزیع مکانی شاخص کیفیت مسکن در نمودار پراکندگی موران نشان میدهد که 8/41 درصد نواحی در چارک بالا-بالا و 3/39 درصد در چارک پایین- پایین واقعشدهاند. نواحی بالا- بالا در نیمه شمالی شهر و نواحی پایین- پایین در نیمه جنوبی شهر تهران دیده میشوند. حدود 19 درصد نواحی نیز بهعنوان زونهای انتقالی عمدتاً در مرکز، شرق و غرب شهر تهران مشاهده میشوند. نقشههای حاصل از نمودار پراکندگی موران در شکل 3 نمایش دادهشدهاند.
شکل 3- نقشههای نمودار پراکندگی موران برای مؤلفهها و شاخص کیفیت مسکن در شهر تهران
نتایج حاصل از نمودار پرکندگی موران وجود خودهمبستگی مکانی محلی و همچنین وجود ناپایداری مکانی محلی را برحسب شاخصهای موردمطالعه در سطح نواحی شهر تهران نشان میدهند. بااینوجود، این نتایج امکان ارزیابی معناداری آماری ارتباطات مکانی را به ما نمیدهند، زیرا نمودار پراکندگی موران ابزاری برای اکتشاف بصری خودهمبستگی مکانی تدارک میبیند، اما هیچگونه نشانهای از معناداری خوشهبندی مکانی به ما ارائه نمیدهد. به دلیل اینکه نمودار پراکندگی موران هیچگونه نتیجه معناداری به لحاظ آماری در اختیار ما قرار نمیدهد، بنابراین الگوهای جدید باید با استفاده از آماره LISA ارزیابی شوند. نقشههای LISA مبنا برای مؤلفهها و شاخص کیفیت مسکن در سال 1390 در سطح نواحی شهر تهران در شکل (4) نشان دادهشدهاند. این نقشهها اطلاعات موجود در نمودار پراکندگی موران و معناداری LISA را برای نشان دادن نواحی با LISA معنادار باهم ترکیب کردهاند.
در مؤلفه اول کیفیت مسکن نواحی بالا- بالا معنادار یک خوشه اصلی در نیمه شمالی شهر و یک خوشه فرعی در شرق شهر تهران و نواحی پایین- پایین معنادار یک خوشه اصلی در جنوب شهر تهران شکل دادهاند. چهار خوشه از نواحی پایین- بالا نیز در شمال و شرق شهر و یک خوشه بالا- پایین در مرکز جنوبی شهر دیده میشود. در مؤلفه دوم کیفیت مسکن یک خوشه معنادار بالا- بالا در شمال شهر و یک خوشه اصلی معنادار پایین- پایین در جنوب شرق و یک خوشه فرعی پایین- پایین در جنوب غربی شهر تهران مشاهده میشود. تحلیل LISA مبنا مؤلفه سوم کیفیت مسکن بیانگر وجود یک خوشه اصلی بالا- بالا در شمال و شرق شهر و چهار خوشه پایین- پایین در مرکز و غرب شهر تهران است. در این مؤلفه یک خوشه بالا- پایین نیز در غرب شهر تهران دیده میشود. در شاخص نهایی کیفیت مسکن یک خوشه اصلی بالا- بالا در نیمه شمالی شهر و یک خوشه پایین- پایین در نیمه جنوبی تهران شکلگرفته است؛ درحالیکه یک خوشه بالا- پایین در مرکز شهر تهران مشاهده میشود.
شکل4- نقشههای LISA مبنا کیفیت مسکن در سطح نواحی شهر تهران
جمعبندی و نتیجهگیری
در این مقاله، ما رویکرد تحلیل اکتشافی دادههای مکانی را برای بررسی توزیع مکانی متغیرهای کیفیت مسکن در سطح نواحی شهر تهران مورداستفاده قراردادیم. تحلیل اکتشافی دادههای مکانی مجموعهای از روشها و تکنیکها برای توصیف توزیع مکانی برحسب الگوهای همبستگی مکانی از قبیل خودهمبستگی مکانی و ناهمگنی مکانی است. چون این الگوها مرتبط با ماتریسهای وزن مکانی هستند، یعنی هر ناحیه با مجموعهای از نواحی مجاور پیوسته است، بنابراین وضعیت کیفیت مسکن در هر ناحیه در مقایسه با نواحی مجاور محاسبهشده است.
نتایج حاصل از خودهمبستگی مکانی بر اساس آماره موران و با استفاده از ماتریس وزن مکانی کوین نشان میدهد که توزیع مکانی شاخصهای کیفیت مسکن در سطح نواحی شهر تهران دارای خودهمبستگی مکانی مثبت معنادار و قوی است. به عبارت سادهتر، نواحی باارزشهای مشابه در متغیرهای موردمطالعه تمایل به خوشهبندی در شهر تهران دارند. برای شناسایی نواحی سهیم در خودهمبستگی مکانی کلی از تکنیکهای نمودار پراکندگی موران و آماره LISA استفاده شد. نتایج حاصل از نمودار پرکندگی موران وجود خودهمبستگی مکانی محلی و همچنین وجود ناپایداری مکانی محلی را برحسب شاخصهای موردمطالعه در سطح نواحی شهر تهران نشان میدهند. توزیع مکانی شاخص نهایی کیفیت مسکن در نمودار پراکندگی موران نشان میدهد که 8/41 درصد نواحی در چارک بالا-بالا و 3/39 درصد در چارک پایین- پایین واقعشدهاند. نواحی بالا- بالا در نیمه شمالی شهر و نواحی پایین- پایین در نیمه جنوبی شهر تهران دیده میشوند. حدود 19 درصد نواحی نیز بهعنوان زونهای انتقالی عمدتاً در مرکز، شرق و غرب شهر تهران مشاهده میشوند.
ازآنجاکه نمودار پراکندگی موران اطلاعات معناداری را در مورد توزیع مکانی متغیرها در اختیار نمیگذارد، بنابراین از آماره LISA برای بررسی معناداری آماری خوشهبندیها استفادهشده است. نتایج تحلیل LISA در مورد مؤلفه تسهیلات و تراکم در مسکن نشان میدهد که خوشهای از نواحی باارزشهای بالا در مرکز شمالی و در نیمه شمالی متمایل به غرب شهر تهران به مرکزیت شهرک قدس شامل مناطق 2، 5 و 6 وجود دارد. خوشه معناداری از ارزشهای پایین- پایین در جنوب شهر مشاهده میشود که نواحی واقع در مناطق 16، 17، 19 را در برمیگیرد. این نواحی دارای بیشترین میزان بیسوادی و کارگران ساده و کمترین میزان افراد دارای مهارت است. در مؤلفه مساحت مسکن، خوشه بالا- بالا در شمال شهر و بهخصوص در مناطق 1 و 3 و خوشه پایین- پایین در جنوب غربی شهر تهران شامل نواحی واقع در مناطق 8، 13، 14، 15 و 20 دیده میشود. در مؤلفه مالکیت مسکن، خوشه بالا- بالا در شمال و مرکز شرقی و بهخصوص در مناطق 1، 3، 7، 8، 13 و 14 و خوشه پایین- پایین در غرب و مرکز شهر تهران شامل مناطق 9، 12، 18، 21 و 22 مشاهده میشود.
در شاخص نهایی کیفیت مسکن تقابل شمال و جنوب شهر تهران بهخوبی مشاهده میشود. خوشه مطلوب کیفیت مسکن در نیمه شمالی شهر تهران و بهویژه در نواحی واقع در مناطق 1، 2، 3 و 6 و خوشه نامطلوب کیفیت مسکن در نیمه جنوبی شهر تهران و بهخصوص در نواحی واقع در مناطق 10، 11، 15، 16، 17، 18، 19 و 20 شکلگرفته است.
اگر مدیران شهری خواهان دستیابی به اهداف برابری شهری هستند، باید توجه به سیاستهای اجتماعی مکان محور را مدنظر قرار دهند. نقشههای تولیدشدۀ این مطالعه، برخی از نواحی را که نیاز بیشتری به مداخله در بخش مسکن دارند، برجسته ساخته و میتواند بهطور یقین، سیاستگذاران را در راستای کاهش نابرابریهای درونشهری هدایت کند. روششناسی ارائهشده در این مقاله میتواند توسط برنامهریزان برای بررسی متغیرهای مختلف بهمنظور به دست آوردن نتایج مبسوطتری بر اساس آزمونها و آشکارسازیهای آماری و شناسایی دقیقتر مکانهایی که نیاز به توجه بیشتر دارند، اتخاذ شود. در مطالعه موردی این پژوهش (شهر تهران)، هدف بررسی نابرابریهای درونشهری با تمرکز بر سطح کیفیت مسکن بود. بسیاری از هدفهای دیگر درزمینۀ موضوعات شهری و منطقهای از قبیل کیفیت زندگی، جرم و جنایت و بیکاری میتواند به این شیوه بررسی شود.
این روشها میتواند به سیاستهای عمومی که نیازمند شناسایی مکانهای خاص هستند، کمک کند. با دانستن این نکته که منابع در دسترس برای اجرای برنامهها کمیاب هستند و با در نظر گرفتن اینکه برابری در بالاترین مرتبه سیاستهای عمومی قرار دارد، نواحی واقعشده در پیرامون باید در اولویت اول قرار گیرند. توانایی برجستهسازی مکانهای خاص و دارای مشکل، روشهای تحلیل اکتشافی دادههای مکانی را به ابزاری جالبتوجه برای کمک به برنامهریزی عمومی و فرایندهای سیاستگذاری تبدیل کرده است.