Spatial distribution of quality of housing indicators in Tehran city: Exploratory Spatial Data Analysis Approach

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

In this paper we use spatial analysis techniques to assess intra-urban inequality based on Quality of Housing (QoH) indicators in Tehran city. Using district-level data, we apply Exploratory Spatial Data Analysis (ESDA) methods that account for spatial effects, that is, spatial autocorrelation and spatial heterogeneity. Results show that spatial autocorrelation and spatial heterogeneity are detected in the spatial distribution of housing quality in Tehran city, and therefore intra-urban inequalities exist with respect to QoH indicators. The ESDA methods described in this study can be adopted by planners to examine different variables, leading to more reliable results based on statistical tests and revealing, more precisely, locations that require more/less attention.

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.

 

1- افروغ، عماد، (1376)، فضا و نابرابری اجتماعی، شکویی، حسین، دانشگاه تربیت مدرس.
2- اکبری، نعمت‌الله، (1380)، تحلیل فضایی تقاضای اجتماعی (قابل تأمین) برای آموزش عالی در ایران، عسگری، علی، دانشگاه تربیت مدرس.
3- حاتمی نژاد، حسین، (1379)، عدالت اجتماعی و شهر: ناهمگونی فضایی محلات شهر مشهد، دانشگاه شهید بهشتی، دانشکده علوم زمین.
4- حاتمی نژاد، حسین، پوراحمد، احمد، منصوریان، حسین، رجایی، عباس، (1392)، تحلیلمکانیشاخص‌هایکیفیتزندگیدرشهرتهران، پژوهش­های جغرافیای انسانی، دوره 45، شماره 4، 29-56.
5- سرشماری عمومی نفوس و مسکن، (1390)، مرکز آمار ایران.
6- شریفی، عبدالنبی، (1385)، عدالت اجتماعی و شهر: تحلیلی بر نابرابری‌های منطقه‌ای در شهر اهواز، قرخلو، مهدی، دانشگاه تهران، دانشکده جغرافیا.
7- مرصوصی، نفیسه، (1382)، تحلیل فضایی عدالت اجتماعی در شهر تهران (مطالعه موردی شهرداری تهران)، شکویی، حسین، دانشگاه تربیت مدرس.
8- سیف الدینی، فرانک، منصوریان، حسین، (1390)، تحلیلالگویتمرکزخدماتشهریوآثارزیست‌محیطیآندرشهرتهران، محیط‌شناسی، شماره 60، 53-64.
9- Anselin, Luc, (1995), Local indicators of spatial association – LISA, Geographical Analysis, 27, 93–115.
10- Anselin, Luc, (1996), The Moran scatter plot as an ESDA tool to assess local instability in spatial association. In M. Fischer, H. J. Scholten, & D. Unwin (Eds.), Spatial analytical perspectives in GIS (pp. 111–125). London: Taylor & Francis.
11- Anselin, Luc, Sridharan, S & Gholston, S, (2007), Using exploratory spatial data analysis to leverage social indicator databases: the discovery of interesting patterns, Social Indicators Research, 82: 287–309.
12- Baumont, C. Ertur, C. & Le Gallo, J. (2004), Spatial analysis of employment and population density: The case of the agglomeration of Dijon, Geographical Analysis, 36, 146–176.
13- Ertur, C. & Le Gallo, J. (2003), An exploratory spatial data analysis of European disparities, 1980–1995, In B. Fingleton (Ed.), European regional growth (pp. 55–97). Berlin: Springer.
14- Guillain, R. Le Gallo, J. & Boiteux-Orain, C. (2006), Changes in spatial and sectoral patterns of employment in Ile-de-France, 1978–1997, Urban Studies, 43(11), 1–24.
15- Harris, R and Longley, P. (2004), Targeting Clusters of Deprivation within Cities, In Applied GIS and Spatial Analysis, Edited by J. Stillwell and G. Clarke, John Wiley & Sons, Ltd. ISBN: 0-470-84409-4. P:89-110.
16- Le Gallo, J. & Dall’Erba, S. (2006), Evaluating the temporal and spatial heterogeneity of the European convergence process, 1980–1999, Journal of Regional Science, 46(2), 269–288.
17- Le Gallo, J & Ertur, C. (2003), Exploratory spatial data analysis of the distribution of regional per capita GDP in Europe, 1980–1995, Regional Science, 82: 175-201.
18- Martinez, J.A, (2005). Monitoring intra-urban inequalities with GIS-based indicators With a case study in Rosario, Argentina, Faculty of Geosciences, doctoral dissertation, Utrecht University.
19- Perobell, F.S and Haddad, E.A, (2003), Brazilian Interregional Trade: An Exploratory Spatial Data Analysis, TD Nereus, 25: 1-28.
20- Rey, S. (2004), Spatial dependence in the evolution of regional income distributions, In A. Getis, J.nMur,&H. Zoeller (Eds.), Spatial econometrics and spatial statistics (pp. 194–213). Hampshire: Palgrave Macmillan.
21- Seifolddini, Faranak, Mansourian, Hossein, (2012), A Spatial Analysis of the Socio-economic and Environmental Variables of Tehran City, Spaces and Flows, Volume 2, 53-67.
22- Smith, G, (1999), Area-based Initiatives: The Rationale and Options for Area Targeting, Centre for Analysis of Social Exclusion, London School of Economics, London.