اثر متقابل فضایی الگوهای تراکم جمعیت در نواحی فرعی شمال شرقی تایلند

خلاصه

منطقه شمال شرقی تایلند از نظر مساحت و جمعیت بزرگترین منطقه است. با این حال، متوسط درآمد سرانه آن در تایلند کمتر است. این پدیده منجر به مهاجرت به شهرهای بزرگ می شود که مراکز اقتصادی محسوب می شوند. ما تأثیر تعامل فضایی را بر الگوی تراکم جمعیت در ۲۰ استان در شمال شرقی تایلند بررسی کردیم. داده ها از گردآوری و تهیه اطلاعات دموگرافیک ۲۶۷۶ منطقه فرعی برای سال ۱۳۸۱ تا ۱۳۹۶ به دست آمد. یک بررسی میدانی از طریق GPS در موسسات آموزشی، بیمارستان ها، فرودگاه ها، ادارات دولتی و مراکز خرید انجام شد. داده ها با استفاده از تجزیه و تحلیل خودهمبستگی مکانی توسط یک شاخص جهانی (I جهانی موران) و یک شاخص محلی (محلی Moran’s I و Getis-Ord G) مورد تجزیه و تحلیل قرار گرفت._{i ) مورد تجزیه و تحلیل قرار گرفت.}*). هشت منطقه موئانگ الگوی خوشه‌ای با بالا (HH) یا نقطه داغ را با نرخ سالانه فزاینده به نمایش گذاشتند. علاوه بر این، منطقه با بیشترین جاذبه در نزدیکی منابع خدماتی قرار داشت و مشخص شد که بیشترین جمعیت را دارد. علاوه بر این، تعامل گرانش با منابع خدمات همبستگی مثبت قوی با الگوهای مهاجرت داشت. بنابراین، خوشه ای از مناطق با بیشترین تراکم جمعیت در منطقه موئانگ در یکی از استان هایی با بیشترین منابع خدماتی قرار دارد، زیرا این مکان ها مردم و در نتیجه کارخانه های صنعتی و تجارت خدمات را جذب می کنند.

کلید واژه ها:

تعامل فضایی ; تراکم جمعیت ; من موران شمال شرقی تایلند

۱٫ معرفی

منطقه شمال شرقی آیسان از نظر مساحت بزرگترین منطقه تایلند است و همچنین میزبان بیشترین جمعیت است. بر اساس دوازدهمین برنامه ملی توسعه اقتصادی و اجتماعی (۲۰۱۷-۲۰۲۱)، منطقه شمال شرقی مرکز اقتصادی منطقه فرعی مکونگ بزرگ (GMS) با تاکید بر توسعه منطقه اقتصادی، گردشگری و استفاده از سرمایه گذاری برای اسکان پایگاه های تولید جدید در بخش صنعتی و توسعه پیوند از تایلند به لائوس و ویتنام. یک پروژه قطار سریع السیر برای اتصال به جمهوری خلق چین از طریق ویتنام آغاز شد [ ۱ , ۲]. با این حال، منطقه شمال شرق همچنان در فقر است و دارای نابرابری درآمد بالاتری نسبت به سایر مناطق است. این امر منجر به مهاجرت جمعیت از مناطق روستایی به شهرها می شود که رشد اقتصادی و صنعتی نسبتاً بالاتری نسبت به سایر مناطق دارند [ ۳ ، ۴ ]، در نتیجه تراکم جمعیت در شهرهای بزرگ افزایش می یابد. بنابراین، مدیریت گسترش مناطق شهری و توسعه شهرهای همجوار برای سازگاری با رشد جمعیت ایجاد شده است. اطلاعات توزیع جمعیت متغیر مهمی است که الگوی آن در پایین ترین سطح برنامه ریزی توسعه شهری مناطق بزرگ مورد استفاده قرار می گیرد [ ۵ ، ۶ ].

تحلیل خوشه ای یکی از روش هایی است که برای شناسایی الگوهای تراکم جمعیت استفاده می شود. همچنین برای ایجاد رونق اقتصادی، که مربوط به بخش تولید نیروی کار، زمین، آب و برق، زیرساخت، حمل و نقل، و مؤسسات دانشگاهی است [ ۷ ، ۸ ]، به عنوان حمایت از مناطقی که به طور بالقوه می تواند با هدف توسعه یابد، استفاده می شود. بهبود سطح شهرنشینی، با شهرهای بزرگ به عنوان پایگاه هایی برای اقتصاد، رونق آموزش، تجارت، خدمات و کارخانه های صنعتی [ ۹ ، ۱۰ ، ۱۱ ، ۱۲ ]]. این امر منجر به مدیریت موثر، توزیع برابر درآمد و کاهش مشکلات زیست محیطی می شود. مفهوم خوشه به تجزیه و تحلیل داده ها با استفاده از سیستم های اطلاعات جغرافیایی، آمار همبستگی خودکار مکانی و تحلیل گرانش با استفاده از مدل مرکز ثقل به عنوان ابزاری برای بررسی تراکم و پدیده های جغرافیایی وابسته است [ ۱۳ ، ۱۴ ].

تجزیه و تحلیل داده ها شامل آمار همبستگی خودکار مکانی مبتنی بر Moran’s I جهانی، یک شاخص همبستگی فضایی جهانی، و Moran’s I و Getis–Ord G _i * برای شاخص همبستگی فضایی محلی (LISA) تراکم جمعیت یک منطقه خاص و مناطق نزدیک این تکنیک‌ها برای شناسایی الگوهای تراکم جمعیت، که به‌عنوان زیاد زیاد (HH)، زیاد کم (HL)، کم کم (LL) یا کم زیاد (LH) طبقه‌بندی می‌شوند، استفاده شد [ ۱۵ ، ۱۶ ، ۱۷ ، ۱۸ . ]. علاوه بر این، آماره محلی G یا Getis–Ord G _i * نیز به عنوان شاخصی از همبستگی مکانی خودکار برای شناسایی الگوهای خوشه ای از طریق تجزیه و تحلیل نقطه داغ استفاده شد [ ۱۹ ]]. تجزیه و تحلیل گرانش و شبکه برای نشان دادن الگوی فضایی مکان‌ها با گرانش تراکم جمعیت، عوامل تجاری، خدمات و دسترسی به شهر انجام شد. تکنیک خوشه فضایی بیشتر برای تجزیه و تحلیل گروه ها و شناسایی توزیع متغیرها، مانند اپیدمی ها، گردشگری، مسکن با کیفیت پایین، تراکم مسکونی، اکوسیستم ها و اقتصاد استفاده شد [ ۲۰ ، ۲۱ ، ۲۲ ، ۲۳ ، ۲۴ ، ۲۵ ]. مدل گرانش برای نشان دادن گرانش ناشی از حرکت به مرکز استفاده شد [ ۱۳ , ۲۶ , ۲۷ , ۲۸]. مطالعات بسیاری با استفاده از تحلیل خودهمبستگی فضایی (SAA) الگوهای فضایی را در بخش‌های فرعی و به عبارت دیگر در پایین‌ترین سطح برنامه‌ریزی توسعه شهری در بلندمدت تحلیل کرده‌اند. علاوه بر این، مدل گرانش برای تجزیه و تحلیل اثرات متقابل فضایی برای SAA اعمال نشده است. در اینجا، تجزیه و تحلیل SAA الگوهای تراکم جمعیت را در سطوح زیر ناحیه و مناطق مجاور نشان می دهد. تعامل فضایی بر اساس شاخص گرانش در نواحی فرعی کل منطقه شمال شرقی تایلند مورد بررسی قرار گرفت و این شاخص با عوامل مختلف مرتبط بود. بنابراین، این مطالعه با هدف تجزیه و تحلیل اثرات متقابل فضایی الگوهای تراکم جمعیت در مناطق فرعی در ۲۰ استان در بخش شمال شرقی تایلند انجام شد. ما نقشه‌های الگوی توزیع جمعیت فضایی و داده‌های شاخص گرانش را ارائه می‌کنیم که اثر متقابل را نشان می‌دهد، که نشان‌دهنده دسترسی جمعیت از نواحی فرعی به مرکز شهر است. علاوه بر این، ما همبستگی بین شاخص گرانش و عوامل مرتبط با جمعیت را نشان می‌دهیم. این مطالعه پیشنهادهای قوی برای ارزیابی رابطه تعاملی بین الگوهای تراکم جمعیت و بخش اقتصادی ارائه می‌کند. این یک مبنای بسیار مهم برای مقامات دولتی و سازمان‌های اداری زیر ناحیه در تصمیم‌گیری و برنامه‌ریزی است، مانند توزیع منطقی مردم محلی و سیاست‌های شهرنشینی. ما ارتباط بین شاخص جاذبه و عوامل مرتبط با جمعیت را نشان می دهیم. این مطالعه پیشنهادهای قوی برای ارزیابی رابطه تعاملی بین الگوهای تراکم جمعیت و بخش اقتصادی ارائه می‌کند. این یک مبنای بسیار مهم برای مقامات دولتی و سازمان‌های اداری زیر ناحیه در تصمیم‌گیری و برنامه‌ریزی است، مانند توزیع منطقی مردم محلی و سیاست‌های شهرنشینی. ما ارتباط بین شاخص جاذبه و عوامل مرتبط با جمعیت را نشان می دهیم. این مطالعه پیشنهادهای قوی برای ارزیابی رابطه تعاملی بین الگوهای تراکم جمعیت و بخش اقتصادی ارائه می‌کند. این یک مبنای بسیار مهم برای مقامات دولتی و سازمان‌های اداری زیر ناحیه در تصمیم‌گیری و برنامه‌ریزی است، مانند توزیع منطقی مردم محلی و سیاست‌های شهرنشینی.

۲٫ مواد و روشها

در این مطالعه، روش در دو بخش گنجانده شد ( شکل ۱ ). ابتدا الگوهای توزیع جمعیت فضایی با استفاده از SAA مورد تجزیه و تحلیل قرار گرفت. دوم، مدل مرکز گرانش با نتایج SAA برای اندازه‌گیری اثر متقابل فضایی الگوهای چگالی استفاده شد.

۲٫۱٫ منطقه مطالعه

منطقه مورد مطالعه قسمت شمال شرقی تایلند (از این پس به عنوان شمال شرقی نامیده می شود) بود، منطقه ای واقع در فلات کورات که شبیه یک حوضه است، که از ارتفاع بالا به سمت غرب به سمت یک دشت شرق تخلیه می شود. شمال شرقی با رودخانه مکونگ (در امتداد مرز با لائوس) از شمال و شرق، با کامبوج در جنوب شرقی، و رشته کوه Sankamphaeng در جنوب Nakhon Ratchasima در جنوب همسایه است. محدوده Phu Phan را به عنوان محدوده داخلی دارد. به عنوان بزرگترین منطقه در تایلند، شمال شرقی ۲۰ استان را پوشش می دهد، به نام های Amnat Charoen، Bueng Kan، Buriram، Chaiyaphum، Kalasin، Khon Kaen، Loei، Maha Sarakham، Mukdahan، Nakhon Phanom، Nakhon Ratchasima، Nong Bua Lam Phu، Nong Khai، Roi Et، Sakhon Nakhon، Si Sa Ket، Surin، Ubon Ratchathani، Udon Thani و Yasothon ( شکل ۲). مساحت این منطقه ۱۶۸۸۵۴ کیلومتر مربع ^است . بر اساس آمار کشوری شمال شرق از ۲۶۷۶ بخش فرعی تشکیل شده است. شمال شرق در سال ۲۰۰۲ دارای ۲۱،۵۵۱،۴۳۴ نفر جمعیت است، در حالی که جمعیت آن در سال ۲۰۰۷، ۲۱،۳۸۱،۲۴۹، در سال ۲۰۱۲، ۲۱،۶۹۷،۴۸۸، و در سال ۲۰۱۷، ۲۱،۹۸۹،۴۷۷ نفر بوده است. مقدار برنج یاسمن در کشور کشت می شود. نیشکر، کاساوا و لاستیک نیز در اینجا به عنوان محصولات کشاورزی برای بخش صنعتی کشت می شوند.

۲٫۲٫ جمع آوری و آماده سازی داده ها

داده‌های ۲۶۷۶ ناحیه در شمال شرقی تایلند برای دوره زمانی بین سال‌های ۲۰۰۲ تا ۲۰۱۷ از اداره ملی آمار و وزارت کشور برای استفاده به عنوان پایگاه داده برای تجزیه و تحلیل روابط بین اندازه جمعیت، خدمات عمومی و عمومی به‌دست آمد. کمک کرد و جمعیت غیرقانونی را در تحلیل حذف کرد. اداره ملی آمار داده ها را به صورت آنلاین از طریق شبکه خود که توسط سازمان های اداری زیر ناحیه مربوطه جمع آوری شده است، به دست آورد. برای صحت، داده های جمع آوری شده را با ثبت سرشماری از سازمان اداری منطقه مقایسه کردیم. بنابراین، داده‌های جمعیتی در هنگام بررسی متقابل داده‌های اداره ملی آمار و سازمان‌های اداری زیر ناحیه (SAO) از طریق بررسی‌های میدانی و مصاحبه با مقامات مشابه بود. مرحله بعدی شامل بررسی و جمع‌آوری داده‌های مختصات جغرافیایی با استفاده از سیستم موقعیت‌یابی جهانی (GPS) و تصاویر ماهواره‌ای با وضوح بالا بود. این داده ها شامل پنج نوع تسهیلات عمومی از جمله مدارس، بیمارستان ها، ادارات دولتی، فرودگاه ها و مراکز خرید بود. مدارس به سه دسته تقسیم شدند: مدارس بزرگ با ۱۵۰۰ دانش آموز یا بیشتر، مدارس متوسط با ۵۰۰ تا ۱۴۹۹ دانش آموز و مدارس کوچک با کمتر از ۵۰۰ دانش آموز. اینها برای تجزیه و تحلیل یک مدل دسترسی و گرانش، که تعاملات جمعیت را نشان می دهد استفاده شد [ فرودگاه ها و مراکز خرید مدارس به سه دسته تقسیم شدند: مدارس بزرگ با ۱۵۰۰ دانش آموز یا بیشتر، مدارس متوسط با ۵۰۰ تا ۱۴۹۹ دانش آموز و مدارس کوچک با کمتر از ۵۰۰ دانش آموز. اینها برای تجزیه و تحلیل یک مدل دسترسی و گرانش، که تعاملات جمعیت را نشان می دهد استفاده شد [ فرودگاه ها و مراکز خرید مدارس به سه دسته تقسیم شدند: مدارس بزرگ با ۱۵۰۰ دانش آموز یا بیشتر، مدارس متوسط با ۵۰۰ تا ۱۴۹۹ دانش آموز و مدارس کوچک با کمتر از ۵۰۰ دانش آموز. اینها برای تجزیه و تحلیل یک مدل دسترسی و گرانش، که تعاملات جمعیت را نشان می دهد استفاده شد [۲۹ ، ۳۰ ، ۳۱ ]. علاوه بر این، داده‌های مربوط به خدمات عمومی مانند جاده‌های اصلی و فرعی نیز برای تعیین عوامل مرتبط با سرعت، مسافت و زمان با توجه به سرعت استاندارد اداره راه‌های روستایی جمع‌آوری شد. سپس داده‌ها به نرم‌افزار سیستم اطلاعات جغرافیایی ArcGIS (ESRI، کانادا) برای تحلیل شبکه‌های جاده‌ای و کوتاه‌ترین زمان سفر از مناطق فرعی به مرکز ثقل جمعیت وارد شد.

۲٫۳٫ تحلیل خودهمبستگی فضایی

این مطالعه از SAA در دو سطح شاخص جهانی و محلی استفاده کرد. جهانی موران I برای تجزیه و تحلیل خودهمبستگی مکانی شاخص جهانی استفاده شد، در حالی که موران محلی I و Getis–Ord G _i * برای خودهمبستگی مکانی شاخص محلی استفاده شد. رابطه بین تراکم جمعیت در هر یک از نواحی فرعی و در ۸ تا ۱۶ ناحیه مجاور برای تجزیه و تحلیل وزن پیوستگی با استفاده از مجاورت ملکه مورد بررسی قرار گرفت. با استفاده از فاصله اقلیدسی، مرحله بعدی شامل انتخاب یک متریک فاصله از طریق نرم افزار GeoDa برای محاسبه بود. سطح اطمینان برای نتیجه ۹۵٪ بود [ ۳۲ ، ۳۳ ، ۳۴ ].

برای تجزیه و تحلیل تراکم جمعیت با استفاده از یک متغیر، Moran’s I جهانی برای بررسی همبستگی مکانی شاخص جهانی استفاده شد. برای سال‌های ۲۰۰۲، ۲۰۰۷، ۲۰۱۲ و ۲۰۱۷، داده‌های مربوط به تراکم جمعیت برای شناسایی الگوهای کلی شمال شرق در یک واحد در سطح منطقه‌ای با مقایسه مقدار نقطه حاصل در موقعیت مورد بررسی با سایر موقعیت‌ها با استفاده از یک ماتریس وزن فضایی [ ۱۸ ، ۳۵ ]، همانطور که در رابطه (۱) نشان داده شده است.

من=n∑∑wمنj(ایکسمن-ایکس¯)(ایکسj-ایکس¯)w∑(ایکسj-ایکس¯)۲

(۱)

جایی که منهمبستگی فضایی بر اساس من جهانی موران است، ایکسمنجمعیت در هر منطقه است من، ایکسjجمعیت در هر منطقه است jکه در مجاورت منطقه قرار دارد من، ایکس¯میانگین تراکم جمعیت است، nتعداد کل مناطق فرعی شمال شرقی است و دبلیومنjماتریس وزن فضایی فاصله از نقطه مرکزی مناطق فرعی است.

Local Moran’s I برای تحلیل شاخص محلی خودهمبستگی فضایی استفاده شد. چنین آماری برای اندازه گیری همبستگی تراکم جمعیت مناطق در سطح زیر ناحیه و نواحی فرعی مجاور در الگوی تراکم از مجموع ۲۶۷۶ ناحیه فرعی، همانطور که در رابطه (۲) نشان داده شده است، استفاده شد.

منمن=زمن∑مندبلیومنjزj

(۲)

جایی که منمنهمبستگی تراکم جمعیت بر اساس موران I محلی است، زمنانحراف از جمعیت در هر منطقه است منکه نزدیک به منطقه است jجمعیت در هر منطقه انحراف از است زj، من، و دبلیومنjماتریس وزن فضایی فاصله از نقطه مرکزی مناطق فرعی است.

ضریب همبستگی بر اساس I موران بین -۱ و +۱ است. یک خود همبستگی فضایی مثبت نشان‌دهنده توزیع فضایی قابل توجهی از تراکم جمعیت بالا یا پایین (خوشه‌ای) است. در مقابل، یک مقدار منفی نشان‌دهنده تفاوت فضایی معنی‌دار بین مساحت هر زیر ناحیه از نظر تراکم جمعیت (پراکندگی)، در حالی که صفر نشان‌دهنده یک همبستگی فضایی غیرمعنادار (تصادفی) است [ ۳۶ ، ۳۷ ]. Local Moran’s I الگوهای خوشه های تراکم جمعیت را در چهار کلاس نشان می دهد: بالا-بالا (HH)، کم-کم (LL)، زیاد-کم (HL) و کم-بالا (LH) [ ۱۵ ، ۱۷ ، ۱۸ ].

Getis–Ord G _i * برای تجزیه و تحلیل شاخص های محلی خود همبستگی فضایی برای شناسایی خوشه های داده ها، به نام تجزیه و تحلیل نقطه داغ استفاده شد. مناطقی که بیشترین و کمترین تراکم جمعیت را داشتند، مقادیر Z-score را به دست آوردند که به ترتیب بالاتر از ۱٫۹۶+، به نام نقاط داغ، و کمتر از ۱٫۹۶-، به نام نقاط سرد بودند. یک امتیاز Z مثبت نشان‌دهنده یک خوشه با ارزش بالا است، در حالی که یک نمره منفی نشان‌دهنده یک خوشه با ارزش پایین است که با اطمینان ۹۵٪ تعیین می‌شود، Getis–Ord G _i * از رابطه (۳) به دست آمد.

جیمن*(د)=∑j=1nwمن،j(د)ایکسj-ایکس¯∑j=1nwمن،j(د)سn∑j=1nwمن،j2(د)-(∑j=1nwمن،j2(د))۲n-1

(۳)

جایی که

ایکس¯=∑j=1nایکسjn،

اس=∑j=1nایکسj2n-ایکس¯۲

و جیمن*(د)توزیع تراکم جمعیت (نمرات Z)، دفاصله از نقطه مرکزی یک منطقه فرعی تا تمام مناطق فرعی همسایه است، ایکسمنجمعیت در هر منطقه است من، ایکسjجمعیت در هر منطقه است jکه نزدیک به منطقه است منماتریس وزن فضایی است دبلیومنjفاصله از نقطه مرکزی بخشهای فرعی و nتعداد کل مناطق فرعی شمال شرقی است.

۲٫۴٫ مدل مرکز ثقل

مدل گرانش برای تجزیه و تحلیل تعامل بین مناطقی که بر فعالیت‌های توسعه منطقه تأثیر می‌گذارد استفاده شد. این مدل روشی شناخته شده برای تجزیه و تحلیل پدیده های اقتصادی است که بر جمعیت تأثیر می گذارد. در این کار، مناطق خوشه‌بندی‌شده از تحلیل LISA به طور خاص انتخاب شدند و میانگین نقاط مرکزی مناطق فرعی را برای اعمال مدل ایجاد کردند. این مطالعه دسترسی به امکانات رفاهی (مانند مدارس، بیمارستان‌ها، ادارات دولتی، فرودگاه‌ها و مراکز خرید) را که بر خوشه‌های جمعیتی تأثیر می‌گذارد، و اثربخشی دسترسی به شبکه جاده‌ای را تحلیل کرد. با استفاده از مدل مرکز گرانش، معادله هاف [ ۳۸ ، ۳۹ ] و لاکشمانان و هانسن تنظیم و اعمال شد [ ۴۰ ]]. دو عامل مؤثر بر تجزیه و تحلیل شامل جمعیت در منطقه و دسترسی بالقوه به منابع مرکز [ ۱۴ ، ۳۱ ، ۴۱ ] بود.

برای تجزیه و تحلیل شاخص گرانش زندگی در منطقه اطراف مرکز خدمات با تعامل فضایی، محاسبه بر اساس شاخص منابع انسانی و شاخص دسترسی با استفاده از مدل گرانش به شرح زیر انجام شد.

جیمنj=پاچمنjتیاچمنj

(۴)

جیمنjشاخص دسترسی به منطقه خدمات است. پاچمنشاخص منابع انسانی است و تیاچمنjشاخص دسترسی است. مرحله بعدی شامل طبقه بندی گرانش دسترسی به منطقه خدماتی به سطوح مختلف با استفاده از شکست های طبیعی (جنکس) بود. گروه های با جیمنjدر همان سطح با هم گروه بندی شدند. واریانس در همان گروه کمترین اما واریانس بین گروه ها بالاترین بود. این مطالعه طبقه بندی کرد جیمنjبه چهار گروه بالاتر، زیاد، متوسط و پایین تقسیم می شود.

شاخص منابع انسانی ( پاچمن) یک عامل جذب است و برای تجزیه و تحلیل جمعیت در هر منطقه استفاده می شود، همانطور که در رابطه (۵) [ ۸ ] بیان شده است.

پاچمن=(پمن-پدقیقه)(پحداکثر-پدقیقه)+۱

(۵)

جایی که پاچمنشاخص منابع انسانی است، پمنجمعیت در منطقه فرعی است من، پحداکثرو پدقیقهحداکثر و حداقل ۲۶۷۶ ناحیه در شمال شرقی تایلند است.

شاخص دسترسی ( تیاچمنj) عاملی است که از طریق کوتاه ترین مسیر به دست آمده از تجزیه و تحلیل ساختار شبکه فضایی به منابع مرکزی سفر می کند. ابزار تحلیل شبکه (عملکرد تسهیلات بسته) با زمان و مسافت برای پردازش کوتاه‌ترین مسیر برای ارائه زمان سفر استفاده شد. برای به دست آوردن داده های مربوط به شبکه خط جاده ساخته شده برای تعیین سرعت محدود بر اساس نوع جاده، مرکز منطقه فرعی و مرکز محله های تجاری استفاده شد که با آن کوتاه ترین مسیر بر اساس نوع جاده برای سفر به مرکز بود. همانطور که در رابطه (۶) بیان شد، تعیین شد.

تیاچمنjافjتیمنjλ∑j=1nافjتیمنjλ

(۶)

جایی که تیاچمنjشاخص دسترسی (احتمال منطقه jمورد بازدید ساکنان منطقه من). تیمنjزمان حرکت اندازه گیری شده بین نقطه گرانش و نقطه مرکزی زیر ناحیه الگوی خوشه بندی است. λتوان زمان درایو است (برابر ۱) و افjجذابیت منطقه است j(برابر ۱).

پس از بررسی و جمع‌آوری داده‌های مختصات جغرافیایی خدمات عمومی، مرکز جذب خدمات و نقطه مقصد سفر برای رسیدن به منبع مرکزی با استفاده از تحلیل میانگین مرکز برای تعیین ارزش وزنی همه موقعیت‌های خدمات عمومی تعیین شد. ، که برابر با ۱ است، برای نشان دادن منبع مرکزی مرکز خوشه های شهر.

۲٫۵٫ تعامل بین شاخص جاذبه و عوامل مرتبط

تجزیه و تحلیل همبستگی فضایی بین شاخص گرانش، تراکم جمعیت، مهاجرت، Moran’s I محلی و Getis–Ord G _i * همانطور که در رابطه (۷) بیان شده است انجام شد.

ρ=∑من=۱ن(ایکسمن-μایکس)(yمن-μy)∑من=۱ن(ایکسمن-μایکس)۲∑من=۱ن(yمن-μy)2

(۷)

جایی که ρضریب همبستگی پیرسون است. ایکس،yمتغیر هستند و μایکس،μyمقادیر میانگین متغیرها هستند ایکسو y.

مقدار همبستگی بین -۱ و +۱ است: همبستگی ۰ نشان دهنده عدم وجود همبستگی بین متغیرها است. ایکسو y. مقدار همبستگی غیر صفر نشان دهنده همبستگی بین متغیرها است ایکسو y. همبستگی مثبت نشان می دهد که دو متغیر در یک جهت تغییر می کنند، در حالی که همبستگی منفی به این معنی است که متغیرها در جهت مخالف تغییر می کنند. رویکرد ارائه شده در اینجا برای مناسب بودن مورد بررسی قرار گرفت و توسط کمیته اخلاق دانشگاه Mahasarakham در تحقیقات انسانی شماره ۱۳۱/۲۰۱۹ تأیید شد.

۳٫ نتایج

۳٫۱٫ تحلیل الگوی فضایی با استفاده از خودهمبستگی فضایی

تجزیه و تحلیل توزیع جمعیت با استفاده از همبستگی فضایی بر اساس Moran’s I جهانی برای دوره زمانی بین سال‌های ۲۰۰۲ تا ۲۰۱۷، یک ارزش جهانی Moran’s I مثبت ( ۰۵/ ۰p ) را هر سال به دست آورد. این نشان می دهد که منطقه با تراکم مشابه (زیاد یا کم) خوشه بندی شده است و ارزش Moran’s I جهانی هر سال افزایش می یابد ( جدول ۱). ).

تجزیه و تحلیل خود همبستگی فضایی تراکم جمعیت بر اساس موران I محلی نشان داد که در سال ۲۰۰۲، اکثر مناطق هیچ همبستگی نداشتند (۲۰۵۳ زیر ناحیه از مجموع ۲۶۷۶ زیر ناحیه). در میان مناطقی که همبستگی داشتند ( ۰۵/ ۰p <)، بیشتر الگوی LL (485 ناحیه) و سپس HH (97 ناحیه)، LH (17 ناحیه) و HL (24 ناحیه) با مقدار مشابهی مشخص شد. ، که در نتایج به دست آمده برای سال های ۲۰۰۷، ۲۰۱۲ و ۲۰۱۷ ویژگی های مشابهی را به همراه داشت ( جدول ۲ ).

از سال ۲۰۰۲ تا ۲۰۱۷، منطقه با الگوی HH هر سال افزایش می‌یابد، در حالی که منطقه با الگوی LL کاهش می‌یابد. این امر نشان‌دهنده افزایش در زیرمحله‌های خوشه‌ای با تراکم جمعیت بالا بود، در حالی که کاهش در بخش‌های فرعی خوشه‌ای با تراکم جمعیت کم وجود داشت. منطقه با الگوی HH بیشتر در نواحی مونگ و منطقه ای تقریباً شبیه حوضه های رودخانه Khorat، Mun River و Chee مشاهده شد، در حالی که الگوی LL بیشتر در رشته کوه ها و جنگل ها در غرب شمال شرقی مشاهده شد. این منطقه رشته‌کوه‌های Phetchabun، Dong Phaya Yen و Dong Sankampang را در بر می‌گیرد که به شرق رشته‌کوه Phu Phan می‌ریزد. جنوب رشته کوه Khao Phanom Dong Rak بود که در امتداد کل وسعت از شرق به غرب امتداد دارد.شکل ۳ ).

داده‌های هر استان برای دوره بین سال‌های ۲۰۰۲ تا ۲۰۰۷ نشان می‌دهد که تنها هشت استان (از مجموع ۲۰ استان) خوشه‌بندی شده‌اند، که همبستگی نابرابر است ( ۰۵/ ۰p <) همانطور که در شکل ۲ نشان داده شده است. پنج استان در ابتدا دارای الگوی HH بودند (Buriram، Roi Et، Ubon Ratchathani، Nong Khai، و Surin). همانطور که در شکل ۳ نشان داده شده است، سه استان دیگر دارای الگوی HH (ناخون راچاسیما، خون کائن و اودون تانی) هستند . شکل ۴٫ در ۱۵ سال گذشته، مناطق زیادی از مرکز این منطقه گسترش یافته اند، مانند ناخون راچاسیما، پایتخت منطقه پایین شمال شرقی، دروازه ای که منطقه مرکزی و منطقه شرقی را به هم متصل می کند. این شهر قطب پیشرفت های اقتصادی، تجاری، صنعتی و کشاورزی، گردشگری فرهنگی خمر، ورزش، پزشکی و آموزش است که از نظر جغرافیایی پیشرفت اقتصادی را با استان های دیگر منطقه از جمله بوریرام، سورین و اوبون راتچاتانی پیوند می دهد. Khonkaen مرکز منطقه شمال شرقی مرکزی است که به صورت خوشه‌ای جمع شده و به مناطق نزدیک گسترش یافته و شهرهای جدیدی را در این منطقه ایجاد کرده است. Udon Thani پایتخت منطقه شمال شرقی بالاتر است، که مرکز خدمات، صنایع کشاورزی، و کارخانه های نیشکر است و به Nong Khai، که قطب اقتصادی اطراف رودخانه مکونگ است، ارتباط دارد. اجازه دادن به تجارت در آن سوی مرز علاوه بر این، جمعیت در امتداد شبکه حمل و نقل اصلی که ناخون راچاسیما، خون کائن، اودون تانی و نونگ خای را به هم متصل می‌کند، مستقر شدند.

تجزیه و تحلیل از طریق Getis–Ord G _i * نشان داد که در سال ۲۰۰۲، خوشه‌هایی از مناطق با تراکم جمعیت بالا یا نقاط داغ در ۱۲۲ منطقه فرعی بودند. در مقابل، خوشه‌هایی از مناطق کم تراکم جمعیت یا نقاط سردسیر در ۵۰۶ زیر ناحیه مشاهده شد. ۲۰۴۸ منطقه فرعی وجود داشت که خوشه‌بندی نشده بودند ( ۰۵/ ۰p <). این نتایج از سال ۲۰۰۲ تا ۲۰۱۷ همچنین افزایش تعداد مناطق فرعی دارای یک نقطه گرم را در هر سال نشان می دهد، در حالی که مناطق دارای یک نقطه سرد کاهش می یابد همانطور که در جدول ۲ نشان داده شده است. این جدول نتیجه تجزیه و تحلیل بر اساس Getis–Ord G _i * ( شکل ۴ ) را نشان می دهد که با نتیجه تجزیه و تحلیل بر اساس I محلی موران مطابقت دارد.

۳٫۲٫ شاخص مرکز ثقل

برای تجزیه و تحلیل شاخص مرکز ثقل از دو عامل استفاده شد: شاخص جاذبه و زمان سفر برای رسیدن به منبع مرکزی. تجزیه و تحلیل هشت شهر با الگوهای خوشه ای نشان می دهد که مناطق فرعی در بالاترین سطح (قرمز تیره) طبقه بندی شده اند. آنها در نزدیکی مرکز خدمات قرار داشتند. با این حال، برخی از بخش‌های فرعی با شاخص گرانش در بالاترین سطح، دور از منبع مرکزی شهر قرار دارند. این نتایج متفاوتی را در مقایسه با مناطق فرعی با شاخص گرانش در سطح بالا (قرمز روشن) به همراه داشت، زیرا این مناطق دارای اندازه جمعیت زیادی بودند. اوبون راتچاتانی در منطقه فرعی رای نوی، منطقه میونگ، چنین مثالی است. اگرچه جمعیت آن ۲۵۱۹۰ نفر و فاصله آن از مرکز ۱۱۹۵۷ متر است که بسیار دور است. همچنان در بالاترین سطح (قرمز تیره) طبقه بندی می شد. در مقابل، در حالی که بخش‌های فرعی در شهرها ۱۱۲۹۱ نفر جمعیت داشتند و فاصله آن از مرکز حدود ۱۶۴۹ متر بود، در سطح بالا (قرمز روشن) طبقه‌بندی شدند. منطقه ای در شعاع ۳۰ کیلومتری در اطراف مرکز شهر به عنوان نقطه دسترسی حداکثر تعیین شد، جایی که محله های تجاری و خدمات یافت می شود، که در نهایت منجر به تراکم جمعیت بالا می شود. با این حال، تراکم جمعیت زمانی کاهش می یابد که چنین مناطقی از مرکز دور باشند. مراکز پایتخت‌های منطقه‌ای مراکز خدماتی هستند که آن‌ها را به مراکز شاخص گرانش بالا تبدیل می‌کند، از جمله ناخون راچاسیما، اودون تانی، و خون کاین، در حالی که بوریرام، روی ات، سورین و نونگ‌خی در مرکز شهر هستند و اوبون راتچاتانی در محوطه مرکز آموزشی همانطور که در نشان داده شده است در حالی که بخش‌های فرعی در شهرها ۱۱۲۹۱ نفر جمعیت داشتند و فاصله آن از مرکز حدود ۱۶۴۹ متر بود، در سطح بالا (قرمز روشن) طبقه‌بندی شدند. منطقه ای در شعاع ۳۰ کیلومتری در اطراف مرکز شهر به عنوان نقطه دسترسی حداکثر تعیین شد، جایی که محله های تجاری و خدمات یافت می شود، که در نهایت منجر به تراکم جمعیت بالا می شود. با این حال، تراکم جمعیت زمانی کاهش می یابد که چنین مناطقی از مرکز دور باشند. مراکز پایتخت‌های منطقه‌ای مراکز خدماتی هستند که آن‌ها را به مراکز شاخص گرانش بالا تبدیل می‌کند، از جمله ناخون راچاسیما، اودون تانی، و خون کاین، در حالی که بوریرام، روی ات، سورین و نونگ‌خی در مرکز شهر هستند و اوبون راتچاتانی در محوطه مرکز آموزشی همانطور که در نشان داده شده است در حالی که بخش‌های فرعی در شهرها ۱۱۲۹۱ نفر جمعیت داشتند و فاصله آن از مرکز حدود ۱۶۴۹ متر بود، در سطح بالا (قرمز روشن) طبقه‌بندی شدند. منطقه ای در شعاع ۳۰ کیلومتری در اطراف مرکز شهر به عنوان نقطه دسترسی حداکثر تعیین شد، جایی که محله های تجاری و خدمات یافت می شود، که در نهایت منجر به تراکم جمعیت بالا می شود. با این حال، تراکم جمعیت زمانی کاهش می یابد که چنین مناطقی از مرکز دور باشند. مراکز پایتخت‌های منطقه‌ای مراکز خدماتی هستند که آن‌ها را به مراکز شاخص گرانش بالا تبدیل می‌کند، از جمله ناخون راچاسیما، اودون تانی، و خون کاین، در حالی که بوریرام، روی ات، سورین و نونگ‌خی در مرکز شهر هستند و اوبون راتچاتانی در محوطه مرکز آموزشی همانطور که در نشان داده شده است و فاصله از مرکز در حدود ۱۶۴۹ متر بود، آنها در سطح بالا (قرمز روشن) طبقه بندی شدند. منطقه ای در شعاع ۳۰ کیلومتری در اطراف مرکز شهر به عنوان نقطه دسترسی حداکثر تعیین شد، جایی که محله های تجاری و خدمات یافت می شود، که در نهایت منجر به تراکم جمعیت بالا می شود. با این حال، تراکم جمعیت زمانی کاهش می یابد که چنین مناطقی از مرکز دور باشند. مراکز پایتخت‌های منطقه‌ای مراکز خدماتی هستند که آن‌ها را به مراکز شاخص گرانش بالا تبدیل می‌کند، از جمله ناخون راچاسیما، اودون تانی، و خون کاین، در حالی که بوریرام، روی ات، سورین و نونگ‌خی در مرکز شهر هستند و اوبون راتچاتانی در محوطه مرکز آموزشی همانطور که در نشان داده شده است و فاصله از مرکز در حدود ۱۶۴۹ متر بود، آنها در سطح بالا (قرمز روشن) طبقه بندی شدند. منطقه ای در شعاع ۳۰ کیلومتری در اطراف مرکز شهر به عنوان نقطه دسترسی حداکثر تعیین شد، جایی که محله های تجاری و خدمات یافت می شود، که در نهایت منجر به تراکم جمعیت بالا می شود. با این حال، تراکم جمعیت زمانی کاهش می یابد که چنین مناطقی از مرکز دور باشند. مراکز پایتخت‌های منطقه‌ای مراکز خدماتی هستند که آن‌ها را به مراکز شاخص گرانش بالا تبدیل می‌کند، از جمله ناخون راچاسیما، اودون تانی، و خون کاین، در حالی که بوریرام، روی ات، سورین و نونگ‌خی در مرکز شهر هستند و اوبون راتچاتانی در محوطه مرکز آموزشی همانطور که در نشان داده شده است منطقه ای در شعاع ۳۰ کیلومتری در اطراف مرکز شهر به عنوان نقطه دسترسی حداکثر تعیین شد، جایی که محله های تجاری و خدمات یافت می شود، که در نهایت منجر به تراکم جمعیت بالا می شود. با این حال، تراکم جمعیت زمانی کاهش می یابد که چنین مناطقی از مرکز دور باشند. مراکز پایتخت‌های منطقه‌ای مراکز خدماتی هستند که آن‌ها را به مراکز شاخص گرانش بالا تبدیل می‌کند، از جمله ناخون راچاسیما، اودون تانی، و خون کاین، در حالی که بوریرام، روی ات، سورین و نونگ‌خی در مرکز شهر هستند و اوبون راتچاتانی در محوطه مرکز آموزشی همانطور که در نشان داده شده است منطقه ای در شعاع ۳۰ کیلومتری در اطراف مرکز شهر به عنوان نقطه دسترسی حداکثر تعیین شد، جایی که محله های تجاری و خدمات یافت می شود، که در نهایت منجر به تراکم جمعیت بالا می شود. با این حال، تراکم جمعیت زمانی کاهش می یابد که چنین مناطقی از مرکز دور باشند. مراکز پایتخت‌های منطقه‌ای مراکز خدماتی هستند که آن‌ها را به مراکز شاخص گرانش بالا تبدیل می‌کند، از جمله ناخون راچاسیما، اودون تانی، و خون کاین، در حالی که بوریرام، روی ات، سورین و نونگ‌خی در مرکز شهر هستند و اوبون راتچاتانی در محوطه مرکز آموزشی همانطور که در نشان داده شده استشکل ۵ . مدل گرانش را می توان برای برنامه ریزی اقتصادی و مکان ها، مانند توافق نامه های تجاری منطقه ای در نزدیکی استان های شاخص های جغرافیایی استفاده کرد. در این میان، اثرات رشد اقتصادی داخلی است و این اقتصادهای خارجی هستند که شغل ایجاد می‌کنند، بنابراین جنبش کارگری رشد می‌کند.

۳٫۳٫ اثر متقابل شاخص جاذبه و عوامل مرتبط با جمعیت

برای بررسی شاخص گرانش تعامل و عوامل مرتبط (تراکم جمعیت، مهاجرت بر اساس Moran’s I و Getis–Ord G _i *)، این مطالعه داده‌های مساحت مناطق فرعی را تنها با شاخص گرانش آماری معنی‌دار تجزیه و تحلیل کرد. این بخش های فرعی در هشت استان به نام های بوریرام، خون کاین، ناخون راچاسیما، نونگ خای، روی ات، سورین، اوبون راچیتانی و اودون تانی قرار داشتند.

نتایج تجزیه و تحلیل شاخص گرانش و اثر متقابل تراکم جمعیت نشان داد که همبستگی ( r ) بین ۰٫۲۳ و ۰٫۹۹ مثبت است ( شکل ۶ ) که نشان دهنده شاخص گرانش و تراکم جمعیت در سطوح مختلف به جز استان هایی مانند Ubon است. راتچاتانی. r = ۰٫۲۳ نشان می دهد که منطقه با بیشترین گرانش اندکی با تراکم جمعیت مرتبط است.

شاخص گرانش با مهاجرت جمعیت با مقدار بین ۰٫۶۱ تا ۰٫۹۸ ارتباط مثبت داشت. با در نظر گرفتن همه استان‌ها، مقدار r بین شاخص جاذبه و سایر عوامل (تراکم جمعیت، Moran’s I و Getis–Ord G _i *) بالاتر بود.

شاخص گرانش به طور مثبت با Moran’s I و Getis-Ord G _i * همراه بود، با مقداری بین ۰٫۵۴ و ۰٫۹۸ (محلی Moran’s I) و ۰٫۴۶ و ۰٫۹۳ (Getis–Ord G _i *). Local Moran’s I به دلیل تجزیه و تحلیل ارزش تقسیم استاندارد همه نواحی فرعی در این منطقه، همراه با مناطق مجاور، ارزش بالاتری داشت، در حالی که Getis–Ord G _i * فقط مناطق مجاور را اندازه گیری می کرد. بنابراین، شاخص گرانش با مهاجرت، تراکم جمعیت، Moran’s I محلی و Getis–Ord G _i * همبستگی زیادی داشت.

۴٫ بحث

تجزیه و تحلیل توزیع داده های مکانی با استفاده از روش خود همبستگی مکانی عملاً برای مطالعه مناطق متوسط و کوچک استفاده شد [ ۱۳ ، ۲۳ ، ۴۲ ، ۴۳ ]. در همین حال، تجزیه و تحلیل مناطق در مقیاس بزرگ در دوره های زمانی مختلف به ندرت انجام شد [ ۴۴ ، ۴۵ ]. این مطالعه با استفاده از تحلیل خودهمبستگی فضایی، توزیع‌های منطقه‌ای را در سطح زیر ناحیه در سال‌های ۲۰۰۲، ۲۰۰۷، ۲۰۱۲ و ۲۰۱۷ تحلیل کرد. دو سطح از تجزیه و تحلیل خودهمبستگی فضایی وجود دارد: (۱) شاخص جهانی و (۲) شاخص محلی. ابزار شاخص جهانی Moran’s I است، در حالی که ابزارهای نشانگر محلی Moran’s I و Getis–Ord G _{i هستند.}*. علاوه بر این، تحلیل مدل گرانش مرکز خدمات و تعامل بین شاخص گرانش و عوامل مرتبط انجام شد.

تجزیه و تحلیل توزیع جمعیت فضایی در شمال شرقی با استفاده از موران I جهانی، شاخص مثبتی را در هر سال مطالعه به دست آورد. این نشان دهنده حضور خوشه ای از مناطق فرعی با تراکم جمعیت بالا بود. علاوه بر این، شاخص تجزیه و تحلیل در طول ۱۵ سال افزایش یافت که نشان‌دهنده خوشه‌بندی مثبت و وجود همبستگی‌های فضایی مثبت نسبتا قوی‌تر در بین استان‌ها در طول زمان است. نتایج سیاست های توسعه ای شمال شرق طی سالیان متمادی در کنار جایگاه منطقه به عنوان یک منطقه مهم ارتباطی برای کشورهای همسایه، موجب رونق اقتصادی برخی استان ها شده است و مهاجرت های کاری برای تحصیل نیز در این روند مؤثر بوده است. .

نتایج تجزیه و تحلیل محلی Moran’s I و Getis–Ord G _i * سازگار بود. جمعیت متراکم به صورت خوشه ای در نواحی شهری نزدیک نواحی مرکزی هشت استان شناسایی شد. این نشان می دهد که تراکم جمعیت زیر ناحیه همسایه در همان جهت تغییر کرده است. به عنوان مثال، اگر یک ناحیه از تراکم جمعیت بالایی برخوردار باشد، منطقه فرعی همسایه نیز دارای همان سطح پرجمعیت خواهد بود. علاوه بر این، اگر یک ولسوالی دارای تراکم جمعیتی کم باشد، بخش های فرعی مجاور نیز تراکم جمعیتی پایینی خواهند داشت. در طول دوره از ۲۰۰۲ تا ۲۰۱۷، نقاط گرم افزایش یافته، در حالی که نقاط سرد کاهش یافته است.

یکی از دلایل الگوهای مشاهده شده این است که جمعیت در شمال شرق به سرعت از ۲۱۵۵۱۴۳۴ نفر در سال ۲۰۰۲ به ۲۱۹۸۹۴۷۷ نفر در سال ۲۰۱۷ افزایش یافت. بر اساس گزارش وزارت کار صنعتی (۲۰۱۴) خدمات عمومی و کارخانه های فرآوری کشاورزی افزایش یافت [ ۴۶ ]. ۴۱۲۲۰ کارخانه در سال ۲۰۰۵ ثبت شده بود. در همین حال، ۴۴۱۴۳ کارخانه در سال ۲۰۱۴ وجود داشته است. حمل و نقل یا جابجایی بین استان ها به دلیل گسترش جاده های اصلی راحت تر شده است، از جمله اینکه در سال ۲۰۱۵ فرودگاه در استان Roi Et برای پروازهای طولانی ارتقا یافته است. علاوه بر این، فرودگاه های منطقه ای در استان های Khon Kaen، Ubon Ratchathani و Udon Thani بازسازی و به سطوح بین المللی ارتقا یافتند. ۴۷ ]]. رشد اقتصادی منجر به افزایش متوسط درآمد سرانه برای جمعیت طی سال‌های ۲۰۰۵-۲۰۱۴ از ۳۲۳۰۸ به ۷۱۲۸۶ بات سرانه شد [ ۴۸ ]. به طور مشابه، لو [ ۲۷ ] دریافت که تکه تکه شدن اقتصادی یک عامل مهم تأثیرگذار بر الگوهای توزیع جمعیت در منطقه سیچوان-یوننان-گوئیژو، چین است.

بیشتر مناطق با خوشه بندی زیاد کم و کم بالا به دلیل شکاف بین شهرهای توسعه اقتصادی و مناطق شهری در اطراف نواحی شهر قرار داشتند. بنابراین نرخ توسعه اقتصادی و تراکم جمعیت شهری نیز افزایش یافته است. برخی از دلایل این امر مهاجرت است که به موجب آن مردم از حومه شهر به مناطق شهری نقل مکان می کنند. به طور مشابه، در نانیجونگ، استان جیانگ سو، چین، به دلیل جمعیت زیاد در مرکز شهر نانیجونگ، یک خوشه‌بندی بسیار کم گزارش شده است. با این حال، شهرهای مجاور جمعیت کمی دارند [ ۲۸ ].

هشت استان با خوشه بندی HH با ۱۲ استان شمال شرق بدون خوشه بندی، به ویژه در شهرهای مرزی مانند سورین، نونگ خای، اوبون راتچاتانی متفاوت بودند. در این میان، استان بوریرام به عنوان نقطه متمایز گردشگری، مقاصد ورزشی فوتبال و پیست های مسابقه ای در سطح جهانی به شمار می رود. استان های ناخون راچاسیما، خون کائن، اودون تانی به عنوان مراکز تجارت و آموزش در بین کشورهای همسایه تعریف می شوند. همچنین یک خوشه در منطقه موئانگ در استان Roi Et یافت شده است. اگرچه استان به عنوان یک شهر متمایز مانند سایرین در نظر گرفته نمی شود، نتایج خوشه بندی نشان داد که جمعیت متراکم در مرکز شهر و مناطق اطراف شهر وجود دارد. دلیل این الگو احتمالاً به دلیل مرکز شمال شرق بودن استان است.

نتایج تحلیل گرانش در مراکز خدماتی شهرهای با شاخص های بالا مانند ناخون راچاسیما، اودون ثانی و خون کائن با واقعیت مناطق شهری مطابقت داشت. از آنجایی که این شهرهای بزرگ در منطقه و مراکز اقتصادی تجارت، خدمات بهداشتی و آموزشی هستند که ابزارهایی برای حمایت از رشد جمعیت هستند، شهرها از گذشته تا کنون به سرعت گسترش یافته اند [ ۴۹ ]. نتایج مشابهی از Bunea [ ۵۰ ] نشان داد که مهاجرت با جاذبه منطقه، به ویژه اندازه جمعیت و فاصله مهاجرت مرتبط است. اگر جمعیت زیاد بود احتمال مهاجرت هم وجود داشت. از سوی دیگر، فرصت های مهاجرت در موارد نزدیک کاهش یافت. در همین حال، مافی [ ۵۱] تجزیه و تحلیل دسترسی به مناطق خدماتی در کوتاه ترین زمان بر اساس سرعت و انواع جاده ها را پیشنهاد کرد. نتایج تجزیه و تحلیل با کوتاه‌ترین زمان استفاده شده برای دسترسی به مرکز خدمات، سرعت محدود شده توسط انواع جاده‌ها و کیفیت جاده‌ای که بر گرانش سفر و حمل‌ونقل جمعیت محلی تأثیر می‌گذارد، سازگار بود.

تجزیه و تحلیل توزیع داده‌های مکانی با استفاده از خودهمبستگی مکانی و مقایسه شاخص‌های گرانش بر اساس عوامل مرتبط با جمعیت نشان داد که استان‌های منسجم زیربخش دارای تراکم جمعیت بالا و جمعیت زیادی هستند. دلایل اصلی افزایش خوشه‌بندی منابع اقتصادی و خدماتی بود، به‌عنوان مثال، بیمارستان‌ها، موسسات آموزشی متعدد و معروف، ارتقاء به عنوان یک شهر ورزشی در سطح جهانی، شهر مرزی تجارت بین‌المللی و غیره که می‌تواند جمعیتی را جذب کند. مهاجران در جستجوی فرصت های شغلی [ ۵۰ ]. بنابراین، توسعه خدمات عمومی و حمل و نقل باید نقش کلیدی در جذب مردم داشته باشد که بر روی املاک صنعتی، تجارت و خدمات نیز تأثیر خواهد گذاشت.

برای پیشنهادات بیشتر در بررسی پدیده جمعیت ناهماهنگ با الگوهای دقیق برای شناسایی شرایط اقتصادی، در مناطق با رشد و شهرنشینی بالا، اندازه و تمرکز بیشتر از جوامع شهری خواهد بود. اگرچه این مطالعه به مجموعه تولید ناخالص داخلی (GDP) در سطح ناحیه تایلند محدود می شود، داده های تراکم جمعیت در هر منطقه می تواند الگوهای توزیع جمعیت را نشان دهد، و با جاذبه و عوامل مرتبط با جمعیت مرتبط است، که می تواند به طور موثر حل کند. مشکلات ذخیره سازی داده های محلی در مناطق، مناطق و کشورها بزرگ. علاوه بر این، این رویکرد را می توان برای شناسایی سریع الگوهای تمرکز و توزیع مناطق مختلف اقتصادی توسعه داد.

۵٫ نتیجه گیری ها

از مطالعه تعاملات فضایی بر اساس مدل تراکم جمعیت ۲۰ استان منطقه شمال شرقی تایلند از سال ۲۰۰۲ تا ۲۰۱۷، نتایج زیر حاصل می شود:

۱٫ هشت استان دارای خوشه بندی مثبت بودند که همگی در نواحی موانگ (بوریرام، خون کائن، ناخون راچاسیما، نونگ خای، روی ات، سورین، اوبون راتچاتانی و اودون تانی) بودند. خوشه بندی جمعیت نیز از سال ۲۰۰۲ تا ۲۰۱۷ در مناطق فرعی همجوار افزایش یافته است.

۲٫ تعداد نواحی فرعی مجاور با تراکم جمعیتی بالا (HH یا نقاط داغ)، که همگی مناطق شهری بودند، در بازه زمانی ۲۰۰۲ تا ۲۰۱۷ افزایش یافت. با این حال، تراکم نواحی فرعی با جمعیت کم تراکم (LL یا نقاط سرد) که بیشتر مناطق کوهستانی و جنگلی بودند، کاهش یافت. با این حال، بیشتر مناطق (تقریباً ۷۷٪ از تعداد کل مناطق فرعی شمال شرق) مرتبط نبودند.

۳٫ نواحی واقع در نزدیکی مراکز تجاری و خدماتی (موسسات آموزشی، بیمارستان ها، ادارات دولتی و فروشگاه های بزرگ) تعاملات بیشتری را نسبت به مناطق دورافتاده مناطق فرعی نشان دادند. این فعل و انفعالات همچنین به اندازه جمعیت بستگی داشت: آنها در میان جمعیت های بزرگ زیاد و در میان جمعیت های کوچک کم بودند.

۴٫ شاخص جاذبه دسترسی به مناطق خدماتی با مهاجرت ارتباط مثبت داشت. این شدیدتر از روابط بین شاخص گرانش دسترسی به مراکز خدماتی و تراکم جمعیت، Moran’s I محلی و Getis–Ord G _i * بود.

۵٫ ما از داده های جمعیت از اداره ملی آمار تایلند استفاده کردیم و داده های جمعیت غیرقانونی را حذف کردیم. مطالعات آتی باید تعداد خانوارها را از طریق سروی های میدانی یا سازمان های اداری فرعی ناحیه (SAO) برای پردازش جمع آوری و ترکیب کند، که نتایج دقیق تری از الگوهای توزیع جمعیت فضایی ارائه می دهد.

منابع

فوران، تی. وارد، جی. لیچ، آ. Smajgl, A. کاوش در آینده مکونگ: گردآوری سناریوها ; گزارش فنی، ژوئن ۲۰۱۲; CSIRO: کانبرا، استرالیا، ۲۰۱۲٫ [ Google Scholar ]
اداره ملی آمار. تعداد جمعیت از ثبت نام بر اساس جنسیت، مساحت، تراکم، خانه، منطقه و استان: ۲۰۰۸–۲۰۱۷٫ در دسترس آنلاین: http://statbbi.nso.go.th/staticreport/page/sector/th/01.aspx (در ۲۶ اوت ۲۰۱۹ قابل دسترسی است).
چترانوند، او. آیسان در آسه‌آن: نابرابری و توسعه منطقه‌ای. جی. ادم عمومی پول. ۲۰۲۰ ، ۹ ، ۸۱-۱۰۴٫ [ Google Scholar ]
پینیوکاتچیندا، اس. والش، جی. نقش SEZ ها در توسعه اقتصادی منطقه ای تایلند. اتوبوس. مدیریت Rev. ۲۰۱۵ , ۶ , ۱۹۹٫ [ Google Scholar ]
ترنر، بی. Mauer، BA تجزیه و تحلیل جمعیت جغرافیایی: ابزارهایی برای تجزیه و تحلیل تنوع زیستی. جی. اکول. ۱۹۹۴ , ۸۲ , ۹۸۱٫ [ Google Scholar ] [ CrossRef ]
پائز، آ. Scott، DM آمار فضایی برای تحلیل شهری: مروری بر تکنیک ها با مثال. جئوژورنال ۲۰۰۴ ، ۶۱ ، ۵۳-۶۷٫ [ Google Scholar ] [ CrossRef ]
هو، ز. Lo, C. مدلسازی رشد شهری در آتلانتا با استفاده از رگرسیون لجستیک. محاسبه کنید. محیط زیست سیستم شهری ۲۰۰۷ ، ۳۱ ، ۶۶۷-۶۸۸٫ [ Google Scholar ] [ CrossRef ]
راموس، R. مدل‌های جاذبه: ابزاری برای تجزیه و تحلیل مهاجرت. IZA World Labor ۲۰۱۶ ، ۲۳۹ ، ۱-۱۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Carrothers, GAP تصویری تاریخی از گرانش و مفاهیم بالقوه تعامل انسانی. مربا. Inst. طرح. ۱۹۵۶ ، ۲۲ ، ۹۴-۱۰۲٫ [ Google Scholar ] [ CrossRef ]
گوردون، I. تراکم، شکل شهری و رفتار سفر. شهر Ctry. طرح. ۱۹۹۷ ، ۶۶ ، ۲۳۹-۲۴۱٫ [ Google Scholar ]
جونز، سی. Pimdee, P. ایده های نوآورانه: تایلند ۴٫۰ و انقلاب صنعتی چهارم. آسیایی بین المللی J. Soc. علمی ۲۰۱۷ ، ۱۷ ، ۴-۳۵٫ [ Google Scholar ] [ CrossRef ]
شائو، ی. والش، اس جی. انتویسل، بی. Rindfuss، RR خوشه بندی فضایی و تنظیمات شهری مهاجران روستایی در بانکوک، تایلند. Geocarto Int. ۲۰۰۸ ، ۲۳ ، ۳۵-۵۲٫ [ Google Scholar ] [ CrossRef ]
لیو، سی. وو، ایکس. وانگ، ال. تجزیه و تحلیل تغییرات امنیت اکولوژیکی زمین و عوامل تاثیرگذار با استفاده از RS و GWR در منطقه مخزن دانجیانگکو، چین. Appl. Geogr. ۲۰۱۹ ، ۱۰۵ ، ۱-۱۴٫ [ Google Scholar ] [ CrossRef ]
اورسی، ف. Geneletti، D. استفاده از عکس های دارای برچسب جغرافیایی و تجزیه و تحلیل GIS برای تخمین جریان بازدیدکنندگان در مناطق طبیعی. جی. نات. حفظ کنید. ۲۰۱۳ ، ۲۱ ، ۳۵۹-۳۶۸٫ [ Google Scholar ] [ CrossRef ]
Anselin، L. شاخص های محلی ارتباط فضایی-LISA. Geogr. مقعدی ۲۰۱۰ ، ۲۷ ، ۹۳-۱۱۵٫ [ Google Scholar ] [ CrossRef ]
لی، سی. ژانگ، ا. Qi، Q. سو، اچ. وانگ، جی. تحلیل فضایی-زمانی پویایی انسان در الگوهای کاربری زمین شهری با استفاده از داده های رسانه های اجتماعی بر اساس جنسیت. ISPRS Int. J. Geo-Inf. ۲۰۱۸ ، ۷ ، ۳۵۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Mathur، M. تجزیه و تحلیل خودهمبستگی فضایی در جمعیت گیاهی: یک مرور کلی. J. Appl. نات علمی ۲۰۱۵ ، ۷ ، ۵۰۱-۵۱۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
اودن، N. تنظیم I موران برای تراکم جمعیت. آمار پزشکی ۱۹۹۵ ، ۱۴ ، ۱۷-۲۶٫ [ Google Scholar ] [ CrossRef ]
وانگ، WC; چانگ، ی.-جی. وانگ، اچ.-سی. کاربرد روش خودهمبستگی فضایی بر تغییر قیمت املاک در شهر تایتونگ. ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۲۴۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
آسونکائو، آر.ام. Reis, EA پیشنهاد جدیدی برای تنظیم Moran’s I برای تراکم جمعیت. آمار پزشکی ۱۹۹۹ ، ۱۸ ، ۲۱۴۷-۲۱۶۲٫ [ Google Scholar ] [ CrossRef ]
گوتیرز، آ. آرائوزو-کارود، جی.-ام. تجزیه و تحلیل فضایی خوشه بندی سلب مالکیت در مناطق شهری مسکن با کیفیت پایین: شواهدی از شهرهای کاتالونیا. ISPRS Int. J. Geo-Inf. ۲۰۱۸ ، ۷ ، ۲۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
میلوارد، اچ. Bunting، T. الگوبرداری در تراکم جمعیت شهری: یک مدل فضایی-زمانی در مقایسه با تورنتو ۱۹۷۱-۲۰۰۱٫ محیط زیست طرح. یک اقتصاد. فضا ۲۰۰۸ ، ۴۰ ، ۲۸۳-۳۰۲٫ [ Google Scholar ] [ CrossRef ]
رودریگز رانگل، ام سی; Sánchez-Rivero، M. عدم تعادل فضایی بین عرضه و تقاضای توریستی: شناسایی خوشه‌های فضایی در Extremadura، اسپانیا. پایداری ۲۰۲۰ ، ۱۲ ، ۱۶۵۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ساریون-گاویلان، MD؛ مارکز، MDB; Mora-Rangel، EO توزیع فضایی عرضه گردشگری در اندلس. تور. مدیریت چشم انداز ۲۰۱۵ ، ۱۵ ، ۲۹-۴۵٫ [ Google Scholar ] [ CrossRef ]
شوورمن، ن. پیترز، PA; Oliver، LN آیا چاقی و فعالیت بدنی خوشه ای هستند؟ تحلیل فضایی مرتبط با تراکم مسکونی چاقی ۲۰۰۹ ، ۱۷ ، ۲۲۰۲-۲۲۰۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Jeefoo, P. تجزیه و تحلیل خوشه بندی فضایی و تشخیص نقاط داغ شیوع HIV/AIDS با استفاده از فناوری GIS. بین المللی J. Geoinf. ۲۰۱۶ ، ۱۲ ، ۶۵-۷۳٫ [ Google Scholar ]
لو، ی. یو، اچ. لیو، اس. لیانگ، ی. لیو، اس. ناهمگونی فضایی و جفت مراکز گرانش اقتصادی و جمعیتی در کوه‌های هنگدوان. پایداری ۲۰۱۹ ، ۱۱ ، ۱۵۰۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
یانگ، م. ما، جی. جیا، پی. Pu، Y. چن، جی. استفاده از خودهمبستگی فضایی برای تجزیه و تحلیل تغییرات در الگوهای توزیع فضایی تراکم جمعیت در استان جیانگ سو، چین. در مجموعه مقالات نوزدهمین کنفرانس بین المللی ژئوانفورماتیک ۲۰۱۱، شانگهای، چین، ۲۴ تا ۲۶ ژوئن ۲۰۱۱٫ [ Google Scholar ]
Haggett, P. Geography: A Global Synthesis , ۴th ed.; پرنتیس هال: هارلو، بریتانیا، ۲۰۰۱٫ [ Google Scholar ]
هاینز، KE; مدلهای برهمکنش گرانشی و فضایی فوترینگهام، AS ; سیج: بورلی هیلز، کالیفرنیا، ایالات متحده آمریکا، ۱۹۸۴; جلد ۲٫ [ Google Scholar ]
کوروسکا، ک. کریسک، اچ. Kietlińska، E. استفاده از مدل جاذبه در برنامه ریزی فضایی. در مجموعه مقالات کنفرانس بین المللی مهندسی محیط زیست، ICEE، ویلنیوس، لیتوانی، ۲۷-۲۸ آوریل ۲۰۱۷٫ [ Google Scholar ]
بیوند، RS; Wong، DWS مقایسه پیاده سازی شاخص های جهانی و محلی تداعی فضایی. تست ۲۰۱۸ ، ۲۷ ، ۷۱۶-۷۴۸٫ [ Google Scholar ] [ CrossRef ]
Mitchell, A. راهنمای ESRI برای تجزیه و تحلیل GIS. در اندازه گیری و آمار فضایی ; راهنمای ESRI برای تجزیه و تحلیل GIS. ESRI Press: Redlands، CA، USA، ۲۰۰۵٫ [ Google Scholar ]
Ord، JK; Getis، A. آمار خودهمبستگی فضایی محلی: مسائل توزیع و یک برنامه کاربردی. Geogr. مقعدی ۱۹۹۵ ، ۲۷ ، ۲۸۶-۳۰۶٫ [ Google Scholar ] [ CrossRef ]
جونیور، گیگابایت؛ de Paiva، AC; سیلوا، AC؛ de Oliveira، طبقه بندی ACM بافت پستان با استفاده از شاخص موران و ضریب گیر به عنوان امضای بافت و SVM. محاسبه کنید. Biol. پزشکی ۲۰۰۹ ، ۳۹ ، ۱۰۶۳-۱۰۷۲٫ [ Google Scholar ] [ CrossRef ]
راتر، سی ام. ایزاکس، EH; Srivastava، RM مقدمه ای بر زمین آمار کاربردی. مربا. آمار دانشیار ۱۹۹۱ ، ۸۶ ، ۵۴۸٫ [ Google Scholar ] [ CrossRef ]
فورتین، ام.-جی. دیل، MRT؛ Ver Hoef, J. تحلیل فضایی در بوم شناسی. در دایره المعارف محیط سنجی ; الشعراوی، ق، پیگورش، دبلیو دبلیو.، ویرایش. John Wiley & Sons Ltd.: Chichester, England, 2002; جلد ۴، ص ۲۰۵۱–۲۰۵۸٫ [ Google Scholar ]
هاف، دی ال تحلیل احتمالی مناطق تجاری مراکز خرید. اقتصاد زمین ۱۹۶۳ ، ۳۹ ، ۸۱٫ [ Google Scholar ] [ CrossRef ]
تخمین پارامتر هاف، DL در مدل هاف. ArcUser. ان GIS ۲۰۰۳ ، ۱۹ ، ۳۴-۳۶٫ [ Google Scholar ]
Lakshmanan، JR; Hansen, WG مدل بالقوه بازار خرده فروشی. مربا. Inst. طرح. ۱۹۶۵ ، ۳۱ ، ۱۳۴-۱۴۳٫ [ Google Scholar ] [ CrossRef ]
لی، اس.-اچ. چوی، J.-Y. یو، اس.-اچ. اوه، Y.-G. ارزیابی مرکزیت فضایی برای مدیریت یکپارچه گردشگری در مناطق روستایی با استفاده از GIS و تحلیل شبکه. تور. مدیریت ۲۰۱۳ ، ۳۴ ، ۱۴-۲۴٫ [ Google Scholar ] [ CrossRef ]
بای، جی. لی، اس. وانگ، ن. شی، ج. لی، X. اثر سرریز فضایی توسعه انرژی جدید بر رشد اقتصادی در مناطق در حال توسعه چین – یک آزمون تجربی بر اساس مدل فضایی دوبین. Sustainability ۲۰۲۰ , ۱۲ , ۳۲۴۹٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
سانچز-مارتین، جی.-م. Gallego، JIR; Blas-Morato، R. تجزیه و تحلیل نقطه داغ در مقابل تجزیه و تحلیل خوشه و پرت: تحقیق در مورد گروه بندی مسکن روستایی در Extremadura (اسپانیا). ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۱۷۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Eichhorn، S. تفکیک داده‌های جمعیت و ارزیابی دقت توزیع جمعیت مدل‌سازی شده با وضوح بالا – مطالعه موردی آلمان. پایداری ۲۰۲۰ ، ۱۲ ، ۳۹۷۶٫ [ Google Scholar ] [ CrossRef ]
وی، سی. وانگ، ز. لان، ایکس. ژانگ، اچ. فن، ام. ویژگی‌های مکانی-زمانی و معضلات شهرنشینی پایدار در چین: دیدگاهی جدید بر اساس مفهوم پنج در یک. Sustainability ۲۰۱۸ , ۱۰ , ۴۷۳۳٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
دپارتمان کارهای صنعتی. آمار تعداد کارخانجات و مجاز به فعالیت، منطقه شمال شرق ; وزارت صنعت: بانکوک، تایلند، ۲۰۱۴٫ موجود به صورت آنلاین: http://service.nso.go.th/nso/web/statseries/statseries16.html (در ۳۰ اوت ۲۰۱۹ قابل دسترسی است).
Ronghanam، P. بجراناد، م. ظهور شرکت هواپیمایی ارزان قیمت و تغییر شبکه هوانوردی، سلسله مراتب فرودگاهی و رابطه بین اقتصاد فرودگاهی استان واقع. محیط ساخته شده ۲۰۱۹ ، ۱۸ ، ۵۱–۶۸٫ [ Google Scholar ] [ CrossRef ]
دفتر هیئت ملی توسعه اقتصادی و اجتماعی. درآمد سرانه جمعیت بر حسب منطقه و استان ; دفتر نخست وزیر: بانکوک، تایلند، ۲۰۱۴٫ در دسترس آنلاین: http://service.nso.go.th/nso/web/service/service03.html (در ۳۰ اوت ۲۰۱۹ قابل دسترسی است).
چوتچای وانگ، پی. Wijitkosum، S. پیش بینی گسترش شهری و تغییرات کاربری زمین شهری در شهر ناخون راچاسیما با استفاده از مدل CA-Markov تحت دو سناریو مختلف. Land ۲۰۱۹ , ۸ , ۱۴۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Bunea، D. مدل های گرانشی مدرن مهاجرت داخلی. مورد رومانی نظریه. Appl. اقتصاد ۲۰۱۲ ، ۴ ، ۱۲۷٫ [ Google Scholar ]
مافی، س. عبدالرزاق، ی. امیری نیا، گ. کوکاتپه، ا. Ulak، MB; Ozguven، EE بررسی قرار گرفتن در معرض جمعیت در معرض آسیب تصادف با استفاده از تجزیه و تحلیل فضایی و زمانی: مطالعه موردی در فلوریدا. Appl. Geogr. ۲۰۱۹ ، ۱۰۴ ، ۴۲-۵۵٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ چارچوب مورد استفاده برای تشخیص اثر متقابل فضایی الگوهای تراکم جمعیت.

شکل ۲٫ منطقه مطالعه.

شکل ۳٫ خودهمبستگی فضایی محلی (محلی موران I) شمال شرق طی سال های ۲۰۰۲-۲۰۱۷٫

شکل ۴٫ خودهمبستگی فضایی محلی (Getis–Ord G _i *) شمال شرق طی سال های ۲۰۰۲-۲۰۱۷٫

شکل ۵٫ موقعیت منطقه فرعی در اطراف نقطه مرکزی خدمات بر اساس تعامل فضایی شاخص گرانش.

شکل ۶٫ ضریب همبستگی شاخص گرانش و عوامل مرتبط.

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام