نقشه های خودسازماندهی برای ارزیابی مسیرهای چند بعدی انقباض در اسپانیا

تحلیل عوامل موثر بر انقباض شهری مورد توجه برنامه ریزان فضایی و سیاست گذاران است. از دست دادن جمعیت معمولاً مرتبط‌ترین شاخص این کاهش است، اما بسیاری از عوامل دیگر در طول زمان به روش‌های پیچیده‌ای در تعامل هستند. این مقاله یک تحلیل چند بعدی و مکانی-زمانی از فرآیند انقباض در شهرداری‌های اسپانیا بین سال‌های ۱۹۹۱ و ۲۰۲۰ را پیشنهاد می‌کند. این روش بر اساس پتانسیل ارائه شده توسط نقشه‌های خودسازمانده است. نقشه های تولید شده شهرداری ها را بر اساس همبستگی های جزئی پنهان بین داده های پشت متغیرهای مشخص کننده شهرداری ها در تاریخ های مختلف گروه بندی می کنند. علاوه بر این، از آنجایی که تعداد گره‌های نقشه آنقدر زیاد است که امکان تشخیص انواع متمایز شهرداری‌ها وجود ندارد. یک الگوریتم خوشه بندی بخش برای شناسایی مناطق همگن با احتمال بالاتر انقباض در طول زمان اعمال می شود. نتایج نشان می‌دهد که شهرداری‌هایی که کمترین انقباض را دارند، پایدارتر و دارای تمرکز جغرافیایی هستند: آنها مربوط به مناطقی هستند که ممکن است حاشیه‌سازی رخ دهد (ایجاد مناطق اطراف نزدیک به مراکز اصلی شهری) و پس‌زمینه مناطق عملکردی بزرگ را تشکیل می‌دهند. نتایج همچنین مسیر نزولی را با افزایش مهم در تعداد شهرداری‌های با مقادیر انقباض بالاتر گزارش می‌کنند. این رویکرد پیامدهای مهمی برای سیاست‌گذاری دارد زیرا دولت‌های محلی ممکن است از پیش‌بینی‌های انقباض سود ببرند. نتایج نشان می‌دهد که شهرداری‌هایی که کمترین انقباض را دارند، پایدارتر و دارای تمرکز جغرافیایی هستند: آنها مربوط به مناطقی هستند که ممکن است حاشیه‌سازی رخ دهد (ایجاد مناطق اطراف نزدیک به مراکز اصلی شهری) و پس‌زمینه مناطق عملکردی بزرگ را تشکیل می‌دهند. نتایج همچنین مسیر نزولی را با افزایش مهم در تعداد شهرداری‌های با مقادیر انقباض بالاتر گزارش می‌کنند. این رویکرد پیامدهای مهمی برای سیاست‌گذاری دارد زیرا دولت‌های محلی ممکن است از پیش‌بینی‌های انقباض سود ببرند. نتایج نشان می‌دهد که شهرداری‌هایی که کمترین انقباض را دارند، پایدارتر و دارای تمرکز جغرافیایی هستند: آنها مربوط به مناطقی هستند که ممکن است حاشیه‌سازی رخ دهد (ایجاد مناطق اطراف نزدیک به مراکز اصلی شهری) و پس‌زمینه مناطق عملکردی بزرگ را تشکیل می‌دهند. نتایج همچنین مسیر نزولی را با افزایش مهم در تعداد شهرداری‌های با مقادیر انقباض بالاتر گزارش می‌کنند. این رویکرد پیامدهای مهمی برای سیاست‌گذاری دارد زیرا دولت‌های محلی ممکن است از پیش‌بینی‌های انقباض سود ببرند. با افزایش مهم تعداد شهرداری‌های با مقادیر انقباض بالاتر. این رویکرد پیامدهای مهمی برای سیاست‌گذاری دارد زیرا دولت‌های محلی ممکن است از پیش‌بینی‌های انقباض سود ببرند. با افزایش مهم تعداد شهرداری‌های با مقادیر انقباض بالاتر. این رویکرد پیامدهای مهمی برای سیاست‌گذاری دارد زیرا دولت‌های محلی ممکن است از پیش‌بینی‌های انقباض سود ببرند.

کلید واژه ها:

انقباض ; نقشه های خودسازماندهی ؛ داده کاوی مکانی – زمانی ; رابطه غیر ثابت ؛ مسیر شهرداری

۱٫ مقدمه

چندین منطقه در نتیجه کاهش جمعیت با مشکلات اجتماعی-اقتصادی مواجه هستند. این سوال ضروری است زیرا با پایداری دولت های محلی در ارائه خدمات اساسی به ساکنان مرتبط است. بنابراین، کاهش جمعیت به عنوان یک شاخص کاهش یا کاهش شهری [ ۱ ] در نظر گرفته می شود و تجزیه و تحلیل روند جمعیت مورد توجه برنامه ریزان فضایی، سهامداران و سیاست گذاران است [ ۲ ]. در این زمینه، اصطلاح «شهرهای در حال کوچک شدن» به مناطق شهری اشاره می‌کند که در حال تجربه از دست دادن جمعیت و تغییرات اقتصادی مرتبط با بحران ساختاری هستند [ ۳ ].]. کاهش جمعیت اثر قابل مشاهده انقباض است، اما علت آن نیست. بیشتر تحقیقات موجود بر کاهش جمعیت به عنوان کلید اصلی یا تعیین کننده در تعریف کوچک شدن شهری متمرکز است. با این حال، این ایده به شدت مورد چالش قرار گرفته است، زیرا برخی از محققان بیان می کنند که بعد جمعیت رویکرد دقیقی برای کوچک شدن شهری ارائه نمی دهد [ ۴ ]. مطالعات اخیر در مورد این موضوع نشان می دهد که زوال شهری با رکود اقتصادی، کاهش اشتغال، بحران اجتماعی، فرآیندهای حاشیه نشینی و تحولات سیاسی یا محیطی مرتبط است [ ۵ ، ۶ ].

به طور سنتی، بحث بین المللی بر مطالعه تجربی انقباض از دیدگاه تاریخی با بررسی محرک های جمعیتی، اجتماعی، اقتصادی و سیاسی این پدیده متمرکز شده است [ ۷ ، ۸ ]. در همان زمان، این رشته نیز در مفهوم سازی خود تکامل یافته است [ ۹ ، ۱۰]. از هر دو منظر، برخی نگرانی های مشترک به وجود می آید. اثرات انقباض تنها تا حدی قابل درک است زیرا این پدیده به مقیاس های مختلف و عوامل متعددی که به طور همزمان عمل می کنند مرتبط است. به عنوان مثال، از دست دادن جمعیت مرتبط با کاهش به جنبه های اقتصادی، سیاسی یا اجتماعی بستگی دارد، اما مشخص نیست که آنها تا چه حد باعث آن می شوند یا اینکه آیا عوامل یکسان بر شهرداری هایی با اندازه های بسیار متفاوت به روش یکسان تأثیر می گذارد [ ۱۱ ]. ولف و همکاران [ ۱۲] استدلال می کنند که یک وابستگی مثبت جمعیت بر اساس ظرفیت مناطق مسکونی منطقه شهری وجود دارد. علاوه بر این، زمان مورد نیاز تا تأثیر این عوامل بر قلمرو، شناسایی شرایط فعلی در سرزمین‌هایی را که به آن متصل هستند یا در آینده عامل تأثیرات انقباض خواهند بود، پیچیده می‌کند.

هدف این کار شناسایی و اندازه‌گیری میزانی است که ارتباطات پیچیده بین متغیرها مسیرهای انقباض را در قلمرو اسپانیا تعریف می‌کنند. ارزش افزوده و هدف کار به شناسایی مسیرهای انقباض و خوشه بندی این مسیرها می پردازد. در واقع، ما می خواهیم شناسایی کنیم که چگونه متغیرهای مورد مطالعه امکان پیش بینی تکامل کوچک شدن شهرداری های اسپانیا را فراهم می کنند. برای تحلیل این مشکل از منظر چند بعدی، چند مقیاسی و زمانی، ما استفاده از نقشه‌های خودسازماندهی (SOM) و تکنیک‌های خوشه‌بندی را پیشنهاد می‌کنیم. داشتن داده های متغیرهای مختلف اجتماعی-اقتصادی، جمعیتی و تغییرات جمعیتی مشخص کننده شهرداری های یک منطقه خاص در تاریخ های مختلف، SOM امکان توزیع شهرداری ها را بر روی یک نقشه دو بعدی با تعداد گره ها کاهش می دهد. هر گره نشان دهنده یک نورون از شبکه عصبی SOM است که همبستگی های جزئی پنهان را در بین داده ها شناسایی کرده است و شهرداری های طبقه بندی شده در این گره را برای یک تاریخ خاص مشخص می کند. علاوه بر این، یک الگوریتم خوشه‌بندی برای به تصویر کشیدن مناطق همگن در نقشه SOM و شناسایی انواع مختلف شهرداری‌ها با وضوح بیشتری اعمال می‌شود. طبقه‌بندی شهرداری‌ها به خوشه‌های مختلف در طول زمان به ما این امکان را می‌دهد تا مسیرهای انقباض را تعیین کنیم و تشخیص دهیم کدام نوع شهرداری‌ها احتمال انقباض یا پایداری بیشتری دارند. که همبستگی های جزئی پنهانی را در بین داده ها شناسایی کرده است، که شهرداری های طبقه بندی شده در این گره را برای یک تاریخ خاص مشخص می کند. علاوه بر این، یک الگوریتم خوشه‌بندی برای به تصویر کشیدن مناطق همگن در نقشه SOM و شناسایی انواع مختلف شهرداری‌ها با وضوح بیشتری اعمال می‌شود. طبقه‌بندی شهرداری‌ها به خوشه‌های مختلف در طول زمان به ما این امکان را می‌دهد تا مسیرهای انقباض را تعیین کنیم و تشخیص دهیم کدام نوع شهرداری‌ها احتمال انقباض یا پایداری بیشتری دارند. که همبستگی های جزئی پنهانی را در بین داده ها شناسایی کرده است، که شهرداری های طبقه بندی شده در این گره را برای یک تاریخ خاص مشخص می کند. علاوه بر این، یک الگوریتم خوشه‌بندی برای به تصویر کشیدن مناطق همگن در نقشه SOM و شناسایی انواع مختلف شهرداری‌ها با وضوح بیشتری اعمال می‌شود. طبقه‌بندی شهرداری‌ها به خوشه‌های مختلف در طول زمان به ما این امکان را می‌دهد تا مسیرهای انقباض را تعیین کنیم و تشخیص دهیم کدام نوع شهرداری‌ها احتمال انقباض یا پایداری بیشتری دارند.

سهم اصلی این مقاله بر مطالعه پدیده انقباض در زمینه اسپانیا متمرکز است. علاوه بر این، اگرچه استفاده از مدل‌های SOM و خوشه‌بندی برای تجزیه و تحلیل ارتباط بین متغیرها در زمینه شهری جدید نیست، اما طبق دانش ما، آنها برای مطالعات انقباض استفاده نشده‌اند. تجزیه و تحلیل متغیرهای درگیر و ویژگی‌های نمایش SOM نه تنها شناسایی چگونگی ارتباط متغیرها با انقباض، بلکه پیش‌بینی تکامل شهرداری‌های مختلف مورد مطالعه از نظر مقادیر این متغیرها را ممکن می‌سازد.

ادامه این مقاله به شرح زیر سازماندهی شده است. بخش ۲ مروری بر ادبیات عوامل دخیل در انقباض شهری و ارتباط بین کاهش جمعیت و سایر متغیرها را ارائه می‌کند و به دنبال آن روش‌های مختلف تحلیلی که برای توصیف پویایی انقباض استفاده می‌شود، توضیح می‌دهد. سپس، بخش ۳ داده ها و روش مورد استفاده در این مطالعه را برای تجزیه و تحلیل فرآیند انقباض که شهرداری های اسپانیا در سه سرشماری اخیر موجود (۱۹۹۱، ۲۰۰۱ و ۲۰۱۱) متحمل شده اند، توضیح می دهد. بخش ۴ نتایج به دست آمده پس از اعمال این روش در مورد اسپانیایی را ارائه می دهد. بخش ۵این نتایج و محدودیت ها و پیامدهای این مطالعه را مورد بحث قرار می دهد. در نهایت، این مقاله با چند نکته پایانی و ایده هایی برای کارهای آینده به پایان می رسد.

۲٫ وضعیت هنر

انقباض شهری به طور گسترده در ادبیات ارجاع شده است، و در طول سال ها، بسیاری از آثار تحقیقاتی در مورد بررسی ریشه های اجتماعی و اقتصادی این موضوع منتشر شده است. مارتینز-فرناندز و همکاران. [ ۶ ] مجموعه ای از مطالعات در این زمینه ارائه می کند که جنبه هایی مانند بحران ساختاری، رکود اقتصادی، کاهش اشتغال و مشکلات اجتماعی را به عنوان عوامل این مخمصه معرفی می کند. ولف و همکاران [ ۱۳ ] و Wolff و Wiechmann [ ۱۴ ] با بررسی تأثیر جنبه های اقتصادی و جمعیتی در تکامل جمعیت، ابتدا در فرانسه و سپس در سایر شهرهای اروپایی، مروری مدرن تر از مشکل کوچک شدن شهری انجام دادند. یکی از جدیدترین مطالعات در این زمینه، کار لی و همکاران است. [ ۱۵]، که تغییرات جمعیتی در چین را تجزیه و تحلیل کرد و علل متعدد کاهش جمعیت مانند عدم حمایت صنعتی، تعدیل نادرست اصلاحات مبتنی بر بازار، محیط شهری ضعیف و کاهش جمعیت طبیعی را شناسایی کرد. سگرز و همکاران [ ۱۶ ] با هدف ادغام مفهوم انقباض جمعیتی در عمل فضایی در منطقه فلاندر.

با این حال، اکثر کارهای پژوهشی در این زمینه عمدتاً بر بررسی علل و تأثیر انقباض سرزمینی از طریق مطالعات موردی خاص یا روابط خطی بین متغیرها متمرکز شده‌اند. برای مثال، سانچز-مورال و همکاران. [ ۱۷ ] این مشکل را در اسپانیا با استفاده از روندهای جمعیتی در شهرها به عنوان مرجع تجزیه و تحلیل کرد. آنها زمینه محلی، توانایی نوآورانه و حکومت را به عنوان عوامل اصلی که بر انقباض تاثیر می گذارند برجسته کردند. یکی دیگر از نمونه های اخیر، کار دو و همکاران است. [ ۴ ]، که کاهش جمعیت در Dongguan (چین) را با استفاده از داده های آماری مربوط به بحران مالی جهانی، کاهش سود جمعیتی و تغییر در ترتیبات سازمانی مورد مطالعه قرار داد.

این یک محدودیت حیاتی است زیرا متغیرهای مؤثر بر انقباض ممکن است روابط خطی ساده‌تری نداشته باشند. آنها ممکن است به روش های پیچیده ای به هم مرتبط باشند و اگر به صورت جداگانه تحلیل شوند، امکان درک منبع مشکل را کاهش می دهند. علاوه بر این، تغییر انتقالی ویژگی های محلی در روش های اعمال شده در این تحلیل در نظر گرفته نمی شود. درک پویایی تغییر در طول زمان از اهمیت زیادی برخوردار است و با استفاده از یک تکنیک بصری زمین محاسباتی مبتنی بر SOM، این مطالعه سهم یک رویکرد چند بعدی و مکانی-زمانی را در توصیف انقباض نشان می‌دهد.

در این نوع تجزیه و تحلیل داده های با ابعاد بالا، SOM اغلب برای تجزیه و تحلیل داده ها و تصمیم گیری استفاده شده است [ ۱۸ ]. سایر تکنیک‌های کاهش ابعادی مانند تجزیه و تحلیل مؤلفه اصلی (PCA) به دلیل اعمال فیلتر خطی بر پردازش داده‌ها دشوارتر است و راه‌حل‌های خوشه‌بندی خالص برای بررسی ساختار داده مناسب‌تر نیستند و به الگوریتم مورد استفاده بسیار وابسته هستند [ ۱۹ ]. ]. در واقع، برخی از مطالعات SOM و PCA را مقایسه کرده‌اند و نشان می‌دهند که هر دو خوشه‌های مشابهی را شناسایی می‌کنند، اما مدل SOM طبقه‌بندی دقیق‌تری ارائه می‌کند و همچنین متغیرهای غالب در این طبقه‌بندی را شناسایی می‌کند [ ۲۰ ]]. با توجه به PCA، تعیین معنای هر یک از مؤلفه‌ها و تفاوت‌هایی که به طور بالقوه می‌تواند به خصوصیات هر یک از مؤلفه‌ها کمک کند، دشوار است. اگر تکنیک‌های SOM را به کار ببریم، این واقعیت حل می‌شود، زیرا SOM با ارائه نتایج خوشه‌بندی بصری که بسیار برتر از نتایج PCA هستند، PCA را تکمیل می‌کند.

مدل های SOM به طور مکرر در ادبیات برای تجزیه و تحلیل داده های مکانی-زمانی استفاده شده است. Skupin و Hagelman [ ۲۱ ] پیشنهاد کردند که مشاهدات چند زمانی داده های سرشماری را به یک نمایش در یک فضای ویژگی n بعدی با استفاده از SOM پیوند دهند. آنها از آن برای ایجاد نمایشی از تغییرات در مناطق سرشماری با استفاده از نمایش مسیر خود در یک فضای نمایشی دو بعدی استفاده کردند. هنریکس و همکاران [ ۲۲ ] ایجاد کارتوگرام با استفاده از SOM را پیشنهاد کرد. آنها کارتوگرام ها را با استفاده از تغییر فاصله بین نورون های محاسبه شده در مرحله یادگیری SOM تعریف کردند و نتایجی معادل با الگوریتم های قبلی برای ایجاد کارتوگرام به دست آوردند. آندرینکو و همکاران [ ۲۳] تکامل مکانی-زمانی آتش‌سوزی‌های جنگلی در ایتالیا را طی یک دوره ۲۵ ساله با استفاده از SOM مورد مطالعه قرار داد. آنها داده ها را بر حسب نواحی و ماه ها سازماندهی کردند تا خوشه هایی با مناطق یا دوره هایی با رفتار آتش سوزی مشابه به دست آورند. هنریکس و همکاران [ ۲۴ ] استفاده از GeoSOM را در مطالعه سرشماری داده لیسبون نشان داد. GeoSOM گونه ای از SOM کلاسیک است که از فاصله مکانی بین داده های مورد مطالعه به عنوان عامل تولید SOM استفاده می کند. به جای خوشه های جهانی تولید شده توسط یک SOM اصلی، خوشه هایی را در برخی از مرزهای جغرافیایی جستجو می کند. این پسوند برای تولید SOMهای پیوسته فضایی مفید است، اما برای نوع خوشه‌بندی که این مقاله روی آن متمرکز شده است مناسب نیست.

یکی دیگر از کاربردهای SOM برای تجزیه و تحلیل داده ها، کار دلمل و همکاران است. [ ۲۵ ]، که تکامل چند بعدی کیفیت زندگی را در شارلوت (ایالات متحده آمریکا) مورد مطالعه قرار داد. آنها از SOM برای خوشه بندی داده ها و تجسم روند در سطوح مدل استفاده کردند. هاگناور و هلبیچ [ ۲۶ ] معماری یک SOM سلسله مراتبی را توصیف کردند که وابستگی مکانی و زمانی مستقل داده ها را مدل می کرد و سپس آنها را در یک مدل واحد ادغام می کرد. این امکان تولید خوشه هایی را فراهم کرد که مقادیر مکانی و زمانی را به طور همزمان به اشتراک می گذارند. زو و همکاران [ ۲۷] مهاجرت فلزات سنگین را در منطقه یانگ تسه با استفاده از SOM مورد مطالعه قرار داد. این به آنها اجازه داد تا شناسایی کنند که چگونه ترکیبات آلاینده خاصی در مناطق معدنی توزیع شده است. در نهایت، کومار و همکاران. [ ۲۸ ] از SOM برای پیش‌بینی شاخص تنش آب محصول با استفاده از دمای هوا و تاج پوشش و رطوبت نسبی استفاده کرد. نتایج به‌دست‌آمده، مناسب بودن SOM را برای یافتن همبستگی پیچیده بین متغیرهای پردازش شده نشان داد.

همه این کارهای قبلی نشان می‌دهد که چگونه مدل‌های SOM برای تجزیه و تحلیل داده‌ها در زمینه‌ها و زمینه‌های مطالعاتی متعدد با موفقیت زیادی استفاده شده‌اند. با این حال، طبق دانش ما، مدل‌های SOM برای مطالعه روابط غیرخطی بین متغیرها در فرآیند انقباض استفاده نشده‌اند. پیشنهاد ما با روشی که این آثار قبلی مبتنی بر SOM داده‌ها را تجزیه و تحلیل می‌کنند هماهنگ است. در مورد ما، ما مشکل کاهش جمعیت در اسپانیا را با استفاده از یک مدل SOM برای شناسایی الگوهای داده‌ای که مرتبط‌ترین ویژگی‌ها و روابط در داده‌ها را برجسته می‌کنند، مطالعه می‌کنیم.

۳٫ مواد و روشها

۳٫۱٫ منطقه مطالعه

برخی از شاخص‌های اخیر اسپانیا را با توجه به رشد کم جمعیت، نرخ باروری پایین و رکود اقتصادی در یک وضعیت در خطر قرار می‌دهند [ ۲۹ ]. جمعیت (۴۶٫۵ میلیون در سال ۲۰۲۰) به ندرت در این قلمرو مستقر هستند، عمدتاً در پایتخت کشور (مادرید) و شهرهای اصلی ساحلی متمرکز شده‌اند و در مناطق داخلی توزیع شده‌اند. اگرچه اسپانیا دوره رشد جمعیت بالایی را در دهه اول قرن حاضر تجربه کرد (سطح بالای مهاجرت نرخ پایین زاد و ولد را جبران کرد) و حتی پس از سال ۲۰۱۰، جمعیت به کندی در حال رشد بوده است. واقعیت این است که یک مسیر پیوسته از دست دادن جمعیت شهرداری ها وجود دارد.

سازمان همکاری و توسعه اقتصادی (OECD) طبقه‌بندی آن شهرداری‌ها را در ارتباط با عضویت آن‌ها در مناطق عملکردی ایجاد کرده است، که واحدهای اقتصادی با هسته شهری متراکم مسکونی و منطقه رفت و آمد مشخص می‌شوند که بازار کار آن به شدت با آن هسته‌ها ادغام شده است. [ ۳۰]. با در نظر گرفتن این رویکرد، کلان‌شهرها و مناطق بزرگ در اسپانیا ۱۰٫۰ درصد (۸۱۶) از کل شهرداری‌ها را تشکیل می‌دهند، در حالی که شهرهای متوسط و شهرهای کوچک با ۵٫۴ درصد (۴۴۲) مطابقت دارند. از نظر جمعیت، ۵۴٫۴ درصد (۲۵،۳۱۸،۳۱۳ نفر) از کل جمعیت در کلانشهرها و کلانشهرهای بزرگ زندگی می کنند، در حالی که ۱۵ درصد (۷،۳۵۲،۶۳۸ نفر) در شهرهای متوسط و شهرهای کوچک زندگی می کنند. بیش از ۸۴٫۵ درصد از شهرداری ها (۶۸۶۶) در این مناطق شهری کاربردی نیستند که تقریباً ۳۰ درصد از کل جمعیت (۱۳,۹۰۱,۱۸۱ نفر) را تشکیل می دهند. موقعیت شهرهای متوسط و شهرهای کوچک در سراسر قلمرو پراکنده است و نقش مهمی در ارائه زیرساخت ها و خدمات به مردم ایفا می کند. از جمله شهرداری هایی که به مناطق شهری کاربردی تعلق ندارند. با این حال، برخلاف حساب مبتنی بر نیاز که زیربنای ارتباط بین شهرداری‌های غیرمتعلق به مناطق عملکردی و شهرهای کوچک و متوسط است، روند جمعیت نشان می‌دهد که این دسته‌ها در طول دهه گذشته کاهش جمعیت را تجربه کرده‌اند.شکل ۱ ). تنها کلان‌شهرها و کلان‌شهرهای بزرگ در دهه گذشته افزایش جزئی در جمعیت داشته‌اند.

۳٫۲٫ داده ها

این مطالعه کل قلمرو اسپانیا (شامل جزایر قناری و بالئاریک، و شهرهای خودمختار سئوتا و ملیلا) را پوشش می‌دهد و بر سطح شهری تجمیع داده‌ها تمرکز دارد. در حال حاضر، قلمرو اسپانیا از نظر اداری توسط ۸۱۲۴ شهرداری نمایندگی می شود.

اولاً، این مطالعه معیارهای اندازه جمعیت را برای کاهش تعداد شهرداری‌هایی که باید در مجموعه داده‌ها گنجانده شوند، و همچنین شرایط رشد، ثبات و از دست دادن جمعیت را اعمال نکرد. در مقایسه با سایر مطالعات [ ۱۴ ]، این مدل با در نظر گرفتن کاهش جمعیت به عنوان عامل تعیین کننده اصلی برای توصیف انقباض آغاز نشد. در نتیجه، ابتدا همه شهرداری‌ها در مدل در نظر گرفته شدند و ما فقط آن‌هایی را که مشکل کامل بودن و کیفیت داده‌ها داشتند کنار گذاشتیم. تجزیه و تحلیل نتایج در یافتن الگوهای داده‌ای در شهرداری‌ها، اعم از رشد جمعیت، ثبات یا از دست دادن، پشتیبانی می‌کند.

علاوه بر این، این مطالعه با گنجاندن طیف وسیع تری از متغیرهای در نظر گرفته شده، دید جامع تری از پدیده انقباض چند بعدی ارائه می دهد. هدف این متغیرها پوشش رویکردی است که تحقیقات موجود در مطالعه خود به کار گرفته است. جمع آوری داده ها در مجموع شامل ۳۶ متغیر است که شش بعد را نشان می دهد: تغییر جمعیت، جمعیت شناسی، تحرک، آموزش، مسکن و اقتصاد. علاوه بر این، این مطالعه در زمینه خاص اسپانیا اعمال می شود و ممکن است به راحتی در مناطق دیگر قابل تکرار باشد زیرا متغیرهای در نظر گرفته شده توسط موسسه ملی آمار اسپانیا جمع آوری و ارائه شده است. در زمینه اروپایی، متغیرهای یکسانی توسط مؤسسات ملی مختلف آمار ارائه شده است و در زمینه بین المللی، برخی کشورها متغیرهای مشابهی را ارائه کردند. یکی دیگر از مرزهای مهم تحقیق، تعیین دوره مرجع برای اجرای این روش است. این مطالعه ۳۰ سال گذشته را پوشش می دهد. این در سال ۱۹۹۱ آغاز می شود و شامل سه سرشماری نفوس و مسکن موجود است: ۱۹۹۱، ۲۰۰۱، و ۲۰۱۱٫ گردآوری دهه ای متغیرها از موسسه ملی آمار اسپانیا (INE) و منابع داده کاداستر املاک اسپانیا بازیابی شده است.جدول ۱ هر یک از متغیرهای جمع آوری شده را توصیف می کند که منجر به یک پانل داده ۱۰ ساله می شود. از آنجایی که فرض بر این است که یک تاخیر زمانی برای متغیرهای مختلف برای تأثیرگذاری بر تغییر جمعیت وجود دارد، ما نرخ رشد سالانه مرکب (CAGR) را با در نظر گرفتن یک وقفه ۱۰ ساله تعریف کردیم. این بدان معنی است که برای سال ۱۹۹۱، ما تغییر جمعیت را که از دوره ۲۰۰۱-۱۹۹۱ به دست آمده است، در نظر گرفتیم. برای سال ۲۰۰۱، تغییر جمعیت با توجه به دوره ۲۰۱۱-۲۰۰۱ محاسبه شد. و برای سال ۲۰۱۱، مقدار CAGR با در نظر گرفتن دوره ۲۰۲۰-۲۰۱۱ محاسبه شد.

هنگام پردازش داده‌ها، مشکلات متعددی پیدا کردیم که قابل اصلاح نبودند، که سپس مجبور شدیم آنها را کنار بگذاریم. این تعداد شهرداری های مورد تجزیه و تحلیل را به ۳۴۴۹ کاهش داد. مشکل اصلی فقدان مقادیر در یک یا چند متغیر برای بسیاری از شهرداری ها بود. دلیل کمبود داده ها این واقعیت بود که شهرداری های آسیب دیده روستاهای کوچک با تعداد کم جمعیت بودند و در این موارد، موسسه ملی آمار اسپانیا به دلایل محرمانه بودن و نمایندگی نمونه، مجموعه داده کاملی را ارائه نکرد، حتی اگر این اطلاعات برای اهداف تحقیق مورد نیاز بود. اگرچه SOM ممکن است تا حدی با توجه به داده های از دست رفته بخشنده باشد (با نادیده گرفتن ابعاد از دست رفته هنگام محاسبه شباهت های مدل)، بسیاری از شهرداری های آسیب دیده نیمی یا بیشتر از متغیرها را نداشتند. آنها را برای تجزیه و تحلیل کاملا غیر قابل استفاده می کند. ما گزینه گنجاندن آنها را در تجزیه و تحلیل امتحان کردیم و متوجه شدیم که آنها نتایج را کاملاً تحریف کردند. به طور خاص، استفاده از آنها یک SOM ایجاد کرد که ناپیوسته بود و به توپولوژی داده ها احترام نمی گذاشت (داده های مشابه به خوشه های نزدیک ختم نمی شدند). با توجه به مجموعه داده‌های جمع‌آوری‌شده، اکثر شهرداری‌هایی که از مطالعه حذف شده‌اند، شهرداری‌های کوچک با جمعیت کمتر از ۳۰۰ نفر بودند که به هیچ منطقه کاربردی تعلق نداشتند. این کمتر از ۵ درصد کل جمعیت را تشکیل می داد. استفاده از آنها یک SOM ایجاد کرد که ناپیوسته بود و به توپولوژی داده ها احترام نمی گذاشت (داده های مشابه به خوشه های نزدیک ختم نمی شدند). با توجه به مجموعه داده‌های جمع‌آوری‌شده، اکثر شهرداری‌هایی که از مطالعه حذف شده‌اند، شهرداری‌های کوچک با جمعیت کمتر از ۳۰۰ نفر بودند که به هیچ منطقه کاربردی تعلق نداشتند. این کمتر از ۵ درصد کل جمعیت را تشکیل می داد. استفاده از آنها یک SOM ایجاد کرد که ناپیوسته بود و به توپولوژی داده ها احترام نمی گذاشت (داده های مشابه به خوشه های نزدیک ختم نمی شدند). با توجه به مجموعه داده‌های جمع‌آوری‌شده، اکثر شهرداری‌هایی که از مطالعه حذف شده‌اند، شهرداری‌های کوچک با جمعیت کمتر از ۳۰۰ نفر بودند که به هیچ منطقه کاربردی تعلق نداشتند. این کمتر از ۵ درصد کل جمعیت را تشکیل می داد.

از آنجایی که SOM به رکوردهای داده ورودی با اطلاعات کامل نیاز دارد، تمام رکوردهای داده ناقص بی فایده بودند و باید حذف می شدند. علاوه بر این، حتی اگر فقدان مقادیر بر سه رکورد یک شهرداری (برای سه تاریخ متناظر) تأثیری نداشته باشد، دریافتیم که گنجاندن شهرداری‌هایی که سوابق داده‌های کاملی برای سه تاریخ (۱۹۹۱، ۲۰۰۱ و ۲۰۱۱) ندارند، تولید شده است. اثرات نامطلوب در تجزیه و تحلیل نتایج. به ویژه، آنها ناپیوستگی هایی را در گروه بندی گره های خروجی SOM توسط خوشه ها ایجاد کردند و این خوشه ها را نمی توان به درستی تفسیر کرد. فرضیه ما در مورد دلیل چنین رفتاری این است که ناشی از مشکلات کیفیت داده ها در داده های شهرداری هایی با اطلاعات ناقص است. مثلا،

۳٫۳٫ روش شناسی

یک نقشه خودسازماندهی یک شبکه عصبی مصنوعی است که کاهش ابعاد ویژگی های ورودی (به عنوان مثال، رکوردهای داده مربوط به اطلاعات مربوط به شهرداری ها در یک تاریخ خاص) را در حالی که توپولوژی داده های ورودی را حفظ می کند، انجام می دهد. شکل ۲ نمونه ای از معماری استاندارد SOM را نشان می دهد. هر عنصر بردار ورودی از طریق یک ماتریس وزن که از طریق آموزش به دست می آید به کل نقشه ویژگی خروجی متصل می شود. تفاوت با انواع دیگر شبکه ها این است که در آموزش، وزن ها تحت تاثیر نورون های همسایه در توپولوژی خروجی قرار می گیرند. این می تواند برای ایجاد یک تجسم ساده از داده های ورودی با ابعاد بالا استفاده شود که به کشف ساختارهای غیر خطی پنهان در داده ها کمک می کند [ ۳۱ ]]. این مدل ها به طور گسترده در مطالعه فرآیندهای تبدیل زمین در تمام سطوح سازمانی استفاده شده است [ ۲۳ ، ۳۲ ، ۳۳ ، ۳۴ ]. با این حال، طبق دانش ما، آنها در پدیده های کاهش جمعیت مورد مطالعه در این مقاله استفاده نشده اند. متفاوت از سایر رویکردهای تحلیل مانند استفاده از PCA به دنبال k-means یا خوشه بندی سلسله مراتبی، استفاده از یک مدل SOM تجزیه و تحلیل واضح تری را از نظر روابط بین تجمعات به دست آمده ارائه می دهد. مدل SOM نه تنها منابع را بر اساس شباهت تجمیع می کند، بلکه امکان تفسیر بصری نتایج را بدون نیاز به کاهش ابعاد داده های ورودی، همانطور که در روش های دیگر انجام شده است، نیز می دهد.

هدف ما تجزیه و تحلیل تکامل متغیرهای چندگانه برای یک دوره ۳۰ ساله (دوره ای که ما اطلاعاتی در مورد آن داریم) به منظور شناسایی چگونگی تأثیر این متغیرها بر انقباض در اسپانیا بود. به این ترتیب، پس از شناسایی، می توان از آنها به عنوان پیش بینی کننده رفتار تغییرات آینده استفاده کرد. برای این منظور، نقشه‌های خودسازماندهی (SOM) ابزار بسیار مناسبی است که یک درجه‌بندی در تجمیع شهرداری‌های مورد مطالعه بر حسب متغیرهایشان ارائه می‌کند که فراتر از خوشه‌بندی ساده با افزایش یا زیان جمعیت است. ساختار دوبعدی نقشه خودسازماندهی نوعی توزیع «فضایی» از داده های تجزیه و تحلیل شده را ارائه می دهد که همگنی یا پراکندگی داده ها را در اطراف زیر مجموعه های مختلف متغیرها نشان می دهد.

استفاده از SOM برای تجزیه و تحلیل جمعیت نیازمند هماهنگی داده های ورودی موجود است تا بتوان از آنها به عنوان ورودی برای شبکه عصبی استفاده کرد. از آنجایی که داده های تجزیه و تحلیل شده شامل مقادیری از سال های مختلف بود، تحت تأثیر جنبه های سیاسی-اجتماعی قرار گرفتند که آنها را به طور مستقیم قابل مقایسه نبود. به عنوان مثال، در اسپانیا، تعداد افراد دارای مدرک دانشگاهی در چهل سال گذشته به طور مداوم در حال افزایش بوده است. در نتیجه، اگر داده ها برای حذف این تأثیر تنظیم نمی شدند، همبستگی قوی بین این متغیر و سال داده ها وجود خواهد داشت. این امر باعث می شود هر مدل تجمیع به تولید خوشه های شبه کامل در سال پایان دهد. به منظور حذف اثر زمانی در متغیرهای رکوردهای داده مرتبط با هر سال، مقدار هر متغیر را با نتیجه تفریق میانگین متغیر در آن سال جایگزین کردیم. علاوه بر این، مقادیر به دست آمده برای هر متغیر در محدوده ۰-۱ برای تسهیل آموزش SOM مقیاس بندی شدند.

ما از پیاده‌سازی SOM ارائه‌شده توسط جعبه ابزار SOM Matlab 2019 استفاده کردیم. چنین جعبه ابزاری تعریف، آموزش و تجسم نقشه خودسازمان‌دهی را ساده می‌کند و به ما امکان می‌دهد بر تجزیه و تحلیل و تفسیر داده‌ها تمرکز کنیم. برای آموزش هر SOM، یک جنبه حیاتی پارامترسازی ساختار آن، ابعاد، تابع فاصله و فرآیند آموزش است. انتخاب همه این پارامترها با جارو کردن در امتداد محدوده مقادیر آنها و مقایسه نتایج به دست آمده از نظر کوانتیزاسیون و خطای توپوگرافی انجام شد [ ۳۵ ، ۳۶ ].

خطای کوانتیزاسیون (QE) میانگین خطای داده های ورودی را با توجه به وزن (W) نورون اختصاص داده شده (N) اندازه گیری می کند (به معادله ( ۱ ) مراجعه کنید). این خطا با ابعاد بزرگتر نقشه خروجی کاهش می یابد زیرا با تعداد نورون های بیشتر، داده ها فضای بیشتری برای توزیع دارند و بنابراین وزن نورون ها می توانند به داده های اختصاص داده شده نزدیکتر شوند. با این حال، در یک شبکه با اندازه معین، مقایسه بقیه پارامترها مفید است.

(۱)

خطای توپوگرافی (TE) اعوجاج در توپولوژی شبکه را اندازه گیری می کند. به عنوان درصدی از داده های ورودی اندازه گیری می شود که دو بهترین نورون نامزد مستقیماً به شبکه متصل نیستند (به معادله ( ۲ مراجعه کنید))). یعنی اندازه گیری می کند که چگونه آموزش SOM توانسته است داده های مشابه را به نورون های مجاور اختصاص دهد. این نشان دهنده مناسب بودن سطوح افقی برای تجزیه و تحلیل خوشه بندی است. اگر نورون تخصیص داده شده به یک عنصر ورودی از دومین نورون برتر (نرونی که اگر بهترین وجود نداشت به آن اختصاص داده می شد) فاصله داشته باشد، این نشان دهنده اعوجاج در مدل آموزش داده شده است. یک خطای توپوگرافی بالا امکان استنباط الگوها از حرکت داده ها در سراسر توپولوژی نورون را غیرفعال می کند زیرا توپولوژی تعریف شده تا شده است. شبکه‌های کوچک‌تر معمولاً خطاهای توپوگرافی کوچک‌تری دارند، زیرا داده‌ها در نورون‌های شبکه فشرده می‌شوند، اما نتایج تولید شده اطلاعات کمتری در مورد تغییرات متغیرها در سطوح افقی شبکه ارائه می‌دهند. به طور کلی، توصیه می‌شود که تعداد نورون‌ها باید کوچک‌تر از اندازه مجموعه ورودی باشد تا بتوان عملکرد خوشه‌بندی داده‌های ورودی‌های مشابه را ارائه کرد. از سوی دیگر، اندازه باید به اندازه‌ای بزرگ باشد که به صفحات مؤلفه اجازه دهد تغییرات طولی بین ورودی‌های تاریخ‌های مختلف را نشان دهند و همبستگی‌های جزئی و غیرخطی بین ویژگی‌های ورودی را شناسایی کنند.۳۷ ].

(۲)

در مورد نحوه انتخاب بهترین ابعاد شبکه برای یک مجموعه داده مشخص اتفاق نظر وجود ندارد زیرا به میزان تجمع مورد نظر داده های ورودی بستگی دارد. در حالی که نقشه های بزرگ خوشه های کوچکتر و فشرده تولید می کنند، نقشه های کوچکتر بهتر تعمیم می یابند. Vesanto و Alhoniemi [ ۳۸ ] توصیه می کنند که تعداد نورون ها باید نزدیک باشد . به عنوان جایگزین، حسن و شمس‌الدین [ ۳۹ ] از بزرگترین مقادیر ویژه داده‌ها برای تنظیم ابعاد شبکه استفاده می‌کنند، زیرا آنها نحوه توزیع داده‌ها را هنگام مسطح شدن نشان می‌دهند. سایر اکتشافی‌ها استفاده از پیکربندی با مجموعه کوچکی از نورون‌های خالی (۵ تا ۱۰ درصد) را توصیه می‌کنند یا اندازه‌ای را ده برابر بزرگ‌تر از تعداد خوشه‌های مورد نظر انتخاب کنید. ما راه‌حل کوهونن [ ۴۰ ] را اتخاذ کردیم، که پیشنهاد می‌کند چندین اندازه را امتحان کنید. ما طیف وسیعی از ابعاد را از ۴۰ (با فرض اینکه حداقل ۴ خوشه می خواهیم) تا بیش از ۶۷۶ نورون (که مطابق با از داده های اصلی ما). شکل ۳ خلاصه ای از تکامل خطاها را با توجه به تعداد نورون ها نشان می دهد. می توان مشاهده کرد که چگونه خطای توپوگرافی با افزایش اندازه به یک فلات می رسد. در مقابل، خطای کمی با افزایش تعداد نورون‌ها به کاهش خود ادامه می‌دهد، اگرچه این کاهش کندتر از افزایش تعداد نورون‌ها است.

ساختار اتصال SOM، فاصله همسایه و تابع فاصله که برای به روز رسانی وزن نورون استفاده می شود، پارامترهای مهم دیگری هستند که عملکرد SOM را بسیار تحت تاثیر قرار می دهند. آنها کاملاً به داده های ورودی وابسته هستند. بنابراین، ما تمام ترکیب‌ها را برای اندازه‌های مختلف شبکه آزمایش کردیم تا پیکربندی با بهترین عملکرد را شناسایی کنیم. پس از تجزیه و تحلیل معیارهای کیفیت تنظیمات پارامترهای مختلف، ما انتخاب کردیم: یک SOM با ۲۰ × ۳۲ نورون. ساختار شش ضلعی؛ فاصله اقلیدسی برای تخصیص داده ها به نورون ها. و فاصله همسایگی ۳ مرحله (هنگام به روز رسانی وزن یک نورون، همه با فاصله ۳ در توپولوژی SOM نیز به روز می شوند). مقادیر انتخاب شده یک SOM بدون ناپیوستگی تولید کردند، و داده های منبع را به اندازه کافی از هم جدا کرد تا به ما امکان شناسایی الگوهای موجود در آنها را بدهد. علاوه بر این، ما همچنین می توانیم مشاهده کنیمشکل ۳ که با افزایش اندازه نورون ها (با توجه به اندازه انتخابی ما)، خطای کوانتیزاسیون به آرامی کاهش می یابد.

مدل SOM طبقه بندی داده ها را فراهم می کند که امکان تجزیه و تحلیل ساختار داده های ورودی و شناسایی همبستگی های جزئی پنهان بین داده ها را فراهم می کند. با این حال، تعداد زیاد نورون‌ها به معنی تعداد بالایی از دسته‌بندی‌ها است که داشتن دید کلی واضح از داده‌ها را دشوار می‌کند. برای شناسایی روابط سطح بالا بین نورون‌ها (یعنی یافتن گروه‌هایی از نورون‌ها که محتوای آنها رفتار مشترکی با توجه به انقباض دارند)، وزن‌های آن‌ها را با استفاده از الگوریتم وارد خوشه‌بندی کردیم [ ۴۱ ].]. این یک دندروگرام از نورون ها ایجاد کرد که شناسایی مناسب ترین تعداد خوشه ها را در SOM تسهیل کرد. با استفاده از این تعداد مناسب خوشه، ما توانستیم گره های خروجی (نورون ها) نقشه SOM خروجی را در مناطق همگن (خوشه ها) که نشان دهنده انواع مختلف شهرداری ها هستند، توزیع کنیم.

آخرین مرحله روش، شناسایی مسیرهای طولی شهرداری ها در طول زمان از طریق گره ها و خوشه های مختلف نقشه خروجی SOM است. برای هر خوشه، این واقعیت را در نظر گرفتیم که شناسایی مسیرهای باقیمانده ، مسیرهای انتقال یافته به مسیرها و مسیرهای انتقال یافته مهم است. منظور از مسیرهای باقیمانده ، مسیرهای هدایت شده شهرداری‌ها است که در طول دوره مورد مطالعه در یک خوشه شروع و به پایان می‌رسند. نقل مکان کردخط سیر به مسیرهایی اطلاق می شود که شهرداری ها دوره مورد مطالعه را در خوشه ای متفاوت از آنچه شهرداری در پایان دوره به آن تعلق داشت آغاز کرده اند. به همین ترتیب، مسیرهای جابجا شده به مسیرهایی اطلاق می‌شود که شهرداری‌هایی که دوره مورد مطالعه را در خوشه‌ای متفاوت از خوشه‌ای که شهرداری در ابتدای دوره به آن تعلق داشت، به پایان رسانده‌اند. الگوریتم ۱ الگوریتمی را نشان می دهد که ما برای شناسایی این سه مسیر برای هر خوشه طراحی کردیم. توابع و بررسی کنید که آیا یک جفت به ترتیب پایان یک مسیر باقی مانده یا انتهای یک مسیر حرکت شده به مسیر است. به همین ترتیب، بررسی می کند که آیا یک جفت وجود دارد آغاز یک مسیر حرکت شده است. آخرین، تابع مسیر مرتبط با شهرداری را تولید می کند. این مسیر یک مسیر جهت‌دار است که شامل کمان‌هایی است که حرکت یک شهرداری را در دو تاریخ متوالی در دوره مورد بررسی تحلیل می‌کنند.

الگوریتم ۱: ایجاد مسیرهای طولی

۴٫ نتایج

۴٫۱٫ وزن‌ها و هواپیماهای جزء

شکل ۴ یکی از خروجی های اصلی تکنیک SOM را نشان می دهد: مجموعه صفحات مؤلفه به صورت گرافیکی مقادیر ۳۶ متغیری را که برای توزیع شهرداری ها در امتداد گره های نقشه SOM در نظر گرفته شده اند نشان می دهد. این را می توان اولین رویکرد برای درک همبستگی های غیرخطی بین مقادیر متغیرها در نظر گرفت.

در شکل ۴ ، امتیازهای بالا با رنگ زرد و امتیازهای پایین به رنگ سیاه نشان داده شده است. برخی از متغیرها مانند نرخ زاد و ولد، تحرک در استان و منطقه، میزان فارغ التحصیلان دبیرستان و دانشگاه، میانگین وضعیت اجتماعی-اقتصادی، یا فعالیت صنعتی درجه سوم، نمرات بالایی را در سمت راست هواپیما نشان می دهد. نزول به سمت امتیازات پایین در سمت چپ هواپیماها.

برعکس، برخی از متغیرهای دیگر مانند تحرک در همان شهرداری و فعالیت صنعتی اولیه، الگوی متضادی از امتیازات بالا را نسبت به سمت چپ بالای هواپیماها نشان می‌دهند.

همبستگی های جزئی نیز شناسایی می شوند. به عنوان مثال، فعالیت صنعتی ثانویه دارای یک الگوی متمرکز تر از امتیازات بالا به سمت پایین سمت چپ هواپیماها است. در مورد جمعیت بین ۶۵ تا ۸۴، جمعیت بالای ۸۵ سال و میزان مرگ و میر، مقادیر بالاتر با قسمت بالایی هواپیماها مرتبط است. فعالیت ترمیم، متغیری که معمولاً با مقادیر انقباض کم همراه است، دارای یک الگوی متمرکز از سطوح بالا به سمت بالای مرکز صفحات است.

با توجه به متغیرهای مسکونی (مسکن)، داشتن یک خانه الگویی را نشان نمی دهد که در آن انقباض ممکن است مشخص شود زیرا این متغیر مقادیر بالایی را ارائه می دهد که تقریباً به طور همگن در طول صفحه توزیع شده اند. برعکس، مسکن دوم به عنوان یک متغیر همراه با مقادیر بالا در برخی مکان‌های خاص در هواپیماها ظاهر می‌شود.

در نهایت، از دست دادن جمعیت (CAGR) مقدار واریانس بالایی را نشان نمی‌دهد و نمرات بالا به سمت سمت راست هواپیماها متمرکز می‌شوند.

۴٫۲٫ خصوصیات خوشه ای و توزیع جغرافیایی انقباض

همانطور که در بخش ۳٫۳ نشان داده شد ، ما از یک الگوریتم خوشه بندی برای تعریف مناطق همگن فضای خروجی SOM با ویژگی های مشابه استفاده کردیم. شکل ۵ دندروگرام نورون های SOM را به همراه خوشه های تولید شده بر اساس تعداد خوشه های انتخاب شده نشان می دهد. این تجزیه و تحلیل گزینه ها به ما امکان انتخاب را داده است به عنوان مناسب ترین تعداد خوشه ها برای اینکه بتوان با جزئیات کافی انواع شهرداری ها را در رابطه با رفتار انقباض آن مشخص کرد.

علاوه بر این، برای درک بهتر ویژگی‌های چهار خوشه، جدول ۲ میانگین مقادیر متغیرها را در گره‌های موجود در این خوشه‌ها گزارش می‌کند. از آنجایی که تفاوت بزرگی بین مقادیر به‌دست‌آمده شهودی نیست، ما متغیرهایی را که با محاسبه واریانس بین میانگین‌های هر متغیر، هر یک از خوشه‌ها را بهتر تعریف می‌کنند، مطالعه کردیم. با در نظر گرفتن جدول ۲ و تجزیه و تحلیل قبلی صفحات مؤلفه، ما توانستیم یک توصیف کیفی از چهار خوشه به دست آوریم. برای تغییرات جمعیت، این مطالعه مقدار آستانه کوچک شدن حداقل ۱ درصد در سال را در نظر گرفت [ ۵ ]]. با در نظر گرفتن این مقدار، مطالعه سه دسته برای متغیر CAGR شناسایی کرد: مثبت ( )، راکد ( و منفی ( ). خوشه ۱ شامل شهرداری هایی با رشد جمعیت و فعالیت است که هیچ خطری برای شروع به زودی مسیر انقباض ندارند. خوشه ۲ مناطق باثباتی را از نظر جمعیت و فعالیت اقتصادی نشان می دهد، اما آنهایی که در مناطق خاصی از خوشه قرار می گیرند نشانه هایی از شروع یک مسیر نزولی را نشان می دهند. خوشه ۳ مناطقی را نشان می دهد که جمعیت و فعالیت اقتصادی آنها کاهش یافته است. در نهایت، خوشه ۴ شهرداری‌هایی را که تغییر فعالیت اقتصادی نشان می‌دهند، جمع‌بندی می‌کند. آنها عمدتاً مناطقی را پوشش می دهند که گردشگری به عامل اصلی اقتصادی تبدیل شده است و جایگزین فعالیت های اصلی شده است. جزئیات این خوشه ها به شرح زیر است:

خوشه ۱ (انقباض کم، CAGR مثبت: ۰٫۰۲۶): شهرداری های این خوشه مقادیر بالایی را با توجه به نرخ زاد و ولد، شاخص جوانی، درصد افراد در ۳۰ سالگی، درصد افرادی که از دبیرستان و دانشگاه فارغ التحصیل شده اند نشان می دهند. ، شرایط اجتماعی-اقتصادی و نرخ فعالیت درجه سوم. علاوه بر این، این خوشه دارای بالاترین درصد افراد ساکن در یک استان یا منطقه متفاوت از استان مربوط به محل تولد آنها (SAPR و DIAR) است. در نهایت، این خوشه مقادیر پایینی را با توجه به شاخص پیری، شاخص مرگ و میر، نرخ بیکاری و نرخ فعالیت اولیه نشان می دهد.
خوشه ۲ (انقباض متوسط، CAGR راکد: ۰٫۰۰۷): این خوشه دارای مقادیر متوسط با توجه به نرخ زاد و ولد، شاخص جوانی، درصد افرادی است که در همان استان زندگی می کنند که مربوط به محل تولد آنها است، شاخص پیری، و شاخص مرگ این خوشه همچنین با مقادیر کم در رابطه با درصد افراد خارجی و پایین ترین مقادیر برای نرخ دوم مسکن مشخص می شود. در نهایت، این خوشه میانگین نمرات شرایط اجتماعی-اقتصادی کمی کمتر از سایر خوشه ها (به ویژه برای خوشه ۱ و ۴) و نرخ بالای فعالیت ثانویه و بیکاری را نشان می دهد.
خوشه ۳ (انقباض زیاد، CAGR منفی: ۰٫۰۱۰-): این خوشه با توجه به نرخ تولد و شاخص جوانی مقادیر پایینی دارد. علاوه بر این، این خوشه از نظر فعالیت مرمتی، وضعیت اجتماعی-اقتصادی، نرخ مسکن اجاره ای و درصد افرادی که از دبیرستان و دانشگاه فارغ التحصیل شده اند، کمترین ارزش را دارد. برعکس، این خوشه با توجه به فعالیت اولیه، نرخ بیکاری برای افرادی که به دنبال اولین شغل خود هستند و درصد افرادی که در همان شهرداری محل تولد خود زندگی می کنند، دارای بالاترین ارزش ها است. در نهایت، این خوشه همچنین مقادیر بالایی را برای نرخ مرگ و میر و شاخص پیری نشان می دهد.
خوشه ۴ (انقباض متوسط، CAGR راکد: ۰٫۰۰۱): این خوشه با کمترین مقادیر نرخ تولد و شاخص جوانی مشخص می شود. همچنین کمترین ارزش را در مورد مسکن خالی و نرخ بیکاری دارد. علاوه بر این، خوشه دارای مقادیر میانه با توجه به فعالیت سوم (شبیه به خوشه ۲) است. در پایان، باید توجه داشت که این خوشه دارای بالاترین ارزش ها در رابطه با نرخ مرگ و میر، شاخص پیری، درصد افراد خارجی، نرخ مسکن ثانویه، فعالیت های مرمتی و درصد افرادی است که در همان منطقه زندگی می کنند. مطابق با محل تولد آنها

مطابقت با قلمروهای خاص تحت تأثیر این توصیف انقباض در شکل A1 ، شکل A2 و شکل A3 نشان داده شده است. همچنین به تشریح متناظر فضایی بین خوشه‌ها و مناطق تحت تأثیر از دست دادن جمعیت در طول سه دهه در نظر گرفته می‌شود. علاوه بر این، مشارکت بین مسیرهای افقی شهرداری ها و توزیع جغرافیایی آنها، که در شکل A4 ، شکل A5 ، شکل A6 و شکل A7 نشان داده شده است، شواهدی از پویایی های جالبی ارائه می دهد که به توصیف پدیده انقباض در دهه های گذشته کمک می کند. از یک طرف، شکل A4 وشکل A5 سه نقشه SOM را برای هر خوشه نشان می دهد: اولین نقشه با گره هایی که شهرداری ها در طول سه دهه در آنجا باقی مانده اند. نقشه دوم با قوس‌هایی که گره‌های شهرداری‌هایی را که در سال ۲۰۰۱ یا ۲۰۱۱ به گره‌های خوشه‌ای منتقل شده‌اند را به هم پیوند می‌دهد. و نقشه سوم با کمان هایی که گره های شهرداری هایی را که در سال ۲۰۰۱ یا ۲۰۱۱ از خوشه خارج شده اند به هم متصل می کند. نقاط انتهایی پیکان به رنگ سیاه نشان دهنده مکان نهایی مسیرها هستند. از سوی دیگر، شکل A6 و شکل A7با استفاده از یک نقشه جغرافیایی برای هر خوشه، همان اطلاعات را از منظر جغرافیایی نشان دهید. هر نقشه منطقه تحت پوشش شهرداری هایی را نشان می دهد که در هر یک از سه تاریخ در نظر گرفته شده به خوشه تعلق دارند. با استفاده از رنگ های مختلف، ما تشخیص می دهیم: شهرداری هایی که در هر سه تاریخ در خوشه باقی مانده اند (رنگ خاکستری). شهرداری هایی که در سال ۲۰۰۱ یا ۲۰۱۱ نقل مکان کردند (رنگ آبی). و شهرداری هایی که در سال ۲۰۰۱ یا ۲۰۱۱ خارج شدند (رنگ قرمز).

با در نظر گرفتن این مسیرها، ابتدا باید یادآور شویم که شهرداری هایی که در خوشه ۱ شروع به کار کردند، دو مسیر مجزا را دنبال می کنند. اکثر شهرداری های متعلق به خوشه ۱ در طول زمان در همان خوشه باقی می مانند و دارای تمرکز جغرافیایی هستند و از نزدیک به مرکز شهرهای اصلی گسترش می یابند (مادرید، بارسلونا، والنسیا، ساراگوسا، سویا، وایادولید، اوویدو-خیخون، سانتاندر) نسبت به شهرداری های همجوار این مربوط به مناطقی است که محیطی ممکن است رخ دهد و مناطق داخلی مناطق کاربردی بزرگ را تشکیل می دهد. این مسیر بهبود، تعریف حوزه های کاربردی را تقویت می کند. اگرچه شهرداری هایی که از این الگو پیروی می کردند تعداد کمی بودند، اما مسیر روشنی از جایی که شهرداری های جدید به خوشه منتقل شدند، به ویژه از سمت پایین خوشه ۴ وجود دارد. جایی که فعالیت درجه سوم زیاد است. استثنا مربوط به شهرداری‌هایی است که از خوشه ۱ به خوشه ۳ یا ۴ منتقل شده‌اند، جایی که مسیر کاهشی واضحی آشکار می‌شود، به‌ویژه با کاهش جمعیت در سال‌های گذشته به تصویر کشیده می‌شود.

دوم، شهرداری‌هایی که به خوشه ۲ منتقل شدند تعداد کمی بودند، اما تعداد زیادی از شهرداری‌ها از خوشه ۲ به خوشه ۳ (۹۲۰ شهرداری) و تا حدودی به خوشه ۴ (۲۵۷ شهرداری) منتقل شده‌اند. این نیز مسیر روشنی از افول را نشان می دهد. شهرداری ها در این مسیر با کاهش مقادیر CAGR و افزایش نرخ بیکاری مواجه شدند. اگرچه نرخ فعالیت ثانویه بالاترین میزان در بین تمام خوشه های در نظر گرفته شده است، اما (صنایع دریایی، نساجی، چوب یا مبلمان) در طول دو دهه به نفع بخش فعالیت سوم کاهش می یابد. به عنوان مثال، آویلس، لاکرونیا، کارتاخنا، یا حتی کریدور صنعتی ابرو (تودلا، گالور، ساراگوسا، پینا، و فوئنتس دی ابرو). به طور معمول، این به شهرهای متوسط اشاره دارد. علاوه بر این، در نظر گرفتن دوره ای که این انتقال در آن صورت می گیرد بسیار مهم است، زیرا خوشه ۲ دهه اول مطالعه را با کاهش ۳۰ درصدی تعداد شهرداری ها و دهه دوم را با کاهش بیش از ۵۰ درصدی به پایان می رساند. مسیرهای شهرداری‌هایی که در دهه اول از موقعیت شروع در خوشه ۲ حرکت کردند، مسیر نزولی را در مناطق جغرافیایی به‌ویژه در جنوب اسپانیا تعریف می‌کنند. از سوی دیگر، مسیر طی دهه گذشته متمایز است و این انتقال را در امتداد رودخانه‌های Ebro، Duero، یا Tajo و مکان‌های ساحلی مدیترانه افزایش می‌دهد. این انتقال با سطوح بالاتر نرخ مسکن ثانویه و سطوح پایین تر تحرک در استان مشخص می شود. به طوری که خوشه ۲ دهه اول مطالعه را با کاهش ۳۰ درصدی تعداد شهرداری ها و دهه دوم را با کاهش بیش از ۵۰ درصدی به پایان می رساند. مسیرهای شهرداری‌هایی که در دهه اول از موقعیت شروع در خوشه ۲ حرکت کردند، مسیر نزولی را در مناطق جغرافیایی به‌ویژه در جنوب اسپانیا تعریف می‌کنند. از سوی دیگر، مسیر طی دهه گذشته متمایز است و این انتقال را در امتداد رودخانه‌های Ebro، Duero، یا Tajo و مکان‌های ساحلی مدیترانه افزایش می‌دهد. این انتقال با سطوح بالاتر نرخ مسکن ثانویه و سطوح پایین تر تحرک در استان مشخص می شود. به طوری که خوشه ۲ دهه اول مطالعه را با کاهش ۳۰ درصدی تعداد شهرداری ها و دهه دوم را با کاهش بیش از ۵۰ درصدی به پایان می رساند. مسیرهای شهرداری‌هایی که در دهه اول از موقعیت شروع در خوشه ۲ حرکت کردند، مسیر نزولی را در مناطق جغرافیایی به‌ویژه در جنوب اسپانیا تعریف می‌کنند. از سوی دیگر، مسیر طی دهه گذشته متمایز است و این انتقال را در امتداد رودخانه‌های Ebro، Duero، یا Tajo و مکان‌های ساحلی مدیترانه افزایش می‌دهد. این انتقال با سطوح بالاتر نرخ مسکن ثانویه و سطوح پایین تر تحرک در استان مشخص می شود. مسیرهای شهرداری‌هایی که در دهه اول از موقعیت شروع در خوشه ۲ حرکت کردند، مسیر نزولی را در مناطق جغرافیایی به‌ویژه در جنوب اسپانیا تعریف می‌کنند. از سوی دیگر، مسیر طی دهه گذشته متمایز است و این انتقال را در امتداد رودخانه‌های Ebro، Duero، یا Tajo و مکان‌های ساحلی مدیترانه افزایش می‌دهد. این انتقال با سطوح بالاتر نرخ مسکن ثانویه و سطوح پایین تر تحرک در استان مشخص می شود. مسیرهای شهرداری‌هایی که در دهه اول از موقعیت شروع در خوشه ۲ حرکت کردند، مسیر نزولی را در مناطق جغرافیایی به‌ویژه در جنوب اسپانیا تعریف می‌کنند. از سوی دیگر، مسیر طی دهه گذشته متمایز است و این انتقال را در امتداد رودخانه‌های Ebro، Duero، یا Tajo و مکان‌های ساحلی مدیترانه افزایش می‌دهد. این انتقال با سطوح بالاتر نرخ مسکن ثانویه و سطوح پایین تر تحرک در استان مشخص می شود.

سوم، با در نظر گرفتن مسیرهای خوشه های ۳ و ۴، مسیر دیگری از نزول آشکار می شود. آنها به وضوح افزایش منطقه را، از یک الگوی پراکنده به یک الگوی ادغام شده، در دهه گذشته نشان می دهند. مسیر آن اما متفاوت است. در حالی که خوشه ۳ تعداد شهرداری ها را در بیش از ۶۵ درصد (از ۹۲۵ به ۱۵۴۴ شهرداری) افزایش می دهد، خوشه ۴ به افزایش بیش از ۱۰۵ درصدی (از ۴۶۹ به ۹۶۵ شهرداری) در همان دوره مورد نظر می رسد. از نظر جغرافیایی، مسیر در خوشه ۳ تنوع قابل توجهی را نشان می دهد، عمدتاً آن شهرداری هایی که حرکت از خوشه ۲ به ۳ را نشان می دهند (۹۲۰ شهرداری). در واقع، این مسیر، شهرداری‌هایی را نشان می‌دهد که دهه را در گروهی متفاوت آغاز کردند و به سمت یک الگوی افول حرکت کردند.

چهارم، یک تمایز مهم هنگام بررسی مسیرهای خوشه ۴ به وجود می آید، زیرا نشان می دهد که شهرداری هایی که به این گروه منتقل شده اند از نظر کمیت کمتر از خوشه ۳ بوده اند، اما تعداد شهرداری ها از خوشه ۴ (از ۴۶۹ به ۹۶۵ شهرداری) در طول دهه ها دو برابر شده است. . در حالی که تنها ۲۳۰ شهرداری در طول دوره مورد مطالعه در یک خوشه باقی مانده‌اند، شهرداری‌هایی که به این خوشه منتقل شدند در اصل از دو گروه مختلف بودند: خوشه ۲ (۲۲۳ شهرداری) و خوشه ۳ (۲۷۳ شهرداری). در واقع، اکثر شهرداری‌هایی که از خوشه ۳ خارج شدند به خوشه ۴ منتقل شدند و عمدتاً در دهه دوم این کار را انجام دادند (به عنوان مثال، شهرهای توریستی Llanes یا Ribadesella در ساحل شمالی). شهرداری‌های خوشه ۴ مقادیر بالاتری از نرخ مسکن ثانویه و فعالیت بازسازی را نسبت به شهرداری‌های خوشه ۳ نشان می‌دهند که اغلب برحسب فعالیت توریستی توضیح داده می‌شود. یک بازرسی دقیق از صفحات جزء برای گره‌های درون خوشه ۴ نشان می‌دهد که این شهرداری‌ها با مناطق واقع در منطقه ساحلی (جزایر بالئاریک و قناری، Llanes)، نزدیک به پارک‌های طبیعی (Ordesa y Monte Perdido، Doñana، Sierra Nevada، Sierra de) مطابقت دارند. گواداراما، پیکوس د اروپا)، یا در بیرونی ترین حاشیه شهرهای اصلی (بارسلونا، مادرید، یا مناطق شهری والنسیا).

این تجزیه و تحلیل نشان می دهد که مدل تولید شده قادر به توضیح چگونگی اتصال متغیرهای مختلف تحلیل شده به فرآیند انقباض است. هر خوشه به‌دست‌آمده نشان‌دهنده مرحله انقباض متفاوتی است که از شکوفایی تا افول متغیر است و با محدوده‌های خاصی از متغیرهای مورد مطالعه مرتبط است. علاوه بر این، استفاده از مدل SOM یک درجه بندی از محتوا در هر خوشه ایجاد می کند که برای شناسایی مناطقی در خوشه هایی که محتوای آنها تمایل زیادی به انتقال به خوشه های دیگر دارد مفید است. این بدان معناست که مدل قادر به پیش‌بینی تکامل انقباض برای تاریخ‌های آینده بر اساس مقادیر خاص متغیرهای مورد مطالعه است.

۵٫ بحث

تحقیقات موجود در مورد انقباض بر روی فرآیندهای خاصی به عنوان عوامل تعیین کننده برای این انقباض متمرکز شده است. این فرآیندها تا حد زیادی بر حسب علت و معلول جداگانه توضیح داده می شوند و تحلیل آنها به طور خاص مربوط به مناطقی است که تحت تأثیر از دست دادن جمعیت قرار گرفته اند. این رویکرد از مطالعات موردی مختلف پشتیبانی تجربی دریافت می کند. در واقع، برخی از مطالعات تأثیر محرک‌های اقتصادی و جمعیتی را بر مناطق خاصی که تحت تأثیر انقباض قرار دارند، هدف قرار می‌دهند. این مطالعه در حالی که تحقیقات قبلی را نادیده نمی گیرد، نیاز به دیدگاهی را بیان می کند که دینامیک غیر خطی انقباض را در نظر می گیرد. کار ما تأیید می کند که مسیرها در یک دوره زمانی را می توان با ترکیب عواملی ترسیم کرد که به درک تعاملات بین ابعاد مختلف کمک می کند. با پیشنهاد یک روش مبتنی بر SOM در سطح شهرداری، ما می‌توانیم الگوهای داده‌ای را شناسایی کنیم که مرتبط‌ترین ویژگی‌ها و روابط را در داده‌ها برجسته می‌کنند. تحقیقات ما شناسایی مناطق خاصی را که تحت تأثیر انقباض قرار گرفته اند تأیید می کند، که قبلاً توسط تحقیقات قبلی در این زمینه از دیدگاه محلی مورد بررسی قرار گرفته است. یک نمونه کار متمرکز بر Aviles [17 ]، عمدتاً از داده های جمعیت شناختی برای توضیح انقباض استفاده می کند. به عبارت دیگر، مطالعات محلی تأیید می کند که نتایج ما مناطق خاصی را که تحت تأثیر انقباض قرار گرفته اند را شناسایی می کند.

این مطالعه همچنین نشان داده است که بین مقادیر کم انقباض در مناطق داخلی مناطق عملکردی مطابقت وجود دارد و می توان بین فقدان علائم مسیر نزولی در پس زمین و نشانه های مسیر نزولی شهرهای مرکزی تمایز قائل شد. این نتیجه ممکن است نشان دهنده اهمیت شهرهای متوسط و شهرهای کوچک باشد. آنها از نظر تعلق یا عدم تعلق به مناطق شهری کارکردی و روند جمعیتی آنها بسیار ناهمگن هستند. تحقیقات بیشتر باید این شرایط اندازه جمعیت، مناطق شهری و عوامل محیطی محلی را که در توصیف خوشه‌ها اهمیت داشته‌اند، بررسی کند. علاوه بر این، مسیرهای طولی انقباض چگونگی حرکت شهرداری ها از یک خوشه به خوشه دیگر را در طول زمان مشخص می کند ( شکل A4 ،شکل A5 ، شکل A6 و شکل A7 ). این مشخص می کند که چگونه یک شهرداری خاص از وضعیت رو به زوال به وضعیت در حال رشد یا بالعکس حرکت می کند.

علاوه بر این، این مطالعه نشان می‌دهد که الگوی خوشه‌بندی نشان‌داده‌شده در فضای خروجی SOM یک مسیر مورب بین شهرداری‌های متعلق به خوشه‌های ۱ (سمت راست پایین صفحه) و شهرداری‌های متعلق به خوشه ۳ (بالا سمت چپ صفحه) را نشان می‌دهد. ، که به وضوح از نظر انقباض متمایز و مشخص می شود.

شهرداری های خوشه ۱ انقباض کم را نشان می دهند. همچنین پشتیبانی می شود که مسیر شهری آنهایی که به این خوشه می پیوندند تنها ۵ درصد از کل نمونه (۱۷۷ شهرداری) است و اغلب در شهرداری های مجاور شهرهای اصلی قرار دارند. علاوه بر این، این مسیر کمک می‌کند تا مسیری از حاشیه‌سازی در مناطق داخلی مناطق عملکردی بزرگ آشکار شود که عمدتاً با جمعیت‌شناختی (میزان زاد و ولد)، تحرک (عمدتاً در منطقه) و اقتصادی (فعالیت صنعتی سوم) و ابعاد شکل‌دهنده (فارغ التحصیل) مرتبط است. از دبیرستان و دانشگاه). همچنین جالب است بدانیم که نمایندگی بعد مسکونی (مسکن) در خوشه هدف شواهدی را ارائه می دهد که سهم دوم، اجاره ای، دارایی،

برعکس، شهرداری های خوشه ۳ انقباض بالایی را نشان می دهند. مسیرها به سمت خوشه ۳ افزایش مهمی را در تعداد شهرداری‌هایی که به این خوشه ختم می‌شوند (۱۵۴۴ شهرداری) و انتقال واضحی از شهرداری‌هایی که از خوشه ۲ (۹۲۰ شهرداری) منتقل شده‌اند، نشان می‌دهد. در واقع، هیچ یک از شهرداری هایی که از خوشه ۲ شروع کردند و برای انتقال به گروه ۳ خارج شدند، مسیرهای احیا را دنبال نکردند. از نظر فضایی، این شهرداری‌ها دارای تمرکز جغرافیایی بسیار بیشتری هستند، به سمت جنوب گسترش می‌یابند و حضور خود را در امتداد رودخانه‌های اصلی افزایش می‌دهند، که احتمالاً نشان‌دهنده پایداری نرخ فعالیت اولیه است. این شهرداری ها همچنین دارای رکود جمعیتی قابل توجهی (میزان زاد و ولد و شاخص جوانی پایین) و همچنین درصد پایینی از فارغ التحصیلان دبیرستان ها و دانشگاه ها هستند.

در این مطالعه، ما از روشی برای ساخت یک مدل پیش‌بینی و استفاده از آن در کل قلمرو اسپانیا استفاده کردیم. از آنجایی که کار ما بر اساس شرایط آن از تجزیه و تحلیل داده های اکتشافی بود، طیف وسیع تری از متغیرها را نسبت به مطالعات تحقیقاتی کل نگر قبلی در نظر گرفت [ ۴۲ ]. یافته جالب دیگر نشان می دهد که این روش اکتشافی یک فرضیه اولیه برای آزمایش تعریف نکرده است، اما درک یک مدل پیش بینی برای سناریوهای انقباض را ممکن می سازد. این رویکرد پیامدهای مهمی برای سیاست دارد زیرا می‌تواند به شهرداری‌ها اجازه دهد از پیش‌بینی‌های انقباض استفاده کنند. به عنوان مثال، شکل A4 و شکل A5نشان دهنده موقعیت در فضای خروجی SOM آن شهرداری‌هایی است که مسیر افقی آن‌ها را مستعد تغییر از یک خوشه به خوشه دیگر می‌کند. بنابراین، این بدان معناست که شهرداری‌های سمت پایین خوشه ۱ بیشتر از سایر شهرداری‌ها از سمت بالای خوشه ۱ خارج می‌شوند (و تحت تأثیر دینامیک انقباض قرار می‌گیرند). خوشه ۴ بیشتر از خوشه های پایین خوشه ۴ در همان خوشه باقی می ماند.

اگرچه تحقیقات بین‌المللی در مورد این موضوع تأثیر کمی بر طراحی پاسخ‌های سیاستی داشته است [ ۴۳ ]، اما وقتی صحبت از بهبود تاب‌آوری سرزمین‌ها با توجه به انقباض می‌شود، ممکن است برای تعریف گسترده‌تری از اقدامات بهبود جامع مفید باشد. . به عنوان مثال، متغیرهای متعلق به ابعاد تحرک (SAMU، SAPR) و مسکن (SHOU) اهمیت زیادی در تعیین شدت و تأثیر انقباض در مناطق خاص دارند ( جدول ۲ ). مقدار واریانس میانگین وزن متغیر در گره های خروجی شواهدی را نشان می دهد که نقش CAGR (تغییر جمعیت) در ایجاد این خوشه ها آنقدر که در ابتدا تصور می شد رایج نیست.

در واقع، تجزیه و تحلیل ما تمایز مسیرهای انقباض را از سه دهه گذشته ارائه می دهد و ممکن است به عنوان نقطه شروعی برای اجرای اقدامات برای رسیدگی به انقباض، بسته به طبقه بندی خوشه، مفید باشد. یافته‌ها در سطح شهرداری تجمیع مختص اسپانیا هستند. داده های جمع آوری شده شامل متغیرهای سرشماری سال های ۱۳۷۰، ۱۳۸۰ و ۱۳۹۰ می باشد. پردازش داده ها مستلزم هماهنگی تمام مقادیر در نظر گرفته شده برای حذف روندهای زمانی در میانگین هر متغیر است. این امر با گروه بندی داده ها بر اساس سال و حذف میانگین هر گروه به دست آمده است.

مدل ما کل جهان شهرداری را در نظر نگرفت. از آنجا که تجزیه و تحلیل نتایج به ۳۴۴۹ شهرداری محدود می شود، ما نمی توانیم عواملی را که ممکن است الگوهای انقباض را برای همه شهرداری ها شکل دهند، پیش بینی کنیم. از آنجایی که سرشماری ملی اسپانیا به دلایل محرمانه بودن و نمایندگی نمونه، مجموعه داده کاملی را ارائه نکرده است، چندین شهرداری در یک یا چند مورد از ۳۶ ویژگی در نظر گرفته شده برای سرشماری های ۱۹۹۱، ۲۰۰۱ و ۲۰۱۱، داده های گمشده ای دارند. در ابتدا، شهرداری هایی که فاقد برخی از این ویژگی ها بودند، در تحلیل گنجانده شدند. با این حال، هنگام پردازش داده‌ها، خروجی SOM شامل ناپیوستگی‌های خاصی بود که مربوط به شهرداری‌هایی بود که اطلاعات ناقصی داشتند و در نتیجه، آن شهرداری‌ها از تحلیل حذف شدند.

۶٫ نتیجه گیری

این مقاله از یک مدل مبتنی بر SOM برای شناسایی الگوهای داده مربوط به پویایی انقباض در قلمرو اسپانیا در طول سه دهه گذشته استفاده کرد. این تحلیل نشان داد که کدام الگوها به شناسایی خصوصیات و توزیع جغرافیایی شهرداری‌ها با ارزیابی مسیر افقی آنها کمک می‌کنند. این تجزیه و تحلیل عواملی را که بر انقباض، شناسایی مسیرهای انقباض، و خوشه‌بندی این مسیرها تأثیر می‌گذارند، نشان داد. این مطالعه همچنین بر اساس مقادیر ویژه ۳۶ متغیر مورد مطالعه، تکامل انقباض شهرداری ها را پیش بینی کرد. پیامدهای سیاست به حمایت از اجرای استراتژی ها، بسته به ویژگی های هر خوشه به دست آمده اشاره دارد. روش پیشنهادی تغییر انتقالی ویژگی‌های محلی و روابط غیرخطی بین تمام عوامل تعیین‌کننده در نظر گرفته شده را در نظر می‌گیرد. طبق دانش ما، این اولین کاری است که از تکنیک SOM برای مطالعه پدیده انقباض در اسپانیا استفاده می‌کند و ثابت کرده است که چگونه برخی از مناطق در SOM ایجاد شده، انقباض آینده را پیش‌بینی می‌کنند. در مقایسه با سایر مقالات مرتبط، ما توانستیم مناطق خاصی را در هر خوشه با احتمال بالاتر برای آن شناسایی کنیمباقی ماندن ، نقل مکان کرد ، یا از مسیرها خارج شد .

سهم مهم مقاله، فرآیند اعمال شده به منظور پر کردن و آموزش مدل SOM است. با توجه به اینکه هر مجموعه داده ویژگی های خاص خود را دارد، ویژگی های SOM باید برای هدف مورد نظر تنظیم شود. در این زمینه، ما مقایسه ای از پیکربندی های SOM متعدد، همراه با تنظیم پارامترهای خوشه بندی را انجام دادیم تا پیکربندی با بهترین عملکرد را برای مورد استفاده خود شناسایی کنیم. علاوه بر این، تجربه به‌دست‌آمده در تحقیق ما امکان در نظر گرفتن مسائل عادی‌سازی داده‌ها مانند تفریق مقادیر میانگین متغیرها برای هر سال را فراهم می‌کند تا از تعریف خوشه‌های سالانه اجتناب شود، همانطور که معمولاً در روش‌های دیگر مانند PCA یا رگرسیون انجام می‌شود. مدل های تحلیل بدون این عادی سازی، SOM تولید شده مغرضانه می شود،

سهم نهایی این کار امکان استفاده از روش پیشنهادی مشابه برای مطالعه پدیده انقباض در کشورهای دیگر با استفاده از متغیرهای مشابه است، زیرا آنها یک مجموعه داده آماری ملی معادل در سطح شهرداری دارند.

به عنوان کار آینده، ما می خواهیم بررسی کنیم که چگونه الگوهای داده به درک تصویر مناطق شکننده در مکان و زمان کمک می کنند، و چگونه متغیرهای دارای اهمیت زیادی در تعیین تأثیر انقباض بسته به بافت فضایی ارائه شده توسط مناطق شهری کاربردی فعلی متفاوت هستند.

پیوست اول

شکل A1. نقشه هایی که خوشه های شهرداری ها را از منظر جغرافیایی نشان می دهد (قسمت اول).

شکل A2. نقشه هایی که خوشه های شهرداری ها را از منظر جغرافیایی نشان می دهد (قسمت دوم).

شکل A3. نقشه هایی که خوشه های شهرداری ها را از منظر جغرافیایی نشان می دهد (بخش سوم).

شکل A4. تجسم مسیرهای طولی (قسمت اول). خوشه ۱ به رنگ خاکستری نشان داده شده است. خوشه ۲ به رنگ آبی؛ خوشه ۳ به رنگ قرمز؛ و خوشه ۴ به رنگ زرد.

شکل A5. تجسم مسیرهای طولی (قسمت دوم). خوشه ۱ به رنگ خاکستری نشان داده شده است. خوشه ۲ به رنگ آبی؛ خوشه ۳ به رنگ قرمز؛ و خوشه ۴ به رنگ زرد.

شکل A6. تجسم مسیرهای طولی از منظر جغرافیایی (قسمت اول).

شکل A7. تجسم مسیرهای طولی از منظر جغرافیایی (قسمت دوم).

منابع

Beauregard، کاهش جمعیت شهری RA در دیدگاه تاریخی: ایالات متحده، ۱۸۲۰-۲۰۰۰٫ محیط زیست طرح. یک اقتصاد. فضا ۲۰۰۹ ، ۴۱ ، ۵۱۴-۵۲۸٫ [ Google Scholar ] [ CrossRef ]
گروسمان، ک. بونتجه، م. هاس، ا. Mykhnenko، V. کوچک شدن شهرها: یادداشت هایی برای دستور کار تحقیقاتی بیشتر. شهرها ۲۰۱۳ ، ۳۵ ، ۲۲۱-۲۲۵٫ [ Google Scholar ] [ CrossRef ]
Pallagst، K. کوچک شدن شهرهای; چالش های برنامه ریزی از دیدگاه بین المللی Infill شهری Themenh.-Cities Grow. کوچکتر ۲۰۰۸ ، ۱۰ ، ۵-۱۶٫ [ Google Scholar ]
دو، ز. جین، ال. بله، ی. ژانگ، اچ. ویژگی‌ها و تأثیرات انقباض شهری در منطقه شهرنشینی خارجی دلتای رودخانه مروارید، چین. Cities ۲۰۲۰ , ۱۰۳ , ۱۰۲۷۶۷٫ [ Google Scholar ] [ CrossRef ]
اسوالت، پی. Rieniets، TE Atlas of Shrinking Cities ; Hatje Cantz: برلین، آلمان، ۲۰۰۶٫ [ Google Scholar ]
مارتینز-فرناندز، سی. آئودیراک، آی. فول، اس. کانینگهام سابوت، ای. کوچک شدن شهرهای: چالش های شهری جهانی شدن. بین المللی J. Urban Reg. Res. ۲۰۱۲ ، ۳۶ ، ۲۱۳-۲۲۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
آلوز، دی. باریرا، AP; Guimarães، MH; Panagopoulos، T. مسیرهای تاریخی شهرهای در حال کوچک شدن پرتغال: گونه‌شناسی انقباض شهری. شهرها ۲۰۱۶ ، ۵۲ ، ۲۰-۲۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هاتوری، ک. کایدو، ک. Matsuyuki، M. توسعه گفتمان انقباض شهری و پاسخ سیاست در ژاپن. شهرها ۲۰۱۷ ، ۶۹ ، ۱۲۴-۱۳۲٫ [ Google Scholar ] [ CrossRef ]
ماسترد، اس. Bontje, M. درک انقباض در مناطق اروپایی. محیط ساخته شده ۲۰۱۲ ، ۳۸ ، ۱۹۶-۲۱۳٫ [ Google Scholar ]
هاس، ا. رینک، دی. گروسمن، ک. برنت، ام. میخننکو، وی. مفهوم سازی انقباض شهری. محیط زیست طرح. یک اقتصاد. فضا ۲۰۱۴ ، ۴۶ ، ۱۵۱۹-۱۵۳۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
توروک، آی. میخننکو، وی. سیر شهرهای اروپایی، ۱۹۶۰-۲۰۰۵٫ شهرها ۲۰۰۷ ، ۲۴ ، ۱۶۵-۱۸۲٫ [ Google Scholar ] [ CrossRef ]
ولف، ام. هاس، دی. Haase، A. فشرده یا پخش شده؟ یک مدل فضایی کمی مناطق شهری در اروپا از سال ۱۹۹۰٫ PLoS ONE ۲۰۱۸ , ۱۳ , e0192326. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ولف، ام. فول، اس. راث، اچ. کانینگهام-سابوت، E. شهرهای کوچک شده: اندازه گیری پدیده در فرانسه. Cybergeo Eur. جی. جئوگر. ۲۰۱۷ . [ Google Scholar ] [ CrossRef ]
ولف، ام. Wiechmann, T. رشد و زوال شهری: شهرهای در حال کوچک شدن اروپا در یک چشم انداز مقایسه ای ۱۹۹۰-۲۰۱۰٫ یورو مقررات شهری گل میخ. ۲۰۱۸ ، ۲۵ ، ۱۲۲-۱۳۹٫ [ Google Scholar ] [ CrossRef ]
لی، اچ. لو، ک. Zhang، P. کاهش جمعیت در شهرهای وابسته به منابع در چین: فرآیندها، الگوها و محرک ها. چانه. Geogr. علمی ۲۰۲۰ ، ۳۰ ، ۱-۱۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سگرز، تی. دیویش، او. هرسنز، جی. ونری، جی. مفهوم سازی انقباض جمعیتی در یک منطقه در حال رشد – ایجاد فرصت هایی برای تمرین فضایی. Landsc. طرح شهری. ۲۰۲۰ ، ۱۹۵ ، ۱۰۳۷۱۱٫ [ Google Scholar ] [ CrossRef ]
سانچز مورال، اس. مندز، آر. پرادا، J. El fenómeno de las «شهرهای در حال کوچک شدن» در اسپانیا: Una proximación a las causas، efectos y estrategias de revitalización a través del caso de estudio de aviles. در روندهای جدید در جغرافیای اسپانیایی قرن بیست و یکم. Contribución Española al 32º Congreso de la Unión Geográfica Internacional ; Raitt، DI، Ed. اتحادیه بین المللی جغرافیایی: کلن، آلمان، ۲۰۱۲; صص ۲۵۲-۲۶۶٫ [ Google Scholar ]
Kohonen, T. Self-Organizing Maps ; Springer Science & Business Media: برلین/هایدلبرگ، آلمان، ۲۰۱۲; جلد ۳۰٫ [ Google Scholar ]
تجزیه و تحلیل آب و هوا، مدل‌سازی، و کوچک‌سازی منطقه‌ای با استفاده از نقشه‌های خودسازماندهی هویتسون، BC. در نقشه های خودسازماندهی: کاربردها در علم اطلاعات جغرافیایی ; Agarwal, P., Skupin, A., Eds. وایلی: هوبوکن، نیوجرسی، ایالات متحده آمریکا، ۲۰۰۸; صص ۱۳۷-۱۶۳٫ [ Google Scholar ]
لی، تی. سان، جی. یانگ، سی. لیانگ، ک. ما، س. Huang, L. استفاده از نقشه خودسازماندهی برای طبقه بندی کیفیت آب ساحلی: به سوی درک بهتر الگوها و فرآیندها. علمی کل محیط. ۲۰۱۸ ، ۶۲۸ ، ۱۴۴۶-۱۴۵۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
اسکوپین، ا. هاگلمن، آر. تجسم مسیرهای جمعیتی با نقشه های خودسازماندهی. GeoInformatica ۲۰۰۵ ، ۹ ، ۱۵۹-۱۷۹٫ [ Google Scholar ] [ CrossRef ]
هنریکس، آر. باچائو، اف. Lobo, V. Carto-SOM: ایجاد کارتوگرام با استفاده از نقشه های خودسازماندهی. بین المللی جی. جئوگر. Inf. علمی ۲۰۰۹ ، ۲۳ ، ۴۸۳-۵۱۱٫ [ Google Scholar ] [ CrossRef ]
آندرینکو، جی. آندرینکو، ن. دمسار، U. درانش، دی. دایکز، جی. فابریکانت، SI; جرن، ام. کراک، ام جی. شومان، اچ. تومینسکی، سی. تحلیل فضا، زمان و بصری. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۰ ، ۲۴ ، ۱۵۷۷-۱۶۰۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هنریکس، آر. باکائو، اف. Lobo, V. تجزیه و تحلیل داده های مکانی اکتشافی با استفاده از مجموعه GeoSOM. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۲ ، ۳۶ ، ۲۱۸-۲۳۲٫ [ Google Scholar ] [ CrossRef ]
دلمل، ای. تیل، JC; فوروست، او. Ludden, T. مسیرهای تغییر کیفیت زندگی محله چند بعدی. مطالعه شهری. ۲۰۱۳ ، ۵۰ ، ۹۲۳-۹۴۱٫ [ Google Scholar ] [ CrossRef ]
هاگناور، جی. Helbich، M. نقشه های خودسازماندهی سلسله مراتبی برای خوشه بندی داده های مکانی و زمانی. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۳ ، ۲۷ ، ۲۰۲۶–۲۰۴۲٫ [ Google Scholar ] [ CrossRef ]
زو، جی. وو، ایکس. جی، جی. لیو، اف. ژائو، دبلیو. Wu، C. تأثیر فعالیت‌های معدنی بر هیدروشیمی آب‌های زیرزمینی و مهاجرت فلزات سنگین با استفاده از نقشه خودسازماندهی (SOM). جی. پاک. تولید ۲۰۲۰ ، ۲۵۷ ، ۱۲۰۶۶۴٫ [ Google Scholar ] [ CrossRef ]
کومار، ن. رستم، ر. شانکار، وی. Adeloye، AJ برآوردگر نقشه خودسازماندهی برای شاخص تنش آبی محصول. محاسبه کنید. الکترون. کشاورزی ۲۰۲۱ , ۱۸۷ , ۱۰۶۲۳۲٫ [ Google Scholar ] [ CrossRef ]
بانک جهانی. داده های باز بانک جهانی ؛ گزارش فنی؛ بانک جهانی: واشنگتن، دی سی، ایالات متحده آمریکا، ۲۰۱۸٫ [ Google Scholar ]
دایکسترا، ال. پولمن، اچ. Veneri, P. تعریف اتحادیه اروپا-OECD از یک منطقه شهری کاربردی. در اسناد کاری توسعه منطقه ای OECD ; انتشارات OECD: پاریس، فرانسه، ۲۰۱۹; جلد ۱۱٫ [ Google Scholar ] [ CrossRef ]
آگاروال، پ. Skupin, A. Self Organising Maps: Applications in Geographic Information Science ; جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، ۲۰۰۸٫ [ Google Scholar ]
آریباس-بل، دی. اشمیت، CR نقشه های خودسازماندهی و ساختار فضایی شهری ایالات متحده. محیط زیست طرح. B طرح. دس ۲۰۱۳ ، ۴۰ ، ۳۶۲-۳۷۱٫ [ Google Scholar ] [ CrossRef ]
دلمل، EC; هاسلائر، ای. پرینز، تی. رضایت اجتماعی، رفت و آمد و همسایگی. J. Transp. Geogr. ۲۰۱۳ ، ۳۰ ، ۱۱۰-۱۱۶٫ [ Google Scholar ] [ CrossRef ]
گهگان، م. تاکاتسوکا، م. ویلر، م. Hardisty، F. معرفی GeoVISTA Studio: مجموعه ای یکپارچه از روش های تجسم و محاسباتی برای اکتشاف و ساخت دانش در جغرافیا. محاسبه کنید. محیط زیست سیستم شهری ۲۰۰۲ ، ۲۶ ، ۲۶۷-۲۹۲٫ [ Google Scholar ] [ CrossRef ]
Pölzlbauer, G. بررسی و مقایسه معیارهای کیفیت برای نقشه‌های خودسازماندهی. در مجموعه مقالات پنجمین کارگاه تجزیه و تحلیل داده ها، اریس، ایتالیا، ۲۷ اکتبر تا ۳ نوامبر ۲۰۰۴٫ Elfa Academic: Press, Slovakia, 2004; صص ۶۷-۸۲٫ [ Google Scholar ]
Breard، GT ارزیابی خودسازماندهی نقشه کیفیت معیارها به عنوان معیارهای همگرایی. پایان نامه کارشناسی ارشد، دانشگاه رود آیلند، کینگستون، RI، ایالات متحده آمریکا، ۲۰۱۷٫ [ Google Scholar ]
وسانتو، جی. هیمبرگ، جی. آلهونیمی، ای. Parhankangas, J. SOM Toolbox for Matlab 5 ; گزارش فنی؛ منبع: پرینستون، نیوجرسی، ایالات متحده آمریکا، ۲۰۰۰٫ [ Google Scholar ]
وسانتو، جی. Alhoniemi, E. خوشه بندی نقشه خودسازماندهی. IEEE Trans. شبکه عصبی ۲۰۰۰ ، ۱۱ ، ۵۸۶-۶۰۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
حسن، س. شمس الدین، SM یادگیری نقشه خودسازمانده چند استراتژی برای مسائل طبقه بندی. محاسبه کنید. هوشمند نوروسک. ۲۰۱۱ ، ۲۰۱۱ ، ۱-۱۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Kohonen, T. MATLAB پیاده سازی ها و کاربردهای نقشه خودسازماندهی ; Unigrafia Oy: هلسینکی، فنلاند، ۲۰۱۴٫ [ Google Scholar ]
Batagelj, V. بخش تعمیم یافته و مشکلات خوشه بندی مرتبط. در طبقه بندی و روشهای مربوط به تجزیه و تحلیل داده ها ; Bock، HH، Ed. الزویر: آمستردام، هلند، ۱۹۸۸; صص ۶۷-۷۴٫ [ Google Scholar ]
ویچمن، تی. Wolff, M. انقباض شهری در یک چشم انداز فضایی-عملیاتی سازی شهرهای در حال کوچک شدن در اروپا ۱۹۹۰-۲۰۱۰٫ در مجموعه مقالات کنگره مشترک AESOP-ACSP، دوبلین، ایرلند، ۱۵ تا ۱۹ ژوئیه ۲۰۱۳٫ [ Google Scholar ]
نل، ا. گروسمان، ک. هاس، دی. Sigrun Kabisch، DR. ولف، ام. کوچک شدن شهری در آلمان: شبکه درهم تنیده ای از شرایط، بحث ها و سیاست ها. شهرها ۲۰۱۷ ، ۶۶ ، ۱۱۶-۱۲۳٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ روند جمعیت در اسپانیا با در نظر گرفتن طبقه بندی مناطق شهری کاربردی.

شکل ۲٫ نمونه ای از معماری SOM.

شکل ۳٫ مقایسه کوانتیزاسیون و خطاهای توپوگرافی SOM ها با تعداد شبکه های مختلف.

شکل ۴٫ صفحات جزء. نمرات بالا با رنگ زرد و امتیازهای پایین با رنگ مشکی نشان داده شده است.

شکل ۵٫ تعریف خوشه بندی با استفاده از تکنیک Ward. در شرایطی که ، خوشه ۱ با رنگ خاکستری نشان داده می شود. خوشه ۲ به رنگ آبی؛ خوشه ۳ به رنگ قرمز؛ و خوشه ۴ به رنگ زرد.

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام