روش‌های سنتی تخمین جای خالی مسکن به ندرت از تصاویر بیرونی مسکن در روز برای تخمین نرخ‌های خالی مسکن (HVR) استفاده می‌کنند. با توجه به این موضوع، این مطالعه ایده و روش تخمین جای خالی مسکن شهری را بر اساس تصاویر بیرونی مسکن در روز، با در نظر گرفتن گوانگژو، چین به عنوان مطالعه موردی پیشنهاد کرد. با در نظر گرفتن محله های مسکونی به عنوان واحد ارزیابی پایه، الگوی فضایی و عوامل مؤثر بر آن با استفاده از تحلیل میانگین نزدیکترین همسایه، تخمین تراکم هسته، تحلیل خودهمبستگی مکانی و ژئودتکتور مورد بررسی قرار گرفت. نتایج نشان می دهد که: (1) نرخ خالی مسکن شهری را می توان با روش تصاویر بیرونی مسکن در روز تخمین زد که از مزیت مقیاس تحقیقاتی کوچکتر، عملیات ساده و آسان، مصرف زمان کوتاه و دشواری کمتر در جمع آوری داده ها برخوردار است. (2) به طور کلی، نرخ خالی مسکن در گوانگژو در منطقه مرکزی و ناحیه شهری کم است، پس از آن در حومه شهر و در حومه بیرونی بالاتر است، که نشان دهنده یک الگوی فضایی افزایش منطقه مرکزی-منطقه شهری-حومه-حومه بیرونی است. علاوه بر این، دارای ویژگی‌های تراکم فضایی آشکار است، با ارزش کم-پایین که در دایره داخلی و ارزش بالا-بالا در حومه بیرونی جمع شده‌اند. (3) محله های مسکونی با نرخ خالی پایین (<5٪) در منطقه مرکزی توزیع شده است، که یک الگوی “دو هسته ای” را نشان می دهد، در حالی که محله های مسکونی با نرخ خالی بالای (50٪) در حومه بیرونی در یک الگوی نقطه چند هسته ای، که هر دو دارای ویژگی های خوشه بندی هستند. (4) نتایج آشکارساز عامل نشان می دهد که هر هفت عامل تأثیرگذار بر نرخ خالی مسکن تأثیر دارند. اما درجه تأثیر متفاوت است. فاصله از CBD (منطقه تجاری مرکزی) قوی ترین تأثیر را دارد، در حالی که دسترسی به مترو ضعیف ترین تأثیر را دارد. این مطالعه ایده‌ها و روش‌های جدیدی را برای تحقیقات کنونی در مورد مسکن‌های خالی شهری ارائه می‌کند که می‌تواند نه تنها مرجعی برای خرید منطقی مسکن برای ساکنان باشد، بلکه مبنای تصمیم‌گیری برای برنامه‌ریزی و سیاست‌گذاری مسکن در کلان‌شهرها نیز فراهم می‌کند.

کلید واژه ها:

تصاویر بیرونی مسکن در روز ; جای خالی مسکن شهری ; الگوهای فضایی ؛ عوامل موثر ؛ گوانگژو

1. مقدمه

نرخ خالی مسکن (HVR) یکی از مهم ترین شاخص ها برای ارزیابی سلامت املاک و مستغلات شهری است [ 1 ]. در دهه های اخیر، با تسریع روند شهرنشینی در چین، مشکل مسکن خالی به تدریج پدیدار شده است. بر اساس یک گزارش تحقیقاتی منتشر شده توسط مرکز چین برای بررسی و تحقیقات مالی خانوار (CHFS) دانشگاه مالی و اقتصاد جنوب غربی، نرخ مسکن خالی در مناطق شهری چین با تعداد واحدهای مسکونی تجاری خالی در سال 2017 به 21.4 درصد رسید. حدود 65 میلیون خالی بودن بیشتر مسکن تأثیر منفی بر الگوهای فضایی شهری و توسعه پایدار دارد و باعث توزیع نابرابر و هدر رفت منابع مسکن و حتی افزایش خطرات مالی می شود .]. همچنین نشان داده شده است که نرخ بالای شغل می‌تواند نرخ جرم منطقه‌ای [ 3 ]، نرخ فقر و بیکاری [ 4 ] را افزایش دهد و مجموعه‌ای از مشکلات اجتماعی را به همراه داشته باشد. با توجه به این پیشینه، تحقیق در مورد مسکن های خالی شهری ضروری است. مطالعه نرخ مسکن شهری می تواند مرجعی برای انتخاب منطقی ساکنان برای خرید خانه و توسعه منطقی سازندگان املاک و مستغلات باشد. همچنین می تواند زمینه ای را برای ادارات مدیریت دولتی برای تدوین سیاست های توسعه و مدیریت مسکن فراهم کند. همچنین می تواند اتلاف منابع اجتماعی و زمینی را کاهش دهد، منابع کمیاب زمین را بیشترین تأثیر را بگذارد، فشار مسکن را کاهش دهد و عرضه و تقاضای بازار مسکن را متعادل کند.
از آنجایی که هیچ داده رسمی در مورد خانه های خالی در چین وجود ندارد، چه رسد به اطلاعات در دسترس عمومی در مورد مسکن شخصی [ 5 ، 6 ]، محققانی که در مورد خانه های خالی مسکن مطالعه می کنند مجبور به یافتن رویکردهای جایگزین شده اند. در حال حاضر، در مطالعات خانه های خالی درون شهری، روش های مرسوم سنتی، مانند بررسی های نمونه گیری در محل [ 7 ]، نظرسنجی های میدانی و روش های مصاحبه [ 8 ]، کار فشرده و زمان بر هستند. بنابراین، با پیشرفت فناوری، داده‌های بررسی میکروبلاگ [ 9 ]، داده‌های سنجش از راه دور چند منبعی (به عنوان مثال، نور شبانه DMSP/OLS و NPP/VIIRS، تصویر ماهواره‌ای GF، تصاویر Luojia-1، و تصاویر Jilin1-03 ) [ 10 ، 11 ، 12]، مصرف برق مسکونی [ 13 ، 14 ]، و مصرف آب شهری [ 15 ، 16 ]، سیگنال های WIFI (Wireless Fidelity) [ 17 ]] برای انجام مطالعات جای خالی مسکن در داخل شهر استفاده شده است، اما مشکلات دسترسی دشوار یا دقت پایین وجود دارد. در این مقاله از روشی جدید، روش مشاهده تصاویر بیرونی در روز، برای تخمین میزان خالی بودن محله‌های مسکونی شهری استفاده شده است. این روش می تواند برای بررسی جای خالی مسکن در مقیاسی کوچکتر از روش های تحقیقاتی قبلی مورد استفاده قرار گیرد و ساده، زمان کمتر و به دست آوردن داده ها با مشکل کمتری است که از این جهت نوآورانه است که رویکرد جدیدی برای مطالعه شهر ارائه می کند. مسکن خالی است و به خریداران مسکن کمک می کند تا نرخ اشغال مسکن را درک کنند و به طور منطقی مسکن خریداری کنند.
با توجه به پیشرفت و یافته های مطالعات موجود در مورد الگوی فضایی خالی مسکن شهری در داخل و خارج از کشور، اکثر مطالعات نشان داده اند که نرخ خالی مسکن در مناطق مرکزی درون شهری پایین و در مناطق پیرامونی بالاتر است. بنتلی و همکاران در مطالعه خود بر روی شهر دیترویت در ایالات متحده دریافتند که جای خالی روندی را نشان می دهد که به تدریج از مرکز شهری به بیرون گسترش می یابد [ 18 ]. لیو و همکاران در مطالعه خود در مورد جای خالی مسکن در منطقه Yichun شهر Yichun دریافتند که نرخ جای خالی مسکن به طور کلی یک الگوی اصلی را نشان می دهد، یعنی نرخ مسکن مرکزی پایین تر و نرخ حاشیه خالی بالاتر است [ 13 ].]؛ چن و همکاران دریافتند که نانجینگ به طور کلی در دایره بیرونی شهری نسبت به لایه دایره داخلی رتبه بالاتری از نرخ جای خالی مسکن نشان می دهد [ 19 ]. نیو نرخ خالی نسبتاً پایین مسکن در منطقه ساحلی جنوب شرقی چینگدائو، با توزیع ناهموار مناطق خالی با ویژگی‌های خوشه‌بندی کم-کم، پیدا کرد، در حالی که، در سایر مناطق، روند تجمع کم ارزش در شهر مرکزی در حال افزایش است. حومه بیرونی نشان داده شده است [ 20 ]. او و همکاران همچنین در شناسایی جای خالی مسکن در 30 شهر چین نشان داد که مناطق با نرخ خالی بالای درون شهری در حاشیه مناطق کم خالی متمرکز شده و به تدریج به سمت خارج در امتداد مناطق شهری مرکزی افزایش یافته است [ 9 ]]. با این حال، برخی استثنائات وجود دارد، مانند دایگو، کره جنوبی، که در آن مناطق با نرخ خالی بالا به شکل دونات در مرکز شهر هستند و مناطق با نرخ خالی از نزدیک توسط مناطق با نرخ خالی بالا احاطه شده اند [ 21 ]. ، 22 ]. تغییرات فضایی در نرخ‌های خالی در داخل شهرها به دلیل عوامل زیادی است، از جمله ویژگی‌های محیط فیزیکی خود مسکن، مانند سن، نوع، سطح کف، مساحت طبقه و ساختار [ 22 ، 23 ]. ویژگی های اجتماعی-اقتصادی شهر مانند قیمت مسکن [ 24 ]، سیاست ها [ 25 ]، قیمت زمین، تغییرات جمعیتی [ 26 ]، پیری [ 27 ] و میزان عرضه مسکن [ 28 ]]. عوامل دیگر عبارتند از دسترسی به ویژگی های شهر، از جمله دسترسی به اشتغال، دسترسی به حمل و نقل، دسترسی به خدمات عمومی، محیط طبیعی و ساخته شده، و فاصله از مراکز شهر [ 9 ، 29 ].
شهرهایی که برای جای خالی مسکن در چین مورد مطالعه قرار گرفته‌اند عمدتاً آن‌هایی هستند که در شاخص «شهر ارواح» رتبه بالایی دارند، مانند چانگشو [ 15 ، 30 ]، یا آن‌هایی که ویژگی‌های انقباض قابل توجهی دارند، مانند Yichun [ 13 ].]، در حالی که تعداد کمی از محققان بر مشکل داخلی مسکن خالی در کلان شهرهایی مانند گوانگژو تمرکز کرده اند. در عین حال، گوانگژو، به عنوان یک شهر نمونه در تحقیقات جغرافیای چین، از نظر مشکل مسکن، نقطه داغی برای تحقیقات بوده است. بنابراین، نمونه ای نمونه و معرف برای بررسی مشکل خالی بودن مسکن در منطقه است. با کاوش در الگوی فضایی و عوامل مؤثر بر خالی بودن مسکن آن، ارزش عملی دارد زیرا می‌تواند برای ساکنان برای خرید منطقی مسکن و توسعه‌دهندگان برای توسعه منطقی راهنمایی کند و به سیاست‌گذاران در برنامه‌ریزی منطقی کمک کند.
با توجه به این موضوع، این مطالعه ایده و روشی را برای برآورد جای خالی مسکن شهری بر اساس تصاویر بیرونی مسکن در طول روز ساخته است. بر این اساس، ما گوانگژو، چین را به عنوان مطالعه موردی، محله های مسکونی را به عنوان واحد ارزیابی پایه در نظر گرفتیم و از تحلیل میانگین نزدیکترین همسایه، تخمین تراکم هسته، و تحلیل خودهمبستگی فضایی برای مطالعه الگوی فضایی خانه های خالی در گوانگژو و تجسم استفاده کردیم. و آن را تحلیل کنید. در نهایت، عوامل اصلی تاثیرگذار بر جای خالی مسکن در گوانگژو با استفاده از تکنیک ژئودیتکتور بررسی شدند.
ادامه مقاله به شرح زیر است: بخش 2 شرح مفصلی از روش ها و فرآیندهای این مقاله ارائه می دهد. بخش 3 منطقه مورد مطالعه و منابع خاص داده ها را معرفی می کند. بخش 4 نتایج این مطالعه را ارائه می‌کند، از جمله الگوی فضایی خانه‌های خالی در گوانگژو و عوامل مؤثر بر آن. بخش 5 مقاله را با خلاصه، بحث و نتیجه گیری به پایان می رساند.

2. روش ها و فرآیندها

2.1. روش ها و فرآیند برآورد نرخ مسکن خالی

در حال حاضر هیچ مفهوم واحد جهانی از خانه های خالی وجود ندارد و خانه های خالی را می توان به انواع مختلفی تقسیم کرد، مانند خانه های خالی طولانی مدت، خانه های خالی فصلی، خانه های خالی برای فروش، خانه های خالی فروخته نشده، خانه های خالی سوداگرانه برای سرمایه گذاری. ، خانه های خالی برای انبار و غیره. کشورها و مناطق مختلف استانداردهای مختلفی را برای اندازه گیری وضعیت خانه های خالی اتخاذ می کنند. بنابراین، مشکلات مربوط به تعاریف، مفاهیم، ​​کالیبر آماری و روش های مختلف پیمایش وجود دارد. با این حال، با توجه به بررسی ادبیات، در زمان این تحقیق، اکثر کشورها (مانند ایالات متحده، سنگاپور و برخی کشورهای اروپایی) خانه‌های خالی از سکنه را خانه‌های خالی می‌دانند [ 31 ].]. بر اساس استانداردهای تعاریف و تحقیقات داخلی و خارجی موجود، این تحقیق خانه‌های خالی را به خانه‌هایی که در زمان بررسی غیرمسکونی (نه موقتاً خالی) بوده از منظر بررسی آماری تعریف می‌کند. شایان ذکر است که در تحقیقات ما، خانه‌های خالی آن‌هایی هستند که هیچ اثری از سکونت ندارند (مانند خانه‌های بدون دکور و خانه‌هایی که درازمدت خالی از سکنه هستند)، نه فقط خانه‌های خالی کوتاه‌مدت که در زمان خالی از سکنه بوده‌اند. تحقیقات. بنابراین، برای محاسبه نرخ خالی در این مقاله، نرخ خالی مسکن برابر است با تعداد خانه‌های خالی تقسیم بر تعداد کل خانه‌ها.
در حال حاضر راه های زیادی برای مطالعه جای خالی مسکن وجود دارد. با این حال، هیچ روش واحد و بهینه ای وجود ندارد. در حال حاضر، همه روش ها دارای کاستی هایی هستند، از جمله به دست آوردن داده هایی که می تواند وضعیت مسکن را به طور دقیق منعکس کند، مانند مصرف آب و برق ساکنان. با این حال، این داده ها شامل حریم خصوصی ساکنان می شود، نیاز به محرمانه بودن دقیق دارند، به طور دقیق توسط بخش های مربوطه مدیریت می شوند، و گران و دشوار هستند. مشاهده نور سیاه در شب، اما زمانی که خانه خالی است یا در زمان بررسی اشغال شده است اما چراغ ها روشن نمی شوند، به طور قابل توجهی بر صحت نرخ جای خالی تأثیر می گذارد. با استفاده از داده های تصویر سنجش از راه دور نور شب برای تخمین میزان جای خالی، اگرچه داده ها به راحتی به دست می آیند، دقت داده ها پایین است، مانند داده های NPP-VIIRS، که دارای قدرت تفکیک 500 متر می باشند. برای برخی از ساختمان های کوچک مقیاس، امکان تطبیق دقیق مکان وجود ندارد و دقت آن پایین است، بنابراین نمی توان منطقه مسکونی صحیح را شناسایی کرد. مطالعات نرخ جای خالی نیز بر اساس داده‌های LBS (سرویس مبتنی بر موقعیت مکانی)، مانند داده‌های ورود میکروبلاگ انجام شده است. اگرچه پوشش گسترده و دقت موقعیت یابی بالایی دارد، اما این فناوری کاملاً به دستگاه های تلفن همراه بستگی دارد.
در مقایسه، این مطالعه با مشاهده خشک شدن لباس ها در بالکن ها (از جمله پنجره های دیگر که آثار مسکونی در آن ها قابل مشاهده است و غیره، مشاهده سایر موارد نشان دهنده وضعیت زندگی، توجه به نصب یا عدم نصب پرده ها و غیره) داده های مربوط به جای خالی مسکن را به دست می آورد. . هزینه اکتساب داده کم، دقت بالا، دقت قوی و دامنه کاربرد گسترده تر است. بنابراین این یک راه عملی برای مطالعه جای خالی مسکن است.
قابل ذکر است، ما نه تنها خشک شدن لباس ها (یا روی هم چیدن اشیاء) را در بالکن مشاهده کردیم، بلکه تمام قسمت های هر خانه را که اطلاعات مربوط به آثار مسکونی در آن ها قابل مشاهده است، مانند اینکه آیا پرده در اتاق نصب شده است یا خیر، به دقت مشاهده کردیم، زیرا طبق عادات زندگی مردم چین، هنگامی که یک خانه در آن زندگی می کند، برخی از اطلاعات ناگزیر قابل مشاهده خواهد بود. قبل از انجام این عمل، دقت این روش را ارزیابی کردیم. ما به طور تصادفی جوامع نمونه را انتخاب کردیم و یک بررسی در محل در دوره های مختلف، هم در روز و هم در شب (20:00-22:30) انجام دادیم. ما نتایج بررسی میدانی را با نتایج این روش تحقیق، مانند جامعه شبه جزیره جیانگ‌یوان، مقایسه می‌کنیم و ثابت می‌کنیم که نرخ‌های خالی ارزیابی شده توسط دو روش تقریباً یکسان است. ما با پرسنل املاک در برخی از جوامع صحبت کردیم (چون آنها به شدت با اشغال جوامع آشنا هستند). پس از به دست آوردن درک کلی از نرخ خالی، آن را با نتایج به دست آمده با استفاده از این روش تحقیق مقایسه کردیم و نتایج قابل اعتماد باقی ماند. بنابراین، این یک روش تحقیق نسبتاً دقیق است که ما می‌توانیم از آن برای ارزیابی نرخ خالی استفاده کنیم.
این مطالعه بر اساس نقشه نمای خیابان Baidu و بررسی میدانی برای به دست آوردن داده ها انجام شد. ابتدا نمونه هایی از محله های مسکونی برای مطالعه بر اساس غربالگری انتخاب شدند. سپس وارد Baidu Maps شدیم، حالت پانوراما را انتخاب کردیم و تصاویر پانوراما از هر محله مسکونی را جستجو کردیم. در صورت در دسترس بودن داده های پانوراما، نمونه ای تصادفی از ساختمان های تک انتخاب شد و تعداد واحدهای مسکونی خالی و تعداد کل واحدها مشاهده و ثبت شد. اگر محله مسکونی توسط نقشه نمای خیابان بایدو پوشش داده نمی شد، ما اطلاعات مربوط به محله مسکونی را ثبت کردیم، یک بررسی میدانی انجام دادیم، از ساختمان تصاویر بیرونی گرفتیم و تعداد واحدهای مسکونی خالی و تعداد واحدهای خالی را مشاهده کردیم. عکس ها سرانجام، داده‌های خالی ساختمان‌های منفرد جمع‌آوری‌شده به این دو روش جمع‌آوری و در داده‌های برداری ساختمان مربوطه ثبت شد تا نرخ خالی ساختمان‌های منفرد محاسبه شود، که به نوبه خود نرخ خالی کل منطقه را تولید می‌کند. روش تخمین خاص به صورت زیر جریان داشت (شکل 1 ).

2.1.1. روش های به دست آوردن تصاویر بیرونی مسکن در طول روز

تصاویر بیرونی مسکن در طول روز برای این مطالعه عمدتاً از نقشه نمای خیابان Baidu تهیه شده است که با عکس های بررسی میدانی تکمیل شده است. نقشه‌های نمای خیابان در این مطالعه عمدتاً از حالت نمای خیابان Baidu Maps ( https://map.baidu.com/ ، دسترسی از 1 ژانویه 2022 تا 8 فوریه 2022) به دست آمده‌اند. نمای خیابان Baidu روشی نسبتاً جدید برای ارائه دیدی بصری و همه جانبه از منطقه مسکونی مورد نظر خود بدون نیاز به ترک خانه به خریداران خانه است و داده های آن به طور مداوم برای همگام شدن با زمان به روز می شوند [ 32 ، 33 ]]. با این حال، در حال حاضر، Baidu Street View نمی‌تواند همه مناطق را پوشش دهد، و در برخی مناطق که ترافیک دشوار است، داده‌ای در دسترس نیست، که نیاز به انجام بررسی‌های میدانی برای تکمیل داده‌ها با عکس‌های تلفن همراه از فضای بیرونی دارد.
در میان آنها، حالت نمای خیابان Baidu برای به دست آوردن تصاویر بیرونی ساختمان، روش اصلی جمع آوری داده در این مطالعه است. برای به دست آوردن داده‌های تصویر نمای خیابان Baidu، ابتدا نقشه پانوراما محله‌های مسکونی مورد نظر را در حالت نمای خیابان بایدو جستجو کردیم و تصاویر آخرین زمان نشان‌داده‌شده در ابزار Time Machine عمدتاً از سال ۲۰۱۹ تا ۲۰۲۰ را انتخاب کردیم. در اینجا، روش برای انتخاب نمونه ساختمان، سعی شد 50 درصد و بالاتر از تعداد کل ساختمان‌های مسکونی در هر محله مسکونی انتخاب شود تا وضعیت نرخ جای خالی در آن محله مسکونی را نشان دهد، در حالی که برای مناطقی با داده‌های نمای خیابان توسعه‌یافته‌تر، نمونه‌های ساختمانی تا حد امکان ممکن است. انتخاب شدند. با این روش تقریباً 90 درصد (400) از داده های ساختمانی محله مسکونی مورد نیاز برای مطالعه به دست آمد.
2.1.2. روش تخمین نرخ جای خالی برای ساختمان های مسکونی تک بر اساس تصاویر بیرونی مسکن در روز
تعداد کل واحدها و تعداد واحدهای خالی با مشاهده دستی تصاویر بیرونی ساختمان های مسکونی منفرد به دست آمده از نمای خیابان Baidu و بررسی های میدانی برآورد شد. تمایز بین خانه‌های خالی و خانه‌های اشغالی بر این اساس بود که آیا لباس‌ها در بالکن خانه‌ها خشک می‌شوند (یا بالکن‌ها وسایل زندگی بیشتری را قرار می‌دهند) و اینکه آیا وسایل خانه از پنجره‌های اتاق دیده می‌شوند (آیا موارد بیشتری وجود دارد که نشان‌دهنده وضعیت زندگی در اتاق، چه پرده نصب شده باشد یا نه، و غیره)؛ اگر لباس‌ها خشک می‌شدند (یا می‌توانستید موارد بیشتری را ببینید که نشان‌دهنده وضعیت زندگی یا سایر نشانه‌های سکونت است)، به این معنی است که خانه اشغال شده است. اگر اینطور نبود، خانه غیرمسکونی و به عنوان یک خانه خالی در نظر گرفته می شد، همانطور که در نشان داده شده استشکل 2 . سپس نرخ خالی هر ساختمان با توجه به تعریف نرخ خالی محاسبه شد.

بر اساس تعریف فوق از نرخ خالی مسکن، فرمول مشخص برای محاسبه واحد مسکونی به شرح زیر است:

اچVآرمنj=Vمنjآمنj*100%

که در آن i = 1، 2……، n و j = 1، 2……، n j امین ساختمان در محله مسکونی i است. V ij تعداد واحدهای خانه خالی در ساختمان j در محله مسکونی i است. A ij تعداد کل واحدهای خانه در ساختمان j در محله مسکونی i است. HVR ij نشان دهنده نرخ خالی j امین ساختمان در محله مسکونی i است.

2.1.3. محاسبه میانگین نرخ جای خالی در محله های مسکونی

داده های خالی برای محله مسکونی از داده های خالی برای نمونه ای از ساختمان های منفرد در محله مسکونی استخراج شده است. تعداد کل خانه ها و خانه های خالی تمام نمونه های تک ساختمانی در این منطقه مسکونی برای به دست آوردن تعداد کل خانه ها و خانه های خالی خلاصه شد. فرمول نرخ خالی به شرح زیر است:

اچVآرمن=∑j=1nVمنj∑j=1nآمنj*100%
HVR i به نرخ خالی محله های مسکونی نمونه I , i = 1, 2…… 450 اشاره دارد.

2.2. رویکرد تحلیل فضایی به الگوی فضایی نرخ مسکن

2.2.1. تحلیل خودهمبستگی فضایی

تجزیه و تحلیل خودهمبستگی فضایی می تواند برای کشف ویژگی های همبستگی فضایی و الگوهای توزیع فضایی جای خالی مسکن در گوانگژو استفاده شود. در این مطالعه از سه روش تحلیل خودهمبستگی فضایی استفاده شد: موران جهانی I ، تجزیه و تحلیل نقطه داغ (Getis-Ord Gi* ) و تحلیل خوشه ای و پرت (Anselin Local Moran’s I ).
1.
شاخص جهانی موران

Global Moran’s I برای تشخیص ویژگی‌های فضایی عمومی خانه‌های خالی با عبارات زیر استفاده شد [ 34 ، 35 ]:

من=∑من=1n∑j=1nدبلیومنj(ایکسمن-ایکس¯)(ایکسj-ایکس¯)اس2∑من=1n∑j=1nدبلیومنj
اس2=∑من=1n(ایکسمن-ایکس¯)2n

جایی که من برای شاخص خودهمبستگی فضایی جهانی است. x i و x j به ترتیب نشان دهنده نرخ خالی مسکن در سه ماهه i و j ام مسکونی است. W ij ماتریس وزن هر محله مسکونی است، هنگامی که ماتریس با فاصله ثابت ایجاد می شود، عناصر مجاور محله مسکونی در فاصله بحرانی مشخص شده دارای وزن 1 خواهند بود که تأثیر زیادی بر آن محله مسکونی خواهد داشت. در حالی که وزن عنصر محله مسکونی در خارج از فاصله بحرانی 0 خواهد بود که هیچ تاثیری در محاسبه محله مسکونی نخواهد داشت. مندر محدوده [-1,1] قرار دارد. هنگامی که I بین [-1، 0 باشد)، بین محله های مسکونی با نرخ جای خالی همبستگی منفی وجود دارد، و هر چه I به -1 نزدیکتر باشد، همبستگی منفی بیشتر است. وقتی I (0,1] باشد، نرخ جای خالی همبستگی مثبت دارد، و هر چه I به 1 نزدیکتر باشد، همبستگی مثبت بیشتر است. وقتی I 0 باشد، بین محله های مسکونی خالی همبستگی وجود ندارد و آنها به طور تصادفی توزیع می شوند. Z- value یک آمار استاندارد شده از I است که برای تعیین درجه خوشه بندی محله های مسکونی خالی استفاده می شود. Z- value را می توان به صورت زیر بیان کرد:

ز(من)=من-E(من)Vآr(من)

که در آن Var ( I ) تعداد واریانس ها را نشان می دهد و E ( I ) انتظار ریاضی نرخ خالی مسکن است. وقتی قدر مطلق Z بزرگتر است، نشان می دهد که همبستگی مثبت (منفی) فضایی نرخ جای خالی مسکن در گوانگژو معنادارتر است. وقتی قدر مطلق Z به صفر میل می کند، به این معنی است که نتیجه قابل توجه نیست و نرخ خالی مسکن به طور تصادفی توزیع می شود.

2.
تحلیل خودهمبستگی فضایی محلی
هنگامی که نرخ جای خالی مسکن همبستگی فضایی را نشان داد، ما از تحلیل خودهمبستگی فضایی محلی برای آزمایش بیشتر آن استفاده کردیم.
(1)
گتیس اورد گی*

Getis-Ord Gi* توسط Getis و Ord [ 36 ، 37 ] پیشنهاد شد، که به آمار Gi* در مورد نرخ خانه های خالی در هر سه ماهه مسکونی اجازه می دهد تا مناطق گرم و سرد نرخ های خالی مسکن را با معادله زیر به طور دقیق شناسایی کند:

جیمن*(د)=∑من=1nدبلیومنj(د)ایکسj∑من=1nایکسمن

d فاصله بین i و j و W ij ( d ) وزن فاصله بین نقاط i و j است. Z ( Gi* ) را نیز می توان با نرمال کردن مقدار Z برای Gi* با معادله زیر به دست آورد:

ز(جیمن*)=جیمن*-E(جیمن*)Vآr(جیمن*)
اگر Z ( Gi* ) مثبت و معنی دار باشد، یعنی Z ( Gi* ) > 1.96 و p < 0.05، به این معنی است که نرخ خالی محله مسکونی i بالا است و یک منطقه داغ خالی است. برعکس، اگر Z ( Gi* ) منفی و معنادار باشد، یعنی Z ( Gi* ) < 1.96- و p <0.05، که نشان می دهد نرخ خالی محله های مسکونی در اطراف i کم است و سرمای خالی است. منطقه نقطه ای
(2)
Local Moran’s I

Local Moran’s I برای تجزیه و تحلیل بیشتر ویژگی‌ها و مکان توزیع فضایی خوشه‌ها و نقاط پرت از نرخ‌های خالی مسکن استفاده شد. این اجازه می‌دهد که مقدار I موران برای هر منطقه برای تشخیص تجمع یا ناهنجاری‌های محلی شمارش شود، و در اینجا نشانگر همبستگی فضایی محلی LISA (شاخص‌های محلی انجمن فضایی) می‌تواند برای کشف خودهمبستگی محلی استفاده شود [ 38 ]. بیان آن به شرح زیر است:

من=∑ wمنj”زمنزj

که در آن I شاخص همبستگی محلی است، w ij ‘ استانداردسازی ردیف w ij است، و Z i و Z j مقادیر استاندارد شده نرخ خالی مسکن هستند. در سطح معنی داری 5 درصد، اگر I و Z i هر دو مثبت باشند ، تراکم بالا-بالا وجود دارد. وقتی I i منفی و Z i مثبت است، تراکم زیاد و کم وجود دارد. وقتی I i مثبت و Z i منفی است، تجمع کم-پایین وجود دارد. و زمانی که هر دو منi و Z i منفی هستند، تجمع کم-بالا وجود دارد. LISA می‌تواند چهار نوع تجمع فضایی بالا- زیاد، کم-کم، زیاد-کم و کم-بالا و همچنین نوع غیر قابل توجه را نشان دهد.

2.2.2. تحلیل میانگین نزدیکترین همسایه

میانگین فاصله نزدیکترین همسایه می‌تواند میانگین فاصله بین محله‌های مسکونی با همان سطح نرخ خالی و ویژگی‌های توزیع فضایی آن‌ها (یکنواخت، خوشه‌ای و تصادفی) را با توجه به نسبت R میانگین نزدیک‌ترین فاصله نزدیک‌ترین همسایه ( d i ) تعیین کند. به نزدیکترین مقدار فاصله همسایه مورد انتظار ( d e ). محدوده R [0, 2.1491] است. وقتی R < 1، محله‌های مسکونی خالی از همان درجه خوشه‌بندی می‌شوند. R > 1، آنها به طور تصادفی توزیع می شوند. زمانی که R= 1، یعنی فاصله واقعی مشاهده شده برابر با فاصله مورد انتظار است، به معنای توزیع یکنواخت است. نسبت R را می توان به صورت زیر بیان کرد:

آر=دمنده

که در آن d e می تواند به صورت زیر بیان شود:

ده=12ن/آ

که در آن N تعداد نقاط مسکونی خالی در سطوح مختلف و A منطقه گوانگژو است. انحراف استاندارد آن Z به صورت [ 39 ] بیان می شود:

ز=(دمن-ده )ن2/آ0.26136

در جایی که Z -value خیلی زیاد (به شدت پراکنده) یا خیلی کم (به شدت خوشه‌بندی شده) است، مقدار p – معنی‌دار کوچک‌تر است. هنگامی که p > 0.1، اهمیت ضعیف است، و محله های مسکونی با همان درجه نرخ جای خالی به طور تصادفی توزیع می شوند. هنگامی که p <0.01، توزیع به شدت خوشه ای (یا پراکنده) وجود دارد. 0.01 < p < 0.05 یک توزیع قوی تر خوشه ای (پراکنده) است. 0.05 < p < 0.1 یک خوشه کلی (پراکنده) است.

2.2.3. تخمین چگالی هسته

تخمین چگالی هسته یک روش تحلیل آماری برای تخمین چگالی ناپارامتری است و روشی رایج برای تحلیل الگوهای فضایی در جغرافیا است. تجزیه و تحلیل تراکم هسته برای بررسی ویژگی‌های تمایز فضایی محله‌های مسکونی با نرخ خالی بالاتر و با نرخ خالی پایین‌تر به ترتیب مورد استفاده قرار گرفت. فرمول چگالی هسته به صورت زیر است [ 40 ]:

f(ایکس)=1nساعت∑من=1nک(ایکس-ایکسمنساعت)

که در آن x 1 , x 2 , x 3 ,…, x i مجموعه ای از مکان های مشاهده شده در پهنای باند x است. ( x – x i ) نشان دهنده فاصله محله مسکونی x تا x i است. n حجم نمونه محله های مسکونی، در مجموع 450 است. f ( x ) تخمینی از مقدار چگالی هسته در نقطه چهارم مسکونی x است.. هر چه مقدار تراکم هسته بیشتر باشد، تراکم توزیع فضایی محله‌های مسکونی خالی در آن سطح از مسکن بیشتر است و برعکس، تراکم کمتر است. h پهنای باند است، یعنی شعاع جستجوی تابع چگالی. K ( x ) تابع هسته درجه دوم وزن های فضایی است که K بزرگتر از 0 است.

2.3. نرخ خانه های خالی در مورد عوامل موثر اصلی

تکنیک ژئودتکتور می تواند ناهمگونی فضایی [ 41 ] را تشخیص دهد، می تواند دقت آماری بالایی را با حجم نمونه کوچک بدون نیاز به در نظر گرفتن چند خطی بین متغیرها [ 42 ] به دست آورد و به تداوم داده ها نیاز ندارد. در این مطالعه از ژئودتکتور برای شناسایی عوامل مؤثر بر نرخ مسکن و میزان تأثیر آنها بر نرخ مسکن استفاده شد. ایده اصلی این است که اگر یک عامل تأثیرگذار تأثیر قابل‌توجهی بر نرخ خالی مسکن داشته باشد، توزیع فضایی آنها باید شباهت داشته باشد [ 43 ، 44 ]. قدرت نفوذ آن از طریق یک مقدار توان تشخیص جغرافیایی ( q -value) بیان می شود که به صورت زیر بیان می شود:

q=1-1نσ2∑ساعت=1Lنساعتσساعت2

در جایی که h = 1،…، L طبقه بندی با توجه به هر متغیر مستقل (عامل تأثیرگذار) است، ما عامل تأثیرگذار (یعنی متغیرهای مستقل) را به پنج سطح تقسیم کردیم [ 45 ]. N h حجم نمونه طبقه بندی h (یعنی تقسیم منطقه فرعی) عامل تأثیرگذار است و N تعداد نمونه مسکونی در شهر گوانگژو (450) است. σ 2 و σ 2 h به ترتیب واریانس شهر گوانگژو و طبقه بندی h هستند. مقدار q بازه [0,1] را با q بزرگتر می گیرد– مقداری که نشان دهنده تأثیر قوی تر عامل بر نرخ خالی مسکن است و مقدار نزدیک به 1 نشان دهنده تأثیر قوی تر این عامل بر خوشه بندی فضایی نرخ خالی مسکن است. مقدار نزدیکتر به 0 نشان دهنده تأثیر ضعیف تری از عامل است.

3. منطقه مطالعه و منابع داده

3.1. منطقه مطالعه

گوانگژو، واقع در جنوب چین، شهر مرکزی منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو و یک شهر مرکزی مهم در چین است. گوانگژو دارای مساحت اداری 7434.40 کیلومتر مربع و 11 منطقه اداری به نام‌های Yuexiu، Liwan، Haizhu، Tianhe، Baiyun، Huangpu، Panyu، Huadu، Zengcheng، Conghua و Nansha است. در سال 2020، جمعیت دائمی گوانگژو در پایان سال 18740300 نفر در پایان سال بود و سرانه مساحت ساخت مسکن خانوارهای شهری 34.61 متر مربع است ( https://lwzb.gzstats.gov.cn:20001/datav /admin/home/www_nj/، قابل دسترسی در 15 آوریل 2022). با توجه به واقعیت ساخت و ساز و توسعه شهری گوانگژو و با توجه به نتایج تحقیقات وانگ و همکاران. در نحوه تقسیم قلمرو عملکردی گوانگژو [ 46 ، 47 ]، شهر به چهار دایره تقسیم شد: منطقه مرکزی، ناحیه شهری، منطقه حومه شهر، و منطقه حومه بیرونی ( شکل 3 ). 450 محله مسکونی به عنوان واحد مطالعاتی پایه وجود دارد که از این تعداد 61 واحد در منطقه مرکزی، 70 محله در ناحیه شهری، 81 محله در حومه و 238 در حومه بیرونی قرار دارند. کل نمونه ساختمان های تک انتخاب شده از این 450 محله مسکونی 1846 است.

3.2. منابع داده و پردازش

منابع داده از داده‌های تک ساختمانی از داده‌های ساختمان بایدو، داده‌های محله‌های مسکونی از Lianjia ( https://gz.lianjia.com/ ، در تاریخ 16 مه 2021) و Cric ( https://www.cricchina.com/# ) به دست آمده‌اند. /home ، قابل دسترسی در ژوئن 2018)، با دارایی‌های مرتبط و فیلتر شده با نام، با مجموع 450 محله مسکونی نگهدارنده که در سال‌های 2010-2019 ساخته شده‌اند.
جای خالی مسکن تجسم انتخاب مکان مسکونی است و عوامل زیادی بر انتخاب مکان مسکونی تأثیر دارند [ 48 ]. بر اساس تحقیقات موجود، عواملی که بر انتخاب مکان مسکونی تأثیر می‌گذارند شامل راحتی شغلی [ 49 ]، دسترسی به مدرسه [ 50 ]، راحتی خدمات تجاری [ 46 ]، راحتی خدمات عمومی [ 51 ، 52 ]، راحتی حمل‌ونقل عمومی (به عنوان مثال ، متروها و سیستم های اتوبوس) [ 53 ، 54 ]، فاصله از مرکز شهر [ 55 ] و تراکم جمعیت [ 46 ] و محیط فیزیکی، مانند پارک ها [56 ، آب نماها [ 57 ] و کارخانه ها [ 58 ، 59 ، 60 ]. بر این اساس، این مطالعه هفت عامل موثر بر نرخ خالی مسکن را انتخاب می‌کند که عبارتند از: دسترسی به دفتر، راحتی آموزشی پایه، دسترسی به خدمات تجاری، دسترسی به خدمات عمومی، دسترسی به مترو (یعنی راحتی حمل‌ونقل عمومی)، تراکم جمعیت، و فاصله از منطقه تجاری مرکزی (CBD).
اشتغال، تحصیل، خدمات تجاری، خدمات عمومی، مترو و غیره همگی فاکتورهای مشخصه راحتی هستند و راحتی عامل مهمی است که بر انتخاب زندگی ساکنان تأثیر می گذارد. برای ساکنانی که در شهرها زندگی می کنند، اولین نکته در هنگام خرید یا اجاره خانه، راحتی جامعه است، از جمله اینکه آیا کار و مسافرت آسان است، آیا مدرسه برای فرزندان آنها وجود دارد یا خیر و آیا مغازه برای نیازهای اولیه وجود دارد یا خیر. . از نظر تئوری، هر چه خانه راحت‌تر باشد، برای خریداران یا اجاره‌کنندگان جذاب‌تر است و طبیعتاً نرخ خالی در چنین مناطقی کم است.
تراکم جمعیت یک عامل مشخصه اجتماعی است که می تواند محبوبیت و قدرت اقتصادی مناطق مسکونی را منعکس کند. تراکم بالای جمعیت باعث توسعه مشاغل و صنایع خدماتی اطراف می شود و هر چه جمعیت منطقه بیشتر جمع شود، قدرت آن قوی تر خواهد شد. عموماً اعتقاد بر این است که جو زندگی در مکان هایی با تراکم جمعیت بالا ضعیف نیست. بنابراین، تراکم جمعیت منطقه یکی از عوامل مورد توجه خریداران و اجاره‌کنندگان است. از نظر تئوری، نرخ خالی در مناطق با تراکم جمعیت بالا کم است.
فاصله از CBD یک عامل مشخصه مکان به معنای محدود است. به طور کلی، هر چه منطقه به CBD نزدیک‌تر باشد، زیرساخت بهتر، حمل‌ونقل عمومی راحت‌تر و منابع آموزشی و پزشکی بهتر و نیازهای ساکنان مربوط به زندگی، اشتغال، تحصیل و درمان می‌تواند. بنابراین بهتر ملاقات شود. در بازار خرید یا اجاره خانه، مردم تمایل بیشتری به خرید یا اجاره در منطقه مرکزی یک شهر دارند.
داده های اساسی مورد نیاز برای پنج عامل، یعنی دسترسی به دفتر، راحتی آموزشی پایه، دسترسی به خدمات تجاری، دسترسی به خدمات عمومی و دسترسی به مترو، از داده های Amap POI (نقطه مورد علاقه) در ژانویه 2020 به دست آمد و منوط به تصحیح هماهنگ و غربالگری دستی تراکم جمعیت از داده های نقشه حرارتی بایدو در ساعت 20:00 در 22 مارس 2022 به دست آمد. داده ها برای تصحیح مختصات، طرح ریزی، طبقه بندی مجدد، نمونه گیری مجدد، شطرنجی به نقطه، و غیره برای به دست آوردن داده های نقطه ای نقشه حرارتی بایدو پردازش شدند. . فاصله از CBD در ArcGIS 10.7 با در نظر گرفتن برج غربی شهر جدید ژوجیانگ – مرکز مالی بین‌المللی گوانگژو (IFC) به عنوان مرکز شهر محاسبه شد.
میزان تأثیر این هفت عامل بر نرخ خانه خالی در قالب یک امتیاز اختصاص یافته مورد ارزیابی قرار گرفت که در جدول 1 به آن پرداخته و تخصیص داده شده است.
توزیع POI از ویژگی های مرتبط توزیع نرمال پیروی می کند [ 61 ، 62 ]. طبق قانون توزیع نرمال، میانگین ± σ حدود 68 درصد داده ها، میانگین ± 2σ حدود 95 درصد، و ± 3σ حدود 99 درصد را پوشش می دهد [ 63 ]. بنابراین، تجزیه و تحلیل این عوامل تأثیرگذار و استخراج میانگین سطح انحراف معیار مقدار چگالی هسته‌ای بر اساس این اصل و سپس اختصاص امتیاز به محله‌های مسکونی ارزش آماری دارد.

4. نتایج

4.1. ویژگی های الگوی فضایی مسکن خالی در گوانگژو

بر اساس ویژگی‌های داده‌های نرخ خالی مسکن، با آستانه‌های 5.00٪، 10.00٪، 20.00٪ و 50.00٪ با مجموع پنج درجه از کم به بالا، که به عنوان کم، پایین، متوسط ​​تعریف شده است، درجه بندی شد. بالاتر، و نرخ جای خالی بالا به این ترتیب. تعداد و نسبت محله‌های مسکونی با درجه‌های متفاوتی از نرخ‌های خالی در هر منطقه در جدول 2 نشان داده شده است. به طور کلی، 208 محله مسکونی با نرخ خالی بالاتر و بالا (46.22٪) وجود دارد، در حالی که 162 محله مسکونی با نرخ خالی پایین و پایین (36٪) وجود دارد. مشاهده می‌شود که تعداد محله‌های مسکونی با نرخ بالای جای خالی (بیش از 20%) زیاد است، که نشان‌دهنده ویژگی‌های نرخ بالای مسکن در گوانگژو است.
اکثریت قریب به اتفاق محله‌های مسکونی در منطقه مرکزی دارای نرخ‌های خالی پایین هستند، محله‌های مسکونی با نرخ‌های خالی پایین و پایین‌تر در مجموع 95.08 درصد را تشکیل می‌دهند و تنها 3.28 درصد از نرخ‌های خالی محله‌های مسکونی بالاتر از 20 درصد بوده است که نشان می‌دهد. که سطح کلی نرخ های خالی برای محله های مسکونی در منطقه مرکزی پایین است. محله‌های مسکونی با نرخ‌های پایین و پایین‌تر در ناحیه شهری، در مجموع 67.14 درصد را به خود اختصاص می‌دهند، در حالی که نرخ‌های خالی بالاتر و بالا به ترتیب 2.86 درصد و 12.86 درصد هستند، که نسبت به منطقه اصلی، نرخ خالی کمی بالاتر در منطقه شهری است. درصد محله های مسکونی با نرخ بالای خالی (بیش از 20٪) در منطقه حومه شهر 28.4٪ است. تعداد کل محله های مسکونی با نرخ بالای خالی (بیش از 20٪) در منطقه بیرونی حومه 34 است که 14 مورد را شامل می شود. 28 درصد از نظر تعداد، این منطقه دارای بیشترین تعداد محله های مسکونی بالاتر و با نرخ خالی بالا است.
به منظور تجسم الگوی فضایی خانه‌های خالی، در این مطالعه از نرم‌افزارهای ArcMap و ArcScene 10.7 برای نمایش الگوهای فضایی دوبعدی و سه‌بعدی محله‌های مسکونی بر اساس معیارهای طبقه‌بندی نرخ مسکن فوق‌الذکر، همانطور که در شکل 4 نشان داده شده است، استفاده شد. و شکل 5 زیر. محله‌های مسکونی با نرخ‌های خالی و پایین‌تر عمدتاً در نواحی مرکزی و شهری متمرکز شده‌اند، در حالی که محله‌های مسکونی خالی بالا عمدتاً در مناطق حومه‌ای و بیرونی توزیع شده‌اند. به طور کلی، نرخ جای خالی مسکن در چهار منطقه عملکردی گوانگژو یک الگوی فضایی از افزایش نرخ جای خالی در منطقه مرکزی-منطقه شهری-حومه-حومه بیرونی را نشان می دهد.
برای تأیید ویژگی‌های خوشه‌بندی فضایی مکان‌های خالی مسکن در گوانگژو، این مطالعه از تحلیل خودهمبستگی فضایی جهانی و محلی استفاده کرد. ابتدا، ویژگی‌های خود همبستگی فضایی نرخ‌های خالی مسکن در 450 محله مسکونی در گوانگژو بر اساس شاخص همبستگی جهانی موران I اندازه‌گیری شد . ماتریس وزن فضایی با استفاده از روش فاصله ثابت با فاصله آستانه تعیین شده در 10 کیلومتر ایجاد شد و نتایج نشان داد که موران I 0.3132، با مقدار p 0.00 و مقدار آماری Z 38.3402 بود که نشان دهنده معنادار بودن است. ویژگی های خوشه بندی فضایی نرخ جای خالی مسکن در گوانگژو
بر این اساس، تجزیه و تحلیل خودهمبستگی فضایی محلی بیشتر برای شناسایی مناطق گرم و سرد محله‌های مسکونی خالی با شاخص Getis-Ord Gi* ، و برای کاوش خوشه‌بندی فضایی و مکان‌های پرت محل خالی مسکن با LISA مورد استفاده قرار گرفت. ماتریس وزن فضایی و فاصله آستانه مانند بالا تنظیم شد و نتایج در شکل 6 نشان داده شده است.
نتایج شاخص Getis-Ord Gi* در شکل 6 الف نشان می‌دهد که مناطق سرد برای جای خالی مسکن در گوانگژو عمدتاً در ناحیه مرکزی و ناحیه شهری دایره داخلی هستند، در حالی که مناطق نقطه داغ عمدتاً در قسمت بیرونی قرار دارند. حومه، عمدتا در منطقه Zengcheng و Nansha منطقه، و پس از Conghua منطقه و Huadu. مقدار کمی در منطقه حومه شهر (شرق منطقه Huangpu) جمع شده است. نقشه LISA بیشتر برای شناسایی مناطق با خوشه بندی بالا و پایین نرخ های خالی در شکل 6 استفاده شد.ب ارزش پایین و پایین نرخ خالی محله های مسکونی در مرکز و مناطق شهری گوانگژو متمرکز شده است، در حالی که مقادیر بالا به بالا در مناطق حومه بیرونی، از جمله منطقه Zengcheng، شرق منطقه Huangpu، منطقه Nansha، منطقه Conghua متمرکز شده است. ، و منطقه هوادو. یک بار دیگر، تجزیه و تحلیل خودهمبستگی فضایی محلی، خوشه‌بندی قابل‌توجهی از جاهای خالی در گوانگژو را نشان داد، با یک الگوی فضایی نرخ‌های خالی بالاتر در دایره بیرونی نسبت به دایره داخلی.

4.2. توزیع محله های مسکونی با نرخ بالا و پایین خالی

در این مطالعه، تحلیل فاصله نزدیکترین همسایه برای تجزیه و تحلیل کمی خوشه‌بندی فضایی محله‌های مسکونی با نرخ بالای (> 50٪) و پایین (<5٪) جای خالی در گوانگژو استفاده شد. همانطور که از جدول 3 مشاهده می شود ، شاخص نزدیکترین همسایه R برای محله های مسکونی با نرخ خالی بالا و پایین به ترتیب 0.6238 و 0.4111 است. p – values ​​کمتر از 0.01 و Z- values ​​کمتر از -1.96 هستند، که اهمیت آماری را برآورده می کند، که نشان دهنده درجه های محله های مسکونی خالی است که با ویژگی های خوشه بندی فضایی قوی مشخص می شود. علاوه بر این، از آنجایی که ارزش R در محله‌های مسکونی با نرخ خالی پایین‌تر از R است.– ارزش محله‌های مسکونی با نرخ خالی بالا، واضح است که ویژگی‌های خوشه‌بندی فضایی محله‌های مسکونی با نرخ خالی پایین‌تر از محله‌های مسکونی با نرخ خالی بالا معنادارتر است.
سپس از تخمین تراکم هسته برای تعیین بیشتر مناطق اصلی خوشه‌بندی محله‌های مسکونی با نرخ خالی بالا و پایین استفاده شد. با استفاده از ArcGIS10.7، تخمین چگالی هسته انجام شد که شعاع جستجو برای هر دو روی 5 کیلومتر تنظیم شد و نتایج در شکل 7 نشان داده شده است. محله‌های مسکونی با نرخ خالی پایین عمدتاً در منطقه مرکزی گوانگژو جمع‌آوری شده‌اند و الگوی «دو هسته‌ای» را نشان می‌دهند، با مکان‌های اصلی در ضلع شرقی و غربی منطقه مرکزی، ضلع غربی در محل اتصال Yuexiu. ، ناحیه لیوان و هایژو، و هسته سمت شرقی که در غرب منطقه تیانه ظاهر می شود (شامل شهر جدید ژوجیانگ، یانگجی، لینه، پارک تیانه و سایر مناطق) ( شکل 7)آ)؛ مناطق خوشه‌بندی محله‌های مسکونی با نرخ‌های خالی بالا عمدتاً در حومه بیرونی قرار دارند و یک ویژگی توزیع نقطه‌مانند چند هسته‌ای را نشان می‌دهند ( شکل 7 ب). هسته شرقی عمدتاً در منطقه Zengcheng واقع شده است، در حالی که بخش جنوبی تحت سلطه ناحیه Nansha و بخش غربی منطقه Huadu است که همچنین دارای نرخ خالی بالایی است.

4.3. بررسی عوامل موثر بر نرخ مسکن در گوانگژو توسط ژئودتکتور

4.3.1. الگوی فضایی پنج عامل تأثیرگذار

برای بررسی بیشتر رابطه بین هفت عامل تأثیرگذار (دسترسی به دفتر، راحتی آموزشی پایه، دسترسی به خدمات تجاری، دسترسی به خدمات عمومی، دسترسی به مترو، تراکم جمعیت و فاصله از CBD) و نرخ خالی مسکن، از ArcGIS 10.7 برای فضایی استفاده شد. آنها را تجسم کنید بر اساس این اصل که تخمین چگالی هسته از توزیع نرمال تبعیت می کند [ 64 ]، خط میانگین، 1 خط sd، 2 خط sd و خط 3 sd از تخمین تراکم هسته برای پنج عامل تأثیرگذار دسترسی به دفتر، راحتی آموزشی پایه نتایج حاصل می شود. همانطور که در شکل 8 نشان داده شده است، دسترسی به خدمات تجاری، دسترسی به خدمات عمومی و تراکم جمعیت استخراج شد و سپس در یک نقشه الگوی فضایی ترسیم شد .. برای فاصله از CBD، شهر به یک شبکه 500 × 500 متر تقسیم شد و با استفاده از روش طبقه‌بندی چندک نمایش داده شد. در حالی که برای دسترسی به مترو، الگوی منطقه بافر نمایش داده شد ( شکل 9 را ببینید ).
4.3.2. عوامل تاثیرگذار نرخ مسکن خالی
ژئودیتکتور نیاز به طبقه بندی متغیرهای مستقل دارد. بنابراین، ما این هفت عامل را به پنج سطح تقسیم کردیم: دسترسی اداری، راحتی آموزشی پایه، دسترسی به خدمات تجاری، دسترسی به خدمات عمومی، تراکم جمعیت، دسترسی مترو و فاصله از CBD، با توجه به استاندارد ارزیابی آنها. فاکتور فاصله از CBD با استفاده از روش کوانتیل در ArcGIS 10.7 درجه بندی شد. نتایج آشکارساز عامل نشان داد که مقدار p هر هفت عامل تأثیرگذار 0.00 بود، که نشان می‌دهد هر پنج عامل تأثیرگذار تأثیر قابل‌توجهی بر نرخ خالی مسکن در گوانگژو داشتند. از شکل 10، مشاهده می شود که درجه تأثیر به ترتیب زیر است: فاصله از CBD، دسترسی به دفتر، تراکم جمعیت، راحتی آموزشی اولیه، دسترسی به خدمات تجاری، دسترسی به خدمات عمومی و دسترسی به مترو. این شاید به این دلیل است که زیرساخت‌ها در مناطق دور از مرکز شهر کامل نیست، که منجر به فضای ناکافی برای تجمع جمعیت در اطراف شهرها مانند حومه‌ها و نرخ بالای جای خالی می‌شود. شبکه مترو در گوانگژو توسعه یافته است و بیشتر مناطق مسکونی را می توان توسط ایستگاه های مترو پوشش داد. بنابراین، دسترسی به مترو تأثیر کمی بر جای خالی مسکن دارد.

5. بحث و گفتگو

بر اساس تحقیقات در گوانگژو، مشخص شد که ساختار فضایی مسکن خالی در منطقه مرکزی کم و در حومه بیرونی زیاد است، که با یافته‌های بسیاری از شهرهای مورد خالی مسکن موجود، مانند دیترویت مطابقت دارد [ 18 ]. ]، ییچون [ 13 ] و نانجینگ [ 19]. نتایج این مطالعه نشان می‌دهد که فاصله از CBD، دسترسی به دفاتر، تراکم جمعیت، راحتی آموزشی پایه، دسترسی به خدمات تجاری، دسترسی به خدمات عمومی و دسترسی به مترو همگی تأثیر قابل‌توجهی بر جای خالی مسکن دارند. در میان آنها، فاصله از CBD بیشترین تأثیر را بر نرخ مسکن خالی دارد که با تحقیقات ژو بر اساس هانگژو مطابقت دارد. هرچه به CBD نزدیک تر باشد، نقش کامل و اشتراک زیرساخت های تجاری در رانندگی و جمع آوری توسعه املاک و مستغلات شهری قوی تر می شود [ 29 ]]. عواملی مانند دسترسی به دفتر، راحتی آموزشی پایه، دسترسی به خدمات تجاری، دسترسی به خدمات عمومی و دسترسی به مترو نیز در تحقیق حاضر تأیید شده است. مناطقی با مزایای موقعیت شغلی قابل توجه، امکانات خدمات عمومی خوب مانند آموزش و مراقبت های پزشکی، و منابع برتر مترو، به احتمال زیاد نیازهای ساکنان برای زندگی و رفت و آمد را برآورده می کنند، تمایل ساکنان را برای زندگی تقویت می کنند و باعث ایجاد تفاوت های فضایی در خانه های خالی می شوند. [ 13 ، 19 ، 65]. علاوه بر این، نتایج این مطالعه نشان می‌دهد که تراکم جمعیت تأثیر بسزایی بر خالی بودن مسکن درون‌شهری دارد، اما این موضوعی است که در مطالعات موجود به ندرت به آن اشاره شده است و نشان می‌دهد که تراکم جمعیت نیز جهت‌گیری است که باید به آن توجه شود. تحقیق در مورد جای خالی مسکن شهری
در مقایسه با یافته‌های تحقیقاتی موجود در مورد نرخ‌های خالی، این روش ویژگی‌های الگوی فضایی و عوامل مؤثر بر نرخ‌های خالی را در مقیاسی دقیق‌تر (محله‌های مسکونی) با دقت بالاتر بررسی می‌کند و روش تخمین جدید، منحصر به فرد و نوآورانه است. بیشترین سهم این مطالعه این است که می تواند ایده و روش تحلیلی جدیدی را برای تحقیق فعلی خانه خالی مسکن شهری ارائه دهد. در مقایسه با روش های تحقیقاتی قبلی برای نرخ خالی، مانند مشاهده نرخ نور تاریک در شب، انجام سرشماری خانگی کنتورهای آب و برق، به دست آوردن داده های مصرف آب مسکونی، و ارزیابی جای خالی مسکن بر اساس داده های سنجش از دور نور شب و LBS موبایل. داده های موقعیت یابی، درک این روش آسان تر است، دارای دامنه کاربردی گسترده، عملکرد قوی، هزینه کم، و دقت بالاتر و روشی برای ارزیابی نرخ خالی مسکن شهری ارائه می دهد. قبل از استفاده از این روش برای ارزیابی نرخ خالی مسکن، باید روش‌های مختلفی برای بررسی صحت داده‌ها اتخاذ شود و داده‌های به‌دست‌آمده از راه‌های مختلف با هم مقایسه شوند تا کاربرد و صحت این روش مشخص شود.
این مطالعه دارای کاستی ها و محدودیت های متعددی است که باید در مطالعات آتی بهبود یابد. ابتدا، به دلیل محدودیت تکنولوژی و زمان فعلی، داده‌های خالی مورد استفاده برای این مطالعه تنها یک بار مورد بررسی قرار گرفت و وضعیت جای خالی و تغییرات در سال‌های مختلف مورد تجزیه و تحلیل قرار نگرفت. در آینده اطلاعات بیشتری به دست خواهیم آورد و وضعیت خالی مسکن در سال های مختلف را مورد بحث و تحلیل قرار خواهیم داد. ثانیاً، این روش به دلیل شرایط خاص محدود می شود، مانند اینکه برخی از خانه ها اشغال شده است، اما بالکن، پنجره ها و سایر چشم اندازها نشان دهنده زندگی نیست. علاوه بر این، برخی از افراد چیزهایی را در بالکن خود قرار نمی دهند، که منجر به عدم دقت در تخمین نرخ جای خالی می شود. تعداد کمی از موارد باقی مانده است، مانند ساختمان های بلند، جایی که مشاهده همه جنبه ها از طریق منظره خیابان برای ما دشوار است. بنابراین، ما تحقیقات میدانی را در این جوامع انجام دادیم. در موقعیت مکانی، ما شرایط زندگی خانه‌ها را از طرق مختلف مشاهده کردیم، مانند مشاهده ساختمان‌های مرتفع از موقعیت بلند و مشاهده آنها با استفاده از عملکرد تصویربرداری دوربین‌های تلفن همراه برای اطمینان از دقت هر چه بیشتر در تخمین نرخ خالی. به‌طور غیرقابل انکار، به‌دست آوردن تصاویری از ساختمان‌های بلند نسبت به خانه‌های کم‌مرتبه دشوارتر است. بنابراین این روش بیشتر برای خانه های متوسط ​​و کم ارتفاع مناسب است. این مقاله همچنین عوامل موثر بر نرخ خالی مسکن را به اندازه کافی در نظر نگرفته و از منظرهای مختلف به تحلیل آنها نپرداخته است. مانند مشاهده ساختمان های مرتفع از موقعیت بلند و مشاهده آنها با استفاده از عملکرد عکسبرداری دوربین های تلفن همراه برای اطمینان از دقت هر چه بیشتر در تخمین نرخ خالی. به‌طور غیرقابل انکار، به‌دست آوردن تصاویری از ساختمان‌های بلند نسبت به خانه‌های کم‌مرتبه دشوارتر است. بنابراین این روش بیشتر برای خانه های متوسط ​​و کم ارتفاع مناسب است. این مقاله همچنین عوامل موثر بر نرخ خالی مسکن را به اندازه کافی در نظر نگرفته و از منظرهای مختلف به تحلیل آنها نپرداخته است. مانند مشاهده ساختمان های مرتفع از موقعیت بلند و مشاهده آنها با استفاده از عملکرد عکسبرداری دوربین های تلفن همراه برای اطمینان از دقت هر چه بیشتر در تخمین نرخ خالی. به‌طور غیرقابل انکار، به‌دست آوردن تصاویری از ساختمان‌های بلند نسبت به خانه‌های کم‌مرتبه دشوارتر است. بنابراین این روش بیشتر برای خانه های متوسط ​​و کم ارتفاع مناسب است. این مقاله همچنین عوامل موثر بر نرخ خالی مسکن را به اندازه کافی در نظر نگرفته و از منظرهای مختلف به تحلیل آنها نپرداخته است. این روش بیشتر برای خانه های متوسط ​​و کم ارتفاع مناسب است. این مقاله همچنین عوامل موثر بر نرخ خالی مسکن را به اندازه کافی در نظر نگرفته و از منظرهای مختلف به تحلیل آنها نپرداخته است. این روش بیشتر برای خانه های متوسط ​​و کم ارتفاع مناسب است. این مقاله همچنین عوامل موثر بر نرخ خالی مسکن را به اندازه کافی در نظر نگرفته و از منظرهای مختلف به تحلیل آنها نپرداخته است.
ارزیابی نرخ خالی مسکن شهری با استفاده از این روش نه تنها از نظر راهنمایی برای ساکنان در خرید منطقی مسکن اهمیت دارد، بلکه به سیاستگذاران کمک می‌کند تا برنامه‌ریزی منطقی داشته باشند و مراجع مؤثری برای حل مشکلات مسکن شهری ارائه کنند که ارزش عملی خاصی دارد. از آنجایی که وضعیت فعلی مسکن شهری وخیم است، در تحقیقات آتی، مانند به دست آوردن داده‌های جای خالی از دوره‌های مختلف و تحلیل الگوهای مکانی و زمانی تغییر در مسکن‌های خالی، عمیق‌تر به بررسی وضعیت خالی مسکن خواهیم پرداخت. ما همچنین یک سیستم شاخص جامع از عوامل تأثیرگذار در رابطه با جای خالی مسکن ایجاد خواهیم کرد و رابطه آن را با محیط اجتماعی، محیط ساخته شده و سایر عوامل بررسی خواهیم کرد. علاوه بر این،

6. نتیجه گیری و پیامدهای سیاست

6.1. نتیجه گیری

در این مطالعه، ایده‌ها و روش‌های تخمین جای خالی مسکن شهری بر اساس تصاویر بیرونی مسکن در روز ساخته شد و با به‌عنوان مثال گوانگژو، الگوی فضایی و عوامل مؤثر بر جای خالی مسکن با استفاده از تخمین تراکم هسته، تحلیل نزدیک‌ترین همسایه، تحلیل شد. و تحلیل خودهمبستگی فضایی. این روش در مقایسه با روش‌های تحقیقاتی قبلی، مبتکرانه، در به دست آوردن داده‌ها آسان، کوتاه مدت و کارآیی آسان است که در مطالعه جای خالی مسکن در مقیاس کوچک مفید است. نه تنها مسیر جدیدی را برای بررسی وضعیت خالی مسکن شهری فراهم می کند، بلکه مراجع اطلاعاتی موثری را برای خریداران مسکن برای خرید مسکن فراهم می کند و به خرید منطقی مسکن کمک می کند.
به طور کلی، نرخ جای خالی مسکن در گوانگژو در منطقه مرکزی و ناحیه شهری پایین است، پس از آن در حومه شهر و در حومه بیرونی بالاتر است، که نشان دهنده یک الگوی فضایی افزایش منطقه مرکزی-منطقه شهری-حومه-حومه بیرونی است. نرخ خالی مسکن گوانگژو دارای ویژگی‌های تراکم فضایی آشکار است. تجزیه و تحلیل خودهمبستگی محلی نشان می‌دهد که محله‌های مسکونی با ارزش کم-کم در منطقه مرکزی و ناحیه شهری متمرکز شده‌اند، در حالی که ارزش بالا-بالا عمدتاً در حومه بیرونی متمرکز شده‌اند، و نرخ خالی در دایره بیرونی به طور قابل‌توجهی بالاتر از آن است. در دایره داخلی
با توجه به نتایج تخمین تراکم هسته، محله‌های مسکونی با نرخ خالی پایین (<5%) در ناحیه هسته توزیع شده‌اند که الگوی دو هسته‌ای را نشان می‌دهند، در حالی که محله‌های مسکونی با نرخ خالی بالای (50%). در حومه بیرونی در یک الگوی چند هسته ای توزیع شده اند. نتایج تحلیل فاصله نزدیکترین همسایه نشان می‌دهد که هر دوی آنها خوشه‌بندی شده‌اند و درجه خوشه‌بندی محله‌های مسکونی با نرخ خالی پایین‌تر از محله‌های با نرخ خالی بالا است.
نتایج آشکارساز عامل ژئودتکتور ثابت کرد که هر هفت عامل تأثیرگذار بر نرخ خالی مسکن تأثیر دارند، اما درجه متفاوت است، فاصله از CBD قوی‌ترین تأثیر را دارد، در حالی که دسترسی به مترو ضعیف‌ترین تأثیر را دارد. نتایج نشان می‌دهد که نرخ مسکن در گوانگژو تحت تأثیر عوامل مختلفی قرار دارد و عوامل بیشتری را می‌توان در آینده مورد تجزیه و تحلیل قرار داد.

6.2. پیامدهای سیاست

به منظور حل مشکل خانه‌های خالی و کاهش فشار مسکن، نتیجه‌گیری این پژوهش مرجعی را برای ادارات دولتی جهت تدوین سیاست‌های مربوطه فراهم می‌کند. (1) در مناطقی که مشکلات جدی مسکن خالی دارند، مانند حومه شهر، محدودیت توسعه املاک و مستغلات در مقیاس بزرگ، کنترل دقیق تعداد خانه ها و اجتناب از عرضه بیش از حد توصیه می شود. با این حال، نرخ مسکن در مراکز شهر پایین است، که نشان می دهد تقاضای مسکن در چنین مکان هایی بالا است. بخش‌های مربوطه باید مسکن بیشتری را برای خریداران/اجاره‌کنندگان فراهم کنند، از عرضه مسکن اطمینان حاصل کنند و فشار مسکن را کاهش دهند. به عنوان مثال، تقاضای مسکن را می توان با افزایش نسبت قطعه زمین های شهری تامین کرد. (2) همچنین توصیه می‌کنیم توسعه‌دهندگان را به توسعه منطقی هدایت کنید و از توسعه کورکورانه خانه‌های بزرگ و گران قیمت به‌دنبال سود خودداری کنید که در نتیجه ساختار عرضه و تقاضا به هم نمی‌خورد. (3) برای مناطق با جای خالی زیاد به دلیل ماهیت دور از محل، ما تقویت بیشتر ساخت و ساز تأسیسات زیربنایی مسکن و ارائه حمل و نقل راحت، تسهیلات بالغ و کامل برای ساکنان و غیره را توصیه می کنیم تا تقاضای ساکنان برای راحتی برآورده شود. در رابطه با کار و زندگی روزمره (4) در نهایت، ما توصیه می کنیم برخی از گمانه زنی های توسعه دهندگان، فروش بیش از حد، و غیره، فعالیت هایی را که منجر به تعداد زیادی خانه های خالی می شود، سرکوب کنید. (3) برای مناطق با جای خالی زیاد به دلیل ماهیت دور از محل، ما تقویت بیشتر ساخت و ساز تأسیسات زیربنایی مسکن و ارائه حمل و نقل راحت، تسهیلات بالغ و کامل برای ساکنان و غیره را توصیه می کنیم تا تقاضای ساکنان برای راحتی برآورده شود. در رابطه با کار و زندگی روزمره (4) در نهایت، ما توصیه می کنیم برخی از گمانه زنی های توسعه دهندگان، فروش بیش از حد، و غیره، فعالیت هایی را که منجر به تعداد زیادی خانه های خالی می شود، سرکوب کنید. (3) برای مناطق با جای خالی زیاد به دلیل ماهیت دور از محل، ما تقویت بیشتر ساخت و ساز تأسیسات زیربنایی مسکن و ارائه حمل و نقل راحت، تسهیلات بالغ و کامل برای ساکنان و غیره را توصیه می کنیم تا تقاضای ساکنان برای راحتی برآورده شود. در رابطه با کار و زندگی روزمره (4) در نهایت، ما توصیه می کنیم برخی از گمانه زنی های توسعه دهندگان، فروش بیش از حد، و غیره، فعالیت هایی را که منجر به تعداد زیادی خانه های خالی می شود، سرکوب کنید.

منابع

  1. Ge، W. یانگ، اچ. زو، ایکس. ما، م. یانگ، ی. استخراج شهر ارواح و برآورد نرخ در چین بر اساس داده‌های نور شبانه NPP-VIIRS. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 219. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  2. پان، جی. دونگ، ال. شناسایی فضایی جای خالی مسکن در چین. چانه. Geogr. علمی 2021 ، 31 ، 359-375. [ Google Scholar ] [ CrossRef ]
  3. گورینگ، جی. Feins، JD; ریچاردسون، TM تجزیه و تحلیل متقاطع سایت از حرکت اولیه به نتایج نمایش فرصت. J. Housing Res. 2002 ، 13 ، 1-30. [ Google Scholar ]
  4. کراوس، N. سیاست گذاری محلی و فقر متمرکز: مورد بوفالو، نیویورک. شهرها 2004 ، 21 ، 481-490. [ Google Scholar ] [ CrossRef ]
  5. وو، جی. گیورکو، جی. دنگ، ی. ارزیابی ریسک بازارهای مسکن چین: آنچه می دانیم و آنچه باید بدانیم. اقتصاد چین Rev. 2016 , 39 , 91-114. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. زو، اس. Wang, L. تشخیص خانه خالی فردی در تصاویر سنجش از راه دور با وضوح بسیار بالا. ان صبح. دانشیار Geogr. 2020 ، 110 ، 449-461. [ Google Scholar ] [ CrossRef ]
  7. ما، YD; ژو، CS; تجزیه و تحلیل نیش، YP در مورد وضعیت فعلی و عوامل مؤثر در مسکن تجاری خالی در منطقه شهری گوانگژو. چانه. Geogr. علمی 2003 ، 13 ، 182-189. [ Google Scholar ] [ CrossRef ]
  8. ژائو، ال. وانگ، X. جای خالی مسکن روستایی در حومه شهری و عوامل مؤثر بر آن: مطالعه موردی نانجینگ، چین. Sustainability 2021 , 13 , 3783. [ Google Scholar ] [ CrossRef ]
  9. او، ال. پان، جی. Dong, L. مطالعه در شناسایی فضایی خالی مسکن. فناوری سنسور از راه دور. Appl. 2020 ، 35 ، 820-831. [ Google Scholar ]
  10. ژانگ، دی. لی، دی. ژو، ال. هوانگ، جی. گائو، اچ. وانگ، جی. Yu, M. تخمین فضایی با دقت بالا نرخ جای خالی مسکن با استفاده از تصویر با وضوح بالا و Luojia-1. گاو نر Surv. نقشه 2021 ، 41-46. [ Google Scholar ] [ CrossRef ]
  11. دو، م. وانگ، ال. زو، اس. شی، سی. مدل‌سازی نرخ خالی مسکن در سطح سرشماری با ماهواره Jilin1-03 و سایر داده‌های مکانی. Remote Sens. 2018 ، 10 ، 1920. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  12. تان، ز. وی، دی. یین، زی. نرخ جای خالی مسکن در شهرهای بزرگ چین: چشم انداز از داده های نور شبانه. پیچیدگی 2020 ، 2020 ، 5104578. [ Google Scholar ] [ CrossRef ]
  13. لیو، ی. سان، ی. سان، اچ. فو، اچ. تمایز مکانی-زمانی و مکانیسم تأثیر جای خالی مسکن در شهرهای در حال کوچک شدن: بر اساس دیدگاه مصرف برق مسکونی. علمی Geogr. گناه 2021 ، 41 ، 2087–2095. [ Google Scholar ]
  14. لی، جی. گو، ام. Lo, K. برآورد نرخ های خالی مسکن در روستاهای چین با استفاده از داده های مصرف برق. پایداری 2019 ، 11 ، 5722. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  15. پان، ی. زنگ، دبلیو. گوان، کیو. یائو، ی. لیانگ، ایکس. ژای، ی. Pu, S. تغییرپذیری در و مخلوط در میان جای خالی مسکونی در سطوح دانه ای: شواهد از داده های مصرف آب شهری. محاسبه کنید. محیط زیست سیستم شهری 2021 , 90 , 101702. [ Google Scholar ] [ CrossRef ]
  16. لی، اچ. زنگ، سی. وان، دبلیو. کوی، ی. هونگ، ی. Fan، W. یک شاخص منطقه خالی مبتنی بر سنجش از دور برای تخمین جای خالی مسکن و شهرهای ارواح در چین. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE 2019 (IGARSS 2019)، یوکوهاما، ژاپن، 28 ژوئیه تا 2 آگوست 2019. [ Google Scholar ]
  17. کونومی، SI؛ ساسائو، تی. هوسیو، اس. Sezaki، K. استفاده از سیگنال‌های WiFi محیطی برای یافتن خانه‌های اشغال شده و خالی در جوامع محلی. J. هوش محیطی. اومانیز. محاسبه کنید. 2019 ، 10 ، 779–789. [ Google Scholar ] [ CrossRef ]
  18. بنتلی، جی سی; مک کاچون، پی. کراملی، آر جی. Hanink، DM Race، طبقه، بیکاری و مشاغل خالی مسکن در دیترویت: یک تحلیل تجربی. جئوگر شهری. 2016 ، 37 ، 785-800. [ Google Scholar ] [ CrossRef ]
  19. چن، اچ. تانگ، آر. فو، جی. وو، اچ. مطالعه تجربی در مورد تأثیر مزایای مکان بر نرخ خالی مسکن تجاری جدید در نانجینگ. معماری مدرن شهری 2018 ، 11 ، 87-93. [ Google Scholar ]
  20. Xiao، N. تخمین نرخ جای خالی مسکن در شهر چینگدائو با NPP-VIIRS نور شبانه و داده های نظارت بر شرایط ملی جغرافیایی. در مجموعه مقالات سمپوزیوم میان‌ترم III کمیسیون فنی ISPRS درباره «توسعه‌ها، فناوری‌ها و کاربردها در سنجش از دور»، پکن، چین، 7 مه 2018. [ Google Scholar ]
  21. پارک، جی. کیو، الگوی فضایی سیستم عامل و تحلیل عاملی مسبب مسکن خالی در دایگو، کره جنوبی با استفاده از DB ساختمان در سطح فردی. J. کره ای Reg. علمی دانشیار 2018 ، 34 ، 35-47. [ Google Scholar ]
  22. پارک، JI یک رویکرد مدل چند سطحی برای ارزیابی اثرات ویژگی‌های خانه و محله بر جای خالی مسکن: موردی از Daegu، کره جنوبی. پایداری 2019 ، 11 ، 2515. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  23. هیروکی، بی. یاسوشی، ع. تفاوت‌های منطقه‌ای در عوامل اجتماعی-اقتصادی و محیط ساخته شده نسبت خانه‌های خالی به عنوان یک شاخص کلیدی برای کوچک‌شدن فضایی شهری. مقررات شهری طرح. Rev. 2017 , 4 , 251-267. [ Google Scholar ]
  24. یین، ال. Silverman، RM رهاسازی و تخریب مسکن: بررسی استفاده از مدل‌های سطح خرد و چند ساله. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1184-1200. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. نیمکت، سی. Cocks، M. جای خالی مسکن و شهر در حال کوچک شدن: روندها و سیاست ها در بریتانیا و شهر لیورپول. خانه گل میخ. 2013 ، 28 ، 499-519. [ Google Scholar ] [ CrossRef ]
  26. نیومن، جی. لی، RJ; گو، دی. پارک، ی. ساگینور، جی. ون زندت، اس. لی، دبلیو. ارزیابی محرک‌های خالی مسکن: تحلیل طولی شهرهای بزرگ ایالات متحده از سال 1960 تا 2010. J. Hous. محیط ساخته شده 2019 ، 34 ، 807–827. [ Google Scholar ] [ CrossRef ]
  27. پارک، ی. نیومن، جی دی. لی، جی. لی، اس. شناسایی و مقایسه عوامل تعیین کننده مسکن خالی در شهرهای کره جنوبی. Appl. Geogr. 2021 ، 136 ، 102566. [ Google Scholar ] [ CrossRef ]
  28. نام، جی. هان، جی. لی، سی. عوامل موثر در ایجاد جای خالی مسکونی و برخی رویکردهای مدیریت در استان گیونگگی، کره. Sustainability 2016 , 8 , 367. [ Google Scholar ] [ CrossRef ][ Green Version ]
  29. ژو، جی. Ye, Y. مطالعه در مورد ویژگی های مسکن خالی-مطالعه موردی نرخ مسکن خالی در هانگژو. گاو نر علمی تکنولوژی 2011 ، 27 ، 142-147. [ Google Scholar ]
  30. پان، YT; زنگ، دبلیو. Guan، QF; یائو، ی. لیانگ، ایکس. یو، HQ; ژای، YQ; وانگ، پویایی فضایی-زمانی JY و عوامل کمک کننده خلاء مسکونی در مقیاس خوب: دیدگاهی از مصرف آب شهری. Cities 2020 , 103 , 102745. [ Google Scholar ] [ CrossRef ]
  31. هوکسترا، جی. وکیلی زاد، سی. نرخ بالای مشاغل خالی و افزایش قیمت مسکن: پارادوکس اسپانیایی. Tijdschr. اقتصاد Soc. Geogr. 2011 ، 102 ، 55-71. [ Google Scholar ] [ CrossRef ]
  32. نینگ، اچ. لی، ز. وانگ، سی. هاجسون، من؛ هوانگ، ایکس. Li، X. تبدیل تصاویر نمای خیابان به نقشه های پوشش زمین برای نقشه برداری متریک: مطالعه موردی در استخراج شبکه پیاده رو برای کاربران ویلچر. محاسبه کنید. محیط زیست سیستم شهری 2022 ، 95 ، 101808. [ Google Scholar ] [ CrossRef ]
  33. لی، ایکس. نینگ، اچ. هوانگ، ایکس. داداشوا، بی. کانگ، ی. Ma، A. ممیزی زیرساخت شهری: یک پروتکل موثر برای دیجیتالی کردن تقاطع های علامت دار با استخراج تصاویر نمای خیابان. کارتوگر. Geogr. Inf. علمی 2022 ، 49 ، 32-49. [ Google Scholar ] [ CrossRef ]
  34. گترل، خودهمبستگی AC در فضاها. محیط.طرح. A 1979 , 11 , 507-516. [ Google Scholar ] [ CrossRef ]
  35. لی، ایکس. ژانگ، ایکس. دو، اچ. چو، اس. اثر فضایی بهره برداری از منابع معدنی بر شهرنشینی: مطالعه موردی حوضه رودخانه تاریم، سین کیانگ، چین. چانه. Geogr. علمی 2012 ، 22 ، 590-601. [ Google Scholar ] [ CrossRef ]
  36. Ord، JK; Getis، A. آمار خودهمبستگی فضایی محلی: مسائل توزیع و یک برنامه کاربردی. Geogr. مقعدی 1995 ، 27 ، 286-306. [ Google Scholar ] [ CrossRef ]
  37. گتیس، ع. Ord, JK تجزیه و تحلیل ارتباط فضایی با استفاده از آمار فاصله. Geogr. مقعدی 1992 ، 24 ، 189-206. [ Google Scholar ] [ CrossRef ]
  38. Anselin، L. شاخص های محلی فضایی associatin-LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ] [ CrossRef ]
  39. کلارک، پی جی؛ ایوانز، فاصله FC تا نزدیکترین همسایه به عنوان معیاری برای روابط فضایی در جمعیت ها. اکولوژی 1954 ، 35 ، 445-453. [ Google Scholar ] [ CrossRef ]
  40. Shi, X. انتخاب نوع پهنای باند و سمت تنظیم در تخمین چگالی هسته در زمینه های ناهمگن. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 643-660. [ Google Scholar ] [ CrossRef ]
  41. وانگ، جی اف. Xu, C. Geodetector: اصل و آینده نگر. Acta Geogr. گناه 2017 ، 72 ، 116-134. [ Google Scholar ]
  42. لو، دبلیو. جاسیویچ، جی. استپینسکی، تی. وانگ، جی. خو، سی. Cang، X. ارتباط فضایی بین تراکم تشریح و عوامل محیطی در سراسر ایالات متحده همجوار. ژئوفیز. Res. Lett. 2016 ، 43 ، 692-700. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. وانگ، جی اف. لی، XH; کریستاکوس، جی. لیائو، YL; ژانگ، تی. گو، ایکس. ژنگ، XY ارزیابی خطر سلامت مبتنی بر آشکارسازهای جغرافیایی و کاربرد آن در مطالعه نقص لوله عصبی منطقه هشون، چین. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 107-127. [ Google Scholar ] [ CrossRef ]
  44. وانگ، جی اف. Hu, Y. تشخیص خطر سلامت محیطی با GeogDetector. محیط زیست مدل نرم افزار 2012 ، 33 ، 114-115. [ Google Scholar ] [ CrossRef ]
  45. وانگ، جی. ژانگ، تی. فو، ب. اندازه گیری ناهمگنی طبقه بندی شده فضایی. Ecol. اندیک. 2016 ، 67 ، 250-256. [ Google Scholar ] [ CrossRef ]
  46. وانگ، ی. وو، ک. کوین، جی. وانگ، سی. Zhang، HO بررسی اثرات ناهمگونی فضایی منظر و محیط بر انتخاب مکان مسکونی جمعیت با تحصیلات عالی در گوانگژو، چین. پایداری 2020 ، 12 ، 3869. [ Google Scholar ] [ CrossRef ]
  47. وو، KM; وانگ، ی. ژانگ، هو؛ لیو، ی. Zhang، YL در مورد سرمایه گذاری نوآوری: شواهد تجربی از گوانگژو، چین. Habitat Int. 2021 ، 109 ، 102323. [ Google Scholar ] [ CrossRef ]
  48. وانگ، ی. یو، ایکس. ژانگ، هو؛ کوین، جی. سو، YX رابطه بین توزیع جمعیت شناور شهری و محیط زیست پذیری: شواهدی از ناحیه شهری گوانگژو، چین. Sustainability 2021 , 13 , 13477. [ Google Scholar ] [ CrossRef ]
  49. وگا، ا. رینولدز-فیگان، A. چارچوب روش شناختی برای مطالعه مکان مسکونی و انتخاب حالت سفر به محل کار تحت الگوهای مقصد اشتغال مرکزی و حومه شهر. ترانسپ Res. بخش الف- عمل سیاست. 2009 ، 43 ، 401-419. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. Ely، TL; Teske، P. مفاهیم انتخاب مدرسه دولتی برای تصمیم گیری های مکان مسکونی. امور شهری Rev. 2015 , 51 , 175-204. [ Google Scholar ] [ CrossRef ]
  51. اپل، دی. فیلیمون، ر. رومر، T. تعادل در میان حوزه های قضایی محلی: به سمت یک درمان یکپارچه رأی گیری و انتخاب مسکن. جی. اقتصاد عمومی. 1984 ، 24 ، 281-308. [ Google Scholar ] [ CrossRef ]
  52. Geyer, J. تقاضای مسکن و انتخاب محله با کوپن مسکن. J. شهری اقتصاد. 2017 ، 99 ، 48-61. [ Google Scholar ] [ CrossRef ]
  53. چو، YL; دنگ، ی. لیو، آر. تأثیرات سرویس حمل و نقل ریلی سبک جدید بر تصمیمات جابجایی محل سکونت سواران. J. Public Transp. 2017 ، 20 ، 152-165. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  54. Lasley, P. Influence of Transportation on Residential Choice: A Survey of Texas REALTORS® در مورد عوامل مؤثر بر انتخاب مکان مسکن ؛ دانشگاه تگزاس A & M: کالج استیشن، تگزاس، ایالات متحده آمریکا، 2017. [ Google Scholar ]
  55. چو، ای جی. رودریگز، دی. Song, Y. نقش مراکز فرعی اشتغال در تصمیم گیری های مکان مسکونی. J. Transp. کاربری زمین 2008 ، 1 ، 121-151. [ Google Scholar ] [ CrossRef ]
  56. چمبروفسکی، پ. کروننبرگ، جی. قیمت‌گذاری لذت‌گرا و انواع و اندازه‌های مختلف فضای سبز شهری: دیدگاه‌هایی در مورد بحث در مورد ارزش‌گذاری خدمات اکوسیستم. Landsc. طرح شهری. 2016 ، 146 ، 11-19. [ Google Scholar ] [ CrossRef ]
  57. کیم، HN; Boxall، PC; Adamowicz، W. تجزیه و تحلیل تاثیر اقتصادی سیاست مدیریت آب بر قیمت های مسکونی: اصلاح تشکیل مجموعه انتخاب در تجزیه و تحلیل انتخاب خانه گسسته. مدل انتخاب J. 2018 ، 33 ، 100148. [ Google Scholar ] [ CrossRef ]
  58. راوا، م. مارکون، آ. گیراردی، پ. پیرونی، وی. سیلوچی، سی. ریچی، پی. de Marco, R. نزدیکی به کارخانه های چوب و بستری شدن در بیمارستان برای بیماری های تنفسی در کودکان. علمی کل محیط. 2011 ، 410 ، 80-86. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  59. لی، MM; براون، اچ‌جی عوامل خارجی میکرو محله و قیمت‌های لذت‌بخش مسکن. اقتصاد زمین 1980 , 56 , 125. [ Google Scholar ] [ CrossRef ]
  60. وانگ، ی. ژائو، ال. سوبکویاک، ال. گوان، ایکس. وانگ، اس. تأثیر منظر شهری و اثرات خارجی محیطی بر تمایز فضایی قیمت مسکن در شهر یانگژو. جی. جئوگر. علمی 2015 ، 25 ، 1122-1136. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. هریس، آر. اسلایت، پ. Webber, R. Geodemographics, GIS and Neighborhood Targeting ; John Wiley and Sons Ltd.: لندن، انگلستان، 2005. [ Google Scholar ]
  62. وانگ، جی اف. Ge، Y. لی، LF; منگ، بی. وو، جی ال. بای، YC تجزیه و تحلیل داده های فضایی-زمانی در جغرافیا. Acta Geogr. گناه 2014 ، 69 ، 1326-1345. [ Google Scholar ]
  63. وو، ک. ژانگ، هو؛ وانگ، ی. وو، کیو. Ye, Y. انواع متعدد مراکز تجاری در گوانگژو و الگوی فضایی آن را شناسایی کنید. Prog. Geogr. 2016 ، 35 ، 963-974. [ Google Scholar ]
  64. یو، WH; Ai, TH; Shao، SW تجزیه و تحلیل و تحدید حدود ناحیه تجاری مرکزی با استفاده از تخمین تراکم هسته شبکه. J. Transp. Geogr. 2015 ، 45 ، 32-47. [ Google Scholar ] [ CrossRef ]
  65. ویلیامز، اس. خو، دبلیو. قهوهای مایل به زرد، SB; فاستر، ام جی. چن، سی. شهرهای ارواح چین: شناسایی جای خالی شهری از طریق داده های رسانه های اجتماعی. شهرها 2019 ، 94 ، 275–285. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00349 g001 550
شکل 1. نمودار جریان روش های برآورد نرخ مسکن خالی.
Ijgi 11 00349 g002 550
شکل 2. روش های برآورد خانه های خالی و اشغال شده.
Ijgi 11 00349 g003 550
شکل 3. منطقه مورد مطالعه و محله های مسکونی نمونه.
Ijgi 11 00349 g004 550
شکل 4. الگوهای فضایی نرخ های خالی در محله های مسکونی در گوانگژو.
Ijgi 11 00349 g005 550
شکل 5. الگوی فضایی سه بعدی نرخ های خالی در محله های مسکونی در گوانگژو.
Ijgi 11 00349 g006 550
شکل 6. تجزیه و تحلیل خودهمبستگی فضایی محلی نرخ های خالی مسکن در محله های مسکونی در گوانگژو.
Ijgi 11 00349 g007 550
شکل 7. تخمین تراکم هسته محله های مسکونی با نرخ خالی و کم جای خالی در گوانگژو.
Ijgi 11 00349 g008 550
شکل 8. الگوی فضایی دسترسی به دفتر، راحتی آموزشی پایه، دسترسی به خدمات تجاری، دسترسی به خدمات عمومی، و تراکم جمعیت.
Ijgi 11 00349 g009 550
شکل 9. الگوی فضایی دسترسی مترو و فاصله از CBD.
Ijgi 11 00349 g010 550
شکل 10. نتایج آماری q Geodetector.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید