خلاصه

اکثر کشاورزان خرده پا در جنوب صحرای آفریقا با چالش های بی شماری برای شرکت در بازارهای تجارت کشاورزی مواجه هستند. با این حال، نحوه تعامل عوامل صریح فضایی برای تأثیرگذاری بر انتخاب‌های تصمیم‌گیری خانوار در سطح محلی به خوبی درک نشده است. هدف این مقاله شناسایی، نقشه‌برداری و تحلیل وابستگی و ناهمگونی فضایی در عواملی است که مالکان کوچک فقیر را از مشارکت در بازارهای کشاورزی باز می‌دارد. با استفاده از پرسشنامه‌های نظرسنجی که توسط محقق اداره می‌شود، داده‌های ارجاعی جغرافیایی از 392 خانوار در غرب کنیا جمع‌آوری کردیم. ما از سه روش زمین‌آمار مکانی در سیستم اطلاعات جغرافیایی برای تجزیه و تحلیل داده‌ها استفاده کردیم. نتایج نشان می‌دهد که عوامل بازدارنده کشاورزان خرده‌مالک، خود همبستگی فضایی محلی را نشان می‌دهند که به بافت محلی مرتبط است. ما خوشه‌های فضایی محلی متمایز (خوشه‌های نقاط داغ و نقاط سرد) را شناسایی کردیم که از نظر مکانی و آماری معنی‌دار بودند. نتایج تأیید می‌کند که عوامل فضایی صریح نقش مهمی در تأثیرگذاری بر تصمیمات کشاورزی خانوارهای خرده‌مالک دارند. این مقاله نشان داده است که تجزیه و تحلیل جغرافیایی با استفاده از داده‌ها و روش‌های تفکیک‌شده جغرافیایی می‌تواند در شناسایی خانوارها و محله‌های فقیر از منابع کمک کند. برای بهبود مشارکت خرده‌مالک‌های فقیر در تجارت کشاورزی، به سیاست‌گذاران توصیه می‌کنیم که مداخلات فضایی هدفمندی را طراحی کنند که در بافت محلی تعبیه شده و بر اساس نیازهای بیان‌شده محلی اطلاع‌رسانی شود. ما خوشه‌های فضایی محلی متمایز (خوشه‌های نقاط داغ و نقاط سرد) را شناسایی کردیم که از نظر مکانی و آماری معنی‌دار بودند. نتایج تأیید می‌کند که عوامل فضایی صریح نقش مهمی در تأثیرگذاری بر تصمیمات کشاورزی خانوارهای خرده‌مالک دارند. این مقاله نشان داده است که تجزیه و تحلیل جغرافیایی با استفاده از داده‌ها و روش‌های تفکیک‌شده جغرافیایی می‌تواند در شناسایی خانوارها و محله‌های فقیر از منابع کمک کند. برای بهبود مشارکت خرده‌مالک‌های فقیر در تجارت کشاورزی، به سیاست‌گذاران توصیه می‌کنیم که مداخلات فضایی هدفمندی را طراحی کنند که در بافت محلی تعبیه شده و بر اساس نیازهای بیان‌شده محلی اطلاع‌رسانی شود. ما خوشه‌های فضایی محلی متمایز (خوشه‌های نقاط داغ و نقاط سرد) را شناسایی کردیم که از نظر مکانی و آماری معنی‌دار بودند. نتایج تأیید می‌کند که عوامل فضایی صریح نقش مهمی در تأثیرگذاری بر تصمیمات کشاورزی خانوارهای خرده‌مالک دارند. این مقاله نشان داده است که تجزیه و تحلیل جغرافیایی با استفاده از داده‌ها و روش‌های تفکیک‌شده جغرافیایی می‌تواند در شناسایی خانوارها و محله‌های فقیر از منابع کمک کند. برای بهبود مشارکت خرده‌مالک‌های فقیر در تجارت کشاورزی، به سیاست‌گذاران توصیه می‌کنیم که مداخلات فضایی هدفمندی را طراحی کنند که در بافت محلی تعبیه شده و بر اساس نیازهای بیان‌شده محلی اطلاع‌رسانی شود. نتایج تأیید می‌کند که عوامل فضایی صریح نقش مهمی در تأثیرگذاری بر تصمیمات کشاورزی خانوارهای خرده‌مالک دارند. این مقاله نشان داده است که تجزیه و تحلیل جغرافیایی با استفاده از داده‌ها و روش‌های تفکیک‌شده جغرافیایی می‌تواند در شناسایی خانوارها و محله‌های فقیر از منابع کمک کند. برای بهبود مشارکت خرده‌مالک‌های فقیر در تجارت کشاورزی، به سیاست‌گذاران توصیه می‌کنیم که مداخلات فضایی هدفمندی را طراحی کنند که در بافت محلی تعبیه شده و بر اساس نیازهای بیان‌شده محلی اطلاع‌رسانی شود. نتایج تأیید می‌کند که عوامل فضایی صریح نقش مهمی در تأثیرگذاری بر تصمیمات کشاورزی خانوارهای خرده‌مالک دارند. این مقاله نشان داده است که تجزیه و تحلیل جغرافیایی با استفاده از داده‌ها و روش‌های تفکیک‌شده جغرافیایی می‌تواند در شناسایی خانوارها و محله‌های فقیر از منابع کمک کند. برای بهبود مشارکت خرده‌مالک‌های فقیر در تجارت کشاورزی، به سیاست‌گذاران توصیه می‌کنیم که مداخلات فضایی هدفمندی را طراحی کنند که در بافت محلی تعبیه شده و بر اساس نیازهای بیان‌شده محلی اطلاع‌رسانی شود.

کلید واژه ها:

کشاورزان خرده مالک ; کشاورزی ; مشارکت در بازار ؛ صریح فضایی ; GIS ; خودهمبستگی فضایی ; تجزیه و تحلیل خوشه ای و پرت ; وابستگی فضایی ؛ مداخلات فضایی

چکیده گرافیکی

1. معرفی

کشاورزان خرده پا محرک های مهم امنیت غذایی، کاهش فقر و معیشت در مناطق روستایی و حومه شهری در کشورهای در حال توسعه هستند. آنها تا 80 درصد از مواد غذایی مصرف شده در جنوب صحرای آفریقا را تولید می کنند [ 1 ، 2 ]. به عنوان مثال، در کنیا، 75 درصد از ساکنان روستایی، خانوارهای خرده مالکی هستند که کشاورزی خرده پا را انجام می دهند [ 3 ]. با این حال، اکثر خانوارهای خرده مالک در مشارکت مؤثر در فعالیت‌های کشاورزی محروم هستند. عوامل متعددی برای جلوگیری از دسترسی و مشارکت آنها در بازارهای کشاورزی از جمله سطوح بالای فقر، عدم دسترسی به منابع تولیدی، و اندک بودن سرمایه های معیشتی انسانی، مالی، فیزیکی و اجتماعی-اقتصادی و غیره در تعامل هستند [4] ., 5 , 6 , 7 , 8 , 9 ].
برآیند این تعاملات عاملی در درون خانوارهای فردی بیشتر در سطح محلی (یعنی مزارع و محله‌ها) آشکار است. تجلی فضایی آنها را می توان از گونه شناسی های متنوع کشاورزی خرده مالک در مناظر روستایی مشاهده کرد [ 10 ]. با این حال، چگونگی تعامل فضایی این عوامل برای تأثیرگذاری بر تصمیمات کشاورزی خرده‌مالک چندان درک نشده است. ساختارشکنی پیچیدگی فضایی محلی عوامل و فرآیندهای مؤثر بر تولید کشاورزی می‌تواند بینشی عمیق‌تر در مورد اینکه چگونه عوامل تعیین‌کننده صریح جغرافیایی مشارکت کشاورزان خرده‌مالک فقیر در تجارت کشاورزی را ترویج یا ممانعت می‌کنند، ارائه دهد.
ناهمگونی فضایی وقف دارایی‌های معیشتی خانوار اغلب برای توضیح تنوع گونه‌شناسی و انتخاب‌های کشاورزی خرده‌مالک در میان و در مکان‌های جغرافیایی استفاده شده است [ 11 ، 12 ، 13 ، 14 ]. بنابراین، گونه‌شناسی‌های مختلف سیستم‌های کشاورزی خرده‌مالک در یک قلمرو مشخص را می‌توان به‌عنوان جلوه‌های فضایی تصمیمات و اقدامات مدیریت مزرعه خانوارهای فردی که از تعاملات متنوع سرمایه‌های معیشتی خانوارها و محیط‌های جغرافیایی پیچیده ناشی می‌شود، مفهوم‌سازی کرد [ 10 ، 13 ، 15 ، 16 ، 17 ، 18]. به عنوان مثال، تصمیمات کشاورزی روزمره خانوار تحت تأثیر تعاملات متغیرهای متغیرهای اجتماعی-اقتصادی، آگرواکولوژیکی، بیوفیزیکی و نهادی است [ 4 ، 19 ، 20 ، 21 ]. در پایین‌ترین واحد فضایی (سطح مزرعه)، محدودیت‌های بیوفیزیکی و آگرواکولوژیکی مختلف (تنوع خاک، کمبود آب، توپوگرافی، آفات و بیماری‌ها، تنوع آب و هوایی و غیره) به عنوان عوامل تعیین‌کننده اولیه بهره‌وری کشاورزی خانوارهای خرده‌مالک عمل می‌کنند [22] .]. در یک واحد فضایی بالاتر (سطح قلمرو)، متغیرهای برونزا مانند ساختارهای بازار، حمل و نقل، فناوری، اشتغال خارج از مزرعه، مقررات بازار و غیره برای تأثیرگذاری بر تصمیمات مشارکت در بازار خرده‌مالک‌ها با هم تعامل دارند. هنگامی که متغیرهای اجتماعی-اقتصادی در سیستم گنجانده می‌شوند (مثلاً اندازه خانواده، اندازه زمین، نیروی کار، مهارت‌ها، تحصیلات و آموزش)، یک تنوع فضایی واضح در توصیف گونه‌شناسی‌های کشاورزی خرده‌مالک پدیدار می‌شود، به‌کار گرفته می‌شود و از یک مزرعه متمایز می‌شود. به دیگری و در سراسر مناطق جغرافیایی. از این رو، متغیرهای جغرافیایی (از لحاظ فضایی صریح) در سطح محلی، اگر به درستی مورد بازجویی قرار گیرند، می‌توانند در توضیح انتخاب‌های کشاورزان خرده‌مالک برای مشارکت یا عدم مشارکت در زنجیره‌های ارزش بالاتر کسب و کار کشاورزی ضروری باشند.
به گفته گلابوکی، کاچپرزاک و کوسووسکی [ 10 ]، وابستگی فضایی به عنوان یک اثر اصلی در نظر گرفته می شود که بر شیوه های کشاورزی و انتخاب های تصمیم گیری خانوارها تأثیر می گذارد. در مطالعه خود، Głębocki و همکاران. (ibid) توانست با تجزیه و تحلیل ویژگی‌های وابستگی فضایی آنها، توزیع فضایی گونه‌شناسی‌های کشاورزی خرده‌مالک را نقشه‌برداری و ژئو تجسم کند. در ادبیات، وابستگی فضایی به عنوان شرایطی توصیف می‌شود که در آن مقادیر ویژگی‌ها در یک مکان بسته به مقادیر مشاهدات همسایه در مکان‌های نزدیک مشاهده می‌شوند [ 10 ، 23 ، 24 ]. فرضیه گرفته شده این است که روابط بین واحدهای فضایی همسایه بسیار قوی تر از بین واحدهای دوردست است [ 10]]. وابستگی فضایی را می توان به عنوان الگوهای متفاوت فضایی در سراسر چشم انداز به تصویر کشید و ژئو تجسم کرد. روش‌هایی که می‌توانند وابستگی فضایی را تجزیه و تحلیل کنند، می‌توانند محاسبه کنند که چگونه ویژگی‌های صریح جغرافیایی موجود در یک خانواده یا یک محله تحت تأثیر ویژگی‌های موجود در واحدهای فضایی همسایه قرار می‌گیرند. با این حال، اکثر مطالعات تجربی وابستگی مکانی عوامل صریح جغرافیایی را که نقش مهمی در شکل‌دهی فرآیندهای تصمیم‌گیری مالکان خرد بازی می‌کنند، در نظر نمی‌گیرند. مشکل ذاتی ناشی از فقدان روش شناسی واضح و صریح فضایی است که بتواند وابستگی مکانی خاص مکان را شناسایی و ترسیم کند. علاوه بر این، ویگینز [ 1] می‌گوید که داده‌های فضایی جامعی که در سطح محلی برای پشتیبانی از تحلیل مکانی موضعی تفکیک شده است، به سختی وجود دارد. طبق گفته Nthiwa [ 25 ] و Głębocki و همکاران ، خطر تکیه بر داده های فضایی انبوه برای تشخیص وابستگی فضایی محلی . [ 10 ]، این است که داده های انباشته عوامل مهم محلی اساسی را پنهان می کند و الگوهای فضایی محلی نوظهور را مبهم می کند. فقدان روشی برای تجزیه و تحلیل وابستگی فضایی محلی باعث می شود بسیاری از رویکردهای تجربی موجود چشم خود را بر واقعیت جغرافیایی بافت فضایی تعیین کننده ای که بر تولید کشاورزی تأثیر می گذارد ببندند [10, 20 ] .]. در نتیجه، برای سیاستگذاران دشوار است که مداخلات فضایی هدفمند برای پرداختن به چالش‌های سطح محلی را طراحی کنند که بسیاری از مالکان خرد فقیر، به ویژه در مناطق روستایی حاشیه‌نشین، را از مشارکت در بازار تجارت کشاورزی باز می‌دارد.
در سیستم های اطلاعات جغرافیایی (GIS)، وابستگی مکانی با استفاده از خودهمبستگی مکانی اندازه گیری می شود. در اصل، Fotheringham [ 26 ]، خاطرنشان می کند که ساخت همبستگی مکانی به وابستگی فضایی بستگی دارد. او خودهمبستگی فضایی را به عنوان معیاری برای سنجش قدرت و جهت وابستگی فضایی توصیف می کند، به طوری که مشاهدات در مکان های نزدیک به یکدیگر در فضای جغرافیایی نیز به احتمال زیاد از نظر ویژگی مشابه هستند (خودهمبستگی فضایی مثبت) تا مشاهدات دورتر از هم که تمایل به متفاوت بودن دارند. ویژگی ها (خودهمبستگی فضایی منفی).
توسعه مداوم GIS منجر به توسعه روش های پیشرفته زمین آماری مکانی محلی شده است که همبستگی مکانی محلی را تحلیل و مدل می کند [ 27 ]. به عنوان مثال، زمین آمار فضایی Global Moran’s I معمولا استفاده می شود. این روش حضور خودهمبستگی (الگوهای همگن و ناهمگن) را در متغیرها در سطح “کل مجموعه داده” جهانی شناسایی می کند. با این حال، با توجه به Ord و Getis [ 28]، نقص روش Global Moran’s I فقط همبستگی خودکار فضایی را در سراسری (کل مجموعه داده) و نه برای داده های سطح محلی تفکیک شده تشخیص می دهد. بنابراین، یک تجزیه و تحلیل اضافی برای محاسبه خودهمبستگی فضایی برای داده های تفکیک شده در سطح محلی مورد نیاز است. روش تجزیه و تحلیل خوشه ای و پرت (Anselin Local Moran’s I) یک روش زمین آماری فضایی است که برای تشخیص حضور خودهمبستگی فضایی در سطح محلی و نقشه برداری خوشه های فضایی [29] توسعه یافته است . این روش p از نظر آماری معنی دار را طبقه بندی می کند– مقادیر به نقاط داغ (خوشه های بالا-بالا، خوشه های زیاد-پایین)، نقاط سرد (خوشه های کم-بالا، خوشه های کم-پایین) و مناطق غیر قابل توجه. برای شناسایی عوامل فضایی صریح که باعث ایجاد این خوشه‌های فضایی می‌شوند، از رگرسیون وزن‌دار جغرافیایی (GWR) استفاده می‌شود. GWR عوامل فضایی معنی‌دار آماری را در پشت خود همبستگی فضایی محلی شناسایی می‌کند [ 29 ]. در این مطالعه، با ترکیب سه روش فوق، مکان‌های خاصی را با غلظت معنی‌دار آماری مقادیر زیاد (نقاط داغ) و غلظت‌های کم (نقاط سرد) و عوامل ایجاد کننده این خوشه‌های فضایی شناسایی کردیم [23، 30 ] .]. نقشه برداری از چنین مکان هایی مهم است زیرا به سیاست گذاران اجازه می دهد تا تصمیمات مبتنی بر شواهد را اتخاذ کنند و همچنین آنها را قادر می سازد تا مداخلات هدفمند فضایی مناسب متناسب با زمینه های محلی را طراحی کنند. بنابراین هدف این مقاله نقشه‌برداری، تحلیل و تجسم جغرافیایی تعیین‌کننده‌های صریح جغرافیایی، در تشخیص حضور الگوهای فضایی محلی معنی‌دار آماری در مناطق مورد مطالعه Nyando و Vihiga بود. این کار برای کشف عوامل فضایی محلی که بر تصمیمات خانوارهای خرده مالک برای مشارکت (یا عدم مشارکت) در تجارت کشاورزی در دو منطقه مورد مطالعه تأثیر می‌گذارند، انجام شد.

2. مواد و روشها

2.1. منطقه مطالعه

دو منطقه مطالعاتی مجزا ( شکل 1 )، زیرشاخه های Nyando و Vihiga واقع در غرب کنیا برای این مطالعه انتخاب شدند.
توجیه استفاده از دو منطقه مطالعاتی از لحاظ جغرافیایی متمایز در تجزیه و تحلیل ما این بود که مکانیسم اعتبارسنجی متقابل نتایج ما را مجاز کنیم، و در نتیجه، به عنوان آزمونی از استحکام روش تحلیل فضایی ما توسعه یافته بود. ما فرض کردیم که نتایج وابستگی و ناهمگونی فضایی محلی برای یک منطقه مورد مطالعه تنها در صورتی می‌تواند به طور قطعی قوی و قابل اعتماد در نظر گرفته شود که منطقه مورد مطالعه دوم با ویژگی‌های متمایز در این مطالعه گنجانده شود. بنابراین، نتایج دو حوزه مطالعه، بازتابی انتقادی در مورد قابلیت استفاده از روش توسعه‌یافته در این مقاله ارائه می‌دهد.
انتخاب دو منطقه مورد مطالعه بر اساس عوامل متعددی از جمله تراکم بالای جمعیت، شیوع بالای ناامنی غذایی و پتانسیل زراعی و اکولوژیکی آنها برای تولید محصولات کشاورزی صورت گرفت. طبق گزارش سرشماری اداره ملی آمار کنیا، در سال 2019، شهرستان ویهیگا با 1300 نفر در هر کیلومتر مربع در مقابل 92 نفر در هر کیلومتر مربع، بالاترین تراکم جمعیت را در کنیا دارد [ 31 ]. تراکم جمعیت نیاندو کمتر از 400 نفر در کیلومتر مربع است. از نظر کاربری زمین، هر دو منطقه با سیستم‌های کاربری ناهمگون با گونه‌شناسی کشاورزی از معیشت خالص، معیشت مختلط تا کشاورزی مبتنی بر محصول نقدی مشخص می‌شوند. عمده‌ترین محصول نقدی که توسط خانوارها در مزارع نسبتاً کوچک رشد می‌کند، شامل تولید چای و قهوه در ویهیگا و تولید نیشکر و برنج در نیاندو است. هر دو منطقه توسط خانوارهای خرده مالکی که اندازه متوسط ​​مزرعه آنها از 0.1 تا 2.0 هکتار است، غالب است. دو منطقه مورد مطالعه دارای تنوع مکانی و بیوفیزیکی از نظر توپوگرافی، نوع خاک، ارتفاع و بارندگی هستند. آنها همچنین بارندگی دو وجهی را دریافت می کنند و ویهیگا مقادیر بیشتری از Nyando دریافت می کند. توپوگرافی نیاندو عمدتاً مسطح است در حالی که توپوگرافی ویهیگا در شرق موجدار و در غرب به آرامی صاف است.

2.2. روش های جمع آوری داده ها

یک بررسی خانوارهای جغرافیایی کدگذاری شده، با استفاده از مصاحبه های چهره به چهره و پرسشنامه از ژوئن تا نوامبر 2018 انجام شد. ما از خانوارها به عنوان واحد نمونه خود استفاده کردیم و در مجموع 392 خانوار در دو منطقه مورد مطالعه مصاحبه شدند. پرسشنامه ای با سوالات بسته و باز ابزار اصلی پیمایش ما بود و با کمک 10 دستیار پژوهشی از دانشگاه مازنو برای خانوارها اجرا شد. دستیاران پژوهشی بر اساس آشنایی با منطقه مورد مطالعه و توانایی صحبت کردن به گویش(های) محلی انتخاب شدند. قبل از انجام کار میدانی، دستیاران آموزش دیدند و از طراحی اولیه پرسشنامه، ترجمه آن به گویش های محلی و پیش آزمون آن استفاده شدند. این پرسشنامه موضوعات متنوعی را پوشش می‌دهد و داده‌های بیوفیزیکی، اجتماعی و اقتصادی،

با توجه به ویژگی های توزیع جمعیت و دقت، از فرمول کوکران [ 32 ] برای محاسبه حجم نمونه مورد نظر به صورت زیر استفاده کردیم :

n0=z2p qه2�0=z2پqه2

جایی که

  • n 0 = حجم نمونه مورد نظر اگر جامعه بیشتر از 10000 باشد.
  • z 2 = انحراف نرمال استاندارد در سطح اطمینان مورد نیاز (95٪ یا 1.96).
  • p = درجه تغییرپذیری “ناهمگونی” جمعیت (p = 0.5)
  • q = 1 – p (نسبت در جمعیت هدف)
  • e 2 = سطح دقت مطلوب

از این رو،

n0=( 1.96 )2( 0.5 ) ( 0.5 )( 0.07 )2 = 196 خانوار نمونه ( f   o r o n e s t u d  y a r e a )n0=(1.96)2(0.5)(0.5)(0.07)2 =196 نمونه خانوارها (��� ��ه ستیتود� آ�هآ)
این مطالعه بر اساس اعلامیه هلسینکی انجام شد و پروتکل توسط کمیته بازبینی اخلاقی دانشگاه Maseno تأیید شد (شماره مرجع: MSU/DRPI/MUERC/00633/18). همه آزمودنی ها قبل از شرکت در مطالعه رضایت آگاهانه خود را برای ورود به مطالعه دادند.

2.3. یک طرح نمونه برداری جغرافیایی کد شده برای مصاحبه های خانگی

در این مطالعه، یک استراتژی جمع‌آوری داده‌های جغرافیایی به خوبی بیان شده برای هدایت نظرسنجی خانوار طراحی شد. در مرحله اول، چند ضلعی اداری هر منطقه مورد مطالعه را با سلول شبکه ای 100 در 100 متر با استفاده از تابع شبکه ایجاد فیش نت نرم افزار ArcGIS قرار دادیم. ثانیا، ما از نرم افزار ArcGIS برای توزیع تصادفی حجم نمونه خانواده از پیش تعیین شده خود در چند ضلعی منطقه مطالعاتی شبکه بندی شده استفاده کردیم. برای اطمینان از دستیابی به جمع آوری داده های توزیع شده فضایی، از یک الگوریتم مبتنی بر قانون برای توزیع نمونه تصادفی استفاده کردیم که در آن حداقل فاصله بین هر دو نقطه نمونه تصادفی به 50 متر محدود شده بود. در مرحله دو، نقاط نمونه تصادفی خانگی و مطالعه شبکه‌هایی هستند که سپس به لایه‌های Keyhole Markup Language (KML) در ArcGIS تبدیل شدند و سپس بر روی تصویر ماهواره‌ای با وضوح بالا مرورگر Google Earth قرار گرفتند. در مرحله آخر، ما این لایه‌های KML Google Earth را در «برنامه ضروری GPS» سیستم‌های موقعیت‌یابی جغرافیایی که از قبل در تلفن‌های دارای Android فعال هر دستیار پژوهشی بارگذاری شده بود، کپی کردیم. در مرحله آخر، در طی بررسی خانگی کار میدانی، سپس از تلفن‌های اندرویدی برای مکان‌یابی آسان و دقیق نقاط خانوار تصادفی برای مصاحبه در منطقه مورد مطالعه استفاده کردیم. خانوار واقعی که هر نقطه نمونه تصادفی شده بر روی تصویر ماهواره ای با وضوح بالا گوگل قرار گرفته بود برای مصاحبه در اولویت قرار گرفت. از نمونه‌گیری تصادفی ساده برای انتخاب هر خانوار از میان خانواده‌های محصور در شبکه مربع 100 در 100 متر استفاده شد.شکل 2 .
کیفیت داده ها تحت تأثیر روایی و پایایی روش و ابزارهای مورد استفاده برای جمع آوری داده ها است [ 33 ]. در طول جمع آوری داده های کار میدانی، مدیریت کیفیت داده ها به طرق مختلف مورد توجه قرار گرفت. قبل و بعد از هر روز جمع‌آوری داده‌ها، محقق اصلی و دستیاران تحقیق درباره تشریفات جمع‌آوری داده‌ها، آداب معاشرت، مسائل نوظهور و راه‌حل‌های پیشنهادی بحث می‌کردند. علاوه بر این، هر روز نقاط مختصات GPS پرسشنامه‌های خانگی اجرا شده را پیش‌بینی و نقشه‌برداری می‌کردیم و لایه‌های پیش‌بینی‌شده را در تلفن‌های اندرویدی دستیاران پژوهشی آپلود می‌کردیم. این ما را قادر ساخت تا با شناسایی مناطق تحت پوشش و غیر تحت پوشش دستیاران پژوهش، خلأهای مصاحبه را شناسایی کنیم.
قبل از انجام تحلیل زمین آماری مکانی، داده‌های خانوار از نظر نرمال بودن، چند خطی بودن و برازش با استفاده از نرم‌افزار بسته آماری علوم اجتماعی (SPSS) مورد آزمایش قرار گرفتند. متعاقبا، ما از ابزار آمار رگرسیون اکتشافی در نرم افزار ArcGIS برای آزمایش این متغیرها برای همبستگی خودکار فضایی باقیمانده، نرمال بودن باقیمانده و چند خطی جهانی (کمتر از VIF < 7.5) استفاده کردیم. جدول 1 خلاصه ای از آمار توصیفی متغیرهای مورد استفاده در این تحقیق را ارائه می دهد.

2.4. مدل سازی روابط فضایی محلی

در مدلسازی روابط فضایی و در محاسبه خودهمبستگی فضایی، دو عامل حیاتی وجود دارد: (1) واحد تحلیل فضایی و (2) فاصله سرزمینی یا واحد تحلیل فضایی [34] که قبل از انجام تحلیل فضایی باید به صراحت مشخص شود. . با توجه به آرسنال، میشل، برک، راول و گوسلین، [ 34 ]، انتخاب واحد جغرافیایی مناسب تجزیه و تحلیل از مسئله واحد مساحتی قابل اصلاح (MAUP) ناشی می شود. اساسا MAUP ناشی از (1) عدم مفهوم سازی کافی، (2) عدم توجه به مقیاس اندازه گیری، و (3) نحوه تجمیع یا تفکیک داده های مکانی [ 25 ، 34] است.]. واحد جغرافیایی تجزیه و تحلیل، گستره یک منطقه جغرافیایی است که یک پدیده یا فرآیند فضایی زیربنایی در آن رخ می دهد [ 35 ]. برای این مطالعه، ما از شبکه های سلولی 50 در 50 متر به عنوان واحد تجزیه و تحلیل جغرافیایی تفکیک شده خود استفاده کردیم. این امر با شطرنجی کردن چند ضلعی اداری مناطق مورد مطالعه با استفاده از ابزار ArcGIS “ایجاد شبکه ماهیگیری” به دست آمد. سپس نقاط GPS خانوارهای نمونه و داده‌های ویژگی مرتبط با آن‌ها را به لایه شطرنجی منتقل کردیم تا امکان تجزیه و تحلیل سلول به سلول را فراهم کنیم.
مقدار فاصله سرزمینی واحد فضایی مناسب تحلیل را تعریف می کند. فرض بر این است که مقدار فاصله سرزمینی بهینه جایی خواهد بود که فرآیندهای زیربنایی که خوشه‌بندی فضایی را ترویج می‌کنند، برجسته‌تر هستند. با توجه به گتیس و آلدستات، [ 36 ]، شدت خوشه بندی فضایی توسط z-score برگشت داده شده تعیین می شود، با بهینه ترین فاصله سرزمینی که به صورت گرافیکی به عنوان اوج مقدار z نشان داده می شود. در تجزیه و تحلیل خود، ما از “ابزار خودهمبستگی فضایی افزایشی” در ArcGIS برای محاسبه بهینه ترین امتیازهای اوج آماری معنی دار z استفاده کردیم ( شکل 3 ).
محاسبات ما فاصله سرزمینی بهینه 350 متر برای Nyando و 700 متر برای مناطق مطالعه ویهیگا را نشان داد. پس از آن، ما از این فواصل سرزمینی به عنوان مقدار ورودی خود در تحلیل خوشه‌ای و پرت در محاسبه همبستگی محلی محلی و تحلیل رگرسیون فضایی وزن‌دار جغرافیایی در ArcGIS استفاده کردیم. تجزیه و تحلیل فضایی بر اساس شبکه های سلولی شطرنجی شده با داده های ویژگی مرتبط آنها بود.
برای بهبود دقت نتایج رگرسیون فضایی و تفسیرپذیری آمار خروجی، دو مشکل مرتبط با مدل‌سازی روابط فضایی باید از قبل مورد توجه قرار گیرد. اول، گلابوکی و همکاران. [ 10 ] توجه داشته باشید که، در واقعیت، روابط فضایی همگن نیستند، به این معنی که عوامل ترویج خود همبستگی فضایی پتانسیل متفاوتی برای تعامل دارند. در محاسبه این نقص، ما از یک ماتریس وزن فضایی استاندارد شده در ردیف استفاده کردیم [ 28 ]. ماتریس وزن‌های فضایی روابط فضایی موجود در میان ویژگی‌های مجموعه داده را تعیین می‌کند و استانداردسازی ردیف‌ها وزن‌های متناسبی را ایجاد می‌کند تا جایی که ویژگی‌های خاص ممکن است تعداد همسایه‌های نامساوی داشته باشند [36 , 37 ]]. توسط Getis و Aldstadt [ 36 ] اشاره شده است که این روش به دلیل مؤثر بودن توسط نویسندگان مختلف به طور عمومی مورد استفاده قرار می گیرد. مشکل دوم که توسط کاسترو و سینگر [ 38 ] برجسته شده است این است که داده‌های مکانی از ویژگی‌های محلی می‌توانند به طور مصنوعی اهمیت آماری فضایی را افزایش دهند (یعنی خطای نوع 1 که در آن ممکن است فرضیه صفر به اشتباه رد شود). برای توضیح این کاستی، اصلاح نرخ کشف نادرست (FDR) را اعمال کردیم که آستانه‌های p -value بحرانی [ 38 ] را در محاسبات تحلیل خوشه‌ای و Outlier ما تنظیم می‌کند.

2.5. تحلیل خودهمبستگی فضایی محلی

فرضیه صفر ما این بود که تصادفی فضایی کامل داده ها در مورد خانوارهایی که در بازارهای دو منطقه مورد مطالعه شرکت نمی کنند وجود دارد. به این معنا که هیچ الگوی فضایی از عواملی که مانع مشارکت خردهمالک ها در تجارت کشاورزی در هر دو منطقه می شود وجود ندارد. ما از سه روش برای آزمون فرضیه خود استفاده کردیم. در مرحله اول، ما از روش همبستگی فضایی Global Moran I برای ارزیابی وجود یا عدم وجود الگوهای فضایی در مجموعه داده خود استفاده کردیم. با توجه به گودچایلد [ 35 ]، این روش امتیاز z و p را محاسبه می کند– مقادیری که نشان دهنده رد یا پذیرش فرضیه صفر است. با این حال، نتیجه گلوبال مورن I فقط «الگوهای فضایی» خودهمبستگی فضایی را برای کل مجموعه داده نشان می دهد، اما نه در سطح محلی «خانوارها و همسایگان آنها». بر این اساس، در مرحله 2، از روش تحلیل خوشه‌ای و پرت (Anselin Local Moran’s I) برای تشخیص وجود الگوها و خوشه‌های فضایی در سطح محلی و تعیین اینکه آیا این خوشه‌های فضایی از نظر آماری معنی‌دار هستند یا ناشی از تصادفی مکانی کامل داده‌ها هستند، استفاده کردیم. در منطقه مورد مطالعه این روش واحدهای فضایی را به گونه‌ای دسته‌بندی می‌کند که دارای الگوهای فضایی مثبت یا منفی هستند ( p< 0.05). خروجی این روش انحرافات استاندارد (شاخص LMi، امتیاز LMiZ، مقادیر LMip) برای تجزیه و تحلیل آماری و آمار نقشه جغرافیایی (ستون Gi Bin/CO-Type) است که تمام p-value های آماری معنی دار را به سه نوع طبقه بندی می کند . نقاط داغ (خوشه های بالا-بالا، خوشه های زیاد-پایین)، نقاط سرد (خوشه های کم-بالا، خوشه های کم-پایین) و مناطق غیر قابل توجه [23 ] . توجیه استفاده از روش تحلیل خوشه‌ای و پرت در مطالعه ما این است که از تحلیل فضایی و تفسیر نتایج در سطح محلی پشتیبانی می‌کند و همچنین از استفاده از ماتریس وزن فضایی پشتیبانی می‌کند [28 ، 30 ] .
در مرحله آخر، ما از رگرسیون وزن‌دار جغرافیایی (GWR) برای بررسی عوامل محلی مهم جغرافیایی که مشارکت غیر بازاری خانوارها را توضیح می‌دهند، استفاده کردیم. به عبارت دیگر، عوامل پشت الگوهای فضایی مشاهده شده شناسایی شده در مرحله 2. طبق گفته فاثرینگهام، براندون و چارلتون [ 29 ]، مدل GWR یک تکنیک غیر ثابت است که روابط ذاتی متغیر فضایی را برای مجموعه ای از ضرایب اندازه گیری می کند. از آنجایی که متغیرهای تخمین زده شده به طور مداوم در منطقه مورد مطالعه متفاوت هستند، “سطح آنها را می توان برای ناهمگونی رابطه، زمین تجسم و بازجویی کرد” [ 29]]. در مکان‌ها و خانوارهایی که تمرکز عوامل فضایی مانع مشارکت در بازار هستند، از امتیاز احتمال پیش‌بینی‌شده مشارکت در بازار خانوار و باقیمانده‌های استاندارد شده جغرافیایی تجسم‌شده از خانوارهای غیرشرکت‌کننده بازار استفاده کردیم. یافته‌ها به‌عنوان آمار فضایی استنباطی و به‌صورت نقشه‌های خروجی GIS در بخش نتایج و بحث زیر به‌صورت جغرافیایی تجسم شده‌اند.

3. نتایج و بحث

3.1. ویژگی های خانوار نمونه گیری شده

در مجموع 392 سرپرست خانوار نمونه مورد مصاحبه قرار گرفتند که شامل 21 درصد در سنین 18 تا 35 سال، 55 درصد در سنین بین 36 تا 60 سال و 24 درصد در سنین 61 سال و بالاتر بود. حجم نمونه تقریباً مساوی مرد (7/49 درصد) و زن (3/50 درصد) بود. طبق آخرین گزارش سرشماری کنیا (اداره آمار کنیا، 2019) میانگین اندازه خانوار 6.9 نفر بود که به طور قابل توجهی بالاتر از میانگین ملی 3.9 نفر در هر خانوار بود. ما اندازه خانواده های بزرگ را مشاهده کردیم، با خانواده هایی که 5 نفر و بالاتر داشتند 85٪ از کل نمونه را تشکیل می دادند. این در مطالعه ما کاملاً قابل توجه است زیرا عاملی است که تقاضای زیادی برای نیازهای غذایی خانوارها و فشار بر زمین های قابل کشت به ویژه برای نسل بعدی ایجاد می کند. میانگین اندازه زمین 2 به دست آمد. 12 هکتار اما درصد بزرگتری (62٪) از خانوارهای نمونه، اندازه زمین های زیر 2 هکتار بود. متعاقباً، همه این عوامل می‌توانند در بروز ناامنی غذایی بالاتر مشاهده شده نقش داشته باشند. حدود 49 درصد و 36 درصد از خانوارهای نمونه در نیاندو و ویهیگا به ترتیب گزارش کردند که در یک سال گذشته کمبود غذا را تجربه کرده اند. یافته ها با میانگین ناامنی غذایی 40 درصد برای هر دو شهرستان که در برنامه های توسعه یکپارچه شهرستان کیسومو و ویهیگا (2018-2022) گزارش شده است، مرتبط است.
برای زمینه مطالعه خود، ما شرکت کنندگان در بازارهای کشاورزی را به عنوان آن دسته از خانوارها در نظر گرفتیم، بدون توجه به نوع شناسی تولید کشاورزی و مقیاس تولید، که مقادیر معینی از محصولات یا محصولات دامی را شخصاً یا از طریق واسطه ها به بازارهای غیررسمی یا رسمی می فروشند. خانوارهای غیر مشارکت کننده در بازار به عنوان کسانی که هیچ گونه محصول مزرعه یا حیوانی را به بازار نمی فروشند طبقه بندی شدند. نتایج ( جدول 2 ) نشان می دهد که، به طور کلی، مشارکت بازار خانوارها در هر دو منطقه کم است (31%)، با درصد بالاتری (69%) از خانوارهای Nyando و Vihiga در بازارها شرکت نمی کنند.
جهت گیری های مختلف تولید کشاورزی در مناطق مورد مطالعه مشاهده شد ( جدول 2 ). به طور کلی، درصد بالایی از تولید غذای خانوارها در هر دو منطقه مورد مطالعه به سمت کشاورزی معیشتی است، در حالی که تنها 14 درصد و 8 درصد به ترتیب به سمت کشاورزی نیمه تجاری و باغداری گرایش دارند. محصولات غذایی اصلی که هم برای محصولات غذایی و هم برای فروش رشد می‌کردند شامل ذرت، لوبیا، موز، سبزیجات، انبه، آووکادو و پنجه پا بود. محصولات نقدی شامل قهوه و چای در ویهیگا و نیشکر و برنج در نیاندو بود.

3.2. نتایج خودهمبستگی فضایی محلی

نتایج آمار جهانی مورن I ( جدول 3 ) وجود خودهمبستگی فضایی را در مجموعه داده های ما نشان داد، با شاخص جهانی موران = 0.713، z-score = 242.3، ( p <0.000) برای ویهیگا و شاخص جهانی موران = 0.903، z. -score = 383.86 ( p <0.000) برای مجموعه داده Nyando.
با توجه به آماری معنی دار z-score، کمتر از 1٪ احتمال وجود دارد که این الگوی خوشه ای می تواند نتیجه شانس تصادفی باشد. بنابراین، ما فرضیه صفر خود را رد می کنیم. این امر تأیید می کند که در هر دو منطقه مورد مطالعه، خوشه بندی و الگوهای فضایی وجود دارد که نمی تواند نتیجه تصادفی بودن کامل فضایی داده ها باشد.
نتایج تحلیل خوشه‌ای و پرت (Anselin Local Moran’s I) برای مناطق مورد مطالعه وجود خودهمبستگی فضایی محلی را نشان می‌دهد. این به‌عنوان خوشه‌های فضایی محلی با ارزش‌های بالا (نقاط داغ) و خوشه‌هایی با مقادیر کم (نقاط سرد) که در شکل 3 و شکل 4 به‌صورت جغرافیایی تجسم شده‌اند ، از نظر آماری معنی‌دار (>+1.96>+3.4، p <0.05) نشان داده شده است .
در نقشه ها ( شکل 4 و شکل 5 )، مقدار p- مقدار Moran محلی ، با 0.05 با استفاده از تصحیح نرخ کشف نادرست (FDR) به عنوان نقاط داغ و مناطق سرد در افسانه نمادین شده است. در هر دو نقشه، نواحی نقاط گرم و نقاط سرد به ترتیب از نظر آماری خوشه‌های فضایی محلی با ارزش بالا و مقادیر کم هستند. این خوشه های فضایی توسط مناطق غیر قابل توجهی (لکه های سفید) احاطه شده اند. ما خوشه‌های فضایی را با نقاط GPS خانوارهایی که در بازارها شرکت نمی‌کردند، قرار دادیم، با نقاط قرمز که خانواده‌های غیر مشارکت‌کننده در بازار در مناطق داغ و نقاط آبی نشان‌دهنده خانوارهای غیرشرکت‌کننده بازار در مناطق سردسیر هستند.
یک مشاهدات مهم از دو نقشه این است که عوامل بازدارنده مشارکت در بازار چندین خوشه فضایی محلی متمایز در دو منطقه مورد مطالعه دارند. تفاوت در خوشه‌بندی فضایی را می‌توان با منابع اجتماعی- فضایی متفاوت موجود در مناطق مورد مطالعه، و توانایی هر خانوار برای به حداکثر رساندن دارایی‌های معیشتی خود برای بهره‌برداری از آن منابع توضیح داد. این نقشه‌ها تفسیر بصری آسان‌تری را توسط سیاست‌گذاران برای هدف‌گیری فضایی مداخلات فراهم می‌کنند. الگوهای فضایی مشاهده شده نتیجه تصادفی فضایی کامل نیستند، به این معنی که عوامل صریح فضایی زمینه ای باعث ایجاد این خوشه های فضایی می شوند. این عوامل در بخش 3.4 توضیح داده شده است .

3.3. نقشه برداری پیچیدگی مکانی محلی عوامل ایجاد کننده مشارکت غیر بازاری

نتایج نزدیکی فضایی به زیرساخت های حمایتی ( جدول 4 ) نشان می دهد که نزدیکی به جاده، شهر و منبع آب کمترین تأثیر را بر تصمیمات خرده مالکان فقیر برای مشارکت در تجارت کشاورزی داشته است.
برخلاف انتظار ما، هم در نیاندو و هم در ویهیگا، اکثر خانوارهای فقیرتر در مناطق داغ نزدیک به جاده های آسفالته، مراکز شهرها و منابع آب (رودخانه) بودند. با این حال، این عوامل اغلب به عنوان محرک های مثبت تجارت کشاورزی و مشارکت در بازار در نظر گرفته می شوند. به عنوان مثال، 68% و 65% از خانوارهای فقیر در Nyando و Vihiga به ترتیب در شعاع 1 کیلومتری جاده اصلی آسفالت قرار داشتند. به همین ترتیب، نقشه‌های مجاورت فضایی ( شکل 6 ) غلظت بالایی از خانواده‌های غیرشرکت‌کننده در بازار (نقاط قرمز و آبی) را در یک حایل 1 کیلومتری از شهرها، جاده‌های آسفالتی و یک حائل 500 متری از رودخانه‌ها نشان داد.
چنین درصد بالایی از افراد فقیرتر که نزدیک به خدمات اولیه می مانند، نشان می دهد که این خدمات تأثیر کمی بر تصمیمات آنها برای مشارکت در بازارها داشته است. چندین مطالعه [ 39 ، 40] فرض می کنند که توانایی (یا ناتوانی آن) خانوارهای فقیر در بهره برداری از فرصت ها برای بهبود معیشت تحت تأثیر سطح فقر و وضعیت محرومیت چندگانه آنها است. این یک پیامد برای سیاست دارد به این صورت که بهبود یکی از جنبه‌های عواملی که مانع توسعه تجارت کشاورزی می‌شود، نمی‌تواند پیامدهای مورد نظر را به همراه داشته باشد، و از این رو یک رویکرد کل نگر لازم است. حامیان توسعه کشاورزی حامی فقرا از تنوع کشاورزی خرده مالکی در فعالیت های مزرعه و غیرکشاورزی به عنوان امیدوارکننده ترین مسیرها برای تسریع کاهش فقر و نابرابری درآمد [41] حمایت می کنند. با این حال، این رویکردها باید با مداخلات یکپارچه و چند رشته ای همراه باشد . و هدف گذاری فضایی می تواند روند را بهبود بخشد.

3.4. مقایسه شانس مشارکت در بازار برای خانوارهای ثروتمندتر و فقیرتر در مناطق گرم و سرد در نیاندو و ویهیگا

نتایج رگرسیون ( جدول 5 ) عوامل جغرافیایی صریح را نشان می دهد که بر تصمیمات مشارکت بازار خانوارهای خرده مالک فقیر در دو منطقه مورد مطالعه تأثیر می گذارد. این عوامل با خوشه های فضایی نقاط داغ و نقاط سرد که توسط نقشه های Nyando و Vihiga به تصویر کشیده شده اند، مرتبط هستند. دو منطقه مورد مطالعه شباهت و عدم تشابه عوامل فضایی صریح مانع مشارکت بازار را نشان دادند.
در نیاندو، نتایج نشان می‌دهد که شغل، سطح تحصیلات، دارایی‌های خانوار و دام، پس‌انداز، اندازه زمین، عضویت در یک گروه اجتماعی، و زمان سفر به بازار خروجی از نظر مکانی و آماری عوامل مهمی هستند که مانع مشارکت ضعیف مالکان خرد در بازارهای تجارت کشاورزی می‌شوند. در ویهیگا، نتایج رگرسیون نشان داد که سطح تحصیلات، پس‌انداز، اندازه زمین، آموزش و زمان سفر به بازارها از نظر آماری عوامل معنی‌داری بودند که مانع مشارکت در بازار خانوار شدند.
اندازه زمین به طور منفی و معنی‌داری ( 05/ 0p <) بر تصمیم خانوارها برای حضور در بازارها تأثیر گذاشت. Ceteris paribus،نسبت شانس احتمال انتخاب مالکان خرد برای شرکت در بازارهای تجارت کشاورزی با ضریب 1.160- برای Vihiga و -1.537 برای Nyando، با کاهش واحد در اندازه زمین، در سطح اطمینان 95 درصد کاهش یافت. شواهد حمایتی از یافته‌های مطالعه نشان می‌دهد که اکثر مالکان خرد دارای زمین‌های بسیار کوچکی بودند که برای حمایت از تولید مازاد برای فروش به بازارها غیراقتصادی بود. دوباره، آنها به سختی به اندازه کافی برای تامین نیازهای غذایی خانواده خود تولید می کردند. اکثر خانوارها (58 درصد) گفتند که غذای تولید شده برای نگهداری آنها تا برداشت بعدی کافی نیست.42 ]. این را می توان از طریق پذیرش مطالعات وابسته به فضایی که سناریوهای فضایی مختلف را بر اساس تخصیص (دوباره) بهینه منابع با توجه به مناسب بودن و در دسترس بودن مدل‌سازی و پیش‌بینی می‌کنند، به دست آورد.
سطح پایین آموزش اغلب در میان موانع اصلی مشارکت در بازار خانوارهای فقیر گزارش شده است [ 43 ]. یافته‌های ما این را تأیید می‌کند، زیرا دریافتیم که تحصیلات از نظر آماری معنی‌دار است ( ص<0.01) در تأثیرگذاری بر مشارکت بازار خانوار در هر دو حوزه مورد مطالعه. در تفسیر نسبت فرد، خانوارهایی با سطح تحصیلات پایین 0.004 کمتر از آنهایی که یک سطح تحصیلات بالاتر داشتند، کمتر در بازار شرکت می کردند، همه عوامل دیگر ثابت نگه داشتند. از دیدگاه مقیاس محلی، خانوارهای غیرشرکت کننده در بازار با سطح تحصیلات پایین (تحصیلات دبستان و پایین تر) به طور قابل توجهی بالاتر (51٪) در مناطق با نقاط گرم خوشه بالا، نسبت به خانواده های در مناطق خوشه سرد (15٪) بودند. ). سناریوی مشابهی در ویهیگا یافت شد، جایی که درصد نسبتاً بالایی (45٪) از خانوارهای غیرشرکت کننده در بازار در مناطق داغ دارای سطح تحصیلات ابتدایی بودند در مقایسه با تنها 21٪ از پاسخ دهندگان در مناطق سردسیر. این بدان معناست که مداخلات هدفمند فضایی از نظر آموزش و آموزش در مناطق داغ منجر به احتمال نسبتاً بالاتری برای بهبود مشارکت در بازار آن خانوارها خواهد شد. حتی اگر مشخص شد که سطح تحصیلات تعیین‌کننده مثبت مشارکت بازار است، یافته‌های بررسی خانوار ما نشان داد که با افزایش سطح تحصیلات، مهارت‌های کشاورزی سرپرست خانوار کاهش می‌یابد.شکل 7 ).
این نشان می‌دهد که در منطقه مورد مطالعه، سطح تحصیلات بالاتر سرپرست خانوار به مهارت‌های تجارت کشاورزی بیشتر آنطور که اغلب فرض می‌شود ترجمه نمی‌شود. علاوه بر این، نتایج نظرسنجی ما نشان داد که نیمی (50٪) از سرپرستان خانوار با تحصیلات دانشگاهی و دانشگاهی در مشاغل رسمی (حقوقی) هستند و به کشاورزی مشغول نیستند. این یک سوال مهم را مطرح می کند که آیا بهبود آموزش عمومی در میان خانوارهای فقیر یک استراتژی موثر است که می تواند معیشت کشاورزی آنها را بهبود بخشد. ما استدلال می کنیم که به جای مداخلات سیاسی کور فضایی که اغلب از بهبود کلی آموزش عمومی در میان خرده مالکان فقیر حمایت می کند.
پس انداز خانوارها یک عامل آماری معنی دار بود که بر مشارکت در بازار مشاغل کشاورزی خانوارها تأثیر گذاشت. Ceteris paribus0.266 شانس یک خانوار برای شرکت در بازار در Nyando اگر پس انداز نداشته باشد وجود دارد در حالی که در Vihiga شانس یک خانوار با پس انداز برای شرکت در بازار 2.49 است. از آمار استنباطی، اکثر خانوارهای مناطق داغ در هر دو منطقه مورد مطالعه پس‌انداز کمی داشتند. در نیاندو، 73 درصد از خانوارهای نمونه در نقاط داغ هیچ پس‌اندازی نداشتند، در حالی که در ویهیگا، حتی یک خانوار در مناطق داغ هیچ پس‌اندازی نداشتند. به همین ترتیب، فقدان پس‌انداز در خانوارهای واقع در مناطق سردسیر نیز بیشتر بود، به‌ترتیب 67 درصد و 50 درصد خانوارها در مناطق سردسیر در نیاندو و ویهیگا، نشان‌دهنده نداشتن پس‌انداز است. فقدان پس‌انداز پولی در میان خانوارهای فقیر همراه با عدم دسترسی به منابع اعتباری جایگزین، در بسیاری از آثار ادبی به‌عنوان یک مانع بزرگ برای مشارکت خرد مالکان فقیر در بازار شناسایی شده است. یک سیاست کشاورزی حامی فقرا که فرهنگ پس‌انداز را ترویج می‌کند و در عین حال دسترسی به اعتبارات مقرون‌به‌صرفه را در میان خانوارهای فقیر افزایش می‌دهد، می‌تواند آنها را برای افزایش ثروت و پس‌انداز خود توانمند کند. این به نوبه خود مشارکت آنها را در تجارت کشاورزی افزایش می دهد. تجزیه و تحلیل هدفمند فضایی برای شناسایی محله‌های فقر زده، مکان‌هایی که توسط مؤسسات مالی خرد و کوچک به آنها خدمات داده می‌شود و نه، و شناسایی مناسب‌ترین مناطق برای مکان‌یابی این خدمات می‌تواند به طور کلی دسترسی به اعتبار و فرهنگ پس‌انداز خردمالک‌ها را ارتقا دهد، عواملی که در ترویج پذیرش کسب‌وکار کشاورزی نقش کلیدی دارند. . این به نوبه خود مشارکت آنها را در تجارت کشاورزی افزایش می دهد. تجزیه و تحلیل هدفمند فضایی برای شناسایی محله‌های فقر زده، مکان‌هایی که توسط مؤسسات مالی خرد و کوچک به آنها خدمات داده می‌شود و نه، و شناسایی مناسب‌ترین مناطق برای مکان‌یابی این خدمات می‌تواند به طور کلی دسترسی به اعتبار و فرهنگ پس‌انداز خردمالک‌ها را ارتقا دهد، عواملی که در ترویج پذیرش کسب‌وکار کشاورزی نقش کلیدی دارند. . این به نوبه خود مشارکت آنها را در تجارت کشاورزی افزایش می دهد. تجزیه و تحلیل هدفمند فضایی برای شناسایی محله‌های فقر زده، مکان‌هایی که توسط مؤسسات مالی خرد و کوچک به آنها خدمات داده می‌شود و نه، و شناسایی مناسب‌ترین مناطق برای مکان‌یابی این خدمات می‌تواند به طور کلی دسترسی به اعتبار و فرهنگ پس‌انداز خردمالک‌ها را ارتقا دهد، عواملی که در ترویج پذیرش کسب‌وکار کشاورزی نقش کلیدی دارند. .
مشخص شد که زمان سفر به بازارهای خروجی از نظر آماری عامل مهمی است که بر مشارکت بازار در هر دو حوزه مورد مطالعه تأثیر می‌گذارد. تأثیر منفی نشان می دهد که خانوارهایی که دورتر از بازار قرار دارند، احتمال بیشتری برای عدم مشارکت در بازارها دارند. همه عوامل ثابت نگه داشته می شوند، شانس یک خانوار دورتر از بازار خروجی برای مشارکت 0.097 در Nyando و 0.174 در Vihiga است، همانطور که در نزدیکی مراکز بازار است. از مجموع خانوارهای مناطق داغ، 67 درصد در ویهیگا و 49 درصد در نیاندو نشان دادند که برای دسترسی به نزدیکترین بازار خروجی 30 دقیقه و بالاتر زمان می بردند. در مناطق سردسیر، 33 درصد از خانوارهای نمونه در نیاندو و 36 درصد در ویهیگا 30 دقیقه و بالاتر برای دسترسی به نزدیکترین بازارها زمان بردند.
مشخص شد که مالکیت دام و دارایی های خانوار به طور قابل توجهی بر مشارکت بازار در Nyando تأثیر می گذارد. وقف دارایی های دامی کم با احتمال کمتری از خانوارها برای مشارکت در بازار همراه بود. در تفسیر نسبت شانس، اگر همه عوامل ثابت نگه داشته شوند، احتمال عدم شرکت خانوار در بازارها در صورت کمبود دارایی های دامی، 0.276 است. در هر دو حوزه مورد مطالعه، نتایج نشان دهنده مالکیت نابرابر دارایی بین زن و مرد است. زنان بیشتر دارایی‌های کم‌ارزش (طیور) و مردان بیشتر از دارایی‌های با ارزش بالاتر (گاو و بز) دارند. در حالی که مالکیت دارایی های متمایز جنسیتی ممکن است از دلایل متعددی از جمله فرهنگ و سنت های سرکوب گر ذاتی ناشی شود، مشخص شد که مالکیت دارایی زنان بر تولید غذای خانوار تأثیر می گذارد. نیمی (49.7 درصد) از پاسخ دهندگان مصاحبه شده نشان دادند که مالکیت دارایی های زنان در هر دو منطقه مورد مطالعه تأثیر متوسط ​​تا زیاد بر شیوه های تولید خانوار دارد. در برخی از مطالعات تجربی [44 ]، دارایی‌های دامی اغلب به عنوان دارایی نقدی برای خانوارهای فقیر در نظر گرفته می‌شوند که نه تنها خطرات را کاهش می‌دهند، بلکه علاوه بر افزایش رفاه خانوار، حائلی برای امنیت غذایی نیز می‌باشند.
فقدان آموزش در شیوه‌های مدرن کسب‌وکار کشاورزی از نظر فضایی معنی‌دار بود ( 01/ 0p <) در محدود کردن مشارکت بازار خرده‌مالک‌ها در Vihiga. تنها یک حاشیه ای (17%) از کل خانوارهای نمونه نشان دادند که در سال گذشته آموزش دیده اند. برای خانوارهایی که در مناطق داغ قرار دارند، تنها 4 درصد نشان دادند که آموزش دیده اند. 0.427 شانس خانواری بدون آموزش برای شرکت در بازارها وجود دارد، همانطور که خانواده‌ای با مهارت‌های آموزشی مرتبط با تجارت کشاورزی وجود دارد. در بهبود دسترسی به خدمات ترویج کشاورزی، مقامات دولتی محلی می‌توانند از خروجی‌های مطالعاتی وابسته به فضایی بهره ببرند که به‌طور فضایی مکان‌هایی را با خوشه‌های بالاتر خرده‌مالک‌هایی که در مهارت‌های خاص کسب‌وکار کشاورزی کمبود دارند، شناسایی می‌کنند.
دسترسی به منابع ورودی (فروشگاه های Agrovet) به طور مثبت بر مشارکت بازار در Nyando تأثیر می گذارد. در تفسیر نسبت شانس، ceteris paribus ، 8.323 احتمال وجود دارد که خانواری دورتر از فروشگاه آگرووت در بازار شرکت کند تا برای همان خانوار اگر نزدیک بازار ورودی باشد. در ویهیگا، 67 درصد از خانواده‌ها در مناطق داغ، 20 دقیقه و بالاتر طول می‌کشند تا تا نزدیک‌ترین فروشگاه آگرووت پیاده‌روی کنند، در حالی که 71 درصد از خانواده‌هایی که در نقاط سرد هستند، 20 دقیقه و بالاتر به نزدیک‌ترین فروشگاه آگرووت راه می‌روند. نشان داده شده است که سهولت دسترسی به زیرساخت ها و خدمات کشاورزی حمایتی باعث بهبود مشارکت کشاورزان در بازار می شود [ 45]] به ویژه در مناطق روستایی. در حالی که نقشه برداری و تجسم جغرافیایی موقعیت این خدمات با استفاده از مطالعات نظری دشوار است، رویکردهای تحلیلی وابسته به فضایی و خروجی ها ضروری می شوند.

4. ارتباط خروجی های تحقیقاتی صریح فضایی در بهبود هدف گذاری فضایی مداخله و سیاست

یک نگرانی مشترک برای مطالعات تجربی، تعمیم پذیری و تکرارپذیری یافته های مطالعه آنها به یک زمینه گسترده تر در اطلاع رسانی خط مشی عمومی است. اصولاً، مطالعات صریح فضایی به شدت به کیفیت داده‌های مکانی و وضوح روش‌های مورد استفاده در تحلیل آنها بستگی دارد. اصل موضوع “زباله در زباله بیرون” نیز در تجزیه و تحلیل داده های مکانی مبتنی بر GIS قابل استفاده است. این نشان می‌دهد که کیفیت داده‌های مکانی مورد استفاده، و به‌طور گسترده، طرح مطالعه مورد استفاده برای جمع‌آوری آن‌ها، باید یکی از مهم‌ترین ملاحظات محققین باشد تا بتوان به خروجی‌های مطالعه در اطلاع‌رسانی به سیاست‌ها اعتماد کرد و در جاهای دیگر قابل تکرار باشد. . ما فرض می کنیم که مطالعات تجربی وابسته به فضایی باید این نگرانی ها را با طراحی یک استراتژی جمع آوری داده های جغرافیایی کدگذاری شده به خوبی بیان کند. برای مطالعه ما، طراحی و بکارگیری استراتژی پیمایش خانوارهای جغرافیایی کدگذاری شده ما را قادر ساخت که داده های جغرافیایی کدگذاری شده با کیفیت را جمع آوری کنیم و استفاده از روش های تحلیل فضایی محلی نگرانی مربوط به ارتباط و خروجی اطلاعاتی را برطرف کرد. به همین ترتیب، کیفیت نظرسنجی خانوار ما با استفاده از ابزارهای مکانی مبتنی بر وب که به ما کمک می‌کرد تا خانواده‌های نمونه را در جمع‌آوری داده‌های جغرافیایی به راحتی و با دقت مکان‌یابی کنیم، افزایش یافت. رویکرد روش‌شناختی صریح فضایی ارائه‌شده در این مطالعه می‌تواند محققان دیگر را قادر به تکرار مطالعه در جای دیگر کند. کیفیت نظرسنجی خانوارهای ما با استفاده از ابزارهای مکانی مبتنی بر وب که به ما کمک می‌کرد تا خانواده‌های نمونه را در جمع‌آوری داده‌های جغرافیایی به راحتی و با دقت مکان‌یابی کنیم، افزایش یافت. رویکرد روش‌شناختی صریح فضایی ارائه‌شده در این مطالعه می‌تواند محققان دیگر را قادر به تکرار مطالعه در جای دیگر کند. کیفیت نظرسنجی خانوارهای ما با استفاده از ابزارهای مکانی مبتنی بر وب که به ما کمک می‌کرد تا خانواده‌های نمونه را در جمع‌آوری داده‌های جغرافیایی به راحتی و با دقت مکان‌یابی کنیم، افزایش یافت. رویکرد روش‌شناختی صریح فضایی ارائه‌شده در این مطالعه می‌تواند محققان دیگر را قادر به تکرار مطالعه در جای دیگر کند.
یکی دیگر از نگرانی های مطالعات تجربی، تعمیم پذیری یافته های مطالعه است. می توان استدلال کرد که یافته های تجربی ممکن است فقط برای یک محدوده زمانی محدود معتبر باشند. این استدلال از این واقعیت سرچشمه می‌گیرد که بررسی‌های ژئوکدگذاری‌شده داده‌های نقطه‌ای را برای آن لحظه خاص در زمان جمع‌آوری می‌کنند، بنابراین یافته‌ها و تفاسیر آن‌ها را با پیوند دادن آن‌ها در فضا و زمان، بومی‌سازی می‌کنند. با این حال، در اصل، سرزمین‌ها به دلیل تنوع ویژگی‌های جغرافیایی محلی و سطوح وقف سرمایه‌های سرزمینی، ویژگی‌های ناهمگون فضایی را نشان می‌دهند. حتی اگر این ویژگی‌های سرزمینی پویا هستند، به ندرت به سرعت تغییر می‌کنند و حتی زمانی که چنین مطالعاتی بر اساس چنین پارامترهای جغرافیایی محلی انجام می‌شوند، امکان پیش‌بینی یافته‌های مطالعه را فراهم می‌کنند. بدین ترتیب، انتخاب صحیح متغیرهای صریح جغرافیایی و تجزیه و تحلیل آنها می تواند برای تصمیم گیری در هر دو سناریو برنامه ریزی کوتاه مدت و بلند مدت استفاده شود. در حالی که تشخیص تعدد متغیرهای پارامتری که می‌توانند برای گرفتن خودهمبستگی فضایی محلی مورد استفاده قرار گیرند، واحد فضایی تجزیه و تحلیل مورد استفاده، و سطح تفکیک داده‌های مکانی مورد استفاده باید در مطالعاتی که روابط فضایی محلی را تجزیه و تحلیل می‌کنند، مورد توجه قرار گیرد. به این ترتیب، ارتباط گسترده‌تر این مطالعه با قابلیت کاربرد همه این عوامل مورد بحث، و همچنین توانایی سایر محققان و دولت‌های محلی برای استفاده از آنها در مدل‌سازی مشکلات پیچیده محلی مرتبط است. در حالی که تشخیص تعدد متغیرهای پارامتری که می‌توانند برای گرفتن خودهمبستگی فضایی محلی مورد استفاده قرار گیرند، واحد فضایی تجزیه و تحلیل مورد استفاده، و سطح تفکیک داده‌های مکانی مورد استفاده باید در مطالعاتی که روابط فضایی محلی را تجزیه و تحلیل می‌کنند، مورد توجه قرار گیرد. به این ترتیب، ارتباط گسترده‌تر این مطالعه با قابلیت کاربرد همه این عوامل مورد بحث، و همچنین توانایی سایر محققان و دولت‌های محلی برای استفاده از آنها در مدل‌سازی مشکلات پیچیده محلی مرتبط است. در حالی که تشخیص تعدد متغیرهای پارامتری که می‌توانند برای گرفتن خودهمبستگی فضایی محلی مورد استفاده قرار گیرند، واحد فضایی تجزیه و تحلیل مورد استفاده، و سطح تفکیک داده‌های مکانی مورد استفاده باید در مطالعاتی که روابط فضایی محلی را تجزیه و تحلیل می‌کنند، مورد توجه قرار گیرد. به این ترتیب، ارتباط گسترده‌تر این مطالعه با قابلیت کاربرد همه این عوامل مورد بحث، و همچنین توانایی سایر محققان و دولت‌های محلی برای استفاده از آنها در مدل‌سازی مشکلات پیچیده محلی مرتبط است.
کاربرد مطالعات طراحی شده برای ارائه راه حل های محلی برای مشکلات اجتماعی- فضایی با استفاده از رویکردهای مبتنی بر GIS [ 46 ، 47 ، 48 ، 49] در گذشته اخیر به طور فزاینده ای برجستگی پیدا کرده است. در حالی که توانایی مقامات محلی، به ویژه در کشورهای جنوب صحرای آفریقا، برای اعمال روش‌های صریح فضایی در فرآیندهای تصمیم‌گیری مورد تردید قرار گرفته است، تحولات اخیر می‌تواند ارتباط و پذیرش آنها را ارتقا دهد. اولاً، اکثر دستورالعمل‌های سیاستی در کنیا و به طور کلی کشورهای جنوب صحرای آفریقا، اغلب در سطح ملی تدوین می‌شوند، اما اجرای آنها در سطح مردمی توسط مقامات محلی مربوطه انجام می‌شود. ثانیاً، مشکلات اجتماعی روز به روز در پیچیدگی های فضایی-اجتماعی در هم تنیده شده اند و تجلی آنها بیشتر در سطح محلی و نه در سطح منطقه ای یا ملی مشهود است. در پرتو این،
استفاده و اتخاذ روش‌های صریح فضایی، مانند روش مورد استفاده در این مطالعه، برای تجزیه و تحلیل داده‌های ارجاع‌شده جغرافیایی در آینده به دلیل افزایش دسترسی و مقرون به صرفه بودن ابزارها و روش‌های Geo-ICT و SDSS افزایش خواهد یافت. با بهره گیری از داده ها و اطلاعات جغرافیایی به راحتی در دسترس و مبتنی بر وب، تعداد زیادی از ابزارهای Geo-ICT و تکنیک های تحلیلی SDSS همچنان برای ساختارشکنی پیچیدگی جغرافیایی توسعه یافته و مورد استقبال قرار می گیرند. علاوه بر این، چندین دوره آموزشی مبتنی بر مکانی و نرم افزار منبع باز نیز توسط موسسات آموزش عالی برای ایجاد ظرفیت کارکنان دولت محلی و دانشجویان جدید ایجاد شده است. برای مثال در کنیا، استفاده از GIS به‌عنوان SDSS برای تفکر و برنامه‌ریزی فضایی در دولت‌های شهرستان‌ها از طریق قانون دولت‌های شهرستان (شماره 17 سال 2012) و قانون مناطق و شهرها (شماره 13 سال 2011) در قانون تثبیت شده است. این قوانین چارچوب قانونی و سیاستی را برای نهادینه‌سازی و پذیرش GIS در دولت‌های شهرستان فراهم می‌کند. بر اساس این قوانین، دولت‌های شهرستان، از جمله شهرستان‌های ویهیگا و کیسومو که در این مطالعه استفاده شده‌اند، موظف به توسعه طرح توسعه یکپارچه شهرستان (CIDP) و ایجاد پایگاه‌های اطلاعاتی GIS برای حمایت از برنامه‌ریزی فضایی شهرستان هستند. همه این پیشرفت ها تقاضا برای دوره های GIS و متخصصان را افزایش داده است و چندین دانشگاه در کنیا و جاهای دیگر دوره هایی را در این حوزه راه اندازی کرده اند تا شکاف تقاضا را پر کنند. این قوانین چارچوب قانونی و سیاستی را برای نهادینه‌سازی و پذیرش GIS در دولت‌های شهرستان فراهم می‌کند. بر اساس این قوانین، دولت‌های شهرستان، از جمله شهرستان‌های ویهیگا و کیسومو که در این مطالعه استفاده شده‌اند، موظف به توسعه طرح توسعه یکپارچه شهرستان (CIDP) و ایجاد پایگاه‌های اطلاعاتی GIS برای حمایت از برنامه‌ریزی فضایی شهرستان هستند. همه این پیشرفت ها تقاضا برای دوره های GIS و متخصصان را افزایش داده است و چندین دانشگاه در کنیا و جاهای دیگر دوره هایی را در این حوزه راه اندازی کرده اند تا شکاف تقاضا را پر کنند. این قوانین چارچوب قانونی و سیاستی را برای نهادینه‌سازی و پذیرش GIS در دولت‌های شهرستان فراهم می‌کند. بر اساس این قوانین، دولت‌های شهرستان، از جمله شهرستان‌های ویهیگا و کیسومو که در این مطالعه استفاده شده‌اند، موظف به توسعه طرح توسعه یکپارچه شهرستان (CIDP) و ایجاد پایگاه‌های اطلاعاتی GIS برای حمایت از برنامه‌ریزی فضایی شهرستان هستند. همه این پیشرفت ها تقاضا برای دوره های GIS و متخصصان را افزایش داده است و چندین دانشگاه در کنیا و جاهای دیگر دوره هایی را در این حوزه راه اندازی کرده اند تا شکاف تقاضا را پر کنند. موظف به توسعه طرح توسعه یکپارچه شهرستان (CIDP) _ و ایجاد پایگاه های اطلاعاتی GIS برای حمایت از برنامه ریزی فضایی شهرستان هستند. همه این پیشرفت ها تقاضا برای دوره های GIS و متخصصان را افزایش داده است و چندین دانشگاه در کنیا و جاهای دیگر دوره هایی را در این حوزه راه اندازی کرده اند تا شکاف تقاضا را پر کنند. موظف به توسعه طرح توسعه یکپارچه شهرستان (CIDP) _ و ایجاد پایگاه های اطلاعاتی GIS برای حمایت از برنامه ریزی فضایی شهرستان هستند. همه این پیشرفت ها تقاضا برای دوره های GIS و متخصصان را افزایش داده است و چندین دانشگاه در کنیا و جاهای دیگر دوره هایی را در این حوزه راه اندازی کرده اند تا شکاف تقاضا را پر کنند.

5. نتیجه گیری ها

مطالعاتی که از سیستم‌های پشتیبانی تصمیم فضایی در تجزیه و تحلیل پیچیدگی اجتماعی-فضایی در کشف موانع و تسهیل‌کننده‌های مشارکت بازار استفاده می‌کنند، ممکن است درک زمینه‌ای بهتری از نیروهای پویای محلی و تعاملات مؤثر بر سیستم‌های کشاورزی خرده‌مالک ارائه دهند. این مقاله بر اهمیت طراحی مداخلات هدفمند فضایی که در واقعیت محلی تعبیه شده و توسط نیازهای بیان شده محلی خانوارهای خرده مالک اطلاع داده می شود، تأکید می کند. تجزیه و تحلیل جغرافیایی-فضایی با استفاده از داده‌های سطح محلی تفکیک‌شده احتمالاً عوامل محلی صریح جغرافیایی را کشف می‌کند که مالکان خرد را از مشارکت در بازارهای کشاورزی باز می‌دارد نسبت به داده‌های انباشته فضایی که در سطح مکانی بالاتر تجزیه و تحلیل می‌شود. با استفاده از Global Moran’s I، نتایج وجود الگوهای فضایی را در مجموعه داده ما نشان داده است که ناشی از تصادفی بودن فضایی داده ها نبوده است. علاوه بر این، Anselin Local Moran’s I، خوشه‌های فضایی محلی معنی‌دار آماری را از عواملی که مانع مشارکت خرده‌مالک‌ها می‌شوند، شناسایی کرد. در نهایت، رگرسیون وزن‌دار جغرافیایی، عوامل مسبب مهم فضایی را که مانع مشارکت بازار در مناطق مورد مطالعه می‌شوند، شناسایی کرد. نتایج نشان می‌دهد که شغل، سطح تحصیلات، دارایی‌های دامی، پس‌انداز، اندازه زمین، عضویت در گروه اجتماعی، آموزش و زمان سفر به بازارهای خروجی از نظر مکانی و آماری از عوامل مهم مانع مشارکت خرده‌مالک‌ها در بازار بودند. مشخص شد که مشارکت غیربازاری ناشی از علیت چندعاملی مرتبط با بافت محلی است. نتایج نشان داده است که عوامل بازدارنده مشارکت در بازار در داخل و بین مزارع و محلات در مناطق مورد مطالعه ناهمگن هستند. ما همچنین دریافتیم که عوامل صریح جغرافیایی باعث مشارکت غیربازاری بین دو منطقه مورد مطالعه متفاوت است. نقشه‌های احتمال رگرسیون جغرافیایی، ابزارهای بصری تصمیم‌گیری مهمی برای سیاست‌گذاران هستند تا به راحتی مکان‌هایی را با احتمال بالای خوشه‌بندی فضایی مشکلات اجتماعی- فضایی محرومیت و نابرابری شناسایی کنند. این مطالعه نشان داده است که چگونه تجزیه و تحلیل صریح فضایی انجام شده در سطح محلی می تواند به شناسایی مناطق محروم که آسیب پذیرترین، فقیرترین و فقیرترین خانوارها در آن زندگی می کنند کمک کند. ما همچنین دریافتیم که عوامل صریح جغرافیایی باعث مشارکت غیربازاری بین دو منطقه مورد مطالعه متفاوت است. نقشه‌های احتمال رگرسیون جغرافیایی، ابزارهای بصری تصمیم‌گیری مهمی برای سیاست‌گذاران هستند تا به راحتی مکان‌هایی را با احتمال بالای خوشه‌بندی فضایی مشکلات اجتماعی- فضایی محرومیت و نابرابری شناسایی کنند. این مطالعه نشان داده است که چگونه تجزیه و تحلیل صریح فضایی انجام شده در سطح محلی می تواند به شناسایی مناطق محروم که آسیب پذیرترین، فقیرترین و فقیرترین خانوارها در آن زندگی می کنند کمک کند. ما همچنین دریافتیم که عوامل صریح جغرافیایی باعث مشارکت غیربازاری بین دو منطقه مورد مطالعه متفاوت است. نقشه‌های احتمال رگرسیون جغرافیایی، ابزارهای بصری تصمیم‌گیری مهمی برای سیاست‌گذاران هستند تا به راحتی مکان‌هایی را با احتمال بالای خوشه‌بندی فضایی مشکلات اجتماعی- فضایی محرومیت و نابرابری شناسایی کنند. این مطالعه نشان داده است که چگونه تجزیه و تحلیل صریح فضایی انجام شده در سطح محلی می تواند به شناسایی مناطق محروم که آسیب پذیرترین، فقیرترین و فقیرترین خانوارها در آن زندگی می کنند کمک کند. نقشه‌های احتمال رگرسیون جغرافیایی، ابزار بصری تصمیم‌گیری مهمی برای سیاستگذاران هستند تا به راحتی مکان‌هایی را با احتمال بالای خوشه‌بندی فضایی مشکلات اجتماعی- فضایی محرومیت و نابرابری شناسایی کنند. این مطالعه نشان داده است که چگونه تجزیه و تحلیل صریح فضایی انجام شده در سطح محلی می تواند به شناسایی مناطق محروم که آسیب پذیرترین، فقیرترین و فقیرترین خانوارها در آن زندگی می کنند کمک کند. نقشه‌های احتمال رگرسیون جغرافیایی، ابزار بصری تصمیم‌گیری مهمی برای سیاستگذاران هستند تا به راحتی مکان‌هایی را با احتمال بالای خوشه‌بندی فضایی مشکلات اجتماعی- فضایی محرومیت و نابرابری شناسایی کنند. این مطالعه نشان داده است که چگونه تجزیه و تحلیل صریح فضایی انجام شده در سطح محلی می تواند به شناسایی مناطق محروم که آسیب پذیرترین، فقیرترین و فقیرترین خانوارها در آن زندگی می کنند کمک کند.
در طراحی مداخلات هدفمند فضایی، سیاستگذاران باید به تعاملات پیچیده فرآیندهای اجتماعی- فضایی در چشم انداز محلی توجه داشته باشند و نحوه تعامل آنها برای تأثیرگذاری بر تصمیم گیری و انتخاب خرده مالکان را مورد بازجویی قرار دهند. برای موفقیت‌آمیز بودن مداخلات فضایی، همه عوامل پشت خوشه‌بندی فضایی مشاهده‌شده در یک محل باید به طور همزمان در مرحله طراحی مداخله هدفمند فضایی مورد توجه قرار گیرند. هدف قرار دادن یک عامل واحد ممکن است در افزایش مشارکت سهامداران خرد در بازار شکست بخورد، زیرا عدم مشارکت در بازار ناشی از تعامل پیچیده عوامل متعدد است، همانطور که این مطالعه نشان داده است.

منابع

  1. ویگینز، اس. شارادا، K. سهم کشاورزی کوچک در تغذیه بهتر. در دسترس آنلاین: https://www.odi.org/sites/odi.org.uk/files/odi-assets/publications-opinion-files/8376.pdf (در 20 اکتبر 2020 قابل دسترسی است).
  2. هازل، پی. رحمان، ع. رهنمودهای جدید برای کشاورزی خرده پا . انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2014; پ. 608. [ Google Scholar ]
  3. دولت کنیا استراتژی تحول و رشد بخش کشاورزی [اینترنت]. 2018. در دسترس آنلاین: https://www.kilimo.go.ke/wp-content/uploads/2019/01/ASTGS-Full-Version.pdf (دسترسی در 10 سپتامبر 2020).
  4. آرچر، DW; داوسون، جی. کروتر، UP; هندریکسون، ام. هالوران، JM تأثیرات اجتماعی و سیاسی بر سیستم های کشاورزی. تمدید کنید. کشاورزی سیستم غذایی 2008 ، 23 ، 272-284. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. بارت، CB; باچک، من؛ بلمار، MF; مایکلسون، HC; نارایانان، س. واکر، TF مشارکت مالکان کوچک در کشاورزی قراردادی: شواهد مقایسه ای از پنج کشور. توسعه دهنده جهانی 2012 ، 40 ، 715-730. [ Google Scholar ] [ CrossRef ]
  6. بزو، اس. بارت، CB; هولدن، ST آیا اقتصاد غیرکشاورزی مسیرهایی برای تحرک رو به بالا ارائه می دهد؟ شواهدی از یک مطالعه داده های پانل در اتیوپی. توسعه دهنده جهانی 2012 ، 40 ، 1634-16346. [ Google Scholar ]
  7. دیلون، بی. بارت، بازارهای فاکتورهای کشاورزی CB در جنوب صحرای آفریقا: دیدگاهی به روز شده با آزمون های رسمی برای شکست بازار. سیاست غذایی 2017 ، 67 ، 64-77. [ Google Scholar ] [ PubMed ][ نسخه سبز ]
  8. گبرو، جی. Beyene، F. استراتژی های معیشت خانوار روستایی در مناطق مستعد خشکسالی: موردی از منطقه Gulomekeda، منطقه شرقی ایالت منطقه ای ملی Tigray، اتیوپی. جی. دیو. کشاورزی اقتصاد 2012 ، 4 ، 158-168. [ Google Scholar ]
  9. ها، ت. بوش، او. نگوین، ن. شرایط لازم و کافی برای موفقیت در تجارت کشاورزی سیستم‌های کشاورزی در مقیاس کوچک در ویتنام شمالی. اتوبوس. مدیریت گل میخ. 2015 ، 1 ، 36-44. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. گلابوکی، بی. کاچپرزاک، ای. کوسووسکی، تی. گونه‌شناسی چند معیاره کشاورزی: ​​رویکرد وابستگی فضایی. کوئست. Geogr. 2019 ، 38 ، 29–49. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. دونوان، جی. پول، N. تغییر وقف دارایی و مشارکت خرده مالکان در بازارهای با ارزش بالاتر: شواهدی از تولید کنندگان قهوه تایید شده در نیکاراگوئه. سیاست غذایی 2014 ، 44 ، 1-13. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. ماستر، ام. پول، ن. هنسون، اس. ارزیابی مسیرهای زنجیره ارزش غذایی، پیوندها و تأثیرات برای تغذیه بهتر گروه‌های آسیب‌پذیر. سیاست غذایی 2017 ، 68 ، 31-39. [ Google Scholar ] [ CrossRef ]
  13. ویتمن، اچ. چاپل، ام جی. آبسون، دی جی؛ کر، RB; بلش، ج. هانسپاخ، جی. پرفتو، آی. فیشر، جی. دیدگاه اجتماعی-اکولوژیکی در هماهنگی امنیت غذایی و حفاظت از تنوع زیستی. Reg. محیط زیست چانگ. 2017 ، 17 ، 1291-1301. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. پول، ND; چیتوندو، م. Msoni، R. تجاری سازی: فرارویکردی برای توسعه کشاورزی در میان کشاورزان خرده مالک در آفریقا؟ سیاست غذایی 2013 ، 41 ، 155-165. [ Google Scholar ] [ CrossRef ]
  15. تیتونل، پی. وانلاوه، بی. میسیکو، م. گیلر، ک. هدف‌گیری منابع در سیستم‌های کشاورزی متنوع، ناهمگن و پویا: به سوی یک «انقلاب سبز منحصر به فرد آفریقا». در نوآوری به عنوان کلید انقلاب سبز در آفریقا ؛ Springer Science & Business Media: برلین/هایدلبرگ، آلمان، 2011; صص 747-758. [ Google Scholar ]
  16. ون میل، HGJ; Foegeding، EA; Windhab، EJ; پروت، ن. ون در لیندن، ای. یک رویکرد سیستمی پیچیده برای رسیدگی به چالش های جهانی در غذا و کشاورزی. Trends Food Sci. تکنولوژی 2014 ، 4 ، 20-32. [ Google Scholar ] [ CrossRef ]
  17. ویراپونگسه، ا. بروکس، اس. متکالف، EC; زدالیس، م. گوس، جی. کلیسکی، ا. Alessa، L. یک رویکرد سیستم های اجتماعی-اکولوژیکی برای مدیریت زیست محیطی. جی. محیط زیست. مدیریت 2016 ، 178 ، 83-91. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  18. تیتونل، MA; شپرد، KD; موگندی، دی. Kaizzi، KC; اوکیو، جی. ورشوت، ال. کو، آر. Vanlauwe، B. تنوع معیشت روستایی و تأثیر آنها بر حاصلخیزی خاک در سیستم‌های کشاورزی شرق آفریقا – گونه‌شناسی مزارع خرده‌مالک. کشاورزی سیستم 2010 ، 103 ، 83-97. [ Google Scholar ] [ CrossRef ]
  19. کیسولی، ال. فاسه، آ. گروت، U. ادغام خرده مالکان در فعالیت های زنجیره ارزش کشاورزی و امنیت غذایی: شواهدی از روستاهای تانزانیا. امنیت غذایی 2017 ، 9 ، 1219-1235. [ Google Scholar ] [ CrossRef ]
  20. فیشر، ای. قائم، م. کشاورزان خرده پا و اقدام جمعی: چه چیزی شدت مشارکت را تعیین می کند؟ جی. آگریک. اقتصاد 2014 ، 65 ، 683-702. [ Google Scholar ] [ CrossRef ]
  21. لوس، جی. آبسون، دی. چاپل، ام جی. هانسپاخ، جی. میکولجاک، اف. تیچیت، م. فیشست، جی. بازگرداندن معنا به «تشدید پایدار». جلو. Ecol. محیط زیست 2014 ، 12 ، 356-361. [ Google Scholar ] [ CrossRef ]
  22. معتمد، م. فلوراکس، آر. Masters, W. Borders and Barriers: تجزیه و تحلیل فضایی سرریزهای بازده کشاورزی در سطح سلول شبکه . انجمن اقتصاد کشاورزی و کاربردی: سیاتل، WA، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  23. Anselin، L. نشانگرهای محلی انجمن فضایی-LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ] [ CrossRef ]
  24. Lesage, J. An Introduction to Spatial Econometrics. Rev. d’Economie Ind. 2008 , 123 , 19-44. [ Google Scholar ]
  25. Nthiwa، A. مقیاس مدل‌سازی و اثرات مسئله واحد مساحتی قابل اصلاح بر محرومیت‌های چندگانه در استانبول، ترکیه. پایان نامه کارشناسی ارشد، Universiteit Twente، Enschede، هلند، 2011. [ Google Scholar ]
  26. Fotheringham, A. “مشکل خودهمبستگی فضایی” و آمار فضایی محلی. Geogr. مقعدی 2009 ، 41 ، 398-403. [ Google Scholar ] [ CrossRef ]
  27. وبلی، PW; Watson، IM نقش فناوری‌های مکانی در برقراری ارتباط ارزیابی خطر مؤثرتر: کاربرد داده‌های سنجش از دور BT. در مشاهده جهان آتشفشان: ارتباطات بحران آتشفشان ; Fearnley, CJ, Bird, DK, Haynes, K., McGuire, WJ, Jolly, G., Eds. انتشارات بین المللی اسپرینگر: چم، سوئیس، 2018; صص 641-663. [ Google Scholar ]
  28. Ord، JK; Getis، A. آمار خودهمبستگی فضایی محلی: مسائل توزیعی و یک کاربرد. Geogr. مقعدی 1995 ، 27 ، 286-306. [ Google Scholar ] [ CrossRef ]
  29. فاثرینگهام، ای. براندون، سی. چارلتون، ام. رگرسیون وزن‌دار جغرافیایی: تحلیل روابط متغیر فضایی . جان وایلی پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2002; پ. 13. [ Google Scholar ]
  30. گتیس، ع. Ord, JK تجزیه و تحلیل ارتباط فضایی با استفاده از آمار فاصله. Geogr. مقعدی 1992 ، 24 ، 189-206. [ Google Scholar ] [ CrossRef ]
  31. دولت کنیا (GoK). نتایج سرشماری نفوس و مسکن کنیا. در دسترس آنلاین: https://www.knbs.or.ke/?p=5621 (دسترسی در 10 سپتامبر 2020).
  32. Cochran, GW Sampling Techniques , 3rd ed; جان وایلی پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 1977; پ. 428. [ Google Scholar ]
  33. یاسار، س. Cogenli، AG تعیین اعتبار و پایایی ابزارهای گردآوری داده مورد استفاده توسط مطالعات ارزیابی برنامه در ترکیه. Procedia Soc. رفتار علمی 2014 ، 131 ، 504-509. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. آرسنال، جی. میشل، پی. برک، او. راول، ا. Gosselin, P. نحوه انتخاب واحدهای جغرافیایی در مطالعات اکولوژیکی: پیشنهاد و کاربرد برای کمپیلوباکتریوز. تف کردن اپیدمیول فضایی و زمانی 2013 ، 7 ، 11-24. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. ژانگ، جی. اتکینسون، پی. Goodchild، مقیاس MF در اطلاعات و تحلیل فضایی ; CRC Press: Boca Raton، FL، USA، 2014; پ. 367. [ Google Scholar ]
  36. گتیس، ع. Aldstadt, J. ساخت ماتریس وزن های فضایی با استفاده از یک آمار محلی. Geogr. مقعدی 2004 ، 36 ، 90-104. [ Google Scholar ] [ CrossRef ]
  37. براندون، سی. Fotheringham، AS; چارلتون، ام. آمار خلاصه وزنی جغرافیایی – چارچوبی برای تجزیه و تحلیل داده های اکتشافی محلی. محاسبه کنید. محیط زیست سیستم شهری 2002 ، 26 ، 501-524. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. کاسترو، ام. سینگر، بی. کنترل نرخ کشف کاذب: یک برنامه کاربردی جدید برای محاسبه آزمون‌های چندگانه و وابسته در آمار محلی انجمن فضایی. Geogr. مقعدی 2006 ، 38 ، 180-208. [ Google Scholar ] [ CrossRef ]
  39. Hazell, P. آینده مزارع کوچک برای کاهش فقر و رشد . موسسه تحقیقات بین المللی سیاست غذایی: واشنگتن دی سی، ایالات متحده آمریکا، 2007; پ. 38. [ Google Scholar ]
  40. آبرو، ZA; Alemu، BA; هانجرا، MA سیاست های رشد بهره وری کشاورزی و کاهش فقر در روستاهای اتیوپی. توسعه دهنده جهانی 2014 ، 59 ، 461-474. [ Google Scholar ] [ CrossRef ]
  41. کلاسن، اس. ریمرز، ام. نگاهی به رشد حامی فقرا از دیدگاه کشاورزی. توسعه دهنده جهانی 2017 ، 90 ، 147-168. [ Google Scholar ] [ CrossRef ]
  42. آلمندینگر، پی. هاتون، جی. بازبینی برنامه ریزی فضایی، تفویض اختیار، و فضاهای برنامه ریزی جدید. محیط زیست Plan C Gov. Policy 2013 , 31 , 953-957. [ Google Scholar ] [ CrossRef ]
  43. فابوسورو، ای. اوموتایو، ا. آپانتاکو، اس. Okuneye، P. اشکال و عوامل تعیین کننده تنوع معیشت روستایی در ایالت اوگون، نیجریه. J. Sustain. کشاورزی 2010 ، 34 ، 417-438. [ Google Scholar ] [ CrossRef ]
  44. بتنکورت، EMV; تیلمن، م. نارسیسو، وی. کاروالیو، MLS؛ Henriques, S. نقش های دام در رفاه جوامع روستایی تیمور شرقی. کشیش Econ. اجتماعی روستایی 2015 ، 53 ، 63-80. [ Google Scholar ] [ CrossRef ]
  45. اسکوبال، جی. فاوارتو، ا. آگویر، اف. Ponce, C. ارتباط با بازارهای پویا و توسعه سرزمینی روستایی در آمریکای لاتین. توسعه دهنده جهانی 2015 ، 73 ، 44-55. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. سلطانی، ر. سلیمان، ع. الحغله، ک. استفاده از سیستم اطلاعات جغرافیایی (GIS) مبتنی بر سیستم پشتیبانی تصمیم گیری فضایی (SDSS) در توسعه فرآیند برنامه ریزی شهری. APJ آرشیت. Plan J. 2009 , 1 , 97-115. [ Google Scholar ]
  47. گیمپل، ا. استلزنمولر، وی. توپش، اس. گالپارسورو، آی. گابینز، ام. میلر، دی. موریلاس، ا. موری، AG; پینارباسی، ک. روکا، جی. و همکاران ابزاری مبتنی بر GIS برای ارزیابی یکپارچه مبادلات برنامه ریزی فضایی با آبزی پروری علمی کل محیط. 2018 ، 627 ، 1644-1655. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  48. طالعی، م. مسگری، س. شریفی، م. اسلیوزاس، آر. براتی، دی. یک سیستم پشتیبانی تصمیم گیری فضایی برای ارزیابی کاربری های مختلف در مناطق شهری ساخته شده. در مجموعه مقالات Assoc Assoc Remote Sens-26th Asian Conference–Remote Sens 2nd Asian Sp Conference ACRS 2005، هانوی، ویتنام، 7 تا 11 نوامبر 2005. [ Google Scholar ]
  49. سیمائو، ا. دنشم، پی جی؛ Haklay، M. GIS مبتنی بر وب برای برنامه ریزی مشترک و مشارکت عمومی: برنامه ای برای برنامه ریزی استراتژیک سایت های مزرعه بادی. جی. محیط زیست. مدیریت 2009 ، 90 ، 2027-2040. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00612 g001 550
شکل 1. موقعیت جغرافیایی مناطق مورد مطالعه Nyando و Vihiga.
Ijgi 09 00612 g002 550
شکل 2. مراحل اعمال شده در طراحی نقشه برداری خانوارهای کدگذاری شده جغرافیایی. ( الف ) توزیع نقاط GIS تصادفی. ( ب ) لایه‌های KML را در «برنامه ضروری GPS» در تلفن Android آپلود کرد و ( ج ) نقاط GPS خانگی بررسی‌شده واقعی.
Ijgi 09 00612 g003 550
شکل 3. نموداری که بهینه ترین امتیازهای آماری اوج z خوشه بندی فضایی را نشان می دهد.
Ijgi 09 00612 g004 550
شکل 4. نقشه Nyando که خوشه های فضایی محلی را با غلظت بالاتری از خانوارهای فقیرتر (نقاط داغ) و خانوارهای ثروتمندتر (نقاط سرد) نشان می دهد.
Ijgi 09 00612 g005 550
شکل 5. نقشه ویهیگا که خوشه های فضایی محلی را با غلظت بالاتر خانوارهای فقیرتر (نقاط داغ) و خانوارهای ثروتمندتر (نقاط سرد) نشان می دهد.
Ijgi 09 00612 g006 550
شکل 6. دو نقشه نشان می دهد که در هر دو منطقه Nyando و Vihiga، خانوارهای فقیرتر (نقاط قرمز) نسبت به خانواده های ثروتمندتر (نقاط آبی) واقع در یک کیلومتری بافر (مناطق متقاطع) از جاده آسفالت، شهر اصلی، وجود دارد. و رودخانه ها
Ijgi 09 00612 g007 550
شکل 7. نتایج نظرسنجی نشان دهنده سطح تحصیلات سرپرست خانوارها در مقابل برخورداری از مهارت های کسب و کار کشاورزی است.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید