مدل‌سازی رشد شهری یکپارچه فضایی-زمانی: کلمبو شهر فرنج، سریلانکا

رشد شهری یک گسترش فضایی مستمر است و به عنوان یک فرآیند مکانی- زمانی اتفاق می افتد. این فرآیند فیزیکی تحت تأثیر عوامل محرک مختلف بر روی زیرسیستم های درون سیستم اصلی شهری قرار دارد. تجزیه و تحلیل این فرآیند مکانی-زمانی و عوامل مؤثر در پشت آن یک کار اساسی و ضروری است زیرا فرآیند برنامه ریزی محلی را تسهیل می کند. مطالعات قبلی به جای تعامل بین رانندگان در زیرسیستم های مختلف، به تأثیر فردی هر راننده بر سیستم اصلی شهری مربوط می شد. هدف این تحقیق مدلسازی رشد شهری و بررسی تأثیر عوامل محرک به تفکیک بر زیرنظام های اجتماعی-اقتصادی، کالبدی و محیطی است. مدل‌سازی رگرسیون لجستیک مبتنی بر GIS برای مدل‌سازی رشد حاشیه‌ای برای یافتن رابطه بین رشد شهری و عوامل محرک آن استفاده می‌شود. این یافته‌ها عوامل تأثیرگذار مثبت و منفی را از نظر «رشد باید به کجا برود؟» برجسته می‌کند. و “چه مقدار از آن باید برود؟”. عوامل موجود در خرده نظام های اجتماعی-اقتصادی، کالبدی و محیطی می توانند تأثیر خود را به صورت مثبت یا منفی اعمال کنند. نتایج تجمعی تأثیرات مختلف باعث ایجاد یک الگوی منحصر به فرد از رشد در حاشیه شهری کلمبو شد که کاملاً متمایز از الگوی مشاهده شده در سایر کشورهای آسیایی است.

کلید واژه ها

رشد شهری فضایی-زمانی ، سیستم اصلی شهری ، سیستم‌های فرعی ، عوامل محرک ، گسترش شهری

1. مقدمه

رشد شهری عموماً به دلیل تغییرات مداوم در سطوح عوامل مختلف محرک ناهموار است. رشد شهری در نتیجه تغییرات کاربری زمین که در اثر نیروهای فیزیکی، اجتماعی-اقتصادی و محیطی بر روی زمین در سطوح مختلف اعمال می شود، رخ می دهد. عوامل محرک مختلف برای تغییر کاربری‌ها عمل می‌کنند که ارزش‌های متفاوتی را به زمین اعطا می‌کنند و بنابراین ایجاد تعادل در تغییر کاربری زمین در بین این سه ارزش مختلف در برنامه‌ریزی و مدیریت کاربری زمین حیاتی است [ 1 ]] . مطالعه دقیق تغییرات کاربری زمین در مناطق شهری و عوامل محرک پشت آن برای درک الگوی رشد شهری حیاتی است. با توجه به این موضوع، منطقه شهری را می توان به عنوان سیستم اصلی شهری در نظر گرفت که از فرآیندهای فعالیت سازمان یافته و عملیاتی خاصی تشکیل شده است. این فرآیندها را می توان به سه دسته اصلی به عنوان فرآیندهای فیزیکی، اجتماعی-اقتصادی و محیطی دسته بندی کرد. عملیات پیچیده این سه فرآیند، تأثیر تغییر کاربری ها و ارزش های اراضی شهری را در سیستم اصلی شهری دارد. هدف این تحقیق تحلیل فعالیت‌ها و رویدادهای مربوط به این سه فرآیند در زیر سیستم‌های کالبدی، اجتماعی-اقتصادی و محیطی است که در مجموع سیستم اصلی شهری را تشکیل می‌دهند. زیر سیستم کالبدی به تنظیمات فیزیکی زمین در میان عوامل طبیعی و برخی عوامل دست ساز (مانند پوشش زمین، کاربری زمین) که می تواند باعث تغییراتی در زیر سیستم فیزیکی شود. خرده سیستم اجتماعی-اقتصادی عمدتاً توسط عوامل اجتماعی-اقتصادی مانند مجاورت، تراکم و عوامل اجتماعی-اقتصادی کنترل می شود که اقتصاد شهر را هدایت می کند و بر بسیاری از جنبه های زندگی اجتماعی شهر تأثیر می گذارد. زیرسیستم محیطی به عنوان ریه های سیستم شهری عمل می کند و بنابراین باید توجه قابل توجهی به آن مبذول شود.2 ] (مثلاً زمین مرطوب). با در نظر گرفتن این سه زیر سیستم، مدل رشد شهری مفهوم‌سازی می‌شود. فرض اول این است که در موضوع تغییر کاربری اراضی، رابطه متقابلی بین نظام اصلی شهری و خرده نظام های اجتماعی-اقتصادی، کالبدی و محیطی وجود دارد. رشد شهری (UG) نتیجه تغییرات (X) در زیرسیستم های فیزیکی (PS)، اجتماعی-اقتصادی (SS) و محیطی (ES) است که در رابطه (1) نشان داده شده است.

(1)

نیروهای محرک متفاوتی در تغییرات کاربری اراضی ناشی از زیرسیستم های مختلف دخیل هستند و این عوامل در رابطه (2) ذکر شده است:

(2)

که در آن a، b و c نیروهای محرکه متفاوت در هر زیر سیستم هستند. شکل 1 این سه زیر سیستم و اتصالات آنها را نشان می دهد.

شکل 1 نشان می دهد که UG مربوط به دوره های زمانی خاصی مانند t ₁ – t ₂ است و به دلیل تعامل بین سه زیرسیستم اتفاق می افتد. تغییرات در دوره های t2 اندازه گیری می _شوند (PS _t2 ، SS _t2 ، ES _t2) زیرا تغییرات در هر زیر سیستم بر اساس چندین عامل محرک است و نمی توان آن عوامل را در یک دوره طولانی در نظر گرفت. علاوه بر این، نیروهای محرکه بین این سه زیرسیستم برهم کنش دارند و این با فلش های نقطه چین نشان داده می شود. تمام تغییرات در زیر سیستم اصلی در فلش های ضخیم نشان داده شده است. منظور آنها این است که نیروهای محرکه در هر زیر سیستم مستقیماً بر رشد شهری تأثیر می گذارند. فرآیندهای این سه خرده نظام در تغییر کاربری اراضی از کاربری غیر شهری به کاربری شهری در سیستم اصلی شهری دخیل هستند. بنابراین، هر زیرسیستم محرک های رشد خود را دارد که تغییرات را در آن زیر سیستم ایجاد می کند. هدف این مطالعه توسعه مدل رشد برای کشف عوامل محرکی است که بر رشد شهری گذشته در سه زیرسیستم تأثیر گذاشته‌اند. میز 1نشان می دهد محققان مختلفی که از محرک های رشد برای شناسایی رشد شهری استفاده کرده اند که بر اساس زیر سیستم و عوامل محرک طبقه بندی شده اند.

2. مواد و روشها

2.1. منطقه مطالعه

سریلانکا در اقیانوس هند، بسیار نزدیک به نوار جنوبی شبه قاره هند، واقع بین عرض‌های جغرافیایی شمالی 5˚55′ و 9˚50′ و طول شرقی 79˚42′ و 81˚52 واقع شده است. مساحت سرزمین سریلانکا 65610 کیلومتر مربع است که طول کلی آن 432 کیلومتر و عرض آن 224 کیلومتر است. سریلانکا به 9 منطقه (یا استان) تقسیم شده است و منطقه غربی 5.6٪ از کل مساحت کشور را تشکیل می دهد [ 23 ]. منطقه غربی از سه ناحیه تشکیل شده است: Kalutara، Gampaha و Colombo که شهری ترین منطقه کشور واقع شده است. منطقه مورد مطالعه این مطالعه در حاشیه شهری منطقه کلمبو به نام Kaduwela MC واقع شده است و در حدود 20 کیلومتری شهر کلمبو، که پایتخت تجاری سریلانکا است ( شکل 2 ) قرار دارد.

توپوگرافی حاشیه شهری کلمبو دارای شیب تدریجی است و در KMC شیب در ارتفاع زیاد در جنوب و ارتفاع کم در شمال است. رودخانه کلانی از شرق به غرب در امتداد مرز شمالی KMC جریان دارد. کمترین ارتفاع، سطح بستر رودخانه کلانی است که حدود 6 متر زیر سطح متوسط ​​دریا (MSL) قرار دارد. در دهه 1970 و قبل از آن، زمانی که مردم این منطقه را انتخاب کردند

برای مسکن، آنها نگران سطح آب کم عمق منطقه بودند. بنابراین، بیشتر مناطق کم ارتفاع برای استخراج خاک برای ساخت آجر استفاده می شد. اما بعدها با شروع پروژه‌های عمرانی جدید، گسترش شهری به‌طور جدی آغاز شد، زیرا باید امکانات اقامتی و زندگی برای هجوم مردم به این منطقه فراهم می‌شد. پس از سال 1977، پروژه های توسعه شهری جدید، توسعه گسترده این منطقه را تقویت کرد.

2.2. روش تحقیق

منابع اصلی داده ها نقشه ها و تصاویر دیجیتالی هستند. برای تجزیه و تحلیل داده ها از دو نوع نقشه استفاده می شود که عبارتند از نقشه کاربری اراضی و نقشه معیار. عکس های هوایی، نقشه های دیجیتال، تصاویر IKONOS برای به روز رسانی 4 نقشه کاربری زمین برای سال های 1972، 1984، 2004 و 2014 استفاده شد. نقشه های پنج پایه در مقیاس 1:2000 به جز نقشه های کاربری اراضی ذکر شده در بالا، یعنی جاده های اصلی و جاده های محلی، مراکز اصلی. و مراکز فرعی محلی، کانتور سیل، منطقه محدود زیست محیطی، و نقشه های اولیه نقشه GND، برای استخراج نقشه های معیار استفاده می شوند.

2.2.1. مقیاس فضایی مدل رشد شهری

مقیاس فضایی یک مفهوم اساسی [ 1 ] است و مرزبندی وسعت فضایی یک نیاز اساسی برای مدل‌سازی رشد شهری است. مقیاس های مکانی و زمانی انتخاب شده برای مدل سازی به تجربه کاربر و در دسترس بودن داده ها بستگی دارد [ 24 ]. به منظور تجسم الگوی رشد شهری در حاشیه شهری کلمبو، وسعت فضایی نیز باید تعریف شود. مطالعات شهری معمولاً وسعت فضایی را با استفاده از مرزهای اداری در سطح ملی، منطقه ای یا شهری تعیین می کند. در واقعیت، رشد شهری همیشه از نظر فیزیکی در داخل مرزهای اداری رخ نمی‌دهد، زیرا گسترش می‌یابد و تغییر می‌کند، به ویژه در یک دوره طولانی توسعه [ 25 ].] . در سریلانکا، سلسله مراتب برنامه ریزی در سطح ملی، منطقه ای، منطقه ای و محلی عمل می کند. در این زمینه، دامنه تصمیم‌گیری زیاد است و فرآیند فضایی به‌جای یک فرآیند پیوسته، به فرآیندی گسسته تبدیل می‌شود. شناسایی واحدهای فضایی نسبی جزء ضروری برای تحلیل فضایی است. اصطلاح “نسبی” به جای مرزهای “عینی” به معنای “ذهنی” است [ 26 ]] . از منظر برنامه ریزی، تصمیم گیری در انتهای برنامه ریزی قرار دارد و این امر مقیاس های مکانی و زمانی مورد نیاز را تعیین می کند. پیوندهای مدل‌سازی فضایی با فرآیندهای تصمیم‌گیری و گستره فضایی باید در مقیاس‌های مختلف تصمیم‌گیری از جمله در سطح اول گسترده‌تر و سطح جزئیات بعدی در نظر گرفته شود. در فرآیند مدل‌سازی رشد شهری، سؤال اولیه تحقیق «چرا الگوی فضایی رشد شهری را مدل‌سازی می‌کنیم؟» یک سؤال اساسی است و می توان آن را به دو سؤال فرعی خاص تقسیم کرد:

・ کدام حوزه ها در طول چهار دهه گذشته تغییر کرده اند؟

・ میزان تغییر چقدر است؟

از این رو، از آنجایی که کنترل وسعت فضایی دشوار است، نمی توان کل حاشیه شهری را برای تمرین مدل سازی در نظر گرفت. به این ترتیب، یک واحد فضایی خاص (شورای شهرداری کادوولا) بر اساس مرزهای اداری انتخاب شد. در این محدوده اداری، دو مقیاس فوق در نظر گرفته شد. برای پاسخ به سوال اول (چه مناطقی تغییر کردند)، کل محدوده شورای شهر به عنوان مجموعه فضایی انتخاب شد. برای سوال دوم (تا چه اندازه تغییر کرده اند) فقط مناطق تغییر شهری در نظر گرفته شده است. دو مقیاس فضایی مورد نظر مقیاس های کلان و خرد بودند.

2.2.2. آماده سازی داده ها

تهیه داده ها عمدتاً بر روی نقشه های تغییر شهری، نقشه تراکم تغییر و نقشه های معیار متمرکز است. با مقایسه تغییرات کاربری شهری به غیر شهری، نقشه تغییر شهری ایجاد شد. با مقایسه مقوله تغییر شهری با جمعیت و تراکم ساختمان، نقشه تغییر تراکم ایجاد شد. عوامل مختلفی بر تغییرات رشد شهری تأثیر می‌گذارند که بر اساس مرور ادبیات، دانش شخصی و تجربه محقق، 20 عامل محرک استخراج و برای تهیه نقشه‌های معیار استفاده شده است ( جدول 2 ).

ابزارهای تجزیه و تحلیل ArcGIS 10 ( مجاورت، چگالی، درونیابی فضایی) در این فرآیند آماده سازی نقشه های 20 معیاری استفاده شد.

2.2.3. مدل سازی رگرسیون لجستیک

مدل سازی آماری به طور گسترده در توسعه مدل های شهری استفاده می شود. مدل‌های رگرسیون خطی و لجستیک به‌طور گسترده در مدل‌سازی رشد شهری مورد استفاده قرار گرفته‌اند و می‌توانند متغیرهای اجتماعی-اقتصادی و محیطی را به عنوان متغیرهای مستقل در خود جای دهند. تغییر شهری به دسته‌های دوتایی تقسیم می‌شود و معمولاً از مفروضات عادی پیروی نمی‌کند زیرا عوامل تأثیرگذار آن مخلوطی از متغیرهای پیوسته و طبقه‌بندی هستند. بنابراین، این مطالعه از مدل‌سازی رگرسیون لجستیک برای توسعه مدل رشد شهری استفاده کرد. بیان مدل رگرسیون لجستیک را می توان برای یافتن رابطه بین رشد شهری و عوامل محرک آن بیان کرد. تجزیه و تحلیل داده ها در سیستم اطلاعات جغرافیایی شطرنجی انجام شد

محیط. در این مورد، سلول‌های تغییر شهری دوقطبی بودند و حضور یا عدم رشد شهری را نشان می‌دادند. مقادیر باینری 1 و 0 برای نشان دادن اینکه آیا تغییر شهری رخ داده است یا خیر استفاده شد. فرض بر این است که احتمال تغییر یک سلول به کاربری شهری از منحنی لجستیک که توسط تابع لجستیک [ 27 ] توضیح داده شده است، پیروی می کند (معادله (3)).

(3)

سپس احتمال تبدیل یک سلول به کاربری شهری با رگرسیون لجستیک زیر برآورد می شود (معادله (4)):

(4)

احتمال 1 بودن متغیر وابسته Y در کجا داده شده است . X ₁ تا X _k یک متغیر مستقل است که نیروهای محرک رشد شهری را نشان می دهد. اینها فاصله ای، ترتیبی یا طبقه ای هستند و ضریب متغیر X ₁ است. برای تفسیر معنای ضرایب فوق می توان مدل لجستیک را بر حسب نسبت احتمالی که باعث تغییر شهری می شود بازنویسی کرد. لاگ نسبت logit [ 27 ] نامیده می شود.

مدل رگرسیون لجستیک در نظر گرفته شده در این پژوهش دو مقیاس فضایی یعنی مقیاس کلان (تغییر شهری) و خرد (تراکم تغییر) را ذکر کرد. بر اساس الگوی منطقه ساخته شده شهری، مقیاس کلان الگوی رشد شهری را بر حسب محل وقوع تغییر به تصویر می‌کشد. مقیاس خرد نشان داد که با استفاده از شاخص های چگالی چقدر تغییر رخ داده است. در مقیاس کلان ناحیه ای که رشد در آن صورت گرفته و الگوی آن در نظر گرفته شد. پس از آن، مدل‌های مقیاس خرد برای استخراج رابطه بین تغییرات چگالی بالا و کم استفاده شد.

2.2.4. متغیرهای وابسته و مستقل

این مطالعه بر شناسایی رشد شهری بر اساس دو مقیاس متمرکز بوده و از این رو از دو متغیر وابسته استفاده شده است. بنابراین، تنوع باینری در نظر گرفته شده در دو متغیر وابسته در جدول 3 توضیح داده شده است.

شکل 3 نشان دهنده دو نقشه باینری است که برای تعریف متغیرهای وابسته استفاده می شود.

عوامل محرک شناسایی شده بر اساس نقشه های معیار به عنوان متغیرهای مستقل در نظر گرفته شدند. بر این اساس، ابتدا 20 متغیر مستقل برای مدل استخراج شد. نقشه‌های معیار ( شکل 4 ) با استفاده از ابزارهای تحلیل فضایی برای مجاورت، چگالی و طبقه‌بندی مجدد، که در ArcGIS 10.2 یافت شده‌اند، ایجاد شده‌اند. تمامی نقشه‌های معیار با استفاده از اندازه پیکسل 10×10 متر تهیه شد

دقت بالا را حفظ کنید برای تجزیه و تحلیل داده ها از شبکه 1551 × 964 استفاده شد.

بر اساس نقشه های معیار استفاده شده در این پژوهش، متغیرهای مستقل تهیه شدند. جدول 4 متغیرهای وابسته و مستقل مورد استفاده برای تحلیل در مقیاس کلان و مقیاس خرد را نشان می دهد.

2.2.5. نمونه برداری فضایی

نمونه برداری فضایی فرآیند جمع آوری مشاهدات از یک چارچوب دو بعدی است. “به عنوان یک قانون سرانگشتی، به طور کلی مطلوب است که غلظت بالاتری از نمونه ها در جایی که اطلاعات جامع و دقیق مورد نیاز است و تعداد نمونه ها باید تا حد امکان نماینده کل جمعیت باشد” [ 28 ].

رایج‌ترین روش نمونه‌گیری که بر اساس نمونه‌گیری نقطه‌ای در یک چارچوب شبکه منظم است. در این مورد، مجموعه ای از به طور منظم فاصله

نقاط نمونه در منطقه مربع نمونه ابتدا باید مشخص شوند. نمونه گیری سیستماتیک در کاهش وابستگی مکانی موثر است، اما گاهی اوقات با این فرآیند، برخی اطلاعات قابل توجه از بین می رود. نمونه‌گیری تصادفی نیز در بازنمایی یک جمعیت مؤثر است، اما کاهش وابستگی مکانی آن کمتر است. بنابراین، ترکیبی از این دو تکنیک نمونه‌گیری، روش نمونه‌گیری مناسبی را برای نمونه‌گیری فضایی مرتبط ایجاد می‌کند و اکثر محققین از این دو روش برای تعریف نمونه مکانی استفاده کردند [ 3 ] [ 9 ] [ 26 ]. بنابراین، این پژوهش از دو روش نمونه‌گیری سیستماتیک و تصادفی برای متعادل کردن حجم نمونه و وابستگی متقابل مکانی استفاده کرد.

3. نتایج و بحث

3.1. نتایج مدل

حداقل حجم نمونه مورد نیاز رگرسیون لجستیک 15-20 مورد برای هر متغیر مستقل است و ترجیحاً حداقل نسبت موارد معتبر به متغیرهای مستقل 20:1 است [ 27 ]. مجموعه داده مدل 1، 2140 مورد را به 20 متغیر مستقل تبدیل کرده بود و نسبت 202:1 بود. بیش از تعداد موارد لازم برای متغیر مستقل است. مجموعه داده مدل 2 شامل 1706 مورد و 20 متغیر مستقل به نسبت 33:1 بود که باز هم بیشتر از تعداد موارد مورد نیاز برای مدل بود. بنابراین، نیاز به حجم نمونه پذیرفته شده در هر دو مدل خوب است. این شبیه به تحلیل رشد شهری است که توسط [ 3 ] [ 4 ] [ 26 ] و غیره انجام شده است. نتایج برای دو مدل در جدول 5 نشان داده شده است..

آزمون Omnibus ضریب مدل می‌گوید که هر دو مدل خوب به نظر می‌رسند، اما لازم است که خوب بودن برازش در مدل و اهمیت آن نیز ارزیابی شود. برای برازش مدل از برآوردگر حداکثر درستنمایی استفاده شد [ 29 ]. مقدار Chi-Square مدل 1 381.8 دارای معناداری کمتر از 0.01 و مقدار Chi-Square مدل 2 151.1 با معنی داری کمتر از 0.01 است. بنابراین می توان نتیجه گرفت که بین متغیر وابسته رابطه معناداری وجود دارد

و مجموعه ای از متغیرهای مستقل که شامل یک متغیر در این مرحله است. قدرت تأیید رابطه بین متغیرهای وابسته و متغیرهای مستقل با استفاده از R² مانند در رگرسیون چندگانه اندازه‌گیری می‌شود. اندازه گیری Cox و Snell R² مانند R² عمل می کند، با مقادیر بالاتر که نشان دهنده تناسب بیشتر مدل است. با این حال، این اندازه گیری از این جهت محدود است که نمی تواند به حداکثر مقدار 1 برسد، بنابراین Nagelkerke اصلاحی را پیشنهاد کرد که از 0 تا 1 متغیر است. اندازه گیری Nagelkerke قدرت رابطه را نشان می دهد. اصلاح Nagelkerke که از 0 تا 1 متغیر است، معیار قابل اعتمادتری برای این رابطه است. R ² Nagelkerke در مدل 1 0.412 است که نشان دهنده رابطه قوی 41.2٪ بین پیش بینی کننده ها و پیش بینی مدل و Cox و Snell R2 است ^{.0.309 است و از R 2} Nagelkerke کمتر است . نتایج مدل 2 مشابه است و برازش خوبی از داده ها را نشان می دهد. به نوعی، تناسب خوب داده ها در هر دو مدل نشان داده شده است.

به جای استفاده از آمار مناسب، بهتر است به نسبت مواردی که موفق به طبقه‌بندی صحیح شده‌اند نگاه کنید. جدول طبقه بندی نشان می دهد که چند مورد از مواردی که مقادیر مشاهده شده متغیر وابسته به ترتیب 1 یا 0 بوده اند، به درستی پیش بینی شده اند. در جدول طبقه بندی، ستون ها دو مقدار پیش بینی شده وابسته هستند، در حالی که ردیف ها دو مقدار مشاهده شده (واقعی) وابسته هستند. در یک مدل کامل، تمام موارد روی مورب و درصد کلی صحیح 100٪ خواهد بود. مدل‌های رگرسیون لجستیک برآورد شده هر دو مدل در سطح معنی‌داری 1 درصد معنی‌دار هستند. مدل 1، 74 درصد به درستی برای تغییر شهری و 76.4 درصد برای بدون تغییر طبقه بندی شده است. به طور کلی، 75.2٪ به درستی طبقه بندی شد. این یک پیشرفت قابل توجه در طبقه بندی صحیح 50٪ با مدل ثابت با پیش بینی کننده ها است و حالت قابل توجهی بهتر است. بنابراین، نرخ تغییر شهری خوب است و به این معنی است که نرخ تبدیل شهری بالا است و شهرسازی با سرعت بالایی در حال رشد است. مدل 2 مطالعه 71.4 درصد را به عنوان تغییر چگالی بالا و 63 درصد را نشان دهنده تغییر چگالی کم طبقه بندی کرد. صحت کلی چگالی تغییر در مدل 2 67.2 درصد است. این بدان معناست که طبقه بندی زمین با تراکم بالا به سرعت در حال رشد است و نرخ تبدیل شهرنشینی طبقه تراکم بالا بالا است. 4 درصد به عنوان تغییر چگالی بالا و 63 درصد تغییر چگالی کم را نشان دادند. صحت کلی چگالی تغییر در مدل 2 67.2 درصد است. این بدان معناست که طبقه بندی زمین با تراکم بالا به سرعت در حال رشد است و نرخ تبدیل شهرنشینی طبقه تراکم بالا بالا است. 4 درصد به عنوان تغییر چگالی بالا و 63 درصد تغییر چگالی کم را نشان دادند. صحت کلی چگالی تغییر در مدل 2 67.2 درصد است. این بدان معناست که طبقه بندی زمین با تراکم بالا به سرعت در حال رشد است و نرخ تبدیل شهرنشینی طبقه تراکم بالا بالا است.

آزمون آماری هاسمر و لمشو (HL Test) جایگزینی برای آزمون مربع کای است که آزمودنی ها را به 10 گروه مرتب شده تقسیم می کند و سپس تعداد واقعی در هر گروه (مشاهده شده) را با عدد پیش بینی شده توسط مدل رگرسیون لجستیک (پیش بینی شده) مقایسه می کند. آماره HL کفایت نمونه‌گیری را فرض می‌کند، با یک قاعده کلی که باید موارد کافی وجود داشته باشد تا 95 درصد سلول‌ها (معمولاً 10 گروه دهک در 2 دسته نتیجه = 20 سلول) فرکانس مورد انتظار > 0.05 داشته باشند. آمار HL هر دو مدل در سطوح معمولی اهمیت دارد. نتیجه مدل رگرسیون لجستیک برازش با 10 متغیر در جدول 6 نشان داده شده است (همه کلمات اختصاری شرح داده شده در جدول 4 ).

از بین 18 متغیر مدل 1 تنها 10 متغیر معنی دار و مدل 2 تنها 8 متغیر معنی دار را انتخاب کرد. در مدل 1 PROX_GREEN در پیش‌بینی عملکرد نوآورانه با ثبت β = 0.471، P <0.05 مثبت بود در حالی که LAND_VALUE به طور مثبت به CHANGE_URBAN در

سطوح معمولی که وزن بتا را 0.382، p <0.05 گزارش می کنند. علاوه بر این، POP_DEN به طور قابل توجهی بر نتیجه تأثیر گذاشت و مقدار ضریب β = 0.049، P <0.05 را ثبت کرد. همانطور که با نسبت شانس نشان داده شده است PROX_GREEN قوی ترین تأثیر را بر احتمال نوآوری دارد در حالی که LAND_VALUE تأثیر کمتری دارد. POP_DEN کمترین تأثیر را در مقایسه با دو متغیر مثبت دیگر دارد. افزایش واحد در PROX_GREEN بیش از 1.6 برابر افزایش در تغییر شهری دارد در حالی که افزایش واحد در LAND_VALUE شانس CHANGE_URBAN بودن را تنها 1.4 برابر افزایش می‌دهد. افزایش واحد در POP_DEN شانس CHANGE_URBAN را 1 بار نشان می دهد.

هفت متغیر دیگر در پیش‌بینی CHANGE_URBAN معنی‌دار و منفی هستند. عملکرد PROX_IND b = -0.141، p <0.05 را ثبت کرد در حالی که QNA(1) به طور منفی به CHANGE_URBAN در سطوح معمولی کمک کرد و ضریب 0.292- را گزارش کرد. ارتباط PROX_PBR و WTD برای پیش‌بینی CHANGE_URBAN با مقدار بتا -0.276- و -0.288، P <0.05 منفی و معنی‌دار است، در حالی که ضریب PROX_EMP به β = -0.375، p <0.05 کمک می‌کند. ضرایب WBZ(1) و PHY_CONS(1) به ترتیب 1.633- و 4.336 ثبت شد که در سطوح متعارف منفی معنی دار است. هنگامی که PROX_IND در نظر گرفته می شود، افزایش در این متغیر به طور قابل توجهی تغییر شهری را 0.86 برابر کاهش می دهد در حالی که افزایش QNA شانس CHANGE_URBAN بودن را تنها 0.74 برابر کاهش می دهد. افزایش واحد در PROX_PBR و WTD شانس CHANGE_URBAN را 0.759 و 0.75 برابر کاهش می دهد در حالی که PROX_EMP سهم 0.687 را نشان می دهد. افزایش واحد WBZ و PHY_CONS تاثیر ناچیز، البته قابل توجهی دارد و نسبت شانس را به ترتیب 195 و 0.013 ثبت می کند.

در مدل 2، هشت متغیر از 17 متغیر انتخاب شد ( جدول 7 ). چهار متغیر مثبت و چهار متغیر دیگر معنی‌دار منفی هستند.

در مدل 2، متغیرهای ROAD_DEN و PROX_PBR در پیش‌بینی مثبت معنی‌دار هستند و 986/0 = β و 224/0 = β را ثبت می‌کنند. p <0.05، در حالی که PROX_

GREEN و WTD به طور مثبت به CHANGE_DENSITY در سطوح معمولی کمک می‌کنند که اثر نسبتاً ضعیفی را گزارش می‌کنند (0.165، p <0.05 و 0.178). با توجه به عملکرد واحد، افزایش واحد در ROAD_DEN بیش از 2 برابر افزایش در CHANGE_DENSITY دارد در حالی که افزایش واحد در PROX_PBR شانس CHANGE_DENSITY را یک بار بیان می کند. تغییر واحد در PROX_ GREEN و WTD باعث افزایش CHANGE_ DENSITY 1.1 برابر می شود.

پنج متغیر در مدل 2 در پیش‌بینی عملکرد نوآورانه معنادار هستند. PROX_LSC با عملکرد قابل توجه است، ضبط β = -0.237، p <0.05. مقادیر بتای PROX_MC و PROX_IND 0.395-= β و 0.433-= β، p <0.05 است، در حالی که ضریب QNA 1.071-= β را نشان می دهد، با سطح p <0.05. علاوه بر این، کاهش واحد در PROX_LSC تأثیر زیادی بر کاهش CHANGE_DENSITY (به میزان 0.789 برابر) دارد. با این حال، نسبت شانس PROX_MC، PROX_IND و QNA به ترتیب 0.674، 0.649 و 0.343 است. بنابراین، PROX_LSC تأثیر قوی تری در کاهش احتمال چگالی تغییر نسبت به سه مورد دیگر دارد.

3.2. بحث

بسیاری از عوامل محرک بر رشد حاشیه کلمبو تأثیر می گذارند و شناسایی تأثیرگذارترین عوامل برای تصمیم گیری در توسعه و برنامه ریزی شهری حیاتی است. از این رو، نکته مهم بعدی بررسی عوامل محرکی است که بر رشد حاشیه شهری کلمبو تأثیر می‌گذارد، از نظر دو سؤال که باید به آنها پاسخ دهیم: “تغییر کجا باید رخ دهد؟” و “تغییر چقدر باید باشد؟” از منظر مدل سازی، این سؤالات به صورت مفهومی به تغییر شهر و تغییر تراکم تبدیل می شوند، همانطور که در زیر تعریف می شود.

CHANGE URBAN به عنوان امکان انتقال پوشش زمین از غیر شهری به شهری در هر مکانی تعریف شده است.

・ تغییر چگالی به عنوان امکان تراکم تغییر پوشش زمین در هر مکان تعریف می شود.

دو بعد فوق با استفاده از مدل‌سازی رگرسیون لجستیک مدل‌سازی شدند و نتایج به نتایج زیر منجر شد. هنگام توسعه یک مدل لجستیک، درک سیستم اصلی شهری که با زیرسیستم های پویا (اجتماعی-اقتصادی، فیزیکی و محیطی) در تعامل است مهم است (بخش 2). رگرسیون لجستیک فضایی در کمی سازی الگوی تبدیل زمین موفق بود. متغیرهای وابسته دو مرحله این پدیده را تشریح کردند و از متغیرهای مستقل برای تعیین الگوهای فضایی استفاده شد. دو متغیر وابسته در دو مقیاس با نام‌های CHANGE URBAN (سطح کلان) و CHANGE DENSITY (سطح خرد) مورد بحث قرار گرفتند. در ابتدا، 20 عامل به عنوان عوامل موثر بر تغییرات شهری بر اساس مرور ادبیات گسترده، نظرات کارشناسان، شناسایی شدند. و تجربه خود محقق در ارتباط با زیر سیستم های اجتماعی-اقتصادی، فیزیکی و محیطی. 20 عامل محرک شامل 10 عامل محرک از زیر سیستم اجتماعی-اقتصادی، 5 عامل از زیر سیستم فیزیکی و 5 عامل دیگر از زیر سیستم محیطی است. نتایج رگرسیون لجستیک نشان می دهد که 10 عامل محرک بر تغییر کاربری اراضی از غیر شهری به شهری در چهار دهه گذشته تأثیر داشته اند. سه عامل ارزش زمین، مجاورت با مناطق سبز و تراکم جمعیت عواملی بودند که بر تغییر کاربری زمین از کاربری غیر شهری به شهری تأثیر مثبت گذاشتند. از بین این سه عامل، نزدیکی به مناطق سبز بیشترین تأثیر را در تحریک رشد شهری داشت در حالی که دو عامل دیگر تأثیر جزئی داشتند.21 ] . به همین دلیل است که نزدیکی به مناطق سبز توسط صاحبان خانه بسیار ارزشمند است.

دو متغیر اجتماعی-اقتصادی که به طور مثبت بر تغییرات رشد شهری تأثیر می‌گذارند، ارزش زمین و تراکم جمعیت است. تراکم جمعیت و ارزش زمین عوامل نزدیک به هم هستند. ارزش زمین در مناطق با تراکم جمعیت پایین نسبتاً پایین است اما این مناطق دارای پتانسیل رشد بالایی هستند. فقط دو دهه پیش، مناطق حاشیه به دلیل نبود زیرساخت های فیزیکی، جمعیت کمی داشتند. در راستای استراتژی های توسعه شهری، بیشتر صنایع تولیدی به سمت حاشیه حرکت کردند و پروژه های بزرگراه های جدید از حاشیه عبور کردند. زیرساخت های فیزیکی نیز به طور همزمان توسعه یافت و تعداد بیشتری از مناطق موجود برای ایجاد فضا برای توسعه های مسکونی جدید باز شد. هفت عامل دیگر نزدیکی به صنایع، منطقه محله با کیفیت، نزدیکی به مسیرهای اتوبوس عمومی، عمق سطح آب، نزدیکی به مراکز اشتغال،

تراکم شهری به طور کلی در سرتاسر منطقه حاشیه یکسان نیست و محقق برای شناسایی عواملی که بر افزایش تراکم تأثیر داشتند، کاوش کرد. از این رو، محدوده تغییر شهری مجدداً بر اساس لکه‌های با تراکم بالا و کم مورد تجزیه و تحلیل قرار گرفت. مدل تراکم تغییر “میزان رشد شهری تغییر کرده است” را به مناطق با تراکم بالا و کم تراکم برجسته می کند. در این راستا، تراکم جاده، نزدیکی به مسیرهای اتوبوس عمومی، مجاورت با مناطق سبز و عمق سطح آب به طور مثبتی بر تغییر در مناطق پر تراکم تأثیر گذاشت. معیارهای نزدیکی به مراکز فرعی محلی، نزدیکی به مرکز اصلی، نزدیکی به صنایع و منطقه محله با کیفیت بر تراکم بالای تغییرات تأثیر منفی گذاشت. از این رو، عواملی در خرده سیستم اقتصادی-اجتماعی و خرده سیستم کالبدی بر تغییر کاربری های شهری و عواملی در زیرسیستم اقتصادی-اجتماعی تأثیرگذار بودند.

این نتایج تجربی با نظرات کارشناسان و دستیاران مقایسه شد. زمانی که این رانندگان با کارشناسان مورد بحث قرار گرفت، آنها بر این عقیده بودند که نزدیکی به مرکز شهر اصلی، نزدیکی به جاده های اصلی، نزدیکی به مسیرهای اتوبوس عمومی، نزدیکی به مدارس، نزدیکی به مراکز محلی، ارزش زمین، تراکم جاده، مسکن تراکم عوامل مؤثری هستند، اما نمی‌توانند آن‌ها را مثبت یا منفی تشخیص دهند. علاوه بر این، آنها تراکم جمعیت را عامل اصلی تأثیرگذار بر رشد شهری کلمبو طی 40 سال گذشته ذکر کردند. تمامی این عواملی که کارشناسان و اهالی ذکر کرده اند در زیر سیستم اقتصادی-اجتماعی قرار می گیرند. با این حال، یک تجزیه و تحلیل علمی به این نتیجه رسید که عوامل تحت هر سه زیر سیستم قرار دارند. نتایج علمی و نتایج حاصل از دیدگاه اهالی و کارشناسان دارای شباهت ها و همچنین تفاوت هایی بود. نتایج علمی قدرت تفکیک تأثیرات منفی و مثبت را داشت. با این حال، کارشناسان بهبود زیرساخت‌های فیزیکی، به‌ویژه توسعه شبکه جدید حمل‌ونقل شهری و دسترسی به وسایل نقلیه شخصی ارزان قیمت را از موانع گسترش توسعه شهری در منطقه کلمبو کاهش داد.

4. نتیجه گیری

این مطالعه حاشیه شهری کلمبو را در طول چهل سال گذشته با مطالعات گسترده در مورد پویایی عوامل محرک مؤثر بر رشد شهری تجزیه و تحلیل کرد. این مطالعه نشان داد که نقش کاهشی توسط عوامل فیزیکی (عمق جدول آب و منطقه حائل آب) در محدود کردن گسترش شهری در حاشیه ایفا می‌شود که نشان‌دهنده افزایش فشار توسعه در مناطق کم ارتفاع و مناطق سبز است. از آنجایی که این مناطق ریه های اکوسیستم شهری هستند، حفظ آنها برای حفظ زهکشی، تنوع زیستی و یک اکوسیستم سالم مهم است. در حال حاضر اکثر اراضی کشاورزی در حال تبدیل به کاربری های شهری هستند و وسعت شالیزارهای تغییر یافته یا متروکه قابل توجه است. برخی از آن اراضی بدون پیروی از هیچ سیاست یا دستورالعملی توسعه یافته و مورد استفاده شهری قرار گرفتند. و بنابراین باید مقررات و اقدامات قوی برای کاهش تهدیدات زیست محیطی آتی اعمال شود. علاوه بر این، همانطور که قبلا ذکر شد، توسعه زیادی در حاشیه شهری وجود داشته است که نشان دهنده یک الگوی فضایی بسیار پراکنده است [30 ] . الگوی توسعه پراکنده فضایی باعث آسیب های اکولوژیکی و محیطی بیشتری نسبت به الگوی توسعه فشرده تر می شود [ 30 ]. از این رو، مقررات برنامه ریزی دقیقی برای کنترل این الگوی پراکنده رشد شهری در حاشیه کلمبو مورد نیاز است.

 

منابع

 

[ 1 ]	Kaiser, EJ, Godschalk, DR و Chapin Jr., FS (1995) برنامه ریزی کاربری زمین شهری. چاپ چهارم، انتشارات دانشگاه ایلینویز، Champaign.
[ 2 ]	McHarg، IL (1995) طراحی با طبیعت. نسخه بیست و پنجمین سالگرد، ایالات متحده آمریکا.
[ 3 ]	لو، جی و وی، YHD (2009) مدلسازی تغییرات فضایی الگوهای رشد شهری در شهرهای چین: مورد نانجینگ. منظر و شهرسازی، 91، 51-64. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1559272
[ 4 ]	آلن، جی و لو، کی (2003) مدل‌سازی و پیش‌بینی رشد شهری آینده در منطقه چارلستون کارولینای جنوبی: یک رویکرد یکپارچه مبتنی بر GIS. محیط زیست حفاظتی، 8، 2. https://www.consecol.org/vol8/iss2/art2/
[ 5 ]	Weber, C. and Puissant, A. (2003) فشار شهری و مدلسازی رشد شهری: نمونه ای از منطقه شهری تونس. سنجش از دور محیط زیست، 86، 341-352.
[ 6 ]	Dubovyk، O.، Sliuzas، R. و Flacke، J. (2011) مدلسازی زمانی فضایی توسعه سکونتگاه غیررسمی در منطقه Sancaktepe، استانبول، ترکیه. ISPRS Journal of Photogammetry and Remote Sensing, 66, 235-246.
[ 7 ]	He, C., Okada, N., Zhang, Q., She, P. and Zang, J. (2006) مدلسازی سناریوهای گسترش شهری با جفت کردن مدل اتوماتای ​​سلولی و مدل دینامیک سیستماتیک در پکن چین. جغرافیای کاربردی، 26، 323-345.
[ 8 ]	Hu, Z. and Lo, CP (2007) مدلسازی رشد شهری در آتلانتا با استفاده از رگرسیون لجستیک. کامپیوترها، محیط زیست و سیستم های شهری، 31، 667-688.
[ 9 ]	Huang, B., Zhang, L. and Wu, B. (2009) تجزیه و تحلیل مکانی – زمانی تبدیل زمین روستایی – شهری. مجله بین المللی علوم اطلاعات جغرافیایی، 23، 379-398. https://doi.org/10.1080/13658810802119685
[ 10 ]	Reilly, MK, O’Mara, MP و Seto, KC (2009) از بنگلور تا منطقه خلیج مقایسه حمل و نقل و دسترسی به فعالیت به عنوان محرک های رشد شهری. منظر و برنامه ریزی شهری، 92، 24-33.
[ 11 ]	Wu, B. and Fung, T. (2009) طرح الگوهای تغییر کاربری زمین با استفاده از نفوذ لجستیک هسته. مهندسی فتوگرامتری و سنجش از دور، 75، 971-979. https://doi.org/10.14358/PERS.75.8.971
[ 12 ]	Ye, Y., Zhang, H., Liu, K. and Wu, Q. (2011) تحقیق در مورد تأثیر عوامل سایت بر گسترش زمین های ساختمانی در دلتای رودخانه پرل چین: با استفاده از GIS و سنجش از دور. مجله بین المللی رصد و ژئوفرماسیون کاربردی زمین، 21، 366-373.
[ 13 ]	Dewan، AM و Yamaguchi، Y. (2009) تغییر کاربری زمین و پوشش زمین در داخای بزرگ بنگلادش: استفاده از سنجش از دور برای ترویج شهرنشینی پایدار. جغرافیای کاربردی، 29، 390-401.
[ 14 ]	یانگ، ایکس و لو، CP (2003) مدل‌سازی رشد شهری و تغییرات چشم‌انداز در منطقه شهری آتلانتا. مجله بین المللی علوم اطلاعات جغرافیایی، 17، 463-488. https://doi.org/10.1080/1365881031000086965
[ 15 ]	روی، ام. (2009) برنامه ریزی برای شهرنشینی پایدار در شهرهای با رشد سریع: مسائل مربوط به کاهش و انطباق در داکا، بنگلادش. Habitat International, 33, 276-286.
[ 16 ]	Fan, F. and Fan, W. (2014) درک الگوی گسترش شهری مکانی-زمانی (1990-2009) با استفاده از داده های سطحی نفوذناپذیر و شاخص های چشم انداز: مطالعه موردی در گوانگژو (چین). مجله سنجش از دور کاربردی، 8، شناسه مقاله: 083609.
[ 17 ]	Seto, KC, Fragkias, M., Guneralp, B. and Reilly, MK (2011) A Meta-Analysis of Global Urban Land Expansion. PLoS ONE, 6, e23777. https://doi.org/10.1371/journal.pone.0023777
[ 18 ]	Long, H., Tang, G., Li, X. and Heilin, GK (2007) نیروهای محرک اقتصادی اجتماعی تغییر کاربری زمین در Kunshan، منطقه اقتصادی دلتای رودخانه یانگ تسه چین. مجله مدیریت محیط زیست، 83، 351-364.
[ 19 ]	Cheng, J. and Masser, I. (2003) مدلسازی الگوهای رشد شهری: دیدگاه چند مقیاسی. Environment and Planning A, 35, 679-704. https://doi.org/10.1068/a35118
[ 20 ]	دادرس م.، شفری، اچ. مجله مصری سنجش از دور و علوم فضایی، 18، 35-52.
[ 21 ]	Dadhich، PN و Hanaoka، S. (2011) مدل سازی رشد شهری فضایی-زمانی جیپور، هند. مجله فناوری شهری، 18، 45-65. https://doi.org/10.1080/10630732.2011.615567
[ 22 ]	Poelmans, L. and Van Rompaey, A. (2009) تشخیص و مدلسازی الگوهای فضایی پراکندگی شهری در مناطق بسیار پراکنده: مطالعه موردی در منطقه فلاندر-بروکسل. منظر و شهرسازی، 93، 10-19.
[ 23 ]	UN Habitat (2012) تبدیل چشم انداز شهری سریلانکا به سیاست و اقدام. مقاله سیاست، دفتر بانک جهانی کلمبو.
[ 24 ]	مایکل، JH و ریچارد، JA (2000) اطلاعات مکانی برای مدیریت کاربری زمین. Gordon & Breach Science Publishers. https://www.thefreedictionary.com/exurban
[ 25 ]	Weerakoon, P. (2017) تحلیل رشد شهری مکانی-زمانی با استفاده از تحلیل گرادیان شهری یکپارچه GIS; ناحیه کلمبو، سریلانکا مجله آمریکایی سیستم های اطلاعات جغرافیایی، 6، 83-89.
[ 26 ]	چنگ، جی کیو (2003) مدلسازی رشد شهری فضایی و زمانی. پایان نامه دکتری، دانشگاه اوترخت، اوترخت. https://www.itc.nl/library/Papers_2003/phd_theses/cheng_jianquan.pdf
[ 27 ]	Hosmer Jr., DW, Lemeshow, S. and Sturdivant, RX (2013) رگرسیون لجستیک کاربردی. نسخه سوم، جان وایلی و پسران، هوبوکن، نیوجرسی. https://doi.org/10.1002/9781118548387
[ 28 ]	دلمل، ای. (2008) فصل. 10. نمونه برداری فضایی. در: Fotheringham, AS and Rogerson, PA, Eds., Sage Handbook of Spatial Analysis, Sage Publication, The Cromwell press Ltd, UK.
[ 29 ]	Field، A. (2009) کشف آمار با استفاده از SPSS برای ویندوز. چاپ دوم، انتشارات سیج، لندن.
[ 30 ]	Li., X., Zhou, W. and Ouyang, Z. (2013) چهل سال توسعه شهری در پکن: اهمیت نسبی عوامل فیزیکی، اجتماعی و اقتصادی و همسایگی چیست؟ جغرافیای کاربردی، 38، 1-10.