شهرها اغلب تفکیک درآمد مسکونی را نشان می دهند، و قیمت مسکن به طور کلی با دسترسی به اشتغال مرتبط است، اما چگونه این عوامل تلاقی می کنند؟ ما سیدنی بزرگ، استرالیا، منطقه شهری با 5 میلیون نفر را تجزیه و تحلیل می کنیم. مشخص شده است که سیدنی به طور معقولی دارای دسترسی شغلی با ماشین است که منعکس کننده ماهیت چندمرکزی فزاینده شهر مدرن است. با این حال، همچنین تفکیک درآمد قابل توجهی و واریانس در قیمت املاک بین نقاط مختلف شهر را نشان می دهد. آنتروپی برای بررسی تنوع و اختلاط گروه های درآمدی مختلف استفاده می شود. در نهایت، مدل‌های قیمت لذت‌گرا با استفاده از حداقل مربعات معمولی و تکنیک‌های رگرسیون وزن‌دار جغرافیایی، اثرات متفاوت دسترسی به اشتغال را بر قیمت خانه در بخش‌های مختلف شهر نشان می‌دهند.

کلید واژه ها: 

دسترسی _ رگرسیون دارای وزن جغرافیایی قیمت خانه ؛ مدل های جاذبه ; مدل های قیمت لذت بخش

1. مقدمه

نابرابری در دسترسی در شهرها حاکی از عدم تطابق فضایی خدمات، فعالیت‌ها و جمعیت است که ممکن است نابرابری را تشدید و تحمیل کند [ 1 ، 2 ، 3 ، 4 ]. دسترسی نابرابر به اشتغال به ویژه جلوه های ملموسی در ساختارهای اجتماعی-اقتصادی شهر دارد [ 1 ]. این تأثیرات نامتناسبی بر گروه‌های کم‌درآمد و قومی [ 1 ]، در دسترس بودن مسکن ارزان قیمت [ 5 ، 6 ]، تقویت چرخه‌های فقر [ 4 ، 7 ] و نتایج متفاوت گروه‌های جمعیتی دارد که به صورت فرانسلی ادامه می‌یابند [ 8 ] ].
درک میزان مشاهده تغییرات در دسترسی در شهرها، و نحوه توزیع فضایی این تغییرات، اساس تحقیقات این مقاله را تشکیل می دهد. به طور خاص، این سوال می‌پرسد که چگونه دسترسی ممکن است با تغییرات در توزیع درآمد محلی و قیمت خانه مرتبط باشد. قیمت‌های ملک، هم ویژگی‌های ملکی فردی و هم ویژگی‌های مکانی را در یک رقم واحد برمی‌شمارند. یک بخش کلیدی از این ویژگی های مکانی، دسترسی به منطقه است [ 9 ، 10]. با این کار، هم درآمد و هم قیمت ملک را می توان به عنوان جزئی از سازمان یک شهر در نظر گرفت. این مقاله به این سؤال می‌پردازد که آیا دسترسی در ارزیابی مناطق با قیمت بالا در نظر گرفته می‌شود، و اگر چنین است، آیا مناطق با دسترسی بالا منحصراً برای یک گروه جمعیتی ثروتمندتر باقی می‌مانند.
شهر مورد توجه ما، سیدنی، استرالیا، یکی از کم‌هزینه‌ترین شهرهای جهان در نظر گرفته می‌شود [ 11 ]، و جداسازی در سیدنی در حال افزایش است [ 12 ]. به این ترتیب، با توجه به کمبود تحقیقات موجود، داشتن درک بهتری از پیوند بین دسترسی، تفکیک درآمد و قیمت خانه در این زمینه مهم است. علاوه بر این، در چارچوب هدف سازمان ملل متحد برای دستیابی به توسعه اقتصادی فراگیرتر در شهرها، هدف توسعه پایدار 11، درک این پویایی‌ها ممکن است به طور گسترده‌تری به سیاست‌ها و برنامه‌ریزی مسکن هدفمندتر و همچنین مداخلات کمک کند.

2. اهداف تحقیق

بخش بعدی کار مرتبط قبلی و چارچوب نظری را ارائه می دهد ( شکل 1) برای تحلیل این مقاله از دسترسی و تفکیک درآمد. سپس، روش‌ها به سه هدف تحقیق می‌پردازند. ابتدا، توزیع فضایی گروه‌های درآمدی در سیدنی کمی و تجسم شده است تا مشخص شود آیا مواردی از تفکیک درآمد آشکار است یا خیر. در اینجا، آمار آنتروپی به عنوان معیاری برای تنوع درآمد در مناطق استفاده می شود. و روابط آنها با نسبت نسبی گروه های درآمدی مختلف در نظر گرفته شده است. در مرحله بعد، این گروه‌های درآمدی با توجه به تغییرات فضایی دسترسی به اشتغال تجزیه و تحلیل می‌شوند. همانطور که در بالا بحث شد، دسترسی ضعیف مانعی برای حرکت رو به بالا است. بنابراین، تعیین اثرات بر گروه های کم درآمد برای دستیابی به برابری شهری و اجتماعی اساسی است. در آخر،

3. بررسی ادبیات

3.1. دسترسی

دسترسی یک جزء حیاتی و در عین حال پیچیده از محیط ساخته شده است. این معیاری است که از ترکیب ابعاد کاربری زمین، ساختارهای شبکه و توزیع جمعیت [ 13 ] برای توصیف اینکه چگونه جمعیت می‌تواند با استفاده از شبکه به کاربری‌های زمین برسد، ناشی می‌شود. برای توضیح و توصیف تحرک شهری در سیستم‌های شهری، که شامل جنبه‌های برنامه‌ریزی مکان و توزیع تسهیلات، رشد عادلانه شهری، و همچنین به‌عنوان معیاری قابل اندازه‌گیری برای تصمیم‌گیری‌های سیاستی استفاده می‌شود [ 14 ، 15 ، 16 ، 17 ] استفاده می‌شود. گنجاندن مشترک آن در این مطالعات نشان دهنده قدرت آن در نمایش فرآیندهای پیچیده شهری در یک متریک قابل تفسیر در جغرافیای مختلف است [ 18 ]، 19 ]. این امر از مطالعات متعددی که اکنون تجزیه و تحلیل‌های دسترسی را برای بحث در مورد مسائل مربوط به تأمین منابع و زیرساخت [ 20 ] و تصمیم‌گیری در مورد استفاده از زمین عملیاتی کرده است، نشان می‌دهد [ 21 ، 22 ، 23 ، 24 ]. نگرانی های سیستمی برابری شهری [ 20 ، 25 ]، تفکیک اجتماعی [ 26 ، 27 ، 28 ]، و برنامه ریزی برای آینده توسعه جایگزین [ 29 ، 30 ]. با توجه به اهمیت آن در شهرها، درک دسترسی بنابراین ابزار قدرتمندی برای ارزیابی و بازجویی از سیاست‌های رشد شهری فراهم می‌کند.
بسیاری از مطالعات نشان داده‌اند که چگونه قیمت‌های زمین و ملک با تغییر توزیع فضایی امکانات و فعالیت‌های شهری تنظیم می‌شوند [ 31 ، 32 ]. اخیراً، در استرالیا، پتیت و همکاران. [ 10 ] و لیسک و همکاران. [ 33 ] تلاش‌های تحقیقاتی در این حوزه را هدایت کرده‌اند. هر دو تأثیر عمیق سیاست ها و تصمیمات زیرساخت شهری بر ارزش املاک در دنیای واقعی را برجسته کرده اند. و کار آنها در برشمردن سهم ویژگی‌های فردی و متغیرهای همسایگی در ارزش‌های دارایی، پیامدهای زیادی بر استفاده از داده‌های قابل اندازه‌گیری برای اثبات تصمیم‌های سیاست‌گذاری داشته است. به طور مشابه، کار قبلی مولی [ 9] ارتباط بین دسترسی و روش های حمل و نقل را در ایجاد تغییرات ارزش ملک در سیدنی بررسی کرد. مشخص شد که تناسب در این تغییرات یکنواخت نبوده و در مکان‌های مختلف قابل تغییر است.
در همین راستا، هدف این مقاله گسترش گفتمان از طریق افزودن قابلیت دسترسی به عنوان متغیری است که مکمل آنهایی است که توسط پتیت و همکاران استفاده شده است. [ 10 ] و مولی [ 9 ]. با توجه به پیوندهای ثابت شده آن با بهره وری اقتصادی و تحرک رو به بالا [ 1 ، 34 ، 35 ، 36 ، 37 ]، دسترسی به اشتغال به طور خاص در نظر گرفته می شود. سهم مهمی برای تحلیل انجام شده در این مقاله، در نظر گرفتن نابرابری اجتماعی با بررسی لایه درآمد محله سیدنی و چگونگی انعکاس آن در ارزش‌های دارایی است.

3.2. تفکیک درآمد و قیمت خانه

بخش فوق به طور مختصر در مورد اثرات متعدد دسترسی بحث شده است. از لحاظ موضوعی، بحث مسائل مربوط به تفکیک مداوم، محدودیت‌های کاربری زمین، و موانع برای تحرک رو به بالا در میان گروه‌های جمعیتی محروم را ارائه کرد. اینها چند موضوع هستند که برجسته ترین آنها در ادبیات موجود ذکر شده است [ 38 ، 39 ]. در واقع، دسترسی متفاوت و تأثیرات متنوع آن بر شکل و عملکرد شهر به دلایل متعدد مهم است. جغرافیاها همگن نیستند و تغییرات فرامحلی موجود پیامدهای گسترده ای بر ساختار سیستم شهری و معیشت ساکنان آن دارد [ 25 ]. بنیستر [ 40 ] و فرینگتون [ 41] اشاره کرد که حکمرانی شهری ماهرانه مستلزم درک دقیق این تغییرات فرامحلی است تا انبوهی از عدم تعادل های اجتماعی-اقتصادی را بیان کند که مسلماً به دلیل کاهش دسترسی به وجود آمده است. آنها ایده «فقر دسترسی» را به عنوان یک وضعیت شهری ملموس مطرح می کنند. پرداختن به این یک چالش کلیدی برای تمام سطوح حکمرانی و برنامه ریزی شهری است [ 41 ] (ص. 324).
محور این مفهوم این است که دسترسی ضعیف همراه با افزایش انزوا است. تغییرات در توزیع فضایی منابع، امکانات ضروری و عملکردهای حیاتی شهری باعث ایجاد نابرابری هایی می شود که ممکن است به طور همزمان فرصت ها (به عنوان مثال، اشتغال، آموزش، مراقبت های بهداشتی، تفریح) را به گروه های جمعیتی خاص به دلیل موقعیت آنها ارائه یا محدود کند [ 25 ]. ، 42 ، 43 ، 44]. در نتیجه، هزینه های متفاوتی در سراسر سیستم شهری تحمیل می شود. گروه‌هایی که در مناطق کم دسترسی زندگی می‌کنند اغلب به‌طور نامتناسبی از طریق هزینه‌های متعدد، که شامل افزایش هزینه‌های مالی سفر طولانی، علاوه بر زیان‌های بحرانی در زمان و هزینه‌های فرصت برای غلبه بر این کمبودها می‌شود، دچار مشکل می‌شوند [ 34 ، 45 ، 46 ، 47 ، 48 ].
زمانی که دسترسی کم با درآمد کمتر همراه باشد، هزینه های متفاوت بیشتر آشکار می شود [ 49 ]. با در نظر گرفتن مثال خاص از دسترسی به فرصت‌های شغلی، مشخص شد که هزینه‌های متفاوت جابجایی متحمل شده توسط جوامع تفکیک‌شده و کم‌درآمد، با وجود در دسترس بودن درآمدهای بالقوه بالاتر، تأثیر نامطلوبی در محدود کردن جستجوی شغل به مناطق نزدیک دارد. [ 49 ]. فاصله‌ها نقش بزرگی در این انتخاب‌ها بازی می‌کند، به‌ویژه که این گروه‌های جمعیتی اغلب با توجه به ماهیت تک‌تک شغلشان به راحتی بیشتری برای سفر نیاز دارند [ 49 ، 50 ، 51 ]. جولیانو و اسمال [ 51] همچنین گزارش داد که مؤسسات استخدام کننده اغلب مسافت رفت و آمد را به عنوان مانعی برای استخدام نیروی کار در نظر نمی گیرند. از این رو، معمولاً هیچ انگیزه قوی برای افزایش نزدیکی شغل از طریق توزیع مجدد فضایی اشتغال وجود ندارد. همراه با کاهش درآمد، مشخص می‌شود که موضوع دسترسی ضعیف می‌تواند مجازات‌کننده‌تر باشد. اثرات طولانی‌مدت آن در جیب‌های شهری اغلب مقدم بر گتو شدن افراد کم‌درآمد است [ 34 ، 52 ].
استفاده از مقادیر دارایی ممکن است در بررسی این مسائل با جزئیات دقیق تر مفید باشد. قیمت خانه نقش مهمی در کمک به انزوای گروه‌های جمعیتی دارد [ 53 ] – در جایی که مسکن مقرون‌به‌صرفه با کسری مواجه است، جداسازی تشدید می‌شود و دسترسی به محله‌های خدمات بهتر دست نیافتنی یا دشوار می‌شود. علاوه بر این، تمرکز فزاینده ثروتی که از مالکیت خانه انباشته می شود، مزایای بین نسلی قابل توجهی را به همراه دارد [ 54 ]. سپس این امر می تواند مقرون به صرفه بودن را در این جیب های شهری کاهش دهد [ 52]، و با افزایش نامتناسب ثروت در طول زمان، همان مسائل نابرابری تکرار می شود. بررسی اینکه آیا قیمت مسکن می‌تواند به عنوان نماینده‌ای برای تعیین تفاوت درآمد و دسترسی در محله‌ها مورد استفاده قرار گیرد، ارزش دارد. در واقع، مطالعات کمی این روابط خاص را بررسی کرده اند، علیرغم اینکه موضوع بحث طولانی مدتی بوده است [ 55 ].

3.3. نابرابری درآمد و ثروت در استرالیا

در [ 56 ]، کمیسیون بهره وری دولت استرالیا گزارشی را منتشر کرد که نابرابری را بررسی می کرد – با پررنگ ترین توزیع درآمد و ثروت – طی یک دوره زمانی بین سال های 1988 و 2016. این گزارش نتیجه گرفت که نابرابری در استرالیا فقط افزایش اندکی داشته است. در سه دهه گذشته، همانطور که رشد اقتصادی پایدار استرالیا کاهش یافته است [ 56 ]. همچنین فرض شد که رشد قابل‌توجهی در تمام گروه‌های اجتماعی-اقتصادی تحلیل‌شده مشاهده شد. و با نابرابری هایی که در مقایسه با سایر کشورهای توسعه یافته در سطح کمتری دیده می شود [ 56 ]. با این حال، از زمان انتشار آن، گزارش ها این یافته ها را به چالش کشیده اند [ 55 ، 57 ، 58]. آنها به ساده سازی بیش از حد و کم اهمیت جلوه دادن این نابرابری ها هشدار می دهند که پیچیدگی واقعی چالش های نابرابری را که استرالیایی ها با آن مواجه هستند پنهان می کند.
در یک نمایش دقیق تر از این نابرابری، افزایش درآمدهای قابل تصرف در پردرآمدترین افراد کشور در مقایسه با پایین ترین گروه درآمدی 5 درصد، اکنون به ضریب بیش از 25 رسیده است [ 55 ]. نابرابری های درآمدی نیز نابرابرتر از معیارهای جهانی منتشر شده توسط سازمان همکاری اقتصادی و توسعه (OECD) [ 55 ] بود. این انتقادات در رأس انتقاداتی قرار می گیرد که توسط گیتینز [ 59 ] مطرح شده بود، که ثابت کرد نرخ فقر در استرالیا علیرغم رشد درآمد واقعی، در واقع پیشرفت های ناچیزی را نشان می دهد. در مجموع 40 درصد از کم درآمدترین افراد استرالیا به رفاه اجتماعی، علاوه بر اشتغال کم – تمام وقت و پاره وقت – وابسته هستند [ 55]؛ در حالی که، در مقابل، ثروت در رده های بالای درآمدی استرالیا بیش از چهار برابر شد [ 42 ].
پیشنهاد شد که بخش بزرگی از این اختلافات به دلیل افزایش زیاد قیمت مسکن ناشی از سرمایه گذاری های سرمایه ای در اواسط دهه 2000 است [ 55 ، 58 ]. این نابرابری ثروت در کشور را تشدید کرد، زیرا گروه‌های طبقه بالا و متوسط، که سرمایه بیشتری برای سرمایه‌گذاری در دارایی دارند، شاهد افزایش ثروت بودند، در حالی که خانواده‌های کم‌درآمد، سود ناچیزی در ثروت داشتند [ 59 ]. بالاترین گروه‌های اجتماعی-اقتصادی استرالیا به طور متوسط ​​دارایی‌های تقریباً 1.95 میلیون دلاری استرالیا در مقایسه با 0.3 میلیون دلار استرالیا در گروه‌های کم درآمد دارند [ 55 ].]. برای افرادی که درآمد بالاتری دارند، 80 درصد از ثروت آنها شامل املاک به عنوان دارایی است که تقریباً 40 درصد به عنوان محل سکونت اصلی و 12 درصد اضافی به عنوان املاک سرمایه گذاری طبقه بندی می شود [ 42 ، 58 ]. این ارقام در تضاد کامل با میانگین 16 درصدی است که توسط گروه‌های درآمد پایین‌تر در کل دارایی [ 55 ] نگهداری می‌شود.
از یافته‌های بالا واضح است که نقش عمده‌ای که دارایی در توزیع ثروت در استرالیا ایفا می‌کند نیازمند بررسی بیشتر است. شاید آنچه در تحقیقات انجام شده توسط دیویدسون و همکارانش بسیار چشمگیر باشد. [ 55] میزان وابستگی خانوارهای کم درآمد به اشتغال پاره وقت و تمام وقت و همچنین پرداخت های رفاهی است، در مقایسه با جریان های درآمدی غیرفعال تر که از طریق دارایی برای آن گروه های اجتماعی-اقتصادی بالا در دسترس است. برای اینکه حکمرانی شهری تغییرات در سیاست‌ها را برای اصلاح این نابرابری‌ها تسهیل کند، نهادهای حاکم باید تغییرات محلی در دسترسی به مشاغل و اشتغال در سطح منطقه را درک کنند، علاوه بر این که چگونه این عوامل با توجه به اهمیت نامتناسب آنها برای گروه‌های کم درآمد، جداسازی اجتماعی-اقتصادی را تحریک می‌کنند. این امر به این امکان را می دهد که به طور سیستماتیک تری در نظر بگیریم که چگونه محیط ساخته شده را می توان از وضعیت فعلی خود به بهترین شکل شکل داد تا این جوامع را ارتقا بخشد. مسلماً، این مسائل همه چند وجهی هستند و شاید نتوان آنها را به طور کامل در یک معیار شهری نشان داد. با این حال،

4. داده ها

تعدادی از مجموعه داده ها برای بررسی روابط فوق استفاده شد. جدول 1 فهرستی از این مجموعه داده ها و منابع آنها را ارائه می دهد. این موارد در بخش‌های فرعی مربوطه با توجه به کاربرد خاص آنها به عنوان اجزاء در تحلیل‌های پایین دستی گسترش یافته است.

4.1. داده های سرشماری

مجموعه داده‌های سرشماری از اداره آمار استرالیا (ABS)، که شامل متغیرهای همسایگی در درآمد متوسط ​​و پیشرفت تحصیلی، و همچنین نرخ اشتغال و جرم و جنایت است، استفاده شد. این شاخص های همسایگی در هر دو سطح منطقه آماری 1 (SA1) و منطقه آماری 2 (SA2) از ABS در دسترس هستند. SA1ها، سطح اولیه تجزیه و تحلیل در این مقاله، از نظر اندازه متغیر با جمعیت متوسط ​​420 نفر و مساحت 0.125 کیلومتر مربع در سیدنی بزرگ هستند. علاوه بر مجموعه داده های فوق، داده های دقیق تری در مورد درآمد شخصی و جریان های رفت و آمد نیز از ABS به دست آمد. اینها اجزای جدایی ناپذیر مدلسازی دسترسی را تشکیل می دهند و استفاده از آنها در بخش های فرعی زیر مورد بحث قرار می گیرد.

4.1.1. داده های درآمد شخصی

داده های درآمد برای سال سرشماری 2016 در سطح SA1 برای کل منطقه شهری سیدنی بزرگ به دست آمد. مجموعه داده به مجموعه داده درآمد شخصی کل ABS، INCP، اشاره دارد که درآمد شخصی ناخالص دریافتی هر هفته توسط یک فرد را جمع آوری می کند [ 60 ]. داده ها توسط محل سکونت معمول یک فرد فیلتر شد تا مکان های مسکونی آنها را منعکس کند. INCP 17 گروه درآمدی را ارائه کرد که بین 0 تا بیش از 3000 دلار استرالیا در هفته متغیر بود. این محدوده ها در سه گروه درآمد نسبی، با آستانه درآمد اقتباس شده از شورای خدمات اجتماعی استرالیا [ 61 ] و شورای اموال استرالیا [ 62 ] تجمیع شدند.]. گروه های کم درآمد در این مطالعه به عنوان افرادی با درآمد شخصی کمتر از 649 AUD در هفته تعریف می شوند. گروه های با درآمد متوسط ​​بین 650 AUD تا 1999 AUD در هفته متغیر بودند. و گروه های پردرآمد کسانی بودند که درآمدشان بالاتر از این آستانه ها بود. توزیع این محدوده های درآمدی در شکل 2 نشان داده شده است. هر دو گروه درآمد کل و نسبت های نسبی سرشماری آنها در نظر گرفته شده است. در مجموع 1.5 میلیون کم درآمد-( ایکس¯ل_تی�آجتی=0.471) 1.3 میلیون با درآمد متوسط-( ایکس¯متر_تی�آجتی=0.376) و 0.4 میلیون پردرآمد—( ایکس¯ساعت_تی�آجتی=0.153) افراد در مجموعه داده شمارش شدند و اندازه مجموعه داده ها را به حدود 3.2 میلیون نفر رساندند.
4.1.2. سفر به محل کار
داده های رفت و آمد نیز برای سال سرشماری 2016 از ABS به دست آمد. این به ویژه به مجموعه داده Journey to Work اشاره دارد، که شامل تعداد ثبت شده افراد گزارش شده از یک سطح SA1 “محل اقامت معمول” به یک منطقه مقصد (DZN) در سطح “محل کار” است. مناطق DZN از مرزهای بلوک مش ساخته می شوند، اما مرز آماری در نظر گرفته نمی شوند [ 63]. مجموعه داده شامل جریان های جمعیتی گزارش شده در کل منطقه شهری سیدنی بزرگ است. 11171 SA1 و 2233 ورودی DZN در مجموعه داده ذکر شد. تقریباً 1.21 میلیون نفر در این داده ها با توجه به جریان های فردی آنها برشمرده شده اند که معادل تقریباً 25 میلیون سفر فردی بین همه مناطق مبدا و مقصد است. یک بازرسی گذرا از مجموعه داده Journey to Work نشان می‌دهد که مرکز شهر سیدنی و اطراف آن، با تقریباً 25 درصد از کل جریان، مرکز اصلی اشتغال هستند. سایر مکان های اشتغال با تراکم نسبتاً بالا جریان جمعیت عبارتند از پاراماتا، سیدنی شمالی، کمبل تاون و گاسفورد. توزیع جریان ها تغییرات کمتری را در سایر مناطق DZN نشان می دهد.
مجموعه داده Journey to Work برای به دست آوردن ظرفیت مبدا و مقصد بیشتر توسعه یافت. و این را می توان از مجموع جریان ها در هر دو منطقه مبدا و مقصد به دست آورد. ورودی های آنها در مدل دسترسی توسعه یافته در بخش بعدی مورد بحث قرار خواهد گرفت. سپس ماتریس جریان به یک قاب داده ساده تغییر ساختار داد، که مجموعه داده را قادر می‌سازد توسط کدهای ناحیه مربوطه خود به بردارهای مرزی SA1 و DZN مناسب ملحق شوند. این لایه داده با داده‌های برداری اختصاصی ردپاهای خانه به‌دست‌آمده از Geoscape تقسیم‌بندی شد تا خوشه‌ای با بیشترین تراکم خانه‌ها در هر مرز مشخص شده شناسایی شود. یک مرکز با وزن متوسط ​​در هر خوشه ساختمان SA1 و DZN اضافه شد تا یک نقطه واحد برای هر منطقه مبدا-مقصد به دست آید ( شکل 3).

4.2. شبکه راه

شبکه حمل و نقل برای منطقه سیدنی بزرگ از مخزن GeoFabrik (سایت موجود در https://geofabrik.de/ ، قابل دسترسی در: 28 ژوئن 2021) از ویژگی های OpenStreetMap (OSM) در 5 اوت 2020 است. همه لایه های داده OSM در داخل منطقه فرعی استرالیا انتخاب شد که شامل مجموعه داده برداری جداگانه از تمام خطوط حمل و نقل در منطقه بود. سپس مجموعه داده در دو مرحله پردازش شد تا یک شبکه جاده ای کاربردی برای سیدنی بزرگ به دست آید. ابتدا یک زیرمجموعه فضایی از داده ها با فایل های مرزی به دست آمده از ABS ایجاد شد. مرزهای برداری توسط ویژگی کد منطقه فردی آنها، ‘ 1GSYD فیلتر شدندبرای برگرداندن تنها داده های منطقه سیدنی بزرگ. شبکه حمل و نقل کامل OSM به این مرز قطع شد تا تمام ویژگی های خط در سیدنی بزرگ به دست آید ( شکل 4 ). در مرحله بعد، شبکه حمل و نقل بزرگ سیدنی از طریق ویژگی های آنها فیلتر شد تا شبکه قابل عبور توسط وسایل نقلیه به دست آید. این کلاس های خاص از توضیحات فراداده ارائه شده توسط Topf [ 64 ] تعریف شدند. این فرآیند داده‌های خطی را برای حالت‌های حمل‌ونقل نامناسب مانند راه‌های مهار، دوچرخه‌سواری، و پیاده‌روی فقط برای عابر پیاده حذف کرد. لازم به ذکر است که کلیه خطوط حمل و نقل طبقه بندی نشده نیز در تشکیل شبکه راه ها گنجانده شده است. توزیع نوع جاده و طول کل راه در جدول 2 آمده است.
شبکه جاده‌ای به‌دست‌آمده برای تصحیح هر گونه خطای توپولوژیکی پردازش شد. این فرآیند شامل اصلاح رئوس بیش از حد، همپوشانی ها، خود تقاطع ها، شبه گره ها و جزایر جاده های قطع شده بود. همه تقاطع های خطوط برای به دست آوردن تمام ویژگی های لبه ممکن با توجه به کمبود داده های جانبی مطالعه برای تصحیح همه مسیرهای پیوسته ممکن تقسیم شدند. این بدان معنی است که ممکن است برخی از تقاطع‌های کاذب در جایی که دو جاده در سطوح مختلف با یکدیگر تلاقی می‌کنند معرفی شده باشند، با این حال تعداد این پل‌ها در سیدنی نسبتاً کم است و تمام خطاهای ناشی از مشخصات فوق به طور مساوی در سراسر شبکه اعمال می‌شوند. برای اطمینان از اتصال کامل شبکه جاده‌ای به‌دست‌آمده، یک الگوریتم تشخیص تقاطع تکراری توسعه و پیاده‌سازی شد تا تمام اتصالات لبه ممکن را به دست آورد. در این الگوریتم، تمام ویژگی‌های «بزرگراه» برای انتخاب مکرر تمام تقاطع‌های جاده‌ای تا مرزهای سیدنی بزرگ استفاده شد. همه خوشه‌های انتخاب نشده (یعنی جزایر جاده‌ای قطع شده) از تجزیه و تحلیل بعدی حذف شدند.شکل 4 یک زیر منطقه کوچک از شبکه تمیز شده را نشان می دهد.
شبکه جاده پردازش شده برای محاسبه فاصله شبکه بین هر نقطه مبدا و مقصد استفاده شد. یک محاسبه فاصله مبتنی بر شبکه به دلیل ماهیت ناهمسانگرد محیط ساخته شده بر فواصل اقلیدسی ترجیح داده شد. این امر به ویژه برای سیدنی بزرگ مناسب است، زیرا این شهر دارای ویژگی های توپولوژیکی مهمی است که مناطق نزدیک را از هم جدا می کند. شکل 5 این مشکل را نشان می دهد، با توده های آبی خلیج ملوان و خلیج درخت هلو که در غیر این صورت حومه های نزدیک را از هم جدا می کنند.

4.3. قیمت خانه

داده های قیمت مسکن مورد استفاده در این مطالعه از مانیتور املاک استرالیا (APM) به دست آمده است. این پایگاه داده شامل تقریباً 1.82 میلیون فروش ملک در بازه زمانی 2006 تا 2020 است . شکل 6تغییر قیمت فروش خانه ها را در بازه زمانی فوق نشان می دهد. زیرمجموعه ای از قیمت مسکن معامله شده در دو سه ماهه سال 2016 استفاده شد که شامل 32068 نقطه داده قیمت مسکن بود. این محدوده تاریخ مطابق با داده های سرشماری استفاده شده انتخاب شد. مجموعه داده شامل تعداد زیادی متغیر مجزا برای هر دارایی است که اطلاعات کلیدی در مورد ویژگی های فیزیکی، توزیع زمانی فروش و قیمت های فروش قراردادی به ویژه مربوط به این مطالعه است. این داده‌های فروش شامل فروش خانه و واحد (همچنین به عنوان آپارتمان) می‌شد – که از آن‌ها فقط خانه‌ها استفاده شد.
مجموعه داده در چندین مرحله پردازش شد تا مسائل مربوط به تورم صفر در پایین دست را نفی کند. و برای حذف مقادیر پرت قیمت. مقادیر پرت به عنوان قیمت هایی تعریف شد که ≤2.5 درصد یا ≥97.5 درصد در محدوده قیمت مسکن باشد. سپس تمام ورودی‌های دارایی با استفاده از فایل آدرس ملی با داده‌های باز (G-NAF) که از طریق Geoscape استرالیا در دسترس است، جغرافیایی کدگذاری شدند.

5. روش ها

5.1. اندازه گیری های آنتروپی

مقادیر آنتروپی به طور گسترده ای به عنوان یک معیار آماری برای توصیف ترکیبات مشخصه های خاص در سیستم شهری استفاده می شود [ 65 ]. آنها به طور کلاسیک برای تعیین کمیت بی نظمی در یک منطقه استفاده می شوند. مقادیر آنتروپی بالا معادل واریانس های بزرگ در یک منطقه است [ 65 ، 66 ]. آنتروپی همسایگی یک شاخص قوی از واریانس فضایی است. و به طور گسترده ای در تجزیه و تحلیل کاربری زمین، ترکیب جمعیت و فعالیت اقتصادی استفاده می شود [ 66 ، 67 ]. همچنین در تجزیه و تحلیل های جداسازی برای منعکس کردن ناهمگونی جمعیت ها در مناطق محلی استفاده می شود [ 68 ]]. ابزاری برای درک بهتر تنوع در یک سیستم ارائه می دهد. در اینجا، شکل آماری پایه آنتروپی اتخاذ شده و برای گروه های درآمدی اعمال می شود.
اندازه گیری آنتروپی مورد استفاده در این مطالعه را می توان با معادله ( 1 ) نشان داد،

اچمن=–∑�=1کپمن�·ل�(پمن�)

که در آن آنتروپی ( H ) در مکان i ، با نسبت یک گروه درآمدی خاص، j تعیین می شود. k در معادله فوق به تعداد گروه های درآمدی در مدل اشاره دارد. نسبت این گروه درآمدی، پمن�، با معادله ( 2 ) قابل محاسبه است.

پمن�=نمن�∑�=1کنمن

که در آن مجموع تراکت یک گروه درآمد، j در نمن�، در مقابل مجموع همه گروه های درآمدی در یک منطقه در نظر گرفته می شود، نمن. حداکثر مقدار آنتروپی ( اچمترآایکس) در یک سیستم با معادله ( 3 ) محاسبه می شود.

اچمترآایکس=ل�(ک)

5.2. شاخص های دسترسی

این مقاله قابلیت دسترسی را با استفاده از مدل گرانشی [ 69 ] محاسبه می کند که می تواند به صورت معادله ( 4 ) بیان شود.

تیمن�=ک�من�دبلیو���(دمن�)

جایی که تعامل ( تیمن�) بین مناطق i و j با عبارت جرم مربوطه آنها تعیین می شود، �منو دبلیو�. k در معادله بالا به ثابت تناسب اشاره دارد زیرا برهمکنش محاسبه شده در مدل برابر است با مجموع جریان های مشاهده شده آنها. �و �ضرایبی هستند که باید تخمین زده شوند. اصطلاحات «انبوه» به ویژگی‌های مشخص مبدأ و مقصد مشخص اشاره دارد. و اینها ممکن است شامل متغیرهایی مانند جمعیت کل مبدا یا عاملی برای جذابیت مقصد باشند (به عنوان مثال، حوضه آبریز تاسیسات [ 70 ]، فضای کل طبقه [ 16 ]، ظرفیت اشتغال [ 71 ، 72 ]، یا کیفیت تسهیلات [ 73 ]). در این مثال، مدل پتانسیل گرانشی، با توجه به جمعیت موجود و داده‌های جریان از ABS، پروکسی دقیق‌تری از دسترسی در سیدنی بزرگ ارائه می‌کند. پارامترها و ضرایب مدل با استفاده از این مجموعه داده ها به روش زیر محاسبه می شوند.

از نماد بیان شده در معادله ( 4 )، مدل پتانسیل گرانش را می توان به صورت متناوب به صورت معادله ( 5 ) نوشت.

تیمن�=ک�من�دبلیو��دمن��

جایی که جریان دارد ( تیمن�( �من�) و مقصد ( دبلیو��). شایان ذکر است که مدل با استفاده از جریان های JTW به عنوان پیاده سازی شده است تیمن�; چگالی کل DZN به عنوان دبلیو��; و جمعیت مبدأ کل به عنوان �من�. پس از کار دنت [ 74 ]، گزارش طبیعی هر مؤلفه در مدل را می توان در قالب خطی log-linear گرفته و دوباره مشخص کرد (رجوع به معادله ( 6 )):

ل�تیمن�=ک+�ل�(�من)+�ل�(دبلیو�)–�ل�(دمن�)

به این ترتیب، مدل به عنوان “اشباع” با تمام اجزای ممکن برای برآورد جریان های بالقوه در نظر گرفته می شود. با این کار می توان مدل را به طور همزمان برازش داد تا ضرایب و فاکتورهای لازم برای جذب و انتشار نسبی مبدا و مقصد را بدست آورد. با این حال، با توجه به مشخصات فعلی، ما همچنین یک محدودیت تولید واحد را برای همگرا کردن تخمین‌های مدل بر اساس مجموع مبدا اجرا کردیم. �منهمانطور که در رابطه ( 7 ) مشاهده می شود،

∑�تیمن�=�من
در نتیجه، این اجازه می دهد تا مدل دسترسی به معادله ( 8 ) تغییر شکل دهد.

�من�=هایکسپ(�من+�ل�دبلیو�–�ل�دمن�)

جایی که �من�به جریان های مشاهده شده اشاره دارد. و �منبه عنوان یک پیش‌بینی‌کننده طبقه‌بندی برای همه جریان‌ها در هر مبدا SA1 (یعنی هر کد SA1 جداگانه) در نظر گرفته می‌شود. پس از تعیین مناسب مدل، پارامترهای مربوط به �و �برای حل می شوند. مقادیر پارامتر نهایی استفاده شده به ترتیب 0.121 و -2.278 است. با پارامترهای به دست آمده، مدل محدود تولید را می توان همانطور که با ویلسون [ 75 ] با ضریب متعادل کننده مناسب نشان داده شده است، محاسبه کرد. آمن. ترجیح مدل منحصر به فرد نسبت به محدودیت های جذب-تولید به دلیل «ظرفیت» ناشناخته اشتغال در هر منطقه DZN است. که اگر محدود می شد، خودسرانه بود. کالیبراسیون پارامترهای فوق اجازه می دهد تا امتیازات دسترسی را با مدل کلاسیک پتانسیل گرانش محاسبه شود (معادله ( 4 )). سپس مقادیر به دست آمده برای سهولت در تفسیر بین 1 و 0 استاندارد می شوند.

عملکرد مدل با تخمین های جریان محاسبه شده در برابر جریان های مشاهده شده ارزیابی می شود. قابل قبول آر20.61 به دست آمد که نشان می دهد این مدل می تواند بیش از دو سوم از جریان های اشتغال در سیدنی بزرگ را به تصویر بکشد. همچنین شایان ذکر است که مدل های فوق از یک قانون توان به عنوان تابع فاصله- فروپاشی خود استفاده می کنند. �(دمن�)=دمن��) بیش از همتای نمایی خود ( �(دمن�)=هایکسپدمن��). هر دو تابع قبلا در برابر جریان های مشاهده شده JTW آزمایش شده بودند. از این رو، انتخاب تابع قانون قدرت با توجه به نتایج بهتر آن است.

5.3. تست رابطه

با در نظر گرفتن داده‌ها و مدل‌های فوق، یک رگرسیون حداقل مربعات معمولی (OLS) و یک رگرسیون وزن‌دار جغرافیایی (GWR) برای درک بهتر روابط ذاتی اجزا در سیستم شهری انجام شد. روش OLS یک روش برازش جهانی است که یک تخمین پارامتر واحد را برای هر متغیر مستقل محاسبه می کند. با این حال، با توجه به ماهیت فضایی قیمت خانه، درآمد و داده های دسترسی، این روابط نیز باید با توجه به تغییرات فضایی احتمالی آنها آزمایش شوند. این مدل از مدل های رگرسیون خطی سنتی مشتق شده است. با این حال GWR شامل یک پارامتر پهنای باند است که هسته ای از نقاط همسایه را برای هر مشاهده در نظر می گیرد. به طور کلی، مدل GWR را می توان به صورت معادله ( 9 ) بیان کرد.

�من=�0(تومن،�من)+∑��ک(تومن،�من)ایکسمنک+�من

که در آن رابطه بین متغیر وابسته، �منو مجموعه متغیرهای مستقل j با یک تابع پیوسته نمایش داده می شود �ک(تومن،�من)در مکان های مختلف ( تومن، �من) در مشاهده من . در اینجا، مکان هر نقطه داده با مختصات ( تومن، �من) �منمتغیر باقیمانده مدل را نشان می دهد. GWR به یک پارامتر پهنای باند، b ، نیاز دارد که هسته‌های ثابت یا تطبیقی ​​(یعنی مقادیر متغیر b ) هستند. سپس یک ماتریس وزن فضایی با نقاط نزدیک به مکان ساخته می شود (تومن،�من)مقدار بالاتری نسبت داده می شود و مقادیری که بیش از پارامتر b باشند باطل می شوند. این را می توان به طور کلی با معادله ( 10 ) بیان کرد،

�من�=1،اگردمن�<ب0،در غیر این صورت

جایی که �من�نشان دهنده وزن های فردی برای هر مکان از (تومن،�من); و دمن�نشان دهنده آستانه فاصله در نظر است. لازم به ذکر است که عبارت کلی برای ماتریس وزن های فوق اغلب از طریق یک تابع وزنی تغییر می یابد که معمولاً یک تابع گاوسی یا دو مربعی است [ 76 ]. در این مقاله، یک دو مربع تطبیقی ​​به دلیل تخصیص حساس تر وزن ها با افزایش فاصله سایر نقاط داده انتخاب شد [ 76 ، 77 ، 78 ]. این تابع با معادله ( 11 ) نشان داده می شود:

�من�=1–(دمن�بمن(ک))22،اگردمن�<بمن(ک)0،در غیر این صورت
در مقایسه با تابع وزن های عمومی که در آن b یک عدد صحیح را نشان می دهد، the بمن(ک)پارامتر در اینجا متغیر با k نشان دهنده نزدیکترین عدد به نقطه i است [ 79 ]. پهنای باند بهینه در نهایت از طریق به حداقل رساندن معیار اطلاعات Akaike (AIC) [ 76 ، 79 ، 80 ] انتخاب می شود.

تشخیص چند خطی

سپس مجموعه داده‌های قیمت خانه بالا بر اساس مکان خانه به مجموعه داده‌های محله و نقطه مورد علاقه مرتبط شد. آزمونی برای چند خطی بودن برای کاهش افزونگی و عدم دقت در برآوردهای ضریب مدل رگرسیون ناشی از این متغیرها انجام شد. تشخیص با محاسبه ضریب تورم واریانس (VIF) بین هر متغیر با توجه به قیمت مسکن انجام شد. VIF تغییر در برآورد ضریب متغیر مستقل را در برابر هر گونه همبستگی بین همه متغیرهای مستقل در مدل محاسبه می کند [ 81 ]. یک VIF که بیش از 10 باشد اغلب مشکل ساز در نظر گرفته می شود [ 81]. ضریب تحمل احتمال عدم محاسبه هر متغیر مستقل توسط سایر متغیرهای مستقل در مدل را در نظر می گیرد. اقدامات اصلاحی برای پرداختن به مسائل ناشی از همخطی چندگانه شامل حذف متغیرها، تجزیه و تحلیل اجزای اصلی، یا کاربردهای رگرسیون گام به گام [ 82 ] است. این مقاله تصمیم گرفت جفت های متغیر خطی را با امتیاز VIF مشاهده شده بیشتر از 10 حذف کند ( VIF≥10).

6. نتایج هدف 1: توزیع درآمد در سیدنی بزرگ

به عنوان اولین هدف، توزیع فضایی گروه های درآمد در منطقه سیدنی بزرگ محاسبه شد. از آمار آنتروپی ( H ) برای تعیین کمیت تنوع فضایی بین این گروه‌های درآمدی استفاده شد. این مقادیر از 0.00 تا حداکثر 1.10 ( اچمترآایکس)-معنی، در مناطقی که اچ=1.10، توزیع یکسانی از هر سه گروه درآمدی مشاهده می شود. مقدار متوسط ​​جهانی آنتروپی در سیدنی بزرگ 0.862 با حداقل و حداکثر 0.00 و 1.09 محاسبه شد.
جدول 3 ضرایب همبستگی بین تمام گروه های درآمدی و مقادیر آنتروپی مربوطه آنها را کمی نشان می دهد. آنچه در ابتدا قابل توجه است، رابطه منفی بین توزیع گروه های کم درآمد در سیدنی با متوسط ​​آنها است. آر=–0.22) و بالا-( آر=–0.56) همتایان درآمدی. این رابطه با توجه به مقادیر آنتروپی نیز دیده می شود ( آر=–0.22). این یافته‌ها در تضاد کامل با ارزش‌های مرتبط با افراد با درآمد بالا و متوسط ​​است، به طوری که هر دو گروه ضرایب همبستگی مشابهی با شاخص تنوع نشان می‌دهند. این یافته ها نشان می دهد که به نظر می رسد توزیع درآمد سیدنی بسیار نامتقارن است. در جایی که در ابتدا تصور می شد که هر دو گروه پردرآمد و کم درآمد هر دو اختلاط غیرممکن را نشان می دهند (یعنی نمرات آنتروپی پایین در هر دو گروه با درآمد بالا و پایین)، این تعمیم را فقط می توان به دومی تعمیم داد. نتایج نشان می‌دهد که گروه‌های پردرآمد در سیدنی در سطح کلان شهرها نسبتاً یکپارچه‌تر به نظر می‌رسند، در حالی که به نظر می‌رسد افراد کم‌درآمد در مکان‌هایی متمرکز هستند که افراد خارج از این گروه درآمدی بعید به نظر می‌رسند در آن ساکن شوند.
این ارزیابی سطحی تر به درجه احتمالی تفکیک اجتماعی-اقتصادی در سیدنی بزرگ اشاره دارد. با این حال، برای بررسی اینکه آیا برجستگی گروه‌های کم درآمد پایه ثابت مناطق با تنوع کم است، به یک دیدگاه تفکیک‌شده از توزیع درآمد نیاز است. شکل 7توزیع فضایی آنتروپی و همه گروه های درآمدی را با توجه به این موضوع نشان می دهد. از این تجسم آشکار می شود که گسترش مقادیر آنتروپی یک جداسازی نسبتاً واضح بین مناطق با تنوع کم و زیاد را نشان می دهد، با مناطق آنتروپی پایین تر که در حومه مرکزی و غربی سیدنی بزرگ متمرکز شده اند، مانند حومه های اطراف فیرفیلد، مریلندز، آبرن. ، و کوه درویت. در این مناطق، شاخص تنوع بین 0.39 و 0.55 برآورد شده است. و همچنین بالاترین نسبت افراد کم درآمد را در سیدنی بزرگ دارند ( شکل 8 ). در اینجا، گروه های کم درآمد بین 63 تا 77 درصد جمعیت را تشکیل می دهند – اغلب، با کمتر از 2 درصد متعلق به گروه های پردرآمد ( شکل 8 ). یافته‌ها به کارهای قبلی لی و همکاران بازمی‌گردد. [83]، که تقسیم توزیع جمعیتی و اجتماعی-اقتصادی سیدنی را در امتداد «خط لاته» مورد بحث قرار داد.
وقتی در راستای توزیع گروه‌های پردرآمد در نظر گرفته می‌شود، باید در مورد دلیل اینکه این مناطق تفکیک مشابهی را که با مناطق کم درآمد دیده می‌شود، نشان نمی‌دهند، تأمل کرد. از نتایج نمایش داده شده در جدول 3 ، توزیع گروه های پردرآمد قبلاً با کمترین درآمد همبستگی منفی دارد. آر=–0.57) در سیدنی که به تقسیم فضایی بین هر دو گروه اشاره دارد. با این حال، جالب است بدانید که با وجود این نابرابری، گروه‌های پردرآمد نیز مناطقی را اشغال می‌کنند که بالاترین مقادیر آنتروپی را دارند. یک توضیح به دلیل اندازه نامتقارن گروه‌های مختلف است – زیرا گروه با درآمد بالا تنها 12 درصد از جمعیت سیدنی را تشکیل می‌دهند، حتی مناطقی که در آنها به شدت بیش از حد حضور دارند، همچنان همپوشانی فضایی قابل‌توجهی با گروه بزرگ متوسط ​​نشان می‌دهند. کسب درآمد، که در نتیجه مقادیر آنتروپی بالاتری ایجاد می شود. به عنوان مثال، بالاترین Hمقادیر در مناطقی یافت می‌شوند که بیشتر به ناحیه تجاری مرکزی سیدنی و حومه‌های ساحلی مانند Mosman، سیدنی شمالی، حومه شرقی و مانلی نزدیک‌تر هستند. در این محله ها، تقریباً 33 تا 40 درصد از جمعیت در طبقه پردرآمد قرار دارند ( شکل 9 ). با این حال، ارزش آنتروپی بالایی را نشان می‌دهند، که تنوع نسبی آن به دلیل همپوشانی‌های فضایی است که با درآمد متوسط ​​دیده می‌شود. آر=0.57) که تمایل دارند این مناطق را نیز اشغال کنند. کار بیشتر در مورد مسکن مقرون به صرفه برای درک بهتر اینکه آیا هنوز موانعی برای اقامت وجود دارد، مورد نیاز است. به ویژه، اگر تحولات جاری فقط برای افراد با درآمد متوسط ​​باشد.

7. نتایج هدف 2: دسترسی و درآمد

نتایج بالا، کمیت بندی فضایی بین گروه های درآمدی در سیدنی را مشخص کرده است. آنها انزوای اجتماعی فضایی احتمالی را نشان می دهند که گروه های کم درآمد ممکن است با توجه به توزیع آنها در سیدنی بزرگ با آن مواجه شوند. آنها این نگرانی را ایجاد می کنند که آیا این گروه های درآمدی ممکن است به طور نامتناسبی همان اثرات خارجی فضایی منفی را که در بسیاری از شهرهای جهان مشاهده می شود، تجربه کنند. بنابراین، این مقاله به دنبال بررسی این است که آیا هرگونه واریانس در دسترسی مطابق با گسترش درآمد مشاهده‌شده سیدنی بزرگ مشاهده می‌شود یا خیر. توزیع امتیازهای دسترسی، محاسبه شده از مدل پتانسیل گرانشی، در شکل 10 نشان داده شده است.. امتیاز دسترسی بالقوه نرمال شده بین 01/0 تا 78/0 با میانگین امتیاز 07/0 بود. بالاترین امتیازات بالقوه در حومه‌های شهر درونی سیدنی، سیدنی شمالی، ماسکوت، پارک مک‌کواری، اپینگ، چتس‌وود و پاراماتا و نزدیک به آن‌ها مشاهده شد. این مناطق دارای بیشترین تراکم اشتغال هستند که تقریباً 40 درصد از کل اشتغال را در منطقه سیدنی بزرگ متمرکز می کند. تخمین‌های مدل نشان می‌دهد که منطقه شهر داخلی سیدنی 22.5 درصد از کل جنبش اشتغال شهری را به خود اختصاص داده است. این به طور دقیق نشان دهنده داده های سرشماری JTW است که در آن این منطقه 22.7 درصد از کل جمعیت شاغل سیدنی را در سال 2016 ثبت کرده است.
در مقابل، توزیع فضایی امتیازهای دسترسی بالقوه کمتر به طور نسبتاً مساوی در بسیاری از حومه‌های منطقه سیدنی بزرگ به نظر می‌رسد. میانگین امتیاز بالقوه این مناطق تقریباً 0.04 برآورد شده است. این امتیاز بالقوه علیرغم موقعیت‌های شغلی کوچک‌تر موجود (مثلاً در اشفیلد، بوروود، بالگولا، کانتربری، کوگارا، ماریک‌ویل) در این مناطق عمدتاً حومه‌ای به دست می‌آید. یافته‌ها نشان می‌دهند که، علی‌رغم این مشاغل کوچک‌تر، دسترسی به مرکز شهر سیدنی، سیدنی شمالی، پارک مک‌کواری، پاراماتا، و چتس‌وود عامل تعیین‌کننده بسیار مهم‌تری برای دسترسی به اشتغال در سیستم سیدنی بزرگ است. با این حال، چندین استثنا در این مورد در حاشیه سیدنی بزرگ ذکر شده است. در مناطق دورتر مانند Katoomba، Campbelltown و Gosford، نمرات دسترسی بالقوه نسبتا بالا باقی می ماند. این انحراف به احتمال زیاد به فواصل مداخله ای زیاد بین این مناطق تا مراکز اشتغال اولیه سیدنی نسبت داده می شود. در نتیجه، به نظر می‌رسد که این مناطق نقش ثانویه در متمرکز کردن جریان‌های اشتغال در سیدنی، به‌ویژه در حاشیه این کلان‌شهر دارند. این الگوی متمرکز حرکت نیز در جریان های تخمینی مدل دسترسی ثبت می شود. به عنوان مثال، بین شهر سیدنی و کمپبل تاون، تمایز واضحی بین منبع حرکت در هر دو این مکان وجود دارد. به ویژه در حاشیه کلان شهر. این الگوی متمرکز حرکت نیز در جریان های تخمینی مدل دسترسی ثبت می شود. به عنوان مثال، بین شهر سیدنی و کمپبل تاون، تمایز واضحی بین منبع حرکت در هر دو این مکان وجود دارد. به ویژه در حاشیه کلان شهر. این الگوی متمرکز حرکت نیز در جریان های تخمینی مدل دسترسی ثبت می شود. به عنوان مثال، بین شهر سیدنی و کمپبل تاون، تمایز واضحی بین منبع حرکت در هر دو این مکان وجود دارد.شکل 11 ). شهر سیدنی شاهد حرکت از تمام حومه ها در سراسر سیدنی بزرگ است، در حالی که در کمپبل تاون، برآوردهای مدل نشان می دهد که عمدتاً جابجایی بین منطقه ای است، با جریان های جمعیتی کمتر از کامدن، لیورپول و بنکس تاون. در مقابل، مناطق پیرامونی بیرونی، مانند سواحل مرکزی، یک منبع اشتغال جداگانه از مناطق اطراف را تشکیل می دهند. در این مناطق، دسترسی نسبتاً بالا باقی می‌ماند زیرا جریان‌های اشتغال تقریباً به طور انحصاری در داخل منطقه محدود می‌شوند ( شکل 11 ).
با در نظر گرفتن این روند جریان در راستای واریانس های فضایی در دسترسی، توجه باید به آن مناطق واسطه ای که در بین مراکز اصلی اشتغال سیدنی قرار می گیرند، جلب شود، جایی که دسترسی کم در سرتاسر ذکر شده است. این مناطق با کاربری های مسکونی کم تراکم مشخص می شوند. فواصل توپولوژیکی بیشتر تا مراکز اشتغال سیدنی بزرگ ممکن است منجر به هزینه های متفاوتی شود که توسط جمعیت های ساکن تجربه می شود. بنابراین، نیاز به درک بهتر این هزینه های دسترسی با توجه به ساختارهای اجتماعی-اقتصادی آنهاست.شکل 12توزیع نمرات دسترسی را نسبت به توزیع گروه های کم درآمد نشان می دهد. جالب است بدانید که، در حالی که گروه‌های کم درآمد را می‌توان به طور کلی در حومه‌های داخلی سیدنی، جنوب غربی، جنوب غربی و منطقه بلک‌تاون مشخص کرد، به نظر نمی‌رسد که ارتباط واضحی در تنوع دسترسی در این مناطق وجود داشته باشد. آر2=0.01). بنابراین، یافته‌ها نمی‌توانند از مفروضات قبلی طبقه‌بندی و انزوای اجتماعی-اقتصادی به دلیل واریانس دسترسی پشتیبانی کنند.
در حالی که به نظر می رسد دسترسی به اشتغال در بین گروه های درآمدی در سیدنی به طور یکسان تجربه می شود، شایان ذکر است که تنها تراکم اشتغال به عنوان نماینده جذابیت منطقه اشتغال در نظر گرفته می شود. هیچ معیاری از نوع یا کیفیت استخدام در نظر گرفته نشده است. همچنین شایان ذکر است که نشان داده شده است که دسترسی در سیدنی به طور فراگیر در کل منطقه بزرگ شهری کم است، به استثنای مناطق مجاور سیدنی سیتی، چتس وود و پاراماتا. بنابراین، در حالی که نمی توان در این مطالعه هیچ گونه آسیب فضایی را به مناطق کم درآمد نسبت داد، کار بیشتری لازم است تا مشخص شود که آیا این معایب شاید در کیفیت و نوع اشتغال دیده می شود یا خیر.

8. نتایج هدف 3: ارزش های خانه، دسترسی، و تفکیک درآمد در سیدنی

8.1. روش

با در نظر گرفتن رابطه بین گروه های درآمدی و دسترسی، این مقاله اکنون تمرکز خود را به سمت درک اینکه آیا این متغیرها ممکن است در قیمت خانه نیز منعکس شوند تغییر می دهد. ابتدا، یک رگرسیون OLS برای درک اینکه چگونه قیمت مسکن ممکن است تحت تأثیر این متغیرها در کل سیستم قرار گیرد، انجام شد. نتایج آزمون در جدول 4 نشان داده شده است. عملکرد مدل نشان دهنده چند و تنظیم شده است آر2مقدار 0.81 برای هر دو، که نشان‌دهنده یک رابطه خطی نسبتاً قوی در بین همه متغیرها است که به موجب آن بیش از 80 درصد واریانس‌های مدل (که از طریق یک تبدیل لگاریتمی عادی شده‌اند) می‌توانند توسط متغیرهای مستقل محاسبه شوند.

8.2. نتایج OLS

در بیشتر موارد، نتایج مدل OLS نشان دهنده رابطه نسبتاً قابل پیش بینی بین قیمت مسکن و متغیرهای مستقل مورد استفاده است. قیمت خانه به طور قابل توجهی با اندازه افزایش می یابد. تعداد اتاق‌خواب‌ها، حمام‌ها، و فضاهای پارکینگ و همچنین افزایش فاصله از زیرساخت‌های اصلی و امکانات ورزشی تفریحی بزرگ به این امر بستگی دارد. این امر علاوه بر افزایش ناچیز قیمت مسکن نیز با افزایش فاصله از مراکز آموزشی و مراکز خرید مشاهده می شود. همانطور که انتظار می رود، تغییرات منفی در قیمت خانه نیز با افزایش فاصله از شهر سیدنی، سواحل و کاهش نرخ جرم مرتبط است.
جالب توجه است که تفاوت در سطوح اهمیت هر دو گروه درآمد و امتیاز دسترسی در قیمت خانه نشان داده می شود. مدل OLS نشان می‌دهد که حضور هر دو گروه کم درآمد و پردرآمد پیش‌بینی‌کننده‌های قابل‌توجهی برای واریانس قیمت مسکن در سیدنی بزرگ هستند، با این مدل که سطح معنی‌داری حداقل 99 درصد را نشان می‌دهد. نمرات دسترسی نیز در سطح جهانی قابل توجه است، با الف p-مقدار کمتر از 0.01 نسبت فزاینده گروه های کم درآمد و پردرآمد به ترتیب تغییر نسبی 0.2- و 2.5 درصدی را در قیمت مسکن نشان می دهد. علاوه بر این، در سطح کلان شهرها، افزایش نسبی 0.3 درصدی قیمت مسکن در مناطقی وجود دارد که دسترسی آنها افزایش یافته است. شایان ذکر است که حضور گروه‌های با درآمد متوسط، همانطور که در این تحقیق تعریف شده است، از پتانسیل پیش‌بینی یکسانی برخوردار نیست. این احتمالاً به دلیل تجمیع بیشتر درآمد آنها در یک گروه واحد است. و در نتیجه توزیع نسبتاً یکنواخت در سراسر سیدنی بزرگ.

8.3. نتایج GWR

در حالی که مدل OLS نمایش نسبتاً درستی از تغییرات قیمت مسکن در سطح کلانشهر ارائه می‌دهد، اثرات محلی نیز باید با توجه به عدم ثابت بودن فضایی ملک در نظر گرفته شود. این اثرات محلی در مدل GWR بعدی در نظر گرفته می شوند. مدل GWR که در اینجا مشخص شده است، بهبود در تناسب را نشان می دهد، با یک تنظیم شده آر2مقدار 0.844 و مجموع باقیمانده مربعات کاهش یافته ارزش 1569. توزیع فضایی محلی آر2مقادیر، همراه با برآورد ضرایب برای دسترسی، گروه های با درآمد بالا و پایین، در شکل 13 نشان داده شده است . عملکرد مدل GWR در همه جا بالا است، با حداقل 67 درصد از تغییرات قیمت مسکن در کل سیدنی بزرگ.
خلاصه ای از برآوردهای ضرایب مدل نیز در جدول 5 ارائه شده است. یافته‌ها در اینجا تخمین دقیق‌تری از تأثیرات درآمد و دسترسی مدل ارائه می‌دهند – که در آن، نابرابری‌های فضایی بزرگ‌تر در سطوح محلی بیشتر از آنچه قبلاً در مدل OLS نشان داده شده بود، مشهود است. ضرایب تخمین مدل نشان می دهد که به طور کلی، بهبود در دسترسی باعث افزایش میانگین 3.3 درصدی قیمت مسکن می شود. با این حال، با تفکیک این نتایج از نظر فضایی، مدل‌ها شکاف واضحی را بین مناطق شرقی و غربی سیدنی بزرگ نشان می‌دهند. قابل توجه ترین مشاهدات حاصل از این نتایج GWR تفاوت در جهت و میزان تأثیر دسترسی در سراسر سیدنی بزرگ است. به طور کلی، رابطه منفی قیمت ها با دسترسی در مناطق دوردست جنوب شرقی و شمال شرقی سیدنی وجود دارد، در حالی که یک رابطه مثبت ضعیف در مرکز سیدنی وجود دارد. به علاوه، در سیدنی غربی و بیرونی، رابطه مثبت قوی تری ثبت شده است. این یافته‌ها نشان می‌دهد که دسترسی ممکن است لزوماً عامل تعیین‌کننده مهمی برای قیمت مسکن در همه مناطق نباشد. ممکن است چندین توضیح برای این وجود داشته باشد.
اولاً، به نظر می‌رسد جذابیت بیشتر خانه‌ها در حومه‌های مرفه‌تر سیدنی (مثلاً در حومه‌های شرقی) نسبت به ویژگی‌های موقعیت مکانی مانند مناظر، دسترسی به فضاهای سبز و سواحل، مدارس خوب، و خانه‌های بزرگ‌تر در مقایسه با دسترسی به شغل حساس‌تر است. نکته مهم این است که این حومه های مرفه در مقایسه با حومه های کمتر مرفه با این امکانات رفاهی بهتر مشخص می شوند. 11 ]]. در مقایسه، در مناطق جدا از هم بیشتر در حومه سیدنی، انتخاب خانه سودمندتر می شود. در این مناطق، دسترسی به اشتغال عامل مهم تری در تعیین قیمت مسکن می شود. این احتمالاً مربوط به تفاوت های جمعیتی است که بین این مناطق دیده می شود. در مناطق ثروتمندتر سیدنی، دسترسی بر اساس سفر به محل کار ممکن است برای بازنشستگان ثروتمندی که در این مناطق جمع می شوند (به عنوان مثال، ساترلند شایر، هورنسبی-وارینگا، و سواحل شمالی) مهم نباشد. موضوع دیگر ممکن است ماهیت ناهمسانگرد بیشتر شبکه حمل و نقل عمومی سیدنی باشد که در نتیجه زمان سفر برای زیرگروه های مسافرانی که با دسترسی مبتنی بر شبکه جاده ای استفاده شده در این مدل متفاوت است، می شود. همانطور که در شکل 14 نشان داده شده است، حومه جنوب شرقی و شمال شرقی نسبتاً کمتر از سایر حومه ها (در سال 2016 – قبل از افتتاح راه آهن سبک جدید در جنوب شرقی) توسط خطوط ریلی یا خدمات اتوبوس اختصاصی حق تقدم خدمات رسانی می شود. این ممکن است به این معنی باشد که جریان‌های اشتغال واقعی از حومه‌های غربی دست‌کم گرفته می‌شوند، و از حومه‌های شرقی در مدل دسترسی، که بر اساس فواصل جاده‌ای است، بیش از حد برآورد می‌شود. این یک محدودیت مشخص در تحلیل فعلی با کارهای آینده مورد نیاز برای گنجاندن دسترسی حمل و نقل عمومی در مدل است. با وجود این، مدل دسترسی توسعه‌یافته برای اکثر ساکنان سیدنی با توجه به اتکای 65.2 درصدی شهر به خودروها برای رفت‌وآمد مرتبط است [ 84 ].
در عوض، یک عامل تعیین کننده قوی تر قیمت مسکن در این مناطق ممکن است قشر گروه درآمد متغیر موجود باشد. نتایج GWR نشان‌دهنده کاهش متوسط ​​0.28 درصدی در رابطه با افزایش نسبت‌های کم درآمد است. در حالی که، افزایش متوسط ​​1.7 درصدی با خواص یافت شده در مناطق عمدتاً پردرآمد مشاهده شده است. با این حال، توجه به تغییرات ضریب در مناطقی مانند حومه مرکز شرق سیدنی جالب است. در این مناطق با قیمت نسبتاً بالاتر، GWR نشان می‌دهد که هر گونه افزایش کوچک در گروه‌های کم‌درآمد در این منطقه تأثیر بسیار مخرب‌تری بر قیمت خانه‌ها نسبت به حومه‌های غرب سیدنی و غرب داخلی دارد. حساسیت ارزش املاک در این مناطق نشان دهنده برتری منطقه است. این نشان دهنده سطحی از طبقه بندی درآمد در منطقه است که با افزایش قیمت مسکن حمایت می شود. در نهایت، در حالی که دسترسی ممکن است عامل اصلی در تعیین قیمت ملک در سراسر سیدنی نباشد، همچنان به عنوان یک عامل اصلی در مناطق کم درآمد به عنوان ضرایب مدل در نظر گرفته می شود.شکل 13 ). می توان این گونه تفسیر کرد که برابری فضایی همچنان یک مسئله در سیدنی است، به طوری که توزیع دسترسی به اشتغال آن گروه هایی را که بیشتر به این دسترسی نیاز دارند و می خواهند را پوشش نمی دهد.

9. نتیجه گیری

این مقاله به بررسی چگونگی و میزان دسترسی به تفکیک درآمد و قیمت خانه در منطقه سیدنی بزرگ پرداخت. چندین یافته کلیدی شناسایی شده است. اول، گروه‌های کم درآمد تمایل دارند در سیدنی بیشتر در کنار هم قرار بگیرند، که باعث ایجاد مناطقی با تنوع اجتماعی کم شده است. با این حال، این توزیع نامتقارن با گروه های درآمدی بالاتر در شهر است. درآمدهای متوسط ​​و بالا با افزایش ترکیب جمعیتی تمایل دارند به طور مساوی در سراسر شهر توزیع شوند. دوم، به نظر نمی رسد دسترسی ضعیف عامل اصلی پدیده تفکیک درآمد در سیدنی باشد. دسترسی بین هر دو محله پردرآمد و کم درآمد با توجه به نزدیکی آنها در سیدنی نسبتاً برابر است. نتایج این مقاله نشان می دهد که رابطه نسبتاً ضعیفی بین درآمد و دسترسی وجود دارد. در واقع، در چندین حوزه، درآمد بالا با کاهش دسترسی همراه است. این یافته ها سطحی از خود انزوا و عدم وابستگی به دسترسی به فرصت های شغلی توسط ساکنان با درآمد بالاتر را نشان می دهد. در نهایت، همچنین مشخص شد که سایر ویژگی‌های دارایی فردی (به عنوان مثال، وجود مناظر، دسترسی به مدارس بهتر، و دسترسی به امکانات تفریحی) در مناطق پردرآمد نقش بسیار بیشتری در تصمیم‌گیری ارزش ملک در این مناطق بازی می‌کنند. این امر به وابستگی به وسایل نقلیه شخصی و کاهش نیاز به دسترسی به مراکز اشتغال در طبقه پردرآمد که ممکن است منابع درآمدی جایگزین داشته باشند نسبت داده شده است. این موضوع محدودیت اصلی این مطالعه را آشکار می کند، که در آن تنها دسترسی جاده به عنوان معیار فاصله در نظر گرفته می شود. در حالی که حمل و نقل عمومی تنها توسط یک سوم مسافران سیدنی استفاده می شود، در حومه های پردرآمد نزدیک به مرکز شهر تا دو سوم از آن استفاده می کنند. بنابراین، دسترسی به اشتغال با حمل و نقل عمومی ممکن است در قیمت خانه ها در این حومه ها نقش داشته باشد که در اینجا به حساب نمی آید.
این یافته ها چندین پیامد عمیق برای سیاست های شهری و مسکن دارد. به طور خاص، سیاست گذاران باید موضوع تفکیک درآمد را در نظر بگیرند زیرا گروه های کم درآمد تمایل دارند در تصمیم گیری های سیاستی خود تفکیک بیشتری داشته باشند. علاوه بر این، افزایش دسترسی یک راه حل عملی برای پرداختن به تفکیک درآمد به طور موثر نیست، زیرا این یکی از عوامل اصلی شروع تفکیک درآمد در سیدنی نیست. با این حال، مطالعه آینده می تواند کارهای بیشتری را برای ترکیب حمل و نقل چند وجهی برای ارائه دیدگاهی جامع تر از حمل و نقل در سیدنی در نظر بگیرد. تحقیقات بیشتر همچنین می‌تواند دسترسی نه تنها به اشتغال، بلکه دسترسی به امکانات رفاهی و خدمات ضروری شهری را نیز در نظر بگیرد.
این نتایج با استفاده از داده‌های مربوط به قبل از همه‌گیری COVID-19 تولید شد، زیرا اطلاعات سرشماری سال 2021 هنوز در دسترس نبود. اگر این الگوها پس از کووید-19 تغییر کنند، ارزش بررسی مجدد را دارد، و توجه داشته باشید که الگوهای تسویه حساب و درآمد ممکن است مدتی طول بکشد تا به شکلی باثبات تبدیل شود.

منابع

  1. Kain، JF فرضیه عدم تطابق فضایی: سه دهه بعد. خانه بحث سیاست 1992 ، 3 ، 371-460. [ Google Scholar ] [ CrossRef ]
  2. نلسون، AC؛ مور، تی. ارزیابی مدیریت رشد شهری: مورد پورتلند، اورگان، بزرگترین مرز رشد شهری ایالات متحده. سیاست کاربری زمین 1993 ، 10 ، 293-302. [ Google Scholar ] [ CrossRef ]
  3. Ihlanfeldt، K. عدم تطابق فضایی بین مشاغل و مکان های مسکونی در مناطق شهری. منظر شهری 1994 ، 1 ، 219-244 . [ Google Scholar ]
  4. گوبیلون، ال. سلود، اچ. Zenou، Y. مکانیسم های عدم تطابق فضایی. مطالعه شهری. 2007 ، 44 ، 2401-2427. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. هیلیر، AE تحلیل فضایی خط قرمز تاریخی: یک کاوش روش شناختی. جی. هاوس. Res. 2003 ، 14 ، 137-167. [ Google Scholar ]
  6. دوژاردین، سی. Goffette-Nagot، F. اثرات محله، مسکن عمومی و بیکاری در فرانسه. الکترون SSRN. جی 2005 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. اسلوند، او. اوست، جی. Zenou، Y. دسترسی به مشاغل چقدر مهم است؟ سوال قدیمی – پاسخ بهبود یافته جی. اکون. Geogr. 2010 ، 10 ، 389-422. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. سرورو، آر. رود، تی. Appleyard، B. دسترسی به شغل به عنوان یک شاخص عملکرد: تحلیلی از روندها و پیامدهای سیاست اجتماعی آنها در منطقه خلیج سانفرانسیسکو . دانشگاه کالیفرنیا در برکلی: برکلی، کالیفرنیا، ایالات متحده آمریکا، 1995. [ Google Scholar ]
  9. Mulley، C. افزایش دسترسی و ارزش زمین مسکونی: شناسایی تغییرات فضایی در تأثیرات دسترسی یک مسیر ترانزیت اتوبوس. مطالعه شهری. 2014 ، 51 ، 1707-1724. [ Google Scholar ] [ CrossRef ]
  10. پتیت، سی. شی، ی. هان، اچ. ریتنبروخ، ام. فوث، م. لیسک، اس. ون دی نوولانت، آر. میچل، پی. لیائو، اس. کریستنسن، بی. و همکاران یک ابزار جدید برای تجزیه و تحلیل ارزش زمین و برنامه ریزی سناریو. محیط زیست طرح. ب مقعد شهری. علوم شهر 2020 ، 47 ، 1490-1507. [ Google Scholar ] [ CrossRef ]
  11. بانگورا، م. Lee, CL جغرافیای دیفرانسیل قیمت مسکن در سیدنی: یک رویکرد تفکیک شده. اوست Geogr. 2019 ، 50 ، 295-313. [ Google Scholar ] [ CrossRef ]
  12. راندولف، بی. تایس، الف. آسیب‌های حومه‌نشینی در شهرهای استرالیا: تغییرات اجتماعی فضایی در عصر نئولیبرالیسم. J. شهری Aff. 2014 ، 36 ، 384-399. [ Google Scholar ] [ CrossRef ]
  13. میلر، EJ دسترسی: اندازه گیری و کاربرد در برنامه ریزی حمل و نقل. ترانسپ Rev. 2018 , 38 , 551-555. [ Google Scholar ] [ CrossRef ]
  14. پائز، آ. اسکات، دی.م. مورنسی، ج. اندازه‌گیری دسترسی: اجرای مثبت و هنجاری شاخص‌های مختلف دسترسی. J. Transp. Geogr. 2012 ، 25 ، 141-153. [ Google Scholar ] [ CrossRef ]
  15. ماسوچی، AP; سراس، جی. یوهانسون، آ. Batty، M. مدل‌های گرانش در مقابل تشعشع: در مورد اهمیت مقیاس و ناهمگنی در جریان‌های رفت‌وآمد. فیزیک Rev. E 2013 , 88 , 022812. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  16. پیوانی، دی. Arcaute، E. اوچوا، جی. ویلسون، ا. Batty، M. اندازه گیری دسترسی با استفاده از مدل های گرانش و تشعشع. R. Soc. علوم را باز کنید. 2018 ، 5 ، 171668. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  17. یانگ، آر. لیو، ی. لیو، ی. لیو، اچ. گان، دبلیو. فهرست جامع دسترسی به خدمات حمل و نقل عمومی-رویکردی جدید بر اساس مرکزیت درجه و مدل جاذبه. پایداری 2019 ، 11 ، 5634. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  18. Muraco، WA دسترسی درون شهری. اقتصاد Geogr. 1972 ، 48 ، 388-405. [ Google Scholar ] [ CrossRef ]
  19. Vickerman، RW دسترسی، جاذبه، و پتانسیل: مروری بر برخی مفاهیم و استفاده از آنها در تعیین تحرک. محیط زیست طرح. A 1974 , 6 , 675-691. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. ون اک، جی آر. de Jong, T. تجزیه و تحلیل دسترسی و اثرات رقابت فضایی در زمینه برنامه ریزی مکان خدمات با پشتیبانی GIS. محاسبه کنید. محیط زیست سیستم شهری 1999 ، 23 ، 75-89. [ Google Scholar ] [ CrossRef ]
  21. تسو، KW; آویزان، YT; Chang، YL یک معیار یکپارچه مبتنی بر دسترسی از برابری فضایی نسبی در امکانات عمومی شهری. شهرها 2005 ، 22 ، 424-435. [ Google Scholar ] [ CrossRef ]
  22. سا، سی. فلوراکس، RJ; Rietveld, P. آیا دسترسی به آموزش عالی مهم است؟ رفتار انتخابی فارغ التحصیلان دبیرستان در هلند. تف کردن اقتصاد مقعدی 2006 ، 1 ، 155-174. [ Google Scholar ] [ CrossRef ]
  23. چنگ، جی. برتولینی، L. اندازه گیری دسترسی به مشاغل شهری با زوال فاصله، رقابت و تنوع. J. Transp. Geogr. 2013 ، 30 ، 100-109. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. بروندیل، آر. ویل، آ. توماس، اف. Chaix, B. استفاده از خدمات مراقبت های بهداشتی در محله محل سکونت و محل کار: تأثیر دسترسی فضایی به خدمات مراقبت های بهداشتی. Health Place 2014 ، 30 ، 127-133. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  25. کرل، ا. نلسون، جی دی. Anable، J. آیا برنامه ریزی دسترسی به مواردی که اهمیت دارد می پردازد؟ مروری بر عملکرد فعلی و دیدگاه‌های پزشک. Res. ترانسپ اتوبوس. مدیریت 2011 ، 2 ، 3-11. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. Massey، DS; دنتون، NA ابعاد تفکیک مسکونی. Soc. نیروها 1988 ، 67 ، 281-315. [ Google Scholar ] [ CrossRef ]
  27. آراپوگلو، معاون; Sayas, J. جنبه های جدید جداسازی شهری در جنوب اروپا: جنسیت، مهاجرت و تغییر طبقه اجتماعی در آتن. یورو مقررات شهری گل میخ. 2009 ، 16 ، 345-362. [ Google Scholar ] [ CrossRef ]
  28. لی، اچ. کمبل، اچ. فرناندز، اس. تفکیک مسکونی، عدم تطابق فضایی و رشد اقتصادی در کلان شهرهای ایالات متحده. مطالعه شهری. 2013 ، 50 ، 2642-2660. [ Google Scholar ] [ CrossRef ]
  29. سرورو، آر. تغییر پارادایم: از خودرو به برنامه ریزی دسترسی. آینده شهری. 1997 ، 22 ، 9-20. [ Google Scholar ]
  30. Geurs، KT; کریزک، کی جی. Reggiani، A. تجزیه و تحلیل دسترسی و برنامه ریزی حمل و نقل: چالش ها برای اروپا و آمریکای شمالی . انتشارات ادوارد الگار: چلتنهام، انگلستان، 2012. [ Google Scholar ]
  31. بارتولومی، ک. اوینگ، R. اثرات قیمت لذت بخش توسعه عابر پیاده و ترانزیت محور. جی. پلان. روشن شد 2011 ، 26 ، 18-34. [ Google Scholar ] [ CrossRef ]
  32. Proffitt، DG; بارتولومی، ک. یوینگ، آر. میلر، HJ برنامه ریزی دسترسی در مناطق شهری آمریکا: آیا هنوز آنجا هستیم؟ مطالعه شهری. 2019 ، 56 ، 167-192. [ Google Scholar ] [ CrossRef ]
  33. Lieske، SN; ون دن نوولانت، آر. هان، جی اچ. پتیت، سی. یک رویکرد مدل‌سازی قیمت لذت‌گرایانه جدید برای تخمین تأثیر زیرساخت‌های حمل‌ونقل بر قیمت ملک. مطالعه شهری. 2021 ، 58 ، 182-202. [ Google Scholar ] [ CrossRef ]
  34. کاتلر، DM; گلیزر، EL آیا گتوها خوب هستند یا بد؟ QJ Econ. 1997 ، 112 ، 827-872. [ Google Scholar ] [ CrossRef ]
  35. ترنر، MA; پاپکین، اس جی. رالینگ، ال. مسکن عمومی و میراث تفکیک . موسسه شهری: واشنگتن، دی سی، ایالات متحده آمریکا، 2009. [ Google Scholar ]
  36. فن، ی. جنگ برنامه ریزان علیه عدم تطابق فضایی: درس های آموخته شده و راه های رو به جلو. جی. پلان. روشن شد 2012 ، 27 ، 153-169. [ Google Scholar ] [ CrossRef ]
  37. زانو، ای. هلمز، N. فاصله فزاینده بین مردم و مشاغل در کلان شهر آمریکا. در برنامه سیاست متروپولیتن در بروکینگز . موسسه بروکینگز: واشنگتن، دی سی، ایالات متحده آمریکا، 2015. [ Google Scholar ]
  38. Geurs، KT; Van Wee, B. ارزیابی دسترسی از راهبردهای استفاده از زمین و حمل و نقل: بررسی و جهت گیری های تحقیق. J. Transp. Geogr. 2004 ، 12 ، 127-140. [ Google Scholar ] [ CrossRef ]
  39. فرر، ALC؛ Thomé، AMT; Scavarda، AJ زیرساخت های شهری پایدار: بررسی. منبع. حفظ کنید. بازیافت. 2018 ، 128 ، 360-372. [ Google Scholar ] [ CrossRef ]
  40. بانیستر، دی. حمل و نقل ناپایدار: حمل و نقل شهری در قرن جدید . Routledge: لندن، انگلستان، 2005. [ Google Scholar ]
  41. Farrington, JH روایت جدید دسترسی: سهم بالقوه آن در گفتمان در جغرافیا (حمل و نقل). J. Transp. Geogr. 2007 ، 15 ، 319-330. [ Google Scholar ] [ CrossRef ]
  42. دیویدسون، KB دسترسی و جداسازی در ارزیابی شبکه حمل و نقل. در مجموعه مقالات هفتمین کنفرانس جهانی تحقیقات حمل و نقل، سیدنی، استرالیا، 16-21 ژوئیه 1995. صص 8-10. [ Google Scholar ]
  43. یوینگ، RH; پندال، آر. چن، DD اندازه گیری پراکندگی و تاثیر آن . رشد هوشمند آمریکا: واشنگتن، دی سی، ایالات متحده آمریکا، 2002; جلد 1. [ Google Scholar ]
  44. یوینگ، آر. حمیدی، س. گریس، جی بی. Wei, YD آیا پراکندگی شهری حرکت رو به بالا را کاهش می دهد؟ Landsc. طرح شهری. 2016 ، 148 ، 80-88. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  45. آلسینا، ا. باقر، ر. ایسترلی، W. کالاهای عمومی و تقسیمات قومی. QJ Econ. 1999 ، 114 ، 1243-1284. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. آلسینا، ا. La Ferrara، E. مشارکت در جوامع ناهمگن. QJ Econ. 2000 ، 115 ، 847-904. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. چارلز، CZ پویایی تفکیک نژادی مسکونی. آنو. کشیش سوسیول. 2003 ، 29 ، 167-207. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. سانچز، اف جی. لیو، WM; چرم، L. گوئینز، جی. Vilain, E. تجربه ذهنی طبقه اجتماعی و تحرک رو به بالا در میان مردان آفریقایی آمریکایی در مقطع کارشناسی ارشد. روانی مردانگی مردانه 2011 ، 12 ، 368. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  49. واسمر، ای. Zenou، Y. آیا ساختار شهر بر جستجوی شغل و رفاه تأثیر می گذارد؟ J. شهری اقتصاد. 2002 ، 51 ، 515-541. [ Google Scholar ] [ CrossRef ]
  50. Stoll، MA جستجوی شغل فضایی، عدم تطابق فضایی، و استخدام و دستمزد گروه های نژادی و قومی در لس آنجلس. J. شهری اقتصاد. 1999 ، 46 ، 129-155. [ Google Scholar ] [ CrossRef ]
  51. جولیانو، جی. کوچک، KA آیا سفر به محل کار با ساختار شهری توضیح داده شده است؟ مطالعه شهری. 1993 ، 30 ، 1485-1500. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. دی بروین، ک. ون هوو، جی. توضیح تغییرات فضایی در قیمت مسکن: رویکرد جغرافیای اقتصادی. Appl. اقتصاد 2013 ، 45 ، 1673-1689. [ Google Scholar ] [ CrossRef ]
  53. Määttänen، N. ترویو، ام. توزیع درآمد و قیمت مسکن: رویکرد مدل واگذاری. جی. اکون. نظریه 2014 ، 151 ، 381-410. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  54. اوهنیشی، ت. میزونو، تی. شیمیزو، سی. Watanabe, T. در مورد تکامل توزیع قیمت خانه ; کارنامه 249; مرکز اقتصاد و تجارت ژاپن، دانشکده تحصیلات تکمیلی بازرگانی، دانشگاه کلمبیا: نیویورک، نیویورک، ایالات متحده آمریکا، 2011. [ Google Scholar ]
  55. دیویدسون، پی. ساندرز، پی. فیلیپس، جی. نابرابری در استرالیا 2018 ; ACOSS و UNSW سیدنی: Strawberry Hills، NSW، استرالیا، 2018. [ Google Scholar ]
  56. AGPC. افزایش نابرابری؟ خلاصه ای از شواهد ; مقاله پژوهشی کمیسیون تحقیقات کمیسیون بهره وری دولت استرالیا؛ AGPC: کانبرا، ACT، استرالیا، 2018؛ صص 1-162. [ Google Scholar ]
  57. سیلا، یو. Dugain، V. درآمد، ثروت و نابرابری درآمد در استرالیا: شواهدی از نظرسنجی HILDA . مقاله کار گروه اقتصاد OECD، کارنامه 1538; OECD: پاریس، فرانسه، 2019. [ Google Scholar ]
  58. ویزل، آی. رالستون، ال. Stone, W. چگونه رونق مسکن باعث افزایش نابرابری شده است. The Conversation 2020. در دسترس آنلاین: https://theconversation.com/how-the-housing-boom-has-driven-rising-inequality-102581 (در 18 مارس 2021 قابل دسترسی است).
  59. گیتینز، آر. نابرابری: هیچ چیز برای دیدن اینجا تصویر واقعی نیست. Sydney Morning Herald. 2018. در دسترس آنلاین: https://www.smh.com.au/business/the-economy/inequality-nothing-to-see-here-is-not-the-true-picture-20180831-p500ww.html (دسترسی در 17 مارس 2021).
  60. ABS مجموع درآمد شخصی (هفتگی) (INCP) ; اداره آمار استرالیا: سیدنی، NSW، استرالیا، 2017.
  61. ACOSS. فقر در استرالیا 2016 ; شورای خدمات اجتماعی استرالیا: Strawberry Hills، NSW، استرالیا، 2016. صص 1-41. [ Google Scholar ]
  62. PCA. لایحه اصلاحیه قوانین خزانه داری (مالیات مدیکر و اضافه هزینه مالیات مدیکر) 2019 ؛ پارلمان مشترک المنافع استرالیا: کانبرا، ACT، استرالیا، 2019؛ صص 1-17. در دسترس آنلاین: https://www.overleaf.com/project/62d81a25300c236f626b4e9d (در 17 مارس 2021 قابل دسترسی است).
  63. ABS سرشماری مناطق مقصد نفوس و مسکن ; اداره آمار استرالیا: کانبرا، ACT، استرالیا، 2016. در دسترس آنلاین: https://www.abs.gov.au/statistics/people/population/census-population-and-housing-destination-zones/latest-release ( قابل دسترسی در 17 مارس 2021).
  64. OpenStreetMap Data in Layered GIS Format Topf J 2009. GeoFabrik, 2009. موجود به صورت آنلاین: https://www.geofabrik.de/data/geofabrik-osm-gis-standard-0.7.pdf (دسترسی در 17 مارس 2021).
  65. باتی، م. مورفت، آر. ماسوچی، پی. استانیلوف، ک. آنتروپی، پیچیدگی و اطلاعات مکانی. جی. جئوگر. سیستم 2014 ، 16 ، 363-385. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  66. ویلسون، الف. آنتروپی در مدلسازی شهری و منطقه ای (روتلج احیاء) ; Routledge: لندن، بریتانیا، 2013. [ Google Scholar ]
  67. تان، ی. Wu, CF قوانین مقادیر آنتروپی اطلاعات ترکیب کاربری زمین. جی. نات. منبع. 2003 ، 18 ، 112-117. [ Google Scholar ]
  68. فیشر، ام جی اهمیت نسبی درآمد و نژاد در تعیین نتایج مسکونی در مناطق شهری ایالات متحده، 1970-2000. اداره شهری Rev. 2003 , 38 , 669-696. [ Google Scholar ] [ CrossRef ]
  69. Hansen, WG چگونه دسترسی به استفاده از زمین شکل می دهد. مربا. Inst. برنامه ریزان 1959 ، 25 ، 73-76. [ Google Scholar ] [ CrossRef ]
  70. لو، جی. ادغام مدل هاف و روش های حوضه آبریز شناور برای تجزیه و تحلیل دسترسی فضایی به خدمات مراقبت های بهداشتی. ترانس. GIS 2014 ، 18 ، 436-448. [ Google Scholar ] [ CrossRef ]
  71. مدل‌های کانتورویچ، YG تعادل تعامل فضایی با محدودیت‌های ظرفیت مکانی. محیط زیست طرح. A 1992 ، 24 ، 1077-1095. [ Google Scholar ] [ CrossRef ]
  72. هرناندز-موریلو، آر. Owyang, MT محتوای اطلاعاتی داده های اشتغال منطقه ای برای پیش بینی شرایط کل. اقتصاد Lett. 2006 ، 90 ، 335-339. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  73. Geurs، KT; دی مونتس، ا. Reggiani، A. پیشرفت‌ها و کاربردهای اخیر در مدل‌سازی دسترسی. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 49 ، 82-85. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  74. دنت، الف. تخمین جریان‌ها بین مکان‌های جغرافیایی: مدل‌سازی تعامل فضایی «من را شروع کنید» . گزارش فنی؛ UCL: لندن، بریتانیا، 2012. [ Google Scholar ]
  75. Wilson, AG خانواده ای از مدل های تعامل فضایی و تحولات مرتبط. محیط زیست طرح. A 1971 , 3 , 1-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  76. Fotheringham، AS; براندون، سی. چارلتون، ام. رگرسیون وزن‌دار جغرافیایی: تحلیل روابط متغیر فضایی . جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2003. [ Google Scholar ]
  77. Fotheringham، AS; اوشان، TM رگرسیون وزنی جغرافیایی و چند خطی: رد اسطوره. جی. جئوگر. سیستم 2016 ، 18 ، 303-329. [ Google Scholar ] [ CrossRef ]
  78. اوشان، تی. ولف، ال جی. Fotheringham، AS; کانگ، دبلیو. لی، ز. Yu, H. نظری در مورد رگرسیون وزنی جغرافیایی با معیارهای فاصله خاص پارامتر. بین المللی جی. جئوگر. Inf. علمی 2019 ، 33 ، 1289-1299. [ Google Scholar ] [ CrossRef ]
  79. آلبوکرک، PHM; مدینه، FAS; Silva، ARD رگرسیون لجستیک وزن‌دار جغرافیایی برای مدل‌های امتیازدهی اعتباری اعمال شد. کشیش کنتاب. مالی 2017 ، 28 ، 93-112. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  80. Fábian, Z. روش رگرسیون وزن‌دار جغرافیایی و مثالی برای کاربرد آن. Reg. آمار 2014 ، 1 ، 61-75. [ Google Scholar ] [ CrossRef ]
  81. گرت، جی. دانیلا، دبلیو. ترور، اچ. رابرت، تی . مقدمه ای بر یادگیری آماری: با کاربردها در R. Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2013. [ Google Scholar ]
  82. بروس، پی. بروس، آ. Gedeck, P. آمار عملی برای دانشمندان داده: بیش از 50 مفهوم اساسی با استفاده از R و Python . رسانه O’Reilly: سباستوپل، کالیفرنیا، ایالات متحده آمریکا، 2020. [ Google Scholar ]
  83. لی، CL; پیراچا، ا. Fan, Y. Another Tale of Two Cities: Access to Jobs Sydney را در امتداد “Latte Line” تقسیم می کند. The Conversation 2018. موجود به صورت آنلاین: https://theconversation.com/another-tale-of-two-cities-access-to-jobs-divides-sydney-along-the-latte-line-96907 (دسترسی در 17 مارس 2021 ).
  84. اداره آمار استرالیا انتشار رسانه-بیش از دو در سه رانندگی به محل کار، سرشماری نشان می دهد (انتشار رسانه ای)، اداره آمار استرالیا، انتشار 133/2017. 2017. در دسترس آنلاین: https://www.abs.gov.au/ausstats/ abs@.nsf /mediareleasesbyreleasedate/7DD5DC715B608612CA2581BF001F8404?OpenDocument (در 17 مارس 2021 قابل دسترسی است).
Ijgi 11 00413 g001 550
شکل 1. عوامل پیشنهادی کمک کننده به نابرابری اجتماعی در سیدنی.
Ijgi 11 00413 g002 550
شکل 2. توزیع گروه های درآمدی در مجموعه داده های درآمد اداره آمار استرالیا.
Ijgi 11 00413 g003 550
شکل 3. نمونه ای از نقاط مبدأ و مقصد با محوریت CBD.
Ijgi 11 00413 g004 550
شکل 4. شبکه جاده پاک شده.
Ijgi 11 00413 g005 550
شکل 5. نمونه ای از ماهیت ناهمسانگرد شبکه جاده های سیدنی.
Ijgi 11 00413 g006 550
شکل 6. توزیع زمانی، شمارش و قیمت قیمت مسکن از ناظر املاک استرالیا.
Ijgi 11 00413 g007 550
شکل 7. آنتروپی و توزیع گروه درآمد در سال 2016.
Ijgi 11 00413 g008 550
شکل 8. مقادیر آنتروپی در برابر گروه های کم درآمد در سیدنی بزرگ.
Ijgi 11 00413 g009 550
شکل 9. مقادیر آنتروپی در برابر گروه های با درآمد بالا در سیدنی بزرگ.
Ijgi 11 00413 g010 550
شکل 10. توزیع امتیازهای دسترسی بالقوه محاسبه شده به مراکز استخدامی در سیدنی بزرگ.
Ijgi 11 00413 g011 550
شکل 11. منابع جریان های اشتغال برای خوشه های عمده اشتغال.
Ijgi 11 00413 g012 550
شکل 12. نمودارهای دو متغیره: 2016 دسترسی و تفکیک درآمد.
Ijgi 11 00413 g013 550
شکل 13. تجسم کانتور درآمد و ضرایب دسترسی در سراسر سیدنی بزرگ.
Ijgi 11 00413 g014 550
شکل 14. خطوط اصلی حمل و نقل عمومی و توزیع جمعیت حومه شهر در سیدنی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

9 نظرات

دیدگاهتان را بنویسید