ارزیابی و عامل محرک جای خالی مسکن در تراکم شهری (قسمت دوم)

2 . روش ها و داده ها

2.1 . برآورد جای خالی مسکن مسکونی

در این مطالعه، خالی بودن مسکن به کل یا بخشی از مسکنی که در حال حاضر استفاده نمی شود، یا مسکنی که در انتظار فروش یا اجاره است، اطلاق می شود [ 30 ]. نرخ خالی مسکن به عنوان نسبت مساحت خانه خالی به کل مساحت مسکن ساخته شده تعریف می شود. واحد موجودی مسکن خالی متر ^مربع [ 31 ] است. مطالعات موجود بیشتر از نرخ خالی مسکن به عنوان شاخص اصلی برای وضعیت خالی مسکن استفاده می کنند. برای تجزیه و تحلیل بیشتر وضعیت خالی مسکن و مسائل مربوط به آن، این مطالعه موجودی مسکن خالی را بر اساس نرخ محاسبه شده مسکن خالی همراه با داده های آماری محاسبه می کند. بنابراین، دو شاخص، یعنی نرخ خالی مسکن و موجودی مسکن خالی، در این مطالعه برای تجزیه و تحلیل و بحث در مورد وضعیت خالی مسکن در تراکم شهری شبه جزیره شاندونگ استفاده می‌شود.

2.1.1 . محاسبه نرخ مسکن خالی

روش محاسبه HVR بر اساس روش مبتنی بر نور شب از مطالعات موجود [ 20 ، 24 ]، با استفاده از داده های نور شب با وضوح 500 متر و داده های کاربری زمین با وضوح 30 متر توسعه یافته است. مجموعه داده نور شب، داده‌های سالانه نور شبانه NPP-VIIRS [ 32 ] از سال 2000 تا 2020 است که از وب‌سایت داده‌های رسمی دانشگاه هاروارد [ 33 ] به دست آمده است. این مجموعه داده قبل از استفاده برای ارزیابی در این مطالعه از قبل پردازش شده است. ابتدا حداقل مقدار شدت نور در مناطق بدون نور 0 تعیین می شود و مقادیر پیکسل منفی در این مطالعه با صفر جایگزین شدند. سپس، برای پیکسل‌هایی با مقادیر بسیار بزرگ، روشن‌ترین مقدار شدت نور سالانه در منطقه شهری مرکزی مورد مطالعه به‌عنوان مقدار آستانه کران بالایی استفاده می‌شود که می‌تواند به طور موثری نقاط پرت را در مجموعه داده حذف کند. در نهایت، برای تناسب بهتر با نیاز این تحقیق، داده‌های نور شب منطقه تحقیقاتی بر اساس داده‌های بخش اداری به‌دست‌آمده از مرکز ملی اطلاعات جغرافیایی پایه [ 34 ] برش داده می‌شوند.

داده‌های کاربری زمین از مجموعه داده‌های کاربری زمین چین با وضوح 30 متر از سال 2000 تا 2020 که توسط دانشگاه ووهان [ 35 ] تولید شده است، به‌دست می‌آید. این داده ها به صورت رایگان از مخزن داده های علمی باز Zenodo [ 36 ] در دسترس است. نوع کاربری اراضی مورد استفاده در این تحقیق، سطح غیرقابل نفوذ است ، این یک سطح مصنوعی مهم در شهر است که می تواند از نفوذ آب های زیرزمینی به خاک جلوگیری کند، ارتباط بین سطح شهر و هیدرولوژی زیرزمینی را که عمدتاً از ساختمان های موجود در خاک تشکیل شده است، قطع کند. شهر بنابراین، داده‌های کاربری اراضی باینریزه می‌شوند، به این معنی که به سطح مصنوعی مقدار 1 اختصاص می‌یابد و به سایر انواع کاربری‌ها مقدار 0 اختصاص می‌یابد. سپس داده‌ها به وضوح 10 متر نمونه‌برداری شده و بر اساس تقسیمات اداری برش داده شدند. منطقه مورد مطالعه سپس داده های پردازش شده نور شب و داده های کاربری زمین برای ساخت شبکه داده 500 × 500 متر ، همانطور که در شکل 2 (a)-(c) نشان داده شده است، روی هم قرار می گیرند.

در شکل 2، (الف) داده‌های کاربری زمین است که با وضوح 10 متر نمونه‌برداری شده است، (ب) شبکه داده نور شب با وضوح 500 متر است، و (c) داده‌های همپوشانی است.

در هر شبکه 500*500 مقادیر شدت نور و مقادیر شدت کاربری اراضی وجود دارد . داده‌های نور شب در مجموعه داده اصلی شامل چراغ‌های مناطق مسکونی و غیرمسکونی (جاده‌ها، پارک‌ها و غیره) می‌شود. از آنجایی که نورهای موجود در منطقه غیر مسکونی ممکن است بر چراغ های موجود در منطقه مسکونی تأثیر بگذارند، بنابراین، چراغ های غیر مسکونی در منطقه مسکونی حذف شده اند. آستانه ها عمدتاً از دو جنبه شدت روشنایی و شدت کاربری زمین برای تعیین روشنایی در مناطق مسکونی تعیین می شوند . در مرحله اول، نقاط POI (نقطه مورد علاقه) که فقط شامل جاده ها هستند از اینترنت به دست می آیند و به پیکسل های شبکه نمایش داده می شوند تا داده های شدت نور مناطق غیر مسکونی را استخراج کنند . سپس مقدار متوسط این شدت نور به عنوان حداقل آستانه شدت نور منطقه مسکونی تعیین می شود که برای از بین بردن تأثیر منطقه غیر مسکونی استفاده می شود. در طول انتخاب نقاط POI، مشخص شد که شدت نور منطقه تجاری شلوغ بیشتر از منطقه مسکونی است. بنابراین، نقاط POI که فقط منطقه تجاری شلوغ را پوشش می‌دهند، انتخاب شده و به پیکسل‌های شبکه نمایش داده می‌شوند تا شدت نور این نقاط نمونه به دست آید. مقدار متوسط شدت نور به عنوان بالاترین آستانه (DN، عدد دیجیتال شدت شب) برای منطقه مسکونی تعیین می شود. این امکان وجود دارد که تنها با استفاده از بالاترین و کمترین آستانه نور برای شناسایی منطقه مسکونی، به شدت تحت تاثیر نور قرار گیرد. بنابراین، شاخص نرخ فضای سبزبیشتر معرفی می شود. نرخ فضای سبز یک شاخص الزامی است که در استاندارد ملی در ساخت و ساز مسکن چین ذکر شده است. یعنی نسبت کل مساحت انواع فضای سبز در محدوده مسکونی نوساز باید حداقل 00/30 درصد و در محدوده مناطق مسکونی قدیمی حداقل 00/20 درصد باشد. با توجه به وضعیت واقعی ، زمین مورد استفاده برای ساخت و ساز در منطقه مسکونی مورد مطالعه بسیار بالاتر از استانداردهای مربوطه می باشد. نسبت ذخیره منطقه شهری (UAR) 70٪ به عنوان حداکثر آستانه شدت کاربری زمین در منطقه مسکونی برای نمایش پیکسل هایی که به احتمال زیاد یک منطقه مسکونی هستند تعیین می شود. در این حالت می توان با تنظیم آستانه شدت نور و شدت کاربری زمین، دقت شناسایی منطقه مسکونی را بهبود بخشید. شدت نور شبانه منطقه مسکونی را می توان به صورت زیر محاسبه کرد:(1) $A L I = \frac{\sum_{k = 1}^{N_{n o n - r e s i}} N T L_{k}}{N_{n o n - r e s i}}$ (2) $N T L_{M A} = {\begin{array}{c} F (N T L, A L I), i f U A R \geq 0.7 \\ N U L L, o t h e r w i s e \end{array}$ (3) $F (N T L, A L I) = {\begin{array}{c} N T L_{U A R \geq 0.7} - A L L * (1 - U A R), i f D N > N T L_{U A R \geq 0.7} > A L L \\ 0, o t h e r w i s e \end{array}$ (4) $U A R = \frac{N_{d}}{N_{t}}$ جایی که $A L I$ میانگین شدت نور منطقه غیر مسکونی است. $N T L_{k}$ شدت نور در k-امین پیکسل منطقه غیر مسکونی است. $N_{n o n - r e s i}$ نشان دهنده N-امین پیکسل منطقه غیر مسکونی است. $N T L_{M A}$ نشان دهنده شدت نور هر پیکسل مخلوط پس از حذف تأثیر منطقه غیر مسکونی است. $N T L_{U A R \geq 0.7}$ شدت نور یک پیکسل از پیکسل های مختلط در هر منطقه مسکونی قبل از حذف تأثیر منطقه غیر مسکونی است. $D N$ بالاترین آستانه شدت نور در منطقه مسکونی است. $U A R$ نسبت ذخیره منطقه شهری در هر پیکسل نوری است. $N_{d}$ تعداد پیکسل های سطح غیرقابل نفوذ را در تصویر کاربری زمین باینریزه شده نشان می دهد. $N_{t}$ نشان‌دهنده تعداد تمام پیکسل‌هایی است که با پیکسل NTL در تصویر کاربری زمین بایناریزه شده همپوشانی دارند (روکش داده‌های روشنایی شبانه با وضوح ۵۰۰ متر و داده‌های کاربری زمین با وضوح ۱۰ متر، $N_{t}$ = 2500).

شدت نور مناطق مسکونی با تقریباً هیچ جای خالی به عنوان مقدار مرجع برای خانه های غیر خالی ( LINV ) انتخاب می شود. با توجه به مطالعات میدانی ، مصاحبه‌های کارشناسان و پژوهش‌های ادبیات، نرخ خالی مسکن در مناطق مسکونی ناحیه مدارس (مراجعه به مناطق مسکونی با دسترسی رایگان به مدارس دولتی بهتر و منابع آموزشی بهتر) بسیار پایین است و به صفر می‌رسد. -سطح جای خالی بنابراین، مقدار متوسط 30.00٪ مقدار شدت نور بالا نقاط POI مسکن منطقه مدرسه به عنوان مقدار مرجع برای بدون مسکن خالی (LINV) انتخاب می شود، که برای محاسبه نرخ خالی مسکن هر پیکسل منطقه مسکونی استفاده می شود. . محاسبه به شرح زیر است.(5) $U L I_{i, t} = N T L_{M A}^{i} / {U A R}_{i}$ (6) ${H V R}_{i, t} = 1 - U L I_{i . t} / {L I N V}_{t}$ (7) $I f U L I_{i, t} > {L I N V}_{t}, {H V R}_{i, t} = 0$ جایی که $U L I_{i, t}$ مقدار تصحیح شدت نور i امین پیکسل مسکونی در سال t است، $N T L_{M A}^{i}$ شدت نور هر پیکسل مخلوط پس از حذف تأثیر منطقه غیر مسکونی است، ${U A R}_{i}$ نسبت ذخیره منطقه شهری از پیکسل مسکونی i است. ${H V R}_{i, t}$ نرخ جای خالی مسکن iمین پیکسل منطقه مسکونی در سال t است، ${L I N V}_{t}$ مقدار مرجع در منطقه مسکونی بدون مسکن خالی در سال t است .

2.1.2 . تخمینی موجودی مسکن خالی

برای بررسی اتلاف منابع ناشی از مسکن خالی، این تحقیق همچنین موجودی خالی مسکن را بر اساس داده های آماری جمعیت ساکن دائمی هر شهر، سرانه منطقه زندگی و همچنین نتایج نرخ خالی مسکن به دست آمده در این مطالعه محاسبه می کند. داده های آماری از سالنامه آماری استانی شاندونگ 2000-2020 [ 37 ] استخراج شده است، شامل کل جمعیت ، جمعیت شهری، تولید ناخالص داخلی منطقه، سرانه منطقه زندگی شهری و غیره. کل مساحت ساختمان های مسکونی را می توان با استفاده از رابطه (8) محاسبه کرد. و موجودی مسکن خالی را می توان با معادله (9) محاسبه کرد .(8) $S_{s u m, n, t} = S_{a v r, t} * P_{n, t}$ (9) $S_{h v r, n, t} = S_{s u m, n, t} * {H V R}_{n, t}$ جایی که $S_{s u m, n, t}$ کل مساحت ساختمانهای مسکونی شهر مورد مطالعه n در سال t می باشد . $S_{a v r, t}$ سرانه مساحت زندگی در سال t است ، $P_{n, t}$ تعداد ساکنان دائمی شهر n در سال t است . $S_{h v r, n, t}$ موجودی مسکن خالی شهر n در سال t است و ${H V R}_{n, t}$ نرخ خالی مسکن شهر n در سال t است .

2.2 . تحلیل تجزیه عوامل محرک موجودی مسکن خالی

روش تجزیه شاخص تقسیم میانگین لگاریتمی (LMDI) یکی از روش های تحلیل تجزیه نمایی است (برای اطلاعات بیشتر در مورد روش LMDI، لطفاً به پیوست S1 مراجعه کنید). روش LMDI به دلیل مزایای فاکتورهای برگشت پذیر، عدم وجود باقیمانده، دامنه کاربرد وسیع و سازگاری بین روش های تجزیه جمع و تجزیه ضرب به طور گسترده مورد استفاده قرار گرفته است [ 38 ]. مطالعات موجود نشان داد که جای خالی مسکن عمدتاً تحت تأثیر چند عامل است، مانند جمعیت [ 39 ، 40 ]، اقتصاد [ 41 ، 42 ]، درآمد [ 16 ] و سطح توسعه شهری [ 43 ]. در این مقاله، ساخت یک مدل تحلیل تجزیه عاملی از اصل هویت کایا [ 44 ]، نتایج موجود و وضعیت واقعی مطالعه انتخاب شده پیروی می کند. تغییرات موجودی مسکن خالی به پنج عامل محرک تقسیم می شود: نرخ خالی مسکن، ارزش اقتصادی مساحت واحد، سطح توسعه اقتصادی، سطح شهرنشینی و جمعیت شهری. بدین ترتیب، موجودی مسکن خالی در تراکم شهری شبه جزیره شاندونگ را می توان به صورت معادله (10) بیان کرد :(10) $S = \frac{S}{S_{0}} * \frac{S_{0}}{G D P} * \frac{G D P}{P} * \frac{P}{C P} * C P = S S * S G * G P * P C P * C P$ جایی که S موجودی خالی مسکن منطقه ای است، $S_{0}$ کل موجودی مسکن منطقه ای است، $S S = \frac{S}{S_{0}}$ سطح نرخ جای خالی مسکن را نشان می دهد. تولید ناخالص داخلی عبارت است از تولید ناخالص داخلی منطقه ای و $S G = \frac{S_{0}}{G D P}$ نشان دهنده ارزش اقتصادی منطقه ساختمان واحد است. P کل جمعیت منطقه ای است، $G P = \frac{G D P}{P}$ نشان دهنده سطح توسعه اقتصادی است. CP جمعیت ساکن در مناطق شهری است و $P C P = \frac{P}{C P}$ نشان دهنده سطح شهرنشینی است.

با استفاده از فرم افزایشی مدل LMDI، هر عاملی که بر سهام خالی مسکن تأثیر می‌گذارد را می‌توان تجزیه کرد و تأثیر آن‌ها بر تغییرات موجودی مسکن را می‌توان به صورت کمی تحلیل کرد، همانطور که در رابطه (11) نشان داده شده است :(11) $Δ S = Δ S S + Δ S G + Δ G P + Δ P C P + Δ C P$ جایی که ΔS نشان دهنده تغییرات موجودی خانه خالی است، ΔSS نشان دهنده تاثیر نرخ جای خالی مسکن بر تغییرات موجودی خانه خالی است. ΔSG نشان دهنده تاثیر مقدار واحد سطح کف است. ΔGP نشان دهنده تاثیر سطح توسعه اقتصادی است . ΔPCP نشان دهنده تاثیر سطح شهرنشینی است. ΔCP نشان دهنده تأثیر سطح جمعیت شهری بر موجودی مسکن خالی است.

بر اساس مدل IMDI، مقدار سهم هر ضریب تجزیه همانطور که در معادله (12) ، (13) ، (14) ، (15) ، (16) نشان داده شده است، بیان می شود :(12) $Δ S S = \frac{S^{T} - S^{0}}{Ln S^{T} - {L n S}^{0}} Ln \frac{{S S}^{T}}{{S S}^{0}}$ (13) $Δ S G = \frac{S^{T} - S^{0}}{Ln S^{T} - {L n S}^{0}} Ln \frac{{S G}^{T}}{{S G}^{0}}$ (14) $Δ G P = \frac{S^{T} - S^{0}}{Ln S^{T} - {L n S}^{0}} Ln \frac{{G P}^{T}}{{G P}^{0}}$ (15) $Δ P C P = \frac{S^{T} - S^{0}}{Ln S^{T} - {L n S}^{0}} Ln \frac{{P C P}^{T}}{{P C P}^{0}}$ (16) $Δ C P = \frac{S^{T} - S^{0}}{Ln S^{T} - {L n S}^{0}} Ln \frac{{C P}^{T}}{C P^{0}}$ جایی که، $Δ S S, Δ S G, Δ G P, Δ P C P$ و $Δ C P$ نشان دهنده تغییر موجودی خالی مسکن ناشی از عوامل است و بالانویس های T و 0 نشان دهنده پایان و شروع دوره مطالعه است. از این پنج شاخص می توان برای اندازه گیری سهم هر یک از عوامل در تغییرات موجودی مسکن خالی در یک دوره معین استفاده کرد.

نرخ مشارکت انباشته می تواند به طور موثرتری نشان دهنده سهم هر یک از عوامل در مراحل مختلف توسعه شهرنشینی باشد. نرخ مشارکت انباشته (ACR) را می توان همانطور که در رابطه (17) نشان داده شده است محاسبه کرد :(17) ${A C R}_{F_{i}} = \frac{\sum_{t} {Δ F}_{i}}{\sum_{t} (Δ S S + Δ S G + Δ G P + Δ P C P + Δ P)} \times 100 %$ جایی که، ${A C R}_{F_{i}}$ نرخ مشارکت انباشته عامل i است ( i = SS، SG، GP، PCP، و CP)، ${Δ F}_{i}$ تغییر فاکتور i ( i = SS، SG، GP، PCP، و CP) از سال مرجع (سال 0) تا سال t است.