پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,579 |
| تعداد مقالات | 71,071 |
| تعداد مشاهده مقاله | 125,680,315 |
| تعداد دریافت فایل اصل مقاله | 98,910,900 |
مدلسازی روابط فضایی عوامل مؤثر در استقرار مراکز مالی و اعتباری موجود در شهر تهران با رگرسیون وزنی جغرافیایی | ||
| پژوهش‌های جغرافیای برنامه‌ریزی شهری | ||
| مقاله 5، دوره 4، شماره 2، تیر 1395، صفحه 223-240 اصل مقاله (1.47 M) | ||
| نوع مقاله: پژوهشی - کاربردی | ||
| شناسه دیجیتال (DOI): 10.22059/jurbangeo.2016.59161 | ||
| نویسندگان | ||
| غدیر عشورنژاد* 1؛ حسنعلی فرجی سبکبار2؛ فرشاد امیراصلانی3 | ||
| 1دانشجوی دکتری سنجش از دور و سامانة اطلاعات جغرافیایی، دانشگاه تهران | ||
| 2دانشیار دانشکدة جغرافیا، دانشگاه تهران | ||
| 3استادیار دانشکدة جغرافیا، دانشگاه تهران | ||
| چکیده | ||
| بحث رقابت در خصوص بازدهی فعالیتهای اقتصادی موجود در فضای شهری توجه به مکان استقرار این فعالیتها را در خدمات‌رسانی به شهروندان بیش از پیش ضروری کرده است. در این بین مراکز مالی و اعتباری، به‌ویژه بانک‌ها را میتوان یکی از مهمترین فعالیتهای اقتصادی دانست. عوامل گوناگونی در شناسایی مکان بهینة استقرار این فعالیتها دخالت دارد که موجب پیچیدگی در تصمیمگیریهای مکانی میشود و مدلسازی روابط فضایی عوامل مؤثر را ضروری میکند. رگرسیون وزنی جغرافیایی با مدلسازی روابط فضایی بین مجموعهای از متغیرها امکان پیشبینی مقادیر متغیرهای نامعلوم و فهم بهتر عوامل تأثیرگذار بر متغیر را میدهد. در این تحقیق سعی شد تا با مدل رگرسیون وزنی جغرافیایی روابط فضایی عوامل مؤثر در استقرار مراکز مالی و اعتباری مدلسازی و مکان بهینة استقرار این مراکز در شهر تهران پیشبینی شود. در این تحقیق از متغیرهای مراکز آموزشی و فرهنگی، اداری، تفریحی، بهداشتی و درمانی، اقتصادی و تجاری، ترافیکی، حمل و نقلی و جمعیتی به عنوان متغیر مستقل و از وضعیت فعلی شعب مراکز مالی و اعتباری به عنوان متغیر وابسته در مدل رگرسیون وزنی جغرافیایی استفاده شد. همچنین، به‌منظور پی‌بردن به دقت و اهمیت رگرسیون وزنی جغرافیایی، خروجی حاصل از این مدل ارزیابی شده است. نتایج، بیانگر دقت بالای این روش در شناسایی مکان بهینة استقرار مراکز مالی و اعتباری است. نتایج نشان‌دهندة آن است که مدل مورد نظر با R2 برابر با 8883/0 و R2 تعدیل‌شدة برابر با 8841/0 دارای دقت قابل‌قبولی در مدلسازی روابط فضایی عوامل مؤثر در استقرار مراکز مالی و اعتباریاست. همچنین، خودهمبستگی برآورد‌شده روی مقادیر باقیمانده و حاصل از مدل رگرسیون وزنی جغرافیایی با استفاده از آمارة موران I (Moranʼs I) نیز از عدم خودهمبستگی معنادار حکایت میکند. | ||
| کلیدواژه‌ها | ||
| رگرسیون وزنی جغرافیایی(GWR)؛ روابط فضایی؛ شهر تهران؛ مراکز مالی و اعتباری | ||
| مراجع | ||
|
الفت لعیا، فوکردی رحیم، 1390، تبیین الگوی استقرار ماشین‌های خودپرداز، کاوشهای مدیریت بازرگانی، شمارۀ 5، 96-74. بهناممرشدی حسن، 1391، برنامه‌ریزی فضایی خدمات گردشگری، مطالعۀ موردی: محورهای اصلی استان فارس، استاد راهنما حسنعلی فرجی سبکبار، دانشگاه تهران، دانشکدۀ جغرافیا. حاتمی نژاد حسین، پوراحمد احمد، منصوریان حسین، رجایی عباس، 1392، تحلیل مکانی شاخصهای کیفیت زندگی در شهر تهران، پژوهش‌های جغرافیای انسانی، دورۀ 45، شمارۀ 4، صص. 29- 56. رهنمایی محمدتقی، مولایی هشجین نصراله، رشیدارده حبیباله، 1391، تحلیل مکانی- فضایی شعب بانک ملی شهر رشت به منظور خدمات رسانی بهینه به مشتریان، جغرافیا(فصلنامۀ علمی- پژوهشی انجمن جغرافیای ایران)، سال دهم، شمارۀ 34، صص. 47- 64. سلطانی علی، احمدیان علیرضا، اسمعیلیایوکی یوسف، 1389، کاربرد مدل رگرسیون وزندار فضایی(GWR) در بررسی روابط بین متغیرهای فضایی در یک پهنه شهری، نمونۀ موردی منطقۀ 7 شهرداری تهران، آرمانشهر، سال سوم، شمارۀ 4، صص. 99- 110. عسگری علی، 1390، تحلیلهای آمار فضایی با ArcGIS، انتشارات سازمان فناوری اطلاعات و ارتباطات شهرداری تهران، تهران. عشورنژاد غدیر، فرجی سبکبار حسنعلی، علوی‌پناه سید کاظم، نامی محمدحسن، 1390، مکانیابی شعب جدید بانک‌ها و مؤسسات مالی و اعتباری با استفاده از فرآیند تحلیل شبکهای فازی(Fuzzy ANP)،پژوهش و برنامه‌ریزی شهری، شمارۀ 7، 20-1. فرجی سبکبار حسنعلی، عشورنژاد غدیر، رحیمی سعید، فرهادیپور احمد، 1391، ارزیابی ظرفیت تعداد دستگاه‌های خودپرداز در شعب بانک‌ها و مؤسسات مالی و اعتباری با استفاده از (ANP) و (GCA) مطالعۀ موردی: حد واسط میدان انقلاب تا میدان فردوسی خیابان انقلاب تهران، مطالعات و پژوهش‌های شهری و منطقهای، شمارۀ 14، 42-23. فرهمند شکوفه، فروغی فردوس، 1390، تحلیل فضایی عوامل مؤثر بر قیمت مسکن در ایران (رهیافت رگرسیون وزنی جغرافیایی)،سومین کنفرانس برنامه‌ریزی و مدیریت شهری، مشهد مقدس. فوکردی رحیم، 1384، طراحی الگویی جهت تعیین نظام استقرار تسهیلات ارائه‌دهندۀ خدمات در مناطق شهری(مطالعه موردی: جایابی ماشین‌های خودپرداز بانک کشاورزی در منطقه 10 شهرداری تهران)،استاد راهنما الفت لعیا، دانشگاه علامه طباطبایی، دانشکدۀ حسابداری و مدیریت. قربانی مسعود، 1388، طراحی و پیادهسازی یک سیستم حامی تصمیم مکانی(SDSS) مطالعۀ موردی: تعیین شعب بهینۀ بانکی، استاد راهنما صمدزادگان فرهاد و رجبی محمدعلی، دانشگاه تهران، پردیس دانشکدههای فنی، گروه مهندسی نقشهبرداری. گلی علی، الفت لعیا، فوکردی رحیم، 1389، مکانیابی دستگاه‌های خودپرداز با استفاده از روش تحلیل سلسله مراتبی(AHP) مطالعۀ موردی: شعب بانک کشاورزی منطقۀ 10 شهرداری تهران، جغرافیا و توسعه ، شمارۀ 18، 93-108. موذن جمشیدی سیده هما، مقیمی مریم، اکبری نعمت اله، 1390، تحلیل تأثیر اندازۀ دولت بر توسعۀ انسانی در کشورهای OIC (رهیافت رگرسیون وزنی جغرافیایی(GWR))،مطالعات و پژوهش‌های شهری و منطقهای، سال دوم، شمارۀ 8، صص. 95- 116. موسوی ناصر، 1380،اولویتبندی و انتخاب مکان مناسب شعب بانک کشاورزی با استفاده از تکنیک تجزیه و تحلیل سلسله مراتبی(AHP)،استاد راهنما جعفرنژاد احمد، دانشگاه تهران، دانشکدۀ مدیریت. Anselin, L., 1988, Spatial Econometrics: Methods and Models. Dordrecht: Kluwer Academic Publishers.
Bagheri, N., Holt, A., & Benwell, G. L., 2009, Using geographically weighted regression to validate approaches for modelling accessibility to primary health care, Applied Spatial Analysis and Policy, Vol.2, No.3, pp. 177-194.
Brunsdon, C., Fotheringham, A. S., Charlton, M. E., 1996, Geographically weighted regression: a method for exploring spatial nonstationarity, Geographical Analysis, Vol.28, No.4, pp. 281-298.
Cahill, M., & Gordon, M., 2007, Using geographically weighted regression to explore local crime patterns, Social Science Computer Review, Vol.25, No.2, pp. 174-193.
Cardozo, O.D., García-Palomares, J.C., & Gutiérrez, J., 2012, Application of geographically weighted regression to the direct forecasting of transit ridership at station-l evel, Applied Geography, Vol. 34, pp. 548-558. Chen, D.-R., & Truong, K., 2012, Using multilevel modeling and geographically weighted regression to identify spatial variations in the relationship between place-level disadvantages and obesity in Taiwan, Applied Geography, Vol.32, No.2, pp. 737-745.
Clement, F., Orange, D., Williams, M., Mulley, C., & Epprecht, M., 2009, Drivers of afforestation in Northern Vietnam: assessing local variations using geographically weighted regression, Applied Geography, Vol.29, No.4, pp. 561-576.
Fotheringham, A. S., Brunsdon, C., & Charlton, M. E., 2002, Geographically weighted regression: The analysis of spatially varying relationships, Chichester: Wiley.
Fotheringham, A. S., Charlton, M., Brunsdon, C., 1997, Measuring spatial variations in relationships with geographically weighted regression. In M. M. Fischer, & A. Getis (Eds.), Recent developments in spatial analysis (pp. 60-82), Berlin: Springer.
Fotheringham, A. S., Charlton, M., Brunsdon, C., 1998, Geographically weighted regression: a natural evolution of the expansion method for spatial data analysis, Environment and Planning A, Vol.30, No.11, pp. 1905-1927.
Gao, J., & Li, S., 2011, Detecting spatially non-stationary and scale-dependent relationships between urban landscape fragmentation and related factors using geographically weighted regression, Applied Geography, Vol.31, No.1, pp. 292-302.
Hadayeghi, A., Shalaby, A. S., & Persaud, B. N., 2010, Development of planning level transportation safety tools using geographically weighted poisson regression, Accident Analysis and Prevention, Vol.42, No.2, pp. 676-688.
Hanham, R., & Spiker, J. S., 2005, Urban sprawl detection using satellite imagery and geographically weighted regression. In R. R. Jensen, J. D. Gatrell, & D. D. McLean (Eds.), Geo-spatial technologies in urban environments (pp. 137-151). Berlin: Springer.
Huff, D., McCallum, B. M., 2008, Calibrating the Huff Model Using ArcGIS Business Analyst, An ESRI White Paper .
Lloyd, C. D., (2010), Local models for spatial analysis, Boca Raton: Taylor & Francis. Luo, J., & Wei, Y. H. D., 2009, Modeling spatial variations of urban growth patterns in Chinese cities: the case of Nanjing, Landscape and Urban Planning, Vol.91, No.2, pp. 51-64.
Malczewski, J., & Poetz A., 2005, Residential Burglaries and Neighborhood Socioeconomic Context in London, Ontario: Global and Local Regression Analysis, The Professional Geographer 57(4): 516-529.
Mennis, J., 2006, Mapping the results of geographically weighted regression, The Cartographic Journal,Vol.43, No.2, pp. 171-179.
Ogneva-Himmelberger, Y., Pearsall, H., & Rakshit, R., 2009, Concrete evidence & geographically weighted regression: a regional analysis of wealth and the land cover in Massachusetts, Applied Geography, Vol.29, No.4, pp. 478-487.
Páez, A., 2006, Exploring contextual variations in land use and transport analysis using a probit model with geographical weights, Journal of Transport Geography, Vol.14, No.3, pp. 167-176.
Pineda, N. B., Bosque-Sendra, J., Gómez-Delgado, M., & Franco, R., 2010, Exploring the driving forces behind deforestation in the state of Mexico (Mexico) using geographically weighted regression, Applied Geography, Vol.30, No.4, pp. 576-591.
Smith, M. J., Goodchild, M. F., & Longley, P. A., 2009, Geospatial analysis. A comprehensive guide to principles, techniques and software tools. Leicester: Matador.
Tu, J., 2011, Spatially varying relationships between land use and water quality across an urbanization gradient explored by geographically weighted regression, Applied Geography, Vol.31, No.1, pp. 376-392.
Tu, J., & Guo, X., 2008, Examining spatially varying relationships between land use and water quality using geographically weighted regression I: model design and evaluation, Science of the Total Environment, Vol.407, No.1, pp. 358-378.
Zhang, L., & Shi, H., 2004, Local modeling of tree growth by geographically weighted regression, Forest Science, Vol.50, No.2, pp. 225-244.
Zhang, P., Wong, D. W., So, K. L., & Lin, H., 2012, An exploratory spatial analysis of western medical services in Republican Beijing, Applied Geography, Vol.32, No.2, pp. 556-565. | ||
|
آمار تعداد مشاهده مقاله: 1,916 تعداد دریافت فایل اصل مقاله: 2,240 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب