تعادل‌بخشی جمعیت در ساختار فضایی شهر یزد

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری شهرسازی، دانشکده معماری و شهرسازی، دانشگاه هنر اصفهان، اصفهان، ایران

2 دانشیار شهرسازی، دانشکده هنر و معماری، دانشگاه یزد، یزد، ایران

چکیده

شهر یزد به‌عنوان یکی از شهرهای بزرگ ایران در دهه‌های اخیر به عدم تعادل در نظام فضایی و جمعیتی خود مبتلا گشته است و محصول این روند در دهه‌های اخیر تا به امروز موجب مشکلاتی همچون توسعۀ افقی و نامتوازن شهر یزد شده است. هدف این پژوهش شناسایی مؤلفه‌ها و پیشران‌های مؤثر بر نامتعادل‌شدن توزیع ‌فضایی‌ جمعیت و بررسی ارتباط آن با ساختار فضایی شهر یزد برای ایجاد تعادل ‌فضایی‌ جمعیت و نظام شهری و روستایی در پهنۀ سرزمینی شهر یزد است. روش پژوهش ا نظر هدف کاربردی و به دلیل به‌کارگیری روش‌های کیفی و کمّی در زمرۀ پژوهش‌های ترکیبی قرار دارد. در این پژوهش از روش آینده‌پژوهی برای شناسایی پیشران‌های مؤثر ‌بر تعادل جمعیت و از الگوریتم ژنتیک برای مدل‌سازی و بهینه‌سازی توزیع جمعیت استفاده ‌شده است. یافته‌ها بیانگر آن است که پیشران‌های توزیع فضایی کانون‌های خدماتی و عملکردی، توزیع فضایی مراکز کار و فعالیت و الگوی ساختار فضایی با تأکید بر مقیاس عملکردی مناطق و شهر به ترتیب عامل اصلی جذب جمعیت و مؤثر بر الگوی توزیع فضایی و جمعیتی در شهر یزد هستند. نتایج پژوهش حاکی‌ازآن است که 1. توزیع فضایی اراضی بایر رابطۀ معکوسی با توزیع فضایی مراکز خدماتی-عملکردی و کانون‌های فعالیتی دارد و هرجا تمرکز کمتری از مراکز مذکور وجود داشته باشد، نسبت سهم اراضی بایر به مساحت محدودۀ مدنظر بیشتر است؛ 2. بدون استفاده ماندن زمین‌ها و کاهش پویایی فضایی در برخی مناطق شهری (منطقۀ C و B) و 3. پراکنش ناموزون فضایی مراکز خدماتی-عملکردی و کانون‌های فعالیتی و توسعۀ افقی سبب عدم تعادل در توزیع فضایی جمعیت شهر یزد شده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Balancing the Population in the Spatial Structure of Yazd Metropolitan Area

نویسندگان [English]

  • Alireza Rivaz 1
  • Mohsen Rafieian 2
1 Ph.D. student of Urban Planning, Faculty of Architecture and Urban Planning, Art University of Isfahan, Isfahan, Iran
2 Associate professor, Faculty of Art and Architecture, University of Yazd, Yazd, Iran
چکیده [English]

 
Abstract
In recent decades, Yazd, one of Iran's major cities, has encountered spatial and demographic imbalances. This trend has led to challenges, such as uneven and horizontal urban expansion. The aim of this study was to identify the key components and driving forces behind the spatial imbalance in population distribution and explore their relationship with the spatial structure of Yazd. The ultimate goal was to foster a balanced spatial distribution of the population and an integrated urban-rural system within Yazd territory. Methodologically, this research was applied in nature and utilized a mixed-methods approach, combining both qualitative and quantitative techniques. Foresight methods were employed to identify the driving forces affecting population balance, while genetic algorithms were used to model and optimize population distribution. The findings indicated that the spatial distribution of service and functional centers, employment and activity hubs, and the overall spatial structural pattern—particularly at the functional scale of urban areas—were the primary determinants influencing population attraction and the patterns of spatial and demographic distribution in Yazd. The results revealed: 1) an inverse relationship between the spatial distribution of barren lands and that of service-functional centers and activity hubs; areas with fewer such centers tended to have a higher proportion of barren land; 2) underutilization of land and diminished spatial dynamism in certain urban zones (specifically Zones B and C); 3) uneven spatial distribution of service-functional centers and activity hubs combined with horizontal urban growth had contributed to the spatial imbalance in the population distribution of Yazd.
 
Keywords: Balancing, Population Density, Spatial Structure, Genetic Algorithm, Spatial Distribution, Yazd.
 
Introduction
Over the past two decades, urban growth in developed countries has been characterized by the emergence of diverse suburban activity centers. These centers have directly competed with traditional urban areas by decentralizing populations and activities, thereby transforming the spatial structure of contemporary urban environments and fostering more dispersed, polycentric spatial patterns. Research on population spatial structures indicates that the distribution of metropolitan populations is less balanced in developing countries compared to their developed counterparts. This imbalance is particularly evident in the population distribution systems of developing nations, such as Iran, over recent decades. Such imbalances have intensified rural-to-urban migration and further entrenched centralization rather than promoting equilibrium. The extreme concentration of job opportunities driven by centralized economic development has led to resource and capacity accumulation in certain areas while leaving others with low population and development levels. To achieve a more balanced spatial distribution of population within the rural and urban systems of Yazd Metropolis, it is crucial to identify the driving factors that have contributed to these disparities. This involves examining the relationships between these drivers and the city’s spatial structure, as well as assessing the potential for equitable access to services, facilities, and social and economic infrastructure. Consequently, this study first investigated the factors influencing changes in the spatial structure of population to understand the reasons behind the imbalanced population density in both rural and urban areas of the metropolitan region of Yazd. This analysis employed foresight methods. Following this, artificial intelligence was utilized to develop optimal strategies for the redistribution and resettlement of the population in the identified suitable areas.
 
Materials & Methods
This study was applied in nature and employed a mixed-methods approach, incorporating both qualitative and quantitative data. The research was conducted in two stages. In the first stage, a futuristic approach was adopted. After reviewing the relevant theoretical foundations and upstream documents, an initial conceptual model was developed. In-depth structured interviews were then conducted with a sample of selected individuals to assess the validity of the proposed model and identify the driving forces influencing the spatial structure of the population in the metropolitan area of Yazd. In the second stage, the factors with the most significant impact on population changes within  the spatial structure of Yazd were identified. The most likely scenario for optimal conditions was modeled using genetic algorithms. This modeling aimed to determine the ideal balanced population density for each neighborhood, district, and area of the city by redistributing activity and service centers within these confines. The study area was the city of Yazd, Iran, which has a population of over 656,474 people according to the 2016 general census. As the most populous city in Yazd Province, Yazd is considered one of the largest cities in Iran with 611,466 residents in urban areas and 45,007 in rural areas. Yazd City comprises two central districts (Yazd City-Hamidia and Shahidieh) and Zarch District, which includes two rural districts: Fajr and Fahraj, while Zarch District encompasses Allahabad and Mohammadabad.
 
Research Findings
The interviews conducted in this study were analyzed to identify the factors influencing changes in the spatial structure of the population in the metropolitan area of Yazd. This analysis involved coding the responses using key words and phrases in MAXQDA software. Due to the inadequate per capita value for each service and activity center, the employed genetic algorithm was able to reduce the discrepancies in these values, thereby balancing the distribution of these centers. To address the per capita shortages, barren and brownfield lands in each area were utilized. At this stage of the research, the most optimal scenario (Scenario 3) was modeled by focusing on the key factors of "spatial distribution of service and activity centers" and "spatial distribution of workplaces". This modeling involved revising the per capita distribution of these centers at the neighborhood, district, and area scales within the studied urban region. The genetic algorithm was employed to enhance population balance with the optimization process following a bottom-up approach, starting from neighborhoods and progressing to broader areas of the city. Overall, the genetic algorithm effectively minimized the differences in per capita values, contributing to a more equitable distribution of service and activity centers.
 
Discussion of Results & Conclusion
The findings revealed that the primary drivers of population attraction and the determinants of spatial and demographic distribution patterns in Yazd were: (1) spatial distribution of service and functional centers, (2) distribution of employment and activity hubs, and (3) overall spatial structure, particularly at the functional scale of urban regions and the city as a whole. As of 1996 (1375 in the Iranian calendar), most of these centers were concentrated in a single nucleus within Zones A2 (currently 136.5 hectares) and A1 (currently 109.88 hectares), reflecting the mono-centric and insular spatial structure of Yazd. Between 1996 and 2016 (1375 to 1395), some centers relocated to Zone A3 (currently 84.61 hectares) and new centers also showed a tendency to concentrate in this area. The polarity of Yazd City across the three regions (A1, A2, A3) was significantly higher compared to Areas B and C, resulting in the formation of the spatial structure of a single-core island. In the land use distribution pattern proposed by the genetic algorithm at the regional level, the highest concentration of land uses was observed in Areas A2 and A3 (specifically A32, A21, A23, and A24), while Area B (notably B11) exhibited the lowest share. This suggested a shortage of population attraction centers per capita in Areas A1 and A2, alongside a more favorable per capita distribution of these centers in Area B under the current conditions.
In the proposed land-use distribution model utilizing the genetic algorithm at the district level, the highest concentration of land uses was found in Zones A2 and A3, while Zone C (C1) had the lowest share. This indicated that enhancing the role of regional population-attracting centers in A2 and A3 could promote a more balanced spatial distribution of the population. Overall, the findings illustrated an inverse relationship between the spatial distribution of barren lands and the presence of service-functional centers and activity hubs: areas with fewer such centers tended to have a higher proportion of barren land. Furthermore, the underutilization of land and diminished spatial dynamism in specific urban zones (particularly Zones B and C) significantly contributed to spatial imbalances in population distribution. However, the untapped potential of barren and brownfield lands presented a valuable opportunity to allocate space for service-oriented and activity-based land uses. The uneven distribution of service-functional centers and activity hubs coupled with unchecked horizontal expansion further intensified spatial imbalance. Consequently, implementing restrictions on uncontrolled urban sprawl—especially in the southern, southeastern, and western peripheries of Yazd—and advocating for an endogenous development approach were crucial steps toward addressing spatial disproportionality. The results of this study underscored the necessity of adopting a comprehensive strategy for urban land management and spatial planning to effectively utilize existing resources and establish a balanced spatial structure for Yazd. This approach may also be applicable to other cities with significant areas of barren and brownfield lands.
 

کلیدواژه‌ها [English]

  • Balancing
  • Population Density
  • Spatial Structure
  • Genetic Algorithm
  • Yazd

مقدمه

رشد سریع جمعیت شهری و حرکات ‌جمعیتی ناشی از مهاجرت به شهرها از یک‌سو (Nam, 2017) و توجه‌نکردن به برنامه‌ریزی ‌فضایی از سوی دیگر ( Claassens et al., 2020; Dydkowski, 2019) ساختار فضایی شهرها را ازطریق تغییرات تراکم جمعیتی مناطق شهری دگرگون کرده است (Veneri, 2018) و توسعۀ مهارنشدنی شهرها را به دنبال داشته است. مطالعات الگوی ساختار فضایی جمعیت در کشورهای توسعه‌یافته و درحال‌توسعه و مقایسۀ آن‌ها حاکی‌ازآن است که توزیع فضایی جمعیت در مناطق کلان‌شهری کشورهای درحال‌توسعه نامتعادل‌تر از کشورهای توسعه‌یافته است (Lupala, 2021). الگوهای رشد ‌شهری در کشورهای توسعه‌یافته طی دو دهۀ گذشته با ظهور فزاینده و متنوع، مراکز اشتغال حومه‌ای شناخته می‌شوند که در رقابتی مستقیم با مراکز شهری قدیمی ازطریق تمرکززدایی جمعیت و فعالیت است و ساختار فضایی مناطق کلان‌شهری معاصر را تغییر داده و این فرایند به الگوهای فضایی پراکنده‌تر و چندهسته‌ای منجر شده است ( Xiong et al., 2020; Subasinghe et al., 2022).

سیمای نامتعادل نظام پخشایش جمعیت در کلان‌شهرهای ایران همانند دیگر کشورهای درحال‌توسعه در دهه‌های اخیر، مثالی برای این موضوع است ( Pilehvar, 2021; Meshkini et al., 2022; Razavivandfard, 2018). این موضوع موجب افزایش مهاجرت از روستاها به شهرها و تمرکزگرایی به‌جای تعادل شده است (Pilehvar; 2022؛ شهبازین و ساسانی‌پور، 1402). این مسئله ناشی از تمرکز بی‌حد و اندازۀ فرصت‌های شغلی متأثر از توسعۀ متمرکز اقتصادی در منطقه است که باعث شده‌ است تا استفاده از منابع و ظرفیت‌های یک منطقه به حالت اشباع برسد و مناطق دیگر خالی از سکنه و توسعه شود و به عدم تعادل فضایی در نظام سکونتگاهی منتج شود ( Saghaei et al., 2020; Pilehvar, 2021).

شهر یزد به‌عنوان یکی از شهرهای بزرگ ایران در دهه‌های اخیر به عدم تعادل در نظام فضایی و جمعیتی خود مبتلا گشته است (Saraei & Iraji, 2016) و محصول این روند در دهه‌های اخیر تا به امروز مشکلاتی از قبیل توسعۀ افقی و نامتوازن شهر‌یزد، نرخ بالای مهاجرفرستی و خالی‌شدن روستاها از سکنه ( Jafari et al., 2018; Rastegari & Saraei, 2016)، فرسودگی بافت مرکزی یزد و مسائلی دیگر بوده است که درصورت ادامۀ این روند و عدم تعادل در توزیع فضایی جمعیت و اصلاح الگوی استقرار جمعیت در شهر یزد، عدم تعادل در ساختار‌فضایی تشدید می‌شود و علاوه‌بر مشکلات و وضعیت فعلی مشکلات جدیدی را در آینده به این منطقه تحمیل خواهد کرد (منتظری و همکاران، 1396؛ ضرابی و موسوی، 1389). شناسایی مؤلفه‌ها و پیشران‌های مؤثر بر نامتعادل‌شدن توزیع فضایی جمعیت و بررسی ارتباط آن با ساختار فضایی شهر یزد برای ایجاد تعادل فضایی جمعیت و نظام شهری و روستایی در پهنۀ سرزمینی شهر یزد از اهمیت و ضرورت بسیاری برخوردار است و می‌تواند امکان دسترسی متعادل به خدمات و امکانات و زیرساخت های اجتماعی، اقتصادی و رفاهی را محقق سازد؛ ازاین‌رو با مشخص‌شدن مسئله، این پژوهش سعی دارد تا در مرحلۀ اول پیشران‌های مؤثر بر تغییرات ساختار فضایی جمعیت را بررسی و علل عدم تعادل تراکم جمعیتی در نقاط شهری و روستایی یزد را با استفاده از رویکرد آینده‌پژوهی مشخص‌ کند و در مرحلۀ بعدی با استفاده از تکنیک هوش مصنوعی به حل مسئله ازطریق پیشنهادهای بهینه برای اسکان و پخشایش مجدد جمعیت در اراضی مستعد شناسایی‌شده بپردازد.

مبانی نظری

توزیع فضایی جمعیت و توازن و تعادل آن

تغییرات و جابه‌جایی جمعیت در فضا در سه ‌مقیاس مختلف فضایی رخ می‌دهد. در مقیاس ‌جهانی، جریان جابه‌جایی جمعیت بین کشورها به شکل نامتوازنی توسط جریان جهانی سرمایه، اطلاعات و فناوری، فرصت‌های شغلی و نیاز به متخصصان رخ می‌دهد ( Lu et al., 2023; Shao & Wang, 2022). در مقیاس فضای ‌میانی، جابه‌جایی جمعیت و مهاجرت در داخل کشورها و به علل اقتصادی و اجتماعی بین مناطق مختلف رخ می‌دهد (آروین و کیانی، 1399). در مقیاس فضایی خرد نیز این تغییرات عموماً در مقیاس داخل شهرها اتفاق می‌افتد (Irekponor et al., 2022). تمایزات فضایی در شهرها به علت توزیع متفاوت عوامل اجتماعی و اقتصادی در فضای شهرهاست و سبب توزیع فضایی نابرابر جمعیت شهری در مناطق مختلف شهری می‌شود ( Sun et al., 2017; Xu et al., 2014)؛ بنابراین، فرایند پراکندگی‌جمعیت در درجۀ ‌اول به مشکلات اتصال ضعیف در انتقال صنعتی، ادغام مجدد جمعیت‌ها، کمبود نیروی کار، روابط پیچیده بین چند سهام‌دار و تشدید خطرات برای ثبات اجتماعی مربوط می‌شود (رحیمی و رحیمی، 1401؛ اسمعیل‌پور و شکیبامنش، 1398). الگوی‌های متفاوت تجمع و اسکان جمعیت ناشی از توزیع منابع و تمایز توزیع آن‌ها در سطح شهرها، سبب شکل‌گیری شهر چندمرکزی، شهر حاشیه‌ای و فضای حاشیه‌نشینی و حومه‌نشینی شده است ( Caldeira, 2016; Fujii, 2007). برای حل این مسئله بسیاری از نویسندگان دربارۀ مفهوم گسترش متوازن شهری بحث کرده‌اند. آنها استدلال می‌کنند در حالی‌که این مفهوم نماد ایده‌های رؤیایی بزرگ برای برنامه‌ریزی شهری و توسعۀ متوازن است، اجرای آن می‌تواند با انبوهی از تضادها به دلیل طیف وسیعی از منافع و ذی‌نفعان درگیر مواجه ‌شود (مودت و همکاران، 1396؛ دهقانپورفراشاه، 1399). هنگامی که از عدم تعادل فضایی و جمعیتی صحبت به میان می‌آید، شناسایی پیشران‌های مؤثر بر عدم‌تعادل اهمیت پیدا می‌کند. به‌طورکلی مطالعات پیشین عوامل و پیشران‌های کلیدی مؤثر در عدم تعادل فضایی کلان‌شهرها را شامل مواردی دانسته‌اند که در جدول (1) آورده شده است:

 

جدول (1): پیشران‌ها و عوامل مؤثر بر عدم تعادل در ساختار فضایی و جمعیتی کلان‌شهرها

Table 1. The factors affecting the imbalance in the spatial structure and population of metropolises

شماره

پیشرانها و عوامل

توضیحات

1

نیروهای بازار و مقررات

ساختارهای فضایی شهری توسط نیروهای بازار در تعامل با مقررات، سرمایه‌گذاری‌های اولیۀ زیرساخت‌ها و مالیات‌ها شکل می‌گیرند. پیامدهای ناخواستۀ سیاست‌ها و مقررات تدوین‌شده بدون در نظر گرفتن تعادل فضایی می‌تواند به عدم تعادل در ساختارهای شهری منجر شود (Reia et al., 2022).

2

شهرنشینی

اثرات شهرنشینی به تغییر پارادایم در ساختار فضایی کلان‌شهرها از لایه‌بندی تک‌مرکزی به چندمرکزی منجر شده است. تحول سریع شهری ناشی از رشد جمعیت شهری می‌تواند به توسعۀ نامتوازن فضایی در شهرها منجر شود، به‌ویژه زمانی که بدون برنامه‌ریزی مناسب رخ دهد (Rashid et al., 2023).

3

تشکیل مراکز جدید شهری

افزایش مراکز شهری جدید و تحولات درون کلان‌شهرها می‌تواند به‌طور درخور توجهی بر تعادل فضایی تأثیر بگذارد. شکل‌گیری مراکز شهری جدید به‌عنوان عاملی برای توسعۀ نامتوازن فضایی در ساختار شهری شناخته شده است (Hu et al., 2022, Dadashpoor & Malekzadeh, 2020).

4

تکامل ساختار فضایی چندمرکزی

تکامل به سمت ساختار فضایی چندمرکزی می‌تواند بر توزیع متعادل کلی عوامل اقتصادی در توده‌های شهری تأثیر بگذارد ( Rashid et al., 2023; Zhang et al., 2023).

5

دسترسی

شامل: میزان دسترسی به امکانات، در دسترس ‌بودن خدمات و امکانات شهری، میزان پایداری و تراکم (Lupala, 2021).

6

جمعیت

سه روند که از رشد جمعیت ناشی می‌شود و شهرها را به سوی عدم تعادل جمعیت سوق می‌دهد؛ شامل: 1- تغییر در مرکز گرانش جمعیت ( Peng et al., 2021; Salvati, 2020)، 2- تشکیل شهرهای مرکزی ( Kvasko, 2023, Mei-Lin et al., 2023 ) و 3- تأثیر بر تراکم شهری ( Lyu & Jiang, 2022; Gao et al., 2019).

7

توزیع مراکز اشتغال و خدماتی

توزیع مراکز اشتغال و خدماتی عامل اصلی جاذب جمعیت هستند

 ( Angel et al., 2016; Lv et al., 2021).

 

این موارد نشان می‌دهد که چگونه تغییرات در پیشران‌های ذکرشده می‌تواند سبب عدم تعادل فضایی و جمعیتی در شهرها شود. به‌طورکلی می‌توان گفت که ساختار فضایی نتیجه‌های مختلف نیروهای داخلی و خارجی است (García-López et al., 2016) و از تعامل فضایی این نیروها ساختار فضایی، مدل‌های فضایی مختلفی می‌گیرد؛ بنابراین، برایند تغییرات در ساختار جمعیت و فعالیت می‌تواند تأثیر چشمگیری در ساختار فضایی کلان‌شهرها داشته باشد (Dadashpoor et al., 2023).

 

تجارب تعادل‌بخشی جمعیت در ساختار فضایی

کلان‌شهرها برای کنترل اندازه و توزیع جمعیت عمدتاً از ابزاری مانند بهینه‌سازی منطقه‌بندی عملکردی شهر، بهینه‌سازی طرح ساختار جمعیت صنعتی و بهینه‌سازی سیستم مدیریت و توزیع خدمات و امکانات عمومی استفاده می‌کنند ( Liang & Wang, 2017; Dong et al., 2021)؛ اما تاکنون بسیاری از برنامه‌ریزی‌های فضایی کنترل و توزیع متعادل جمعیت در کشورهای درحال‌توسعه به دلایل مختلفی همچون: برنامه‌ریزی‌های غیرسیستماتیک و اجرانشدنی یا اجرای ضعیف برنامه‌ها توسط دولت در کنار توسعۀ سریع شهرنشینی و برنامه‌های اقتصادی با شکست روبه‌رو شده است ( Eckert & Köhler, 2014; Hussnain et al., 2020). کلان‌شهرهایی که با مشکل عدم‌ تعادل فضایی جمعیت روبه‌رو هستند، سیاست‌ها و اقدامات مختلفی را برای کنترل‌ جمعیت و بازتوزیع آن به کار گرفته‌اند که در جدول (2) به برخی از آن تجارب اشاره شده ‌است.

 

 

جدول (2): سیاست‌ها و اقدامات در پاسخ به عدم‌ تعادل جمعیت کلان‌شهرها

Table 2. The policies and measures to cope with the population imbalance in metropolises

نام کلان‌شهر

سیاست و برنامه‌ریزی فضایی

پکن

کنترل صنعت، کنترل منابع، پراکندگی و ممنوعیت ورود جمعیت و مشاورۀ اداری. به این ترتیب، مناسب‌ترین روش کنترل جمعیت در پکن، ایجاد سیستم جامع کنترل جمعیتی است که شامل بخش‌های برنامه ریزی صنعتی، برنامه‌ریزی ساخت‌وساز، مدیریت جمعیت و ارتقای دولت است (Long et al., 2011; Gu et al., 2023).

توکیو

در سال 1958، توکیو با تغییر ساختار فضاهای شهری و ساختن شهرهای جدید، تعداد زیادی از مردم را از مراکز شهری خارج کرد. در سال 1986، توکیو شکل‌گیری الگویی چندقطبی و پراکندۀ توسعۀ زمین را ترویج کرد ( Hein, 2010, Ohashi et al., 2022).

نیویورک

در سال 1968، شهر هدایت مراکز شهرهای جدید را ایجاد کرد. در همان زمان، توسعۀ سریع منطقۀ شهری جدید را ازطریق برنامه‌ریزی منطقی گراند نیویورک ارتقا داد (Birch, 1996). در سال 1996، در سومین طرح کلان‌شهر، این شهر پنج پویش بزرگ را با تمرکز بر «پوشش گیاهی، تمرکز، تحرک، کار و مدیریت» اجرا کرد تا اقتصاد را یکپارچه کند، عدالت را ارتقا بخشد و محیط‌زیستی پاک را برای بهبود کیفیت زندگی ایجاد کند (McPhearson, 2011).

پاریس

در سال 1965 مفاهیم محور توسعۀ ‌شهری و شهر جدید مطرح شد و تحول استراتژیک (شیوۀ جدید توسعۀ فضایی) از محدودۀ شهر به منطقۀ ساخته‌شدۀ شهری تحقق یافت. در امتداد شریان‌های مهم ترافیکی، 8 شهر جدید با جمعیتی بین 300 هزار تا یک میلیون نفر ساخته ‌شد. مفهوم فضاهای چندمرکزی از منطقۀ ساخته‌شدۀ شهری پاریس به کل مناطق تعمیم داده شد (Desponds & Auclair, 2016).

توسعۀ شهری مدارهای متحدالمرکز در برنامه‌ریزی کنار گذاشته شد و به‌جای آن توسعۀ کمربند محوری اعمال شد. به‌طوری‌که حداقل 15درصد از جمعیت خود را پوشش بدهد و بدین‌ترتیب دفتر منطقۀ شهری برای تنظیم طرح هر 8 تا 10 سال تأسیس شد (Desponds & Auclair, 2016).

لندن

در سال‌های 1945 و 1947، دولت بریتانیا قانون اسکان مجدد صنعتی و قانون برنامه‌ریزی روستایی و شهری را برای بازسازی کارخانه‌ها و گسترش مناطق در لندن تدوین کرد. همچنین کمک‌هزینه‌هایی را برای جابه‌جایی کارخانه‌ها در نظر گرفت (Flinn, 2011).

این شهر نوعی برنامه‌ریزی برای «کنترل منطقۀ مرکزی شهر و توسعۀ شهرهای جدید» ارائه کرد. در دهۀ 1960، مدل چینش دایره‌ای متحدالمرکز و بستۀ طرح لندن بزرگ برای گسترش شهر در امتداد سه شریان اصلی ترافیک سریع تغییر یافت و سه محور را تشکیل داد. جمعیت در جنوب شرقی به مجموعه‌های شهری تقسیم شد تا مدل ساختار چندمرکزی شکل بگیرد (Rode, 2017).

 

بررسی سیاست‌ها و تجربیات کلان‌شهرها در دوره‌های مختلف برای برنامه‌ریزی فضایی برای ایجاد تعادل در توزیع جمعیت نشان می‌دهد که در هر دوره بنا به نوع مسئله، راهکارهای متفاوتی در جهت کنترل و تعادل جمعیت اتخاذ شده است. سیاست‌ها و اقدامات دولت‌ها و برنامه‌ریزان شهری در دوره‌های مختلف تا به امروز را می‌توان به شش دستۀ کلی تقسیم کرد که در جدول (3) آورده شده است:

 

جدول (3): راهکارها و سیاست‌های کلی برنامه‌ریزان برای تعادل‌بخشی جمعیت

Table 3. General methods and policies adopted for the balancing of population

شماره

راهکارها و سیاستها

1

تدوین فعال اسناد برنامه‌ریزی شهری برای کنترل جمعیت و اجرای طرح هماهنگ‌سازی فضایی و جمعیتی ( Liu et al., 2022; Immel, 2020).

2

ایجاد مناطق شهری جدید برای منحرف‌کردن جمعیت شهری و ساخت شهرک‌های اقماری برای تشکیل ساختاری چندمرکزی که به جذب جمعیت و کاهش تراکم جمعیت کمک می‌کند (Xie et al., 2023).

3

تغییر جهت توسعۀ صنعتی برای هدایت جریان جمعیت ازطریق اجرای شرایط اخذ مالیاتی و انتقال صنایع نیازمند به نیروی انسانی به خارج از محدودۀ مرکزی شهر (Chen et al., 2021).

4

افزایش استانداردهای زندگی و تشویق به مهاجرت جمعیت و حل مشکل سکونت ازطریق بهبود امکانات عمومی و دسترسی (Wu & Mei, 2022).

5

کنترل منابع و تعادل در توزیع آن‌ها ( Wu & Mei, 2022; Rastegari & Saraei, 2016).

6

اتخاذ سیاست‌هایی برای ایجاد محدودیت و ممنوعیت ورود جمعیت جدید به شهرهای اشباح‌شده ازلحاظ جمعیت (Ma et al., 2018; Immel, 2020; Gao et al., 2019; Zhang et al., 2021).

این استراتژی‌ها رویکردهای برنامه‌ریزی شهری و اقدامات کنترل جمعیت را نشان می‌دهد که سیاست‌گذاران و برنامه‌ریزان شهری در طول زمان برای مقابله با چالش‌های روبه‌رشد مربوط به عدم تعادل در توزیع جمعیت و برنامه‌ریزی فضایی در شهرهای بزرگ در نظر گرفته‌اند. با استفاده از این رویکردهای متنوع، برنامه‌ریزان سعی در ایجاد محیط‌های شهری متعادل‌تر، پایدارتر و قابل‌زندگی‌تر دارند که به نیازهای جمعیت به‌طور مؤثر پاسخ می‌دهد.

 

پیشینۀ پژوهش

در این قسمت پژوهش‌های گذشته بررسی و کنکاش شده‌اند که بر موضوع جمعیت و ساختار فضایی مناطق کلان‌شهری و شهری تمرکز داشته‌اند. در جدول (4) برخی از پژوهش‌های مرتبط با موضوع پژوهش فعلی آورده شده است.

جدول (4): پیشینۀ پژوهش

Table 4. A review of the literature

ردیف

نویسندگان

عنوان پژوهش

نمونۀ موردی

نتیجه‌گیری

1

Lee & Guldmann, 2023

تخصیص بهینۀ جمعیت و شغل در مناطق شهری باتوجه‌به محدودیت‌های مرز شهری و تراکم: رویکرد مدل‌سازی تعامل فضایی.

 

شهر فردریکزبورگ، آمریکا

میزان تراکم ساخت‌وساز بهینه به نحوۀ توزیع ترافیک و ازدحام بستگی دارد.

محدودکردن گسترش شهری می‌تواند مسافت طی‌شدۀ وسایل نقلیه و ترافیک را کاهش دهد.

2

Lai et al., 2023

شبیه‌سازی دقیق توزیع فضایی جمعیت با ترکیب مدل مبتنی‌بر عامل-الگوریتم ژنتیک و کلان‌داده.

 

دونگوان، چین

مدل GA-ABM ابزاری کارآمد برای درک و پیش‌بینی توزیع جمعیت در شهرهای صنعتی است و می‌تواند به برنامه‌ریزان شهری در تصمیم‌گیری‌های آگاهانه کمک کند.

3

Wang & Homma, 2023

پیش‌بینی ظرفیت بهینۀ جمعیت تعیین‌شده منطبق بر خدمات و امکانات.

 

کوماموتو، ژاپن

در آینده، جمعیت از حداکثر ظرفیت قابل‌تحمل منطقه بیشتر نخواهد شد.

5

Reia et al., 2022

نحوۀ پراکندگی و الگوی رشد جمعیت در سطح شهر.

 

کلان‌شهرهای آمریکا

رشد جمعیت ازلحاظ فضایی در مناطق کلان‌شهری ایالات متحده ناهمگن است و مهاجرت داخلی عامل اصلی رشد جمعیت است.

6

Liu et al., 2022

شبیه‌سازی فضایی‌سازی جمعیتی با سیاست فعال تمرکززدایی ارگانیک جمعیت.

 

پکن، چین

مردم به‌شدت به امکانات شهری وابسته هستند.

برای توسعه باید امکانات و جمعیت از مراکز اصلی به مناطق دیگر پخش شوند.

7

Bao et al., 2022

فضایی‌سازی جمعیتی بادقت زیاد در کلان‌شهرها براساس یادگیری جمعی.

 

پکن، چین

ویژگی‌های اجتماعی-اقتصادی در توزیع جمعیت در مقایسه با ویژگی‌های محیط‌زیستی مؤثرتر هستند.

8

Potapenko, 2022

ناهمگونی‌های ساختار فضایی شهر به‌عنوان ذخیره‌ای برای توسعۀ چارچوب شهر: مدل‌های منطقه‌ای و ارتباطی و تحلیل داده‌های تلفن همراه.

 

ولادی وستوک، روسیه

ساختار فضایی شهر ولادی وستوک نامتوازن و تک‌مرکزی است و برای توزیع بهینۀ جمعیت باید در مناطق مختلف شهر، مراکز محلی ایجاد شود.

9

Shao & Wang, 2022

مکانیسم فضایی توزیع تراکم جمعیت براساس عدم تعادل جمعیت-فضا.

 

چانگژو، چین

توزیع تراکم جمعیت زمانی نامتعادل می‌شود که تراکم فضایی از یک مقدار بحرانی فراتر رود.

13

Huang et al., 2020

داستان دو شهر: تعادل شغل-مسکن و ساختارهای فضایی شهری از منظر مسافران حمل‌ونقل عمومی.

 

پکن و شانگهای چین

تعادل شغل-مسکن بر ساختار فضایی شهری و الگوهای رفت‌وآمد تأثیر می‌گذارد.

16

Wang & Chen, 2018

عوامل مؤثر بر توزیع فضایی جمعیت در کلان‌شهر جینگ-جین-جی.

 

جینگ-جین-جی، چین

توسعۀ نامتوازن، تأثیر منفی بر توزیع جمعیت در منطقۀ جینگ-جین-جی دارد.

 

سیر مطالعات نشان می‌دهد که عدم تعادل فضایی و جمعیتی در شهرها به مسئلۀ ‌انکارناپذیری تبدیل شده است و اخیراً پژوهشگران بیشتری به مطالعه و پژوهش در این حوزه روی آورده‌اند؛ بااین‌حال این مسئله در کلان‌شهرها با جمعیت‌های میلیونی برجسته‌تر است و در کشورهایی مثل چین بیشتر با این مسئله روبه‌رو بوده‌اند. در مطالعات گذشته بر واکاوی علل عدم تعادل جمعیتی و فضایی شهرها تمرکز داشته‌اند، درحالی‌که در پژوهش‌های اخیر با استفاده از مدل‌سازی‌های فضایی تمرکز خود را بر راهبردها و سیاست‌های مؤثر بر توزیع متعادل جمعیت در کلان‌شهرها گذاشته‌اند. پژوهش‌ها غالباً بر رابطۀ بین توزیع شغل و جمعیت تأکید داشته‌اند و شرط تعادل جمعیت را توزیع متناسب شغل به‌عنوان یکی از عوامل اصلی جاذب جمعیت دانسته‌اند. پژوهش‌های قدیمی‌تر متناسب با مسئله، گرایش به روش‌های توصیفی و تحلیلی داشته‌اند؛ اما پژوهش‌های اخیر به سمت روش‌های ترکیبی و نوین مثل مدل‌سازی با استفاده از الگوریتم‌های مختلف در روش پژوهش خود روی آورده‌اند؛ بااین‌حال بررسی مطالعات در کشور ایران نشان می‌دهد که پژوهش‌های کمتری در این زمینه انجام‌ گرفته است و نیازمند مطالعات بیشتر در باب تعادل‌بخشی فضایی و جمعیتی است.

 

محدوده و روش پژوهش

این پژوهش ازنظر هدف کاربردی و به لحاظ به‌کارگیری انواع داده‌ها در زمرۀ پژوهش‌های ترکیبی قرار دارد. روش پژوهش دارای دو مرحله است: در مرحلۀ اول پژوهش با رویکرد آینده‌پژوهی، پس از مطالعۀ مبانی نظری و اسناد فرادست و ارائۀ مدل مفهومی اولیه، برای تدقیق آن و استخراج پیشران‌های تأثیرگذار بر ساختار فضایی جمعیت شهر یزد مصاحبه‌های عمیق و ساختاریافته‌ای با خبرگان انجام گرفت و در ادامه مصاحبه‌های انجام‌گرفته به کمک نرم‌افزار مکس‌کیودا و روش جزء به کل، کدگذاری شد و درنهایت پیشران‌هایی که بیشترین امتیاز را به دست آوردند به‌عنوان پیشران‌های کلیدی مؤثر بر ساختار فضایی جمعیتی شهر یزد انتخاب شدند. تعداد مشارکت‌کنندگان به روش گلوله‌برفی از بین مدیران شهری، اساتید و خبرگان فعال و باتجربه در زمینۀ ساختار فضایی و آشنا به شهر یزد از رشته‌های برنامه‌ریزی شهری، اقتصاد، جمعیت‌شناسی و علوم جغرافیا و برنامه‌ریزی شهری انتخاب شدند که مجموعاً 26 نفر بودند. مصاحبه‌های انجام‌گرفته، به دو صورت حضوری و تلفنی انجام گرفت و در قالب سؤالات ازپیش‌تعیین‌شده بود. این کار تا جایی ادامه یافت که اشباع نظری به دست آمد. در ادامه پس از مشخص‌شدن پیشران‌ها و مشخص‌شدن دوگانه‌های مربوط به هر پیشران، سه پرسش‌نامه ازطریق مراجعۀ حضوری و ارسال به پست الکترونیک، در اختیار خبرگانی قرار گرفت که قبلاً با آن‌ها مصاحبه شده بود؛ درنهایت پس از گذشت 10 روز پرسش‌نامه‌ها تکمیل شد.

هدف توزیع پرسش‌نامۀ اول، تعیین میزان تأثیرپذیری و تأثیرگذاری پیشران‌ها بر یکدیگر بود و به‌صورت یک ماتریس 22*22 تشکیل و توسط خبرگان تکمیل شده است. هدف از توزیع پرسش‌نامۀ دوم، تعیین میزان اهمیت هریک از پیشران‌ها بوده است. هدف از توزیع پرسش‌نامۀ سوم، تعیین میزان عدم قطعیت و به دست آوردن شاخص اجماع مربوط به هریک از پیشران‌ها بوده است. در این پرسش‌نامه برای هر پیشران دو پیش‌فرض یا دوگانۀ مثبت و منفی محتمل‌تر تعریف شد و درنهایت جمع امتیازات ملاک تعیین عدم قطعیت‌ها قرار گرفت (بازۀ 2- تا 2+ برای امتیازدهی به پرسش‌نامۀ سوم درنظر گرفته ‌شد). شاخص اجماع از فرمول (1) به دست آمد:

 

 

 

در مرحله دوم نمودار شاخص اجماع با استفاده از میزان اهمیت و عدم قطعیت هریک از پیشران‌ها ترسیم شد و مهم‌ترین پیشران‌ها که دارای بیشترین میزان قطعیت و اهمیت بودند به عنوان پیشران‌های کلیدی انتخاب شدند. در بخش بعدی برای بررسی ارتباطات بین پیشران‌ها و تدوین منطق سناریو از نرم‌افزار میک‌مک و برای تدوین سناریوها از نرم‌افزار سناریو ویزارد استفاده شد و سه سناریوی محتمل‌تر انتخاب شد که بهترین حالت ممکن سناریوی سوم بود. پس از مشخص‌شدن پیشران‌های کلیدی مؤثر بر تغییرات جمعیت در ساختار فضایی یزد، خوش‌بینانه‌ترین سناریو با استفاده از الگوریتم ژنتیک مدل‌سازی شد، تا با بازتوزیع مراکز کار و فعالیت و کانون‌های خدماتی و عملکردی در سه سطح محلات، نواحی و مناطق شهر یزد، حالت بهینۀ تراکم جمعیت برای هر محدوده مشخص شود. الگوریتم استفاده‌شده در این پژوهش، الگوریتم ژنتیک تک‌هدفه بوده است که از الگوی مدل جزیرۀ تعمیم‌یافته برای موازی‌سازی درشت دانه الگوریتم‌های بهینه‌سازی استفاده می‌کند (Kurennov et al., 2022) و به کاربران اجازه می‌دهد تا الگوریتم‌های غیرهم‌جنس و توزیع‌شده را توسعه دهند. این الگوریتم چارچوب بهینه‌سازی تک‌هدفه‌ای است که الگوریتم‌های پیشرفته را پیاده‌سازی می‌کند و به کاربران امکان می‌دهد با الگوریتم‌های مختلف آزمایشی ایجاد کنند (Rathomi & Pulungan, 2018) و روش‌های تجزیه‌وتحلیل را براساس معیارها و شاخص‌ها انتخاب کنند. بهینه‌سازی تک‌هدفه دارای یک تابع هدف با شرط نابرابری و محدودیت برای بهینه‌سازی است (Li et al., 2022). افق در نظر گرفته‌شده برای بهینه‌سازی توزیع جمعیت، سال 1415 است. الگوریتم ژنتیک تک‌هدفه با به‌کارگیری ظرفیت اراضی مستعد در پی تعادل‌بخشی جمعیت با الگوی حداکثر مرکزیت در ساختار فضایی محدودۀ مطالعه‌شده ازطریق بازتوزیع مراکز و کانون‌های خدماتی و فعالیتی بوده ‌است. در این مدل ابتدا داده‌های لازم شامل نحوۀ توزیع تراکم جمعیت (جمعیت براساس سرشماری عمومی و نفوس مسکن 1395)، نحوۀ توزیع مراکز کار و فعالیت (مساحت به هکتار)، نحوۀ توزیع کانون‌های خدماتی و عملکردی (مساحت به هکتار) و سرانۀ اراضی بایر از طرح تفصیلی و طرح جامع، سرشماری عمومی و نفوس مسکن در ایران استخراج شده است و در ادامه روند تغییرات آنها در شکل (1) آورده شده ‌است.

 

 

شکل (1): روند تغییرات تراکم جمعیت، سرانۀ اراضی بایر، مراکز کار و فعالیت و مراکز خدماتی و رفاهی در شهر یزد (منبع: مهندسین مشاور معمار و شهرساز آرمانشهر، 1396 و مرکز آمار ایران، 1396).

Figure 1. The trend of change in the population density, per capita barren land, activity centers, and service and welfare centers in the metropolitan area of Yazd (Source: ArmanShahr Consulting Engineers in Architecture and Urban Planning, 2017; National Population and Housing Census, 2017)

 

در گام بعدی مطابق فرمول (2) با استفاده از تابع نمایی و در اختیار داشتن تعداد جمعیت و نرخ رشد جمعیت جزایر جمعیتی در محدوده‌های شهری، جمعیت نقاط شهری شامل شهر یزد، شاهدیه و حمیدیا در افق 1415 مشخص شد.

 

 

 

که  جمعیت سال پایه و  جمعیت سال افق است و r رشد سالیانۀ جمعیت و n فاصلۀ زمانی بین سال پایه و سال افق بوده ‌است و درنهایت جمعیت سال افق در محدوه‌های مذکور 920589 نفر تعداد جمعیت پیش‌بینی شد. مطابق فرمول (3) با تقسیم جمعیت بر مساحت محدودۀ شهری مذکور (9976 هکتار)، تراکم جمعیت متعادل محاسبه می‌شود.

 

که  مساحت سال افق و H مساحت محدوده بوده ‌است و 70.33 تراکم جمعیت متعادل در سال افق به دست آمده است. در گام بعدی با تقسیم مساحت هر کاربری در سطوح مختلف بر مساحت محدوده و تبدیل آن به درصد، سهم اشغال هر کاربری از مساحت محدوده در سال افق مطابق فرمول (4) مشخص می‌شود.

 

 

 

که در آن  مساحت کاربری مدنظر و H مساحت محدودۀ مدنظر بوده ‌است. در ادامه با استفاده از فرمول (5) و(6) و سرانه‌های متعادل برای هر کاربری در سطوح مختلف محلات، ناحیه و مناطق[1] حد متعادل سهم اشغال هر کاربری از مساحت محدودۀ خود مشخص شد و با استفاده از درصد نمایش داده‌ شد (M) و با محاسبۀ انحراف معیار درصد مساحت اشغال‌شده توسط کاربری‌ها در سطوح مختلف طبق فرمول (7) در بردار V در سال افق پژوهش به دست آمد.

 

 

 

 

که در فرمول (5)  ژن‌ها و ها بردار حد میانگین سرانه به ازای هر نفر در ویژگی‌های مختلف در سال افق پژوهش بوده است و در فرمول (7) Xها ویژگی‌های متعادل و بهینۀ کروموزوم‌ها در سال افق هستند. با استفاده از ضرب تراکم جمعیت متعادل در سال افق در سرانه به ازای هر نفر در سال افق ضرب در 100درصد مساحت معقول اشغال‌شده توسط هر کاربری و حد بهینۀ هر ویژگی در کرموزوم‌ها مطابق فرمول (8) مشخص شد و طبق آن ویژگی‌های کرموزوم در بردار V تکمیل شد.

 

 

شروطی نیز در نظر گرفته شده است؛ شامل عدم تغییر مساحت محدوده‌های محلات، نواحی، مناطق و شهرها در سال پایه و افق و برابربودن آن‌ها، جبران کمبودهای سطح هر کاربری در مقیاس‌های مختلف از اراضی بایر در سطح محلات‌ و‌ نواحی و استفاده از اراضی قهوه‌ای حاصل انتقال کاربری‌های صنعتی و تولیدی مزاحم به خارج از محدودۀ شهری (انتقال به محدودۀ شهرک صنعتی) تا رسیدن به حد متعادل و عدم تغییر یا کاهش سطح کاربری‌هایی که از حد میانگین، سهم بیشتری دارند. بدین منظور مساحت هریک از محدوده‌ها و مساحت اراضی بایر و اراضی قهوه‌ای وضع موجود در جدول (5) آورده‌ شده است.

 

 

جدول (5): مساحت اراضی بایر و قهوه‌ای مناطق شهری یزد (منبع: مهندسین مشاور معمار و شهرساز آرمانشهر، 1396).

Table 5. The surface areas of the barren lands and brown lands in the districts of Yazd City (Source: Armanshahr Consulting Engineers in Architecture and Urban Planning, 2017)

محدوده/ مساحت (به هکتار)

مساحت محدوده

اراضی بایر

اراضی قهوه‌ای

منطقۀ یک (A1)

2039

973.53

96.64

منطقۀ دو (A2)

4200.3

2212.36

69.79

منطقۀ سه (A3)

3413.4

635.86

47.33

شاهدیه (B)

2022

637.93

109.01

حمیدیا (C)

685.30

200.15

23.31

کل شهر یزد

9976

4659.83

346.08

در ادامه، در شکل (2) فلوچارت فرایند الگوریتم ژنتیک تک‌هدفۀ استفاده‌شده در پژوهش نشان داده شده است:

 

 

شکل (2): فرایند الگوریتم ژنتیک تک‌هدفه

Figure 2. The process of implementing the single-objective genetic algorithm

 

در بازنمایی این پژوهش، از تقاطع یک‌نقطه‌ای و جهش یکنواخت برای ژن‌ها استفاده شده است. محلات، نواحی و مناطق به‌صورت جدا در هر بخش و درصد اشغال کاربری‌ها در محدودۀ خود با مقیاس عملکردهای مختلف به‌عنوان ژن در هر کروموزوم در نظر گرفته شده است. در قسمت جفت‌گیری والدین و تولید فرزندان از نوع خاصی از تقاطع یعنی تقاطع یک‌نقطه‌ای استفاده شد. نکتۀ حائز اهمیت در تقاطع و جهش این است که در هر دو باید مقدار جمع تمامی ویژگی‌های هر محله قبل و بعد، یعنی در والدین و فرزندان تغییر نکند (در واقعیت زمین ‌شهری از بین نرود و خلق نشود). در این قسمت عملگر انتخاب به کمک آمد و به روش‌های مختلفی ازجمله انتخاب بهترین‌ها عملگر انتخاب استفاده شد. پس تابع فیتنس مقدار فیتنس کروموزوم‌ها را محاسبه می‌کند و با مرتب‌کردن کروموزوم‌ها براساس بهترین فینس‌ها و انتخاب بهترین‌ها عمل انتخاب انجام شد. در مرحلۀ بعد به‌وسیلة تابع فیتنس، کروموزوم‌ها بهتر مرتب شدند و باتوجه‌به نرخ جهش تعدادی از بهترین کروموزوم‌ها انتخاب شدند. حال به هرکدام از ژن‌ کروموزوم‌های انتخاب‌شده یک مقدار رندوم بین منفی یک و یک اضافه شد و نتیجة این عمل تعدادی فرزند جدید بود.

پس از جهش و ترکیب، علاوه‌بر والدین، فرزندان جهش و ترکیب نیز اضافه شده‌اند و می‌توان همه را در یک استخر ریخت. در مرحلۀ بازماندگان، بعد از اینکه جمعیت فرزندان و جمعیت والدین در استخر کنار هم قرار گرفتند، انتخاب بهترین‌ها براساس مقدار فیتنس آنها انجام شد و بهترین‌ها به تعداد جمعیت اولیه باقی ‌مانده و بقیه حذف شدند و کروموزوم‌های باقی‌مانده در تمامی مراحل همین حلقه از ابتدا تاکنون قرار گرفتند و مدام این حلقه تکرار شد تا شرط خاتمه فرارسد. در اینجا شرط خاتمه رسیدن به تعداد نسل‌های در نظر گرفته‌شده بود و بدین ترتیب نحوۀ توزیع سه مؤلفۀ مشخص‌شده در مدل در افق 1415 مشخص شد.

محدودۀ مطالعه‌شده در این پژوهش، شهر یزد در کشور ایران است که با در برداشتن بیش از 656474 نفر جمعیت در سرشماری عمومی و نفوس مسکن، سال 1395 به لحاظ جمعیتی مهم‌ترین شهر استان یزد بوده و از شهرهای بزرگ کشور ایران محسوب می‌شود. از این تعداد 611466 نفر در نقاط شهری و 45007 نفر در نقاط روستایی شهر یزد اسکان یافته‌اند. شهر یزد دارای دو بخش مرکزی (شهر یزد- حمیدیا و شاهدیه) و زارچ (زارچ) است. بخش مرکزی دارای دو دهستان فجر و فهرج و بخش زارچ دارای دو دهستان الله‌آباد و محمدآباد است[2]. این شهر ازسوی شمال به شهرستان‌های میبد و اردکان، از شرق به شهرستان‌های اردکان و بافق، از غرب به شهرستان اشکذر و از جنوب به شهرستان تفت، ابرکوه و مهریز محدود می‌شود (طرح جامع شهر یزد، 1386). شکل (3) موقعیت جغرافیایی شهر یزد را در تقسیمات سیاسی-اداری استان یزد و تقسیمات محلات، نواحی و مناطق شهری را مشخص کرده است[3].

 

 

شکل (3): معرفی محدودۀ مطالعه‌شده

Figure 3. The studied region

درحال حاضر شهر یزد دارای 5 منطقۀ شهری است؛ اما مبنای این پژوهش، منطقه‌بندی سه‌گانۀ شهر یزد در سال 1395 بوده است؛ زیرا تمامی داده‌های لازم و سرشماری عمومی و نفوس مسکن در سال 1395 براساس همین تقسیم‌بندی در دسترس بوده است. در سال 1365 محدودۀ قانونی شهر یزد 6303 هکتار بوده است که در سال 1379 به 9976 هکتار افزایش یافته است که گویای توسعۀ افقی و افزایش محدودۀ شهری یزد است (مهندسین مشاور معمار و شهرساز آرمانشهر، 1396). بررسی تغییرات جمعیت روستایی نشان می‌دهد که در سال 1375 تعداد 65 روستا از 118 آبادی دارای سکنه بوده است و در سال 1395 به 39 آبادی دارای سکنه کاهش پیدا کرده است. از طرفی در سال 1355 نسبت شهرنشینی 74.6درصد بوده است که این رقم در سال 1395 به 93.1درصد رسیده است که روند رشد نسبت شهرنشینی را در شهر یزد نشان می‌دهد. بررسی رشد اقتصادی در محدودۀ مطالعه‌شده نشان می‌دهد که در فاصلۀ سال‌های 75 ـ 1365 از مجموع فرصت شغلی جدید که در شهر یزد به وجود آمده است، بالغ بر 3/81درصد در بخش صنعت و معدن، 2/15درصد در بخش خدمات و بازرگانی و تنها 5/2درصد آنان در فعالیت‌های کشاورزی و دامپروری جذب و مشغول به کار شده‌اند که در سال 1390 در بخش صنایع 4.8درصد، در بخش خدمات 1درصد و در بخش کشاورزی و دامپروری 0.4درصد رشد داشته است (مرکز آمار ایران، 1396).

 

یافته‌ها

تحلیل محتوای مصاحبه‌های انجام‌شده برای استخراج پیشران‌های مؤثر بر تغییرات‌ ساختار فضایی ‌جمعیت در شهر یزد، با استفاده از کدگذاری در نرم‌افزار MAXQDA انجام شده است که حاصل آن کدها و زیرکدها، ابعاد و پیشران‌های جدول‌ (6) ‌است.

 

جدول (6): کدها و زیرکدهای استخراج‌شده حاصل تحلیل محتوای کیفی مصاحبه‌ها

Table 6. The codes and subcodes for the factors derived through the qualitative content analysis of the interviews

ردیف

ابعاد استخراج‌شده حاصل کدگذاری مصاحبه‌ها

پیشران‌های استخراج‌شده حاصل کدگذاری مصاحبه‌ها

1

بعد کالبدی-فضایی

الگوی ساختار فضایی ( Caldeira, 2016; Fujii, 2007).

توزیع فضایی مراکز کار و فعالیت ( Lv et al., 2020; Lupala, 2021).

توازن توسعه میان نقاط شهری و روستایی (Dadashpoor & Malekzadeh, 2020).

الگوی رشد کالبدی و توسعۀ شهری( Caldeira, 2016; Fujii, 2007).

توزیع فضایی تجهیزات شهری (Lupala, 2021).

توزیع فضایی تأسیسات و امکانات زیرساختی (Lupala, 2021).

توزیع فضایی کانون های خدماتی و عملکردی ( Lv et al., 2021; Lupala, 2021).

توزیع و تقسیمات فضایی سلسله‌مراتبی خدمات باتوجه‌به مقیاس خدمات‌دهی (Wang & Chen, 2018).

قطبیت اقتصادی، سیاسی و خدماتی شهر یزد ( Caldeira, 2016; Fujii, 2007).

سرانۀ مصرف زمین‌شهری و دگردیسی ساختار فضایی (Wang & Chen, 2018).

2

بعد جغرافیایی-اقلیمی-محیطی

عامل تغییرات اکولوژیکی و تحولات اقلیمی در کاهش جمعیت و مهاجرت (Lupala, 2021).

3

بعد جمعیتی

توزیع فضایی و الگوی استقرار جمعیت (Salvati, 2020).

ضریب شهرنشینی و تغییرات جمعیتی نقاط روستایی (Dadashpoor & Malekzadeh, 2020).

نرخ رشد جمعیت (Salvati, 2020).

تناسب ظرفیت‌پذیری جمعیت و مهاجرپذیری در محدودۀ مطالعه‌شده (Salvati, 2020).

آرایش تراکم جمعیتی ( Lyu & Jiang, 2022; Gao et al., 2019).

4

بعد دسترسی و شبکۀ ارتباطی

ظرفیت، کیفیت و سلسله‌مراتب شبکه‌های ارتباطی (Lupala, 2021).

توزیع گره‌های ترافیکی و شبکه‌های ارتباطی (Lupala, 2021).

میزان دسترسی به مراکز خدماتی و عملکردی (Lupala, 2021).

5

بعد مدیریت و برنامه‌ریزی شهری

عامل طرح‌ها و برنامه‌های توسعۀ شهری در هدایت فضایی نواحی سکونتی (Wu & Mei, 2022; Rastegari & Saraei, 2016).

عامل مدیریت شهری در تغییرات فضایی‌جمعیت ( Wu & Mei, 2022; Rastegari & Saraei, 2016).

 

میزان تأثیرگذاری و تأثیرپذیری پیشران‌ها از یکدیگر حاصل نتایج پرسش‌نامۀ اول، میزان اهمیت هریک از پیشران‌ها بر تغییرات ساختار فضایی جمعیت در محدودۀ مطالعه‌شده حاصل نتایج پرسش‌نامۀ دوم و شاخص اجماع هریک از آن‌ها حاصل پرسش‌نامۀ سوم است که در جدول (7) آورده شده است.

 

جدول (7): نتایج استخراج‌شده از پرسش‌نامه‌های سه‌گانه

Table 7. The results obtained from the three research questionnaires

ردیف

پیشران‌ها

میزان تأثیرپذیری

میزان تأثیرگذاری

میزان اهمیت

شاخص اجماع

1

توزیع فضایی و الگوی استقرار جمعیت

41

46

46

0.2

2

آرایش تراکم جمعیتی

40

37

45

0.2

3

میزان دسترسی به مراکز خدماتی و عملکردی

40

36

48

0.6

4

توزیع فضایی کانون‌های خدماتی و عملکردی

39

49

49

0.1

5

توزیع و تقسیمات فضایی سلسله‌مراتبی خدمات باتوجه‌به مقیاس خدمات‌دهی

39

38

38

0.4

6

تناسب ظرفیت‌پذیری جمعیت و مهاجرپذیری در محدودۀ مطالعه‌شده

38

37

36

0.6

7

ظرفیت، کیفیت و سلسله‌مراتب شبکه‌های ارتباطی

38

33

38

0.2

8

توازن توسعۀ میان نقاط شهری و روستایی

37

35

42

1.6

9

الگوی رشد کالبدی و توسعۀ شهری

37

40

40

1.2

10

عامل طرح‌ها و برنامه‌های توسعۀ شهری در هدایت فضایی نواحی سکونتی

37

37

42

1.2

11

الگوی ساختار فضایی

36

47

47

0.2

12

توزیع مراکز کار و فعالیت

36

48

48

0.1

13

توزیع گره‌های ترافیکی و شبکه‌های ارتباطی

36

31

40

1

14

ضریب شهرنشینی و تغییرات جمعیتی نقاط روستایی

35

35

38

1.4

15

سرانۀ مصرف زمین‌شهری و دگردیسی ساختار فضایی

35

35

39

1

16

قطبیت اقتصادی، سیاسی و خدماتی شهر یزد

34

36

41

1.8

17

عامل مدیریت شهری در تغییرات فضایی جمعیت

34

35

38

0.6

18

توزیع فضایی تأسیسات و امکانات زیرساختی

33

29

39

1.8

19

موقعیت و شکل منطقۀ شهری

31

36

38

0.6

20

توزیع فضایی تجهیزات شهری

30

28

37

0.2

21

نرخ رشد جمعیت

30

36

35

1.4

22

عامل تغییرات اکولوژیکی و تحولات اقلیمی در کاهش جمعیت و مهاجرت

23

31

33

1.6

 

در ادامه با استفاده از میزان اهمیت و مقدار شاخص اجماع هریک از پیشران‌ها، نمودار شاخص اجماع ترسیم شد و پیشران‌هایی که ازنظر مصاحبه‌شوندگان دارای عدم قطعیت بسیار و اهمیت زیاد بودند، به‌عنوان پیشران‌های کلیدی و مؤثر انتخاب شدند. شکل (4) نمودار شاخص اجماع پیشران‌ها را نشان می‌دهد.

 

 

شکل (4): نمودار شاخص اجماع پیشران‌ها

Figure 4. The diagram of the consensus index for the driving forces

مطابق شکل (5)، به‌ترتیب پیشران‌های توزیع ‌فضایی کانون‌های خدماتی و عملکردی، توزیع‌ فضایی مراکز کار‌ و ‌فعالیت و الگوی ‌ساختار ‌فضایی مهم‌ترین پیشران‌های کلیدی هستند. در ادامه با رفع تعارضات و حذف سناریوهای متناقض، محتمل‌ترین سناریوها به‌عنوان سه ‌سناریوی اصلی انتخاب و نام‌گذاری شدند که در شکل (6) ‌مشخص شده است.

 

 

شکل (5): وضعیت پیشران‌های سناریوهای منتخب

Figure 5. The status of the driving forces in the final scenarios

 

مطابق شکل‌ (6) تأثیرات مستقیم و بالقوۀ پیشران‌ها بر یکدیگر در قالب شبکه‌ای تأثیرگذار ‌و‌ تأثیرپذیر در نرم‌افزار میک‌مک نشان ‌داده‌ شده ‌است.

 

 

شکل (6): شدت تأثیرگذاری و تأثیرپذیری مستقیم، فعلی و بالقوۀ پیشران‌ها بر یکدیگر

Figure 6. Intensity of the actual and potential affectability and effects of the driving forces on one another

 

 

در این مرحله از پژوهش مدل‌سازی بهینه‌ترین سناریو (شمارۀ سوم) با استفاده از پیشران‌های کلیدی توزیع فضایی کانون‌های خدماتی ‌و ‌عملکردی و مراکز کار ‌و ‌فعالیت و بازنگری در توزیع آن‌ها در سه مقیاس محله، ناحیه و مناطق شهری محدودۀ مطالعه‌شده برای افزایش تعادل جمعیت با استفاده از الگوریتم ‌ژنتیک تحلیل ‌شده ‌است. بهینه‌سازی از پایین ‌به ‌بالا و به ترتیب از سطح محلات شروع ‌شد و تا مناطق شهری ادامه یافت. الگوریتم‌ ژنتیک با در نظر گرفتن کمبود ‌سرانه‌های هریک از مراکز فعالیتی و خدماتی در سطوح سه‌گانۀ شهری، برای توزیع متعادل مراکز مذکور با استفاده از اراضی بایر و قهوه‌ای موجود در هر محدوده بهینه‌سازی کرده ‌است. با استفاده از اراضی بایر که بیشترین سهم مربوط به محدودۀ A2 (2212.36) و کمترین سهم مربوط به محدودۀ C (200.15) و اراضی قهوه‌ای که بیشترین سهم مربوط به منطقۀ B (109.01) و کمترین سهم مربوط به منطقۀ C (23.31) بوده است، الگوریتم ژنتیک بهینه‌سازی مراکز جذب جمعیتی را ازطریق بازتوزیع آن‌ها در سه سطح محلات، نواحی و مناطق شهری یزد برای تعادل‌بخشی جمعیتی و فضایی انجام داد. در شکل‌های (7)، (8)‌ و‌ (9) نتایج بازتوزیع مراکز با استفاده از الگوریتم ژنتیک آورده شده ‌است.

 

 

شکل (7): مرحلۀ ‌اول بهینه‌سازی پراکنش مراکز کار و ‌فعالیت ‌و‌کانون‌های خدماتی ‌و‌ عملکردی در سطح ‌محلات در افق 1415

Figure 7. The first stage of optimizing the distribution of service and activity centers at the neighborhood level in the horizon of 2036 (in hectares)

در الگوی پیشنهادی پراکنش کاربری‌ها در الگوریتم ژنتیک در سطح محلات بیشترین تمرکز کاربری‌ها در محلات محدودۀ B (محلۀ B111) و کمترین سهم مربوط به محلات محدوده‌های A1, A2, A3 بود. این موضوع حاکی‌از کمبود سرانۀ مراکز جاذب جمعیتی در مقیاس محلات در محدودۀ B و تمرکز زیاد مراکز مذکور در مناطق A1, A2, A3 در وضع موجود است. مطابق شکل (8) بهینه‌سازی ازطریق بازتوزیع مراکز مذکور در سطح نواحی شهری و با استفاده از ظرفیت اراضی بایر باقی‌مانده صورت گرفته است.

 

 

شکل (8): مرحلۀ دوم بهینه‌سازی پراکنش مراکز کار و فعالیت و کانون‌های خدماتی و عملکردی در سطح نواحی در افق 1415

Figure 8. The second stage of optimizing the distribution of service and activity centers at the level of districts in the horizon of 2036 (in hectares)

 

 

در مرحلۀ آخر، اراضی بایر مازاد تجمیع شد که در فرایند بهینه‌سازی در سطح نواحی استفاده نشد و با محاسبۀ سطوح مراکز صنعتی، تولیدی و کارگاهی مزاحم در هر منطقه سعی شد تا با انتقال مراکز فعالیتی مزاحم به خارج از محدودۀ شهری و انتقال به شهرک صنعتی و استفاده از اراضی قهوه‌ای در کنار اراضی بایر باقی‌مانده، بهینه‌سازی و توزیع مجدد مراکز فعالیتی و کانون‌های خدماتی و عملکردی در مقیاس مناطق شهری انجام گیرد. نتایج در مقیاس مناطق شهری در شکل (9) آورده‌ شده ‌است.

 

 

شکل (9): بهینه‌سازی نهایی پراکنش مراکز کار و فعالیت و کانون‌های خدماتی و عملکردی در سطح مناطق در افق 1415

Figure 9. Final optimization on the distribution of workplaces, services and activity centers at the level of urban areas for the horizon of 2036 (in hectares)

بحث

از یافته‌ها حاصل شد که پیشران‌های توزیع فضایی کانون‌های خدماتی و عملکردی، توزیع فضایی مراکز کار و فعالیت و الگوی ساختار فضایی با تأکید بر مقیاس عملکردی مناطق و شهر به ترتیب عامل اصلی جذب جمعیت و مؤثر بر الگوی توزیع فضایی و جمعیتی در شهر یزد هستند. عمدۀ این مراکز در سال 1375 در یک هسته در منطقۀ A2 (136.5 هکتار مساحت فعلی) و منطقۀ A1 (109.88 هکتار مساحت فعلی) تمرکز یافته‌اند که ناشی از الگوی تک‌هسته‌ای جزیره‌ای ساختار فضایی یزد است که طی سال‌های 1375 تا 1395 برخی از آن‌ها به منطقۀ A3 (84.61 هکتار مساحت فعلی) نقل مکان کرده‌اند و برخی مراکز جدید نیز تمایل به تمرکز در این منطقه داشته‌اند. محدودۀ C (43.57 هکتار) نیز در مقایسه با محدودۀ B (24.28 هکتار) مراکز کار و فعالیت و خدماتی و عملکردی بیشتری را در خود جای داده است. قطبیت شهر یزد در مناطق سه‌گانه (A1,A2,A3) در مقایسه با محدودۀ (C) و محدودۀ (B) بالا بوده است و این موضوع سبب ایجاد الگوی ساختار فضایی تک‌هسته‌ای جزیره‌ای شده است. در الگوی پیشنهادی پراکنش کاربری‌ها در الگوریتم ژنتیک در سطح نواحی، بیشترین تمرکز کاربری‌ها در نواحی  A2و A3 (نواحی A32-A21-A23-A24) و کمترین سهم مربوط به نواحی محدوده‌های B (B11) بود. این موضوع حاکی از کمبود سرانۀ مراکز جاذب جمعیتی در مقیاس نواحی در محدودۀ A1 و A2 و سرانۀ مطلوب مراکز مذکور در محدودۀ B در وضع موجود است. در الگوی پیشنهادی پراکنش کاربری‌ها در الگوریتم ژنتیک در سطح مناطق، بیشترین تمرکز کاربری‌ها در مناطق A2 و A3 و کمترین سهم مربوط به محدودۀ C (C1) بود. این موضوع نشان می‌دهد که با تقویت سهم مراکز جاذب جمعیت منطقه‌ای در مناطقA3  و A2 توزیع جمعیت در ساختار فضایی روبه‌تعادل حرکت می‌کند.

بر مبنای بحث صورت‌گرفته یافته‌ها با پژوهش‌های پیشین همخوانی دارد که به رابطۀ میان بهینه‌سازی کاربری اراضی و تعادل‌بخشی جمعیت در ساختار فضایی شهرها پرداخته‌اند ( Peng et al., 2021; Salvati, 2020; Shao & Wang, 2022; Vinci et al., 2021; Xie et al., 2023). در پژوهش‌های پیشین عمدتاً بر ایجاد مراکز جدید و بهینه‌سازی شبکه‌های حمل‌ونقل شهری و زیرساخت‌ها برای تعادل‌بخشی جمعیت اشاره داشته‌اند؛ درحالی‌که در پژوهش فعلی با ترکیب رویکرد آینده‌پژوهی و الگوریتم ژنتیک راهکاری نوین برای بازتوزیع جمعیت در ساختار فضایی شهر یزد به کار گرفته شد و به ظرفیت اراضی بایر و قهوه‌ای موجود در محدودۀ شهری به‌عنوان فرصت توجه شد، درحالی‌که در پژوهش‌های پیشین به این ظرفیت کمتر توجه شده‌ است. از طرفی برخلاف مدل‌های پیشین در پژوهش‌های گذشته که در یک سطح بهینه‌سازی را انجام می‌دادند ( Huang et al., 2020; Potapenko, 2022; Lee & Guldmann, 2023)، در این پژوهش بهینه‌سازی در سه سطح انجام شد و از سطح محلات تا مناطق شهری را در برگرفت و توانست تعادل جمعیتی را به‌صورت یکپارچه و منسجم برقرار سازد. درحقیقت در پژوهش فعلی بهینه‌سازی یکپارچه‌ای انجام گرفت که سه سطح محلات، نواحی و مناطق شهری را پوشش هم‌زمان داد. با این رویکرد می‌توان شکاف تعادل را در توزیع جمعیتی شهر یزد کاهش داد.

 

 

نتیجه‌گیری

در این پژوهش از رویکردی نوآورانه با ترکیب رویکرد آینده‌پژوهی و الگوریتم ژنتیک برای تعادل‌بخشی تراکم جمعیت استفاده شد. د‌مجموع می توان نتیجه گرفت که توزیع فضایی اراضی بایر رابطۀ معکوسی با توزیع فضایی مراکز خدماتی-عملکردی و کانون‌های فعالیتی دارد و هرجا تمرکز کمتری بر مراکز مذکور وجود داشته باشد، نسبت سهم اراضی بایر به مساحت محدودۀ مدنظر بیشتر است. تمرکززدایی از مناطق A1، A2 و A3 و تقویت عملکردی مناطق پیرامونی C و B در کنار بهبود زیرساخت‌ها و تسهیلات خدماتی در دهستان فهرج در جبهۀ شرقی حوزۀ نفوذ شهر یزد و دهستان محمدآباد در جنوب شهر یزد، باعث کاهش فشار از مرکز اصلی شهر یزد شده و نقش مؤثری در تقویت جبهه‌های توسعه‌ای جدید و ایجاد الگوی چند‌هسته‌ای می‌شود. بدون استفاده‌ماندن زمین‌ها و کاهش پویایی فضایی در برخی مناطق شهری (مناطق C و B) دلیل دیگر توزیع فضایی نامتعادل جمعیت در ساختار فضایی شهر به شمار می‌رود. با استفاده از ظرفیت زیاد اراضی بایر موجود (4659.83 هکتار) و آزادسازی اراضی قهوه‌ای (صنایع و کارگاه‌ها به مساحت346.08 هکتار) ناشی از انتقال کاربری‌های ناسازگار شهری به شهرک‌های صنعتی اطراف شهر، ظرفیت درخور توجهی برای تأمین زمین برای استقرار کاربری‌های خدماتی و فعالیت‌محور فراهم می‌شود. پراکنش ناموزون فضایی مراکز خدماتی-عملکردی و کانون های فعالیتی و توسعۀ افقی دلیل دیگر عدم تعادل در توزیع فضایی جمعیت شهر یزد است؛ ازاین‌رو اعمال محدودیت بر گسترش بی‌رویۀ محدودۀ شهر، به‌ویژه در جبهه‌های جنوب، جنوب‌شرقی و غرب یزد و توجه به رویکرد توسعۀ درون‌زا، گامی اساسی در کنترل پراکنش ناموزون فضایی است. نتایج این پژوهش بر ضرورت اتخاذ رویکردی جامع‌نگر در مدیریت اراضی شهری و برنامه‌ریزی فضایی تأکید دارد، تا با بهره‌گیری از ظرفیت‌های موجود، زمینۀ تحقق ساختار فضایی متعادلی برای شهر یزد فراهم آید. این رویکرد می‌تواند در سایر شهرهایی استفاده شود که دارای سهم زیادی از اراضی بایر و قهوه‌ای هستند.

 

[1] براساس سرانه‌های استاندارد ایران و طرح جامع و تفصیلی شهر یزد

[2] به علت اینکه اخیراً بخش زارچ مستقل شده و از تقسیمات شهر یزد حذف شده، در این پژوهش از بررسی آن خودداری شده است.

[3] در تقسیم‌بندی فعلی، شهر یزد دارای پنج منطقۀ شهری است؛ اما مبنای این مقاله براساس داده‌ها و حوزه‌بندی 1395 بوده است.

منابع
اسمعیل‌پور، نجما، و شکیبامنش، مهدی (1398). تحلیل نابرابری فضایی در برخورداری از کاربری‌های خدمات شهری؛ نمونة موردی: شهر یزد. برنامهریزی فضایی، 9(3)، 71-88.
آروین، عباسعلی، و کیانی، علیرضا (1399). تحلیل فضایی پراکنش خدمات عمومی شهری با استفاده از ماتریس فاصله اقلیدسی (مطالعه موردی: شهر یزد). پژوهش‌های جغرافیای انسانی، 52(4)، 1373-1389.
دهقانپورفراشاه، علیرضا، سلمانی ندوشن، محمد علی، و رضایی، حجت (1399). ارزیابی و تحلیل تغییرات رشد فیزیکی شهر یزد و پیش بینی آن با استفاده از سیستم اطلاعات جغرافیایی طی دوره 1973-2016ارزیابی و تحلیل تغییرات رشد فیزیکی شهر یزد و پیش‌ بینی آن با استفاده از سیستم اطلاعات جغرافیایی طی دوره 2016-1973. فصلنامه جغرافیا و برنامه‌ریزی منطقه‌ای، 10(41)، 259-273.
رحیمی، حجت‌ اله، و رحیمی، حسن (1401). تحلیل و ارزیابی همبستگی‌ های فضایی-کارکردی خدمات عمومی در شهر یزد. پژوهش‌های جغرافیای برنامه‌ریزی شهری، 10(1)، 39-61.  
شهبازین، سعیده، و ساسانی‌پور، محمد (1402). تحلیل توزیع فضایی سالمندی و مهاجرت داخلی در شهرستانهای کشور بین سال‌های 1385-1395. مجله عملی -پژوهشی سالمند، 18(1)، 60-76.
ضرابی، اصغر، و موسوی، میرنجف (1389). تحلیل فضایی پراکنش جمعیت و توزیع خدمات در نواحی شهری یزد. تحقیقات جغرافیایی، 225(97)، 27-46.  https://jgr.ui.ac.ir/article_17861.html
مرکز آمار ایران (1396). سرشماری عمومی و نفوس مسکن یزد سال 1395.
منتظری، مرجان، جهانشاهلو، لعلا، و ماجدی، حمید (1396). تحولات ساختار کالبدی- فضایی شهر یزد و عوامل مؤثر بر آن. مطالعات محیطی هفت حصار، 6(21)، 27-42.
مودت، الیاس، ملکی، سعید، و مومنی، کورش (1396). ارزیابی و سنجش ساختار فضایی و خزش شهری (مطالعۀ موردی: شهر یزد). جغرافیای اجتماعی شهری، 4(2)، 151-175.  https://sid.ir/paper/267452/fa
مهندسین مشاور معمار و شهرساز آرمانشهر (1396). طرح تفصیلی شهر یزد.
References
Angel, S., & Blei, A. M. (2016). The spatial structure of American cities: The great majority of workplaces are no longer in CBDs, employment sub-centers, or live-work communities. Cities51, 21–35. https://doi.org/10.1016/j.cities.2015.11.031
Armanshahr Consulting Engineers in Architecture and Urban Planning (2017). Detailed Plan of Yazd City. https://shahrnegar.com/product/detail-plan-yazd-city
Arvin, A., & Kiani, A. (2019). Spatial analysis of urban public services distribution using Euclidean distance matrix (Case study: Yazd city). Human Geography Research. 52(4), 1373-1389. https://doi.org/10.22059/jhgr.2019.275330.1007853 [In Persian]
Bao, W., Gong, A., Zhao, Y., Chen, S., Ba, W., & He, Y. (2022). High-Precision population spatialization in metropolises based on Ensemble learning: A case study of Beijing, China. Remote Sensing14(15), 3654. https://doi.org/10.3390/rs14153654
Birch, E. L. (1996). Planning in a world city: New York and its communities. Journal of the American Planning Association62(4), 442–459. https://doi.org/10.1080/01944369608975711
Caldeira, T. (2016). Peripheral urbanization: Autoconstruction, transversal logics, and politics in cities of the global south. Environment and Planning D: Society and Space35(1), 3-20. 
Chen, Y., Sun, Z., & Cai, L. (2021). Population flow mechanism study of Beijing-Tianjin-Hebei urban agglomeration from industrial space supply perspective. Sustainability13(17), 9949. 
Claassens, J., Koomen, E., & Rouwendal., J. (2020). Urban density and spatial planning: The unforeseen impacts of Dutch devolution. PLOS ONE15(10), e0240738. 
Dadashpoor, H., & Malekzadeh, N. (2020). Driving factors of formation, development, and change of spatial structure in metropolitan areas: A systematic review. Journal of Urban Management9(3), 286–297. https://doi.org/10.1016/j.jum.2020.06.005
Dadashpoor, H., Malekzadeh, N., & Saeidishirvan, S. (2023). A typology of metropolitan spatial structure: A systematic review. Environment, Development and Sustainability25(12), 13667–13693. 
Dehghanpour farashah, A., Salmaninodoshan, M., & Rezaei, H. (2021). Evaluation and analysis of changes in physical growth of Yazd city and its prediction using geographic information system during the period 1973-2016. Quarterly Journal of Geography and Regional Planning. 10(41), 259-273. https://www.jgeoqeshm.ir/article_126402.html [In Persian]
Desponds, D., & Auclair, É. (2016). The new towns around Paris 40 years later: New dynamic centralities or suburbs facing risk of marginalisation?. Urban Studies54(4), 862–877. 
Dong, B., Ikonnikova, I., Rogulin, R., Sakulyeva, T., & Mikhaylov, A. (2021). Environmental-economic approach to optimization of transport communication in megacities. Journal of Environmental Science and Health, Part A56(6), 660–666. 
Dydkowski, G. (2019). The impact of cities’ spatial planning on the development of a sustainable urban transport. In G. Sierpiński (eds), Smart and Green Solutions for Transport Systems (pp. 13–25). TSTP 2019. Advances in Intelligent Systems and Computing (Vol. 1091). Springer.
Eckert, S., & Köhler, S. (2014). Urbanization and health in developing countries: A systematic review. World Health and Population15(1), 7–20. https://doi.org/10.12927/whp.2014.23722
Esmailpour, N., & Shakibamanesh, M. (2019). Analysis of spatial inequality in the enjoyment of urban services; Case study: Yazd city. Scientific-Research Journal of Spatial Planning. 9(3), 71-88. https://doi.org/10.22108/sppl.2019.112736.1282 [In Persian]
Flinn, C. (2011). “The city of our dreams”? The political and economic realities of rebuilding Britain’s Blitzed Cities, 1945-54. Twentieth Century British History23(2), 221–245. 
Fujii, T. (2007). A review of the changing regional structure of metropolitan areas. The Annals of Japan Association for Urban Sociology2007(25), 37–50. https://doi.org/10.5637/jpasurban1983.2007.37
Gao, Z., Tan, N., Geddes, R. R., & Ma, T. (2019). Population distribution characteristics and spatial planning response analysis in metropolises: International Review for Spatial Planning and Sustainable Development7(1), 134–154. https://doi.org/10.14246/irspsd.7.1_134
García-Ayllón, S. (2016). Rapid development as a factor of imbalance in urban growth of cities in Latin America: A perspective based on territorial indicators. Habitat International., 58, 127–142.
Gu, R., Xie, Z., Takatori, C., Herold, H., & Xie, X. (2023). To What extent can satellite cities and new towns serve as a steering instrument for polycentric urban expansion during massive population growth?—A comparative analysis of Tokyo and Shanghai. ISPRS International Journal of Geo-Information12(6), 234. https://doi.org/10.3390/ijgi12060234
Hein, C. (2010). Shaping Tokyo: Land development and planning practice in the early modern Japanese metropolis. Journal of Urban History36(4), 447–484. https://doi.org/10.1177/0096144209347737
Hu, Y., He, Y., & Liu, Y. (2022). Urban spatial development based on multisource data analysis: A case study of Xianyang City’s integration into Xi’an International Metropolis. Sustainability14(7), 4090. https://doi.org/10.3390/su14074090
Huang, J., Hu, Y., Wang, J., & Li, X. (2020). A tale of two cities: Jobs–housing balance and urban spatial structures from the perspective of transit commuters. Environment and Planning B: Urban Analytics and City Science48(6), 1543–1557. https://doi.org/10.1177/2399808320938803
Hussnain, M. Q. U., Waheed, A., Wakil, K., Pettit, C., Hussain, E., Naeem, M. A., & Anjum, G. A. (2020). Shaping up the future spatial plans for urban areas in Pakistan. Sustainability12(10), 4216. https://doi.org/10.3390/su12104216
Immel, P. C. (2020). High-Modernist urban planning in Beijing for population control. Journal of Current Chinese Affairs49(3), 291–311. https://doi.org/10.1177/1868102620920738
Irekponor, V. E., Abdul-Rahman, M., Agunbiade, M., & Bustamente, A. J. (2022). A framework to determine micro-level population figures using spatially disaggregated population estimates. ArXiv (Cornell University). https://doi.org/10.48550/arxiv.2212.02020
Kurennov, S. S., Barakhov, K., & Vambol, O. (2022). Topological optimization of a symmetrical adhesive joint. Island model of genetic algorithm. Radioelectronic and Computer Systems3, 67–83. https://doi.org/10.32620/reks.2022.3.05
Kvasko, M. (2023). The genesis of urban agglomerations and their impact on the development of regional socio-economic complexes. Actual Directions of Scientific Researches of the XXI Century: Theory and Ppractice11(2), 114–130. https://doi.org/10.34220/2308-8877-2023-11-2-114-130
Lai, Z., Li, S., Lin, J., & Li, H. (2023). Fine‐scale simulation of spatial population distribution by coupling GA–ABM and big data: A case study of Dongguan, China. Transactions in GIS27(4), 1263–1286. https://doi.org/10.1111/tgis.13068
Lee, D. J., & Guldmann, J. (2023). Optimal regional allocation of future population and employment under urban boundary and density constraints: A spatial interaction modeling approach. Land, 12(2), 433. https://doi.org/10.3390/land12020433
Li, L., Zhao, H., Zhao, J., & Li, X. (2022). Single/Multi-Objective optimization design and numerical studies for Lead-to-Supercritical carbon dioxide heat exchanger based on genetic algorithm. Applied Sciences12(15), 7656. https://doi.org/10.3390/app12157656
Liang, H., & Wang, Z. (2017). Optimized distribution of Beijing population based on CA-MAS. Discrete Dynamics in Nature and Society2017, 1–7. https://doi.org/10.1155/2017/5693896
Liu, F., Sun, W., & Ge, P. (2022). Demographic spatialization simulation under the active “Organic Decentralization Population” policy. Sustainability14(20), 13592. 
Long, Y., Shen, Z., & Mao, Q. (2011). An urban containment planning support system for Beijing. Computers, Environment and Urban Systems35(4), 297–307. 
Lu, H., Zheng-Yong, S., Ruan, Y., & Jiang, L. (2023). Study on urban expansion and population density changes based on the inverse S-Shaped function. Sustainability15(13), 10464. https://doi.org/10.3390/su151310464
Lupala, J. (2021). Exploring unbalanced urban spatial expansion in sprawling cities. Case study of Kimara Matangini, Kibululu and Dovya settlements in Dar es Salaam City, Tanzania. Central European Journal of Geography and Sustainable Development3(2), 62–84.
Lv, Y., Lan, Z., Kan, C., & Zheng, X. (2021). Polycentric urban development and its determinants in China: A geospatial big data perspective. Geographical Analysis53(3), 520–542. 
Lyu, Y., & Jiang, F. (2022). Spatial and temporal distribution of population in urban agglomerations changes in China. Scientific Reports12(1). https://doi.org/10.1038/s41598-022-12274-6
Ma, T., Zhou, Z., & Antoniou, C. (2018). Dynamic factor model for network traffic state forecast. Transportation Research Part B: Methodological., 118, 281–317.
Mavedet, E., Maleki, S., & Momeni, K. (2018). Evaluation and measurement of spatial structure and urban creep (Case study: Yazd city). Urban Social Geography, 4(2), 151-175.
McPhearson, P. T. (2011). Toward a sustainable New York city: Greening through urban forest restoration. In M. I. Slavin (Ed.), Sustainability in America’s Cities (pp. 181–203). Island Press. https://doi.org/10.5822/978-1-61091-028-6_9
Mei-Lin, Z., Zhang, R., Hong, L., Zhang, X., & Wang, Y. (2023). A study on the spatial-temporal evolution and problem area identification of high-quality urban development in the central region. Sustainability15(14), 11098. https://doi.org/10.3390/su151411098
Meshkini, A., Zarghamfard, M., & Kahaki, F. A. (2022). A comparative study of the right to the city in Iran. GeoJournal., 87(4), 3101–3118. https://doi.org/10.1007/s10708-021-10421-6
Montazeri, M., Jahanshahlou, L., & Majedi, H. (2017). Developments in the physical-spatial structure of Yazd city and its influencing factors. Haft Hesar Environmental Studies, 6(21), 27-42.
Nam, K. (2017). Is spatial distribution of China’s population excessively unequal? A cross-country comparison. The Annals of Regional Science59(2), 453–474. 
Ohashi, H., Phelps, N. A., & Tomaney, J. (2022). Between decentralization and recentralization: conflicts in intramunicipal and intermunicipal governance in Tokyo’s shrinking suburbs. Urban Planning7(3), 98–114. https://doi.org/10.17645/up.v7i3.5268
Peng, Y., Liu, J., Zhang, T., & Li, X. (2021). The relationship between urban population density distribution and land use in Guangzhou, China: A spatial spillover perspective. International Journal of Environmental Research and Public Health18(22), 12160. 
Pilehvar, A. A. (2021). Spatial-geographical analysis of urbanization in Iran. Humanities and Social Sciences Communications8(1). https://doi.org/10.1057/s41599-021-00741-w
Pilehvar, A. A. (2022). Investigating the relationship between informal economy and competitiveness in Iran’s metropolises. Journal of the Knowledge Economy14(3), 2515–2538. 
Potapenko, А. А. (2022). Disproportions of the spatial structure of the city as a reserve for the development of the city frame: territorial and communication model and analysis of cellular data. Urbanistika4, 50–70. https://doi.org/10.7256/2310-8673.2022.4.37724
Rahimi, H., & Rahimi, H. (2022). Analysis and evaluation of spatial-functional correlations of public services in Yazd city. Researches in the Geography of Urban Planning, 10(1), 39-61. https://jurbangeo.ut.ac.ir/article_89523.html [In Persian]
Rashid, A., Takyi, S. A., Asibey, M. O., & Kyei, K. O. B. (2023). Rethinking sustainable urban management: Effects of urbanization on the socio-spatial structure of the Tamale Metropolis. Urban Governance3(4), 292–303. https://doi.org/10.1016/j.ugj.2023.06.003
Rastegari, M., & Saraei, M. H. (2016). A Comparative analysis of facility level and population distribution in urban network of Yazd Province. Journal of Urban Economics and Management4(15), 1–17. https://iueam.ir/browse.php?a_id=459&sid=1&slc_lang=en
Rathomi, M. R., & Pulungan, R. (2018). A coarse-grained parallelization of genetic algorithms. International Journal of Advances in Intelligent Informatics4(1), 1. 
Razavivandfard, H. R. (2018). Urbanization and informal settlement challenges: Case study Tehran Metropolitan City. Open House International., 43(2), 77–82.
Reia, S. M., Rao, P. S. C., & Ukkusuri, S. V. (2022). Modeling the dynamics and spatial heterogeneity of city growth. Npj Urban Sustainability2(1). https://doi.org/10.1038/s42949-022-00075-9
Rode, P. (2019). Urban planning and transport policy integration: The role of governance hierarchies and networks in London and Berlin. Journal of Urban Affairs41(1), 39–63. 
Saghaei, M., Azadeh, S. R., Fadaeijazi, F., & Jafari, F. (2020). The analysis of key factors influencing the expansion of rural migration with eemphasis on the issue of informal settlement (Case study: Shirabad neighborhood in Zahedan). Journal of Research and Rural Planning, 9(3), 15-33. https://doi.org/10.22067/jrrp.v9i3.84206
Salvati, L. (2020). Envisaging long-term urban dynamics: a spatially explicit analysis of local-scale population growth and natural balance. Letters in Spatial and Resource Sciences13(2), 165–186. 
Saraei, M. H., & Iraji, S. (2016). A study of spatial compliance rate of socio-economic inequalities in eight areas of Yazd city. Journal of Urban Economics and Management, 4(13), 36–51.
Shahbazin, S., & Sasanipour, M. (2023). Analysis of spatial distribution of aging and internal migration in the counties of country. Iranian Journal of Ageing, 18(1), 60-76.
Shao, D., & Wang, X. (2022). Does high spatial density imply high population density? Spatial mechanism of population density distribution based on Population–Space imbalance. Sustainability, 14(10), 5776. https://doi.org/10.3390/su14105776
Statistical Center of Iran (2017). General and Housing Census of Yazd in 2016.
Subasinghe, S., Wang, R., & Murayama, Y. (2022). Modelling spatial pattern of population distribution in 50 largest cities in the world: A geospatial approach. IOP Conference Series: Earth and Environmental Science, 1109(1), 012065. https://doi.org/10.1088/1755-1315/1109/1/012065
Sun, W., Fu, Y., & Zheng, S. (2017). Local public service provision and spatial inquality in Chineses cities: The role of residental income sorting and land-use conditions. Journal of Regional Science, 57(4), 547–567. https://doi.org/10.1111/jors.12307
Veneri, P. (2018). Urban spatial structure in OECD cities: Is urban population decentralising or clustering? Papers in Regional Science97(4), 1355–1374. https://doi.org/10.1111/pirs.12300
Vinci, S., Egidi, G., & Salvati, L. (2021). Population growth and urban management in metropolitan regions: The contribution of natural balance and migration to polycentric development in Barcelona. Applied Spatial Analysis and Policy15(1), 71–94. 
Wang, L., & Chen, L. (2018). The impact of new transportation modes on population distribution in Jing-Jin-Ji region of China. Scientific Data, 5, 170204.  https://doi.org/10.1038/sdata.2017.204
Wang, Y., & Homma, R. (2023). Prediction on optimum population capacity determined by facility density. International Review for Spatial Planning and Sustainable Development11(2), 81–98. 
Wu, P., & Mei, L. (2022). A framework for the spatial inequality in urban public facility for urban planning, design and management. Land11(9), 1429. https://doi.org/10.3390/land11091429
Xie, Z., Yuan, M., Zhang, F., Chen, M., Shan, J., Sun, L., & Liu, X. (2023). Using remote sensing data and graph theory to identify polycentric urban structure. IEEE Geoscience and Remote Sensing Letters20, 1–5. https://doi.org/10.1109/lgrs.2023.3235943
Xiong, N., Wong, S. W., Ren, Y., & Shen, L. (2020). Regional disparity in urbanizing China: Empirical study of unbalanced development phenomenon of towns in Southwest China. Journal of Urban Planning and Development146(3). https://doi.org/10.1061/(asce)up.1943-5444.0000586
Xu, Y., Chan, E. H., & Yung, E. H. (2014). Analysis of the mechanisms contributing to spatial mismatch in transitional Chinese cities. Journal of Urban Planning and Development, 140(2). https://doi.org/10.1061/(asce)up.1943-5444.0000185
Zarrabi, A., & Mousavi, M. (2010). Spatial analysis of population distribution and service distribution in urban areas of Yazd. Geographical Research, 25(97), 27-46.
Zhang, J., Zhang, R., Zhao, X., & Yuan, X. (2023). Polycentric spatial structure evolution and influencing factors of the Kunming–Yuxi urban agglomeration: Based on multisource Big data fusion. Land12(7), 1340. https://doi.org/10.3390/land12071340
Zhang, L., Zhao, Y., Yilian, D., Zhang, L., & Yu, Y. (2021). Strategies of residential area regeneration and urban development in China from the perspective of mismatch between population mobility and land supply: Take Shenzhen as example. Tobacco Regulatory Science7(6), 5741–5754