ПРОСТРАНСТВЕННО-ВРЕМЕННОЙ АНАЛИЗ ТРАНСФОРМАЦИИ ГОРОДСКОЙ СИСТЕМЫ РАССЕЛЕНИЯ ЕВРОПЕЙСКОГО СЕВЕРА РОССИИ
Аннотация
Целью исследования является проведение анализа трансформации городской системы расселения Европейского Севера России (ЕСР). На основе данных Росстата о численности населения всех 68 городов региона за 1989 и 2021 гг. посредством составления матрицы расстояний между ними проведены расчеты глобального и локального индексов Морана. Сравнение полученных значений глобального индекса Морана с его математическим ожиданием свидетельствует о наличии отрицательной пространственной автокорреляции в 1989 и в 2021 гг., то есть в регионе расположенные рядом друг с другом города по численности населения скорее различны, чем схожи между собой. На основе построения пространственных диаграмм рассеяния Морана выделены четыре кластера городов, различающихся между собой положением в пространстве региона. Установлено, что на ЕСР преобладают небольшие по численности населения города, соседствующие с населенными пунктами либо с высоким, либо с таким же низким уровнем людности. В постсоветский период в регионе с 27 до 30 выросло количество городов с низкой численностью населения, соседствующих с городами с высокой численностью населения, что может свидетельствовать об увеличении значения последних в городской сети расселения. Также произошло укрепление положения некоторых малых и средних городов, находящихся за пределами городских агломераций, как узловых элементов опорного каркаса расселения. В Республике Коми и на границе Вологодской и Архангельской областей выявлено появление групп городов, которые могут рассматриваться как формирующиеся городские агломерации.
Скачивания
Литература
2. Ускова Т. В., Секушина И. А. Стратегические приоритеты развития малых и средних городов // Эко-номические и социальные перемены: факты, тенденции, прогноз. 2021. Т. 14, № 1. С. 56—70. DOI: 10.15838/ esc.2021.1.73.5.
3. Секушина И. А. Оценка сбалансированности городской системы расселения Европейского Севера России // Регионология. 2021. Т. 29, № 3 (116). С. 642—665.
4. Moran P. A. P. Notes on continuous stochastic phenomena // Biometrika. 1950. Vol. 37 (1—2). P. 17—33.
5. Anselin L. Spatial Econometrics: Methods and Models. Dordrecht: Kluwer Academic Publ., 1988. 304 p.
6. Chasco C. Y. Course on Spatial Econometrics with Applications. Session 2: Spatial Effects. 2007. URL: https://studylib.net/doc/18381340/session-3--spatial-autocorrelation-tests.
7. Bivand R., Muller W., Reder M. Power calculations for global and local Moran’s I // Computational Statistics and Data Analysis. 2009. Vol. 53, no. 8. P. 2859—2872.
8. Haining R. P. Spatial autocorrelation and the quantitative revolution // Geographical Analysis. 2009. Vol. 41, iss. 4. P. 364—374.
9. Chen Y. G, Jiang S. G. Modeling fractal structure of systems of cities using spatial correlation function // In-ternational Journal of Artificial Life Research. 2010. Vol. 1 (1). P. 12—34.
10. Chen Y. New Approaches for Calculating Moran’s Index of Spatial Autocorrela-tionm // PLoS ONE. 2013. Vol. 8, no. 7. DOI: 10.1371/journal.pone.0068336.
11. Cliff A. D., Ord J. K. The problem of spatial autocorrelation // London Papers in Regional Science 1, Studies in Regional Science / ed. by A. J. Scott. London: Poin, 1969. P. 25—55.
12. Getis A., Ord J. The analysis of spatial association by use of distance statistic // Geographical Analysis. 1992. Vol. 24, no. 3. P. 189—206.
13. Das K., Diawara N. New Approaches to Model Simulated Spatio-Temporal Moran’s Index // Journal of Probability and Statistical Science. 2018. Vol. 16. P. 11—24.
14. Манаева И. В. Формирование методологии стратегирования пространственного развития городов России: монография. СПб.: ИПЦ СЗИУ РАНХиГС, 2020. 368 с.
15. Макарова М. Н. Моделирование социально-демографической асимметрии территориального раз¬вития // Экономические и социальные перемены: факты, тенденции, прогноз. 2021. Т. 14, № 2. С. 29—42. DOI: 10.15838/esc.2021.2.74.2.
16. Суворова А. В. Развитие полюсов роста в Российской Федерации: прямые и обратные эффек¬ты // Экономические и социальные перемены: факты, тенденции, прогноз. 2019. Т. 12, № 6. С. 110—128. DOI: 10.15838/ esc.2019.6.66.6.
17. Павлов Ю. В., Королева Е. Н. Пространственные взаимодействия: оценка на основе глобального и локального индексов Морана // Пространственная экономика. 2014. № 3. С. 95—110. DOI: 10.14530/ se.2014.3.95-110.
18. Манаева И. В., Канищева А. В. Оценка пространственной автокорреляции в городах Сибирского федерального округа // Пространственное развитие территорий: сб. науч. тр. III Междунар. науч.-практ. конф., Белгород, 26—27 нояб. 2020 г. / под ред. Е. А. Стрябковой, А. М. Кулик. Белгород: Белгород. гос. нац. исслед. ун-т, 2020. С. 25—32.
19. Смирнова О. П. Оценка интеграционных взаимодействий промышленных кластеров в РФ // Фи¬нансовая экономика. 2019. № 10. С. 214—218.
20. Патракова С. С. Внутрирегиональная асимметрия: исследование инструментами пространствен¬ного анализа // Научный журнал НИУ ИТМО. Сер.: Экономика и экологический менеджмент. 2021. № 3. С. 86—97. DOI: 10.17586/2310-1172-2021-14-3-86-97.
21. Смирнягин Л. В. Судьба географического пространства в социальных науках // Известия Российской академии наук. Сер.: Географическая. 2016. № 4. С. 7—19. URL: https://doi.org/10.15356/0373-2444-2016-4-7-19.
22. Ворошилов Н. В. Подходы к оценке развитости агломераций на территории России // Проблемы развития территории. 2019. № 4 (102). С. 40—54. DOI: 10.15838/ptd.2019.4.102.2.
23. Лола А. М. Городское и агломерационное управление в России: состояние и что делать. М.: Канон+ РООИ «Реабилитация», 2013. 292 c.
Ключевые слова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
