تحلیل نقش عوامل محیطی خرد مقیاس در پیش بینی وقوع تخلفات ساختمانی ( مورد مطالعه: شهر خرمآباد)
عنایت اله میرزایی
1
(
استادیار گروه مهندسی شهرسازی، دانشکده فنی و مهندسی، دانشگاه لرستان
)
غلامرضا مرادی
2
(
استادیار گروه مهندسی شهرسازی، دانشکده فنی و مهندسی، دانشگاه سلمان فارسی کازرون
)
الهه بلواسی
3
(
دانشجوی کارشناسی مهندسی شهرسازی، دانشگاه لرستان
)
کلید واژه: خرم آباد, تخلفات ساختمانی, متغیرهای محیطی, رگرسیون لجستیگ تعمیمیافته,
چکیده مقاله :
در طول چند دهه گذشته رشد فزاینده تخلفات ساختمانی ساختار کالبدی-فضایی و منظر شهری را بشدت تحت تأثیر قرار داده و تبدیل به یک چالش جدی برای مسئولان و برنامهریزان شهری شده است. طی 5 سال گذشته حدود 9457 پرونده مربوط به تخلفات ساختمانی به کمیسیون بدوی ماده 100 شهرداری خرم آباد ارجاع شده است که حاکی از رواج این پدیده میباشد. اگرچه طی سالهای گذشته مطالعات متعددی در این حوزه صورت گرفته است اما همچنان شکافهای تحقیقی باقی مانده است. در ادامه مطالعات صورت گرفته در این زمینه، هدف پژوهش حاضر تحلیل تأثیر نقش عوامل محیطی و اجتماعی در مقیاس خرد شهری بر پیش بینی احتمال وقوع تخلف ساختمانی می باشد؛ موضوعی که کمتر در مطالعات پیشین مورد توجه قرار گرفته است.از نظر روش، این پژوهش در زمره مطالعات کمی قرار دارد و از روشهای آماری توصیفی و استنباطی برای تحلیل دادهها استفاده مینماید. دادههای مربوط به عوامل محیط مصنوع و متغیرهای اجتماعی-اقتصادی با تعریف 30 شاخص از سطح 4191 بلوک شهری واقع در شهر خرمآباد با کمک نرم-افزارArcGIS Pro استخراج شده و سپس با استفاده روش تحلیل عاملی (تحلیل مولفه های اصلی) به هشت عامل کلیدی و زیربنایی تقلیل یافتهاند. تخلفات ساختمانی صورت گرفته در پنج سال اخیر نیز به عنوان متغیر وابسته، پس از استخراج از پایگاهداده شهرداری، به بلوکهای مربوطه تخصیص داده شده است. برای تحلیل روابط بین متغیرها از مدل رگرسیون لجستیگ تعمیمیافته استفاده شده است. نتایج تحلیل دادهها نشان داد که عاملهای قیمت، حجم پروانههای صادره و قابلیت تراکمی بالا در بلوک شهری اثر مستقیم و عاملهای تراکم، بافت غیرمسکونی-غیرتجاری و میانگین مساحت قطعات مسکونی اثر معکوسی بر احتمال وقوع تخلف ساختمانی دارند. همچنین، تغییرات ضریب تأثیر دو عامل قیمت و تراکم بر احتمال وقوع تخلف ساختمانی در بین بلوکهای شهری قابل توجه میباشد.
چکیده انگلیسی :
Over the past few decades, the increasing growth of construction violations has greatly affected the physical-spatial structure and urban landscape and has become a serious challenge for city officials and planners. During the past 5 years, about 9457 cases related to construction violations have been referred to the preliminary commission of Article 100 of Khorramabad Municipality, which indicates the prevalence of this phenomenon. Although numerous studies have been conducted in this field in the past years, there are still some research gaps. In line with previous studies, the purpose of the current research is to analyze the impact of environmental and social factors in micro-scale on predicting the probability of construction violations; a subject that has received less attention in previous studies. In terms of method, this research is a quantitative study; and uses descriptive and inferential statistical methods for data analysis. Thirty variables were defined to measure built environment and social dimensions. The data were gathered from 4191 urban blocks located in Khorramabad with the help of ArcGIS Pro software. Then, these variables were reduced into eight underlying factors using the factor analysis method (principal component analysis). The construction violations committed in the last five years have been assigned to the relevant blocks as a dependent variable, after being extracted from the municipal database. The generalized logistic regression model has been used to analyze the relationships between the variables. The results of the data analysis showed that the factors of price, the volume of issued permits, and high density in the urban block have a direct effect, and the factors of density, non-residential-non-commercial area, and the average area of residential plots have an inverse effect on the probability of construction violations. Furthermore, the variations in the influence coefficient of two factors including price and density on the probability of construction violations among urban blocks are significant.