تغییرپذیری فضایی و زمانی نرخ باروری گروه‌های ویژه سنی در نواحی روستایی ایران (1385-1395)

الموضوعات : فصلنامه علمی برنامه ریزی منطقه ای

مهرانگیز رضائی ¹ , سیامک طهماسبی ²

1 - استادیار جغرافیا و برنامه ریزی روستائی، گروه جغرافیا، دانشگاه یزد، یزد، ایران.
2 - پژوهشگر پژوهشکده سیاستگذاری، دانشگاه صنعتی شریف، تهران، ایران

تاريخ الإرسال : 06 الجمعة , جمادى الأولى, 1443 تاريخ التأكيد : 03 الإثنين , رمضان, 1443 تاريخ الإصدار : 14 الخميس , ذو الحجة, 1445

الکلمات المفتاحية: نواحی روستایی, نرخ باروری گروه های ویژه سنی, خود‌همبستگی فضایی محلی, هموارسازی فضایی, جمعیت شناسی فضایی,

ملخص المقالة :

باروری یک فرآیند جمعیتی کلیدی است که نقش مهمی در پویایی و روندهای جمعیت دارد. کاهش بارروی، به پدیده‌ای جهانی تبدیل شده است؛ و در اولویت‌های سیاستی بسیاری از کشورهای جهان قرار گرفته است. با این‌حال، مطالعات اندکی هستند که به طور‌مستقیم بر پایة مفاهیم جغرافیایی و بعد فضایی باروری، تمرکز کرده باشند. هدف از این پژوهش بررسی روند تغییرپذیری فضایی و زمانی نرخ باروری گروه‌های ویژه سنی (ASFRs)  زنان روستایی در سال‌های 1385 و 1395 ‌است. داده‌های موالید و گروه‌های سنی زنان(49- 15) روستایی از سرشماری نفوس و مسکن مرکز آمار در دو دوره 1385 و 1395 جمع‌آوری و از آزمون‌های موران I سراسری (GMI) و موران محلی با بیز تجربی (LM-EB)  برای سنجش خود‌همبستگی فضایی و کشف الگوهای فضایی نرخ باروری ویژه گروه‌های سنی در نرم افزار GeoDa استفاده شد. نتایج نشان‌داد که نرخ باروری گروه‌های ویژه سنی طی دوره‌ مورد بررسی افزایش یافته‌است و بیشترین افزایش باروری در گروه سنی 24‌-20 ساله رخ داده است. خوشه‌بندی فضایی نرخ باروری ویژه سنی نشان‌می‌دهد در سال 1395 قوی‌تر و گسترده‌تر از سال 1385 بوده است. در بین گروه‌های سنی و در هر دو دوره، گروه سنی 39- 35 سال و 49- 45 سال به ترتیب بیشترین ‌(447/0=GMI1385671/0=GMI1395)‌ و کمترین(07/0=GMI1385 ،198/0=GMI1395) مقدار خودهمبستگی فضایی را داشته‌اند. همچنین مناطق روستایی جنوب‌شرق کشور خوشه‌بندی باروری ویژه سنی بالا را داشته‌اند. در برخی از گروه‌های سنی در شرق، شمال شرق، شمال‌غرب، جنوب‌غرب و تا حدودی جنوب نیز الگوی بالا- بالا شکل گرفته‌اند. الگوی بالا- بالا در شمال‌غرب تنها در گروه سنی 19- 15 سال شکل گرفته‌است و الگوی پایین- پایین باروری در مناطق روستایی عمدتاً در قسمت‌های داخلی، شمال و غرب متمرکز شده‌اند. شناسایی و کشف خوشه‌های فضایی، زمینه را برای ساخت مفروضات و مدل برای تحقیقات آینده فراهم‌ می کند. بنابراین آنچه در این پژوهش انجام شده است، می‌تواند بستر مناسب علمی و دقیق برای تحقیقات بنیادین بعدی در حوزه جمعیت و باروری روستایی و توسعه را فراهم می‌کند.

المصادر:

1. Alexander, M., Zagheni, E., & Barbieri, M, (2017), A flexible Bayesian model for estimating subnational mortality. Demography, 54(6), 2025-2041. https://doi.org/10.1007/s13524-017-0618-7


2. Abbasi-Shavazi, M. J, (2020), Demographic Transition and New Pronatalist Policies in Iran. ББК 66.75 П 26, 16, 30.


3. Abbasi-Shavazi, M. J., MacDonald, P & Hosseini-Chavoshi, M, (2009), The fertility transition in Iran: revolution and reproduction, Springer Netherlands.


4. Ahmadian, M & Mehrbani, V, (2013), Women's Education and Fertility in Tehran: An Economic Approach. Economic Research, 48(1). Doi: 10.22059/jte.2013.30357 [In Persian].


5. Alam, M. S., Hossain, S. S., & Sheela, F. F, (2019), Spatial smoothing of low-birth-weight rate in Bangladesh using Bayesian hierarchical model. Journal of Applied Statistics, 46(10), 1870-1885. https://doi.org/10.1080/02664763.2019.1572722


6. Aliei, M, (2015), The role of population and population policies in strengthening the internal structure of power of the Islamic Republic of Iran. Security Horizons, 8 (28), 107-133.


7. Ali-Mohammadi, G, A. (2000). Investigating the economic, social and demographic factors affecting birth and fertility among the Turkmen of Kalaleh city. Master's thesis, Social Science Department, University of Theran. [In Persian].


8. Anselin, L., Lozano, N., & Koschinsky, J. (2006), Rate transformations and smoothing. Urbana, 51, 61801.


9. Assunção, R. M., Schmertmann, C. P., Potter, J. E., & Cavenaghi, S. M, (2005), Empirical Bayes estimation of demographic schedules for small areas. Demography, 42(3), 537-558. https://doi.org/10.1353/dem.2005.0022


10. Beroll, H., Berke, O., Wilson, J., & Barker, I. K, (2007), Investigating the spatial risk distribution of West Nile virus disease in birds and humans in southern Ontario from 2002 to 2005. Population Health Metrics, 5(1), 1-16. https://doi.org/10.1186/1478-7954-5-3


11. Boyle, P, (2003), Population geography: does geography matter in fertility research? Progress in Human Geography, 27(5), 615-626. https://doi.org/10.1191/0309132503ph452pr


12. Burillo, P., Salvati, L., Matthews, S. A., & Benassi, F, (2020), Local-Scale Fertility Variations in a Low-Fertility Country: Evidence from Spain (2002–2017). Canadian Studies in Population, 47(4), 279-295. https://doi.org/10.1007/s42650-020-00036-6


13. Carioli, A., Devolder, D., & Valverde, J. R, (2014), A spatial analysis of recent fertility patterns in Spain. In Annual Meeting of the Population Association of America (PAA), Boston, 1-3.


14. Cramb, S., Duncan, E., White, N., Baade, P., & Mengersen, K, (2016), Spatial Modelling Methods. Brisbane: Cancer Council Queensland and Queensland University of Technology


15. Cressie, N, (1992), Smoothing regional maps using empirical Bayes predictors. Geographical Analysis, 24(1), 75-95. https://doi.org/10.1111/j.1538-4632.1992.tb00253.x


16. Dadzie, D., Kenu, E., Peprah, N. Y., Ajumobi, O. O., Masiira, B., Bandoh, D. A., ... & Afari, E, (2018), Spatio-temporal distribution of under-five malaria morbidity and mortality hotspots in Ghana, 2012–2017: a case for evidence-based targeting of malaria interventions. Journal of Interventional Epidemiology and Public Health, 1(5). https://doi.org/10.37432/JIEPH.2018.1.1.4


17. Entwisle, B. (2007). Putting people into place. Demography, 44(4), 687-703. https://doi.org/10.1353/dem.2007.0045


18. Erdogan, S., Yalçin, M., & Dereli, M. A, (2013), Exploratory spatial analysis of crimes against property in Turkey. Crime, law and social change, 59(1), 63-78. https://doi.org/10.1007/s10611-012-9398-6


19. Faulkner, D. R, (2005), The spatial dynamics of fertility in South Australia 1976 to 1996. Ph.D Thesis. The University of Adelaide.


20. Gemperli, A., Vounatsou, P., Kleinschmidt, I., Bagayoko, M., Lengeler, C., & Smith, T, (2004), Spatial patterns of infant mortality in Mali: the effect of malaria endemicity. American journal of epidemiology, 159(1), 64-72. https://doi.org/10.1093/aje/kwh001


21. Goovaerts, P, (2005), Geostatistical analysis of disease data: estimation of cancer mortality risk from empirical frequencies using Poisson kriging. International Journal of Health Geographics, 4(1), 1-33. https://doi.org/10.1186/1476-072X-4-31


22. Hank, K, (2001), Regional fertility differences in Western Germany: an overview of the literature and recent descriptive findings. International journal of population geography, 7(4), 243-257. https://doi.org/10.1002/ijpg.228


23. Hansen, Katherine M. (1991), “Head-Banging: Robust Smoothing in the Plane.” IEEE Transactions on Geoscience and Remote Sensing 29 (3): 369–78. DOI: 10.1109/36.79427


24. Heidarzadeh, E., & Behzadfar, M. (2019). The Impact of Population Density on Urban Quality


25. Hosseini, H. (1999), Ethnicity and Fertility: Explaining the Fertility Behaviors of Kurdish and Turkish Women in Urmia. PhD Thesis, Social Science Department, University of Theran. [In Persian].


26. Hosseini, H., & Haghshenas, N. M. (2009), Dynamics of development and fertility convergence in Muslim countries. In th IUSSP International population conference.


27. https://www.amar.org.ir


28. Law, J., Quick, M., & Chan, P, (2014), Bayesian spatio-temporal modeling for analysing local patterns of crime over time at the small-area level. Journal of quantitative criminology, 30(1), 57-78. https://doi.org/10.1007/s10940-013-9194-1


29. León-Gómez, B. B., Gotsens, M., Marí-Dell’Olmo, M., Domínguez-Berjón, M. F., Luque-Fernandez, M. Á., Martin, U., ... & Pérez, G, (2019), Bayesian smoothed small-areas analysis of urban inequalities in fertility across 1999–2013. Fertility research and practice, 5(1), 1-9. https://doi.org/10.1186/s40738-019-0066-8


30. Logan, JR., Zhang, W., & Xu H., (2010), Applying spatial thinking in social science research. GeoJournal. Jan 1; 75(10):15-27. doi: 10.1007/s10708-010-9343-0


31. Matthews, S. A., Stiberman, L., Raymer, J., Yang, T. C., Gayawan, E., Saita, S., ... & Wong, D. W, (2021), Looking Back, Looking Forward: Progress and Prospect for Spatial Demography. Spatial Demography, 9(1), 1-29. https://doi.org/10.1007/s40980-021-00084-9


32. Mojica, V. J., Choi, A., & Co, F, (2019), Spatial analysis of violent crimes in Metro Manila, Philippines. International Journal of Comparative and Applied Criminal Justice, 43(1), 29-47. https://doi.org/10.1080/01924036.2017.1398669


33. Mungiole, M, Linda W. Pickle, & Katherine Hansen S, (1999), Application of a Weighted Head‐banging Algorithm to Mortality Data Maps. Statistics in Medicine 18 (23): 3201–9. https://doi.org/10.1002/(SICI)1097-0258(19991215)18:23<3201::AID-SIM310>3.0.CO;2-U


34. Pfeiffer, Dirk, Tim Robinson, Mark Stevenson, Kim Stevens, David Rogers, and Archie Clements, (2008), Spatial Analysis in Epidemiology. Oxford: Oxford University Press.


35. Raymer, J., Willekens, F., & Rogers, A, (2019), Spatial demography: A unifying core and agenda for further research. Population, Space and Place, 25(4), e2179. https://doi.org/10.1002/psp.2179


36. Razeghi-Nasrabad, H. B., Abbasi-Shavazi, M. J., & Moeinifar, M, (2020), Are We Facing a Dramatic Increase in Voluntary and Involuntary Childlessness in Iran That Leads to Lower Fertility? Crescent Journal of Medical and Biological Sciences, 7(2).


37. Rezaee, M., Faraji Sabokbar, H., & Tahmasbi, S, (2022), Spatial Smoothing of Fertility Rate in Rural Areas of Iran (2011-2016), Journal of Rural Research, 12(4), Pages 734-749.doi: 10.22059/jrur.2022.325115.1641[In Persian].


38. Ruckthongsook, W, (2017), The Influence of Disease Mapping Methods on Spatial Patterns and Neighborhood Characteristics for Health Risk. (Thesis). University of North Texas.


39. Salvati, L., Benassi, F., Miccoli, S., Rabiei-Dastjerdi, H., & Matthews, S. A, (2020), Spatial variability of total fertility rate and crude birth rate in a low-fertility country: patterns and trends in regional and local scale heterogeneity across Italy, 2002–2018. Applied Geography, 124, 102321. https://doi.org/10.1016/j.apgeog.2020.102321


40. Schmertmann, C. P., Cavenaghi, S. M., & Potter, J. E, (2013), Bayes plus Brass: estimating total fertility for many small areas from sparse census data. Population studies, 67(3), 255-273. https://doi.org/10.1080/00324728.2013.795602


41. Shayani, S. (2004). Investigating the economic, social and demographic factors affecting the fertility of women (15-49) years old in Noorabad Mamsani city. Master's thesis, Social Science Department, University of Theran. [In Persian].


42. Talbot, T. O., Kulldorff, M., Forand, S. P., & Haley, V. B, (2000), Evaluation of spatial filters to create smoothed maps of health data. Statistics in medicine, 19(17‐18), 2399-2408. DOI: 10.1002/1097-0258(20000915/30)19:17/18<2399: aid-sim577>3.0.co;2-r


43. Türkan, A. H., Erdugan, F., & Aldemir, S, (2020), Spatial Patterns of Infant Mortality in Turkey between 2011 and 2016. International Review for Spatial Planning and Sustainable Development, 8(4), 1-15. https://doi.org/10.14246/irspsd.8.4_1


44. Vitali, A., & Billari, F. C, (2017), Changing determinants of low fertility and diffusion: A spatial analysis for Italy. Population, Space and Place, 23(2), e1998. https://doi.org/10.1002/psp.1998


45. Voss PR (2007a), Demography as a spatial social science. Population Research and Policy Review 26(5–6): 457–476. doi:10.1007/s11113-007-9047-4.


46. Waller, Lance A, and Carol A Gotway. 2004. Applied Spatial Statistics for Public Health Data. John Wiley & Sons. https://doi.org/10.1198/jasa.2005.s15.


47. Wang, Y., & Gao, W, (2020), The application of spatial empirical Bayesian smoothing method in spatial analysis of bacillary dysentery: A case study in Yudu County, Jiangxi Province. In IOP Conference Series: Earth and Environmental Science (Vol. 568, No. 1, p. 012009). IOP Publishing. Doi:10.1088/1755-1315/568/1/012009


48. Zambon, I., Rontos, & Salvati, L, (2020), Toward an unwanted dividend? Fertility decline and the North–South divide in Italy, 1952–2018. Quality & Quantity, 54(1), 169-187. doi.org/10.1007/s11135-019-00950-1


49. Zewdie, S. A, (2014), Spatial analysis of child mortality in South Africa in relation to poverty and inequality: evidences from the 2011 census (Master's thesis, University of Cape Town).


50. Zhang, J., Yin, F., Zhang, T., Yang, C., Zhang, X., Feng, Z., & Li, X, (2014), Spatial analysis on human brucellosis incidence in mainland China: 2004–2010. BMJ open, 4(4). https://doi.org/10.1136/bmjopen-2013-004470


51. Zhang, Z., Bhattacharjee, A., Maiti, T., Marques, J. L., Martins, J. M., & Castro, E. A, (2013), Spatial small area estimation of regional fertility rates: A Bayesian approach applied to Portuguese NUTS III regions.