سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,573
تعداد مقالات71,032
تعداد مشاهده مقاله125,502,217
تعداد دریافت فایل اصل مقاله98,766,191
رضائی, مهرانگیز, فرجی سبکبار, حسنعلی, طهماسبی, سیامک. (1400). هموارسازی فضایی نرخ باروری در نواحی روستایی ایران (1395-1390). , 12(4), 734-749. doi: 10.22059/jrur.2022.325115.1641
مهرانگیز رضائی; حسنعلی فرجی سبکبار; سیامک طهماسبی. "هموارسازی فضایی نرخ باروری در نواحی روستایی ایران (1395-1390)". , 12, 4, 1400, 734-749. doi: 10.22059/jrur.2022.325115.1641
رضائی, مهرانگیز, فرجی سبکبار, حسنعلی, طهماسبی, سیامک. (1400). 'هموارسازی فضایی نرخ باروری در نواحی روستایی ایران (1395-1390)', , 12(4), pp. 734-749. doi: 10.22059/jrur.2022.325115.1641
رضائی, مهرانگیز, فرجی سبکبار, حسنعلی, طهماسبی, سیامک. هموارسازی فضایی نرخ باروری در نواحی روستایی ایران (1395-1390). , 1400; 12(4): 734-749. doi: 10.22059/jrur.2022.325115.1641

هموارسازی فضایی نرخ باروری در نواحی روستایی ایران (1395-1390)

پژوهش های روستائی
دوره 12، شماره 4، اسفند 1400، صفحه 734-749    اصل مقاله (3.83 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jrur.2022.325115.1641
نویسندگان
مهرانگیز رضائی* 1؛ حسنعلی فرجی سبکبار2؛ سیامک طهماسبی3
1استادیار، گروه جغرافیا، پردیس علوم انسانی و اجتماعی، دانشگاه یزد، یزد، ایران.
2استاد، گروه جغرافیای انسانی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران.
3دانشجوی کارشناسی ارشد، گروه سنجش از دور و سیستم اطلاعات جغرافیایی، مرکز مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران.
چکیده
باروری یکی از فرایندهای اساسی جمعیت است که تأثیر مهمی در پویایی و تغییر ساختار جمعیت دارد. کاهش باروری پدیدهای جهانی است؛ در دهه‌های گذشته، کشورهای توسعه‌یافته و امروزه بسیاری از کشورهای درحال‌توسعه آن را تجربه می‌کنند و در ایران نرخ باروری کلی به کمتر از سطح جانشینی رسیده است. برآورد نرخ باروری در نواحی روستایی عمدتاً متأثر از اندازه جمعیت و اندازه واحد فضایی است. به همین دلیل برآورد نرخ باروری و تهیه نقشه در مناطق جغرافیایی کوچک و کم‌جمعیت چالش‌برانگیز است. این پژوهش با هدف برآورد صحیح و شناسایی الگوهای فضایی باروری نواحی روستایی با استفاده از روش‌های هموار‌سازی فضایی برای سال‌های 1395و1390 انجام شده است. برای تحلیل داده‌ها از روش‌های هموارساز بیز تجربی و بیز تجربی فضایی استفاده شد. درحالی‌که میانگین GFR سال‌های 1390 و 1395 به ترتیب 1/51و 6/71 (فرزند به ازای هر 1000 زن) است، یافته‌ها نشان ‌می‌دهد که روش‌های هموارسازی فضایی و به‌ویژه روش بیز تجربی فضایی در برآورد باروری در مناطق کوچک کارایی مناسبی دارد به‌طوری ‌که میزان تعدیل نرخ باروری در مناطق پرجمعیت، کمتر و در مناطق کم‌جمعیت تعدیل قابل‌توجهی را ایجاد می‌کند. نتایج همچنین وقوع باروری بالای روستایی در نواحی مرزی کمتر توسعه‌یافته (جنوب شرق، شرق و جنوب)و گسترش روند باروری پایین روستایی از شمال به جنوب و سپس روستاهای مرکزی و غربی را نشان ‌می‌دهد. تداوم باروری پایین در بخش عمده‌ای از نواحی روستایی، کشور را با چالش‌های جدی در حوزه اقتصادی، اجتماعی، سیاسی روبه‌رو می‌کند.
کلیدواژه‌ها
نرخ باروری؛ هموارسازی فضایی؛ بیز تجربی فضایی؛ خود‌همبستگی فضایی؛ نواحی روستایی
عنوان مقاله [English]
Spatial Smoothing of Fertility Rate in Rural Areas of Iran (2011-2016)
نویسندگان [English]
Mehrangiz Rezaee1؛ Hassan Ali Faraji Sabokbar2؛ Siamak Tahmasbi3
1Assistant Professor, Department of Geography, Campus of Humanities and Social Sciences, Yazd University, Yazd, Iran.
2Professor, Department of Human Geography, Faculty of Geography, University of Tehran, Tehran, Iran.
3MSc. Student, Department of RS & GIS, Center for Remote Sensing & GIS Research, Faculty of Earth Sciences, Shahid Beheshti University, Tehran, Iran.
چکیده [English]
Fertility is one of the basic processes of the population that has an important effect on the dynamics and change of population structure. The declining burden is a global phenomenon; in the past decades, developed countries and today many developing countries are experiencing it, and in Iran, the overall fertility rate has reached less than the replacement level. Estimation of fertility rate in rural areas is mainly affected by population size and space unit size. Therefore, estimating fertility rates and mapping them in small and sparsely populated geographical areas is challenging. This study aims to accurately estimate and identify spatial patterns of fertility in rural areas using spatial smoothing methods for 2016 and 2011. Experimental Bayes and spatial Bayes smoothing methods were used to analyze the data. While the average GFR of 2011 and 2016 are 51.1 and 71.6 (children per 1000 women), respectively, the findings show that spatial smoothing methods, especially the experimental spatial Bayesian method, have good efficiency in estimating fertility in small areas. Adjusting the fertility rate in densely populated areas is less and in sparsely populated areas it makes a significant adjustment. The results also show the occurrence of high rural fertility in less developed border areas (southeast, east and south) and the spread of low rural fertility from north to south and then the central and western villages. The persistence of low fertility in most of the rural areas is causing serious challenges in the economic, social and political spheres.
کلیدواژه‌ها [English]
Fertility rate, Spatial smoothing, Spatial Empirical Bayes, Spatial autocorrelation, Rural areas
مراجع

Abbasi-Shavazi, M. J. (2020). Demographic Transition and New Pronatalist Policies in Iran. ББК 66.75 П 26, 16, 30.
Abbasi-Shavazi, M. J., & Hosseini-Chavoshi, M. (2013). Fertility transformations in Iran in the last four decades, application and evaluation of own children's method in estimating fertility using census data 1986 to 2011, Economic Statistics Group, Statistical Research and Training Center. 
Abbasi-Shavazi, M. J., MacDonald, P., & Hosseini-Chavoshi, M. (2009). The fertility transition in Iran: revolution and reproduction, Springer Netherlands. 
Adamo, S. (2011). Future Directions in Spatial Demography. A Specialist Meeting convened by the University of California, Santa Barbara, Penn State University, and NIH advanced spatial analysis training program (NICHD 5R- 25 HD057002-04).
Ahmadi, A. M., & Ezoji, A. (2017). Socioeconomic Determinants of Total Fertility Rate at an Aggregate Level in Iran: An Application of ARDL. QJER, 17 (3), 53-76. 
Ahmadian, M., & Mehrbani, V. (2013). Women’s education and fertility in Tehran: an economic approach, Journal of Economic Research, 48 (1), 1-20. 
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.
Alexander, M., Zagheni, E., & Barbieri, M. (2017). A flexible Bayesian model for estimating subnational mortality. Demography, 54(6), 2025-2041.
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.
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.
Brookins, M. L., & Brookins, O. T. (2002). An exploratory analysis of fertility differentials in India. Journal of Development Studies, 39(2), 54-72.
Cramb, S., Duncan, E., White, N., Baade, P., & Mengersen, K. (2016). Spatial Modelling Methods. Brisbane: Cancer Council Queensland and Queensland University of Technology (QUT). 
Cressie, N. (1992). Smoothing regional maps using empirical Bayes predictors. Geographical Analysis, 24(1), 75-95.
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).
de Castro, M. C. (2007). Spatial demography: An opportunity to improve policy making at diverse decision levels. Population research and policy review, 26(5-6), 477-509.
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.
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.
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.
Hansen, K. M. (1991). “Head-Banging: Robust Smoothing in the Plane.” IEEE Transactions on Geoscience and Remote Sensing 29 (3): 369–78. https://doi.org/10.1109/36.79427.
Hospers, G. J., & Reverda, N. (2014). Managing population decline in Europe's urban and rural areas. Springer.
Khraif, R. M., Salam, A. A., Al-Mutairi, A., Elsegaey, I., & Al Jumaah, A. (2017). Education’s impact on fertility: The case of King Saud University women, Riyadh. Middle East Fertility Society Journal, 22(2), 125-131.
Kulu, H., & Vikat, A. (2008). Fertility differences by housing type: The effect of housing conditions or of selective moves?. Demographic research, 17, 775-802.
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.
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.
Lerch, M. (2018). Fertility decline in urban and rural areas of developing countries. Population and Development Review, 1-20.
Lutz, W., & Skirbekk, V. (2005). Policies addressing the tempo effect in low-fertility countries. Population and development review, 31(4), 699-720.
Matthews, S., & Parker, D. M. (2013). Progress in spatial demography. Demographic Research, 28, 271-312.
McQuillan, K. (2004). When does religion influence fertility?. Population and development review, 30(1), 25-56.
Mojica, V. J., Choi, A., Leong, R. N., & Co, F. (2019). Spatial analysis of violent crimes in Metro Manila, Philippines. International Journal of Comparative and Applied Criminal Justice, 43(1), 29-47.
Mungiole, M., W. Pickle, L., & Hansen Simonson, K.. (1999). “Application of a Weighted Head-banging Algorithm to Mortality Data Maps.” Statistics in Medicine 18 (23): 3201–3209. 
Newbold, K. B. (2010). Population geography: Tools and issues. Rowman & Littlefield Publishers.
Odongo, B. O. (2015). Association between infant mortality and fertility change in Sub-Saharan Africa (Doctoral dissertation, University of Nairobi).
Pan, W. K., & López-Carr, D. (2016). Land use as a mediating factor of fertility in the Amazon. Population and Environment, 38(1), 21-46.
Pfeiffer, D., Robinson, T.,  Stevenson, M., Stevens, K., Rogers, D., & Clements, A. (2008). Spatial Analysis in Epidemiology. Oxford: Oxford University Press.
Plowright, A. S. (2014). Landscapes of fertility in rural South Africa: intergenerational understandings, migration and HIV/AIDS (Doctoral dissertation, University of Warwick).
Poston, D. L., & Micklin, M. (Eds.). (2005). Handbook of population. Kluwer Academic/Plenum.
Potter, J. E., Schmertmann, C. P., & Cavenaghi, S. M. (2002). Fertility and development: evidence from Brazil. Demography, 39(4), 739-761.
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).
Ruckthongsook, W. (2017). The Influence of Disease Mapping Methods on Spatial Patterns and Neighborhood Characteristics for Health Risk. (Thesis). University of North Texas. Retrieved from https://digital.library.unt.edu/ark:/67531/metadc1062838/.
Schmertmann, C. P., Cavenaghi, S. M., Assunção, R. 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.
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.
Uijtdehaag, M. (2017). who should replace. The restriction of immigration in western-European countries with sub-replacement fertility. Master thesis, Radboud University. https://theses.ubn.ru.nl/handle/123456789/4721.
Waller, L. A., & Gotway, C. A. (2004). Applied Spatial Statistics for Public Health Data. John Wiley & Sons. https://doi.org/10.1198/jasa.2005.s15.
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. 
Weeks, J. R. (2004). The role of spatial analysis in demographic research. Spatially integrated social science, 381-399.
Yucesahin, M. M., & Ozgur, E. M. (2008). Regional fertility differences in Turkey: persistent high fertility in the southeast. Population Space and Place, 14(2), 135. Journal of Applied Statistics, 46(10), 1870-1885.
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). 
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).
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.

آمار
تعداد مشاهده مقاله: 975
تعداد دریافت فایل اصل مقاله: 702





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب