لزوم تحليل فضايي جمعيت سالمند در فضاهاي شهري براي سياستگذاري هاي جمعيتي در آينده (مورد مطالعه: شهر ساري)

سالمندان از جمله گروه هاي اجتماعي هستند كه به دليل شرايط سني و كاهش نسبي فعاليت هاي كاري، عمدتا از فضاهاي شهري براي انجام فعاليت هاي اختياري و اجتماعي استفاده مي كنند. هدف پژوهش حاضر تحليل فضايي شاخص هاي جمعيت سالمند در محلات شهر ساري براي سياستگذاري هاي جمعيتي در آينده مي باشد. روش تحقيق مطالعه حاضر توصيفي- تحليلي و بر اساس هدف كاربردي مي باشد. داده هاي خام مقاله از بلوك هاي آماري شهر ساري استخراج شده است كه بر اساس سرشماري سال 1395 مركز آمار ايران تهيه شده است. براي بررسي وضعيت سالمندان در محلات 33 گانه شهر ساري از شاخص هاي نسبت سالمندي، نسبت وابستگي سالمندي، شاخص سالمندي و شاخص پيري استفاده شده است. براي تحليل فضايي شاخص هاي سالمندي از روش هاي لكه هاي داغ و خودهمبستگي فضايي موران در محيط نرم افزار Arc Gis استفاده شده است. مقادير هر چهار شاخص مورد مطالعه در سطح محلات شمال شرق بيشتر از محلات مركزي بوده است. همچنين مقادير هر چهار شاخص داراي خود همبستگي فضايي و الگوي خوشه اي مي باشند.

Elderly is one of the social groups that, due to age and relative decline in work activities, mainly use of urban space for voluntary and social activities. The purpose of the present study is to analyze spatial indicators of the elderly population in sari city neighborhoods for demographic policies in future. The present research method is descriptive-analytical and based on the purpose of the applied. The raw data of the article was extracted from the statistical blocks of sari city, which was prepared on the basis of the census of year 2016 iranian statistics center. For study the elderly population in the 33th neighborhood of sari city has been used to indicators of Elderly relation, Elderly dependency ratio, Elderly index and aging index. For spatial analysis of elderly indicators of methods hot spots and spatial autocorrelation moran have been used in the Arc Gis software environment. The values of every four indices studied in the level of north east neighborhood were more than of the central neighborhood. Also, the values of every four indicators have spatial Autocorrelation and cluster patterns.