Топология сети населенных пунктов как фактор динамики сельского расселения (на примере Тюменской области)

Полный текст

ПОСТАНОВКА ЗАДАЧИ

После кратковременной кризисной контрурбанизации начала 1990-х годов [33] Россия вернулась к состоянию сжатия расселения¹ [1, 6, 12]. В период между переписями 2002 и 2010 гг. было официально упразднено 2.1 тыс. сел и деревень. Еще 19.5 тыс. населенных пунктов (12.7% общего количества) не имели в 2010 г. постоянных жителей [7]. Доля сельских жителей, проживающих в селах с населением свыше 3 тыс. человек, выросла за два постсоветских десятилетия в 1.5 раза – с 20 до 30% [19]. Основным механизмом изменения расселения остается миграция [8]. Активнее всего – по 1.5–3% ежегодно в 2011–2015 гг. – за счет миграций теряли сельское население север европейской части России, Восточная Сибирь и Дальний Восток [11].

Расселение развивается в логике урбанизации [23, 33], когда растут более крупные населенные пункты, а средние и мелкие теряют население. Интенсивность миграционного оттока с сельских территорий зависит от размеров регионального и районных центров и возрастает по мере удаления от них [6, 10, 28]. Важную роль в возникновении миграций играет неравенство между городом и селом – разрыв в доходах населения, возможностях трудоустройства и получения образования, качестве социальных услуг, комфортности среды и пр. Комплекс факторов, порождающих миграцию, можно обозначить как ее движущие силы [30]. Вместе с тем центростремительные тенденции могут быть смягчены или усилены на локальном уровне, где на первый план выходят собственные, иногда специфичные, обусловленные историей освоения и развития свойства местности.² В результате исследователь сталкивается с многообразием траекторий динамики численности населения отдельных сел и деревень. Изучение местных свойств и их влияния на динамику расселения составляет самостоятельную исследовательскую задачу, которой посвящена данная работа.

Мы предлагаем рассматривать структурные свойства расселения на локальном уровне, в частности, топологию сети населенных пунктов как один из факторов динамики расселения. В староосвоенных регионах поселенческие сети существуют практически в неизменном виде уже несколько столетий. В Западной Европе сеть населенных пунктов и связывающих их дорог сложилась не позднее XVI в., в обжитых районах европейской части России – в начале XIX в. [4]. Сети сохраняются, несмотря на появление новых видов транспорта, изменение экономического уклада и административные реформы. Инерция поселенческой сети позволяет реконструировать факторы, влиявшие на ее формирование, и наметить направления дальнейшего развития [3, 26]. По мнению Г.А. Гольца, устойчивость поселенческих сетей связана с их способностью адаптироваться к меняющимся условиям за счет перестройки связей между уже существующими населенными пунктами [4].

Мы предположили, что более связные участки сети населенных пунктов успешнее адаптируются к новым условиям и в меньшей степени подвержены негативным изменениям – сжатию и депопуляции (гипотеза 1). Те же населенные пункты, которые занимают в сети более выгодное (центральное) положение, имеют максимальный потенциал к выстраиванию взаимодействия с другими поселениямии потому будут отличаться положительной динамикой численности населения (гипотеза 2).

Для проверки этих гипотез на примере Тюменской области³ мы проанализировали динамику сельского расселения в 2002–2010 гг. В работе поставлены следующие исследовательские вопросы:

• каково влияние топологических свойств сети населенных пунктов на динамику расселения?
• как динамика населения в отдельных населенных пунктах зависит от их положения в поселенческой сети?

РЕГИОН ИССЛЕДОВАНИЯ

Тюменская область (рис. 1) расположена в южной части Западной Сибири на границе лесной и лесостепной зон. За последние 10 лет численность населения столицы региона — города Тюмени — выросла более чем в 1.5 раза: с 500 тыс. чел. в 2008 г. до 768 тыс. чел. в 2018 г.⁴ К юго-востоку от Тюмени вдоль федеральной трассы находится несколько крупных поселков. В 80 км от областной столицы – на границе зоны ее непосредственного влияния – расположились два малых города: Ялуторовск (40 тыс. чел.) и Заводоуковск (26 тыс. чел.). Жители более восточных населенных пунктов посещают Тюмень и ее пригороды уже гораздо реже [18]. Центр юго-востока региона – Ишим, в прошлом – слобода и ярмарочный центр, ныне – город с населением 65 тыс. чел. (2018 г.). При сравнении с севером юг региона заселен более равномерно (север – более очагово). Однако для всей территории области характерно доминирование линейных форм расселения с плотными сетями населенных пунктов вдоль крупных рек (Тобол, Тура, Иртыш, Вагай, Ишим) и транспортных осей. Экономический центр и главный транспортный узел севера – город Тобольск с населением 102 тыс. человек (2018 г.). В состав области входят 26 муниципальных единиц районного уровня: 6 городских округов и 20 муниципальных районов.

Рис. 1. Регион исследования.

Высота: ASTER GDEM (ver. 2) [30].

Пик численности сельского населения Тюменской области в новейшее время пришелся на 1995 г. – 562.5 тыс. чел. (рис. 2). С этого момента началось ее снижение, которое частично компенсировалось административным преобразованием поселков городского типа, в том числе районных центров, в сельские населенные пункты. Одновременно с 2003 г. начался рост городского населения, особенно быстрыми темпами после 2010 г.

Рис. 2. Численность населения Тюменской области в 1990–2018 гг., тыс. чел.

Примечание: резкие изменения 1992–1993, 2005, 2010, 2014 гг. связаны с административными преобразованиями. Серым цветом выделен период исследования.

В 2002 г. совокупное население региона составляло 1347 тыс. чел. В городах жило 771.5 тыс. чел., или 57.3% населения. В поселенческой структуре доминировали населенные пункты с численностью населения менее 500 чел. (табл. 1). Самые многочисленные группы – от 100 до 200 и от 201 до 500 жителей. В совокупности они включали в себя 561 населенный пункт из 1278 (44%), а их жители составляли 15.1% населения региона, или 35.5% населения, не проживавшего в городах. Крупных сел и поселков (более 3 тыс. жителей) было всего 36 (половина – районные центры), в них проживало 220.2 тыс. человек.

Таблица 1. Структура населенных пунктов Тюменской области с числом жителей не более 20 тыс. чел. по людности

В период между переписями населения 2002 и 2010 гг. общее число населенных пунктов с числом жителей, не превышающим 20 тыс. чел., уменьшилось на 5%, до 1205. Сокращение затронуло все категории населенных пунктов, кроме небольших – до 100 чел., куда перешла часть пунктов из категорий выше. Самые сильные потери (20%) испытала группа пунктов с числом жителей от 501 до 1000 чел. В целом, в период с 2002 по 2010 г. население теряли 3/4 населенных пунктов области. Росли преимущественно поселки и сельские населенные пункты в пригородной зоне Тюмени, а также районные центры. Таким образом, расселение стало более полярным.

МЕТОДЫ

Инструменты сетевого анализа для исследования расселения. Методы сетевого анализа находят применение в географических исследованиях, посвященных историческому развитию поселенческих сетей и торговли, начиная с 1960-х годов [см., например, 34–36]. Для описания положения отдельных узлов сетевой анализ оперирует понятием “центральность” (centrality) [24]. Центральность в данном случае – исключительно позиционная характеристика узла, которая определяет его потенциальные возможности стать инициатором и участником взаимодействий в сети [25]. Таким образом, применительно к поселенческим сетям мы получаем метод формального описания географического положения населенного пункта относительно других поселений.

Центральность узла оценивается с точки зрения (рис. 3):

• его близости по отношению к другим узлам сети (closeness centrality): более центральными считаются узлы с меньшей суммой кратчайших расстояний до всех других узлов. Центральность по близости⁵ для узла рассчитывается по формуле:

$\frac{1}{\sum _{i}d(v, i)}$,

где d(ν, i) – это кратчайшее расстояние по графу между узлами ν и i;

• уникальности положения узла как посредника между участками сети (betweenness centrality). Центральность по посредничеству высока, если через узел проходит значительная доля кратчайших путей между другими узлами сети. Для узла значение метрики рассчитывается как:

$\frac{d_{ij}\left(v\right)}{\sum _{i\ne v\ne j}{d}_{ij}}$

где d_ij – число кратчайших (по графу) путей между узлами i и j, а d_ij (ν) из них – число путей, проходящее через вершину ν.

Рис. 3. Значения центральности по близости (Б) и по посредничеству (П) на примере гипотетической сети.

Примечание: шкала метрики центральности z-стандартизирована: 0 – среднее значение, 1 – стандартное отклонение.

В литературе населенные пункты с высокой посреднической центральностью часто обозначают метафорами “мосты” (bridges) или “ворота” (gateways) [36]. Уникальное географическое положение позволяет им контролировать потоки между населенными пунктами; пограничный характер способствует разнообразию внутренней среды, повышает вероятность рождения инноваций.

Мы использовали показатели центральности для проверки второй гипотезы (о влиянии положения населенного пункта в сети на динамику численности его населения). Однако считать показатели в масштабах всей сети не имело смысла: трудно представить, что отнесенные друг от друга за сотни километров сибирские деревни даже потенциально могут иметь устойчивые связи. Мы решили разбить сеть на отдельные участки, внутри которых, с нашей точки зрения, устойчивые связи между поселения более вероятны. Эти же участки мы использовали для проверки первой гипотезы, сопоставив топологические свойства сети (связность и централизованность) с темпами сжатия расселения. Далее наши действия описаны более подробно.

Построение сети, выделение групп более тесно связанных населенных пунктов (кластеров). Первым шагом работы стало создание модели поселенческой сети Тюменской области в виде графа, где вершины представляют населенные пункты, а ребра – автомобильные дороги. Для построения графа мы взяли данные о дорогах с твердым покрытием из OpenStreetMap.⁶ Топология дорожной сети была предварительно скорректирована с помощью инструментов GRASS GIS.⁷ Учитывались только населенные пункты, имевшие в 2002 г. постоянное население. На основе графа мы рассчитали матрицу ближайших расстояний по автодорогам между населенными пунктами региона.

Далее на основе матрицы расстояний с помощью иерархического кластерного анализа мы разделили совокупность населенных пунктов на группы более тесно связанных между собой поселений. Выбор в пользу иерархического алгоритма кластеризации обусловлен тем, что он не нуждается в исходном, заданном исследователем числе кластеров. Мы получаем возможность изучения непосредственной структуры данных и выбора оптимального числа групп на ее основе. Процесс агломеративной кластеризации проходит как серия последовательных объединений: начиная с числа кластеров, равного числу наблюдений, и до единственного кластера, включающего в себя все наблюдения. В качестве критерия для объединения мы использовали минимальный рост дисперсии в распределении расстояний между элементами группы (метод Уорда), что позволило получить более плотные, однородные и близкие по размерам кластеры. В результате агломеративной кластеризации исследователь получает в распоряжение дерево (дендрограмму), чьи ветви соответствуют группам наблюдений (в нашем случае – близко расположенным населенным пунктам). Визуальная оценка дендрограммы и статистические тесты помогают найти оптимальное число кластеров. Мы использовали для нахождения оптимального числа групп населенных пунктов индексы frey, cindex и dunn из библиотеки NbClust [21] (рис. 1_ДМ; дополнительные материалы доступны для данной статьи по DOI: https://doi.org/10.31857/S2587-55662019446-62).

Оценка влияния топологических свойств кластеров на динамику расселения. На основе данных переписей населения для каждого кластера были рассчитаны совокупная численность населения и ее динамика (2010 к 2002, %).

Для количественной оценки темпов сжатия расселения мы использовали показатель динамики вариации людности населенных пунктов (2010 к 2002, %). Вариация людности пунктов показывает, насколько равномерно население распределено по населенным пунктам кластера на момент времени [3, 13], то есть насколько поляризовано расселение внутри кластера. Метрика рассчитывается как отношение стандартного отклонения величины людности к среднему значению:

$V=\frac{\sigma }{x}$,

где V – коэффициент вариации, σ – стандартное отклонение, а – среднее значение переменной. Чем сильнее различаются населенные пункты по людности, тем больше отклонение от среднего. Сравнив значение вариации на двух временных срезах, мы получаем представление о том, насколько более/менее поляризованным стало расселение внутри кластера в течение периода между срезами. При этом в расчетах вариации на более позднем временном срезе важно учитывать все, даже потерявшие постоянное население пункты (в нашем случае 63 деревни и поселка), иначе сокращение поселенческой сети элиминирует эффекты концентрации населения: для меньшего числа населенных пунктов коэффициент вариации их людности также может стать меньше.⁸

Для описания топологических свойств сети по кластерам мы использовали показатели связности и централизации. Связность сети рассчитывалась как отношение фактического числа связей между элементами сети к максимально возможному числу связей (индекс гамма [27]):

$\frac{e}{n(n-1)/2},$

где e – число связей между узлами сети, n – число узлов в сети.

Метрика централизации показывает степень организации сети вокруг одного или нескольких центров. Она рассчитывается на основе оценок центральности (по близости или по посредничеству) отдельных узлов, когда самый центральный узел сети сравнивается со всеми остальными узлами [24]. Формула (нормализованной) центральности выглядит как отношение фактической суммы различий между оценками центральности центрального узла и всеми остальными узлами сети к максимальной теоретической сумме различий для сети с тем же числом узлов:

$\frac{\sum _{}\left[c_{max}-c_v)\right]}{ma{x}_{teor}\left(\sum _{}\left[c_{max}-c_v\right]\right)},$

где c_max – показатель центральности самого центрального узла в сети; c_ν – показатель центральности узла ν.

Последняя переменная, рассчитанная по кластерам, – среднее по населенным пунктам кластера, взвешенное по людности, расстояние до региональной столицы.

Итоговый перечень переменных, описывающих кластеры, составили:

• динамика численности населения кластера (2010 к 2002), %;
• вариация людности населенных пунктов (2002);
• динамика вариации людности населенных пунктов (2010 к 2002), %;
• связность сети;
• централизация по близости;
• централизация по посредничеству;
• расстояние до региональной столицы, км.

Для оценки статистической взаимосвязи между переменными проведен корреляционный анализ по методу Пирсона.

Оценка влияния положения населенного пункта в сети на динамику численности его населения. В пределах выделенных кластеров для каждого населенного пункта мы рассчитали центральность по близости. Центральность по посредничеству считалась по всей сети, но с ограничением максимальной длины пути, учитываемой в вычислениях, медианным расстоянием между населенными пунктами кластеров (мы получили два варианта кластерного деления, поэтому и метрика считалась с двумя вариантами ограничений – 52 и 98.2 км).

Для оценки связи между переменными, описывающими положение населенных пунктов в поселенческой сети, и динамикой численности их населения использовался регрессионный анализ. В качестве зависимой переменной выступало выраженное в процентах число жителей населенного пункта в 2010 г. по отношению к числу жителей в 2002 г. Перед построением модели мы исключили из набора данных 49 наблюдений, которые лежали за пределами трех медианных абсолютных отклонений. Речь идет о небольших деревнях, где даже незначительные абсолютные изменения в численности населения давали высокие значения в процентном выражении. Кроме того, мы привели метрики центральности к стандартизированному виду, при котором среднее значение приравнено 0, а стандартное отклонение – 1. Стандартизация дала возможность сравнивать вклад отдельных показателей в дисперсию зависимой переменной.

Чтобы отделить влияние предикторов от эффектов, вызванных различиями между кластерами, мы использовали линейную регрессионную модель со смешанными эффектами (linear regression mixed effects model), где принадлежность к кластерам выступала в качестве группирующей переменной.

Чтобы отделить влияние позиции в поселенческой сети от влияния размера населенного пункта на динамику численности его населения, мы решили ввести в модель дополнительную – контрольную – переменную, описывающую численность населения. Однако зависимость между размером населенных пунктов и динамикой числа их жителей имеет нелинейный характер (рис. 2_ДМ; дополнительные материалы доступны для данной статьи по DOI: https://doi.org/10.31857/S2587-55662019446-62), поэтому вместо численности населения как таковой мы использовали в модели ее натуральный логарифм.

Все переменные прошли проверку на корреляцию (табл. 1_ДМ дополнительные материалы доступны для данной статьи по DOI: https://doi.org/10.31857/S2587-55662019446-62). Сильная (r-Пирсона = 0.86) связь показателей центральности по посредничеству, рассчитанных с разным ограничением максимальной длины пути, не позволила включить их в один набор данных. Мы составили две комбинации переменных: центральность по посредничеству с ограничением длины пути в 52 км была включена в качестве предиктора в модель 1, с ограничением в 98 км – в модель 2 (табл. 2). Далее мы сравнили результаты моделей.

Таблица 2. Переменные для регрессионного анализа

Подготовка данных, визуализация и расчеты проводились в R⁹ с использованием библиотек shp2graph (вер. 0-4) [29], igraph (вер. 1-2-2) [22], ggplot2 (вер. 3.1.0.9000) [37], lme4 (вер. 1.1-18-1) [20].

РЕЗУЛЬТАТЫ

Группы более тесно связанных населенных пунктов. На рис. 4 представлены результаты кластеризации населенных пунктов Тюменской области на 2002 г. на основе графа дорожной сети.

Рис. 4. Результаты кластеризации населенных пунктов Тюменской области на 2002 г.: дендрограмма (a), 3 кластера (б), 6 кластеров (в), 18 кластеров (г).

Примечание: на дендрограмме (а) нижний ряд чисел – номера кластеров при 18-частном делении; верхний ряд чисел – номера кластеров при 6-частном делении; подписаны города-центры кластеров при 3-частном делении. На картосхемах линии обозначают автодороги (б), реки (в), границы муниципальных образований районного уровня (г); размер пунсонов отражает численность населения.

В соответствии с деревом кластеризации (см. рис. 4а), населенные пункты области формируют три крупных кластера, соответствующих трем субрегионам: западному с центром в Тюмени, юго-восточному с центром в Ишиме и северному с центром в Тобольске (см. рис. 4б). Вместе с тем статистические тесты (см. рис. 1_ДМ в дополнительных материалах) указали в качестве оптимальных четыре более дробных варианта кластеризации: с 6, 18, 33 и 42 группами наблюдений. Деление на 33 и 42 группы мы расценили как слишком дробное и слабо интерпретируемое. Таким образом, в качестве рабочих приняты варианты кластеризации c 6 и 18 группами.

На уровне 6 кластеров (см. рис. 4в) проявляется влияние природных факторов на формирование сети населенных пунктов: кластеры приурочены к речным бассейнам. По всей видимости, такая группировка сложилась в период колонизации и сельскохозяйственного освоения территории области. Реки служили главными транспортными артериями, к ним же привязаны наиболее плодородные земли. Дальнейшее развитие сети шло на основе приречного расселения. Сухопутные дороги связали населенные пункты преимущественно внутри сложившихся ареалов, сделав их еще более устойчивыми.

Возникновение локальных центров и формирование вокруг них зон обслуживания определили структуру сети на следующем – более дробном – уровне ее организации: при 18-частном делении кластеры достаточно точно соответствуют муниципальным районам (см. рис. 4г). Есть несколько исключений: три кластера (4, 9, 10) включили в себя населенные пункты двух районов каждый, а один (11) – сразу трех районов. В итоге по общей численности населения 11 кластер превзошел любую реальную муниципальную единицу, включая города и пригородные районы, за исключением г. Тюмени. Единственный муниципальный район, который в результате кластеризации сам оказался разделен на две части, – Тобольский: к югу от г. Тобольска на границе с Ярковским районом выделился отдельный 16 кластер. Примечательно, что с 1937 по 1960 г. на этой территории действительно существовала отдельная административная единица – Байкаловский район. Район был упразднен, его сельсоветы разделены между соседними Тобольским и Ярковским, тем не менее спустя более чем 60 лет конфигурация дорожной сети воспроизводит старые границы.

Таким образом, кластерный анализ показал, что устойчивые группы населенных пунктов существуют на двух пространственных уровнях организации сети: во-первых, пункты объединены в 6 крупных кластеров, привязанных к бассейнам рек; во-вторых, на более дробном уровне доминирует влияние локальных центров и кластеры примерно соответствуют современным муниципальным районам.¹⁰

Сжатие расселения на уровне кластеров. Мы не обнаружили доказательств того, что на районном уровне различия между группами населенных пунктов по степени связности/централизованности сети влияют на темпы сжатия расселения (табл. 3).

Таблица 3. Коэффициент корреляции Пирсона для переменных, рассчитанных по 18 кластерам районного уровня

Однако мы обнаружили, что и сжатие расселения, и динамика численности населения кластеров формируют пространственные градиенты. Сжатие расселения интенсивнее в восточных и северных кластерах (рис. 5б). Кроме того, выделяется субширотная транспортная ось: кластеры вдоль нее сжимаются медленнее; в стороне от оси, как к северу, так и к югу – быстрее. Динамика численности населения кластеров районного уровня зависит от их близости к региональному центру (рис. 5а): растут кластеры вблизи Тюмени, в то время как удаленные от областной столицы кластеры теряют население. Нарушает логику расстояний единственная в регионе территория нефтегазового освоения – Уватский район.

Рис. 5. Связь динамики (2010 г. к 2002 г.) расселения в кластерах районного уровня с положением в региональной системе расселения: динамика численности населения кластеров (а); динамика вариации людности населенных пунктов (б).

По соотношению интенсивности депопуляции и сжатия расселения кластеры разбиваются на две примерно равные группы (рис. 6). В ситуации роста или слабой депопуляции (а) контрастность расселения растет медленно. Сокращение населения (б), напротив, сопровождается интенсивным сжатием расселения в пределах кластеров: крупные населенные пункты становятся относительно крупнее, мелкие – мельче, а кластер в целом – более дифференцированным по людности населенных пунктов.

Рис. 6. Соотношение динамики населения и динамики вариации людности населенных пунктов в кластерах районного уровня (2010 г. к 2002 г.).

Таким образом, на уровне районов трансформация расселения зависит не от внутренних топологических (связность, централизация) свойств кластеров населенных пунктов, но от их положения в региональной поселенческой сети.

Влияние положения населенных пунктов в поселенческой сети на динамику численности их населения. Результаты статистических моделей приведены в табл. 4. Модели 1 и 2 дали практически идентичные результаты. Модель 2 выигрывает по показателям качества (AIC, BIC, Log Likelihood), но разница с моделью 1 минимальна.

Таблица 4. Результаты регрессионного анализа влияния положения населенных пунктов в поселенческой сети на динамику численности их населения (2010 г. к 2002 г., %)

 * p < 0.1; ** p < 0.05; *** p < 0.01.

Примечание: в скобках дано значение стандартной ошибки. Метрики центральности z-стандартизированы, коэффициенты показывают размер эффекта на 1 стандартное отклонение. Marginal R² – доля изменчивости зависимой переменной, объясняемая фиксированными эффектами (fixed effects); Conditional R² – доля изменчивости зависимой переменной, объясняемая всей моделью, включая случайные эффекты (random effects).

Результаты регрессионного анализа подтвердили гипотезу о том, что позиция населенного пункта в поселенческой сети влияет на динамику численности его населения: в совокупности включенные в модели переменные объясняют 23% (R², модель 1)/24% (R², модель 2) различий между отдельными населенными пунктами, а с учетом случайных эффектов – до 36%.

При сравнении коэффициентов мы обнаруживаем, что более сильным эффектом для динамики численности населения обладает позиция населенных пунктов на межрайонном уровне. При прочих (включая численность населения) равных более центральное (в 1 стандартное отклонение от среднего) положение внутри кластеров межрайонного уровня обеспечивало населенному пункту +4.01% (модель 1)/+3.84% (модель 2) прироста населения в период между 2002 и 2010 гг. На районном уровне размер стандартной ошибки для коэффициента центральности по близости превысил размер самого коэффициента, что вообще не позволяет говорить о значимой связи. Влияние центральности по посредничеству значимо на обоих уровнях организации сети: +1.42% (модель 1)/+1.53% (модель 2) прироста населения на 1 стандартное отклонение. Однако коэффициент центральности по посредничеству, рассчитанный с ограничением учитываемой длины пути в 98.2 км (медианное расстояние в кластерах межрайонного уровня), имеет меньшую ошибку.

Как показывает рис. 7, положительная связь между метриками центральности положения в сети и динамикой численности населения проявляет себя во всех кластерах за исключением группы населенных пунктов, тяготеющих к Тюмени (кластер 6).

Судя по наклону регрессионной прямой (см. рис. 7), самый сильный эффект центральность по близости показала во втором межрайонном кластере – в населенных пунктах, тяготеющих к г. Ишиму. Город располагается на пересечении трех осей: на изгибе реки Ишим, которая течет в меридиональном направлении, но затем резко поворачивает на северо-восток; на железнодорожной магистрали, проходящей через город прямой линией с северо-запада на юго-восток; на автомобильной трассе Тюмень–Омск (Сибирский тракт), которая сначала следует параллельно Транссибу, но в Ишиме поворачивает вслед за рекой. И хотя основанием для выделения кластера служили расстояния по автомобильным дорогам, центральное положение в кластере заняли населенные пункты, расположенные вдоль более старой оси расселения – реки Ишим (рис. 8).

Рис. 7. Взаимосвязь динамики численности населения с положением населенных пунктов в поселенческой сети на межрайонном уровне.

Примечание: шкалы метрик центральности z-стандартизированы: 0 – среднее значение, 1 – стандартное отклонение. Центральность по посредничеству рассчитана с ограничением максимальной длины пути, учитываемой при вычислениях, 98.2 км.

Рис. 8. Характеристика населенных пунктов юго-востока Тюменской области (кластер 2) по межрайонной центральности.

Примечание: черной обводкой выделены поселения, которые в 2002–2010 гг. росли либо потеряли не более 8% населения (3 квартиль); белыми линиями по серому фону показаны границы муниципальных районов; шкала метрики центральности z-стандартизирована (0 – среднее значение, 1 – стандартное отклонение).

Таким образом, мы пришли к трем выводам. Позиция населенного пункта в поселенческой сети значимо влияет на динамику численности его населения: в совокупности с численностью населения метрики центральности объясняют 23–24% различий между отдельными населенными пунктами. Влияние этого фактора выражено только за пределами пригородной зоны региональной столицы. Значима позиция населенного пункта внутри кластеров межрайонного уровня.

ОБСУЖДЕНИЕ И ВЫВОДЫ

В работе было поставлено два вопроса:

• влияют ли топологические свойства сети населенных пунктов на степень сжатия расселения?
• как динамика численности населения в отдельных населенных пунктах зависит от их положения в поселенческой сети?

Мы обнаружили два уровня пространственной организации поселенческой сети Тюменской области: населенные пункты группируются вокруг локальных центров (“районный” уровень) и по бассейнам крупнейших рек (“межрайонный” уровень). Сжатие расселения и общие потери населения в группах районного уровня возрастают по мере удаления от региональной столицы и крупных транспортных осей. Различия между участками поселенческой сети в связности и централизованности не приводят к заметным отклонениям от общего центростремительного тренда. Таким образом, выдвинутая в статье гипотеза о зависимости динамики сжатия расселения от топологических свойств поселенческой сети не нашла своего подтверждения. Однако мы допускаем, что отрицательный результат может быть следствием общей неразвитости транспортной сети региона, в структуре которой доминируют простые древовидные компоненты. Предположим, что связность сети населенных пунктов работает в пользу ее устойчивости только с какого-то порогового уровня, который в данном случае достигнут не был. Окончательно подтвердить или опровергнуть гипотезу мы сможем после исследования в староосвоенных районах либо районах с более сильными контрастами освоенности и расселения.

Мы обнаружили значимое влияние сетевого положения на динамику численности населения в отдельных населенных пунктах. В совокупности с размером позиционные характеристики пунктов объясняют 23–24% различий между ними в динамике численности населения. Растут поселки и села с высокой межрайонной центральностью, в то время как на районном уровне зависимость отсутствует. Это неожиданный результат, учитывая, что традиционно ведущая роль в расселении отводится внутрирайонным связям, а межрайонные рассматриваются дополнительно (см., например, [9, 15]). Сдвиг масштаба можно отчасти объяснить самим сжатием расселения, когда при падающей плотности населения функции локальных центров перемещаются на более высокие уровни иерархии [17]. Дальнейшие исследования поселенческих сетей межрайонного уровня способны внести вклад в дискуссии о том, как связаны деградация социальной инфраструктуры и депопуляция сельских территорий и насколько велики предпосылки для создания межрайонных административных центров [2, 7, 32].

Второй фактор усиления значимости межрайонного положения связан с изменениями в транспорте, в первую очередь, автомобилизацией населения. Позиционные принципы не работают на уровне районов, потому что при хорошем состоянии дорожной инфраструктуры районы для этого слишком малы: центральные населенные пункты удалены от других поселений в кластерах районного уровня в среднем лишь на 36.6 км. Значимо положение населенного пункта на следующем – межрайонном – уровне расселения. Примечательно, что конфигурация поселенческой сети на межрайонном уровне сложилась в период колонизации и сельскохозяйственного освоения территории региона в XVII–XIX вв., когда реки были главными линиями коммуникаций. В XX в. роль осей расселения перешла от рек к автомобильным и железным дорогам. Таким образом, даже если факторы, влиявшие на формирование сети населенных пунктов, утратили значение, сам рисунок расселения продолжает влиять на социально-географическое пространство.

Зависимость между положением населенного пункта на межрайонном уровне и динамикой его населения не наблюдается в зоне влияния регионального центра, включившей в себя ближайшие пригороды, соседние сельские районы и малые города. Внутри этого ареала влияние Тюмени перевешивает чистые позиционные факторы: для динамики численности населения важнее положение населенного пункта относительно города, нежели относительно других пунктов. За пределами ареала чистые позиционные принципы продолжают работать: населенные пункты с выгодным положением – в центре сети или на стыке ее частей – показывают более позитивную динамику численности населения.

ФИНАНСИРОВАНИЕ

"Методика исследования разработана А.В. Шелудковым (раздел “Методы”) в Институте географии РАН" в рамках проекта Российского научного фонда № 19-17-00174 “Развитие районов старого освоения в условиях социально-экономической поляризации и сжатия освоенного пространства Европейской России”.

FUNDING

"The methodology of the research was developed by A.V. Sheludkov (section “Methods”) at the Institute of Geography of the Russian Academy of Sciences within the project of the Russian Science Foundation No. 19-17-00174 “Early developed regions under socio-economic polarization and shrinkage of active space in European Russia”.

Примечания:

¹ В статье понятие “сжатие расселения” используется для обозначения пространственной концентрации населения, которая сопровождается деградацией сети населенных пунктов и рассматривается авторами как часть более общего процесса сжатия социально-экономического пространства [1, 16].

² Схожим образом в географии промышленности при рассмотрении вопросов размещения производства А.П. Горкин и Л.В. Смирнягин предлагали разделять влияние свойств самого промышленного объекта (факторов размещения), например, требований к количеству и качеству рабочей силы, и свойств элементов среды (условий размещения), например, фактической численности и квалификации рабочих в конкретных населенных пунктах [5].

³ Рассматривается без автономных округов.

⁴ Это самые высокие темпы роста населения среди российских городов с населением свыше 500 тыс. чел. в указанный период (даже учитывая, что прирост в 13 тыс. чел. в 2014 г. был обусловлен расширением границ города).

⁵ В географии транспорта – индекс транспортной доступности узла. См. подробнее [14].

⁶ Использованы линейные объекты с тегами highway = trunk, primary, secondary, tertiary, unclassified. Дата выгрузки: 11 августа 2018 г. © Участники OpenStreetMap, 2018.

⁷ GRASS Development Team, 2017. Geographic Resources Analysis Support System (GRASS) Software, Version 7.2. URL: http://grass.osgeo.org

⁸ Отметим, что показатель подбирался под исследовательскую задачу и используемый эмпирический материал. В общем смысле динамику вариации людности населенных пунктов нельзя считать универсальным количественным показателем темпов сжатия расселения, поскольку мы не может полностью отождествлять сжатие расселения с его поляризацией. Возможно представить ситуацию, в которой поляризация расселения растет одновременно с расширением сети населенных пунктов, а не ее сокращением (например, при быстром росте центров на этапе колонизации территории).

⁹ R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. 2018. URL. https://www.R-project.org/.

¹⁰ Далее в тексте два уровня организации поселенческой сети и соответствующие им кластеры населенных пунктов будут обозначены как “районный” и “межрайонный” уровни, а также кластеры районного и межрайонного уровней соответственно.

Об авторах

А. В. Шелудков

Автор, ответственный за переписку.
Email: a.v.sheludkov@igras.ru
Россия, Москва

М. А. Орлов

Email: a.v.sheludkov@igras.ru
Россия, Пущино

Список литературы

Дополнительные файлы

Доп. файлы

Действие

1. JATS XML

Скачать

2. Рис. 1. Регион исследования.

Скачать (302KB)

Метаданные

3. Рис. 2. Численность населения Тюменской области в 1990–2018 гг., тыс. чел.

Скачать (112KB)

Метаданные

4. Рис. 3. Значения центральности по близости (Б) и по посредничеству (П) на примере гипотетической сети.

Скачать (155KB)

Метаданные

5. Рис. 4. Результаты кластеризации населенных пунктов Тюменской области на 2002 г.: дендрограмма (a), 3 кластера (б), 6 кластеров (в), 18 кластеров (г).

Скачать (263KB)

Метаданные

6. Рис. 5. Связь динамики (2010 г. к 2002 г.) расселения в кластерах районного уровня с положением в региональной системе расселения: динамика численности населения кластеров (а); динамика вариации людности населенных пунктов (б).

Скачать (287KB)

Метаданные

7. Рис. 6. Соотношение динамики населения и динамики вариации людности населенных пунктов в кластерах районного уровня (2010 г. к 2002 г.).

Скачать (108KB)

Метаданные

8. Рис. 7. Взаимосвязь динамики численности населения с положением населенных пунктов в поселенческой сети на межрайонном уровне.

Скачать (165KB)

Метаданные

9. Рис. 8. Характеристика населенных пунктов юго-востока Тюменской области (кластер 2) по межрайонной центральности.

Скачать (201KB)

Метаданные