تحليل فضايي اثرگذاري سرماية اجتماعي بر تغييرات سطح توسعة پايدار در حوزه‌هاي روستايي مطالعة موردي: شهرستان بجنورد

Spatial Analysis of the Impact of Social Capital on Changes in Sustainable Development in Rural Areas Case Study: Bojnourd County

طرح مسئله: در دو دهة اخير بر مفهوم سرماية اجتماعي به‌واسطة ارتباط آن با مؤلفه‌هاي بنيادين اجتماعي شامل آگاهي، مشاركت، اعتماد، انسجام و شبكة اجتماعي در راستاي توسعة پايدار جوامع به‌ويژه جوامع روستايي تأكيد شده است؛ بنابراين براي رسيدن به توسعة پايدار روستايي، برخورداري از سرماية اجتماعي از ضروريات است. هدف: هدف از انجام پژوهش حاضر، ارزيابي درجة اثرگذاري سرماية اجتماعي بر توسعة پايدار سكونتگاه‌هاي روستايي و تحليل فضايي آن در شهرستان بجنورد است. روش: پژوهش حاضر توصيفي‌تحليلي و نوع آن ازنظر هدف، بنيادي است. براي گردآوري اطلاعات از روش‌هاي اسنادي و ميداني استفاده شده است. جامعة نمونه، 22 روستاي با بيش از 20 خانوار در شهرستان بجنورد است و از مجموع 4849 خانوار ساكن در نقاط روستايي نمونه، با فرمول كوكران حجم نمونه 298 خانوار محاسبه شد. اين افراد با روش نمونه‌گيري تصادفي انتخاب شدند. براي آزمون مدل مفهومي پژوهش و بررسي تأثير سرماية اجتماعي بر توسعة پايدار سكونتگاه‌هاي روستايي، تكنيك حداقل مربعات جزئي و نرم‌افزار Smart PLS و مدل رگرسيون موزون جغرافيايي به كار رفت. نتايج: با توجه به نتايج، ضرايب t بين متغيرهاي اصلي پژوهش بيش از 2/58 است؛ يعني رابطه معنادار و غيرمستقيم است؛ بدين ترتيب سرماية اجتماعي بر توسعة پايدار سكونتگاه‌هاي روستايي تأثير مثبت و معناداري دارد. براساس ضرايب كل، شبكة اجتماعي با ضريب 0/575، بيشترين و انسجام اجتماعي با ضريب 0/046، كمترين تأثير را بر توسعة پايدار سكونتگاه‌هاي روستايي دارند. نتايج تحليل فضايي با استفاده از مدل GWR نشان داد ضريب تأثير سرماية اجتماعي بر توسعة پايدار روستايي در روستاي ايزمان كم است و در ميان‌زو در بالاترين سطح قرار دارد. درمجموع حدود 36/3درصد روستاها و 41درصد جمعيت روستايي شهرستان بجنورد ضريب تأثيري بين 0/871 تا 0/885 داشته‌اند. نوآوري: در پژوهش حاضر براي نخستين‌بار بحث تحليل فضايي اثرگذاري سرماية اجتماعي بر توسعة پايدار با رگرسيون موزون جغرافيايي بررسي شده است.

Statement of the Problem: In the last two decades, the concept of social capital has been emphasized through its relationship to fundamental social components including awareness, participation, trust, cohesion and social networking for sustainable development of communities, particularly rural communities. Therefore, social capital is essential for achieving sustainable rural development. Purpose: The purpose of this study was to evaluate the impact of social capital in sustainable development of rural settlements and its spatial analysis in Bojnourd County. Methodology: The research method in this study is descriptive-analytical and its purpose is fundamental. Documentary and field methods have been used to collect the data. The sample population is 22 villages with over 20 households in Bojnourd County. From a total of 4849 households in rural areas of the sample, using Cochran formula, the sample size of 298 households were selected by random sampling. To test the conceptual model of research and to investigate the impact of social capital on sustainable development of rural settlements, partial least squares technique and Smart PLS software and Geographically Weighted Regression model were used. Result: The coefficients of T among the main variables of the study were above 2.58, meaning a significant and indirect relationship; thus, social capital has a positive and significant effect on sustainable development of rural settlements. According to total coefficients, social network with coefficient of 0.575 has the highest and social cohesion with coefficient of 0.046 has the least effect on sustainable development of rural settlements. The results of spatial analysis using GWR model showed that social capital impact factor on sustainable rural development in Izman-e-Paieen and Miyanzou villages was highest and in total 36.6% of villages and 41% of rural population of Bojnourd County had an impact factor between 0.871 up to 0.885. Innovation: This study was the first attempt to discuss the spatial analysis of the impact of social capital on sustainable development through Geographically Weighted Regression.