Kredit:Pixabay/CC0 Public Domain
Et team af forskere ved Université Paris-Saclay, CNRS, CEA, har udviklet en stokastisk ligning til modellering af befolkningstilvækst i byer. I deres papir offentliggjort i tidsskriftet Natur , gruppen beskriver at skabe deres ligning for at tage højde for "intercity migration chok" på befolkningsændringer og de faktorer, der er involveret i at producere resultater.
I løbet af de sidste flere hundrede år, matematikere har forsøgt at skabe formler til at beskrive befolkningstilvækst eller reduktion i større byer i et givet land. Men indtil videre, det bedste de har kunnet finde på er Zipfs lov, også kendt som Gabaix-modellen, som udnytter regelmæssigheden af byvækst til at estimere fremtidig vækst. Efterfølgende forsøg med at bruge modellen har afsløret flere fejl, imidlertid, især når der opstår tilfældige begivenheder, som kan have en dramatisk indvirkning på befolkningen i en given by, såsom en krig.
I denne nye indsats, forskerne har taget nogle af de vigtige dele af Zipfs lov og har tilføjet tre vigtige faktorer for at indføre tilfældighed:demografi, afgange og ankomster, og langdistancevandring. De definerer langdistancemigration som flytning fra landdistrikter til byer eller fra en by til en anden. For at oprette og teste deres ligning, de brugte bybefolkningsdata fra Frankrig, England., USA og Canada.
I denne indsats, de opdagede noget nyt om byernes befolkningstilvækst eller -nedgang – migrationschok er vigtige. De definerer sådanne chok som sjældne bevægelser af mennesker ind i eller ud af en by på grund af sociale, økonomiske eller klimatiske begivenheder. De bemærker, at historien er fuld af eksempler på sådanne chok, der fører til eksplosiv vækst af en by eller dens undergang. Tidlige byer i det amerikanske vest, de bemærker, er gode eksempler på begge dele. Guldfeberen i slutningen af 1800-tallet førte til hurtig befolkningstilvækst i nogle byer og derefter pludselige nedbrud, når guldet løb tør.
Forskerne foreslår, at deres ligning kan bruges af byplanlæggere til at estimere byens befolkning og fordeling - og også til at forudsige variationer i et byhierarki.
© 2020 Science X Network