اصولاً، سه روش وجود دارد که طی آنها “حافظه” می تواند به شبکه های عصبی ایستا معرفی گردد. این سه روش (که به ترتیب پیچیدگی و توانایی شان نیز افزایش میابد) عبارتند از:
مدلهای تأخیر خطی بهره برداری شده: در این مدل ها، شبکه به منظور تعیین پاسخ خود در یک نقطه زمانی داده شده، بطور واضح ورودی های قبلی را در دسترس دارد (از طریق یک خط تأخیر بهره برداری شده). بنابراین، الگوی فیزیکی تبدیل به یک الگوی فضایی (فاصله ای) می شود که می توان از طریق آن یادگیری را انجام داد، که به آن پس انتشار کلاسیک۲ گفته می شود.
مدلهای بازرخدادگر جزئی یا مدلهای زمینه: این مدل ها بجای نگهداشتن ورودی های خام قبلی، خروجی قبلی گره ها را نگاه می دارند.
Recurrent
classic back-propagation
۳۸
بعنوان مثال، خروجی نورون های لایه مخفی مربوط به شبکه Feed-Forward می تواند به همراه ورودی های حقیقی، به عنوان ورودی شبکه مورد استفاده قرار گیرد. همچنین به این ورودی های مشتق از شبکه، اصطلاحاً ورودی های زمینه (متنی) نیز گفته می شود. وقتی که روابط میانی حامل این ورودی های زمینه تثبیت گردید، روش پس انتشار کلاسیک می تواند به منظور فرایند فراگیری شبکه مورد استفاده قرار گیرد. انواع پیچیده تر این نظریه پایه ای، شامل خود-بازخورد در ورودی های زمینه یا مشتق کردن ورودی های زمینه از جاهای دیگر در شبکه می باشد.
مدلهای کاملاً بازرخدادگر: این مدلها از بازخورد کامل و ارتباطات میانی بین تمامی گره ها بهره می برند. الگوریتم های فراگیری کاملاً بازرخدادگر، در دو مفهموم زمان و ملزومات ذخیره سازی بطور قابل توجهی پیچیده تر می باشند. مدل های زمینه در جایی بین سادگی یک مدل بهره گیرنده از تأخیر خطی و پیچیدگی یک شبکه کاملاً بازرخدادگر قرار می گیرند. در بسیاری از شرایط، آنها راه حل های رقابتی را ارائه می نمایند.
۳-۱۱ نقشه های ویژگی خودسازمان دهنده۱
برخلاف شبکه های عصبی Feed-Forward و بازرخدادگر که اصولاً برای مقاصد تخمین و طبقه بندی مورد استفاده قرار می گیرند، نقشه های ویژگی خودسازمان دهنده (SOFM ها) عمدتاً به منظور تخمین چگالی و یا به منظور تجسم الگوها از یک فضای با ابعاد بیشتر در یک فضای با ابعاد کمتر استفاده می شوند. این تجسم، بدون پارامتر بوده و بواسطه ترسیم الگوهای ورودی در داخل پاسخ های گره های چیدمان شده در یک شبکه توری منظم بدست می آید.
Self-Organizing
۳۹
SOFM که اساساً توسط کوهنن۱ ارائه گردیده، کاربرد گسترده ای بعنوان یک روش ترسیم یا نگاشت برای داده های با ابعاد زیاد یافته است. در مقایسه با روش های جاری، بازنمایش های داده های فضایی مبتنی بر SOFM (از قبیل ضریب هدایت هیدرولیک، شتاب، توپوگرافی و غیره) دو مزیت جداگانه را ارائه می نمایند: (۱) تخمین غیر پارامتریک توزیع زمینه؛ و (۲) یک بازنمایش که بطور کامل ساختار توپولوژیکی توزیعهای زمینه را حفظ می نماید. بطور خاص تر، SOFM ها از یک لایه رقابتی از گره ها برخوردارند که در یک شبکه توری چیدمان شده و هر گره از طریق وزن های قابل تنظیم به تمامی ورودی ها مرتبط می باشد. در شروع فرایند فراگیری، این وزن ها بطور تصادفی شناسایی می شوند. وقتیکه یک الگوی ورودی (فرض کنید اندازه گیری رطوبت خاک در یک مکان) بعنوان ورودی عرضه می گردد، نخستین گام در فرایند فراگیری یک SOFM، محاسبه یک مقدار متناظر برای هر گره در لایه رقابتی می باشد. این مقدار، میزانی را می سنجد که بدان اندازه وزن هر گره با مقادیر متناظر الگوی ورودی مطابقت می نماید. گره ای که نزدیکترین مطابقت به ورودی را داشته باشد، به عنوان یک واحد بَرنده شناسایی می گردد. وزن های روابط میانی بین واحد بَرنده و نزدیکترین همسایگان وی (در آن شبکه توری که پیشتر ذکر شد) بروز رسانی می شوند تا بیشتر با الگوی ورودی مطابقت نمایند. سپس الگوی ورودی دیگری از میان مجموعه داده انتخاب گردیده و این فرایند آنقدر تکرار می شود تا وزن های روابط میانی از تغییر باز ایستند. حاصل این فراگیری، یک نقشه توپولوژیکی خواهد بود که در آن چگالی مماس داخلی وزنها به مقادیر داده های فراگیری نزدیک می شود. شباهتهای میان الگوها در وزن های نورون های همسایه نگاشت می شود.
Kohonen (1989, 1990)
۴۰
۳-۱۲ جنبه های مهم مدلسازی شبکه عصبی مصنوعی
حتی با وجودی اینکه می توان یک چارچوب عمومی مبتنی بر کاربردهای موفق قبلی در مهندسی را دنبال نمود، هیچ قانون ثابتی برای ساخت یک شبکه عصبی مصنوعی وجود ندارد. برخی مشکلاتی که عمدتاً در هنگام ساخت یک شبکه عصبی مصنوعی بروز می کنند بطور خلاصه در این بخش آورده شده است.
۳-۱۲-۱ انتخاب متغیرهای ورودی و خروجی
هدف یک شبکه عصبی مصنوعی عمومی سازی ارتباط شکل زیر است:
(۳-۲۶)
که در آن یک بردار ورودی n بُعدی و متشکل از متغیرهای ؛ و یک بردار خروجی n بُعدی و متغیرهای می باشد. ما از واژه “عمومی سازی” برای دلالت بر این موضوع استفاده می کنیم که شکل تابعی f(0) در معادله (۳-۲۶) بطور مشخص آشکار نخواهد شد، اما توسط پارامترهای شبکه نمایش داده می شود. انتخاب یک بردار ورودی مناسب که به شبکه عصبی مصنوعی اجازه دهد تا با موفقیت بر بردار خروجی مورد نظر نگاشت نماید امر بی اهمیت و ناچیزی نیست. بر خلاف مدل های مبتنی بر فیزیک، مجموعه متغیرهایی که بر سیستم تأثیر می گذارند به عنوان یک اولویت شناخته نمی شوند. در چنین فرایند غیر خطی ای، دیگر یک شبکه عصبی مصنوعی نباید به صورت یک جعبه سیاه (که داخل آن قابل رویت نیست)در نظر گرفته شود. بعنوان مثال، یک دید فیزیکی بهتر نسبت به مسئله مورد مطالعه، می تواند منجر به انتخاب متغیرهای ورودی بهتر برای نگاشت مناسب گردد. این امر کمک خواهد کرد تا از فقدان اطلاعات که در صورت حذف متغیرهای ورودی کلیدی می تواند رخ دهد پیشگیری شده و همچنین، از داخل
۴۱
شدن ورودی های جعلی یا نادرست که میل به مغشوش کردن فرایند فراگیری را دارند جلوگیری بعمل آید. زمانیکه داده کافی در دسترس است، یک تحلیل حساسیت می تواند به منظور تعیین اهمیت نسبی متغیرها صورت پذیرد. متغیر های ورودی که تأثیر قابل ملاحظه ای بر عملکرد یک شبکه عصبی مصنوعی ندارند می توانند از بردار ورودی پاک شوند که این امر به نوبه خود منجر به شبکه ای فشرده تر می شود.
۳-۱۲-۲ جمع آوری و پردازش داده
داده ها را می توان از یک مدل و هم از یک آزمایش لابراتواری به منظور تولید الگوی های داده ای برای کاربردهای خاص استفاده نمود. مجدداً به نظر می رسد که هیچ روش ثابتی برای تعیین تعداد زوج داده های ورودی-خروجی که لازم است، وجود ندارد. برای حصول اطمینان از یک تقریب خوب، کارپنتر و بارتلمی۱ عنوان نموده اند که تعداد زوجهای داده ای مورد استفاده برای فراگیری باید مقداری برابر یا بزرگتر از تعداد پارامترها (وزن ها) در شبکه باشد. یک مجموعه داده بهینه باید نماینده ای از رخدادهای احتمالی یک بردار ورودی بوده و می بایست نگاشت فرایند غیر خطی نهفته در زیر را تسهیل سازد. مشمول نمودن الگوهای غیر ضروری، می تواند فراگیری شبکه را کند نماید. در مقابل، یک مجموعه داده ناکافی می تواند منجر به یک یادگیری ضعیف گردد. این موضوع، تحلیل و پیش پردازش داده، قبل از آنکه توسط شبکه عصبی مصنوعی بکار گرفته شوند را تبدیل به امری کارآمد می کند. فرآیندهای روزمره از قبیل ترسیم و آزمایش کردن آمار و ارقام، گاهاً بحث در مورد واقعیت داده و احتمالاً حذف بخش مجزا، مؤثر می باشد. در بسیاری از موارد، لازم است تا داده پیش از اعمال شدن بر روی شبکه عصبی مصنوعی، رمزگذاری، نرمالیزه و تغییر شکل داده شود.
Carpenter & Barthelemy (1994)
۴۲
۳-۱۲-۳ طراحی شبکه عصبی مصنوعی
این گامِ مهم، درگیر تعیین معماری یک شبکه عصبی مصنوعی و انتخاب یک الگوریتم فراگیری می باشد. یک معماری بهینه می تواند آن چیزی باشد که بهترین عملکرد را در زمینه کاهش خطا به نتیجه رساند، در حالیکه ساختاری ساده و فشرده را حفظ می کند. هیچ نظریه متحدی برای تعیین چنین معماری بهینه ای برای شبکه عصبی مصنوعی وجود ندارد. اغلب، بیش از یک شبکه عصبی مصنوعی می توانند نتایج مشابهی را تولید نمایند. تعداد گره های ورودی و خروجی وابسته به مسئله هستند. در معادله (۳-۲۶) تعداد گره های ورودی و خروجی برابر n و m می باشند. میزان انعطاف پذیری در انتخاب تعداد لایه های مخفی و الصاق تعداد گره به هر یک از این لایه ها نهفته است. برای تصمیم گیری در مورد معماری بهینه معمولاً یک فرایند آزمون و خطا انجام می شود. همانطور که پیشتر ذکر شد، الگوریتم فراگیری همبستگی آبشاری یک روش کارآمد به منظور یافتن معماری بهینه می باشد. پتانسیل شبکه های عصبی Feed-Forward می تواند به سه فاکتور موصوف گردد: (۱) شبکه های عصبی Feed-Forward چند لایه ای نیاز به یک معادله ریاضیاتی دقیق که ورودی ها و خروجی ها را به یکدیگر مربوط سازد ندارد؛ (۲) یک شبکه Feed-Forward با یک لایه مخفی و تعداد دلخواهی از گره های حلقوی مخفی می تواند هر تابع پیوسته ای را تقریب زند؛ (۳) یک شبکه Feed-Forward با یک لایه مخفی متشکل از m گره حلقوی، یک مجذور خطای جمع شده O(1/m) را بدست می آورد، در حالیکه یک ترکیب خطی از یک مجموعه متشکل از m تابع ثابت، یک مجذور خطای جمع شده را بدست خواهد آورد، در حالیکه d بُعد ورودی می باشد. نکات ۱ و ۳ در بالا به برتری محاسباتی شبکه عصبی مصنوعی Feed-Forward اشاره دارند، در حالیکه مورد ۲ به یک نظریه موجود اشاره دارد که قابلیت‌های یک شبکه عصبی مصنوعی Feed-Forward را تصدیق می کند. با این وجود، این امر اجازه تعیین
۴۳
سیستماتیک تعداد گره های مخفی به منظور استفاده در یک موقعیت داده شده را میسر نمی سازد. تعداد نورون های لایه مخفی بطرز چشمگیری بر عملکرد شبکه تأثیر می گذارد. با تعداد گره خیلی کم، شبکه تقریبهای ضعیفی خواهد زد، در حالیکه با تعداد گره خیلی زیاد، داده فراگیری را تطبیق بهتری خواهد نمود. تأثیر اندازه یک شبکه عصبی بر عملکرد تولیدی آن به خوبی شناخته شده است. یک مرور اجمالی از روش های ارائه شده امکان تعیین معماری شبکه با سطح عملکرد قابل قبول بر روی داده های تولیدی را میسر می سازد. برخی از تکنیک های محبوب عباتند از:
بزرگ کردن شبکه و هرس کردن شبکه. این الگوریتم ها با ساختار شبکه بعنوان یک پارامتر بهینه سازی بهمراه وزن ها رفتار می کند. الگوریتم های هرس کردن، عموماً با یک شبکه بزرگ آغاز کرده و با حذف وزن ها به میزانی که کمترین خطا حس شود، کار خود را به پیش می برد. از سوی دیگر، روش های رشد، عمدتاً با یک شبکه کوچک آغاز کرده و گره هایی با ارتباط کامل به گره های موجود در شبکه را، در زمانیکه یک معیار انتخاب شده مناسب (درگاشت، کوواریانس و غیره) از کاسته شدن باز می ایستد، اضافه می نماید. یک روش جایگزین برای این روش ها، “به اشتراک گذاری نرمِ وزن” نامیده می شود، که در آن گروه هایی از وزن ها ترغیب می شوند تا مقداری برابر داشته باشند، که این امر امکان یک کاهش در تعداد مؤثر پارامتر های آزاد در شبکه را میسر می سازد. به اشتراک گذاری نرمِ وزن، می تواند یک شبکه بزرگ را مقدار اندکی از داده های یادگیری، آموزش دهد؛ اما به منظور حصول اطمینان از همگرایی با راه حل های خوب، شناسایی اولیه و مناسب وزن ها امری ضروری خواهد بود.
کوتاری و آجی پونگ۱، نشان داده اند که بکارگیری ارتباطات جانبی در یک شبکه Feed-Forward،
Kothari & Agyepong (1997)
۴۴
منجر به یک واگذاری کنترل شده نقش در نورون های لایه مخفی که با گره های لبه شروع می شوند، شده و گره های موجود در مرکز لایه مخفی را بصورت نظارت نشده رها می کند. در نتیجه، شبکه آنها بدلیل عدم نیاز مشخص به افزودن واحد های مخفی مانند یک الگوریتم رشد، و به دلیل وجود نورون های مشابه در مرکز لایه مخفی مانند روش “به اشتراک گذاری نرمِ وزن"، رفتار خواهد نمود. این محلی سازی الگوریتم “به اشتراک گذاری نرمِ وزن” امکان تعیین سیستماتیک تعداد نورون های لایه مخفی که برای یک عمل یادگیری داده شده لازم است را میسر می سازد.
۳-۱۲-۴ آموزش و آموزش متقابل۱
مجموعه داده قابل دسترسی عموماً به سه قسمت برای آموزش، آموزش متقابل و تصدیق اعتبار تقسیم بندی می گردد. هدف از آموزش عبارتست از تعیین مجموعه ای از وزن های ارتباطات و حدود آستانه گره ای، که سبب می شود تا شبکه عصبی مصنوعی خروجی هایی را تخمین بزند که به میزان کافی به مقادیر هدف نزدیک باشند. مجموعه داده رزرو شده برای آموزش برای حصول این هدف بکار گرفته می شود. این کسر از کل داده ای که قرار است به منظور آموزش استفاده شود باید شامل الگوهای کافی باشد تا اینکه شبکه بتواند روابط زیربنایی میان متغیر های ورودی وخروجی رابه میزان کافی تقلید نماید. به وزنها ومقادیر آستانه در شروع کار، مقادیر کوچک و تصادفی داده می شود (معمولاً ۰.۳- تا ۰.۳). در طول آموزش، این مقادیر براساس خطا، یا اختلاف بین خروجی شبکه عصبی مصنوعی و پاسخ های هدف تنظیم می گردند. این تنظیم مقادیر می تواند بطور بازگشتی آنقدر تکرار شود تا یک فضای وزن پیدا شود که منتج به کوچکترین خطای کلی پیش بینی شود.
Trianing and Cross Training
۴۵
البته با این روش، خطر بیش آموزشی ِ شبکه نیز وجود دارد که به آن بیش تطبیقی۱ گفته می شود. این اتفاق زمانی رخ می دهد که پارامتر های شبکه برای مجموعه داده آموزشی بسیار دقیق میزان سازی می شوند. این مانند آن است که شبکه، در فرایند تلاش برای “یادگیری” قوانین زیربنایی، شروع به تلاش برای تصحیح بخش نویز داده را نیز کرده باشد. بعبارت دیگر، بیش آموزش، باعث می شود تا یک شبکه بجای بخاطر سپردن روندهای موجود در مجموعه داده بعنوان یک کل، صرفاً یکسری نمونه های واحد را بخاطر بسپارد. وقتی چنین اتفاقی می افتد، شبکه عملکردی بسیار عالی را بر روی مجموعه داده آموزشی به معرض نمایش می گذارد، در حالیکه با داده هایی غیر از آن مجموعه آموزشی، توانایی های پیش بینی ضعیفی را از خود بروز می دهد. به منظور پیشگیری از چنین بیش تطبیقی هایی، اغلب یک زیر روال آموزش متقابل توصیه می گردد. هدف از چنین زیر روالی، متوقف کردن آموزش در مواقعی است که شبکه شروع به بیش آموزشی می نماید. بخش دوم داده بدین منظور رزرو می شود. پس از تنظیم پارامترهای شبکه در هر دوره، شبکه عادت دارد تا خطای آن مجموعه داده را بیاید. ابتدا، خطاهای هر دو مجموعه داده ی آموزش و آموزش متقابل پایین می آیند. بعد از آنکه یک مقدار بهینه از آموزش بدست آمد، خطای مجموعه آموزش به کاهش خود ادامه داده، اما خطاهای مجموعه آموزش متقابل روبه افزایش می گذارد. این نشان دهنده آن است که آموزش بیشتر احتمالاً منجر به بیش تطبیقی بر روی داده آموزشی در شبکه خواهد گردید. در این لحظه، فرایند یادگیری متوقف شده و فرض بر آن گذاشته می شود که مجموعه وزن ها و مقادیر آستانه جاری مقادیر بهینه هستند. حال شبکه بعنوان ابزاری پیش بینی کننده قابل استفاده است. چنانچه مجموعه داده قابل دسترسی برای تقسیم بندی خیلی کوچک باشد، ساده ترین راه برای اجتناب از بیش تطبیقی، توقف آموزش در زمانی است که میانگین مجذور خطا بطور چشمگیری از کاهش باز می ایستد.
Overfitting
۴۶
۳-۱۲-۵ تصدیق اعتبار مدل
عملکرد یک شبکه عصبی مصنوعی آموزش داده شده نیز می تواند بواسطه قرار گیری در معرض الگوهای جدیدی که در طول فرایند یادگیری توسط شبکه عصبی مصنوعی دیده نشده است، کاملاً مورد ارزیابی قرار گیرد. عملکرد یک شبکه می تواند بواسطه محاسبه درصد خطای بین مقادیر پیش بینی شده و مقادیر مورد نظر، تعیین گردد. علاوه بر این، ترسیم خروجی مدل در مقایسه با پاسخ مورد نظر نیز می تواند به منظور ارزیابی عملکرد شبکه عصبی مصنوعی مورد استفاده قرار گیرد. از آنجائیکه پیدا کردن پارامترهای بهینه شبکه اساساً یک فرایند حداقل سازی است، چندین مرتبه تکرار فرایندهای تکرار آموزش و تصدیق اعتبار به منظور حصول اطمینان از اینکه نتایج رضایت بخش حاصل شده است، امری قابل توصیه می باشد.
۳-۱۳ برخی مشکلات دیگر
برخی کاربردهای شبکه عصبی مصنوعی، بر اهمیت مقیاس گذاری کمیت های ورودی و خروجی پیش از ارائه آنها به شبکه تأکید کرده اند. برای مسائلی که غیر خطی بودن بالایی را به معرض نمایش می گذارند، توصیه بر آنست که متغیر ها بین بازه صفر تا یک، یا بازه مناسب دیگری تغییر مقیاس داده شوند. این قبیل مقیاس گذاری، مشکلات فضای راه حل را مرتفع کرده و برخی تأثیرات نویز را میانگین گیری می کند. البته، بواسطه این زیرروال ها، تا حدودی خطر از دست دادن اطلاعات نیز وجود دارد.
شناسایی اولیه مقادیر وزن ها و حدود آستانه، مورد مهم دیگری است که باید لحاظ گردد. هر چقدر حدس اولیه به فضای وزنی بهینه نزدیکتر باشد، فرایند آموزش سریعتر به انجام می رسد. البته هیچ راهی برای
انجام یک حدس خوب برای وزن ها وجود ندارد و آنها به شیوه ای تصادفی شناسایی می گردند. معمولاً،
۴۷
دانشگاه آزاد اسلامی
واحد تهران مرکزی
دانشکده مدیریت
پایان نامه برای دریافت درجه کارشناسی ارشد “M.A.”
(رشته مدیریت بازرگانی– گرایش بازرگانی بین المللی)
عنوان:
شناسایی و رتبه بندی عوامل کلیدی تأثیر گذار بر صادرات صنایع بهداشتی و شوینده
استاد راهنما:
دکتر منصوره علیقلی
نام و نام خانوادگی دانشجو:
زهرا رحیمی
شماره دانشجویی:
۹۱۰۸۵۵۷۵۳
شهریور ۱۳۹۳
تعهدنامه اصالت پایان نامه
اینجانب زهرا رحیمی دانشآموخته مقطع کارشناسی ارشد ناپیوسته در رشته مدیریت بازرگانی- گرایش بازرگانی بین الملل که در تاریخ ۲۶/۷/۱۳۹۳ از پایان نامه خود تحت عنوان «شناسایی و رتبه بندی عوامل کلیدی تأثیر گذار بر صادرات صنایع بهداشتی و شوینده» با کسب نمره …………………………… و درجه ……………………………. دفاع نمودهام، بدینوسیله متعهد میشوم:
۱-این پایان نامه/ رساله حاصل تحقیق و پژوهش انجام شده توسط اینجانب بوده و در مواردی که از دستاوردهای علمی و پژوهشی دیگران (اعم از پایان نامه، کتاب، مقاله و…..) استفاده نمودهام، مطابق ضوابط و رویه موجود، نام منبع مورد استفاده و سایر مشخصات آن را در فهرست مربوطه ذکر و درج کردهام.
۲-این پایان نامه/ رساله قبلا برای دریافت هیچ مدرک تحصیلی (هم سطح، پایینتر یا بالاتر) در سایر دانشگاهها و موسسات آموزش عالی ارائه نشده است.
۳-چنانچه بعد از فراغت از تحصیل قصد استفاده و هرگونه بهره برداری اعم از چاپ کتاب، ثبت اختراع و … از این پایان نامه داشته باشم، از حوزه معاونت پژوهشی واحد مجوزهای مربوطه را اخذ نمایم.
۴-چنانچه در هر مقطعی زمانی خلاف موارد فوق ثابت شود، عواقب ناشی از آن را میپذیرم و واحد دانشگاهی مجاز است با اینجانب مطابق ضوابط و مقررات رفتار نموده و در صورت ابطال مدرک تحصیلیام هیچگونه ادعایی نخواهم داشت.
نام و نام خانوادگی:
تاریخ و امضاء:
دانشگاه آزاد اسلامی
واحد تهران مرکز
دانشکده مدیریت
پایان نامه برای دریافت درجه کارشناسی ارشد “M.A.”
(رشته مدیریت بازرگانی– گرایش بازرگانی بین المللی)
عنوان :
شناسایی و رتبه بندی عوامل کلیدی تأثیر گذار بر صادرات صنایع بهداشتی و شوینده
نگارش:
زهرا رحیمی
| امضاء هیأت داوران پروژه: | امضاء هیأت داوران سمینار: | |
| استاد راهنما: دکتر ……………………….. | ۱-استاد راهنما: دکتر ……………………….. | |
| استاد مشاور: دکتر ……………………….. | ۲- مدیر گروه: دکتر ………………………….. |
3-7-2- شاخص چولگی[89]
در یک توزیع قرینه یک نمائی شاخص های میانه، میانگین و نما با یکدیگر مساوی هستند. توزیعی چوله نامیده می شود که، در اطراف میانگین قرینه نباشد. در این صورت کمیتهای میانگین، میانه و نما با یکدیگر مساوی نیستند. شاخص اندازه گیری پارامترهای تعیین انحراف از قرینگی، ضریب چولگی نامیده می شود. ضریب چولگی عمدهترین شاخصی است که، برای تعیین میزان چولگی به کار میرود. ضریب چولگی را با SK نمایش می دهند. در صورتی که جامعه دارای چوله به چپ باشد، ضریب چولگی منفی و در صورتی که دارای چوله به راست باشد، ضریب چولگی مثبت و اگر جامعه از توزیع متقارن برخوردار باشد، ضریب چولگی مساوی صفر خواهد بود. در توزیعهای متقارن است. در توزیعهایی که چولگی مثبت است است. در حالی که اگر باشد، جامعه دارای ضریب چولگی منفی خواهد بود. قدر مطلق ضریب چولگی، نشان دهنده میزان اختلاف جامعه آماری با توزیع نرمال از نظر قرینگی است. بدیهی است هر چه بزرگتر باشد، تفاوت جامعه از نظر قرینگی با توزیع نرمال بیشتر خواهد بود. برای محاسبه ضریب چولگی فرمولهای فراوانی ارائه شده است. روابط (3-3) و (3-4) مهمترین فرمولی هایی هستند که برای محاسبه ضریب چولگی مورد استفاده قرار میگیرند:
(3-3)
(3-4)
که همان انحراف معیار است. از آنجا که در رابطه (3-11) از گشتاور مرتبه سوم به مبداء میانگین حسابی ( ) و از گشتاور مرتبه دوم به مبداء میانگین حسابی استفاده شده است، آنرا ضریب چولگی به طریق گشتاورها نیز میخوانند(عادل آذر- مؤمنی، 1380،ص 125). یکی دیگر ازشاخصهای چولگی، ضریب چولگی پیرسون( ) است که با توجه به اختلاف بین میانگین () و میانه (Med) به صورت رابطه (3-5) تعریف می شود:
(3-5)
در توزیعهای قرینه، ضریب چولگی پیرسون برابر صفر است. کمیتهای مثبت و منفی ضریب چولگی پیرسون به ترتیب مبین چولگی مثبت یا منفی توزیع است.
3-7-3- آماره آزمون نرمال بودن جاركو-برا[90]
یکی از مهم ترین و جالب توجه ترین توزیع های آماری توزیع نرمال است . مبنا و پایه اساسی و اصلی اکثر آزمونهای آماری را فرض نرمال بودن تشکیل میدهد. جهت آزمون نرمال بودن داده ها معمولا” بهترین و کارآمدترین روش که سریع تر هم انجام می شود ،آزمون نرمال بودن به کمک شاخصه های توزیع نرمال خصوصا” ضرایب چولگی و کشیدگی میباشد. لذا سعی می شود تا آماره ای مناسب با توزیعی مشخص معرفی شود تا به کمک آن آزمون نرمال بودن داده ها سریع تر، بهتر و آسان تر همرا با دقت بیشتر صورت گیرد. یکی از سادهترین و کاربردیترین آزمونهای آماری برای آزمون نرمال بودن نمونههای نسبتا” بزرگ که با تکیه بر همین خاصیت توزیع نرمال یعنی ضرایب چولگی و کشیدگی توسط جارکو و برا در سال 1981 معرفی شده، آماره جارکوا - برا می باشد(صید خانی،حسین،1385،ص 14). این آماره، معیار نیکویی برازش انحراف از نرمال بودن مبتنی بر کشیدگی و چولگی نمونه بوده و از توزیع چی – 2 با 2 درجه آزادی برخوردار است. به منظور آزمون نرمال بودن طبق این آماره ، فقط کافی است که مقدار JB به شرح رابطه (3-6) محاسبه شود:
(3-6)
که در اینجا:
: n اندازه نمونه
: S ضریب چولگی و
: K ضریب کشیدگی است که به شرح فرمولهای( 3-7) و( 3-8 ) محاسبه می شوند:
(3-7)
(3-8)
3-7-4- تحلیل همبستگی
به منظور محاسبه تأثیر روابط میان دو متغیر، لازم است ضریب همبستگی میان هر جفت متغیر xو را برآورد کرد. ضریب همبستگی ( ) یک معیار آماری است که، میزان رابطه هر دو متغیر را نشان میدهد. با این حال، این ضریب علت رابطه را نشان نمیدهد و فقط وجود یا عدم وجود رابطه را نشان میدهد. با تقسیم کوواریانس بین دو متغیر برحاصل ضرب واریانس دو متغیر، متغیری با همان خواص کوواریانس اما با دامنه محدود] 1و1-[ به دست می آید. این مقیاس ضریب همبستگی نامیده می شود. با فرض اینکه بیانگر همبستگی بین دو سهم x و y باشد، ضریب همبستگی به صورت زیر تعریف می شود:
(3-9)
تقسیم نمودن کوواریانس بر حاصل ضرب انحراف معیارها خواص آنرا تغییر نمیدهد، بلکه صرفاً دامنه ارزش آن را بین 1- و 1+ تعیین می کند
ضریب همبستگی، معیار نسبی از روابط است و محدوده آن از 1+ تا1- به صورت زیر است:
همبستگی کاملاً مثبت 1+ =
همبستگی کاملاً منفی (معکوس) 1- =
همبستگی صفر 0 =
3-7-5- ضریب تعیین ( )[91]
اگر به دنبال این باشیم که، بدانیم چند درصد از تغییرات متغیر وابسته را متغیر (متغیرهای) مستقل توضیح می دهد، ضریب تعیین را محاسبه میکنیم. ضریب تعیین، بیانگر نسبت تغییرات توضیح داده شده توسط متغیر مستقل X به کل تغییرات است. چنانچه هیچگونه تغییری در y توسط رابطه رگرسیون توضیح داده نشود، مقدار برابر صفر و اگر تماما” توضیح داده شود برابر یک خواهد بود. یعنی هرچه ضریب تعیین به یک نزدیکتر باشد، مطلوب تر خواهد بود. در مواردی که بخشی از تغییرات توضیح داده شود مقدار بین صفر و یک است. یعنی 1 0
ضریب تعیین به صورت رابطه (3-18) تعریف می شود:
(3-10)
SST: بیانگر کل مجموع مجذورات[92]وشاخصی برای نمایش کل تغییرات (پراکندگی) است واز رابطه (3-11) به دست می آید:
(3-11)
SSE: بیانگر مجموع مجذورات خطا[93]و شاخصی برای نمایش تغییرات توضیح داده نشده است واز رابطه (3-12) به دست می آید:
(3-12)
SSR: بیانگر مجموع مجذورات رگرسیون[94]وشاخصی برای نمایش تغییرات توضیح داده شده است وازرابطه
(3-13) به دست می آید:
(3-13)
مقدار ضریب تعیین را میتوان به صورت مستقیم و بدون برآورد رابطه رگرسیون با بهره گرفتن از فرمول زیر به دست آورد (نوفرستی، 1386،ص 210).
(3-14)
3-7-6- ضریب تعیین تعدیل شده[95]
برای مقایسه دو ضریب تعیین ( )، باید به تعداد متغیرهای X موجود در مدل توجه کرد. این کار را
میتوان با توجه به دیگر تعریف ضریب تعیین یعنی ضریب تعیین تعدیل شده ( ) انجام داد. ضریب تعیین تعدیل شده را می توان به صورت رابطه (3-15) تعیین کرد:
(3-15)
تفاوت ضریب تعیین ( ) و ضریب تعیین تعدیل شده ( ) در عامل است. در واقع، این عامل باعث می شود، اریبی که در ضریب تعیین ناشی از حجم نمونه (n) است، برطرف شود. چنانچه n بزرگ شود، مقدار به یک نزدیک شده و تفاوت و به صفر می گراید. به آسانی میتوان مشاهده کرد که، و با یکدیگر ارتباط دارند. زیرا خواهیم داشت که:
(3-16)
K: تعداد پارامترهای مدل حاوی جزء عرض از مبداء میباشد. یعنی در مدل سه متغیره 3 K= است. از معادله ( 3-16 )آشکار می شود که 1) برای 1 K ، است که نشان میدهد با افزایش تعداد متغیرهای X، تعدیل شده به طور فزایندهای کوچک تر از تعدیل نشده است و 2) می تواند منفی باشد در حالی که لزوما"غیرمنفی است. در مواردی که منفی است آن را صفر در نظر می گیرند. در تشریح ضریب تعیین تعدیل شده تایل[96] میگوید که:
« استفاده از بهتر از است زیرا تصویر خوشبینانهتری از برازش رگرسیون را نشان می دهد. به ویژه هنگامی که تعداد متغیرهای توضیحی در مقایسه با تعداد مشاهدات اندک باشد» ( ابریشمی، 1386، ص 253).
3-7-7-آماره t استیودنت[97]
در مواردی محقق به دنبال آن است که، در مدل فرضیه را در مقابل فرضیه آزمون کند. برای انجام این آزمون باید آماره را محاسبه و t محاسبه شده را با t جدول با درجه آزادی و در سطح 5% خطا مقایسه کرد. در صورتی که قدر مطلق محاسبه شده از t جدول بزرگتر باشد، فرضیه رد و گفته می شود که ضریب مورد نظرمعنی داراست. در غیر این صورت، نمی توان فرضیه را رد کرد. لازم به ذکر است که t محاسبه شده همان t درستون t-statistic است که از تقسیم ستون دوم بر ستون سوم حاصل می شود.
فصل چهارم
تجزيه و تحليل داده‌ها
4-1- مقدمه
بدون شک، یکی از مهترین مراحل در انجام هر تحقیق علمی، مرحله جمعآوری داده ها و تجزیه و تحلیل آن است. داده ها، نوعاً به گونه ای جمعآوری میشوند که اندازه های عددیِ بعضی از ویژگیها، یا شرح بعضی از صفات کیفی افراد یا عناصر تحت مطالعه، یا هر دو هستند.
ml 1 از محلول Tris-base (1M) را با ml 2/. از محلول EDTA 0.5M)) مخلوط و سپس ml 8/98 آب مقطر اضافه می کنیم .
EDTA 5/0 مولار
برای تهیه ml100 از EDTA ، ۶۱۲/۱۸ گرم از آن را کشیده و در حجم ml100حل می کنیم . برای رساندن PH به ۸ از بلورهای سود استفاده می کنیم .
بافرTES یا بافر لیز کننده هسته pH=(7.5)
NaCl(150mM)+
Tris-base(10mM)+
EDTA(10mM)
ml 4 از محلول EDTA(0.5M) برداشته و با ml 2 از محلول Tris-base ( 1M) و ml30از محلول نمک M1 مخلوط و حجم نهایی را با آب مقطر به ml 200 می رسانیم .
SDS 10%
۱۰۰گرم از سدیم دودسیل سولفات را با آب مقطر به حجم ml 1000 می رسانیم .
پروتئیناز K
۱/. گرم از پروتئیناز K را در ml 10 آب مقطرسرنگ حل می کنیم و هر یک میلی لیتر آن را در میکروویال ریخنه و در فریزر نگهداری می کنیم .
۳-۷-۱-۱ چگونگی استخراج DNA
جهت نمونه گیری، از افراد مبتلا، ۱۰-۴ میلی لیتر خون جهت استخراج DNA گرفته شد. در لوله های DNA از ماده ضد انعقاد EDTA ( Ethyen Diamin Tetra Acetic Acid) 5/0 مولار استفاده شد ( به ازای ۱۰ میلی لیتر خون ۲۰۰ میلی لیتر EDTA استفاده شد).
نمونه خون (۱۰ میلی لیتر) را دو قسمت کرده و نیمی از آن را داخل فریزر نگهداری کرده و نیم دیگر را برای استخراج به لوله فالکون اضافه می کنیم.
۳-۷-۱-۲ لیز سلول
به لوله حاوی خون دو برابر حجم (۱۰ میلی لیتر) آب مقطر سرد اضافه می کنیم ولوله را به شدت مخلوط می کنیم تا گلبول های قرمز لیز شوند و سپس به مدت ۲۵ دقیقه با دور ۳۰۰۰ سانتریفوژ می کنیم.
نمونه سانتریفوژ شده حاوی رسوب گلبول سفید وگلبول قرمز در محلول رویی است. با پیپت محلول رویی را خارج کرده تا به رسوب برسیم سپس با اضافه کردن ۱۰ میلی لیتر دیگر آب مقطر سرد و مخلوط کردن رسوب با آن و فیوژ کردن دوباره آن را سانتریفوژ می کنیم .
دوباره محلول رویی (اگر محلول رویی شفاف نبود می توانیم مرحله اضافه کردن آب مقطر سرد را ادامه دهیم تا تمام گلبول های قرمز پاره شوند) را از رسوب جدا می کنیم و ۵/۴ میلی لیتر از بافر لیزکننده TES به آن اضافه می کنیم. در آن مرحله توده باز شده و سوسپانسیون صافی ایجاد می شود (در صورت تمایل می توان در این مرحله کار را متوقف کرده و نمونه را در فریزر۲۰- درجه نگهداری کنیم). ۲۵/۰ میلی لیتر (۲۵۰میکرولیتر ) از SDS 10% اضافه می کنیم خوب لوله را سر وته می کنیم. حال ۱/۰ میلی لیتر(۱۰۰ میکرولیتر ) از پروتئیناز K به آن اضافه می کنیم و بخوبی مخلوط می کنیم.
لوله ها را به مدت یک شب ( ۳ تا ۲۴ ساعت ) در بن ماری ۳۷ درجه سانتیگراد یا ۲ ساعت در ۵۵ درجه سانتیگراد انکوبه می نمائیم. این مرحله باعث پاره شدن غشاء سلولی و هسته گشته و رشته های DNA آزاد می گردد.
بعد از مدت مقرر نمونه ها را از بن ماری در آورده و ۲ میلی لیتر نمک اشباع به آن اضافه می کنیم ( تقریباً یک سوم حجم خون مورد استفاده) و خوب تکان می دهیم (قبل از اضافه کردن نمک اشباع مخلوط را بخوبی تکان می دهیم).
حال نمونه ها را به مدت ۳۰ دقیقه در دور ۳۰۰۰ سانتریفوژ می کنیم. در این مرحلهDNA در مایع رویی به صورت محلول و رسوب حاوی پروتئین های تخریب شده می باشد. مایع رویی را با احتیاط به یک لوله دیگر اضافه می کنیم و رسوب را دور می ریزیم. به هر لوله به اندازه ۷/۰ حجم ایزوپروپانول ۱۰۰ درصد اضافه می کنیم (چون حجم لوله ما تقریباً ۷ سی سی است، ۵ سی سی ایزوپروپانول به آن اضافه می کنیم). نمونه ها را به آرامی سر وته می کنیم تا کلاف شفاف DNA ظاهر شود. الکل باعث جمع شدن و توده شدن رشته های DNA می گردد. به طوری که می توان این توده سفید رنگ DNA را با چشم غیر مسلح مشاهده کرد).
کلاف DNA را با کمک یک پیپت پاستور شیشه ای به یک میکروتیوپ ۵/۱ میلی لیتری منتقل می کنیم (هرگز برای جابجایی از پیپت پاستور پلاستیکی استفاده نمی کنیم چون پیپت پلاستیکی بارمثبت دارد و DNA بار منفی، بنابراین جذب یکدیگر شده و دیگر جدا نمی شوند).
نمونه را به مدت ۳۰ ثانیه در دور ۸۰۰۰ میکروفیوژ می کنیم. محلول رویی را دور ریخته و به کلاف DNA که در لوله رسوب کرده است ۱ میلی لیتر الکل اتانول ۷۰ درصد سرد اضافه می کنیم و لوله ها را تکان می دهیم تا DNA شستشو داده شود. سپس نمونه رابه مدت ۳۰ ثانیه با دور ۸۰۰۰ میکرو فیوژ می کنیم. مایع رویی را دور ریخته و دوباره ۱ میلی لیتر الکل اتانول ۷۰ درصد سرد به آن اضافه می کنیم وآن را تکان می دهیم و سپس با دور بالا میکروفیوژ می کنیم. سپس مایع رویی را دور ریخته و با نوک سمپلر الکل باقی مانده را از روی کلاف بر می داریم و به مدت نیم ساعت در مجاورت هوای آزمایشگاه قرار می دهیم تا الکل باقی مانده تبخیر شود.
۳-۷-۱-۳ هیدراسیون DNA
به رسوب حاصل حدود ۵۰ تا ۲۰۰ میکرولیتر (بر حسب میزان توده DNA ) بافر TE اضافه می کنیم .DNA در بافر TE به صورت محلول در می آید (یک شب در دمای اتاق انکوبه می شود).
این DNA آماده PCR بوده و قابلیت سال ها نگهداری در یخچال را دارد. شستن نمونه با اتانل۷۰% جهت برداشت نمک های باقی مانده می باشد. باید توجه داشت که اگر مقداری اتانل همراه DNA باقی بماند، DNA حاصل در PCR تکثیر نمی شود و همچنین باید مواظب بود تا DNA بیش از اندازه خشک نشود چون در مرحله بعدی در بافر حل نمی شود. یکی از مشکلات ممکن در PCR ناشی از وجود بافر TE حل کننده DNA است که می تواند به نحو موثری غلظت Mg2+ را از طریق EDTA شلاته کننده، کاهش داده و PCR را مهار نماید. به نحو مشابهی DNA استخراج شده می تواند محصولات تجزیه را هم به همراه خود داشته باشد که با PCR تداخل نماید. SDS نیز در میزان بیشتر از ۱۰ درصد مهار کننده PCR می باشد و باید توسط استخراج و رسوب الکلی برداشته شود.
۳-۷-۲ تعیین غلظت DNA استخراج شده
به منظورارزیابی کمیت و کیفیت DNA و آگاهی از میزان غلظت و خلوص آن می توان از روش اسپکتروفتومتری استفاده کرد. یعنی میزان جذب اشعه UV توسط بازهای DNA را اندازه گرفت که روش ساده و دقیقی می باشد. مولکول های DNA به علت حضور بازهای آروماتیک آدنین، گوانین، سیتوزین و تیمین دارای جذب نوری زیاد در محدوده ماوراء بنفش می باشند. بنابراین اندازه گیری جذب نوری محلول های DNA شاخص خوبی برای درجه خلوص آن می باشد.
حداکثر جذب مولکول DNAدر طول موج ۲۶۰nm است. از طرفی معمولاً محلول های DNA مقداری آلودگی پروتئینی دارند که حداکثر جذب محلول های پروتئینی نیز به علت حضور اسیدهای آروماتیک مانند فنیل آلانین، تیروزین، تریپتوفان در طول موج ۲۸۰nm میباشد. بنابراین نسبت جذب در طول موج ها ۲۶۰/۲۸۰ را مشخص می کنند. جذب نوری (OD) معیار مناسبی برای تعیین نسبت Protein/DNA در یک نمونه و به عبارتی درجه خلوص خواهد بود. به همین علت جهت تعیین غلظت DNA محلول، باید جذب آن را در طول موج های ۲۶۰nm و ۲۸۰مشخص نمود. OD خوانده شـده در ۲۶۰nm نشان دهنده غلظت DNA در محلول و OD در طول موج ۲۸۰nm نشانه مقـدار آلـودگی با پروتئین است. نسبت ۲۶۰/۲۸۰ OD محـاسبه می گردد و هرگاه این نسبت دارای میانگین ۸/۱ (۲- ۷/۱) باشد حاکی از خلوص خوب DNA است. بهترین نسبت ۲ می باشد و در صورت آلودگی زیاد با پروتئین مانند هم (Heme) یا مواد آروماتیک مانند فنل، این نسبت به طور چشمگیری کاهش می یابد (نسبت بیش از ۲ احتمال آلودگی با RNA را نشان می دهد).
۳-۷-۲-۱ روش تعیین غلظت DNA:
محلول DNA را با بهره گرفتن از محلول TE رقیق می کنیم. ۵ میکرولیتر از محلول DNA را با ۹۵ میکرولیتر از محلول TE مخلوط می کنیم. برای کالیبره کردن دستگاه از ۱۰۰ میکرولیتر TE به عنوان بلانک استفاده می شود. سپس جذب نوری را در طول موج ۲۶۰ و۲۸۰ نانومتر می خوانیم. نسبت این جذب در هر مورد محاسبه می شود. این نسبت برای تمامی نمونه های DNA در این بررسی، بین ۷/۱ تا ۹/۱ بود که کیفیت خوب DNA را نشان می دهد. دستگاه غلظت DNA را هم به ما نشان می دهد.
۳-۷-۲-۲ نحوه خالص سازی نمونه های آلوده به پروتئین
روش کار شامل مراحل زیر می باشد:
در تحقیقی با عنوان توسعه مجدد زمین های قهوه ای در تورنتو کانادا، ابتدا تعریفی از زمین های رها شده را ارائه می دهد و سپس بیان می دارد که شناخت این زمین ها و برنامه ریزی برای احیای مجدد آنها باعث بهبود کیفیت زندگی شهری و توسعه پایدار در این منطقه می شود .
در تحقیقی دیگر در این زمینه به شرح مفصلی از مزیت های اقتصادی – زیست محیطی و اجتماعی، سرمایه گزاری در زمین های رها شده می پردازد.
Kalberer 2005 در مطالعه ای به عنوان آینده نهفته و در زمین های رد شده ، این فضاها یا زمین ها را یک شانس مجدد برای جالب تر نمودن محلات، جذابیت بیشتر برای ایده های توسعه مجدد و سایر مزایای محیطی – اقتصادی، اجتماعی می داند و عنوان می کند که زمین های رها شده برای اجرای پروژه های ساختمانی نسبت به زمین های حاشیه ای و روستایی پایداری بیشتری دارند.
Eluls 2005 توسعه مجدد زمین های رها شده را در صورت کامل انجام شدن، عامل مهمی در تجدید حیات می داند ایشان بیان می دارد که زمین های متروک در یک جامعه ممکن است نشانه ای از یک آفت کلی در جامعه مثل بیماری، جنایت، کمبود تحصیلات و فرصت های شغلی و فرسودگی زیرساخت ها در آن جامعه باشد یا به وقوع این اتفاقات کمک کند.
همچنین در مطاله ای که در مورد زمین های قهوه ای یا رها شده در اروپای مرکزی در سال ۲۰۱۲ صورت گرفته است، مقررات ملی یا منطقه ای استراتژی و فرصت های مربوط به این زمین ها ذکر شده و این زمین ها را متاثر شده از استفاده قبلی بدون مالک یا کمتر استفاده شده معرفی نموده است.
(nrtee 2003) ضمنا تعریف زمین های رها شده بیان می دارد که تجدید حیات و توسعه مجدد زمین های رها شده طیفی از فرصت های اقتصادی، اجتماعی . محیطی را می تواند محیا کند که شامل ترمیم کیفیت زندگی برای شهروندان حذف تهدیدات سلامت و تامین زمین برای اهداف تجاری و تولید مسکن، ایجاد فرصت های اشتغال، گسترش پایه های مالیاتی برای همه کاهش فشار بر مراکز شهری برای توسعه در زمین های سبز می شود.
آراسته و عزیزی ۱۳۸۹ در تحقیقی با عنوان گونه های فضاهای رها شده شهری و بررسی نقش این زمین ها در توسعه پایدار و مدیریت بهتر محیط شهری بیان کرده اند که برنامه ریزی فضاهای رها شده شهری می تواند نقش قابل توجهی در توسعه پایدار شهرهای دنیا بازی کند و همچنین برنامه ریزی مجدد کاربری زمین های رها شده را گامی برای رسیدن به مدیریت محیطی و شهری می داند
در تحقیقی دیگر عزیزی و آراسته ۱۳۹۰ بافت تاریخی شهر یزد را مورد مطالعه قرار دادند این دو عنوان کردند که افزایش فضاعای رها شده شهری یکی از نشانه های فرسودگی این شهر است
این تحقیق ابتدا مسائل ناشی از وجود این فضاها در شهر یزد مورد بررسی و تحلیل قرار داده و بر اساس یافته های تحقیق برنامه راهبردی برای توسعه این فضاها ارائه می کند، همچنین روش تحقیق در این پژوهش بر مبنای تلفیق تکنیک swot و مناطق فازی می باشد .
از دیگر پژوهشگران پور محمدی و تقی پور ۱۳۹۱ را می توان نام برد. ایشان در مطالعه ای با عنوان بازیافت اراضی بایر شهری ابتدا به تعریف اراضی بایر می پردازند وسپس بیان می کنند که این اراضی در کشورهای کمتر توسعه یافته مورد بی توجهی و کم توجهی قرار گرفته اند در این مطالعه اهمیت اراضی بایر با تبیین و استفاده از نرم افزار GIS جهت بهینه سازی این گونه فضاها پیشنهاداتی را ارائه می نمایند. سالک احمدی ۱۳۹۲ ، در مقاله ای به عنوان “ارائه مدلی بهینه و الگوی چند منظوره جهت دستیابی به توسعه پایدار شهری” به ارائه الگویی برای مدیریت فضاهای رها شده و بازیافتنی شهری می پردازد ایشان در این رابطه توصیه هایی نیز ابراز می دارند
از دیگر تحقیقات فارسی کار گروهی ، جوریمی، یوسفی و چالی( ۱۳۹۲)را می توان نام برد . این تحقیق با عنوان ” امکان سنجی احیای حوزه بازیافت در مرکز فضایی منطقه ۹ مشهد ” فضاهای محنت زده شهری را توصیف، آسیب های ناشی از این فضاها را بیان می دارند و در نهایت به راهکارهایی برای احیای حوزه های بازیافت شهری در منطقه ۹ شهر مشهد می پردازند .
فرزام فر، گلریز وبنیادی (۱۳۹۳) در مطالعه ای ، مبادی ورودی شهرها را در کشورمان به عنوان فضاهای رها شده معرفی کرده اند و بیان نموده اند که این فضاها توقعات موردی از ورودی شهر را برآورده نساخته اند. ایشان با روش تحلیلی – توصیفی راهکارهایی را برای ارتقای خوانایی در مبادی ورودی شهرها بیان نموده اند
در ایران (نقیب زاده ۱۳۸۲) در تحقیقی جامع ، با هدف تدوین سیاست ها و راهکار های لازم برای جلوگیری از رها ماندن اراضی شهری ، ابتدا عامل رشد و پویایی شهر را مهاجرت از روستا به شهر می داند و سپس بیان می دارد که افزایش جمعیت در شهرها نیازمند فضاهای کالبدی جدیدی می باشند و تامین این فضاهای کالبدی را با گسترش ساختارهای شهری همراه می داند، این محقق در ادامه در فصلی جداگانه پیامدهای اقتصادی، کالبدی، زیست محیطی، اجتمایی و سیاسی رها ماندن اراضی شهری را بیان می کند و نتیجه می گیرد که دولت باید در ۳ زمینه، برنامه ها، طرح ها و ضوابط قانونی تاثیرگذار بر تصمیمات بخش خصوصی در نحوه استفاده از زمین دخالت کند.
بازیابی فضاهای پنهان شهری(مسیل ها) کار دیگری است در این زمینه از معاونت برنامه ریز و توسعه شهرداری مشهد در سال ۱۳۸۳ که به مسیل ها به عنوان فضاهای پنهان شهری پرداخته و عنوان نموده که چگونه می توان مسیل ها را از حالت یکنواختی و رکود خارج نمود و مورد استفاده بهینه قرار داد و آنها را بصورت پتانسیلی در خدمت شهر دید .
محقق دیگری به نام (قادری، احمد ۱۳۸۰) بازیافت فضاهای درون شهری (نمونه موردی بافت مرکزی شهر ارومیه ) را مورد بررسی قرار داده است.
۲-۸-ارائه نمونه های از تجارب طرح های احیای فضای رها شده در جهان وایران
۲-۸-۱-تبدیل زمین متروک صنعتی به مجموعه مسکونی لوکاساریل :شهردرسدن-آلمان
یکی از انواع گونه های خاص مجموعه های مسکونی در شهر سدن آلمان وناحیه صنعتی این شهر معروف به لوکا ساریل ساخته شده است .هرکدام از این واحدها ی این مجموعه به متراژ ۱۰۰متر مربع می باشد.که هرکدام به یک تراس سقفی مجهز استو مجموعه در مجاورت یک باغ قرار دارد .این مجموعه در یک زمین متروک صنعتی بزرگ در مرکز شهر سدن واقع شده است.علی رغم تقاضای کم مسکن در این ناحیه از شهر،بیشتر واحد های مسکونی این مجموعه قبل از تکمیل فروخته شدند واین حاکی از موفقیت این پروژه در کشور آلمان است ،به طوریکه براساس رای سازمان وشتنروت،مجموعه مسکونی لوکاساریل در شهر سدن ،جزو ۱۰طرح برتر از ۶۰۰طرح پروژه های ساخت مجموعه مسکونی در آلمان است.
تصویر (۲-۱) مجموعه مسکونی لوکا ساریلدر شهر درسدن همراه با باغ وتراس های رو به خورشید برروی سقف،یکی از موفق ترین طرح های احیاء زمینهای متروک صنعتی در کشور آلمان(منبع:۲۰۰۵:۲۲،kalberer)
۲-۸-۲-تبدیل کارخانه ریسندگی اقبال به مرکز فناوری اقبال –یزد-ایران
کارخانه اقبال یزد اولین کارخانه نساجی یزد بوده که با روش های جدید که تکنولوژی آن از خارج از کشور وارد شده بود مشغول به کار شد.این کارخانه در اواخر دهه۱۳۶۰به دلیل قرار گرفتن در حریم شهری وایجاد مشکلات موجود به یک زمین قهوه ای یا متروک شد(شکل۳)،اما به دلیل موقعیت بسیار مناسب کارخانه ونزدیکی به مرکز شهر یزد،در اوایل دهه ۸۰ تغییر کاربری داده وبه دنبال تصویب کمیسیون ماده۵ از ملحقات وزارت فرهنگ وآموزش عالی در مصوبه مورخ ۲۰/۵/۱۳۸۰موافقت اصولی خود را با ایجاد پارک علم وفناوری یزد اعلام نمود .چهار محور تکنولوژی اطلاعات،بیوتکنولوژی ومهندسی پزشکی،انرژی های نو ونساجی بعنوان زمینه های اولیه فعالیت پارک در نظر گرفته شد(گزارش شناخت پروژه وتغییر کاربری کارخانه اقبال:۱۳۸۳)
تصویر شماره(۲-۲)موقعیت کارخانه(مرکز فناوری)اقبال دربافت مرکزی شهر یزد:منبع:GoogleMaps.co
۲-۸-۳-تبدیل کارخانه چرم سازی به دانشگاه هنر اسلامی تبریز-ایران
این کارخانه مشابه کارخانه اقبال در اوایل۱۳۱۰ایجاد شد . مکان این کارخانه آن زمان در حاشیه جنوبی شهر تبریز واقع شده بود.پس از توسعه سریع شهر تبریز و ورود کارخانه به حریم شهر،این کارخانه نیز تعطیل شده وبه خارج از شهر منتقل شد. در اواخر دهه ۱۳۶۰این کارخانه به مالکیت وزارت فرهنگ و آموزش عالی درآمده ودر اوایل دهه۱۳۷۰به عنوان دانشگاه هنر اسلامی تبریز تغییر کاربری داد(منبعwikipedia.fa.org )
تصویر شمار(۲-۳)دانشگاه هنر اسلامی تبریز (کارخانه چرم سازی سابق)(منبع: wikipedia.fa.org)
فصل سوم
شناسایی محدوده مورد مطالعه و روش شناسی تحقیق
۳-۱- مقدمه :
در فصل سوم پایان نامه ابتدا ویژگی های عمومی شهر گیلانغرب شامل تاریخچه ، ویژگی های جغرافیایی ، ویژگی های جمعیتی ، وضعیت اقلیمی شهر ، سیستم حرکت آبهای سطحی و موقعیت مسیل ها ، ساخت کالبدی شهر و عوامل محدود کننده توسعه شهر گیلانغرب به طور خلاصه بیان شده و سپس مراحل و روش تحقیق بکار گرفته شده و در مورد شهر گیلانغرب تشریح شده است .
۳-۲- تاریخچه شهر گیلانغرب
پهنه غرب کشور ایران ، در ادوار مختلف تاریخی تا آنجا که مدارک و اسناد یافت می شود و اجازه کنکاش و پژوهش در این زمینه داده است ، همواره در طی اعصار و قرون از باستان تا کنون محل زندگی گروهی از انسان ها با نام مردم کرد بوده است .
از کتیبه های آشور تا عصر ایلامی ها و بابلیها تا اولین حکومت ایرانی که بانی و باعث آن قوم ایرانی ماد بوده تا هخامنشیان ، اشکانیان و ساسانیان ، دوران استیلای اعراب ، ایلخانان مغول و ..
همه وهمه قبایل مختلف کرد با نام ها و اسامی گوناگون در هر عصری در دشتها و روستاها و شهرهای آن می زسته اند . در این گستره ، در طول تاریخ شهر ها و اماکن تجمع فراون ، ایجاد گشته اند . بسیاری از این شهر ها یا با نام های مکرر روبرو شده اند و یا در حوادث پیش آمده در غبار گذر زمان فراموش شده و مستور مانده اند . (جعفربیگی ، ۱۳۸۲: ۲۵ ) .
گیلانغرب شهری در دل زاگرس ، نیز در گذشته با نام امله شناخته می شده است که معنای آن تجمیع یا تجمع است . در دوران گذشته با توجه به این که سران ایلات و عشایر و روسای ایل ها و تیره های مختلف در این محل جمع می شده اند به این نام خوانده می شد . در زمان حکومت رضا شاه به علت آب و هوای معتدل منطقه همچنین وجود جنگل های زیاد که به استان گیلان شباهت زیادی داشت نام این شهر تغییر یافته و گیلانغرب خوانده شده است (طرح جامع ، جلد دوم ، ۱۳۹۰ ) .
ایل بزرگ کرد ، نژاد کرد ، از روزگار باستان در غرب کشور ایران و در دامنه سلسله کوه زاگرس میزیسته است و داری فرهنگ و تاریخی کهن می باشد و همیشه به عنوان یکی از بزرگترین ایلات قدرتمند در ایران زمین مطرح بوده است (افشار سیستانی، ۱۳۷۲ : ۱۱۹۱ ) .
شهر گیلانغرب از همان ابتدا جایگاه و مامن این ایل بزرگ بوده است که در دوره های مختلف در قالب عشایر و زندگی کوچ نشینی داشته اند . زندگی یکجانشینی به معنی دیگر شهر نشینی در گیلانغرب با سیاست جدیدی که رضا شاه در باب عشایر در پی اجرای آن بود (تخته قاپو کردن عشایر) آغاز شد ودر واقع بنیان شهر گیلانغرب به طور جدی با شروع همین سیاست های رضا شاه آغاز گردید .
حال شهر گیلانغرب دارای بخش مرکزی و بخش گواور به مرکزیت شهر سرمست با ۶ دهستان و ۲۱۲ آبادی می باشد .
۳-۳- وضعیت اقلیمی شهر گیلانغرب :
توده های هوایی گیلانغرب همان توده های هوایی هستند که به استان کرمانشاه وارد می شود و عبارتند از :
-
- توده ی هوای غربی که در فصول سرد سال رطوبت اقیانوس اطلس و دریای مدیترانه را به منطقه وارد می کند .
-
- توده ی هوای شمالی که منشاء آن سیبری است . این توده هوا دما را پایین می آورد و اگر رطوبت داشته باشد سبب ریزش برف در ارتفاعات می شود .
-
- توده هوای گرم و خشک که در اثر نفوذ هوای گرم و خشک بیابان های عربستان و عراق در فصل گرم سال به این ناحیه می وزد و سبب افزایش دما و انتقال گرد و غبار است .
-
- توده هوای سودانی که از آفریقا و دریای سرخ می آید و با عبور از شبه جزیره عربستان از سمت جنوب وارد منطقه شده گاه سبب ریزش باران می شود
بادهای گرمی که در تابستان می وزند و سام گفته می شوند : این بادها غالبا هوای داغی را که تحمل آن سخت است منتقل میکنند (جغرافیای استان کرمانشاه ، گروه مولفان ۱۳۸۷ ، ص ۱۳ ) .
۳-۳-۱-بارندگی :
با توجه به موقعیت جغرافیایی شهر گیلانغرب که تحت تاثیر توده های هوای ذکر شده می باشد . فصل بارندگی از اواخر پاییز تا اوایل بهار ادامه داشته و تابستان ان معمولا خشک است .
با توجه به آمار سازمان هواشناسی بیشترین بارشهای این شهرستان در فصل زمستان صورت می گیرد بطوریکه از مجموع بارندگی سالیانه (۴۴۸میلی متر) حدود ۲/۲۱۴ میلی متر در زمستان می بارد به عبارتی دیگر از میانگین بارندگی سالیانه ۰۸/۱۴ درصد در فصل بهار ، ۷۳۸ درصد در تابستان ، ۷۱/۳۶ درصد در فصل پاییز و ۸۱/۴۷ درصد در فصل زمستان به صورت برف ، باران و تگرگ نازل می شود که طبق تحقیقات اخیر در غرب ایران کم کم حجم باران های زمستانه کم می شود و رفته رفته بر باران های بهاره افزوده می گردد (عباسی ، محبوبه ، ۱۳۸۸) ریزش بارانها در سالهای اخیر در این شهر نیز بر مطلب فوق صحه میگذارد بگونه ای که دریکی دو سال گذشته شاهد افزایش بارندگی در ماه فروردین و اردیبهشت هستیم.
بطور کلی از نظر اقلیمی گیلانغرب در ۳ پهنه متفاوت به شرح ذیل قرار دارد :
آب و هوای خشک و معتدل : در دشت گیلانغرب و اراضی کم ارتفاع منطقه مانند دیره .
آب و هوای نیمه خشک و معتدل : شمال منطقه گیلانغرب ، دهستان های کف راور و چله .
آب و هوای نیمه مرطوب و سرد : در ارتفاعات و دهستان گواور .
