ایندکس های ترکیبی

اثر سطوح مختلف اسانس سیر بر شاخص های رشد، تغذیه و ترکیب شیمیایی لاشه فیل‎ماهی (Huso huso) جوان پرورشی

به منظور بررسی اثر اسانس سیر به عنوان ماده محرک رشد، بر شاخص‌های رشد، تغذیه و ترکیب شیمیایی لاشه فیل ماهیان جوان پرورشی، شش جیره غذایی (یک جیره فاقد اسانس سیر و آنتی‌بیوتیک، یک جیره حاوی آنتی‌بیوتیک اکسی‌تتراسایکلین به میزان mg/kg30 و چهار جیره با مقادیر مختلف 50، 100، 150 و mg/kg 200 اسانس سیر) تهیه شد. بچه فیل‎ماهیان پرورشی با وزن متوسط50/1 ±24 گرم به مدت هشت هفته با جیره‌های آماده شده تغذیه شدند. در پایان آزمایش بالاترین میزان وزن نهایی (FW) برابر 75/2 ±43/153گرم، بیشترین میزان افزایش وزن (BWI)، 08/8 ±58/516 درصد، بهترین راندمان پروتئین (PER)، 10/0 ±58/2، بالاترین نرخ تولید پروتئین (PPR)، 38/3 ±38/48 درصد، کمترین ضریب مصرف غذا (FCR)، 06/0 ±20/1 و بیشترین میزان پروتئین لاشه، 63/0±42/69 درصد در ماده خشک در تیمار حاوی mg/kg 150 اسانس سیر مشاهده شد که با سایر تیمارها دارای تفاوت معنی دار (05/0>P) بود. در مجموع براساس نتایج این تحقیق افزودن mg/kg 150 اسانس سیر به جیره غذایی فیل ماهیان جوان پرورشی جهت بهبود شاخص‎های رشد، تغذیه و کیفیت لاشه در این ماهیان پیشنهاد می‎گردد.

مقایسه پیش‌بینی شاخص سهام با استفاده از مدل‌های ترکیبی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی با شبکه عصبی معمولی

هدف پژوهش حاضر مقایسه پیش‌بینی شاخص سهام با استفاده از مدل‌های ترکیبی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی با شبکه عصبی معمولی است. مربوط‌ترین نماگرهای تکنیکی به عنوان متغیرهای ورودی و تعداد بهینه نرون لایه پنهان شبکه عصبی مصنوعی با استفاده از الگوریتم‌های فراابتکاری ژنتیک و جستجوی هارمونی تعیین شده است. مقادیر روزانه شاخص قیمت بورس اوراق بهادار تهران از تاریخ 1/10/91 الی 30/9/94 جهت پیش‌بینی شاخص قیمت و آزمون آن استفاده شده است. دقت پیش‌بینی سه مدل شبکه عصبی معمولی، شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی بر اساس میزان خطای پیش‌بینی ارزیابی شده است. نتایج نشان می‌دهد دقت پیش‌بینی مدل‌های فراابتکاری ژنتیک و جستجوی هارمونی در دوره آزمون بالاتر از شبکه عصبی عادی است. همچنین پیش‌بینی مدل شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی در دوره آزمون نسبت به مدل شبکه عصبی مصنوعی هیبریدی مبتنی بر الگوریتم ژنتیک از دقت بالاتری برخوردار است.

کلیدواژه‌ها

عنوان مقاله [English]

Comparison of Stock Index Forecasting Using Hybrid Models Based on Genetic Algorithm and Harmonic Search with Artificial Neural Network

نویسندگان [English]

• Maryam Davallou 1
• Toktam Heidari 2

1 Assistant professor, Faculty of Management and Accounting, Shahid Beheshti University. Tehran. Iran

2 MSc Student in Financial Management. Ershad Damavand University, Tehran, Iran

چکیده [English]

This paper is aimed to compare stock index forecasting using hybrid models based on Genetic Algorithm (GA) and Harmonic Search (HS) with Artificial Neural Network (ANN). The most relevant technical indicators as inputs and the optimal number of neurons in hidden layer of Artificial Neural Network designated by metaheuristics including Genetic Algorithms and Harmony Search. Daily price index of Tehran Stock Exchange from 21 December 2012 to 21 December 2015 applied to predict and test stock index. The accuracy of forecasting of three models including Regular Artificial Neural Network model, hybrid neural networks based on GA and hybrid neural networks based on HS is evaluated by the prediction error. The results show that the accuracy of prediction in Metaheuristics models such as Genetic Algorithms and Harmony Search in the test period is higher than normal Artificial Neural Network. Also prediction by hybrid neural network model based on harmony Search during the test period compared to hybrid Artificial Neural Network model based on Genetic Algorithm is more accurate.

کلیدواژه‌ها [English]

• Genetic Algorithms
• Harmony Search
• Artificial Neural Networks

مراجع

- استیری، علی. (1392). «پیش‌بینی شاخص بورس اوراق بهادار تهران با استفاده از مدل ترکیبی». پایان‌نامه کارشناسی ارشد، دانشگاه تهران.## حقیقت منفرد، جلال، محمود احمدعلی‌نژاد و سارا متقالچی. (1391). «مقایسه مدل‌های شبکه عصبی با مدل سری زمانی باکس- جنکینز در پیش‌بینی شاخص کل قیمت سهام بورس اوراق بهادار تهران». مهندسی مالی و مدیریت اوراق بهادار، 3(11): 16-1. ##عاملی، احمد و ملیحه رمضانی. (1394). «پیش‌بینی قیمت سهام با استفاده از شبکه عصبی ایندکس های ترکیبی فازی مبتنی بر الگوریتم ژنتیک و مقایسه با شبکه عصبی فازی». تحقیقاتمدلسازیاقتصادی، 6(22): 91-61. ##علوی، جعفر. (1385). «ترکیب تحلیل تکنیکی با هوش مصنوعی (هوش محاسباتی) و مقایسه آن با روش تحلیل تکنیکی پیش‌بینی قیمت سهام». پایان‌نامه کارشناسی ارشد، دانشگاه تهران. ##منجمی، سیدامیرحسین، مهدی ابزری و علیرضا رعیتی شوازی. (1388). «پیش‌بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه عصبی فازی و الگوریتم‌های ژنتیک و مقایسه آن با شبکه عصبی مصنوعی». اقتصاد مقداری (بررسی‌های اقتصادی سابق)، 6(3): 26-1. ##

- Geem, Z.W. (2009). Music-Inspired Harmony Search Algorithm: Theory and Applications. Springer Publishing Company, Berlin. ##Gocüken, M., M. Ozcüalõcõ, A. Boru & A. Dosdogùru. (2016). Integrating Metaheuristics and Artificial Neural Networks for Improved Stock Price Prediction. Expert Systems with Applications, Vol. 44, pp: 320-331. ##Gorynin, I., E. Monfrini & W. Pieczynski. (2017). Pairwise Markov Models for Stock Index Forecasting. 25th European Signal Processing Conference (EUSIPCO), IEEE. ##Huang, C., D. Yang & Y. Chuang. (2008). Application of Wrapper Approach and Composite Classifier to the Stock Trend Prediction. Expert System with Application, Vol.34(4), pp: 2870-2878. ##Jian, Z. & L. Song. (2017). Financial Time Series Analysis Model for Stock Index Forecasting. International Journal of Simulation Systems, Science & Technology, Vol.17, pp: 12.1-12.6. ##Laboissiere, L.A., R.A.S. Fernandes & G.G. Lage. (2015). Maximum And Minimum Stock Price Forecasting of Brazilian Power Distribution Companies Based on Artificial Neural Networks. Applied Soft Computing, Vol.35, pp: 66-74. ##Prasanna, S. & D. Ezhilmaran. (2013). An Analysis on Stock Market Prediction Using Data Mining Techniques. International Journal of Computer Science & Engineering Technology, Vol.4(2), pp: 49-51. ##Wang, J.Z., J.J. Wang, Z.G. Zhang & S.P. Guo. (2012). Forecasting Stock Indices with Back-Propagation Neural Network. Expert Systems with Applications, Vol.38(11), pp: 14346-14355. ##White, H. (1988). Economic Prediction Using Neural Networks: The Case of IBM Daily Stock Returns. IEEE International Conference on Neural Networks. ##

ارزیابی و تحلیل شاخص های حمل و نقل پایدار شهری

حمل‌ونقل پایدار در واقع یافتن مؤثرترین و آسوده‌ترین راه جابجایی مردم و وسایل نقلیه با کمترین میزان مصرف انرژی (در زمینه سوخت و تلاش‌های انسانی) با مقبول‌ترین هزینه، کمترین ترافیک و کمترین اثرات سوء زیست‌محیطی مانند آلودگی هوا و صدا می‌باشد. هدف اصلی پژوهش حاضر تعیین مهم‌ترین عوامل و شاخص‌های مؤثر بر حمل‌ونقل شهری با استفاده از تجربیات حمل‌ونقل شهرهای پیشرو در حمل‌ونقل است. روش تحقیق از نظر هدف کاربردی _توسعه‌ای است و از نظر روش تحلیلی _محتوایی است. برای تجزیه و تحلیل تکنیک‌های کمی و کیفی از نرم افزار SPSS استفاده شده است و ابزار گردآوری اطلاعات، ترکیبی از روش‌های کتابخانه‌ای و میدانی در رابطه با شاخص‌های حمل‌ونقل پایدار می‌باشد. در شهر اصفهان نتایج مطالعات نشان می‌دهد وضعیت حمل‌ونقل پایدار شهر اصفهان روند نزولی داشته است. رشد شاخص ترکیبی اثرات محیط زیستی حمل‌ونقل در جهت منفی بوده است. همچنین رشد شاخص ترکیبی اثرات اقتصادی حمل‌ونقل در شهر اصفهان در جهت منفی بوده است. هزینه‌های گرداننده نسبت به تولید ناخالص بر نفر ثابت است. ولی خوشبختانه شاخص ترکیبی اثرات اجتماعی حمل‌ونقل در اصفهان در جهت مثبت بوده است. راهبرد مناسب در شهر اصفهان اجرای همزمان سیاست‌های حمل‌ونقل پایدار است.

کلیدواژه‌ها

20.1001.1.ایندکس های ترکیبی 25886274.1395.4.1.1.8

عنوان مقاله [English]

Evaluation and analysis of sustainable urban transport Indicators

نویسندگان [English]

• M. Sajadi 1
• M. Taghvaee 2

چکیده [English]

Sustainable transport is in the most effective and most comfortable way movement of people and vehicles with the lowest power consumption (of fuel and humanitarian efforts) with the most acceptable cost, less traffic and environmental impacts such as air pollution and minimal noise. The main issue of this study was to determine the most important factors affecting urban transport indicators using experience in leading freight transport. For the analysis of qualitative and quantitative techniques have been used SPSS software, methodology and tools for data collection, a combination of library and field methods in relation to sustainable transport.
The results indicate the status of transport in the city of Isfahan is to be downward trend. Growth Composite Index has been negative in environmental impacts of transport. Growth Composite Index as well as the economic impact of transport in the city was in the negative direction. Costs handlers is stable than GDP per person. Fortunately, the social effects of transport in Isfahan Composite Index has been positive At the same time, Implementation of a sustainable transport policy is the best strategy.

کلیدواژه‌ها [English]

• Sustainable transport
• Dynamic models
• Transport evaluation
• Leading cities in transportation

مراجع

استادی جعفری،م.(1389). ارزیابی و مدلسازی حمل ونقل پایدار شهری، پایان نامه برای دریافت درجه کارشناسی ارشد رشته مهندسی عمران – گرایش برنامه ریزی حمل ونقل، دانشگاه آزاد اسلامی واحد علوم و تحقیقات.

تقوایی، م.بسحاق، م.سالاروند، ا.(1391). آزمون فرضیه‌های پژوهش با استفاده از spss، انتشارات معظمی، چاپ اول.

تیبالدز، فرانسیس تی .(1385).شهرهای انسان محور. ت : دکتر حسن علی لقایی و فیروزه جدلی. چاپ اول. تهران : انتشارات دانشگاه تهران.

ذکایی آشتیانی،ه ؛ پور زاهدی، ح. (1366-1369)، گزارش‌های مطالعات جامع حمل‌ونقل اصفهان، سازمان حمل‌ونقل و ترافیک.

رصافی، اله.(1383). سنجش و مدلسازی حمل‌ونقل و توسعه پایدار در سطح ملی، پایان‌نامه دکتری، دانشگاه صنعتی شریف، گرایش برنامه‌ریزی حمل‌ونقل.

فیروز زارع، ع. قربانی،م.(1390). بررسی عوامل موثر بر تمایل به پرداخت شهروندان ایندکس های ترکیبی برای کاهش آلودگی هوا در شهر مشهد؛ کاربرد الگوی دو مرحله ای همکن، فصل نامه علمی پژوهشی مدیریت شهری، شماره 28،پاییز و زمستان، ص 7-26.

کنف لاخر، ه.(1381).اصول برنامه ریزی(طراحی)تردد پیاده و دوچرخه، ترجمه دکتر فریدون قریب، انتشارات دانشگاه تهران،چاپ اول؛ تهران.

Banister, David. (2005). Unsustainable Transport: City transport in the new century. London: Routledge: Taylor & Francis Group.

Barter, P. A. (1998, in preparation). An International Comparative Perspective on Urban Transport and Urban Form in Pacific Asia: Responses to the Challenge of Motorisation in Dense Cities. Ph.D. Thesis, Murdoch University, Western Australia..

Haghshenas,H.,Vaziri,M.)2012(Urban sustainability Transportation Indicator,for Global comparison,Ecological indicators 15,115-121.

Joumard R.,Gudmundsson H.,Editors.(2010).Indicators of enviromental sustainability in transport ,Les collections de L.INRETS.

Kenworthy, J., F. Laube, P. Newman, P. Barter, T. Raad, C. Poboon, and B. Guia. (1999). An International Sourcebook of Automobile Dependence in Cities, 1960– 1990. Boulder, CO: University Press of Colorado.

Litman T.(2009).Well Measured Developing Indicators for Comprehensive and Sustainable Transport Planning,Victoria Transport Policy Institute,Canada.http:// www.vtpi.org/.

Litman,T ; Burwell,D. (2006), “Issues in Sustainable Transportation,” International Journal of Global Environmental Issues , Vol. 6, No. 4, pp. 331-347; at www.vtpi.org/sus_iss.pdf.

Mascarenhas A.,Coelho P.,Subtil E., Ramos T.B.(2010).Thes Role of Common Local Indicators in Regional Sustainability Assessment ,Ecological Indicators,646-656.

شاخص ها و مقیاس های اندازه گیری

معرفی شاخص های اندازه گیری و روش های تهیه آن ها موضوع این صفحه می باشد. قبل از مطالعه مطالب، ویدئوی زیر را ملاحظه نمایید که بخشی از بسته آموزشی مفاهیم پایه تحلیل آماری می باشد. برای دریافت آموزشهای ویدئویی SPSS به محصولات و بسته آموزشی spss در وب سایت دیگر این شرکت آماری مراجعه نمایید.

0- فیلم تشریح مقیاس های اندازه گیری (سطوح سنجش) متغیرها

در ویدئوی زیر با انواع مقیاس های اندازه گیری آشنا خواهید شد:

1- مقیاس اندازه گیری چیست؟

آنچه در هر مطالعه مورد توجه قرار می گیرد، اندازه گیری ویژگی ایندکس های ترکیبی ها یا صفات اشخاص و اشیا است بوسیله اعداد یا نمرات نسبت داده شده.

مثلا وقتی برای سنجش نگرش مردم نسبت به مجموعه های تلویزیونی از پرسشنامه استفاده می کنیم، برای تعیین نمره ی هر شخص عدد یا اعدادی را در نظر می گیریم. بسته به اینکه چه چیزی و چگونه اندازه گیری می نماییم اعدا د به دست آمده ویژگی های متفاوتی خواهند داشت.این ویژگیهای متفاوت اعداد را مقیاس های اندازه گیری می نمامیم.

2- انواع مقیاس های اندازه گیری

مقیاس های اندازه گیری را در چهار سطح می توان اندازه گیری کرد:

2-1- مقیاس ایندکس های ترکیبی اسمی

اندازه گیری اسمی مستلزم جای دادن اشیا یا افراد در طبقاتی است که از نظر کیفی با هم متفاوت هستند.

یک مثال ساده در این مورد متغیر جنسیت است. در سطح اندازه گیری اسمی استفاده از اعداد تنها به منظور مشخص کردن طبقات می باشد و هیچ رابطه ای که با اعمال ریاضی مطابقت کند بین آن ها وجود ندارد. اعداد به کار رفته در یک مقیاس اسمی معرف مقدار مطلق یا نسبی هیچ ویژگی نیستند.

2-2- مقیاس ترتیبی

مقیاس های ترتیبی برای ما امکان رتبه بندی ترتیب سطوح متغیر مورد بررسی را فراهم می آورد.

برای مثال چهارویژگی داشتن روابط عمومی قوی، تجربه کافی، تحصیلات مرتبط و کارکردن به صورت مستقل، را در نظر می گیریم و از پاسخگویان می خواهیم این صفات را برحسب درجه اهمیت آن ها از 1 تا 5 رتبه بندی کنند. به این ترتیب تفاوت ارجحیت هر مقوله از دید پاسخگو تعین می شود.

با این حال یکی از مشکلات مقیاس ترتیبی آن است که هرچند محقق می تواند تفاوت های مورد نظر را برحسب بزرگتر- کوچکتر بودن، بهتر-بدتر بودن و غیره رتبه کند ولی قادر نیست فاصله ی این تفاوت ها را بدست آورد. به عبارت دیگر مقادیر حاصل در مقیاس ترتیبی فاقد معنای کمی و عددی هستند. علت این امر آن است که در مقیاس ترتیبی هیچ مبدأی وجود ندارد تا ارزش ها نسبت به آن سنجیده شوند.

2-3- مقیاس فاصله ای

ویژگی عمده ی مقیاس فاصله ای آن است که به ارزش های آن نمره های عددی تعلق می گیرد. این مقیاس علاوه بر آن که اطلاعات مربوط به مقیاس های طبقه ای و ترتیبی را در بر دارد، اطلاعات اضافی در مورد تفاوت ها به دست می دهد.

برای مثال دو دمای 30 و 40 درجه در نظر بگیرید. این ایندکس های ترکیبی دو دما با یکدیگر تفاوت دارند، دمای 40 بیشتر از 30 است و همچنین دقیقا 10 درجه تفاوت وجود دارد. به این ترتیب در این مقیاس می توان روشهای آماری مختلف مانند محاسبه میانگین، واریانس، همبستگی و.. را انجام داد.

لازم به ذکر است که این مقیاس از نقطه ی صفر مطلق شروع نمی شود ولی می توان برای آن صفر قراردادی برگزید. به طور مثال اگر سه نفر در یک آزمون روانشناسی نمرات 30 و 15گرفته باشند نمی توان گفت نمره 30 معرف دو برابر بودن دانش فرد نسبت به فرد با نمره 15 است.

2-4- مقیاس نسبتی

این مقیاس نه تنها دارای تمام ویژگی های مقیاس های ذکر شده است بلکه دارای مبدأ مطلق یا صفر حقیقی نیز می باشد و بنابراین امکان محاسبه نسبت های مختلف از لحاظ صفت مورد نظر در این مقیاس وجود دارد.

متغیرهایی مانند سن، نرخ مرگ و میر، وزن، قد افراد، جمعیت و … از این دست هستند.کلیه ی اعمال آماری و ریاضی را می توان بر روی این مقیاس انجام داد.

مطالب فوق بخشخی از بسته آموزشی مفاهیم پایه و تعاریف اصطلاحات تحلیل آماری (آموزش ویدئویی) بود. اگر مایلید این اموزش ویدئویی را دریافت نمایید به لینک زیر در سایت دیگر مجموعه اطمینان شرق مراجعه نمایید:

برای روشن شد تمایز بین مقیاس های مختلف اندازه گیری فرض کنید می خواهیم نظر بینندگان تلویزیونی را درباره مجموعه های ایرانی بپرسیم. نوع سؤالاتی که براساس مقیاس های معین طرح می شود مانند زیر است :

اسمی : کدامیک از مجموعه های تلویزیونی را تماشا می کنید؟

ترتیبی : مجموعه های تلویزیونی مورد توجه شما تا چه حد منعکس کننده واقعیت های زندگی است؟

خیلی زیاد زیاد متوسط کم بسیار کم

فاصله ای : بهره هوشی مجموعه تلویزیونی مورد علاقه خود را حدس بزنید؟

نسبتی : هفته ای چند ساعت مجموعه ی تلویزیونی تماشا می کنید؟

4- روش تهیه مقیاس ها

4-1- طیف لیکرت

طیف لیکرت یک مقیاس فاصله ای است (در صورتی که کد کذاری گردد) که از آن می توان برای سنجش توانایی، حساسیت، عقیده و باور، رضایت، ارزش ها و همچنین نگرش افراد به مسائل سیاسی، اجتماعی، اقتصادی، مذهبی و … استفاده کرد. مراحل تهیه مقیاس لیکرت عبارتست از:

• 1- ابتدا تعداد زیادی گویه مربوط به موضوع مورد نظر جمع آوری می شوند.
• 2- این گویه ها به تعدادی پاسخگو داده می شوند تا میزان موافقت یا مخالفت خود را روی یک مقیاس 5 درجه ای از کاملا موافق تا کاملا مخالف مشخص کنند. البته این مقیاس دارای 7 درجه نیز می تواند باشد.
• 3- محاسبه نمره کلی برای هر پاسخگو با جمع کردن نمرات بدست آمده برای هر گویه و با توجه به مثبت یا منفی بودن سؤال انجام می شود.
• 4- در هر مقیاس محقق به تناسب اهداف و فرضیه های تحقیق خودممکن است حدود 20 تا 30 گویه را تهیه کند. وی بایستی به تحلیل گویه ها بپردازد یعنی ارزش عددی پاسخگو در هر گویه باید با مجموع ارزش های عددی به دست آمده از کل گویه ها در مقیاس مقایسه شود. گویه هایی که با نمره ی کل همبستگی پایین یا منفی دارند باید حذف شوند، زیرا آن ها آنچه را که نمره کل اندازه می گیرد نمی سنجند.

4-2- مقیاس تراکمی یا مقیاس گاتمن

این مقیاس که توسط لوئیس گاتمن و همکاران او در دوران جنگ جهانی دوم و در جریان مطالعه بر روی سربازان آمریکایی ساخته شد، شامل مجموعه ای از گویه ها برای سنجش نگرش هایی است که یک بعدی هستند.

سعی گاتمن بر این بود که مقیاسی بسازد که در آن پاسخ به هر گویه را بتوان از روی جمع نمرات به دست آمده از کل مقیاس تعین کرد. چند نمونه از گویه هایی که طبق مقیاس گاتمن تهیه شده اند عبارتند از : نمایش برنامه های خشونت آمیز در تلویزیون برای جامعه مضر است، به کودکان نباید اجازه تماشای برنامه های خشونت آمیز داده شود، مدیران شبکه های تلویزیونی نباید اجازه پخش برنامه های خشونت آمیز را بدهند، دولت باید نمایش برنامه های خشونت آمیز را ممنوع کند.

به این ترتیب تعداد گویه هایی که شخص با آن موافق است نمره کل شخص را در مقیاس گاتمن تشکیل می ایندکس های ترکیبی دهد. در این مقیاس با در اختیار داشتن امتیاز کل هر پاسخگو می توان نگرش او را پیش بینی کرد. این مقیاس در علوم سیاسی، جامعه شناسی، پژوهش های افکارسنجی و مردم شناسی مورد استفاده قرار می گیرد.

4-3- مقیاس افتراق معنایی

مقیاس افتراق معنایی ابزاری برای سنجش معنای مفاهیم است که توسط آزگود و دستیارانش طراحی شده است (آزگود، سوسیو تانبنام،1957). پاسخ دهندگان مفاهیمی مانند اشخاص، اشیا، رفتارها، ایده ها و… را در قالب یک مجموعه صفات دوقطبی با استفاده از مقیاس های 7 نقطه ای رتبه بندی می کنند. به عنوان مثال برای رفتاری چون مصرف سیگار مجموعه صفات ، خوب – – – – – – – بد ، قوی – – – – — – ضعیف ، فعال – – – – – – – منفعل ، اندازه گیری می شوند.

پژوهش در مورد افتراق معنایی نشان می دهد که به طور واقعی هر موضوعی را می توان با استفاده از چنین روشی اندازه گیری کرد. مانند رتبه بندی مواد خاص (نوشیدنی ها)، مکان ها (مراکز دانشجویی)، افراد (حسابداران)، ایده ها (کاهش مالیات) و رفتارها (استفاده از وسایط حمل و نقل عمومی).

بسیاری از پژوهش ها نشان می دهند که مفاهیم به طور کلی در سه بعد اساسی با یکدیگر مرتبط هستند، بعد ارزشیابی یعنی صفاتی چون خوب- بد، مهربان- خشن، بعد فعالیت مانند فعال- منفعل، سریع- آهسته و بعد قدرت همچون ضعیف- قوی، بزرگ- کوچک.

منبع : پایه های پژوهش در علوم رفتاری، ایندکس های ترکیبی نوشته پل سی کازبی ترجمه دکتر حجت الله فراهانی و دکتر حمیدرضا

بررسی تأثیر مدیریت چرای دام بر ترکیب و شاخص‎های مکانی تنوع گونه‌ای (مطالعه موردی: مراتع شهرستان بروجن، چهارمحال و بختیاری)

مدیریت چرای دام یکی از نمودهای اصلی مدیریت جامع حوزه‌های آبخیز بوده به‌طوری‌که بدون آگاهی از اثرات چرای دام بر تنوع زیستی، مدیریت پایدار حوزه‌های آبخیز میسر نمی‌باشد. به همین دلیل آگاهی از تغییرات تنوع و ترکیب گیاهی تحت آشفتگی‏های طبیعی از قبیل چرای دام برای مدیریت بهینه اکوسیستم از اهمیت بالایی برخوردار است. تحقیق حاضر با هدف بررسی تأثیر شدت‎های مختلف چرای دام (کم، متوسط و زیاد) بر مؤلفه‏های مکانی تنوع زیستی (آلفا، بتا و گاما)، اجزای تنوع بتا شامل روگشت و الگوی آشیانه‏ای و ترکیب گیاهی در مراتع بروجن در استان چهارمحال و بختیاری انجام گردید. نمونه‎برداری در قالب طرح تصادفی - سیستماتیک و با استفاده از 60 پلات 2×2 متری در سه منطقه معرف در سه شدت چرای دام (سبک، متوسط و سنگین) انجام گردید. تجزیه و تحلیل داده‎ها با استفاده از بسته آماری "vegan" و "betapart" در نرم‎افزار R انجام شد. نتایج نشان داد که افزایش شدت چرای دام موجب کاهش معنی‎دار مؤلفه‎های تنوع آلفا، بتا و گاما می‎شود (01/0P-value <) به‌طوری‌که بیشترین مقدار مؤلفه‏های تنوع آلفا، بتا و گاما، در شدت چرای کم به‌ترتیب 77/11، 22/7 و 19 و در چرای شدید به‌ترتیب برابر با 44/3، 55/3 و 7 بود. همچنین نتایج این تحقیق نشان داد افزایش شدت چرای دام موجب افزایش معنی‏دار روگشت گونه‏ای خواهد شد که نشان‌دهنده حذف و جایگزینی گونه‏های گیاهی است در حالی‌که افزایش چرای دام تأثیر معنی‏داری بر مؤلفه الگوی آشیانه‏ای تنوع بتا نداشت. نتایج آزمون NMDS نشان داد که چرای دام در شدت‏های مختلف باعث ایجاد اختلاف معنی‎داری در ترکیب جوامع مورد بررسی شده است. نتایج این تحقیق نشان دادند به‌کارگیری شدت چرای سبک می‌تواند به‌عنوان ابزار مدیریتی مناسبی در راستای حفظ و بهبود تنوع زیستی مورد استفاده قرار گیرد.

کلیدواژه‌ها

20.1001.1.27834581.1400.1.1.5.8

مراجع

امیدی‏پور، رضا؛ عرفانزاده، رضا و فرامرزی، مرزبان. (1394). بررسی تأثیر چرای دام بر مؤلفه‎های تنوع گیاهی مراتع نیمه‌خشک کشور. مجله مرتع، 9(4)، 367-377.

امیدی‏پور، رضا؛ عرفانزاده، رضا و فرامرزی، مرزبان. (1396). بررسی تأثیر چرای دام بر مؤلفه‎های تنوع گیاهی مراتع نیمه‌خشک کشور. مجله مرتع و آبخیزداری، 70(3)، 723-734.

جعفریان، زینب؛ امیدی‎پور، رضا و زندی، لیلا. (1400). تأثیر ارتفاع از سطح دریا و خصوصیات خاک بر تنوع آلفا و بتای مراتع پلور مازندران. مجله بوم‎شناسی کاربردی، 10(1)، 79-92.

زارعی، آذین؛ اسدی، اسمیاعیل؛ ابراهیمی، عطااله؛ جعفری، محمد و ملیکیان، آرش. (1397). بررسی تغییرات پارامترهای بارش و دما تحت سناریوهای اقلیمی در مراتع استان چهارمحال و بختیاری. مرتع، 12(4)، 426-432.

سازمان جنگل، مراتع و آبخیزداری کشور (1400). بخش معرفی منابع طبیعی ایران، https://frw.ir/02/Fa/default.aspx

طهماسبی، پژمان، ابراهیمی، عطالله و یارعلی، نبی‌الله. (1391). تعیین مناسب ترین شکل و اندازه پلات برای برآورد چند متغیر مرتعی در مراتع نیمه استپی. مجله مرتع و آبخیزداری، 65(2)، 203-216.

نداف، محبت (1396). بررسی ارتباط بین گروه‎های اکولوژیک و تنوع‎زیستی با عوامل محیطی در منطقه جوزک-چمن‎بید، استان خراسان شمالی. رساله دکتری در رشته زیست‎شناسی، دانشگاه فردوسی مشهد.

Baselga, A. (2010). Partitioning the turnover and nestedness components of beta diversity. Global Ecology and Biogeography, 19(1), 134-143. https://doi.org/10.1111/j.1466-8238.2009.00490.x

Baselga, A. & Orme, C. D. L. (2012). Betapart: an R package for the study of beta diversity. Methods in Ecology and Evolution, 3(5), 808-812. http://www.respond2articles.com/MEE/

Bloor, J. M. & Pottier, J. (2014). Grazing and spatial heterogeneity: implications for grassland structure and function. Grassland Biodiversity and Conservation in a Changing World, 135-162.

Calderon-Patron, J. M., Moreno, C. E., Pineda-LOpez, R., Sanchez-Rojas, G. & Zuria, I. (2013). Vertebrate dissimilarity due to turnover and richness differences in a highly beta-diverse region: the role of spatial grain size, dispersal ability and distance. Plos One, 8(12), e82905. https://doi.org/10.1371/journal.pone.0082905

Cingolani, A. M., Noy-Meir, I. & Diaz, S. (2005). Grazing effects on rangeland diversity: a synthesis of contemporary models. Ecological Applications, 15(2), 757-773. https://doi.org/10.1890/03-5272

Connell, J. H. (1978). Diversity in tropical rain forests and coral reefs. Science, 199, 1302-1310. https://doi.org/0.1126/science.199.4335.1302

Crist, T. O., Veech, J. A., Gering, J. C., & Summerville, K. S. (2003). Partitioning species diversity across landscapes and regions: a hierarchical analysis of α, β, and γ diversity. The American Naturalist, 162(6), 734-743. https://doi.org/10.1086/378901

Dapporto, L., Fattorini, S., VodA, R., Dinca, V. & Vila, R. (2014). Biogeography of western Mediterranean butterflies: combining turnover and nestedness components of faunal dissimilarity. Journal of Biogeography, 41(9), 1639-1650. https://doi.org/10.1111/jbi.12315

Dengler, J., Janisova, M., Torok, P. & Wellstein, C. (2014). Biodiversity of Palaearctic grasslands: a synthesis. Agriculture, Ecosystems & Environment, 182, 1-14. https://doi.org/10.1016/j.agee.2013.12.015

Dobrovolski, R., Melo, A. S., Cassemiro, F. A. & Diniz Filho, J. A. F. (2012). Climatic history and dispersal ability explain the relative importance of turnover and nestedness components of beta diversity. Global Ecology and Biogeography, 21(2), 191-197. https://doi.org/10.1111/j.1466-8238.2011.00671.x

Erfanzadeh, R., Omidipour, R. & Faramarzi, M. (2015). Variation of plant diversity components in different scales in relation to grazing and climatic conditions. Plant Ecology & Diversity, 8(4), 537-545. https://doi.org/10.1080/17550874.2015.1033774

Gamoun, M. (2014). Grazing intensity effects on the ایندکس های ترکیبی vegetation in desert rangelands of Southern Tunisia. Journal of Arid Land, 6(3), 324-333. https://doi.org/10.1007/s40333-013-0202-y

Gutierrez-Canovas, C., Millan, A., Velasco, J., Vaughan, I. P. & Ormerod, S. J. (2013). Contrasting effects of natural and anthropogenic stressors on beta diversity in river organisms. Global Ecology and Biogeography, 22(7), 796-805. https://doi.org/10.1111/geb.12060

Haregeweyn, N., Berhe, A., Tsunekawa, A., Tsubo, M. & Meshesha, D. T. (2012). Integrated watershed management as an effective approach to curb land degradation: a case study of the Enabered watershed in northern Ethiopia. Environmental Management, 50(6), 1219-1233. https://doi.org/10.1007/s00267-012-9952-0

Heathcote, I. W. (2009). Integrated watershed management: principles and practice. John Wiley & Sons.

Hendricks, H. H., Bond, W. J., Midgley, J. J. & Novellie, P. A. (2005). Plant species richness and composition a long livestock grazing intensity gradients in a Namaqualand (South Africa) protected area. Plant Ecology, 176(1), 19-33.

Holechek, J. L. (1991). Chihuahuan desert rangeland, livestock grazing, and sustainability. Rangelands Archives, 13(3), 115-120.

Jurasinski, G., Retzer, V. & Beierkuhnlein, C. (2009). Inventory, differentiation, and proportional diversity: a consistent terminology for quantifying species diversity. Oecologia, 159(1), 15-26.

Kinloch, J. E. & Friedel, M. H. (2005). Soil seed reserves in arid grazing lands of central Australia. Part 1: seed bank and vegetation dynamics. Journal of Arid Environments, 60(1), 133-161. https://doi.org/10.1016/j.jaridenv.2004.03.005

Klimek, S., Marini, L., Hofmann, M. & Isselstein, J. (2008). Additive partitioning of plant diversity with respect to grassland management regime, fertilization and abiotic factors. Basic and Applied Ecology, 9(6), 626-634. https://doi.org/10.1007/s11284-015-1304-0

Lafage, D., Maugenest, S., Bouzille, J. B. & Petillon, J. (2015). Disentangling the influence of local and landscape factors on alpha and beta diversities: opposite response of plants and ground-dwelling arthropods in wet meadows. Ecological Research, 30(6), 1025-1035. https://doi.org/10.1007/s11284-015-1304-0

Lande, R. (1996). Statistics and partitioning of species diversity, and similarity among multiple communities. Oikos, 5-13.

Legendre, P. (2014). Interpreting the replacement and richness difference components of beta diversity. Global Ecology and Biogeography, 23(11), 1324-1334. https://doi.org/10.1111/geb.12207

Leprieur, F., Albouy, C., De Bortoli, J., Cowman, P. F., Bellwood, D. R. & Mouillot, D. (2012). Quantifying phylogenetic beta diversity: distinguishing between ‘True’ Turnover of lineages and phylogenetic diversity gradients. PloS one, 7(10), 1-12. https://doi.org/10.1371/journal.pone.0042760

MacArthur, R. H. & Wilson, E. O. (1967). The theory of island biogeography: Princeton Univ Pr. Press, Princeton.

Melo, A. S., Rangel, T. F. L. & Diniz Filho, J. A. F. (2009). Environmental drivers of beta‐diversity patterns in New‐World birds and mammals. Ecography, 32(2), 226-236. https://doi.org/10.1111/j.1600-0587.2008.05502.x

Meynard, C. N., Devictor, V., Mouillot, D., Thuiller, W., Jiguet, F. & Mouquet, N. (2011). Beyond taxonomic diversity patterns: how do α, β and γ components of bird functional and phylogenetic diversity respond to environmental gradients across France? Global Ecology and Biogeography, 20(6), 893-903. https://doi.org/10.1111/j.1466-8238.2010.00647.x

Milchunas, D. G., Sala, O. E. & Lauenroth, W. K. (1988). A generalized model of the effects of grazing by large herbivores on grassland community structure. The American Naturalist, 132(1), 87-106.

Navarro, T., Alados, C. L. & Cabezudo, B. (2006). Changes in plant functional types in response to goat and sheep grazing in two semi-arid shrublands of SE Spain. Journal of Arid Environments, 64(2), 298-322. https://doi.org/10.1016/j.jaridenv.2005.05.005

Noy-Meir, I. (1990). The effect of grazing on the abundance of wild wheat, barley and oat in Israel. Biological Conservation, 51(4), 299-310. https://doi.org/10.1016/0006-3207(90)90115-6

Oksanen, J., Blanchet, F. G., Friendly, M., Kindt, R., Legendre, P., McGlinn, D., Minchin, P. R., O’Hara, R. B., Simpson, G. L., Solymos, P. & Stevens, M. H. H. (2018). Vegan: community ecology package. R package version, 2, 5-2.

Olden, A. & Halme, P. (2016). Grazers increase β-diversity of vascular plants and bryophytes in wood‐pastures. Journal of Vegetation Science, 27(6), 1084-1093. https://doi.org/10.1111/jvs.12436

Omidipour, R., Erfanzadeh, R. & Faramarzi, M. (2021). Climatic condition effects on the components of plant diversity in the western Iran grasslands using multiplicative partitioning methods. Caspian Journal of Environmental Sciences, 19(1), 1-10. https://doi.org/10.22124/cjes.2021.4302

Pordel, F., Ebrahimi, A. & Azizi, Z. (2018). Canopy cover or remotely sensed vegetation index, explanatory variables of above-ground biomass in an arid rangeland, Iran. Journal of Arid Land, 10(5), 767-780. https://doi.org/10.1007/s40333-018-0017-y

R Core Team. (2018). R: A Language and Environment for Statistical Computing. Foundation for Statistical Computing, Vienna, Austria.

Si, X., Baselga, A. & Ding, P. (2015). Revealing beta-diversity patterns of breeding bird and lizard communities on inundated land-bridge islands by separating the turnover and nestedness components. PLoS One, 10(5), e0127692. https://doi.org/10.1371/journal.pone.0127692

Talle, M., Deak, B., Poschlod, P., Valko, O., Westerberg, L., & Milberg, P. (2016). Grazing vs. mowing: A meta-analysis of biodiversity benefits for grassland management. Agriculture, Ecosystems & Environment, 222, 200-212. https://doi.org/10.1016/j.agee.2016.02.008

WallisDeVries, M. F., Vries, M. F. W., Bakker, J. P., Bakker, J. P., van Wieren, S. E. & Van Wieren, S. E. (Eds.). (1998). Grazing and conservation management (Vol. 11). Springer Science & Business Media.