ابزار برنامه‌ریزی

ابزار برنامه ریزی(2): جدول گزارش روزانه

به دنبال مطلب جدول ثبت ساعات مطالعاتی، به درخواست دوستان نمونه ای از جدول گزارش روزانه نیز ارائه می شود:

• جزئیات نحوه مرورها را از مشاورتان بپرسید.

مطالب مشابه :

جدول مورگان

جغــرافیــا و بــرنــامــه ریــزی شهـری - جدول مورگان - کـارشنـاسی ارشـد- دکتری urban planing

جدول برنامه ریزی

منابع آزمون کارشناسی ارشد. جدول برنامه ریزی خود کنترل

منابع کارشناسی ارشد جغرافیا و برنامه ریزی شهری

جغرافیا و برنامه ریزی ارشد جغرافیا و برنامه ریزی اکسل روش کوکران و جدول

جدول هاي برنامه و سرفصل دروس دوره کارشناسی ارشد رشته جغرافیا و برنامه ریزي گردشگري

جغرافیا و برنامه ریزی توریسم - جدول هاي برنامه و سرفصل دروس دوره کارشناسی ارشد رشته جغرافیا

جدول ظرفیت گرایش برنامه ریزی توریسم-کارشناسی ارشد سال91

جغرافیا و برنامه ریزی توریسم - جدول ظرفیت گرایش برنامه ریزی توریسم-کارشناسی ارشد سال91 -

ابزار برنامه ریزی(2): جدول گزارش روزانه

کیهان - کارشناسی ارشد و دکتری روانشناسی - ابزار برنامه ریزی(2): جدول گزارش روزانه - منابع

اهداف كلي،اهداف برنامه هاي درسي و جدول مواد درسي پايه ششم ابتدايي

برنامه ریزی درسی اهداف كلي،اهداف برنامه هاي درسي و جدول مواد کارشناس ارشد برنامه ریزی

برنامه ريزي براي مطالعه كنكور كارشناسي ارشد حسابداري

بهتر برنامه ریزی دقیق نسبت به برنامه مطالعه كنكور ارشد جدول برنامه

جدول برنامه ریزی خود کنترل اسکینری

جدول برنامه ریزی خود کنترل و جعبه لایتنر ،دبیرستان ، کارشناسی ، کارشناسی ارشد

منابع کارشناسی ارشد مدیریت و برنامه ریزی آموزشی

(مدیریت و برنامه ریزی آموزشی) منابع کارشناسی ارشد مدیریت و برنامه جدول گرایش‌ها

برآورد ردپای اکولوژیکی، ابزار برنامه ریزی برای پایداری محیط زیست

دهمین همایش سراسری محیط زیست انرژی و منابع طبیعی پایدار

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 14 صفحه است به صورت فایل PDF در اختیار داشته باشید.

مشخصات نویسندگان مقاله برآورد ردپای اکولوژیکی، ابزار برنامه ریزی برای پایداری محیط زیست

چکیده مقاله :

روند افزایش طرح های تو سعه، بدون برنامه ریزی صحیح، منجر به عدم تعادل محیط زیست شده است . جمعیت انسانی و مصرف منابع در حال افزایش است، در صورتی که کل مساحت زمین های تولیدی و ذخایر سرمایه طبیعی ثابت و یا در حال کاهش است. سوال اصلی این پژوهش این است: آیا تو سعه می تواند با میزان ظرفیت زیستی و ظرفیت منابع محیط زیست سازگار باشد در این راستا موموم ظرفیت برد حایز اهمیت است. هنگامی که فعالیت های توستتعه بیش از ظرفیت منابع و ظرفیت جذب پسماند باشد، نشانگر عدم کارایی تو سعه است. بنابراین، ظرفیت برد ارتباط نزدیکی با تو سعه پایدار دارد. در این مطالعه، از روش ردپای اکولوژیکی برای محاسبه ظرفیت برد استفاده شده است. موموم ردپای ابزار برنامه‌ریزی اکولوژیک با بررسی ظرفیت زیستی منطقه و مقایسه آن با میزان تاثیر افرد بر محیط زیست، گام مهمی در جمت کمی سازی ظرفیت برد به شمار می آید . مقای سه میان ردپای اکولوژیک و ظرفیتزیستی مشخص می کند که آیا سرمایه های طبیعی موجود برای حمایت از تولید و مصرف کافی خواهد بود یا خیر. همچنین ردپای اکولوژیکی از ابزارهای موید، جمت بررسی میزان خسارات وارد شده به محیط زیست است که با استفاده از آن می توان فشار وارد شده بر اکولوژی و محیط زیست را به اطلاع عموم جامعه و سیاستگذاران رساند . این پژوهش با روش توصیفی - تحلیلی و بهره گیری از مطالعات کتابخانه ای به برر سی مواهیم ظرفیت برد و ردپای اکولوژیک می پردازد و پشتوانه ای برای تعیین سیاست ، استراتژی و اجرای مفهوم رد پای اکولوژیکی در برنامه ریزی محیط زیست به حساب می آید.

کلیدواژه ها:

کد مقاله /لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا ECONF10_164 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

نحوه استناد به مقاله :

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:

حیدری، معصومه،1399،برآورد ردپای اکولوژیکی، ابزار برنامه ریزی برای پایداری محیط زیست،دهمین همایش سراسری محیط زیست انرژی و منابع طبیعی پایدار،تهران،https://civilica.com/doc/1040233

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: ( 1399، حیدری، معصومه؛ )
برای بار دوم به بعد: ( 1399، حیدری؛ )
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

شناسایی استراتژی معاملاتی بهینه در بورس اوراق بهادار، با استفاده از برنامه‌ریزی پویا

گروه مهندسی صنایع و سیستم‌ها، دانشگاه صنعتی اصفهان، اصفهان، ایران.

چکیده

هدف: این مقاله، در راستای ارائه مدلی برای شناسایی سودده­‌ترین نقاط عطف و یا نقاط عطف بهینه موجود در گذشته سری زمانی ابزار مالی، تدوین گردیده است. استراتژی معاملاتی سودده که به‌عنوان ابزاری برای کسب سود در بورس شناخته می­‌شود، استراتژای‌ای است که از نقاط معاملاتی سودده، شکل ‌گرفته شده باشد. نقاط معاملاتی، در ادبیات موضوع با نام نقاط عطف شناخته می‌­شوند. پیش‌بینی نقاط عطف ابزاری برای دستیابی به استراتژی معاملاتی سودده می‌­باشد. اولین گام برای پیش‌بینی نقاط عطف، شناسایی نقاط عطف موجود در گذشته سری زمانی ابزار مالی است. میزان سوددهی نقاط عطف شناسایی‌شده، تأثیری مستقیم بر میزان سوددهی نقاط عطف پیش‌بینی‌شده می­‌گذارد. به همین دلیل ادبیات موضوع، همواره در تلاش برای افزایش میزان سوددهی نقاط عطف مالی شناسایی‌شده، بوده است. بررسی کامل ادبیات موضوع توسط محققین نشان می‌­دهد که هیچ‌یک از روش­‌های موجود، قابلیت شناسایی سودده­‌ترین نقاط عطف مالی را ندارند.
روش‌شناسی پژوهش: این مقاله، مسئله شناسایی نقاط عطف سری زمانی ابزارهای مالی را در بستر برنامه‌ریزی پویا مدل‌سازی می‌کند و پس‌ازآن با استفاده از فرآیندی بازگشتی، به حل بهینه آن می­‌پردازد.
یافته‌: نتایج عددی حاصل از پیاده‌سازی مدل شناسایی پیشنهادی بر چهار شرکت فعال در بورس اوراق بهادار تهران، نشان می­‌دهد که این مدل، از قابلیت شناسایی نقاط عطف بهینه مالی برخوردار است.
اصالت/ارزش‌افزوده علمی: مقایسه عملکرد مدل پیشنهادی با تعدادی از بهترین روش­‌های شناسایی موجود در ادبیات موضوع، نشان‌دهنده کارایی مدل پیشنهادی در مسئله شناسایی نقاط عطف مالی است.

کلیدواژه‌ها

• ابزار مالی
• استراتژی معاملاتی
• برنامه‌ریزی پویا
• شناسایی نقاط عطف

عنوان مقاله [English]

Detecting the Optimal Trading Strategy in the Stock Exchange, with the Application of Dynamic Programming

نویسندگان [English]

• Fateme Yazdani
• Mehdi Khashei
• Seyed Reza Hejazi

Department of Industrial and Systems Engineering Department, Isfahan University of Technology, Isfahan, Iran

چکیده [English]

Purpose: This paper aims to propose a model for detecting the most profitable or the optimal Turning Points (TPs) existing in the history of the financial tool's ابزار برنامه‌ریزی time series. The profitable trading strategy, which is known as a tool for gaining profit in the Stock Exchange, is the strategy formed from the profitable trading points. Trading points, in the corresponding literature, are known as TPs. TPs prediction is a tool for the achievement of a profitable trading strategy. The first step for predicting TPs is to detect TPs existing in the history of the financial tool's time series. The profitability of the detected TPs has a direct effect on the profitability of the predicted TPs. Given this, the literature has always tried to increase the profitability of the detected financial TPs. A complete review of the literature, by researchers, indicates that none of the existing methods can detect the optimal financial TPs.
Methodology: This paper implements the problem of detecting TPs from the financial tool's time series, in the context of dynamic programming (DP) and then solves it optimally through a recursive procedure.
Findings: Numerical results obtained from the application of the proposed model to four companies listed on the Tehran Stock Exchange indicate that the proposed model can detect the optimal financial TPs.
Originality/Value: Originality in research mean what you are doing is from your own perspective although you may draw arguments from other research work to back up your arguments.

کلیدواژه‌ها [English]

• Turning Points (TPs) detection
• Dynamic Programming (DP)
• Trading strategy
• Financial tool

مراجع

Baktash, E., Amoushahi, B., & Behdad, M. M. (2014). Ranking organizations on the basis of intellectual capital indices by applying DEA: a case study of petrochemical companies listed on Tehran Stock Exchange. Journal of applied research on industrial engineering, 1(2), 59-73.

Bellman, R. (1953). An introduction to the theory of dynamic programming (first Ed). RAND Corporation.

Bramante, R., Facchinetti, S., & Zappa, D. (2019). Online detection of financial time series peaks and troughs: a probability‐based approach. Statistical analysis and data mining: the ASA data science journal, 12(5), 426-433.

Brock, W., Lakonishok, J., & LeBaron, B. (1992). Simple technical trading rules and the stochastic properties of stock returns. The journal of finance, 47(5), 1731-1764.

Chang, P. C., Fan, C. Y., & Liu, C. H. (2008). Integrating a piecewise linear representation method and a neural network model for stock trading points prediction. IEEE transactions on systems, man, and cybernetics, part C (applications and reviews), 39(1), 80-92.

Chang, P. C., Liao, T. W., Lin, J. J., & Fan, C. Y. (2011). A dynamic threshold decision system for stock trading signal detection. Applied soft computing, 11(5), 3998-4010.

Chang, P. C., Liu, C. H., Fan, C. Y., Lin, J. L., & Lai, C. M. (2009, September). An ensemble of neural networks for stock trading decision making. International conference on intelligent computing (pp. 1-10). Springer, Berlin, Heidelberg.

Chen, X., & He, Z. J. (2015, June). Prediction of stock trading signal based on support vector machine. 2015 8th International conference on intelligent computation technology and automation (ICICTA) (pp. 651-654). IEEE.

Dash, R., & Dash, P. K. (2016). A hybrid stock trading framework integrating technical analysis with machine learning techniques. The journal of finance and data science, 2(1), 42-57.

Grillenzoni, C. (2012). Evaluation of recursive detection methods for turning points in financial time series. Australian & New Zealand journal of statistics, 54(3), 325-342.

Grillenzoni, C. (2014). Sequential smoothing for turning point detection with application to financial decisions. Applied stochastic models in business and industry, 30(2), 132-140.

Huang, H., Pasquier, M., & Quek, C. (2009). Financial market trading system with a hierarchical coevolutionary fuzzy predictive model. IEEE transactions on evolutionary computation, 13(1), 56-70.

Kaiser, R., & Maravall, A. (2012). Measuring business cycles in economic time series (Vol. 154). Springer Science & Business Media.

Kayal, A. (2010, October). A neural networks filtering mechanism for foreign exchange trading signals. 2010 IEEE international conference on intelligent computing and intelligent systems (Vol. 3, pp. 159-167). IEEE.

Khalifa, H. (2019). A study on investment problem in chaos environment. Journal of applied research on industrial engineering, 6(3), 177-183.

Lin, N., Xu, W., Zhang, X., & Lv, S. (2014). Can web news media sentiments improve stock trading signal prediction?. Proceedings of the 19th Pacific Asia conference in information systems (PACIS 2015) (pp. 200). Singapore.

Luo, L., You, S., Xu, Y., & Peng, H. (2017). Improving the integration of piece wise linear representation and weighted support vector machine for stock trading signal prediction. Applied soft computing, 56, 199-216.

Marsh, I. W. (2000). High‐frequency Markov switching models in the foreign exchange market. Journal of forecasting, 19(2), 123-134.

Martikainen, T., Perttunen, J., Yli-Olli, P., & Gunasekaran, A. (1994). The impact of the return interval on common factors in stock returns: evidence from a thin security market. Journal of banking & finance, 18(4), 659-672.

Nadafi, Z., & Pourali, M. R. (2020). The effect of stock liquidity on companies future investment: a study of the Iranian capital market. Innovation management and operational strategies, 1(3), 269-286. (In Persian). DOI: 10.22105/IMOS.2021.272228.1031

Oladimeji, I. W. (2016). Forecasting shares trading signals with finite state machine variant. Multidisciplinary engineering science and technology, 3(4), 4488-4493.

Qi, M., & Maddala, G. S. (1999). Economic factors and the stock market: a new perspective. Journal of forecasting, 18(3), 151-166.

Rasoulzadeh, M., & Fallah, M. (2020). An overview of portfolio optimization using fuzzy data envelopment analysis models. Journal of fuzzy extension and applications, 1(3), 188-197.

Tang, H., Dong, P., & Shi, Y. (2019). A new approach of integrating piecewise linear representation and weighted support vector machine for forecasting stock turning points. Applied soft computing, 78, 685-696.

Terasvirta, T., Tjostheim, D., & Granger, C. W. (2010). Modeling nonlinear economic time series. OUP Catalogue.

Vander Wiel, S. A. (1996). Monitoring processes that wander using integrated moving average models. Technometrics, 38(2), 139-151.

Zhu, M., & Wang, L. (2010, July). Intelligent trading using support vector regression and multilayer perceptrons optimized with genetic algorithms. The 2010 international joint conference on neural networks (IJCNN) (pp. 1-5). IEEE.

ابزار برنامه‌ریزی

سامانه‌ی املاک و اسکان، بزرگترین ابزار برنامه‌ریزی برای سیاست‌گذاری در حوزه‌ی مسکن است/ با پالایش اطلاعات، لیست مالکان خانه‌های خالی را در اختیار سازمان امور مالیاتی قرار می‌دهیم/ ۴۵ درصد ۱۳ میلیون و ۵۰۰ هزار واحد مسکونی شناسایی شده، خالی از سکنه هستند

معاون مسکن و ساختمان وزارت راه و شهرسازی، گفت: بعد از ارسال اولین پیامک‌ها برای مالکان خانه‌های خالی به مرور با بازگشت و پالایش اطلاعات، نخستین لیست مالکانی که دارای خانه‌های خالی هستند را در اختیار سازمان امور مالیاتی قرار می‌دهیم.

به گزارش سیتنا، محمود محمودزاده، افزود: سامانه املاک و اسکان کشور در شرایط فعلی بیشتر در حوزه مسکن کار می‌کند، اما با اصلاح قانون ان در مجلس، از حوزه مسکن خارج و شامل سایر کاربرد‌ها می‌شود.

وی گفت: تاکنون در زمینه اسکان و املاک بانک اطلاعاتی نداشتیم و در برنامه ریزی برای حوزه مسکن دچار مشکل بودیم.

معاون مسکن و ساختمان وزارت راه و شهرسازی افزود: سامانه املاک و اسکان کشور بزرگترین بازخوردش در برنامه ریزی حوزه مسکن این است که نیاز‌های واقعی مسکن چه در زمینه خرید و فروش و چه حوزه اجاره را برای برنامه‌ریز و سیاستگذار شناسایی کند.

وی گفت: اطلاعاتی که از دستگاه‌های مختلف می‌گیریم در نهایت در این بانک اطلاعاتی تکمیل می‌شود و در چارچوب ضوابط قانون گذار این قابلیت برای به اشتراک گذاشتن بخش‌های دیگر که به این اطلاعات نیاز دارند هم وجود خواهد داشت.

محمودزاده افزود: سامانه املاک و اسکان کشور به عنوان یک بانک اطلاعاتی پایه در کشور مشخص می‌کند هر زمین و ساختمان با هر نوع کاربری چه نوع مالکیتی دارد و این بزرگترین ابزار برنامه‌ریزی برای ما است و سایر دستگاه‌ها نیز می‌توانند از آن استفاده کنند.

معاون مسکن و ساختمان وزارت راه و شهرسازی افزود: بعد از ارسال اولین پیامک‌ها برای مالکان خانه‌های خالی به مرور با بازگشت و پالایش اطلاعات، نخستین لیست مالکانی که دارای خانه‌های خالی هستند را در اختیار سازمان امور مالیاتی قرار می‌دهیم.

وی ادامه داد: در نهایت با استفاده از دسترسی مستقیمی که برای این سازمان ایجاد می‌شود این کار به طور دائم ادامه دارد و هر زمانی که خرید و فروش صورت می‌گیرد یا ساخت و سازی انجام می‌شود اطلاعات آن وارد سامانه خواهد شد تا در اختیار سازمان امور مالیاتی قرار گیرد.

محمودزاده گفت: شناسایی اطلاعات مالکین خانه‌های خالی از بهمن ماه پارسال شروع ابزار برنامه‌ریزی شده و هم اکنون حدود ۱۳ میلیون و ۵۰۰ هزار واحد مسکونی را شناسایی کرده‌ایم و حدود ۴۰ تا ۴۵ درصد از این واحدها خالی از سکنه بوده است.

وی افزود: با توجه به اینکه اولویت تهران، کلانشهر‌ها و مراکز استان‌ها بود از این شهر‌ها شروع کردیم و به مرور سایر مناطق کشور هم به این سامانه اضافه خواهند شد.

استفاده از ابزارهای پشتیبان تصمیم‌گیری در مدیریت و برنامه‌ریزی پسماند شهری (مطالعه موردی: مکان‌یابی محل دفن استان البرز)

1 کارشناس ارشد محیط‌زیست- دانشگاه تربیت مدرس، مازندران- نور.

2 استادیار گروه جنگلداری- دانشگاه تربیت مدرس- مازندران- نور*(مسئول مکاتبات).

3 دانشیار گروه محیط‌زیست- دانشگاه تربیت مدرس- مازندران- نور.

4 دانشجوی دکترای محیط زیست- دانشگاه تربیت مدرس- مازندران- نور.

چکیده

تولید زباله نتیجه طبیعی زندگی جوامع بشری بوده و خطرات زیست­محیطی ناشی از سوء مدیریت مواد زاید جامد، یکی از مشکلات اساسی است. رشد نمایی جمعیت شهرنشین کشورهای در حال توسعه در دهه­های گذشته و سرعت گرفتن پدیده شهرنشینی، ضرورت توسعه پایدار محیط­زیست و مدیریت کارآمد زایدات را به وجود آورده است. هدف مطالعه جاری، اعمال انواع عملیات تحلیل­های مکانی، با بهره­گیری از فناوری سامانه اطلاعات جغرافیایی و اولویت­بندی مکان­های دفن پیشنهادی با استفاده از فرآیند تحلیل سلسله مراتبی ((AHP است. به همین منظور، ابتدا لایه­های اطلاعاتی مؤثر در مکان­یابی دفن محدوده مورد مطالعه(لایه کاربری اراضی، رودخانه­ها، تالاب­ها، جاده­ها، مناطق حفاظتی، خاک­شناسی، آب­‌های زیرزمینی، مرفولوژی، زمین­شناسی و . ) شناسایی و با مراجعه به سازمان­ها و مراکز اطلاعاتی تهیه شد. سپس این لایه­های اطلاعاتی (نقشه­های رقومی) وارد محیط نرم­افزار GIS 9.2 Arc شد. در مرحله بعد با توجه به محدودیت­ها، گزینه­های مناسب دفن زباله با استفاده از GIS شناسایی شدند و به عنوان داده­های ورودی برای فرآیند تحلیل سلسله مراتبی به کار رفتند. نتایج این بررسی مبین این واقعیت است که 4 منطقه واقع در جنوب شهر کرج استعداد بالقوه دفن زباله را دارند. همچنین با کمک AHP امکان اولویت­بندی گزینه­ها و تعیین وزن معیارهای مؤثر در تصمیم­گیری وجود دارد. نتایج این مطالعه نشان داد معیار عمق آب زیرزمینی و شیب زمین در پژوهش حاضر از اهمیت بیشتری نسبت به سایر معیارها برخوردارند و گزینه 3 دارای بیشترین شایستگی برای انتخاب محل دفن بهداشتی پسماند می­باشد.

کلیدواژه‌ها

• تصمیم‌گیری چند‌معیاره
• مدیریت داده‌های مکانی
• توسعه پایدار
• مکان‌یابی دفن
• مدیریت پسماند

اصل مقاله

فصلنامه انسان و محیط زیست، شماره 23، زمستان 91

استفاده از ابزارهای پشتیبان تصمیم­گیری در مدیریت و برنامه­ریزی پسماند شهری

(مطالعه موردی: مکان­یابی محل دفن استان البرز)

اکبر نجفی[2] *

مظاهر معین الدینی[4]

چکیده

تولید زباله نتیجه طبیعی زندگی جوامع بشری بوده و خطرات زیست­محیطی ناشی از سوء مدیریت مواد زاید جامد، یکی از مشکلات اساسی است. رشد نمایی جمعیت شهرنشین کشورهای در حال توسعه در دهه­های گذشته و سرعت گرفتن پدیده شهرنشینی، ضرورت توسعه پایدار محیط­زیست و مدیریت کارآمد زایدات را به وجود آورده است. هدف مطالعه جاری، اعمال انواع عملیات تحلیل­های مکانی، با بهره­گیری از فناوری سامانه اطلاعات جغرافیایی و اولویت­بندی مکان­های دفن پیشنهادی با استفاده از فرآیند تحلیل سلسله مراتبی ((AHP است. به همین منظور، ابتدا لایه­های اطلاعاتی مؤثر در مکان­یابی دفن محدوده مورد مطالعه(لایه کاربری اراضی، رودخانه­ها، تالاب­ها، جاده­ها، مناطق حفاظتی، خاک­شناسی، آب­‌های زیرزمینی، مرفولوژی، زمین­شناسی و . ) شناسایی و با مراجعه به سازمان­ها و مراکز اطلاعاتی تهیه شد. سپس این لایه­های اطلاعاتی (نقشه­های رقومی) وارد محیط نرم­افزار GIS 9.2 Arc شد. در مرحله بعد با توجه به محدودیت­ها، گزینه­های مناسب دفن زباله با استفاده از GIS شناسایی شدند و به عنوان داده­های ورودی برای فرآیند تحلیل سلسله مراتبی به کار رفتند. نتایج این بررسی مبین این واقعیت است که 4 منطقه واقع در جنوب شهر کرج استعداد بالقوه دفن زباله را دارند. همچنین با کمک AHP امکان اولویت­بندی گزینه­ها و تعیین وزن معیارهای مؤثر در تصمیم­گیری وجود دارد. نتایج این مطالعه نشان داد معیار عمق آب زیرزمینی و شیب زمین در پژوهش حاضر از اهمیت بیشتری نسبت به سایر معیارها برخوردارند و گزینه 3 دارای بیشترین شایستگی برای انتخاب محل دفن بهداشتی پسماند می­باشد.

کلمات کلیدی: تصمیم­گیری چند­معیاره، مدیریت داده­های مکانی، توسعه پایدار، مکان­یابی دفن، مدیریت پسماند.

مقدمه

در قرن حاضر، افزایش روز­افزون جمعیت و رشد شهرنشینی موجب افزایش تولید مواد زاید جامد شهری شده است. پسماندها باعث ایجاد بو، زشتی چهره طبیعت، به خطر انداختن سلامت شهروندان و آلودگی محیط­زیست (آب، خاک و هوا) می­گردند (1). تلنبار زباله به علت صدمه زدن به محیط­زیست، بهداشت عمومی و زیبایی، روش قابل قبولی نمی­باشد. از میان روش­های مدیریت پسماند شهری (کمپوست، بازیافت، سوزاندن، دفن بهداشتی) روش دفن بهداشتی دارای اهمیت ویژه­ای به لحاظ پارامترهای فنی، زیست­محیطی و اقتصادی است. دفن هنوز معمول­ترین روش برای دفع مواد زاید جامد می­باشد (2). انتخاب صحیح مکان دفن، چنان­چه در هماهنگی با ساخت کالبدی زمین و محیط طبیعی صورت پذیرد موجب حفظ و ارتقاء کیفی آن شده و از بروز خسارات به محیط­زیست و سلامت شهروندان ناحیه از طریق شناخت عناصر تشکیل دهنده آن و تجزیه و تحلیل سیستمی پارامترهای مؤثر در مکان­یابی جلوگیری به عمل خواهد آورد (3). مسایل متنوع محیط­زیستی و ارتباط متقابل آن با دیگر مسایل صنعتی، اجتماعی و سیاسی، پیچیدگی­هایی در روند شکل­گیری و حل آن به وجود می­آورد که تصمیم­گیری و فرآیند سیاست­گذاری مبتنی بر اطلاعات جامع و مدلسازی آن ها را با استفاده از سامانه­های رایانه­ای ضروری می­نماید. رهیافت پایه برای مکان­یابی محل استقرار هر یک از فعالیت­ها مستلزم در نظر گرفتن مجموعه­ای از عوامل محدود کننده محیطی مانند شیب، ارتفاع، مناطق حفاظت شده و منابع آب­های سطحی و زیرزمینی و نیز عوامل تقویت­کننده مانند راه­های دسترسی و اراضی مناسب می­باشند. در حقیقت یک تصمیم­گیری چند­معیاره مطرح است (4). فرآیند تحلیل سلسله مراتبی (AHP)[5] یکی از جامع­ترین سیستم­های طراحی ابزار برنامه‌ریزی شده برای تصمیم­گیری چندمعیاره است. زیرا امکان به نظم درآوردن مسأله به صورت سلسله مراتب را فراهم می­کند. همچنین معیارهای مختلف کمی و کیفی را در نظر می­گیرد. علاوه بر این بر مبنای مقایسه زوجی بنا نهاده شده، که قضاوت و محاسبات را تسهیل می­نماید. از سوی دیگر از یک مبنای قوی تئوریک برخوردار و بر اساس اصول بدیهی بنا نهاده شده است (5). تا­کنون مطالعات وسیعی در زمینه یافتن مکان مناسب دفن زباله با استفاده از ابزارهای پشتیبان تصمیم­گیری صورت گرفته است. با توجه به توانایی سامانه اطلاعات جغرافیایی(GIS)[6] برای ایجاد ارتباط بین داده­های مکانی و پاسخ به پرسش­هـای مربــوط به تصمیم­گیری و برنامه­ریزی، در سال­های اخیر گسترش سامانه­های پشتیبان تصمیم­گیری (DSS)[7] در قالب مدل­‌ها، استفاده از این سامانه را به عنوان ابزار تصمیم­گیری سبب شده است (6). در این میان Siddiquiو همکاران (1996) (7) برای منطقه کلیولند از اوکلاهاما، Guiqinو همکاران (2009) (8) در ناحیه پکن در چین از ترکیب GIS و AHP و Onut و همکاران (2008) (3)، از ترکیب TOPSIS و AHP برای انتخاب جایگاه دفن پسماند استفاده نمودند.در ایران نیز حیدرزاده (1382) (9)، جهت مکان­یابی محل دفن زباله در تهران بر طبق دو منطق بولین و فــازی، مهم ترین عوامل مؤثر در مکان­یابی محل دفن را مورد بررسی قرار داده است. یافتن مکان دفن زباله­های شهری با استفاده منطق بولین در شهر ساری توسط خراسانی و همکاران (1383) (10) و با استفاده از منطق فازی در محیط GIS توسط فرهـودی و همکاران (1384) (11) در شهر سنندج مورد مطالعه قرار گرفته است. همچنین پناهنده و همکاران (1388) (12) برای انتخــاب مکان دفن در سمنان، خورشید دوست و عادلی (1388) (13) در انتخاب مکان دفن بناب (از توابع آذربایجان شرقی)، سعیدی و همکاران (1388) (14) برای انتخاب مکان دفن پسماندهای خطرناک نیروگاه شهید رجایی و شریفی و همکاران (2009) (15) در استان کردستان برای انتخاب مکان دفن از GIS و AHP به عنوان ابزار کارایی برای انتخاب محل دفن پسماند بهره بردند.

ضرورت تحقیق: تاکنون مطالعات وسیعی در زمینه به­کارگیری GIS و سامانه­های پشتیبان تصمیم­گیری برای انتخاب محل دفن زباله در کشور صورت گرفته است. مطالعات اخیر که در زمینه مکان­یابی محل دفن در کشور صورت گرفته، در هریک نقش تعدادی از معیارهای تأثیرگذار در این فرآیند مورد بررسی قرار گرفته است و نیاز به پژوهشی که نقش همزمان معیارهای تعیین­کننده در این فرآیند را مورد بررسی قرار دهد احساس می­شد. در این پژوهش کوشش شده است؛ تمامی پارامترهایی که به نوعی در انتخاب مدفن بهداشتی پسماند تأثیرگذار هستند (عوامل تأثیرگذار اقتصادی، اجتماعی، زیست­محیطی، زمین­شناختی و فیزیکی) مورد مطالعه و بررسی قرار گیرد. هدف تحقیق: هدف از پژوهش حاضر، بررسی کارایی استفاده از GIS و AHP در انتخاب مدفن بهداشتی پسماند با در نظر گرفتن طیف وسیعی از معیارها و زیر معیارهای کمی و کیفی در قضاوت و تصمیم­گیری و تعیین تأثیرگذارترین معیار در انتخاب محل دفن در منطقه مورد مطالعه و ابزار برنامه‌ریزی مناسب­ترین گزینه دفن است.

روش بررسی

یکی از خصوصیات منحصر به فرد شهر کرج، نزدیکی آن به پایتخت است که باعث شده تعداد زیادی از افرادی که در تهران مشغول به کار هستند در شهر کرج سکونت داشته باشند و این شهر را به شهری مهاجرپذیر تبدیل کرده است. فرآیند این جهش شدید جمعیتی، افزایش نیازها و مصرف مواد طبیعی و مصنوع بوده که به شکل مواد زاید جامد شهری (زباله) در کمیت و کیفیت­های مختلفی نمایان شده است. محل دفن مواد زاید جامد فعلی شهر کرج (حلقه دره) از موقعیت مکانی و جغرافیایی مطلوبی سود می­برد، اما با توجه به افزایش شدید جمعیتی این شهر در سال­های اخیر و پر شدن فضاهای خالی این منطقه، لزوم مکان­یابی جایگاه دفن دیگری احساس می­شد. از این­رو این پژوهش در کرج انجام پذیرفت. استان البرز در دامنه جنوبی رشته کوه البرز با مساحت حدود 2255 کیلومتر مربع در موقعیت˝47́ 41 ˚42 تا ˝80́ 15 ˚54 شرقی و˝13́ 42 ˚40 تا ˝41́ 41 ˚42 شمالی قرار گرفته است. ارتفاع متوسط شهر کرج از سطح دریاهای آزاد 1320 متر است. کرج دارای جمعیت حدود 1732275 نفر طبق سرشماری سال 1385 است از این تعداد 1666674 معادل 2/96% جمعیت در مناطق شهری و تعداد 65601 نفر معادل 8/3 درصد از جمعیت در روستاها زندگی می کنند. از جمعیت ساکن در مناطق شهری، 1386030 نفر در شهر کرج زندگی می­کنند (16). جمعیت بالای شهری باعث ایجاد حجم زیادی از مشکلات شهری به خصوص در زمینه مدیریت مواد زاید شده است.

تعیین منطقه مورد مطالعه

در این مطالعه با توجه به مرور منابع و پیشینه مطالعات، شعاع 40 کیلومتری از مرکز تولید مواد زاید جامد (مرکز شهر کرج) محدود به مرز مطالعاتی به عنوان منطقه مورد مطالعه انتخاب گردید. از کل مساحت استان، منطقه مورد مطالعه با مساحت برابر 130662 هکتار در موقعیت ˝ 90 ́ 47 ˚39 تا ˝49 ́99 ˚39 شمالی و˝ 87 ́02˚ 46 تا ˝ 17 ́81˚53 شرقی واقع شده است. در این مطالعه در ابتدا معیارها و ضوابط انتخاب مکان­های مناسب برای دفن بهداشتی با بررسی دستورالعمل­های مختلف (سازمان­های حفاظت از محیط زیست) و مطالعه مقالات موجود، ارزیابی و انتخاب گردیدند. سپس با تهیه لایه­های اطلاعاتی مربوط به هر معیار از سازمان­های مربوطه، این لایه­های نقشه به فرمت وکتوری رقومی وارد سامانه اطلاعات جغرافیایی شدند. در این مرحله برای هر یک از لایه­ها با توجه به میزان و نحوه تأثیر در تعیین اراضی مناسب برای مدفن بهداشتی پسماند، بافر طبق جدول 1 در نظر گرفته شد. پس از انجام عملیات بافر زدن[8] در محیط نرم­افزار GIS Arc، همه لایه­های اطلاعاتی با مرز محدوده مورد مطالعه برش زده شد. در ادامه با روی هم­گذاری لایه­های اطلاعاتی بافر زده و برش[9] داده شده با استفاده از توابع ترکیب[10]، لایه اطلاعاتی نهایی تهیه شد. سپس با به­کارگیری توابع پرس و جو4 (عملگر منطقی و5)، مکان­های مناسب (پلیگون) برای دفن مواد زاید جامد باقی ماندند. پس از طی این فرآیند ابزار برنامه‌ریزی مساحت مناطق حاصل، محاسبه شد. با اعمال معیار حداقل مساحت محل دفن (با توجه نرخ رشد جمعیت و میزان تولید زباله) از بین مناطق موجود، مناطق با پتانسیل بالقوه برای مدفن بهداشتی پسماند مشخص شد. در ارزیابی توان محیط­زیست برای دفن بهداشتی مواد زاید، تمامی معیارها هم­وزن نیستند و برخی از معیارها به عنوان عامل کلیدی عمل می­نمایند، یعنی نبودن آن ها یا آماده نشدن شرایط مناسب برای آن ها، حتی اگر سایر معیارها نیز وجود داشته باشند، باعث خواهد شد که منطقه مورد بررسی نامناسب ارزیابی گردد. جهت حصول رتبه­بندی اهمیت معیارهای تصمیم­گیری در مورد مکان دفن زباله، فاکتورها وزن­دهی می­شوند (17). به همین دلیل در ادامه برای اولویت­بندی گزینه­های دفن پسماند از فرآیند تحلیل سلسله مراتبی استفاده شد. در فرآیند تحلیل سلسله مراتبی برای دستیابی به یک هدف معین باید مشخصه­هایی را تعریف و معین کرد که بتوان بر مبنای آن ها به هدف معین شده دست یافت. برای این منظور معیارها تدوین شد و بر اساس آن، معیارهای مورد استفاده در فرآیند تحلیل سلسله مراتبـی بر طبق شکل 1 طبقه­بندی و بر اساس نظر کارشناسان به روش AHP از 1 تا 9 وزن­دهی شد. در نهایت وزن معیارها و زیر­معیارها و گزینه­ها و میزان ضریب سازگاری ( [11](CRبا استفاده از نرم­افزارهای 9 Expert choice و Excel محاسبه شد. جهت مقایسه زوجی معیارهای مشخص شده در مکان­یابی محل دفن زباله، ماتریس آن ها تشکیل گردید. برای انجام مقایسه زوجی، ابتدا تک تک معیارهای مورد بررسی، مورد مقایسه قرار گرفته و میزان اهمیت نسبی هر جفت، با توجه به امتیازبندی بین 1 تا 9 تعیین شده و در یک ماتریس وارد می­شود. پس از آن وزن­ها و همچنین نسبت سازگاری (CR) محاسبه شده، چنان­چه 1/0 CR < باشد، مقایسه­ها، پذیرفته شده و وزن­های معیار استخراج می­شود. در صورتی که1/0 CR>باشد، می­باید با اعمال تغییراتی در ماتریس دوتایی، CR را در حد قابل قبول تنظیم نمود. لازم به ذکر است که این ماتریس در نرم­افزار Expert Choice9 نیز تشکیل گردید و سازگاری مقایسه­ها مورد بررسی قرار گرفت. مقایسه­های زوجی برای همه زیرمعیارها نیز به همین صورت انجام شد. بعد از تعیین ضرایب اهمیت معیارها و زیر معیارها، ضریب اهمیت گزینه­ها را باید تعیین کرد. در این مرحله، ارجحیت هر یک از گزینه­ها در ارتباط با هر یک از زیر معیارها و اگر معیاری زیر معیار نداشته باشد مستقیماً با خود آن معیار، مورد قضاوت و داوری قرار گرفت. در این مرحله نیز، قضاوت بر مبنای مقایسه دوتایی و نمره­دهی از 1 تا 9 می­باشد. پس از پایان عملیات وزن­دهی معیارها و زیرمعیارها و گزینه­ها و محاسبه ضریب ناسازگاری برای هر ماتریس، وزن نهایی هر گزینه با استفاده از روش AHP محاسبه شد. در ادامه، جدول 1 میزان بافرها را نشان می­دهد؛