:
(4)
K=1/(ln⁡(m))
که مقدار E_j را بین صفر و یک نگه می دارد.
در ادامه d_j (درجه انحراف) محاسبه می شود که بیان می کند شاخص مربوطه (j) چه میزان اطلاعات مفید برای تصمیم گیری در اختیار تصمیم گیرنده قرار می دهد. هر چه مقادیر اندازه گیری شده شاخصی به هم نزدیک باشند نشان دهنده آن است که گزینه های رقیب از نظر آن شاخص تفاوت چندانی با یکدیگر ندارند. لذا نقش آن شاخص در تصمیم گیری باید به همان اندازه کاهش یابد.
(5)
〖d_j=1-E〗_j
سپس مقدار وزن W_j به صورت زیر محاسبه می گردد :
(6)
W_j= d_j/(∑_(j=1)^n▒d_j )
اگر تصمیم گیرنده از قبل وزن خاصی (φ_j) برای هر شاخص j در نظر گرفته باشد در این صورت وزن جدید W_j به شرح زیر محاسبه می شود : (آذر و رجب زاده، 1381 :145-143).
(7)
W_j = (φ_j d_j)/(∑_(j=1)^n▒〖φ_j d_j 〗)
الگوریتم Topsis به عنوان یک تکنیک تصمیم گیری چند شاخصه جبرانی بسیار قوی، برای اولویت بندی گزینه ها از طریق شبیه نمودن به جواب ایده آل است که به تکنیک وزن دهی، حساسیت بسیار کمی داشته، پاسخ های حاصل از آن، تغییر عمیقی نمی کند. در این روش، گزینه انتخاب شده باید کوتاهترین فاصله را از جواب ایده آل و دورترین فاصله را از ناکارآمدترین جواب داشته باشد(نسترن و همکاران، 90:1389). جهت بهره گیری از این تکنیک مراحل زیر به اجرا گذاشته می شود:
مرحله اول: تشکیل ماتریس داده ها بر اساس n آلترناتیو و k شاخص؛
مرحله سوم: تعیین وزن هر یک از شاخص ها(wi) بر اساس=1 ∑_(i=1)^n▒wi. در این راستا شاخص های دارای اهمیت بیشتر از وزن بالاتری نیز برخوردارند؛
مرحله چهارم: تعیین فاصله i امین آلترناتیو از آلترناتیو ایده آل (بالاترین عملکرد هر شاخص) که آن را با مرحله ( A*) نشان می دهند؛
مرحله پنجم: تعیین فاصله i امین آلترناتیو حداقل(پایین ترین عملکرد هر شاخص) که آن را با ( A-) نشان می دهند؛
مرحله ششم: تعیین معیار فاصله ای برای آلترناتیو ایده آل(si*) و آلترناتیو حداقل(si-)؛
مرحله هفتم: تعیین ضریبی که برابر است با فاصله آلترناتیو حداقل si- تقسیم بر مجموع فاصله آلترناتیو حداقل si- و فاصله آلترناتیو ایده آل si* که آن را با (ci*) نشان داده می شود، باشد؛
مرحله هشتم: رتبه بندی آلترناتیوها بر اساس میزان ci* . میزان فوق دارای رابطه ≤1 ci* 0≤ است. دراین راستا =1 ci* نشان دهنده بالاترین رتبه و =0 ci* نیز نشان دهنده کمترین رتبه است(ایلکا و دین پناه، 62:1390).
در تحلیل کمی داده ها از آزمون های آنالیز خوشه ای(Hierarchical Cluster Analysis )، آنالیز تشخیص یا متمایزکننده(Discriminant Analysis)، مقایسه میانگین ها(t-test)، یو من ویتنی(Mann- Whitney U)، فریدمن(Friedman)، ضریب همبستگی(correlation) در نرم افزار SPSS استفاده گردیده است.
همچنین از تکنیک شبکه عصبی مصنوعی جهت سنجش اهمیت نسبی و میزان تاثیر ابعاد بر متغیر وابسته در نرم افزار statistic استفاده های لازم به عمل می آید. شبکه های عصبی مصنوعی(ANNs2) ابزار ریاضی ای هستند که با تقلید از سیستم عصبی بیولوژیک ساخته شده اند، قدرت انعطاف و تصحیح پذیری بالایی در انطباق خود با داده های موجود را دارند؛ به گونه ای که قادرند به سازماندهی مجهز شده، نظم و هماهنگی موجود در داخل این داده ها را پیدا کنند و بر اساس بردارهای ورودی، رخداد و بزرگی یک پدیده را پیش بینی نمایند(صلاحی و همکاران، 65:1389). تکنیک شبکه عصبی به مانند مغز انسان دارای قدرت یادگیری است و مجموعه ای از اطلاعات را در خود ذخیره می کند. لذا، برای مدل کردن عوامل تاثیرگذار بر توسعه کشاورزی نیاز به آموزش سیستم داریم و مجموعه داده های جمع آوری شده را به صورت پیش فرض جهت پیش بینی روابط در نظر می گیریم. این شبکه ها از سه لایه ورودی، پنهان و خروجی تشکیل شده است که اصطلاحا به آن شبکه عصبی پرسپترون(Perceptron) گفته می شود(معماریان فرد و بیگی هرچگانی، 92:1388). نرون3(شکل 4-2-4- الف) کوچکترین یکان پردازشگر شبکه است. چنان که در رابطه 1 نشان داده شده است، عملکرد شبکه عصبی مصنوعی به گونه ای است که مقدار ورودی خالص در هر نرون را از مجموع حاصل ضرب ماتریس ورودی P با عناصر(=1,2,3…,r)Pi و ماتریس وزن W با عناصر(=1,2,3…,r)Wi به همراه مقدار ثابت 1 با وزن b، تولید می کند.
(1)
b=WP+b n=∑_(i=1)^k▒〖+piw1i 〗

مطلب مرتبط :   کارکنان، تعالی، جایزه، برنامههای، مدیران

در رابطه بالا، K تعداد پارامترهای بردار ورودی و b وزن اریب4 است. در پایان با اعمال تابع فعالیت(تبدیل)5 f، خروجی شبکه به صورت رابطه 2 خواهد بود.
(2)
a=f (WP+b)
در مرحله معماری یا همان تعیین ساختار کلی شبکه، گزینش تعداد و چگونگی قرار گرفتن لایه ها و همچنین وزن های اتصال به عهده فرد طراح است(جهانگیر و همکاران، 74:1387).

شکل(1-9): الف) ساختار کلی شبکه عصبی مصنوعی، ب) نرون عصبی با تعداد r ورودی
الف)
ب)
به منظور ارزیابی نتایج مدل شبکه عصبی از معیارهای مجذور میانگین مربعات خطا(RMSE) و ضریب تعیین R2 استفاده گردید.
(3)
RMSE=√(1/N ∑_(i=1)^N▒( yi- y^^ i))
R2 =1-(1/N ∑_(i=1)^N▒( yi- y^^ i))/(1/N ∑_(i=1)^N▒( yi- y^- i))
در روابط بالا:
yi : مقادیر اندازه گیری شده متغیر، i y^^ : مقدار پیش بینی شده متغیر، i y^- : میانگین مقدار پیش بینی شده متغیر و N: تعداد داده ها می باشند(رضایی ارشد و همکاران، 110:1391).
در نهایت، از آنالیز حساسیت جهت شناخت میزان تاثیر عوامل ورودی استفاده شد. به طور اصولی تحلیل حساسیت برای آشکار شدن تاثیر هر یک از نرون های ورودی بر نرون یا نرون های خروجی است(حق وردی و همکاران، 180:1390).
در نهایت، از آزمون های کلموگروف – اسمیرنف(Kolmogorov-Smirnov Test) نیز جهت سنجش نرمال بودن توزیع داده و آزمون گردشی(Runs) برای سنجش تصادفی بودن داده بکار گرفته می شود.
1-7- روش گردآوری اطلاعات
برای جمع آوری اطلاعات لازم در این تحقیق، از روش های زیر استفاده شده است.
الف- روش اسنادی: در مرحله اول به منظور دستیابی به دیدگاه های نظری درباره موضوع تحقیق، از روش اسنادی استفاده گردید و با مراجعه به کتب و اسناد معتبر، مباحث نظری آن تدوین گردید.
ب- روش پیمایشی: پس از ارزیابی دیدگاه های صاحب نظران و تنظیم رهیافت های نظری تحقیق، فرضیات و سوالات تحقیق، پرسشنامه لازم تدوین و جامعه نمونه انتخاب و اطلاعات مورد نیاز جمع آوری گردید.

1-8- جامعه آماری و حجم نمونه
جامعه آماری تحقیق بهره برداران کشاورزی روستاهای شهرستان خنداب را در استان مرکزی در بر می گیرد. شهرستان خنداب با مساحت حدود 1365 کیلومتر مربع در طول جغرافیایی //4 / 15 o 49 شرقی و عرض جغرافیائی //1 / 40 o 34 شمالی واقع شده و از شمال به شهرستان کمیجان، از شرق به شهرستان اراک، از جنوب به شهرستان شازند، از غرب به استان همدان محدود می شود. این شهرستان تا سال 1386 بخشی از شهرستان اراک به شمار می رفت. پس از این زمان به عنوان شهرستان جدید وارد نقشه جغرافیای استان شد. شهرستان خنداب دارای 2 شهر، 2 بخش، 5 دهستان، 58262 نفر جمعیت و 81 روستا می باشد. بر اساس سرشماری کشاورزی سال 1382 شهرستان خنداب دارای 10243 بهره بردار کشاورزی بوده که 8544 بهره بردار (9/69 درصد) از آن مربوط به بهره برداران کشاورزی مناطق روستایی می باشد و جامعه آماری تحقیق را تشکیل می دهد. با توجه به گستردگی جامعه آماری و تعداد سکونتگاه های روستایی شهرستان خنداب، در این تحقیق از روش نمونه گیری ترکیبی چند مرحله ای استفاده شده است که شامل چهار مرحله می باشد:
مرحله اول: تعیین حجم نمونه با استفاده از فرمول کوکران
t=96/1 d=05/0 p=5/0 N=243/1 n=370
مرحله دوم: تعیین حجم نمونه روستاهای مورد نظر با استفاده از فرمول حجم اولیه نمونه
n= 1/( 0.2 )^(2 ) =25
مرحله سوم: تعیین تعداد روستاهای مورد نظر از هر طبقه با استفاده از روش نمونه گیری تصادفی طبقه بندی نسبی و فرمول انتساب متناسب
m= m_i/(∑▒Mi).n
m= حجم نمونه هر یک از طبقات
n= حجم نمونه
mi= جامعه آماری هر یک از طبقات
Mi= جامعه آماری کل
– طبقه بندی روستاهای مورد نظر در قالب تقسیمات کشوری دهستان و ویژگی های طبیعی(حاشیه رودخانه، دشتی، پایکوهی و کوهستانی) منطقه مورد مطالعه
– تعیین تعداد سکونتگاه های روستاهای مورد نظر از هر طبقه براساس فرمول انتساب متناسب
– مشخص کردن اسامی هریک از سکونتگاه های روستایی در طبقات خود با استفاده از روش نمونه گیری تصادفی سیستماتیک به قرار جدول زیر:
جدول (1-10): طبقه بندی روستاها
دهستان
روستا
حاشیه رودخانه
دشتی
پایکوهی
کوهستانی
اناج
گوشه سفلی

مطلب مرتبط :   تحویلی نگری در اخلاق حرفه‌ای

*

گوشه علیا

*

موک

*

قلعه ازرج
*

مهرعلیا
*

کوره زار
*

سهم‌آباد
*

مانیزان
*

کرکان
*

اناج
*

سناورد
*

عباس‌آباد موقوفه
*

مهرسفلی
*

خنداب
احمدآباد

*

قشلاق قطب‌آباد

*

قمشلو

*

گازران
*

حاجی‌آباد

*

دارانجیر

*

سیردر

*

قالیباف

*

قزل قلعه

*

قشلاق عباس‌آباد

*

قشلاق عبدالکریم

*

محمدآباد

*

جوشیروان

*

ده نو

*

شاوه

*

بهارستان

*

دیزآباد

*

میثم‌آباد

*

فاراب

*

کرکانک

*

غینرجه

*

رازگردان

*

قلیچ تپه

*

دهچال
امامزاده‌دهچال

*

حسین‌آباد موقوفه

*

ده چال

*

ابراهیم‌آباد

*

ثمردشت

*

علی‌آباد

*

قلعه اسدآباد

*

کمراب

*

گرماب

*

چخماق تپه

*

فوران

*

مجیدآباد

*

پیازآباد

*

قاسم‌آباد

*

نصیرآباد

*

چیزان

*

خلوزین

*

سیران

*

وزوانق

*

سنگ سفید
استوه
*

طورگیر

*

قلعه عباس‌آباد

*

چالآب‌سفلی

*

چالآب‌علیا

*

حسینیه

*

شرشره

*

شهید

*

گذردر

*

اقداش

*

الودر

*

صالحی

*

کله بید

*

ده شیرخان
*

پلنگاب

*

جاورسیان
*

خانقاه علیا
*

جاورسیان
نوده

*

ارجناوند

*

ایجان
*

قشلاق

دسته بندی : علمی