منبع تحقیق با موضوع سلسله مراتب، سلسله مراتبی، تحلیل سلسله مراتبی

اقتصاد پایه ای را بیان می کند.
اگرL.Q<1باشد منطقه وارد کننده است . مقدار این فعالیت‌ها اقتصاد تبعی یا غیر پایه ای است. جدول شماره (3-6)درصد شاغلان در استان فارس و شهرستان‌های آن و ضریب مکانی بخش‌های اشتغال
شهرستان
کشاورزی
صنعت
خدمات
L.Q بخش کشاورزی
L.Q بخش صنعت
L.Q بخش خدمات
اباده
20/18
38/15
94/
97/
19/1
81/
ارسنجان
59/24
15/10
75/6
28/1
78/
57/
استهبان
14/26
01/9
22/8
39/1
70/
70/
اقلید
69/42
28/8
22/6
28/2
64/
53/
بوانات
11/51
34/8
47/4
64/1
39/
23/
پاسارگاد
0/31
46/9
52/7
65/1
73/
64/
جهرم
04/19
45/12
99/9
01/1
97/
86/
خرامه
14/35
08/7
51/6
86/1
55/
56/
خرم بید
39/27
50/15
25/8
46/1
21/1
71/
خنج
56/21
36/12
52/29
15/1
96/
54/2
داراب
69/23
03/9
46/8
26/1
70/
73/
رستم
53/64
08/4
23/4
45/3
31/
34/
زرین دشت
29/23
59/9
45/6
24/1
74/
55/
سپیدان
20/41
74/8
27/5
20/2
68/
19/2
سروستان
31/25
03/11
89/7
35/1
86/
68/
شیراز
62/5
03/16
65/13
30/
25/1
17/1
فراشبند
31/36
63/10
61/8
94/1
83/
74/
فسا
26/17
65/10
40/9
92/
83/
81/
فیروزآباد
92/28
23/11
61/9
54/1
90/
82/
قیروکارزین
81/29
61/9
22/8
59/1
75/
70/
کازرون
15/27
57/10
64/10
45/1
82/
91/
کوار
28/30
41/10
21/8
61/1
81/
70/
گراش
10/9
99/13
90/29
48/
09/1
57/2
لارستان
55/12
99/13
69/23
67/
09/1
04/2
لامرد
30/11
03/14
24/17
60/
09/1
48/1
مرودشت
0/30
40/11
92/7
60/1
89/
68/
ممسنی
58/43
04/7
73/6
33/2
55/
58/
مهر
06/14
69/17
98/13
75/
38/1
20/1
نیریز
14/26
50/11
67/7
39/1
89/
66/
مأخذ:مرکز آمار ایران و محاسبات نگارنده

مقایسه درصد اشتغال در بخش‌های سه گانه اقتصادی استان فارس و محاسبه ضریب مکانی هر یک از بخش‌های اقتصادی حکایت از رونق بخش‌های کشاورزی ،صنعت و خدمات است و به عنون بخش‌های پایه اقتصادی محسوب می گردد و در این بین شهرستان‌های گراش و خنج به ترتیب با 90/29و 52/29بیشترین درصد شاغلان در بخش خدمات را به خود اختصاص داده اند و کمترین شاغلان در این بخش مربوط به شهرستان آباده می‌باشد. در بخش کشاورزی هم شهرستان‌های رستم و بوانات به ترتیب با دارا بودن 53/64 و 11/51 درصد بیشترین شاغلان در بخش کشاورزی را به خود اختصاص داده اند و در بخش صنعت شهرستان‌های مهر و شیراز به ترتیب با دارا بودن 69/17و03/16درصد بیشترین شاغلان در بخش صنعت را به خود اختصاص داده اند. همان طور که ملاحظه می گردد در بیشتر شهرستان‌ها نیز بخش کشاورزی به عنوان بخش پایه اقتصادی شناخته می‌شود در مجموع بخش کشاورزی با میانگین 49/27 درصد بیشترین درصد شاغلین در کل استان فارس را به خود اختصاص داده است. قابل ذکر است که درصد شاغلان در بخش کشاورزی فقط زیر مجوعه های کارکنان ماهر کشاورزی ،جنگلداری و ماهیگیری را در بر گرفته و در بخش صنعت هم صنعت گران و کارکنان مشاغل مربوطه و در بخش خدماتی نیز کارکنان خدماتی و فروشندگان فروشگاهها و بازارها مورد محاسبه قرار گرفته شده است.
3-22-مهاجرت :
مهاجرت به نوعی از جابجایی مکانی اطلاق می‌شود که به وسیله تغییر محل اقامت مشخص می گردد.(کاظمی،105:1383). مهاجرت از عوامل اصلی تغییر و تحول جمعیت و مهمترین عامل خارجی تغییر تعداد و ساخت جمعیت می‌باشد . توجه و شناخت تحلیل دقیق سیر مهاجرت جمعیت در مناطق مختلف در یک سرزمین ،و به تبع آن ،برآورد میزان جمعیت و آشنایی با ساختار سنی و جنسی آن در آینده آن منطقه به جهت تأمین نیاز های نسل های آتی باعث می‌شود که برنامه‌ریزی‌ها به قدرت اجرایی بیشتر ی دست یابند.(Cliggett,2000).
تحرک و جابه جایی جمعیت جهت بهبود بخشیدن به وضعیت زندگی و تأثیر این جابه جایی ها بر ساختار اقتصادی، اجتماعی و جمعیتی مناطق مهاجر فرست و مهاجر پذیر، از عوامل اصلی تغییر و تحول جمعیت و مهمترین عامل خارجی تغییر تعداد و ساخت جمعیت می‌باشد. مهاجرت داخلی یک فرایند مهم در بسیاری از کشورها است که واکنش مردم نسبت به عواملی از قبیل نابرابری‌های اقتصادی منطقه‌ای، ناکامی های اجتماعی و عدم رضایت در بسیاری از جنبه‌های زندگی را منعکس می کند. مهاجرت در داخل یک سرزمین به 2دسته مهاجرت های درونی استانی و مهاجرت های بین استانی تقسیم می‌شود . اگر مهاجرت در درون شهرستان‌های یک استان انجام گیرد، مهاجرت درون استانی و اگر از یک استان به استان دیگر انجام شود، مهاجرت بین استانی است (زمانی،111:1388).
مهاجرت صحیح باید بر اساس یک برنامه‌ریزی درست و با مطالعه کامل صورت گیرد، زیرا بدون برنامه‌ریزی مطمئناً انسان بیشتر صدمه می بیند و انرژی و سرمایه اش را بیهوده از دست می‌دهد بدون اینکه به هدف نهایی خود برسد (خباز بهشتی،7:1381). در این پژوهش مهاجران وارده شده طی 10سال گذشته و به تفکیک شهرستان‌ها که در آن‌ها ساکن شده اند مورد بررسی قرار گرفته شده است
جدول شماره (3-7):مهاجران وارده شده طی 10سال گذشته (سال 1385)
شهرستان
ساکن در شهر
درصد
ساکن در روستا
درصد
اباده
1831
86/1
1241
26/1
ارسنجان
610
47/1
1717
13/4
استهبان
814
23/1
1407
12/2
اقلید
1679
78/1
2581
74/2
بوانات
600
23/1
2325
82/4
پاسارگاد
253
80/
784
48/2
جهرم
2977
42/1
3288
57/1
خرم بید
851
69/1
1309
60/2
خنج
584
41/1
1358
30/3
داراب
3420
80/1
10079
32/5
زرین دشت
832
19/1
1356
95/1
سپیدان
1050
17/1
4009
48/4
شیراز
51172
3
42925
52/2
فسا
4372
15/2
8931
39/4
فراشبند
404
94/
1023
39/2
فیروزآباد
1504
25/1
3972
31/3
قیروکارزین
1522
33/2
2301
53/3
کازرون
6723
63/2
12624
95/4
لارستان
3693
62/1
6997
08/3
لامرد
1123
33/1
1970
34/2
مرودشت
4595
49/1
13263
31/4
مهر
455
76/
931
55/1
ممسنی
4439
81/3
12796
99/10
نیریز
1473
29/1
6206
45/5
مأخذ:مرکز آمار ایران و محاسبات نگارنده
همان طور که جدول بالا نشان می‌دهد جمعاً 242270 نفر به شهرستان‌های استان وارد یا داخل آن جابه جا شده اند و همچنین مقصد مهاجران 65/39 درصد نقاط شهری و 58/85 درصد نقاط روستایی بوده است. و بیشتر مهاجران وارد شده در نقاط شهری مربوط به شهرستان ممسنی با 81/3درصد بوده و شهرستان پاسارگاد کمترین میزان مهاجران به استان را در بین شهرستان‌ها به خود اختصاص داده است ودر نقاط روستایی بیشترین مهاجران به شهرستان ممسنی با 99/10درصد و شهرستان آباده با 26/1درصد کمترین میزان مهاجران روستایی را به خود اختصاص داده است
3-23-مدل ها و روش ها :
3-23-1مدل تاپسیس:
تاپسیس به عنوان یک روش تصمیم گیری چند شاخصه، روشی ساده ولی کارآمد در اولویت بندی محسوب می گردد. این روش در سال 1192 توسط چن و هوانگ با ارجاع به کتاب هوانگ و یون در سال 1981 مطرح شده است. تکنیک تاپسیس جزو مدل های جبرانی(مدل هایی که در مبادله ی بین شاخص ها مهم است) و از زیر گروه سازشی (در مدل های زیر گروه سازشی، گزینه ای ارجح خواهد بود که نزدیک ترین گزینه به راه حل ایده آل است) می‌باشد. الگوریتم Topsis یک تصمیم گیری چند شاخصه جبرانی بسیار قوی برای اولویت بندی گزینه ها از طریق شبیه نمودن به جواب ایده ال می‌باشد که به نوع تکنیک وزن دهی ، حساسیت بسیار کمی داشته و پاسخ های حاصل از آن ، تغییر عمیقی نمی کند. در این روش گزینه انتخاب شده ، بایستی کوتاهترین فاصله را از جواب ایده آل و دورترین فاصله را از ناکارآمدترین جواب داشته باشد( حکمت نیاو میرنجف موسوی ).
تشکیل ماتریس داده ها بر اساس n شاخص و m مکان تشکیل شده است.

〖 c〗_n . . . 〖 c〗_2 c_1
[█(■(x_11&x_12&. @x_21&x_22&. @. &. &. )■(.&.&[email protected]&.&[email protected]&.&.)@■( . &. &. @.&.&. @x_m1&x_m2&. )■(.&.&[email protected]&.&[email protected]&.&x_mm ))]
نرمال سازی داده ها از طریق رابطه
n_ij=X_ij/(∑_(i=1)^n▒X_ij )
که تحت عنوان بی مقیاس سازی نورم مشهور است. باید توجه داشت که تمامی درایه های ماتریس تصمیم گیری بی مقیاس شده ، باید اعدادی بین صفر و یک باشند. به عبارت ساده تر:
0 ≤ n_ij≤1→i=1,2,…,m :j=1,2,…,n
ملاحضه می گردد که ماتریس بی مقیاس شده را می‌توان به صورت رابطه زیر نشان داد:
[█(■(n_11&n_12&. @n_21&n_22&. @. &. &. )■(.&.&[email protected]&.&[email protected]&.& . )@■(.&. &[email protected]&.&[email protected]_m1&n_m2&.) ■(.& .&. @.&.&. @.&.&n_mm ) )]
وزن هر یک از شاخص ها را بر اساس رویکرد ها و نظریات کار شناسانه به دست می آید. باید در نظر داشت که مجموع وزن معیارها باید برابر یک باشد یعنی ∑_(i=0)^n▒〖=1〗 و بعد عدد هر معیار را در وزن همان معیار ضرب کرد، و ماتریس داده های استاندارد را پس از وزن دهی مشخص می‌شود که در این جا برای وزن دهی از روش تحلیل سلسله مراتبی که تعیین اهمیت هر معیار بر اساس مقیاس 9 کمیتی ساعتی است بهره گرفته شده است.
یافتن ایده آل های مثبت و منفی: در این مرحله ، بزرگترین مقدار هر شاخص به عنوان ایده آل مثبت (A^+) و کمترین مقدار هر شاخص ، به عنوان ایده آل منفی (A^-) تعیین می‌شود.
A^+={v_1^+,v_2^+,…,v_3^+ }={(〖max〗_i v_ij│j∈J^+ ),(〖min〗_i v_ij│j∈J^- )├|i=1,2,…├ m)┤}
A^-={v_1^-,v_2^-,…v_n^- }={(〖min〗_i v_ij│j∈J^+ ),(〖max〗_i v_ij│j∈J^- )│i=1,2,…├ m) }
محاسبه اندازه جدایی: این مرحله به کمک مرحله پنجم فاصله اقلیدسی هر یک از گزینه ها ، از جواب های ایده آل مثبت و منفی مربوط به هر شاخص مساله، محاسبه می گردد.
D_i^+=√(∑_(j=1)^n▒(v_ij-v_j^+ )^2 )→i=1,2,…,m
D_i^-=√(∑_(j=1)^n▒(v_ij-v_j^- )^2 )→j=1,2,…m
D^+
محاسبه ی نزدیکی A_i به راه حل ایده آل : این نزدیکی نسبی، به صورت رابطه زیر تعریف
می گردد .
CL_i=(D_i^-)/(D_i^-+D_i^+ )→i=1,2,…,m, 0≤〖CL〗_i≤1
باید توجه داشت که جواب حاصل همواره عددی بین صفر و یک خواهد بود. در مرحله ای آخر، هر یک از گزینه ها، بر اساس نتایج CL_i رتبه بندی می شوند (حکمت نیا و موسوی، 1390: 283).
3-23-2-تحلیل خوشه ای :
تحليل خوشه اى يكى از روش هاى پركاربرد براى يافتن مناطق همگن و سطح بندى مناطق، شهرها، روستاها و … است. در اين روش، مكآن‌هاى واقع در يك سطح، شباهت زيادى با يكديگر دارند ولى تفاوت قابل توجهى با مكآن‌هاى سطوح ديگر دارند(حکمت نیا و موسوی،236:1385). در روش تجزيه و تحليل خوشه اى سعى مى گردد تا مشاهدات به گروههاى متجانس تقسيم گردد، به گونه اى كه مشاهدات هم گروه به يكديگر شبيه و با مشاهدات ساير گروهها كمترين تشابه را داشته باشد. از اين روش مى توان در طبقه بندى نمودن گزينه ها و يا حتى شاخص هاى مسائل تصميم گيرى چند شاخصه استفاده نمود(اکبری و زاهدی ،257:1387).
روش تحليل خوشه اى به طور كلى به دو دسته عمده تقسيم مى شود:
الف: روش خوشه بندى سلسله مراتبى
ب: روش خوشه بندى غيرسلسه مراتبى(حکمت نیا و موسوی ،236:1385).
در روش هاى تحليل خوشه اى غيرسلسله مراتبى، مى توان به روش تحليل خوشه اى دو مرحله اى و روش تحليل خوشه اى ميانگين K اشاره نمود .
روش تحليل خوشه اى سلسله مراتبى به دليل سادگى روش كار و تفسير جواب هاى حاصله و از طرف ديگر به دليل توانايى خوشه كردن متغيرها و دارا بودن چندين شيوه مختلف براى خوشه بندى و توانايى تبديل متغيرها و اندازهگيرى عدم تشابه بين خوشه ها بيشتر مورد استفاده قرار مى گيرد (نسترن و گنجعلی زاده،27:1388).
اين روش يکي از روشهاي پرکاربرد در مطالعات جغرافياي ناحيهاي است. سطحبندي مکانهاي همگن در اين روش به شيوههاي مختلفي صورت ميگيرد. تعيين ضريب همبستگي و اندازهگيري فاصله، بهويژه فاصله اقليدسي از مهمترين روشهاي تغيير مکانهاي همگن ميباشد (حکمت نيا و موسوي، 1385: 236). لذا روشهاي مختلفي براي ترکيب اجزاء در داخل خوشهها وجود دارد که يکي از آن‌ها تجزيه و تحليل خوشهاي سلسلهمراتبي است. تجزيه و تحليل سلسلهمراتبي با استفاده از روشهاي تراکمي يا تفکيکي انجام ميپذيرد (آسايش و استعلاجي، 1382: 172). روشهاي متفاوتي براي تشكيل خوشه هاي تراكمي در روش تحليل خوشه اي سلسله مراتبي وجود دارد كه عبارت اند از: الف) پيوند تكي؛ ب) پيوند متوسط؛ ج) پيوند كامل؛ ح) روش وارد ؛ چ) روش مركز ثقل.
اين روشها ازنظر نحوه محاسبه فاصله بين خوشه ها از هم متفاوت اند. انتخاب هركدام از اين روشها بستگي به داده ها ي آماري و هدف برنامه‌ریزی دارد.(حکمت نیا وموسوی،237:1385).
كاربرد روش هاي كمي در برنامه‌ریزی ناحیه‌ای، در دهه‌های اخير افزايش فزاينده اي داشته است. تحليل خوشه اي بعنوان يكي از پركاربرد ترين روش هاي كمي در مطالعات ناحیه‌ای محسوب می‌شود، در واقع روشي براي سطح بندي مناطق، شهر ها روستاها و غيره است، بطوريكه دراين سطح بندي، مکان‌های واقع دريك سطح، شباهت زيادي با همديگر داشته، اما تفاوت قابل توجهي با مکان‌های سطوح ديگر دارند.(حسین زاده دلیر ،145:1380) تحليل خوشه اي كه به عنوان يكي از روشها ی پركاربرد در رشته هاي علمي است.(کلانتری ،21:1382)
بطوريكه مناطقي كه بيشترين شباهت را از نظر امتيازهاي عاملي دارند دريك خوشه دسته بنــــدي مي شوند (رهنما،35:1372). اين تكنيك به پژوهشگران امكان مي دهد تا بر مبناي همگني متغييرها، آن‌ها را به شيوه اي مناسب گروه بندي كنند و مورد تبيين قرار دهند(ذاکر حقیقی و همکاران ،72:1390).
3-23-3-تحلیل عاملی :
تحليل عاملي يكي از تكنيك هايي است كه اوايل دهه 1960 ميلادي برابر با1339شمسي تاكنون در جغرافيا مورد توجه زيادي قرار گرفته است. از این روش براي تعيين مناطق، طبقه بند ي شهر ها و نیز اندازه گيري تغييرات فضايي و ميزان توسعه یافتگی اجتماعي و اقتصادي استفاده زيادي به عمل می آید (آسایش و استعلاجی،1380:170). تكنيک تحلیل عاملي يكي از پيچيده ترين و در عین حال در زمره بهترين روشهاست. روش مزبور نه تنها بر اي خوشه بندي پديده ها با ويژگي هاي متعدد قابل استفاده است، بلكه معياري براي دسته بندي سلسله مراتبي پديده ها از لحاظ درجه توسعه‌یافتگي ني ز به شمار می رود. (رهنما ،1373:93) عوامل به وجود آمده در اين روش ممكن است در ظاهر وجود نداشته باشند ولی بطور نهاني و به صورت نا وابسته باعث ايجاد تفاوتهاي مكاني مي گردند. از طرف ديگر با استفاده از اين الگو می‌توان تعيين كرد كه هر يك ازعوامل به چه درجه و ميزاني در ايجاد اين اختلاف نقش داشته اند.(امینی و همکاران ،1385:37). هدف اصلي از بكارگيري این روش، طبقه بندي متغير ها در چند عامل و در نهایت درك بهتر پديده ها و همبستگي بين آن‌هاست. تا از آن طريق بتوانيم ضمن شناسايي متغيرها ي كار آ ن درتوسعه، در آينده نقش آن‌ها را بارزتر كنیم و تاکید بيشتري روي آن‌ها داشته باشيم تا زمينه تعادل فضايي و دستيابي به توسعه پايدار فضا يي را فراهم آوریم(طالبی و زنگی آبادی،1380:128). تحلیل عاملی روشي مناسب براي تحليل شاخص ها و تبديل آن به عوامل معنی دار بدون از دست دادن اطلاعات با صرفه جويي در زمان و هزينه است (موسوی و حکمت نیا ،1384: 56). اين روش از تعداد ي فنون آماري تركيب شده و هدف آن ساده كردن مجموعه هاي پيچيده داده هاست(کلاین،1380: 7). اين روش شيوه اي بكار مي برد كه بوسيله آن می‌توان ازN متغير مورد مشاهده M عامل اصلي ايجاد كرد (N> M) كه بطور خطي مستقل از هم بوده وهمچنين هر يك از M عامل اصلي تركيبي خطي ازN متغير مورد مشاهده است(جمعه پور، 1385 :7). به طور كلي تحليل عاملي را می‌توان به سبب نيرومندي ظرافت و نزديكي آن به هسته هدف علمی، ملكه روشهاي تحليل ناميد (کرلینجر، 1376 :399)/ در مطالعات جغرافيايي تحليل عاملي نوعR بيشتر براي سطح بندي مناطق به كار برده می‌شود (تقوایی و صبوری،56:1390). در دهه 1950 لورنز در پژوهش هاي هوا شناسي واقليم شناسي روش تحليل عاملي را بكار برد. وي نام اين روش را تابع تجربي غير همبسته ناميد، امتياز اين روش در اين است كه ضمن اينكه تعداد متغییر ها را كاهش مي دهد مقدار اوليه پراش موجود در داده هاي اصلي را حفظ مي كند. در اغلب موارد نتايج نهايي فرايند تحليل عاملي، به عنوان داده ها ي اوليه روش خوشه بندي استفاده مي شوند (علیجانی ،180:1380). تحليل بر روي ميزان برخورداري و سنجش توسعه‌ی مناطق و بررسي روند تغييرات آن‌ها گامي موثر در جهت آگاه نمودن د ست اندركاران برنامه‌ریزی در جهت اختصاص منابع توسعه به مناطق مختلف با رويكرد كــارايي و سازگــــاري (آمايش سرزمين) است كه موجبات توسعه پايدار سرزميني را فراهم خواهد ساخت ضرورت اين نوع مطالعات را می‌توان از سه بعد مطرح نمود:
الف) به كارگيري و استفاده بهينه از منا بع اقتصادي، انساني و زيربنايي شهرستان‌هاي توسعه‌یافته در كوتاه مدت به منظور تسهيل در امر توسعه
ب) شناخت سطح زندگي مردم نواحي مختلف در پهنه سرزمين
ج) اتخاذ تدابير لازم در جهت كاهش عدم تعادل هاي ناحیه‌ای در بلندمدت و نيل به اهداف توزيعي (ابراهیم زاده ،اسکندری ثانی ،اسماعیل نژاد ،8،9:1389).
براي سنجش سطوح توسعه نواحي بايد مراحلي طي شود كه اين مراحل به شرح ذيل اند:
1-تعيين هدف مطالعه و تدوين چارچوب آن
2-تعيين سطح مطالعه
3-شناخت نوع آمار قابل دسترسي – انتخاب شاخص‌های توسعه (حکمت نیا و موسوی ،57:1384).
تحليل عاملی از تعدادي فنون آماري تركيب شده و هدف آن ساده كردن مجموعه هاي پيچيده داده هاست. تحليل عاملي منجر به شناسايي گروهي از مدلهاي تجربي كه هر يك نماينده ي يك الگوي زماني – مكاني هستند مي گردد. به علاوه اين روش راهي است براي كاهش حجم دادهها و تبديل متغيرهاي اوليه به چند عامل محدود كه بتواند بيشترين پراش متغيرهاي اوليه را توضيح دهد (اسماعیل نژاد، بریمانی، سلیقه، 105:1387). هدف از به كارگيري روش تحليل عاملي به دست آوردن وزن و يا درجه اهميت هرشاخص به صورت كمي و نيز استخراج شاخصهاي تركيبي غيرهمبسته تحت عنوان فاكتورها يا عامل ها است بدين صورت كه هر فاكتور تابعي خطي از چندين شاخص با وزن هاي متفاوت است(امینی، یدالهی، اینالو، 37:1385).
تكنيك تحليل عاملى شامل مراحل زير است:
-انتخاب متغيرها براى تحليل عاملى
-شاخص سازى متغيرها (تفكيك شاخص ها به شاخص هاى با تأثیر مثبت و منفى و تبديل شاخصهاى با تأثیر منفى به شاخه هاى با تأثیر مثبت؛)
-تشكيل ماتريس داده ها
-محاسبه ماتريس همبستگى
-استخراج مجموعه عوامل اوليه يا فاكتورها بر اساس ضرايب همبستگى شاخص ها (در اين مرحله چند عامل مستقل جديد و عمده از ميان يك مجموعه بزرگ انتخاب می‌شود كه بر اساس امتياز عامل ها در مراحل بعدي ، طبقه بندي گزينه ها انجام می‌شود)
-استخراج مجموعه عوامل نهايى به منظور بيشينه سازى ارتباط بين شاخص ها و برخى از عوامل به وسيله دوران آن‌ها؛
-ساختن مقياس عاملى براى استفاده در تحليل هاى بعدى؛
-رتبه بندى گزينه ها با توجه به امتيازات عاملى مربوط به آن‌ها (گنجعلی زاده ،نسترن ،27:1388).
تحليل عاملي، مجموعه اى از فنون آماري است كه هدف مشترك آن‌ها، ارائه دادن مجموعه اى متغير بر حسب تعداد كمتري متغير فرضي است.(ان کیم و مولر ،6:1381) روش تحليل عاملي، انواع مختلفي دارد، ليكن دو نوع اصلي آن عبارت است از: تحليل عاملي اكتشافي و تأييدي. تحليل عاملى اكتشافي براى تعيين ساختار عاملي و به منظور كشف داده ها و كاهش تعداد آن‌ها انجام مى شود. تحليل عاملى تأييدي نيز به منظور بررسي و تأييد يك فرض خاص كاربرد دارد. الگوي تحليل عاملي اكتشافي، بدين ترتيب است كه چنانچه p متغير (شاخص )به صورت Xi را براي n هدف در نظر بگيريم، آنگاه بردار متغير تصادفي X را مى توان به شرح زير بسط داد (Habing, 2003: 2).
X_1=A_11 F_1+⋯+A_1M^ F_M+E_1
X_2=A_21 F_1+⋯+A_2M^ F_M+E_2
X_P=A_P1 F_1+⋯+A_PM^ F_M+E_P
كه در آن Fj ها عوامل مشترک ei عبارت خطا وaij ها بارهاي عاملي است
Fjها ميانگين صفر و انحراف معيار يك را دارد و مستقل فرض مى شود. همچنين ei مستقل بوده و از Fj ها نيز مستقل مى باشند. روابط فوق به شكل ماتريسي به صورت زير بيان مى شود.
X_(P×1)=A_P×M_(F×1)+E_(P×1)
كه با رابطه زير معادل است.
Cov (x)=〖AA〗^T+ COV(E)
از آنجايى كه جملات خطا، مستقل است cov(e) يك ماتريس قطری p p است. از اين رو، Cov (X_I )=∑_(J=1)^M▒A_IJ2^ + VAR(E_I )
بر مبناي معادله اخير، واريانس هر متغير از دو قسمت مجزا تشكيل شده است. قسمت اول مجموع مربعات ها اشتراكات i ام ناميده می‌شود(سهم واريانس Xi از عامل مشترك) قسمت دوم نيز ماتريس يكه ناميده مى شود و با عوامل مشترك ارتباط ندارد.
روش تحليل عاملي، به طور كلي چهار مرحله اصلي دارد كه عبارت است از: الف)جمع آوري داده ها و تشكيل ماتريس ضرايب همبستگي؛ ب)ستخراج عوامل اصلي؛ ج) دوران عوامل استخراجي د) ايجاد نمره هاى عاملي (ان کیم و مولر،86،96:1381).
این روش، از ابزار و امكاناتي برخوردار است كه آن را از ساير روش هاى رتبه بندي، متمايز كرده است. برخي ابزارهاى مذكور عبارت است از (دهقانی زاده و فلاح ،134،135:1387).
هر چقدر همبستگي بين شاخص ها، بيشتر باشد، روش از اعتبار بالاتري برخوردار است. گفته مى شود كه تعداد قابل توجهي از همبستگى ها، بايد از3/ بزرگ تر باشد.
به منظور بررسي مسئله استقلال و هم خطي بين شاخص ها، آزمون بارتلت ارائه شده است. چنانچه آماره x در اين آزمون، از x جدول بزرگ تر باشد يا احتمال مربوطه، از05/ كمتر باشد، آنگاه فرض يكه بودن ماتريس همبستگي، نقض مى گردد.
هرچقدر دترمينان ماتريس همبستگي به صفر نزديكتر باشد، روش معتبرتر خواهد بود.
مقدار شاخص كفايت نمونه برداري KMO)) به منظور تأييد اعتبار روش 5/ است و هر چه اين آماره به يك نزديك تر باشد، اعتبار روش بيشتر خواهد بود.
حداقل سه متغير بايد روي هر عامل بار شود. بار عاملي هر شاخص در ماتريس عاملي و ماتريس چرخش يافته، حداقل بايد 3/ باشد. همچنين حداقل ميزان اشتراكات شاخص ها 6/است و هر چقدر ميزان آن به يك نزديكتر باشد، واريانس كل تبييني افزايش مى يابد. علاوه بر اين، گفته مى شود كه مدل مناسب بايد حداقل 50 درصد از واريانس مشترك را تبيين كند.
اندازه MSA بايد بزرگ تر از5/ باشد
وجود عوامل استخراجي همراه با نمرات عاملي كه با استفاده از آن‌ها، می‌توان به بررسي دقيقتر و جزئيتر مشاهدات در هر يك از عوامل پرداخت (بختیار زاده و همکاران ،136،138:1390).
3-23-4-مدل فرایند تحلیل سلسله مراتبی:
فرايند تحليل سلسله مراتبي( AHP ) يكي از روش هاي تصمیم‌گیری چند معياري است كه در آن برمبناي يك هدف معين وبا استفاده از معيارها يا سنجه هاي مختلف و وزن دهي به هر يك از آن‌ها می‌توان از ميان گزينه ها يا آلترناتيو ها، گزينه ي مرجح و با اولويت رابراي هدفي خاص برگزيد و ساير گزينه ها را نيز رتبه بندي نمود .اين روش براي اولين با در دهه ي 70 ميلادي بوسيله ي ساتي ابداع شد. اي اچ پي شامل سه مرحله ي اصلي به شرح زير است :
1-ساختن سلسله مراتب: اولين گام در اي اچ پي ترسيم يك نمايش گرافيكي از مسئله است كه در آن هدف، معيارهاي مناسب براي دستيابي به هدف و گزينه هاي مورد نظر نشان داده شود.در واقع در اين مرحله سطوح مختلف تحليل به صورت سلسله مراتبي و گرافيكي به تصويــــر كشيــده مي شوند.
2- مقايسه زوجي و وزن دهي: در اي اچ پي عناصر هر سطح نسبت به يكديگر به صورت زوجي ) دوبه دويي )مقايسه شده و وزن دهي مي شوند. مقايسه و وزن دهي به عناصر در يك ماتريس K×K ثبت می‌شود مقايسه زوجي به صورت ارزش گذاري عنصر سطر نسبت به عنصر ستون صورت مي گيرد و براي ارزش گذاري نيز معمولا از يك مقياس فاصله اي از 1 تا9 استفـــــاده می‌شود. هر چه مقدار ارزش داده شده بيشتر باشد نشان دهنده ي اهميت و ارجحيت بيشتر عنصر سطري نسبت به عنصر ستوني است. به طوريكه ارزش 9 بيانگر کاملاً مرجح يا کاملاً مهم تر و ارزش يك بيانگر با ارجحيت و اهميت يكسان است لازم به ذكر است كه ماتريس مقايسه زوجي يك ماتريس معكوس است بدين معني كه اگر ارزش مقايسه اي عنصر سطري a نسبت به عنصر ستوني، b معادل 9 باشد ارزش مقايسه اي عنصر سطري b نسبت به عنصر ستوني a برابر 1 ÷ 9خواهد بود.
3-محاسبه ي نرخ سازگاري( CR): نرخ سازگاري در روش اي اچ پي شاخصي است كه سازگاري مقايسه ها را نشان مي دهد.اين نرخ گوياي درجه ي صحت و دقت ارزش گذاري ها در مقايسات زوجي است ، چنانچه نرخ مذكور برابر و كمتر از 1/ باشد می‌توان ارزش گذاري ها ومقايسات را خوب و صحيح دانست، در غير اين صورت ارزش گذاري و مقايسات زوجي بايد دوباره انجام گرفته يا اصلاح شود. نرخ سازگاري از طريق محاسبه ي شاخص سازگاري (CI) و رابطه ي زير حاصل می‌شود.
CI= Σλmax-n/n-1
رابطه 1
در رابطه ي بالا λmax عنصر بردار ويژه و n تعداد معيارهاست. عنصر بردار ويژه از رابطه ي زير بدست می‌آید:
رابطه 2 وزن معيار/ سطر ماتريس ارزش گذاري× ستون وزن ها = λmax
λmax بايد به تعداد معيارها وبراي همه ي آن‌ها محاسبه شده وسپس از مجموع آن‌ها در رابطه ي (1) CI حاصل مي گردد. شاخص ديگر مورد نياز شاخص تصادفي (RI) است:
رابطه 3 CR = CI/ RI.(کرم . محمدی ،63،68،1388)
اولين مرحله در روش AHP تجزيه نمودن مسأله تصمیم‌گیری به سلسله مراتب است که شامل مهمترين عناصر مسأله تصمیم‌گیری مي باشد . در ايجاد يک سلسله مراتب، سطح بالا، هدف نهايي يک تصميم گير است. سپس سلسله مراتب از کلي به جزئي تر تا اينکه به سطحي از صفات برسد، پايين می‌آید . اين سطحي است که در مقابل آن گزينه هاي تصمیم‌گیری پايين ترين سطح سلسله مراتب ارزيابي مي شوند. هر سطح بايد به سطح بالاتر قبلي متصل شود .بطور مثال يکی از ساختارهای سلسله مراتبي شامل چهار سطح است : هدف اصلي، اهداف، صفات و گزينه ها.
گزينه ها در يک پايگاه داده GIS ارائه می شوند . هر لايه شامل مقادير صفاتي که به گزينه ها تخصيص داده شده، و هر گزينه (مثلا پليگو ) مرتبط با عناصر سطح بالايي (يعني صفات مي باشد. مفهوم صفت، روش AHP را به روشهاي GIS متصل مي نمايد.
مقايسه عناصر تصمیم‌گیری بصورت دو تايي: يک روش اساسي جهت آزمون روش AHPمقايسه هاي دو تايي مي باشد. اين روش از پيچيدگي مدل به طور قابل توجهي مي کاهد، زيرا تنها دومؤلفه دريک زمان بررسي مي گردند. اين روش در سه مرحله انجام مي گردد الف( تهيه ماتريس مقايسه در هر سلسله مراتب، که از بالا آغاز شده و به پايين ادامه مي يابد. ب( محاسبه وزنهاي هر عنصر سلسله مراتب. ج( تخمين نسبت توافق (نیر آبادی و حاجی میر رحیمی ،4).
مراحل فرايند تحليل سلسله مراتبي
فرايند تحليل سلسله مراتبي را می‌توان در پنج مرحله اصلي شامل تشكيل درخت سلسله مراتبي، مقايسه زوجي جايگزين ها و معيارهاي تحقيق، عمليات محاسبه داده ها، تحليل حساسيت و نرخ ناسازگاري ترسيم و اجرا نمود
ترسيم و تشريح درخت سلسله مراتبي: درخت سلسله مراتبی دارای سه سطح اصلی هدف، معیارها، و گزینه ها است که سطح معيار آن قابل تقسيم به زير معيارهاي متعدد مي باشد.
هدف: به پرسش اصلي تحقيق يا مشكلي كه قصد داريم آ ن را حل نماييم هدف گفته می‌شود. هدف بالاترين سطح درخت سلسله مراتبي است و تنها يك پارامتر دارد كه انتخاب آن وظيف