سنجش و ارزیابی سطح توسعه یافتگی مناطق روستایی بخش مرکزی شهرستان فلاورجان: کاربرد تحلیل شبکه عصبی مصنوعی

نوع مقاله: پژوهشی

نویسندگان

1 (دانشجوی دکتری توسعه کشاورزی، ‌دانشگاه یاسوج)

2 (دانشیار ترویج کشاورزی و توسعه روستایی، گروه مدیریت توسعه روستایی، دانشگاه یاسوج)

چکیده

در برنامه‌ریزی‌های توسعه چه در سطح کلان و چه در سطح خرد، بدست آوردن شناخت و درک صحیح از تفاوت‌ها و اختلافات میان مناطق روستایی از نظر امکانات زیرساختی، اجتماعی، اقتصادی و زیست محیطی ضروری است به طوری که این شناخت می تواند به سیاست‌گذاران و تصمیم‌گیران در شناخت توانایی‌ها، تفاوت‌ها و میزان محرومیت مناطق روستایی کمک شایانی بکند تا بدین وسیله نیز توسعه متوازن در مناطق حکم فرما شود. لذا، بر این اساس، هدف پژوهش حاضر، سنجش سطح توسعه یافتگی مناطق روستایی شهرستان فلاورجان بود. پژوهش حاضر به روش پیمایش انجام گرفت. جامعه آماری پژوهش، روستاهای 20 خانوار به بالاتر بخش مرکزی شهرستان فلاورجان بود (26 روستا) که با استفاده از فرمول کوکران 376 خانوار در این روستاها انتخاب شدند. برای جمع‌آوری داده‌ها از پرسشنامه محقق ساخته و داده‌های ثانویه اتخاذ شده از شناسنامه آبادی سال 1390 استفاده شد. روایی صوری پرسشنامه توسط اعضای هیئت علمی مدیریت توسعه روستایی دانشگاه یاسوج و پایایی آن از طریق ضریب آلفای کرونباخ (65/0 تا 95/0) تأیید شد. برای سنجش و اولویت‌بندی توسعه یافتگی روستاها از 24 شاخص در چهار بعد اجتماعی- فرهنگی، اقتصادی، محیطی و کالبدی- زیرساختی استفاده شد. به منظور تجزیه تحلیل داده‌ها، ابتدا داده‌های خام هنجارسازی شدند و پس از آن با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه وزن هر یک شاخص‌ها به ترتیب بدست آمد. داده‌پردازی با استفاده از نرم افزار MATLABR2015a و SPSS22‌ انجام گرفت. یافته‌ها نشان داد که روستاهای جوجیل، جولرستان و زفره به ترتیب رتبه‌های اول تا سوم و روستاهای مهرنجان اتراک و مهرنجان در رتبه‌های آخر از لحاظ توسعه یافتگی قرار داشتند. نتایج کلی پژوهش حاکی از وضعیت نسبتا مطلوب توسعه یافتگی در روستاهای مورد مطالعه بود.

کلیدواژه‌ها


عنوان مقاله [English]

Assessing the development level of rural areas of central district of Falavarjan County: The application of Artificial Neural Network

نویسندگان [English]

  • Hamid Rastegari 1
  • Mehdi Nooripoor 2
1 Ph.D. Student of Agriculture Development, Yasuj University, Yasuj, Iran
2 Associate Professor, Department of Rural Development Management, Faculty of Agriculture, Yasouj University, Yasuj, Iran
چکیده [English]

Planning of development programs either at macro or at micro levels, needs to obtain a proper understanding about the differences between rural areas in terms of their infrastructure, social, economic and environmental aspects; so that this understanding can contributed to policymakers and decision-makers the ability to recognize abilities, differences and deprivations of rural areas in order to organize a balanced development in the supposed areas. Therefore, the aim of this research was to assess the level of development of rural areas of central district of Falavarjan County. A survey research method was used in this study. Research population included villages with 20 and more households (26 villages) that about 376 household of these villages were selected as research sample based on Cochran Sampling. A researcher constructed questionnaire and secondary data taken from the village ID in 2010 was used to collect data that its face validity procedure was verified by faculty members of the Rural Development Management Department of Yasouj University and its reliability was also verified calculating Cronbach's Alpha reliability (0.65 ≤∝≤ 0.95). In order to assess and prioritization rural development, 24 indices in four dimensions were used: social-cultural, economic, environmental and physical-infrastructure. In order to analyze the data, the raw data were normalized and then using Artificial-Neural Network (ANN) of multi-layer feed-forward back-propagation, weight of each rural development index was obtained, respectively. Data processing was done using MATLABR2015a and SPSS22‌ software. The results showed that Jojil, Jowlorestan and Zefreh ranked first to third respectively and Mehrenjan Atrak and Mehrenjan ranked last in terms of rural development. The overall results of this study showed that the rural development is in a relatively favorable situation in the studied villages.

کلیدواژه‌ها [English]

  • Rural Development
  • Artificial Neural Network
  • self-organization map
  • Falavarjan

 

1-     آمار و اطلاعات استانداری استان اصفهان. 1391. سالنامه آماری شهرستان فلاورجان، اصفهان: انتشارات استانداری اصفهان دفتر آمار و اطلاعات و GIS.

2-     اصغری­زاده، ع.، ذبیحی جامخانه، م. 1392. ارزیابی و رتبه­بندی میزان توسعه یافتگی مناطق روستایی، با استفاده از تکنیک‌های تصمیم­گیری چند شاخصه، مجله پژوهش و برنامه­ریزی روستایی، 3: 48-27.

3-     تقیلو، ع. 1393. تحلیل علی توسعه یافتگی و توسـعهنیافتگی سکونتگاه­های روستایی، مطالعه موردی بخش مرکزی شهرستان ارومیه، فصلنامه برنامه­ریزی منطقه­ای، 4(15): 102-85.

4-     راکعی، ب.، خام­هچیان، م.، عبدالملکی، پ.، گیاهچی، پ. 1386. کـاربرد سیسـتم شـبکه عصـبی مصنوعی در پهنه‌بندی خطر زمین لغزش، مورد مطالعه: ناحیه سفیدار گله در استان سمنان، مجله علوم دانشگاه تهران، 33(1): 64-57.

5-     رستگاری، ح. 1394. تحلیل رابطه بین گسترش فناوری اطلاعات وارتباطات مورد مطالعه بخش مرکزی شهرستان فلاورجان، پایان نامه کارشناسی ارشد توسعه روستایی، دانشگاه یاسوج، 138 صفحه.

6-      رضوانی، م.، صادقلو، ط.، سجاسی قیداری، ح. 1390. سنجش درجه روستاگرایی با استفاده از مدل تاپسیس فازی. پژوهش­های روستایی، 2(1): 31-1.

7-     زنگی­آبادی، ع.، اکبری، م. 1390. ارزیابی و تحلیل توسعه یافتگی شهرستانهای استان فارس. محیط شناسی، 37(59): 122-113.

8-     سجادیان،‌ ن.،‌ اکرامی،‌ ن. (1397). سنجش میزان برخورداری استان‌های مرزی کشور از شاخص‌های توسعه با استفاده از مدل‌های تاکسونومی عددی و تاپسیس. آمایش محیط،‌ 11(4): 70-47.

9-     شاهرخی ساردو، ص.، محمودی برام، م.، مولایی، ع.، آقاعباسی، ن. 1394. ارزیابی سطوح توسعه یافتگی مناطق روستایی شهرستان کوهرنگ. راهبردهای توسعه روستایی، 2(4): 399-383.

10- صدرموسوی، م.، رحیمی، ا. 1388. مقایسه نتایج شبکه‌های عصبی پرسپترون چندلایه با رگرسیون چندگانه در پیش‌بینی غلظت ازن در شهر تبریز، پژوهش­های جغرافیای طبیعی، 71: 72-65.

11- علیایی، م.ص.، ‌عزیزی،‌ س. (1397). بررسی و تحلیل سطح توسعه یافتگی نواحی روستایی با روش تحلیل عاملی (مورد مطالعه: دهستان وکیل آباد استان کرمان). آمایش محیط، 11(42): 116-97.

12- عوض­زاده، ع.، کرمی ا. 1393. تبیین پایداری نظام بهره­برداری خرد دهقانی: مورد مطالعه بخش مرکزی شهرستان بویراحمد، راهبردهای توسعه روستایی، 2(1): 41-27.

13- فتاحی اردکانی، ا. 1392. بررسی سطح توسعة اجتماعی و اقتصادی در روستاهای حاشیة دشت یزد- اردکان، تحقیقات اقتصاد و توسعه کشاورزی ایران، 44(4): 602-593.

14- فیض­آبادی، ی.، ملکی، ف. 1394. بررسی و مقایسه توسعه یافتگی مناطق روستایی استان‌های ایران. رشد و توسعه اقتصاد روستایی و کشاورزی، 1(1): 82-71.

15- کریمی، ف.، احمدوند، م.، توکلی­تبار، ز.، میرزایی، ش. 1392. کاربرد ترکیب الگوریتم خوشه‌بندی و الگوریتم رقابت استعماری (ICA) در سطح­بندی توسعه یافتگی مناطق روستایی. پژوهش و برنامه­ریزی روستایی، 4: 334-311.

16-  مرکز آمار ایران. 1390. سالنامه آماری کشوری. تهران انتشارات مرکز آمار ایران.

17- نظم­فر، ح.، باختر، س.، علوی، س. 1394. رتبه­بندی سطوح توسعه یافتگی مناطق روستایی (مطالعه موردی: دهستان­های استان کرمانشاه). جغرافیا و مطالعات محیطی، 4(14): 192-181.

18- نظم‌فر، ح.، علی بخشی، آ. 1397. میزان برخورداری شهرستان‌های استان خوزستان از شاخص‌های شهر سالم. آمایش محیط،‌ 11(42): 42-23.

19- هاگان، م.، دیموث، ه.، بیل، م. 1388. طراحی شبکه­های عصبی. ترجمه مصطفی کیا، چاپ اول، تهران: انتشارات خدمات نشر کیان  رایانه. 584 صفحه.

20-  Al-Hassan, R. M., Diao, X. 2007. Regional Disparities in Ghana: Policy Options and Public Investment Implications. International Food Policy Research Institute.

21-  Bhatia, V. K., Rai, S. C. 2011. Evaluation of Socio-Economic Development in Small Areas. New Delhi: New Delhi University Press.

22-  Chelani, A. B., Chalapati R.C.V., Phadke, K. M., Hasan, M. Z. 2002. Prediction of sulphur dioxide concentration using artificial neural networks. Environmental Modelling & Software. 17: 161–168.

23-  Demuth, H., Beale, M., Hagan, M. 2008. Neural Network Toolbox (MATLAB). Version 6, the Math Works, Inc.

24-  Erilli, N. A. 2015. Socioeconomic Development Index Ranking Calculations of Cities with Fuzzy Clustering Method: Case of Turkey. Theoretical and Applied Economics, 22(1): 215-226.

25-  Madu, A. I. 2007. The underlying factors of rural development patterns in the Nsukka region of southeastern Nigeria. Journal of rural and community development, 2: 110-122.

26-  Schatzmann, J. 2003. Using Self-Organizing Maps to Visualize Clusters and Trends in Multidimensional Datasets. Department of Computing Data Mining Group, Imperial College, London.

27-  Vesanto, J., Alhoniemi, E. 2000. Clustering of the Self-Organizing Map. IEEE Transactions on Neural Networks, 11(3): 586-600.

28-  Vesanto, J., Himberg, J., Alhoniemi, E., Parhankangas, J. 2000. SOM Toolbox for Matlab 5. Helsinki University of Technology.