ارزیابی مدل های خطی فضایی و غیرخطی در تبیین پراکنش فضایی دفاتر مسافرتی در شهر مشهد، ایران

جغرافیا و توسعه فضای شهری

مقاله 2، دوره 5، شماره 1 - شماره پیاپی 8، شهریور 1397، صفحه 21-43   

نوع مقاله: علمی - پژوهشی

شناسه دیجیتال (DOI): 10.22067/gusd.v5i1.29783

نویسندگان

مصطفی امیرفخریان^* ؛ علیرضا معینی

دانشگاه فردوسی مشهد

چکیده

امروزه مدل­های خطی و غیرخطی کاربرد زیادی در مطالعات پدیده­ های شهری دارند و پژوهشگران به روش­ های گوناگون و بسته به نوع مطالعه از آن­ها بهره می ­برند. در بین مدل­های خطی، رگرسیون جغرافیایی به دلیل دخالت عامل موقعیت در تبیین پراکنش فضایی پدیده­ ها از جمله مدل­های مؤثر به شمار می ­رود. از سوی دیگر پیچیدگی مسائل، نگرش محققان را به سمت بهره­ گیری از مدل­های غیرخطی رهنمون ساخته است؛ شبکة عصبی از جمله روش­های مؤثر است. این مطالعه به شکل ویژه قصد دارد با تکیه بر مدل­های رگرسیون جغرافیایی و شبکۀ عصبی به تبیین عوامل مؤثر در الگوی استقرار دفاتر مسافرتی در شهر مشهد بپردازد و به این سؤال پاسخ دهد که کدام یک از دو مدل نام­برده قادرند تصویر بهتری از این استقرار را به نمایش بگذارند. شیوۀ مطالعۀ توصیفی- تحلیلی مبتنی بر مدل­های علّی است. این بررسی نتایج متفاوتی را از مدل­های بالا نشان می ­دهد؛ به­ گونه­ای که از نظر رگرسیون جغرافیایی، دفاتر مسافرتی عمدتاً متأثر از فضاهای خاص گردشگری هستند در حالی که از نظر شبکة عصبی، متأثر از فضاهای عمومی شهر هستند. انطباق یافته ­های هر مدل با واقعیت، بیانگر انحراف کمتر مدل شبکۀ عصبی در این خصوص و کارایی آن در زمینۀ پراکنش پدیده­ های فضایی است.

کلیدواژه‌ها

دفاترمسافرتی؛ شبکه عصبی؛ رگرسیون جغرافیایی؛ مشهد

مراجع

1. احدنژاد روشتی، م.، و صالحی میشانی، ح. (1391). ارزیابی توزیع فضایی زیرساخت‌های گردشگری و تعیین نقش فرآیند‌های اقتصادی-سیاسی و رشد فیزیکی شهرها در شکل‌گیری آن (مطالعه موردی: شهر زنجان). دو فصلنامه مطالعات گردشگری، شماره 1،. صص. 91-105.

2. بنی‌حبیب، ا. و سادات جمالی، ف. (1383). مقایسه مدل‌های شبکه عصبی مصنوعی دینامیک و همبستگی خطی چند متغیره در پیش‌بینی آبدهی به کمک داده‌های سنجش از دور. فصلنامه دانش آب و خاک، دوره 201، شماره 2. صص.173-184

3. بهنام، ب. و قربانی، ا. (1393). ارزیابی کاربرد مدل‌های شبکه عصبی و رگرسیونی به‌منظور پیش‌بینی تنوع گونه‌ای با استفاده از برخی عوامل خاکی و فیزیوگرافی (مطالعه موردی: حوزه آبخیز خرابه‌سنجی ارومیه). فصلنامه اکوسیستم‌های طبیعی ایران، شماره 2. صص 65-80.

4. پناهی،ع.، و علیجانی، ب. (1392). پیش‌بینی دبی اوج سیلابی با استفاده از مدل شبکه عصبی مصنوعی و رگرسیون چند متغیره (مطالعه موردی حوضه آبریز مادرسو استان گلستان). مجله جغرافیا، شماره 38، صص. 113-132.

5. پیله ورشهری،ا.، ایوبی، ش.، و خادمی، ح. (1389). مقایسه مدل شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره در پیش‌بینی کربن آلی خاک به کمک داده‌های آنالیز سطح زمین. آب و خاک. مجله علوم و صنایع کشاورزی. دوره 24، شماره 6، صص. 1151-1163.

6. تاج‌زاده نمین، ا. (1395). الگوی انتخاب دفتر خدمات مسافرتی. دو فصلنامه علمی- پژوهشی کاوش‌های مدیریت بازرگانی، شماره 15، صص. 83-107.

7. خسروی‌نژاد، ع. ا.، و شعبانی صدرپیشه، م. (1393). ارزیابی مدل‌های خطی و غیرخطی درپیش‌بینی سهام در بورس اوراق بهادار تهران. فصلنامه علوم اقتصادی، شماره 27، صص.27-64.

8. دیناری،ا. (1384). گردشگری شهری در ایران و جهان. مشهد، انتشارات واژگان خرد.

9. رضایی پور، م.، ذوالفقاری، م.، یوسفی دیندارلو، م.، و نجارزاده، ا. (1392). مقایسه عملکرد مدل‌های خطی و غیرخطی در توضیح سیستم تقاضای تقریباً ایده‌آل. مجله مدل‌سازی اقتصادی، سال هفتم شماره 22. صص 83-100.

10. رهنما، م. (1375). بافت قدیم و توسعه شهری، نمونه بافت‌های مسکونی مرکز شهر مشهد. تهران: دانشگاه تربیت مدرس رساله دکتری.

11. رهنـما، م. (1376). حسینیه‌ها در بافت تاریخی مشهد. مجله مشکات، شماره 56 و57.

12. رهنـمـا، م. (1386). تبیین نقش و جایگاه برنامه جامع میان‌مدت هماهنگی در توسعه کلان‌شهرها نمونه: شهر مشهد. مشهد: دانشگاه فردوسی مشهد.

13. رهنما،م.، و امیرفخریان، م. (1391). تحلیل توزیع فضایی آژانس‌های مسافرتی در شهر مشهد. جغرافیا و برنامه-ریزی، سال 16، شماره 41، صص. 129-152.

14. زنگی‌آبادی، ع.، محمدی،ج.، و زیرکباش، د. (1387). تحلیل گردشگری داخلی شهر اصفهان. فصلنامه جغرافیا و توسعه، دوره 4، شماره پیاپی 8. صص. 131-156.

15. سایت سازمان ‏میراث‏ فرهنگی. (1396).

16. سایت مرکز آمار ایران،(1396)

17. سلیمانی، پ. گلیان، ا.و صدقی، م. (1390). ﻣﻘﺎﻳﺴﻪ ﻣﺪل ﭘﻴﺶ‌ﻫﺎی رﮔﺮﺳﻴﻮن ﺧﻄﻲ ﭼﻨﺪﮔﺎﻧﻪ و ﺷﺒﻜﻪ ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ ﺑﺮای پیش‌ﺑﻴﻨﻲ اﺳﻴﺪﻫﺎی آﻣﻴﻨﻪ ارزن ﻣﺮوارﻳﺪی ﺑﺎ اﺳﺘﻔﺎده از ﺗﺠﺰﻳﻪ تقریبی. نشریه پژوهش‌های علوم دامی ایران، شماره 4، 363-368.

18. شکویی، ح. (1385). دیدگاه‌های نو در جغرافیای شهری. تهران: انتشارات سمت.

19. طرح ‏جامع‏ شهر مشهد. (1346). سازمان مسکن و شهرسازی خراسان

20. عبدی آلادزگه،.ا. (1382). پیش‌بینی تقاضای توریسم خارجی با استفاده از شبکه عصبی و رگرسیون فازی. پایان-نامه کارشناسی ارشد دانشگاه صنعتی اصفهان.

21. غمامی،م. (1372). طرح جامع مشهد. فصلنامه آبادی، سال سوم شماره 9.صص70-80

22. فرزین، م. ر.،افسر، ا.اکبرپور، ت. و پوراکبر،ع. (1393). مدل‌سازی پیش‌بینی گردشگری ورودی به ایران با استفاده از روش‌هایARIMA و شبکه‌های عصبی فازی. فصلنامه مطالعات مدیریت گردشگری، دوره 8، شماره 24. صص. 1-33.

23. کارگر، م، و جعفریان، ز. (1395). مقایسه مدل‌های شبکه عصبی مصنوعی و رگرسیون خطی در پیش‌بینی وقوع آتش سوزی جنگل و مراتع استان مازندران. نشریه محیط زیست طبیعی، شماره 1(دوره 69)، صص 159-170.

24. گی، و. چ. (1386). جهانگردی در چشم‌انداز جامع. ترجمه: ع. پارسائیان، و س. اعرابی، تهران: دفتر پژوهش‌های فرهنگی.

25. مهندسین مشاور فرنهاد. (1386). چشم‌انداز و الگوی عمومی توسعه و عمران کلان‌شهر مشهد مقدس. مشهد: سازمان مسکن و شهرسازی.

26. موسوی،م، ویسیان،م.، محمدی حمیدی، س. و اکبری، م. (1394). بررسی و اولویت‌بندی توان‌ها و زیرساخت-های توسعۀ گردشگری با روش‌های تصمیم‌گیری چند معیاره (مورد مطالعه: شهرستان‌های استان کردستان). مجله گردشگری شهری. دوره 2، شماره 1. صص 17-31.

27. میرا،.ز. (1389). پیش‌بینی وضعیت وفاداری مشتری در توریسم الکترونیک با استفاده از شبکه‌های عصبی مصنوعی. تهران: پایان‌نامه کارشناسی ارشد دانشگاه الزهرا(ع). دانشکده فنی.چاپ شده

28. نوراسیس، م. (1390). شبکه‌های عصبی در spss. تهران: کیان رایانه.

29. Bailey, T. C., & Gatrell, A. C. (1995). Interactive spatial data analysis. Harlow, UK: Longman.

30. Bloom, J. Z. (2004). Tourist market segmentation with linear and non-linear techniques. Tourism Management, 25(6), 723-733.

31. Charlton, M., Fotheringham, S., & Brunsdon, C. (2006). NCRM Methods Review Papers NCRM/006. Geographically Weighted Regression. Unpublished paper.

32. Huang, B., Wu, B., & Barry, M. (2010). Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices. International Journal of Geographical Information Science, 24(3), 383-401.

33. Liu, C. H., Tzeng, G. H., Lee, M. H., & Lee, P. Y. (2013). Improving metro–airport connection service for tourism development: Using hybrid MCDM models. Tourism Management Perspectives, 6, 95-107.

34. Medlik, S. (2003). Dictionary of travel, tourism and hospitality. Oxford, UK: Butterworth-Heinmann.

35. Mitchell, A. (2005). The ESRI guide to GIS analysis (vol. 2). New York, NY: ESRI press. Esri press.

36. Pino-Mejias, R., Perez-Fargallo, A., Rubio-Bellido, C., & Pulido-Arcas, J. A. (2017). Comparison of linear regression and artificial neural networks models to predict heating and cooling energy demand, energy consumption and CO2 emissions. Energy, 118, 24-36.

37. Saayman, A., & Botha, I. (2017). Non-linear models for tourism demand forecasting. Tourism Economics, 23(3), 594-613.

38. World Travel and Tourism Councel. (2015). Travel and tourism; economic impact 2015. Retrieved from: http://yon.ir/kYgHI