۱۵۰۹۳/۱۵
۴۸۸۲۴/۱۹
۱۶۸۵۳/۳۲
۳۳۸۶۱/۴۰
۸۵۰۲۲/۱۸
۴۴۳۹۲/۱۲

 

۱۲۵۲۴/۲
۳۸۹۵۰/۲-
۰۷۹۱۳/۳-
۹۵۶۱۹/۰
۱۰۰۱۲/۰
۴۱۸۸۷/۱

 

۶۳
۱۶۱
۴۶
۱۱۳
۸۰
۶۲

 

۱۳۸۴
۱۳۸۵ CAR
۱۳۸۶
۱۳۸۷
۱۳۸۸
۱۳۸۹

 

 

 

همان­طور که درجدول فوق می­توان مشاهده کرد سطح معناداری آماره KS در آزمون کولموگورف-اسمیرنف درتمام سال­های تحقیق بیشتر از ۵% است.بنابراین در تمام سال­هایی که مقدار سطح معناداری آماره KS بیشتر از ۵% می­باشد، فرض صفر فوق مبنی بر داشتن توزیع نرمال در سطح اطمینان ۹۵% تایید می­ شود و توزیع متغیر نرمال می­باشد. مطابق نتایج بدست آمده از آزمون کولموگورف-اسمیرنف متغیر بازده اضافی سهام (CAR)، مقدار سطح معناداری آماره KS در تمام سال­های تحقیق بیشتر از ۵% می­باشد و این بدان معناست که فرض صفر این آزمون (مبتنی بر نرمال بودن توزیع متغیر وابسته) در سطح اطمینان ۹۵% تایید می­ شود از این رو می­توان نتیجه گرفت که مقادیر باقیمانده در خط رگرسیون نیز دارای توزیع نرمالی هستند و احتمالاً ناهمسانی واریانس ندارند(ترکیب داده ­های نرمال نیز نرمال است). بنابراین توزیع متغیربازده اضافی سهام به عنوان متغیر وابسته تحقیق در تمام سال­ها نرمال می­باشد.

۴-۳-۲- آزمون نرمال بودن خطاها

یکی از مفروضات در نظر گرفته شده در رگرسیون، داشتن توزیع نرمال خطاها، با میانگین صفر می­باشد. بدیهی است در صورت عدم برقراری این پیش فرض، نمی­ توان از رگرسیون استفاده کرد. بدین منظور باید مقادیر استاندارد خطاها محاسبه شود و نمودار توزیع داده ­ها و نمودار توزیع نرمال آنها رسم شود و سپس مقایسه­ ای بین دو نمودار صورت گیرد. در صورتی که خطاها دارای توزیع نرمال نباشند، می­توان از لگاریتم متغیرها به جای خود متغیرها استفاده کرد.
نمودار توزیع خطاها و مقایسه آن با توزیع خطاهای متغیر وابسته تحقیق در مدل­های مختلف تحقیق در نمودارهای زیر به تصویر کشیده شده است. همانطور که در نمودار زیر می­توان مشاهده کرد توزیع خطاها بسیار نزدیک به توزیع نرمال بوده است. همچنین میانگین و انحراف معیار این متغیرها به میانگین و انحراف معیار توزیع نرمال (به ترتیب ۰ و ۱) بسیار نزدیک هستند. بنابراین این پیش فرض رگرسیون نیز تایید می­ شود و در ادامه تحقیق می­توان برای انجام تحلیل­های خود از رگرسیون خطی استفاده نماییم.
الف) نمودار توزیع خطا مدل اول تحقیق

ب) نمودار توزیع خطاها در مدل دوم تحقیق

پ) نمودار توزیع خطاها در مدل سوم تحقیق

۴-۳-۳- آزمون هم خطی

هم خطی وضعیتی است که نشان می­دهد یک متغیر مستقل تابعی خطی از سایر متغیرهای مستقل است. اگر هم خطی در یک معادله رگرسیون بالا باشد ، بدین معنی است که بین متغیرهای مستقل همبستگی بالایی وجود دارد و با وجود بالا بودن R² ، مدل دارای اعتبار بالایی نیست. به عبارت دیگر با وجود آن­که مدل خوب به نظر می­رسد ولی دارای متغیرهای مستقل معنی داری نمی ­باشد.
برای انجام آزمون هم­خطی متغیرها از آماره­ای به نام عامل تورم واریانس (VIF) و تولرانس (Tolerance) استفاده می­گردد. هرچه مقدار تولرانس کم باشد اطلاعات مربوط به متغیرها کم بوده و مشکلاتی در استفاده از رگرسیون ایجاد می شود. عامل تورم واریانس نیز معکوس تولرانس بوده و هر چقدر افزایش یابد باعث می­ شود واریانس ضریب رگرسیون افزایش یافته و رگرسیون را برای پیش بینی نامناسب سازد، به عبارتی هر چه مقدارآماره عامل تورم واریانس (VIF) نزدیک به یک باشد، احتمال وجود هم­خطی بین متغیرهای مستقل تحقیق، کاهش می­یابد و چنانچه مقدار آن بزرگتر از ۱۰ باشد نشان دهنده وجود هم­خطی است و در استفاده از رگرسیون مشکل جدی وجود دارد (مومنی، ۱۳۹۱). نتایج حاصل از آزمون هم­خطی در ادامه ذکر خواهد شد.

۴-۳-۴- نمودارهای پراکنش

در نمودارهای پراکنش (scatter)، متغیر وابسته در مقابل متغیرهای مستقل ترسیم می­ شود. به دو دلیل از این نمودارها قبل از برآورد مدل استفاده می­ شود:
الف- تشخیص نقاط پرت در داده ­ها.
ب) بررسی اینکه آیا رابطه خطی برای داده ها مناسب­تر است یا اینکه مدل غیر خطی (از جمله درجه دوم و سوم و …) باید برای بیان ارتباط استفاده گردد.
همان­گونه که در نمودارهای زیر دیده می­ شود در اکثر نمودارها رابطه بین دو متغیر مستقل و وابسته به صورت منحنی نیست و رابطه خطی برای بیان رابطه بین این دو متغیر مناسب­تر است. همچنین در برخی موارد رابطه معناداری بین دو متغیر وجود ندارد. علاوه بر این نقطه پرت زیادی در داده ­ها دیده نمی­ شود.

همان­طور که در نمودار­های فوق می­توان مشاهده کرد رابطه بین کیفیت سود بر اساس الگوی اسلوان (EQ) و الگوی دی­چو (DDEQ) و بازده اضافی سهام شرکت (CAR) به صورت منفی به نظر می­رسد.

در نمودارهای بالا رابطه بین تفاوت سود قبل از تعدیل و سود تعدیل شده (MAT) با بازده اضافی سهام (CAR) به صورت مثبت و معنادار مشاهده شده است اما رابطه بین اندازه شرکت و بازده اضافی سهام (CAR)، به صورت معنادار مشاهده نشده است.

۰٫۷۰۱

 

مناسب

 

 

 

کل

 

۲۰

 

۲۰-۱

 

۰٫۷۰۷

 

تایید

 

 

 

در جدول فوق معیار آلفای کرونباخ متغیرها چون بیشتر از ۷۰/۰ می­باشد پس می­توان گفت که این پرسش نامه پایاست.

روش‌ها و ابزار تجزیه و تحلیل داده‏ها
تعاریف عملیاتی:
۳-۸-۱-۱ ریسک­: ریسک در بانکداری نوین ریسک یا خطر، احتمال محقق نشدن برنامه­ ها در قالب اهداف کوتاه مدت و بلندمدت تعریف می­ شود.
۳-۸-۱-۲ مدیریت بهره­وری: بهره­وری عبارتست از بازدهی و کارایی بانک که توسط عملکرد کارکنان ایجاد می­ شود. بهره­وری مساوی است با کارایی+ اثربخشی. سوال­های ۱۷ال ۲۰ پرسشنامه مربوط به بهره­وری کارکنان در بانک ملی می­باشد.
۳-۸-۱-۳ کارایی: کارایی به معنای انتخاب و تنظیم درست برنامه­ ها( خدمات نوین) در شرایط بحرانی و رقابتی تعریف می­ شود. سوال­های ۳-۴-۷-۸-۱۱-۱۲-۱۵و۱۶پرسشنامه مربوط به کارایی و مولفه­های ریسک می باشد.
۳-۸-۱-۴ اثربخشی: انجام درست برنامه­ ها مستلزم عملکرد قوی کارکنان بانک است. سوال­های ۱-۲-۵-۶-۹-۱۰-۱۳ و ۱۴ پرسشنامه مربوط به اثربخشی کارکنان می باشد.

روش تجزیه و تحلیل داده ­های پژوهش
به منظور بررسی رابطه بین متغیرهای مستقل ومتغیرهای وابسته وفرضیه تحقیق، ازنرم­افزارExcel,DEA Maser,DEA Solver AMOS, استفاده شده­است. برای استفاده از تحلیل مسیر و روش های رگرسیونی باید خطاها، دارای توزیع نرمال باشند. برای بررسی این موضوع از آزمون کلموگروف- اسمیرنوف واز ضریب همبستگی استفاده شده است. در ادامه با دو معیار(کای دو و مقایسه مدل پیشنهادی و مستقل)مناسب مدل مشخص می­گردد.

نمودار(۱-۱) مدل مفهومی مطالعه رابطه بین یکپارچه سازی سیستم های حسابداری مالی و تصمیمات مدیریت (منبع نگارنده باربارا و همکاران،۲۰۱۱).
نمودار(۱-۱) مدل مفهومی مطالعه رابطه بین یکپارچه سازی سیستم های حسابداری مالی و تصمیمات مدیریت (منبع نگارنده باربارا و همکاران،۲۰۱۱).
نمودار(۱-۱) مدل مفهومی مطالعه رابطه بین یکپارچه سازی سیستم های حسابداری مالی و تصمیمات مدیریت (منبع نگارنده باربارا و همکاران،۲۰۱۱).
آزمون­های برازندگی مدل کلی
در طی دهه گذشته برای مدل­های معادلات ساختاری شاخص­ های برازندگی متعددی ارائه شده است. با آنکه انواع گوناگون این شاخص ­ها پیوسته در حال توسعه و تکامل هستند ولی شاخص بهینه­ای که توافق همگانی برآن باشد وجود ندارد. این شاخص ­ها به شیوه ­های مختلفی طبقه شده ­اند که یکی از عمده­ترین این طبقه ­بندی­ها متعلق به مارش و همکاران (۱۹۶۷) است. آن ها شاخص­ های برازندگی را به سه گروه مطلق، نسبی و تعدیل یافته تقسیم می­ کنند.
شاخص­ های مطلق
شاخص­ های مطلق این پرسش را مطرح می­سازد که آیا واریانس خطا که پس از برازش مدل باقی می­ماند مقدار قابل توجه­ای است یا خیر؟
شاخص­ های مطلق تابعی از برنامه­ی Amos (مانند تابع برازندگی بیشینه احتمال یا نسبت درستنمایی مقیاس­بندی شده) را به گونه ­ای به کار می­برند که ریشه­ میانگین باقی مانده، آزمون مجذور کای و نسبت  به درجه آزادی، شاخص برازندگی (GFI) و شاخص تعدیل یافته برازندگی(AGFI) را مینیمم کند. در میان شاخص­ های مطلق مجذور کای و نسبت  به درجه آزادی، به قدرمطلق باقی مانده ها توجه دارد. مشخصه­ی مجذور کای برای یک مدل کاملاً برازش یافته برابر صفربوده و نسبت  (نسبی مجذورکای به درجه آزادی) در یک برازش ایده آل برابر ۱ خواهد بود.
دیگر شاخص مطلق، شاخص ریشه­ میانگین مجذور باقی مانده­ها (RMR) می­باشد. این مقدار در واقع تفاوت بین عناصر ماتریس مشاهده شده در گروه نمونه و عناصر ماتریس­های برآورد یا پیش بینی شده با فرض درستی مدل مورد نظر است. مانده­های برازش یافته از تفاضل ماتریس کواریانس نمونه از ماتریس کواریانس برازش یافته حاصل می­ شود. هرچه مقدار این شاخص به صفر نزدیک­تر باشد، مدل مذکور برازش بهتری دارد.
شاخص­ های برازندگی GFI و AGFI که چارزکاگ و سوربوم (۱۹۸۹) پیشنهاد کرده ­اند بستگی به حجم نمونه ندارد و نشان می­دهد که مدل تا چه حد نسبت به عدم وجود آن، برازندگی بهتری دارد. شاخص GFI برپایه­ی تابع برازندگی F طبق فرمول زیر محاسبه می­ شود،
در این رابطه  معرف ساختار کواریانس برای متغیرهای مشاهده شده تصادفی،  معرف ماتریس کواریانس گروه نمونه،  مقداری از  است که  را مینیمم می­ کند و  تابع برازندگی در شرایطی است که همه پارامترهای مدل برابر با صفر باشند. این مشخصه در واقع مقدار نسبی واریانس­ها و کواریانس­ها را به گونه­ مشترک از طریق مدل ارزیابی می­ کند و دامنه­ تغییرات آن بین صفر و یک است. شاخص GFI هرچند مشابه  است ولی نمی­تواند به عنوان درصد خطای تبیین شده به وسیله­ مدل تفسیر شود زیرا درصد کواریانس­های مشاهده شده­ای است که از طریق کواریانس­های دیکته شده به وسیله ی مدل تبیین می­ شود. چون GFI نسبت به سایر مشخصه­های برازندگی اغلب بزرگتر است، برخی از پژوهشگران نقطه برش ۹۵/۰ را برای آن پیشنهاد کرده ­اند. برپایه ی قرارداد مقدار GFI باید برابر یا بزرگتر از۹/۰باشد تا مدل مورد نظر پذیرفته شود.
مقدار تعدیل یافته شاخص برازندگی برای درجه آزادی (یعنی AGFI) برپایه­ی فرمول زیر بدست می ­آید:
که در آن  تعداد اندازه ها در مدل و  بیانگر درجه آزادی مدل است. کمترین مقدار  و  باید صفر باشد، هرچند از لحاظ نظری ممکن است مقدار آن منفی و فاقد معنا شود. البته منفی بودن آن ها نشانه­ی آن است که مدل مورد نظر بسیار ضعیف بوده است.  با مدل­های دقیقاً همانند و  با مدل­هایی که دارای برازندگی بسیار ضعیف یا مبتنی بر نمونه­های باحجم کوچک باشد، همراه است. مقدار  مطلوب نیز باید بزرگ تر از ۹/۰ باشد.
-شاخص­ های نسبی
شاخص­ های نسبی در پی پاسخ به این سوال است که یک مدل بخصوص در مقایسه با سایر مدل­های ممکن از لحاظ تبیین مجموعه ­ای از داده ­های مشاهده شده تا چه حد خوب عمل می­ کند؟ رایج­ترین مدل­های نسبی، به مدل صفر معروف هستند زیرا در ماتریس واریانس- کواریانس تنها واریانس­ها را برازش می­ دهند و فرض می­ کنند همه کواریانس­ها برابر با صفر هستند.
برخی از شاخص­ های نسبی که مارش و همکاران(۱۹۸۸) به آن نوع اول می­گویند برازش دو مدل مختلف را با هم مقایسه می­ کنند. یکی از شاخص­ های نسبی نوع اول که قبلا به گونه­ گسترده به کار می­رفت، شاخص نرم شده برازندگی (NFI یاDELTA1) بوده است که مستلزم مفروضه­های مجذور کای نیست. این شاخص در حال حاضر به سبب آنکه تحت تأثیر حجم نمونه بوده است و برای نمونه­های با حجم کم ضعیف است توصیه نمی­ شود. سایر شاخص ­ها که نوع دوم نام دارند ضمن آن که مدل­ها را مقایسه می کنند، اطلاعاتی درباره مقدار مورد انتظار مدل­ها تحت یک توزیع مرکزی مجذور کای نیز بدست می­ دهند. شاخص­ های نوع دوم مختلفی وجود دارند که به صورت گسترده مورد استفاده قرار می­گیرند و نسبت به شاخص­ های مطلق یا نوع اول هماهنگی بیشتری با حجم نمونه دارند. یکی از این شاخص ­ها که اهمیت بسیاری دارد فرمول کلاسیک تاکر- لویز(۱۹۷۳) است که به وسیله ی بنتلر و بونت(۱۹۸۰) توسعه یافته و نه تنها در مقایسه­ یک مدل با مدل صفر بلکه در مقایسه­ مدل­های مختلف نیز کاربرد فراوان دارد. این شاخص اغلب شاخص نرم شده برازندگی (NNFI) نیز نامیده می­ شود.
علاوه براین هیو و بنتلر (۱۹۹۵) شاخص­ هایی نوع سوم و چهارم را نیز معرفی کردند. شاخص­ های نوع سوم، مقایسه­ مدل­ها را همراه با اطلاعاتی درباره مقدار مورد انتظار تحت توزیع غیر مرکزی مجذور کای و شاخص­ های نوع چهارم عمل مقایسه با اطلاعاتی درباره سایر شکل­های توزیع انجام می­دهد. شاخص برازندگی بنتلر(BFI) که از سوی مک دونالد و مارش (۱۹۹۰)  شاخص غیرمرکزی (RNI) توسعه یافته نامیده شد و شاخص برازندگی تطبیقی (CFI) از این نوع می­باشند.
-شاخص­ های تعدیل یافته
شاخص­ های تعدیل یافته این پرسش را مطرح می­ کنند که مدل مورد نظر چگونه برازندگی و صرفه جویی یا ایجاز را با هم ترکیب می­ کنند؟ نکته­ای که دارای اهمیت بسیاری است این است که اکثر مدل­ها وقتی می­توانند به داده ­ها برازش یابند که پارامترها به اندازه کافی برآورد شوند. بنابراین مدل­هایی ارزشمند است که تغییر پذیری داده ­ها را با تعداد نسبتاً کمی از پارامترهای آزاد توجیه کند. برخی از شاخص­ هایی که تاکنون معرفی شدند انواع گوناگونی دارند که در آنها برای مدل های مورد مقایسه ارزیابی مستقیمی از میزان صرفه­جویی و ایجاز نیز در نظر گرفته می­ شود. جیمز، مولائیک و برت (۱۹۸۲) شاخصی از این نوع با نماد PGFI برای شاخص GFI در نرم افزار لیزرل به صورت زیر ارائه کرده ­اند:

در این رابطه  نشان­دهنده درجه آزادی مدل مورد نظر و مخرج کسر نیز بیانگر درجه آزادی مدل استقلال برای  اندازه است. چون GFI یک شاخص مطلق است مخرج کسر تعدیل­یافته آن برابر با تعدادکل درجات آزادی موجود در ماتریس واریانس-کواریانس است. مولائیک و همکاران (۱۹۸۹) برای شاخص­ های نسبی نیز دو شاخص نسبی PNFI و PNFI2 را به ترتیب برای شاخص نرم­شده برازندگی و برای مدل نوع ۲ معرفی کرده ­اند.
توجه کنید که در شاخص­ های نسبی درجه آزای مدل صفر به صورت مخرج کسرهای بالا تعریف می­ شود.
فصل چهارم
تجزیه و تحلیل داده ­های پژوهش
۴-۱ مقدمه
پس از گردآوری داده ­ها، محقق باید داده ­های گردآوری شده را با بهره گرفتن از روش­های آماری مناسب تحلیل کند. تحلیل داده ­ها، به استنباط معنا از مشاهداتی که به عنوان بخشی از طرح تحقیق به عمل آمده­است، اطلاق می­ شود. تحلیل داده ­های کمی، مشتمل برقرار دادن مشاهدات به صورت عددی و دستکاری آن­ها بر حسب خواص ریاضی­شان است. مرحله عملی و اصلی یک کار پژوهشی دستیابی به پاسخ است که محقق در بدو تحقیق در پی رسیدن به آن است. جهت رسیدن به این مهم، اطلاعات جمع­آوری شده مورد تجزیه و تحلیل قرار می­گیرند. دراین بخش پس از مشخص شدن داده ­های بانک مورد پژوهش، فرضیه ­های تحقیق مورد آزمون قرار خواهد گرفت و یافته­های جانبی آن ارائه خواهد شد.
۴- ۲ آمار توصیفی
نمودارهای توصیفی مربوط به ویژگی­های جمعیت شناختی است. دراین بخش ویژگی­های جمعیت شناختی نمونه آماری تشریح می­گردد. ویژگی­های مورد توجه قرار گرفته­شده عبارتنداز: وضعیت افرادپاسخ دهنده از نظر رتبه شغلی،جنسیت، سن، میزان تحصیلات.

S_2-f

 

 

 

۳.۴۴

 

۴۸۷.۰۸

 

۵۰-۷۵

 

S_2-fs

 

 

 

۳.۴۴

 

۴۸۶.۸۳

 

۵۰-۷۵

 

S_2-nf

 

 

 

۲.۶۰

 

۳۶۸.۱۷

 

۲۵-۵۰

 

S_3-sf

 

 

 

۱۰۰

 

۱۴۱۷۲

 

 

 

 

 

 

 

۴-۲-۴-۳ مقایسه روش های استوری، ریشه دوم و کالوگیرو در تعیین تناسب اراضی برای کشت پنبه در دشت ایذه

اراضی مورد مطالعه از نظر درجه تناسب کیفی اراضی به روش استوری، برای کشت پنبه در زیر کلاس های S_3-f، S_3-s، N_1-f، N_1-n و N_2-sf قرار دارند. در زیر کلاس S_3-f مهم ترین عامل محدود کننده درصد آهک می باشد. در زیر کلاس S_3-s مهم ترین عامل محدود کننده عمق خاک می باشد. در زیر کلاس N_1-f مهم ترین عامل محدود کننده درصد آهک می باشد. در زیر کلاس N_1-n مهم ترین عامل محدود کننده ESP می باشد. در زیر کلاس N_2-sf مهم ترین عوامل محدود کننده به ترتیب عمق خاک، درصد آهک می باشد.
اراضی مورد مطالعه از نظر درجه تناسب کیفی اراضی به روش ریشه دوم، برای پنبه در زیر کلاس های S_2-f، S_3-f، S_3-s، N_1-f، N_1-n و N_2-sf قرار دارند. در زیر کلاس S_2-f و S_3-f، مهم ترین عامل محدود کننده درصد آهک می باشد. در زیر کلاس S_3-s مهم ترین عامل محدود کننده عمق خاک می باشد. در زیر کلاس N_1-f مهم ترین عامل محدود کننده درصد آهک می باشد. در زیر کلاس N_1-n مهم ترین عامل محدود کننده ESP می باشد. در زیر کلاس N_2-sf مهم ترین عوامل محدود کننده به ترتیب عمق خاک، درصد آهک می باشد.
اراضی مورد مطالعه از نظر درجه تناسب کیفی اراضی به روش کالوگیرو، برای کشت پنبه در زیر کلاس های S_1-f، S_2-f، S_2-n، S_2-s و S_2-sf قرار دارند. در زیر کلاس S_1-f مهم ترین عامل محدود کننده درصد آهک می باشد. در زیر کلاس S_2-f مهم ترین عامل محدود کننده درصد آهک می باشد. در زیر کلاس S_2-n مهم ترین عامل محدود کننده ESP می باشد. در زیر کلاس S_2-s مهم ترین عامل محدود کننده عمق خاک می باشد. در زیر کلاس S_2-sf مهم ترین عوامل محدود کننده به ترتیب عمق خاک، درصد آهک می باشد.
نتایج بدست آمده شاخص سرزمین به تفکیک سری های خاک در منطقه مورد مطالعه نشان داد که دامنه تغییرات درجه تناسب سرزمین برای محصول پنبه آبی در دشت ایذه به روش استوری از ۱ تا ۳۰ معادل با کلاس نامناسب همیشگی (N₂) تا تناسب کم(S₃) می باشد (شکل۴-۱۱). دامنه تغییرات مزبور در روش ریشه دوم از ۳ تا ۳۹ به عبارتی از کلاس نامناسب همیشگی(N₂) تا تناسب کم(S₃) می باشد(شکل۴-۱۲). در روش کالوگیرو دامنه تغییرات شاخص سرزمین از ۴۹ تا ۸۱ یعنی از کلاس تناسب کم (S₃) تا کلاس مناسب (S₁) گزارش می شود(شکل۴-۱۳).
نتایج درجه تناسب سرزمین در هر سه روش استوری ، ریشه دوم و کالوگیرو در جداول شماره ۴-۱۵، ۴-۱۶، ۴-۱۷ و ۴-۱۸ ارائه شده است. بر این اساس در روش استوری ۵۲/۳۷ درصد و در روش ریشه دوم ۵۲/۱۱ درصد برای کشت پنبه آبی در دشت ایذه دارای تناسب N₂ است. کلاس تناسب S₁ فقط در روش کالوگیرو طبقه بندی شده و ۹۹/۳۵ درصد از اراضی دشت مذکور در این کلاس قرار گرفته اند. در روش های استوری و ریشه دوم به ترتیب ۰۳/۳۵ و ۲۵/۳۰ اراضی در کلاس نامناسب کنونی قرار گرفته است. ۴۵/۲۷ و ۴۲/۵۸ و ۶/۲ درصد سهم کلاس S₃ در روش های استوری، ریشه دوم و کالوگیرو می باشد. روش کالوگیرو ۴۱/۶۱ درصد از اراضی دشت ایذه را در کلاس نسبتا مناسب قرار می دهد.
در ارزیابی پارامتریک دشت ایذه برای کشت پنبه محدودیت عمده ناشی از فاکتورهای درصد آهک، Ph و CEC بوده است (ملکیان و جعفرزاده ۱۳۸۸، سرمدیان و همکاران ۱۳۸۲، محنت کش ۱۳۷۸، دادگر و همکاران ۱۳۸۸). دشت ایذه از لحاظ کشت پنبه مساعد است ولی به دلیل اینکه این گیاه یک گیاه تابستانه می باشد و سیکل رشد آن با تاریخ کاشت گیاه پاییزه گندم تلاقی دارد امکان دارد مردم از کشت و کار آن مبادرت ورزند. این تحقیق نشان داد سری خاک پرچستان و خنگ اژدر که در شمال دشت ایذه و در دامنه کوه قرار دارند به دلیل محدودیت عمق خاک سطح کلاس تناسب اراضی پایینی در هر سه روش خود گرفنه اند (محنت کش ۱۳۷۸، حاتمی و همکاران۱۳۸۷، شاکری و همکاران ۱۳۸۶). پروفیل شماره ۱۲ در شمال غربی دشت ایذه در اثر محدودیت درصد سدیم تبادلی PSE در تمامی سه روش پارامتریک کلاس تناسب اراضی پایینی به واحد مربوطه اختصاص داده اند و آن واحد اراضی را در تحت کلاس n جای داده اند (کمالی ۱۳۸۲). پارامتر اقلیمی محاسبه شده در هر سه روش استوری ، ریشه دوم و کالوگیرو در کلاس تناسب S₁ برای دشت ایذه طبقه بندی شده است. فاکتور pH در پروفیل های ۱۷،۱۶،۱۵ محدودیت ایجاد کرده و سبب شده است تا این اراضی شاخص سرزمین پایینی داشته باشند. CEC یکی دیگر از پارامترهای خاک می باشد که سبب محدودیت و قرار گرفتن اراضی منطقه در تحت کلاس f شده است محدودیت این پارامتر در پروفیل های ۳ و ۱۴ بیشتر از بقیه بوده است.
۴-۲-۵ سورگوم
۴-۲-۵-۱ تعیین و محاسبه شاخص و درجه اقلیمی سورگوم

 

 

• میانگین دما در چرخه رشد: ℃۲۶.۶۴

 

 

شاخص محاسبه شده میانگین دما در چرخه رشد ۹۴

 

 

• میانگین ماگزیمم دما در چرخه رشد: ℃۳۵.۱۳

 

 

شاخص محاسبه شده ماگزیمم دما در چرخه رشد ۸۳

 

 

• میانگین مینیمم دما در چرخه رشد: ℃۱۸.۱۲

 

 

شاخص محاسبه شده مینیمم دما در چرخه رشد ۱۰۰

 

 

• رطوبت نسبی در چرخه رشد: ۲۹.۴%

 

 

• Bottcher, J., Drexl, A., Kolisch, R., Salewski, F. (1996). “Project Scheduling Under Partially Renewable Resource Constraints”. Technicl report 398 Manuscipte aus den Instituten fur Betriebswritschaftslehre der Universitat Kiel.

 

• Talbot, F.B (1982). “Resource-Constrined Project Scheduling with Time-Resource Tradeoffs: The Nonpreemptive Case”. Management Science, 38: pp. 1498-1509.

 

• Pritsker, A. B., Watters, L. J. and Wolfe, P. M., Multiproject scheduling with limited resources: A zero-one programming approach. Management Science, 1969, 16, 93-108.

 

• Patterson, J. H. and Roth, G., Scheduling a project under multiple resource constraints: A zero-oneprogramming approach. AIIE Transactions, 1976, 8, 449-456.

 

• Carruthers, J. A. and Battersby, A., Advances in critical path methods. Opertional Research Quarterly, 1966, 17, 359-380.

 

• Petrovic, R., Optimisation of resource allocation in project planning. Operations Research, 1986, 16, 559-586.

 

• Demeulemeester, E. and Herroelen, W., New benchmark results for the resource-constrained project scheduling problem. Management Science, 1997, 43, 1485-1492.

 

• Brucker, P., Schoo, A. nd Thiele, O., A branch-and-bound algorithm for the resource-constrained project scheduling problem. European Journal of Operational Research, 1998, to appear.

 

• Dorndorf, U., Pesch, E., Phan-Huy, T. A branch-and-bound algorithm for the resource-constrained project scheduling problem, Mathematical Methods of Operations Research 52(2000) 413-439.

 

• Sprecher, A. , Drexl, A. (1995). Semi-Active, Active and non-delay Schedules for the Resource Constrained Project Scheduling Poblem, European Journal of Operational Research 80, 94-102.

 

• Kolisch, R. (1996). Series and Parallel Resource Constrained Project Scheduling Method Revisited: Theory and Computation, European Jounal Of Operational Research 90,320-333.

 

• Lee, J.K. and Y.D. Kim (1996), Search Heuristics for Resource Constrained Project Scheduling, Jounal of the Operational Research Society, 47, 678-689.

 

• Kohlmorgen, U., H. Schmeck and K. Haase (1999), Experiences with Fine-Gained Parallel Genetic Algorithms, Annals of Opertions Reseach, 90, 203-219.

 

• S. Hartmann, A competitive genetic algorithm for resource-constrained poject scheduling, Naval Research Logistics 49 (2002) 433-448.

 

• J. Alcaraz, C. Maroto, A robust genetic algorithm for resource allocation in poject scheduling, Annals of Operations Research 102 (2001) 83-109.

 

• S. Hartmann, A self-adapting genetic algorithm for project scheduling under resource constraints, Naval Research Logistics 49 (2002) 433-448.

 

• Y.C. Toklu, Appliction of genetic algorithm to construction scheduling with o without resouce constraints, Candian Journal of Civil Engineeing 29 (2002) 421-429.

 

• K.S. Hindi, H. Yang, K. Fleszar, An evolutionary algorithm for resource-constrained project scheduling, IEEE Transaction on Evolutionary Computation 6 (2002) 512-518.

 

• J. Coelho, L. Tavares, Comparative analysis of metaheuicstics for the resource constrained project scheduling problem, Technical, report, Depertmant of Civil Engineering, Instituto Superior Tecnico, Portugal.

 

• J. Gonclves, J. Mendes, A random key based genetic algorithm for the resource-constained poject scheduling problem. Technical report, Depatamento de Engenharia Universidade do Porto, 2003.

 

• Goncalves JF, Beirao NC. Um algoritmo genetic baseado em chaves aleatorias para sequenciamento de operacoes. Revista Associacao Portuguesa Investigacao Opeacional 1999;19:123-37 (in Portuguese).

 

• Mendes. J.J.M, Goncalves. J.F, Resende. M.G.C. A random key based genetic algorithm for the resource constrained project scheduling problem. Computers and Operations Research 36 (2009) 92-109.

 

• P.R. Thomas, S. Salhi, A tabu search approach for the resource constrained project scheduling problem, Journal of Heuristics 4 (1998) 123-139.

 

• T. Baar, P. Brucker, S. Knust, Tabu-search algorithm and lower bounds for the resource-constrained project scheduling problem, in: S. Voss, S. Martello, I. Osman, C. Roucairolb (Eds), Meta-heuristics: Advances and Trends in Local Search Paradigms for optimization, Kluwer Academic Publishers, Dordrecht, 1998, pp. 1-8.

 

• R. Klein, Project scheduling with time-varying resource-constraints, International Journal of Production Research 38(16) (2000) 3937-3952.

 

• K. Nonobe, T. Ibaraki, Formulation and tabu search algorithm for the resource constrained project scheduling problem, in: C.C. Ribeiro, P. Hansen (Eds.), Essays and Surveys in Metaheuristics, Kluwer Academic Publishers, 2002, pp. 557-588.

 

• N. Pan, P. Wen Hsaio, K. Chen, A study of project scheduling optimization using Tabu Search algorithm, Engineering Applications of Artificial Intelligence 21 (2008) 1101-1112.

 

• P. Tormos, A. Lova, A competitive heuristics solution technique for resource-constrained project scheduling, Annals of Operations Research 102 (2001) 65-81.

 

• V. Valls, M.S. Quintailla, F. Ballestin, Resource-constrained project scheduling: A critical reordering heuristic, European Journal of Operational Research 149 (2003) 282-301.

 

• V. Valls, F. Ballestin, M.S. Quintanilla, Justification and RCPSP: A technique that pays, European Journal of Operational Research 165 (2005) 375-386.

 

• H. Zhang, X. Li, H. Li, F. Huang,”Particle swarm optimization-based schemes for resource-constrained project scheduling “, Automation in construction 14 (2005) 393-404.

 

• R.M. Chen, C,L, Wu, C.M. Wang, Sh.T. Lo, “Using novel particle swarn optimization scheme to solve resource-constrained scheduling problem in PSPLIB “, Expert Systems with Applications, Volume 37. Issue 3, 15 March, 2010, pp. 1899-1910.

 

• A. Ahmadi-Javid, P. Hooshangi-Tabrizi, An Anarchic Society Optimization Algorithm for a Flow-Shop Scheduling Problem with Multiple Transporters between Successive Machines, Proceedings of the 2012 International Conference Industrial Engineering and Operations Management Istanbul, Turkey, July 3-6, 2012.

 

• Pritsker A. A.B., Watters, L. J., Wolfe, P. M., (1969). Multi project Scheduling with Limited Resources: A Zero-one Programming Approach, Management Science, 16, 93-108

 

• Alvarez-Valdez, R. , Tamarit, J. M. , (1993). The Project Scheduling Polyhedron: Dimensions, Facts and Lifting Theorems European Jornal of Operational Research 67, 204-220

 

• Mingozzi A. , Maniezzo, V. , Ricciardelli, S., and Bianco, L. (1998), An Exact Algorithm for Resource Constrained Project Scheduling Problem based on a new mathematical Formulation, Management Science, 44, 715-729.

 

• J.Kennedy and R. Eberhart, “Particle swarn optimization”, Proceedings of the IEEE International Conference on Neural Networks (Perth, Australia) 1942-1948, 1995.

 

• Kolisch, R. and A. Sprecher (1996), PSPLIB - A project scheduling library, European Journal of Operational Research,Vol. 96, pp. 205–216.

 

• kolisch,R.,Sprecher,A.,Drexl,A,Charactrization and generation of a general class of resource-constrained project scheduling problems.Management science 41,pp.1693-1703.1995

 

[۴۳] Taguchi, G., 1986. Introduction to quality engineering. White Plains: Asian Productivity Organization/UNIPUB.
[۴۴] R. Kolisch und S. Hartmann (2006): Experimental Investigation of Heuristics for
Resource-Constrained Project Scheduling: An Update, European Journal of
Operational Research 174, 23-37, 2006.
پیوست ها

نتایج آزمایش الگوریتم ASO برای سری ۳۰ فعالیت

 

نام فایل

در بررسی مقالاتی که ما انجام دادیم، مطالعه ای از نمای SMV در تشخیص اجسام خارجی ناحیه فک و صورت و سر استفاده نکرده بود، تا بتوان نتایج آن را با مطالعه حاضر مقایسه نمود.
به علاوه، مطالعات کافی برای مقایسه نتایج حاصل از مطالعه ما در شناسایی اجسام خارجی توسط CBCT (به ویژه درون حفره هوادار) وجود ندارد، ولی در مطالعه Aras و همکاران (۶)، از CT در شناسایی اجسام خارجی با شرایطی مشابه مطالعه ما استفاده شده است که در بخش ‏۴-۱-۱ به آن پرداخته ایم.

در روش های تصویربرداری که می توانند بازسازی حجمی از تصویر ارائه دهند و یا به صورت برشی تصویربرداری می کنند (مانند CT، CBCT و MRI)، محل قرارگیری جسم خارجی نقش کمتری در میزان شناسایی آن دارد. با توجه به اینکه CT و CBCT، دو روش تصویربرداری بر پایه اشعه x هستند، نتایج حاصل از این دو در مطالعات مختلف را می توان مورد مقایسه قرار داد. یکی از این مطالعات، مطالعه Venter و همکاران (۷۷) است، که به مقایسه حساسیت تشخیصی رادیوگرافی معمولی، CT، MRI و اولتراسوند در شناسایی اجسام خارجی چوبی پرداخته است. جسم خارجی در مطالعه مذکور در محل ران مرغ قرار گرفته بود، ولی حساسیت تشخیصی CT در این مطالعه برابر ۲/۷۲ درصد بود. این در حالی است که حساسیت تشخیصی CBCT در شناسایی اجسام خارجی چوبی در ناحیه لب (بافت نرم) در مطالعه ما ۸/۱۸ درصد است. این تفاوت در حساسیت تشخیصی یا ناشی از خطای مشاهده در یکی از دو مطالعه است و یا معنادار بوده و مقایسه این دو روش تصویربرداری در شرایطی یکسان را می طلبد. در بخش ‏۴-۱-۳ جنبه های دیگر این مطالعه مورد بررسی و مقایسه با مطالعه حاضر قرار گرفته است.
جنس جسم خارجی
جسم خارجی غیر رادیواپاک در تصویربرداری بر پایه اشعه x سیگنالی ایجاد نمی‌کند. بنابراین، جنس جسم خارجی تعیین می‌کند که آیا در یک روش تصویربرداری قابل‌مشاهده خواهد بود و آیا اندازه آن می‌تواند در شدت و ابعاد تصاویر حاصل تأثیر بگذارد یا نه. جسم خارجی زمانی قابل‌مشاهده می‌گردد که میزان سیاه و سفیدی جسم در محل با پیرامونش متفاوت باشد (۶). گرچه، ممکن است با کوچک تر شدن اندازه جسم، دیگر قابل‌مشاهده نباشد (۷). در مطالعه ما، اجسام خارجی با ۴ جنس مختلف و در دو اندازه بزرگ و کوچک مورد استفاده قرار گرفت. جدول ۴-۱ دانسیته اجسام به‌کاررفته در مطالعه و ساختمآن‌های پیرامون آن را برحسب واحد هانسفیلد^[۱۸] نشان می‌دهد.

 

جدول ۴-۱٫ دانسیته اجسام خارجی به‌کاررفته و ساختمان‌های مجاور آن (۶, ۷۹)
	واحد هانسفیلد (HU)
شیشه	۱۸۰۰ – ۵۰۰
چوب	۱۳۰ – ۶۰۰-
سنگریزه	۲۹۰۰ – ۲۲۰۰
استخوان	۳۰۰۰ – ۷۰۰
عضله	۴۰ – ۱۰
هوا	۱۰۰۰-

شناسایی اجسام خارجی رادیواپاک توسط تصویربرداری برپایه اشعه x راحت تر از اجسام غیر اپاک است (۲). در مطالعه کنونی، هر سه جنس شیشه معمولی، شیشه باریوم دار و سنگریزه در تصویربرداری های رادیوگرافی با نمای لترال سفالومتریک و SMV، با حساسیت تشخیصی مناسبی شناسایی شدند. البته حساسیت تشخیصی سنگریزه (لترال سفالومتری ۱۰۰% و SMV 9/47%) بیشتر از شیشه باریوم دار (لترال سفالومتری ۷/۹۱% و SMV 8/43%) و شیشه باریوم دار بیشتر از شیشه معمولی (لترال سفالومتری ۱/۷۷% و SMV 5/37%) بود، که این نشان از تأثیر دانسیته بر حساسیت تشخیصی دارد. همانطور که گفته شد حساسیت تشخیصی CBCT در شناسایی اجسام خارجی از جنس شیشه معمولی، شیشه باریوم دار و سنگریزه ۱۰۰ درصد بود. این یافته توانایی بالای CBCT در شناسایی اجسام خارجی با دانسیته قابل قبول را نشان می دهد.
شناسایی اجسام خارجی غیر اپاک می‌تواند مشکل ساز باشد. در برخی از مطالعات، CT و اولتراسونوگرافی ما را برای به تصویر کشیدن اجسام خارجی غیر اپاک امیدوار کرده اند (۲). یافته های حاصل از مطالعه ما نشان داد که سه روش تصویربرداری مورد مطالعه، کمترین حساسیت را برای تشخیص جسم خارجی چوبی دارند. به گونه‌ای که حساسیت تشخیصی لترال سفالومتری و SMV برابر صفر بوده و حتی CBCT هم نمی‌تواند به خوبی جسم خارجی چوبی را شناسایی کند (حساسیت تشخیصی ۳/۶ درصد).
در مطالعه Aras و همکاران (۶) کیفیت تصویر جسم خارجی چوبی در نمای لترال سفالومتریک همانند مطالعه ما برابر صفر بود. کیفیت تصویر اجسام خارجی از جنس شیشه در مطالعه مذکور در هر سه ناحیه (۲+) بود، در حالیکه در مطالعه ما در ناحیه سینوس، لب و زاویه مندیبل به ترتیب ۳+، ۱+ و ۲+ است. در این مطالعه کیفیت تصویر سنگریزه در زاویه مندیبل شبیه به مطالعه ما (۳+) و در دو ناحیه دیگر یک درجه کمتر بود. این نتایج با وجود اختلافات جزئی موجود، نتایج ما را تأیید می کنند، و اختلافات اندک را می توان به خطای احتمالی مشاهده گران یا دید متفاوت آن ها از مقیاس مورد استفاده برای کیفیت تصویر ارتباط داد.
این مطالعه همچنین به بررسی کارایی CT در شناسایی اجسام خارجی پرداخته است. در این مطالعه کیفیت تصاویر حاصله از اجسام خارجی از جنس شیشه و سنگریزه مشابه با کیفیت بدست آمده از CBCT در مطالعه ما بود. با این وجود، در مورد اجسام خارجی چوبی واقع در ناحیه زاویه مندیبل، درون زبان و درون سینوس ماگزیلا، کیفیت تصویر حاصله به ترتیب ۰، ۱+ و ۲+ بود. این در حالی است که در مطالعه کنونی، کیفیت تصویر اجسام خارجی چوبی در هر سه ناحیه برابر صفر است. با توجه به شباهت های این دو روش تصویربرداری (CT و CBCT) می توانیم به مقایسه نتایج با مطالعه ما بپردازیم. علت احتمالی این تفاوت در کیفیت تصویر اجسام چوبی می تواند به تفاوت دانسیته چوبی مرتبط باشد که در این دو مطالعه مورد استفاده قرار گرفته است. مطالعات نشان داده است که تراکم چوب محدوده گسترده ای از -۶۰۰ HU تا +۱۳۰ HU را شامل می‌گردد، که به سختی و میزان رطوبتش بستگی دارد (۷۹). علت محتمل دیگر می تواند متفاوت بودن تکنیک تصویربرداری می باشد. به این دلیل که CT می تواند soft tissue window ارائه دهد ولی در تکنیک تصویربرداری CBCT این امکان وجود ندارد، در نتیجه اختلاف دانسیته جسم خارجی با محیط پیرامون کمتر شده و شناسایی آن را مشکل تر سازد. از سوی دیگر، این تفاوت در یافته ها می تواند پیشنهاد دهنده انجام مطالعه ای مجزا برای مقایسه CT و CBCT در شناسایی اجسام خارجی با دانسیته پایین باشد.
مطالعات دیگری در رابطه با شناسایی اجسام خارجی رادیولوسنت توسط روش های تصویربرداری انجام شده است. نتایج حاصل از مطالعه Ober و همکاران (۷۶) در شناسایی اجسام خارجی چوبی در ناحیه دست سگ، نشان می دهد که در این ناحیه CT دقت تشخیصی بیشتری نسبت به اولتراسوند و MRI دارد. این در حالی است که در مطالعه Turkcuer و همکاران (۱۷)، اولتراسوند توانست بهتر از رادیوگرافی های معمولی اجسام خارجی رادیولوسنت را در ناحیه ران مرغ شناسایی کند (حساسیت تشخیصی ۹۰ درصد در مقابل ۵ درصد). با توجه به تأثیر محل جایگذاری جسم خارجی چوبی در میزان شناسایی آن توسط روش های تصویربرداری مختلف، در بخش ‏۴-۱-۳ به بررسی و مقایسه این دو مطالعه پرداخته ایم.
در مطالعه ای که Lue و همکاران (۷۸) در سال ۲۰۰۰ انجام داده اند، از استخوان ماهی های مختلف که دارای رادیواپاسیته های متفاوت بودند، استفاده شد و توسط رادیوگرافی معمولی و CT تصویربرداری به عمل آمد. آنان به این نتیجه رسیدند که رادیوگرافی های معمولی در به نمایش در آوردن استخوان ماهی در بافت نرم ضعیف عمل می کنند و میزان رویت این اجسام خارجی به گونه ماهی (میزان رادیواپاسیته)، محل و راستای جایگذاری بستگی دارد. نتایجی که مطالعه ما نیز آن ها را تأیید می کند و بر تأثیر جنس و محل جایگذاری در شناسایی اجسام خارجی صحه می گذارد. Lue و همکاران، همچنین اشاره کردند که CT، مدالیته انتخابی برای تشخیص استخوان ماهی است. در مطالعه حاضر هم CBCT با دقت بیشتری نسبت به رادیوگرافی توانست اجسام خارجی با رادیواپاسیته های گوناگون را بشناسد.
محل جایگذاری جسم خارجی
یافته های حاصل از مطالعه ما نشان می دهد که حساسیت تشخیصی روش های تصویربرداری مورد استفاده در شناسایی اجسام خارجی واقع در ناحیه لب (۸/۶۹%) بیشتر از زوایه مندیبل (۶۳%)، و زاویه مندیبل بیشتر از سینوس ماگزیلا (۲/۴۳%) است. حساسیت تشخیصی CBCT در هر سه ناحیه بیشتر از رادیوگرافی دیجیتال در نمای لترال سفالومتریک بوده و آن هم بیشتر از نمای SMV بود.
ناکارآمدی نمای SMV در شناسایی اجسام واقع در سینوس ماگزیلا (حساسیت ۰ درصدی) سبب افت شدید حساسیت تشخیصی مجموع روش های تصویربرداری در این ناحیه شده است. برای تأیید این گفته نتایج حاصل از این نمای رادیوگرافی را حذف کرده و حساسیت تشخیصی را مجدداً محاسبه کردیم. پس از این اقدام، حساسیت تشخیصی دو روش تصویربرداری دیگر در ناحیه لب، زاویه مندیبل و سینوس ماگزیلا به ترتیب برابر است با ۳/۷۷%، ۴/۷۳% و ۸/۶۴%. همانطور که مشهود است، با حذف SMV تفاوت در حساسیت تشخیص اجسام کمتر می گردد.