فصل دوم پایان نامه داده کاوی در سازمان (docx) 1 صفحه
دسته بندی : تحقیق
نوع فایل : Word (.docx) ( قابل ویرایش و آماده پرینت )
تعداد صفحات: 1 صفحه
قسمتی از متن Word (.docx) :
centercenter
2042160-187325دانشگاه علامه طباطبايي
دانشکده مديريت و حسابداري
پايان نامه کارشناسي ارشد رشته مديريت امور شهري
کاربرد داده کاوي در کشف دانش پنهان ميان داده هاي سامانه 137 شهرداري تهران
استاد راهنما
دکتر جمال شهرابي
استاد مشاور
دکتر غلامرضا کاظميان
پژوهشگر
مينا گشادرو
زمستان 1390
تقديم به مادرم
آن که از نگاهش صلابت،
از رفتارش محبت
و از صبرش ايستادگي را آموختم...
به رسم ادب و احترام برخود لازم مي دانم، زحمات کليه اساتيد گرانقدرم را ارج نهاده و مراتب تشکر و سپاسگزاري قلبي خويش را از الطاف ايشان ابراز دارم.
از جناب آقاي دکتر شهرابي استاد راهنماي گرامي که با راهنمايي هاي ارزنده و حمايت هاي هميشگي شان نقش چشمگيري در به ثمر رسيدن اين تحقيق داشته اند صميمانه تشکر مي کنم.
از جناب آقاي دکتر کاظميان استاد مشاور گرامي به خاطر مساعدت ها و هم فکري هاي بي دريغشان سپاسگزارم. بي شک انجام اين پژوهش بدون همکاري و همدلي اين اساتيد غير ممکن مي نمود.
هم چنین از جناب آقای مهندس مجیدی مدیر فنی مرکز سامانه مدیریت شهری 137 و جناب آقای فرهند معاون فرهنگی-اجتماعی شهرداری تهران به خاطر همکاری های صمیمانه شان در دریافت اطلاعات مورد نیاز و نیز از جناب آقای مهندس هداوندی که با راهنمایی های ارزنده خود سهم بسزایی در پیشرفت کار داشتند تشکر می نمایم.
در پايان از خانواده ي مهربانم به ويژه خواهرم به خاطر صبوري، بردباري و حمايت هاي دلسوزانه شان سپاسگزارم.
پبامبر اکرم (ص):
دانش اگر در ثريا هم باشد مردماني از سرزمين پارس بدان دست خواهند يافت.
چکيده
شهرداري يکي از کليدي ترين سازمان هايي است که در ارائه ي خدمات شهري به شهروندان نقش مهمي ايفا مي کند. اين سازمان با به کار بستن دانش فن آوري اطلاعات و سيستم هاي مخابراتي و نيز توان متخصصان داخلي و مجرب در مديريت شهري، سامانه اي را ايجاد نموده است که شهروندان را نسبت به محيط زندگي خويش وارد عرصه مديريت مي نمايد و تلاش نموده امور شهري را با مشارکت فعال همين شهروندان به انجام رساند. از اين رو مي توان سامانه ي 137 را بانك اطلاعاتي دانست كه داده هاي ارزشمندي در زمينه ي مسايل شهري در آن جاي گرفته است.
اطلاعات حاصل از اين سامانه، حاوي مطالب مفيدي در مورد خدمات ارائه شده به شهروندان است و مي تواند به عنوان منبعي مهم و مناسب در انجام تحليل هاي داده کاوي مورد استفاده قرار بگيرد. به عنوان نمونه با استفاده از اين تحليل ها مي توان وقايع و مشکلاتي که ممکن است در آينده گريبان شهر را بگيرد پيش بيني کرد و آماده مقابله با اين مشکلات شد.
در اين تحقيق که از نوع تحقيقات کاربردی –توصيفی محسوب می شود، داده هاي سال 1389 سامانه 137 با استفاده از نرم افزار کلمنتاين 12 براي انجام فرايند داده کاوي مورد استفاده قرار گرفته است. يکي از نتايج اين تحقيق تعيين همگني مناطق از منظر سامانه 137 با استفاده از تکنيک خوشه بندي به دو دسته است؛ که نشان مي دهد مناطقي که در دسته دوم قرار گرفته اند آمادگي و آگاهي بيشتري براي برقراري ارتباط با سامانه دارند و ميزان تماس بالاتر شهروندان اين مناطق ارتباطي با مشکلات بيشتر آن ها ندارد.
هم چنين با استفاده از قوانين وابستگي ارتباط ميان مشکلات، مناطق و نواحي مورد بررسي قرار گرفته است و مشخص گرديد کدام نواحي در هر منطقه بيشتر مستعد بروز برخي مشکلات و معضلات شهري هستند که شهرداري مي تواند با کسب آمادگي بيشتر از بروز آن جلوگيري نمايد.
علاوه بر آن، نتايج به دست آمده، الگوهاي جالبي را نيز در پيش بيني تعداد تماس هاي مربوط به آب گرفتگي و آب افتادگي يک منطقه بر اساس ميزان بارش و يا تعيين وابستگي ميان پيام هاي آب گرفتگي بين نواحي مختلف يک منطقه خاص به دست داد.
انتظار مي رود نتايج به دست آمده در مديريت مشکلات شهري و افزايش سطح رضايت مندي شهروندان موثر واقع شود.
کلمات کليدي مديريت شهري، سامانه ي 137، داده کاوي، خوشه بندي، قوانين وابستگي، مدل خطي تعميم بافته، شبکه عصبي.
فهرست مطالب
عنوان صفحه
فصل اول: کليات
TOC \o "1-3" \f \h \z \u \t "Heading 4,1" مقدمه PAGEREF _Toc350583291 \h 1
1-1- بيان مساله PAGEREF _Toc350583292 \h 2
1-2- هدف تحقيق PAGEREF _Toc350583293 \h 3
1-3- سوالات تحقيق PAGEREF _Toc350583294 \h 3
1-4- اهميت و ضرورت تحقيق PAGEREF _Toc350583297 \h 4
1-5- قلمرو تحقيق PAGEREF _Toc350583298 \h 5
1-5-1-از منظر سازماني PAGEREF _Toc350583299 \h 5
1-5-2-از منظر زماني و مکاني PAGEREF _Toc350583300 \h 5
1-5-3-از منظر موضوعي PAGEREF _Toc350583301 \h 5
1-6- روش تحقيق و جمع آوري اطلاعات PAGEREF _Toc350583302 \h 5
1-7- تعريف واژه ها و اصطلاحات فنی PAGEREF _Toc350583303 \h 6
1-8- خلاصه فصل اول PAGEREF _Toc350583305 \h 6
فصل دوم: ادبيات تحقيق
مقدمه PAGEREF _Toc350583306 \h 8
2-1- مباني نظري PAGEREF _Toc350583308 \h 9
2-1-1-تاريخچه داده کاوي PAGEREF _Toc350583309 \h 9
2-1-2-تعريف داده کاوي PAGEREF _Toc350583310 \h 10
2-1-3-انواع داده کاوي PAGEREF _Toc350583311 \h 11
2-1-4-دلايل استفاده از داده کاوي PAGEREF _Toc350583312 \h 12
2-1-5-پيش نيازهاي يک داده کاوي موفق PAGEREF _Toc350583313 \h 12
2-1-6-مراحل فرايند داده کاوي ( استاندارد CRISP-DM ) PAGEREF _Toc350583314 \h 13
2-1-6-1شناخت کسب و کار PAGEREF _Toc350583315 \h 14
2-1-6-2شناخت داده ها PAGEREF _Toc350583316 \h 14
2-1-6-3آماده سازي داده ها PAGEREF _Toc350583317 \h 15
2-1-6-4مدل سازي PAGEREF _Toc350583318 \h 15
2-1-6-5ارزيابي مدل PAGEREF _Toc350583319 \h 15
2-1-6-6توسعه ي مدل PAGEREF _Toc350583320 \h 16
2-1-7-قابليت هاي اساسي داده کاوي PAGEREF _Toc350583321 \h 16
2-1-7-1 طبقه بندي PAGEREF _Toc350583322 \h 16
2-1-7-2 پيش بيني PAGEREF _Toc350583323 \h 17
2-1-7-3تحليل خوشه اي PAGEREF _Toc350583324 \h 17
2-1-7-4تخمين PAGEREF _Toc350583325 \h 18
2-1-7-5گروه بندي شباهت يا قوانين وابستگي PAGEREF _Toc350583326 \h 19
2-1-7-6توصيف و نمايه سازي PAGEREF _Toc350583327 \h 20
2-1-8-دسته بندي الگوريتم هاي داده کاوي PAGEREF _Toc350583328 \h 20
2-1-9-الگوريتم هاي خوشه بندي PAGEREF _Toc350583329 \h 21
2-1-9-1روش افرازي ( تقسيم بندي) PAGEREF _Toc350583330 \h 21
2-1-9-1-1الگوريتم K-means PAGEREF _Toc350583331 \h 22
2-1-9-2روش هاي سلسله مراتبي PAGEREF _Toc350583332 \h 22
2-1-9-3روش هاي مبتني بر چگالي PAGEREF _Toc350583333 \h 23
2-1-10-الگوريتم هاي وابستگي قواعد PAGEREF _Toc350583334 \h 23
2-1-10-1الگوريتم Naïve PAGEREF _Toc350583335 \h 23
2-1-10-2 الگوريتم Apriori PAGEREF _Toc350583336 \h 24
2-1-11-الگوريتم هاي طبقه بندي PAGEREF _Toc350583337 \h 26
2-1-11-1الگوريتم درخت طبقه بندي و رگرسيون (CART) PAGEREF _Toc350583338 \h 26
2-1-11-2الگوريتم درخت تصميم C4.5 PAGEREF _Toc350583339 \h 27
2-1-11-3الگوريتم هاي شبکه هاي بيزين PAGEREF _Toc350583340 \h 29
2-2-1-مديريت شهري و شهرداري PAGEREF _Toc350583342 \h 30
2-2-2-نقش فن آوري اطلاعات در توسعه ي مديريت شهري PAGEREF _Toc350583343 \h 31
2-2-3-معرفي سامانه مديريت شهري 137 شهرداري تهران PAGEREF _Toc350583344 \h 33
2-2-3-1نحوه ي عملکرد سامانه مديريت شهري 137 PAGEREF _Toc350583345 \h 36
2-2-3-2ماموريت هاي مرکز سامانه مديريت شهري 137 PAGEREF _Toc350583346 \h 38
2-2-3-3رويکردهاي اجرايي مرکز سامانه مديريت شهري 137 PAGEREF _Toc350583347 \h 38
2-2-3-4چشم انداز مرکز سامانه مديريت شهري 137 PAGEREF _Toc350583348 \h 39
2-2-3-5ساختار سازماني سامانه مديريت شهري 137 PAGEREF _Toc350583349 \h 39
2-2 مدل مفهومي تحقيق PAGEREF _Toc350583350 \h 40
2-3- ادبيات ياپيشينه تحقيق PAGEREF _Toc350583351 \h 40
2-4- خلاصه فصل دوم PAGEREF _Toc350583352 \h 44
فصل سوم: روش تحقيق
مقدمه PAGEREF _Toc350583353 \h 46
3-1- نوع تحقيق PAGEREF _Toc350583355 \h 46
3-2- مدل فرايندي داده کاوي بر اساس استاندارد CRISP-DM PAGEREF _Toc350583356 \h 47
3-2-1-شناخت کسب و کار PAGEREF _Toc350583357 \h 47
3-2-2-شناخت داده ها PAGEREF _Toc350583358 \h 48
3-2-3-آماده سازي داده ها PAGEREF _Toc350583359 \h 48
3-2-4-مدل سازي PAGEREF _Toc350583360 \h 49
3-2-5-ارزيابي مدل PAGEREF _Toc350583361 \h 49
3-2-6-توسعه مدل PAGEREF _Toc350583362 \h 49
3-3-داده هاي تحقيق PAGEREF _Toc350583363 \h 50
3-4-جامعه آماري, روش نمونه گيري و حجم نمونه PAGEREF _Toc350583364 \h 50
3-5-روش گردآوري اطلاعات و ابزار سنجش PAGEREF _Toc350583365 \h 50
3-6-نوع داده ها و مقياس آن ها PAGEREF _Toc350583366 \h 51
3-7-ساختار اجرايي تحقيق PAGEREF _Toc350583367 \h 51
3-7-1-درک مساله کسب و کار PAGEREF _Toc350583368 \h 51
3-7-2-درک داده ها PAGEREF _Toc350583369 \h 52
3-7-3-آماده سازي داده ها PAGEREF _Toc350583370 \h 53
3-7-4-مدل سازي PAGEREF _Toc350583371 \h 55
3-7-5-ارزيابي نتايج PAGEREF _Toc350583372 \h 56
3-7-6-به کارگيري مدل PAGEREF _Toc350583373 \h 56
3-8-مدل اجرايي تحقيق PAGEREF _Toc350583374 \h 56
3-9-خلاصه فصل سوم PAGEREF _Toc350583375 \h 58
فصل چهارم: تجزيه و تحليل داده ها
مقدمه PAGEREF _Toc350583376 \h 60
4-1- توصيف داده ها PAGEREF _Toc350583378 \h 60
4-2- تحليل توصيفي داده ها با استفاده از جداول و نمودارهاي توصيفي PAGEREF _Toc350583379 \h 63
4-2-1-طبقه بندي بر اساس نوع مشکل PAGEREF _Toc350583380 \h 63
4-2-2-طبقه بندي بر اساس منطقه بروز مشکل PAGEREF _Toc350583381 \h 66
4-2-3-شاخص‌هاي توصيفي سرانه PAGEREF _Toc350583382 \h 67
4-3- تحليل داده ها با استفاده از تکنيک هاي داده کاوي PAGEREF _Toc350583383 \h 70
4-3-1-شناسايي مناطق همگن از منظر سامانه 137 PAGEREF _Toc350583384 \h 70
4-3-1-1ارزيابي خوشه ها PAGEREF _Toc350583385 \h 76
4-3-2-پيش بيني وضعيت تماس هاي آب گرفتگي در هر يک از مناطق به ازاي بارش هر ميليمتر باران PAGEREF _Toc350583386 \h 77
4-3-2-1 مدل تعميم يافته خطي PAGEREF _Toc350583387 \h 77
4-3-2-2مدل شبکه‌هاي عصبي PAGEREF _Toc350583388 \h 82
4-3-3تعيين ارتباط ميان آب گرفتگي نواحي مختلف يک منطقه PAGEREF _Toc350583389 \h 84
4-3-4تعيين نواحي مستعدتر در هر منطقه در بروز مشکلات و معضلات شهري PAGEREF _Toc350583390 \h 86
4-4- خلاصه فصل چهارم PAGEREF _Toc350583391 \h 87
فصل پنجم: بحث و نتيجه گيری
مقدمه PAGEREF _Toc350583392 \h 89
5-1-خلاصه PAGEREF _Toc350583394 \h 89
5-2- دلايل با اهميت بودن نتايج و دستاوردهاي تحقيق PAGEREF _Toc350583395 \h 90
5-3- جنبه ي نوآوري تحقيق PAGEREF _Toc350583396 \h 91
5-4- نتايج تحقيق PAGEREF _Toc350583397 \h 91
5-4-1-نتايج تحليل توصيفي PAGEREF _Toc350583398 \h 91
5-4-2-نتايج حاصل از تحليل داده کاوي و ارائه ي دانش استخراج شده PAGEREF _Toc350583399 \h 94
5-4-2-1نتايج حاصل از شناسايي مناطق همگن با استفاده از روش خوشه بندي دو مرحله اي PAGEREF _Toc350583400 \h 94
5-4-2-2- نتايج پيش بيني تماس هاي آب گرفتگي در هر يک از مناطق به ازاي بارش هر ميليمتر باران PAGEREF _Toc350583401 \h 95
5-4-2-3تعيين ارتباط میان آب گرفتگي نواحي مختلف يک منطقه96
5-4-2-4نتايج تحليل قوانين وابستگي براي شناسايي نواحي مستعدتر در هر منطقه در بروز مشکلات و معضلات شهري PAGEREF _Toc350583403 \h 97
5-5- پاسخ به سوالات تحقيق PAGEREF _Toc350583404 \h 97
5-6- محدوديت‌هاي تحقيق PAGEREF _Toc350583405 \h 98
5-7- پيشنهادات تحقيق PAGEREF _Toc350583406 \h 99
5-8- پيشنهادات جهت تحقيقات آتي PAGEREF _Toc350583407 \h 100
5-9- خلاصه فصل پنجم PAGEREF _Toc350583408 \h 101
فهرست منابع102
چکیده انگلیسی105
فهرست جداول
عنوان صفحه
TOC \h \z \t "Mina -Jadval,1" جدول 2-1 : نمونه اي از جدول پيام PAGEREF _Toc317048851 \h 35
جدول 2-2: تحقيقات خارجي در زمينه کاربرد داده کاوي در مراکز تماس PAGEREF _Toc317048852 \h 444
جدول4-1 : فيلد هاي جدول پيام61
جدول 4-2: فيلد هاي جدول اطلاعاتي مربوط به اعتبار مصوب عمراني مناطق PAGEREF _Toc317048854 \h 61
جدول4-3: فيلد هاي جدول اطلاعاتي مربوط به بارش مناطق PAGEREF _Toc317048855 \h 61
جدول4-4: فراواني گروه هاي تماس PAGEREF _Toc317048856 \h 63
جدول4-5 پراکندگي مشکلات مربوط به گروه جمع آوري و نصب65
جدول4-6 : طبقه بندي مشکلات بر اساس منطقه PAGEREF _Toc317048858 \h 66
جدول 4-7 سرانه تماس و بودجه مناطق بيست و دو گانه تهران68
جدول4-8: شاخص‌هاي نيکويي برازش PAGEREF _Toc317048860 \h 78
جدول4-9: آزمون درستنمايي مدل خطي تعميم يافته PAGEREF _Toc317048861 \h 78
جدول4-10 آزمون عوامل مدل خطي تعميم يافته79
جدول4-11 آزمون ضرائب مدل خطي تعميم يافته79
جدول4-12 بخشي از ارتباط‌هاي دنباله‌اي شناسايي شده PAGEREF _Toc317048864 \h 85
جدول4-13 قوانين شناسايي شده به روش GRI PAGEREF _Toc317048865 \h 86
فهرست شکل ها
عنوان صفحه
TOC \h \z \t "Mina-Shekl,1" شکل 2-1 مراحل فرايند کشف دانش و جايگاه داده کاوي. PAGEREF _Toc363221364 \h 11
شکل2-2 مراحل فرايند CRISP-DM PAGEREF _Toc363221365 \h 13
شکل 2-1 چرخه گردش پيام- ماخذ: مرکز سامانه 137 PAGEREF _Toc363221366 \h 36
شکل 2-2ساختار سازماني سامانه مديريت شهري سامانه 137-ماخذ: مرکز مديريت سامانه 137 PAGEREF _Toc363221367 \h 39
شکل2-3 مدل مفهومي تحقيق PAGEREF _Toc363221368 \h 40
شکل3-1وضعيت ايستگاه هاي پنج گانه هواشناسي مستقر در شهر تهران مي باشد. PAGEREF _Toc363221369 \h 53
شکل3-2 روش اجرايي تحقيق PAGEREF _Toc363221370 \h 57
شکل4-1: درصد فراواني هر کدام از گروه‌هاي تماس PAGEREF _Toc363221371 \h 64
شکل 4-2 :سهم مناطق در تماس هاي از نوع "جمع آوري خاک و نخاله" و "نصب سطل زباله مخزن دار" PAGEREF _Toc363221372 \h 66
شکل4-3: رابطه ميان تعداد تماس، جمعيت و اعتبار مصوب عمرانی PAGEREF _Toc363221373 \h 69
شکل4-4 بررسي نه عامل اول در خوشه بندي PAGEREF _Toc363221374 \h 73
شکل4-5 بررسي نه عامل دوم در خوشه بندي PAGEREF _Toc363221375 \h 74
.شکل 4-6 بررسي هفت عامل آخر در خوشه بندي PAGEREF _Toc363221376 \h 75
شکل 4-7 اعضاي خوشه هاي اول و دوم PAGEREF _Toc363221377 \h 76
شکل 4-8 : آناليز مدل خطی تعميم يافته PAGEREF _Toc363221378 \h 81
شکل 4-9: نمودار صعود PAGEREF _Toc363221379 \h 81
شکل 4-10: مدل شبکه عصبي PAGEREF _Toc363221380 \h 83
شکل 4-11: آناليز مدل شبکه عصبی PAGEREF _Toc363221381 \h 84
شکل 5-1 : رابطه ميان تعداد تماس، جمعيت و اعتبار مصوب عمراني PAGEREF _Toc363221382 \h 93
شکل 5-2 اعضای خوشه اول و دوم PAGEREF _Toc363221383 \h 94
روش تحقيق و جمع آوري اطلاعات
تحقيق حاضر از نظر هدف کاربردي و از نظر روش تشريحي محسوب مي شود. در اجراي تکنيک هايداده کاوي، از نرم افزار Clementine 12 استفاده شده است. دليل استفاده از اين نرم افزار توانايي آن در پردازش مجموعه هاي داده اي بزرگ و متداول بودن آن در ميان کاربران است. در بخش آماده سازي داده ها از نرم افزارهايي نظير Sql server 2008، Excel 2007 و Spss 16 استفاده شده است.
داده هاي اصلي اين تحقيق شامل برشي از بانک داده سامانه 137 در مقطع سال 89 مي باشد که از طريق مراجعه حضوري به آن مرکز و طي مراحل استاندارد و قانوني گرد آوري گرديده است. ساير داده هاي تحقيق که شامل اعتبار مصوب عمراني مناطق و ميزان بارش روزانه در سال 89 مي شود از اطلاعات معتبر منتشر شده در سايت اينترنتي شهرداري و هواشناسي به دست آمده است.
تعريف واژه ها و اصطلاحات فنی
داده کاوي(Data Mining): علم استخراج اطلاعات مفيد از پايگاه‌هاي داده يا مجموعه داده‌اي مي‌باشد.
انباره داده ها (Data Warehouse) : مجموعه اي از داده هاي ذخيره شده به شکل الکترونيکي در يک سازمان که به منظور استفاده در فعاليت هاي تحليلي و گزارش گيري طراحي و راه اندازي شده است.
خوشه بندي(Clustering): يکي از تکنيک هاي مهم داده کاوي است که اشياء با تعداد زيادي مشخصه را به زيرگروههاي معني دار جدا ازهم تقسيم بندي مي کند. به طوري که اعضاي هر گروه از نظر مقدار مشخصه هايشان، بيشترين شباهت را به هم دارند و با اعضاي ساير گروه ها بيشترين تفاوت را دارند.( هن و کمبر 2006)
قوانين وابستگي (Association Rules): هدف قوانين وابستگي تعيين کردن اين است که چه پديده هايي با هم در ارتباط بوده و به هم وابسته اند. نمونه ي اصلي اين کار تعيين اقلامي است که با هم در چرخه ي خريد مشتريان يک سوپرمارکت قرار مي گيرند.
2
فصل دوم
ادبيات تحقيق
مقدمه
اصولاً پيدايش و رواج اصطلاح مديريت شهري به مفهوم جديد آن را بايد نتيجه ي تلاش هاي نظري و عملي براي غلبه بر انبوه مشکلات موجود در کلان شهرها به ويژه در نيمه دوم قرن بيستم دانست ( کاظميان، 1382، صص 43و 51). مديريت شهري معاني و محتواهاي متفاوتي براي انديشمندان مختلف در برداشته و دارد. مفاهيم و تعاريف اوليه در چارچوب سنت و طرز تلقي محدود، تکنوکراتيک و سياست زدايي شده از مديريت شهري ارائه شده اند. همه ي اين تعاريف مديريت شهري را در چارچوب اداره ي امور عمومي محدود مي کنند(Mattingly, 1994).
امروزه شهرها با افزايش مداوم جمعيت و نيازهاي اجتماعي وابسته به آن روبرو هستند ولي منابعي که در اختيار شهرداري ها قرار مي گيرد به همان نسبت افزايش نمي يابد. اهميت حفظ تعادل بين نيازهاي اجتماعي، اقتصادي و محيطي نسل حاضر و آينده از طيف توسعه انساني پايدار، تغيير پارادايمي را در مديريت شهري و ارائه ي خدمات شهري به وجود آورده است. اين تغيير پارادايم به ورود مفاهيمي چون مشارکت شهروندي، جامعه مدني، مقتدرسازي، مشغوليت مدني و حکمراني شهري انجاميده است(شريفيان ثاني، 1388، ص 43).
مشاوره و کسب نظر شهروندان، در صورتي که واقعي باشد، سودمند است. مخالفان نظارت شهروندي چنين نظارتي را سد راه ارائه ي خدمات مطلوب مي دانند. مشارکت عمومي همواره، امري مطلوب به شمار مي آيد، اما برنامه ريزان در عمل، براي جلب مشارکت شهروندان با مشکل روبرويند. مشارکت گونه هاي مختلف دارد که برخي از آن ها عبارتند از: مشارکت از طريق مشاوره و درخواست پاسخ به پرسش ها از سوي اجتماعات و مشارکت به دليل انگيزه هاي مادي که در آن اجتماع منابعي مانند نيروي کار و پول و غذا را در برابر محرک هاي مادي در اختيار مي گذارند(شريفيان ثاني، 1388، ص 42).
يکي از جنبه هاي بارز مشارکت مردم در اداره ي امور شهر برقراري ارتباط با شهرداري از طريق سامانه ي مديريت شهري 137 شهرداري تهران مي باشدکه تلاش نموده با سرلوحه قرار دادن اصول شهروند مداري، محله گرايي و مشارکت مردمي به رسيدگي به درخواست ها و مشکلات مردم شهر تهران بپردازد.
از طرف ديگر، امروزه شهرداري ها نيز هم چون ديگر سازمان ها غرق در انبوه داده ها و اطلاعاتي هستند که استفاده از آن ها در بيشتر موارد، محدود به انجام کارهاي جاري شده است. داده کاوي که استفاده از آن نيز روز به روز توسعه مي يابد، مي تواند منجر به استفاده از اين اطلاعات در زمينه ي تصميم گيري هاي استراتژيک شود.
در اين فصل به ارائه ي مباني نظري تحقيق، مفاهيم و ابعاد تحقيق و مدل مفهومي تحقيق مي پردازيم.
مباني نظري
تاريخچه داده کاوي
ايده اي که مبناي داده کاوي است، يک فرايند با اهميت از شناخت الگوهاي بالقوه مفيد، بديع و نهايتاً قابل درک از داده هاست. واژه «کشف دانش در پايگاه داده ها» که به معناي جستجوي دانش در اطلاعات است، در اوايل دهه 80 شکل گرفته است. کشف دانش و داده کاوي يک حوزه جديد، ميان رشته اي و در حال رشد است که حوزه هاي مختلفي هم چون پايگاه داده، آمار، يادگيري ماشين، مصور سازي، هوش مصنوعي، بازشناسي الگو و ساير زمينه هاي مرتبط را با هم تلفيق کرده است تا اطلاعات و دانش ارزشمند نهفته در حجم بزرگي از داده ها را استخراج نمايد( فياد و همکاران، 1996، هن و کمبر، 2006).
هن و کمبر (2006) داده کاوي را به صورت استخراج يا کاوش دانش از مقادير عظيم داده ها تعريف کرده و داده کاوي را مهم ترين مرحله در فرايند کشف دانش معرفي کرده اند. جايگاه استخراج دانش و کاوش داده ها در شکل 2-1 نشان داده شده است.
تعريف داده کاوي
داده کاوي به استخراج يا کاوش دانش از حجم زيادي داده اطلاق مي شود که در واقع تشبيهي از کاوش طلا از صخره ها و سنگ هاست. کاوش واژه اي صريح و روشن است که فرايند يافتن يک مجموعه ي کوچک از مواد با ارزش در حجم زيادي از مواد خام را توصيف مي کند. به اين ترتيب مفهوم داده کاوي به عنوان يک مفهوم کلي و عام مشخص مي شود. واژه هاي ديگري هم در متون علمي ديده مي شوند که مفاهيمي مشابه يا کاملاً نزديک به داده کاوي دارند؛ مثل کاوش دانش از بانک هاي اطلاعاتي، استخراج دانش، تحليل داده يا الگو.(Frawley 1992)
تعاريف مختلفي از داده کاوي ارائه شده است که چند مورد آن در زير آورده شده است:
داده کاوي استخراج اطلاعات مفهومي، ناشناخته و به صورت بالقوه مفيد از پايگاه داده مي باشد (Frawley 1992).
داده کاوي به معناي يافتن نيمه خودکار الگوهاي پنهان موجود در مجموعه داده هاي موجود مي باشد( هن و کمبر 2006).
داده کاوي علم استخراج اطلاعات مفيد از پايگاه هاي داده يا مجموعه داده اي مي باشد(هاند و ديگران 2001).
داده کاوي استخراج نيمه اتوماتيک الگوها، تغييرات، وابستگي ها، نابهنجاري ها و ديگر ساختارهاي معني دار آماري از پايگاه هاي بزرگ داده مي باشد(Larsed 2003).
داده کاوي عبارت است از فرايند اکتشاف دانش در بانک هاي اطلاعاتي به منظور يافتن الگوهاي معتبر، مفيد، جديد و قابل درک از داده ها(شهرابي، 1389).
داده کاوي مجموعه اي از تکينک هاي اکتشاف دانش در بانک هاي اطلاعاتي بر مبناي روش هاي پيشرفته تحليلي است که به عنوان ابزاري براي کارکردن بر روي اطلاعات با حجم بالا و کشف الگوهاي جديد در اين اطلاعات به کار مي رود (Gupta 2006).
داده کاوي تلاشي براي ارائه ي بينشي هوشمندانه به مديران براي شناخت بهتر کسب و کار و پيش بيني شرايط آينده، در طي يک فرايند پيچيده است (Gupta 2006).
-1625601082040داده کاوي در واقع يک فن آوري ميان گروهي است که با همکاري متخصصين بانک هاي اطلاعاتي، محرمانگي و امنيت اطلاعات، هوش مصنوعي و يادگيري ماشيني، آمار و گرافيک انجام مي- شود(فياد و همکاران، 1996، هن و کمبر، 2006).
شکل 2-1 مراحل فرايند کشف دانش و جايگاه داده کاوي(آخوندزاده نوقابی، 1388).
انواع داده کاوي
در عمل دو هدف مهم و اساسي داده کاوي، پيش بيني و تشريح است. در پيش بيني، بعضي از متغيرها يا حوزه هايي از مجموعه هاي داده اي به منظور پيش بيني ارزش ناشناخته يا آينده ي داده هاي ديگر مورد استفاده قرار مي گيرند، از سوي ديگر تشريح، بر يافتن الگوهاي تشريحي داده ها که مي توانند به وسيله انسان تعبير شوند تمرکز مي نمايد. در نتيجه داده کاوي را مي توان در يکي از گروه هاي زير جاي داد:
در داده کاوي پيش بيني کننده با استفاده از داده ها، مدل هايي براي پيش بيني مقادير متغيرهاي مورد نظر توليد مي گردد.
داده کاوي تشريحي با استفاده از الگوهايي که در اعداد مي يابد به تجزيه و تحليل و علت يابي يک يا چند پديده مي پردازد.
ازنظر پيش بيني کننده، هدف از داده کاوي توليد مدلي است که با استفاده از يک کد اجرايي، وظايفي چون پيش بيني، دسته بندي، تخمين مقدار، تخمين عملکرد و غيره را انجام دهد.
از نظر تشريح کننده، هدف حصول درکي کامل از سيستم تحليل شده به وسيله الگوهاي پنهان در آن و روابط درون مجموعه هاي داده اي است(مرکز مطالعات و برنامه ريزي شهر تهران 1388، ص 3).
دلايل استفاده از داده کاوي
در سال هاي اخير استفاده از تکنيک هاي داده کاوي رشد بسيار سريعي داشته است که از دلايل اين امر مي توان به موارد ذيل اشاره کرد(Gupta 2006):
سهولت توليد داده ها با استفاده از پردازش تحليلي برخط.
افزايش داده هاي ايجاد شده از طريق ابزارهاي الکترونيکي از قبيل تراکنش هاي خريد، عمليات بانک، کارت هاي اعتباري و ماهواره ها.
افزايش داده هاي ايجاد شده از طريق صفحات وب.
افزايش حجم ابزاهاي ذخيره داده ها شامل انواع حافظه ها.
کاهش هزينه هاي پردازش اطلاعات.
وجود محيط هاي رقابتي با توجه به جهاني شدن کسب و کار.
وجود نرم افزارهاي مفيد داده کاوي.
پيش نيازهاي يک داده کاوي موفق
براي انجام يک داده کاوي موثر، لازم است قبل از شروع به موارد زير توجه داشت(Gupta 2006):
ضمن آشنايي کامل با موضوع مورد بحث، مسئله ي داده کاوي به درستي تعريف و تبيين شده باشد.
داده ها موجود باشند.
داده هاي موجود مرتبط، کافي، مناسب و پاک سازي شده باشند.
مسئله با روش هاي پرس و جو يا ساير ابزارهاي کار با بانکهاي اطلاعاتي قابل حل نباشد.
نتايج حاصل از داده کاوي قابل اجرا و عملياتي باشد.
مراحل فرايند داده کاوي ( استاندارد CRISP-DM )
-519430220980 فرايند CRISP-DM يک متدولوژي استاندارد داده کاوي مي باشد که در اواخر سال 1996 توسط سه شرکت بزرگ دايملر کرايسلر (بنز)، SPSS، و NCR ايجاد گرديد. اين متدولوژي، يک مدل فرايندي براي داده کاوي ارائه مي دهد که مروري بر چرخه ي عمر هر پروژه ي داده کاوي بوده و شامل مراحل متناظر با يک پروژه، وظايف مربوطه و ارتباط بين اين وظايف مي باشد.
گام هاي اين متدولوژي در ادامه بيان شده است.
شکل2-2 مراحل فرايند CRISP-DM (Gupta,2006)
چرخه ي عمر يک پروژه ي داده کاوي، شامل 6 مرحله مي باشد که در شکل2-2 نشان داده شده است. توالي اين مراحل انعطاف پذير مي باشد و برگشت به مراحل قبلي و مسير هاي آزاد بين مراحل گاهي مورد نياز است. جهت پيکان هايي که در شکل مشاهده مي گردد، بيان کننده ي مهم ترين و تکراري ترين وابستگي هاي بين مراحل مي باشد.
شناخت کسب و کار
در اين مرحله لازم است که اهداف پروژه و نيازها از ديدگاه کسب و کار به طور مشخص تبيين شود. توجه به اين مرحله بسيار ضروري است و با شناخت کامل اهداف مي توان از قابليت هاي داده کاوي بهترين استفاده را کرد و الگوريتم مناسب را انتخاب نمود(هن و کمبر 2006).
گام هاي اين مرحله عبارتند از:
تعيين اهداف کسب و کار ( مفاهيم اوليه، اهداف و معيارهاي موفقيت).
ارزيابي موقعيت ( موجودي منابع، نيازمندي ها، فرضيه ها و محدوديت ها، ريسک ها و روابط، اصطلاحات و هزينه و فايده).
تعيين اهداف داده کاوي ( اهداف داده کاوي و معيار موفقيت).
توليد طرح پروژه.
شناخت داده ها
در اين مرحله مواردي از قبيل موجود بودن داده ها، محرمانگي داده ها، چگونگي دسترسي به داده ها و ميزان سيستمي بودن داده ها بررسي مي شود. تحليل صحيح در اين مرحله ممکن است به تجديد نظر در مرحله يک (شناخت کسب و کار) بيانجامد. جمع آوري و آشنايي با داده ها، شناخت مسائل مربوط به کيفيت داده ها و مشاهده ي اطلاعات اوليه ي نهاني يا زيرمجموعه هاي داده ها که ممکن است براي آناليز جالب باشند از وظايف اين مرحله است (هن و کمبر 2006).
گام هاي اين مرحله عبارتند از:
جمع آوري اوليه داده ها
توصيف داده ها
شناسايي داده ها
تاييد کيفيت داده ها
آماده سازي داده ها
در اين مرحله داده هاي موجود جهت استفاده ي الگوريتم داده کاوي آماده مي شود. هدف اين مرحله رسيدن به چشم انداز قابل کاوش است. در اين مرحله يکپارچگي، انتخاب، پاکسازي و تغيير شکل داده ها انجام مي شود (هن و کمبر 2006).
گام هاي اين مرحله عبارتند:
انتخاب داده ها
پاکسازي داده ها
ساختار دهي داده ها ( انتخاب برخي صفات و ايجاد رکوردها)
يکپارچه نمودن داده ها ( داده هاي ترکيبي)
فرمت کردن داده ها
مدل سازي
اين مرحله شامل پياده سازي تکنيک هاي مدل سازي يا داده کاوي بر روي ديدگاه قابل کاوش ايجاد شده در مرحله ي قبل است (هن و کمبر 2006).
گام هاي اين مرحله عبارتند از:
انتخاب تکنيک مدل سازي (فرضيه ها و تکنيک هاي مدل سازي)
ارزيابي طراحي ( طراحي آزمايشي)
ساخت مدل (پارامترهاي انتخاب شده و توصيف مدل)
ارزيابي مدل (سنجش مدل و بازنگري در پارامترهاي انتخاب شده)
ارزيابي مدل
در اين مرحله مدل طراحي شده مورد ارزيابي قرار مي گيرد تا مشخص شود آيا اهداف داده کاوي تامين شده است . به عبارت ديگر بايد مشخص شود که آيا مدل براي پاسخگويي به برخي از نيازهاي کسب و کار مفيد است يا خير. بعد از ارزيابي مدل ممکن است به بازنگري در اهداف تعيين شده در مرحله ي اول منجر شود (هن و کمبر 2006).
گام هاي اين مرحله عبارتند از:
ارزيابي نتايج
تجديد نظر در فرايند
طراحي گام هاي بعدي (ليست فعاليت ها و تصميم هاي ممکن)
توسعه ي مدل
ايده ي اين مرحله به کارگيري پتانسيل هاي مدل استخراج شده، ترکيب آن با فرايند هاي تصميم گيري سازمان، ارائه گزارش هايي در مورد دانش استخراج شده و ... مي باشد. در اين مرحله مدل، پياده سازي و اجرا مي گردد و معمولاً يک رابط گرافيکي مناسب نيز براي کاربران طراحي مي شود (هن و کمبر 2006).
گام هاي اين مرحله عبارتند از:
برنامه ريزي براي توسعه
برنامه ريزي براي مانيتور و نگهداري
توليد گزارش نهايي
بازنگري مجدد پروژه
قابليت هاي اساسي داده کاوي
طبقه بندي
طبقه بندي فرايند جستجوي مجموعه اي از مدل ها يا توابع است که کلاس هاي داده ها يا مفاهيم را توصيف يا تفکيک مي نمايد. تا بتوان از اين مدل براي پيش بيني کلاس اشيا استفاده کرد. مدل استخراج شده بر پايه تحليل مجموعه اي داده هاي آموزشي يا داده هايي که کلاس آن ها مشخص است مي باشد(هن و کمبر 2006).
فرايند طبقه بندي در واقع نوعي يادگيري با ناظر مي باشد که طي دو مرحله انجام مي گيرد. در مرحله اول مجموعه اي از داده ها که در آن هر داده شامل تعدادي خصوصيتِ داراي مقدار و يک خصوصيت به نام خصوصيتِ کلاس مي باشد، براي ايجاد يک مدل داده به کار مي رود که اين مدل داده در واقع توصيف کننده مفهوم و خصوصيات مجموعه داده هايي است که اين مدل از روي آن ها ايجاد شده است. مرحله دوم اعمال فرايند طبقه بندي يا به کارگيري مدل داده ايجاد شده بر روي داده هايي است که شامل تمام خصوصيات داده هايي مي شود که براي ايجاد مدل داده به کار گرفته شده اند، به جز خصوصيت کلاس اين مقادير، که هدف از عمل طبقه بندي نيز تخمين مقدار اين خصوصيت مي باشد(هن و کمبر 2006).
پيش بيني
پيش بيني به هر دو مورد پيش بيني مقادير عددي و پيش بيني کلاس ها اشاره دارد. پيش بيني شامل شناسايي روند توزيع بر اساس اطلاعات در دسترس است. طبقه بندي و پيش بيني ممکن است نياز به تجزيه و تحليل مرتبط داشته باشند تا بتوانند صفاتي را که در فرايند طبقه بندي يا پيش بيني مشارکتي ندارند شناسايي و در صورت تمايل آن ها را حذف نمايند (هن و کمبر 2006).
تحليل خوشه اي
خوشه بندي، يک جمعيت نامنظم را به مجموعه اي از زيرگروه هاي منظم تقسيم بندي مي کند. برخلاف دسته بندي و پيش بيني که اشيا داده ها را بر اساس کلاس ها تحليل مي کنند، خوشه بندي اشيا داده ها را بدون در نظر گرفتن برچسب هاي کلاس تحليل و آناليز مي نمايند. عمدتاً برچسب کلاس ها در داده هاي آموزشي به آساني مشخص نيست زيرا اين کلاس ها شناخته شده نمي باشند. خوشه بندي گاهي براي تعيين و توليد چنين برچسب هايي به کار مي رود. به عبارت ديگر مي توان خوشه بندي را به صورت دسته بندي تعريف کرد، با اين تفاوت که دسته ها و برچسب آن ها از پيش تعريف شده نبوده و عمل دسته بندي، بدون نظارت انجام مي گيرد.
اشيا خوشه بندي شده بر اساس اصل ماکزيمم شباهت بين اعضا هر خوشه و مينيمم شباهت بين خوشه هاي مختلف گروه بندي مي شوند. يعني خوشه ها به گونه اي تنظيم مي شوند که اشيا داخل هر خوشه بيشترين شباهت را با يکديگر داشته باشند. معيار شباهت وقتي که همه مشخصه ها پيوسته هستند، معمولا با فاصله اقليدسي بيان مي شود، در غير اين صورت يک معيار مناسب براي آن در نظر گرفته مي شود.
به عنوان شاخه اي از آمار، خوشه بندي براي سال ها به صورت وسيعي مورد مطالعه قرار گرفته و بر روي تحليل فاصله متمرکز شده است. ابزارهاي خوشه بندي که مبتني بر K-means و K-mediods و روش هايي مانند آن ها هستند در خيلي از بسته هاي آماري مانند Spss، S-plus و Sas وجود دارند. آناليز خوشه اي کاربردهاي گسترده اي دارد که عبارتند از: شناسايي متن، آناليز داده، پردازش تصوير و تحقيقات بازار و ... ( هن و کمبر، 2006، رومرو 2007)
تخمين
تخمين با نتايج مجزايي که با ارقام پيوسته نشان داده شده اند، سرو کار دارد. در تخمين، داده هاي ورودي در قالب متغيرهاي ورودي به سيستم داده مي شود و متغيرهاي خروجي آن رقمي چون درآمد يا تراز کارت اغتباري مي باشد.
در عمل، تخمين اغلب براي دسته بندي استفاده مي شود. روش تخمين فوايد زيادي دارد که مهم ترين آن اين است که در آن اطلاعات را مي توان مطابق تخمين به دست آمده مرتب نمود. براي پي بردن به اهميت آن فرض کنيد که يک شرکت توليد پوتين هاي اسکي براي ارسال پانصد هزار آگهي تبليغاتي محصول جديد خود بودجه ريزي نموده است. فرض کنيد از روش دسته بندي استفاده شده و يک و نيم ميليون نفر اسکي باز تعيين شده اند، پس به راحتي مي توان به صورت تصادفي، تبليغات را براي پانصد هزار نفر منتخب از آن افراد ارسال نمود؛ در حالي که اگر مدل تخمين، امتياز تمايل به اسکي را براي کليه افراد تعيين نمايد شايسته است که تبليغات را براي پانصد هزار نفر از محتمل ترين کانديداها فرستاد. پر واضح است که احتمال پاسخ گيري و ارسال تبليغات بر اساس مدل تخمين بسيار بيشتر از ارسال تصادفي تبليغات مي باشد
مدل هاي رگرسيون و شبکه هاي عصبي از جمله تکنيک هاي مناسب داده کاوي براي تخمين مي باشد (شهرابي، 1390).
گروه بندي شباهت يا قوانين وابستگي
قوانين وابستگي براي تعيين ويژگي هاي هم زماني هستند که در وقوع يک پديده رخ مي دهند. به عبارت ديگر عمل گروه بندي شباهت يا قوانين وابستگي احتمال وقوع و يا عدم وقوع هم زمان ويژگي ها را تعيين مي نمايد.به عبارت ساده تر گروه بندي شباهت تعيين مي کند که چه چيزهايي با هم جورند؛ مثال معمول اين موضوع تعيين کالاهايي است که با هم در يک چرخ دستي خريد در سوپرمارکت قرار مي گيرند، چيزي که آن را تحليل سبد بازار مي ناميم
گروه بندي شباهت بک روش ساده براي ايجاد قوانين از داده هاست. اگر دو قلم کالا مثلا شير خشک و پوشک نوزاد در يک قفسه و کنار هم چيده شوند، مي توان دو قانون وابستگي ايجاد کرد(شهرابي، 1390):
افرادي که شير خشک نوزاد مي خرند هم چنين با احتمال 1 Pپوشک نوزاد را مي خرند.
افرادي که پوشک نوزاد مي خرند هم چنين با احتمال 2 P شير خشک نوزاد را هم مي خرند.
تعيين قواعد وابستگي معمولاً در بانک اطلاعات تراکنش ها کاربرد دارد. در اين روش که به صورت قواعد اگر_ آنگاه (X->Y) بيان مي شود، هم زمان واقع شدن X و Y با Support و شانس وقوع قاعده با Confidence بيان مي شود. Support بالاي يک قاعده، نشان دهنده ي تکرار زياد و نياز به توجه ويژه به آن و Confidence بالا نشان دهند ي صحت کافي قاعده براي استفاده در تصميم گيري هاست. مقادير Support و Confidence به روش زير محاسبه مي گردد:
تعداد کل/تعداد تکرارX =Support(X)
تعداد کل/تعداد تکرارX و Y باهم =Support(XY)
Confidence(X->Y) =Support (XY)/Support(X)
توصيف و نمايه سازي
گاهي اوقات هدف داده کاوي، تنها توصيف آن چيزي است که در يک پايگاه داده اي پيچيده در جريان است. نتايج نمايه سازي درک ما را از مردم، محصولات يا فرايندهايي که داده ها را در مرحله اول توليد کرده اند افزايش مي دهد. درحقيقت نمايه سازي يک روش آشنا براي بسياري از مسائل است که نياز به درگير شدن با تحليل پيچيده داده ها ندارد. به عنوان مثال مطالعه و نظرسنجي يک روش رايج براي ساختن نمايه مشتريان است. مطالعات و نظر سنجي ها نشان مي دهند که مشتريان بالفعل و بالقوه چه مشخصاتي دارند يا حداقل اين که چطور پاسخ دهندگان به سوالات پاسخ مي دهند.
نمايه ها معمولاً مبتني بر متغيرهاي جمعيت شناختي هم چون موقعيت جغرافيايي، جنسيت و سن هستند؛ از آن جا که تبليغات با توجه به همين متغيرها انجام مي شود، نمايه هاي جمعت شناختي را مي توان مستقمياً به استراتژي هاي سازماني تبديل کرد. به طور مثال از نمايه هاي ساده براي تعيين حق بيمه استفاده مي شود؛ يک پسر 17 ساله بيش تر از يک زن 60 ساله براي بيمه خودرو بايستي پرداخت کند.
درخت تصميم گيري ابزار مفيدي براي نمايه سازي مي باشد؛ قوانين وابستگي و خوشه بندي را نيز مي توان براي نمايه سازي استفاده نمود(شهرابي، 1390).
دسته بندي الگوريتم هاي داده کاوي
به طور کلي الگوريتم هاي داده کاوي را مي توان به سه دسته اصلي تقسيم نمود(نخعي زاده، 1388):
الگوريتم هاي با رويکرد يادگيري ماشيني:
از اين دسته الگوريتم ها مي توان به الگوريتم هاي استنتاج مبتني بر قواعد، درخت هاي تصميم، شبکه هاي عصبي و خوشه بندي بر مبناي مفاهيم اشاره کرد.
الگوريتم هاي با رويکرد آمار:
تحليل خوشه بندي، تحليل رگرسيون و تحليلي رگرسيون لجستيک از اين دسته الگوريتم ها مي باشند.
الگوريتم هاي با رويکرد فن آوري هاي بانک هاي اطلاعاتي:
قواعد وابستگي، نمونه اي از اين دسته از الگوريتم ها مي باشند.
الگوريتم هاي خوشه بندي
مهم ترين روش هاي خوشه بندي به شرح ذيل مي باشند(مرشدلو، 1386):
روش افرازي ( تقسيم بندي)
روش سلسله مراتبي
روش مبتني بر چگالي
روش مبتني بر مشبک کردن فضا
روش مبتني بر مدل
روش افرازي ( تقسيم بندي)
روش هاي خوشه بندي که به روش تقسيم بندي عمل مي کنند، داده هاي موجود در يک مجوعه داده را به K خوشه تقسيم مي کنند، به طوري که هر خوشه 2 خصوصيت زير را داراست:
هر خوشه يا گروه حداقل شامل يک داده باشد.
هر داده موجود در مجموعه داده دقيقاً به يک گروه يا خوشه تعلق دارد.
معيار اصلي در چنين مجموعه داده هايي ميزان شباهت داده هاي قرار گرفته در هر خوشه مي باشد. در حالي که داده هاي قرار گرفته در دو خوشه مختلف از نظر شباهت با يکديگر فاصله زيادي دارند. مقدار K که به عنوان پارامتر استفاده مي گردد، هم مي تواند به صورت پويا تعيين گردد و هم مي توان قبل از شروع الگوريتم خوشه بندي مقدار آن را مشخص کرد.
براي دست يابي به خوشه بندي بهينه به شمارش همه افرازهاي ممکن نياز خواهد بود. يعني تمام حالات ممکن بايد بررسي شوند که اين روش براي پايگاه داده هاي بزرگ ناممکن است. معمولا از يکي از الگوريتم هاي K-means يا K-medoids استفاده مي شود در الگوريتم K-means هر خوشه با ميانگين اشيا آن خوشه (مرکز خوشه) و در الگوريتم K-medoids با يکي از اشيا که در نزديکي مرکز خوشه جاي گرفته است، نشان داده مي شود.
الگوريتم K-means
الگوريتم K-means يکي از پرکاربردترين الگوريتم هاي خوشه بندي مي باشد(شهرابي، 1390). اين الگوريتم K ( تعداد خوشه ها) را به عنوان ورودي مي گيرد و مجموعه n شي را به K خوشه افراز مي کند، به صورتي که سطح شباهت داخلي خوشه ها را بالا برده و سطح شباهت اشيا بين خوشه ها را کاهش دهد.
روش کار در اين الگوريتم بدين صورت است:
به صورت تصادفي K شي را به عنوان مراکز خوشه هايي ابتدايي انتخاب مي کند.
هر شي را با توجه به بيشترين شباهت آن به مراکز خوشه ها، به خوشه ها تخصيص مي دهد.
مراکز خوشه ها را به روز مي کند. به اين معني که براي هر خوشه مقدار متوسط اشيا آن خوشه را محاسبه مي نمايد.
تا هنگامي که هيچ تغييري در خوشه ها رخ ندهد به مرحله 2 رجوع مي کند.
روش هاي سلسله مراتبي
روش هاي سلسله مراتبي به دو دسته کلي: روش هاي Bottom-up و روش هاي Top-down تقسيم مي شوند. روش هاي سلسله مراتبي Bottom-up به اين صورت عمل مي کنند که در شروع، هر کدام از داده ها را در يک خوشه جداگانه قرار مي دهد و در طول اجرا سعي مي کند تا خوشه هايي نزديک به يکديگر را با هم ادغام نمايد. اين عمل ادغام تا زماني که تنها يک خوشه داشته باشيم و يا اين که شرط خاتمه برقرار گردد، ادامه مي يابد. روش هاي Top-down دقيقاً به طريقه ي عکس عمل مي نمايند، به اين طريق که ابتدا تمام داده ها را در يک خوشه قرار مي دهند و در هر تکرار از الگوريتم، هر خوشه به خوشه هاي کوچکتر شکسته مي شود و اين کار تا زماني ادامه مي يابد که يا هر کدام از خوشه ها تنها شامل يک داده باشند و يا شرط خاتمه الگوريتم برقرار گردد. شرط خاتمه معمولا تعداد کلاستر يا خوشه مي باشد.
روش هاي مبتني بر چگالي
اکثر روش هاي خوشه بندي که به روش تقسيم بندي عمل مي کنند، معمولاً از تابع فاصله به عنوان تابع معيار خود بهره مي برند. استفاده از چنين معياري باعث مي گردد که الگوريتم خوشه بندي تنها قادر به ايجاد خوشه هايي با اشکال منظم باشد. در صورتي که اگر خوشه هاي واقعي در داده ها داراي اشکال غير منظمي باشند، اين الگوريتم ها در خوشه بندي آن ها با مشکل مواجه مي گردند. براي حل اين گونه مشکلات، يک سري از روش هاي خوشه بندي پيشنهاد گرديده اند که عمل خوشه بندي را بر مبناي چگالي داده ها انجام مي مدهند. ايده اصلي در اين روش ها بر اين اساس است که خوشه ها تا زماني که داده هاي قرار گرفته درهمسايگي خوشه ها از حد معيني بيشتر باشد، رشد مي کنند و بزرگ مي شوند. چنين روش هايي قادرند خوشه هايي با شکل هاي نامنظم نيز ايجاد نمايند.
البته دسته ديگري از روش هاي خوشه بندي مانند روش هاي مبتني بر مشبک کردن فضا، روش هاي مبتني بر مدل و ... نيز وجود دارند که در اين تحقيق مورد بررسي قرار نگرفته اند.
الگوريتم هاي وابستگي قواعد
الگوريتم هاي مختلفي براي تعيين وابستگي قواعد وجود دارد که برخي از مهم ترين آن ها در زير آورده شده است:
الگوريتم Naïve
اين الگوريتم پردازه اي براي کشف تمام قواعد وابستگي با حداقل Support=p% و Confidence=q% مي باشد. در اين الگوريتم ليستي از تمامي ترکيب هاي ممکن تهيه شده و سپس تعداد تکرار آن ها در مجموعه تراکنش هاي محاسبه مي شود سپس با توجه به مقدار Support داده شده ليست ترکيب هايي که تعداد تکرار آن ها برابر يا بيشتر از تعداد مورد نظر است جدا شده و براي تمامي ترکيب هاي آن ميزان Confidence محاسبه و با مقدار داده شده مقايسه مي شود. سپس ليست قواعد با Confidence مورد نظر استخراج مي گردد.(Gupta 2006)
در نسخه بهبود يافته اين الگوريتم به جاي شمارش تمامي ترکيب ها، تراکنش ها يموجود شمارش شده و ترکيب هاي با تعداد تکرار صفر منظور نمي شوند.
الگوريتم Apriori
الگوريتم Apriori را مي توان يکي از مهم ترين يافته ها در تاريخ استخراج وابستگي قواعد دانست که توسط چيونگ در سال 1996 ابداع گرديد. يکي از کاربردي ترين مسائل مربوط به اين تکنيک، تجزيه و تحليل سبد بازار است. خرده فروشان با تجزيه و تحليل سبد بازار مي توانند رفتار خريد مشتريان را پيش بيني کنند. اينکار به آن ها کمک مي کند تا بتوانند کالاهاي خود را بهتر ساماندهي کرده و چيدمان بهتري از محصولات خود داشته باشند و از اين طريق سودآوري خود را افزايش دهند.
در حالت معمولي براي يافتن مجموعه هاي پرتکرار بايد تمام مجموعه هاي تک عضوي پر تکرار را پيدا کرد، سپس بر اساس آن مجموعه هاي دو عضوي پر تکرار را پيدا کرد و ...
بنابراين در هر مرحله بايد کل فضا جستجو شود. اما اين الگوريتم از يک خصوصيت به نام خصوصيت Apriori استفاده مي کند. به اين صورت که اگر يک مجموعه از عناصر پرتکرار باشد، تمام زير مجموعه هاي غير تهي آن نيز پر تکرار خواهند بود. مثلا اگر مجموعه A به صورت A={C,D,E} پر تکرار باشد، آن گاه تمام مجموعه هاي زير نيز پرتکرار هستند:
{C, D}, {C, E}, {D, E}, {C}, {D}, {E}
اين خصوصيت را به اين صورت نيز مي توان توصيف کرد که اگر مجموعه I به يک تعداد مرتبه تکرار شده باشد، اگر A را نيز به آن اضافه کنيم تعداد تکرار مجموعه ي جديد از تعداد تکرار مجموعه قبلي بيشتر نخواهد بود. پس اگر اولي پرتکرار نباشد دومي هم پرتکرار نخواهد بود. اي الگوريتم نيز اي اين خصوصيت استفاده مي کند. الين الگوريتم در يافتن مجموعه هاي پرتکرار به اين صورت عمل مي کند:
فرض مي کنيم Ck و Fk به ترتيب برابر با مجموعه اقلام کانديد و مجموعه اقلام پرتکرار با اندازه K باشند.
در ابتدا K=1 قرار مي دهد.
در ابتدا تمامي اقلام پرتکرار تک عضوي با عنوان F1 را پيدا مي کند.
مراحل زير را زماني که هيچ مجموعه پرتکرار جديدي يافت نشود تکرار مي کند.
3-1 مجموعه اقلام کانديد (K+1) عضوي که همان Ck+1 است را از مجموعه اقلام پرتکرار K عضوي (Fk) مي يابد.
3-2 مجموعه اقلام پرتکرار FK+1 را با در نظر گرفتن شرط حداقل پشتيبان و حذف اقلام غير پرتکرار، پيدا مي کند.
لازم به ذکر است که گام (3-1) در دو مرحله صورت مي گيرد. يکي توليد اقلام کانديد و يکي هرس کردن اقلامي که پرتکرار نيستند. از مرحله اول تحت عنوان مرحله پيوست نيز ياد مي شود(آخوندزاده نوقاني،1388).
مرحله توليد اقلام کانديد و يا پيوست
در اين مرحله به دليل جلوگيري از مجموعه هاي تکراري از قانون لگزيکوگرافي استفاده مي شود و عناصر براساس قاعده الفبايي با يکديگر ترکيب مي شوند. بنابراین در ابتدا بايد عناصر بر مبناي ترتيب حروف الفبا مرتب شده باشند. در ضمن دو مجموعه در صورتي با يکديگر قابل پيوست هستند که عناصر آن ها غير از عنصر آخر با يکديگر برابر باشند(آخوندزاده نوقاني،1388).
مرحله هرس
نکته اي که در مورد مجموعه به دست آمده از مرحله قبل وجود دارد اين است که ممکن است برخي از عناصر آن پرتکرار نباشند، البته تمام عناصر پرتکرار در آن قرار دارند. بنابراين لازم است تا مرحله هرس کردن انجام شود.
به اين منظور بايد تمامي اعضاي اين مجموعه بررسي شوند تا مشخص شود که آيا پرتکرار هستند يا خير؟ اما چون ممکن است تعداد آن ها زياد باشد لذا براي کاهش حجم محاسبات از اصل APriori استفاده مي شود. به اين صورت که اگر يکي از زير مجموعه ها پرتکرار نباشد، آن مجموعه نيز پرتکرار نخواهد بود. بنابراين براي پيدا کردن مجموعه هاي پرتکرار کافي است مجموعه هاي غير پرتکرار را از آن ها جدا کرد. به عنوان نمونه مجموعه F3 که مجموعه اقلام پرتکرار 3 عضوي است را در نظر بگيريد.
F3 = {{A, B, C}, {A, B, D}, {A,B, E}, {A,C,E}, {A,D,E}, {B,D,E}}
با ترکيب اقلام پرتکرار فوق 3 مجموعه جديد به دست مي آيد که عبارتند از:
C4 = {{A, B, C, D}, {A, B, C, E}, {A, B, E, D}}
تنها عضوي از مجموعه فوق که به عنوان اقلام کانديد 4 تايي پيشنهاد مي شود، {A, B, D, E} است. به علت اين که ساير موارد غير پرتکرار هستند. به عنوان نمونه {A, B, C, D} در مرحله هرس حذف مي شود. زيرا برخي از زير مجموعه هاي آن عبارتند از {A, C, D} و {B, C, D} متعلق به F3 نيستند.
پس از آن که مجموعه هاي پرتکرار استخراج شدند، نوبت به استخراج قوانين قوي با اطمينان بالا مي رسد. در اين مرحله تمام زير مجموعه هاي غير تهي يک مجموعه پرتکرار نوشته شده و تمامي قواعد ممکن بر اساس آن استخراج مي شود. سپس اطمينان را براي هر يک از قوانين محاسبه نموده و اگر بيشتر از حد قابل قبول بود به عنوان يک قانون پذيرفته مي شود(آخوندزاده نوقاني،1388).
الگوريتم هاي طبقه بندي
الگوريتم ها و روش هاي مختلفي تا کنون براي طبقه بندي پيشنهاد شده اند که براي مثال مي توان از روش هاي طبقه بندي با استفاده از درخت تصميم C4.5، درخت طبقه بندي و رگرسيونCART، شبکه هاي بيزين، SVM، طبقه بندي مبتني بر قواعد، طبقه بندي با استفاده از شبکه هاي عصبي و .... نام برد که در زير برخي از آن ها تشريح شده اند:
الگوريتم درخت طبقه بندي و رگرسيون (CART)
روش درخت طبقه بندي و رگرسيون (CART) توسط Breiman و همکارانش در سال 1984 پيشنهاد شد(Larsed 2003).
درخت هاي تصميم توليد شده توسط CART دودويي بوده و دقيقا دو شاخه براي هر گره تصميم دارد. CART به صورت بازگشتي داده هاي آموزشي را بر اساس مقادير مشابه مشخصه هدف به زير مجموعه هايي تقسيم مي کند. الگوريتم CART با انجام يک جستجوي گسترده در همه متغيرهاي موجود و تمامي تقسيم هاي ممکن، نقطه تقسيم بهينه را برمبناي معيار زير انتخاب نموده درخت تصميم را توسعه مي دهد.
فرض کنيم Ф(s|t) يک مقياس براي تعيين ميزان مناسب بودن يک کانديد تقسيم S در گره t باشد:
# classes
Ф(s|t) = 2PL PR Σ|P ( j |tL ) – P ( j |tR)
j=1
tL= فرزند چپ نود t
tR= فرزند راست نود t
PL= تعداد رکوردها در tL تقسيم بر تعداد رکوردها در مجموعه ي آموزشي
PR= تعداد رکوردها در tR تقسيم بر تعداد رکوردها در مجموعه ي آموزشي
P (J|tL) = تعداد رکوردهاي کلاس j در tL تقسيم بر تعداد رکوردها در t
P (j|tR) = تعداد رکوردهاي کلاس j در tR تقسيم بر تعداد رکوردها در t
نقطه تقسيم بهينه جايي است که بيشترين مقدار را در بين تمام نقاط تقسيم در گره t داشته باشد. به طور کلي CART به صورت بازگشتي تمام نقاط تقسيم باقي مانده را ملاقات کرده و تابع فوق را براي يافتن نقطه تقسيم بهينه در هر گره اجرا مي نمايد. در نهايت هيچ گره تصميمي باقي نمي ماند و درخت به طور کامل توسعه مي يابد. البته ممکن است تمامي گره ها همگن نباشد که منجر به نوع خاصي از خطاي طبقه بندي خواهد شد.
هم چنين در الگوريتم CART عمليات هرس کردن گره ها و شاخه ها انجام مي گردد تا قابليت تعميم نتايج طبقه بندي افزايش يابد. هر چند که درخت کاملا توسعه يافته پايين ترين نرخ خطا را در مجموعه آموزشي دارد ولي مدل نهايي ساخته شده بر اساس آن ممکن است بسيار پيچيده شود. با توسعه هر گره تصميم، زير مجموعه رکوردهاي موجود براي تجزيه و تحليل کوچکتر شده و محدوده کمتري از جمعيت را شامل مي شود. بنابراين هرس نمودن درخت، باعث عموميت يافتن نتايج خواهد شد(Larsed 2003).
الگوريتم درخت تصميم C4.5
الگوريتم C4.5 از نسل الگوريتم ID3 براي توليد درخت تصميم است که از قانون هرس استفاده مي کند. دقيقا مشابه الگوريتم CART، الگوريتم C4.5 نيز به صورت بازگشتي هر گره تصميم را ملاقات کرده و نقطه تقسيم بهينه را انتخاب مي کند تا جايي که ديگر انشعاب امکان پذير نباشد. با اين حال، تفاوت هاي جالبي بين CART و C4.5 وجود دارد(Larsed 2003).
الگوريتم C4.5 به تقسيم هاي دودويي محدود نمي باشد و قادر است درخت هاي با شاخه هاي بيشتر را توليد نمايد. در اين الگوريتم به طور پيش فرض براي هر يک از مقادير صفات يک شاخه توليد مي شود. از آن جا که ممکن است تعداد تکرار برخي از مقادير کم باشد، در مواردي منجر به ايجاد درختي انبوه و بزرگتر از آن چه مورد نظر بوده مي گردد که با استفاده از هرس سعي مي شود درخت کوچکتر شده و اين مشکل برطرف گردد. حتي اگر هيچ خطايي در داده هاي آموزشي وجود نداشته باشد باز هم هرس انجام مي شود که اين امر باعث مي شود درخت عام تر شده و وابستگي کمتري به مجموعه آموزشي داشته باشد.
الگوريتم C4.5 توانايي کار با داده ها و صفات پيوسته، گسسته، صفات فاقد مقدار و داده هاي نويزي را دارد. اين الگوريتم بهترين صفت را با استفاده از معيار بي نظمي انتخاب مي کند و به دليل استفاده از عامل Gain Ratio قادر به بکارگيري صفات با مقادير بسيار زياد مي باشد(Wu, Kumar 2006).
کليد ساختن درخت تصميم در الگوريتم C4.5 اين است که کدام صفت براي تقسيم استفاده شود. اکتشاف و ابتکار در اين الگوريتم براي انتخاب صفت به صورت حداکثر بهره اطلاعات است. الگوريتم C4.5 از مفهوم دستيابي اطلاعاتGain Information يا کاهش آنتروپي ( بي نظمي) براي انتخاب تقسيم بهينه استفاده مي نمايد. آنتروپي آندازه گيري ناخالصي يا بي نظمي مجموعه داده D است. هرچه داده ها خالص تر و خاص تر باشد آنتروپي کوچک تر بوده و در واقع آنتروپي زياد به معني اطلاعات کم است. در آنتروپي، بيت واحد اطلاعات است. در واقع بيت ها نمادهاي حامل اطلاعات هستند، نه خود اطلاعات.
m
Entropy (D) = - Pi log2(Pi )
i=1
m تعداد کلاس هاي موجود است و pi احتمال آن است که يک متغير دلخواه در D متعلق به کلاس Ci باشد که اين احتمال به صورت |Ci,D|/|D| تخمين زده مي شود. ( |D|و |Ci,D| تعداد رخداد در D و Ci,D را نشان مي دهد)
فرض مي کنيم صفت A داراي v مقدار متمايز به صورت {a1, a2, … ,av} باشد يا به عبارت ديگر A يک صفت گسسته است. اگر بخواهيم D را برحسب صفت A تقسيم کنيم v بخش يا زيرمجموعه مانند {D1,D2,….Dv} حاصل مي شود. آنتروپي مورد انتظار اگر Ai به عنوان ريشه به کاربرده شود برابر است با:
EntropyA (D)=∑|Dj|/|D|* Entropy(Dj )
اطلاعات حاصل از انشعاب بر حسب صفت A را به صورت زير تعريف مي کنيم:
[Gain(A) = Entropy(D)-EntropyA(D))]
هرچه مقدار بهره صفت A يعني (GainA) بيشتر باشد يا به عبارت ديگر هرچه (Entropy D) کمتر باشد، صفتA گزينه مناسب تري براي انتخاب به عنوان صفت تقسيم مي شود.
الگوريتم هاي شبکه هاي بيزين
در برخي از الگوريتم هاي طبقه بندي تعدادي شي موجود است که همگي داراي يک بردار از خصيصه ها مي باشند. مدل شبکه بيزين يک مدل بر مبناي احتمال است که رويدادهاي مشاهده شده و ذخيره شده را بررسي کرده و مشابهت رويدادها را با استفاده از خصيصه هاي به ظاهر نامشابه تعيين مي کند. شبکه بيزين يک مدل گرافيکي است که متغيرها در يک مجموعه داده را به صورت گره نشان داده و احتمال يا شرط استقلال بين آن ها را بيان مي کند. ارتباط سببي ( علي) بين گره ها هم مي تواند توسط شبکه بيزين نمايش داده شود.
هم چنين خطوط شبکه لزوماً ارتباط يا تاثيرهاي مستقيم بين متغيرها را نشان نمي دهد. در صورتي که مقادير گم شده در داده ها زياد باشد، اين نوع شبکه بسيار بزرگ و گسترده شده و بهترين پيش بني ممکن را با استفاده از اطلاعات موجود ارائه مي دهد(Wu, Kumar 2006).
در اين مدل ابتدا فرض مي شود که هر شي به يکي از کلاس هاي مشخص متعلق است. سپس احتمال درست بودن اين فرضيه محاسبه مي شود. براي اين کار تمامي اشيا يک بار پويش شده و با توجه به داده هاي آموزشي صحت احتمال منظور شده به طور قابل توجهي افزايش يا کاهش مي يابد. هدف استخراج قواعدي است که بر اساس ن ها بتوان با دادن خصيصه هاي يک شي کلاس آن را تعيين نمود.
الگوريتم بيزين با توجه به سادگي پياده سازي وعدم نياز به روش هاي پيچيده براي تخمين پارامترهاي تکراري مورد توجه مي باشد. اين ويژگي ها بدين معني است که به راحتي بر روي داده هاي بسيار بزرگ اعمال مي شود و به دليل امکان تفسير و تحليل ساده، کاربران غير متخصص نيز مي توانند دلايل طبقه بندي انجام شده توسط اين کاربر را درک نمايد.
در اين الگوريتم Ci کلاس هاي تعريف شده و X شي مورد نظر است که تعدادي خصيصه دارد.
احتمال هاي زير براي اجراي مدل محاسبه مي گردد:
P(ci|x): احتمال اين که شي x متعلق به کلاس ci باشد.
P(x|ci): احتمال اين که در صورتي که شي x متعلق به کلاس ci باشد، مقادير خصيصه هاي آن براي ساخت قواعدي انتخاب شود.
P(ci ): احتمال اين که هر شي متعلق به کلاس ci باشد.
P(x): احتمال اين که مقادير خصيصه هاي شي x بدون توجه به کلاس آن براي ساخت قواعد انتخاب شود.
فرضيه الگوريتم بيزين بر اساس فرمول زير مي باشد:
P(ci|x)=P(x|ci) P(ci) / P(x)
مديريت شهري و شهرداري
چالش شهري در هيچ جاي دنيا به اندازه ي آسيا مشهود نمي‌باشد. امروزه 38 درصد از جمعيت اين ناحيه در شهرها زندگي ميکنند، اين نسبت اکنون در ايران حدود 70 درصد مي‌باشد و پيش‌بيني ميشود تا سال 2020 اين مقدار از 80 درصد فراتر رود. متخصصان شهري اکنون پديده ي جديدي را در بين اين کلان‌شهرها شناسايي کرده‌اند؛ انباشت و تراکم انبوهي از شهرها با اندازه‌هاي مختلف که قبلاً به صورت مجزا بوده‌اند ولي هم چنان هويت فيزيکي خود را حفظ نموده‌اند، روي‌هم انبوهي از جمعيت 20 و حتي 30 ميليون نفري را به صورت شبکه‌اي به‌وجود مي‌آورند؛ به عنوان مثال منطقه ي شهري تهران که شامل شهرهاي تهران، ري، اسلام‌شهر، شميرانات، شهريار، رباط‌کريم و کرج مي‌باشد، همگي با وجود حفظ بافت کهن خود به هم‌ديگر چسبيده‌اند. در تعدادي از اين شهرها، پيش‌بيني ميشود که مسائلي از قبيل عرضه ي خدمات پايه، طي مسافت از خانه تا محل کار و دفع ضايعات و زباله‌ها که تا کنون بسيار معضل‌آفرين بوده‌اند در دهه‌هاي آتي چندين برابر افزايش يابند(وست فال و دويلا،1386، صص1و2).
گستردگي و پيچيدگي مسائل شهري و رشد و توسعه ي روزافزون شهرها، مديريت امور شهر را به وظيفهاي دشوار تبديل نمودهاست. علاوه بر موضوعاتي هم چون محيط زيست، حمل و نقل، ايمني و برنامه ريزي شهري، يکي از عوامل مهمي که تأثير فزاينده و تعيين کنندهاي بر عوامل سازنده ي شهري دارد، مديريت شهري است. اگر شهر هم چون سازماني در نظر گرفته شود، لازم است که در رأس آن عنصري براي برنامهريزي آينده و اداره ي امور کنوني قرار گيرد. اين عنصر را ميتوان مديريت شهر ناميد. مسائل بسياري در شهرها وجود دارد که براي حل آن ها و پاسخ به درخواستهاي موجود در عرصههاي زندگي جمعي، وجود مديريت شهري را ضروري مينمايد. اين موضوع به خصوص در مسائل خدماتي و عمراني عمومي، جنبه ي ويژه پيدا ميکند. لذا اموري مانند تأمين بهداشت و نظافت محيط شهر، ايجاد و حفظ فضاي سبز، تأمين ايمني شهر و شهروندان، نيازمند وجود سازماني با تشکيلات مشخص است تا مديريت شهر به نحو مطلوب صورت گيرد. بدينسان مديريت شهري به معناي سازماندهي عوامل و منابع براي پاسخگوئي به نيازهاي ساکنان شهر است و شامل کارکردهاي برنامهريزي، اجرا، نظارت، کنترل و هدايت است که براي اعمال قدرت بايد برآمده از اراده ي شهروندان و قراردادهاي اجتماعي باشد (نظريان آزاد، 1388، ص4).
همان طور که بيان شد، امروزه شهرنشيني و توسعه ي شهري يکي از پديدههاي ويژه است. رشد سريع شهرها و پيشي گرفتن آن از توانائيها و منابع مديران شهري، ارائه ي خدمات شهري مناسب را براي مديران شهري به يک چالش عظيم تبديل نموده است. تراکم جمعيت، دشواري رفت و آمد در محيطهاي شهري، آلودگيهاي هوا و ناامنيهاي اجتماعي، برخي از مشکلاتي است که ذهن کارشناسان و صاحبنظران در حوزههاي مختلف را به خود مشغول نموده است. در اين خصوص، به منظور کاهش و برطرف نمودن مشکلات ياد شده، توسعه ي فن آوري اطلاعات و ارتباطات مدنظر قرار گرفته است. (نظريان آزاد، 1388، ص1).
ترادف مفهوم مديريت شهري به رغم ماهيت آن با مفهوم شهرداري به عنوان سازمان مديريت شهري، ناگزير ميسازد تا به مفهوم شهرداري نيز پرداخته شود.
برابر ماده 5 قانون محاسبات عمومي کشور نيز «شهرداري سازماني است عمومي و غيردولتي که داراي شخصيت و استقلال حقوقي بوده و تحت نظارت شوراي شهر که منتخب مردم است و نظارت دولت از طريق وزارت کشور براي انجام وظايفي که در قانون شهرداريها آمده است، تأسيس شده است. » با توجه به تعاريف ذکر شده ميتوان گفت تعريف مديريت شهري( با توجه به ديدگاهي که آن را مساوي با شهرداري ميگيرد) عبارت است از اداره سازماني غيردولتي که براي برآورده کردن نيازهاي مشترک شهروندان در سطح شهر از طرف آن ها و مطابق با قانون تأسيس ميگردد و در محدوده فعاليت خود استقلال سازماني دارد(خانزاده، 1386، ص 76).
نقش فن آوري اطلاعات در توسعه ي مديريت شهري
در دو دهه اخير، واژه فن آوري اطلاعات يا فن آوري اطلاعات و ارتباطات به عنوان يک پديده ي نوظهور و قدرتمند، جايگاه جهاني خود را پيدا کرده است و به نظر ميرسد به زودي کاربردهاي مختلف آن، تمام امور روزمره جوامع را- به صورت مستقيم و يا غير مستقيم _ تحت تأثير خود قرار دهد. سرعت تأثيرگذاري و گسترش اين پديده بسيار زياد است به طوري که از هم اکنون انتظار ميرود در ساختارهاي فرهنگي، اقتصادي، اجتماعي و سياسي و هم چنين در بنيانهاي سنتي اداره جوامع، تحولات اساسي رخ دهد و سيستم جديدي از مديريت معرفي گردد..
بيشتر کشورهاي توسعه يافته منافع و خطرهاي احتمالي فن آوري اطلاعات و ارتباطات و کاربردهاي آن را پذيرفتهاند و از آن استفاده ميکنند. بعضي از کشورهاي در حال توسعه و يا فقير نيز که در خصوص مزايا و فرصتهاي اين فن آوري اطلاعات کافي ندارند و يا از امکانات اقتصادي لازم براي بهکارگيري اين پديده بيبهره هستند، در اين زمينه دچار عقبماندگي شدهاند. کشورهائي نيز وجود دارند که از نظر مالي مشکل خاصي ندارند، اما با رويکردي ايدوئولوژيک به اين پديده ي نوظهور نگاه ميکنند و باعث تأخير و يا مانع استفاده مردم کشور خود ميشوند. متأسفانه اين رويکرد موجب ميشود خسارات جبرانناپذيري به جامعه تحميل گردد. از آنجا که تمام ابعاد اين پديده ( و به خصوص بعضي از کاربردهاي آن مانند شهر الکترونيکي) حتي در بعضي از کشورهاي توسعه يافته نيز شناخته شده نيست. بنابراين، فرهنگسازي و آسيب شناسي در زمينه معرفي فن آوري اطلاعات و ارتباطات و کاربردهاي آن اقدام موثّري محسوب ميشود(جلالي، 1384).
به کارگيري فن آوري اطلاعات و ارتباطات در اداره ي امور شهر هم از ديدگاه شهروندان و هم از ديدگاه مديران شهري داراي مزاياي فراواني است که برخي از آن ها عبارتند از(محکي، 1386، ص 77):
از ديدگاه مديران شهري
شناسايي بهتر مشکلات و نقاط ضعف شهر.
افزايش قدرت کنترل و نظارت بر شهر.
تقويت رقابت تجاري شهر و ايجاد فرصتهاي تجاري بيشتر توسط تجارت الکترونيک.
ارتباط بهتر سازمانها و ارگانهاي مختلف شهري.
افزايش مشارکت مردم در اداره شهر.
کاهش آلودگي هوا با کاهش ترافيک شهري.
تسريع در برطرف شدن مشکلات ايجاد شده در شهر با ارتباط مستقيم مديران شهري با شهروندان.
ايجاد زيرساختار لازم براي توسعه آتي شهر.
کاهش فساد اداري از طريق شفافسازي فرايندها.
افزايش نظم در فعاليتهاي شهر با استفاده از سيستم اطلاعات جامع.
مديريت و نظارت واحد شهري.
از ديدگاه شهروندان
پيگيري بهتر امور.
دسترسي به پايگاه اطلاعاتي شهري مورد نياز.
شناسايي بهتر مشکلات و نقاط ضعف شهر به منظور بهبود در تصميمگيري در بعضي از فرآيندهاي زندگي.
صرفهجويي در زمان و هزينه.
ارتباط بهتر با سازمانها و ارگانهاي مختلف شهري.
دسترسي 24 ساعته به خدمات شهري.
افزايش سطح آگاهي.
بهرهگيري از خدمات اينترنتي با کيفيت و سرعت بالا.
شهرداري يکي از مهمترين نهادهاي مديريت شهري در ساختارهاي اجتماعي و سياسي محسوب ميشود که تحت تأثير انقلاب اطلاعات و ارتباطات قرار گرفته است (نظريان آزاد، 1388، ص1). سامانه ي 137 مديريت شهري، به عنوان يكي از بخش هاي مديريتي در اين حوزه ، با استفاده از شبكه ارتباطي و ايجاد امكان برقراري ارتباط تلفني بين شهروندان و مديران تا حدودي فضاي طرح نياز هاي شهروندان و بررسي رضايتمندي از پروژه هاي اجرائي و نظارت برحسن اجراي فعاليت هاي شهرداري را تحقق بخشيده است كه با توجه به مطالعات انجام شده و نظر سنجي هاي به عمل آمده از جايگاه خوبي برخوردار مي باشد.
اين سامانه تنها بخش كوچكي از تاثير فن آوري در حوزه ي خدمات شهري و نظارت شهري، آن هم در زير مجموعه ارتباطات را نشان مي دهد، در حالي كه امروزه فن آوري در بخش هاي گسترده تر كارائي خود را نشان داده است(جلالي لواساني؛ نجفي ، 1388، ص 19).
مشارکت امروزه يکي از الزامات زندگي شهري به شمار مي رود و همان طور که بيان شد هنگامي تحقق مي يابد که شهرنشينان از حالت فردي که صرفاً در مکاني به نام شهر زندگي مي کنند درآيند و به شهروند بدل شوند. .حضور پررنگ شهروندان در سيستم اداره ي شهر هميشه مي تواند به بالا بردن بهره وري در عرصه ي خدمات شهري انجاميده و پويايي و پيشرفت هر چه سريع تر شهر و رفع عقب ماندگي هاي گذشته را به همراه داشته باشد. شهرداري تهران تلاش نموده است تا با استقرار سامانه ي 137 شهروندان را وارد عرصه مشارکت نمايد.
معرفي سامانه مديريت شهري 137 شهرداري تهران
واحد دريافت پيام هاي مردمي 137 شهرداري تهران با هدف دريافت ديدگاه ها و نقطه نظرات شهروندان در خصوص مديريت شهري و هم چنين ايجاد ارتباط بيشتر شهروندان با مديران ارشد شهرداري در سال 1379راه اندازي شد که درخواست هاي مردمي را از طريق سيستم صوتي دريافت مي نمود. ميانگين تماس در اين دوره با شماره 137، تعداد10 تماس در روز بوده است. به دنبال افزايش حجم ارتباطات و هم چنين تقاضاي شهروندان مبني بر امکان ارتباط مطلوب تر با اين مرکز، طرح بازبيني واحد 137 تدوين شد و سيستم مرکز تلفن در مهرماه سال 1381 راه اندازي و امکان ارتباط با اپراتور انساني مهيا گرديد.
در ابتداي شروع به کار سامانه در سال 1384 اين سيستم به صورتOff line راه اندازي گريد. نحوه ي عملکرد اين سيستم بدين صورت بود که بخش ثبت پيام با حضور22 اپراتور به پاسخگويي و ثبت پيام و تقاضاهاي شهروندان مي پرداخت و بعد از تفکيک پيام ها، هر دسته از پيام هاي مربوط به هر يک از مناطق 22 گانه، به بخش ابلاغ فرستاده مي شد. در اين بخش به ازاي هر منطقه، يک نماينده ي منطقه حضور داشت که پيام هاي دريافتي را توسط فاکس يا تلفن و در صورت ضرورت و فوريت توسط بي سيم به مديران اجرايي منطقه منتقل مي کرد(اميري، 1387).
در سال 1385 با اتصال مناطق 22 گانه شهرداري تهران به مرکز سامانه مديريت شهري توسط فيبر نوري، اين سامانه به صورت On line شروع به فعاليت نمود. بدين ترتيب که بخش ابلاغ از سامانه حذف گرديد و تمامي تماس ها و تقاضاهاي شهروندان به صورت هم زمان و On line به مناطق 22گانه شهرداري تهران انتقال مي يافت(اميري، 1387).
در حال حاضر اين سامانه با 60 خط تلفن، 2 سايت ثبت خبر با 44 اپراتور در هر شيفت به صورت 24 ساته در خدمت شهروندان مي باشد. در حال حاضر بيش از 7 هزار تماس در روز در سامانه ثبت شده است. آمار بالاي تماس شهروندان با اين سامانه و تنوع پيام هاي آن ها نشان دهنده موفقيت اين سامانه در جلب اعتماد شهروندان است.
سامانه 137، اصول شهروند مداري، محله گرايي، مشارکت مردمي، رفع فوري مشکلات شهري و پاسخگويي به مشکلات شبانه روزي بدون وقفه را سرلوحه ي گسترش فعاليت هاي خود قرار داده است تا با شعار سرعت، دقت، صحت نياز شهروندان را با مشارکت خود ايشان در کمترين زمان به انجام رسانده که نتيجه ي اقدامات فوق، افزايش آمار تماس هاي روزانه ي شهروندان با اين سامانه مي باشد(www.tehran.ir).
اين سامانه بر اساس نوع و موضوع پيام 644 عنوان دارد که ذيل 51 عنوان کلي طبقه بندي شده است و هريک به نوعي مشکلات شهري را بيان مي کنند. جدول 2-1 نمونه اي از رکوردهاي جدول پيام را نشان مي-دهد:
جدول 2-1 : نمونه اي از جدول پيام
MessageCode49129852491717904916898549177380CategoryNameزباله و ضايعاتکارمندانآسفالتزباله و ضايعاتSubjectNameمخزن زباله و ضايعات به موقع تخليه نمي شودحقوق و مزاياي پرسنل به موقع پرداخت نشده است.اين محل نياز به روكش آسفالت دارد.مخزن زباله و ضايعات به موقع تخليه نمي شودMessageSolarDate1389/06/191389/06/211389/06/211389/06/21LastStateNameانجام شد و تاييد گرديدانجام شد و تاييد گرديدتکراري و اطلاع رساني شدرضايتLastStateDate1389/06/271389/07/051389/06/221389/06/22LastUnitNameناحيه 3 منطقه 8اداره کل امور مالي و اموالناحيه 1 منطقه 7ناحيه 4 منطقه 16MessageTextنياز به تخليه مخزن و پاکسازي اطراف آن مي باشدحقوق کارگر ميدان تره بار مذکور به مدت 2 ماه پرداخت نشده استروکش اسفالت نيمه کاره رها شده است .جهت جمع اوري زباله هاي کنار سطل و تخليه سطل زباله اقدام شود.CitizenFirstNameاقاي اقاي خانمآقايCitizenLastName کدخداييبختياري روز بهاني عبدالهيCitizenPhoneNULLNULL7760266355002001CitizenMobile912526412691255859426NULLNULL
ماخذ جدول: بانک اطلاعاتي سامانه 137
موضوعاتي که شهروندان در خصوص آن با سامانه 137 تماس مي گيرند شامل موارد ذيل است(آخوندزاده نوقاني، 1388، صص51 و52 ).:
خدمات شهري و عمراني ( آسفالت، جدول گذاري، آبياري درخان، جمع آوري زباله، لايروبي، رفع آب گرفتگي، برف روبي، رفع لغزندگي، نصب پل عابر، احداث بزرگراه، احداث فضاي سبز، احداث اماکن فرهنگي هنري ورزشي،...)
حمل و نقل عمومي و ترافيک شهري (اتوبوس، تاکسي، ميني بوس، مترو، خطوط عابر پياده، تابلوهاي راهنمايي و رانندگي و مسافربرهاي شخصي تحت نظارت تاکسيراني)
اماکن عمومي ( پارک ها و فضاي سبز، پايانه هاي مسافربري، بهشت زهرا، مراکز معاينه فني، ميادين ميوه و تره بار، فروشگاه هاي شهروند، ايستگاه هاي اتوبوس،...)
زيبا سازي و چشم انداز شهري ( حذف زوائد فيزيکي، نظافت، ديوارها، درختکاري، گلکاري، معابر عمومي، شست و شوي نشانه ها و علامت هاي شهري، نظافت معابر و ...)
امور اجتماعي و مزاحمت هاي شهري (سد معبر، جمع آوري متکديان و کارتن خوابها، اماکن فرهنگي هنري و ورزش)
نحوه ي عملکرد سامانه مديريت شهري 137
برقراري تماس با سامانه 137 از 5 روش امکان پذير مي باشد(www.tehran.ir) :
تماس با شماره 137
ارسال پيام کوتاه به شماره 30000137
ارتباط از طريق پست الکترونيک 137@Tehran.ir
ارتباط از طريق وب سايت اينترنتي و ثبت نام اينترنتي پيام به آدرس www.tehran.ir/137
ارتباط از طريق صندوق پستي
ارجاع به عامل اجرايي يا پيمانکار و اجراي حکم کارتحويل حکم کار نهايي به شهردار ناحيهبررسی کار انجام شدهعدم پذيرش گزارش کارتاييد کار و اعمال در فرم الکترونيک ثبت پاسخارجاع به کارتابل ناظر عالیاعمال بررسی و ثبت نظارتثبت عدم تاييد کارثبت تاييد کارارجاع به کارتابل بازخوردتکراری انجام شده است.تکراری در دست اقدام.برابر با نظر کارشناسی نياز به اقدام نمی باشدقابل انجامثبت در سامانه 137کارتابل الکترونيک مدير اجراييصدور حکم کار/ ارجاع مجدد حکم کار و تحويل به مامور بازديدبازديد و تشخيص مامور بازديدصندوق پستیپيام کوتاهتماس تلفنیپست الکترونيکاينترنت
شکل 2-1 چرخه گردش پيام- ماخذ: مرکز سامانه 137
در هنگام تماس شهروندان از طريق تلفن يا پيام کوتاه و پست الکترونيک موضوع پيام توسط اپراتور تعيين مي گردد و در صورت ارتباط از طريق درگاه اينترنتي شهروندان خود نوع درخواست را از طريق دسته بندي موضوع هاي مختلف ثبت مي کنند. سپس اطلاعاتي راجع به منطقه و محل وقوع مشکل و مشخصات فرد متقاضي دريافت و در محيط نرم افزاري سامانه ثبت مي شود و کد پيگيري مربوطه در اختيار شهروند قرار مي- گيرد(اميري، 1387).
اين درخواست به صورت آنلاين در کارتابل مدير اجرايي منطقه مربوطه قرار مي گيرد. پس از بررسي مقدماتي مدير اجرايي منطقه حکم انجام کار به مامور بازديد را صادر مي کند(اميري، 1387).
مامور بازديد پس از حضور در محل وقوع مشکل و تشخيص و بررسي ابعاد مسئله، نظر کارشناسي خود را تحت يکي از 4 عنوان ذيل اعلام مي دارد:
درخواست تکراري بوده و در گذشته انجام شده است.
درخواست تکراري بوده و در دست اقدام مي باشد.
برابر با نظر کارشناسي نياز به اقدام درخواست نمي باشد.
درخواست قابل انجام است.
در صورت گزارش مامور بازديد مبني بر يکي از موارد 1 تا 3 حکم کار مستقيماً به شهردار ناحيه تحويل داده مي شود. ولي در صورتي که نظر کارشناسي، درخواست شهروند را مبني بر قابل انجام بودن تقاضا تاييد کند درخواست انجام کار به عامل اجرايي منطقه يا پيمانکار مربوطه ارجاع داده مي شود(اميري، 1387).
پس از اجراي حکم، کار توسط عامل اجرايي و عملياتي شهرداري و تکميل گزارش کار، حکم کار به شهردار ناحيه تحويل مي شود.
شهردار ناحيه توسط عوامل بررسي و کنترل، از کار انجام گرفته بازديد و نحوه انجام را بررسي و با گزارش کار تکميل شده توسط عوامل اجرايي مسئول مقايسه مي کنند؛ در اين مرحله در صورت عدم پذيرش گزارش کار، درخواست مجددا براي صدور حکم کار ارجاع داده مي شود و در صورت تاييد کار، با ثبت تاييديه مربوطه پرونده به کارتابل الکترونيکي ناظر عالي منطقه ارجاع داده مي شود(اميري، 1387).
ناظر سازمان با بررسي مجدد نحوه ي انجام کار صورت گرفته توسط مجموعه عوامل شهرداري در صورت عدم تاييد کار، مجدداً درخواست را به کارتابل الکترونيک مدير اجرايي جهت صدور حکم جديد کار و بازديد مامور تشخيص ارجاع و در صورت تاييد کار، پس از ثبت تاييديه، پرونده الکترونيکي تکميل شده، به کارتابل مربوط به بخش بازخورد ارجاع داده مي شود(اميري، 1387).
در اين مرحله پس از ثبت و بايگاني پرونده، تمامي فعاليت هاي صورت گرفته و نتيجه کار توسط بخش بازخورد چه از طريق تماس تلفني يا از طريق پيام کوتاه يا ارسال از طريق پست الکترونيک به اطلاع شهروندان مي رسد تا از کم و کيف مراحل اجرايي تقاضاي خود و نتيجه حاصله باخبر شوند(اميري، 1387).
پس از مرحله ي بازخورد، تمامي پرونده هاي ثبت شده به واحد تجزيه و تحليل اطلاعات ارجاع داده مي شود تا کارشناسان و متخصصين شهرداري با تجزيه و تحليل نوع تقاضاي شهروندان و هم چنين نحوه ي انجام کار به بررسي ميزان و فوريت نياز شهروندان در سطح ناحيه و مطقه محل زندگي و هم چنين نياز کلي مردم در سطح شهر بپردازند تا مسائل بحراني را در سطح کلي شهر و حتي منطقه شناسايي و نسبت به رفع معضل موجود برنامه ريزي کنند(اميري، 1387).
ماموريت هاي مرکز سامانه مديريت شهري 137
ايجاد پل ارتباطي بين شهرداري و شهروندان.
هماهنگي و هدايت توان اجرايي براي رفع سريع و فوري مشکلات ملموس در سطح شهر با بهره گيري از کليه تجهيزات و امکانات به پيام هاي شهروندان.
ايجاد زمينه جلب مشارکت عمومي شهروندان و ارکنان مرکز سامانه با تبليعات، اطلاع رساني و آموزش همگاني براي اعتلا و ارتقاي ابعاد زندگي شهري در تهران.
دريافت درخواست هاي شهروندان و پاسخگويي و ارائه خدمات به صورت شبانه روزي و بدون وفقه.
بهره گيري از درخواست هاي ثبت شده مردمي در سامانه 137 و تحليل داده هاي آماري به منظور برنامه ريزي دقيق در جهت رفع معضلات شهري و بهبود روش هاي موجود در ماموريت هاي محوله(http://137.tehran.ir).
رويکردهاي اجرايي مرکز سامانه مديريت شهري 137
پيگيري کليه فعايت ها و ماموريت ها با توجه به تلاش علمي وجهادي.
بهره گيري درست از سرمايه هاي انساني و اجتماعي.
نهادينه کردن فرهنگ شهروند مداري.
توجه به اطلاع رساني، آموزش همگاني و مشارکت به عنوان سه رکن اساسي جلب مشارکت مردم.
بهره گيري موثر از دانش روز فن آوري اطلاعات(http://137.tehran.ir).
چشم انداز مرکز سامانه مديريت شهري 137
معماري صحيح در جهت دريافت و رسيدگي به کليه نيازمندي هاي شهروندان در حوزه مديريت شهري از طريق بارگذاري پيام هاي مرتبط با واحدهاي اجرايي.
استقرار نظام جامع جذب و سازماندهي منابع نيزوي انساني درمرکز.
تجهيز امکانات ستادي و نيز پيگيري تجهيز امکانات عملياتي صف به ابزارهاي نوين علمي روز با هدف ارتقاي سرعت، صحت و کيفيت در نحوه دريافت و اجراي پيام و با رويکرد کاهش هزينه ها و صرفه جويي و شفافيت در اقلام و کالاهاي مصرفي.
تلاش به منظور استقرار سيستم واحد مديريت شهري با محوريت مرکز 137، استقرار سيستم هاي استاندارد کيفيت خدمات، تحقق مدل هاي عملياتي مديريت ارتباط با شهروندان به عنوان اصلي ترين مشتريان شهرداري، استفاده و بهره گيري از سيستم هاي اطلاعات جغرافيايي و موقعيت ياب از طريق آخرين دستاوردهاي ناشي از فن آوري هاي اطلاعاتي و ارتباطاتي.
توليد محتو و فرهنگ سازي جهت آشنايي و نزديکي هرچه بيشتر شهروندان جهت استفاده از خدمات اين مرکز براي مشارکت در مديريت شهر.
پيگيري عملياتي و ميداني، نظارت دقيق بر اجرا و صحت عمل، بازرسي هوشمندانه جهت پاسخ گويي صحيح و موثر. (http://137.tehran.ir)
-412115242570ساختار سازماني سامانه مديريت شهري 137
شکل 2-2ساختار سازماني سامانه مديريت شهري سامانه 137-ماخذ: مرکز مديريت سامانه 137
مدل مفهومي تحقيق
يکي از ابعاد توسعه ي مديريت شهري به کارگيري فن آوري هاي نوين اطلاعاتي مي باشد. همان طور که بيان شد، شهرداري تهران در اقدامي ابتکاري با به کار گيري اين فن آوري و به منظور جلب مشارکت مردم در اداره ي امور شهر، اقدام به راه اندازي مرکز مديريت شهري سامانه 137 نموده است. از طرف ديگر با گذشت بيش از 6 سال از راه اندازي اين مرکز، بانک اطلاعاتي سامانه 137 حاوي داده هاي ارزشمندي در زمينه ي مسائل شهري مي باشد، که با انجام داده کاوي بر روي اين داده ها مي توان به کشف دانش پنهان ميان آن پرداخت و مديران شهري را در ارائه ي مطلوب خدمات شهري به شهروندان ياري رساند.
توسعه ی مديريت شهريافزايش مشارکت مردمیبه کارگيری فن آوری های نوين اطلاعاتیخوشه بندی طبقه بندیپيش بينیقوانين وابستگیداده کاوی بر روی سامانه ی 137کشف دانش پنهانتسهيل در امر تصميم سازیتخصيص بهينه منابعآمادگی بيشتر در مقابل معضلات شهری
شکل2-3 مدل مفهومي تحقيق
ادبيات ياپيشينه تحقيق
تحقيقات داخلي
سامانه ي مديريت شهري 137 شهرداري تهران تاکنون موضوع تحقيقات و پژوهش هاي متعددي براي دانشجويان و محققان بوده که از آن جمله مي توان به موارد زير اشاره نمود:
يوسفيان مريم آبادي، محمد حسين(1389)؛ طراحي چهارچوب کندوکاو فرايندهاي همکارانه بر پايه فرايند کاوي: پايان نامه کارشناسي ارشد؛ دانشگاه تربيت مدرس، دانشکده فني و مهندسي (گروه مهندسي سيستم هاي اقتصادي – اجتماعي)
در تحقيق مذکور با مد نظر قرار دادن ويژگي هاي خاص فرايندهاي همکارانه و با استفاده از مجموعه تکنيک هاي فرايند کاوي، چارچوبي براي کندو کاو اين دسته از فرايندها طراحي شده است و آن ها را از منظرهاي مختلفي تجزيه و تحليل کرده است. در اين تحقيق داده هاي مربوط به سال 1387 سامانه 137 با استفاده از تکنيک هاي ابتکاري در منظر فرايند، تکنيک هاي آناليز شبکه هاي اجتماعي در منظر سازمان و تکنيک هاي آماري و الگوريتم دسته بندي در منظر عملکرد پردازش و از نتايج براي شناخت فرايند 137 و کشف برخي انحرافات و مشکلات آن استفاده گرديده است.
همتي، ميثم(1388)؛ بررسي تاثير بکارگيري مرکز سامانه مديريت خدمات شهري (137) بر ميزان رضايت مشتريان در منطقه 2 شهرداري تهران؛ پايان نامه کارشناسي ارشد؛ دانشگاه پيام نور مرکز تهران، دانشکده علوم اجتماعي و اقتصادي.
در اين تحقيق ميزان رضايت شهروندان منطقه 2 شهرداري تهران از نظر کيفيت عملکرد و به طور کلي از منظر کارکرد مرکز سامانه مديريت شهري 137 مورد سنجش قرار گرفته است. اين تحقيق بيان مي کند که بيشترين توفيق مرکز 137 در برقراري ارتباط موفق و مناسب شهرداري با شهروندان و هم چنين نحوه برخورد مناسب اپراتورهاي 137 بوده است. از طرفي کمترين ميزان رضايت به ميزان سرعت ارائه خدمات شهرداري از طريق مرکز سامانه 137 و وجود فرايند مناسب براي رديابي علايق و سلايق شهروندان اختصاص داشته است. پژوهشگر پس از انجام اين پژوهش و با توجه به نتايج برآمده از دل تحقيق ، به ارائه برخي پيشنهادها و توصيه هاي کاربردي پرداخته است.
اميري، آرين (1387)؛ عوامل مؤثر بر پذيرش سامانه مديريت شهري تهران (137) توسط شهروندان؛ پايان نامه کارشناسي ارشد؛ دانشگاه علامه طباطبائي، دانشکده مديريت وحسابداري.
در اين تحقيق سعي شده است تعدادي از عوامل مؤثر بر ميزان استفاده از خدمات مرکز سامانه ي 137 توسط شهروندان بررسي شود، تا از طريق شناسايي اين عوامل، به فراگير شدن هر چه بيشتر بهرهگيري از اين سامانه به عنوان يکي از زير مجموعه‌هاي ضروري تحقق «شهر الکترونيک» كمك شود. نتيجه پژوهش حاكي از آن است كه مهمترين عامل تأثيرگذار بر پذيرش سامانه 137 توسط شهروندان «درك سهولت استفاده از سامانه» است و عامل «درك سودمندي و احساس مفيد بودن سامانه» نيز مي‌تواند در ميزان استفاده عملي شهروندان از آن تأثير به‌سزايي داشته باشد.
و اما مهم ترين پژوهش انجام شده و حائز اهميت در خصوص سامانه 137 بر اساس داده کاوي، پژوهشي است که در ذيل به آن اشاره شده است. اين پژوهش به کاوش دانش پنهان مديريت ارتباط با مشتري در اين سامانه پرداخته و مقالاتي نيز با عناوين ذکر شده در کنفرانس هاي داده کاوي و شهر الکترونيکي بر اساس يافته هاي اين پژوهش ارائه شده است:
آخوندزاده نوقابي، الهام(1388)؛ کاوش دانش پنهان مديريت ارتباط با مشتري: مورد کاوي پايگاه اطلاعاتي 137 شهرداري تهران، پايان نامه کارشناسي ارشد؛ دانشگاه شاهد دانشکده فني و مهندسي.
در اين تحقيق سعي شده است با يک رويکرد ترکيبي از تکنيک هاي داده کاوي نيازها و مشکلات اصلي و مهم شهروندان تهراني شناسايي و بر اساس اهميت و ميزان رضايت مندي شهروندان از نحوه ي رفع هريک از اين مشکلات استراتژي بهبود جهت ارائه بهتر خدمات شهري ارائه گردد. نحوه ي انجام کار و دستاوردهاي حاصل شده در اين تحقيق به دليل شباهت روش انجام کار و سازمان مورد مطالعه با تحقيق حاضر با ذکر جزئيات بيشتر بيان مي گردد:
قلمرو زماني و مکاني تحقيق انجام گرفته، داده هاي سامانه 137 در زمستان 86 و منطقه 1 تهران مي باشد. محقق در اين تحقيق با استفاده از تکنيک خوشه بندي و به کار گيري الگوريتم K-means مشکلات شهري را براساس فراواني و بازه زماني بروز مشکل (اين که در چندمين روز از فصل زمستان رخ داده است) به 5 خوشه تقيسم کرده است و سپس به بررسي و تحليل هر خوشه پرداخته است.
در ادامه با ترکيب خوشه ها، مشکلات ونيازهاي شهري را نهايتاً به 3 دسته: مشکلات اوليه شهروندان، مشکلات ثانويه شهروندان و مشکلات موردي و نادر تقسيم مي نمايد. با تشکيل خوشه هاي جديد و با استفاده از الگوريتم Apriori به شناسايي الگوهاي پرتکرار در درون هر خوشه پرداخته شده است. کشف اين الگوهاي پرتکرار در دو مرحله صورت گرفته است. در يک مرحله ارتباط بين نوع مشکلات وبازه هاي زماني- مکاني بروز آن ها و در مرحله ديگر ارتباط بين نوع مشکلات و مشخصه هاي رضايت مندي مورد بررسي قرار گرفته است. به طور نمونه يکي از الگوهاي پرتکرار شناسايي شده بين خوشه، ناحيه و ماه بيان مي کند که در ناحيه 6 با اطمينان 98% مشکلات خوشه 1 اتفاق افتاده است.
وضعيت رضايت مندي شهروندان نيز بر اساس کشف الگوهاي پرتکرار بين مشخصه رضايت مندي شهروندان و دسته هاي مشکلات در خوشه هاي نيازهاي اوليه و نيازهاي ثانويه تحليل شده است. يکي از الگوهاي شناسايي شده در اين بخش بيان مي کند: اگر مشکل به وجود آمده از نوع مشکلات ساخت و ساز بوده باشد با اطمينان 66/72% مي توان گفت که ميزان رضايت از سرعت خدمات ارائه شده بالا بوده است.
بررسي نقش واحدهاي اجرايي در دسته مشکلات مربوط به خوشه نيازهاي اوليه که شامل زباله ضايعات، نظافت، آسفالت و مشکلات مرتبط با جوي آب مي شود نيز به طور جداگانه با استفاده از قوانين باهم آيي پرداخته شده است. به طور نمونه اين بخش مشخص کرد که ميزان رضايت مندي شهروندان از واحدهاي اجرايي نواحي 1، 2 و 7 در مشکلات مربوط به زباله ضايعات با اطمينان 70% بالا بوده است.
در پايان به کشف هم زماني وقوع مشکلات پرداخته شده است که به طور نمونه بيان مي کند اگر مشکل "معبر نياز به برف روبي دارد" اتفاق افتاده باشد مشکل "رفع لغزندگي معابر" نيز با اطمينان 100 درصد در همان روز اتفاق افتاده است.
احمدوند، علي محمد؛ آخوندزاده، الهام ؛مينايي بيدگلي، بهروز (1388)، "استفاده از داده کاوي در بهبود مديريت شهري: مورد کاوي پايگاه اطلاعاتي 137 شهرداري تهران". سومين کنفرانس داده کاوي ايران.
احمدوند، علي محمد ؛ بهروز، مينايي بيدگلي، آخوندزاده ، الهام ؛ (1388) تحليل رضايتمندي شهروندان با استفاده از تکنيک هاي داده کاوي: مورد کاوي شهرداري تهران". سومين کنفرانس داده کاوي ايران.
مينايي بيدگلي، بهروز؛ آخوندزاده نوقابي، الهام؛ موسوي، محمد حسين؛ احمدوند، علي محمد(1388)؛ "استفاده از داده کاوي در مديريت ارتباط با شهروند: مورد کاوي پايگاه اطلاعاتي 137 شهرداري تهران". دومين کنفرانس شهر الکترونيک.
در اين مقاله به کشف الگوهاي متوالي ميان پيام ها با استفاده از الگوريتم Sequenceو کشف قواعد وابستگي بر روي پيام ها با استفاده از الگوريتم Apriori پرداخته شده است.
تحقيقات خارجي
مطالعات انجام شده در زمينه ی عملکرد مراکز تماس که از تکنيک های داده کاوی در آن استفاده شده است، به شرح جدول 2-2 می باشد.
جدول 2-2: تحقيقات خارجي در زمينه کاربرد داده کاوي در مراکز تماس
الگوريتم داده کاويمدل داده کاويمرجعMLP، LNN، PNN ، CART، SVMPrediction, ClassificationPaprzycki, Abraham, Guo and Mukkamala (2003)عنوان مقالهData Mining Approach for Analyzing Call Center Performance visualizationFrancois du Toit, Calitz(2008)عنوان مقالهA Model for the Visual Data Mining of Call PatternsID3، Naïve bayes، VFI، IB1، IBK، K-StarText mining-ClassificationWhite, Jagielska(2004)عنوان مقالهInvestigation into the Application of Data Mining Techniques to Classification of Call Centre Data Naïve bayes,C4.5ClassificationNing Tan, Blau, Harp and Robert Goldman(2003)عنوان مقالهTextual Data Mining of Service Center Call RecordsText mining-ClusteringWallace, Cermack (2003)عنوان مقالهText Mining Warranty and Call Center Data: Early Warning for Product Quality AwarenessNeural NetworkPredictionLv Jing Guo Min (2010)عنوان مقالهPredicting Call Center Service Grade with Improved Neural Network Algorithm
خلاصه فصل دوم
در اين فصل، ادبيات موضوع داده کاوي که شامل تعاريف، تاريخچه، تکنيک ها و الگوريتم هاي داده کاوي مي باشد آورده شده است. هم چنين از آن جا که اين تحقيق در حوزه ي شهرداري تهران و مرکز مديريت شهري 137 مي باشد، لذا به فلسفه وجودي اين سامانه ، اهداف و کارکردهاي آن و نحوه ثبت تماس هاي شهروندان و اقدام بر روي آن ها اشاره شده است. سپس متدلوژي و مدل مفهومي تحقيق آورده شده است و در انتها به شرح مختصري از پژوهش هاي انجام شده در حوزه ي سامانه 137 و داده کاوي در اين سامانه پرداخته شده است و يافته هاي آن ها براي ارائه ي اطلاعات بيشتر و تکميلي تر به اختصار بيان شده است. در فصل بعد با عنايت به ادبيات و تئوري هاي مطرح شده در اين فصل به روش شناسي تحقيق مي پردازيم.
فهرست منابع
منابع فارسي
وست فال، ماتيو و ديگران(1386)، شاخص هاي شهري براي مديريت شهرها، ترجمه همت مراد قلندري؛ امير قادري و امير حسين ممتازي، تهران، مرکز انتشارات دانشگاه علم و صنعت ايران.
هراتي ، سامان (1386)؛"حل مشکلات شهري از طريق فن آوري اطلاعات و ارتباطات"، نشريه مرکز ارتباطات بين المللي شماره 46.
مرشدلو، حسين ،(۱۳۸۶)،" داده کاوي پويا با استفاده از عامل "، پايان نامه کارشناسي ارشد، دانشگاه صنعتي امير کبير.
کاظميان، غلامرضا، سعيدي رضواني، سعيد (1381) امکان سنجي واگذاري وظايف جديد به شهرداري ها- جلد دوم.تهران. انتشارات سازمان شهرداري هاي کشور.
شريفيان ثاني، مريم (1380)؛ "مشارکت شهروندي، حکمراني شهري و مديريت شهري"، فصلنامه مديريت شهري، شماره 8.
جلالي، علي اکبر (1384) شهر الکترونيک، چاپ سوم، تهران، انتشارات دانشگاه علم و صنعت ايران.
خانزاده،علي(1386) "شهر، شهرداري، شهروند الکترونيکي"، ماهنامه توسعه کاربري فن آوري اطلاعات و ارتباطات، سال پنجم، شماره دوم.
نظريان آزاد، سيروس(1388)نقش فناوري اطلاعات در توسعه مديريت شهري، دومين کنفرانس شهرداري الکترونيکي، تهران.
جلالي لواساني، احسان؛ نجفي، مهرداد ( 1388)،" بررسي ابعاد حاصل از بکارگيري فن آوري اطلاعات در ساختار مديريت شهري (سامانه مديريت شهري 137 )"؛ دومين کنفرانش شهرداري الکترونيکي، تهران.
محکي، علي اصغر(1386)، "شهرداري الکترونيکي"، ماهنامه توسعه کاربري فن آوري اطلاعات و ارتباطات ، سال پنجم، شماره دوم،.
آخوندزاده نوقابي، الهام(1388)؛ کاوش دانش پنهان مديريت ارتباط با مشتري: مورد کاوي پايگاه اطلاعاتي 137 شهرداري تهران، پايان نامه کارشناسي ارشد؛ دانشگاه شاهد دانشکده فني و مهندسي.
اميري، آرين (1387)؛ عوامل مؤثر بر پذيرش سامانه مديريت شهري تهران (137) توسط شهروندان؛ پايان نامه کارشناسي ارشد؛ دانشگاه علامه طباطبائي، دانشکده مديريت وحسابداري
يوسفيان مريم آبادي، محمد حسين(1389)؛ طراحي چهارچوب کندوکاو فرايندهاي همکارانه بر پايه فرايند کاوي: پايان نامه کارشناسي ارشد؛ دانشگاه تربيت مدرس، دانشکده فني و مهندسي (گروه مهندسي سيستم هاي اقتصادي – اجتماعي)
"داده کاوي و کاربرد آن در مديريت شهري"، (1388)، مرکز مطالعات و برنامه ريزي شهر تهران
نقش نوين شهرها و مساله مديريت، ويژه نامه مرکز مطالعات و برنامه ريزي شهري شهرداري تهران،ص 7.
شهرابي، جمال (1390) داده کاوي؛ تهران؛ جهاد دانشگاهي اميرکبير.
شهرابي، جمال (1390) داده کاوي 2؛ تهران؛ جهاد دانشگاهي اميرکبير.
شهرابي، جمال؛ ونوس شکور نياز (1389)، داده کاوي کاربردي با مثال هايي در SQL Server ؛ تهران؛ جهاد دانشگاهي اميرکبير.
شهرابي، جمال؛ ذوالقدر شجاعي، علي (1388)، داده کاوي پيشرفته مفاهيم و الگوريتم ها؛ تهران؛ جهاد دانشگاهي اميرکبير.
شهرابي، جمال (1390)؛ کارگاه آموزشي داده کاوي ، تهران؛ دانشگاه صنعتي اميرکبير.
شهرابي، جمال (1389)؛ کارگاه آموزشي داده کاوي، تهران؛ دانشگاه صنعتي اميرکبير.
نخعي زاده ، غلامرضا (۱۳۸9)،داده کاوي و کاربرد آن در بانک و بيمه ، کارگاه آموزشي، دانشگاه تربيت مدرس.
http://www.irandatamining.ir/datamining.htm
http://137.tehran.ir/Default.aspx?tabid=92
http://137.tehran.ir/Default.aspx?tabid=94
http://www.irimo.ir/farsi/current/index.asp?station=40751
منابع لاتين
Han J., Kamber M., (2006), “Data Mining concepts and techniques”, Second Edition, Morgan Kaufmann.
Larsed D., “DISCOVERING KNOWLEDGE IN DATA, An Introduction to Data Mining”, (2003), John Wiley & Sons
Gupta G.K. (2006) , “Introduction to DATA MINING with Case Studies”, Prentice-Hall ,ISBN-81-203-3053-6
Frawley W.,Piatetsky G., ”Knowledge Discovery In DataBases”, ISSN- 0738-4602
Hand D.,Mannila H., Smyth P., (2001).”Principles of Data Mining”, MIT Press,Cambridge
Wu X. , Kumar V., (2006), “The Top Ten Algorithms in Data mining”, Chapman & Hall /CRC Press
Usama Fayyad, Gregory Piatetsky-Shapiro, and Padhraic Smyth (1996), From Data Mining toKnowledge Discovery inDatabases
William J. Frawley, Gregory Piatetsky-Shapiro, and Christopher J. Matheus, Knowledge Discovery in Databases:An Overview(1992)
Marcin and others, Data Mining Approach for Analyzing Call Center Performance, http://arxiv.org/ftp/cs/papers/0405/0405017.pdf
Ruiyuan Guo, and others, Analyzing Call Center Performance: A Data Mining Approach, http://www.softcomputing.net/icfai-km.pdf
Stephanus Francois du Toit, Andre Calitz, A Model for the Visual Data Mining of Call Patterns, http://www.nmmu.ac.za/documents/coe/SFduToit.pdf
Abstract
Municipality is one of the most important organizations playing an important role in providing citizens with urban services. Applying the information technology and the communications systems knowledge, and also the skilled domestic experts’ ability in urban management, this organization has established a system which enters the citizens into the management zone about their life environment, and has attempted to perform urban affairs using the same citizens’ active participation. Therefore, the 137 system can be regarded as a data-base which holds valuable data on city problems.
The information obtained from this system contains useful matters on the presented services to the citizens, and can be used as an important and suitable source for doing the data-mining analyses. For example, the possible future events and problems that may become problematic for the city can be predicted using these analyses, and preparation can be made facing them.
In this research considered as an applied-descriptive one, the 2011 data from the 137 system has been used to perform the data-mining process using Clementine 12. One of the results is determining the homogeneity of these regions from the 137 system’s perspective using the clustering technique in two categories. It shows that the second category regions are more ready and informed for communicating with the system, and the greater number of calls from the citizens of these regions does not have any relationship with their having more problems.
The regions and areas have been analyzed regarding the relation dependence rules among the problems, and it was determined that which areas of each region are more susceptible to some urban problems and difficulties that the municipality can prevent their occurrence by acquiring more readiness.
In addition, interesting patterns have also been obtained by the results in predicting the number of calls related to one region’s inundation and flood based on the amounts of rain, and/or determining the dependence of the inundation messages among different areas of a special region.
The obtained results are expected to be effective in urban problems’ management and enhancing citizens’ satisfaction.
Key words: Urban Management, 137 Portal, Data Mining, Clustering, Association Rules.
2197735174625
Allame Tabataba’i University
FacultyFaculty of Management and Accounting
Dissertation in Urban Management
The Application of Data Mining in discovering hidden knowledge among 137 portal of Tehran Municipally
Supervisor
Dr.Jamal Shahrabi
Advisor
Dr.Gholamreza Kazemian
By
Mina Goshadrou
Febuary 2012
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
