Σχολή Περιβάλλοντος, Γεωγραφίας & Εφαρμοσμένων Οικονομικών Τμήμα Γεωγραφίας Εφαρμοσμένη ανάλυση Γεωγραφικών Δεδομένων με την αξιοποίηση ΣΓΠ Μοντέλο Αναλυτικής Ιεράρχησης Εργασία του Παπαδόπουλου Αλέξανδρου Α.Μ. gp216312 27/11/2016
Περιεχόμενα 1.Θεωρητικό μέρος... 3 1.1 Πολυκριτηριακή ανάλυση... 3 1.2 Χαρτογραφική υπέρθεση... 4 1.3 Αναλυτική ιεράρχηση... 4 1.4 Μεταβλητές... 5 2. Πρακτικό Μέρος... 7 2.1 Δεδομένα... 7 2.2 Ταξινόμηση πρωτογενών μεταβλητών... 7 2.3 Σύνθετα κριτήρια... 10 2.3.1 Χωρικό κριτηριο... 10 2.3.2 Κριτήριο Απασχόλησης... 12 2.3.3 Δημογραφικό Κριτήριο... 14 2.3.4 Αγροτικό Κριτήριο... 16 2.4 Σύνθεση σταθμισμένων κριτηρίων... 18 2.5 Τακτική κλίμακα και ανάλυση ευαισθησίας... 20 2.5.1 Υπολογισμός εκτάσεων... 20 2.5.2 Τακτική κλίμακα μοντέλου... 20 2.5.3 Ανάλυση Ευαισθησίας... 22 Βιβλιογραφία... 28 2
1.Θεωρητικό μέρος Στην εργασία αυτή κατασκευάζεται ένα μοντέλο πολυκριτηριακής ανάλυσης με τη χρήση αναλυτικής ιεράρχησης για τους διάφορους παράγοντες. Χρησιμοποιείται το λογισμικό ArcGIS για την υπέρθεση χαρτών που θα παράγουν το μοντέλο αποτίμησης. Ειδικότερα η εργασία εστιάζει στην αποτίμηση του φαινομένου «επιστροφής στο ύπαιθρο» για της Διοικητικές διαιρέσεις του νομού Ηλείας. Στη συνέχεια ακολουθεί η αναγκαία θεωρεία που χρειάζεται κανείς για να κατανοήσει τον μηχανισμό της εργασίας. 1.1 Πολυκριτηριακή ανάλυση Ο λήπτης αποφάσεων στην πολυκριτηριακή ανάλυση έχει να επιλέξει ανάμεσα σε πληθώρα κριτηρίων που συχνά αντιφάσκουν μεταξύ τους. Τα κριτήρια αξιολόγησης είναι στοιχεία επί των οποίων αξιολογούνται και συγκρίνονται εναλλακτικές λύσεις (Chakhar & Mousseau, 2008). Η χωρική πολυκριτηριακή λήψη αποφάσεων αναφέρεται στην εφαρμογή της πολυκριτηριακής ανάλυσης στο χωρικό πλαίσιο όπου οι εναλλακτικές λύσεις, τα κριτήρια και τα άλλα στοιχεία του προβλήματος απόφασης έχουν σαφείς χωρικές διαστάσεις (Chakhar & Mousseau, 2007). Πρόκειται για προβλήματα στα οποία η απόφαση συνεπάγεται την επιλογή μεταξύ διαφόρων δυνητικών εναλλακτικών λύσεων που σχετίζονται με κάποιες συγκεκριμένες θέσεις στο χώρο. Η επιλογή των κατάλληλων κριτηρίων θα εξαρτηθεί από την ικανοποίηση ορισμένων περιορισμών αλλά και παραγόντων που αφορούν το πρόβλημα προς λύση (Chakhar & Mousseau, 2008). Κάθε κριτήριο μπορεί να αναπαρασταθεί με γεωγραφικά δεδομένα, και να οπτικοποιηθεί ως θεματικός χάρτης. Στη συνέχεια είναι δυνατό να γίνει η χαρτογραφική υπέρθεση, δηλαδή, η τοποθέτηση γεωαναφερμένων χαρτών ενός επί του άλλου. Εικ1.1.1 Στάδια υλοποίησης Πολυκριτηριακής Ανάλυσης (Χαλκιάς & Γκούσια, 2015). 3
1.2 Χαρτογραφική υπέρθεση Με την υπέρθεση πολλαπλών θεματικών χαρτών μπορούν να αποκαλυφθούν οι βέλτιστες τοποθεσίες, σύμφωνα με τα κριτήρια της πολυκριτηριακής ανάλυσης που προηγήθηκε. Τυπικό παράδειγμα του McHarg ( 1971) είναι το εξής: «ας χαρτογραφήσουμε φυσιογραφικούς παράγοντες έτσι ώστε ο σκοτεινότερος τόνος να σημαίνει μεγαλύτερο κόστος. Ομοίως ας χαρτογραφήσουμε κοινωνικές αξίες, έτσι ώστε ο σκοτεινότερος τόνος να σημαίνει υψηλότερη τιμή. Ας κάνουμε τους χάρτες διαφανείς. Όταν αυτά τα υπερθέσουμε, οι περιοχές λιγότερου κοινωνικού κόστους εμφανίζονται με ελαφρύτερο τόνο»(dibiase & Dutton, 2014). Σύμφωνα με τον ορισμό του esri, η χαρτογραφική υπέρθεση είναι μια λειτουργία στην οποία δύο ή περισσότερους χάρτες ή στρωμάτα έχουν καταχωρηθεί σε ένα κοινό σύστημα συντεταγμένων σε υπέρθεση (ψηφιακό ή διαφανές υλικό επικαλύπτεται). Σκοπός είναι να αναδειχτούν οι σχέσεις μεταξύ των χαρακτηριστικών (κάθε στρώματος ή χάρτη) που καταλαμβάνουν τον ίδιο γεωγραφικό χώρο. Η αποθήκευση ψηφιακών δεδομένων σε πολλαπλά "στρώματα" δεν είναι μοναδική στα ΓΣΠ. Αυτό που είναι μοναδικό στα ΓΣΠ, και σημαντικό για την επικάλυψη χάρτη, είναι η ικανότητα των ΓΣΠ να δημιουργήσουν ένα νέο στρώμα δεδομένων ως προϊόν των υφιστάμενων στρωμάτων (DiBiase & Dutton, 2014). 1.3 Αναλυτική ιεράρχηση Η αναλυτική ιεράρχηση βασίζεται στην εμπειρία του κατασκευαστή της, Τ.Ι. Saaty. Αναπτύχθηκε ως αντίδραση στην διαπίστωση ότι υπάρχει ένα έλλειψη κοινής, εύκολα κατανοητής και εύκολη στην εφαρμογή μεθοδολογία που επιτρέπει τη λήψη του πολύπλοκων αποφάσεις. Από τότε, η απλότητα και η δύναμη της αναλυτικής ιεράρχησης έχει οδηγήσει στην ευρεία χρήση από πολλούς τομείς, σε κάθε μέρος του κόσμου. Η αναλυτική ιεράρχηση χρησιμοποιείται στις επιχειρήσεις, την κυβέρνηση, τις κοινωνικές μελέτες, την άμυνα και άλλους τομείςπου αφορούν αποφάσεις στις οποίες απαιτείται επιλογή, ιεράρχηση ή πρόβλεψη (Bhusan & Rai, 2004). Η Διαδικασία Αναλυτικής Ιεραρχίας (Analytic Hierarchy Process AHP) είναι μια θεωρία μέτρησης μέσω κατά ζεύγη συγκρίσεων και βασίζεται στις αποφάσεις των εμπειρογνωμόνων για να αντλήσει κλίμακας προτεραιότητας. Αυτές οι κλίμακες μετρούν τα άυλα στοιχεία σε σχετικούς όρους. Οι συγκρίσεις γίνονται χρησιμοποιώντας μια κλίμακα απόλυτης κρίσης που αντιπροσωπεύει, πόσο πολύ περισσότερο, ένα στοιχείο κυριαρχεί ενός άλλου σε σχέση με ένα προσδιορισμένο χαρακτηριστικό. Αρνητικό της αναλυτικής ιεράρχησης είναι ότι οι αποφάσεις μπορεί να είναι ασυνεπείς και η ασυνέπεια δεν αριθμείται έτσι ώστε να βελτιωθούν οι αποφάσεις (Saaty Katz, 2008). Στάδια Αναλυτικής Ιεράρχησης: 1. Το πρόβλημα αναλύεται με ιεραρχική δομή σε κριτήρια, υποκριτήρια και εναλλακτικές 2. Συλλέγονται δεδομένα από ειδικούς ή αυτούς που παίρνουν τις αποφάσεις σχετικά με τις συγκρίσεις ζευγών. Οι ειδικοί μπορούν να χαρακτηρίσουν ποιοτικά τις συγκρίσεις των 4
στοιχείων ως ίσης προτεραιότητας, μικρής προτεραιότητας, προτεραιότητας, μεγαλύτερης προτεραιότητας και απόλυτης προτεραιότητας. 3. Οι συγκρίσεις κατά ζεύγη των διαφόρων κριτηρίων που παράγονται στο βήμα 2 οργανώνονται σε ένα τετράγωνο πίνακα. Τα διαγώνια στοιχεία του πίνακα έχουν τιμή 1. Το κριτήριο στη σειρά ith είναι καλύτερο από το κριτήριο στην στήλη jth, εάν η τιμή του στοιχείου (i, j) είναι μεγαλύτερη από 1. Αλλιώς το κριτήριο της στήλης jth είναι καλύτερη από ότι σε η σειρά ith. Το στοιχείο του πίνακα (j, i) είναι το αντίστροφο του (i, j) στοιχείο. 4. Βάση των συγκρίσεων παράγονται οι ανάλογοι συντελεστές βαρύτητας. Δημιουργείται πίνακας με όμοιο αριθμό κελιών. Κάθε κελί έχει την τιμή του αντίστοιχου κελιού στον προηγούμενο πίνακα, διαιρεμένο με το σύνολο της στήλης. Τέλος τα βάρη κάθε κριτηρίου υπολογίζονται ως μέσο όρο κάθε γραμμής του πίνακα. 5. Τα υποκριτήρια δημιουργούνται από την άθροιση των πολλαπλασιασμένων συντελεστών βαρύτητας με τις εναλλακτικές (Bhusan & Rai, 2004). 1.4 Μεταβλητές Για τον προσδιορισμό καταλληλότητας των διοικητικών διαιρέσεων για την «επιστροφή στην ύπαιθρο» στην περιοχή µελέτης χρησιμοποιήθηκαν τα εξής κριτήρια: το χωρικό κριτήριο, το δημογραφικό κριτήριο, το κριτήριο απασχόλησης και το αγροτικό κριτήριο. Κάθε κριτήριο έχε τις πρωτογενείς μεταβλητές του όπως δόθηκαν από τα δεδομένα της άσκησης. Σχήμα 1.4.1. Ιεραρχική δομή μοντέλου ΑΗΡ (Χαλκιάς & Γκούσια, 2015). 5
Σχήμα 1.4.2. Σύνθετα κριτήρια και πρωτογενείς μεταβλητές προβλήματος (δεδομένα άσκησης). 6
2. Πρακτικό Μέρος 2.1 Δεδομένα Τα αρχικά αρχεία ήταν ένα αρχείο τύπου shapefile (.shp) με τον νομό Ηλείας και τις διοικητικές διαιρέσεις του και ένας πίνακας δεδομένων που για κάθε διοικητική διαίρεση είχε τις πρωτογενής μεταβλητές του προβλήματος. Αναγκαία εργασία για να έχουν νόημα οι μεταβλητές στον χώρο ήταν να γίνει join του αρχείου τύπου.shp και του πίνακα δεδομένων. Όταν εισαχθούν τα δεδομένα σε περιβάλλον ArcGIS επιλέγεται το αρχείο.shp και με δεξί κλικ κάνουμε Join and Relates > Join. Για την επίτευξη του join των δύο αρχείων επιλέγεται ο πίνακας Cod91 ως key. Δηλαδή ορίστηκε ότι τα στοιχεία του πίνακα αυτού είναι μοναδικά για κάθε δ.δ. και μπορούν να χρησιμοποιηθούν για της ένωση των δύο πινάκων. 2.2 Ταξινόμηση πρωτογενών μεταβλητών Αρχικώς έπρεπε τα κριτήρια να αποκτήσουν συγκρίσιμα μεγέθη. Για το λόγο αυτό τα κριτήρια κατηγορηποιήθηκαν βάση μίας τακτικής κλίμακας πέντε κατηγορειών. Οι κατηγορίες αριθμούνται από το 1 έως το 5 και η αύξηση του αριθμού δείχνει μεγαλύτερη εύνοια για την «επιστροφή στο ύπαιθρο». Τα δεδομένα της άσκησης ορίζουν ότι τα όρια των κατηγοριών κάθε πρωτογενής μεταβλητής επιλέχθηκαν έτσι ώστε να μην εξαρτώνται από το εύρος των τιμών, αλλά να έχουν ευρύτερη ισχύ για το σύνολο της ελληνικής υπαίθρου. Σχήμα 2.1 Ταξινόμηση χωρικού κριτηρίου (δεδομένα άσκησης). 7
Σχήμα 2.2 Ταξινόμηση κριτηρίου απασχόλησης( δεδομένα άσκησης). Σχήμα 2.3 Ταξινόμηση δημογραφικού κριτηρίου (δεδομένα άσκησης). Σχήμα 2.4 Ταξινόμηση αγροτικού κριτηρίου (δεδομένα άσκησης). 8
Για την καταχώρηση των νέων ταξινομημένων τιμών δημιουργούνται καινούργιες στήλες. Για κάθε νέα στήλη μέσω του field calculator δίνεται μια τιμή για κάθε δ.δ.. Για να δοθεί η κατάλληλη επαναταξινομιμένη τιμή στα δ.δ. κάθε στήλης, δημιουργήθηκε ένας κώδικας σε γλώσσα προγραμματισμού Python όπως αυτός που ακολουθεί. def slope(degrees): if degrees >20: result =1 return result elif degrees <= 20 and degrees > 10: result =2 return result elif degrees <= 10 and degrees > 5: result =3 return result elif degrees <= 5 and degrees > 2: result =4 return result else: return 5 slope(!pinakas_dedomenwn.slope_mean! ) Ο κώδικας που προηγήθηκε αφορά τις κλίσεις (πρωτογενής παράγοντας) του χωρικού κριτηρίου. Πρόκειται για μία λειτουργία (function slope) η οποία ελέγχει την τιμή που είχε η δ.δ. και δίνει στην νέα στήλη στην ίδια δ.δ. την νέα επαναταξινομιμένη τιμή. Έπειτα καλούμε την λειτουργία (slope) να δράσει για την στήλη των κλίσεων (!pinakas_dedomenwn.slope_mean!). Η τιμή της δ.δ. στην επαναταξινομημένη στήλη θα ανήκει στο εύρος 1 έως 5 βάση της ευνοϊκότητάς τους για την επιστροφή στο ύπαιθρο. Για κάθε επαναταξινομιμένη στήλη την πρωτογενών παραγόντων δημιουργήθηκαν ανάλογοι κώδικες που δεν θα αναλυθούν στην εργασία γιατί δεν αφορούν την τεχνική έκθεση. 9
2.3 Σύνθετα κριτήρια Για τον υπολογισμό των σύνθετων κριτηρίων χρειάζεται να προσδοθούν σε κάθε πρωτογενή παράγοντα συντελεστές βαρύτητας. Κατ αυτό τον τρόπο με την μέθοδο της αναλυτική ιεράρχησης (ΑΗΡ), γίνεται σύγκριση ανά ζεύγη των πρωτογενών παραγόντων κάθε κριτηρίου. Η σύγκριση αυτή γίνεται εμπειρικά από την άποψη του συγγραφέα της τεχνική έκθεσης ως προς την σχέση σημαντικότητας που έχουν οι παράγοντες μεταξύ τους, άρα και τον ανάλογο βαθμό συμμετοχής του καθενός στην δημιουργία του κάθε σύνθετου κριτηρίου. Με τη χρήση μαθηματικών εξισώσεων λαμβάνεται η κανονικοποίηση των τιμών σύγκρισης και ο συντελεστής βαρύτητας κάθε πρωτογενούς μεταβλητής για το αντίστοιχο σύνθετο κριτήριο. Ελέγχεται η συνέπεια της σύγκρισης των μεταβλητών και οι συντελεστές βαρύτητας που προέκυψαν. Σε κάθε περίπτωση υπολογίζονται κατά τέτοιο τρόπο οι συντελεστές βαρύτητας ώστε ο λόγος συνέπειας να μη ξεπερνά το 10%. 2.3.1 Χωρικό κριτηριο Η ιεράρχηση των παραγόντων του Χωρικού Κριτηρίου ως προς την μεταξύ τους σημαντικότητα είναι: Χ2>Χ1>Χ3 (Σχήμα 2.3.1.1). Χωρικό κριτήριο Κλίση Χρονοαπόσταση Χρονοαπόσταση Συντελεστές Βαρύτητας (Χ1) από οικισμούς από ακτές (Χ3) (Χ2) Κλίση 1.00 0.50 3.00 0.3202 Χρονοαπόσταση 2.00 1.00 4.00 0.5571 από οικισμούς Χρονοαπόσταση από ακτές 0.33 0.25 1.00 0.1226 Σχήμα 2.3.1.1 Σύγκριση ανά ζεύγη και συντελεστές βαρύτητας παραγόντων Χωρικού Κριτηρίου. Υπολογισθέντας λόγος συνέπειας είναι: CI/RI = 0.02. Συνεπώς, το χωρικό κριτήριο (Χ) μπορεί να υπολογιστεί στο field calculator, με χρήση γλώσσας Python, για κάθε διοικητική διαίρεση, ως: 0.3202 *!x1! + 0.5571 *!x2! + 0.1226 *!x3! Στην θεματικό χάρτη που ακολουθεί (εικ.2.3.1.2), δ.δ. με σκούρο μπλε χρώμα έλαβαν τιμές ευνοικότητας μεγαλύτερες από 4 και είναι πιο κατάλληλες για την εγκατάσταση κάποιου που πάει στο νομό Ηλείας, σε σχέση με δ.δ. που έλαβαν τιμές χαμηλότερες από 2 και απεικονίζονται με απαλό μπλε χρώμα. 10
Εικ.2.3.1.2 Χωρικό Κριτήριο καταλληλότητα για ανάπτυξη του φαινόμενου. 11
2.3.2 Κριτήριο Απασχόλησης Η ιεράρχηση των παραγόντων του κριτηρίου απασχόλησης προς την μεταξύ τους σημαντικότητα είναι: ΑΠ2>ΑΠ3>ΑΠ1 (Σχήμα 2.3.2.1). Κριτήριο απασχόλησης Διοικ. Στελέχη & Έμποροι (ΑΠ1) Σύνολο απασχολούμενων (ΑΠ2) Πολυαπασχόληση (ΑΠ3) Συντελεστές Βαρύτητας Διοικ. Στελέχη & 1.00 0.25 0.50 0.1335 Έμποροι Σύνολο 4.00 1.00 4.00 0.6551 απασχολούμενων Πολυαπασχόληση 2.00 0.25 1.00 0.2114 Σχήμα 2.3.2.1 Σύγκριση ανά ζεύγη και συντελεστές βαρύτητας παραγόντων κριτηρίου απασχόλησης. Υπολογισθέντας λόγος συνέπειας είναι: CI/RI = 0.05. Συνεπώς, το κριτήριο απασχόλησης (ΑΠ) μπορεί να υπολογιστεί στο field calculator, με χρήση γλώσσας Python, για κάθε διοικητική διαίρεση, ως:!ap1_2! * 0.1335 + 0.6551 *!ap2! + 0.2114 *!ap3! Στην θεματικό χάρτη που ακολουθεί (εικ.2.3.2.2), δ.δ. με σκούρο πορτοκαλί χρώμα έλαβαν τιμές ευνοικότητας μεγαλύτερες από 4 και είναι πιο κατάλληλες για την εγκατάσταση κάποιου που πάει στο νομό Ηλείας, σε σχέση με δ.δ. που έλαβαν τιμές χαμηλότερες από 2 και απεικονίζονται με απαλό πορτοκαλί χρώμα. 12
Σχήμα 2.3.2.2 Κριτήριο Απασχόλησης καταλληλότητα για ανάπτυξη του φαινόμενου. 13
2.3.3 Δημογραφικό Κριτήριο Η ιεράρχηση των παραγόντων του δημογραφικού κριτηρίου προς την μεταξύ τους σημαντικότητα είναι: Δ3>Δ2>Δ1 (Σχήμα 2.3.3.1). Δημογραφικό κριτήριο Δείκτης γήρανσης (Δ1) Δείκτης Εξάρτησης (Δ2) Ποσοστό μεταναστών (Δ3) Συντελεστές Βαρύτητας Δείκτης γήρανσης 1.00 0.50 0.25 0.1481 Δείκτης 2.00 1.00 0.75 0.3379 Εξάρτησης Ποσοστό μεταναστών 4.00 1.33 1.00 0.5140 Σχήμα 2.3.3.1 Σύγκριση ανά ζεύγη και συντελεστές βαρύτητας παραγόντων δημογραφικού κριτηρίου. Υπολογισθέντας λόγος συνέπειας είναι: CI/RI = 0.02. Συνεπώς, το δημογραφικό κριτήριο (Δ) μπορεί να υπολογιστεί στο field calculator, με χρήση γλώσσας Python, για κάθε διοικητική διαίρεση, ως:!.d1! * 0.1481 +!d2! * 0.3379 +!d3! * 0.5140 Στην θεματικό χάρτη που ακολουθεί (εικ.2.3.3.2), δ.δ. με σκούρο μωβ χρώμα έλαβαν τιμές ευνοικότητας μεγαλύτερες από 4 και είναι πιο κατάλληλες για την εγκατάσταση κάποιου που πάει στο νομό Ηλείας, σε σχέση με δ.δ. που έλαβαν τιμές χαμηλότερες από 2 και απεικονίζονται με απαλό μωβ χρώμα. 14
Σχήμα 2.3.3.2 Δημογραφικό Κριτήριο καταλληλότητα για ανάπτυξη του φαινόμενου. 15
2.3.4 Αγροτικό Κριτήριο Η ιεράρχηση των παραγόντων του αγροτικού κριτηρίου προς την μεταξύ τους σημαντικότητα είναι: ΑΓ>ΑΓ1 (Σχήμα 2.3.4.1). Αγροτικό κριτήριο Corine (COR) Κλίση (ΑΓ2) (ΑΓ1) Corine (COR) 1.00 6.00 Κλίση 0.17 1.00 Συντελεστές Βαρύτητας 0.8571 0.1429 Σχήμα 2.3.4.1 Σύγκριση ανά ζεύγη και συντελεστές βαρύτητας παραγόντων αγροτκού κριτηρίου. Υπολογισμός του λόγους συνέπειας είναι περιττός στη περίπτωση σύγκρισης δύο παραγόντων. Συνεπώς, το αγροτικό κριτήριο (ΑΓ) μπορεί να υπολογιστεί στο field calculator, με χρήση γλώσσας Python, για κάθε διοικητική διαίρεση, ως: 0.8571 *!ag1! + 0.1429 *!ag2! Στην θεματικό χάρτη που ακολουθεί (εικ.2.3.4.2), δ.δ. με σκούρο καφέ χρώμα έλαβαν τιμές ευνοικότητας μεγαλύτερες από 4 και είναι πιο κατάλληλες για την εγκατάσταση κάποιου που πάει στο νομό Ηλείας, σε σχέση με δ.δ. που έλαβαν τιμές χαμηλότερες από 2 και απεικονίζονται με κίτρινο χρώμα. 16
Σχήμα 2.3.4.1 Αγροτικό Κριτήριο καταλληλότητα για ανάπτυξη του φαινόμενου. 17
2.4 Σύνθεση σταθμισμένων κριτηρίων Για την σύνθεση των σταθμισμένων κριτηρίων, στο περιβάλλον του ArcMap, στον πίνακα περιγραφικών χαρακτηριστικών της βάσης δεδομένων δημιουργούνται 4 νέα πεδία με το εργαλείο add field, ένα για κάθε σύνθετο κριτήριο του μοντέλου. Οι στήλες συμπληρώνονται για κάθε διοικητική διαίρεση με την σταθμισμένη άθροιση που αντιστοιχεί στις σχέσεις του κεφαλαίου 2.3. Η σύνθεση σταθμισμένων κριτηρίων θα επιτρέψει τον υπολογισμό του τελικού επιπέδου πληροφορίας για την καταλληλότητα των διοικητικών διαιρέσεων, ως προς το φαινόμενο της «επιστροφής στο ύπαιθρο». Η διαδικασία είναι όμοια με αυτή που ακολουθήθηκε για τα σύνθετα κριτήρια αλλά στη περίπτωση αυτή γίνεται σύγκριση τεσσάρων παραγόντων (τα τέσσερα κριτήρια) αντί τριών ή δύο. Σύμφωνα με την άποψη του ερευνητή, η ιεράρχηση των σύνθετων κριτηρίων, ως προς την μεταξύ τους σημαντικότητα είναι: χωρικό κριτήριο > κριτήριο απασχόλησης > δημογραφικό κριτήριο > αγροτικό κριτήριο. Κριτήρια Χωρικό (Χ) Απασχόληση (ΑΠ) Δημογραφικό (Δ) Αγροτικό (ΑΓ) Χωρικό 1.00 0.75 3.00 4.00 Απασχόληση 1.33 1.00 4.00 5.00 Δημογραφικό 0.33 0.25 1.00 2.00 Αγροτικό 0.25 0.20 0.50 1.00 Σχήμα 2.4.1 Σύγκριση ανά ζεύγη σύνθετων κριτηρίων. Κριτήρια Συντελεστές Βαρύτητας Χωρικό 0.3425 Απασχόληση 0.4497 Δημογραφικό 0.1281 Αγροτικό 0.0797 Σχήμα 2.4.2 Συντελεστές βαρύτητας σύνθετων κριτηρίων. Υπολογισθέντας λόγος συνέπειας είναι: CI/RI = 0.01. Συνεπώς, το επίπεδο πληροφορίας της ευνοϊκότητας ως προς την επιστροφή στο ύπαιθρο μπορεί να υπολογιστεί στο field calculator, με χρήση γλώσσας Python, για κάθε διοικητική διαίρεση, ως: 0.3425 *!X! + 0.4497 *!AP! + 0.1281 *!D! + 0.0797 *!AG! Επομένως, δημιουργείτε νέα στήλη του πίνακα περιγραφικών χαρακτηριστικών της βάσης, στην οποία κάθε διοικητική διαίρεση θα λάβει μία τιμή ευνοϊκότητας για την επιστροφή στην ύπαιθρο. Στη συνέχεια οι τιμές αυτές μπορούν ταξινομηθούν και να απεικονιστούν σε χάρτη. 18
Εικ. 2.4.1 Τελικός χάρτης καταλληλότητας δ.δ για την επιστροφή στη ύπαιθρο. 19
Στον τελικό χάρτη (εικ. 2.4.1) απεικονίζονται οι δ.δ. και χαρακτηρίζονται ως προς την καταλληλότητα επιστροφής στο νομό Ηλείας. Ο χαρακτηρισμός των διοικητικών διαιρέσεων προκύπτει από την σύνθεση των τεσσάρων σύνθετων κριτηρίων που παρουσιάστηκαν παραπάνω, του χωρικού, της απασχόλησης, του δημογραφικού και του αγροτικού. Πράσινες δ.δ. με πολύ υψηλή καταλληλότητα είναι πιο συνετό να προτιμηθούν από ανθρώπους που θέλουν να εγκατασταθούν στο νομό Ηλείας παρά κόκκινες δ.δ. με χαμηλή καταλληλότητα για εγκατάσταση. 2.5 Τακτική κλίμακα και ανάλυση ευαισθησίας Ενδιαφέρον παρουσιάζει να δημιουργηθεί χάρτης με ταξινόμηση του φαινομένου σε τακτική κλίμακα (μικρή μέση μεγάλη ένταση του φαινομένου) και αντίστοιχα ποσοτικά στοιχεία (έκταση). Η δημιουργία ποσοτικών στοιχείων είναι χρήσιμη για την ανάλυση ευαισθησίας. Η ανάλυση ευαισθησίας απαιτεί να κάνουμε διαφορετικά σενάρια για τον υπολογισμό της καταλληλότητας των διοικητικών διαιρέσεων. Αν μικρές αλλαγές στα σενάρια επιφέρουν μεγάλες αλλαγές στην έκταση των περιοχών τακτικής κλίμακας, τότε τα πρώτο σενάριο (καθ εξής θα αναφέρεται ως μοντέλο) πρέπει να επανεξεταστεί. 2.5.1 Υπολογισμός εκτάσεων Αρχικά χρειάζεται να ελέγξουμε ότι το shapefile έχει προβληθεί σε κάποιο σύστημα συντεταγμένων. Ο έλεγχος γίνεται με δεξί κλικ στο αρχείο > Properties > Source, αν δεν υπάρχει κάποιο σύστημα πρέπει να οριστεί. Ο ορισμός συντεταγμένων γίνεται με την εξής ακολουθία εντολών: Data management tools > Projections and Tranfromations > Project, επιλογή του πολυγώνου εργασίας και ορισμός του Greek Grid. Στο προβλημένο shapefile, ανοίγεται το attribute table, με δεξί κλικ στη στήλη ενδιαφέροντος δίνεται η επιλογή Calculate geometry.μόλις ολοκληρωθούν οι υπολογισμοί με δεξί κλ κ στη στήλη ενδιαφέροντος, ανοίγεται η επιλογή Statistics, εκεί αναγράφονται ο αριθμός δ.δ. με τιμές, ο αριθμός των δ.δ. χωρίς τιμές, η μέγιστη και η ελάχιστη έκταση των πολυγώνων, το άθροισμα των εκτάσεων, το μέσο όρο και η τυπικά απόκλιση. 2.5.2 Τακτική κλίμακα μοντέλου Η χαρτογραφική παρουσίαση της ευνοϊκότητας του φαινόμενου σε τακτική κλίμακα επιλέχθηκε να γίνει σε τοπική κλίμακα. Το διάστημα μεταξύ ελάχιστης και μέγιστης τιμής «ευνοϊκότητας επιστροφής στο ύπαιθρο» χωρίστηκε σε Natural Breaks 3 κλάσεων, ώστε να συγκριθούν οι καταλληλότερες δ.δ. του Νομού Ηλείας, αλλά σημειώνεται ότι έτσι οι κλάσεις εξαρτώνται από τα όρια των τιμών. 20
Εικ. 2.5.2.1 Χάρτης τακτικής κλίμακας για την καταλληλότητα των δ.δ. στο φαινόμενο επιστροφής στο ύπαιθρο και οι εκτάσεις (km2) που αντιστοιχούν σε κάθε κλάση. 21
2.5.3 Ανάλυση Ευαισθησίας Για την ανάλυση ευαισθησίας δημιουργήθηκαν τέσσερα σενάρια. Στο πρώτο σενάριο, αυξάνεται ο συντελεστής βαρύτητας του σημαντικότερου κριτηρίου (της Απασχόλησης) κατά 0,05 και μειώνεται ο συντελεστής βαρύτητας του δεύτερου σημαντικότερου κριτηρίου (του Χωρικού) κατά 0,05, ενώ οι συντελεστές των υπολοίπων κριτηρίων διατηρούνται σταθεροί. Το δεύτερο σενάριο είναι το αντίθετο του πρώτου, όπου μειώνεται ο συντελεστής βαρύτητας του κριτηρίου της Απασχόλησης κατά 0,05 και αυξάνεται αυτός του Χωρικού κριτηρίου κατά 0,05, ενώ και στο σενάριο αυτό οι συντελεστές των υπολοίπων κριτηρίων παραμένουν αμετάβλητοι. Στο τρίτο σενάριο, γίνεται επαναταξινόμηση των τριών πρωτογενών μεταβλητών του σημαντικότερου κριτηρίου (της Απασχόλησης) ), αλλάζοντας την υψηλότερη κλάση από τιμή 5 σε 4,75 και από τιμή 4 σε 4,25 και στην συνέχεια ακολουθείται η αρχική διαδικασία, ως και την παραγωγή του τελικού ζητούμενου επιπέδου πληροφορίας. Το τέταρτο σενάριο είναι όμοιο του τρίτου αλλά στο κριτήριο της απασχόλησης η υψηλότερη κλάση αλλάζει από τιμή 4 σε 4,25. Εικ. 2.5.3.1 Κατανομή συχνότητας στις τιμές καταλληλότητας των δ.δ. : M για το μοντέλο, 1A για το πρώτο σενάριο, 1B για το δεύτερο σενάριο, 2A για το τρίτο και 2B για το τέταρτο σενάριο. 22
Μετά την παρουσίαση των διαγραμμάτων κατανομής καταλληλότητας (Εικ. 2.5.3.1) ακολουθούν τα αποτελέσματα των σεναρίων (Εικ. 2.5.3.2, 2.5.3.3, 2.5.3.4, 2.5.3.5), καθώς και η σύγκρισή τους με τα αποτέλεσμα του μοντέλου (Εικ. 2.5.3.6). Για να είναι η σύγκριση πιο αποτελεσματική, τα όρια των κλάσεων καταλληλότητας των σεναρίων ήταν ίδια με τα όρια των κλάσεων του μοντέλου. Ενώ στο μοντέλο τα όρια των κλάσεων ορίστηκαν με natural breaks, στα σενάρια τα όρια ορίστηκαν χειρονακτικά ώστε να μην εξαρτώνται από τα δικά του εύρη τιμών. Εικ. 2.5.3.2 Σενάριο πρώτο (1Α)- Τελική κατάταξη καταλληλότητας σε τακτική κλίμακα και εκτάσεις (km 2 ). 23
Εικ. 2.5.3.3 Σενάριο δεύτερο (1B)- Τελική κατάταξη καταλληλότητας σε τακτική κλίμακα και εκτάσεις (km 2 ). 24
Εικ. 2.5.3.4 Σενάριο τρίτο (2Α)- Τελική κατάταξη καταλληλότητας σε τακτική κλίμακα και εκτάσεις (km 2 ). 25
Εικ. 2.5.3.5 Σενάριο τέταρτο (2Β)- Τελική κατάταξη καταλληλότητας σε τακτική κλίμακα και εκτάσεις (km 2 ). 26
Αποκλίσεις για τα σενάρια ανάλυσης 60 50 Επί της % συμμετοχή καταλληλότητας για κάθε σενάριο 40 30 20 10 0 Μοντέλο Σενάριο 1A Σενάριο 1Β Σενάριο 2Α Σενάριο 2Β Μικρή Καταλληλότητα 49.66523646 50.82271218 48.8561112 50.38921411 49.15881183 Μεσαία Καταλληλότητα 35.53129134 35.26049237 34.91039154 35.04766528 35.38111128 Μεγάλη Καταλληλότητα 14.8034722 13.91679545 16.23349726 14.56312061 15.4600769 Εικ. 2.5.3.6 Διάγραμμα ποσοστιαίων κατανομών (%) των εκτάσεων των δ.δ. του νομού Ηλείας, ανά κλάση καταλληλότητας για ανάπτυξη του φαινόμενου και οι αντίστοιχοι πίνακες. Από το διάγραμμα ποσοστιαίων κατανομών των εκτάσεων των δ.δ. ανά κλάση (Εικ. 2.5.3.6) είναι εμφανές ότι οι αποκλίσεις των διαφορετικών σεναρίων ως προς το μοντέλο, είναι μικρές. Σε όλες τις περιπτώσεις η κλάση καταλληλότητας αποτελεί περίπου το ίδιο ποσοστό. Εφόσον το οι αποκλίσεις των σεναρίων είναι μικρές, το μοντέλο μπορεί να χαρακτηριστεί ως σταθερό. 27
Βιβλιογραφία Bhusan, N., Rai, K., 2004. Strategic Decision Making, applying the analytic hierarchy process, IX, ISBN: 978 1 85233 756 8 Chakhar, S., Mousseau, V., 2007. SPATIAL MULTICRITERIA DECISION MAKING. LAMSADE University of Paris Dauphine, France Chakhar, S., Mousseau, V., 2008. GIS based multicriteria spatial modeling generic framework. Pages 1159 1196, Published online: 04 Dec 2010 DiBiase, D. & Dutton, J.,A., 2014. Industry Solutions, Esri. e Education Institute and Assistant Program Manager for Online Geospatial Education, College of Earth and Mineral Sciences, The Pennsylvania State University. GEOG 482: The Nature of Geographic Information Chapter 9: Integrating Geographic Data,6. Map Overlay Concept Saaty Katz., L., T., 2008. Decision making with the analytic hierarchy process. Inderscience Enterprises Ltd. Int. J. Services Sciences Vol. 1, No. 1, p. 83. Χαλκιάς, Χ.,2015. Γεωγραφική ανάλυση με την αξιοποίηση της γεωπληροφορικής. Εφαρμοσμένα Συστήματα Γεωγραφικών Πληροφοριών. κεφ 3,4. ISBN: 978 960 603 453 4 Ιστοσελίδες: Aνοικτά γεωχωρικά δεδομένα και υπηρεσίες για την Ελλάδα http://geodata.gov.gr (πρόσβαση στις 23/11/16). 28