جواد کوه پیما

بازاریابی یکی از عوامل مهم در موفقیت کسب وکارهای شهری به شمار می رود و می تواند منجر به رشد تجاری و برتری نسبت به رقبا شود. شرکت های تولید و پخش (مانند مواد غذایی، آرایشی و بهداشتی، شوینده ها، دارویی و غیره) به دنبال کاهش هزینه های نیروی انسانی و رفت وآمد بازاریابان خود در سطح شهر هستند. توزیع مکانی بهینه بازاریاب ها نقش مهمی را در کاهش هدر رفت نیروی انسانی، زمان و هزینه و همچنین بهبود فعالیت های بازاریابی می نماید. هدف از پژوهش حاضر بهینه سازی توزیع مکانی بازاریاب ها با استفاده از تحلیل های شبکه سیستم اطلاعات جغرافیایی (GIS) است. بدین منظور، با استفاده از تحلیل های شبکه GIS روشی برای تقسیم بندی (خوشه بندی) محدوده های تحت پوشش بازاریابان بر اساس تعداد و موقعیت جغرافیایی خرده فروشی ها ارائه شده است. روش پیشنهادی، خرده فروشی ها را در یکسری محدوده های جغرافیایی (خوشه ها) قرار می دهد به طوری که تعداد خرده فروشی ها در این محدوده ها حتی الامکان برابر می باشند. هر یک از این خوشه ها به یک بازاریاب تخصیص می باید. نتایج اجرای روش مذکور در منطقه 6 شهر تهران نشان می دهد که خوشه ها و مسیرهای ویزیت بازاریابان در داخل هر خوشه بهینه بوده و خوشه ها دارای کمترین شکستگی در مرزها هستند که باعث تشخیص آسان تر و درنتیجه خطای کمتر بازاریاب ها می شود. به عبارت دیگر، روش پیشنهادی امکان تعیین خوشه های بازاریابی با تعداد خرده فروشی های یکسان و ویزیت بازاریابی با کوتاه ترین مسافت در داخل هر خوشه را فراهم می نماید

حفاظت و شناسایی محوطه های باستانی با توجه به تهدیدات ناشی از شهرسازی، گسترش کشاورزی و توسعه زیرساخت ها اهمیت روزافزونی یافته است. کاوش های میدانی سنتی، اگرچه مؤثر، اما زمان بر و پرهزینه اند. مدل سازی پیش بینی فضایی با استفاده از عوامل محیطی و داده های مکان های شناخته شده، ابزاری کارآمد برای شناسایی مناطق با پتانسیل باستانی بالاست. این مطالعه به مقایسه دو روش مدل سازی پیش بینی، وزن های شواهد (WoE) و ماکزیمم آنتروپی (MaxEnt)، در شناسایی محوطه های باستانی در استان خراسان شمالی، ایران، می پردازد. این منطقه به دلیل کشف اخیر یک کاخ هخامنشی در نزدیکی آشخانه از اهمیت باستانی برخوردار است. در این پژوهش، داده های 980 محوطه باستانی به صورت تصادفی به مجموعه های آموزشی (70%) و اعتبارسنجی (30%) تقسیم شدند. شش متغیر محیطی شامل ارتفاع، شیب، فاصله از رودخانه ها، پوشش گیاهی، آبادی ها و زمین شناسی با رزولوشن 30 متر در محیط GIS پردازش شدند. مدل WoE با رویکرد بیزین و آزمون استقلال شرطی (کای اسکوئر) و مدل MaxEnt بدون نیاز به استقلال متغیرها اجرا شدند. نتایج نشان داد MaxEnt با نرخ موفقیت آموزشی 88.65% و اعتبارسنجی 88.20% نسبت به WoE (83.26% و 83.00%) عملکرد بهتری دارد. نزدیکی به آبادی ها و رودخانه ها مهم ترین عوامل پیش بینی کننده بودند. MaxEnt به دلیل انعطاف پذیری و عدم نیاز به استقلال متغیرها، برای محیط های پیچیده مناسب تر است، درحالی که WoE به دلیل سادگی برای پروژه های کوچک تر کارآمد است. پیشنهاد می شود در تحقیقات آتی از روش های ترکیبی و داده های با وضوح بالا برای بهبود دقت استفاده شود.

مسکن یکی از نیازهای اصلی بشر در برآوردن آسایش و آرامش است. در سال های اخیر، به دلیل تغییرات شدید قیمت مسکن، به ویژه در شهر تهران، تخمین قیمت آپارتمان به یکی از موضوعات جذاب در میان شهروندان تبدیل شده است. هدف این مطالعه بررسی چگونگی تغییرات قیمت مسکن براساس پارامترهای مختلف واحدهای مسکونی و درنهایت ارائه یک مدل برای تخمین قیمت یک آپارتمان است. در ابتدا هم بستگی میان پارامترهای مؤثر در قیمت آپارتمان ها در سال 1397 بررسی شد. سپس با استفاده از داده های قیمت و روش های رگرسیون خطی و جغرافیایی، قیمت آپارتمان های منطقه 6 شهر تهران تخمین زده شد. برای تعیین قیمت آپارتمان ها از متغیرهای سن بنا، روز سال، زیربنا، آسانسور و طبقه، داشتن یا نداشتن پارکینگ، انباری و آدرس و موقعیت جغرافیایی استفاده شده است. نتایج نشان می دهد روش رگرسیون جغرافیایی نتایج دقیق تری از رگرسیون معمولی دارد و می تواند دقت مدل را نیز در هر نقطه بیان کند. براساس روش رگرسیون جغرافیایی، مدل در برخی نقاط دقتی بیش از 95 درصد دارد؛ درحالی که برای برخی نقاط کمتر از 55 درصد و نشان دهنده وابستگی شدید قیمت آپارتمان به موقعیت آن است. به عبارت دیگر، در نواحی مختلف عوامل متفاوتی در تعیین قیمت آپارتمان اهمیت دارند. درنهایت مدلی سنتی برای تخمین قیمت ارائه شده است که بیش از 90 درصد تغییرات قیمت در منطقه را بیان می کند که از روابط رگرسیونی عادی ساده تر است و با نتایج پژوهش های میدانی از مشاوران املاک هم خوانی کامل دارد.