شاخص حساسیت

تکنیک داده _ ستانده با سابقه طولانی، ابزاری مناسب برای هدف گذاری سیاست ها و شناسایی بخش های کلیدی اقتصاد است. با شناسایی بخش های کلیدی می توان موتور توسعه و رشد اقتصاد را با توجه به رشدهای نامتوازن در چند بخش دنبال کرد. ساده ترین و کم هزینه ترین روش برای تهیه جدول داده _ستانده منطقه ای(استان) استفاده از روش های سهم مکانی می باشد. روش های سهم مکانی ضرایب فنی ملی را به ضرایب فنی منطقه تبدیل می کند. سهم مکانی تعدیلی فلگ AFLQ در تعدیل بخش های ضعیف ناتوان بوده و ضرایب فنی این بخش ها را نزدیک به ضرایب فنی ملی، برآورد می کند. نویسندگان مقاله روش جدید MFLQ ارائه می دهند که ضمن رفع ایراد روش AFLQ به شناسایی بخش های کلیدی استان خراسان رضوی کمک می کند. نتایج نشان می دهد روش AFLQ چهار بخش ضعیف استان خراسان رضوی را بخش کلیدی معرفی می نماید، ولی روش جدید MFLQ هیچ کدام از بخش های ضعیف استان، کلیدی تعیین نمی شوند؛ پس روش MFLQ نسبت به روش AFLQ برتری دارد.

رشد سریع جمعیت منجر به افزایش نیاز به ساخت ساختمان های جدید می شود. با توجه به محدودیت زمین های شهری، ناگزیر ساختمان های بلند توسعه پیدا خواهندکرد. متغیرهای زیادی از جمله مشخصات معماری ساختمان بر میزان نیاز انرژی ساختمان و تامین آسایش حرارتی کاربران تاثیر گذارند. در این پژوهش بهینه سازی متغیرهای معماری به منظور تامین حداقل مصرف انرژی و حداکثر آسایش حرارتی با دو روش تحلیل پارامتریک و الگوریتم ژنتیک در سه اقلیم تهران، بندرعباس و تبریز بررسی شده است. همچنین حساسیت نتایح به دست آمده نسبت به تراکم بافت شهری ارزیابی شده است. نتایج نشان داده اند که در روش پارامتریک ساختمانی با فرم  مستطیل در  جهت گیری جنوبی با 40% سطح پنجره در دو شهر تهران و تبریز مناسب است. از طرف دیگر تنها در شهر بندرعباس تراکم بافت شهری زیاد در هر دو بخش انرژی وآسایش مناسب است و در دو شهر تهران و تبریز تراکم بافت شهری کم به عنوان الگوی شهری برگزیده انتخاب می شود. متغیرهای معماری: درصد پنجره، ساختار پنجره، فرم ساختمان به ترتیب با 4/15، 9/9 و 8/8 (درصد)  بیشترین میزان حساسیت را با استفاده از روش پارامتریک در بخش انرژی نمایش داده اند. این در حالی ست که در بخش بهینه سازی مصرف انرژی، شهرهای تهران، بندرعباس و تبریز به ترتیب با میزان 16، 6 و 23 (درصد) حساسیت در متغیرهای معماری در روش  الگوریتم ژنتیک را نشان می دهند. با بررسی هر دو  روش بهینه سازی، الگوریتم ژنتیک نسبت به پارامتریک در بخش ارزیابی مصرف انرژی و عملکرد حرارتی دارای  شاخص حساسیت بالاتر به میزان 9.4 و 23.3 درصد به ترتیب است. از طرف دیگر روش پارامتریک با ایجاد روندی مرحله به مرحله، نتایج تصمیمات طراح را در گام های نخستین از وضعیت حرارتی و مصرف انرژی  به واسطه ی  تغییر در هر یک از متغیر های معماری ساختمان  آشکار می سازد.