شناسایی و اولویتبندی شاخصهای مدیریت زیست‌بوم با استفاده از رویکردهای دلفی فازی و دیمتل فازی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری دانشکده مهندسی صنایع، دانشگاه یزد، یزد، ایران

2 استاد دانشکده مهندسی صنایع، دانشگاه یزد، یزد، ایران

چکیده

بررسی شرایط امروزی محیط‌زیست، نشان می‌دهد در ‌دهه‌های اخیر، کرۀ زمین به‌علت اقدامات مختلف بشر دچار زیان‌های جبرانی‌ناشدنی شده ‌است. برای بیان اهداف مدیریت زیست‌بوم، لازم است شاخص‌های آن تعریف شود. هدف مدیریت زیست‌بوم، به‌عنوان یک پدیدۀ چندبعدی، ادغام خرده‌سیستم‌های اقتصادی، محیط‌زیستی، اجتماعی و نهادی در یک کل، با مراقبت از تأثیر و تعامل متقابل آنهاست. بر این اساس، در این پژوهش، ابتدا با بررسی پیشینۀ تحقیق به‌منظور شناسایی شاخص‌های مؤثر بر هریک از ارکان مدیریت زیست‌بوم، فهرستی از شاخص‌های تأثیرگذار و پراهمیت در هریک از ارکان اقتصادی- اجتماعی، زیست‌محیطی و نهادی مدیریت زیست‌بوم تعیین می‎‍شود. پس از دسته‌بندی اولیه، دو پرسش‌نامه طراحی شده ‌است: یک پرسش‌نامۀ طیفی برای ارزیابی شاخص‌های مؤثر بر مدیریت زیست‌بوم با روش دلفی فازی و یک پرسش‌نامه با استفاده از مقایسات زوجی میان چهار رکن اصلی مدیریت زیست‌بوم، با استفاده از تکنیک دیمتل فازی برای دستیابی به تحلیل دقیق‌تر در بررسی روابط علت و معلولی بین هریک از ارکان که خبرگان و متخصصان، آنها را تکمیل کرده‌اند. درنهایت، تحلیل‌ها نشان داد ارکان نهادی و اقتصادی به‌عنوان متغیرهای عامل و ارکان بسیار تأثیرگذار در نظر گرفته می‌شوند. همچنین، معلوم شد که ارکان محیطی و اجتماعی، یک اثر در نظر گرفته می‌شوند؛ درنتیجه، خبرگان شاخص علم و فناوری را در رکن اقتصادی، کیفیت هوا را در رکن زیست‌محیطی، فقر را در رکن اجتماعی و به اشتراک‌گذاری شفاف اطلاعات را در رکن نهادی، به‌عنوان تأثیرگذارترین شاخص‌های مدیریت زیست‌بوم رتبه‌بندی کردند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Identifying and prioritizing ecosystem indicatorsusing Fuzzy Delphi and Fuzzy DEMATEL approaches

نویسندگان [English]

  • Azadeh Rezaei 1
  • Yahia Zare Mehrjerdi 2
  • Mohammad Saleh Owlia 2
  • Hassan Khademizare 2
1 Department of Industrial Engineering, Yazd University, Yazd, Iran
2 Department of Industrial Engineering, Yazd University, Yazd, Iran
چکیده [English]

Purpose: This paper aims to propose an approach for identifying and prioritizing ecosystem indicators for effective ecosystem management. Specifically, fuzzy Delphi and fuzzy DEMATEL approaches are used to define ecosystem management goals and indicators, rank the importance of quality attributes in ecosystem management, and rank the effectiveness of each indicator in each pillar of ecosystem management. The ultimate goal is to provide a tool to decision-makers that can help in allocating resources more effectively and efficiently toward achieving sustainability.
Design/methodology/approach: The proposed approach involves a three-phase framework. Phase 1 involves identifying and determining the indicators affecting ecosystem management. This has been performed by studying theoretical articles, reviewing systematic literature, and searching previous studies to identify different indicators for each pillar of ecosystem management. A list of indicators and factors affecting each of the pillars of ecosystem management has been determined accordingly, and an initial categorization has been created using library studies. Phase 2 involves using a fuzzy Delphi method to rank the most important indicators in each pillar of ecosystem management. Experts have been asked to indicate their proposed indicators in a questionnaire based on fuzzy variables, and the degree of proportionality of the proposed factors. Phase 3 involves using a fuzzy DEMATEL approach to rank the effectiveness of each indicator in each pillar of ecosystem management. This approach handles imprecise or subjective data and can be replicated for different cities. Overall, this methodology aims to provide a comprehensive approach for identifying and prioritizing ecosystem indicators that can be used by decision-makers in environmental management and policy-making.
Findings: Findings imply that the integrated approach of the Fuzzy Delphi Method and the Fuzzy DEMATEL can be used to identify and rank the importance of quality attributes in ecosystem management, and to rank the effectiveness of each indicator in each pillar of the ecosystem management. A total of 36 indicators were identified across four pillars of ecosystem management, i.e., economic, social, environmental and institutional. The results indicated that the most important indicators for each pillar were science and technology and innovation for the economic pillar; air quality, waste treatment and energy efficiency for the environmental pillar; poverty, health, and safety and security for the social pillar; and transparent sharing of information and political stability for institutional pillar. It was also found that there was a strong interrelationship between different pillars of ecosystem management. For example, the institutional pillar had serious effects on most of the other identified EM pillars. In addition, the economic pillar was the second most influential factor. Moreover, the institutional pillar profoundly influenced the environmental pillar. Finally, the economic pillar highly affected the environmental pillar, which doubled the complexity of ecosystem management.
Research limitations/implications: Several limitations and implications have been addressed for future research. The number of participating experts was limited, which could affect the results and limit the possibility of their summarization. Expert bias may have influenced the results of the study. Such limitations imply that further research with a larger and more diverse group of experts is necessary to validate and expand upon such findings. This study was limited in scope to a particular ecosystem or region and the identified indicators as a result may not apply and be generalizable to other ecosystems or regions. Based on the cause-and-effect relationships between the studied elements, a hypothesis can be expanded and validated using a larger sample. Future studies could replicate this methodology in different contexts to test its applicability and effectiveness.
Practical implications: Decision-makers in environmental management and policy-making can use the methodology presented in this study to identify and prioritize ecosystem indicators. By using an integration of the Fuzzy Delphi Method and the Fuzzy DEMATEL, decision-makers can identify the most important indicators for each pillar of ecosystem management and evaluate their effectiveness. This information can be used to allocate resources more effectively and efficiently toward achieving sustainability. Decision-makers could use this methodology to evaluate different ecosystem management practices and policies, and develop new policies or modify existing ones to better address the needs of different stakeholders. Overall, this study provides a useful tool for decision-makers in environmental management and policy-making by providing a comprehensive approach to identifying and prioritising ecosystem indicators.
Social implications: This study highlights the importance of considering social factors in ecosystem management. The study identifies several social indicators, such as poverty and material deprivation, education level, public awareness and training, gender equality, and social participation. By prioritizing such indicators in ecosystem management, decision-makers can ensure that the needs and perspectives of different stakeholders are taken into account. This can help to promote social equity and cohesion, which are important for achieving sustainable development. Furthermore, by involving a wide range of stakeholders in the decision-making process, including local communities and marginalized groups, decision-makers can ensure that ecosystem management policies are more inclusive and responsive to the needs of all members of society. Overall, this study highlighted the importance of considering social factors in ecosystem management and provides a useful framework for identifying and prioritizing social indicators.
Originality/value: The main contribution of this study is the application of the integrated approaches of the Fuzzy Delphi Method and the Fuzzy DEMATEL to identify and rank the importance of quality attributes in ecosystem management. This methodology is innovative because it allows decision-makers to handle imprecise or subjective data, which is often encountered in ecosystem management. The study provides a three-phase framework for identifying and prioritizing ecosystem indicators, which can be replicated for different cities. Findings indicated that science and technology, air quality, poverty, and transparent sharing of information were identified as the most important quality indicators in their respective pillars of ecosystem management alternatives. This implies that decision-makers and policymakers should consider allocating more resources toward improving such areas. Overall, this study provided a useful tool for decision-makers in environmental management and policy-making by providing a comprehensive approach to identifying and prioritizing ecosystem indicators.

کلیدواژه‌ها [English]

  • Ecosystem management
  • Ecosystem indicators
  • Fuzzy Delphi
  • Fuzzy DEMATEL

اصل مقاله

1- مقدمه

مدیریت زیست‌بوم[i] شامل تمام فعالیت‌های مورد نیاز برای توسعه و مدیریت اکوسیستم‌هاست. اگرچه پژوهش‌های منعکس‌کنندۀ دانش رو ‌به ‌رشد، دربارۀ چالش‌های منحصربه‌فرد عملکرد اکوسیستم است، درک محدودی از مدیریت زیست‌بوم از دیدگاه کلی، ازجمله هدف کلی، ساختارها و محدودیت‌های آن وجود دارد (گومز و همکاران[ii]، 2022). مجموعۀ درخور توجهی از پژوهش‌ها، آثار هریک از شاخص‌ها را در ارکان اجتماعی و زیست‌محیطی در مدیریت زیست‌بوم، در طول زمان و مکان و تأثیرات میان ارکان را بررسی کرده‌اند (شافسما و همکاران[iii]، 2021).

در تصمیم‌گیری چندمعیاره[iv]، تصمیم‌گیرنده گهگاه از میان مجموعه‌ای از گزینه‌های متنوع، که به روشی یکسان بهینه‌اند، انتخاب می‌کند (چن و لین[v]، 2022). تکنیک دیمتل[vi] (DEMATEL) روشی شناخته‌شده و گسترده در رویکرد تصمیم‌گیری برای حل مسائل پیچیده و درهم‌تنیده ‌است (حسینی و همکاران[vii]، 2021). در چند دهۀ گذشته، حوزۀ تصمیم‌گیری در شرایط عدم قطعیت، مجدداً شتاب گرفته ‌است (مونوز دیاز و همکاران[viii]، 2022). روش دلفی فازی[ix] (FDM) نظریۀ فازی را با روش دلفی مرسوم ترکیب می‌کند (فارغ و همکاران[x]، 2023؛ مارلینا و همکاران[xi]، 2022). این تکنیک برای غلبه بر ابهام در اجماع استفاده‌شده در روش دلفی و کاهش زمان بررسی، توسعه داده شد (بویی و همکاران[xii]، 2020).

برای پاسخگویی موفقیت‌آمیز به چالش‌های اکوسیستم، ابتدا باید شاخص‌ها شناسایی و تحلیل شوند؛ بنابراین، این مطالعه به‌طور خاص، سعی در پیشبرد پژوهش‌های مدیریت زیست‌بوم، با پاسخ به سؤالات تحقیق زیر دارد.

  • مدل مدیریت زیست‌بوم از چه عوامل و شاخص‌هایی تشکیل شده ‌است؟
  • تأثیرگذارترین و مهم‌ترین شاخص‌ها برای هر رکن مدیریت زیست‌بوم چیست؟
  • هریک از ارکان مدیریت زیست‌بوم چگونه می‌توانند بر یکدیگر تأثیر بگذارند؟

مشکلی که در این پژوهش بررسی شده است، فقدان یک رویکرد جامع برای شناسایی و اولویت‌بندی شاخص‌های مدیریت اکوسیستم است. مدیریت اکوسیستم یک پدیدۀ پیچیده است که برای تضمین توسعۀ پایدار به رویکردی جامع نیاز دارد. همچنین مدیریت اکوسیستم پدیده‎‍‌ای چند‌بعدی است که هدف آن ادغام زیرسیستم‌های اقتصادی، زیست‌محیطی، اجتماعی و نهادی در یک کل، با مراقبت از تعامل متقابل آنهاست. برای دستیابی به این امر، به تعریف اهداف مدیریت اکوسیستم نیاز است که این امر مستلزم شناسایی و اولویت‌بندی شاخص‌های اکوسیستم است.

با این حال، هیچ اتفاق نظری دربارۀ این وجود ندارد که کدام شاخص‌ها در هریک از ارکان اقتصادی، زیست‌محیطی، اجتماعی و نهادی مدیریت اکوسیستم بیشترین اهمیت را دارند. این نبود اجماع، می‌تواند به رویکردی پراکنده در مدیریت اکوسیستم منجر شود که ممکن است در رسیدگی به علل ریشه‌ای مشکلات زیست‌محیطی ناکام باشد. علاوه ‌بر این، تصمیم‌گیرندگان ممکن است بدون رویکرد سیستماتیک برای شناسایی و اولویت‌بندی شاخص‌های اکوسیستم، به‌جای پایداری بلندمدت، بر دستاوردهای کوتاه‌مدت تمرکز کنند که این امر، به تخریب بیشتر محیط‌زیست منجر می‌شود؛ از این رو، این پژوهش بر آن است تا براساس دیدگاه کارشناسان و متخصصان دانشگاهی، رویکردی جامع را برای شناسایی و اولویت‌بندی شاخص‌های اکوسیستم در اختیار تصمیم‌گیرندگان قرار دهد. برای رفع این مشکل، مطالعه‌ای برای شناسایی و اولویت‌بندی شاخص‌های اکوسیستم، با استفاده از رویکردهای دلفی فازی و دیمتل فازی انجام شد.

نتایج عملی این مطالعه، طیف گسترده‌ای از بینش را برای مدیران و تصمیم‌گیرندگان، به‌منظور جلوگیری از خطرات اکوسیستم فراهم می‌کند. این مطالعه با ارائۀ رویکردی جامع به تصمیم‌گیرندگان، برای شناسایی و اولویت‌بندی شاخص‌های اکوسیستم، می‌تواند به آنها کمک کند تا رویکردی جامع‌تر و یکپارچه‌تر را برای مدیریت اکوسیستم اتخاذ کنند که این امر به توسعۀ پایدارتر و حفاظت بهتر از محیط‌زیست منجر می‌شود. به‌طور خلاصه، این مطالعه با بررسی فقدان یک رویکرد جامع برای شناسایی و اولویت‌بندی شاخص‌های مدیریت اکوسیستم، به تلاش‌های مداوم برای تضمین توسعۀ پایدار کمک می‌کند.

در این مقاله، به‌منظور پاسخ به سؤالات تحقیق، با ایجاد چارچوبی برای انتخاب شاخص‌ها، ارتباط بین ارکان EM را ارزیابی می‌کنیم. شاخص‌های تشکیل‌دهندۀ مدیریت زیست‌بوم با استفاده از بازخورد دانشگاهیان شناسایی می‌شوند. چارچوب پژوهش ما بین 4 رکن مدیریت زیست‌بوم، ازجمله ارکان اقتصادی، زیست‌محیطی، اجتماعی و نهادی تمایز قائل می‌شود. روش دلفی فازی اهمیت عوامل و شاخص‌ها را بررسی می‌کند و توافق دربارۀ عناصر ارزیابی بر‌اساس نظرهای کارشناسان به‌ دست می‌آید. در مرحلۀ بعد، از روش دیمتل فازی برای ارزیابی روابط متقابل بین هریک از ارکان EM استفاده شده ‌است.

 

2- مبانی نظری

EM بر‌اساس یک چشم‌انداز مشترک برای شرایط آینده است که نیازهای اکولوژیکی، اجتماعی-اقتصادی و نهادی را در ‌بر ‌می‌گیرد (کامرون دویت و همکاران[xiii]، 2012). یک رویکرد مشارکتی، به‌ نام مدل سه‌زمینه‌ای EM، دیدگاه‌های اکولوژیکی، اجتماعی-اقتصادی و نهادی را در جست‌وجوی راه‌حل‌های پذیرفتنی برای همه در ‌نظر ‌می‌گیرد (شکل 1). این منطقه کانون اصلی برای مدیریت موفق زیست‌بوم است؛ مکانی که در آن سه منطقه با هم همپوشانی دارند و به بهترین وجه ارائه می‌شوند (مف و همکاران[xiv]، 2002).

 

مدیریت اکوسیستم

 

شکل 1- سه رویکرد اصلی مدیریت زیست‌بوم

1.                 Fig. 1- Three major contexts of ecosystem management

 به‌تازگی مطالعات مختلفی از روش دلفی فازی استفاده کردند، مانند بویی و همکاران (2020) از FDM برای تشخیص مدیریت زبالۀ جامد پایدار استفاده کردند. پادیلا ریورا و همکاران[xv] (2021) برای دستیابی به اهداف توسعۀ پایدار، این روش را برای تعیین تأثیر شاخص‌های اجتماعی به کار بردند. وایشنوی و سورش[xvi] (2020) برای نشان‌دادن عدم قطعیت در برآورد آمادگی سازمانی در صنعت بهداشت و درمان از نظریۀ فازی استفاده کردند. اولوگو و همکاران[xvii] (2021) تحقیقی را دربارۀ درجه اهمیت شاخص‌های مؤثر بر مدیریت نگهداری پایدار، با اجرای مجموعه‌های فازی کروی اصلاح‌شدۀ دلفی در صنعت نفت و گاز ارائه می‌کنند. سینگ و سارکار[xviii] (2020) در پژوهشی با توجه به مشکلات زیست‌محیطی که به‌طور مداوم در حال افزایش است، چارچوبی مبتنی بر دلفی فازی و دیمتل را برای توسعۀ محصول پایدار در صنعت خودرو عرضه کرده‌اند.

تکنیک دیمتل یک ابزار کارآمد برای شناسایی اهمیت ویژگی‌ها و ساختار و روابط موجود بین پارامترها، فاکتورهایی را به گروه‌های علت و معلول تقسیم می‌کند که باعث ایجاد مشکلات می‌شوند (کوزو[xix]، 2021). دیمتل فازی روابط علی و همچنین قدرت تأثیرگذاری بین عناصر را نشان می‌دهد؛ بنابراین برای شناسایی عوامل حیاتی در سیستم پیچیده، مناسب است (جیندال و همکاران[xx]، 2021).

مدیریت زیست‌بوم، نگرانی‌های بیشتری برای بررسی دیدگاه‌های اقتصادی، زیست‌محیطی، اجتماعی و سازمانی به‌ دست آورده ‌است. براساس پژوهش‌های پیشین، مؤلفه‌های بسیاری در EM در رویکردهای مختلف بررسی شده‌اند؛ اما رویکردهای پژوهشی محدودی با هدف درک تصمیم‌گیری‌های اتخاذشده توسط متخصصان براساس اهمیت و اولویت، به‌عنوان راهنما برای توصیه‌ها و فرآیند استفاده از EM انجام‌ شده است؛ بنابراین، در این تحقیق، از روش ترکیبی شامل FDM و دیمتل فازی برای تحلیل روند تصمیم‌گیری متخصصان استفاده شده ‌است.

 

3- روش‌شناسی پژوهش

در مواجهه با سیستم‌های پیچیده، چارچوبی جامع برای اطلاع مدیران از تصمیماتشان لازم است؛ بنابراین، این مطالعه با هدف تحلیل روابط علت‌و‌معلولی در میان ارکان مدیریت زیست‌بوم و سپس شناسایی مهم‌ترین شاخص‌ها در هر رکن، از EM انجام شده‌ است. روش پژوهشی این مطالعه برای یافتن مهم‌ترین رکن و شاخص‌ها در مدل EM، در شکل 2 نشان داده ‌شده ‌است.

روش پژوهش در 3 فاز و 9 گام انجام می‌شود.

  • فاز اول: شناسایی و تعیین شاخص‌های مؤثر بر مدیریت زیست‌بوم

گام 1: با انجام مطالعات نظری و با مرور پژوهش‌های سیستماتیک و با جست‌وجو در مطالعات پیشین، شاخص‌های مختلف هریک از ارکان EM شناسایی خواهد شد.

گام 2: لیستی از شاخص‌ها و عوامل تأثیرگذار بر هریک از ارکان مدیریت زیست‌بوم تعیین می‎‍شود.

گام 3: ایجاد یک دسته‎‍بندی اولیه به کمک مطالعات کتابخانه‎‍ای. شاخص‌ها بر‌اساس تعداد تکرارشان در پیشینۀ پژوهش، حذف عوامل دارای هم‌پوشانی و خلاصه‎‍سازی، فیلتر و گردآوری خواهند شد.

  • فاز 2: روش دلفی فازی و تجزیه و تحلیل گام به گام داده‌ها

 

 

گام 4: تهیۀ پرسش‌نامه برای شناسایی، دسته‎‍بندی و وزن‎‍دهی شاخص‌ها و عوامل مؤثر.

گام 5: تکمیل پرسش‌نامه توسط خبرگان دانشگاهی و متخصصان و انجام مصاحبه با آنها.

گام 6: تعیین متغیرهای مدل بر‌اساس وزن شاخص‌های مؤثر و ارزیابی پرسش‌نامه‌ها با روش دلفی فازی.

  • فاز 3: رتبه‌بندی و اولویت‌دهی هریک از ارکان مدیریت زیست‌بوم با استفاده از تکنیک دیمتل فازی

گام 7: تهیۀ پرسش‌نامۀ مقایسات زوجی برای اولویت‌دهی هر رکن EM.

گام 8: تکمیل پرسش‌نامه توسط خبرگان دانشگاهی و متخصصان.

گام 9: استفاده از تکنیک دیمتل فازی برای بررسی روابط علت و معلولی بین هریک از ارکان تعیین‌شدۀ مدیریت زیست‌بوم.

 

 

شکل 2- چارچوب پژوهش

2.                 Fig. 2- Study framework

برتری روش دلفی و تکنیک دیمتل در شرایط فازی، به چند دلیل بسیار به هم مرتبط‌اند:

  • عدم قطعیت و ابهام: مدیریت اکوسیستم یک زمینۀ پیچیده و چند‌وجهی است که عوامل زیادی در آن وجود دارد و می‌تواند بر سلامت و پایداری اکوسیستم‌ها تأثیر بگذارد. در چنین زمینه‌ای، روش دلفی می‌تواند برای کمک به استخراج و جمع‌آوری نظرهای متخصص دربارۀ اینکه چه شاخص‌هایی در ارزیابی مدیریت اکوسیستم باید در نظر گرفته شوند، بسیار ارزشمند است. با استفاده از رویکرد دلفی، می‌توان ورودی گروهی متنوع از کارشناسان را جمع‌آوری کرد و دربارۀ عواملی، که باید اولویت‌بندی شوند، اجماع ایجاد کرد
  • شرایط فازی: شاخص‌های مدیریت اکوسیستم می‌توانند بسیار ذهنی باشند؛ اما تعیین کمیت دقیق آن دشوار است. منطق فازی یک ابزار ریاضی است که می‌تواند برای مدیریت داده‌های مبهم استفاده شود. با استفاده از رویکرد دلفی فازی، می‌توان نظرهای متخصصان را دربارۀ شاخص‌های مدیریت اکوسیستم به‌گونه‌ای دریافت کرد که عدم قطعیت و نبود دقت ذاتی را در داده‌ها تأیید کند. به‌طور مشابه، تکنیک دیمتل فازی می‌تواند برای اندازه‌گیری اهمیت نسبی ارکان مدیریت اکوسیستم به‌گونه‌ای استفاده شود که نبود دقت و مبهم‌بودن داده‌ها را به حساب آورد.
  • اولویت‌بندی: هنگامی‌ که مجموعه‌ای از شاخص‌های بالقوۀ مدیریت اکوسیستم را با استفاده از رویکرد دلفی فازی شناسایی کردیم، در آن زمان می‌توان از تکنیک دیمتل برای اولویت‌بندی ارکان براساس اهمیت نسبی آنها استفاده کرد؛ این برای کمک به تمرکز تلاش‌های مدیریت، بر بحرانی‌ترین شاخص‌ها، بسیار ارزشمند است.

به‌طور خلاصه، روش دلفی فازی و تکنیک دیمتل فازی برای این پژوهش بسیار به هم مرتبط‌اند. این روش‌ها می‌توانند به ما در استخراج نظرهای متخصص، مدیریت شرایط فازی و اولویت‌بندی ارکان مدیریت اکوسیستم به روشی دقیق و سیستماتیک کمک کنند. همچنین روش دلفی فازی و تکنیک دیمتل فازی به‌طور گسترده در زمینه‌های مختلف تحقیقاتی مرتبط، ازجمله مدیریت زیست‌محیطی و پایداری استفاده شده است. در اینجا چند نمونه از مطالعات قبلی آورده شده است که از این روش‌ها یا روش‌های مشابه استفاده کرده‌اند: مطالعۀ لین و همکاران[xxi] (2020) از روش دلفی فازی برای شناسایی شاخص‌های کلیدی برای ارزیابی پایداری کشاورزی در چین استفاده کردند. مطالعه‌ای که وانگ[xxii] (2022) انجام داد، از یک رویکرد دلفی اصلاح‌شده برای اولویت‌بندی شاخص‌های پایداری برای صنعت غذا و نوشیدنی استفاده کرد. مطالعۀ آناستازیادو و همکاران[xxiii] (2021) از رویکرد دلفی فازی ترکیبی و AHP فازی برای اولویت‌بندی شاخص‌های توسعۀ پایدار شهری در چین استفاده کرد. تحقیق ژانگ و همکاران[xxiv] (2023) تحلیل فازی دلفی و دیمتل را برای اولویت‌بندی شاخص‌های شهرنشینی پایدار در چین به کار برد. در مطالعۀ اقبال و همکاران[xxv] (2022) از یک رویکرد دلفی اصلاح‌شده برای شناسایی شاخص‌های کلیدی برای اندازه‌گیری اثربخشی مدیریت پسماند جامد در پاکستان استفاده شد. این مطالعات، ازجمله، کاربرد و انعطاف‌پذیری روش دلفی و دیمتل را در زمینه‌های مختلف و برای سؤالات پژوهشی مختلف نشان می‌دهد.

چندین دلیل برای استفاده از اعداد مثلثی و روش فازی در این پژوهش وجود دارد که در موارد زیر به آنها اشاره می‌شود:

  • اعداد مثلثی روشی طبیعی برای نشان‌دادن ماهیت فازی بسیاری از پدیده‌های دنیای واقعی‌اند. بسیاری از واقعیت‌ها در دنیای واقعی مطلق نیستند، بلکه در یک طیف وجود دارند. اعداد مثلثی با تخصیص مقادیر به طیفی از نتایج ممکن، راهی را برای نمایش این طیف ارائه می‌کنند.
  • اعداد فازی در شرایطی مفیدند که عدم قطعیت یا نبود دقت در داده‌ها وجود دارد. در این مطالعه، نویسندگان در شناسایی شاخص‌هایی می‌کوشند که بیشترین تأثیر را در مدیریت اکوسیستم دارند. عوامل زیادی وجود دارند که به پایداری اکوسیستم کمک می‌کنند و اندازه‌گیری همۀ این عوامل با دقت مطلق امکان‌پذیر نیست. اعداد فازی به درک دقیق‌تری از چگونگی کمک این عوامل به پایداری کلی اکوسیستم اجازه می‌دهند.
  • از اعداد مثلثی و روش فازی، معمولاً در تصمیم‌گیری و تحلیل ریسک استفاده می‌شود. در این مطالعه، نویسندگان در تلاش‌اند تا شاخص‌هایی را شناسایی کنند که تصمیم‌گیرندگان و مدیران باید بر آنها تمرکز کنند تا مشکلات اکوسیستم را رهگیری کنند. اعداد مثلثی و اعداد فازی به تصمیم‌گیرندگان کمک می‌کنند تا نتایج بالقوۀ تصمیمات مختلف را درک کنند و خطرات و مزایای استراتژی‌های مختلف را بسنجند.

3-1- شناسایی و تعیین شاخص‌های مدیریت زیست‌بوم

فاز اول شامل 3 گام است. پس از مطالعۀ مقالات زیر، ازجمله پژوهش کالیسیوگلو و بوگدانسکی[xxvi] (2021)، یوستاشیو و همکاران[xxvii] (2019)، گارسیا ملون و همکاران[xxviii] (2012)، لیو و همکاران[xxix] (2012)؛ هاک و همکاران[xxx] (2012)، کندیلی[xxxi] (2010)، دودی و همکاران[xxxii] (2009)، گولوسین و ایوانوویچ[xxxiii] (2009)، کوتوال و همکاران[xxxiv] (2008)، آلفسن و گریکر[xxxv] (2007)، فریزر و همکاران[xxxvi] (2006)، چوی و سیراکایا[xxxvii] (2006)، اسپانگنبرگ[xxxviii] (2002)، سازمان ملل متحد[xxxix] (2001) و دورومی و لاووکس[xl] (1998) دربارۀ تعیین شاخص‌های مدیریت زیست‌بوم، خلاصۀ شاخص‌های مهم و مؤثر در EM در پاسخ به سؤال پژوهشی «مدل مدیریت زیست‌بوم از چه عوامل و شاخص‌هایی تشکیل می‌شود؟» در جدول 1 نشان داده شده ‌است.

                                                                             i.            جدول 1- شاخص‌های مدل مدیریت زیست‌بوم

1. Table 1- Indicators of the Ecosystem Management model

زیرسیستم اقتصادی (SS1)

زیرسیستم اجتماعی (SS3)

I1

سرانه تولید ناخالص ملی، تولید، منابع طبیعی تجدیدپذیر و تجدیدناپذیر

I18

سلامت، بهداشت و درمان

I2

حمل و نقل (بین‌المللی، داخلی)

I19

فقر، توزیع درآمد

I3

سرمایه‌گذاری

I20

اشتغال، توسعه نیروی کار

I4

عملکرد و توسعه اقتصادی، ثبات مالی، وابستگی اقتصادی

I21

آموزش، آگاهی عمومی و آموزش

I5

نوآوری، پذیرش و استفاده از فناوری‌های جدید

I22

جمعیت و نرخ رشد جمعیت

I6

ساختار تولیدی، ساختار اقتصادی پویا و توسعه

I23

کیفیت زندگی، رفاه، رفاه اقتصادی

I7

بهره‌وری منابع

I24

نرخ جرم

I8

علم و فناوری، علم برای توسعه پایدار

I25

برابری، انسجام اجتماعی

I9

دارایی‌های عمومی پایدار

I26

برابری جنسیتی، مشارکت زنان

 

 

I27

میراث فرهنگی و آموزش فرهنگی

 

 

I28

ایمنی و امنیت جامعه

 

 

I29

نرخ مهاجرت

زیرسیستم زیست محیطی (SS2)

زیرسیستم نهادی (SS4)

I10

کیفیت و کمیت آب

I30

سیاست‌ها و مقررات، اجرای سیاست، وجود خط مشی و چارچوب قانونی

I11

کیفیت هوا و انتشار گازهای گلخانه‌ای و تخریب لایه ازن

I31

به اشتراک‌گذاری شفاف اطلاعات، جمع‌آوری دقیق داده‌ها

I12

تصفیه زباله (آب و زباله‌های جامد)، نرخ استفاده مجدد/ بازیافت

I32

مشارکت عمومی و سیاسی

I13

بهره‌وری انرژی، مصرف پایدار انرژی

I33

تشکیل نهادهای قوی، چارچوب‌های نهادی و قانونی

I14

مدیریت منابع تجدیدپذیر و تجدیدناپذیر

I34

توسعه ظرفیت، ظرفیت‌سازی

I15

کنترل یکپارچه آلودگی

I35

تحریم‌ها

I16

میزان تخریب اکوسیستم، تغییرات آب و هوایی جهانی

I36

ثبات سیاسی

I17

حفاظت از تنوع زیستی

 

 

 

3-2- روش دلفی فازی

در ادامه، فرآیند FDM استفاده‌شده در این مطالعه، شرح داده‌ شده ‌است.

 

3-2-1- جمع‌آوری نظرها و داده‌ها از خبرگان و متخصصان

طیف گزینه‌های پرسش‌نامه «بسیار پراهمیت»، «پراهمیت»، «متوسط»، «کم‌اهمیت» و «بسیار کم‌اهمیت» بوده ‌است (تسنگ و همکاران[xli]، 2022). نویسندگان پرسش‌نامه‌هایی را برای متخصصان مدیریت زیست‌بوم ارائه کردند تا نظرهای آنها را دربارۀ اثربخشی شاخص‌های اکوسیستم جمع‌آوری کنند (پیوست 1). در این مقاله، جامعۀ هدف کارشناسان و متخصصان دانشگاهی‌اند که در مدیریت اکوسیستم دانش و تخصص دارند و بینش‌های ارزشمندی را دربارۀ شاخص‌هایی ارائه دادند که برای هر رکن اکوسیستم مهم‌اند. هنگامی که جامعۀ هدف مشخص شد، محققان برای ارتباط با آنها و دعوت از آنها برای شرکت در مطالعه، از روش‌های گوناگونی شامل ارسال ایمیل یا برقراری تماس تلفنی با شرکت‌کنندگان بالقوه برای توزیع پرسش‌نامه استفاده کردند. محققان هدف مطالعه را توضیح دادند و دستورالعمل‌های روشنی را برای تکمیل پرسش‌نامه‌ها ارائه کردند.

 

3-2-2- ایجاد اعداد مثلثی فازی و تجمیع آنها

این روش ارزیابی‌های زبانی را به اعداد فازی مثلثی تبدیل می‌کند. بهترین رویکرد، استفاده از مجموعۀ فازی مثلثی پنج نقطه‌ای است که در جدول 2 خلاصه شده ‌است.

                                                   ii.            جدول 2- اصطلاحات کلامی و TFNهای متناظر برای اهمیت وزن معیارها

1. Table 2- Linguistic representations and related Triangular Fuzzy Numbers

متغیرهای کلامی

اعداد فازی متناظر

بسیار پراهمیت

(1، 9/0، 7/0)

پراهمیت

(9/0، 7/0، 5/0)

متوسط

(7/0، 5/0، 3/0)

کم‌اهمیت

(5/0، 3/0، 1/0)

بسیار کم‌اهمیت

(3/0، 1/0، 0)

 

برای محاسبۀ عدد فازی هر شاخص (فرمول 1) نشان داده شده ‌است که اعداد فازی مثلثی ( ) را به کار می‌برد و تمام نظرها و قضاوت‌های همۀ  iمتخصص را به‌صورت زیر جمع‌آوری می‌کند:

(1)

 

 

که در آن ،  و  کمترین مقدار، میانگین حسابی و بالاترین مقادیر عناصر اعداد فازی‌اند. شاخص‌های  و  به ترتیب خبرگان و ویژگی‌های کیفی را برمی‌شمارند (ابراهیمی و بریجلال[xlii]، 2021).

 

3-2-3- فازی‌زدایی داده‌ها

برای به ‌دست آوردن وزن نهایی هر شاخص، عدد فازی هر شاخص ارزیابی باید با استفاده از روش مرکز ثقل، فازی‌زدایی شود. ما از روش مرکز ثقل ساده[xliii] (SCGM) استفاده کرده‌ایم که رایج‌ترین روش برای ایجاد یک نتیجۀ آزمودنی در فازی‌زدایی، برای دستیابی به اجماع دربارۀ اهمیت متغیرهای شناسایی‌شده است که میانگین وزنی تابع عضویت را به ‌شرح زیر محاسبه می‌کند (پادیلا ریورا و همکاران[xliv]، 2021):

(2)

 

 

برای هر عدد فازی ؛ از این ‌رو،  یک عدد غیرفازی شده ‌است که نظر تجمیع‌شدۀ همۀ کارشناسان را دربارۀ اثربخشی یک ویژگی کیفی نشان می‌دهد.

 

3-2-4- غربالگری شاخص‌های ارزیابی

برای تعیین شاخص‌ها، باید مقدار آستانۀ (α) را تعیین کرد تا شاخص‌های تأثیرگذارتر و مهم‌تر ازنظر گروه متخصصان انتخاب شوند. مقدار آستانه به مقیاس زبانی فازی و ترجیح کاربر بستگی دارد؛ به ‌این معنی که هرچه سری مقیاس‌های زبانی فازی بیشتر باشد، α کوچک‌تر است و بالعکس (شن و همکاران[xlv]، 2010). در این مطالعه، ما مقیاس 5 فازی را اتخاذ کردیم؛ بنابراین، مقدار آستانه برای مقیاس فازی 5 نقطه‌ای 6/5 = α است.

 

3-2-5- انتخاب و تعیین شاخص‌ها

مرحلۀ نهایی در FDM ایجاد فهرست نهایی شاخص‌ها بر‌اساس مقدار آستانه است. پس از فازی‌زدایی، منطق زیر ویژگی‌های کیفی نهایی را انتخاب می‌کند، به‌طوری ‌که:

  • اگر ، فاکتور j به‌عنوان یک ویژگی کیفی برای مرحلۀ بعد اضافه می‌شود.
  • اگر ، فاکتور j حذف می‌شود.

آستانۀ کرونباخ 6/5 = α انتخاب شده ‌است؛ یعنی اگر عدد فازی‌زدایی‌شدۀ هر ویژگی کیفی، بزرگ‌تر یا مساوی 6/5 باشد،  یک عامل ارزیابی واجد شرایط می‌شود و در غیر ‌این ‌صورت، حذف می‌شود. تکرارها تا زمانی ادامه می‌یابند که اختلاف بین میانگین مقدار هر ویژگی کیفی و مقدار تکرار قبلی کمتر یا مساوی 1/0 باشد (ابراهیمی و بریجلال، 2021).

 

3-3- تکنیک دیمتل فازی

قبل از اجرای روش دیمتل فازی، لازم است معیارهای ماتریس تصمیم‎‍گیری تکنیک دیمتل فازی تعیین شود؛ سپس برای حل‌ و ‌پیاده‎‍سازی تکنیک دیمتل فازی بر مدیریت زیست‌بوم و تعیین اولویت هریک از چهار رکن اقتصادی، اجتماعی، محیط زیستی و نهادی می‎‍پردازیم (پیوست 2). الگوریتم تکنیک دیمتل فازی اجراشده در این مطالعه، در زیر توضیح داده شده ‌است:

گام 1: ماتریس رابطۀ مستقیم فازی را ایجاد کنید.

به‌منظور شناسایی مدل روابط بین n معیار، ابتدا یک ماتریس n × n تولید می‌شود؛ سپس از متغیر زبانی مطابق جدول 3 در پنج مقیاس فازی استفاده می‌شود و متغیرهای فازی مثلثی مربوطه، محاسبه می‌شوند.

 

                                                               iii.            جدول 3- رابطۀ متناظر بین اصطلاحات زبانی و اعداد فازی

1. Table 3- The corresponding relations between fuzzy numbers and linguistic terms

اعداد فازی مثلثی

اختصارات

اصطلاحات زبانی

(25/0 ، 0 ،0)

NI

بدون تأثیر

(5/0 ، 25/0 ، 0)

VL

تأثیر بسیار کم

(75/0 ، 5/0 ، 25/0)

L

تأثیر کم

(1، 75/0 ، 5/0)

HL

تأثیر زیاد

(1، 1، 75/0)

VH

تأثیر بسیار بالا

 

برای تولید ماتریس رابطۀ مستقیم z از میانگین حسابی همۀ نظرهای خبرگان استفاده می‌شود.

 

 

 

 

گام 2: ماتریس رابطۀ مستقیم فازی را نرمال‌سازی کنید.

ماتریس رابطۀ مستقیم فازی نرمال‌شده با استفاده از فرمول زیر به دست می‌آید:

 

Where

 

 

(3)

گام 3: ماتریس کل رابطۀ فازی را محاسبه کنید.

ماتریس کل رابطۀ فازی با فرمول زیر محاسبه می‌شود:

(4)

 

 

اگر هر عنصر از ماتریس کل رابطۀ فازی به‌صورت  بیان شود، می‌توان آن را به‌صورت زیر محاسبه کرد:

(5)

 

 

به ‌عبارت دیگر ابتدا ماتریس نرمال‌شدۀ معکوس محاسبه و سپس از ماتریس I کم می‌شود؛ درنهایت، ماتریس نرمال‌شده در ماتریس حاصل، ضرب می‌شود.

گام 4: فازی‌زدایی کنید.

روش CFCS ارائه‌شدۀ اوپریکویک و تزنگ[xlvi] (2003) برای به‌ دست ‌آوردن یک مقدار قطعی از ماتریس کل رابطه استفاده شده ‌است. مراحل روش CFCS به ‌شرح زیر است:

 

 

 

 

So that

 

 

(6)

محاسبۀ مرزهای بالا و پایین مقادیر نرمال‌شده:

 

 

(7)

خروجی الگوریتم CFCS مقادیر دفازی شده ‌است.

محاسبۀ کل مقادیر دفازی‌شدۀ نرمال‌شده:

 

(8)

گام 5: مقدار آستانه را تنظیم کنید.

مقدار آستانه باید برای محاسبۀ ماتریس روابط داخلی به ‌دست آید. بر این ‌اساس، روابط جزئی نادیده ‌گرفته می‌شود و نقشۀ ارتباط شبکه(NRM) [xlvii] رسم می‌شود. فقط روابطی که مقادیر آنها در ماتریس T بیشتر از مقدار آستانه است، در NRM نشان‌ داده‌ می‌شوند. برای محاسبۀ مقدار آستانۀ روابط، کافی است مقادیر متوسط ماتریس T را محاسبه کنیم. پس از تعیین شدت آستانه، تمام مقادیر در ماتریسT ، که کوچک‌تر از مقدار آستانه است، صفر می‌شوند؛ یعنی رابطۀ علی ذکرشده در بالا، در نظر گرفته‌‌ نمی‌شود.

گام 6: خروجی نهایی و ایجاد نمودار رابطۀ علی.

گام بعدی، یافتن مجموع هر سطر و هر ستون T است (در مرحلۀ 4). مجموع سطرها (D) و ستون‌ها (R) به‌صورت زیر محاسبه می‌شود:

 

 

(9)

سپس، مقادیر D+R و D-R را می‌توان با D و R محاسبه کرد که در آن D+R نشان‌دهندۀ درجه اهمیت فاکتور i در کل سیستم و D-R نشان‌دهندۀ آثار خالصی است که عامل i به سیستم کمک می‌کند.

گام 7: نتایج را تفسیر کنید.

با ‌توجه به نمودارها و جداول، هریک از عوامل را می‌توان بر‌اساس جنبه‌های بردار افقی  (D + R)و بردار عمودی (D-R) ارزیابی کرد.

 

3-4- روایی و پایایی پرسش‌نامه‌های پژوهش

مفهوم روایی به دقت ابزار اندازه‌گیری اشاره دارد و به این سؤال پاسخ می‌دهد که ابزار اندازه‌گیری تا چه حد خصیصۀ مدنظر را می‌سنجد. یکی از روش‌های سنجش روایی پرسش‌نامه، روایی محتواست. اگر سؤالات پرسش‌نامه معرف ویژگی‌ها و مهارت‌های ویژۀ مدنظر باشند، آزمون روایی محتوا دارد. معمولاً افراد متخصص در موضوع مطالعه‌شده، روایی محتوای یک آزمون را تعیین می‌کنند (سرمد و همکاران[xlviii]، 2007). در پرسش‌نامه‌های طراحی‌شده برای این پژوهش، برای ارتباط اجزای تشکیل‌دهنده با متغیرها، رابطۀ محتوایی آنها با یکدیگر، واضح‌بودن و شکل ظاهری آنها، منطقی‌بودن و چیدمان آنها، از نظرهای خبرگان استفاده و روایی پرسش‌نامه‌ها تأیید شد. خبرگانی که نظرهایشان برای تأیید روایی پرسش‌نامه‌ها به کار برده شد، استاد راهنما و تعدادی از صاحب‌نظران حوزۀ دانشگاهی بودند. همچنین از روش نسبت روایی محتوایی[xlix] یاCVR استفاده شده است که روشی برای سنجش روایی پرسش‌نامه است. برای محاسبۀ این نسبت، از دیدگاه‌های خبرگان و متخصصان دربارۀ محتوای سنجش مدنظر بهره‌گیری می‌شود. اهداف آزمون و تعاریف عملیاتی مرتبط، به محتوای سؤالات پرسش‌نامه برای کارشناسان شرح داده می‌شود. پس‌ از ‌آن، از آنها درخواست می‌شود تا هریک از سؤالات را بر پایۀ سه طیف «ضروری»، «مفید، ولی غیرضروری» و «ضرورتی ندارد» دسته‌بندی کنند. پس از گردآوری دیدگاه خبرگان با استفاده از رابطۀ زیر، CVR محاسبه می‌شود:

(10)

 

در این فرمول  نشان‌دهندۀ تعداد کارشناسانی است که گزینۀ ضروری را انتخاب کرده‌اند و N بیانگر تعداد کل خبرگان است. حداقل CVR پذیرفتنی در روش لاوشه، براساس تعداد اعضای پانل تعیین می‌شود. هر چقدر اندازۀ تعداد اعضای پانل بیشتر باشد، نسبت روایی محتوایی مورد نیاز برای باقی‌ماندن سؤال در پرسش‌نامه کمتر خواهد بود؛ بنابراین سؤالاتی که نسبت روایی محتوایی آنها حداقلCVR مورد نیاز کمتر شد، از پرسش‌نامه حذف شدند. برای تک تک سؤالات، نسبت روایی محتوا محاسبه شد. سؤالاتی که CVR آنها مساوی یا بیشتر از حداقلCVR مورد نیاز بودند، بی‌قید و شرط پذیرفته شدند و سؤالاتی که حداقل مقدار نسبت روایی را کسب نکردند، از پرسش‌نامه حذف شدند.

همچنین شاخص روایی محتوایی[l] یا CVIنیز برای سنجش روایی پرسش‌نامه استفاده می‌شود. برای محاسبۀ CVI از خبرگان خواسته می‌شود تا میزان ارتباط هر سؤال را با طیف چهار قسمتی لیکرت کاملاً مرتبط، مرتبط اما نیاز به بازبینی، غیر مرتبط و نیاز به بازبینی اساسی تعیین کنند. تعداد متخصصانی که گزینۀ ۳ و ۴ را انتخاب کرده‌اند، بر تعداد کل متخصصان تقسیم می‌کنیم، اگر مقدار به‌ دست‌ آمده کوچک‌تر از 7/0 بود، گویه رد می‌شود، چنانچه بین 7/0 تا 79/0 بود، نیاز به بازبینی دارد و چنانچه بزرگ‌تر از 79/0 بود، پذیرفتنی است. بعضی از سؤالات با توجه به نظر متخصصان، به اصلاح نیاز داشتند و با مختصری تغییر، جزء سؤالات پرسش‌نامه قرار گرفتند و برخی سؤالات حذف شدند. سرانجام پرسش‌نامه طی چندین مرحله ازلحاظ نحوۀ سؤالات و محتوا بررسی و اصلاحات لازم انجام شد (لاوشه[li]، 1975).

پایایی یک پرسش‌نامه، ثبات و هماهنگی منطقی پاسخ‌ها را در طی زمان، در پرسش‌نامه نشان می‌دهد. برای تعیین میزان پایایی باید از ضریب پایایی استفاده کرد. یکی از روش‌های برآورد ضریب پایایی و محاسبۀ همسانی درونی اجزای تشکیل‌دهندۀ پرسش‌نامه، روش آلفای کرونباخ است. گفته می‌شود اگر ضریب آلفای کرونباخ بیشتر از 7/0 باشد، آزمون از پایایی پذیرفتنی برخوردار است. با توجه به اینکه در این پژوهش، از دو پرسش‌نامه برای نظرسنجی از خبرگان استفاده شده است، الزامی به آزمون پایایی پرسش‌نامه وجود ندارد.

 

4- ‌یافته‌های پژوهش

جامعۀ آماری پژوهش حاضر را خبرگان دانشگاهی و متخصصان آشنا به موضوع مدیریت زیست‌بوم تشکیل می‌دهند. با توجه به استفاده از FDM و تکنیک دیمتل فازی، دریافت و تجزیه و تحلیل اطلاعات از خبرگان و متخصصان امری ضروری است و معیارهای انتخاب کارشناسان، تسلط کامل بر موضوع، سابقۀ کاری مرتبط، تمایل و توانایی برای شرکت در تحقیق و در دسترس‌ بودن است.

4-1- تعیین شاخص‌های مدیریت زیست‌بوم با استفاده از روش دلفی فازی

با‌ توجه به بررسی پیشینۀ تحقیق و مدل‌های موجود در حوزۀ مدیریت زیست‌بوم، در گام اول، شاخص‌های پیشنهادی در قالب پرسش‌نامه بر‌اساس چهار رکن و 36 شاخص برای کسب نظر خبرگان دانشگاهی براساس متغیرهای فازی طراحی شده ‌است. همچنین از کارشناسان خواسته شد تا علاوه ‌بر شاخص‌های شناسایی‌شدۀ متناسب با شرایط EM، شاخص‌های پیشنهادی خود را در پرسش‌نامه مشخص کنند. نتایج نظرسنجی به‌ دست ‌آمده از پرسش‌نامۀ دلفی در جدول 4 بررسی و ارائه شده ‌است که نتایج شاخص‌ها را نشان می‌دهد.

36 شاخص در اقدامات پیشنهادی اولیه انتخاب و پذیرفته شدند و ‌توانستند به مقدار آستانۀ 6/5 = α برسند. گفتنی است که بر شاخص‌های بررسی‌شده، اتفاق‌نظر وجود دارد. نتایج نشان می‌دهد کارشناسان شاخص‌های I8 (علم و تکنولوژی) و I5 (نوآوری) را به‌عنوان مهم‌ترین شاخص‌ها در رکن اقتصادی، I11 (کیفیت هوا)، I12 (تصفیۀ زباله) و I13 (بهره‌وری انرژی) را در رکن زیست‌محیطی، شاخص‌های I19 (فقر)، I18 (سلامت) و I28 (ایمنی و امنیت) را در رکن اجتماعی و I31 (اشتراک‌گذاری شفاف اطلاعات) و I36 (ثبات سیاسی) را در رکن نهادی به‌عنوان شاخص‌های مدیریت زیست‌بوم رتبه‌بندی کردند.

 

 

                                               iv.            جدول 4- نتایج روش دلفی فازی با در نظر گرفتن 4 رکن مدیریت زیست‌بوم

1. Table 4- The results of the fuzzy Delphi method considering 4 pillars of EM

زیرسیستم اقتصادی (SS1)

زیرسیستم اجتماعی (SS3)

شاخص

ارزش فازی

مقدار دی‌فازی

وزن شاخص

رتبه

شاخص

ارزش فازی

مقدار دی‌فازی

وزن شاخص

رتبه

L

M

U

L

M

U

I1

3

9487/3

5

97435/3

0/11381

3

I18

3

9487/3

5

97435/3

0/08732

2

I2

2

4375/3

5

46877/3

0/09933

8

I19

4

18256/4

5

34127/4

0/09538

1

I3

3

7279/3

5

86396/3

0/11064

6

I20

3

36587/3

4

43293/3

0/07542

12

I4

3

3658/3

4

43293/3

0/0983

9

I21

3

5652/3

4

53260/3

0/07761

10

I5

3

3173/4

5

15868/4

0/11908

2

I22

3

68011/3

5

84005/3

0/08437

6

I6

3

9487/3

5

97435/3

0/11381

3

I23

3

77635/3

4

63817/3

0/07993

9

I7

3

9487/3

5

97435/3

0/11381

3

I24

3

72792/3

5

86395/3

0/08489

4

I8

4

3734/4

5

43672/4

0/12705

1

I25

3

5652/3

4

53260/3

0/07761

10

I9

3

7763/3

4

63818/3

0/10418

7

I26

3

72792/3

5

86395/3

0/08489

4

 

 

 

 

 

 

 

I27

3

51948/3

5

75974/3

0/08260

7

 

 

 

 

 

 

 

I28

3

9487/3

5

97435/3

0/08732

2

 

 

 

 

 

 

 

I29

3

51948/3

5

75974/3

0/08260

7

زیرسیستم زیست‌محیطی (SS2)

زیرسیستم نهادی (SS4)

شاخص

ارزش فازی

مقدار دی‌فازی

وزن شاخص

رتبه

شاخص

ارزش فازی

مقدار دی‌فازی

وزن شاخص

رتبه

L

M

U

L

M

U

I10

4

3734/4

5

43672/4

0/13378

2

I30

3

77635/3

4

63817/3

0/13368

5

I11

4

7817/4

5

64088/4

0/13994

1

I31

4

18256/4

5

34127/4

0/15951

1

I12

4

3734/4

5

43672/4

0/13378

2

I32

3

72792/3

5

86395/3

0/14198

4

I13

4

3734/4

5

43672/4

0/13378

2

I33

3

12892/4

5

06445/4

0/14934

3

I14

3

8980/3

5

94902/3

0/11908

5

I34

3

36587/3

4

43293/3

0/12614

7

I15

3

7763/3

4

63817/3

0/10970

8

I35

3

5652/3

4

53260/3

0/12980

6

I16

3

7279/3

5

86399/3

0/11651

6

I36

4

18256/4

5

34127/4

0/15951

1

I17

3

5194/3

5

75974/3

0/11337

7

 

 

 

 

 

 

 

 

4-2- بررسی رابطۀ بین ارکان مدیریت زیست‌بوم با استفاده از دیمتل فازی

چهار رکن اقتصادی، زیست‌محیطی، اجتماعی و نهادی برای ارزیابی ارکان EM توسط دیمتل فازی در ‌نظر‌ گرفته ‌شده است. داده‌های اولیه براساس پاسخ کارشناسان و متخصصان دانشگاهی به پرسش‌نامۀ مقایسۀ زوجی جمع‌آوری شده ‌است.

 

گام 1: جدول5 ماتریس رابطۀ مستقیم را نشان می‌دهد که همان ماتریس مقایسۀ زوجی خبرگان است.

                                                                                          v.            جدول 5- ماتریس رابطۀ مستقیم

1. Table 5- The direct relation matrix.

 

اقتصادی

زیست‌محیطی

اجتماعی

نهادی

اقتصادی

(0/000,0/000,0/000)

(0/650,0/900,1/000)

(0/700,0/950,1/000)

(0/600,0/850,1/000)

زیست‌محیطی

(0/450,0/700,0/950)

(0/000,0/000,0/000)

(0/450,0/700,0/900)

(0/300,0/550,0/800)

اجتماعی

(0/600,0/850,1/000)

(0/550,0/800,1/000)

(0/000,0/000,0/000)

(0/350,0/600,0/850)

نهادی

(0/700,0/950,1/000)

(0/500,0/750,0/950)

(0/550,0/800,1/000)

(0/000,0/000,0/000)

 

گام 2: جدول 6 نشان می‌دهد ماتریس رابطۀ مستقیم فازی نرمال‌شده را می‌توان با استفاده از فرمول 3 به‌ دست آورد:

                                                                          vi.            جدول 6- ماتریس رابطۀ مستقیم فازی نرمال‌شده

1. Table6- The normalized fuzzy direct-relation matrix

 

اقتصادی

زیست‌محیطی

اجتماعی

نهادی

اقتصادی

(000/0، 000/0، 000/0)

(333/0، 300/0، 217/0)

(333/0، 317/0، 233/0)

(333/0، 283/0، 200/0)

زیست‌محیطی

(317/0، 233/0، 150/0)

(000/0، 000/0، 000/0)

(300/0، 233/0، 150/0)

(267/0، 183/0، 100/0)

اجتماعی

(333/0، 283/0، 200/0)

(333/0، 267/0، 183/0)

(000/0، 000/0، 000/0)

(283/0، 200/0، 117/0)

نهادی

(333/0، 317/0، 233/0)

(317/0، 250/0، 167/0)

(333/0، 267/0، 183/0)

(000/0، 000/0، 000/0)

 

گام 3: جدول 7 ماتریس رابطۀ مستقیم فازی را نشان می‌دهد که با فرمول‌های 4 و 5 محاسبه شده‌ است:

                                                                                     vii.            جدول 7- ماتریس کل رابطۀ فازی

1. Table 7- The fuzzy total-relation matrix

 

اقتصادی

زیست‌محیطی

اجتماعی

نهادی

اقتصادی

(0/216,0/865,5/257)

(0/392,1/089,5/513)

(0/403,1/097,5/438)

(0/330,0/948,5/097)

زیست‌محیطی

(0/272,0/856,5/024)

(0/142,0/663,4/789)

(0/272,0/851,4/952)

(0/200,0/718,4/622)

اجتماعی

(0/339,0/969,5/303)

(0/328,0/955,5/309)

(0/172,0/743,4/987)

(0/237,0/798,4/880)

نهادی

(0/391,1/063,5/445)

(0/342,1/015,5/440)

(0/354,1/025,5/377)

(0/154,0/692,4/789)

 

گام 4: جدول 8 محاسبۀ کل مقادیر قطعی نرمال‌شده را با استفاده از فرمول‌های 6، 7 و 8 نشان می‌دهد:

                                                                                    viii.            جدول 8- ماتریس کل رابطۀ قطعی

1. Table 8- The crisp total-relation matrix

 

اقتصادی

زیست‌محیطی

اجتماعی

نهادی

اقتصادی

1/595

1/81

1/804

1/628

زیست‌محیطی

1/559

1/369

1/543

1/38

اجتماعی

1/688

1/679

1/46

1/481

نهادی

1/78

1/743

1/739

1/382

گام 5: در این مطالعه مقدار آستانه برابر با 6031/1 است. تمام مقادیر موجود در ماتریس T که کوچک‌تر از 6031/1 هستند، بر صفر تنظیم می‌شوند؛ یعنی رابطۀ علی مذکور در ‌نظر ‌گرفته نمی‌شود. مدل روابط معنادار در جدول 9 ارائه شده ‌است.

                                                          ix.            جدول 9- ماتریس روابط کل قطعی با در نظر گرفتن مقدار آستانه

1. Table 9- The crisp total- relationships matrix by considering the threshold value

 

اقتصادی

زیست‌محیطی

اجتماعی

نهادی

اقتصادی

0

1/81

1/804

1/628

زیست‌محیطی

0

0

0

0

اجتماعی

1/688

1/679

0

0

نهادی

1/78

1/743

1/739

0

 

گام 6: جدول 10 خروجی نهایی را با استفاده از فرمول 9 نشان می‌دهد.

                                                                                               x.            جدول 10- خروجی نهایی

1. Table10- The final results

 

R

D

D+R

D-R

اقتصادی

6/622

6/837

13/459

0/216

زیست‌محیطی

6/601

5/85

12/451

-0/751

اجتماعی

6/546

6/308

12/855

-0/238

نهادی

5/871

6/644

12/515

0/773

 

شکل 3 مدل روابط معنادار را نشان می‌دهد. این مدل را می‌توان به‌صورت نموداری نشان داد که در آن مقادیر (D+R) در محور افقی و مقادیر (D-R) در محور عمودی قرار می‌گیرند. موقعیت و اثر متقابل هر عامل، با یک نقطه در مختصات (D+R, D-R) توسط سیستم مختصات تعیین می‌شود.

 

گام 7: نتایج نشان می‌دهد عاملی که بیشترین تأثیر مستقیم و غیرمستقیم را دارد، رکن اقتصادی است؛ درحالی‌که رکن زیست‌محیطی عاملی است که کمترین تأثیر را بر عوامل دیگر دارد. ارکان اقتصادی و اجتماعی در موقعیتی بالاتر از میانگین قرار می‌گیرند. مقادیر کمتر از میانگین، ارکان نهادی و محیطی را مشخص می‌کند. مشاهده می‌شود که بیشترین مقدار D+R را رکن اقتصادی به ‌دست می‌آورد و نشان‌دهندۀ نقش کلیدی آن در فرآیند تعیین تأثیر کل عوامل است.

اگر شکل کاهش‌یافتۀ ماتریس تأثیر کل را (جدول 8) تجزیه و تحلیل کنیم، درجۀ اتصال متقابل هر عامل، کاملاً نشان داده می‌شود. پس از محاسبۀ ماتریس T، جایی است ‌که آستانۀ تأثیر کل به‌عنوان میانگین برای همۀ عناصر در ماتریس برآورد شد و مقدار آن را 6031/1 قرار دادیم. براساس جدول 9، تمامی عوامل با ارکان اقتصادی و نهادی رابطۀ معناداری (6031/1>) دارند و بیشترین برتری را از خود نشان می‌دهند. گروه علت (D-R > 0) شامل دو عامل، یعنی ارکان نهادی و اقتصادی است. تا حد زیادی، بالاترین ارزش رابطه، توسط ستون نهادی اتخاذ می‌شود و ثابت می‌کند این عامل بیشترین تأثیر را بر دیگران می‌گذارد. رکن اقتصادی در جایگاه بعدی قرار می‌گیرد که کمترین تأثیر را بر عوامل دیگر دارد. عوامل دیگر، ارکان زیست‌محیطی و اجتماعی‌اند که به گروه تأثیر (D-R < 0) تعلق دارند و تحت تأثیر عوامل علی‌اند. عاملی که در این گروه بیشترین تأثیر را می‌گیرد، عوامل اجتماعی و محیطی‌اند که کمتر از عوامل دیگر تأثیر می‌گیرند.

یک نقشۀ روابط تأثیرگذار[lii] (IRM) که براساس D+R و D-R ایجاد شده ‌‌است، دسته‌بندی نقش عوامل را در یک سیستم امکان‌پذیر می‌کند (شکل 3). IRM با محاسبۀ میانگین (D+R) و 0 برای (D-R) به چهار مربع از I تا IV تقسیم می‌شود (میروسلاو-سویانک و همکاران[liii]، 2021). عواملی که در مربع I قرار دارند، عوامل اصلی شناسایی می‌شوند؛ زیرا رتبه و رابطۀ بالایی دارند. عوامل در مربع II به‌عنوان عوامل محرک طبقه‌بندی می‌شوند؛ زیرا رتبۀ پایین دارند، اما رابطۀ بالایی‌اند. همچنین عواملی که در مربع III قرار دارند، عوامل مستقل یا گیرنده‌های مستقل تعیین می‌شوند؛ زیرا رتبه و رابطۀ پایینی دارند. علاوه ‌بر‌ این، فاکتورهایی که در مربع IV قرار دارند، ضریب تأثیر یا گیرنده‌های درهم‌تنیده نامیده می‌شوند؛ زیرا با رتبۀ بالا و رابطۀ پایین نمایش داده می‌شوند.

 

 

شکل 3- نمودار علت و معلولی و نقشۀ رابطه تأثیرگذار (IRM) عوامل

3.                 Fig. 3- The cause-effect diagram and Influential Relation Map of the factors

 

پس از اعمال این طبقه‌بندی، می‌توان نتیجه گرفت که رکن اقتصادی متعلق به گروه I، مهم‌ترین گروه عوامل است؛ زیرا بر عوامل دیگر تأثیر می‌گذارد و در عین حال، ارتباط معنی‌داری با آنها دارد. رکن نهادی متعلق به گروه دوم، گروه عوامل مهم است و بیشتر بر عوامل دیگر تأثیر می‌گذارد، اما ارتباط ضعیفی با آنها دارد؛ بنابراین، می‌توان آن ‌را در یک سیستم به‌عنوان یک علت مستقل در نظر گرفت. گروه III که گروه عوامل مستقل است، شامل رکن زیست‌محیطی است. آنها آثارند (D-R < 0)، و در عین حال، ارتباط ضعیفی با عوامل دیگر دارند. همچنین عامل باقی‌مانده، رکن اجتماعی متعلق به گروه چهارم و گروه عوامل غیرمستقیم است. آنها در عین حال که به‌شدت با عوامل دیگر مرتبط‌اند، در گروه آثار عوامل مؤثر بر مدیریت زیست‌بوم قرار دارند.

همچنین از ماتریس T که در جدول8 نشان داده شده‌ است، برای رسم روابط بین عوامل در نمودار IRM نیز استفاده شد که در آن، فقط مقادیر بالاتر از مقدار آستانه نشان داده ‌شده‌اند. ما از یک خط پیوسته برای نشان‌دادن یک رابطۀ دو جهتۀ درخور توجه استفاده کرده‌ایم، در‌حالی‌که یک خط نقطه‌چین، یک رابطۀ یک طرفۀ چشمگیر را نشان می‌دهد. همچنین اندازۀ نماد با مقیاس تغییرات D+R مطابقت دارد. رکن اقتصادی رابطۀ دوسویۀ معناداری با ارکان نهادی و اجتماعی دارد.

به‌علاوه‌، در جدول 11 ماتریس نفوذ خالص (NeT) را نشان داده‌ایم. عناصر در این جدول، نشان‌دهندۀ تأثیر خالص یک عامل خاص است. این تأثیرات بین عوامل، ازطریق فرمول 11 برای ارزیابی ارزش تأثیر یک عامل بر دیگری محاسبه می‌شوند.

Netij = tij - tji

(11)

                                                                                     i.            جدول 11- ماتریس نفوذ خالص (NeT)

1. Table 11- Net influence matrix (NeT)

 

اقتصادی

زیست‌محیطی

اجتماعی

نهادی

اقتصادی

 

0/251

0/116

 

زیست‌محیطی

 

 

 

 

اجتماعی

 

 

0/136

 

نهادی

0/152

0/363

0/258

 

 

در ادامه، یک نمودار جهت‌دار غیرچرخه‌ای و نامتقارن به نام نقشۀ تأثیر خالص کل با استفاده از ماتریس NeT (شکل 4) ایجاد شده ‌است.

 

شکل 4- نقشۀ تأثیر خالص کل

4.                 Fig. 4- The total NeT influence map

همان‌طور که در شکل 4 منعکس شده ‌است، نقشۀ تأثیر خالص عامل کل توسعه‌یافته، قطعاً ماهیت علی ارکان اقتصادی و نهادی و ماهیت معلولی ارکان اجتماعی و زیست‌محیطی را تأیید می‌کند. اگرچه رکن اقتصادی به گروه علت تعلق دارد، تحت تأثیر رکن نهادی است.

 

5- بحث

با توجه به شکل 3 و جدول 10، هریک از عوامل را می‌توان براساس جنبه‌های زیر ارزیابی کرد:

- بردار افقی (D + R) نشان‌دهندۀ درجه اهمیت بین هر عامل در کل سیستم است. به ‌عبارت دیگر، (D + R) هم تأثیر عامل i را بر کل سیستم و هم تأثیر عوامل دیگر سیستم را بر عامل نشان می‌دهد. ازنظر درجه اهمیت، رکن اقتصادی در رتبۀ اول و رکن اجتماعی، نهادی و محیط‌زیستی در رتبه‌های بعدی قرار دارند.

- بردار عمودی (D-R) میزان تأثیر یک عامل را بر سیستم نشان می‌دهد. به‌طور کلی، مقدار مثبت D-R یک متغیر علی را نشان می‌دهد و مقدار منفی D-R نشان‌دهندۀ یک اثر است. در این پژوهش ازنظر میزان تأثیرگذاری، رکن اقتصادی و نهادی به‌عنوان یک متغیر علی[liv] و رکن محیط‌زیستی و اجتماعی به‌عنوان یک اثر[lv] در ‌نظر ‌گرفته شده ‌است.

درنهایت با توجه به نتایج به‌کارگیری مدل تلفیقی FDM و تکنیک دیمتل فازی، به این نتیجه می‌رسیم که برای مدیریت بهتر اکوسیستم، توجه بیشتر به شاخص‌های مؤثر در ارکان علی ضروری است؛ درنتیجه، اشتراک شفاف اطلاعات و شاخص‌های ثبات سیاسی در رکن علی نهادی و شاخص‌های علم و فناوری و نوآوری در رکن علی اقتصادی، مؤثرتر از دیگر شاخص‌های مدیریت زیست‌بوم‌اند. این نتیجه حاکی از آن است که تصمیم‌گیرندگان و سیاست‌گذاران باید تخصیص منابع و بودجه بیشتری را برای بهبود علم و فناوری، کیفیت هوا، فقر و به اشتراک ‌گذاری شفاف اطلاعات در نظر بگیرند.

همان‌طور که در جدول 10 نشان داده شده ‌است، رکن نهادی عمیقاً بر رکن محیطی تأثیر می‌گذارد. به‌علاوه، رکن اقتصادی به‌شدت بر رکن محیطی تأثیر می‌گذارد و پیچیدگی مدیریت زیست‌بوم را دو چندان می‌کند. با توجه به جدول 11، رکن نهادی به‌شدت بر رکن اجتماعی تأثیر می‌گذارد. به‌علاوه، نتایج نشان داد که رکن نهادی می‌تواند به افزایش در رکن اقتصادی منجر شود. همچنین، رکن اقتصادی بر رکن اجتماعی و متعاقباً رکن اجتماعی بر رکن محیطی تأثیر می‌گذارد. درنتیجه، یافته‌های ما قویاً نشان می‌دهد که ارکان نهادی و اقتصادی هنوز تأثیرگذارترین عوامل EM هستند. همان‌طور که قبلاً ذکر شد، تجزیه و تحلیل‌ها حاکی از یک اجماع روشن و واضح در بین متخصصان است که رکن زیست‌محیطی می‌تواند یک عامل بسیار آسیب‌پذیر باشد. براساس نتایج، در گروه علت، ارکان نهادی و اقتصادی تأثیرگذارترین عواملی‌اند که می‌توانند برای مدیریت زیست‌بوم مشکل‌ساز باشند و آن را به چالش بکشند.

مقایسۀ این مطالعه با دیگر مطالعات مرتبط، برای درک بهتر مدیریت اکوسیستم و شاخص‌های آن و همچنین توانمندی‌ها و محدودیت‌های روش‌ها و رویکردهای مختلف مفید خواهد بود. برخی از جنبه‌های ممکن برای مقایسه عبارت‌اند از:

  • روش‌شناسی: این مطالعه از روش دلفی فازی و تکنیک دیمتل فازی برای شناسایی و اعتبارسنجی شاخص‌های مؤثر بر مدیریت اکوسیستم استفاده کرد. مطالعۀ میستری و براردی[lvi] (2016)، نقشه‌برداری مشارکتی و مصاحبه با سهام‌داران محلی را برای شناسایی و اولویت‌بندی شاخص‌های پایداری اکوسیستم در یک جامعۀ روستایی در برزیل به کار برد. سانگ و چونگ[lvii] (2017) در مطالعه‌ای، از یک رویکرد تحلیل تصمیم‌گیری چند معیاره برای ارزیابی اثربخشی استراتژی‌های حفاظتی مختلف برای منطقۀ غیرنظامی کره استفاده کردند. این مطالعات روش‌های جایگزینی را برای شناسایی و ارزیابی شاخص‌های مدیریت اکوسیستم نشان می‌دهند و می‌توانند تکنیک‌های دلفی فازی و دیمتل فازی استفاده شده در مطالعه را تکمیل کنند.
  • شاخص‌ها: این مطالعه چندین شاخص را در ستون‌های اقتصادی، زیست‌محیطی، اجتماعی و نهادی شناسایی کرد. مطالعات دیگر ممکن است بر شاخص‌های مختلف متمرکز شده باشند یا از چارچوب‌های متفاوتی برای دسته‌بندی آنها استفاده کرده باشند. مایس و همکارانش[lviii] (2016) در مطالعۀ خود، یک گونه‌شناسی را از خدمات اکوسیستم و شاخص‌های آنها در سراسر اروپا براساس بررسی پژوهش‌ها و مشاورۀ تخصصی ایجاد کردند. در مطالعۀ دیگری که پاسکوال و همکاران[lix] (2017) انجام دادند، از یک نظرسنجی جهانی برای شناسایی مهم‌ترین خدمات اکوسیستمی و عواملی استفاده کردند که بر ارائۀ آنها تأثیر می‌گذارند. این مطالعات نشان می‌دهند چگونه چارچوب‌ها و حوزه‌های مختلف تحلیل می‌توانند به مجموعه‌های متفاوتی از شاخص‌ها منجر شوند و مبادلات و هم‌افزایی بین خدمات مختلف اکوسیستم را برجسته کنند. مقایسۀ شاخص‌های استفاده‌شده در مطالعات مختلف، می‌تواند دیدگاه وسیع‌تری را دربارۀ عوامل موثر بر مدیریت اکوسیستم و اهمیت نسبی آنها ارائه دهد.
  • یافته‌ها: این مطالعه نشان داد ارکان نهادی و اقتصادی نسبت‌به ارکان زیست‌محیطی و اجتماعی، تأثیر بیشتری در مدیریت اکوسیستم دارند. مطالعات دیگر بسته به تمرکز، روش‌شناسی و شاخص‌هایشان ممکن است به نتایج مشابه یا متفاوتی رسیده باشند. مطالعۀ لیو و همکاران (2023) نشان داد سیستم‌های اجتماعی-اکولوژیکی که تنوع و اتصال اجتماعی-اکولوژیکی را در اولویت قرار می‌دهند، در برابر اختلالات انعطاف‌پذیرترند و ازنظر خدمات اکوسیستمی نتایج بهتری دارند. پژوهش لاو و همکاران5 (2015) نشان داد تغییر کاربری زمین و تغییرات آب و هوایی، مهم‌ترین محرک‌های از دست دادن تنوع زیستی و کاهش خدمات اکوسیستمی در جنوب شرقی آسیا هستند. این مطالعات نشان می‌دهند چگونه زمینه‌ها و دیدگاه‌های مختلف می‌توانند به نتایج متفاوتی دربارۀ محرک‌ها و نتایج مدیریت اکوسیستم منجر شوند. مقایسۀ نتایج مطالعات مختلف می‌تواند به شناسایی الگوها و تغییرات در روابط بین مدیریت اکوسیستم و محرک‌های آن کمک کند.
  • پیامدها: این مطالعه پیشنهاد کرد که تصمیم‌گیرندگان و مدیران می‌توانند از شاخص‌های شناسایی‌شده برای رسیدگی به مشکلات اکوسیستم استفاده کنند. مطالعات دیگر ممکن است براساس یافته‌های خود، مداخلات یا استراتژی‌های متفاوتی را پیشنهاد کرده باشند. سیتاس و همکارانش[lx] (2019) در مطالعه‌ای از تحلیل سناریو برای بررسی مبادلات و هم‌افزایی بین حفاظت از تنوع زیستی و اهداف توسعۀ انسانی در آفریقای جنوبی استفاده کردند. پژوهش دیگری که راکلشاوس و همکاران[lxi] (2015) انجام دادند، چارچوبی را برای ادغام خدمات اکوسیستم در فرآیندهای تصمیم‌گیری در ایالات متحده پیشنهاد کرد. این مطالعات نشان می‌دهند که چگونه رویکردهای مختلف مدیریت اکوسیستم، می‌توانند پیامدهای متفاوتی را برای سیاست‌گذاری و حاکمیت داشته باشند و چگونه سناریوها و چارچوب‌ها می‌توانند به ذی‌نفعان کمک کنند تا پیچیدگی چالش‌های مدیریت اکوسیستم را هدایت کنند. مقایسۀ پیامدهای مطالعات مختلف، می‌تواند بینشی را دربارۀ امکان‌سنجی و اثربخشی رویکردهای مختلف برای مدیریت اکوسیستم ارائه دهد.

 

6- نتیجه‌گیری

در این مطالعه از یک چارچوب سه فازی استفاده شده ‌است. در فاز اول، شاخص‌های مختلف مرتبط با مدیریت زیست‌بوم شناسایی و با بررسی پژوهش‌ها و نظر کارشناسان، نهایی می‌شوند. در فاز دوم، با استفاده از FDM، مهم‌ترین شاخص‌ها در هر رکن از EM رتبه‌بندی شده‌اند. در فاز سوم، از رویکرد دیمتل فازی برای تحلیل ارکان، برای درک اهمیت آنها و برای مدیریت زیست‌بوم استفاده و رابطۀ علت‌و‌معلولی بین عوامل ایجاد می‌شود.

تجزیه و تحلیل مدیریت زیست‌بوم با تکنیک دیمتل فازی نشان داد که رکن نهادی، تأثیرات جدی و مهمی را بر دیگر ارکان شناسایی‌شده دارد. همچنین، مشخص شد که رکن اقتصادی دومین عامل تأثیرگذار است. با استفاده از FDM، به ‌ترتیب شاخص‌های علم و فناوری و نوآوری به‌عنوان مهم‌ترین شاخص‌ها در رکن اقتصادی، شاخص‌های کیفیت هوا، تصفیۀ پسماند و بهره‌وری انرژی در رکن محیط‌زیست، شاخص‌های فقر، سلامت، ایمنی و امنیت در رکن اجتماعی و شاخص‌های اشتراک شفاف اطلاعات و ثبات سیاسی در رکن نهادی، مهم‌ترین و تأثیرگذارترین شاخص‌های مدیریت زیست‌بوم شناسایی شده‌اند.

از نوآوری‌های این مطالعه که تمایز دقیق و روشنی را بین این مطالعه و هر مطالعۀ مرتبط دیگری ایجاد می‌کند، ارائۀ یک چارچوب مناسب برای تحلیل مدیریت زیست‌بوم، همچنین ترکیب رویکردهای دلفی فازی و دیمتل فازی است که در زمینۀ مدیریت اکوسیستم نوآورانه است؛ زیرا امکان شناسایی و اولویت‌بندی شاخص‌ها را فراهم می‌کند. از دیگر نوآوری‌های این پژوهش، استفاده از مجموعه‌های فازی برای مقابله با ابهام نظرهای کارشناسان و ترکیب منطق فازی است؛ زیرا استفاده از منطق فازی در رویکردها می‌تواند به کنترل عدم قطعیت و نبود دقت ذاتی در شناسایی و اولویت‌بندی شاخص‌های مدیریت اکوسیستم کمک کند و به نتایج دقیق‌تر و مطمئن‌تری منجر شود. درنتیجه، با شناسایی و اولویت‌بندی مهم‌ترین شاخص‌ها، رویکردها می‌توانند به بهبود اثربخشی مدیریت اکوسیستم کمک کنند؛ زیرا تصمیم‌گیرندگان می‌توانند منابع و تلاش‌های خود را بر حوزه‌هایی متمرکز کنند که بیشترین اهمیت را دارند. همچنین استفاده از شاخص‌ها و رویکردهای استانداردشده، امکان مقایسۀ بین اکوسیستم‌های مختلف را فراهم می‌کند و بینش‌هایی را دربارۀ شباهت‌ها و تفاوت‌ها در نیازهای مدیریتی آنها ارائه می‌دهد. به‌علاوه استعلام نظر کارشناسان در‌بارۀ تعیین روابط متقابل بین ارکان مدیریت زیست‌بوم و استفاده از دیدگاه‌های کارشناسان و دانشگاهیان برای شناسایی مهم‌ترین و تأثیرگذارترین شاخص‌‌های مدیریت زیست‌بوم، از دیگر نوآوری‌های این پژوهش است.

در حالی‌ که شناسایی و اولویت‌بندی شاخص‌های مدیریت اکوسیستم با استفاده از رویکردهای دلفی فازی و دیمتل فازی می‌تواند مزایای متعددی داشته باشد، محدودیت‌هایی نیز برای تحقیق وجود داشت. این محدودیت‌ها عبارت‌اند از:

  • تعداد متخصصان شرکت‌کننده: اگرچه در این مطالعه تعداد درخور توجهی از صاحب‌نظران و متخصصان برای پاسخ به پرسش‌نامه‌ها شرکت داشتند، با این‌ حال تعداد محدود متخصصان می‌تواند به محدودیت امکان تعمیم نتایج منجر شود. در صورت افزایش تعداد و در دسترس بودن متخصصان، روش یکپارچه می‌تواند به‌عنوان چارچوبی برای توسعۀ تجزیه و تحلیل‌ها عمل کند.
  • سوگیری خبرگان: نتایج مطالعه ممکن است تحت تأثیر نظرها و سوگیری‌های کارشناسان درگیر در فرآیند شناسایی و اولویت‌بندی شاخص‌ها قرار گیرد.
  • دامنۀ محدود: محدودۀ مطالعه ممکن است به یک اکوسیستم یا منطقۀ خاص محدود شود و شاخص‌های شناسایی‌شده احتمالاً برای دیگر اکوسیستم‌ها یا مناطق اجراشدنی نباشد. براساس روابط علت‌و‌معلولی بین ارکان مطالعه‌شده، می‌توان با استفاده از یک نمونۀ بزرگ‌تر، یک فرضیه را گسترش داد و اعتبارسنجی‌اش کرد.
  • فقدان داده‌های تجربی: شناسایی و اولویت‌بندی شاخص‌ها ممکن است براساس نظرهای متخصصان باشد تا داده‌های تجربی که می‌تواند به قضاوت‌های ذهنی منجر شود.
  • چالش‌های جمع‌آوری داده‌ها: جمع‌آوری داده‌ها بر شاخص‌های شناسایی‌شده، ممکن است چالش‌برانگیز باشد؛ به‌ویژه در اکوسیستم‌هایی با منابع محدود یا جایی که داده‌ها کمیاب‌اند.
  • پیچیدگی رویکردها: رویکردهای دلفی فازی و دیمتل فازی ممکن است پیچیده باشند و برای پیاده‌سازی به سطح بالایی از تخصص نیاز دارند که می‌تواند کاربرد آنها را در برخی زمینه‌ها محدود کند.

برای رفع این محدودیت‌ها و پیشبرد بیشتر تحقیق در این زمینه، برخی از پیشنهادهای آینده می‌تواند شامل موارد زیر باشد:

  • مشارکت بیشتر ذی‌نفعان: علاوه بر کارشناسان، مشارکت دیگر ذی‌نفعان، مانند جوامع محلی، سازمان‌های غیردولتی و سازمان‌های دولتی می‌تواند دیدگاه‌های متنوعی را دربارۀ مدیریت اکوسیستم ارائه و مشروعیت شاخص‌های شناسایی‌شده را افزایش دهد.
  • استفاده از داده‌های تجربی: گنجاندن داده‌های تجربی در شناسایی و اولویت‌بندی شاخص‌ها می‌تواند عینیت نتایج را افزایش دهد.
  • آزمایش شاخص‌های شناسایی‌شده: آزمایش شاخص‌های شناسایی‌شده در عمل می‌تواند بینشی راجع به اثربخشی و ارتباط آنها ارائه دهد و به اصلاح و بهبود رویکرد کمک کند.
  • ساده‌سازی رویکردها: ساده‌سازی رویکردهای دلفی فازی و دیمتل فازی و در دسترس‌تر کردن آنها، می‌تواند پذیرش و کاربرد آ‌نها را در طیف وسیع‌تری از زمینه‌ها افزایش دهد.
  • ارزیابی تأثیر: ارزیابی تأثیر شاخص‌های شناسایی‌شده بر نتایج مدیریت اکوسیستم، شواهدی از اثربخشی آنها را ارائه می‌دهد و به بهبود شیوه‌های مدیریت اکوسیستم کمک می‌کند.

کمبود سرمایه‌گذاری و بودجه در علم و فناوری، تحولات اقتصادی را تضعیف کرده ‌است؛ بنابراین، دولت‌ها باید شرایط مساعدی را ازطریق علم و فناوری و سیاست‌های نوآوری ایجاد و در عین حال بخش خصوصی را به نوآوری، انطباق و پذیرش تشویق کنند. هم‌زمان، دولت‌ها باید بر طراحی اکوسیستمی سرمایه‌گذاری کنند که سرمایه‌گذاری در علم و فناوری را تسهیل می‌کند؛ به‌گونه‌ای‌ که نه‌تنها ابداع را تسریع کند، اجازه دهد نوآوری‌ها سریع‌تر وارد بازار شوند. راه‌حل‌های پیشنهادی برای بهبود شاخص‌های زیست‌محیطی مانند کیفیت هوا، افزایش تولید سوخت‌های تجدیدپذیر و انرژی پاک، صرفه‌جویی و بهره‌وری انرژی و حمل‌ونقل سازگار با محیط‌زیست است. در رکن اجتماعی، 5 راه مؤثر برای کاهش فقر در جهان، توسعه و اجرای سیاست‌ها و برنامه‌های رشد اقتصادی سریع و پایدار، ایجاد و بهبود دسترسی به مشاغل، توسعۀ تدریجی سیستم‌های حمایت اجتماعی و دسترسی به فناوری و نوآوری بیان شده ‌است. همچنین، دولت‌ها و دیگر ذی‌نفعان باید به‌طور مستمر، مراقب خطراتی باشند که امنیت ساکنان و شهروندانشان را در چهار حوزۀ متقاطع امنیت فیزیکی، دیجیتال، اقتصادی و اجتماعی تهدید می‌کند. در رکن نهادی موفقیت عوامل اجرای شفافیت داده‌های باز، شامل جنبه‌های سیاسی و قانونی، جنبه‌های فنی و ارزیابی آمادگی و پیشرفت است.

 

[i] Ecosystem Management

[ii] Gomes et al.

[iii] Schaafsma et al.

[iv] Multi-Criteria Decision Making

[v] Chen and Lin

[vi] Decision-Making Trial and Evaluation Laboratory

[vii] Hosseini et al.

[viii] Muñoz Diaz et al.

[ix] Fuzzy Delphi Method

[x] Fareg et al.

[xi] Marlina et al.

[xii] Bui et al.

[xiii] Cameron Devitt et al.

[xiv] Meffe et al.

[xv] Padilla-Rivera et al.

[xvi] Vaishnavi and Suresh

[xvii] Olugu et al.

[xviii] Singh and Sarkar

[xix] Kuzu

[xx] Jindal et al.

[xxi] Lin et al.

[xxii] Wang

[xxiii] Anastasiadou et al.

[xxiv] Zhang et al.

[xxv] Iqbal et al.

[xxvi] Calicioglu and Bogdanski

[xxvii] Eustachio et al.

[xxviii] García-Melón et al.

[xxix] Liu et al.

[xxx] Hak et al.

[xxxi] Kondyli

[xxxii] Doody et al.

[xxxiii] Golusin and Ivanović

[xxxiv] Kotwal et al.

[xxxv] Alfsen and Greaker

[xxxvi] Fraser et al.

[xxxvii] Choi and Sirakaya

[xxxviii] Spangenberg

[xxxix] United Nations

[xl] Dormoy and Lavoux

[xli] Tseng et al.

[xlii] Ebrahimi and Bridgelall

[xliii] Simple Center of Gravity Method

[xliv] Padilla et al.

[xlv] Shen et al.

[xlvi] Opricovic and Tzeng

[xlvii] Network Relationship Map

[xlviii] Sarmad et al.

[xlix] Content Validity Ratio

[l] Content Validity Index

[li] Lawshe

[lii] Influential Relations Map

[liii] Mirosław-Świątek et al.

[liv] causal variable

[lv] an effect

[lvi] Mistry & Berardi

[lvii] Song & Chung

[lviii] Maes et al.

[lix] Pascual et al.

[lx] Sitas et al.

[lxi] Ruckelshaus et al.

مراجع

Alfsen, K. & Greaker, M. (2007). From natural resources and environmental accounting to construction of indicators for sustainable development. Ecological Economics, 61(4), 600-610. https://doi.org/10.1016/j.ecolecon.2006.06.017.
Anastasiadou, K. Gavanas, N. Pyrgidis, C. Pitsiava-Latinopoulou, M. (2021). Identifying and Prioritizing Sustainable Urban Mobility Barriers through a Modified Delphi-AHP Approach. Sustainability. 13(18), 10386. https://doi.org/10.3390/su131810386.
Bui, T. D., Tsai, F. M., Tseng, M. L., & Ali, M. H. (2020). Identifying sustainable solid waste management barriers in practice using the fuzzy delphi method. Resources, Conservation and Recycling, 154(4), https://doi.org/10.1016/j.resconrec.2019.104625
Calicioglu, Ö. & Bogdanski, A. (2021). Linking the bioeconomy to the 2030 sustainable development agenda: Can SDG indicators be used to monitor progress towards a sustainable bioeconomy? New Biotechnology, 61(6), 40-49. https://doi.org/10.1016/j.nbt.2020.10.010.
Cameron Devitt, S.E., J. R. Seavey, S. Claytor, T. Hoctor, M. Main, O. Mbuya, R. Noss, C. Rainyn. (2012). Florida Biodiversity Under a Changing Climate. Florida Climate Task Force.
Chen, T. & Lin, C. (2022). An FGM decomposition-based fuzzy MCDM method for selecting smart technology applications to support mobile health care during and after the COVID-19 pandemic. Applied soft computing, 121(1), 108758. https://doi.org/10.1016/j.asoc.2022.108758.
Choi, H.C. & Sirakaya, E. (2006). Sustainability indicators for managing community tourism. Tourism Management, 27(6), 1274-1289. https://doi.org/10.1016/j.tourman.2005.05.018.
Doody, D. & Kearney, P. & Barry, J. & Moles, R. & O'Regan, B. (2009). Evaluation of the Q-method as a method of public participation in the selection of sustainable development indicators. Ecological Indicators, 9 (6), 1129-1137. https://doi.org/10.1016/j.ecolind.2008.12.011.
Dormoy, C. & Lavoux T. (1998). Testing United Nations Indicators of Sustainable Development - Report produced by France: Summary of results. Institut Francais De L'environnement.
Ebrahimi, S. & Bridgelall, R. (2021). A fuzzy Delphi analytic hierarchy model to rank factors influencing public transit mode choice: A case study. Research in Transportation Business & Management, 39, 100496. https://doi.org/10.1016/j.rtbm.2020.100496.
Eustachio, J. Caldana, A., Liboni, L. & Martinelli, D. (2019). Systemic indicator of sustainable development: Proposal and application of a framework. Journal of Cleaner Production, 241, 118383. https://doi.org/10.1016/j.jclepro.2019.118383
Fareg, F., Zare Mehrjerdi, T., Saleh Owlia, M. (2023). Investigating the factors affecting customer satisfaction using fuzzy Delphi and system dynamics approaches. Production and Operations Management University of Isfahan, 13(4), 2423-6950. https://doi.org/10.22108/pom.2022.133407.1440.
Fraser, E., Dougill, A., Mabee, W., Reed, M. & McAlpine, P. (2006). Bottom up and top down: Analysis of participatory processes for sustainability indicator identification as a pathway to community empowerment and sustainable environmental management. Journal of Environmental Management, 78(2), 114-127. https://doi.org/10.1016/j.jenvman.2005.04.009.
García-Melón, M., Gómez-Navarro, T. & Acuna-Dutra, S. (2012). A combined ANP-delphi approach to evaluate sustainable tourism. Environmental Impact Assessment Review, 34, 2012, 41-50. https://doi.org/10.1016/j.eiar.2011.12.001.
Golusin, M. & Ivanović, O. (2009). Definition, characteristics and state of the indicators of sustainable development in countries of Southeastern Europe. Agriculture, Ecosystems & Environment, 130(1–2), 67-74. https://doi.org/10.1016/j.agee.2008.11.018.
Gomes, L., Facin, A., Leal, L., Zancul, E., Salerno, M. & Borini, F. (2022). The emergence of the ecosystem management function in B2B firms. Industrial Marketing Management, 102(2), 465-487. https://doi.org/10.1016/j.indmarman.2021.12.015.
Hak, T. Kovanda, J., Weinzettel, J. (2012). A method to assess the relevance of sustainability indicators: Application to the indicator set of the Czech Republic's Sustainable Development Strategy. Ecological Indicators, 17(2012), 46-57. https://doi.org/10.1016/j.ecolind.2011.04.034.
Hosseini, S., Paydar, M. M. & Hajiaghaei-Keshteli, M. (2021). Recovery solutions for ecotourism centers during the Covid-19 pandemic: Utilizing Fuzzy DEMATEL and Fuzzy VIKOR methods. Expert Systems with Applications, 185(6), 115594. https://doi.org/10.1016/j.eswa.2021.115594.
Iqbal, A. Abdullah, Y. Nizami, A.S. Sultan, I.A. Sharif, F. (2022). Assessment of Solid Waste Management System in Pakistan and Sustainable Model from Environmental and Economic Perspective. Sustainability, 14(19), 12680. https://doi.org/10.3390/su141912680.
Jindal, A. Sharma, S. K., Sangwan, K. S. & Gupta, G. (2021). Modelling Supply Chain Agility Antecedents Using Fuzzy DEMATEL. Procedia CIRP, 98(2), 436-441. https://doi.org/10.1016/j.procir.2021.01.130.
Kondyli, J. (2010). Measurement and evaluation of sustainable development: A composite indicator for the islands of the North Aegean region, Greece. Environmental Impact Assessment Review, 30(6), 347-356. https://doi.org/10.1016/j.eiar.2009.08.006.
Kotwal, P.C. Omprakash, M.D. Sanjay Gairola, Dugaya. D. (2008). Ecological indicators: Imperative to sustainable forest management. Ecological Indicators, 8(1), 104-107. https://doi.org/10.1016/j.ecolind.2007.01.004.
Kuzu, A. (2021). Risk analysis of break-in-two accident of ships using fuzzy DEMATEL method. Ocean Engineering, 235(3), 109410. https://doi.org/10.1016/j.oceaneng.2021.109410.
Law, E. A., Bryan, B. A., Meijaard, E., Mallawaarachchi, T., Struebig, M. J., Wilson, K. A., ... & Possingham, H. P. (2017). Ecosystem services from a degraded peatland of Central Kalimantan: implications for policy, planning, and management. Ecosystem Health and Sustainability, 3(6), 1-17. https://doi.org/10.1890/13-2014.1.
Lawshe, C. H. (1975). A quantitative approach to content validity. Personnel Psychology, 28(4), 563-575. https://doi.org/10.1111/j.1744-6570.1975.tb01393.x
Lin, C.J. Belis, T.T. Caesaron, D. Jiang, B.C. Kuo, T.C. (2020). Development of Sustainability Indicators for Employee-Activity Based Production Process Using Fuzzy Delphi Method. Sustainability, 12(16), 6378. https://doi.org/10.3390/su12166378.
Liu, C., Tzeng, G., Lee, M. (2012). Improving tourism policy implementation – The use of hybrid MCDM models. Tourism Management, 33(2), 413-426. https://doi.org/10.1016/j.tourman.2011.05.002.
Liu, F. Dai, E. Yin, J. (2023). A Review of Social–Ecological System Research and Geographical Applications. Sustainability, 15(8), 6930. https://doi.org/10.3390/su15086930.
Maes, J., Liquete, C., Teller, A., Erhard, M., Paracchini, M. L., Barredo, J. I., et al. (2016). An indicator framework for assessing ecosystem services in support of the EU Biodiversity Strategy to 2020. Ecosystem Services, 17(2016), 14-23. https://doi.org/10.1016/j.ecoser.2015.10.023.
Marlina, E., Hidayanto, A., & Purwandari, B. (2022). Towards a model of research data management readiness in Indonesian context: An investigation of factors and indicators through the fuzzy delphi method. Library & Information Science Research, 44(1), 101141. https://doi.org/10.1016/j.lisr.2022.101141.
Meffe, G., Nielsen, L., Knight, R., Schenborn, D. (2002). Ecosystem Management: Adaptive, Community-Based Conservation. Bibliovault OAI Repository, the University of Chicago Press.
Mirosław-Świątek, D., Popielski, P., Śliwiński, P., Cwalina, T., Skutnik, Z. (2021). Analysis of factors influencing levee safety using the DEMATEL method. PLOS ONE, 16(9), e0255755. https://doi.org/10.1371/journal.pone.0255755.
Mistry, J. & Berardi, A. (2016). Bridging indigenous and scientific knowledge. Science, 352(6291), 1274-1275. https://doi.org/10.1126/science.aaf1160.
Muñoz Diaz, M., & Pineda, S., & Morales, J.M. (2022). A bilevel framework for decision-making under uncertainty with contextual information. Omega, 108(3), 102575. 10.1016/j.omega.2021.102575. https://doi.org/10.1016/j.omega.2021.102575.
Olugu, E., Mammedov, Y. D., Ee Young, J. C. & Yeap, P.S. (2021). Integrating Spherical fuzzy Delphi and TOPSIS technique to identify indicators for sustainable maintenance management in the Oil and Gas industry. Journal of King Saud University - Engineering Sciences, 10.1016. https://doi.org/10.1016/j.jksues.2021.11.003.
Opricovic, S. & Tzeng, G. (2003). Defuzzification within a Multicriteria Decision Model. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 11(5), 635-652. https://doi.org/10.1142/S0218488503002387
Padilla-Rivera, A., do Carmo, B.B.T., Arcese, G., Merveille, N. (2021). Social circular economy indicators: selection through fuzzy Delphi method. Sustain. Prod. Consum, 26(2021), 101–110. https://doi.org/10.1016/j.spc.2020.09.015.
Pascual, U., Balvanera, P., Díaz, S., Pataki, G., Roth, E., Stenseke, M., et al. (2017). Valuing nature's contributions to people: the IPBES approach. Current Opinion in Environmental Sustainability, 26-27(2017), 7-16. https://doi.org/10.1016/j.cosust.2016.12.006
Ruckelshaus, M., McKenzie, E., Tallis, H., Guerry, A., Daily, G., Kareiva, P., et al. (2015). Notes from the field: lessons learned from using ecosystem service approaches to inform real-world decisions. Ecological Economics, 115(2015), 11-21. https://doi.org/10.1016/j.ecolecon.2013.07.009.
Sarmad, Z., Bazargan, A., Hejazi, E. (2007). Research methods in behavioral science. Tehran: Agah press.
Schaafsma, M., Eigenbrod, F., Gross-Camp, N., Hutton, C., Nunan, F., Schreckenberg, K, et al. (2021). Trade-off decisions in ecosystem management for poverty alleviation. Ecological Economics, 187(C), 107103. https://doi.org/10.1016/j.ecolecon.2021.107103.
Shen, Y. C., Chang, S., Lin, G. T.R., Yu, H. (2010). A hybrid selection model for emerging technology. Technol Forecast Soc Change, 77(1), 151–166. https://doi.org/10.1016/j.techfore.2009.05.001.
Singh, P.K., Sarkar, P. (2020). A framework based on fuzzy Delphi and DEMATEL for sustainable product development: a case of Indian automotive industry. J. Clean. Prod, 246(2020), 118991. https://doi.org/10.1016/j.jclepro.2019.118991.
Sitas, N., Harmackova, Z. V., Anticamara, J. A., Arneth, A., Badola, R., Biggs, R.,et al. (2019). Exploring the usefulness of scenario archetypes in science-policy processes: experience across IPBES assessments. Ecology and Society, 24(3), 35. https://www.jstor.org/stable/26796993.
Song, J.Y. Chung, E.-S. (2017). A Multi-Criteria Decision Analysis System for Prioritizing Sites and Types of Low Impact Development Practices: Case of Korea. Water, 9(4), 291. https://doi.org/10.3390/w9040291
Spangenberg, J. H. (2002). Environmental space and the prism of sustainability: Frameworks for indicators measuring sustainable development. Ecological Indicators, 2(3), 295-309. https://doi.org/10.1016/S1470-160X(02)00065-1
Tseng, Y., Huang, Y., Li, M. & Jiang, Y. (2022). Selecting Key Resilience Indicators for Indigenous Community Using Fuzzy Delphi Method. Sustainability, 14(4), 2018. https://doi.org/10.3390/su14042018.
United Nations. (2001). Indicators of Sustainable Development: Framework and Methodologies. New York
Vaishnavi, V., Suresh, M. (2020). Assessment of healthcare organizational readiness for change: a fuzzy logic approach. J. King Saud Univ. - Eng. Sci, 34, (3), 189-197. https://doi.org/10.1016/j.jksues.2020.09.008.
Wang, R. (2022). Fuzzy-based multicriteria analysis of the driving factors and solution strategies for green infrastructure development in China. Sustainable Cities and Society, 82(3),103898. https://doi.org/10.1016/j.scs.2022.103898.
Zhang, C. Tang, L. Zhang, J. (2023). Identifying Critical Indicators in Performance Evaluation of Green Supply Chains Using Hybrid Multiple-Criteria Decision-Making. Sustainability. 15(7), 6095. https://doi.org/10.3390/su15076095

فایل ها

هم رسانی

ارجاع به این مقاله

آمار