۳-۵- روش‌های پیشنهادی
از آن‌جایی که یکی از مهم‌ترین مسائل در بازی‌های همکارانه، چگونگی تقسیم دارایی کل میان بازیکنان حاضر در بازی است و راهکارهای این‌گونه بازی‌ها می‌توانند سهم هر بازیکن از کل دارایی را تعیین کنند، برای حل مسئله‌ی تخصیص پهنای باند کلی در شبکه‌ی فیبر نوری غیرفعال اترنت میان واحدهای شبکه‌ی نوری، از این راهکارها بهره گرفته‌ایم. بدین معنا که چالش تخصیص پهنای باند در دسترس ترمینال خط نوری به عنوان یک بازی همکارانه‌ی در نظر گرفته شده است. واحدهای شبکه‌ی نوری، بازیکنان این بازی هستند که می‌توانند در جهت به دست آوردن سهم مناسب، به جای رقابت با یکدیگر به طرق مختلف ائتلاف تشکیل داده و با یکدیگر همکاری کنند. در واقع برابر تعداد این واحدها است و ائتلافی که تمامی واحدها در آن عضو باشند، ائتلاف بزرگ نام دارد. منظور از ائتلاف پیروز در روش‌های پیشنهادی، ائتلافی است که به تمامی واحدهای عضو آن، سهمی از پهنای باند تعلق می‌گیرد و در مقابل به اعضای ائتلاف بازنده هیچ سهمی داده نمی‌شود. تابع مشخصه‌ی v نیز در هر کدام از روش‌ها براساس راهکار مورد استفاده، تعریف شده است و معادل سهم پهنای باند ائتلاف است. ماحصل هر کدام از روش‌های ارائه شده، بردار تخصیص است که عنصر معادل سهم واحد شبکه‌ی نوری از کل پهنای باند است. با توجه به توضیحات مطروحه، فرضیات زیر برقرارند:

• • مسئله‌ی تخصیص منبع پهنای باند در شبکه‌ی فیبر نوری غیرفعال اترنت مشابه مسئله‌ی تقسیم دارایی کل میان بازیکنان متقاضی و مدعی آن در بازی‌های همکارانه در نظر گرفته شده است.

• • N تعداد واحدهای شبکه‌ی نوری موجود در شبکه‌ی فیبر نوری غیرفعال اترنت برابر تعداد بازیکنان در بازی همکارانه است.

• • واحدهای شبکه‌ی نوری می‌توانند به طرق مختلف یک ائتلاف تشکیل داده و با هم همکاری کنند.

• • ائتلاف بزرگ ائتلافی است که تمامی واحدهای شبکه‌ی نوری در آن عضو هستند.

• • ائتلاف‌ها ممکن است برنده یا بازنده باشند. به ائتلافی برنده گفته می‌شود که به تمامی اعضای آن، سهمی از پهنای باند تعلق می‌گیرد و این تعریف در مورد ائتلاف‌های بازنده بالعکس است.

• • تابع مشخصه‌ی تعیین کننده‌ی میزان سهم ائتلاف C از پهنای باند است.

• • بردار تخصیص ) به عنوان خروجی هرکدام از روش‌های پیشنهادی، میزان سهم هر واحد شبکه‌ی نوری را از پهنای باند تعیین می‌کند.

۳-۵-۱- روش اول: دیکه
در فرهنگ یونان باستان، Dike نشانه عدالت، انصاف و درستی، روح نظم و قضاوت عادلانه است. از آن جایی که هدف این روش پیشنهادی، تخصیص پهنای باند به گونه‌ای عادلانه و منصفانه میان واحدهاست، این گونه نام‌گذاری شده است. در این روش از الگوی مقدار شپلی برای یافتن سهم هر بازیکن از منفعت کل استفاده می‌کنیم. بدین ترتیب که واحدهای شبکه‌ی نوری بعنوان بازیکنان یک بازی همکارانه در نظر گرفته می‌شوند که به جای رقابت با یکدیگر برای دستیابی به سهم بیش‌تر از منبع پهنای باند، با هم همکاری کرده و ائتلاف تشکیل می‌دهند. گام‌های این روش را می‌توان به شکل زیر در نظر گرفت:
۱- کاربران هر شبکه‌ی نوری درخواست‌های خود برای داده، تصویر، صوت و … را به واحد نوری مربوطه ارسال می‌کنند و درخواست‌ها در بافر این واحد ذخیره می‌گردد. لذا مجموع پهنای باند موردنیاز هر واحد شبکه‌ی نوری برای تامین درخواست‌های کاربران آن واحد، برابر است با معادله (۳-۱۱) :
(۳-۱۱) =
که در آن درخواست پهنای باند (پهنای باند موردنیاز) کاربر است که به واحد ارسال شده است و تعداد کاربران متصل به واحد است. لذا به ازای تمامی واحدهای شبکه‌ی نوری یا همان بازیکن بازی همکارانه خواهیم داشت . باید این نکته را متذکر شد که در صورتی که یک واحد تقاضای پهنای باندی بیش‌تر از کل پهنای باند در دسترس ترمینال را داشته باشد، برابر کل پهنای باند موجود یعنی قرار می‌گیرد.
۲- ترمینال جهت محاسبه‌ی سهم هر واحد از کل پهنای باند در دسترس، براساس تعداد واحدها () و پهنای باند موردنیاز آن‌ها ()، جدولی به نام جدول اتحاد^[۱۴۴] تشکیل می‌دهد. این جدول دارای سطر و ستون است. تعداد تمام اتحادهایی است که واحد می‌توانند تشکیل دهند و از آن‌جایی‌که یکی از اتحادها تهی است، اتحاد تهی از مجموع تعداد اتحادها حذف شده است. ستون‌های جدول اتحاد به ترتیب شامل موارد زیر می‌باشند:
ستون اول: شامل تمامی اتحادها^[۱۴۵]
ستون دوم: شامل تمامی مقادیر یا ارزش اتحادها^[۱۴۶]
ستون سوم تا آخر: سهم مرزی هر کدام از واحدها^[۱۴۷]
۳- پس از تشکیل جدول اتحاد، ترمینال باید تمامی ستون‌های این جدول را به ترتیب نام‌برده پر نماید. ستون اول جدول شامل عدد باینری رقمی است که نشان دهنده‌ی اتحادهای متفاوت میان واحدها می‌باشند بدین ترتیب که رقم اُم از سمت چپ در عدد باینری رقمی نشان دهنده‌ی حضور یا عدم حضور در اتحادِ است. برای مثال اگر ONU₁ در اتحادِ C حضور داشته باشد، رقم اول از سمت چپ یک و در غیر این صورت صفر خواهد بود. به همین ترتیب اگر عضو اتحاد باشد، رقم اُم از سمت چپ یک و در غیر این صورت صفر است. منظور از ائتلاف یا اتحاد‌های متفاوت در این روش، گروه‌های مختلفی از واحدهاست که برای تخصیص پهنای باند کلی در اختیار ترمینال، انتخاب می‌شوند و ائتلاف بزرگ به معنای تخصیص پهنای باند میان تمامی واحدهای موجود در شبکه است.
۴- ستون دوم این جدول نشان ‌دهنده‌ی مقدار اتحاد مربوط به هر اتحاد در ستون اول است، بدین معنا که هر المان از این ستون، مقدار متناظر با اتحادی که در ستون اول با عدد باینری مشخص شده است را براساس واحدهای شرکت کننده در آن اتحاد براساس معادله (۳-۱۲) تعیین می‌کند.
(۳-۱۲)
در واقع تابع مشخصه‌ی بازی همکارانه است. هدف از تعریف تابع مشخصه، تعیین میزان سودی است که هر بازیکن از شرکت در بازی و ائتلاف‌های متفاوت کسب می‌کند. در این روش تابع مشخصه برای هر ائتلاف طبق معادله‌ی (۳-۱۲) برابر است با مجموع پهنای باند موردنیاز واحدهای شرکت کننده در ائتلاف درصورتی که کم‌تر از پهنای باند در اختیار ترمینال باشد و در غیر این صورت، برابر است با کل پهنای باند در دسترس ترمینال.
۵- هرکدام از ستون‌های سوم تا آخر جدول نمایشگر سهم مرزی هرکدام از واحدها به ازای شرکت در هر ائتلاف می‌باشند. جهت محاسبه‌ی المان‌های یکی از این ستون‌ها برای داریم:
الف) به ازای تمام اتحادهایی که در آن‌ها حضور ندارد، سهم مرزی واحد شبکه‌ی نوری i به ازای آن ائتلاف C، مطابق معادله (۳-۱۳) صفر است.
(۳-۱۳)
ب) در صورتی که عضو اتحاد باشد، سهم مرزی آن مطابق رابطه (۳-۱۴) برابر است با قدرمطلق تفاضل مقدار اتحاد مربوطه از مقدار اتحادی که اعضای آن دقیقا همان اعضای اتحاد مربوطه هستند به جز .
(۳-۱۴)
۶- پس از تکمیل تمام ستون‌های جدول اتحاد، ترمینال می‌تواند با بهره گرفتن از المان‌های ستون سهم مرزی هر واحد شبکه‌‌‌‌ی نوری، ONUshare_i را به عنوان سهم آن واحد از پهنای باند در دسترس محاسبه کند. سهم طبق معادله (۳-۱۵) برابر است با میانگینِ ۳ مورد زیر:
الف) : سهم مرزی وقتی خودش به تنهایی یک اتحاد تشکیل می‌دهد.
ب): میانگین سهم مرزی در اتحادهایی که این واحد عضو آن‌هاست و تعداد اعضای اتحاد بین ۲ تا است.
ج) : میزان سهم مرزی در اتحاد بزرگ (اتحادی که تمامی واحدها در آن حضور دارند).
(۳-۱۵)
پس از محاسبه‌ی تمامی عناصر بردار تخصیص ، ترمینال این میزان سهم را به واحدها اطلاع‌رسانی می‌کند تا واحدها بتوانند عمل انتقال داده را آغاز کنند. در انتهای این مرحله میزان پهنای باند موجود برابر صفر است و پس از آزادسازی پهنای باند در اختیار واحدها، این روند از ابتدا اجرا می‌شود. روند اجرای این روش در شکل ۳-۱ بیان شده‌ است و شکل ۳-۲ شبه کد این روش را نمایش می‌دهد.
برای تبیین مفهوم روش پیشنهادی به شکلی ساده‌تر یک شبکه نوری غیرفعال اترنت شامل یک ترمینال و سه واحد شبکه نوری را در نظر بگیرید که کل پهنای باند در دسترس ترمینال Mbps 400 بوده و درخواست هر کدام از واحدها نیز به ترتیب ۱۰۰، ۲۰۰ و ۴۰۰ است. از آن جایی که مجموع پهنای باند موردنیاز واحدها از کل پهنای باند در دسترس ترمینال، بیش‌تر است، چالش تخصیص پهنای باند مطرح می‌شود. پس از ارسال درخواست‌های واحدها به ترمینال توسط پیغام گزارش، ترمینال الگوریتم دیکه را برای تعیین سهم هر واحد از پهنای باند اجرا می‌کند. بدین ترتیب که ابتدا یک جدول اتحاد شامل ۷ سطر و ۵ ستون مطابق جدول ۳-۳ تشکیل می‌دهد. ستون اول این جدول شامل تمامی ائتلاف‌های ممکن به جز ائتلاف تهی برای سه واحد شبکه‌ی نوری به شکل اعداد باینری است، برای مثال ائتلافِ ۱۰۱ به معنای ائتلافی است که واحد اول و سوم در آن عضو هستند یا ائتلاف ۰۰۱ ائتلافی است که تنها سومین واحد، عضو آن است. در این مثال اعداد باینری از ۰۰۱ تا ۱۱۱ نشان دهنده‌ی ائتلاف‌های ممکن برای سه واحد شبکه‌ی نوری است.
پس از تعیین ائتلاف‌ها در ستون دوم جدول، مقدار متناظر با هر ائتلاف، با بهره گرفتن از رابطه (۳-۱۲) محاسبه می‌گردد. برای مثال برای محاسبه‌ی ارزش ائتلاف ۱۰۱، مجموع پهنای باند موردنیاز اعضای این ائتلاف یعنی واحد اول و سوم شبکه محاسبه می‌شود، اگر این حاصل جمع از کل پهنای باند در دسترس ترمینال بیش‌تر باشد، ارزش ائتلاف برابر پهنای باند کل و در غیر این صورت برابر حاصل جمع به دست آمده است که در این مثال، ارزش ائتلاف ۱۰۱، ۴۰۰ است زیرا مجموع درخواست‌های واحدهای اول و سوم، ۶۰۰ و بیش‌تر از کل پهنای باند موجود است. به همین ترتیب ارزش ائتلاف ۰۰۱، ۲۰۰ است. پس از محاسبه‌ی ارزش تمام ائتلاف‌ها، سهم مرزی هر واحد در ستون سوم، چهارم و پنجم توسط روابط (۳-۱۳) و (۳-۱۴) به ازای هر ائتلاف پر می‌شوند. پس از تکمیل جدول با بهره گرفتن از رابطه (۳-۱۵) سهم هر واحد از پهنای باند مشخص شده که در این مثال سهم واحدها از پهنای باند کل به ترتیب برابر با ۵۰، ۱۰۰ و ۲۵۰ است. پس از تعیین سهم همه‌ی واحدها، سهم هر واحد توسط پیغام دروازه به آن اعلام می‌گردد.
جدول ۳-۳- مثالی از روش تخصیص پیشنهادی دیکه

برای گردآوری اطلاعات از استخراج داده‌ها از سیستم استفاده‌شده است . روش کتابخانه‌ای در ادبیات تحقیق و داده‌های مربوط به جمع‌ آوری اطلاعات برای تأیید یا فرضیه تحقیق بکار گرفته‌شده است .

نحوه آماده‌سازی داده‌ها
برای اجرای مدل‌های هوشمند نیاز است که در ابتدا داده‌هایی برای یادگیری مدل فراهم شود. تا با بهره گرفتن از این داده‌ها مدل آموزش داده شود و سپس مدل آموزش‌دیده در عمل به‌کاررفته شود. درصورتی‌که داده‌هایی که در این مرحله به دست می‌آید فاقد نویز و دارای کیفیت مطلوب باشد مرحله بعدی که فاز یادگیری مدل است به‌خوبی انجام می‌شود و دقت مدل زیاد می‌شود، ولی درصورتی‌که این مرحله به‌درستی انتخاب نشود فاز یادگیری ممکن است که اصلاً به‌درستی صورت نگیرد. کارهای پردازشی زیادی بر روی‌داده‌ها می‌توان انجام داد که کیفیت داده‌ها به حد مطلوب برسد. برخی از مهم‌ترین آن‌ها را در ادامه نام می‌بریم(Kamber and Han 2011) (صنیعی آباده ۱۳۹۱).

جمع‌ آوری داده و یکسان کردن داده‌ها
در این مرحله از آماده‌سازی، باید داده‌ها را از منابع مختلف جمع‌ آوری کرده و آن‌ها را به‌صورت یک فرم یکسان درآوریم. برای مثال اگر داده‌های ما روی چندین سرور پراکنده‌شده‌اند آن‌ها را باید جمع‌ آوری کرده و در یک سرور قرار داد.

پاک‌سازی داده
بعدازاینکه داده‌ها جمع‌ آوری شدند باید آن‌ها را ازلحاظ کیفیت بررسی کنیم و درصورتی‌که مشکلاتی در آن‌ها وجود داشته باشد آن‌ها را پاک‌سازی کنیم. در مرحله پاک‌سازی باید به موارد زیر توجه داشته باشم.
الف - حذف نویز: هرگونه تغییر و تخریب غیرعمدی که ماهیت اصلی داده‌ها را از بین ببرد به‌عنوان نویز شناخته می‌شود و باید آن‌ها را از بین برد.
ب - نمونه‌های پرت: داده‌هایی هستند که مقادیر آن‌ها در یک یا چند ویژگی با بقیه نمونه‌‌ها دارای اختلاف فاحشی است. قرار دادن این نمونه‌ها در مدل‌های یادگیری می‌تواند مدل را دچار اشتباه کند. برای مثال اگر سن ورودی افرادی که در کنکور شرکت کرده‌اند را در نظر بگیریم و یک نفر در سن ۹۰ سالگی در کنکور شرکت کرده باشد به‌عنوان داده پرت شناخته می‌شود. باید توجه داشت که داده‌های پرت را از داده‌های نویز دار تشخیص داد. زیرا در بعضی موارد هدف پیدا کردن همین داده‌های پرت می‌باشد.
ج - مقادیر مفقودشده: در برخی از رکوردها ممکن است مقادیر یک یا چند ویژگی به دلایلی وجود نداشته باشد، وجود مقادیر گم‌شده در داده‌ها به صورت‌های مختلف می‌تواند شکل پذیرد. برای مثال ممکن است افراد از واردکردن سن و وزن خود اجتناب کنند.
برای رفع مقادیر مفقودشده روش‌هایی وجود دارد که عبارت‌اند از:
حذف کردن: در این روش کل رکوردی که دارای مقدار مفقودشده در یک یا چند ویژگی است حذف می‌شود.
تخمین زدن: در این روش مقادیر مفقودشده، با روش‌های ابتکاری تخمین زده می‌شود. زمانی که ویژگی‌ها باهم، هم‌بستگی داشته باشد می‌توانیم از این ‌روش استفاده کنیم.
نادیده گرفتن: رکوردهایی که حاوی ویژگی‌های مفقودشده هستند، نادیده گرفته می‌شوند.
جایگزین کردن: در این روش مقادیر مفقودشده با یک مقدار پر خواهد شد. برای داده‌های کم و گران‌بها می‌توان از این ‌روش استفاده کرد. می‌توان از مقادیر تصادفی، مقادیر از قبل تعیین‌شده، میانگین مقادیر، تخمین از روی بقیه مقادیر استفاده کرد.
د - داده‌های تکراری: داده‌هایی هستند که رکوردهای آن‌ها بار اطلاعاتی جدیدی ندارد و اطلاعات در آن‌ها تکرار زیادی دارد. این رکورد‌ها باید از مجموعه داده‌ها حذف شوند.

انتخاب ویژگی
انتخاب زیرمجموعه‌ای، از ویژگی‌ها است، از بین تمام ویژگی‌هایی که وجود دارد برخی از آن‌ها هستند که بار اطلاعاتی زیادی ندارد و وجود آن‌ها در الگوریتم‌ها نمی‌تواند تأثیرگذار در نتایج آن باشد. برای مثال اگر تمام کسانی که ثبت‌نام کرده‌اند مرد باشند در نظر گرفتن ویژگی جنسیت امری بی‌مورد است. یا برای کسانی که در مدرسه ثبت‌نام می‌کنند ویژگی ضربان قلب شاید بی‌مورد باشد. وجود ویژگی که دارای محتویات داده‌ای کمتری هستند زمان اجرای الگوریتم‌‌های هوشمند را زیاد می‌کند و بهتر است آن‌ها را از مجموعه داده‌ها حذف کرد. روش‌هایی برای این کار وجود دارد که عبارت‌اند از:
روش ناآگاهانه: تمام زیرمجموعه‌های ویژگی‌ها انتخاب، و الگوریتم موردنظر روی بخشی از آن انجام می‌شود.
روش توکار: در این روش به‌صورت هم‌زمان در حین آموزش مدل انتخاب ویژگی هم انجام می‌گیرد.
روش فیلترینگ: در این روش ابتدا مجموعه‌ای از ویژگی‌ها انتخاب و بعد الگوریتم موردنظر روی آن اجرا می‌شود.
روش انحصاری: در این روش ما تنها انتخاب ویژگی را انجام می‌دهیم و کاری به یادگیری مدل نخواهیم داشت. هدف در این کار پیدا کردن ویژگی‌ها و ارتباط بین آن‌ها است.

نمونه‌برداری
یکی از روش‌های اصلی در بین تمام نمونه است. شاید وجود تمام داده‌ها که به‌عنوان داده‌های آموزشی وجود دارند در الگوریتم‌ها نیاز نباشد و زمان آن‌ها را بیهوده بالا ببرد. منتهی نمونه‌هایی که انتخاب می‌شود باید طوری باشد که کل داده‌ها را در برگیرد. برخی از روش‌های نمونه‌برداری در زیر آورده شده‌اند:
نمونه‌برداری تصادفی ساده: با یک تابع احتمالی داده‌ها انتخاب می‌شوند. در این حالت احتمال انتخاب هر نمونه با بقیه یکسان است.
نمونه‌برداری متوازن: از نمونه‌هایی که در مجموعه داده وجود دارد با همان نسبتی که درداده‌ها وجود دارد انتخاب شود. برای مثال اگر کار دسته‌بندی انجام می‌دهیم و ۳۰۰ نمونه مثبت و۷۰۰ نمونه منفی داریم و می‌خواهیم ۱۰۰ نمونه انتخاب کنیم این نسبت باید حفظ شود(۳۰ نمونه مثبت و ۷۰ نمونه منفی). الگوریتم‌‌های مختلفی برای نمونه‌برداری وجود دارند که عبارت‌اند از:
نمونه‌برداری بدون جایگزین: در این روش هر رکوردی که انتخاب می‌شود از مجموعه رکوردهای انتخابی حذف می‌شود.
نمونه‌برداری با جایگزینی: هرگاه رکوردی انتخاب می‌شود آن رکورد از مجموعه حذف نخواهد شود و احتمال انتخاب دوباره آن وجود دارد.

تبدیل داده
در عملیات تبدیل داده از یک تابع استفاده‌شده است و کل مجموعه ویژگی‌ها را به مجموعه جدیدی از مقادیر نگاشت می‌کند. این کار به این صورت است که هر یک از مقادیر در مجموعه داده‌ها به مقادیر دیگر بر طبق یک تابع مانند یا تبدیل می‌شود. نکته‌ای که وجود دارد این است که باید از توابعی استفاده کنیم که مقدار جدید را بتوان به مقدار قبلی برگرداند. برخی از این تبدیل‌ها عبارت‌اند از:
خلاصه‌سازی کردن: داده‌ها جمع و خلاصه‌سازی می‌شود. برای مثال فروش داده‌های روزانه به ماهانه و یا سالانه تبدیل می‌شود.
تعمیم دادن: تعمیم دادن داده‌ها با یک مفهوم به سطحی بالاتر تعمیم داده شود. برای مثال تبدیل سن افراد که به‌صورت عددی واردشده به مفاهیمی مانند جوانی، میان‌سالی و یا نوجوانی تبدیل کنیم.
نرمال‌سازی: توابعی وجود دارند که داده‌ها را به شکلی جدید تبدیل می‌کنند مانند max-min.(Jiawei and Kamber 2006)
علت استفاده از این دوره زمانی در وهله اول به خاطر در دسترس بودن و در وهله دوم به دلیل کافی بودن تعداد آن‌ها به‌اندازه‌ای که بتوان هم شبکه را آموزش داده و آزمایش نمود می‌باشد .
بنابراین بعد از جمع‌ آوری داده‌ها یکسری عملیات آماده‌سازی روی آن‌ها انجام گردید ابتدا کنترل اینکه قلمی جا نیفتاده باشد و یا این‌که عددی به‌اشتباه درج نشده باشد در مرحله بعد داده‌ها در دو بازه (۰و۱) و (۱ و-۱) مقیاس بندی و نرمال شده‌اند .
نرمال‌سازی یا مقیاس بندی داده‌ها معمولاً به نحوی صورت می‌گیرد که میانگین سری زمانی صفر و انحراف معیار برابر یک گردد (جانوس کویشیوس ، ۲۰۰۳) برای این منظور از فرمول زیر استفاده گردیده است:
:مقدار داده در مقیاس جدید
:مقدار داده خام
Scaleو offset از طریق فرمول زیر محاسبه می‌شوند .
: ماکزیمم هدف ، که در اینجا( )
: مینیم هدف ، که در اینجا ( )
: ماکزیمم داده‌های خام
: مینیم داده‌های خام

^**۶۹۶/۰

۲۴۷/۰

۱

۲۱

ادغامفکروعملاحتمال برای خود

^**۴۸۳/۰

^**۴۹۲/۰

۳۳۶/۰

^*۴۴۶/۰

^*۳۹۷/۰

^**۴۶۷/۰

^**۶۳۸/۰

^**۵۰۸/۰

^**۴۷۳/۰

^**۴۵۷/۰

^**۵۵۶/۰

^**۴۶۴/۰

۳۵۴/۰

^*۴۵۷/۰

^*۴۵۳/۰

۲۹۶/۰

^**۵۱۷/۰

^**۷۱۷/۰

۲۹۲/۰

^**۸۸۲/۰

۱

* P<05/0
**P<01/0

فرضیه اول پژوهش: میان وسواس مذهبی – اخلاقی و نشانه های وسواس فکری - عملی رابطه مثبت و معنادار وجود دارد.

همانطور که در جدول ۲۲-۴ مشاهده می‌شود، میان نمره کل وسواس فکری - عملی و نمره کل وسواس مذهبی- اخلاقی همبستگی مثبت و معنا دار وجود ندارد (NS = P , 312/0= r) . بنابراین فرضیهی اول پژوهش مبنی بر رابطه مثبت و معنا دار میان وسواس فکری عملی و نشانه ی وسواس فکری رد می‌شود. همچنین نتایج نشان می‌دهد که رابطه نشانه ی وسواس فکری - عملی با هیچ یک از زیر مقیاس‌های وسواس مذهبی – اخلاقی (ترس از خدا و ترس از گناه) معنا دار نیست. به علاوه از میان نشانه‌های وسواس فکری – عملی، تنها وسواس فکری با وسواس مذهبی – اخلاقی دارای رابطه معنادار است(r=0/564 , P<0/01 ) و هیچکدام از سایز نشانه های وسواس فکری- عملی (احتکار، وارسی، نظم و ترتیب، خنثی سازی، شستشو) با وسواسی مذهبی- اخلاقی و زیر مقیاسهای آن رابطه معنادار ندارند.
برای بررسی نقش نشانهی وسواس فکری- عملی در پیش بینی وسواس مذهبی- اخلاقی از تحلیل رگرسیون استاندارد استفاده شد. در این تحلیل نمره کل وسواس فکری- عملی به عنوان متغیر پیش بین و نمره کل وسواس مذهبی – اخلاقی به عنوان متغیر ملاک وارد معادله رگرسیون شدند. نتایج این تحلیل در جداول ۲۳- ۴ و ۲۴-۴ قابل مشاهده است.
جدول ۲۳-۴ تحلیل رگرسیون وسواس مذهبی – اخلاقی بر نشانهی وسواس فکری - عملی

متغیر

منابع متغیر

مجمع مجذورات

درجه آزادی

میانگین مجذورات

:H₁ توزیع داده ­های عامل فرسودگی شغلی نرمال نیست.
جدول۴‑۴ نتایج مربوط به آزمون نرمال بودن عامل­ها

نتایج مربوط به انجام این آزمون برای هر یک از داده ­ها در جدول ۴-۴ آمده است، همانطور که از جدول مشخص است با توجه به سطح معناداری، با احتمال ۹۵% می­توان ادعا کرد که توزیع داده ­های مربوط به تمامی عامل‌ها نرمال است، بنابراین برای تحلیل عامل­های نرمال از آزمون­های پارامتریک و برای عامل­های غیر نرمال از آزمون­های ناپارامتریک استفاده خواهد شد.

۴-۲-۲-۲ تحلیل عاملی تأییدی مدل­های اندازه ­گیری
قبل از وارد شدن به مرحله آزمون فرضیات لازم است از صحت مدل­های اندازه ­گیری متغیر­های پژوهش اطمینان حاصل کنیم. لذا در ادامه مدل­های اندازه ­گیری این متغیر­ها به ترتیب آورده شده است. در این پژوهش تحلیل عاملی تأییدی با بهره گرفتن از تحلیل عاملی مرتبه اول و تحلیل عاملی مرتبه دوم صورت گرفته است. این تحلیل توسط مدل معادلات ساختاری و با بهره گرفتن از نرم­افزار LISREL انجام شده است.
در بررسی هر کدام از مدل­ها سؤال اساسی مطرح شده این است که آیا این مدل­های اندازه ­گیری مناسب است؟ که برای پاسخ به این پرسش معیار­هایی وجود دارد که در ادامه به توضیح هر یک از این معیار­ها پرداخته شده است.
۴-۲-۲-۲-۱ معیار RMSEA
ریشه میانگین مجذورات تقریب می­باشد. این معیار به عنوان اندازه تفاوت برای هر درجه آزادی تعریف شده است. مقدار RMSEA که به واقع همان آزمون انحراف هر درجه آزادی است. برای مدل ­هایی که برازندگی خوبی داشته باشند، کمتر از ۰۵/۰ است. مقادیر بالاتر از آن تا ۰۸/۰ نشان­دهنده خطای معقولی برای تقریب در جامعه است. مدل­هایی که RMSEA آن­ها ۱/۰ یا بیشتر باشد، برازش ضعیفی دارند (هومن، ۱۳۹۰).
۴-۲-۲-۲-۲ آزمون
آزمون ^۲ به سادگی نشان می­دهد که آیا بیان مدل، ساختار روابط میان متغیر­های مشاهده شده را توصیف می­ کند یا خیر. هر چقدر مقدار ^۲ کوچکتر باشد بهتر است. که تعدیل­یافته ^۲ است نیز به عنوان یک معیار تناسب تطبیق و تعدیل آن با اندازه نمونه است. بهتر است که مقادیر این آماره کمتر از ۳ باشد.
۴-۲-۲-۲-۳ معیار PMR
این معیار تحت عنوان ریشه میانگین مجذور باقیمانده (شاخصی برای واریانس باقیمانده در برازش هر پارامتر به داده ­های نمونه) یا تحت عنوان متوسط باقیمانده­های گزارش شده در مدل، بیان می­ شود. معیار PMR معیاری است برای اندازه ­گیری متوسط باقیمانده­ها و تنها در ارتباط با واریانس­ها و کوواریانس­ها قابل تغییر است (سرمد و دیگران، ۱۳۷۷). در مدلی که نیکویی برازش خوبی دارد، این باقیمانده­ها بسیار کوچک هستند، پس به طور خلاصه این معیار هر قدر کوچکتر باشد (به صفر نزدیکتر باشد) حاکی از برازش بهتر مدل است.
۴-۲-۲-۲-۴ معیار­های AGFI و GFI
لیزرل یک شاخص نیکویی برازش یعنی نسبت مجموع مجذورات تبیین شده توسط مدل به کل مجموع مجذورات ماتریس برآورد شده در جامعه محاسبه می­ کند. این شاخص از لحاظ مطلوبیت به ضریب همبستگی شباهت دارد. هر دوی این معیار­ها بین صفر تا یک متغیر هستند. هرچه AGFI و GFI به عدد یک نزدیکتر باشند، نیکویی برازش مدل با داده ­های مشاهده شده بیشتر است.
۴-۲-۲-۲-۵ معیار­های NFI، NNFI و CFI

جامعه و نمونه آماری
جامعه آماری، داده ­های آماری بخش کشاورزی ایران به صورت سالانه در بازه زمانی ۱۳۸۷-۱۳۵۲ می­باشد.

محدودیت­های تحقیق
در این تحقیق ما علاقمند به بکارگیری داده ­ها در بازه زمانی طولانی­تر بوده­ایم چرا که این امر موجب کاهش تورش نتایج خواهد شد و تصویر دقیق­تری از حقایق اقتصادی کشور ارائه می­دهد. از سوی دیگر در این تحقیق از روش آزمون کرانه­ها استفاده گردیده که برای بازه زمانی مورد استفاده در این تحقیق نتایج بدون تورش ارائه می­نماید، با این وجود ما علاقمند به بکارگیری داده ­های بعد از سال ۱۳۸۷ بوده­ایم که طبق آنچه که یافته­ایم داده ­های مورد نظر برای بعضی از متغیرها انتشار نیافته است.

فصل دوم
ادبیات تحقیق

مقدمه
در این فصل ابتدا به مفهوم بهره­وری اشاره می­ شود و شاخص­ های بهره­وری مورد ارزیابی قرار می­گیرد. سپس مبانی نظری چگونگی اثرگذاری مخارج دولت بر بهره­وری کل عوامل تولید در بخش کشاورزی به صورت خلاصه مورد بررسی قرار می­گیرد و در گام بعد مطالعات مرتبط با موضوع تحقیق در داخل و خارج کشور به صورت خلاصه مورد مطالعه قرار می­گیرد.

مفهوم بهره­وری
از نظر عملیاتی، بهره­وری به معنی نسبت ستاده واقعی به نهاده­های واقعی است. بنابراین، افزایش بهره­وری به معنی تولید بیشتر با مقادیر معین و ثابتی از نهاده­ها، و یا افزایش تولید با نرخی بیشتر از نرخ افزایش نهاده­هاست. به بیان دیگر، بهره­وری به معنی متوسط تولید به ازای هر واحد از کل نهاده­هاست. اگر متوسط تولید به ازای هر واحد از نهاده­ها افزایش یابد به مفهوم افزایش بهره­وری و عکس آن به معنی تنزل بهره­وری می­باشد. در این مفهوم، بهره­وری شاخص استفاده مؤثر، مفید و کارا از منابع گوناگون است (امینی و حجازی آزاده، ۱۳۸۷).
در شرایطی که جمعیت کشور و خواسته ­ها و نیازهای افراد در حال افزایش است، افزایش تولید امری اجتناب ناپذیر است. افزایش تولید از طریق افزایش سطح کمی عوامل تولید به دلیل کمیابی منابع تا میزان معینی امکان­ پذیر بوده و تولید از آن مقدار نمی­تواند تجاوز نماید. اگر تغییر فنی در نهاده­ها تجسم یابد، افزایش استفاده از نهاده­ها می ­تواند به انتقال منحنی تولید به طرف بالا منجر شود و در نتیجه حداکثر تولید قابل حصول ارتقا می­یابد. در این شرایط گفته می­ شود بهبود بهره­وری در اقتصاد رخ داده است. در صورتی که کاهش بهره­وری وجود داشته باشد، در این صورت تابع تولید به طرف پایین منتقل شده و مبین عدم کارایی در استفاده از نهاده­هاست.
یکی از مهمترین اثرهای بهبود بهره­وری، افزایش نرخ رشد تولید است. اگر همراه با رشد استفاده از نهاده­ها، بهره­وری نیز افزایش یابد، رشد تولید بیشتر خواهد بود. بنابراین، رشد بهره­وری می ­تواند موجب تسریع رشد تولید گردد. رابطه زیر نقش رشد بهره­وری را در افزایش رشد تولید نشان می­دهد:

که در آن ، ، و ، به ترتیب معرف نرخ­های رشد تولید، اشتغال، سرمایه و بهره­وری کل عوامل و پارامترهای و نیز به ترتیب کشش­های تولیدی کار و سرمایه هستند. همان طوری که از رابطه فوق مشخص است، هر چقدر رشد بهره­وری بیشتر باشد، رشد تولید نیز بالاتر خواهد بود. از این رابطه می­توان سهم رشد بهره­وری را از رشد تولید اندازه ­گیری نمود. بدین منظور کافی است، رشد بهره­وری کل عوامل را بر رشد تولید تقسیم نماییم. هر چقدر این نسبت بالاتر باشد حاکی از عملکرد مطلوب اقتصاد در زمینه استفاده بهینه از منابع تولید است. به عنوان مثال این نسبت در اقتصاد ژاپن در دوره ۲۰۰۲-۱۹۹۳ حدود ۱/۴۷ درصد بوده است. بنابراین برای افزایش رشد اقتصادی، تولید سرانه و رفاه اقتصادی جامعه لازم است به بهبود بهره­وری به عنوان منبع اصلی رشد اقتصادی توجه کافی مبذول گردد. در این ارتباط باید به این نکته اشاره کرد که بهبود بهره­وری از طریق کاهش هزینه­ها، افزایش رقابت­پذیری و توسعه صادرات به افزایش رشد اقتصادی کمک می­ کند.
ارتقای بهره­وری بر پدیده ­های اصلی اقتصادی، اجتماعی و سیاسی جامعه مانند کاهش تورم، افزایش سطح رفاه عمومی، افزایش سطح اشتغال و توان رقابت سیاسی و … تأثیرات وسیعی دارد. در حال حاضر تقریباً تمامی کشورهای توسعه ­یافته و بسیاری از کشورهای در حال توسعه موفق، سرمایه ­گذاری زیادی را در جهت ارتقای بهره­وری در سطوح ملی، منطقه­ای، بخشی، مؤسسات، سازمان­ها و حتی افراد انجام داده و رشد و توسعه روزافزون خود را مرهون توجه و نگرش صحیح به این مسئله می­دانند (عبدالله­نژاد، ۱۳۹۰).

شاخص­ های بهره­وری
به طور کلی، شاخص­ های بهره­وری به دو دسته کلی شاخص­ های بهره­وری جزئی و کلی عوامل تولید تقسیم ­بندی می­شوند. در شاخص­ های بهره­وری جزئی به ارتباط ستاده با یک نهاده توجه می­ شود، در حالیکه در شاخص­ های بهره­وری کلی عوامل تولید ارتباط ستاده با کل نهاده­ها بررسی می­ شود. در این باره، ابتدا شاخص­ های بهره­وری جزئی را که ساده­تر است معرفی کرده، و سپس شاخص­ های بهره­وری کلی عوامل تولید را تجزیه و تحلیل می­کنیم.

شاخص­ بهره­وری جزئی عوامل تولید^[۳]
این شاخص ­ها که از دیرباز مورد استفاده محققان قرار گرفته بیشتر از نوع ساده ارزش افزوده در واحد کار (یا واحد ساعت) و یا واحد سرمایه بوده است که به آن شاخص بهره­وری نیروی کار و سرمایه می­گویند. به طور کلی، شاخص­ های بهره­وری جزئی از تقسیم ارزش افزوده بر مقدار یک نهاده معین به دست می ­آید. همچنین برای خارج کردن اثر تورم لازم است ارزش افزوده به قیمت ثابت سال پایه مورد استفاده قرار گیرد. شاخص­ های بهره­وری جزئی عوامل تولید، همراه با قیمت عوامل، در توضیح تغییرات در هزینه کار و سرمایه در واحد تولید اهمیت خاصی دارند. به عبارت دیگر، این شاخص ­ها در نشان دادن صرفه­جویی­هایی که به مرور زمان در هر یک از عوامل در واحد تولید حاصل می­گردد مفید هستند­.
اما به هر حال، این نسبت­های بهره­وری، بهره­وری تک تک عوامل تولید را معین نمی­کنند و از سوی دیگر بهره­وری کلی عوامل تولید را نیز نشان نمی­دهند. به عنوان مثال افزایش بهره­وری نیروی کار دو چیز را مشخص می­نماید:
اول، صرفه­جویی که برای هر واحد تولید در ساعات کار و یا تعداد کارگران به علت افزایش بهره­وری کلی عوامل تولید حاصل شده است.
دوم، جانشینی کالای سرمایه­ای (ماشین آلات) به جای کار کارگران که این جانشینی می ­تواند معلول سه عامل باشد:
۱- تغییر در قیمت­های نسبی عوامل تولید
۲- تغییر در ترکیب تولید کالاها و افزایش سهم تولید کالاهای سرمایه­بر
۳- تغییر در تکنولوژی (فناوری) مورد استفاده در جهت استفاده از تکنیک­های سرمایه­بر
بنابراین، می­توان نتیجه گرفت که تغییرات در شاخص بهره­وری جزئی عوامل تولید نمی­تواند تماماً تغییر در کارایی آن عامل به حساب آید. این تغییر در بهره­وری کل عوامل تولید است که برآیند تغییر در کارایی تمامی عوامل تولید را در بر دارد (عبدالله­نژاد، ۱۳۹۰).

شاخص بهره­وری کل عوامل تولید^[۴]
بهره­وری کلی عوامل تولید از نسبت ستاده بر کل نهاده­ها به دست می ­آید. برای اندازه ­گیری این نسبت روش­های متفاوتی وجود دارد. یکی از این روش­ها که معروف به روش مستقیم محاسبه بهره­وری کل عوامل تولید است، بدون استفاده صریح از تابع تولید اقدام به برآورد شاخص TFP می­نماید. در این روش­ها، به دلیل اینکه واحد­های اندازه ­گیری نهاده­های به کار رفته در فرایند تولید متفاوت هستند (نظیر نیروی کار و سرمایه)، با بهره گرفتن از تکنیک­های خاصی عمل جمع­سازی^[۵] نهاده­ها را انجام می­ دهند و یک شاخص از کل نهاده­ها می­سازند. دومین روش که مبتنی بر استفاده صریح از تابع تولید است، با در نظر گرفتن فرم تابعی معین و با انجام عملیات ریاضی بر روی تابع تولید به برآورد شاخص TFP می ­پردازد.

روش­های مستقیم محاسبه شاخصTFP
در این روش مشکل اصلی، جمع­کردن انواع مختلف نهاده­هاست که واحد­های اندازه ­گیری متفاوتی دارند (نظیر نیروی کار و سرمایه). یکی از این روش­ها که کندریک^[۶] آن را پیشنهاد کرده مبتنی بر میانگین وزنی کار و سرمایه است. کندریک از یک تابع تولید ضمنی برای تخمین تغییرات در بهره­وری استفاده نمود. شاخص بهره­وری کل عوامل تولید او به صورت زیر تعریف می­ شود: