مثبت کاذب (FP^[29]) : تعداد نمونه­های غیر استراتژی که به اشتباه استراتژی پیش بینی شده اند.
منفی کاذب (FN^[30]): تعداد نمونه­های استراتژی که به اشتباه استراتژی غلط پیش بینی شده اند.
منفی صحیح (TN^[31]) : تعداد نمونه­هایی که غیر استراتژی بوده ­اند و به درستی پیش بینی شده که استراتژی غلط هستند.
چند معیار کارایی از ماتریس درهم بدست می ­آید که در زیر تشریح می­شوند:
Precision : درصد درستی الگوهایی که شناسایی شده اند.
(۲-۱)
: Accuracy درصد نمونه­های الگو و بدون الگویی که به درستی با نام الگو یا بدون الگو شناسایی شده ­اند.
(۲-۲)
نرخ مثبت صحیح (TPR) : درصد الگوهایی که به درستی شناسایی شده ­اند ( همان Recall است) .
(۲-۳)
معیارهای فوق در این تحقیق به منظور ارزیابی دو عملگر پالایش و تصحیح برچسب استفاده می­شوند.

 

• • 1. 1. جمع بندی

     

     

 

در این فصل به طور خلاصه چند طبقه بند که برای ساخت مدل در این تحقیق استفاده شده است، بررسی گردید. در نهایت هم معیارهای ارزیابی مدل­ها ارائه گردید.

فصل سوم

 

1. 1. مروری بر تحقیقات پیشین

      1. 1. مقدمه

       

       

 

محققان بسیاری در زمینه­ خودکار یا نیمه خودکار­سازی شناسایی الگوهای طراحی از کد منبع یا طراحی کار کرده ­اند. در ادامه این بخش، به طور خلاصه بر برخی از تحقیقاتی که از نظر هدف و یا شیوه کار شباهت بیشتری به تحقیق ما دارند مروری خواهیم داشت.
کارهای مرتبط
در سال ۱۹۹۸ [۱۰] یک روش سه مرحله­ ای برای شناسایی الگوها ارائه شد. ابتدا از طریق محاسبه­ مقادیر یک سری معیارهای عام شی­گرا، نظیر شمارش تعداد صفات، تعریف­ها، و … برای هر کلاس موجود در کد و هر نقش الگوی مورد جستجو، کاندیدهای هر نقش شناسایی شد. در گام اول، فضای جستجو (از طریق حذف کلاسهایی که کاندید نشدند) تا حد زیادی کاهش داده شد. در مرحله دوم از طریق مسأله­ کوتاهترین مسیر، نزدیکترین مسیر بین کاندیدهایی که می­توانند به هم مرتبط شوند، شناسایی شد. سپس هر ترکیب بدست آمده از مرحله دوم به عنوان کاندیدهای الگوی مورد جستجو شناخته شد. در مرحله سوم به دلیل وجود مثبت کاذب بسیار زیاد در مرحله دوم، از محدودیت واگذاری مسئولیت استفاده شد. چنانچه الگویی باید این محدودیت را داشته باشد، ترکیب بدست آمده از مرحله دو، برای داشتن این محدودیت مورد بررسی قرار داده شد، چنانچه چنین محدودیتی نداشت آن ترکیب حذف می­شد. با این حال، روش [۱۰]، میزان مثبت کاذب بالایی دارد. عیب اصلی [۱۰]، در محوریت اصلی کارشان، استفاده از معیارهای عام شی­گرایی بود که از پایه با هدف سنجش الگوها استخراج نشده بودند.
درسال ۲۰۰۵ [۴]، بجای ابداع یک ابزار جدید، یک روش پالایش ابزار خودکار ارائه داد. ورودی پالایش، خروجی ابزار ۲۰۰۳ [۳] بود که توسط خودشان ابداع شده بود و میزان مثبت کاذب بالایی داشت. در[۴]، براساس انعطاف­پذیری­ها و تنوع پیاده­سازی­های هر الگو، یک سری معیار استخراج شد. این معیارها از پایه با هدف سنجش و بررسی حضور الگوها استخراج شدند. روش کار به این صورت بود که خروجی بدست آمده از ابزار[۳]، به صورت دستی تجزیه و تحلیل شد، و هر نمونه­ شناسایی شده، مورد بازبینی قرار گرفت. بطوریکه اگر نمونه به درستی شناسایی شده بود، برچسب درست، و اگر ابزار در شناسایی آن دچار اشتباه شده بود، برچسب نادرست می­گرفت. سپس یک مجموعه داده تهیه شد. نمونه­ها به عنوان رکوردهای آن، معیارها به عنوان صفات توصیف کننده نمونه­ها، و هویت آنها (درست و نادرست) به عنوان ستون خروجی مجموعه داده قرار گرفت. نهایتا با بهره گرفتن از الگوریتم­های داده ­کاوی و مقادیر معیارها روی نمونه­ها، یک سری قوانین استخراج شد که با کمک آنها می­توان نمونه­های ناشناخته در مجموعه داده را تعیین هویت کرد.
کار[۴] انجام شد تا، نمونه­های مثبت کاذب ابزار شناسایی، و از خروجی حذف شوند. پالایش [۴]، خروجی [۳] را تاحد زیادی بهبود داد، اما معیارهای [۴]، تنها بر اساس تنوع پیاده­سازی­های یک الگو استخراج شده بودند و ساختار و عملکرد مشابه الگوهای دیگر در تولید معیارها در نظر گرفته نشده بودند. از طرفی با اینکه حذف نمونه­های مثبت کاذب خروجی مطمئن­تری را در اختیار توسعه دهنده قرار می­دهد، در همان حال، خیلی از اطلاعات را نیز از بین می­رود.
فرانسیسکا و همکارانش [۱۲][۱۱] ابزاری تحت نام مارپل متشکل از پنج ماژول اصلی را توسعه دادند. این ابزار نه تنها فعالیت شناسایی الگوهای طراحی را بلکه بازسازی^[۳۲] معماری نرم افزار را نیز پشتیبانی می­ کند. اولین ماژول آن، موتور شناسایی^[۳۳] اطلاعات نامیده می­ شود این ماژول مدلی از سیستم می­سازد و یک سری معیارها و ساختارهای ریز را جمع آوری می­ کند. دومین ماژول که وصل کننده ^[۳۴] نامیده می­ شود تمام کاندیدای الگوهای طراحی که معیارهای یک تعریف داده شده از هر الگو را برآورده می­ کنند استخراج می­ کند. سومین ماژول، طبقه بندی است که کمک می­ کند مثبت کاذب های بخش قبلی را شناسایی کرده و شباهت آنها را با پیاده سازی­های صحیح هر الگوی مورد نظر، با انتساب مقادیر اطمینان مختلف^[۳۵] مورد سنجش قرار می­دهد. دو ماژول آخر جهت بازسازی معماری نرم افزار مورد استفاده قرار می­گیرند. معیارهای اندازه گیری شده توسط مارپل، معیار­های شی­گرایی هستند که در تولید بعضی از منظر­های معماری بهره­ گیری می­شوند. بخش یادگیری ماشین از فرایند شناسایی، توسط ماژول سوم پیاده سازی می­ شود که کاندیدای استخراج شده از ماژول دوم را به عنوان ورودی می­گیرد و سپس از الگوریتم­های گروه­ بندی^[۳۶] و طبقه بند موجود در نرم افزار weka^[37] برای پالایش کردن نمونه­های مثبت کاذب استفاده می­ کند. عملیات پالایش این شیوه با محاسبه نمره مشابهت بین نمونه صحیح هر الگو با کاندیدای شناسایی شده انجام می­گیرد. نمره دهی بر حسب مشابهت، به ساختار پایه الگو بسیار محدود می­ شود درحالیکه الگوهای طراحی در خیلی از موقعیت­ها از ساختار پایه­ خود به دلیل انعطاف پذیری که دارند، دور می­شوند.
ستورا و همکارانش [۱۳] شیوه­ای را ارائه دادند که بر اساس آن، کاندیدای نقش­هایی که ترکیب آنها کاندیدهای الگوها را تشکیل می­دهد، با اندازه ­گیری یک سری معیار­ها و تکنیک­های داده ­کاوی، جستجو می­ شود. سپس با آنالیز رابطه­ بین کلاسی کاندید­ها، الگوی مورد نظر شناسایی می­ شود. در این شیوه سعی می­ شود الگوهایی که ساختار مشابهی به یکدیگر دارند از هم تشخیص داده شوند، اما در واقع معیارهای استخراج شده برای الگوهایی با ساختار مشابه را دقیقا یکسان در نظر گرفته­اند و آنها را در یک گروه شناسایی می­ کنند. در این روش از تکنیک شرایط محدود کننده استفاده نمی­ شود و خصوصا به همین دلیل روششان آماده پذیرش مثبت کاذب بسیاری می­باشد.
تی سن تا لیس و همکارانش [۱۲][۹] ابزاری به نام ^[۳۸]SSAارائه دادند. در SSA از یک الگوریتم نمره­دهی که نمره­ مشابهت هر زیر گراف سیستم را (فضای جستجو) با هر گراف الگوی مورد جستجو محاسبه می­کرد، استفاده شد. چون الگوریتم SSA خواص انتقال را در ارث بری و واگذاری مسئولیت در نظر می­گیرد، تنوع پیاده­سازی­های یک الگو که از ساختار پایه خود فاصله گرفته­اند را نیز شناسایی می­ کند. SSA درصد بازیابی بالایی دارد، تعداد زیادی از الگوهای موجود را شناسایی می­ کند، به راحتی قابل استفاده است، و همچنین سرعت بالایی دارد. اما بدلیل اینکه الگوریتم SSA تنها بر قواعد ساختاری تاکید دارد، الگوهایی که ساختار یکسانی دارند و تنها در رفتار متفاوت می­شوند، و یا آنهایی که عملکرد مشابهی دارند، توسط SSA قابل متمایز شدن نیستند و SSA آنها را در یک گروه شناسایی می­ کند (مثل “وضعیت/ استراتژی").
شی و همکارانش [۵] ابزاری به نام ^[۳۹]PINOT ارائه دادند. در تولید ­ PINOT از این اصل استفاده شد،" باتوجه به اینکه هر الگوی طراحی باید هدف مشخصی را برآورده کند، بنابراین باید ازآن هدف، یک تعریف عملی در پیاده­سازی آن الگو وجود داشته باشد“. در [۵] سعی شد تا تعریف عملی مربوط به هدف هر الگو از پیاده­سازی آن الگو بیرون کشیده شود، سپس PINOT برای شناسایی الگوها، تعاریف عملی بیرون کشیده شده را به عنوان محدودیت­های اجباری با آنالیز ایستا، جستجو ­کند. PINOTدرصد بازیابی بالایی دارد، تعداد زیادی از الگوها را شناسایی می­ کند، سرعت کمتری نسبت به SSA دارد، و همانند SSA توانایی متمایز کردن الگوها با ساختار و عملکرد مشابه را ندارد. در این تحقیق از دو ابزار SSA و PINOT برای انجام آزمایشات بهره گیری شده است.
[۱۵] ابزاری با نام ^[۴۰]DPJF ارائه داد. در [۱۵]، برای برخی از الگوها، تعدادی محدودیت یا الزام رفتاری جهت شناسایی­شان، ارائه شد. برخی از محدودیت­های [۱۵]، ثبات و قدرت متمایز کنندگی بالایی دارند. ابزار DPJF ادعا می­ کند، صد در صد دقت دارد. اما بر اساس بررسی­ها و ارتباطات انجام شده با گروه [۱۵]، ابزار DPJF تنها الگوی یگانه^[۴۱]را با چنین دقتی شناسایی می­ کند. مثلا در مورد دقت شناسایی الگوی نماینده، برخی نمونه­های شناسایی شده توسط این ابزار بعد از بررسی و ارتباطات با این گروه مشخص شد که الگوی وضعیت هستند و نه الگوی نماینده. همچنین این ابزار هنوز برای شناسایی الگوهای با ساختار و عملکرد مشابه مثل استراتژی و وضعیت پیاده­سازی نشده است. بنابراین مشخص نیست بعد از پیاده سازی به چنین دقتی دست یابد.
در سال ۲۰۱۳ [۲۶]، در تمام مراحل فرایند شناسایی الگوهای طراحی (کاهش فضای جستجو تا شناسایی کاندیدهای هر الگو) از داده ­کاوی بهره گرفت. در مرجع [۲۶]، ابتدا از تعدادی معیار عام سطح کلاس مثل عمق ارث­بری، تعداد متدهای رونویسی شده، و … به منظور جستجوی کاندیدهای هر نقش تشکیل دهنده­ الگوی مورد نظر در میان کلاس­های موجود در فضای کد، با کمک شیوه ­های داده ­کاوی استفاده کرد. در مرحله­ بعد، با ترکیب کاندیدهای نقش­هایی که می­توانند به هم مرتبط شوند، کاندیدهای الگوی مورد جستجو استخراج شدند. سپس برای بررسی صحت یا عدم صحیت کاندیدهای مرحله دوم، یک مجموعه داده تهیه کردند. بطوریکه رکوردهای آن را کاندیدهای مرحله دو، و صفات توصیف کننده آنها را معیارهای مربوط به بررسی روابط میان کلاسی و معیارهای سطح کلاس مرحله یک تشکیل دادند. سپس برای تعیین هویت هر موجودیت (صحت یا عدم صحت ) از چهار ابزار خودکار شناسایی الگوهای طراحی استفاده شد. بطوریکه اگر حداقل دو ابزار در رابطه با یک کاندیدا رأی مثبتی داشتند، آن کاندید به عنوان نمونه صحیح در نظر گرفته می­شد. سپس از الگوریتم­های داده ­کاوی برای خودکار­سازی فرایند تعیین هویت، به منظور شناسایی درستی نمونه­های جدید استفاده کردند.
با توجه به اینکه در داده ­کاوی مهمترین عناصر، صفات توصیف کننده موجودیت­ها و صحت برچسب زنی قبل از مدل­سازی روی مجموعه داده است، ضعف کار [۲۶] دردرجه اول، در استفاده از تعداد زیاد معیارهایی است که با هدف سنجش الگوها استخراج نشده بودند، و دوم برای برچسب زنی اولیه مجموعه داده، استفاده از ابزارهای موجود شناسایی الگوهای طراحی، که دقت کاملی ندارند و بدیهی است که در فرایند برچسب زنی دچار اشتباه شوند. این روش با دقت نسبتا پایینی متوسط “۴۹%” روبرو شد.
در سال ۲۰۱۳ [۲۸]، یک روش پرس­و­جوی الگوهای طراحی از پایگاه داده ارائه کرد. محور اصلی [۲۸]، بکارگیری شیوه­ اصولی برای سست کردن پرسو­جو­ها بود، پرس­و­جو­ها به دو دسته تقسیم می­شدند، خاص و عام. خاص یعنی تبدیل خصوصیات الگو به یک پر­سو­جوی سخت برای شناسایی الگو­هایی­که از ساختار پایه فاصله نگرفته­اند و عام، تبدیل خصوصیات الگوها به یک پرسو­جوی عام تر (با بهره­ گیری از ویژگی­­های پیاده­سازی متنوع یک الگو) برای نمونه­هایی که از ساختار پایه فاصله گرفته­اند، بطوریکه بتوان تنوع نمونه­های قابل قبول الگوهای طراحی را پیدا کرد. نتایج این کار تنها برای الگوی “یگانه” ارائه شده است. مقایسه­ نتایج با دو ابزار PINOT و DPJF نشان دهنده­ بهبود کارشان نسبت به آن دو روش در تشخیص الگوی یگانه است. اما نتایج ابزار SSAکه در کارشان آورده نشده است از هر سه بهتر است.
در سال ۲۰۱۳ [۲۹]، از یک روش مقایسه­ گراف برای شناسایی الگوهای طراحی استفاده کرد. در [۲۹]، از تئوری چندریختی زیر گراف ­­­ استفاده شد. در واقع مفهوم عام مقایسه­ گراف مشخص می­ کند که آیا دو گراف یکسان هستند یا زیرگرافی از یکی در دیگری موجود است یا خیر. در [۲۹]، برای شناسایی الگوها سه حالت مقایسه را ارائه شد، حالت اول اینکه، اگر گراف الگو با گراف مدل سیستم همریخت باشد، در این صورت الگو موجود است، حالت دوم، اگر زیرگراف همریخت از الگو در گراف مدل موجود باشد، در این حالت، به صورت تقریبی الگو موجود است و حالت سوم الگو زیرگراف هم ریخت از گراف مدل نیست که در چنین حالتی الگو موجود نیست. در [۲۹]، نتایجی ارائه نشده است، اما به طور کلی همانطور که در [۹] نیز ذکر شده است، استفاده از روش­های مقایسه همر­یخت­های زیر­گراف یا گراف یک الگو نمی ­توانند روش مناسبی در شناسایی الگوها باشند، چون اول اینکه الگوها انعطاف­پذیری بالایی دارند و به ندرت در پیاده­سازی، معادل با ساختار پایه باقی می­مانند. دوم، مسأله پیدا کردن کل گراف یا زیر­گراف­های هم ریخت یک گراف یک مسأله NP-Complete است و ممکن است هیچ هم­ریختی پیدا نشود.
برای بهبود خروجی روش­های ارائه شده، استفاده از داده ­کاوی و استخراج معیارهایی جدیدی که بتواند نقص­های موجود در ابزارها را رفع کند لازم است. علت استفاده از داده ­کاوی این است که می­توان هر گونه معیاری را (رفتاری و ساختاری) به راحتی با هم ترکیب کرد و با تولید مقادیر این معیار­ها و تجزیه و تحلیل آنها توسط شیوه ­های داده ­کاوی، قانون­های قدرتمندی رابرای پالایش و تصحیح خروجی ابزارهای تقریبا قوی مثل SSAارائه داد و قدرت آن را در شناسایی تمامی الگوها تکمیل کرد. پالایش به کمک استخراج معیارهای خاص سنجش الگوها در کارهای مشابه انجام شده است. اما هیچ یک معیارهایی استخراج نکرده ­اند که با ترکیب آنها بتوان عملیات تصحیح خروجی (بدون از دست دادن اطلاعات) را انجام داد.
جمع بندی
در این فصل مروری کوتاه و اجمالی بر روش­هایی که ساختار و اهداف تقریبا مشابهی با تحقیق جاری دارند، شد. همچنین محدودیت­ها و مشکلات هر شیوه بیان گردید و دو ابزاری که در این تحقیق جهت انجام آزمایشات از آنها استفاده شده است معرفی گردیدند.
فصل چهارم

در این بیان با بهره گرفتن از نمادها و روابط ریاضی یا منطقی تعریف، اندازه‌گیری و ارتباط بین متغیرها تعریف‌شده است. رابطه کلی این تحقیق که به‌صورت یک مدل یک متغیره می‌باشد، به‌صورت زیر تعریف می‌شود:
Y=F()

تعریف متغیرها

 

 

1. 1. Y =هزینه آورده صاحبان سهام

 

1. 1. = چرخه عمر

 

1. 1. اندازه شرکت

 

1. 1. = ارزش دفتری به ارزش بازار

 

1. 1. =ریسک سیستماتیک

 

1. 1. =زیان

 

1. 1. = اهرم مالی

 

1. 1. ورشکستگی

 

 

نحوه اندازه ­گیری متغیرها

 

 

1. 1. Y =هزینه آورده صاحبان سهام

 

با توجه به اینکه اندازه گیری و محاسبه هزینه آورده صاحبان سهام از دشوارترین مراحل این تحقیق بود ولیکن به دلیل امکان دسترسی مورد نیاز برای محاسبه هزینه آورده صاحبان سهام ، مدل گوردون برای محاسبه هزینه آورده صاحبان سهام انتخاب شده است.

نحوه محاسبه هزینه آورده صاحبان سهام از طریق مدل رشد گوردون(داموداران ,۲۰۰۲):
در این مدل با فرض اینکه k معرف هزینه آورده صاحبان سهام (نرخ بازده مورد انتظار سهامداران عادی) باشد ، می توان k را از رابطه زیر بدست آورد:
در مدل فوق :
D₁ ، سود نقدی پرداخت شده در پایان سال اول ،
P₀ ، قیمت هر سهم در ابتدای سال
g ، نرخ رشد سود تقسیمی که از رابطه زیر بدست می آید.
 

1. 1. = چرخه عمر (CLC):

 

آنتونی و رامش^[۲۸](۱۹۹۲) در پژوهش خود به منظور تفکیک شرکتها به مراحل چرخه ی عمر از چهار متغیر: رشد فروش، مخارج سرمایه ای، نسبت سود تقسیمی و سن شرکت استفاده نمودند.
در این پژوهش تفکیک شرکتها به مراحل رشد، بلوغ و افول با بهره گرفتن از چهار متغیر مذکور و طبق روش شناسی پارک و چن^[۲۹](۲۰۰۶)به صورت زیراست:

 

1. 1. نخست مقدار هر یک از متغیرهای رشد فروش، مخارج سرمایه ای، نسبت سود تقسیمی و عمرشرکت برای هر سال- شرکت محاسبه میشود.

 

1. 1. سال- شرکتها بر اساس هر یک از چهار متغیر مذکور و با بهره گرفتن از پنجک های آماری در هر صنعت به پنج طبقه تقسیم می شو ند که با توجه به قرار گرفتن در پنجک (طبقه) مورد نظر، طبق جدول زیر نمره ای بین ۱ تا ۵ می گیرند.

 

1. 1. سپس برای هر سال- شرکت، نمره ای مرکب به دست می آید که با توجه به شرایط زیر در یکی از مراحل رشد، بلوغ و افول طبقه بندی می شود:

 

الف. در صورتیکه مجموع نمرات بین ۱۶ و ۲۰ باشد، در مرحله ی رشد قرار دارد.
ب. در صورتیکه مجموع نمرات بین ۹ و ۱۵ باشد، در مرحله ی بلوغ قرار دارد.
ج. در صورتیکه مجموع نمرات بین ۴ و ۸ باشد، در مرحله ی افول قرار دارد.
در این پژوهش به دلیل غیر فعال بودن معامله (خرید و فروش) یا غیر بورسی بودن شرکت های نوظهور در بورس اوراق بهادار تهران، چرخه ی عمر به صورت سه مرحله ی رشد، بلوغ و افول تعریف شده و از مرحله ی ظهور صرف نظر شده است لذا با حذف این مرحله شرایط قرار گرفتن در مراحل چرخه عمر نیز به صورت زیر تعدیل می شود:
الف. در صورتیکه مجموع نمرات بین ۱۲ و ۱۵ باشد، در مرحله ی رشد قرار دارد.
ب. در صورتیکه مجموع نمرات بین ۷ و ۱۱ باشد، در مرحله ی بلوغ قرار دارد.
ج. در صورتیکه مجموع نمرات بین ۳ و ۶ باشد، در مرحله ی افول قرار دارد.

 

سود تقسیمی (DPR)	سن	مخارج سرمایه ای (CE)	رشد فروش (SG)	پنجک ها
۵	۵	۱	۱

اعضای هیأت علمی، در موضوعات و مباحث علمی، تسلط کافی ندارند
اعضای هیأت علمی، نسبت به کاربرد و بکارگیری دانش نظری در صنعت آگاهی و شناخت کافی ندارند
اعضای هیأت علمی، در تجاری­سازی نتایج تحقیقات و تولید ثروت، آگاهی و شناخت کافی ندارند
اعضای هیأت علمی، در مورد نحوۀ برقراری ارتباط با صنعت، اطلاعات و تجربۀ کافی ندارند
اعضای هیأت علمی، از واقعیت­های صنعت و جامعه، شناخت کافی ندارند
اعضای هیأت علمی معتقدند متخصصین صنعت، تفکرات سنتی دارند و اصول علمی را در صنعت نمی­پذیرند
اعضای هیأت علمی معتقدند متخصصین صنعت، نوآوری­ها و پیشرفت­های علمی را به کار نمی­گیرند
اعضای هیأت علمی معتقدند شروع همکاری باید از طرف صنعت باشد نه دانشگاه
اعضای هیأت علمی معتقدند محل فعالیت آنها فقط دانشگاه است و فقط باید به آموزش، تحقیقات و نوشتن مقاله و کتاب و… بپردازند
اعضای هیأت علمی، به خاطر ترس از شکست تمایلی به وارد شدن به فضای صنعت ندارند
اعضای هیأت علمی معتقدند نظام جبران، و پاداش مناسب در صنعت وجود ندارد
اعضای هیأت علمی نسبت به رعایت موازین اخلاقی (افشای اطلاعات محرمانۀ تحقیق و…) از سوی متخصصین صنعت اعتماد ندارند
اعضای هیأت علمی نسبت به رعایت موازین حرفه­ای (اجرای کامل تعهدات و…) به متخصصین صنعت، اعتماد ندارند
اعضای هیأت علمی معتقدند با افزایش ارتباط با صنعت، که طبیعتاً منجر به کاهش روابط با دانشگاه می­ شود امنیت شغلی­شان دچار خطر می­ شود
اعضای هیأت علمی، انگیزه­ای براییادگیری بیشتر در صنعت (در مورد حیطۀ تحقیقی خود، روش اجرای آن و…) ندارند

اعضای هیأت علمی معتقدند متخصصین صنعت، برای انتشار و چاپ نتایج تحقیقاتی که توسط دانشگاهیان در صنعت انجام شده است، محدودیت ایجاد می­ کنند
اعضای هیأت علمی معتقدند به واسطۀ ارتباط با متخصصین صنعت، استقلال فردی آنها کاهش می­یابد
اعضای هیأت علمی معتقدند به واسطۀ برقراری ارتباط و انتقال دانش به صنعت، قدرت دانش (مزیت دانشی) خود را از دست می­ دهند
اعضای هیأت علمی معتقدند شأن و مقام علمی متخصصین صنعت، پایین است و آنها سواد و توانایی کافی برای درک مفاهیم و موضوعات دانشگاهی را ندارند
اعضای هیأت علمی، شناخت و توجه کافی به شرایط بومی بخش صنعت، ندارند (بکارگیری دانش خود در صنعت بدون توجه به بومی­سازی آن و…)
اعضای هیأت علمی، تجربۀ کافی برای شروع ارتباط با صنعت یا ادامۀ آن را ندارد
اعضای هیأت علمی از قطع روابط گروهی با همکاران خود در دانشگاه، پس از ایجاد ارتباط با متخصصین صنعت واهمه دارند
اعضای هیأت علمی، نمی ­توانند از زبانی ساده و بدون پیچیدگی­های تخصصی برای ارتباط برقرار کردن با متخصصین صنعت، بهره برند.
اعضای هیأت علمی، انتظارات نامتعارف برای جبران خدماتشان دارند (درخواست حق­الزحمۀ بیش از حد متعارف و…)
اعضای هیأت علمی، منافع شخصی را بر منافع مشترک با متخصصین صنعت، ترجیح می­ دهند (انجام فعالیت در صنعت فقط با هدف بهره­مندی خود)
اعضای هیأت علمی، تعهد لازم را نسبت به اجرای صحیح و کامل مسئولیت­های محوله از طرف متخصصین صنعت، ندارند (مثلاً صرف نکردن زمان کافی برای انجام به موقع فعالیت­ها و…)
اعضای هیأت علمی در پایبندی به اصول اخلاقی و حرفه­ای خود در صنعت، مسامحه و سستی می­ کنند (مثلاً اغراق بیش از حد در مورد مشکلات موجود در صنعت و صادق نبودن)
اعضای هیأت علمی به انجام رویه­های تکراری در دانشگاه (مثلاً آموزش، تحقیقات و…)، عادت کرده ­اند
اعضای هیأت علمی، برای کارراهۀ تحقیقاتی خود، برنامه­ ریزی ندارند تا همین موضوع، انگیزه­ای برای برقراری ارتباط با متخصصین صنعت باشد
پس از شناسایی این موانع، برای درک بهتر، اقدام به طبقه ­بندی آنها در قالب: موانع مربوط به «دانش»، «نگرش» و «رفتار» شد. این طبقه ­بندی بر اساس توضیحاتی است که در فصل دوم در قسمت ۲ـ۲۵ صفحه ۴۷ داده شده است؛ که به ترتیب زیر قابل ارائه است:
دانش:
اعضای هیأت علمی، در موضوعات و مباحث علمی، تسلط کافی ندارند
اعضای هیأت علمی، نسبت به کاربرد و بکارگیری دانش نظری در صنعت آگاهی و شناخت کافی ندارند
اعضای هیأت علمی، در تجاری­سازی نتایج تحقیقات و تولید ثروت، آگاهی و شناخت کافی ندارند
اعضای هیأت علمی، در مورد نحوۀ برقراری ارتباط با صنعت، اطلاعات و تجربۀ کافی ندارند
اعضای هیأت علمی، از واقعیت­های صنعت و جامعه، شناخت کافی ندارند
نگرش:
اعضای هیأت علمی معتقدند متخصصین صنعت، تفکرات سنتی دارند و اصول علمی را در صنعت نمی­پذیرند
اعضای هیأت علمی معتقدند متخصصین صنعت، نوآوری­ها و پیشرفت­های علمی را به کار نمی­گیرند
اعضای هیأت علمی معتقدند شروع همکاری باید از طرف صنعت باشد نه دانشگاه
اعضای هیأت علمی معتقدند محل فعالیت آنها فقط دانشگاه است و فقط باید به آموزش، تحقیقات و نوشتن مقاله و کتاب و… بپردازند
اعضای هیأت علمی، به خاطر ترس از شکست تمایلی به وارد شدن به فضای صنعت ندارند
اعضای هیأت علمی معتقدند نظام جبران، و پاداش مناسب در صنعت وجود ندارد
اعضای هیأت علمی نسبت به رعایت موازین اخلاقی (افشای اطلاعات محرمانۀ تحقیق و…) از سوی متخصصین صنعت اعتماد ندارند
اعضای هیأت علمی نسبت به رعایت موازین حرفه­ای (اجرای کامل تعهدات و…) به متخصصین صنعت، اعتماد ندارند
اعضای هیأت علمی معتقدند با افزایش ارتباط با صنعت، که طبیعتاً منجر به کاهش روابط با دانشگاه می­ شود امنیت شغلی­شان دچار خطر می­ شود
اعضای هیأت علمی، انگیزه­ای براییادگیری بیشتر در صنعت (در مورد حیطۀ تحقیقی خود، روش اجرای آن و…) ندارند
اعضای هیأت علمی معتقدند متخصصین صنعت، برای انتشار و چاپ نتایج تحقیقاتی که توسط دانشگاهیان در صنعت انجام شده است، محدودیت ایجاد می­ کنند
اعضای هیأت علمی معتقدند به واسطۀ ارتباط با متخصصین صنعت، استقلال فردی آنها کاهش می­یابد
اعضای هیأت علمی معتقدند به واسطۀ برقراری ارتباط و انتقال دانش به صنعت، قدرت دانش (مزیت دانشی) خود را از دست می­ دهند
اعضای هیأت علمی معتقدند شأن و مقام علمی متخصصین صنعت، پایین است و آنها سواد و توانایی کافی برای درک مفاهیم و موضوعات دانشگاهی را ندارند
رفتار:

 

در شرکت های دولتی

حق­شناس،جمشیدیان،شائمی، شاهین، یزدان شناس(۱۳۸۶)، سادلر(۲۰۰۰)، زامپاتاکیس، موستاکیس^[۷۲](۲۰۰۷)،کرنی و همکاران(۲۰۰۸)، هالت، روترفورد، کلوسی^[۷۳]، (۲۰۰۷)، شهرکی پور و همکاران(۱۳۸۹)، طاهری و همکاران(۱۳۸۹)

 

در شرکت های تولیدی

بارینگر و بلودرن(۱۹۹۹)، بارت(۱۹۹۶)، مقدسی(۱۳۸۸)، تقی زاده و همکاران(۱۳۸۶)، موریش، دیاکن(۲۰۰۹)؛ موریش، دیاکن(۲۰۱۱)

 

در شرکت های خدماتی

فیضی(۱۳۸۵)، فرهنگی و صفرزاده(۱۳۸۴)، علیمردانی، قهرمانی، ابوالقاسمی(۱۳۸۸)؛ فیضی(۱۳۸۵)

 

در سازمان های از پیش تاسیس شده و بزرگ

وینکر و همکاران(۲۰۰۷)، زهرا(۱۹۹۱)، عبدالملکی و همکاران(۱۳۸۷)، موریس، پل(۱۹۸۷)

 

در سازمان های کوچک و متوسط و تازه تاسیس

الوانی، رودگرنژاد(۱۳۸۹)، ژانگ و همکاران(۲۰۰۸)، زهرا و همکاران(۲۰۰۹)، خنیفر و وکیلی(۱۳۸۷)، بوجیکا، فوینتا(۲۰۱۲)، گین هیوز و همکاران(۲۰۰۸)، فاربر(۱۹۹۹)، دهقان، حقیقی(۲۰۰۸)، استاچتیبک(۲۰۱۱)

 

 

با توجه به تفاوت­های مذکور، نویسندگان از کارآفرینی سازمانی تعاریف بی­شماری ارائه کرده ­اند که در جدول ۲-۷ به برخی از آن­ها اشاره می­ شود.
جدول ‏۲‑۷- خلاصه ای از تعاریف موجود از کارآفرینی سازمانی

 

تعاریف موجود از کارآفرینی سازمانی

 

کوین و سلوین^[۷۴] (۱۹۹۱)

توسعه قلمروی شایستگی های شرکت و به کارگرفتن فرصت های مرتبط از طریق تولید داخلی و ترکیب منابع جدید را کارآفرینی سازمانی گویند.

 

زهرا(۱۹۹۱) دس، لامکین، مک گی^[۷۵](۱۹۹۹)

کارآفرینی سازمانی فرایندی است که در آن محصولات یا فرایندهای نوآوری شده از طریق ایجاد کسب و کار جدید برای بهبود قابلیت سود دهی سازمانی و بالا بردن جایگاه رقابتی شرکت، درون شرکت های از قبل تاسیس شده ایجاد می شود

 

زهرا (۱۹۹۳)

فرایند کارآفرینی سازمانی که ۲ بعد مجزا ولی مرتبط به هم دارد )نوآوری و یا توسعه کسب و کار، تجدید استراتژیک)

 

زهرا (۱۹۹۵ – ۱۹۹۶)

مجموعه تلاش های شرکت که شامل نوآوری، تجدید استراتژیک و توسعه کسب و کار می­باشد

 

لامکین، دس(۱۹۹۶)

فعالیت های کارآفرینانه در مسیرهای جدید(توسعه کسب و کار) را کارآفرینی سازمانی گویند.

۱۹۵

 

۳۲/۱۹۳

 

 

 

۲-۱-۹

 

اراضی دست کاشت

 

۱۹۰

 

۱۹۵

 

۱۹۵

 

۳۲/۱۹۳

 

 

 

­
نمودار ۴-۱- مقایسه میزان تاثیر شاخص­ های معیار کیفیت اقلیم در بیابان­زایی
بخشنده­مهر ( ۱۳۸۷) در بررسی بیابان­زایی دشت سگزی اصفهان برای معیار اقلیم شاخص­ های بارندگی، تبخیر و شاخص خشکی دو مارتن را در نظر گرفتند طبق برآورد آن­ها این معیار در کلاس کیفی پایین قرار گرفت و موثرترین شاخص این معیار در بیابان­زایی منطقه را شاخص تبخیر برآورد کردند[۱۴].

سپهر و همکاران (۱۳۸۷) در بررسی روش مدالوس به منظور ارائه یک مدل منطقه­ای برای ارزیابی و تهیه نقشه بیابان­زایی، برای معیار وضعیت اقلیم از شاخص­ های بارندگی، تبخیر و تعرق و شاخص خشکی ( P/ETP ) استفاده کردند. نتایج آن­ها حاکی از این مساله بود که وضعیت معیار اقلیم به طور متوسط در همه واحدهای منطقه در کلاس پایین می­باشد [۳۰].
خسروی (۱۳۸۳) برای ارزیابی بیابان­زایی در کاشان با بهره گرفتن از مدل مدالوس، برای معیار اقلیم از شاخص های میزان بارش، جهت و شاخص ترانسو، P/ETP ، استفاده کردند. طبق ارزیابی آنها معیار اقلیم در دو کلاس متوسط و شدید قرار می­گیرد به طوری که ۲۲/ ۹۷ درصد از مساحت کل منطقه در کلاس شدید و تنها ۷۸/۲ درصد در کلاس متوسط قرار می­گیرد. همچنین از بین شاخص­ های مورد بررسی آن­ها، شاخص P/ETP میزان بیشترین نقش را در بیابان­زایی منطقه ایفا می­ کند [۲۳].
شکل۴-۱- نقشه معیار کیفیت اقلیم
۴-۱-۲- معیار کیفیت خاک
با بررسی شاخص­ های معیار خاک در مدل مدالوس نتایج زیر بدست آمد:
۴-۱-۲- الف- بافت خاک
با توجه به نتایج بدست آمده از تجزیه نمونه­های خاک پروفیل های حفر شده در منطقه، قسمت­ های غربی و شمال شرقی منطقه دارای بافت سبک می­باشدکه شامل رخساره ­های مانند دشت ریگی، اراضی دست کاشت همراه با فرسایش بادی و منطقه حمل است. علت سبک بودن بافت خاک در این رخساره­ها وجود انواع بافت­های شنی و شنی لومی می­باشد. این خاک ها علی رغم داشتن قدرت نفوذ پذیری بالا، ظرفیت نگهداری آب در آنها بسیار پایین است. آب را به سرعت ازخود عبور می­ دهند و با پیدایش یک دوره خشک، به سرعت رطوبت خود را از دست می­ دهند و بسیار مستعد فرسایش بادی هستند. به علت کمی مواد کلوید آلی قدرت حاصلخیزی آنها ناچیز است .
قسمت­ های جنوب، جنوب شرقی منطقه و از شرق و غرب منطقه به سمت مرکز بافت خاک سنگین­تر شده که علت آن وجود بافت­های لومی و لومی رسی در این مناطق می­باشد. این بافت خاک در رخساره ­های مانند اراضی پف کرده، اراضی پف کرده همراه با گیاهان شورپسند و رخساره زرده دیده می­ شود. این خاک­ها در حالت خشک سفت بوده و در صورت داشتن رطوبت زیاد تا حد زیادی چسبنده هستند و ظرفیت نگهداری آب بالایی دارند. رشد و نمو ریشه گیاهان به سختی در آنها انجام می شود. براساس جدول ۴-۲ امتیازات داده شده به این شاخص دارای تغییرات کم و بین ۱۰۰ تا ۱۳۰ متغیر است و میانگین امتیازات داده شده به این شاخص برابر ۱۷/۱۱۱ است. نقشه بافت خاک منطقه در شکل۴-۲ آورده شده است. به طور کلی آنچه که از نقشه بافت خاک در منطقه بر­می ­آید نشان دهنده کیفیت نسبتا خوب بافت خاک در منطقه می باشد.
۴-۱-۲- ب – هدایت الکتریکی (EC )
هدایت الکتریکی بالا از مهمترین شاخص خاکهای شور و قلیایی است، زیرا با تعیین آن می­توان مقدار املاح خاک را محاسبه نمود و هر چه املاح خاک بیشتر باشد­، هدایت الکتریکی آن نیز بیشتر است. EC یکی از شاخص های مهم تعیین درجه شوری خاکهای مناطق خشک است [ ۱۸].
براساس نتایج آزمایش­های شیمیایی نمونه­های خاک، میزان هدایت الکتریکی عصاره اشباع خاک در منطقه بین ۸٫۶ تا ۱۶۱ میلی موس بر سانتی­متر در نوسان است.کمترین میزان هدایت الکتریکی در خاک­های شنی و شنی لومی در رخساره ­های اراضی دست کاشت همراه با رخساره ­های فرسایش بادی در واحد پلایا دیده شد که امتیاز ۱۲۰ به آن اختصاص یافت. بیشترین میزان آن در اراضی پف کرده در پلایا و اراضی باغی و زراعی جنوب غرب منطقه در دشت سر پوشیده و اراضی اطراف روستای علی­آباد­چی در دشت سر اپانداژ مشخص شد. علت شوری بالای این خاک­ها، تبخیر آب شور و برجای ماندن نمک­های آن و همچنین آبیاری زمین­های زراعی به وسیله آب شور می­باشد. امتیاز این رخساره ها به ترتیب ۲۰۰ و ۱۸۰ تعیین گردید. نقشه میزان هدایت الکتریکی منطقه در شکل۴-۳ آورده شده است.
۴-۱-۲- ج – میزان گچ خاک
میزان گچ موجود در خاک برروی شوری، میزان رطوبت، خصوصیات فیزیکی و شیمیائی و در نهایت رشد گیاهان اثر می­گذارد. لذا به دلیل اهمیت گچ و اینکه این ماده در خاکهای مناطق خشک و نیمه خشک غالباً بصورت لایه ­ها یا افقهائی مشاهده شده و خصوصاً در تشکیلات مارنی به میزان زیاد دیده می­شوند [۱۶] به عنوان یکی از شاخص­ های معیار خاک در نظر گرفته شد.مقدار گچ اندازه ­گیری شده درمنطقه­، براساس آزمایشات شیمیایی خاک و اطلاعات و منابع موجود در این رابطه بین ۶ تا ۶۱ درصد در نوسان است. کمترین میزان آن در اراضی دست کاشت در دشت سر اپانداژ و بیشترین مقدار آن در تراس­های گچی قدیمی واقع در نیمه شرقی منطقه است که به ترتیب امتیازات ۱۲۰ و ۲۰۰ به آنها اختصاص یافت. نقشه میزان گچ خاک در شکل۴-۴ آورده شده است.
شکل ۴-۲- نقشه بافت خاک منطقه مورد مطالعه
شکل ۴-۳- نقشه EC خاک منطقه مورد مطالعه
شکل ۴-۴- نقشه میزان گچ منطقه مورد مطالعه
۴-۱-۲- د – درصد مواد آلی خاک
بدلیل نقش و اهمیت مواد آلی در ایجاد شرایط مناسب خاک برای استقرار، رشد و توان تولید گیاهان، درصد مواد آلی خاک به عنوان یک عامل مهم در در ارزیابی خاک منطقه در نظر گرفته شد. عموما^̋ خاکهای مناطق خشک و نیمه خشک، از نظر میزان مواد آلی بسیار فقیرند. دشت سگزی نیز از این مورد مستثنی نبوده و مواد آلی خاک آن بسیار کم می باشد.میزان مواد آلی در۷۴ درصد از مساحت منطقه مطالعاتی کمتر از ۲/. درصد، ۵/۲۳درصد از مساحت منطقه دارای مواد آلی بین ۲/. تا ۵/. درصد و تنها در ۵/۲ درصد از مساحت منطقه که مربوط به رخساره اراضی دست کاشت در دشت سر اپانداژ می باشد، دارای ۷۵/. درصد مواد آلی است.
استقرار تاغ­ها در این رخساره موفقیت آمیز بوده و ارتفاع آنان به بیش از ۴ متر می­رسید. در این رخساره به علت لاشبرگهای حاصل از این تاغ­ها باعث افزایش مقدار مواد­ آلی خاک شده است. نقشه درصد مواد آلی خاک در شکل۴-۵ آورده شده است.
۴-۱-۲- ه – نسبت جذب سدیم ( SAR )
علاوه بر بررسی شوری کل خاک، قلیائیت خاک که از شاخصه­های بارز خاک های مناطق خشک است، نیز مورد بررسی قرار گرفت.
براساس نتایج بدست آمده و اطلاعات خاکشناسی موجود، نسبت جذب سدیم در منطقه ، ما بین ۶/۶ تا ۴/۱۱۹۴ متغییر است. مساحت زیادی از منطقه دارای میزان SAR بالایی است به طوری که ۳۴ درصد از منطقه دارای میزان SAR بیش از ۱۰۰۰ است و ۵۸ درصد از منطقه داری میزان SAR بین ۵۰۰ تا ۱۰۰۰ می­باشد. کمترین مقدار SAR مربوط به رخساره اراضی دست کاشت همراه با رخساره ­های فرسایش بادی در دشت سر پوشیده می­باشد که ۸ درصد از منطقه را در برگرفته است. به طور کلی هر چه به سمت قسمت­ های شمالی و شمال شرقی منطقه پیش می­رویم به مقدار SAR افزوده می شود. نقشه نسبت جذب سدیم خاک در شکل۴-۶ آورده شده است.
۴-۱-۲- و – میزان اسیدیته ( PH )
این خصوصیت از خاک بیان کننده شرایط اکولوژیکی، فعالیت موجودات میکروسکوپی، قابلیت جذب عناصر غذایی و غیره، در خاک است که نقش بسزایی در استقرار و تولید گیاهان دارد [ ۱۸].
براساس نتایج بدست آمده و اطلاعات خاکشناسی موجود، میزان اسیدیته در ۶۵ درصد از مساحت منطقه در کلاس متوسط و مابین ۳/۸ تا ۵/۷ در تغییر است. در قسمت های مرکزی منطقه و در رخساره ­های اراضی دست کاشت و اراضی دست کاشت همراه با رخساره ­های فرسایش بادی واقعه در واحد پلایا، بیشترین مقدار PH موجود است. این رخساره­ها در مجموع ۱۵درصد از منطقه را در برگرفته­اند. کمترین میزان PH در قسمت­ های شمال شرقی و شمال غربی منطقه مربوط به رخساره ­های دشت ریگی با تراکم زیاد در دشت سر اوپانداژ و اراضی دست کاشت در دشت سر پوشیده می­باشد. این رخساره­ها نیز در مجموع ۲۰ درصد از منطقه را در برگرفته­اند. نقشه میزان اسیدیته خاک در شکل۴-۷ آورده شده است.
شکل ۴-۵- نقشه مواد آلی خاک در منطقه مورد مطالعه
شکل ۴-۶- نقشه نسبت جذب سدیم خاک در منطقه مورد مطالعه
شکل ۴-۷- نقشه میزان اسیدیته خاک در منطقه مورد مطالعه
۴-۱-۲- ر – میزان کلر( CL )
از جمله آنیون­های خاک که باعث توقف فعالیت بیولوژیکی می­ شود می­توان به کلر ( CL ) اشاره کرد که در منطقه مطالعاتی این شاخص خاک دارای تغییرات زیادی بوده و از ۱۱۵ میلی­ اکی والان بر لیتر در رخساره اراضی دست کاشت همراه با رخساره ­های فرسایش بادی در دشت سر پوشیده تا ۴۷۹۰ میلی اکی والان بر لیتر در اراضی پف کرده واقعه در واحد پلایا متغیر می­باشد. پراکنش کلر در منطقه نامنظم بود و بیشترین مقدار آن در قسمت­ های جنوب شرقی و شمال غربی دیده شد. نقشه میزان کلر خاک در شکل۴-۸ آورده شده است.
۴-۱-۲- ز – میزان سدیم ( Na )