- نیروی کار فراوان (سازمان مدیریت و برنامه ریزی، ۱۳۷۸).
۳-۷ تنگناهای توسعه صنعتی استان
- فقدان برنامه مدون و منسجم برنامه توسعه صنعتی استان.
- کمبود نیروی انسانی ماهر و متخصص در بخش تولیدی استان.
- کمبود منابع مالی و تسهیلات مورد نیاز در توسعه صنعتی استان.
- عدم تخصیص مناسب منابع بانکی در سرمایه گذاری های صنعتی از سوی بانک های استان.
- سرمایه گذاری اندک بخش عمومی در ایجاد صنایع بزرگ و مادر در استان.
- کمبود کارفرما (کار آفرین) و سرمایه گذار بومی.
-کمبود شدید مراکز یا موسسات ارائه خدمات صادرات به ویژه توسعه صادرات صنعتی.
- عدم وجود منطقه ویژه اقتصادی در استان.
- فراگیر نبودن پوشش استاندارد در صنایع استان.
- عدم بهره گیری کامل از ظرفیت واحد ها.
فصـل چهارم
روش تحقیق
۴-۱ مقدمـه
به منظور سنجش و اندازه گیری میزان توسعه یافتگی و یا درجه برخورداری مناطق مختلف و همچنین رتبه بندی و یا درجه برخورداری صنایع مختلف، روش های آماری متعددی طراحی شده اند. «تاکسونومی عددی» از جمله روش هایی است که قادر است با تلفیق مجموعه ای از شاخص ها، یک مجموعه را به زیر مجموعه های کم و بیش همگن تقسیم کرده و میزان توسعه یافتگی هر منطقه و یا رتبه هر صنعت را مشخص سازد. در این تحقیق ما نیز از روش تاکسونومی عددی برای تجزیه و تحلیل داده ها و شاحص های مورد مطالعه استفاده می کنیم. همچنین، به منظور رفع محدودیت های روش مورد اشاره، به ویژه تورش دار بودن نسبت به شاخص های همبسته، در مطالعه حاضر قبل از بکار گیری روش تاکسونومی عددی، روش «تحلیل عاملی» اجرا می گردد و خروجی تحلیل عامل به عنوان ورودی تاکسونومی عددی قرار می گیرد.
۴-۲ روش تحلیل عاملی
۴-۲-۱ معرفی روش
این روش با آنکه نخستین بار در اوایل قرن بیستم توسعه یافت ( اسپیرمن[۳۸]، ۱۹۰۴)، اساساً تا وقتی رایانه و نرم افزارهای آماری پیشرفت نکرده بود بسیاری از پژوهشگران نمی توانستند به اجرا و تفسیر آن بپردازند (تامپسون و دنینگر[۳۹]، ۱۹۹۳). این روش شامل فنون تحلیلی متعددی است که هدف آنها بررسی یا تلخیص روابط بین متغیرها یا سایر پدیده های عامل پذیر است (کار[۴۰]، ۱۹۹۲ و گورسوش[۴۱]، ۱۹۸۳). به سخن دیگر تحلیل عاملی به مجموعه ای از فنون آماری اشاره می کند که هدف مشترک آنها ارائه دادن مجموعه ای متغیر برحسب تعداد کمترین متغیر فرضی است (کیم و مولر[۴۲]، ۱۳۸۱). تحلیل عاملی چندین روش اضافی برای تحلیل سازه ها دارد که مهم ترین این روش ها، روش مولفه های اصلی است، این روش بیشتر اوقات برای کاهش تعداد متغیرها در فایل داده استفاده می شود.
فرمول بندی و بسط روش تحلیل عاملی از روانشناسی سرچشمه می گیرد و به چارلز اسپیرمن نسبت داده می شود. مدل تجزیه به عامل ها در حالت کلی برای k عامل و m متغیر (m > k) به شکل زیر نوشته می شود (بختیاری، ۱۳۸۰).
در این رابطه ها به دلیل آنکه تمام متغیرها به صورت تابعی از آنها بیان می شوند، عوامل مشترک و u به دلیل آنکه بخشی از تغییرات متغیرها را بیان می کند که به وسیله عوامل مشترک توضیح داده نمی شود، عامل ویژه نامیده می شود. ضریب عامل jام برایi امین متغیر یا کواریانس بین متغیر iام و jامین عامل است. در روش تحلیل عاملی مشترک از متغیرهای قابل مشاهده استنتاج می شوند و می توانند به صورت ترکیب خطی از آن ها تخمین زده شوند. بیان کلی برای تخمین jامین عامل به صورت زیر می باشد (بختیاری، ۱۳۸۰).
که ضرایب نمره عامل ها، m تعداد متغیرها و بار عاملی فاکتور jام می باشد. بار عاملی میزان همبستگی یک عامل با یک عامل متغیر است. پس می توان گفت نوعی ضریب همبستگی است. بدیهی است که هر چه متغیری با یک عامل ضریب همبستگی بیشتری نشان دهد، جایگاه بهتری در آن عامل خواهد داشت (ساروخانی، ۱۳۸۰).
۴-۲-۲ ویژگی های روش
یکی از ویژگی های مهم تحلیل عاملی این است که وجود هم خطی بین شاخص ها را که بر کارآیی برآوردها تأثیر می گذارد، برطرف می کند. از طرفی به منظور تهیه شاخص های تلفیقی برخوردار، اگر شاخص های مختلف را با هم ترکیب کنیم و جمع یا میانگین ناحیه ای آنها را کمیت متغیر باطنی بدانیم و گروه بندی نواحی و مناطق را بر اساس این انجام دهیم، با دشواری های چندی روبرو می شویم که این مشکلات با به کارگیری روش تحلیل عاملی از بین می روند. اهم این مشکلات عبارتند از:
الف) مشکل اول، سنجش شاخص های اولیه بر حسب واحد یکسانی نیست. لذا برای رفع این مشکل معمولاً متغیر ها به مبدأ میانگین و بر حسب واحد انحراف معیار سنجیده می شوند. این عمل را استاندارد کردن می نامند.
ب) مشکل دوم، اختیاری بودن تعداد شاخص ها در زمینه های گوناگون است. زیرا تعداد شاخص ها در نتیجه طبقه بندی تأثیر می گذارد. توضیح اینکه هر مورد یا زمینه ای را می توان به کمک شاخص های مختلفی بیان کرد.
ج) مشکل سوم، غفلت از اهمیت نسبی یا وزن شاخص ها در تشکیل شاخص نهایی است. زیرا حتی اگر شاخص ها از ترکیب متغیر های استاندارد شده ساخته شوند و شاخص نهایی، ترکیب شاخص های تلفیق شده اولیه باشد، باز مسئله اهمیت نسبی یا وزن هر یک از شاخص ها در تعریف متغیر باطنی به قوت خود باقی است.
د) مشکل چهارم، ذهنی و ارادی بودن تشخیص تناسب شاخص ها برای سنجش متغیر های باطنی است. یعنی این ما هستیم که تشخیص می دهیم که این شاخص انتخابی بیانگر درجه توسعه یافتگی هست یا نه.
هـ ) مشکل پنجم، فرض تلویحی تک ساختی بودن شاخص ها است، زیرا شاخص ها هر چند ممکن است نمایانگر مناسب باطنی باشند. از عوامل مهم دیگری نیز تأثیر می پذیرند و تعداد ابعاد، خود از مشکلات کاربرد شاخص ها در سنجش متغیر های باطنی است. بنابراین راه و روشی که در ترکیب شاخص ها، ضمن تعیین ابعاد آنها، مشکلات ناشی از ناهمسانی واحدهای سنجش، اهمیت نسبی و تناسب آنها را برطرف می کند، روش تحلیل عاملی می باشد (توفیق، ۱۳۷۲).
۴-۲-۳ مراحل اجرای روش تحلیل عاملی
ماتریس داده های اولیه مورد نیاز برای اجرای روش تحلیل عاملی شامل مقادیر m شاخص برای n مشاهده به صورت زیر می باشد.
,m . . . ,3,2,1= j
,n . . . ,3,2,1= i
شاخص j ام برای i امین گزینه است. به طوری که سطرهای ماتریس با اندیس i مشاهدات مختلف و ستون ها با اندیس j شاخص ها را نشان می دهند. روش تحلیل عاملی دارای ۵ مرحله به شرح زیر است:
۱- تهیه ماتریس استاندارد
از آنجا که شاخص های مختلف دارای مقیاس های متفاوتی بوده و قابلیت جمع پذیری ندارند، بهتر است کلیه شاخص ها از مقیاس یکسانی برخوردار شوند. برای این کار از روش استاندارد کردن استفاده می شود و ماتریس داده های استاندارد ( ) به شرح زیر تشکیل می گردد.
,m . . . ,3,2,1= j
,n . . . ,3,2,1= i
در این ماتریس داریم:
: مقادیر استاندارد شده
= مقدار شاخص j در منطقه i
= میانگین شاخصj
= انحراف معیار شاخص j
۲- محاسبه ماتریس همبستگی
در این مرحله، ماتریس ضریب همبستگی بین شاخص ها (متغیرها) محاسبه می شود که با بهره گرفتن از این ماتریس، عوامل مشترک و اهمیت نسبی هر یک از شاخص ها معلوم می گردد. علاوه بر آن، مشکل عدم تناسب شاخص ها نیز برطرف می شود. با رفع این نقیصه، مشاهدات به نحو مطلوب تر و قابل اعتماد، در گروه های همگن و غیر همگن طبقه بندی می شوند.
۳- استخراج عوامل
در این مرحله، ضرایب فاکتورهای موقت ( ) تعیین می گردد. روش های متعددی برای این کار وجود دارد که مهمترین آنها روش تجزبه به مؤلفه های اصلی و روش حداکثر درستنمایی است. روش تجزیه به مؤلفه های اصلی به عنوان یک راه حل برای تعیین عامل ها، مطرح می باشد. در این روش بر اساس معیار کیسر[۴۳] عامل هایی که دارای مقادیر ویژه بزرگتر از یک هستند، انتخاب می شوند. البته به اعتقاد بسیاری از صاحب نظران قاعده کیسر تنها درباره ارزش های ویژه ماتریس کامل همبستگی (که در قطر اصلی آن ۰/۱ قرار دارد) به کار می رود (مانند موریسون[۴۴]، ۱۹۹۰ و فابریگر[۴۵] و دیگران، ۱۹۹۹). از طرف دیگر بر اساس معیار درصد واریانس، کل عامل های استخراج شده بایستی بیش از ۶۰ درصد از واریانس داده های اولیه را توضیح دهند. به عبارت دیگر درصد واریانس تراکمی عامل های استخراج شده بایستی حداقل ۶۰ درصد باشد. در غیر این صورت تحلیل عاملی از قدرت پایینی برخوردار بوده و قابل اعتماد نیست. البته مرگارسول[۴۶] بیش از ۷۰ درصد را مطرح کرده و برخی ۷۵ درصد را پذیرفته اند.
۴- چرخش عوامل
هدف اصلی چرخش عاملی، افزایش تفسیر پذیری و معنی داری نظری عامل ها است. این کار باعث ساده ترشدن ساختار عاملی می گردد. نتیجه نهایی چرخش عاملی توزیع مجدد واریانس بین عامل هاست. اما به ترتیب اولین عامل بیشترین سهم و عامل های بعدی در مراتب بعدی از نظر قدرت تبیین قرار می گیرند تا نهایتاً یک الگوی عاملی ساده تر و در عین حال از لحاظ نظری معنی دارتر حاصل آید. این امر کمک فراوانی به تحلیل گر در تفسیر و تبیین پدیده ها می کند. افزون بر آن، هر متغیر، تنها برای یک عامل دارای بار عاملی معنی دار می شود (بهتر است هر متغیر تنها برای یک عامل دارای بار عاملی باشد). با این کار، امکان بازشناسی عامل ها از یکدیگر ممکن می شود. نکته مهم در چرخش عاملی این است که ماتریس عامل ها، میزان اشتراک ها و درصد واریانس کل تعیین شده، تغییر نمی کند ولی درصد واریانس تعیین شده برای هر عامل تغییر می یابد و واریانس تعیین شده برای تک تک عامل ها را از این طریق دوباره توزیع می کنند. بنابراین، ماتریس عاملی چرخشی و غیر چرخشی از نظر ریاضی مشابه اند. زیرا ارزش های ویژه بالنسبه مشابهی بدست می دهند. امّا تفاوت در این است که در ماتریس عاملی چرخشی، مشارکت معنی دار هر متغیر فقط با یک عامل محاسبه می شود. چرخش عاملی به چند روش انجام می گیرد که معروف ترین آنها روش وریماکس بوده و در این تحقیق از این روش استفاده می شود. در این روش، فرض بر این است که تفسیر پذیری عامل jام می تواند به وسیله واریانس مربع ضرایب عامل ها یعنی واریانس اندازه گیری شود. آنگاه مقادیر نزدیک به صفر خواهد بود. بنابراین دوران وریماکس، مجموع این واریانس ها را برای کلیه عوامل حداکثر خواهد کرد.
