ارزیابی تناسب زمین برای احداث کاربری بیمارستانی: رویکرد مدلسازی یکپارچه مبتنی بر تصمیم‌گیری چند معیاره و سیستم اطلاعات جغرافیایی (مطالعۀ موردی: منطقۀ 2 شهر تهران)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد گروه مهندسی سیستم‌ اطلاعات مکانی، دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران

2 دانشیار گروه مهندسی سیستم‌ اطلاعات مکانی، دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران

3 استادیار گروه مهندسی نقشه‌برداری، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران

چکیده

تعیین مکان بهینه برای احداث بیمارستان موجب افزایش رضایت شهروندان از خدمات بهداشتی و درمانی و کیفیت زندگی‌شان می‌شود. هدف پژوهش حاضر، تعیین مکان بهینه برای احداث بیمارستان در منطقۀ 2 کلان‌شهر تهران است که بدین منظور یک روش ترکیبی شامل سیستم اطلاعات جغرافیایی، وزن‎دهی سوارا و رتبه‎بندی کوپراس ارائه شده است. روش ارائه‎شده، مدل‌سازی مکانی و رتبه‌بندی بهینۀ مکان احداث بیمارستان را به‌طور یکپارچه انجام داده است و موجب افزایش دقت، سهولت پیاده‌سازی و کاهش پیچیدگی‌های معمول می‌شود. روش‌های تصمیم‌گیری چند معیارۀ سوارا و کوپراس جزو بهترین روش‌های تصمیم‌گیری هستند و در زمینۀ تعیین مکان بهینۀ بیمارستان و در ترکیب با سیستم اطلاعات جغرافیایی کمتر موردتوجه قرار گرفته‌اند. نتایج روش وزن‌دهی نشان‌دهندۀ آن بود که معیارهای فاصله از بیمارستان‌های موجود و توزیع مکانی ذرات PM2.5  به‌ترتیب مهم‌ترین و کم‌اهمیت‌ترین معیارها در فرایند تصمیم‌گیری تعیین مکان بهینۀ بیمارستان هستند. نتایج مدل‌سازی مکانی نشان‌دهندۀ آن بود که قسمت‌های جنوب غربی منطقه از پتانسیل بسیار زیادی برای احداث بیمارستان برخوردارند و به‌طور تقریبی 48 درصد از منطقه دارای پتانسیل احداث بیمارستان است. به‌عبارتی، عدالت فضایی برای شهروندان نیمی از منطقه در استفاده از خدمات درمانی بیمارستان‌ها برقرار نیست. نتایج رتبه‌بندی سایت‌های کاندید نشان‌دهندۀ آن بود که دو سایت 5 و 6 مناسب‌ترین مکان برای احداث بیمارستان جدید در منطقۀ 2 بوده‌اند. براساس نتایج تحقیق، روش وزن‌دهی مورداستفاده با وجود پیچیدگی اجرایی و محاسباتی بسیار کمتر نسبت‌به روش وزن‌دهی رایج فرایند تحلیل سلسله‌مراتبی دقتی مشابه دارد؛ همچنین رویکرد یکپارچۀ مدل‌سازی مکانی و رتبه‌بندی نسبت‌به حالت‌های مستقل موجب افزایش دقت و سهولت تصمیم‌گیری می‌شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Land Suitability Assessment for Construction of a Hospital: An Integrated Modeling Approach based on MCDM and GIS (A Case Study: The Second District of Tehran)

نویسندگان [English]

  • Iman Zandi 1
  • Parham Pahlavani 2
  • Behnaz Bigdeli 3
1 MA, Department of GIS, School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran
2 Associate Professor, Department of GIS, School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran
3 Assistant Professor, Department of Geomatics Engineering, School of Civil Engineering, Shahrood University of Technology, Shahrood, Iran
چکیده [English]

 
Abstract
Determining the optimal location for the construction of the hospital will increase citizens' satisfaction with health services and increase their quality of life. The aim of the present study is to determine the optimal location for the construction of a hospital in the second district of Tehran’s metropolis. For this purpose, an integrated methodology including GIS, SWARA weighting method, and COPRAS ranking method has been presented. SWARA and COPRAS multi-criteria decision-making methods are among the best methods and have received less attention in the field of determining the optimal location of the hospital in combination with the GIS. The results of the weighting method showed that the criteria of distance to existing hospitals and the geospatial distribution of PM2.5 particles are the most and least important criteria in the decision-making process of the optimal location of the hospital, respectively. The results of geospatial modeling showed that the southwestern parts of the district have a very high potential for hospital construction and almost 48% of the region has the potential to build a hospital. In other words, there is no spatial justice for the citizens of half of the region in using the medical services of the hospitals. The results of ranking candidate sites showed that sites 5 and 6 were the most suitable places to build a new hospital in the second district. According to the research results, the weighting method used has the same accuracy as the fashionable weighting method of the analytic hierarchical process, despite the executive and computational complexity.
Keywords: Optimal Hospital Location Selection, Geospatial Modeling, SWARA, COPRAS, Geographic Information Systems (GIS).
 
Introduction
The construction of a hospital in a suitable and optimal place by decision-makers leads to the efficient allocation of health services and paves the way for the development of spatial justice and favorable access of all citizens to health services. Determining the optimal location of a hospital can be considered and analyzed in the form of a multi-criteria decision-making problem. Multi-criteria decision-making is one of the tools used in the difficult and complex decision-making process. Complex decision-making problems usually involve evaluating a large number of alternatives based on a large number of criteria, which may be conflicting or related. On the other hand, the process of determining the optimal location and modeling of susceptible areas is a spatial decision, and spatial analysis is an indispensable component. For this reason, problems such as determining the optimal location of a hospital are usually considered in the form of spatial multi-criteria decision-making and by combining multi-criteria decision-making and Geographic Information Systems (GIS). GIS has a critical role in solving such problems; therefore, the use of multi-criteria decision-making based on GIS is increasing. The purpose of the present study is to determine the optimal location of the hospital using efficient and modern methods.
The present study was conducted to determine the optimal location for the construction of a hospital in the second district of Tehran. The focus of the present study was on the application of new weighting and decision-making methods, and their combination with GIS for geospatial modeling and ranking of hospital locations. Previous research has focused mainly on weighting methods based on pairwise comparisons of experts as well as the method of the Analytic Hierarchical Process (AHP). However, despite the introduction of new methods that are accurate and have less computational and implementation complexity, they are less used in geospatial decision-making processes. Therefore, the present study proposed a hybrid methodology to determine the optimal location of the hospital. This methodology includes GIS (for spatial analysis, spatial modeling, display, and management of spatial information), the new Step-Wise Weight Assessment Ratio Analysis (SWARA) weighting method (to determine the weights of criteria based on prioritization by experts and the elimination of complexity and time-consuming process of pairwise comparisons and its calculations) and complex proportional assessment of alternatives (COPRAS) multi-criteria decision-making method (in order to rank candidate sites and provide a complete evaluation of the alternatives).
Materials and Methods
The present study was conducted to determine the optimal location for the construction of a new hospital in the second district of Tehran. In order to achieve this goal, in the present study, multi-criteria decision-making methods in combination with GIS have been used. In order to reduce computational complexity, increase the quality and accuracy of decision-making, and ease of implementation, a hybrid methodology including spatial information systems and multi-criteria decision-making is proposed. The high capability of GIS has been used for spatial analysis, spatial modeling, management, and display of decision criteria. In order to determine the criteria weights, the new SWARA method has been used. SWARA determines the criteria weights based on the prioritization of experts. Although the SWARA is in the category of subjective weighting methods, it does not use the pairwise comparison matrix and has been less used in spatial research. Finally, in order to rank the candidate sites, COPRAS has been used. The COPRAS is one of the most powerful and widely used multi-criteria decision-making methods that can simultaneously use criteria that should be minimized and maximized in accordance with the decision-making goal. This method also provides a comprehensive evaluation of the alternatives.
 
Research Findings
The results of the weighting method showed that the criterion of distance to the existing hospitals had the highest weight. This criterion was selected by all 50 experts as one of the important criteria for determining the optimal location of the hospital. Also, the criterion of the geospatial distribution of Fine particulate matter (PM2.5) has the lowest weight. The results of geospatial modeling showed that the southwestern parts of the study area have a very high potential for hospital construction and 47.75% of the study area has a relatively high, and high potential for hospital construction. In other words, 47.75% of the study area does not have proper access to the existing hospitals and there is no spatial justice for the citizens of these areas in using the medical services of hospitals. Considering the realities of the study area, the lack of hospitals, and the improper access of the citizens of the western and southwestern parts to the existing hospitals, the results of geospatial modeling are in line with the realities. The results of ranking candidate sites showed that sites No. 5 and 6 are the most suitable places to build a new hospital in the second district.
 
Discussion of Results and Conclusion
The present study, by providing an integrated methodology of geospatial modeling and ranking, has led to accurate decision-making and reduced computational and implementation complexities. Previous research has largely not followed an integrated approach to geospatial modeling and ranking. An integrated approach by identifying potential areas prevents inappropriate alternatives from entering the ranking process and consequently reduces time and cost. Previous research has mainly used the subjective weighting methods of the AHP to determine the optimal location of the hospital. In the process of AHP, increasing the number of criteria or alternatives increases the pairwise comparison matrixes and consequently increases the decision-making time and incompatibility of the pairwise comparison matrixes (decreases accuracy). However, this method does not take into account the internal relationships between criteria and options. Regardless of the difficulty and complexity of real-world modeling with this method, repeating the pairwise comparison process if the incompatibility rate will high, adds to the problems of this method. New subjective weighting methods, such as the SWARA, are a good alternative to AHP. As can be deduced from the results of the present study, the outputs of geospatial modeling have been completely consistent with reality, and this is evidence of the high ability of the SWARA to be used in spatial decisions.
 

کلیدواژه‌ها [English]

  • Optimal Hospital Location Selection
  • Geospatial Modeling
  • SWARA
  • COPRAS
  • Geographic Information Systems (GIS)

مقدمه

بیمارستان به مهم‌ترین مرکز برای درمان مسائل مرتبط با سلامت مردم و بهبود زندگی سالم و استاندارد تبدیل شده است (Halder et al., 2020). تعیین مکان مناسب برای احداث بیمارستان، تصمیمی بسیار مهم برای سازمان‌های بهداشتی و درمانی است. این تصمیم به‌منظور رسیدن به یک زیرساخت عمومی پایدار بسیار حیاتی است؛ زیرا بیمارستان‌ها حتی در شرایط اضطراری و وقوع حوادث و بحران‌ها باید خدمات بهداشتی و درمانی را ارائه کنند (Yılmaz & Atan, 2021). اگر کشوری دارای خدمات بهداشتی و درمانی توسعه‌یافته باشد، امید به زندگی شهروندان را افزایش داده است (Halder et al., 2020)؛ بنابراین احداث بیمارستان در مکان مناسب و بهینه از سوی تصمیم‌گیران موجب تخصیص کارآمد خدمات بهداشتی و درمانی شده و زمینه‌ساز توسعۀ عدالت فضایی و دسترسی مطلوب تمامی شهروندان به خدمات بهداشتی و درمانی می‌شود. از دیدگاه شهروندان، ساخت بیمارستان در مکان مناسب موجب بهبود دسترسی به خدمات بهداشتی و درمانی، به حداقل رسیدن زمان دریافت خدمات اضطراری، افزایش رضایت شهروندان از خدمات و افزایش کیفیت زندگی شهروندان می‌شود (Almansi, et al., 2021). براساس تحقیقات پیشین (Dell’Ovo et al., 2018; Lin & Tsai, 2010; Vahidnia et al., 2009) تعیین مکان بهینۀ بیمارستان در قالب یک مسئلۀ تصمیم‎گیری چند معیاره بررسی و تحلیل می‌شود. تصمیم‌گیری چند معیاره ازجمله ابزارهای مورداستفاده در فرایند تصمیم‌گیری‌های دشوار و پیچیده است. مسائل تصمیم‌گیری پیچیده به‌طور معمول شامل بررسی تعداد زیادی گزینه براساس تعداد زیادی معیار است که امکان دارد، با هم در تضاد یا ارتباط باشند. از طرفی، فرایند تعیین مکان بهینه و مدل‌سازی مناطق مستعد یک تصمیم‌گیری مکانی و تجزیه‌وتحلیل‌های فضایی جزء بسیار مهم و غیرقابل چشم‌پوشی آن است؛ به همین دلیل مسائلی همانند تعیین مکان بهینۀ بیمارستان اغلب در قالب تصمیم‌گیری چند معیارۀ مکانی و با تلفیق تصمیم‌گیری چند معیاره و سیستم اطلاعات جغرافیایی بررسی می‌شوند (Boyacı & Şişman, 2022). سیستم اطلاعات جغرافیایی در حل چنین مسائلی دارای نقشی کاربردی است و به همین دلیل استفاده از تصمیم‌گیری چند معیاره مبتنی بر سیستم اطلاعات جغرافیایی رو به افزایش است (Malczewski, 2006). در ادامه، تعدادی از تحقیقات پیشین انجام‌شده در زمینۀ مکان‌یابی بیمارستان به‌اختصار تشریح شده است.

زندی و همکاران (1401) به‌منظور تعیین مکان بهینۀ بیمارستان در منطقۀ 5 کلان‌شهر تهران به تلفیق روش‌های وزن‌دهی عینی با روش تصمیم‌گیری چند معیارۀ کوداس توجه کردند. در این پژوهش از سیستم اطلاعات جغرافیایی برای تجزیه‌وتحلیل فضایی و تهیۀ لایۀ مکانی معیارهای تصمیم‌گیری، از وزن‌دهی عینی کریتیک[1] و آنتروپی شانون[2] برای محاسبۀ وزن عینی معیارها و از تصمیم‌گیری چند معیارۀ کوداس[3] برای رتبه‌بندی سایت‌های کاندید استفاده شده است. زندی و همکاران (1399) برای تعیین مکان بهینۀ احداث بیمارستان در تهران، از سیستم‌های اطلاعات مکانی به‌منظور تهیۀ اطلاعات و از وزن‌دهی عینی کریتیک برای وزن‌دهی معیارهای تصمیم‌گیری استفاده کردند. درنهایت سایت‌های کاندید با استفاده از دو روش کوداس و ویکور رتبه‌بندی شدند. رتبه‌بندی انجام‌شده با روش کوداس در مقایسه با روش ویکور به نتایج صحیح‌تری انجامید. نتایج پژوهش نشان‌دهندۀ آن بود که تعیین وزن معیارهای مکان‌یابی بیمارستان با استفاده از روش وزن‌دهی عینی کریتیک به نتایج صحیح و منطبق بر واقعیات منطقه منجر شده است. امتحانی و همکاران (1399) برای مکان‌یابی بیمارستان در منطقۀ 10 شهر شیراز از ترکیب سیستم اطلاعات جغرافیایی و فرایند تحلیل سلسله‌مراتبی استفاده کرده‌اند. لایه‌های مکانی معیارها براساس وزن به‌دست‌آمده از فرایند تحلیل سلسله‌مراتبی با هم تلفیق شده و نقشۀ تناسب اراضی برای احداث بیمارستان تهیه شده است. محمدی و همکاران (1398)، روشی ترکیبی برای تعیین مکان بهینۀ بیمارستان در منطقۀ 1 کلان‌شهر تهران ارائه دادند. در این پژوهش وزن معیارهای مکان‌یابی از تلفیق نتایج دو روش وزن‌دهی مدل بهترین-بدترین و دیماتیل-ANP[4] تعیین شده است و رتبه‌بندی سایت‌های کاندید با استفاده از دو روش تصمیم‌گیری چند معیارۀ ویکور[5] و کوپراس[6] صورت گرفته است. علوی و همکاران (1392) به‌منظور تهیۀ نقشۀ تناسب اراضی برای احداث بیمارستان در تهران ابتدا، با استفاده از روش فرایند تحلیل سلسله‌مراتبی وزن معیارها را محاسبه کرده و سپس لایۀ مکانی هر معیار را تهیه کردند. درنهایت با استفاده از ابزار جبر نقشه‌ای، لایه‌های مکانی به روش تاپسیس با هم تلفیق و نقشۀ تناسب اراضی احداث بیمارستان تهیه شده است. Boyacı و Şişman (2022) از روش فرایند تحلیل سلسله‌مراتبی فازی فیثاغورثی[7] برای تعیین وزن و از سیستم اطلاعات جغرافیایی به‌منظور تهیۀ لایۀ معیارهای مکان‌یابی استفاده و نقشۀ تناسب اراضی را برای احداث بیمارستان با همپوشانی لایه‌های مکانی تهیه کردند. درنهایت با روش تاپسیس به رتبه‌بندی 13 سایت کاندید توجه کردند. Beshr و همکاران (2022) به‌منظور مکان‌یابی بیمارستان برای بیماران کرونایی در مصر ترکیب فرایند تحلیل سلسله‌مراتبی فازی و سیستم اطلاعات جغرافیایی را به کار بردند. Fang-yu و همکاران (2022) به‌منظور تعیین مکان بهینۀ بیمارستان در شهر آمل از روش وزن‌دهی فرایند تحلیل سلسله‌مراتبی، منطق فازی و تاپسیس استفاده کردند. براساس نتایج این تحقیق، منطق فازی نسبت‌به روش تاپسیس در مکان‌یابی بیمارستان عملکرد و کارایی بیشتری دارد. Halder  و همکاران (2020) به‌منظور مکان‌یابی بیمارستان در هند، از ترکیب سیستم اطلاعات جغرافیایی و فرایند تحلیل سلسله مراتبی استفاده کردند. آنها با استفاده از روش فرایند تحلیل سلسله‌مراتبی وزن معیارها را محاسبه و با استفاده از سیستم اطلاعات جغرافیایی لایۀ مکانی معیارها را باهم تلفیق کردند. Zandi و Delavar (2021) با هدف مدل‌سازی عدم قطعیت تعیین مکان بهینۀ بیمارستان در تهران، روش وزن‌دهی عینی آنتروپی شانون را به کار بردند. آنها اطلاعات مکانی سایت‌های کاندید را با استفاده از سیستم اطلاعات جغرافیایی تهیه و آنها را با روش تاپسیس رتبه‌بندی کردند. نتایج پژوهش نشان‌دهندۀ صحت رتبه‌بندی انجام‌شده و تخصیص وزن معیارها بوده است. تحقیقات (Dell’Ovo et al. 2018; Dutta et al., 2021; Sahin et al., 2019; Soltani et al. 2019; Rahimi et al. 2017) به‌منظور مکان‌یابی بیمارستان از ترکیب سیستم اطلاعات جغرافیایی با فرایند تحلیل سلسله مراتبی و Vahidnia و همکاران (2009) برای تعیین مکان بهینۀ بیمارستان از تلفیق سیستم اطلاعات جغرافیایی با فرایند تحلیل سلسله مراتبی فازی استفاده کردند.

انتخاب مکان برای احداث بیمارستان جدید یکی از چالش‌های مهم تصمیم‌گیران است (Zolekar & Bhagat, 201425). ترکیب فرآیند تحلیل سلسله‌مراتبی با سیستم اطلاعات جغرافیایی برای فرآیندهای مختلف مکان‌یابی ازجمله بیمارستان بسیار استفاده شده است. تحقیقات پیشین اغلب از روش وزن‌دهی فرایند تحلیل سلسله‌مراتبی به‌منظور تعیین وزن معیارها استفاده کردند (Gul & Guneri, 2021). هرچند درک و محاسبات روش فرایند تحلیل سلسله مراتبی آسان است، چشم‌پوشی از روابط درونی میان معیارها، تعداد مقایسات زوجی بالا و ناسازگاری احتمالی میان نظرات کارشناسان نیز از معایب آن است. استفاده از سایر روش‌های وزن‌دهی مبتنی بر نظرات خبرگان، به‌ویژه روش‌های نوین همانند روش وزن‌دهی سوارا[8] در تحقیقات پیشین موردتوجه قرار نگرفته است. روش سوارا بر مبنای اولویت‌بندی انجام‌شده از سوی خبرگان وزن معیارها را تعیین می‌کند. این روش پیچیدگی مقایسات زوجی، ناسازگاری و تعدد ماتریس‌های مقایسات زوجی روش فرایند تحلیل سلسله مراتبی را ندارد. فرایند مکان‌یابی بهینۀ بیمارستان در تحقیقات پیشین اغلب به مدل‎سازی مکانی و ارائۀ نقشۀ تناسب اراضی محدود شده و انتخاب یک یا چند مکان به‌خصوص برای احداث بیمارستان جدید انجام نشده است. تهیۀ نقشۀ تناسب اراضی گامی مهم و اساسی در مکان‌یابی بهینۀ بیمارستان است؛ ولی چالش مهمی، که مطرح می‎شود، این است که بیمارستان جدید در کدام پارسل از مناطق مستعد شناسایی‌شده باید احداث شود؛ بنابراین رتبه‌بندی سایت‌های کاندید در مناطق مستعد احداث بیمارستان بر دقت و کارایی فرایند مدل‌سازی مکانی می‌افزاید. رتبه‌بندی باید گزینه‌ها را به‌طور جامع بررسی و ارزیابی و نتایج قابل‌اطمینانی ارائه کند. روش رتبه‌بندی کوپراس یکی از روش‌های تصمیم‌گیری چند معیارۀ بسیار پرکاربرد و قابل‌اطمینان است که به‌منظور رتبه‌بندی گزینه‌ها یک ارزیابی جامع و مقایسۀ کامل میان گزینه‌ها انجام می‌د‌هد که باعث درک کامل و صحیح تناسب گزینه‌ها می‌شود. با توجه به آنچه گفته شد، به‌منظور تعیین مکان بهینۀ احداث بیمارستان در منطقۀ 2 شهر تهران، یک روش ترکیبی شامل سیستم اطلاعات جغرافیایی، وزن‌دهی سوارا و رتبه‌بندی کوپراس تحقیق حاضر ارائه کرده است. در این پژوهش به‌منظور تهیۀ لایۀ مکانی معیارهای تصمیم‌گیری و انجام فرایند مدل‌سازی مکانی از قدرت تجزیه‌وتحلیل سیستم اطلاعات جغرافیایی استفاده شده است. برای کاهش پیچیدگی و افزایش دقت تصمیم‌گیری ابتدا، مدل‌سازی مکانی مناطق مستعد احداث بیمارستان را بررسی و سپس به رتبه‌بندی سایت‌های کاندید موجود در مناطق دارای پتانسیل زیاد توجه کرده است. فرضیۀ پژوهش حاضر به این صورت است که روش وزن‌دهی نوین سوارا با وجود پیچیدگی اجرایی و محاسباتی کمتر، دقتی مشابه با روش رایج فرایند تحلیل سلسله‌مراتبی دارد. نوآوری اصلی پژوهش حاضر ترکیب سیستم اطلاعات جغرافیایی، وزن‌دهی سوارا و رتبه‌بندی کوپراس در مسئلۀ مکانی تعیین مکان بهینۀ بیمارستان است. در ادامه، بخش 2، روش‌شناسی پژوهش در بخش 3، یافته‌های تحقیق و درنهایت نتیجه‌گیری تحقیق در بخش 4 تشریح شده است.

روش‌شناسی پژوهش

در این بخش منطقۀ موردمطالعه، معیارهای تصمیم‌گیری، داده‌های مورداستفاده، روش پیشنهادی برای تعیین مکان بهینۀ بیمارستان و مبانی نظری روش‌های مورداستفاده تشریح شده است.

 

منطقۀ موردمطالعه و داده‌های مورداستفاده در پژوهش

منطقۀ موردمطالعه

منطقۀ 2، از مناطق شمالی کلان‌شهر تهران است که از شمال به ارتفاعات البرز، از جنوب به خیابان آزادی، از شرق به بزرگراه شهید چمران و خیابان توحید و از غرب به بزرگراه آیت‌الله اشرفی اصفهانی و محمدعلی جناح محدود شده است (شکل 1). این منطقه با مساحتی بالغ بر 47 کیلومترمربع یکی از مناطق بزرگ کلان‌شهر تهران است. بیشتر از 692 هزار نفر در این منطقه سکونت دارد و تراکم جمعیت آن 144 نفر در هکتار است. این منطقه 10 بیمارستان دارد که ازنظر مکانی در قسمت‌های شرقی و شمال شرقی توزیع شده‌اند و مناطق غربی و جنوب غربی آن فاقد امکانات بیمارستانی هستند (Kaveh et al., 2020).

 

شکل (1) منطقۀ موردمطالعه

Figure (1) The Study Area

معیارهای مورداستفاده در پژوهش

همان‌گونه که در مقدمه اشاره شد، یکی از دلایل پیچیدگی و دشواری تصمیم‌گیری دربارۀ مکان احداث بیمارستان، تعداد زیاد معیارهای مؤثر بر این تصمیم است. این پیچیدگی زمانی که مدل‌سازی مکانی انجام شود، به دلیل لزوم انجام تجزیه‌وتحلیل فضایی معیارها دوچندان می‌شود؛ بنابراین در این مسئله باید سعی شود، معیارهای مهم‌تر موردتوجه قرار گیرند و استفاده از تمامی معیارهای ممکن به تناسب میان کیفیت، زمان و هزینه صدمه وارد می‌کند. تعیین مکان بهینۀ بیمارستان در تحقیقات پیشین با در نظر گرفتن معیارهای بسیاری انجام شده است. معیارهای مورداستفاده در پژوهش حاضر در جدول (1) آورده شده است. همان‌گونه که در جدول (1) مشاهده می‌شود، در این پژوهش تعداد 8 معیار به‌منظور مدل‌سازی مکانی و رتبه‌بندی براساس تحقیقات پیشین انتخاب شده است. بنا بر نتایج تحقیقات متعدد مبنی بر قرارگرفتن در معرض ذرات معلق با قطر کمتر از 5/2 میکرون (PM2.5) آلودگی هوا با بیماری‌های مختلف توزیع مکانی این ذرات به‌عنوان یکی از معیارهای تصمیم‌گیری انتخاب شده است.

جدول (1): معیارهای مورد‌استفاده در پژوهش

Table (1): The used Criteria In Research

معیار

مرجع

فاصله از فضاهای سبز

(زندی و همکاران، 1401؛  علوی و همکاران، 1392؛ محمدی و همکاران، 1398؛

Dell’Ovo et al., 2018; Kaveh et al. 2020; Soltani et al., 2019)

فاصله از مراکز آموزشی

(محمدی و همکاران، 1398؛

Chatterjee & Mukherjee, 2013)

فاصله از راه‌های اصلی

(امتحانی و همکاران، 1399؛  علوی و همکاران، 1392؛محمدی و همکاران، 1398؛

Dutta et al., 2021; Kaveh et al., 2020; Nsaif et al., 2020; Rahimi et al., 2017; Rezayee, 2020; Soltani & Marandi, 2011; Vahidnia et al., 2009)

فاصله از مراکز بهداشتی و درمانی

(زندی و همکاران، 1401؛ محمدی و همکاران، 1398)

فاصله از بیمارستان‌های موجود

(امتحانی و همکاران، 1399؛ محمدی و همکاران، 1398؛

Duttta et al., 2021; Kaveh et al., 2020; Nsaif et al., 2020; Rezayee, 2020; Soltani et al., 2019; Soltani & Marandi, 2011)

فاصله از ایستگاه‌های آتش‌نشانی

(محمدی و همکاران، 1398؛

Kaveh et al., 2020; Rahimi et al., 2017; Soltani et al., 2019)

تراکم جمعیت

(امتحانی و همکاران، 1399؛ زندی و همکاران، 1401؛

Chatterjee & Mukherjee, 2013; Dutta et al., 2021; Nsaif et al., 2020; Rahimi et al., 2017; Şahin et al., 2019; Soltani & Marandi, 2011; Soltani et al., 2019; Vahidnia et al., 2009)

توزیع مکانی ذرات PM2.5

(Dell’Ovo et al., 2018; Şahin et al., 2019)

 

تهیۀ لایۀ مکانی معیارهای تصمیم‌گیری

در فرایند مدل‌سازی مکانی یکی از عناصر مهم، تهیۀ لایۀ مکانی معیارهای مدنظر است. لایه‌های مکانی با تجزیه‌وتحلیل فضایی اطلاعات مکانی تهیه می‌شوند. اطلاعات مکانی مورداستفاده در پژوهش حاضر شامل: نقشۀ رقومی کاربری اراضی منطقۀ 2 شهر تهران (تکمیل‌شده با استفاده از اطلاعات سایت شهرداری تهران[9])، نقشۀ شبکۀ راه‌ها، اطلاعات جمعیت بلوک‌های منطقۀ 2 و مشاهدات PM2.5 (از سایت شرکت کنترل کیفیت هوا شهرداری تهران[10] برای بازۀ زمانی 1 بهمن 1399 تا 30 دی 1400، استخراج شده است) است. به‌منظور یکسان‌سازی سیستم تصویر نقشه‌های مورداستفاده، تبدیل به سیستم مختصات واحد و کدگذاری[11] واحد جداول اطلاعات توصیفی از نرم‌افزار QGIS 3.20.1 استفاده شده است. برای تهیۀ لایۀ مکانی هر معیار از نرم‌افزار ArcGIS 10.3.1 استفاده شده است. ابزار‌های تجزیه‌وتحلیل فضایی مورداستفاده برای تهیۀ لایۀ مکانی معیارها شامل: Euclidian Distance، Kriging Interpolation، IDW Interpolation، Extract by Mask، Reclassify و Feature to Points است. شکل (2) نشان‌دهندۀ لایه‌های مکانی معیارهای تصمیم‌گیری است که برای استفاده در فرایند مدل‌سازی مکانی تهیه شده‌اند.

 

الف

 

ب

 

پ

 

ت

شکل (2) الف) فاصله از فضاهای سبز؛ ب) فاصله از مراکز آموزشی؛ پ) فاصله از راه‌های اصلی؛ ت) فاصله از مراکز بهداشتی و درمانی. (ادامه)

Figure (2) a) Distance to green spaces; b) Distance to educational centers; c) Distance to main roads; d) Distance to healthcare centers. (Cont.)

 

الف

 

ب

 

پ

 

ت

شکل (2) فاصله از ایستگاه‌های آتش‌نشانی؛ ث) فاصله از بیمارستان‌های موجود؛ ح) تراکم جمعیت؛ د) توزیع مکانی ذرات PM2.5.

Figure (2) a) Distance to fire stations; b) Distance to existing hospitals; c) Population density; d) Spatial distribution of PM2.5.

 

 

روش پیشنهادی

پژوهش حاضر با هدف تعیین مکان بهینۀ احداث بیمارستان جدید در منطقۀ 2 کلان‌شهر تهران انجام شده است. به‌منظور رسیدن به هدف گفته‌شده از روش‌های تصمیم‌گیری چند معیارۀ نوین در تلفیق با سیستم اطلاعات جغرافیایی استفاده شده است. برای کاهش پیچیدگی‌های محاسباتی، افزایش کیفیت و دقت تصمیم‌گیری و سهولت پیاده‌سازی، یک روش ترکیبی شامل سیستم اطلاعات جغرافیایی و تصمیم‌گیری چند معیاره ارائه شده است. برای تجزیه‌وتحلیل‌های فضایی، مدل‌سازی مکانی، مدیریت و نمایش معیارهای تصمیم‌گیری از توانایی بالا سیستم اطلاعات جغرافیایی استفاده شده است. به‌منظور تعیین وزن معیارها از روش نوین سوارا استفاده شده است که براساس اولویت‌بندی خبرگان وزن معیارها را تعیین می‌کند. روش سوارا با وجود اینکه در دستۀ روش‌های وزن‌دهی ذهنی قرار می‌گیرد، از ماتریس مقایسات زوجی استفاده نمی‌کند و در تحقیقات مکانی کمتر مورداستفاده قرار گرفته است. درنهایت به‌منظور رتبه‌بندی سایت‌های کاندید از روش کوپراس استفاده شده است. روش کوپراس ازجمله روش‌های قدرتمند و پرکاربرد تصمیم‌گیری چند معیاره بوده است که قابلیت استفادۀ هم‌زمان معیارهایی را دارد که متناسب با هدف تصمیم‌گیری باید کمینه و بیشنه شوند؛ همچنین این روش ارزیابی جامعی از گزینه‌ها ارائه می‌دهد. شکل (3) نشان‌دهندۀ ساختار کلی پژوهش حاضر است. همان‌گونه که در این شکل مشاهده می‌شود، ابتدا، با مطالعۀ تحقیقات پیشین معیارها مناسب به‌منظور استفاده در پژوهش تعیین شده است. در گام بعد با در نظر گرفتن اولویت‌بندی انجام‌شده از سوی کارشناسان، وزن معیارهای تصمیم‌گیری با روش وزن‌دهی سوارا محاسبه شده است. در گام بعد با بهره‌گیری از توانایی سیستم اطلاعات جغرافیایی، لایه‌های مکانی معیارهای تصمیم‌گیری تهیه شده است. آنگاه لایۀ معیارها براساس وزن‌های به‌دست‌آمده از مرحلۀ وزن‌دهی با هم تلفیق و نقشۀ تناسب اراضی تهیه شد. در ادامه، تعداد 8 سایت کاندید در قسمت‌های دارای تناسب زیاد انتخاب و مقادیر معیارها برای آنها استخراج شده است. درنهایت سایت‌های کاندید با در نظر گرفتن وزن‌های به‌دست‌آمده از روش سوارا با تصمیم‌گیری چند معیارۀ کوپراس رتبه‌بندی و سایت‌های مناسب احداث بیمارستان جدید تعیین شد.

 

شکل (3) ساختار کلی پژوهش

Figure (2) General Structure of The Proposed Methodology

روش وزن‌دهی سوارا

روش وزن‌دهی سوارا یک وزن‌دهی ذهنی[12] است که از سوی کرشولین[13] و همکاران (2010) ارائه شده است. ویژگی اصلی این روش امکان برآورد نظرات خبرگان دربارۀ میزان اهمیت معیارها در فرایند وزن‌دهی است (Keršuliene, et al., 2010). به‌عبارتی، در این روش نظرات کارشناسان بسیار برتری دارد (Alinezhad & Khalili, 2019). ابتدا، خبرگان براساس نظر خود معیارهای مهم تصمیم‎گیری را تعیین می‎کنند. سپس وزن معیارها با روش سوارا به‌صورت زیر محاسبه می‌شود (Keršuliene et al., 2010).

گام اول: با تقسیم آرای معیارها بر تعداد خبرگان، فراوانی نسبی هر یک از معیارها محاسبه می‌شود.

گام دوم: معیارها براساس فراوانی نسبی به‌صورت نزولی مرتب و رتبه‌بندی می‌شوند. شاخصی که بیشترین فراوانی نسبی را داشته باشد، در رتبۀ اول قرار خواهد گرفت.

گام سوم: شاخص S برای تمام معیارها محاسبه می‌شود. این شاخص نشان‌دهندۀ اختلاف فراوانی نسبی هر معیار با معیار قبل از خود است. شاخص S برای معیار اول محاسبه نمی‌شود.

گام چهارم: پارامتر رشد (k) برای تمام معیارها با استفاده از رابطۀ (1) محاسبه می‌شود. پارامتر رشد برای معیار با رتبۀ اول برابر 1 در نظر گرفته می‌شود و برای سایر معیارها، حاصل جمع عدد 1 و شاخص S آن معیار است.

(1)

 

گام پنجم: اهمیت بازیابی‌شدۀ (q) معیار اول برابر با 1 بوده و برای سایر معیارها همانند رابطۀ (2)، برابر است با حاصل تقسیم q معیار قبلی بر k آن معیار.

(2)

 

گام ششم: وزن معیارها براساس رابطۀ (3) با تقسیم q هر معیار بر مجموع q تمام معیارها محاسبه می‌شود.

(3)

 

 

روش کوپراس

یکی از روش‌های شناخته‌شده و پرکاربرد تصمیم‌گیری چند معیاره روش کوپراس است که توسط (Zavadskas & Kaklauskas, 1996) ارائه شده است. این روش با در نظر گرفتن بهترین و بدترین راه‌حل به رتبه‌بندی گزینه‌ها توجه می‌کند (Valipour at al. 2017) و تأثیر معیارهای کمینه و بیشینه در فرایند رتبه‌بندی به‌صورت مجزا در نظر گرفته می‌شود (Alinezhad & Khalili, 2019). استفادۀ هم‌زمان از معیارهای کمی و کیفی در ارزیابی گزینه‌ها، انجام یک فرایند رتبه‌بندی جامع (زیاری و احسانی فرد، 1400) و مقایسه و تحلیل کامل گزینه‌ها با برآورد درجۀ اهمیت و بیان اندازۀ بهتر یا بدتربودن هر گزینه (Mulliner, et. al, 2013) از مزایای این روش نسبت به سایر روش‌های تصمیم‌گیری چند معیاره هستند. در ادامه، مراحل اجرای روش کوپراس براساس (Zavadskas & Kaklauskas, 1996; Alinezhad & Khalili, 2019) ارائه شده است.

گام اول: مطابق رابطۀ (4) ماتریس تصمیم تشکیل می‌شود.

 

(4)

در رابطۀ (4)، n تعداد گزینه‌ها و m تعداد معیارهاست.

گام دوم: ماتریس تصمیم با استفاده از رابطۀ (5) نرمال‌سازی می‌شود.

 

(5)

گام سوم: ماتریس تصمیم نرمال وزن‌دار با ضرب ماتریس تصمیم در بردار وزن معیارها براساس رابطۀ (6) محاسبه می‌شود.

 

(6)

 

گام چهارم: برای تمام گزینه‌ها مطابق رابطۀ (7) مجموع سطری ماتریس نرمال وزن‌دار برای معیارهای مثبت ( ) و مطابق رابطۀ (8) مجموع سطری ماتریس نرمال وزن‌دار برای معیارهای منفی ( ) به دست می‌آید.

 

(7)

 

(8)

گام پنجم: با استفاده از رابطۀ (9) امتیاز گزینه‌ها محاسبه می‌شود.

 

(9)

 

یافته‌های پژوهش

تعیین وزن معیارها با استفاده از روش وزن‌دهی سوارا

پس از تعیین معیارهای تعیین مکان بهینۀ بیمارستان، 8 معیار مهم برای محاسبۀ وزن مشخص شد (ستون اول جدول 2). در گام بعد، از 50 کارشناس با تخصص‌های مهندسی سیستم اطلاعات جغرافیایی، آمایش سرزمین و برنامه‌ریزی شهری خواسته شده است که معیارهای مهم مکان‌یابی بیمارستان را ازنظر خود تعیین کنند (ستون دوم جدول 2). همان‌گونه که در ستون سوم جدول (2) مشاهده می‌شود، با تقسیم تعداد آرای هر معیار بر تعداد کارشناسان، فراوانی نسبی و رتبۀ هر معیار محاسبه شده است. در گام بعد، مراحل روش وزن‌دهی سوارا در محیط برنامه‌نویسی Matlab 2014 کدنویسی شده و وزن معیارها همانند جدول (3) محاسبه شده است.

جدول (2) نظرات کارشناسان برای ورود به روش وزن‌دهی سوارا

Table (2) Experts’ Opinion for Using in SWARA Weighting Method

معیار

تعداد آرا

فراوانی نسبی (درصد)

رتبه

C1

فاصله از فضاهای سبز

26

52

5

C2

فاصله از مراکز آموزشی

29

48

6

C3

فاصله از راه‌های اصلی

42

84

2

C4

فاصله از مراکز بهداشتی و درمانی

21

42

7

C5

فاصله از بیمارستان‌های موجود

50

100

1

C6

فاصله از ایستگاه‌های آتش‌نشانی

33

66

4

C7

تراکم جمعیت

37

74

3

C8

توزیع مکانی ذرات PM2.5

17

34

8

 

جدول (3) وزن به‌دست‌آمده برای معیارها به روش سوارا

Table (3) Obtained Weights by SWARA Method

معیار

وزن

هدف تصمیم‌گیری

C1

فاصله از فضاهای سبز

1161/0

کمینه‌سازی

C2

فاصله از مراکز آموزشی

1095/0

بیشنیه‌سازی

C3

فاصله از راه‌های اصلی

1490/0

کمینه‌سازی

C4

فاصله از مراکز بهداشتی و درمانی

0996/0

کمینه‌سازی

C5

فاصله از بیمارستان‌های موجود

1728/0

بیشنیه‌سازی

C6

فاصله از ایستگاه‌های آتش‌نشانی

1254/0

کمینه‌سازی

C7

تراکم جمعیت

1354/0

بیشنیه‌سازی

C8

توزیع مکانی ذرات PM2.5

0922/0

کمینه‌سازی

 

همان‌گونه که در جدول (3) مشاهده می‌شود، نتایج روش وزن‌دهی سوارا نشان‌دهندۀ آن است که دو معیار فاصله از بیمارستان‌های موجود با وزن 1728/0 و فاصله از راه‌های اصلی با وزن 1490/0 و دو معیار توزیع مکانی ذرات PM2.5 با وزن 0922/0 و فاصله از مراکز بهداشتی و درمانی با وزن 0996/0 به‌ترتیب مهم‌ترین و کم اهمیت‌ترین معیارها در تعیین مکان بهینۀ بیمارستان هستند. هدف تصمیم‌گیری برای معیارها در ستون آخر جدول (3) ارائه شده است. واضح است که هدف تصمیم‌گیری، یافتن مکان‌هایی است که تا حد ممکن هدف تمام معیارها را برآورده کنند.

 

 

نتایج مدلسازی مکانی

به‌منظور مدل‌سازی مکانی ابتدا، لازم است، استاندارسازی لایه‎های مکانی انجام شود. در پژوهش حاضر به‌منظور استانداردسازی، لایه‌های مکانی براساس تأثیر معیار در فرایند تصمیم‌گیری (سود یا هزینه‌بودن هر معیار متناسب با هدف تصمیم‌گیری (ستون آخر جدول (3)) تعیین می‌شود) طبقه‌بندی شده‌اند. معیاری را، که افزایش مقدار آن موجب افزایش تناسب گزینه برای هدف تصمیم‌گیری (تناسب برای احداث بیمارستان) شود، معیار سود و معیاری را، که کاهش مقدار آن موجب افزایش تناسب گزینه برای هدف تصمیم‌گیری شود، معیار هزینه گویند. معیارهای فاصله از بیمارستان‌های موجود و مراکز آموزشی و تراکم جمعیت معیارهای سود و سایر معیارها هزینه هستند. براساس تحقیقات پیشین (محمدی و همکاران، 1398؛ Soltani & Marandi, 2011) همانند جدول (4) هر معیار متناسب با سود یا هزینه‌بودن به 5 کلاس طبقه‌بندی شده و به هر کلاس متناسب با ارزش آن، اعداد 1، 3، 5، 7 یا 9 اختصاص یافته است.

جدول (4) اطلاعات کلاسه‌بندی لایۀ معیارهای تصمیم‌گیری

Table (4) Information of the classification of decision criteria

معیار

کلاس

ارزش

معیار

کلاس

ارزش

فاصله از فضاهای سبز

(واحد: متر)

(هزینه)

0-250

250-500

500-750

750-1000

بیشتر از 1000

9

7

5

3

1

فاصله از بیمارستان‌های موجود

(واحد: متر)

(سود)

0-500

500-1000

1000-1500

1500-2000

بیشتر از 2000

1

3

5

7

9

فاصله از مراکز آموزشی

(واحد: متر)

(سود)

0-100

100-200

200-300

300-400

بیشتر از 400

1

3

5

7

9

فاصله از ایستگاه‌های آتش‌نشانی

(واحد: متر)

(هزینه)

0-400

400-800

800-1200

1200-1600

بیشتر از 1600

9

7

5

3

1

فاصله از راه‌های اصلی

(واحد: متر)

(هزینه)

0-100

100-200

200-300

300-400

بیشتر از 400

9

7

5

3

1

تراکم جمعیت

(واحد: نفر)

(هزینه)

0-250

250-500

500-750

750-1000

بیشتر از 1000

1

3

5

7

9

فاصله از مراکز بهداشتی و درمانی

(واحد: متر)

(هزینه)

0-200

200-400

400-600

600-800

بیشتر از 800

9

7

5

3

1

توزیع مکانی ذرات PM2.5

(واحد: میکرو گرم بر متر مکعب)

(هزینه)

0-10

10-20

20-30

30-40

بیشتر از 40

9

7

5

3

1

 

در ادامه، لایه‌های مکانی کلاسه‌بندی‌شده معیارها براساس وزن‌های به‌دست‌آمده از روش وزن‌دهی سوارا و با استفاده از روش همپوشانی شاخص در محیط ArcGIS 10.3.1 تلفیق شده است. نتایج مدل‌سازی در 4 طبقۀ بسیار نامناسب، نامناسب، به‌نسبت مناسب و مناسب مجدد طبقه‌بندی و در شکل (4) نشان داده شده است. همان‌گونه که در شکل (4) مشاهده می‌شود، قسمت‌های جنوب غربی منطقه پتانسیل بسیار زیادی برای احداث بیمارستان دارند؛ همچنین تناسب مناطق شمالی و شرقی منطقه بسیار پایین است که با توجه به واقعیت‌های منطقه و تجمع بیمارستان‌های موجود در این نواحی، نتایج مدل‌سازی منطبق بر واقعیت است. نتایج مدل‌سازی نشان داده است که 410/8 کیلومترمربع منطقه (17 درصد) تناسب بسیار نامناسب، 480/17 کیلومترمربع (25/35 درصد) تناسب نامناسب، 300/15 کیلومترمربع (31 درصد) تناسب به‌نسبت مناسب و 285/8 کیلومترمربع (75/16 درصد) تناسب مناسب برای احداث بیمارستان دارد. در ادامه، همانند شکل (5) به‌منظور تعیین یک مکان مشخص برای احداث بیمارستان تعداد 8 سایت کاندید با در نظر گرفتن 3 قید، دست‌کم مساحت 3000 مترمربع، دسترسی مناسب به راه‌های اصلی و بایربودن در مناطق با تناسب مناسب انتخاب شده است.

 

 

شکل (4) نتایج مدل‌سازی مکانی

Figure (4) Spatial Modeling Results

شکل (5) سایت‌های کاندید انتخاب‌شده

Figure (5) Selected Candidate Sites

 

 

رتبه‌بندی سایت‌های کاندید با روش کوپراس

ابتدا، به‌منظور تشکیل ماتریس تصمیم، مقادیر معیارها برای تمام سایت‌های کاندید استخراج شده است. در گام بعد، مراحل روش کوپراس در محیط Matlab 2014 برنامه‌نویسی شده است. جدول (5) نشان‌دهندۀ نتایج روش کوپراس است. همان‌گونه که در جدول (5) مشاهده می‌شود، مجموع سطری ماتریس نرمال وزن‌دار برای معیارهای مثبت ( )، مجموع سطری ماتریس نرمال وزن‌دار برای معیارهای منفی ( ) و امتیاز نهایی هر سایت محاسبه شده است؛ همچنین با تقسیم امتیاز هر سایت بر بیشترین امتیاز درصد مطلوبیت سایت‌ها محاسبه شده است. طبق نتایج روش کوپراس، سایت‌های شمارۀ 5 و 6 بهترین مکان برای احداث بیمارستان جدید هستند. امتیاز این دو سایت بسیار به هم نزدیک است؛ بنابراین تناسب هر دو سایت بسیار زیاد است؛ همچنین سایت شمارۀ 4 و 3 نیز نامناسب‌ترین مکان برای احداث بیمارستان است. با توجه به جدول (5) و همان‌گونه که در شکل (6) نشان داده شده است، دو سایت 5 و 6 بهترین مکان برای احداث بیمارستان جدید در منطقۀ 2 تهران هستند.

جدول (4) نتایج رتبه‌بندی سایت‌های کاندید به روش کوپراس

Table (4) The Results of Candidate Sites’ Ranking by COPRAS Method

سایت

 

 

 

درصد مطلوبیت

رتبه

1

1073/0

1056/0

1510/0

85/95

3

2

0861/0

0504/0

1069/0

89/67

6

3

0723/0

0365/0

1039/0

95/65

7

4

0903/0

0359/0

0898/0

04/57

8

5

0427/0

0436/0

1575/0

00/100

1

6

0481/0

0503/0

1516/0

25/96

2

7

0698/0

0522/0

1220/0

45/77

4

8

0657/0

0432/0

1173/0

46/74

5

 

 

 

شکل (6) رتبه‌بندی سایت‌های کاندید به روش کوپراس

Figure (6) The Ranking of Candidate Sites by COPRAS Method

نتیجه‌گیری

تحقیقات پیشین اغلب از روش وزن‌دهی فرایند تحلیل سلسله‌مراتبی برای تعیین مکان بهینۀ بیمارستان استفاده کرده‌اند. در فرایند تحلیل سلسله‌مراتبی، افزایش تعداد معیارها یا گزینه‌ها موجب افزایش مقایسات زوجی و به تبع آن افزایش زمان تصمیم‌گیری و بروز ناسازگاری در تصمیم‌گیری (کاهش دقت) می‌شود. این در حالی است که این روش روابط درونی میان معیارها و گزینه‌ها را نیز در نظر نمی‌گیرد. فارغ از سختی و پیچیدگی مدل‌سازی دنیای واقعی با این روش، تکرار فرایند مقایسات زوجی در صورت عبور نرخ ناسازگاری از یک مقدار مشخص بر مشکلات این روش می‌افزاید. با وجود اینکه روش‌های نوین وزن‌دهی ذهنی همانند روش سوارا جایگزین مناسبی برای این روش هستند، در تحقیقات مکان‎یابی بیمارستان استفاده نشده‌اند. پژوهش حاضر با ارائۀ یک روش یکپارچۀ مدل‌سازی مکانی و رتبه‌بندی موجب افزایش دقت تصمیم‌گیری و کاهش پیچیدگی‌های محاسباتی و پیاده‌سازی شده است. تحقیقات پیشین اغلب از رویکرد یکپارچۀ مدل‌سازی مکانی و رتبه‌بندی پیروی نکرده‌اند. رویکرد یکپارچه با تعیین مناطق مستعد از ورود گزینه‌های نامناسب به فرایند رتبه‌بندی جلوگیری می‌کند و به تبع آن زمان و هزینۀ تصمیم‌گیری کاهش می‌یابد.

نتایج روش وزن‌دهی نشان‌دهندۀ آن بود که معیار فاصله از بیمارستان‌های موجود بیشترین وزن را به خود اختصاص داده است؛ همچنین معیار توزیع مکانی ذرات PM2.5 که در تحقیقات پیشین استفاده نشده بود، کمترین وزن را به خود اختصاص داده است. نتایج مدل‌سازی مکانی نشان‌دهندۀ آن بود که قسمت‌های جنوب غربی منطقه پتانسیل بسیار زیادی برای احداث بیمارستان دارند. به‌طور تقریبی 48 درصد از منطقه به بیمارستان‌های موجود دسترسی مناسب ندارد و عدالت فضایی برای شهروندان این نواحی در استفاده از خدمات درمانی بیمارستان‌ها برقرار نیست. همان‌گونه که از پژوهش تحقیق حاضر استنتاج می‌شود، نتایج مدل‌سازی مکانی به‌طور کامل منطبق بر واقعیت بوده است. بدیهی است که دقت مدل‌سازی مکانی وابسته به دقت روش وزن‌دهی و نتایج تحقیق نشان‌دهندۀ توانایی زیاد روش وزن‌دهی سوارا برای استفاده در تصمیم‌های مکانی است. با توجه به موارد گفته‌شده فرضیۀ پژوهش یعنی «روش‌های وزن‌دهی نوین سوارا با وجود پیچیدگی اجرایی و محاسباتی کمتر دارای دقت مشابه با روش رایج فرایند تحلیل سلسله‌مراتبی است» اثبات می‌شود. نتایج رتبه‌بندی سایت‌های کاندید نشان‌دهندۀ آن بود که دو سایت 5 و 6 مناسب‌ترین مکان برای احداث بیمارستان جدید در منطقۀ 2 هستند.

مقایسۀ عملکرد روش ارائه‌شده در دو حالت استفاده از روش وزن‌دهی سوارا و روش وزن‌دهی فرایند تحلیل سلسله‌مراتبی به‌عنوان پیشنهاد برای تحقیقات آینده توصیه می‌شود. در پژوهش حاضر استفاده از نظرات متخصصان مدیریت بیمارستان در فرایند وزن‌دهی به دلیل نبودِ دسترسی به متخصصان این حوزه ممکن نشد. با توجه به اهمیت در نظر گرفتن نظرات متخصصان مدیریت بیمارستان پیشنهاد می‌شود، در تحقیقات آتی در فرایند وزن‌دهی، در کنار نظرات کارشناسان با تخصص‌های مهندسی سیستم اطلاعات جغرافیایی، آمایش سرزمین و برنامه‌ریزی شهری از نظرات کارشناسان با تخصص مدیریت بیمارستان نیز استفاده شود.

 

[1]. Criteria Importance Through Intercriteria Correlation (CRITIC)

[2]. Shannon’s entropy

[3]. Combinative Distance-based Assessment (CODAS)

[4]. DEMATEL-based Analytic Network Process (DANP)

[5]. vlsekriterijumska optimizacija i kompromisno resenje (VIKOR)

[6]. complex proportional assessment of alternatives (COPRAS)

[7]. Pythagorean fuzzy Analytic Hierarchy Process

[8]. Step-Wise Weight Assessment Ratio Analysis (SWARA)

[9]. map.tehran.ir

[10]. air.tehran.ir

[11]. Encoding

[12]. Subjective

[13]. Keršuliene

منابع
اصغری‌زاده، عزت‌الله، محمدی بالانی، عبدالکریم (1396). تکنیک‌های تصمیم‌گیری چندشاخصه، تهران: انتشارات دانشگاه تهران، چاپ دوم.
امتحانی، محمدرضا، عبدالعظیمی، هادی، شاهینی‌فر، حمیدرضا (1399). مکان‌یابی بیمارستان بهمنظور مدیریت سلامت شهروندان (نمونۀ موردی: منطقه 10 شهر شیراز)، مدیریت اطلاعات سلامت، 17(2)، 53-47.  Doi: 10.22122/him.v17i2.4046
زندی، ایمان، پهلوانی، پرهام، بیگدلی، بهناز (1401). رتبه‏بندی بهینة سایت‏های کاندید بیمارستان با استفاده از تلفیق روش‏های وزن‌دهی عینی و تصمیم‏گیری چند معیاره مبتنی بر سیستم اطلاعات جغرافیایی. مجلۀ علمی آمایش سرزمین. 14(1)، 369-347. https://doi.org/10.22059/jtcp.2021.327203.670238
زندی، ایمان، پهلوانی، پرهام، بیگدلی، بهناز (1399). تلفیق روش وزن‌دهی عینی کریتیک با روش کوداس و ویکور به‌منظور انتخاب مکان‌های مستعد احداث بیمارستان (مطالعۀ موردی: منطقۀ 5 تهرانجغرافیا و توسعۀ فضای شهری، 7(2)، 63-41. https://doi.org/10.22067/jgusd.2021.48121.0
زیاری، کرامت الله، احسانی فرد، علی اصغر (1400). بازآفرینی هدف‌دار با رویکرد پروژه‌های محرک توسعه با تلفیق الگوریتم  COPRASو CCDS (موردپژوهی: خیابان امام (ره) و محلة کهنه‌ دژ دارالمرحمه (سمنان))، مجلۀ علمی آمایش سرزمین، 13(2)، 460-421. Doi: 10.22059/jtcp.2021.325997.670234
علوی، علی، احمدآبادی، علی، مولائی قلیچی، محمد، پاتو، ولی، برهانی، کاظم (1392). مکانگزینی مناسب بیمارستانهای شهری با استفاده از تکنیکهای تلفیقی مدل تحلیلی تصمیم‌گیری چند معیاره و تحلیل‌های فضایی سیستم اطلاعات جغرافیایی (مطالعۀ موردی: منطقۀ ۷ شهر تهرانفصلنامۀ بیمارستان، 12)2(، 18-9. http://eprints.bpums.ac.ir/id/eprint/5025
محمدی، کمال، آل شیخ، علی اصغر، طالعی، محمد(1398). مکان‌یابی مراکز بیمارستانی با تلفیق روشهای بهترین- بدترین، دنپ، ویکور و کوپراس مطالعۀ موردی منطقۀ 1 شهر تهران، نشریۀ مهندسی فناوری اطلاعات مکانی، 7(3)، 43-17. http://jgit.kntu.ac.ir/article-1-739-fa.html
 
References
Alavi, S. A., Ahmadabadi, A., Molaei Qelichi, M., Pato, V., & Borhani, K. (2013). Proper site selection of urban hospital using combined techniques of MCDM and Spatial analysis of GIS (Case study: region 7 in Tehran city). Hospital12(2), 9-18. https://jhosp.tums.ac.ir/browse.php?a_code=A-10-25-5013&slc_lang=en&sid=1&ftxt=1
Alinezhad, A., & Khalili, J. (2019). New methods and applications in multiple attribute decision making (MADM) (Vol. 277, pp. 103-08). Cham: Springer.
Almansi, K. Y., Shariff, A. R. M., Abdullah, A. F., & Syed Ismail, S. N. (2021). Hospital site suitability assessment using three machine learning approaches: Evidence from the gaza strip in Palestine. Applied Sciences11(22), 11054. https://doi.org/10.3390/app112211054
Asgharizadeh, E., & balani, A. M. (2018). Multiple attribute decision making techniques. Tehran: Uneversity of Tehran Press [In Persian].
Beshr, A. A., Israil, M., Abden, H. A., & Farhan, M. H. (2022). Site Selection of Isolation Hospital for Coronavirus Patients in Nile Delta, Egypt, Using GIS Technology. Advances in Civil Engineering2022. https://doi.org/10.1155/2022/5144642
Boyacı, A. Ç., & Şişman, A. (2022). Pandemic hospital site selection: a GIS-based MCDM approach employing Pythagorean fuzzy sets. Environmental Science and Pollution Research29(2), 1985-1997. https://doi.org/10.1007/s11356-021-15703-7
Chatterjee, D., & Mukherjee, B. (2013). Potential hospital location selection using fuzzy-AHP: an empirical study in Rural India. International Journal of Innovative Technology and Research1(4), 304-314. https://core.ac.uk/download/pdf/228546495.pdf
Dell’Ovo, M., Capolongo, S., & Oppio, A. (2018). Combining spatial analysis with MCDA for the siting of healthcare facilities. Land use policy76, 634-644. https://doi.org/10.1016/j.landusepol.2018.02.044
Dutta, B., Das, M., Roy, U., Das, S., & Rath, S. (2021). Spatial analysis and modelling for primary healthcare site selection in Midnapore town, West Bengal. GeoJournal, 1-30. https://doi.org/10.1007/s10708-021-10528-w
Emtehani, M., Abodolazimi, H., & Shahinifar, H. (2020). Hospital Site Selection for the Health Management of the Citizens; A Case Study: Zone 10, Shiraz Municipal, Iran. Health Information Management17(2), 47-53.  https://doi.org/10.22122/him.v17i2.4046
Fang-yu, F., Qelichi, M. M., Namjooyan, F., & Asadi, A. (2022, July). A Comparative Study on Site Selection Methods for Modeling Hospital Locating in Urban Area, A Case Study in Iran. In International Conference on Computational Science and Its Applications (pp. 546-563). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-031-10545-6_37
Gul, M., & Guneri, A. F. (2021). Hospital location selection: A systematic literature review on methodologies and applications. Mathematical Problems in Engineering2021, 1-14. https://doi.org/10.1155/2021/6682958
Halder, B., Bandyopadhyay, J., & Banik, P. (2020). Assessment of hospital sites’ suitability by spatial information technologies using AHP and GIS-based multi-criteria approach of Rajpur–Sonarpur Municipality. Modeling Earth Systems and Environment6, 2581-2596. https://doi.org/10.1007/s40808-020-00852-4
Kaveh, M., Kaveh, M., Mesgari, M. S., & Paland, R. S. (2020). Multiple criteria decision-making for hospital location-allocation based on improved genetic algorithm. Applied Geomatics12, 291-306. https://doi.org/10.1007/s12518-020-00297-5
Keršuliene, V., Zavadskas, E. K., & Turskis, Z. (2010). Selection of rational dispute resolution method by applying new step‐wise weight assessment ratio analysis (SWARA). Journal of business economics and management11(2), 243-258. https://doi.org/10.3846/jbem.2010.12
Lin, C. T., & Tsai, M. C. (2010). Location choice for direct foreign investment in new hospitals in China by using ANP and TOPSIS. Quality & Quantity44, 375-390. https://doi.org/10.1007/s11135-008-9199-2
Malczewski, J. (2006). GIS‐based multicriteria decision analysis: a survey of the literature. International journal of geographical information science20(7), 703-726. https://doi.org/10.1080/13658810600661508
Mohammadi, K., Alesheikh, A. A., & Taleai, M. (2019). Locating Hospital Centers by an Integration of BWM، DANP، VIKOR and COPRAS Methods (Case Study: Region 1, City of Tehran). Engineering Journal of Geospatial Information Technology7(3), 17-42. http://jgit.kntu.ac.ir/article-1-739-en.html
Mulliner, E., Smallbone, K., & Maliene, V. (2013). An assessment of sustainable housing affordability using a multiple criteria decision-making method. Omega41(2), 270-279. https://doi.org/10.1016/j.omega.2012.05.002
Nsaif, Q. A., Khaleel, S. M., & Khateeb, A. H. (2020). Integration of GIS and remote sensing technique for hospital site selection in Baquba district. J. Eng. Sci. Technol15, 1492-1505.
Rahimi, F., Goli, A., & Rezaee, R. (2017). Hospital location-allocation in Shiraz using geographical information system (GIS). Shiraz E-Medical Journal18(8). https://doi.org/10.5812/semj.57572
Rezayee, M. (2020). Hospital site selection in Iskandar Malaysia using GIS-multi criteria analysis. Int J Basic Sci Appl Comput2(10), 8-15. DOI: 10.35940/ijbsac.K0159.0221020
Şahin, T., Ocak, S., & Top, M. (2019). Analytic hierarchy process for hospital site selection. Health Policy and Technology8(1), 42-50. https://doi.org/10.1016/j.hlpt.2019.02.005
Soltani, A., & Marandi, E. Z. (2011). HOSPITAL SITE SELECTION USING TWO-STAGE FUZZY MULTI-CRITERIA DECISION MAKING PROCESS. Journal of Urban and Environmental Engineering, 5(1), 32–43. http://www.jstor.org/stable/26203354
Soltani, A., Balaghi, R., Rezaei, M., & Riyabi, M. A. (2019). Spatial analysis and urban land use planning with emphasis on hospital site selection, case study: Isfahan city. Bulletin of Geography. Socio-economic Series, (43), 71-89. http://doi.org/10.2478/bog-2019-0005
Vahidnia, M. H., Alesheikh, A. A., & Alimohammadi, A. (2009). Hospital site selection using fuzzy AHP and its derivatives. Journal of environmental management90(10), 3048-3056. https://doi.org/10.1016/j.jenvman.2009.04.010
Valipour, A., Yahaya, N., Md Noor, N., Antuchevičienė, J., & Tamošaitienė, J. (2017). Hybrid SWARA-COPRAS method for risk assessment in deep foundation excavation project: An Iranian case study. Journal of civil engineering and management23(4), 524-532. https://doi.org/10.3846/13923730.2017.1281842
Yılmaz, M., & Atan, T. (2021). Hospital site selection using fuzzy EDAS method: case study application for districts of Istanbul. Journal of Intelligent & Fuzzy Systems41(2), 2591-2602.
Zandi, I., & Delevar, M. R. (2021). Integration of GIS, Shannon Entropy and Multi-Criteria Decision Making for Hospital Site Selection. In 29th Annual GIS Research UK Conference (GISRUK), Cardiff, Wales, UK (Online): Zenodo. http://doi. org/10.5281/zenodo (Vol. 4680857).
Zandi, I., Pahlavani, P., & Bigdeli, B. (2021). Combining CRITIC Objective Weighting Method with CODAS and VIKOR Methods for Selecting Prospect Hospital Sites (Case Study: The Fifth District of Tehran). Geography and Urban Space Development7(2), 63-41. https://doi.org/10.22067/jgusd.2021.48121.0
Zandi, I., Pahlavani, P., & Bigdeli, B. (2022). The Optimal Ranking of Candidate Hospital Sites Using a Combination of Objective Weighting Method and Multi-Criteria Decision Making Based on Geographical Information System. Town and Country Planning14(1), 347-369. DOI: 10.22059/jtcp.2021.327203.670238
Zavadskas, E. K., & Kaklauskas, A. (1996). Pastatų sistemotechninis įvertinimas.
Ziari, K., & Ehsanifard, A. (2021). Purposeful Regeneration Using Development-Inducing Projects Approach via the Integration of COPRAS Algorithms and CCDS: The Case Study of Imam Street and Kohne Dezh Neighborhood, Dar- ol-Marhame, Semnan. Town and Country Planning13(2), 421-460. doi: 10.22059/jtcp.2021.325997.670234
Zolekar, R. B., & Bhagat, V. S. (2014). Use of IRS P6 LISS-IV data for land suitability analysis for cashew plantation in hilly zone. Asian Journal of Geoinformatics14(3), 23-35.