چکیده:
امروزه جوامع محلی در تلاش برای دستیابی به شرایطی هستند که در صورت وقوع بحران، بازگشت سریع آنها را به وضعیت پیش از بحران فراهم سازد. بنابراین دیدگاه غالب از تمرکز بر روی کاهش آسیبپذیری به افزایش تابآوری در مقابل سوانح تغییر کرده است. تابآوری به ظرفیت سیستمهای اکولوژیکی برای جذب اختلالات و حفظ ساختارهای لازم سیستم اطلاق می-شود. شهر شیراز در منطقه لرزهخیز زاگرس قرار گرفته که دارای استعداد لرزهخیزی بالایی میباشد. با توجه به اهمیت کاربری-های موجود در منطقه 3 شهرداری شیراز، هدف این پژوهش سنجش میزان تابآوری اجتماعی- اقتصادی در برابر زلزله در این منطقه است. پژوهش حاضر از نظر هدف، کاربردی و از نظر شیوه انجام، توصیفی- تحلیلی است. بدین صورت که با استفاده از مطالعات کتابخانهای همه معیارهای مورد ارزیابی مناسب این منطقه استخراج گردید. سپس جهت بررسی تجزیه و تحلیل چند متغیره بین متغیرها و همچنین برآورد متوسط متغیر وابسته(تابآوری اجتماعی- اقتصادی) براساس مقادیر متغیرهای مستقل(متغیرهای زمینهای اجتماعی- اقتصادی) مدل رگرسیون خطی چندگانه به کار رفته است. نهایتا برای تعیین "سهم مولفه-های تابآوری اجتماعی و اقتصادی در تبیین میزان تابآوری خانوارهای این منطقه " از مدل شبکه عصبی مصنوعی، استفاده شده است. با توجه به نتیجهی رگرسیون خطی با کاهش میزان درآمد صرف ضروریات میزان تابآوری افزایش مییابد. از میان شاخصهای مورد مطالعه مولفه سرمایه اجتماعی و مهارت مهمترین و مولفههای میزان و شدت خسارت و توانایی بازگشت به شرایط شغلی و مالی مناسب کم اهمیتترین متغیر در پیشبینی تابآوری کل برخوردارند. بنابراین مولفههای اجتماعی در این مطالعه تاثیر بیشتری در میزان تابآوری دارند.
Today, local communities are struggling to find conditions that will allow them to return quickly to the pre-crisis situation in the event of a crisis. In recent years, emphasis has been placed on the issue of resilience rather than vulnerability. resilience is the ability of a system to absorb perturbation, or the magnitude of disturbance that can be absorbed before a system changes its structure by changing the variables. Shiraz is located in the Zagros seismic zone with high seismicity. Considering the importance of existing land uses in the 3rd municipal district of Shiraz city, the aim of this study was an evaluation of social and economic resilience in this district. This applied research is using descriptive and analytical methods. The indicators of social and economic resilience were identified from the literature, and then data were collected through a field study using questionnaires. Data were analysed using multiple linear regression and feedforward multilayer perceptron artificial neural network. Linear regression indicated that a decrease in share of income spent on necessities could result in an increase in social and economic resilience of the households under study. Neural network analysis revealed that social capital and employment recovery are the most and least effective factors. In the population under study, social component, was the most important determinant of resilience.