چکیده:
مزایای فضای سبز عمومی امروزه بخوبی روشن است؛ اما هنوز به سختی میتوان گفت که کدام یک از پارکها پتانسیل بالاتری جهت تامین تقاضای تفرجی کاربران (گردشگران و شهروندان) دارند. هدف از این مقاله مدلسازی ارزیابی تقاضای تفرجی در پارکهای شهری با استفاده از شبکه عصبی مصنوعی به منظور کشف روابط حاکم در رضایتمندی و تقاضای تفرجی کاربران از پارک شهری است. 104 پارک شهری محلی، ناحیهای و منطقهای در مناطق 22گانه شهر تهران با تنوع بالا در کیفیت خدمات رفاهی و شیوه طراحی انتخاب گردید. ارزیابی میزان تقاضای تفرجی در پارکهای شهری با استفاده از دیدگاه درک کاربر محور صورت گرفته و نقش متغیرهای منطقهای و خدماتی در افزایش تقاضای استفاده از پارکهای شهری به روش اندازهگیری میدانی در سال 1395 تا 1396 بررسی شد. با توجه به نتایج شبکههای آموزش داده شده، مدل شبکه عصبی مصنوعی با توجه به بیشترین مقدار ضریب تبیین در سه دسته داده آموزش، اعتبارسنجی و آزمون، بهترین عملکرد بهینهسازی ساختار را نشان میدهد. بر اساس نتایج آنالیز حساسیت تعداد پارکهای منطقه، مساحت امکانات ورزشی، مساحت امکانات فرهنگی و کیفیت منظر به ترتیب با ضریب اثرگذاری 5/183، 1/58، 7/52 و 4/30 بیشترین تاثیر را در میزان تقاضای تفرجی کاربران در پارکهای شهری از خود نشان دادند. مدل ارائه شده به عنوان یک سیستم پشتیبان تصمیمگیری در طراحی مهندسی پارکهای شهری شناخته میشود. چنین رویکردی موجب توسعه شهرها بر اساس افزایش جاذبههای گردشگری و در نتیجه توسعه گردشگری شهری در سطح کلان میشود.
The advantages of public green spaces are clear. However, it is hard to estimate which parks
provide higher standards for users’ (both tourists and citizens) recreational demands. This study
provided a model to assess recreational demands in urban parks with the help of the artificial
neural network. The aim was to clarify the rules of satisfaction among the users’ recreational
demands in urban parks. In 22 districts of the city of Tehran, 104 local urban parks (with a high
diversity of the quality of welfare services and design) were selected. Using the user-centered
viewpoint, we assessed the recreational demand. A field study from 1395 to 1396 helped to
investigate the role of the urban district and park service variables in increasing the demand for
urban parks. Results of trained networks showed that the artificial neural network created the
best function of topology optimization with a higher coefficient of determination in three
categorists of training, validation, and test data. Sensitivity analysis showed that the number of
urban district parks, sports areas, cultural areas, and the quality of landscape with a sensitivity
coefficient of 183.5, 58.1, 52.7, and 30.4, respectively, had the highest effect on the users’
recreational demand in urban parks. The suggested model would be a decision support system in
designing urban parks. Such an approach would help improve urban development based on
tourism attractions and would develop urban tourism on a broader scale.