نوع مقاله : مقاله علمی پژوهشی
عنوان مقاله English
نویسندگان English
Mountain vulnerability assessment has shifted from indicator-based and spatial approaches toward hybrid frameworks combining GIS, remote sensing, machine learning, MCDA, and statistical-participatory methods. Yet methodological diversity alone does not guarantee that the resulting documents are coherent, robust, or useful for decision-making.To examine the state of methodology in mountain vulnerability research, we conducted a review-based methodological assessment. Following the PRISMA 2020 protocol, we selected 96 articles and carefully analyzed their methodological landscape within a meta-method framework. Data processing, classification, and statistical analysis were performed using Python in the Google Colab environment, based on a reproducible computational flowchart. We examined the documents across several dimensions: methodological groups, methodological architecture, process robustness, output types, and their linkage to decision-making.Results showed that composite architecture dominated vulnerability assessment (83.3%, n=80). Uncertainty, however, received limited attention, appearing in only 10.4% of studies. Validation was reported in 57.3% of the reviewed papers. Overall, 57.3% of the studies presented a complete method–output–decision chain.Monte Carlo permutation tests followed by Benjamini–Hochberg correction indicated a significant association between methodological architecture and chain completeness (Cramér’s V = 0.441; pFDR = 0.0003). Temporal shifts in methodological architecture were also evident.Synthesizing the findings within the meta-method framework confirmed an eight stage process: problem framing, vulnerability conceptualization, data architecture, method architecture, aggregation and modeling, validation and robustness, output translation, and decision linkage.The final results suggest that a methodological gap does not actually exist in this field. Rather, the core issue lies in methodological shortcomings, specifically, weaknesses in addressing uncertainty and in connecting to decision-making. As a result, methodological outputs are only partially transformed into decision functions.
کلیدواژه‌ها English
مقدمه
ارزیابی آسیبپذیری کوهستانها ارتباط تنگاتنگ بین متغیرهای اقلیمی، اکولوژیکی و زمینشناختی و فشارهای اجتماعی را نشان میدهد و در سطح مناطق کوهستانی نتایج متفاوتی را بر اساس شرایط بستر و محیط زیست ارائه میدهند (Gerlitz et al., 2016; Cavallo et al., 2025). چنین ارزیابی و درک این مشکل نیاز به استفاده از روشهای مختلف دارد. بررسی ادبیات نشان میدهد که عدم سازگاری زیادی در این زمینه وجود دارد که در آن آسیبپذیری مرتبط با بلایا و رویدادها اغلب غالب است. با این حال به این معنا نیست که مسائل اقلیمی، محیط زیستی، اجتماعی- اقتصادی و معیشتی را نادیده گرفته شود. مطالعات اولیه و تاثیرگذار در این زمینه بیشتر در چارچوب پارادایمهای سوانح و تابآوری، شاخصهای آسیبپذیری معیشتی، شاخصهای آسیبپذیری اجتماعی و رویکردهای مبتنی بر شاخص توسعه یافتهاند (Fuchs, 2009; Papathoma-Köhle et al., 2019). در نتیجه این روند ارزیابی آسیبپذیری را به ارزیابی تشخیصی تبدیل کرده است که مناطق در معرض خطر، تحلیل حساسیت، ظرفیت سازگاری همراه با موانع و شرایط اجتماعی و اقتصادی را ارائه میدهد (Simane et al., 2014; Valencia et al., 2020). بررسی ادبیات نشان میدهد که تعداد فزایندهای از مطالعات در این زمینه وجود دارد. روشهای مبتنی بر شاخص و روشهای یکپارچه شاخصگرا به گروه پیشرو تحقیقات در این زمینه تبدیل شدهاند که گاهی اوقات با استفاده از GIS و حسگرهای از راه دور برای نقشهبرداری از ناسازگاریهای فضایی همراهاند (Tessema & Simane, 2019; Aksha et al., 2018). علاوه بر آن روشهای تصمیمگیری چند معیاره مانند AHP گاهی اوقات برای اولویتبندی استفاده میشوند (Darabi et al., 2019). در همین حال رویکرد کاهشگرا سعی درکاهش تکرار و برقراری رابطه تجربی دارد (Nisha & Punia, 2014; Limboo et al., 2025). با گذشت زمان روشهای یادگیری ماشین شروع به استفاده در زمینه تخمین تواناییها، طبقهبندی و ارزیابی از طریق پیشبینی و سناریوها کرده است. هدف این دسته از مطالعات ادبیات بررسی پیشبینی شرایط آینده تحت تاثیر اصلی آب و هوا و اکوسیستم است (Iwahashi et al., 2021; Wu et al., 2023).
به موازات این مطالعات نظرسنجیها و مطالعات تحقیقاتی مبتنی بر مشارکت نقش مهمی را در مواردی که آسیبپذیری جنبههای اجتماعی و اقتصادی دارد ایفا میکنند (Valencia et al., 2020; Li et al., 2025). نمونههایی از این نوع تحقیقات را میتوان در تحقیقات در مورد آسیبپذیری چند بعدی معیشت و شرایط اجتماعی یافت (Gerlitz et al., 2016; Aksha et al., 2018). مطالعات ارزیابی چندمتغیره را میتوان در تحقیقات شاه و همکاران (2023)؛ فایاز و همکاران (2023) یافت. تحقیقاتی مانند کارهای هان و همکاران (2023)؛ ایواهاشی و همکاران (2021) نمونههایی از یادگیری ماشین و طبقهبندی مبتنی بر داده است. والنسیا و همکاران (2020)؛ بای و همکاران (2014) مطالعاتی هستندکه از ارزیابیهای مبتنی بر سناریو استفاده کرده هستند. در نهایت فوکس و همکاران (2012)؛ فاویه و همکاران (2014) نمونههایی از استفاده از آمار فضایی در مطالعات سوانح هستند. با وجود اینکه این لیست شامل انواع مختلف تحقیقات در زمینه ارزیابی آسیبپذیری کوهستانی است، اما مشکلات ساختاری خاصی با این روشها وجود دارد. یعنی اگر خود مسئله به خوبی تعریف نشده باشد حتی پیچیدهترین روشها در ارزیابی آسیبپذیری شکست خواهند خورد یا اگر نتایج تایید نشده و عدمقطعیت را در نظر نگرفته باشد دوباره شکست خواهد خورد. علاوه بر این عدمتوانایی در اجرای نتایج تجزیه و تحلیل به تصمیمات عملی ممکن است کیفیت روش را به طور منفی تحت تاثیر قرار دهد. با وجود اینکه محققان زمینه روششناختی مهمی و بسیاری از نمونهها در ادبیات تولید کردهاند اما به اندازه کافی به ارتباط بین تجزیه و تحلیل مسئله و تصمیمگیری توجه نمیکنند. اغلب مقالات زنجیره M-O-D را نشان میدهند.
مطالعات بررسیهای قبلی جنبههای مختلف آسیبپذیری مناطق کوهستانی را مورد بررسی قرار دادهاند. پاپاتوما-کوله و همکاران (2011) در مطالعه خود آسیبپذیری فیزیکی را برای ارزیابی خطر کوهستانی مورد بحث قرار دادند و رویکردهای موجود و الزامات روششناختی آنها را تجزیه و تحلیل کردند. تاکر و همکاران (2021) 75 مطالعه را بررسی کردهاند. به عنوان نتیجه محققان ناسازگاری قابل توجهی در مقیاس، اهداف شاخص و رویکردها را شناسایی کردند. سلطان و همکاران (2022) 59 مطالعه را که به آسیبپذیری در هیمالیا اختصاص داده شده بود تجزیه و تحلیل کردند. آنها نشان دادند که تحقیقات آسیبپذیری در هیمالیا شامل رویکردهای اجتماعی، طبیعی و ترکیبی است. یعنی از نظر روششناختی ناسازگاری قابل توجهی وجود دارد.
سیلویا و همکاران (2024) 52 مطالعه مرتبط با ارزیابی آسیبپذیری ناشی ازتغییر اقلیم در مناطق کوهستانی آسیای مرکزی را مورد بررسی قرار دادند و دو نوع سازگاری تدریجی و تحول یابنده را طبقهبندی کردند. کاپران و همکاران (2025) 118 نشریه را بررسی کردند و استراتژیهای سازگاری چندوجهی در این زمینه را کشف کردند. هرچند این مطالعات به طور قابل توجهی به گسترش پایگاه دانش در ارزیابی آسیبپذیری کمک کردهاند اما هرکدام از آنها بر یک منطقه، رویکرد، شاخص و پاسخ و واکنش به آسیبپذیری متمرکز بودهاند. بنابراین مفهومیسازی آسیبپذیری، معماری داده و روشهای تجزیه و تحلیل، تجمیع یا مدلسازی و تایید و ارزیابی عدمقطعیت و پیوند آن به تصمیمگیری مورد توجه قرار نگرفته است. واضح است که توجه ناکافی به مفهوم آسیبپذیری، معماری داده و روشهای تجزیه و تحلیل، تجمیع یا مدلسازی و تایید و ارزیابی عدمقطعیت و پیوند آن به تصمیمگیری یک شکاف جدی در این زمینه ایجاد میکند. اینکه کدام روش عملکرد موثرتری را ارائه میدهد چندان روشن نیست. علی رغم تنوع و تعدد روشهایی که در مطالعات موجود در این زمینه ارائه شدهاند آنها به سطح یکپارچگی که نشان دهد چگونه عملکردهای روشهای مختلف به هم متصل شدهاند نرسیدهاند یا اینکه در کجا استحکام یک روش شکست میخورد. در نهایت اینکه آیا نتیجه یک روش به یافتههای عملی برای برنامهریزی، سیاست و مدیریت تبدیل میشود. بنابراین این پژوهش با هدف پاسخگویی به سوالات زیر انجام میشود: 1- چگونه خانواده روشهای ارزیابی آسیبپذیری کوهستانی و معماری آنها در طول زمان توسعه یافته است؟ 2- نقش تایید، تحلیل حساسیت و عدمقطعیت در این مطالعات چیست؟ 3- چه نوع معماری روش میتواند به صورت تجربی از ادبیات بدست آید؟ بنابراین تمرکز این مطالعه بر روی معماری روش است.
روششناسی پژوهش
این مطالعه به عنوان یک بررسی سیستماتیک همراه با رویکرد ترکیبی انجام میشود. چارچوب بررسی سیستماتیک بر اساس پروتکل PRISMA (2020) است. شکل 1 روند شناسایی، غربالگری، بازیابی، ارزیابی و انتخاب مجموعه نهایی مقالات بر اساس این پروتکل را نشان میدهد (Page et al., 2021). به عنوان منبع اطلاعات برای جستجو پایگاههای داده Semantic Scholar و OpenAlex در بازه زمانی 2008 تا 2026 استفاده شدهاست. Web of Science به دلیل محدودیتها برای جستجو در دسترس نبود. برای جستجوی مناطق کوهستانی چنین کلمات کلیدی مانند کوه، کوهستانی، آلپین، ارتفاعات، اراضی مرتفع استفاده شدهاست. برای جستجوی واژهها سه گروه واژگان بهره گرفتهشد که در محورهای کوهستان، ارزیابی و آسیبپذیری به شرح زیر دستهبندی شدند: mountain، mountainous، alpine،highland، upland ، vulnerability، vulnerable، fragility assessment،evaluation، index ، indicator، model، framework، GIS، remote sensing، MCDA/AHP، .statistical
استفاده از 5832 رکورد از Scopus که داده خام بودند انجام شد. سپس دادهها به 3170 مرجع کاهش یافتند و در نهایت 2008 منبع اصلی تشکیل جستجوی اصلی را دادند. در Open Alex، حدود 5223 رکورد بدست آمد. در کل 7231 رکورد حاصل شد. از این تعداد 6840 رکورد پس از حذف دادههای تکراری باقی ماند. سپس با غربالگری عنوان و خلاصه 3485 منبع باقی ماند. در مرحله بعد با ادغام رکوردها بر اساس زمینه کوهستانی، تمرکز آسیبپذیری، جهت ارزیابی، نشانههای روششناختی و ویژگیهای غیرهدفمند آنها طبقهبندی شدند. پس از غربالگری متن کامل تعداد به 1007 مرجع کاهش یافت. سپس بر اساس متن کامل 324 مرجع واجد شرایط برای بازیابی کامل و ورود به مرحله ارزیابی بودند. پس از جستجوی منابع و بدست آوردن متن کامل مشخص شد که در واقع دسترسی به 226 منبع غیرممکن است و 98 منبع برای تحلیل نهایی که قابل بررسی سیستماتیک هستند بدست آمد. در مرحله آخر با انجام تایید کتابخانه هر سند از طریق DOI خود شناسایی شد. با حذف موارد تکراری بدنه اصلی 96 مورد مطالعه شد. علاوه بر این که بررسی سندهای DOI این منابع بررسی دیگر جزئیات کتابخانهای را برای اطمینان از دقت بررسی انجام گرفت. سپس ساخت پایگاه داده از یافته ها، مفاهیم آسیبپذیری، معماری داده و خانواده روشها ساخته شد. در این توالی روشها انتخاب نشانهها، نرمالسازی، وزندهی، تجمیع، مراحل تایید، حساسیت، ناسازگاری، انواع خروجی و توابع تصمیمگیری در نظر گرفته شدند.
شکل 1. فرآیند طی شده براساس پروتکل پریسما به منظور غربالگری منابع مورد استفاده
Figure 1. Process followed based on the PRISMA protocol for screening the sources used
روشها به چندین خانواده به شرح زیر تقسیم شدند: نشانه/ نشانه ترکیبی، یادگیری ماشین، نظرسنجی/ مشارکت،MCDA/AHP ، روشهای مبتنی بر بر اساس سناریو، GIS/حسگر از راه دور، کاهش ابعاد آماری یا سایر/ غیر واضح. معماری روشها به خانواده یکی، ترکیب دو خانواده، ترکیب چند روش یا نامشخص تقسیم شد. در زمینه تصمیمگیری داده استخراج شده قادر به ارزیابی صریح برنامهریزی و مدیریت سیاست یا اولویتبندی تصمیمات بودند. با توجه به مقدار دادههای بدست آمده برای مدیریت و هماهنگی رکوردها، حذف دادههای تکراری، غربالگری، استخراج شواهد از متن کامل، طبقهبندی روششناختی و تحلیل کمی از برنامه پایتون استفاده شد. برای اجرای پایتون در Google Colab عملیاتی شد برای تولید دادههای توصیفی، جدولهای همخوان، استنباطات آماری پایتون استفاده شد. برای تحلیل رابطه بین دو متغیر دستهای آمار کای دو پیرسون به شرح زیر محاسبه شد:
که در آن:
فراوانی مشاهده شده در سلول i و j
فراوانی مورد انتظار در همان سلول
r= تعداد سطرهای جدول توافقی
=c تعداد ستونهای جدول توافقی
فراوانی مورد انتظار هر سلول نیز از رابطه زیر محاسبه میشود:
که در آن مجموع فراوانی سطرi ، مجموع فراوانی ستون j، وN تعداد کل مطالعات است.
درجه آزادی آزمون نیز برابر است با:
df=(r-1)(c-1)
از آنجا که معناداری آماری به‌تنهایی شدت ارتباط را نشان نمی‌دهد، اندازه اثر با کرامر وی محاسبه شد:
که در آن کای دو پیرسون، N تعداد کل مطالعات، r و c تعداد سطرها و ستونهای جدول توافقی است. مقدار V در بازه صفر تا یک قرار میگیرد. مقادیر بیشتر بیانگر ارتباط قویتر است. به دلیل وجود فراوانی‌های مورد انتظار کوچک درتعدادی از سلول‌ها جداول توافقی اقدام به برآورد مقدار احتمال با 20000 جایگشت مونت کارلو شد. به این منظور از روش زیر استفاده شد:
که در آن B=20000 تعداد جایگشت، آماره آزمون مشاهده شده، هم معادل آماره حاصل از جایگشت b و I (.) تابع شاخص است که در صورت برقراری شرایط عدد یک و در صورت عدمبرقراری شرایط مقدار صفر به خود میگیرد. از سوی دیگر به دلیل برای کنترل خطای ناشی از مقایسه‌های چندگانه از روش نرخ کشف کاذب بنیامین هوچیبرگ استفاده شد. ابتدا به صورت صعودی مقادیر مرتب شد:
p_(i) ≤ (i/m)q
سپس معیار بنیامین– هوچبرگ به شکل زیر اعمال شد:
که در آن مقدار احتمال مرتبه شده در رتبه i وi رتبه مقدار احتمال، m تعداد کل آزمونهای همزمان دراین رابطه مساوی با 6 بود وq معادل سطح FDR مورد نظر که برابر با 05/0 در نظر گرفته شد.
در نهایت زنجیره M–O–D براساس ماهیت به کامل، جزیی، یا ضعیف و غیر قابل بازیابی تفکیک شد. این زنجیره میتواند در بردارنده شش‌جزئی گسترده‌تر، شامل مفهوم‌سازی صریح آسیبپذیری، معماری روش قابل‌شناسایی، خروجی قابل‌شناسایی، اعتبارسنجی، تحلیل عدمقطعیت و پیوند با تصمیم باشد. باید به خاطر داشت که وقتی از تکثر روششناختی بحث میشود این به تعداد خانوادههای روش تلفیق‌شده اشاره دارد، اما وقتی از یکپارچگی روششناختی صحبت به میان میآید به معنا این است که روشها و کارکردهای مکملی را در درون یک زنجیره تحلیلی وجود دارد. لذا باید بین این دو تفاوت قایل شد.
روش ترکیب یافتهها بر اساس ترکیب شواهد با رویکرد چارچوب مبتنی بر شواهد بود. در ابتدا شواهد تولید شده در سطح مطالعه به صورت مقایسهای در خانوادههای روش بر اساس استحکام توابع، نوع خروجی و پیوند تصمیمگیری کدگذاری شدند. سپس الگوهای تکراری بر روی زنجیره M-O-D و سپس به هشت تابع شناختی تفکیک شدند. به این ترتیب سعی شد که مشخص شود آیا توابع وجود دارند یا خیر و به یکدیگر پیوند خوردهاند یا خیر. برای پوشش بازیابی مراحل در ارتباط با متغیرهای کدگذاری موجود ارزیابی شد. در مرحله اولیه تولید شواهد شواهد مبتنی بر قوانین و با کمک کامپیوتر استخراج شدند و موارد هدف از طریق بررسی دستی کل متن کنترل شدند.
یافتهها و بحث
بررسی روند سالانه نشان میدهد که تعداد مطالعات در مورد آسیبپذیری در سالهای اخیر به طور قابل توجهی افزایش یافته است (شکل 2). افزایش در سالهای اخیر نباید به عنوان افزایش ذاتی در بهبود روشها در نظر گرفته شود. تغییرات در معماری روش بر اساس دادههای آماری بیشتر توضیح داده خواهد شد. قبل از اینکه به روشها پرداخته شود، لازم است روشهای اصلی ارزیابی که در مجموعهای از 96 منبع شناسایی شدهاند طبقهبندی شوند. لازم است به این نکته اشاره شود تکرار یک مرجع در چند دسته باشد که ناشی از بهرهمندی یک مطالعه از چند روش است. بنابراین مطالعات ترکیبی ممکن است در به بیش از یک دسته پدیدار شوند. در جدول 1 فهرستی از روشها و طبقهبندی آنها وجود دارد.
شکل 2. روند اتنشار سالانه 96 مطالعه از سال 2008 تا 2026
Figure 2. Annual publication trend of 96 studies from 2008 to 2026
جدول 1. طبقهبندی توصیفی جامع روشهای ارزیابی آسیبپذیری در مجموعه ۹۶ مطالعه
Table 1. Comprehensive descriptive classification of vulnerability-assessment methods in the 96-study corpus.
|
دسته کلی |
روش خاص به‌کاررفته |
فراوانی |
مطالعات انجام شده |
|
شاخص، وزندهی و تجمیع |
شاخص ترکیبی/ ارزیابی مبتنی بر شاخص |
59 |
Khadzhaev & Fazilova (2026); Bui et al. (2026); Wang et al. (2026); Gjoni & Kopliku (2026); Munyai et al. (2026); Magdiev et al. (2026); Veloso et al. (2026); Moreno-Abdelnur et al. (2026); Pitchaimani et al. (2026); Sguigaa et al. (2026); Sarieva et al. (2025); Lan et al. (2025); Lyngdoh et al. (2025); Cai et al. (2025); Zhu et al. (2025); Batista & Passini (2025); Cojocariu et al. (2025); Cavallo et al. (2025); Limboo et al. (2025); Lalrinsangpuii et al. (2025); Fatima et al. (2025); Zhou et al. (2025); Ma et al. (2025); Tokarev et al. (2024); Tian et al. (2024); Bhandari et al. (2024); Bista (2023); Khatri & Pasa (2023); Fayaz et al. (2023); Jamal-ud-din et al. (2023); Wu et al. (2023); Shah et al. (2023); He et al. (2023); Hespanhol et al. (2022); Handwerger et al. (2021); Zhao & Chi (2021); Mekonen & Berlie (2021); Valencia et al. (2020); Jr. et al. (2020); Naithani et al. (2019); Nepal et al. (2019); Shahzad (2019); Orchard et al. (2019); Zeng et al. (2019); Tessema & Simane (2019); Papathoma-Köhle et al. (2019); Aksha et al. (2018); Song et al. (2017); Mohanty et al. (2017); Zhang et al. (2016); Saputra et al. (2016); Ciurean et al. (2016); Gerlitz et al. (2016); Papathoma-Köhle (2016); Simane et al. (2014); Maggini et al. (2014); Земцов et al. (2014); Nisha & Punia (2014); Han et al. (2013) |
|
مکانی وفضایی |
سامانه اطلاعات جغرافیایی/ (GIS) تحلیل مکانی |
57 |
Khadzhaev & Fazilova (2026); Brown et al. (2026); Gjoni & Kopliku (2026); Munyai et al. (2026); Joshi et al. (2026); Magdiev et al. (2026); Veloso et al. (2026); Moreno-Abdelnur et al. (2026); Pitchaimani et al. (2026); Jing et al. (2026); Qiu & Geng (2025); Lan et al. (2025); Lyngdoh et al. (2025); Cai et al. (2025); Zhu et al. (2025); Batista & Passini (2025); Cojocariu et al. (2025); Cavallo et al. (2025); Limboo et al. (2025); Fatima et al. (2025); Li et al. (2025); Li & Shen (2025); Zhou et al. (2025); Ma et al. (2025); Tokarev et al. (2024); Tian et al. (2024); Fayaz et al. (2023); Jamal-ud-din et al. (2023); Wu et al. (2023); Shah et al. (2023); He et al. (2023); Attiogbé et al. (2022); Piedallu et al. (2022); Zhao & Chi (2021); Iwahashi et al. (2021); Mekonen & Berlie (2021); Mountain et al. (2020); Jr. et al. (2020); Naithani et al. (2019); Shahzad (2019); Papathoma-Köhle et al. (2019); Azmeri & Isa (2018); Aksha et al. (2018); Schlögl et al. (2019); Song et al. (2017); Zhang et al. (2016); Saputra et al. (2016); Ciurean et al. (2016); Utasse et al. (2016); Papathoma-Köhle (2016); Bai et al. (2014); Favier et al. (2014); Земцов et al. (2014); Nisha & Punia (2014); Han et al. (2013); Fuchs et al. (2012); Alcántara-Ayala (2008) |
|
مکانی |
سنجش از دور |
53 |
Khadzhaev & Fazilova (2026); Bui et al. (2026); Brown et al. (2026); Munyai et al. (2026); Joshi et al. (2026); Magdiev et al. (2026); Moreno-Abdelnur et al. (2026); Pitchaimani et al. (2026); Sguigaa et al. (2026); Jing et al. (2026); Kashyap et al. (2026); Kee et al. (2025); Cai et al. (2025); Zhu et al. (2025); Batista & Passini (2025); Cojocariu et al. (2025); Smyk & Arkhypova (2025); Limboo et al. (2025); Marshall et al. (2026); Fatima et al. (2025); Collette et al. (2026); Li & Shen (2025); Cong et al. (2025); Zhou et al. (2025); Ma et al. (2025); Tian et al. (2024); Malik & Ford (2024); Fayaz et al. (2023); Wu et al. (2023); Shah et al. (2023); He et al. (2023); Han et al. (2023); Xu et al. (2023); Piedallu et al. (2022); Iwahashi et al. (2021); Mekonen & Berlie (2021); Valencia et al. (2020); Naithani et al. (2019); Shahzad (2019); Zeng et al. (2019); Papathoma-Köhle et al. (2019); Azmeri & Isa (2018); Schlögl et al. (2019); Song et al. (2017); Zhang et al. (2016); Saputra et al. (2016); Ciurean et al. (2016); Papathoma-Köhle (2016); Bai et al. (2014); Земцов et al. (2014); Nisha & Punia (2014); Han et al. (2013); Alcántara-Ayala (2008) |
|
داده‌محور و پیش‌بینی‌کننده |
یادگیری ماشین |
29 |
Munyai et al. (2026); Joshi et al. (2026); Magdiev et al. (2026); Veloso et al. (2026); Moreno-Abdelnur et al. (2026); Pitchaimani et al. (2026); Sguigaa et al. (2026); Cruz-Burga et al. (2026); Kashyap et al. (2026); Qiu & Geng (2025); Batista & Passini (2025); Cojocariu et al. (2025); Smyk & Arkhypova (2025); Limboo et al. (2025); Li et al. (2025); Collette et al. (2026); Li & Shen (2025); Ma et al. (2025); Tian et al. (2024); Fayaz et al. (2023); Wu et al. (2023); Shah et al. (2023); He et al. (2023); Han et al. (2023); Hespanhol et al. (2022); Iwahashi et al. (2021); Papathoma-Köhle et al. (2019); Schlögl et al. (2019); Saputra et al. (2016) |
|
اجتماعی و مشارکتی |
پیمایش/ پیمایش خانوار یا جامعه |
25 |
Bui et al. (2026); Magdiev et al. (2026); Cruz-Burga et al. (2026); Kee et al. (2025); Lan et al. (2025); Lyngdoh et al. (2025); Cavallo et al. (2025); Bhandari et al. (2024); Bista (2023); Khatri & Pasa (2023); Jamal-ud-din et al. (2023); Piedallu et al. (2022); Mekonen & Berlie (2021); Mountain et al. (2020); Nepal et al. (2019); Shahzad (2019); Orchard et al. (2019); Tessema & Simane (2019); Aksha et al. (2018); Schlögl et al. (2019); Mohanty et al. (2017); Gerlitz et al. (2016); Simane et al. (2014); Земцов et al. (2014); Alcántara-Ayala (2008) |
|
آماری و کاهش بُعد |
مدلسازی رگرسیونی |
22 |
Bui et al. (2026); Wang et al. (2026); Joshi et al. (2026); Magdiev et al. (2026); Pitchaimani et al. (2026); Sguigaa et al. (2026); Lyngdoh et al. (2025); Zhu et al. (2025); Batista & Passini (2025); Cavallo et al. (2025); Limboo et al. (2025); Marshall et al. (2026); Li & Shen (2025); Khatri & Pasa (2023); Wu et al. (2023); Shah et al. (2023); He et al. (2023); Han et al. (2023); Hespanhol et al. (2022); Piedallu et al. (2022); Papathoma-Köhle et al. (2019); Azmeri & Isa (2018) |
|
تحلیل تصمیمگیری چند معیاره |
فرایند تحلیل سلسله‌مراتبی (AHP) |
22 |
Bui et al. (2026); Munyai et al. (2026); Magdiev et al. (2026); Moreno-Abdelnur et al. (2026); Pitchaimani et al. (2026); Kee et al. (2025); Lan et al. (2025); Cai et al. (2025); Limboo et al. (2025); Zhou et al. (2025); Tian et al. (2024); Fayaz et al. (2023); Jamal-ud-din et al. (2023); Wu et al. (2023); Shah et al. (2023); He et al. (2023); Zhao & Chi (2021); Naithani et al. (2019); Zeng et al. (2019); Papathoma-Köhle et al. (2019); Papathoma-Köhle (2016); Han et al. (2013) |
|
آماری و کاهش بُعد |
تحلیل مؤلفه‌های اصلی ( PCA) |
19 |
Khadzhaev & Fazilova (2026); Bui et al. (2026); Muhammad et al. (2026); Magdiev et al. (2026); Ruegg et al. (2026); Cruz-Burga et al. (2026); Lan et al. (2025); Lyngdoh et al. (2025); Cai et al. (2025); Zhu et al. (2025); Limboo et al. (2025); Fatima et al. (2025); Li et al. (2025); Zhou et al. (2025); Handwerger et al. (2021); Zhao & Chi (2021); Naithani et al. (2019); Aksha et al. (2018); Nisha & Punia (2014) |
|
اجتماعی و مشارکتی |
روشهای مشارکتی |
19 |
Bui et al. (2026); Joshi et al. (2026); Cruz-Burga et al. (2026); Lan et al. (2025); Lyngdoh et al. (2025); Cavallo et al. (2025); Fatima et al. (2025); Ma et al. (2025); Malik & Ford (2024); Khatri & Pasa (2023); Wu et al. (2023); Mekonen & Berlie (2021); Naithani et al. (2019); Nepal et al. (2019); Shahzad (2019); Orchard et al. (2019); Tessema & Simane (2019); Papathoma-Köhle et al. (2019); Onyango et al. (2016) |
|
تحلیل تصمیمگیری چند معیاره |
تحلیل تصمیمگیری چندمعیاره ( MCDA) نشانگان صریح |
12 |
Bui et al. (2026); Munyai et al. (2026); Magdiev et al. (2026); Pitchaimani et al. (2026); Kee et al. (2025); Limboo et al. (2025); Fayaz et al. (2023); Jamal-ud-din et al. (2023); Shah et al. (2023); Zhao & Chi (2021); Schlögl et al. (2019); Utasse et al. (2016) |
|
سناریو و آینده‌نگر |
تحلیل/ مدلسازی سناریو |
12 |
Ruegg et al. (2026); Lyngdoh et al. (2025); Li et al. (2025); Collette et al. (2026); Cong et al. (2025); Bhandari et al. (2024); Xu et al. (2023); Attiogbé et al. (2022); Hespanhol et al. (2022); Valencia et al. (2020); Jr. et al. (2020); Bai et al. (2014) |
|
شاخص، وزندهی و تجمیع |
وزندهی آنتروپی |
3 |
Munyai et al. (2026); Ma et al. (2025); He et al. (2023) |
تمامی 96 مطالعه که در بین سالهای 2008 تا 2026 انجام شده است در این مطالعه وارد شدهاند. در این میان رویکردهای شاخص محور پرتکرارترین روش (1/27%) و خانواده غالب بودهاند. پس از آن یادگیری ماشین (9/21%)، مطالعات پیمایشی و مشارکتی در رده های بعدی قرار گرفتهاند. همرخدادی روشها نیز متنوع است. ترکیب شاخصها با GIS در 9/46 درصد از مطالعات و ترکیب آماری، GIS و سنجش از دور 2/30 درصد از همرخدادیها را پوشش میدهد.
ترکیب روشها توسط دو خانواده روش انجام شده است. اما نکته اصلی این است که 53.1% از مطالعات ترکیبی از چندین روش استفاده کردهاند. در کل 3/83% از مطالعات ترکیبی شدهاند. دوره انتشار پس از تصحیح مونت کارلو و نرخ کشف نادرست (FDR) نشان دهنده معماری به طور معنی دار مرتبط (pFDR=0.0143; V=0.279) بود در حالی که اهمیت معماری خانواده روش غالب نبوده است(pFDR=0.0820; V=0.328). این بدان معنا است که بازسازماندهی روشها و بازترکیب روشها و به معنی جایگزینی یک روش با روش دیگر نیست. با این حال زنجیره M-O-D در معماری روش در شکل 3 نشان داده شده است. مطالعات ترکیبی چند روش جایگاهی ویژه در یک زنجیره کامل دارند.
شکل 3. معماری روش و ارزیابی کامل بودن زنجیره روش خروجی و تصمیم، محور افقی طبقات معماری روش و محور عمودی درصد از زنجیره M-O-D در هر طبقه از زنجیره
Figure 3. Method architecture and completeness assessment of the Method-Output-Decision (M-O-D) chain; the horizontal axis represents method architecture layers, and the vertical axis shows the percentage of the M-O-D chain within each layer
ارزیابی استواری مطالعات یکی از محورهای این بررسی است. از کل مطالعات در مجموع مطالعات 3/57 درصد آنها اقدام به اعتبارسنجی مطالعه خود کردهاند. تحلیل حساسیت صرفا در 6/14 درصد از مطالعات انجام گرفته است. مهمترین یافته شاید عبارت باشد از توجه به تحلیل عدمقطعیت این موضوع فقط در ده مطالعه قابل شناسایی است. بررسی از نظر زنجیره معماری نشان می دهد: در 8/69 درصد از مطالعات پیوند خروجی با تصمیم مشخص و قابل شناسایی است. اما وقتی بحث از زنجیره کامل میشود تنها 3/57 درصد از مطالعات آن را به صورت کامل ارائه کردهاند. در مجموع مطالعات 2/6 درصد آنها به صورت همزمان مباحث مفهوم‌سازی صریح آسیبپذیری، روش، خروجی، اعتبارسنجی، تحلیل عدمقطعیت و پیوند با تصمیم را در کار خود ارایه کرده بودند. بررسی ارتباط معماری با تکامل زنجیره M–O–D رابطه ای متوسط را منعکس میکند (V= 0.441; Monte Carlo pFDR= 0.0003). در ضمن بین خانواده روششناسی غالب و کامل بودن زنجیره ارتباط معناداری وجود دارد (V= 0.417; pFDR= 0.0054). براساس شکل 4 اعتبارسنجی درکمی بیش از نصف حجم جامعه نمونه قابل رویت است تحلیل حساسیت و عدم قطعیت موضوعی نادر است. تضاد بین پیوند با تصمیمگیری ۸/۶۹ درصد) و تحلیل صریح عدمقطعیت (۴/۱۰ درصد)، نشان از آن دارد که عدمتوازن روششناختی وجود دارد که در تلفیق میان این دو قرار گرفته است. شکل 4 نمایه استواری تا تصمیم را خلاصه میکند. اعتبارسنجی در کمی بیش از نیمی از پیکره مطالعاتی وجود دارد، در حالی که تحلیل حساسیت و به‌ویژه تحلیل عدمقطعیت همچنان نادر هستند. تضاد بین پیوند با تصمیم نشاندهنده عدمتوازن روششناختی مرکزی است که توسط این تلفیق شناسایی شده است.
شکل 4. ارزیابی استواری مطالعات انجام شده محور عمودی مولفههای استواری و پیوند با تصمیم و محور افقی درصد از کل مطالعات بررسی شده
Figure 4. Assessment of the robustness of the conducted studies; the vertical axis represents robustness components and their link to decision-making, while the horizontal axis represents the percentage of the total studies reviewed
تلفیق یافتهها نشان از آن دارد که نقص در بسته روشی به صورت کامل و نه فقدان ابزار تحلیل را به عنوان یک مساله اصلی در این عرصه مشخص میسازد. این درحالی است که چرخه کامل حکایت از هشت مرحله مشخص دارد که عبارت است از چارچوب‌بندی مسئله، مفهوم‌سازی آسیبپذیری، معماری داده، معماری روش، تجمیع/ مدلسازی، اعتبارسنجی و استواری، ترجمه خروجی، پیوند با تصمیم. در حالی که این معماری نقطه قوت محسوب میشود و ماهیتی کارکردی به تمام معنا دارد. اما دادهها حکایت از نادیده انگاری آن دارند. لذا این معماری مشخص میکند که یک ارزیابی باید از چه مولفههایی برخودار باشد و آنها را چگونه به یکدیگر پیوند بزند. در عین حال در این میان آزادی عمل برای انتخاب اجزا تشکیلدهنده روش مانند سنجش از دور، استفاده از مجموعه شاخصها یا تحلیل تصمیمگیری چندمعیاره، یادگیری ماشین و سناریو و یا رویکردهای مشارکتی وجود دارد.
تحلیل هشت مرحله از پوشش نشان میدهد که در93 مطالعه (9/96%) شواهد مربوط به تمرکز بر مساله/ آسیبپذیری وجود دارد،90 مطالعه (8/93%) اجزای صریح مفهومی آسیبپذیری را دارند، 86 مطالعه (6/89%) شواهد قابل بازیابی در مورد معماری دادهها دارند، 89 مطالعه (7/92%) شواهد قابل شناسایی در مورد معماری روش دارند، 81 مطالعه (4/84%) قابلیت تجمیع یا مدلسازی را دارند، 55 مطالعه (3/57%) تاییدیه دارند، 77 مطالعه (2/80%) خروجی قابل شناسایی دارند و67 مطالعه (8/69%) پیوند صریح با تصمیمگیری دارند. در مرحله بلوغ تنها 14 مطالعه (6/14%) تحلیل حساسیت و10 مطالعه (4/10%) شواهد صریح در مورد شاخصهای عدمقطعیت دارند. این درصدها نشاندهنده پوشش عملکردها میباشد و نمیتوان آنها را به عنوان نمره کیفیت مطالعات در نظر گرفت.
جدول ۲. آزمونهای ارتباطی با تأیید مونت‌کارلو و تصحیح نرخ کشف کاذب[1](FDR) بنیامینی– هوچبرگ (n=96)
Table 2. Monte Carlo–validated association tests with Benjamini–Hochberg FDR correction (n= 96)
|
رابطه |
χ² |
df |
Monte Carlo p |
pFDR |
Cramér’s V |
تحلیل |
|
ارتباط دوره انتشار با خانواده روش غالب |
00/31 |
21 |
0683/0 |
0820/0 |
328/0 |
متوسط |
|
ارتباط دوره انتشار با معماری روش |
36/22 |
9 |
0076/0 |
0143/0 |
279/0 |
اندک |
|
ارتباط معماری روش با معماری استواری |
54/23 |
9 |
0095/0 |
0143/0 |
286/0 |
اندک |
|
ارتباط معماری روش با زنجیره روش– خروجی– تصمیم |
93/55 |
9 |
0000/0 |
0003/0 |
441/0 |
متوسط |
|
ارتباط خانواده روش غالب با زنجیره روش– خروجی– تصمیم |
01/50 |
21 |
0018/0 |
0054/0 |
417/0 |
متوسط |
|
ارتباط معماری استواری با زنجیره روش– خروجی– تصمیم |
64/12 |
9 |
1817/0 |
1817/0 |
209/0 |
اندک |
شکل 5. معماری حاصل فراروش هشت مرحله مستخرج از 96 مطالعه برگزیده
Figure 5. Architecture resulting from the eight-step meta-method derived from 96 selected studies.
جدول 3. معماری روششناسی، از استواری روش تا تصمیمگیری در 96 مطالعه برگزیده
Table 3. Methodological architecture: from methodological robustness to decision-making in 96 selected studies
|
ویژگی / مشخصه |
n |
% |
|
ترکیبی چند روش |
51 |
1/53 |
|
ترکیبی دوخانواده |
29 |
2/30 |
|
تک‌خانواده |
9 |
4/9 |
|
اعتبارسنجی گزارش‌شده |
55 |
3/57 |
|
تحلیل حساسیت گزارش‌شده |
14 |
6/14 |
|
تحلیل عدمقطعیت گزارش‌شده |
10 |
4/10 |
|
پیوند با تصمیم شناسایی‌شده |
67 |
8/69 |
|
زنجیره کامل روش– خروجی–تصمیم (M–O–D) |
55 |
3/57 |
|
زنجیره کامل شش‌جزئی |
6 |
2/6 |
بر اساس اهداف تحقیق دادههای مورد نیاز در بخش نتایج ارائه شد. نتایج نشان میدهند که ارزیابی آسیبپذیری کوهستانی حوزهای ترکیبی به شمار میآید در بسیار از مطالعات مورد توجه بوده و از چارچوب بهره گرفته است (Simane et al., 2014; Papathoma-Köhle et al., 2019). به عنوان مثال هر آن جایی که موضوع مباحث اجتماعی و اقتصادی در آسیبپذیری مطرح شده است، شاخصهای ترکیب توام با اطلاعات مکانی ارایه شده و شواهد مرتبط با رویههای مانند وزندهی، مدلسازی مخاطره و مانند آن تلفیق میشوند (Gerlitz et al., 2016; Aksha et al., 2018). این موضوع درمطالعات قابل مشاهده است (Tessema & Simane, 2019; Lan et al., 2025). این الگو در مطالعات مرتبط با یادگیری ماشین، تصمیمگیری چند معیاره و سنجش از دور و GIS و یا روندهای پیشبینی توان با رتبهبندیها در سامانه اطلاعات جغرافیای قابل ردیابی است (Shah et al., 2023; Fayaz et al., 2023). این موضوع به خوبی بیانگر معماری روششناختی است که به نوعی تایید کننده زنجیره کامل (M–O–D) است.
واضح است که ادغام هر روش فقط زمانی سودمند خواهد بود که انتظار داشته باشیم در تحقیق نقش خاصی را ایفا کند. در حال حاضر ارزیابیهای آسیبپذیری از عدم سازگاری در استفاده از روشها و تعامل آنها در ادبیات روششناسی رنج میبرند. پاپاتوما-کول (2011) ناسازگاری در مقیاس، شاخصها و فناوری مورد استفاده در ارزیابیهای آسیبپذیری فیزیکی خطرات کوهستانی را برجسته کرده است. همچنین بر اساس مطالعه تاکور و همکاران (2021) در 75 مورد از آسیبپذیری اکوسیستمهای جنگلی کوهستانی در رویکرد مبتنی بر مدل فقدان داده های اجتماعی-اکولوژیکی و مبتنی بر زمین مشاهده شده است. علاوه بر این بر اساس سلطان و همکاران (2022) در یک بررسی از 59 مطالعه در هیمالیا ناسازگاری در انواع آسیبپذیری، مقیاس و روشهای ارزیابی مشاهده شده است. بنابراین تحقیق فعلی با بررسیهای ذکر شده در مسئله چند روشگرایی موافق است. اما حتی فراتر از این است زیرا تغییرات مشاهده شده در "معماری و بازترکیب روشها" است نه جایگزینی خانواده روشهای غالب. علاوه بر این ارتباط ضعیف بین معماری محکم و کامل بودن زنجیره M-O-D نشان میدهد که علیرغم اینکه اعتبارسنجی یا تحلیل عدمقطعیت لازم است این عوامل نمیتوانند جای بزرگترین نقص در این حوزه موضوعی عدمقطعیت تحلیل است. از 4/10 درصد مقالاتی که به صراحت به مسئله عدم قطعیت پرداختهاند نگرانی زیادی در مورد تحلیل عدمقطعیت در ارزیابی آسیبپذیری وجود دارد. اگرچه مسایل دیگری مانند انتخاب یک شاخص، نرمالسازی و وزندهی، ویژگیهای مدل مورد استفاده، توسعه سناریو و انتخاب آستانه طبقهبندی وجود دارد، ولی نگرانی زیادی در مورد مسئله عدمقطعیت در این مقاله وجود دارد. چون به صراحت ذکر شده است که تخمین آسیبپذیری به انتخاب مدل یا شاخص بستگی دارد (Gerlitz et al., 2016; Aksha et al., 2018). تایید نتایج در 3/57 درصد مطالعات یافت شده است. بنابراین به دلیل این نگرانی مطرح شده است که لازم است تایید نتایج و تحلیل حساسیت از تحلیل عدمقطعیت جدا شود (Fuchs et al., 2012; Favier et al., 2014). به عبارت دیگر لازم است ببینیم که آیا نتایجی که به دست آمده در برابر انتخابهای فعلی کافی محکم هستند یا خیر (Bai et al., 2014; Valencia et al., 2020).
بررسی ده مقاله هدفمند که دارای شاخصهای صریح عدمقطعیت هستند نشان میدهد که آنها یکسان نیستند اسجیجا و همکاران (2026) بر روی عدمقطعیت در تخمین جرم با استفاده از شبیهسازی مونت کارلو و تخمین بازه اطمینان تمرکز کرده اند فیور و همکاران (2014) از شاخصهای مونت کارلو و Sobol برای انجام تحلیل حساسیت دادههای ورودی استفاده کردهاند .کلوت و همکاران (2026)، ایزو و همکاران (2023)، ولنسیا و همکاران (2020) و سیریون و همکاران (2016) با استفاده از مسیر سناریو/ گروهبندی، انتخاب مدل، انتخاب متغیر یا فرمولبندی احتمالی به دنبال عدم قطعیت بودهاند. فوکس و همکاران (2012) از آزمون مونت کارلو برای انجام استنباط از اهمیت آماری استفاده کردهاند. در مقابل در سه مطالعه مونایی و همکاران (2026),فاطیما و همکاران (2025) و شاه و همکاران (2023) نشان میدهد که عدم قطعیت بیشتر به عنوان یک محدودیت، پیشنهاد برای مطالعه بیشتر یا فقط به عنوان یک مرجع روش مطرح شده است. انتشار صریح عدمقطعیت تا خروجی نهایی انجام نشده است. بنابراین این موضوع باید به عنوان "وجود شاخصهای صریح عدمقطعیت" درک شود نه ده شاخص کامل در مورد گسترش عدمقطعیت .بررسی اعتبار سنجی استحکام و استواری مطالعات نیز نشاندهنده ناهمگنی بالایی است. با بازبینی حدوده 55 مطالعه بیانگر آن است که 26 مطالعه از معیارهای کنترل عملکرد استفاده کردهاند. در 9 مطالعه در کارشان از پیش بینی و تایید آماری از جمله تایید متقاطع،AUC/ROC یا معیار عملکرد استفاده کردهاند. فقط 3 مطالعه شامل از تایید متخصص یا ذینفع بهره بردهاند. در 17 مطالعه نوع تایید مشخص در گزارش قابل بازیابی نبوده است. تایید مدل روشی برای ارزیابی توانایی تمایز مدل است و وقتی با اطلاعات مستقل مقایسه شود ارزیابی مناسبتری از تناسب آزمایشی را ارائه میدهد. تایید متخصص از نظر قابلیت تفسیر و مفید بودن در تصمیمگیری ارزشمند است. در مقابل گزارش مبهم تایید روش که قابل بازیابی نیست شواهد کمتری از استحکام مدل ارائه میدهد.
یک عامل مهم دیگر ناسازگاری روش- خروجی- تصمیم است از میان کارهای مورد مطالعه 8/69 درصد به فرایندهای تصمیمگیری خاص و قابل بازیابی مرتبط بوده است. با این حال تنها 3/57 درصد از مقالات یک زنجیره کامل از فرآیند تصمیمگیری را ارائه دادند. برای مثال یک نقشه آسیبپذیری یا پیشبینی زمان به عنوان شواهد و مستندات فرآیند تصمیمگیری که خروجی را توضیح میدهد و چگونه میتوان آن را اولویتبندی کرد، تبدیل به یک برنامه مدیریت و برنامهریزی یا تخصیص منابع میشود. در اکثر موارد مطالعات اقتصادی و همکارانه نتایج غنی ارائه میدهند درحالی که مطالعات تصمیمگیری چند متغیره معمولا اولویتهای واضحی را تولید میکنند (Khatri & Pasa, 2023; Jamal-ud-din et al., 2023). اما هرچند مطالعاتی با پیشبینیها یا شدت فضایی ممکن است خروجی خوبی تولید کنند در حوزه تصمیمگیری خروجی ممکن است آنقدر واضح نباشد؛ بنابراین این مطالعه نشان میدهد که بین تولید خروجی و خروجی مرتبط با تصمیمگیری هماهنگی وجود ندارد (Li et al., 2025; Piedallu et al., 2022) خروجیهای دو مورد نمی توانند فرآیندهای تصمیمگیری را پشتیبانی کنند.
نکته دیگر عبارت است از این که معماری روش و دستهبندی روشهای مورد استفاده ارتباط نه چندان قوی با زنجیره کامل دارد. در همین راستا موضوع استواری بعد از تصحیح FDR ارتباط معناداری با کامل بودن زنجیره پیدا نکرد. البته این یافته دال بر فقدان اهمیت استواری نبوده و موید آن است که دو موضوع اعتبارسنجی و یا عدمقطعیت از بحث معماری مجزا هستند و جایگزین یک دیگر نیستند. آن چه در معماری روششناسی مهم است پیوند میان مسئله، روش، خروجی و تصمیم است تا این به موضوعاتی مانند تحلیل، همبستگی و مانند آن بپردازد.
مدلی که به عنوان نتیجه این مطالعات پدید آمده است پتانسیل توسعه یک چارچوب آزمایشی پیشنهادی را دارد که پایه منطقی روششناسی تحقیقات آینده را تشکیل خواهد داد. این مطالعات نشان دادهاند که این چارچوب و سوال است که سطح آسیبپذیری را تعریف میکند. با این درک از آسیبپذیری کمک میکند تا معنای آسیبپذیری در مطالعه را درک کرد. با این حال شواهد مربوط به معماری داده، فضایی، زمانی، محیطی و اجتماعی باید هماهنگ شود (Handwerger et al., 2021; Mekonen & Berlie, 2021). به وضوح در چارچوب معماری روش، ممارسات ضروری و مکمل شناسایی و اعمال خواهد شد (Zhao & Chi, 2021;He et al., 2023). در فرآیند تجمیع یا مدلسازی شواهد و خروجیهای بدست آمده هماهنگ است. تایید و قابلیت اعتماد یکی از مراحل کلیدی کار است که قرار است خروجیهای بدست آمده را از نظر صحت و پایداری آن بررسی و تایید کند و آن را بپذیرد یا رد کند. خروجیهای تایید شده همراه با شواهد و مستندات باید به فرآیند تصمیمگیری متصل شود و بازتاب دهنده کاربرد خروجیهای بدست آمده باشد. این مدل پتانسیل این را دارد که به یک چک لیست تبدیل شود که دیدگاهی پیش رو در فرآیند ارزیابی وجود دارد را بهتر هدایت کند (Utasse et al., 2016; Kee et al., 2025).
این مطالعه اگر چه نکات مشخصی را برجسته کرد اما از محدودیتهایی هم برخوردار است. اول این که اگر چه مطالعه 96 مطالعه را بررسی کرد اما با سوگیری مقالات منتشر شده از یک سو و از سوی دیگر مقالات قابل بازیابی رودرو است. لذا نمیتوان ادعا کرد نمونه کاملی از تمامی مطالعات بالقوه مرتبط با آسیبپذیری کوهستانی به شمار میآید. سوگیری بعدی که وجود دارد به انتشار مقالات در کشورهای شمال باز میگردد که به طور متعارف بسیار بیشتر از کشورهای جنوب است که خود یک موضوع قابل تامل است. درنهایت باید اشاره کرده که جداول توافقی پراکنده، مورد استفاده در تحلیل مونت‌کارلو تفسیر زیرگروهها را با دقت بالا محدود خواهد ساخت. به عبارت دیگر توصیه میشود که یک آزمایش بر اساس چارچوب شناختی که در بالا بحث شد انجام شود و نتایج آن گزارش شود. در مورد دیگری که در آن امکان استفاده از این چارچوب در مناطق کوهستانی با انواع مختلف دسترسی به دادهها و رژیمهای خطر مورد بررسی قرار گرفته است. این پیشنهاد مطابق با آن تغییر کرده و پس از تایید به پروتکل تاییدشده تبدیل خواهد شد. لازم به ذکر است که چون فرایند کدگذاری دوگانه برای تمام مواد کدگذاری شده انجام نشده است، ممکن است سوگیری طبقهبندی در میان متغیرهای تفسیری ایجاد شود. اما این مشکل از طریق راهنماییهای از پیش تعریف شده و ارجاعات متنی حل شده است.
نتیجه‌گیری
هدف از این مطالعات عبارت بود از ارزیابی مبتنی روشهای ارزیابی آسیبپذیری مناطق کوهستانی مبتنی بر چارچوب بر فراروش تعدد 96 مطالعه مستقل در این تحقیق در بازه زمانی 2008 تا 2026 استفاده شد. نتایج بیانگر آن بود که ارزیابی آسیبپذیری در مناطق کوهستانی از تحلیلهای تک روشی فراتر رفته است. اما تنوعگرایی روششناختی قادر به بازیابی معماری کامل این مطالعات نبوده است. لذا یک چرخه ناقص از زنجیره روش خروجی و تصمیمگیری شکل گرفته است. اگر چه که در این فرایند روشهای ترکیبی در حال حاضر غالب است اما درمقابل عدمقطعیت حاکم بر دستاوردها موضوعی چالشبرانگیز در این حوزه است. از سوی دیگر انتقال نتایج به دست آمده به فرآیند تصمیمگیری از الگوی ناقصی برخوردار است. در بهترین حالت قوی‌ترین نتیجه ساختاری به دست آمده موید ارتباطی متوسط بین معماری روش و کاملبودن زنجیره M–O–D است که خود جای بررسی عمیقتری دارد.
افزودن بر اینها، به نظر نمیرسد توسعه ابزارهای تحلیلی جدید، اگر به صورت همزمان به انسجام معماری ارزیابی توجه نشود، به‌تنهایی برای رفع این شکاف کفایت نخواهد کرد. تمرکز بر تکمیل زنجیره از چارچوب‌بندی مسئله و مفهوم‌سازی آسیبپذیری، از طریق معماری داده و روش، مدلسازی استوار، ترجمه خروجی و پیوند با تصمیم در قالب یک چارچوب هشت‌مرحله‌ای پیشنهادی گزینهای تعیینکننده برای رفع این مشکل ساختاری است. لذا همین موضوع نیز میتواند بنیاد مطالعات بعدی برای بهبود ساختاری مبتنی بر دادههای تجربی فراهم سازد.
