تحلیل آماری پایان نامه چگونه انجام می‌شود در برنامه‌ریزی شهری

تحلیل آماری قلب تپنده هر پژوهش علمی است و در حوزه برنامه‌ریزی شهری، ابزاری حیاتی برای درک پیچیدگی‌های فضایی، اجتماعی و اقتصادی به شمار می‌رود. پایان‌نامه‌های دانشجویان برنامه‌ریزی شهری اغلب با حجم وسیعی از داده‌ها سروکار دارند که می‌توانند از منابع مختلفی مانند سرشماری‌ها، نظرسنجی‌ها، تصاویر ماهواره‌ای، و داده‌های مکانی جمع‌آوری شده باشند. نحوه صحیح استخراج معنی از این داده‌ها و تبدیل آن‌ها به بینش‌های کاربردی، نه تنها اعتبار پژوهش را افزایش می‌دهد بلکه به سیاست‌گذاران و متخصصان شهری کمک می‌کند تا تصمیمات آگاهانه‌تری اتخاذ کنند. در این مقاله جامع، به تفکیک مراحل انجام تحلیل آماری در پایان‌نامه‌های برنامه‌ریزی شهری پرداخته و راهکارهای عملی برای مواجهه با چالش‌های رایج ارائه خواهیم داد. اگر به دنبال مشاوره پایان نامه برنامه‌ریزی شهری تخصصی هستید، این مطلب می‌تواند نقطه شروعی ارزشمند برای شما باشد.

اهمیت تحلیل آماری در برنامه‌ریزی شهری

برنامه‌ریزی شهری دانشی میان‌رشته‌ای است که با ابعاد گوناگون زندگی انسان در شهر سروکار دارد. تحلیل آماری در این حوزه، به محققان امکان می‌دهد تا الگوها، روندها و روابط پنهان در داده‌ها را آشکار سازند. از شناسایی عوامل مؤثر بر ترافیک شهری گرفته تا بررسی تأثیر فضای سبز بر رضایت شهروندان، یا تحلیل نابرابری‌های فضایی در دسترسی به خدمات، همه نیازمند به‌کارگیری روش‌های آماری دقیق هستند. یک تحلیل آماری قوی، به پژوهشگر اجازه می‌دهد تا فرضیات خود را با شواهد عینی اثبات یا رد کند و به جای ارائه‌ی صرفاً توصیفات کیفی، یافته‌هایی مستند و قابل اتکا ارائه دهد که قابلیت تعمیم و استفاده در تدوین سیاست‌ها و برنامه‌های توسعه شهری را داشته باشند.

مراحل گام به گام تحلیل آماری پایان نامه در برنامه‌ریزی شهری

انجام یک تحلیل آماری منظم و دقیق نیازمند پیروی از یک سری مراحل ساختاریافته است. در ادامه به این مراحل به تفصیل خواهیم پرداخت.

گام اول: آشنایی با داده‌ها و نوع متغیرها

قبل از هرگونه تحلیل، ضروری است که داده‌های خود را به خوبی بشناسید. این شناخت شامل درک منبع داده‌ها، نحوه جمع‌آوری، و به ویژه، نوع و مقیاس سنجش هر متغیر است. متغیرها به طور کلی به دو دسته کمی (عددی) و کیفی (غیرعددی) تقسیم می‌شوند.

• متغیرهای کیفی: این متغیرها به دسته‌بندی یا طبقه‌بندی ویژگی‌ها می‌پردازند.
• اسمی (Nominal): فقط نام‌گذاری و دسته‌بندی را انجام می‌دهند، بدون هیچ ترتیب خاصی (مثال: نوع کاربری زمین: مسکونی، تجاری، اداری).
• ترتیبی (Ordinal): علاوه بر نام‌گذاری، دارای ترتیب و رتبه نیز هستند، اما فاصله بین رتبه‌ها معنی‌دار نیست (مثال: میزان رضایت شهروندان: خیلی کم، کم، متوسط، زیاد، خیلی زیاد).
• متغیرهای کمی: این متغیرها به اندازه‌گیری ویژگی‌ها می‌پردازند.
• فاصله‌ای (Interval): دارای ترتیب و فاصله معنی‌دار بین مقادیر هستند، اما نقطه صفر مطلق ندارند (مثال: دما بر حسب سانتی‌گراد).
• نسبی (Ratio): بالاترین سطح اندازه‌گیری را دارند و علاوه بر ویژگی‌های فاصله‌ای، دارای نقطه صفر مطلق نیز هستند (مثال: جمعیت محلات، مساحت فضای سبز).

مشکل رایج: اشتباه در تشخیص نوع متغیرها می‌تواند منجر به انتخاب نادرست آزمون‌های آماری و در نتیجه، نتایج گمراه‌کننده شود. راه حل: پیش از هر کاری، یک فهرست از تمامی متغیرهای پژوهش خود تهیه کرده و نوع و مقیاس سنجش هر یک را دقیقاً مشخص کنید. این امر اساس روش تحقیق کمی شما را تشکیل می‌دهد.

گام دوم: انتخاب نرم‌افزار آماری مناسب

انتخاب نرم‌افزار مناسب به ماهیت داده‌ها، نوع تحلیل‌های مورد نیاز و میزان تسلط شما بر نرم‌افزارهای مختلف بستگی دارد.

• SPSS (Statistical Package for the Social Sciences): یکی از پرکاربردترین نرم‌افزارهای آماری است که دارای رابط کاربری ساده و بصری است. برای تحلیل‌های توصیفی، استنباطی، همبستگی، رگرسیون و تحلیل عاملی بسیار مناسب است و برای دانشجویان مبتدی تا متوسط گزینه ایده‌آلی محسوب می‌شود. نرم‌افزار SPSS در تحلیل داده‌های شهری کاربردهای فراوانی دارد.
• R: یک محیط و زبان برنامه‌نویسی برای محاسبات آماری و گرافیک است. انعطاف‌پذیری بسیار بالا، قابلیت‌های گرافیکی فوق‌العاده و جامعه کاربری بزرگ از مزایای آن است. مناسب برای تحلیل‌های پیشرفته، داده‌کاوی، و مدل‌سازی‌های پیچیده، اما نیازمند دانش برنامه‌نویسی است.
• Stata: نرم‌افزاری قوی برای آمار، اقتصادسنجی و علوم اجتماعی است. برای کار با داده‌های پانل (Panel Data) و تحلیل‌های رگرسیون پیشرفته بسیار کارآمد است.
• نرم‌افزارهای GIS (Geographic Information Systems) مانند ArcGIS و QGIS: در برنامه‌ریزی شهری، داده‌های مکانی نقش محوری دارند. این نرم‌افزارها برای تحلیل‌های فضایی، خوشه‌بندی، تحلیل همجواری، مدل‌سازی شبکه و تهیه نقشه‌های موضوعی ضروری هستند و اغلب به صورت ترکیبی با نرم‌افزارهای آماری استفاده می‌شوند.

مشکل رایج: انتخاب نرم‌افزار صرفاً بر اساس شهرت یا سهولت استفاده، بدون در نظر گرفتن نیازهای واقعی پژوهش. راه حل: نرم‌افزاری را انتخاب کنید که توانایی پاسخگویی به تمامی فرضیات و سؤالات پژوهش شما را داشته باشد. اگر پژوهش شما ابعاد مکانی قوی دارد، ادغام GIS با نرم‌افزارهای آماری ضروری است.

گام سوم: آماده‌سازی و پاکسازی داده‌ها

داده‌های خام معمولاً حاوی خطاها، نواقص و ناهنجاری‌هایی هستند که اگر اصلاح نشوند، می‌توانند نتایج تحلیل را به شدت تحت تأثیر قرار دهند.

• ورود داده‌ها: اطمینان حاصل کنید که داده‌ها به درستی و بدون غلط املایی یا اشتباه تایپی وارد نرم‌افزار شده‌اند.
• کدگذاری متغیرها: متغیرهای کیفی را باید به صورت عددی کدگذاری کرد (مثال: زن=1، مرد=2). این کدگذاری باید مستند شود.
• مدیریت داده‌های گمشده (Missing Data): داده‌های گمشده می‌توانند به دلیل عدم پاسخگویی یا خطا در جمع‌آوری به وجود آیند. روش‌های مختلفی برای برخورد با آن‌ها وجود دارد:
  • حذف موارد (Listwise Deletion): حذف کامل مشاهده‌ای که یک یا چند داده گمشده دارد.
  • میانگین جایگزینی (Mean Imputation): جایگزینی داده گمشده با میانگین همان متغیر.
  • رگرسیون جایگزینی (Regression Imputation): پیش‌بینی داده گمشده بر اساس سایر متغیرها.
• شناسایی و برخورد با داده‌های پرت (Outliers): داده‌های پرت مقادیری هستند که به طور قابل توجهی با سایر داده‌ها متفاوت‌اند و می‌توانند نتایج را تحریف کنند. این داده‌ها باید بررسی شوند که آیا ناشی از خطای ورود هستند یا نماینده یک پدیده واقعی نادر.

مشکل رایج: نادیده گرفتن مرحله پاکسازی داده‌ها. راه حل: زمان کافی برای بررسی و پاکسازی داده‌ها اختصاص دهید. از ابزارهای بصری مانند نمودارهای جعبه‌ای (Box Plots) برای شناسایی داده‌های پرت و از جدول فراوانی برای بررسی صحت ورود داده‌ها استفاده کنید. دقت در این مرحله کلید اعتبار نتایج نهایی است.

گام چهارم: آمار توصیفی (Descriptive Statistics)

آمار توصیفی به شما کمک می‌کند تا داده‌های خود را خلاصه کرده و ویژگی‌های اصلی آن‌ها را به صورت گرافیکی یا عددی نمایش دهید. این مرحله اولین گام برای درک داده‌هاست و به تنهایی می‌تواند بینش‌های مهمی را ارائه دهد.

• مقیاس‌های گرایش مرکزی:
  • میانگین (Mean): متوسط مجموعه داده‌ها.
  • میانه (Median): نقطه میانی در یک مجموعه داده مرتب شده.
  • نما (Mode): عددی که بیشترین تکرار را در مجموعه داده دارد.
• مقیاس‌های پراکندگی:
  • دامنه (Range): تفاوت بین بزرگترین و کوچکترین مقدار.
  • واریانس و انحراف معیار (Variance & Standard Deviation): میزان پراکندگی داده‌ها نسبت به میانگین.
• نمودارها و جداول:
  • جدول فراوانی (Frequency Table): نمایش تعداد تکرار هر مقدار یا دسته.
  • نمودار میله‌ای (Bar Chart) و دایره‌ای (Pie Chart): برای متغیرهای کیفی.
  • هیستوگرام (Histogram) و نمودار جعبه‌ای (Box Plot): برای متغیرهای کمی.
  • نمودارهای پراکندگی (Scatter Plot): برای مشاهده رابطه بین دو متغیر کمی.

مشکل رایج: صرفاً گزارش اعداد بدون تفسیر آن‌ها در بستر برنامه‌ریزی شهری. راه حل: هر معیار توصیفی باید به گونه‌ای تفسیر شود که با سؤالات پژوهش ارتباط داشته باشد. مثلاً، اگر میانگین رضایت از حمل و نقل عمومی پایین است، این موضوع چه معنایی برای سیاست‌های حمل و نقل شهری دارد؟

گام پنجم: آمار استنباطی (Inferential Statistics)

آمار استنباطی به شما کمک می‌کند تا بر اساس داده‌های نمونه، در مورد جامعه بزرگ‌تر نتیجه‌گیری کنید و فرضیات پژوهش خود را بیازمایید. انتخاب آزمون آماری مناسب، حیاتی‌ترین بخش این مرحله است.

مشکل رایج: انتخاب نادرست آزمون آماری به دلیل عدم درک عمیق از ماهیت داده‌ها و فرضیات آزمون. راه حل: همواره قبل از انتخاب آزمون، فرضیات مربوط به توزیع داده‌ها (مثلاً نرمال بودن) را بررسی کنید. از منابع معتبر آماری و راهنمای کامل نمونه‌گیری در پژوهش‌های شهری برای اطمینان از صحت روش خود استفاده کنید. در صورت نیاز، از آزمون‌های ناپارامتری که نیازی به فرضیات خاص توزیع ندارند، استفاده کنید.

گام ششم: تفسیر نتایج و نگارش یافته‌ها

جمع‌آوری و تحلیل داده‌ها تنها نیمی از مسیر است؛ هنر اصلی در تفسیر صحیح نتایج و ارائه آن‌ها به گونه‌ای است که برای خواننده (به خصوص در حوزه برنامه‌ریزی شهری) قابل فهم و کاربردی باشد.

• سطح معنی‌داری (P-value): مهمترین شاخص در آمار استنباطی، P-value است که نشان می‌دهد احتمال به دست آمدن نتایج مشاهده شده، در صورتی که فرضیه صفر صحیح باشد، چقدر است. اگر P-value کمتر از سطح آلفا (معمولاً 0.05 یا 0.01) باشد، فرضیه صفر رد شده و فرضیه پژوهش (H1) تأیید می‌شود.
• تفسیر عملی: فراتر از صرفاً گزارش P-value، باید معنی عملی نتایج را توضیح دهید. مثلاً، اگر رابطه معنی‌داری بین نزدیکی به فضای سبز و سلامت روانی شهروندان یافت شده، این یافته چه توصیه‌ای برای طراحی فضاهای شهری دارد؟
• استفاده از جداول و نمودارهای استاندارد: نتایج را با استفاده از جداول و نمودارهای واضح و استاندارد ارائه دهید. هر جدول یا نمودار باید عنوان، شماره، و شرح کافی داشته باشد.
• نگارش یافته‌ها: در بخش یافته‌های پایان‌نامه، ابتدا آمار توصیفی را گزارش کرده و سپس به تحلیل‌های استنباطی بپردازید. هر فرضیه یا سؤال پژوهش را به ترتیب بررسی و نتایج مربوطه را ارائه دهید. اصول نگارش بخش یافته‌های پایان نامه را رعایت کنید.

مشکل رایج: گزارش خشک و بی‌روح نتایج آماری، بدون ارتباط با مبانی نظری و کاربردهای شهری. راه حل: نتایج را در متن پایان‌نامه خود با ادبیات پژوهش و چارچوب نظری گره بزنید. توضیح دهید که هر یافته چه معنایی برای درک پدیده‌های شهری، مدل‌های توسعه، یا سیاست‌های شهری دارد.

گام هفتم: اعتبارسنجی و روایی تحلیل

اعتبار و روایی ابزارهای اندازه‌گیری و کل فرآیند تحلیل، از جمله جنبه‌های حیاتی برای اطمینان از کیفیت پژوهش است.

• پایایی (Reliability): به ثبات و سازگاری ابزار اندازه‌گیری اشاره دارد. یعنی اگر یک ابزار چندین بار در شرایط مشابه استفاده شود، نتایج مشابهی به دست آورد. در پرسشنامه‌ها، ضریب آلفای کرونباخ (Cronbach’s Alpha) رایج‌ترین معیار پایایی است (معمولاً بالای 0.7 قابل قبول است).
• روایی (Validity): به این معنی است که آیا ابزار واقعاً چیزی را که قصد اندازه‌گیری آن را دارد، اندازه می‌گیرد. انواع روایی شامل:
  • روایی صوری (Face Validity): آیا سوالات در ظاهر مناسب به نظر می‌رسند.
  • روایی محتوا (Content Validity): آیا سوالات تمامی جنبه‌های مفهوم مورد نظر را پوشش می‌دهند (معمولاً با نظر متخصصان).
  • روایی سازه (Construct Validity): آیا ابزار، سازه نظری مورد نظر را به درستی اندازه‌گیری می‌کند (با روش‌هایی مانند تحلیل عاملی).
  • روایی همگرا و واگرا (Convergent & Discriminant Validity): آیا ابزار با مقیاس‌های مشابه همبستگی دارد و با مقیاس‌های متفاوت همبستگی ندارد.

مشکل رایج: عدم توجه به بررسی پایایی و روایی، که می‌تواند کل اعتبار پژوهش را زیر سوال ببرد. راه حل: حتماً قبل از جمع‌آوری داده‌ها در مقیاس وسیع، اقدام به پیش‌آزمایی (Pilot Study) ابزارهای خود کنید و پایایی و روایی آن‌ها را مورد ارزیابی قرار دهید. این کار به شما فرصت می‌دهد تا اصلاحات لازم را انجام دهید.

چالش‌های رایج در تحلیل آماری و راه‌حل‌ها

دانشجویان برنامه‌ریزی شهری در طول فرآیند تحلیل آماری پایان‌نامه خود با چالش‌های مختلفی روبرو می‌شوند. شناخت این چالش‌ها و آگاهی از راه‌حل‌های آن‌ها می‌تواند مسیر پژوهش را هموارتر کند.

• چالش 1: حجم بالای داده‌ها و پیچیدگی آن‌ها.

  راه‌حل: برای داده‌های بزرگ، از روش‌های نمونه‌گیری دقیق استفاده کنید. در صورت لزوم، تکنیک‌های داده‌کاوی (Data Mining) و ابزارهای تحلیل کلان‌داده (Big Data Analytics) می‌توانند مفید باشند. همچنین، ساختاردهی صحیح پایگاه داده از ابتدا، حجم کار را در ادامه کاهش می‌دهد.

• چالش 2: عدم آشنایی کافی با نرم‌افزارهای آماری.

  راه‌حل: پیش از شروع تحلیل، زمان کافی برای یادگیری نرم‌افزار انتخابی (مثلاً SPSS یا R) اختصاص دهید. از آموزش‌های آنلاین، کتاب‌های مرجع، و کارگاه‌های آموزشی استفاده کنید. شروع با پروژه‌های کوچک و ساده می‌تواند به افزایش اعتماد به نفس کمک کند.

• چالش 3: عدم درک صحیح از مبانی نظری آمار.

  راه‌حل: آمار صرفاً مجموعه‌ای از فرمول‌ها نیست، بلکه یک منطق فکری دارد. حتماً کتاب‌های مبانی آمار را مطالعه کنید و با مفاهیمی مانند فرضیه صفر، سطح معنی‌داری، توان آماری و انواع خطا آشنا شوید. در صورت نیاز، از اساتید یا متخصصان آمار مشورت بگیرید.

• چالش 4: تفسیر نادرست نتایج در بافت برنامه‌ریزی شهری.

  راه‌حل: همواره سعی کنید نتایج آماری را از دید یک برنامه‌ریز شهری تحلیل کنید. به این فکر کنید که این نتایج چه مفاهیم ضمنی برای سیاست‌گذاری، طراحی شهری، توسعه پایدار یا عدالت اجتماعی دارند. آیا یافته‌های شما با نظریه‌های موجود در برنامه‌ریزی شهری همخوانی دارد یا آن‌ها را به چالش می‌کشد؟

نکات کلیدی برای یک تحلیل آماری موفق در برنامه‌ریزی شهری

• ارتباط تنگاتنگ با سؤالات و فرضیات پژوهش: هر گام از تحلیل آماری شما باید در راستای پاسخگویی به سؤالات پژوهش و آزمون فرضیاتتان باشد. از انجام تحلیل‌های بی‌هدف بپرهیزید.
• دقت و وسواس در هر مرحله: کوچکترین خطایی در ورود داده‌ها، انتخاب آزمون یا تفسیر نتایج می‌تواند کل اعتبار پژوهش شما را زیر سوال ببرد.
• مشورت با متخصصین: اگر در هر مرحله‌ای احساس تردید کردید، از مشورت با استاد راهنما، مشاور آماری یا متخصصان رشته برنامه‌ریزی شهری که تجربه تحلیل داده دارند، دریغ نکنید.
• مستندسازی دقیق: تمام مراحل انجام تحلیل، از کدگذاری متغیرها تا نتایج نهایی، باید به دقت مستند شود. این کار به شما کمک می‌کند تا در آینده بتوانید کار خود را بازبینی کرده یا تغییر دهید.
• استفاده از منابع معتبر: در انتخاب روش‌ها و آزمون‌های آماری، به کتاب‌های مرجع و مقالات علمی معتبر رجوع کنید تا از صحت انتخاب خود مطمئن شوید.

در نهایت، تحلیل آماری در برنامه‌ریزی شهری بیش از یک مهارت فنی است؛ این یک ابزار تفکر است که به شما امکان می‌دهد تا پیچیدگی‌های جهان واقعی را درک کرده و راه‌حل‌های مبتنی بر شواهد را برای مسائل شهری ارائه دهید. با پیروی از گام‌های ذکر شده و توجه به جزئیات، می‌توانید یک تحلیل آماری قوی و مؤثر برای پایان‌نامه خود انجام دهید که نه تنها به اعتبار علمی شما می‌افزاید، بلکه به پیشرفت دانش برنامه‌ریزی شهری نیز کمک شایانی می‌کند.

/* Base styles for readability and professional look */
body {
font-family: ‘Vazirmatn’, ‘Shabnam’, Arial, sans-serif; /* Preferred Persian fonts, with Arial as fallback */
color: #34495E; /* Dark gray for body text */
line-height: 1.8;
background-color: #F8F9FA; /* Light gray background */
margin: 0;
padding: 20px;
}
.container { /* Optional: for max-width and centering content */
max-width: 1200px;
margin: 0 auto;
padding: 0 15px;
}

/* Headings Styling */
h1 {
font-size: 2.5em; /* 40px */
font-weight: bold;
color: #2C3E50; /* Dark blue for main title */
text-align: center;
margin-bottom: 30px;
}
h2 {
font-size: 1.8em; /* 28.8px */
font-weight: bold;
color: #2C3E50;
margin-top: 40px;
margin-bottom: 20px;
border-bottom: 2px solid #1ABC9C; /* Teal accent line */
padding-bottom: 10px;
}
h3 {
font-size: 1.4em; /* 22.4px */
font-weight: bold;
color: #1ABC9C; /* Teal for sub-headings */
margin-top: 30px;
margin-bottom: 15px;
}
h4 {
font-size: 1.3em; /* 20.8px */
font-weight: bold;
color: #2C3E50;
text-align: center;
margin-bottom: 15px;
}

/* Paragraph and List Styling */
p {
font-size: 1.1em; /* 17.6px */
line-height: 1.8;
color: #34495E;
margin-bottom: 20px;
}
ul, ol {
list-style-type: disc;
margin-left: 25px;
font-size: 1.05em;
line-height: 1.7;
color: #34495E;
margin-bottom: 20px;
}
ul ul {
list-style-type: circle;
margin-left: 20px;
}
li {
margin-bottom: 8px;
}
strong {
color: #2C3E50;
}
a {
color: #1ABC9C; /* Teal for links */
text-decoration: none;
font-weight: bold;
transition: color 0.3s ease;
}
a:hover {
color: #16A085; /* Darker teal on hover */
text-decoration: underline;
}

/* Infographic Specific Styles */
.infographic-block {
background-color: #E8F8F5; /* Light teal background */
padding: 25px;
border-radius: 12px;
margin-bottom: 40px;
box-shadow: 0 4px 15px rgba(0,0,0,0.08);
border-left: 5px solid #1ABC9C;
}
.infographic-item {
flex: 1 1 300px; /* Responsive items for flexbox */
background-color: #FFFFFF;
padding: 20px;
border-radius: 10px;
box-shadow: 0 2px 8px rgba(0,0,0,0.05);
text-align: center;
}
.infographic-item h3 {
color: #1ABC9C;
font-size: 1.2em;
}
.infographic-item p {
font-size: 0.95em;
color: #555;
}

/* Table Styling */
table {
width: 100%;
border-collapse: collapse;
margin: 0 auto;
font-size: 1em;
color: #34495E;
border: 1px solid #ddd;
border-radius: 8px;
overflow: hidden; /* Ensures rounded corners */
}
th, td {
padding: 12px 15px;
border: 1px solid #ddd;
text-align: right; /* RTL text */
}
th {
background-color: #1ABC9C;
color: #FFFFFF;
font-weight: bold;
text-align: center;
}
tr:nth-child(even) {
background-color: #F2F2F2; /* Zebra striping for rows */
}
tr:hover {
background-color: #E0F2F7; /* Subtle hover effect */
}

/* Call to Action (CTA) Styling */
#cta-section {
background-color: #2C3E50; /* Dark blue background */
color: #FFFFFF;
padding: 35px 25px;
border-radius: 12px;
text-align: center;
margin-top: 50px;
box-shadow: 0 8px 20px rgba(0,0,0,0.2);
}
#cta-section h2 {
color: #1ABC9C; /* Teal for CTA heading */
border-bottom: none;
padding-bottom: 0;
}
#cta-section a {
background-color: #1ABC9C;
color: #FFFFFF;
padding: 15px 35px;
border-radius: 10px;
text-decoration: none;
font-weight: bold;
font-size: 1.3em;
transition: background-color 0.3s ease, transform 0.2s ease;
border: 2px solid #1ABC9C;
}
#cta-section a:hover {
background-color: #16A085;
transform: translateY(-3px); /* Slight lift effect */
box-shadow: 0 6px 12px rgba(0,0,0,0.3);
}

/* Responsive Design */
@media (max-width: 768px) {
h1 {
font-size: 2em; /* Smaller on mobile */
margin-bottom: 20px;
}
h2 {
font-size: 1.5em;
margin-top: 30px;
margin-bottom: 15px;
}
h3 {
font-size: 1.2em;
margin-top: 25px;
margin-bottom: 10px;
}
p, ul, ol, table {
font-size: 1em; /* Base font size */
}
th, td {
padding: 8px 10px;
}
.infographic-item {
flex: 1 1 100%; /* Stack items on small screens */
margin-bottom: 15px;
}
.infographic-block .flex-container { /* If using a flex container directly */
flex-direction: column;
gap: 15px;
}
#cta-section {
padding: 25px 15px;
}
#cta-section h2 {
font-size: 1.5em;
}
#cta-section a {
font-size: 1.1em;
padding: 12px 25px;
}
}

/* Accessibility / User Experience */
/* Ensuring enough contrast for text */
/* Font choices are generally legible */
/* Line height provides good readability */
/* Sufficient spacing between elements */