تأثیر زمان و مکان بر دقت مدل‌های تولید سفر بار شهری

تأثیر زمان و مکان بر دقت مدل‌های تولید سفر بار شهری

علیرغم پیشرفت‌های اخیر در ادبیات مدل‌سازی تولید سفر بار (FTG)، فقدان درک در مورد تأثیر انتخاب مدل رگرسیون، دوره اندازه‌گیری (FTG روزانه/هفتگی) و وابستگی مکانی بر برازش مدل و سیاست‌های مرتبط با بار وجود دارد. این مطالعه با توسعه مدل‌های رگرسیون خطی چندگانه خودرگرسیونی غیرمکانی و مکانی و شمارشی برای تولید سفر بار (FTP) روزانه و هفتگی و جذب سفر بار (FTA) به این شکاف‌های تحقیقاتی می‌پردازد. ما محموله‌های بار (FS) را به عنوان FTP و تحویل بار (FD) را به عنوان FTA مدل می‌کنیم. نتایج نشان می‌دهد که بهترین مدل برای FTP روزانه و هفتگی، مدل فضایی دوجمله‌ای منفی با تورم صفر (ZINB) است. بهترین مدل FTA روزانه و هفتگی، مدل غیرمکانی دوجمله‌ای منفی (NB) است. یافته‌ها نشان‌دهنده وجود وابستگی مکانی در بهترین مدل FTP است، در حالی که در بهترین مدل FTA وجود ندارد. تحلیل کشش‌پذیری نشان می‌دهد که مدل‌های روزانه ممکن است منجر به سوگیری و پیش‌بینی نادرست اثرات سیاست‌ها شوند. این مطالعه استفاده از مدل‌های شمارشی را توصیه می‌کند که ویژگی‌های FTG بیشتری را با یک هفته به عنوان دوره اندازه‌گیری ثبت می‌کنند و در صورت وجود، وابستگی مکانی را در نظر می‌گیرند.

مقدمه

برنامه‌ریزان و سیاست‌گذاران حمل‌ونقل برای برنامه‌ریزی کارآمد، مدیریت ترافیک و تلاش‌های طراحی زیرساخت، به تخمین تقاضای مسافر و بار متکی هستند (هولگین-وراس و همکاران، 2021). تخمین تقاضای بار شامل بار تولید شده بر حسب تن (تولید بار) و سفرهای باری (تولید سفر باری) می‌شود. اگرچه در دهه گذشته تلاش‌های قابل توجهی در مدل‌سازی FTG صورت گرفته است، اما بیشتر این تلاش‌ها بر مدل‌های رگرسیون خطی چندگانه (MLR) یا رگرسیون خطی ساده (SLR) با اندازه کسب‌وکار به عنوان متغیرهای توضیحی متکی بوده‌اند. مدل‌های MLR در بررسی چندین ویژگی FTG ناموفق بوده‌اند. مدل‌های رگرسیون جایگزین که یک یا چند ویژگی FTG، از جمله نرخ سفر مثبت، نوع داده شمارش، صفرهای اضافی و پراکندگی بیش از حد را در نظر می‌گیرند، کمتر مورد بررسی قرار گرفته‌اند. جای تعجب نیست که مطالعات قبلی که از مدل‌های SLR یا MLR استفاده کرده‌اند، برازش ضعیفی را برای مدل‌های FTG گزارش کرده‌اند (هولگین-وراس و همکاران، 2011؛ ​​پانی و ساهو، 2019). با این حال، مطالعاتی که مدل‌های رگرسیون مختلف را مقایسه می‌کنند، نادر هستند. دو بُعد دیگر که توجه کمی به آنها شده است، مقیاس زمانی تحلیل یا دوره اندازه‌گیری و وابستگی مکانی هستند. دوره اندازه‌گیری، روزانه یا هفتگی، و در نظر گرفتن وابستگی مکانی ممکن است بر تخمین‌ها تأثیر بگذارد و سیاست‌های حمل و نقل را تحت تأثیر قرار دهد.

مدل‌های داده‌های شمارشی مانند مدل‌های رگرسیون پواسون، NB، پواسون با صفر متورم (ZIP) و ZINB یک یا چند ویژگی FTG را ثبت می‌کنند. از لحاظ تئوری، این مدل‌ها به دلیل ثبت ویژگی‌های داده‌ها، احتمال بیشتری دارد که برازش بهتری نسبت به مدل‌های MLR ارائه دهند. مدل پواسون فرض می‌کند که محموله‌های ارسالی یا دریافتی از نوع داده‌های شمارشی و مثبت هستند. آن‌ها برای داده‌هایی با پراکندگی پراکنده و میانگین پایین مناسب‌تر هستند (Patil et al., 2021). مدل دوجمله‌ای منفی برای داده‌هایی با یک نوع پراکندگی بیش از حد (پراکندگی بیش از حد به دلیل مؤلفه شمارش به تنهایی، بدون در نظر گرفتن صفرهای اضافی) نسبت به مدل پواسون برتر است. با این حال، مدل NB صفرهای اضافی و نوع دیگر پراکندگی بیش از حد ناشی از صفرهای اضافی را در نظر نمی‌گیرد. مدل‌های با تورم صفر (ZIP و ZINB) این جنبه‌ها را بهتر مدیریت می‌کنند. در حالی که مدل ZIP فقط شکل دوم پراکندگی بیش از حد را در نظر می‌گیرد، مدل ZINB هر دو شکل پراکندگی بیش از حد را در نظر می‌گیرد (Perumean-Chaney و همکاران، ۲۰۱۳). مطالعات FTG به ندرت از این مدل‌ها استفاده کرده‌اند و ارزش بررسی برای دستیابی به برازش بهتر را دارند.

مؤسسات، بسته به نوعشان، به صورت روزانه یا هفتگی یا حتی با تناوب کمتر در FTG نقش دارند (Danielis و همکاران، ۲۰۱۳). مطالعات قبلی FTG هفتگی یا معادل FTG روزانه را مدل‌سازی کرده‌اند، و مطالعات جدیدتر مدل اول را مدل‌سازی کرده‌اند. مدل‌سازی FTG روزانه ممکن است برای برنامه‌ریزان حمل و نقل و سیاست‌گذاران ضروری باشد تا تجزیه و تحلیل دقیق‌تری را امکان‌پذیر سازند. به عنوان مثال، تجزیه و تحلیل تقاضای پارکینگ و برنامه‌های مسیریابی وسایل نقلیه نیاز به تخمین‌های ساعتی یا روزانه از تقاضا دارند (Ramirez-Rios و همکاران، ۲۰۲۳، Hatzenbühler و همکاران، ۲۰۲۳). با این حال، در مورد روزانه، گرد کردن تعداد FS ارسالی و FD دریافتی یا اضافه کردن FS و FD هفتگی به صورت تصادفی به FS و FD روزانه می‌تواند منجر به الگوهای FTG و توزیع داده‌های بسیار متفاوتی شود. بنابراین، مورد روزانه می‌تواند منجر به تخمین‌های مدل مغرضانه، اثرات کشش و سیاست‌های مربوطه شود. این اثر مقیاس زمانی تجزیه و تحلیل قبلاً بررسی نشده است.

مطالعات گذشته FTG نشان داد که تعاملات مکانی در تولید سفرهای باری وجود دارد. این مطالعات وابستگی مکانی را با استفاده از مدل‌های رگرسیون خطی مکانی در نظر گرفتند و اهمیت در نظر گرفتن وابستگی مکانی در مدل‌های تقاضای بار را از طریق برازش‌های بهبود یافته نشان دادند. علاوه بر این، بسیاری از مطالعات مدل‌سازی مکانی قبلی نیز نشان داده‌اند که اگر وابستگی مکانی بین مشاهدات در نظر گرفته نشود، تخمین پارامترها ناکارآمد است (ژو و کوکلمن، ۲۰۰۹؛ آنسلین، ۲۰۱۳) و تأثیرات سیاست‌گذاری کمتر از حد واقعی تخمین زده می‌شود (بات و همکاران، ۲۰۱۶). با این حال، مطالعاتی که وابستگی مکانی را در مدل‌های شمارش برای FTG در نظر گرفته‌اند، نادر هستند.

در نهایت، سیستم حمل و نقل شامل فرستنده‌ها، گیرنده‌ها، حامل‌ها، واسطه‌ها و مصرف‌کنندگان نهایی است. در حالی که تعداد زیادی از مطالعات بر روی FTG گیرنده‌ها و واسطه‌ها متمرکز بوده‌اند، تنها تعداد انگشت‌شماری از آنها در کشورهای در حال توسعه بوده‌اند (Oliveira و همکاران، 2022، Middela و Ramadurai، 2021a). اکثر مطالعات FTG، به ویژه در هند، بر فرستنده‌ها متمرکز بوده‌اند (Pani و همکاران، 2019، Pani و Sahu، 2019). داده‌های مطالعه حاضر از چنای هند است. در شهرهای بزرگ هند، فرستنده‌ها (تولیدکنندگان، واحدهای مونتاژ و سایت‌های تولید مواد اولیه) عمدتاً در مناطق حومه شهر و شهرک‌های صنعتی قرار دارند. آنها سهم نسبتاً کمتری در جابجایی بار در منطقه شهری دارند. گیرنده‌ها و مؤسسات واسطه‌ای اکثر مؤسسات را در مناطق شهری تشکیل می‌دهند و در اکثر جابجایی‌های بار نقش دارند. بنابراین، این مطالعه بر روی آنها تمرکز دارد و FS ارسال شده توسط آنها را به عنوان FTP و FD دریافت شده توسط آنها را به عنوان FTA مدل‌سازی می‌کند. این مدل، مدل‌های رگرسیون غیرمکانی و مکانی مختلف را از نظر برازش در مقیاس‌های زمانی هفتگی و روزانه مقایسه می‌کند.

این مقاله به دنبال درک تأثیر دوره اندازه‌گیری و وابستگی مکانی بر برازش مدل FTG است. این مطالعه مدل‌های رگرسیون مختلفی را که قبلاً برای FTG بررسی نشده بودند، توسعه می‌دهد و بهترین مدل را برای محموله‌های ارسالی و دریافتی توسط گیرندگان و مؤسسات واسطه شناسایی می‌کند. این مطالعه منحصر به فرد است زیرا عوامل متعددی (دوره اندازه‌گیری، وابستگی مکانی و مدل رگرسیون) را بر برازش مدل و اثرات کشش ارزیابی کرده است. این جنبه‌ها در مطالعات قبلی به طور جداگانه ارزیابی شده‌اند (سانچز-دیاز و همکاران، ۲۰۱۳، سانچز-دیاز و همکاران، ۲۰۱۶، سانچز-دیاز، ۲۰۱۷، پاتیل و همکاران، ۲۰۲۱، میدلا و رامادورای، ۲۰۲۱a) و نشان داده شده است که برازش مدل را بهبود بخشیده‌اند. از نظر روش‌شناسی مدل‌سازی، این مطالعه مدل پواسون خودرگرسیون مکانی (SAR) ارائه شده توسط لمبرت و همکاران را گسترش می‌دهد. (2010) به مدل‌های SAR-NB و SAR-ZIP. شایان ذکر است که مطالعات قبلی ممکن است به دلایل توازن بین پیچیدگی محاسباتی و دقت آنها از مدل‌های مکانی استفاده نکرده باشند. با توسعه سریع سخت‌افزار و نرم‌افزار برای توسعه مدل‌های مکانی اخیراً، بسیاری از مطالعات شروع به بررسی آنها برای مدل‌سازی FTG کرده‌اند. انگیزه مطالعه حاضر، تکیه بر دانش موجود مبنی بر وجود تعاملات مکانی در داده‌های FTG برای ارزیابی بهبود برازش ممکن با مدل‌های شمارش مکانی و درک تأثیر دوره اندازه‌گیری است.

ادامه مقاله به شرح زیر سازماندهی شده است. بخش‌های ۲ تا ۴ خلاصه‌ای از پیشینه مربوط به مدل‌سازی FTG، فرآیند جمع‌آوری داده‌ها و آمار توصیفی و روش‌شناسی را ارائه می‌دهند. بخش‌های ۵ و ۶ مدل‌های تولید و جذب سفر بار را با و بدون وابستگی مکانی ارائه می‌دهند. نتایج مقایسه مدل‌های اقتصادسنجی و اثرات کشش سطح کل در بین مدل‌ها در بخش ۷ مورد بحث قرار گرفته است. در نهایت، مفاهیم، ​​محدودیت‌ها و نتیجه‌گیری‌های مطالعه در بخش‌های ۸ و ۹ مورد بحث قرار گرفته است.(منبع).