توضیح پویایی و شناسایی خطرات بالقوه جابجایی کامیون‌های حمل مواد خطرناک

رشد اقتصاد جهانی و تخصص عمیق صنایع، به طور مشترک منجر به افزایش مداوم تقاضا برای مواد خطرناک (HazMat) مانند هیدروژن و نیتروژن مایع شده است که منجر به فراوانی بالای حرکات کامیون‌های HazMat شده است. شناسایی فعالیت‌ها و درک ویژگی‌های چنین حرکاتی برای کاهش اثرات منفی زیست‌محیطی آنها بسیار مهم است. در این مطالعه، ما یک رویکرد داده‌محور برای استخراج سفرها از داده‌های GPS و تجزیه و تحلیل ویژگی‌های سفر کامیون‌های HazMat پیشنهاد می‌کنیم. سه آستانه زمان توقف برای تشخیص فعالیت‌های توقف کامیون‌های HazMat به ترتیب مربوط به ۱ دقیقه، ۲۰ دقیقه و ۲۸۸ دقیقه تعیین شده است. نتایج نشان می‌دهد که شبکه مکانی حرکت HazMat تابع مکان‌های هر دو تأمین‌کننده مانند صنایع شیمیایی و مشتریانی مانند مطب‌های پزشکی است. توزیع مکانی سفرها، الگوهای حرکتی کامیون‌های HazMat را آشکار می‌کند. در حالی که سفرهای مسافت طولانی که حمل و نقل بین شهری HazMat را انجام می‌دهند، خطرات زیست‌محیطی را در سطح منطقه‌ای ایجاد می‌کنند، سفرهای کمتر از ۲۰ کیلومتر خطرات بالقوه‌ای را در خیابان‌های محلی حتی در مناطق مرکزی ایجاد می‌کنند. نقشه‌های خطر برای انواع مختلف حمل و نقل مواد خطرناک، توزیع مکانی منحصر به فرد نقاط حساس خطر در هر دسته را بیشتر آشکار می‌کند و بینش‌های ارزشمندی را برای مدیریت دقیق ریسک و توسعه سیاست‌ها ارائه می‌دهد. رویکرد پیشنهادی می‌تواند به توصیف الگوهای تحرک و ارزیابی خطرات بالقوه جابجایی مواد خطرناک کمک کند و در نتیجه حمل و نقل پایدار بار شهری را ارتقا دهد.

مقدمه

مواد خطرناک (HazMat) نقش حیاتی در بسیاری از حوزه‌های کلیدی بخش صنعت ایفا می‌کنند. با توسعه سریع صنعتی شدن جهانی، تقاضا برای HazMat همچنان در حال افزایش است (Sun and Zhou, 2023)، که منجر به روند رو به رشدی در جابجایی کامیون‌های HazMat شده است (Ghaleh et al., 2019). سالانه بیش از 4 میلیارد تن HazMat در سراسر جهان حمل می‌شود (Dong et al., 2020). در میان تمام روش‌های حمل و نقل، مهمترین روش برای حمل HazMat، حمل و نقل جاده‌ای است (Holeczek, 2019). در سال 2020، حجم حمل و نقل جاده‌ای HazMat در چین به بیش از 400 میلیون تن رسید (Ma et al., 2021)، که 69 درصد از کل را تشکیل می‌دهد (Liu et al., 2023). در آلمان، بیش از 46 درصد از حمل و نقل HazMat توسط کامیون‌ها انجام می‌شود (Destatis, 2018). مواد خطرناک (HazMat) ارزش بالاتر، خطرات حمل و نقل بیشتر و ذخیره‌سازی حرفه‌ای‌تری نسبت به کالاهای معمولی دارند، که کامیون‌های HazMat را به بخش مهمی از توسعه حمل و نقل پایدار شهری تبدیل می‌کند. حمل و نقل مواد خطرناک از بسیاری جهات با حمل و نقل بار معمولی متفاوت است. اولاً، حمل و نقل مواد خطرناک به دلیل ماهیت بالای خطرات، تأثیرات زیست‌محیطی بیشتری دارد (Erkut and Verter, 1998; Holeczek, 2019). ثانیاً، مواد خطرناک معمولاً به امکانات تخصصی نیاز دارند و مکان‌های پارکینگ تابع مقررات سختگیرانه‌ای هستند (Qin et al., 2024). ثالثاً، از نظر انتخاب مسیر، حمل و نقل مواد خطرناک بر تعادل بین هزینه‌ها و خطرات تأکید دارد (Dadkar et al., 2010). کامیون‌های HazMat اغلب نمی‌توانند به کوتاه‌ترین مسیر برسند زیرا به حداقل رساندن ریسک یک هدف بهینه‌سازی است که باید در حمل و نقل HazMat در نظر گرفته شود (Meiyi و همکاران، ۲۰۱۵). در نهایت، در مقایسه با شبکه‌های حمل و نقل بار معمولی، لبه‌ها و گره‌های شبکه حمل و نقل HazMat باید از مناطق متراکم مانند جمعیت و منابع آب دور باشند (Fan و همکاران، ۲۰۱۵). تقاضای نسبتاً خاص برای HazMat تعیین می‌کند که شبکه حمل و نقل HazMat یک شبکه همکاری منطقه‌ای است. به طور کلی، کامیون‌های HazMat در مقایسه با کامیون‌های معمولی، اثرات منفی زیست‌محیطی بیشتری دارند. در زمینه توسعه مداوم حرکت کامیون‌های HazMat، توضیح الگوهای حرکتی و شناسایی خطرات بالقوه کامیون‌های HazMat برای کاهش اثرات منفی زیست‌محیطی حمل و نقل بار شهری بسیار مهم است (یوان و یانگ، 2023). تنظیم مؤثر و تدوین سیاست‌های مناسب برای کامیون‌های HazMat به منظور ارتقای حمل و نقل بار پایدار، یکی از چالش‌های اصلی برای تصمیم‌گیرندگان و مسئولان شهری است.

سفرهای دقیق و با کیفیت کامیون‌ها، مبنای داده‌ها برای انجام تحلیل الگوی تحرک و کنترل ریسک برای کامیون‌های HazMat هستند (لیو و همکاران، 2023؛ ژائو و همکاران، 2019). با این حال، چالشی که در حال حاضر سیاست‌گذاران با آن مواجه هستند، فقدان داده‌های گسترده سفر برای کامیون‌های HazMat است که تدوین سیاست‌های حمل و نقل برای بهبود ایمنی حمل و نقل HazMat را تا حد زیادی مختل می‌کند (ژانگ و همکاران، 2019). داده‌های سفر سنتی معمولاً از طریق نظرسنجی‌های دستی به دست می‌آیند که نه تنها پرزحمت و زمان‌بر هستند، بلکه شامل عدم قطعیت در کیفیت داده‌های نظرسنجی نیز می‌شوند. کمبود داده‌های پیمایشی همچنین مانع از کاربرد مؤثر آن در تحلیل و بهینه‌سازی سیستم حمل و نقل شهری می‌شود (آلن و همکاران، ۲۰۱۴). به منظور تقویت مقررات حمل و نقل مواد خطرناک (HazMat)، مقامات حمل و نقل چین از همه کامیون‌های HazMat خواسته‌اند که برای جمع‌آوری داده‌ها به دستگاه‌های GPS مجهز شوند (لیو و همکاران، ۲۰۲۳؛ یانگ و همکاران، ۲۰۲۲ب). در مقایسه با داده‌های پیمایشی، داده‌های GPS مزایای هزینه کم، پوشش جامع و دقت بالا را دارند. در سال‌های اخیر، مسیرهای GPS به یک منبع داده امیدوارکننده برای درک الگوهای سفر بار و اثرات زیست‌محیطی تبدیل شده‌اند (لی و همکاران، ۲۰۲۴؛ یانگ و همکاران، ۲۰۲۳؛ یانگ و همکاران، ۲۰۲۲الف؛ ژائو و همکاران، ۲۰۲۳). محبوبیت داده‌های GPS مسیرهای جدیدی را برای تحلیل تحرک و پیشگیری از خطر کامیون‌های HazMat فراهم می‌کند.

با این حال، در حالی که تحقیقات موجود به طور گسترده الگوهای سفر کامیون‌های معمولی را با استفاده از داده‌های GPS بررسی کرده‌اند (Gong et al., 2015; Hadavi et al., 2018; Yang et al., 2022a)، مطالعات کمی تجزیه و تحلیل دقیقی از ویژگی‌های حرکتی کامیون‌های HazMat انجام داده‌اند. دلیل اصلی این پدیده، فقدان روش‌های مؤثر برای استخراج داده‌های سفر موجود از داده‌های GPS کامیون‌های HazMat است. نمی‌توان نادیده گرفت که کشف الگوهای حرکتی کامیون‌های HazMat برای توسعه حمل و نقل پایدار بار ضروری است. از دیدگاه ایمنی، این امر برای پیشگیری و کنترل ریسک در حمل و نقل HazMat نیز بسیار مهم است. در واقع، مطالعات قبلی روش‌های استخراج سفر را از دیدگاه‌های مختلف بر اساس داده‌های GPS پیشنهاد کرده‌اند. اما شایان ذکر است که این مطالعات بیشتر بر کامیون‌های معمولی تمرکز دارند تا کامیون‌های HazMat. پارامترهای استخراج شده توسط مطالعات موجود به دلیل تفاوت‌های قابل توجه در ویژگی‌های عملیاتی کامیون‌های HazMat و کامیون‌های معمولی، از مشکل عدم کاربرد رنج می‌برند.

مهاجرت مستقیم این روش‌ها به ناچار منجر به دقت پایین در استخراج سفرهای کامیون‌های HazMat خواهد شد که از منظر خطرات مرتبط با HazMat غیرقابل تحمل است. به عنوان مثال، در کاربرد روش تبعیض آستانه‌ای پرکاربرد و روش‌های یادگیری ماشین از طریق داده‌های GPS برای شناسایی ایستگاه‌های کامیون، مطالعات موجود نشان داده‌اند که مدت زمان توقف کامیون‌های تجاری معمولی (Gong et al., 2015; Yang et al., 2014b; Yang et al., 2022b) به طور قابل توجهی با مدت زمان توقف کامیون‌های HazMat متفاوت است (Liu et al., 2023)، زیرا این روش‌ها الگوهای فعالیت کامیون‌های باری معمولی را ثبت می‌کنند. به طور مشابه، در این مطالعات، چنین روش‌هایی اغلب به جای استنتاج چند طبقه‌ای از فعالیت‌های مختلف توقف، که می‌تواند به استنباط اهداف سفر باری کمک کند، به طبقه‌بندی دودویی بین ایستگاه‌ها و فعالیت‌ها دست می‌یابند (Zhao et al., 2019). این محدودیتی است که ما در این مطالعه قصد داریم به آن بپردازیم. بنابراین، روش‌های موجود که برای کامیون‌های تجاری معمولی طراحی شده‌اند، برای کامیون‌های HazMat قابل استفاده نیستند. در این زمینه، ارائه یک رویکرد داده‌محور برای استخراج سفرها و طبقه‌بندی اهداف سفر از داده‌های GPS کامیون‌های HazMat برای توضیح پویایی حرکات کامیون‌های HazMat از اهمیت بالایی برخوردار است. بر این اساس، می‌توانیم بررسی دقیقی از الگوهای حرکتی کامیون‌های HazMat انجام دهیم. ویژگی‌های توقف و حرکت کامیون‌های HazMat همچنین می‌تواند به شناسایی بیشتر خطرات بالقوه آنها کمک کند.

برای رفع شکاف‌های تحقیقاتی ذکر شده در بالا، این مقاله قصد دارد یک رویکرد داده‌محور برای استخراج سفرهای کامیون‌های HazMat با استفاده از داده‌های مسیر GPS و تجزیه و تحلیل الگوهای سفر و خطرات بالقوه آنها بر اساس داده‌های سفر ارائه دهد. ما یک مطالعه موردی با استفاده از داده‌های GPS کامیون‌های HazMat به مدت یک هفته حاوی بیش از 7.8 میلیون سیگنال در شانگهای انجام می‌دهیم. ما یک الگوریتم زمان خطی دقیق هرس شده با محدودیت دوگانه (PELT) را برای استخراج توقف‌ها و سفرهای کامیون‌های HazMat توسعه می‌دهیم. ما از روش آماری برازش توزیع توانی کوتاه شده برای تمایز بین چهار نوع فعالیت توقف کامیون HazMat استفاده می‌کنیم. متعاقباً، ما از الگوریتم خوشه‌بندی مکانی مبتنی بر چگالی برنامه‌ها با نویز (DBSCSA) برای شناسایی نقاط توقف استفاده می‌کنیم. دقت الگوریتم پیشنهادی ما در شناسایی توقف‌های کامیون HazMat به 95.82٪ می‌رسد که عملکرد عالی را نشان می‌دهد. این روش به طور مؤثر شکاف موجود در تحقیقات در مورد استخراج توقف‌ها و سفرهای کامیون‌های HazMat از داده‌های مسیر GPS کامیون‌های HazMat را برطرف می‌کند. کاربرد این روش می‌تواند مجموعه داده‌های ارزشمندی را برای مدل‌سازی سفر کامیون‌های HazMat مبتنی بر سفر فراهم کند و بینش‌هایی را در مورد الگوهای حرکتی آنها ارائه دهد.

تحلیل آماری زمان توقف کامیون‌های HazMat سه آستانه زمانی را نشان می‌دهد که چهار نوع فعالیت توقف کامیون HazMat را از هم متمایز می‌کند. نتایج همچنین نشان می‌دهد که کامیون‌های HazMat در مقایسه با کامیون‌های تجاری معمولی، آستانه‌های مدت توقف کوتاه‌تری دارند. ما توزیع مکانی سفرهای کامیون HazMat را بیشتر تجزیه و تحلیل می‌کنیم و متوجه می‌شویم که الگوهای تحرک کامیون‌های HazMat با فاصله سفر متفاوت است و دو حالت را نشان می‌دهد: حمل و نقل بین شهری و حمل و نقل درون شهری. در نهایت، خطرات بالقوه کامیون‌های HazMat را محاسبه می‌کنیم. نتایج نشان می‌دهد که سفرهای بین شهری طولانی، خطرات زیست‌محیطی را در سطح منطقه‌ای ایجاد می‌کنند و مناطق شانگهای خطرات بالاتری را نشان می‌دهند، در حالی که سفرهای کمتر از 20 کیلومتر، خطرات بالقوه‌ای را در خیابان‌های محلی حتی در مناطق مرکزی ایجاد می‌کنند. (منبع).