بهترین آموزش های کاربردی در شهرسازی
بهترین آموزش های کاربردی در شهرسازی را از Urbanity.ir بخواهید
Friday, 17 May , 2024
امروز : جمعه, ۲۸ اردیبهشت , ۱۴۰۳
شناسه خبر : 9565
  پرینتخانه » مقالات تاریخ انتشار : 25 اکتبر 2023 - 3:30 | 8 بازدید | ارسال توسط :

علوم شهری | متن کامل رایگان

در این بخش نتایج حاصل از بررسی و مدل ارائه شده است. ۵٫۱٫ نتایج نظرسنجی نتایج نظرسنجی نشان داد که ۳۰ درصد از پاسخ دهندگان می توانند در شرایط فعلی از BRT استفاده کنند، اما هنگام ارائه خدمات یکپارچه برای تغذیه ایستگاه های BRT، این درصد به ۷۰ درصد افزایش یافت. علاوه بر این، ویژگی […]

علوم شهری |  متن کامل رایگان


در این بخش نتایج حاصل از بررسی و مدل ارائه شده است.

۵٫۱٫ نتایج نظرسنجی

نتایج نظرسنجی نشان داد که ۳۰ درصد از پاسخ دهندگان می توانند در شرایط فعلی از BRT استفاده کنند، اما هنگام ارائه خدمات یکپارچه برای تغذیه ایستگاه های BRT، این درصد به ۷۰ درصد افزایش یافت. علاوه بر این، ویژگی های جمعیت شناختی به دست آمده از پاسخ دهندگان نظرسنجی نشان داد که نمونه نزدیک به جمعیت اردن است، همانطور که در جدول ۸.

میانگین داده‌های سفر روزانه نشان داد که تقریباً ۳۴ درصد از پاسخ‌دهندگان مدت‌زمان سفر را در محدوده ۲۰ تا ۴۰ دقیقه گزارش کردند. جالب توجه است، پاسخ دهندگان تمایل خود را برای پذیرش خدمات حمل و نقل عمومی ابراز کردند، مشروط بر اینکه راحتی و قابلیت اطمینان را ارائه دهند، زیرا این امر می تواند به طور قابل توجهی ازدحام ترافیک را کاهش دهد. در مقابل، همان پاسخ دهندگان چندین عامل کلیدی را ذکر کردند که آنها را از استفاده از وسایل حمل و نقل عمومی منصرف می کند. اینها شامل غیرقابل اعتماد بودن خدمات، عدم وجود برنامه زمانی مشخص و در دسترس بودن گزینه های جایگزین و راحت تر برای حمل و نقل بود. علاوه بر این، پاسخ دهندگان راه حل های بالقوه برای کاهش تراکم ترافیک را برجسته کردند. آنها ارائه اتوبوس برای رفت و آمد به محل کار یا دانشگاه، ترتیبات اشتراک سواری با دیگران، اتخاذ ساعت کاری انعطاف پذیر، و ادغام حمل و نقل عمومی با خدمات سواری را به عنوان راهبردهای امیدوارکننده برای رسیدگی به این موضوع پیشنهاد کردند.

نکته دیگری از نتایج نشان داده شد که ترجیح استفاده از خدمات سواری به جای خدمات تاکسی به دلیل قابلیت پیگیری راننده، اطلاع از زمان مورد نیاز سفر، امکان پیش‌سفارش سفرها و اطلاع از هزینه از قبل است.

پاسخ دهندگان نشان دادند که BRT تنها به ۳۰٪ از کاربران خدمات ارائه می دهد زیرا هنوز تحت عملیات نرم آن است، بنابراین منطقه تحت پوشش کم در نظر گرفته می شود و رسیدن به ایستگاه های BRT را چالش برانگیز می کند. بنابراین، PV حالت اولیه برای رسیدن به ایستگاه BRT بود و به دنبال آن پیاده‌روی، حمل‌ونقل عمومی و خدمات سواری. کاربران همچنین ترجیح می دهند از BRT در فصل تابستان و بهار استفاده کنند.

سناریوی پیشنهادی ادغام بیش از یک شیوه خدمات حمل و نقل نشان داد که پاسخ دهندگان این ایده را در کاهش هزینه سفر، افزایش حمل و نقل عمومی و گفتگو و ایجاد شغل برای جوانان بسیار پذیرفته اند.

۵٫۲٫ نتایج مدل

نتایج روش حمل و نقل، به عنوان مثال، وسایل نقلیه شخصی، BRT، یا منبع سواری بر اساس سفرهای مبتنی بر کار به دست آمده، نشان داد که حدود ۶۴٫۴٪ از شرکت کنندگان از وسایل نقلیه شخصی استفاده می کردند. این منعکس کننده وضعیت فعلی در اردن است، زیرا استفاده از وسایل نقلیه شخصی مقرون به صرفه است و انعطاف پذیری به کاربران اجازه می دهد تا سفرهای ثانویه را به راحتی انجام دهند. از سوی دیگر، حدود ۲۱٫۳ درصد از شرکت کنندگان از خدمات Ride-sourcing استفاده کردند. این را می توان به عنوان این واقعیت اشاره کرد که این سرویس دارای برنامه زمانبندی انعطاف پذیر، راحتی و قابلیت اطمینان است. از سوی دیگر، سرویس BRT با ۱۴٫۳ درصد انتخاب شد که نشان می‌دهد با شرایط موجود در عملیات نرم BRT، افراد کمی جذب سرویس BRT شده‌اند.

با توجه به وضعیت فعلی در اردن، خدمات حمل و نقل عمومی از موانع متعددی در ارتباط با دسترسی، انعطاف پذیری، مقرون به صرفه بودن، قابلیت اطمینان و راحتی رنج می برد. بنابراین، برای افزایش سواری حمل و نقل عمومی، خدمات جدیدی برای اتصال و ادغام با BRT پیشنهاد می شود. مشخص شد که هنگام ادغام BRT با سایر روش های حمل و نقل، درصد انتخاب حالت به ۷۰٫۸٪ افزایش یافته است، که به عنوان ۳۲٫۱٪ در هنگام ادغام با وسایل نقلیه شخصی و ارائه خدمات پارکینگ طبقه بندی می شود. حدود ۲۰٫۳% در صورت ادغام با خدمات سواری. تقریباً ۱۸٫۴٪ در صورت ادغام با خدمات حمل و نقل درخواستی. و حدود ۲۹٫۲ درصد از کاربران همچنان ترجیح می دهند از وسایل نقلیه شخصی خود استفاده کنند و این کاربران از آنجایی که سفرهای ثانویه دارند ترجیح می دهند از وسایل نقلیه خود استفاده کنند. بر اساس خدمات حمل و نقل موجود، اکثر شرکت کنندگانی که وسایل نقلیه شخصی را انتخاب کردند، دارای گواهینامه رانندگی بودند، با درصد ۹۳٫۲ درصد. علاوه بر این، وسایل نقلیه شخصی توسط شرکت‌کنندگان با تحصیلات عالی با درصد ۷۸٫۳ درصد انتخاب شدند. از سوی دیگر، شرکت کنندگانی که خدمات منبع سواری را انتخاب کردند، کارفرمایان با درصد ۶۵٫۶ درصد بودند.

پس از ادغام BRT با سایر روش های حمل و نقل، شرکت کنندگانی که سرویس BRT را انتخاب کردند، کارفرمایان با درصد ۷۰٫۲٪ بودند. همچنین شرکت کنندگانی که BRT را انتخاب کردند دارای گواهینامه رانندگی با درصد ۸۳٫۳ درصد بودند. در نهایت، شرکت کنندگانی که وسایل نقلیه شخصی را انتخاب کردند، کاربران فارغ التحصیل و کارشناسی ارشد با درصد ۷۴٫۶ درصد بودند.

۵٫۲٫۱٫ تخمین مدل

همه مدل‌ها با استفاده از بسته نرم‌افزاری PandasBiogeme در پایتون، که از تکنیک تخمین حداکثر احتمال برای یافتن راه بهینه برای تناسب توزیع با داده‌ها استفاده می‌کرد، برآورد شدند. [۵۵]. این مطالعه از مدل MNL به عنوان مدل شروع استفاده کرد و آن را ساده‌تر دانست. مدل ML بعد از MNL برای آزمایش تنوع طعمی متغیرها استفاده شد.

را تی-آزمون نوعی آمار استنباطی بر اساس توزیع t منحنی زنگی شکل است که برای آزمون وجود اختلاف معنی دار بین میانگین گروه ها استفاده می شود. را تیبا توجه به اینکه واریانس ناشناخته و حجم نمونه بزرگ است در این پژوهش از آزمون -آزمون استفاده شده است.

ترجیح کلی بر اساس ثابت‌های مرتبط (ASC) در شرایط فعلی برای جایگزین‌های وسیله نقلیه شخصی و به‌ترتیب منبع‌یابی سواری و منبع‌یابی سواری با BRT بود. این ممکن است مربوط به عملکرد نرم BRT و انعطاف پذیری استفاده از PV باشد که در آن کاربر می تواند به راحتی سفرهای ثانویه را انجام دهد. شکل ۳ نشان می دهد که چگونه عوامل قابل مشاهده بر سناریو تأثیر می گذارد. ثابت‌های مرتبط (ASC) وسایل نقلیه شخصی، منبع‌یابی سواری، و منبع‌یابی سواری با BRT را ترجیح می‌دهند. این ممکن است مربوط به عملکرد نرم BRT و انعطاف پذیری استفاده از PV باشد که در آن کاربر می تواند به راحتی سفرهای ثانویه را انجام دهد.
تخمین پارامترهای مدل‌های MNL و ML برای وضعیت فعلی ارائه شده است جدول ۹. بر اساس ویژگی‌های جمعیت‌شناختی اجتماعی، بزرگسالان مرفه به احتمال زیاد وسایل نقلیه شخصی را در شغل ترجیح می‌دهند. از سوی دیگر، دانشجویان جوان با درآمد متوسط، خدمات سواری را ترجیح می دهند. علاوه بر این، سرویس BRT بیشتر توسط دانشجویان جوان با درآمد پایین ترجیح داده می شود. کاربران حمل و نقل عمومی عموما تمایل بیشتری به استفاده از سرویس BRT داشتند. نکته دیگر مربوط به مالکیت خودرو این است که کاربرانی که وسیله نقلیه شخصی ندارند تمایل بیشتری به استفاده از خدمات سواری و BRT داشتند. همچنین در دسترس نبودن پارکینگ یکی از دلایل انتخاب BRT بود.

پارامتر هزینه برای همه حالت ها دارای علامت منفی در هر دو مدل است که نشان دهنده یک رابطه معکوس با ترجیح است. هر چه هزینه بیشتر باشد، کاربران کمتر انتخاب می کنند. باز هم، این با آنچه در مطالعات قبلی یافت شد مطابقت دارد.

مشکلات مربوط به اتصال و مناطق کم پوشش حمل و نقل عمومی دلیل اصلی مدل پیشنهادی، یعنی داشتن حالت های یکپارچه و متصل حمل و نقل عمومی بود. اولویت کلی بر اساس ASCها برای PV با BRT و سپس منبع‌یابی سواری با BRT بود، سپس توسط BoD با BRT در مقایسه با ثابت ثابت وسایل نقلیه شخصی دنبال شد.

تخمین پارامترهای مدل‌های MNL و ML برای خدمات یکپارچه‌سازی در ارائه شده است جدول ۱۰. بر اساس ویژگی های جمعیت شناختی، PV با BRT بیشتر توسط کارفرمایان میانسال با درآمد بالا که دارای گواهی دیپلم بودند ترجیح داده می شد. کاربران جوان و کم‌درآمد با مدرک تحصیلات تکمیلی بیشتر ترجیح می‌دادند منبع سواری با BRT را ترجیح دهند. به احتمال زیاد هیئت مدیره با BRT توسط دانشجویان جوانی که در خانواده ای با درآمد متوسط ​​زندگی می کنند ترجیح داده می شود. مردان و کاربران خانه دار که در خانواده ای با درآمد بالا زندگی می کنند، بیشتر وسایل نقلیه شخصی خود را ترجیح می دهند. در دسترس بودن وسایل نقلیه شخصی تأثیر بسزایی در انتخاب دارد. کاربرانی که در یک خانواده بدون وسیله نقلیه شخصی زندگی می کنند، گزینه های Uber و BoD را با BRT انتخاب کردند، در حالی که کاربرانی که در خانواده ای با یک وسیله نقلیه انتخاب شده زندگی می کنند، مانند وسایل نقلیه شخصی و وسایل نقلیه شخصی با BRT در هنگام پارکینگ (شکل ۴).

میانگین سفرهای روزانه نیز به طور قابل توجهی بر انتخاب ها تأثیر گذاشت. زمانی که سفرها کم در نظر گرفته می‌شد، ترجیح برای حالت‌های عمومی زیاد بود، اما زمانی که سفرها زیاد بود، ترجیح برای وسایل نقلیه شخصی زیاد بود زیرا کاربران می‌توانستند به راحتی سفرهای ثانویه را انجام دهند.

پارامترهای هزینه و WT با یک رابطه معکوس با اولویت بسیار معنی دار بودند. انتخاب یک حالت با افزایش هزینه کاهش می یابد. همین امر در مورد WT نیز صدق می کند. برعکس، وقتی WT زیاد است، حالت کمترین انتخاب را دارد.

۵٫۲٫۲٫ عملکرد مدل

جدول ۱۱ نتایج MNL و ML را در حالت های حمل و نقل موجود و حالت های حمل و نقل یکپارچه نشان می دهد. در سناریوی حالت‌های حمل‌ونقل موجود، مدل MNL برازش مدل و مقدار rho-squared بالاتر ۰٫۳۶۷ را در مقایسه با مدل ML نشان می‌دهد که دارای مقدار rho-squared 0.355 است. اول، مهم است که توجه داشته باشیم که مقادیر شبه R-squared در تحلیل لوجیت به طور قابل توجهی کمتر از مقادیر R-squared در تحلیل رگرسیون معمولی هستند. این به این دلیل است که ماهیت رگرسیون لجستیک با رگرسیون خطی متفاوت است و مفهوم R-squared مستقیماً کاربرد ندارد. در عوض، مدل‌های لاجیت از مقادیر شبه R-squared به‌عنوان معیار خوبی برای برازش استفاده می‌کنند. با توجه به (Kusumastuti & Nicholson، ۲۰۱۷)، یک مقدار شبه R-squared بین ۰٫۲ و ۰٫۴ را می توان معادل یک مقدار R-squared بین ۰٫۵ و ۰٫۸ در تحلیل رگرسیون معمولی در نظر گرفت.
علاوه بر این، مک فادن بیان کرد که یک مقدار شبه R-squared بین ۰٫۲ و ۰٫۴ نشان دهنده یک تناسب عالی است. در تحقیق حاضر، مقدار rho-squared 0.367 در محدوده ۰٫۲ تا ۰٫۴ قرار می گیرد که نشان دهنده تناسب عالی است. بنابراین، مقدار rho-squared 0.367 را می توان رضایت بخش و نشان دهنده تناسب خوب برای مدل حمل و نقل مختلط در نظر گرفت. [۵۹].
این تفاوت را می توان به مدل ML نسبت داد که از تعداد بیشتری از پارامترهای تخمین زده استفاده می کند و شامل مواردی است که در مدل ناچیز هستند. از سوی دیگر، در سناریوی حالت‌های حمل‌ونقل یکپارچه، مدل ML به تناسب مدل بالاتر و مقدار rho-squared 0.314 دست می‌یابد، در حالی که مدل MNL مقدار rho-squared 0.231 را نشان می‌دهد. شایان ذکر است که مقادیر لاگ درستنمایی اولیه مدل ها کم، اما مقادیر لاگ درستنمایی نهایی بالا بود که نشان می دهد مدل های برآورد شده برازش بهتری را با مجموعه داده ها ارائه می دهند. معیار اطلاعات بیزی (BIC) برای تخمین احتمال پیش‌بینی‌های مدل استفاده می‌شود. به طور کلی، مدلی با کمترین مقدار BIC بهترین در نظر گرفته می شود. مدل MNL تناسب مدل بالایی را در سناریوی حالت‌های حمل‌ونقل موجود با مقدار BIC 954.54 نشان می‌دهد. از سوی دیگر، مدل یادگیری ماشین سطح بالایی از سازگاری را در زمینه حالت های حمل و نقل یکپارچه نشان می دهد، همانطور که توسط مقدار BIC 2025.782 مشهود است. این نتایج با یافته‌های مطالعات قبلی مطابقت دارد و پشتیبانی بیشتری از اثربخشی مدل‌های MNL و ML در تحلیل سناریوهای حمل‌ونقل ارائه می‌کند. [۳۸,۳۹,۶۰,۶۱].

این مطالعه به نارسایی های مختلف مطالعات انتخاب حالت حمل و نقل قبلی پرداخت. این مطالعه بر خلاف تحقیقات قبلی از ترجیحات کاربر در دنیای واقعی و داده های جمعیت شناختی استفاده کرد. این مطالعه بر خلاف مطالعات قبلی که ترجیحات همگن را فرض می‌کردند، از مدل‌های حداکثر احتمال برای توضیح تفاوت‌های طعم استفاده کرد. همچنین بر همگرایی حالت های حمل و نقل برای بهبود تحرک و کاهش استفاده از خودروهای شخصی تاکید کرد. علیرغم محدودیت‌های تحقیقاتی قبلی، این مطالعه بینش‌های واقعی‌تری را در مورد رفتار انتخاب حالت نشان داد.

۵٫۲٫۳٫ توصیه ها

در زیر توصیه هایی ارائه شده است که بر اساس نتایج تحقیق است و هدف آنها بررسی عوامل کلیدی موثر بر انتخاب حالت و استفاده از حمل و نقل عمومی است که در نظرسنجی مشخص شده است. برای اطمینان از اثربخشی این توصیه‌ها، نظارت مستمر و تنظیم استراتژی‌ها بر اساس نیازها و اولویت‌های حمل‌ونقل در حال تحول مهم است.

نتایج نشان می دهد که وقتی خدمات یکپارچه برای تغذیه ایستگاه های BRT ارائه می شود، درصد پاسخ دهندگانی که مایل به استفاده از سرویس BRT هستند از ۳۰٪ به ۷۰٪ افزایش می یابد. بنابراین، توصیه می‌شود روی یکپارچه‌سازی روش‌های مختلف حمل‌ونقل، مانند وسایل نقلیه شخصی، خدمات منبع‌یابی سواری، و خدمات جابه‌جایی بر اساس تقاضا با سیستم BRT تمرکز کنید. این ادغام می تواند به بهبود راحتی و دسترسی کلی حمل و نقل عمومی کمک کند.

پاسخ دهندگان تمایل خود را برای پذیرش خدمات حمل و نقل عمومی در صورت ارائه راحتی و قابلیت اطمینان ابراز کردند. برای رسیدگی به این موضوع، توصیه می‌شود روی افزایش قابلیت اطمینان خدمات حمل‌ونقل عمومی، از جمله BRT کار شود. این ممکن است شامل اجرای برنامه‌های به‌خوبی تعریف‌شده، ردیابی بلادرنگ و نگهداری بهتر خودروها برای کاهش اختلالات خدمات باشد.

نتایج نظرسنجی نشان می دهد که پاسخ دهندگان ساعت کاری انعطاف پذیر را به عنوان یک استراتژی امیدوارکننده برای کاهش تراکم ترافیک می بینند. تشویق کارفرمایان به اتخاذ ساعات کاری انعطاف‌پذیر می‌تواند به کاهش ازدحام در ساعات اوج مصرف کمک کند و حمل‌ونقل عمومی را جذاب‌تر کند.

تجزیه و تحلیل نشان می دهد که پارامترهای هزینه تأثیر قابل توجهی بر انتخاب حالت دارند. برای افزایش سواری حمل و نقل عمومی، توصیه می شود اقداماتی را با هدف کاهش هزینه های مرتبط با استفاده از حمل و نقل عمومی بررسی کنید که ممکن است شامل اجرای یارانه ها، تخفیف برای دانش آموزان یا معرفی گذرنامه های ماهانه باشد.

از آنجایی که سرویس BRT در حال حاضر پوشش پایینی دارد، مهم است که منطقه تحت پوشش را برای دسترسی بیشتر برای جمعیت بزرگتر گسترش دهید. این گسترش می تواند افراد بیشتری را به استفاده از سیستم BRT تشویق کند، به خصوص اگر با سایر حالت های حمل و نقل یکپارچه شود.

ترجیح خدمات منبع سواری نسبت به تاکسی‌های سنتی تحت تأثیر عواملی مانند دانستن زمان سفر، پیش‌سفارش سفرها و اطلاع از هزینه از قبل است. حمل و نقل عمومی برای رقابت با خدمات سواری، باید سطوح مشابهی از اطلاعات و ارتباطات را در اختیار کاربران قرار دهد.

برای حالت های حمل و نقل یکپارچه، ارائه خدمات پارکینگ برای کاربران وسایل نقلیه شخصی که ترجیح می دهند سفرهای خود را با BRT ترکیب کنند، توصیه می شود. این می تواند انتقال از وسایل نقلیه شخصی به حمل و نقل عمومی را بدون مشکل تر کند.

درک ویژگی های اجتماعی جمعیت شناختی ترجیحات حالت بسیار مهم است. کمپین های بازاریابی هدفمند را می توان برای جذب گروه های خاصی از کاربران به خدمات حمل و نقل عمومی طراحی کرد، به عنوان مثال، تمرکز بر دانشجویان جوان با درآمد کم برای ارتقاء BRT و بزرگسالان مرفه برای جایگزین های وسیله نقلیه خصوصی.

تداوم استفاده از مدل‌های آماری مانند MNL و ML برای نظارت و ارزیابی تأثیر تغییرات و بهبود سیاست‌ها در سیستم حمل‌ونقل تشویق می‌شود، مانند به‌روزرسانی منظم استراتژی‌ها بر اساس نتایج این مدل‌ها برای بهینه‌سازی خدمات حمل‌ونقل عمومی.

با درگیر کردن مردم در فرآیندهای تصمیم گیری مربوط به بهبود حمل و نقل، جمع آوری بازخورد و بینش از کاربران می تواند به شناسایی نقاط درد خاص و زمینه های بهبود کمک کند.

این مطالعه بینش های بین رشته ای مانند محیط زیست، ایمنی و امنیت، توسعه زیرساخت ها، فناوری، مشارکت جامعه، ادغام خصوصی-عمومی، و پایداری طولانی مدت را در بر می گیرد که می تواند به توسعه یک سیستم حمل و نقل عمومی موثر که افراد مختلف را جذب می کند، کمک کند. طیف وسیعی از کاربران و در پاسخ به تغییر ترجیحات و نیازها تکامل می یابد. بنابراین، برنامه ریزان حمل و نقل، طراحان شهری و روانشناسان رفتاری با هم کار می کنند. این می‌تواند توسعه سیستم‌های حمل‌ونقل را تسهیل کند که پیامدهای سیاست عناصر روان‌شناختی و اجتماعی مؤثر بر انتخاب حالت را در نظر می‌گیرد.

منبع:
۱- shahrsaz.ir , علوم شهری | متن کامل رایگان
,۲۰۲۳-۱۰-۲۵ ۰۳:۳۰:۰۰
۲- https://www.mdpi.com/2413-8851/7/4/111

برچسب ها
, , , ,
به اشتراک بگذارید
تعداد دیدگاه : 0
  • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
  • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
  • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.