پایداری | متن کامل رایگان | تجزیه و تحلیل ناهمگونی فضایی عوامل بر انتشار کربن در رفت و آمد: شواهدی از منطقه شهری شنژن در چین - شهرساز | سایت تخصصی شهرسازی با هوش مصنوعی | شهرساز

بهترین آموزش های کاربردی در شهرسازی

بهترین آموزش های کاربردی در شهرسازی را از Urbanity.ir بخواهید

اهمیت توسعه صادرات مصالح ساختمانی در اقتصاد ملی

ادامه ...

خبر مهم: آخرین تمدید مهلت ارسال مقالات و اخذ امتیازات کامل پژوهشی فقط تا ۳۱خرداد…

ادامه ...

Sunday, 16 June , 2024
امروز : یکشنبه, ۲۷ خرداد , ۱۴۰۳

آخرین اخبار »

شناسه خبر : 16489

ارسال

پرینتخانه » مقالات تاریخ انتشار : 23 می 2024 - 3:30 | 17 بازدید | ارسال توسط : riazat

پایداری | متن کامل رایگان | تجزیه و تحلیل ناهمگونی فضایی عوامل بر انتشار کربن در رفت و آمد: شواهدی از منطقه شهری شنژن در چین

۱٫ معرفی به عنوان یک عامل کلیدی در مسائل آب و هوایی، انتشار کربن در سراسر جهان مورد توجه گسترده قرار گرفته است. در سال ۲۰۱۶، ایالات متحده “استراتژی میانه قرن برای کربن زدایی عمیق” را منتشر کرد که در آن پیشنهاد کرد که هدف بلندمدت کاهش انتشار گازهای گلخانه ای کاهش ۸۰ درصدی انتشار […]

۱٫ معرفی

به عنوان یک عامل کلیدی در مسائل آب و هوایی، انتشار کربن در سراسر جهان مورد توجه گسترده قرار گرفته است. در سال ۲۰۱۶، ایالات متحده “استراتژی میانه قرن برای کربن زدایی عمیق” را منتشر کرد که در آن پیشنهاد کرد که هدف بلندمدت کاهش انتشار گازهای گلخانه ای کاهش ۸۰ درصدی انتشار گازهای گلخانه ای تا سال ۲۰۵۰ در مقایسه با سطح ۱۹۹۰ است. [۱]. در سال ۲۰۱۹، ژاپن استراتژی بلندمدت کم انتشار خود را ارائه کرد و پیشنهاد کاهش ۸۰ درصدی انتشار گازهای گلخانه ای تا سال ۲۰۵۰ در مقایسه با سطح ۲۰۱۳ را ارائه کرد. [۲]. در سال ۲۰۲۰، دولت چین اعلام کرد که این کشور تا سال ۲۰۳۰ به اوج انتشار دی اکسید کربن و تا سال ۲۰۶۰ به بی طرفی کربن دست خواهد یافت. [۳]. فعالیت های حمل و نقل یکی از منابع اصلی گازهای گلخانه ای است [۴]، و آلودگی هوا ناشی از انتشار گازهای گلخانه ای به یک موضوع جدی تبدیل شده است [۵]. در سال ۲۰۲۰، انتشار سالانه دی اکسید کربن چین از ۱۰ میلیارد تن فراتر رفت که از این میزان انتشار کربن در بخش حمل و نقل تقریباً ۱۵٪ است.

شهرها و کلان شهرها که مناطق مهمی برای جمعیت و تولید هستند، بیش از ۶۰ درصد از کل انتشار کربن را تولید می کنند. چین به عنوان یکی از بزرگترین اقتصادهای جهان، رشد سریع اقتصادی و شهرنشینی را تجربه می کند که با افزایش قابل توجهی در موتورسازی و انتشار کربن حمل و نقل همراه است. [۶]. اخیراً، تعداد مطالعات منتشر شده در مورد انتشار کربن حمل و نقل در چین با استنادهای بالا به طور چشمگیری افزایش یافته است. [۷]، به این معنی که کار چین در زمینه کاهش کربن حمل و نقل مورد توجه گسترده قرار گرفته است و ارزش مرجع بالایی دارد.

به عنوان بخش مهمی از حمل و نقل شهری، رفت و آمد روزانه به دلیل فرکانس بالای سفر، انتشار کربن قابل توجهی تولید می کند. برای کنترل انتشار کربن، بسیاری از شهرها و مناطق چین سیاست های بسیاری را صادر کرده اند که بیشتر آنها بر انرژی و وسایل نقلیه متمرکز است. [۸,۹]. بر اساس تحلیل رگرسیون گام به گام و رگرسیون وزن‌دار جغرافیایی (GWR)، این مقاله با هدف تجزیه و تحلیل روابط بین انتشار کربن ناشی از رفت‌وآمد و عوامل مؤثر با استفاده از شواهد از منطقه شهری شنژن (به عنوان مثال، شنژن، دونگوان و هویژو) است. این مطالعه با بهره‌برداری از داده‌های بزرگ حمل‌ونقل، ناهمگونی فضایی این عوامل تأثیرگذار را در سطح شبکه دانه‌ای نشان می‌دهد. این یافته‌ها می‌تواند سیاست‌گذاران حوزه‌های مختلف را در مورد راه‌حل‌های جامع برای کاهش انتشار گازهای گلخانه‌ای و ارتقای حالت‌های رفت و آمد پایدار آگاه کند.

در ادامه این بخش، مروری بر ادبیات مختصر ارائه می‌کنیم و شکاف‌های تحقیق را شناسایی می‌کنیم بخش ۲. سپس حوزه، داده ها و متغیرهای تحقیق را معرفی می کنیم بخش ۳. بخش ۴ نتایج تحلیل بر اساس مدل رگرسیون گام به گام و مدل GWR را نشان می دهد. بخش ۵ یافته‌های اصلی را خلاصه می‌کند و مفاهیم و محدودیت‌های این مطالعه و همچنین جهت‌گیری‌های تحقیقات آینده را مورد بحث قرار می‌دهد.

۲٫ بررسی ادبیات

برای دستیابی به هدف بلندپروازانه کاهش انتشار کربن در رفت و آمد، یکی از گام های کلیدی بررسی عوامل موثر بر انتشار کربن از حمل و نقل است که در سال های اخیر مورد توجه قرار گرفته است. [۱۰,۱۱,۱۲,۱۳,۱۴]. عوامل را می توان به صورت زیر طبقه بندی کرد.

فاکتورهای اجتماعی و اقتصادی نشان داده شده است که ارتباط زیادی با انتشار کربن دارند. برای مثال، شیا و همکاران. (۲۰۲۰) [۱۵] بینشی در مورد کاهش انتشار کربن از سفرهای روزانه، از جمله سیاست های ترکیبی استفاده از زمین، کنترل تراکم شهری، و سیاست های برنامه ریزی فضایی ارائه می دهد. بر اساس داده های نظرسنجی سال ۲۰۱۵ از گوانگژو، کائو و یانگ (۲۰۱۷) [۱۱] توضیح داد که انتشار کربن تحت تأثیر کاربری های مخلوط و تراکم مسکونی است. چاو (۲۰۱۶) [۱۲] نشان داد که یک استراتژی کاربری زمین با محوریت دوگانه برای کاهش انتشار کربن مطلوب است. وانگ و زنگ (۲۰۱۹) [۶] نشان داد که مکان‌های خانوار جدا شده توسط جاده‌های کمربندی و نوع شغل ساکنان از عوامل مهم تأثیرگذار بر CO هستند._۲ انتشارات با در نظر گرفتن پکن به عنوان مثال، کائو و ژن (۲۰۲۲) [۱۶] اثرات مستقیم و غیرمستقیم محیط محله درک شده بر CO رفت و آمد را مطالعه کرد_۲ انتشارات وانگ (۲۰۱۷) [۱۷] با توجه به مطالعه موردی دو شهر در کشورهای در حال توسعه، به این نتیجه رسیدند که الگوی شهری، فاصله رفت و آمد و تراکم به طور قابل‌توجهی بر انتشار کربن در رفت و آمد تأثیر می‌گذارد.

حالت خدمات حمل و نقل، که بر رفتار مسافران تأثیر می گذارد، همچنین نقش مهمی در تأثیر انتشار کربن حمل و نقل ایفا می کند. یوینگ و سرورو (۲۰۰۱) [۱۸] نشان داد که فرکانس سفر، مسافت سفر و انتخاب حالت سفر می‌تواند تخمین‌گرهای مؤثری برای انتشار کربن باشد. با در نظر گرفتن پکن به عنوان مثال، ثابت شده است که سفر با اتوبوس در شرایط فعلی از نظر انتشار گازهای گلخانه ای به ازای هر کیلومتر مسافر (PKM) کارآمدترین روش حمل و نقل است، در حالی که سفرهای خودرویی یا تاکسی بیش از پنج برابر سفرهای اتوبوسی آلایندگی دارند. [۱۹]لی و زو (۲۰۲۲) [۲۰] نشان داد که تسهیلات حمل‌ونقل عمومی شهری به طور قابل‌توجهی بر انتشار کربن در رفت و آمد تأثیر می‌گذارد، که به سطوح بالای تجمع انتشار کربن در مرزهای شهری-روستایی با امکانات عمومی جزئی اشاره دارد. همچنین مطالعاتی وجود دارد که بر رابطه بین ساختار حمل و نقل عمومی و انتشار کربن تمرکز دارد [۲۱,۲۲,۲۳,۲۴]. به عنوان مثال، یک رابطه U شکل معکوس پایدار بین مقیاس حمل و نقل عمومی و انتشار کربن برای استان هایی با سطوح مختلف انتشار کربن پیشنهاد شده است. [۲۲].

جدا از عواملی که در بالا ذکر شد، جریانی از ادبیات وجود دارد که بر شرایط جاده تمرکز دارد. به عنوان مثال، در مطالعات قبلی، به طور گسترده ثابت شده است که تراکم جاده بر انتشار کربن ترافیک تاثیر می گذارد [۲۵,۲۶,۲۷]. در عین حال، طول جاده نیز می تواند عاملی موثر بر انتشار کربن باشد [۲۸]. برخی تحقیقات نشان داده‌اند که سطح طراحی شبکه جاده‌ای که با نسبت گره‌های پیوند اندازه‌گیری می‌شود، به طور قابل‌توجهی بر CO مرتبط با رفت و آمد تأثیر می‌گذارد._۲ انتشارات [۲۹,۳۰]. علاوه بر این، علم و همکاران. (۲۰۲۰) [۳۱] دریافتند که مقاومت غلتشی ناشی از جاده های ناهموار منبع اصلی انتشار کربن است. به طور خاص، اثرات محدودیت‌های کربن پایین در سطوح مختلف ازدحام ناهمگن هستند. یاماگاتا و همکاران (۲۰۱۹) [۳۲] بر روی حرکات عابر پیاده از طریق داده های سیستم موقعیت یابی جهانی (GPS) و شاخص های مختلف راه رفتن (مرکز، بین، زاویه، و غیره) بر اساس داده های شبکه جاده تمرکز کردند و یک جامعه هوشمند پیاده روی گرا و کم کربن طراحی کردند. با استفاده از یک مدل نحو فضایی، Zhang (2022) [33] دریافتند که مرکزیت خیابان می‌تواند انتشار کربن ناشی از رفت‌وآمد را پیش‌بینی کند، که به طور مثبت تحت تأثیر مرکزیت نزدیکی جهانی است، اما تحت تأثیر منفی مرکزیت بین‌المللی جهانی و محلی است.

علاوه بر این، مطالعات گذشته در مورد انتشار کربن حمل و نقل عمدتاً داده های تحقیقاتی را اتخاذ کرده است [۳۴]، که ممکن است از دقت ضعیف و سوگیری نمونه گیری رنج ببرند. به عنوان مثال، پرسشنامه های سفرهای مسکونی به طور گسترده ای برای بررسی رفتار حمل و نقل مسکونی، از جمله فاصله رفت و آمد و حالت ترافیک استفاده شده است. [۳۵]. اخیراً داده‌های GPS تاکسی، داده‌های سیگنالینگ تلفن همراه، داده‌های اطلاعات مکان و سایر داده‌های بزرگ به دلیل دقت و نمایندگی بالا به طور فزاینده‌ای برای انجام تحقیقات مورد استفاده قرار گرفته‌اند. [۲۰]به خصوص زمانی که با داده های تحقیق ترکیب شود.

به طور خلاصه، مطالعات قبلی نشان داده است که انتشار کربن ناشی از رفت و آمد تحت تأثیر عوامل مختلفی قرار دارد. با این حال، اکتشافات انتشار کربن از دیدگاه جامع، از جمله عوامل اجتماعی-اقتصادی، عوامل خدمات حمل‌ونقل و عوامل شبکه جاده‌ای و توزیع فضایی اثرات وجود ندارد. در عین حال، ناهمگونی فضایی عوامل مورد توجه کافی قرار نگرفته است که ممکن است منجر به اثرات متفاوت در مکان‌های فضایی مختلف شود. اکثر مطالعات موجود در مورد انتشار کربن در رفت و آمد بر روی شهرها متمرکز شده اند [۱۵,۱۶,۱۷,۱۸,۱۹,۲۰]. رفت و آمد بین شهری در سطح کلان شهرها، که ارزش خاصی برای سایر مناطق شهری پیوسته دارد، توجه چندانی نداشته است. بنابراین، برای پر کردن شکاف‌های تحقیقاتی بالا، این مطالعه ویژگی‌های ساختاری شبکه‌های جاده‌ای، اجتماعی-اقتصادی و خدمات ترافیک عمومی را به عنوان عوامل حیاتی در نظر می‌گیرد و از تحلیل GWR برای بررسی تأثیر عوامل جاده بر انتشار کربن ناشی از رفت‌وآمد استفاده می‌کند. به طور خاص، ما از داده های بزرگ برای انجام تجزیه و تحلیل در سطح گرانول استفاده می کنیم و هدف آن ارائه شواهد ملموس تر برای حمایت از سیاست گذاری موثر است.

۳٫ مواد و روشها

۳٫۱٫ حوزه تحقیقاتی

ما منطقه شهری شنژن را که در استان گوانگدونگ، در شرق دلتای رودخانه مروارید در جنوب چین قرار دارد، به عنوان نمونه انتخاب کردیم. طبق تحقیقات کمیسیون توسعه و اصلاح استان گوانگدونگ [۳۶]، منطقه شهری شنژن شامل پنج شهر است: شنژن، دونگوان و هویژو سه شهر مرکزی و هیوان و شانوی دو شهر پیرامونی هستند. در حالی که با استفاده از یک تعریف محدود، سه شهر مرکزی در دایره یک ساعته رفت و آمد با مرکز شنژن قرار دارند و می توان در این مقاله به عنوان منطقه شهری شنژن تعریف کرد که ۱۵۸۰۹ کیلومتر مربع را پوشش می دهد و جمعیت آن ۳۴٫۱۵ میلیون نفر است. دیدن شکل ۱.

منطقه شهری شنژن یکی از مهم ترین مناطق شهری توسعه یافته در چین است. شهرنشینی و موتوریزه شدن بالا منجر به تغییر در حالت های رفت و آمد و کاهش فوری انتشار کربن در حمل و نقل شده است. بنابراین، منطقه شهری شنژن به عنوان نماینده خوبی برای بررسی کاهش کربن ناشی از رفت و آمد در مناطق شهری است.

۳٫۲٫ منبع اطلاعات

این مطالعه عمدتاً از داده‌های موقعیت مکانی اینترنتی برای به دست آوردن اطلاعات محل سکونت و شغل فردی استفاده می‌کند و از یک شبکه ۳۰۰۰ متر × ۳۰۰۰ متر به عنوان واحد جمع‌آوری داده‌های پایه برای محاسبه مبدا-مقصد تماس رفت‌وآمد (OD) در منطقه شهری شنژن استفاده می‌کند. ما این مقیاس شبکه را پس از در نظر گرفتن کامل نمایندگی داده ها، دقت محاسبات و مقدار محاسبه انتخاب می کنیم. پس از مقایسه‌های متعدد، داده‌های موقعیت مکانی اینترنت از طریق Baidu Maps برای دوره ۱ تا ۳۰ نوامبر ۲۰۱۹ به‌دست می‌آیند. علاوه بر این، ما داده‌های سیگنالینگ تلفن همراه را از China Telecom به عنوان مکمل استفاده می‌کنیم. داده های سیگنال دهی تلفن همراه با همان مقیاس شبکه و دوره های زمانی که قبلا ذکر شد اعمال می شوند. داده های شبکه راه، داده های ایستگاه اتوبوس و داده های نوع کاربری زمین از نقشه خیابان باز استخراج می شوند. همه داده ها از نظر ناشناس سازی پردازش می شوند تا اطمینان حاصل شود که هیچ حریم خصوصی شخصی یا سایر اطلاعات مرتبط وجود ندارد.

روش سنتی جمع آوری داده ها شامل به دست آوردن داده های هر واحد اداری به طور جداگانه است. داده های به دست آمده از این طریق از نظر پیوندهای داخلی شهرها کامل است. با این حال، انحرافاتی نیز در سازگاری داده ها در پیوندهای بین شهرها وجود دارد. استفاده از داده‌های اینترنتی و داده‌های سیگنالینگ تلفن همراه، منطقه شهری شنژن را به عنوان یک واحد جغرافیایی کامل می‌گیرد و داده‌های این محدوده به‌طور کلی جمع‌آوری می‌شوند. بنابراین، این داده‌ها نه تنها می‌توانند از یکپارچگی داده‌های تماس مسافران در داخل شهرها در منطقه شهری شنژن اطمینان حاصل کنند، بلکه اطمینان حاصل کنند که داده‌های تماس بین شهری دقیق و قابل مقایسه در همان سطح هستند.

مطالعات موجود نشان می دهد که الگوهای سفر روزانه به طور قابل توجهی در طول همه گیری COVID-19، که از سال ۲۰۲۰ شروع شد، تغییر کرد. [۳۷]. قرنطینه جامع COVID-19 چین در دسامبر ۲۰۲۲ برداشته شد و فعالیت های رفت و آمد در مناطق شهری در حال حاضر در حال بهبود است. بنابراین، ما معتقدیم که اگرچه داده‌های مربوط به سال‌های اخیر در دسترس نیست، اما ویژگی‌های معرف رفت‌وآمد را می‌توان بدون تأثیر همه‌گیری به دست آورد، که برای آینده نیز ارزشمند است.

۳٫۳٫ توضیحات متغیر

در این بخش به معرفی متغیرهای مورد استفاده در تحلیل و تعاریف آنها می پردازیم. بر اساس مطالعات موجود، متغیرهای انتخاب شده می‌توانند توصیف نسبتاً کاملی از عوامل مؤثر بر انتشار کربن در رفت و آمد از منظر اقتصاد اجتماعی، خدمات حمل‌ونقل عمومی و شبکه‌های جاده‌ای ارائه دهند. بنابراین، ما آنها را در تجزیه و تحلیل خود در نظر می گیریم. ما در این مقاله بر ناهمگونی فضایی عوامل تأثیرگذار تمرکز می‌کنیم. بنابراین، برخی از عواملی که قادر به انعکاس ناهمگونی فضایی در سطح شبکه نیستند، نادیده گرفته شده‌اند. علاوه بر این، از عواملی مانند ساختار حمل و نقل عمومی، فرکانس سفر و مسافت سفر برای محاسبه انتشار کربن در رفت و آمد استفاده شده است. اثرات بر اساس تحقیقات موجود واضح است. بنابراین، این عوامل به عنوان متغیر در مدل ما مناسب نیستند.

همانطور که در نشان داده شده است میز ۱شش شاخص برای توصیف این عوامل در این مقاله انتخاب شده است: تنوع کاربری زمین، مکان، نرخ رفت و آمد مازاد، زمان رفت و آمد صرف شده در وسایل حمل و نقل عمومی متعدد، فاصله تا نزدیکترین ایستگاه اتوبوس و متغیرهای شبکه جاده بر اساس فضای مکانی. تجزیه و تحلیل شبکه طراحی (sDNA) [38].

۳٫۳٫۱٫ متغیرهای انتشار کربن

مدل پانل بین دولتی تغییر اقلیم (IPCC) توسط سازمان جهانی هواشناسی (WMO) و برنامه محیط زیست سازمان ملل متحد (UNEP) برای محاسبه انتشار کربن پیشنهاد شده است. [۳۹]. محاسبه انتشار کربن به شرح زیر است:

$کربن انتشارات = \sum_{من = ۱}^{n} (آ_{من} \times f_{من})$

جایی که $آ_{من}$ نشان دهنده داده های مربوط به انتشارات ناشی از من-ام نوع فعالیت رفت و آمد انسان و $f_{من}$ نشان دهنده ضریب مورد استفاده برای تعیین کمیت انتشار گازهای گلخانه ای در واحد فعالیت است. ما ضرایب ضریب انتشار کربن را از اداره اکولوژی و محیط زیست شهرداری پکن همانطور که در نشان داده شده است، اتخاذ می کنیم. جدول ۲:

بنابراین، انتشار کربن ناشی از رفت و آمد به صورت زیر محاسبه می شود:

$کربن انتشارات = \sum_{من = ۱}^{n} (آ_{من} \times f_{من}) = \sum_{من = ۱}^{n} (د_{من} \times {f v}_{من})$

جایی که $د_{من}$ نشان دهنده مسافتی است که مسافر با استفاده از آن حرکت می کند من-ام مدل سفر و ${f v}_{من}$ نشان دهنده ضریب مورد استفاده برای تعیین کمیت انتشار گازهای گلخانه ای در واحد فعالیت است. در این مطالعه، من برابر با ۴ است که نشان دهنده ۴ نوع حالت سفر است که شامل اتومبیل های شخصی، اتوبوس، مترو و دوچرخه می شود.

توزیع انتشار کربن در نشان داده شده است شکل ۲. اکثر مناطق انتشار کربن بالا در سه شهر در مناطق پیرامونی قرار دارند و انتشار کربن در مناطق مرکزی به طور کلی کمتر از مناطق پیرامونی است. [۳۳].

۳٫۳٫۲٫ تنوع کاربری اراضی

با توجه به تئوری های تقاضای سفر [۴۲]کاربری های مختلط مبدا و مقصد سفر را به هم نزدیکتر می کند و بنابراین ممکن است منجر به مسافت رفت و آمد کوتاهتر و استفاده کمتر از اتومبیل شود. مطالعات اخیر نشان داده است که کاربری های مختلط اثر مثبتی بر کاهش انتشار کربن به طور کلی دارد [۴۳].

در این مطالعه، تنوع کاربری زمین با داده‌های کاربری زمین از شناسایی تاثیر سنجش از دور محاسبه می‌شود. شاخص تنوع شانون (SHDI) برای اندازه گیری تنوع کاربری زمین استفاده می شود. محاسبه در زیر نشان داده شده است.

$اچ = - \sum پ_{من} ل n پ_{من}$

جایی که اچ نشان دهنده تنوع کاربری اراضی و $پ_{من}$ نشان دهنده نسبت من-مین نوع کاربری در کل. ارزش بالاتر از اچ نشان دهنده درجه بیشتری از اختلاط کاربری زمین است.

۳٫۳٫۳٫ محل

مکان به جهت گیری خاص هر شبکه در منطقه شهری شنژن اشاره دارد. در این مقاله، مکان را در سه سطح کمیت می کنیم: “۰” نشان می دهد که شبکه در ناحیه مرکزی قرار دارد، “۱” نشان می دهد که شبکه در ناحیه پیرامونی است و “۰٫۵” نشان می دهد که شبکه بین مرکز قرار دارد. و مناطق حاشیه ای کلان شهر. ما طبقه‌بندی‌های «مرکز»، «پیرامون» و «در بین» گزارش مشاهده رفت‌وآمد در منطقه خلیج بزرگ ۲۰۲۱ توسط آکادمی برنامه‌ریزی و طراحی شهری چین (CAUPD) را پذیرفته‌ایم. [۴۴].

۳٫۳٫۴٫ نرخ مازاد رفت و آمد

نرخ مازاد رفت و آمد نشان دهنده نسبت مسافت رفت و آمد واقعی است (ACD) فراتر از حد متوسط فاصله رفت و آمد بهینه نظری [۴۴]. زمانی که میزان مازاد رفت و آمد بیشتر باشد، فاصله بین محل سکونت و محل کار بیشتر می شود که معمولا باعث مسافت رفت و آمد بیشتر می شود. با استفاده از سرویس مکان یابی Baidu Map، اطلاعات مربوط به محل سکونت مسافران و مکان های شغلی برای محاسبه نرخ مازاد رفت و آمد استفاده می شود.

با استفاده از روش پیشنهادی هورنر [۴۵] و مامان [۴۶]نرخ مازاد رفت و آمد به صورت زیر محاسبه می شود:

اول، ACD به صورت زیر محاسبه می شود:

$آ سی D = \sum_{ساعت} \sum_{j} ({تی}_{ساعت j} \times د_{ساعت j}) / تی$

(۱)

جایی که ${تی}_{ساعت j}$ تعداد کل سفرهای رفت و آمد از خانه است (ساعت) به محل کار (j) $د_{ساعت j}$ فاصله رفت و آمد از خانه تا محل کار است و تی تعداد کل سفرهای رفت و آمد است.

سپس، حداقل فاصله رفت و آمد نظری (MCD) به شرح زیر است:

$م سی D = متر من n \frac{۱}{تی} \sum_{ساعت} \sum_{j} ({تی}_{ساعت j} \times د_{ساعت j})$

موضوع به $\sum_{j} {تی}_{ساعت j}$ = $O_{ساعت} ، \sum_{ساعت} د_{ساعت j}$ = $D_{j} ، \sum_{j} {تی}_{ساعت j}$ ≥ ۰، جایی که $O_{ساعت}$ تعداد کل سفرهای رفت و آمد از مبدا است ساعت و $D_{j}$ تعداد کل سفرهای رفت و آمد به مقصد است j.

نرخ مازاد رفت و آمد با استفاده از ACD و MCD به شرح زیر است:

نرخ مازاد رفت و آمد = (ACD – MCD)/ACD

۳٫۳٫۵٫ زمان رفت و آمد صرف شده در وسایل حمل و نقل عمومی متعدد

زمان رفت و آمد صرف شده در چندین وسیله حمل و نقل عمومی، که شامل مترو و اتوبوس می شود، به کوتاه ترین زمان سفر با وسایل حمل و نقل عمومی بر اساس شبکه خیابانی با استفاده از رابط برنامه نویسی برنامه Baidu Map (API) برای برنامه ریزی سفر اشاره دارد. زمان صرف شده شامل زمان رسیدن به ایستگاه ها با پیاده روی، زمان انتظار، زمان سواری و زمان مورد نیاز برای جابجایی با پیاده روی است. این متغیر سطح خدمات حمل و نقل عمومی و کارایی انتقال را نشان می دهد.

۳٫۳٫۶٫ فاصله تا نزدیکترین ایستگاه اتوبوس

برای ارزیابی سطح خدمات تسهیلات اتوبوس، فاصله تا نزدیکترین ایستگاه اتوبوس در هر نقطه مرکزی شبکه را با داده های استخراج شده از نقشه خیابان باز محاسبه می کنیم.

تحقیقات اخیر نشان داده است که افراد زمانی که در فاصله ۸۰۰ متری ایستگاه اتوبوس هستند، ممکن است بیشتر سوار اتوبوس شوند، به این معنی که ممکن است کمتر از ۱۰ دقیقه طول بکشد تا با پیاده روی به ایستگاه برسند. [۴۷]. ژانگ و ژو (۲۰۲۲) [۴۸] همچنین دسترسی به حمل و نقل عمومی (PTA) را انتخاب کنید، که تعداد ایستگاه های اتوبوس را در شعاع ۸۰۰ متری محل سکونت، به عنوان عامل انتشار کربن نشان می دهد. بنابراین، ما شاخص ها را با یک نشانگر باینری کمی می کنیم: “۱” نشان می دهد که فاصله تا نزدیکترین ایستگاه اتوبوس در شبکه در ۸۰۰ متر است، در حالی که “۰” نشان می دهد که فاصله تا نزدیکترین ایستگاه اتوبوس در شبکه بیش از ۸۰۰ متر

۳٫۳٫۷٫ ویژگی های شبکه راه

بر اساس کارهای قبلی ما [۳۳]در این مقاله، ما عمدتاً روی پارامترهای یکپارچه سازی تمرکز می کنیم که از تعداد کل گره ها و عمق کل توپولوژی زاویه گره محاسبه می شود. ادغام اغلب برای اندازه گیری نفوذپذیری و مرکزیت فضایی استفاده می شود و شامل دو نوع مرکزیت است:

مرکزیت نزدیکی نشان‌دهنده دسترسی یک شبکه خیابانی به بقیه شبکه خیابانی در یک شعاع معین است. در sDNA، مرکزیت نزدیکی با کمیت شبکه جریمه شده با فاصله در شعاع زاویه ای اندازه گیری می شود.NQPDA) که معمولاً به عنوان یک مدل گرانشی با توجه به کمیت و دسترسی وزن شبکه شناخته می شود.

$ن س پ D آ (ایکس) = \sum_{y \in آر} پ (y) / د (ایکس ، y)$

جایی که $پ (y)$ وزن گره y را در شعاع جستجو نشان می دهد $آر ، پ (y) \in [۰, ۱]$ برای فضای پیوسته، و $پ (y) = ۰$ یا ۱ برای فضای گسسته. $د (ایکس ، y)$ کوتاه ترین فاصله توپولوژیکی از گره است $ایکس$ به گره $y$ . NQPDA(ایکس) مرکزیت نزدیکی است.

مرکزیت بین این احتمال را می سنجد که شبکه خیابان در یک شعاع معین به گردش در آمده است. sDNA بین دو فاز را اندازه گیری می کند (TPBt) از یک مقصد با در نظر گرفتن رقابت بین مقاصد برای جذب مبدا.

$O D (y ، z ، ایکس) = \{\begin{matrix} ۱ ، ایکس من س o n تی ساعت ه س ساعت o r تی ه س تی پ آ تی ساعت f r o متر y تی o z \\ ۱ / ۲ ایکس \equiv y ≢ z \\ ۱ / ۲ ایکس ≢ y \equiv z \\ ۱ / ۳ ایکس \equiv y \equiv z \\ ۰ o تی ساعت ه r س \end{matrix}$

(۲)

$تی پ ب تی (ایکس) = \sum_{y \in ن} \sum_{y \in آر} O D (y ، z ، ایکس) (پ (ایکس) / ل من n ک س (y))$

جایی که $O D (y ، z ، ایکس)$ نشان دهنده کوتاه ترین مسیر توپولوژیکی بین گره است y و گره z از طریق گره ایکس در شعاع جستجو آر و $ل من n ک س (y)$ تعداد کل پیوندها را نشان می دهد. $تی پ ب تی (ایکس)$ نشان دهنده مرکزیت بین بودن است که نشان دهنده پیمایش گره است ایکس.

دو شعاع برای محاسبه مرکزیت نزدیکی و مرکزیت بین بودن انتخاب می شوند. شعاع ۲۰۰۰ متر به عنوان مقیاس محلی انتخاب شده است. شعاع از nکه برای رفت و آمد موتوری مناسب است به عنوان مقیاس جهانی انتخاب شده است.

لیست تمام متغیرها نشان داده شده است جدول ۳.

۳٫۴٫ رویکرد تحلیلی

این مقاله از شبکه های ۳۰۰۰ متر × ۳۰۰۰ متر به عنوان واحد تحلیل استفاده می کند که برای شهرهای چین مناسب است. [۴۹]. مقدار متوسط همه متغیرها را به عنوان مقدار هر شبکه در نظر می گیریم.

قابل ذکر است، قبل از استفاده از مدل GWR، همخطی باید از متغیرهای مستقل حذف شود. بنابراین، ابتدا یک مدل رگرسیون گام به گام ساخته شده از طریق SPSS 26.0 ایجاد می کنیم. به طور موازی، یک مدل GWR ساخته شده از طریق ArcGIS 10.5 برای تجزیه و تحلیل تأثیر متغیرهای مستقل بر انتشار کربن از رفت و آمد استفاده می شود.

(۱): مدل رگرسیون گام به گام

رگرسیون گام به گام یک روش انتخاب متغیر مستقل از مدل رگرسیون خطی است. ایده اصلی آن این است که متغیرها را یک به یک معرفی کنیم و شرط مقدمه این است که تجربه مجموع مربع رگرسیون جزئی قابل توجه باشد. در عین حال، پس از معرفی هر متغیر جدید، متغیرهای موجود که پس از آزمایش معنی دار در نظر گرفته نمی شوند حذف می شوند. این فرآیند چندین مرحله را طی می کند تا زمانی که هیچ متغیر جدیدی معرفی نشود. تمامی متغیرهای مدل رگرسیون برای متغیر وابسته معنادار هستند.

ابتدا یک مدل رگرسیون مونادیک ایجاد می شود:

$Y = ب_{۰} + ب_{من} {ایکس}_{من} + ه ، من = ۱ ، \dots ، پ$

${اف}_{من ۱}^{(۱)} = حداکثر {{اف}_{۱}^{(۱)} ، \dots ، {اف}_{پ}^{(۱)}}$

${اف}_{۱}^{(۱)}$ ,…, ${اف}_{پ}^{(۱)}$ مقادیر آمار آزمون F ضرایب رگرسیون مربوطه را نشان می دهد. برای یک سطح معنی‌داری معین ۰٫۰۵، مقدار بحرانی مربوطه به عنوان F مشخص می‌شود^(۱). اگر ${اف}_{من ۱}^{(۱)}$ ≥ F⁽¹⁾، سپس متغیر ${ایکس}_{من ۱}$ باید وارد مدل شود. من_من مجموعه متغیر انتخاب شده را نشان می دهد.

دوم، یک مدل رگرسیون باینری از متغیر وابسته Y و زیر مجموعه متغیر مستقل {

{ایکس}_{من ۱}

، ایکس_۱}، …، {

{ایکس}_{من ۱}

، ایکس_من_۱-۱}{

{ایکس}_{من ۱}

{ایکس}_{من ۱ + ۱}

}، …، {

{ایکس}_{من ۱}

، ایکس_پ} ایجاد شده است. علاوه بر این، مقدار آماره آزمون F ضریب رگرسیون مربوطه به صورت محاسبه می شود

{اف}_{ک}^{(۲)}

(ک)، که در I گنجانده نشده است_۱.

${اف}_{من ۲}^{(۲)} = حداکثر {{اف}_{۱}^{(۲)} ، \dots ، {اف}_{پ}^{(۲)}}$

برای یک سطح معنی‌داری معین ۰٫۰۵، مقدار بحرانی مربوطه به عنوان F مشخص می‌شود^(۲). اگر ${اف}_{من ۲}^{(۲)}$ ≥ F⁽²⁾، سپس متغیر ${ایکس}_{من ۲}$ باید وارد مدل شود. در غیر این صورت، فرآیند معرفی متغیر باید خاتمه یابد.

در نهایت این روش تکرار می شود. هر بار یکی از متغیرهای مستقلی را انتخاب می کنیم که تا زمانی که هیچ متغیری باقی نماند، در مدل رگرسیونی وارد نشده است.

(۲): مدل رگرسیون وزنی جغرافیایی

مدل GWR یک ابزار مهم برای کاوش ناهمگونی فضایی است. پارامترهای رگرسیون در مدل رگرسیون خطی به عنوان توابع مختصات موقعیت مکانی تعمیم می‌یابند. بر اساس مدل برازش تخمین حداقل مربعات افزودنی محلی، تخمین محلی تابع ضریب در هر مکان جغرافیایی برای توصیف ویژگی‌ها و تأثیر متغیر مستقل مربوطه بر متغیر وابسته با تغییر موقعیت جغرافیایی استفاده می‌شود.

$Y = \sum_{j = ۱}^{پ} {ب_{j} ({تو}_{من} ، v_{من}) ایکس}_{من j} + ه_{من} ، من = ۱ ، \dots ، پ$

جایی که $ب_{j}$ (تو،v) (j = 1،۲، … پ) نشان دهنده تابع ضریب رگرسیون در نقطه (تو،v). { $ه_{من}}$ خطای تصادفی است و مستقل فرض می شود، E( $ه_{من}) = ۰ ، V آ r (ه_{من}) > ۰$ .

علاوه بر این، نتایج برای انتشار کربن، زمان رفت و آمد صرف شده در وسایل حمل و نقل عمومی متعدد و نرخ رفت و آمد اضافی بر اساس اطلاعات OD محاسبه می شود.

۴٫ نتایج

۴٫۱٫ نتایج مدل رگرسیون گام به گام

جدول ۴ متغیرهایی را که پس از ۳ مرحله در مدل رگرسیون گام به گام آزمون معناداری را پشت سر می گذارند، خلاصه می کند. مربع R مدل نهایی ۰٫۵۵۱ است (نگاه کنید به جدول ۵). جدول ۶ ضرایب متغیرهای در نهایت حفظ شده و ضریب تورم واریانس (VIF) را نشان می دهد.

توجه داشته باشید که متغیرهای مستقل مدل ۳ بر اساس رگرسیون گام به گام دو مدل دیگر تعیین می شوند.

نتایج به ما کمک می کند تا عوامل کلیدی مناسب برای تجزیه و تحلیل GWR را شناسایی کنیم. نتایج ما نشان می‌دهد که تنوع کاربری زمین، مکان، نرخ رفت و آمد اضافی، و فاصله تا نزدیک‌ترین ایستگاه اتوبوس به طور قابل‌توجهی با انتشار کربن ناشی از رفت‌وآمد در ارتباط است. علاوه بر این، نتایج مدل رگرسیون گام به گام تأثیر متغیرهای شبکه خیابانی را بر انتشار کربن از رفت و آمد تأیید می کند. به طور خاص، جهانی (آر = nمرکزیت نزدیکی به طور قابل توجهی با انتشار کربن از رفت و آمد همبستگی مثبت دارد. مناطقی که پتانسیل بیشتری برای جذب جریان ترافیک دارند ممکن است انتشار کربن بیشتری تولید کنند. علاوه بر این، محلی (آر = ۲ کیلومتر) مرکزیت میانی تأثیر منفی قابل توجهی بر انتشار کربن دارد، به این معنی که هرچه عبور از منطقه آسان تر باشد، انتشار کربن کمتری تولید می شود. در همین حال، تأثیر مرکزیت بین‌المللی بر انتشار کربن کمتر از مرکزیت نزدیکی است. به طور کلی، نتایج رگرسیون گام به گام نشان می‌دهد که ویژگی‌های شبکه عوامل کلیدی مؤثر بر انتشار کربن در رفت و آمد هستند و می‌توانند به دقت در تحلیل ناهمگنی فضایی در نظر گرفته شوند.

۴٫۲٫ نتایج مدل رگرسیون دارای وزن جغرافیایی

با توجه به مدل حداقل مربعات معمولی تولید شده از طریق ArcGIS، آزمون کونکر-باست معنادار است، که نشان می‌دهد متغیرهای مستقل ناهمگنی فضایی دارند و برای مدل GWR مناسب هستند. بر اساس نتایج رگرسیون گام به گام، متغیرهای مستقل با همخطی در GWR ها را حذف می کنیم، که شامل مکان، زمان رفت و آمد صرف شده در وسایل حمل و نقل عمومی متعدد، مرکزیت نزدیکی جهانی می شود.آر = n) و مرکزیت نزدیکی محلی (آر = ۲۰۰۰ متر). در نهایت، پنج متغیر در مرحله بعدی تجزیه و تحلیل ناهمگونی فضایی باقی می‌مانند، یعنی نرخ رفت و آمد اضافی، فاصله تا نزدیک‌ترین ایستگاه اتوبوس و تنوع کاربری زمین، مرکزیت بین‌المللی محلی (آر = ۲۰۰۰ متر)، و مرکزیت جهانی بین (آر = n). نتایج مدل GWR در نشان داده شده است شکل ۳، و خطاهای استاندارد این مدل در نشان داده شده است شکل ۴.

خطای استاندارد نشان داده شده در شکل ۴ نشان می دهد که بیشتر شبکه ها تناسب خوبی با مدل دارند. نتایج مدل GWR باید به صورت زیر موثر و قابل تفسیر باشد.

اولاً، بدیهی است که تنوع کاربری زمین تأثیر منفی قابل توجهی بر انتشار کربن به طور کلی دارد، به ویژه در مرکز شنژن. با این حال، در Dongguan و بخش غربی Huizhou، اثرات برعکس است. مرکز شنژن بیشترین جمعیت و تراکم شغلی را در کلان شهر دارد و کاربری‌های ترکیبی زمین ممکن است به راحتی احتمال کار در نزدیکی را افزایش دهد و انتشار کربن ناشی از رفت و آمد را کاهش دهد.

دوم، نتایج نشان می‌دهد که نرخ رفت و آمد اضافی و فاصله تا نزدیک‌ترین ایستگاه اتوبوس اثرات نامشخصی بر انتشار کربن در شبکه‌های مختلف دارد. در Dongguan و بخشی از شنژن، نرخ رفت و آمد اضافی ممکن است منجر به انتشار کربن بیشتر شود. در هویژو و حومه شنژن، هرچه فاصله تا نزدیکترین ایستگاه اتوبوس کمتر باشد، انتشار کربن کمتر است. عدم قطعیت ممکن است به سطح خدمات مترو مرتبط باشد. مناطق با پوشش کمتر مترو خدمات اتوبوس را ترجیح می دهند و ارتباط نزدیکی بین سطح خدمات اتوبوسرانی و انتشار کربن وجود دارد.

در نهایت، نتایج همچنین نشان می‌دهد که درجه تأثیر مرکزیت میان‌گرایی در دایره‌ها توزیع می‌شود. محلی (آر = ۲ کیلومتر) مرکزیت میانی تأثیر منفی بر انتشار کربن در مناطق پیرامونی دارد. یکی از دلایل احتمالی این است که شبکه راه ها در مناطق حاشیه ای ناکافی است و تعداد زیادی جاده شکسته در مرز شهرها وجود دارد. یک شبکه جاده ای که عبور از آن آسان تر و سریع تر است ممکن است منجر به انتشار کربن کمتری شود. جهانی (آر = n، مرکزیت بین بودن با انتشار کربن در شنژن همبستگی منفی دارد اما تأثیر مثبتی در بیشتر مناطق Dongguan و Huizhou دارد. اگرچه شنژن پتانسیل بیشتری برای جذب جریان ترافیک نسبت به Dongguan و Huizhou دارد، خدمات مترو و اتوبوس شنژن بسیار بهتر از دو شهر دیگر است. بنابراین، جهانی بالا (آر = n) مرکزیت میانی در شنژن ممکن است استفاده بیشتر از حمل و نقل عمومی و انتشار کربن کمتری ایجاد کند.

۵٫ نتیجه گیری و بحث

۵٫۱٫ نتیجه گیری

اگرچه تفاوت‌هایی در زمین و چشم‌انداز کلان‌شهرهای مختلف وجود دارد، اما ویژگی‌های رفت‌وآمد در کلان‌شهرهای توسعه‌یافته شباهت‌های قابل‌توجهی دارند، از جمله رفت‌وآمد در مقیاس بزرگ از مرکز به حاشیه و در سراسر مرزهای شهر. موضوع تسهیلات حمل و نقل نیز مشترکاتی دارد، به عنوان مثال عدم ارائه خدمات عمومی در حاشیه. مانند کلانشهرهای دیگر، منطقه شهری شنژن دارای تمرکز عمده ای از مصرف انرژی و انتشار کربن است. بنابراین، مطالعاتی برای کشف چگونگی شناسایی عوامل موثر بر انتشار کربن و کاهش انتشار کربن مورد نیاز است. هدف اصلی این تحقیق کشف روش‌های جدید برای مطالعه انتشار کربن در رفت و آمد در سطح کلان‌شهرها با استفاده از داده‌های بزرگ است. هدف دوم آشکارسازی ویژگی‌های فضایی انتشار کربن بر اساس عوامل از منظری جامع و ارائه پیشنهادهای سازنده برای سیاست‌گذاران است.

عوامل مورد بحث در مطالعه ما، از جمله نرخ رفت و آمد اضافی، فاصله تا نزدیکترین ایستگاه اتوبوس، تنوع کاربری زمین، مرکزیت بین محلی (آر = ۲۰۰۰ متر)، و مرکزیت جهانی بین (آر = n)، ناهمگونی فضایی قابل توجهی را با لایه های مختلف منطقه شهری نشان می دهند. یافته‌های ما نشان می‌دهد که انتشار کربن از رفت‌وآمد با مرکزیت نزدیکی جهانی و همبستگی منفی با مرکزیت بین‌المللی جهانی، که یک دیدگاه نوآورانه در نظر گرفته می‌شود، همبستگی مثبت دارد. نتایج ما همچنین نشان می‌دهد که هرچه نرخ رفت‌وآمد اضافی بیشتر باشد، انتشار کربن از رفت‌وآمد بیشتر است، در حالی که تنوع کاربری زمین همبستگی منفی معنی‌داری با انتشار کربن دارد. علاوه بر این، در بیشتر نقاط کلان شهر، فاصله کوتاه‌تر تا نزدیک‌ترین ایستگاه اتوبوس باعث کاهش انتشار کربن می‌شود.

۵٫۲٫ بحث

بر اساس یافته های ما، چندین مفهوم مهم در زیر مورد بحث قرار می گیرد.

اول، کار ما تأثیر ویژگی‌های شبکه جاده‌ای را برجسته می‌کند، و یافته‌های ما نشان می‌دهد که اگر جاده امکانات بیشتری برای جذب خودرو داشته باشد، انتشار کربن ممکن است بیشتر باشد. در مقابل، اگر وسایل نقلیه به سادگی و بدون توقف از یک جاده عبور کنند، انتشار کربن باید کاهش یابد. همچنین تأیید شده است که انتشار کربن در هنگام حرکت وسایل نقلیه با سرعت ثابت و متوسط نسبتاً کم است. [۵۰]. دلیل اصلی ممکن است این باشد که مرکزیت خیابان بر وسایل نقلیه بیکار تأثیر می گذارد. برای کاهش انتشار کربن ناشی از رفت و آمد، دولت ها باید اتصال شبکه جاده ای را بهبود بخشند، به ویژه در مناطق مرزی بین شهرها که برنامه ریزی یکپارچه راه اغلب وجود ندارد.

دوم، تنوع کاربری زمین با توجه به نتایج مدل رگرسیون گام به گام ما یک عامل تأثیرگذار است. طبق مطالعه قبلی [۵۱]ناهمگونی زیاد کاربری زمین، مسافت سفر را کاهش می دهد و شیوه های حمل و نقل با انرژی کارآمد را تسهیل می کند، و درآمد شخصی و جمعیت شناسی تأثیرگذارترین عوامل در سطح فردی هستند. تراکم جمعیت بالاتر و میانگین حقوق بالاتر در مرکز شنژن وجود دارد [۵۲]، که در آن تنوع کاربری زمین همبستگی منفی معنی داری با انتشار کربن دارد. نتایج ما همچنین نشان می دهد که رفت و آمد بیش از حد بیشتر منجر به انتشار کربن بالاتر از رفت و آمد می شود. نرخ رفت و آمد بیش از حد بالا نشان می دهد که فاصله رفت و آمد واقعی در منطقه بیشتر از فاصله بهینه است که منعکس کننده توزیع نامتعادل محل کار و محل سکونت است. این توزیع نامتعادل محل سکونت و محل کار ممکن است باعث ایجاد مسافت های طولانی در رفت و آمد شود که منجر به انتشار کربن بیشتری در رفت و آمد خواهد شد. بنابراین، سیاست گذاران باید تنوع کاربری زمین را برای کاهش انتشار کربن، به ویژه در مرکز کلان شهرها تشویق کنند. مسکن مقرون به صرفه برای استعدادها نیز باید یک طرح مناسب در منطقه مرکزی در نظر گرفته شود، که ممکن است به کاهش رفت و آمدهای طولانی در منطقه مرکزی و کاهش انتشار کربن کمک کند.

سوم، مدل GWR نشان می دهد که درجه تأثیر (ضریب) به طور قابل توجهی در لایه های مختلف منطقه شهری متفاوت است. در مرکز منطقه شهری شنژن، تراکم جمعیت، درآمد شخصی و تقاضای رفت و آمد زیاد وجود دارد که انتشار کربن بیشتری را تولید می کند. در همین حال، هر چه یک موقعیت جغرافیایی به مرزهای شهر نزدیکتر باشد، به طور کلی انتشار کربن بیشتر است. علاوه بر این، متوجه می‌شویم که برای اکثر نقاط کلان شهر، زمانی که فاصله تا نزدیک‌ترین ایستگاه اتوبوس ۸۰۰ متر است، مسافران بیشتری احتمالاً اتوبوس را به محل کار خود می‌برند. سطح سرویس اتوبوس در حاشیه مناطق کلان شهرها بیشتر از ناحیه مرکزی بر انتشار کربن تأثیر می گذارد. به دلیل کمبود حمل و نقل عمومی در حاشیه کلان شهرها، بیشتر سفرها در حاشیه نیاز به وسایل نقلیه موتوری دارند. با این حال، این به طور خودکار به این معنی نیست که هر مکانی در منطقه محیطی دارای انتشار کربن بالایی خواهد بود. حالت های اصلی ترافیک برخی از مناطق حاشیه ای پیاده روی و دوچرخه سواری است که در نتیجه انتشار کربن کمتری دارد. به طور کلی، امکانات حمل و نقل عمومی و سطح خدمات در مناطق پیرامونی از اهمیت بیشتری برخوردار است. بهبود حمل و نقل عمومی و حمل و نقل ریلی در سراسر شهرها در کلان شهرها باید بیشتر مورد توجه دولت ها قرار گیرد.

بر اساس یافته های بالا، این مقاله همچنین پیامدها و پیشنهادات سیاستی را برای حالت های رفت و آمد پایدار در آینده ارائه می دهد. ابتدا باید با بهینه سازی شبکه راه ها، حذف جاده های بن بست و کاهش ازدحام خودروها به ویژه در حاشیه کلان شهرها، تراکم شهری را کاهش داد. نگه داشتن سرعت خودرو در حد نرمال و نه در حد افراطی، به طور موثری به کاهش انتشار کربن ناشی از رفت و آمد کمک می کند. دوم، استفاده ترکیبی از زمین به کاهش انتشار کربن ناشی از رفت و آمد، به ویژه در مرکز مناطق شهری کمک می کند. بنابراین، رویکردهایی مانند ساختن مسکن در اطراف مناطق تجاری مرکزی و بهبود تعادل بین محل سکونت و محل کار می تواند در کاهش انتشار کربن موثر باشد. سوم، یک سیستم حمل و نقل عمومی پایدار باید ساخته شود تا مسافران بیشتری را جذب کند. پوشش حمل و نقل عمومی باید به ویژه در مناطق حاشیه ای بهبود یابد. چهارم، سیاستگذاران باید ناهمگونی فضایی متغیرها را در نظر بگیرند و سیاست‌های مناسبی را برای انطباق با شرایط لایه‌های مختلف در کلان‌شهرها تدوین کنند.

۵٫۳٫ محدودیت ها و توصیه هایی برای مطالعات آینده

این مطالعه بدون محدودیت نیست. اول، متغیرهای شبکه راه بر اساس نظریه نحو فضا هستند که فقط یک تحلیل شبکه توپولوژیکی است. اگرچه ما با دقت مهمترین عوامل را در مدل خود انتخاب کردیم، عوامل مرتبط دیگر را می توان بیشتر مورد بررسی قرار داد. علاوه بر این، تحقیقات آینده می‌تواند با بررسی تفاوت‌های انتشار در دوره‌های زمانی مختلف، تأثیرات بر انتشار کربن ناشی از رفت‌وآمد را با دیدگاهی پویا بررسی کند. دوم، ما داده‌هایی را فقط برای یک ماه به دست آوردیم که ممکن است کمتر از طول ایده‌آل باشد. علاوه بر این، منابع داده به دلیل دسترسی به داده ها به اندازه کافی متنوع نیستند. این موضوع می تواند در تحقیقات آینده با منابع داده های اضافی مورد توجه قرار گیرد. در نهایت، اگرچه ما معتقدیم که منطقه شهری شنژن نماینده سایر مناطق شهری توسعه یافته است، مقایسه با سایر مناطق شهری وجود ندارد که می تواند در مطالعات آینده مورد توجه قرار گیرد.

منبع:
۱- shahrsaz.ir , پایداری | متن کامل رایگان | تجزیه و تحلیل ناهمگونی فضایی عوامل بر انتشار کربن در رفت و آمد: شواهدی از منطقه شهری شنژن در چین
,۲۰۲۴-۰۵-۲۳ ۰۳:۳۰:۰۰
۲- https://www.mdpi.com/2071-1050/16/11/4397