پژوهشنامه حمل و نقل

پژوهشنامه حمل و نقل

بررسی سیاست های رفتاری برای کاهش انتشار از خودروهای سبک شهری: مطالعه موردی منطقه 13 شهر تهران

نوع مقاله : مقاله پژوهشی

نویسندگان
محمد عرفان درکی 1
اکرم عوامی 2
زهرا برزگر 3
بهرام ملک محمدی 4
1 دانش آموخته کارشناسی ارشد، دانشکده مهندسی انرژی، دانشگاه صنعتی شریف، تهران، ایران
2 دانشیار، دانشکده مهندسی انرژی، دانشگاه صنعتی شریف، تهران، ایران
3 استادیار، گروه مطالعات محیط زیست، مرکز مطالعات و برنامه ریزی شهر تهران، تهران، ایران
4 دانشیار، دانشکده محیط زیست دانشگاه تهران، تهران، ایران
10.22034/tri.2025.496932.3309
چکیده
این مطالعه با بهره‌گیری از مدل‌سازی مبتنی بر عامل در ابزار MATSim، تأثیر سناریوهای مختلف حمل‌ونقل و رفتار شهروندان را بر ترافیک و انتشار آلاینده‌ها در منطقه 13 شهر تهران بررسی کرده است. نتایج نشان داد که سناریوی دورکاری با کاهش چشمگیر تردد وسایل نقلیه و آلاینده‌هایی نظیر CO₂، NOx، SO₂، و PM₂.₅، مؤثرترین راهکار برای بهبود کیفیت هوا و کاهش ترافیک است. در مقابل، ساعات کاری منعطف به دلیل ایجاد سفرهای جانبی، تأثیر محدودی بر کاهش آلودگی هوا داشت و حتی در برخی موارد منجر به افزایش انتشار آلاینده‌ها شد. در برخی موارد حتی منجر به افزایش انتشار آلاینده‌ها نظیر CO₂ تا 9% شد. توسعه زیرساخت‌های دوچرخه‌سواری نیز با کاهش وابستگی به خودروهای شخصی، توانست انتشار CO₂ را تا 26% کاهش دهد و سهم استفاده از دوچرخه را به 51.6% برساند. این پژوهش نشان می‌دهد که ترکیب سیاست‌های مدیریت تقاضای سفر با توسعه زیرساخت‌های پایدار، نظیر دوچرخه‌سواری و حمل‌ونقل عمومی پاک، می‌تواند به کاهش معنادار آلودگی و ترافیک در شهرهای پرتراکم منجر شود.
کلیدواژه‌ها
مدل سازی عامل بنیان
سناریوهای رفتاری
آلودگی
ذرات معلق
ترافیک

موضوعات

عنوان مقاله English

Investigation of behavioral policies to reduce the emissions of light vehicles: case study of district 13 of Tehran city

نویسندگان English

Mohammad Erfan Doraki 1
Akram Avami 2
Zahra Barzegar 3
Bahram Malek Mohammadi 4
1 M.Sc., Grad., Department of Energy Engineering, Sharif University of Technology, Tehran, Iran.
2 Associate Professor, Department of Energy Engineering, Sharif University of Technology, Tehran, Iran.
3 Assistant Professor, Environmental Studies, Tehran Urban Research and Planning Center, Tehran, Iran.
4 Associate Professor, Faculty of Environment, University of Tehran, Tehran, Iran.
چکیده English

This study employs an agent-based modeling approach using the MATSim tool to examine various behavioral scenarios and their effects on traffic flow and pollutant emissions in District 13 of Tehran. First, an artificial population of this district was developed while preserving key demographic characteristics. Subsequently, different behavioral scenarios were simulated through agent-based modeling, and the corresponding emissions were calculated. The results indicate that teleworking significantly reduces vehicle traffic and pollutants such as CO₂, NOx, SO₂, and PM₂.5, making it the most effective strategy for improving air quality and mitigating congestion. In contrast, flexible working hours exerted a limited impact on reducing air pollution—primarily due to additional trips generated—and in some cases even led to increased emissions, including a 9% rise in CO₂. Furthermore, expanding bicycle infrastructure decreased reliance on private cars, cutting CO₂ emissions by up to 26% and raising the modal share of bicycle use to 51.6%. Overall, this research demonstrates that combining travel demand management policies with sustainable infrastructure—such as cycling networks and clean public transportation—can significantly curtail pollution and traffic congestion in densely populated urban areas.

کلیدواژه‌ها English

Agent-Based Modeling
Behavioral Scenarios
Pollution
PM
Traffic
-Avami, A., & Boroushaki, M. (2011). Energy consumption forecasting of Iran using recurrent neural networks. Energy Sources, Part B: Economics, Planning, and Policy, 6(4), 339-347.
-Axhausen, K. W., & Herz, R. (1989). Simulating activity chains: German approach. Journal of Transportation Engineering, 115(3), 316-325.
-Babaei, A., Khedmati, M., Jokar, M. R. A., & Tirkolaee, E. B. (2023). An integrated decision support system to achieve sustainable development in transportation routes with traffic flow. Environmental Science and Pollution Research, 30(21), 60367-60382.
-Baradaran, H., Bozorgvar, H., Nourallahzadeh, Z., & Rasaizadi, A. (2023). Effectiveness of Flexible Working Hours on Traffic Index,
a Case Study for Tehran. Advance Researches in Civil Engineering, 5(1), 56-69.
-Dasoomi, M., Naderan, A., & Allahviranloo, T. (2023). A novel hybrid machine learning model for shopping trip estimation: A case study of Tehran, Iran. Transportation Engineering,14, 1-2.
-Erfan Doraki, M., Avami, A., Boroushaki, M., & Amini, Z. (2024). Agent-Based Modeling for Sustainable UrbanPassenger Vehicle Mobility: A Caseof Tehran. Transportation Research Part D: Transport and Environment, 135, 104380.
-Flötteröd, G., & Kickhöfer, B. (2018). Choice models in matsim. Technische Universität Berlin.
-Herring, L., Moulton, J., & Toriello, M. (2017). The future of grocery–in store and online. In: McKinsey and Company New York, NY.
-Hills, P. J. (1996). What is induced traffic? Transportation, 23, 5-16.
-Ismail, S. R., & Michael, F. L. (2023). Systematic Review of Flexible Work Arrangements Impact on Employee Performance. International Journal of Academic Research in Business and Social Sciences, 13(11), 824-838.
-Jiménez, D., Muñoz, F., Arias, S., & Hincapie, J. (2016). Software for calibration of transmodeler traffic microsimulation models. IEEE 19th International Conference on Intelligent Transportation Systems (ITSC) .
-Kachoee, M. S., Haghi, P., & Avami, A. (2017). Optimal design for gasoline supply chain planning in Iran: technical, economical, and environmental perspectives. International Journal of Energy Technology and Policy, 13(3), 224-248.
-Lu, K. F., Wang, H. W., Li, X. B., Peng, Z. R., He, H. D., & Wang, Z. P. (2022). Assessing the effects of non-local traffic restriction policy on urban air quality. Transport Policy, 115, 62-74.
-Nguyen, J., Powers, S. T., Urquhart, N., Farrenkopf, T., & Guckert, M. (2021). An overview of agent-based traffic simulators. Transportation research interdisciplinary perspectives, 12, 100486.
-Rotem-Mindali, O., & Weltevreden, J. W. (2013). Transport effects of e-commerce: what can be learned after years of research? Transportation, 40, 867-885.
-Saatcioglu, T., Alp, K., Hanedar, A. &  Avsar, E. (2011). Effect of the Marmaray project on air pollution in Istanbul: an IVE model application. Fresenius Environmental Bulletin, 20(9A), 2340-2349.
-W Axhausen, K., Horni, A., & Nagel, K. (2016). The multi-agent transport simulation MATSim. Ubiquity Press.
-Wang, A., Ge, Y., Tan, J., Fu, M., Shah, A. N., Ding, Y., Zhao, H., & Liang, B. (2011). On-road pollutant emission and fuel consumption characteristics of buses in Beijing. Journal of Environmental Sciences, 23(3), 419-426.
-Wilensky, U. (2015). An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with Netlogo. The MIT Press.­
-Wooldridge, M. (1997). Agent-based software engineering. IEE Proceedings-Software, 144(1), 26-37.
-Y. Hojjat, S. Z. (2021). The list of air pollutant emissions caused by man-made sources in the metropolis of Tehran, including compilation and evaluation of emission reduction scenarios for the base year of 2017 (in Persian). Tehran University Publishing Institute.