مهندسی ترافیک

مهندسی ترافیک

مدل‌سازی تأثیر تاکسی اینترنتی بر وابستگی به خودروی شخصی در دوران کرونا با تمرکز بر بررسی یک شهر بزرگ و یک شهر کوچک

نوع مقاله : مقاله پژوهشی

نویسندگان
سیدرضا اسماعیل‌زاده 1
امیر رضا ممدوحی 2
1 دانشجوی دکترا گروه برنامه‌ریزی حمل‌ونقل، دانشکده مهندسی عمران و محیط‌زیست، دانشگاه تربیت مدرس، تهران، ایران
2 گروه برنامه‌ریزی حمل و نقل، دانشکده مهندسی عمران و محیط زیست، دانشگاه تربیت مدرس
چکیده
امروزه مبحث تاکسی‌های اینترنتی تبدیل به موضوع مهمی برای عملکرد روزانه‌ی مردم شده است و می‌توان آن ‌را حتی به‌صورت یک شیوه حمل‌ونقلی جداگانه در نظر گرفت. در این پژوهش به بررسی جزئی تأثیر تاکسی اینترنتی و خودروی شخصی در دوران کرونا پرداخته می‌شود. این بررسی با طراحی فرآیند گردآوری داده از طریق پرسشنامه انجام می‌شود. این پرسشنامه در قالب چهار بخش طراحی شد و پس از جمع‌آوری پرسشنامه‌ها که به‌صورت آنلاین انجام شده بود، از تعداد 681 داده پس از اعتبارسنجی و پالایش داده‌ها، 598 داده برای مدل‌سازی استفاده شد. سپس برای بررسی تأثیرات تاکسی اینترنتی بر استفاده افراد از خودروی شخصی در شرایط کرونا از مدل انتخاب گسسته لوجیت چندگانه با بهره‌گیری از روش تحلیل مؤلفه‌ی اصلی (PCA) برای کاهش بعد متغیرهای نگرشی استفاده شد. سپس اثرات حاشیه‌ای نیز با روش شبیه‌سازی محاسبه شد. نتایج نشان داد که در دوران کرونا افراد از خودروی شخصی نسبت به تاکسی‌های اینترنتی بیشتر استفاده می‌کنند. در ضمن افرادی که تحصیلات دکترا دارند نسبت به سایرین در دوران کرونا از تاکسی اینترنتی نسبت به خودروی شخصی بیشتر استفاده می‌کنند. ضمن نتایج اثرات حاشیه‌ای نشان داد که با تغییر شهر محل سکونت از شهر کوچک بیرجند به کلان‌شهر تهران تمایل به تاکسی اینترنتی افزایش و تمایل به خودروی شخصی کاهش می‌یابد.
کلیدواژه‌ها
تاکسی اینترنتی
وابستگی به خودروی شخصی
کرونا
  • اسماعیل‌زاده، س.ر.، ممدوحی، ا.ر.، مدل‌سازی رفتاری تأثیر تاکسی‌های اینترنتی در وابستگی به خودروی شخصی، 1401، مجله‌ی مهندسی عمران شریف، دوره: 38، شماره: 2،https://civilica.com/doc/1542066.
  • بابانیا، م.، پوردرویش، ا.، میراشرفی، ب.،1398، نقش تحلیل مؤلفه‌های اصلی (PCA) در مدل‌سازی داده‌های بزرگ، سومین کنفرانس بین‌المللی محاسبات نرم، رودسر.
  • American Public Transportation Association (APTA), 2020, The COVID-19 Pandemic - Public Transportation Responds: Safeguarding Riders and Employees, https:// www.apta.com/wp-content/uploads/COVID-19_Transit_Guide_FINAL_04132020.pdf.
  • Sung, Y. Monschauer, 2020, Changes in transport behavior during the Covid-19 crisis, International Energy Agency (IEA), https://www.iea.org/articles/changes-in-transport-behaviour-during-the-covid-19-crisis.
  • Bliss, 2020. Who Will Ride Transit After Coronavirus? https://www.citylab.com/transportation/2020/05/public-transit-riders-coronavirus-bus-subway-public-funding/611203/.
  • Heater, 2020, Uber is Laying Off 3,700 as Rides Plummet due to COVID-19. https://techcrunch.com/2020/05/06/uber-is-laying-off-3700-as-rides-plummet-due-to-covid-19/.
  • Loa, S. Hossain, Y. Liu, Kh. Nurul Habib, 2021, How have ride-sourcing users adapted to the first wave of the COVID-19 pandemic? Evidence from a survey-based study of the Greater Toronto Area, Transportation Letters, DOI: 10.1080/19427867.2021.1892938.
  • Loa, S. Hossain, Y. Liu, KH. Nurul Habib, 2022, How has the COVID-19 pandemic affected the use of ride-sourcing services? An empirical evidence-based investigation for the Greater Toronto Area. Transportation Research Part A Policy Pract. Jan; 155:46-62. doi: 10.1016/j.tra.2021.11.013. Epub 2021 Nov 16. PMID: 34815625; PMCID: PMC8602061.
  • Zhang, C. Shao, B. Wang, S. Huang, 2022, The Impact of COVID-19 on Travel Mode Choice Behavior in Terms of Shared Mobility: A Case Study in Beijing, China. International Journal Environment Research Public Health. Jun 10; 19(12):7130. doi: 10.3390/ijerph19127130. PMID: 35742378; PMCID: PMC9222614.
  • E., Ben-Akiva, S. R., Lerman, 1985, Discrete Choice Analysis: Theory and Application to Travel Demand. Cambridge, MA: MIT Press.
  • Sharma, 1995. Applied multivariate techniques. John Wiley & Sons, Inc., USA.
    • , Jolliffe, 2002, Principal Component Analysis. (Second ed.). Springer.
  • G., Tabachnick, L. S., Fidell, 2007, Using multivariate statistics. 5th edition. Boston, MA: Allyn & Bacon.