16.03.2021, 13:55

Kentsel Eğilimler, Akıllı Teknolojiler ve Buna Göre Ulaşım Talebinin Değerlendirilmesi - 12

Yeni yüksek hızlı demiryolu (YHD) hattının 500 km/saat’in üzerindeki hızlarla işletime girmesi ile birlikte Tokaido koridorunda yolcu kapasitesi ikiye katlanacaktır. Tokyo ve Osaka arasındaki seyahat süresi yarının altına düşerek 1 saat olacak olup Tokyo’dan Osaka’ya günübirlik seyahatleri mümkün kılacaktır. Sonuç olarak ulusal ölçeğin yanı sıra söz konusu koridor boyunca kentlerarası ulaştırma pazarlarında önemli değişimler beklenmektedir. Aynı zamanda muazzam doğrudan faydalar ve ekonomik dalgalanma etkileri erişilebilirlikteki büyük değişimlerin bir sonucu olarak beklenmektedir.

Söz konusu mega proje gibi muazzam yatırımlar için yaklaşık olarak 89.360 milyar ABD Dolarına ihtiyaç duyulmaktadır. Proje için gerekli muazzam yatırımlarla mevcut sosyo-ekonomik durum (örneğin ulaştırma projeleri için azalan bir nüfus ve bütçe kısıtları gibi) değerlendirildiğinde doğru talep tahminleri ve güvenilir ekonomik değerlendirme fizibilite çalışması için gereklidir.

Tür seçimi modeli belirlemesi için ortaya çıkan tercih (RP) ve belirtilen tercih (SP) verilerinin temini ile ilgili bir anket çalışması yürütülmüştür. Ortaya çıkan tercih (RP) verileri kentlerarası seyahatteki mevcut verileri yansıtır iken belirtilen tercih (SP) verileri ise bir yüksek hızlı demiryolu (YHD) hattının mevcut olmadığı durum için tercihleri temin etmektedir.

Anketler Japonya’nın 6 metropoliten alanından (Tokyo, Osaka, Nagoya, Kofu, Hiroşima ve Fukuoka) birisinden üretilen demiryolu kullanıcılarına dağıtılmaktadır. Katılımcıların son iki ayda, diğer 5 metropoliten alandan her birisine en son yolculuklarını hangi amaçla (gezi ya da iş) yaptıklarını tanımlamaları istenmiştir. Belirtilen tercih (SP) araştırmalara katılımcılara ilk olarak yüksek hızlı demiryollarını (YHD) ortaya çıkarmış ve tanımlamıştır. Sonradan katılımcılara sistematik olarak değişen seyahat maliyeti, seyahat süresi ve hizmet sıklığı gibi yüksek hızlı demiryolu (YHD) özelliklerinde 5 seyahat türünün her birisi için 8 profil verilmiştir. Numune tasarımı sadece 8 tercih durumu gerektirmektedir. Mevcut model alternatifleri sabit durumdadır.

Tekrar edilen ölçütler gözlemlerin katılımcılar ile bağlantılı olduğunu göstermektedir. Bununla beraber burada modeller bağımsız gözlemlerin hem her bir katılımcı ile ve hem de her bir katılımcı arasında yapılması kabulüne dayalı olarak hesaplanmaktadır. Diğer bir deyişle rassal fayda fonksiyonlarındaki sapma teriminin bağımsız ve tanımlı dağıldığı kabul edilmektedir. Aynı zamanda arazi, altyapı ve ulaştırma bakanlığı tarafından her beş yılda bir yapılan ulusal kentlerarası seyahat araştırmasından seyahat türlerine göre günübirlik OD seyahat tabloları ve 2000 yılı hedefi temin edilmektedir. Araştırma şemasında ülke 207 zona bölünmüş olup söz konusu analiz için ise bu sayı ilgili zon birleştirmeleri ile 147’ye düşürülmüştür. Ortaya çıkan tercih (RP) ve belirtilen tercih (SP) araştırmalarının ortalama seyahat mesafesi 300 km’den fazladır. Farklı seyahat davranışı unsurlarının etkilerinin ve oldukça kısa mesafe gözlemleri dâhilinde ulusal ölçekli kümeli kentlerarası matrisle bölgeye has etkilerin yanı sıra tahayyül edilebilir büyük koridor etkileri, tür/güzergâh seçim modelinde Tokaido koridorundan temin edilen ortaya çıkan tercih (RP) ve belirtilen tercih (SP) verileri ile terkip edilmektedir. Seyahatler sırası ile kalkış yerleri ve güncel ikametlere göre gruplandırılmaktadır. Gerçek OD unsurlarını yansıttığından dolayı kalkış yerine dayalı veri, tür/güzergâh seçim modelinin belirlenmesinde kullanılmaktadır. Diğer taraftan ikamete dayalı veri ise varış noktası seçimi ve seyahat üretimi modellerinin belirlenmesinde kullanılmaktadır. Kullanılan veriler Tablo 1’de özetlenmiştir.

Entegre kentlerarası seyahat talebi modelinin kümeli yapısı Şekil 2’de gösterilmekte olup seyahat üretim model, varış noktası seçimi modeli, tür seçim modeli ve güzergâh seçim modelini içermektedir. Örneklem boyutu ve yazılım hesap hızına bağlı olarak model eş zamanlı olmaktan ziyade düşük düzeyden yüksek düzeye silsile halinde hesaplanmaktadır. Daha düşük düzeyli modellerden türetilen maksimum fayda öngörüsü için parametreler, hipotezlenen kümeli yapının doğrulanmasında şartları yerine getirmektedir.

Bu tarz çalışmalar kapsamında dikkate alınan ulaştırma türleri demiryolu, otobüs, otomobil ve havayoludur. Demiryolu ulaştırma türü 3 alternatife ayrılmıştır: normal raylı sistemler, Shinkansen ve yüksek hızlı demiryolu (YHD). İlgili detaylar Şekil 3’te verilmektedir.

Şekil 3. Kümeli Tür/Güzergâh Seçim Modeli

Şekil 4, ortaya çıkan tercih (RP) ve belirtilen tercih (SP) verileri ile kümeli OD seyahat veri dizileri (AD) dâhilinde düğüm noktası hesap yapılarını ifade etmektedir. Çoklu veri kaynakları ile model hesabı prosesinde, Berkson ve Theil’in yöntemindeki kümeli veri şeklinin kullanımının verimsizliğinin hesaba katılması ile yarı ayrık bir şekildeki kümeli veri kullanımı daha iyi olmaktadır. Temsili yolcu konseptine dayalı olarak bir OD çifti için aynı tür seçimi dâhilinde bütün yolcular homojen özelliklere sahip bir grup insan olarak değerlendirilmektedir.

Şekil 4. Terkibi SP, RP ve Kümeli Verili Model Yapısı

Esasen prosesin ortaya çıkardığı temsili yolcu örneklemi dâhili (tercih temelli) bir örneklem olarak değerlendirilmektedir. Ağırlıklandırılmış Harici Örneklem Maksimum Benzerlik (WESML) hesabı dâhilinde örneklem ve nüfus verisi arasındaki sapmanın ortadan kaldırılmasında kümeli veri dizisi için ağırlık faktörü benzerlik fonksiyonuna yerleştirilmektedir Ağırlık faktörlü maksimum benzerlik fonksiyonu:

L (Ө) = Σ Σ δw(g) ln P (i l X, Ө)   (1)

w(g) = Q(g)/H(g)   (2)

w(g), g temsili katmanı için ağırlık iken Q(g) aynı katman için nüfus oranı olup H(g) ise yine g katmanı için örneklem alanıdır. P (i l X, Ө) ise i ulaştırma türü için tercih olasılığıdır. Her bir veri dizisi için üç alt model aynı kümeli yapıyı paylaşmaktadır. Diğer bir deyişle bu üç alt model için logaritmik toplam ölçeği parametreleri birbirine eşittir. Söz konusu iç rassal fayda eşitliği:

RP Modeli: U = V + Ɛ(3)

SP Modeli: U = V + Ɛ  (4)

AD Modeli: U = V + Ɛ(5)

Sonuç yöntemlerinin seçimi, RP, SP, AD ve kümeli modeller için birbirinden farklı olduğundan dolayı bu üç veri dizisindeki sapma değişimi terimlerinin de farklı olduğu kabul edilmektedir. Diğer bir deyişle üç rassal unsurun (örneğin Ɛ, Ɛ ve Ɛ) sıfır ortalama ile bağımsız olarak dağıldığı kabulü yapılır iken değişimlerin her birisi de birbirinden farklı olmaktadır.

SP, RP ve kümeli veri alt modellerinin sapma değişimleri arasındaki bağıntı ise aşağıdaki şekildedir:

Varyans(Ɛ) = µVar(Ɛ) (6)

Varyans(Ɛ) = µVar(Ɛ) (7)

Düğüm noktası modelinde ortaya çıkan tercih (RP) ve belirtilen tercih (SP) verileri ve kümeli veriler, fayda göstergeleri olarak değerlendirilmekte olup düğüm noktası benzerlik fonksiyonu ise:

L(µ) = L + L (µ) + L (µ)  (8)

L, L (µ), L (µ) gösterimleri, sırası ile ortaya çıkan tercih (RP) ve belirtilen tercih (SP) veri ve kümeli veri dizileri için logaritmik benzerlik fonksiyonlarıdır.

Sistematik terimler olabildiğince dikkate alınmakta olup temel özellikler arasındaki aynı takaslar üç veri dizisi için de kabul edilmektedir. Bu durum parametrelerin istatistiksel verimliliğinin arttırılmasında belirtilen tercih (SP) karşılıklarında ortaya çıkması muhtemel herhangi bir hatayı düzeltmede ve farklı bölgelerdeki farklı seyahat unsurlarının etkilerinin ihtiva edilmesinde yardımcı olmaktadır.

İskân temelli kümeli kentler arası seyahat verisi varış noktası seçim modelinin belirlenmesinde kullanılmaktadır. Berkson ve Theil’in yöntemindeki kümeli verinin verimsizliğinden dolayı kümeli veri ayrık bir logit varış noktası seçim modeli tayininde kullanılan ayrık bir şekle dönüştürülmektedir.

Dahası ayrık seçim modeli ile ilgili olarak çok sayıda varış noktası alternatifi (146 alternatif) bulunmaktadır. Büyük bir tercih dizisi kapsamında hesapların parametre tutarlılığı kaybı olmaksızın bir alternatifler alt dizisinde yürütülebildiği ispatlanmıştır. Dahası varış noktası alternatif dizisi, seçili olmayan varış noktası dizisinden rassal olarak seçilen 10 ilave varış noktasını ve mevcut durumda seçili varış noktasını ihtiva etmektedir. Bir kentin özelliklerini ifade eden (örneğin nüfus, ekonomik ve kültürel göstergeler, endüstriyel yapıyla ilgili göstergeler vs.) değişkenler ve kentler arasındaki ulaştırma direnç göstergeleri (mesafe, genelleştirilmiş maliyet vs.) varış noktası tercih fayda fonksiyonun belirlenmesinde kullanılmaktadır. Bu durumda Gayri Safi Yurtiçi Hâsıla (GSYİH), çalışan nüfusun toplam nüfusa oranı ile bir zonun iş uçlu ve iş uçlu olmayan seyahatler için çekim derecelerini gösteren iki değişken aynı zamanda fayda fonksiyonunda açıklamalı değişkenler olarak kullanılmaktadır. Çekim, Analitik Hiyerarşi Prosesi (AHP) olarak adlandırılan analitik yöntem kullanılarak hesaplanmaktadır. İş uçlu seyahat durumunda çekim; ana merkezlerin sayısı, uluslararası konferansların sayısı, bölgesel gösterge, akıllı ulaştırma endüstrisinin cirosu vs. gibi işle ilgili faktörlerce belirlenmektedir. Diğer taraftan da iş uçlu olmayan seyahatler için çekim göstergesi genel olarak eğlence dinlence etkinliklerine uygunluğu ihtiva etmekte olup tatil köyleri, spor merkezleri, müzeler, sinemalar, alışveriş merkezleri ve benzerlerinin sayılarına dayamaktadır. Tür/güzergâh seçim modelinden türetilen öngörülen maksimum fayda, açıklamalı bir değişken olarak kullanılmaktadır.

Münhasır seyahat sıklıklarındaki bilgi yoksunluğundan dolayı, kümeli logit model ya da sıralı logit model gibi uygun ayrık seçim yaklaşımı yerine bir regresyon modeli kullanılmaktadır. Öngörülen maksimum fayda münhasır i kalkış zonu için erişilebilirlik ölçütü olarak yorumlanmakta olup bu zon için seyahat üretim modelinde açıklamalı bir değişken olarak kullanılmaktadır.

Erişilebilirlik = 1/µ ln [Σ exp(µ V)]   (9)

µ Varış noktası tercih düzeyi için büyüklük parametresi olup V ise i kalkış zonundan j varış zonuna fayda fonksiyonu iken D ise i kalkış noktası için varış alternatifleri dizisini ifade etmektedir. Seyahat üretim modelindeki erişilebilirlik ölçütleri vasıtası ile seyahat üretim modeli seyahat koşullarındaki değişimlere karşı daha hassas hale gelmektedir. Dahası uyarılmış seyahat elastisiteleri de hesaplanabilmektedir. Ayrık verilerin yetersizliğine bağlı olarak, bu faktörler genellikle modelde kullanılamayan kişisel ya da hane halkı karakteristikleri gibi model seyahat üretimlerinde kullanılmaktadır. 

Yorumlar (0)
banner117
5
kısa süreli hafif yoğunluklu yağmur
banner153
Puan Durumu
Takımlar O P
1. Galatasaray 28 71
2. Fenerbahçe 28 68
3. Samsunspor 29 51
4. Beşiktaş 28 48
5. Eyüpspor 29 47
6. Başakşehir 28 42
7. Göztepe 28 39
8. Gaziantep FK 28 39
9. Kasımpaşa 29 39
10. Antalyaspor 29 39
11. Trabzonspor 28 36
12. Konyaspor 29 34
13. Rizespor 28 34
14. Bodrum FK 29 33
15. Kayserispor 28 33
16. Sivasspor 29 31
17. Alanyaspor 29 31
18. Hatayspor 28 19
19. A.Demirspor 28 -2
Takımlar O P
1. Kocaelispor 32 63
2. Karagümrük 33 59
3. Erzurumspor 33 55
4. Gençlerbirliği 32 54
5. İstanbulspor 33 52
6. Bandırmaspor 32 52
7. Keçiörengücü 33 48
8. Boluspor 33 48
9. Iğdır FK 33 48
10. Esenler Erokspor 33 48
11. Ahlatçı Çorum FK 33 48
12. Amed Sportif 33 48
13. Ümraniye 32 46
14. Pendikspor 33 45
15. Sakaryaspor 33 42
16. Ankaragücü 33 38
17. Manisa FK 33 38
18. Şanlıurfaspor 33 37
19. Adanaspor 32 27
20. Yeni Malatyaspor 32 -21
Takımlar O P
1. Liverpool 31 73
2. Arsenal 31 62
3. Nottingham Forest 31 57
4. Chelsea 31 53
5. Newcastle 30 53
6. M.City 31 52
7. Aston Villa 31 51
8. Fulham 31 48
9. Brighton 31 47
10. Bournemouth 31 45
11. Crystal Palace 30 43
12. Brentford 31 42
13. M. United 31 38
14. Tottenham 31 37
15. Everton 31 35
16. West Ham United 31 35
17. Wolves 31 32
18. Ipswich Town 31 20
19. Leicester City 31 17
20. Southampton 31 10
Takımlar O P
1. Barcelona 30 67
2. Real Madrid 30 63
3. Atletico Madrid 30 60
4. Athletic Bilbao 30 54
5. Villarreal 29 48
6. Real Betis 30 48
7. Celta Vigo 30 43
8. Real Sociedad 30 41
9. Rayo Vallecano 30 40
10. Mallorca 30 40
11. Getafe 30 39
12. Sevilla 30 36
13. Osasuna 30 35
14. Valencia 30 34
15. Girona 30 34
16. Espanyol 29 32
17. Deportivo Alaves 30 30
18. Leganes 30 28
19. Las Palmas 30 26
20. Real Valladolid 30 16