ارائه الگوی داده‌کاوی مبتنی بر شاخص زیست‌محیطی توسعه پایدار شهری متاثر از همه گیری کووید-19
محورهای موضوعی : مدیریت
عباس ملکی
1
,
صادق عابدی
2
,
علیرضا ایرج پور
3
1 - گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی واحد قزوین، قزوین، ایران
2 - استادیار گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی واحد قزوین، قزوین، ایران
3 - استادیار گروه مدیریت صنعتی، دانشگاه آزاد اسلامی واحد قزوین، قزوین، ایران.
کلید واژه: آلودگی هوا, توسعه پایدار, داده کاوی, کووید-19, محدودیت های تردد,
چکیده مقاله :
در پاسخ به همه‌گیری کووید-19، دولت‌ها در سراسر دنیا محدودیت‌های شدید تردد را اعمال نموده و سناریوهای متفاوتی از کاهش انتشار آلاینده‌های ناشی از منابع ترافیکی را ارائه کردند. با اعمال محدودیت‌های تردد ناشی از همه‌گیری کووید-19، انتظار می‌رفت تغییراتی در غلظت آلاینده‌های هوا مشاهده شود. از این رو، تصمیم بر آن شد که تغییرات آلاینده‌های هوا به عنوان یکی از زیرمجموعه‌های شاخص زیست‌محیطی توسعه پایدار شهری در زمان همه‌گیری کووید-19 مورد بررسی قرار گیرد. به این منظور، ابتدا داده‌های مذکور در چهارکلان‌شهر مشهد، اصفهان، شیراز و اراک جمع‌آوری و سپس پردازش و پاکسازی می‌شوند. پس از آن یک الگوریتم پیشنهادی مبتنی بر روش‌های یادگیری ماشین ارائه می‌گردد. بر روی ویژگی‌های انتخاب شده، روش‌های یادگیری ماشین: درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، شبکه بیزین و شبکه عصبی پرسپترون اعمال می‌شود. بررسی‌ها نشان داد که مدل پیش‌بینی با استفاده از درخت تصمیم و جنگل تصادفی بهترین عملکرد را برای هر دو معیار فراخوانی و صحت داشت. نتایج تحقیق نشان داد که تاثیر محدودیت‌ها بر روی غلظت آلاینده‌ها در شهرهای مختلف، متفاوت می‌باشد. همچنین نتایج بیانگر این است که به‌طور‌کلی اعمال محدودیت‌های ترافیکی در دوره همه‌گیری، تاثیر قابل توجه و محسوسی در کاهش غلظت آلاینده‌های هوا نداشته است. همچنین بررسی‌ها نشان داد که اعمال محدودیت‌های ترافیکی و به تبع آن کاهش احتمالی برخی از آلاینده‌های هوا ارتباطی با مرگ‌و‌میر ناشی از کووید-19 ندارد.
In response to the Covid-19 pandemic, governments around the world have imposed severe traffic restrictions and presented different scenarios to reduce emissions from traffic sources. By applying the traffic restrictions caused by the Covid-19 epidemic, it was expected to see changes in the concentrations of air pollutants. Therefore, it was decided that the changes of air pollutants as one of the subsets of the environmental index of sustainable urban development during the covid-19 epidemic will be investigated. For this purpose, the aforementioned data are first collected in the four metropolitan cities: Tehran, Karaj, Ahvaz and Tabriz, and then processed and cleaned. After that, a proposed algorithm based on machine learning methods is presented. Machine learning methods: decision tree, random forest, support vector machine, Bayesian network and perceptron neural network are applied to the selected features. Investigations showed that the prediction model using decision tree and random forest had the best performance for both recall and accuracy criteria. The research results showed that the effect of restrictions on the concentration of pollutants in different cities is different. Also, the results show that, in general, the application of traffic restrictions during the epidemic period did not have a significant and noticeable effect in reducing the concentration of air pollutants. Also, the studies showed that the application of traffic restrictions and consequently the possible reduction of some air pollutants are not related to the deaths caused by Covid-19.
