در نمودار فوق منحنی تقاضا PP و منحنی عرضه SS است. قیمت بنزین در نقطه تلاقی این دو منحنی یعنی EM به قیمت PM می باشد. با افزایش هزینه های خارجی ناشی از مصرف بنزین منحنی عرضه SS به S’S’ انتقال پیدا کرده است که این منحنی تابع تقاضا را در نقطه E’ قطع می کند. در چنین شرایطی اگر چه بنزین در مقدار کمتری عرضه می شود ولی بدلیل اینکه با قیمت بیشتری بفروش می رسد موجبات کاهش مصرف را فراهم می آورد. همچنین در نمودار فوق تفاضل PM’ و PM نشان دهنده هزینه های خارجی هستند که مصرف کنندگان از پرداخت آن خودداری می کنند.
روش داخلی کردن هزینه های خارجی اگرچه در موارد بسیاری ممکن نیست، ولی برای پیشگیری از اثرات نامطلوب زیست محیطی، لازم است با ایجاد ضوابط و مقرراتی روش هایی برای پرداخت اینگونه هرینه ها اعمال گردند.

( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۲-۳- قیمت گذاری حمل ونقل
در تئوری اقتصاد، قیمت ها دارای دو نقش اساسی هستند. نخست تخصیص بهینه خدمات و کالاها میان مصرف کنندگان و دوم انگیزه برای تولید کنندگان و حفظ منافع آنان. هدف یک گرداننده حمل و نقل در سیاست قیمت گذاری به حداکثر رساندن درآمد است. این کار به دو طریق ممکن می شود(محمودی،۱۳۸۹) :
گسترش اندازه بازار
جذب مشتریان جدید و افزایش سهم خود در بازار
یکی از مسائلی که در قیمت گذاری حمل و نقل می بایست مد نظر قرار داده شود هزینه های خارجی است که از مهمترین آنها هزینه تراکم ناشی از سنگینی ترافیک می باشد، که اغلب از سوی افراد و یا شرکت های حمل و نقل در نظر گرفته نمی شوند.
۲-۴- قیمت گذاری بر اساس هزینه خارجی
اگرچه اصول قیمت گذاری بخش عمومی و وضع مالیات و عوارض امر شناخته شده ای است ولی به هر حال طرح و اجرای آن در مسائل حمل و نقل بخصوص در حمل و نقل جاده ای مشکلات و ویژگی های خاص خود را دارد. اصولا به دلیل مشکلات گردآوری عوارض از استفاده کنندگان محلی جاده های برون شهری، مخارج مستقیم مربوط به استفاده از این تاسیسات، پایه مهمی برای تامین مالی این زیر ساخت ها نمی باشد. از سوی دیگر هزینه های جانبی ناشی از استفاده از این تاسیسات، بسط و توسعه عملیات حمل و نقل بر روی آنها نیز به دلیل ضعیف بودن بنیان مالیاتی و یا به دلیل توسعه نیافتگی سیستم های مالی دارای عملکرد درستی نبوده و توزیع بهینه خدمات را با مشکل مواجه می کند.
به منظور ایجاد یک پیوند مفید اقتصادی و محیطی لازم است هزینه های مصرف کنندگان تاسیسات حمل و نقل در رابطه با افزایش درآمد طوری تنظیم شود که اولا از ظرفیت موجود استفاده موثر به عمل آید و ثانیا تامین هزینه های جانبی آنها فراهم شود.
مساله کارایی را می توان از طریق انتخاب بهینه در وسایط نقلیه و سوخت، افزایش کارایی میان قسمت های مختلف حمل و نقل و اعمال سیاست های مناسب در نگاه داری و مدیریت زیر ساخت های حمل و نقل تعمیم داد. امروزه با بهره گرفتن از روش های مختلف اخذ عوارض و مالیات که معمولا از طریق نصب باجه های مخصوص در محل های معین صورت می گیرد، موجب پیدایش یک درآمد دائمی شده و در نهایت موجب بوجود آمدن تشویق کننده ای برای استفاده کنندگان و متصدیان امور حمل و نقل گردیده است. افزایش کارایی منابع به خدمت گرفته شده در زیر ساخت های حمل و نقل و همچنین تخصیص بهینه منابع میان اشکال مختلف حمل و نقل نتایج مستقیم اینگونه تصمیمات می باشد. اینگونه اقدامات که سیاست های قیمت گذاری خاصی را می طبید، در نوع خود می تواند هزینه ها را کاراتر سازد و اساس و بنیان مالی بهتری را برای تدارک و نگاه داری تاسیسات حمل و نقل بوجود بیاورد.
در محتوای بهینه سازی هزینه ها این حقیقت وجود دارد که رفت و آمد در جاده ها چندین نوع آثار بیرونی از جمله ایجاد تراکم، آلوده سازی محیط زیست، تخریب سطوح جاده و غیره را به دنبال دارد که هر یک در نوع خود متضمن هزینه های جانبی است.
اثرات خارجی این عوامل و سطح اصطکاک آن در جاده ها به مقدار و نوع سوخت مصرفی وفناوری که در کاربرد این مواد انتخاب شده بستگی دارد. امروزه اخذ عوارض در محدوده نواحی پرتراکم جاده ها موجب شده است بخشی از هزینه های فوق تامین شود. گزارش بانک جهانی حاکی از آن است که اعمال این سیستم در بازگرداندن بخشی از هزینه های جانبی در سنگاپور بسیار موثر بوده است.
اخذ مالیات بابت بنزین و سایر سوخت های فسیلی به علت قابلیت آن در کاربردهای مختلف جانشین مناسبی برای کنترل آلوده سازی محیط زیست بشمار می رود. البته علیرغم آنکه مالیات بر بنزین نقش چندان مهمی را نمی تواند در محدود ساختن تراکم اعمال نماید ولی در بسیاری از کشورها تنها ابزاری است که به منظور رعایت کنترل ترافیک بکار برده می شود.
برای ایجاد فرایندی در فرموله کردن قیمت ابتدا لازم است اجزای تشکیل دهنده قیمت به خوبی شناخته شوند و سپس با بهره گرفتن از تجربیات جهانی و در نظر گرفتن قوانین، ضوایط قیمت تعیین شود. در مورد سوخت های فسیلی جامعه جهانی تقریبا به رعایت اصول فوق توافق دارد :
هزینه های منابع سوخت در حد قیمت های جهانی تعیین شود
هزینه های خارجی ناشی از مصرف سوخت در کلیه سطوح اعمال شود
هرگونه مالیات و یا عوارض برای مصرف و یا تعدیل مخارج باید بگونه ای تنظیم شود که تغییر در الگوی مصرف را به حداقل برساند.
تاکید دستور العمل فوق این است که هر گاه هزینه های جانبی و مخارج استفاده از تاسیسات زیربنایی حمل و نقل به طور مستقیم تامین نمی شود، مالیات بر سوخت و اخذ هزینه های خارجی می تواند هزینه های مربوط به زیر ساخت های حمل و نقل و برخی از هزینه های محیطی را بپوشاند. هر چند قیمت سوخت یک جانشین خیلی ضعیف برای تامین هزینه های حمل و نقل به شمار می رود ولی در شرایطی که حمل و نقل به طور سیستماتیک در طول روز جریان دارد می تواند به عنوان بهترین جانشین انتخاب شود. به دنبال تمهیدات فوق انتخاب یک روش مناسب برای قیمت گذاری خدمات حمل و نقل با مشکلاتی همراه می باشد زیرا اکثر منازعات بر سر قیمت به تخصیص هزینه های مشترک کل مربوط می شود. بنابراین بهتر است ابتدا یک محاسبه کلی از هزینه های زیر بنایی و همچنین هزینه های خارجی به عمل آورده و سپس در قیمت تعمیم داده شود.
بهترین مثال در چگونگی انجام این امر شامل مطالعاتی است که توسط گرانائو در سال ۱۹۹۴ و وینوبری در سال ۱۹۸۸ در کشورهای غنا، زیمباوه و تونس برای بانک جهانی انجام شده است. در این مطالعات چنین راهکار مناسب برای هزینه یابی و اعمال سیاست های مالیاتی در سیستم قیمت گذاری حمل و نقل نشان داده شده است. اساسی ترین نکته این مطالعات تاکید بر روی هزینه های جانبی است که از طریق تخریب جاده ها و افزایش تراکم توسط وسایل نقلیه سنگین و اتوبوسها ایجاد می شود.اگر چه بخش عمده از این خرابی ها به شرایط جغرافیایی مناطق مربوط می شود ولی نقش عمده وسایل نقلیه سنگین را نمی توان از نظر دور داشت. توصیه لازم در این زمینه این است که اولا هزینه های سرمایه ای در حساب مخارج گنجاند شود ثانیا مالیات سوخت بر حسب مسافت و میزان بارگیری اخذ شود. به طور مثال در برخی از کشورها مالیات سالانه برای وسایط نقلیه سنگین و خودروهای سواری با توجه به نوع خودرو متفاوت می باشد. مقدار مالیات در این شرایط به طور قابل ملاحظه ای به ظرفیت های بارگیری وسایل نقلیه بستگی دارد. این مسئله موجب برطرف شدن تخصیص هزینه های خارجی و توزیع آنها نمی شود ولی تاثیر بسزایی در بهبود آنها ایجاد می کند. الیته باید توجه داشت در انتخاب سیستهای اخذ مالیات و عوارض اولا باید بسیار محتاطانه عمل کرد و از اتخاذ روش های نا معقول که ممکن است به آشفتگی بازار بینجامد اجتناب نمود، ثانیا افزایش درآمد عاملی برای توسعه دادن عرضه بشمار می رود و از این رو لازم است درآمدهای حاصله از منابع فوق به بهبود ساختار حمل و نقل اختصاص داده شود.
۲-۵- پیش بینی حجم ترافیک
طی دهه اخیر پیشرفت و گسترش شناسگرهای ترافیکی، امکانات جدیدی را برای مدیریت ترافیک و شبکه معابر فراهم کرده است. شناسگرهای ترافیکی در سطح شبکه معابر نصب شده و به صورت لحظه ای پارامترهای ترافیکی را برداشت می کنند. اطلاعات برداشت شده توسط شناسگرها به کمک بستر مخابراطی به مرکز کنترل ترافیک – مرکز شهری و یا جاده ای – منتقل می شوند. یکی از وظایف مرکز کنترل ترافیک استفاده بهنگام از این اطلاعات برای مدیریت ترافیک است. مدل پیش بینی حجم ترافیک در کوتاه مدت یکی از بخش هایی است که از این اطلاعات استفاده می کند. این مدل با بکارگیری اطلاعات شناسگرهای ترافیکی هر معبر، حجم عبوری از یک معبر در لحظات پیش رو را پیش بینی می کند. از این اطلاعات برای مدیریت پیشگیرانه ترافیک استفاده می شود (افندی زاده، کیانفر،۱۳۸۷).
مدل های مرسوم پیش بینی، مقدار حجم ترافیک را برای سال های آینده و یا برای سناریوهای مختلف پیش بینی می کنند. این پیش بینی با بهره گرفتن از مدل های آینده و یا برای سناریوهای مختلف پیش بینی می کنند. این پیش بینی با بهره گرفتن از مدل های چهار مرحله ای و یا مدل های مستقیم انجام می شود. نتایج حاصل از این پیش بینی در حوزه برنامه ریزی حمل و نقل بکار گرفته می شود.
شبکه های عصبی از اجزای هوش مصنوعی هستند که در حوزه های کاربردی مختلف با موفقیت استفاده شده اند. یکی از روش پیشنهادی در اینجا، بکارگیری تکنیک های هوش مصنوعی می باشد.در ادامه از روش آماری رگراسیون جهت پیش بینی حجم تردد استفاده گردیده است و در انتها به مقایسه دو روش می پردازیم.
۲-۶- کلیات شبکه ­های عصبی مصنوعی
تفاوت انسان با سایر موجودات زنده دیگر در توانایی تصمیم ­گیری و اراده اوست که به ساختار پیچیده مغز و سلسله اعصاب او بر می گردد. از دیرباز دانشمندان و محققین زیادی علاقمند به شناخت ساختمان مغز انسان و چگونگی انجام محاسبات و پردازش­ها در آن بوده ­اند آنچه باعث توجه گسترده به این موضوع شده اموری است که مغز آن­ها را در کسری از ثانیه انجام می­دهد (مثل شناسایی چهره آشنا) در حالی که رایانه­های دیجیتال برای انجام آن­ها نیاز به زمان زیادی دارند، بنابراین مغز برای محاسبات خود اساسا از ساختاری کاملا مغایر با ساختار رایانه­های متداول برخوردار می­باشد.
احساس نیاز بشر برای دست­یابی به هوش مصنوعی به منظور نزدیک­تر کردن ارتباط انسان و ماشین و دست­یابی به ماشین­های هوشمندی که بتواند از عهده وظایف پیچیده­تر برآیند انگیزه اصلی تحقیقات گسترده بر روی سیستم عصبی انسان و دیگر موجودات زنده و تلاش در جهت شبیه­سازی مصنوعی آن بوده است. شبکه عصبی مصنوعی^[۱۳] (ANN) ایده­ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می ­پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است.
۲-۷- نرون^[۱۴] بیولوژیکی
همانطورکه گفته شد شبکه ­های عصبی مصنوعی الهام گرفته از سیستم­های بیولوژیکی هستند. اما اختلاف­های عمده­ای بین معماری و قابلیت شبکه ­های عصبی مصنوعی و طبیعی وجود دارد.
مغز انسان به عنوان یک سیستم پردزاش اطلاعاتی با ساختار موازی از ۱۰۰ تریلیون (۱۰۱۱) نرون­های به هم مرتبط با تعداد کل (۱۰۱۶) ارتباط می­باشد که این نرون­ها از طریق شبکه­ ای از آکسون­ها^[۱۵] و سیناپس­ها^[۱۶] با چگالی تقریبی۱۰ هزار سیناپس در هر نرون ، با هم ارتباط دارند.
محیط عملکرد این نرون­ها یک محیط شیمیایی است. گیرنده­های حسی تحریکات را هم از محیط و هم از داخل بدن دریافت می­ کند. این تحریکات که به صورت ایمپالس^[۱۷]های الکتریکی هستند اطلاعات را به شبکه نرون ها وارد می­ کنند. سیستم عصبی مرکزی، اطلاعات دریافتی را پردازش می­ کند و با کنترل انگیزنده­ها^[۱۸] پاسخ انسان را به صورت­های مختلف بروز می­ کند.

شکل ۲-۶: اجزای اصلی یک شبکه عصبی بیولوژیک
سلول عصبی یا نرون که عنصر اساسی شبکه عصبی است در شکل ۲-۶ نشان داده شده است اجزا این سلول عبارتند از : بدنه سلول^[۱۹] ، اکسون ، دندریت^[۲۰] ، سیناپس
۲-۸- شبکه ­های عصبی مصنوعی
شبکه ­های عصبی، نظیر انسان­ها، با مثال یاد می­گیرند . یک ANN برای انجام وظیفه­های مشخص، مانند شناسایی الگوها و دسته­بندی اطلاعات، در طول یک پروسه یادگیری، تنظیم می­ شود . در سیستم­های زیستی یادگیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است. این روش آموزش ANN ها نیز می­باشد.
در این قسمت شبکه ­های عصبی را بر اساس ساختار شبکه ­های عصبی بیولوژیکی که مطرح شد معرفی می­کنیم. اما قبل از آن شباهت­های بین این دو شبکه را عنوان می­کنیم.
بلوک­های ساختاری در هر شبکه دستگاه­های محاسباتی خیلی ساده­ای هستند و مضاف بر این نرون­های مصنوعی از سادگی بیشتری برخوردار می­باشند.
ارتباطات بین نرون­ها عملکرد شبکه را تعیین می­ کند.
اما با وجود اینکه نرون­های بیولوژیکی از نرون­های مصنوعی که توسط مدارات الکتریکی ساخته می­شوند بسیار کندتر هستند (یک میلیون بار)، عملکرد مغز خیلی سریع­تر از عملکرد یک رایانه معمولی است. علت این پدیده بیشتر به دلیل ساختار کاملا موازی نرون­ها می­باشد و این یعنی این­که همه نرون­ها معمولا به طور همزمان کار می­ کنند و پاسخ می­ دهند از آنجائی که شبکه ­های عصبی مصنوعی هم دارای ساختار موازی هستند اما توسط رایانه­های سری پیاده­سازی می­شوند و این مسأله باعث افت سرعت شدید در این شبکه­ ها می­ شود.
با وجود این که شبکه ­های عصبی مصنوعی با سیستم عصبی طبیعی قابل مقایسه نیستند ویژگی­هایی دارند که آن­ها را در بعضی از کاربردها مانند تفکیک الگو ، رباتیک ، کنترل و به طور کلی در هر جا که نیاز به یادگیری یک نگاشت خطی یا غیر خطی باشد ممتاز می­نمایند. این ویژگی ها به شرح زیر هستند:
قابلیت یادگیری: استخراج نتایج تحلیلی از نگاشت غیر خطی که با چند مثال مشخص شده کار ساه­ای نیست. چون می­دانیم که یک نرون یک دستگاه غیر خطی است در نتیجه یک شبکه عصبی که از اجتماع این نرون­ها تشکیل می­ شود هم یک سیستم کاملا پیچیده و غیرخطی خواهد بود. به علاوه خاصیت غیرخطی عناصر پردازش در کل شبکه توزیع می گردد هنگام پیاده سازی این نتایج با یک الگوریتم معمولی وبدون قابلیت یادگیری نیاز به دقت و مراقبت زیادی دارد درچنین حالتی سیستمی که بتواند خود این رابطه را استخراج کند بسیار سودمند به نظر می­رسد . خصوصاً اینکه افزودن مثال­های اجتماعی در آینده به یک سیستم با قابلیت یادگیری، به مراتب آسان­تر از انجام آن در یک سیستم بدون چنین قابلیتی است.
قابلیت یادگیری یعنی توانایی تنظیم پارمترهای شبکه (وزن­های سیناپتیکی) در مسیر زمان که محیط شبکه تغییر می­ کند و شبکه شرایط جدید را تجربه می­ کند، با این هدف که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شریط محیطی شبکه رخ داد، شبکه بتواند با آموزش مختصر برای شریط جدید نیز کارآمد باشد. دیگر اینکه اطلاعات در شبکه ­های عصبی در سیناپس­ها ذخیره و هر نرون در شبکه، به صورت بالقوه ازکل فعالیت سایر نرون­ها متأثر می­ شود. در نتیجه، اطلاعات از نوع مجزا از هم نبوده، بلکه متأثر از کل شبکه می­باشد.
۲- پراکندگی اطلاعات: آنچه که شبکه فرا می­گیرد و یا به عبارت دیگراطلاعات یا دانش، در وزن­های سیناپسی مستتر می­باشد و رابطه یک به یک بین ورودی­ ها و وزن­های سیناپتیکی وجود ندارد. می­توان گفت که هر وزن سیناپسی مربوط به همه ورودی­ ها است ولی به هیج یک از آن­ها به طور منفرد مربوط نیست به عبارت دیگر هر نرون در شبکه از کل فعالیت سایر نرون­ها متأثر می­باشد در نتیجه اطلاعات به صورت زمینه­ای توسط شبکه ­های عصبی پردازش می­ شود.
۳- قابلیت تعمیم^[۲۱]: پس از آن­که مثال­های اولیه به شبکه آموزش داده شد شبکه می تواند در مقابل یک ورودی آموزش داده نشده قرار می گیرد و یک خروجی مناسب ارائه نماید. این خروجی بر اساس مکانسیم تعیمم که همانا چیزی جز پروسه درونیابی نیست بدست می آید.