Die Herausforderung
von Daniela Azumendi Gongora, Juan Jose Dıaz Baquero, Juan Felipe Franco, und Ivan Mura (Universidad de los Andes)
Wie auf der Wintersimulationskonferenz 2018 vorgestellt
Radfahrer, die in verschmutzten städtischen Umgebungen fahren, können ungesunden Bedingungen ausgesetzt sein. Daher sollte bei der Planung von Radwegen die Exposition von Radfahrern gegenüber Luftschadstoffen berücksichtigt werden. In Bogota, einer Stadt mit hoher Luftverschmutzung, ist Fahrradfahren eine gängige Art des Pendelns. Quinto Centenario" ist ein 25 km langer Radweg, der in den kommenden Jahren gebaut werden soll. Ziel dieser Studie ist es, Schätzungen für die Feinstaubbelastung der Nutzer des Quinto Centenario zu erstellen. Wir simulierten die Bewegung von Radfahrern entlang der geplanten Route und verwendeten Luftqualitätsdaten, die von einem Überwachungsnetz gesammelt wurden, um die Schadstoffkonzentration abzuschätzen, der Radfahrer ausgesetzt sein werden. Die Schätzungen für den Radverkehr stammen aus offiziellen städtischen Erhebungen, die wir analysiert haben, um die Herkunfts-/Zielmatrizen für Radfahrten und die Verteilung der Fahrtdauer zu ermitteln. Das Ergebnis der Simulation wird in einer Tabellenkalkulation festgehalten, die die Belastung der Radfahrer für jeden Weg entlang des Radwegs berechnet.
Einführung
Bogota, die Hauptstadt Kolumbiens, ist die lateinamerikanische Stadt mit der größten Fahrradinfrastruktur, die im Jahr 2017 über 476 km Fahrradwege umfasste. Der von der Stadtverwaltung von Bogota für den Zeitraum zwischen 2016 und 2019 vorgeschlagene Entwicklungsplan sieht den Bau von 120 km neuer Fahrradwege vor (Alcald'ıa Bogota 2016), mit dem Ziel, den Anteil der Fahrten mit dem Fahrrad von derzeit 5 % auf 10 % zu verdoppeln.
Der Quinto-Centenario-Radweg (QC) ist der längste im Entwicklungsplan vorgeschlagene Radweg. Dieses Projekt, das bis zur 500-Jahr-Feier Bogotas im Jahr 2038 voll funktionsfähig sein soll, wird die Vision der Stadt von nachhaltiger Mobilität verkörpern (C40 Cities 2016). QC wird die Stadt von Norden nach Süden auf einer Länge von ca. 25 km durchqueren (C40 Cities 2016) und je nach der endgültigen Streckenauswahl durch die Stadtverwaltung bis zu 10 Stadtteile betreffen. Sie wird schrittweise in Betrieb genommen und soll zwischen 2018 und 2030 zu einer kumulativen Verringerung der Treibhausgasemissionen um 67.565 mtCO2e führen und gleichzeitig die Luftqualität entlang der Strecke verbessern. Der Bau des QC ist strategisch angelegt, um die Nutzung des Fahrrads für den Pendlerverkehr zu fördern und die Bürger von Vierteln mit niedrigem, mittlerem und hohem Einkommen mit ihren Arbeitsplätzen, Schulen und anderen Aktivitäten zu verbinden (C40 Cities 2016).
Der QC wird voraussichtlich in der Nähe der verkehrsreichsten Straßen der Hauptstadt verlaufen. Da der Anteil umweltfreundlicher Kraftstoffe am Fuhrpark in Bogota im Jahr 2015 bei etwa 5,0 % lag (Secretar'ıa de Movilidad Alcald'ıa Mayor de Bogota TPD Ingenier'ıa 2016), werden Radfahrer, die das QC nutzen, wahrscheinlich hohen Feinstaubwerten und anderen Schadstoffen ausgesetzt sein, wie es auch bei anderen Radwegen in der Stadt der Fall ist (Franco et al. 2016). Mehrere Studien in der Literatur kommen zu dem Schluss, dass die Vermischung der Luft mit den Emissionen von Verbrennungsmotoren gesundheitsschädlich ist und dass hohe PM-Dosen mit verschiedenen Krankheiten in Verbindung gebracht werden (Hoek et al. 2002). Die gesundheitsschädlichen Auswirkungen der Luftverschmutzung wurden nicht auf einen genauen Beitrag verschiedener Verbindungen oder PM-Fraktionen zurückgeführt (Int Panis et al. 2010). Es wurde jedoch festgestellt, dass Partikel im PM2,5-Bereich (d. h. mit einem Radius von weniger als 2,5 µm) die Gesundheit stärker schädigen (Pope et al. 2002) als die anderen Fraktionen der PM.
Radfahrer auf QC wären einer permanenten Schadstoffemission ausgesetzt. Bei körperlicher Aktivität kann sich die Atemfrequenz von etwa 15-mal auf 40-60-mal pro Minute erhöhen (ELF 2017). Dies führt sowohl zu einer höheren PM-Menge, die in den Körper gelangt, als auch zu einem tieferen Eindringen der PM in das Atmungssystem (Hoek et al. 2002). Höhere Ablagerungen von Feinstaub in der Lunge erhöhen das Risiko, unter den negativen Auswirkungen der Verschmutzung zu leiden (Int Panis et al. 2010), zu denen unter anderem Herz-Kreislauf-Erkrankungen, akute Atemwegserkrankungen, Lungenentzündung und Lungenkrebs gehören (WHO 2017). Folglich sollten bei der Bewertung der Gesundheitsrisiken von Verkehrsträgern (insbesondere des Radverkehrs) neben den Schadstoffkonzentrationen auch Messgrößen berücksichtigt werden, die die Exposition abschätzen, z. B. die Ventilationsrate (die Ventilationsrate ist definiert als das Gasvolumen, das pro Minute in die Lungen einer Person eingeatmet wird) (Int Panis et al. 2010).
Ziel dieser Studie ist es, die PM2,5-Belastung von Radfahrern zu ermitteln, die die QC-Route benutzen. Diese Informationen werden für potenzielle Nutzer der QC-Route nützlich sein, da sie Hinweise darauf geben, ob und wann die Verwendung von Schutzmitteln (z. B. Gesichtsmasken) angebracht ist. Außerdem liefert sie dem QC-Designteam eine Vorhersage der PM-Belastung entlang der geplanten Radroute und zeigt auf, welche Abschnitte die höchsten Gesundheitsrisiken mit sich bringen, und schlägt somit Verbesserungsmöglichkeiten vor.
Um die Belastung abzuschätzen, kombinieren wir die Simulation der QC-Benutzerbewegungen mit den offiziellen Luftqualitätsdaten, die vom Netz der Überwachungsstationen in Bogota gesammelt wurden. Wir haben eine benutzerfreundliche Schnittstelle entwickelt, die den Output des Simulationsmodells mit den Luftqualitätsdaten verknüpft, um die Exposition zu schätzen.
Der Rest des Dokuments ist wie folgt gegliedert. In Abschnitt 2 beschreiben wir den allgemeinen methodischen Ansatz und die wichtigsten Datenquellen, die wir für die Bewertung der Exposition verwenden. Anschließend stellen wir in Abschnitt 3 das Simulationsmodell vor, das wir für die Vorhersage der Aufenthaltszeit von Radfahrern auf dem Radweg entwickelt haben, und gehen ausführlich auf den Parametrisierungsprozess ein. In Abschnitt 4 schlagen wir eine Methode zur Bewertung der Belastung vor, die den Empfehlungen internationaler Gremien entspricht, und in Abschnitt 5 präsentieren wir die Ergebnisse unserer Modelle. Die Schlussfolgerungen werden in Abschnitt 6 dargelegt.
Die Lösung
Methodik
Die Vorhersage der Exposition von Radfahrern auf dem Radweg erfordert die Kombination zweier unterschiedlicher Informationen, nämlich der Zeit, die ein Radfahrer in jedem der von ihm benutzten Abschnitte des Radwegs verbringt, und der PM2,5-Konzentration, der er ausgesetzt sein wird. Bei der Verknüpfung dieser beiden Informationen müssen auch spezifische Aspekte des Radwegbenutzers, wie Geschlecht und Alter, berücksichtigt werden, die sich auf die Ausgangsatemfrequenz auswirken.
Um die Zeit zu bestimmen, die Radfahrer auf den Radwegsegmenten verbringen, wenden wir die Methodik von (Banks 2000) an, um ein Simulationsmodell zu erstellen, das ihre Bewegungen reproduziert. Der geplante QC-Pfad wird georeferenziert und in gerade Segmente unterteilt, die dem Radweg sehr nahe kommen. Das Simulationsmodell wird mit offiziellen Daten des Mobilitätsministeriums von Bogota (SDM) parametrisiert. Das SDM führte eine stichprobenartige Erhebung (Encuesta de Movilidad, EM, im Folgenden) über die Fahrradnutzung in Bogota durch, die mehr als 94 % des Gebiets im Rahmen der Studie abdeckte (Secretar'ıa de Movilidad Alcald'ıa Mayor de Bogota' TPD Ingenier'ıa 2016). Anhand der EM charakterisieren wir den Ankunftsprozess, die Richtung, die zurückgelegte Strecke und die Geschwindigkeit der QC-Nutzer, die wir verwenden, um die Merkmale der sich auf dem simulierten Radweg bewegenden Einheiten zu erstellen. Die Ergebnisse des Simulationsmodells ermöglichen die Vorhersage der durchschnittlichen Zeit, die die Nutzer in jedem Segment des QC verbringen. Zur Validierung des Modells vergleichen wir die erwarteten simulierten Aufenthaltszeiten auf dem QC mit der tatsächlichen durchschnittlichen Zeit, die Radfahrer auf dem aktuellen Radwegenetz verbringen, das die geplante QC-Route umgibt.
Zur Schätzung der Luftqualität entlang der QC-Segmente haben wir die offiziellen Daten des Umweltministeriums des Distrikts Bogota verwendet, das seit 1998 ein Überwachungsnetz mit 13 festen Stationen betreibt, die stündlich Daten zu den meteorologischen Bedingungen und den Luftschadstoffkonzentrationen (einschließlich PM2,5) liefern. Mithilfe eines Kriging-Simulationsmodells (Kleijnen 2009), das in einer früheren Studie (Rojas 2017) entwickelt wurde, werden die von den Messstationen erfassten Daten interpoliert, um die Konzentrationswerte an jedem beliebigen Punkt Bogotas zu erhalten. Wir gehen davon aus, dass sich die Außenluftqualität bis zum Bau des QC nicht wesentlich ändert.
Die Simulationsergebnisse und die PM2,5-Konzentration ermöglichen die Abschätzung der Exposition der Radwegbenutzer, wofür wir uns auf die Definition der durchschnittlichen Tagesdosis stützen, die von der United States Environmental Protection Agency (EPA) bereitgestellt wird (US EPA 1992).
Simulationsmodell
Simulationsmodelle sind als wirksame Werkzeuge zur Unterstützung einer effektiven Planung von Verkehrssystemen anerkannt (Ziemke et al. 2017). In diesem Abschnitt beschreiben wir ausführlich das Simulationsmodell, das wir für die Vorhersage der Aufenthaltszeit von Radfahrern im QC zu verschiedenen Tageszeiten entwickelt haben. Wir führen die Annahmen der Modellierung klar auf, gehen dann detailliert auf den Parametrisierungsprozess ein und schließlich auf seine Verifizierung und Validierung.
In dieser Arbeit wird das Simulationsmodellierungs-Framework SIMIO R verwendet, das das objektorientierte Modellierungsparadigma unterstützt und Bestimmungen für die prozess- und ereignisgesteuerte Simulation enthält (Pegden und Sturrock 2010). Die Auswahl dieser Software ist durch ihre hochentwickelte Modellierungssprache gerechtfertigt, die zukünftige Änderungen ohne großen Aufwand ermöglicht.
Unsere Modellierung basiert auf den folgenden Annahmen:
- Die aus den EM-Daten geschätzte Demografie der Radfahrer wird die QC-Nutzer korrekt charakterisieren; \
- Die aus den EM-Daten geschätzten Ausgangs- und Zielorte sowie die Geschwindigkeit der Fahrten ändern sich nicht, wenn das QC eingeführt wird;
- Die QC-Segmente zwischen Referenzpunkten, die im Modell zur Gestaltung des Radwegs verwendet werden, sind gerade Segmente.
Der QC wurde unter Verwendung von 119 geografischen Koordinaten modelliert, die das Streckenlayout genau darstellen. Die Radfahrer sind die Entitäten im Modell und werden durch ihre Herkunft, Geschwindigkeit, Zielrichtung und Fahrstrecke definiert. Der Zeithorizont für die Simulation war ein einziger Tag, den wir so gewählt haben, dass er einen durchschnittlichen Arbeitstag repräsentiert.
Simulationsparameter
Das Fahrradverkehrssimulationsmodell hängt von einem genauen Verständnis des Verhaltens der Radfahrer ab (Ma und Luo 2016). Daher werden die Simulationsparameter durch die von potenziellen Nutzern erhobenen Daten bestimmt. Die Abteilung für Mobilität in Bogota (SDM) führte die EM-Umfrage zwischen dem 15. März und dem 30. August 2015 bei 28.025 Personen aus der Stadt und 17 benachbarten Gemeinden durch (die Bürger Bogotas machten etwa 87 % des Untersuchungsgebiets aus). Die Daten wurden für eine Region erhoben, die mehr als 94 % des Untersuchungsgebiets abdeckt, und umfassen Interviews, die in Wohnungen durchgeführt wurden, sowie Umfragen bei Radfahrern. Die Umfragedaten lassen den Schluss zu, dass Männer das Fahrrad dreimal häufiger nutzen als Frauen, und unter denen, die es nutzen, ist der größte Bevölkerungsanteil zwischen 15 und 44 Jahren alt (Secretar'ıa de Movilidad Alcald'ıa Mayor de Bogota TPD Ingenier ' 'ıa 2016).
Zu den in die EM-Studie einbezogenen Personen gehörten 3.649 Radwegnutzer, die Zeit, Herkunftsort und Ziel ihrer Fahrten angaben (Secretar'ıa de Movilidad Alcald'ıa Mayor de Bogota TPD Ingenier ' 'ıa 2016). Von den 9.260 erfassten ursprünglichen Fahrradfahrten stammten rund 13,81 % (1.279 Fahrten) aus der Einflusszone. Anhand dieser ausgewählten Informationen wurde eine Herkunfts-Ziel-Matrix (ODM) geschätzt, die auf der Annahme beruht, dass Radfahrer, die das derzeitige Radwegesystem nutzen, zum QC wechseln, da es sich um eine spezielle Fahrradstraße handelt. Außerdem wird keine Zunahme des Verkehrsaufkommens aufgrund von Bevölkerungswachstum oder Änderungen der Verkehrsmittelwahl angenommen. Die Eingangsparameter sind in 56 Profile unterteilt, je nach Herkunft der Fahrten. Die Profile entsprechen den zonalen Planungseinheiten (UPZ, aus dem spanischen Akronym), die von der Gemeinde verwendet werden.
Ankunftsprozess
Wir haben die Ankünfte in QC entsprechend der räumlichen Verteilung und der demografischen Merkmale der UPZ erstellt. Wenn eine UPZ einen Radfahrer erzeugt, dann erzeugt das Modell eine Ankunft an dem Punkt entlang der QC-Route, der dem geografischen Zentrum der UPZ am nächsten liegt.
Die Zeit, zu der die Radfahrer ihre Fahrt beginnen, wird aus dem ODM ermittelt. Anschließend addieren wir die Teilankunftsströme aus allen UPZ und berechnen die stündlichen Raten über den Zeithorizont (24 Stunden), wie in Abbildung 1 dargestellt. Um zu überprüfen, ob die Ankünfte innerhalb jedes Stundenintervalls zwischen den verschiedenen UPZ homogen sind, haben wir die Gleichheit der Mittelwerte und Varianzen in jeder Stunde zwischen den UPZ überprüft. Die Ergebnisse bestätigen die Homogenität, aber da die einzelnen Stunden unterschiedliche Raten aufweisen, modellieren wir den Gesamtprozess der Radfahrerankünfte mit einem nicht-homogenen Poisson-Prozess (NHPP), der von der Tageszeit abhängt (Gallager 2013).
Fahrtrichtung
An einem typischen Arbeitstag fahren die meisten Bürger Bogotas frühmorgens zu ihrem Arbeitsplatz, machen in der Mitte des Tages eine Pause und pendeln in den Abendstunden nach Hause.
Um diese Mobilitätsmuster zu modellieren, unterteilen wir den Zeithorizont in Bereiche, wobei sich die Bewegungsrichtung und die Startwahrscheinlichkeit in diesen Bereichen ändern. Nach der Auswertung der Daten kamen wir zu dem Schluss, dass sich das Mobilitätsverhalten der Radfahrer in drei verschiedene Bereiche einteilen lässt: von Mitternacht bis 8 Uhr morgens, von 8 Uhr morgens bis 15 Uhr nachmittags und von 15 Uhr bis Mitternacht. In Bogota gibt es deutliche Unterschiede zwischen den einzelnen Stadtgebieten, was die Nutzung angeht: Es gibt Zonen, die eindeutig Wohngebiete sind, und andere, die überwiegend industriell geprägt sind. Morgens beginnen die meisten Menschen ihre Fahrten in Wohngebieten und wählen die Richtung, um in ein Gewerbe- oder Industriegebiet zu gelangen. Diese Muster in den Richtungen der Modelleinheiten lassen sich in der ODM-Matrix erkennen.
Länge der Fahrt
Aus den geografischen Koordinaten von Start- und Zielort der Reise berechnen wir D, die zurückgelegte Entfernung, mit Hilfe der Gleichungen 1-3, die die Haversinus-Formeln darstellen. In Gleichung 1 bezeichnet φi die geografische Breite des Punktes i und ∆φ und ∆α die Unterschiede in der geografischen Breite und Länge zwischen den beiden Punkten. In Gleichung 2 ist atan2(-,-) die mehrwertige inverse Tangensfunktion, und in Gleichung 3 ist R der Erdradius (6,371 km).
Durch die Durchführung eines Kolmogorov-Smirnov-Anpassungstests kommen wir mit einem Konfidenzniveau von 95 % zu dem Schluss, dass die Verteilung der Reiseentfernung der Entitäten durch eine Weibull-Verteilung mit der Form 1,1171 und der Skala 4,9120 modelliert werden kann. Diese Parameter wurden durch Maximum-Likelihood-Schätzung mit der fitdistrplus R-Bibliothek angepasst. Abbildung 2 zeigt die empirische Verteilung der gesammelten Daten zur Fahrstrecke.
Abbildung 2: Verteilung der Fahrstrecke der Radfahrer.
Entitäten Geschwindigkeit
Die Geschwindigkeit von Radfahrern wurde anhand der EM-Daten modelliert. Auf der Grundlage von in der Literatur veröffentlichten Ergebnissen (Gates et al. 2006) haben wir die Mindestgeschwindigkeit auf 3,5 km/h festgelegt. Für die Höchstgeschwindigkeit haben wir uns auf das Gesetz 1811 aus dem Jahr 2016 bezogen, das die Höchstgeschwindigkeit für Radfahrer auf 25 km/h festlegt (MTC 2016). Alle Geschwindigkeitswerte in der EM-Erhebung, die außerhalb dieses Bereichs liegen, werden als atypisch eingestuft und bei der Modellierung der Geschwindigkeit der Radfahrer nicht berücksichtigt. Aus den gültigen Daten erhalten wir eine empirische Geschwindigkeitsverteilung, die wir im Simulationsmodell verwenden, um jedem Radfahrer eine Reisegeschwindigkeit zuzuordnen.
Die Ergebnisse der vorläufigen Simulationen zeigten, dass sich auf einigen Abschnitten der Strecke eine große Anzahl von Radfahrern die gleiche Fahrspur teilen kann. Obwohl Staus auf Radwegen im Vergleich zu denen des Autoverkehrs selten sind (Dobler und Lammel 2016 ' ), haben wir beschlossen, den Einfluss der Segmentbelastung auf die Geschwindigkeit der Radfahrer zu modellieren.
Um die Auswirkung von Radverkehrsstaus auf die Geschwindigkeit zu berücksichtigen, gehen wir davon aus, dass unabhängig davon, ob Radfahrer andere Radfahrer überholen oder nicht, der Nettoeffekt von Staus eine Geschwindigkeitsreduktion ist. Durch erneute Analyse der Ergebnisse vorläufiger Simulationen schätzten wir die Anzahl der Personen in jedem Segment im Laufe der Zeit, und wir fanden heraus, dass in 90 % der Fälle nicht mehr als vier Radfahrer das gleiche QC-Segment teilen. Daher haben wir beschlossen, dass nur dann, wenn ein Radfahrer ein Segment betritt und mehr als 4 Benutzer sieht, seine Durchschnittsgeschwindigkeit für das Segment sinkt. Im Modell gehen wir davon aus, dass ein Radfahrer für jeden Radfahrer in einem Routensegment, der den Höchstwert überschreitet, seine Geschwindigkeit in diesem Segment um 7,25 % verringert. Wir haben diesen Wert auf der Grundlage von Empfehlungen von Experten für die Gestaltung von Radwegen festgelegt.
Modellüberprüfung und -validierung
In Anlehnung an Banks Schritte in einer Simulationsstudie führten wir eine Modellverifizierung und -validierung durch (Banks 2000). Bei der Verifizierung ging es uns darum, ob der diskrete Zeitschritt, mit dem wir prüfen, ob eine Einheit ihr Endziel erreicht hat, einen signifikanten Einfluss auf die Länge ihrer Fahrt hat. Um zu prüfen, ob der Unterschied zwischen der zugewiesenen und der tatsächlichen simulierten Entfernung signifikant ist, haben wir die Ergebnisse des ODM-Datensatzes mit den Ergebnissen des Modells verglichen, wobei beide mit einem Konfidenzniveau von 95 % geschätzt wurden. Der Vergleich der Konfidenzintervalle lässt den Schluss zu, dass die in der Simulation verwendete Annahme der diskreten Zeit für die Kontrolle der Radfahrerfahrten keine bedeutenden Auswirkungen hat.
Der Zweck der Validierung besteht darin, festzustellen, ob das konzeptionelle Modell eine genaue Darstellung des realen Systems ist (Banks 2000). Zur Modellvalidierung haben wir einen statistischen Vergleich der durchschnittlichen simulierten Fahrzeit und der durchschnittlichen Fahrzeit aus den EM-Daten durchgeführt. Beachten Sie, dass die letztgenannten Informationen nicht zur Parametrisierung des Simulationsmodells verwendet wurden. Wir stellen fest, dass ein Konfidenzintervall von 95 % für die durchschnittliche simulierte Fahrzeit, die mit dem Ergebnis von mindestens 75 Simulationsläufen berechnet wurde, im Konfidenzintervall von 95 % für die durchschnittliche Fahrzeit aus den EM-Daten enthalten ist. Daraus schließen wir, dass das Modell gültig ist.
Schätzung der Exposition
Es wurden verschiedene Definitionen der Exposition vorgeschlagen. So definiert beispielsweise die United States Environmental Protection Agency (EPA) in ihrem Leitfaden (US EPA 1992) die Exposition als die chemische Konzentration an der Grenze des Körpers. Andere Ansätze, beispielsweise der in der Studie von Fajardo und Rojas zur räumlichen Analyse der PM2,5-Exposition in Bogota ( ' Fajardo und Rojas 2012) vorgeschlagene, betrachten die Exposition als die potenzielle Dosis des Schadstoffs, die eingeatmet würde. In Übereinstimmung mit dieser erweiterten Definition und gemäß den EPA Exposure Assessment Tools by Routes - Inhalation (US EPA 2017) verwenden wir die folgende Gleichung zur Berechnung von AD, der durchschnittlichen Dosis, die ein Radfahrer während einer Fahrradtour auf dem QC, die von Segment s1 zu Segment s2 führt, einatmen würde:
Dabei ist V R die Belüftungsrate, gemessen in m 3min-1 , Ci die durchschnittliche Schadstoffkonzentration auf dem Segment i des Radwegs, gemessen in µgm-3 , EDi die durchschnittliche Expositionsdauer, gemessen in Minuten, und BW die Körpermasse des Radfahrers, gemessen in kg
Beachten Sie, dass Gleichung 4 von Alter und Geschlecht abhängt, da die VR in Abhängigkeit von diesen Parametern variiert: Frauen atmen beim Radfahren deutlich häufiger als Männer (Int Panis et al. 2010). Bei den in dieser Studie für die VR-Werte verwendeten Daten handelt es sich um die durchschnittlichen, um das Körpergewicht bereinigten Beatmungsraten bei der Ausübung von Aktivitäten innerhalb der spezifischen Aktivität, kategorisiert nach Geschlecht und Alter (US EPA 2011). Es wurde angenommen, dass das Radfahren auf der QC-Spur ein moderates Maß an körperlicher Aktivität erfordert, was sich auf die von der US EPA im Jahr 1985 vorgelegten Ergebnisse stützt (US EPA 2011).
Die Ci-Faktoren in Gleichung 4 wurden anhand der offiziellen Luftqualitätsdaten der Stadt Bogota geschätzt. Im Jahr 1998 richtete die Stadtverwaltung von Bogota das Netzwerk zur Überwachung der Luftqualität ein (RMCAB, spanisches Akronym). Dieses Netz besteht derzeit aus 13 über die gesamte Stadt verteilten automatischen Feststationen und einer mobilen Messstation. Jede Station überwacht eine Reihe von meteorologischen Variablen und die Konzentration von Luftschadstoffen, einschließlich PM2,5. Die RMCAB-Daten werden vom Umweltministerium des Bezirks Bogota verwaltet, das die Daten validiert, speichert und der Öffentlichkeit zur Verfügung stellt. Wir nutzten diese offiziellen Daten zur Vorhersage der Luftschadstoffkonzentration im gesamten Gebiet von Bogota, indem wir die Kriging-Methode der räumlichen Interpolation anwandten. Die vollständige Beschreibung dieser Arbeit, die über den Rahmen der hier vorgestellten Forschung hinausgeht, ist in (Rojas 2017) zu finden. Die Informationen eines zufälligen Arbeitstages aus der oben genannten Arbeit werden verwendet, um die Ci , die durchschnittlichen PM2,5-Konzentrationen für die modellierten Segmente des QC, in den verschiedenen interessierenden Zeitbereichen zu schätzen.
Die EDi-Faktoren in Gleichung 4, d. h. die durchschnittliche Verweildauer eines Radfahrers auf den einzelnen Abschnitten des Radwegs, werden aus Simulationsergebnissen ermittelt.
Die Auswirkungen auf die Wirtschaft
In diesem Abschnitt werden die Ergebnisse unserer Studie vorgestellt, die in drei Hauptteile unterteilt sind. Zunächst werden die Vorhersagen des Simulationsmodells beschrieben, dann die Vorhersagen für die Luftqualität und schließlich die PM2,5-Belastung, die sich aus der Kombination von Luftqualitätsmessungen mit den simulierten Fahrzeiten gemäß Gleichung 4 ergibt.
Simulationsergebnisse
Abbildung 3 zeigt eine Karte des Stadtgebiets von Bogota, unterteilt nach UPZ, wobei die derzeit geplante QC-Route ' orange hervorgehoben ist. Die Route ist in 119 Segmente unterteilt, wobei jedes Segment einen geraden Abschnitt des Radwegs modelliert. Die Segmente werden fortlaufend nummeriert, wobei Segment 1 das südlichste und Segment 119 das nördlichste ist. Außerdem kennzeichnen wir die Fahrten der Radfahrer, die in diese Richtung gehen, mit Nord und Süd. Mehrere Simulationsläufe wurden aggregiert, um Durchschnittswerte der interessierenden Maße und Konfidenzintervalle mit einem Konfidenzniveau von 95% zu berechnen.
Die simulierten durchschnittlichen Zeiten, die Radfahrer auf den Streckenabschnitten verbringen (die EDi-Faktoren der Gleichung 4), sind in Abbildung 4 in Stunden für Fahrten in Richtung Norden und Süden und für die drei betrachteten Zeitbereiche dargestellt. Diese durchschnittliche Zeit hängt von der Anzahl der Radfahrer, die sich den Abschnitt teilen, ihrer Geschwindigkeit und der Länge des Abschnitts ab.
Tabelle 1: Durchschnittliche Zeit (in Minuten) für alle Radwegsegmente, je Zeitbereich.
Zunächst einmal beobachten wir durchweg eine Spitze in den ersten, südlichsten Abschnitten. Dies ist auf die sehr hohe Anzahl von Fahrten zurückzuführen, die ihren Ursprung im Gebiet am Ende des QC haben, von denen die meisten weiter südlich verlaufen und daher nicht in unsere Untersuchung einbezogen werden können. Während der morgendlichen Rushhour (Zeitbereich 1, linkes Diagramm) wird erwartet, dass mehr Menschen in den Norden der Stadt fahren (Secretar'ıa de Movilidad Alcald'ıa Mayor de Bogota TPD Ingenier ' 'ıa 2016). Wie unsere Simulationsergebnisse zeigen, weisen die Segmente 80 bis 115 die höchsten Durchschnittszeiten auf. Im zweiten Zeitbereich (mittleres Diagramm) sind die Spitzenwerte der von den Radfahrern verbrachten Zeit in den südlichen Abschnitten zu finden. Außerdem ist die Zeitvariabilität zwischen den Segmenten geringer. Die Simulationsergebnisse für den letzten Zeitbereich (rechtes Diagramm) zeigen, dass die Radfahrer in den zentralen Abschnitten doppelt so viel Zeit aufwenden können wie in den anderen Abschnitten der Strecke. Dies könnte daran liegen, dass die meisten Fahrten in diesem Zeitbereich im Süden und Norden der Stadt beginnen und auf der gegenüberliegenden Seite der Stadt enden, wobei sich die Menschen in der Mitte der QC-Route stauen.
Über alle Zeitbereiche hinweg verbringen Personen, die in Richtung Süden fahren, mehr Zeit in jedem Segment als Personen, die in die andere Richtung fahren. Dies liegt daran, dass der Verkehr in Richtung Süden eine höhere Intensität aufweist und die Radfahrer langsamer fahren und länger auf einem Abschnitt verweilen müssen. Die durchschnittliche Verweildauer in allen Segmenten, die in Tabelle 1 für jede Fahrtrichtung und jeden Zeitbereich zusammen mit der halben Breite des Konfidenzintervalls angegeben ist, bestätigt statistisch die Existenz dieses Unterschieds.
Ergebnisse zur Luftqualität
Anhand der durch Kriging interpolierten Luftqualitätsdaten schätzen wir die durchschnittliche PM2,5-Konzentration für jedes Segment in der QC (die Ci-Faktoren in Gleichung 4), die wir in Abbildung 5 darstellen. Die Morgen- und Nachtzeiträume sind Hauptverkehrszeiten und weisen ein höheres Fahrzeugaufkommen auf den Straßen auf. Dementsprechend zeigt Abbildung 5, dass die PM2,5-Konzentrationen in diesen Zeitbereichen höher sind als in der Mittagszeit. Für einige Abschnitte im südlichen Teil des QC (linker Teil der Kurven) ist die Konzentration im Zeitbereich 1 2,5 mal so hoch wie die Konzentration im Zeitbereich 2.
Im Zeitbereich 1 erreichen die PM2,5-Konzentrationen ihre Höchstwerte. Wir stellen fest, dass die höchsten Konzentrationen für die südlichsten Segmente des QC geschätzt werden, wo auch die größten erwarteten Verweilzeiten geschätzt werden (siehe Abbildung 4). Auch wenn die Schnittmenge zwischen der Gruppe der stark verschmutzten und der Gruppe der überlasteten Abschnitte von geringer Kardinalität ist, sollte sie Anlass zu Bedenken hinsichtlich der gesundheitlichen Auswirkungen der hohen Exposition geben. Im Gegenteil, die vergleichsweise geringeren PM2.5-Werte auf den nördlichen QC-Segmenten würden bei der Expositionsbewertung die langen Aufenthaltszeiten der Radfahrer im Zeitbereich 1 kompensieren (siehe Abbildung 4.a).
Im zweiten Zeitbereich sind die PM2,5-Konzentrationen am niedrigsten, da die Verkehrsintensität in der Stadt viel geringer ist als am Morgen. Dies lässt sich durch die normale Arbeitsschicht der Menschen erklären. Ausgehend von der Konzentrationsvariable könnte man daher zu dem Schluss kommen, dass der zweite Zeitbereich der beste Zeitpunkt für die Anwendung der QC ist.
Der letzte Bereich weist geringere Durchschnittswerte auf als der erste. Auch wenn im Zeitbereich 3 ungefähr genauso viele Fahrten stattfinden wie im Zeitbereich 1, tragen zwei verschiedene Faktoren dazu bei, niedrigere Durchschnittswerte der PM2,5-Konzentration zu ermitteln: der erste ist die größere Streuung der Fahrtbeginnzeiten, der zweite die effizientere Verteilung der Schadstoffe in der Atmosphäre zu einem späteren Zeitpunkt des Tages.
Expositionsergebnisse
Die nach Gleichung 4 berechnete Exposition hängt von den Merkmalen der Radfahrer und von der Strecke ab. Daher können die Ergebnisse nur in Bezug auf bestimmte Fahrten bestimmter Nutzer berechnet werden. Um die Exposition zu bewerten, haben wir zufällige Profile von Radwegbenutzern erstellt, die sich auf dem QC-Weg bewegen würden. Die zufällige Erstellung von Profilen basiert auf den Informationen der EM-Erhebung.
Die segmentweise geschätzte Exposition der zufällig generierten Mischung von Radfahrern entlang der Route ist in Abbildung 6) dargestellt. Wie erwartet, ist das Verhalten der Exposition entlang der Route sehr ähnlich zu der durchschnittlichen Zeit in dem Segment. Allerdings gibt es signifikante Unterschiede zwischen den Profilen, da Frauen und junge Menschen aufgrund ihrer höheren Belüftungsrate (V R-Faktor in Gleichung 4) in fast jedem Segment entlang der Strecke eine höhere Exposition haben werden. Um die Unterschiede in der Exposition, die durch das Radfahrerprofil bestimmt werden, genauer zu charakterisieren, geben wir in Tabelle 2 die geschätzte AD für eine Reihe von Stichprobenprofilen an, unter der Annahme, dass die Fahrt entlang des gesamten QC verläuft.
Die in Tabelle 2 angegebenen Werte helfen dabei, ein Verständnis für das Ausmaß der Exposition der Radfahrer entlang der Strecke zu gewinnen. Studien in der Literatur zeigen, dass die 24-Stunden-Exposition in Kleinstädten (Lee et al. 2017) etwa 4,6 µgm-3d -1 betragen kann. Bei den Verschmutzungswerten in Bogota würde eine mehrstündige Fahrt auf dem Radweg zu einer ähnlichen Menge an eingeatmetem PM2,5 führen.
Tabelle 2: Durchschnittliche PM2,5-Belastung für Radfahrer, die QC in verschiedenen Zeitbereichen und Richtungen fahren.
Schlussfolgerungen
In dieser Studie beschreiben wir die kombinierte Verwendung eines Verkehrssimulationsmodells und von Luftqualitätsdaten, um Vorhersagen über die PM2,5-Belastung von Radfahrern entlang des Quinto Centenario, einem 25 km langen Radweg, der in Bogota gebaut werden soll, zu erstellen.
Der Zweck des Simulationsmodells ist es, Schätzungen für die Reisezeiten der Nutzer zu liefern, aufgeschlüsselt nach der Zeit, die in den einzelnen Segmenten des modellierten Radwegs verbracht wird. Ein wesentlicher Teil unserer Arbeit konzentriert sich auf die Parametrisierung des Simulationsmodells, um sicherzustellen, dass die Nachfrage nach Fahrradfahrten, ihre Merkmale in Bezug auf Ursprung/Ziel und Geschwindigkeit tatsächlich das reale Verhalten der Radfahrer in der Stadt widerspiegeln. Offizielle Daten aus einer umfassenden Erhebung der lokalen Behörden werden verwendet, um die Einflusszone der geplanten Radwegroute zu bestimmen, den Ankunftsprozess zu modellieren, einen ODM und die Geschwindigkeit der Fahrten zu schätzen.
Die Informationen über die Luftqualität entlang des Radwegs werden durch die räumliche Interpolation der offiziellen städtischen Daten gewonnen, die von einem Netz von Messstationen erfasst werden. Durch die Kombination der räumlichen Verteilung der PM2,5-Konzentrationen mit der durchschnittlichen Zeit, die Radfahrer auf dem Radweg verbringen, können wir Schätzungen für die kumulative Exposition von Radwegbenutzern gemäß den von der EPA vorgeschlagenen Messwerten für die Inhalation entlang von Routen erhalten.
Die Kenntnis des Geschlechts und des Alters einer Person ermöglicht die Berechnung der Exposition in Form der vorhergesagten durchschnittlichen PM2,5-Menge, die ein Radfahrer während einer Radtour auf dem Quinto Centenario einatmen würde. Diese Informationen sind sowohl für diejenigen, die an der Gestaltung der Route arbeiten, als auch für die Nutzer wertvoll. Erstere können sie nutzen, um die gesundheitlichen Auswirkungen verschiedener Routenoptionen zu vergleichen, während letztere eine fundierte Entscheidung über die richtige physische Barriere treffen können, mit der sie sich vor den Auswirkungen einer langfristigen Schadstoffexposition schützen können. Wir arbeiten derzeit an der Entwicklung eines verbesserten Simulationsmodells, das eine bessere Charakterisierung der Exposition in hoch gelegenen Städten ermöglicht, sowie an der Bewertung des Gesamtkosten-Nutzen-Verhältnisses von körperlicher Aktivität in verschmutzten Umgebungen.
Biographien der Autoren
DANIELA AZUMENDI GONGORA' ist eine diplomierte Lehrassistentin an der Universidad de los Andes, wo sie den Kurs Diskrete Ereignissimulation unterstützt. Sie schloss 2018 ein Studium des Wirtschaftsingenieurwesens und ein Doppelstudium des Maschinenbaus ab und ist derzeit Studentin des Masterstudiengangs Wirtschaftsingenieurwesen an derselben Universität. Sie interessiert sich für die Anwendungen von Operations Research im Bereich Umweltschutz und soziale Wohlfahrt. Ihre E-Mail-Adresse lautet d.azumendi10@uniandes.edu.co.
JUAN JOSE D' 'IAZ BAQUERO ist Magister in Wirtschaftsingenieurwesen mit Doppeldiplom in Software Engineering und Wirtschaftsingenieurwesen von der Universidad de los Andes, mit Erfahrung in IT-Beratung, Datenanalyse und Visual Analytics. Er interessiert sich für Operations Research, mathematische Modellierung, Simulation, Programmierung, Klimawandel und öffentliche Gesundheit. Seine E-Mail Adresse lautet jj.diaz1067@uniandes.edu.co.
JUAN FELIPE FRANCO erwarb einen Abschluss als Chemieingenieur an der Universidad Nacional de Colombia, einen Master in Ingenieurwesen an der Universidad de los Andes und ist derzeit Doktorand im Studiengang Ingenieurwesen an derselben Universität. Er verfügt über Erfahrung als Lehrer, Forscher und Berater in den Bereichen Luftreinhaltung, Reduzierung von Treibhausgasemissionen, städtisches Nachhaltigkeitsmanagement und Definition der öffentlichen Politik. Seine E-Mail Adresse lautet jffranco@uniandes.edu.co.
IVAN MURAerwarb einen ersten Abschluss in Informatik und einen Doktortitel in Informatik-Ingenieurwesen an der Universität Pisa, Italien, sowie einen Master of Science in Informationstechnologie-Projektmanagement an der George Washington University School of Business. Derzeit ist er außerordentlicher Professor an der Fakultät für Wirtschaftsingenieurwesen der Universidad de los Andes. Zu seinen Forschungsinteressen gehört die mathematische Modellierung künstlicher und lebender Systeme mit kontinuierlich-deterministischen und diskret-stochastischen zustandsbasierten Techniken. Seine E-Mail Adresse lautet i.mura@uniandes.edu.co.
Referenzen
Alcald'ıa Bogota, Gabinete Distrital Alcald ' 'ıa Mayor de Bogota D.C. 2016. "Proyecto del Plan de Desarrollo ' 2016-2020"
Banks, J. 2000. "Introduction to Simulation". In Proceedings of the 2000 Winter Simulation Conference, 7-18, herausgegeben von A.Jones et al., Piscataway, New Jersey:IEEE.
C40 Cities, Finanzfazilität 2016. "Cycling for all on Bogotas First Resilient Cycle Highway". Accessed ' 1 December 2017. https://www.c40cff.org/projects/bogota-quinto-centenario
Dobler, C., and G. Lammel. 2016. ' "Der multimodale Beitrag". ' The Multi-Agent Transport Simulation MATSim, London, Ubiquity Press:135-140.
ELF, European Lung Foundation 2017. "Your Lungs and Exercise". Accessed 1 December 2017. http: //www.europeanlung.org/assets/files/en/publications/lungs-and-exercise-en.pdf.
Fajardo, O., and N. Rojas. 2012. "Particulate Matter Exposure of Bicycle Path Users in a High-Altitude City". Atmospheric Environment 46:675-679.
Franco, J., J. Segura, und I. Mura. 2016. "Air Pollution Alongside Bike-Paths in Bogot-Colombia". Frontiers in Environmental Science 4:77.
Gallager, R. 2013. "Poisson Processes". Stochastic Processes: Theory for Applications, New York, Cambridge University Press:72-104.
Gates, T., D. Noyce, A. Bill, und N. Van Ee. 2006. "Recommended Walking Speeds for Pedestrian Clearance Timing Based on Pedestrian Characteristics". Transportation Research Board, 85. Jahrestagung, Washington, D.C.
Hoek, G., B. Brunekreef, S. Goldbohm, P. Fischer, und P. Van Den Brandt. 2002. "Zusammenhang zwischen Sterblichkeit und Indikatoren für verkehrsbedingte Luftverschmutzung in den Niederlanden: A Cohort Study". The Lancet 360(9341):1203-1209.
Int Panis, L., B. De Geus, G. Vandenbulcke, H. Willems, B. Degraeuwe, N. Bleux, V. Mishra, I. Thomas, und R. Meeusen. 2010. "Feinstaubbelastung im Straßenverkehr: ein Vergleich zwischen Radfahrern und Autofahrern". Atmospheric Environment 44(19):2263-2270.
Kleijnen, J. 2009. "Kriging-Metamodellierung in der Simulation: A Review". Europäische Zeitschrift für operationelle Forschung 192(3):707 - 716
Lee, S., S. Yu, and S. Kim. 2017. "Evaluation of Potential Average Daily Doses (ADDs) of PM2.5 for Homemakers Conducting Pan-Frying Inside Ordinary Homes under Four Ventilation Conditions". Global Health 14(1):78-88.
Ma, X., and D. Luo. 2016. "Modeling Cyclist Acceleration Process for Bicycle Traffic Simulation using Naturalistic Data". Transportation Research Part F 40:130-144.
MTC, Ministerio de Transporte de Colombia 2016. "Ley 1811 del 21 de octubre de 2016". Bogota: Republica ' de Colombia - Gobierno nacional
Pegden, D., and D. Sturrock. 2010. "Einführung in Simio". In Proceedings of the 2010 Winter Simulation Conference, WSC '10, 1-10, herausgegeben von B. Johansson et al., Piscataway, New Jersey:IEEE.
Pope, C., R. Burnett, M. Thun, E. Calle, K. Ito, und G. Thurston. 2002. "Lungenkrebs, kardiopulmonale Sterblichkeit und langfristige Exposition gegenüber Feinstaub". JAMA 287(9):1132-1141.
Rojas, N. 2017. "Spatial Analysis of Exposure to PM2.5 in the Urban Area of Bogota Between 2010 and ' 2016". Wirtschaftsingenieurwesen B.Sc. These, Universidad de los Andes.
Secretar'ıa de Movilidad - Alcald'ıa Mayor de Bogota TPD Ingenier ' 'ıa, Consorcio Transconsult, Infometrika ' 2016. "Encuesta de Movilidad 2015". Secretar'ıa de Movilidad, Bogota
US EPA, U.S. Environmental Protection Agency 1992. "Guidelines for Exposure Assessment". Federal Register 57(104):22888-22938, Washington, DC.
US EPA, United States Environmental Protection Agency 2011. "Exposure Factors Handbook Chapter 6". EPA ExpoBox, Washington DC.
US EPA, United States Environmental Protection Agency 2017, Nov. "Exposure Assessment Tools by Routes - Inhalation". Last Access: 1 december 2017. https://www.epa.gov/expobox/ exposure-assessment-tools-routes-inhalation
WHO, World Health Organization 2017. "Los Efectos Sobre la Salud". Departamento de Salud Publica, ' Medio Ambiente y Determinantes Sociales de la Salud. Accessed 1 december 2017. http://www.who. int/phe/health topics/outdoorair/databases/health impacts/es/.
Ziemke, D., S. Metzler, and K. Nagel. 2017. "Modeling Bicycle Traffic in an Agent-based Transport Simulation". Procedia Computer Science, (109C):923-928.