خلاصه

منابع انرژی تجدیدپذیر و فناوری‌های کارآمد انرژی، و همچنین مقاوم‌سازی ساختمان‌ها، تنها برخی از استراتژی‌های ممکن است که می‌تواند به شهرهای پایدارتر دست یابد و انتشار گازهای گلخانه‌ای را کاهش دهد. یارانه ها و مشوق ها اغلب توسط دولت ها برای افزایش تعداد افرادی که این اقدامات بهره وری انرژی پایدار را اتخاذ می کنند، ارائه می شود. با این حال، فروش واقعی محصولات سبز در حال حاضر به اندازه مورد نظر بالا نیست. مقاله حاضر یک مدل مبتنی بر عامل ترکیبی (ABM) ادغام شده با یک سیستم اطلاعات جغرافیایی (GIS) را برای شبیه‌سازی یک سیستم انطباقی اجتماعی-اقتصادی-معماری برای مطالعه انتشار زمانی و تمایل ساکنان به اتخاذ سیستم‌های فتوولتائیک (PV) اعمال می‌کند. . محله San Salvario در تورین (ایتالیا) به عنوان یک مطالعه موردی نمونه برای آزمایش رفتار مصرف‌کننده مرتبط با این فناوری، ادغام نظریه‌های شبکه‌های اجتماعی، پویایی شکل‌گیری عقیده و اقتباس از نظریه رفتار برنامه‌ریزی‌شده (TPB) استفاده می‌شود. داده ها/ویژگی ها هم برای ساختمان ها و هم برای افراد به صراحت با سطح جزئیات در مقیاس بلوک فضایی شده اند. توجه ویژه ای به مقایسه ترکیب سیاست برای حمایت از تصمیم گیرندگان و سیاست گذاران در تعریف کارآمدترین استراتژی ها برای دستیابی به چشم انداز بلندمدت توسعه پایدار است. هم متغیرها و هم دقت نتایج مدل با داده‌های دنیای واقعی تاریخی تأیید می‌شوند. پویایی شکل‌گیری عقیده و اقتباس از نظریه رفتار برنامه‌ریزی‌شده (TPB). داده ها/ویژگی ها هم برای ساختمان ها و هم برای افراد به صراحت با سطح جزئیات در مقیاس بلوک فضایی شده اند. توجه ویژه ای به مقایسه ترکیب سیاست برای حمایت از تصمیم گیرندگان و سیاست گذاران در تعریف کارآمدترین استراتژی ها برای دستیابی به چشم انداز بلندمدت توسعه پایدار است. هم متغیرها و هم دقت نتایج مدل با داده‌های دنیای واقعی تاریخی تأیید می‌شوند. پویایی شکل‌گیری عقیده و اقتباس از نظریه رفتار برنامه‌ریزی‌شده (TPB). داده ها/ویژگی ها هم برای ساختمان ها و هم برای افراد به صراحت با سطح جزئیات در مقیاس بلوک فضایی شده اند. توجه ویژه ای به مقایسه ترکیب سیاست برای حمایت از تصمیم گیرندگان و سیاست گذاران در تعریف کارآمدترین استراتژی ها برای دستیابی به چشم انداز بلندمدت توسعه پایدار است. هم متغیرها و هم دقت نتایج مدل با داده‌های دنیای واقعی تاریخی تأیید می‌شوند. توجه ویژه ای به مقایسه ترکیب سیاست برای حمایت از تصمیم گیرندگان و سیاست گذاران در تعریف کارآمدترین استراتژی ها برای دستیابی به چشم انداز بلندمدت توسعه پایدار است. هم متغیرها و هم دقت نتایج مدل با داده‌های دنیای واقعی تاریخی تأیید می‌شوند. توجه ویژه ای به مقایسه ترکیب سیاست برای حمایت از تصمیم گیرندگان و سیاست گذاران در تعریف کارآمدترین استراتژی ها برای دستیابی به چشم انداز بلندمدت توسعه پایدار است. هم متغیرها و هم دقت نتایج مدل با داده‌های دنیای واقعی تاریخی تأیید می‌شوند.

کلید واژه ها:

سیستم اطلاعات جغرافیایی (GIS) ; توسعه پایدار ؛ منطقه زیست محیطی ؛ سیستم فتوولتائیک ؛ انتشار نوآوری ; انرژی ؛ فرآیند تصمیم گیری ؛ رفتار مصرف کننده ؛ شبکه اجتماعی ؛ نظریه رفتار برنامه ریزی شده

1. معرفی

سیاست شهری یک حوزه مرتبط فزاینده است که هدف آن مقابله با پیچیدگی مشکلات شهری در یک دیدگاه کلی است [ 1 ]. به طور معمول، مشکلات شهری با جنبه های متضاد متعدد و عناصر غیرقابل قیاس، و همچنین توسط ذینفعان متعدد مشخص می شود، بنابراین به ابزارها و روش های بیشتری نیاز دارد که بتواند مجموعه ای کامل از عوامل را برای حمایت از سیاست گذاران و تعریف استراتژی های کارآمد ترکیب کند.
علاوه بر این، فشار روزافزون وضعیت انتقال شهرهای ما از طریق مدل توسعه پایدار مستلزم نیاز فوری به شناسایی و ارزیابی اثرات زیست‌محیطی، اقتصادی و اجتماعی سیاست‌ها و اقدامات جایگزین است [2 ] . شهرها در واقع مسئول بیش از 70 درصد انتشارات مرتبط با انرژی هستند و 60 تا 80 درصد مصرف نهایی انرژی در شهرها مصرف می شود [ 3 ]. در عین حال، آنها مکان اصلی جذب مردم، توسعه فناوری، اقتصادی و اجتماعی-فرهنگی را نشان می دهند [ 4 ]. بسیاری از بررسی‌های بازار نگرش بسیار مثبتی را نسبت به نوآوری‌های زیست محیطی و پایداری نشان داده‌اند، اما با وجود این، فروش محصولات سبز در حال حاضر به اندازه‌ای که می‌خواهیم بالا نیست. 5]]. در نتیجه، در دهه‌های اخیر دستورالعمل‌ها، برنامه‌ها و چارچوب‌های بسیاری توسط اتحادیه اروپا برای ترویج توسعه پایدار تصویب و حمایت شده است. .]. یکی از جدیدترین و مرتبط ترین آنها، دستور کار 2030 برای توسعه پایدار با 17 هدف توسعه پایدار (SDGs) است که در سال 2015 به تصویب رسید، که به منزله یک فراخوان فوری برای اقدام برای همه کشورها است. SDG 11 – “شهرها و جوامع پایدار” – به طراحی شهرهای آینده اختصاص داده شده است که قادر به ایجاد شمول اجتماعی و احترام متقابل در تعامل بین مردم و محیط اطرافشان هستند. از آنجایی که این هدف به صراحت به رابطه متقابل ذاتی بین جوامع و فضای زندگی آنها اشاره دارد، دیدگاه «مردم» از اهمیت بالایی برخوردار است و ابزارهای خاصی را می طلبد. مدل مبتنی بر عامل (ABM) ابزار بسیار قدرتمندی است که در زمینه های مختلف مناسب است [ 7 ، 8]] و به ویژه در تصمیم گیری. رفتارهای فردی و شبکه سازی در بین افراد را همراه با داده های دنیای واقعی در بعد چند زمانی و مکانی در نظر می گیرد.
طراحی خط‌مشی می‌تواند با سیاست‌های بخشی، که در سراسر مناطق مختلف اجرا می‌شوند، یا از سوی دیگر، با سیاست‌های منطقه‌محور اجرا شده در مقیاس خاص‌تری (مانند همسایگی) سروکار داشته باشد [1 ] . اصطلاح “محله” اغلب مبهم است. مقیاس و ویژگی‌های محله‌ها در سراسر جهان بسیار متفاوت است و این پیامدهایی بر سیاست‌های منطقه‌محور اتخاذ شده دارد. پویایی داخلی در یک محله معین با چند بعدی بودن مشکل شهری ترکیب می‌شود و نیازمند استراتژی‌های سیاستی متعدد و مشارکت سهامداران دولتی و خصوصی است. 9]]. منطقه مورد تجزیه و تحلیل در مطالعه حاضر یک محله به رسمیت شناخته شده توسط شهر تورین برای اهداف اداری است که مرزهای آن به وضوح منطقه را از سایر نقاط شهر جدا می کند، برای حضور ایستگاه در غرب، بیمارستان اصلی. از شهر در جنوب، رودخانه پو در شرق و مرکز شهر در شمال. این محله توسط شهرداری تورین به عنوان بستر آزمایشی برای ایجاد یک منطقه به اصطلاح بوم گردی در شهر تورین و آزمایش استراتژی ها و سیاست های پایدار انتخاب شده است تا سپس به کل شهرداری گسترش یابد. همانطور که توسط بسیاری از مناطق زیست محیطی و محله های پایدار که در سراسر جهان توسعه یافته اند، گواهی می دهند [ 10]، مقیاس همسایگی نشان دهنده سازش خوبی به عنوان مقیاسی برای آزمایش استراتژی ها و سیاست های کارآمد است [ 11 ].
بیش از سایر مقیاس‌ها، سیاست‌های همسایگی پایدار نیازمند یک رویکرد فضایی، با تجزیه و تحلیل اطلاعات دقیق و داده‌های دقیق در مورد ساختمان‌ها و ساکنان است. تصمیم گیرندگان به ابزارهای مناسب برای ساختار دادن به مشکلات، برنامه ریزی و ارزیابی جایگزین ها در یک چشم انداز چند زمانی، چند هدفه و بلند مدت نیاز دارند. در آن زمینه، روش‌های ترکیبی برای حمایت از فرآیند تصمیم‌گیری و تعریف سیاست‌های کارآمد اهمیت بیشتری دارند و به در نظر گرفتن چندین عنصر و بازخورد سهامداران در آن واحد کمک می‌کنند.
پژوهش حاضر پتانسیل‌های یک رویکرد ترکیبی را بررسی می‌کند، که یک مدل مبتنی بر عامل (ABM) با یک سیستم اطلاعات جغرافیایی (GIS) را در پشتیبانی از فرآیند تصمیم‌گیری و تعریف سیاست‌های استراتژیک ترکیب می‌کند. ادغام شبیه‌سازی‌های رفتار فردی از طریق پذیرش ABM، و توزیع فضایی در دنیای واقعی داده‌ها و افراد از طریق GIS به‌ویژه امیدوارکننده است، اگرچه در تحلیل‌های شبیه‌سازی یا طراحی خط‌مشی به خوبی مدون نشده است. انتخاب ABM به دلیل توانایی های فراوان آن است. اولاً، انجام تجزیه و تحلیل در مقیاس‌های مختلف، از مقیاس دقیق‌تر، مانند ساختمان‌های منفرد یا مناطق، تا مقیاس وسیع‌تر، از جمله شهرها و کل کشورها، ممکن است. ثانیاً می‌تواند داده‌های مکانی واقعی یک بافت خاص مرتبط با ویژگی‌های محیطی (مانند ویژگی‌های ساختمان، محلی‌سازی خدمات، توزیع آلاینده‌ها) و داده‌های مربوط به افراد (مانند درآمد، نگرش، نیازها، سن) را ادغام کند. به‌ویژه ضروری است که افراد را به‌عنوان عواملی مجرد با قوانین تصمیم‌گیری و ویژگی‌های شخصی خود که در یک فضای واقعی واقع شده‌اند در نظر بگیریم، نه اینکه آنها را از نظر آماری نگاه کنیم. ثالثاً، زمان یک عنصر اساسی در درک اثرات اقدامات و سیاست ها در یک بازه زمانی است. با در نظر گرفتن زمان، می توان تأثیر یک یا چند ویژگی را در یک بازه زمانی معین پیش بینی کرد. در طول زمان، این مدل رفتار مصرف‌کننده را در پذیرش سیستم‌های فتوولتائیک (PV) با ادغام داده‌های مکانی واقعی با تئوری‌های شبکه‌های اجتماعی، شکل‌گیری پویایی نظرات و ترجیحات فردی صاحبان خانه شبیه‌سازی می‌کند. محله سان سالواریو در شهر تورین (ایتالیا) به عنوان یک مطالعه موردی نمونه برای آزمایش مزایا و معایب این روش ارزیابی ترکیبی استفاده می‌شود. “شبیه سازی اکتشافی” [12 ] قابلیت ABM آن‌ها را در مطالعه سیستم‌های پیچیده بسیار مفید می‌سازد، مانند نوعی آزمایشگاه مجازی، که در آن جلسات شبیه‌سازی متعدد، ورودی‌های مختلف و تغییر ویژگی‌ها رخ می‌دهد [13 ] .
ساختار مقاله به شرح زیر است: پس از این مقدمه، بخش مواد و روش ها، نظریه های رفتاری اصلی اعمال شده در مدل و همچنین مراجع اصلی مورد استفاده برای تعریف متغیرهای در نظر گرفته شده در شبیه سازی را تشریح می کند. سپس در بخش کاربرد، مطالعه موردی با تمرکز خاص بر نحوه راه اندازی مدل، متغیرهای در نظر گرفته شده و مجموعه داده های به دست آمده ارائه می شود. بخش نتایج، نتایج تحقیق و نقش ترکیب سیاست‌ها را برای دستیابی به سیاست‌های موفق‌تر نشان می‌دهد. به طور خاص، دقت نتایج با داده‌های دنیای واقعی تاریخی و تجزیه و تحلیل/پارامترهای حساسیت در متغیرهای انتخاب‌شده اعتبارسنجی می‌شود. در نهایت، بخش آخر حاوی سخنان پایانی تحلیل و دیدگاه‌های آتی تحقیق است.

2. مواد و روشها

2.1. بررسی ادبیات

ABM به طور گسترده برای مطالعه اشاعه نوآوری، همچنین در زمینه فناوری های نوآوری در مقیاس شهری مورد استفاده قرار گرفته است. برای نام بردن از چند مورد از آنها، می توان تحقیقات سوفا و همکاران را به یاد آورد. (2013) [ 14 ] و مقاله اسنیپ و همکاران. (2015) [ 15 ] در مورد انتشار سیستم های گرمایش یا یکی توسط Byrka و همکاران. (2016) [ 5 ] در مورد محصولات و شیوه های سبز. اغلب، این تحلیل‌ها همچنین برای حمایت از سیاست‌گذاران در ارزیابی مداخلات احتمالی و اثرات سیاست‌های جایگزین انجام شده‌اند. این ادعاها توسط بررسی های متون موجود در مورد استفاده از ABM برای مطالعه انتشار نوآوری انجام شده در ده سال گذشته پشتیبانی می شوند، مانند اولین مورد توسط Kiesling و همکاران. (2012) [ 16]، یکی از Zhang و Vorobeychik (2017) [ 17 ] و جدیدترین مورد در مورد فناوری های کارآمد انرژی توسط Hesselink و Chappin (2019) [ 18 ]. دو بررسی اول نگرش کلی نویسندگان را در توسعه مدل‌های نظری با ظرفیت پیش‌بینی محدود برجسته می‌کند. با این حال، برخی از تلاش‌های اولیه برای انجام ABM تجربی برای تجزیه و تحلیل انتشار نوآوری توسط Kiesling (2012) [ 16 ] در سه حوزه طبقه‌بندی می‌شوند: کشاورزی (الف) نوآوری‌های انرژی، حمل‌ونقل و محیط‌زیست (b) و متفرقه (c). بررسی ژانگ و وروبیچیک (2017) [ 17 ] به سه طبقه بندی کیسلینگ (2012) می افزاید. 16]] دو موضوع دیگر: نوآوری‌های کشاورزی و کشاورزی (الف)، انرژی پایدار و فناوری‌های حفاظتی (ب)، فناوری‌ها و نوآوری‌های مصرف‌کننده (ج)، فناوری‌های اطلاعات (د) و کالاهای اجتماعی (ه). در مورد خوشه دوم، Zhang و Vorobeychik (2017) [ 17 ] 21 سند را گزارش می دهند که Hesselink و Chappin (2019) [ 18 ] 17 مقاله دیگر را به آنها اضافه می کنند. این فهرست تلاش ها و علاقه فزاینده و قوی تحقیق را در مورد موضوع انتشار نوآوری به ویژه در زمینه انرژی و نوآوری های زیست محیطی روشن می کند.
در چارچوب خاص این تحقیق، همچنین می توان بیان کرد که دقیقاً در انتشار سیستم PV و تعریف سیاست های مربوطه، علاقه بسیار اخیر و فزاینده ای به پذیرش ABM وجود دارد، به عنوان مثال، مقالات اخیر Haelg گواهی می دهد. و همکاران (2018) [ 19 ]، لی و هونگ (2019) [ 20 ]، شیرا و همکاران. (2019) [ 21 ]، Nuñez-Jimenez et al. (2020) [ 22 ]. با این حال، نمونه های قبلی دیگر نیز تلاش قوی تحقیق را در این زمینه نشان می دهد (مانند [ 23 ، 24 ، 25 ، 26 ]).
جدول 1 اسناد اصلی را گزارش می کند که در آنها ABM برای تجزیه و تحلیل انتشار زمانی فناوری های نوآورانه استفاده شده و برای تعریف چارچوب روش شناختی تحلیل ما استفاده می شود ( جدول 2 ). جدول 1 دقیقاً بر روی مدل‌های نظری اصلی مورد استفاده در آن مطالعات تحقیقاتی، زمان و مقیاس شبیه‌سازی‌ها – به‌ویژه، اگر GIS به کار گرفته شده است و به چه طریقی – شناسایی سیاست‌های تحلیل‌شده، و همچنین متغیرهای در نظر گرفته شده و سطح جزئیات ویژگی های افراد در جدول 1 ، عناصر مورد استفاده در مدل شبیه سازی ما با رنگ خاکستری مشخص شده اند. سپس، جدول 2ABM ترکیبی مورد استفاده در تحقیق حاضر را گزارش می‌کند و همچنین نوآوری تحلیل را نسبت به سایرین نشان می‌دهد.

2.2. یک مدل ترکیبی مبتنی بر عامل (ABM)

پژوهش حاضر یک مدل ترکیبی مبتنی بر عامل را پیشنهاد می‌کند که نظریه شبکه جهان کوچک (SWN) [ 28 ] و دینامیک شکل‌گیری نظر توافق نسبی (RA) [ 29 ، 30 ] را در یک نظریه اقتباس شده از رفتار برنامه‌ریزی‌شده (TPB) ترکیب می‌کند. [ 31 ]، با استفاده از مجموعه ای غنی از داده های دنیای واقعی و یک نمایش فضایی از طریق ادغام نقشه های GIS. این ترکیب تئوری ها و مفروضات برای توسعه محاسبه خانوارهای تک خانواده برای پذیرش سیستم های PV مورد استفاده قرار گرفت.

2.2.1. نظریه رفتار برنامه ریزی شده

تئوری رفتار برنامه ریزی شده (TPB) توسط Ajzen در دهه 1970 توسعه یافت و سپس در سال 1991 اجرا شد [ 31 ]. این نظریه هنوز هم یکی از رایج ترین رویکردهای مورد استفاده در علوم اجتماعی برای پیش بینی نیات افراد برای انجام یک رفتار است. بنابراین، به ویژه برای مطالعه انتشار نوآوری ها مفید است، همانطور که توسط چندین برنامه بسیار جدید، مانند [ 21 ، 32 ، 33 ] گواهی می شود. به گفته آژن، همانطور که در شکل 1 نشان داده شده است ، قصد “با دقت بالایی از نگرش به رفتار ، هنجارهای ذهنی و کنترل رفتاری درک شده قابل پیش بینی است ” [ 31 ].[ 34 ].
عوامل فردی (مانند شخصیت، احساسات، ارزش‌ها، تجربه، هوش)، جنبه‌های اجتماعی (مانند تحصیلات، سن، جنسیت، درآمد، مذهب، نژاد، قومیت و فرهنگ) و اطلاعات (مانند دانش یا رسانه) با هم در شکل گیری باورهایی که اساس نگرش به رفتار، هنجار ذهنی و شکل گیری کنترل رفتاری ادراک شده است.
یک نگرش مطلوب یا نامطلوب نسبت به رفتار ( att ) توسط باورهای رفتاری نشان داده می شود ، به عنوان مثال، “نتایج احتمالی رفتار و ارزیابی این نتایج” [ 35 ]. شخصیت، عاطفه، ارزش ها، تجربه، هوش نمونه هایی از عواملی هستند که بر شکل گیری نگرش نسبت به رفتار تأثیر می گذارند.
هنجار ذهنی (که فشار اجتماعی ادراک شده نیز نامیده می شود) ( sn ) نتیجه باورهای هنجاری است که به “انتظارات هنجاری دیگران و انگیزه انطباق با این انتظارات” مرتبط است [ 35 ]. این بدان معناست که افراد به طرق مختلف تحت تأثیر افرادی قرار می‌گیرند که برایشان مهم هستند، مانند خانواده و دوستان، یا اجتماع افراد اطرافشان، و همچنین از دولت و عقل و احساس مشترک جامعه خود. موقعیت اجتماعی و شغلی افراد نیز می‌تواند بر انتخاب آن‌ها تأثیر بگذارد: انگیزه پیروی از آن‌ها را می‌توان تحت تأثیر کارهایی که افراد برای موقعیتی که دارند انجام می‌دهند.
کنترل رفتاری درک شده ( pbc ) از باورهای کنترلی ناشی می شود، به عنوان مثال، “عواملی که ممکن است عملکرد رفتار و قدرت درک شده این عوامل را تسهیل یا مانع شوند” [ 35 ].

همانطور که در معادله (1) گزارش شده است، این سه جزء به شکل‌گیری قصد رفتار کمک می‌کنند:

بمن= آتیتی · دبلیوآتیتی + سn · دبلیوسn + پبج · دبلیوپبج

که در آن att ، sn و pbc سه مؤلفه ای هستند که قبلا توضیح داده شد، Watt، Wsn و دبلیوپبجبه ترتیب، وزن هایی برای تمایز بین سطح اهمیت داده شده به att ، sn و pbc توسط هر فرد هستند.

در نهایت، رفتار نهایی ( B ) با «درجه کافی از کنترل واقعی ( عمل ) بر رفتار» ارائه می‌شود که افراد باید «در صورت پیش آمدن فرصت، مقاصد خود را انجام دهند» [ 35 ] و به صورت زیر فرموله می‌شود:

ب= بمن · دبلیوبمن+ آجتی · دبلیوآجتی

در جایی که bi قصد رفتار توضیح داده شده در معادله (1) است، act کنترل واقعی است، در حالی که Wbi و Wact به ترتیب وزن هایی هستند که توسط فرد برای این دو جزء تعیین می شود.

2.2.2. شکل گیری عقیده
همانطور که توسط Deffuant و همکاران تاکید شده است. (2000) [ 30 ]، مدل پویایی نظرات بیشتر بر اساس نظرات باینری است (مانند [ 30 , 36 , 37 , 38 , 39)]) که کنشگران اجتماعی آن را بر اساس تأثیر اجتماعی یا تجربه خود تغییر می دهند. می‌توانیم نظر را یک متغیر پیوسته در زمان در نظر بگیریم که می‌تواند بر رفتار نهایی افراد نیز تأثیر بگذارد. در مدل حاضر، از پویایی شکل‌گیری عقیده برای انجام مکانیسم تکامل دهان به دهان استفاده شد که مستقیماً بر تعریف نگرش نسبت به رفتار و هنجار اجتماعی TPB تأثیر می‌گذارد. در مدل حاضر، پویایی شکل‌گیری نظر از الگوریتم توافق نسبی (RA) پیروی می‌کند، پیشنهاد شده توسط Deffuant و همکاران. در سال 2002 [ 29 ]، که درجه ای از عدم قطعیت را در نظر افراد ترکیب می کند.
بر اساس این مدل، هر فرد (عامل i ) با دو متغیر مشخص می شود، یک نظر x i و یک عدم قطعیت u i . نظر و عدم قطعیت هر دو اعداد واقعی هستند، اما نظر بین 1- و 1 و عدم قطعیت بین 0 و 2 متغیر است . این تئوری فرض می‌کند که تعاملات زوج تصادفی بین عوامل می‌تواند نظر (و عدم قطعیت) یکدیگر را تحت تأثیر قرار دهد (و می‌تواند به روز کند). به طور خاص، همانطور که در شکل 2 مشاهده می شود ، تغییر در نظر x j عامل jبه دلیل تأثیر عامل i است و متناسب با همپوشانی ( h ij ) بین هر دو بخش (توافق a ij ) تقسیم بر عدم قطعیت بخش تأثیرگذار است (به همین دلیل به روش توافق «نسبی» ra ij می گویند. ) [ 29 ].
محاسبه برای به دست آوردن نظر به روز شده و عدم قطعیت در زیر گزارش شده است:

– همپوشانی h ij توسط:

ساعتمنj=دقیقه (ایکسمن+ تومن، ایکسj+ توj)-حداکثر (ایکسمن- تومن، ایکسj- توj)

– عدم همپوشانی ( no ij ):

noمنj= 2تومن-ساعتمنj

– توافق ( a ij ) همپوشانی منهای عدم همپوشانی است:

آمنj= 2∗ساعتمنj- تومن

– توافق نسبی توافق تقسیم بر طول بخش si است که با دو برابر مقدار abs عدم قطعیت عامل i مطابقت دارد :

rآمنj=2∗ساعتمنj- تومن2*تومن  = ساعتمنjتومن-1

اگر h ij > u i ، تغییر نظر عامل j ( x’j ) و عدم قطعیت ( u’j ) به دلیل فعل و انفعالات قابل توجه است و به صورت زیر به روز می شود :

ایکسj”= ایکسj+ μ∗ساعتمنjتومن-1∗ایکسمن- ایکسj
توj”= توj+ μ∗ساعتمنjتومن-1∗تومن- توj
فرآیند و به روز رسانی یکسانی برای هر جفت تعامل بین عامل ها اتفاق می افتد.
2.2.3. نظریه های شبکه های اجتماعی
فرآیند تعاملات زوجی بر اساس الگوریتم RA نیاز به رسمیت بیشتری در زمینه مطالعه موردی دنیای واقعی دارد، مانند آنچه در تحقیق حاضر وجود دارد. روشی که دو عامل تصادفی شروع به تعامل می کنند معمولاً برای ویژگی های شباهت عامل ها و / یا برای مجاورت آنها اتفاق می افتد. نظریه‌های زیادی در طول زمان در شکل‌گیری شبکه‌های اجتماعی توسعه یافتند، همچنین با توسعه ABM مرتبط بودند، از مدل همسایگی (فون نیومن “5 همسایه” یا مور “9 همسایه” [40]) تا فضای اقلیدسی دوبعدی یا سه‌بعدی [40 ] . 7 ]، از ساختار شبکه (مانند شبکه بدون مقیاس و جدیدترین پیوست ترجیحی [ 41 ]، یا دنیای کوچک [ 28]]) به توپولوژی GIS. بنابراین، تجزیه و تحلیل عمیق در مورد مدل تعامل بسیار ضروری است زیرا تعامل یکی از سه عنصر کلیدی ABM (به همراه خود عوامل و محیط) را نشان می دهد.
مقاله حاضر شبکه‌های دنیای کوچک (SWN) را که توسط Watts و Strogatz در سال 1998 [ 28 ] توسعه داده شد، اتخاذ کرد که با محیط واقعی عواملی که فاصله آن‌ها توسط اطلاعات موجود در نقشه‌های GIS تعیین می‌شود، تطبیق داده شد. نام «جهان کوچک» به درستی شبیه به پدیده جهان کوچک است [ 42 ، 43 ] که به عنوان شش درجه جدایی [ 44 ] شناخته می شود. SWN یک شبکه میانی بین یک شبکه معمولی و یک شبکه بی نظم کامل را نشان می دهد، که در آن p احتمال تعاملات تصادفی بین عوامل است. برای p = 0، هر گره با لبه های محلی دیگر متصل است. اگر p افزایش یابد، اتصالات به طور فزاینده ای بی نظم می شوند. برایp = 1، حداکثر تصادفی بودن را داریم و تمام یال ها دوباره سیم کشی می شوند [ 45 ]. برای مقادیر میانی p ، شبکه تولید شده به درستی SWN است، که عموماً با تعاملات محلی مانند شبکه معمولی مشخص می شود، اما با طول مسیر، مانند یک نمودار تصادفی [ 45 ].

3. کاربرد

هدف تحقیق حاضر شبیه‌سازی یک سیستم سازگار اجتماعی-اقتصادی-معماری برای مطالعه انتشار زمانی و تمایل ساکنان به اتخاذ سیستم‌های PV در یک مطالعه موردی خاص واقع در شهر تورین است. به این ترتیب، مدل مبتنی بر عامل ترکیبی ما (ABM و GIS) به یک آزمایشگاه مجازی تبدیل می‌شود که قادر به نشان دادن الگوهای مکانی و زمانی مشاهده شده تجربی از پذیرش PV توسط ساکنان در مقیاس ناحیه است. با شروع از آن، یک ترکیب طراحی خط مشی برای ارزیابی اینکه چه نوع مشوق ها یا اقداماتی باید برای دستیابی به بالاترین سطح پذیرش PV اجرا شوند، انجام شد. این ABM ترکیبی در Netlogo 6.1.1 انجام شده است. [ 46 ] با پسوندهای GIS. این مدل از 18182 خانوار مسکونی تک خانواده در محله سان سالواریو (2.2 کیلومتری) استفاده کرد.2 ) در تورین (ایتالیا) با سطح جزئیات در مقیاس بلوک سرشماری و وضوح فضایی 2.5 × 2.5 متر. این محله به عنوان یک مطالعه موردی نمونه برای تحلیل اثرات سیاست‌های منطقه‌محور انتخاب شد. در این محله، نهادهای مدیریت دولتی (و به ویژه مرکز انرژی، یک دفتر خاص مسئول سیاست های انرژی برای شهر تورین (برای جزئیات بیشتر به لینک زیر مراجعه کنید: https://www.energycenter.polito.it/) هدفشان ایجاد یک منطقه زیست محیطی نمونه برای شهر تورین در این منطقه است، جایی که می توانند سیاست های مختلف و اقدامات پایداری را که می توانند به کل شهر گسترش دهند، آزمایش کنند. به طور خاص، خانواده های مجرد بر اساس داده های ارائه شده توسط موسسه ملی آمار ایتالیا (ISTAT) (دقیق تا سال 2011) ایجاد شدند که تفکیک ترین و جدیدترین مجموعه داده حاوی غنی ترین ویژگی های جمعیت شناختی جمعیت در ایتالیا است. بازه زمانی در نظر گرفته شده برای شبیه سازی از سال 2011 تا 2040 است. دوره بین سال های 2011 و 2019 برای کالیبراسیون ویژگی های در نظر گرفته شده در مدل، به لطف اطلاعات مربوط به پذیرش PV مسکونی ارائه شده توسط گزارش سالانه انجمن خدمات انرژی (GSE) استفاده شد. 47]، در حالی که دوره بین 2019 و 2040 برای آزمایش راه حل های ترکیبی خط مشی استفاده شد.
این بخش روند گام به گام ABM هیبریدی ما را ارائه می دهد:
  • راه اندازی مدل (موجودات، حالت ها و متغیرهای پویا)؛
  • محاسبه فرزند خواندگی فردی؛
  • چارچوب ترکیبی خط مشی

3.1. پیاده سازی مدل و تنظیم متغیرها

برای مقداردهی اولیه، کالیبراسیون و اعتبار سنجی مدل توسعه یافته، داده های تجربی در نظر گرفته شد. جدول 3 تمام موجودیت های در نظر گرفته شده در مدل، متغیرهای استاتیک و پویا متصل به هر موجودیت و نحوه تنظیم این متغیرها و همچنین مراجع مورد استفاده برای شناسایی و تنظیم آن متغیرها را نشان می دهد. در این مدل از چهار نوع موجودیت استفاده شده است:
  • نوع جهانی به همه نهادهای مسئول پیاده‌سازی در سطح سیستم، مانند برق و سیاست‌ها اشاره دارد (برای دومی، هم چارچوب قانونی فعلی ایتالیا و هم آن سیاست‌هایی را که توسط نویسندگان طراحی شده‌اند برای تجزیه و تحلیل پذیرش فزاینده فناوری PV در نظر گرفته‌ایم. ).
  • نوع فناورانه نوع خاصی از موجودیت جهانی است که با ویژگی های فناوری انرژی تحلیل شده در مدل ما، یعنی سیستم PV، مرتبط است.
  • نوع محیطی آن دسته از نهادهایی را جمع آوری می کند که به خصوصیات فضایی منطقه اشاره دارد. در تحقیق حاضر، تنها اطلاعاتی در مورد مکان ساختمان‌ها و تقسیم بلوک سرشماری در نظر گرفته شد، زیرا جزئیات بیشتری برای مدل شبیه‌سازی ما (مانند سن ساختمان، سطح پشت بام) ضروری نیست، حتی اگر از پایگاه‌های اطلاعاتی شهرداری در دسترس باشد. با این حال، این موجودیت ها حاوی داده های واقعی فضایی مربوط به ویژگی ها و ترکیب خانواده هستند. در Netlogo، نمایش بلوک ساختمان/سرشماری به لطف پسوند GIS بر اساس داده های شطرنجی انجام شده در QGIS 3.4.14 انجام شد. هر شطرنجی اطلاعات خاصی در مورد ترکیب خانواده، سطح آموزش، شغل شغلی، ملیت و وضعیت دارایی دارد(مالکین یا مستاجرین). به این ترتیب، در Netlogo، عوامل با ویژگی خاص خود که در شطرنجی وجود دارد، از بلوک‌های سرشماری خود جوانه زده بودند. Sprout یک دستور خاص در Netlogo است که عمدتاً به عواملی اشاره دارد که از محیط مرتبط (وصله ها) جوانه می زنند.
  • نوع عامل، خانوارهای مسکونی تک خانواده ای را در نظر می گیرد که در منطقه توزیع شده اند. همانطور که قبلاً توضیح داده شد، برخی از ویژگی های هر خانواده از شطرنجی ناشی می شود و نشان دهنده توزیع فضایی واقعی خانواده های خاص در بلوک های مختلف سرشماری است. به این ترتیب، پذیرندگان بالقوه، عوامل فردی و ناهمگون هستند که نماینده جمعیت مصرف‌کنندگان برق منطقه هستند.
برای هر عامل، مجموعه ای از متغیرها شناسایی شد. متغیرهای استاتیکی هستند که یک بار در کل بازه زمانی شبیه سازی ثابت می شوند. متغیرهای پویا در هر مرحله زمانی تغییر می کنند. برای ساده‌تر کردن محاسبه، خانواده‌های ایجاد شده در زمان 2011 برای کل شبیه‌سازی (2011-2040) تغییر نمی‌کنند و بر اساس داده‌های موجود در بلوک سرشماری ارائه‌شده توسط ISTAT برای سال 2011 هستند. این انتخاب به ما کمک می‌کند تا درک کنیم. سهم واقعی سیاست های اجرا شده بدون به خطر انداختن نتایج به دلیل تنوع ویژگی های افراد.
در زمان 0 (سال 2011 در مدل ما)، ویژگی های دیگری برای هر خانواده ارائه شد:
–
هزینه انرژی و نیاز انرژی بر اساس ترکیب خانواده تعریف شد. اطلاعات مربوط به میانگین هزینه انرژی برای ترکیب خانواده در سطح ملی توسط ISTAT [ 51 ] ارائه شد و این مقادیر به سادگی به انرژی مورد نیاز هر خانواده به صورت زیر تبدیل شدند: نیاز انرژی = هزینه انرژی * 12 ماه / هزینه برق.
–
وضعیت، سطح نوآوری و درآمد همگی متغیرهای ثابتی هستند که به ویژگی های ترکیبی مختلفی مانند سطح تحصیلات، شغل شغلی، تعداد مؤلفه ها و ملیت وابسته هستند. طبقه بندی وضعیت بر اساس گروه های اجتماعی ارائه شده توسط ISTAT در گزارش سالانه 2017 [ 52 ] بود. سطح نوآوری بر اساس طبقه وضعیت به خانواده اختصاص داده شد، که به نوبه خود با طبقه بندی انتشار نوآوری های ارائه شده توسط دسته های پذیرندگان راجرز مرتبط بود [ 54 ]. در نهایت، درآمد به عنوان یک مقدار توزیع نرمال برای هر طبقه وضعیت تخصیص داده شد. به ویژه، تجزیه و تحلیل ISTAT [ 52] اطلاعاتی در مورد درآمد معادل و ضریب جینی هر طبقه ارائه می دهد. بنابراین درآمد با ضرب مقدار اخیر برای میانگین درآمد ملی (برابر با 29998 یورو در ایتالیا در سال 2017) و در نظر گرفتن ضریب GINI برای درآمد طبقه به عنوان یک انحراف استاندارد به دست آمد. همین مفروضات برای تعریف وضعیت، سطح نوآوری و درآمد توسط بوتاچیولی و همکاران ارائه شده است. (2019) و در جدول 4 سنتز شده اند .
–
آگاهی زیست محیطی یک متغیر ثابت خانواده است که به آگاهی از مشکلات محیطی اشاره دارد. این متغیر نشان می دهد که یک خانواده چقدر در اتخاذ اقدامات پایدار برای محیط زیست آگاه و فعال است. این متغیر به نوآوری و سطح درآمد یک کاتالیزور جایگزین در انتشار محصولات زیست محیطی و فناوری‌های انرژی پایدار می‌افزاید (مطالعات در مورد این موضوع، به عنوان مثال، [ 56 ، 57 ]).
–
نظر و عدم قطعیت دو متغیر استاتیکی هستند که در زمان 0 مدل تعریف شده‌اند که نشان‌دهنده توجه خانواده‌های فردی به فناوری PV است. با این حال، این متغیرها می توانند پس از ارتباط تعاملی بین عوامل در طول جریان زمانی تغییر کنند. بر اساس مدل نظری شکل‌گیری نظر و پویایی توسط Deffuant و همکاران. (2002) [ 29 ] و Meadows and Cliff (2012) [ 53 ] (به بخش 2 مراجعه کنید)، توزیع نظرات و عدم قطعیت ها از توزیع جریان تصادفی پیروی می کند، بین -1 و 1 برای نظر و بین 0 و 2 برای عدم قطعیت، به ترتیب. در تخصیص عدم قطعیت ها، برای جلوگیری از مشکلات مقادیر برابر با 0، 0.1 به عنوان حداقل مقدار در نظر گرفته شد.
در مرحله اولیه سازی، به عنوان تعداد ثابتی از پذیرندگان اولیه و اکولوژیست تعریف شد . در اینجا، 1.2 درصد از خانواده‌های دارای سطح وضعیت برابر با 5 در مدل – مبتکران – به‌طور تصادفی به‌عنوان پذیرنده اولیه انتخاب شدند. هنگامی که پذیرش PV اتفاق افتاد، خانواده مورد نظر نظر و عدم اطمینان خود را تغییر داد (به ترتیب بیشتر یا مساوی 0.8 برای نظر و برابر 0.1 برای عدم اطمینان). درصد اولیه پذیرندگان متناسب با تراکم جمعیت منطقه مورد تجزیه و تحلیل با استفاده از داده های ارائه شده توسط GSE [ 47 ] در مورد تعداد پذیرش PV مسکونی در کلان شهر تورین بود. روند پذیرش ارائه شده توسط GSE [ 47] برای سال بین 2011 و 2019 نیز برای کالیبراسیون و اعتبارسنجی مدل استفاده شد (نگاه کنید به 4. نتایج). در زمان صفر، حدود 2 درصد از خانوارها به عنوان اکولوژیست، یعنی کسانی که قبلاً اقدامات پایدار (مانند مقاوم سازی ساختمان، تعویض پنجره ها) را اتخاذ کرده اند، تعیین شدند. برای آنها، مشخصه آگاهی زیست محیطی برابر با 1 تعیین شد. به همین ترتیب، برای هر مرحله بعدی از شبیه سازی، درصد مشابهی از اکولوژیست های جدید در مدل اضافه شد. تعداد اکولوژیست ها در هر سال بر اساس داده های ارائه شده توسط ISTAT [ 58 ] در مورد خانواده هایی بود که برای کاهش هزینه های مصرف انرژی در Piedmont (منطقه شهر تورین) بین سال های 2009 و 2014 سرمایه گذاری کردند.

3.2. محاسبه فرزندخواندگی فردی خانواده

همانطور که در بخش مواد و روش ها توضیح داده شد، مدل ترکیبی مبتنی بر عامل ترکیبی ارائه شده در اینجا یک TPB اقتباس شده [ 28 ] را برای توسعه محاسبه خانوارهای تک خانواده برای پذیرش سیستم های PV انجام می دهد. به طور خاص، TPB SWN [ 25 ] و RA [ 26 ، 27 ] را در یک محیط دنیای واقعی ترکیب می کند که در آن عوامل در مقیاس بلوک سرشماری به لطف ادغام در نرم افزار Netlogo برخی از نقشه های GIS، که شامل مجموعه ای از اطلاعات است، فضایی می شوند. در مورد ویژگی های خانواده ها
در این بخش، توضیح مفصلی از اجزای مختلف ( att، sn، pbc ) TPB، که در تحلیل حاضر برای تعریف قصد و رفتار خانواده‌های مجرد در اتخاذ سیستم PV استفاده می‌شود، ارائه می‌شود. به طور خاص، شکل 3 ، برای اهداف توضیحی، سؤالات و استدلال های مثالی افراد را در شکل گیری قصد و کنترل واقعی در تحلیل حاضر و بر اساس TPB نشان می دهد. برای مؤلفه‌های مختلف TPB، وزن‌های مساوی به دلیل کمبود اطلاعات ناشی از ناتوانی در انجام یک پرسشنامه خاص در محله برای شیوع COVID-19 در شهر تورین اختصاص داده شد.

3.2.1. نگرش نسبت به رفتار

سه باور مختلف برای ایجاد att عامل ها در نظر گرفته شد ، همچنین بر اساس بررسی ادبیات برنامه های کاربردی ABM برای پذیرش PV (همانطور که در شکل 4 گزارش شده است ):
–
نظر ( opi ) به شدت به فناوری PV و به ویژه با توجهی که هر عامل به خود این فناوری دارد مرتبط است (مانند “PV روی سقف من زشت به نظر می رسد؟”، “PV یک فناوری کارآمد است؟”) (برای مثال [ 21 ، 24 ] را ببینید). تعریف نظرات کارگزاران، همانطور که در روش ها ذکر شد، از نظریه RA پیروی می کند. هر سال، عوامل شبکه های خود را با پیروی از نظریه SWN ایجاد می کنند (به بخش 2.2.3 مراجعه کنید )، همانطور که در شکل 4 نشان داده شده است.. بنابراین، این شبکه ها هر 5 سال یکبار تغییر می کنند و تنوع روابط بین افراد را در طول سال ها شبیه سازی می کنند. تخصیص نظر (در مورد عدم قطعیت) به یک یا چند عامل پس‌زمینه عامل‌ها بستگی نداشت، بلکه صرفاً به عنوان یک نظر تصادفی بین 1- و 1 (در مورد عدم قطعیت بین 0.1 و 2، که در آن حداقل عدم قطعیت 0 برای اجتناب از مشکلات در محاسبه حذف شد). همانطور که در بخش قبل ذکر شد، 1.2٪ خانواده ها در زمان 0 قبلا PV را پذیرفته اند. آنها نماینده نوآوران (یا افراط گرایان در مدل) بودند و نظر و عدم قطعیت آنها به صورت زیر تعیین شد: x >= 0.8 و u = 0.1. برای فرمول نهایی نگرش نماینده، نظر باید استاندارد شود. در تحلیل حاضر، یک استانداردسازی بازه ای انجام شد: ایکس- ایکسمترمنn/ایکسمترآایکس – ایکسمترمنn.
–
آگاهی محیطی ( aw env ) یک آگاهی ثابت بین 0 و 1 است (برای مثال، [ 22 ] را ببینید)، که در آن 0 نشان دهنده آگاهی کم در مورد مشکلات زیست محیطی است، در حالی که 1 علاقه زیاد به مسائل زیست محیطی است. در مورد نظر و عدم قطعیت نیز آگاهی زیست محیطی با توزیع تصادفی و بدون وابستگی به سایر ویژگی های عامل تعریف شد. این متغیر تنها زمانی می تواند تغییر کند که یک عامل به عنوان یک اکولوژیست جدید در طول عمر انتخاب شود.
–
سطح نوآوری ( مسافرخانه ) آخرین مؤلفه نگرش فردی یک عامل است و نشان دهنده گرایش به نوآوری است. این متغیر ایستا به بسیاری از ویژگی ها مانند سبک زندگی، عادات و شخصیت بستگی دارد و به همین دلیل، در مدل ما، بر اساس نقش اجتماعی خود به یک عامل اختصاص داده شد [ 21 ]. مقادیر نوآوری بین 1 تا 5 متغیر است، جایی که 1 به معنای سطح پایین نوآوری است، در حالی که 5 نشان دهنده نوآوری بالای عامل است. برای سطح نوآوری، لازم است استانداردسازی فاصله قبل از محاسبه نهایی نگرش انجام شود.
عقیده ( opi ) و آگاهی محیطی ( aw env ) باورهای بسیار پیچیده ای هستند که معمولاً بر اساس انواع عوامل زمینه ای عامل و روابط متقابل آنها مانند شخصیت، تجربه، تحصیلات، دانش و/یا احساسات است. بنابراین، رویکرد اتخاذ شده در تحقیق حاضر، قطعا ساده شده است. در واقع، نظر ( opi ) و آگاهی زیست محیطی ( aw env) فقط از طریق توزیع تصادفی اختصاص داده می شوند و این باورها به دلیل تعامل با عوامل دیگر قابل تغییر هستند. با این حال، به دلیل پیچیدگی در مدل‌سازی این باورها، به ساده‌سازی واقعیت نیاز است، به‌ویژه زمانی که هیچ داده یا تحلیل تجربی نشان نمی‌دهد که چگونه جزئیات آن‌ها را شرح دهد. برای سطح نوآوری ( مهوانسرا ) که بیشتر در ادبیات تثبیت شده است، پژوهش حاضر سعی کرد عوامل زمینه‌ای متفاوتی را که بر شکل‌گیری سطح نوآوری تأثیر می‌گذارند، مانند سبک زندگی، عادات و شخصیت، با پیروی از مقوله‌های پذیرندگان راجر ترکیب کند [54] (54 ) . جدول 4 را ببینید ).

نگرش عامل نسبت به رفتار به صورت زیر انجام شد:

آتیتی=oپمنستید∗ دبلیوستیz+ آwهnv∗ دبلیوهnv+ منnnستید∗دبلیومنnn

که در آن W stz , W env و W inn وزن های متفاوتی را نشان می دهند که افراد به هر جزء در ساختن اطالعات شخصی خود اختصاص می دهند . به دلیل نبود داده‌ها و بررسی‌های خاص در مورد آن موضوع، وزن سه مولفه همگی برابر با 0.33 است.

3.2.2. هنجار ذهنی (sn)

برای محاسبه هنجار ذهنی (عنصر دوم نظریه TPB)، دو سطح فشار بر رفتار در نظر گرفته می‌شود: فشارهای اجتماعی افراد در همان شبکه (که به عنوان «دوستان» در نظر گرفته می‌شوند) و فشارهای ناشی از احساسات مشترک. در کل محله حاصل جمع وزنی این دو فشار به صورت زیر است:

سnمن= سپلمنnک∗ دبلیوسپلمنnک+ سپدمنستیrمنجتی∗ دبلیوسپدمنستیrمنجتی

جایی که وزن دبلیوسپلمنnکدر شبیه سازی قوی تر از تعریف شده است دبلیوسپدمنستیrمنجتیبا فرض اینکه دوستان نقش غالب در تأثیرگذاری بر رفتار دارند (به ترتیب 0.7 و 0.3) و سپلمنnکو سپدمنستیrمنجتیهر دو بر اساس مقادیر میانگین نگرش در شبکه و همسایگی به روش زیر محاسبه می شوند:

سپمنj= آتیتیمن∗(1- wمنj∗∗ آتیتیمن- آتیتیj∗

جایی که سپمنjفشار اجتماعی است که بر عامل i توسط عامل وارد می شودj*، که یک عامل ساختگی است که با میانگین نگرش های عوامل در شبکه توصیف می شود (برای سپلمنnک) یا در همسایگی (برای سپدمنستیrمنجتی) و wمنj*قدرت تأثیر عامل j بر عامل i است :

wمنj∗= توnجمنتوnجj∗-0.0520-0.05

که در آن 20 و 0.05 به ترتیب حداکثر و حداقل مقدار برای تعیین نرخ تأثیر بین 0 و 1 هستند.

3.2.3. کنترل رفتار ادراک شده

کنترل رفتار درک شده (سومین جزء TPB) در تحقیق حاضر با ترکیب یک دوره بازپرداخت سریع و مقایسه درآمد عامل با حداقل و حداکثر درآمد در محله به شرح زیر محاسبه شد:

پبجمن= پfمن∗ دبلیوپf،کمن + منfمن∗ دبلیومنf،کمن

جایی که وزنه ها ( دبلیوپf، کمن و دبلیومنf،کمن) هر دو برابر 0.5 هستند، پfمنبازپرداخت عامل i و استمنfمندرآمد نماینده i در مقایسه با میانگین درآمد همه نمایندگان در مدل است.

را منfمنعامل نشان دهنده توانایی خانوار برای خرید سرمایه گذاری با توجه به وضعیت درآمدی وی نسبت به محله است. ما محاسبه این عامل را با در نظر گرفتن واقعی ترین و آسان ترین روش استدلال افراد، بر خلاف محاسبه ارائه شده توسط Schiera و همکاران، به شدت ساده می کنیم. (2019) [ 21 ] و ژائو و همکاران. (2011) [ 23]. این دو نشریه سطح درآمد سرانه یک خانوار را به عنوان میانگین ارزش درآمد پذیرندگان محله بر اساس یک رابطه نمایی در نظر می گیرند. ما در نظر داریم که سطح اطلاعات افراد از وضعیت اجتماعی-اقتصادی پذیرندگان پایین است و در نتیجه کنترل درک شده بیشتر بر اساس وضعیت درآمد عمومی آنها در مقایسه با وضعیت محله است. در مورد ما، منfمنبه سادگی به صورت زیر محاسبه می شود:

منfمن= منnجoمترهمن – دقیقهمنnجoمترهتیحداکثرمنnجoمترهتی -دقیقهمنnجoمترهتی

را پfمنعامل بر اساس استانداردسازی بازه ای دوره بازپرداخت (15) است که توسط عامل برای دانستن زمان لازم برای بازپرداخت سرمایه روی PV محاسبه شده است:

پfمن=پپ- 201- 20

که در آن 20 حداقل مقدار استانداردسازی مربوط به حداکثر طول عمر پانل است.

برای به دست آوردن این دوره بازپرداخت، تجزیه و تحلیل پویا جریان نقدی تنزیل شده (DCF) انجام شد. ما DCF انجام شده را پویا می نامیم زیرا هر سال از شبیه سازی، برخی از متغیرها مقادیر خود را تغییر می دهند. این تغییرات می تواند به شرایط بازار، مانند هزینه تغییرات PV، انگیزه های سرمایه گذاری و افزایش هزینه برق در طول زمان، یا به کاهش راندمان پانل و هزینه های عملیاتی و نگهداری مربوط به آنها مربوط باشد. این تغییرات در بازه زمانی هم تاثیر مثبت و هم منفی بر تصمیم برای نصب سیستم PV داشت. به عنوان مثال، با توجه به اینکه هزینه پانل از سال 2002 تا 2016 به میزان 15.5 درصد کاهش یافته است، در شبیه سازی ما کاهش ثابت سالانه قیمت معادل 8 درصد در نظر گرفته شد، مشابه Schiera و همکاران. (2019) [ 21]. در مقابل، فرض بر این بود که هزینه برق با نرخ 2% در هر سال، بر اساس برآورد GSE [ 47 ] افزایش خواهد یافت. جزئیات مربوط به تغییرات ویژگی ها در مدل در ستونی به نام متغیرهای پویا موجود در جدول 3 گزارش شده است .

برای محاسبه بازپرداخت، هر سال نماینده ارزش فعلی خالص (16) را محاسبه می کند تا تمام مقادیر را به زمان ارزیابی و در مقایسه با هزینه سرمایه گذاری گزارش کند، به شرح زیر:

nپv=-من+ ∑y=0nآر y1+ry nپv ≥0→y=پپ

که در آن r نرخ تنزیل است (r = 0.8٪، به عنوان مثال، میانگین نرخ تخفیف محاسبه شده از سال 2011 تا 2019 (برای جزئیات بیشتر به لینک زیر مراجعه کنید: https://www.miolegale.it/utilita/tasso-interesse-legale/ )، nسال آخر است nپvمحاسبه، که مربوط به حداکثر طول عمر PV (20 سال) است.  yمطابق با زمان، آر yخالص جریان نقدی است (یعنی جریان نقدی منهای نقدی خروجی، در زمان y). جریان نقدی خالص برابر با سرمایه گذاری اولیه می شود من(با علامت منفی). امسال ( y) وقتی که nپv ≥0مربوط به دوره بازپرداخت ( پپ).

سرمایه گذاری منزمانی که عامل شروع به فکر کردن در مورد نصب می کند و بنابراین، در مورد تغییرات ( تیپV) در طول زمان هزینه PV در بازار:

منy= سیپV ∗  1 + تیپVy

آر yبه عنوان تفاوت بین درآمد و هزینه در طول زمان محاسبه می شود:

آرy=-O&مy+آرتیآایکسy+ آرتی y

O&مyمربوط به هزینه های نگهداری و عملیاتی سالانه است. آرتیآایکسyکمک های مالی سالانه است که طی 10 سال توسط دولت ایتالیا برای خرید PV ارائه می شود. آرتی yمجموع درآمد حاصل از نصب PV است. محاسبات خاص آنها در معادلات زیر گزارش شده است:

O&مy= سیO&م ∗  1 + تیO&مy

جایی که سیO&میک هزینه ثابت سالانه (برابر با 105 یورو در سال) به ازای هر کیلو وات نصب شده است که ارزش آن هر سال با مقدار افزایشی معادل 2٪ افزایش می یابد.

آرتیآایکسy = منy / 10
آرتیy= آرپVy-آرgrمندy
آرپVy=Enجoمترپ-EپVoتوتیپتوتیy∗  1- rهffy∗ سیEgrمند∗  1+ تیهgrمندy
آرgrمندy= Enجoمترپ∗  سیEgrمند*  1+ تیهgrمندy

جایی که Enجoمترپانرژی مورد نیاز هر خانواده بر اساس تعداد اجزا است و این مقدار به صورت زیر محاسبه می شود: Enجoمترپ= Eهایکسپ*12 / سیEgrمند. Eهایکسپمطابق با میانگین هزینه ماهانه انرژی به ازای تعداد مؤلفه ها بر اساس آمار ISTAT در سال 2018 در مورد هزینه های خانواده [ 51 ].

EپVoتوتیپتوتیانرژی تولید شده توسط پانل با در نظر گرفتن راندمان پانل است ε(تابش، نمایش، و غیره) ثابت در همسایگی برابر با 0.6. rهffضریب کاهش پانل در طول عمر آن است (0.8٪ در هر سال 5 ).
سیEgrمندقیمت ثابت برق است که هزینه های خدمات را نیز در نظر می گیرد. برابر با 0.23 ثابت است، در حالی که تغییرات آن در طول زمان توسط داده می شود تیهgrمندبا نرخ افزایشی 2% در هر سال، بر اساس برآورد GSE [ 47 ].
3.2.4. کنترل واقعی
کنترل واقعی آجتیآخرین مؤلفه مورد نیاز برای محاسبه رفتار است ( شکل 1 و شکل 4 را ببینید ). در TPB، آجتیاغلب برابر با در نظر گرفته می شود پبج، زمانی که اطلاعات محدود است زیرا پبجمعتبر محسوب می شود. با این حال، آجتیقویاً مبتنی بر تجربیات و شکست‌های گذشته است که می‌توان به راحتی در زمینه پذیرش محصولات سبز اندازه‌گیری کرد. به همین دلیل، پژوهش حاضر هر دو مورد را در نظر گرفته است آجتیمساوی با پبجو برابر با آگاهی زیست محیطی ( aw env ). دومی، همانطور که قبلاً ذکر شد، حاوی اطلاعاتی در مورد افرادی است که قبلاً اقدامات پایدار را انجام داده اند (مانند مقاوم سازی ساختمان، تعویض پنجره ها)، بنابراین کاملاً نشان دهنده رفتار گذشته در راستای پذیرش PV است. آزمایش روی این دو آجتیمحاسبات نشان می دهد که رویکرد دوم به خوبی شرایط پذیرش واقعی در محله تحت تحلیل را نشان می دهد.

3.3. طراحی خط مشی

هدف اصلی این تحقیق ارائه یک آزمایشگاه مجازی برای آزمایش سناریوهای سیاست جایگزین است که در نتیجه از سیاستگذاران در تعریف اقدامات مؤثر در مقیاس محلی حمایت می‌کند. چهار خط مشی مختلف در مدل تست شده است:
–
سناریوی 0 نشان‌دهنده پیشرفته‌ترین سیاست واقعی در زمینه ایتالیا است که شامل 50 درصد تخفیف مالیاتی بر هزینه سرمایه‌گذاری برای خرید PV است که به مدت ده سال به تعویق افتاده است.
–
سناریوی 1 سیاست یارانه متفاوتی را برای اقشار کم درآمد و پردرآمد در نظر می گیرد. افراد کم درآمد یارانه ای معادل 70 درصد هزینه سرمایه گذاری در ده سال دریافت می کنند. برای افراد پردرآمد، دو گزینه آزمایش می شود: جایگزین اول بدون یارانه و دومی یارانه ای معادل 30 درصد سرمایه گذاری اولیه را در نظر می گیرد.
–
سناریو 2 به سیاست واقعی ایتالیا، کوپن تخفیف پیشنهاد شده توسط فروشندگان PV معرفی می کند:; این تخفیف ممکن است توسط خانواده ها به دست آید اگر در شبکه آنها حداقل یک پذیرنده وجود داشته باشد. سطوح مختلف تخفیف در مدل مورد آزمایش قرار گرفت (10٪، 20٪ و 50٪).
–
سناریو 3 یک کمپین اطلاعاتی در مورد مسائل زیست محیطی را به منظور افزایش آگاهی جمعیت در مورد این موضوع فراهم می کند. انتشار اطلاعات متوسط ​​و بالا، به عنوان درصد افزایش در سطح آگاهی محیطی فرد، به ترتیب برابر با 0.5 و 1.0 آزمایش می شود.
–
سناریوی 4 توسعه یک کمپین اطلاعاتی را برای افزایش آگاهی جمعیت نسبت به مزایای استفاده از سیستم PV در نظر می گیرد. علاوه بر این، در این حالت دو سطح انتشار اطلاعات (متوسط ​​و زیاد) به ترتیب برابر با 0.5 و 1.0 در نظر گرفته شده است.

4. نتایج

این مدل بر اساس داده‌های انتشار PV و روندها در ایتالیا و کلان شهر تورین، موجود در گزارش GSE [ 47 ] ( جدول 5 ) کالیبره شد. این داده ها برای محله سان سالواریو با استفاده از نسبت چگالی ساده و توزیع همگن مقادیر در 8 سال در نظر گرفته شده گزارش شده است (ردیف آخر جدول 5 ).
برخی از پارامترها بر روی مقادیر ویژگی‌ها برای تأیید استحکام مدل شبیه‌سازی (مانند نوع تعاملات، μتعداد لاک‌پشت‌ها در شبکه، توان نصب PV و آستانه رفتار) و همچنین در محاسبه ویژگی (مانند ویژگی درآمد) منfمنو کنترل واقعی آجتی). این تجزیه و تحلیل ها با استفاده از BehaviorSpace انجام شد (برای جزئیات بیشتر به لینک زیر مراجعه کنید: https://ccl.northwestern.edu/netlogo/docs/behaviorspace.html )، ابزاری یکپارچه در NetLogo، که آزمایش هایی را روی مدل انجام می دهد.
شکل 5 نتایج مرحله کالیبراسیون را گزارش می کند که مقایسه داده های واقعی و مجموعه ای از شبیه سازی های انجام شده را نشان می دهد. همانطور که مشاهده می شود، تنها تغییرات جزئی بین این دو قابل مشاهده است، اما این مدل به طور کلی شرایط واقعی انتشار در همسایگی را به خوبی توصیف می کند.
تفاوت بین شش شبیه سازی گزارش شده به دلیل برخی تغییرات در ترکیب خانواده و تخصیص تصادفی برخی از مقادیر است. جدول 6 جنبه هایی را نشان می دهد که به این تغییرات در نتایج کمک می کند.
برای تجزیه و تحلیل کیفیت مدل اجرا شده، آزمایش‌هایی نیز با در نظر گرفتن شرایط شدید ویژگی‌های جمعیت انجام شد ( شکل 6 ). در جمعیت با درآمد بسیار پایین (در شکل 6 “lowI”) در کل محله (و سایر ویژگی های ثابت شده به عنوان شبیه سازی های قبلی)، هیچ کس تصمیم به اتخاذ این سیستم نداشت. در جمعیت با درآمد متوسط ​​(در شکل 6 «متوسط ​​I»)، تعداد پذیرش کمتر از مدل فضایی واقعی اجرا شده بود (به عنوان مثال، در سال 2019 پذیرندگان کمتر از 400 نفر بودند). در ابتدای اجرای شبیه سازی، برای جمعیت با درآمد بالا (در شکل 6″highI”)، روند پذیرش مشابه مدل پیاده‌سازی شده بود، اما در پایان شبیه‌سازی‌ها، حدود 900 نفر از سیستم‌های PV استفاده کردند. هنگامی که مقادیر شدید نظر و عدم قطعیت عوامل شبیه‌سازی شد، نتایج شبیه‌تر به مدل اجرا شده بود: برای عدم قطعیت بالا و نظر کم (در شکل 6 “lowO-highU”)، لازم بود برای مدت زمان بیشتری منتظر بمانیم. چارچوب زمانی برای دستیابی به نتایج یکسان (به عنوان مثال، در سال 2015 تنها حدود 180 نفر قبلاً این فناوری را پذیرفته بودند، اما در سال 2019 حدود 600 نفر تصمیم گرفتند آن را اتخاذ کنند). برای عدم قطعیت کم و نظر زیاد (در شکل 6″highO-lowU”)، در ابتدا، روند بسیار مشابه بود، اما در پایان، پذیرش شروع به کاهش کرد. این را می توان با این واقعیت توضیح داد که تنوع در نظر و عدم اطمینان (برخلاف موقعیت های شدید) در فناوری انتشار مفیدتر است زیرا به دلیل تعامل، افراد می توانند موضع خود را در مورد یک موضوع خاص تغییر دهند.
در مرحله بعد، سناریوهای سیاست جایگزین برای تأیید کارایی آنها آزمایش شدند، به شکل 7 ، شکل 8 ، شکل 9 ، شکل 10 مراجعه کنید . تمام خط مشی ها با نتایج شبیه سازی قانون فعلی مقایسه شدند (سناریو 0): محور x تعداد افرادی که PV را اتخاذ می کنند و محور y سال های شبیه سازی انجام شده را نشان می دهد. به طور خاص، تعداد پذیرندگان در هر سال بر اساس مقدار میانگین به‌دست‌آمده از 20 اجرای شبیه‌سازی توسعه‌یافته برای هر سناریو بود.
نتایج شبیه‌سازی‌های سیاست‌گذاری عموماً نشان می‌دهد که سیاست‌های اقتصادی سهم واقعی و مؤثری نداشته‌اند. شکل 7 سیاست های طراحی شده برای افراد کم درآمد را نشان می دهد. شکل 8سهم سیاست کوپن را با درجات مختلف تخفیف برجسته می کند. هیچ یک از این سیاست ها به افزایش پذیرش خانواده کمک نکرد. اگرچه این نتایج ممکن است در ابتدا عجیب به نظر برسند، اما می توان آنها را با دو دلیل توضیح داد: اول اینکه انگیزه های غیراقتصادی در فرآیندهای تصمیم گیری افراد اساسی هستند (مثلاً آگاهی از محیط زیست یا سطح نوآوری)، ثانیاً دلایل اقتصادی اغلب تحت تأثیر قرار می گیرند. دانش و اطلاعات در مورد فن آوری تحت تجزیه و تحلیل. این تأثیر هم در کاربردهای تجربی مدل مبتنی بر عامل در انتشار نوآوری، مانند [ 59 ، 60 ، 61 ]، و به طور کلی، در تحقیقات نگرش ها و رفتارهای افراد، مانند [ 62 ، 63] آشکار است.].
به این دلایل، سیاست‌های دیگری را نیز آزمایش کردیم که انگیزه‌های دیگری را برای کارآمدی اقدامات و استراتژی‌های پایدار در نظر می‌گیرند. در مورد سناریوی 3، همانطور که در شکل 9 نشان داده شده است ، کمپین های اطلاعاتی در مورد مسائل زیست محیطی در انتشار سیستم های PV کارآمد نبودند. با این حال، افزایش آگاهی فناورانه ( شکل 10 ) برای این منظور مناسب‌تر بود و نقش ارتباطات و اطلاعات افراد را با توجه به مزایا و مزایای فناورانه نشان داد. به طور خاص، آگاهی از مزایای PV کاتالیزور اصلی در پذیرش PV در محله San Salvario بود که نقش اطلاعات را در انتشار محصولات سبز نشان داد.
شکل 11تغییرات کمیت در پذیرش PV را در طول زمان برای سناریوی 0 نشان می دهد: (الف) 2011، (ب) 2019، (ج) 2040. این توزیع ها از محاسبه میانگین پذیرش در هر بلوک منفرد از ده شبیه سازی انجام شده حاصل می شود. با همان سناریوی سیاستی (سناریو 0). شکل نمونه ای از استفاده ترکیبی از ABM و GIS برای شبیه سازی پویا از فرآیند تحت بررسی است. به طور مشابه، نقشه‌های مشابهی برای سایر سناریوهای در نظر گرفته شده در پژوهش حاضر تهیه شده است که برای تجسم واضح و آسان نتایج مدل مفید بوده است. از داده های نقشه ها، مشخص است که تفاوت در توزیع فضایی پذیرندگان بسیار ناچیز است. بخش جنوب غربی منطقه ای با بیشترین پذیرش در طول سال ها باقی مانده است. با افزایش از کمتر از 10 پذیرنده در سال 2011 به بیش از 70 نفر در سال 2040. افزایش پذیرش در بلوک های دیگر محله در مناطق خاص به شدت مشهود نیست، اما کاملاً به خوبی توزیع شده است. با این حال، بخش شمال شرقی برخلاف منطقه میانی، تعداد بیشتری از پذیرندگان را در طول سال‌ها حفظ می‌کند. تجزیه و تحلیل یکپارچه در مورد ویژگی های مردم و توزیع فضایی آنها به ما کمک می کند تا دلایل این نتایج را مشخص کنیم و همچنین ترکیب سیاست های خاص را در محله توسعه دهیم.

5. بحث و نتیجه گیری

پژوهش حاضر پتانسیل‌های یک رویکرد ترکیبی را بررسی می‌کند که ABM را با GIS در تعریف سیاست‌های استراتژیک برای انتشار سیستم‌های PV در یک مطالعه موردی واقعی از محله San Salvario در شهر تورین (ایتالیا) ترکیب می‌کند. این مطالعه قابلیت «شبیه‌سازی اکتشافی» [ 12 ] ABM را در مطالعه سیستم‌های پیچیده و پشتیبانی از فرآیند تصمیم‌گیری نشان می‌دهد و به نوعی آزمایشگاه مجازی [ 13 ] در چشم‌انداز توسعه پایدار شهرهای ما تبدیل می‌شود.
برخی از نوآوری ها را می توان در مشارکت حاضر شناسایی کرد. در مرحله اول، این اولین تلاش اروپایی برای شبیه سازی پذیرش فتوولتائیک خورشیدی با سطح جزئیات ویژگی های فردی در مقیاس بلوک سرشماری را نشان می دهد. تنها نمونه های موجود در ادبیات در آستین (تگزاس) [ 26 ] و در ناحیه گانگنام، سئول (کره جنوبی) [ 20] است.]. این تجزیه و تحلیل دقیق از تصمیمات فردی به DM اجازه می دهد تا تأثیرات سیاست ها را بر اساس شرایط واقعی جمعیت و مکان مورد تجزیه و تحلیل مطالعه کند. ثانیاً، این مدل کارایی برنامه های اطلاعاتی ارائه شده توسط شهرداری را بر آگاهی زیست محیطی و فناوری شهروندان آزمایش می کند. مشارکت‌های دیگر در مورد این موضوع تنها نقش سیاست‌های اقتصادی در افزایش انتشار این فناوری را به روش‌های مختلف بررسی می‌کنند. یافته‌های ما نشان می‌دهد که کمپین‌های اطلاعاتی، به‌ویژه آنهایی که در مورد مزایای پذیرش PV هستند، کاتالیزور اصلی در انتشار فناوری هستند – بیشتر از انگیزه‌های اقتصادی یا مالی. ثالثاً، تحلیل حاضر شکل گیری کنترل واقعی را آزمایش می کندبه طرق مختلف، نشان می دهد که چگونه تجربیات و رفتارهای گذشته در توصیف سهم واقعی این جزء از TPB در زمینه مورد تجزیه و تحلیل بهتر از تکرار کنترل رفتار درک شده ( pbc ) هستند.
تحقیقات آینده به توضیح عمیق‌تری از نتایج به‌دست‌آمده می‌پردازد: در این کار، ما تنها بر نتایج نهایی پیامدهای سیاست بدون در نظر گرفتن ویژگی‌های اتخاذکنندگان (به عنوان مثال، سطح درآمد، سطح تحصیلات، توزیع فضایی در همسایگی) تمرکز کردیم. ) و میانگین سطح نگرش، هنجار اجتماعی و کنترل رفتار درک شده. همه این بینش ها به شدت برای طراحی سیاست های موثر، از جمله زمینه واقعی سان سالواریو، مرتبط هستند. افراد با نگرش مطلوب کسانی هستند که برای اولین بار متقاعد می شوند که PV را اتخاذ کنند. با تکیه بر این، می‌توانیم یک ترکیب خط مشی را بر اساس مطالعه موردی مورد تجزیه و تحلیل و ویژگی‌ها و عوامل زمینه‌ای آن آزمایش کنیم.
دیدگاه دیگر پژوهش، مقایسه نتایج بر اساس تعاملات تصادفی مجاورت، ویژگی ها و وضعیت افراد خواهد بود. مدل حاضر فقط تعاملات بین عوامل را از نظر فضایی بدون اتصال آنها به جنبه‌های دیگر، مانند سطح تحصیلات، درآمد یا وضعیت مشابه در نظر می‌گیرد.
علاوه بر این، با توجه به وضعیت COVID-19، برخی از داده‌های مورد استفاده برای اجرای مدل صرفاً بر اساس داده‌های آماری (مثلاً تعداد اکولوژیست‌ها) بود که به کل منطقه Piedmont اشاره دارد و مختص سایت یا در موارد دیگر، به طور تصادفی اختصاص داده شده است (به عنوان مثال، نظر و عدم قطعیت). در نتیجه، مراحل بعدی تحقیق، ساخت و اجرای یک پرسشنامه خاص در محله برای جمع‌آوری تمامی این داده‌ها را در نظر می‌گیرد، بنابراین نه تنها کیفیت مدل انجام‌شده را بهبود می‌بخشد، بلکه تشخیص می‌دهد که چه چیزی مرتبط و چه چیزی است. نه در فرآیند تصمیم گیری افراد، به ویژه در زمینه سن سالواریو و برای پذیرش فناوری جدید پایدار مانند سیستم های PV. به این ترتیب،
برخی از استدلال ها در TPB را می توان مورد انتقاد قرار داد زیرا مردم اغلب ممکن است آنها را به سختی درک کنند (به عنوان مثال، نوسانات قیمت در طول زمان یا محاسبه منطقی دوره بازپرداخت). با این حال، جنبه‌های دیگری مانند ملاحظات هنجارهای اجتماعی، نظر و عدم اطمینان، و آگاهی زیست محیطی می‌توانند دلایل ناملموس و غیراقتصادی بیشتری را در فرآیند تصمیم‌گیری انسانی به تصویر بکشند.
برنامه حاضر توانایی TPB یکپارچه و سازگار را در نمایش روند تاریخی پذیرش PV در کلان شهر تورین نشان می دهد. این ثابت می کند که می توان از آن به عنوان یک آزمایشگاه مجازی برای آزمایش اثربخشی ترکیب سیاست در یک محله خاص استفاده کرد. با این حال، تلاش اصلی در توسعه تحقیقات آینده، مقایسه TPB با سایر مدل‌های پیاده‌سازی خواهد بود. این امر به ویژه مرتبط است زیرا TPB معمولاً یک نظریه خوب برای توضیح رویدادهای گذشته در نظر گرفته می شود اما از نظر پیش بینی کمتر قابل اعتماد است.

منابع

  1. ناوارو-یانز، سی جی; رودریگز-گارسیا، MJ سیاست های شهری به عنوان ترکیب سیاست های چند سطحی. تحلیل مقایسه‌ای پورتفولیوی شهری برای مطالعه استراتژی‌های ابتکارات توسعه شهری یکپارچه. Cities 2020 , 102 , 102716. [ Google Scholar ] [ CrossRef ]
  2. بوترو، ام. D’Alpaos، C. دل آنا، اف. افزایش سرمایه گذاری در تقویت انرژی ساختمان ها: نقش مشوق ها. در نوآوری هوشمند، سیستم‌ها و فناوری‌ها، مجموعه مقالات سمپوزیوم بین‌المللی دیدگاه‌های جدید کلان‌شهری، رجیو کالابریا، ایتالیا، 22 تا 25 مه 2018 ؛ Springer: Cham, Switzerland, 2018; صص 593-600. [ Google Scholar ]
  3. گرابلر، آ. بای، ایکس. بوتنر، تی. داکال، س. فیسک، دی جی; ایچینوز، تی. Keirstead، JE; سامر، جی. ساترثویت، دی. شولز، NB; و همکاران ارزیابی جهانی انرژی (GEA). در سیستم های انرژی شهری ; Johansson, TB, Nakicenovic, N., Patwardhan, A., Gomez-Echeverri, L., Eds. انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2012; ص 1307–1400. [ Google Scholar ]
  4. کورتیت، ک. Nijkamp، P. داشبوردهای کلان داده به عنوان ابزارهای پشتیبانی تصمیم گیری هوشمند برای i-cities – آزمایشی در استکهلم. سیاست کاربری زمین 2018 ، 71 ، 24-35. [ Google Scholar ] [ CrossRef ]
  5. بیرکا، ک. جدرژیوسکی، ا. Sznajd-Weron، K. ورون، آر. دشواری بسیار مهم است: اهمیت عوامل اجتماعی در مدل‌سازی انتشار محصولات و شیوه‌های سبز. تمدید کنید. سوست انرژی Rev. 2016 , 62 , 723-735. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. D’Alpaos، C. براگولوسی، ص. اولویت‌بندی چند معیاره ابزارهای سیاست در مقاوم‌سازی انرژی ساختمان‌ها. Valori e Valutazioni 2018 ، 21 ، 15-25. [ Google Scholar ]
  7. MacAl، CM؛ North, MJ آموزش مدل سازی و شبیه سازی مبتنی بر عامل. در مجموعه مقالات کنفرانس زمستانی شبیه سازی، اورلاندو، فلوریدا، ایالات متحده آمریکا، 4 دسامبر 2005. [ Google Scholar ]
  8. هوانگ، Q. پارکر، دی سی؛ فیلاتوا، تی. Sun، S. مروری بر مدل‌های انتخاب مسکونی شهری با استفاده از مدل‌سازی مبتنی بر عامل. محیط زیست طرح. B طرح. دس 2014 ، 41 ، 661-689. [ Google Scholar ] [ CrossRef ]
  9. ون گنت، WPC; ماسترد، اس. اوستندورف، دبلیو. تفکیک مشکلات محله: مداخلات مبتنی بر منطقه در شهرهای اروپای غربی. Urban Res. تمرین کنید. 2009 ، 21 ، 53-67. [ Google Scholar ] [ CrossRef ]
  10. بوترو، ام. کاپریولی، سی. کوتلا، جی. سانتانجلو، ام. شهرهای پایدار: تأملی در پتانسیل ها و محدودیت ها بر اساس مناطق زیست محیطی موجود در اروپا. پایداری 2019 ، 11 ، 5794. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  11. لودریتز، سی. لنگ، دی جی; فون وهردن، اچ. بررسی سیستماتیک اصول راهنما برای توسعه پایدار محله شهری. Landsc. طرح شهری. 2013 ، 118 ، 40-52. [ Google Scholar ] [ CrossRef ]
  12. پارکر، دی سی؛ منسون، اس ام. Janssen، MA; هافمن، ام جی; Deadman، P. سیستم های چند عاملی برای شبیه سازی تغییر کاربری و پوشش زمین: بررسی. ان دانشیار صبح. Geogr. 2003 ، 93 ، 314-337. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. Railsback، SF; گریم، وی. مدل سازی مبتنی بر عامل و فرد محور: یک مقدمه عملی . انتشارات دانشگاه پرینستون: پرینستون، نیوجرسی، ایالات متحده آمریکا، 2011. [ Google Scholar ]
  14. سوفا، BM; کلوکنر، کالیفرنیا؛ هرتویچ، EG پذیرش و انتشار سیستم‌های گرمایش در نروژ: مدل‌سازی مبتنی بر عامل با تحقیقات تجربی. محیط زیست نوآوری. Soc. ترانزیت 2013 ، 8 ، 42-61. [ Google Scholar ] [ CrossRef ]
  15. اسنیپ، جی آر. Boait، PJ; رایلات، RM آیا مصرف‌کنندگان داخلی از مشوق گرمای تجدیدپذیر استفاده خواهند کرد؟ تحلیلی از موانع پذیرش پمپ حرارتی با استفاده از مدل‌سازی مبتنی بر عامل سیاست انرژی 2015 ، 85 ، 32-38. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. کیزلینگ، ای. گونتر، م. استامر، سی. Wakolbinger، شبیه سازی مبتنی بر عامل LM انتشار نوآوری: یک بررسی. سنت. یورو جی. اوپر. Res. 2012 ، 20 ، 183-230. [ Google Scholar ] [ CrossRef ]
  17. ژانگ، اچ. Vorobeychik، Y. مدل های مبتنی بر عامل مبتنی بر تجربی از انتشار نوآوری: یک بررسی انتقادی. آرتیف. هوشمند Rev. 2019 , 52 , 707–741. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. Hesselink، LXW; چاپین، EJL پذیرش فناوری‌های کارآمد انرژی توسط خانوارها – موانع، سیاست‌ها و مطالعات مدل‌سازی مبتنی بر عامل. تمدید کنید. حفظ کنید. Energy Rev. 2019 , 99 , 29–41. [ Google Scholar ] [ CrossRef ]
  19. هالگ، ال. وائلچلی، م. اشمیت، تی اس حمایت از استقرار فناوری انرژی در عین اجتناب از قفل فناوری ناخواسته: دیدگاه طراحی سیاست. محیط زیست Res. Lett. 2018 ، 13 ، 104011. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  20. لی، ام. Hong, T. مدل‌سازی مبتنی بر عامل هیبریدی پذیرش فتوولتائیک خورشیدی روی پشت بام با ادغام سیستم اطلاعات جغرافیایی و تکنیک داده‌کاوی. مبدل انرژی مدیریت 2019 ، 183 ، 266-279. [ Google Scholar ] [ CrossRef ]
  21. شیرا، دی اس؛ Minuto، FD; بوتاچیولی، ال. بورچیلینی، آر. Lanzini، A. تجزیه و تحلیل انتشار فتوولتائیک پشت بام در ساختمان های جامعه انرژی توسط یک پلت فرم جدید شبیه سازی مدل سازی مبتنی بر GIS و عامل. دسترسی IEEE 2019 ، 7 ، 93404–93432. [ Google Scholar ] [ CrossRef ]
  22. نونیز-خیمنز، آ. کنوری، سی. هاپمن، جی. Hoffmann, VH آیا طرح های الهام گرفته شده از تئوری کنترل می توانند سیاست های استقرار را موثر و مقرون به صرفه با کاهش قیمت های فناوری نگه دارند؟ محیط زیست Res. Lett. 2020 ، 15 ، 44002. [ Google Scholar ] [ CrossRef ]
  23. ژائو، جی. مظهری، ا. چلیک، ن. شبیه سازی مبتنی بر عامل YJ Hybrid برای ارزیابی سیاست سیستم های تولید برق خورشیدی. شبیه سازی مدل. تمرین کنید. نظریه 2011 ، 19 ، 2189-2205. [ Google Scholar ] [ CrossRef ]
  24. رابینسون، SA; استرینگر، ام. رای، وی. Tondon، A. مدل مبتنی بر عامل یکپارچه GIS برای انتشار PV خورشیدی مسکونی. در مجموعه مقالات سی و دومین کنفرانس USAEE/IAEE آمریکای شمالی، انکوریج، AK، ایالات متحده آمریکا، 28 تا 31 ژوئیه 2013. ص 28-31. [ Google Scholar ]
  25. رای، وی. Sigrin، B. انتشار فناوری‌های انرژی سازگار با محیط‌زیست: تفاوت‌های خرید در مقابل اجاره در بازارهای PV مسکونی. محیط زیست Res. Lett. 2013 ، 8 ، 14022. [ Google Scholar ] [ CrossRef ]
  26. رای، وی. رابینسون، SA مدل‌سازی مبتنی بر عامل پذیرش فناوری انرژی: ادغام تجربی عوامل اجتماعی، رفتاری، اقتصادی و محیطی. محیط زیست مدل. نرم افزار 2015 ، 70 ، 163-177. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. انرژی پاک برای همه اروپایی ها چارچوب سیاست انرژی: کمیسیون اروپا. در دسترس آنلاین: https://ec.europa.eu/energy/topics/energy-strategy-and-energy-union/clean-energy-all-europeans_en?redir=1 (در 23 اوت 2020 قابل دسترسی است).
  28. واتس، دی. استروگاتز، اس. پویایی جمعی شبکه‌های «جهان کوچک». طبیعت 1998 ، 393 ، 440-442. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  29. نافرمانی، جی. آمبلارد، اف. ویسبوچ، جی. فور، تی. چگونه افراط گرایی می تواند غالب شود؟ مطالعه بر اساس مدل تعامل توافق نسبی. جی آرتیف. Soc. Soc. شبیه سازی 2002 ، 5 ، 4. [ Google Scholar ]
  30. نافرمانی، جی. نیو، دی. آمبلارد، اف. Weisbuch, G. اختلاط باورها در میان عوامل متقابل. Adv. سیستم پیچیده 2000 ، 3 ، 87-98. [ Google Scholar ] [ CrossRef ]
  31. Ajzen، I. نظریه رفتار برنامه ریزی شده. عضو. رفتار هوم تصمیم می گیرد. روند. 1991 ، 50 ، 179-211. [ Google Scholar ] [ CrossRef ]
  32. پری، سی. گیگلیو، سی. Corvello، V. کاربران هوشمند برای فناوری های هوشمند: بررسی قصد اتخاذ رفتارهای مصرف انرژی هوشمند. تکنولوژی پیش بینی. Soc. چانگ. 2020 ، 155 ، 119991. [ Google Scholar ] [ CrossRef ]
  33. آبرو، ج. وینگارتز، ن. هاردی، ن. روندهای جدید در انرژی خورشیدی: یک مطالعه تطبیقی ​​ارزیابی نگرش نسبت به پذیرش PV پشت بام. سیاست انرژی 2019 ، 128 ، 347-363. [ Google Scholar ] [ CrossRef ]
  34. Boeck، PD; روزنبرگ، S. کلاس های سلسله مراتبی: مدل و تجزیه و تحلیل داده ها. Psychometrika 1988 ، 53 ، 361-381. [ Google Scholar ] [ CrossRef ]
  35. Ajzen، I. ساخت پرسشنامه TpB: ملاحظات مفهومی و روش شناختی. اتوبوس جی. روانی 2002 . در دسترس آنلاین: https://people.umass.edu/aizen/pdf/tpb.measurement.pdf (در 23 اوت 2020 قابل دسترسی است).
  36. گالام، س. Wonczak، S. دیکتاتوری از رای اکثریت. یورو فیزیک J. B 2000 , 18 , 183-186. [ Google Scholar ] [ CrossRef ]
  37. Krause، U. یک مدل غیرخطی و غیر خودمختار گسسته از تشکیل اجماع. در ارتباطات در معادلات متفاوت ; Elaydi, S., Ladas, G., Popenda, J., Rakowski, J., Eds. انتشارات گوردون و بریک: آمستردام، هلند، 2000; ص 227-236. [ Google Scholar ]
  38. تشکیل اجماع دیتمر، JC تحت اطمینان محدود. مقعدی غیر خطی کاربرد روش‌های تئوری 2001 ، 47 ، 4615-4621. [ Google Scholar ] [ CrossRef ]
  39. هگسلمان، آر. Krause، پویایی نظر U. مدل‌های اطمینان محدود، تحلیل و شبیه‌سازی. جی آرتیف. Soc. Soc. شبیه سازی 2002 ، 5 ، 2. [ Google Scholar ]
  40. گولز، ای. مارتینز، S. شبکه های عصبی و خودکار ؛ Kluwer: Dordrecht، هلند، 1990. [ Google Scholar ]
  41. Barabási, AL; آلبرت، آر. ظهور مقیاس بندی در شبکه های تصادفی. Science 1999 , 286 , 509-512. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  42. استخر د سولا، آی. میلگرام، اس. نیوکمب، تی. Kochen, M. The Small World ; نوروود، نیوجرسی، اد. انتشارات Ablex: نیویورک، نیویورک، ایالات متحده آمریکا، 1989. [ Google Scholar ]
  43. میلگرام، اس. مشکل جهان کوچک. روانشناسی امروز روانشناسی 1967 ، 2 ، 60-67. [ Google Scholar ]
  44. Guare, J. Six Degrees of Separation: A Play ; وینتاژ: نیویورک، نیویورک، ایالات متحده آمریکا، 1990. [ Google Scholar ]
  45. Stokstad, E. اهداف پایدار از سوی سازمان ملل تحت آتش است. Science 2015 ، 347 ، 702-703. [ Google Scholar ] [ CrossRef ]
  46. بافت، اس. Wilensky, U. NetLogo: طراحی و اجرای یک محیط مدلسازی چند عاملی. در مجموعه مقالات کنفرانس پویایی اجتماعی: تعامل، بازتاب و ظهور، شیکاگو، IL، ایالات متحده آمریکا، 7 تا 9 اکتبر 2004. [ Google Scholar ]
  47. Gestore Servizi Energetici: Rapporto Statistico Solare Fotovoltaico. در دسترس آنلاین: https://www.gse.it/documenti_site/Documenti%20GSE/Rapporti%20statistici/Solare%20Fotovoltaico%20-%20Raporto%20Statistico%202018.pdf (در 23 اوت 2020 قابل دسترسی است).
  48. یورواستات: قیمت برق بر اساس نوع کاربر. در دسترس آنلاین: https://ec.europa.eu/eurostat/tgm/table.do?tab=table&init=1&language=en&pcode=ten00117&plugin=1 (در 23 اوت 2020 قابل دسترسی است).
  49. Dipartimento Attività Produttive: Lettera h، Articolo 16-bis del TUIR. در دسترس آنلاین: https://www.brocardi.it/testo-unico-imposte-redditi/titolo-i/capo-i/art16.html?q=16+tuir&area=codici (در 23 اوت 2020 قابل دسترسی است).
  50. ISTAT: Basi Territoriali e Variabili Censuarie. در دسترس آنلاین: https://www.istat.it/it/archivio/104317 (در 23 اوت 2020 قابل دسترسی است).
  51. ISTAT: Spese per Consumi. در دسترس آنلاین: https://dati.istat.it/Index.aspx?DataSetCode=DCCV_SPEMEFAM (در 28 سپتامبر 2020 قابل دسترسی است).
  52. ISTAT: Rapporto Annuale 2017. در دسترس آنلاین: https://www4.istat.it/it/archivio/199318 (در 23 اوت 2020 قابل دسترسی است).
  53. میدوز، م. کلیف، دی. بررسی مجدد مدل توافق نسبی پویایی نظرات. جی آرتیف. Soc. Soc. شبیه سازی 2012 ، 15 ، 4. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  54. Rogers, EM The Diffusion of Innovations , 5th ed.; مطبوعات آزاد: نیویورک، نیویورک، ایالات متحده آمریکا، 2003. [ Google Scholar ]
  55. دی پائولی، او. Ricupero, M. Sistemi Solari Fotovoltaici e Termici. Strumenti per il Progettista ; CELID: تورینو، ایتالیا، 2006. [ Google Scholar ]
  56. موخا، AK تأثیر ابزارهای بازاریابی سبز بر رفتار خرید مصرف کننده. آسیایی جی مناگ. 2018 ، 9 ، 168-174. [ Google Scholar ] [ CrossRef ]
  57. پل، جی. مودی، ع. پاتل، جی. پیش بینی مصرف محصول سبز با استفاده از تئوری رفتار برنامه ریزی شده و اقدام مستدل. J. خرده فروشی. مصرف کنید. خدمت 2016 ، 29 ، 123-134. [ Google Scholar ] [ CrossRef ]
  58. ISTAT: Popolazione e Ambiente: Preoccupazioni e Comportamenti dei Cittadini در Campo Ambientale. در دسترس آنلاین: https://www4.istat.it/it/files/2015/12/Popolazione-e-ambiente.pdf?title=Popolazione+e+ambiente+-+22/dic/2015+-+Testo+integrale. pdf (در 23 اوت 2020 قابل دسترسی است).
  59. ویس، جی. دانکلبرگ، ای. Vogelpohl, T. بهبود ابزارهای سیاست برای استفاده بهتر از پتانسیل بازسازی صاحب خانه: درس های آموخته شده از یک مطالعه موردی در آلمان. سیاست انرژی 2012 ، 44 ، 406-415. [ Google Scholar ] [ CrossRef ]
  60. Friege, J. افزایش فعالیت عایق کاری صاحبان خانه در آلمان: تحلیل مدل مبتنی بر عامل مبتنی بر تجربی. انرژی ساخت. 2016 ، 128 ، 756-771. [ Google Scholar ] [ CrossRef ]
  61. فریج، جی. چاپین، E. تصمیم گیری های مدل سازی در مورد نوسازی با انرژی کارآمد: یک بررسی. تمدید کنید. حفظ کنید. انرژی Rev. 2014 ، 39 ، 196-208. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  62. آنبل، ج. لین، بی. Kelay, T. An Evidence Base Review of نگرش عمومی به تغییرات آب و هوا و رفتار حمل و نقل . وزارت حمل و نقل: لندن، انگلستان، 2006.
  63. مولر-ای، دی. Bjørnø، L. اجرای استراتژی های پایداری شهری: مفاهیم نظری و روش شناختی برای تحقیق در مورد تغییر رفتار. بین المللی J. Sustain. توسعه دهنده طرح. 2017 ، 12 ، 894-907. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 09 00581 g001 550
شکل 1. نظریه چارچوب رفتار برنامه ریزی شده (Fishbein and Ajzen, 2005).
Ijgi 09 00581 g002 550
شکل 2. تأثیر فرد i بر فرد j بر اساس «قوانین توافق نسبی» (اقتباس از Deffuant و همکاران (2002)).
Ijgi 09 00581 g003 550
شکل 3. اجزای رفتار برای پذیرش PV (اقتباس از Ajzen (2002) و Robinson و همکاران (2013)).
Ijgi 09 00581 g004 550
شکل 4. تشکیل شبکه پویا از عوامل در محله به دنبال SWN.
Ijgi 09 00581 g005 550
شکل 5. مقایسه بین داده های دنیای واقعی پذیرش PV (صورتی) و هفت نتیجه شبیه سازی نمونه (آبی).
Ijgi 09 00581 g006 550
شکل 6. آزمایش بر روی کیفیت مدل با شرایط جمعیتی شدید.
Ijgi 09 00581 g007 550
شکل 7. مقایسه بین سناریو 0 و سناریو 1.
Ijgi 09 00581 g008 550
شکل 8. مقایسه بین سناریو 0 و سناریو 2.
Ijgi 09 00581 g009 550
شکل 9. مقایسه بین سناریو 0 و سناریو 3.
Ijgi 09 00581 g010 550
شکل 10. مقایسه بین سناریو 0 و سناریو 4.
Ijgi 09 00581 g011 550
شکل 11. تغییر کمیت در پذیرش PV در طول زمان برای سناریوی 0: ( a ) 2011، ( b ) 2019، ( c ) 2040.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید