پژوهشي علمي ي فصلنامه زیست محيط و سالمت مجله ايران محيط بهداشت علمي انجمن 68 تا 57 صفحات 1395 بهار اول شماره نهم دوره ت س ز ی Availible online: http:// زمانی سری روش از استفاده با شهری پسماند تولید میزان پیشبینی )Vensim افزار )نرم سیستم پویایی سازی مدل و )ARMA )تکنیک *4 دهواری محبوبه 3 هاشمی حسن 2 پوش احرام محمدحسن 1 ابراهیمی اصغر بهداشتی خدمات و پزشکی علوم دانشگاه بهداشت دانشکده محیط بهداش ت مهندسی گروه محیطی زیس ت های فناوری و علوم تحقیقات مرکز اس تادیار 1- یزد صدوقی شهید درمانی درمانی بهداشتی خدمات و پزشکی علوم دانشگاه بهداشت دانشکده محیط بهداشت مهندسی گروه محیطی زیست های فناوری و علوم تحقیقات مرکز استاد 2- یزد صدوقی شهید شیراز پزشکی علوم دانشگاه بهداشتی علوم تحقیقات مرکز استادیار 3- پزشکی علوم دانشگاه بهداشت دانشکده محیط بهداشت مهندسی گروه محیطی زیست فناوریهای و علوم تحقیقات مرکز ارشد کارشناس مسئول(: )نویسنده 4- یزد صدوقی شهید درمانی بهداشتی خدمات و مقاله: اطالعات 94/11/03 دریافت: تاریخ 95/01/24 ویرایش: تاریخ 95/01/31 پذیرش: تاریخ 95/03/17 انتشار: تاریخ GEE مدل اصفهان پسماند کلیدی: واژگان افزار نرم پویایی مدلسازی ARMA تکنیک ونسیم چکيده پژوهشی مقاله با حاضر مطالعه دارد. زای د مواد مدیریت در مهمی نقش پس ماند تولید میزان پیشبینی هدف: و زمین ه سازی مدل و زمانی سری روش دو از استفاده با اصفهان ش هر عادی پس ماند تولید میزان پیشبینی هدف است. شده انجام سیستم پویایی سازمان از 1390 تا 1375 سال از پسماند تولید میزان به مربوط استناد قابل دادههای ابتدا در بررسی: روش تولید بر مؤثر عوامل س پس گردید. اخذ ایران آمار ملی مرکز از جمعیت ی اطالعات و پس ماند مدیریت استفاده با آنها بین ارتباط همچنین و GDP تورم شاخص شهرنشینی رشد جمعیت نظیر شهری پسماند سیستم پویایی روش از استفاده با اصفهان شهر پسماند تولید میزان نهایت در شد. مشخص GEE مدل از گردید. پیشبینی ARMA تکنیک با زمانی سری روش و Vensim افزار نرم توسط هب P value با پس ماند تولید میزان بر تورم ش اخص و جمعیت که میدهد نش ان حاصله نتایج یافتهها: پسماند تولید میزان سالیانه میانگین دارند. معناداری رابطه پسماند تولید میزان با 0 و 0/026 با برابر ترتیب 1436 ton/day و 1501/4 ton/day به ترتیب به سیستم پویایی و زمانی سری روش در 1400 سال در آمد. بدست %3/44 پسماند تولید سالیانه رشد نرخ همچنین رسید. خواهد روند آینده در پسماند تولید و دارند معناداری اثر پس ماند تولید بر تورم ش اخص و جمعیت نتیجهگیری: نخواهد یکسان پیشبینی متفاوت روشهای با و مختلف مناطق در افزایش این داش ت. خواهد افزایش ی میدهد. انجام روشها سایر به نسبت دقیقتری پیشبینی ARMA تکنیک با زمانی سری روش بود. مسئول: نویسنده الکترونیکی پست mahboobehdehvari@yahoo.com Please cite this article as: Ebrahimi A, Ehrampoush MH, Hashemi H, Dehvari M. Predicting municipal solid waste generation through time series method (ARMA technique) and system dynamics modeling (Vensim software). Iranian Journal of Health and Environment. 2016;9(1):57-68.
... شهری پسماند تولید میزان پیشبینی مقدمه توسعه با مرتبط زيستي محيط موضوعات اخير س الهاي در گرفته قرار مختلف كشورهاي توجه مورد ش دت به اقتصادي منظور به و مردم زيستمحيطي آگاهيهاي افزايش با اس ت. بيشتر توجه جهت دولتها بر فشار اقتصادي توس عه افزايش چالشهاي از يكي )1(. اس ت يافته افزايش موضوعات اين به پيش بيني است. پسماند توليد دقيق پيشبيني ش هري مديريت ايفا مواد اين مديريت در مهم ي نقش آينده در پس ماند توليد برآوردها اين انجام جهت روشها بهترين از يكي امروزه مي كند. هب مدلها از همیشه انسان است. رايانهاي مدلهاي از اس تفاده تصویر یک صورت به خود مشکالت حل جهت ابزاری عنوان که است روشن البته است. کرده استفاده واقعیت از س ادهشده نیستند واقعی سیستم مشخصههای تمام حاوی هیچگاه مدلها خاص مشخصههای از دسته آن حاوی مدل که اس ت مهم اما است الزم و حیاتی نظر مورد مس اله حل جریان در که باش د پايين مدل پارامترهاي تعداد صورتيكه در ديگر طرفي از )2(. )3(. بود خواهد آسانتر و سريعتر كاليبراسيون شود داشته نگه از بايس تي مدل نياز مورد حياتي پارامترهاي تعيين جهت لذا شناخت فرايندها اين در موجود زيستي و شيميايي واكنشهاي )4(. آورد بدست كافي ميانگين روش مانن د پيشبيني آم اري روش هاي از بس ياري مربعات حداقل رگرسيون روش اشباع منحني روش هندسي نيمه رياضي مدل هاي شكل اساس بر منحني گسترش روش و بياني ساده طور به مدل ها اين ساختار مي شوند. طراحي تجربي روند جهت و گس ترش از ش رحی و توصيف با اثر عل ت از ذاتي سيس تماتيك خصوصيات كردن مش خص و تعيين براي موجود پايگاههاي اطالعات ب ا ارتباط در كه اس ت پدیده یک شامل مدلسازي فرايند در مهم گام سه ميشوند. داده تشخيص )2(. ميشود اعتبارسنجي و کاليبراسيون تاييد پويا و ايس تا مدلهای دس ته دو به غالبا را ریاضی مدله ای نشان را تعادل ش رايط ايستا مدلهاي 5(. )3 میکنند تقس یم طي سيس تم تغييرات پويا هاي مدل صورتيکه در ميدهن د توسط 1960 دهه در سیستم پویایی )6(. ميدهند نشان را زمان پژوهش گاه مدیری ت دانش کده در هم کاران و Forrester نخس تین وی 7(. )5 ش د پایهگذاری ماساچوس ت صنعت ی )4 کرد توصیف فورس تر صنعتی پویایی عنوان با را خود کار جهت سيس تم پويايي رويكرد از هم كاران و Chaerul 8(. اندونزي جاكارتاي ش هر بيمارس تاني پس ماندهاي مديريت س اده صورت به پيش تر پویا مدلهای )9(. كردهاند اس تفاده بطور روش اين ش د. ايجاد كم داده با موضوعات ح ل ب راي انجام براي كه ميش ود طراحي موقعيتهايي اداره براي وي ژه سيستم محيطهاي و است موجود محدودي دادههاي پيشبيني باشند. شده تفهیم كامال يا تعريف خوبي به بسیاری پیشبینی و بررس ي براي سيستم پویايی مدلس ازي اجتماعي اقتصادي تجاري سيس تمهاي ش امل سيستمها از استفاده زيستی محيط و سياستگذاري اكولوژيكي كشاورزي فرايندهاي فرضيه از پوياييسيستم روش در )10-13(. شدهاند بازخورد سيستم يک ميش ود. اس تفاده پيشخورد و بازخورد با پژوهش معمول هدف ميپذيرد. تاثير خود گذش ته رفتار از مس ائل پويايي علت و چگونگي درک پوياييسيس تم روش وضعيت اين بهبود براي مديريتي سياس تهاي جس تجوي و )5(. است نیاز آماری مدل یک به هستند همبسته که دادههایی آنالیز برای شود. گرفته نظر در مشاهدات میان همبستگی آن در که اس ت (GEE: Generalized یافته تعمیم برآوردی معادالت روش همبسته دادههای مدلسازی در Estimating Equations) در بررسی مورد دادههای که آنجا از میگیرد. قرار استفاده مورد به GEE مدل از لذا است زمانی س ری نوع از حاضر مطالعه رشد جمعیت تعداد با پسماند تولید میزان ارتباط تعیین منظور (Gross Domestic GDP و تورم ش اخص شهرنش ینی یافته تعمیم خطی مدل GEE مدل شد. برده بهره Product) دادههای مدیریت قابلیت و کرده آزاد دادهها اس تقالل قید از را )14(. میدهد محقق به را زمانی سریهای همچون همبسته 4879312 دارای اصفهان استان 1390 سال سرشماری براساس 58 1395 بهار اول/ شماره نهم/ دوره
همکاران و دهواری محبوبه 711012 و شهری نقاط در نفر 4168300 که بوده جمعیت نفر روزانه میکردند. زندگی س اکن غیر و روس تایی نقاط در نفر پسماند سرانه و شده تولید اصفهان شهر در پسماند 1000 ton )15(. است نفر هر ازای به 470 g شهر دراین سری مدل از استفاده با پسماند تولید پیشبینی مورد در مطالعاتی ARMA (Autoregressive Moving Average( زمان ی میزان مطالعهای طی همکاران و اس ت. Shahbazi شده انجام مذکور روش با را کرج خمینی امام بیمارس تان پس ماند تولید پیشبینی که کردند بیان محققین این دادند. قرار بررس ی مورد برنامهریزی جهت زمانی سری روش توسط پسماند تولید میزان بیمارستانی پسماند مدیریت برای نیاز مورد منابع بهینهسازی و پیشبینی حاضر مطالعه انجام از هدف )16(. است مفید بسیار مدل روش سه با اصفهان ش هر در عادی پس ماند تولید میزان با سیس تم پویایی و ARMA روش با زمانی س ری ریاض ی بهینه ش یوه انتخاب نهایت در و Vensim برنامهنويس ي زبان است. بوده طرح آینده در پسماند تولید پیشبینی روشها و مواد موثر فاكتورهاي براساس شهر عادی پسماند توليد شبيهس ازي فعاليت و خانوار بعد خانوار درآمد جمعيت رش د نظیر آن بر تعداد متوس ط جمعيت دادههاي گردید. پيشبين ي اقتصادي 1381 سالهاي براي خانوار هزینه متوس ط و خانوار در افراد و نفوس سرش ماری به مربوط دادههای میانیابی از 1390 ت ا بدست ایران آمار ملی سازمان از 1390 تا 1375 سال از مسکن از پس ماند تولید میزان پیشبینی جهت ریاضی روش در آمد. سابقه مدل این در گردید. استفاده پسماند تولید سابقه دادههای گرفت. قرار پسماند تولید پیشبینی مالک پسماند تولید فصول تفکیک به پسماند تولید میزان افزایش حسب بر نموداری تولید میزان زمانی سری 1(. )نمودار گردید رس م سال مختلف برآورد که شد رسم نیز 1390 تا 1381 س ال ابتدای از پس ماند در پرت دادههای حذف از پس ساده خطی مدل یک با آن روند میدهد نشان نمودار شاخصهای است. شده داده نشان 2 نمودار است. برقرار دادهها بودن نرمال و واریانس ثبات که 1200 1000 پسماند توليد ميانگين 800 600 400 200 بهار تابستان پاييز زمستان 0 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 سال سال مختلف فصول تفکیک به پسماند تولید میزان 1- نمودار 1395 بهار اول/ شماره نهم/ دوره 59
پیشبینی میزان تولید پسماند شهری... نمودار 2- سری زمانی میزان تولید پسماند براساس برازش دوباره مدل خطی ساده به دادهها از سال 1381 تا 1390 ع الوه بر مدل خطی س اده به برازش م دل خطی درجه 2 و مناس بتری به دادهه ا برخوردار بود بدی ن جهت به منظور نمای ی نیز پرداخته ش د. در این بین م دل درجه 2 از برازش انجام پیشبینی از این مدل استفاده گردید )نمودار 3(. نمودار 3- سری زمانی میزان تولید پسماند بر اساس برازش مدل خطی درجه 2 به دادهها س ری زمانی میزان تولید پس ماند با اس تفاده از م دل ARMA Jenkins) (Box- تحلی ل ش د. با توجه ب ه نتایج حاصله مدل ARMA(1,2) برازش مناسبتری نسبت به سایر مدلهای برازش داده شده داشت لذا برای پیشبینی از این مدل بهره گرفته شد. این روش برای دادههای س ری زمانی با مدت زمان متوسط تا طوالنی مدت مناسب است. این مدل به صورت زیر تعریف میشود: برآورد میش وند ضرائب θ نی ز پارامترهای میانگین متحرک هس تند مقادیر Y مقادیر اصلی س ری زمانی هس تند و a ها خطاه ای تصادفی غیر قابل مش اهده )یا باقیماندهها( هس تند ک ه فرض میش ود دارای توزیع نرمال هس تند. این مدل را با ARMA(p,q) نمایش میدهیم. مراحل برازش مدل ARMA شامل 3 بخش است که به صورت تکراری انجام میش ود تا به مدلی دس ت پیدا کنیم که برازش مناس بی داشته باشد. مرحله اول آن شناسایی مرتبه مدل است که بوسیله نمودارهای خود همبستگی و خود همبستگی جزئی صورت میگیرد )نمودار 4(. Y Y..._ Y a a... a t 1 t 1 p t p t 1 t 1 q t q... qat q ک ه در آن ضرای ب φ پارامترهای خودبازگش تی هس تند که 60
محبوبه دهواری و همکاران خود همبستگي خود همبستگي جزي ي نمودار 4- خود همبستگی و خود همبستگی جزئی میزان تولید پسماند ن با توجه به نمودارهای رسم شده خود همبستگی پس از تاخیر با توج ه به نتایج حاصله به نظر میرس د مدل ARMA(1,2) دوم به س رعت رو به کاهش گذاش ت. از ای ن رو تصمیم به برازش مناسبتری )66/928340= 2 R( نسبت به سایر مدلهای برازش مدلهای ARMA(1,1) ARMA(2,1) ARMA(1,2) ب رازش داده ش ده دارد. همچنی ن نم ودار خود همبس تگی ARMA(2,2) گرفت ه ش د. از بی ن این مدله ا بهترین مدل باقیماندهه ای حاصل از آن نش انگر خود همبس تگی از هیچ برای انجام پیشبینی اس تفاده ش د. مدل مناس ب مدلی است مرتبهای نیست. این امر نشانگر برازنده بودن مدل به دادههاست. ک ه Pseudo R-Squared آن نزدی ک ب ه ی ک و معیاره ای همچنی ن باقیماندههای مدل دارای توزیع نرمال بودند. بنابراین Mean Square Error Residual Sum of Squares و Root برای پیشبینی از این مدل بهره برده شد )نمودار 5(. Mean Square کمینه باشد. نمودار 5- سری زمانی میزان تولید پسماند و پیشبینی آن با استفاده از مدل ARMA(1,2) 61
پیشبینی میزان تولید پسماند شهری... ادامه نمودار 5- سری زمانی میزان تولید پسماند و پیشبینی آن با استفاده از مدل ARMA(1,2) با توجه به اینکه دادههای مورد بررس ی از نوع س ری زمانی هستند از م دل GEE به منظور تعیین ارتباط میزان تولید پس ماند با تعداد جمعیت رشد شهرنش ینی شاخص تورم و GDP بهره گرفته شد. م دل GEE مدل خطی تعمیم یافته را از قید اس تقالل دادهها آزاد کرده و قابلیت مدیریت دادههای همبسته همچون سریهای زمانی را به محقق میدهد. گرچه برآوردهای مرتبط با این مدل پیچیده اس ت اما تفسیر ضرائب آن مشابه رگرسیون معمولی است. در این مطالعه از مدل GEE با ماتریس کوواریانس بدون س اختار و تابع لینک زمانی و توزیع نرمال استفاده شده است. در روش پویایی سیس تم ابتدا ارتباط بين هر يك از متغيرهاي حال ت تمام پارامترها و متغيرهاي تاثيرگذار بر آنها شناس ايي ش دند و شماي گرافيكي آنها روي صفحه ونسيم رسم گرديد. س پس جهت اين ارتباطها مشخص شد. در مرحله بعد روابط رياضي مربوط به هر ارتباط مش خص ش د. برخي از دادهها مانند جمعيت و سرانه توليد پسماند به صورت جدول به مدل داده شد و سريهاي زماني مربوطه ساخته شد. در نهایت مدل دادهها را بصورت نمودار ارائه می دهد )شکل 1(. شکل 1- شمای گرافیکی پیشبینی میزان تولید پسماند با استفاده از یافتهها دادههای جمعیت و سرانه تولید پسماند پیشبینی میزان تولید پسماند از آبان 1390 تا مهر 1392 بر اساس مدل درجه 2 در جدول ش ماره 1 آمده اس ت. چنانچه مشاهده میگردد میزان تولید پس ماند در آبان ماه 1390 به میزان حدود 1060 ton/day بوده که یک سال بعد به حدود 1106 و در سال 1392 به حدود 11530 ton/day رسیده است. جدول 1- پیشبینی میانگین میزان تولید پسماند از آبان 1390 تا مهر 1392 بر اساس مدل درجه 2 سال ماه ميزان توليد پسماند 1390 آبان 1060/051 1390 آذر 1063/801 1390 دي 1067/564 1390 بهمن 1071/34 1390 اسفند 1075/129 1391 فروردين 1078/932 1391 ارديبهشت 1082/784 1391 خرداد 1086/578 1391 تير 1090/422 1391 مرداد 1094/279 1391 شهريور 1098/149 1391 مهر 1102/034 1391 آبان 1105/932 1391 آذر 1109/844 1391 دي 1113/769 62
محبوبه دهواری و همکاران ادامه جدول 1- پیشبینی میانگین میزان تولید پسماند از آبان 1390 تا مهر 1392 بر اساس مدل درجه 2 سال 1391 ماه آذر ميزان 844 / توليد 1109 پسماند 1060 1113/051 1390 1391 دي آبان /769 1391 بهمن 1117/709 1391 اسفند 1121/662 1392 فروردين 1125/63 1392 ارديبهشت 1129/611 1392 خرداد 1133/607 1392 تير 1137/617 1392 مرداد 1141/641 1392 شهريور 1145/679 1392 مهر 1149/731 تعیین رابطه میزان تولید پسماند با جمعیت رشد شهرنشینی شاخص تورم و :GDP از م دل GEE به منظور تعیی ن ارتباط میزان تولید پس ماند با تعداد جمعیت رش د شهرنشینی ش اخص تورم و GDP متغير برآورد بهره گرفته ش د. ابتدا به برازش مدلهای تک متغیره و س پس ارتباط ات مورد نظر را در حض ور تمامی آنها به صورت چند متغیره مورد بررس ی قرار دادیم. از روش آماری Stata جهت تجزیه و تحلیل دادهها استفاده شد. نتایج مدلهای تک متغیره بدین شرح است: جدول 2- نتایج مدلهای چند متغیره - تعداد جمعیت با میزان تولید پسماند رابطه معناداری نشان داد P<0/05(.)Beta= 0/001, - رشد شهرنشینی با میزان تولید پسماند رابطه معناداری نشان داد P<0/05( )Beta= 977/617, - ش اخص تورم با میزان تولید پسماند رابطه معناداری نشان نداد P>0/05( )Beta= 2/227, - GDP ب ا میزان تولید پس ماند رابطه معناداری نش ان داد ) Beta=-31/517, P<0/05( نتای ج چند متغی ره با کنترل تمامی متغیرهای مورد بررس ی در جدول 2 به تفصیل آمده اس ت. مطابق با نتایج متغیرهای رشد شهرنشینی و GDP با میزان تولید پسماند رابطه معناداری نشان ندادند. با این حال میزان تولید پس ماند با تعداد جمعیت رابطه مثبت معنادار و با شاخص تورم رابطه منفی معنادار نشان داد. خطاي استاندارد مقدار p 0/206 1114/3849-1409/212 عرض از مبدأ 0/026 0/0005 0/001 تعداد جمعيت 0/829 406/9011 87/640 رشد شهرنشيني 0/000 1/1165-4/174 شاخص تورم 0/725 3/1176 1/095 GDP ب ا در نظ ر گرفتن متغیره ای معنادار درون م دل و برازش دوباره مدل رابطه میزان تولید پسماند با سایر متغیرها )تعداد جمعیت ش اخص تورم و ماه( برای ه ر فصل در جدول 3 نشان داده شده است. 63
پیشبینی میزان تولید پسماند شهری... جدول 3- رابطه میزان تولید پسماند با سایر متغیرها فصل سال بهار تابستان پاييز زمستان براس اس مدل )ARMA2( 2 میزان پس ماند عادی پیشنهادی برای ده س ال آینده طرح در جدول 4 نشان داده شده است که سال ميزان توليد پسماند ميزان توليد پسماند= (-911/039) + (0/001) جمعيت + 4/194) (- تورم + (23/893) ماه ميزان توليد پسماند= (-947/276) + (0/001) جمعيت + 4/194) (- تورم + (23/893) ماه ميزان توليد پسماند= (-1071/747) + (0/001) جمعيت + 4/194) (- تورم + (23/893) ماه ميزان توليد پسماند= (-1135/654) + (0/001) جمعيت + 4/194 (- تورم + (23/893) ماه 1390 جدول 4 - پیش بینی میزان تولید پسماند طی 10 سال آینده به روش سری زمانی بيشترين 1260 كمترين 880/6 مقدار پيش بيني 1070/3 1103 /2 1147 /5 1191 /7 1236 1280 /2 1324 /4 1368 /7 1412 /9 1457 /1 1501 /4 913/2 957 1000/8 1044/6 1088/4 1132/2 1176 1219/7 1263/5 1307/3 1293/2 1338 1382/6 1427/3 1472 1516/7 1561/4 1606 1650/8 1695/4 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 مقدار میانگین سالیانه آن به 1501/4 ton/day خواهد رسید. مقدار پس ماند عادی تولید در روش پویایی سیس تم نیز با در نظر گرفتن پارامترهای جمعیت زمان و سرانه تولید پسماند در نمودار 6 نش ان داده شده است که مقدار میانگین سالیانه آن به 1436 ton/day میرسد. نمودار 6- نمودار میانگین 6: ميانگين سالیانهساليانه ميزان ميزان پسماند پسماند عادي عادی توليدي در تولیدي آينده درطرح بر آیندهحسب طرح تنبر بر روز حسب تن بر روز 64
محبوبه دهواری و همکاران بحث در صورت عدم مدیریت صحیح و مناس ب م واد زاید جامد ش هری با آلودگیهای زیس ت محیطی روبرو خواهیم شد و س المت موجودات به خطر خواهد افتاد. لذا داش تن یک الگو و مدل مناس ب جهت تخمین میزان پس ماند تولیدی میتواند نقش مؤثری در مدیریت پس ماندها داشته باشد. در این مطالعه از روش س ری زمانی و مدل پویایی سیس تم جهت پیشبینی میزان پس ماند تولیدی در اصفهان اس تفاده گردی د. میانگین س الیانه تولید پس ماند عادی ش هر در س ال 1400 در روش س ری زمانی به 1501/4 ton/day و در روش پویایی سیس تم ب ه 1436 ton/day خواهد رس ید. با توجه ب ه اینکه در روش س ری زمانی عوامل بیش تری در تولید پس ماند دخیل گردیده است و روند تولید پس ماند طی سال های گذشته مدنظر قرار گرفته اس ت نتیجه برآورد منطقیتر است. نتایج مطالعه حاضر نشان داد که بیشترین و کمترین میزان پسماند به ترتیب مربوط به فروردین ماه و دی ماه است. Shahbazi و همکاران )1394( میزان تولید پس ماند بیمارس تان امام خمین ی کرج را طی یک دوره چهار س اله )1389 الی 1392( با اس تفاده از روش سری زمانی پیشبینی نمودند. طبق یافته های این محققین بیشترین میزان تولید پسماند مربوط به فروردین ماه و کمترین میزان آن مربوط به ش هریور ماه بود )16(. آمار مربوط به بیشترین میزان تولید پسماند با یکدیگر مطابقت دارد اما آمار مربوط به کمترین میزان با یکدیگر همخوانی ندارد. نتایج حاصل از پیشبینی مدل در مطالعه حاضر نش ان میدهد که بطور میانگین در هر س ال %3/44 در تولید پس ماند عادی افزای ش وجود دارد. در مطالعه Shahbazi و همکاران )2015( در م ورد پیش بینی میزان تولید پس ماند نتایج حاصل از مدل سری زمانی نش اندهنده افزایش 1/5 برابری تولید پسماند در پاییز 1393 نس بت به میانگین چهار س اله بود. میانگین تولید پس ماند از 2/98 kg/bed.day در س ال 1389 به kg/bed.day 4/44 در سال 1392 روند افزایشی را نشان داد )16(. در مطالعه حاضر مقایسه نتایج مدل با شرایط موجود حاکی از این اس ت که پیشبینی حاصل از روش سری زمانی با تکنیک ARMA قابل اس تنادتر اس ت. Navarro-Esbrı و همکاران )2002( پیشبین ی تولی د مواد زاید جامد ش هری را توس ط آنالیز س ریهای زمانی تکنیکه ای non-linear dynamics و SARIMA (Seasonal Auto Regressive Integrated Average) Moving مورد بررس ی ق رار دادند. هر دو تکنیک مورد اس تفاده عملکرد خوبی داش تند اما مدلهایSARIMA نتایج بهتری را ارائه دادند )17(. Ahmad در س ال 2012 طی مطالعهای از مدل پویایی سیس تم جه ت پیشبینی میزان تولید مواد زاید جامد ش هری در دهلی اس تفاده کردن د. مطابق با نتایج بدس ت آم ده از مطالعه این محققین انتظار میرود که س رانه تولید پس ماند در 2024 به 0/61 kg/d برس د. نتایج بدس ت آمده از این مدل نش ان داد ک ه میزان تولید پس ماند در دهلی در طول س الهای 2024-2006 با افزایش جمعیت افزایش خواهد یافت و نرخ س الیانه آن ب ه میزان % 4/28 خواهد بود که حدودا با این مطالعه )نرخ افزایشی ساالنه 3/44( همخوانی دارد )18(. همچنین در مطالعه Kollikkathara و همکاران 2010 در سال 1389 نیز از رویکرد مدل پویایی سیستم برای ارزیابی تولید مواد زاید جامد شهری ظرفی ت محل دفن و مس ائل مرتب ط با مدیری ت هزینههای مربوطه استفاده نمودند. نتایج مطالعه این محققین نشان داد که تولید مواد زاید جامد ش هری به دلیل تغییر شرایط اقتصادی- اجتماعی و افزایش جمعیت رو به افزایش اس ت. در طول 10 سال تولید مواد زاید جامد از 1/94 ton/cap به 2/15 ton/cap رسید که نشاندهنده رشد %9/6 است که کمتر از مطالعه حاضر هست )19(. Karbasi و همکاران )2010( در سال 1389 نیز با اس تفاده از نرم افزار WAGS میزان تولید پسماند و هزینههای بخ ش جم عآوری را در منطقه 22 ش هرداری تهران تخمین زدند. نتایج تحقیق آنها نشان داد که بیشترین هزینه جمعآوری پس ماند به بخش نیروی انس انی تعلق دارد. در س ال 1385 جمعی ت منطقه مورد بررس ی 108674 نفر و میزان پس ماند تولیدی روزانه 74 ton بوده اس ت. طب ق پیشبینیهای انجام 65
پیشبینی میزان تولید پسماند شهری... ش ده در این مطالعه در س ال 1399 جمعی ت این منطقه به 137600 نفر و میزان تولید پسماند به 100/33 ton/day خواهد رس ید. در این مطالعه نیز میانگین درصد افزایش سالیانه % 6/2 بدست آمده است )20(. Majlessi و همکاران ط ی مطالعهای هزینه جمعآوری و حمل و نقل پس ماند منطقه 1 شهر بندرعباس را با استفاده از نرمافزار )Waste Analyze Generation System( WAGS در سال 1389 مورد بررسی قرار دادند. طبق پیشبینیهای انجام شده در مطالعه این محققین سرانه تولید پسماند از 0/65 kg به 0/97 kg به ازای هر شهروند خواهد رس ید. نتایج مطالعه این محققین حاکی از دو برابر شدن میزان تولید پسماند و حجم آن در سال 1403 بود. این مطالعه نشان می دهد که میزان تولید پسماند سالیانه به میزان حدود % 7 افزایش خواهد داشت )21(. مطالعه حاضر نش ان می دهد که م دل GEE می تواند جهت تعیی ن ارتباط می زان تولید پس ماند با تعداد جمعیت رش د شهرنشینی ش اخص تورم و GDP مورد اس تفاده قرار گیرد. از بی ن پارامتره ای مورد نظ ر جمعیت و ش اخص تورم بر تولید پس ماند دارای اث ر معنیدار P-value( ب ه ترتیب 0/026 و 0( هس تند. س ازمان مدیریت گاز گلخان های تایلند )2010( فاکتوره ای جمعیت و GDP را به عن وان فاکتورهای مؤثر بر تولی د پس ماند در نظر گرفت و به این نتیجه رس ید که میزان تولید پس ماند با نرخ س الیانه %1/08 از 43/751 ton/day در سال 2013 به 47/112 ton/day در 2020 و 52/560 ton/day در 2030 خواهد رس ید )22(. Xu و همکاران )2013( روش ترکیب ی ( SARIMA و (1,1) )GM را جه ت پیش بینی تولید مواد زاید جامد در مقیاسهای زمانی گروهی در ش هر زیامین چین استفاده کردند. فاکتورهایی همچون سطح رشد اقتصادی GDP و شهرنش ینی در میزان تولید مواد زاید جامد شهری در نظر گرفته ش د. نتایج این محققین نش ان داد ک ه این مدل به اندازه کافی برای پیشبینی نوسانات فصلی و سالیانه تولید مواد زاید جامد در مقیاسهای زمانی ماهیانه میان مدت و بلند مدت مناسب بوده و دقت مطلوبی دارد. در مقیاس ماهیانه تولید مواد زاید جامد ش هری در ژوالی 2015 به حداکثر 132/2 هزار تن )1/5 برابر ژوالی 2010( خواهد رس ید. در میان مدت تولید مواد زاید جامد ش هری سالیانه به 1518/1 تا 2015 هزار تن با نرخ رشد متوسط %10 افزایش خواهد یافت. در طوالنی مدت تا س ال 2020 میزان تولید مواد زاید ب ه 2486/3 هزار تن )2 برابر مقدار تولید در سال 2010( افزایش خواهد یافت )23(. نتیجهگیری استفاده از دادههای تولید پسماند طی سالهای گذشته میتواند نقش مؤثری در پیشبینی تولید پسماند طی سالهای آتی داشته باشد. جمعیت و ش اخص تورم بر تولید پسماند اثر معناداری دارند. همچنین در آینده تولید پس ماند روند افزایش ی خواهد داش ت. درص د افزایش در مناط ق مختلف و ب ا روشهای متفاوت پیشبینی یکس انی نخواهد داشت. میتوان با استفاده از روشهای مناس بتر پیشبینی تولید پسماند که پارامترهای مختلف و موثر بر تولید پسماند را دخیل مینمایند نظیر روش س ریهای زمانی نتیجه مطلوب تری بدس ت آورد. پیشبینی مناسب میزان پسماند تولیدی میتواند در برنامهریزیهای آتی مدیریت پسماند نقش بسزایی داشته باشد. مهم ترین کاس تی تحقی ق نبود اطالعات منس جم و با روند یکس ان طی سال های مختلف در س ازمان مدیریت پسماند و خدمات شهری شهرداری است. منابع 1. Guan D, Gao W, Su W, Li H, Hokao K. Modeling and dynamic assessment of urban economy resource environment system with a coupled system dynamics geographic information system model. Ecological Indicators. 2011;11(5):1333-44. 2. Jørgensen SE, Bendoricchio G. Fundamentals of Ecological Modelling. USA: Elsevier; 2001. 3. Samaei MR. Nitrate and ammonia modeling in res- 66
محبوبه دهواری و همکاران ervoirs with system dynamics approach. 13th National Conference on Environmental Health; 2010 Nov 3-4; Kerman, Iran (in Persian). 4. Samaei MR AA, Bargani Ahmadi MA, Asadi R. Euthrophication modeling in reservoirs with System Dynamics approach. 12th National Conference on Environmental Health; 2009 Nov 13-14; Tehran, Iran (in Persian). 5. Ford FA. Modeling the Environment: An Introduction to System Dynamics Models of Environmental Systems. Washington DC: Island Press; 1999. 6. Hu W, Salomonsen J, Xu F-L, Pu P. A model for the effects of water hyacinths on water quality in an experiment of physico-biological engineering in Lake Taihu, China. Ecological Modelling. 1998;107(2):171-88. 7. Samaei MR AA, Gharavi M. Phytoplankton and zooplankton modeling in reservoirs with system dynamics approach. Journal of Water and Wastewater. 2005;15(52):47-55 (in Persian). 8. Forrester JW. The beginning of system dynamics. McKinsey Quarterly. 1995:4-17. 9. Chaerul M, Tanaka M, Shekdar AV. A system dynamics approach for hospital waste management. Waste Management. 2008;28(2):442-49. 10. Dyson B, Chang N-B. Forecasting municipal solid waste generation in a fast-growing urban region with system dynamics modeling. Waste Management. 2005;25(7):669-79. 11. Karavezyris V, Timpe K-P, Marzi R. Application of system dynamics and fuzzy logic to forecasting of municipal solid waste. Mathematics and Computers in Simulation. 2002;60(3):149-58. 12. Momeni E, Tajrishy M, Abrishamchi A. System dynamics modeling of multipurpose reservoir operation. Journal of Water and Wastewater. 2007;17(57):47-58 (in Persian). 13. Samaei MR MS, Ebrahimi A, Shahsavani E. Using system dynamics approach to simulating eutrophication in artificial lakes. The Health System Researches. 2011;6(2):315-25 (in Persian(. 14. Parikh M, Issa R, McCrillis A, Saunders JK, Ude- Welcome A, Gagner M. Surgical strategies that may decrease leak after laparoscopic sleeve gastrectomy: a systematic review and meta-analysis of 9991 cases. Annals of Surgery. 2013;257(2):231-37. 15. Isfahan Municipality, Deputy Municipal Services. The select of the optimum method of waste processing and disposal of Isfahan City. Isfahan: Isfahan Municipality; 2011 (in Persian). 16. Shahbazi A, Bagheri Zonoz F, Aboomaash-Zadeh H. The survey of effective factors on waste generation in Emam Khomaini hospital in Karaj and the analysis of the rate estimation using time series model ARIMA. Iranian Journal of Health and Environment. 2015;8(1):67-80 (in Persian). 17. Navarro-Esbrı J, Diamadopoulos E, Ginestar D. Time series analysis and forecasting techniques for municipal solid waste management. Resources, Conservation and Recycling. 2002;35(3):201-14. 18. Ahmad K. A system dynamics modeling of municipal solid waste management systems in Delhi. International Journal of Research in Engineering and Technology. 2012;1(4):628-41. 19. Kollikkathara N, Feng H, Yu D. A system dynamic modeling approach for evaluating municipal solid waste generation, landfill capacity and related cost management issues. Waste Management. 2010;30(11):2194-203. 20. Karbasi A, Omrani Gh, Zaheri L. Management of household waste collection using WAGS software (Case study: 22 region of Tehran). Journal of Environmental Science and Technology. 2010;12(3):113-26 (in Persian). 21. Majlessi M, Mahdipoor F, Shamsaee V, Sharifi-Maleksari H, Darvar P. Solid waste collection and transportation cost analysis of region 1 of Bandar-Abbas city. Journal of Health in the Field. 2013;1(1):37-45 (in Persian). 22. Thailand Greenhouse Gas Management Organization. Inventory and mitigation measures for waste sector in Thailand. Bangkok: Thailand Greenhouse Gas Management Organization; 2010. 23. Xu L, Gao P, Cui S, Liu C. A hybrid procedure for MSW generation forecasting at multiple time scales in Xiamen City, China. Waste Management. 2013;33(6):1324-31. 67
Iran. J. Health & Environ., 2016, Vol. 9, No. 1 Predicting Municipal Solid Waste Generation through Time Series Method (ARMA Technique) and System Dynamics Modeling (Vensim Software) A Ebrahimi 1, MH Ehrampoush 2, H Hashemi 3, M Dehvari 4* 1 Assistant Professor, Environmental Science and Technology Research Center, Department of Environmental Health Engineering, Shahid Sadoughi University of Medical Sciences, Yazd, Iran 2 Professor, Environmental Science and Technology Research Center, Department of Environmental Health Engineering, Shahid Sadoughi University of Medical Sciences, Yazd, Iran 3 Research Center for Health Sciences, Shiraz University of Medical Sciences, Shiraz, Iran 4 MSc Expert, Environmental Science and Technology Research Center Department of Environmental Health Engineering, Shahid Sadoughi University of Medical Sciences, Yazd, Iran ARTICLE INFORMATIONS: Received: Revised: Accepted: Published: Key words: Solid Waste, Isfahan, GEE model, ARMA technique, dynamics modeling, Vensim software 23 January 2016 12 April 2016 19 April 2016 6 June 2016 *Corresponding Author: Tel: +98 mahboobehdehvari@yahoo.com Availible online: http:// ABSTRACT Original Article Background and Objective: Predicting municipal solid waste generation has an important role in solid waste management. The aim of this study was to predict municipal solid waste generation in Isfahan through time series method and system dynamics modeling. Materials and Methods: Verified data of solid waste generation was collected from Waste Management Organization and population information was collected from the National Statistics Center, Iran for the period 1996-2011. Next, the effect of factors on solid waste generation such as population, urbanization, gross domestic product was investigated. Moreover, the relationship between each of these factors was identified using generalized estimating equation model. Finally, the quantity of the solid waste generated in Isfahan City was predicted using system dynamics modeling by Vensim software and time series method by ARMA technique. Results: It was found that population and gross domestic product have a significant relationship with the amount of solid waste with P value 0.026 and 0 respectively. The annual average of municipal solid waste generation would be 1501.4 ton/day in 2021 estimated by the time series method and 1436 ton/day estimated by the system dynamics modeling. In addition, average annual growth rate achieved was 3.44%. Conclusion: According to the results obtained, population and gross domestic product have a significant effect on MSW generation. Municipal solid waste generation will increase in future. Increasing solid waste is not the same in different areas and methods. The prediction of the time series method by ARMA technique gives precise results compared with other methods. Please cite this article as: Ebrahimi A, Ehrampoush MH, Hashemi H, Dehvari M. Predicting municipal solid waste generation through time series method (ARMA technique) and system dynamics modeling (Vensim software). Iranian Journal of Health and Environment. 2016;9(1):57-68.