Assessing the Impact of Connecting Chabahar Port to the National Rail Network on Transit Volume in the International North–South Transport Corridor: A Hybrid Approach Based on Time Series Forecasting, Neural Networks, and System Dynamics

Document Type : Original Article

Authors
Mohammad Rigi
Nariman Nikoo
Pegah Hamedani
Department of Railway Engineering and Transportation Planning, Faculty of Civil Engineering and Transportation, University of Isfahan, Isfahan, Iran.
10.22034/road.2026.591751.2527
Abstract
این پژوهش با هدف ارزیابی اثر اتصال ریلی بندر چابهار بر توسعه ترانزیت در کریدور بین‌المللی شمال–جنوب، یک چارچوب تحلیلی یکپارچه مبتنی بر مدل‌های یادگیری عمیق، اقتصادسنجی و پویایی سیستم ارائه می‌دهد. در این مطالعه، داده‌های تاریخی ترانزیت، زیرساخت و شاخص‌های اقتصادی طی دوره ۲۰۱۰ تا ۲۰۲۴ گردآوری و با استفاده از مدل‌های LSTM و ARIMA پیش‌بینی تقاضا انجام شد. سپس، به‌منظور سنجش اثر علّی اتصال ریلی، از مدل تفاوت در تفاوت‌ها (DiD) استفاده و در نهایت، نتایج در قالب یک مدل پویایی سیستم برای شبیه‌سازی سناریوهای توسعه تا افق ۲۰۳۵ به‌کار گرفته شد. نتایج نشان داد مدل LSTM با دقت حدود ۹۲ درصد عملکردی برتر نسبت به مدل ARIMA در پیش‌بینی تقاضای ترانزیت دارد. همچنین، اتصال ریلی با کاهش قابل‌توجه هزینه تعمیم‌یافته حمل‌ونقل، جذابیت کریدور را افزایش داده و در سناریوی توسعه تهاجمی، حجم ترانزیت بندر چابهار را تا حدود ۵ میلیون تن در سال ۲۰۳۵ ارتقا می‌دهد. یافته‌ها همچنین وجود یک آستانه بحرانی ظرفیت در حدود ۱۰ میلیون تن را برای جلوگیری از اشباع شبکه و حفظ کارایی کریدور نشان می‌دهد. در مجموع، نتایج پژوهش بیانگر آن است که توسعه هم‌زمان زیرساخت ریلی، ارتقای فرآیندهای لجستیکی و سیاست‌گذاری مبتنی بر شبیه‌سازی می‌تواند جایگاه ژئواکونومیکی بندر چابهار را در کریدور شمال–جنوب به‌طور چشمگیری تقویت کرده و زمینه افزایش سهم ایران از ترانزیت منطقه‌ای و بین‌المللی را فراهم سازد.
Keywords
Chabahar Port
International North–South Transport Corridor (INSTC)
Railway Transportation
Demand Forecasting
Freight Transit
-Alavi-Borazjani, S. A., Bengue, A. A., Chkoniya, V., & Shafique, M. N. (2025). An overview of critical success factors for digital shipping corridors: A roadmap for maritime logistics modernization. Sustainability, 17(12), 5537.­
-Barlas, Y. (1996). Formal aspects of model validity and validation in system dynamics. System Dynamics Review: The Journal of the System Dynamics Society, 12(3), 183–210.
-Bastanifar, I., Omidi, A., & Khan, K. H. (2024). A recursive networking economic analysis of international economic corridors: IMEEC and INSTC. Cogent Economics & Finance, 12(1), 2363457.
-Giang, D. L. H. (2025). Russia-Azerbaijan cooperation within the framework of the international north-south transport corridor (INSTC). Science, Education and Innovations in the Context of Modern Problems, 8(691), 2025–2006.
-Hanaoka, S., & Regmi, M. B. (2011). Promoting intermodal freight transport through the development of dry ports in Asia: An environmental perspective. Iatss Research, 35(1), 16–23.
-Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735–1780.
-Kabir, M. R., Bhadra, D., Ridoy, M., & Milanova, M. (2025). LSTM–transformer-based robust hybrid deep learning model for financial time series forecasting. Sci, 7(1), 7.
-Karim, A., & Ahmad, N. (2025). will chabahar be a linchpin for india and iran “indo-iran collaboration on chabahar port: regional and global challenges. International Journal of Social Sciences Bulletin, 3(5), 499–509.
-Lane, D. C., & Sterman, J. D. (2011). Jay Wright Forrester. In Profiles in Operations Research: Pioneers and Innovators, Springer­, 363–386.
-Lättilä, L. (2008). Combining Advanced Forecasting Methods with System Dynamics, the Case of Finnish Seaports.
-Lin, H., Zeng, W., Luo, J., & Nan, G. (2022). An analysis of port congestion alleviation strategy based on system dynamics. Ocean & Coastal Management, 229, 106336.
-Nadeem, L. (2024). AI-Driven Predictive Analytics for Forecasting Global Trade Flows. Frontiers in Multidisciplinary Studies, 1(01), 40–58.
-Panahi, R., Ghasemi Koohi Kheili, A., & Golpira, A. (2017). Future of container shipping in Iranian ports: traffic and connectivity index forecast. Journal of Advanced Transportation, 2017(1), 58.47372.
-Sadeghi Gargari, N., Panahi, R., Akbari, H., & Ng, A. K. (2022). Long-term traffic forecast using neural network and seasonal autoregressive integrated moving average: case of a container port. Transportation Research Record, 2676(8),
236–252.
-Shankar, S., Ilavarasan, P. V., Punia, S., & Singh, S. P. (2020). Forecasting container throughput with long short-term memory networks. Industrial management & data systems, 120(3), 425–441.
-Sterman, J. (2002). System Dynamics: systems thinking and modeling for a complex world.
-Trade, U. N., & Development. (2025). Review of Maritime Transport 2025: Staying the Course in Turbulent Waters. Stylus Publishing, LLC.
-Ukleba, M., & Tsikhelashvili, M. (2021). South Caucasus and Regional Opportunities in terms of Transport and Logistics Corridor Development.
-Wang, Y., Monios, J., & Zhang, M. (2020). Comparing onsite and offsite rail access for dry port developments–A benchmark study in China. Research in Transportation Business & Management, 35, 100471.
-Lin, H., Zeng, W., Luo, J., & Nan, G. (2022). An analysis of port congestion alleviation strategy based on system dynamics. Ocean & Coastal Management, 229, 106336.
-Shepherd, S.,  (2014). A Review of System Dynamics Models Applied in Transportation. Transportmetrica B: Transport Dynamics, 2(2): 83-105.
-Yao, D., Guo, X., Gu, W., & Wang, S. (2014). Analysis Method of Two-Way Balance of Transportation Supply and Demand in a Regional Corridor. In ICLEM 2014: System Planning, Supply Chain Management, and Safety, 151-159.