![[09127409082]](https://barast.com/wp-content/uploads/2021/01/newlogo.png){kind=small}
یک رویکرد بهینهسازی اکتشافی برای ترکیب رابطه بین ارسالکنندگان و گیرندگان در حمل و نقل بار شهری
این مقاله یک رویکرد بهینهسازی اکتشافی را برای مدلسازی روابط بین فرستندهها و گیرندگان در حمل و نقل بار شهری ارائه میدهد. این مقاله الگوریتمی را پیشنهاد میکند که با آن میتوان این روابط را در غیاب دادههای نظرسنجی ترکیب کرد. در یک محیط شهری، مشتریان بار به مراکز توزیع به گونهای اختصاص داده میشوند که توزیع فاصله مشاهده شده بین فرستندهها و گیرندگان را تکرار کند. نتیجه، یک جمعیت تقاضای بار مصنوعی است که میتواند به عنوان نقطه شروعی برای تجزیه و تحلیل حمل و نقل شهری مبتنی بر رفتار و اثربخشی سیاستهای حمل و نقل عمل کند. این مقاله کاربردی را برای یک مطالعه موردی واقعی از خردهفروشی مواد غذایی در برلین ارائه میدهد.
مقدمه
روند شهرنشینی همچنان ادامه دارد، اگرچه در سالهای اخیر در کشورهای توسعهیافته تضعیف شده است. انتظار میرود تا سال 2050، 68 درصد از جمعیت جهان در مناطق شهری زندگی کنند (سازمان ملل متحد، 2018). این تمرکز فعالیتهای مسکونی و اقتصادی مستلزم افزایش ترافیک در مناطق پرجمعیت است. حمل و نقل بار سهم قابل توجهی از این جابجاییهای ترافیکی را بر عهده دارد. طبق منابع مختلف گردآوری شده توسط تامایو و همکاران (2018)، حمل و نقل بار 15 تا 30 درصد از کل کیلومترهای طی شده توسط وسایل نقلیه در مناطق شهری را تشکیل میدهد. این امر تأثیرات متفاوتی بر کیفیت زندگی در شهرهای مربوطه دارد. در حالی که عرضه کالا برای یک اقتصاد کارآمد بسیار مهم است، حمل و نقل بار نیز اثرات نامطلوب خارجی دارد.
لازمه تحلیل تأثیر حمل و نقل بار شهری و کمیسازی اثرات اقدامات، درک اولیه از الگوهای مکانی و شاید زمانی جریانهای بار شهری است. رفتاری که منجر به این جریانها میشود، حتی از خود جریانها نیز مهمتر است. نحوه اجرای حمل و نقل بار شهری تا حدودی به تعامل بین حملکنندگان و گیرندگان کالا و نحوه سازماندهی عملیات حمل و نقل توسط شرکتهای حمل و نقل یا مشتریان آنها بستگی دارد.
به همین دلیل، تحلیلهای کوتاهمدت تا میانمدت تقاضای حملونقل بار شهری در حالت ایدهآل باید با روابط بین فرستندگان و گیرندگان آغاز شود. با در نظر گرفتن این روابط اساسی به عنوان نقطه شروع، میتوان به جنبههای فردی که برای حل مسئله مورد نظر با جزئیات بیشتر مورد توجه هستند، پرداخت. در نهایت، جریانهای وسیله نقلیه ناشی از تعاملات عاملها هستند. دادههای مربوط به چنین جریانهایی اغلب برای یک شهر خاص در دسترس هستند. با این حال، این ارقام حملونقل، که به عنوان روابط مبدا-مقصد (O/D) نیز شناخته میشوند، وضعیت را پس از اتخاذ تمام تصمیمات مربوطه نشان میدهند. بنابراین، آنها برای توضیح وضعیت فعلی حملونقل بار در یک شهر مفید هستند، اما برای بررسی واکنشها به اقدامات سیاستی یا اثرات مربوط به بار ناشی از تغییرات در فعالیتهای اقتصادی اساسی مفید نیستند. در مقابل، دادههای مربوط به روابط بین فرستندگان و گیرندگان برای اکثر شهرها در دسترس نیست، زیرا جمعآوری آنها از مطالعات میدانی مبتنی بر استقرار، به تلاش زیادی نیاز دارد. روش پیشنهادی برای ترکیب جمعیتی از روابط بین فرستندگان و گیرندگان که با دادههای مشاهده شده مطابقت دارد، با هدف پر کردن این شکاف است.
کار ارائه شده در اینجا به دو جنبه از مدلسازی تقاضای حمل و نقل کمک میکند. اول، ما به جمعیت تقاضا در قالب روابط بین فرستندهها و گیرندهها میپردازیم و دوم، روشهای کالیبراسیون خودکار. اساساً دو جنبه وجود دارد که میتوانیم از طریق آنها به روابط بین فرستندهها و گیرندهها بپردازیم. اول، تقاضا برای حمل و نقل بار را میتوان به عنوان نتیجه فوری تجارت بین منطقهای در نظر گرفت (هولگین-وراس و جالر، ۲۰۱۴). دادههای مربوط به روابط بین صنعتی معمولاً به شکل ماتریسهای حسابداری اجتماعی ملی در دسترس هستند. ایوانوا (۲۰۱۴) روشهای مختلفی را برای تنظیم مدلهایی که بُعد مکانی به این ماتریسها اضافه میکنند، شرح میدهد. برخی از این مدلها با تجمیع جریانهای ملی شروع میکنند و آنها را به جریانهای بین منطقهای تقسیم میکنند، مانند مدلهای ورودی-خروجی چند منطقهای مبتنی بر مطلوبیت تصادفی (RUBMRIO) (ژائو و کوکلمن، ۲۰۰۴). راه دیگر، رسیدن به جریانهای تجاری بینمنطقهای با مدلسازی رفتار مجموعهای از عوامل نیابتی است که بخشهای خاصی از صنایع یا مصرفکنندگان را در یک منطقه در بر میگیرند. مدلهای تعادل عمومی قابل محاسبه فضایی (SCGE) (بروکر و مرسنیر، ۲۰۱۱) برای این کار استفاده میشوند. دوم، میتوان از ریزدادههای مبتنی بر سازمان برای مدلسازی روابط بین ارسالکنندگان و گیرندگان استفاده کرد. چنین دادههایی معمولاً با انجام نظرسنجیهایی به دست میآیند که در آنها از پاسخدهندگان خواسته میشود جزئیات مربوط به ارسالکننده یا گیرندهای را که در واقع محموله مورد نظر را ارسال یا دریافت کرده است، ارائه دهند. نمونههایی از محتوای چنین نظرسنجیهایی را میتوان در Pani و Sahu (2019) مشاهده کرد.
عدم تطابق بین روابط بین فرستندهها و گیرندهها و روابط بین مبدا و مقصد، یک ویژگی اساسی حمل و نقل بار است. در محیطهای شهری، این عدم تطابق دو دلیل اصلی دارد: ۱.) تحویلهای کوچک که گیرندگان آنها نزدیک به هم قرار دارند، معمولاً در سفرهای تحویل تجمیع میشوند. در این حالت، فواصل نسبتاً کوتاه بین دو توقف بعدی، روابط بین مبدا و مقصد را تشکیل میدهند. مورد دوم با روابط بین فرستندهها و گیرندهها که شامل پیوند بین شروع سفر و گیرندگان منفرد است، متفاوت است. Raothanachonkun و همکاران (2007) نمونهای از ادبیاتی است که به این عدم تطابق میپردازد. ۲.) در شبکههای لجستیک، جریان کالاها از مبداهای مختلف در انبارهای حومه شهر گرد هم میآیند، جایی که یا دوباره مرتب میشوند (مثلاً در مورد بستهها) یا به طور موقت ذخیره میشوند، طبق سفارش انتخاب میشوند و سپس برای آخرین مرحله سفر خود (مثلاً در مورد خرده فروشی مواد غذایی) بر روی وسایل نقلیه تحویل بارگیری میشوند.
مدلهای تقاضای حمل و نقل کاربردی معمولاً برای مطابقت با ارقام مشاهده شده در طول یک دوره مرجع کالیبره میشوند. در این موارد، روشهای کالیبراسیون خودکار مزایای متعددی نسبت به روشهای دستی دارند. مهمترین مزایا عبارتند از افزایش عینیت، تکرارپذیری، قابلیت انتقال مدل و سرعت. در مدلهای کالیبراسیون خودکار، برخی از انحرافات مقادیر مدلسازی شده و مشاهده شده به حداقل میرسد. این امر اغلب منجر به حل انواع مختلف مسائل بهینهسازی با روشهای مناسب میشود. همانطور که در هنگام گردآوری روابط بین فرستندهها و گیرندگان مشاهده میشود، روشهای کالیبراسیون خودکار وابسته به زمینه هستند.
در مدلسازی تقاضای حمل و نقل بار، مدلهای کالیبراسیون خودکار در نقاط مختلف اعمال میشوند. یکی از کاربردهای تثبیتشدهتر کالیبراسیون خودکار، ترکیب جریانهای وسایل نقلیه از دادههای شمارش است. به عنوان مثال، سانچز-دیاز و همکاران (2015) و گونزالس-کالدرون و هولگوین-وراس (2019)، روشهایی را از حمل و نقل مسافر اقتباس کردهاند که در آن، در میان جنبههای دیگر، فاصله بین جریانهای مدلسازی شده و دادههای شمارش به حداقل رسیده است. علاوه بر این مقالات اخیر که از روالهای دقیق برای حل مسائل بهینهسازی اساسی استفاده میکنند، نمونههایی وجود دارد که در آنها نه خود جریانهای وسایل نقلیه، بلکه مدلهای رفتاری پشت این جریانها کالیبره میشوند. در این موارد، ثابتها به مقادیر پارامتر تخمینی یا سایر ارقام مرتبط با رفتار مانند هزینهها اضافه میشوند. سپس مقدار این ثابتها اغلب با استفاده از یک استراتژی جستجو پیدا میشود. دو نمونه از حمل و نقل بار، ژانگ (2013) و حلیم (2017) هستند که هر دو از الگوریتمهای ژنتیک برای یافتن مجموعههای مناسب ثابتهای کالیبراسیون برای مدلها در حمل و نقل بینوجهی در هلند استفاده میکنند. روشهای مختلفی که روابط بین فرستندهها و گیرندگان مدلسازی شدهاند، اهمیت آنها را برای توضیح تقاضای حمل و نقل بار نشان میدهد. با این حال، این تلاشها یا برای سناریوهای شهری در مقیاس کوچک مناسب نیستند یا به یک بررسی بزرگ و پرهزینه نیاز دارند. ما مدلی را پیشنهاد میکنیم که میتواند تقریباً روابط بین فرستندهها و گیرندگان را در یک محیط شهری ترکیب کند. برخلاف مدلهای ذکر شده در بالا، این مدل میتواند تنها با مقدار محدودی از ریزدادهها که میتوانند به روشهای مختلفی جمعآوری شوند، کار کند. الگوریتم کالیبراسیون همچنین آن را به راحتی به سناریوها یا شهرهای دیگر قابل انتقال میکند.
این مقاله یک الگوریتم خوشهبندی مشتری اکتشافی برای کالیبره کردن جمعیتی از روابط بین ارسالکنندگان و دریافتکنندگان برای عملیات توزیع شهری ارائه میدهد. هدف آن اختصاص مجموعهای از مصرفکنندگان به تولیدکنندگان مختلف در مقیاس شهری است. این مقاله یک مورد کاربردی برای مواد غذایی در برلین ارائه میدهد، جایی که دریافتکنندگان توسط فروشگاههای مواد غذایی با اندازههای مختلف و ارسالکنندگان توسط خردهفروشانی که توسط انبارهای مختلف نمایندگی میشوند، نشان داده میشوند. بنابراین، به یک نقطه شروع برای یک مدل تقاضای حمل و نقل شهری واقعبینانهتر و مبتنی بر رفتار دست مییابد. تا آنجا که میدانیم، ما اولین کسی هستیم که چنین رویکرد اکتشافی را برای حل این مشکل به کار میبریم. علاوه بر این، این راهحل بر اساس دادههایی است که از قبل در دسترس هستند، یا از یک نظرسنجی سراسری موجود یا از منابع آنلاین باز. در اصل، این روش اکتشافی را میتوان با دادههای مشابه از منابع دیگری غیر از دادههایی که در ادامه استفاده شدهاند، بسته به در دسترس بودن محلی آنها، اجرا کرد. این امر امکان انجام تجزیه و تحلیلها را با تلاش قابل مدیریت و بدون نیاز به نظرسنجیهای در مقیاس بزرگ فراهم میکند.(منبع).