![[09127409082]](https://barast.com/wp-content/uploads/2021/01/newlogo.png){kind=small}
تخمین تقاضای حمل و نقل شهری: روشی مبتنی بر توزیع احتمال
کمبود داده یکی از رایجترین مشکلات هنگام طراحی راهحلهایی است که حمل و نقل بار شهری را بهینه میکنند (پروژههای لجستیک شهری). در واقع، برای اینکه بتوانیم یک پروژه لجستیک شهری مؤثر را برای یک منطقه خاص از شهر پردازش کنیم، لازم است دادههای مربوط به تعداد تحویلهای روزانهای که هر فعالیت تجاری در این منطقه دریافت میکند، به همراه اطلاعات دقیق در مورد زمان تحویل، نوع وسیله نقلیه مورد استفاده و میزان تحویل، در اختیار داشته باشیم. تنها از این طریق میتوان یک اندازهگیری صحیح و واقعبینانه از تقاضای حمل و نقل داشت. در واقعیت، همیشه نمیتوان این دادهها را برای یک دوره زمانی کافی در اختیار داشت. این مقاله، با شروع از ادبیات موجود در مورد پیشبینی تقاضا و از تجزیه و تحلیل دادههای واقعی، پیشنهاد یک روش جایگزین برای پیشبینی تقاضای کالا برای یک منطقه معین در شهر را ارائه میدهد، زمانی که فقط نوعشناسی فعالیتهای تجاری و مقدار کمی داده شناخته شده است.
مقدمه
عوامل زیادی در سالهای اخیر در تغییر لجستیک شهری نقش داشتهاند: پراکندگی تقاضا برای کالاها، افزایش روزافزون تعداد تحویلها، گسترش مداوم تجارت الکترونیک که هر خانه را به یک نقطه تحویل تبدیل کرده است. همه این عوامل منجر به افزایش تراکم ترافیک و در نتیجه افزایش آلودگی صوتی و انتشار آلایندههای هوا شده است که مراکز شهری را به شهرهایی غیرقابل سکونت تبدیل کرده است. برای مقابله با این مشکلات، پروژههای لجستیک شهری توسعه یافته و با هدف بهینهسازی حمل و نقل شهری کالاها انجام شدهاند.
با این حال، اجرای این نوع راهکار نیازمند برنامهریزی دقیق و مناسب است که با حضور ذینفعان متعدد با منافع اغلب متضاد و کمبود، اگر نگوییم فقدان، دادههای مورد نیاز برای طراحی راهکار لجستیک شهری که به بهترین وجه با شرایط سازگار باشد، پیچیده میشود (لاگوریو و همکاران، ۲۰۱۶). در واقع، رایجترین راهکارهای لجستیک شهری، مانند مراکز توزیع شهری، مناطق بارگیری و تخلیه برای عملیات تحویل یا تحویل کالا توسط وسایل نقلیه با تأثیر کم بر محیط زیست (مانند دوچرخههای باری، وسایل نقلیه الکترونیکی) نیاز به اطلاعات صحیح در مورد شبکه زیرساختی، مقررات، محل مکانهای تحویل (مانند مغازهها، خانههای شخصی) و تقاضای کالا دارند. در حالی که اطلاعات مربوط به عناصر اول ذکر شده به صورت آنلاین نسبتاً آسان به دست میآید (گولینی و همکاران، ۲۰۱۸)، تخمین تقاضای کالاهای مورد نیاز یک مرکز شهری (یا جدا از آن) یک مشکل پیش پا افتاده است.
برای تخمین تقاضای آینده کالاها، معمولاً محققان به سریهای تاریخی تکیه میکنند، اما در این مورد، به دست آوردن آنها دشوار است زیرا برخلاف تقاضای کالاها در بخش صنعت، ما مجبور نیستیم با یک یا چند تأمینکننده و تعداد دقیقی از مشتریان سروکار داشته باشیم. در مورد حمل و نقل بار شهری، هر فروشگاه عملیات خود را مستقل از دیگران انجام میدهد و همچنین تأمینکنندگان، هر کدام عملیات خود را به روشی متفاوت پیگیری میکنند و بنابراین بازسازی تعداد تحویلهای انجام شده در هر فروشگاه نیز دشوار است.
به طور خاص، برای اجرای راهحلهای اصلی لجستیک شهری، لازم است تعداد تحویلهایی که هر فروشگاه در یک هفته دریافت میکند، تعداد وسایل نقلیهای که این تحویلها از آنها انجام میشود، نوع وسیله نقلیه مورد استفاده برای تحویل، روز هفته و زمان روزی که تحویلها انجام میشود را بدانیم. این دادهها باید برای مدت زمان کافی در دسترس باشند تا روندها، اوجها و فصلی بودن در فراوانی تحویلها قابل مشاهده باشد. امروزه، چارچوبهای مدلسازی عمومی زیر برای تخمین الگوهای تولید تقاضا مربوط به لجستیک شهری به کار میروند.
مدلهای قطعی تولید سفر بار (FTG) یا تولید بار (FG)، که از نظرسنجیهای مبتنی بر استقرار صادر میشوند و عمدتاً مربوط به مجموعه دادههای طبقهبندی دستهبندی هستند (Holguin-Veras و همکاران، ۲۰۱۱). این مدلها میتوانند بر اساس نرخهای ثابت محاسبه شده برای هر دسته باشند یا برای هر دسته، تعداد سفرها (FTG) یا مقادیر بار (FG) را به متغیرهای مختلف، مانند اشتغال، منطقه (Jaller و همکاران، ۲۰۱۴؛ Alho و de Abreu e Silva، ۲۰۱۴) یا درآمد مرتبط کنند که منجر به مدلی ثابت، خطی یا غیرخطی برای هر دسته میشود (Sanchez-Diaz و همکاران، ۲۰۱۶b). با این حال، مدلهایی که فرمهای عملکردی مختلفی را به هر دسته اختصاص میدهند، به نظر میرسد نتایج بهتری نسبت به مدلهایی با فرم عملکردی منحصر به فرد ارائه میدهند (Sanchez-Diaz و همکاران، ۲۰۱۶a).
رویکردهای مبتنی بر تصادفی (Deflorio و همکاران، ۲۰۱۲؛ Faure و همکاران، ۲۰۱۶؛ Lagorio و همکاران، ۲۰۱۶)، که در آن، به دلیل کمبود داده، یا به دلیل نیاز به اطلاعات پویا برای اهداف شبیهسازی، اختصاص یک نرخ ثابت به هر مؤسسه مرتبط نیست. یک راه حل، زمانی که هیچ اطلاعات دیگری در دسترس نیست، تعیین مقادیر میانگین مناسب (که به طور کلی قابل تخمین هستند، حداقل به طور تقریبی) و سپس تولید یک مقدار تصادفی در اطراف آن میانگین است. آنها توزیع آماری یکنواختی از دادهها را فرض میکنند، که همیشه اینطور نیست (Gonzalez-Feliu و همکاران، ۲۰۱۴a).
تولید احتمالی، یعنی تولید تصادفی نه بر اساس توزیع یکنواخت، بلکه بر اساس توزیع احتمال دیگر. اگرچه آن نسل هنوز چندان به کار گرفته نشده است، میتوانیم دو کار را پیدا کنیم که با مقایسه توزیعهای نرمال و ریلی، آن را به کار میگیرند (Gonzalez-Feliu و همکاران، 2014a، Lopez و همکاران، 2016)، و به نظر میرسد توزیع احتمال دوم مرتبطتر از توزیع احتمال اول باشد (Lopez و همکاران، 2016).
با این حال، از آنجایی که توزیعهای احتمال بیشتری را میتوان تعریف کرد، و مشابه پیشرفتهای اخیر برای یک نسل قطعی (Gonzalez-Feliu و همکاران، 2016، Sanchez-Diaz و همکاران، 2016a)، بررسی کیفیت و ارتباط استفاده از توزیعهای احتمال مختلف برای یک نسل تصادفی در FTG جالب به نظر میرسد. این مقاله فرآیندی را ارائه میدهد که میتوان از آن برای تخمین تقاضای کالاها در مناطق شهری، زمانی که دادههای دقیقی در مورد فراوانی تحویل وجود ندارد، استفاده کرد. در این مقاله، روش تخمین نشان داده خواهد شد و نتایج مربوط به مراحل اولیه فرآیند، با توجه به ادامه تحقیقات، گزارش خواهد شد. در بخش بعدی، فرآیند روششناسی را ارائه میدهیم که منجر به تخمین تقاضای کالاهای شهری در غیاب مجموعه دادههای گسترده در مورد فراوانی کالاها میشود. سپس، اولین نتایج بهکارگیری مراحل اولیه فرآیند تخمین گزارش خواهد شد. در نهایت، محدودیتها، پیشرفتهای آینده تحقیق و ملاحظات نهایی در رابطه با کار انجام شده تاکنون گزارش خواهد شد.(منبع)