این تحقیق تاثیر تقاضای مسکونی و غیر مسکونی را بر برنامه‌ریزی مکان تسهیلات با مقایسه نتایج حاصل از دو مدل مکان بررسی می‌کند: سفر به محل کار (TTW) و مدل مسکونی. مدل TTW تغییرات کوتاه مدت در وضعیت جمعیت به دلیل سفر به محل کار (تقاضای غیر مسکونی) را در نظر می گیرد. در مقابل، مدل مسکونی از یک عکس فوری ساکن از جمعیت بر اساس برآوردهای رسمی سرشماری (تقاضای مسکونی) استفاده می کند. مقایسه هر دو مدل بر اساس مطالعه موردی مشکل برنامه ریزی مکان-تخصیص خدمات پزشکی اورژانس (EMS) در لستر و لسترشایر، انگلستان، انگلستان بود. نتایج نشان داد که استفاده از یک سطح تقاضای ساکن مسکونی برای برنامه‌ریزی مکان‌های EMS، پوشش تقاضای واقعی را در مقایسه با سطح تقاضای غیرمسکونی بیش از حد برآورد می‌کند. تفاوت در نتایج تخصیص مکان بین مدل‌ها بر اهمیت حسابداری تغییرات زمانی در وضعیت جمعیت هنگام برنامه‌ریزی مکان‌ها برای تأسیسات خدمات بهداشتی تاکید می‌کند. یافته های این مطالعه پیامدهایی برای مکان یابی EMS، طراحی و برنامه ریزی حوضه های خدمات EMS و تخصیص تقاضای احتمالی به سایت های EMS دارد. این مطالعه نتیجه می‌گیرد که در نظر گرفتن تغییرات زمانی در وضعیت جمعیت برای برنامه‌ریزی تخصیص مکان قابل اعتماد و کارآمد مهم است.

کلید واژه ها

برنامه ریزی مکان-تخصیص ، GIS ، دینامیک زمانی ، عرضه و تقاضا

1. مقدمه

روش‌های برنامه‌ریزی مکان تأسیسات برای استخراج مکان‌های بهینه برای تأسیسات خدماتی استفاده شده است. برنامه های قابل توجه شامل بهینه سازی مکان برای بانک های خون [ 1 ]، ماشین های آتش نشانی [ 2 ]، مراکز بازیافت [ 3 ] [ 4 ] و مدارس [ 5 ] است.]. بسیاری از مطالعات تا به امروز، از داده های جمعیت به دست آمده از برآوردهای رسمی سرشماری به عنوان ورودی های تقاضا در مدل های برنامه ریزی مکان استفاده می کنند، که بر اساس تقاضای مسکونی یا جمعیت ساکن شبانه است که از این پس به عنوان “تقاضای مسکونی” نامیده می شود. استفاده از تقاضای مسکونی به این معنی است که تسهیلات نسبت به محل زندگی یا سکونت مردم به جای جایی که در طول روز هستند، قرار دارند. علاوه بر این، تعداد کمی از مطالعاتی که تقاضای غیرمسکونی را در مدل‌های برنامه‌ریزی مکان ادغام کرده‌اند، اغلب از جغرافیا یا واحدهای فضایی طراحی‌شده برای جمعیت ساکن شبانه (مثلاً جغرافیای منطقه خروجی (OAs) مورد استفاده در بریتانیا) برای توصیف تقاضای غیر مسکونی استفاده می‌کنند. جغرافیای غیر مسکونی مناسب (به عنوان مثال مناطق محل کار).

مطالعه حاضر با مقایسه مدلی که از تقاضای ساکن (مدل مسکونی) استفاده می‌کند با مدلی که تقاضای غیرمسکونی (مدل TTW) را در بر می‌گیرد، تأثیر تقاضای مسکونی و غیر مسکونی را بر برنامه‌ریزی مکان تسهیلات بررسی می‌کند. ساختار بقیه این مقاله به شرح زیر است: بخش 2، مروری پس زمینه استفاده از مدل های مکان یابی در زمینه بهداشت عمومی را ارائه می دهد. بخش 3، روش ها، مناطق مطالعه و الگوریتم مورد استفاده برای حل مسئله مکان یابی را شرح می دهد. بخش 4، نتایج مدل ها را ارائه می دهد. بخش 5، یافته‌ها را مورد بحث قرار می‌دهد و برخی از حوزه‌های تحقیقاتی آینده را قبل از برخی اظهارات پایانی در بخش 6 پیشنهاد می‌کند.

2. پس زمینه

برنامه ریزی مکان تاسیسات یک عنصر حیاتی برای تصمیم گیری استراتژیک مکان است [ 6 ]. هدف، شناسایی مکان‌های مناسب برای تسهیلات خدماتی است که به آن «تامین» گفته می‌شود، به‌گونه‌ای که به‌طور کارآمدی برای خدمت به جمعیت کاربری توزیع‌شده فضایی معروف به «تقاضا» قرار داشته باشند. برنامه ریزان مکان از فرمول های ریاضی معروف به “مدل های مکان” برای بدست آوردن مکان بهینه برای مکان های عرضه استفاده می کنند. نمونه هایی از مدل های مکان عبارتند از مدل P-median [ 7 ]، مشکل مکان پوشش حداکثر [ 8 ] و مدل های مکان پوشش مجموعه [ 9 ].

مدل‌های مکان از دیرباز برای رفع مشکلات برنامه‌ریزی مکان مورد استفاده قرار گرفته‌اند. تلاش های اولیه برای حل مسائل مکان یابی را می توان در آثار آلفرد وبر در سال 1909 دنبال کرد. وبر ایده خود را با مثلثی که عموماً به عنوان “مثلث وبری” شناخته می شود، نشان داد [ 10 ]. تکنیک وبر شامل بهینه‌سازی مکان یک کارخانه با به حداقل رساندن هزینه جابجایی مواد خام تحت فرضیات ساده‌سازی شده بود.

از زمان پیدایش مدل‌های مکان‌یابی، کاربردهای زیادی در زمینه سلامت عمومی وجود دارد. کاربردهای نمونه شامل آزمایش سناریوهای برنامه ریزی مکان جایگزین برای مراقبت های بهداشتی اولیه است [ 11 ]. شناسایی مناسب بودن مکان ها برای خدمات تخصصی مراقبت های بهداشتی [ 12 ] [ 13 ]. مطالعات دیگر مدل های مکان یابی را با در نظر گرفتن ساختار سلسله مراتبی سیستم های مراقبت های بهداشتی اعمال کرده اند. نمونه‌ها شامل مطالعات میتروپولوس و همکارانش است که یک هدف دوگانه را در چارچوب سلسله مراتبی برای تخصیص مجدد خدمات بهداشتی در یونان پیشنهاد کردند [ 14 ]]. مدل آنها سلسله مراتب فراگیر متوالی ذاتی سیستم های بهداشتی و همچنین حمایت بیماران را در نظر می گیرد. مدل‌های مکان‌ها همچنین برای بهینه‌سازی مکان‌ها برای تسهیلات بهداشتی سیار مانند بانک‌های خون [ 15 ][ 16 ]یا EMS [ 17 ][ 18 ] استفاده شده‌اند. خداپرستی و همکارانش یک مسئله مکان یابی چند دوره ای را برای برنامه ریزی مکان خانه سالمندان در شیراز، شهر ایران توسعه دادند [ 19 ].

تعداد قابل توجهی از آثار اولیه از ادبیات تحقیق در عملیات و علوم مدیریت، مدل‌های مکان‌یابی را توسعه داده‌اند که تقاضای پویا زمانی را در خود جای داده است [ 20 ]- [ 25 ]. با این حال، مدل‌ها با مجموعه داده‌های تقاضای فرضی تولید شده آزمایش شده‌اند که تقاضای واقعی پویا یا غیرمسکونی را منعکس نمی‌کنند. علاوه بر این، چندین مطالعه اخیر اهمیت ترکیب تقاضای پویای زمانی را در مسائل برنامه ریزی مکان در زمینه ارزیابی ریسک نشان داده اند. نمونه‌ها شامل مطالعات اسلیتر و وودز [ 26 ] است که نقشه‌برداری داسیمتری را همراه با سوابق از پایگاه داده کارکنان برای شناسایی جمعیت‌های در معرض خطر در صورت احتمال وقوع سونامی در مناطق ساحلی اورگان اعمال کردند. کوبایاشی و همکاران [27 ] درون یابی Pycnophylactic Tobler [ 28 ] را برای مدل سازی سطوح جمعیتی 24 ساعته برای تجسم دینامیکی جمعیت در معرض خطر ناشی از حمله بمب و ستون شیمیایی به کار برد. آهولا و همکاران [ 29 ] یک مدل جمعیت مکانی-زمانی با استفاده از مجموعه داده های محل کار برای بهبود آسیب و ارزیابی خطر در صورت حمله بمب ایجاد کردند. لئونگ و همکاران [ 30 ] یک مدل سطح جمعیت شبکه‌بندی شده را توسعه دادند که شامل مقیاس‌های زمانی بیشتری غیر از جمعیت شب و روز است. مارتین و همکاران [ 31 ] روشی را برای ایجاد توزیع جمعیت خاص زمانی از منابع داده ثانویه با در نظر گرفتن مشخصات زمانی جمعیت در زمان‌های مختلف پیشنهاد کردند. اسمیت و همکاران [32 ]رویکرد مشابهی را برای مدل سازی جمعیت زمانی و بررسی قرار گرفتن در معرض سیل با زمان خاص اعمال کرد. علاوه بر این، دیگران مدل های مکان یابی را در زمینه مخاطرات طبیعی در مقیاس بزرگ مانند زلزله اعمال کرده اند [ 33 ].

به طور خلاصه، بسیاری از مطالعات تحقیقاتی خدمات بهداشت عمومی، قابلیت مدل‌های مکان‌یابی را در حل برنامه‌ریزی مکان خدمات سلامت نشان دادند. با این حال، یک محدودیت آشکار در کاربرد آنها این تصور غلط است که تقاضاها یا جمعیت وابسته به خدمات بهداشتی ثابت هستند. فرض تقاضای ثابت برخلاف شرایط زندگی واقعی است، جایی که فعالیت‌های روزمره مانند سفرهای مدرسه، سفر به محل کار، پارک‌های تفریحی یا مراکز خرید. به طور مستمر بر الگوها و توزیع تقاضا در زمان های مختلف روز تأثیر می گذارد. مدل‌هایی که چنین فرآیندهای فضایی را در بر می‌گیرند یا نشان می‌دهند، می‌توانند به تصمیم‌گیری بهتر در مورد تعداد وسایل نقلیه EMS برای استقرار، مکان‌های بهینه آنها و اندازه حوزه‌های حوضه مرتبط با هر تأسیسات منجر شوند. علاوه بر این، مطالعات مربوط به تحقیقات عملیاتی، تقاضاهای پویا زمانی را در بر می گیرد، اما این موارد تنها با استفاده از داده های تقاضای فرضی تولید شده مثال زده شده اند. این شاید به دلیل فقدان داده های تقاضای تفکیک شده موقت باشد. مطالعه حاضر از در دسترس بودن تاریخ سفر به محل کار در سال 2011 و مناطق محل کار (WZs) برای فرمول‌بندی مدل TTW استفاده می‌کند. این مطالعه سپس تأثیر مسکونی و غیر مسکونی بر EMS را با مقایسه نتایج حاصل از TTW به مدل‌های مسکونی بر اساس مطالعه موردی مشکل برنامه‌ریزی مکان EMS در لستر و لسترشر بررسی کرد. مطالعه حاضر از در دسترس بودن تاریخ سفر به محل کار در سال 2011 و مناطق محل کار (WZs) برای فرمول‌بندی مدل TTW استفاده می‌کند. این مطالعه سپس تأثیر مسکونی و غیر مسکونی بر EMS را با مقایسه نتایج حاصل از TTW به مدل‌های مسکونی بر اساس مطالعه موردی مشکل برنامه‌ریزی مکان EMS در لستر و لسترشر بررسی کرد. مطالعه حاضر از در دسترس بودن تاریخ سفر به محل کار در سال 2011 و مناطق محل کار (WZs) برای فرمول‌بندی مدل TTW استفاده می‌کند. این مطالعه سپس تأثیر مسکونی و غیر مسکونی بر EMS را با مقایسه نتایج حاصل از TTW به مدل‌های مسکونی بر اساس مطالعه موردی مشکل برنامه‌ریزی مکان EMS در لستر و لسترشر بررسی کرد.

3. روش ها

3.1. بررسی اجمالی

این مطالعه تأثیر تقاضای مسکونی و غیر مسکونی را بر برنامه‌ریزی تخصیص مکان EMS با مقایسه مدل TTW و Residential بررسی می‌کند. تفاوت‌های بین مدل‌ها از نظر مکان‌های شناسایی‌شده، حوضه آبریز مکان شناسایی‌شده، نسبت تقاضای تخصیص‌یافته به هر مکان، میانگین زمان‌های پاسخ در حوزه‌های حوضه و فاصله وزنی افراد ارزیابی می‌شوند.

3.2. منطقه مطالعه

Leicestershire و Leicester در انگلستان، انگلستان واقع شده اند. لسترشر در مرکز قرار دارد و با دربی‌شایر، وارویک‌شر، نورث همپتون‌شایر و راتلند هم مرز است. لسترشایر شامل نواحی بلابی، چارنوود، هینکلی و بوسورث، ملتون، لسترشایر شمال غربی و اودبی و ویگستون (O & W) است. بر اساس برآوردهای سرشماری اخیر، لسترشایر و لستر به ترتیب دارای 650489 و 329839 نفر جمعیت هستند (ONS، 2013). شکل 1 نقشه منطقه مورد مطالعه را نشان می دهد.

3.3. مدل سازی تقاضای مسکونی و غیر مسکونی

وزن‌های تقاضای مورد استفاده در مدل‌های مکان شامل تقاضاهای مسکونی و غیرمسکونی است. در چارچوب این مطالعه، تقاضای مسکونی شامل جمعیت ساکن معمولی است که از برآوردهای سرشماری سال 2011 به دست آمده است. تقاضای غیر مسکونی شامل جمعیت کار در هر WZ است که از آمار محل کار ویژه سرشماری [ 34 ] [ 35 ] به دست آمده است. تقاضای غیر مسکونی از داده‌های سفر به محل کار مدل‌سازی شد. داده های سفر به محل کار از NOMIS، یک پایگاه داده مبتنی بر وب از آمار بازار کار ( https://www.nomisweb.co.uk/census/2011/origin_destination ) دانلود شده است.). داده های سفر به محل کار شامل یک ماتریس مبدا و مقصد است که جریان موقت افراد را از محل سکونت (مبدا) به محل کار (مقصد) خود در WZs نشان می دهد. همانطور که در معادله (1) و جدول 1 نشان داده شده است، تقاضای غیرمسکونی از ماتریس سفر به محل کار با اضافه کردن تعداد کل جریان رفت و آمد به WZها ایجاد شد .

تقاضای غیر مسکونی =∑jسیمن جNon-residential demand=∑jCij(1)

در معادله (1)، C تعداد مسافرانی را نشان می دهد که از یک OA مسکونی معین (i) به مقصد WZ (j) رفت و آمد می کنند.

3.4. مدلسازی مکان-تخصیص EMS، ساخت مدل و الگوریتم

TTW و مدل مسکونی با پیروی از چارچوب فرموله شد

شکل 1 . نقشه منطقه مورد مطالعه حاوی داده های آمار ملی ©Crown حق چاپ و پایگاه داده 2014. حاوی داده های Ordnance Survey ©Crown copyright and database right 2014.

مدل P-median [ 7 ]. هدف هر دو مدل به حداقل رساندن زمان کل سفر بین نقاط تقاضا (اعم از تقاضای غیر مسکونی یا تقاضای مسکونی) و مکان‌های نامزد EMS بود. مدل P-median به این دلیل استفاده شد که هدف آن با سیاست اعزام EMS در انگلستان مطابقت دارد، یعنی آمبولانس یا امدادگران معمولاً از نزدیک‌ترین ایستگاه به نقطه تماس اضطراری اعزام می‌شوند. مدل P-median ابتدا توسط حکیمی فرموله شد، سپس به یک مدل برنامه ریزی عدد صحیح [ 36 ] تبدیل شد، همانطور که در معادله (2) نشان داده شده است.

m i n i m i s ez=∑مترمن∑njآمندمن جایکسمن جminimisez=∑im∑jnaidijxij(2)

از معادله (2)، i نشان دهنده شاخص مکان های تقاضا (i، ∙∙∙، m) و j شاخص مکان های عرضه یا نامزد است (j، ∙∙∙، n)، a i نشان دهنده وزن تقاضا در تقاضا است. مکان i. بر خلاف مطالعات قبلی، که در آن تعداد منشاء یکسانی برای نشان دادن تقاضای مسکونی و مدل تقاضای غیرمسکونی استفاده شد، این مطالعه از وزن‌های تقاضا و تعداد مبدأهای مختلف برای مدل‌سازی جمعیت مسکونی و کارگری استفاده کرد. در نتیجه، i در معادله (2) با تقاضای غیرمسکونی یا مسکونی مطابقت دارد. پارامتر d ij نزدیکترین فاصله از محل تقاضا i تا محل عرضه j است. پارامتر x ij یک متغیر تصمیم گیری تخصیص است، با مقدار باینری 0 یا 1. مقدار x ijبرابر 1 است، اگر تقاضا در محل i، توسط یک عرضه j تامین می شود و در غیر این صورت 0 است. محدودیت‌های اضافی و متغیرهای تصمیم مرتبط با مدل P-median، شامل تخصیص تقاضاها فقط به مکان‌های عرضه منتخب و محدود کردن تخصیص تقاضا به مکان‌های عرضه بهینه است. فاصله وزنی جزء تابع هدف مدل P-median است. با پارامتر a i × d ij نشان داده می شود (معادله (2)).

مدل P-median ارائه شده در معادله (2)، زمان سخت چند جمله ای غیر قطعی است [ 37 ]. این بدان معنی است که حل آن در زمان چند جمله ای دشوار است. به عنوان مثال، انتخاب یک زیر مجموعه از 21 مکان از مجموعه ای از 2050 مکان نامزد، برای تخصیص به تقاضا در 897 WZ و 3054 OA به فضای جستجوی راه حل بسیار بزرگ 2050!/21 نیاز دارد! (2050-21)! (تقریباً 6.220846e + 49). استخراج راه حل برای این نوع مسئله با استفاده از شمارش کل یا نیروی بی رحم از نظر محاسباتی دشوار است. بسیاری از تکنیک های اکتشافی در ادبیات برای حل مسئله P-median توسعه یافته اند. برخی از روش‌های رایج مورد استفاده عبارتند از اکتشافی تیتز و بارت [ 38 ]، بازپخت شبیه‌سازی شده [ 39 ]، جستجوی تابو [ 40 ]، مدل عصبی [ 41 ]]و الگوریتم ژنتیک [ 42 ]. اگرچه بسیاری از این رویه‌ها می‌توانند به سرعت راه‌حل‌هایی را برای مشکل به دست آورند، اما بهینه بودن آنها به هیچ وجه قابل تضمین نیست.

این مطالعه از الگوریتم ژنتیک گروه بندی (GGA)، توسعه یافته توسط Comber و همکاران [ 43 ] برای حل مدل P-median استفاده کرد. GGA گونه ای از الگوریتم ژنتیک کلاسیک است که برای رسیدگی به مسئله انتخاب زیر مجموعه توسعه یافته است. این با موفقیت بر روی مشکلات مکان که شامل انتخاب زیر مجموعه ها یا گروه ها از مجموعه ای از انتخاب های مکان است، آزمایش شده است. به عنوان مثال، برنامه ریزی مکان آمبولانس در ژاپن [ 18 ] و بهینه سازی سایت اداره پست در لسترشایر [ 44 ].

GGA در بسته آماری R ( https://www.r-project.org/ ) پیاده سازی شد. GGA معمولاً برای تعدادی چرخه یا تکرار از پیش تعیین شده اجرا می شود تا زمانی که به یک معیار توقف دست پیدا کنید. پس از آزمایش الگوریتم برای چندین اجرا، معیار توقف 50000 تکرار انتخاب شد. فرمول P-median، در معادله (2) به عنوان تابع تناسب برای ارزیابی کیفیت مکان های انتخاب شده استفاده شد. نتایج حاصل از کاربرد GGA در بخش بعدی ارائه شده است.

4. نتایج

GGA برای شناسایی 21 سایت EMS بهینه پارامترسازی شد. شکل 2 (الف) و شکل 2 (ب) مکان هایی را نشان می دهد که به ترتیب با مدل TTW و Residential شناسایی شده اند. هر نقشه مکان های بهینه برای EMS (که با حلقه قرمز مشخص می شود) را نشان می دهد که بر روی تعداد تقاضای مسکونی (شکل 2 (الف)) و غیر مسکونی (شکل 2 (ب)) خلاصه شده است . مکان هایی که به طور یکسان توسط هر دو مدل انتخاب شده اند به عنوان نقاط قرمز نشان داده می شوند.

نتایج نشان می دهد که از 21 مکان انتخاب شده توسط هر دو مدل، 16 مکان متفاوت بودند. از نظر توزیع فضایی، مکان های شناسایی شده توسط هر دو مدل در اطراف مناطق با تقاضای بالا (یعنی بیش از 1200 نفر) خوشه بندی می شوند.

مدل‌ها بیشتر بر اساس نسبت تقاضای تخصیص یافته به مکان‌های انتخابی مربوطه، حوضه‌های حوضه مکان‌های انتخابی (یعنی مناطق خدماتی) و میانگین زمان پاسخ‌دهی در حوضه‌های آبریز مقایسه شدند. میانگین زمان پاسخ بر اساس میانگین زمان رانندگی از مکان‌های انتخابی تا نقاط تقاضا در حوضه‌های آبریز بود. میانگین زمان پاسخ در حوضه های آبریز با خطوط دریچه نشان داده می شود. الگوی دریچه ها نشان دهنده میانگین زمان پاسخ به سایت بهینه انتخاب شده است. خطوط دریچه نزدیک تر و متراکم تر نشان دهنده زمان پاسخ متوسط ​​سریعتر است ( شکل 3 (الف) و شکل 3 (ب)).

شکل 3 (الف) و شکل 3 (ب)، نتیجه تخصیص تقاضا و مناطق حوضه آبریز را به ترتیب برای مدل‌های TTW و Residential مقایسه می‌کنند.

اندازه دایره های متناسب نمایش داده شده بر روی نقشه ها، با اندازه تخصیص تقاضا به سایت های EMS بهینه مشخص شده توسط مدل ها وزن می شود. نتایج ( شکل 3 (الف) و شکل 3 (ب)) تفاوت های واضحی را بین مدل ها، از نظر نسبت تقاضای تخصیص یافته به هر مکان EMS و اندازه مناطق حوضه نشان می دهد. نسبت های تقاضای تخصیص یافته به سایت های EMS بهینه حاصل از مدل TTW ( شکل 3 (a)) در مقایسه با مدل مسکونی ( شکل 3 ) کوچکتر است.(ب)). اندازه حوضه های آبریز مکان های شناسایی شده توسط مدل ها متفاوت است. میانگین زمان پاسخ بر اساس مدل TTW در مقایسه با مدل مسکونی سریعتر است. به عنوان مثال، مناطق حوضه آبریز مدل‌سازی شده با مدل TTW دارای میانگین مناطق زمانی پاسخ کمتر از 2 دقیقه در مقایسه با مدل مسکونی هستند.

جدول 2 ، درصد تقاضای تحت پوشش EMS را در هر کدام خلاصه می کند

شکل 2 . (الف) مکان EMS بهینه شناسایی شده توسط مدل TTW. (ب) مکان EMS بهینه شناسایی شده توسط مدل مسکونی. حاوی داده های آمار ملی ©Crown حق چاپ و پایگاه داده 2014. حاوی داده های Ordnance Survey ©Crown copyright and database right 2014.

شکل 3 . (الف) نقشه تخصیص تقاضا و حوضه آبریز بر اساس مدل TTW. (ب) نقشه تخصیص تقاضا و حوضه آبریز بر اساس مدل مسکونی. دایره های متناسب نشان دهنده مکان انتخابی EMS است که با حداکثر تخصیص تقاضا وزن شده است. فایل مرز دیجیتال حاوی داده‌های آمار ملی © حق نسخه‌برداری تاج و حق پایگاه داده (2014) و حاوی داده‌های Ordnance Survey © Copyright Crown and database (2014).

مناطق زمانی پاسخ داده های جدول 2 ممکن است به عنوان نسبت تقاضای تحت پوشش مدل ها تفسیر شود.

نتایج نشان می‌دهد که 7/44 درصد از کل تقاضاهای غیرمسکونی در محدوده زمانی پاسخ متوسط ​​2 دقیقه قرار دارند، در مقایسه با مدل مسکونی 24 درصد. این رقم در منطقه زمانی پاسخ 2 تا 5 دقیقه به 51.1 درصد می رسد، اما مدل مسکونی 75 درصد تقاضا را در همان منطقه زمانی پاسخ پوشش می دهد. تفاوت در پوشش تقاضا پیامدهایی برای تصمیمات برنامه ریزی تخصیص مکان خدمات از نظر دسترسی به EMS زمانی که جمعیت ثابت فرض می شود دارد.

شکل 4 (الف) و شکل 4 (ب) تفاوت‌ها را در نسبت تقاضای تحت پوشش در عرض 5 دقیقه، بین مدل‌ها، با تغییر تعداد سایت‌های EMS از 5 تا 50، با مجموعه‌ای از 5 مکان EMS نشان می‌دهد. نمودارها تعداد سایت های بهینه EMS مورد نیاز برای دستیابی به هدف پوشش 95٪ را نشان می دهند. این با خطوط نقطه چین افقی نشان داده شده است ( شکل 4 ). نتایج تفاوت های قابل توجهی را بین مدل ها از نظر تعداد EMS بهینه مورد نیاز برای دستیابی به هدف بحرانی 95٪ پوشش تقاضا در عرض 5 دقیقه نشان می دهد. شکل 4 (الف) نشان می دهد که مدل TTW به حداقل 25 مکان نیاز دارد در حالی که مدل مسکونی حداقل به 15 مکان بهینه بیشتر برای رسیدن به هدف پوشش 95٪ (40 مکان EMS بهینه) نیاز دارد.

تفاوت‌ها در تعداد سایت‌های بهینه نشان می‌دهد که مدل مسکونی تعداد مکان بهینه EMS مورد نیاز برای ارائه پوشش تقاضای هدفمند 95% در عرض 5 دقیقه از نزدیک‌ترین سایت EMS را بیش از حد برآورد می‌کند. این یافته پیامدهایی برای سیاست برنامه ریزی منابع EMS و ملاحظات کارکنان در طول ساعات کاری دارد.

شکل 5 نتیجه تفاوت در فاصله وزنی متوسط ​​بین مدل ها را با افزایش تعداد مکان های EMS بهینه از 5 به 50 با مجموعه ای از 5 نشان می دهد. محل. به عنوان مثال، بهینه‌سازی مکان‌های EMS با استفاده از مدل TTW، معادل به حداقل رساندن نزدیک‌ترین فاصله است که با تعداد جمعیت غیرمسکونی یا کارگر وزن می‌شود. مقدار فاصله وزنی نشانگر دسترسی به سرویس EMS است. مقدار بالای میانگین فاصله وزنی نشان دهنده دسترسی ضعیف به خدمات و مقدار پایین نشان دهنده غیر این است.

نتیجه نمایش داده شده در شکل 5 ، نشان می دهد که افزایش تعداد سایت های EMS، منجر به کاهش میانگین فاصله وزنی همانطور که انتظار می رود، در دو مدل می شود. اما میزان کاهش در مدل TTW در مقایسه با مدل مسکونی بیشتر است. نتایج نشان می‌دهد که استفاده از تقاضای مسکونی ساکن برای مدل‌سازی مکان‌ها برای تسهیلات خدماتی منجر به مقادیر بالاتر میانگین می‌شود.

شکل 4 . (الف) نسبت تقاضا تحت پوشش در 5 دقیقه بر اساس مدل TTW. (ب) نسبت تقاضا تحت پوشش در 5 دقیقه بر اساس مدل مسکونی.

شکل 5 . مقایسه میانگین فاصله وزنی برای مدل مسکونی و مدل TTW.

فاصله با وزن فرد این نشان دهنده این است که دسترسی EMS توسط مدل Residential بیش از حد برآورد شده است.

5. بحث

هدف از این مطالعه ارزیابی تأثیر استفاده از تقاضای مسکونی و غیر مسکونی برای برنامه‌ریزی مکان برای تأسیسات خدمات بهداشتی با مقایسه نتایج تخصیص مکان به دست آمده از مدل TTW و Residential بود. نتایج نشان داد که هر دو مدل از نظر مکان بهینه انتخاب شده برای EMS، نسبت تقاضای تخصیص یافته به مکان های EMS بهینه، پوشش تقاضا و فاصله وزنی افراد تا سایت انتخابی EMS متفاوت هستند. نتایج نشان می‌دهد که نادیده گرفتن تقاضای غیرمسکونی، با استفاده از یک تقاضای ساکن ساکن در یک مدل مسکونی، پیامدهایی برای تصمیم‌گیری مکان-تخصیص از نظر مکان تأسیسات خدماتی، نحوه تخصیص تقاضاها به تأسیسات خدماتی، برنامه‌ریزی حوضه‌های خدماتی و توزیع بار کاری خدمات در مکان های بهینه انتخاب شده

یکی از ملاحظات مهم در این مطالعه استفاده از جغرافیای محل کار جغرافیایی جایگزین (مناطق محل کار) برای ایجاد مکان های مرکزی برای تقاضای غیر مسکونی بود. این مدل‌سازی مکان‌های مبدا را برای تقاضای غیرمسکونی، به جای فرض اینکه هر دو تقاضای مسکونی و غیرمسکونی از همان مکان‌ها سرچشمه می‌گیرند، امکان‌پذیر کرد.

نتایج این مطالعه اهمیت در نظر گرفتن تقاضای غیرمسکونی را هنگام استخراج مکان‌های بهینه برای تسهیلات خدماتی نشان داده است. نتایج این تحقیق نشان داده است که ادغام تقاضای غیر مسکونی در مدل‌های مکان‌یابی و استفاده از جغرافیای مناسب برای مدل‌سازی تقاضای پویا، پتانسیل بهبود دقت تصمیم‌گیری و مدیریت تخصیص EMS را دارد. اگرچه تنها جزء سفر به محل کار از جمعیت غیرمسکونی در نظر گرفته شد، با این حال، تفاوت‌هایی بین مدل‌ها وجود داشت. نتایج نشان داد که مکان‌های بهینه EMS توسط مدل‌ها شناسایی شدند. این یافته نشان می دهد که خطر مکان یابی EMS به صورت غیربهینه تنها با استفاده از تقاضای ثابت مسکونی یا برآوردهای رسمی سرشماری وجود دارد. این امر بر کارایی واکنش به شرایط اضطراری تأثیر خواهد داشت، با توجه به اینکه اثربخشی EMS بر اساس توانایی آنها در پاسخگویی به شرایط اضطراری به روشی کارآمد از نظر زمان کمی تعیین می شود. مورد دوم بستگی به این دارد که وسایل نقلیه یا منابع EMS (آمبولانس) در رابطه با توزیع تقاضا در آن قرار می گیرند.

نتایج در شکل 2 (الف) و شکل 2 (ب)، نشان می دهد که مکان های EMS در نزدیکی و درون مناطقی با تعداد بالای جمعیت مسکونی و غیرمسکونی قرار دارند. این نشان می دهد که مکان یابی EMS تنها با در نظر گرفتن تقاضای ساکن ساکن ممکن است منجر به زمان پاسخگویی طولانی تر در مناطق با تراکم بالای تقاضای غیر مسکونی (مراکز تجاری یا محل کار) شود. همچنین می توان از نتیجه برای تصمیم گیری در مورد برنامه ریزی مکان پویا منابع EMS استفاده کرد. برای مثال، مجموعه‌ای از مکان‌های انتخاب شده که بین مکان‌ها یکسان هستند، می‌توانند برای برنامه‌ریزی مکان‌های دائمی برای آمبولانس‌های مکان‌یابی استفاده شوند، در حالی که مجموعه‌هایی از مکان‌های مختلف EMS را می‌توان برای جابجایی EMS در رابطه با توزیع پویا جمعیت استفاده کرد.

سایر نقاط تفاوت بین مدل ها، نسبت تخصیص تقاضا ( شکل 3 )، میانگین زمان پاسخ در حوضه های آبریز ( شکل 3 ) و نسبت تقاضای تحت پوشش EMS ( جدول 2 ) بود. نتایج نشان داد که اندازه تقاضای تخصیص یافته توسط مدل TTW در مقایسه با مدل مسکونی کمتر است. نسبت تقاضای تخصیص یافته به سایت EMS بهینه ممکن است به عنوان حجم کاری بالقوه در هر مکان EMS تفسیر شود. این یافته نشان می دهد که تخصیص تقاضا بر اساس تقاضای مسکونی به طور قابل توجهی حجم کار EMS در اطراف محل کار را بیش از حد برآورد می کند. این همچنین پیامدهایی برای تصمیم گیری در مورد تعداد خدمه EMS که ممکن است برای مقابله با شرایط اضطراری احتمالی اختصاص داده شود، دارد.

این مطالعه پیامدهای تفاوت بین مدل‌ها در پوشش تقاضا را با تغییر تعداد مکان‌های EMS و اعمال محدودیت فاصله پنج دقیقه بررسی کرد. نتایج در شکل 4نشان داد که مدل مسکونی به مکان های EMS بیشتری نیاز دارد تا پوشش هدف 95٪ را برآورده کند، در حالی که مدل TTW همان سطح تقاضا را فقط در داخل پوشش می دهد. این یافته برای تدوین خط مشی در مورد تعداد مناسب واحدهای EMS برای استقرار قبل از شرایط اضطراری دلالت دارد. به عنوان مثال، یک شاخص رایج از عملکرد EMS این است که اطمینان حاصل شود که آمبولانس ها در یک محدودیت زمانی خاص به تماس گیرندگان بالقوه می رسند. این بدان معناست که ممکن است تعداد مکان‌های EMS در مناطقی مانند مدارس و مراکز تجاری، جایی که نسبت تقاضای غیرمسکونی زیاد است، بیش از حد تخمین زده شود. علاوه بر این، تعداد بیش از حد برآورد شده مکان EMS به این معنی است که منابع EMS بیشتری (به عنوان مثال وسایل نقلیه و پرسنل) در مناطقی با تقاضای کمتر مستقر خواهند شد.

این مطالعه تعدادی محدودیت دارد، به عنوان مثال عدم وجود داده‌های واقعی مورد اضطراری به این معنی است که تجزیه و تحلیل منحصراً بر سفر به محل کار متکی است و معمولاً جمعیت ساکن به‌عنوان نماینده تقاضای واقعی EMS محاسبه می‌شود. این منعکس کننده تقاضای واقعی برای EMS نیست، اما منطقی برای مقایسه این دو مدل در شرایط تقاضای بالقوه برای EMS ارائه می دهد. اصلاح بیشتر مدل‌ها با ادغام سایر اجزای جمعیت غیرمسکونی (مانند داده‌های پذیرش مدرسه، بازدیدهای خرده‌فروشی) با داده‌های موردی EMS مناسب می‌تواند دقت نتایج مدل را تا حد زیادی بهبود بخشد.

6. نتیجه گیری

این مقاله تأثیر تقاضای مسکونی و غیر مسکونی را بر تصمیم‌گیری تخصیص مکان، با استفاده از برنامه‌ریزی مکان EMS در لستر و لسترشر به عنوان مطالعات موردی بررسی کرد. این با مقایسه نتایج حاصل از یک TTW پویا و یک مدل مسکونی ساکن به دست آمد. مطالعه نشان داده است که تفاوت های مهمی بین مدل ها وجود دارد. تفاوت بین مدل ها به دلیل تأثیر آنها بر تصمیم گیری مکان-تخصیص EMS و تدوین خط مشی EMS باید شناسایی شود. چنین تفاوت‌هایی اهمیت ترکیب اجزای غیرمسکونی جمعیت را در مدل‌های صریح فضایی برجسته می‌کند.

منابع

[ 1 ] Eaton، DJ، Sánchez U، HML، Lantigua، RR و Morgan، J. (1986) تعیین استقرار آمبولانس در سانتو دومینگو، جمهوری دومینیکن. مجله انجمن تحقیقات عملیاتی، 37، 113-126.
https://doi.org/10.1057/jors.1986.21
[ 2 ] Badri, MA, Mortagy, AK and Alsayed, CA (1998) یک مدل چند هدفه برای مکان یابی ایستگاه های آتش نشانی. مجله اروپایی تحقیقات عملیاتی، 110، 243-260.
https://doi.org/10.1016/S0377-2217(97)00247-6
[ 3 ] Flahaut، B.، Laurent، M.-A. و توماس، آی. (2002) مکان یابی مرکز بازیافت جامعه در یک منطقه مسکونی: مطالعه موردی بلژیکی. جغرافی دان حرفه ای، 54، 67-82.
https://doi.org/10.1111/0033-0124.00316
[ 4 ] Eiselt، HA (2007) مکان یابی محل های دفن زباله-بهینه سازی در مقابل واقعیت. مجله اروپایی تحقیقات عملیاتی، 179، 1040-1049.
https://doi.org/10.1016/j.ejor.2005.11.039
[ 5 ] Borges, OM and Antunes, AP (2006) برنامه ریزی شبکه مدرسه در کیپ ورت: به حداکثر رساندن دسترسی در مقابل به حداقل رساندن سرمایه گذاری. کنفرانس بین المللی مشترک محاسبات و تصمیم گیری در مهندسی عمران و ساختمان، مونترال، 14-16 ژوئن 2006، 945-954.
[ 6 ] Owen، SH و Daskin، MS (1998) مکان تاسیسات استراتژیک: یک بررسی. مجله اروپایی تحقیقات عملیاتی، 111، 423-447.
https://doi.org/10.1016/S0377-2217(98)00186-6
[ 7 ] حکیمی، SL (1964) مکان های بهینه مراکز سوئیچینگ و مراکز مطلق و میانه های یک نمودار. تحقیق در عملیات، 12، 450-459.
https://doi.org/10.1287/opre.12.3.450
[ 8 ] Church, R. and ReVelle, C. (1974) The Maximal Covering Location Problem. مقالات انجمن علمی منطقه ای، 32، 101-118.
https://doi.org/10.1007/BF01942293
[ 9 ] تورگاس، سی، و همکاران. (1971) محل تأسیسات خدمات اضطراری. رهنمودهایی برای تمرین تحقیق در عملیات. تحقیق در عملیات، 19، 1259-1551.
[ 10 ] Rodrigue, J.-P., Comtois, C. and Slack, B. (2013) جغرافیای سیستم های حمل و نقل. روتلج، نیویورک
[ 11 ] Bennett, WD, (1981) رویکرد تخصیص مکان به مکان مرکز مراقبت های بهداشتی: مطالعه ای از جمعیت بدون پزشک در لنسینگ، میشیگان. علوم اجتماعی و پزشکی. قسمت د: جغرافیای پزشکی، 15، 305-312.
https://doi.org/10.1016/0160-8002(81)90006-X
[ 12 ] Malczewski، J. و Ogryczak، W. (1990) یک رویکرد تعاملی به مشکل مکان مرکز مرکزی: مکان یابی بیمارستان های کودکان در ورشو. تحلیل جغرافیایی، 22، 244-258.
https://doi.org/10.1111/j.1538-4632.1990.tb00208.x
[ 13 ] Gu, W., Wang, X. and McGregor, SE, (2010) بهینه سازی مکان های پیشگیرانه مرکز مراقبت های بهداشتی. International Journal of Health Geographics, 9, 17.
https://doi.org/10.1186/1476-072X-9-17
[ 14 ] میتروپولوس، پی، و همکاران. (1385) مدل زیست هدف برای مکان یابی بیمارستان ها و مراکز بهداشتی. علوم مدیریت مراقبت های بهداشتی، 9، 171-179.
https://doi.org/10.1007/s10729-006-7664-9
[ 15 ] Price, WL and Turcotte, M. (1986) Locating a Blood Bank. رابط ها، 16، 17-26.
https://doi.org/10.1287/inte.16.5.17
[ 16 ] جاکوبز، دی، سیلان، ام. رابط ها، 26، 40-50.
https://doi.org/10.1287/inte.26.3.40
[ 17 ] ایتون، دی جی و همکاران (1985) تعیین استقرار وسایل نقلیه خدمات پزشکی اضطراری در آستین، تگزاس. رابط ها، 15، 108.
https://doi.org/10.1287/inte.15.1.96
[ 18 ] Sasaki, S., Comber, AJ, Suzuki, H. and Brunsdon, C. (2010) با استفاده از الگوریتم‌های ژنتیک برای بهینه‌سازی برنامه‌ریزی سلامت فعلی و آینده – نمونه مکان‌های آمبولانس. International Journal of Health Geographics, 9, 4.
https://doi.org/10.1186/1476-072X-9-4
[ 19 ] خداپرستی، س.، و همکاران. (2018) یک مدل مکان-تخصیص چند دوره ای برای برنامه ریزی شبکه خانه سالمندان تحت عدم قطعیت. تحقیقات عملیات برای مراقبت های بهداشتی، 18، 4-15.
https://doi.org/10.1016/j.orhc.2018.01.005
[ 20 ] اسکات، ای جی (1971) سیستم های تخصیص مکان پویا: برخی از استراتژی های برنامه ریزی اساسی. محیط زیست و برنامه ریزی الف: اقتصاد و فضا، 3، 73-82.
https://doi.org/10.1068/a030073
[ 21 ] شپرد، ES (1974) چارچوب مفهومی برای تحلیل تخصیص مکان پویا. محیط و برنامه ریزی الف: اقتصاد و فضا، 6، 547-564.
https://doi.org/10.1068/a060547
[ 22 ] Truscott، WG (1976) یادداشتی در مورد چارچوب مفهومی برای تحلیل تخصیص مکان پویا. محیط و برنامه ریزی الف: اقتصاد و فضا، 8، 443-446.
https://doi.org/10.1068/a080443
[ 23 ] میرچندانی، پی بی (1980) تصمیمات مکانی در شبکه های تصادفی. تحلیل جغرافیایی، 12، 172-183.
https://doi.org/10.1111/j.1538-4632.1980.tb00026.x
[ 24 ] Schilling، DA (1980) مدل سازی مکان پویا برای تسهیلات بخش عمومی: رویکرد چند معیاره. علوم تصمیم، 11، 714-724.
https://doi.org/10.1111/j.1540-5915.1980.tb01172.x
[ 25 ] Drezner, Z. (1995) مکان تاسیسات پویا: مسئله پیشرونده P-Median. علم مکان یابی، 3، 1-7.
https://doi.org/10.1016/0966-8349(95)00003-Z
[ 26 ] Sleeter, R. and Wood, N. (2006) برآورد تراکم جمعیت در روز و شب برای جوامع ساحلی در اورگان. چهل و چهارمین کنفرانس سالانه انجمن سیستم های اطلاعات شهری و منطقه ای، بریتیش کلمبیا.
[ 27 ] کوبایاشی، تی، مدینه، RM و کووا، تی جی (2011) تجسم تغییر جمعیت روزانه در مناطق شهری برای مدیریت اضطراری. جغرافی دان حرفه ای، 63، 113-130.
https://doi.org/10.1080/00330124.2010.533565
[ 28 ] Tobler، WR (1979) درونیابی پیکنوفیلاکتیک صاف برای مناطق جغرافیایی. مجله انجمن آماری آمریکا، 74، 519-530.
https://doi.org/10.1080/01621459.1979.10481647
[ 29 ] آهولا، تی، و همکاران. (2007) یک مدل جمعیت مکانی-زمانی برای حمایت از ارزیابی ریسک و تجزیه و تحلیل خسارت برای تصمیم گیری. مجله بین المللی علوم اطلاعات جغرافیایی، 21، 935-953.
https://doi.org/10.1080/13658810701349078
[ 30 ] Leung, S., Martin, D. and Cockings, S. (2010) پیوند داده‌های عمومی مکانی بریتانیا برای ساخت مدل‌های سطح جمعیت ویژه فضا-زمان 24/7.
[ 31 ] Martin, D., Cockings, S. and Leung, S. (2009) جمعیت 24/7: ساخت مدل‌های شبکه جمعیتی خاص زمان، در انجمن اروپایی کنفرانس زمین آمار.
[ 32 ] اسمیت، ا.، مارتین، دی و کوکینگ، اس (2016) مدل‌سازی جمعیت مکانی-زمانی برای ارزیابی پیشرفته قرار گرفتن در معرض شهری در معرض خطر سیل. تحلیل و سیاست کاربردی فضایی، 9، 145-163.
https://doi.org/10.1007/s12061-014-9110-6
[ 33 ] Guan، X.، و همکاران. (2018) مطالعه تخصیص مکان انبار خدمات اضطراری زلزله بر اساس تصمیم گیری چند ویژگی ترکیبی. مخاطرات طبیعی، 90، 337-348.
https://doi.org/10.1007/s11069-017-3051-8
[ 34 ] آمار محل کار ویژه سرشماری OA: WPZ (2011) [مکان سکونت و محل کار معمولی (به استثنای کسانی که دارای محل کار شبه کار هستند)]—WF01AEW—باز 2011 SWS OA: WPZ [محل سکونت معمولی و محل کار (Ex) Quasi-Workplaces)]-WF01AEW-باز.
[ 35 ] آمار محل کار ویژه سرشماری OA: OA (2011) [محل سکونت و محل کار معمولی] – WF01BEW – باز است.
[ 36 ] ReVelle, CS and Swain, RW (1970) محل تأسیسات مرکزی. تحلیل جغرافیایی، 2، 30-42.
https://doi.org/10.1111/j.1538-4632.1970.tb00142.x
[ 37 ] Reese, J. (2006) روش های حل مسئله P-Median: Annotated Bibliography. شبکه ها، 48، 125-142.
https://doi.org/10.1002/net.20128
[ 38 ] Teitz, MB and Bart, P. (1968) روشهای اکتشافی برای تخمین میانه راس تعمیم یافته یک نمودار وزنی. تحقیق در عملیات، 16، 955-961.
https://doi.org/10.1287/opre.16.5.955
[ 39 ] Chiyoshi, F. and Galvao, RD (2000) A Analysis Statistical Annealing Simulated Applied to the P-Median Problem. سالنامه تحقیق در عملیات، 96، 61-74.
[ 40 ] Glover, F. (1990) Tabu Search: A Tutorial. رابط ها، 20، 74-94.
https://doi.org/10.1287/inte.20.4.74
[ 41 ] Domínguez، E. and Munoz، J. (2008) یک مدل عصبی برای مشکل P-Median. تحقیقات کامپیوتر و عملیات، 35، 404-416.
https://doi.org/10.1016/j.cor.2006.03.005
[ 42 ] Correa، E.، و همکاران. (2004) الگوریتم ژنتیک برای حل مسئله ظرفیت P-Median. الگوریتم های عددی، 35، 373-388.
https://doi.org/10.1023/B:NUMA.0000021767.42899.31
[ 43 ] Comber، AJ، و همکاران. (2011) الگوریتم ژنتیک گروه بندی اصلاح شده برای انتخاب مکان های سایت آمبولانس. مجله بین المللی علوم اطلاعات جغرافیایی، 25، 807-823.
https://doi.org/10.1080/13658816.2010.501334
[ 44 ] Comber، A.، و همکاران. (2008) با استفاده از تحلیل شبکه مبتنی بر GIS و روال‌های بهینه‌سازی برای ارزیابی ارائه خدمات: مطالعه موردی اداره پست بریتانیا. تحلیل و سیاست کاربردی فضایی، 2، 47-64.
https://doi.org/10.1007/s12061-008-9018-0

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید