تجزیه و تحلیل مکان بهینه نقاط تحویل بسته تحویل با استفاده از مدل AHP و شبکه هاف: مطالعه موردی منطقه فرعی Shiweitang در شهر گوانگژو، چین

خلاصه

استفاده از نقاط تحویل بسته (PPPs) یک رویکرد موثر برای حل مشکل آخرین مایل است. با این حال، مطالعات کمی برای سازماندهی بهینه PPP ها راهنمایی خاصی ارائه می دهند. در اینجا، یک مدل ترکیبی مبتنی بر سیستم اطلاعات جغرافیایی (GIS) با ترکیب روش تجزیه و تحلیل چند معیاره فرآیند تحلیل سلسله مراتبی (AHP) با مدل هاف توسعه داده شد که تعداد بازدیدکنندگان از مشتریان را برای تعیین تسهیلات بهینه برای همکاری و خدمات پیش‌بینی می‌کند. به عنوان یک PPP با استفاده از این مدل، یک تصمیم‌گیر می‌تواند بالاترین رتبه را انتخاب کند یا از نمودار رتبه‌بندی نوسانات برای تعیین فهرست اولویتی امکانات کاندید با توجه به فاصله خدمات PPP مناسب استفاده کند. یافته‌های ما نشان می‌دهد که تسهیلات کاندیدای بهینه باید در نزدیکی مناطق با تراکم جمعیت بالا، یک شبکه جاده‌ای متراکم واقع شود. و موانع جغرافیایی اندک این تسهیلات باید دارای ارزش جذابیت بالا، ساعات کاری طولانی و دسترسی راحت به حمل و نقل عمومی باشد، منطقه بزرگ و پرجمعیتی را پوشش دهد و باید یک فروشگاه زنجیره ای خرده فروشی باشد. بر اساس این یافته ها، روش AHP می تواند دقت به دست آوردن ارزش جذابیت تسهیلات را با استفاده از مدل هاف بهبود بخشد. جذابیت تسهیلات در مورد فواصل قابل قبول طولانی تا ساختمان های مسکونی تأثیر زیادی بر تعداد مشتریان حاصله دارد. روش AHP می تواند دقت به دست آوردن ارزش جذابیت تسهیلات را با استفاده از مدل هاف بهبود بخشد. جذابیت تسهیلات در مورد فواصل قابل قبول طولانی تا ساختمان های مسکونی تأثیر زیادی بر تعداد مشتریان حاصله دارد. روش AHP می تواند دقت به دست آوردن ارزش جذابیت تسهیلات را با استفاده از مدل هاف بهبود بخشد. جذابیت تسهیلات در مورد فواصل قابل قبول طولانی تا ساختمان های مسکونی تأثیر زیادی بر تعداد مشتریان حاصله دارد.

کلید واژه ها:

نقطه تحویل بسته (PPP) ; سیستم اطلاعات جغرافیایی (GIS) ; فرآیند تحلیل سلسله مراتبی (AHP) ; مدل شبکه هاف ; مکان بهینه

1. معرفی

تحویل آخرین مایل، که تحویل پایانه در حمل و نقل تجارت الکترونیکی است، پرهزینه ترین، آلوده ترین و کم کارآمدترین جزء کل فرآیند لجستیک است [ 1 ، 2 ، 3 ، 4 ، 5 ، 6 ]. این مرحله حیاتی ترین و دشوارترین مرحله در تجارت الکترونیکی محسوب می شود زیرا مستلزم تحویل کالاهای مناسب به مکان مناسب در زمان مناسب است. بسیاری از شرکت‌های تجارت الکترونیک و شرکت‌های اکسپرس، سیستم‌های تحویل مؤثر را مزیت‌های رقابتی ضروری می‌دانند [ 7 ، 8 ]] و با استفاده از رویکردهایی مانند نقاط تحویل بسته (PPPs) (یعنی خانه همسایه ها، نگهبانان جامعه، مغازه های کوچک)، PPP های بدون مراقبت (یعنی جعبه پذیرایی اشتراکی) سعی کرده اند راه حل های جدیدی را برای مشکلات فوق الذکر اجرا کنند. [ 9 ، 10 ، 11 ، 12 ] و هواپیماهای بدون سرنشین تحویل [ 13 ]، بنابراین، روشی انعطاف‌پذیر، راحت و راحت برای دریافت بسته‌ها در اختیار مشتریان قرار می‌دهد. در این مقاله، ما بر روی PPP های حاضر تمرکز می کنیم.

PPPها به سرعت در چین در حال توسعه هستند [ 14 ]. رایج ترین آنها “ایستگاه لجستیک بسته های Cainiao” است که توسط شرکت بزرگ تجارت الکترونیک علی بابا معرفی شده است. این رویکرد به مشتریان اجازه می دهد تا بسته های خود را از مغازه های اطراف جمع آوری کنند. علی بابا مغازه‌های کوچک موجود را فرانشیز داد تا به‌جای راه‌اندازی سرویس جدید، خدمات دریافت بسته‌ها را اضافه کنند [ 12 ]]. این روش اصلی همکاری تجاری می تواند منجر به یک موقعیت سودمند متقابل شود. برای شرکت های تجارت الکترونیکی مانند علی بابا، این روش تحویل می تواند هزینه راه اندازی امکانات جدید را کاهش دهد و به سرعت شبکه پوشش خدمات توزیع را ایجاد کند. صاحبان تسهیلات می توانند از ارائه خدمات دریافت بسته درآمد اضافی کسب کنند و ترافیک بیشتری را در فروشگاه به دست آورند و در نتیجه به سود فروشگاه کمک کنند. مشتریان می توانند بسته ها را از طریق این مدل تحویل جدید به مکان و زمان دلخواه خود تحویل دهند [ 15 ]. با این حال، شبکه PPP نیز دارای محدودیت هایی است. برخی از مناطق فاقد فروشگاه فیزیکی هستند و برخی از صاحبان تأسیسات از پیوستن به شبکه تحویل خودداری می کنند زیرا فضای ذخیره سازی محدود و گران است.

با وجود دامنه و تعداد مطالعات در مورد PPP ها، تنها تعداد کمی از آنها اطلاعات دقیقی را در مورد نحوه انتخاب مکان برای PPP در اختیار تصمیم گیرندگان قرار می دهند. مطالعات تحقیقاتی در مورد سازماندهی PPP ها بسیار کمیاب است و مطالعات موردی محدود است [ 16 ]. محققان توجه خود را بر روی ویژگی های توزیع PPP و ارتباط آن با عوامل فضایی و غیر مکانی متمرکز کرده اند. PPP ها بیشتر در مناطق مسکونی شهری قرار دارند و شبکه PPP مستقیماً با تراکم جمعیت، دسترسی به ساکنان و ترجیحات ساکنان مرتبط است [ 16 ، 17 ، 18 ، 19 ، 20 ].]. با این حال، مطالعات قبلی روش عملی برای کمی کردن و ترکیب این عوامل برای تجزیه و تحلیل و شناسایی مکان بهینه برای PPP ارائه نکرده‌اند. با توسعه سریع تجارت الکترونیک، مدیران به شدت به داده های تصمیم گیری دقیق و معتبر نیاز دارند تا به آنها کمک کند تا PPP ها را گسترش دهند.

مطالعه حاضر به دنبال کمی سازی عوامل ذکر شده و یافتن مدل مناسب برای رفع مشکل استقرار PPP است. در بسیاری از روش‌های تحقیقاتی مورد استفاده برای انتخاب مکان، سیستم اطلاعات جغرافیایی (GIS) به سرعت در حال تبدیل شدن به یک ابزار محبوب است که نقش مهمی در بسیاری از برنامه‌های کاربردی برای پیش‌بینی و انتخاب یک مکان جدید در پشتیبانی از پرس و جوهای فضایی گسترده ایفا می‌کند [ 21 ]. یکی از مزایای GIS ظرفیت تجسم داده های آن است که می تواند داده های پیچیده را قابل درک کند و در نتیجه به تصمیم گیرندگان کمک کند تا به تصمیمات مناسب دست یابند [ 22 ، 23 ].]. مزیت دیگر توانایی آن برای مقابله با مقدار قابل توجهی از داده های کمی و اتصال Geodata به پایگاه های داده رابطه ای بین آنها است. مدل هاف یک مدل تعامل فضایی مبتنی بر گرانش است که احتمال انتخاب یک تسهیلات کاندید توسط مصرف‌کنندگان را برای پیش‌بینی پتانسیل فروش آن محاسبه می‌کند [ 24 ، 25 ]. این احتمال با جذابیت تسهیلات نسبت مستقیم و با فاصله بین ساختمان مسکونی مشتری و تسهیلات نسبت معکوس دارد [ 26 ]]. مدل شبکه هاف در تحلیل مکان یک شبکه جاده حمل و نقل استفاده شده است. با این حال، جذابیت یک تسهیلات به طور اجتناب ناپذیری تحت تأثیر عوامل بسیاری قرار می گیرد. تجزیه و تحلیل تصمیم چند معیاره (MCDA) روشی برای کمک به تصمیم گیرندگان در ارزیابی گزینه ها بر اساس معیارهای مختلف است [ 27 ]. فرآیند تحلیل سلسله مراتبی (AHP) یک رویکرد MCDA است که برای اولین بار توسط ساعتی در دهه 1970 توسعه یافت و به دلیل ویژگی های ریاضی عالی آن به طور گسترده برای مقابله با این مشکل تصمیم گیری پیچیده استفاده می شود [ 28 ].]. AHP از روش مقایسه کمی مبتنی بر مقایسه زوجی معیارها و گزینه ها استفاده می کند. بنابراین، فناوری مبتنی بر GIS یک رویکرد ممکن برای تصمیم‌گیرندگان برای جمع‌آوری، تجزیه و تحلیل و تجسم اطلاعات پیچیده جغرافیایی فراهم می‌کند. مدل هاف روشی را برای ترکیب جمعیت، فاصله تا تسهیلات و متغیرهای ترجیحی مشتری ارائه می دهد و روش AHP راه حلی برای مقابله با معیارهای انتخاب پیچیده ارائه می دهد.

بنابراین، هدف اصلی این مطالعه توسعه یک مدل ترکیبی مبتنی بر GIS AHP و هاف برای شناسایی مکان مناسب برای PPP در یک منطقه مسکونی معمولی با (1) تعیین عوامل مؤثر بر انتخاب یک PPP توسط ساکنان بود. ) ارزیابی اهمیت نسبی این عوامل با استفاده از روش AHP، (3) محاسبه جذابیت امکانات، و (4) پیش بینی تعداد مشتریان در تسهیلات کاندید.

2. مواد و روشها

2.1. حوزه و داده های مطالعه

چین دارای بزرگترین بازار تجارت الکترونیک در جهان است، با بیش از 40٪ از معاملات تجارت الکترونیک جهانی از سال 2017 [ 29 ]. در این کار، ما گوانگژو را به عنوان شهر تحقیقاتی انتخاب کردیم، زیرا برای پنج سال متوالی از 2014 تا 2018 بالاترین رتبه را در دریافت بسته‌ها در چین داشته است [ 30 ، 31 ، 32 ، 33 ، 34 ]. همانطور که در شکل 1 نشان داده شده است ، منطقه مورد مطالعه در منطقه مرکزی منطقه فرعی Shiweitang گوانگژو قرار دارد. منطقه فرعی Shiweitang، واقع در جنوب شرقی ناحیه لیوان، دارای 57192 نفر جمعیت در سال 2010 و مساحت 5.18 کیلومتر مربع است ^[ 35] .]، شامل انواع ساختمان های مسکونی از جمله کانکس، آپارتمان و خانه های روستایی شهری است. از آنجایی که این منطقه مملو از انواع ساختمان‌های مسکونی است و از تراکم جمعیت بالایی برخوردار است، این مطالعه با هدف شناسایی امکانات مناسب برای معرفی یک PPP، که برای ساکنان منطقه قابل توجه و سودمند به نظر می‌رسد، می‌باشد.

همانطور که در شکل 1 نشان داده شده است ، دو راه آهن – ژوجیانگ کیائو و گوانگمائو – ناحیه فرعی شیویتانگ را به سه منطقه تقسیم می کنند. منطقه غربی بالایی با برچسب (A) شامل مرکز توزیع GuangFo و پایانه اتوبوس راه دور جیائوکو بزرگ است و منطقه پایین شرقی (C) شامل بزرگترین بازار تجارت عمده برگ چای در جنوب چین است. منطقه مرکزی (B) که به عنوان منطقه مورد مطالعه انتخاب شده است، دارای بیشترین تعداد ساختمان های مسکونی مسکونی در منطقه فرعی است. شکل 2 محیط محلی منطقه مورد مطالعه را نشان می دهد.

جدول 1 داده های مورد استفاده در این مقاله را نشان می دهد. نقشه های Gaode و Baidu Maps رایج ترین نقشه های الکترونیکی مورد استفاده برای ناوبری روزانه در چین هستند زیرا حاوی اطلاعات دقیق و به روز هستند. ما دریافتیم که نقشه‌های Gaode [ 36 ] دارای داده‌های جاده‌ای دقیق‌تر، از جمله کوچه‌ها، در رابطه با یک جامعه در منطقه مورد مطالعه است. داده‌های ساختمان شامل داده‌های ویژگی طبقه جزئی بود، اما اطلاعاتی در مورد کاربری ساختمان نداشت. ما ساختمان‌های مسکونی را با استفاده از عملکرد نمای خیابان Baidu Maps شناسایی کردیم و داده‌های طبقه را بر اساس داده‌های موجود در وب‌سایت آژانس املاک و مستغلات Lianjia تکمیل کردیم [ 37 ]] و کار میدانی. ما ساختمان‌های مسکونی را به سه دسته طبقه‌بندی کردیم: آپارتمان‌ها، آپارتمان‌ها و خانه‌های روستایی شهری. تشخیص کاربری ساختمان در یک روستای شهری به دلیل فقدان مقررات برای تعداد زیادی از ساختمان‌های مسکونی روستاهای شهری و ردپای کوچک آنها دشوار است [ 38 ]. تمامی ساختمان های موجود در محدوده روستای شهری ساختمان مسکونی در نظر گرفته شدند. ما یک طبقه به داده های گمشده این نوع مسکن اضافه کردیم زیرا اکثر خانه های روستایی شهری در منطقه مورد مطالعه یک طبقه بودند. سرشماری نفوس هر 10 سال در چین انجام می شود و آخرین سرشماری در سال 2010 انجام شده است.

2.2. روش شناسی

شکل 3 روش مورد استفاده برای انجام این تحقیق را نشان می دهد. عمدتاً از چهار بخش تشکیل شده است: (1) تعریف منطقه خدمات خالی و امکانات نامزد. (2) برآورد جمعیت ساختمان های مسکونی. (3) محاسبه جذابیت امکانات کاندیدهای مختلف با استفاده از AHP. و (4) تخمین تعداد مشتریان امکانات بالقوه با استفاده از مدل هاف.

2.2.1. تعریف مناطق خالی خدمات و تسهیلات کاندید

یک منطقه خدماتی 300 متری برای هر PPP از قبل موجود بر اساس شبکه جاده ایجاد شد. ما فرض کردیم که در منطقه خارج از منطقه فوق که “منطقه خدمات خالی” نامیده می شود، خدمات PPP وجود ندارد و همه ساکنان این منطقه به خدمات PPP نیاز دارند. مشتریان در ساختمان های مسکونی در محدوده خدمات خالی قرار داشتند. این ساختمان های مسکونی «ساختمان های مورد تقاضا» نامیده می شدند. همانطور که در شکل 4 نشان داده شده است، منطقه سبز نشان دهنده منطقه خدماتی چهار PPP از قبل موجود است. نواحی زرد نشان دهنده نقاط مرکزی هر ساختمان مسکونی در ناحیه خدماتی خالی بوده و به عنوان نقاط تقاضا تعیین شده است.

طبق بررسی ادبیات ما، PPP ها در فرانسه عمدتاً به امکانات محلی کوچک مانند کیوسک های مطبوعاتی، بارها، گل فروشی ها و مغازه های تنباکو بستگی دارند [ 16 ]. در بریتانیا، PPP ها در تأسیسات عمومی پربازدید در مناطق شهری، مانند دفاتر پست، پمپ بنزین ها، و مغازه های کوچک ایجاد شده اند [ 9 ]]. در گوانگژو، ارائه دهندگان PPP از قبل با فروشگاه های خرده فروشی (مانند سوپرمارکت ها، فروشگاه های رفاه) و فروشگاه های خدمات (مانند مغازه های تعمیر و نگهداری خودرو، مغازه های املاک و مستغلات) همکاری می کنند. بنابراین، در این مطالعه، انواع تسهیلات زیر را به‌عنوان تسهیلات بالقوه PPP در نظر گرفتیم: سوپرمارکت‌ها (از جمله فروشگاه‌های رفاه)، مغازه‌های تعمیر و نگهداری خودرو، تعمیرگاه‌های کامپیوتر/تلفن، مغازه‌های قرعه‌کشی، داروخانه‌ها و مغازه‌های املاک و مستغلات. اطلاعات مربوط به مکان این امکانات در منطقه خالی خدمات از طریق سیستم مختصات بایدو [ 39 ] جمع آوری شد.]. در این وب سایت از کلیدواژه نقاط تحویل بسته به عنوان معیار جستجو استفاده شده است. این بلافاصله تمام نقاط مربوطه، از جمله اطلاعات در مورد طول و عرض جغرافیایی را نمایش می دهد. تبدیل مختصات قبل از اضافه شدن نقاط به ArcMap به دلیل سیستم مختصات BD-09 توسط نقشه های Baidu انجام می شود. 35 تسهیلات در قسمت خدمات خالی وجود دارد که از این تعداد 3 مورد آن دور از محل استقرار مشتریان قرار دارد و در نتیجه در نظر گرفته نشده است.

در مرحله بعدی، از روش AHP در مقایسه زوجی همه امکانات کاندید برای محاسبه شاخص‌های جذابیت مربوطه استفاده شد. تعداد بالای امکانات کاندید منجر به هزینه محاسباتی بالای مقایسه زوجی می شود. در این مطالعه، برای مواردی که یک مکان دارای امکانات متعدد بود، یک مرکز نمایندگی را به عنوان تسهیلات کاندید انتخاب کردیم تا تعداد کل امکانات کاهش یابد. ما 32 تسهیلات را بر اساس توزیع و تجمع متقابل آنها به 12 گروه تقسیم کردیم که با بیضی های بنفش در شکل 4 نشان داده شده است.. در هر گروه، ما فقط یک تسهیلات را که با یک مثلث قرمز نشان داده شده است، به عنوان تسهیلات کاندید انتخاب کردیم. اگر بیش از یک مرکز در گروه وجود داشت، ما یک منطقه خدماتی 300 متری برای هر جایگزین با استفاده از ابزار ArcMap ایجاد کردیم و سپس، تسهیلاتی را با بیشترین جمعیت در منطقه خدماتی به عنوان تسهیلات کاندید انتخاب کردیم. در نهایت، ما 12 امکانات کاندید را برای تجزیه و تحلیل انتخاب کردیم.

2.2.2. برآورد جمعیت ساختمان های مسکونی

داده های جمعیت در سطح ساختمان برای ریزآنالیز ضروری است. با این حال، حداقل واحد آماری داده‌های جمعیتی سرشماری چین، یک ناحیه فرعی است. از آنجایی که داده های دقیق جمعیت کمیاب است، برآورد جمعیت نقش مهمی دارد.

Lwin و Murayama [ 40 ] روشی را برای به دست آوردن جمعیت ساختمانی دقیق برای تجزیه و تحلیل ریز فضایی با استفاده از حجم ساختمان ها و داده های سرشماری منطقه پیشنهاد کردند.

روش حجمی به صورت ریاضی به صورت زیر بیان می شود:

ب پ من = ⎛⎝⎜⎜ سی پ \sum n k = 1 ب آ ک ب اف ک ⎞⎠⎟⎟ ب آ من ب اف من

(1)

که در آن BPi جمعیت در ساختمان i، CP جمعیت مسیر سرشماری، BAi مساحت ردپای ساختمان i، BFi تعداد طبقات ساختمان i، i و k شاخص های جمع هستند و n عدد است. ساختمان هایی که در داخل چند ضلعی CP قرار می گیرند [ 40 ].

شکل 5 جمعیت برآورد شده در منطقه مورد مطالعه را با استفاده از رویکرد حجمی نشان می دهد. جمعیت ساختمان‌های روستاهای شهری کم است، زیرا این ساختمان‌ها ساختمان‌های کم‌مرتبه هستند و مساحت کمی را در بر می‌گیرند. ساختمان‌های پرجمعیت، آپارتمان‌های بلندمرتبه یا آپارتمان‌هایی با ردپای بزرگ هستند.

2.2.3. محاسبه جذابیت امکانات جایگزین مختلف با استفاده از AHP

AHP یک رویکرد کارآمد برای برنامه های کاربردی MCDA [ 41 ] است که تجزیه و تحلیل کمی و کیفی را با قابلیت اطمینان عالی و طیف گسترده ای از کاربردها ترکیب می کند [ 42 ]. ما مراحل زیر را از روش AHP انجام دادیم:

تعیین معیارها

انتخاب معیارها برای روش AHP عمدتاً بر اساس ادبیات بررسی شده یا توصیه‌های متخصص بوده است [ 43 ، 44 ]. با این حال، این رویکرد برای مواردی که تنها توسط چند مطالعه تحقیقاتی پوشش داده شده اند، مناسب نیست. ما سعی کردیم یک نظرسنجی از ساکنان منطقه تحقیقاتی انجام دهیم تا عوامل مؤثر بر قضاوت آنها در مورد جذابیت تسهیلات را تعیین کنیم. این روش برای تعیین معیارهای AHP یکی از ویژگی های بدیع این اثر است.

انتخاب ساختمان‌های نمونه در بررسی ترجیحات ساکنان بر اساس نسبت سه نوع مختلف ساختمان‌های مسکونی بود. ما همچنین اطمینان حاصل کردیم که سایت‌های نمونه در سراسر منطقه خدمات خالی پخش شده‌اند. پرسشنامه‌هایی برای 212 نفر از ساکنان اجرا شد که به سؤالات مربوط به ویژگی‌های خود (جنس، سن، ترکیب خانواده)، تمایل آنها به استفاده از PPP، ویژگی‌های روان‌شناختی، فاصله قابل قبول تا PPP، و عوامل مؤثر بر انتخاب مکان پاسخ دادند. بسیاری از سؤالات مستلزم انتخاب تنها یک پاسخ از بین گزینه های متعدد ارائه شده بودند، به جز عوامل مؤثر بر انتخاب مکان که پاسخ دهندگان مجاز بودند به تعداد فاکتورهایی که قابل اجرا هستند انتخاب کنند.

جدول 2 نتایج به دست آمده را برای عوامل موثر بر جذابیت تسهیلات نشان می دهد. مشخص شد که 99٪ از پاسخ دهندگان ساعات کار یک تاسیسات را در نظر می گیرند و به دنبال آن راحتی و ویژگی های PPP را در نظر می گیرند. تنها 10 درصد از پاسخ دهندگان اندازه کارکنان را در نظر گرفتند. بنابراین، چهار عامل حیاتی جذابیت یک تأسیسات را تعیین می‌کنند: ساعات کار، فاصله تا ایستگاه اتوبوس، نوع تأسیسات و منطقه.

نتایج برای فاصله قابل قبول تا PPP نشان داده شده توسط ساکنان در جدول 3 نشان داده شده است. تقریباً نیمی از پاسخ‌دهندگان می‌توانستند بردی را بپذیرند که در 300 متر بود، سپس 500 متر و 1000 متر بود، در حالی که همه ساکنان با بردی که بیش از 1000 متر بود مخالف بودند. در مرحله تحلیل بعدی از این فواصل برای تعیین امکانات بهینه استفاده خواهیم کرد.

ساخت ساختار AHP

ساختار سلسله مراتبی کلی AHP از سه سطح اساسی تشکیل شده است. همانطور که در شکل 6 نشان داده شده است، هدف کلی AHP در این مطالعه کمی کردن جذابیت 12 تسهیلات کاندید است. چهار معیار تصمیم گیری توسط پرسشنامه شرح داده شده در بخش قبل تعیین می شود و گزینه های جایگزین 12 تسهیلات نامزد هستند. ماتریس تصمیم گیری کلی به صورت زیر بیان می شود:

ایکس = (ایکس من ج) 12 * 4

(2)

که در آن X نشان دهنده جذابیت کلی و $X_{i j}$ نشان دهنده جذابیت تسهیلات i برای معیارهای j است.

محاسبه ماتریس وزن معیارها و وزن های جایگزین

AHP یک ماتریس مقایسه زوجی برای تعیین وزن معیارها ایجاد می کند. مقیاس اهمیت نسبی با مقیاس عددی بین یک تا نه برگرفته از قانون روان‌فیزیکی وبر-فچنر، پرکاربردترین مقیاس AHP است [ 45 ، 46 ]. برای تعیین سازگاری قضاوت ها از هر مقایسه زوجی، شاخص سازگاری (CI) ماتریس محاسبه شد و با یک شاخص تصادفی (RI) مقایسه شد تا نسبت سازگاری (CR) به دست آید [ 41 ]. اگر CR کمتر از 0.1 باشد، قضاوت ها در ماتریس مقایسه زوجی سازگار در نظر گرفته می شوند [ 47 ]]. ما یک پرسشنامه AHP را در میان نمایندگان مشتریان بالقوه برای به دست آوردن این داده ها اجرا کردیم. ده خانوار نماینده که اغلب به صورت آنلاین خرید می کردند، از انواع مختلف ساختمان های مسکونی برای تکمیل پرسشنامه انتخاب شدند: چهار خانوار از کاندومینیوم، چهار خانوار از آپارتمان، و دو خانوار از روستای شهری. پس از جمع آوری داده ها، نسبت سازگاری (CR) را بررسی کردیم و داده ها را با استفاده از یک ابزار آنلاین رایگان به نام ماشین حساب آنلاین AHP- مدیریت عملکرد تجاری سنگاپور (BPMSG) [ 48 ] تجزیه و تحلیل کردیم. داده‌های 9 خانوار با ارزش CR که زیر 0.1 واجد شرایط بود و داده‌های یک خانوار با ارزش CR 0.29 نامعتبر بود. سپس ماتریس w معیارها را ساختیم و داده های مقایسه زوجی را برای به دست آوردن وزن ها با استفاده از ابزار آنلاین نرمال کردیم.

در این مقاله، با 12 گزینه و چهار معیار، دستیاران باید 264 سوال را برای ایجاد وزن جایگزین ها تکمیل می کردند. مقایسه داده‌های کمی خسته‌کننده و ناکارآمد است، به‌ویژه در مواردی که تعداد معیارها و گزینه‌های زیادی وجود دارد. برخی از محققان تلاش کردند تا پیچیدگی فرآیند استخراج ترجیحات را کاهش دهند (یعنی با استفاده از مقایسه‌های زوجی ناقص و یک ساختار پراکنده) [ 49 ، 50 ]. در این پژوهش، از آنجایی که مقادیر گزینه‌های موجود در معیارها عمدتاً داده‌های کمی بودند، به جای مقایسه زوجی با استفاده از پرسشنامه، رویکرد ساده‌ای را برای به دست آوردن مقیاس اهمیت نسبی از یک تا نه پیشنهاد کردیم. معادلات در زیر توضیح داده شده است.

به عنوان مثال، مقیاس اهمیت Bij با استفاده از جایگزین های Si و Sj که مقادیر ماتریس در بازه [Max S, Min S] هستند، به دست آمد. اگر مقدار بزرگتر مربوط به عملکرد بهتر (مانند اندازه، ساعت کاری) و Si≥ Sj باشد، Bij به صورت زیر محاسبه می شود:

ب من ج = 8 \times اس من - اس j حداکثر S - حداقل S + 1

(3)

اگر مقدار کوچکتر مربوط به عملکرد بهتر باشد (مانند فاصله)، و Si ≤ Sj، Bij به صورت زیر محاسبه می شود:

ب من ج = 8 \times اس من - اس j Min S - Max S + 1

(4)

جذابیت هر تسهیلات کاندید با استفاده از ماتریس‌های معیار w و ماتریس جایگزین S به‌دست‌آمده در مرحله قبل محاسبه می‌شود:

V=S*w

(5)

2.2.4. تخمین تعداد مشتریان تسهیلات بالقوه با استفاده از مدل هاف

مدل هاف جریان بین تسهیلات و تقاضا را برای پیش بینی رفتار فضایی مصرف کننده فرض می کند. در حالی که در مطالعه قبلی، جذابیت عمدتاً بر اساس مساحت تسهیلات بود، در این تحقیق، شاخص جذابیت تسهیلات را که با استفاده از مراحل ذکر شده محاسبه شده بود، وارد کردیم. احتمال (Pij) اینکه مصرف کننده ای که در i زندگی می کند، تسهیلات j را انتخاب کند با استفاده از فرمول زیر محاسبه می شود:

پ من ج = آ j / D λ من ج \sum n n = 1 آ j D λ من ج

(6)

که در آن Pij امکان حضور مشتری در ساختمان i است که تسهیلات j را انتخاب می کند، Aj جذابیت تسهیلات j است، Dij فاصله i تا j است، λ پارامتری است که تأثیر فاصله را بر خرید در نظر می گیرد و n برابر است. تعداد امکاناتی که افراد ساکن در ساختمان i می توانند به آنها دسترسی داشته باشند.

پارامتر برآورد شده برای تاجیما، که λ برابر با 2 است، به عنوان معمولی ترین مقدار برای پارامتر جذابیت در نظر گرفته شد [ 51 ، 52 ]. این پارامتر تجربی برای تجزیه و تحلیل های انجام شده در این مطالعه استفاده شد.

تعداد تخمینی مصرف کنندگان در تسهیلات بالقوه j با استفاده از فرمول زیر محاسبه می شود:

ب j = \sum n j = 1 پ من ج \times اس من

(7)

که در آن Bj تعداد پیش‌بینی‌شده ساکنینی است که از تأسیسات j بازدید می‌کنند، Si تعداد کل ساکنان در ساختمان i و Pij احتمال این است که ساکنان ساکن در ساختمان i از تسهیلات j بازدید کنند.

در اینجا، ساختمان 1 مورد تقاضا در شکل 7 را به عنوان نمونه ای از محاسبه در نظر می گیریم تا روش را نشان دهیم. شکل 7 تخصیص PPP را در 300 متر و مسیرهای ساختمان 1 تا تاسیسات را در تحلیل شبکه جاده با استفاده از ArcMap نشان می دهد. فاصله در تحلیل شبکه در (b) با داده های (a) برابر است. این تأیید می کند که تابع تخصیص در ArcMap با محاسبه فاصله شبکه جاده سازگار است.

جمعیت تخمینی ساختمان 1، جذابیت امکانات J و H و فاصله بین این امکانات به عنوان ورودی مدل هاف برای تأیید استفاده می شود. تعداد پیش‌بینی‌شده ساکنان ساکن در ساختمان 1 و بازدید از امکانات J و H محاسبه‌شده با استفاده از فرمول مدل هاف با داده‌های جدول نتایج تحلیل تولید شده با استفاده از تابع تخصیص شبکه در ArcMap مطابقت دارد. در این مطالعه، ما از این تابع پس از مدل هاف برای به دست آوردن سریع نتایج محاسباتی دقیق استفاده کردیم:

P 1 J = 0.082 / 295.35 2 0.082 295.35 2 ∔ 0.131 111.36 2 P 1 H = 0.131 / 111.36 2 0.082 295.35 2 ∔ 0.131 111.36 2 B J = 885.23 * P 1 J = 721.44 B H = 885.23 * P 1 H = 163.85

(8)

نتیجه برای مصرف کنندگان پیش بینی شده برای استفاده از تسهیلات به فواصل قابل قبول مختلف بستگی داشت. رتبه 12 تسهیلات کاندیدا با توجه به فاصله قابل قبول تغییر می کند. نموداری از نوسانات رتبه بندی هر تاسیسات کاندید با فاصله بین 100 متر تا 1000 متر برای تجزیه و تحلیل مکان بهینه استفاده شد.

3. نتایج

3.1. معیار وزن و جذابیت امکانات

جدول 4 و جدول 5 نتایج مربوط به وزن نوع تسهیلات و چهار معیار از نظرسنجی قضاوت AHP را در منطقه مورد مطالعه نشان می دهد. در میان چهار نوع تسهیلات، ساکنان فروشگاه‌های زنجیره‌ای خرده‌فروشی را به عنوان PPP (0.55) و پس از آن فروشگاه‌های خرده‌فروشی خصوصی (0.29) و فروشگاه‌های خدمات زنجیره‌ای (0.1) را ترجیح دادند. نتایج نشان می دهد که ساکنان فروشگاه های زنجیره ای را قابل اعتمادتر از فروشگاه های فردی و فروشگاه های خرده فروشی را جذاب تر از فروشگاه های خدماتی می دانند.

نتایج برای معیارهای وزن نشان می‌دهد که جذابیت یک تسهیلات برای ساکنان عمدتاً تحت تأثیر ساعات کار آن (56.3٪) قرار دارد. نزدیکی به حمل و نقل عمومی (28 درصد) نیز نقش بسزایی در جذب ساکنان داشت. نوع تأسیسات (2/11 درصد) نسبت به سایر عوامل اهمیت چندانی نداشت، در حالی که مساحت تأسیسات (5/4 درصد) کمترین تأثیر را بر جذابیت تأسیسات داشت.

جدول 6 و شکل 8 ارزش جذابیت 12 تسهیلات کاندید را بر اساس چهار معیار و موقعیت آنها در منطقه مورد مطالعه نشان می دهد. بیشترین مقدار جذابیت کلی برای تسهیلات B (274/0) به دست آمد که یک فروشگاه زنجیره‌ای خرده‌فروشی با طولانی‌ترین ساعات کاری و کوتاه‌ترین فاصله تا ایستگاه اتوبوس است. پس از آن، تسهیلات H (0.131) و تسهیلات I (0.096) قرار گرفتند. نتایج نشان می دهد که ساعات کاری تسهیلات نقش اصلی را در تأثیرگذاری بر جذابیت کلی تسهیلات دارد. سه تسهیلات برتر از نظر جذابیت، سه تسهیلات برتر از نظر ساعات کاری و کم جذاب‌ترین تسهیلات در رتبه آخر در ساعات کاری قرار دارند.

3.2. امکانات بهینه بر اساس مدل هاف

شاخص جذابیت تسهیلات با استفاده از روش AHP برآورد شد و در مدل هاف گنجانده شد. محدوده خدمات و تعداد پیش‌بینی‌شده مصرف‌کنندگان برای هر تسهیلات کاندید با فاصله از تسهیلات کاندید تا ساختمان مسکونی متفاوت است. شکل 9 تخصیص ساختمان های مورد تقاضا به PPP ها را برای فواصل 300، 500 و 1000 متر نشان می دهد. شکل 10 نوسان رتبه بندی کلیه امکانات کاندید را در محدوده فاصله بین 0 متر تا 1200 متر بر اساس نتایج مدل هاف نشان می دهد.

در فاصله 300 متری، امکانات با پتانسیل بالا J، H، G و D بودند که در نزدیکی منطقه کاندومینیوم بلندمرتبه یا منطقه متراکم ساخته شده یک روستای شهری قرار دارند. اگرچه جمعیت هر ساختمان در یک روستای شهری کم است، اما تعداد زیاد ساختمان ها به معنای پرجمعیت بودن روستاهای شهری است.

برای فواصل بین 300 متر و 500 متر، رتبه بندی امکانات A، D، I و L به طور قابل توجهی تغییر می کند: امکانات A و I از رتبه پایین به رتبه بالا حرکت می کنند، در حالی که امکانات D و L از رتبه بالا به رتبه پایین حرکت می کنند. رتبه بندی تسهیلات A به طور قابل توجهی تغییر کرد زیرا ساختمان های کاندومینیوم بلندمرتبه در مجاورت تأسیسات A در محدوده خدمات 300 متری آن قرار نداشتند. تأسیسات D، I و L نزدیک به هم قرار داشتند و در بین این سه تأسیسات، تأسیسات I بیشترین و تأسیسات L کمترین جذابیت را داشتند. با گسترش منطقه خدمات، برخی از مشتریان که در اصل تسهیلات D یا L را ترجیح می‌دادند، به دلیل بیشترین جذابیت، تسهیلات I را انتخاب کردند. از این رو، خطوط نوسان رتبه بندی تسهیلات I، D و L روند مخالف را نشان دادند.

برای فواصل بین 500 متر تا 1000 متر، امکانات با رتبه بالا، امکانات H، J، B و A بودند. در این بازه، بیشترین نوسان در منحنی رتبه‌بندی، تسهیلات B بود. مشاهده می‌شود که تأسیسات B بر روی آن قرار دارد. سمت چپ جاده اصلی و نزدیک به ایستگاه و ساختمان های مسکونی اطراف آن دارای تراکم کم و تنها چهار آپارتمان می باشد. هنگامی که فاصله تا 1000 متر افزایش می یابد، محدوده خدمات تسهیلات B می تواند ساختمان های مورد تقاضا را که قبلاً سایر امکانات را ترجیح می دادند، پوشش دهد. رتبه تاسیسات B به دلیل دارا بودن بالاترین شاخص جذابیت به رتبه دوم منتقل شد.

برای تمام محدوده‌های مسافتی، تقریباً همیشه بالاترین رتبه تأسیسات، تسهیلات H و پس از آن تأسیسات J و G بود. تأسیسات H و J در وسط منطقه واقع شده‌اند و توسط تعداد زیادی ساختمان‌های مسکونی بلندمرتبه احاطه شده‌اند. ساختمان های روستای شهری علاوه بر این، تسهیلات H از شاخص جذب بالاتری نسبت به تسهیلات J برخوردار است، به طوری که مشتریان تمایل بیشتری به انتخاب تسهیلات H نسبت به انتخاب تسهیلات J دارند. تراکم بالای ساختمان های مسکونی ما دریافتیم که تأسیساتی با بالاترین پتانسیل معمولاً در منطقه پر تراکم قرار دارد که مسکونی‌تر بوده و شاخص جذب نسبتاً بالاتری دارد. امکانات C و L کمترین رتبه را داشتند. یک طرف این تاسیسات نزدیک به گروه ساختمان های مسکونی روستای شهری کم ارتفاع و طرف دیگر نزدیک رودخانه و بازار عمده فروشی گل بود. این دو تسهیلات دارای شاخص جذابیت پایینی بودند، به ویژه تسهیلات L که در رتبه آخر قرار گرفت. تسهیلات L یک مرکز خدمات خصوصی است، با ساعات کاری کوتاه و فاصله طولانی تا ایستگاه اتوبوس. این نوع تسهیلات نباید به عنوان PPP استفاده شود.

4. بحث

4.1. تعداد مشتریان بالقوه در محدوده خدمات تسهیلات، عامل اصلی تسهیلات بهینه است.

با توجه به نتایج، تمامی امکانات مناسب در منطقه با تراکم جمعیت بالا، مانند تأسیسات J و H در نزدیکی مجتمع مسکونی بلندمرتبه، و تسهیلات G در نزدیکی روستای بزرگ شهری متمرکز شده‌اند. در این مناطق، حجم ساختمان‌های مسکونی به دلیل ردپای زیاد و یا تعداد طبقات زیاد ساختمان‌ها زیاد است. از این رو، برآورد جمعیت تخصیصی بالا است. نتایج حاکی از آن است که تعداد مشتریان عامل اصلی مؤثر بر مناسب بودن مکان PPP است. این با نتایج به دست آمده در مطالعات قبلی [ 16 ، 18 ] مطابقت دارد.

با این حال، این مطالعه با داده‌های مربوط به جمعیت متقاضی خدمات PPP محدود شده است. ما فرض کردیم جمعیت ساختمان تخمین زده شده در ناحیه خدمات خالی برابر با تعداد مشتریانی است که خدمات را درخواست می کنند، زیرا به دست آوردن داده های واقعی برای جمعیتی که خدمات PPP را درخواست می کنند دشوار است. بنابراین، بهبود دقت پیش‌بینی جمعیت متقاضی خدمات می‌تواند دقت نتایج محاسباتی مدل را بهبود بخشد.

4.2. اثرات فاصله قابل قبول تا رتبه بندی تسهیلات

در این مطالعه، مدل ترکیبی توسعه‌یافته از جمعیت ساختمان‌ها، جذابیت PPP و فاصله بین ساختمان‌های مسکونی و PPP برای پیش‌بینی تعداد مصرف‌کنندگان برای هر تسهیلات کاندید استفاده کرد. علاوه بر این، ما رتبه بندی تمامی امکانات نامزد را در فواصل قابل قبول مختلف مقایسه کردیم. بر اساس نوسانات منحنی رتبه‌بندی، دریافتیم که محدوده قابل قبول، محدوده ساختمان مورد تقاضا را تعیین می‌کند که بر رتبه تسهیلات تأثیر می‌گذارد. بنابراین، تعیین محدوده فاصله باید مهم در نظر گرفته شود.

ساکنین ممکن است در مناطق مختلف فواصل قابل قبول متفاوتی داشته باشند. علاوه بر این، محدوده خدمات PPP ها نیز ممکن است بین استراتژی های برنامه ریزی شرکت های مختلف متفاوت باشد. بنابراین، برنامه ریزان باید ابتدا یک فاصله خدمات PPP مناسب را بر اساس سناریوهای مختلف مربوطه تعیین کنند و سپس تسهیلات بهینه مربوطه را از نمودار نوسانات رتبه بندی با توجه به محدوده فاصله مورد نیاز شناسایی کنند.

4.3. دقت محدودیت مانع جغرافیایی بر دقت نتایج مدل تأثیر می گذارد

فاصله شبکه راه در مقایسه با فاصله اقلیدسی در تحلیل فضایی دقیق‌تر و واقعی‌تر است زیرا محدودیت‌های مانع جغرافیایی مانند رودخانه‌ها و موانع اصلی جاده را در نظر می‌گیرد. در این مطالعه، فاصله اقلیدسی بین تاسیسات کاندید E و گروه ساختمان مسکونی مقابل کمتر از 300 متر بود. با این حال، آنها توسط رودخانه ای از هم جدا شده بودند و هیچ پلی مستقیماً آنها را به هم وصل نمی کرد. در نتیجه، در واقعیت، منطقه خدماتی تسهیلات نامزد E نمی تواند این ساختمان های مسکونی را پوشش دهد.

ویژگی جاده یک عامل اساسی در تحلیل شبکه است. استفاده از داده های دقیق و به روز شده جاده، دقت نتایج را بهبود می بخشد. طبقه بندی جاده های شهری در چین معمولاً شامل چهار سطح است: بزرگراه، جاده اصلی، جاده فرعی و جاده فرعی. در این منطقه تحقیقاتی داده های جاده شامل سه مورد اخیر بود. با توجه به اینکه وسیله اصلی سفر ساکنین برای تحویل بسته پیاده روی بود، تشخیص جهت جاده ضروری نبود. بنابراین، ما باید بر روی مانع در مسیر ساکنان در داده های جاده تمرکز کنیم. در منطقه مورد مطالعه، تنها خیابان اصلی دارای یک مانع جاده در وسط بود تا آن را به دو جهت مختلف تقسیم کند. استفاده از خطوط دوتایی برای ترسیم خطوط اصلی جاده و اتصال این خطوط در گذرگاه‌های گورخر و عبور از پل‌ها با استفاده از نرم‌افزار ArcGIS نتیجه‌ای نزدیک‌تر به واقعیت ایجاد می‌کند. با این حال، از آنجایی که جاده های فرعی و جاده های فرعی فاقد موانع جغرافیایی هستند، عابران پیاده می توانند در هر نقطه عبور کنند. استفاده از خطوط منفرد برای نشان دادن این جاده ها با این واقعیت سازگار است که در چین، راحتی با پیاده روی کمتر همراه است. در مورد مقیاس خرد، نقاط مورد تقاضا محل ساختمان های مسکونی است. خیابان‌های متصل سازه‌ها در مناطق اجتماعی نیز نقش مهمی در تحلیل شبکه جاده ایفا می‌کنند. در نتیجه، نتایج تجزیه و تحلیل زمانی واقع بینانه تر خواهد بود که از داده های دقیق تر و دقیق تر جاده در مطالعه استفاده شود. از آنجا که جاده های فرعی و جاده های فرعی هیچ مانع جغرافیایی ندارند، عابران پیاده می توانند در هر نقطه ای از آن عبور کنند. استفاده از خطوط منفرد برای نشان دادن این جاده ها با این واقعیت سازگار است که در چین، راحتی با پیاده روی کمتر همراه است. در مورد مقیاس خرد، نقاط مورد تقاضا محل ساختمان های مسکونی است. خیابان‌های متصل سازه‌ها در مناطق اجتماعی نیز نقش مهمی در تحلیل شبکه جاده ایفا می‌کنند. در نتیجه، نتایج تجزیه و تحلیل زمانی واقع بینانه تر خواهد بود که از داده های دقیق تر و دقیق تر جاده در مطالعه استفاده شود. از آنجا که جاده های فرعی و جاده های فرعی هیچ مانع جغرافیایی ندارند، عابران پیاده می توانند در هر نقطه ای از آن عبور کنند. استفاده از خطوط منفرد برای نشان دادن این جاده ها با این واقعیت سازگار است که در چین، راحتی با پیاده روی کمتر همراه است. در مورد مقیاس خرد، نقاط مورد تقاضا محل ساختمان های مسکونی است. خیابان‌های متصل سازه‌ها در مناطق اجتماعی نیز نقش مهمی در تحلیل شبکه جاده ایفا می‌کنند. در نتیجه، نتایج تجزیه و تحلیل زمانی واقع بینانه تر خواهد بود که از داده های دقیق تر و دقیق تر جاده در مطالعه استفاده شود. خیابان‌های متصل سازه‌ها در مناطق اجتماعی نیز نقش مهمی در تحلیل شبکه جاده ایفا می‌کنند. در نتیجه، نتایج تجزیه و تحلیل زمانی واقع بینانه تر خواهد بود که از داده های دقیق تر و دقیق تر جاده در مطالعه استفاده شود. خیابان‌های متصل سازه‌ها در مناطق اجتماعی نیز نقش مهمی در تحلیل شبکه جاده ایفا می‌کنند. در نتیجه، نتایج تجزیه و تحلیل زمانی واقع بینانه تر خواهد بود که از داده های دقیق تر و دقیق تر جاده در مطالعه استفاده شود.

4.4. معرفی روش AHP برای بهبود دقت ارزش جذابیت تسهیلات در مدل هاف

مدل هاف از سه جزء حیاتی تشکیل شده است: جمعیت مکان مورد تقاضا، جذابیت تسهیلات، و فاصله از یک نقطه مورد تقاضا تا تسهیلات. با این حال، حتی تعیین جذابیت تسهیلات نیز دشوار و نامشخص است. مدل هاف به طور گسترده در تجزیه و تحلیل کسب و کار [ 24 ]، به ویژه در صنعت خرده فروشی استفاده می شود. در مطالعات قبلی، اندازه تسهیلات اغلب برای محاسبه ارزش جذابیت استفاده می شد. با این حال، اندازه تسهیلات یک عامل تعیین کننده نادرست جذابیت تسهیلات در مورد PPP است زیرا بسیاری از عوامل دیگر بر جذابیت تأثیر می‌گذارند. علاوه بر این، با توجه به نتایج بررسی انجام شده در مطالعه حاضر، اندازه یک تسهیلات یکی از عوامل تأثیرگذار اصلی نیست.

روش AHP یکی از شناخته شده ترین و پرکاربردترین تکنیک ها در رویکردهای تصمیم گیری چند عاملی است. در روش AHP ابتدا عوامل موثر تعیین می شود و سپس وزن عناصر بر اساس نتایج پرسشنامه برای مقایسه زوجی بین عوامل محاسبه می شود. در نهایت، این عوامل کمی سازی شده و با وزن مربوطه خود ترکیب می شوند تا جذابیت کلی هر تسهیلات نامزد محاسبه شود. استفاده از تمام این مراحل دقیق، ارزش برآوردی جذابیت تسهیلات را به دست می‌دهد که به واقعیت نزدیک است.

معیارهای AHP بیشتر از طریق بررسی متون مشخص می شود. با این حال، تنها چند مطالعه برای عوامل موثر بر جذابیت PPP ها انجام شده است. در این کار، ما سعی می کنیم مشتریان PPP را برای تعیین عوامل مورد بررسی قرار دهیم تا بتوانیم به طور مستقیم ترجیحات مشتری را از کاربران واقعی PPP جمع آوری کنیم. این رویکرد دقیق‌تر و واقعی‌تر از روش‌های مورد استفاده در مطالعات قبلی است.

4.5. جذابیت تسهیلات نسبت به نتیجه تعداد مشتریان در صورت فاصله قابل قبول بیشتر حساس است.

برای درک حساسیت جذابیت تسهیلات نسبت به تعداد مشتریان، همه مقادیر به‌دست‌آمده برای تسهیلات را تحت دو نوع جذابیت تسهیلات با محدوده فاصله متفاوت مقایسه کردیم: وزن مساوی 0.083 (خط جامد) و وزن با استفاده از AHP. روش (خط نقطه چین) [ 53 ]. بررسی شکل 11 نشان می دهد که دو خط نشان دهنده اکثر امکانات در 200 متر منطبق هستند. با افزایش فاصله، اختلاف بین دو خط افزایش می یابد.

مدل هاف احتمال انتخاب مشتری برای هر تسهیلات در منطقه رقابت را با در نظر گرفتن رقابت بین همه امکانات نامزد تجزیه و تحلیل می کند. در ابتدا، تقریباً هیچ منطقه مناقشه ای همپوشانی بین امکانات در یک فاصله کوتاه وجود ندارد به طوری که مدل هاف نمی تواند بر نتایج تأثیر بگذارد. در این حالت، تعداد مشتریان تنها به تعداد ساکنان منطقه خدماتی هر تسهیلات بستگی دارد. با افزایش فاصله قابل قبول، منطقه رقابتی همپوشانی مناطق خدماتی بین امکانات نامزد افزایش می یابد. در شکل 11، نتایج 12 مورد به ترتیب ارزش جذابیت نمایش داده می شود و تفاوت بین دو خط هیچ رابطه ظاهری با میزان جذابیت ندارد.

بنابراین، مدل هاف هیچ تاثیری بر نتایج ندارد تا زمانی که نواحی منازعه با هم تداخل دارند. تأثیر مدل هاف بر نتایج، و حساسیت نتایج به ارزش جذابیت تسهیلات، هر دو با افزایش منطقه خدمات بحث افزایش می‌یابد. برای فاصله خدمات قابل توجه، تصمیم گیرنده باید تلاش بیشتری را برای بهبود دقت برآورد جذابیت تسهیلات انجام دهد زیرا خطا در این تخمین ممکن است بر دقت نتایج نهایی تأثیر بگذارد و در نتیجه منجر به انتخاب مکان اشتباه شود. .

5. نتیجه گیری ها

با توسعه سریع تجارت الکترونیک در چین، مشکل آخرین مایل در لجستیک (بازده کم و هزینه بالا) بدتر شده و به گلوگاهی برای توسعه تجارت الکترونیک تبدیل می شود. تدارکات شرکت های تحویل سریع به اندازه کافی برای پاسخگویی به حجم تجارت و خواسته های مصرف کنندگان کافی نیست. برای حل این مشکل، بزرگترین شرکت تجارت الکترونیک اینترنتی چین، علی بابا، ایستگاه های تحویل بسته را در تاسیسات محلی با همکاری راه اندازی کرد. با این حال، تحقیق در مورد چگونگی برنامه ریزی این سیستم کمیاب است.

این مقاله ترکیبی از مدل هاف و روش AHP را در محیط نرم افزار GIS برای تجزیه و تحلیل مکان بهینه PPP پیشنهاد می کند. در سه مولفه حیاتی مدل هاف، جذابیت تسهیلات به طور مبهم تعریف شده و تعیین کمیت آن دشوار است. ما روش AHP را برای بهبود دقت مقادیر جذابیت تسهیلات بازده معرفی کردیم. به جای تعیین عوامل جذابیت با خلاصه کردن ادبیات کمیاب در مورد PPPها یا بسته به نظر متخصص، ما یک نظرسنجی برای تعیین چهار معیار جذابیت PPP انجام دادیم: ساعات کاری تسهیلات، راحتی حمل و نقل عمومی، نوع تسهیلات و مساحت تسهیلات. عامل غالب مؤثر بر جذابیت تسهیلات، زمان بهره برداری (56.3٪) و پس از آن راحتی حمل و نقل عمومی (28٪) است. جذابیت تسهیلات با استفاده از روش AHP برآورد و در مدل هاف گنجانده شد. مدل هاف رقابت بین جذابیت تسهیلات و فاصله تسهیلات تا ساختمان‌های مسکونی را در نظر می‌گیرد و تعداد مشتریان نظری را در هر تسهیلات کاندید برون‌یابی می‌کند. در نهایت، نمودار نوسانات رتبه‌بندی همه امکانات نامزد در محدوده‌های مختلف را ایجاد کردیم که تصمیم‌گیرندگان می‌توانند با فاصله خدمات PPP مورد نیاز، امکانات بهینه را پیدا کنند.

این روش برنامه ریزی برای برنامه ریزان امکان پذیر و واقعی تر است. می‌توان آن را در مناطق و موارد مختلف مطالعه برای انتخاب مکان بهینه از بین گزینه‌های مختلف یا شناسایی فهرست اولویت‌بندی امکانات نامزد از نمودار رتبه‌بندی نوسانات اعمال کرد. این مطالعه اهمیت عوامل خاصی را در تأثیرگذاری بر جذابیت PPP نشان داد. تعداد مشتریان در منطقه خدماتی یک مرکز عامل اصلی موثر بر مناسب بودن یک تسهیلات به عنوان PPP بود. تسهیلات بهینه باید دارای جذابیت بالا با ساعات کاری طولانی، مساحت وسیع، از نظر دسترسی به حمل و نقل عمومی مناسب و فروشگاه زنجیره ای خرده فروشی باشد. این مطالعه در نهایت نشان می‌دهد که ناحیه خدماتی تحلیل‌شده توسط فاصله شبکه جاده‌ای نسبت به فاصله اقلیدسی به واقعیت نزدیک‌تر است. دقت محدودیت مانع جغرافیایی بر دقت نتایج تأثیر می گذارد و جذابیت تسهیلات در مورد فاصله قابل قبول طولانی تأثیر زیادی بر تعداد مشتریان دارد. این مطالعه راهی برای کمک به تصمیم‌گیرنده در حل مشکل پیچیده انتخاب PPP از تجسم رتبه‌بندی کاندیداها در شرایط فاصله مختلف ارائه کرد.

در مقایسه با رویکردهای قبلی برای یافتن مکان بهینه با استفاده از مکان گسسته یا حداکثر پوشش، این مطالعه دیدگاه دیگری از در نظر گرفتن اختلاف امکانات نامزد و فواصل مختلف خدمات برای تعیین اهمیت فهرست رتبه‌بندی کاندیداها ارائه می‌کند. یک تصمیم گیرنده می تواند بر اساس فاصله خدمات مورد نیاز خود یا بر اساس رتبه بندی کلی فاصله خدمات تا تسهیلات بهینه برای PPP، بالاترین رتبه را انتخاب کند. ممکن است برای تصمیم گیرندگان مفید باشد که بهترین منابع را در سریع ترین زمان اشغال کنند. اگرچه این رویکرد به تعداد تنظیمات بهینه‌سازی اشاره نکرده است، اما می‌تواند به تصمیم‌گیرندگان کمک کند تا فهرست اولویت‌بندی امکانات نامزد را بر اساس رتبه‌بندی ایجاد کنند.

منابع

بالچیک، بی. Beamon، BM; Smilowitz، K. توزیع آخرین مایل در امداد بشردوستانه. جی اینتل. ترانسپ سیستم 2008 ، 12 ، 51-63. [ Google Scholar ] [ CrossRef ]
کاردناس، آی. بکرز، جی. Vanelslander، T. تجارت الکترونیک آخرین مایل در بلژیک: توسعه شاخص تحویل هزینه خارجی. Res. ترانسپ اتوبوس. مدیریت 2017 ، 24 ، 123-129. [ Google Scholar ] [ CrossRef ]
دابلانک، ال. لیو، ز. کامبز، اف. کونینگ، ام. کولومبل، ن. بلانکوارت، سی. هایتس، ا. کلاونبرگ، جی. د اولیویرا، LK; Seidel, S. CITYLAB Deliveable 2.1, Observatory of Strategic Developments Impacting Urban Logistics (نسخه 2018), گزارش برای کمیسیون اروپا 2018. در دسترس آنلاین: https://www.citylab-project.eu/deliverables/D2_1.pdf (دسترسی در 23 فوریه 2020).
ادواردز، جی بی. مک کینون، AC; Cullinan, SL تجزیه و تحلیل مقایسه ای ردپای کربن خرده فروشی معمولی و آنلاین: دیدگاه “آخرین مایل”. بین المللی J. Phys. توزیع کنید. تدارکات. مدیریت 2010 ، 40 ، 103-123. [ Google Scholar ] [ CrossRef ]
گیورز، آر. ون دو وورد، ای. وانلسلندر، تی. ویژگی ها و گونه شناسی لجستیک آخرین مایل از دیدگاه نوآوری در بافت شهری. در توزیع شهری و حمل و نقل بار شهری: دیدگاه های چندگانه ; Macharis, C., Melo, S., Eds. انتشارات ادوارد الگار: چلتنهام، انگلستان، 2011; صص 56-71. [ Google Scholar ] [ CrossRef ]
گیورز، آر. ون دو وورد، ای. Vanelslander، T. مدل‌سازی هزینه و شبیه‌سازی ویژگی‌های آخرین مایل در یک محیط زنجیره تامین نوآورانه B2C با پیامدهایی بر مناطق شهری و شهرها. Procedia Soc. رفتار علمی 2014 ، 125 ، 398-411. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وانگ، سی. کاریا، ن. توضیح مزیت رقابتی ارائه دهندگان خدمات لجستیک: رویکرد دیدگاه مبتنی بر منابع. بین المللی J. Prod. اقتصاد 2010 ، 128 ، 51-67. [ Google Scholar ] [ CrossRef ]
مختاریان، PL تحلیل مفهومی اثرات حمل و نقل تجارت الکترونیک B2C. حمل و نقل 2004 ، 31 ، 257-284. [ Google Scholar ] [ CrossRef ]
مک کینون، AC; تالام، دی. تحویل بدون مراقبت به خانه: ارزیابی پیامدهای امنیتی. بین المللی J. خرده فروشی. مدیریت 2003 ، 31 ، 30-41. [ Google Scholar ] [ CrossRef ]
پوناکیوی، م. یرجولا، اچ. Holmström, J. حل مسئله آخرین مایل: جعبه پذیرش یا جعبه تحویل. بین المللی J. Phys. توزیع کنید. تدارکات. مدیریت 2001 ، 31 ، 427-439. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
جونجی، ایکس. Min, W. نقطه تحویل مناسب در تدارکات تجارت الکترونیک: چارچوبی نظری برای انگیزه ها و استراتژی ها. محاسبه کنید. مدل. تکنولوژی جدید 2013 ، 17 ، 209-213. [ Google Scholar ]
شیائو، ز. وانگ، جی جی. لنزر، جی. Sun، Y. درک تنوع راه حل های تحویل نهایی برای خرده فروشی آنلاین: موردی از شنژن، چین. ترانسپ Res. Procedia 2017 ، 25 ، 985-998. [ Google Scholar ] [ CrossRef ]
Slabinac, M. راه حل های نوآورانه برای تحویل “آخرین مایل” – یک تجربه اروپایی. در مجموعه مقالات پانزدهمین کنفرانس علمی بین المللی لجستیک تجاری در مدیریت مدرن، Osijek، کرواسی، 15 اکتبر 2015; صص 111-130. [ Google Scholar ]
وانگ، جی جی. Xiao, Z. تکامل مشترک بین خرده فروشی و صنعت اکسپرس بسته و آثار جغرافیایی آن: مورد چین. J. Transp. Geogr. 2015 ، 46 ، 20-34. [ Google Scholar ] [ CrossRef ]
یوئن، KF; وانگ، ایکس. Ng، LTW؛ Wong, YD بررسی قصد مشتریان برای استفاده از خدمات جمع آوری شخصی برای تحویل آخرین مایل. ترانسپ سیاست 2018 ، 66 ، 1-8. [ Google Scholar ] [ CrossRef ]
مورگانتی، ای. دابلانک، ال. فورتین، اف. تحویل نهایی برای خرید آنلاین: استقرار شبکه های نقطه پیکاپ در مناطق شهری و برون شهری. Res. ترانسپ اتوبوس. مدیریت 2014 ، 11 ، 23-31. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کالینز، تأثیرات رفتاری AT بر تأثیر محیطی نقاط جمع آوری / تحویل. در لجستیک سبز و حمل و نقل ; Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2015; صص 15-34. [ Google Scholar ] [ CrossRef ]
روی، SK; شکر، وی. Lassar، WM; چن، تی. رفتارهای تعامل با مشتری: نقش راحتی، انصاف و کیفیت خدمات. J. خرده فروشی. مصرف کنید. خدمت 2018 ، 44 ، 293-304. [ Google Scholar ] [ CrossRef ]
تان، آر. خو، ی. چن، دی. لیو، ال. تحقیق در مورد توزیع فضایی نقاط وانت از دیدگاه رفتار ساکنان. ثبت جهانی گل میخ. 2016 ، 25 ، 111-120. [ Google Scholar ]
ژانگ، هی. Shang, X. تجزیه و تحلیل صنعت سریع در الگوی توزیع آخرین مایل – به عنوان مثال و آشیانه Inn Feng تازه کار. ترانسپ مدیریت جهان 2015 ، 22 ، 48-51. [ Google Scholar ]
کلیسا، RL سیستم های اطلاعات جغرافیایی و علم مکان. محاسبه کنید. اپراتور Res. 2002 ، 29 ، 541-562. [ Google Scholar ] [ CrossRef ]
هرناندز، تی. افزایش پشتیبانی تصمیم گیری مکان خرده فروشی: توسعه و استفاده از تجسم جغرافیایی. J. خرده فروشی. مصرف کنید. خدمت 2007 ، 14 ، 249-258. [ Google Scholar ] [ CrossRef ]
جورین، اف. تریو، ام. Musy، A. استفاده از GIS و تجزیه و تحلیل چند معیاره برتر برای ارزیابی تناسب کاربری زمین. بین المللی جی. جئوگر. Inf. علمی 2001 ، 15 ، 153-174. [ Google Scholar ] [ CrossRef ]
Huff, DL تعریف و تخمین منطقه تجاری. جی. مارک. 1964 ، 28 ، 34-38. [ Google Scholar ] [ CrossRef ]
تخمین پارامتر هاف، DL در مدل هاف. ESRI ArcUser 2003 ، اکتبر تا دسامبر ، 34-36. [ Google Scholar ]
سوارز-وگا، آر. سانتوس پناته، DR; دورتا-گونزالس، پ. Rodríguez-Díaz، M. یک روش مبتنی بر GIS چند معیاره برای حل یک مشکل مکان رقابتی شبکه. Appl. Geogr. 2011 ، 31 ، 282-291. [ Google Scholar ] [ CrossRef ]
کوتینیو-رودریگز، جی. سیمائو، آ. Antunes، CH یک سیستم پشتیبانی تصمیم گیری فضایی چند معیاره مبتنی بر GIS برای برنامه ریزی زیرساخت های شهری. تصمیم می گیرد. سیستم پشتیبانی 2011 ، 51 ، 720-726. [ Google Scholar ] [ CrossRef ]
کوسالیا، پ. ردی، جنرال موتورز؛ سوپراجا، اس. پراساد، رویکرد فرآیند تحلیل سلسله مراتبی در مقابل – کاربرد آموزش مهندسی. ریاضی. Aeterna 2012 ، 2 ، 861-878. [ Google Scholar ]
موسسه جهانی مکینزی چین و جهان. در دسترس آنلاین: https://www.mckinsey.com/~/media/mckinsey/featured%20insights/china/china%20and%20the%20world%20inside%20the%20dynamics%20of%20a%20changing%20relationship/mgi-china -and-the-world-full-report-june-2019-vf.ashx (در 23 فوریه 2020 قابل دسترسی است).
اداره پست دولتی جمهوری خلق چین. بیانیه آماری در مورد توسعه صنعت پست در سال 2018. در دسترس آنلاین: https://www.spb.gov.cn/xw/dtxx_15079/201905/t20190510_1828821.html (در 23 فوریه 2020 قابل دسترسی است).
اداره پست دولتی جمهوری خلق چین. بیانیه آماری در مورد توسعه صنعت پستی در سال 2017. در دسترس آنلاین: https://www.spb.gov.cn/xw/dtxx_15079/201806/t20180604_1581131.html (در 23 فوریه 2020 قابل دسترسی است).
اداره پست دولتی جمهوری خلق چین. بیانیه آماری در مورد توسعه صنعت پست در سال 2016. در دسترس آنلاین: https://www.spb.gov.cn/xw/dtxx_15079/201705/t20170503_1150869.html (در 23 فوریه 2020 قابل دسترسی است).
اداره پست دولتی جمهوری خلق چین. بیانیه آماری در مورد توسعه صنعت پستی در سال 2015. در دسترس آنلاین: https://www.spb.gov.cn/xw/dtxx_15079/201605/t20160510_757698.html (در 23 فوریه 2020 قابل دسترسی است).
اداره پست دولتی جمهوری خلق چین. بیانیه آماری در مورد توسعه صنعت پستی در سال 2014. در دسترس آنلاین: https://www.spb.gov.cn/xw/dtxx_15079/201504/t20150429_462010.html (در 23 فوریه 2020 قابل دسترسی است).
اداره آمار گوانگژو در دسترس آنلاین: https://tjj.gz.gov.cn/tjsj/index.html (در 23 فوریه 2020 قابل دسترسی است).
نقشه های Gaode. در دسترس آنلاین: https://ditu.amap.com/ (در 23 فوریه 2020 قابل دسترسی است).
آژانس املاک لیانجیا. در دسترس آنلاین: https://gz.lianjia.com/ (دسترسی در 23 فوریه 2020).
وو، اف. لی، LH; هان، SY پایداری اجتماعی و توسعه مجدد روستاهای شهری در چین: مطالعه موردی گوانگژو. پایداری 2018 ، 10 ، 2116. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
سیستم مختصات بایدو. در دسترس آنلاین: https://api.map.baidu.com/lbsapi/getpoint/index.html (در 23 فوریه 2020 قابل دسترسی است).
لوین، ک. مورایاما، Y. یک رویکرد GIS برای برآورد جمعیت ساختمان برای تجزیه و تحلیل میکرو فضایی. معامله کنید. GIS 2009 ، 13 ، 401-414. [ Google Scholar ] [ CrossRef ]
باد، ی. Saaty، TL برنامه های بازاریابی فرآیند سلسله مراتب تحلیلی. مدیریت علمی 1980 ، 26 ، 641-658. [ Google Scholar ] [ CrossRef ]
چوانشنگ، ایکس. داپنگ، دی. شنگپینگ، اچ. Xin، X. Yingjie, C. ارزیابی ایمنی شبکه هوشمند بر اساس روش AHP-آنتروپی. سیستم مهندس Procedia 2012 ، 4 ، 203-209. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
روسو، آر. کامانهو، R. معیارها در AHP: بررسی سیستماتیک ادبیات. Procedia Comput. علمی 2015 ، 55 ، 1123-1132. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مسعود، ر.جی. فریماه، آقا؛ مریم، جی. انتخاب نمونه کارها: رویکرد ANP فازی. مالی نوآوری. 2020 ، 6 . [ Google Scholar ] [ CrossRef ]
ساعتی، نظریه TL و کاربردهای فرآیند شبکه تحلیلی: تصمیم گیری با مزایا، فرصت ها، هزینه ها و ریسک ها . انتشارات RWS: Pittsburgh, PA, USA, 2005. [ Google Scholar ]
گوپل، KD; عملکرد، ب. مقایسه مقیاس‌های قضاوت فرآیند تحلیل سلسله مراتبی – رویکردی جدید. بین المللی J. Inf. تکنولوژی تصمیم می گیرد. ماک 2019 ، 18 ، 445-463. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سیمواندا، م. مورایاما، ی. Ranagalage، M. مدل‌سازی محرک‌های تغییرات کاربری زمین شهری در لوزاکا، زامبیا با استفاده از ارزیابی چند معیاره: یک رویکرد فرآیند شبکه تحلیلی. خط مشی استفاده از زمین 2020 , 92 , 104441. [ Google Scholar ] [ CrossRef ]
Goepel، KD پیاده سازی یک ابزار نرم افزار آنلاین برای فرآیند تحلیل سلسله مراتبی (AHP-OS). بین المللی جی. مقعد. فرآیند سلسله مراتبی 2018 ، 10. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Harker, PT مقایسه‌های زوجی ناقص در فرآیند سلسله مراتب تحلیلی. ریاضی. مدل. 1987 ، 9 ، 837-848. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
اولیوا، جی. ستولا، آر. Scala، A. فرآیند سلسله مراتب تحلیلی پراکنده و توزیع شده. Automatica 2017 ، 85 ، 211–220. [ Google Scholar ] [ CrossRef ]
پان، اچ. لی، ی. Dang، A. کاربرد مدل شبکه هاف برای برنامه ریزی شبکه تجاری در منطقه حومه-تاکینگ Wujin، Changzhou به عنوان مورد. ان GIS 2013 ، 19 ، 131-141. [ Google Scholar ] [ CrossRef ]
دراموویچ، ای. تجزیه و تحلیل منطقه تجارت خرده فروشی با استفاده از مدل هاف. کارگردان Mag. 2005. در دسترس آنلاین: https://www.directionsmag.com/article/3207 (در 23 فوریه 2020 قابل دسترسی است).
دردوری، ع. مورایما، ی. تجزیه و تحلیل مناسب بودن مزرعه بادی خشکی با استفاده از فرآیند سلسله مراتبی تحلیلی مبتنی بر GIS: مطالعه موردی استان فوکوشیما، ژاپن. Geoinfor Geostat: An Overv. 2018 ، S3 . [ Google Scholar ] [ CrossRef ]

شکل 1. منطقه مطالعه; مکان اجزای محیطی و امکانات PPP از قبل موجود و کاندید.

شکل 2. مولفه های توسعه شهری و زیست محیطی منطقه مورد مطالعه (عکس های گرفته شده توسط نویسنده در سال 2018).

شکل 3. چارچوب روش شناختی.

شکل 4. مکان 12 تسهیلات کاندید انتخاب شده.

شکل 5. جمعیت تخمینی ساختمان های مسکونی.

شکل 6. ساختار AHP.

شکل 7. یک مثال استفاده شده در محاسبه. (الف) تخصیص PPP در 300 متر، و (ب) مسیر شبکه جاده از ساختمان 1 به PPP در 300 متر.

شکل 8. ارزش جذابیت امکانات.

شکل 9. تخصیص PPPها به ساختمانهای مورد تقاضا برای سه فاصله (300 متر، 500 متر و 1000 متر).

شکل 10. نوسانات رتبه بندی هر تسهیلات کاندید بر اساس فواصل مختلف.

شکل 11. حساسیت اعداد مصرف کننده بر اساس دو نوع جذابیت تسهیلات با طیف متنوع e.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

خلاصه

کلید واژه ها:

1. معرفی