文摘
自由浮动的自行车分享系统(FFBSS)将用户连接到公共交通网络,是一种“最后一英里”交通网络的重要组成部分。然而,快速发展的中国FFBSS显著增加当地市政工作负载和恶化的公共交通工具。减轻这些负面影响,中国政府已启动一个试点项目的电子围栏,通过选择一些自行车停车位的现有设置虚拟电台。相比传统的公共自行车共享固定站点,选择的灵活性停车位可以动态地满足快速变化的交通环境,促进租赁和返回给用户,因此,呈现更稀疏和停车位网络复杂化。在本文中,我们研究公共自行车停车点位置选择的多维问题,认为不仅用户和利益相关者的利益,而且环境和安全问题。我们提出一个多准则决策(指标)模型包括层次分析法(AHP)和数据包络分析(DEA)方法weight-restricted评估和确定最优公共自行车停车点。自额外重量限制在DEA方法可能导致不可行的解决方案,介绍了重量限制可行性定理中避免这样的不可行性提出weight-restricted DEA模型,并没有被彻底研究在文献中。具体地说,一个超平面调整模型来调整不可行的结果。在计算研究中,我们评估36现在停车位在三个地区在北京,中国,来验证相结合的方法的合理性并提出一些管理建议对于这个试点项目在北京,中国。
1。介绍
公共自行车系统(BSS)是一种短期租赁服务系统为客户提供自行车共享使用(1]。便宜,方便,零排放的旅行方法,适用于小距离上下班,尤其是第一和最后一英里多模式交通在城市地区的问题(2- - - - - -4]。尽管1965年的自行车共享项目最早的一代(白色自行车,阿姆斯特丹)已有半个多世纪,他们最近经历了一个急剧增加在全球受欢迎随着自由浮动的自行车共享系统(FFBSS)。刘指出,et al。5和太阳等。6],FFBSS比传统的BSS和更加灵活的停车位的位置只需要一个小区域停车,如人行道、商业广场、住宅空置率,和其他城市的小块。此外,降低建设成本和小型服务范围呈现密集分布的自行车停车点(7]。但是,自行车共享项目的扩大可能会产生消极的权衡,包括滥用公共空间和破坏长期环境和社会可持续性城市(8]。近年来,中国政府已启动一个试点项目的电子围栏指出减轻这些负面影响。电子围栏点是类似传统的停车场站但却是虚拟电台使用蓝牙路钉技术限制停车区域,属于公共基础设施,允许不同品牌的共享自行车来公园。
合适的停车点的选择是成功的关键因素之一的试点项目通过减少停车位的数量适当的管理水平,满足用户的需求。然而,要注意选址的合理性,减少停车位的减少对用户的影响。因此,优先方法适合自行车停车位的位置是可取的。自行车停车点的选择是一个设施选址问题,指资源分配优化选择最佳停车位的位置对不同目标和约束。许多学者进行了不同的尝试解决这个问题。例如,传统的定位方法,如P-median模型和最大覆盖模型(9- - - - - -11),混合整数线性规划(MILP) [6,12,13],[鲁棒优化方法14,15,数据挖掘16),和GIS技术(17]。尽管这些方法处理设施选址问题有效地在某种程度上,他们是不适合在多准则优化目标环境中,即,电子围栏的选择问题,包括运营成本,方便,安全,和市政管理问题的目标函数。此外,选择合适的电子围栏点FFBBS是一个复杂的问题,需要一个广泛的评估过程,因为它是不容易开发一个选择标准,能准确描述一个位置的偏好。除此之外,我们将只考虑部署电子围栏现有的停车点,而不是一个新选择。因此,选择这些网站可以被视为一个多准则决策(指标)问题和解决指标框架(2,18,19]。
本文的贡献是四倍。首先,我们提出一个先进的标准系统选择最优公共自行车停车场所综合考虑相关因素,包括安全、方便用户、公司的利益,并为市政管理困难,。其次,我们证明weight-restricted DEA的混合方法和AHP指标框架可以用来解决这个选择的问题。据我们所知,这也是第一次使用这种方法在公共自行车点选择问题。第三,我们建议的方法进行可行性测试未见的先驱研究和开发一个调整模型修改方法。最后,提供了比较案例研究中,我们评估36现在停车位在三个区域(即,中关村科技园区,国贸CBD,梨园地铁站)在北京,中国。结果之间的比较基本的BCC模型和weight-restricted DEA也进行了证明混合方法的优越性。它不仅验证了本文方法的合理性,还提出了一些管理建议试点工作在北京,中国。
本文的组织结构如下:部分2回顾了文献的评估和选择自行车停车点。部分3介绍了先进的标准系统,weight-restricted DEA评价模型相结合的方法,层次分析法选择过程和重量限制可行性定理和超平面调整模型。一个案例研究的几个当前公共自行车点在北京,中国,进行部分4。结论和未来的研究方向进行了总结5。
2。文献综述
如前所述,Garcıa-Palomares et al。10),公共自行车停车位的位置选择可以作为一个指标的问题,制定和指标模型已经开发评估一气合成。Kanjanakorn和Piantanakulchai20.)应用AHP等级合适的自行车出租站的位置由规划者考虑因素和用户的视角,如类型的土地,大量的可用空间,可访问性主要的自行车路线,步行到目的地。卡巴科等。2)结合AHP和MOORA技术与地理信息系统(GIS)分配优先级和等级一气合成通过评估不一致的标准,包括人口、娱乐领域,循环线,和公共交通网络。在现有的指标技术,即。,the AHP, analytic network process (ANP), the technique for order of preference by similarity to ideal solution (TOPSIS), multiobjective optimization based on ratio analysis (MOORA), and DEA, the key to success is the proper decoupling points of method and reality; therefore, researchers tend to apply these methods either in a standalone fashion or in a combined way regarding the differences of real-world applications [21,22]。Javadi et al。19]试图找到最好的位置提站在伊斯法罕使用数学规划和指标技术。他们选择的四个主要因素的自行车分享位置,如亲密的自行车道路,交通和网络,需求和使用类型和应用AHP来权衡这些适当的标准。标准系统包括方便的测量和运营成本。然后,拟议中的位置的最终权重已经通过一个简单的加性加权法计算。多准则体系的测定,除了成本和方便考虑,关注其他社会因素,安全因素和管理水平等站,也至关重要(23]。然而,综合考虑所有这些因素,我们所知,在文献中还非常少见。本文试图填补这个空白。
在广泛的方法来评估一组决策单元的相对效率(研究),DEA是一个客观的方法不使用任何参数线性programming-based技术,已广泛应用于位置选择问题,即。多目标规划问题,完全取决于客观数据(24]。然而,主观取向选址分析时的不确定性也很重要,人类价值,或者其他面向主观元素可能起着至关重要的作用在决定25]。因此,想要将决策者的主观判断(DM)集成到自行车停车点的选择问题。AHP方法,由Saaty [26),将决策过程包括组织多项选择题时有效标准为层次结构,以评估所有相关的“重要性”权重决定元素,客观或主观的。杨和郭27)综合DMs的偏好使用AHP评价框架技术测量定性因素;因此,它会导致更有效的选择标准的识别,权重,分析。
AHP和DEA方法的组合集成主观判断和客观选择,因此,呈现更准确、合理的结果。使用AHP的方法技术偏好信息合并到DEA模型是广泛使用在许多情况下,如制造业的制造系统组织的选择(28),评价材料(22,石油行业的选择最优的供应商(29日]。设施选址的研究领域,Korpela et al。30.结合AHP和DEA选择仓库的位置。Khadivi和法特米Ghomi31日采用ANP和DEA方法在两个阶段评估固体废物设施的位置。Mohajeri和阿明18]介绍了车站选址问题四个级别组成的层次结构模型,然后,结合DEA聚合AHP全球优先事项。在大多数设施选址研究,AHP模型仅仅是用于生成定性的DEA模型,输入数据的不同重要性标准系统没有适当考虑。为了克服这个问题,我们认为weight-restricted DEA方法已经成功地应用在许多场景中也承诺在处理公共自行车点选择问题。提出了部分相应的理由3。唯一的纸我们发现关注类似的主题(设施位置)(32]。在他们的工作中,作者提出了一个consensus-making方法,基于AHP和DEA模型(AR),保证地区达到搬迁的群体决策问题,东京政府机构。在他们的论文中,适当的标准通过层次分析法计算的权重过程,和额外的重量约束DEA模型生成的基于“增大化现实”技术的技术。一方面,乘数可以避免极端值的重量限制违反DMs的偏好。另一方面,这种混合方法可以增加之间的歧视研究当输入和输出的数量远远大于数量的研究(33]。应该注意的是,额外的限制可能会导致不可行解线性程序在DEA模型(34- - - - - -36]。本文扩展了Takamura和语气的32)工作通过引入一个调整模型修改不可行的解决方案和产生合理的结果。详细的过程中可用部分3。
最重要的是,自行车分享停车位评估标准的现有研究主要集中在FFBBS的生产力和用户的需求。在本文中,我们提出一个更全面的标准系统广泛描述电子围栏的复杂和动态特性点选择问题。四大标准和八subcriteria识别系统。由于复杂性在考虑定性信息,有区别地量化标准,我们应用AHP方法的混合方法和weight-restricted DEA指标框架简化评价过程内的自行车停车点位置。AHP方法是用来评估定性指标,衡量DM的偏好在这些指标中,最后,生成添加额外重量限制的DEA方法。超平面调整模型还开发了混合方法调整不可行的结果。
3所示。方法
3.1。标准的指标体系
适当的识别标准的评价体系应反映实际运营情况和对结果的合理性至关重要4]。评价标准体系应准确评估现有的自行车停车点的效率,找出最有前途的。一个顾问委员会是组织确定的标准,它由三个交通工程师,两个城市规划师参与电子围栏的试点项目分,两个来自中国自行车协会的专家,三个运营商,和五个用户(细节解释表1)。
顾问委员会的面试后,自行车停车位的位置是影响因素分为四个主要标准,具体地说,可访问性到目的地(C1),通过性交通枢纽(C2),自行车租赁的灵活性并返回(C3),和自行车出租公司的利益(C4)。我们也回顾了相关文献,进一步研究最具影响力的因素选择自行车停车点(见表2)。是在表的整体解释标准2。
系统总结了图的整体标准1。考虑到不同优先级的标准,应用AHP方法确定每个准则的权重系数。AHP的方法在本研究中遵循萨勃拉曼尼亚和拉马纳坦(39)的研究,我们将在附录A的详细过程。
3.2。Weight-Restricted DEA模型
基本BCC模型(见附录B),输入的乘数(u)和输出( )来自数据提前而不是固定的。在AHP树用于自行车停车点选择不等于每个输入指标的重要性。没有乘数的限制,可能会造成非常大的或小的重量对于一些标准而不考虑这些极端值DMs的偏好。除此之外,大量的输入和输出指标评价框架将导致一个过高的停车位的效率。weight-restricted DEA的使用不仅是偏好信息合并到基本DEA方法之间的歧视也多样化研究当输入和输出的数量远远大于研究的数量。Stawicki和劳伦斯(40)比较了DEA和没有重量限制,分别。最后,他们得出的结论是,当给定的权重不同的输入和输出是被迫窄带所有因素,其效率明显下降。
有很多方法将DMs的DEA评估价值判断(41]。艾伦et al。33)非常应用得出结论,结合的方法:在真实的应用程序中,出现的情况有一些偏好信息是必要的,这决定了它已经注册。我们的方法划分为三个类别和指定使用每种方法的应用程序,见图2。
直接重量限制可能是绝对的上、下界辊等提出的权重。47]。因为重量的大小直接取决于重量限制,输入和输出的规模是困难和不直观的DM找到抓住他/她的偏好的限制(48]。在贡献限制方法,首先介绍了黄和比斯利(49),上下边界被放置到每个输入和/或输出的贡献。然而,这种体重限制方案可能导致更多额外的限制。由于计算的高价贡献限制方法,我们利用相对体重限制基于“增大化现实”技术将DMs的偏好到位置选择问题(50]。这种方法的思想是限制重量的关系的输入和/或输出和排除虚拟乘数向量不合理的模式32,45,51,52]。本文基于“增大化现实”技术是指定的AHP方法。我们主要参考的程序Soleimani-Damaneh et al。(45纸,其他输出/输入的比率计算重量和第一个输出/输入的重量。在本文中,我们只考虑多输入因素的相对排序或价值观,因为短暂的组件的输出,如用户满意度和自行车共享周转率。
我们添加的限制 到input-oriented BCC模型(见方程(责任)(B.4在附录B))。包形式(双)weight-restricted DEA模型如下: 在哪里一个是一个p×n矩阵和λ和γ是对偶向量。
3.3。模型测试的可行性
注意,增加重量的界限可能导致不可行的DEA评价的DEA模型。Chang和王53]指出AHP约束的两个缺点:约会的主观性和不一致性DEA的AHP和DEA的局部最优。为了克服不可行的DEA结果的概率,避免低效率的方法讨论了许多文件。例如,Podinovski [48)提出了一个最大的DEA模型,以避免的副作用将绝对体重范围,它相当于经典DEA模型如果没有额外的限制。林家的et al。34)提出了可行性定理重量限制测试结果的可行性,然后,介绍了调整模型修改的结果。在本文中,我们利用重量限制可行性定理给出了林家的et al。34测试BCC模型是否仍然可行后添加重量限制。
定理1。如果不存在向量 这样 ,然后条件 满足和weight-restricted DEA模型是可行的。
定理2。相反,如果存在一个向量 这样 ,然后条件 没有满足和weight-restricted DEA模型是不可行的。
证明。对包封程序方程(1)(5),我们假设
,至少有一行k的这使得
。约束(2)我们有
。因此,变量要最小化的下界,这意味着weight-restricted模型是可行的。相反,假设
这样
。
是没有边界的,然后呢是没有边界的。因此,没有下界,这意味着这种模式是不可行的。
如果我们发现一个为了使
,我们需要放松的重量范围内通过调整权重矩阵
。超平面调整模型的目标寻找最低放松调整如下:
在哪里是分配给两个输入的比率的上限指标,是调整矩阵,1是一个列单位向量。
拟议的方法解决停车位的过程如图选择问题3。有五个主要步骤在我们的程序,如标准的确定、收集、数据库的建设(定性数据和定量数据,分别),计算当前停车位使用这种混合AHP-DEA方法,测试我们的模型和调整不可行结果的可行性,为替代停车位和排名。我们将使用这个过程的案例研究。
4所示。案例研究
在本节中,我们进行一个案例研究在三个选定的地区在北京,中国。提出的混合AHP-DEA方法应用于处理收集到的数据。我们还提供比较混合方法和传统方法和管理见解到停车点选择问题在电子围栏部署行动。
4.1。地区选择
北京是中国的首都,是中国最大的城市之一,大约有2150万居民。2019年,在北京自行车骑平均日成交量达到127.2万次,日均换手率是每辆车的1.4倍(北京市交通委员会)。北京市政府已经推出了第一批电子围栏分在三个地区:海淀、朝阳、通州。骑的热图如图城市地区的需求4(OFO大数据)。海淀区位于北京的西北部与自行车的热图的更大需求。朝阳区市区最大的区域,位于东部城区的一个温和的骑的需求。朝阳区的东部是通州区自行车的需求减少。在这项研究中,三个不同的区域选择从上述地区的台我们的评估方法(三个红圈中所示图4)。
考虑到服务范围小,相对密集布局,和各种各样的自行车停车点,分析停车点的效率应该关注公共自行车的骑行路线系统,即。,停车点和目的地之间20.]。除了传统的方法将目标区域的体积骑需求(大,中,小),我们区分周围的地区(购物中心、居住区、等等)。其目的是评估我们的混合方法的有效性和扩展我们的研究的边界。这些选择的地区都与人口流动性很高,也就是说,中关村科技园区,国贸CBD,梨园地铁站,如图5- - - - - -7,分别。这三个小区域的特点描述表3。
在每个地区,12选择自行车停车位(总共36点)。这些地点的选择主要是基于当前自行车共享网络。每个点的指数和位置见图5- - - - - -7。应用层次分析法计算权重的标准对DMs的偏好。获得的权重,然后,纳入weight-restricted DEA模型评价每一个区域的停车点。
4.2。数据处理和计算
数据的输入因素C11、C21 C22, C23, C31和C32从调查获得。定性因素C12和C31由AHP评估技术。C41提取地理信息的监控云平台(中国)。为输出因素,我们认为用户满意度(O1群)和自行车周转率(O2)。O1群是基于问卷调查获得。面试注意,补充数据,其他数据从不同的来源,包括商业和媒体报道,也利用。O2体积变化之间的自行车在一个特定的停车点连续两个观察时间和从调查获得。
在这项研究中,咨询委员会的成员都需要做两两比较采用问卷调查和面对面访谈来确定输入因素的相对重要性。这个问题就像“如何标准A和B相对重要性不同?”‡超级决策V2.10 Mac是用来计算结果。之后,我们计算几何平均数的专家的意见,收集在表的值4。CR值小于0.1,这意味着数据比较标准对是合适的,不需要重新评估。
我们可以从表观察4,最重要的因素有关的顾问委员会的成员定位自行车停车位离公交车站和地铁站( )和人口密度( )。靠近自行车道( ),人行道上的条件( ),和数量的可用空间( )不太重要的因素FFBSS方面的操作。根据这些值,我们强加的重量限制使用的基于“增大化现实”技术的加权方案,权重的相关输入第一个输入的重量。这个过程也提出了Joro和Korhonen [41)和Soleimani-Damaneh et al。45]。由此产生的权重矩阵一个如下:
添加输入重量限制 基本的BCC模型,我们将获得weight-restricted DEA分数,如第四列的表所示5- - - - - -7。第二列中列出的基本BCC分数是为了比较。
验证的可行性评估,我们测试结果使用重量限制可行性定理描述的部分3.3。我们观察到没有向量 使 ,这意味着结果是可行的。
4.3。基本的BCC的比较结果和Weight-Restricted DEA的结果
在表中5- - - - - -7,评估分数的排名基于总结了获得效率得分第三和第五纵队的这三个表。它可以观察到,9停车位(75%)在中关村科技园区效率得分等于1,国贸CBD的值和梨园地铁站是7(58%)和9(75%),分别为。这意味着最有效边界上的点。过高的得分效率依赖于大量的输入和输出因素DEA框架。在传统的评估过程,研究的数量通常是两倍数量的输入和输出的因素(41]。增加的重量限制到BCC模型将降低效率得分的大多数研究,如图8。这是weight-restricted DEA的优势之一,这可以增加之间的歧视研究当输入和输出的数量远远大于研究的数量。
此外,我们还可以发现,平均效率考虑到DMs的偏好在国贸CBD(0.8867)小于平均效率在中关村科技园区(0.9295)和梨园地铁站(0.9347)。然而,没有标准的考虑重点,中关村科技园区最低效率平均和DMs的偏好产生最大的影响。
点1的效率得分变化从1到0.9396。高分的BCC模型由于距离地铁站,虽然离目的地入口比其他替代方案。目的地的距离入口被认为是最重要的一个因素评价(见表4)。同样的理由解释了分数的变化点10,这是门附近的社区和接近最近的停车位。然而,它离地铁站和公交车站。对于现货24里面,他们所有的人都远离地铁站和公交车站。
后增加的重量限制的基本BCC模型,6点效率较低的分数。其中,21点从高性能低效率的变化。这是因为它有较小的人口密度,这是一个主要影响因素的选择电子围栏。23点的效率得分排名的变化10 8的秩。小的人口密度呈现较低的分数,而距离目的地入口和停车位提高排名。的效率得分点的技能,只有4点,包括现货27日点30,地点33岁和现货36,效率边界,当不同的输入指标的重要性。尽管现货25接近目的地入口,其排名下降显著,因为它长的距离地铁站。
4点(在中关村科技园区),发现20(国贸CBD),现货26(立元地铁站附近)的最低等级。这是因为他们都有一个小的人口密度。从图8,我们可以看到,发现32的变化最小。这是因为最严重的输入因素是人行道上的状况,这被认为是在第7位在八个输入因素。
从上述分析,我们发现在DEA框架中添加重量限制是一种有效的方法来集成DM的偏好信息。可以避免的不可接受的价值。然而,我们无法与一个高效的得分排名点1的模型。在未来的工作中,我们可以利用超级DEA等方法克服不足。
4.4。管理建议
最终设计,我们建议市政规划者可以选择分数高的地方建立虚拟网站在某些地区。
接近中关村科技园区,有七个斑点,2,3,6到10点效率前沿,通过融合DMA的偏好。这意味着这些斑点是比其他人更有效。此外,9点的分数比平均有效得分。这意味着,北京市可以选择这些地点设置电子围栏。国贸CBD区域,15,16,17日,19日,22日和24日有效。8点有得分高于平均水平。立元地铁站,有四个备选点1和8个点的有效得分高于平均水平的十二个替代品。所有这些结果被认为是多种因素2节中提到过3。
5。结论
自行车停车点评估和选择已经被确认为一个重要的问题,会影响公司运营的效率和社会斗争。可以看出,选择一个停车位是一个复杂的问题,和DMs必须有一个广泛的观点有关的定性和定量特征的对称的影响评估标准来做出最准确的结果。
本文四个主要标准和八subcriteria由广泛的文献审查和专家的见解。AHP应用获得的权重标准,正如所料,靠近公共交通网络和人口密度是决定比其他标准更重要。此外,AHP法也用于获得输入质量的因素。使用基于“增大化现实”技术的weight-restricted DEA我加权方案,从层次分析法获得的结果,提出了评估当前的公共自行车停车位在最后阶段。最后,36目前中关村科技园区附近的停车位,国贸CBD,立元地铁站使用相结合的方法进行评估。从结果中,我们可以发现,并非所有当前停车站点性能是有效的。当DMs给不同的性能评估因素,选择将得到不同性能的分数。这项研究还提供了有用的指导方针布局优化过程在其他情况下。
本文提出的混合法不能有效秩DMU如果效率值为1。例如,有七个点1级的中关村科技园区附近。在未来的工作中,这将是有趣的采用superefficiency DEA或其他方法来解决这个问题。
附录
(A),层次分析法
应用层次分析法的过程分为以下四个步骤:(我)步骤1。构建层次分析树层次分析树如图9。有三层,如目标层,准则层,和另一种层。
(B),基本BCC模型
数据包络分析(DEA)的线性规划(LP)技术multioutput和多输入转换成规模效率的措施。适用于评估当前的情况下FF-BBS停车位。最初提出的DEA模型Charnes et al。54),假定规模报酬不变(CRS)称为CCR模型。银行家et al。55]扩展CCR模型通过添加凸性约束 占规模收益变量(工具),称为BCC模型。
的乘数形式input-oriented BCC模型如下。假设有年代研究,每个DMU的生产米输出通过n输入。Y是米×年代输出矩阵,X是n×年代输入矩阵。Y0和X0DMU的向量被评估。的米×1的向量u和n×1的向量分别是输出和输入的灵活的权重。u∗记者凸性的双变量约束吗 (是一个强度矢量,“1”左手是一个年代1×1向量,右边是一个标量)。在方程(符号1B.2)是一个标量和是一个年代×1的向量方程(B.3)。目标是获得最有利的权重的和u这样的效率衡量衡量DMU是最大化。
数据可用性
本研究中使用的数据是根据客户要求提供相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这部分工作是由中国国家自然科学基金(批准号71801013),北京社会科学基金(批准号18 glc078),中央大学的基础研究基金(批准号2020 jbw004)。