淺談某城市應急物流中心選址問題

文/蘇靜靜 朱曉溶

近幾年我國經濟不斷發展，城市化進程加快，城鎮化水平也日益提升。但在城市正常發展的背后，一旦發生重大突發事件，會對城市造成嚴重威脅。城市成為了重大的災害發生區域，也成為了國家和社會大力防災減災的重中之重。在這樣的背景下，與一般的物流服務以總成本極小化作為目標不同，應急物流服務要求以時間效率極大化和盡可能滿足受災區域為目標。在這種情況下，本文以2008年5月12日四川省汶川地震受災區域數據進行研究，根據不同的災情嚴重程度地區進行分類，通過聚類分析方法設置應急物流設施服務中心的位置[1]。

1.引言：

地震災害具有突發性、瞬時性等特點，我國地震預報目前尚未可以做出臨震預報。最近幾年，我國地震大頻率的發生，嚴重影響社會的日常運作[2]。2020年的新冠疫情事件，各地封村封路，物資調配不及時，一定程度反映著我國應急管理建設的不足。類似上述這種重大突發事件的情況，我國政府逐漸開始注重應急管理的建設，而應急物流作為應急管理體系中不可或缺的部分，承擔著保障突發事件應急處理過程中的物資需求的重任[3]。對應急物流服務設施中心選址問題成為了應急物流系統研究中的一個重點[4]。本文針對災害損失程度相對分類的應急物流服務設施中心選址[5]，運用無監督學習的聚類方法對受災點的進行分類，將受災區域程度較嚴重的受災點作為應急物流服務設施節點，在應急物資一定的條件下滿足應急物流對效率性和公平性的要求[1]。

2.相關理論概念

2.1 地震等級劃分。地震有烈度和震級兩大因素，烈度用來表示地震的破壞力度，震級用來表示地震自身的大小。我國地震局將地震劃分為天然地震、人工地震和脈動，將經濟損失與受傷和死亡人數為指標用于區別地震災害等級。例如，將具有重大經濟損失且直接經濟損失不超過該省上年生產總值1%、傷亡人數在50-300人，震級在6.5級-7.0級劃分為重大地震。

2.2 聚類分析理論。聚類分析方法是對于事先不清楚數據集合中每一個數據的類別且沒有其他的先驗知識的背景下，根據數據特征進行無監督的分類[1]。聚類分析方法屬于無監督學習[6]。通俗的來說，聚類分析就是無監督的根據集合中數據的特征使集合中具有相似特征的數據聚集一起，不相似的數據進行分離。k-m eans算法以數據間的距離作為數據對象相似性度量的標準。常用計算距離的方式有：余弦距離、歐式距離、曼哈頓距離和歐式距離公式[1，7]。

3.算法設計

3.1 災難相對分類。根據每個受災區域的傷亡人數和經濟損失數據通過聚類分析方法對不同程度的受損區域進行分類，以選取出災損程度較嚴重的受災點[5，8]。假設類wi和wj類之間的距離是d（wi，wj），則兩類之間的最近距離是類wj中所有樣本與類中所有樣本間的最小距離。d（wi，w ）j=m in d（X，Y） （X∈wi，Y∈wj）

通過python對各受災區域數據進行聚類分析設計，總結可知將災區分為兩類[9]。第一類(重大災區)：汶川縣、青川縣、綿竹市、平武縣、北川縣與成都市等。第二類（嚴重災區）：彭州市、茂縣、江油縣、理縣、雅安與眉山等。根據百度百科對汶川地震受災區域的劃分相對比[10]，聚類分析進行分類差異不大。

3.2 對受災區域進行距離聚類。所有受災區域按坐標利用k-means方法進行聚類分析[1]。首先對所有受災區域進行坐標統計，利用Jupyter Notebook得出聚類結果。將受災區域按距離進行分類，可分成三類。由于其實際情況，進行應急物流配送時，可將三類歸為兩類進行配送。根據災難程度分類和距離坐標聚類分析，在這兩類中選取兩個特征共同最明顯的兩個區域（汶川、理縣）。故而，可以將汶川、理縣兩處受災區域作為初步的應急物流服務中心點。

圖一 受災區域聚類分析

4.結論：

傳統的應急物流服務設施選址方法很少有考慮災情破壞程度的因素，為此本文運用聚類分析方法將不同災害損失程度的受災點進行分類，選取災害損失程度較嚴重的受災點作為服務設施節點[1]，為設置應急物流服務設施提供良好的決策輔助。本文希望能給研究學者提供一些理論支持。上述分析雖然對汶川地震應急物流中心的選址做了初步定位，鑒于本人的能力水平、學術經驗等各方面因素，該論文仍存在一些需繼續改進與完善之處。