Learning-Based Multi-Criteria Decision Making Model for Sawmill Location Problems

Dit artikel presenteert een leergerichte multi-criteria besluitvormingsmethode die machine learning en GIS combineert om de meest geschikte locaties voor zagerijen in Mississippi te identificeren, waarbij de Random Forest-algoritme de Supply-Demand Ratio als belangrijkste factor aanwees en ongeveer 10-11% van het landschap als hoogst geschikt beoordeelde.

De kern

Stel je voor dat je een enorme, complexe puzzel moet oplossen: waar moet je de volgende houtzaagmolen bouwen in de staat Mississippi?

Het is niet zo simpel als "hier is een bos, dus hier bouwen we". Het is meer als het vinden van de perfecte plek om een nieuw restaurant te openen. Je wilt dicht bij de boeren (het hout) zijn, maar ook dicht bij de klanten (de markt). Je wilt goede wegen hebben voor leveringen, maar niet te dicht bij een drukke stad waar het te duur is. En je wilt niet in een gebied waar het altijd regent, want dan kun je geen bomen vellen.

Dit is precies het probleem waar deze wetenschappers mee zaten. Vroeger deden experts dit door te gokken of door te praten met elkaar: "Ik denk dat deze plek goed is." Maar dat is vaak subjectief en kan vooroordelen bevatten.

De Oplossing: Een Slimme Computer als "Super-Keurmeester"

De auteurs van dit artikel hebben een nieuwe manier bedacht, een soort slimme computer-assistent die ze een "Learning-Based Multi-Criteria Decision-Making" (LB-MCDM) noemen. Laten we dit uitleggen met een paar creatieve vergelijkingen:

1. De "Receptuur" van de Perfecte Locatie

Stel je voor dat het bouwen van een zaagmolen een recept is voor een perfecte taart.

• De ingrediënten: Bos, wegen, spoorlijnen, werknemers, en de vraag naar hout.
• Het oude probleem: Vroeger moest een chef-kok (een expert) zelf beslissen hoeveel suiker (wegen) en hoeveel bloem (bos) je nodig hebt. Soms was de chef te lief voor suiker en vergeten hij de bloem.
• De nieuwe methode: De wetenschappers hebben een computer (Machine Learning) gegeven die 11.000 verschillende "proeftaarten" heeft geproefd. De computer heeft gekeken: "Welke taarten waren het lekkerst? En welke ingrediënten maakten die taarten zo lekker?"

De computer heeft niet naar de mening van de chef geluisterd, maar naar de feiten. Hij heeft geleerd welke ingrediënten echt belangrijk zijn.

2. De "Super-Ingredienten"

Wat bleek nu het allerbelangrijkste ingrediënt te zijn?
Het was niet alleen de afstand tot het bos of de weg. Het was een slimme berekening die ze de "Aanbod-Vraag Ratio" noemen.

• De Analogie: Stel je voor dat je een nieuwe pizzeria opent in een stad.
  • Als er al 50 pizzeria's zijn en maar weinig mensen hongerig zijn, is het een slechte plek (veel concurrentie, weinig klanten).
  • Als er geen pizzeria's zijn maar ook geen mensen wonen, is het ook slecht.
  • De perfecte plek is waar er veel mensen hongerig zijn, maar nog niet genoeg pizzeria's om die honger te stillen.

De computer heeft ontdekt dat deze balans tussen "hoeveel hout er is" en "hoeveel hout er al wordt gebruikt" de belangrijkste factor is. Dit is de Supply-Demand Ratio (SDR).

3. De "Kaart van de Geluksvogels"

Na het leren van de computer, hebben ze een kaart getekend van Mississippi.

• Rode gebieden: "Niet doen!" (Te ver weg, te veel concurrentie, of te veel regen).
• Groene gebieden: "Gewoon oké."
• Gouden gebieden: "Hier moet je zijn!" (De perfecte mix van alles).

De computer heeft berekend dat ongeveer 10% tot 11% van de hele staat Mississippi deze "Gouden Gebieden" zijn. Dat is als het vinden van een kleine schatkist in een heel groot landschap.

4. Waarom is dit zo slim?

• Geen vooroordelen: De computer heeft geen vrienden of familie die hij wil helpen. Hij kijkt alleen naar de cijfers.
• Het is dynamisch: Als er morgen een nieuwe zaagmolen opent, verandert de kaart. De "Gouden Gebieden" kunnen verschuiven, net zoals de beste plek om een restaurant te openen verandert als er een nieuwe concurrent opent.
• Het werkt: Ze hebben gekeken naar waar de bestaande zaagmolens staan. Bleek dat 70-80% van die bestaande molens precies op de plekken staan die de computer als "Goed" of "Zeer Goed" had aangeduid. De computer had dus gelijk!

Samenvatting in één zin

Deze wetenschappers hebben een slimme computer getraind om, net als een ervaren kok die duizenden recepten heeft geproefd, de perfecte plek voor een houtzaagmolen te vinden door te kijken naar de balans tussen hout, wegen, en concurrentie, in plaats van te vertrouwen op een giswerk van experts.

Het resultaat? Een heldere, eerlijke kaart die bedrijven helpt om geld te besparen en de juiste beslissingen te nemen, zonder dat ze hoeven te raden.

Technische samenvatting

Technische Samenvatting: Leer-gebaseerd Multi-Criteria Besluitvormingsmodel voor Zagerijlocaties

1. Probleemstelling

Het selecteren van de locatie voor een zagerij is een strategische beslissing met grote gevolgen voor de efficiëntie, winstgevendheid en duurzaamheid van houtproductieketens. Traditionele methoden voor faciliteitslocatie (zoals exacte optimalisatie, heuristieken en klassieke Multi-Criteria Besluitvorming of MCDM) hebben echter beperkingen:

• Subjectiviteit: Klassieke MCDM-methoden (zoals AHP) vertrouwen vaak op subjectieve gewichtstoewijzingen door experts, wat bias introduceert.
• Eenzijdigheid: Optimalisatiemodellen focussen vaak uitsluitend op afstandskosten (transport) en negeren andere cruciale factoren zoals arbeidskrachten, marktdynamiek en weersomstandigheden.
• Complexiteit: Het probleem is NP-hard; het evalueren van een groot aantal kandidaatlocaties met complexe criteria is computationeel zeer intensief.

Er is een behoefte aan een objectieve, datagedreven aanpak die grote hoeveelheden ruimtelijke en niet-ruimtelijke data integreert om de geschiktheid van locaties te beoordelen zonder afhankelijk te zijn van subjectieve expertoordelen.

2. Methodologie: Het LB-MCDM Framework

De auteurs stellen een Learning-Based Multi-Criteria Decision Making (LB-MCDM) framework voor. Dit model integreert Machine Learning (ML), GIS-gebaseerde ruimtelijke analyse en MCDM. Het proces verloopt in vier fasen:

1. Datacollectie en Preprocessing:

   • Er worden raster- en tabelgegevens verzameld voor de staat Mississippi (VS).
   • Tien oorspronkelijke criteria werden geselecteerd, waaronder: Afstand tot wegen, spoorlijnen en stedelijke gebieden, werkloosheidsgraad, terreinhelling, marktomzet, neerslag en houtvoorraad.
   • Een nieuwe, samengestelde variabele werd geïntroduceerd: de Supply-Demand Ratio (SDR). Deze ratio berekent de verhouding tussen houtvoorraad en de totale vraag (bestaande zagerijen + een hypothetische nieuwe zagerij) binnen een straal van 75 mijl, wat de lokale marktdynamiek en concurrentie weerspiegelt.
   • Data werd schoongemaakt, geschaald en omgezet naar rasterformaat voor GIS-verwerking.

2. Initiële Geschiktheidsmapping:

   • Een initiële geschiktheidskaart werd gegenereerd in ArcGIS Pro door alle criteria met gelijke gewichten te combineren (geen subjectieve bias).
   • Uit deze kaart werden 11.467 willekeurige punten getrokken om een trainingsdataset te creëren, geklasseerd in vier categorieën: Zeer Geschikt, Geschikt, Iets Geschikt en Niet Geschikt.

3. Feature Weight Tuning en Kaartreconstructie:

   • Vijf ML-classificatiemodellen werden getraind: Random Forest (RF), XGBoost (XGB), Support Vector Classifier (SVC), Logistische Regressie (LR) en K-Nearest Neighbors (KNN).
   • Om de "black box"-karakteristiek van ML te doorbreken en objectieve gewichten te bepalen, werd SHAP (SHapley Additive exPlanations) analyse toegepast. SHAP-waarden bepaalden de relatieve belangrijkheid van elke feature.
   • Deze SHAP-gewichten werden gebruikt om de gewichten in de GIS-rasterlaag aan te passen, waardoor een verfijnde geschiktheidskaart ontstond die de data-gedreven prioriteiten weerspiegelt.
   • Om class-disbalans in de dataset aan te pakken, werd SMOTE-ENN (Synthetic Minority Over-sampling Technique - Edited Nearest Neighbors) gebruikt.

4. Validatie en Ranking:

   • De beste modellen werden gevalideerd tegen de daadwerkelijke locaties van bestaande zagerijen in Mississippi en door expertconsultatie.
   • Kandidaatlocaties werden gerangschikt op basis van hun voorspelde geschiktheidsscores.

3. Belangrijkste Resultaten

• Modelprestaties: De Random Forest (RF) classifier presteerde het beste met een nauwkeurigheid van 86,48% en een AUC-score van 0,9656. XGBoost en SVC volgden op de tweede en derde plaats. Logistische Regressie presteerde het slechtst.
• Feature Importance (SHAP-analyse):
  • De Supply-Demand Ratio (SDR) bleek de meest invloedrijke factor, gevolgd door de afstand tot wegen, spoorlijnen en stedelijke gebieden.
  • Interessant genoeg bleken Terrein Helling en Landgebruik (National Land Cover) in Mississippi (een vlakke, bosrijke staat) van geringe invloed, wat aangeeft dat feature-importentie context-afhankelijk is.
  • Neerslag en marktomzet hadden de minste invloed op het model.
• Validatie: Het model bevestigde dat 70-80% van de bestaande zagerijen zich bevindt in gebieden die door het model zijn geclassificeerd als "Zeer Geschikt" of "Geschikt".
• Ruimtelijke Uitkomst: Ongeveer 10-11% van het landschap van Mississippi wordt geïdentificeerd als zeer geschikt voor nieuwe zagerijen.

4. Bijdragen

• Methodologische Bijdrage:
  • Introductie van een objectief, datagedreven MCDM-framework dat subjectieve expertgewichten vervangt door ML-geleerde gewichten.
  • Integratie van SHAP-analyse voor transparantie en interpretatie van de beslissingsfactoren.
  • Ontwikkeling van de Supply-Demand Ratio (SDR) als nieuwe, dynamische metriek die marktdynamiek en concurrentie in rekening brengt.
  • Het framework verkleint het probleem voor NP-hard optimalisatieproblemen door een grote set kandidaatlocaties te filteren naar een kleiner, hoog-potentieel subgroep.
• Praktische Bijdrage:
  • Het model genereert dynamische geschiktheidskaarten die bijgewerkt kunnen worden bij veranderingen in de markt (nieuwe openingen/sluitingen), in plaats van statische lijsten.
  • Het biedt beleidsmakers en investeerders in de houtindustrie in Mississippi een betrouwbaar, reproduceerbaar hulpmiddel voor locatieplanning.

5. Betekenis en Toekomstperspectief

De studie toont aan dat de combinatie van ML, GIS en MCDM een krachtige oplossing biedt voor complexe locatieproblemen in de industrie. Door bias te elimineren en de interpretatie van factoren te verbeteren, biedt het framework een robuuste basis voor data-gedreven besluitvorming. Hoewel de resultaten specifiek zijn voor Mississippi (waar vlak terrein de rol van helling minimaliseert), is het framework reproduceerbaar en toepasbaar op andere regio's en sectoren (zoals windparken of logistieke centra), mits de relevante data en context-specifieke factoren worden aangepast. Toekomstig onderzoek zou kunnen focussen op het testen van het model in bergachtige regio's en het integreren van extra variabelen zoals grondkosten en milieuregulaties.