📊 statistics

Integrating CRITIC and Weighted K-Means for Humanitarian Relief Center Location Planning: Evidence from Gaziantep

本研究提出了一种结合 CRITIC 方法与加权 k-means 算法的混合决策支持框架，旨在优化加济安特普公园区域内人道主义救援中心的战略布局，以确保灾后场景下基于需求且客观的规划。

原作者： Zeynep Yüksel, İbrahim Miraç Eligüzel, Suleyman Mete

发布于 2026-08-24

📖 1 分钟阅读☕ 轻松阅读

原作者： Zeynep Yüksel, İbrahim Miraç Eligüzel, Suleyman Mete

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

当灾难来袭时，拯救生命的竞赛往往取决于一个看似简单却极其深刻的问题：我们将援助物资放在哪里？人道主义救援不仅仅是拥有足够的食物、水和药品，更重要的是在时间耗尽之前，将这些物资送到需要它们的人手中。这一挑战属于被称为“人道主义物流”的领域，它将救援物资的移动视为一个结合了地理、风险与人类需求的复杂谜题。如果分发中心距离拥挤的社区太远，人们等待的时间就会过长；如果它离加油站或断层线太近，中心本身可能会成为火灾或坍塌的目标。目标是找到一个既能平衡人口紧迫需求，又能兼顾选址安全性的地点，而当城市下方的地面不稳定且数据不完整时，这项任务变得异常困难。

在最近一项针对土耳其加齐安泰普（Gaziantep）的研究中，研究人员通过结合两种不同的思维方式解决了这一问题：一种是权衡不同因素重要性的方式，另一种是寻找相似区域以发现模式的方式。由 Zeynep Yüksel、İbrahim Miraç Eligüzel 和 Süleyman Mete 领导的团队，将该市的公园区域视为临时救援中心的潜在选址。公园是逻辑上的理想候选地，因为它们提供了开阔的空间，不太可能被坍塌建筑的碎石掩埋。然而，并非所有的公园都是平等的。有些公园靠近人口密集的住宅区，需求最高；而有些则可能危险地靠近地震断层或燃料库。为了解决这个问题，研究人员开发了一个两步走的流程。首先，他们使用了一种称为 CRITIC 的方法来客观地决定哪些因素更为重要，让数据本身来决定每个标准的权重，而不是依赖于人为判断。其次，他们将这些权重输入到一个名为加权 k-means 的机器学习工具中，该工具就像一个数字组织者，将 57 个候选公园进行分组，并确定每组的最佳中心点，以作为救援枢纽。

研究人员检查了六个特定因素来评判每个公园。他们考察了周边人口数量、周围建筑数量、公园面积以及与医院、学校和其他社会设施的距离。至关重要的是，他们还将三个因素视为风险：公园与加油站的距离、与已知地震断层线的距离，以及周围建筑物的密度（因为高层建筑产生的沉重碎片可能会阻碍通行）。通过分析加齐安泰普沙欣贝（Şahinbey）区的真实数据，团队发现安全性是最关键的驱动因素。数据表明，靠近加油站和靠近断层线的权重最高，这意味着规避危险比单纯靠近大量人群更为重要。这一客观发现挑战了“人口最密集区域总是最佳选址”的假设；相反，研究表明，一个人口稍少但更安全的地点通常是更明智的选择。

在确定了这些因素的重要性后，团队测试了不同的情景，以观察该市需要多少个救援中心。他们模拟了拥有三个、四个、五个和六个中心的各种情况，以观察援助分配的变化。当他们模拟仅有三个中心的系统时，结果并不均衡。其中一个中心被迫服务于一个巨大的区域，包含 31 个不同的需求点，这会造成瓶颈，从而可能减慢物资交付的速度。当团队将中心数量增加到四个时，负载变得更加平衡。服务区域缩小了，人们需要旅行的距离减少了，整个网络的效率也显著提高。研究发现，将中心数量从三个增加到四个，使系统内的总距离减少了 40% 以上，在分秒必争的情况下，这是一个巨大的提升。

然而，研究人员也警告说，增加中心数量并不总是解决之道。当他们测试五个和六个中心的方案时，网络变得碎片化。虽然到达单个点的距离变得更短了，但一些中心最终仅服务于两三个地点，这对于车辆和人员等有限资源的利用而言是低效的。统计分析证实，这些情景之间的差异是真实且显著的，这证明了所选中心的数量会改变整个救援行动的性质。研究结论是，不存在单一的完美中心数量。相反，决策者需要一个灵活的框架，允许他们根据可用资源进行选择。如果物资匮乏，可能需要一个由较少、较大中心组成的较小网络；如果优先考虑速度和可及性，则需要一个拥有更多中心、规模更大的网络，前提是有足够的资源进行管理。

这项研究为城市规划者和应急管理者提供了一条清晰的路径。通过使用一种让数据本身说话（而非猜测哪些因素重要）的方法，规划者可以避免那些在灾难混乱中导致错误决策的偏见。研究表明，救援中心最佳位置不仅是一个地理问题，更是一个关于风险、需求与容量的计算过程。在灾难发生后，当地面仍在震动、道路可能仍被阻塞的情况下，拥有一个平衡了安全与速度的计划，可能意味着一个社区能够快速恢复，还是遭受不必要的痛苦。加齐安泰普的研究为如何以清晰和自信的态度做出这些关键选择提供了蓝图，确保当帮助抵达时，它能抵达最需要的地方，并在那里发挥最大的作用。

技术摘要：结合 CRITIC 与加权 K-Means 算法进行人道主义救援中心选址规划

问题陈述
灾后人道主义救援物流的有效管理高度依赖于援助分配中心的战略性布局。不当的设施选址可能导致服务失衡、获取援助延迟以及有限资源的分配效率低下。虽然选址-分配问题已有大量文献记载，但现有研究通常存在两个主要局限性：（1）过度依赖主观权重法（如 AHP、BWM），这可能反映了决策者的偏见而非客观数据；（2）多准则决策（MCDM）与数据驱动型操作算法之间缺乏整合。此外，许多模型未能充分考虑动态城市因素及特定的风险维度，例如与断层线或加油站的距离，而这些因素在灾后场景中至关重要。本研究旨在解决土耳其加齐安泰普省沙欣贝区（Şahinbey）临时救援中心的选址-分配问题，目标是通过平衡需求（需求量）与安全风险，实现选址优化。

研究方法
作者提出了一种两阶段混合决策支持框架，该框架将 CRITIC（基于准则间相关性的准则重要性评价）方法与基于机器学习的加权 K-Means 算法相结合。

研究区域与数据： 本案例研究聚焦于沙欣贝区人口最多的五个社区内的 57 个公园区域。由于这些公园具有开放空间和可达性，被选作候选选址。研究确定了六个基于文献和城市动态的准则：
1. 人口密度（效益型）
2. 公园面积（效益型）
3. 与设施（医院、学校、社会设施）的接近度（效益型）
4. 建筑密度（成本/风险型）
5. 与加油站的接近度（成本/风险型）
6. 与断层线的接近度（成本/风险型）
  数据来源于土耳其统计局（TÜİK）、Google Earth Pro 以及矿产和探矿总局。
第一阶段：客观赋权（CRITIC 方法）：
采用 CRITIC 方法来确定六个准则的客观权重。该方法通过计算每个准则的标准差以及准则之间的相关系数来确定权重，从而消除了主观偏差。
- 准则进行了归一化处理（0 到 1）。
- “效益”准则（人口、公园面积、设施）被视为正向指标，而“成本”准则（建筑密度、加油站、断层线）被视为负向指标。
- 计算了每个准则的信息含量（ $C_j$ ），并推导出权重（ $w_j$ ）。
第二阶段：基于场景的聚类（加权 K-Means）：
从 CRITIC 方法中获得的客观权重被整合为 K-Means 聚类算法中的权重系数。研究评估了四种不同的救援中心数量（ $k = 3, 4, 5, 6$ ）的场景。
- 目标函数旨在最小化需求点与其分配的簇中心之间的总加权距离。
- 约束条件确保每个需求点恰好被分配到一个中心，并且中心坐标根据加权准则进行更新。
统计验证：
应用 Kruskal-Wallis 检验对场景结果进行分析，以确定不同场景在各项准则上的差异是否具有统计学显著性。

关键结果

准则权重： CRITIC 分析显示，风险相关准则的影响力最大。与加油站的接近度（权重：0.2040）和与断层线的接近度（权重：0.1900）获得了最高权重，表明安全性是选址的首要决定因素。人口密度（0.1836）和公园面积（0.1759）紧随其后，而建筑密度的权重最低（0.0918）。
场景表现：
- k=3： 导致服务负载分布不均，其中一个簇覆盖了 31 个节点，且簇内总距离较高（0.251211）。该场景被认为在服务平衡方面是不充分的。
- k=4： 展示了最显著的改进（与 k=3 相比，目标函数值降低了 42.31%）。它提供了更公平的节点分布（19, 15, 14, 9），并降低了最大簇距离，在可达性与资源管理之间提供了合理的平衡。
- k=5 和 k=6： 虽然这些场景进一步降低了总距离并提高了接入效率，但导致了簇碎片化（例如，仅包含 2 个节点的簇），并且需要显著更多的资源和协调工作。
统计显著性： Kruskal-Wallis 检验确认，所有场景在所有准则上均表现出统计学上的显著差异（ $p < 0.05$ ）。值得注意的是，人口密度、公园面积和断层线接近度显示出极低的 p 值，强化了它们在聚类结果中的决定性作用。

意义与贡献
本文声称在人道主义物流和设施选址领域有三个主要贡献：

城市动态集成： 研究明确地将城市动态（如建筑密度、断层线）纳入决策过程，超越了简单的地理距离度量，以考虑灾后结构性风险。
客观赋权框架： 通过使用 CRITIC 方法，研究消除了决策者偏差，提供了一种能够反映实际数据结构和准则间相关性的客观赋权机制。
混合 MCDM 与机器学习方法： 本研究弥合了战略性 MCDM 与操作性机器学习之间的鸿沟。它展示了如何利用客观权重直接指导加权 K-Means 算法，从而生成基于场景且具可操作性的选址-分配计划。

结论
研究结论认为，并不存在单一的最优解；相反，中心数量（ $k$ ）的选择取决于灾害响应的具体约束。较低的 $k$ 值适用于需要简单网络的资源受限环境，而较高的 $k$ 值则在能够满足增加的成本和协调要求的前提下，更适用于最大限度提高接入速度和服务平衡。所提出的框架为决策者提供了一个灵活且数据驱动的工具，用于评估灾后救援规划中可达性、安全性与资源效率之间的权衡。

类似论文