物流園區(qū)選址是其規(guī)劃建設(shè)中不可或缺的部分,傳統(tǒng)的選址方法以定性分析為主,缺乏對選址結(jié)果可靠性的評判標準,為此,引入貝葉斯概率方法開展了物流園區(qū)選址規(guī)劃理論研究。借助EM算法和GeNie軟件,構(gòu)建了貝葉斯網(wǎng)絡(luò)模型,挖掘出各影響因素間存在的內(nèi)在因果和邏輯關(guān)系,量化各影響因素的顯著性,構(gòu)建科學(xué)合理的物流園區(qū)選址規(guī)劃評價指標體系;采用K-means聚類方法建立了物流園區(qū)選址模型,使用MATLAB軟件對建立的模型進行迭代計算,并引入貝葉斯判別方法對聚類結(jié)果進行了可靠性分析;基于貝葉斯網(wǎng)絡(luò)方法優(yōu)化了灰色模糊風(fēng)險評估模型,結(jié)合了定性分析和定量計算,得出相應(yīng)的選址風(fēng)險系數(shù)與評估風(fēng)險概率,完成了物流園區(qū)的選址風(fēng)險等級評估。研究結(jié)果表明:基于貝葉斯方法建立的物流園區(qū)選址模型能夠充分考慮城市規(guī)模、經(jīng)濟社會發(fā)展、城市物流量及交通區(qū)位等多因素的影響,實現(xiàn)了對物流園區(qū)選址結(jié)果的量化評價,降低了人為主觀因素和客觀數(shù)據(jù)的模糊性對物流園區(qū)選址方案的影響,有效提高了物流園區(qū)選址規(guī)劃的科學(xué)性和可靠性。以陜西省10個地級市為候選地點驗證該選址模型的可行性,結(jié)果顯示:西安建設(shè)物流園區(qū)的選址風(fēng)險系數(shù)為4.030 1,處于低風(fēng)險水... 

【文章來源】：中國公路學(xué)報. 2020,33(09)北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

圖１物流園區(qū)選址規(guī)劃評價指標Ｆｉｇ．１ＥｖａｌｕａｔｉｏｎＩｎｄｅｘｏｆＬｏｇｉｓｔｉｃｓＰａｒｋＬｏｃａｔｉｏｎＰｌａｎｎｉｎｇ

圖２貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)模型Ｆｉｇ．２ＢａｙｅｓｉａｎＮｅｔｗｏｒｋＭｏｄｅｌ圖３選址影響因素間的邏輯關(guān)系Ｆｉｇ．３ＬｏｇｉｃａｌＲｅｌａｔｉｏｎｓｈｉｐｏｆＩｎｆｌｕｅｎｃｉｎｇＦａｃｔｏｒｓ程中，地區(qū)生產(chǎn)總值和貨運量都是影響物流園區(qū)選址規(guī)劃的關(guān)鍵因素。通過貝葉斯網(wǎng)絡(luò)分析，歸納出對物流園區(qū)選址具有重要影響的９個指標：①國內(nèi)生產(chǎn)總值增長率；②地區(qū)生產(chǎn)總值；③進出口總額；④外商投資總額；⑤工業(yè)生產(chǎn)總值；⑥批發(fā)零售業(yè)銷售總額；⑦貨運量；⑧等級公路密度；⑨交通區(qū)位。１．２基于Ｋ－ｍｅａｎｓ聚類方法－貝葉斯判別的選址模型構(gòu)建１．２．１選址模型建立國內(nèi)外學(xué)者利用數(shù)學(xué)知識和現(xiàn)有技術(shù)手段探究了選址模型的相關(guān)問題，聚類法是建立選址模型的重要方法之一［２８］。Ｋ－ｍｅａｎｓ聚類分析通過數(shù)學(xué)處理方法把研究對象量化分析，按照性質(zhì)相似的程度將研究對象逐步劃分，形成層次分明、屬性截然不同的類（簇），使得同一類對象的相似性強，差異性明顯［２９－３０］。Ｋ－ｍｅａｎｓ聚類算法［３１］流程見圖４。１．２．２選址方案可靠性判別在選址規(guī)劃中，歷史數(shù)據(jù)來源的不確定性和不完整性導(dǎo)致聚類結(jié)果的可靠度難以保證。因此，在圖４Ｋ－ｍｅａｎｓ聚類算法流程Ｆｉｇ．４ＦｌｏｗＣｈａｒｔｏｆＫ－ｍｅａｎｓＣｌｕｓｔｅｒｉｎｇＡｌｇｏｒｉｔｈｍＫ－ｍｅａｎｓ聚類結(jié)果的基礎(chǔ)上，采用貝葉斯判別法來評估物流園區(qū)選址聚類結(jié)果的可靠性。貝葉斯判別模型［３２－３３］的建立步驟如下：（１）確定先驗概率ｐｊ

圖２貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)模型Ｆｉｇ．２ＢａｙｅｓｉａｎＮｅｔｗｏｒｋＭｏｄｅｌ圖３選址影響因素間的邏輯關(guān)系Ｆｉｇ．３ＬｏｇｉｃａｌＲｅｌａｔｉｏｎｓｈｉｐｏｆＩｎｆｌｕｅｎｃｉｎｇＦａｃｔｏｒｓ程中，地區(qū)生產(chǎn)總值和貨運量都是影響物流園區(qū)選址規(guī)劃的關(guān)鍵因素。通過貝葉斯網(wǎng)絡(luò)分析，歸納出對物流園區(qū)選址具有重要影響的９個指標：①國內(nèi)生產(chǎn)總值增長率；②地區(qū)生產(chǎn)總值；③進出口總額；④外商投資總額；⑤工業(yè)生產(chǎn)總值；⑥批發(fā)零售業(yè)銷售總額；⑦貨運量；⑧等級公路密度；⑨交通區(qū)位。１．２基于Ｋ－ｍｅａｎｓ聚類方法－貝葉斯判別的選址模型構(gòu)建１．２．１選址模型建立國內(nèi)外學(xué)者利用數(shù)學(xué)知識和現(xiàn)有技術(shù)手段探究了選址模型的相關(guān)問題，聚類法是建立選址模型的重要方法之一［２８］。Ｋ－ｍｅａｎｓ聚類分析通過數(shù)學(xué)處理方法把研究對象量化分析，按照性質(zhì)相似的程度將研究對象逐步劃分，形成層次分明、屬性截然不同的類（簇），使得同一類對象的相似性強，差異性明顯［２９－３０］。Ｋ－ｍｅａｎｓ聚類算法［３１］流程見圖４。１．２．２選址方案可靠性判別在選址規(guī)劃中，歷史數(shù)據(jù)來源的不確定性和不完整性導(dǎo)致聚類結(jié)果的可靠度難以保證。因此，在圖４Ｋ－ｍｅａｎｓ聚類算法流程Ｆｉｇ．４ＦｌｏｗＣｈａｒｔｏｆＫ－ｍｅａｎｓＣｌｕｓｔｅｒｉｎｇＡｌｇｏｒｉｔｈｍＫ－ｍｅａｎｓ聚類結(jié)果的基礎(chǔ)上，采用貝葉斯判別法來評估物流園區(qū)選址聚類結(jié)果的可靠性。貝葉斯判別模型［３２－３３］的建立步驟如下：（１）確定先驗概率ｐｊ

【參考文獻】：
期刊論文
[1]物流節(jié)點選址研究綜述[J]. 竇志武,邵亞楠,原智慧,季明昕.  物流工程與管理. 2020(07)
[2]基于遺傳算法的消防站選址規(guī)劃模型[J]. 郭靜文,趙朋朋,倪佳成.  計算機應(yīng)用. 2020(S1)
[3]基于K-均值聚類與貝葉斯判別的我國煤礦頂板災(zāi)害事故安全評價[J]. 李世科.  中國礦業(yè). 2020(04)
[4]物流配送中心選址的實例研究[J]. 尹巍巍.  物流工程與管理. 2020(04)
[5]基于K-means聚類方法的物流多配送中心選址優(yōu)化研究[J]. 王勇,黃思奇,劉永,許茂增.  公路交通科技. 2020(01)
[6]基于熵權(quán)的模糊分析法在物流園區(qū)選址中的應(yīng)用[J]. 吳春香.  物流技術(shù). 2019(08)
[7]基于灰色模糊層次分析理論的斜拉橋施工風(fēng)險評估[J]. 林錦騰.  城市道橋與防洪. 2019(08)
[8]基于層次分析——貝葉斯網(wǎng)絡(luò)的聲波非致命武器致傷評估[J]. 周暢,周克棟,赫雷,張俊斌,黃雪鷹.  兵器裝備工程學(xué)報. 2019(06)
[9]基于貝葉斯網(wǎng)絡(luò)的公共自行車出行影響因素研究[J]. 劉建榮,劉志偉.  武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版). 2019(03)
[10]基于雙層規(guī)劃的物流超市選址方法[J]. 李興國,王敏榮,丁晗.  物流科技. 2019(05)



本文編號：3072318