بررسی ناهمگونی فضایی و عوامل محرک شبکه لجستیک پهپاد: مطالعه موردی هانگژو، چین

چکیده

لجستیک شهری یک موضوع تحقیقاتی مهم در جغرافیای انسانی و اقتصادی است. وسایل نقلیه هوایی بدون سرنشین (پهپادها) یک فناوری نوظهور است که با آزادسازی محدودیت‌های کنترلی در حریم هوایی در ارتفاع پایین، پتانسیل زیادی در زمینه لجستیک دارد. شناسایی علمی الگوی فضایی و عوامل تاثیر شبکه‌های لجستیکی پهپاد از نظر برنامه‌ریزی و زمان‌بندی لجستیک پهپاد بسیار مهم است. این مطالعه شبکه لجستیک شهری هانگژو در سال ۲۰۲۰ را به عنوان موضوع تحقیق در نظر گرفت و از تخمین تراکم هسته، ژئودیتکتور و فناوری تجزیه و تحلیل فضایی سیستم اطلاعات جغرافیایی (GIS) برای تحلیل سیستماتیک الگوهای فضایی و عوامل مؤثر در مقیاس شهر و منطقه استفاده کرد. این مطالعه نشان داد که یک الگوی فضایی قابل‌توجه در شبکه لجستیکی پهپاد در هانگژو آشکار شد و گره‌های لجستیک ساختار “هسته-لبه” آشکاری را نشان دادند. جمعیت شهری، مقیاس بازار و زیرساخت‌های لجستیک به طور مشترک ساختار و عملکرد شبکه لجستیکی پهپاد را شکل دادند و گره‌های لجستیک یک رابطه جفت قوی با ساختار فضایی شهری داشتند. از طریق آشکارسازهای تعاملی، مسیر فنی ساخت شبکه لجستیک پهپاد شهری تجزیه و تحلیل و خلاصه شد و نتایج می‌تواند مبنای علمی و مرجع موردی برای سایر شهرها برای ساخت و برنامه‌ریزی شبکه‌های لجستیکی پهپاد فراهم کند. مقیاس بازار و زیرساخت لجستیک به طور مشترک ساختار و عملکرد شبکه لجستیکی پهپاد را شکل دادند و گره‌های لجستیک رابطه جفتی قوی با ساختار فضایی شهری داشتند. از طریق آشکارسازهای تعاملی، مسیر فنی ساخت شبکه لجستیک پهپاد شهری تجزیه و تحلیل و خلاصه شد و نتایج می‌تواند مبنای علمی و مرجع موردی برای سایر شهرها برای ساخت و برنامه‌ریزی شبکه‌های لجستیکی پهپاد فراهم کند. مقیاس بازار و زیرساخت لجستیک به طور مشترک ساختار و عملکرد شبکه لجستیکی پهپاد را شکل دادند و گره‌های لجستیک رابطه جفتی قوی با ساختار فضایی شهری داشتند. از طریق آشکارسازهای تعاملی، مسیر فنی ساخت شبکه لجستیک پهپاد شهری تجزیه و تحلیل و خلاصه شد و نتایج می‌تواند مبنای علمی و مرجع موردی برای سایر شهرها برای ساخت و برنامه‌ریزی شبکه‌های لجستیکی پهپاد فراهم کند.

کلید واژه ها:

تدارکات وسایل نقلیه هوایی بدون سرنشین ; تخمین چگالی هسته ; ژئودیتکتور ; هانگژو

۱٫ مقدمه

با ظهور انقلاب صنعتی چهارم و بهبود مستمر زیرساخت شبکه های ارتباطی که توسط ۵G، اینترنت اشیا، اینترنت صنعتی و اینترنت ماهواره ای ارائه می شود، وسایل نقلیه هوایی بدون راننده و بدون سرنشین (پهپادها) در زندگی مردم ادغام شده اند [ ۱ ، ۲ ]. . پهپادها یک فناوری در حال ظهور هستند و انتظار می رود به دلیل مزایایی که نسبت به وسایل نقلیه سنتی مانند عملکرد سریع، راندمان بالا [ ۳ ، ۴ ]، حفاظت از محیط زیست [ ۵ ، ۶ ] دارند، به هسته لجستیک هوشمند آینده تبدیل شوند.] و تقریباً تحت تأثیر شرایط ترافیک زمینی قرار نگرفته است. شبکه لجستیک شهری هسته تحقیقات جغرافیایی لجستیک مدرن است [ ۷ ]. اساس سیستم لجستیک شهری است و برای سازماندهی فعالیت های لجستیکی و ارائه خدمات مناسب حیاتی است.

با این حال، شهرها و فضاهای شهری به عنوان مراکزی با تراکم جمعیت انسانی قابل توجه، انواع مختلف محصولات مصرفی، زیرساخت های با ارزش بالا و با انواع فعالیت های اجتماعی-اقتصادی مرتبط مشخص می شوند [ ۸ ]. تقاضای فوق العاده بازار و رشد روزافزون فناوری اطلاعات سنجش از راه دور باعث توسعه برنامه ریزی و ساخت مسیر پرواز پهپاد شهری در ارتفاع پایین شده است و تیم های تحقیقاتی مربوطه مطالعات عمیقی را در مورد ایجاد و برنامه ریزی مسیر پرواز در ارتفاع پایین پهپاد انجام داده اند. شبکه ها در مناطق شهری [ ۹ ، ۱۰ ، ۱۱]. مطالعات اکتشافی فوق در مورد عملیات پهپاد در محیط های شهری، همه عناصر کلیدی عناصر اجتماعی، اقتصادی و جغرافیایی مختلف شهری را نشان داده است که بر برنامه ریزی مسیر پرواز پهپاد تأثیر می گذارد. بنابراین، مطالعه الگوی فضایی شبکه‌های لجستیکی پهپاد شهری و مکانیسم‌های محرکه آن‌ها برای بهبود کارایی حمل‌ونقل و مدیریت لجستیک شهری مدرن حیاتی است.

تحقیقات فعلی در مورد الگوی فضایی شبکه‌های لجستیک شهری عمدتاً بر روی لجستیک حمل‌ونقل زمینی متمرکز شده است [ ۱۲ ، ۱۳ ] و تغییرات در ساختار جغرافیایی شهری و شبکه‌های لجستیک شهری عموماً مشارکتی هستند [ ۱۴ ، ۱۵ ]. داده‌های اقتصادی، اجتماعی، کاربری زمین و حمل‌ونقل هنوز جنبه‌های مهم ارزیابی الگوهای جغرافیایی تأسیسات عمومی در نظر گرفته می‌شوند [ ۱۶ ، ۱۷ ، ۱۸ ]]. بنابراین، اکثر تحقیقات قبلی در مورد فضای شبکه لجستیک، مکانیسم محرک الگوهای فضایی لجستیک را از طریق تحلیل کیفی مورد بحث و تحلیل قرار می‌دهند. با این حال، حمل‌ونقل لجستیک شهری با چالش‌های زیادی (به عنوان مثال، ازدحام، درگیری‌های کاربری زمین، پذیرش جامعه، آلودگی محیط‌زیست) مواجه است که ممکن است در مناطق کلان‌شهری به وجود بیاید [ ۱۸ ].]. علاوه بر این، به دلیل تأثیر تفاوت های اقتصادی منطقه ای شهری و دسترسی به ترافیک، فضای شبکه لجستیک از ناهمگونی فضایی خاصی برخوردار است. بنابراین، تحلیل کیفی نمی تواند مکانیزم محرک شبکه های لجستیک را در مناطق مختلف و در مقیاس های مختلف به طور کامل تحلیل کند. به همین دلیل، محققان اخیراً از ترکیبی از تجزیه و تحلیل کیفی و کمی برای شناسایی عوامل تأثیر استفاده کرده اند که عینیت و دقت نتایج تحقیق را بهبود می بخشد و به بازرسی بیشتر الگوهای مکانی و زمانی فضای لجستیک کمک می کند.

مطالعات متعددی مکانیسم‌های محرک شبکه‌های لجستیک شهری را با استفاده از روش‌های کمی مختلف، از جمله تحلیل عاملی [ ۱۹ ]، رگرسیون خطی چندگانه [ ۲۰ ]، تحلیل میانگین نزدیک‌ترین همسایه [ ۲۱ ]، مدل وزنی [ ۲۲ ]، فرآیند تحلیل سلسله مراتبی [ ۲۳ ] مورد بررسی قرار داده‌اند. تجزیه و تحلیل منطقه نقطه داغ [ ۲۴ ] و رگرسیون وزنی جغرافیایی [ ۲۵ و ۲۶]. بر اساس مطالعات فوق، متوجه شدیم که اکثر تحقیقات دانشگاهی به اندازه کافی تأثیر متقابل عوامل تأثیر گردهمایی فضایی را در نظر نگرفته اند و مقیاس مطالعه بیشتر به استان ها و شهرستان ها محدود می شود که منجر به فقدان دیدگاه های سطح خرد در این زمینه شده است. شبکه های لجستیک Geodetector() یک مدل آماری جدید مبتنی بر تجزیه و تحلیل فضایی و تئوری زمین آماری برای تعیین کمیت عوامل تأثیر بر ناهمگونی طبقه بندی فضایی پدیده های جغرافیایی است [ ۲۷ ، ۲۸ ].]. این مدل در مقایسه با مدل‌های رگرسیون سنتی به مفروضات زیادی نیاز ندارد و از کوواریانس چند متغیر مستقل مصون است. بنابراین، مزایای آشکاری در تحلیل برهمکنش‌های عوامل پیچیده و مطالعه اثرات مقیاس مکانی و زمانی پدیده‌های مختلف جغرافیایی دارد [ ۲۹ ، ۳۰ ].

با این حال، لجستیک پهپاد در مرحله آزمایش اولیه است و فضای شبکه لجستیکی آن باید با توجه به فضای شهری موجود و سطح توسعه اقتصادی برنامه ریزی و ترتیب داده شود [ ۳۱ ]. بر خلاف وسایل نقلیه زمینی که می توانند در حین حمل و نقل سوخت گیری کنند، پهپادها از نظر سوخت و نیرو محدود هستند و فاصله پرواز آنها نسبتاً کوتاه است. بنابراین، آنها اساسا یک حالت توزیع لجستیک ترمینال دارند زیرا کالاهای بارگیری پهپاد از طریق شبکه لجستیک از فروشنده به مصرف کننده منتقل می شود [ ۳۲]. بر خلاف لجستیک زمینی، لجستیک هوایی نیازی به در نظر گرفتن تراکم ترافیک و برنامه ریزی مسیر توزیع و برنامه ریزی ندارد و به طور کلی یک تحویل مستقیم از تجارت به مصرف کننده است. به همین دلیل، مقیاس تحقیقاتی شبکه های لجستیکی پهپاد شهری بیشتر در سطح شهر و منطقه است. با کاهش مقیاس فضایی، الگوی فضایی و عملکردهای فضای شهری پیچیده‌تر می‌شود [ ۳۳ ] و برهمکنش‌های بین عوامل تأثیرگذار نیز با حمل‌ونقل زمینی متفاوت خواهد بود. بنابراین، تشخیص دقیق مکانیسم حرکت الگوی فضایی لجستیک پهپاد در مقیاس‌های مختلف تنها بر اساس تجربه تحقیقاتی لجستیک زمینی غیرممکن است.

بنابراین، در مطالعه حاضر، شبکه تدارکات شبکه تحویل خودکار (ADNET) هانگژو را به عنوان هدف تحقیق در نظر گرفتیم و از روش تخمین چگالی هسته (KDE) برای به تصویر کشیدن نقاط برخاست و فرود شبکه لجستیک و تجمیع مسیرهای ناوبری در منطقه مورد مطالعه. در ادامه، با استفاده از تحلیل فضایی و ژئودیتکتور، عوامل غالب الگوی فضایی شبکه توزیع لجستیک پهپاد در مقیاس شهر و برهمکنش عوامل تاثیرگذاری مورد تجزیه و تحلیل قرار گرفت. سهم اصلی این مطالعه نشان دادن ویژگی‌های متمایز شبکه لجستیکی پهپاد و مکانیزم محرک آن در مقیاس شهری و منطقه‌ای است. نتایج این مطالعه مبنایی برای چیدمان فضایی فراهم می‌کند، بهینه‌سازی سیستم ساختاری و برنامه‌ریزی فضایی زیرساخت مرتبط گره‌های لجستیکی پهپاد و امکانات خدمات لجستیکی پهپاد شهری به منظور درک مزایای پهپاد در لجستیک هوشمند شهری. این مطالعه همچنین یک مرجع موردی برای شهرهای دیگر برای ایجاد یک شبکه لجستیکی استاندارد شده پهپاد شهری و بهینه‌سازی تخصیص منابع لجستیک و برنامه‌ریزی استراتژیک ارائه کرد. ادامه این مقاله به شرح زیر سازماندهی شده است.بخش ۲ حوزه مورد مطالعه، پیش پردازش داده های تحقیق و روش شناسی را معرفی می کند. بخش ۳ نتایج را ارائه می دهد که متعاقباً در بخش ۴ مورد بحث قرار می گیرد . این مقاله با خلاصه ای از نتایج و پیامدهای آنها برای تحقیقات آتی به پایان می رسد.

ویژگی‌های تمایز شبکه لجستیک پهپاد و مکانیسم محرک آن در مقیاس شهر و منطقه نشان داده شد تا مبنایی برای چیدمان فضایی، بهینه‌سازی سیستم ساختاری و پشتیبانی زیرساخت مرتبط با گره‌های لجستیکی پهپاد و امکانات خدمات لجستیکی پهپاد شهری برای درک مزایای پهپادها در لجستیک هوشمند شهری این مطالعه همچنین یک مرجع موردی برای شهرهای دیگر برای ایجاد یک شبکه لجستیکی استاندارد شده پهپاد شهری و بهینه‌سازی تخصیص منابع لجستیک و برنامه‌ریزی استراتژیک ارائه کرد.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

هانگژو یک کلان شهر در شرق چین در دلتای رودخانه یانگ تسه جنوبی است و یک مرکز مهم تجارت الکترونیک در چین است. هانگژو، از جمله شش ناحیه اصلی آن، رشد اقتصادی و شهرنشینی سریعی را تجربه کرده است، به طوری که نرخ شهرنشینی آن از ۲۹٫۴۰ درصد در سال ۱۹۹۰ به ۷۹٫۵ درصد در سال ۲۰۲۰ تغییر کرده است که باعث افزایش سریع کیفیت و سطح عرضه کالاها و خدمات شده است. در سال‌های اخیر، هانگژو با استفاده از فناوری ۵G برای ایجاد انگیزه توسعه برای تولید، تجارت سنتی و حکمرانی شهری با هدف ساختن یک شهر دیجیتال با مفاهیم و فناوری‌های درجه یک اقتصاد دیجیتال، بر اقتصاد دیجیتال تمرکز کرده است. این پیشرفت‌ها یک پایگاه قوی برای ساخت لجستیک هوشمند پهپاد در سطح شهر فراهم می‌کند.

این مطالعه منطقه تحت پوشش شبکه لجستیک هوشمند ADNET Hangzhou را به عنوان منطقه تحقیقاتی در نظر گرفت که در مرکز شهر هانگژو قرار دارد و تقریباً ۳۰ کیلومتر به سمت خارج گسترش می یابد تا یک دایره لجستیکی توزیع پهپاد در سطح شهر را در اطراف مرز میانی تشکیل دهد. بخش جاده کمربندی هانگژو. شبکه تدارکات شامل ۱۴۴ ایستگاه پایانه وسایل نقلیه بدون سرنشین (یک ایستگاه پایانه جامع است که عملکردهای سکوهای فرود پهپاد، گاراژ وسایل نقلیه بدون سرنشین، حمل و نقل بار و استقرار، و تعامل انسان و ماشین را ادغام می کند) و ۲۶۵ مسیر، با طول مجموع مسیر ۹۲۷٫ کیلومتر و یک دایره لجستیکی که نواحی شانگ‌چنگ، شیاچنگ، گونگشو، بینجیانگ و جیانگگان هانگژو و همچنین بخش‌هایی از نواحی شیائوشان، یوهانگ و شیهو را پوشش می‌دهد. در مجموع.^۲ با جمعیت خدمات دهی شده بیش از ۵ میلیون نفر، همانطور که در شکل ۱ نشان داده شده است.

۲٫۲٫ مواد

۲٫۲٫۱٫ داده های شبکه لجستیک

داده های شبکه توزیع لجستیک شهری ADNET در منطقه مورد مطالعه توسط شرکت Hangzhou Xunyi ارائه شده است. این شبکه از طریق آزمایشات میدانی مستمر تأیید شد و به تدریج به یک شبکه لجستیکی پایدار پهپاد در سناریوهای شهری تحت تأثیرات اجتماعی و اقتصادی تبدیل شد. داده‌ها شامل داده‌های موقعیت جغرافیایی ایستگاه‌های هاب بدون سرنشین و اطلاعات GPS ایستگاه بین مسیرهای هوایی (شامل نقاط برخاست و فرود، و همچنین داده‌های ایستگاه بین عملیات پرواز) بود.

برای آشکار کردن ویژگی‌های توزیع فضایی و الگوی طبقه‌بندی فضایی [ ۲۷] مکانیسم ایستگاه‌ها و مسیرهای پایانه وسایل نقلیه بدون سرنشین در شبکه لجستیک پهپاد، و برای بررسی عوامل تأثیر الگوی جغرافیایی شبکه لجستیک پهپاد شهری، مراحل پردازش زیر بر روی داده‌های شبکه لجستیک انجام شد: برای داده‌های مسیر، زیرا دیدگاه پژوهشی این پژوهش فضای جغرافیایی دو بعدی بود که مقادیر z در اطلاعات GPS ایستگاه های بین راهی یکسان و به داده های صفحه دو بعدی تبدیل شدند. سپس نقشه شبکه لجستیکی پهپاد شهری ساخته شد. در نهایت، مرکزیت گره‌های لجستیک محاسبه‌شده با تحلیل شبکه به عنوان وزن برای KDE استفاده شد، که به نوبه خود به عنوان متغیر توضیحی برای طرح فضایی شبکه لجستیک پهپاد استفاده شد.

۲٫۲٫۲٫ داده های عامل محرک

بر اساس مطالعات و تجربیات قبلی شبکه‌های لجستیک زمینی و تحویل پهپاد [ ۱۳ ، ۱۴ ، ۳۲ ، ۳۴ ]، این مطالعه ۱۰ شاخص معرف را برای تحلیل ویژگی مکانیزم محرک برای تشخیص الگوی فضایی شبکه‌های لجستیکی پهپاد انتخاب کرد ( جدول ۱ ). . این شاخص‌ها برای نشان دادن دقیق عوامل تأثیری که بر ویژگی‌های توزیع فضایی و ناهمگونی طبقه‌بندی فضایی شبکه لجستیک با استفاده از عوامل جغرافیایی و اقتصادی تأثیر می‌گذارند، در حالی که دانه‌بندی مکانی و زمانی و دسترسی به داده‌ها را نیز در نظر می‌گیرند، انتخاب شدند.

داده‌های تقسیم‌بندی اداری از سال ۲۰۲۰ از سرویس کاتالوگ ملی برای اطلاعات جغرافیایی و داده‌های تقسیم‌بندی سطح شهر از پلتفرم ابری پلتفرم نظارت بر اطلاعات جغرافیایی ( http://www.dsac.cn/ (دسترسی در ۲۰ ژوئن ) به‌دست آمدند. ۲۰۲۰). به دلیل دانه بندی دقیق این مطالعه، داده های تراکم جمعیت از محصولات داده جمعیت با وضوح بالا که توسط پروژه WorldPop بر اساس نورهای شبانه، انواع کاربری زمین و ارتفاعات از طریق مدل جنگل تصادفی و شهرک سازی ساخته شده است، انتخاب شدند. مدل رشد [ ۳۵ ] که دارای تفکیک مکانی ۱۰۰ متر است.

لجستیک پهپاد در این سیستم مطالعه به مدت ۲۴ ساعت کار می کند، بنابراین داده های سالانه نور شبانه برای توصیف فعالیت های اقتصادی شهر انتخاب شدند [ ۳۶ ]. داده‌های نور شب استفاده‌شده از مجموعه داده‌های سالانه نور شبانه جهانی سالانه ۲۰۱۲-۲۰۲۰ بود که توسط گروه رصد زمین بر اساس داده‌های ماهانه VIIRS [ ۳۷ ] تولید شد، که تفکیک فضایی منطقه هانگژو تقریباً ۵۰۰ متر است.

داده‌های برداری ساختمان و جاده‌های شهری از OpenStreetMap ( https://www.openstreetmap.org (دسترسی در ۲۰ ژوئن ۲۰۲۰)) به‌دست آمدند که دانلود رایگان داده‌های نقشه برداری را فراهم می‌کند. داده های نقطه مورد علاقه (POI) مربوط به خدمات تجاری، امکانات پزشکی، قیمت مسکن، ایستگاه های پایه ۵G و سرزندگی مصرف مربوط به این مطالعه از رابط برنامه نویسی کاربردی (API) ارائه شده توسط Baidu Map به دست آمد و مجموعه نهایی POI به دست آمد. داده ها در ۱۷ دسته با ۳۲۱۴۴۳ قطعه داده POI معتبر برای منطقه مورد مطالعه. شاخص سرزندگی مصرف، یک شاخص جامع که انواع مختلف مصرف را ادغام می کند [ ۳۸]، با وزن دهی چگالی هسته ای پنج نوع داده POI: سرویس غذا، خدمات خرید، خدمات زندگی، ورزش و اوقات فراغت، و خدمات اقامتی محاسبه شد.

۲٫۳٫ مواد و روش ها

۲٫۳٫۱٫ تحلیل شبکه های اجتماعی

لجستیک به فرآیند جریان فیزیکی کالا از محل عرضه به محل تقاضا اطلاق می‌شود و برنامه‌ریزی و چیدمان شبکه لجستیک شهری فرآیند انتخاب تعدادی از آدرس‌ها به عنوان گره‌های لجستیک کالا در محدوده فضایی شهری موجود است [ ۳۹ ]. ، ۴۰ ]. تحلیل شبکه اجتماعی یک روش رایج برای ساختار شبکه شهری است که از مرکزیت شبکه برای به تصویر کشیدن شکل کلی، ساختار و ویژگی های شبکه های فضایی لجستیک پهپاد شهری استفاده می کند. درجه مرکزیت گره من، سیD(من)به عنوان نسبت تعداد گره های مجاور که به گره متصل هستند تعریف می شود منبه حداکثر تعداد اتصالات ممکن [ ۴۱ ]. مرکزیت در فضای شبکه نشان دهنده تعداد نقاطی است که مستقیماً با نقاط دیگر مرتبط هستند. هر چه ارزش «مرکزیت» یک نقطه در شبکه لجستیک شهری بیشتر باشد، فعالیت لجستیکی بالاتر و در نتیجه مرکزیت متناظر مرکز لجستیک آن قوی‌تر می‌شود. فرمول تعیین مرکزیت درجه به شرح زیر است:

سیD(من)=gمن/(ن-۱)

(۱)

جایی که سیD(من)درجه مرکزیت ایستگاه هاب را نشان می دهد منشبکه تدارکات شهری؛ gمنتعداد لبه های اتصال را برای یک مرکز تدارکات در شهرها نشان می دهد. نتعداد مجموع گره شبکه و ن-۱حداکثر تعداد اتصالات ممکن را نشان می دهد.

۲٫۳٫۲٫ تخمین چگالی هسته

KDE بر اساس قانون اول جغرافیا است و مبنایی نظری برای بررسی الگوی توزیع فضایی مجموعه‌های نقطه است [ ۴۲ ]. مقدار تخمینی آن یک شبیه‌سازی میدانی از پدیده فضایی است که در آن هر مکان شدت تجمع محلی را با توجه به رابطه فضایی آن با نقاط نمونه همسایه تعیین می‌کند. اکثر تجزیه و تحلیل الگوی نقطه سنتی بر اساس فضای همسانگرد اقلیدسی است. با این حال، برای فضای شبکه توزیع نقطه تاسیسات، چگالی نقطه واقعی تحت تاثیر دسترسی فضایی فضای شهری و ظرفیت خدماتی نقاط تاسیسات است [ ۴۳ ]]. بنابراین، برای بیان دقیق تر چگالی توزیع ایستگاه های پایانه لجستیک پهپاد، این مقاله از مرکزیت شبکه هر ایستگاه پایانه به عنوان وزن برای KDE استفاده کرد و ۵۰۰ متر را به عنوان پارامتر پهنای باند برای KDE بر اساس محدوده خدمات طراحی ایستگاه های پایانه تعیین کرد. و با توجه به وسعت منطقه مورد مطالعه. فرمول محاسبه به شرح زیر است:

f(ایکس،y)=1n∗ساعت∑من=۱nسیDک(دمنستیمنساعت)

(۲)

جایی که f(ایکس،y)تراکم هسته تخمین زده شده در است (ایکس،y); ساعتپهنای باند (آستانه فروپاشی فاصله) است. nتعداد نقاط عنصر با فاصله کمتر یا مساوی است ساعتاز محل (ایکس،y); دمنستیمنفاصله بین نقاط نمونه است. کتابع وزن های فضایی است. و سیDتابع وزن فضایی است که با معادله (۱) محاسبه می شود. تابع وزن در این مطالعه مرکزیت شبکه بود. هرچه مرکزیت قوی‌تر باشد، وزن بیشتر است، که نشان می‌دهد هرچه شبکه لجستیک پهپاد در نزدیکی منطقه متراکم‌تر باشد، نیروی توزیع لجستیک قوی‌تر است.

۲٫۳٫۳٫ ژئودیتکتور

در این مطالعه، چگالی هسته برآورد شده به عنوان متغیر توضیحی ظرفیت شبکه لجستیک y استفاده شد. y در سیستمی از نقاط نمونه برداری متشکل از سلول های نمونه برداری جمع آوری می شود من( من=۱،۲،…،n، جایی که nتعداد کل سلول های نمونه برداری) در منطقه مورد مطالعه است. برای برخی از عواملی که ممکن است بر واریانس مکانی متغیر توضیحی تأثیر بگذارد آ={آساعت}( ساعت=۱،۲،…،Lتعداد طبقه‌بندی‌های مبتنی بر دانش تخصصی یا نقاط وقفه طبیعی است که نشان‌دهنده دسته‌های مختلف عامل، نشان‌دهنده یک یا چند منطقه فرعی در تصویر نقشه جغرافیایی، یعنی لایه‌های طبقه در آمار است. برای کشف میزانی که عامل آالگوی طبقه بندی فضایی تجمع لجستیک را توضیح می دهد y، لایه متغیر توضیحی با لایه عامل A پوشانده می شود و t متریک با استفاده از qمقدار، که به صورت محاسبه می شود

q=1-1nσ۲∑ساعت=۱Lnساعتσساعت۲

(۳)

جایی که ساعت=۱،۲،…،Lاقشار عامل است آ، یعنی طبقه بندی یا پارتیشن. nساعتو nحجم نمونه بر حسب اقشار هستند ساعتو کل منطقه، به ترتیب، جایی که n=∑ساعت=۱Lnساعت; σساعت۲و σ۲واریانس ظرفیت شبکه لجستیک در اقشار است ساعتو کل منطقه به ترتیب. qمحدوده آماری از ۰ تا ۱، با مقادیر بزرگتر نشان دهنده قدرت توضیحی قوی تر عامل آبرای واریانس مکانی متغیرهای توضیحی.

ژئودتکتور همچنین آشکارساز برهمکنش را از طریق تعامل فضایی طبقه بندی فضایی متغیر وابسته بر اساس روش های محاسبه مقدار q در معادله فراهم می کند. (۳). عملکرد آشکارساز برهمکنش تعیین این است که آیا برهمکنش بین عوامل محرک مختلف بر متغیر توضیحی تأثیر می گذارد یا اینکه تأثیر هر عامل محرک بر متغیر توضیحی مستقل است [ ۲۸ ]. روش محاسبه مقدار دو عامل محرک مختلف بر روی متغیرهای توضیحی است: ایکس۱و ایکس۲، سپس نتیجه تعامل مقدار دو عامل محرک مختلف را محاسبه کنید: (ایکس۱∩ایکس۲)و در نهایت نتایج محاسبه شده را با هم مقایسه کنید. نوع تعامل بین دو عامل را می توان به دسته های زیر تقسیم کرد ( جدول ۲ ).

۳٫ نتایج

۳٫۱٫ الگوی توزیع فضایی شبکه لجستیک پهپاد

نتایج تجزیه و تحلیل چگالی هسته وزنی داده های لجستیک پهپاد در هانگژو ( شکل ۲ ) نشان داد که توزیع فضایی شبکه لجستیک در هانگژو دارای ویژگی های تجمع آشکار است. برای بررسی بیشتر طرح فضایی شبکه لجستیک، KDE با مرکزیت شبکه ایستگاه های پایانه پهپاد به عنوان وزن برای شناسایی مناطق اصلی که در آن توزیع فضایی لجستیک پهپاد متمرکز شده بود، استفاده شد.

در منطقه شهری هانگژو، توزیع فضایی شبکه تدارکات پهپاد در شهر مرکزی متمرکز بود، با این حال الگوی درون شهر مرکزی وجود داشت که در زمین‌های مسکونی، مکان‌های تجمع تجاری، پارک‌های فناوری اطلاعات و مناطق دیگر متمرکز بود. با توجه به نتایج تخمین چگالی هسته ای، شبکه لجستیکی پهپاد به یک منطقه اصلی اصلی (منطقه تجاری و تمرکز جمعیت منطقه Xihu، منطقه Gongshu و منطقه Xiaocheng)، سه منطقه هسته ثانویه (منطقه تمرکز تجاری و جمعیت منطقه Jianggan) تقسیم شد. و پارک فناوری اطلاعات و منطقه تمرکز منطقه تجاری در ناحیه بینجیانگ، و پنج ناحیه هسته سوم (نسبتا پراکنده) ( شکل ۲ ).

نتایج تجزیه و تحلیل بالا ویژگی‌های متفاوت فضایی قابل توجهی را در طرح فضایی لجستیک پهپاد در هانگژو نشان داد و بیشتر شبکه‌های لجستیک در مناطق تجاری، مناطق مراقبت پزشکی و مناطق پرجمعیت متمرکز بودند. از آنجایی که متغیرهای توضیحی و متغیرهای مربوط به آنها همگی داده‌های مساحتی بوده و دارای دانه‌بندی فضایی متفاوتی بودند، این مطالعه در نهایت ۲۰۴۵۶ نقطه نمونه‌برداری با فاصله ۲۰۰ متر را برای همبستگی فضایی چندعاملی به عنوان داده‌های ورودی مدل ژئودیتکتور انتخاب کرد. مدل عوامل غالب مؤثر بر الگوی فضایی شبکه لجستیک پهپاد و مکانیسم‌های تعامل آن‌ها را به ترتیب از مقیاس شهر و ناحیه شناسایی کرد و ویژگی‌های مکانی مربوط به مناطق تجمع شبکه لجستیک پهپاد را تحلیل کرد.

۳٫۲٫ شناسایی عوامل موثر بر شبکه لجستیک پهپاد

۳٫۲٫۱٫ مقیاس شهر

آشکارساز عامل می تواند به طور کمی نیروی محرکه ضرایب تاثیر را بر روی متغیرهای توضیحی تشخیص دهد و با مقایسه مقدار نیروی محرکه عامل، عوامل غالب موثر بر الگوی فضایی متغیرهای توضیحی را شناسایی کند. در این مطالعه، شاخص های فضایی لجستیک پهپاد شهری محاسبه شده توسط KDE به عنوان متغیرهای توضیحی (Y) و ۱۰ ضریب تاثیر به عنوان متغیر مستقل در نظر گرفته شد ( جدول ۱ ).

مدل Geodetector مورد استفاده بسته Geodetector به زبان R بود. متغیرهای مربوطه وارد مدل محاسباتی شدند و نتایج تشخیص عامل در شکل ۳ نشان داده شده است.. در این میان، خدمات تجاری (X7)، تراکم زمین مسکونی (X2)، تراکم تأسیسات پزشکی (X10)، سرزندگی مصرف (X8) و تراکم ساختمان (X4) عوامل تاثیرگذاری اصلی منجر به الگوی فضایی شبکه لجستیک پهپاد بودند. در هانگژو، و مقادیر متناظر آنها همگی از ۰٫۲ (به ترتیب ۰٫۵۱۷۳، ۰٫۳۳۷۴، ۰٫۲۶۸۵، ۰٫۲۶۳۶ و ۰٫۲۰۹۰) و همه مقادیر p آنها کمتر از ۰٫۰۵ بود. مقدار q عامل محرک خدمات کسب و کار بیشتر از ۰٫۵ بود که نشان می دهد قدرت توضیحی آن برای واگرایی فضایی شبکه لجستیک بیش از ۵۰٪ است. از منظر جغرافیایی، همانطور که از شکل ۴ مشاهده می شود، یک جفت مشخص بین چگالی فضایی شبکه لجستیک و طرح فضایی پنج فاکتور تأثیر پیشرو وجود دارد. به عنوان مثال، قابلیت خدمات تجاری که قوی‌ترین نیروها را به حرکت در می‌آورد، شباهت مکانی قوی دارد و این ویژگی توسط مقدار q ژئودتکتور شناسایی می‌شود.

۳٫۲٫۲٫ مقیاس ناحیه

برای بررسی تأثیر مقیاس بر الگوی فضایی شبکه لجستیکی پهپاد، داده‌های نقاط نمونه‌برداری به واحدهای سطح ناحیه تقسیم شده و وارد مدل آشکارساز عامل شدند. تفاوت‌هایی در مکانیسم تمایز تراکم شبکه لجستیک پهپاد در هر واحد اداری در سطح ناحیه مشاهده شد ( شکل ۵)نقشه حرارتی، تمام آمار آزمون معنی داری را پشت سر گذاشتند). از آنجایی که تعداد ایستگاه‌های پایانه پهپاد در بلوک‌های شهری غیرمرکزی ناحیه یوهانگ و ناحیه شیائوشان کم بود، ارزش تشخیص ضریب پارتیشن کوچک بود. اگرچه ظرفیت خدمات تجاری عامل تأثیرگذار غالب در هر واحد سطح منطقه بود، عوامل غالب در واحدهای مختلف درجات مختلفی از تأثیر را نشان دادند. تأثیر خدمات تجاری در ناحیه شیاچنگ (۶/۷۸ درصد) بیشترین تأثیر را داشت و پس از آن ناحیه شانگ چنگ (۸/۷۳ درصد)، ناحیه گونگشو (۲/۶۴ درصد) و ناحیه ژیهو (۵/۶۰ درصد) قرار گرفتند. عوامل فرعی چهار واحد سطح منطقه فوق، تراکم زمین مسکونی بود، بنابراین الگوی فضایی لجستیک پهپاد در چهار واحد فوق عمدتاً تحت تأثیر خدمات تجاری و کاربری مسکونی بود. اگرچه قدرت توضیحی عوامل تأثیرگذار غالب در ناحیه بینجیانگ زیاد نبود، اما انواع بیشتری از عوامل غالب وجود داشت، از جمله خدمات تجاری، تراکم ساختمان، شدت نور شبانه، تراکم امکانات پزشکی و سرزندگی مصرف. علاوه بر این، تأثیر قیمت زمین مسکونی و مسکن قابل توجه نبود، که با صنعت فناوری اطلاعات توسعه یافته تر در منطقه بینجیانگ سازگار بود. در منطقه شانگ‌چنگ، تأثیر سطح امکانات پزشکی به طور قابل‌توجهی بیشتر از سایر واحدهای سطح منطقه بود، که نشان می‌دهد منطقه شانگ‌چنگ از نظر منابع پزشکی غنی است و واحد خروجی اصلی لجستیک پزشکی پهپاد در هانگژو است. از جمله خدمات تجاری، تراکم ساختمان، شدت روشنایی شبانه، تراکم امکانات پزشکی و سرزندگی مصرف. علاوه بر این، تأثیر قیمت زمین مسکونی و مسکن قابل توجه نبود، که با صنعت فناوری اطلاعات توسعه یافته تر در منطقه بینجیانگ سازگار بود. در منطقه شانگ‌چنگ، تأثیر سطح امکانات پزشکی به طور قابل‌توجهی بیشتر از سایر واحدهای سطح منطقه بود، که نشان می‌دهد منطقه شانگ‌چنگ از نظر منابع پزشکی غنی است و واحد خروجی اصلی لجستیک پزشکی پهپاد در هانگژو است. از جمله خدمات تجاری، تراکم ساختمان، شدت روشنایی شبانه، تراکم امکانات پزشکی و سرزندگی مصرف. علاوه بر این، تأثیر قیمت زمین مسکونی و مسکن قابل توجه نبود، که با صنعت فناوری اطلاعات توسعه یافته تر در منطقه بینجیانگ سازگار بود. در منطقه شانگ‌چنگ، تأثیر سطح امکانات پزشکی به طور قابل‌توجهی بیشتر از سایر واحدهای سطح منطقه بود، که نشان می‌دهد منطقه شانگ‌چنگ از نظر منابع پزشکی غنی است و واحد خروجی اصلی لجستیک پزشکی پهپاد در هانگژو است.

۳٫۳٫ تأثیر متقابل بین عوامل

تجزیه و تحلیل فوق درجه تأثیر عوامل منفرد را بر الگوی فضایی شبکه‌های لجستیکی پهپاد تحلیل کرد، با این حال در عمل، تعاملات پیچیده بین عوامل متعدد به طور مشترک بر الگوی فضایی متغیرهای توضیحی تأثیر می‌گذارد. بنابراین، این مطالعه از آشکارساز تعامل برای نشان دادن آن در مقیاس شهر استفاده کرد. شکل ۶نتایج آشکارساز برهمکنش را نشان می‌دهد، رنگ‌های مختلف نشان‌دهنده نقاط قوت برهمکنش متفاوت است، که در آن نماد مربع جامد نشان‌دهنده نوع برهمکنش افزایش دو عاملی است و مثلث توخالی نشان‌دهنده نوع برهمکنش افزایش غیرخطی است. به عنوان یک کاوش بیشتر، تعاملات عامل تأثیر بیشتری بر تغییرات فضایی شبکه‌های لجستیک پهپاد در مقایسه با عوامل فردی داشت، که در آن نوع تعامل عمدتاً افزایش دو عاملی بود و بیشتر به عوامل اقتصادی و جمعیتی مربوط می‌شد. با استفاده از ابزار آشکارساز تعامل، مقدار اندرکنش بین فاکتورها به درجات متفاوتی نسبت به فاکتورهای منفرد افزایش یافت که در این میان قدرت توضیحی تعامل بین قابلیت خدمات تجاری و شدت روشنایی شبانه بالاترین (۰٫۵۵۶۷) بود. به دنبال آن قابلیت خدمات تجاری و تراکم جمعیت (۰٫۵۵۵۵). همانطور که نشان داده شد، تعامل بین قابلیت خدمات تجاری و سایر عوامل دارای قدرت توضیحی بالایی بود که نشان داد بهبود ظرفیت خدمات تجاری در منطقه شهری هانگژو به طور قابل توجهی تأثیر هر یک از عوامل را افزایش داد و در نتیجه تغییرات فضایی شبکه لجستیک پهپاد توسط هر یک را توضیح داد. عامل به عنوان متغیرهای مستقل

۴٫ بحث

۴٫۱٫ مفهوم برنامه ریزی لجستیک پهپاد

تجزیه و تحلیل تجزیه و تحلیل چگالی هسته وزنی شبکه لجستیک پهپاد یک الگوی فضایی بسیار ناهموار از شبکه لجستیک پهپاد در هانگژو را نشان داد. هاب های ترمینال لجستیک ساختار تشعشعی محوری آشکاری را در فضا نشان دادند که هسته اصلی آن عمدتاً در شهر مرکزی متمرکز بود که از قدرت اقتصادی کلی قوی برخوردار بود در حالی که بقیه در فضاهای شهری تحت سلطه مناطق مسکونی، پارک های فناوری اطلاعات و امکانات پزشکی پراکنده بودند. تفاوت در تراکم شبکه‌های لجستیک مربوط به توزیع‌های جغرافیایی پارتیشن‌های سطوح مختلف عوامل تاثیر است که ناهمگونی طبقه‌بندی شده فضایی قوی شبکه‌های لجستیک پهپاد شهری را نشان می‌دهد.

از طریق تجزیه و تحلیل بیشتر مدل ژئودیتکتور، سطح خدمات تجاری، تراکم زمین مسکونی، امکانات پزشکی، پویایی مصرف و تراکم ساختمان به عنوان عوامل اصلی تأثیرگذار بر الگوی فضایی شبکه لجستیک پهپاد در هانگژو تعیین شد. دو عامل تأثیر با قوی‌ترین قدرت توضیحی الگوی فضایی (سطح خدمات تجاری، تراکم زمین مسکونی) با جنبه‌های تجاری و مصرف‌کننده مدل لجستیک کسب‌وکار به مصرف‌کننده (B2C) مطابقت دارد. نتایج آشکارساز تعامل دوباره این دو عامل اصلی را تأیید می کند. از شکل ۶ به وضوح می توانیم ببینیمکه دو فاکتور تاثیرگذاری نقش مثبت بسیار واضحی در تعامل با سایر عوامل ایفا می‌کنند، در حالی که سایرین تاثیر چندانی ندارند. این فاکتورهای تأثیر غالب تقریباً مشابه آنهایی هستند که در تحقیقات لجستیک زمینی [ ۴۴ ، ۴۵ ] شناسایی شده اند، اما دارای برخی تغییرات هستند. در میان عوامل مؤثر بر الگوی فضایی شبکه‌های لجستیکی پهپاد، نیروی محرکه امکانات پزشکی در لجستیک پهپاد بالاتر از لجستیک زمینی است. از آنجایی که توزیع پزشکی نیازهای بالاتری برای سرعت دارد، لجستیک پهپاد دارای ویژگی های مناسبی است [ ۴ ]. بر این اساس، مطالعات آزمایشی کاربردهای تجاری لجستیک پهپاد در بسیاری از کشورها شامل توزیع پزشکی شده است [ ۴۶ ]]. علاوه بر این، دو مکانیسم الگوی فضایی شبکه لجستیک از نظر دسترسی به ترافیک متفاوت بودند. دسترسی به ترافیک به فرصت تعامل بین گره ها در یک شبکه ترافیک اشاره دارد [ ۴۴ ] و دسترسی بالا به ترافیک می تواند منجر به گسترش گروه های کاربران و بازارهای لجستیک، تسهیل حمل و نقل فعالیت های لجستیک، بهبود کارایی سازمان لجستیک و کاهش هزینه های حمل و نقل لجستیک شود. ۶ ]. قدرت اتصال جاده زمینی (اندازه گیری شده در مسافت پیموده شده جاده در واحد سطح) یک عامل کلیدی موثر بر الگوی فضایی شبکه های لجستیک زمینی است [ ۱۴ ، ۴۴ ].

با این حال، برای حمل و نقل لجستیک هوایی، تراکم جاده قدرت توضیحی کافی برای الگوی فضایی شبکه‌های لجستیکی ندارد. اگرچه پهپادها آزادی بیشتری برای عملیات در ارتفاعات پایین دارند و می توانند به پرواز خطی نقطه به نقطه دست یابند، توسعه هوش پهپاد به اندازه حمل و نقل بدون سرنشین زمینی بالغ نیست و پروازهای خاص ممکن است تحت تأثیر آب و هوا باشد (به عنوان مثال، پروازهای بلند). افزایش بادهای ایجاد شده بین ساختمان ها) و قدرت سیگنال (سیگنال های محلی ضعیف به دلیل سایه یا مشکلات در استقرار تجهیزات ارتباطی مرتبط) [ ۴۷ ]]. شهر هانگژو یک شهر دیجیتال با امکانات ارتباطی بالغ است و مرکز آن در ارتفاع کم و دارای موج های سطحی کم است. این شرایط جغرافیایی ایده آل و محیط ساخت زیرساخت نقش کلیدی در عملیات ایمن لجستیک پهپاد ایفا می کند. بنابراین، اگرچه توان توضیحی چگالی ایستگاه پایه ۵G در هانگژو در این مطالعه برای الگوی فضایی در نتایج ژئودتکتور کافی نبود، اما از نظر ایجاد یک شبکه لجستیکی عمومی تر، امکانات ارتباطی اساسی، عمدتاً ایستگاه های پایه ۴G/5G، کلید اصلی بودند. عناصر مؤثر بر ناهمگونی فضایی

اکثر مطالعات در مورد مکانیسم های محرک الگوی فضایی بر میزان تأثیر عوامل تأثیر منفرد بر الگوی فضایی متغیرهای توضیحی تمرکز دارند [ ۲۰ , ۲۲ , ۲۶]؛ با این حال، مکانیسم‌های محرک الگوی فضایی اغلب پدیده‌های جغرافیایی در شهرها پیچیده است و تحلیل تعامل بین عوامل برای بررسی مکانیسم‌های رانندگی معنادارتر است. در این مطالعه اثر متقابل همه عوامل با استفاده از آشکارساز تعامل ژئودتکتور بررسی شد و اثر متقابل هر دو عامل انتخاب شده در این مطالعه بیشتر از تأثیر هر عامل منفرد بود. به ویژه، تعامل بین ظرفیت خدمات تجاری و تراکم زمین مسکونی با عوامل دیگر، قدرت توضیحی این عوامل را برای الگوی فضایی شبکه‌های لجستیک افزایش داد. این دو عامل با جنبه های تجاری و مصرف کننده حالت عملیات B2C لجستیک پهپاد مرتبط است.

۴٫۲٫ تأثیر تفاوت های منطقه ای

به طور کلی، الگوی فضایی شی تحقیق وابسته به مقیاس فضایی تحلیل شده است [ ۱۵ ، ۲۶ ، ۳۲ ، ۴۸ ]، بنابراین بررسی و مطالعه یک موضوع پژوهشی در مقیاس های چندگانه می تواند الگوهای عمیق تری را آشکار کند. در این مطالعه، الگوی فضایی شبکه لجستیک پهپاد شهری هنگام مشاهده در مقیاس شهر و منطقه و نتایج تشخیص عامل در سطح شهر ( شکل ۳ ) و منطقه ( شکل ۵) متفاوت است.) با هم ترکیب و تجزیه و تحلیل شدند. الگوی فضایی در مقیاس ناحیه پیچیده‌تر از مقیاس شهر بود که تحت تأثیر عواملی مانند ساختار صنعتی، قدرت اقتصادی و سیاست‌های منطقه‌ای در هر ناحیه قرار داشت. علاوه بر این، عوامل تأثیرگذار غالب بین مناطق مختلف و با نتایج تشخیص در مقیاس شهر متفاوت است.

در حال حاضر، لجستیک پهپاد عمدتاً محدود به عرضه کالاهای پزشکی، زنجیره سرد و سایر کالاهای با نیازهای بالا برای تحویل سریع است. علاوه بر این، مقیاس فعلی تحویل پهپاد در بازار بسیار کوچکتر از حمل و نقل لجستیک زمینی است و هزینه های حمل و نقل بالاتر است. بنابراین، میزان عرضه و تقاضا برای کالاهایی با زمان محدود و هزینه های تحویل بالا در مقیاس منطقه تشخیص داده می شود. برای ناحیه شانگ‌چنگ، ناحیه شیاچنگ و ناحیه شیهو، مقادیر q-مقدار هر عامل محرک بالاتر از مقیاس شهر بود، زیرا قدرت اقتصادی کلی این مناطق قوی‌تر بود و صنعت خدمات تولیدی در مقایسه با سایر مناطق توسعه‌یافته‌تر بود. این ویژگی ها تقاضای لجستیک را افزایش می دهد و لجستیک پهپاد را قادر می سازد در این مناطق جمع شود.

تحلیل فوق نشان داد که الگوی فضایی شبکه لجستیک پهپاد شهری وابسته به مقیاس است. بنابراین، هنگام انجام برنامه ریزی فضایی و تعیین چیدمان یک شبکه لجستیکی و نیز در نظر گرفتن تعاملات و ساخت کلی عوامل مختلف در مقیاس کلان، باید تفاوت صنایع مختلف و عوامل اجتماعی-اقتصادی در مناطق مختلف را نیز در نظر گرفت. مقیاس میکروسکوپی و نقش های عملکردی مناطق در شهر. علاوه بر این، درک عوامل شدت موثر بر مناطق مختلف شهری در مقیاس های مختلف می تواند تخصیص منابع، مقررات و راهنمایی را بهبود بخشد. این درک بهبود یافته، میزان استفاده از امکانات و منابع لجستیکی را بهبود می بخشد،

به طور خلاصه، ساخت یک شبکه لجستیکی پهپاد در سطح شهر پیچیده‌تر از شبکه لجستیک زمینی بود. اولاً، شرایط فنی لازم از نظر محیط سخت افزاری و سیاستی از جمله ایجاد زیرساخت های ارتباطی گسترده برای منطقه تحت پوشش خدمات، حمایت دولت و مراجع ذیربط، استفاده ایمن و منطقی از حریم هوایی و بهبود پهپاد وجود دارد. نظارت بر عملیات دوم، طرح و بهینه سازی شبکه لجستیک باید سطح توسعه اقتصادی منطقه ای محلی، تراکم جمعیت، و سطح تجاری و پزشکی و همچنین کالاهای زنجیره ای پزشکی و سرد را برای کاربرد آزمایشی ترکیب کند. سرانجام، استفاده از استخراج فناوری اطلاعات جغرافیایی و تجزیه و تحلیل تقاضای بازار لجستیک پهپاد شهری می تواند حمل و نقل لجستیک زمینی را تکمیل کند. تشکیل یک زنجیره لجستیک دوگانه هوا-زمین برای توسعه حمل و نقل برای صنعت لجستیک حیاتی است.

۵٫ نتیجه گیری ها

مطالعه الگوی فضایی شبکه‌های لجستیکی پهپاد در سطح شهر و هدایت ارتباط جغرافیایی آن‌ها جزء ضروری برنامه‌ریزی لجستیک و برنامه‌ریزی منابع پهپاد است. این مطالعه با هدف بهبود درک ما از مکانیزم محرک شبکه‌های لجستیکی پهپاد و ارائه پیشنهادهایی برای طرح‌بندی و برنامه‌ریزی شبکه‌های لجستیکی پهپاد شهری انجام شد. مشارکت های اصلی این مطالعه به شرح زیر است:

(۱) شبکه لجستیکی پهپاد هانگژو الگوی فضایی را در مقیاس شهر نشان می دهد. از منظر ساختار عملکردی شبکه، تحت تأثیر حالت لجستیکی پهپاد B2C، هاب‌های لجستیک ساختار «هسته حاشیه» آشکاری را ارائه کردند. در این ساختار، هاب های لجستیکی در نواحی مرکزی شهر تا حد زیادی نقش کسب و کار را پذیرفتند در حالی که هاب های لجستیک در مناطق غیر هسته ای شهر، عمدتا پارک های فناوری اطلاعات و مناطق مسکونی، نقش مصرف کننده را ایفا می کردند.

(۲) الگوی فضایی شبکه لجستیکی پهپاد شهری نتیجه اثر ترکیبی چندین فاکتور ضربه و سطح تأثیر بر اساس مقیاس متفاوت بود. با ریزتر شدن مقیاس، همبستگی بین هر عامل تأثیرگذار و توزیع فضایی افزایش یافت. از نظر مکانیسم شکل‌گیری، جمعیت شهری، مقیاس بازار و زیرساخت‌های لجستیکی به طور مشترک شکل، ساختار و عملکرد شبکه لجستیک پهپاد شهری را شکل دادند. در سطح منطقه، مقیاس گره‌های لجستیکی پهپاد و مکان‌هایی که تحت سلطه خدمات پزشکی و تجاری قرار داشتند، به شدت با هم مرتبط بودند.

(۳) عوامل اقتصادی مانند خدمات تجاری، سرزندگی مصرف و اندازه بازار عوامل تاثیرگذار مهمی برای اندازه گره‌های لجستیک در سطح شهر بودند. در مقابل، عوامل جغرافیایی مانند تراکم جمعیت، محیط سیگنال عملیاتی و تراکم ساختمان می توانند عملکرد ایمن و کارآمد پهپادها را محدود کنند. بنابراین ساخت شبکه های لجستیکی پهپاد در مراکز شهری نیازمند ابزارهای فنی مطمئن و مطمئن تر و سیستم عملیات و نظارت دقیق تر و کامل تر است.

با مرتب‌سازی مطالب مرتبط این پژوهش، دیدگاه‌های زیر برای پژوهش‌های مرتبط آینده ارائه می‌شود. شبکه لجستیک شهری با توجه به تغییرات صنعت شهری و ساختار اقتصادی به صورت پویا تنظیم خواهد شد و این ویژگی به ویژه در حوزه لجستیک پهپاد مشهود است. تحقیقات آینده باید بیشتر عوامل مؤثر بر شبکه‌های لجستیکی پهپاد شهری را در مقیاس مکانی و زمانی تجزیه و تحلیل کند و نتایج تشخیص را با داده‌های سفارش لجستیک واقعی در شبکه‌های لجستیک تأیید کند. این درک ما را از ناهمگونی فضایی و مکانیسم محرک تنظیم دینامیکی شبکه‌های لجستیک در سطح شهر بهبود می‌بخشد و مرجع بیشتری برای برنامه‌ریزی شبکه لجستیکی پهپاد شهری و تخصیص منابع فراهم می‌کند.

منابع

Skrinjar، JP; اسکورپوت، پی. Furdić، M. کاربرد وسایل نقلیه هوایی بدون سرنشین در فرآیندهای لجستیک. در فناوری های نوین، توسعه و کاربرد ؛ انتشارات بین المللی Springer: چم، سوئیس، ۲۰۱۹; صص ۳۵۹-۳۶۶٫ [ Google Scholar ]
اتو، ا. آگاتز، ن. کمپبل، جی. گلدن، بی. Pesch، E. رویکردهای بهینه سازی برای کاربردهای غیرنظامی وسایل نقلیه هوایی بدون سرنشین (UAVs) یا هواپیماهای بدون سرنشین: یک بررسی. Networks ۲۰۱۸ ، ۷۲ ، ۴۱۱-۴۵۸٫ [ Google Scholar ] [ CrossRef ]
آهنگ، BD; پارک، ک. کیم، جی. لجستیک تحویل پهپاد مداوم: فرمول MILP و اکتشافی کارآمد. محاسبه کنید. مهندسی صنعتی ۲۰۱۸ ، ۱۲۰ ، ۴۱۸-۴۲۸٫ [ Google Scholar ] [ CrossRef ]
لی، دبلیو. لیو، ایکس. ما، ایکس. وانگ، ایکس. Zhou، Y. طرح تحویل داده با کمک پهپاد بر اساس تقاطع های مجازی فرصت طلب برای شبکه های حمل و نقل هوشمند. J. Adv. ترانسپ ۲۰۱۹ ، ۲۰۱۹ ، ۱–۱۱٫ [ Google Scholar ] [ CrossRef ]
استولاروف، جی.کی. ساماراس، سی. اونیل، ای آر. لوبرز، ا. میچل، ع. Ceperley، D. استفاده از انرژی و انتشار گازهای گلخانه ای چرخه زندگی هواپیماهای بدون سرنشین برای تحویل بسته های تجاری. نات. اشتراک. ۲۰۱۸ ، ۹ ، ۴۰۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
گودچایلد، ا. اسباب بازی، جی. تحویل با هواپیمای بدون سرنشین: ارزیابی فناوری وسایل نقلیه هوایی بدون سرنشین در کاهش انتشار CO _۲ در صنعت خدمات تحویل. ترانسپ Res. قسمت D Transp. محیط زیست ۲۰۱۸ ، ۶۱ ، ۵۸-۶۷٫ [ Google Scholar ] [ CrossRef ]
هال، ا. ماریوتی، I. جغرافیای لجستیک محل شرکت: نقش دسترسی. شبکه تف کردن اقتصاد ۲۰۱۷ ، ۱۸ ، ۳۳۷-۳۶۱٫ [ Google Scholar ] [ CrossRef ]
مک کارتی، تی. پفورته، ال. Burke, R. عناصر اساسی UTM شهری. Aerospace ۲۰۲۰ , ۷ , ۸۵٫ [ Google Scholar ] [ CrossRef ]
خو، سی. لیائو، ایکس. بله، اچ. Yue, H. ساخت تکراری شبکه مسیر هوایی پهپادهای کم ارتفاع در مناطق شهری: برنامه ریزی و ارزیابی موردی. جی. جئوگر. علمی ۲۰۲۰ ، ۳۰ ، ۱۵۳۴-۱۵۵۲٫ [ Google Scholar ] [ CrossRef ]
ژانگ، ن. ژانگ، ام. برنامه‌ریزی مسیر سه‌بعدی KH و وضوح تصادم در زمان واقعی عملیات پهپادهای چند روتوری در فضای پیچیده شهری در ارتفاع پایین. ترانسپ Res. قسمت C Emerg. تکنولوژی ۲۰۲۱ ، ۱۲۹ ، ۱۰۳۱۲۳٫ [ Google Scholar ] [ CrossRef ]
وانگ، ز. دلاحی، د. Farges، J.-L. Alam, S. تخصیص ترافیک هوایی بهینه پیچیدگی در شبکه حمل و نقل چند لایه برای عملیات تحرک هوایی شهری. ترانسپ Res. قسمت C Emerg. تکنولوژی ۲۰۲۲ , ۱۴۲ , ۱۰۳۷۷۶٫ [ Google Scholar ] [ CrossRef ]
لاگوریو، آ. پینتو، آر. گولینی، آر. تحقیق در تدارکات شهری: مروری بر ادبیات سیستماتیک. بین المللی J. Phys. توزیع کنید. تدارکات. مدیریت ۲۰۱۶ ، ۴۶ ، ۹۰۸-۹۳۱٫ [ Google Scholar ] [ CrossRef ]
محمود، ام اس; لی، جی. ژو، اس. نی، س. ما، ایکس. ظفر، ز. Rayit، A. تمایز فضایی و عوامل مؤثر بر نقاط جمع آوری و تحویل حضوری در شهر نانجینگ، چین. بین المللی J. Civ. زیرساخت. ۲۰۲۰ ، ۳ ، ۲۴-۴۰٫ [ Google Scholar ] [ CrossRef ]
محمود، ام اس; لی، جی. جین، ا. رحمان، ع. ویجراتنه، وی. ظفر، ز. خان، ع. خان، FA اثر جفت فضایی بین مرکزیت شبکه خیابان شهری و نقاط جمع آوری و تحویل: یک مطالعه مبتنی بر تحلیل شبکه طراحی فضایی. PLoS ONE ۲۰۲۱ , ۱۶ , e0251093. [ Google Scholar ] [ CrossRef ]
ساکائی، ت. کاوامورا، ک. Hyodo, T. ارزیابی الگوی فضایی تأسیسات لجستیکی با استفاده از شبیه‌ساز لجستیک شهری و کاربری اراضی و ترافیک. J. Transp. Geogr. ۲۰۱۹ ، ۷۴ ، ۱۴۵-۱۶۰٫ [ Google Scholar ] [ CrossRef ]
کورتیس، سی. Scheurer, J. برنامه ریزی برای دسترسی پایدار: توسعه ابزارهایی برای کمک به بحث و تصمیم گیری. Prog. طرح. ۲۰۱۰ ، ۷۴ ، ۵۳-۱۰۶٫ [ Google Scholar ] [ CrossRef ]
کلوبونیه، ک. ژو، اچ. مک کارنی، جی. Xia, J. اندازه‌گیری دسترسی و برابری فضایی خدمات شهری تحت رقابت با استفاده از معیار فرصت‌های تجمعی. J. Transp. Geogr. ۲۰۲۰ , ۸۵ , ۱۰۲۷۰۶٫ [ Google Scholar ] [ CrossRef ]
لو، ی. لیو، ی. وو، زی. Xing، L. یک چارچوب ارزیابی برای تخصیص مناسب نقاط جمع آوری و تحویل از دیدگاه ساکنان. Res. ترانسپ اتوبوس. مدیریت ۲۰۲۱ ، ۱۰۰۷۷۶٫ [ Google Scholar ] [ CrossRef ]
واسیچ، ن. کلیبردا، م. آندریچ، م. Jović, S. Satisfaction تابعی از کاربران خدمات لجستیک در تجارت الکترونیک است. تکنولوژی مقعدی استراتژی مدیریت ۲۰۲۱ ، ۳۳ ، ۸۱۳-۸۲۸٫ [ Google Scholar ] [ CrossRef ]
Yanık، S. طراحی شبکه لجستیک معکوس تحت خطر حمل و نقل مواد خطرناک. هوم Ecol. ارزیابی ریسک بین المللی J. ۲۰۱۵ ، ۲۱ ، ۱۲۷۷-۱۲۹۸٫ [ Google Scholar ] [ CrossRef ]
اولیویرا، LKd; اولیویرا، RLMd; سوزا، LTMd; Caliari، IdP; Nascimento، CdOL تجزیه و تحلیل دسترسی از نقاط جمع آوری و تحویل: به سمت پایداری تحویل تجارت الکترونیک. urbe. سوتین کشیش. De Gestão Urbana ۲۰۱۹ ، ۱۱ ، ۱–۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
یان، ال. ون، ی. Teo، KL; لیو، جی. Xu, F. ساخت مدل شبکه وزنی لجستیک منطقه ای و بهینه سازی قوی آن: شواهدی از چین. پیچیدگی ۲۰۲۰ ، ۲۰۲۰ ، ۱-۹٫ [ Google Scholar ] [ CrossRef ]
اوپاسانون، اس. Lertsanti، P. تحلیل تاثیر جابجایی تسهیلات لجستیک با استفاده از فرآیند تحلیل سلسله مراتبی (AHP). بین المللی ترانس. اپراتور Res. ۲۰۱۳ ، ۲۰ ، ۳۲۵-۳۳۹٫ [ Google Scholar ] [ CrossRef ]
چاکمک، ای. Önden، İ. آکار، AZ; Eldemir, F. تجزیه و تحلیل موقعیت مراکز لجستیک شهری در استانبول با ادغام سیستم های اطلاعات جغرافیایی با الگوریتم بهینه سازی ازدحام ذرات باینری. مورد مطالعه. ترانسپ سیاست ۲۰۲۱ ، ۹ ، ۵۹-۶۷٫ [ Google Scholar ] [ CrossRef ]
لی، ام. وانگ، جی. تکامل مکانی-زمانی و عوامل مؤثر بر بهره‌وری کل عوامل در صنعت لجستیک چین تحت محدودیت‌های کربن پایین. محیط زیست علمی آلودگی. Res. ۲۰۲۲ ، ۲۹ ، ۸۸۳-۹۰۰٫ [ Google Scholar ] [ CrossRef ]
لیو، اس. لیو، ی. ژانگ، آر. کائو، ی. لی، ام. ذکریا، بی. ژو، سی. ناهمگونی توزیع فضایی و عوامل مؤثر بر نقاط قفسه بدون مراقبت در گوانگژو، چین: مورد جعبه کندو. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۴۰۹٫ [ Google Scholar ] [ CrossRef ]
وانگ، J.-F. ژانگ، T.-L. فو، بی.-جی. اندازه گیری ناهمگونی طبقه بندی شده فضایی. Ecol. اندیک. ۲۰۱۶ ، ۶۷ ، ۲۵۰-۲۵۶٫ [ Google Scholar ] [ CrossRef ]
وانگ، جی اف. لی، XH; کریستاکوس، جی. لیائو، YL; ژانگ، تی. گو، ایکس. ژنگ، ارزیابی خطر سلامت مبتنی بر آشکارسازهای جغرافیایی XY و کاربرد آن در مطالعه نقص لوله عصبی منطقه هشون، چین. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۰ ، ۲۴ ، ۱۰۷-۱۲۷٫ [ Google Scholar ] [ CrossRef ]
گائو، اف. لی، اس. تان، ز. وو، زی. ژانگ، ایکس. هوانگ، جی. Huang, Z. درک مسئله واحد منطقه ای قابل تغییر در استفاده از اشتراک دوچرخه بدون اسکله و بررسی اثرات تعاملی عوامل محیطی ساخته شده. بین المللی جی. جئوگر. Inf. علمی ۲۰۲۱ ، ۳۵ ، ۱۹۰۵-۱۹۲۵٫ [ Google Scholar ] [ CrossRef ]
وانگ، ز. یو، ی. او، بی. نی، ک. تو، دبلیو. دو، س. لی، کیو. مدل مکانی-زمانی بیزی برای تحلیل ثبات الگوهای توزیع جمعیت در یک فضای شهری با استفاده از داده های تلفن همراه. بین المللی جی. جئوگر. Inf. علمی ۲۰۲۰ ، ۳۵ ، ۱۱۶-۱۳۴٫ [ Google Scholar ] [ CrossRef ]
خو، سی. لیائو، ایکس. تان، جی. بله، اچ. Lu, H. پیشرفت تحقیقات اخیر سیاست ها و فن آوری های تنظیم وسایل نقلیه هوایی بدون سرنشین در ارتفاع پایین شهری. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۷۴۱۷۵–۷۴۱۹۴٫ [ Google Scholar ] [ CrossRef ]
Aurambout، J.-P. گکوماس، ک. Ciuffo، B. تحویل آخرین مایل توسط هواپیماهای بدون سرنشین: برآوردی از پتانسیل بالقوه بازار و دسترسی به شهروندان در سراسر شهرهای اروپایی. یورو ترانسپ Res. Rev. ۲۰۱۹ , ۱۱ , ۳۰–۵۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ژو، جی. لی، سی. لیو، ی. ژانگ، جی. پیچیدگی تکامل فضاهای شهری کاربردی در جنبه های مختلف: بر اساس تبدیل کاربری زمین شهری. پیچیدگی ۲۰۲۰ ، ۲۰۲۰ ، ۱-۱۲٫ [ Google Scholar ] [ CrossRef ]
کورو، ک. آنسل، دی. خان، دبلیو. یتگین، اچ. تجزیه و تحلیل و بهینه سازی ازدحام وسایل نقلیه هوایی بدون سرنشین در لجستیک: یک پلت فرم تحویل هوشمند. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۱۵۸۰۴–۱۵۸۳۱٫ [ Google Scholar ] [ CrossRef ]
بوندارنکو، م. کر، دی. سوریچتا، ا. تاتم، ا. ورلد پاپ مجموعه داده‌های جمعیت شبکه‌بندی‌شده سرشماری/پیش‌بینی، تنظیم‌شده برای مطابقت با برآوردهای مربوطه UNPD 2020، برای ۵۱ کشور در سراسر جنوب صحرای آفریقا با استفاده از ردپای ساختمان ؛ دانشگاه ساوتهمپتون: ساوتهمپتون، بریتانیا، ۲۰۲۰٫ [ Google Scholar ]
ما، تی. ژو، CH; پی، تی. هاینی، اس. Fan، JF برآورد کمی پویایی شهرنشینی با استفاده از سری زمانی داده‌های نور شبانه DMSP/OLS: مطالعه موردی مقایسه‌ای از شهرهای چین. سنسور از راه دور محیط. ۲۰۱۲ ، ۱۲۴ ، ۹۹-۱۰۷٫ [ Google Scholar ] [ CrossRef ]
الویج، سی دی; ژیژین، م. قوش، ت. Hsu، FC; Taneja, J. سری زمانی سالانه چراغ‌های شبانه جهانی VIIRS برگرفته از میانگین ماهانه: ۲۰۱۲ تا ۲۰۱۹٫ Remote Sens. ۲۰۲۱ , ۱۳ , ۹۲۲٫ [ Google Scholar ] [ CrossRef ]
وو، سی. بله، X. رن، اف. Du، Q. رفتار ورود و شور و نشاط مکانی-زمانی: یک تحلیل اکتشافی در شنژن، چین. شهرها ۲۰۱۸ ، ۷۷ ، ۱۰۴–۱۱۶٫ [ Google Scholar ] [ CrossRef ]
ژائو، پی ایکس؛ لیو، XT; شی، WZ; جیا، تی. لی، WG; چن، ام. یک مطالعه تجربی در مورد الگوهای حرکت کالاهای درون شهری با استفاده از کلان داده لجستیک. بین المللی جی. جئوگر. Inf. علمی ۲۰۲۰ ، ۳۴ ، ۱۰۸۹-۱۱۱۶٫ [ Google Scholar ] [ CrossRef ]
زو، ایکس. صومعه‌علی، س. Scrafton، D. ارزیابی و تحلیل رقابت لجستیک شهری و تکامل فضایی. بین المللی J. Logist. Res. Appl. ۲۰۲۰ ، ۲۳ ، ۴۹۳-۵۰۷٫ [ Google Scholar ] [ CrossRef ]
ژائو، ال. ژو، جی. لی، اچ. یانگ، پی. ژو، ال. بهینه سازی طراحی یک سیستم لجستیکی مترو درون شهری بر اساس مدل شبکه هاب و اسپک. تون. Undergr. فناوری فضایی ۲۰۲۱ ، ۱۱۶ ، ۱۰۴۰۸۶٫ [ Google Scholar ] [ CrossRef ]
اوکابه، ا. ساتوح، تی. Sugihara, K. یک روش تخمین چگالی هسته برای شبکه ها، روش محاسباتی آن و یک ابزار مبتنی بر GIS. بین المللی جی. جئوگر. Inf. علمی ۲۰۰۹ ، ۲۳ ، ۷-۳۲٫ [ Google Scholar ] [ CrossRef ]
زو، ی. چن، اچ. پان، جی. سی، ی. قانون، ر. ژانگ، ام. الگوی توزیع فضایی و عوامل مؤثر بر منابع گردشگری ورزشی در چین. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۴۲۸٫ [ Google Scholar ] [ CrossRef ]
او، م. شن، جی. وو، ایکس. لو، جی. فضای لجستیک: مروری بر ادبیات از دیدگاه پایداری. Sustainability ۲۰۱۸ , ۱۰ , ۲۸۱۵٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
مورگانتی، ای. دابلانک، ال. فورتین، اف. تحویل نهایی برای خرید آنلاین: استقرار شبکه های نقطه پیکاپ در مناطق شهری و برون شهری. Res. ترانسپ اتوبوس. مدیریت ۲۰۱۴ ، ۱۱ ، ۲۳-۳۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Rosser, JC, Jr. ویگنش، وی. ترویلیگر، کارشناسی; کاربردهای جراحی و پزشکی هواپیماهای بدون سرنشین پارکر، BC: بررسی جامع. J. Soc. لاپاروسک. ربات. سرگ ۲۰۱۸ , ۲۲ , e2018.00018. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
باورانوف، آ. راکاس، جی. طراحی فضای هوایی برای تحرک هوایی شهری: مروری بر مفاهیم و رویکردها. Prog. هوانوردی علمی ۲۰۲۱ ، ۱۲۵ ، ۱۰۰۷۲۶٫ [ Google Scholar ] [ CrossRef ]
ساکائی، ت. کاوامورا، ک. Hyodo، T. امکانات لجستیک برای حمل و نقل درون و بین منطقه ای: توزیع های فضایی، عوامل انتخاب مکان، و عوامل خارجی. J. Transp. Geogr. ۲۰۲۰ , ۸۶ , ۱۰۲۷۸۳٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ توزیع فضایی شبکه تدارکات وسایل نقلیه هوایی بدون سرنشین (UAV) در هانگژو.

شکل ۲٫ توزیع فضایی چگالی هسته وزنی شبکه لجستیکی وسایل نقلیه هوایی بدون سرنشین (UAV) در هانگژو.

شکل ۳٫ نتایج تشخیص عامل الگوی فضایی شبکه تدارکات وسایل نقلیه هوایی بدون سرنشین (UAV) در هانگژو.

شکل ۴٫ نقشه پارتیشن فضایی از پنج فاکتور تاثیر پیشرو و نقشه چگالی هسته شبکه لجستیک پهپاد در هانگژو. ( a – e ) پنج فاکتور تاثیر اصلی به ترتیب نزولی q-value هستند، ( f ) نشان دهنده چگالی فضایی شبکه های لجستیکی است.

شکل ۵٫ نتایج تشخیص عامل تمایز منطقه ای شبکه تدارکات وسیله نقلیه هوایی بدون سرنشین (UAV) در سطح منطقه در هانگژو.

شکل ۶٫ نتایج تشخیص تعامل الگوی فضایی شبکه لجستیکی وسایل نقلیه هوایی بدون سرنشین (UAV) در هانگژو.

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام