【文献学习】顶刊JAG：南京市院前应急设施布局优化——基于多源大数据的时空分析

本研究采用位置集覆盖问题 （LSCP） 作为其基础优化框架。LSCP 模型因其在应急设施规划中的适用性而得到认可，一直是应急站位置研究开创性工作的基石（ Murray 等人，2010 年）。LSCP 由 Toregas 等人 （1971） 率先提出，最初用于优化消防站位置，重点是实现完整的空间覆盖。在急救需求拓扑（包括点、线或面）不同的场景中，该模型旨在确定获得全面空间覆盖所需的最小设施点数量。

在本研究中，提出了一种基于时空大数据框架的高级院前急救设施布局模型。该模型将空间随机模拟急救需求和实时交通状况的大量数据集合并到集体覆盖优化模型中。这种集成缓解了复杂的情况，解决了以前紧急需求分配中固有的不确定性，并消除了理想化交通假设引起的错误。此外，该模型还描绘了三类约束：空间约束、时间约束和覆盖率约束（ 表 1 ）。基于遗传算法的结果布局用作应急设施放置的优化解决方案。

相应地，我们提出了一种基于时空大数据并与 ArcGIS 集成以进行空间分析和可视化的多目标集覆盖位置选择模型。该模型表述如下：让正在考虑的潜在新地点集表示为 M ，最终规划的地点集用 W 表示。对于一组现有的站点 H ，默认假设是保留这些站点而不进行修改，直接将它们合并到集合 W 中。利用急救需求的预测性质，集合覆盖位置选择优化算法计算 M 中每个候选站点 j 是否包含到最终集合 W 中。在指定请求点和潜在地点后，可以将这些参数输入到模型中，该模型使用遗传算法来解决 x _j .这将产生一组最小化的站点，从而最大限度地提高应急响应的效率。实现此目的的算法步骤详细说明如下：

3.研究技术与方法 Study area  and Methods

图 1 .南京院前急救模式的现状。

图 2 .南京市院前急救设施的分发。

本研究与南京市急救中心合作，访问了 99,598 条唯一可识别的调度记录，其中 85,140 条包含患者信息，抢救有效率为 85.7%。这些记录可以根据应急响应的空间起点和目的地分为三种类型：（1） 从急救站发起的响应，（2） 医院间转移，以及 （3） 来自运输中空车的响应。具体来说，58,667 次响应来自急救站，占应急响应总数的 68.9%。此外，还有 17,530 次院际转移，占紧急病例总数的 20.5%，8,943 次响应由运输中的空车执行，占整体紧急需求的 10.5%。

本研究利用了通过高德地图的 OPEN API 访问的实时交通数据。API 的交通状况 HTTP 接口根据用户输入返回请求的交通状况，并提供包含空间和时间属性的广泛数据集。为了处理这些大量的流量数据，该研究采用了流预处理方法。高德地图 OPEN API 的参数被配置为专注于特定的矩形城市单元。最初，城市景观被划分为这些单元。然后运行数据收集程序，在每个单元的经纬度边界内提取原始交通数据，然后将其导入专用数据库。然后，将这些单独的单元汇总在一起，以构建一个全面的区域道路网络。原始数据经过预处理以隔离相关的流量信息。此外，还设置了一个计时器，以在多天和多时间间隔内自动执行数据收集程序。这有助于对流数据进行智能批处理，并确保在指定时间范围内捕获相关的城市交通指标。从这些数据中，提取特征速度作为各个路段的代表性指标，然后将其纳入分析框架。

4.使用多源数据集成优化南京市急救设施的配置

图 3 .南京市当前急救需求空间分布.

在随机空间需求条件下，急救需求空间分布的精确表征对于优化定位急救设施至关重要。通过从多个角度分析南京市的真实需求数据（ 图 3）， 我们确定急救需求的空间分布表现出很强的规律性。

图 4 .南京市急救需求核密度的三维示意图。

图 5 .南京市急救需求核密度的三维示意图。

紧急援助需求主要集中在江南市主城区，其次是江北新区的核心区。少数高需求区位于外围城市地区的焦点（ 图 4 、 图 5 ）。

为了提高预测急救需求空间分布的准确性，必须根据 2016 年 6 月至 2017 年 5 月收集的数据的 K-means 聚类分析生成空间随机需求预测集 V。 如图 6 所示，当 K 为 170 时，会出现这个拐点。聚类后，后续步骤包括计算 X 和 Y 坐标的平均值 μ " role="presentation" style=" box-sizing: border-box; margin: 0px; padding: 0px; display: inline-block; font-style: normal; font-weight: normal; line-height: normal; font-size: 14.4px; font-size-adjust: none; text-indent: 0px; text-align: left; text-transform: none; letter-spacing: normal; word-spacing: normal; overflow-wrap: normal; white-space: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; border-width: 0px; border-style: none; border-color: currentcolor; "> μ 对于每个相对于其质心的聚类，以及关联的协方差矩阵 COV 。检验证实这些数据与高斯分布假设一致。使用聚类和高斯拟合的结果，采用蒙特卡洛模拟来生成空间随机需求出现点。因此，该模拟有助于计算置信水平，如图 7 所示。

图 6 .K-SSE 曲线。

图 7 .K-means 聚类结果。

在评估紧急服务的有效性时，我们在南京指定了两个交通拥堵高峰时段：8：00–9：00 和 17：00–18：00。拥堵指标来自这些间隔期间道路上记录的平均速度，以 24 小时平均速度作为比较基线。随后的空间分析（封装这些变量）确定服务覆盖区域并阐明交通拥堵对应急响应效率的影响。我们发现，南京的大部分地区在高峰和平均交通条件下都能实现低于 15 分钟的响应（ 表 3 、 表 4 ）。然而，外围城市地区表现出对服务延迟和更大的覆盖盲点的更大敏感性（ 图 8 、 图 9 ）。利用发达国家普遍存在的 6-10 分钟应急响应时间的参考标准，我们发现南京的大部分地区，包括近端和远端，都无法满足这一标准（ 表 5 ），从而凸显了不加选择的资源分配的低效率。结合这些实证见解并符合监管规定，我们为南京市制定了 12 分钟的最终目标应急响应时间。该数字根据 1 分钟的平均调度延迟和 3 分钟的应急人员动员窗口进行调整，为救护车设定了 8 分钟的目标运输时间。南京市院前急救站的布局优化基于这个调整后的时间框架。

图 8 .在 15 分钟间隔内没有拥堵的区域的空间核密度估计。

图 9 .在 15 分钟间隔内平均交通条件下的区域的空间核密度估计。

根据南京市全市土地利用规划框架的综合土地利用地图，总共确定了 2,083 个潜在地块。这些主要分为三种类型：综合医院、具有社区医疗保健综合功能的社区服务中心和具有基本社区医疗保健服务的基层社区服务中心。这些图构成了未来紧急医疗服务扩展的候选集 M ，如图 10 所示。

图 10 .候选站点集 M 。

现有的 52 个位点集（称为 H ）无需修改即可直接整合到 W 中。将每个候选位点 j 包含在 W 内的集合 M 中的决定是基于具有预定因子的复合方程做出的。如前所述， t s r " role="presentation" style=" box-sizing: border-box; margin: 0px; padding: 0px; display: inline-block; font-style: normal; font-weight: normal; line-height: normal; font-size: 14.4px; font-size-adjust: none; text-indent: 0px; text-align: left; text-transform: none; letter-spacing: normal; word-spacing: normal; overflow-wrap: normal; white-space: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; border-width: 0px; border-style: none; border-color: currentcolor; "> t s r