内容导读：

交通拥堵是许多大城市持续存在的严重问题。许多公共设施，如医院，往往位于城市的中心位置，以确保对当地居民的可达性；因此，这些公共设施可能会对城市交通拥堵做出贡献。在本文中，我们以北京市的医院搬迁为例，在考虑交通拥堵和医院可达性的基础上，构建多目标空间优化模型，用以缓解北京的交通拥堵。

研究方法：

       文中采用城市内出租车数据来刻画医院的服务区范围，之后估算由于就医出行而导致的医院周边拥堵情况，并结合百度拥堵指数识别出潜在的需要搬迁的医院。在定义医院搬迁问题（Hospital Relocation Problem, HRP）的基础上，文中采用非支配排序遗传算法(Non‐dominated Sorting Genetic Algorithm II，NSGA-II)来优化目标函数。目标函数有两个，医院可达性采用就医距离来衡量，交通拥堵状况采用研究区域内异常拥堵的区域数目来衡量，交通流量是由格网区域内总的就医出行的总数得到的。研究方法流程图见图1。

图1 本文研究方法流程图

       医院搬迁模型的数学定义可参考原文。文中在采用NSGA-II算法解决医院搬迁问题时，染色体编码采用整数矢量编码方案，适应度函数采用两个目标函数的相对值进行评价，即采用新的搬迁方案下得到出的全局出行平均距离和拥堵区域数目与原始状态下的比值作为优化目标。图2 展示了最终确定的48家较为拥堵的医院以及五环外的51家医院搬迁的候选点的分布情况。

图2 拟搬迁医院以及候选医院搬迁地点

研究结果：

1.     参数分析

我们依次计算了搬迁医院数目从5家至15家时交通拥堵状况和出行可达性的变化。图3结果表明，随着搬迁医院数目的增加，交通拥堵明显改善；但交通拥堵的缓解是以全局的平均出行距离的增加为代价的。比如当选定搬迁数目p=5时，交通拥堵指标减少了27%，出行距离增加了14%；而当p=15时，交通拥堵减少了74%，出行距离增加了81%。因此，交通拥堵的减轻和较短的出行距离是不能同时得到的；需要依据每个目标的优先级在可达性和交通拥堵之间权衡。

图3 基于归一化目标函数的帕累托最优解

同时，文中采用hyper volume ratio（HVR）指标来衡量帕累托最优解的性能。图4表明，少量的搬迁医院似乎意味着更好的HVR的值；且HVR的值在p= 5,7,11,13时差别不是很大。而当p=15时，HVR呈现出较低的值，这意味着当搬迁较多的医院时，交通拥堵的减少是以极大地牺牲可达性为代价的（就医距离几乎增加了一倍）。当需要考虑就医可达性时，p=15不是一个很好的选择。因此，在决定搬迁医院的数量时，除了其他经济和环境因素外，应仔细考虑解决方案的整体质量。

图4 NSGA-II性能指标HVR

1.     优化结果

文中以p=5为例展示了解决方案和两个目标函数之间的权衡。图5展示了p=5时最优解决方案中交通拥堵减缓较多的解（图3中位于（1.145，0.739）的解）。在该最优解中，位于东城和朝阳的五家医院如果搬迁至通州、朝阳、石景山和大兴，北京市拥堵地点的数目将从23处减至17处，出行距离增加了0.6KM。这是一个令人满意的结果，600米出行距离的增加（少于1分钟的车程时间）将使所有通过6个千米格网内的车辆受益。

图5 最优解位置图（p=5）

       从图5可以明显看出，五家医院搬迁的路径上出现了明显的车流量的增加，而五家医院的原地址处将会有明显的车流量的减少。图6展示了该方案下搬迁前后全局的车流量情况。总的交通流量分布模式是相似的。但在搬迁之前，交通拥堵的区域主要集中在中心区域，而搬迁之后，中心区域呈现出更少的拥堵网格数目。需要指出的是，交通拥堵区域数目的减少并不意味着全局车流量的减少，相反全局的车流总量是增加的，但是中心地区车流量的减少将会缓解全局的交通拥堵。

参数分析和优化结果展示表明使用出租车数据，伴随着就医距离的微小增加，北京市医院的搬迁可以减缓北京的交通拥堵。这和北京市提出的非首都功能缓解的政策要求相一致，文中首次定量化了搬迁策略来缓解交通拥堵。

（a）                                   （b）

图6 p=5时的交通拥堵模式：(a)搬迁之前; (b)搬迁之后

内容小结：

       本文的研究展示了面对多目标要求时，空间优化在政策制定和设施选址中的重要性。文中提出的缓解交通拥堵的分析框架，可以应用在其他的公共设施上。未来研究可以从采用出行时间衡量可达性以及通过含有就医目的信息数据精确模型参数两个方面改进。

参考文献：

Wang Y, Tong D, Li W, Liu Y. Optimizing the spatial relocation of hospitals to reduce urban traffic congestion: A case study of Beijing. Transactions in GIS. 2019; 00:1–22. https://doi.org/10.1111/tgis.12524