Enhancing humanitarian logistics under uncertainty: A data-driven distributionally robust optimization approach with worst-case mean-CVaR
Notice bibliographique
Résumé
With the rise in global disasters, improving humanitarian supply chains and evacuation planning is essential for saving lives and delivering help quickly and fairly. This study proposes a model that integrates facility location, relief item distribution, and evacuation operations while accounting for critical social parameters such as demographic vulnerability and regional accessibility in affected areas. The inter-shelter collaboration logistics strategy is incorporated into the framework to address challenges in optimizing resource allocation and minimizing disruptions caused by blocked roads and uncertain demands. This research also develops a data-driven two-stage distributionally robust optimization (DRO) model, employing the worst-case mean-conditional value-at-risk criterion to ensure robustness against extreme scenarios. The model’s performance is assessed through out-of-sample analysis, demonstrating the DRO model’s enhanced robustness and effectiveness compared to the traditional two-stage stochastic programming model. The model is applied to the real case of the Fort McMurray wildfire in Alberta, Canada, to validate its practical applicability in disaster management. The results emphasize that prioritizing relief items, addressing social factors, and employing the inter-shelter collaboration strategy together improve evacuation efficiency and enhance resilience in disaster management, with the inter-shelter collaboration strategy contributing, for example, to approximately a 40% reduction in the unmet demand for a critical item.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».