**多平台API与模糊AHP在提高危险品 emergency 物流效率中的应用绩效评估：以曼谷高速公路网络为例的研究** Wipaporn Kitthiphovanonth, Chalermchai Chaikittiporn, Arroon Ketsakorn, Korn Puangnak

《Logistics》：Benchmarking Multi-Platform APIs and Fuzzy-AHP for Enhanced HAZMAT Emergency Logistics: A Case Study of Bangkok’s Expressway Network Wipaporn Kitthiphovanonth, Chalermchai Chaikittiporn, Arroon Ketsakorn and Korn Puangnak

　　摘要 背景：为了应对密集城市地区危险物质（HAZMAT）事件带来的重大挑战，本研究开发了一个适用于智能交通系统（ITSs）的空间应急响应优化混合框架。方法：我们的方法将模糊层次分析法（FAHP）与多种导航API的严格技术评估相结合，以改进在曼谷复杂交通环境中的路线决策。通过使用归一化成本函数（范围0–1），我们评估了本地化平台（Longdo Map）与全球平台（Google Maps和OpenStreetMap）在白天和夜间不同情景下的性能。结果：实验结果表明，归一化成本介于0.464到0.748之间，Bon Kai被确定为最佳响应节点，而Chan Road的效率最低。有趣的是，OpenStreetMap在应急物流方面提供了最高的时间一致性。结论：这些发现为当局提供了一个实用的决策支持工具，证明了集成API评估对于构建灵活和响应迅速的城市交通基础设施至关重要。

1. 引言
大都市区的快速城市化加剧了危险物质（HAZMAT）运输的复杂性，其中的事故可能对公共安全和环境造成灾难性后果。近期研究表明，传统的路线方法越来越难以应对现代城市交通的动态变化和风险因素[1,2]。因此，对于能够进行动态风险评估和实时路线优化的智能应急响应系统的需求日益增长。虽然传统方法通常依赖于静态的历史数据，但交通拥堵对HAZMAT运输风险的影响已成为一个需要数据驱动方法来处理的关键变量[3,4]。此外，数字孪生技术和韧性评估模型的集成已成为在不确定性条件下提高物流安全性的关键前沿[5,6]。为了应对应急决策中的多因素不确定性，模糊层次分析法（FAHP）仍然是一个稳健的方法选择。2024-2025年FAHP的应用成功展示了其在优先考虑供应链韧性和评估动荡环境中应急响应能力方面的有效性[7,8]。此外，FAHP与遥感和GIS技术的结合已被证明在管理道路交通服务方面有效[9]。然而，理论模型往往忽略了底层地理空间输入的“数据保真度”。正如[10,11]所强调的，智慧城市物流的可靠性在很大程度上取决于所使用的导航应用程序编程接口（APIs）的准确性和来源。尽管像Google Maps这样的全球平台利用了庞大的众包数据集，但研究表明，它们在城市物流准确性方面可能与开源或本地化数据集存在显著差异[10]。此外，自动驾驶系统和最后一段物流越来越需要高保真度的数据，例如精确的车道级信息，而这些信息因地图供应商而异[12]。尽管路线优化研究屡见不鲜，但在评估全球与本地化地图服务在HAZMAT事件中的运营适用性方面仍存在显著差距。大多数现有文献都集中在算法改进上——例如多智能体强化学习[13]或动态卡车-无人机协作[14]——而不是审查源数据本身。最近的智能物流基准研究强调了评估全球与本地地图数据的必要性，以确保语义导航的准确性[15]。本研究通过开发一个基于FAHP和地图API的“应急响应路线图”模型来填补这一空白。与以往依赖单一数据源的工作不同，我们的框架利用了三个不同的地理空间平台（Google Maps、Longdo Map和OpenStreetMap (OSM)）的比较分析，特别针对曼谷复杂的城市结构进行了定制。在未来的交通背景下，验证本地化数据深度与全球算法覆盖范围之间的协同作用对于发展灵活的ITS基础设施至关重要。本研究旨在：（1）使用专家共识识别和排序关键的应急路线标准；（2）应用FAHP在不确定性下权衡这些因素；（3）通过多标准加权成本函数确定最佳应急路线。这些发现为当局提供了一个实用的决策支持工具，证明了集成API评估对于在密集城市环境中进行强有力的危机管理至关重要。

2. 文献综述
2.1. 危险物质应急物流的演变：从静态到人工智能驱动的模型
在过去十年中，危险物质（HAZMAT）运输已经从基于静态的规制规划转变为动态的技术驱动系统。最近的研究强调了物联网（IoT）和人工智能（AI）在减少运输过程中风险方面的变革作用。例如，[1,3]的研究表明，在化学物流场景中，将基于IoT的实时监控与AI算法相结合可以将应急响应时间减少约20%。此外，“智能HAZMAT”框架的采用使得预测性风险建模成为可能，其中机器学习算法分析历史事故数据以动态预测潜在热点[2]。2025年关于智能交通系统的研究强调，虽然传统跟踪提供了位置数据，但现代AI驱动的系统现在结合了预测性排放监测和动态重新路由功能，以最小化事故期间的环境影响[1,3]。尽管取得了这些进展，但在将这些全球技术与本地化、特定于约束的道路数据结合以发展城市基础设施方面仍存在差距。

2.2. 现代交通中的多标准决策制定（MCDM）
尽管大数据分析已经受到重视，多标准决策制定（MCDM）方法，特别是模糊层次分析法（FAHP），对于处理应急决策中的主观性和不确定性仍然至关重要。最近的文献证实，通过与其他模型混合使用，FAHP得到了有效改进。参考文献[4]应用了混合模糊AHP方法来增强供应链韧性，展示了其在权衡定性风险因素方面的优越性，这些风险因素是定量数据无法捕捉的。同样，[5]利用模糊AHP评估了智慧城市中的城市货运物流性能，证明了其在优先考虑复杂且相互冲突的标准（如交通拥堵与安全距离）方面的稳健性。2025年的另一项研究将数据包络分析（DEA）与模糊AHP结合起来对物流公司进行排名，表明模糊逻辑比精确的数值模型更好地模拟了人类在安全关键评估中的不确定性[6]。这些发现证明了FAHP在这项研究中的持续相关性，特别是对于量化专家对高风险HAZMAT路线参数的共识。

2.3. 地理空间API在智慧城市中的作用
应急路线的可靠性在很大程度上取决于底层地理空间数据的准确性。比较不同地图平台的研究已成为一个独特的研究领域。2025年的一项性能分析比较了Google Maps和OpenStreetMap (OSM)，发现虽然Google Maps在最短路径准确性和实时交通更新方面通常表现更好，但OSM在特定非商业区域提供了更好的灵活性和细节[7]。然而，旅行时间估计的差异仍然是一个关键挑战；研究表明，依赖单一的全球API可能会导致在具有独特本地基础设施约束的区域中路由不佳[8]。此外，关于“数字孪生”城市的研究表明，整合多个API来源（包括全球和本地）显著增强了对数据中断的导航韧性[9]。这些文献强调了我们研究的必要性，它将这些全球巨头与本地化平台（Longdo Map）进行对比，以确定曼谷特定交通生态系统最可靠的来源。

3. 材料与方法
3.1. 问卷有效性和专家选择
研究首先通过专家访谈过程来识别在Chalerm Mahanakorn高速公路发生化学品泄漏时影响应急路线选择的关键因素。基于全面的文献回顾，制定了一个包含专家人口统计信息（第1部分）和关键路线因素（第2部分）的两部分问卷。为了确保内容有效性，该问卷由五位职业健康专家使用项目客观一致性指数（IOC）进行了评估。IOC分数使用Microsoft Excel（微软公司，美国雷德蒙德）计算。得分低于0.5的可接受阈值的条目并未被完全丢弃；相反，根据小组的定性反馈进行了系统修改和完善，然后才投入到实地应用中。

3.2. 修改后的德尔菲方法
在IOC验证之后，采用目的性抽样方法邀请了17位相关领域的专家参与研究（表1）。正如之前的研究[16,17,18,19]所示，这个样本量足以保持较低的错误率，同时提供可靠的定性见解。研究采用了修改后的德尔菲方法——一种旨在收敛专家意见的迭代过程。第一轮涉及开放式反馈，这为第二轮中使用的5点李克特量表的制定提供了信息。共识被量化定义为≥75%的一致性水平或四分位数范围（IQR）≤1.5。未能达到这一共识阈值的因素（即IQR > 1.5）——具体包括“工作指令（WI）”、“环境”和“EXAT交通”——被排除在进一步评估之外。保留的因素随后被用于模糊层次分析法（FAHP）和层次分析法（AHP）的计算。表1. 专家资格。

3.3. 分析层次分析法（AHP）方法
在Chalerm Mahanakorn高速公路上重要的五个路线选择因素接受了进一步的评估。在这个阶段，每个因素都与小组统计结果（中位数和四分位数范围）以及相应专家的先前回答一起呈现。优先级计算首先使用层次分析法（AHP）的基本尺度进行成对比较，让专家为他们认为最重要的组成部分分配相对权重。在通过AHP确定主要因素权重后，随后使用模糊层次分析法（FAHP）进行了子因素分析。这种高级方法克服了传统精确数值方法的局限性，有效捕捉了复杂应急响应决策中的主观性和不确定性。成对比较的可靠性使用Expert Choice软件版本11.5进行了严格验证，确保所有主要和子标准矩阵的一致性比率（CR）保持在可接受的0.1以下。AHP的决策层次结构展示了确定最安全应急路线的主要标准和子标准，见图1。

3.4. 模糊层次分析法（FAHP）方法
将模糊集理论与AHP相结合构成了模糊层次分析法（FAHP），它在不确定性下显著增强了人类判断能力。本研究应用的FAHP程序包括五个顺序步骤：（1）将精确数字转换为模糊数字（模糊化）；（2）以矩阵格式表达这些模糊数字以进行成对评估；（3）进行分析评估；（4）根据前述步骤评估备选方案；（5）将模糊数字转换回精确值（去模糊化）。最终备选方案的优先级是通过将模糊集合权重与备选方案权重相乘来确定的。FAHP的完整操作框架如图2所示。图2. 三角形模糊数的隶属函数。权重向量的计算，如方程（1）和方程（2）所示，分别计算得到的归一化权重向量。（1）W = (W1,W2,…,Wn)T （2）从FAHP分析得出的最终级别的归一化优先权重（Wn）直接用于多标准成本函数（如方程（3）所示）。这些权重通过捕捉每个路线标准（Cn）的相对主观重要性，将目标成本函数转换为决策支持模型。这种组合确保路线选择不仅基于距离或时间的最小化，还基于专家描述的安全和效率。

3.5. 成本函数
路线适宜性通过一个客观成本函数进行了数学评估，该函数旨在量化给定路线的“不可取性”，主要目标是最小化总计算成本。本质上，该函数根据多个影响因素为每个候选路径分配一个数值惩罚值；较低的值表示根据预定义标准更优的路径。对于这一特定的应急响应情景，成本函数考虑了几个关键参数，包括旅行时间、旅行距离、实时交通拥堵遥测、人口密度分布和道路条件，如方程（3）所定义。总成本 = W1C1 + W2C2 + W3C3 + W4C4 + W5C5 （3）其中，Cost代表需要最小化的总成本或总损害。Wi表示因素i的权重，来源于标准化的FAHP（模糊层次分析过程）权重。Pi/Ci表示因素i的值（可以是原始值、标准化值或标准化值）。每个主要类别（Wi）的全球权重是通过将初始类别优先级得分（）标准化为总缩放常数∑w′ = 3.399得出的，确保所有类别权重之和等于1.000，以便进行最终的成本评估。标准化公式如下：

4. 结果
4.1. 项目目标一致性指数（IOC）
初步因素筛选表明，“路线复杂性”这一标准的IOC值低于0.5的可接受阈值。因此，该因素被认为与研究目标不一致，在德尔菲迭代之前从数据集中删除。
4.2. 德尔菲方法
德尔菲方法中的专家共识是基于满足两个统计条件而建立的：四分位距（IQR）≤ 1.5（表示可接受的响应变异性）以及众数-中位数差异≤ 1.0。未能达成充分共识的因素（IQR > 1.5），即“工作指导（WI）”、“环境”和“EXAT交通”，被排除在进一步分析之外。其余因素在17位专家成员中表现出高度一致（IQR ≤ 1.5），随后被保留为层次分析过程（AHP）和模糊层次分析过程（FAHP）方法的主要输入变量。
4.3. 层次分析过程（AHP）
17位专家使用标准的AHP成对比较量表为所有确定的因素提供了它们的重要性强度。每个因素获得的分数被用来计算它们的几何平均值。这些聚合的几何平均值被用作进行AHP的输入，AHP是使用Expert Choice软件执行的。分析的主要标准和子标准包括交通流量、最短路径、舒适性、集中度、位置、ALOHA、人口、商业、谷歌地图、ITS、设备和位置。结果标准化的AHP权重总结在表2中。
4.4. 模糊层次分析过程（FAHP）
FAHP分析为每个主要类别内的子因素产生了全面的权重分布，显示出清晰的层次偏好：
- 交通流量状况评估：权重分布显示专家们强烈偏好自由流动的场景，反映了在化学品泄漏响应期间紧急车辆无阻碍移动的关键重要性（图3）。
- 化学数据：使用ALOHA扩散模型评估化学危害时，高度重视安全操作条件，权重反映了最小化暴露于严重影响区域的必要性（图4和图5）。
- 对社区和社会的社会经济影响：有趣的是，社区影响评估显示出对严重影响场景的高度优先（图6）。这强调了专家组在选择能够积极减轻重大社区暴露风险的路线方面的关注。
- 交通数据与紧急响应团队的有效性：数据质量权重分布在交通拥堵程度、行驶时间变化性和道路容量利用率之间。此外，资源准备情况的分析突出了显著的地理偏好，Bon Kai消防站由于其优越的操作能力和战略定位而获得了较高的权重集中。完整的FAHP权重分布详细列在表3中。
4.5. 紧急情况设置和参数配置
本节详细介绍了用于比较Google Maps API版本3中紧急响应路线的仿真方法。主要目标是验证本地化平台在给定背景下的适用性。仿真集中在Chalerm Mahanakorn高速公路上纬度13.724894、经度100.552500的假设化学事故。根据距离策略性地选择了五个附近的消防站，所有这些消防站都在标准8分钟最大行驶时间半径内。
4.6. 监测系统的运营
泰国高速公路管理局（EXAT）运营的环境质量监测系统。蓝色编号图标代表各个监测站的具体ID，而彩色线条表示网络内的各种监测高速公路段。红色箭头指向北方。（注意：该国家数据库的原始界面是泰文的；添加了英文文本说明系统标题、地图图层和监测站图例）。
4.7. 急响应路线的比较分析
本节详细介绍了用于比较Google Maps、Longdo Map和OpenLayers中紧急响应路线的仿真方法。主要目标是验证Longdo Map在给定背景下的适用性。仿真集中在Chalerm Mahanakorn高速公路上纬度13.724894、经度100.552500的假设事故附近，靠近Rama IV Road出口（图7）。API请求参数使用默认的紧急车辆路由配置文件进行配置，启用了实时交通数据集成，并禁用了“避开收费”选项，以确保与曼谷的高速公路网络兼容。
4.8. 化学危害评估（ALOHA扩散图）
FAHP结果对于化学危害的严重性显示了对于安全操作条件的明显偏好。分配的权重反映了专家们对优先选择化学暴露最小的路线的强烈共识，强化了生命安全作为紧急响应路线选择的首要决定因素。
4.9. 急响应团队的有效性
消防站资源准备情况的分析突出了显著的地理和操作偏好。具体来说，Bon Kai消防站获得了最高的权重分配，反映了其相对于本地化紧急响应网络中其他设施而言更好的战略定位和操作能力。
4.10. FAHP权重分布的含义
FAHP结果（表3）为开发基于证据的路线优化算法提供了全面的定量基础。权重分配显示了专家们在风险最小化方面的明确共识，这通过给予安全和化学条件的最高优先级得到体现。同时，分配给特定消防站的集中权重强调了部署高容量响应资源的战略价值。值得注意的是，社会经济权重模式强调了在紧急规划过程中考虑重大社区影响的关键必要性。
4.11. 路线仿真结果的比较分析
本节详细介绍了用于比较Google Maps、Longdo Map和OpenLayers中紧急响应路线的仿真方法。主要目标是验证Longdo Map在给定背景下的适用性。仿真集中在Chalerm Mahanakorn高速公路上纬度13.724894、经度100.552500的假设事故附近，靠近Rama IV Road出口（图7）。API请求参数使用了默认的紧急车辆路由配置文件，启用了实时交通数据集成，并禁用了“避开收费”选项，以确保与曼谷的高速公路网络兼容。模拟结果表明，在传统的“时间优化”路由和提出的“风险加权”方法之间存在明显的权衡。与最近关于混合元启发式和模糊评估模型的研究结果[26,27]一致，我们的算法将应急车辆重新导向备用路线，以最小化暴露风险。尽管这种替代路径使行驶时间增加了120秒，但它显著将救援团队暴露在有害烟雾中的风险降低了15%，并避开了交通拥堵严重的区域，证明了模糊加权函数能够有效地将标准导航转化为战略性的生命安全操作[28]。

5.3 对城市规划和公共安全的意义
地方政府正式采用这些动态优化的安全路线，可以显著提升综合交通管理能力。现代智慧城市框架越来越提倡利用物联网（IoT）支持的交通管理系统来建立“动态绿色通道”，以优先处理紧急车辆[29]。通过将我们的路由算法与实时边缘计算和路口的IoT传感器相结合，城市可以实现预先的交通信号控制并自动清理车道[30,31]。这种政策层面的整合确保了所提出的模型从一个静态框架演变为一个主动的决策支持工具，从根本上提高了区域应急物流的响应能力[32]。

5.4 对物流运营商的管理意义
从物流管理的角度来看，仅依赖单一导航提供商来管理危险品运输车队存在严重的运营风险。建议物流运营商采取“多平台冗余”策略。虽然全球API能够提供更准确的跨省高速公路速度预测，但在复杂城市网络中识别具体物理限制时，本地数据是不可或缺的。将这些多平台的信息整合到车队管理系统（FMS）中，可以降低车辆进入禁止区域或高风险区域的风险，这一策略得到了最近在道路运输网络评估方面取得的进展的大力支持[22,27]。

5.5 未来研究方向
未来的研究应扩展地理范围，涵盖整个泰国高速公路管理局（EXAT）的网络。此外，城市数字孪生（UDT）的集成是一个极具前景的新领域。最近的研究强调，生成式城市数字孪生通过实现动态同步和虚实交互，增强了洪水、滑坡等紧急情况的管理能力[33,34]。通过将我们的FAHP路由模型与开放的AI驱动数字孪生和实时气象IoT数据相结合，未来的框架能够在灾难完全升级之前预测并减轻其影响[35,36]。将这种方法应用于各种危险品运输情况，将为应对多方面的城市危机建立一个全面的灾害缓解工具。

6. 结论
本研究成功地将模糊层次分析过程（FAHP）与实时地图API遥测数据结合起来，实现了一个新的应急路由框架。对比分析明确表明，在复杂的城市环境中，本地化地理空间平台相比传统的全球路由算法能够提供更高的精度。更重要的是，所提出的成本函数将运营范式从传统的“时间优化”导航转变为“风险加权”方法，主动降低社区暴露在危险化学事件中的风险。最终，这项研究为地方政府和灾害响应规划者提供了一个基于证据的强大工具，显著提升了城市的韧性和公共安全能力。