Fair and efficient urban freight management : mathematical models, algorithms and machine learning approaches

Kurzfassung/Abstract

Die vorliegende Dissertation untersucht Fragestellungen zur fairen und effizienten Gestaltung urbaner Logistiksysteme. Im Mittelpunkt stehen mathematische Optimierungsmodelle, heuristische Lösungsverfahren sowie Methoden des maschinellen Lernens, die zur Analyse kooperativer Logistiknetzwerke und zur verursachungsgerechten Verteilung von Kosten eingesetzt werden.
Ein erster Schwerpunkt der Arbeit liegt auf der Kooperation von Logistikdienstleistern in zweistufigen City-Logistik-Systemen. Hierzu werden mathematische Modelle entwickelt, die strategische und operative Planungsentscheidungen integrieren und sowohl ökonomische als auch ökologische Zielsetzungen berücksichtigen. Da die zugrunde liegenden Optimierungsprobleme für realistische Instanzgrößen nicht exakt lösbar sind, werden leistungsfähige Metaheuristiken entwickelt, die hochwertige Lösungen in kurzer Rechenzeit erzeugen. Die Ergebnisse zeigen, dass Kooperation erhebliche Kosten- und Emissionsreduktionen ermöglichen kann, gleichzeitig jedoch Fragen der fairen Verteilung von Nutzen und Belastungen zwischen den beteiligten Akteuren aufwirft.
Vor diesem Hintergrund untersucht die Dissertation verschiedene Fairnesskonzepte im Kontext kooperativer Logistiksysteme. Dabei werden Anforderungen hinsichtlich Kostenverteilung, Arbeitslast und Regelmäßigkeit der Leistungserbringung in mathematische Planungsmodelle integriert. Die numerischen Analysen zeigen, dass Fairnessrestriktionen einen wesentlichen Einfluss auf die Effizienz logistischer Systeme haben und dass insbesondere langfristige Fairnessbetrachtungen einen ausgewogenen Kompromiss zwischen ökonomischen, ökologischen und sozialen Zielsetzungen ermöglichen.
Ein weiterer Schwerpunkt der Arbeit ist die verursachungsgerechte Kostenallokation mithilfe des Shapley-Werts aus der kooperativen Spieltheorie. Obwohl der Shapley-Wert als besonders faire Verteilungsmethode gilt, ist seine Berechnung für große Optimierungsprobleme häufig mit erheblichem Rechenaufwand verbunden. Zur Überwindung dieser Einschränkung werden zwei unterschiedliche Approximationsansätze entwickelt. Der erste Ansatz nutzt Methoden des maschinellen Lernens, um Shapley-Werte auf Basis struktureller Eigenschaften von Optimierungsproblemen vorherzusagen. Der zweite Ansatz basiert auf der Aggregation von Shapley-Werten kleiner Teilkoalitionen und ist unabhängig von spezifischen Problemstrukturen einsetzbar. Die Ergebnisse zeigen, dass beide Verfahren eine hohe Approximationsgüte bei deutlich reduziertem Rechenaufwand erreichen.
Insgesamt leistet die Dissertation Beiträge zur Entwicklung effizienter und fairer Entscheidungsunterstützungssysteme für die urbane Logistik. Die vorgestellten Modelle und Verfahren verbinden Methoden des Operations Research, der kooperativen Spieltheorie und des maschinellen Lernens und liefern sowohl theoretische Erkenntnisse als auch praxisrelevante Handlungsempfehlungen für die Gestaltung nachhaltiger Logistiksysteme.zeige weniger