Revista Europea de Investigación Operativa

Revista Europea de Investigación Operativa
página de inicio de la revista: www.elsevier.com/locate/ejor

Aplicaciones innovadoras de OR
Mejora de la equidad en la planificación de ambulancias al compartir el
tiempo
CJ Jagtenberg∗AJ Mason
Universidad de Auckland, Departamento de Ciencias de la Ingeniería 70 Symonds Street Grafton, Auckland 1010, Nueva Zelanda
artículo
informacion
Historia del articulo:
Recibido el 14 de diciembre de 2018
Aceptado el 1 de agosto de 2019
Disponible en línea el 9 de agosto de 2019
Palabras clave:
O en servicios de salud
Ubicación de las instalaciones
Justicia
Optimización no lineal
Optimización multi-objetivo
resumen
La mayoría de la literatura sobre el problema de la ubicación de la ambulancia tiene como objetivo maximizar la cobertura, es decir, la fracción de personas
eso se puede alcanzar dentro de un cierto umbral de tiempo de respuesta. Tal problema a menudo tiene un óptimo,
pero pueden existir varias soluciones casi óptimas. Estos pueden tener un rendimiento general similar pero proporcionan
cobertura diferente para diferentes regiones. Esto plantea la pregunta: ¿estamos haciendo elecciones 'arbitrarias' en
términos de quién obtiene cobertura y quién no? En este artículo, proponemos compartir tiempo entre siete
En general, buenas configuraciones de ambulancia en aras de la equidad. Sostenemos que el social de Bernoulli-Nash
La medida de bienestar debe usarse para evaluar la equidad del sistema. Por lo tanto, formulamos un
Modelo de optimización lineal que determina la fracción de tiempo invertido en cada configuración para maximizar
el bienestar social de Bernoulli-Nash. Resolvemos este modelo en un estudio de caso para un proveedor de ambulancias en
Holanda, utilizando una combinación de simulación y optimización. Además, analizamos cómo el
La solución óptima de Bernoulli-Nash se compara con la solución de cobertura máxima formulando y resolviendo
Un modelo de optimización multi-objetivo.
© 2019 Elsevier BV Todos los derechos reservados.
1. Introducción
Un aspecto importante de los Servicios Médicos de Emergencia (EMS) es
posicionar vehículos de tal manera que los incidentes puedan ser atendidos como
lo mas rapido posible. Este es el objetivo de la ubicación de la ambulancia.
problema: dónde ubicar las bases y cómo distribuir las disponibles
vehículos sobre esas bases, para alcanzar cierto nivel de servicio
entregado a pacientes.
Consideramos una operación típica de ambulancia en la que, para un conjunto
de ubicaciones base dadas, tenemos que asignar cada vehículo a un hogar
base. Suponemos que cada vehículo vuelve a su base de operaciones cuando:
siempre está inactivo Por lo general, una organización de ambulancias buscará uno
buena configuración de ambulancia , es decir, una buena asignación de ambu-
lanzas a bases. Tal configuración proporcionará buena ambulancia
tiempos de respuesta para las personas que viven cerca de esas bases, pero
podría proporcionar un servicio deficiente a las áreas donde no hay
lanza basada cerca, o donde el número de ambulancias cercanas
es insuficiente para satisfacer la demanda. El nivel de servicio para una configuración
La uración se mide típicamente en términos de un umbral de tiempo de respuesta
viejo, donde decimos que una llamada de emergencia se atiende a tiempo (o
cubierto ) si una ambulancia llega a la ubicación de la llamada dentro del
umbral de tiempo esponjoso. La fracción de personas en la región que
se alcanzan dentro del umbral de tiempo de respuesta a menudo se refiere
∗Autor correspondiente.
Direcciones de correo electrónico: c.jagtenberg@auckland.ac.nz (CJ Jagtenberg),
a.mason@auckland.ac.nz (AJ Mason).
como la cobertura . Esta métrica está estrechamente relacionada con el rendimiento.
objetivos: por ejemplo, en los Países Bajos el objetivo es que
los pacientes gentiles '95% de todas las llamadas deben ser alcanzadas dentro de 15 minutos
utes '(Hoogeveen, 2010)
Los objetivos de rendimiento como el anterior conducen a la búsqueda
para configuraciones eficientes . Es decir, plantea la pregunta de cómo
cumplir el objetivo con un número mínimo de vehículos. Alterna-
En realidad, otra pregunta podría ser cómo maximizar la cobertura
dado un número fijo de vehículos. En ambos casos uno está pidiendo
eficiencia porque los objetivos se expresan en términos del total
Número de personas con llegadas a tiempo.
Existe mucha literatura que se enfoca en maximizar la eficiencia
competencia, tanto para la clase más general de problema de ubicación de instalaciones
lems, así como problemas específicos de ambulancia. Para una visión general
de modelos de ubicación de ambulancias, ver Brotcorne, Laporte y Semet
(2003) y Li, Zhao, Zhu y Wyatt (2011) . La mayoría de estos
modelos utiliza programación lineal entera mixta para maximizar el
(esperado) cobertura. Ejemplos bien conocidos incluyen el Máximo
Problema de ubicación de cobertura (MCLP) (Iglesia y revelación, 1974) y es
extensiones como el problema de ubicación de cobertura máxima esperada
lem (MEXCLP) (Daskin, 1983) y su variante para la conducción estocástica
veces (Goldberg, Dietrich, Chen y Mitwasi, 1990) Otro pozo
El enfoque conocido para el desempeño del modelo de ambulancia es la hiper-
modelo de colas de cubo (Larson, 1974 ) .
La búsqueda de la eficiencia significa que estamos lidiando con un problema
elección explícita de una medida de bienestar social. Implica que debemos
multa el bienestar de una sociedad como la suma del bienestar de todos los individuos.
https://doi.org/10.1016/j.ejor.2019.08.00 3
0377-2217 / © 2019 Elsevier BV Todos los derechos reservados.
Página 2
1096
CJ Jagtenberg y AJ Mason / European Journal of Operational Research 280 (2020) 1095–1107
Esta es una llamada función utilitaria de bienestar social. Si bien esto es
una función de bienestar social comúnmente utilizada, el enfoque utilitario
Tiene dos problemas.
Cuando creamos modelos de ambulancia con un objetivo utilitario,
Los principales problemas son los siguientes. En primer lugar, las soluciones a tales modificaciones
Ellas tienden a mover vehículos a áreas densamente pobladas, a costa de
personas que viven en zonas más remotas. Esto plantea políticas y filosofías.
preguntas sofisticadas sobre quién debería obtener cobertura y quién debería
no. Una conclusión podría ser que, hasta cierto punto, preferimos subop-
soluciones temporales si ofrecen un servicio más equitativo. El segundo
El problema es que, independientemente del modelo utilizado, cualquier predicción de
el rendimiento será aproximado y, por lo tanto, también lo será el
afirman que hemos encontrado una solución óptima.
Proponemos resolver los problemas anteriores compartiendo el tiempo
lanzas Es decir, en lugar de utilizar una configuración en todo momento,
un proveedor de ambulancias puede administrar su flota de manera diferente en diferentes
tiempos diferentes. Esto ya es una práctica común cuando se responde a
cambios en la demanda, por ejemplo, muchos proveedores de ambulancias operarán
diferente en días hábiles en comparación con los fines de semana; sin embargo, esto
No es lo que queremos decir. En cambio, proponemos utilizar múltiples configuraciones
raciones incluso entre semana que son muy similares en términos de ambu-
Lanza demanda. En esta situación, suponemos que el nivel de servicio
proporcionado a un habitante en una ubicación determinada es el promedio de tiempo
del servicio prestado a esa ubicación. El objetivo final es
aumentar la equidad en toda la región, sin sacrificar demasiado
en términos del bienestar social utilitario.
Permítanos ilustrar nuestra propuesta con el siguiente ejemplo. Estafa-
sider una región EMS que tiene aproximadamente el mismo patrón de demanda
de lunes a jueves. Primero consideramos la opción utilitaria
configuración incorrecta (llame a esta configuración A). Supongamos que esto
La figuración ofrece un excelente servicio a las personas que viven en el gran
ciudades, y un servicio algo peor a las personas que viven en pequeños pueblos
lages en las afueras1. Además de la configuración A, también con-
configuraciones alternativas B y C alternativas que son casi óptimas desde
Una perspectiva utilitaria. En comparación con la configuración A, configura-
la sección B brinda un mejor servicio a las personas en una aldea en el
Parte occidental de la región, a costa del servicio de personas en
Una ciudad central. La configuración C es similar, excepto que beneficia a un vil-
Lage en la parte oriental de la región. En este ejemplo, cubriendo
ambas aldeas son a la vez ineficientes, en el sentido de que
un sistema funcionaría mal desde un punto de vista utilitario.
En lugar de elegir entre centrarse en la ciudad, el oeste o
el pueblo del este el 100 por ciento del tiempo, proponemos pasar
Lunes y martes en configuración A, miércoles en configuración
ración B y jueves en configuración C. Esta solución aumenta
equidad en toda la región en comparación con la op
timum (que es: pasar de lunes a jueves en configuración-
ción A). Porque solo hemos considerado configuraciones que
Con un servicio general razonablemente bueno, esto garantiza que nuestra solución
ión no reduce significativamente el objetivo utilitario por demasiado
mucho.
En este artículo mostramos, dado un conjunto de configuraciones permitidas,
Cómo calcular la fracción de tiempo que debe gastar en cada configuración.
ción para maximizar la equidad. Cualquier conjunto de configuraciones puede
ser utilizado, aunque conjuntos muy grandes pueden conducir a tiempos de ejecución grandes en
Los modelos de optimización. Las configuraciones pueden venir por ejemplo
de la práctica existente, recomendaciones del personal y de otros lugares,
con estos siendo evaluados por simulación antes de resolver el opti-
problema de mización Argumentamos que para lograr la equidad, uno
debe centrarse en el rendimiento promedio de tiempo para cada individuo
en la región y su objetivo es maximizar el bienestar social de Bernoulli-Nash
medida tarifaria de la sociedad. El modelo de optimización no lineal que
calcula los tiempos compartidos correspondientes que se presentan en este documento.
1 Tal comportamiento es bastante realista para una solución utilitaria óptima.
Resumimos las ideas novedosas en este documento de la siguiente manera. Primero de
todos, vemos la planificación de ambulancias desde una perspectiva de bienestar social
y colocar parte de la literatura existente sobre ambulancias en este contexto
texto. Además, proponemos utilizar una función de bienestar social que
Actualmente no está explorado en el campo de la planificación de ambulancias. Por último,
Proponemos compartir tiempo entre varias buenas configuraciones de ambulancia
uraciones en aras de la equidad. Esto da lugar a nuestra no lineal
modelo de optimización, que es la principal contribución de este artículo.
Hasta donde sabemos, este es el primer artículo que propone
Estas ideas.
Resolvemos nuestro modelo en un estudio de caso para una región EMS realista
en los Países Bajos, utilizando una combinación de simulación y opti
mización Además, para investigar cómo el Bernoulli – Nash tan-
El bienestar social está relacionado con el bienestar social utilitario que se usa con frecuencia.
resolvemos un problema de optimización multi-objetivo que tiene tanto el
El bienestar social de Bernoulli-Nash y el bienestar social utilitario como
objetivos
El resto del artículo se estructura de la siguiente manera. Sección 2 con-
contiene una revisión de literatura. La sección 3 resume el social de Bernoulli-Nash
bienestar y su uso en el tiempo compartido. Esto se hace usando ilustrativo
ejemplos que no están relacionados con la planificación de ambulancias, pero que son
seleccionado para proporcionar información sobre diferentes funciones de bienestar social
y el concepto de tiempo compartido. En la Sección 4 presentamos el
primeros ejemplos de tiempo compartido para problemas de ubicación de ambulancias.
Hacemos esto usando instancias de problemas pequeños, lo suficientemente pequeños como para
pute el óptimo de Bernoulli-Nash a mano o con fuerza bruta, y pequeño
suficiente para desarrollar la intuición sobre utilitarismo versus equidad en
planificación de ambulancias La Sección 5 continúa este trabajo describiendo
El modelo de optimización que nos permite maximizar el Bernoulli–
Bienestar social de Nash para casos problemáticos de tamaño realista. Nosotros en
incluya un estudio de caso en la Sección 6 y extienda este trabajo con un
modelo de optimización objetiva en la Sección 7. Terminamos con una discusión
sion en la Sección 8.
2. Antecedentes del problema y trabajo relacionado
Esta sección resume una selección de documentos que tratan
equidad en problemas de localización de ambulancias. Además, desde equidad
en la planificación de ambulancias es un área relativamente inexplorada, también
Incluya literatura en el contexto más amplio de la planificación de la ubicación de las instalaciones.
Un ejemplo temprano de un modelo no ambulatorio que apunta a
imitar la equidad es el problema del centro p : dada la tarea de construir facilidades p
vínculos, busca minimizar la distancia máxima de cualquier demanda
nodo a su instalación más cercana. Hay dos programas enteros.
formulaciones del problema de p-center en la literatura ( Daskin,
1995; Elloumi, Labbé y Pochet, 2004 ) y se sabe que es NP-
difícil (Kariv y Hakimi, 1979) En el contexto de los servicios de emergencia,
Un ejemplo de medición de la equidad se encuentra en Coulter (1980), cuales
define una métrica utilizada para optimizar la asignación de servicios policiales
en Tuscaloosa, Alabama. Para cuantificar la equidad, los autores toman
raíz cuadrada de la suma de las desviaciones al cuadrado entre algunas medidas
seguro de servicio entregado a un área y la proporción de esa área de
la población total Una revisión de la equidad en los modelos de ubicación de instalaciones
en Marsh y Schilling (1994) concluye que también ha habido
poco acuerdo sobre cómo se debe medir la equidad. Los autores
resumir una gama de medidas de equidad (o más bien, en medidas de equidad)
seguridades, ya que deben minimizarse para crear equidad),
incluyendo la distancia máxima que separa cualquier nodo de demanda de
su instalación más cercana, varianza, desviación media absoluta, coeficiente de
variación y más. Se ha argumentado (Mulligan, 1991) que cuando
los investigadores deciden qué medida usar, deberían considerar
medir la sensibilidad a valores extremos (ubicaciones de usuarios). por
Por esa razón, estos autores sugieren no minimizar el máximo
distancia, pero en su lugar utilice medidas como la desviación media o
la desviación estándar.
Página 3
1097
Algunos autores abordan la equidad en los problemas de ubicación de las instalaciones.
desde el punto de vista teórico del juego. En Goemans y Skutella.
(2004) la pregunta es dónde construir instalaciones, mientras que también decide
Cómo asignar el costo total de las instalaciones de construcción al cliente
Tomers. Una preocupación central es que ninguna coalición de clientes debería
tener un incentivo para construir sus propias instalaciones o preguntarle a un competidor
para atenderlos.
Un problema que surge naturalmente cuando se trata de equidad es
su compensación con eficiencia. El trabajo temprano en esta compensación puede ser
encontrado en McAllister (1976), donde se observa que no hay objetivo
existen medios para determinar su importancia relativa. Que con-
Clusion también se dibuja en varios otros documentos ( Bertsimas, Farias,
& Trichakis, 2011; Felder y Brinkmann, 2002; Leclerc, McLay y
Mayorga, 2012; Stone, 2001 ). La compensación entre eficiencia y
la equidad, y la aparente imposibilidad de sopesar las dos, tiene
llevar a algunos investigadores a centrarse en la optimización de objetivos múltiples.
Esto tiene aplicaciones en, por ejemplo, la localización de instalaciones no deseadas ( Erkut
Y Neuman, 1992; Rakas, Teodorovic y Kim, 2004 ). Más especifi-
En términos generales, en un contexto de servicios de emergencia, existen múltiples objetivos
Modelos de optimización para la logística de socorro en casos de desastre ( Bozorgi-Amiri, Ja-
balameli, & e Hashem, 2013; Zhan y Liu, 2011 ) (ambos usando stochas-
programación de tic) y para minimizar las disparidades en el acceso a
atención entre comunidades rurales y urbanas Chanta, Mayorga y
McLay (2011) . El artículo que quizás sea más similar a nuestro trabajo.
es Enayatia, Mayorgab, Toro-Diaz y Albert (2019), que sigue
baja una línea de razonamiento similar a la nuestra, y muestra que el es-
Los asuntos que abordamos han despertado recientemente un interés en la empresa.
comunidad Su enfoque, sin embargo, es diferente al nuestro: tratan
con equidad versus eficiencia mediante la creación de optimización de objetivos múltiples
modelos de localización y despacho de ambulancias. Sus métricas
para la eficiencia son el tiempo medio de respuesta y la cobertura esperada
borrado sus métricas de equidad, por otro lado, son la varianza,
el coeficiente de variación al cuadrado y el índice de Gini ( Ceriani &
Verme, 2012; Gini, 1912 ) de los tiempos de respuesta individuales. (Los
El índice de Gini es más conocido como una medida de desigualdad de
riqueza. Tiene una interpretación geométrica natural como 1 menos dos veces
el área entre la curva de Lorenz y la línea diagonal representa
ing igualdad perfecta.) Los objetivos se calculan utilizando el hy-
modelo percube, y optimizado mediante un algoritmo genético. Otro
El papel que se ocupa de equilibrar la eficiencia y la equidad es McLay
y Mayorga (2013) . Debemos tener en cuenta que en este documento, el centro
la aplicación tral está despachando , es decir, decidiendo a qué vehículos va
qué paciente, y no la ubicación de la instalación; sin embargo, sigue siendo relevante
para mencionar su enfoque. Los autores maximizan la eficiencia mientras
poniendo un límite inferior en dos medidas de equidad: (1) la fracción
de llamadas atendidas desde la base más cercana, para cada demanda
zona y (2) la probabilidad de supervivencia para cada zona de demanda. los
los autores clasifican estas dos medidas como 'equidad del cliente' y
Thermore también se ocupa de la "equidad del servidor": equilibrar la carga de trabajo
entre vehículos (que no abordamos aquí).
Las métricas de equidad mencionadas anteriormente no son adecuadas para usar
en un modelo de optimización que tiene una única función objetivo, como
discutiremos a continuación. Minimizando la distancia máxima desde un
hijo a su instalación más cercana tiene el inconveniente de que solo la medida
depende de una persona (la que está peor), mientras que nosotros
Sire una medida lexicográfica en su lugar. Es decir, podemos permitir
rics que están dominados por su desempeño en un subconjunto de
población, pero solo si también pueden clasificar las soluciones basadas
sobre diferencias en el desempeño para el resto de la población.
Minimizar la varianza puede tener resultados perversos, porque podemos
minimizar la variación llegando a nadie a tiempo. Es decir, esto se reunió
ric hace que una solución uniformemente mala se vea bien. En contraste con
las medidas de equidad descritas anteriormente, estamos interesados en una medida
seguro que nos ayudará a identificar soluciones que sean equitativas para algunos
grado, mientras que al mismo tiempo también prefiere soluciones eficientes
sobre los ineficientes. Es decir, nuestro modelo de optimización debería
al menos tener la siguiente propiedad: mejorar la utilidad para
una persona, sin cambiar las utilidades para el resto de la población
ulación, siempre debe resultar en una mejora en nuestro objetivo
valor. (Tenga en cuenta que el uso de la varianza como objetivo no conduce a
este resultado.) Y por último pero no menos importante, queremos una medida que pre
describe exactamente cómo sopesar la equidad y la eficiencia.
Los argumentos anteriores nos llevan a concluir que la equidad por sí misma
no es necesariamente una cualidad deseable de solución para ambulancia
planificación. Maximizar la equidad significa pedir resultados iguales para
todos, lo cual es, aunque justo en cierto sentido, a menudo muy ineficiente.
Además, es intuitivamente claro que si el servicio en una parte del
la región se puede mejorar mucho, mientras se sacrifica solo marginalmente
El servicio en el resto de la región, esta es probablemente una buena idea.
En este artículo, proponemos utilizar un concepto matemático que cap-
Tures esta idea y prescribe cómo sopesar los diferentes niveles
de servicio en diferentes partes de la región EMS. Argumentamos que uno
debe ver el problema de ubicación de la ambulancia desde un bienestar social
perspectiva y optimizar el llamado bienestar social de Bernoulli-Nash
tarifa. Este enfoque es alentado por varios ejemplos motivadores
donde la medida de bienestar social de Bernoulli-Nash conduce a la intuición
Soluciones realmente justas. A lo largo de este documento, cada vez que mencionamos
'equidad', nos referimos implícitamente a lo social de Bernoulli-Nash
medida de bienestar. En resumen, una solución tan 'justa' es más equitativa
tabla que la solución más eficiente, pero más eficiente que la
La solución más equitativa.
Si bien la mayoría de los problemas de ubicación de ambulancias se resuelven para encontrar
Una solución permanente (una configuración que se debe seguir en
todos los tiempos), hay excepciones. Estas excepciones generalmente permiten
algún aspecto del problema varía con el tiempo y el cálculo difiere
Soluciones ent para diferentes períodos de tiempo. Los ejemplos incluyen Repede
y Bernardo (1994) y van den Berg y Aardal (2015) : ambos
son extensiones de MEXCLP que incorporan variaciones temporales variables
Mands. Otro modelo dependiente del tiempo se introduce en Schmid
y Doerner (2010) , que es una extensión del Doble Estándar
Modelo (Gendreau, Laporte y Semet, 1997) En Schmid y Doerner
(2010) no es la demanda, sino el tiempo de viaje que varía
hora. Como se señaló anteriormente, esto es diferente de nuestro enfoque: sugerimos
Cambio de gestos entre diferentes configuraciones, no porque el
las circunstancias cambian, pero en aras de la equidad.
Mejorar la equidad a través del tiempo compartido parece razonable a la luz
de los siguientes. Aunque un problema de ubicación de ambulancia a menudo
tiene un óptimo, típicamente existen varias soluciones casi óptimas
iones Estas alternativas pueden tener un rendimiento general similar
pero proporcionan una cobertura diferente para diferentes subregiones. Esto plantea
la pregunta: al elegir una solución teóricamente óptima, ¿estamos
en la práctica, tomar decisiones 'arbitrarias' en términos de quién se convierte
borrar y quien no? ¿Existen alternativas que mejoren la ecuación?
uity sin sacrificar demasiada eficiencia? Más específicamente, si
permitimos diferentes configuraciones en diferentes momentos, ¿podemos alcanzar
un rendimiento promedio a largo plazo que es casi igual al
timum (en términos de eficiencia), pero con un mayor Bernoulli-Nash
¿bienestar Social?
3. Preliminares
En esta sección definimos la equidad en términos de bienestar social,
e introducir tres funciones diferentes de bienestar social. Además,
exploramos cómo se pueden aplicar estas funciones al tiempo compartido.
Esta sección contiene ejemplos que fueron diseñados para demostrar
estos conceptos; más adelante, en la Sección 4 discutiremos lo que esto significa
en un contexto de ambulancia
3.1. Bienestar Social
El bienestar social se mide en función de las 'utilidades' de
individuos de una sociedad. Por ejemplo, una función de uso común es
Página 4
1098
La función utilitaria del bienestar social. Considere una sociedad que consiste
de una población P , y para todas las personas p ∈ P denota su utilidad por
u p ∈ R + . El bienestar social utilitario, f U, viene dado por
fU=
∑
p∈P
up.
Cuando consideramos una gran población P , puede ser
conveniente dividir a la población en grupos más pequeños, donde es clave
que todas las personas en un grupo tienen la misma utilidad. Deja que denotan la
conjunto de grupos que juntos constituyen P . Entonces para i ∈ I , defina u i ∈ R
ser la utilidad de una persona en el grupo i , y que d i ∈ N sea el número
Ber de personas en el grupo i . El bienestar social utilitario puede entonces ser
Escrito como
fU=
∑
yo ∈ yo
d i u ii .
f U es una opción común para una medida de bienestar social en
planificación de lanzas: prácticamente todos los modelos mencionados en la literatura
resumen en Brotcorne et al. (2003) y Li et al. (2011) apuntan a max-
imitar la cobertura total (esperada); es decir, buscan una solución utilitaria
ción donde la utilidad de un individuo se define como la probabilidad
que una ambulancia los alcanza dentro del tiempo de respuesta
antiguo. Dada esta definición de utilidad, se pueden formar grupos basados en
ubicación, ya que para cualquier solución, las personas que viven en la misma ubicación
experimentará la misma utilidad.
Aunque f U es una función de bienestar social común, las alternativas
existe. Primero, consideremos un bienestar social igualitario o 'rawlsiano'.
medida de la tarifa Esto se define como la utilidad mínima sobre todos los indi
viduales
f R = min
p∈P
up.
Tenga en cuenta que cuando cambiamos nuestra notación a grupos de la población,
ción, esto se convierte
f R = min
yo ∈ yo
tu i .
Es decir, la medida igualitaria de bienestar social no depende de
El tamaño del grupo (suponiendo que cada grupo consta de al menos
una persona).
Otra opción es la función de bienestar social de Bernoulli-Nash.
Esto se define como el producto de utilidades individuales. Usando el no-
tation que presentamos anteriormente, esto se puede escribir como
f BN =
∏
p∈P
up,
o equivalente:
f BN =
∏
yo ∈ yo
u di
yo .
Tenga en cuenta que el bienestar social de Bernoulli-Nash es más igualitario-
ian que una medida utilitaria en que es más sensible a la
utilidad de las personas en peor situación. Para ver esto, ayuda darse cuenta
que maximizar el bienestar social de Bernoulli-Nash es equivalente a
maximizando la suma de logaritmos de las utilidades individuales (como nosotros
demostrará más en la Sección 3.2) Tenga en cuenta que log (0) = −∞ ,
lo que significa que las personas con una utilidad muy pequeña (casi cero)
aportar grandes valores negativos a esta suma, dándoles una mayor
influencia en el objetivo.
Consideramos la medida de bienestar social de Bernoulli-Nash
La actividad de las personas con una utilidad de cero es una deficiencia importante.
ing de nuestro enfoque. Si surge este problema en los estudios de caso, entonces
Recomendamos adaptar los datos o el modelo de alguna manera,
por ejemplo tomando a las personas que siempre tienen una utilidad de
cero y excluyéndolos del problema. Una opción alternativa
podría ser aumentar sus utilidades de 0 a un positivo muy pequeño
número. Notamos que en el trabajo numérico para este trabajo, hicimos
no tiene que lidiar con este problema porque para cada individuo allí
era al menos una configuración que daba una utilidad distinta de cero.
La función de bienestar social de Bernoulli-Nash también se encuentra en
otros contextos con un nombre diferente: los economistas tienden a reconocer
identifíquelo como la función 'Cobb-Douglas'. La función de Cobb-Douglas
se introdujo originalmente en 1928 en una teoría de la producción ( Cobb
Y Douglas, 1928 ). Allí tiene una interpretación como producción.
función , que esencialmente combina dos o más factores de entrada
(típicamente trabajo y capital), y lo relaciona con la cantidad de
puesto que puede ser producido por esas entradas. En todo el resto de
En este documento, no nos referimos a Cobb-Douglas, y solo usamos el término
Bienestar social de Bernoulli-Nash ( f BN ). El bienestar social de Bernoulli-Nash
la tarifa corresponde a una forma de equidad, como lo demostraremos a continuación.
3.2. Un ejemplo de tiempo compartido de radio
En esta sección, ilustramos por qué tiene sentido usar el
Bernoulli – Nash bienestar social para compartir el tiempo. Hacemos esto por re
tapando un ejemplo encontrado en Moulin (2003), ejemplo 3.6.
Considere un grupo de n agentes trabajando juntos en un común
espacio. Todos escuchan una radio que debe sintonizarse en uno de
Cinco estaciones disponibles. Los agentes tienen gustos musicales diferentes,
y depende del gerente decidir cómo se comparte el tiempo de manera justa
entre las cinco estaciones. Es decir, el gerente tiene que decidir los horarios
acciones lambda i , i = 1 ,. . . , 5 tal que λ i ≥ 0 y λ 1 + λ 2 + . . . + λ 5 = 1. En
En este ejemplo, a un agente le puede gustar o no una estación.
Un ejemplo básico En su forma más simple, a cada agente le gusta exactamente
una estación y no le gustan las otras cuatro. Deje D i denota el número de
Fans de la estación i , con d 1 + ··· + d 5 = n . Tenga en cuenta que en este ejemplo,
La utilidad de una persona en el subgrupo i es igual a λ i .
Un gerente utilitario elegiría jugar la estación con el
El mayor soporte todo el tiempo. (Tenga en cuenta que si hay varios tales
estaciones, la mezcla entre ellos también es óptima). Un igualitario
gerente, sin embargo, haría lo contrario: jugar cada estación 1
5 th de
el tiempo.2 Tenga en cuenta que esto asegura que todos estén contentos el 20 por ciento de
el tiempo.
El bienestar social de Bernoulli-Nash puede ser visto como una empresa
promesa entre las dos soluciones anteriores. Buscamos maximizar
f BN =
∏
yo
λ di
i, que es lo mismo que maximizar
∑
i d i log ( λ i ) . Si nosotros
maximizar esto bajo la restricción
∑
i λ i = 1 , conduce a una solución
de λ ∗
i = d i / n, es decir, el tiempo compartido de cada estación es proporcional a
El número de sus fanáticos.
Una elaboracion. En una versión ligeramente elaborada del ejemplo.
arriba, algunos agentes son flexibles, en el sentido de que les gusta más
de una estación de radio Supongamos que hay cinco agentes
con las siguientes preferencias (donde un 1 indica que un agente
le gusta una estación):
Estación
UN
si
C
re
mi
1
1
00
00
00
00
2
00
1
00
00
00
Agente
3
00
00
1
1
00
44
00
00
00
1
1
55
00
00
1
00
1
Un gerente utilitario ahora elegiría compartir el tiempo antes de
entre las estaciones C , D y E , de modo que siempre haya tantas personas
lo más posible escuchando una estación que les guste (siendo dos agentes
en este caso). Desafortunadamente para los agentes 1 y 2, nunca llegan a
escuchar una emisora que les guste. Un gerente igualitario seleccionaría
λ a=λ b=2
7, λc= λd= λe=1
7, de modo que a cada agente le guste el mu-
sic 2
7 ª parte del tiempo.
2 Suponiendo que cada estación tenga al menos un ventilador.
Página 5
1099
UN
si
C
1
2
3
(a) Bases y nodos, por ejemplo 1
ABC
Base 1 1
00
00
Base 2 0
1
00
Base 3 0
00
1
(b) Cobertura de nodos por bases.
Fig. 1. (a) Tres bases (etiquetadas 1, 2 y 3) y tres nodos de demanda ( A , B y C ).
(b) Las coberturas asociadas. En este ejemplo, desde cada base, exactamente una demanda
Se puede llegar a la ubicación dentro del umbral de tiempo de respuesta.
La función de utilidad colectiva de Bernoulli-Nash nuevamente ofrece un
compromiso entre las dos soluciones anteriores, ya que recomienda
jugando cada estación 1
5º del tiempo. Para ver esto, observe que
ciones una y b son igualmente populares. Por lo tanto, estos tiempos compartidos tienen
el mismo exponente en la función objetivo, por lo tanto, en un Bernoulli–
Nash óptimo recibirán el mismo tiempo compartido x . Similar,
C , D y E se asignarán al mismo tiempo compartido y . El Bernoulli–
El problema de maximización de Nash se puede escribir como
maximizar f BN = x 2 ( 2 y ) 3
st x, y ≥ 0 , 2 x + 3 y = 1
que de hecho conduce a x ∗ = y ∗ = 1
De 5 .
A continuación, mostramos cómo el concepto de bienestar social de Bernoulli-Nash
la tarifa se traduce en el problema de ubicación de la ambulancia.
4. Bienestar social para la planificación de ambulancias.
En esta sección analizamos pequeñas instancias de la ambulancia
problema catiónico Diseñamos estas instancias específicamente para explicar
nuestro problema de ubicación de ambulancia y desarrollar intuición sobre la utilidad
tarianismo versus equidad en este contexto.
En todos los casos, la demanda se distribuye en tres ubicaciones.
o nodos , etiquetados A , B y C . Afirmamos que para cualquier configuración
de ambulancias, las personas que viven en el mismo lugar pueden esperar
mismo nivel de servicio (independientemente del rendimiento elegido indi-
cator) y, por lo tanto, tienen la misma utilidad. Por lo tanto, es sensato
agrupar a la población por su ubicación: esto constituye los grupos
I . En todos estos ejemplos, cada nodo i contiene una fracción d i del
demanda total, lo que significa que si se necesita una ambulancia, esto es
en ubicación i con probabilidad d i .
En todos estos ejemplos, hay una ambulancia. Nosotros
puede colocar esta ambulancia en una de las tres bases (etiquetadas 1, 2
y 3). Las variables de decisión son λ b : la fracción de tiempo que
la ambulancia debe gastar en cada base b ∈ {1, 2, 3}, donde
λ 1 + λ 2 + λ 3 = 1.
Para los dos primeros ejemplos, definimos las utilidades en términos de un
umbral de tiempo de respuesta, donde la utilidad de una persona que vive en un
cierto nodo de demanda es 0 o 1, dependiendo de si existe o no
es una ambulancia estacionada en una base que está más cerca que el umbral
antiguo. Esta utilidad también se conoce como cobertura base : esta es una simple
medida que se puede usar si suponemos que nunca hay dos
llamadas en progreso simultáneamente. (La cobertura base promedio para el
La población en su conjunto a veces se denomina cobertura única).
Vamos a generalizar esta suposición y adoptar un enfoque más sofisticado.
función de utilidad en el tercer ejemplo, pero la simplicidad del pecado
La cobertura gle ayuda a ilustrar nuestra idea principal a medida que avanzamos
Caso más complejo.
Ejemplo 1
Considere el caso en el que se puede llegar a cada nodo a tiempo desde
una base, y desde cada base se puede alcanzar exactamente una demanda
nodo en el tiempo. Un ejemplo de tal configuración se muestra en la Fig. 1. los
La matriz de cobertura base correspondiente se da en la Fig. 1. Como se discutio
1
3
2
UN
si
C
ABC
Base 1 1 1 0
Base 2 1 0 1
Base 3 0 1 1
(b) Cobertura de nodos por bases
Fig. 2. (a) Tres bases (etiquetadas 1, 2 y 3) y tres nodos de demanda ( A , B y C ).
(b) Sus coberturas asociadas. Desde cada base, sus dos ubicaciones de demanda más cercanas
se puede alcanzar dentro del umbral de tiempo de respuesta.
antes, estos valores de cobertura se definen como 0 o 1 (ya sea un
el vehículo está estacionado dentro del umbral de tiempo de respuesta, o no).
Ahora considere compartir el tiempo: la ambulancia se puede asignar a
una base diferente en diferentes momentos. Más específicamente, digamos el
ambulancia pasa una fracción de tiempo λ i teniendo base i como su
base de operaciones, para i ∈ {1, 2, 3}. Existe la cuestión de cómo cambiar
Entre las diferentes configuraciones: asumimos que podemos ignorar
tiempo dedicado a conducir entre bases, tal vez porque la ambulancia
se mueve entre bases durante períodos de demanda de llamadas cero, o por
Haps porque tales movimientos ocurren con poca frecuencia. Además, recuerda
que ignoramos la indisponibilidad de ambulancia en este ejemplo. Debajo
estos supuestos, λ i da la probabilidad de que la ambulancia sea
ing en la base i cuando llega una llamada de emergencia. En este ejemplo, nosotros
definir la utilidad de un individuo en algún nodo para ser la fracción
de tiempo que una ambulancia está estacionada en 'su' base, y tenga en cuenta que
Esta utilidad puede tomar un valor entre 0 y 1.
Un óptimo utilitario sería asignar permanentemente
Bulance a la base donde sirve la mayor demanda. Tal
solución utilitaria es lo que llamamos eficiente ; sin embargo, es claramente
lejos de ser justo Alternativamente, echemos un vistazo a lo que significa maximizar
Mize el bienestar social de Bernoulli-Nash para este sistema. Este problema
lem está dado por:
max f BN = λ dA
1 λd B
2 λd C
sujeto a λ 1 + λ 2 + λ 3 = 1
0 ≤ λ1 , λ2, λ3 ≤ 1
Resolver esto da una solución λ 1 = d A , λ 2 = d B y λ 3 = d C que
maximiza el bienestar social de Bernoulli-Nash. Justo como en lo básico
caso de la Sección 3, la proporción de tiempo que pasa en cada nodo es pro
proporcional al número de habitantes atendidos. Sostenemos que esto
puede considerarse una distribución justa de los recursos entre la población
ción
A continuación, mostramos qué sucede si la situación se vuelve un poco
mas complejo.
Ejemplo 2
Considere el caso donde cada nodo puede ser alcanzado por dos
bases, y cada base puede alcanzar los dos nodos más cercanos. Un examen-
Todo esto se muestra en la Fig. 2.
En este caso, nuestra medida de Bernoulli-Nash ahora se maximiza mediante
resolviendo
max
f BN = ( λ 1 + λ 2 ) d A ( λ1 + λ3) d ( λ2 + λ3 ) d
B C
sujeto a
λ 1+ λ 2+ λ 3= 1
0 ≤ λ1 , λ2, λ3 ≤ 1 .
La solución depende de cómo se distribuya la demanda en A ,
B y C . Para el caso simple d A = d B = d C = 1
3 la solución óptima
ción es λ 1 = λ 2 = λ 3 = 1
3 . Esto corresponde a un bienestar social de
f BN = 2
3
1 /3 ·2
3
1 /3 ·2
3
1 /3 =2
3.A modo de comparación, considere un caso donde
uno de los nodos tiene menos habitantes que el resto: d A = 1
5, dB=
dC=2
De 5 . En este caso, un administrador utilitario elegiría solo
atender a las ubicaciones B y C , es decir, la ambulancia estaría estacionada
Página 6
1100
en la base 3 en todo momento. La solución óptima de Bernoulli-Nash en el
otra mano es λ 1 = λ 2 = 0 . 2 , λ 3 = 0 . 6 , y el correspondiente so-
El bienestar social es f BN = 0 . 4 1 / 5 · 0 . 8 2 / 5 · 0 . 8 2 / 5 ≈ 0 . 696. (Tenga en cuenta que esto
es ligeramente mayor que en el caso en que se distribuye la demanda
igualmente sobre los nodos.) Este ejemplo muestra que el Bernoulli–
La función de bienestar social de Nash favorece las áreas con alta demanda, pero
no deja áreas con baja demanda completamente descubiertas.
Los dos ejemplos anteriores ilustran nuestra idea principal con simples
0–1 funciones de utilidad: una ambulancia está estacionada 'cerca'
(donde cerca se define en términos de un umbral de tiempo de respuesta),
o no lo es. Sin embargo, un sistema EMS real es más complejo que
ese. Por lo tanto, a continuación explicamos cómo se podría capturar el dy-
namics de un sistema tan realista y obtener valores numéricos para
Una función de utilidad más compleja.
4.1. Una función de utilidad realista
En esta sección, presentamos una función de utilidad más sofisticada
ción: los valores de utilidad ya no están restringidos a ceros o unos. En
de hecho, podemos usar cualquier medida que mapee una distribución de respuesta
veces en un valor de utilidad. Elegimos definir la utilidad de un
hijo para ser la probabilidad de que llegue una ambulancia dentro del
umbral de tiempo de respuesta . Esta utilidad es más compleja que una sola.
cobertura por las siguientes tres razones. En primer lugar, una ambulancia.
colocado en una base no siempre está disponible; en cambio, puede estar ocupado
atender a un paciente cuando llega otra llamada. Otro asunto tiene que
hacer con ambulancias respondiendo mientras están en el camino. Ese
es decir, una ambulancia puede terminar de atender a un paciente y estar en camino
de regreso a la base, cuando llega una nueva llamada. La ambulancia es entonces
enviado de inmediato, y ya no tiene que viajar desde la base.
Por último, en realidad siempre habrá algo de aleatoriedad en la respuesta.
veces.
Considere una adaptación al Ejemplo 2. Tomemos la misma definición
mandos y bases como en la Fig. 2. Denotamos una ambulancia
configuración por un vector de longitud 3, donde el número i indi
determina el número de ambulancias que tienen la ubicación i como base de operaciones.
Como fue el caso en el ejemplo 2, tenemos la capacidad de colocar una am-
bulancia, lo que significa que las configuraciones posibles son (1,0,0),
(0,1,0) y (0,0,1). (Recuerde que se puede llegar a cualquier ubicación a tiempo
desde sus dos bases más cercanas, pero no desde la base más alejada. Más-
terminado, conducir entre dos ubicaciones de demanda lleva más tiempo que el
umbral de tiempo de respuesta.) Ahora, ¿cómo determinamos los valores?
en la matriz de utilidad? La complejidad del sistema EMS descrito
anterior hace que sea difícil capturar la función de utilidad analíticamente. En-
En cambio, sostenemos que el enfoque más preciso para construir
Una matriz de utilidad realista es estimándolas mediante simulación. (UN
Una alternativa posible sería utilizar el modelo de hipercubo ( Larson,
1974 ) o una aproximación de los mismos).
La simulación es un método de uso frecuente para evaluar el desempeño de EMS
formance ver por ejemplo Henderson y Mason (2005),
Aboueljinane, Sahin y Jemai (2013) , Ridler, Mason y Raith
(2017) , UoA EMS Research , Jagtenberg, Bhulai y van der Mei
(2015) . Podemos simular el proceso de EMS mediante llamadas emergentes de EMS
ing en ubicaciones de demanda y movimientos de ambulancia entre el
llamadas y la base. La fracción observada de llegadas a tiempo en un
la ubicación se puede usar como una estimación de la utilidad de un
dividual en ese lugar. Para simular este sistema necesitamos
información adicional como velocidades de viaje, tarifas de llegada de llamadas, cómo
tarda mucho en atender a un paciente, y tal vez una red de carreteras. Nosotros
explorará todo esto en nuestro elaborado estudio de caso en la Sección 6; cómo-
nunca, por ahora no definimos estos detalles. En cambio, mostramos a continuación
algunos resultados posibles que podrían haberse obtenido a través de sim-
ulación de la región representada en la Fig. 3, para ilustrar nuestro
Acercarse.
Los valores en la Fig. 3 muestran los efectos de las dos características clave
descrito anteriormente, que reiteramos ahora. Considere la primera configuración
1
3
2
UN
si
C
UN
si
C
(1,0,0) 0 . 85 0 . 85 0 . 03
(0,1,0) 0 . 85 0 . 03 0 . 85
(0,0,1) 0 . 03 0 . 85 0 . 85
(b) Utilidad de nodos por configuración de ambulancia
Fig. 3. (a): Un conjunto de tres bases (etiquetadas 1, 2 y 3) y nodos de demanda ( A , B y C ).
Desde cada base, se pueden alcanzar las dos ubicaciones de demanda más cercanas dentro del
umbral de tiempo esponjoso. (b): la fracción observada de llegadas a tiempo cuando la am-
La bulancia está estacionada en una determinada base.
uración, en la cual la ambulancia está estacionada en la Base 1. En este caso,
La ubicación A a menudo se puede llegar a tiempo. Sin embargo, a veces el
la ambulancia está ocupada cuando llega una nueva llamada en A , que generalmente
significa que el paciente en A termina esperando más tiempo que la respuesta
umbral de tiempo Es por eso que la probabilidad de atender a un paciente en
Una configuración de uso (1,0,0) es menor que 1. Otro efecto que tenemos
observar es que puede llegar una nueva llamada cuando la ambulancia acaba de
terminado de cumplir un paciente en la localización C . Si esta llamada se encuentra en la ubicación C ,
se puede alcanzar dentro del umbral de tiempo de respuesta: en este ejemplo
La amplia probabilidad de que ocurra esta situación queda ilustrada por el
valor 0,03 en la matriz para la configuración (1,0,0) y la ubicación C .
Luego analizamos los tiempos compartidos óptimos para las configuraciones
definido en la Fig. 3. Nuevamente, suponga que la demanda se distribuye
como sigue: d A = 0 . 2 yd B = d C = 0 . 4. La solución utilitaria es
igual que en el Ejemplo 2: la ambulancia pasa todo su tiempo
mencionado en la Base 3, desde donde puede atender la mayor demanda. los
El bienestar social de Bernoulli-Nash se maximiza resolviendo
max
f BN = ( 0 . 85 λ 1 + 0 . 85 λ 2 + 0 . 03 λ 3 ) d A
· ( 0 . 85 λ 1 + 0 . 03 λ 2 + 0 . 85 λ 3 ) dB
· ( 0 . 03 λ 1 + 0 . 85 λ 2 + 0 . 85 λ 3 ) dC
sujeto a
λ 1+ λ 2+ λ 3= 1
0 ≤ λ1 , λ2, λ3 ≤ 1 .
Resolvimos este modelo usando una técnica de solución que vamos a
describir en la Sección 6.3. Por ahora, simplemente declaramos que la solución
resulta ser λ 1 = λ 2 ≈ 0 . 19 , λ 3 ≈ 0.62, y el correspondiente
El bienestar social es f BN ≈ 0 . 6. El lector puede comparar estos tiempos
comparte con el tiempo compartido que se encuentra en el Ejemplo 2 y concluye que
El uso de la cobertura 0-1 (cobertura base) conduce a una disminución leve
Tiempo compartido en la configuración (0,0,1), es decir, utilizando la cobertura de base
sultado en una pequeña subestimación de la importancia de las ubicaciones
B y C (los que tienen una demanda relativamente alta).
Durante el resto del documento, seguiremos usándolo como
función de utilidad la probabilidad de que una ambulancia llegue a
El umbral de tiempo de respuesta. Consideramos que esto es una utilidad razonable
función. Las alternativas se discutirán en la Sección 8 .
Los ejemplos anteriores muestran que el social de Bernoulli-Nash
El bienestar corresponde a una forma de justicia. A pesar de esto anecdo
Tal evidencia, uno todavía puede preguntarse por qué sería razonable - dejemos
solo justo - para optimizar el producto de las utilidades individuales. Nosotros
ahora proporcione una interpretación que ayude a comprender mejor el
diferencias y similitudes entre un óptimo utilitario y un
Bernoulli – Nash óptimo. Recordemos que definimos nuestra función de utilidad
es la probabilidad de que una ambulancia llegue dentro del
umbral de tiempo de respuesta. Luego, maximizando la suma de todas las utilidades
lazos (objetivo utilitario) es equivalente a maximizar lo esperado
cantidad de llegadas a tiempo . Tenga en cuenta que una solución utilitaria dejará
algunas áreas descubiertas si esto ayuda a más personas de lo que desfavorece
Tages. En contraste, imagine la situación donde cada individuo
realiza exactamente una llamada de ambulancia al mismo tiempo. Maximizando
el producto de todas las utilidades ( f BN ) es equivalente a maximizar
la probabilidad conjunta de que todos reciban su ambulancia en
hora. Es esta medida de justicia la que buscamos maximizar.
Página 7
1101
Tenga en cuenta que la interpretación dada anteriormente, que el Bernoulli–
El bienestar social de Nash mide la probabilidad conjunta de que todos
recibe su ambulancia a tiempo, es válida si se producen incidentes inde-
pendiente uno del otro. Esta suposición de independencia es a menudo
hecho en modelos de ambulancia, y podría ser realista para incidentes
como los ataques al corazón. Sin embargo, para algunos incidentes, como inci-
abolladuras causadas por el clima o colisiones de tráfico que involucran múltiples
pacientes plenos (que requieren más de una ambulancia simultáneamente),
Está claro que el supuesto de independencia es una simplificación de
realidad.
A continuación, generalizamos los ejemplos de esta sección a un modelo
que puede manejar múltiples ambulancias y un conjunto arbitrario de bases
y demanda de ubicaciones.
5. Modelo de optimización
Esta sección describe formalmente el sistema de ambulancia que deseamos
considerar y detalla el modelo que optimiza el Bernoulli–
Bienestar social de Nash para este sistema.
Suponemos que la demanda de ambulancias en una región puede ser
modelado usando un conjunto de nodos de demanda (o zonas) V . Cada nodo i ∈ V
tiene una fracción de demanda no negativa d i , tal que
∑
i ∈ V d i = 1. Hay
es un número fijo de ambulancias disponibles, que pueden estar estacionadas
en un conjunto dado de ubicaciones base. Definimos una configuración para ser un
asignación de ambulancias a bases (y permitimos que una base contenga
ambulancias múltiples). En este problema, solo deseamos considerar
un conjunto predefinido C de posibles configuraciones de ambulancia que nosotros
Supongamos que el usuario ha construido.
Nuestro modelo de optimización requiere, como entrada, la utilidad u ic en cada
exigir nodo i ∈ V para cada configuración c ∈ C . Como señalamos
anteriormente, para que la medida de bienestar social de Bernoulli-Nash
ser distinto de cero, cada zona i debe tener utilidad no cero. Es decir, para
cada i ∈ V debe haber al menos una configuración c ∈ C tal que
u ic > 0.
Asumiendo que estos valores u ic han sido determinados, pro
ceder construyendo el modelo de optimización. El objetivo es determinar
la fracción de tiempo λ c para pasar en cada configuración c ∈ C . Nosotros
permitir λ c = 1 , lo que indica que hemos elegido solo un
configuración para el sistema. Podemos interpretar λ c , el tiempo compartido
para la configuración c , como la probabilidad de que el sistema esté en
configuración c cuando se envía una ambulancia a una llamada. Dado un
solución ( λ 1 , λ 2 ,..., λ | C | ) , la utilidad promedio a largo plazo que
hijo que vive en el nodo i recibe viene dada por
∑
c ∈ C λ c u ic . por lo tanto, el
El bienestar social de Bernoulli-Nash está dado por
f BN ( λ 1 , λ 2 ,..., λ | C | ) =
∏
i∈V
(
∑
c∈C
λ c u ic
)d i
.
(1)
Ahora podemos formar el siguiente tiempo no lineal de Bernoulli-Nash
Modelo de optimización de uso compartido (BNTS):
BNTS:
max
f BN =
∏
i∈V
(
∑
c∈C
λ c u ic
)d i
(2)
St
∑
c∈C
λ c=1,
(3)
0≤λ c≤1∀ c∈C
(4)
6. Estudio de caso
Esta sección informa los detalles de un estudio de caso en el que
calcular los tiempos compartidos óptimos de Bernoulli-Nash, aplicando el
Modelo de optimización BNTS de la Sección 5 a una región EMS realista.
Nuestro trabajo numérico se refiere a la provincia de Utrecht, un re
gion en los Países Bajos con un área de aproximadamente 1,400
kilómetros cuadrados. Las solicitudes de emergencia son manejadas por un solo
Proveedor de EMS, que actualmente tiene diecinueve bases en la región (ver
Fig. 4) Utrecht es una de las regiones de EMS más concurridas del país.
Utrecht consta de 217 códigos postales, cuyos detalles pueden
se encuentra en el apéndice. Los centroides de estos códigos postales forman
nuestro conjunto de nodos de la demanda V . Definimos la fracción de demanda d i
en un solo nodo para ser proporcional al número de habitantes
en ese código postal
Consideramos una flota de diecinueve vehículos que deseamos desarmar
homenaje a las diecinueve ubicaciones base que existen en esta región. En
En este caso de estudio, solo queremos considerar configuraciones que tengan
un buen rendimiento general, es decir, queremos considerar un conjunto de
configuraciones que son casi óptimas para la ambulancia utilitaria
problema de ubicación Una forma de encontrarlos sería usar soluciones
a uno o varios modelos de programación de enteros para la ambulancia
problema de ubicación Sin embargo, estas soluciones solo pueden considerarse
óptimo con respecto al modelo en sí, que siempre es una simpli
ficación del problema. En cambio, usamos una combinación de simula-
ción y búsqueda local para encontrar configuraciones localmente óptimas para el
problema utilitario
A continuación describimos el modelo de simulación y nuestro local.
procedimiento de búsqueda con más detalle.
6.1. Simulación
Utilizamos un modelo de simulación de eventos discretos que fue previamente
descrito en Jagtenberg et al. (2015). Este modelo realiza un seguimiento de
Todos los incidentes y vehículos. El viaje del vehículo ocurre en una red que
contiene nodos para nodos de demanda (que son centroides de código postal),
hospitales y bases de ambulancias. La simulación usa determinis-
tiempos de conducción de luces y sirenas de tic entre nodos, según lo estimado por
El Instituto Nacional Holandés de Salud Pública y Medio Ambiente
(RIVM) en 2009 (Kommer y Zwakhals, 2011, Capítulo 3). Viaje
Se supone que las velocidades sin luces ni sirenas son un 10% más bajas.
La simulación genera eventos para un incidente que ocurre, un
ambulancia llegando a la escena del incidente, una ambulancia
saliendo para un hospital, una ambulancia que llega a un hospital, y
una ambulancia quedando inactiva Simulamos incidentes que llegan
según un proceso de Poisson con un tiempo medio entre llegadas de
6.4 minutos, y dibuje las ubicaciones de incidentes según la demanda
distribución, es decir, se produce un incidente en el nodo i con probabilidad d i ,
para i ∈ V . (Tenga en cuenta que en nuestra simulación se supone que la demanda
ser proporcional al número de habitantes. Cuando los lectores consultan
Para aplicar nuestro trabajo en la práctica, recomendamos utilizar histor-
Datos de llamada EMS ical (si están disponibles) en la simulación, mientras se utiliza el
número de habitantes para obtener los valores para los parámetros d i
utilizado en el objetivo de optimización (1).) Cada incidente es atendido por
la ambulancia inactiva más cercana disponible en ese momento, incluyendo am-
Las ambulancias que están actualmente en el camino regresan a la base. Porque
no tenemos una red de carreteras completa, aproximamos la ubicación
de esas ambulancias en el camino usando la longitud y la longitud
estudio de cada nodo, y suponga que las ambulancias viajan con
velocidad constante en línea recta entre ellos. 3
Después de que una ambulancia llega a la escena de un incidente, pasa
una cantidad aleatoria de tiempo allí. Esta vez se extrae de una exposición
distribución negativa con una expectativa de 12 minutos. Después de este
tiempo, se decide si el paciente necesita o no tratamiento en
un hospital (según una distribución de Bernoulli con probabilidad
0.8). Si no, la ambulancia estará disponible en la escena del
incidente. De lo contrario, la ambulancia conduce al hospital más cercano.
3Dado el tiempo estimado de viaje entre el origen y el destino de la ambulancia
Además del tiempo transcurrido desde que el vehículo dejó su origen, entonces
calcular su longitud y latitud y alrededor de este al nodo más cercano en V .
Página 8
1102
Fig. 4. Las diecinueve ubicaciones de bases de ambulancias existentes en la región de Utrecht, Países Bajos.
tal4 4, y pasa un tiempo de devolución adicional allí (extraído de un
Distribución de Weibull con una expectativa de aproximadamente 15 min.
utes). Finalmente, la ambulancia estará disponible en el hospital.
ubicación.
Cuando hay una ambulancia disponible, verificamos si hay
cualquier incidente desatendido dejado en la cola. Si es así, la ambulancia es
enviado inmediatamente a la primera llamada en la cola. De otra manera,
la ambulancia permanece inactiva y se envía a su ubicación base De 5 .
Usando este modelo, evaluamos cualquier configuración de ambulancia
Simulación de 5000 horas de eventos EMS. En los Paises Bajos,
Las ambulancias deben llegar en 15 minutos. Típicamente 3 minutos
están reservados para manejar la llamada, por lo tanto, usamos una respuesta
umbral de tiempo de 12 minutos. Calculamos la utilidad u ic de cada
demanda zona i ∈ V midiendo la fracción de llamadas allí que
se alcanzan en 12 minutos. Notamos que las corridas más largas pueden
formas de mejorar estas estimaciones; sin embargo, nuestra simulación
debería ser suficiente para alcanzar nuestro objetivo, que es demostrar uno
enfoque para obtener información para nuestro modelo de optimización.
El propósito de este modelo de simulación es doble. Primero que nada
se utiliza para evaluar soluciones intermedias en la búsqueda local. Segundo-
y lo usamos para determinar la utilidad por nodo de demanda para aquellos
soluciones que consideramos lo suficientemente bueno para estar en C .
4 Utilizamos un conjunto de 10 hospitales, excluyendo clínicas privadas, que existían en la región
en 2013.
5 Tenga en cuenta que la ambulancia podría no llegar a esta ubicación base, ya que puede
ser enviado a una nueva llamada antes de llegar a su destino.

6.2. Óptima local
Queremos colocar diecinueve vehículos en las diecinueve bases
de la región Utrecht. Como es posible posicionar más de una ve-
Hicle en una base, hay muchas configuraciones diferentes para elegir
desde. Buscamos soluciones con alta cobertura, es decir, donde el
fracción total de llamadas alcanzadas dentro del tiempo de respuesta
lo viejo es alto. Para encontrarlos, implementamos un método para escalar colinas.
Ritmo que comienza con una distribución aleatoria de diecinueve vehículos
sobre las diecinueve ubicaciones base. En cada iteración, consideramos un
solución vecina en la que cambiamos la base de operaciones de uno de
los vehículos. Esta solución se evalúa por simulación, y el
Se acepta la solución si aumenta la fracción de llamadas alcanzadas dentro de
El umbral de tiempo.
Tenga en cuenta que se supone que los vehículos son idénticos y, por lo tanto,
muchas soluciones son de hecho equivalentes. Por lo tanto, para reducir el
tiempo total de cálculo, verificamos si una solución equivalente
ha sido simulado anteriormente, y si es así, omita esto. Al cambiar el
la base de operaciones de uno de los vehículos ya no conduce a nuevas soluciones,
es decir, todas las soluciones vecinas son peores, el algoritmo termina
y devuelve la configuración para la cual observamos el más alto
fracción de llamadas alcanzadas dentro del umbral de tiempo. Este método
permite encontrar un óptimo local en aproximadamente 8 horas.
Repetimos este procedimiento varias veces, usando aleatoriamente gen-
Soluciones iniciales borradas. Esto condujo a once configuraciones diferentes
ciones, que en conjunto constituyen nuestro conjunto de configuraciones C . por
Más información sobre estas configuraciones, remitimos al lector
al apéndice.
Página 9
1103
6.3. Resultados
Esta sección describe los resultados generados por nuestra opción BNTS
modelo de mización, utilizando las once configuraciones generadas por nuestro
búsqueda local y sus correspondientes utilidades como entrada. El op-
El modelo de temporización se resolvió utilizando el solucionador Ipopt ( Wächter &
Biegler, 2006 ), un solucionador de métodos de punto interior de COIN-OR. Nosotros
tenga en cuenta que todos los resultados numéricos se informan dentro del número
Exactitud ical del solucionador. El modelo fue implementado en Ju-
lia / JuMPLubin y Dunning, 2015)
Maximización de la medida de bienestar social de Bernoulli-Nash
a los siguientes tiempos compartidos: λ 3 = 0.1984, λ 8 = 0.1864, λ 9 =
0.2351 y λ 11 = 0.3800. Tenga en cuenta que las otras siete configuraciones
no se usan Esta solución de Bernoulli-Nash tiene un bienestar social.
tarifa f max
BN
= 0 . 8525.
Para comprender mejor esta solución, es útil contrastar esto
con soluciones para el objetivo utilitario más tradicional. Hacemos
este siguiente
7. Utilidad social versus bienestar social de Bernoulli-Nash
En esta sección investigamos cómo la sociedad de Bernoulli-Nash
el bienestar está relacionado con el bienestar social utilitario de uso frecuente 6 6. Esta
se realiza utilizando el mismo conjunto de 11 configuraciones casi óptimas como
antes de. Sin embargo, ahora consideramos tanto el social de Bernoulli-Nash
el bienestar y el bienestar social utilitario para ser de interés. Desde el
dos objetivos son conflictivos, estamos lidiando con una compensación y
entonces tenemos un problema de optimización multi-objetivo. Llamamos esto
El problema del tiempo compartido utilitario de Bernoulli-Nash (BNUTS):
BNUTS: maximizar
(
fU
f BN
)
=
(∑
i∈V di
∑
c∈C λ c u ic
∏
i∈V (
∑
c∈C λ c u ic ) d i
)
(5)
sujeto a
∑
c∈C
λ c=1
(6)
0≤λ c≤1∀ c∈C
(7)
Podemos usar el método ϵ Ehrgott (2005) para calcular Pareto-
Soluciones óptimas para este problema de BNUTS. Formalmente decimos que
una solución λ = ( λ 1 , λ 2 ,..., λ 11 ) domina otra solución λ =
( λ 1 , λ 2 ,..., λ 11 ) si f U ( λ ) > f U ( λ ) yf BN ( λ ) ≥ f BN ( λ ) , o,
f U ( λ ) ≥ f U ( λ ) yf BN ( λ ) > f BN ( λ ) . Decimos que una solución λ
es eficiente si no hay otra solución que lo domine. Nosotros
puede obtener un conjunto discreto de soluciones eficientes resolviendo un
subproblema BNUTS ( ϵ BN ) que maximiza f U sujeto a un menor
obligado f BN ≥ ϵ BN , como sigue:
BNUTS ( ϵ BN ) : maximizar
∑
i∈V
di
∑
c∈C
λ c u ic
(8)
sujeto a
∏
i∈V
(
∑
c∈C
λ c u ic
)d i
≥ ϵ BN
(9)
∑
c∈C
λ c=1
(10)
0≤λ c≤1∀ c∈C
(11)
Aunque f U en (8) es lineal en λ , se pueden crear instancias problemáticas
para los cuales f BN , y por lo tanto (9), no es convexo sobre el dominio
dado por (10) y (11); Damos ejemplos de estos en el Apéndice.
6Tenga en cuenta que dado que definimos las utilidades en términos de un umbral de tiempo de respuesta, el
El bienestar social utilitario es igual a la cobertura total de la región.
0 . 84
0 . 845
0 . 85
0 . 908
0 . 909
0 . 91 91
C
re
mi
UN
UN'
UN"
si
Bernoulli-Nash bienestar social f BN
Utilitario
entonces
cial
w
elfare
f U
Fig. 5. Soluciones eficientes de Pareto para la región de Utrecht, con respecto a la utilidad
ian bienestar social f U y Bernoulli – Nash bienestar social f BN .
Por lo tanto, BNUTS ( ϵ BN ) no es, en general, un problema de optimización convexo.
lem. Como el problema no siempre es convexo, IPOPT no garantiza
Trate de encontrar soluciones óptimas a nivel mundial. Sin embargo, como veremos
en la figura 5, nuestros resultados generados por IPOPT forman un Pareto cóncavo
frontera como se esperaba, lo que sugiere que el problema de local (no
global) la optimización no ha ocurrido.
Tenga en cuenta que se puede obtener un modelo equivalente para construir
los puntos de la frontera de Pareto intercambiando los papeles de f BN y f U
entre el objetivo (8) y la restricción (9). Hicimos ex numérico
Para saber si un modelo es más fácil de resolver que el otro,
y concluyó que los tiempos de cálculo son de magnitud similar
tude (Para la instancia problemática de nuestro estudio de caso, está justo debajo de
10 segundos.) Notamos que además de los datos y el tamaño del problema,
los tiempos de putación dependerán de la implementación particular, como
así como el lenguaje y el solucionador utilizado.
Resolvimos BNUTS ( ϵ BN ) para el estudio de caso descrito en
Seccion 6 . 7 En este experimento, usamos ϵ BN ∈ { 0 . 8525 , 0 . 8510 ,
0 . 8498 , 0 . 8484 , 0 . 8390 } , donde el primer ϵ BN = 0 . El valor 8525 es el
objetivo único máximo f máx
BN
para la solución de Bernoulli-Nash
encontrado en la Sección 6.3, y los otros valores fueron elegidos experimentalmente
para dar una buena caracterización de la frontera de Pareto. Aquellos
Las soluciones se resumen en las columnas A, B, C, D y E en la Tabla 1 .
Observamos que resolver para ϵ BN = f max
BN
da la lexicografía
Solución eficiente óptima en la que f BN logra su mejor rendimiento posible
valor. Encontramos la otra solución lexicográfica, siendo la efi-
solución cientifica donde f U alcanza su máximo f max
U
= 0 . 9100 , por
simplemente eligiendo la configuración c ∈ C dando la mayor f U (con-
figuración 8). Luego observamos que solo una de esas configuraciones
existió, por lo tanto, la solución es Pareto eficiente, e incluida como col-
umn F en la Tabla 1 .
La tabla 1 también incluye el bienestar social igualitario , denotado f E ,
para cada punto Recordemos que el bienestar social igualitario está definido
como la utilidad mínima en todos los nodos, independientemente de la demanda
d i en ese nodo (siempre que d i > 0). Es decir, representa el bien-
tarifa de la persona que está peor, por lo general es muy
bajo número en comparación con otras medidas de bienestar. Por esta razón,
no creemos que el bienestar social igualitario sea muy adecuado para
comparación; Sin embargo, lo hemos incluido para completar.
La Tabla 1 muestra que a medida que ϵ BN aumenta (es decir, a medida que ponemos más em-
fases en equidad), uno tiene que compartir tiempo entre más configuraciones
uraciones Mientras que la solución utilitaria se reduce a usar
una configuración en todo momento, aumentando el Bernoulli – Nash así que
bienestar social f BN requiere dos, tres o cuatro configuraciones diferentes
para ser combinado Estábamos interesados en caracterizar mejor el
7De hecho, resolvimos un problema equivalente en el que (9) se modificó tomando
Los logaritmos de ambos lados.
Página 10
1104
tabla 1
Ocho soluciones que son Pareto eficientes. Solo se muestran valores λ i distintos de cero . Cuando un valor de función objetivo f U o f BN está marcado ∗ , indica que
este es el valor máximo posible para este objetivo y, por lo tanto, esta columna denota una solución lexicográfica. Tenga en cuenta que algunos valores difieren en decimal
valores de puntos que no se muestran; sin embargo, f U está aumentando estrictamente de izquierda a derecha, mientras que f BN está disminuyendo.
UN
UN'
UN"
si
C
re
mi
F
fU
0,9074
0,9085
0,9092
0,9095
0,9098
0,9099
0.9100
0.9100 ∗
f BN
0.8525 ∗
0,8522
0,8515
0,8510
0.8498
0.8484
0,8390
00
fE
0.0072
0.0063
0.0060
0.0062
0.0060
0.0023
0.00001
00
λ3
0.1984
0.2715
0,3303
0,3482
0,3354
0,1286
0,0008
λ8
0,1865
0,3093
0.3853
0,4716
0.6646
0.8714
0.9992
1.000
λ9
0.2351
0,0945
0.0073
λ 11
0.3800
0.3247
0.2748
0.1802
0 . 84
0 . 845
0 . 85
0 . 904
0 . 906
0 . 908
0 . 91 91
C
re
mi
UN
UN'
UN"
si
Bernoulli-Nash bienestar social f BN
Utilitario
entonces
cial
w
elfare
fU
configuraciones 1 - 11
configuraciones 3 y 8
configuraciones 3, 8 y 11
Fig. 6. El bienestar social utilitario versus Bernoulli-Nash que se puede obtener
utilizando solo un subconjunto de las 11 configuraciones. Tenga en cuenta que algunos de estos puntos son
dominado por otros puntos.
Frontera de Pareto, por lo que buscamos los puntos donde un efi-
La solución eficiente cambia de tres configuraciones a cuatro. Para hacer esto,
Realizamos una búsqueda binaria entre los puntos A y B. Agregamos
dos puntos adicionales marcados A 'y A ”en la Tabla 1, que muestran cómo λ 9
disminuye a 0 a medida que nos acercamos al punto B.
El método ϵ nos da puntos discretos en la frontera de Pareto,
pero esperamos que la frontera sea continua. Observamos que nosotros
puede caracterizar fácilmente todas las soluciones formadas por el tiempo compartido de dos
configuraciones, digamos 3 y 8, como una función paramétrica de λ 3 .
Caracterizando fronteras definidas por más de dos configuraciones
es más difícil, sin embargo, esperamos que esto también resulte en
una frontera suave y continua, que tenemos aproximadamente
representado por las líneas de la figura 5 .
Examinamos más a fondo el rendimiento del sistema cuando solo config-
Las combinaciones 3 y 8 se combinan. Dichas soluciones pueden apelar a un
organización de ambulancias, ya que puede ser más fácil operar un sistema
con menos configuraciones. Investigamos todas las combinaciones de con-
Figuraciones 3 y 8, incluidas las que no están en el frente de Pareto
nivel. Para ese fin, construimos diferentes soluciones tomando tiempo
acciones definidas por λ 3 ∈ { 0 , 0 . 025 , 0 . 05 , 0 . 1 , 0 . 2 ,. . . , 0 . 9 } y λ 8 =
1 - λ 3 . Calculamos la utilidad social utilitaria y de Bernoulli-Nash
tarifa de cada solución. Estos valores se representan como puntos negros.
en la figura 6. Además, también calculamos el λ 3 para el cual
La medida de bienestar social de Bernoulli-Nash se maximiza (dado que
solo se combinan las configuraciones 3 y 8), para asegurarse de que esto
El punto también se incluye en el gráfico. Tenga en cuenta que todas las soluciones intermedias
También existen opciones, por lo tanto agregamos una curva a través de esos puntos.
Observamos que las soluciones para las cuales λ 3 > 0.422079 están dominadas (en
un sentido multi-objetivo) por soluciones para las cuales λ 3 ≤ 0.422079, y
entonces no tendría valor operar estas soluciones.
La figura 6 también muestra los resultados de un análisis similar en el que
combine tres configuraciones (configuraciones 3, 8 y 11). Nosotros con-
echó a un lado todas las combinaciones para las cuales λ 3 , λ 8 , λ 11 ∈ { 0 , 0 . 1 , 0 . 2 ,. . . , 1 }
y λ 3 + λ 8 + λ 11 = 1. Para cada combinación, calculamos el
utilitario y el bienestar social de Bernoulli-Nash, y representa un
pocos puntos seleccionados en la Fig. 6.
Figs. 5 y 6 muestran que para este caso de estudio particular hay una
compensación entre el bienestar social de Bernoulli-Nash y la utilidad
bienestar social tariano, lo que plantea la cuestión de si esto es cierto
en general Para comprender mejor cómo se relacionan estos objetivos, nosotros
Hice algunos experimentos adicionales. Construimos una pequeña prueba en
posturas y matrices de utilidad generadas aleatoriamente para todos los nodos y
políticas Descubrimos que es posible construir pequeños ejemplos
donde estos dos objetivos no son conflictivos; sin embargo, en cualquier re
caso de problema realista creemos que ocurrirá la compensación.
Nuestro razonamiento es el siguiente: en una región realista, habrá
figuraciones que logran un alto bienestar utilitario, al dejar ru-
áreas de ral destapadas. (Esto suele ser cierto a menos que la ambulancia
el proveedor está completamente sobrecargado de personal, lo que no es realista).
un área rural permanentemente descubierta conducirá el Bernoulli – Nash
valor de bienestar social a cero, mientras que típicamente aumenta la utilidad
ian bienestar social.
8. Discusión
En este artículo vimos el problema de ubicación de la ambulancia de
Una perspectiva de tiempo compartido. Propusimos alternar entre dif
Configuraciones de ambulancia diferentes para aumentar la equidad del sistema
tem. La mezcla óptima se encuentra calculando el máximo de
Bienestar social de Bernoulli-Nash, que requiere resolver un problema no lineal
problema de optimizacion. Esta sección discute las elecciones hechas en
nuestro enfoque, así como su aplicabilidad práctica y posibilidades
por extender este trabajo.
• Los ejemplos en este documento demuestran varias utilidades diferentes
ity funciona. La sección 3 comenzó con una simple función 0-1
(cobertura base). Más tarde, definimos el rendimiento en términos de
una probabilidad de ser alcanzado dentro de un umbral de tiempo de respuesta
antiguo. Creemos que este último es una opción realista para el estudio de caso.
en la sección 6, pero no afirme que esta es la mejor manera de
definir utilidades De hecho, cualquier medida que mapea una distribución de
Se pueden considerar tiempos de respuesta a un valor de utilidad. Por ejemplo
amplio, en lugar de un umbral de tiempo de respuesta, uno podría pre
para usar tiempos de respuesta promedio . Otra opción sería
usar probabilidades de supervivencia (ver, por ejemplo, Erkut, Ingolfsson y Erdo˘gan,
2008; van den Berg, Kommer y Zuzáková, 2015 ). Cualquier
función de utilidad que uno elige usar, las ideas principales en este documento
seguir siendo válido (en el sentido de que el tiempo compartido se puede utilizar para mejorar
demostrar justicia y que la función de bienestar social de Bernoulli-Nash
puede usarse para evaluar la equidad del sistema). Cuando
aplicando nuestros modelos a una región en la práctica, la utilidad defini
puede depender de la región y las reglas locales aplicables,
y definitivamente debería incluir discusiones con el ambu
proveedor de lanza.
• Al aplicar nuestro modelo, es importante darse cuenta de que el
La medida de bienestar social de Bernoulli-Nash es muy sensible a la utilidad
lazos con valor cero. Esta sensibilidad hace que sea importante
eche un vistazo a lo que realmente significa cuando la función de utilidad es cero.
Página 11
1105
De hecho, incluso puede ser una razón para reconsiderar la utilidad elegida.
Función ity: quizás tenga sentido reemplazarlo por uno que
reconoce que hay un beneficio distinto de cero en una ambulancia que llega
ing, sin importar el tiempo de respuesta. Cuando se trata de
con una función de utilidad que puede ser cero, uno debe asegurarse de que
todos los individuos tienen una utilidad distinta de cero bajo al menos un contrato
figuración, o excluir a aquellos individuos que no lo hacen.
Finalmente, recomendamos tener especial cuidado al estimar
esas utilidades cercanas a cero.
• Un aspecto positivo de nuestro método de solución es que determinar
las utilidades para cada nodo de demanda y cada configuración pueden
hacerse en una fase preparatoria: son insumos para la optimización
modelo de Esto permite el uso de un rendimiento complejo en
Dicadores: si son demasiado difíciles de calcular, pueden ser estimados
apareado por simulación (como se muestra en la Sección 6) La simulación tiene un
algunas ventajas más sobre los modelos analíticos: por ejemplo, también
baja al usuario para incorporar limitaciones prácticas como la mano de obra
legislación o normas de despacho. Además, una simulación basada en trazas
ción (utilizando registros de llamadas históricas) beneficiaría aún más la precisión
porque el uso de una traza evita el modelado de la llegada del incidente
proceso - y los posibles errores de modelado correspondientes.
• Una extensión interesante sería incorporar el hecho de que
los individuos se mueven por toda la región durante el día. Esta
afecta principalmente cómo se puede agrupar la población, es decir, basar
la demanda de nodos V en los habitantes ya no es suficiente para
modelar esta situación.
• Este documento solo considera configuraciones de ambulancia estáticas . Ese
es decir, en una determinada configuración cada ambulancia tiene su propia casa
base, de la que siempre responde. Alternativamente, uno puede
considere el uso de políticas dinámicas de redistribución de ambulancias, por ejemplo,
( Alanis, Ingolfsson y Kolfal, 2013; Gendreau, Laporte y Semet,
2001; Maxwell, Henderson y Topaloglu, 2013; Maxwell, Re-
Strepo, Henderson y Topaloglu, 2010; Schmid, 2012 ). Dinámica
las políticas son diferentes del tiempo compartido, en el sentido de que
utilizar información en tiempo real sobre la falta de disponibilidad de ambulancias en o-
der para tomar decisiones de redistribución. Demostramos nuestro ap-
enseñar en un sistema que no utiliza la redistribución dinámica,
pero los principios que estamos defendiendo todavía se pueden aplicar en am-
sistemas de bulance que sí usan un sistema dinámico de redistribución.
Por ejemplo, uno podría calcular el óptimo de Bernoulli-Nash
combinando varias políticas dinámicas, o una mezcla entre dinámicas
y configuraciones estáticas. Mientras las utilidades para cada nodo
y cada configuración se puede estimar, esto es una tarea sencilla
ampliación de sala de nuestro modelo y no aumenta el com
plexidad
• Discutimos la aplicabilidad práctica de nuestro trabajo con varias
proveedores de ambulancia oral en todo el mundo ( Bremer, 2019; Clough,
2019; Hatenboer, 2019; Lindner, 2019; Richards, 2019; Uleberg
2019; van Breukelen, 2019 ). En nuestras discusiones, aprendimos que
la equidad es importante para todos ellos. Cuando los presentamos
Al concepto de tiempo compartido, aprendimos que, aunque
no use la terminología 'tiempo compartido' - algunos proveedores de EMS
Ya el tiempo comparte sus ambulancias. Es decir, usan diferentes
configuraciones en diferentes momentos. En este artículo, ilustramos
El concepto con un ejemplo que dependía del día de la
semana; en la práctica, vemos que es más común para ambu-
proveedores de lanza para usar una configuración diferente dependiendo de
La hora del día. Tenga en cuenta que esto es solo un implemento diferente
mentación de la misma idea. Lo que podemos concluir de esto
es que los proveedores de ambulancias están utilizando el tiempo compartido; sin embargo,
la pregunta sigue siendo si están utilizando el tiempo compartido para
Mejorar la equidad. Argumentamos que esto sucede, como se ilustra
por el siguiente ejemplo. El proveedor de ambulancia para el re
gion Utrecht en los Países Bajos tiene una base en una zona rural en
El sudeste de su región. Hay una ambulancia estacionada
en esta base durante el día; por la noche la base no está en
utilizar (Bremer, 2019) El rendimiento de esta ambulancia, medido
por el número total de llamadas a tiempo, mejoraría si fuera
se mudó a una zona urbana. Esto nos lleva a concluir que el
La decisión de colocar esta ambulancia en el área rural está motivada
por justicia, no eficiencia.
• El ejemplo anterior es complicado porque en la práctica el tiempo
del día típicamente también afecta la demanda. Elegimos no modelar
demanda dependiente del tiempo en nuestro trabajo; sin embargo, es sencillo
para ver cómo se puede ampliar nuestro enfoque para incorporar
esta. Para una organización de ambulancias que usa diferentes configuraciones
uraciones en diferentes momentos del día para hacer frente a los cambios en
demanda, uno podría usar nuestro enfoque para generar conjuntos de diferentes
configuraciones ent para cada uno de esos tiempos.
• Cuando sugerimos un enfoque de tiempo compartido, alguna ambulancia
los proveedores señalaron las similitudes con la redistribución dinámica
ment, ya que tienden a estar familiarizados con ese concepto ( Clough,
2019; Richards, 2019; Uleberg, 2019; van Breukelen, 2019 ). Nosotros
argumentan que compartir el tiempo es al menos tan práctico de usar como un dy-
política de redistribución namic: en cierto modo es más fácil porque
no depende del estado actual del sistema. Al menos dos de
los proveedores de ambulancias con los que contactamos usan una herramienta de software que
brinda consejos en tiempo real sobre el próximo movimiento de redistribución ( Clough,
2019; van Breukelen, 2019 ), y otro ha expresado interés
en el uso de dicha herramienta en el futuro (Richards, 2019) Redención actual
los algoritmos de implementación tienden a enfocarse en maximizar el número
de llamadas alcanzadas a tiempo. Donde tales sistemas ya están im-
cumplido, una extensión natural de estos enfoques sería
incluir equidad en el objetivo. Concluimos que como despacho
Si los sistemas se vuelven más informatizados, es más fácil
implementar nuestras ideas, aunque el concepto de tiempo compartido
uno mismo no depende de tener dicho sistema en su lugar.
• En la práctica, vemos ejemplos de enfoques ad hoc para abordar
justicia, por ejemplo, como resultado del cabildeo de los políticos en
áreas que sienten que no están siendo tratadas de manera justa. Esto a menudo
no conduce a resultados que sean inherentemente más justos para el
población en su conjunto. En cambio, abogamos por un sistema más sistemático
enfoque donde la equidad es tratada rigurosamente como parte de la
toma de decisiones.
Expresiones de gratitud
El primer autor agradece al Instituto Nacional de los Países Bajos por
Salud Pública y Medio Ambiente (RIVM) por dar acceso a la
tiempos de viaje para vehículos EMS en los Países Bajos. Financiamiento: Este
el trabajo fue apoyado en parte por Technology Foundation STW (con-
tracto 11986); y la Organización Holandesa para la Investigación Científica
buscar (NWO) en forma de subvención de Rubicon (número 5208)
Apéndice A
El estudio numérico en este trabajo utilizó un conjunto de 11 ambulancias.
configuraciones. Un resumen de las propiedades de cada una de esas configuraciones
Se pueden encontrar uraciones en la Tabla A1. Además, ilustramos uno de
estas configuraciones, configuración 8, con más detalle en la Fig. A1. Esta
La figura también muestra la cobertura medida por código postal en nuestro
simulación.
En la Tabla A1 observamos que las configuraciones con la mayor
el bienestar social utilitario (configuraciones 8 y 3) tiene un muy pobre
El bienestar social de Bernoulli-Nash y ninguno de estos es justo cuando
utilizado de forma aislada. Pero, notamos que ambas configuraciones 8 y 3
recibió tiempo compartido positivo en nuestras soluciones, lo que demuestra que
puede producir resultados más justos cuando se usa en una política de tiempo compartido.
Pagina 12
1106
Tabla A1
Propiedades características de cada una de las 11 configuraciones utilizadas en nuestro estudio de caso. La columna f E representa el bienestar social igualitario de
La configuración. Todos los valores de punto decimal son redondeados.
Configuración
fU
f BN
fE
Fracción habitantes que tienen utilidad
max # vehículos por base
1
0,903
00
00
0.0023
3
2
0,908
00
00
0.0092
2
3
0.910
00
00
0,0005
2
44
0,903
00
00
0.0085
2
55
0,907
00
00
0.0022
2
66
0,905
0,84
0.003
00
2
77
0,906
00
00
0.0013
2
8
0.910
00
00
0.0022
2
99
0,903
00
00
0,0003
3
10
0,906
00
00
0.0016
3
11
0,908
00
00
0.0032
3
1
2
1
1
1
2
1
1
1
2
1
1
1
2
1
0.25
0,50
0,75
fracción_en_tiempo
habitantes
5000
10000
15000
configuración 8
Fig. A1. Los números muestran el número de ambulancias por ubicación en la configuración
ción 8. Los nodos muestran los centros de los códigos postales, donde se muestra el sombreado
la cobertura observada en la simulación, mientras que el tamaño de los nodos representa el número
ber de habitantes.
apéndice B
Luego analizamos la convexidad de (9) sobre el dominio dado por
(10) y (11). Como se mencionó anteriormente, esto depende del problema
ejemplo. Recuerde que una instancia de problema consiste en demandas d i y
utilidades u ic . En este apéndice presentamos tres problemas diferentes
instancias, que muestran que (9) puede ser convexo, cóncavo o
ninguno.
Tenga en cuenta que en este artículo, definimos d i como la fracción de
mand que se encuentra en el nodo i , entonces 0 ≤ d i ≤ 1. Sin embargo, uno podría
use una definición alternativa en la cual d i denota la demanda, es decir,
el número de habitantes en el nodo i , en cuyo caso se deduce que
d i ≥ 1. En ambos casos, el óptimo se encuentra en el mismo lugar, cómo:
alguna vez, las propiedades de convexidad (o concavidad) pueden diferir entre
los dos.
Las instancias 1 y 2 consisten en dos nodos de demanda, cada uno con
un habitante (es decir, d 1 = d 2 = 1) y dos configuraciones. Deja el
las utilidades se muestran en la Tabla B2 . La Fig. B2 muestra cómo el Bernoulli–
Tabla B2
Matrices de utilidad para dos instancias de problemas con diferentes propiedades de convexidad.
Instancia 1
Instancia 2
Nodo 1
Nodo 2
Nodo 1
Nodo 2
Configuracion 1
0.5 0.5
0.2 0.2
Configuracion 1
0.1
0.5 0.5
Configuracion 2
1
0.6
Configuracion 2
1
0.1
λ1
f BN
(λ
)
(a) Instancia 1
λ1
f BN
(λ
)
(b) Instancia 2
Fig. B2. La función de bienestar social de Bernoulli-Nash se comporta de manera diferente para diferentes
instancias problemáticas Tenga en cuenta que esto afecta la ubicación del máximo.
Tabla B3
Matriz de utilidad para una instancia de problema donde f BN ( λ ) no es convexo
ni cóncavo
Instancia 3
Nodo 1
Nodo 2
Configuracion 1
0.2 0.2
1
Configuracion 2
0.9
0.8
Configuracion 3
00
0.1
El bienestar social de Nash depende de λ 1 , la proporción de tiempo dedicado a
configuración 1. Concluimos que f BN puede ser convexo (ver Fig. B2)
o cóncavo (ver Fig. B2), dependiendo de la instancia del problema.
En dimensiones superiores, incluso se pueden construir instancias como
que f BN ( λ ) no es convexo ni cóncavo. El siguiente ejemplo
muestra esto
La instancia 3 es una región con dos nodos de demanda, cada uno con uno
habitante (es decir, d 1 = d 2 = 1) y tres configuraciones. Deje que la utilidad
Las características se muestran en la Tabla B3.
Considere dos vectores de tiempo compartido, λ = [0 . 1 , 0 . 7 , 0 . 2] y λ =
[0 . 5 , 0 . 3 , 0 . 2] Entonces, se cumple lo siguiente:
f BN ( 0 . 5 λ + 0 . 5 λ ) = 0 . 3672 > 0 . 3616 = 0 . 5 f BN ( λ ) + 0 . 5 f BN ( λ )
Por lo tanto, f BN ( λ ) no es convexo. Del mismo modo, eligiendo λ =
[0 . 6 , 0 . 3 , 0 . 1] y λ = [0 . 1 , 0 . 4 , 0 . 5] obtenemos que
f BN ( 0 . 5 λ + 0 . 5 λ ) = 0 . 2541 < 0 . 2551 = 0 . 5 f BN ( λ ) + 0 . 5 f BN ( λ )
y concluir que f BN ( λ ) no es cóncavo.
Material suplementario
El material suplementario asociado con este artículo puede ser
encontrado, en la versión en línea, en doi:10.1016 / j.ejor.2019.08.003 .
Página 13
1107
Referencias
Aboueljinane, L. , Sahin, E. y Jemai, Z. (2013). Una revisión sobre modelos de simulación ap-
aplicado a las operaciones de servicios médicos de emergencia. Ingeniero Informático e Industrial
ing, 66 (4), 734–750.
Alanis, R. , Ingolfsson, A. y Kolfal, B. (2013). Un modelo de cadena de Markov para un sistema EMS
tem con reposicionamiento. Dirección de Producción y Operaciones, 22 (1), 216–231.
Bremer, P. (2019). Jefe de planificación en Regionale Ambulance Voorziening Utrecht
(RAVU) . Comunicación personal .
Clough, A. (2019). Gerente de planificación operativa y mejora en Ambulance Victo-
ria . Comunicación personal .
Bertsimas, D. , Farias, V. y Trichakis, N. (2011). El precio de la equidad. Operaciones Re-
búsqueda, 59 (1), 17–31.
Bozorgi-Amiri, A. , Jabalameli, M., y e Hashem, SMA (2013). Un objetivo múltiple
modelo robusto de programación estocástica para logística de socorro en casos de desastre bajo incertidumbre
Tainty. O Spectrum, 35 (4), 905–933.
Brotcorne, L. , Laporte, G. y Semet, F. (2003). Ubicación de la ambulancia y reubicación
modelos. European Journal of Operational Research, 147 (3), 451–463.
Ceriani, L. y Verme, P. (2012). Los orígenes del índice de Gini: Extractos de Variabil-
ità e Mutabilità (1912) de Corrado Gini. The Journal of Economic Inequality, 10 ,
421–443.
Chanta, S., Mayorga, ME y McLay, LA (2011). Mejora del servicio de emergencia en
zonas rurales: un modelo de ubicación que cubre dos objetivos para sistemas EMS. Anales de
Investigación de operaciones, 221 (1), 133-159. doi : 10.1007 / s10479-011-0972-6 .
Church, R. y Revelle, C. (1974). El problema de ubicación de cobertura máxima. Papeles de
Asociación Regional de Ciencias, 32 , 101–118.
Cobb, C. y Douglas, P. (1928). Una teoría de la producción. El informe económico estadounidense
vista, 18 (1), 139–165.
Coulter, P . (1980) Medición de la inequidad de los servicios públicos urbanos. Estudios de politica
Journal, 8 (5), 683–698.
Daskin, M. (1983). Un modelo de ubicación máxima esperada: formulación, propiedades
y solución heurística. Ciencias del transporte, 7 , 48–70.
Daskin, M. (1995). Red y ubicación discreta: modelos, algoritmos y aplicaciones .
Nueva York: Wiley.
Ehrgott, M. (2005). Optimización multicriterios . Springer .
Elloumi, S . , Labbé, M. y Pochet, Y. (2004). Una nueva formulación y resolución.
método para el problema de p-center. INFORMS Journal on Computing, 16 (1), 84–94.
Enayatia, S. , Mayorgab, M., Toro-Díaz, H. y Albert, L. (2019). Identificación de compensaciones en
Equidad y eficiencia para optimizar simultáneamente la ubicación y la multiprioridad
despacho de ambulancias. Transacciones internacionales en investigación operativa, 26 ,
415–438.
Erkut, E., Ingolfsson, A. y Erdo ˘gan, G. (2008). Ubicación de ambulancia para máximo
supervivencia. Naval Research Logistics (NRL), 55 (1), 42–58. doi: 10.1002 / nav.20267 .
Erkut, E. y Neuman, S. (1992). Un modelo multiobjetivo para localizar fades indeseables
Cilities. Annals of Operations Research, 40 (1), 209–227.
Felder, S . Y Brinkmann, H. (2002). Asignación espacial de servicios médicos de emergencia:
minimizando la tasa de mortalidad o proporcionando acceso igualitario? Ciencia regional y urbana
Economía, 32 (1), 27–45.
Gendreau, M., Laporte, G. y Semet, F. (1997). Resolviendo un modelo de ubicación de ambulancia
por búsqueda tabú. Location Science, 5 (2), 75–88.
Gendreau, M. , Laporte, G. y Semet, F. (2001). Un modelo dinámico y paralelo
Búsqueda tabú heurística para reubicación de ambulancia en tiempo real. Computación Paralela, 27 ,
1641-1653.
Gini, C. (1912). Variabilità e Mutuabilità. contributo allo studio delle distribuzioni e
delle relazioni statistiche . Bolonia: C. Cuppini.
Goemans, M. y Skutella, M. (2004). Juegos de localización de instalaciones cooperativas. Diario de
Algoritmos, 50 (2), 194–214 doi: https://doi.org/10.1016/S0196-6774(03)0 0 098-1 .
Goldberg, J. , Dietrich, R., Chen, J. y Mitwasi, M. (1990). Validar y aplicar un
modelo para localizar servicios médicos de emergencia en Tucson, AZ. Euro, 34 , 308–324.
Henderson, S. y Mason, A. (2005). Planificación del servicio de ambulancia: simulación y
visualización de datos. En Investigación de operaciones y atención médica: un manual de metanfetamina
ods y aplicaciones (pp. 77-102). Boston: Springer.
Hoogeveen, M. (2010). Informe de atención ambulatoria en Europa. Reporte técnico.
Hatenboer, J. (2019). Gerente de políticas e innovación en UMCG ambulancezorg . Personal
Comunicación.
Jagtenberg, C. , Bhulai, S. y van der Mei, R. (2015). Una heurística eficiente para el tiempo real.
redistribución de ambulancias. Investigación de operaciones para el cuidado de la salud, 4 , 27–35.
Kariv, O. y Hakimi, S. (1979). Un enfoque algorítmico para el problema de ubicación de red
lems parte 1: los p-centres. Revista SIAM de Matemática Aplicada, 37 , 513–538.
Kommer, G. y Zwakhals, S. (2011). Modellen referentiekader ambulancezorg 2008
Documentatie rijtijden- en capaciteitsmodel. Rapport 270412001/2011 .
Lindner, TW (2019). Director en el centro regional de investigación médica de emergencia y
desarrollo en el oeste de Noruega (RAKOS) . Comunicación personal .
Larson, R. (1974). Un modelo de cola de hipercubos para la ubicación y redistribución de distritos
en servicios urbanos de emergencia. Computers & Operations Research, 1 (1), 67–95.
Leclerc, P . , McLay, L. y Mayorga, M. (2012). Modelado de equidad para la asignación de recursos públicos
fuentes. En M. Johnson (Ed.), Investigación de operaciones basadas en la comunidad (pp. 97-118).
Nueva York: Springer.
Li, X., Zhao, Z., Zhu, X. y Wyatt, T. (2011). Cubriendo modelos y optimiza-
técnicas de localización y planificación de instalaciones de respuesta a emergencias: una re
ver. Métodos matemáticos de investigación de operaciones, 74 (3), 281–310. doi: 10.1007 /
s00186-011-0363-4 .
Lubin, M. y Dunning, I. (2015). JuMP: un lenguaje de modelado para opti matemática
mización INFORMS Journal on Computing, 27 (2), 238–248.
Marsh, M. y Schilling, D. (1994). Medición de equidad en el análisis de ubicación de instalaciones:
Una revisión y marco. European Journal of Operational Research, 74 (1), 1–17
doi: https://doi.org/10.1016/0377-2217 (94) 90200- 3 .
Maxwell, M. , Henderson, S. y Topaloglu, H. (2013). Ajuste dinámico aproximado
Políticas de programación para redistribución de ambulancias mediante búsqueda directa. Estocástico
Sistemas, 3 (2), 322–361.
Maxwell, M., Restrepo, M., Henderson, S. y Topaloglu, H. (2010). Dy- aproximado
Programación namic para redistribución de ambulancias. INFORMS Journal on Comput-
ing, 22 , 226–281.
McAllister, D. (1976). Equidad y eficiencia en la ubicación de instalaciones públicas. Geográfico
Análisis, 8 , 47-63.
McLay, L. y Mayorga, M. (2013). Un modelo de despacho para el sistema de servidor a cliente
Tems que equilibra la eficiencia y la equidad. Operaciones de fabricación y servicio
Gestión, 15 (2), 205–220. doi: 10.1287 / msom.1120.0411 .
Moulin , HJ (2003). División justa y bienestar colectivo . La prensa del MIT. doi: 10.1007 /
s10888- 004- 7784- 8 .
Mulligan, G. (1991). Medidas de igualdad y ubicación de las instalaciones. Artículos en Ciencia Regional
ence, 70 (4), 345–365. doi: 10.1007 / BF01434593 .
Richards, D. (2019). Gerente de inteligencia de negocios en St John Nueva Zelanda . Personal
Comunicación.
Rakas, J. , Teodorovic, D. y Kim, T. (2004). Modelado multi-objetivo para determinar
ubicación de instalaciones indeseables. Investigación de transporte Parte D: Transporte y
Medio ambiente, 9 (2), 125-138.
Repede, J. y Bernardo, J. (1994). Desarrollar y validar un sistema de soporte de decisiones
tem para localizar vehículos médicos de emergencia en Louisville, Kentucky. europeo
Journal of Operational Research, 75 , 567–581.
Ridler, S . , Mason, A. y Raith, A. (2017). Un paquete de simulación para emergencias médicas.
servicios. En Actas de la 51ª conferencia anual de la ORSNZ .
Schmid, V. (2012). Resolver el problema dinámico de reubicación de ambulancias y despacho
utilizando la programación dinámica aproximada. European Journal of Operational
Research, 219 , 611–621.
Schmid, V. y Doerner, K. (2010). Ubicación de la ambulancia y problemas de reubicación con
tiempos de viaje dependientes del tiempo. Revista Europea de Investigación Operativa, 207 (3),
1293-1303.
Stone, D. (2001). Paradoja política: el arte de la toma de decisiones políticas . Nueva York: Nor-
ton.
Uleberg, O. (2019). Vuelo physisican en el Hospital Universitario de Olav . Comunicacion Personal
catión
UoA EMS Research Paquete de Julia para simulación de servicios médicos de emergencia. https:
//github.com/uoa- ems- research / JEMSS.jl .
van Breukelen, A. (2019). Oficial de políticas en regionale ambulancevoorziening flevoland /
Gooi y Vechtstreek . Comunicación personal .
van den Berg, P. y Aardal, K. (2015). MEXCLP dependiente del tiempo con arranque y
costo de reubicación. European Journal of Operations Research, 242 (4), 358–368.
van den Berg, P., Kommer, G. y Zuzáková, B. (2015). Formulación lineal para el max-
Modelo de ubicación de cobertura mínima prevista con cobertura fraccional. Operaciones Re-
buscar atención médica . https://doi.org/10.1016/j.orhc.2015.08.001 .
Wächter, A. y Biegler, LT (2006). Sobre la implementación de un interior primal-dual
algoritmo de búsqueda de línea de filtro de puntos para programación no lineal a gran escala. Matemáticas-
Programación matemática, 106 (1), 25–57.
Zhan, S. y Liu, N. (2011). Un modelo de programación estocástica multiobjetivo para
logística de emergencia basada en la programación de objetivos. En actas del IEEE
Ciencias computacionales y optimización, cuarta conferencia internacional conjunta sobre.
(págs. 640-444).

Revista Europea de Investigación Operativa

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Revista Europea de Investigación Operativa

Cargado por

Copyright:

Formatos disponibles

Revista Europea de Investigación Operativa

página de inicio de la revista: www.elsevier.com/locate/ejor

ser enviado a una nueva llamada antes de llegar a su destino.

También podría gustarte