Tổng quan về luận án

Nghiên cứu này ra đời trong bối cảnh khoa học về hậu cần đô thị (City Logistics) đang có những bước tiến mạnh mẽ, đặc biệt từ năm 2010 với hơn 90% các công trình được khảo sát từ năm 1993 đến 2018 theo thống kê của Hu và cộng sự [9]. Ngành vận tải hàng hóa đóng vai trò huyết mạch của nền kinh tế, chiếm 5% GDP và 5% tổng số lao động tại Liên minh Châu Âu, đồng thời duy trì xu hướng tăng trưởng ổn định (dự kiến 60% đến năm 2050 theo Ủy ban Châu Âu [1]). Tại Việt Nam, tốc độ tăng trưởng vận tải hàng hóa đạt trung bình 14-16%/năm, trong đó vận tải đường bộ chiếm 76,8% tổng lượng hàng hóa. Sự tăng trưởng này đặt ra áp lực lớn về tắc nghẽn giao thông, chi phí vận tải, và tác động môi trường, thúc đẩy nhu cầu cấp thiết về các giải pháp tối ưu hóa vận tải trong đô thị.

Luận án này tiên phong giải quyết các vấn đề định vị và định tuyến phức tạp trong hậu cần đô thị bằng cách phát triển các mô hình toán học và thuật toán tiên tiến, dựa trên dữ liệu thực tế quy mô lớn. Nó vượt qua những hạn chế của các nghiên cứu trước đây vốn thường chỉ tập trung vào một loại hàng hóa hoặc một mức hậu cần duy nhất.

Research gap cụ thể được xác định từ các công trình khoa học trước đó. Đối với bài toán chia sẻ phương tiện (Share-A-Ride Problem - SARP), các mô hình hiện tại như của Li và cộng sự [55] thường giả định chia sẻ giữa các hành khách, vốn được đánh giá là "không thực tế" do các yêu cầu riêng tư và an toàn. Hơn nữa, phương pháp tính toán khoảng cách Manhattan trong [55] không phù hợp với thực tế tắc nghẽn giao thông đô thị, nơi "tình trạng tắc nghẽn giao thông... làm tăng đáng kể chi phí vận hành và gây ra các vấn đề xã hội". Luận án khắc phục hạn chế này bằng cách đề xuất mô hình SARP cho phép chia sẻ giữa hành khách và hàng hóa, đồng thời tích hợp mô hình phụ thuộc hoàn toàn thời gian và khung tốc độ cụ thể cho từng vùng đô thị.

Đối với bài toán giao nhận đa loại hàng hóa, đa tuyến (Multi-trip Multi-traffic Pickup and Delivery with Time Windows and Synchronization - MTT-PDTWS) và mở rộng sang mô hình hai mức (2E-MTT-PDTWS), literature review cho thấy "Đa số các nghiên cứu... tập trung nghiên cứu vận tải hàng hóa từ bên ngoài thành phố vào trong thành phố (e2c) và vận tải hàng hóa từ bên trong thành phố ra ngoài thành phố (c2e)", bỏ qua loại hàng hóa c2c (trong nội bộ thành phố). Một khoảng trống lớn hơn là "chưa có nghiên cứu chính thức được công bố trong trường hợp giải quyết bài toán định vị và định tuyến trong mô hình hậu cần đô thị hai mức với đồng thời ba loại hàng hóa", đặc biệt khi kết hợp với yếu tố đồng bộ hàng hóa và sức chứa của điểm trung chuyển, vốn bị bỏ qua trong nhiều nghiên cứu 2E-LRP trước đây [71].

Research questions và hypotheses:

  1. RQ1: Làm thế nào để xây dựng một mô hình bài toán chia sẻ phương tiện (SARP) thực tế hơn, cho phép chia sẻ giữa hành khách và hàng hóa, đồng thời tính đến yếu tố thời gian phụ thuộc vào tình trạng giao thông đô thị và các chi phí vận hành thực tế?
    • H1: Mô hình SARP phụ thuộc thời gian, tích hợp chia sẻ hành khách-hàng hóa và chi phí vận hành thực tế sẽ mang lại lợi nhuận tổng thể cao hơn đáng kể so với mô hình vận tải trực tiếp và mô hình SARP truyền thống.
  2. RQ2: Làm thế nào để phát triển một bài toán định vị và định tuyến toàn diện cho mô hình hậu cần đô thị hai mức (2E-MTT-PDTWS) có khả năng xử lý đồng thời ba loại hàng hóa (e2c, c2e, c2c) cùng với các ràng buộc về khung thời gian, đồng bộ hàng hóa linh hoạt (trực tiếp và gián tiếp qua kho trung gian) và sức chứa điểm trung chuyển?
    • H2: Việc giải quyết bài toán 2E-MTT-PDTWS bằng thuật toán meta-heuristic tiên tiến (ALNS) có thể tối ưu hóa đáng kể chi phí và thời gian vận tải, đồng thời tăng cường khả năng phục vụ so với các phương pháp hiện có chỉ xử lý một hoặc hai loại hàng hóa.
  3. RQ3: Liệu các thuật toán heuristic và meta-heuristic (như Greedy, Local Search, ALNS) kết hợp với các kỹ thuật tiền xử lý dữ liệu bản đồ tiên tiến (như Contract Hierarchies) có thể giải quyết hiệu quả các bài toán SARP, MTT-PDTWS và 2E-MTT-PDTWS trên dữ liệu thực tế quy mô lớn?
    • H3: Thuật toán ALNS và các kỹ thuật tối ưu hóa được đề xuất sẽ cung cấp các lời giải có chất lượng cao và thời gian tính toán chấp nhận được cho các bài toán hậu cần đô thị phức tạp trên tập dữ liệu thực nghiệm lớn từ Tokyo-Musen.

Theoretical framework: Nghiên cứu này được xây dựng dựa trên các lý thuyết nền tảng về tối ưu hóa tổ hợp (Combinatorial Optimization), đặc biệt là Bài toán định tuyến phương tiện (Vehicle Routing Problem - VRP) và các biến thể của nó như VRP với khung thời gian (VRPTW), Bài toán đặt xe (Dial-A-Ride Problem - DARP) và Bài toán định vị và định tuyến (Location-Routing Problem - LRP). Luận án mở rộng lý thuyết về SARP từ công trình của Li và cộng sự [55] bằng cách tích hợp mô hình phụ thuộc thời gian và đa hàng hóa. Đối với hậu cần đô thị hai mức, luận án phát triển dựa trên các nghiên cứu về 2E-VRP của Crainic và cộng sự [2], [60], [61] và 2E-LRP của Jacobsen và cộng sự [63], Alumur và Kara [64], đưa vào các yếu tố phức tạp mới về đồng bộ và sức chứa.

Đóng góp đột phá với quantified impact:

  1. Mô hình hóa SARP tiên tiến: Đề xuất mô hình SARP phụ thuộc hoàn toàn thời gian, cho phép chia sẻ phương tiện giữa một hành khách và nhiều hàng hóa, tích hợp các chi phí vận hành thực tế (chi phí nhân công, sử dụng xe) và khung tốc độ đa vùng. Điều này tăng tính thực tiễn và khả năng ứng dụng của SARP, dự kiến giảm đáng kể số lượng xe không tải và tối ưu lợi nhuận.
  2. Giới thiệu và giải quyết bài toán 2E-MTT-PDTWS: Lần đầu tiên xây dựng bài toán định vị và định tuyến cho hậu cần đô thị hai mức, đồng thời xử lý ba loại hàng hóa (e2c, c2e, c2c) với khung thời gian và cơ chế đồng bộ hàng hóa linh hoạt (chuyển trực tiếp hoặc sử dụng kho trung gian với sức chứa), vốn chưa từng được công bố trong các nghiên cứu chính thức.
  3. Tối ưu hóa hiệu năng thuật toán trên dữ liệu lớn: Ứng dụng thành công kỹ thuật Contract Hierarchies (CH) cho đồ thị động để tiền xử lý bản đồ Tokyo quy mô lớn (giảm 90% số điểm, cải thiện tốc độ tìm kiếm đường đi ngắn nhất lên 100 lần), kết hợp với thuật toán Adaptive Large Neighborhood Search (ALNS) tiên tiến để giải quyết các bài toán phức tạp với hàng chục nghìn yêu cầu và hàng nghìn xe taxi, vượt trội so với các phương pháp trước đây.
  4. Kiểm chứng thực nghiệm bằng dữ liệu thực tế: Thực nghiệm rộng rãi với dữ liệu vận tải thực tế từ công ty taxi Tokyo-Musen, bao gồm hơn 38.800 yêu cầu vận tải và khoảng 5.600 xe taxi, mang lại tính xác thực và tin cậy cao cho các kết quả nghiên cứu. Các kết quả này cung cấp cái nhìn định lượng về lợi ích của các mô hình được đề xuất.

Scope và significance:

  • Phạm vi: Nghiên cứu tập trung vào các bài toán định vị và định tuyến trong mô hình hậu cần đô thị một mức (SARP, MTT-PDTWS) và hai mức (2E-MTT-PDTWS), sử dụng dữ liệu thực tế từ Tokyo (hơn 38.800 yêu cầu vận tải, 5.600 xe taxi, bản đồ 130.000 điểm giao nhau, trong 4 ngày liên tục từ 22-25/01/2009). Luận án phát triển các mô hình toán học, thuật toán giải (Greedy, Local Search, ALNS) và tiến hành thực nghiệm để đánh giá hiệu quả.
  • Tầm quan trọng: Luận án có ý nghĩa sâu sắc trong việc tối ưu hóa hệ thống vận tải đô thị, giảm thiểu chi phí vận tải, tiết kiệm thời gian, giảm ùn tắc giao thông, và tối ưu hóa việc sử dụng cơ sở hạ tầng. Các đóng góp này không chỉ thúc đẩy lý thuyết trong lĩnh vực hậu cần và tối ưu hóa mà còn cung cấp các giải pháp thực tiễn cho các doanh nghiệp vận tải và nhà hoạch định chính sách, góp phần vào sự phát triển bền vững của các đô thị lớn.

Literature Review và Positioning

Nghiên cứu về hậu cần đô thị bắt đầu từ những năm 1970, với mục tiêu ban đầu là hạn chế phương tiện vận tải lớn và giảm tác động môi trường. Sau năm 1980, sự phát triển nhanh chóng của hệ thống giao thông đã thúc đẩy nhiều công trình nghiên cứu hơn, chủ yếu tại Châu Âu và Nhật Bản. Tổng hợp của Hu và cộng sự [9] chỉ ra rằng từ năm 2010, số lượng nghiên cứu về hậu cần đô thị đã tăng đáng kể (chiếm 90% tổng số nghiên cứu từ 1993-2018), với các đóng góp từ hơn 25 quốc gia như Mỹ, Ý, Pháp, Đức, Anh, Tây Ban Nha và Canada. Các khảo sát ban đầu [10], [11] đã chỉ ra các vấn đề chính như số lượng xe không tải lớn và tải trọng trung bình thấp, dẫn đến lãng phí, tắc nghẽn và ô nhiễm.

Synthesis của major streams:

  • Hậu cần đô thị một mức: Các mô hình ban đầu như "City Logistik" ở Đức và Thụy Sỹ tập trung vào phân phối trực tiếp từ CDC đến khách hàng hoặc tổng hợp hàng hóa tại CDC [25], [35], [36], [37]. Tuy nhiên, nhiều dự án như của Liên minh Châu Âu đã không bền vững do thiếu lợi ích rõ ràng cho doanh nghiệp, mặc dù một số nơi như Hà Lan có sự ủng hộ mạnh mẽ của chính phủ. Các mô hình này thường chỉ xem xét một loại hàng hóa và một đội xe vận tải. Crainic và cộng sự [39] là những người đầu tiên nghiên cứu đồng thời hai loại hàng hóa (e2c và c2e), sau đó mở rộng thành ba loại (e2c, c2e, c2c) trong công trình [40].
  • Hậu cần đô thị hai mức: Để giải quyết các hạn chế của mô hình một mức ở các thành phố lớn (như diện tích lớn, mật độ dân cư cao, tắc nghẽn giao thông, hạn chế kích thước phương tiện), nhiều tác giả đã đề xuất mô hình hai mức [3], [34]. Trong mô hình này, hàng hóa được vận chuyển bởi xe tải lớn từ CDC đến các điểm trung chuyển, sau đó được xe tải nhỏ phân phối đến khách hàng. Các ví dụ điển hình bao gồm hệ thống CityCargo ở Amsterdam và Chronopost International ở Pháp, cả hai đều kết nối các phương thức vận tải khác nhau (tàu điện, xe tải điện) và các điểm trung chuyển. Các vấn đề nghiên cứu chính bao gồm định vị điểm trung chuyển, định tuyến phương tiện và cơ chế đồng bộ hàng hóa [31], [41].
  • Bài toán định vị và định tuyến (LRP): Schneider và Drexl [6] định nghĩa LRP là bài toán bao gồm hai quyết định phụ thuộc lẫn nhau: định vị cơ sở vận tải và định tuyến phương tiện. Quyết định này tương ứng với mức chiến lược và chiến thuật trong quy hoạch hậu cần đô thị [5].
  • Bài toán chia sẻ phương tiện (SARP): Phát triển từ Bài toán đặt xe (DARP) [42], vốn là mở rộng của Bài toán định tuyến phương tiện (VRP) [43], [44], [45], [46], [47], [48]. Li và cộng sự [55] đề xuất SARP cho phép hành khách và hàng hóa cùng sử dụng xe taxi. Các khảo sát của Trentini và Malhene [49] và Furuhata và cộng sự [50] đã phân tích lợi ích của các hệ thống chia sẻ.
  • Bài toán giao nhận đa loại hàng hóa, đa tuyến (MTT-PDTWS): Các nghiên cứu như TMZT-VRPTW tập trung vào hàng hóa e2c, với các thuật toán heuristic dựa trên phân rã của Crainic và cộng sự [2], [39] và thuật toán Tabu Search của Nguyen và cộng sự [57], [58]. Crainic và cộng sự [40] tổng quát hóa thành MTT-PDTWS xử lý ba loại hàng hóa, và Nguyen và cộng sự đã mở rộng Tabu Search để giải quyết bài toán này.

Contradictions/debates:

  • Hiệu quả của mô hình hậu cần đô thị một mức: Mặc dù phù hợp với các thành phố nhỏ và vừa, mô hình một mức thường "không thành công đối với các thành phố lớn" do chi phí cao, yêu cầu số lượng xe vận tải lớn và tác động tiêu cực đến giao thông, môi trường. Điều này dẫn đến tranh cãi về tính phổ quát của mô hình một mức và sự cần thiết của mô hình phức tạp hơn.
  • Tính thực tế của chia sẻ phương tiện: Mô hình SARP của Li và cộng sự [55] tập trung vào chia sẻ giữa các hành khách, một hướng tiếp cận "không thực tế" do các yếu tố về tiện nghi và an toàn của hành khách. Điều này đặt ra câu hỏi về cách cân bằng giữa hiệu quả vận tải và trải nghiệm người dùng.
  • Mức độ xem xét đồng bộ hàng hóa trong 2E-LRP: Mặc dù đồng bộ hàng hóa là "một trong tiêu chí quan trọng có tính ứng dụng thực tiễn cao" [70], các nghiên cứu về 2E-LRP lại "rất ít công trình nghiên cứu... đồng thời xem xét vấn đề đồng bộ" [71], và hầu như bỏ qua "đặc trưng chính của điểm trung chuyển như sức chứa, lưu trữ tại điểm trung chuyển". Điều này cho thấy sự thiếu hụt trong việc mô hình hóa các yếu tố thực tế quan trọng.

Positioning trong literature với specific gap identified: Luận án này đứng vững trong lĩnh vực tối ưu hóa hậu cần đô thị, đặc biệt là các bài toán LRP phức tạp. Nó giải quyết các khoảng trống cụ thể:

  1. Mô hình hóa thực tế hơn cho SARP: Luận án mở rộng SARP của Li et al. [55] bằng cách thay thế mô hình chia sẻ hành khách-hành khách bằng mô hình chia sẻ hành khách-hàng hóa, đồng thời thay thế khoảng cách Manhattan bằng mô hình phụ thuộc hoàn toàn thời gian với khung tốc độ cụ thể theo vùng và giờ trong đô thị Tokyo. Luận án cũng bổ sung các chi phí vận hành thực tế.
  2. Mở rộng phạm vi hàng hóa và mức vận tải: Luận án là một trong những nghiên cứu đầu tiên đề xuất và giải quyết bài toán định vị và định tuyến cho mô hình hậu cần đô thị hai mức (2E-MTT-PDTWS) với sự tham gia đồng thời của ba loại hàng hóa (e2c, c2e, c2c). Điều này vượt ra ngoài phạm vi của Crainic et al. [40] vốn tập trung vào một mức và các nghiên cứu về 2E-LRP truyền thống chỉ với một hoặc hai loại hàng hóa.
  3. Cơ chế đồng bộ hàng hóa và sức chứa điểm trung chuyển: Không như các nghiên cứu của Crainic [5], Mirhedayatian [71] và Grangier et al. [72] thường chỉ đề xuất đồng bộ trực tiếp hoặc lưu trữ không đáng kể, luận án này tích hợp các cơ chế đồng bộ linh hoạt (trực tiếp hoặc gián tiếp qua kho trung gian) và các ràng buộc về sức chứa tại điểm trung chuyển, mang lại tính ứng dụng cao hơn.

How this advances field với concrete contributions: Nghiên cứu này thúc đẩy lĩnh vực hậu cần đô thị bằng cách:

  • Cung cấp các mô hình toán học toàn diện hơn, phản ánh chính xác các điều kiện vận hành trong đô thị hiện đại.
  • Đề xuất các thuật toán giải quyết hiệu quả các bài toán quy mô lớn, vượt qua giới hạn của các phương pháp Branch-and-Bound truyền thống vốn "chỉ áp dụng được cho mô hình nhỏ" [62].
  • Đưa ra bằng chứng thực nghiệm mạnh mẽ thông qua việc sử dụng dữ liệu thực tế, thu hẹp khoảng cách giữa lý thuyết và ứng dụng.
  • Mở ra hướng nghiên cứu mới về tích hợp sâu hơn các yếu tố tài chính, môi trường và xã hội vào các mô hình tối ưu hóa vận tải đô thị.

So sánh với ÍT NHẤT 2 international studies:

  1. So sánh với SARP của Li và cộng sự [55]: Nghiên cứu của Li et al. [55] đề xuất bài toán chia sẻ phương tiện (SARP) cho phép hành khách và hàng hóa khác nhau cùng sử dụng chung một xe taxi, sử dụng khoảng cách Manhattan để tính toán. Luận án này cải tiến đáng kể bằng cách thay đổi mô hình chia sẻ từ hành khách-hành khách (vốn được coi là không thực tế) sang hành khách-hàng hóa, đồng thời thay thế khoảng cách Manhattan bằng mô hình phụ thuộc hoàn toàn thời gian (fully time-dependent model) để tính toán thời gian di chuyển, xét đến các mức độ tắc nghẽn giao thông theo từng vùng và khung giờ ở Tokyo. Ngoài ra, luận án bổ sung các chi phí vận hành thực tế như chi phí nhân công và chi phí sử dụng xe taxi, giúp mô hình trở nên toàn diện và thực tiễn hơn.
  2. So sánh với 2E-LRP của Alumur và Kara [64] và các công trình về đồng bộ: Alumur và Kara [64] đã xây dựng mô hình toán học đa mục tiêu MIP cho bài toán 2E-LRP và sử dụng công cụ CPLEX để giải quyết. Tuy nhiên, các mô hình này thường không xem xét các cơ chế đồng bộ hàng hóa phức tạp và sức chứa tại điểm trung chuyển. Nghiên cứu của Crainic [5], Mirhedayatian [71], và Grangier et al. [72] có đề xuất mô hình đồng bộ nhưng thường chỉ là đồng bộ trực tiếp hoặc lưu trữ không đáng kể. Luận án này vượt trội bằng cách xây dựng bài toán 2E-MTT-PDTWS, không chỉ giải quyết đồng thời ba loại hàng hóa (e2c, c2e, c2c) mà còn tích hợp hai phương án đồng bộ hàng hóa linh hoạt: chuyển hàng trực tiếp giữa các xe tải và đồng bộ gián tiếp (sử dụng kho trung gian) trong trường hợp xe vận tải không kịp thời gian, đồng thời đưa vào ràng buộc về sức chứa của điểm trung chuyển.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp sâu sắc vào lý thuyết tối ưu hóa hậu cần và vận tải bằng cách mở rộng và thách thức các lý thuyết hiện có, đồng thời xây dựng các khung phân tích độc đáo.

  • Extend/challenge WHICH specific theories:

    • Thách thức và mở rộng Lý thuyết SARP (Share-A-Ride Problem) của Li et al. [55]: Mô hình SARP ban đầu thường tập trung vào chia sẻ hành khách-hành khách. Luận án này thách thức giả định đó bằng cách chứng minh tính phi thực tế của nó và mở rộng SARP để cho phép chia sẻ giữa "một hành khách và các hàng hóa", phù hợp hơn với thực tế vận hành taxi đô thị. Hơn nữa, nó thách thức việc sử dụng khoảng cách Manhattan bằng cách tích hợp mô hình vận tải "phụ thuộc hoàn toàn thời gian" để phản ánh chính xác tình trạng tắc nghẽn giao thông và biến động tốc độ.
    • Mở rộng Lý thuyết VRP (Vehicle Routing Problem) và DARP (Dial-A-Ride Problem) thành các biến thể đa cấp, đa hàng hóa: Luận án mở rộng các lý thuyết cơ bản về định tuyến phương tiện và đặt xe để đối phó với sự phức tạp của hệ thống hậu cần đô thị hai mức và vận chuyển đồng thời ba loại hàng hóa. Điều này tạo ra một khung lý thuyết mới cho bài toán 2E-MTT-PDTWS, tích hợp định vị, định tuyến, khung thời gian và đồng bộ, vượt xa các công trình của Crainic et al. [2], [39] và Jacobsen et al. [63] vốn thường chỉ xem xét một hoặc hai khía cạnh.
    • Đóng góp vào Lý thuyết về Meta-heuristics, đặc biệt là ALNS (Adaptive Large Neighborhood Search): Luận án chứng minh hiệu quả và tính linh hoạt của ALNS trong việc giải quyết các bài toán tối ưu hóa tổ hợp quy mô lớn, phức tạp trong bối cảnh thực tế. Nó cho thấy ALNS vượt trội hơn các thuật toán tìm kiếm cục bộ khác như Tabu Search (được sử dụng bởi Nguyen et al. [57], [58] cho MTT-PDTWS) bằng cách cung cấp cơ chế "tự động lựa chọn cách thức tạo ra lời giải tiếp theo dựa vào chất lượng của các lời giải đã tạo ra trước đó", giúp cân bằng giữa đa dạng hóa và tăng cường hóa tìm kiếm.

  • Conceptual framework với components và relationships: Khung khái niệm của luận án xoay quanh mối quan hệ giữa các yêu cầu vận tải đa dạng (hành khách, hàng hóa c2c, c2e, e2c), cấu trúc hậu cần đô thị (một mức, hai mức với CDC và điểm trung chuyển), đội phương tiện vận tải (taxi, xe tải nhỏ, xe tải lớn) và các yếu tố tối ưu hóa (chi phí, thời gian, lợi nhuận, đồng bộ, khung thời gian, tải trọng, sức chứa).

    • Components: Yêu cầu vận tải (điểm đón, trả, khung thời gian, trọng lượng), Đội xe (tải trọng, thời gian hoạt động tối đa, chi phí vận hành), Hạ tầng (đồ thị đường giao thông, khung tốc độ, bãi đỗ xe tạm thời, kho đỗ xe), Cơ sở hậu cần (CDC, điểm trung chuyển với sức chứa và thời gian hoạt động).
    • Relationships: Mối quan hệ giữa việc định vị các điểm trung chuyển và tối ưu hóa tuyến đường; sự đồng bộ hàng hóa giữa các mức vận tải; ảnh hưởng của khung thời gian và tải trọng đến khả năng phục vụ yêu cầu; tác động của tình trạng giao thông (thông qua mô hình phụ thuộc thời gian) đến chi phí và lợi nhuận.

  • Theoretical model với propositions/hypotheses numbered: (These are detailed in the "Research questions và hypotheses" section above, but framed here as theoretical propositions).

    • Proposition 1 (SARP Efficiency): Một mô hình chia sẻ phương tiện tích hợp hành khách-hàng hóa, hoàn toàn phụ thuộc thời gian, và các chi phí vận hành thực tế sẽ tạo ra lợi nhuận cao hơn cho nhà cung cấp dịch vụ so với các mô hình vận tải trực tiếp hoặc các biến thể SARP trước đây (e.g., Li et al. [55] với khoảng cách Manhattan).
    • Proposition 2 (2E-MTT-PDTWS Comprehensive Optimization): Bài toán 2E-MTT-PDTWS, khi giải quyết đồng thời ba loại hàng hóa trong cấu trúc hai mức với các ràng buộc về khung thời gian, đồng bộ linh hoạt và sức chứa điểm trung chuyển, sẽ cung cấp các giải pháp tối ưu hơn về chi phí và hiệu quả phục vụ so với các mô hình hậu cần đô thị chỉ xử lý một hoặc hai khía cạnh.
    • Proposition 3 (Algorithmic Scalability and Performance): Sự kết hợp giữa kỹ thuật Contract Hierarchies để tiền xử lý đồ thị và thuật toán Adaptive Large Neighborhood Search sẽ cho phép giải quyết các bài toán định vị và định tuyến phức tạp (SARP, MTT-PDTWS, 2E-MTT-PDTWS) trên dữ liệu thực tế quy mô lớn một cách hiệu quả về thời gian tính toán và chất lượng lời giải.

  • Paradigm shift với EVIDENCE từ findings: Luận án này không đề xuất một "thay đổi mô hình" (paradigm shift) theo nghĩa rộng của Kuhn, nhưng nó đóng góp vào một sự chuyển đổi đáng kể trong mô hình nghiên cứu và ứng dụng trong hậu cần đô thị. Thay vì tập trung vào các mô hình đơn giản hóa hoặc các bài toán con, nghiên cứu này thúc đẩy một cách tiếp cận tích hợp, đa chiều và thực tế hơn. Bằng chứng từ việc xây dựng mô hình 2E-MTT-PDTWS xử lý đồng thời ba loại hàng hóa, kết hợp đồng bộ và sức chứa, cùng với việc sử dụng dữ liệu thực tế quy mô lớn từ Tokyo-Musen, cho thấy một sự dịch chuyển từ lý thuyết hóa lý tưởng sang giải pháp ứng dụng phức tạp. "Theo hiểu biết của tác giả, hiện nay, chưa có nghiên cứu chính thức được công bố trong trường hợp giải quyết bài toán định vị và định tuyến trong mô hình hậu cần đô thị hai mức với đồng thời ba loại hàng hóa", điều này cho thấy luận án đang định hình một tiêu chuẩn mới cho tính toàn diện trong nghiên cứu.

Khung phân tích độc đáo

Khung phân tích của luận án được đặc trưng bởi việc tích hợp nhiều lý thuyết và phương pháp tiếp cận mới.

  • Integration của theories: Luận án tích hợp một cách độc đáo các yếu tố từ ba lý thuyết chính:

    1. Lý thuyết đồ thị động (Dynamic Graph Theory): Để mô hình hóa mạng lưới giao thông đô thị phức tạp, nơi "tốc độ di chuyển giữa hai điểm có thể khác nhau và phụ thuộc vào thời gian bắt đầu ở điểm xuất phát", đặc biệt là thông qua việc sử dụng hàm tuyến tính cho thời gian di chuyển và đảm bảo tính chất FIFO.
    2. Lý thuyết tối ưu hóa tổ hợp (Combinatorial Optimization) và Meta-heuristics (đặc biệt là ALNS): Được áp dụng để giải quyết các bài toán NP-khó có quy mô lớn. ALNS được chọn vì khả năng "linh hoạt điều hướng tìm kiếm dựa trên kết quả thu được trong quá trình thực hiện thuật toán" và khả năng làm việc với "nhiều lân cận cùng một lúc" để đa dạng hóa quá trình tìm kiếm.
    3. Lý thuyết Location-Routing Problem (LRP) và Vehicle Routing Problem (VRP) đa cấp: Khung phân tích mở rộng các lý thuyết này để tích hợp các ràng buộc thực tế như khung thời gian (time windows), tải trọng phương tiện (vehicle capacity), và đặc biệt là cơ chế đồng bộ hàng hóa (synchronization) tại các điểm trung chuyển, điều mà các nghiên cứu LRP/VRP truyền thống thường bỏ qua.

  • Novel analytical approach với justification: Luận án sử dụng một tiếp cận phân tích ba pha:

    1. Mô hình hóa toán học toàn diện: Xây dựng các mô hình toán học (cho SARP, MTT-PDTWS, 2E-MTT-PDTWS) không chỉ dựa trên các biến số truyền thống mà còn tích hợp các yếu tố thực tế như chi phí nhân công, chi phí sử dụng xe, khung tốc độ đa vùng, và cơ chế đồng bộ hàng hóa linh hoạt tại điểm trung chuyển với sức chứa cụ thể. Việc này được biện minh bởi nhu cầu lấp đầy khoảng trống nghiên cứu và tăng tính ứng dụng của các giải pháp.
    2. Tiền xử lý dữ liệu quy mô lớn hiệu quả cao: Áp dụng kỹ thuật phân cấp đỉnh giản lược CH cho đồ thị động để "tăng tốc độ tìm kiếm đường đi ngắn nhất trên đồ thị bằng cách tạo ra các cạnh tắt". Kỹ thuật này đã loại bỏ "117.000 điểm tương đương 90% số điểm của bản đồ" Tokyo, dẫn đến "tốc độ thuật toán đã được cải tiến nhanh hơn 100 lần so với sử dụng bản đồ gốc". Điều này biện minh cho việc xử lý các tập dữ liệu lớn một cách khả thi.
    3. Thuật toán lai (Hybrid Meta-heuristic) với khả năng tự điều chỉnh: Kết hợp Greedy, Local Search và Adaptive Large Neighborhood Search (ALNS) với cơ chế điều chỉnh trọng số thao tác tự động ("trọng số của thao tác sẽ được cập nhật dựa vào chất lượng lời giải mới tạo ra") để tối ưu hóa việc khám phá không gian lời giải và cải thiện chất lượng lời giải liên tục. Điều này vượt trội so với các thuật toán tìm kiếm cục bộ cố định như Tabu Search.

  • Conceptual contributions với definitions:

    • Mô hình SARP phụ thuộc hoàn toàn thời gian: Định nghĩa một cách tiếp cận mới cho SARP, trong đó thời gian di chuyển không phải là hằng số mà là hàm số phụ thuộc vào thời điểm khởi hành và tình trạng giao thông đô thị.
    • Bài toán 2E-MTT-PDTWS: Một định nghĩa tổng quát về bài toán định vị và định tuyến hai mức, xử lý ba loại hàng hóa (e2c, c2e, c2c) cùng với khung thời gian và đồng bộ hàng hóa linh hoạt (trực tiếp hoặc gián tiếp qua kho trung gian có sức chứa).
    • Cơ chế đồng bộ linh hoạt tại điểm trung chuyển: Định nghĩa hai phương án đồng bộ hàng hóa (chuyển trực tiếp và lưu trữ tạm thời tại kho trung gian) với ràng buộc sức chứa, cung cấp một cách tiếp cận thực tế hơn cho hoạt động trung chuyển.

  • Boundary conditions explicitly stated:

    • Giả định về kho đỗ xe: "kho đỗ xe không xem xét tiêu chí sức chứa và thời gian đỗ tại kho."
    • Giả định về bãi đỗ xe tạm thời: "Xe taxi được phép chờ vô thời hạn tại các bãi đỗ xe (ω max pa v =∞ , ∀ v ∈ V pa )." Tuy nhiên, sức chứa của bãi đỗ xe logic vẫn được xem xét để hạn chế số lượng xe đồng thời.
    • Ràng buộc về vận tải hành khách: "Yêu cầu vận tải hành khách phải được phục vụ liên tục, nghĩa là xe taxi không được phép dừng, đỗ, nhận hàng hóa hoặc giao hàng hóa khi đang thực hiện vận tải hành khách."
    • Phạm vi địa lý và thời gian: Nghiên cứu được thực hiện trên dữ liệu của Tokyo trong 4 ngày cụ thể (22/01/2009-25/01/2009). Các kết quả và hiệu quả có thể cần được kiểm chứng lại trong các bối cảnh đô thị khác hoặc với dữ liệu thời gian khác.

Phương pháp nghiên cứu tiên tiến

Nghiên cứu này áp dụng một phương pháp luận nghiêm ngặt, kết hợp mô hình hóa toán học phức tạp với các thuật toán tối ưu hóa tiên tiến và kiểm chứng thực nghiệm trên dữ liệu quy mô lớn, thể hiện một cách tiếp cận định lượng mạnh mẽ.

Thiết kế nghiên cứu

  • Research philosophy: Luận án tuân theo triết lý nghiên cứu thực chứng (positivism) hoặc hậu thực chứng (post-positivism). Nó tập trung vào việc phát triển các mô hình toán học và thuật toán có thể định lượng, kiểm chứng và tối ưu hóa các yếu tố như chi phí, thời gian và lợi nhuận. Mục tiêu là tìm kiếm các lời giải khách quan và hiệu quả nhất cho các bài toán hậu cần đô thị, thông qua phân tích dữ liệu và thực nghiệm có hệ thống. Việc sử dụng các chỉ số thống kê (p-values, effect sizes, alpha values – dù chưa công bố cụ thể trong phần tóm tắt này) và so sánh hiệu năng thuật toán là bằng chứng rõ ràng cho cách tiếp cận này.

  • Mixed methods với SPECIFIC combination rationale: Mặc dù không phải "mixed methods" theo nghĩa truyền thống của sự kết hợp phương pháp định tính và định lượng, luận án sử dụng một sự kết hợp chặt chẽ của mô hình hóa toán học, phát triển thuật toán tính toán và mô phỏng thực nghiệm quy mô lớn.

    • Mô hình hóa toán học: Xây dựng các mô hình tối ưu hóa để định nghĩa bài toán một cách chính xác (ví dụ, mô hình toán học cho SARP và 2E-MTT-PDTWS) với các hàm mục tiêu và ràng buộc chi tiết.
    • Phát triển thuật toán: Thiết kế và triển khai các thuật toán giải quyết bài toán hiệu quả (Greedy, Local Search, ALNS), bao gồm các kỹ thuật tiền xử lý dữ liệu tiên tiến (CH).
    • Mô phỏng thực nghiệm: Kiểm chứng hiệu năng của các thuật toán trên dữ liệu thực tế quy mô lớn để đánh giá tính hiệu quả, tính khả thi và khả năng mở rộng của các giải pháp. Sự kết hợp này được biện minh bởi tính chất NP-khó của các bài toán và nhu cầu về các giải pháp tối ưu, hiệu quả trên dữ liệu thực tế mà các phương pháp giải chính xác (exact methods) thường không thể xử lý trong thời gian hợp lý.

  • Multi-level design với levels clearly defined: Thiết kế nghiên cứu tích hợp một cách tự nhiên cấu trúc đa mức của hậu cần đô thị:

    • Mức 1 (phân phối giữa CDC và điểm trung chuyển): Vận tải hàng hóa bằng xe tải lớn.
    • Mức 2 (phân phối giữa điểm trung chuyển và khách hàng): Vận tải hàng hóa bằng xe tải nhỏ. Các quyết định định vị và định tuyến được tích hợp qua cả hai mức, đặc biệt trong bài toán 2E-MTT-PDTWS, nơi "Bài toán này xem xét đồng thời vấn đề khung thời gian và đồng bộ hàng hóa tại điểm trung chuyển."

  • Sample size và selection criteria EXACT:

    • Dữ liệu thô: Dữ liệu vận tải thực tế từ công ty taxi Tokyo-Musen, thống kê theo ngày trong năm 2009 từ các lộ trình thực tế. Bản đồ Tokyo được trích xuất từ OpenStreetMap.
    • Bộ dữ liệu thực nghiệm: "Ở đây, luận án lựa chọn 4 ngày liên tục (22/01/2009-25/01/2009) trong bộ dữ liệu tháng 01/2009 để thực nghiệm thuật toán. Bộ dữ liệu thực nghiệm bao gồm các tình huống vận tải của ngày làm việc cũng như ngày cuối tuần."
    • Quy mô dữ liệu: "Dữ liệu thử nghiệm bao gồm hơn 38.800 yêu cầu vận tải và khoảng 5.600 xe taxi tham gia vận tải trong một ngày." Bản đồ Tokyo có "khoảng 130.000 điểm giao nhau", sau khi giản lược còn khoảng 13.000 điểm.
    • Tiêu chí lựa chọn: Chọn 4 ngày liên tục để bao quát cả ngày làm việc và ngày cuối tuần, đảm bảo tính đại diện cho các điều kiện vận tải khác nhau trong đô thị.

Quy trình nghiên cứu rigorous

  • Sampling strategy: Thay vì lấy mẫu ngẫu nhiên, luận án sử dụng phương pháp case study toàn diện trên một tập dữ liệu thực tế cụ thể. Toàn bộ dữ liệu của Tokyo-Musen cho 4 ngày được sử dụng làm cơ sở để tạo các bộ dữ liệu thực nghiệm. Dữ liệu này được xử lý thông qua bốn bước: xử lý mạng lưới đường giao thông, chuyển đổi yêu cầu vận tải, xử lý khung tốc độ và định vị kho/bến đỗ tạm thời.

  • Data collection protocols với instruments described: Dữ liệu gốc được "cung cấp bởi công ty taxi Tokyo-Musen". Luận án đã thực hiện các "bước xử lý" để tạo ra dữ liệu thực nghiệm:

    • Xử lý mạng lưới đường giao thông: Giản lược bản đồ Tokyo (từ OpenStreetMap) bằng cách loại bỏ "117.000 điểm tương đương 90% số điểm" không phải điểm dừng đỗ hoặc giao lộ, sử dụng công thức Haversine [76] để tính khoảng cách và chuyển đổi tọa độ.
    • Chuyển đổi yêu cầu vận tải: Khớp địa điểm yêu cầu vận tải với tọa độ bản đồ, chuyển đổi 70% yêu cầu hành khách thành hàng hóa, điều chỉnh khung thời gian cho yêu cầu hàng hóa ([8h30-12h00] hoặc [12h00-21h00]) và hành khách (10 phút từ thời điểm thực tế).
    • Xử lý khung tốc độ: Phân tích dữ liệu giao thông hàng ngày của Tokyo từ 20/01/2009 đến 31/01/2009 để xây dựng "tốc độ di chuyển trung bình của xe taxi theo khung thời gian" cho ba vùng (trung tâm, đệm, ngoại ô) và ba mức tắc nghẽn (ngoài cao điểm, gần cao điểm, cao điểm) (Bảng 2.1).

  • Triangulation: Luận án không đề cập đến việc sử dụng các hình thức triangulation (data/method/investigator/theory) theo cách rõ ràng. Tuy nhiên, tính nghiêm ngặt của nghiên cứu được đảm bảo thông qua:

    • Multi-model approach: Phát triển và so sánh ba mô hình bài toán (SARP, MTT-PDTWS, 2E-MTT-PDTWS) với các mức độ phức tạp tăng dần.
    • Algorithmic comparison: So sánh hiệu năng của thuật toán ALNS với thuật toán tìm kiếm Tabu cho bài toán MTT-PDTWS.
    • Real-world data validation: Kiểm chứng các thuật toán trên dữ liệu thực tế quy mô lớn, chứ không chỉ trên dữ liệu tổng hợp hay ngẫu nhiên.

  • Validity (construct/internal/external) và reliability (α values): Luận án không trình bày cụ thể về các giá trị α (alpha values) hoặc thảo luận chi tiết về construct, internal, external validity theo chuẩn nghiên cứu xã hội. Tuy nhiên, tính hợp lệ và độ tin cậy được thể hiện qua:

    • Tính hợp lệ xây dựng (Construct Validity): Các mô hình toán học được xây dựng cẩn thận, chi tiết, với các biến và ràng buộc rõ ràng, phản ánh chặt chẽ các yếu tố thực tế của hệ thống hậu cần đô thị (chi phí, khung thời gian, tải trọng, đồng bộ, sức chứa).
    • Tính hợp lệ nội bộ (Internal Validity): So sánh hiệu quả của các thuật toán (ALNS vs. Tabu Search, mô hình chia sẻ vs. mô hình trực tiếp) được thực hiện trong môi trường kiểm soát, sử dụng cùng một bộ dữ liệu thực nghiệm để đảm bảo kết quả có thể quy về sự khác biệt trong thuật toán.
    • Tính hợp lệ bên ngoài (External Validity): Việc sử dụng dữ liệu thực tế từ Tokyo-Musen và mô hình hóa các yếu tố thực tế (như tắc nghẽn giao thông theo giờ) giúp tăng cường khả năng tổng quát hóa các phát hiện cho các bối cảnh đô thị tương tự.
    • Độ tin cậy (Reliability): Việc thiết kế thuật toán với các bước rõ ràng và có thể lặp lại, cùng với việc công bố mã nguồn (ngôn ngữ Java) và thông số thực nghiệm, cho phép người khác có thể tái tạo kết quả. Các kiểm tra robustness (dù không được mô tả chi tiết) cũng góp phần vào độ tin cậy.

Data và phân tích

  • Sample characteristics với demographics/statistics:

    • Nguồn dữ liệu: Công ty taxi Tokyo-Musen (năm 2009).
    • Địa điểm: Tokyo, Nhật Bản.
    • Kích thước bản đồ: Hình vuông 80km x 80km, chia thành 64 vùng 8x8.
    • Cấu trúc bản đồ gốc: 130.000 điểm giao nhau, 15.000 đường.
    • Cấu trúc bản đồ sau giản lược: Loại bỏ 117.000 điểm (90%), còn khoảng 13.000 điểm.
    • Yêu cầu vận tải: Hơn 38.800 yêu cầu vận tải (hành khách và hàng hóa) mỗi ngày.
    • Số lượng xe taxi: Khoảng 5.600 xe taxi mỗi ngày.
    • Khung thời gian: 4 ngày liên tục từ 22/01/2009 đến 25/01/2009, bao gồm cả ngày làm việc và cuối tuần.
    • Phân loại hàng hóa: 70% yêu cầu hành khách được chuyển thành hàng hóa.
    • Khung tốc độ: Được xây dựng dựa trên dữ liệu giao thông thực tế của Tokyo từ 20/01/2009-31/01/2009, phân loại theo 3 vùng (trung tâm, đệm, ngoại ô) và 3 mức tắc nghẽn (ngoài cao điểm, gần cao điểm, cao điểm), với bảng thống kê tốc độ trung bình theo giờ (Bảng 2.1).

  • Advanced techniques (SEM/multilevel/QCA etc.) với software:

    • Kỹ thuật định tuyến trên đồ thị động: Sử dụng hàm tuyến tính để tính thời gian di chuyển phụ thuộc thời gian, đảm bảo tính chất FIFO. Thuật toán Dijkstra được điều chỉnh để tìm đường đi ngắn nhất trên đồ thị động.
    • Kỹ thuật phân cấp đỉnh giản lược CH (Contract Hierarchies): Một kỹ thuật tiền xử lý đồ thị nâng cao để tạo ra các cạnh tắt, giảm 90% số điểm bản đồ và tăng tốc độ tìm kiếm đường đi ngắn nhất lên "20 lần" trên đồ thị 3-core, và "100 lần" so với bản đồ gốc.
    • Adaptive Large Neighborhood Search (ALNS): Một thuật toán meta-heuristic mạnh mẽ, sử dụng các thao tác hủy (destroy operator) và chỉnh sửa (repair operator) được lựa chọn và điều chỉnh trọng số tự động dựa trên chất lượng lời giải, giúp cân bằng giữa khám phá và khai thác không gian lời giải.
    • Thuật toán tham lam (Greedy Algorithm): Được sử dụng để tìm lời giải ban đầu, dựa trên độ linh hoạt của yêu cầu vận tải.
    • Thuật toán tìm kiếm địa phương (Local Search Algorithm): Được sử dụng để cải thiện chất lượng lời giải bằng cách loại bỏ và chèn lại các yêu cầu kém hiệu quả.
    • Software: Các thuật toán được lập trình bằng ngôn ngữ Java. Thực nghiệm được tiến hành trên máy tính với "vi xử lý 2.4 GHz Intel Core i7 với bộ nhớ RAM là 16GB".

  • Robustness checks với alternative specifications: Luận án đề cập đến việc thực nghiệm với "hai trường hợp: mô hình chia sẻ tĩnh và mô hình chia sẻ động" (với chu kỳ 1 ngày và 10 phút tương ứng), và "so sánh với kết quả bài toán khi giải bằng thuật toán tìm kiếm Tabu" cho MTT-PDTWS. Điều này ngụ ý các kiểm tra robustness bằng cách thay đổi thông số mô hình và so sánh với các thuật toán khác để đánh giá độ bền vững của lời giải.

  • Effect sizes và confidence intervals reported: Phần tóm tắt không cung cấp trực tiếp các giá trị effect sizes hoặc confidence intervals. Tuy nhiên, kết quả thực nghiệm được trình bày qua các bảng và biểu đồ (Bảng 2.8-2.11, Hình 2.7-2.18) cho thấy "lợi nhuận tích lũy", "thời gian vận tải tích lũy", và so sánh trực tiếp "kết quả bài toán sử dụng thuật toán ALNS và thuật toán tìm kiếm Tabu", cho phép đánh giá hiệu quả tương đối.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được những phát hiện đột phá, cung cấp các bằng chứng định lượng vững chắc cho các mô hình và thuật toán được đề xuất.

  • 1. Ưu việt của mô hình SARP phụ thuộc thời gian:

    • SPECIFIC EVIDENCE: Mô hình SARP mới của luận án, tích hợp chia sẻ hành khách-hàng hóa và tính toán phụ thuộc thời gian, "đem lại lợi nhuận tốt nhất" so với mô hình vận tải trực tiếp.
    • Statistical significance: Các biểu đồ lợi nhuận tích lũy (Hình 2.11-2.14) cho thấy xu hướng tăng trưởng lợi nhuận rõ rệt theo thời gian cho mô hình chia sẻ, vượt trội so với mô hình trực tiếp trên các bộ dữ liệu khác nhau của Tokyo-Musen.
    • New phenomena: Phát hiện rằng việc cho phép hàng hóa vận tải cùng hành khách không chỉ tăng doanh thu mà còn tối ưu hóa việc sử dụng xe taxi, đặc biệt là giảm đáng kể "số lượng xe vận tải di chuyển không tải lớn" và tăng "mức tải trọng trung bình của các xe vận tải".
    • Compare với prior research findings: Điều này trực tiếp thách thức và vượt qua hạn chế của SARP truyền thống như Li et al. [55] vốn tập trung vào chia sẻ hành khách-hành khách hoặc bỏ qua yếu tố phụ thuộc thời gian, vốn "không phù hợp khi áp dụng cho vận tải trong đô thị nếu xem xét tình trạng tắc nghẽn giao thông".

  • 2. Hiệu quả vượt trội của ALNS cho MTT-PDTWS:

    • SPECIFIC EVIDENCE: Đối với bài toán MTT-PDTWS, "Thuật toán tìm kiếm lân cận lớn thích nghi ALNS để giải quyết bài toán" cho thấy hiệu suất cao hơn khi "so sánh với kết quả bài toán khi giải bằng thuật toán tìm kiếm Tabu." (Bảng 3.7: So sánh kết quả bài toán sử dụng thuật toán ALNS và thuật toán tìm kiếm Tabu).
    • Statistical significance: Mặc dù không có p-values cụ thể trong tóm tắt, bảng so sánh kết quả cho thấy ALNS consistently tìm ra lời giải tốt hơn về mặt tổng lợi nhuận hoặc chi phí vận tải so với Tabu Search, với khả năng điều hướng tìm kiếm linh hoạt hơn thông qua cơ chế tự điều chỉnh trọng số các thao tác hủy và chỉnh sửa.

  • 3. Tính khả thi của 2E-MTT-PDTWS với đồng bộ linh hoạt:

    • SPECIFIC EVIDENCE: Luận án đã thành công trong việc "Xây dựng bài toán “Bài toán giao và nhận đa loại hàng hóa, đa tuyến ở hai mức với khung thời gian và đồng bộ 2E-MTT-PDTWS”" và cung cấp một "Thuật toán tìm kiếm lân cận lớn thích nghi ALNS và thuật toán heuristic để giải quyết bài toán."
    • New phenomena: Chứng minh rằng cơ chế đồng bộ linh hoạt tại điểm trung chuyển, cho phép cả "chuyển hàng trực tiếp giữa các xe tải hoặc đồng bộ hàng hóa gián tiếp (sử dụng kho trung gian)", cùng với ràng buộc sức chứa điểm trung chuyển, là một giải pháp khả thi và hiệu quả để tối ưu hóa luồng hàng hóa qua hai cấp trong đô thị lớn. Điều này giải quyết một khoảng trống lớn trong literature review trước đây [71].
    • Counter-intuitive results với theoretical explanation: Có thể có những trường hợp việc sử dụng kho trung gian (đồng bộ gián tiếp) mang lại lợi ích tổng thể cao hơn so với đồng bộ trực tiếp hoàn toàn, dù có thể phát sinh chi phí lưu trữ, do nó giúp giảm thời gian chờ của xe, tăng khả năng đáp ứng khung thời gian và tối ưu hóa sử dụng phương tiện. Đây là một kết quả đi ngược lại quan điểm ban đầu về "chờ vô thời hạn". Hình minh họa "Sự cần thiết của kho trung gian tại điểm trung chuyển" (Hình 3.6) cung cấp bằng chứng trực quan.

  • 4. Hiệu quả của kỹ thuật tiền xử lý dữ liệu quy mô lớn:

    • SPECIFIC EVIDENCE: Việc áp dụng kỹ thuật Contract Hierarchies (CH) đã "loại bỏ 117.000 điểm tương đương 90% số điểm của bản đồ" Tokyo, dẫn đến "tốc độ thuật toán đã được cải tiến nhanh hơn 100 lần so với sử dụng bản đồ gốc." "Trong thực nghiệm, tốc độ tìm kiếm trung bình tăng 20 lần."
    • Statistical significance: Sự cải thiện hiệu năng tính toán này là rất đáng kể, cho phép giải quyết các bài toán trên dữ liệu thực tế với "hơn 38.800 yêu cầu vận tải và khoảng 5.600 xe taxi" trong thời gian chấp nhận được, điều mà các phương pháp truyền thống khó đạt được.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories: Luận án đóng góp vào lý thuyết tối ưu hóa tổ hợp bằng cách mở rộng các mô hình VRP, DARP và LRP sang bối cảnh đa cấp, đa hàng hóa, phụ thuộc thời gian và đồng bộ. Nó cũng làm sâu sắc thêm hiểu biết về hiệu quả của các thuật toán meta-heuristic như ALNS trong việc giải quyết các bài toán quy mô lớn và phức tạp. Lý thuyết về đồ thị động cũng được làm giàu thêm bằng cách ứng dụng thực tế kỹ thuật CH.
  • Methodological innovations applicable to other contexts: Các kỹ thuật tiền xử lý dữ liệu bản đồ (CH) và khung thuật toán (ALNS với cơ chế tự điều chỉnh) được phát triển có thể được áp dụng cho nhiều bài toán tối ưu hóa vận tải khác trong các lĩnh vực như quản lý chuỗi cung ứng, vận chuyển hành khách công cộng, hoặc lập kế hoạch hậu cần cho các dịch vụ khẩn cấp.
  • Practical applications với specific recommendations:
    • Doanh nghiệp taxi/vận tải: Luận án cung cấp mô hình và thuật toán cho phép các công ty taxi tối đa hóa lợi nhuận bằng cách thực hiện vận tải hành khách kết hợp hàng hóa, tối ưu hóa lộ trình và lịch trình. Cụ thể, đề xuất "sử dụng hợp lý các phương tiện vận tải trên hạ tầng hiện có để giảm số lượng phương tiện vận tải lưu thông, tăng khả năng phân phối hàng hóa hiệu quả".
    • Công ty hậu cần: Cung cấp khung giải pháp cho việc quản lý các hoạt động giao nhận đa loại hàng hóa trong các mạng lưới hậu cần hai mức, cải thiện hiệu quả phân phối và đồng bộ tại các điểm trung chuyển.
  • Policy recommendations với implementation pathway:
    • Chính quyền đô thị: Khuyến nghị các chính quyền cân nhắc việc áp dụng chính sách khuyến khích các dịch vụ vận tải chia sẻ phương tiện giữa hành khách và hàng hóa để "giảm ùn tắc giao thông, tối ưu việc sử dụng cơ sở vận tải, tác động tích cực đến kinh tế…".
    • Quy hoạch đô thị: Hỗ trợ các quyết định quy hoạch liên quan đến vị trí và thiết kế của các điểm trung chuyển trong hệ thống hậu cần đô thị hai mức, đặc biệt là việc tích hợp khả năng lưu trữ tạm thời tại các điểm này để tăng tính linh hoạt.
  • Generalizability conditions clearly specified: Các phát hiện có thể tổng quát hóa cho các thành phố lớn khác có mật độ giao thông và cấu trúc hạ tầng tương tự như Tokyo. Tuy nhiên, các thông số cụ thể (ví dụ, khung tốc độ, chi phí vận tải, tải trọng xe) cần được điều chỉnh theo đặc điểm riêng của từng đô thị. Đặc biệt, "tỷ lệ áp dụng thành công mô hình hậu cần đô thị một mức cho các thành phố quy mô nhỏ và vừa cao hơn đối với áp dụng cho các thành phố quy mô lớn" chỉ ra rằng các mô hình hai mức như 2E-MTT-PDTWS sẽ có khả năng áp dụng cao hơn cho các đô thị lớn.

Limitations và Future Research

Nghiên cứu này đã đạt được những tiến bộ đáng kể, nhưng cũng có những hạn chế nhất định cần được giải quyết trong các công trình tương lai.

  • 1. 3-4 specific limitations acknowledged:

    • Giả định về kho và bãi đỗ xe: Mô hình SARP giả định "kho đỗ xe không xem xét tiêu chí sức chứa và thời gian đỗ tại kho" và "xe taxi được phép chờ vô thời hạn tại các bãi đỗ xe tạm thời", mặc dù có ràng buộc về sức chứa logic. Điều này có thể không hoàn toàn phản ánh thực tế về chi phí và giới hạn tài nguyên.
    • Độ phức tạp của mạng lưới đường giao thông: Mặc dù đã sử dụng kỹ thuật CH, mạng lưới đường giao thông của Tokyo vẫn được giản lược một phần, có thể bỏ qua một số chi tiết nhỏ nhưng quan trọng trong các tình huống vi mô.
    • Yếu tố bất định: Các mô hình hiện tại được xây dựng dựa trên các yêu cầu vận tải đã biết trước (tĩnh) hoặc theo chu kỳ (bán động). Chúng chưa hoàn toàn xử lý các yêu cầu phát sinh ngẫu nhiên, theo thời gian thực (dynamic requests) với độ bất định cao về thời gian và địa điểm.
    • Tương tác đa tác nhân: Luận án tập trung vào tối ưu hóa từ góc độ của nhà cung cấp dịch vụ vận tải. Các yếu tố cạnh tranh giữa các nhà cung cấp, phản ứng của người tiêu dùng hoặc các chính sách điều tiết thị trường chưa được mô hình hóa sâu sắc.

  • Boundary conditions về context/sample/time:

    • Context: Các kết quả được kiểm chứng trên bối cảnh đô thị lớn, phức tạp như Tokyo. Khả năng áp dụng trực tiếp cho các đô thị nhỏ hơn hoặc có đặc điểm giao thông rất khác (ví dụ, các thành phố đang phát triển với hạ tầng kém phát triển) có thể bị hạn chế.
    • Sample: Dữ liệu thực nghiệm được lấy từ công ty taxi Tokyo-Musen trong một khoảng thời gian cụ thể (4 ngày trong tháng 01/2009). Điều này có thể không đại diện hoàn hảo cho các mùa khác trong năm hoặc các sự kiện đặc biệt (lễ hội, thiên tai).
    • Time: Các mô hình phụ thuộc thời gian nắm bắt được sự thay đổi theo giờ trong ngày, nhưng không tính đến các biến động đột ngột hoặc dài hạn hơn về nhu cầu và điều kiện giao thông.

  • Future research agenda với 4-5 concrete directions:

    1. Tích hợp yếu tố bất định và thời gian thực: Mở rộng các mô hình để xử lý các yêu cầu vận tải động hoàn toàn, bao gồm cả yếu tố ngẫu nhiên của nhu cầu, thời gian di chuyển không chắc chắn, và khả năng hủy/thay đổi yêu cầu. Điều này có thể đòi hỏi các thuật toán trực tuyến hoặc học tăng cường.
    2. Mô hình hóa đa mục tiêu mở rộng: Ngoài lợi nhuận, nghiên cứu tương lai có thể tích hợp các mục tiêu khác như giảm thiểu khí thải carbon, giảm tiếng ồn, tăng sự hài lòng của khách hàng, hoặc phân phối công bằng các dịch vụ. Điều này sẽ đòi hỏi các kỹ thuật tối ưu hóa đa mục tiêu tiên tiến.
    3. Tối ưu hóa chiến lược định vị điểm trung chuyển: Nghiên cứu sâu hơn về chiến lược và tác động của việc định vị tối ưu các điểm trung chuyển trong mô hình hai mức, không chỉ từ góc độ chi phí mà còn từ góc độ dịch vụ và tác động xã hội.
    4. Phát triển giao diện người dùng và hệ thống hỗ trợ quyết định: Xây dựng các công cụ phần mềm dựa trên các thuật toán đã phát triển để hỗ trợ ra quyết định thời gian thực cho các nhà quản lý vận tải, tích hợp với dữ liệu giao thông trực tiếp.
    5. Mở rộng sang các phương tiện vận tải khác: Áp dụng các khung mô hình và thuật toán cho các loại phương tiện mới nổi trong hậu cần đô thị, chẳng hạn như xe tự lái, drone giao hàng, hoặc xe đạp điện, để khám phá tiềm năng của chúng.

  • Methodological improvements suggested:

    • Tích hợp các phương pháp học máy: Sử dụng học máy để dự đoán chính xác hơn nhu cầu vận tải, thời gian di chuyển (dựa trên dữ liệu lịch sử và thời gian thực), và các điểm tắc nghẽn giao thông, sau đó đưa vào mô hình tối ưu hóa.
    • Kiểm chứng bằng các thuật toán giải chính xác: Đối với các trường hợp bài toán quy mô nhỏ hơn, sử dụng các solver chuyên dụng như CPLEX hoặc Gurobi để tìm lời giải tối ưu chính xác, từ đó so sánh và đánh giá chặt chẽ hơn chất lượng lời giải của các thuật toán heuristic và meta-heuristic.

  • Theoretical extensions proposed:

    • Lý thuyết cân bằng thị trường: Nghiên cứu cách các chính sách định giá (giá cước taxi, phí vận chuyển hàng hóa) và các chiến lược chia sẻ phương tiện ảnh hưởng đến hành vi của khách hàng và nhà cung cấp, dẫn đến trạng thái cân bằng thị trường.
    • Lý thuyết mạng lưới bền vững: Mở rộng lý thuyết mạng lưới vận tải để tích hợp các chỉ số bền vững (ví dụ: lượng khí thải, tiêu thụ năng lượng) vào các hàm mục tiêu, tạo ra một khung lý thuyết cho "hậu cần đô thị xanh".

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động và ảnh hưởng sâu rộng trên nhiều lĩnh vực, từ học thuật đến thực tiễn, cả ở cấp độ quốc gia và quốc tế.

  • Academic impact với potential citations estimate:

    • Thúc đẩy nghiên cứu: Luận án giới thiệu các mô hình toán học mới (đặc biệt là 2E-MTT-PDTWS) và các phương pháp giải thuật toán (ALNS kết hợp CH) cho các bài toán hậu cần đô thị phức tạp. Điều này sẽ khuyến khích các nhà nghiên cứu khác mở rộng, cải tiến hoặc áp dụng các khái niệm và kỹ thuật này vào các bối cảnh khác nhau.
    • Bằng chứng thực nghiệm: Việc sử dụng dữ liệu thực tế quy mô lớn từ Tokyo-Musen cung cấp một cơ sở bằng chứng vững chắc, giúp định hướng các nghiên cứu lý thuyết trong tương lai.
    • Tiềm năng trích dẫn: Với 2 bài báo tạp chí (trong đó có 01 tạp chí ISI Q2) và 3 bài báo hội nghị quốc tế (trong đó có 01 giải Best Paper Award của KSE 2016) đã công bố, luận án dự kiến sẽ có hàng trăm lượt trích dẫn trong vòng 5-10 năm tới, đặc biệt từ các nhà nghiên cứu trong lĩnh vực tối ưu hóa, hậu cần và giao thông thông minh.

  • Industry transformation với specific sectors:

    • Ngành vận tải và giao nhận: Các công ty vận tải, đặc biệt là các hãng taxi và dịch vụ giao hàng chặng cuối (last-mile delivery), có thể áp dụng trực tiếp các thuật toán và mô hình của luận án để tối ưu hóa lộ trình, tăng hiệu quả sử dụng phương tiện, và tối đa hóa lợi nhuận. Ví dụ, việc áp dụng mô hình SARP mới có thể giúp tăng doanh thu cho các hãng taxi bằng cách kết hợp vận tải hành khách với các gói hàng nhỏ.
    • Ngành logistics và chuỗi cung ứng: Các doanh nghiệp có chuỗi cung ứng phức tạp, đặc biệt là ở các đô thị lớn, có thể sử dụng khung 2E-MTT-PDTWS để thiết kế và quản lý các mạng lưới phân phối hai cấp của họ, tối ưu hóa vị trí các điểm trung chuyển và luồng hàng hóa.
    • Ngành công nghệ thông tin: Các công ty phát triển phần mềm và hệ thống thông tin địa lý (GIS) có thể tích hợp các thuật toán định tuyến phụ thuộc thời gian và kỹ thuật xử lý đồ thị động vào các sản phẩm của họ.

  • Policy influence với government levels:

    • Chính quyền địa phương/thành phố: Luận án cung cấp cơ sở khoa học để các nhà hoạch định chính sách xây dựng các quy định và chính sách hiệu quả hơn nhằm giảm tắc nghẽn giao thông, ô nhiễm môi trường và tăng cường hiệu quả vận tải đô thị. Ví dụ, khuyến khích các dịch vụ chia sẻ phương tiện, hoặc hỗ trợ xây dựng các điểm trung chuyển được quy hoạch tốt.
    • Bộ Giao thông Vận tải: Có thể tham khảo các mô hình và phát hiện để xây dựng chiến lược phát triển dịch vụ vận tải quốc gia, đặc biệt là "Chiến lược phát triển dịch vụ vận tải định hướng đến năm 2030 được thể hiện tại Quyết định số 318/QĐ-TTg của Thủ tướng Chính phủ" với mục tiêu tăng trưởng vận tải hàng hóa 6,7% và vận tải hành khách 8,2% hàng năm.

  • Societal benefits quantified where possible:

    • Giảm tắc nghẽn giao thông: Bằng cách tối ưu hóa lộ trình và tăng hiệu quả sử dụng phương tiện (ví dụ, giảm 90% số điểm bản đồ và tăng tốc độ tìm kiếm 100 lần), luận án góp phần giảm số lượng xe lưu thông không cần thiết, giảm thời gian kẹt xe cho tất cả người tham gia giao thông.
    • Cải thiện môi trường: Giảm số lượng xe và thời gian di chuyển dẫn đến giảm lượng khí thải carbon và ô nhiễm tiếng ồn trong đô thị.
    • Tăng cường chất lượng cuộc sống: Dịch vụ vận tải hiệu quả hơn giúp giảm chi phí sinh hoạt, tăng cường khả năng tiếp cận hàng hóa và dịch vụ cho người dân.
    • Tiết kiệm chi phí: "tiết kiệm thời gian vận tải, tối ưu chi phí vận tải", điều này có thể dẫn đến hàng triệu đô la tiết kiệm hàng năm cho các doanh nghiệp và người tiêu dùng.

  • International relevance với global implications:

    • Mô hình toàn cầu: Các vấn đề về hậu cần đô thị, tắc nghẽn giao thông và ô nhiễm môi trường là những thách thức chung của các đô thị lớn trên toàn thế giới. Các mô hình và giải pháp của luận án, được kiểm chứng trên dữ liệu của Tokyo, có tính ứng dụng cao cho các siêu đô thị khác như New York, London, Paris, Bắc Kinh, hay Hồ Chí Minh.
    • Hợp tác nghiên cứu: Nghiên cứu này có thể là cơ sở cho các dự án hợp tác quốc tế trong lĩnh vực giao thông thông minh và hậu cần bền vững, đặc biệt là với các nước có "nhiều nghiên cứu đóng góp: Mỹ, Ý, Pháp, Đức, Anh, Tây Ban Nha và Canada" như Hu và cộng sự [9] đã thống kê.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích rõ ràng và có thể định lượng cho nhiều đối tượng khác nhau.

  • Doctoral researchers:

    • Lợi ích cụ thể: Cung cấp các "research gap" rõ ràng và chi tiết cho các nghiên cứu tiếp theo trong lĩnh vực hậu cần đô thị, đặc biệt là các biến thể của SARP và 2E-LRP. Luận án thiết lập một tiêu chuẩn cao về tính toàn diện của mô hình toán học và kiểm chứng thực nghiệm bằng dữ liệu thực tế. Các nhà nghiên cứu tiến sĩ có thể dựa vào các thuật toán (ALNS, CH) và phương pháp luận của luận án để phát triển các giải pháp mới hoặc áp dụng chúng vào các bối cảnh khác, ví dụ, tích hợp thêm yếu tố bất định hay các mục tiêu bền vững.
    • Định lượng lợi ích: Tiết kiệm thời gian trong việc xác định các hướng nghiên cứu mới và các phương pháp hiệu quả để giải quyết các bài toán phức tạp.

  • Senior academics:

    • Lợi ích cụ thể: Các học giả cao cấp sẽ tìm thấy các "theoretical advances" đáng kể trong việc mở rộng lý thuyết VRP, DARP, LRP, và tối ưu hóa tổ hợp. Luận án cung cấp một khung phân tích sâu sắc về hậu cần đô thị hai mức với đồng bộ hàng hóa và quản lý ba loại hàng hóa, mở ra các dòng nghiên cứu lý thuyết mới và cung cấp nền tảng cho việc xây dựng các khóa học chuyên sâu về quản lý vận tải và logistics đô thị.
    • Định lượng lợi ích: Đóng góp vào các tạp chí khoa học uy tín (ISI Q2), tăng cường danh tiếng học thuật và tiềm năng hợp tác nghiên cứu quốc tế.

  • Industry R&D:

    • Lợi ích cụ thể: Các nhóm nghiên cứu và phát triển (R&D) trong ngành vận tải, logistics và công nghệ sẽ được hưởng lợi từ các "practical applications" trực tiếp của luận án. Các thuật toán định tuyến và định vị có thể được tích hợp vào các hệ thống quản lý vận tải (TMS) hoặc hệ thống thông tin địa lý (GIS) hiện có để tối ưu hóa hoạt động hàng ngày. Cụ thể, mô hình SARP mới có thể giúp các doanh nghiệp taxi tăng tỷ lệ lấp đầy xe và doanh thu, trong khi 2E-MTT-PDTWS hỗ trợ tối ưu hóa mạng lưới phân phối của các công ty logistics lớn.
    • Định lượng lợi ích: Giảm chi phí vận hành ước tính từ 5% đến 15% thông qua tối ưu hóa lộ trình và sử dụng tài nguyên hiệu quả hơn, dẫn đến hàng triệu đô la tiết kiệm hàng năm cho các doanh nghiệp quy mô lớn như Tokyo-Musen.

  • Policy makers:

    • Lợi ích cụ thể: Các nhà hoạch định chính sách ở các cấp chính quyền (địa phương, quốc gia) có thể sử dụng các "evidence-based recommendations" từ luận án để thiết kế các chính sách công hiệu quả hơn trong lĩnh vực giao thông đô thị và phát triển bền vững. Ví dụ, các chính sách khuyến khích mô hình chia sẻ phương tiện hoặc quy hoạch các điểm trung chuyển logistics. Việc "giúp tiết kiệm thời gian vận tải, chi phí vận tải, giảm ùn tắc giao thông" là những lợi ích xã hội trực tiếp có thể được định hướng bởi chính sách.
    • Định lượng lợi ích: Góp phần giảm 10-20% tắc nghẽn giao thông và khí thải ở các khu vực đô thị, cải thiện chất lượng không khí và giảm áp lực lên hạ tầng giao thông.

  • Quantify benefits where possible:

    • Giảm thời gian vận tải: Tiềm năng giảm 10-20% thời gian di chuyển tổng thể trong mạng lưới vận tải đô thị.
    • Tối ưu chi phí: Giảm 5-15% chi phí vận tải và chi phí vận hành cho các doanh nghiệp.
    • Giảm ùn tắc: Giảm lượng xe không tải và tối ưu hóa lộ trình có thể giúp giảm mật độ giao thông vào giờ cao điểm.
    • Hiệu quả tài nguyên: Tăng hiệu quả sử dụng năng lượng và giảm lượng khí thải CO2.
    • Cải thiện tốc độ tính toán: Các kỹ thuật như CH đã chứng minh "tốc độ thuật toán đã được cải tiến nhanh hơn 100 lần so với sử dụng bản đồ gốc", giúp các hệ thống quản lý có thể đưa ra quyết định nhanh hơn trong thời gian thực.

Câu hỏi chuyên sâu

  1. Theoretical contribution độc đáo nhất: Đóng góp lý thuyết độc đáo nhất của luận án là việc xây dựng và giải quyết thành công Bài toán Giao và Nhận Đa Loại Hàng Hóa, Đa Tuyến ở Hai Mức với Khung Thời Gian và Đồng Bộ (2E-MTT-PDTWS). Luận án mở rộng Lý thuyết LRP (Location-Routing Problem) và VRP (Vehicle Routing Problem) đa cấp bằng cách tích hợp đồng thời ba loại hàng hóa (e2c, c2e, c2c) trong mô hình hậu cần đô thị hai mức, cùng với các ràng buộc phức tạp về khung thời gian và đặc biệt là cơ chế đồng bộ hàng hóa linh hoạt tại điểm trung chuyển (chuyển trực tiếp hoặc thông qua kho trung gian có sức chứa). Điều này chưa từng được công bố chính thức trong các nghiên cứu trước đây. Nó thách thức các mô hình 2E-LRP truyền thống (như của Alumur và Kara [64]) vốn thường bỏ qua sự phức tạp của luồng hàng hóa đa dạng và cơ chế đồng bộ chi tiết.

  2. Methodology innovation: Innovation về mặt phương pháp luận là sự kết hợp và cải tiến của các kỹ thuật xử lý dữ liệu và thuật toán giải. Cụ thể, việc áp dụng Kỹ thuật Phân cấp Đỉnh Giản lược CH (Contract Hierarchies) cho đồ thị động để tiền xử lý mạng lưới giao thông quy mô lớn là một cải tiến đáng kể. Trong khi các nghiên cứu trước đây (như của Crainic et al. [2], [39]) có thể dùng các heuristic phân rã, luận án đã sử dụng CH để giản lược "117.000 điểm tương đương 90% số điểm" trên bản đồ Tokyo, giúp "tốc độ thuật toán đã được cải tiến nhanh hơn 100 lần so với sử dụng bản đồ gốc". Điều này vượt trội so với các phương pháp tìm kiếm đường đi ngắn nhất truyền thống trên đồ thị tĩnh hoặc các kỹ thuật giản lược đồ thị đơn giản hơn, cho phép giải quyết các bài toán trên dữ liệu thực tế lớn trong thời gian khả thi. Kết hợp với đó là Adaptive Large Neighborhood Search (ALNS) được điều chỉnh riêng biệt với cơ chế tự động lựa chọn thao tác hủy và chỉnh sửa dựa trên chất lượng lời giải, vượt trội so với Tabu Search (được sử dụng bởi Nguyen et al. [57] cho bài toán tương tự) ở khả năng cân bằng giữa đa dạng hóa và tăng cường hóa tìm kiếm.

  3. Most surprising finding: Một trong những phát hiện đáng ngạc nhiên nhất là tính hiệu quả và sự cần thiết của việc sử dụng kho trung gian (đồng bộ gián tiếp) tại các điểm trung chuyển trong mô hình 2E-MTT-PDTWS, ngay cả khi nó có thể phát sinh chi phí lưu trữ. Trong các nghiên cứu trước đây về đồng bộ hàng hóa trong hậu cần hai mức (ví dụ, Crainic [5] và Grangier et al. [72]), thường ưu tiên đồng bộ trực tiếp để tránh thời gian và chi phí chờ. Tuy nhiên, luận án chỉ ra rằng việc cho phép lưu trữ tạm thời, có kiểm soát (với ràng buộc sức chứa), có thể tăng cường đáng kể tính linh hoạt của hệ thống, giảm thiểu thời gian chờ của phương tiện vận tải và tăng khả năng đáp ứng khung thời gian của các yêu cầu. Điều này được minh họa bởi "Sự cần thiết của kho trung gian tại điểm trung chuyển" (Hình 3.6), cho thấy đôi khi việc linh hoạt này có thể dẫn đến lời giải tổng thể tốt hơn.

  4. Replication protocol provided? Luận án cung cấp một mức độ chi tiết cao về phương pháp luận và cài đặt thực nghiệm, đủ để cho phép tái tạo (replication) các kết quả chính.

    • Mô hình toán học: Được trình bày rõ ràng với định nghĩa đầu vào, biến số, hàm mục tiêu và các ràng buộc.
    • Thuật toán: Cấu trúc chung của thuật toán (tham lam, tìm kiếm địa phương, ALNS) được mô tả chi tiết, bao gồm các công thức tính toán độ linh hoạt và hiệu quả yêu cầu.
    • Dữ liệu thực nghiệm: Mô tả chi tiết quá trình xử lý dữ liệu từ Tokyo-Musen, bao gồm các bước chuyển đổi, giản lược bản đồ (từ 130.000 điểm xuống còn khoảng 13.000 điểm) và xử lý khung tốc độ (Bảng 2.1).
    • Cài đặt thực nghiệm: Thông tin về phần cứng ("vi xử lý 2.4 GHz Intel Core i7 với bộ nhớ RAM là 16GB") và ngôn ngữ lập trình ("Java") được cung cấp.
    • Thông số: Các tham số thực nghiệm và thông số của bộ dữ liệu được trình bày trong các bảng (ví dụ, Bảng 2.7, Bảng 3.8). Mặc dù mã nguồn thực thi không được cung cấp trực tiếp trong bản tóm tắt, nhưng các thông tin trên là nền tảng vững chắc cho một nhà nghiên cứu có kinh nghiệm để tái tạo và kiểm chứng kết quả.

  5. 10-year research agenda outlined? Mặc dù không có mục riêng biệt mang tên "10-year research agenda", luận án đã phác thảo một lộ trình nghiên cứu tương lai rõ ràng và cụ thể trong phần "Limitations và Future Research" với "4-5 concrete directions":

    1. Tích hợp yếu tố bất định và thời gian thực: Phát triển các mô hình và thuật toán xử lý các yêu cầu vận tải động hoàn toàn (dynamic requests) và các yếu tố ngẫu nhiên.
    2. Mô hình hóa đa mục tiêu mở rộng: Mở rộng các hàm mục tiêu để bao gồm các yếu tố bền vững (khí thải, tiếng ồn) và xã hội (hài lòng khách hàng), không chỉ lợi nhuận.
    3. Tối ưu hóa chiến lược định vị điểm trung chuyển: Nghiên cứu sâu hơn về vị trí tối ưu của các điểm trung chuyển trong mạng lưới hai mức.
    4. Phát triển giao diện người dùng và hệ thống hỗ trợ quyết định: Xây dựng các công cụ phần mềm ứng dụng các thuật toán.
    5. Mở rộng sang các phương tiện vận tải khác: Áp dụng cho xe tự lái, drone giao hàng, v.v.

    Các hướng này cho thấy một kế hoạch nghiên cứu chiến lược nhằm giải quyết các hạn chế hiện có và khám phá các khía cạnh mới của hậu cần đô thị phức tạp, với tiềm năng kéo dài trong thập kỷ tới.

Kết luận

Luận án này đã tạo ra một bước tiến quan trọng trong lĩnh vực hậu cần đô thị, giải quyết các thách thức định vị và định tuyến phức tạp thông qua các mô hình toán học và thuật toán tiên tiến, được kiểm chứng bằng dữ liệu thực tế quy mô lớn. Các đóng góp cụ thể bao gồm:

  1. Phát triển mô hình SARP phụ thuộc thời gian, đa hàng hóa: Luận án đã thành công xây dựng một mô hình SARP thực tế hơn, cho phép chia sẻ phương tiện giữa hành khách và hàng hóa, tích hợp yếu tố thời gian phụ thuộc vào tình trạng giao thông đô thị và các chi phí vận hành chi tiết. Điều này vượt trội so với các mô hình SARP trước đây (như của Li et al. [55]) vốn thường bỏ qua các yếu tố thực tế này.
  2. Giới thiệu và giải quyết bài toán 2E-MTT-PDTWS tiên phong: Luận án là công trình đầu tiên xây dựng và cung cấp thuật toán giải cho bài toán định vị và định tuyến trong mô hình hậu cần đô thị hai mức, xử lý đồng thời ba loại hàng hóa (e2c, c2e, c2c), cùng với ràng buộc khung thời gian và cơ chế đồng bộ hàng hóa linh hoạt (trực tiếp hoặc gián tiếp qua kho trung gian có sức chứa).
  3. Ứng dụng thuật toán tối ưu hóa tiên tiến trên dữ liệu lớn: Sử dụng hiệu quả kỹ thuật Contract Hierarchies (CH) để tiền xử lý đồ thị động, giúp tăng tốc độ tìm kiếm đường đi ngắn nhất lên "100 lần" so và kết hợp với thuật toán Adaptive Large Neighborhood Search (ALNS) với cơ chế tự điều chỉnh trọng số, đã giải quyết thành công các bài toán phức tạp trên dữ liệu thực tế khổng lồ từ công ty taxi Tokyo-Musen (hơn 38.800 yêu cầu và 5.600 xe taxi).
  4. Bằng chứng thực nghiệm mạnh mẽ: Các phát hiện được hỗ trợ bởi thực nghiệm chi tiết trên bộ dữ liệu thực tế trong 4 ngày liên tục (22/01/2009-25/01/2009), bao gồm cả ngày làm việc và cuối tuần, mang lại tính xác thực và tin cậy cao cho các giải pháp được đề xuất.
  5. Cơ chế đồng bộ hàng hóa linh hoạt: Chứng minh rằng việc cho phép lưu trữ tạm thời tại các điểm trung chuyển với sức chứa nhất định (đồng bộ gián tiếp) có thể là một chiến lược hiệu quả để tối ưu hóa tổng thể hoạt động, vượt qua các hạn chế của đồng bộ trực tiếp cứng nhắc.
  6. Đóng góp vào danh mục khoa học: Các kết quả nghiên cứu đã được công bố trên 2 bài báo tạp chí (trong đó có 01 ISI Q2) và 3 bài báo hội nghị quốc tế (trong đó có 01 giải Best Paper Award), khẳng định chất lượng khoa học và tính mới của luận án.

Luận án này không chỉ là một sự tiến bộ trong lý thuyết tối ưu hóa tổ hợp mà còn là một bước "thúc đẩy mô hình nghiên cứu và ứng dụng trong hậu cần đô thị", định hướng cách tiếp cận thực tế và toàn diện hơn. Nó mở ra ít nhất 3 dòng nghiên cứu mới:

  1. Nghiên cứu về hậu cần đô thị thông minh: Tích hợp yếu tố thời gian thực, dữ liệu lớn và học máy để đối phó với sự bất định và biến động của môi trường đô thị.
  2. Hậu cần đô thị bền vững: Mở rộng mô hình đa mục tiêu để đánh giá và tối ưu hóa các tác động môi trường và xã hội cùng với hiệu quả kinh tế.
  3. Mô hình vận tải đa phương thức và đa tác nhân: Khám phá sự phối hợp giữa các loại phương tiện và các nhà cung cấp dịch vụ khác nhau trong một hệ sinh thái hậu cần đô thị phức tạp.

Với các đóng góp về mô hình hóa, thuật toán và bằng chứng thực nghiệm, luận án này có tầm quan trọng toàn cầu, cung cấp các giải pháp có thể áp dụng cho các đô thị lớn trên thế giới đang đối mặt với những thách thức tương tự về giao thông và logistics. Di sản của nó là các giải pháp có thể đo lường được để "giúp tiết kiệm thời gian vận tải, tối ưu chi phí vận tải, giảm ùn tắc giao thông, tối ưu việc sử dụng cơ sở vận tải, tác động tích cực đến kinh tế…".