基于增强2SFCA与智能算法的快递服务设施显性可达性公平性优化研究——以广州为例

为解决快递服务设施显性可达性（revealed accessibility）评估不足及空间公平性优化难题，研究人员结合增强两步移动搜索法（2SFCA）、遗传算法（GA）与随机森林（RF），以广州为案例开展布局优化研究。结果显示优化后基尼系数（Gini coefficient）降低17.8%，为物流规划与空间正义（spatial justice）理论提供实证支持，助力SDG 11目标实现。

　　

随着电子商务的爆炸式增长，快递服务设施（express service amenities）已成为城市“最后一公里物流”（last-mile logistics）的核心环节。然而，现有研究多聚焦潜在可达性（potential accessibility），忽视基于实际服务数据的显性可达性（revealed accessibility）评估，导致设施布局与真实需求脱节。更棘手的是，传统优化方法常忽略设施类型差异（如区域配送中心与社区服务站的服务能力差异），进一步加剧空间不公平。这种现状与联合国可持续发展目标（SDG 11）倡导的包容性城市发展背道而驰。

为破解这一难题，广东某研究团队在《Applied Geography》发表论文，提出融合空间分析与机器学习的新型优化框架。研究以广州为案例，发现其快递设施可达性基尼系数高达0.943，呈现“城区高、郊区低”的显著空间失衡。通过遗传算法同步优化设施位置与类型，结合随机森林验证类型分配策略，最终将基尼系数降低至0.775，实现公平性提升17.8%。这一成果不仅为物流规划提供量化工具，更将市场驱动与空间正义理论（spatial justice）有机衔接。

关键技术方法
研究采用增强两步移动搜索法（2SFCA）量化显性可达性，突破传统固定服务半径限制，整合实际快递配送数据动态划定服务范围。基于广州市10亿级快递量统计数据及POI（兴趣点）数据，构建多源地理空间数据库。优化阶段通过遗传算法（GA）并行搜索设施位置与类型组合，随机森林（RF）模型则依据人口密度、路网特征等变量验证类型分配合理性。

研究结果

1. 显性可达性的空间特征
   城区（如越秀、荔湾、海珠区）可达性显著高于白云、黄埔等郊区，空间分异线（AB线）西北-东南走向清晰。高值区集中于商业密集带，揭示物流设施布局与经济活动高度耦合。

2. 公平性评估
   洛伦兹曲线（Lorenz curve）显示20%人口占据65%服务资源，基尼系数0.943远超警戒线（0.4），证实服务资源分配严重失衡。

3. 优化效果验证
   通过GA-RF框架调整设施类型（如将社区站升级为区域中心），郊区服务覆盖率提升23%，整体基尼系数降至0.775，优化方案显著缩小城乡差距。

结论与意义
该研究首次将设施类型作为动态变量纳入物流优化模型，证实类型适配比单纯增加设施数量更能提升公平性。方法论上，增强2SFCA与智能算法的结合为可达性研究提供新范式；实践层面，成果直接支持广州物流规划，并为快速城市化地区落实SDG 11提供可复制路径。未来研究可扩展至冷链物流等细分领域，进一步验证框架普适性。