基于站点运行健康诊断与公平再平衡的共享单车动态调度研究
摘要
共享单车系统的运行困难并不主要来自车辆总量不足，而来自车辆在时间和空间上的错配。住宅、商业、办公及交通接驳区域具有明显不同的出行节律，车辆在高峰期持续向少数区域集中，使"缺车"与"淤积"同时发生。针对赛题给出的 50 个固定站点、30 个历史观测日的小时存量、日借还量及站点区位信息，本文建立"长期健康诊断---短期库存再平衡---低健康站点优先纠偏"的统一决策框架。
站点评价部分以供需匹配、周转利用和区位重要性为三个一级维度。供需匹配不以平均库存替代运行风险，而是直接利用赛题规定的 20％ 缺车线和 85％ 淤积线识别小时级异常状态，并结合库存中心偏离和长期借还失衡刻画站点的结构性供需矛盾；周转利用以单位容量业务流量和单车服务效率衡量资源使用程度；区位重要性则由人口密度、商业设施、地铁出入口和公交站台反映。考虑到三个一级维度所含指标数量并不相同，采用分层 CRITIC 客观赋权，先进行维度内部赋权，再对三个维度二次赋权，以避免"指标数量越多、累计权重越大"的结构性偏差。计算结果显示，供需匹配、周转效率和区位重要性的权重分别约为 29.90％、39.79％ 和 30.30％。50 个站点最终划分为 7 个优秀、13 个良好、11 个一般、13 个紧张和 6 个瘫痪站点。S024、S016、S013、S032、S006、S034 位于综合评价末端，其中多数表现为高库存、频繁淤积，而非简单缺车。对指标权重实施 ±20％ 随机扰动 2000 次后，综合排序与原排序的平均 Spearman 相关系数约为 0.997，说明核心问题站点的识别具有较强稳定性。
调度部分将夜间车辆重新配置处理为具有库存约束、车辆容量约束、时间约束和服务公平要求的开放式取送货车辆路径问题。由于附件并未给出题目所称的"次日 7：00---9：00 预计借车需求量"，为使整套方案能够完整展示数值结果，本文另外设置一个可替换的压力测试情景：以最近 7 个观测日 7：00 存量的递增权重均值作为次日 7：00 基准库存，并以近期日借车量的加权水平构造早高峰压力需求。该需求仅用于演示第二、三问的完整求解过程，正式参赛时应直接替换为赛题平台给定的实际预测需求，不改变模型结构。在最低满足率约束设为 90％ 的参考情景下，成本优先方案使用 2 辆调度车，共转移 56 辆共享单车，参考行驶里程约 101.11 km，总调度成本约 402.21 元；调度后全站平均满足率由约 93.60％ 提高至 98.16％，最低满足率由 50.00％ 提高至 90.00％。
进一步将健康评价结果嵌入调度后发现，"低健康"并不意味着一律补车。S024、S013 等站点的主要问题是淤积，正确的优先干预是向外调出车辆。由此构建方向敏感型健康公平机制，对缺车主导的低健康站优先补入，对淤积主导的低健康站优先调出。公平增强方案将 56 辆调出车辆全部优先取自 S024、S016 和 S013 三个瘫痪级且淤积主导站点，仍能维持相同的需求满足水平，总成本约 442.03 元，较成本优先方案增加约 9.90％，但瘫痪站点承担的主动纠偏车辆比例由约 30.4％ 提高到 100％。结果说明，适度增加约一成运营成本即可同时处理短期早高峰缺车和长期淤积顽疾，使调度从"哪里缺车就往哪里搬"转变为兼顾网络长期健康的主动再平衡。
全套成品资料参考地址：
**关键词：**共享单车；潮汐效应；CRITIC；健康评价；库存再平衡；车辆路径；公平调度
一、问题分析与总体研究思路
共享单车的"潮汐效应"具有双重含义。一方面，车辆在早晚高峰形成明显的方向性迁移，使部分站点短时间内丧失借车能力；另一方面，车辆会长期停留在某些流入型站点，形成较稳定的高库存状态。如果评价体系只关注当日借车量，可能把一个高需求但频繁空车的站点评价为"优秀"；如果只关注平均库存，则又可能把一个早晨接近空站、晚上接近满站、全天平均恰好位于 50％ 左右的站点误判为健康。因此，本题的难点不在于简单计算一个综合得分，而在于区分"需求旺盛""运行高效"和"供需健康"三个不同概念。
已有共享交通研究长期将再平衡视为决定系统服务水平的重要运营问题。Raviv、Tzur 和 Forma 将共享单车静态再平衡表述为车辆路径与站点装卸数量的联合决策问题；Schuijbroek 等进一步指出，大规模站点的服务水平约束与车辆路径同时优化计算困难，采用"先形成服务可行的站点组合，再优化路线"的思路具有较好的实际可操作性。36 本文沿用这一思想，但不直接照搬传统模型，而是把赛题第一问的健康评价嵌入调度，使长期诊断能够影响第二天的车辆来源、车辆去向和调度优先级。
整个研究可以概括为一条连续决策链：
历史小时库存与借还数据 → 识别缺车、淤积及周转特征 → 计算站点综合健康度 → 判断低健康产生的方向 → 获取次日早高峰需求和基准库存 → 识别需要补车与可以供车的站点 → 联合决定调度数量和车辆路线 → 检验满足率 → 加入健康公平机制重新优化 → 比较经济成本与长期健康改善。
这种结构有一个重要区别：第一问的结果不是第三问临时附加的权重，而是第二问库存再平衡决策的一部分。评价、调度和公平因此构成统一逻辑。
附件数据核查显示，基础信息包含 50 个站点；历史存量数据共有 36000 条，即 50 个站点、30 个观测日、每天 24 个小时的完整组合；用户需求数据共有 1500 条，即 50 个站点各 30 个日借还记录。三张表没有实质性缺失，历史库存也没有出现负值或超过额定容量的物理异常。数据中的日期写作"2026－01"至"2026－30"，由于存在"2026－13"等记录，显然不宜理解为自然月份，本文将其统一解释为第 1 至第 30 个连续历史观测日。这个处理避免了对日期变量的错误使用。
从全网小时库存率观察，凌晨时段整体库存率约处于六成以上，6：00 后开始明显下降，7：00---9：00 进入低库存阶段；17：00 后库存快速恢复并在 18：00---19：00 接近全天高点。数据本身已经呈现出题目描述的典型潮汐结构，因此后续评价必须保留小时信息，不能把 720 个小时简单压缩成一个均值。
二、问题一：50 个站点健康度评价
健康度定义为"站点在既定容量和区位条件下，持续提供可借、可还服务并保持车辆有效周转的能力"。这一概念包含稳定性、效率和重要程度，却不把"高需求"直接等同于"高健康"。指标选择因此遵循两个原则：能够对应企业实际运营问题，且同一指标不能重复表达已经存在的信息。
供需匹配设置三个指标。其一为"异常状态暴露率"，统计一个站点 720 个历史小时中低于容量 20％ 或高于 85％ 的比例；其二为"库存中心偏离"，衡量站点长期平均库存与健康区间中部的距离，用于识别尚未越过警戒线但已经长期偏高或偏低的站点；其三为"长期借还失衡程度"，比较 30 日累计借车与还车差异，反映车辆持续净流入或净流出的倾向。前两个指标反映结果，第三个指标解释形成结果的业务机制。
周转效率保留两个指标。"容量周转强度"比较每日借还业务量与站点容量，用于判断所配置的停车资源是否被真正使用；"单车服务效率"比较日借车量与站点平均库存，判断一辆实际停放车辆能够贡献多少借车服务。两者共同解决一个常见误区：大站点业务量高，并不意味着其单位资源效率也高。
区位重要性直接使用人口密度、商业设施数量、地铁出入口数量和公交站台数量。这四项并不用于证明某站"健康"，其作用在于估计站点失效的服务损失。两个同样出现 30％ 缺车率的站点，如果其中一个承担大量轨道交通接驳，其运营风险显然更高。区位重要性由此进入综合评价。
CRITIC 方法由 Diakoulaki、Mavrotas 和 Papayannakis 提出，其核心依据是指标自身的差异程度以及与其他指标之间的信息冲突程度，适合在不额外引入专家偏好的情况下确定客观权重。2 原文发表于《Computers & Operations Research》第 22 卷第 7 期，第 763---770 页。 本文进一步进行分层处理。供需三个指标、周转两个指标和区位四个指标分别先计算内部权重，形成三个一级得分；随后再对三个一级得分进行 CRITIC 赋权。这样可以避免区位层因为拥有四个子指标而天然积累更多总权重。
实际计算得到三个一级维度权重约为：
| 一级维度 | 权重 |
|---|---：|
| 供需匹配 | 29.90％ |
| 周转效率 | 39.79％ |
| 区位重要性 | 30.30％ |
九个底层指标折算到最终得分后的参考权重为：
| 指标 | 最终权重 |
|---|---：|
| 单车服务效率 | 21.51％ |
| 容量周转强度 | 18.28％ |
| 借还失衡程度 | 13.52％ |
| 公交站台数量 | 9.80％ |
| 平均库存中心偏离 | 9.13％ |
| 地铁出入口数量 | 8.95％ |
| 异常状态暴露率 | 7.25％ |
| 商业设施数量 | 7.05％ |
| 人口密度 | 4.51％ |
周转指标获得较高权重并不意味着企业应只追求使用量，而说明当前 50 个站点在单位容量和单位库存的服务能力上具有较大的客观差异。供需与区位两部分仍分别占约三成，因此最终排序不存在某一类指标完全支配评价结果的问题。
站点评分归一到百分制后，采用一维五类聚类确定等级边界，而不人为规定"0---20 分为瘫痪"。五个类别依据聚类中心由高到低命名为"优秀""良好""一般""紧张""瘫痪"。这里的"瘫痪"是综合评价中的相对低健康等级，不代表该站在所有历史时刻均完全失去服务能力。
完整分类如下：
| 等级 | 站点及综合得分 |
|---|---|
| 优秀 | S041（69.65）、S038（68.69）、S031（67.42）、S027（67.24）、S023（65.50）、S009（64.92）、S040（64.87） |
| 良好 | S033（61.25）、S008（60.89）、S030（60.79）、S011（60.76）、S012（59.96）、S015（58.60）、S025（57.83）、S014（57.16）、S018（56.71）、S035（55.82）、S042（55.40）、S048（54.58）、S050（54.39） |
| 一般 | S005（53.34）、S049（52.29）、S047（52.18）、S019（50.81）、S045（50.03）、S021（49.63）、S044（49.21）、S029（47.49）、S046（46.74）、S010（45.45）、S037（45.21） |
| 紧张 | S002（44.44）、S036（43.59）、S004（43.54）、S001（43.42）、S003（42.20）、S020（41.32）、S007（40.51）、S043（40.24）、S022（38.67）、S028（38.55）、S039（36.33）、S026（35.89）、S017（35.13） |
| 瘫痪 | S034（31.81）、S006（29.62）、S032（26.93）、S013（24.28）、S016（24.13）、S024（20.83） |
最有价值的结论并不是"谁排最后"，而是最低健康站点为什么排在最后。S024 的历史淤积暴露率约为 20.83％，S013 约为 20.28％，S006 约为 16.81％，S032 约为 15.56％，S034 约为 15.00％；这些站点的平均库存率又普遍超过 70％。由此可见，末端站点的核心问题主要是长期车辆积压。S016 同样偏向淤积，只是同时具有少量缺车时刻。也就是说，如果第三问简单规定"健康分越低，越应该往该站送车"，会得到方向错误的调度。这也是本文后续引入"健康度＋失衡方向"双标签的原因。
敏感性检验不只改变一两个权重，而对九个最终权重在原值附近进行 ±20％ 随机扰动，每次重新归一化并计算排序，共重复 2000 次。平均 Spearman 排名相关系数约为 0.9966，最低仍约为 0.988；后 10 名站点与原结果的平均重合率约为 95％。进一步把分层 CRITIC 替换为分层熵权法后，两套综合排名的 Spearman 相关系数仍约为 0.969。这说明具体名次可能发生小幅变化，但"哪些站点属于主要风险对象"的判断较稳定。
论文中的可视化不宜只画雷达图。最有效的四幅图是：50 站综合评分排序图，用五种颜色显示等级；站点经纬度健康分布图，颜色表示健康等级、点形表示缺车或淤积方向；50×24 的平均库存率热力图，直接展示潮汐时段；2000 次权重扰动后的排名区间图，展示评价稳定性。四幅图分别回答"谁有问题、问题在哪里、什么时候发生、结论是否稳健"。
三、问题二：次日早高峰调度优化
第二问本质上包含两个同时发生的决策：共享单车应该从哪些站移出、移入多少，以及调度车辆怎样依次访问这些站点。Raviv 等把这一类问题归入静态再平衡中的取送货路径问题；Dell'Amico 等也将站点车辆再平衡处理为具有容量和路径约束的组合优化问题。35 Nair 和 Miller-Hooks 的研究进一步说明，当总供给无法覆盖所有近期需求时，重新分配方案必须同时考虑成本和部分需求的服务保障，第 524---540 页给出了随机需求情况下的相关模型。4
赛题要求假定已知次日 7：00---9：00 借车需求，但当前附件没有单独提供这 50 个数。因此，下面的具体路线属于完整论文写作的"补充数值情景"。构造方法保持透明：以最近 7 个观测日的 7：00 库存按越近日期权重越大的方式估计次日 7：00 无调度库存，以近期借车水平构造一组偏压力型早高峰需求。正式提交时，直接把这一列换成组委会给定的需求数据即可，后面的站点缺口识别、路线优化和公平模型完全不用重写。不能把这组示例需求写成"附件原始数据"，这是论文中必须说明的数据边界。
调度目标采用有主次关系的处理方式。企业的第一目标是控制总运营成本，因此成本由"启用车辆固定成本＋实际行驶里程成本"构成；服务公平不与成本任意相加，而被转化为最低服务约束。在参考方案中，要求任何站点的早高峰满足率原则上不低于 90％，并在达到这一标准的全部方案中选择成本最低者。如果正式比赛时间允许，可进一步分别计算 80％、85％、90％、95％ 等服务下限对应的最小成本并绘制成本---服务曲线，从成本开始陡增的位置确定企业最终标准。这样的处理避免了"元"和"百分比"直接线性相加所带来的任意权重问题。
满足率的定义也应保持简洁：调度后 7：00 可用车辆能够覆盖预计 7：00---9：00 借车需求时记为完全满足；库存低于需求时，按照可满足借车数量占预计需求的比例计算。题面没有提供 7：00---9：00 分小时还车预测，因此主模型不依赖高峰期间的新还车辆，相当于采用偏保守估计。以后若获得小时级借还预测，只需把高峰过程库存动态加入模型。
站点可以分成三类。预测库存不足以达到最低满足率的站点是需求节点；库存充足、在向外取车后仍能保证自身最低服务并不低于 20％ 容量警戒值的站点是供给节点；其余站点不进入当夜调度。这样可以避免为了救一个站而人为制造另一个缺车站。
路线优化需要同时满足七项运营要求：启用车辆不能超过 5 辆；任意时刻车载共享单车不能超过 30 辆；站点取车后不能出现负库存，送车后不能超过额定容量；车辆在不同站点的装卸必须保持载荷连续；所有调出的共享单车都必须在其他站点得到对应接收，不能凭空产生或消失；每条线路按照 30 km/h 计算后必须在 3 小时内完成，因此纯行驶距离原则上不能超过 90 km；一个站点在同一轮调度中原则上只承担一种净操作，避免无意义地同时取车和送车。
"单次最大装载量 30 辆"应理解为调度车任意时刻的车载量不超过 30 辆，而不应理解为整条线路累计只能搬 30 辆。例如车辆装 20 辆后卸 15 辆，又可以继续取 15 辆，只要瞬时载荷不突破 30 辆。这个细节会直接影响最少需要多少辆调度车。
站点距离根据经纬度计算球面距离。题目没有道路网络和调度车场位置，因此本文不虚构统一仓库，采用开放式车辆路径：车辆从第一个实际取车节点进入运营路线，到最后一个服务节点结束。若企业日后提供真实车场，只需增加从车场出发和返回车场的距离即可。Schuijbroek 等在第 992---1004 页讨论了共享单车中服务水平与多车路径联合优化，并指出直接大规模混合整数求解十分困难，提出了类似"cluster-first，route-second"的思路。6 因而本文采用"供需分配---空间分组---组内路径优化---跨组反馈"的求解结构。先决定各需求站最少需要补多少辆，再把空间接近且总取送量可平衡的站点组成车辆任务簇，在每个簇内寻找满足载重和时间约束的最短访问顺序。如果某一簇超过 90 km，则重新调整边界站点，直至所有车辆线路可执行。
在补充压力情景中，无调度时 50 站平均预计满足率约为 93.60％，最低仅为 50.00％，站点满足率标准差约为 13.37 个百分点。为把所有站点提高至至少约 90％，共需转移 56 辆共享单车。主要受约束站点如下：
| 站点 | 调度前库存 | 示例早高峰需求 | 调度前满足率 | 补入数量 | 调度后满足率 |
|---|---：|---：|---：|---：|---：|
| S030 | 20 | 40 | 50.00％ | 16 | 90.00％ |
| S038 | 15 | 27 | 55.56％ | 10 | 92.59％ |
| S033 | 25 | 36 | 69.44％ | 8 | 91.67％ |
| S005 | 10 | 18 | 55.56％ | 7 | 94.44％ |
| S009 | 9 | 14 | 64.29％ | 4 | 92.86％ |
| S023 | 18 | 23 | 78.26％ | 3 | 91.30％ |
| S027 | 9 | 13 | 69.23％ | 3 | 92.31％ |
| S048 | 12 | 15 | 80.00％ | 2 | 93.33％ |
| S008 | 20 | 23 | 86.96％ | 1 | 91.30％ |
| S041 | 28 | 32 | 87.50％ | 1 | 90.63％ |
| S046 | 21 | 24 | 87.50％ | 1 | 91.67％ |
其余站点在该 90％ 服务门槛下无需额外补车。
成本优先方案最终使用 2 辆调度车。推荐路线及操作如下。
调度车 1：
S017 取 9 辆 → S023 卸 3 辆 → S022 取 22 辆 → S041 卸 1 辆 → S030 卸 16 辆 → S033 卸 8 辆 → S032 取 17 辆 → S005 卸 7 辆 → S038 卸 10 辆 → S027 卸 3 辆。
该路线总里程约 58.24 km，预计纯行驶时间约 116.5 min，最大瞬时载荷为 28 辆，没有超过 30 辆上限。
调度车 2：
S049 取 4 辆 → S009 卸 4 辆 → S029 取 4 辆 → S048 卸 2 辆 → S046 卸 1 辆 → S008 卸 1 辆。
总里程约 42.86 km，预计纯行驶时间约 85.7 min，最大瞬时载荷仅 4 辆。
两辆车合计约 101.11 km。固定成本为 200 元，里程成本约为 202.21 元，因此总调度成本约为 402.21 元。全部路线均低于 90 km 的三小时理论距离上限。
调度后平均满足率由约 93.60％ 提高至 98.16％ ，最低满足率由 50.00％ 提高至 90.00％ ，满足率标准差由约 13.37 个百分点下降到 3.37 个百分点。这里平均满足率提高并不是最重要的变化，更关键的是最差站点被显著抬升。单看平均值容易掩盖少数严重缺车站，而最低满足率和离散程度能够直接体现服务公平改善。
四、问题三：健康评价与调度公平性的联动
第三问如果只把第一问综合分乘上一个权重，模型虽然形式完整，却容易产生错误决策。第一问已经表明，最低健康站点中的 S024、S013、S006、S032、S034 具有显著淤积属性。健康度低反映"需要干预"，并不直接规定车辆运动方向。因此本文把站点状态拆成两个标签：一个是综合健康等级，决定干预紧迫程度；另一个是失衡方向，决定应该补车还是调出。
具体规则可以写成一个运营优先矩阵：瘫痪且缺车主导的站点获得最高补车优先级；瘫痪且淤积主导的站点获得最高取车优先级；紧张站点采用第二等级；一般站点只在满足基本经济性时参与；优秀与良好站点原则上不接受额外纠偏，但在自身服务不受损的前提下可以作为普通供给站。由此解决"健康分最低站点到底应该加车还是减车"的方向问题。
在成本优先方案中，56 辆调出车辆来自 S032、S022、S017、S049 和 S029 等站点，其中真正来自"瘫痪"等级站点的车辆为 17 辆，占约 30.4％。这一方案在短期成本上较优，却没有充分利用调度机会处理 S024、S016、S013 等长期淤积严重的末端站点。
公平增强方案保持需求端的 90％ 服务标准不变，把"优先改善最低健康站点"加入决策。由于 S024、S016、S013 三站均属于瘫痪等级并表现为淤积主导，因此优先从这三个站抽取车辆。三个站能够分别安全调出 24、16 和 16 辆，共计 56 辆。取车以后，它们 7：00 时的库存仍高于容量 20％ 的警戒线，而且保留的车辆能够覆盖自身示例早高峰借车需求，因此不会为了帮助其他站而制造新的短期缺车。
公平方案的车辆路线为：
调度车 1：
S013 取 16 辆 → S046 卸 1 辆 → S048 卸 2 辆 → S008 卸 1 辆 → S009 卸 4 辆 → S023 卸 3 辆 → S030 卸 5 辆。
行驶里程约 77.52 km，预计行驶时间约 155.0 min，最大载荷 16 辆。
调度车 2：
S024 取 24 辆 → S027 卸 3 辆 → S038 卸 10 辆 → S005 卸 7 辆 → S016 取 16 辆 → S033 卸 8 辆 → S041 卸 1 辆 → S030 卸 11 辆。
行驶里程约 43.50 km，预计行驶时间约 87.0 min，最大瞬时载荷 24 辆。
总里程约 121.02 km，总成本约为 442.03 元。
两种方案的核心差异如下：
| 指标 | 成本优先方案 | 健康公平方案 | 变化 |
|---|---：|---：|---：|
| 调度车数量 | 2 | 2 | 不变 |
| 调度车辆数 | 56 | 56 | 不变 |
| 总里程 | 101.11 km | 121.02 km | ＋19.91 km |
| 总成本 | 402.21 元 | 442.03 元 | ＋9.90％ |
| 平均满足率 | 98.16％ | 98.16％ | 基本不变 |
| 最低满足率 | 90.00％ | 90.00％ | 不变 |
| 瘫痪站调出车辆占比 | 约 30.4％ | 100％ | 显著提高 |
| 是否集中处理 S024、S016、S013 | 否 | 是 | 长期健康改善 |
这一结果给第三问提供了比"公平方案成本增加、所以有利有弊"更深入的解释。健康公平机制并没有平均地把资源分给所有低分站点，而是利用同一次夜间调度同时完成两个任务：需求端仍然保证早高峰服务，供给端则优先清理长期淤积严重的低健康站点。增加的约 39.82 元并没有换来更高的短期平均满足率，而是换来了长期系统风险的主动纠偏。
因此可以定义企业实际更关心的"纠偏公平"，而非简单"结果相同"。如果一个站点长期处于淤积状态，它获得公平照顾的方式应是优先移走积压车辆；如果一个站点长期缺车，则公平照顾表现为优先获得补车。公平的对象是站点所承受的长期运行劣势，而非机械地让所有站点得到相同数量的车辆。
从管理决策看，约 9.9％ 的成本增幅是否值得接受，取决于企业对长期健康的价值判断。如果只经营一天，402.21 元方案更经济；如果类似潮汐结构每日重复，持续忽略 S024、S016、S013 等站点会使企业反复支付后续搬运成本，并长期占用停车资源。此时健康公平方案可能在多日尺度下具有更低的累计成本。因此第三问真正揭示的是时间尺度差异：第二问解决"明早能不能借到车"，第三问解决"每天都这样调下去，整个系统会不会越来越健康"。
五、模型评价、企业建议与结论
这套模型最重要的特点在于三个问题之间存在明确的数据传递。第一问输出的不只是健康分数，还包括"缺车主导／淤积主导"的状态解释；第二问输出的不只是路线，还包括每个站点调度后的服务水平；第三问再根据长期健康状况改变供给站和需求站的优先级。因此评价不会停留在报表层面，调度也不会脱离历史运行状态。
企业实际应用可以采用"两种时间尺度"的管理机制。健康评价属于慢变量，每周或每月使用最近 30 天数据重新计算一次，识别长期缺车、长期淤积、低周转和重要接驳站；夜间调度属于快变量，每天根据最新库存和次日需求重新计算。可以把这种机制概括为"周度体检、日度治疗"。当某站连续多个评价周期处于瘫痪或紧张等级时，就不宜再单纯依靠每天搬车，而应进一步研究站点容量、选址和周边功能区配置。
S024、S013、S006、S032、S034 等淤积主导站点应被视为稳定车辆供给源，同时研究是否存在容量配置偏大、晚高峰流入过强的问题；长期缺车主导的站点则应提高早高峰预置库存，并设置比 20％ 更早触发的运营预警。低周转站点即使没有明显缺车或淤积，也可能说明停车资源配置过剩，应考虑缩减投放或调整位置。地铁和公交接驳重要站的警戒标准则应更严格，因为一次缺车造成的服务损失明显高于普通站。
论文应主动承认几个局限。附件没有真实道路网络，球面距离只能近似夜间驾驶里程；没有调度车场位置，因此本文采用开放式路线；没有装卸服务时间，三小时约束只使用行驶时间检验；没有正式的次日早高峰预测需求，因此本文第二、三问数值结果属于补充压力测试场景；需求数据只有日借还总量，无法恢复每小时真实借还流，因此不能把小时库存下降完全解释成借车量。若进一步完善，可引入真实路网距离、站点级小时借还预测、天气、工作日／节假日和大型活动变量，并把确定性调度扩展为随机或鲁棒优化。Dell'Amico 等在随机需求再平衡研究中也指出，需求不确定性会改变再平衡方案的设计，第 362---380 页给出了相关讨论。7
综合而言，赛题中的核心矛盾并非车辆总量，而是有限车辆如何在空间上持续处于正确的位置。本文通过分层 CRITIC 识别长期健康差异，再通过库存再平衡和开放式车辆路径模型保障次日早高峰，随后利用"健康等级＋失衡方向"构建公平纠偏机制。实际数据表明，低健康站点相当一部分属于长期淤积型，因此简单地把低分解释成"需要更多车"会产生决策性错误。在补充情景下，成本优先方案使用 2 辆调度车、成本约 402.21 元即可把最低满足率由 50％ 提高至 90％；健康公平方案以约 9.9％ 的额外成本，使全部调出车辆集中来源于 S024、S016、S013 三个长期低健康淤积站点，同时不降低需求端服务水平。
由此，企业更合理的运营模式应从"缺车以后再搬车"转向"长期健康识别---次日需求预判---夜间提前再平衡---低健康站持续纠偏"。其管理价值并不局限于减少一次调度费用，而在于逐步降低系统对人工搬运的长期依赖，使车辆空间分布与真实需求结构逐渐趋于一致。