养老服务站选址的权衡面收敛与结构压力：全方案景观、容量线与老龄化（优秀范文三）

摘要

范文一已做需求评估、三模型选址、资源配置与 TOPSIS 评价，范文二做了公平性视角。但方案决策真正落地前，还有两个悬而未决的问题：所有 C(8,p) 候选方案长什么样、有没有"看似可选实则被容量/老化逼入墙角"的坑。本文换一个更贴近"方案面与结构压力"的角度，复用范文一的真源与模型，对 56 个三站方案等全部候选组合做全景观扫描，新增八组实验，得到四个被"MCLP 最优解"掩盖的事实：第一，方案面收敛异常清晰——C(8,3) 的 56 个组合中，站[1,3,6] 同时是最大覆盖最优（覆盖 100%）、p-中位最优（步行 3028）与三维 Pareto 唯一非劣解，说明覆盖、可达、公平三个准则没有真实冲突，一个方案全部满足；第二，容量挤压把"纸面覆盖"打回原形——纸面覆盖与超半径需求强负相关（r≈-0.93），即便 p=4，容量不足的站仍会把 43% 需求挤出半径，纸面 100% 覆盖 ≠ 实际可达；第三，当前方案已处于容量高压——基准 3 站方案在现有需求下站 3 利用率已达 116%（超容），需求放大 1.1 倍即冲到 155%、1.2 倍 170% 且 2 站超容，老龄化是本方案最迫切的命门；第四，参数弹性与拐点清晰——人员需求对服务能力不敏感（48→56 人/员工仅省 2 人），床位配比 0.3→0.5 使床位 208→346 张，p=3 是覆盖拐点（p≥4 边际增益归零）、R=10 是半径默认（8→需 4 站、12→只需 2 站）。

一、问题重述与数据

赛题要求为嵌入式社区养老服务站做"选址+配置+评价"。范文一给出 12 个小区、8 个候选站、路由网步行时间矩阵，用最大覆盖 MCLP/集合覆盖/p-中位三模型选址，M/M/c 定员+床位配置，熵权 TOPSIS 评价，并做预算/需求灵敏度。范文二从公平性视角责问"平均掩盖了谁"。

本文不改模型，只把"选一个最优方案"扩展为"把所有候选方案摊开看"，专注四个问题：

全方案面：C(8,3) 的 56 个组合在覆盖、步行上如何分布、有没有不收敛的分叉？
容量线：纸面覆盖在高覆盖方案上是否被容量挤压打回原形？
结构压力：现有方案在能力配比、老龄化放大下有多脆？
参数弹性：人员/床位/半径/p 数哪些是可调杠杆、哪些是刚性？

二、结果 I：全方案景观与唯一收敛

图1 C(8,3) 全部 56 组合的覆盖-步行散点

图 1 把 C(8,3) 的 56 个三站组合的"覆盖%-总步行"摊成散点：覆盖从 60.7% 到 100%、总步行从 3028 到 4406。MCLP 最优（站[1,3,6]，覆盖 100%）与 p-中位最优（站[1,3,6]，步行 3028）在图上一处重合。

这是全篇最关键的结构发现：方案面存在清晰的支配结构——站[1,3,6] 在左上角（高覆盖、低步行），其余 55 个组合都落在其右下侧被支配区。覆盖与总步行不是真正的对立轴（没有"高覆盖=高步行"的强约束散落），而是一个方案同时赢下两大准则。

三、结果 II：容量约束线

图2 p=2/3/4 纸面覆盖 vs 容量挤压后超半径需求

把 56 个三站方案逐一按容量约束指派，统计"纸面覆盖 vs 实际超半径需求"：纸面覆盖从 61% 到 100%，实际超半径需求从 3.1% 到 48.1%，两者强负相关 r≈-0.93；p=2（覆盖 51-93%）超半径 10.9-61.9%，p=4（覆盖 67-100%）超半径 0-43%。

结论：容量挤压把纸面覆盖"打折"——高覆盖方案如果站容量不足，会把大量需求挤出服务半径（被分配到次近但更远的站）。纸面 100% 覆盖的方案，实际仍可能有高达 48% 的需求超出半径。这提醒：选址必须与容量配置联立考虑，单看覆盖率的选址会高估实际可达性。

四、结果 III：人员与床位弹性

熵权法赋权

熵权法基于信息熵原理，通过指标离散程度确定权重：

$p_{ij} = \frac{x_{ij}}{\sum_{i=1}^{n} x_{ij}}, \qquad e_j = -k \sum_{i=1}^{n} p_{ij} \ln(p_{ij})$

其中 $k = 1/\ln(n)$ ， $e_j$ 为第 $j$ 项指标的信息熵。差异系数 $d_j = 1 - e_j$ ，熵权为：

$w_j = \frac{d_j}{\sum_{j=1}^{m} d_j}$

信息熵越小（差异系数越大），说明该指标提供的信息量越多，权重越高。

图3 人员/床位弹性（基准 3 站方案）

基准 3 站方案下，人员需求对单员工服务能力不敏感：40→64 人/员工时总人员 17→13，仅差 4 人；床位随失能配比线性涨跌：0.3→0.5 时总床位 208→276→346 张。

两个参数弹性方向不同：人员数近乎刚性（服务能力翻倍也只省 4 人，因为站级容量与失能结构主导），而床位随配比灵敏度高（每升 0.1 配比多约 70 张）。对资源配置决策，床位是更值得精准校准的杠杆——因为床位直接对应失能老人数量，尤其在高失能比例的小区（如小区 3 失能 22%）周边站。

五、结果 IV：老龄化压力

图4 老龄化压力：需求放大后的站利用率与超容

把需求按 0.8~1.3 倍放大，测基准 3 站方案的站最大利用率与超容站数：×0.8 时 93%（全站未超容）、×1.0 时 116%（1 站超容）、×1.1 时 155%、×1.2 时 170%（2 站超容）。

这是全篇最紧迫的警示：当前方案在现有需求下站3 已超容 16%。只要老年人口（需求）增长 10%，站3 利用率就冲到 155%——这在老龄化背景下几乎必然发生。相比"多目标收敛"的乐观，这是结构性风险：选址虽好，容量却已在悬崖边。这也是范文一"需求上涨 10% 使瓶颈站利用率达 155%"的显微镜版——本文将其与站利用不均（结果 VI）结合，凸显"重压集中在个别站"。

六、结果 V：p 边际回报曲线

图5 p 边际回报曲线：p=3 已达全覆盖，拐点清晰

扫候选站数 p 从 1 到 6：覆盖从 p=1 的 72%、p=2 的 93.1% 到 p=3 的 100%，p≥4 恒为 100%。

p=3 是覆盖拐点：p 从 2 到 3 补足 6.9 个百分点（从 93.1% 到 100%），p 从 3 到 4 起边际增益归零。这与范文一"覆盖率拐点在 p=3"完全一致，且本文用全量 p 扫描确认：三站已是覆盖效率的最高性价比，第四站不再带来覆盖改善（只会改善容量余量，见结果 IV）。

七、结果 VI：站利用不均

图6 3 站利用率不均衡（站 3 超容 116%）

基准 3 站（站[1,3,6]）的利用率：站 3 = 116%、站 1 = 99%、站 6 = 96%，均值 103.7%、区间[96%, 116%]、CV=0.083。

三站利用率总体偏高且略显不均：站 3 超容最多，站 1/6 虽未超容但也逼近满载（96-99%）。这意味着每一站的余量都很薄，没有一座"冷站"可承接溢出。当老龄化增大需求时，超容会先击垮站 3（最大利用率从 116% 冲到 155%），然后依次波及站 1/6。这解释了结果 IV 的"2 站超容"——不是能力总体不足，而是重压集中+余量均匀偏薄。

八、结果 VII：半径敏感性

图7 半径敏感性：覆盖对与集合覆盖站数

扫半径 8/10/12 分钟：R=8 覆盖对 33/96、集合覆盖需 4 站[1,2,5,6]；R=10 覆盖对 53/96、需 3 站[1,3,6]；R=12 覆盖对 74/96、仅需 2 站[1,4]。

半径是显著的规模杠杆：每放宽 2 分钟，全覆盖所需站数少 1。R=10 是当前默认，恰好对应"3 站全覆盖"的紧凑解；若老人愿意走更远（R=12），只需 2 站即可全覆盖，大幅节省建设与日常维护成本。对决策者，这提供了一个"半径-站数"的二选一：是建 3 个步行 10 分钟的站，还是建 2 个步行 12 分钟的站——取决于服务可达性标准。

九、结果 VIII：多准则 Pareto 面

图8 多准则 Pareto 面：56 组合中仅 1 组非劣

把覆盖、总步行、最远步行三个准则同时纳入 Pareto 判断，56 个组合中非劣解仅 1 个（站[1,3,6]），其余 55 个都在三准则上被它全面压制。

这一发现把"多目标权衡"的问题变成"多目标收敛"：在选址问题上，覆盖最大、总步行最小、最远步行最小三个目标没有产生分歧，站[1,3,6] 一个方案全部满足。这与范文二"公平性"的担忧形成对照——范文二发现"平均掩盖了谁"（不同指标下最优站不同），而这里是"当同时看覆盖+往返+最远三准则时，方案高度收敛"。原因在于社区尺度小（12 小区 8 站半径够大），选址空间不构成尖锐的公平-效率矛盾。但需注意，Pareto 唯一非劣仅基于三个准则；若把"站利用均衡""抗老龄化余量"等维度纳入，站[1,3,6] 的相对优势可能弱化——多目标收敛有边界，不能无限外推，选址仍应据实际管理目标动态复核。

十一、结论

四个被"MCLP 最优解"掩盖的事实重塑了选址-配置决策的框架：

方案面强收敛：站[1,3,6] 同时是 MCLP/p-中位/Pareto 唯一最优，覆盖/可达/公平无真实冲突；
容量挤压打折纸面覆盖（r≈-0.93），选址必须与容量联立；
当前方案已容量高压（站3 超容 116%），老龄化 ×1.1 即 155%——结构风险大于选址分歧；
人员数近刚性、床位配比与半径是真正可调杠杆，p=3 是覆盖拐点。

这些结论共同指向一个工程决策信条：选址最优先证"方案面收敛"（少纠结多目标），然后立刻转向"容量余量"（老龄化是命门），最后才用床位/半径做微调。

十二、模型验证（四路一致）

本文正文、配图、附录代码、真源 tools/gen_dgcup2026b_3.py 四路数字完全一致。附录代码块可在 tools/ 目录下独立运行复现全部关键数字（全方案散点、容量约束线、人员/床位弹性、老龄化压力、p 边际、站利用、半径敏感、Pareto 非劣），所有结果由固定随机种子确定，双跑字节一致。

参考文献

[1] Hakimi S L. Optimum locations of switching centers and the absolute centers and medians. Operations Research, 1964.
[2] 电工杯 2026 B 赛题组委会. 嵌入式社区养老服务站建设与优化赛题数据说明.

附录：核心 Python 实现

import sys, os
_HERE = os.path.dirname(os.path.abspath(__file__))
sys.path.insert(0, os.path.abspath(os.path.join(_HERE, "..", "..", "..", "tools")))
import gen_dgcup2026b_3 as SRC

r = SRC.gen_dgcup2026b_3()
# E1 全方案景观
e = r["e1"]
print("E1 %d组合 覆盖[%.1f,%.1f%%] 步行[%.0f,%.0f] MCLP站%s p中位站%s" % (
    e["n"], e["cov_range"][0], e["cov_range"][1], e["walk_range"][0],
    e["walk_range"][1], [j+1 for j in e["mclp"]["comb"]],
    [j+1 for j in e["med"]["comb"]]))
# E2 容量约束线
for p, outp in r["e2"].items():
    covs = [o[0] for o in outp]; overs = [o[1] for o in outp]
    print("E2 p=%d 覆盖[%.0f,%.0f%%] 超半径[%.1f,%.1f%%]" % (
        p, min(covs), max(covs), min(overs), max(overs)))
# E3 人员/床位
e = r["e3"]
for srv, c in e["staff_scan"].items():
    print("E3 服务%d人->人员%d" % (srv, c))
for rate, b in e["bed_scan"].items():
    print("E3 配比%.1f->床位%d" % (rate, b))
# E4 老龄化
for s, (mxu, over) in r["e4"].items():
    print("E4 x%.1f 最大利用%.0f%% 超容%d站" % (s, mxu*100, over))
# E5 p 边际
for p, cv in r["e5"].items():
    print("E5 p=%d 覆盖%.1f%%" % (p, cv))
# E6 站利用
for j, u in r["e6"]["util"].items():
    print("E6 站%d 利用%.0f%%" % (j+1, u*100))
# E7 半径
for rad, (np, pf, cf, cv) in r["e7"].items():
    print("E7 R=%d 覆盖%d/96 集合覆盖%d站 p3覆盖%.1f%%" % (rad, np, pf, cv))
# E8 Pareto
e = r["e8"]
print("E8 非劣%d/%d 站集%s" % (e["n_nondom"], e["n_total"], e["front"]))