Open Access

Gückel Johannes

• This dissertation investigates fairness and efficiency challenges in urban logistics systems. The research combines mathematical optimization models, heuristic solution approaches, and machine learning methods to support decision-making in collaborative logistics networks and cost allocation problems. A first focus of the dissertation is the collaboration of logistics service providers in two-tier city logistics systems. To this end, mathematical models are developed that integrate strategic and operational planning decisions while accounting for both economic and environmental objectives. Since the resulting optimization problems cannot be solved exactly for realistically sized instances, specialized metaheuristic solution methods are proposed to generate high-quality solutions within reasonable computation times. The results demonstrate that collaboration can substantially reduce transportation costs and emissions, while simultaneously raising important questions regarding the fair distribution of benefits and responsibilitiesThis dissertation investigates fairness and efficiency challenges in urban logistics systems. The research combines mathematical optimization models, heuristic solution approaches, and machine learning methods to support decision-making in collaborative logistics networks and cost allocation problems. A first focus of the dissertation is the collaboration of logistics service providers in two-tier city logistics systems. To this end, mathematical models are developed that integrate strategic and operational planning decisions while accounting for both economic and environmental objectives. Since the resulting optimization problems cannot be solved exactly for realistically sized instances, specialized metaheuristic solution methods are proposed to generate high-quality solutions within reasonable computation times. The results demonstrate that collaboration can substantially reduce transportation costs and emissions, while simultaneously raising important questions regarding the fair distribution of benefits and responsibilities among participating stakeholders. Building upon this foundation, the dissertation examines different fairness concepts in collaborative logistics systems. Fairness requirements related to cost allocation, workload distribution, and service regularity are incorporated into mathematical planning models. The computational experiments show that fairness constraints significantly influence system performance and that evaluating fairness over longer planning horizons can provide a balanced trade-off between economic, environmental, and social objectives. A second major focus of the dissertation concerns the allocation of routing costs using the Shapley value from cooperative game theory. While the Shapley value is widely regarded as one of the fairest allocation mechanisms, its exact computation becomes computationally prohibitive for large-scale optimization problems. To address this challenge, two approximation approaches are developed. The first employs machine learning techniques to predict Shapley values based on structural characteristics of optimization problems. The second is a problem-independent approach that approximates Shapley values through the aggregation of exact values computed for smaller subcoalitions. Computational results demonstrate that both approaches achieve high approximation accuracy while significantly reducing computation times. Overall, the dissertation contributes to the development of fair and efficient decision-support methods for urban logistics systems. By combining techniques from operations research, cooperative game theory, and machine learning, the proposed models and algorithms provide both theoretical insights and practical guidance for the design of sustainable and collaborative logistics systems.…
• Die vorliegende Dissertation untersucht Fragestellungen zur fairen und effizienten Gestaltung urbaner Logistiksysteme. Im Mittelpunkt stehen mathematische Optimierungsmodelle, heuristische Lösungsverfahren sowie Methoden des maschinellen Lernens, die zur Analyse kooperativer Logistiknetzwerke und zur verursachungsgerechten Verteilung von Kosten eingesetzt werden. Ein erster Schwerpunkt der Arbeit liegt auf der Kooperation von Logistikdienstleistern in zweistufigen City-Logistik-Systemen. Hierzu werden mathematische Modelle entwickelt, die strategische und operative Planungsentscheidungen integrieren und sowohl ökonomische als auch ökologische Zielsetzungen berücksichtigen. Da die zugrunde liegenden Optimierungsprobleme für realistische Instanzgrößen nicht exakt lösbar sind, werden leistungsfähige Metaheuristiken entwickelt, die hochwertige Lösungen in kurzer Rechenzeit erzeugen. Die Ergebnisse zeigen, dass Kooperation erhebliche Kosten- und Emissionsreduktionen ermöglichen kann, gleichzeitig jedoch Fragen der fairen Verteilung vonDie vorliegende Dissertation untersucht Fragestellungen zur fairen und effizienten Gestaltung urbaner Logistiksysteme. Im Mittelpunkt stehen mathematische Optimierungsmodelle, heuristische Lösungsverfahren sowie Methoden des maschinellen Lernens, die zur Analyse kooperativer Logistiknetzwerke und zur verursachungsgerechten Verteilung von Kosten eingesetzt werden. Ein erster Schwerpunkt der Arbeit liegt auf der Kooperation von Logistikdienstleistern in zweistufigen City-Logistik-Systemen. Hierzu werden mathematische Modelle entwickelt, die strategische und operative Planungsentscheidungen integrieren und sowohl ökonomische als auch ökologische Zielsetzungen berücksichtigen. Da die zugrunde liegenden Optimierungsprobleme für realistische Instanzgrößen nicht exakt lösbar sind, werden leistungsfähige Metaheuristiken entwickelt, die hochwertige Lösungen in kurzer Rechenzeit erzeugen. Die Ergebnisse zeigen, dass Kooperation erhebliche Kosten- und Emissionsreduktionen ermöglichen kann, gleichzeitig jedoch Fragen der fairen Verteilung von Nutzen und Belastungen zwischen den beteiligten Akteuren aufwirft. Vor diesem Hintergrund untersucht die Dissertation verschiedene Fairnesskonzepte im Kontext kooperativer Logistiksysteme. Dabei werden Anforderungen hinsichtlich Kostenverteilung, Arbeitslast und Regelmäßigkeit der Leistungserbringung in mathematische Planungsmodelle integriert. Die numerischen Analysen zeigen, dass Fairnessrestriktionen einen wesentlichen Einfluss auf die Effizienz logistischer Systeme haben und dass insbesondere langfristige Fairnessbetrachtungen einen ausgewogenen Kompromiss zwischen ökonomischen, ökologischen und sozialen Zielsetzungen ermöglichen. Ein weiterer Schwerpunkt der Arbeit ist die verursachungsgerechte Kostenallokation mithilfe des Shapley-Werts aus der kooperativen Spieltheorie. Obwohl der Shapley-Wert als besonders faire Verteilungsmethode gilt, ist seine Berechnung für große Optimierungsprobleme häufig mit erheblichem Rechenaufwand verbunden. Zur Überwindung dieser Einschränkung werden zwei unterschiedliche Approximationsansätze entwickelt. Der erste Ansatz nutzt Methoden des maschinellen Lernens, um Shapley-Werte auf Basis struktureller Eigenschaften von Optimierungsproblemen vorherzusagen. Der zweite Ansatz basiert auf der Aggregation von Shapley-Werten kleiner Teilkoalitionen und ist unabhängig von spezifischen Problemstrukturen einsetzbar. Die Ergebnisse zeigen, dass beide Verfahren eine hohe Approximationsgüte bei deutlich reduziertem Rechenaufwand erreichen. Insgesamt leistet die Dissertation Beiträge zur Entwicklung effizienter und fairer Entscheidungsunterstützungssysteme für die urbane Logistik. Die vorgestellten Modelle und Verfahren verbinden Methoden des Operations Research, der kooperativen Spieltheorie und des maschinellen Lernens und liefern sowohl theoretische Erkenntnisse als auch praxisrelevante Handlungsempfehlungen für die Gestaltung nachhaltiger Logistiksysteme.…