مقدمه
براساس پایگاه داده بین‌المللی بلایای طبیعی، جهان در دهه‌های اخیر شاهد افزایش قابل‌توجهی در تعداد بلایای طبیعی بوده است و باتوجه‌به تغییرات اقلیمی و الگوهای آب‌وهوایی، احتمالاً این روند همچنان ادامه خواهد داشت (پایگاه داده EM-DAT، ۲۰۲۰). وقوع بلایای طبیعی مانند زلزله، سیل و طوفان، پیامدهای چندبعدی و گسترده‌ای برای جوامع به همراه دارد که فراتر از خسارت‌های جانی و مالی است. یکی از برجسته‌ترین این پیامدها تولید حجم بسیار زیاد پسماند در بازه‌های زمانی کوتاه است که مدیریت نامناسب آن می‌تواند پیامدهای زیست‌محیطی، بهداشتی، اقتصادی و اجتماعی بلندمدت به دنبال داشته باشد. این حجم عظیمی از پسماند، باعث مختل شدن سایر حوزه‌های مدیریت بلایای طبیعی شده و کاهش کارایی اقدامات مرحله مقابله و بازسازی را به همراه دارد (براون و همکاران، 2011).
برای نمونه، در زمین‌لرزه ونچوان در سال 2008 و طوفان کاترینا در سال 2005 به‌ترتیب حدود ۳۸۱ و ۱۰۰ میلیون تن پسماند جامد تولید شد که مدیریت این مقادیر عظیم، سیستم‌های موجود را تحت فشار قابل‌توجهی قرار داد و روند بازسازی را کند نمود (شیائو و همکاران 2011؛ لورکا و همکاران، 2017). براساس پایگاه‌های داده بین‌المللی بلایای طبیعی، جهان در چند دهه اخیر رشد فزاینده‌ بلایای طبیعی را شاهد بوده است (پایگاه داده DAT-EM، 2020). باتوجه‌به تغییرات اقلیمی و الگوهای آب‌وهوایی، این روند احتمالاً ادامه خواهد یافت (پایگاه داده DAT-EM، 2020).. 
ظرفیت پاسخگویی جوامع به مشکلات پس از بلایای طبیعی بزرگ، معمولاً محدود و بسیار فراتر از توان جوامع بوده است و این حجم زیاد پسماند می‌تواند 5 الی 15 برابر نرخ تولید پسماند سالانه جامعه آسیب‌دیده باشد (ژانگ و همکاران، 2019). در برخی از مواقع هم امکان دارد زمان دفع پسماند تا 5 سال هم به طول انجامد (براون و همکاران، 2011). مجموعه اقداماتی که برای حذف پسماند در مرحله بازسازی صورت می‌گیرد زمان ‌بر، پرهزینه و دشوار بوده که حدود یک‌چهارم هزینه‌های مرحله واکنش بلایا را شامل می‌شود (سازمان مدیریت بحران فدرال، 2007).
به‌دلیل اثرگذاری گسترده مدیریت پسماند بلایا بر سایر ابعاد عملیات واکنش و بازسازی، تدوین راهبردها و ابزارهای عملیاتی و تصمیم‌پشتیبان برای پاکسازی پسماند پس از بحران از اهمیت فراوانی برخوردار است. مجموعه عملیات مدیریت پسماند بلایا به‌طور معمول شامل جمع‌آوری، تفکیک و پردازش مقدماتی، حمل‌ونقل، بازیافت و در نهایت دفع نهایی است؛ و هریک از این مراحل شامل محدودیت‌ها و چالش‌های خاص خود می‌باشد (کالدرا و همکاران، 2025a).
 به‌منظور تسهیل فرآیند پاکسازی، سازمان‌های مرجع از جمله سازمان مدیریت بحران فدرال، ایجاد و بهره‌برداری از سایت‌های موقت مدیریت پسماند را به‌عنوان راهکاری عملیاتی توصیه کرده‌اند. این سایت‌ها با فراهم‌کردن امکاناتی همچون ذخیره‌سازی موقت، تفکیک و پردازش مقدماتی، کاهش حجم و زمان جمع‌آوری پسماند، ارتقای کارایی سیستم پاکسازی، افزایش نرخ و سهولت بازیافت، کاهش خطرات زیست‌محیطی و نیز کاهش زمان انتقال پسماند به مراکز بازیافت یا دفن نهایی شده و در نتیجه روند پاکسازی را تسریع می‌کنند (سازمان مدیریت بحران فدرال، 2007؛ چنگ و همکاران، 2022a) . ناکارآمدی در مدیریت پسماند بلایا می‌تواند به پیامدهای منفی متعددی ازجمله مشکلات بهداشتی، روانی منجر و تأخیر در بازسازی و افزایش هزینه‌ها را شامل شود (براون و همکاران، 2011؛ ژانگ و همکاران، 2019؛ آژانس حفاظت محیط زیست ایالات متحده ، 2019؛ بابیت، 2019؛ نیکدوست و همکاران، 2022؛ زواوی و همکاران، 2018؛ قربان‌زاده و همکاران، 2020) باوجوداین، انتخاب مکان این سایت‌ها، ظرفیت‌دهی و تخصیص منابع به آن‌ها یک مسئله پیچیده چندمعیاره است که ملاحظات زیست‌محیطی، مالکیت زمین، دسترسی جاده‌ای، ملاحظات اجتماعی و محدودیت‌های عملیاتی را باید هم‌زمان در نظر بگیرد (نیکدوست و همکاران 2022؛ حبیب و همکاران، 2022).
یکی از محدودیت‌های کلیدی در اجرای عملیات پاکسازی، ضعف یا آسیب‌دیدگی شبکه‌های حمل‌ونقل است؛ به‌ویژه زمانی که جاده‌ها و پل‌ها دچار آسیب شده یا ظرفیت جابه‌جایی در فاصله‌های طولانی ناکافی باشد. در چنین شرایطی، متکی بودن صرف بر حمل‌ونقل جاده‌ای می‌تواند به افزایش زمان و هزینه انتقال پسماند منجر شود. رویکردهای چندوجهی یا حمل‌ونقل ترکیبی (کامیون–قطار) که در آن از کامیون برای جمع‌آوری محلی و از قطار برای جابه‌جایی در مسافت‌های طولانی استفاده می‌شود، به‌عنوان یک راهکار عملی برای افزایش ظرفیت حمل، کاهش هزینه و بهبود تاب‌آوری لجستیکی مطرح شده‌اند (آرچی و همکاران، 2022). 
مطالعات جدید نشان می‌دهند ترکیب مدهای حمل‌ونقل و طراحی مسیرهای ترکیبی می‌تواند در شرایط بحران سبب کاهش چشمگیر زمان انتقال و هزینه‌ها گردد و تاب‌آوری کلی شبکه لجستیک پسابحران را افزایش دهد (ما و همکاران، 2024؛ یودین و همکاران، 2019). گذشته از این، پژوهش‌های اخیر بر اهمیت در نظر گرفتن وابستگی‌های متقابل میان زیرساخت‌ها (جاده‌ای) و نیز احتمال اختلالات در آن‌ها تأکید کرده‌اند؛ چرا که نادیده‌گرفتن این وابستگی‌ها می‌تواند کارایی مدل‌های برنامه‌ریزی را کاهش دهد و تصمیم‌های اتخاذشده را از نظر عملیاتی آسیب‌پذیر سازد (چنگ و همکاران، 2018؛ آکی یاما و همکاران، 2025).
در سال‌های اخیر، تلاش‌های پژوهشی متنوعی به توسعه مدل‌های ریاضی و رویکردهای بهینه‌سازی برای مدیریت پسماند بلایا متمرکز بوده است. دراین‌میان، روش‌هایی همچون برنامه‌ریزی عدد صحیح مختلط، مدل‌های سناریویی چندمرحله‌ای و رویکردهای چندهدفه با هدف متعادل‌سازی اهداف اقتصادی، زیست‌محیطی و زمانی مورد توجه قرار گرفته‌اند(چنگ و همکاران، 2021؛ ژی آو و همکاران، 2022) . همچنین تعدادی از پژوهش‌ها به بسط مدل‌های تصمیم‌گیری در حوزه لجستیک انسانی و توزیع اقلام امدادی پرداخته‌اند که می‌تواند در توسعه مدل‌های مدیریت پسماند بلایا الهام‌بخش باشد (نریمانی و همکاران، 2024؛ پورناصر و همکاران، 2022).
 در حوزه روش‌شناسی، توسعه مدلی ریاضی برای مکان‌یابی بهینه انبارهای مرکزی و ثانویه در زنجیره تأمین چندسطحی محصولات فسادپذیر، با تمرکز بر حداقل‌سازی هزینه‌ها، رویکردی مؤثر برای طراحی کارآمد شبکه‌های لجستیکی ارائه کرده است (موسوی و همکاران، 2024). همچنین، تلفیق مدل‌های بهینه‌سازی چندهدفه با رویکردهای مدیریت ریسک مبتنی بر سناریو، به‌ویژه در شرایطی که معیارهای متعدد و ناسازگار (مانند هزینه‌ها، ریسک‌ها و قابلیت اطمینان) مطرح هستند، به‌عنوان یک استراتژی موفق برای مدیریت زنجیره تأمین خون در شرایط همه‌گیری کووید-۱۹ شناخته شده است (بابازاده رفیعی و همکاران، 2023). افزون‌براین، کاربرد تکنیک‌های نوین ازجمله به‌کارگیری هوش مصنوعی برای طبقه‌بندی پسماند و بهبود کارایی پردازش نیز در مطالعات اخیر مورد بررسی قرار گرفته است (بونمی و همکاران، 2024).
باوجوداین پیشرفت‌ها، چند چالش و شکاف مهم در ادبیات وجود دارد که ضرورت پژوهش‌های تکمیلی را نشان می‌دهد. نخست آنکه بخش قابل‌توجهی از مطالعات تمرکز بر حمل‌ونقل جاده‌ای داشته و بهره‌مندی کامل از مزایای حمل‌ونقل ترکیبی در چارچوب پاکسازی پسماند بلایا کمتر بررسی شده است. دوم، ادغام رویکردهای اولویت‌بندی ریسک مناطق آسیب‌دیده با یک مدل چندهدفه جامع که هم‌زمان مکان‌یابی سایت‌های موقت، تخصیص تیم‌های عملیاتی و برنامه‌ریزی حمل‌ونقل ترکیبی را در نظر بگیرد، در مطالعات پیشین محدود است. سوم، بسیاری از مدل‌های موجود فرض دسترسی پیوسته و سالم شبکه حمل‌ونقل را برقرار می‌دانند و کمتر به شبیه‌سازی اختلالات جزئی یا کامل در لینک‌های جاده‌ای و ریلی پرداخته‌اند؛ درحالی‌که تجربه‌های واقعی نشان می‌دهد چنین اختلالاتی می‌توانند اثر عمیقی بر زمان و هزینه عملیات و تاب‌آوری شبکه داشته باشند (ترابی و همکاران، 2016؛ ما و همکاران، 2024).
پژوهش حاضر در همین راستا طراحی شده است تا این شکاف‌ها را تا حدی کاهش دهد. هدف اصلی این مقاله توسعه یک مدل بهینه‌سازی چندهدفه برای پاکسازی پسماند بلایا با رویکرد حمل‌ونقل ترکیبی (کامیون–قطار) و با بهره‌گیری از اولویت‌بندی مبتنی بر روش فرآیند تحلیل سلسله مراتبی برای شناسایی و تمرکز بر مناطق پرریسک است. مدل پیشنهادی تلاش می‌کند تعادل میان اهداف زمان و هزینه را برقرار سازد، تخصیص تیم‌های چندمنظوره آواربرداری را بهینه نماید و اثرات وابستگی‌های زیرساختی را در سناریوهای عددی بررسی کند تا کاربردپذیری و پایداری آن در شرایط مختلف بحران آشکار شود.
باتوجه‌به روند رو به رشد وقوع بلایا و آثار چندبعدی ناشی از تولید پسماند، نیاز به مدل‌های جامع و عملیاتی که به‌طور هم‌زمان مکان‌یابی، اولویت‌بندی ریسک و برنامه‌ریزی حمل‌ونقل ترکیبی را دربر گیرند، کاملاً احساس می‌شود. مقاله حاضر با ترکیب این مؤلفه‌ها و افزودن تحلیل سناریویی و بررسی حساسیت، قصد دارد چارچوبی کاربردی و قابل‌تطبیق برای مدیران بحران و برنامه‌ریزان فراهم آورد.
این پژوهش با مقدمه‌ای آغاز می‌شود که به تبیین اهمیت موضوع، بررسی پیشینه تحقیق و شناسایی شکاف‌های موجود در ادبیات علمی، همراه با تشریح اهداف کلی تحقیق می‌پردازد. در ادامه، بخش روش به تعریف دقیق مسئله پژوهش، تدوین فرضیات و ارائه مدل‌سازی ریاضی اختصاص یافته است. سپس، ارزیابی و اولویت‌بندی ریسک مناطق آسیب‌دیده با استفاده از روش فرآیند تحلیل سلسله مراتبی انجام شده و در پی آن، مدل ریاضی با بهره‌گیری از روش اپسیلون-محدودیت حل می‌گردد. این مدل‌ در سناریوهای مختلف پیاده‌سازی و اعتبارسنجی شده‌ است. بخش یافته‌ها به بحث و بررسی نتایج پژوهش اختصاص دارد و درنهایت، بخش نتیجه‌گیری به ارائه جمع‌بندی نهایی و پیشنهادات می‌پردازد.

پیشینه پژوهش
مدیریت پسماند بلایا به‌عنوان یکی از ارکان اصلی مدیریت بحران، در دهه‌های اخیر به‌طور گسترده مورد توجه پژوهشگران قرار گرفته است. در این حوزه، بخش عمده‌ای از مطالعات بر به‌کارگیری سایت‌های موقت مدیریت پسماند متمرکز بوده‌اند. این سایت‌ها نقشی کلیدی در تسهیل فرآیند پاکسازی، کاهش زمان و هزینه عملیات، و بهبود کارایی سیستم بازیافت ایفا می‌کنند. پژوهش‌های اولیه در این زمینه به شناسایی ضرورت و طراحی اولیه چنین مکان‌هایی پرداخته‌اند (الزیاری و همکاران، 1981؛ رافی و همکاران، 2008؛ کاروناسنا و همکاران، 2012؛ اوه و کانگ، 2013؛ براون و میلک، 2016؛ آماتو و همکاران، 2020؛ ژی آو و همکاران، 2022).
 انتخاب محل مناسب برای استقرار این سایت‌ها فرآیندی پیچیده و چندمعیاره است که مستلزم در نظر گرفتن عوامل جغرافیایی، اجتماعی، زیست‌محیطی و اقتصادی می‌باشد. برای مثال، چنگ و همکاران، (2016) و لی و همکاران (2022) این مسئله را با رویکردهای بهینه‌سازی ترکیبی و تحلیل چندمعیاره بررسی کرده‌اند.
در راستای توسعه چارچوب‌های تصمیم‌گیری، اونان و همکاران (2015) مدلی ارائه کردند که در آن انتخاب مکان سایت‌های موقت با در نظر گرفتن هم‌زمان ابعاد زیست‌محیطی و اقتصادی صورت می‌گیرد. این چارچوب نشان داد ترکیب اهداف مختلف می‌تواند به افزایش کارایی سیستم مدیریت پسماند منجر شود. به همین ترتیب، حبیب و همکاران (2017)  یک چارچوب دو مرحله‌ای معرفی کردند که در گام نخست با استفاده از فرآیند شبکه تحلیلی و تکنیک‌های تاپسیس فازی  مکان‌های بهینه را شناسایی کرده و در گام دوم از مدل‌های ریاضی برای تخصیص پسماند به این مکان‌ها بهره می‌برد. 
یکی از جریان‌های نوظهور در این حوزه، استفاده از سامانه اطلاعات جغرافیایی برای مکان‌یابی سایت‌های موقت است. نبکدوست و همکاران (2022) چارچوبی مبتنی بر سامانه اطلاعات جغرافیایی ارائه کردند که برای انتخاب محل‌های مدیریت موقت پسماند ارائه می‌کنند. این چارچوب از پارامترهای جغرافیایی تعیین‌شده توسط سازمان‌های حاکم و با در نظر گرفتن الزامات جغرافیایی و محدودیت‌های مکانی و عملیاتی، بهینه‌سازی عملیات پاکسازی را دنبال می‌کند. درعین‌حال، خطرات بهداشتی، امکان بازیافت و اثرات اجتماعی دفع پسماند را نیز در نظر می‌گیرد و بر حداقل نمودن اثرات پسماند جمع‌آوری‌نشده بر جامعه و اقتصاد مناطق آسیب‌دیده تمرکز دارد. 
چنگ و همکاران (2022b) در پژوهشی بر روی بلایای کوچک، به دنبال ارتقای کارایی پاکسازی پسماند در مرحله مقابله‌ی مدیریت بلایا هستند. هدف آن‌ها به حداقل رساندن هزینه کل و زمان پاکسازی پسماند با بهینه‌سازی عملیات مربوطه است. از یک مدل مسیریابی مکان‌یابی دو مرحله‌ای چند دوره‌ای استفاده شده است. این مدل به تصمیم‌گیری در مورد مکان سایت‌های موقت مدیریت پسماند و مسیریابی وسایل نقلیه کمک می‌کند که شامل بهینه‌سازی سه فرآیند کلیدی، مسیریابی جمع‌آوری پسماند از مناطق آسیب‌دیده به سایت‌های موقت، چرخه وسایل نقلیه بین سایت‌های موقت بدون نیاز به بازگشت به دیپوت و مسیریابی انتقال پسماند از سایت‌های موقت به مراکز بازیافت و دفع نهایی می‌باشد. برای مدل‌سازی و حل این مدل پیچیده، چنگ و همکاران از یک برنامه‌ریزی عدد صحیح مختلط و الگوریتم ژنتیک استفاده می کنند.
 از‌سوی‌دیگر، پژوهش‌های اخیر اهمیت در نظر گرفتن ریسک اختلال در دسترسی به سایت‌های موقت را برجسته کرده‌اند. حبیب و همکاران (2022) نشان دادند برخلاف بسیاری از مطالعات پیشین که سایت‌های موقت را همواره در دسترس فرض می‌کردند، این مکان‌ها ممکن است به‌دلیل انسداد جاده‌ها یا آسیب‌دیدگی زیرساختی غیرقابل‌استفاده شوند. آن‌ها با توسعه یک مدل دو مرحله‌ای، ابتدا به انتخاب سایت‌ها و سپس به تخصیص پسماند پرداخته و راهکاری برای مواجهه با این اختلالات ارائه دادند. این نگاه ریسک‌محور، هم‌راستا با مطالعات جدیدی است که بر تاب‌آوری سیستم‌های حمل‌ونقل در شرایط بحران تأکید می‌کنند (ما و همکاران، 2024؛ یودین و همکاران، 2019؛ آکی‌یاما و همکاران، 2025).
در سطح کلان‌تر، چنگ و همکاران (2021) مدلی مبتنی بر برنامه‌ریزی عدد صحیح مختلط  معرفی کردند که چهار عملیات اصلی مدیریت پسماند (آواربرداری، جمع‌آوری، پردازش و انتقال) را به‌صورت یکپارچه بهینه‌سازی می‌کند. این مدل نشان داد انتخاب بهینه سایت‌های موقت و تعیین توالی مناسب عملیات می‌تواند به کاهش چشمگیر زمان و هزینه کل منجر شود. 
به موازات آن،  ژی آو و همکاران، 2022 مدلی دوسطحی ارائه دادند که تصمیم‌گیری درباره مکان تأسیسات پردازش، به‌کارگیری منابع تخریب و تخصیص وسایل نقلیه را شامل می‌شود. هدف اصلی این مدل کاهش هم‌زمان هزینه، زمان و اثرات زیست‌محیطی بود؛ نتایج نشان دادند رویکردهای دوسطحی می‌توانند انعطاف‌پذیری بیشتری در پاسخ به شرایط بحرانی ایجاد کنند.
در کنار مطالعات بحران‌محور، برخی پژوهش‌ها به موضوع مدیریت حمل‌ونقل ترکیبی در زنجیره پسماند در شرایط غیربحرانی پرداخته‌اند. تونو و همکاران (2015) مدلی مبتنی بر برنامه‌ریزی خطی برای زنجیره تأمین پسماندهای غیرخطرناک توسعه دادند که در آن از فرآیندهای پردازش مانند فشرده‌سازی استفاده شده بود. این مدل که براساس مطالعه موردی شرکت برانژون در فرانسه طراحی شد، با ترکیب حمل‌ونقل جاده‌ای و ریلی توانست هزینه‌های لجستیکی را تا 7/14 درصد کاهش دهد. اهمیت این مطالعه در آن است که نشان می‌دهد رویکردهای حمل‌ونقل چندوجهی، حتی در شرایط غیربحرانی، می‌توانند در مدیریت بهینه پسماند مؤثر باشند و همین منطق قابلیت تعمیم به شرایط بحرانی و بلایای طبیعی را دارد.
در پژوهش‌های جدیدتر، تمرکز بر بهبود تاب‌آوری شبکه‌های حمل‌ونقل ترکیبی برای مدیریت پسماند پسابحران پررنگ‌تر شده است. برای‌مثال، مطالعاتی مانند ما و همکاران (2024)، یودین و همکاران (2019) و پان و همکاران (2025)، بر مزایای ترکیب مدهای حمل‌ونقل و طراحی شبکه‌های ترکیبی در شرایط بحران تأکید کرده‌اند. دراین‌میان، (کالدرا و همکاران، 2025a) با ارائه یک چارچوب جامع برای مدیریت پسماند بلایا، بر نقش مدیران و تصمیم‌گیرندگان حوزه صنعت در ارتقای تاب‌آوری جوامع تأکید کرده‌اند. افزون‌براین، پژوهش‌هایی نیز به طراحی مدل‌های مشابه در حوزه زنجیره تأمین انسانی پرداخته‌اند که ازنظر روش‌شناختی می‌توانند به حوزه مدیریت پسماند بلایا تعمیم داده شوند. 
برای نمونه، نریمانی و معتمدی، (2023)، نریمانی و همکاران، 2024 و پورناصر و همکاران، (2022)، مدل‌هایی برای توزیع اقلام امدادی با استفاده از بهینه‌سازی چندهدفه و سناریومحور توسعه داده‌اند. همچنین، بابازاده رفیعی و همکاران، (2023) و بابازاده رفیعی و همکاران (2024) مدلی برای مدیریت ریسک در زنجیره تأمین خون در شرایط همه‌گیری کووید-۱۹ ارائه کردند که ازنظر مفهومی قابلیت انتقال به مدیریت ریسک در حوزه پسماند بلایا را دارد. این مطالعات بیانگر حرکت پژوهش‌ها به‌سوی مدل‌های جامع‌تر و واقع‌بینانه‌تر هستند که هم‌زمان معیارهای ریسک، هزینه و زمان را لحاظ می‌کنند.
نکته مهم دیگر، توجه به فناوری‌های نوین در مدیریت پسماند است. پژوهش‌هایی مانند بونمی و همکاران (2024) بر کاربرد هوش مصنوعی برای طبقه‌بندی پسماند و بهبود کارایی پردازش تمرکز کرده‌اند. همچنین، مطالعات اخیر در حوزه تاب‌آوری نشان داده‌اند در نظر گرفتن وابستگی‌های متقابل میان زیرساخت‌های حمل‌ونقل و فرآیندهای دفع می‌تواند بر برآورد زمان پاکسازی و کیفیت تصمیم‌گیری تأثیرگذار باشد  (آکی‌یاما و همکاران، 2025؛ کالدرا و همکاران، 2025a).
به‌طورکلی، مرور ادبیات نشان می‌دهد مدیریت پسماند بلایا به‌عنوان یک حوزه میان‌رشته‌ای، ازجنبه‌های مختلفی نظیر انتخاب مکان سایت‌های موقت، طراحی مدل‌های بهینه‌سازی، استفاده از سامانه‌های اطلاعات جغرافیایی، ادغام فناوری‌های نوین و رویکردهای ریسک‌محور بررسی شده است. بخش مهمی از پژوهش‌ها بر مکان‌یابی و طراحی سایت‌های موقت تمرکز داشته‌اند، اما در بسیاری از این مطالعات، حمل‌ونقل صرفاً جاده‌ای در نظر گرفته شده و امکان بهره‌گیری از مزایای سیستم‌های ترکیبی (مانند کامیون–قطار) کمتر مورد توجه قرار گرفته است. همچنین اگرچه پژوهش‌های اخیر به اهمیت تاب‌آوری شبکه‌های حمل‌ونقل و اختلالات زیرساختی پرداخته‌اند، اما همچنان بررسی جامع تأثیر این اختلالات بر کارایی مدل‌های مدیریت پسماند، محدود باقی مانده است.
ازسوی‌دیگر، تعداد اندکی از مطالعات به توسعه مدل‌های جامع چندهدفه پرداخته‌اند که بتوانند هم‌زمان معیارهای متعارضی مانند زمان، ریسک و هزینه را در یک چارچوب یکپارچه پوشش دهند. در مطالعات چنگ و همکاران (2021)  و ژی آو و همکاران (2022) ، تمرکز بر به‌کارگیری واحدهایی مستقل برای تخریب ساختمان‌های آسیب‌دیده بوده است؛ درحالی‌که در پژوهش حاضر، تیم‌های آواربرداری به‌عنوان تیم‌هایی چندمنظوره در نظر گرفته شده‌اند که مسئولیت‌هایی از قبیل مدیریت پسماندهای خطرزا، تخریب سازه‌های آسیب‌دیده، و تفکیک پسماند و آوار را به‌صورت هم‌زمان بر عهده دارند. این رویکرد با واقعیت‌های میدانی عملیات‌های پسابحران تطابق بیشتری دارد، چراکه در عمل، واحدهای امداد و نجات اغلب دارای وظایف ترکیبی هستند. علاوه‌براین، بهره‌گیری از رویکردهای اولویت‌بندی ریسک مناطق آسیب‌دیده در کنار بهینه‌سازی لجستیک پسماند هنوز به‌صورت نظام‌مند و یکپارچه کمتر مورد مطالعه قرار گرفته است.
ازسوی‌دیگر، استفاده از سامانه حمل‌ونقل ترکیبی در این تحقیق، موجب کاهش زمان و هزینه‌های حمل پسماند شده و می‌تواند نقشی مؤثر در بهینه‌سازی فرآیند انتخاب محل احداث سایت‌های موقت مدیریت پسماند، مراکز بازیافت و مکان‌های دفن ایفا ‌کند. به‌عنوان نمونه، در فرآیند مکان‌یابی سایت‌های موقت، چالش‌هایی نظیر محدودیت‌های زیست‌محیطی، مسائل مربوط به مالکیت زمین و کمبود ماشین‌آلات حمل پسماند مطرح است که بهره‌گیری از حمل‌ونقل ترکیبی می‌تواند راه‌حلی عملی برای رفع این موانع ارائه دهد. 
براین‌اساس، پژوهش حاضر تلاشی است برای پرکردن بخشی از این شکاف‌ها از طریق ارائه یک مدل بهینه‌سازی چندهدفه که ترکیبی از مکان‌یابی سایت‌های موقت، اولویت‌بندی ریسک مناطق آسیب‌دیده و برنامه‌ریزی حمل‌ونقل ترکیبی کامیون–قطار را در نظر می‌گیرد. این چارچوب علاوه‌بر لحاظ نمودن زمان، ریسک و هزینه، امکان تصمیم‌گیری واقع‌بینانه‌تر را فراهم می‌کند. مدل پیشنهادی یک ابزار برنامه‌ریزی استراتژیک با قابلیت کاربرد در شرایط واقعی است که به مدیران بحران در تخصیص منابع و ارتقای تاب‌آوری شبکه لجستیک پسابحران کمک می‌کند.

روش

تعریف مسئله
مسئله موردبررسی در این پژوهش، به تخصیص و زمان‌بندی تیم‌های آواربرداری و جمع‌آوری و حمل پسماند پس از وقوع بحران اختصاص دارد. این فرآیند در دو مرحله‌ی اصلی شامل عملیات آواربرداری و جمع‌آوری و حمل پسماند تعریف شده است. در تدوین این مسئله، به ریسک‌های موجود در هر منطقه نیز توجه شده که در پنج دسته‌ ریسک جانی، آلودگی زیست‌محیطی، تأثیرات روانی، اختلالات اقتصادی و حادثه‌آفرینی پسماند طبقه‌بندی می‌شوند. در هریک از مراحل عملیاتی، تخصیص و زمان‌بندی تیم‌ها براساس نتایج ارزیابی و اولویت‌بندی ریسک مناطق آسیب‌دیده صورت می‌گیرد، به‌گونه‌ای که مناطق با ریسک بالاتر در اولویت اعزام تیم‌ها قرار دارند.
مجموعه مناطق درگیر در این مسئله شامل مرکز مدیریت بحران، مناطق نیازمند عملیات آواربرداری، مناطق نیازمند عملیات جمع‌آوری و حمل پسماند، مناطق نیازمند انجام هر دو عملیات، ایستگاه‌های قطار و سایت‌های موقت مدیریت پسماند بلایا می‌باشد. پس از بروز بحران، تیم‌های امدادی در مرکز مدیریت بحران مستقر شده و عملیات خود را از این مرکز آغاز می‌کنند. در برخی شرایط، به‌دلیل درهم‌تنیدگی آوار و پسماند، امکان بارگیری و انتقال مستقیم وجود ندارد. در چنین مواردی، تیم‌های آواربرداری موظف به جداسازی پسماند و آوار، ایمن‌سازی محیط، و رفع خطرات احتمالی می‌باشند.
برای ارتقای کارایی عملیات پاکسازی و انتقال پسماند، از سیستم حمل‌ونقل ترکیبی (ترکیب کامیون و قطار) بهره‌گیری می‌شود. تیم‌های جمع‌آوری و حمل پسماند، با استفاده از این روش، پسماندهای ناشی از بلایا را جمع‌آوری و منتقل می‌کنند. برای انتقال پسماند، دو گزینه پیش‌بینی شده است: انتقال اولیه به ایستگاه قطار و سپس حمل ریلی به سایت موقت مدیریت پسماند، یا انتقال مستقیم به سایت موقت بدون استفاده از حمل‌ونقل ریلی. تجهیز (تجهیز به ماشین آلات و امکانات موردنیاز برای بارگیری پسماند) و استفاده از ایستگاه‌های قطار و احداث هریک از سایت‌های موقت مستلزم پرداخت هزینه‌های مشخصی است.
مسئله موردپژوهش تا زمانی ادامه می‌یابد که کلیه عملیات‌های آواربرداری و حمل پسماند در مناطق آسیب‌دیده به پایان برسد و تیم‌ها به مرکز مدیریت بحران بازگردند.
توابع هدف در این مسئله شامل مواردی چون حداقل‌سازی زمان اتمام عملیات آواربرداری و حمل پسماند به سایت‌های موقت مدیریت پسماند با لحاظ‌کردن ریسک مناطق و حداقل‌سازی هزینه‌های حمل‌ونقل پسماند، هزینه‌های اعزام تیم‌های امدادی، و هزینه‌های تجهیز و استفاده از ایستگاه‌های قطار و احداث سایت‌های موقت مدیریت پسماند بلایا می‌باشد.
در تصاویر شماره 1 و 2 جریان آواربرداری و حمل پسماند و نمایش گرافیگی پسماند بلایای طبیعی با رویکرد حمل‌ونقل ترکیبی نمایش داده می‌شود:






مفروضات 
-چند تیم امدادی در زمان واحد نمی‌توانند در یک منطقه آسیب‌دیده خدمت‌رسانی کنند.
-زمان آواربرداری و حمل پسماند متناسب با سطح توانمندی تیم‌های امدادی می‌باشد.
-حمل‌و‌نقل پسماند به‌صورت ترکیبی از حمل جاده و ریلی می‌باشد.
-مکان‌ سایت‌های موقت از قبل مشخص می‌باشد.
-حمل پسماند هر منطقه پس از اتمام زمان آواربرداری تیم‌های امدادی امکان‌پذیر است.
-پسماند مناطقی که به تفکیک نیاز ندارند، مستقیماً قابل‌حمل است.
-ظرفیت حمل پسماند وسایل نقلیه محدود و مشخص می‌باشد.
-حجم پسماند هر منطقه قابل برآورد می‌باشد.
-مدت‌زمان موردنیاز برای آواربرداری هر منطقه قابل پیش‌بینی می‌باشد.

اندیس‌ها
-باتوجه‌به سطوح آسیب‌دیدگی و اهمیت مناطق آسیب‌دیده برای هر منطقه درجه اولویت امدادرسانی مشخص می‌گردد.
-مدت‌زمان بارگیری و تخلیه برای هریک از تیم‌های حمل پسماند در هر منطقه مشخص است.
-مدت‌زمان پیمایش هر مسیر بین مناطق برای هر تیم قابل‌برآورد می‌باشد.
-ایستگاه‌های ریلی به‌عنوان بخشی از زیرساخت حمل‌ونقل ترکیبی هستند که پس از وقوع بلایا شبکه ریلی همچنان قابل‌استفاده باقی می‌ماند و تخریب آن مد نظر نیست.

مدل ریاضی
در این بخش، ابتدا به تعریف اندیس‌ها، پارامترهای ورودی و متغیرهای تصمیم‌گیری پرداخته می‌شود و در ادامه تابع هدف و محدودیت‌ها به‌صورت جداگانه مورد بررسی قرار گرفته و تشریح می‌شوند. 
 :i و j اندیس‌های مناطق نیازمند آواربرداری i , j : 1,…,Nr
:o و p اندیس‌های مناطق نیازمند عملیات جمع‌آوری و حمل پسماند o , p : 1,…,Nc
 :r اندیس ایستگاه‌های قطار r : 1,…,R
 :S اندیس سایت‌های موقت مدیریت پسماند بلایا s : 1,…,S
:K اندیس تیم‌های آواربرداری k : 1,…,K
 :l اندیس تیم‌های جمع‌آوری و حمل پسماند l : 1,…,L

پارامترهای ورودی
عدد بزرگ :M
میزان ریسک منطقه آسیب‌دیده jام در مرحله آواربرداری :Wrj
Wcp: میزان ریسک منطقه آسیب‌دیده pام در مرحله جمع‌آوری و حمل پسماند
Prjk: تخمین مدت‌زمان آواربرداری منطقه jام توسط تیم kام (واحد: دقیقه)
 Pcrprl: تخمین مدت زمان انتقال پسماند منطقه pام به ایستگاه قطار rام توسط تیم lام (واحد: دقیقه)
Pcspsl: تخمین مدت زمان انتقال پسماند منطقه pام به سایت موقت sام توسط تیم lام (واحد: دقیقه)
Drijk: برآورد زمان طی مسافت از منطقه iام به منطقه jام توسط تیم kام (واحد: دقیقه)
Dcopl: برآورد زمان طی مسافت از منطقه oام به منطقه pام توسط تیم lام (واحد: دقیقه)
Dcrorl: برآورد زمان طی مسافت بین منطقه oام و ایستگاه‌ قطار rام توسط تیم lام (واحد: دقیقه)
Dcsosl: برآورد زمان طی مسافت بین منطقه oام و سایت موقت sام توسط تیم lام (واحد: دقیقه) 
WVp : برآورد حجم پسماند منطقه pام (واحد: تن)
CCAP : ظرفیت حمل پسماند (واحد: تن) برای تیم lام در هر بار حمل
LTl: برآورد مدت زمان بارگیری پسماند برای تیم lام در هر بار حمل (واحد: دقیقه)
UTl : برآورد مدت زمان تخلیه پسماند برای تیم lام در هر بار حمل (واحد: دقیقه)
costrk: هزینه طی کردن هر واحد مسافت توسط تیم Kام در مرحله آواربرداری
costcel: هزینه طی کردن هر واحد مسافت توسط تیم lام در مرحله جمع‌آوری و حمل پسماند بدون بار
costcfl: هزینه طی کردن هر واحد مسافت توسط تیم lام در مرحله جمع‌آوری و حمل پسماند با بار
costtrs : هزینه جابه‌جایی پسماند توسط قطار ایستگاه rام به سایت موقت مدیریت پسماند sام به ازای هر تن پسماند
coster :هزینه تجهیز ایستگاه قطار rام در صورت استفاده از آن
costss: هزینه احداث سایت موقت مدیریت پسماند sام

متغیرهای تصمیم‌گیری
FTrjk: زمان اتمام آواربرداری منطقه jام توسط تیم kام (واحد: دقیقه)
FTcpl: زمان اتمام انتقال پسماند منطقه pام توسط تیم lام (واحد: دقیقه)
NTSpl: تعداد سرویس‌های حمل پسماند از منطقه pام توسط تیم lام
Zrjk: اگر تیم kام به منطقه jام تخصیص داده شود 1 در غیر این صورت صفر
Zcpl: اگر تیم lام به منطقه pام تخصیص داده شود 1 در غیر این صورت صفر
Xrijk: اگر تیم kام پس از اتمام آواربرداری منطقه iام به منطقه jام برود 1 در غیر این صورت صفر 
Xcopl: اگر تیم lام پس از اتمام حمل پسماند منطقه oام به منطقه pام برود 1 در غیر این صورت صفر
Xcrorl : اگر تیم lام پسماند منطقه oام را به ایستگاه‌ قطار rام برود 1 در غیر این صورت صفر
Xcsosl: اگر تیم lام پسماند منطقه oام را به سایت موقت sام برود 1 در غیر این صورت صفر
URrpl: اگر تیم lام پس از حمل پسماند منطقه‌ای به ایستگاه‌ قطار rام، به منطقه pام برود 1 و در غیر این صورت صفر
USspl: اگر تیم lام پس از حمل پسماند منطقه‌ای به سایت موقت sام، به منطقه pام برود 1 و در غیر این صورت صفر
Qikl: اگر تیم kام و lام به منطقه iام تخصیص داده شود 1 در غیر این صورت صفر
ALRr: اگر ایستگاه‌ قطار rام به کار گیری شود 1 و در غیر این صورت صفر
ALSs: اگر سایت موقت sام احداث شود 1 و در غیر این صورت صفر
Yors: اگر پسماند منطقه oام پس از حمل به ایستگاه‌ قطار rام، توسط قطار به سایت موقت sام منتقل شود 1 و در غیر این صورت صفر

تابع اهداف




در فرمول شماره 1، دو تابع هدف برای مسئله تعریف شده‌ است. تابع هدف نخست به حداقل‌سازی مجموع حاصل‌ضرب زمان اتمام عملیات آواربرداری و حمل پسماند در میزان ریسک هر منطقه می‌پردازد. این رویکرد با هدف اولویت‌بندی مناطق پرریسک و کاهش مخاطرات ناشی از تأخیر در جمع‌آوری پسماند اتخاذ شده است. تابع هدف دوم نیز بر کمینه‌سازی هزینه‌های مرتبط با حمل‌ونقل تیم‌های آواربرداری و جمع‌آوری پسماند، انتقال پسماند از طریق حمل‌ونقل ریلی، و همچنین هزینه‌های مربوط به تجهیز ایستگاه‌های قطار و احداث سایت‌های موقت مدیریت پسماند تمرکز دارد.

محدودیت‌ها
توجه: منطقه صفر، همان مرکز مدیریت بحران (دیپوت) و یا همان محل تجمع و شروع به کار تیم‌های امدادی است.



فرمول شماره 2 در سطر قبل بیان می‌کند که هر منطقه تنها توسط یک تیم آواربرداری قابل‌ارائه خدمات می‌باشد.



فرمول شماره 3 حفظ جریان عملیات‌ تیم آواربرداری kام پس از اتمام عملیات در هر منطقه به منطقه بعدی برای آواربرداری منتقل می‌شود.



فرمول شماره 4 مشخص می‌کند تیم آواربرداری kام حداکثر 1 بار می‌تواند از مرکز مدیریت بحران خارج گردد.




فرمول شماره 5 مشخص می‌کند تیم آواربرداری kام حداکثر 1 بار می‌تواند به مرکز مدیریت بحران وارد شود.



فرمول شماره 6 تخصیص تیم آواربرداری  kام را به منطقه jام نشان می‌دهد.



فرمول شماره 7 زمان تکمیل آواربرداری منطقه jام را مشخص می کند، وقتی بلافاصله بعد از منطقه iام توسط تیم آواربرداری kام آواربرداری گردد.



فرمول شماره 8 بیان می‌کند زمان تکمیل عملیات آواربرداری منطقه iام غیر منفی می‌باشد.



فرمول شماره 9 بیان می‌کند هر منطقه تنها توسط یک تیم جمع‌آوری و حمل پسماند قابل‌ارائه خدمات می‌باشد. 



فرمول شماره 10 حفظ جریان عملیات‌ تیم جمع‌آوری و حمل پسماند lام پس از اتمام عملیات در هر منطقه، به منطقه بعدی برای حمل پسماند منتقل می‌شود.



فرمول شماره 11 مشخص می‌کند تیم جمع‌آوری و حمل پسماند lام حداکثر 1 بار می‌تواند از مرکز مدیریت بحران خارج گردد.



فرمول شماره 12 مشخص می‌کند تیم جمع‌آوری و حمل پسماند lام حداکثر 1 بار می‌تواند به مرکز مدیریت بحران وارد شود.



فرمول شماره 13 تخصیص تیم جمع‌آوری و حمل پسماند lام را به منطقه pام نشان می‌دهد.



فرمول‌های شماره 14 و 15 زمان تکمیل جمع‌آوری و حمل پسماند منطقه pام را مشخص می‌کند، وقتی بلافاصله بعد از منطقه oام توسط تیم جمع‌آوری و حمل پسماند lام حمل گردد.



فرمول شماره 16 بیان می‌کند زمان تکمیل عملیات جمع‌آوری و حمل پسماند منطقه oام غیرمنفی می‌باشد.



فرمول شماره 17 مدت‌زمان جمع‌آوری و حمل پسماند منطقه oام که توسط تیم lام به ایستگاه قطار rام حمل می‌شود.



فرمول شماره 18 مدت‌زمان جمع‌آوری و حمل پسماند منطقه oام که توسط تیم lام به سایت موقت sام حمل می‌شود.




فرمول‌های شماره 19 و 20 بیان می‌کند پسماند منطقه oام مستقیماً به ایستگاه قطار و یا به سایت موقت حمل می‌گردد.



فرمول‌های شماره 21 و 22 و 23 تعداد سرویس‌های حمل پسماند از منطقه oام توسط تیم lام که باید حمل شود را محاسبه می‌کند .



فرمول‌های شماره 24 و 25 نشان می‌دهد زمان عملیات جمع‌آوری و حمل پسماند منطقه jام بعد از اتمام عملیات آواربرداری صورت می‌گردد.



در فرمول شماره 26 مشخص می‌گردد تیم lام پس از حمل پسماند منطقه‌ای به ایستگاه‌ قطار rام، به منطقه pام می‌رود.



در فرمول شماره 27 مشخص می‌گردد تیم lام پس از حمل پسماند منطقه‌ای به سایت موقت sام، به منطقه pام می‌رود.



فرمول شماره 28 نشان می‌دهد اگر تیمی پسماند منطقه oام را به ایستگاه قطار rام حمل کند، باید از ایستگاه قطار rام به یک سایت موقت منتقل گردد.



در فرمول شماره 29 مشخص می‌گردد ایستگاه‌ قطار rام به‌کارگیری می‌شود یا خیر.



در فرمول شماره 30 مشخص می‌گردد سایت موقت sام احداث می‌شود یا خیر.
ارزیابی و اولویت‌بندی ریسک مناطق آسیب‌دیده
فرآیند تحلیل سلسله مراتبی یکی از روش‌های شناخته‌شده و معتبر در حوزه تصمیم‌گیری چند معیاره است که توسط آقای توماس ساعتی در دهه 1970 ارائه شده است. فرآیند تحلیل سلسله مراتبی به تحلیل ساختار یافته مسائل پیچیده با در نظر گرفتن معیارهای مختلف کمک می‌کند. در این پژوهش، از فرآیند تحلیل سلسله مراتبی جهت ارزیابی و اولویت‌بندی سطح ریسک مناطق آسیب‌دیده پس از بحران استفاده شده است؛ هدف از این فرآیند، پشتیبانی از تصمیم‌گیری در زمینه تخصیص مطلوب منابع و تیم‌های اجرایی به مناطقی است که بیشترین نیاز و بیشترین سطح ریسک را دارند.
مدل سلسله‌مراتبی طراحی‌شده در این تحقیق شامل سه سطح است که سطح هدف (سطح اول ارزیابی و اولویت‌بندی ریسک مناطق آسیب‌دیده پس از بحران، سطح معیارها (سطح دوم) شامل پنج معیار کلیدی: ریسک جانی، آلودگی زیست‌محیطی، تأثیرات روانی، اختلال اقتصادی و خطرات ناشی از پسماند بحران و سطح گزینه‌ها (سطح سوم) شامل چهار منطقه آسیب‌دیده به‌عنوان گزینه‌های ارزیابی می‌باشد (تصویر شماره 3).



انتخاب معیار ریسک
معیارهای ریسک برای اولویت‌بندی مناطق آسیب‌دیده شامل ریسک جانی، آلودگی زیست‌محیطی، تأثیرات روانی، اختلال اقتصادی و خطرات ناشی از پسماند بحران هستند. این معیارها براساس بررسی جامع ادبیات موجود در زمینه مدیریت پسماند بلایای طبیعی انتخاب شده‌اند (جدول شماره 1). انتخاب آن‌ها به‌گونه‌ای صورت گرفت که ابعاد انسانی، زیست‌محیطی، اجتماعی، اقتصادی و عملیاتی را پوشش دهد و بدین‌ترتیب اولویت‌بندی ریسک‌ها جامع و مبتنی بر شواهد علمی باشد.



فرآیند انتخاب معیارها در دو گام اصلی انجام شد. نخست، بررسی ادبیات که طی آن بیش از ۲۰ مطالعه مرتبط تحلیل شد و نشان داد این پنج معیار بیشترین تکرار و اهمیت را دارند و می‌توانند ابعاد مختلف ریسک‌های پسماند بلایا را پوشش دهند. دوم، تعیین سطوح سلسله‌مراتبی با استفاده از روش AHP که شامل مقایسه‌های زوجی براساس مقیاس ساعتی بود. ماتریس مقایسه جفتی بر پایه نظرات خبرگان حوزه مدیریت بحران، محیط‌زیست، ایمنی، اقتصاد محلی و اساتید دانشگاه تهیه و با داده‌های ادبیات تکمیل گردید. نرخ ناسازگاری کمتر از 1/0 به دست آمد که اعتبار مدل را تأیید می‌کند. درنهایت وزن نهایی هر معیار با استفاده از نرم‌افزار Excel محاسبه شد.
در مرحله بعد، به‌منظور انجام مقایسات زوجی بین معیارها، یک نمونه واقعی از مناطق سیل‌زده استان گلستان (شهرستان‌های گرگان و آق‌قلا) انتخاب گردید. نظرات تخصصی 20 نفر از خبرگان و کارشناسان مدیریت بحران، محیط‌زیست، ایمنی، اقتصاد محلی و اساتید دانشگاه با استفاده از مقیاس ساعتی 1 تا 9 گردآوری شده است (ساعتی، 2008) (جدول شماره 2). ترکیب خبرگان و کارشناسان با استفاده از روش گلوله برفی (گودمن، 1961) و با نظر خبرگان سازمان مدیریت بحران استان گلستان و اساتید دانشگاه علوم و فنون مازندران مشخص شد. انتخاب آن‌ها براساس معیارهایی همچون حداقل 10 سال تجربه در حوزه تخصصی مربوطه برای تضمین دانش عمیق، تنوع حرفه‌ای به‌منظور پوشش جنبه‌های چندبعدی ریسک ازجمله انسانی، زیست‌محیطی و اقتصادی، و همچنین دسترس‌پذیری و تمایل به مشارکت در پژوهش صورت گرفت تا اطمینان حاصل شود قضاوت‌ها معتبر، بی‌طرفانه و مبتنی بر تجربه عملی باشند.



برای تجمیع داده‌ها، از میانگین هندسی مقادیر داده شده توسط خبرگان استفاده شد. نتایج میانگین‌گیری در جدول شماره 3 نمایش داده شده است. در ادامه نرخ ناسازگاری هریک از ماتریس‌های نظرات محاسبه شده که این مقدار نباید فراتر از 10 درصد باشد تا قضاوت سازگاری مورد تأیید قرار گیرد (ساعتی، 1980). 



در مرحله بعد، ماتریس فوق نرمال‌سازی شده و با میانگین‌گیری سطری، وزن نهایی معیارها به ‌دست آمد که در جدول شماره 4گزارش شده است.



در ادامه جهت ارزیابی و اولویت‌بندی ریسک مناطق آسیب‌دیده یک فاجعه می‌توان مقایسات زوجی میان مناطق (گزینه‌ها) را برای هریک از معیارها به‌صورت جداگانه انجام ‌داد و وزن نسبی هر منطقه تحت هر معیار محاسبه ‌گردد. سپس با ترکیب این اوزان با وزن معیارها، امتیاز نهایی هر منطقه استخراج و بر اساس آن رتبه‌بندی مناطق انجام شود.
این رتبه‌بندی نقش مهمی در تصمیم‌گیری‌های اجرایی مدیریت بحران دارد و به تخصیص مطلوب منابع در مناطقی که بیشترین ریسک را دارند کمک می‌کند.

روش‌ حل مسئله
در این تحقیق 7 مسئله با سایزهای متفاوت که بیانگر مناطق نیازمند آواربرداری، حمل پسماند، ایستگاه‌های قطار، سایت‌های موقت و تیم‌های امدادرسانی است که اطلاعات آن در جداول شماره 5 و 6 نمایش داده می‌شود.





این سناریوهای مطرح‌شده برای وقوع سیل در مناطق روستایی شهرستان گرگان و آق‌قلا فرض شده است. برای تولید پارامترها باتوجه‌به اینکه مسئله پیشنهادی جدید می‌باشد از مقادیری فرضی که در جدول شماره 7 آمده، استفاده شده است.
به‌منظور حل مسئله در سایز کوچک، روش اپسیلون-محدودیت پیشنهاد می‌شود که در ادامه به‌طور کامل شرح داده شده است.




روش اپسیلون-محدودیت
روش اپسیلون محدودیت یکی از روش‌های کلاسیک و پرکاربرد در حل مسائل بهینه‌سازی چندهدفه است که در آن، برای دستیابی به جبهه پارتو، یکی از توابع هدف به‌عنوان تابع هدف اصلی انتخاب می‌شود و سایر توابع هدف به شکل محدودیت‌های نابرابری با حد آستانه مشخص (ε) در مدل لحاظ می‌شوند. اولین بار این روش را همیس و همکاران (1971) معرفی کرده‌اند. ایده اصلی آن ارائه یک چارچوب ساده و منعطف برای حل مسائل چندهدفه با استفاده از تکنیک‌های تک‌هدفه است.
فرمول شماره 31 حالت کلی معادله (برای دو هدف) را نشان می‌دهد:
31.minf1 (x)Subject to: f2 (x) ≤ εx∈X
در این مدل، تابع هدف اصلی است و به شکل محدودیت با آستانه  تعریف می‌شود. مجموعه فضای شدنی را شامل می‌شود. مقدار در بازه‌های مختلف تغییر داده می‌شود تا نقاط مختلف جبهه پارتو به دست آید. در ادامه هفت مسئله با روش اپسیلون-محدودیت حل شده که نتایج آن به‌صورت مجزا آورده شده است.

حل مسئله
در این مطالعه، به‌منظور ارزیابی عملی روش اپسیلون-محدودیت، ابتدا هفت مسئله بهینه‌سازی چندهدفه با ابعاد کوچک طراحی شد که سپس با رویکرد افزایش سایز مسئله، به‌تدریج سایز مدل افزایش یافته است. هدف از این روند، بررسی تغییرات زمان پردازش و به‌دست آوردن جبهه پارتو در مقیاس‌های مختلف می‌باشدکه در هر مسئله، هفت نقطه مورد بررسی قرار گرفته است.
در این قسمت، مسئله با استفاده از مقادیر مختلف پارامتر اپسیلون حل گردید و مجموعه‌ای از نقاط کارای پارتو استخراج شد. نتایج هر مرحله، شامل مقادیر بهینه توابع هدف و نقاط شدنی می‌باشد (جداول شماره 8، 9، 10، 11، 12، 13، 14).









در جدول شماره 15 زمان حل مسئله‌ها ارائه شده است. مسائل فوق به‌وسیله نرم‌افزار لینگو نسخه 0، 9 و لپ‌تاپ با مشخصات (Intel Core i7-7700HQ processor, 16 GB RAM (2133 MHz), running Windows 10) حل گردیده است. همان‌طور که در جدول شماره 14 و تصویر شماره 4 مشاهده می‌کنید، مسئله هفتم به علت افزایش سایز مسئله و NP-hard بودن، زمان حل آن به سمت بی‌نهایت میل کرده است.
درادامه، تحلیل حساسیت مسئله به مقایسه سیستم‌های حمل‌ونقل جاده‌ای و ترکیبی اختصاص دارد. مقادیر پارتوی توابع هدف در سناریوهای مختلف برای دو حالت حمل‌ونقل جاده‌ای و ترکیبی محاسبه و در جداول شماره 16، 17، 18، 19، 20 و 21 ارائه شده‌اند. نتایج نشان می‌دهند به‌طور میانگین، سیستم ترکیبی در مقایسه با سیستم صرفاً جاده‌ای، زمان اتمام عملیات با لحاظ‌کردن ریسک مناطق (تابع هدف اول) را 1/30 درصد و هزینه کل (تابع هدف دوم) را 3/11 درصد کاهش داده است.



به‌منظور تحلیل تأثیر فاصله جغرافیایی، مسئله ۴ در 10 سناریوی مختلف با فواصل متفاوت بین مناطق آسیب‌دیده و سایت‌های موقت مدیریت پسماند بررسی شد. این فواصل از 1 تا 30 دقیقه متغیر بوده و به‌ترتیب از کم به زیاد مرتب شده‌اند. اطلاعات اولیه مربوط به این 10 سناریو در جدول شماره 22 ارائه شده است. مسئله برای هر سناریو و هر تابع هدف به‌صورت جداگانه حل شده است تا مشخص شود برای هر هدف در هر منطقه، کدام مدل حمل پسماند انتخاب شده است. نتایج به‌دست‌آمده برای دو تابع هدف به‌صورت مجزا در جداول شماره 23 و 24 ارائه شده‌اند. این نتایج نشان می‌‌دهند که در فواصل کوتاه، سیستم حمل‌ونقل جاده‌ای کارآمدتر است، اما با افزایش فاصله، سیستم ترکیبی عملکرد بهتری دارد. (واحد فاصله بین مناطق در جداول برحسب دقیقه است.)



یافته‌ها
یافته‌های این پژوهش بیانگر آن است که مدل بهینه‌سازی چندهدفه پیشنهادی توانسته است ابعاد مختلف فرآیند پاکسازی پسماند پس از بلایا را با دقت مناسبی شبیه‌سازی و تحلیل کند. به‌منظور ارزیابی عملکرد مدل، هفت مسئله نمونه با ابعاد متفاوت طراحی و با استفاده از روش اپسیلون–محدودیت حل گردید. نتایج به‌دست‌آمده از این سناریوها نشان داد افزایش مقیاس مسئله (ازنظر تعداد مناطق نیازمند آواربرداری و جمع‌آوری پسماند، تعداد سایت‌های موقت، ایستگاه‌های قطار و تیم‌های عملیاتی) به رشد نمایی پیچیدگی محاسبات و زمان پردازش منجر می‌شود. برای‌مثال، در مسئله اول که کوچک‌ترین مقیاس را داشت، مدل در مدت‌زمان تنها ۱ ثانیه به جواب بهینه سراسری دست یافت؛ درحالی‌که در مسئله هفتم با ابعاد گسترده‌تر، با وجود صرف بیش از ۱۰ ساعت (۳۶۰۰۰ ثانیه) زمان محاسباتی، تنها جواب بهینه محلی حاصل گردید. این یافته به‌روشنی ماهیت NP-Hard مسئله و محدودیت‌های روش‌های دقیق در مقیاس‌های بزرگ را تأیید می‌کند.
بررسی جبهه‌های پارتو در تمامی مسائل نمونه نشان داد میان دو هدف اصلی مدل یعنی کاهش زمان اتمام عملیات (با در نظر گرفتن سطح ریسک مناطق) و کاهش هزینه‌های کل شامل حمل‌ونقل، تجهیز ایستگاه‌ها و احداث سایت‌های موقت همواره رابطه‌ای معکوس وجود دارد. به‌بیان‌دیگر، انتخاب راهکارهایی که زمان عملیات را به حداقل می‌رسانند، به افزایش هزینه‌ها منجر شده و بالعکس، تصمیماتی که کم‌هزینه‌تر هستند، نیازمند زمان بیشتری برای تکمیل عملیات خواهند بود. این نتیجه بیانگر آن است که تصمیم‌گیرندگان ناگزیرند براساس سیاست‌ها و اولویت‌های عملیاتی، نقطه‌ای تعادلی را از روی جبهه پارتو انتخاب کنند.
تحلیل مقایسه‌ای میان دو سیستم حمل‌ونقل صرفاً جاده‌ای و ترکیبی (کامیون–قطار) نیز از یافته‌های کلیدی این پژوهش است. نتایج نشان داد در شرایطی که فاصله جغرافیایی میان مناطق آسیب‌دیده و مراکز بازیافت یا سایت‌های موقت زیاد باشد، سیستم ترکیبی عملکرد به مراتب بهتری دارد. به‌طور میانگین، استفاده از حمل‌ونقل ترکیبی به 1/30 درصد کاهش در زمان کل عملیات و 3/11 درصد کاهش در هزینه‌های کل نسبت به سیستم صرفاً جاده‌ای منجر شد. این تفاوت به‌ویژه در مسائل با فواصل طولانی‌تر چشمگیرتر بود، به‌گونه‌ای که در فواصل بیش از ۲۰ دقیقه، حمل‌ونقل جاده‌ای کارایی خود را از دست داده و مدل به‌طور خودکار راهکارهای ترکیبی را انتخاب نمود. درمقابل، زمانی که فاصله میان مناطق و سایت‌های مقصد کوتاه‌تر بود (مانند مسئله اول و دوم)، حمل‌ونقل جاده‌ای همچنان گزینه‌ای بهینه و کارآمد باقی ماند. این نتیجه بر اهمیت در نظر گرفتن ویژگی‌های جغرافیایی و زیرساختی هر بحران در انتخاب استراتژی حمل‌ونقل تأکید می‌کند.
افزون‌براین، تحلیل حساسیت مدل نسبت به ریسک مناطق نشان داد مناطق با ریسک بالاتر (به‌ویژه ازنظر ریسک جانی و آلودگی زیست‌محیطی) در اولویت تخصیص تیم‌های آواربرداری و جمع‌آوری قرار گرفتند. این امر بیانگر آن است که فرآیند تحلیل سلسله‌مراتبی (AHP) به‌کاررفته در مرحله اولویت‌بندی ریسک، توانسته است با دقت مناسبی تصمیم‌گیری مدل را هدایت کند. به‌طور مشخص، در تمامی سناریوها، مناطقی که امتیاز ریسک بالاتری داشتند، زودتر از سایر مناطق تحت پوشش عملیات قرار گرفتند که این موضوع از انطباق نتایج مدل با منطق عملیاتی مدیریت بحران حکایت دارد.
به‌طورکلی، یافته‌های این پژوهش نشان می‌دهد با افزایش ابعاد مسئله، پیچیدگی و زمان حل به‌صورت نمایی رشد می‌کند و این امر ضرورت استفاده از روش‌های فراابتکاری در مقیاس‌های واقعی را برجسته می‌سازد. همچنین میان اهداف کاهش زمان و کاهش هزینه رابطه‌ای متعارض برقرار است و انتخاب راهکار نهایی به اولویت‌های تصمیم‌گیرندگان وابسته می‌شود. افزون‌براین، نتایج نشان می‌دهد در فواصل طولانی، سیستم حمل‌ونقل ترکیبی عملکرد بهتری دارد و در فواصل کوتاه، حمل‌ونقل صرفاً جاده‌ای کارآمدتر عمل می‌کند. به‌کارگیری رویکرد ارزیابی ریسک مبتنی بر AHP نیز موجب افزایش دقت و اثربخشی تخصیص تیم‌ها شده و قابلیت انطباق مدل پیشنهادی با شرایط واقعی عملیات‌های پسابحران را تأیید می‌کند.

بحث
این پژوهش با هدف توسعه یک مدل بهینه‌سازی چندهدفه برای پاکسازی پسماند ناشی از بلایای طبیعی طراحی شد که ویژگی اصلی آن استفاده هم‌زمان از حمل‌ونقل ترکیبی کامیون–قطار و اولویت‌بندی مناطق آسیب‌دیده براساس سطح ریسک بود. نتایج حاصل از حل مسائل نمونه نشان داد مدل پیشنهادی قادر است میان دو هدف متعارض، یعنی کاهش زمان اتمام عملیات و کاهش هزینه‌های کل، تعادلی نسبی ایجاد کند و هم‌زمان با هدایت تخصیص منابع براساس ریسک، فرآیند تصمیم‌گیری را به واقعیت‌های میدانی عملیات‌های پسابحران نزدیک‌تر سازد. این موضوع نشان می‌دهد مدل نه‌تنها ازنظر تئوریک واجد اعتبار است بلکه قابلیت پیاده‌سازی عملی نیز دارد و می‌تواند در شرایط بحرانی واقعی مورد استفاده قرار گیرد.
بررسی کارایی سیستم حمل‌ونقل نشان داد انتخاب میان دو رویکرد صرفاً جاده‌ای و ترکیبی به‌شدت به ویژگی‌های جغرافیایی و فاصله میان مناطق بستگی دارد. زمانی که فاصله‌ها کوتاه باشد، حمل‌ونقل جاده‌ای کارآمدتر عمل می‌کند و امکان تکمیل عملیات در مدت‌زمان کمتر و با هزینه مناسب‌تر فراهم می‌شود. درمقابل، زمانی که فواصل میان مناطق آسیب‌دیده و مراکز دفع یا بازیافت افزایش می‌یابد، حمل‌ونقل ترکیبی کامیون–قطار مزیت قابل‌توجهی ایجاد می‌کند و به کاهش هم‌زمان هزینه و زمان عملیات منجر می‌شود. نتایج عددی نشان داد در چنین شرایطی، استفاده از رویکرد ترکیبی به کاهش حدود ۳۰ درصدی زمان کل و بیش از ۱۱ درصدی هزینه‌های عملیاتی منجر شده است که این یافته اهمیت طراحی شبکه‌های حمل‌ونقل مقاوم و منعطف را تأیید می‌کند.
یکی دیگر از جنبه‌های مهم نتایج این پژوهش، عملکرد فرآیند تحلیل سلسله‌مراتبی در اولویت‌بندی مناطق آسیب‌دیده بود. نتایج حاکی از آن است که به‌کارگیری این رویکرد توانست تخصیص تیم‌های عملیاتی را با دقت بیشتری هدایت کند و موجب شد مناطقی با ریسک بالاتر، زودتر تحت پوشش عملیات قرار گیرند. این امر نشان می‌دهد ترکیب روش‌های بهینه‌سازی ریاضی با رویکردهای تصمیم‌گیری چندمعیاره می‌تواند ابزاری قدرتمند برای مدیران بحران باشد و کارایی مداخلات پسابحران را به شکل معناداری افزایش دهد.
از منظر محاسباتی، نتایج نشان داد مدل در مقیاس‌های کوچک با کارایی کامل عمل می‌کند و پاسخ‌های بهینه سراسری در زمان بسیار کوتاه قابل‌دستیابی است. بااین‌حال، با افزایش ابعاد مسئله، زمان حل به‌طور نمایی رشد می‌کند و در مواردی حتی پس از صرف چندین ساعت تنها پاسخ‌های محلی قابل‌دستیابی هستند. این یافته نشان می‌دهد هرچند مدل پیشنهادی ازنظر مفهومی و ساختاری توانمند است، اما برای استفاده در مقیاس‌های بزرگ نیازمند توسعه و به‌کارگیری روش‌های فراابتکاری و الگوریتم‌های پیشرفته است تا بتوان در زمان معقول به پاسخ‌های با کیفیت دست یافت.

نتیجه‌گیری
به‌طورکلی، نتایج این پژوهش چارچوبی جامع و کاربردی برای مدیریت پسماند پسابحران فراهم می‌آورد که می‌تواند به مدیران و سیاست‌گذاران در انتخاب راهبردهای بهینه کمک کند. این چارچوب با در نظر گرفتن هم‌زمان زمان، هزینه و ریسک، به تصمیم‌گیرندگان امکان می‌دهد راهکارهایی متناسب با شرایط واقعی و محدودیت‌های عملیاتی انتخاب کنند. از منظر کاربردی، مدل می‌تواند به افزایش تاب‌آوری شبکه‌های لجستیک پسابحران، بهبود تخصیص منابع و کاهش پیامدهای منفی زیست‌محیطی و اجتماعی ناشی از مدیریت ناکارآمد پسماند کمک کند.
برای توسعه‌های آتی، پیشنهاد می‌شود مدل در بستر سناریوهای واقعی مورد اعتبارسنجی میدانی قرار گیرد و هم‌زمان عدم قطعیت‌های مرتبط با دسترسی زیرساخت‌ها و ظرفیت‌های حمل‌ونقل در آن لحاظ شود. علاوه‌براین، ادغام الگوریتم‌های فراابتکاری و هوش مصنوعی می‌تواند مسیر دستیابی به پاسخ‌های با کیفیت در مقیاس‌های بزرگ را هموارتر سازد. چنین رویکردی موجب خواهد شد مدل پیشنهادی نه‌تنها ازنظر نظری غنی‌تر شود بلکه در عمل نیز به ابزاری کارآمد برای مدیریت بلایا و کاهش آثار مخرب آن بر جوامع آسیب‌پذیر تبدیل گردد.

ملاحظات اخلاقی

پیروی از اصول اخلاق پژوهش
در این پژوهش اصول و قوانین اخلاقی رعایت شده است.

حامی مالی
این پژوهش هیچ‌گونه کمک مالی از سازمان‌های دولتی، خصوصی و غیرانتفاعی دریافت نکرده است 

مشارکت نویسندگان
همه نویسندگان به‌طور یکسان در مفهوم و طراحی مطالعه، جمع‌آوری و تجزیه‌وتحلیل داده‌ها، تفسیر نتایج و تهیه پیش‌نویس مقاله مشارکت داشتند.

تعارض منافع
بنابر اظهار نویسندگان، این مقاله تعارض منافع ندارد.

تشکر و قدردانی
نویسندگان از تمامی اساتید محترم دانشگاه علوم و فنون مازندران به خاطر حمایت‌های ارزشمندشان قدردانی می‌کنند.




 

References
 

Alziari, S., Stepien, G., & Durand, R. (1981). In vitro incorporation of (35 S)-methionine in mitochondrial proteins of drosophila melanogaster. Biochemical and Biophysical Research Communications, 99(1), 1-8.‏ [DOI:10.1016/0006-291X(81)91704-6] [PMID]

Amato, A., Gabrielli, F., Spinozzi, F., Galluzzi, L. M., Balducci, S., & Beolchini, F. (2019). Strategies of disaster waste management after an earthquake: A sustainability assessment. Resources, Conservation and Recycling, 146, 590-597. [DOI:10.1016/j.resconrec.2019.02.033]

Amato, A., Gabrielli, F., Spinozzi, F., Magi Galluzzi, L., Balducci, S., & Beolchini, F. (2020). Disaster waste management after flood events. Journal of Flood Risk Management, 13, e12566.‏ [DOI:10.1111/jfr3.12566]

Aoki, K., Akiyama, M., Alhamid, A. K., Frangopol, D. M., & Koshimura, S. (2025). Resilience-based estimation of the disaster waste disposal time considering interdependencies between waste disposal and road network systems under seismic and tsunami hazards in coastal communities. Reliability Engineering & System Safety, 262, 111242. [DOI:10.1016/j.ress.2025.111242]

Archetti, C., Peirano, L., & Speranza, M. G. (2022). Optimization in multimodal freight transportation problems: A Survey. European Journal of Operational Research, 299(1), 1-20. [DOI:10.1016/j.ejor.2021.07.031]

Babbitt, C. W. (2019). The role of clean technology research in disaster debris management. Clean Technologies and Environmental Policy, 21, 923-924. [DOI:10.1007/s10098-019-01712-1]

Babazadeh Rafiei, A., Motamedi, M., Sohrabi, T., & Darvish Motevalli, M. H. (2023a). Design of a scenario-based multi-level and multi-objective mathematical model with the aim of reducing the risk of the blood supply chain in the conditions of the COVID-19 pandemic. Journal of Industrial Engineering and Management Studies, 10(2), 59-74. [Link]

Babazadeh Rafiei, A., Sohrabi, T., Motamedi, M., & Darvish Motevalli, M. H. (2024). [A Robust Risk Management Model for the Blood Supply Chain in Corona Pandemic Condition (Persian)]. Journal of Industrial Management Perspective, 14(3), 56-78. [DOI: 10.48308/jimp.14.3.56]

Brown, C., Milke, M., & Seville, E. (2011). Disaster waste management: a review article. Waste management (New York, N.Y.), 31(6), 1085–1098. [DOI:10.1016/j.wasman.2011.01.027] [PMID]

Brown, C., & Milke, M. (2016). Recycling disaster waste: Feasibility, method and effectiveness. Resources, Conservation and Recycling, 106, 21-32.‏ [DOI:10.1016/j.resconrec.2015.10.021]

Boonmee, C., Arimura, M., & Asada, T. (2018). Location and allocation optimization for integrated decisions on post-disaster waste supply chain management: On-site and off-site separation for recyclable materials. International Journal of Disaster Risk Reduction, 31, 902-917. [DOI:10.1016/j.ijdrr.2018.07.003]

Caldera, S., Jayarathna, C., & Desha, C. (2025a). Evaluating the characteristics of disaster waste management in practice: Case studies from queensland and New South Wales, Australia. Sustainability, 17(14), 6300. [DOI:10.3390/su17146300]

Caldera, S., Jayarathna, C., & Desha, C. (2025). Disaster Waste Management for Resilient Communities: A systematic literature review. Cleaner Waste Systems, 100333.‏ [DOI:10.1016/j.clwas.2024.100197]

Caldera, S., Jayarathna, C., Ferguson, S., MCNeill, J., & Desha, C. (2025). A resilient disaster waste management framework for communities: Experiences from Australian industry practitioners. Cleaner Waste Systems, 10, 100197. [DOI:10.1016/j.clwas.2024.100197]

Cheng, C., Zhang, L., & Thompson, R. G. (2018). Reliability analysis for disaster waste management systems. Waste Management, 78, 31-42. [DOI:10.1016/j.wasman.2018.05.011] [PMID]

Cheng, C., Zhu, R., Costa, A. M., & Thompson, R. G. (2021). Optimisation of waste clean-up after large-scale disasters. Waste Management, 119, 1-10.‏ [DOI:10.1016/j.wasman.2020.09.023] [PMID]

Cheng, C., Lu, J. W., Zhu, R., Xiao, Z., Costa, A. M., & Thompson, R. G. (2022). An integrated multi-objective model for disaster waste clean-up systems optimization. Transportation Research Part E: Logistics and Transportation Review, 165, 102867. [DOI:10.1016/j.tre.2022.102867]

Cheng, C., & Thompson, R. G. (2016). Application of boolean logic and GIS for determining suitable locations for temporary disaster waste management sites. International Journal of Disaster Risk Reduction, 20, 78-92. [DOI:10.1016/j.ijdrr.2016.10.011]

Cheng, C., Zhu, R., Costa, A. M., Thompson, R. G., & Huang, X. (2022b). Multi-period two-echelon location routing problem for disaster waste clean-up. Transportmetrica A: Transport Science, 18(3), 1053-1083.  [DOI:10.1080/23249935.2021.1916644]

Cheng, C., Lu, J. W., Zhu, R., Xiao, Z., Costa, A. M., & Thompson, R. G. (2022). An integrated multi-objective model for disaster waste clean-up systems optimization. Transportation Research Part E: Logistics and Transportation Review, 165, 102867. [DOI:10.1016/j.tre.2022.102867]

Guha-Sapir, D. (2020) . EM-DAT: The Emergency Events Database. Belgium: Universite Catholique de Louvain. [Link]

Ghannad, P., Lee, Y. C., & Choi, J. O. (2021). Prioritizing postdisaster recovery of transportation infrastructure systems using multiagent reinforcement learning. Journal of Management in Engineering, 37(1), 04020100. [DOI:10.1061/(ASCE)ME.1943-5479.0000868]

Ghorbanzadeh, M., Koloushani, M., Ulak, M. B., Ozguven, E. E., & Jouneghani, R. A. (2020). Statistical and spatial analysis of hurricane-induced roadway closures and power outages. Energies, 13(5), 1098.‏ [DOI:10.3390/en13051098]

Goodman, L. A. (1961). Snowball sampling. The Annals of Mathematical Statistics, 148-170. [DOI:10.1214/aoms/1177705148]

Habib, M. S., & Sarkar, B. (2017). An integrated location-allocation model for temporary disaster debris management under an uncertain environment. Sustainability, 9(5), 716. [DOI:10.3390/su9050716]

Habib, M. S., Maqsood, M. H., Ahmed, N., Tayyab, M., & Omair, M. (2022). A multi-objective robust possibilistic programming approach for sustainable disaster waste management under disruptions and uncertainties. International Journal of Disaster Risk Reduction, 75, 102967.‏ [DOI:10.1016/j.ijdrr.2022.102967]

Haimes, Y. (1971). On a bicriterion formulation of the problems of integrated system identification and system optimization. IEEE transactions on Systems, Man, and Cybernetics, (3), 296-297.‏  [DOI:10.1109/TSMC.1971.4308298]

Hu, Z. H., & Sheu, J. B. (2013). Post-disaster debris reverse logistics management under psychological cost minimization. Transportation Research Part B: Methodological, 55, 118-141. [DOI:10.1016/j.trb.2013.05.010]

Jalloul, H., Choi, J., Yesiller, N., Manheim, D., & Derrible, S. (2022). A systematic approach to identify, characterize, and prioritize the data needs for quantitative sustainable disaster debris management. Resources, Conservation and Recycling, 180, 106174.  [DOI:10.1016/j.resconrec.2022.106174]

Jha, A. K., Bloch, R., & Lamond, J. (2012). Cities and flooding: A guide to integrated urban flood risk management for the 21st century. World Bank Publications.‏ [DOI:10.1596/978-0-8213-8866-2]

Karunasena, G., Amaratunga, D., & Haigh, R. (2012). Post-disaster construction & demolition debris management: a Sri Lanka case study. Journal of Civil Engineering and Management, 18(4), 457-468. [DOI:10.3846/13923730.2012.699913]

Lee, Y. H., Kim, Y. C., & Lee, H. K. (2022). Framework for selection of temporary disaster waste management sites for post-flood recovery in Seoul, South Korea. International Journal of Disaster Risk Reduction, 71, 102832.‏ [DOI:10.1016/j.ijdrr.2022.102832]

Lorca, Á., Çelik, M., Ergun, Ö., & Keskinocak, P. (2017). An optimization-based decision-support tool for post-disaster debris operations. Production and Operations Management, 26(6), 1076-1091. [DOI:10.1111/poms.12643]

Luther, L. (2010). Managing disaster debris: Overview of regulatory requirements, agency roles, and selected challenges. Washington: Congressional Research Service. [Link]

Ma, W., Lin, S., Ci, Y., & Li, R. (2024). Resilience evaluation and improvement of post-disaster multimodal transportation networks. Transportation Research Part A: Policy and Practice, 189, 104243. [DOI:10.1016/j.tra.2024.104243]

Mousavi, S. M., Motamedi, M., & Karimi, R. (2024b). A mathematical model of the location problem for central and secondary warehouses in the multi-level supply chain network of perishable products. International Journal of Research in Industrial Engineering, 13(1), 11-24. [DOI:10.22105/riej.2024.394527.1378]

Nickdoost, N., Jalloul, H., & Choi, J. (2022). An integrated framework for temporary disaster debris management sites selection and debris collection logistics planning using geographic information systems and agent-based modeling. International Journal of Disaster Risk Reduction, 80, 103215.‏ [DOI:10.1016/j.ijdrr.2022.103215]

Narimani, R., Motamedi, M., & Khalili, H. A. (2024). [A Mathematical Programming Model for the Distribution of Relief Items in a Humanitarian Supply Chain (Persian)]. Journal of Emergency Management, 13(1), 51-69. [Link]

Narimani, R., & Motamedi, M. (2023). Applying a Mathematical Model for the Distribution of Earthquake Relief Items to the Affected Areas of Tehran. Disaster Prevention and Management Knowledge (quarterly), 13(2), 184-203.  [DOI:10.32598/DMKP.13.2.747.1]

Kim, M. S. (2012). Safe Treatment and Recycling of Waste According to Recycling Ways - A Study for Making Out Disaster Waste Management Guideline. Incheon: National Institute of Environmental Research (NIER), Republic of Korea. [Link]

Onan, K., Ülengin, F., & Sennaroğlu, B. (2015). An evolutionary multi-objective optimization approach to disaster waste management: A case study of Istanbul, Turkey. Expert Systems with Applications, 42(22), 8850-8857. [DOI:10.1016/j.eswa.2015.07.039]

Oh, G. J., & Kang, Y. Y. (2013). The status of flood wastes treatment and future tasks in South Korea. Journal of Material Cycles and Waste Management, 15, 282-289. [DOI:10.1007/s10163-013-0147-4]

Pan, X., Guo, S., Mangla, S. K., Madaan, J., Bo, H., & Song, M. (2025). Robust optimization of emergency material multimodal transport supply chain considering collaborative platform. Annals of Operations Research, 1-42.  [DOI:10.1007/s10479-025-06826-y]

Pitakaso, R., Srichok, T., Khonjun, S., Golinska-Dawson, P., Sethanan, K., & Nanthasamroeng, N., et al. (2024). Optimization-driven artificial intelligence-enhanced municipal waste classification system for disaster waste management. Engineering Applications of Artificial Intelligence, 133, 108614. [DOI:10.1016/j.engappai.2024.108614]

Poornaser, M., Amoozadkhalili, H., Momeni, E., Movahedi, M. M., & Motamedi M. (2022). [Routing disaster relief vehicles in a humanitarian supply chain (Persian)]. Disaster Prevention and Management Knowledge (quarterly), 12(2), 205-216. [Link]

Rafee, N., Karbassi, A. R., Nouri, J., Safari, E., & Mehrdadi, M. (2008). Strategic management of municipal debris aftermath of an earthquake. International Journal of Environmental Research, 2(2), 205-214. [Link]

Saaty, T. L. (2008). Decision making with the analytic hierarchy process. International Journal of Services Sciences, 1(1), 83-98. [DOI:10.1504/IJSSCI.2008.017590]

Saaty, T. L. (1980). The analytic hierarchy process. New York: McGraw-Hill. [Link]   

The Federal Emergency Management Agency. (2007). Public assistance: Debris management guide (FEMA 325). Washington: The Federal Emergency Management Agency (FEMA). [Link]

Torabi, S. A., Namdar, J., Hatefi, S. M., & Jolai, F. (2016). An enhanced possibilistic programming approach for reliable closed-loop supply chain network design. International Journal of Production Research, 54(5), 1358-1387. [DOI:10.1080/00207543.2015.1070215]

Tonneau, Q., Bostel, N., Dejax, P., Hospitalz, R., Mülhauptz, V., & Yeung, T. (2015, October). Multimodal multi-flow problem with transformation: Application to waste supply chain. In 2015 International Conference on Industrial Engineering and Systems Management (IESM) (pp. 876-882). IEEE. [DOI:10.1109/IESM.2015.7380259]

Uddin, M., & Huynh, N. (2019). Reliable routing of road-rail intermodal freight under uncertainty. Networks and Spatial Economics, 19(3), 929-952. [DOI:10.1007/s11067-018-9438-6]

United States Environmental Protection Agency (USEPA). (2019).Planning for Natural Disaster Debris. Washington: United States Environmental Protection Agency. [Link]

Wang, Z., Hu, H., Guo, M., & Gong, J. (2019). Optimization of temporary debris management site selection and site service regions for enhancing postdisaster debris removal operations. Computer‐Aided Civil and Infrastructure Engineering, 34(3), 230-247. [DOI:10.1111/mice.12410]

Xiao, J., Xie, H., & Zhang, C. (2012). Investigation on building waste and reclaim in Wenchuan earthquake disaster area. Resources, Conservation and Recycling, 61, 109-117. [DOI:10.1016/j.resconrec.2012.01.012]

Zhang, F., Cao, C., Li, C., Liu, Y., & Huisingh, D. (2019). A systematic review of recent developments in disaster waste management. Journal of Cleaner Production, 235, 822-840. [DOI:10.1016/j.jclepro.2019.06.229]

Zawawi, E. M. A., Yusof, N. S., & Ismail, Z. (2018). Adoption of post-disaster waste management plan into disaster management guidelines for Malaysia. Journal of Material Cycles and Waste Management, 20, 223-236. [DOI:10.1007/s10163-016-0569-x]