Analytics for humanitarian networks in uncertain and data-scarce environments

Many areas in the world still lack access to necessities and services like clean water, food, healthcare, and education. Already in 2015, the Sustainable Development Goals (SDGs) were established by the United Nations, calling for action with clearly specified goals. Effective humanitarian operations are needed to reach the goals. In this thesis, we focus on networks, which often form the basis of these operations. We develop new analytical network optimization methods and apply them to real-world applications at UNHRD, Red Cross 510, PemPem, and the World Bank. We use the often scarce and uncertain data of these organizations and, if necessary, enhance it with publicly available data. In collaboration with UNHRD, we develop a robust optimization framework that determines optimal humanitarian response depot locations, while incorporating the uncertainty in the location and scale of future disasters. Together with Red Cross 510, we develop a new decomposition approach to solve huge-scale maximum covering problems to optimize water well locations. Finally, in collaboration with PemPem and the Worldbank, we develop algorithms that utilize GPS trajectory data to enhance the spatial geometry and travel speed information of digital road networks. We conclude this thesis with several managerial insights that follow from our research, mainly focusing on data scarcity and uncertainty within humanitarian organizations. Finally, we evaluate the (potential) impact of the research results on the organizations we collaborated with.

-

Veel gebieden in de wereld hebben nog steeds geen toegang tot essentiële zaken als schoon drinkwater en gezond voedsel, of diensten zoals gezondheidszorg en onder- wijs. Om dergelijke problemen aan te pakken, werden de Sustainable Development Goals (SDGs) in 2015 vastgesteld, als een dringende oproep tot actie. Ze zijn ont- worpen om wereldwijde uitdagingen aan te pakken en wereldwijde acties te leiden naar een rechtvaardige, veerkrachtige en duurzame toekomst voor iedereen. Er zijn veel organisaties die een of meer SDGs aanpakken. Bijvoorbeeld, United Nations Hu- manitarian Response Depot (UNHRD), die logistieke ondersteuning biedt in ramp- scenario’s, PemPem die supply chain software en financiële instrumenten levert aan kleine boeren, de World Bank die innovatieve kennis en oplossingen toepast op de uitdagingen in voornamelijk lage- en middeninkomenslanden, en Red Cross 510, die data en digitale oplossingen integreert om humanitaire hulp te verbeteren.
In deze dissertatie benaderen we humanitaire uitdagingen vanuit een analytisch perspectief, we zetten data om in inzichten voor het maken van betere beslissingen. De strekking van deze dissertatie is humanitaire netwerken, die vaak de basis vormen van effectieve humanitaire initiatieven. Deze netwerken vertegenwoordigen bijvoor- beeld netwerken van strategische humanitaire response depots, wegennetwerken, of netwerken van waterputten. We focussen specifiek op hoe we analytische methoden toe kunnen passen, wanneer we gebruik moeten maken van de vaak schaarse en onzekere data van humanitaire organisaties. De nieuwe analytische methoden die we ontwikkelen zijn toegepast in praktijkgevallen van UNHRD, PemPem, de World Bank, en Red Cross 510.
In Hoofdstuk 2 bekijken we de optimalisatie van het aantal en de locaties van response depots binnen humanitaire logistieke netwerken. We presenteren een robuuste optimalisatiemethode om de onzekerheid van de locatie en omvang van toekomstige rampen mee te kunnen nemen, met als doel depot locaties te iden- tificeren die efficiënte en effectieve rampbestrijdingen waarborgen in verschillende toekomstige scenario’s. We bespreken een casestudy met UNHRD, waarin de praktische toepassing van de voorgestelde methode wordt gedemonstreerd. In Hoofdstuk 3 optimaliseren we de locaties van waterputten om toegang tot schoon drinkwater voor mensen in lage- en middeninkomensregio’s te maximaliseren. We introduceren een nieuwe decompositiemethode om grote maximale dekking locatie problemen op te lossen. We laten de toepasbaarheid en potentiële impact van dit onderzoek zien aan de hand van een casestudy in West Darfur, Sudan. Hoofdstuk 4 richt zich op het verbeteren van digitale wegennetwerken in afgelegen gebieden. Dit hoofdstuk introduceert een methode om de ruimtelijke geometrie van digitale wegennetwerken te verbeteren op basis van schaarse GPS-trajectgegevens. Het benadrukt het belang van nauwkeurige informatie over het wegennetwerk voor het optimaliseren van verschillende beslissingen, zoals beslissingen over routering of toewijzing van middelen. Om de aanpak te valideren, bespreken we een casestudy met PemPem die het digitale wegennetwerk voor kleine boeren in Indonesië ver- betert, en een casestudy met de World Bank, die de geografische toegankelijkheid tot gezondheidszorg in Timor-Leste optimaliseert. In Hoofdstuk 5 zetten we ons werk voort in het verbeteren van digitale wegennetwerken in een humanitaire setting. We presenteren een nieuwe deep learning heuristiek om reissnelheden van wegen binnen digitale wegennetwerken te voorspellen, terwijl we rekening houden met specifieke omstandigheden, zoals rijden in het donker of met hevige regenval. Een casestudy die in samenwerking met PemPem is uitgevoerd, toont de effectiviteit van de voorgestelde methode door schattingen te geven voor de gemiddelde reissnelheden van wegen in het gebied waarin PemPem actief is.
Samengevat ontwikkelen we innovatieve methoden, met behulp van robuuste optimalisatie, deep learning en geavanceerde algoritmen, die helpen omgaan met de uitdagingen van beperkte en onzekere data van humanitaire organisaties bij het benaderen van de SDG’s vanuit een analytisch perspectief. Belangrijke inzichten van deze dissertatie richten zich op datatekort en onzekerheid binnen humanitaire organisaties. We benadrukken het belang van het benutten van openbare data om schaarse en onzekere data van humanitaire organisaties te verrijken. Daarbij benadrukken we de capaciteit van clustering- of decompositiealgoritmen om deze (verrijkte) data te gebruiken om grootschalige analytische problemen op te lossen. We sluiten de dissertatie af met een discussie over de praktische toepasbaarheid van onze onderzoeksresultaten, waarbij we de (potentiële) impact van het onderzoek op de organisaties waarmee we hebben samengewerkt evalueren.