大规模灾害下应急物流运作的动态救灾需求管理.doc

大规模灾害下应急物流运作的动态救灾需求管理（2010年）摘 要：本文提出了一种在大规模自然灾害中，不完全信息条件下应急物流运作的动态救援需求管理模式。所提出的方法由三个步骤组成：（1）通过数据整合来预测多地区的救援需求；（2）用模糊聚类方法为受灾地区分组；（3）用多标准决策对受灾地区进行优先次序排序。对不同的实验方案的测试结果表明，整体预测误差低于10%，因此推断该方法在不完全信息下的动态救灾需求预测和分配能力有利于应急物流的运作。关键词：应急物流运作；救灾需求管理；多元数据整合；模糊聚类1。绪论在世界各地的自然灾害普遍发生的情况下，应急物流管理已经成为全球关注的一个主题。例如，在2008年5月2日纳吉斯热带风暴无情地席卷了缅甸的海岸，据报道，由于军政府对外国援助人员和设备的反常限制，使得受影响的大约250万人需要紧急救助才能得以生存。随后，在2008年5月12日中国西南部的四川发生了7.9级的大地震，数以千计的遇难者被困地下的消息不仅让全世界震惊，而且人们也越来越关注应急物流和救援的问题，特别是紧急救灾需求的管理。动态救灾需求管理是在大规模自然灾害的条件下应急物流运作取得成功的关键。在现实中，救灾需求管理的困难在于由下现象产生的救济需求信息的不确定性。（1）不像商业物流（BL）消费者本身就是需求信息的提供者，在应急物流方面，救济的需求者（也就是受灾人）不可能是救灾需求信息的提供者。相反，那些在现场的记者，救援人员和慈善机构通常是主要的信息来源，因此，这导致救灾需求信息的不对称。（2）救灾需求信息的来源是多样的，并且在通常情况下提供的数据较混乱，没有决策支持工具的帮助和足够的时间对这些数据进行核查。此外，救灾应急物流需求信息是一种基于区域的需求信息，也就是聚合的受灾需求要和每个受影响地区相关联，而不是传统商业物流中处理的分解需求信息。这样的需求，在一定程度上，功能不确定性，很难用历史数据来近似。上述救灾需求信息问题对救灾需求管理的绩效造成了严重的影响，观察最近的灾难，如台湾的集集地震（1999年），印度洋海啸（2004年），美国的卡特里娜飓风（2005年），缅甸的龙卷风（2008年）。显然，实时救灾需求预测强调了应急物流管理（ELM）中的动态救灾需求管理的挑战。尽管动态救灾需求管理的需要迫切，但是也没有直接的需求模型可用于上述问题。相反，现有的需求模型似乎大多数只限于一般情况下的商业运作。从文献回顾，我们说明了与进一步讨论有关的几个相关的典型模式。在相关研究及应用领域，时间序列过程理论似乎是最灵活的随时间变化的动态需求模型。其中，如自回归和整合移动平均方法（ARIMA模型），指数平滑模型，独立同分布（IID）的模型已被广泛用于处理动态需求预测（魏，1990年； Box等，1994年；Aviv，2003年Gilbert，2005年；张，2006）。这些努力的共同特点是，随时间变化的需求的预测与其历史价值有一定的相关性，其特点是随时间的推移，需求的平均值动态演变成线性或非线性的形式。特别是，过去的文献采用了一阶自回归过程，以应对在供应链管理影响下的需求变化下。例如，牛鞭效应（Lee等，1997年；Chen等，2000）和信息共享（Gavirneni等，1999；Lee等，2000；Raghunathan，2001）。此外，一些研究人员考虑到时间变化下需求的波动，从而不断发展出更复杂的模型，如广义自回归条件异方差流程（GARCH模型）的动态需求预测（Baganha和Cohen，1998；Gilbert，2005年；张，2006）。与上述时间序列的需求模型相比，实时救灾需求预测必须克服更多的有关需求不确定性方面的问题。此外，其问题的本质是源于以往的需求信息不足。如果仅仅使用时间序列数据处理机制，可能会导致难以追踪随时间变化的救灾需求模式。总之，现有的时间序列需求模型不适合本研究中的实时救灾的需求预测。尽管最近出现应急物流管理已经越来越引起研究者们的关注，但是大部分的研究似乎旨在合理的假设基础上解决救灾需求方面的救灾物资和救援人员的分配问题。Yi和Kumar（2007）提出了基于启发式算法的的蚁群优化（ACO），把原来的应急物流问题分解为两个决策阶段：车辆路径建设和灾害中的多商品发送问题。其中，他们把受伤的人，车辆和救灾作为商品，然后使用所提出的蚁群启发式算法（ACO）解决这个多商品网络流问题。根据有关灾害信息采集和沟通的理想化假设，来简化灾难的背景，Tzeng等（2007年）用模糊多目标规划法制定了相应的救灾分配的问题。明显地，他们在制订多目标函数时，概念化公平的满意度，以避免在救灾物资发放过程中对某些受灾地区不公平分发救灾物资的可能性。考虑到在大规模灾害救援的关键时期，救灾需求的动态性和不确定性，Sheu（2007）为在关键救援时期中紧急救灾需求的动态响应，提出了一个应急物流共同配送方法。Sheu的方法的特点是考虑到了紧急救助的两种类型，具体包括日常消费救助（例如水和餐盒等）和灾民日常使用的设备（如睡袋、帐篷等）。Sheu概念化了救灾需求缓冲区，制定了一种简化的动态需求预测模型。相对而言，赵和郑（2007）使用以细胞传输为基础的线性模型，旨在解决多个应急反应的动态分配和从灾区向外疏散交通流的问题。因此，本文提出了一个动态救灾需求管理模型来解决上述问题。（上诉问题具体指在大规模自然灾害救援的关键时期，在混乱和受灾地区需求信息来源不确定的条件下。）以数据融合、模糊聚类和TOPSIS技术为基础，本文所提出的方法嵌入了三种机制：（1）动态救灾需求预测，（2）受灾区域分组，（3）确定救灾需求的迫切性。这里的关键救援期是指一场灾难发生后的最初的三天，这是搜救被困幸存者的最关键的时期。相对于以往的文献，本文提出的救灾需求管理方法有以下两个鲜明的特点。（1）为了通过数据整合技术大致估计出随时间而变化救灾需求，该模型具有随着时间的变化更新灾区被困幸存者的人数的能力。请注意，在大规模的灾难情况下，死亡及失踪者的人数会随着时间、灾难的严重性等条件的变化而变化，而与此同时，相关信息可能会随机来自于灾区的不同信息来源。因此，这些多个信息源的质量（如精度等）和可靠性（如信息更新频率）似乎是在紧急情况下无法控制的。考虑到上面所提到的救灾需求的不确定性和动态性，首先，我们提出利用数据融合技术来处理多种来源的信息，在死亡人数方面，随机从一个给定的受灾地区进行搜集。其次是通过相关幸存者对实时救灾需求进行估计，这种方法无论是在需求预测还是在应急物流管理领域都很少见。（2）为了方便动态救灾需求的分配和分布，对该模型受灾地区的动态群体采用模糊聚类，接下来通过TOPSIS过程法，识别基于组的救灾需求的迫切性。类似于物流分配及服务中的客户分类概念(Sheu,2006；Dondo and Cerda,2007)，本文提出一个以模糊聚类为基础的模型，对受灾地区进行分组，其次是用TOPSIS法来识别与每个组相关联的救灾需求的迫切性。跟以前的研究相比较，我们在这里所面临的主要挑战是无法获得相关的信息。不同于典型的客户分类方法，典型的顾客分类方法通常使用顾客订单数据和需求特点作为分析的基础，紧急救灾所需的对于灾区分组或确定受灾地区需求紧迫性的数据是不容易得到。相反，应该从瞬时数据和现场报告的统计数字中对相关的信息进一步完善。因此，我们主张混合使用这种人工推论（AI）和多准则决策（多准则）的方法，来动态地推断出在每个不确定的时间间隔下，这些与受灾地区分组有关的随时间变化的救灾需求的紧迫性。其中，在给定的时间间隔内，用一个更紧迫的程度对受灾地区的分组进行鉴定，为方便实施应急物流管理，将被安排接受具有较高优先级救灾需求。本文的其余部分包含以下几个部分。第2节介绍了该方法的框架，包括两个嵌入式动态救灾需求预测执行机制和救灾需求迫切性的鉴定。第3节描述了一个真正的地震案例，并运用该方法产生了相关的数值结果。 第4节是结束语和今后的研究和方向。2. Model formulation Consider the occurrence of a large-scale disaster, e.g. ,an earthquake and tsunami, which has contributed to different degrees of damage in certain affected areas that need rescue and relief supply. In order to respond to the urgent relief demands from the affected areas, this study proposes the mechanism of dynamic relief-demand management, which permits forecasting time-varying relief demand and identifying the demand urgency associated with each affected area in real time. In addition, considering the urgency of relief demand to trapped survivals, the present study scope aims at the category of daily consuming relief(e.g., water and meal boxes)which may vary with the time of day.Based on the above prerequisites, this study postulates three assumptions shown in the following to rationalize the proposed model.(1)The number of affected areas (denoted by I)and the corresponding geographic relationships are given. This study presumes that such information can be readily accessible via advanced disaster detection technologies such as satellites and geographic information systems (GIS).(2)For each affected area, the corresponding socioeconomic statistics (e.g., the population size and composition)are available in the aftermath of a disaster. In general, such data are obtainable from the existing governmental databases.(3)The time-varying relief demand needed in a given affected area is highly correlated with the number of survivals. Rooted in the above postulations, we propose a dynamic relief-demand management methodology, which involves three recursive mechanisms including: (1)dynamic relief-demand forecasting,(2)affected-area grouping, and(3)identification of area-based relief-demand urgency. The main purpose of the 1st mechanism is to update the accumulated number of fatalities associated with each affected area using multi-source information so as to approximate the area-based relief demand needed by the trapped survivals. The forecasts in terms of the area-based accumulated fatalities outputted from the 1st mechanism are then inputted to the 2nd mechanism for further use of affected-area grouping, followed by the identification of area-based relief-demand urgency executed in the 3rd mechanism. Through the integration with the function of relief distribution, the proposed methodology actuates the aforementioned three mechanisms recursively, where the output from the proposed method is updated each time interval to achieve the complementary synergism of emergency logistics operations, as illustrated in Fig.1.Note that the proposed three mechanisms including dynamic relief-demand forecasting, affected-area grouping and distribution priority identification are very important especially in the case of the shortage of emergency logistics resources, e .g., the supplied relief, vehicles and servers, which usually occurs in the aftermath of a large-scale disaster. The following subsections present the details about the propose