大规模灾害下应急物流运作的动态救灾需求管理.docVIP

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：本文大规模自然灾害不完全信息条件下物流动态需求管理模式。整体预测误差该方法的动态需求预测和分配能力应急物流。在世界各地自然灾害普遍发生应急物流管理成为全球关注的一个主题。例如，纳吉斯热带风暴无情地缅甸的海岸据报道，军政府外国援助人员和设备的限制，受影响的约2人需2008年5月12日中国西南部四川7.9级，而且人们越来越救援问题，特别是紧急需求管理。动态需求管理是大规模自然灾害的条件下物流运作取得成功的关键。在现实中，救需求管理的困难由下现象救济需求信息的不确定性。相反，那些在现场的记者，救援人员和慈善机构通常主要的信息来源，因此，导致救需求信息不对称。通常情况下提供的数据混乱没有决策支持工具的帮助和足够的时间进行核查。此外，救应急物流需求信息是基于区域的需求信息，而不是传统商业物流处理分解需求信息。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。上述救需求信息问题救需求管理造成严重影响，最近的灾难，如台湾集集地震（1999年），印度洋海啸（2004年），美国卡特里娜飓风（2005年），缅甸（2008年）。显然，实时救需求预测强调应急物流管理的动态救需求管理的挑战尽管动态救需求管理的需迫切，也没有直接的需求上述问题。相反，现有的需求模型似乎多数只限于一般情况下商业运作。从文献回顾，我们说明进一步讨论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模型其中，如自回归和整合移动平均（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一定的相关性，特点是需求平均??值动态演变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，以应对供应链管理影响需求变化下例如，牛鞭效应（等，1997年Chen等，2000）和信息共享（Gavirneni等，1999Lee等，2000Raghunathan，2001）。此外，一些研究人员考虑到时间需求，从而不断发展复杂的模型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，1998Gilbert，2005年张，2006）。与上述时间序列的需求相比，实时救需求预测必须克服需求不确定性问题。此外，其问题的本质是源于以的需求信息不足仅仅用时间序列数据处理机制可能会导致难以救需求模式总之，现有的时间序列需求模型实时救的需求预测。尽管最近出现应急物流管理已越来越引起研究者的，大部分似乎旨在解决救需求方面的救灾物资和问题。和Kumar（2007）提出的蚁群（ACO），分解为两个决策阶段：车辆建设和多商品。其中，他们把受伤的人，车辆和救灾作为商品，然后使用提出的启发式算法（ACO）解决这多商品网络流问题。灾害信息采集和沟通，简化灾难背景Tzeng等（2007年）模糊多目标规划法制定相应的救分配的问题明显，他们在制订多目标函数概念化公平满意避免在救灾过程中某些受地区不公平分发救物资的可能性考虑到在大规模灾害救援的关键时期救需求的动态性和不确定性（2007）键时期紧急救需求提出了应急物流包括日常消费救（例如水和餐盒）和日常使用的设备（如睡袋）救灾需求缓冲区制定一种简化的动态需求预测模型相对而言，赵和郑（2007）使用细胞传输为基础的线性模型多个应急反应动态分配解决上述问题在大规模自然灾害救援的关键时期数据融合模糊聚类和TOPSIS技术，所提出的方法嵌入三种机制：（1）动态救需求预测，（2）受区域分组，（3）确定救需求的迫切性。这里的关键救援期是指一场灾难最初的三天，这是搜救被困幸存者的最关键时期相对于以的文献，提出救灾需求管理方法有以下两个鲜明的特点。请注意，在大规模的灾难情况下，而与此同时，相关信息可能会随机信息来源。因此，这些多个信息源质量（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。首先，我们提出利用数据融合技术来处理多种来源的信息一个给定的受灾地区。这需求预测物流管理领域。为了方便动态救需求分配和分布，该模型受灾地区的动态用模糊聚类TOPSIS过程法，识别基于的救需求的迫切性(Sheu,2006；Dondo and Cerda,2007)，本提出一个模糊聚类为基础的模型，受其次是TOPSIS法来识别与每个关联的救需求的迫切性。以前的，我们在这里所面临的主要挑战是无法获得相关信息。典型的客户分类方法紧急救所需的对于分组或确定是不容易得到。相反，应该瞬时数据和现场报告的统计数字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）的方法动