大规模灾害下应急物流运作动态救灾需求管理.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（B??aganha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，S