通过综合的备灾和恢复策略来提升港口系统的韧性

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Optimizing port system resilience through integrated preparedness and recovery strategies

港口韧性评估与优化决策研究提出新指标及双重分解算法，基于随机混合整数线性规划模型，整合预事件准备与事后恢复策略，通过连云港港案例验证了其在多式联运港口风险管理和决策支持中的有效性。

　　港口作为复杂系统，面临着多种人为因素和自然现象引发的中断事件，这些事件可能对港口的正常运行造成影响。提高港口对中断的管理能力以及增强整个港口系统的韧性，对于确保商业贸易的顺利进行至关重要。然而，在不确定环境下评估港口的韧性并制定应对中断的措施仍然是一个具有挑战性的任务。本研究探讨了港口物流与运营基础设施中的网络韧性问题，提出了一种新的评估指标，并将这一问题建模为一种随机混合整数线性规划（SMILP），以确定准备和恢复措施，从而提升港口系统的韧性。随后，提出了一种双分解方法，结合拉格朗日分解和基于Dantzig–Wolfe分解的分支定界算法，以解决该模型。最后，通过实际案例研究验证了该算法的有效性以及所提出策略在风险管理中的重要性。

港口系统在全球贸易中扮演着关键角色。据统计，大约80%的全球贸易依赖于海运进行货物运输（UNCTAD，2021）。港口不仅在货物运输方面至关重要，还在信息流通、人员调配、物流支持等方面发挥着重要作用。然而，港口系统的复杂性、地理分布以及所存储的货物种类，使其更容易受到各种干扰。这些干扰可能源于自然灾害，如飓风、地震和风暴，也可能来自人为因素，如恶意攻击和人为操作失误[1]。因此，这些干扰可能导致运输延误和贸易与商业领域的经济损失[2]。为了应对这些挑战，提高港口系统对干扰的承受能力和恢复能力变得尤为关键。

一个具有韧性的网络能够有效应对干扰，减少性能损失，并迅速恢复其功能[3]。网络的韧性受到其结构稳定性和应对干扰后恢复服务的策略影响。因此，为了制定有效的策略来减少港口的脆弱性，首先需要准确评估网络的韧性。在运输、制造和电信等行业，已经开发了评估网络韧性的方法。例如，研究人员利用可靠性定量指标，如连通性、运输时间容量和容量可靠性，来分析网络的韧性[4]。然而，这些方法无法直接应用于港口系统，因为港口系统结合了运输子系统和制造子系统，其中起重机负责处理集装箱。传统的评估指标无法全面衡量港口系统的各个层面，因此需要提出专门且灵活的评估方法，以更好地理解港口网络的韧性。

港口系统中的干扰形式多样，且具有高度的不确定性。在管理干扰时，通常采用两种主要策略。第一种策略是在干扰发生前采取预防措施，例如为设备储备备用零件，为存储危险物品的区域配备灭火资源。这些措施属于预事件准备活动。第二种策略是在干扰发生后采取纠正措施，如在集装箱发生火灾后进行灭火。这些措施被称为后事件恢复活动。目前的研究往往集中于某一特定方面，忽视了两种策略的结合。通过考虑干扰的随机性，并同时整合预事件和后事件的措施，可以显著提高港口系统的韧性。

本研究聚焦于港口物流与运营基础设施中的网络韧性问题，旨在提供一种定性评估方法，并提出提升港口系统韧性的策略。通过将港口物流和运营基础设施整合为一个统一的港口网络，引入了一种新的韧性评估指标。此外，研究还考虑到干扰的不确定性，采用一种两阶段决策过程，以识别最佳的准备和短期恢复措施，从而优化港口系统的韧性。本研究的主要贡献包括四个方面：首先，提出了一个适用于动态和复杂港口系统的新型韧性评估指标，该系统包含运输和制造子系统；其次，研究探讨了港口网络韧性，考虑了干扰的不确定性，并通过两阶段随机混合整数线性规划（SMILP）模型优化了准备和恢复策略；第三，设计了一种基于模型结构的双分解方法，以简化求解过程并保持准确性；最后，通过实际案例研究验证了模型的有效性，展示了其在风险管理中的实际应用价值。

在港口系统中，外部因素的交互作用可能导致干扰事件在不可预测的时间和规模下发生。Tsoulfas[5]提出，港口韧性是指在面对干扰事件时，仍然能够保持运营并继续为船舶、货物和客户提供服务的能力。提高港口韧性有助于应对中断，减少损失，并避免严重的负面社会经济影响[6]。本研究在相关文献的基础上，回顾了港口韧性评估以及韧性优化的研究进展。现有的研究主要集中在单一方面，缺乏对港口系统整体韧性的系统性分析。因此，本研究引入了一种新的评估指标，结合了港口物流和运营基础设施的特点，以更全面地衡量港口系统的韧性。

港口网络的结构通常包括多种运输方式，如海运、铁路和公路运输。图1展示了多式联运港口的布局。在日常运营中，货物运输通常呈现双向流动，即在码头与陆地之间进行。对于需要铁路或公路运输的货物，通常由自动导引车（AGV）直接从码头运输到铁路或公路集装箱作业区，或者先运输到调度区进行分类，或暂时存放在仓储区（分类也可能在此进行），然后再发送到最终的装卸区。这种复杂的物流流程使得港口系统对干扰极为敏感。因此，如何在干扰发生前做好准备，并在干扰发生后迅速恢复，成为提升港口韧性的重要课题。

为了应对这种挑战，本研究提出了一种双分解方法，该方法结合了拉格朗日分解和基于Dantzig–Wolfe分解的分支定界算法，如图3所示。由于模型中可能包含大量干扰场景和起讫点（O–D）对，导致模型的复杂性显著增加，使得在多项式时间内求解变得不可行。因此，采用双分解方法可以有效降低模型的求解难度，同时保持较高的求解精度。拉格朗日松弛方法首先被用于重新构建耦合约束（如约束（6）），将其纳入目标函数中，以简化模型的求解过程。随后，基于Dantzig–Wolfe分解的分支定界算法被用于进一步求解优化问题，从而找到最优的准备和恢复策略。

本研究的实验部分首先介绍了实验设置，包括港口网络的配置、干扰场景的生成以及准备和恢复活动的设计（见第5.1节）。接着，通过结合真实数据和模拟数据的全面实验，评估了SMILP模型和所提出解决方案框架的性能（见第5.2节）。实验结果表明，该模型在处理多种干扰场景时表现出良好的适应性和有效性。此外，研究还探讨了决策支持工具在不同场景下的实际应用价值，验证了其在风险管理中的重要性。

在实际案例研究中，研究团队以连云港港为例，应用了所提出的模型和方法。实验结果表明，该框架在不同干扰场景下均能保持较高的运营效率，特别是在不同的预算条件下，仍然能够实现有效的准备和恢复措施。研究结果强调，针对性的准备措施，如在高风险区域扩大容量，能够显著提高港口系统的韧性。此外，研究还指出，合理的资源分配和优化的应急响应机制，对于降低干扰带来的负面影响至关重要。这些发现为港口系统的设计和管理提供了重要的理论依据和实践指导。

本研究的结论表明，通过优化内部货物运输流程，并结合准备和恢复措施，可以有效提升港口网络的韧性。连云港港的实验结果验证了该框架的稳健性和实用性，表明其在不同干扰场景下均能保持良好的运营表现。研究还强调，针对高风险区域的准备措施，如增加容量和优化资源配置，是提升港口系统韧性的关键因素。此外，研究指出，合理的恢复策略，如快速响应机制和灵活的调度方案，能够显著提高港口在干扰后的恢复能力。这些发现不仅有助于提升港口系统的整体韧性，也为相关领域的研究提供了新的思路和方法。

本研究的作者贡献部分表明，Zheng Xing负责撰写、审阅和编辑，提供验证、方法论和概念化支持；Chenhao Zhou负责撰写、审阅和编辑，提供验证、监督和概念化支持；Yu Shen负责撰写、审阅和编辑，撰写初稿，提供验证、方法论、形式分析、数据管理和概念化支持；Ek Peng Chew负责验证、监督、方法论和概念化支持；Kok Choon Tan负责验证、监督和方法论支持。这些作者的共同努力，使得本研究能够在理论和实践层面取得突破。

本研究的资助部分表明，该研究得到了国家自然科学基金的支持，这为研究的深入开展提供了必要的资金保障。研究团队利用这一资助，深入探讨了港口系统韧性评估和优化的多个方面，并通过实际案例研究验证了模型的有效性。此外，研究还强调了风险管理在港口系统中的重要性，指出通过合理的准备和恢复措施，可以有效降低干扰带来的经济损失和社会影响。

本研究的声明部分表明，作者不存在任何竞争利益。这一声明确保了研究的公正性和客观性，表明研究团队在进行相关分析时，未受到任何外部因素的影响。因此，研究结果具有较高的可信度和应用价值。

通过本研究，我们不仅提出了一个适用于复杂港口系统的新型韧性评估指标，还设计了一种双分解方法，以解决SMILP模型的求解难题。同时，通过实际案例研究，验证了所提出方法的有效性，并展示了其在风险管理中的实际应用价值。这些成果为港口系统的优化管理提供了重要的理论支持和实践指导，有助于提升港口在面对各种干扰时的应对能力。未来的研究可以进一步探索如何将这些方法应用于更广泛的港口系统，并结合人工智能和大数据技术，提高韧性评估的精度和效率。此外，还可以研究如何在不同经济条件下优化准备和恢复策略，以实现更全面的港口系统韧性提升。