基于模糊AHP与TOPSIS的灾害医疗供应链容量规划优化研究

本研究针对灾害环境下医疗供应链容量规划的不确定性问题，创新性地集成模糊层次分析法（FAHP）与模糊理想解排序法（FTOPSIS），构建了包含患者需求、资源可用性、成本与护理质量等核心指标的多准则决策框架。通过案例验证表明，该方法能有效捕捉专家判断的模糊性，提升决策稳健性，为医院在资源动态调配与成本控制方面提供实践指南。

　　

当灾害来袭时，医疗系统往往面临前所未有的压力。COVID-19大流行暴露了医疗供应链的致命弱点：个人防护装备短缺、ICU床位不足、检测能力受限等问题在全球范围内频发。这些危机不仅源于资源匮乏，更源于缺乏系统化的容量规划方法。传统的决策工具依赖精确数据，而灾害环境下的信息往往模糊不清——专家无法准确预测患者涌入数量，资源可用性评估充满不确定性，这使得医院管理者在权衡“增加病床”“外派服务”等方案时举步维艰。

正是在这样的背景下，摩洛哥研究团队在《Scientific Reports》上发表了这项开创性研究。他们意识到，必须开发一种能够处理不确定性的决策框架，将模糊数学理论与多准则决策方法相结合，才能为灾害中的医疗资源分配提供科学支持。

研究团队采用模糊层次分析法（Fuzzy AHP）与模糊理想解排序法（Fuzzy TOPSIS）相结合的技术路线。首先通过专家访谈确定5大核心准则（资源可用性、患者需求、响应速度、成本、利益相关者偏好）及12项子准则，利用三角模糊数处理语言评估的模糊性。随后运用Chang的扩展分析法计算准则权重，最后通过FTOPSIS评估三家医院的应急能力。案例数据来源于摩洛哥实际医疗机构的运营记录，敏感性分析通过系统调整权重参数验证模型稳定性。

资源可用性评估

研究显示医院A在医疗物资、专业人员及物流资源方面表现全面，其三角模糊数评分达（0.85,0.92,0.98）。而医院C因缺乏训练有素的医护人员，该项评分仅为（0.45,0.55,0.65）。模糊AHP权重计算表明，医疗物资可用性（权重0.32）对灾害响应的影响远超运输成本（权重0.11）。

患者需求优先级分析

通过模糊TOPSIS计算，患者病情严重程度的全局权重达0.28，显著高于地理可达性（0.15）。在灾害场景下，危重患者集中区域（如医院A）的资源分配优先级应是偏远地区（如医院C）的1.8倍。

响应速度量化比较

医院A的资源动员时间模糊评分为（0.88,0.95,1.0），诊断治疗周期为（0.82,0.90,0.96），均显著优于医院C的（0.50,0.60,0.70）。时间维度权重分析表明，缩短4小时动员时间等效于降低15%物资成本。

成本-效益均衡模型

尽管三家医院的直接成本相近，但模糊决策矩阵显示医院A的间接成本（如人员加班、物流延迟）模糊数区间宽度较窄（0.08 vs 0.15），表明其成本控制更具可预测性。敏感性分析证实当成本权重波动±20%时，医院A的排名始终保持首位。

利益相关者协调机制

通过模糊德尔菲法整合政府机构、医护人员及患者家属的偏好，发现灾害初期各方对“响应速度”的共识度（模糊集合重叠度0.75）远高于“成本控制”（0.42）。这种差异解释了为何传统成本导向决策在灾害场景下易引发冲突。

该研究通过系统验证表明，模糊AHP-TOPSIS框架能有效解决三大核心问题：一是将语言描述的模糊性（如“高紧急度”）量化为可计算的三角模糊数；二是通过敏感性分析证明权重变化±15%时方案排名仍保持稳定；三是相较于传统AHP，该模型对判断矩阵的一致性要求降低32%。值得注意的是，与模糊PROMETHEE II、模糊TODIM方法的对比实验显示，三种方法均将医院A列为最优解，但TOPSIS在计算效率方面比PROMETHEE II提升40%。

研究的创新性在于首次将模糊集理论系统应用于医疗供应链容量规划领域，并揭示了灾害环境下决策偏好的动态特征——例如当持续时间超过72小时，决策者会从“地理可达性”优先转向“供应链韧性”优先。这一发现解释了为何在长期灾害中，拥有备用供应商网络的医院B（排名第2）反而比地理位置优越但资源单一的医院C更具优势。

当然，该方法仍存在局限性。其效果高度依赖专家判断质量，且当前模型尚未整合实时数据流（如物联网传感器信息）。未来研究可探索机器学习算法与模糊决策的融合，通过历史灾害数据动态优化模糊参数。此外，跨文化比较（如亚洲与北非医疗体系差异）也将是重要的拓展方向。

这项研究为灾害医疗管理提供了可操作的决策工具，其核心价值在于将“模糊的危机”转化为“清晰的数学语言”。当下一场灾害来临時，医院管理者或许能借助这样的智能框架，在混沌中找出最优解，让有限资源真正拯救更多生命。