基于贝叶斯信念网络的人道主义救援供应链绩效预测模型构建与验证

针对人道主义救援供应链(HRSC)绩效评估体系缺失的问题，本研究创新性地构建了整合主成分分析(PCA)与贝叶斯信念网络(BBN)的预测框架。通过识别关键绩效指标并建立概率模型，揭示了财务绩效与资金支持的核心作用，为灾害场景下的救援决策提供了数据驱动的量化工具，显著提升了供应链的敏捷性与资源调配效率。

　　

随着全球自然灾害和人为灾难频发，人道主义救援供应链(HRSC)面临前所未有的挑战。数据显示，1998-2019年间全球44亿人受灾，经济损失高达2万亿美元，而COVID-19大流行更暴露了传统救援体系的脆弱性。现有研究多聚焦商业供应链，缺乏针对HRSC特性的绩效评估框架，尤其在处理需求不确定性、多机构协作等复杂因素时，传统方法难以量化关键指标间的动态关联。

为解决这一难题，来自孟加拉国工程技术大学的研究团队在《Journal of Industrial Information Integration》发表创新成果。该研究首次将主成分分析(PCA)与贝叶斯信念网络(BBN)相结合，构建了HRSC绩效预测模型。通过极端条件测试和敏感性分析验证，发现财务绩效(Financial Performance)和资金支持(Monetary Support)对整体绩效影响权重最大，为优化资源配置提供了科学依据。

关键技术方法包括：1) 基于PCA从孟加拉国灾害案例中提取关键绩效指标；2) 构建BBN网络模型刻画指标间因果关系；3) 采用情景分析(Scenario Analysis)和诊断测试(Diagnostic Analysis)验证模型鲁棒性；4) 利用实际灾害数据完成模型校准。

研究结果

• 绩效指标识别：通过因子分析确定HRSC核心指标，包括运营效率(Operational Efficiency)、协作绩效(Collaborative Performance)等维度，其中财务指标方差解释度达32.7%。
• BBN模型构建：建立包含18个节点的概率网络，通过中介变量(Mediating Variables)连接"资金到位率"与"物资分发时效性"等关键路径。
• 敏感性验证：蒙特卡洛模拟显示，资金支持每提升10%，整体绩效概率分布向高值区偏移23.4%。
• 极端场景测试：在模拟2017年孟加拉洪灾数据时，模型准确预测了物资短缺节点的出现概率(87.6% vs 实际89.2%)。

结论与意义
该研究突破了传统HRSC评估的静态局限，其BBN模型能动态反映灾害响应中的不确定性。特别值得注意的是，模型揭示了资金流对物资流的乘数效应——当资金支持强度超过阈值(约总预算18%)时，会触发绩效的非线性提升。这一发现为制定分级响应预案提供了理论依据。

研究团队建议将模型集成到灾害管理信息系统(DMIS)中，通过实时数据输入实现绩效预警。未来可扩展至跨区域协作分析，但需注意模型在武装冲突等极端场景下的适用性限制。这项成果不仅填补了HRSC量化评估的理论空白，其"概率化+数据驱动"的方法论对公共卫生事件响应等复杂系统管理也具有普适价值。