基于轴辐网络的多式联运危险品运输路径优化研究：需求不确定条件下的成本-风险双目标决策

本研究针对危险品(hazmat)多式联运中需求不确定性和安全效率平衡难题，提出基于轴辐(hub-and-spoke)网络的混合整数双目标优化模型，采用三角模糊随机数表征不确定需求，创新性融合k-means聚类与非支配排序遗传算法(C-NSGA-II)，通过18个枢纽节点实证分析揭示枢纽数量与风险偏好的权衡机制，为危险品运输网络优化提供决策支持。成果发表于《Expert Systems with Applications》。

　　

危险化学品运输如同"移动的炸弹"，其事故具有低概率高后果(LPHC)特性。中国2013-2019年间记录的2777起危化品运输事故警示我们，传统单模式运输已难以满足安全与效率的双重要求。多式联运虽能整合公路、铁路等不同运输模式优势，但面临需求波动大、风险量化难等挑战，特别是当模糊性与随机性并存时，现有模糊理论或概率论均难以准确刻画这种复合不确定性。

华北电力大学等单位的研究团队在《Expert Systems with Applications》发表研究，创新性地将不确定理论引入危险品多式联运优化。研究构建了以18个北方货运枢纽为核心的轴辐网络模型，采用三角模糊随机数(triangular fuzzy random numbers)表征运输需求的不确定性，建立最小化成本和风险的双目标混合整数规划模型。为解决这一复杂问题，团队开发了融合k-means聚类与非支配排序遗传算法(NSGA-II)的C-NSGA-II算法，通过节点聚类初始化种群和局部强化机制提升搜索效率。

关键技术方法包括：1)基于中国北方18个真实货运枢纽构建轴辐网络拓扑；2)采用模糊随机理论处理需求不确定性；3)设计结合k-means聚类的改进遗传算法C-NSGA-II；4)运用Pareto最优解集分析成本-风险权衡关系。

【Multi-modal hazmat transportation】研究揭示铁路在长距离危险品运输中具有显著风险优势，而公路更适合短途灵活配送。通过模态组合优化，可实现运输成本降低12-18%且事故风险下降20-25%。

【Problem description and modeling】构建的轴辐网络模型将枢纽节点分为三个等级，引入转运成本系数α_ij和风险放大系数β_k，数学推导证明当需求波动幅度超过30%时，传统确定性模型将产生15%以上的方案偏差。

【Clustering non-dominated sorting genetic algorithm】C-NSGA-II算法通过k-means将相邻枢纽聚类，初始种群生成时间缩短40%，结合精英保留策略使Pareto前沿收敛速度提升28%。对比实验显示其在解集分布性和收敛性指标上均优于标准NSGA-II。

【Transportation network】以石家庄为例的敏感性分析表明，当枢纽处理能力达到临界值Q^*=1500吨/日时，边际风险降低效应开始递减，这为枢纽规模规划提供量化依据。

【Conclusions】该研究首次将模糊随机理论应用于危险品多式联运优化，证实需求不确定性会显著改变最优路径选择。决策者可通过调节λ∈[0,1]风险偏好系数，在成本-风险权衡中获得定制化方案。实践表明，采用推荐方案的企业平均运输成本降低14.7%，事故发生率下降22.3%。

这项研究的意义在于：1)理论层面，建立了不确定环境下多目标危险品运输优化的新框架；2)方法层面，开发的C-NSGA-II算法为复杂网络优化提供新工具；3)应用层面，实证结果为我国危险品物流网络规划提供科学依据。作者团队建议后续可结合数字孪生技术实现动态风险监控，进一步拓展模型在应急调度中的应用。