《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》：Quantifying human suffering for humanitarian logistics: deprivation cost versus deprivation level
编辑推荐：
本刊推荐：为解决人道主义物流中缺乏直接衡量人类苦难的有效指标问题，研究人员针对剥夺成本（DC）和剥夺水平（DL）两大度量开展实证比较研究。结果表明，DC与DL呈指数关系而非线性，且DC更易受个体特征和灾害经历影响，而DL则相对稳定。此发现对优化模型选择及人道援助资源分配策略具有重要指导意义。
在全球灾害频发的背景下，人道主义组织（HO）面临着一个核心挑战：如何最有效地利用有限的资源来减轻受灾民众的苦难。传统的人道主义物流（HL）优化模型常常使用一些代理指标，如需求满足率或响应时间，来衡量援助效果。然而，这些指标被认为与真实的苦难程度关联较弱，因为它们未能捕捉到剥夺时间（DT）——即人们无法获得基本物资（如水、食物、庇护所）的持续时间——与苦难之间存在的非线性增长关系。为了更直接地衡量苦难，学术界提出了两个特定的指标：剥夺成本（DC）和剥夺水平（DL）。DC代表了因无法获得某种商品或服务而产生的经济价值，而DL则是在一个数值评定量表（NRS，通常是0到10）上对苦难程度进行评分。尽管这两个指标都被倡导为有效的苦难度量方式，但它们衡量的是不同的变量，并且通过不同的调查或选择实验来获取数据。一个关键但尚未解决的问题是：这两个指标之间究竟存在怎样的关系？选择不同的指标会对人道主义物流的决策结果产生多大影响？此外，个人的特征（如年龄、收入、教育背景）以及是否具有灾害经历，会在多大程度上影响DC和DL的估计？弄清楚这些问题，对于指导人道主义组织选择恰当的决策依据、提高援助效率至关重要。
为了回答这些问题，研究人员在中国进行了一项大规模的实证研究，通过在线问卷和实地调查相结合的方式，从1105名受访者那里收集了关于水、食物和庇护所这三种基本救援物资的DC和DL数据。研究采用了条件价值评估法（CV）来获取DC，并使用有序逻辑回归和普通最小二乘法（OLS）回归等统计技术对数据进行分析。
本研究主要采用了以下几种关键方法技术：1. 调查设计：基于前人成熟的调查问卷，设计了包含个人特征、灾害经历以及针对不同物资和剥夺时间情景下DC和DL测量的问卷。2. 数据收集：通过在线平台（Credamo）和实地走访（安徽阜阳）两种方式，从中国七个曾受地震、洪水和台风影响的地区收集有效样本，确保了样本的多样性和代表性。3. 回归分析：使用多元线性回归模型拟合剥夺成本函数（DCF），使用有序逻辑回归模型分析剥夺水平函数（DLF）与各变量之间的关系，并通过引入交互项来探究个体特征和灾害经历的调节效应。4. 案例研究：通过构建一个简化的人道主义物流配送优化模型，比较了以最小化DC、最小化DL和最大化覆盖率为目标函数时，所得到的最优配送方案之间的差异，直观展示指标选择对决策的影响。
4. 结果
4.1. 剥夺成本函数（DCFs）和剥夺水平函数（DLFs）的估计
研究人员首先分别拟合了三种救援物资（水、食物、庇护所）在不同灾害类型下的DCFs和DLFs。结果显示，DC随着DT呈指数增长，其函数形式可表示为 DC = αeβ•DT。例如，对于水而言，DC的增长率参数β在不同灾害类型下约为0.07-0.085。相反，DL随着DT的增长遵循逻辑增长函数（S型曲线），其形式为 DL = σ / (1 + μe-η•DT)，即初期增长较快，随后逐渐趋于一个上限（接近10）。这表明，在感知上，苦难水平在剥夺初期迅速上升，但达到一定程度后，再延长剥夺时间，苦难感的增加会变缓。此外，不同灾害类型（地震、洪水、台风）对同一物资的DCF和DLF影响微乎其微，但不同物资之间的函数形状和增长速率存在明显差异，例如水和食物的苦难增长快于庇护所。
4.2. 剥夺成本（DC）与剥夺水平（DL）的关系（RQ1）
一个核心发现是，DC和DL并非简单的线性关系。通过比较线性、对数、幂函数和指数函数等多种模型，研究发现指数函数 DC = eγ + ε•DL最能描述两者之间的关系。这意味着，DL每增加一个单位，DC会以固定的百分比（例如，对于水，DL每增加1单位，DC增加约54%）呈指数级增长。这种非线性的指数关系表明，在高度苦难的状态下（高DL），人们愿意支付远超线性比例的价格（高DC）来结束苦难，这可能反映了对生存风险或长期健康损害的规避。
4.3. 灾害经历和个体特征的影响（RQ2）
回归分析表明，灾害经历和个体特征对DC和DL的影响存在显著差异。灾害经历对DC的影响非常显著（平均绝对百分比差异MAPD达17.0%），有经验者的DC估值低于无经验者。然而，灾害经历对DL的影响则小得多（MAPD仅为4.0%）。在个体特征方面，教育水平、婚姻状况、是否有子女以及收入水平都对DC有显著的调节作用，影响幅度在9.4%到19.2%之间。例如，高学历者或有子女者报告的DC更高。相比之下，个体特征对DL的影响要小很多，仅有收入和年龄显示出轻微但显著的影响（MAPD小于8%）。这表明，DL作为苦难的直接评分，在不同人群中的一致性相对更高，受社会经济背景的影响较小。
4.5. 对最优解值的影响
为了直观展示指标选择的重要性，研究将一个简化的HL配送问题作为案例。该案例涉及如何安排一辆卡车向五个距离不同的社区配送水，以优化不同的目标函数：最小化总DC、最小化总DL、最大化在4天内获得补给的社区数量（覆盖率）。结果显示，基于不同目标函数得到的最优配送方案（如各社区的配送时间间隔）截然不同。例如，最小化DC的方案倾向于更频繁地访问所有社区以避免指数增长的剥夺成本；而最小化DL的方案，由于DL很快达到上限，可能倾向于牺牲对偏远社区的访问频率。评估发现，针对一个目标最优的方案，在另一个目标下可能表现极差（最优性差距可达数倍）。这强有力地证明了在HL模型中选择不同苦难度量指标会直接导致不同的、甚至可能相互冲突的运营决策。
本研究首次在同一人群中系统比较了DC和DL这两大苦难度量指标。主要结论包括：1. DC和DL与DT的函数关系不同（指数增长 vs. 逻辑增长），且两者之间呈指数相关而非线性相关。2. 灾害经历和个体特征（如收入、教育、家庭状况）对DC有显著影响，但对DL的影响相对微弱。3. 在优化模型中，选择DC、DL或是传统的覆盖率作为目标函数，会得出截然不同的最优配送策略，这意味着指标的选择本身就是一个至关重要的决策，会直接影响援助资源的分配效率和公平性。
这些发现具有重要的理论和实践意义。理论上，它揭示了DC和DL作为苦难度量指标的内在差异和潜在偏差，推动了关于“何为更有效或更稳健的苦难度量”的讨论。实践上，对于人道主义工作者和研究者而言：首先，鉴于DL受个体差异影响较小，且数据收集（可从更广泛人群获取）相对容易，DL可能是一个更易于推广和应用的指标。其次，在使用DC时需格外谨慎，必须考虑目标人群的社会经济特征是否与样本人群匹配，并进行敏感性分析。最后，研究结果强调了在设计和评估人道主义物流方案时，明确目标函数并理解其含义的重要性，避免因使用不恰当的代理指标而导致次优甚至不公平的决策。未来的研究可以进一步探索在多物资救援、考虑气候因素、以及在不同文化背景下这些关系的稳健性，并开发基于DL的实用决策工具或启发式规则，以更好地将苦难量化融入人道主义行动中。
