绿色且韧性咖啡供应链网络设计：一种风险规避优化方法

《Cleaner Logistics and Supply Chain》：Designing green and resilient coffee supply chain networks: A risk-averse optimization approach

　　

本研究针对咖啡产业中兼具韧性与环境可持续性的供应网络设计难题展开研究，而该领域现有研究相对有限。研究聚焦于气候变化、供应链（SC）中断与碳足迹削减的交叉议题，提出了一种用于不确定性条件下采购、生产与配送决策的新型决策工具。研究人员构建了一个带有风险规避机制的两阶段随机规划模型，并采用条件风险价值（Conditional Value-at-Risk, CVaR）管理潜在中断，尤其是由病虫害传播所引发、并可在供应链中产生级联效应的扰动。该多目标模型同时优化成本降低与CO₂排放，构成了首个从风险规避视角出发对咖啡供应链网络进行综合设计的方法。基于案例研究与合成数据的实验验证表明，该模型对参数变化具有敏感性。模型采用Python实现，并与Pyomo优化框架集成。在低风险条件下，基于咖啡行业真实案例数据的实验求解时间为426.4661 s。研究同时识别出若干障碍，例如病虫害发生概率难以预测，以及CO₂排放数据有限。

该文发表于《Cleaner Logistics and Supply Chain》，围绕咖啡供应链在气候变化与病虫害冲击下的绿色化与韧性化网络设计问题展开。研究背景在于，咖啡是全球最重要的农产品贸易品之一，大量小农户依赖其生产维持生计，但咖啡供应链与一般农食供应链不同，其原料生产高度集中于气候脆弱的热带地区，且咖啡叶锈病等病虫害会在上游引发供给能力下降，并沿网络向加工、仓储和分销环节扩散，形成所谓“涟漪效应”（ripple effect，指局部中断在供应链中级联传播的现象）。传统确定性优化模型难以刻画此类带有情景性、传播性与尾部风险特征的供给中断，也难以同时反映经济目标与环境目标之间的权衡。因此，开展一项兼顾风险规避、韧性建设与CO₂减排的咖啡供应链网络优化研究具有明显必要性。

研究人员针对采购、生产、仓储与分销一体化决策，提出了一个面向咖啡产业的风险规避型绿色-韧性多目标模型。该模型以两阶段随机规划为基础：第一阶段处理仓库开设等战略决策，第二阶段处理原料采购量、备份供应商启用、生产量、运输流量、库存与产能配置等情景依赖型决策。在目标函数上，研究将条件风险价值（Conditional Value-at-Risk, CVaR，一种衡量极端损失尾部期望的风险度量）嵌入经济目标，同时设置运输导致的CO₂排放最小化目标，从而在成本、环境与中断风险之间建立系统性的权衡框架。论文强调，该研究的创新性主要体现在三个方面：其一，构建了首个专门用于咖啡供应链网络设计的风险规避型两阶段随机模型；其二，在多目标框架下同步优化成本与CO₂排放；其三，给出了基于Python、Pyomo与PyAUGMECON的可复现实现，并用真实案例和合成数据进行了验证。

研究所用的主要关键技术方法可概括如下：首先，采用两阶段随机混合整数线性规划（MILP）描述咖啡供应链网络中的设施选址、原料采购、生产、库存与配送决策，并以情景刻画病虫害导致的主供应商供给能力受损；其次，在经济目标中引入CVaR，通过风险偏好参数α与风险权重Δ控制对极端损失情景的规避程度；再次，采用AUGMECON算法将双目标模型转化为单目标求解，并通过PyAUGMECON在Pyomo框架中实现；最后，以中美洲咖啡产业真实案例数据为基础，并结合合成数据集开展参数敏感性与可扩展性分析，求解器使用Gurobi 11.0.1。

在研究结果部分，论文首先通过文献综述明确了问题提出的学术基础。作者将已有研究分为“风险规避绿色两阶段随机模型”“风险规避韧性两阶段随机模型”“一般风险规避随机模型”三类，并指出现有工作在农食供应链、特别是咖啡供应链中，普遍存在绿色实践与风险规避整合不足、韧性与环境目标协同考虑不足、面向咖啡网络的研究稀缺，以及同时纳入成本与CO₂目标的模型极少等缺口。这一综述结果直接支撑了本文模型构建的必要性。

在“Mathematical model”部分，研究人员构建了咖啡供应链的多级网络结构，包括主供应农户、备份农户、加工厂、潜在仓库与区域客户。模型假设产品在网络中单向前向流动，仅在仓库持有成品库存，仅对成品考虑易腐性，并考虑安全库存、多运输模式、多产品类型及延期需求损失。研究特别设置了备份供应商机制，以应对主供应商因咖啡叶锈病等扰动造成的供给失效。结果上，这一结构使模型能够在主供应中断时通过备份采购、库存缓冲与产能调整维持网络运行，从而增强供应链韧性。

在“Risk-neutral two-stage stochastic optimization model”部分，作者首先给出了风险中性版本。该模型以总成本最小化为经济目标，以CO₂排放最小化为环境目标，并通过需求满足、库存平衡、安全库存、仓储容量、生产能力、原料配比、主备供应能力约束等保证网络运行可行。通过这一建模过程，研究建立了后续风险规避扩展的基准框架，也明确了中断情景对供给侧能力参数的作用方式。

在“Risk-averse optimization model with CVaR”部分，研究人员在两阶段随机框架中引入CVaR，将其嵌入经济目标函数。通过VaR变量η和偏差变量v_s，模型能够度量并惩罚超过风险阈值的尾部损失；参数α决定保护的尾部区间，Δ则调节风险项在目标中的权重。通过这一扩展，模型不再仅追求期望成本最小，而是显式规避极端中断情景下的大额损失，体现出更强的风险管理能力。

在“Solution method”部分，论文采用AUGMECON方法求解双目标模型。该方法以一个目标作为主目标，将另一个目标转化为ε约束，从而求得Pareto前沿。研究使用公开的PyAUGMECON框架实现，具备可复现性与可移植性。文中指出，该实现能够避免弱有效解并减少冗余迭代，为后续多情景实验和参数敏感性分析提供了可操作的计算基础。

在“Case study”部分，作者以中美洲咖啡产业为原型构建案例数据。网络包含3个主供应区域、2个备份供应区域、6个加工厂、5个潜在仓库和多个客户区域。案例中原料受咖啡叶锈病与咖啡浆果蠹等影响，供给能力在特定月份受扰。结果表明，模型能够在真实参数背景下综合处理采购成本、加工成本、缺货成本、运输成本与排放因素，反映出咖啡供应链在病虫害冲击下的结构性脆弱性。

在“Scenario generation”部分，研究给出了情景生成机制。主供应商能力受损比例按照算法在不同时间段与情景中分配，另通过算法为各情景赋予概率。由此，模型得以将病虫害扰动转化为可计算的离散随机情景。论文同时指出，病虫害发生概率本身难以准确估计，这是模型落地应用中的现实限制之一。

在“Synthetic data generation”部分，作者开发了Python程序自动生成小规模与中等规模合成数据集，并基于真实案例上下界形成“Test min S”“Test max S”和真实数据集。该部分结果说明，合成数据不仅用于压力测试，也有助于比较不同参数区间下模型决策行为与求解表现的差异。

在“Results and analysis”部分，研究人员基于固定参数α=0.8、Δ=0.1进行了多组实验，获得了成本-CVaR与CO₂排放之间的Pareto解集。对于最小值数据集S，最低CVaR为46,176,822，对应Z₂为347,825.7；对于最大值数据集S，CVaR与排放水平整体更高；对于真实数据集，CVaR达到109,519,796.7，对应Z₂为99,496.34。通过这些实验，研究表明模型能够揭示经济风险与环境影响之间的非支配权衡关系。进一步地，在最小值数据集中，备份供应商补货机制被成功激活且未出现短缺；在最大值数据集中，库存水平高于最小值情形；在真实数据集中，主供应商仅在收获月份形成原料流，备份供应商在其他时期承担补给功能，同时各期存在缺货，模型据此确定了最优库存与生产方案。

在“Sensitivity analysis”部分，论文系统考察了α与Δ变化对结果的影响。真实数据集下，CVaR成本随参数变化而变化，但原料流、备份采购、库存、短缺与生产等核心决策变量总体保持稳定，说明在真实案例中，风险参数更多影响尾部风险暴露水平，而非根本改变网络结构与操作方案。与此同时，计算时间存在差异，其中α=0.95、Δ=0的配置最耗时，为2998.113 s。论文还通过图示分析库存行为，指出某些仓库持续零库存，表现为流通节点而非缓冲节点；另一些仓库在高风险情景下形成显著库存峰值，承担风险缓冲功能。作者进一步指出，决策变量对Δ的敏感性较低，而对α更敏感，这意味着实践中应优先校准α，以决定需要重点防护的最差情景尾部范围。

在“Computational tractability and scalability analysis”部分，作者报告了模型规模与计算表现。真实案例约包含2,847个连续变量、23个二元变量和1,456个约束，合成压力测试实例约扩大至4,200个变量和2,100个约束。真实数据实验在不同风险参数下通常可于426–543 s内完成，说明该模型在普通硬件上具有可接受的批量规划可行性。对于更大规模情景或更细时间粒度，论文建议结合情景缩减或Benders分解进一步提升可扩展性。

讨论部分强调了模型的管理启示。研究指出，企业可事先设定紧凑情景集，并随监测信息更新情景概率；α与Δ可作为显式政策杠杆，用于调节尾部损失保护程度与风险权重，其调整会反映在库存缓冲、备份供应商启用和排放变化上。论文同时指出，模型可在常规环境下作为成本有效的决策支持工具，也可在压力测试环境下用于探索韧性策略与成本-CO₂权衡。需要管理层关注的限制包括：压力测试部分依赖合成数据、病虫害概率与排放因子在数据贫乏地区难以精确估计，以及情景数过大时计算强度可能上升。

研究结论部分可译为：本文研究了在中断风险与环境约束下的供应网络设计问题，重点关注咖啡供应链。研究构建了一个风险规避的、两阶段的、双目标网络设计模型，在经济目标中嵌入条件风险价值（CVaR），并同时设置CO₂最小化目标。其主要理论贡献在于，将尾部风险管理与环境绩效整合到同一随机MILP模型中，并显式刻画源头中断，同时揭示成本与CO₂之间透明的权衡关系。其主要方法学贡献在于提供了一个可复现的Python实现（Pyomo结合PyAUGMECON），无需定制求解器开发即可生成Pareto解集与敏感性图谱。实证结果表明，在真实数据情境下，核心决策对风险参数变化具有稳定性；在合成压力测试实例中，模型则表现出对风险条件变化的响应性，从而说明何时参数调节会改变操作选择，何时主要只是调整尾部风险暴露。研究还证明了该框架在普通硬件上的计算可行性，支持按规划周期开展周期性批处理再优化。尽管部分地区在病虫害概率与排放因子估计方面仍存在限制，但该框架可与监测过程联动，随着新信息获得而更新概率与参数。未来研究将聚焦于病虫害预警下的数据驱动校准，以及将模型连接到实时监测系统，实现动态参数调整与情景更新。