利用可能性网络降低多级供应链中的中断风险：一种稳健的决策方法

《European Journal of Operational Research》：Mitigating Disruption Risk in Multi-echelon Supply Chains via Possibilistic Networks: A Robust Decision-Making Approach

　　•提出了一种可能性框架，作为概率优化的一种战略替代方案。•利用可能性和必要性（弹性）这两类度量标准构建MINLP模型。•识别出多种最优解，为管理者提供更大的灵活性。•量化了平均性能与保守稳健性之间的关键权衡。

引言
在 globalization日益加剧的今天，供应链已发展成覆盖多个国家和地区的复杂网络，其特点是各参与方之间存在复杂的相互依赖关系。虽然这种互联性带来了显著的经济效益，但也使得供应链极易受到干扰。极端天气事件、地缘政治不稳定或公共卫生危机（如COVID-19大流行）等局部事件，能够通过这些复杂网络迅速蔓延，引发影响众多企业运营稳定的风险。这种现象被称为连锁反应（Li等人，2021年；Ivanov，2022年；Sawik，2022年），对企业的持续运营构成了严重威胁。因此，制定有效的策略来降低干扰风险并提升供应链的弹性，已成为学者和从业者关注的重点，而定量和分析模型在这一领域发挥着越来越重要的作用（Fahimnia等人，2015年）。

应对连锁反应的一个主要挑战在于评估和量化干扰风险的传播情况，尤其是在规划针对性干预措施时。贝叶斯网络一直是一种常用的工具，它利用概率论来建模各种依赖关系，并推断下游发生干扰的可能性（Garvey等人，2015年；Ojha等人，2018年；Hosseini等人，2020年；Liu等人，2022年）。贝叶斯网络在处理由固有随机性产生的随机不确定性方面非常有效，这类不确定性可以通过基于足够历史数据的概率分布来描述。然而，当认知不确定性（由于知识缺乏、信息不完整或固有模糊性导致的不确定性）占主导地位时，贝叶斯网络在处理供应链干扰问题时存在明显局限性。在供应链干扰背景下，这一挑战尤为突出，因为这类干扰往往涉及罕见事件，而历史干扰数据往往不足以进行可靠的概率估算，原因有以下几点：(1)对于那些发生频率低但影响严重的干扰（如大流行病、重大地缘政治危机），由于历史记录不足，很难获得精确可靠的概率数据。(2)关键的风险评估往往依赖于管理层的判断。将不准确或基于主观信念的陈述直接转化为贝叶斯网络所需的精确概率值可能存在问题，从而导致信息失真。(3)决策者在了解供应商的脆弱性或潜在干扰的具体性质方面，往往掌握的数据并不完整。这些局限性凸显出需要采用其他分析框架，以便专门处理此类认知不确定性。为此，由Zadeh在1978年提出并由Dubois和Prade在1998年、2023年进一步发展的可能性理论，提供了一种专为解决这一问题而设计的强大数学工具。该理论使用两种度量标准来量化不确定性：可能性，用于反映某一事件被认为有多大的可能性；必要性，则表示与某一事件相关的确定性或信心程度。这种双度量方法（第3节将作详细阐述）相比单一概率值，能更全面地描述不确定状态。因此，其图形化表现形式——可能性网络，能够用来建模各种依赖关系并传递这些度量值，非常适合用于分析那些数据有限且依赖专家知识的系统——而这正是供应链干扰风险管理中常见的情况。

目前，针对供应链在干扰情况下的干预优化所采用的定量模型大多基于概率框架（如贝叶斯网络），在面对认知不确定性较高的情况时，缺乏专门利用可能性理论进行决策的方法。本研究通过引入并应用可能性理论及可能性网络，作为分析工具，旨在在预算有限的情况下，对供应链中的各个环节实施干预措施，以减轻干扰带来的连锁反应。基于这种可能性表示方法，本文将开展以下工作：(1)可能性网络的新应用。我们提出了在供应链风险管理中运用可能性网络的第一步，即定量建模和优化多级供应链中的干预策略，以此应对概率模型可能不太适用的认知不确定性所带来的挑战。(2)基于双重不确定性度量的MINLP模型构建。我们建立了两个混合整数非线性规划模型。模型F1旨在最小化核心制造商的干扰可能性（即干扰风险）。模型F2则在模型F1的基础上，进一步确保制造商的运营必要性（即正常运营的信心程度，可作为弹性的体现）达到预定的阈值。这种双重度量优化方法相比仅基于单一风险指标的模型，能提供更为全面的决策框架。此外，我们还分析了这些模型的理论特性。(3)算法解决方案与管理启示。我们设计了一种面向问题的差分进化算法，用于求解所提出的MINLP模型。通过数值实验，我们证明了该方法的有效性，强调了从双重度量视角得出的独特见解，并为干扰缓解提供了管理上的建议。

本文的其余结构如下：第2节回顾相关文献。第3节介绍可能性理论及可能性网络的基本概念。第4节阐述研究问题，提出两个非线性优化模型并进行问题分析。第5节设计用于解决问题の差分进化算法。第6节通过数值实验评估所提模型的效率。第7节讨论实验结果。最后，第8节总结结论并探讨未来研究方向。