极端灾害诱导的耦合中断下应急医疗救援网络的配置韧性：一种主动学习辅助的优化方法

《Systems》：Configuration Resilience of Emergency Medical Rescue Networks Under Coupled Disruptions Induced by Extreme Disasters: An Active-Learning-Assisted Optimization Approach

　　

本研究探讨了灾害诱导的复合中断下应急医疗救援网络的配置韧性。重大灾害可能同时加剧伤亡严重程度、破坏道路网络、限制响应可及性并增加医院激增压力，将应急准备转化为不确定性下的选址-容量-转运规划问题。研究人员构建了一个两阶段场景混合整数规划模型，该模型确定临时救援站点和应急医疗设施的位置与容量水平，随后优化受灾区域、救援站点、应急设施和医院之间的场景自适应伤员转运。模型考虑了由伤亡严重程度、道路网络中断、响应可及性约束和医院激增压力定义的81个复合中断场景。为求解大规模实例，研究人员开发了一种小样本主动学习辅助变邻域搜索算法（AL-VNS），该算法结合委员会随机森林代理模型与渐进主动验证策略，优先进行有限数量的精确CPLEX评估，同时确保所有接受和报告的解决方案均经过精确评估。数值实验表明，AL-VNS在中小规模实例中可达到接近最优的性能。基于每个大规模实例的三次独立运行，AL-VNS相对于基线变邻域搜索（BVNS）平均运行时间减少34.71%–63.73%，同时保持平均目标值差异仅为0.01%–0.12%，每个实例约需217次精确评估。在雅安案例及所测试的敏感性设置中，临时救援站点提供了相对稳定的空间分诊-转运骨干，而应急医疗设施提供了灵活激增容量以缓解医院压力。研究结果支持在不确定复合中断下进行应急医疗救援网络的韧性导向选址与容量规划。

**论文解读：极端灾害下应急医疗救援网络的配置韧性研究**

**一、研究背景与问题**

极端灾害（如地震、洪水、滑坡）对应急医疗响应系统的影响并非单一维度。除增加伤亡需求外，灾害可能同时改变伤情严重程度分布、降低道路可达性、限制救援通道、并挤压医院接收能力。这些效应相互耦合：道路损坏延误伤员转运，延误增加治疗紧迫性，医院超负荷迫使伤员通过院前分诊点、临时治疗设施和替代接收医院重新分流。现有研究多将需求波动、旅行时间不确定、设施中断或容量短缺视为相对分离的风险源，但在重大灾害中，这些因素同时发生并共同影响响应的可行性与绩效。因此，应急医疗资源规划需超越单一不确定性表征，纳入灾害诱导的复合中断视角。本研究提出配置韧性（configuration resilience）概念，即预规划的医疗响应网络在灾后需求、运输可达性、转运可行性和医院容量同时中断时维持运营绩效的能力，涵盖稳健准备与运营吸收/适应两个互补维度。

**二、研究内容与意义**

研究人员开发了一个韧性导向的应急医疗资源配置框架，将灾前资源部署与灾后场景自适应伤员转运集成。该框架通过两阶段场景混合整数规划模型，确定临时救援站点和应急医疗设施的位置与容量水平，并在81个复合中断场景下优化伤员分配。为求解大规模实例，设计了小样本主动学习辅助变邻域搜索算法（AL-VNS）。数值实验表明AL-VNS在中小规模实例中接近最优，在大规模实例中较基线变邻域搜索（BVNS）平均运行时间减少34.71%–63.73%，目标值差异仅0.01%–0.12%。雅安案例揭示临时救援站点提供稳定分诊-转运骨干，应急医疗设施提供灵活激增容量。论文发表在《Systems》。

**三、关键技术与方法**

本研究采用的关键技术方法包括：（1）两阶段场景混合整数规划模型，刻画临时救援站点与应急医疗设施的选址-容量决策及场景自适应伤员分配；（2）小样本主动学习辅助变邻域搜索算法（AL-VNS），该算法包含委员会随机森林（CRF）代理模型和渐进主动验证策略，通过预测质量、模型不确定性、结构多样性和随机探索筛选候选方案进行精确CPLEX评估，所有接受和报告的解均经精确验证；（3）雅安案例基于真实人口（第七次全国人口普查）、道路网络（高德地图API）、现有医院床位数（公开数据）及候选公共设施（学校、体育馆、广场）构建，模拟81个复合中断场景。

**四、研究结果**

**6.2 BVNS与AL-VNS的计算性能**：通过小规模（As1-As4）和中规模（Bs1-Bs3）实例验证，BVNS和AL-VNS均获得接近CPLEX基准的解，平均最优性间隙低于0.5%。在大规模实例（Cs1-Cs3）中，CPLEX无法在7200秒内返回可用解，AL-VNS较BVNS平均运行时间降低34.71%–63.73%，目标值差异仅0.01%–0.12%，每个实例约需217次精确评估。

**6.3 雅安案例研究**：基于雅安地区真实数据，AL-VNS求解得到13个临时救援站点全部开放（1小、2中、10大，总容量4692），10个应急医疗设施开放（总床位2576），J1、J3、J4未开放。该配置反映了临时响应能力扩展与高成本应急医疗设施选择性建设之间的权衡。

**6.4 决策者偏好的敏感性分析**：测试9种偏好组合（λ₁与λ₂权重变化）。临时救援站点呈现结构锁定模式，所有候选站点均保持开放，容量水平略有变化。应急医疗设施对偏好变化更敏感，当更重视系统运营绩效时，模型倾向于开放更多或更高容量设施以降低医院过载。网络主干相对稳定，边际调整集中于应急医疗设施。

**6.5 医院过载惩罚乘数的敏感性分析**：测试5种乘数水平（λ_penalty = 0.5, 1.0, 1.5, 2.0, 2.5）。临时救援站点几乎完全激活，构成稳定分诊-转运骨干；应急医疗设施在边际上调整，反映其灵活激增容量角色。主要网络配置对过载惩罚校准具有稳健性。

**五、讨论与结论**

讨论部分指出，管理上可区分相对稳定的网络骨干决策（临时救援站点优先保障空间覆盖与基本容量）与灵活激增容量决策（应急医疗设施保留弹性）。政策上建议预指定公共设施作为潜在应急医疗节点，并建立分级容量选项与激活条件。实施上框架可利用区域数据重新校准，AL-VNS支持时间受限的规划更新。研究结论部分翻译如下：首先，本研究开发了复合中断下韧性导向的应急医疗资源配置框架，通过81个复合场景耦合伤亡需求、道路中断、响应约束和医院激增压力，配置韧性体现于灾前容量配置与场景自适应网络运营的联合效应。其次，开发了问题导向的小样本主动学习辅助变邻域搜索算法（AL-VNS），在中小规模实例中接近CPLEX基准（最优性间隙<0.5%），在大规模实例中平均运行时间降低34.71%–63.73%，目标值差异仅0.01%–0.12%，每实例约需217次精确评估。第三，雅安案例揭示了临时救援站点作为稳定空间分诊-转运骨干、应急医疗设施作为灵活激增容量的差异化角色，敏感性分析显示主要网络配置相对稳定，边际调整集中于应急医疗设施。研究局限性包括使用聚合需求区域和场景基础道路阻抗，未来可纳入动态灾害演化、实时路网更新、多时期资源再分配及更丰富的经验数据。