《Supply Chain Analytics》：An Integrated Grey Programming Approach for Multi-Level, Multi-Objective Humanitarian Supply Chain Planning
编辑推荐：
人道主义物流（HL）要求在不确定性下对设施分配、救援物资分发、疏散和碎片清理进行协调规划。然而，大多数现有研究将这些决策独立处理，未能捕捉HL决策中的层级结构。本研究开发了一个完全灰色不确定、多级、多目标、多产品决策模型，同时整合了设施选址、救援物资分发、受影
人道主义物流（HL）要求在不确定性下对设施分配、救援物资分发、疏散和碎片清理进行协调规划。然而，大多数现有研究将这些决策独立处理，未能捕捉HL决策中的层级结构。本研究开发了一个完全灰色不确定、多级、多目标、多产品决策模型，同时整合了设施选址、救援物资分发、受影响人群疏散和碎片清除。第一级决策者最小化总运营和运输成本，第二级最小化总时间，而第三级最大化满意度并最小化所需的人道主义力量。灰色不确定性用于建模不确定参数，如成本、需求、时间、容量和供应。该模型使用2018年印度喀拉拉邦洪水的真实数据进行验证，涉及八个供应商、两个中央配送中心、十三个临时救灾中心、十个受灾区域、十种基本物资和碎片收集点。该模型在AMPL中编码，提供接近理想解的折中解，成本和交付时间的偏差分别约为17%和20%。该模型支持疏散超过一百万名受影响个体、交付超过两百万单位救援物资以及协调的碎片清除。在需求增加和救援中心容量减少的情景下进行的鲁棒性检查表明，解决方案在运营中断下具有可行性和灵活性。所提出的研究可以帮助当局将灾后信息转化为关于救援中心激活、物资分配、疏散、人力部署和碎片清除的协调且可执行的决策。
**论文解读：集成灰色规划方法的多级多目标人道主义供应链规划**
**研究背景、存在问题与研究意义**
全球自然灾害频发，造成巨大人员伤亡和经济损失。人道主义物流（Humanitarian Logistics, HL）是灾害响应的核心，需协调规划设施选址、救援物资分配、受灾人群疏散和碎片清理等多项操作。然而，现有研究大多将这些决策独立处理，忽略了它们在实际灾害响应中的相互依赖性。此外，灾害响应通常涉及不同层级决策者（如高层关注成本、操作层关注时效和公平），但多数模型采用单层决策结构，无法反映层级优先级。同时，灾后信息往往不完整且不确定，传统随机规划或模糊方法常依赖精确概率分布或假设，不适用于信息匮乏的紧急场景。因此，亟需一种集成设施选址、救援分配、疏散和碎片清理的决策模型，且能处理不确定性并体现层级决策优先级。本研究针对这一空白，提出名为Had-Dcm（Humanitarian Aid Operations and Debris Clean-up Model）的模型，旨在将灾后异构信息转化为协调且可执行的物流计划，具有重要的理论和实践意义。该论文发表在《Supply Chain Analytics》。
**主要关键技术方法**
研究人员采用灰色规划（Grey Programming）表示不确定参数，通过上下界区间而非概率分布建模成本、需求、时间、容量和供应。针对多级多目标结构，使用基于隶属度函数的折中方法：先分别求解各单目标的最优和最劣值以构建隶属函数（0-1尺度），再通过最大化最小满意度（max-min）生成折中解。对于灰色不确定性，构造两个确定性子问题（下界问题和上界问题），分别求解后得到灰色区间形式的最终解。模型在AMPL环境中编码，使用Knitro求解器求解。案例数据来自2018年印度喀拉拉邦洪水，包括八个供应商、两个中央配送中心（CDH）、十三个临时救灾中心（TDRH）、十个受灾区域（DAZ）、十种基本物资及十个碎片收集点（DCP），运输成本基于GIS和铁路信息系统（FOIS）数据。
**研究结果**
**1. 折中解与多目标权衡**
通过求解个体最优、个体最劣和折中解，结果显示成本目标（目标1）和时间目标（目标2）间存在经典权衡。折中解的成本偏差约为17.3%–17.97%（下界和上界），时间偏差约为20%–20.2%，表明模型在保持各层级优先级的同时实现了平衡。满意度目标（目标3）维持在9–10分，人道主义力量目标（目标4）偏差约44%，说明模型未以牺牲服务质量为代价降低人力。
**2. 供应商至中央配送中心（CDH）的分配**
最优分配并非仅基于地理距离，还综合考虑供应商容量、运输模式、网络限制和枢纽覆盖。Chennai和Bangalore成为最大供应商，但Kolkata分配量少于Delhi，表明容量而非单纯距离主导分配。CDH1（Kannur）接收量大于CDH2（Thiruvananthapuram），因其覆盖更多受灾区域。
**3. 运输模式选择**
成本最小化时铁路占比最高，时间最小化时航空占比最高，折中解则根据供应商位置差异化选择：远距离供应点（如Delhi）多用航空，近距离（如Bangalore、Chennai）多用公路，展示自适应运输策略。
**4. 水供应分配**
水作为特殊商品，由三个专用供应商（Tamil Nadu、Maharashtra、Madhya Pradesh）供应，其中Tamil Nadu因距离近且水资源丰富承担最大份额，但模型仍使用其他供应商以分散风险。
**5. 疏散分配与TDRH利用率**
所有13个TDRH均被激活，多数DAZ连接多个TDRH（如Ernakulum连接6个），避免单点拥堵。疏散计划显示超过100万受影响个体被转移至各TDRH，容量利用在灰色区间内保持可行，部分TDRH出现负值但仍在灰色容量范围内，反映不确定性特征。
**6. 碎片清理操作**
每个DAZ关联一个DCP，最需清理的Kodakara（Thrissur）需606辆卡车，Brahmapuram（Ernakulum）需465辆，Vaddaserikara（Pathanamthitta）需208辆。碎片成本与受灾人口高度相关，但存在例外（如Kalarcode），表明还需考虑碎片强度、距离和操作约束。
**7. 鲁棒性检验**
在需求增加10%情景下，折中成本仅上升0.0118%（下界）和0.1096%（上界），模型稳定。在最大TDRH（Arratuphuza）容量减少30%情景下，流量重新分配至Adoor和Ambalaphuza，结果仍可行，证明模型在运营中断下的灵活性。
**讨论与结论**
讨论部分指出，该模型通过将设施选址、救援分配、疏散和碎片清理纳入单一框架，解决了文献中决策碎片化的问题。层级结构反映了实际决策优先级，灰色不确定性适用于灾后信息不完整情形。案例验证表明模型能生成协调的物流计划，且通过鲁棒性检验证实其实际可行性。结论部分明确：本研究开发了完全不确定、多目标、多级、多产品的人道主义物流模型Had-Dcm，集成了关键操作，填补了文献空白。模型在2018年喀拉拉邦洪水中验证，折中解接近理想值，支持超百万人员疏散和超两百万单位救援物资配送。鲁棒性检验显示模型在需求增加和枢纽容量减少下仍能保持可行解。研究局限性包括单周期假设、未考虑动态变化和网络中断，未来可扩展至多周期滚动规划、显式建模链路故障，并与车辆路径调度集成以提升可扩展性。
