灾后人道主义物流运营管理研究综述和展望

□罗琴凤 贾坤泽 殷允强

[电子科技大学 成都 611731]

引言

21世纪以来，世界各地频繁突发公共事件（包括自然灾害、事故灾难、公共卫生事件和社会安全事件），给人类生命财产安全和社会稳定发展带来了巨大的威胁。例如，自2019年底持续爆发的COVID-19公共卫生事件，导致严重的全球性人员伤亡和经济财产损失。我国是世界上遭受自然灾害最严重的国家之一，1990～2019年的近30年，自然灾害平均每年造成我国经济损失2 928.5亿元，死亡人数6 310.5人，受灾人口数为348 441.6万人[1]。

党和国家对于灾后的救援工作给予高度的重视。中共中央总书记习近平在中央政治局第十九次集体学习时强调：应急管理是国家治理体系和治理能力的重要组成部分，担负保护人民群众生命财产安全和维护社会稳定的重要使命。党的十九届四中全会提出“优化国家应急管理能力体系建设，提高防灾减灾救灾能力”的努力方向[2]，应急物流是应急管理的重要组成部分，对救援行动的执行至关重要。学者Trunick[3]指出物流工作占救援行动80%，“人道主义物流领域先驱”Van Wassenhove[4]也认为物流工作是决定救援行动成功与否的关键。与一般商业物流不同，灾后应急物流的首要任务是减轻灾民痛苦，故应在保障灾民存活率、救援时效性和公平性等社会效益的前提下考虑经济成本，在救援中体现博爱（Humanity）、中立（Neutrality）和公正（Impartiality）的人道行动三原则[5]。因此，“应急物流”正逐渐向更重视救援本质和人道精神的“人道主义物流”转变。

人道主义物流是一项科学性、专业性、综合性非常强的工作，需要来自政府部门、非政府组织、私人企业、捐赠者和受灾群众等众多不同类型参与方的协调合作。加之灾害的难预测性、响应时间的紧迫性、需求的突发性、物资的匮乏性等，人道主义物流的运作环境极其复杂，而管理科学是有效解决此类复杂决策/优化问题的一门学科。

本文从运营管理视角梳理现有的灾后人道主义物流研究，首先按照资源调配、现场分诊救治、医院综合治疗等运营管理任务对相关文献进行梳理，然后将问题的求解方法总结为精确方法、启发式方法、强化学习方法以及混合方法并分别展开综述，最后分别从问题和求解方法角度对未来研究进行展望，以期促进灾后人道主义物流的发展。本文关于灾后人道主义物流运营管理研究的综述框架见图1。

图 1 关于灾后人道主义物流运营管理研究的综述框架

一、人道主义物流相关介绍

（一）人道主义物流的概念

人道主义物流（Humanitarian Logistics，HL）的概念由美国弗里茨研究所的执行董事Thomas于2005年首次提出，即为满足灾民需要、减轻灾民痛苦，对物资、材料和相关信息进行规划、实施、控制，以实现从产出地到消费地的高效率、高效益流动和存储的过程[6]。Thomas[6]还指出人道主义物流主要包括计划、准备、采购、运输、仓储、配送、追踪回溯以及报关清关等活动。Van Wassenhove[4]将人道物流描述为：动员人力、资源、技能和知识以帮助受灾弱势群体的过程和系统。通过上述定义可以看出，人道主义物流的根本任务在于减轻灾民所遭受的痛苦，这也是灾后救援行动的本质所在。

（二）人道主义物流的特征

下面通过将人道主义物流与应急物流、商业物流进行比较，进一步说明人道主义物流的特征。人道主义物流和应急物流在行动层面有重叠，但侧重点不同。人道主义物流侧重救援的本质，在救援行动中推崇博爱、中立和公正的人道主义原则。而应急物流更重视救援的挑战，在救援行动中强调对“突发性、非常规性和不确定性”环境的应对[6]。人道主义物流和商业物流在行动目标、物资来源、需求特征、决策结构、物流活动的周期性、社会网络和支持系统等方面差异明显[7]。商业物流是需求驱动的（拉动式系统），围绕企业利益并根据业务需要制定物流规划，目标通常是最小化成本或最大化利润/质量等。而人道主义物流是供应驱动的（推动式系统），围绕社会效益并根据可调配库存制定物流规划，目标主要为最大化存活率/公平性或最小化救援响应时间等。

（三）人道主义物流的划分

根据应急管理的阶段划分，人道主义物流活动可分为减灾（Reduction）、备灾（Readiness）、响应（Response）和恢复（Recovery）四个阶段，覆盖从确认危机、评估风险、建立预警系统、整合技能与资源直至恢复正常状态等任务，呈现出流程循环性及空间交叉性[8]。减灾一般指减轻灾害影响、预防灾害发生的长期行动，例如评估灾害风险、加强基础建设、执行建筑标准等；备灾主要指为提高灾害应对能力而在灾前准备的一系列行动，例如预警系统选址、救灾配送中心选址、救援物资预置、疏散策略规划、供应合同设计等；响应一般指灾难发生后所采取的抢救生命、确保公共安全、避免财产损失，并满足灾民基本生活需求的一系列措施，例如应急物资调度运输与分配交付、临时设施选址与任务指派、灾民疏散撤离与分诊救治等；恢复主要指使灾民生命健康、生活环境，以及政治、经济、文化等复原或改善的长期行动，例如废墟和垃圾清除、网络（道路、桥梁、信息系统和能源等）恢复、家庭住宅和公共基础设施重建等。

此外，Holguín-Veras等[7]根据人道主义物流的运作阶段和环境将其划分为“常规人道主义物流”（Regular humanitarian logistics，R-HL）和“灾后人道主义物流”（Post-disaster humanitarian logistics，PD-HL）。R-HL指长期持续性的人道主义援助，优先考虑物流效率，类似于商业物流。例如，对于发达国家提供预防性的医疗保健，对于第三世界国家消除饥荒、援建难民营等。PD-HL侧重于短期救援阶段的灾害初步反应，重点是减轻人类痛苦和改善社会成效，行动层面和人道主义物流的响应阶段类似。现有人道主义物流研究主要聚焦RHL相关问题，而关于PD-HL问题的研究相对较少[9]，因此，本文重点针对灾后救援中的运营管理问题，梳理现有的灾后人道主义物流研究。

二、灾后人道主义物流运营管理问题

灾后人道主义物流中的运营管理任务，主要可分为资源调配、现场分诊救治、医院综合治疗等，本文将按照上述任务分类，从分配、选址、路径、调度、排序等方面，对相关文献进行梳理。

（一）资源调配

资源调配主要是指从配送中心向灾区调配救援物资、救援人员的过程，主要涉及人道主义物流中的资源分配与调度、设施选址、路径规划等问题。Rodríguez-Espíndola等[10]整合了来自多个组织的物资和人力资源，构建了多模式、多商品动态分配模型，研究结果显示了救援组织之间协调的重要性。不同于商业物流，灾后人道主义物流中的人力资源分配需考虑人员匹配问题。例如，Li等[11]针对不同救援人员的专业技能和主观偏好，将相关的任务适应度和时间适应度进行聚合，得到救援人员与灾害现场救援任务的匹配度，构建了基于匹配概念的救援人员分配优化模型。另外，当突发重大公共事件时，应急物资调配一般会涉及多级配送网络，王妍妍和孙佰清[12]以最小化物资短缺的延迟损失、物资分配的总成本为目标，研究了基于多集散点、多配送中心和多受灾点三级配送网络的应急物资动态多阶段分配问题。资源调配中的选址决策一般包括配送中心、避难所等设施的选址。例如，刘亚杰等[13]综合灾区地质特点、灾区需求以及受灾程度等信息，建立了基于随机规划的配送中心选址模型。Mollah等[14]建立了洪灾情景下成本优化的避难所分配模型。张玲和曾倩[15]考虑受灾点和避难所两类物资需求点，研究了需求不确定情况下的配送中心选址及储备问题，并建立了基于台风情景下的两阶段随机规划模型。此外，资源调配大多会涉及路径规划问题，王旭坪等[16]以最小化灾民损失和车辆调度成本为目标，研究了运力受限情况下的应急物资分配及救援车辆路径规划问题，并基于2008年汶川地震，设计了不同运力下的物资动态调度方案和最优运力配置量。由于自然灾害后灾区的地理限制，有时将直升机用于最后一英里的应急物资分配，Alinaghian等[17]构建了临时救援中心选址模型和分配基本物资的直升机动态路径模型，与传统的静态路径相比，动态路径的总分配时间更少。

（二）现场分诊救治

现场分诊救治是指在灾害现场根据伤亡程度和伤情特点，对灾民进行分类以确定救治优先顺序，从而将有限医疗资源按照优先级分配给灾民，最大限度地提高生存率。目前使用最广泛的分诊方法是Super等[18]的START（Simple Triage and Rapid Treatment）方法，此外还有Triage Sieve方法[19]，SALT（Sort, Assess, Life-saving interventions, Treatment and/or Transport）方法[20]等。现场分诊的救治顺序通常以红、黄、绿、黑为标签[21]，且因灾民健康状况会随着时间推移而恶化，因此分诊是一个动态重复的过程。例如，Mills[22]研究了生存概率随时间恶化的灾民救治排序问题，利用简单有效的生存预测方法生成灾民救治优先级。Kilic等[23]研究了在Poisson到达和健康状况恶化的情况下，红色和黄色等级的灾民服务率。类似地，Xiang和Zhuang[24]也设计了一个医疗服务排队系统，对两类灾民的救治顺序和健康状况恶化进行建模，分别建立了以最小化总预期死亡率、总等待时间为目标的资源分配模型。此外，伤亡者在被送到医院之前，一般会根据分诊结果在附近的临时医疗中心接受救护，这主要涉及医疗资源的分配、临时医疗中心的选址等决策。Rezapour等[25]研究了向各灾区以及其红色和黄色等级的灾民，分配城市搜救人员和医疗队等医疗资源的最佳策略。Lodree等[26]研究了一个离散时间有限水平随机动态规划问题，用于灾后分配异构医疗团队以服务三种不同优先级别的灾民。当现有医院的床位等医疗资源不足时，需考虑新设临时医疗中心。李金泽和唐芃[27]基于城市设施、人口以及路网等基础数据，构建了多目标应急设施选址模型，运用优化算法生成了武汉方舱医院选址方案。而Liu等[28]考虑了两类医疗服务设施（救治高优先级伤员的现有医院以及服务轻伤者的临时医疗中心），并将伤员分为即时和延迟两类以表示灾后不同时期的生存概率，构建了最佳临时医疗中心选址和医疗服务分配模型。

（三）医院综合治疗

现场分诊救治完成后，重伤灾民必须送往医院进行综合治疗，其中涉及医院、医生、手术室、救护车的调度分配，以及救护车运输路径规划等关键决策。Gong和Batta[29]提出了基于离散时间策略的救护车再分配问题，构建了灾群确定型救护车分配模型。为有效降低救治等待期间的灾民死亡率，Cohen等[30]研究了灾后在医院急诊科的两个治疗站之间分配外科医生的问题。将伤员运送到医院也会考虑分诊，Dean和Nair[31]提出了Severity-Adjusted Victim Evacuation(SAVE)构建了资源受限情况下的SAVE模型，以便有效地将伤员按照优先级转移到不同地区的医院。张晨晓等[32]综合考虑了三类伤员的伤亡情况、心理状况以及医疗机构的医疗能力等，提出了以最小化伤员心理成本和最大化生存概率为目标的医疗资源分配模型，并采用模糊规划法求解伤员与医疗机构的分配关系及伤员的运送顺序。救护车的调度与路径规划是一个重要且复杂的研究问题，其路径必须根据灾后道路网络、现有道路损坏及拥堵等实际情况来制定，而救护车在灾区和医院间的调度又受到医院急诊室等待时间、医院容量和距离等因素的影响。Jotshi等[33]在收集了大量伤亡信息、道路交通状况的基础上，构建了基于数据融合的应急车辆调度和路径仿真模型。Sung和Lee[34]将救护车路径问题抽象为集合划分模型，将伤员分为即时和延迟两类等级，并在三种生存概率情景下确定伤员疏散的顺序和目的地医院。当重伤灾民抵达医院后，应当立即进行医疗资源分配决策，涉及重新分诊、手术室排程等问题。Chan等[35]研究了已知生存概率的两类伤亡人员的治疗优先级排序和床位分配。Cotta[36]提出了在同一手术室治疗的多层伤员优先级排序问题。童海星等[37]考虑了突发事件下手术室排程的紧急性、医疗资源的倾斜性等因素，构建了手术室优化调度模型，并采用蚁群算法进行求解，为突发情况下医院的手术室排程提供了参考。

（四）其他任务

灾后应急物资和伤员的运输是人道主义物流领域学者关注的重点，目前已从基本的运输路径规划开拓出了一些新的研究视角。例如，不少学者在灾后响应阶段考虑道路修复问题。不同于恢复阶段的设施维修重建，在紧急响应的情况下，只对部分受损路段进行初步修复以保证路网连通性（灾后恢复阶段则需要对整个灾区路网进一步全面恢复），此时涉及维修人员调度和路径规划问题（Crew Scheduling and Routing Problem, CSRP），即决策维修人员修复受损路段的顺序和路径。一些学者将Duque等[38]的混合整数规划和动态规划模型作为CSRP的基础研究。Shin等[39]对Duque等人提出的模型进行拓展，增加了应急物资车辆的调度和路径规划。Moreno等[40～41]将Duque等人提出的模型线性化，并进行算法设计和改进。在最近的研究中，Moreno等[42]又进行了问题上的创新，探究了道路修复中的异构多人员调度与路径问题。另外，Li等[43]认为，灾后道路修复依赖于一个兼具效益和效率的物流保障调度（Logistics Support Scheduling, LSS），因此将CSRP和LSS结合，案例实验表明，修复延迟降低45.71%，黄金72小时内的平均修复率高达99.40%。在应急物资和伤员运输模式方面，考虑到灾区需求量、需求优先级以及交通网络状况等因素，多式联运比单一的运输模式更加适合现实救援情况。例如，李孟良等[44]构建了结合公路、铁路和航空多种运输方式的救援物资多式联运鲁棒优化模型。Liu等[28]基于救护车和直升机结合的伤员运输模式，设计了临时医疗设施的最佳选址分配方案，实现了期望存活人数最大化和总运营成本最小化。Najafi等[45]针对向灾区运送物资和向医院运输伤员的两种震后救援场景，构建了一个多物资种类、多伤亡类型、多运输模式（直升机、卡车、救护车和火车）的多目标动态模型，该模型能够满足物资的总交货期需求，并缩短伤员到达医院的总时间。

综上，目前学界积极借鉴商业物流的研究方法，将运营管理的思想和工具引入灾后人道主义物流领域。在研究内容上，基于传统的分配、选址、路径、调度、排序等商业物流问题，灾后人道主义物流分别将其考虑在资源调配、现场分诊救治、医院综合治疗等更细化的任务情景下，更贴合实际救灾需求，有助于实现高效救援；在灾后人道主义物流运营管理模式上，现有文献一般以市场机制、社会力量等为主导的中国救灾模式作为研究背景，这与强势政府主导的救灾模式存在较大出入[46]，从中国与世界其他各国关于新冠肺炎疫情的防控措施、力度与效果上便可见一斑。因此，对于重大突发公共事件，国内需进一步探索和创新“党委负责、政府主导”的中国救灾模式下的灾后人道主义物流研究；在思想与工具运用上，灾后人道主义物流运营管理研究借鉴了商业建模、供应链管理等方法，但在问题设置和模型构建上需进一步体现灾后人道主义物流的特征，例如考虑响应时间的紧迫性、物资的匮乏性、参数的动态性和不确定性问题，需积极探究实际灾害情景的表征手段和建模方法；在绩效评价体系的构建上，现有研究逐渐倾向于兼顾灾后人道主义物流的效率、效益和公平[47]，但尚没有统一的方法来衡量这三个性能指标。其中，效率指标较容易处理，一般和商业物流绩效评价指标类似，效益指标主要与物资需求满足相关，而公平指标以及其近义词，只有少量文献明确提到，更少有研究将公平纳入决策模型中。虽然目前大部分研究都考虑到灾后人道主义物流的“弱经济性”，但主要仍是套用商业物流的优化目标，再根据所研究的问题特征加以改进，与减轻灾民痛苦的灾后救援行动本质目标存在一定出入，或将出现决策失误，造成未知损失。

三、灾后人道主义物流运营管理问题的求解方法

针对越来越复杂的灾后人道主义物流运营管理问题，学界提出并采用了多种运筹优化求解方法。本节将按照精确方法、启发式方法、强化学习方法以及混合方法，对相关求解方法进行梳理和综述。

（一）精确方法

精确方法是指能够直接求出问题最优解的方法。目前已有针对不同问题类型的特定算法，并可应用于人道主义物流领域。Ma和Wu[48]使用改进的双向Dijkstra算法计算应急救援车辆的最优路径；Chen和Chu[49]采用Bellman-Ford算法、Dijkstra算法等寻找最优撤离出口；Yu等[50]针对应急物资分配调度问题建立动态规划模型，特别关注了因交付延迟而造成的灾民痛苦，并通过大量的数值实验验证了动态规划方法的计算性能和求解质量，他们的另一篇文章考虑了效率、效益和公平的应急物资配置目标，证明了动态规划方法在求解小规模问题时能达到最优，并针对中、大规模问题设计了近似动态规划算法[51]。针对一些小规模的灾后人道主义物流问题，可以直接使用LINGO、CPLEX、Gurobi等商业求解器进行求解，但当问题规模变大时，列生成、Benders分解、拉格朗日松弛等大规模优化算法往往更加适用。Faiz等[52]分别采用CPLEX求解器和列生成算法求解带时间窗的开放式车辆路径问题，结果表明当实例规模增大时后者性能明显更优。Noyan等[53]针对不确定条件下救援分发点的选址和容量分配问题，设计了基于Benders分解的Branch-and-Cut算法，并通过数值研究证明了该方法的计算效果。Bayram和Yaman[54]以最小化总预期疏散时间为目标，研究了避难所选址和灾民撤离路径问题，提出了一种基于Benders分解的精确算法求解两阶段随机规划模型，并使用割平面算法求解对偶子问题。

（二）启发式方法

启发式方法是指基于问题的特定知识和经验，以可接受的花费（如计算时间、计算空间）给出最合适的解。Xavier等[55]采用改进的节约里程法求解了救援直升机运力和飞行路径规划问题。Dubois等[56]讨论了洪灾后救援队的路径决策，并使用了最佳时间流插入算法得到了较优的路径解。Yang等[57]采用扫描算法求解了灾后救援物资分配和运输问题。然而传统启发式算法具有一定的缺陷：在求解问题时容易陷入局部最优，且对问题描述约束性较强。元启发式算法是一类受自然现象和智能方法激发的启发式方法，可以一定程度上避免上述传统启发式的问题，且在求解复杂组合优化问题时成效显著。元启发式方法主要分为两类，第一类是由局部搜索方法改进而来的基于轨迹策略的元启发式算法，如模拟退火、禁忌搜索、迭代局部搜索等[58]。Sakiani等[59]设计了特殊的模拟退火算法求解灾后应急物资分配与再分配问题，该算法能够在合理时间内得到高质量的解；Balcik[60]利用禁忌搜索算法求解了灾情评估团队的选址和路径决策问题，并以地震案例对该求解方法的效果进行了验证。另一类元启发式方法是由生物学演化而来的基于群策略的元启发式算法，如遗传算法及文化算法等进化算法、蚁群算法及粒子群算法等群智能算法[58]。Du和Yi[61]构建了道路损坏情况下的救援物资交付模型，并采用遗传算法获得车辆路径解。救援车辆路径问题一般是旅行商问题（Travelling Salesman Problem, TSP）的变形，且蚁群算法在求解TSP问题时优于其他启发式，因此蚁群算法在救援车辆路径规划中有很好的应用。Liu和Xie[62]在蚁群算法的设计中考虑车辆分配和需求动态，以车辆容量、车辆到达配送中心的时间以及车辆到达灾区的时间来规划路径。

（三）强化学习方法

强化学习的基本思想是处于特定环境中的智能体（Agent）不断地做出选择，其每一项选择都会得到环境不同的反馈（即奖励）。智能体通过与环境的不断交互和试错，接收反馈信息来进行优化决策[63]。目前强化学习已应用在路径优化、库存管理、装箱配载等经典运筹学问题中，并逐渐有学者将其引入灾后人道主义物流领域。强化学习方法在求解随机动态多阶段序贯决策问题方面具备一定优势，可以将复杂的序贯决策问题建模为马尔科夫决策过程，非常适用于动态、随机的灾后人道主义物流问题求解[64]。Nadi和Edrissi[65]提出了一种以最小化总救援评估时间为目标的随机规划模型，并利用强化学习对模型进行优化。他们的另一篇文章[66]提出了一种由马尔可夫决策过程表示的多智能体评估和响应系统，通过强化学习来保障应急响应小组和救援评估小组之间的行动协作。Su等[67]设计了一种用于救援路径规划的强化学习方法，该方法能够在动态危险的环境下找到更短、更安全的可行救援路径。Chini等[68]分别考虑了确定情况和随机情况下应急救援车辆路径选择问题，并采用强化学习方法来优化救护车智能体的路径。Yu等[69]采用强化学习方法求解灾后复杂的应急物资分配问题，并分别与精确动态规划方法、启发式算法的求解效果进行了比较。实验结果表明，该算法的效率优于动态规划方法，精度高于启发式算法。虽然强化学习求解动态随机问题具有较大的优势，但当问题的求解空间变得复杂时，需消耗大量的计算时间和存储空间，即出现“维数灾难”现象[70]，因此目前强化学习方法在人道主义物流研究领域的应用非常有限。

（四）混合方法

精确算法和启发式方法各自的特点决定了二者在很大程度上可以互补，因此将二者结合起来的混合方法在灾后人道主义物流领域也得到了广泛的应用。现有的精确型和启发式混合方法可归纳为两种主要形式：组合形式和整合形式。组合形式指精确算法/启发式算法或依次执行，或相互交织，或并行执行。这种形式的特点是两种算法自身依旧保持完整独立性。整合形式指一种算法嵌入到另一种算法内部并成为其组成部分，常见的形式为精确算法/启发式算法为主并调用启发式算法/精确算法[71]。Moreno等[40]关于CSRP的一项研究采用组合形式的混合算法，使用构造启发式和局部搜索启发式，生成Branch-and-Benders-Cuts算法的初始可行解。而Moreno等[41]关于CSRP的另一项研究则采用整合形式的混合算法，在Branch-and-Cut树中调用遗传算法和模拟退火算法探索当前解的邻域，实例研究证明该混合算法减少了70%以上的计算时间。Buzón-Cantera等[72]针对应急物资分配和路径规划问题，提出了一种以模拟退火算法为主、以精确算法求解子问题为辅的混合算法，数值结果表明该混合算法能够在较短的计算时间内获得较好的解。此外，优势互补的混合启发式方法也是解决灾后人道主义物流复杂组合优化问题的重要方法，Zhang和Xiong[73]考虑了灾后紧急粮食运送问题，提出了一种混合的免疫蚁群算法，该算法利用免疫算法的快速全局收敛性和随机性，同时结合蚁群算法的分布式搜索和正反馈能力，快速生成更好的解集，数值实验表明该混合算法的性能优于蚁群算法、免疫算法以及遗传算法。吴新胜等[74]设计了群智能混合算法优化应急物资运输路径，充分利用粒子群算法和人工群蜂算法的群体移动规律，对萤火虫算法的移动更新策略进行改进，有效提高了原萤火虫算法的寻优精度和搜索效率。

求解方法的性能一般可从求解效率和求解精度两个层面进行评价。由于灾后人道主义物流研究一般都为复杂的组合优化问题，目前并没有哪种方法能够在两个层面同时保持优势。精确算法能够获得问题的最优解，然而当求解空间的规模无法控制时，精确方法很难在合理时间内得到最优解。面对灾后低质量的数据集以及紧迫的响应时间要求，精确算法很难发挥优势，在伤亡程度低、灾后运输网络较为简单情形下可能更为适用。因此，以时间换精度的启发式算法尤其是元启发式方法，或将成为复杂灾害背景下快速求解组合优化问题的首选方法。相较于精确方法，元启发式计算效率更高，对数据的质量要求更低，且可以获得比传统启发式更高质量的解。随着研究的不断深入，学界已经对启发式方法、精确算法进行了多角度、多形式的改进或融合，设计出了多种高性能的混合方法，并在物资调度运输与分配交付、临时设施选址与任务指派、灾民疏散撤离与分诊救治等多种灾后应急响应场景发挥巨大的优势。此外，由于强化学习在解决随机、动态的决策优化问题具有一定的优势，已成功被应用于多个运筹优化领域，但其在灾后人道主义物流领域的研究仍处于起步阶段，目前已有的应用也仅侧重于具体的案例研究，且大多只考虑单一随机因素，针对多重随机因素的灾后场景研究较少。

四、研究展望

从PD-HL的运营管理问题和求解方法角度，归纳拓展未来的研究方向和思路，以使问题的设置和求解更加适应灾后救援实际。

（一）PD-HL的运营管理问题

1. 任务情境的设定

现有灾后人道主义物流中运营管理任务的设置大多和商业物流类似，还需考虑灾后救援的特殊性，可从任务特征出发，考虑更为细化和贴合救灾现实的情境设定。例如，在应急物资分配上，可以考虑血液、药品、食物、水、帐篷等，在用途、供运方式、易腐烂性、紧迫程度等方面存在差异的异质资源组合，而现有研究大多只考虑单一资源。同时也可以考虑不同救治类型、技能水平和设备类型等多模式异质医疗资源分配；在应急资源运输路径和伤员运输路径规划上，可以考虑不同种类、不同速度、不同容量的多式联运，同时考虑无人机等新型运输设备，从而可以灵活地根据灾区地理位置、人口密度等实际情况采取最优的运输模式。此外，在自然灾害后的运输路径规划中考虑道路修复，也是一个必要且复杂的研究问题，这意味着救援组织不仅需要决策同质/异质维修人员的调度和路径，而且需要据此对救援人员进行动态路径更新和交通规划；在分诊救治上，可以进一步探索简单而有效的分诊规则，研究分诊过度或不足的影响，同时因灾害形势和健康状况的动态性，可以进一步研究分诊后因伤员优先级更新而产生的救治重调度问题。

2. 绩效评价体系的构建

目前尚未有统一的灾后人道主义物流的绩效评价体系，鉴于救援中参与人心理感知的重要性，未来灾后人道主义物流的绩效评价体系可借鉴行为运筹管理理论，考虑决策者的不同决策偏好或有限理性、灾民的差异化心理痛苦或负面情绪等。例如，通过专家意见联合分析法，获取影响灾后人道主义物流行动决策的各因素及其权重指标，基于专家偏好和意见的联合分析，构建灾后人道主义物流分段线性效用目标函数；通过科学严谨的实证研究，抽象表达救灾行动和救灾效果间的函数关系，并在救灾效果中着重考虑灾民心理感知，例如用剥夺水平表示灾民因无法获得物资或服务而遭受的痛苦水平[9]，用以自我为中心的不公平厌恶程度评估物资短缺、物资充足和物资过剩等公平感知[75]等。另外，人道主义物流的优化目标间存在一定的背反关系，且多目标模型求解难度颇大，如何在保证求解效率的情况下，综合考虑多个相互冲突的目标并建立合理的权衡，仍有待学界探索。

3. 运营管理模式的创新

现有国际灾害运营管理研究主要基于西方发达国家社会背景，救灾模式一般以市场机制、社会力量等为主导，这与强势政府主导的中国救灾模式存在较大出入。未来国内人道主义物流研究应当依据中国国情，以保障人民群众生命安全为首要运作目标，以“党委负责，政府主导、社会力量和市场机制广泛参与”为主体资源配置方式，以军队、武警部队和公安消防等为主要应急救援力量，探索和创新具有中国特色的人道主义物流运营管理模式，并将其应用到国内实际重大突发公共事件中。进一步剖析和提炼不同管理情景和问题设置下，中国强势政府主导的灾后人道主义物流的核心特征、运作效果、适用范围和改进方向，基于“政府—社会—市场”多方协同进行灾害数理建模，突破以社会力量和市场机制为主导的国际救灾理论局限。

（二）PD-HL运营管理问题的求解方法

1. 启发式方法的创新

灾后人道主义物流运作环境复杂且响应时间紧迫，对求解算法的有效性提出了较高的要求。近年来运筹优化领域涌现出一些新型启发式方法, 例如松鼠搜索算法、鲸鱼优化算法、灰狼优化算法，这些算法运行速度快、搜索能力强，适用于解决复杂的高维和多目标优化问题，未来可尝试在灾后人道主义物流领域应用这些新型启发式算法。另外，可针对灾后人道主义物流领域的具体灾害场景或问题对现有启发式方法进行创新性改进，如设计更优的扰动策略和加速策略，以提高算法在特定灾害场景下的计算性能。也可借助生产生活的经验或其他学科的知识，寻找新的拟物模型，探索并设计新的更高效的启发式方法。

2. 精确方法的改进

精确方法在更关注求解速度的灾后人道主义物流场景下优势不明显，因此未来可在保持求解精度的同时，进一步设计更高效快速的精确算法。例如，采用分解简化的求解思想，运用基于列生成的分支定价算法对问题进行分解,推导出定价子问题目标函数,并设计有效的标签算法进行求解；针对灾害背景下的具体问题，探索新的有效不等式以降低问题。

3. 强化学习方法的运用

强化学习方法在求解随机动态多阶段序贯决策问题方面具备一定优势，但其在灾后人道主义物流运营管理问题中的应用尚处于起步阶段。未来可以深入探究如何利用强化学习方法对救灾仓库选址、灾民需求预测以及灾区网络布局等经典随机动态决策问题进行优化求解。此外，可以将人道主义物流领域专家特定的应急规划经验、知识、数据融入强化学习框架中，提高强化学习方法的学习效率和鲁棒性。同时，可在强化学习中融合深度学习的注意力机制，聚焦于救灾库存、灾民需求、灾区路网等信息上，提高灾后救援效率与效益。另外，可以考虑提高强化学习在运筹优化领域的泛化能力，将终生学习、迁移学习、多任务学习等引入到强化学习中，以加速强化学习对灾后复杂组合优化问题的学习进程，有效解决灾后人道主义物流研究中常见的多目标动态决策问题。

4. 混合方法的集成

由于混合算法的优势集成以及灾后人道主义物流的效率和效益要求，探索不同启发式结合的混合算法以及精确型和启发式结合的混合方法是一项必要且具有挑战性的工作。因此应深入研究各种求解方法的特点以及不同混合策略的效果，设计高效且可执行的混合算法，从而同时提高算法的求解速度和求解质量。另外，强化学习方法的优势在于可通过与环境的交互获取动态信息，但其存在收敛效率不高、稳定性不足等问题，未来可考虑融合深度学习以自动提取复杂应急物流问题的特征、利用其他启发式方法指导强化学习方法更有效率的学习，促进强化学习和其他方法在灾后人道主义物流领域的混合创新。