血液供應鏈績效演進與評價研究：基于ABM+SD耦合建模與仿真

周愉峰　張熙培　李志

關鍵詞：血液緊缺；血液供應鏈；復雜自適應系統；耦合模型；庫齡；績效仿真

中圖分類號：C94；F252.8 文獻標識碼：Ａ 文章編號：2096-7934（2023）03-0018-18

一、引言

近年來，我國的血液供需矛盾日益突出。“血荒”成為困擾許多大中城市臨床供血的社會性難題。2015年以來，北京、成都、重慶、長沙、上海等地血液中心多次啟動一級預警。COVID-19等重大突發公共衛生事件的爆發也給采供血工作帶來新的嚴峻挑戰，嚴重威脅我國的血液供應鏈安全。2020年2月，北京市街頭全血采集量不到往年同期平均水平的三分之一；武漢市全血采集量較上年同期下降90.15%；長沙市街頭獻血者僅有20至30人次，遠低于往年日均的500余人次。2021年11月，重慶市血液中心A型血、O型血告急，特別是O型血，僅夠中心城區3天的需求。血液是生命之源，臨床供血直接關系人民群眾的身體健康甚至生命安全。因此，在血液緊缺背景下，研究血液供應鏈的績效演進機制，對于提高血液保障水平、滿足臨床用血需求具有重要現實意義。

血液產品具有固定保質期。除了對新鮮度有特殊要求的部分病癥需求，保質期內的血液產品效用保持不變，保質期外的血液產品則完全失去效用。而在庫血液產品存在多庫齡信息共存的特征，且庫齡狀態隨時間和供需動態變化。庫齡信息的動態多維性給血液供應鏈運作帶來了挑戰。血液供應鏈決策中，通過考慮庫齡分布，可提升血液產品的使用效益，減少短缺與報廢［1］。一些研究者考慮庫齡狀態研究了血液庫存管理等相關問題。例如，馬祖軍等［2］為保障大規模突發事件的應急血液供應，降低應急血液報廢量，提出一種考慮庫齡的應急血液采集動態模型，并設計了一種離散事件系統仿真方法（discrete event system simulation， DESS）。Zhou et al［1］根據血液短缺條件下庫存控制的特點，提出了一種基于EWA策略的采血決策方法。他們建立了一個DESS的仿真框架，且在仿真框架中嵌入了一個以轉運時間最短、轉運血液新鮮度最大為目標的轉運優化模型，以及一個以公平性最優為目標的分配優化模型。Rajendran and RAVINDRAN［3］提出一種不確定需求下考慮庫齡的隨機整數規劃模型來確定血液供應鏈的訂貨策略，以減少血小板浪費和短缺。李猜等［4］考慮短缺、浪費和輸血新鮮度之間的平衡，以效用最大化為目標建立了最優血小板訂貨策略的有限時域馬爾科夫決策過程模型。Seyyed et al［5］考慮庫齡提出一種用于規劃災后血液供應的兩階段隨機規劃方法，以優化混合不確定環境下的庫存決策。Liu et al［6］研究了供應商管理庫存的庫存-路徑問題（VMIRP）來優化血液產品的調度方案，平衡供需。Mohammad et al［7］提出一種供需不確定下考慮庫齡與橫向轉運的血小板庫存管理模型。Wang and Ma［8］開發了一種血液短缺時考慮庫齡的轉運模型，并提出兩種用于轉運血液單位的偏好選擇方法。

不同血型血液產品的兼容替代也是緊缺條件下提高血液供應鏈績效的重要手段。替代在緊急條件下可有效緩解血液偏型帶來的短缺矛盾［9-10］。周愉峰等［11］的研究表明，實施血型替代策略，可以緩解血液緊缺，降低血液供應鏈系統總成本。Ensafian et al［12］考慮庫齡、血型兼容性和優先規則，建立了血液供應鏈采集、生產、儲存、分配優化的集成模型。Hosseini-Motlagh et al［13］在Ensafian［12］研究的基礎上建立了以最小化成本和最小化替代量為目標的最優選址和庫存水平設置優化問題。Duan and Liao［14］研究發現，即使在庫存管理水平的最低限制和最高允許短缺率限制下，通過ABO-Rh（D）血型替代，也能將系統的過期率降低16%。Zahiri and Pishvaee［15］研究了考慮血型兼容性替代的血液供應鏈網絡設計問題。此外，Dillon et al［16］，Dehghani ?et al［17］等也研究了考慮血型替代的血液庫存管理問題。Hosseini et al［18］考慮到血液的易腐性、庫齡以及替代性，提出了一種兩階段魯棒—模糊—隨機規劃（RFSP）方法來應對災后的血液供應。結果表明，RFSP模型可以在平均值，可行魯棒性和最優魯棒性之間做出合理的權衡。Ghorashi et al［19］考慮血液的兼容性，提出了一個包含路徑和選址—分配決策的應急血液供應鏈管理的多目標模型，以減少供應鏈成本和時間，提高已建立路線的最低可靠性。上述文獻大多聚焦血液供應鏈上的采集、生產—庫存、轉運、選址分配等決策問題，通常采用混合整數規劃等運籌優化方法進行建模求解、以獲取最優的供應鏈決策方案。

血液供應鏈系統是一個具有高階次、非線性、復雜時變性、多重反饋性、行為自適應性等復雜特征的耗散系統?；诨旌险麛狄巹澋慕７椒o法考慮血液供應鏈運作的多重動態因素（如庫齡與替代等），難以反映復雜系統的非線性結構特征，也無法給出血液供應鏈績效的動態發展趨勢［20］。鑒于此，一些學者采用DESS、系統動力學等仿真方法研究了血液供應鏈中的庫存、采集等問題［1-2］。如，Katsaliaki and BRAILSFORD［21］采用DESS研究了英國一家醫院的血液庫存管理問題。Zhou et al［22］研究了常規補貨和緊急補貨模式并存情形下醫院的血小板庫存管理策略。Simonetti et al［23］構建的DESS模型模擬結果表明先進先出庫存策略可提高血液保障的可靠性。Haijema et al［24］在BSP-low （base stock policy-low）的基礎上，基于DESS分析了一種新的BSP-low-EWA策略，結果表明該策略優于BSP。Clay et al［25］考慮供需不確定性與庫齡，基于系統動力學（system dynamics，SD）研究了血液庫存問題。周愉峰等［20］［26］將震后應急血液供應鏈分為血液采集與血液轉運兩個子系統，研究了震后應急血液保障績效演進的SD模型。DESS與SD可有效解決庫齡狀態的轉移與刻畫等復雜動態因素，但難以對血液供應鏈各成員之間的交互行為及復雜自適應特征進行有效的數學分析。智能體建模（agent-based modeling， ABM）則為解決這一問題提供了一個可行的工具。

SD與ABM各有優劣及其適用環境。經典 ABM不能及時反饋整體效應給個體 Agent；而宏觀SD模型不能實時反映局部變化情況［27］。不確定環境下的血液供應鏈績效演進過程，既涉及宏觀環境的調控作用，也需關注微觀的供應鏈主體行為。因此，ABM或SD的單體模型難以準確描述血液供應鏈系統的動態演進機制。為此，本文建立血液供應鏈績效評估的ABM+SD混合仿真方法，既能對血液供應鏈各主體之間的交互行為與復雜自適應特征進行有效的數學描述與分析，也能反映宏觀規律對供應鏈主體的調控作用。本文以血小板為研究對象，考慮其庫齡差異，將血液采集子系統的SD模型耦合至四級供應鏈的ABM模型中，以描述血液緊缺情境下血液供應鏈的運作方式。其中，血液采集子系統反映采供血機構、新聞媒體等宏觀因素調控對獻血者Agent和醫院Agent行為方式的影響；微觀環境中，基于ABM方法將血液供應鏈系統中的獻血者、獻血車、血液中心、醫院看作智能體，通過智能仿真模擬各Agent的適應行為。最后，微觀環境中Agent的績效結果也將涌現回SD模型，以反映出動態宏觀調控作用。本研究適于在我國各大城市季節性/區域性血荒環境下，探索血液供應鏈的績效演進趨勢，以達到提高血液使用效益的目的。

本文主要貢獻描述如下：①建立了復雜自適應系統中，考慮庫齡信息與替代策略的血液供應鏈Agent行為方式的數學描述方法。

②建立了四級血液供應鏈系統績效動態演進與評估的ABM+SD耦合建模與仿真新方法。在作者的知識范圍內，本文首次考慮血液產品的庫齡信息、血型替代以及轉運等特質，研究了血液供應鏈保障績效的動態演進機制及其建模與分析問題。研究成果可為政府相關部門與采供血機構提升血液供應鏈保障績效，提供一定的決策借鑒。

二、ABM+SD耦合模型的總體框架、處理流程與績效指標

（一）總體框架與處理流程

以血小板為研究對象，考慮多庫齡共存特征，構建一個以血液中心為核心的四級供應鏈，設計ABM+SD的耦合模型。處理流程如下：

①血液緊缺環境下，獻血者人數受多重因素共同作用。基于系統動力學模型并依據相關情境參數設置，構建各因素之間的相互關系和影響，反映出宏觀環境對無償獻血者保持度的動態調控作用，從而影響獻血者Agent的人數。

②多主體系統接受到系統動力學模型輸入的數據后，各Agent依次做出適應性行為。

③一個仿真決策周期后，依據相應Agent的血液庫存狀態調整系統動力學模型中的相關參數。

④仿真周期結束后，分析血液供應鏈績效指標演進趨勢。耦合模型框架如圖1所示。

（二）系統結構與績效指標

血液供應鏈系統總體結構流程如圖2所示。獻血者Agent是供應鏈系統的源動力，其受宏觀SD模型中各因素共同作用的影響，產生獻血需求，并自主選擇獻血點，參與血小板捐獻。獻血車Agent負責獻血者健康狀況的初篩以及血小板的采集和運輸工作。血液中心Agent根據各醫院Agent的補貨訂單，結合自身庫存狀況，完成血小板分配。醫院Agent以自身庫存滿足臨床用血需求，若發現大量血小板短缺，醫院Agent將依次做出轉運、替代決策以盡可能彌補缺口。最后將去除過期血小板，進行庫存更新，并做出補貨決策發送至血液中心Agent。因此，血液供應鏈系統作為一個CAS，其以血液中心Agent為核心，實現了信息流、物流與效益流的有機統一。

圖1 耦合模型總體框架

圖2 血液供應鏈系統整體概念模型

1.信息流分析

采供血機構等相關組織參與宏觀調控過程。獻血者Agent接收相關信息后，自發產生獻血需求，并至就近獻血點捐獻血小板。獻血車Agent則根據獻血者的健康狀況信息完成初步獻血資格篩查。血液中心Agent依據各醫院的訂單信息，以自身庫存滿足其補貨需求。最后更新庫存狀態，完成當日采集的新鮮血小板入庫。醫院Agent依次通過自身庫存、轉運決策、替代決策滿足臨床用血需求，并采取合適的補貨策略向血液中心發送補貨訂單。醫院Agent于次日收到血液中心的補貨后，更新庫存信息。最后采供血機構等將依據供應鏈系統的效益量調整其宏觀調控的力度與方式。

2.?物流分析

獻血者Agent于獻血車上捐獻血小板，獻血車Agent完成采集后，當期即將新鮮血小板運送至血液中心Agent。血液中心Agent則依據醫院的補貨訂單，結合自身庫存狀態，將血小板分配至各醫院Agent，以供醫院Agent完成滿足臨床用血需求。

3.?效益流與績效指標分析

考慮血制品的復雜特性，不能僅以相關成本等經濟指標來衡量供應鏈系統的績效情況。因此，采用短缺量、過期量、運輸成本、持有成本四項指標作為血液供應鏈的績效指標。其中第t期k型血小板短缺量

三、基于SD的血液采集子系統分析

血液采集作為血液的供應端，關系著整個系統的運作。而在血液緊缺狀態下，獻血者人數受多重因素的共同作用，包括相關組織機構的干預調控、獻血者自身的風險感知等。因此本文選取血液采集子系統作為ABM和SD耦合系統。在耦合系統中，SD模型各宏觀因素共同作用于無償獻血者保持度，從而影響獻血者Agent中的人數。系統動力學模型如圖3所示。

圖3 血液采集子系統ABM耦合SD系統流

系統中主要包含3個反饋回路：采供血機構反饋回路、媒體反饋回路、公眾風險偏好回路。各反饋回路都通過對無償獻血保持度的影響相互聯系，即，反饋回路之間的相互作用會導致無償獻血保持度的上升或降低，進而影響每日獻血者人數。

耦合系統流圖中各主要因素間的函數關系構建與分析如下［28-30］：

無償獻血保持度。由系統流圖可知，無償獻血保持度受4個變量的影響：公眾對采供血機構的滿意度、公眾關注度、公眾風險偏好以及各級政府協同程度。各因素的影響程度通過專家小組打分獲得。無償獻血保持度與其他變量之間的函數關系為：

獻血者意愿=0.25×公眾對采供血機構滿意度+0.173×公眾關注度-0.472×公眾風險偏好+0.105×各級機構協同度（1）

公眾對采供血機構的滿意度=0.36×采供血機構公信力+0.449×采供血機構處理能力+0.191×采供血機構參與度-5.91（2）

采供血機構參與度=100-32.05×exp（-0.0007634×采供血機構網站新聞數量）（3）

公眾關注度=事件影響力×民眾好奇心×［0.75×媒體關注度-0.25×DELAY（公眾對政府的滿意度， 5， 0）］（4）

媒體關注度=100-91.86×exp（-0.0014212×媒體新聞數量）（5）

公眾風險偏好=0.328×公眾性別+0.189×公眾教育背景+0.483×公眾獻血經歷（6）

根據血液中心各血型的庫存情況，設置三級庫存預警機制［31-32］，進而將Agent的績效結果反饋至宏觀環境中。預警反饋機制描述如下：

三級預警：k型血平均每日庫存小于平均每日用血量的3倍，提高血液采集子系統的事件影響力10%，k型血的采集量提高1%。

二級預警：k型血平均每日庫存小于平均每日用血量的2倍，提高采集子系統的事件影響力20%，k型血的采集量提高2%。

一級預警：k型血平均每日庫存小于平均每日用血量，提高采集子系統的事件影響力30%，k型血的采集量提高3%。

四、基于ABM的血液供應鏈多Agent行為與系統分析

1.獻血者Agent行為方式

人體是血液的唯一來源渠道。獻血者是血液供應鏈運作的源動力。獻血者Agent根據宏觀系統調控，結合自身情況，適應性的做出獻血行為。

2.?獻血車Agent 行為方式

獻血車負責對獻血者Agent的健康狀況進行初步篩查，進而完成對各血型血小板的采集和運輸工作。采集完成的血小板于當日運送至血液中心。

3.?血液中心Agent 行為方式與數學描述

血液中心每天從醫院處獲得補貨訂單。血液中心根據其庫存信息，采取合適的分配策略向醫院配送血小板。此后，血液中心收到當日采集的新鮮血小板，完成補貨。最后，血液中心去除過期血小板，盤點更新庫存狀態（即所有在庫產品的庫齡分布信息）。

采用庫齡策略與遞推方程刻畫血小板庫存狀態，并以此為基礎對血液中心Agent的行為方式進行數學描述。

血液中心第t期期初配送的k型血小板狀態可表示為：

4.?醫院Agent行為方式與數學描述

醫院每天以自身庫存滿足患者的用血需求。為刻畫每日血小板臨床需求量，定義每一家醫院的實際用血需求均按“周”服從泊松分布，且每天的泊松分布均值各不相同［33］［34］。在血液緊缺情境下，醫院以其庫存滿足當期臨床用血需求后，可能仍存在由于醫院血小板庫存量不足而導致大量用血需求未被滿足的情況，此時需要做出轉運決策。而在醫院完成轉運后，仍存在未被滿足的需求，則需要做出血型替代決策。最后醫院將對現有庫存血小板進行盤點更新，并采取合適的策略向血液中心發出補貨訂單。當期的訂貨量將于下期被滿足。

下面將采用同樣的庫齡策略來描述醫院Agent的庫存狀態及其行為方式。

完成庫存狀態更新后，醫院將進行補貨。本文將采用OIR（Old-Inventory-Ratio）補貨策略。該策略是由 Duan等提出的一種基于最大庫存策略的進化庫存策略。Duan等證明了在供應可靠環境下，OIR 策略優于最大庫存策略［36］。在OIR庫存策略下，醫院將首先依據傳統最大庫存策略設置一個最大庫存水平，并以此為基礎向血液中心發出補貨訂單。其次，將盤點其現有庫存中的“陳”血小板，若“陳”血小板庫存量占總庫存的比例大于一個給定的閾值δ，則會導致額外補貨。Duan等認為，剩余保質期為1天和2天的血小板屬于“陳”的。且他們證明了該定義要比僅僅把剩余保質期為1天或者1-3天的血小板定義為“陳”的效果要好［31］。根據Duan的研究，醫院的OIR補貨策略可描述為：

五、系統仿真與分析

（一）仿真平臺

本文依托AnyLogic-professional-8.7.0軟件進行ABM+SD的混合建模與仿真。基于上述耦合模型與血液供應鏈系統總體結構的分析，依據AnyLogic平臺的仿真要求，完成模型構建，包括搭建模型中的狀態圖、行動圖、設置相關變量、參數等。

下面以血液中心Agent為例介紹建模過程，其模型構建如圖4所示。血液中心Agent模型構建中包括參數、集合、變量、行動圖、Source模塊。其中參數描述血液中心初始庫存、集合描述各血型在保血小板、變量描述各血型血小板的過期量、短缺量、運輸成本、持有成本。行動圖主要包括血液分配事件與反饋事件。Source模塊描述了血液中心Agent血小板的到達與輸送狀態。

圖4 血液中心Agent模型示意

（二）模型檢驗

以2019年2月7日至2月20日期間，重慶市主城區27家醫院與重慶市血液中心的相關數據為基礎構造驗證模型。系統中存在一家血液中心，其單位血小板持有成本為800元，運輸成本為600元。初始設定30個血小板獻血者，獻血者就近選擇獻血車獻血。每位獻血者的捐獻量為一個治療量。獻血車對無償獻血者的健康狀況進行初篩，合格比率為95%。血小板保質期為5天。醫院Agent訂貨提前期為1天。其單位血小板持有成本、運輸成本以及血小板保質期同血液中心Agent。結合專家小組打分與自制“無償獻血意愿”調查問卷，對SD模型的主要參數設置如表2所示。

表2 SD子模型運行主要參數

仿真時間步為“天”，決策周期為“周”，進行為期14天（2周）的模擬和驗證。如圖5所示，結果表明仿真周期內每日采血量模擬精度約為82.18%，最小誤差為3.03%，大致反映了緊缺情境下血小板采集量的變化趨勢。

圖5 每日采血量的模擬精度

（三）仿真分析

模型檢驗通過后，構造仿真模型，進行為期182天（26周）的仿真。主要Agent設置參數如下：獻血者Agent。初始設定70個血小板獻血者，其將就近選擇獻血車參與無償獻血。每位獻血者的捐獻量為一個治療量。獻血車Agent。獻血車對無償獻血者的健康狀況進行初篩，合格比率為95%。血液中心Agent。初始設定一家血液中心，其單位血小板持有成本為800元，運輸成本為600元。血小板保質期為5天。醫院Agent。初始設定6家醫院，訂貨提前期為1天。其單位血小板持有成本、運輸成本以及血小板保質期同血液中心Agent。

運行模型，以四種Rh陽性血為例，得到血液中心Agent和醫院Agent的每日在保血小板的變化趨勢，如圖6—圖7所示。

圖6 血液中心Agent在保血小板時間序列

圖7 醫院Agent在保血小板時間序列

由圖6—圖7可知，血液中心Agent和醫院Agent的在保血小板時間序列為震蕩序列。其中，醫院Agent的該特征尤為顯著。根據仿真周期內在保血小板的變化趨勢，很難預測其后的波形走向，更難把握其具體數值。具體來看，血液中心Agent的在保血小板約在140天以后開始迅速增長，醫院Agent的在保血小板約在120天以后迅速增長，但在140天以后開始回落。原因在于，在獻血者逐步增多的情況下，血液中心與醫院的血液短缺得到了有效緩解，在保血小板開始增多。但由于醫院的補貨需求包括對“陳”血小板的額外補貨，因此血液中心對醫院的分配除滿足每日用血需求后仍有部分剩余，從而導致醫院的在保血小板先于血液中心迅速增長。而后期在保血小板的回落是大量過期所致。

血小板的短缺量、過期量、持有成本、運輸成本作為血液中心Agent與醫院Agent的重要績效指標，直接反映了血液供應鏈系統復雜自適應的總體特征。血液中心Agent的上述指標仿真分析結果如圖8—圖11所示，醫院Agent（以醫院1為例）如圖12—圖15所示。

圖8 血液中心Agent短缺量時間序列

圖9 血液中心Agent過期量時間序列

圖10 血液中心Agent持有成本時間序列

圖11 血液中心Agent運輸成本時間序列

圖12 醫院Agent短缺量時間序列

圖13 醫院Agent過期量時間序列

圖14 醫院Agent持有成本時間序列

圖15 醫院Agent運輸成本時間序列

由圖8—圖9可知，血液中心Agent的短缺量約在120天左右趨于0，過期量在約140天以后開始逐步增長。這也與血液中心在保血小板的變化趨勢相吻合。隨著“血荒”事件的發酵，公眾的無償獻血保持度較血液緊缺初期有了巨大提高，獻血者人數也隨之迅速增長。而約在120天以后血液中心的庫存基本能滿足醫院Agent的補貨需求，此后獻血者人數的持續增長則會導致血液中心大量血小板的過期報廢。同理，醫院Agent的短缺量與過期量變化趨勢與血液中心類似。此外，無論是血液中心還是醫院，盡管其短缺量大體呈現下降趨勢，過期量呈現上升趨勢，但在仿真周期內，上述指標仍然在有升有降的波動中，尤以醫院的波動最為顯著。原因在于醫院Agent還額外存在轉運決策與替代決策，這也恰好反應了供應鏈系統中血液中心Agent與醫院Agent的自適應調整過程。由圖10—圖11可知，血液中心Agent的運輸成本波動幅度明顯大于持有成本。一方面，在宏觀調控的作用下，獻血者人數在實時變化，導致了血液中心每日的血小板采集量與運輸成本變化大。另一方面，在血液緊缺情境下，血液中心當日采集的血小板將立即完成分配，滿足醫院的補貨需求，導致血液中心在事件初期的血小板庫存趨于0，其持有成本也維持在較低水平；而隨著后期獻血者人數的增多，其持有成本才隨在保血小板的增多而上升。由圖14—圖15可知，醫院前期的持有成本趨于0，后期上升至一定程度后開始回落。原因在于，前期血液緊缺，庫存血小板用于滿足臨床用血需求后并無剩余；后期獻血者增多后，逐步開始有盈余庫存，持有成本也隨之上升。但受醫院最大庫存及血小板保質期的約束，持有成本開始回落。運輸成本方面，前期成本較低且變化大，后期成本較高且趨于穩定。這是由于醫院每日的臨床用血需求不均衡，加之考慮了血小板庫齡結構，以及臨床對血小板新鮮度的要求而采用了OIR補貨策略，導致醫院的補貨需求變化大。且受血液緊缺影響，運輸成本維持在較低水平。而后期血小板庫存增多，且庫齡結構較為均衡，因此運輸成本隨補貨需求的變化而趨于穩定。

（四）敏感性分析

下面將分析不同因素對血液緊缺背景下供應鏈系統核心績效指標的影響。本次研究將采用仿真周期內血小板的短缺率和過期率作為核心指標，其中，短缺率描述的是無法被庫存血小板所滿足的需求占總需求的比例，反映了系統保障血小板供應的程度；過期率描述的是過期報廢的血小板占訂貨量的比例，反映了供應鏈系統的運行效率。我們將以O+血型為例展開敏感性分析，其中，短缺率和過期率取全仿真周期的均值。

1.事件影響力與初始獻血者人數的敏感性分析

血液的唯一來源是人體，獻血者人數從源頭直接影響供應鏈系統的績效。為此，針對事件影響力與初始獻血者人數變化，對血液中心Agent短缺率和過期率的影響進行敏感性分析，結果如圖16所示。

由圖16可知，隨著事件影響力的提升，血液中心Agent的短缺率在不斷降低，而過期率在不斷提升。但當事件影響力提升至一定程度后，短缺率的降速開始放緩，而過期率的漲速開始提升。這意味著伴隨“血荒”事件的發酵，越來越多的公眾意識到事件的嚴肅性而加入獻血者隊伍，但當后期血液緊缺困境得到顯著緩解后，血液中心的庫存血小板增多，而醫院的每日用血需求雖不均衡，但并不會出現巨大波動，因此后期獻血者人數的增多對于短缺率的降低效果并不顯著，反而會導致血液中心血小板的大量囤積浪費。另一方面，當固定事件影響力時，初始獻血者人數的增多對于降低短缺率、提升過期率的作用并不明顯。只有當事件影響力達到較高水平時，初始獻血者的增多才明顯提高了過期率。這是由于在宏觀調控系統中，獻血者人數受無償獻血者保持度影響，而無償獻血者保持度又受多個因素共同作用，而初始獻血者人數作為單一因素對系統整體作用較小，故其對血液中心核心績效指標的影響并不顯著。因此，在血液緊缺情境下，血液中心需實時關注自身的庫存結構以及醫院補貨需求的變化。當血液緊缺困境得到明顯緩解后，應及時采取相應調控措施，控制獻血者人數的持續上漲，力求在盡可能降低短缺的情況下，減少血小板的過期浪費。

圖16 事件影響力與初始獻血者人數的敏感性分析

圖17 血型替代策略的敏感性分析

2.血型替代策略的敏感性分析

緊急情況下，醫院Agent將按照中國醫師協會輸血科醫師分會/中華醫學會臨床輸血學分會制定的《特殊情況緊急搶救輸血推薦方案》，執行血型替代策略。為分析替代策略是否對醫院Agent的核心績效指標產生影響，固定血小板保質期為5天，探究不同庫存水平下，血型替代策略對醫院Agent短缺率和過期率的影響。結果如圖17所示。

由圖17可知，替代策略可有效降低醫院Agent的短缺率與過期率。但當最大庫存水平提高至一定程度后，替代策略對醫院Agent過期率的降低效果不再顯著。這是由于血液緊缺困境逐步得到緩解后，各血型血小板庫存能基本滿足臨床用血需求，不再需要通過各血型間的兼容替代來降低短缺率。而此時最大庫存水平的持續提升會造成血小板的囤積；即使采用了血型替代策略，也不再能顯著降低醫院Agent的過期率。

3.醫院最大庫存水平與保質期的敏感性分析

血小板的保質期一般為3-5天，加之醫院Agent采用的是OIR補貨策略，因此保質期與最大庫存水平的變化會對醫院的核心績效指標產生較大影響。為此，在不同保質期下，探究醫院最大庫存水平的變化對醫院Agent短缺率和過期率的影響。結果如圖18所示。

圖18 醫院最大庫存水平與保質期的敏感性分析

由圖18可知，醫院Agent的短缺率隨最大庫存水平的提升而降低，過期率隨最大庫存水平的提升而提升。短缺率的下降在不斷放緩，過期率的上升呈現穩定趨勢。這是因為醫院最大庫存水平的提升，使得在血液緊缺困境逐步緩解后，醫院的血小板庫存足以滿足臨床用血需求，甚至出現盈余；但臨床用血需求并不會陡增。因此，最大庫存水平的持續提升并不能使短缺率的降速保持不變甚至提升，反而會造成血小板的過期浪費。當固定醫院最大庫存水平時，保質期越短，短缺率越低，過期率越高，但保質期的縮短對于短缺率的降低效果并不顯著。這是因為，保質期縮短導致血小板迅速過期，醫院的補貨訂單也隨之增多，庫存流動性得以提升，短缺率有所降低。但鑒于血液緊缺的背景，盡管醫院的補貨需求變大，但前期血液中心并無足夠的血小板滿足其需求。因而綜合整個仿真周期，保質期的縮短對于短缺率的降低作用較小。對此，醫院要把握臨床用血需求變化，監測庫存血小板的新鮮度，設置合理的庫存水平。如有必要，還可根據血液緊缺事件的發展趨勢設置動態庫存水平，以更好地滿足用血需求，降低過期率。

六、結論

本文從CAS角度構建了基于ABM耦合SD的四級血液供應鏈系統智能仿真模型。利用該模型模擬了微觀獻血者Agent、采血車Agent、血液中心Agent和醫院Agent在血液緊缺背景下的自適應行為，并通過獻血者Agent耦合至SD模型，進而確定無償獻血者人數，并將血液中心Agent的績效結果涌現至血液采集子系統中，通過調整事件影響力及短缺血型的采集量，影響無償獻血者保持度，達到緩解血液緊缺的目的。通過對供應鏈系統特征及主要節點績效指標的分析，得到如下主要結論：①醫院Agent的在保血小板先于血液中心Agent迅速增長。就關鍵績效指標而言，血液中心Agent的短缺量約在120天后趨于0，過期量約在140天后迅速增長，運輸成本波動幅度明顯大于持有成本；醫院Agent短缺量、過期量變化趨勢類似于血液中心Agent，持有成本趨上升至一定程度后開始回落，運輸成本前期較低且變化大，后期成本較高且趨于穩定。②對血液中心Agent而言，把握血液緊缺事件的發展趨勢，并關注自身的庫存結構與醫院補貨訂單的變化，及時調整宏觀干預的方式與力度，應是其關注的重點。③對醫院Agent而言，應掌握臨床用血需求的變化，結合自身庫存結構，設置合理最大庫存水平，以緩解血液緊缺困境。④在血液緊缺時期，執行血型替代策略可有效降低醫院Agent的短缺率與過期率。本文研究成果有助于血液供應鏈重要節點進行決策與控制，對提高供應鏈績效以緩解“血荒”困境具有一定的指導意義。

未來研究可考慮交叉配型過程，也可針對不同成分血的異質需求，深入探究成分血供應鏈保障績效動態演進機理及績效提升機制問題。參考文獻：

［1］ZHOU Y F， ZOU T G， LIU C S， et al.?Blood supply chain operation considering lifetime and transshipment under uncertain environment［J］. Applied soft computing， 2021， 106（5）：107364.

［2］馬祖軍， 周愉峰.大規模突發事件應急血液采集動態模型［J］.系統工程學報， 2017， 32（1）：125-135.

［3］RAJENDRAN S， RAVINDRAN A R.?Inventory management of platelets along blood supply chain to minimize wastage and shortage［J］. Computers & industrial engineering， 2019， 130： 714-730.

［4］李猜，耿娜，王春鳴.?基于MDP的血小板庫存最優訂貨策略和使用策略研究［J］. 運籌與管理，2019， 28（7）：108-117.

［5］HOSSEINI-MOTLAGH S， SAMANI M R G， HOMAEI S.Toward a coordination of inventory and distribution schedules for blood in disasters［J］. Socio-economic planning sciences， 2020， 72：100897.

［6］LIU W， KE G Y， CHEN J， et al.?Scheduling the distribution of blood products： a vendor-managed inventory routing approach［J］. Transportation research part e logistics and transportation review， 2020， 140：101964.

［7］SHOKOUHIFAR M， SABBAGHIB M M， PILEVARIC N.?Inventory management in blood supply chain considering fuzzy supply/demand uncertainties and lateral transshipment［J］. Transfusion and apheresis science， 2021： 103103.

［8］WANG K M， MA Z J.?Age-based policy for blood transshipment during blood shortage［J］. Transportation research part e： logistics and transportation review， 2015， 80：166-183.

［9］崔文燕， 張奕， 張玉林.?48314例手術備血和臨床輸血標本的abo血型分布與月份、季節的關系［J］. 中國現代醫生， 2015， 53（18）： 80-81.

［10］周愉峰， 李志， 劉思峰.?基于隨機p-魯棒優化的國家血液戰略儲備庫選址-庫存模型［J］. 中國管理科學， 2018， 26（10）： 52-63.

［11］周愉峰.?非常規突發事件應急血液保障優化關鍵問題研究［M］. 經濟科學出版社， 2016.

［12］ENSAFIAN H， YAGHOUBI S， MODARRES YAZDI M.?Raising quality and safety of platelet transfusion services in a patient-based integrated supply chain under uncertainty［J］. Computers & chemical engineering， 2017， 106： 355-372.

［13］HOSSEINI-MOTLAGH S， SAMANI M R G， HOMAEI S.?Blood supply chain management： robust optimization， disruption risk， and blood group compatibility （a real-life case）［J］. Journal of ambient intelligence and humanized computing， 2020， 11（3）： 1085-1104.

［14］DUAN Q， LIAO T W.?Optimization of blood supply chain with shortened shelf lives and ABO compatibility［J］. International journal of production economics， 2014， 153： 113-129.

［15］ZAHIRI B， PISHVAEE M S.?Blood supply chain network design considering blood group compatibility under uncertainty［J］. International journal of production research， 2017， 55（7）： 2013-2033.

［16］DILLON M， OLIVEIRA F， ABBASI B.?A two-stage stochastic programming model for inventory management in the blood supply chain［J］. International journal of production economics， 2017， 187： 27-41.

［17］DEHGHANI M， ABBASI B， OLIVEIRA F.?Proactive transshipment in the blood supply chain： a stochastic programming approach［J］. Omega， 2021， 98： 102112.

［18］HOSSEINI-MOTLAGH S M， SAMANI M， HOMAEI S.?Toward a coordination of inventory and distribution schedules for blood in disasters［J］. Socio-economic planning sciences， 2020（72）：100897.

［19］GHORASHI S B， HAMEDI M， SADEGHIAN R.?Modeling and optimization of a reliable blood supply chain network in crisis considering blood compatibility using MOGWO［J］. Neural computing & applications， 2020， 32（16）： 12173-12200.

［20］周愉峰，陳良勇，劉思峰，等.基于系統動力學的震后應急血液保障績效評估［J］.系統工程，2020，38（1）：26-35.

［21］KATSALIAKI K， BRAILSFORD S C.?Using simulation to improve the blood supply chain［J］. Journal of the operational research society， 2007， 58（2）： 219-227.

［22］ZHOU D， LEUNG L C， PIERSKALLA W P.?Inventory management of platelets in hospitals： optimal inventory policy for perishable products with regular and optional expedited replenishments［J］. Manufacturing & service operations management， 2011， 13（4）： 420-438.

［23］ARIANNA S， FORSHEE R A， ANDERSON S A， et al.?A stock-and-flow simulation model of the US blood supply.［J］. Transfusion， 2014， 54（3）： 828-838.

［24］HAIJEMA R， MINNER S.?Improved ordering of perishables： The value of stock-age information［J］. International journal of production economics， 2019， 209： 316-324.

［25］CLAY N M， ABBASI B， EBERHARD A， et al.?On the volatility of blood inventories［J］. International transactions in operational research， 2018， 25（1）： 215-242.

［26］AFSHAR J， SADEGHIAMIRSHAHIDI N， FIROUZI A R， et al.?System dynamics analysis of a blood supply chain system［J］. Trans tech publications， 2014， 510：150-155.

［27］張家瑞，王慧慧，曾維華.基于ABM+SD耦合模型的滇池流域水價政策仿真［J］.中國環境科學，2017， 37（10）：3991-4000.

［28］張一文，齊佳音，馬君，等.網絡輿情與非常規突發事件作用機制——基于系統動力學建模分析［J］.情報雜志，2010，29（9）：1-6.

［29］熊國強，趙昕.耦合情緒因素的群體性突發事件SD模型與演化仿真［J］.系統工程，2016，34（5）：112-120.

［30］陳良勇，馬祖軍.無償獻血者流失行為影響機制研究［J］.管理評論，2015，27（11）：151-160.

［31］盧文媛，余澤波，李青，等.基于院本部的分院區血液庫存管理及臨床用血分析［J］.醫學信息，2021，34（9）：145-148.

［32］張淑萍，白林.血站血液短缺庫存預警分級與醫院應急響應［J］.中國衛生質量管理，2015，22（5）：92-94.

［33］ABBASI B，HOSSEINIFARD S Z.?On the issuing policies for perishable items such as red blood cells and platelets in blood service［J］. Decision sciences， 2014， 45（5）：995-1020.

［34］DILLON M， OLIVEIRA F， ABBASI B.?A two-stage stochastic programming model for inventory management in the blood supply chain［J］. International journal of production economics， 2017， 187：27-41.

［35］周愉峰，馬祖軍.考慮血型替代策略的緊缺血液采集優化［J］.工業工程，2016，19（05）：1-9.

［36］DUAN Q， LIAO T W.?A new age-based replenishment policy for supply chain inventory optimization of highly perishable products［J］. International journal of production economics， 2013， 145（2）：658-671.

Performance Evolutionand Evaluation for Blood Supply Chain：

A Coupled ABM +SD Model

ZHOU Yu-feng， ZHANG Xi-pei， LI Zhi

（School of Management Science and Engineering， Chongqing Technology and Business University， Chongqing 400067）

Abstract：The contradiction between blood supply and demand has become increasingly prominent， and regional/seasonal blood shortages occur frequently.?It is of great practical significance to improve the performance level of the blood supply chain and the blood security system.?Therefore， from the perspective of a complex adaptive system， taking platelets as the research object， considering that macro-environmental regulation will affect the number of blood donors， which in turn affects the performance of the supply chain， we propose a four-level blood supply chain coupled ABM and SD models that takes the blood center Agent as the core and considers the storage age，then carry on the reality test and sensitivity analysis to it.?The research shows that： ①There is an adaptive adjustment process between the blood center Agent and the hospital Agent.②The shortage rate of the blood center Agent can be reduced while the expiration rate can be increased by improving the influence of blood shortage events and increasing the number of initial blood donors.The increase in the number of initial blood donors has little effect on reducing the shortage rate and increasing the expiration rate.In addition， the rate of decrease in the shortage rate gradually slowed down， and the rate of increase in the expiration rate gradually accelerated when the influence of the event increased to a certain level.?③Blood group substitution strategy can effectively reduce the shortage rate and expiration rate of hospital agents.?④The shortage rate of the hospital Agent can be reduced while the expiration rate can be increased by increasing the maximum inventory level and shortening the shelf life of platelets.But as far as the entire simulation cycle is concerned， shortening the shelf life does not have a significant effect on reducing the shortage rate.The research results will help important nodes to make more efficient supply chain decision-making and control under the background of blood shortage， and improve the performance level; it has certain guiding significance for solving the blood shortage dilemma.

Keywords：blood shortage;blood supply chain; complex adaptive system; coupling model; storage age; performance simulation

基金項目：重慶市教委人文社科重點項目“重大疫情下考慮庫齡與交叉配型的成分血供應鏈保障績效演進機制及混合仿真方法研究”（22SKGH186）教育部人文社會科學研究項目“不確定環境下成分血供應鏈保障績效的動態演進機制、模型與政策研究”（21YJCZH249）;重慶市自科基金項目“不確定環境下考慮庫齡與交叉配型的成分血生產-庫存決策動態優化”（cstc2021jcyj-msxmX0527）;重慶市基礎研究與前沿探索項目“兼具可靠性與魯棒性的血液戰略儲備決策優化模型與算法研究”（cstc2021ycjh-bgzxm0136）