考虑客户满意度的灾后多港口泊位联合应急调度模型

田茂金 孟燕萍 张亚琦 林国龙

(上海海事大学物流研究中心 上海 201306)



考虑客户满意度的灾后多港口泊位联合应急调度模型

田茂金 孟燕萍 张亚琦 林国龙

(上海海事大学物流研究中心 上海 201306)

随着经济的飞速发展，港口在经济活动中扮演的角色也变得越来越重要，近些年全国各地发生很多港口突发事件，使港口正常作业受到了严重的影响，对港口群的灾后应急调度也提出了新的挑战。针对港口事件的突发性特点和港务集团港口的网络集群特点，建立了以调度成本最小，船舶调度时间最短为目标的多目标优化模型。根据模型设定两个调度方案，应用遗传算法对方案进行求解，结合实际算例对模型和算法的有效性进行验证，并结合客户满意度指数选择最优方案。此模型能够从不同的方案中选择最佳方案，从而提高港口群的竞争优势，更符合港口发展的长远利益。

突发事件 联合应急调度 客户满意度

0 引 言

港口作为国际运输中的关键环节，在经济活动中起着关键作用。近些年，港口运作中的一些突发事件对经济活动的正常运作起到了非常大的影响，如2010年印度孟买附近海域两艘货轮相撞，导致原油泄漏，造成尼赫鲁港关闭三天，海运价格上涨。2014年比利时全国大罢工，导致包括安特卫普、根特等港口的商业航运服务中断。2015年8月13日天津港特别重大火灾爆炸，事故造成165人遇难，港口暂停服务，“危险品”船舶和供油船舶等暂时禁航。随着我国港口向第四代港口转变，我国港口进入一个新的发展阶段，港口间的竞争也将体现为港口群之间的竞争。突发事件产生之后需要尽快采取相应措施减弱事件对正常经济活动产生的影响，因此对港口应急物流的研究也具有相当重要的现实意义。

随着研究学者对应急物流的广泛研究，港口应急物流开始受到国内外学者的重视。有些学者认为港口应急物流一般是由几种常见的情况引起的，一是由于地震、台风、海啸等自然灾害引起的港口应急物流；二是由于轮船触礁、污染物泄漏等事故原因引起的港口应急物流；三是疫情、食品安全等公共原因引起的港口应急物流；四是恐怖袭击事件、经济安全事件等社会安全原因引起的港口应急物流[1-5]。郭亚飞等[6]认为港口应急物流产生的主要原因是由台风、海啸、飓风、水灾、轮船触礁、污染物泄漏、进出口物资数量剧变和海上战争等。港口应急物流又具有以下特点，一是张江华[7]提到的具有快速反应性、一次性和临时性、开放性和扩展性、非常规性以及需求的随机性等特点；二是杨贺等[1]提到的具有突发性、弱经济性、不确定性和非常规性等特点。通过研究应急物流的研究，在很大程度上能够降低突发事件造成的负面影响，减少损失。

近些年对港口应急物流的研究主要集中于针对港口突发事件的风险评估。针对溢油大雾等突发事件，陈国标等[8]从思想素质、业务能力、心理状况等各方面进行综合层次分析，进行量化评估，提出了评估体系和科学性建议；马会等[9]利用灰色系统的统计方法对港口航道操船环境的危险度进行了研究；赖强等[10-11]采用系统灰色理论和方法对港口危险度进行了研究。Wangsd等[12]通过三位数值模拟石油泄漏对海洋运输的影响；Chengyc等[13]利用SAR观测模型来跟踪研究沿海水域的溢油水平；Sebastiaop等[14]对公海溢油轨迹的不确定性进行了研究。Paul[15]等建立反映港口资源随灾难演化过程变化的仿真模型，并证明了港口网络中多港口协调应急调度的有效性。Mokhta等[16]采用模糊集合理论描述和评估港口和码头营运和管理相关的风险因素，建立了可以应用于不同灾难场景的通用型风险评估模型。Ye[17]等利用系统动力学方法对港口的安全水平对港口集装箱吞吐量的影响进行了仿真，并利用仿真结果进行了分析和预测。

为了提高港口遭遇突发事件时的可操作性，最大限度地降低突发事件所带来的损失，李学工等[18]利用供应链模型协调应对突发事件进行分析，提出了港口应急物流供应链模型；汪春鹏等[19]综合考虑港口物流网络系统中各方决策偏好，提出了基于枢纽港口服务中断背景下的多港资源协调调度的多目标线性规划模型。

在港口遭遇突发事件时，港口之间的资源协调调度可以大幅降低突发事件对受灾港口的生产影响，降低损失。对港口之间的协调调度，毕娅等[20]建立了集装箱港口集群下多港口多泊位联合调度的多目标非线性决策模型，并按照模型决策空间所具有的特殊条件，设计了改进的遗传启发式算法，设计了改进的遗传启发式算法，使得船舶靠泊成本大幅降低，港口利用率大幅提高。徐炜勇等[21]采用双层规划模型描述区域内各港口间的协调优化问题，引入效用函数使所付费用满足服务需求，采用MATLAB求出最优解。毕娅等[20]在考虑到港离港事件、满空箱量、泊位吨数等因素下，设计了重庆港多港口集装系那个码头联动调度的原则和策略，建立了联动调度的数学模型。

综上所述，国内学者对港口灾后应急物流的研究主要集中在港口突发事件的风险评估，应急预案，对港口灾后应急物流的可操作性研究相对较少。在港口发生突发事件时，港口群之间的资源协调调度对降低突发事件影响，减少损失是最有效的。以天津港为例，爆炸发生后部分船舶禁航，海事部门启动紧急预案，保证港口通航秩序。在船舶调度中，因为船舶运载货物不同，如危险化学品等船舶需要尽快调离，或者由于生产作业需要的特殊性等原因而要求优先调度，如果不能及时处理客户的特殊要求，将会对港口服务的质量产生很大影响，降低客户对港口服务的满意度，这在港口灾后应急物流的研究中未涉及。本文以港口遭受突发事件，港口服务中断为背景，针对突发事件的紧急性，港口集群的特征，提出了基于考虑客户满意度的港口集群资源协调调度的多目标线性优化模型，以最小化船舶调度成本和船舶在岗等待时间为目标，对目标进行无量纲化处理，提出应急调度的两个方案，对调度结果产生的客户满意度进行比较，最终选择出最佳调度方案。

1 问题描述与模型建立

1.1 问题描述

港口突发事件能够使港口正在执行的操作发生紧急改变，对港口正常作业产生非常大的影响，因此必须要采取相应的应急措施来处理危机，减弱突发事件对港口作业产生的影响。由于港口泊位以及船舶航行的复杂性特点，如何在保障港口、船舶以及船员的利益，又能够在最小的成本下尽量使客户满意度达到最大，是提高港口群综合竞争力的重要问题，这对港口灾后的应急方案提出了相当高的要求，因此对港口灾后应急的研究也就非常有现实价值。

本文研究背景基于由多个港口组成的某港口群，各港口有若干泊位，每个泊位的通货能力根据其大小不同而不同。已知未来一段时间内到达港口船舶的时间，船舶长度、船舶的吃水深度、载货量以及港口泊位的深度，长度以及容量。在某一港口遭受突发事件的影响，无法进行正常的装卸任务时，对到港船舶进行调度。模型以调度成本最小、船舶总调度时间最短为目标，通过对多目标的无量纲化处理并引入权重指数建立一个单目标优化模型，并对模型进行规划求解。根据调度各方对调度成本以及调度时间的侧重点不同，设置两组权重指数产生偏重成本最小与偏重调度时间最短的两个调度方案。最后对比两个调度方案结果的客户满意度，选出最佳调度方案。客户满意度是根据船舶所运载货物和港口对船公司的打分以及船公司对港口经营的所占比重进行量化，客户满意度指数根据船舶接受服务的时间点与满意时间点、可接受时间点的差值和每艘船舶所属船公司对港口经营的重要性根据调查得出的权重指数等综合因素求得。再用实际案例对模型进行验证，说明模型的稳定性以及对港口的指导性作用[22]。

1.2 模型建立

在多港口多泊位的联合调度中，由于现实条件的复杂性，本文在考虑港口群与船公司利益的情况下，建立了以综合调度成本与调度时间最短为目标的多目标调度模型，船舶服从先到先服务原则。最后对多目标进行无量纲化处理并建立一个单目标规划模型。

1.2.1 模型假设

(1) 泊位是离散的；(2) 整个联合调度过程包括一个起始港口和若干目标港口，船舶从接受调度任务时的位置开始，到目标港口，完成货物配送止；(3) 假设船舶航行成本根据船大小不同而不同，且每艘船的单位航行成本已知；(4) 假设港口联合调度的配送货物均为集装箱配送；(5) 港口每台岸边集装箱起重机装卸效率相同，每40米放置一台集装箱起重机，不考虑起重机的调度；(6) 不考虑集装箱空箱情况，假设岸边起重机装卸效率为35箱/h；(7) 受灾港口以及目标港口的坐标已知；(8) 船舶期望停靠的港口为能够尽快交货且货运成本最低的港口；(9) 不考虑船舶航行过程中天气影响；(10) 不考虑集装箱从港口运输到客户。

1.2.2 符号说明

本文用g、i和j分别表示港口，泊位以及船舶的位置∀g∈G=(1,2,…,n)，∀i∈I=(1,2,…,n)，∀j∈J=(1,2,…,n)。G×I表示全部的港口泊位，Rg来表示港口的容量(TEU)；Tsj、Twj和Tkj分别表示船舶的航行时间、等待时间与卸货时间，三者之和即为船舶总的调度时间；Taj和Tlj分别表示船j的到港时间和离港时间，两者之差即为船舶的等待时间和卸货时间；Dj和Lj分别表示船j的吃水深度与船长；dgi表示船j在接到调度任务时到港口g泊位i的距离；Wgi和Hgi分别表示港口g泊位i的深度和长度，这对即将靠泊的船舶形成一定的约束；Cj表示船j的单位航行成本；Csj、Cwj和Ckj分别表示船j的航行成本与等待成本和卸货成本，其中停泊成本为Ct=2 000元/h；Ckg表示港口g的单位装卸成本；Nj表示船j的集装箱量；Fj和λj分别表示船j的客户满意度指数和权重，客户满意度权重根据港口对船公司打分得到；sj和ej分别表示船j的满意服务时间点和可接受服务时间点。

1.2.3 模型建立

(1)

(2)

港口联合应急调度的优化目标有两个：式(1)表示所有船舶总调度时间最短，包括船舶的航行时间、等待时间和卸货时间；式(2)表示船公司接受调度后产生的综合成本最低，调度成本包括航行成本、等待成本以及卸货成本。

s.t

(3)

(4)

Twj=Tlj-Taj-Tkj≥0 j∈J

(5)

(6)

Csj=Cj·dj

(7)

Cwj=Ct·Twj

(8)

Ckj=Ckg·Nj

(9)

(10)

(11)

(12)

(Hgi-Lj)·xgijp≥0 ∀(g,i,j,p)∈G×I×J×P

(13)

(14)

式(3)表示每个港口上的每个泊位任意一个停泊次序最多停靠1艘船；式(4)表示所有船舶仅靠泊一次，接受一次服务；式(5)限制所有船舶在港口等待时间不小于0；式(6)表示船j卸货所用时间，其中35为岸边起重机平均作业速度为35 TEU/h，40为每40米放置一台岸边起重机，卸货时间由船舶所载货量和岸边起重机总的作业效率决定；式(7)表示船j的航行成本，航行成本为单位航行成本乘以船舶到所要进行服务的港口的距离；式(8)和式(9)分别表示船j在港等待成本和卸货成本；式(10)表示在同一泊位相继进行服务的两串时间约束的有效性；式(11)表示同一泊位，必须是前一艘船离开之后，后一艘船才开始接受服务；式(12)、式(13)是港口泊位对所停靠船舶的一个约束条件，即停在g港口i泊位的船j的长度和池水深度必须满足所要停靠的泊位的条件；式(14)是对港口容量的限制，即到港口g接受服务的船舶的总载货量不能超过港口的容量。

1.2.4 客户满意度指数

(15)

(16)

式(15)表示客户满意度最高，由客户满意度权重和每艘船的客户满意度指数决定。

式(16)是从船舶接受服务的时间入手，形成可衡量的客户满意度评价体系。

1.2.5 多目标模型的优化

用极差法对调度成本与调度时间进行无量纲化处理，其公式为[23]：

C′、T′分别为C、T经上述方法处理后的子目标函数。根据调度各方对各目标的侧重性不同进行线性加权处理，设权重向量M=(μ，σ)，且μ+σ=1，μ,σ∈[0,1],V=μC′+σT′。

方案一设置调度成本与调度时间的权重向量M=(0.7，0.3)，因此得到最小化调度成本与调度时间模型的综合目标函数为:

minV|V=0.7C′+0.3T′

(17)

方案二设置调度成本与调度时间的权重向量M=(0.3，0.7)，因此得到最小化调度成本与调度时间模型的综合目标函数为:

minV|V=0.3C′+0.7T′

(18)

2 算法设计

2.1 编 码

针对本文离散型的调度系统，采用整数排列编码。整数排列编码就是以整数的排列构成问题解的染色体的编码形式，根据整数是否允许重复，可以分为顺序编码，和非顺序编码，这种编码方法尤其适用于组合优化问题。如图1所示。例如，对于10个城市的旅行商问题，城市序号为[0,1,2,…,9]，则[3 2 1 5 4 0 7 6 9 8]就可以表示一条行走的路线，即问题的解。

图1 染色体编码示意图

由于该问题是船只——泊位分配问题，所以船舶编号不能重复出现，假设共有N艘集装箱船舶，共有G个港口，共有P个泊位，于是，可以根据表1构造出该问题的染色体。

表1 整数编码

2.2 交 叉

本文采用1990年Syswerda提出的基于位置的交叉方法(PX:Position-based Crossover)，这种交叉方法尤其适用于排列形式的染色体，具体过程如表2所示。

表2 基于位置的交叉(PX)

2.3 变 异

本文中的变异方法采用倒置变异，也就是在染色体上随机选择两个位置，然后颠倒两个位置间的基因序列，如图2所示。

图2 倒置变异示意图

3 算例分析

为验证模型和算法的有效性、可行性以及稳定性，设置一定的算例数据对模型以及算法进行验证。以华东地区某港口群为例，港口群中各港口的距离均采取真实数据，船舶的单位航行成本因船型以及所载货物不同而不同。客户满意度权重根据实际考察以及邀请港口负责人对船公司对港口作业时间以及服务质量进行打分来得到不同船公司的权重指标。港口泊位的数量以及泊位类型和船舶到港时间以及载货量等参数采用可行的随机值。

为了比较方案一与方案二调度结果在调度成本、调度时间以及客户满意度的差异。使用MATLAB编写算法程序，设置交叉概率与变异概率分别为0.7与0.3，每次实验迭代次数为300进行试验，分析比较试验结果。

本文数据在收集的港口真实数据的基础上按一定比例进行处理，表3为调度后的目标港口信息，表4为中短时间内港口群所有船舶信息，图3为港口群各港口地理位置坐标。

表3 某港口群各港口泊位情况

图3 某港口群各港口地理位置坐标

续表4

设定参数进行试验，算例结果显示：

1) 方案一最后一条船的离港时间为3月24日23点34分，调度的最小成本为1 123 350元，客户满意度为56.4%，20艘船停靠的港口分别是3、1、2、1、3、3、3、1、1、3、1、2、2、1、3、2、1、2、3、1，如图4所示。

图4 方案一应急调度结果

2) 方案二最后一条船的离港时间为3月24日11点56分，调度的最小成本为1 279 800元，客户满意度度84.6%，20艘船停靠的港口分别是2、2、3、2、3、3、3、1、1、2、1、3、1、1、1、2、1、3、2、1，如图5所示。

图5 方案二应急调度结果

通过数据的对比发现，方案一相对于方案二具有调度成本的优势，但是调度时间相对较长，两个方案的调度结果显示，方案二较方案一有较高的客户满意度，因此从港口经营的长远角度出发，应该选择方案二。此应急方案的选择模型对港口的运营起到一定的指导作用，以牺牲少量的成本代价来大幅来提高客户的满意度，以此增加港口的综合竞争力。

为了进一步检验算法的稳定性和比较客户满意度对港口调度结果的影响，设置了四组试验数据，通过重复试验求出遗传算法下的最佳交叉概率与变异概率分别为0.7与0.3，并将其设置为遗传算法的交叉概率与变异概率，对方案一和方案二采取四组数据进行重复试验，并对两个调度方案的调度结果所产生的调度成本、调度时间与客户满意度进行比较，来对港口的应急调度做出指导性建议。每个算例均采用5组不同的初始值，初始值均在根据实际情况在可行区间内随机取得。算例采用的数据如表5所示，试验结果如表6所示。

表5 随机算例4组数据

表6 四组案例结果对比

从四组算例的结果和目标函数的收敛性情况表明了模型算法的稳定性。从结果对比来看，当船舶和港口泊位数量较少时，两个调度方案的应急调度造成的调度成本以及船舶调度时间的差别并不明显，客户满意度也没有明显的差异；随着船舶数量和港口泊位的增多，方案一与方案二在成本和时间的有一定的差异，方案一具有成本优势，方案二具有调度时间上的优势，同时方案二在客户满意度方面较方案一具有较大优势。因此从港口与船公司长期合作的角度，方案二为最佳调度方案。四组算例采用5组不同的初始值进行验算，均能得到以上的结果。本算例的模型目标函数实验结果以及收敛的情况均表明了模型的稳定可靠，模型目标的适应度函数如图6所示。

图6 算法收敛情况

4 结 语

随着国内港口向第四代港口转变，港口间的竞争主要体现在港口群之间的竞争，港口也由原先的单纯依赖装卸费转向为提供全面供应链服务。近些年，国内外学者对港口灾后应急物流的研究变得越来越多，但是始终没有考虑到客户满意度的应影响因素。为提高自身竞争力，建立考虑客户满意度的灾后应急物流体系变得更加具有现实意义。

本文基于遗传算法研究考虑客户满意度的灾后港口应急物流体系，目标是在应急调度的优选方案中通过考虑客户满意度，选出符合港口长期发展的最优方案。本文首先建立了以最小化调度成本和最小化船舶调度时间为目标的多目标优化模型，通过无量纲化处理并设置权重指数得到单目标优化模型，使用遗传算法对模型进行求解，并通过几组算例对模型进行验证。模型既在考虑调度成本与调度时间情况下得到两个调度方案，最后考虑调度方案的客户满意度来选择最佳调度方案，调度方案符合港口长期发展的目标，具有现实意义。试验结果表明：以调度成本为重点考虑因素的方案虽然能够降低调度成本，但是客户满意度较低，存在客户流失的风险；以调度时间为重点考虑因素的调度方案，客户满意度较高，调度成本小幅增加。以牺牲部分利益为代价避免了客户的流失，有利于提高港口群的竞争优势，符合港务集团的长远利益。

在实际的应用中，结合本模型以及港口作业实际情况，可以在本模型基础上考虑不影响调度目的港口的生产作业情况，并根据受灾港口群的实际情况，对模型的参数以及各项指标进行修正，这样可以增加港口灾后应急物流系统的适用性，在灾后应急级别小的情况下也更具有可行性。

[1] 李学工, 杨贺. 港口物流供应链应急管理机制[J]. 物流技术, 2007, 26(8):172-174.

[2] Imai A， Nishimura E， Papadimitriou S.The dynamic berth allocation problem for a container port [J].Transportation Research Part B: Methodological，2001，35( 4) : 401-417．

[3] Imai A， Nishimura E， Papadimitriou S．Berth allocation with service priority [J]． Transportation Research Part B: Methodological，2003，37( 5) : 437-457.

[4] Imai A, Zhang J T, Nishimura E, et al. The Berth Allocation Problem with Service Time and Delay Time Objectives[J]. Maritime Economics & Logistics, 2007, 9(4):269-290.

[5] Imai A, Nishimura E, Hattori M, et al. Berth allocation at indented berths for mega-containerships[J]. European Journal of Operational Research, 2007, 179(2):579-593.

[6] 郭亚飞．港口应急物流系统运作预案及评价[D]．武汉：武汉理工大学，2011.

[7] 张江华. 我国港口应急物流系统分析与构建研究[J]. 现代管理科学, 2009(8):59-61.

[8] 陈国标.船舶配员疲劳因素和安全的综合评价[J].广西交通科技，1998，23(4)：49-53.

[9] 马会，吴兆麟.港口航道水域操船环境危险度的综合评价[J].大连海事大学学报，1998，24(3)：15-18 .

[10] 赖强.水域危险度的灰色评价及其在广州港的应用[D].大连:大连海事大学，2002.

[11] 高岩松.厦门港港口水域航道环境危险度的分析与评价[D].大连:大连海事大学，2008:13-34.

[12] Wang S D, Shen Y M, Guo Y K, et al. Three-dimensional numerical simulation for transport of oil spills in seas[J]. Ocean Engineering, 2008, 35(5-6):503-510.

[13] Cheng Y, Li X, Xu Q, et al. SAR observation and model tracking of an oil spill event in coastal waters[J]. Marine Pollution Bulletin, 2011, 62(2):350-363.

[14] Sebastiäo P, Soares C G. Uncertainty in predictions of oil spill trajectories in open sea[J]. Ocean Engineering, 2007, 34(3):576-584.

[15] Paul J A, Maloni M J. Modeling the effects of port disasters[J]. Maritime Economics & Logistics, 2010, 12(2):127-146.

[16] Mokhtari K, Ren J, Roberts C, et al. Decision support framework for risk management on sea ports and terminals using fuzzy set theory and evidential reasoning approach[J]. Expert Systems with Applications An International Journal, 2012, 39(5):5087-5103.

[17] Yeo G T, Pak J Y, Yang Z. Analysis of dynamic effects on seaports adopting port security policy[J]. Transportation Research Part A Policy & Practice, 2013, 49(1):285-301.

[18] 李学工, 杨贺. 构建我国港口联动型应急物流体系[J]. 交通建设与管理, 2006(10):46-49.

[19] 汪春鹏, 林国龙, 孟燕萍. 港口服务中断条件下应急处置策略与多港协调机制研究[J]. 河南科学, 2014, 32(3):455-460.

[20] 毕娅，李文峰．集装箱港口集群下多港口多泊位联合调度方法[J]．计算机应用，2012，32(2)：448-451.

[21] 徐炜勇, 吴凤平, 邱毓敏,等. 区域港口协调优化模型研究[J]. 交通与运输:学术版, 2008(1):99-101.

[22] 汪传旭, 蒋良奎. 区域多港口合作竞争策略及其利润分配机制[J]. 上海海事大学学报, 2009, 30(2):1-7.

[23] 赵锐, 胡雄, 何红弟. 考虑客户满意度的网购物流配送路径优化[J]. 上海海事大学学报, 2015, 36(3):64-70.

JOINT EMERGENCY DISPATCHING MODEL FOR MULTI-PORT BERTHS AFTER CALAMITY CONSIDERING CUSTOMER SATISFACTION

Tian Maojin Meng Yanping Zhang Yaqi Lin Guolong

(LogisticsResearchCenter,ShanghaiMaritimeUniversity,Shanghai201306,China)

With the rapid economic development, the role of the port in economic activities has become increasingly important. In recent years, a lot of harbor incidents occur all over the country, which has seriously affected the normal operation of the port. It also poses new challenges to the post-disaster emergency dispatch of the port group. In this paper, a multi-objective optimization model with the least scheduling cost and shortest vessel scheduling time is established for the characteristics of the port events and the network cluster characteristics of the port group. According to the model, two scheduling schemes are set up, and the genetic algorithm is used to solve the scheme. The effectiveness of the model and algorithm is verified by a practical example, and the optimal scheme is selected according to the customer satisfaction index. This model can select the best solution from different schemes, so as to enhance the competitive advantage of the port group, more in line with the long-term interests of port development.

Emergencies Joint emergency dispatch Customer satisfaction

2016-06-13。教育部博士点基金项目(20123121，110004)；上海市科委项目(14DZ2280200)；上海市曙光计划(13SG48)；上海市自然科学基金项目(12ZR1412800)；上海市教委科研创新项目(13YZ085)。田茂金,硕士,主研领域：应急流。孟燕萍，博士。张亚琦，硕士。林国龙，教授。

TP181

A

10.3969/j.issn.1000-386x.2017.07.044