血液供应链绩效演进与评价研究：基于ABM+SD耦合建模与仿真

周愉峰　张熙培　李志

关键词：血液紧缺；血液供应链；复杂自适应系统；耦合模型；库龄；绩效仿真

中图分类号：C94；F252.8 文獻标识码：Ａ 文章编号：2096-7934（2023）03-0018-18

一、引言

近年来，我国的血液供需矛盾日益突出。“血荒”成为困扰许多大中城市临床供血的社会性难题。2015年以来，北京、成都、重庆、长沙、上海等地血液中心多次启动一级预警。COVID-19等重大突发公共卫生事件的爆发也给采供血工作带来新的严峻挑战，严重威胁我国的血液供应链安全。2020年2月，北京市街头全血采集量不到往年同期平均水平的三分之一；武汉市全血采集量较上年同期下降90.15%；长沙市街头献血者仅有20至30人次，远低于往年日均的500余人次。2021年11月，重庆市血液中心A型血、O型血告急，特别是O型血，仅够中心城区3天的需求。血液是生命之源，临床供血直接关系人民群众的身体健康甚至生命安全。因此，在血液紧缺背景下，研究血液供应链的绩效演进机制，对于提高血液保障水平、满足临床用血需求具有重要现实意义。

血液产品具有固定保质期。除了对新鲜度有特殊要求的部分病症需求，保质期内的血液产品效用保持不变，保质期外的血液产品则完全失去效用。而在库血液产品存在多库龄信息共存的特征，且库龄状态随时间和供需动态变化。库龄信息的动态多维性给血液供应链运作带来了挑战。血液供应链决策中，通过考虑库龄分布，可提升血液产品的使用效益，减少短缺与报废［1］。一些研究者考虑库龄状态研究了血液库存管理等相关问题。例如，马祖军等［2］为保障大规模突发事件的应急血液供应，降低应急血液报废量，提出一种考虑库龄的应急血液采集动态模型，并设计了一种离散事件系统仿真方法（discrete event system simulation， DESS）。Zhou et al［1］根据血液短缺条件下库存控制的特点，提出了一种基于EWA策略的采血决策方法。他们建立了一个DESS的仿真框架，且在仿真框架中嵌入了一个以转运时间最短、转运血液新鲜度最大为目标的转运优化模型，以及一个以公平性最优为目标的分配优化模型。Rajendran and RAVINDRAN［3］提出一种不确定需求下考虑库龄的随机整数规划模型来确定血液供应链的订货策略，以减少血小板浪费和短缺。李猜等［4］考虑短缺、浪费和输血新鲜度之间的平衡，以效用最大化为目标建立了最优血小板订货策略的有限时域马尔科夫决策过程模型。Seyyed et al［5］考虑库龄提出一种用于规划灾后血液供应的两阶段随机规划方法，以优化混合不确定环境下的库存决策。Liu et al［6］研究了供应商管理库存的库存-路径问题（VMIRP）来优化血液产品的调度方案，平衡供需。Mohammad et al［7］提出一种供需不确定下考虑库龄与横向转运的血小板库存管理模型。Wang and Ma［8］开发了一种血液短缺时考虑库龄的转运模型，并提出两种用于转运血液单位的偏好选择方法。

不同血型血液产品的兼容替代也是紧缺条件下提高血液供应链绩效的重要手段。替代在紧急条件下可有效缓解血液偏型带来的短缺矛盾［9-10］。周愉峰等［11］的研究表明，实施血型替代策略，可以缓解血液紧缺，降低血液供应链系统总成本。Ensafian et al［12］考虑库龄、血型兼容性和优先规则，建立了血液供应链采集、生产、储存、分配优化的集成模型。Hosseini-Motlagh et al［13］在Ensafian［12］研究的基础上建立了以最小化成本和最小化替代量为目标的最优选址和库存水平设置优化问题。Duan and Liao［14］研究发现，即使在库存管理水平的最低限制和最高允许短缺率限制下，通过ABO-Rh（D）血型替代，也能将系统的过期率降低16%。Zahiri and Pishvaee［15］研究了考虑血型兼容性替代的血液供应链网络设计问题。此外，Dillon et al［16］，Dehghani  et al［17］等也研究了考虑血型替代的血液库存管理问题。Hosseini et al［18］考虑到血液的易腐性、库龄以及替代性，提出了一种两阶段鲁棒—模糊—随机规划（RFSP）方法来应对灾后的血液供应。结果表明，RFSP模型可以在平均值，可行鲁棒性和最优鲁棒性之间做出合理的权衡。Ghorashi et al［19］考虑血液的兼容性，提出了一个包含路径和选址—分配决策的应急血液供应链管理的多目标模型，以减少供应链成本和时间，提高已建立路线的最低可靠性。上述文献大多聚焦血液供应链上的采集、生产—库存、转运、选址分配等决策问题，通常采用混合整数规划等运筹优化方法进行建模求解、以获取最优的供应链决策方案。

血液供应链系统是一个具有高阶次、非线性、复杂时变性、多重反馈性、行为自适应性等复杂特征的耗散系统。基于混合整数规划的建模方法无法考虑血液供应链运作的多重动态因素（如库龄与替代等），难以反映复杂系统的非线性结构特征，也无法给出血液供应链绩效的动态发展趋势［20］。鉴于此，一些学者采用DESS、系统动力学等仿真方法研究了血液供应链中的库存、采集等问题［1-2］。如，Katsaliaki and BRAILSFORD［21］采用DESS研究了英国一家医院的血液库存管理问题。Zhou et al［22］研究了常规补货和紧急补货模式并存情形下医院的血小板库存管理策略。Simonetti et al［23］构建的DESS模型模拟结果表明先进先出库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）的基础上，基于DESS分析了一种新的BSP-low-EWA策略，结果表明该策略优于BSP。Clay et al［25］考虑供需不确定性与库龄，基于系统动力学（system dynamics，SD）研究了血液库存问题。周愉峰等［20］［26］将震后应急血液供应链分为血液采集与血液转运两个子系统，研究了震后应急血液保障绩效演进的SD模型。DESS与SD可有效解决库龄状态的转移与刻画等复杂动态因素，但难以对血液供应链各成员之间的交互行为及复杂自适应特征进行有效的数学分析。智能体建模（agent-based modeling， ABM）则为解决这一问题提供了一个可行的工具。

SD与ABM各有优劣及其适用环境。经典 ABM不能及时反馈整体效应给个体 Agent；而宏观SD模型不能实时反映局部变化情况［27］。不确定环境下的血液供应链绩效演进过程，既涉及宏观环境的调控作用，也需关注微观的供应链主体行为。因此，ABM或SD的单体模型难以准确描述血液供应链系统的动态演进机制。为此，本文建立血液供应链绩效评估的ABM+SD混合仿真方法，既能对血液供应链各主体之间的交互行为与复杂自适应特征进行有效的数学描述与分析，也能反映宏观规律对供应链主体的调控作用。本文以血小板为研究对象，考虑其库龄差异，将血液采集子系统的SD模型耦合至四级供应链的ABM模型中，以描述血液紧缺情境下血液供应链的运作方式。其中，血液采集子系统反映采供血机构、新闻媒体等宏观因素调控对献血者Agent和医院Agent行为方式的影响；微观环境中，基于ABM方法将血液供应链系统中的献血者、献血车、血液中心、医院看作智能体，通过智能仿真模拟各Agent的适应行为。最后，微观环境中Agent的绩效结果也将涌现回SD模型，以反映出动态宏观调控作用。本研究适于在我国各大城市季节性/区域性血荒环境下，探索血液供應链的绩效演进趋势，以达到提高血液使用效益的目的。

本文主要贡献描述如下：①建立了复杂自适应系统中，考虑库龄信息与替代策略的血液供应链Agent行为方式的数学描述方法。

②建立了四级血液供应链系统绩效动态演进与评估的ABM+SD耦合建模与仿真新方法。在作者的知识范围内，本文首次考虑血液产品的库龄信息、血型替代以及转运等特质，研究了血液供应链保障绩效的动态演进机制及其建模与分析问题。研究成果可为政府相关部门与采供血机构提升血液供应链保障绩效，提供一定的决策借鉴。

二、ABM+SD耦合模型的总体框架、处理流程与绩效指标

（一）总体框架与处理流程

以血小板为研究对象，考虑多库龄共存特征，构建一个以血液中心为核心的四级供应链，设计ABM+SD的耦合模型。处理流程如下：

①血液紧缺环境下，献血者人数受多重因素共同作用。基于系统动力学模型并依据相关情境参数设置，构建各因素之间的相互关系和影响，反映出宏观环境对无偿献血者保持度的动态调控作用，从而影响献血者Agent的人数。

②多主体系统接受到系统动力学模型输入的数据后，各Agent依次做出适应性行为。

③一个仿真决策周期后，依据相应Agent的血液库存状态调整系统动力学模型中的相关参数。

④仿真周期结束后，分析血液供应链绩效指标演进趋势。耦合模型框架如图1所示。

（二）系统结构与绩效指标

血液供应链系统总体结构流程如图2所示。献血者Agent是供应链系统的源动力，其受宏观SD模型中各因素共同作用的影响，产生献血需求，并自主选择献血点，参与血小板捐献。献血车Agent负责献血者健康状况的初筛以及血小板的采集和运输工作。血液中心Agent根据各医院Agent的补货订单，结合自身库存状况，完成血小板分配。医院Agent以自身库存满足临床用血需求，若发现大量血小板短缺，医院Agent将依次做出转运、替代决策以尽可能弥补缺口。最后将去除过期血小板，进行库存更新，并做出补货决策发送至血液中心Agent。因此，血液供应链系统作为一个CAS，其以血液中心Agent为核心，实现了信息流、物流与效益流的有机统一。

图1 耦合模型总体框架

图2 血液供应链系统整体概念模型

1.信息流分析

采供血机构等相关组织参与宏观调控过程。献血者Agent接收相关信息后，自发产生献血需求，并至就近献血点捐献血小板。献血车Agent则根据献血者的健康状况信息完成初步献血资格筛查。血液中心Agent依据各医院的订单信息，以自身库存满足其补货需求。最后更新库存状态，完成当日采集的新鲜血小板入库。医院Agent依次通过自身库存、转运决策、替代决策满足临床用血需求，并采取合适的补货策略向血液中心发送补货订单。医院Agent于次日收到血液中心的补货后，更新库存信息。最后采供血机构等将依据供应链系统的效益量调整其宏观调控的力度与方式。

2. 物流分析

献血者Agent于献血车上捐献血小板，献血车Agent完成采集后，当期即将新鲜血小板运送至血液中心Agent。血液中心Agent则依据医院的补货订单，结合自身库存状态，将血小板分配至各医院Agent，以供医院Agent完成满足临床用血需求。

3. 效益流与绩效指标分析

考虑血制品的复杂特性，不能仅以相关成本等经济指标来衡量供应链系统的绩效情况。因此，采用短缺量、过期量、运输成本、持有成本四项指标作为血液供应链的绩效指标。其中第t期k型血小板短缺量

三、基于SD的血液采集子系统分析

血液采集作为血液的供应端，关系着整个系统的运作。而在血液紧缺状态下，献血者人数受多重因素的共同作用，包括相关组织机构的干预调控、献血者自身的风险感知等。因此本文选取血液采集子系统作为ABM和SD耦合系统。在耦合系统中，SD模型各宏观因素共同作用于无偿献血者保持度，从而影响献血者Agent中的人数。系统动力学模型如图3所示。

图3 血液采集子系统ABM耦合SD系统流

系统中主要包含3个反馈回路：采供血机构反馈回路、媒体反馈回路、公众风险偏好回路。各反馈回路都通过对无偿献血保持度的影响相互联系，即，反馈回路之间的相互作用会导致无偿献血保持度的上升或降低，进而影响每日献血者人数。

耦合系统流图中各主要因素间的函数关系构建与分析如下［28-30］：

无偿献血保持度。由系统流图可知，无偿献血保持度受4个变量的影响：公众对采供血机构的满意度、公众关注度、公众风险偏好以及各级政府协同程度。各因素的影响程度通过专家小组打分获得。无偿献血保持度与其他变量之间的函数关系为：

献血者意愿=0.25×公众对采供血机构满意度+0.173×公众关注度-0.472×公众风险偏好+0.105×各級机构协同度（1）

公众对采供血机构的满意度=0.36×采供血机构公信力+0.449×采供血机构处理能力+0.191×采供血机构参与度-5.91（2）

采供血机构参与度=100-32.05×exp（-0.0007634×采供血机构网站新闻数量）（3）

公众关注度=事件影响力×民众好奇心×［0.75×媒体关注度-0.25×DELAY（公众对政府的满意度， 5， 0）］（4）

媒体关注度=100-91.86×exp（-0.0014212×媒体新闻数量）（5）

公众风险偏好=0.328×公众性别+0.189×公众教育背景+0.483×公众献血经历（6）

根据血液中心各血型的库存情况，设置三级库存预警机制［31-32］，进而将Agent的绩效结果反馈至宏观环境中。预警反馈机制描述如下：

三级预警：k型血平均每日库存小于平均每日用血量的3倍，提高血液采集子系统的事件影响力10%，k型血的采集量提高1%。

二级预警：k型血平均每日库存小于平均每日用血量的2倍，提高采集子系统的事件影响力20%，k型血的采集量提高2%。

一级预警：k型血平均每日库存小于平均每日用血量，提高采集子系统的事件影响力30%，k型血的采集量提高3%。

四、基于ABM的血液供应链多Agent行为与系统分析

1.献血者Agent行为方式

人体是血液的唯一来源渠道。献血者是血液供应链运作的源动力。献血者Agent根据宏观系统调控，结合自身情况，适应性的做出献血行为。

2. 献血车Agent 行为方式

献血车负责对献血者Agent的健康状况进行初步筛查，进而完成对各血型血小板的采集和运输工作。采集完成的血小板于当日运送至血液中心。

3. 血液中心Agent 行为方式与数学描述

血液中心每天从医院处获得补货订单。血液中心根据其库存信息，采取合适的分配策略向医院配送血小板。此后，血液中心收到当日采集的新鲜血小板，完成补货。最后，血液中心去除过期血小板，盘点更新库存状态（即所有在库产品的库龄分布信息）。

采用库龄策略与递推方程刻画血小板库存状态，并以此为基础对血液中心Agent的行为方式进行数学描述。

血液中心第t期期初配送的k型血小板状态可表示为：

4. 医院Agent行为方式与数学描述

医院每天以自身库存满足患者的用血需求。为刻画每日血小板临床需求量，定义每一家医院的实际用血需求均按“周”服从泊松分布，且每天的泊松分布均值各不相同［33］［34］。在血液紧缺情境下，医院以其库存满足当期临床用血需求后，可能仍存在由于医院血小板库存量不足而导致大量用血需求未被满足的情况，此时需要做出转运决策。而在医院完成转运后，仍存在未被满足的需求，则需要做出血型替代决策。最后医院将对现有库存血小板进行盘点更新，并采取合适的策略向血液中心发出补货订单。当期的订货量将于下期被满足。

下面将采用同样的库龄策略来描述医院Agent的库存状态及其行为方式。

完成库存状态更新后，医院将进行补货。本文将采用OIR（Old-Inventory-Ratio）补货策略。该策略是由 Duan等提出的一种基于最大库存策略的进化库存策略。Duan等证明了在供应可靠环境下，OIR 策略优于最大库存策略［36］。在OIR库存策略下，医院将首先依据传统最大库存策略设置一个最大库存水平，并以此为基础向血液中心发出补货订单。其次，将盘点其现有库存中的“陈”血小板，若“陈”血小板库存量占总库存的比例大于一个给定的阈值δ，则会导致额外补货。Duan等认为，剩余保质期为1天和2天的血小板属于“陈”的。且他们证明了该定义要比仅仅把剩余保质期为1天或者1-3天的血小板定义为“陈”的效果要好［31］。根据Duan的研究，医院的OIR补货策略可描述为：

五、系统仿真与分析

（一）仿真平台

本文依托AnyLogic-professional-8.7.0软件进行ABM+SD的混合建模与仿真。基于上述耦合模型与血液供应链系统总体结构的分析，依据AnyLogic平台的仿真要求，完成模型构建，包括搭建模型中的状态图、行动图、设置相关变量、参数等。

下面以血液中心Agent为例介绍建模过程，其模型构建如图4所示。血液中心Agent模型构建中包括参数、集合、变量、行动图、Source模块。其中参数描述血液中心初始库存、集合描述各血型在保血小板、变量描述各血型血小板的过期量、短缺量、运输成本、持有成本。行动图主要包括血液分配事件与反馈事件。Source模块描述了血液中心Agent血小板的到达与输送状态。

图4 血液中心Agent模型示意

（二）模型检验

以2019年2月7日至2月20日期间，重庆市主城区27家医院与重庆市血液中心的相关数据为基础构造验证模型。系统中存在一家血液中心，其单位血小板持有成本为800元，运输成本为600元。初始设定30个血小板献血者，献血者就近选择献血车献血。每位献血者的捐献量为一个治疗量。献血车对无偿献血者的健康状况进行初筛，合格比率为95%。血小板保质期为5天。医院Agent订货提前期为1天。其单位血小板持有成本、运输成本以及血小板保质期同血液中心Agent。结合专家小组打分与自制“无偿献血意愿”调查问卷，对SD模型的主要参数设置如表2所示。

表2 SD子模型运行主要参数

仿真时间步为“天”，决策周期为“周”，进行为期14天（2周）的模拟和验证。如图5所示，结果表明仿真周期内每日采血量模拟精度约为82.18%，最小误差为3.03%，大致反映了紧缺情境下血小板采集量的变化趋势。

图5 每日采血量的模拟精度

（三）仿真分析

模型检验通过后，构造仿真模型，进行为期182天（26周）的仿真。主要Agent设置参数如下：献血者Agent。初始设定70个血小板献血者，其将就近选择献血车参与无偿献血。每位献血者的捐献量为一个治疗量。献血车Agent。献血车对无偿献血者的健康状况进行初筛，合格比率为95%。血液中心Agent。初始设定一家血液中心，其单位血小板持有成本为800元，运输成本为600元。血小板保质期为5天。医院Agent。初始设定6家医院，订货提前期为1天。其单位血小板持有成本、运输成本以及血小板保质期同血液中心Agent。

运行模型，以四种Rh阳性血为例，得到血液中心Agent和医院Agent的每日在保血小板的变化趋势，如图6—图7所示。

图6 血液中心Agent在保血小板时间序列

圖7 医院Agent在保血小板时间序列

由图6—图7可知，血液中心Agent和医院Agent的在保血小板时间序列为震荡序列。其中，医院Agent的该特征尤为显著。根据仿真周期内在保血小板的变化趋势，很难预测其后的波形走向，更难把握其具体数值。具体来看，血液中心Agent的在保血小板约在140天以后开始迅速增长，医院Agent的在保血小板约在120天以后迅速增长，但在140天以后开始回落。原因在于，在献血者逐步增多的情况下，血液中心与医院的血液短缺得到了有效缓解，在保血小板开始增多。但由于医院的补货需求包括对“陈”血小板的额外补货，因此血液中心对医院的分配除满足每日用血需求后仍有部分剩余，从而导致医院的在保血小板先于血液中心迅速增长。而后期在保血小板的回落是大量过期所致。

血小板的短缺量、过期量、持有成本、运输成本作为血液中心Agent与医院Agent的重要绩效指标，直接反映了血液供应链系统复杂自适应的总体特征。血液中心Agent的上述指标仿真分析结果如图8—图11所示，医院Agent（以医院1为例）如图12—图15所示。

图8 血液中心Agent短缺量时间序列

图9 血液中心Agent过期量时间序列

图10 血液中心Agent持有成本时间序列

图11 血液中心Agent运输成本时间序列

图12 医院Agent短缺量时间序列

图13 医院Agent过期量时间序列

图14 医院Agent持有成本时间序列

图15 医院Agent运输成本时间序列

由图8—图9可知，血液中心Agent的短缺量约在120天左右趋于0，过期量在约140天以后开始逐步增长。这也与血液中心在保血小板的变化趋势相吻合。随着“血荒”事件的发酵，公众的无偿献血保持度较血液紧缺初期有了巨大提高，献血者人数也随之迅速增长。而约在120天以后血液中心的库存基本能满足医院Agent的补货需求，此后献血者人数的持续增长则会导致血液中心大量血小板的过期报废。同理，医院Agent的短缺量与过期量变化趋势与血液中心类似。此外，无论是血液中心还是医院，尽管其短缺量大体呈现下降趋势，过期量呈现上升趋势，但在仿真周期内，上述指标仍然在有升有降的波动中，尤以医院的波动最为显著。原因在于医院Agent还额外存在转运决策与替代决策，这也恰好反应了供应链系统中血液中心Agent与医院Agent的自适应调整过程。由图10—图11可知，血液中心Agent的运输成本波动幅度明显大于持有成本。一方面，在宏观调控的作用下，献血者人数在实时变化，导致了血液中心每日的血小板采集量与运输成本变化大。另一方面，在血液紧缺情境下，血液中心当日采集的血小板将立即完成分配，满足医院的补货需求，导致血液中心在事件初期的血小板库存趋于0，其持有成本也维持在较低水平；而随着后期献血者人数的增多，其持有成本才随在保血小板的增多而上升。由图14—图15可知，医院前期的持有成本趋于0，后期上升至一定程度后开始回落。原因在于，前期血液紧缺，库存血小板用于满足临床用血需求后并无剩余；后期献血者增多后，逐步开始有盈余库存，持有成本也随之上升。但受医院最大库存及血小板保质期的约束，持有成本开始回落。运输成本方面，前期成本较低且变化大，后期成本较高且趋于稳定。这是由于医院每日的临床用血需求不均衡，加之考虑了血小板库龄结构，以及临床对血小板新鲜度的要求而采用了OIR补货策略，导致医院的补货需求变化大。且受血液紧缺影响，运输成本维持在较低水平。而后期血小板库存增多，且库龄结构较为均衡，因此运输成本随补货需求的变化而趋于稳定。

（四）敏感性分析

下面将分析不同因素对血液紧缺背景下供应链系统核心绩效指标的影响。本次研究将采用仿真周期内血小板的短缺率和过期率作为核心指标，其中，短缺率描述的是无法被库存血小板所满足的需求占总需求的比例，反映了系统保障血小板供应的程度；过期率描述的是过期报废的血小板占订货量的比例，反映了供应链系统的运行效率。我们将以O+血型为例展开敏感性分析，其中，短缺率和过期率取全仿真周期的均值。

1.事件影响力与初始献血者人数的敏感性分析

血液的唯一来源是人体，献血者人数从源头直接影响供应链系统的绩效。为此，针对事件影响力与初始献血者人数变化，对血液中心Agent短缺率和过期率的影响进行敏感性分析，结果如图16所示。

由圖16可知，随着事件影响力的提升，血液中心Agent的短缺率在不断降低，而过期率在不断提升。但当事件影响力提升至一定程度后，短缺率的降速开始放缓，而过期率的涨速开始提升。这意味着伴随“血荒”事件的发酵，越来越多的公众意识到事件的严肃性而加入献血者队伍，但当后期血液紧缺困境得到显著缓解后，血液中心的库存血小板增多，而医院的每日用血需求虽不均衡，但并不会出现巨大波动，因此后期献血者人数的增多对于短缺率的降低效果并不显著，反而会导致血液中心血小板的大量囤积浪费。另一方面，当固定事件影响力时，初始献血者人数的增多对于降低短缺率、提升过期率的作用并不明显。只有当事件影响力达到较高水平时，初始献血者的增多才明显提高了过期率。这是由于在宏观调控系统中，献血者人数受无偿献血者保持度影响，而无偿献血者保持度又受多个因素共同作用，而初始献血者人数作为单一因素对系统整体作用较小，故其对血液中心核心绩效指标的影响并不显著。因此，在血液紧缺情境下，血液中心需实时关注自身的库存结构以及医院补货需求的变化。当血液紧缺困境得到明显缓解后，应及时采取相应调控措施，控制献血者人数的持续上涨，力求在尽可能降低短缺的情况下，减少血小板的过期浪费。

图16 事件影响力与初始献血者人数的敏感性分析

图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

紧急情况下，医院Agent将按照中国医师协会输血科医师分会/中华医学会临床输血学分会制定的《特殊情况紧急抢救输血推荐方案》，执行血型替代策略。为分析替代策略是否对医院Agent的核心绩效指标产生影响，固定血小板保质期为5天，探究不同库存水平下，血型替代策略对医院Agent短缺率和过期率的影响。结果如图17所示。

由图17可知，替代策略可有效降低医院Agent的短缺率与过期率。但当最大库存水平提高至一定程度后，替代策略对医院Agent过期率的降低效果不再显著。这是由于血液紧缺困境逐步得到缓解后，各血型血小板库存能基本满足临床用血需求，不再需要通过各血型间的兼容替代来降低短缺率。而此时最大库存水平的持续提升会造成血小板的囤积；即使采用了血型替代策略，也不再能显著降低医院Agent的过期率。

3.医院最大库存水平与保质期的敏感性分析

血小板的保质期一般为3-5天，加之医院Agent采用的是OIR补货策略，因此保质期与最大库存水平的变化会对医院的核心绩效指标产生较大影响。为此，在不同保质期下，探究医院最大库存水平的变化对医院Agent短缺率和过期率的影响。结果如图18所示。

图18 医院最大库存水平与保质期的敏感性分析

由图18可知，医院Agent的短缺率随最大库存水平的提升而降低，过期率随最大库存水平的提升而提升。短缺率的下降在不断放缓，过期率的上升呈现稳定趋势。这是因为医院最大库存水平的提升，使得在血液紧缺困境逐步缓解后，医院的血小板库存足以满足临床用血需求，甚至出现盈余；但临床用血需求并不会陡增。因此，最大库存水平的持续提升并不能使短缺率的降速保持不变甚至提升，反而会造成血小板的过期浪费。当固定医院最大库存水平时，保质期越短，短缺率越低，过期率越高，但保质期的缩短对于短缺率的降低效果并不显著。这是因為，保质期缩短导致血小板迅速过期，医院的补货订单也随之增多，库存流动性得以提升，短缺率有所降低。但鉴于血液紧缺的背景，尽管医院的补货需求变大，但前期血液中心并无足够的血小板满足其需求。因而综合整个仿真周期，保质期的缩短对于短缺率的降低作用较小。对此，医院要把握临床用血需求变化，监测库存血小板的新鲜度，设置合理的库存水平。如有必要，还可根据血液紧缺事件的发展趋势设置动态库存水平，以更好地满足用血需求，降低过期率。

六、结论

本文从CAS角度构建了基于ABM耦合SD的四级血液供应链系统智能仿真模型。利用该模型模拟了微观献血者Agent、采血车Agent、血液中心Agent和医院Agent在血液紧缺背景下的自适应行为，并通过献血者Agent耦合至SD模型，进而确定无偿献血者人数，并将血液中心Agent的绩效结果涌现至血液采集子系统中，通过调整事件影响力及短缺血型的采集量，影响无偿献血者保持度，达到缓解血液紧缺的目的。通过对供应链系统特征及主要节点绩效指标的分析，得到如下主要结论：①医院Agent的在保血小板先于血液中心Agent迅速增长。就关键绩效指标而言，血液中心Agent的短缺量约在120天后趋于0，过期量约在140天后迅速增长，运输成本波动幅度明显大于持有成本；医院Agent短缺量、过期量变化趋势类似于血液中心Agent，持有成本趋上升至一定程度后开始回落，运输成本前期较低且变化大，后期成本较高且趋于稳定。②对血液中心Agent而言，把握血液紧缺事件的发展趋势，并关注自身的库存结构与医院补货订单的变化，及时调整宏观干预的方式与力度，应是其关注的重点。③对医院Agent而言，应掌握临床用血需求的变化，结合自身库存结构，设置合理最大库存水平，以缓解血液紧缺困境。④在血液紧缺时期，执行血型替代策略可有效降低医院Agent的短缺率与过期率。本文研究成果有助于血液供应链重要节点进行决策与控制，对提高供应链绩效以缓解“血荒”困境具有一定的指导意义。

未来研究可考虑交叉配型过程，也可针对不同成分血的异质需求，深入探究成分血供应链保障绩效动态演进机理及绩效提升机制问题。参考文献：

［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］马祖军， 周愉峰.大规模突发事件应急血液采集动态模型［J］.系统工程学报， 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的血小板库存最优订货策略和使用策略研究［J］. 运筹与管理，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， 张奕， 张玉林. 48314例手术备血和临床输血标本的abo血型分布与月份、季节的关系［J］. 中国现代医生， 2015， 53（18）： 80-81.

［10］周愉峰， 李志， 刘思峰. 基于随机p-鲁棒优化的国家血液战略储备库选址-库存模型［J］. 中国管理科学， 2018， 26（10）： 52-63.

［11］周愉峰. 非常规突发事件应急血液保障优化关键问题研究［M］. 经济科学出版社， 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，陈良勇，刘思峰，等.基于系统动力学的震后应急血液保障绩效评估［J］.系统工程，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］张家瑞，王慧慧，曾维华.基于ABM+SD耦合模型的滇池流域水价政策仿真［J］.中国环境科学，2017， 37（10）：3991-4000.

［28］张一文，齐佳音，马君，等.网络舆情与非常规突发事件作用机制——基于系统动力学建模分析［J］.情报杂志，2010，29（9）：1-6.

［29］熊国强，赵昕.耦合情緒因素的群体性突发事件SD模型与演化仿真［J］.系统工程，2016，34（5）：112-120.

［30］陈良勇，马祖军.无偿献血者流失行为影响机制研究［J］.管理评论，2015，27（11）：151-160.

［31］卢文媛，余泽波，李青，等.基于院本部的分院区血液库存管理及临床用血分析［J］.医学信息，2021，34（9）：145-148.

［32］张淑萍，白林.血站血液短缺库存预警分级与医院应急响应［J］.中国卫生质量管理，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，马祖军.考虑血型替代策略的紧缺血液采集优化［J］.工业工程，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：重庆市教委人文社科重点项目“重大疫情下考虑库龄与交叉配型的成分血供应链保障绩效演进机制及混合仿真方法研究”（22SKGH186）教育部人文社会科学研究项目“不确定环境下成分血供应链保障绩效的动态演进机制、模型与政策研究”（21YJCZH249）;重庆市自科基金项目“不确定环境下考虑库龄与交叉配型的成分血生产-库存决策动态优化”（cstc2021jcyj-msxmX0527）;重庆市基础研究与前沿探索项目“兼具可靠性与鲁棒性的血液战略储备决策优化模型与算法研究”（cstc2021ycjh-bgzxm0136）