王婷婷　陳偉炯　張善杰　焦宇

摘要：為精準(zhǔn)預(yù)測雨災(zāi)洪澇背景下應(yīng)急物資需求量，考慮災(zāi)情動態(tài)演變性并結(jié)合無偏優(yōu)化和等維信息處理理論，構(gòu)建基于改進(jìn)GM（1，1）的災(zāi)民數(shù)量動態(tài)預(yù)測方法，通過計算均方差比值、平均相對誤差驗證該預(yù)測方法的有效性。根據(jù)災(zāi)區(qū)人口結(jié)構(gòu)特征，識別年齡、家庭結(jié)構(gòu)等需求影響因素，構(gòu)建基于災(zāi)民數(shù)量預(yù)測、災(zāi)民結(jié)構(gòu)特征、安全庫存服務(wù)水平系數(shù)和物資缺貨率的物資動態(tài)需求預(yù)測模型。選擇河南省“7·20”特大暴雨相關(guān)數(shù)據(jù)進(jìn)行算例仿真，結(jié)果證明：改進(jìn)GM（1，1）的災(zāi)民數(shù)量預(yù)測精度達(dá)96.16%，比傳統(tǒng)GM（1，1）提升12.26%；物資需求實現(xiàn)人性化、針對性預(yù)測，預(yù)測精度高達(dá)88%，有效突破災(zāi)情信息局限性，解決災(zāi)情演變下物資合理動態(tài)調(diào)度難的問題。

關(guān)鍵詞：洪澇災(zāi)害； 改進(jìn)GM（1，1）； 庫存管理； 人口結(jié)構(gòu)特征； 動態(tài)預(yù)測

中圖分類號：? F259.21文獻(xiàn)標(biāo)志碼：? A

Dynamic demand prediction of emergency materials under background of urban heavy rain and flood

WANG Tingtinga，b， CHEN Weijiongb，c， ZHANG Shanjieb，d， JIAO Yub，d

（a. Institute of Logistics Science & Engineering; b. Logistics Supply Chain Risk Control Research Center;c. Merchant Marine College; d. College of Ocean Science and Engineering， Shanghai Maritime University，Shanghai 201306， China）

Abstract： In order to accurately predict the demand for emergency materials under the background of heavy rain and flood， the paper considers the dynamic evolution of disaster，uses the unbiased optimization and isodimensional information processing theory， and constructs a dynamic prediction method of disaster-affected population based on the improved GM（1，1）. The effectiveness of the prediction method is verified by calculating the mean square error ratio and the average relative error. According to the population structure characteristics of disaster area， the factors affecting demand such as age and family structure are identified， and then a material dynamic demand prediction model is constructed based on the disaster-affected population prediction， the population structure characteristics of disaster area， the service level coefficient of safety inventory and the shortage rate of materials. The related data of “7·20” Henan heavy rainstorm are selected for example simulation， and the results prove the following： the population prediction accuracy of the improved GM（1，1） is 96.16%， higher than that of the traditional GM（1，1） by 12.26%; the humanized and targeted prediction of material demand are achieved， and the prediction accuracy is up to 88%， which effectively breaks through the limitation of disaster information and solves the difficult problem of the reasonable and dynamic material scheduling under the evolution of disasters.

Key words： flood disaster; improved GM（1，1）; inventory management; population structure characteristic; dynamic prediction

0 引 言

2021年河南省遭受“7·20”特大暴雨災(zāi)害，小時降水、單日降水均突破歷史極值，造成全省1 453.16萬人受災(zāi)，直接經(jīng)濟(jì)損失達(dá)1 142.69億元人民幣［1］。臺風(fēng)“煙花”登陸，造成全國24個省市共271.1萬人受災(zāi)，直接經(jīng)濟(jì)損失達(dá)33.5億元人民幣［2］。可見，在面臨雨災(zāi)、洪澇、臺風(fēng)等突發(fā)事件時，實現(xiàn)救援物資的高效配置［3］是救災(zāi)、減災(zāi)工作的重要手段［4］，故精準(zhǔn)、規(guī)范的物資動態(tài)需求預(yù)測與籌措研究具有重要現(xiàn)實意義。

常見的預(yù)測手段有案例推理法、多元回歸法、馬爾科夫模型、灰色預(yù)測模型等。GUO等［5］基于極小需求、小需求、一般需求、高需求和極高需求5類模糊條件，將馬爾科夫鏈與模糊理論結(jié)合構(gòu)建需求預(yù)測模型；郭子雪等［6］建立多元模糊線性回歸物資需求預(yù)測模型，運用對稱三角模糊數(shù)表征災(zāi)害級別、受災(zāi)人口、受災(zāi)面積等不確定因素的模糊性，提高預(yù)測準(zhǔn)確度；SHAO等［7］建立直覺模糊案例推理預(yù)測方法，利用直覺模糊理論克服各特征屬性在比較過程中出現(xiàn)絕對化傾向的局限性；喻慧等［8］提出基于K均值范例推理的預(yù)測方法降低物資需求模糊性，并證實該方法比遺傳優(yōu)化反向傳播（back propagation，BP）算法具備更高的精度；BEDI等［9］建立深度學(xué)習(xí)框架，處理長期的歷史數(shù)據(jù)，利用人工智能方法預(yù)測未來需求，結(jié)合移動窗口主動學(xué)習(xí)概念改善預(yù)測結(jié)果；張磊［10］考慮地震災(zāi)情的時間、空間推演，分析受災(zāi)人口、年齡分布、群眾心理等需求影響因素，構(gòu)建針對帳篷和飲用水的時序需求預(yù)測模型；閆長健等［11］建立由博弈論綜合主觀與客觀權(quán)重、灰色關(guān)聯(lián)法計算相似度的案例推理預(yù)測模型；MOHAMMADI等［12］提出一種基于遺傳算法（genetic algorithm， GA）和自適應(yīng)粒子群優(yōu)化（adaptive particle swarm optimization，APSO）方法確定徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測方法，且實驗證實該方法可有效預(yù)測緊急供需時間序列；曾波等［13］構(gòu)建灰色異構(gòu)數(shù)據(jù)預(yù)測模型，避免異構(gòu)數(shù)據(jù)直接進(jìn)行代數(shù)運算導(dǎo)致運算過程復(fù)雜與結(jié)果模糊的弊端。綜上所述：隨著時間的推移和經(jīng)濟(jì)的發(fā)展，案例推理的“經(jīng)驗”預(yù)測效果持續(xù)回落；多元回歸需要大量數(shù)據(jù)支撐，同時需要處理多個變量，且模型構(gòu)建與求解繁雜；馬爾科夫鏈雖可用于小樣本數(shù)據(jù)的情況，但計算過程的拖沓導(dǎo)致預(yù)測精度降低；現(xiàn)有研究多集中于靜態(tài)預(yù)測，忽略了事件的動態(tài)演變性。針對上述問題，本文基于鄧聚龍教授提出的灰色系統(tǒng)理論［14］構(gòu)建一種支持小樣本數(shù)據(jù)、可操作性強(qiáng)、預(yù)測精度高的動態(tài)灰色預(yù)測模型，利用無偏優(yōu)化和等維信息處理理論，克服GM（1，1）由原始數(shù)據(jù)積攢所致的預(yù)測精度下降的缺陷，實現(xiàn)模型實時數(shù)據(jù)隨災(zāi)情動態(tài)演變的持續(xù)更新迭代，以動態(tài)反映突發(fā)事件的長期演變趨勢，為物資需求預(yù)測提供高度契合的數(shù)據(jù)支撐。

綜上所述，本文與現(xiàn)有研究的區(qū)別主要有兩點：一是提出災(zāi)情動態(tài)演變性結(jié)合無偏優(yōu)化和等維信息處理的理論概念，構(gòu)建改進(jìn)GM（1，1）實現(xiàn)受災(zāi)人口實時動態(tài)預(yù)測，提高預(yù)測精度；二是分析特定災(zāi)區(qū)受災(zāi)人口結(jié)構(gòu)特征，識別年齡、家庭結(jié)構(gòu)要素對物資需求的影響，構(gòu)建基于災(zāi)民數(shù)量預(yù)測、災(zāi)民結(jié)構(gòu)特征、安全庫存服務(wù)水平系數(shù)和物資缺貨率的物資動態(tài)需求預(yù)測模型，提高物資籌措調(diào)度合理性。

1 災(zāi)民數(shù)量動態(tài)預(yù)測模型構(gòu)建

3.5 救援物資需求預(yù)測

基于改進(jìn)GM（1，1）預(yù)測的災(zāi)民數(shù)量變化時間序列，依據(jù)物資預(yù)測公式（12）～（18）對河南省特大暴雨應(yīng)急救援中需要的飲用水、食品、消炎藥、浮生設(shè)備、應(yīng)急手電及帳篷等物資進(jìn)行預(yù)測。

計算所涉及參數(shù)參考值如下：q1表示單個災(zāi)民的日飲用水需求量，老人、青壯年和兒童q1取值分別為2、2.5和1.8 L；q2表示單個災(zāi)民的日食品需求量，老人、青壯年和兒童q2取值分別為1.3、1.6和1.18 kg；q3=0.79，q4=0.25，q5=0.5分別表示每人每天需消炎藥0.79盒、浮生設(shè)備0.25個、應(yīng)急手電0.5支；前后兩次物資供應(yīng)時間間隔Δt=1 d；在缺貨率為0.05的條件下安全庫存服務(wù)水平系數(shù)Z1-=1.65；夏季飲水系數(shù)ρ=1.5。

飲用水、食品等消耗類物資需求量由式（12）～（16）計算，帳篷、浮生設(shè)備等非消耗類物資需求量由式（12）～（14）、（18）計算，對需求預(yù)測結(jié)果的準(zhǔn)確性利用均方差比值c檢驗。應(yīng)急救援物資需求量預(yù)測值與實際值比較見表5。

由表5可知：相關(guān)物資預(yù)測值與實際值雖存在一定偏差，但偏差較小，且預(yù)測值與實際值總體變化趨勢一致，說明物資需求預(yù)測能夠滿足救援基本需求，為災(zāi)區(qū)物資緊急供給提供有效保障。均方差比值c均小于0.35，應(yīng)急物資需求預(yù)測精度達(dá)一級，說明該模型可有效解決突發(fā)災(zāi)害下應(yīng)急物資需求預(yù)測問題。

圖2數(shù)據(jù)對比表明：飲用水需求量預(yù)測結(jié)果與實際需求量的貼合度隨時間推移不斷提升至88%，說明隨著實時數(shù)據(jù)的更新，災(zāi)民數(shù)量預(yù)測精度提高，物資需求預(yù)測也更精確；而考慮家庭結(jié)構(gòu)因素的帳篷需求預(yù)測精度為78%，能夠滿足基本物資需求，但也說明應(yīng)適度考慮應(yīng)急物資裕度空間。因此，應(yīng)急管理部門進(jìn)行救援物資需求預(yù)測時，除考慮災(zāi)民數(shù)量外，還要結(jié)合災(zāi)民結(jié)構(gòu)特征，以實現(xiàn)物資的更高效利用。總體而言，考慮災(zāi)民結(jié)構(gòu)的物資需求預(yù)測，有別于以往僅基于災(zāi)民數(shù)量進(jìn)行的需求預(yù)測，是一種突發(fā)事件下救援物資人性化預(yù)測的新探索，可為應(yīng)急管理部門實現(xiàn)救援物資精確化、人性化分配管理提供理論依據(jù)。

4 結(jié) 論

以災(zāi)民數(shù)量預(yù)測數(shù)據(jù)為支撐，分析災(zāi)民結(jié)構(gòu)特征，構(gòu)建具有針對性的應(yīng)急物資需求預(yù)測模型，使需求預(yù)測精度和籌措調(diào)度合理性得以顯著提升，改善以往預(yù)測研究局限于靜態(tài)視角的缺陷，解決應(yīng)急物資利用率較低的問題。

（1）改進(jìn)GM（1，1）從突發(fā)事件動態(tài)性角度出發(fā)預(yù)測災(zāi)民數(shù)量變化趨勢，結(jié)合無偏優(yōu)化和等維信息處理理論，突破信息局限性，使預(yù)測精度提升至96.89%。

（2）有效性檢驗數(shù)據(jù)表明：與傳統(tǒng)GM（1，1）相比，改進(jìn)GM（1，1）預(yù)測精度提升12.26%，使預(yù)測值擬合曲線更加貼近實際值曲線。

本文通過災(zāi)民數(shù)量預(yù)測、災(zāi)民結(jié)構(gòu)特征分析實現(xiàn)應(yīng)急物資需求的精準(zhǔn)預(yù)測，為應(yīng)急管理部門實現(xiàn)人性化救援物資供給提供技術(shù)方法支撐，但在追求時間效益最大化、災(zāi)害損失最小化目標(biāo)的同時，如何解決應(yīng)急物資供應(yīng)商篩選和運輸路徑抉擇問題，實現(xiàn)物資生產(chǎn)成本、運輸時間成本最小化目標(biāo)，還有待深入研究。

參考文獻(xiàn)：

［1］河南省應(yīng)急管理廳. 河南發(fā)布防汛救災(zāi)工作最新情況［DB/OL］. （2021-07-25）［2021-08-31］. http：//yjglt.henan.gov.cn/zt/2021/727096/index.html.

［2］戚穎璞. 在海上停留近一周充分吸收能量， 蘇浙滬地區(qū)已連發(fā)196個氣象災(zāi)害預(yù)警：“煙花”或成今年來影響我國最強(qiáng)臺風(fēng)［N/OL］. 解放日報， 2021-07-25（1）［2021-09-01］. https：//www.jfdaily.com/staticsg/res/html/journal/detail.html？date=2021-07-25&id=318161&page=02.

［3］臧文斌， 趙雪， 李敏， 等. 城市洪澇模擬技術(shù)研究進(jìn)展及發(fā)展趨勢［J］. 中國防汛抗旱， 2020， 30（11）： 1-13. DOI： 10.16867/j.issn.1673-9264.2020328.

［4］RUBINATO M， NICHOLS A， PENG Y， et al. Urban and river flooding： comparison of flood risk management approaches in the UK and China and an assessment of future knowledge needs［J］. Water Science and Engineering， 2019， 12（4）： 274-283. DOI： 10.1016/j.wse.2019.12.004.

［5］GUO Z X， QI M R. Research on the demand forecast of emergency material based on fuzzy Markov chain［C］//2010 International Conference on E-Product E-Service and E-Entertainment. IEEE， 2010： 1-4. DOI： 10.1109/ICEEE.2010.5661145.

［6］郭子雪， 韓瑞， 齊美然. 基于多元模糊回歸的應(yīng)急物資需求預(yù)測模型［J］. 河北大學(xué)學(xué)報（自然科學(xué)版）， 2017， 37（4）： 336-342. DOI： 10.3969/j.issn.1000-1565.2017.04.001.

［7］SHAO J F ， LIANG C Y， LIU Y J， et al. Relief demand forecasting based on intuitionistic fuzzy case-based reasoning［J］. Socio-Economic Planning Sciences， 2021， 74： 200932. DOI： 10.1016/j.seps.2020.100932.

［8］喻慧， 張明， 喻玨. 基于K-means范例推理的救援物資需求預(yù)測［J］. 中國民航大學(xué)學(xué)報， 2017， 35（2）： 55-59.

［9］BEDI J， TOSHNIWAL D. Deep learning framework to forecast electricitydemand［J］. Applied Energy， 2019， 238： 1312-1326. DOI： 10.1016/j.apenergy.2019.01.113.

［10］張磊. 面向地震災(zāi)情時序變化的應(yīng)急救援物資需求動態(tài)預(yù)測研究［J］. 災(zāi)害學(xué)， 2018， 33（3）： 161-164. DOI： 10.3969/j.issn.1000-811X.2018.03.031.

［11］閆長健， 孫世虎. 基于博弈論的海上交通事故案例推理方法及應(yīng)用［J］. 上海海事大學(xué)學(xué)報， 2021， 42（2）： 75-80. DOI： 10.13340/j.jsmu.2021.02.013.

［12］MOHAMMADI R， GHOMI S M T F， ZEINALI F. A new hybrid evolutionary based RBF networks method for forecasting time series［J］. Engineering Applications of Artificial Intelligence， 2014， 36： 204-214. DOI： 10.1016/j.engappai.2014.07.022.

［13］曾波， 孟偉， 劉思峰， 等. 面向災(zāi)害應(yīng)急物資需求的灰色異構(gòu)數(shù)據(jù)預(yù)測建模方法［J］. 中國管理科學(xué)， 2015， 23（8）： 84-91. DOI： 10.16381/j.cnki.issn1003-207x.2015.08.010.

［14］鄧聚龍. 灰色系統(tǒng)基本方法［M］. 武漢： 華中理工大學(xué)出版社， 1987.

［15］YAO T X， GONG Z W， GAO H. Generalized discrete GM（1，1） model［C］//IEEE International Conference on Grey Systems & Intelligent Services. IEEE， 2012： 204.

［16］LIU S F， YANG Y J， XIE N M，et al. New progress of grey system theory in the new millennium［J］. Grey Systems Theory and Application， 2016， 6（1）： 2-31. DOI： 10.1108/GS-09-2015-0054.

［17］中國營養(yǎng)學(xué)會.中國居民膳食指南2016版［EB/OL］. （2016-05-13）［2021-08-27］. http：//dg.cnsoc.org/article/2016b.html.

［18］王超， 李冬， 張余. 動態(tài)改進(jìn)灰色模型在機(jī)場吞吐量預(yù)測中的應(yīng)用［J］. 計算機(jī)仿真， 2019， 36（12）： 74-77.

（編輯 賈裙平）

收稿日期： 2021-09-10

修回日期： 2021-12-06

基金項目： 國家自然科學(xué)基金（52001196）

作者簡介： 王婷婷（1996—），女，山東德州人，碩士研究生，研究方向為物流安全與供應(yīng)鏈風(fēng)險控制，（E-mail）17806169308@163.com；

陳偉炯（1957—），男，江蘇常州人，教授，船長，博士，研究方向為安全科學(xué)與技術(shù)、海洋安全、物流供應(yīng)鏈風(fēng)險控制等，（E-mail）wjchen@163.com