基于復雜自適應系統與庫齡策略的血液供應鏈績效評估

李 志，張熙培，周愉峰，毛國偉

(重慶工商大學 管理科學與工程學院，重慶 400067)

一、引言

近年來，血液緊缺已成為全球性的醫療資源保障難題。英國、加拿大、美國等國家長期受到血荒困擾[1-2]。我國的血液緊缺問題更為嚴重。2022年8月，廣州、太原、福建等地的血液中心庫存僅夠2天臨床需求。2023年7月，青島市血液庫存持續走低，僅能滿足5天左右的臨床用血，采供血機構啟動緊急預案，優先保障大出血、外傷、產婦等危、急、重癥患者用血。2023年7月11日至2023年7月13日期間，南寧中心血站啟動跨省血液聯動機制，向貴州省黔南州中心血站申請調入新鮮冰凍血漿約70萬毫升，以緩解臨床用血需求。血液是患者生存的“燃料”。血液制品的保障不力，不僅會威脅到公眾的生命安全，還可能引發輿論恐慌，社會影響十分惡劣。因此，對血液供應鏈保障績效評估進行研究，更好地滿足臨床用血需求，具有重要的實踐意義。

血液供應鏈研究最早源于Millard的血液庫存研究。20世紀70年代，血液供應鏈研究出現第一個高峰期。有學者曾對該時期的研究成果進行了綜述[3]。此后，研究熱度下降。直到21世紀初，血液供應鏈研究才進入第二個高峰期。還有學者從不同角度綜述了新的研究文獻[4]。國內外有關血液供應鏈管理的研究，主要分為兩類：一是血液供應鏈保障決策優化問題的研究；二是血液供應鏈系統的仿真分析。近十年來，一些研究者通過數學規劃模型就血液供應鏈有關決策問題進行建模，并運用啟發式算法進行求解，主要集中在以下幾個決策問題。一是有關血液供應鏈采集決策的研究，Gunpinar[5]構建了短缺成本最小的血液采集數學規劃模型，來研究血液采集優化問題。二是血液供應鏈生產與庫存優化決策的研究。Osorio 等[6]將最優化方法與仿真方法相結合，研究了不確定環境下血液供應鏈上的生產規劃問題。Rajendran和Ravindran[7]建立了一個需求不確定性下的隨機整數規劃模型來確定血液供應鏈的訂貨策略。Luo和Chen[8]建立了兩種應急補給策略下的血液供應鏈訂貨模型。Dehghani和Abbasi[9]研究了醫院血液的轉運策略和最優轉運量閾值。Dehghani等[10]基于兩階段隨機規劃建立了血液供應鏈的庫存訂購與轉運模型。Ramezanian和Behboodi[11]研究了需求和成本參數不確定的LAP。Ghorashi等[12]考慮異型血的替代，研究了血液供應鏈網絡優化問題。Zahiri等[13]考慮血液的易腐性以及需求供給的不確定性，構建血液供應鏈混合整數規劃模型對血液供應鏈的采集、分配、路徑等集成問題進行了研究，并通過改進差分進化算法進行求解。Larimi和Yaghoubi[14]研究了血小板供應鏈的魯棒優化模型。Hamdan和Diabat[15]基于兩階段隨機優化模型研究了血液產品供應鏈網絡優化問題。少量文獻研究了血液供應鏈的集成決策優化問題。Jafarkhan和Yaghoubi[16]考慮轉運研究了血液中心向醫院分配不同血型紅細胞的庫存—路徑問題。Dutta和Nagurney[1]建立了有效確定供血價格和路徑的優化模型。Najafi等[17]同時考慮交叉配型、替代，開發了一個雙目標整數規劃的血液庫存管理模型。Ma等[18]研究了考慮庫齡的應急血液血型替代與分配決策問題。Hamdan和Diabat[19]提出了一個考慮庫存狀態和ABO替代的紅細胞生產、庫存和選址問題的兩階段隨機規劃模型。以上文獻通常采用數學規劃等最優化方法，研究血液供應鏈中的采集、制備、轉運、庫存等決策優化問題。

鑒于血液供應鏈的動態性、供需隨機性，血制品的多品種性、固定保質期以及庫齡信息的多維性等復雜特性，一些研究者選擇用仿真方法來研究血液供應鏈管理問題。其中，使用最多的仿真分析方法為離散事件系統仿真(Discrete Event Simulation，DES)。高寶俊等[20]通過DES研究了血液庫存最優訂貨點設置問題，并以某醫院血庫的歷史運營數據為例進行了研究。呂昕[21]建立了提前期與需求不確定下的血液庫存系統仿真模型。Katsaliaki和Brailsford[22]以英國一家醫院為例，通過DES方法對醫院血庫管理問題進行了研究。Zhou等[23]以醫院血小板庫存為例，研究了常規補貨與緊急補貨兩種模式兼具的補貨策略。Baesler等[24]通過DES對血液供應鏈的采集、檢測、生產、調度以及庫存管理等進行了建模，驗證了最佳庫存策略參數能減少短缺和浪費。Simonetti等[25]通過血液供應鏈流程—庫存仿真模型，驗證了FIFO出庫策略的優越性。Puranam等[26]在已有文獻的基礎上，提出一種改進的基礎庫存策略。之后，Puranam等[27]考慮紅細胞庫存管理中供給的隨機性，提出一種改進的MBSP庫存策略，并驗證了所改進庫存策略的表現更優。Haijema和Minner[28]提出一種名為BSP-low的混合基礎庫存策略，目的是通過限制醫院的血液訂購量來減少報廢。隨后，Haijema和Minner[29]在此基礎上提出了一種新的BSP-low-EWA策略，并通過DES驗證了新策略決策效果相較于BSP更優。馬祖軍和周愉峰[30]將血液過期報廢預估量考慮進EWA庫存策略中，設計出一種改進的庫存策略，并通過DES方法庫存控制參數的敏感性分析實驗，給出了庫存控制參數的確定方法。此外，血液供應鏈研究中也有其他仿真方法的應用。如，Clay等[31]考慮血液庫齡，運用系統動力學(System Dynamic，SD)研究了供需不確定的血液庫存問題。Ahmadimanesh等[32]提出一種集成可復用仿真和神經網絡的分析方法，以確定醫院需求量、血站安全庫存、醫院最優訂貨點。以往的血液供應鏈仿真研究，大多關注血液中心與醫院所組成的二級供應鏈系統，通常將血液中心與醫院作為相互獨立的供應鏈節點，忽視血液供應鏈節點間的物質流、信息流等和效益流的互動以及節點自身的自適應性。

血液供應鏈系統是一個復雜的耗散系統，具有非線性、行為自適應性、高階次、多重反饋性以及復雜時變性等特征。傳統的數學規劃等運籌學建模難以準確描述系統的復雜因素，其高效高精度的求解困難，且無法很好地體現出血液供應鏈的非線性特征，也無法反映血液供應鏈保障績效的動態演進趨勢。而DES等仿真方法難以在考慮血液產品庫齡的前提下，對血液供應鏈各節點的決策及交互行為給出合理有效的數學描述。因此，基于復雜自適應多 Agent仿真，研究復雜環境下血液供應鏈保障績效的動態演進規律，具有其他工具不可比擬的優勢[33]。本文從復雜自適應系統的視角出發，基于智能體建模(Agent Based Modeling，ABM)方法，以血小板為研究對象，在考慮庫齡信息的前提下，建立了一個基于“獻血者—獻血車—血液中心—醫院”的血液供應鏈模型，通過數值仿真分析模型中的血液供應鏈性質和保障績效指標，結合實際情況提出管理建議。

本文的主要貢獻有：第一，將復雜自適應系統理論與智能體建模引入血液供應鏈管理，對具有行為自適應、非線性、高階次、多重反饋性以及復雜時變性等復雜特征的血液供應鏈進行了有效描述和建模。第二，考慮血制品的多庫齡共存特征，研究血液供應鏈保障績效的動態演進機制及其評估問題。在作者的知識范圍內，本文首次考慮血液產品的庫齡信息，建立了血液供應鏈系統各Agent之間交互行為的數學描述方法。第三，分析庫齡策略對血液供應鏈績效的影響，證明采用庫齡策略可有效減少短缺與過期，特別是對過期率的改善更明顯。

二、基于復雜自適應多Agent與庫齡信息的血液供應鏈績效評估模型

本文選擇血小板為研究對象，基于其庫齡特征，采用ABM仿真的方法，建立一個以血液中心為核心，包含醫院、獻血車和志愿者的血液供應鏈模型。

(一)血液供應鏈各Agent的行為分析及其數學描述

血液供應鏈主要由血液中心、醫院、獻血者以及獻血車Agent組成。供應鏈上的各Agent根據自身所在環境及其變化進行行為決策，并根據實際情況改變行為方式。同時，各Agent的決策和它們之間的交互行為組成了血液供應鏈系統。因此，該系統的整體結構以及行為模式都處于動態變化之中[34]。

1.獻血者Agent行為方式

血液的來源渠道單一，僅可通過人體采集獲得。因此，血液供應鏈的源頭是獻血者，獻血者的數量對血液的供給有直接影響。通常情況下，獻血者會優先選擇距離近的獻血點進行獻血。獻血者的數量與血液中心宣傳情況相關。

2.獻血車Agent行為方式

獻血車的任務是初步篩查獻血者是否符合獻血條件，并在采集血液后向血液中心進行運輸。獻血車采集到的血液會在當日送至血液中心。

3.血液中心Agent行為方式

血液中心每日會收到各個醫院發來的訂貨單。收到訂單后，血液中心會根據自身的庫存狀況，采用適合的分配策略向醫院提供血小板。完成發貨后，血液中心盤點庫存，完成血小板庫存狀態的更新并去除過期血小板。然后，根據現有的庫存水平，血液中心會決策出合適的宣傳力度進行庫存補充。

血液中心每日根據其接收到的所有醫院的前一天血小板訂單量計算其需求量。由于血小板具有固定的保質期，以及不可替代和稀缺的特點，應盡可能降低其過期浪費量，以免資源浪費。血液中心通常采用FIFO策略進行訂單出庫安排。其數學模型可描述為

(1)

血液中心在第t期收到醫院的訂單后安排血制品的分配。提前期為1天，即在t+1期將血制品配送到各個醫院。血液中心可能出現當前庫存水平低于所有醫院訂單總量的情形，無法滿足醫院的所有訂單需求。因此，血液中心通過按比例分配的方式來滿足各個醫院的訂單需求量。這里的比例分配包括了對需求總量的分配比例以及對不同庫齡的血小板量的分配比例。

在第t期期初血液中心配送的血小板狀態為

(2)

醫院收到配送的血小板庫存狀態為

(3)

血液中心處理當前所有醫院訂單并完成分配的血小板出庫后，更新庫存，去除剩余保質期為1天的血小板，此時血液中心庫存狀態為

(4)

此時，血液中心根據更新后式(4)的庫存狀態，按照不同的宣傳力度進行血小板補貨。第t期期末補貨后的庫存狀態為

(5)

其中：N為補貨量，用獻血人數與每人獻血量的乘積來表示。

4.醫院Agent行為方式

醫院每天通過其血小板庫存應對每日的臨床血液需求。臨床實踐表明，醫院的血小板臨床血液需求量按“周”服從泊松分布，且一周中每天的泊松分布參數值不相同。后文的敏感性分析模型中，預期需求將按泊松分布隨機產生。各個醫院每日的血小板用血需求得到滿足后，會盤點及更新現有的血小板庫存，選取合適的庫存補充策略向血液中心訂購血小板。當日發出的訂單將在下一日送達該醫院。由于血液中心可能存在庫存短缺，因此各個醫院也可能出現血小板短缺的狀況。

下面通過遞歸方程，對醫院Agent的庫存狀態及其行為方式進行描述。

在第t期期初接收血小板入庫后，加上第t-1期末的庫存，可更新第t期期初的庫存狀態：

(6)

醫院也采用FIFO策略出庫以應對日用血需求，數學描述為

(7)

醫院滿足當日用血需求后，庫存狀態更新表示為

(8)

醫院在滿足需求并在期末更新其庫存狀態之后，根據當前庫存狀態做出補貨決策。假設醫院根據OIR(Old Inventory Ratio)策略做出補貨決策，該策略是一種改進的(s，S)策略，它考慮了易腐產品的庫齡分布。OIR策略在管理易腐品庫存上的決策效果要優于傳統的(s，S)策略[35]。其決策步驟如下：首先，參考(s，S)庫存策略設置一個庫存上限S。然后，醫院盤點并計算其庫存中臨期血小板量與總庫存量的比值，若該比值超過OIR庫存參數閾值δ，需要進行額外補貨以預防可能發生的血過期報廢。研究表明剩余有效期為1天或2天的血小板應被考慮為臨期血小板[36]。OIR補貨策略決策步驟如下：

(9)

(10)

(二)血液供應鏈總體結構與績效指標

基于復雜自適應多Agent的血液供應鏈整體結構及各Agent運作流程如圖1所示。獻血者Agent是血液供應鏈系統的原動力。每個獻血者Agent會獨立地選擇獻血車捐獻血小板。獻血車Agent初步審核獻血者資格，并完成血液的收集和運輸。血液中心Agent按照其自身庫存狀態和醫院訂單向各醫院分配血小板，并通過適合的宣傳力度完成血液采集工作。醫院Agent根據其庫存狀態應對臨床用血需求，在期末更新庫齡信息并去除過期血小板后，基于補貨決策向血液中心發出補貨訂單。綜上，血液供應鏈系統是物流、信息流、效益流集成的復雜自適應系統。

圖1 血液供應鏈框架模型示意

1.信息流分析

獻血者Agent獨立地選擇獻血車進行血小板捐獻，但選擇行為會受血液中心宣傳信息的影響。獻血車Agent會對獻血者的捐獻資格進行初步篩查，滿足捐獻條件后將進行血小板采集。血液中心Agent按照自身庫存狀態和醫院的訂單情況分配血小板，以滿足其醫院訂單需求；同時處理過期的血小板，更新自身庫存狀態；最后完成獻血車Agent所采集到的血小板的進庫，并獲取補貨后的庫存狀態。醫院Agent在滿足其每天的血小板需求并處理過期的血小板后，再通過OIR庫存策略進行補貨決策并向血液中心發出補貨訂單。醫院Agent對血液中心分配的血小板執行入庫操作后，更新庫存狀態。

2.物流分析

獻血車Agent從獻血者Agent處采集血小板。血液中心當期補貨量為獻血車Agent當期采集到的血小板。血液中心Agent按照其庫存狀態和醫院的訂單量向醫院Agent分配并配送血小板。

3.效益流與績效指標分析

醫院Agent和血液中心Agent根據其自身的庫存水平反映其效益量，且醫院Agent的效益量會受到血液中心Agent效益量影響。

(三)血液供應鏈績效評估仿真模型的構建

1.仿真工具

采用Anylogic 8.7.0仿真建模工具完成本文的仿真模型構建。AnyLogic通過行動圖和狀態圖設計Agent的行為。其中，行動圖以結構化圖表的方式來設計Agent的行為，它包括代碼、決斷、局部變量等一系列行動模塊。狀態圖反映和執行Agent的動態行為，即Agent根據發生的行為，展現出該行為下的狀態。模型通過狀態和變遷構建狀態圖，執行并展現當前Agent的行為。

2.模型構建

通過AnyLogic 8.7.0仿真建模工具，創建模型中的Agent，構造其行動圖和狀態圖，并完成相關參數、集合、變量、規則等屬性的設置。模型中Agent及其屬性見表1。

表1 模型中Agent及其屬性

仿真模型中Agent創建及其屬性設置過程，以血液中心為例進行說明，如圖2所示。

圖2 血液中心Agent模型

第一步，構造血液中心Agent狀態圖。模型狀態設計包括 “初始狀態”和“分配血液”兩個狀態，狀態間的轉換通過到時觸發實現。血液中心對獻血車送達的血小板執行入庫操作后，將在預定時間內向各個醫院配送血小板。

第二步，構造血液中心Agent的行動圖。其中，宣傳策略事件是根據庫存信息，采取合適的宣傳力度招募獻血者；成本計算事件，在每日規定的時間統計血液中心當日的運輸成本、持有成本；庫存更新函數主要完成剔除過期血小板的任務，并對未過期血小板的庫齡做減1處理。

三、數值仿真與敏感性分析

(一)模型檢驗

本文采用重慶市血液中心與主城區27家醫院在2019年4月22日至5月5日期間的有關數據為背景驗證仿真模型的有效性。將模型時間單位設置為“天”，運行模型14天以進行仿真模型有效性的驗證。設置血液供應鏈初始的獻血者數量為55人，其他Agent的參數設置見表1。仿真結果如圖3所示。由實驗結果可知，仿真周期內的平均日采血量模擬精度約為82.09%，偏差最低為1.32%，較好地體現了血小板采集量的變化趨勢。

圖3 每日血小板采集量的模擬精度

(二)血液供應鏈系統總體特征分析

主要參數設置如表1 所示，另初始設定200個獻血者與30家醫院，對血液供應鏈進行仿真分析。仿真時間單位為“天”，決策周期單位為“周”，共進行為期365天(52周)的仿真。仿真分析內容主要包括血液供應鏈系統的總體特征分析與敏感性分析。

首先對血液中心和醫院在保質期內的血小板時間序列進行分析，仿真結果如圖4所示。

圖4 在保質期內血小板時間序列

由圖4可知，系統中的在保質期內血小板時間序列具有較強的隨機震蕩特征。從庫存水平的走向趨勢看，難以對其后的波形進行預測，對具體庫存水平預測的難度更大。其次，對比血液中心與醫院在保質期內的血小板庫存水平趨勢能夠發現，當血液中心在保質期內血小板增加時，醫院在保質期內的血小板會隨后增加。這是由于提前期的存在，醫院在保質期內的血小板的變化在時間上相對滯后。

另外，血液中心與醫院作為血液供應鏈的核心節點，其過期量、短缺量、持有成本、運輸成本是反映供應鏈運作的關鍵績效指標。因此，通過上述績效指標對仿真結果進行分析，仿真結果如圖5至圖8所示。

圖5 短缺量時間序列

由圖5與圖6可知，血液中心的過期量、短缺量均明顯低于醫院。原因可能有二：一是醫院的用血需求面臨著更大的不確定性，其庫存控制決策也更為復雜；二是血液中心直接從獻血者處獲得所有新鮮血小板，而醫院需要血液中心的分發和配送，且醫院的補貨訂單會出現難以全部滿足的情況。血液中心和醫院的短缺量與過期量都呈現出增長至一定水平后再降低的走向，并在降到一定水平后，短缺量和過期量水平會再增高。產生這種情形的主要原因在于血液中心Agent和醫院Agent的自適應調整。由圖7和圖8可知，血液中心和醫院運輸成本的隨機性相對庫存持有成本更大。產生這一現象的原因有二：其一，醫院每日的臨床用血需求具有一定的隨機性，加上血小板的易腐性與OIR庫存策略的影響，導致醫院血小板訂單量變化幅度較大；其二，醫院的補貨訂單量具有一定的隨機性，血液中心Agent的血小板庫存水平及其宣傳力度也在不斷調整，這導致了血液中心的每日血小板采集量和運輸成本具有較大的波動幅度。此外，血液中心優先通過自身庫存量來應對醫院訂單，也導致了血液中心Agent的運輸成本波動幅度大于持有成本。

圖6 過期量時間序列

圖7 運輸成本時間序列

圖8 持有成本時間序列

(三)庫齡策略對血液供應鏈績效的影響分析

以下將采用短缺率和過期率作為評價血液供應鏈保障績效的核心指標進行對比分析和敏感性分析。其中，短缺率被定義為在現有庫存水平下未被滿足的用血需求與總用血需求的比值，體現了供應鏈血液保障供應的水平；過期率被定義為庫存中庫齡超過保質期的血小板與總訂貨量的比值，體現了血液供應鏈庫存管理的效率。

OIR策略是一種考慮了庫齡的進化庫存策略。為分析庫齡策略對績效指標的影響，參考Tekin等[36]的設計，在(s，S)策略的庫存系統中，訂購前不更新系統過期血制品的庫存狀態；直到訂購決策觸發，才報廢血制品并更新庫存狀態。OIR策略與(s，S)策略的仿真對比分析結果如圖9所示。顯然，考慮庫齡的OIR補貨策略能有效降低醫院Agent的短缺率與過期率。其中，對過期率的降低效果更顯著。

圖9 庫齡策略的比較

(四)血液供應鏈系統績效的敏感性分析

血液只能通過獻血者獻血獲得，且血液供應鏈的保障績效直接受獻血者人數的影響?；谘褐行牡亩倘甭屎瓦^期率兩個績效指標，對血液中心Agent的宣傳力度與初始獻血者人數進行敏感性分析，結果如圖10所示。其中，短缺率和過期率取所有決策周期的均值。

圖10 宣傳力度與初始獻血者人數的敏感性分析

如圖10所示，若宣傳力度處于較低水平，初始獻血者人數較少，則血液中心的血小板短缺率較高，過期率較低。隨著初始獻血者人數的增加，短缺率下降，且變化速率較快；過期率上升，變化速率較慢。當初始獻血者人數增加至一定水平時，短缺率下降速度明顯放緩，過期率上升速度則明顯加快。這意味著，當初始的獻血者人數增加至一定水平后，降低血小板短缺率的效果會減弱，并會造成大量過期浪費的情況。因此，單純擴大初始獻血者規模來提高庫存量，進而控制血液中心短缺率的方式不可行。由于血小板的保質期較短，低短缺率往往伴隨著高過期率，因此需要實現兩者之間的綜合平衡。從招募獻血者的宣傳力度來看，在初始獻血者規模較小時，加大宣傳力度的方式對降低過期率的效果不明顯；而當初始獻血者人數較多時，加大宣傳力度對降低短缺率的效果也不明顯。這是由于在初始獻血者人數較少時，血液中心以較小的血小板庫存去滿足醫院的需求，很少出現庫存囤積的情況，自然過期率無顯著變化；而當初始獻血者人數增多后，血液中心的血小板庫存增多，但醫院的訂單并不會出現激增，短缺率也不會再次出現顯著下降趨勢。因此，血液中心要關注其庫存狀態，根據其庫存狀態高低決策合理的宣傳力度，在庫存水平較低時采取相應較大的宣傳力度，以將血小板短缺控制在可接受的最大范圍內，盡量減小血小板過期率。

血小板有3～5天的保質期，其保質期的變化也會對系統績效產生影響。同時，由于醫院采取的是OIR庫存控制策略，其補貨決策會根據保質期與最大庫存水平確定補貨量。醫院的血小板過期率與短缺率會受保質期與最大庫存水平兩個庫存決策參數的影響。下面將基于醫院血小板過期率和短缺率兩個主要績效指標，對血小板保質期與醫院庫存水平進行敏感性分析。短缺率和過期率也取所有決策周期的均值。

如圖11所示，血小板保質期在同一水平時，醫院最大庫存水平越高，其短缺率越低，則過期率越高。另外，血小板短缺率的降低速率呈現出不斷減慢的趨勢，而血小板過期率的變化趨勢則較穩定。主要原因在于，較大的醫院最大庫存水平可能會帶來更大的補貨量，其臨床用血需求更好地被滿足，需求滿足率上升。但在常規情況下，需求量不出現陡增的情況，而醫院庫存水平在不斷提高的同時，顯然血小板的過期率會上升。另一方面，醫院短缺率與保質期成正比，而其過期率則隨著保質期的提高而降低。主要原因在于，在較低的保質期下，醫院庫存中的血小板會較快過期且“陳”血的比例相對較高，醫院的補貨訂單量會相應增高，有利于醫院獲得更多的補貨，從而提高其臨床用血需求的滿足率，使得醫院短缺率降低。綜合血小板保質期和醫院最大庫存水平進行分析，在最大庫存水平處于較高水平時，血小板保質期的下降對降低短缺率的效果并不明顯。因而，為達到較好的庫存控制效果，醫院需綜合考慮不同保存技術下的保質期與日常臨床用血需求，制定較優的庫存控制參數。此外，還可根據環境情況按決策周期對關鍵庫存控制參數進行動態調節，以降低血小板的過期率。

圖11 保質期與醫院最大庫存水平的敏感性分析

四、結論

本文從復雜自適應系統角度出發，對血液供應鏈主要參與主體對應的Agent行為進行分析與數學描述，使用多智能仿真方法構建由獻血者、獻血車、血液中心以及醫院組成的四級血液供應鏈仿真模型，并探究了血液供應鏈系統的總體特征與績效演進機制。主要結論如下：(1)血液供應鏈系統演變具有隨機特征，在保血小板時間序列為震蕩序列，較難精準預測。從過期率與短缺率兩個主要績效指標來看，血液中心的血小板過期量、短缺量明顯低于醫院Agent。血液中心Agent與醫院Agent的運輸成本波動幅度明顯大于持有成本波動。因此，在血液緊缺期，可考慮將決策前置，即由血液中心來統一制定供應鏈決策。當然，統一決策的前提是建立需求信息共享的信息平臺。政府應致力于推動建立衛生部門、采供血機構與醫院等多機構互聯互通的信息系統。(2)考慮庫齡策略，能有效降低醫院Agent的過期率與短缺率。因此，采供血機構與醫院的信息系統不僅要實時監測血液制品的庫齡信息，更應充分利用其庫齡信息，推動血液采集、庫存、運輸、調撥、分發等決策的科學化。(3)對血液中心Agent而言，如何把控初始獻血者人數，減少血小板過期浪費，且后續根據血小板庫存情況采取合適的宣傳力度以招募獻血者降低短缺率，應是其關注的重點。(4)針對醫院Agent，應綜合考慮血小板庫齡和需求水平，做出較好的庫存控制決策，以有效降低血小板的過期浪費與短缺。具體而言，在常規用血期，可設置較低的庫存點，采用一般的血制品保存液，以降低系統成本。而在血液緊缺期，特別是在暑假等長周期季節性血荒期，采供血部門與醫院血庫應及時切換庫存決策，設置較高的庫存點，并采用高質量的血制品保存液，提高血小板等珍貴血制品的保質期，以減少短缺和報廢，更好地維護病人生命健康安全。本文研究結果對血液供應鏈中血液中心、醫院等重要節點的決策和控制有一定的借鑒意義，對血液供應鏈管理具有一定的指導意義。

下一步研究可以考慮血小板的異質需求，針對不同災害情景的血液供應鏈管理問題進行深入研究。也可針對其他血液制品，考慮不同血型血制品之間的替代兼容，研究血液供應鏈系統的績效演進問題。