基于消冗时段网络的集装箱班轮干扰恢复研究

doi:10.16381/j.cnki.issn1003-207x.2023.1943

摘要/Abstract

摘要：

海运供应链韧性是全球产业链供应链运输效率的保障，海运不确定性因素使得集装箱班轮运输时常发生延误，不仅造成运输中经济成本的攀升，而且会严重影响海运供应链的顺畅运行。为降低干扰恢复过程的总成本，提高集装箱班轮运输的供应链韧性，本文针对班轮干扰恢复问题，着重考虑了不同港口装卸集装箱的需求差异，创新性地构建了一种时段网络模型，并设计了两种针对性的网络消冗策略。通过对实际运营的集装箱班轮航线进行数值模拟，验证了模型的有效性，并对消冗策略的消冗效果进行了算例分析。分析结果表明，考虑不同港口装卸集装箱需求差异的干扰恢复方案能够进一步减少干扰影响的扩散，可在干扰程度较高情况下，降低至少16%的总成本，并显著降低受干扰影响的集装箱数量。与此同时，基于消冗时段网络的干扰恢复模型能够更高效地获得更低成本的干扰恢复方案。研究结论可为海上集装箱班轮运输行业提供干扰恢复决策支持，降低集装箱班轮受干扰后的延误程度和运输成本，提高集装箱班轮运输供应链的韧性。

关键词: 班轮干扰恢复, 集装箱运输韧性, 消冗策略, 时段网络

Abstract:

The resilience of maritime supply chain guarantees the transportation efficiency of the global industry and supply chain. The uncertainty factor of shipping makes container liner transportation often delayed， which not only causes the increase of economic cost in transportation but seriously affects the smooth operation of the maritime supply chain. In order to reduce the total cost of the disruption recovery process and improve the supply chain resilience of container liner transportation， it focuses on the liner disruption recovery problem and considers the difference in the demand for container loading and unloading in different ports， innovatively propose a time-band network model， and designs two targeted network redundancy elimination strategies in this paper. Through numerical simulation of an actual container liner route， the model's validity is verified， and the effect of the redundancy elimination strategies is analyzed. The analysis results show that the disruption recovery scheme considering the difference in the demand of container loading and unloading in different ports can further reduce the propagation of disruption effects， reduce the total cost by at least 16%， and significantly reduce the number of containers affected by disruption at higher levels. At the same time， the disruption recovery model based on the redundancy elimination time-band network enables more efficient acquisition of lower-cost disruption recovery solutions. The research results can provide decision support for the maritime container liner transportation industry to recover from disruption， reduce the degree of delay and transportation cost after the disruption， and improve the resilience of the container liner transportation supply chain.

Key words: liner disruption recovery, container transportation resilience, redundancy elimination strategy, time-band network

中图分类号:

F830.9

胡玉真, 刘建霞. 基于消冗时段网络的集装箱班轮干扰恢复研究[J]. 中国管理科学, 2025, 33(2): 118-130.

Yuzhen Hu, Jianxia Liu. Container Liner Disruption Recovery Based on Redundancy Elimination Time-band Network[J]. Chinese Journal of Management Science, 2025, 33(2): 118-130.

图/表 23

图1

表1

图2

图3

图4

图5

表2

表3

表4

表5

图6

表6

图7

表7

不同加速步长下的网络模型求解结果对比"

$∆$ v （节）	传统时空网络				消冗时段网络				成本差值百分比（%） ((2)-(1))/(1)
$∆$ v （节）	总成本（美元）(1)	求解时间（秒）	弧数量	节点数量	总成本（美元）(2)	求解时间（秒）	弧数量	节点数量	成本差值百分比（%） ((2)-(1))/(1)
0.5	5793259	1.19	68555	24763	5667431	0.17	2741	272	-2.17
1	5794641	0.42	36071	13151	5686852	0.17	2529	272	-1.86
1.5	5798510	0.20	23092	8580	5730046	0.11	2077	268	-1.18
2	5798873	0.16	19929	7440	5689898	0.16	2081	272	-1.88
2.5	5839299	0.13	16693	6291	5744129	0.06	1590	238	-1.63

表7

表8

不同网络时间间隔下的网络模型求解结果对比"

$∆$ h （小时）	传统时空网络				消冗时段网络				成本差值百分比(%) ((2)-(1))/(1)
$∆$ h （小时）	总成本（美元）(1)	求解时间（秒）	弧数量	节点数量	总成本（美元）(2)	求解时间（秒）	弧数量	节点数量	成本差值百分比(%) ((2)-(1))/(1)
3	5690042	5.52	142883	50581	5683890	1.82	14813	1108	-0.11
6	5716746	1.38	71661	25619	5686852	0.43	6520	562	-0.52
9	5747453	0.66	48161	17522	5710214	0.20	4032	382	-0.65
12	5794641	0.42	36071	13151	5686852	0.17	2529	272	-1.86
15	6036027	0.28	28767	10471	5683890	0.08	1621	195	-5.83
18	6126982	0.19	24004	8782	5710214	0.08	1654	197	-6.80

表8

表9

表10

表11

表12

表13

图8

图9

图10

参考文献 22

1	Meng Q， Wang S， Andersson H， et al. Containership routing and scheduling in liner shipping： Overview and future research directions［J］. Transportation Science， 2014， 48（2）： 265-280.
2	Li C， Qi X， Song D. Real-time schedule recovery in liner shipping service with regular uncertainties and disruption events［J］. Transportation Research Part B： Methodological， 2016， 93： 762-788.
3	Brouer B D， Dirksen J， Pisinger D， et al. The vessel schedule recovery problem （VSRP）： A MIP model for handling disruptions in liner shipping［J］. European Journal of Operational Research， 2013， 224（2）： 362-374.
4	Li C， Qi X， Lee C Y. Disruption recovery for a vessel in liner shipping［J］. Transportation Science， 2015， 49（4）： 900-921.
5	Akyüz M H， Dekker R， Azadeh S S. Partial and complete replanning of an intermodal logistic system under disruptions［J］. Transportation Research Part E： Logistics and Transportation Review， 2023， 169： 102968.
6	Abioye O F， Dulebenets M A， Kavoosi M， et al. Vessel schedule recovery in liner shipping： Modeling alternative recovery options［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 22（10）： 6420-6434.
7	邢江波，钟铭，王天旻. 考虑集装箱流恢复的班轮运输船期恢复模型［J］. 交通运输系统工程与信息， 2017， 17（2）： 183-188.
	Xing J B， Zhao M， Wang T M. A vessel schedule recovery model considering container flow recovery in liner shipping［J］. Journal of Transportation Systems Engineering and Information Technology， 2017， 17（2）： 183-188.
8	Cheraghchi F， Abualhaol I， Falcon R， et al. Modeling the speed-based vessel schedule recovery problem using evolutionary multiobjective optimization［J］. Information Sciences， 2018， 448： 53-74.
9	Achurra-Gonzalez P E， Novati M， Foulser-Piggott R， et al. Modelling the impact of liner shipping network perturbations on container cargo routing： Southeast Asia to Europe application［J］. Accident Analysis & Prevention， 2019， 123： 399-410.
10	De A， Wang J， Tiwari M K. Fuel bunker management strategies within sustainable container shipping operation considering disruption and recovery policies［J］. IEEE Transactions on Engineering Management， 2019， 68（4）： 1089-1111.
11	丁一，刘朝德，林国龙. 基于沿海捎带的轴辐式海运网络优化模型［J］.中国管理科学，2015，23（S1）： 830-835.
	Ding Y， Liu C D， Lin G L. An optimizing model of hub-and-spoke shipping network considering maritime cabotage［J］. Chinese Journal of Management Science， 2015，23（S1）： 830-835.
12	Wang T， Meng Q， Wang S， et al. Risk management in liner ship fleet deployment： A joint chance constrained programming model［J］.Transportation Research Part E： Logistics and Transportation Review， 2013， 60： 1-12.
13	Ng M W. Container vessel fleet deployment for liner shipping with stochastic dependencies in shipping demand［J］. Transportation Research Part B： Methodological， 2015， 74： 79-87.
14	余冠桥，钟铭，袁程，等. 需求不确定集装箱班轮航线配船-运输两阶段鲁棒优化模型［J］. 大连海事大学学报， 2020， 46（4）： 69-75.
	Yu G Q， Zhong M， Yuan C， et al. A two-stage robust optimization model for container liner routes allocation-transportation with uncertain demand［J］. Journal of Dalian Maritime University， 2020， 46（4）： 69-75.
15	杨华龙，郭嘉伟，赵帅奇.考虑货流不平衡的集装箱班轮运输船期设计［J］. 大连海事大学学报， 2022， 48（2）： 48-56.
	Yang H L， Guo J W， Zhao S Q. Vessel scheduling for container liner shipping considering imbalance cargo flow［J］. Journal of Dalian Maritime University， 2022， 48（2）： 48-56.
16	邢玉伟，杨华龙，郑建风，等. 考虑货物时间价值的洲际班轮航线配船与航速优化［J］. 系统工程报， 2022， 37（6）：796-810.
	Xing Y W， Yang H L， Zheng J F， et al. Optimization of ﬂeet deployment and vessel sailing speed for intercontinental liner considering cargo time value［J］. Journal of Systems Engineering， 2022， 37（6）： 796-810.
17	李德昌，杨华龙，宋巍，等. 考虑船舶速度偏差的集装箱班轮运输货运收益鲁棒优化［J］. 中国管理科学， 2023， 31（4）： 151-160.
	Li D C， Yang H L， Song W， et al. Freight revenue robust optimization for container liner shipping considering vessel sailing speed deviation［J］. Chinese Journal of Management Science， 2023， 31（4）： 151-160.
18	Bard J F， Yu G， Arguello M F. Optimizing aircraft routings in response to groundings and delays［J］. IIE Transactions， 2001， 33（10）： 931-947.
19	Hu Y Z， Xu B G， Bard J F， et al. Optimization of multi-fleet aircraft routing considering passenger transiting under airline disruption［J］. Computers & Industrial Engineering， 2015， 80： 132-144.
20	Dai W L， Fu X， Yip T L， et al. Emission charge and liner shipping network configuration： An economic investigation of the Asia-Europe route［J］. Transportation Research Part A： Policy and Practice， 2018， 110： 291-305.
21	Leonardi J， Browne M. A method for assessing the carbon footprint of maritime freight transport： European case study and results［J］. International Journal of Logistics： research and applications， 2010， 13（5）： 349-358.
22	Abioye O F， Dulebenets M A， Kavoosi M， et al. Vessel schedule recovery in liner shipping： Modeling alternative recovery options［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 22（10）： 6420-6434.

港口	香港(XG)	盐田(YT)	厦门(XM)	上海(SH)
EA	0	30	80	180
Ts	20	20	20	20
Tin	0	2	2	2
Tout	2	2	2	0
M	XG-YT(100) XG-XM(100) XG-SH(200)	YT-XM(50) YT-SH(100)	XM-SH(50)	——

港口名称	港口编号	计划到达时间	在港时间	进港时间	出港时间
天津新港	a0	0	36	0	3
青岛港	a1	70	36	2	2
上海外高桥港	a2	141	24	5	5
上海洋山港	a3	177	24	2	2
长滩港	a4	517	81	2	2
鲁珀特王子港	a5	709	65	2	2
天津新港	a6	1176	36	2	0

港口	a0	a1	a2	a3	a4	a5	a6
a0	0	457	695	682	6117	4893	0
a1	457	0	359	391	5904	4923	457
a2	695	359	0	67	5820	4839	695
a3	682	391	67	0	5702	4805	682
a4	6117	5904	5820	5702	0	1427	6117
a5	4893	4923	4839	4805	1427	0	4893
a6	0	457	695	682	6117	4893	0

票次	港口a (装载）	港口b （卸载）	集装箱数量（TEU）
1	a0	a4	1000
2	a0	a5	800
3	a1	a4	1000
4	a1	a5	800
5	a2	a4	800
6	a2	a5	600
7	a3	a4	500
8	a3	a5	500
9	a4	a6	1000
10	a5	a6	1000

航线规模	CEN航线	航线2	航线3
挂靠港口数量	7	14	21
班轮容量（TEU）	8000	10020	13800
班轮结束恢复的时间（小时）	1212	1516	1886