血液对临床治疗、抢救患者生命至关重要[1]。近年来,虽然医疗技术水平、医疗保障体系以及经济社会不断发展和完善,但是由于人口老龄化日益严重[2],血液需求量每年增长10%～15%,而采血量增长率仅为用血量增长率的50%左右,“血荒”现象频发[3]。血液短缺导致医疗救护推迟或取消[4],严重时将会增加社会死亡率。2021年9月,美国红十字会表示血液供应不足1天,远低于保障5天供应量的标准[5];美国弗吉尼亚州由于血液短缺,手术推迟2～4周[6]。此外,因血液供应链管理不善而导致的血液报废也时有发生。美国一项调查显示,血液中心和医院1 150 万个血液单位库存已报废770万,损失1.61亿美元[7]。血液通常以供应链的形式进行采集、库存、分配和使用。因此,加强血液供应链管理对保障人民的生命健康具有重要意义。

血液是一种0-1型易逝品(如血小板生命周期只有5～7天),一旦过期则失去医用价值[8]。血液供应链管理具有供应不可靠、需求随机异质和多库龄共存等复杂特质[9]。这些复杂特质给血液供应链管理带来极大挑战。在血液采集管理方面,血液的唯一来源是献血者捐赠,由于献血人数、献血时间和自然环境等不确定因素导致血液供应不可靠,无法实现有规划、快速、大规模生产[10]。要保证血液供应充足,需要综合考虑献血者心理、行为特征以及献血时的客观条件等因素研究献血者行为[11],预测血液供应量。在血液库存与分配管理方面,血液需求随机且异质。随机是指常规需求和紧急需求具有随机性,异质是指需求包括不同血液成分和血型,血液中心根据需求考虑血库中不同生命周期的全血量和成分血量制定库存与分配策略。要满足血液需求并避免浪费,需要综合考虑随机异质的血液需求和多库龄共存的血液库存,预测血液需求量,解决复杂的库存与分配管理问题。在血液供应链网络设计方面,需要综合考虑血液供应不可靠、需求随机异质和多库龄共存的复杂特征,设计最优供应链网络,及时、高效地满足血液需求并减少浪费,更多地节约人力和物力成本[12]。这些研究对血液供应链管理具有重要的理论价值和现实意义。

传统以血液中心为核心的血液供应链管理多依赖于管理者的行业经验,相关学术研究多使用问卷统计分析、实证研究及理论模型研究[13],难以刻画血液供应链管理的复杂特质,分析结果有局限性且失真[14]。党的二十大报告提出,要加速推进数字中国建设。当前社会发展进入大数据时代,利用大数据技术分析海量数据,可使决策更加科学有效[15]。大数据为解决血液供应链管理的复杂问题提供了新的契机和有效手段。现有血液供应链综述文献[16-25]多集中于研究问题、方法、趋势和挑战等方面,没有从数据应用的视角审视血液供应链管理的研究进展。为了解基于大数据的血液供应链管理研究现状,本文利用文献计量方法回顾116篇相关学术论文,全面归纳和述评基于大数据的血液供应链管理研究进展,提出未来研究方向。

本文贡献如下: ①通过文献计量方法绘制科学知识图谱,可视化地展示了作者合作、研究主题和文章引用等相关文献分布与关联;② 基于大数据应用的新颖视角,从血液采集管理、血液库存与分配管理以及血液供应链网络设计3个方面,系统深入地分析血液供应链管理相关文献;③提出基于大数据的血液供应链管理PAGE 框架,由此指出未来研究方向。

1 血液供应链管理内涵及大数据特征

血液供应链主要由献血者、血液中心和医院3个主体组成,包括采集、库存和分配3个环节(见图1)。从血液供应链的物流角度看,在血液采集环节,献血者前往血液中心设定的献血屋或献血车献血;在血液库存环节,血液中心收集血液后生产制备,再分配给医院;在血液分配环节,血液中心决定血液配送的交通工具、路线等。从血液供应链的信息流角度看,血液中心向献血者公布当日可供应血液的库存水平,根据医院提交的每日血液需求成分、需求量和紧急程度决定分配量。本文主要从物流角度研究血液供应链管理。

图1 血液供应链管理
Fig.1 Blood supply chain management

血液供应链管理过程中产生了大量来源不同、形式各异、内容丰富的结构化数据和非结构化数据(见表1),这些海量数据具有典型的大数据4V 特征(见图2),为大数据驱动血液供应链管理奠定了基础。例如,在血液采集管理环节,将献血行为大数据与外部数据(如政策法规、社会媒体内容、社会关系、客观环境等)关联分析献血行为;在血液库存管理环节,利用血液供需量、交通事故和犯罪等数据预测血液需求,制定最优库存策略;在血液分配环节,利用交通情况、天气等大数据规划分配路线。基于大数据帮助血液供应链进行管理决策,为血液中心应对管理挑战、提高运作效率提供了新的机遇和有效手段。

表1 血液供应链管理中产生的结构化和非结构化数据
Tab.1 Structured and unstructured data generated in blood supply chain management

图2 血液供应链管理数据具有典型大数据特征
Fig.2 Data in blood supply chain management has typical big data characteristics

2 研究方法

采用文献计量方法绘制科学知识图谱,可视化地展示基于大数据的血液供应链管理领域研究现状。文献计量方法是一种用于统计、探索和评估文献的方法,能够综合、全面地分析文献信息[26]。文献检索和筛选思路如下:首先,确定研究范围,即基于大数据的血液供应链管理;其次,通过关键词搜索(见表2)对学术论文进行全文检索,检索数据库包括Scopus、Web of Science、ScienceDirect、Emerald Insight、Taylor &Francis、Wiley、Springer和IEEE Xplore。虽然多数据库检索会得到相同文献,但能有效减少遗漏。由于现有血液供应链管理相关文献大部分发表于过去10 年内,所以没有限制发表日期。截 至2022 年9 月20日共检索到6 364 篇文献。为保证文献样本质量,对初始检索文献按照排除标准进行筛选,最终选定论文116篇。图3描述了检索和筛选策略。

表2 检索关键词
Tab.2 Search keywords

图3 检索与筛选策略
Fig.3 Search and filtering strategies

3 文献统计分析

为了直观地了解基于大数据的血液供应链管理研究进展,本节采用文献计量方法,首先对采用第2节检索方法得到的相关文献进行描述性统计分析,然后通过VOSviewer软件绘制知识图谱可视化该领域研究现状。

3.1 载文量分析

图4显示了2022年9月以前基于大数据的血液供应链管理相关论文数量。由图4 可以看出,2016年以后,论文数量开始呈指数型增长,特别是2019～2020年期间增长迅速。2022年论文数量虽然只包含9个月,但已经与2021年持平。这一趋势表明,基于大数据的血液供应链管理研究方向是比较前沿的。

图4 基于大数据的血液供应链管理论文数量
Fig.4 Number of papers related to blood supply chain management based on big data

3.2 发表期刊分析

文献发表期刊分析可以展示研究成果质量和所覆盖的学科类别。最终检索获得116篇文献,删除会议论文后,剩余104篇,其中,72篇论文来自美国UTD 期刊榜单、澳大利亚ABDC 期刊质量榜单(A*和A 期刊)以及SCI期刊(二区及以上),在高水平期刊上发表的论文占总论文数的69.2%,说明所选文献质量较高。文献发表期刊所属学科类别涵盖了血液学、运筹学与管理科学、工业工程、运输学、经济学、计算机科学、人工智能和电信学等,由此可见,基于大数据的血液供应链管理是一个多学科交叉的繁荣新兴研究领域。各领域研究学者可以加强合作,运用跨学科知识方法,使研究更加深化和专业化。表3列出了发表论文总数超过2篇的期刊(不计会议论文数量)和期刊所属学科类别。

表3 不同期刊发表的论文数量
Tab.3 Number of papers published in different journals

3.3 作者合作网络分析

随着科研全球化的不断深入,科研合作已成为学术研究的主流,有助于节约学术资源、产生新思想、增强学术竞争力、推动学科发展[27]。本节分析基于大数据的血液供应链管理领域研究中影响力较高的学者。已发表论文和引文最小阈值分别设置为1和2,373位作者中38位作者符合选择阈值,最终可视化作者合作网络如图5所示。不同颜色的圆和连线代表不同的作者合作群,每个圆表示一位作者,作者发表论文数量越多,圆圈越大。从论文数量来看,Hosseini-Motlagh(8篇)、Chen(5篇)和Samani(5 篇)成果最多;从引用次数来看,Hosseini-Motlagh(178次)、Brailsford(167次)和Zahiri(164次)被引用最多。综上可知,Hosseini-Motlagh是这一领域最有影响力的学者。

图5 基于大数据的血液供应链管理作者合作网络知识图谱
Fig.5 Author collaboration network knowledge graph for blood supply chain management based on big data

3.4 关键词共现分析

关键词共现分析的基本原理是两两统计一组词在同一组文献出现的次数,通过共现次数来测度它们之间的亲疏关系,并以共现强度作为基本计量单位,对共现集合进行聚类分析[28]。关键词共现分析有助于进一步了解领域研究热点和发展动向。本节通过关键词共现分析展示现有文献热点关键词并进行主题聚类。设置关键词最小出现次数为5,合并相同含义关键词,最终可视化关键词35个,结果如图6所示。不同颜色代表不同聚类主题,节点越大表示关键词出现频率越高,节点连接线的粗细表示关键词之间联系的强度。由图6可以看出,最频繁出现的关键词是血液供应链(blood supply chain,65次)、人(human,35次)、预测(forecasting,23次)和献血(blood donation,20次),这些关键词被聚类为3个领域,第1类包括人、性别、献血者和献血群体等,第2类包括预测、大数据、神经网络和机器学习等,第3类包括血液供应链、血液供应、随机性和优化等。

图6 基于大数据的血液供应链管理关键词共现知识图谱
Fig.6 Keyword co-occurrence knowledge graph for blood supply chain management based on big data

3.5 引文分析

引文分析揭示了文献被引用的数量特征和内在规律,用以确定该领域最具影响力的论文。本文设置最低引文量为5篇,最终可视化论文37篇,如图7所示。引用次数由节点大小表示,节点越大,被引用次数越多。用不同颜色区分聚类结果,同一颜色表示相同研究方向或研究类型。被引量前3篇的论文分别是Katsaliaki(2007)、Zahiri(2017)和Ramezanian(2017),分别被引129次、108次和83次。

图7 基于大数据的血液供应链管理文献引文知识图谱
Fig.7 Literature citation knowledge graph for blood supply chain management based on big data

4 基于大数据的血液供应链管理研究主题分析

通过对第3节文献统计分析发现,基于大数据的血液供应链管理研究取得了一些研究成果,但目前的研究主题繁杂,有必要对这些文献进行更深入的系统梳理和回顾,以提取该领域研究的系统框架和科学问题。本部分对现有基于大数据的血液供应链管理研究进行主题分析。由于血液库存管理和分配管理往往融合在一起,故将血液库存管理和血液分配管理合并为一个专题,分为基于大数据的血液采集管理、血液库存和分配管理以及血液供应链网络设计3个专题回顾文献,每个专题中进一步梳理了子主题。对这些子主题述评时,重点分析文献中大数据的应用方式。

4.1 基于大数据的血液采集管理研究

血液供应依赖献血者献血,献血人群比例低、献血者流失严重是血液采集环节面临的管理难题。因此,基于血液采集环节大数据,研究不同特征献血者献血的客观规律,有针对性地宣传招募,对帮助血液中心增加献血者数量、减少献血者流失具有重要意义[29]。因此,本节梳理相关文献,根据“献血者细分-献血者招募-献血者保留”这一顺序给出3个子主题:①献血者分类;② 献血行为分析;③献血者保留。首先,通过献血者大数据对献血者细分,精准把握献血人群的特点;其次,根据献血人群特征结合献血行为大数据分析献血者行为规律和影响因素[30],帮助血站更高效地找到潜在献血者;最后,通过探究献血者保留,鼓励献血者进行重复献血,从而构建稳定的献血队伍。表4总结了每个子主题的重要文献以及大数据的应用方式。

表4 基于大数据的血液采集管理关键文献综述
Tab.4 Critical literature review on blood collection management based on big data

4.1.1 献血者分类 众多学者对献血者分类并进行特征分析[30-31]。Boenigk等[32]通过探索型因子分析和聚类,根据献血者偏好将2 062名城市献血者分为7类群体,包括热情型、生活便利型、事业型、事件型、高质量型、信息型和无兴趣型群体。Kasraian等[33]分析了4 200名重复献血者的特征,发现男性、中年和低学历献血者居多。Rafiee等[34]对比分析伊朗COVID-19 期间和往年同期的不同类别献血者特征,结果表明,首次献血者、女性、18～24岁和45～54 岁的献血者比例增加。Selvaraj等[35]通过机器学习方法将献血者二分类为返回献血者和流失献血者,年龄、性别、历史献血次数和献血量以及末次献血时间是被较多使用的特征值。Alkahtani等[36]收集了沙特3.5 万名献血者数据,用逻辑回归、随机森林和支持向量分类器等机器学习算法开发和评估模型。Kirci等[37]选取献血行为大数据,利用分类算法中的逻辑回归和朴素贝叶斯方法预测748名献血者是否在未来献血。一些学者研究不同特征献血者的采集策略[38-39]。Osorio等[40]研究献血者的最优采集方法分配问题,即献血者分为全血采集(采集全血后分离血液制品)和血液分离采集(直接采集血液制品),构建多目标随机整数线性规划模型,并收集献血者数据、供应和输血大数据进行案例研究以证明模型有效性。

4.1.2 献血行为分析 一些学者从宏观上统计分析了献血行为的规律与趋势。Guo等[41]利用南宁市历史供需大数据预测了不发生COVID-19 时的供应量并与实际值对比刻画血液变化的趋势。Rafiee等[34]对比分析了伊朗COVID-19 和往年同期的献血供应量变化。献血行为影响因素始终是血液采集管理研究的热点问题。Chen等[42]基于让渡价值理论,使用问卷量表数据与献血行为大数据关联匹配,全面分析了献血行为的影响因素,结果表明,人员价值和形象价值有正向影响,时间成本有负向影响。部分学者研究了社交媒体对献血行为的影响[43]。Aravindakshan等[44]通过数学模型研究付费媒体、自有媒体(YouTube和Facebook 的宣传)和赢得媒体(Facebook上的评论)投放量对当期献血量的影响,通过使用血液中心的每日献血大数据和广告成本数据进行验证,结果表明,付费媒体和赢得媒体对献血水平有正向影响,而YouTube 和Facebook的页面宣传并没有影响。Guo等[45]使用德阳市微信公众号后台数据结合献血行为大数据,利用多期DID 方法分析常态下和疫情下微信公众号对献血行为的影响,研究表明,关注微信公众号能提升献血量。部分学者研究客观条件对献血行为的影响。Merz等[46]通过多层次模型分析了献血点对献血行为的影响,数据集包括荷兰257个献血点的1 889名献血者,结果表明,地理位置和开放时间对献血者行为有影响。Lin等[47]利用213万条献血行为大数据和4年天气数据构建广义加性模型,研究了温度和降水对献血量的影响,当气温为18 ℃时,献血量最多,当日累计降水量达到200 mm 时,献血量最少。

4.1.3 献血者保留 部分学者用多种特征值预测献血者的保留。Kauten等[48]收集了6.3万名献血者的51个特征,通过多种机器学习方法预测献血者保留,结果表明,决策树是最优预测模型,献血者未来献血计划、血液中心与献血者的联系是最有影响力的特征值。Cloutier等[49]使用随机森林方法预测了8.2万名年轻献血者返回行为,发现年龄和不良反应也是重要的预测指标。部分学者研究激励措施对献血者保留的影响。Leipnitz等[50]通过对8万名献血者的对比实验研究了血液健康检查对献血者保留的作用,结果表明,提供全面的血液健康检查是一种可行且低成本的营销策略。Goette等[51]对1万名献血者进行了3个月的大规模现场试验和15个月的追踪期,研究了提供彩票对献血者返回献血的影响,结果表明,实验组比对照组的返回献血率高5.6%。一项对8 000名献血者进行的实验表明,献血者的用血反馈也是献血者保留的重要影响方式[52]。部分学者研究沟通方式对献血者保留的影响。Gemelli等[53]对2 600名献血者发送短信献血请求,12个月的追踪结果表明,收到短信的献血者返回献血的几率比为70.3%,高于对照组献血者群体的62.6%。同样地,一项针对54万名献血者的追踪结果表明,短信是比电子邮件更有效的沟通方式[54]。部分学者研究负面因素对献血者保留的影响[55]。Craig等[56]对1 370名献血者的等待时间计时,观察44个月后这些献血者的返回行为,得到了等待时间对献血者实际返回行为的影响,结果表明,等待时间每高于平均值一个标准差,献血者返回的可能性就降低6%,通过节约献血时间保留献血者。Jiang等[57]设计了一个献血同意书的电子签名流程,使平均确认时间减少26 min。Swanevelder等[58]对3 000名献血者进行追踪实验,研究感知风险因素与实际返回献血之间的联系。

4.2 基于大数据的血液库存与分配管理研究

合理的库存与分配管理是医疗与健康系统高效运作的重要保障。血液供应不可靠、需求随机异质和多库龄共存等复杂特质加剧了管理难度。大数据的迅猛发展冲击和重塑了血液库存及分配管理的决策过程和方式,从传统模型驱动决策范式逐渐转变为数据驱动决策范式。模型驱动的决策范式是指运用博弈论、最优化方法等理论和分析工具对理论模型进行求解和优化,通常基于模型信息假设构建模型。然而,模型信息常常是不完全可知的,管理者只能基于历史数据等有限的可用信息估计模型信息,对解决决策中的不确定性问题存在局限性。一是基于历史数据来估计模型信息非常困难;二是通过历史数据估计的模型信息不一定满足建模需要的某些特定条件;三是模型信息估计和决策优化过程互相分离,导致结果是次优的,降低了决策的质量和绩效。这些局限性使得血液库存及分配管理研究中的模型假设往往过于简化而不能真实反映血液的复杂特质。数据驱动的决策范式是伴随着大数据的发展和应用而逐渐产生的,通过大数据技术整合和提炼海量数据信息,对数据进行训练和拟合构建决策模型,挖掘数据背后所蕴含的价值,能有效克服模型驱动范式存在的局限性[59]。首先,不需要提前假定数据符合某种分布,从各环节产生的血液数据入手,直接跳过模型假设与分布拟合;其次,不需要设置变量与变量之间的因果和相关关系等假设条件,而是直接通过数据变化来研究特定变量关系以及关系强度;最后,模型信息估计和决策优化过程是紧密结合的,从数据本身出发,直接得到管理决策并应用于指导实践。因此,本节从模型驱动和数据驱动的分析角度,根据“预测血液需求-制定库存与分配策略”这一决策顺序梳理两个子主题:①需求预测;② 库存与分配策略。首先,血液中心预测未来一段时间内的用血量,然后基于需求预测制定血液库存策略,减少血液过期和报废,降低总成本。表5总结了每个子主题的重要文献以及大数据应用方式,并强调了研究的决策范式。

表5 基于大数据的库存与分配管理关键文献综述
Tab.5 Critical literature review on blood inventory and distribution management based on big data

4.2.1 需求预测 基于大数据的精准需求预测,一方面可以指导每日不同血型、不同成分血的最佳采集量;另一方面能够优化库存和科学分配血液,缩短需求响应时间,有效缓解甚至避免血液短缺和报废。大量学者采用模型驱动或数据驱动的方法进行需求预测[60],并通过误差[61-62]或血液短缺/过期评估预测性能[63]。在模型驱动相关文献中,时间序列模型[64-66]是最常用的血液需求预测方法。Moussa[67]提出一个基于位置分析的献血评估框架,收集不同地区62万名献血者和51万名需求者的数据,使用时间序列回归模型预测每个血型的短缺和浪费。移动平均模型也被较多使用,Lin等[68]利用每日血小板供应大数据拟合自回归移动平均模型预测需求量,利用数学规划模型确定血小板最优采集量并用仿真验证。还有一些学者对比或综合多种统计模型预测需求。Jiang等[69]使用多元线性回归模型、3种指数平滑模型、3种移动平均模型和支持向量回归等方法预测中国地震情境下的血液需求,结果表明,支持向量回归结果优于其他预测模型。Turkulainen等[70]提出一种自主预测血液需求的启发式方法,并使用芬兰和荷兰需求数据验证,发现启发式方法优于单一方法。部分学者采用数据驱动方法预测血液需求[71-73],如随机森林[74]、长短时记忆网络[75]、人工神经网络[76-79]和极限梯度提升算法[80]等。Twumasi等[81]对比了K-近邻、广义回归神经网络、神经网络自回归、多层感知器、极限学习机和长短时记忆网络等数据驱动模型,研究历史数据具有缺失值和异常值的血液需求预测问题,结果表明,K-近邻结果最好,而极限学习机数据回溯能力最高。还有少数学者对比模型驱动和数据驱动预测方法[82]。Schilling等[83]使用血小板出入库数据和81个临床特征数据预测血小板需求,对比统计模型和循环神经网络方法,结果表明,两种方法都能有效降低血小板过期率,人工神经网络绩效优于统计模型,但误差略高于统计模型。而Shih 等[84]的结果相反,通过台湾地区5年的血液供应数据预测,发现多种时间序列预测方法比人工神经网络结果更好。

4.2.2 库存与分配策略 血液库存及分配管理不善导致血液短缺和浪费[85-87],众多学者使用模型驱动方法研究血液最优库存量、订购量、分配量和转运量等库存策略[88-95],并基于真实数据验证模型。Sarhangian等[96]提出了一种基于阈值的血液分配策略,并根据出库库龄、短缺和报废比例评估该策略性能,基于加拿大医院血库数据的仿真结果表明,库龄从42天缩短至28天。Chen等[97]运用随机动态规划模型研究血液采集和血小板库存的联合决策问题,真实血小板需求和供应信息证明联合决策方式可以降低成本。Paul等[98]考虑血液中心和医院之间寄售合同(血液中心承担过期成本)和不退货合同(医院承担过期成本)对血液短缺和过期成本的影响,基于血小板订血量和库存量数据的研究结果表明,不退货合同应该被广泛采用。Valizadeh 等[99]基于博弈论理论提出一个随机规划模型,研究考虑医院地理位置的库存和转运策略问题,真实数据的案例研究表明模型降低了总成本。Sambeeck等[100]研究血液库存不足时血液代替量的决策问题,并基于荷兰血液供需的历史数据评估优化模型的性能。Lucas等[101]开发两种排序启发式方法研究考虑转运的最优血液订购策略,真实的血液供应数据测试了该方法的性能。一些学者使用数据驱动方法研究血液库存与分配策略[102-105]。Abbasi等[106]基于真实数据集,通过分类回归树、K-近邻、随机森林和人工神经网络等机器学习方法研究血小板转运问题。Li等[107]集成了极限梯度增强算法等机器学习和优化方法研究订血策略,通过每日需求、库存水平、损耗以及200余个临床变量的数据集开发需求预测模型,并基于此优化库存水平和订血量,该策略显著降低了成本。Abouee-Mehrizi等[108]考虑需求不确定和血液易逝性研究血小板订购策略,每个周期所需库存水平是一组观测特征的线性函数,其系数依靠历史数据和经验风险最小化方法直接获得,基于加拿大医院数据的真实案例证明了该方法能有效降低血小板短缺和报废。Dalalah等[109]考虑血小板随机需求和供应、多库龄共存等特质,通过模拟退火和仿真优化研究每日血小板订购量,利用科威特真实血小板供需数据模型进行验证。还有学者对比模型驱动和数据驱动两种方法。Yang等[14]基于报童问题研究血小板订购策略,利用成都血液中心和华西医院的血小板订购和需求数据,定量比较模型驱动(先拟合需求分布后优化)和数据驱动(直接处理需求数据得到订血量)两种方法,结果表明,数据驱动方法具有平均锚定效应,减少了血小板短缺和报废。

4.3 基于大数据的血液供应链网络设计研究

供应链网络设计是基于大数据的血液供应链管理中最热门的研究方向之一[110-111],指对献血点、血液中心和医院等主体的位置和容量合理规划[112-113],然后制定最优运输路线,有效增加血液采集量[114],扩大血液运输覆盖面[115-116],降低运输时间和成本[117],减少血液短缺或报废[118]。本部分探索基于大数据血液供应链网络设计研究,并总结出两个子主题:①网络节点选址;② 网络路线规划。表6总结了每个子主题的关键文献以及大数据的应用方式。

表6 基于大数据的血液供应链网络设计关键文献综述
Tab.6 Critical literature review on blood supply chain network design based on big data

4.3.1 网络节点选址 众多学者考虑不同因素研究血液供应链网络节点的选址问题[119-122]。Hsieh[123]考虑血液易逝性通过遗传算法研究血液中心位置及分配量,使用台湾地区血液中心的实际数据进行模型验证。Ramezanian等[124]考虑社会因素(广告、献血者到献血点距离、献血体验)提出一种混合整数线性规划模型,以设计包括献血者位置、献血点和血液中心的血液供应链网络,基于德黑兰真实地理数据案例证明了模型的有效性。Attari等[125]开发了一种基于随机规划、多选择目标规划和稳健优化的混合方法研究高献血量、正常献血量和低献血量3种场景下的供应链主体位置和数量决策问题,并通过真实地理位置数据的案例评估模型。Hosseini-Motlagh等[126]考虑质量、效率、差异化需求和风险控制,通过数据包络分析方法选择献血点位置,并采用真实血浆供应链地理位置数据、采集和分配大数据验证,结果表明,建立具有更大供需比的献血点成本更小。Ghahremani-Nahr等[127]考虑成本和碳排放的多目标设计采集点、血液检测实验室和库存中心位置,应用3种多目标决策方法求解,并使用伊朗21个城市的真实案例研究数据确定了帕累托边界。紧急情景下(如地震、COVID-19)的供应链网络选址也是诸多学者的重要研究方向[128-132]。Pouraliakbari-Mamaghani等[133]提出一种用于救灾的模糊鲁棒血液供应链网络多目标优化模型,通过定位设施和适当增加网络成本来减少患者的等待时间,一个基于伊朗地震的真实案例证明了模型的有效性。Larimi等[134]考虑一个两阶段随机稳健优化模型来优化定位采集中心和临时血液供应网络,保障在COVID-19等突发事件下的血液供应,并使用伊朗真实的地理信息系统数据、人口和医院数据验证模型的有效性。

4.3.2 网络路线规划 部分学者通过规划血液运输路线降低运输成本和运输时间。Zahiri等[135]提出一种双目标混合整数模型,综合血液制品的采集、生产/筛选、配送和路径规划,优化血液制品的总成本和新鲜度,并提出一种混合多目标自适应差分进化算法求解模型,一个实际案例验证了模型的适用性。Ghorashi等[136]提出多目标灰狼优化器的新型算法研究地震时的库存、分配路线和数量等决策问题,并应用伊朗真实案例验证模型。Hou等[137]提出了两阶段随机优化模型研究无人机运输血液问题,包括宏观层面的战略决策(路线规划等)和微观层面的运营决策(运输策略,电池充电可行性等),通过真实的血液需求数据进行案例研究,结果表明,该模型能有效降低成本并满足需求。Liu等[138]提出一个混合整数线性规划模型规划路线并确定最佳分配量,通过南京血液中心和医院的真实地理位置数据与血小板需求数据验证模型。Razavi等[139]提出一种基于多目标规划与遗传算法的混合算法设计灾难下医院设施的最佳位置、确定设施和运输的最佳能力以及输血路线,最大限度地降低总成本和短缺以及最大服务水平,并应用真实地理位置数据、灾难时间间隔数据验证。Rezaei等[140]提出一个双目标数学模型,用于确定灾难下无人机配送血液的路线,基于真实血液供需数据和地理位置数据的案例研究对模型进行了测试。Zheng等[141]考虑一对多和多对多两种血液分配模式下的路线规划问题和碳排放问题,应用血液中心和医院地理位置数据的案例研究结果表明,两种分配模式分别减少25.84%和29.59%的碳排放量,紧急情况下血液到达时间减少33.15%。

5 未来研究展望

通过梳理基于大数据的血液供应链管理相关文献发现,现有文献存在着血液供应链大数据使用不充分、大数据分析方法利用不足、血液供应链局部优化等局限性。陈国青等[142]针对管理决策情境下大数据驱动的研究方向提出了全景式PAGE 框架总结未来研究方向,包括理论范式(Paradigm)、分析技术(Analytics)、资源治理(Governance)和使能创新(Enabling)4个方面。在第4节专题分析的基础上进行总结和提炼,基于全景式PAGE 框架提出基于大数据的血液供应链管理PAGE 研究框架(见图8),结合纵向延伸和横向拓展两个维度提出这一领域的未来研究方向。

图8 基于大数据的血液供应链管理PAGE框架
Fig.8 The PAGE framework for blood supply chain management based on big data

在纵向维度,从多维数据关联使用到大数据分析技术方法的加强,从供应链单一环节问题研究到供应链协调/战略研究,从突破血液行业难题到赋能其他行业创新,逐步提升基于大数据的血液供应链管理。在横向维度,基于理论范式、分析技术、资源治理和使能创新4个方面,从基于大数据的血液采集管理、血液库存与分配管理和血液供应链网络设计3个方向提出未来研究方向。具体如下:

(1) 在理论范式研究方向上,加强血液供应链管理中多维大数据利用和数据之间关联的研究。例如,在血液采集管理方面,现有文献仅使用人口统计学数据、客观条件数据和献血行为数据研究变量的规律与关系,但献血者偏好和心理因素等特征变量也对献血行为有影响,故进一步利用多维大数据对献血者画像,制定献血者标签,能更精准地宣传招募献血者。在血液库存与分配管理方面,大部分文献仅使用全血和血小板供需数据,实际上,医院的血液需求类型繁多,如红细胞需求可进一步分为去白红细胞、去甘油红细胞等。此外,还需要血浆和冷沉淀等。由于库存与分配策略影响因素众多(如紧急用血、天气等),仅依靠供需数据决策是不全面的。要准确预测血液需求、制定最优库存与分配策略,更要充分利用多维多类型大数据,分析数据之间的相关关系。在血液供应链网络设计方面,大多文献仅使用地理位置数据,可以进一步分析和应用人流量、政府规划和路况等大数据,以指导血液供应链选址和路线规划。

(2) 在分析技术研究方向上,加强血液供应链管理大数据分析技术的使用,尤其是数据驱动决策范式的使用。在血液采集管理方面,现有文献基于统计分析和实证分析给出少数研究变量规律与关系,大数据分析技术可以全面分析影响献血行为的特征变量,并基于此指导采集策略,如根据献血行为的影响因素大数据预测每日不同血型献血者数量,进而制定最优采集策略。在血液库存与分配管理方面,模型驱动方法的强假设条件往往使模型假设过于简化,不能真实反映血液供应链的复杂特质,数据驱动决策范式利用大数据消除或放宽假设,从数据出发,直接得到管理决策并应用于指导实践,提高决策准确性和有效性,未来研究应多聚焦数据驱动决策范式探讨最优库存与分配策略。在血液供应链网络设计方面,现有文献多考虑不同因素设计血液供应链网络,大数据分析技术可以全面分析供应链网络设计的影响因素,并及时调整设施位置(如移动采血车)和路线。

(3) 在资源治理研究方向上,集成基于大数据的血液供应链战略和决策管理进行研究。血液供应链由献血者、血液中心和医院多主体共同协作向患者提供血液,要实现血液供应链管理高效低成本运作,必须基于大数据从全过程优化血液供应链管理。现有血液供应链管理文献多集中于采集、库存与分配和网络设计等单一方面,鲜有结合全过程的战略和决策研究。未来研究一方面要基于大数据集成血液供应链战略(如献血者和血液中心之间的关系管理、血液中心和医院的合同设计)和决策进行研究,另一方面要结合战略对供应链所有环节进行协调优化以得到各环节最优策略。

(4) 在使能创新研究方向上,利用血液供应链大数据,带动新模式和新机会的发现,促进血液行业的发展与价值创造。目前鲜有关于血液供应链管理使能创新的研究。未来研究可以发掘血液供应链大数据的使能创新,例如:在血液采集管理方面,通过对献血者每次献血的健康检测和血液质量分析等为献血者提供全程健康监测,及时发现献血者潜在疾病;在血液库存与分配管理方面,发生交通事故时预警血液需求的医院地点和需求量提前配送;在血液供应链网络设计方面,发现艾滋病、乙肝等存在血液传染疾病的献血者后,预警其在监控地域范围内后续献血行为,保障血液安全。

6 结语

目前大多数血液供应链相关综述论文多聚焦研究问题、方法、趋势和挑战等方面,缺少从数据应用角度探讨血液供应链管理的综述性研究。为全面把握基于大数据的血液供应链管理研究动态,首先,使用文献计量方法回顾116篇学术论文,并通过作者合作网络、关键词共现和引文等知识图谱可视化该领域的研究现状。其次,基于血液采集管理、血液库存与分配管理和血液供应链网络设计3个专题分析研究热点并总结大数据在这些研究中的应用方式。在血液采集管理方面,基于大数据的统计分析和实证分析对献血者分类,通过实证、建模-验证模型和训练-验证模型分析献血者行为,并通过实证、实验和训练-验证模型保留献血者。在血液库存与分配管理方面,基于大数据的模型驱动或数据驱动方法,通过建模-验证模型或训练-验证模型精准预测血液需求,由此制定血液库策略。在血液供应链网络设计方面,基于大数据通过建模-验证模型和训练-验证模型进行各节点的选址,再规划血液运输路线。最后,提出基于大数据的血液供应链管理PAGE 框架,并结合3个专题指出未来研究方向。在理论范式(P)研究方向上,加强血液供应链管理多维大数据的利用和数据之间关联研究;在分析技术(A)研究方向上,加强大数据分析技术的使用,尤其是数据驱动决策范式的使用;在资源治理(G)研究方向上,集成基于大数据的血液供应链战略和决策进行研究;在使能创新(E)研究方向上,利用血液供应链大数据,带动新模式和新机会的发现,促进血液行业发展与价值创造。研究成果有助于学界更准确地追踪和聚焦血液供应链管理中大数据的应用研究前沿和主题,为业界利用大数据管理血液供应链提供重要指导方向。