面向主动最优控制的多层次需求驱动供应链模型：来自 COVID-19 研究的启示

及时且有效的决策在流行病期间至关重要，以减少可预防的感染和死亡。这需要集成模型，同时捕获疾病动力学、疫苗分配、区域差异以及行为反应。然而，大多数现有方法将疾病预测与物流规划分离，阻碍了具有适应性和区域响应性的干预。我们提出一种新型流行病学-优化框架，联合建模疾病进程和多尺度疫苗供应链。该模型包含随时间和空间变化的有效感染率，以反映区域政策和行为动力学。它通过两种表述支持跨空间尺度的协调、数据驱动决策：一种基于 Gini 指数的多目标模型，一种基于背包问题的模型利用区域脆弱性指标提高可操作性。为解决计算复杂度，我们设计两种可扩展的启发式分解算法，灵感来自 Benders 分解。该模型使用美国的 COVID-19 数据验证。我们引入基于 SARIMA 的预测作为验证流行病-优化模型在数据受限情况下的新方法。结果表明，我们的方法在六个月内可prevent 超过 200 万感染和 3 万例死亡，同时显著改善了底特律地区疫苗可及性。我们的框架表明，将公平性和疾病动力学与疫苗物流集成可产生优于传统单发政策的更好结果。公平通过优先考虑最易受影响人群在长期内提高整体效率，导致更好的公共卫生结果。该模型为政策制定者提供了一个可扩展且操作相关的工具，以强化准备并确保更有效、更公平的流行病响应。