题目：Simulated Global Empty Containers Repositioning Using Agent-Based Modelling

全球空箱调运，使用ABM，模拟退火方法。Netlogo 的地理信息系统（GIS）扩展便于地理空间数据处理，允许动态模拟全球海运路线和集装箱船舶运动

摘要

由于全球集装箱流动不断增多，伴随经济繁荣、贸易不平衡以及空箱相关问题变得不可避免。在特定港口堆积的空箱不仅无法盈利，还会增加环境足迹。本研究提出了一个海洋空箱调运建模框架，通过整合基于代理的建模（ABM）范式来模拟全球空箱的运动。开发了一个基于代理的海洋物流空箱再分配模型，以帮助规划期内最小化空箱调运的总相关成本。在系统中，港口、班轮公司、客户和空箱被识别为关键代理。使用模拟退火（SA），航运线代理能够优化空箱调运，以确定移动空箱的最佳顺序。该模型应用于亚洲-中东地区，以模拟该地区的全球空箱调运。结果比较显示，所提出的优化空箱调运框架可以显著降低航运线的成本，并充分利用空箱。

1 introduction

由于全球贸易的不稳定性，海运业面临着日益动荡、快速变化和不确定的情况。自20世纪60年代末采用集装箱以来，变革的主要驱动力之一就是集装箱的使用[1]。多年来，由于全球化和新市场的扩张，海运供应链变得更加复杂[2]。运输链的演变和利益相关者之间的高度竞争对成本管理造成了压力，这促使港口和班轮公司重新思考其在物流过程中的目标。它们对整个海运运输链的成功至关重要，旨在降低总成本并实现更多利润[3,4,5,6,7]。近年来，航运业在集装箱分配方面遭受了相当大的低效率，这主要受到贸易不平衡、长时间的重新定位和不可靠的商业预测的影响[8,9]。航运业持续的贸易不平衡及其负面影响给所有海运利益相关者带来了额外的压力，迫使他们就空箱重新定位做出艰难的决定[10]。同时，由于全球物流活动的相互依赖性，许多操作随时间发生显著变化，这使得情况比以往任何时候都更加令人痛苦。

目前，空箱管理对于最大化利润、利用率和客户满意度至关重要[14]。通过应用各种模型，研究人员调查了优化或模拟启发式方法是否能够改善分配性能[15]。集装箱的移动和海运路线在港口的优化已经在文献中得到了广泛研究[5,16–21]。这两种方法在经济和运筹学文献中都受到了极大的关注。尽管如此，尽管结合优化和模拟可能为评估空集装箱的不同定位政策的适用性提供了良好的方法，但结合优化和模拟的方法却鲜有关注。正如报告项目(PRISMA)[22]所指出的，由于讨论这种方法的作者数量有限，尤其是将ABM动态模拟（Agent-based Modelling）方法与先进的优化算法相结合，存在显著的研究空白。同时，关于空箱调运问题已经发表了许多学术论文[13,22,23]，但文献在班轮公司方面缺乏详细的真实数据。

2. Literature Review

全球海运集装箱调运是一个复杂的系统。它包括大量参与者，每个参与者都有自己的行为。全球空箱调运过程从集装箱到达、处理操作、运输，直到将空集装箱释放给客户为止。各参与者之间的互动增加了调运的复杂性[24]。参与者之间的互动塑造了班轮公司的总体行为。由于重复操作数量众多，单个参数值的变化，虽然在个体基础上只会引起微小的变化，可能会导致班轮公司决策的巨大转变[25]。

ABM 是最受欢迎的分析具有涌现系统属性的系统和模拟工具之一，这些属性不能通过大量交互的智能体和聚合方法推导出来[26–29]。此外，它还被用来测试集体或个体自主智能体的行为和交互[30,31]。符合系统方法，ABM 负责研究智能体的个体行为及其对整个系统的影响。此外，研究人员为每个智能体设置交互规则和参数；他们可以修改特定规则以测试智能体行为差异[32]。最近，许多行业使用ABM 来测试其业务相关的无数情况。这是一种非常有效的方法来研究偶然行为以及宏观和微观层面效应的交互。特别是，ABM 可以用来检验在微观层面发生的多个过程如何导致在宏观层面明显的大规模动态和社会规范[32]。

在供应链和运输领域，ABM 已被认定是开发某些决策流程最有效的方法之一[33]。这项技术可以为集装箱供应链的数字化增加价值，因为它可以帮助利益相关者最小化成本并提高利润[34]。据我们所知，应用 ABM 工具解决空集装箱运输问题的研究方法数量有限[35,36]。因此，本研究提出使用ABM 来克服先前文献中缺乏使用这种方法的问题。模型的有效性通过海运部门的案例研究进行了测试。特别是，选择了一家班轮公司（shipping line）作为研究对象，因为它正成为海运经济中的关键实体，这得益于全球范围内交换货物量的持续增长。

为了开发一个优化-模拟模型，ABM 可以被认为适用于全球海运物流问题[33,37,38] 。由于航运系统是一个复杂的物流网络，使用 ABM 来解决空箱调运问题是非常合适的。ABM 能够自然地、灵活地表示系统，是全球海运物流问题一个有前景的替代方案[37]。它具有动态特性，包括大量的实体，每个实体都试图最大化其利润。此外，它允许设计智能体以类似于真实系统的方式行动，而不会对智能体之间的交互施加不必要的限制[38]。

通过使用这种方法来解决空集装箱问题，可以在相对较短的时间内以较低的成本和风险尝试各种设计方案的组合。这种方法有能力修改设计方案以产生期望的输出，而不是在实际系统上制定新的设计方案而不验证其输出[39,40]。因此，本研究合理尝试使用 ABM 方法来模拟全球空集装箱调运系统的动态，以寻找最优解决方案。然后，将使用模拟退火这种优化方法来优化调运策略，因为问题的实例太大[25]。为了实现这些目标，研究提出了以下假设：

• H1: 通过优化调运策略，可以减少空集装箱的额外成本和环境足迹。
• H2: 选择适当的调运策略可以影响空集装箱的周转率。
• H3: 通过应用适当的调运策略，有可能提高集装箱的利用率。

本文将通过证实/否定上述假设，增进我们对当前管理空集装箱的调运策略的理解。它还将有助于阐明实施调运活动所涉及的所有困难，通过展示班轮公司如何改善其性能。以下部分通过整合 ABM 范式，展示了所提出的空集装箱调运框架。

3 Methodology

3.1. Model Framework

正如图1所示，空箱调运过程始于将重箱交付给余箱港。客户卸载货物，并将其返回到空箱场站中存储，以备不时之需。当空箱返回时，通常会有一个快速的视觉检查。根据集装箱的状况，它可能需要送去维修或保养，或者仅需在堆场进行清洗后即可释放给其他客户。当缺箱地区的新的客户向班轮公司请求空箱时，班轮公司会检查其过剩仓库中的空箱库存，并订购所需数量的空箱。客户可以订购任意数量的集装箱，班轮公司将根据可用性提供。请求的集装箱总数可以根据船舶容量通过一艘或多艘船从过剩港口运往缺口地区，因为优先考虑的是满载集装箱（舱位优先分配给重箱，空箱仅能利用剩余舱容运输） 。在空箱到达后，班轮公司根据客户的预订情况将集装箱释放给客户，并通过卡车或任何其他内陆运输方式将其运送到客户的场地。同时，客户向班轮公司支付约定的运费。 注尽管这一循环包括风险和成本，但班轮公司可以通过这个过程获得更多的收入，而不是在余箱港等待订单时支付空箱的仓储成本。实际上，班轮公司通常将空集装箱的运输视为一种必要的麻烦。

这个过程是CH形式

• CY-SD (Door) 表示航运公司负责拖车；
• CY-CY 表示客户自提，需要预测。
• 承运人拖车 (Carrier Haulage, CH)：航运公司安排拖车送货上门。
• 货主自拖 (Merchant Haulage, MH)：客户在港口把重箱提走，自己找车拉走，过几天把空箱还回来。

3.2. Agent Attributes and Actions

为了定义影响系统目标的实体或智能体（entities or agnets），并理解处理系统的总体描述是必要的。应该考虑确定每个智能体中存在的属性，因为每个智能体都有多种属性。正如图2所示，本研究涉及航运业模拟的集装箱运输管理，

其中航运公司、港口、客户和空码头（empty terminals）是航运调运周期中的四个主要参与者，它们相互作用以协同优化空箱的调配与流动[13]。除上述利益相关方外，模型中还包含两类核心物理实体：

• 集装箱：作为主要作业资产，用于货物的装载、运输与卸载；
• 船舶：作为空箱与重箱运输的核心载体，负责在不同节点间转运集装箱。

归根结底，准确刻画各利益相关方之间的相互依赖与交互关系 [26]，是理解该复杂系统的关键。其个体层面的局部规则、目标与约束，共同驱动了系统层面的涌现现象，如箱源失衡、调箱成本波动及服务水平变化等。

• 船公司（Shipping Line）
  船公司在需求规划阶段统筹调度其运营资源，以满足客户对空箱的需求。其调运过程的核心目标是：减少空箱闲置——依据客户需求、港口间距离、运输成本及船舶舱位利用率等要素，将空箱从富余港口调配至短缺港口，从而提升运营效率并实现利润最大化。

• 港口（Ports）
  港口作为关键的物理与物流节点，是船公司、客户与堆场之间的衔接枢纽，承担货物装卸与集装箱中转功能；同时也是集装箱运输循环的起点与终点——完成一趟运输任务后，集装箱返回港口以承接新任务。港口作业效能（如船舶周转时间、吞吐能力）主要受以下容量因素影响：

  • 泊位数量
  • 劳动力规模与作业效率
  • 进出港船舶及集装箱数量

• 客户（Customers）
  客户（通常为出口商或货运代理）一般提前数周向船公司提交空箱申请。每份申请需明确：

  • 预计提箱/起运日期
  • 提箱地点（装货港）
  • 目的港（卸货港）
    船公司依据箱源与舱位可得性对订单进行处理与确认。

• 空箱堆场（Empty Container Terminals, ECTs）
  此类设施由船公司自营或通过外包合同运营，用于接收、检验、清洁与维护返还的空箱。堆场可设于港口主作业区内，亦可布局于内陆地区（即“内陆集装箱堆场”，ICDs），以增强区域覆盖、缓解港口拥堵。作为专业化、安全的仓储节点，空箱堆场提供关键增值服务（如维修、安全合格证/CSC更新、出箱前检验等），有效应对港口瓶颈与堆存空间不足问题。

• 航运公司：它利用其资源在需求规划阶段满足客户对空集装箱的需求。其调运过程的主要目标是减少空集装箱的存在，通过根据客户需求、距离和成本将空集装箱从过剩港口发送到赤字港口，以赚取更多利润。
• 港口：是连接其他参与者进行装载、卸载和搬运货物的链条。港口是集装箱移动的起点和终点。在完成当前任务后，集装箱会返回这里以接受新任务。港口的性能受到港口泊位数量、工人数量以及到达/离开的集装箱和船舶数量的影响。
• 客户：通常，客户会在数周前向航运公司发送对空集装箱的请求。接收客户需求，包括开始日期、起点和终点，以便根据可用性正确执行请求。
• 空码头：由航运公司所有或根据合同运营，用于存储空箱。它可能位于集装箱码头内，与整体港口设施一起，也可能位于内陆作为内陆集装箱仓库。这些码头是安全设施，为集装箱航运公司提供基本必要的服务，并解决瓶颈和存储问题。

考虑一个由航运公司 $i\in I,i=1$ 组成的航运服务系统。它在各利益相关方之间交换吞吐量数据并做出调箱决策方面发挥着关键作用。该航运公司的网络包含一支船队（$l\in L,l=1,...,N_l$）、一批集装箱，以及一组港口（$k=1,2,...,6,7,...,10$），这些港口可能是短缺港（defP）或富余港（surP）。航运公司从大量客户 $j\in J,j=1,...,N_j$ 处收到对空箱的需求（TDemand）。他们力求满足其中大部分需求（TIntake）。因此，航运公司的物流团队会核查港口处可用的空箱数量（TEmpty）以及已抵达的空箱总供应量（TSupply）。航运公司的利润（TProfit）来源于客户为每个空箱支付的运费（CUnit），而非承担空箱在港口产生的存储费用（CEmpty）。 本模型的目标函数是最小化总调箱成本，该成本包括三类：搬运成本（CHandle）、滞留/存储成本（CIdled）和运输成本（CTravel）。因此，目标函数可描述如下：
术语说明（便于理解与后续建模）：

• TDemand：总需求量（客户请求的空箱数）
• TIntake：实际接收/满足的需求量
• TEmpty：港口当前可用空箱库存
• TSupply：新到港空箱供应总量
• TProfit：通过收取运费获得的净收益（避免支付存储费）
• CHandle / CIdled / CTravel：分别对应操作、闲置、运输三类成本

3.3. Optimisation: Simulated Annealing (SA)

本研究采用模拟退火（Simulated Annealing, SA）算法，使船公司智能体能够优化空箱调运调度方案，实现总利润最大化。SA是一种随机性全局优化算法 [41, 42]，其搜索过程引入随机扰动，以有效探索复杂的解空间。与多数确定性局部搜索算法不同（后者在面对非线性目标函数时常表现不佳），SA尤其适用于此类非凸、多峰的复杂优化问题。 SA与随机爬山法类似，通过迭代修改单一候选解并在其邻域内搜索，逐步逼近局部最优。但其关键优势在于：以一定概率接受劣解作为当前解。在搜索初期，该接受概率较高，有利于广泛探索；随后依据预设的“退火降温”策略，概率逐步降低。这一机制使SA能够：

1. 首先定位包含全局最优解的潜在区域；
2. 有效跳出局部最优陷阱；
3. 最终精细“爬坡”，收敛至全局最优解本身 [41]。

图3 展示了模拟退火（SA）优化的过程。该循环始于客户 $C_j$ 向船公司 $S$ 请求空箱 $C{O}_j$，用于装载货物并从港口 $P_i$ 运往港口 $P_j$。根据客户需求 $TDemand$，船公司 $S$ 会从富余堆场 $P$（其状态 $CStatus=1$）向短缺区域 $P$（其状态 $CStatus=-1$）调运空箱 $TSupply$。

客户可订购任意数量的集装箱，记为集合 {CO1,CO2,...,COM}\{CO_1, CO_2, ..., CO_M\}{CO1​,CO2​,...,COM​}；船公司 $S$ 将根据可用性提供相应数量的集装箱，记为 {CC1,CC2,...,CCM}\{CC_1, CC_2, ..., CC_M\}{CC1​,CC2​,...,CCM​}。每个港口所分配的初步集装箱数量 $C{C}_j$ 由可能产生的利润决定——模型初始时以随机数量的 $C{C}_j$ 开始，此时运输成本较高、利润较低。

随后，模拟退火算法在所有客户之间重新分配集装箱，逐步降低总成本并提高总利润。经过多次迭代运行后，系统找到最优解，并最终确认各港口的分配数量 {CC1,CC2,...,CCM}\{CC_1, CC_2, ..., CC_M\}{CC1​,CC2​,...,CCM​}。此后，船公司 $S$ 将按确认数量向各港口发送空箱。一旦集装箱抵达，客户将支付租赁费用 $(CBuni{t}_j\times TIntak{e}_j)$。

• $C_j$：第 j 个客户
• $C{O}_j$：客户 j 所请求的空箱编号或数量
• $TDemand$：总需求量
• $TSupply$：实际调运供应量
• $CStatus=1/-1$：港口状态标识（1=富余，-1=短缺）
• $C{C}_j$：分配给客户 j 的实际集装箱数量
• $CBuni{t}_j$：客户 j 每个集装箱的单位租金
• $TIntak{e}_j$：客户 j 实际获得的集装箱数量（即满足的需求量）
  

4. Model Implementation and Data Inputs

管理这样一个复杂的问题随后需要新的建模方法；一个高效的模拟工具应该被用来以清晰直观的方式阐明概念。所提出的海运空集装箱调运建模框架是使用‘Netlogo 6.2.2’模拟平台实施的。Netlogo 是由 Wilensky 在 1999 年开发的最著名的基于代理的编程平台，用于模拟自然和社会现象[43]。它特别适合于模拟复杂系统并分析基本实体的行为与由它们互动产生的宏观层面模式之间的联系[44]。Netlogo 的地理信息系统（GIS）扩展便于地理空间数据处理，允许动态模拟全球海运路线和集装箱船舶运动。该模型使用 GIS 形状文件和 CSV 作为输入来生成港口、航运公司、客户和集装箱智能体。

图4 展示了所构建模型的界面：黄色线条代表海上航线，红色圆点代表港口，白色船只代表船舶。
模型启动后，重箱（已装载货物的集装箱）会持续向目的港移动，抵达后即从模拟中消失。与此同时，空箱开始通过航运路线从富余港口调运至短缺港口，以期平衡集装箱流动、缩短空箱闲置时间。

该模型使用四个图表监控关键指标：港口空箱订单、订单确认情况及集装箱短缺状况。其中，“船公司利润”图表用于监控产生的利润，“集装箱利用率”图表则用于监控空箱的使用效率。此外，还添加了若干滑块/开关，以便在模型启动时或运行过程中动态调整智能体的行为策略。

4.2. Scope of Model Implementation

如图5所示，空箱调运可分为三个层级 [45]。

• 全球级调运（Global Repositioning）：通过将空箱从富余地区转移至短缺地区，以缓解跨洋贸易失衡问题。港口在此过程中扮演“门户”角色。
• 区域间调运（Interregional Repositioning）：指集装箱通过多式联运铁路或近海航运，在广阔地理区域内进行移动，主要关注内陆堆场与港口之间的连接。
• 区域级调运（Regional Repositioning）：主要涉及同一都市圈或区域内，多式联运枢纽、空箱堆场与主要货运配送集群之间的短距离转运操作。
  
  鉴于区域级调运过程的复杂性（常涉及公路–铁路–驳船等多式联运组合），本研究聚焦于区域间至全球层级的空箱调运问题——该层级以海运为主导，决策逻辑相对清晰且数据可得性更高。

为在保证仿真合理性的同时控制复杂度，本研究构建了一个包含10个分布于不同国家的港口的简化网络（见图2），各港口通过主要航线相互连接。在区域间层级上，港口充当内陆空箱的集散枢纽，接收来自腹地堆场的返还空箱。随后，空箱可按两种策略调往短缺港口：

• (a) 随机调运（基准策略）：依随机顺序分配；
• (b) 优化调运（实验策略）：采用模拟退火算法求解最优分配方案，以实现总利润最大化。

本研究通过对比两种策略在总成本、订单满足率与净利润等关键指标上的表现，评估优化策略的竞争优势。港口选择依据真实贸易流向失衡特征（见表2）：

• 短缺港口（净出口港，空箱需求高）：上海、新加坡、巴生港、宁波
• 富余港口（净进口港，空箱积压）：吉达、乌姆盖斯尔、巴林（BHKBS）、卡塔尔（QAHMD）、杰贝阿里
• 枢纽港：达曼港——作为船公司统一协调空箱集并、船舶调度的核心节点。
  

4.3 Data Inputs

为简化模拟，本研究选取了分布于不同国家的十个港口，并展示了连接各港口的航线：上海、新加坡、巴生港和宁波作为短缺港口；吉达、乌姆盖斯尔、巴林（BHKBS）、哈马德港（QAHMD）和杰贝阿里作为富余港口（见表2）。达曼港被设定为枢纽港，即船公司总部所在地。达曼港从周边富余港口接收空箱，再通过调度将空箱分发至各短缺港口。未被及时调运的空箱将在达曼港暂存，并收取相应的堆存费用。

在模拟设置中，每艘集装箱船的容量设定为 20,000 TEU，每个港口的客户数量（参数名：num-customer-each-port）设定为 5 ——这意味着每个港口有五家货运公司向位于萨达姆（SADAM）的船公司订购空箱。

模拟周期设定为 365天，自 2020年8月1日 开始。（数据来源：Samarakoon, M., 个人访谈，2021年10月11日）

表3 列出了不同港口之间的需求量、供应量及相关成本（以美元计）。在模拟过程中，短缺港口的客户会按既定频率提交空箱请求；而富余港口则会按既定频率将其多余的空箱发送至达曼港。模型会将已分配空箱的比例保存为 CSV 格式文件。

仿真结果

以下是您提供段落的专业润色与精准中文翻译，适用于学术论文或研究报告：

---

✅ Revised English Version

In this study, a sensitivity analysis was conducted to evaluate the robustness and practical significance of the simulation results. Given the large-scale nature of the shipping industry, even marginal reductions in empty container movements can yield substantial economic and operational benefits.

Specifically, the overall impact on the global container shipping industry was estimated by computing the performance differential between the two repositioning strategies: optimized vs. random.

To rigorously test the effectiveness of the proposed model, a user-interactive “Optimize?” button was implemented in the simulation interface. This feature enables direct comparison of outcomes under both strategies:

• The optimized strategy employs the Simulated Annealing (SA) algorithm to allocate empty containers to customers in each region—considering key factors such as potential profit, customer demand, and inter-port distance.
• In contrast, the random repositioning strategy assigns containers using a first-come-first-served (FCFS) approach, resulting in unstructured, non-optimal distribution without regard to cost or profitability.

Figure 6 illustrates the performance metrics under the random strategy:

• Ordered Containers (CO)
• Confirmed Orders (CC)
• Container Shortfall (CS)
  for each port. Results indicate that, on average, only 30%–50% of requested containers were confirmed per port. All four deficit ports consistently exhibited high levels of unmet demand (i.e., persistent deficits).

Figure 7 presents the results under the optimized strategy. Notably:

• Shanghai and Ningbo achieved significantly higher order fulfillment rates compared to Singapore and Malaysia.
• Nearly all orders from Ningbo were successfully fulfilled.
• Shanghai’s confirmed orders exceeded its deficit level, indicating near-full coverage of demand.
• Conversely, Singapore and Malaysia experienced markedly lower confirmation rates — suggesting that optimization prioritized high-profit/low-cost routes, potentially at the expense of less profitable regions.

---

📘 中文翻译

本研究进行了敏感性分析，以评估模拟结果的稳健性及其实际意义。鉴于航运业规模庞大，即使小幅减少空箱调运量，也可能带来显著的经济与运营效益。具体而言，通过计算两种策略（优化策略 vs 随机策略）之间的性能差异，估算了该模型对全球集装箱航运业的整体影响。为严格检验所提模型的有效性，研究在仿真界面中增设了一个交互式按钮——“是否优化？”（Optimize?），便于直观对比两种策略下的运行结果：

• 优化策略采用模拟退火算法（SA），综合考虑潜在利润、客户需求及港口距离等因素，为各区域客户智能分配空箱；
• 随机策略则基于“先到先得”原则进行无序分配，不考虑成本或收益最大化，导致资源错配。

图6 展示了在随机策略下各港口的关键指标：

• 已订空箱数量（CO）
• 已确认订单数量（CC）
• 空箱缺口（CS）
  结果显示，平均每个港口仅能确认其订购量的30%至50%，四个短缺港口均持续面临高比例的未满足需求。
  

图7 展示了优化策略的应用效果。值得注意的是：

• 上海与宁波港的订单确认率显著高于新加坡与马来西亚港；
• 宁波港几乎全部订单得到满足；
• 上海港的确认量已超过其缺口水平，表明需求基本被覆盖；
• 相反，新加坡与马来西亚港的订单确认率明显偏低——这反映出优化算法倾向于优先保障高利润或低成本航线，可能牺牲了部分低收益地区的服务覆盖率。
  

仿真结果显示，新加坡港收到的空箱订单量最高，其次是上海港。然而，在优化调运策略下，新加坡港的订单确认率却显著低于其在随机策略下的表现，也远低于其他港口的确认水平。

值得注意的是，从枢纽港 SADAM 到新加坡的海运距离明显短于到上海或宁波——这表明，在优化模型中，地理距离本身并非决定性因素。

虽然所有港口的装箱费用相同，但运往新加坡（SGSIN）和马来西亚（MYPKG）的海运费比运往宁波（CNNGB）和上海（CNSHA）便宜20美元/箱（见表3）。然而，卸货费、装卸费（LOLO）、内陆运输费、扫描费及报关清关成本在上海与宁波港远低于新加坡与马来西亚港。

由于客户支付的集装箱使用租金相同，将空箱调往上海和宁波可获得更高的净利润，尽管其海运成本更高。这也解释了为何优化算法优先选择 CNSHA 和 CNNGB：综合落地成本效率优于单纯追求运输距离或基础运费节省。

现实中，新加坡港（SGSIN）和马来西亚港（MYPKG）因地处全球海运物流网络的核心枢纽位置，其空箱短缺风险相对较低。即便缺乏专项调箱安排，它们也能便捷地从周边港口快速获取空箱资源。

相比之下，上海港（CNSHA）与宁波港（CNNGB）则更易面临空箱短缺，主要原因有二：

地理区位相对偏远（如远离主要中转枢纽，难以共享跨船公司箱源）；
出口货量极大，导致本地空箱库存被迅速消耗殆尽。
因此，采用基于优化算法的空箱调运策略（如本研究提出的模拟退火方法），可显著缓解上海、宁波等港口以及全球其他高需求、区位劣势港口的空箱短缺问题，从而提升全球集装箱供应链的韧性与服务公平性。

5.1

6 Discussion

本研究方向最初源于该模型的构想，旨在验证其概念并确认其效益。根据研究结果，已证实所提出的模型为全球经济，尤其是海运业带来了多项普遍性益处。该模型足以验证三项假设，并进一步改善空箱调运。

根据文献[46]，空箱调运成本高昂，约占船公司总支出的20%–25%。空箱调运需要额外的装卸与运输操作，并占用本可用于装载重箱、创造收入的船舶舱位。因此，船公司自然倾向于采用可减轻财务负担的策略。然而，研究结果明确显示：实施优化的空箱调运策略可在最大程度上消除相关成本，并为船公司创造更多收益。所提出的模型向各国各港口全面呈现其空箱库存、需求、成本及堆存空间等信息，使决策者能够选择最具盈利性的方案。此外，当将优化调运策略视为一种解决方案时，其不仅能节约成本，还可降低对环境的影响。

根据文献[47]，空箱在堆场存储期间易受盐蚀和腐蚀，从而缩短其使用寿命。被广泛引用的研究[12]指出，集装箱运输网络的规模及决策时间框架对集装箱全生命周期内的利用率具有更显著的积极影响。因此，本模型尝试通过减少空箱在堆场的闲置时间来应对该问题。模型实施后取得的一项积极成果体现为：空箱等待时间缩短，集装箱使用率提高。事实上，采用优化策略时集装箱利用率上升，反之则下降。因此，假设的验证达成共识，确认了该模型的价值，这也成为本研究有效性的一个关键依据。

卓越客户满意度最重要的属性之一是快速响应能力[48]。因此，与客户保持良好关系以确保未来订单，比为降低成本而拒单更为重要。在海运业中，及时匹配供需极具挑战性，因其必须在各个层面实现匹配：地点、具体时间、目的港、设备类型及客户特定要求[49]。因此，快速向客户提供空箱不仅可确保需求满足，还能提升企业整体绩效。本模型通过增强供应链灵活性来应对该问题，从而有助于消除为选择空箱而产生的漫长交付周期，并提供广泛的富余/短缺区域信息——因模型整合了船公司及所有港口的完整信息。结果显示，随机策略在空箱供应响应时间上略优于优化策略，但与优化策略通过精准定位高潜力短缺区域所带来的收益相比，该时间差异微不足道。因此，船公司更倾向于将空箱调运至经优化选定的区域，这比随机调运更具竞争力。

尽管只要存在贸易失衡，空箱调运问题就无法完全避免，但高效的空箱分配可使船公司摆脱在船舶舱位、卡车运输、商务谈判及无休止邮件往来等方面的行政负担。此外，实施该模型所带来的积极成果，使船公司及整个海运业得以降低航速，减少燃料消耗；因此，空箱调运对环境的不利影响亦随之减少[16]。

总之，所提出的空箱调运管理模型可在多个层面助力海运业显著改善国际贸易：
第一，资本性支出（即用于维护固定资产的资金）。资本性支出越低，对船公司越有利。
第二，资源消耗——本研究中体现为集装箱与船舶的使用。该模型具有积极作用，因全球所有运输链均可借此降低库存水平与安全库存量；减少资源消耗将提升可持续性。
第三，堆场存储成本与码头场地占用；降低此类要素意味着船公司可获得更充裕的存储空间，并支付更低费用。

7. 结论与未来工作

海运活动彼此相互依存，并直接或间接地相互影响。集装箱管理将改善整个物流与运输链条，包括空箱调配。通过避免集装箱短缺或过度积压，集装箱管理可优化整个航运系统的运行绩效。

基于对优化-仿真模型的对比分析，可得出以下结论：
• 调运影响显著：空箱数量越少（即闲置越少），累计净利润越高。优化的调运策略可通过提高空箱周转率，增强盈利能力。
• 采用本研究所提出的优化策略，可在集装箱全生命周期内实现利用率最大化；从可持续发展角度看，减少空箱调运还可降低环境影响，如二氧化碳排放、交通拥堵及燃料消耗。
• 随机策略仅在接到订单后即行调运空箱，未考虑成本、利润或利用率——即在无调运策略情况下运作。

研究表明，仿真优化正日益成为所有海运利益相关方（尤其是船公司）的有效工具，并为运输链中各港口提供增值方案。尽管上述积极成果对单个集装箱而言差异有限，但考虑到行业年集装箱吞吐量之巨及整体规模之大，其累积效应极为可观。本研究的积极结果彰显出利用该优化-仿真模型解决空箱调运问题的潜力与价值。研究假设已通过结果得到验证；但未来研究可通过进一步提升模型性能而获益。为简化问题，本文构建了一个半封闭系统：仅针对一家船公司、有限数量的港口及客户。

全球海运物流网络包含数千家船公司、港口、用户及其他实体。若本研究用于后续拓展，建议开展更多船公司间及多港口间的对比研究，以获得更具稳健性的结论。当前模型已纳入装卸与运输成本，但未来研究还应考虑其他因素，例如时间成本、空箱堆场位置、仓储规划及船期安排等。为更贴近现实预测能力，作者建议扩展本研究，纳入更多参数。

参考文献

• https://hub.baai.ac.cn/view/36619
• Agent Based Modelling and Simulation tools: A review of the state-of-art software
• NetLogo官网：https://www.intro-to-abm.com/
• AI+ABM：https://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247685265&idx=1&sn=a7883223ecb7faf597b3a390fe65b28d&chksm=e8994e1cdfeec70a30a5e8d7c8d5ce38793b5fb117d9c94da3ca5c4561a81e387b68ffe6478b&scene=21#wechat_redirect
• 《An Introduction to Agent-Based Modeling》

文献拓展

• An, L., Grimm, V., Sullivan, A., Turner II, B. L., Malleson, N., et al. (2021). Challenges, tasks, and opportunities in modeling agent-based complex systems. Ecological Modelling, 457, 109685 文章探讨了基于多主体建模（ABM）在复杂系统研究中面临的挑战、任务及机遇，为该领域的发展方向提供了系统性思考。
• Bonabeau, E. (2002). Agent-based modeling: Methods and techniques for simulating human systems. Proceedings of the National Academy of Sciences, 99(suppl 3), 7280–7287 文章介绍了基于主体建模在模拟人类系统中的方法与技术，强调其在理解社会复杂行为中的应用价值。
• Edmonds, B., Le Page, C., Bithell, M., Chattoe-Brown, E., Grimm, V., et al. (2019). Different modelling purposes. Journal of Artificial Societies and Social Simulation, 22(3), 6 文章分析了不同建模目的的差异，为研究者根据具体需求选择和设计模型提供了理论框架。
• Collins, A., Koehler, M., & Lynch, C. (2024). Methods that support the validation of agent-based models: An overview and discussion. Journal of Artificial Societies and Social Simulation, 27(1), 11 文章综述了支持 ABM 验证的方法，讨论了模型有效性验证的关键技术与挑战。
• Gao, C., Lan, X., Li, N., Yuan, Y., Ding, J., et al. (2024). Large language models empowered agent-based modeling and simulation: A survey and perspectives. Humanities and Social Sciences Communications, 11(1) 文章探讨大语言模型（LLMs）赋能 ABM 的研究现状与未来方向，并分析其在复杂系统模拟中的应用潜力
• Larooij, M., & Törnberg, P. (2025). Do large language models solve the problems of agent-based modeling? A critical review of generative social simulations. arXiv. https://doi.org/10.48550/arXiv.2504.03274文章批判性审视 LLMs 是否解决了 ABM 的固有问题，对生成式社会模拟的局限性与发展路径进行反思。
• Lu, Y., Aleta, A., Du, C., Shi, L., & Moreno, Y. (2024). LLMs and generative agent-based models for complex systems research. Physics of Life Reviews, 51 文章结合 LLMs 与生成式 ABM，探讨其在复杂系统研究中的创新应用及对科学发现的推动作用。
• Macal, C. M. (2016). Everything you need to know about agent-based modelling and simulation. Journal of Simulation, 10(2), 144–156. 文章全面介绍 ABM 的核心概念、方法及应用场景，为初学者提供入门级的系统指南。
• Sun, Z., Lorscheid, I., Millington, J. D., Lauf, S., Magliocca, N. R., et al. (2016). Simple or complicated agent-based models? A complicated issue. Environmental Modelling & Software, 86, 文章讨论 ABM 设计中 “简单” 与 “复杂” 的权衡问题，分析模型复杂度对模拟结果的影响及实际应用策略。
• Zhu, C., Cheng, Y., Zhang, J., Qiu, Y., Xia, S., et al. (2024). Generative Organizational Behavior Simulation using Large Language Model based Autonomous Agents: A Holacracy Perspective. arXiv. https://doi.org/10.48550/arXiv.2408.11826文章从全员自治组织模式（Holacracy）视角出发，探索基于 LLMs 的自主主体在组织行为生成式模拟中的应用