在突发事件背景下，所激发的物流需求集中在物流可视化、风险预知及供应链韧性三个方面。这三个方面是层层递进的，对于供应链来讲，首先应做到“看得清”，即对于物流状态的实时位置及发生情况可以实时感知，并人为加以判断及控制；其次应做到“管得住”，即对于可能发生的供应链风险，可以遵照可视化信息进行预测及预警，辅助人工进行决策，提高决策效率；最终应做到“做得好”，利用大数据、AI模型等，通过信息系统自动判断更优化的物流解决方案，提高供应链韧性。

1.物流可视化

物流可视化主要针对“看得清”的问题，其中主要分为物流状态、动态船期及物流轨迹三类可视化需求。

物流状态实时呈现。对于物流执行方来讲，供应链全程可视化应展示全部物流节点。如图1所示的船司可视化页面，仅包括提货地还重时间、始发港实际离港时间、目的港实际到港时间、卸货地预计可卸货时间等，已不满足当前物流执行方的需求。当前市场上大多采用DDP的模式签订运输协议，其关注的物流状态节点全面，从内陆港至目的地均需有物流节点的展示，这也是物流状态可视化解决方案的基本雏形。

图1 中远海运集装箱货物跟踪(物流可视化示例)

动态船期信息。船期属于计划类信息，影响整体物流订单的交付时效。动态船期是物流执行方所需要获取的重要可视化信息。当出现异常状况时，如塞港、航班改道、台风天气等，动态船期应能随着异常事件的演进做不同程度的变更，以供物流执行方感知物流的实时变化。表2给出了某船期的变动示例。信息系统根据船舶的实际状态计算其延误时间，并更新其后续船期，同时当船舶在航行过程中提前或按照原计划离港或到港时，则船期恢复为原船期。主要逻辑如下：

（1）若前序挂靠港有延误情况，则根据延误时长更新后序挂靠港船期；

（2）若后序挂靠港相较新船期仍出现延误，则根据延误时间累加更新后序挂靠港船期；

（3）若后序挂靠港相较新船期提前到达或离港，且提前时长≥延误时长，则船期恢复为船司船期；

（4）若后续挂靠港相较新船期提前到达或离港，且提前时长＜延误时长，则根据提前时间减少对应延误时间并更新后序挂靠港船期。

表2 某船期变动示例

物流轨迹。物流轨迹也是物流可视化的基本内容。在实际运输过程中，可以从该船舶轨迹的行驶路径大体判断船舶在行驶过程中的航行速度、是否短暂停留、是否在港口处有排队情况等，如图2所示。

图2 提单轨迹

2.风险预知

物流状态、动态船期、物流轨迹等的可视化是针对已经发生的事件进行的相对滞后的跟踪，对于物流决策的指导意义较小。通常来讲，从物流状态发生变更到用户接收到状态变更之间有时间差，这个时间差表明只有当事件“已发生”后，用户才可以“接收”。对用户来讲，对于物流突发事件的预知需求更加迫切，其主要解决物流过程中“管得住”的问题，分为状态预警、船期预警及轨迹预警等三类。

状态预警包括截止时间预警、时间间隔预警、状态变更预警。截止时间预警，即在某一关注的物流状态前N小时触发的“提醒类”预警，便于物流执行方知晓即将发生高关注度的物流状态；时间间隔预警，即某两个状态之间的间隔为固定时间，当时效差距高于阈值时即触发该类预警，以提醒物流执行方及时处理；状态变更预警，即某一状态已发生后，当其因某种原因发生变化时，需及时通知执行方进行后续处理。

船期预警主要为航期的时效变动预警。当船期的计划信息发生变更时需及时通知物流执行方，相较于船司的“到港”后更新，其更加精准，将根据船舶运输过程中遇到的事件进行船期变动的自计算与提前预警。

轨迹预警为当船舶的挂靠港及航线发生变化时触发的预警，由于该类事件将造成交付时间大幅增加，为整体物流过程中最值得关注的异常因素。

3.供应链韧性

供应链韧性即需要解决“做得好”的问题。针对供应链韧性，相较传统物流，智慧物流的出现提高了物流环节的智能化程度，提高了物流核心环节的运作效率，同时通过综合利用公路、铁路及海运等运输方式，实现全程贯通的联运集成[4]。根据文献研究表明，全程贯通的多式联运方式已经成为了供应链韧性大趋势下最为常见的供应链运作模式，因此，保障供应链韧性的方案主要集中于运输方式的切换与承运人的选择。

对于运输方式选择，当前应用最为广泛的是海铁联运。当发生如红海事件等影响海运交付时效事件时，物流执行方可掌握中欧班列运力以及时变更运输线路。运输方式的选择便需物流执行方有着极为强大的运力资源以保障自身的供应链不会因突发事件断裂。在“红海事件”的影响下，通过海运运输的时效平均延期24天，选择中欧班列则可以保障物流的交付时效，将整体物流交付时间缩短8至10天。如图3所示，为中欧班列的交付时效，采用不同的承运运力则可保障供应链韧性。

图3 中欧班列时效表

选择不同的承运人，也可以降低交付风险。以海运为例，由于船公司的优势线路不同将导致其航线不同、挂靠港不同。在面对突发事件时，不同的航线也成为了供应链韧性替代方案的决定性因素。如图4、图5所示，同样为远东至美东航线，不同的承运人拥有不同的运输线路，在“红海事件”影响下，达飞轮船的CBX航线风险则远低于中远海运的AEW5航线。

图4中远海运AWE5航线

图5 达飞轮船CBX航线

前文已分析了物流突发事件的需求，并依照需求明确了解决方案。目前市场上大部分物流执行方均采用事后分析，辅以风险决策的方式处理突发事件所造成的负面影响。因此，如何将解决方案由“后知后觉”变为“提前决策”便成为了抢占物流市场的先决条件。据文献表明，2022年我国物流业发展仍存在诸多问题，如个性化、高水平物流供给依然不足，全程一体化供应链服务难以满足需求[5]。

同时，随着ChatGPT等生成式技术的兴起，其对于供应链带来了技术性变革，通过AI智能化地进行数据抓取、信息处理、预警决策等任务[6]，为物流执行方提供准确的物流信息，提升其供应链运作的一体性与准确性，便于及时应对突发事件。针对需求，基于清华大模型GLM的应用与其在物流行业上的研讨，构思设计了物流行业的专属AI模型“智运小助”。

“智运小助”的应用主要集中于物流数据收集与处理、物流情况分析与流程自动化、物流运营决策与优化三个方面。

1.物流数据收集与处理

为提供最为清晰的物流可视化及预警，满足物流执行方的需求，首先需要对物流数据进行收集。“智运小助”通过EDI通道或API接口等方式从公开的信息网站上获取所需要的物流信息，如各船公司官网上公布的航线数据。对于部分未开放对接渠道的船公司，通过AI技术进行抓取，并与其他船公司的航线相结合，作为公共的船期数据进行展示。

“智运小助”还可以根据需求判断自身的数据抓取对象。如用户需要船期轨迹数据，“智运小助”将代替人工进入各船司网站，并依照关键词判断并收集相应船期轨迹数据存入模型，此时的船期轨迹数据为全量的冗余数据，“智运小助”将依靠算法对数据进行处理，如图形识别算法、文字识别算法等对船期轨迹数据进行分解并存储，通过数据处理后，将冗余数据清洗为标准数据供后期使用，在最终的数据处理中将依照需求对船期轨迹数据进行整合展示，同时逐步学习并拆分成处理模块，提升后续的处理速度。如图6所示即为“智运小助”对数据的处理流程概述。

图6 “智运小助”数据处理流程

由于“智运小助”模拟人工的快速数据整合，其对船司网站更新的时效是高度敏感的，当船司对其数据进行更新时，“智运小助”将以其最新数据作为基准，重新计算并优化，相较于人工判断，AI收集具备了高度可复用性及快速处理等诸多优势。

2.物流情况分析与流程自动化

在上一节中已经简要介绍了AI技术在数据收集及处理方面的应用，该方面的应用尚未涉及物流方面专业性，可复制拓展至其他行业，在本节中将主要针对“智运小助”在物流行业的应用进行深入分析，主要为AI对物流情况的分析及AI流式处理。

当前AI技术在物流行业的应用大多集中于仓储自动化，以低成本高速率保障库存作业的稳定高效[7]，但针对物流突发事件，“智运小助”将主要集中应用于根据大批量数据的处理结果进行分析并提供决策，从万千种方案中根据算法优化出最佳的选择，以供决策。在能提出最优决策之前，对物流情况进行分析，并根据分析情况进行流式处理是辅助决策AI的发展前身。

图7“智运小助”判断突发事件的影响算法

以红海事件为例，当红海事件发生时，“智运小助”可根据事件进行流式处理：

（1）判定其影响范围集中于红海海域；

（2）以历史数据作为基础分析可能被该事件影响的航线、港口；

（3）针对物流订单进行分类，可依照物流订单的离港及到港状态将其分为“在途订单”与“计划订单”；

（4）针对“在途订单”，根据其船舶位置及运单轨迹明确当前订单的风险。如已进入地中海，则判定改订单安全，该订单所属船舶的全量订单均处于安全状态；如目前正处于红海海域，则该订单有极高的风险遭遇袭击，处于高危状态；

（5）将高危船舶上的其他订单同时标记为订单高危；

（6）触发船舶位置自动获取功能，每5min获取一次所属船舶的船舶位置；

（7）根据船舶位置判断船舶的行驶状态及可能触发的风险；

（8）将判断结果及建议告知物流执行方。

这便是一类AI接收到异常事件时的快速流式处理逻辑，该类流式处理逻辑将发挥AI的多种特性，以替代人类将繁杂的数据进行分析并分类处理。

3.物流运营决策与优化

“智运小助”根据自动化处理，提供了相应的分类数据，为提升应用效能，将探索其在物流运营决策与优化中的效用。由于当前企业的物流决策一般靠人工收集的相关数据，决策资料的完整性、可靠性与准确性较差，无法及时适应市场环境[8]。在前两中已经解决了决策资料收集的问题，将在本节中讨论以AI技术代替人工进行多种物流方案的选择、比较及优化。

图8 自动流式处理(高危订单)

以订舱需求为例，“智运小助”会根据历史数据判断近期订舱最多的船公司并提供不同的航线对比，同时后台会对同船司不同航线进行分析，并提供决策建议，这是基于历史的物流承运商交付要求模拟的决策辅助数据。

当需更换船公司时，“智运小助”也会对比不同船司的相同港到港航线判断最具有时间优势的航线及挂靠港最少的航线，并给出最优推荐。这些物流运营决策将辅助物流执行方在订舱时应对上游客户的交付时效做出最合理的订舱选择，如图9即为“智运小助”模拟的多船司航线对比，以辅助订舱人员根据实际需求做出最佳决策。

图9“智运小助”判断突发事件的影响算法

针对物流突发事件，“智运小助”将根据事件影响范围进行判断对数据进行二次优化并给出辅助决策方案，以红海事件为例，“智运小助”将以海域作为筛选条件对航线进行划分，所有经过红海海域的航线将重点展示以供物流执行方进行筛选并隐藏，“智运小助”自身也将提供相同港到港物流路径下的低风险航线。

如图10的多船司对比模型中，能较清晰地看到“智运小助”针对红海事件的处理算法，其优先针对各船司航线中涉及Red Sea的航线进行标注，将其标记为“不可用”，同时将持续使用船公司数据进行优化处理，以不经停红海的线路替代经过红海的线路，并再给出优化后的推荐，其中阳明海运无匹配的航线，因此将给出“Do not choice”的决策建议。

图10“智运小助”多船司航线处理

在实际物流运输过程中，更加精确的AI决策建议将能快速提升企业的供应链韧性能力，并辅助企业依照AI决策进行快速修正，其高度依赖“智运小助”的可用度及学习速度。全面的AI决策能使企业在突发事件情况下依靠AI模型的决策建议做出最适合本公司的物流决策。

经过前述需求及解决方案的探讨，物流突发事件背后的大量数据及决策需求可以充分融入物流AI模型中，物流AI模型在突发情况下的数据处理及运算能力是物流执行方所需要的，该能力的搭建有助于物流执行方更好地提供物流增值服务并提升物流竞争力。

本文第四部分已经针对需求侧及解决方案侧的AI模型（“智运小助”）应用做了实例分析，AI模型在物流突发事件上的应用大体如图11所示，AI模型的关键在于大量的数据积累，由需求引导，汇集了多方数据源并进行数据处理、运算以及模型的搭建，AI模型一方面进行需求的切片，一方面同步进行数据处理，根据算法进行数据与需求的关联，基于用户偏好形成自动处理机制以及自动决策建议，辅助用户更好地完成物流突发事件下的异常情况应对。

图11 AI模型全景视图

综上所述，AI模型在整体物流行业的应用仍有广阔的发展前景，本文仅针对物流突发事件下的AI模型应用实例进行分析，AI模型的大数据量应用也可同步拓展至物流行业的其他场景。

AI模型将对整体物流业态的数字化转型及重塑起到推动作用，是物流执行方后续对物流精细化运营的助推剂。