基于BP神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的供應(yīng)鏈風險評價研究

王新利

（黑龍江八一農(nóng)墾大學經(jīng)濟管理學院，黑龍江 大慶163319）

一、引言

隨著供應(yīng)鏈節(jié)點風險事件的逐漸增多，供應(yīng)鏈風險一旦出現(xiàn)，就會對整個供應(yīng)鏈系統(tǒng)產(chǎn)生巨大影響，并波及供應(yīng)鏈上下游企業(yè)，“三鹿奶粉事件”就是一個典型的例證。因此，供應(yīng)鏈風險管理逐漸被學術(shù)界和產(chǎn)業(yè)界所重視。由于供應(yīng)鏈風險管理屬于較新的領(lǐng)域，相關(guān)文獻及風險評價模型較少。歸納起來，具有代表性的方法主要有遺傳算法、[1]模糊因素分析法、[2]人工智能推理分析法、[3]條件風險價值法（Conditional Value at Risk，CVAR）、[4]供應(yīng)鏈運作參考模型（Supply-Chain Operations Reference Model，SCOR）。[5]對現(xiàn)有文獻的研究發(fā)現(xiàn)，由于現(xiàn)有供應(yīng)鏈評價模型未能很好地將定性分析與定量分析相結(jié)合，所得到的分析結(jié)果往往與實際不相吻合，具有一定的局限性。[6]因為供應(yīng)鏈風險由多個風險復(fù)合構(gòu)成，且各種風險產(chǎn)生的根源并不相同，采用單一方法很難對風險進行準確的計量和預(yù)評估。為更加準確地計量供應(yīng)鏈風險，使分析結(jié)果貼近實際，在定量分析的基礎(chǔ)上加入定性分析，可能是一種行之有效的方法。為此，可利用供應(yīng)鏈風險指標體系建立基于BP神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)模型來計量評估供應(yīng)鏈風險。

二、供應(yīng)鏈風險的界定與指標體系的建立

1.供應(yīng)鏈風險的界定

截至目前，對于風險的定義，尚無統(tǒng)一的說法。在衡量供應(yīng)鏈風險時可采用多數(shù)企業(yè)理解的風險概念，即將風險視為違紀，是能給企業(yè)帶來損失的一種情況。供應(yīng)鏈風險是特定領(lǐng)域的風險，指供應(yīng)鏈企業(yè)在運營過程中，因參與主體眾多以及跨地域、跨環(huán)節(jié)的特點，使其容易受到來自供應(yīng)鏈外部和內(nèi)部各種不利因素的影響，致使供應(yīng)鏈企業(yè)實際收益與預(yù)期收益存在偏差的可能性。[7]可見，供應(yīng)鏈風險主要來自兩個方面：一是來源于供應(yīng)鏈相關(guān)領(lǐng)域的行業(yè)風險；二是來源于企業(yè)本身的經(jīng)營風險。[8]為更好地確定風險，從商業(yè)活動層面對供應(yīng)鏈風險評價指標進行選取很有意義。

2.供應(yīng)鏈風險指標的選取

（1）供應(yīng)鏈行業(yè)風險。供應(yīng)鏈行業(yè)風險指某一供應(yīng)鏈內(nèi)與經(jīng)營相關(guān)的風險，主要包括三類：一是生命周期階段風險。因不同生命周期階段對供應(yīng)鏈影響不同而給供應(yīng)鏈帶來的風險。二是波動性風險。供應(yīng)鏈可分為波動性供應(yīng)鏈和非波動性供應(yīng)鏈兩類，波動性供應(yīng)鏈所涉及的行業(yè)具有較大的不穩(wěn)定性，其計劃協(xié)調(diào)更加困難。三是集中程度風險。企業(yè)集中程度不同，其供應(yīng)鏈風險不同，在一個供應(yīng)鏈中處于主導地位的企業(yè)集中程度越高，所面臨的供應(yīng)鏈風險越小。而那些依附于集中程度高的企業(yè)的寄生企業(yè)，主要是為主導企業(yè)服務(wù)的，其集中程度很小，供應(yīng)鏈風險很大。

（2）供應(yīng)鏈經(jīng)營風險。供應(yīng)鏈經(jīng)營風險是供應(yīng)鏈上各個企業(yè)因戰(zhàn)略不當、資源不足、經(jīng)濟環(huán)境或競爭環(huán)境變化不能達到預(yù)期經(jīng)營目標而產(chǎn)生的風險。供應(yīng)鏈風險主要由九個方面的風險構(gòu)成：一是價格風險，包括利率風險、匯率風險、商品價格風險、股票價格風險；二是政治風險；三是操作風險，包括人力資源風險、技術(shù)風險、外部依賴風險、過程風險和外包風險；四是項目風險；五是信用風險；六是產(chǎn)品風險；七是流動性風險；八是環(huán)境風險；九是法律風險。

3.指標體系的構(gòu)建及指標值的選取

根據(jù)上述分析，可以得出供應(yīng)鏈風險評價指標體系（表1），并將之分為兩類，即定性評價指標和定量評價指標。

定性評價指標的量化可采用德爾菲法，通過專家調(diào)查問卷評估供應(yīng)鏈各節(jié)點企業(yè)某一指標對供應(yīng)鏈風險的影響程度。在本模型中進行如下假定，如果某評價指標對企業(yè)風險的影響為正，即可減少供應(yīng)鏈風險，則評價值設(shè)為1；如果為負，即此指標對供應(yīng)鏈會產(chǎn)生不利影響，則評價值設(shè)為0；如果此指標與供應(yīng)鏈風險無關(guān)，則評價值設(shè)為0.5。

定量評價指標本身是可以量化的，這些指標數(shù)據(jù)可以通過不同的渠道獲得。

三、基于BP神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)的構(gòu)建

供應(yīng)鏈風險指標體系中不僅存在可以量化的指標，還存在基于專家評估得到的非量化指標，而且這些指標之間的關(guān)系及評價結(jié)果為非線性相關(guān)，因此很難對供應(yīng)鏈節(jié)點風險進行較為準確的評價。為此，神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的供應(yīng)鏈風險評價模型以BP算法（即誤差反向傳播算法，是一種神經(jīng)網(wǎng)絡(luò)學習算法）為依據(jù)，按有導師學習方式進行訓練，即利用神經(jīng)網(wǎng)絡(luò)并行結(jié)構(gòu)與并行處理的特點，將通過傳統(tǒng)計算機得到的信息存入神經(jīng)網(wǎng)絡(luò)的各個神經(jīng)元。當需要評價供應(yīng)鏈風險時，給出網(wǎng)絡(luò)輸入，它便從已經(jīng)存入網(wǎng)絡(luò)的幾十種數(shù)據(jù)中尋找與之相配比的信息，并將各專家的觀點進行容錯處理，最終得到一個較為精確的結(jié)果。也就是神經(jīng)網(wǎng)絡(luò)通過輸入值與期望輸出值的比較，根據(jù)兩者之間的差的函數(shù)來調(diào)整神經(jīng)網(wǎng)絡(luò)各層的連接權(quán)值和各個神經(jīng)元的閾值，最終使誤差函數(shù)達到最小。其調(diào)整過程由后向前進行，稱為誤差反向傳播BP算法。[9]

1.基于BP思想的專家系統(tǒng)

基于BP神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)與傳統(tǒng)專家系統(tǒng)相比特點如下：

（1）由于經(jīng)濟活動中有很多知識不能用完全數(shù)學方程表達，即使用條件概率密度表達也存在一定困難，如果機械地將經(jīng)濟管理問題套入明顯的規(guī)則當中就會導致結(jié)果的畸變。而基于BP神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)，只需對形成某種決策或作出某種判斷具有足夠的經(jīng)驗（訓練對）即可，可憑借網(wǎng)絡(luò)的自我學習能力將專家的經(jīng)驗自動存儲到權(quán)矩陣中。

（2）現(xiàn)實活動中規(guī)則數(shù)量相當多，指標體系中各因素相互影響，利用傳統(tǒng)專家系統(tǒng)難以進行推理，加之知識庫中規(guī)則太多，容易導致傳統(tǒng)專家系統(tǒng)中推理的前后矛盾，因為傳統(tǒng)專家系統(tǒng)缺乏自我學習的能力。而BP神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)具有很好的自我耦合能力，可以通過訓練對的不斷增加，提高自我學習能力。

2.基于BP算法的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的結(jié)構(gòu)設(shè)計

（1）輸入層。供應(yīng)鏈風險評價專家系統(tǒng)的網(wǎng)絡(luò)輸入包括影響供應(yīng)鏈風險的15項參數(shù)（見表1），因此輸入層的節(jié)點數(shù)為15。對于評判標準，可采用等差數(shù)列計分法（見表2），即若干熟悉此領(lǐng)域的專家根據(jù)自己的經(jīng)驗就各參數(shù)對供應(yīng)鏈風險的影響程度進行打分。

（2）隱含層。當前學術(shù)界尚無比較權(quán)威的方法對隱含層節(jié)點個數(shù)進行準確界定，較為有效的經(jīng)驗是不斷對網(wǎng)絡(luò)進行訓練，通過誤差分析來逐步增減隱含層的神經(jīng)元數(shù)目，直至得到滿意的性能。[10]本文中BP神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)目的確定采用幾何金字塔算法（Geometric Pyramid Rule），即從輸入層到輸出層的神經(jīng)元數(shù)目逐漸減少，呈金字塔結(jié)構(gòu)（見圖1）。若輸入層和輸出層神經(jīng)元數(shù)目分別為n和m，則隱含層神經(jīng)元數(shù)目為

（3）輸出層。輸出層節(jié)點數(shù)設(shè)為 3，分別用 y1、y2、y3表示供應(yīng)鏈風險高、風險不詳、風險低三種情況（見表3）。

3.基于BP神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的供應(yīng)鏈風險評價具體步驟

表1 供應(yīng)鏈風險指標評價體系表

表2 供應(yīng)鏈風險專家評價表

表3 神經(jīng)網(wǎng)絡(luò)輸出評價矩陣

圖1 幾何金字塔算法結(jié)構(gòu)圖

步驟1：初始化神經(jīng)網(wǎng)絡(luò)權(quán)值并給定隨機的權(quán)矩陣W、學習信號φ。在三層BP神經(jīng)網(wǎng)絡(luò)中，權(quán)值共分為兩個部分：一部分為輸入層到隱含層的連接權(quán)值vij；另一部分是隱含層到輸出層的連接權(quán)值wjk。其中，i、j、k分別代表輸入層、隱含層、輸出層神經(jīng)元節(jié)點。

步驟2：確定訓練樣本，即給出n個訓練函數(shù)（X1，T1）…（Xp，Tp）…（Xn，Tn）。對于每一個輸入學習樣本，輸入向量Xp是專家根據(jù)供應(yīng)鏈風險指標評價體系表并結(jié)合自己經(jīng)驗給出的客觀評價。這些指標以量化的形式給出。

步驟3：將輸入樣本向量Xp代入BP神經(jīng)網(wǎng)絡(luò)，計算yj=f（Wj，Xp）。其中，Wj代表W矩陣的第j行，f（·）為轉(zhuǎn)移函數(shù)（Transfer Function）。

步驟6：如果誤差不滿足預(yù)期，則返回第2步，向網(wǎng)絡(luò)遞加一個模式對，直到n個模式對循環(huán)一遍，再進行第6步。若E

步驟7：經(jīng)過網(wǎng)絡(luò)訓練，最后網(wǎng)絡(luò)達到穩(wěn)定。向經(jīng)過訓練的神經(jīng)網(wǎng)絡(luò)輸入專家評價向量Xn+1，得到網(wǎng)絡(luò)輸出值Tn+1，從而得出待分析供應(yīng)鏈的風險等級。

步驟8：供應(yīng)鏈風險等級評估結(jié)果出來之后，由輸出層開始對網(wǎng)絡(luò)權(quán)值wjk和vij進行逐層分析。若要分析輸出層節(jié)點k的影響因素，首先在網(wǎng)絡(luò)權(quán)值wjk中查找凈輸入較大的值，判斷出影響輸出層節(jié)點k的隱含層節(jié)點j。然后，在網(wǎng)絡(luò)權(quán)值vij中查找凈輸入較大的值，判斷出影響隱含層節(jié)點j的輸入層節(jié)點i。最終，經(jīng)過鏈條分析，找到輸出層節(jié)點k的主要影響因素（即供應(yīng)鏈風險的主要影響因素），實施供應(yīng)鏈風險管理。

4.應(yīng)用試驗

在研究中，課題組根據(jù)設(shè)計好的調(diào)查問卷，首先邀請15位專家在4個不同的時點，對影響乳品供應(yīng)鏈的15項參數(shù)進行分析，并對照供應(yīng)鏈風險專家評價表（表2）進行評價打分，得到60組評價值。同時，判斷該供應(yīng)鏈風險情況，獲得輸入向量（xi1，xi2，…，xij，…，xi15）和輸出向量（T1，T2，…，Ti，…，T15）。其中，i=1，2，…，60；j=1，2，…，15。然后，將專家打分結(jié)果作為學習樣本代入該網(wǎng)絡(luò)模型進行訓練，最終達到穩(wěn)定。試驗?zāi)康脑谟趯⒒贐P神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的供應(yīng)鏈風險評價結(jié)果與專家評價結(jié)果進行對比，最終證明BP神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在供應(yīng)鏈風險評價中的有效性。

基于BP神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的供應(yīng)鏈風險評價模型的結(jié)構(gòu)，可假定輸入層、隱含層、輸出層所對應(yīng)的節(jié)點個數(shù)分別為15、8、3（見圖2）。其中，初始網(wǎng)絡(luò)權(quán)值為隨機取值，學習信號φ=0.005。在60組專家評價值中隨機提取50組作為訓練樣本，其余10組作為檢驗樣本。利用BP神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)對50組樣本進行訓練，待網(wǎng)絡(luò)收斂達到穩(wěn)定后，把10組檢驗樣本代入訓練好的網(wǎng)絡(luò)，得到實際輸出值，并與期望輸出值進行對比分析。試驗結(jié)果見表4。

圖2 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)拓片

表4 網(wǎng)絡(luò)輸出結(jié)果與期望結(jié)果比較

從實驗結(jié)果可以看出，BP神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)對供應(yīng)鏈風險高低的評價結(jié)果與期望結(jié)果（專家實際評價結(jié)果）非常接近，而對風險程度不祥的評價結(jié)果與期望結(jié)果相差較大。這是由于所選指標不能很好地解釋所選取的供應(yīng)鏈，有經(jīng)驗的專家和財務(wù)工作者也不能判斷出供應(yīng)鏈風險的高低，因此對風險程度不詳?shù)脑\斷率很低。

在BP神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)達到穩(wěn)定后，對網(wǎng)絡(luò)權(quán)值進行提取，以便通過分析網(wǎng)絡(luò)權(quán)值，提取影響供應(yīng)鏈風險的主要因素，為進行相應(yīng)的供應(yīng)鏈風險管理提供依據(jù)。圖2僅畫出了對風險較高情況具有重要意義（指影響程度大）的權(quán)值，其他權(quán)值沒有畫出。由圖2可見，隱含層節(jié)點1和節(jié)點2的輸出對作出該診斷起著決定性作用，因為只有這兩個隱含層節(jié)點與輸出層節(jié)點1的連接權(quán)值為正數(shù)，其余均為負數(shù)。圖2還表明，輸入層節(jié)點1、節(jié)點2、節(jié)點3、節(jié)點4對隱含層節(jié)點2影響很大。這就告訴我們，節(jié)點1、節(jié)點2、節(jié)點3、節(jié)點4所代表的情況與參數(shù)是評價供應(yīng)鏈風險高低的主要依據(jù)。這與各位專家的認識是一致的。拓片還表明，影響供應(yīng)鏈風險判斷的因素在網(wǎng)絡(luò)中很復(fù)雜，而且相互交叉、相互依存。但通過BP神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)權(quán)值分析，人們不難從權(quán)值的大小和正負來分析其對評價結(jié)果最終的影響程度，這也是傳統(tǒng)專家系統(tǒng)與單一神經(jīng)網(wǎng)絡(luò)無法做到的。

四、結(jié)論

基于BP神經(jīng)網(wǎng)絡(luò)理論與專家系統(tǒng)思想建立供應(yīng)鏈風險評價模型，利用BP神經(jīng)網(wǎng)絡(luò)的自學習特征，在訓練過程中對權(quán)值進行不斷修正，使網(wǎng)絡(luò)實際輸出向量逐漸接近期望輸出值，最后通過算例對神經(jīng)網(wǎng)絡(luò)權(quán)矩陣進行分析，不但能利用專家系統(tǒng)判斷出供應(yīng)鏈風險的高低，還可通過權(quán)矩陣分析出影響供應(yīng)鏈風險的主要因素。因此我們可以得到結(jié)論：基于BP神經(jīng)網(wǎng)絡(luò)建立的專家系統(tǒng)風險模型，能對供應(yīng)鏈風險作出較為準確的評價。因此可以推斷，BP神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在供應(yīng)鏈風險研究及應(yīng)用中具有較大的發(fā)展?jié)摿Α?/p>

＊本文系國家自然科學基金“大宗農(nóng)產(chǎn)品供應(yīng)鏈協(xié)作定價繼承機制理論與模型研究”（項目編號：70672117）的研究成果之一。

[1]賈燕，王潤孝，楊波.基于遺傳算法的供應(yīng)鏈中風險問題的研究[J].中國機械工程，2001（1）：90-93.

[2]丁偉東.供應(yīng)鏈風險研究[J].中國安全科學學報，2003（4）：64-66.

[3]付玉.基于案例推理的供應(yīng)鏈風險估計方法[J].預(yù)測，2005（1）：56-58.

[4]吳軍，汪壽陽.CVAR與供應(yīng)鏈的風險管理[C].中國運籌學會第七屆學術(shù)交流會論文集，2004：152-158.

[5]馬林.基于SCOR模型的供應(yīng)鏈風險識別評估與一體化管理研究[D].杭州：浙江大學博士論文，2005：126-130.

[6]A.Paulo，E.Ferreira，C.Coelho，L.S.Pereira.Drought Class Transition Analysis Through Markov and Log Linear Models，An Approach to Early Warning[J].Agricultural Water Management，2005，77（1-3）：70-91.

[7]劉永勝，王燕.基于供應(yīng)鏈管理的企業(yè)物流風險預(yù)警機制研究[J].經(jīng)濟問題，2009（9）：78-80.

[8]中國會計師協(xié)會.公司戰(zhàn)略與風險管理[M].北京：經(jīng)濟科學出版社，2008：214-218.

[9]王文成.神經(jīng)網(wǎng)絡(luò)及其在汽車工程中的應(yīng)用[M].北京：北京理工大學出版社，1998：65-83.

[10]Zedeh A G，et al.Neural-Network-Based Fuzzy Logic Control and Decision System[J].IEEE Transactions on Computers，1991，40（12）：1320-1336.