資源和環境約束下的共同物流運作風險SVM預測模型

周 敏，黃福華

(1．中南大學交通運輸工程學院，湖南 長沙 410075;2．湖南商學院工商管理學院，湖南 長沙 410205)

一、文獻綜述

資源和環境是經濟社會可持續發展的兩大基礎性要件和有力保障。我國是人口大國，也是資源消耗大國，近年來的“粗放式”發展模式嚴重超過了資源和環境的承載力，資源和環境正成為經濟社會下一輪發展的重要瓶頸［1］。隨著經濟持續增長和城市化進程快速推進，人民生活水平日益提高，連鎖超市、電視及網絡購物等新型流通業態不斷涌現，整個社會對物流服務規模和質量提出了更高的要求。從日本、德國等發達國家的發展經驗來看，共同物流是提升物流效率、降低物流運作負面影響的有效方法之一。共同物流是經過長期發展和演變而形成的，是一種追求物流規?；透咝实南冗M物流形式，對提高貨車裝載率、降低物流成本、緩解交通擁擠等方面具有重要意義［2］。

在資源和環境約束下，共同物流涉及主體多、運作環節多、各成員之間關系復雜，存在著較大的運作風險。國內外學者對共同物流的研究主要集中在共同物流內涵、運作形式、合作收益分配等方面［3］［4］，現有文獻對共同物流運作風險研究以定性研究為主。關于風險評估的方法主要包括AHP 法、Fuzzy 法、OCTAVE 法、CORAS 法、PRA 法、ANN 法、綜合分析法等［6］［7］［8］［9］［10］［11］，從定性或定量角度對物流企業進行風險評估。

定性分析無法給出風險的定量度量值，難以真實度量風險大小。現有的定量評估方法雖能對風險進行定量評估，但實施過于煩瑣，而且數據需要人工整理，容易出錯，不適應共同物流動態變化的特點。為提高共同物流運作風險評估的可信性和可操作性，本文提出基于支持向量機(support vector machine，SVM)的共同物流運作風險評估模型，并對共同物流運作風險進行科學預測。

二、資源和環境約束下的共同物流運作風險評價指標

本文采用模糊綜合評價法，將定性與定量相結合，通過量化決策者的經驗判斷，使模糊概念具體化;解決結構復雜且缺乏數據的共同物流風險預測問題，相應得到的數學結果又能通過一定的方法轉為語言描述，客觀有效地描述指標體系反映的性質，有利于考察指標對最終風險的影響程度［12］。綜合前人研究成果，本文將共同物流運作風險影響因素歸納成15項評價指標，以對共同物流運作風險水平進行評估:(1)合作伙伴能力風險;(2)質量風險;(3)道德信用風險;(4)物流與庫存控制風險;(5)內耗風險;(6)信息傳遞風險;(7)信息技術與安全風險;(8)約束風險;(9)庫存風險;(10)柔性風險;(11)價格波動風險;(12)政策與法律風險;(13)需求不確定性風險;(14)自然災害風險;(15)社會環境風險。我們將可以量化的指標歸一化處理，將不能量化的指標劃分為5個級別——高、較高、一般、較低和低，其對應值分別為0.9、0.7、0.5、0.3、0.1。采用多位專家打分取平均的方法獲得原始值，并進行歸一化處理。假設總共有樣本M個，每一個樣本的每一個風險指標由N位專家打分，第m個樣本的第i個指標平均得分Pm，i為:

其中，Sij表示第j個專家對第i個指標打分的分值。我們把15個風險指標轉化成1×15維行向量，即

三、SVM工作機理與共同物流風險預測步驟

(一)SVM基本原理

20世紀70年代末期，Vapnik等提出了一種新的神經網絡——支持向量機。支持向量機通過某種事先選擇的非線性映像 (核函數)將輸入向量映像到一個高維特征空間，在這個空間中構造最優分類超平面。

圖1中的圓圈和正方形分別代表兩類樣本，利用SVM方法將兩類樣本分開的基本思想就是尋找一條最優分類線H:wx+b=0(w為權變量)，從而把樣本分為兩部分，在H1、H2上的黑色樣本為支持向量(SV，Support Vector)。將這一原理推廣到高維空間中，如果兩類樣本可以被一平面正確分開且分類間隔最大，則圖1中的最優分類線H就將擴展成為高維空間中的最優超平面(Optimal Separating Hyper-plane，OSH)。

考慮分類問題，根據給定的訓練集T

圖1 利用SVM方法解決分類問題的基本原理

T={(x1，y1)，…，(xl，yl)}∈(X × Y)l(xl∈X=Rn，yl∈Y={1， －1}且 i=1，2，…，l)

分類問題需要尋找決策函數f(x)=sgn(g(x))，以便能推斷任一模式條件下x相對應的y值。高維空間線性條件下的最優分類函數(即SVM決策函數)為:

由于共同物流運作風險涉及因素多，且各因素之間存在復雜的非線性關系，因而本文采用非線性分類學習機。非線性分類學習機只需要在線性學習機基礎上引入一種核函數K(x，xj)滿足Mercer條件，即可將其轉化為高維空間中的線性問題，這里采用徑向基核函數:

通過改變σ和其他參數可以改善SVM的預測性能，直到最優效果為止。

(二)基于SVM的共同物流風險預測步驟

利用SVM方法進行共同物流風險評價的核心是要建立一個訓練樣本集，通過確定合適的核函數及參數，對已知樣本集進行學習與訓練，最后確定最優決策函數，并利用該函數進行風險評價和預測。SVM共同物流風險評價方法主要遵循以下的基本程序與步驟。

首先，為提高建模精度，本文采用如下方法進行預處理:

對于所有時間序列，取前面r個數值作為訓練建模樣本，其余的作為測試樣本。為更有效地利用有限的數據，我們對其進行相空間重構，即將一維的實踐序列轉換為矩陣形式，以盡可能地挖掘數據的信息量。于是，我們得到用于向量機學習的樣本，建立映射f:Rm→R。對于學習樣本，我們按照如下的回歸函數進行訓練:

其中，ai，a*i為拉格朗日乘子，b為分類面閾值。

為了方便評價預測方法的準確性，我們引入均方誤差MSE和均等系數EC兩個指標:

均值系數可形象地描述預測值和實際值的擬合度。一般地，擬合度在0.9以上可認定為較好的擬合。這兩類指標分別從逐點比較和整體預測趨勢兩方面對預測方法進行評價，從而較為全面地判斷預測的準確性。

四、實例分析與結論

(一)數據采集

首先，組建樣本訓練集。選擇16個中部地區不同區縣建立共同物流體系的樣本，即湖南省(3個)、湖北省(3個)、河南省(3個)、山西省(2個)、安徽(3個)、江西省(2個)，并隨機編號。將樣本分為兩類，序號1－12的12個企業作為訓練樣本，13－16的4個企業作為預測檢驗樣本。經過標準化數據及其風險等級后組成訓練集，其中評價指標值作為輸入變量，風險等級為輸出變量，歸一化處理后得到的整個風險指標矩陣如表1所示。

(二)實例分析

本文將共同物流運作風險劃分為5個級別——低(L)、中低(ML)、中等(M)、中高(MH)、高(H)，風險級別對應值分別為 ［0，0.2］、(0.2，0.4］、(0.4，0.6］、(0.6，0.8］、(0.8，1］。選擇MATLAB 2010的SVM平臺對我國典型共同物流運營風險進行評價。調用統一編輯的樣本數據，選擇徑向基核函數，選取參數C=100和g=0.001，進行建模運算。

表1 2011年中部地區典型區縣共同物流運作風險評價指標數據歸一化處理

經過訓練后，對序號為13－16號企業進行了分類預測，其首次分類預測結果如表2所示。采用SVM方法對典型共同物流運作風險評估后的結果如表3所示。

表2 基于SVM的典型共同物流運作風險等級測試結果

表3 基于SVM的典型共同物流運作風險等級

隨著信號原始數據的不斷豐富，相點密度會不斷增大，預測值也將更趨于合理可信，從而有助于預測精度的提高。誤差評價指標如表2所示，均方誤差為2.67%，而均等系數為96.79%，達到了很高的擬合度，說明預測結果有較強的可信度。

五、結 論

通過對資源和環境約束下的中部地區典型區縣共同物流運作風險分析及評價的研究，本文得出以下結論:1．資源和環境約束下的共同物流體系面臨很大風險，風險預測是共同物流運作風險管理的重要手段之一。2．傳統的共同物流運作風險評估方法在準確性和客觀性上存在難題，不能適應資源和環境約束下共同物流成員企業約束條件多、動態性強的特點。3．SVM方法與其他共同物流運作風險評價方法相比，在樣本數量、運算準確率和運算速度等方面都顯示了明顯的優勢。該方法完全可以應用于資源和環境約束下的共同物流運作風險預測這一復雜的領域中，進而為共同物流參與主體、行業主管部門及時做出合理的風險預防和控制措施提供科學依據。

［1］ 王理．制度變遷與我國資源型區域可持續發展［J］．河南大學學報 (社會科學版)，2007，(1)．

［2］ 歐陽小迅，黃福華．共同物流的構建機理與模式選擇［J］．財經論從，2011，(11)．

［3］ 黃福華，周敏．基于共同物流視角的湖南農產品物流發展分析［J］．農業經濟問題，2008，(8)．

［4］ 姜海燕，侯淑霞．物流基礎設施對吸引物流業FDI影響的實證研究［J］．財經論從，2012，(1)．

［5］ 彭國樑，姚儉．不確定性供應鏈風險的模糊綜合評判［J］．上海理工大學學報，2010，(4)．

［6］ Zhao Dongmei，Wang Changguang，Ma Jianfeng．A risk assessment method of the wireless network security ［J］．Journal of Electronics，2007，24(3)，pp．428 －432．

［7］ Goseva Popstojanova K．K．，Hassan A．Architectural level risk analysis using UML ［J］．IEEE Transactions Software Engineering，2003，29(10)pp．946－959．

［8］ Bedford T．，Cooke R．Probabilistic risk analysis［M］．Cambridge University Press，2001．

［9］ 韓敏，殷佳．一種用于小波網絡隱層節點選擇的新方法［J］．系統仿真學報，2007，(17)．

［10］ 蔣有凌，楊家其，尹靚，楊?。贏NN的供應鏈風險綜合評估模型與應用［J］．武漢理工大學學報(交通科學與工程版)，2008，(1)．

［11］ 查健祿，田欽謨，李盛德．綜合評價問題的系統分析［J］．系統工程學報，2000，(2)．

［12］ 姚建明，劉麗文．企業物流外包決策動因因素的結構關系分析［J］．商業經濟與管理，2010，(10)．