基于改進BP-DEMATEL的農超對接風險識別研究

0 引言

農超對接供應鏈有效地縮短了農產品的流通時間，減少了流通環節。但是流通環節的減少必將引起風險因素的轉移或者其他潛在風險損失的發生。因此認清農超對接過程中的風險隱患并提出相應的解決方案，采取防范措施是推動農產品現代化流通手段，提高農超對接供應鏈效率的重要問題。

據統計截止2014年6月，全國農民專業合作社140萬家，農業產業化龍頭企業12萬家，家庭農場87萬多家，農民專家合作社占比約60%，農民專業合作社是一個民主管理、自愿聯合的互助性經濟組織，合作社以為農戶提供服務為宗旨，不以盈利為目的，是連接農戶和市場的重要中介橋梁，并且擁有國家政策的支持，是當前農超對接中最主要的模式。因此本文以“超市+農民專業合作社+農戶”為例，探究農超對接模式下農產品供應鏈的主要風險因素。

1 相關研究回顧

在供應鏈風險方面，不少學者對其進行了一定的研究。李民、黎建強用模擬方法來探究供應鏈抗風險能力和供應鏈成本之間的平衡[1]。顏波等運用OWA算子探究物聯網環境下供應鏈面臨的主要風險是信息安全風險、信譽風險以及配送風險[2]。吳繼貴、葉阿忠運用層次分析法和模糊綜合評價法對供應鏈風險進行綜合性分析，對FMCG（快速消費品）供應鏈進行風險評價研究[3]。王新利等利用BP神經網絡專家模型從供應鏈的行業風險及經營風險兩大方面出發，探討供應鏈風險的主要影響因素[4]。隨著農超對接的發展，越來越多的學者開始研究農超對接模式的發展以及存在的問題。康彪（2011）從農超對接農產品供應鏈面臨的內部和外部兩種風險進行分析[5]。

本文將從農超對接模式下農產品供應鏈風險因素的內部強度和外部影響兩個方面，對風險影響因素進行系統的定量分析，并建立完善的農超對接模式下農產品供應鏈風險評價指標體系。在前人研究的基礎上，本文通過對傳統DEMATEL（決策試驗與評價試驗方法）進行改進，提出用BP神經網絡計算來代替傳統的問卷調查和專家評分評定等復雜計算，得到直接關聯矩陣；并通過計算風險概率得到相應的內部強度，綜合分析風險因素之間的相互關系，得到關鍵風險因素，從而提出改進供應鏈，控制農超對接模式下農產品供應鏈風險的相應措施。

2 農超對接模式下農產品供應鏈的風險分析

在“農戶+農民專業合作社+超市”農超對接模式中，農民專業合作社作為農戶連接超市的重要橋梁，并擁有將分散的農戶集中起來，組織統一生產、統一銷售的作用，農戶的決策范圍較小，且農戶與農民專業合作社之間的流通配送范圍較小，對整個供應鏈風險的影響不大，因此本文將農民專業合作社與農戶看做是一個整體，與超市構成二級供應鏈。

針對農超對接模式下的供應鏈風險分析，本文從三個層面進行分析：節點企業的內部風險、節點企業之間（即農民專業合作社與超市對接協調）風險、供應鏈外部環境風險。如表1所示。

表1 農超對接模式下農產品供應鏈的風險影響因素體系表

3 農超對接模式下農產品供應鏈風險評價模型的構建

DEMATEL模型是一種基于圖論和矩陣工具的系統因素重要程度分析的方法，考慮因素之間不是相互獨立而是相互作用的實際情況，計算因素的原因度和中心度并繪制相應的關系圖，從而從眾多因素中識別出關鍵的根本影響因素。

3.1 內部強度的確定

本文通過考慮風險因素的發生概率及其對農超對接模式下農產品供應鏈性能的影響來確定各風險因素的內部強度。采用Borda-風險矩陣法來計算農超對接農產品供應鏈下風險因素的內部強度。

計算風險概率P和風險影響值I。風險的概率和對供應鏈的影響是由風險的威脅性、脆弱性以及在供應鏈中造成的損失值決定的。同時確定相應等級用來描述威脅性、脆弱性以及損失的嚴重程度，如表2。通過對生產專家、客戶服務專家、營銷專家以及相關的調查報告得出各風險因素威脅性、脆弱性以及損失性的等級。

風險發生概率P是由風險的威脅概率和風險脆弱嚴重程度共同決定的，P函數由f1決定；風險的影響值I是由風險脆弱程度和造成的損失嚴重程度共同決定的，I函數由f2決定。

其中：

具體計算過程如下：

其中，e代表威脅等級，f代表脆弱等級，g代表損失等級。

計算Borda數。據歷史相關資料，本文擬定風險概率P和風險影響值I的權重分別為0.4和0.6。

建立風險矩陣。按照上述步驟，對本文研究的農超對接模式下農產品供應鏈的風險概率和風險影響計算并構建對應的風險內部強度矩陣，如表3。

表2 因素威脅性、脆弱性、損失性等級

表3 農超對接模式下農產品供應鏈風險內部強度

3.2 直接關聯矩陣的構建

傳統DEMATEL模型大多是用專家打分評定和問卷調查建立直接關聯矩陣，通常包括收集結果并進行處理分析，過程復雜難度較大，因此本文用BP神經網絡來替代傳統的專家打分評定求解直接關聯矩陣，具體步驟如下。

（1） BP神經網絡函數

在BP神經元傳輸的函數是非線性函數，常用的是logsig和tansig函數。本文選定一個非線性函數g作為隱含層和輸出層的非線性激活函數。

隱含層輸出為：

其中權矩陣

輸出層輸出為：

其中權矩陣m=1,2,…,M，p=1,2,…,P

令γm為期望輸出，ξm為實際輸出，則定義誤差函數：

（2）BP神經網絡對權矩陣W和w的修正

標準的BP算法是最速下降算法，存在收斂速度慢，易陷入局部最小的缺陷。本文運用自適應調整學習速率的動量BP算法，加入動量因子 η（ 0＜η＜ ）1，使得修正量逐漸減小，從而起到減小振蕩的作用，通過學習速率β的自適應調整可使算法更加穩定。

其中：η1,η2為動量因子為學習速率。

則權值更新之后變為：

當誤差減小時，說明修正方向正確則可以增加步長，增加學習速率。當誤差超過事先設定值，說明修正超標，則應該縮短步長，減小學習速率。此時引入增量因子kinc和減量因子kdec。修正公式如下：

（3）通過以上步驟求得權值矩陣W,（Wk）n×l和w,wt（）l×1，使得E（W,）w取到極小

用W*w來衡量各指標相互之間的影響程度，用ω表示：

（4）直接關聯矩陣的計算

其中：表示第i個風險因素指標對第j個風險因素指標的影響程度。

3.3 全關聯矩陣的確定

將風險影響因素的內部強度數字歸一化插入到直接關聯矩陣B的主對角線中，即dii表示風險因素指標的內部強度。組成擁有內部影響和外部作用的綜合直接關聯矩陣D：

將綜合直接關聯矩陣歸一化；

計算全關聯矩陣：

其中：（I-O）-1是I-O的逆，I為單位矩陣。

3.4 風險因素因果關系的確定

P表示T的各行之和，R表示T的各列之和。

Pi+Ri表示第i個風險因素來自水平施加和豎直接收到的影響，被稱為指標i的突出度，該值越大，表明該風險因素的重要性越大。Pi-Ri表示水平施加與豎直接收影響之間的差異，同時也是風險因素分類的基礎。若Pi-Ri的值為正，則該風險指標屬于原因組；若Pi-Ri為負則該風險指標屬于結果組。我們可以通過映射 （Pi-Ri,Pi+Ri）的數據集來獲取影響關系圖。

4 模型的應用

現對5條“農戶+農民專業合作社+超市”農超對接模式下從事農產品生意的農產品供應鏈進行風險識別分析，5條供應鏈均是以農民專業合作社為中心，農戶的決策取決于農民專業合作社的整體發展，不存在零散經營。農產品技術風險（生產流通技術的先進性及適用性）、農民專業合作社與超市之間的合作條件風險屬于定性指標，因此對于屬于該項指標下的數值，本文邀請專家對其發展成就實行評分制。其他數據均來自各農民專業合作社年報以及相應網絡數據。

4.1 計算結果

本文選用隱含層節點為10個，用BP神經網絡得到隱含層、輸出層各節點的權重矩陣。用BP-DEMATEL計算出來的各風險影響因素指標的D+R值和D-R值，見表4。

表4 用BP-DEMATEL計算得到的各風險影響指標D+R值和D-R值

4.2 結果分析

傳統的DEMATEL用D+R值的大小來分析各項風險因素指標的重要性，即其中心度。從上述結果中，我們可以看到排在數值前列的10項風險因素指標分別是自然風險、交貨延遲風險、業務談判風險、農產品技術風險、基礎條件風險、信息傳遞錯誤風險、產能風險、創新風險、產品等級風險、政策法律風險。

用D-R來區分因果關系，從上述結果中可以得到，屬于結果組的風險因素分別是自然風險、交貨延遲風險、基礎條件風險、人才風險、超市利益風險。其余風險因素均為原因組風險，要想減少農超對接模式下農產品供應鏈的風險影響損失，需要從原因組的風險入手。因果關系如圖1所示：

無論是否是在農超對接模式下，農產品的生產均受自然環境的影響十分嚴重，然而自然風險在現如今技術快速發展的今天是可以規避的，農產品技術的發展決定著自然風險對農產品品質的影響。冷鏈基礎設施的建設決定著農產品的交付能力。

針對以上結果，可以看出農超對接模式下農產品供應鏈存在農產品生產技術、冷鏈建設落后，無法保障農產品的質量，無法高效的流通；農超對接的規模較小，不能保障農產品穩定的供應能力；我國“農超對接”還處于初級階段，農戶和農民專業合作社的力量較弱，管理方法不規范，因此需要政府的引導與激勵政策。

5 結論

根據本文得出的影響因素結果分析，提出以下改進農超對接的建議和對策：（1）構建“農超對接”農產品供應鏈政策支持體系。作為新時期農產品流通創新模式，“農超對接”還不成熟，政府需要積極引導農民專業合作社的發展升級，做大、做強一批農民專業合作社示范基地，規范管理。（2）擴大農產品對接規模，構建多元合作平臺。無論是農民專業合作社還是超市應該采取多元化的對接方式，例如通過洽談會、產銷會，或者利用互聯網平臺，發布供求信息，使得對接多元、產銷關系更加穩定。（3）加強農產品基礎設施的建設。傳統的生產技術具有較大的脆弱性。農產品生產技術的運用不僅能夠節省大量的人力物力，而且能夠提高產量、保證質量。同時冷鏈基礎設施的建立能夠保證農產品在運輸過程中的質量，使得農產品能夠更好、更快地到達目的地。（4）注重農產品的品牌質量。隨著人民生活水平的提高，人們對農產品的質量要求也日益增加。農產品和其他消費品一樣，品牌效應更加明顯。因此強化農產品的品牌質量，實現綠色生產，是農產品未來的發展方向。

同時，本文也存在一定的局限性，由于影響農超對接模式下的農產品供應鏈的風險因素眾多，本人在選取風險影響指標時可能并沒有很全面。且由于BP神經網絡需要在目標條件已知的情況下，因此BP-DEMATEL不能用于對未來關鍵風險變更的預測，具有一定的使用范圍。在未來的研究中，還可將影響分為積極影響和消極影響，以使得風險因素分析更加準確。

圖1 因果關系圖

參考文獻：

[1]李民，黎建強.基于模擬方法的供應鏈風險與成本[J].系統工程理論與實踐，2012,32(2):580-588.

[2]顏波，石平，丁德龍.物聯網環境下的農產品供應鏈風險評估與控制[J].管理工程學報，2014(3):173-196.

[3]吳繼貴，葉阿忠.FMCG供應鏈風險綜合評價研究——以中國乳制品供應鏈為例[J].科技管理研究，2014(22):43-49.

[4]王新利.基于BP神經網絡專家系統的供應鏈風險評價研究[J].中國流通經濟，2010(6):27-30.

[5]康彪.“農超對接”農產品供應鏈風險管理研究[D].北京：北京交通大學（碩士學位論文），2011.