基于CNN-PSO的跨境供應(yīng)鏈風(fēng)險預(yù)警研究

楊 揚，徐新?lián)P

(昆明理工大學(xué) 交通工程學(xué)院，云南 昆明 650500)

0 引言

世界經(jīng)濟的發(fā)展正朝著全球化的趨勢演變，特別是2020年全球新冠肺炎疫情爆發(fā)以來，世界各國都意識到跨境供應(yīng)鏈的重要性與脆弱性。跨境供應(yīng)鏈連接著不同國家的上下游企業(yè)，全球化的生產(chǎn)、供應(yīng)、運輸與銷售將風(fēng)險分散到鏈上的各個節(jié)點，導(dǎo)致管理復(fù)雜，同時跨境供應(yīng)鏈還需考慮異國之間社會、政策、市場及經(jīng)濟環(huán)境的影響，任何一個節(jié)點過程的疏忽都有幾率導(dǎo)致鏈條的斷裂，從而需要承擔(dān)風(fēng)險帶來的損失。為了在全球化經(jīng)濟背景下獲取更大的利益與競爭力，構(gòu)建跨境供應(yīng)鏈風(fēng)險指標并建立快速準確的風(fēng)險預(yù)警模型十分必要并具有社會意義。

供應(yīng)鏈管理研究起源于20世紀的70年代，風(fēng)險研究一直是供應(yīng)鏈管理的一個熱點問題，如Christopher等[1]在2020年最先通過創(chuàng)建響應(yīng)式供應(yīng)鏈，對供應(yīng)鏈風(fēng)險進行了研究。供應(yīng)鏈風(fēng)險指標的識別是學(xué)者們研究較多且基本的問題，如Chu等[2]提出了一個基于文本挖掘的全球供應(yīng)鏈風(fēng)險框架，對地區(qū)差異與變化導(dǎo)致的跨境供應(yīng)鏈運營風(fēng)險進行了識別；張濤等[3]通過調(diào)查問卷建立新疆種業(yè)供應(yīng)鏈風(fēng)險因素關(guān)系矩陣，運用社會網(wǎng)絡(luò)分析法對供應(yīng)鏈中存在風(fēng)險進行了識別；Abdel-Basset等[4]提出了TOPSIS-CRITIC法建立了供應(yīng)鏈風(fēng)險識別模型，并對電信設(shè)備公司供應(yīng)鏈進行了實例研究，識別出鏈內(nèi)風(fēng)險并將風(fēng)險重要性排序；Neiger等[5]提出了一種新的以價值為中心的過程工程方法，對供應(yīng)鏈風(fēng)險進行了識別。其次的研究重點主要是針對供應(yīng)鏈風(fēng)險框架與指標體系的建立問題，如Baryannis等[6]從人工智能層面運用機器學(xué)習(xí)技術(shù)構(gòu)建供應(yīng)鏈風(fēng)險預(yù)警框架，探索了預(yù)警性能與可釋性之間的權(quán)衡；Chowdhury等[7]運用ISM建模方法開發(fā)層次結(jié)構(gòu)模型對孟加拉成衣跨境供應(yīng)鏈風(fēng)險進行了分析；匡海波等[8]對2014—2018年深圳市裝備制造業(yè)供應(yīng)鏈數(shù)據(jù)進行分析，運用偏相關(guān)-方差與逐步神經(jīng)網(wǎng)絡(luò)方法建立了供應(yīng)鏈金融風(fēng)險指標體系。可以看出，對于常規(guī)的風(fēng)險指標建立問題，學(xué)者們選擇采用多種建模方法來進行研究，以期獲得新的結(jié)論。再者就是對于供應(yīng)鏈風(fēng)險評估測度與預(yù)警的研究，如馬波[9]建立了結(jié)構(gòu)方程模型及模糊理論來對風(fēng)險進行測度。于超等[10]對供應(yīng)鏈中制造商存在的交貨風(fēng)險進行分析，建立了交貨延遲風(fēng)險的評估方法。針對供應(yīng)鏈預(yù)警模型的研究多是基于智能算法來對風(fēng)險進行預(yù)警，如基于ABC-BP[11]模型對及時供應(yīng)鏈協(xié)同風(fēng)險的預(yù)警研究，基于ACO-SVM算法[12]的供應(yīng)鏈風(fēng)險預(yù)警研究，基于RS-FWSVM[13]的供應(yīng)鏈質(zhì)量危機預(yù)警研究。學(xué)者們除了對供應(yīng)鏈風(fēng)險內(nèi)部機理進行研究以外，還對風(fēng)險下的定價策略與決策進行了研究，如考慮風(fēng)險厭惡的混合型雙渠道供應(yīng)鏈定價決策研究[14]，基于價格風(fēng)險下的供應(yīng)鏈采購決策研究[15],生產(chǎn)成本變動下風(fēng)險規(guī)避雙渠道供應(yīng)鏈定價策略研究[16]。

梳理以往供應(yīng)鏈風(fēng)險研究文獻可以發(fā)現(xiàn)，目前針對供應(yīng)鏈管理的研究主要集中于基本的指標建立與識別上，對于供應(yīng)鏈預(yù)警的研究還相對較少，特別是針對跨境供應(yīng)鏈風(fēng)險預(yù)警的問題還亟待探討。本研究通過建立跨境供應(yīng)鏈風(fēng)險指標體系，基于CNN神經(jīng)網(wǎng)絡(luò)卷積層與池化層特征提取效果好、效率高的特點構(gòu)建CNN神經(jīng)網(wǎng)絡(luò)與粒子群全局優(yōu)化算法相結(jié)合(CNN-PSO)的跨境供應(yīng)鏈風(fēng)險預(yù)警模型，優(yōu)化傳統(tǒng)CNN訓(xùn)練下BP算法無法達到全局最優(yōu)的問題，以達到更準確地對跨境供應(yīng)鏈風(fēng)險預(yù)警的目的。

1 跨境供應(yīng)鏈風(fēng)險指標體系的建立

1.1 指標選取

供應(yīng)鏈的鏈式結(jié)構(gòu)導(dǎo)致其風(fēng)險遍布整個系統(tǒng)，跨境供應(yīng)鏈涉及全球化的采購、銷售及運輸，同時受異國間政策與社會等環(huán)境的影響，因此跨境供應(yīng)鏈更加脆弱，運作風(fēng)險更大，管理難度也更大。本研究通過文獻總結(jié)[11,17-20]和與跨境物流領(lǐng)域?qū)＜壹翱缇澄锪鞴驹L談的方式對跨境供應(yīng)鏈風(fēng)險指標進行了劃分，其中一級風(fēng)險因素3個，二級風(fēng)險因素12個，風(fēng)險指標23個。具體內(nèi)容如表1所示。

表1 跨境供應(yīng)鏈風(fēng)險指標Tab.1 Cross-border supply chain risk indicators

1.2 數(shù)據(jù)處理

(1)

(2)

2 模型描述

2.1 卷積神經(jīng)網(wǎng)絡(luò)(CNN)

卷積神經(jīng)網(wǎng)絡(luò)(CNN)的一般結(jié)構(gòu)由5層構(gòu)成，有時也會加上激勵層。CNN中的卷積層上覆蓋著眾多神經(jīng)元，神經(jīng)元對輸入的指標數(shù)據(jù)特征進行感知提取，初始卷積層只能提取數(shù)據(jù)的局部特征，隨著逐層的特征提取，獲得更復(fù)雜全面的跨境供應(yīng)鏈風(fēng)險指標特征。卷積層輸出計算公式為：

(3)

式中，Xin為卷積層的輸入；Xout為卷積層的輸出；Fi為卷積核的數(shù)量；Wi為卷積核權(quán)重參數(shù)矩陣；b為偏差量。

將跨境供應(yīng)鏈風(fēng)險指標數(shù)據(jù)輸入CNN神經(jīng)網(wǎng)絡(luò)，采用Sigmoid型函數(shù)作為神經(jīng)元激勵函數(shù)，以此再得到跨境供應(yīng)鏈風(fēng)險指標特征矩陣。Sigmoid非線性連續(xù)函數(shù)表達式為：

(4)

池化層操作的主要目的是簡化卷積層的輸出，一般的池化層規(guī)模為2×2，池化層的算法有很多種，本研究創(chuàng)建的CNN-PSO模型池化規(guī)模為1×2，采用最大池化運算法。

2.2 lncRNA ASB16-AS1在膠質(zhì)瘤組織中明顯上調(diào)且與分期分級顯著相關(guān) lncRNA ASB16-AS1在TCGA數(shù)據(jù)庫中已表現(xiàn)為明顯上調(diào)。我們在臨床膠質(zhì)瘤標本中用qRT-PCR技術(shù)檢測lncRNA ASB16-AS1的表達，結(jié)果顯示lncRNA ASB16-AS1的表達量和WHO 高低分級成顯著相關(guān)(見圖1C)，這顯示了lncRNA ASB16-AS1增加趨勢下患者WHO分期也呈遞增趨勢。在組織標本中的ROC曲線(見圖1D)曲線下面積達到0.94，這與TCGA數(shù)據(jù)相符。

2.2 PSO算法

粒子群算法(PSO)是一種全局尋優(yōu)的生物啟發(fā)式算法，原理是每個粒子根據(jù)自己與整個粒子群的尋優(yōu)經(jīng)驗來決定下一步的路徑。假設(shè)在d維的鳥群捕食空間里，種群包含n個粒子，其中Xi=[xi1,xi2，…，xid]為第i個粒子在d維捕食空間里的位置，即待求解問題的1個隱藏解。Vi=[vi1,vi2，…,vid]為第i個粒子的速度，初始化變量pbest為目前粒子所找到的最優(yōu)解，gbest為目前整個粒子群找到的最優(yōu)解，分別表示為Pi=[pi1,pi2，…,pid]與Gi=[gi1,gi2，…,gid]。根據(jù)前面的分析可以寫出下面的公式。

在d維空間里，粒子群算法中粒子i的速度與位置的更新公式為：

(5)

粒子群算法中粒子i的位置的更新公式為：

(6)

式中，ω為慣性權(quán)重系數(shù)，其取值關(guān)乎CNN-PSO(卷積神經(jīng)網(wǎng)絡(luò)粒子群)模型的尋優(yōu)能力,本研究模型仿真試驗中ω按文獻[21]系數(shù)取值為0.5；上標k-1與k為粒子從k-1次飛行操作到下一次飛行操作的過程；c1和c2分別為個體與社會學(xué)習(xí)因子參數(shù)，本研究CNN-PSO預(yù)警模型中取c1=1.7，c2=1.5，維度設(shè)置為20；Rand(0,1)為[0,1]之間的隨機函數(shù)。

2.3 CNN-PSO跨境供應(yīng)鏈風(fēng)險預(yù)警模型

本研究基于粒子群優(yōu)化算法(PSO)對CNN卷積神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，得到跨境供應(yīng)鏈卷積神經(jīng)網(wǎng)絡(luò)粒子群(CNN-PSO)風(fēng)險預(yù)警模型，構(gòu)建的CNN-PSO跨境供應(yīng)鏈風(fēng)險預(yù)警模型架構(gòu)主要包括3個部分：(1)將指標數(shù)據(jù)進行歸一化處理，最終預(yù)處理為結(jié)構(gòu)化數(shù)據(jù)。(2)運用CNN卷積層對機構(gòu)化的數(shù)據(jù)進行特征提取，挖掘跨境供應(yīng)鏈風(fēng)險變化內(nèi)在聯(lián)系，形成高維度表征的特征集合。(3)以高維度為輸入，運用PSO全局優(yōu)化算法對跨境供應(yīng)鏈風(fēng)險進行分級預(yù)警。如圖1所示。

圖1 CNN-PSO預(yù)警模型Fig.1 CNN-PSO pre-warning model

CNN-PSO模型利用PSO對CNN特征提取的參數(shù)進行訓(xùn)練，首先需要對進行訓(xùn)練的影響指標參數(shù)編碼。目前常規(guī)的編碼方式有向量編碼與矩陣編碼，本研究使用向量編碼策略進行編碼[21]，該編碼策略原理在于將粒子與向量進行比較，具體公式為：

(7)

(8)

運用向量編碼策略對參數(shù)進行編碼并得到編碼矩陣后，將粒子逐一映射到CNN神經(jīng)網(wǎng)絡(luò)每層的權(quán)值與閾值，通過式(8)求解得到平均絕對誤差：

(9)

3 仿真與分析

根據(jù)跨境供應(yīng)鏈風(fēng)險指標體系創(chuàng)建23個輸入節(jié)點，1個輸出節(jié)點，參考LetNet-5網(wǎng)絡(luò)結(jié)構(gòu)設(shè)定CNN-PSO網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置2個卷積層，2個池化層，卷積核個數(shù)為1×2，池化層采樣尺寸為1×2，如圖2所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)特征提取過程Fig.2 Convolutional neural network feature extraction process

根據(jù)隱含層節(jié)點經(jīng)驗公式確定隱含層節(jié)點數(shù)v1：

(10)

式中，c為神經(jīng)元的輸出數(shù)量；f為1～10的常數(shù)；v為輸入節(jié)點數(shù)。

3.1 數(shù)據(jù)獲取

根據(jù)跨境運輸風(fēng)險指標中的定量指標，結(jié)合文獻[11，22-24]中的相關(guān)數(shù)據(jù)，并通過專家給定取平均值的方法獲取風(fēng)險指標體系表中3個定性數(shù)據(jù)，共獲取了跨境供應(yīng)鏈相關(guān)數(shù)據(jù)77組。將45組跨境供應(yīng)鏈風(fēng)險數(shù)據(jù)代入CNN-PSO中進行訓(xùn)練，其余數(shù)據(jù)組用作預(yù)警比對。并根據(jù)上述文獻對跨境供應(yīng)鏈的風(fēng)險級別進行分級。該分級較細致，也對預(yù)警結(jié)果敏感，如表2所示。

表2 跨境供應(yīng)鏈風(fēng)險分級Tab.2 Cross-border supply chain risk classification

3.2 數(shù)據(jù)訓(xùn)練與測試

為了驗證CNN-PSO模型對跨境供應(yīng)鏈風(fēng)險預(yù)警的有效性與優(yōu)越性，在應(yīng)用MatlabR2016a軟件的同時，對支持向量機(SVM)、高斯過程回歸(GPR)、Elman神經(jīng)網(wǎng)絡(luò)(ENN)模型的跨境供應(yīng)鏈風(fēng)險預(yù)警結(jié)果進行對比，結(jié)果如圖3所示。

圖3 風(fēng)險預(yù)警值對比(45組)Fig.3 Comparison of risk pre-warning values(45 groups)

從圖3可以明顯看出，在訓(xùn)練數(shù)據(jù)為45組的情況下，CNN-PSO的預(yù)警值自始至終與實際風(fēng)險值的擬合效果都很好，SVM的預(yù)警效果次之，GPR與ENN的預(yù)警效果都較差，GPR隨著迭代次數(shù)的增加擬合效果漸漸好轉(zhuǎn)，而ENN則隨著迭代次數(shù)的增加擬合效果沒有太大改變。這體現(xiàn)出CNN-PSO在特征提取與訓(xùn)練參數(shù)上的高效率。為更直觀地判斷出4種預(yù)警模型的預(yù)警效果，用預(yù)警誤差對4種預(yù)警模型進行對比，如圖4所示。

從圖4可知，CNN-PSO的跨境供應(yīng)鏈風(fēng)險預(yù)警誤差最小，達到了-5%～5%，SVM預(yù)警誤差與GPR預(yù)警誤差相差不大，分別達到-20%～15%與-10%～30%，ENN預(yù)警誤差最大，為-50%～20%。從試驗結(jié)果可以發(fā)現(xiàn)，在訓(xùn)練數(shù)據(jù)只有45組時，除了CNN-PSO預(yù)警模型基本訓(xùn)練成熟達到較小的誤差，已經(jīng)達到了風(fēng)險預(yù)警的目的與標準，其他3種方法都因訓(xùn)練數(shù)據(jù)的不足而導(dǎo)致誤差較大，無法適用到跨境供應(yīng)鏈風(fēng)險預(yù)警中來。可以看出，與其他預(yù)警法相比，CNN-PSO對于跨境供應(yīng)鏈風(fēng)險的預(yù)警最為穩(wěn)定，具有穩(wěn)定性強、操作時間短、適用性強的特點。再依照跨境供應(yīng)鏈風(fēng)險等級(表2)，對比其他算法，對CNN-PSO在跨境供應(yīng)鏈風(fēng)險等級劃分中的表現(xiàn)進行研究，結(jié)果如表3所示。

圖4 預(yù)警誤差對比(45組)Fig.4 Comparison of pre-warning errors(45 groups)

從表3 可知，CNN-PSO對跨境供應(yīng)鏈風(fēng)險預(yù)警的準確度依舊最高，達到了96.9%，遠遠高于其他主流預(yù)警模型，唯一的誤判是將第5組數(shù)據(jù)中等風(fēng)險預(yù)警為低風(fēng)險，將實際風(fēng)險值0.421預(yù)警為0.383 7，但由于此時風(fēng)險值在區(qū)間邊緣，按風(fēng)險值換算誤差僅有0.037 3，在可容忍范圍內(nèi)。

增加訓(xùn)練數(shù)據(jù)，對63組跨境風(fēng)險供應(yīng)鏈數(shù)據(jù)進行訓(xùn)練，其余數(shù)據(jù)組用作預(yù)警對比，同樣比較4種預(yù)警模型的擬合程度，結(jié)果如圖5所示。

對比圖3、圖5可知，隨著訓(xùn)練數(shù)據(jù)的增多，CNN-PSO模型依舊保持著穩(wěn)定的擬合結(jié)果，而SVM與GPR的風(fēng)險預(yù)警值與實際值的擬合曲線明顯更加貼合，ENN擬合效果依舊不理想。可以明顯看出，訓(xùn)練數(shù)據(jù)的組數(shù)與預(yù)警模型預(yù)警準確度成正比，更能體現(xiàn)出CNN-PSO無需過多訓(xùn)練數(shù)據(jù)即可準確預(yù)警風(fēng)險的優(yōu)勢。運用誤差對比圖來進行更直觀的分析，見圖6。

從圖6可知，訓(xùn)練數(shù)據(jù)增多后，CNN-PSO的預(yù)警誤差依舊穩(wěn)定且最小，達到-4%～5%。對比SVM與GPR(圖4與圖6)發(fā)現(xiàn)，隨著訓(xùn)練數(shù)據(jù)的增多，預(yù)警誤差顯著縮小，分別達到-5%～15%與-15%～10%，ENN的預(yù)警誤差仍然最大，為-50%～10%。可以看出，隨著訓(xùn)練數(shù)據(jù)的增多，雖然各預(yù)警模型的誤差均變小，但其中CNN-PSO模型預(yù)警準確率仍

表3 跨境供應(yīng)鏈風(fēng)險等級預(yù)警對比(45組)Tab.3 Comparison of predicted cross-border supply chain risk levels(45 groups)

圖5 風(fēng)險預(yù)警值對比(63組)Fig.5 Comparison of risk pre-warning values(63 groups)

圖6 預(yù)警誤差對比(63組)Fig.6 Comparison of pre-warning errors(63 groups)

然最高，也最穩(wěn)定。對風(fēng)險等級預(yù)警進行對比，見表4。

可以看出，訓(xùn)練數(shù)據(jù)增多后，SVM與GPR的預(yù)警性能顯著提高，但CNN-PSO對于跨境供應(yīng)鏈風(fēng)險的預(yù)警準確率已經(jīng)達到100%。

4 結(jié)論

(1)本研究構(gòu)建的CNN-PSO跨境供應(yīng)鏈風(fēng)險預(yù)警模型通過利用PSO全局優(yōu)化算法對CNN進行優(yōu)化，代替常規(guī)BP算法，避免了陷入局部最優(yōu)的問題，可有效應(yīng)用于跨境供應(yīng)鏈風(fēng)險預(yù)警中。

(2)2次試驗分別取45組與63組訓(xùn)練數(shù)據(jù)，CNN-PSO的預(yù)警誤差分別為-5%～5%與-4%～5%。對比另外3種預(yù)警模型可以看出，本研究建立的CNN-PSO模型更具有穩(wěn)定性。

(3)對比2次試驗結(jié)果，明顯發(fā)現(xiàn)CNN-PSO無需過多訓(xùn)練數(shù)據(jù)即可達到準確預(yù)警的目的，說明其訓(xùn)練速度快、效率高。

(4)本研究構(gòu)建的CNN-PSO跨境供應(yīng)鏈風(fēng)險預(yù)警模型除了在風(fēng)險值預(yù)警中將誤差保持在5%左右外，在將預(yù)警結(jié)果映射到跨境供應(yīng)鏈風(fēng)險等級表中時，該模型的表現(xiàn)更好更準確。當(dāng)訓(xùn)練數(shù)據(jù)較少時，其預(yù)警準確度便已達到96.9%，高出排名第2的SVM模型18.8%。當(dāng)訓(xùn)練數(shù)據(jù)增多，SVM與GPR模型準確率提升到83.3%時，CNN-PSO風(fēng)險預(yù)警準確率已經(jīng)達到100%。

表4 跨境供應(yīng)鏈風(fēng)險等級預(yù)警對比(45組)Tab.4 Comparison of predicted cross-border supply chain risk levels(45 groups)