生鮮農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險評價研究

夏翠萍 張國寶 陳 鳳

（安徽科技學(xué)院管理學(xué)院 安徽蚌埠 233000）

隨著網(wǎng)絡(luò)銷售市場的不斷壯大，我國的農(nóng)產(chǎn)品銷售中，網(wǎng)絡(luò)購物的市場占比越來越高。國內(nèi)學(xué)者張鵬，周恩毅根據(jù)農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈，預(yù)冷處理、冷藏倉儲、溫控運(yùn)輸、銷售終端送達(dá)四個階段構(gòu)建了基于模糊層次分析法（Fuzzy Analytic Hierarchy Process,FAHP）的農(nóng)產(chǎn)品冷鏈物流全過程供應(yīng)鏈質(zhì)量評價體系。[1]同時學(xué)者孫文清也將物流服務(wù)分為了服務(wù)質(zhì)量，服務(wù)數(shù)量，供應(yīng)商管理水平和供應(yīng)商基本情況，通過因子分析和綜合賦權(quán)的方法對物流質(zhì)量進(jìn)行評估。[2]國內(nèi)的前沿成果表明，階段性物流風(fēng)險分析以及綜合權(quán)重方法在風(fēng)險指標(biāo)構(gòu)建中具備較高的應(yīng)用價值。筆者將生鮮農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作劃分為供應(yīng)環(huán)節(jié)、運(yùn)輸環(huán)節(jié)、銷售環(huán)節(jié)，并構(gòu)建了3個二級指標(biāo)，13個三級指標(biāo)的評價體系，通過序關(guān)系分析指標(biāo)主觀權(quán)重、熵權(quán)法計算指標(biāo)客觀權(quán)重，綜合賦權(quán)之后利用LSTM?RNN模型計算指標(biāo)風(fēng)險值，以期為生鮮農(nóng)產(chǎn)品網(wǎng)絡(luò)銷售和跨境物流提供科學(xué)的風(fēng)險評價方法。

一、生鮮農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險評價模型

（一）生鮮農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險評價指標(biāo)構(gòu)建。生鮮農(nóng)產(chǎn)品的冷鏈物流供應(yīng)鏈的核心為物流企業(yè)，與其連接的供應(yīng)商和分銷商構(gòu)成整個物流鏈結(jié)構(gòu)。因此研究將生鮮農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險劃分為三個方面，包括了供應(yīng)環(huán)節(jié)、運(yùn)輸環(huán)節(jié)、銷售環(huán)節(jié)三個風(fēng)險二級指標(biāo)。[3]首先，在供應(yīng)商備貨過程中，由于管理事物、設(shè)備故障、員工操作不當(dāng)?shù)葐栴}會出現(xiàn)延遲供應(yīng)并導(dǎo)致農(nóng)產(chǎn)品質(zhì)量下降的問題。[4]其次，運(yùn)輸環(huán)節(jié)中，長距離的跨境運(yùn)輸對于冷鏈技術(shù)的要求極高，在設(shè)備不健全或者偶遇自然災(zāi)害的情況下也會導(dǎo)致供應(yīng)延遲和農(nóng)產(chǎn)品變質(zhì)損耗。最后，在銷售環(huán)節(jié)中，市場的需求波動、庫存管理風(fēng)險等因素也是整個供應(yīng)鏈的風(fēng)險重要評價指標(biāo)。繪制生鮮農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險評價指標(biāo)表示如圖1。

圖1 生鮮農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險評價指標(biāo)體系

在供應(yīng)環(huán)節(jié)、運(yùn)輸環(huán)節(jié)、銷售環(huán)節(jié)三個風(fēng)險二級指標(biāo)下，根據(jù)生鮮農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作流程，得出13個三級風(fēng)險指標(biāo)。農(nóng)產(chǎn)品的生產(chǎn)運(yùn)輸不同于其他工業(yè)產(chǎn)品，其質(zhì)量的保存是整個冷鏈物流供應(yīng)鏈運(yùn)作的基礎(chǔ)。[5]同時，農(nóng)產(chǎn)品的質(zhì)量保存也是其價值保證的核心。構(gòu)建風(fēng)險評價指標(biāo)體系之后，需要首先確定風(fēng)險指標(biāo)的權(quán)重，用于構(gòu)建風(fēng)險因素之間的線性函數(shù)關(guān)系。常見的計算主觀權(quán)重和客觀權(quán)重的方法包括了層次分析、特征值法、熵權(quán)法、因子分析等。研究結(jié)合序關(guān)系分析法計算主觀權(quán)重和熵權(quán)法客觀權(quán)重計算，得出指標(biāo)體系的綜合權(quán)重。序關(guān)系分析主觀權(quán)重計算的方法是依據(jù)專家對指標(biāo)重要性進(jìn)行重新排序之后，確定不同指標(biāo)之間的重要性關(guān)系而得出風(fēng)險因素的函數(shù)關(guān)系。[6]首先，序關(guān)系分析主觀權(quán)重系數(shù)計算公式如式（1）所示。

式（1）中，ti表示指標(biāo)之間的重要性程度比值，其取值區(qū)間為[1.0?1.9]，而n表示指標(biāo)數(shù)量，i表示指標(biāo)重要性排序之后編號。fi則是權(quán)重系數(shù)。熵權(quán)法計算客觀權(quán)重則是通過風(fēng)險指標(biāo)的變異程度進(jìn)行計算的，變異程度越小，指標(biāo)的權(quán)重值則越低[7]。首先，將指標(biāo)的權(quán)重矩陣表示為式（2）。

式（2）中，P表示指標(biāo)權(quán)重矩陣，W表示專家對于指標(biāo)的評價值，m和n分別表示專家數(shù)量和指標(biāo)數(shù)量。同時由于指標(biāo)之間的單位不同，因此首先對評價值進(jìn)行標(biāo)準(zhǔn)化處理，其公式表示為式（3）。

式（3）中，pij表示標(biāo)準(zhǔn)化處理之后的專家j對指標(biāo)i的評價值，maxWij和minWij分別表示評價值的最大值和最小值。最后，得出客觀權(quán)重的計算公式如式（4）所示。

式（4）中，wi表示客觀權(quán)重，Ei表示熵值，其計算方法表示為式（5）。

最后，在通過序關(guān)系分析得出主觀權(quán)重和熵權(quán)法得出客觀權(quán)重之后，計算指標(biāo)的綜合權(quán)重。綜合權(quán)重包含了主客觀權(quán)重的優(yōu)點(diǎn)，不僅減小了主觀因素的影響，同時也彌補(bǔ)了乘法合成的倍增效應(yīng)。綜合權(quán)重計算公式表示為式（6）。

式（6）中，Wc表示綜合權(quán)重，ws表示主觀權(quán)重，而wo表示客觀權(quán)重，α為比例系數(shù)。

（二）基于循環(huán)神經(jīng)網(wǎng)絡(luò)的農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險評估方法。在構(gòu)建了生鮮農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險評估指標(biāo)體系之后，研究將循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,RNN）引入到風(fēng)險評估系統(tǒng)中。利用RNN中的仿神經(jīng)元之間的聯(lián)系處理風(fēng)險指標(biāo)，用更加高效精確的序列遞歸方法取代傳統(tǒng)風(fēng)險評估方法[8]。同時，為了避免循環(huán)神經(jīng)網(wǎng)絡(luò)的長期依賴問題，研究引入長短期記憶網(wǎng)絡(luò)（Long Short Term Memory,LSTM）對RNN進(jìn)行優(yōu)化[9]。長短期記憶網(wǎng)絡(luò)單元結(jié)構(gòu)如圖2所示。

圖2 長短期記憶網(wǎng)絡(luò)單元結(jié)構(gòu)

從圖2可以看出，長短期記憶網(wǎng)絡(luò)依靠輸出、遺忘門對狀態(tài)進(jìn)行影響，可以讓循環(huán)神經(jīng)網(wǎng)絡(luò)中的部分信息遺忘過濾[10]。遺忘神經(jīng)網(wǎng)絡(luò)的一般計算公式如式（7）所示。

式（7）中，st表示t時刻的狀態(tài)，而st?1則表示t?1時刻的狀態(tài)，Wx表示輸入權(quán)重，xt表示t時刻的輸入。yt表示t時刻的輸出，Wy為輸出權(quán)重，by表示輸出偏置。同時，在優(yōu)化RNN網(wǎng)絡(luò)中，相同的狀態(tài)函數(shù)應(yīng)用于所有風(fēng)險指標(biāo)的轉(zhuǎn)換，輸出權(quán)重和偏置于輸出權(quán)重參數(shù)等同，為了確定不同計算次數(shù)下的輸出參數(shù)，研究將輸出計算公式優(yōu)化為式（8）。

式（8）中，n表示更新次數(shù)，σ表示logistic函數(shù)，控制值域?yàn)?～1。研究應(yīng)用優(yōu)化的循環(huán)神經(jīng)網(wǎng)絡(luò)，將農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險評估內(nèi)部的復(fù)雜性、多變情況以及不確定性的問題進(jìn)行處理[11]。研究的RNN優(yōu)化網(wǎng)絡(luò)通過利用神經(jīng)算法的大腦神經(jīng)元模擬處理不同風(fēng)險指標(biāo)的復(fù)雜問題。其應(yīng)用流程結(jié)構(gòu)如圖3所示。

圖3 生鮮農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險指標(biāo)及RNN計算流程

研究提出的生鮮農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險評價方法通過構(gòu)建風(fēng)險評估指標(biāo)體系為第一步，同時提出了計算指標(biāo)體系主觀權(quán)重的序關(guān)系分析法和計算客觀權(quán)重的熵權(quán)法，將主客觀權(quán)重結(jié)合得出指標(biāo)體系的綜合權(quán)重。而風(fēng)險評估方法則依靠優(yōu)化的循環(huán)神經(jīng)網(wǎng)絡(luò)完成，首先引入LSTM的遺忘機(jī)制來過濾指標(biāo)體系帶入神經(jīng)網(wǎng)絡(luò)的部分重復(fù)信息，同時引入輸出logistic函數(shù)和迭代計算次數(shù)區(qū)分，最后得出輸出結(jié)果[12]。

二、LSTM-RNN農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險評估風(fēng)險方法仿真分析

農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈作為農(nóng)商產(chǎn)業(yè)的重要組成部分，其運(yùn)作收到自然因素和市場因素的影響較大。本次研究構(gòu)建了農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險評估體系，并采用LSTM?RNN方法對風(fēng)險值進(jìn)行計算，首先農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險評估指標(biāo)體系綜合權(quán)重如表1所示。

表1 農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險評估指標(biāo)體系綜合權(quán)重

從表中可以看出，三個風(fēng)險評估二級指標(biāo)中，綜合權(quán)重最大的為運(yùn)輸環(huán)節(jié)的風(fēng)險，其權(quán)重值為0.437，而綜合權(quán)重占比最小的為銷售風(fēng)險，其權(quán)重值為0.247。在綜合序關(guān)系分析和熵權(quán)法計算得出二級指標(biāo)和風(fēng)險三級指標(biāo)體系的綜合權(quán)重之后，通過MATLAB 軟件平臺進(jìn)行算法仿真實(shí)驗(yàn)。實(shí)驗(yàn)的最大迭代次數(shù)為100次，比較LSTM優(yōu)化的循環(huán)神經(jīng)網(wǎng)絡(luò)和GRU 優(yōu)化的神經(jīng)網(wǎng)絡(luò)，兩種方法在迭代過程中的損失值和評估準(zhǔn)確率變化如圖4所示。

圖4 不同算法在迭代過程中的損失值和評估準(zhǔn)確率變化

在整體迭代過程中，GRU優(yōu)化模型的損失值大部分情況下大于LSTM優(yōu)化的循環(huán)神經(jīng)網(wǎng)絡(luò)。同時在圖4（b）中，GRU優(yōu)化模型的評估預(yù)測準(zhǔn)確率在迭代次數(shù)大于60次之后趨于最大值，而LSTM 優(yōu)化的循環(huán)神經(jīng)網(wǎng)絡(luò)算法在迭代超過50 次之后逐漸趨于平穩(wěn)。實(shí)驗(yàn)表明，在風(fēng)險預(yù)估的迭代計算中，LSTM優(yōu)化的循環(huán)神經(jīng)網(wǎng)絡(luò)方法比GRU優(yōu)化的神經(jīng)網(wǎng)絡(luò)計算效率更高，并且損失值更小，精確度性能更好。實(shí)驗(yàn)將某市的水果生產(chǎn)基地及其銷售物流供應(yīng)鏈為實(shí)驗(yàn)對象，在考察了水果冷鏈物流運(yùn)作供應(yīng)情況之后，應(yīng)用研究構(gòu)建的指標(biāo)體系和評價方法對3個二級指標(biāo)進(jìn)行風(fēng)險值的計算。實(shí)驗(yàn)的預(yù)估周期為12周，將其分為4個時間階段，比較不同風(fēng)險指標(biāo)隨時間變化的風(fēng)險值，具體結(jié)果如圖5所示。

圖5 水果供應(yīng)鏈的二級指標(biāo)風(fēng)險值評估結(jié)果

水果冷鏈物流供應(yīng)運(yùn)作的風(fēng)險隨著時間的增加而增加。在水果的生產(chǎn)、運(yùn)輸、銷售三個不同層面的二級指標(biāo)中，最先受到較大影響的是生產(chǎn)階段。在時間超過6周之后，水果的生產(chǎn)和運(yùn)輸階段運(yùn)作基本完成，因此水果銷售的風(fēng)險隨時間增加而快速增大。在第6 周時，三個二級指標(biāo)的風(fēng)險值分別為4.26、2.93、5.09，而在第12 周時，三個二級指標(biāo)的風(fēng)險值分別為17.31、12.38、20.67。在指標(biāo)體系綜合權(quán)重計算中，雖然運(yùn)輸風(fēng)險的權(quán)重占比最高而銷售風(fēng)險的權(quán)重占比最低，但是隨著時間的增加，銷售的風(fēng)險蓋過了供應(yīng)風(fēng)險和運(yùn)輸風(fēng)險。實(shí)驗(yàn)表明，該水果生產(chǎn)基地的農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作過程中，出現(xiàn)額外成本問題和風(fēng)險情況最多的是銷售環(huán)節(jié)，其次是供應(yīng)生產(chǎn)環(huán)節(jié)，而權(quán)重占比最大的運(yùn)輸環(huán)節(jié)風(fēng)險問題較少。最后，因此針對風(fēng)險結(jié)構(gòu)分析結(jié)果，將三級指標(biāo)中的生產(chǎn)成本風(fēng)險、采購風(fēng)險、計劃風(fēng)險、成員成本風(fēng)險、技術(shù)風(fēng)險、信息風(fēng)險、自然災(zāi)害風(fēng)險、合作風(fēng)險、自然自然環(huán)境風(fēng)險、市場環(huán)境風(fēng)險、退貨風(fēng)險、政策變動風(fēng)險、滯銷成本風(fēng)險依次編號為1?13。比較該水果基地在通過風(fēng)險結(jié)構(gòu)分析的風(fēng)險預(yù)防之后，其風(fēng)險值預(yù)測變化，預(yù)測時間為12周。具體結(jié)果如圖6所示。

圖6 水果供應(yīng)鏈的三級指標(biāo)風(fēng)險變化情況

在水果冷鏈物流供應(yīng)進(jìn)行風(fēng)險預(yù)防之后，13 個三級指標(biāo)的風(fēng)險值均有下降。而在圖6（b）中可以看出，13個風(fēng)險指標(biāo)中，風(fēng)險值減小程度最高的是計劃風(fēng)險指標(biāo)，程度值為23.04%，而風(fēng)險值減小程度最低的是市場環(huán)境風(fēng)險，程度值為3.78%。由于水果的冷鏈物流供應(yīng)風(fēng)險預(yù)防改革對于內(nèi)部的風(fēng)險問題處理成果較大，而對于整體的農(nóng)產(chǎn)品市場環(huán)節(jié)改變較少。同時從圖中可以得知，三級指標(biāo)中，改進(jìn)前風(fēng)險值最大的為自然災(zāi)害風(fēng)險指標(biāo)，風(fēng)險值為22.2，而改進(jìn)之后，風(fēng)險最大的指標(biāo)為自然環(huán)境風(fēng)險指標(biāo)，風(fēng)險值為18.45。從實(shí)驗(yàn)可以看出，農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險指標(biāo)體系以及優(yōu)化的循環(huán)神經(jīng)網(wǎng)絡(luò)可以有效應(yīng)用于水果基地樣本中，并且可以對風(fēng)險結(jié)構(gòu)進(jìn)行有效分析，同時該方法可以得出風(fēng)險預(yù)防措施的實(shí)際價值。

三、結(jié)論

為了驗(yàn)證生鮮農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險指標(biāo)體系和LSTM?RNN 風(fēng)險預(yù)測方法的有效性，研究通過MATLAB 仿真實(shí)驗(yàn)以及實(shí)際案例分析。在迭代過程中，GUR 方法和LSTM?RNN 方法相比，損失值更大且計算效率不如RNN 優(yōu)化算法。在水果基地的實(shí)際應(yīng)用中，風(fēng)險預(yù)測模型不僅可以對風(fēng)險結(jié)構(gòu)進(jìn)行有效分析，同時可以得出風(fēng)險預(yù)防措施的實(shí)際價值；最后，在通過風(fēng)險預(yù)防措施之后，該基地的13 個指標(biāo)的風(fēng)險值平均下降了11.6。實(shí)驗(yàn)表明，構(gòu)建風(fēng)險指標(biāo)體系以及優(yōu)化循環(huán)神經(jīng)網(wǎng)絡(luò)的算法可以準(zhǔn)確預(yù)測農(nóng)產(chǎn)品冷鏈物流供應(yīng)鏈運(yùn)作風(fēng)險，從而幫助農(nóng)產(chǎn)品在生產(chǎn)、運(yùn)輸、銷售中減少風(fēng)險問題，控制成本。