基于貝葉斯網絡的汽車供應鏈風險識別與評估

胡夢婷

（上海海事大學 經濟管理學院，上海 201306）

0 引言

汽車行業(yè)是一個大型綜合的制造和組裝行業(yè)。汽車制造業(yè)本身就具有復雜性的特點，生產一輛汽車可能涉及到一萬多個零部件以及幾十道工序，在汽車供應鏈運作中，零部件故障、零部件供應不足、汽車企業(yè)對公司戰(zhàn)略計劃錯誤以及天災等都會導致整車出現停產的可能性，最終導致汽車召回事件或者更加嚴重的車禍事故，因此，汽車供應鏈風險層出不窮。例如，1996 年福特由于用了有瑕疵的點火開關收回了870萬臺車；2008年，特斯拉決定研發(fā)新能源汽車而深陷供應鏈金融危機，幾次在破產的邊緣徘徊；2020年，由于新冠疫情的爆發(fā)帶來的芯片短缺導致汽車減產，使得我國汽車銷售總量下降，從而造成整車庫存增加。由以上事例可知，汽車供應鏈面臨著各種各樣的風險，這些風險事件導致的供應鏈上任何一個環(huán)節(jié)出現問題，都可能使汽車供應鏈處于危機狀態(tài)。因此，如何識別汽車供應鏈風險因素，評估供應鏈風險環(huán)節(jié)以控制風險的發(fā)生，促進供應鏈長期穩(wěn)定運行逐漸成為國內外學者研究的熱點以及企業(yè)迫不及待需要解決的問題。

近年來，已有不少專家學者對汽車行業(yè)的供應鏈及風險管理展開研究。比如，舒彤，等[1]分析了汽車供應鏈中斷對汽車企業(yè)股票的影響，以此引出了對汽車供應鏈中斷的研究和預防具有重大意義。Sharma，等[2]將貝葉斯網絡概率模型應用于供應鏈風險評估，通過條件概率表計算所有風險變量和供應鏈目標的邊際概率，預測和確定供應鏈面臨的風險及其對供應鏈目標的影響。任長征，等[3]指出了質量風險管理在汽車零部件供應鏈的重要性，重點討論了質量管理和風險管理理論相結合應用于汽車零部件的質量風險管理的理論和實際意義。Vanalle，等[4]對巴西汽車行業(yè)的一級和二級公司組成的供應鏈網絡進行風險管理分析，指出了當前供應鏈風險管理工具存在的局限性，即沒有優(yōu)先考慮降低鏈中公司的平均風險值。根據楊祖勇[5]的研究，汽車零部件的風險可以劃分為財務、合作、運營、政治以及不可抗拒等五大類，并提出了有效的風險識別與管理策略。為了更好地識別寧波市汽車零部件供應鏈的風險，楊菁，等[6]采用了PEST方法，從政治、技術、社會、經濟和自然環(huán)境5個方面進行了分析，并利用SCOR模型對企業(yè)內部的計劃、采購、生產制造和配送進行了評估。黃川川[7]引入價值模型對汽車供應鏈三級網絡進行了風險評估研究，運用歷史模擬法對15家汽車企業(yè)展開了實證分析。

汽車產業(yè)供應鏈的特點使得其對風險控制的要求很高，而對于汽車供應鏈風險識別和評估的研究，則有助于決策者和管理者更加清晰地了解供應鏈風險所在，并采取相應控制手段。現有研究表明，SCOR模型可以將供應鏈的流程提煉出來，以此為參考依據可以有效識別供應鏈風險。而目前汽車供應鏈的風險因素錯綜復雜，數據難以收集，風險數據庫尚不完整，其他的評估方法無法利用不完整的數據進行汽車供應鏈風險的概率計算，貝葉斯網絡不僅可以有效解決此類問題，還可以充分利用新信息進行概率反推算，實現信息的動態(tài)更新[8]。本文擬從汽車供應鏈的特點出發(fā)，運用供應鏈運作參考模型、MMEM理論和貝葉斯網絡等方法對長三角地區(qū)汽車供應鏈風險展開風險識別與評估，一方面驗證了貝葉斯網絡在供應鏈風險評估中的推斷能力，另一方面拓展了汽車供應鏈風險識別與評估方面的研究。

1 理論簡介

1.1 SCOR模型

供應鏈運作參考模型(Supply Chain Operations Reference model,簡稱SCOR 模型)是由美國供應鏈協會發(fā)布的跨行業(yè)標準供應鏈參考模型和供應鏈診斷工具，它是一種基于流程管理的工具，最早應用于供應鏈流程再造。SCOR模型不僅應用范圍廣，幾乎可以在全行業(yè)應用，且可以用于供應鏈流程再造、物流工作重組以及作為企業(yè)管理層對公司績效的評價標準等。SCOR模型將流程元素、評價指標、最佳實踐和供應鏈運作方法等整合到了一個統(tǒng)一的架構之中，企業(yè)可以在這個框架之中，用統(tǒng)一的術語進行溝通，從而實現績效最大化，因此，其目前已經成為了企業(yè)供應鏈流程分解的一個國際公認標準[9]。

SCOR模型把企業(yè)流程劃分為5個基本的管理流程，分別是計劃(Plan)、采購(Source)、生產(Make)、配送(Deliver)和退貨(Return)[10]。計劃流程是指將預期的資源合理分配在各個流程，制定流程方案，通過協調各種資源達到自己預期的目標；采購流程是按照計劃或實際需求獲物料或設備等資源的活動；生產流程是根據生產計劃及實際需求制造產品的過程；配送流程是對產品或物料進行庫存管理及運輸的管理過程；退貨流程是原料退回或產品退回發(fā)生時的管理過程。SCOR模型結構如圖1所示。

圖1 SCOR模型結構圖

1.2 MMEM理論

MMEM理論指的是“人機環(huán)管”理論，即人(Man)、機(Machine)、環(huán)境(Environment) 和管理(Management)[11]。MMEM理論常用于安全管理當中，其中“人”是指在安全管理中相關人員的心理、操作、職業(yè)素養(yǎng)等帶來的不安全因素；“機”指的是生產過程中設備、原料等帶來的不安全因素“；環(huán)境”指的是企業(yè)內外部環(huán)境變化帶來的不安全因素；“管理”指的是在企業(yè)運營過程中涉及的管理手段、規(guī)章制度等帶來的不安全因素[12]。MMEM系統(tǒng)理論認為，任何生產安全系統(tǒng)的基本要素都是由人、機、環(huán)境和管理構成的，任何事故都是由于人、機、環(huán)境和管理要素的不匹配、相互作用而造成的，要避免和減少安全事故發(fā)生，就必須有效管控這四個要素之間的關系。按照MMEM理論，可以從“管理”系統(tǒng)和技術層面的“人機環(huán)”系統(tǒng)兩方面進行風險因素的識別和控制，從而實現安全生產系統(tǒng)[14]。

1.3 貝葉斯網絡

貝葉斯網絡(Bayesian network)，又被稱為信度網絡，是Bayes方法的擴展，在不確定知識表達和推理領域里被應用最多，也最有效。一個貝葉斯網絡是一個有向無環(huán)圖(Directed Acyclic Graph,DAG)，是由變量節(jié)點、連接這些變量節(jié)點的有向邊和變量節(jié)點的概率構成的。變量節(jié)點代表著隨機變量。有向邊連接起的變量之間通常都是有因果關系或非條件獨立的，一個單箭頭連接在一起的兩個節(jié)點，箭頭指向的節(jié)點是“果”，也是“子節(jié)點”，箭頭的另一端連接的節(jié)點則是“因”，也是“父節(jié)點”。兩節(jié)點存在因果關系，那么兩者之間就會產生一個條件概率值，該值也表達了兩節(jié)點之間的因果關系強度。如圖2所示，節(jié)點X直接影響節(jié)點Y，故X指向Y，即：X是Y的因，也是父節(jié)點，Y是X的果，也就是子節(jié)點，而X和Y節(jié)點之間的連接強度也就用P(Y|X)來表示。

圖2 節(jié)點關系

用數學定義表示，即令G=(I,E)表示一個有向無環(huán)圖(DAG)，其中I代表圖中所有節(jié)點的集合，而E 代表有向邊的集合，且令X=(xi),i ∈I 為其有向無環(huán)圖中的某一節(jié)點i所代表的隨機變量，那么節(jié)點X的聯合概率可以表示成：

2 基于貝葉斯網絡的汽車供應鏈風險識別及評估模型

2.1 風險識別方法

首先，明確汽車供應鏈風險識別的目的，即將汽車供應鏈風險作為目標風險指標，圍繞著這一目標，識別出可能對其造成影響的一級風險因素和二級風險因素，以便形成汽車供應鏈風險評價指標體系。

2.1.1 識別一級風險指標。汽車供應鏈是指汽車生產過程中的原材料采購、零配件生產、整車裝配與物流、整車銷售、報廢品回收等一整套的汽車供應鏈體系。SCOR模型中的5大流程可以覆蓋汽車供應鏈的流程，因此，可以將汽車供應鏈的結構按照SCOR模型中的“計劃流程”“采購流程”“生產流程”“配送流程”及“退貨流程”分解，將5個流程對應的風險作為汽車供應鏈的一級風險指標。識別的一級風險指標及其定義見表1。

表1 一級風險指標及定義

2.1.2 識別二級風險指標。由于造成風險產生的原因有很多，一級風險指標只能概括相應的供應鏈業(yè)務風險，無法定位到更加準確的風險因素，因此，識別出一級風險指標后，仍需對一級指標做進一步的細分，從而可以按層級判斷出汽車供應鏈風險產生的具體原因。

MMEM理論中的“人”“機”“環(huán)境”和“管理”四大要素也是汽車供應鏈運作的四大要素，以這4個要素為導向，以往年的汽車供應鏈風險事件和相關領域的學術研究為參考，在一級風險指標中分別識別風險因素，形成一個二維風險識別結構，可以更加科學、全面地識別出供應鏈中的風險因素。二維風險識別結構見表2：

表2 二維風險識別結構

2.2 風險評估模型

在構建風險評估模型時，要首先明確模型構建的目標，即評估汽車供應鏈風險的總體水平以及判斷對其產生顯著影響的風險因素。確定模型的目標后，要收集識別出供應鏈風險因素的相關數據，剔除無效數據后，建立汽車供應鏈風險評價指標體系。將風險指標體系中具有因果關系的所有指標作為貝葉斯網絡拓撲結構的節(jié)點，形成貝葉斯網絡結構的節(jié)點集，構建出汽車供應鏈風險的貝葉斯網絡拓撲結構。貝葉斯網絡拓撲結構構建好后，在已知證據節(jié)點的先驗概率值的情況下，對各節(jié)點進行參數學習，計算后驗概率，后驗概率計算公式為：

其中P(Xi) 為先驗概率，P(Xi|Y) 為后驗概率，P(Y|Xj)為節(jié)點Y的條件概率。

最后，將專家學者對風險因素的評分數據規(guī)范化處理后作為節(jié)點概率，在貝葉斯網絡的理論基礎上，使用GeNIe軟件對供應鏈風險進行評估。

評估模型構建步驟如下：

①確定評估模型的目標及目標節(jié)點U；

②收集識別出汽車供應鏈風險數據，獲取先驗概率P(Uij)；

③確定與目標指標相關的因素，選取合適的指標，確定中間節(jié)點Ui和證據節(jié)點Uij，形成貝葉斯網絡結構的節(jié)點集I={U,U1,...,Ui,U11,...,Uij}，其 中i,j=1,...,n；

④構建汽車供應鏈風險的貝葉斯網絡拓撲結構G；

⑤進行參數學習，輸入證據節(jié)點Uij的概率值P(Uij)，按照式（2）計算后驗概率；

⑥對汽車供應鏈風險進行正反向推理。根據貝葉斯網絡的推理結果，評估目前狀態(tài)下企業(yè)供應鏈的風險狀態(tài)。

3 實證研究

長三角地區(qū)是我國汽車企業(yè)的重要聚集地之一，長三角地區(qū)汽車企業(yè)眾多，已經形成了自己完整的零部件產業(yè)鏈。受到疫情的影響，長三角地區(qū)的汽車產業(yè)鏈出現了諸多問題，面臨著汽車供應鏈中斷的風險。因此，選擇長三角地區(qū)汽車企業(yè)為研究對象，通過問卷調研收集汽車供應鏈專家對長三角地區(qū)汽車供應鏈當前風險影響因素的評價，對收集到的數據進行分析處理后，構建風險評價指標體系和貝葉斯網絡結構，對長三角地區(qū)的汽車供應鏈展開風險評估。

3.1 汽車供應鏈風險識別

首先，按照SCOR模型中的流程識別汽車供應鏈一級風險指標，一級指標為計劃風險U1、采購風險U2、生產風險U3、配送風險U4和退貨風險U5。再結合MMEM 理論，按照二維風險識別結構識別出27 個風險因素。具體見表3。

表3 風險識別結果

3.2 風險評估

3.2.1 數據收集及處理。通過設置調查問卷的的方式得到汽車企業(yè)相關的風險數據，問卷共涵蓋兩方面，其一為被調查人員的大致信息；其二為具體調查問題，依據風險矩陣法，邀請供應鏈相關的專家學者對識別出的風險的重要性程度和風險因素發(fā)生的概率進行打分，“1”分別表示可忽略和幾乎不發(fā)生，“2”分別表示微小和很少發(fā)生，“3”分別表示風險一般和偶爾發(fā)生，“4”表示風險嚴重和較頻繁發(fā)生，“5”表示風險關鍵和頻繁發(fā)生，見表4。將問卷發(fā)放至長三角地區(qū)的10家汽車企業(yè)，邀請各部門人員填寫，共發(fā)放80份問卷，收回58份有效數據。

表4 風險矩陣

在得到風險因素數據之后，由于風險因素眾多，若全部選取，可能出現各指標相互之間的交叉重復，不能保證獨立性，而且實際處理難度大；若所選指標過少或者一些次要性指標被選入其中，而漏選某些可能造成后續(xù)構建的風險評價體系不完整的關鍵指標，從而對評價結果產生重要影響，則最終可能導致評價結果的真實性低，評價結果不具有代表性。因此，要對風險因素進行分析和判斷，不能將所有的風險因素都作為供應鏈風險指標，而是需要按照重要性原則，選擇能對評價目標產生重要影響、具有代表性的指標。

為了得到更加精準的風險因素指標，以風險的重要性程度為標準，對得到的數據做效度信度分析，見表5、表6。

表5 可靠性統(tǒng)計

表6 KMO和巴特利特檢驗

剔除無效數據后，建立最終的風險指標體系，見表7，得到5個一級指標，21個二級指標。

表7 風險指標體系

3.2.2 汽車供應鏈貝葉斯網絡結構和參數學習。構建汽車供應鏈風險的貝葉斯網絡拓撲結構。將調查問卷數據根據風險評價矩陣進行規(guī)范化處理，將風險狀態(tài)設置成“High”“Medium”和“Low”，用H、M、L來表示各風險因素的風險值大小，如某個風險因素發(fā)生的概率打分為5，而該風險因素重要性等級打分為1，由風險評價矩陣可知該風險因素處于Low區(qū)間，即該風險因素的風險評價值為L。重復上述步驟，依次將所有風險因素的調查數據進行規(guī)范化處理，計算出所有風險因素的風險評價值后，整理出各風險因素每個風險評價值的概率，將整理后的數據填入表中，見表8。

表8 風險評價值

編輯各節(jié)點變量初始概率值，將各節(jié)點的概率值輸入后進行參數學習。在建立貝葉斯網絡模型后，需對其有效性進行檢驗。在GeNIe中，可通過交叉驗證得出各節(jié)點精確度，以此對模型有效性進行驗證。

參數學習后，使用GeNIe 軟件進行風險預測，在已知各風險因素發(fā)生概率的情況下，預測長三角地區(qū)汽車企業(yè)供應鏈風險發(fā)生的概率，從而達到通過貝葉斯網絡模型進行風險預測的目的。

4 結果分析

汽車供應鏈風險的網絡拓撲結構和GeNIe軟件對汽車供應鏈風險預測結果如圖3所示。

圖3 風險預測結果

由圖3可知，汽車供應鏈風險處于High狀態(tài)的概率為44%，處于Medium 狀態(tài)的概率為51%，處于Low狀態(tài)的概率為5%。從參數學習的結果得知，汽車供應鏈風險水平處于中等水平，但處于高風險的概率要高于低風險的概率，其中對汽車供應鏈風險影響較大的因素分別為計劃風險中的自然災害因素，自然災害處于High狀態(tài)的概率為23%；采購風險中的原材料和零部件質量問題因素，原材料和零部件質量問題處于High狀態(tài)的概率為21%；生產風險中的生產人員素質和生產設備故障，這兩個風險因素處于High 狀態(tài)的概率為15%；退貨風險中的次貨處理不當，其處于High狀態(tài)的概率為10%。

當然，除了預測風險之外，也要在風險發(fā)生時迅速診斷出造成汽車供應鏈風險的風險因素是什么，從而能在具體的因素上找出控制風險、降低損失的解決方法。在貝葉斯參數學習的基礎上，通過GeNIe軟件進行仿真，通過將汽車供應鏈風險的High風險狀態(tài)設置為1，逆向推理出各個風險節(jié)點的后驗概率，從而診斷出最有可能造成汽車供應鏈風險的風險因素。仿真結果如圖4所示。

圖4 汽車供應鏈風險因素推理

由圖4可知，當汽車供應鏈風險處于High 狀態(tài)時，中間節(jié)點“計劃風險”“采購風險”“生產風險”“配送風險”和“退貨風險”的風險狀態(tài)產生了變化，其中處于較高風險的節(jié)點為“退貨風險”“采購風險”和“生產風險”，處于High狀態(tài)的概率分別為：40%、39%和38%。如果想要進一步知道是由哪些風險因素導致的汽車供應鏈風險處于高風險狀態(tài)，則需要將中間節(jié)點的High風險狀態(tài)設置為100%，由此，可以推理出造成汽車供應鏈高風險的關鍵風險因素，推理結果為：假設造成汽車供應鏈風險發(fā)生的因素為采購風險時，可以推理出原材料、零部件質量問題嚴重是采購風險產生的主要原因，其次是采購人員素質不佳，最后是采購價格波動，如圖5所示。以此可以分別推理出造成汽車供應鏈風險產生的主要原因，從而針對風險因素提出控制風險策略。

圖5 汽車供應鏈高風險關鍵風險因素推理

從正反向推理結果，可以得出以下結論：目前，長三角地區(qū)汽車供應鏈風險處于較低狀態(tài)，但往中高風險發(fā)展，而對汽車供應鏈風險影響較高的一級風險指標為采購風險、生產風險和退貨風險，當汽車供應鏈風險較高時，可以反向推理出采購風險中的原材料和零部件質量問題、退貨風險中的次貨處理不當、生產風險中的生產人員素質和生產設備故障等因素往往是造成汽車供應鏈風險產生的主要原因。以此可以看出，長三角地區(qū)汽車行業(yè)應重視原材料采購、生產及售后等過程，嚴格把控原材料零部件的質量，定期維護生產設備，保證生產的順利進行，以及制定完善的售后工作，對殘次品進行合理、合法、合規(guī)的處理，以此降低風險因素造成汽車供應鏈高風險的概率。

5 結語

汽車企業(yè)對供應鏈風險控制的要求很高，對風險進行有效識別和評估有助于企業(yè)對供應鏈風險進行強控制，從而保證企業(yè)建立穩(wěn)定可控的供應鏈體系。將SCOR 模型與MMEM 理論結合提出的二維汽車供應鏈風險識別方法，可以更加科學地識別出對汽車供應鏈風險有影響的風險因素。而基于貝葉斯網絡的汽車供應鏈風險評估模型，能夠有效地將不確定的信息以及不完整的數據綜合起來，提高評估的效率和可信度。使用GeNIe軟件將評估結果圖形化，可以有助于高效、清晰的對風險進行推理，從而針對關鍵風險采取控制措施。

未來將進一步對汽車供應鏈風險的評估模型進行優(yōu)化，討論不同的貝葉斯網絡學習算法對汽車供應鏈風險評估結果的影響，從而構建出最適合汽車供應鏈風險評估的貝葉斯網絡模型。