基于改進DS證據理論和貝葉斯網絡的海運供應鏈風險評估

初良勇　王夢瑤　陳秀乾

關鍵詞：海運供應鏈；風險評估；改進DS證據理論；貝葉斯網絡

中圖分類號：F272 文獻標識碼：A 文章編號：2096-7934（2024）02-0082-15

一、引言

海運在全球運輸系統中占據十分重要的地位，在推動經濟增長和全球化方面發揮重要作用的同時，面臨眾多風險與挑戰，影響供應鏈的安全平穩運行。黨的二十大報告中提出，要著力提升產業鏈供應鏈韌性和安全水平，要堅定維護重要產業鏈供應鏈安全；新冠肺炎疫情以來，美國、歐盟等發達國家加強對供應鏈的管理，并制定相關政策、采取系列措施以塑造更加安全、可持續和可控的供應鏈。因此，供應鏈安全性提升到新的戰略高度。2020年新冠肺炎疫情全球性爆發，多個國家和地區工廠停工、港口停擺，海運價格暴漲，全球供應鏈中斷形勢加劇；2021年3月，長榮海運集團運營的集裝箱船“長賜輪”在蘇伊士運河擱淺，出現非常嚴重的航道堵塞事故，全球航運供應鏈中斷，造成難以估量的經濟損失；2022年2月，俄烏沖突爆發，烏克蘭港口緊急關閉，造成船舶滯留，部分船舶公司緊急進行業務調整，全球供應鏈中轉效率降低，對航運業造成巨大沖擊。日益復雜的海運供應鏈結構使其面臨的風險增加，脆弱性進一步凸顯。

在這個變化的大背景下，供應鏈更容易受到破壞，沒有預見或者低估事故發生的可能性或后果，都會導致較高的供應鏈中斷風險。為了更好地應對海運供應鏈面臨的各種風險挑戰，國內外部分學者開展了一系列研究。姜賀（He Jiang）等［1］利用解釋結構模型構建海運供應鏈風險體系，分析風險系統的結構及其形成過程，便于進一步控制風險；萬程鵬（Wan Chengpeng）等［3］提出一個新的風險分類框架，基于改進的模糊貝葉斯網絡和故障模式與影響分析方法對海運供應鏈風險進行評估；維爾科（Vilko）等［4］提出了多式聯運海運供應鏈風險識別框架，并通過蒙特卡羅模擬分析供應鏈中的風險影響因素，拓寬了多式聯運海運供應鏈風險管理的視角，既考慮了供應鏈的需求，又考慮了對最終客戶的供應安全；在此基礎上，維爾科（Vilko）等［5］又從可見性以及可控性的角度對多式聯運海運供應鏈進行更深層次的探究，通過提高風險可見性和可控性來改善海運供應鏈管理的決策過程，進一步降低風險，提高安全性、效率和生產力；孫家臣等［6］采用故障模式與影響分析和模糊貝葉斯網絡相結合的方法對鋁釩土進口海運供應鏈風險進行評估；謝露強等［7］針對傳統故障模式與影響分析在風險評估中存在的諸多局限性，采用改進的故障模式與影響分析、模糊貝葉斯網絡和改進的證據理論相結合的方法，對鋁礬土海運物流風險進行評估；楊鈺池（Yang Yi-Chih）［8］評估了集裝箱安全倡議（CSI）下相關風險因素對臺灣省海運供應鏈的影響，使用損失暴露矩陣和蝴蝶結圖來研究應對海運安全風險的相關管理策略。

如何降低海運供應鏈中風險發生的可能性，緩解風險可能造成的不可預測事件的影響，是目前海運供應鏈面臨的主要挑戰之一。因此，本文提出了一種將模糊集、改進DS證據理論、C-OWA算子以及貝葉斯網絡相結合的風險評估方法，將有助于對海運供應鏈的運行機制和風險傳遞環節進行更深層次的研究，同時增強供應鏈上參與者應對突發事件的能力，提升供應鏈整體競爭力。

二、海運供應鏈風險評價指標體系

在眾多國內外研究中，風險被描述為危險事件、后果和不確定性的組合，將風險因素進行量化將有助于進一步研究。風險識別的關鍵因素是風險可見性，為保證供應鏈安全平穩運行，供應鏈上的參與者不僅需要識別自身運營中存在的風險，還需要識別其他實體的風險，以及組織之間的聯系所造成的風險［9］。但一般情況下，供應鏈上的參與者對于自身職能之外的其他業務風險可見性較低，無法準確全面地識別全部風險。

海運供應鏈作為一個新興領域，近年來受到越來越多研究者的關注。國內外學者在對海運供應鏈風險進行研究時，側重點各有不同。姜賀（He Jiang）等［1］指出海運供應鏈存在外部風險、合作風險、物流服務風險以及信息風險；林（Lam）等［10］認為海運供應鏈風險包括外部風險、供應鏈風險以及內部風險；維爾科（Vilko）等［4］對從芬蘭灣延伸到芬蘭大陸的多式聯運海運供應鏈進行研究，將海運供應鏈風險分為外生風險和內生風險，結果表明航行水域冰況、財務問題、火災、恐怖主義和罷工構成了供應鏈中的主要風險驅動因素；孫家臣等［6］從人、船、港口和環境四個方面建立鋁釩土進口海運供應鏈風險評價指標體系，指出人為因素是其中最敏感的風險因素；萬程鵬（Wan Chengpeng）等［11］從五個角度確定海運重大安全問題的主要風險因素，包括社會、自然環境、管理、基礎設施和技術以及運營；納拉辛哈（Narasimha）等［12］研究了新冠肺炎疫情對印度海港運輸和海運供應鏈的影響；諾特布姆（Notteboom）等［13］討論了新冠肺炎疫情對集裝箱港口、碼頭運營商和航運公司的主要影響；郭家鵬（Guo Jiapeng）［14］對海運供應鏈貿易網絡中的信用風險來源進行識別，發現其合同履行能力是最大的風險來源。傅淑楠等［15］特別關注海運供應鏈中的道德風險問題，對船公司與貨代公司在道德風險約束下的契約制定問題進行探究。

為保障能夠科學、客觀、合理地進行評價指標選取，本文在國內外學者研究的基礎上，進一步采用專家調查法分析海運供應鏈可能面臨的風險因素，邀請了30名從事海運運營管理的相關人員進行問卷調查，其中航運企業12人、港口碼頭5人、貨運代理4人、供應鏈服務商3人、高校專家3人以及航運需求方3人。

根據調查結果以及專家反饋意見確定評估對象影響因素，構建海運供應鏈風險評價指標體系如圖1所示，其中有4個一級指標和20個二級指標。

圖1 海運供應鏈風險評價指標體系

三、風險評估方法

海運供應鏈的中斷勢必會給全球貿易以及世界經濟帶來嚴重損失，面對日益復雜的外部環境以及系統內部不確定性的增多，如何確保海運供應鏈安全平穩運行顯得十分重要。因此，評估海運供應鏈風險很有必要。本文構建基于改進DS證據理論和貝葉斯網絡的海運供應鏈風險評估模型，如圖2所示，通過相關研究能夠降低海運供應鏈中風險因素的影響，提升供應鏈安全性。

圖2 基于改進DS證據理論和貝葉斯網絡的海運供應鏈風險評估模型

（一）模糊集和改進的DS證據理論確定基本概率分配

模糊集理論能夠對主觀數據的模糊性進行處理，隸屬度函數是模糊集理論中的關鍵概念，在不確定概念外延中，可以用隸屬度函數確定一個對象屬于某個概念的程度，將專家給出的評價語言轉換為模糊區間值，對其評價進行去模糊化［16］。

由于高斯型隸屬度函數可以對屬性值進行描述，其模糊化運算具有較好的抗干擾能力，運算結果更接近于人的認知習慣，可用于解決模糊控制問題，因此本文運用高斯型隸屬度函數表示海運供應鏈風險評估中相關風險因素的模糊程度［17］，高斯型隸屬度函數為：

式（1）中：x為專家給出的節點的模糊狀態量化值，μ為函數的中心，σ為標準偏差， σ數值越大表示該專家對給出的風險等級評價值的不確定性越高。

本文采用5個等級的風險表述，按照風險嚴重程度分為V1（高）、V2（較高）、V3（中等）、V4（較低）、V5（低），風險評價集如表1所示。

表1 風險評價指標體系評價集

根據高斯型隸屬度函數，確定專家對評價指標的評價語分別屬于各個風險等級的程度，并將風險等級對應的高斯型隸屬度函數的中心代入其中，可得隸屬度函數分別為［17］：

（三）獲取節點條件概率表

條件概率表是節點間條件概率的集合，代表節點之間的概率依賴關系，節點條件概率表一般通過專家知識或者參數學習獲取［21］，但是在實際研究中經常由于樣本數量不足，導致無法進行參數學習。因此，本文針對研究對象的實際情況，采用專家知識獲取貝葉斯網絡條件概率表。

（四）貝葉斯網絡概率推理

貝葉斯網絡是建立在概率理論基礎上的網絡模型，由有向無環圖和條件概率表兩部分構成，通過將概率的圖形表示與數學推理計算相結合，貝葉斯網絡能夠實現對于不完整、不精確和不確定信息的分析和處理，并通過推理過程量化不確定性問題［22］。

1.建立網絡結構

本文假定風險評價指標體系中各評價指標相互獨立，根據建立的風險評價指標體系，采用GENIE軟件構建貝葉斯網絡拓撲結構。

2.推理分析

正向推理是指通過各項指標對應節點發生風險的概率來預測目標節點的風險水平［21］。設子節點Ai有n個父節點Bi1，Bi2，…，Bin，且各個父節點之間相互獨立，則Ai發生風險的概率公式為：

式（17）中：P（Ai）為子節點Ai發生風險的概率；P（Ai|Bij）為在父節點Bij發生風險的條件下，子節點Ai發生風險的概率；P（Bij）為父節點Bij發生風險的概率；j=1，2，…，n。

逆向推理是指假設風險事件已經發生，計算導致該風險事件發生的各風險影響因素的后驗概率［21］，并由此確定影響最大的風險影響因素。當子節點Ai發生時，由父節點Bij引發的子節點Ai風險發生的概率計算公式為：

四、海運供應鏈風險評估

（一）確定節點先驗概率

為了更加準確地獲取相關數據，對海運供應鏈進行合理有效的評估，本文邀請6位行業內專家組建專家評審小組，依據建立的風險評價指標體系，對各指標進行評價，以專家1為例，評價結果如表2所示。

表2 專家1評價結果

將表2中的數據帶入到模糊集隸屬度函數計算公式（2）至式（6）中，并進行矩陣行歸一化處理，可以得到專家1對于海運供應鏈風險評價指標的基本概率分配情況如表3所示。

按照上述步驟依次計算出其余5位專家對于海運供應鏈風險評價指標的基本概率分配情況，并使用改進DS證據理論方法融合處理后的6位專家的基本概率分配，融合后的結果如表4所示。

表3 專家1基本概率分配

表4 融合后的基本概率分配

（二）確定貝葉斯網絡條件概率表

邀請專家評審小組對評價指標的重要程度進行賦分，并根據專家賦分情況，利用C-OWA算子方法計算海運供應鏈風險評價指標體系中各指標的權重系數（式（13）至式（15）），如表5所示。根據節點條件概率算法，通過MATLAB編碼獲得對應的節點條件概率表。

表5 海運供應鏈風險評價指標權重

（三）貝葉斯網絡推理分析

將上述計算得到的相關數據代入到構建的貝葉斯網絡中進行正向推理分析，可以得到各指標節點的概率分布情況，如圖3所示。其中，目標節點“海運供應鏈風險”的風險等級狀態為R=（21.78%，36.45%，26.49%，11.10%，4.18%），即海運供應鏈風險狀態為“高”的概率為21.78%，風險狀態為“較高”的概率為36.45%，風險狀態為“中等”的概率為26.49%，風險狀態為“較低”的概率為11.10%，風險狀態為“低”的概率為4.18%。利用加權平均法計算得到最終面臨的風險大小為0.6211，對應表1風險評價指標體系評價集可知，海運供應鏈的風險等級為V2，處于較高風險狀態。使用加權平均法計算一級指標和二級指標的風險評估值，進行風險優先級排序，結果如表6所示。

由表6可知，一級指標中風險排序依次為“信息系統風險”“外部環境風險”“物流服務風險”及“內部合作風險”；二級指標中風險較高的五個因素分別為“信息系統故障”“自然環境風險”“社會不穩定因素”“信息準確性”和“網絡安全”。

在貝葉斯網絡模型中將目標節點“海運供應鏈風險”設置為高風險等級狀態V1（風險發生概率設置為100%），判斷其關鍵影響因素。通過加權平均法對逆向推理結果進行處理，如表7所示，可知：當海運供應鏈處于高風險狀態時，一級指標中“信息系統風險”和“外部環境風險”概率較高，分別為78%和77%，其次是“物流服務風險”和“內部合作風險”，風險發生概率均高于50%；二級指標中“自然環境風險”“社會不穩定因素”“信息準確性”和“信息系統故障”風險發生概率較高，均高于75%。

圖3 海運供應鏈風險評估貝葉斯網絡模型

表6 貝葉斯網絡正向推理結果

表7 貝葉斯網絡逆向推理結果

五、結論

本文提出了一種結合模糊集、改進的DS證據理論、C-OWA算子和貝葉斯網絡的海運供應鏈風險評估模型，以風險識別結果為基礎，構建海運供應鏈風險評價指標體系；基于模糊集理論結合改進的DS證據理論融合多位專家評價結果，得到各評價指標的基本概率分配；基于專家小組評價結果，運用C-OWA算子方法計算指標權重，用MATLAB加以處理獲取節點條件概率表；運用GENIE軟件構建海運供應鏈風險評估的貝葉斯網絡拓撲結構，將指標基本概率和條件概率表代入其中，更新貝葉斯網絡，并進行推理分析。

海運供應鏈涉及眾多組織，其安全問題是各國共同追求的目標，針對風險評估中確定的關鍵風險因素，海運供應鏈上的參與者應該采取針對性的措施控制或者防范風險：信息準確性以及信息系統故障等信息系統風險反映出信息交流與共享的重要性，供應鏈上的參與者應制定信息共享機制，構建統一的供應鏈管理平臺，以實現信息安全高效流轉。自然環境風險以及社會不穩定因素等外部環境風險導致供應鏈運作的不確定性增加，為保障供應鏈的穩定性和可持續性，供應鏈上的參與者應該加強合作，共同應對風險和挑戰；提高供應鏈可視化水平，以獲取實時數據和信息；制定應急計劃，確保做出及時有效的反應。

本文的主要貢獻在于所提出的模型能夠從系統的角度對海運供應鏈風險進行評估，進一步提升風險評價過程的科學性和準確性；與傳統的DS證據理論相比，改進的DS證據理論引入矩陣分析和權值分配，解決了專家意見的主觀性帶來的證據沖突問題，簡化了計算過程；評估結果反映出海運供應鏈上各風險事件的重要程度，能夠為后續風險管理工作提供有效借鑒。

然而，本文提出的海運供應鏈風險評估模型具有一定的局限性：評估結果很大程度上取決于專家意見，主觀性較強；同時，在貝葉斯網絡的應用過程中，由于參數學習樣本的缺乏，導致確定貝葉斯網絡條件概率表的過程相對繁瑣。在未來的研究中要進一步融入定量分析，主客觀相結合，使風險評估模型以及最終評估結果更接近實際情況。

參考文獻：

［1］JIANG H， XIONG W， CAO Y.Risk of the maritime supply chain system based on interpretative structural model［J］.Polish maritime research， gdansk： gdansk univ technology， 2017， 24： 28-33.

［2］JIANG M， LIU Y， LU J， et al.Risk assessment of maritime supply chains within the context of the Maritime Silk Road［J］.Ocean and coastal management， 2023， 231： 106380.

［3］WAN C， YAN X， ZHANG D， et al.An advanced fuzzy bayesian-based FMEA approach for assessing maritime supply chain risks［J］.Transportation research part e： logistics and transportation review， 2019， 125： 222-240.

［4］VILKO J P P， HALLIKAS J M.Risk assessment in multimodal supply chains［J］.International journal of production economics， 2012， 140（2）： 586-595.

［5］VILKO J， RITALA P， HALLIKAS J.Risk management abilities in multimodal maritime supply chains： visibility and control perspectives［J］.Accident analysis and prevention， 2019， 123： 469-481.

［6］孫家臣， 王海燕， 任瑤，等.西非鋁礬土進口海運供應鏈風險評估［J］.上海船舶運輸科學研究所學報， 2020， 43（1）： 71-77.

［7］謝露強， 孫家臣， 王海燕.基于改進FMECA-FBN和ER的鋁礬土海運物流風險評估［J］.安全與環境工程， 2022， 29（6）： 10-21.

［8］YANGY C.Risk management of Taiwans maritime supply chain security［J］.Safety science， 2011， 49（3）： 382-393.

［9］BARNES P， OLORUNTOBA R.Assurance of security in maritime supply chains： conceptual issues of vulnerability and crisis management［J］.Journal of international management， 2005， 11（4）： 519-540.

［10］LAM J S L， BAI X.A quality function deployment approach to improve maritime supply chain resilience［J］.Transportation research part E-logistics and transportation review， 2016， 92： 16-27.

［11］WAN C， YANG Z， ZHANG D， et al.Resilience in transportation systems： a systematic review and future directions［J］.Transport reviews，2018， 38（4）： 479-498.

［12］NARASIMHA P T， JENA P R， MAJHI R.Impact of COVID-19 on the Indian seaport transportation and maritime supply chain［J］.Transport policy， 2021， 110： 191-203.

［13］NOTTEBOOM T， PALLIS T， RODRIGUE J P.Disruptions and resilience in global container shipping and ports： the COVID-19 pandemic versus the 2008-2009 financial crisis［J］.Maritime economics and logistics，2021， 23（2）： 179-210.

［14］GUO J.Credit risk management and control in a maritime supply chain trade network［J］.Journal of coastal research， 2020， 106（1）： 109.

［15］傅淑楠， 徐晟皓.海運供應鏈中的道德風險問題研究［J］.河北經貿大學學報（綜合版）， 2016， 16（4）： 96-99.

［16］張清華， 王進， 王國胤.粗糙模糊集的近似表示［J］.計算機學報， 2015， 38（7）： 1484-1496.

［17］ 賈進章，陳怡諾，柯丁琳.基于模糊集和改進DS證據理論的危化品道路運輸體系貝葉斯網絡風險分析［J］.北京化工大學學報（自然科學版）， 2020， 47（1）： 38-45.

［18］王姣，范科峰，莫瑋.基于改進DS證據理論和BN的信息安全風險評估［J］.電視技術，2017，41（6）：24-30.

［19］奚婷婷， 熊偉麗， 張林，等.基于矩陣分析的DS合成算法［J］.計算機工程， 2009， 35（16）： 264-266.

［20］亢磊磊.基于C-OWA算子和BP神經網絡的地鐵車站火災安全評價［J］.隧道建設（中英文）， 2018， 38（7）： 1158-1163.

［21］李金蓉， 楊玉中.DS理論-貝葉斯網絡下的煤礦通風系統風險評估［J］.中國安全科學學報， 2022， 32（8）： 146-153.

［22］王姣， 范科峰， 莫瑋.基于模糊集和DS證據理論的信息安全風險評估方法［J］.計算機應用研究， 2017， 34（11）： 3432-3436.

Risk Assessment of Maritime Supply Chain Based on

Improved DS Evidence Theory and Bayesian Network

CHU Liang-yong1，2，3，WANG Meng-yao1，CHEN Xiu-qian1

（1.Navigation College， Jimei University， Xiamen，Fujian 361021;

2.Fujian Shipping Research Institute， Xiamen，Fujian 361021;

3.Modern Logistics Research Center， Jimei University，Xiamen，Fujian 361021）

Abstract：As a complex network organization， the maritime supply chain provides transport services for the global industrial chain， and in the context of globalization， the maritime supply chain faces numerous risks and challenges that affect the safe and smooth operation of the supply chain.Therefore， it is crucial to study its risks.In response to the uncertainty of influencing factors and subjectivity in expert knowledge inference in the risk assessment system of maritime supply chain， the article proposes a maritime supply chain risk assessment model based on improved DS evidence theory and Bayesian network.The results indicate that the maritime supply chain is in a high risk level state， with a high probability of “information system risk” and “external environmental risk”， which require special attention.This model can evaluate the risks of the maritime supply chain from a systematic perspective， effectively improving the scientificity and accuracy of risk assessment; The evaluation results can provide effective reference for risk management for participants in the supply chain.

Keywords： maritime supply chain；risk assessment；improved DS evidence theory；Bayesian network

基金項目：國家社科基金重大項目“面向應急決策的重大災害態勢感知理論、方法與應用研究”（23&ZD138）