基于BP神經網絡的家具供應鏈脆弱性評價

摘 要：【目的】對家具供應鏈脆弱性進行評價研究，以期從供應鏈脆弱性的角度為家具供應鏈風險管理決策提供參考依據。【方法】結合新時代背景下家具供應鏈發展新特征，對家具供應鏈各環節脆弱性進行分解，運用德爾菲法篩選家具供應鏈脆弱性因素，利用SPSS軟件進行信度和效度分析，構建包括數字化供應鏈成熟度在內的家具供應鏈脆弱性評價指標體系。利用BP神經網絡在風險評價方面的優勢，結合置換特征重要性算法，運用Python進行仿真訓練，構建基于BP神經網絡的家具供應鏈脆弱性評價模型。【結果】1）構建了由3個一級指標、9個二級指標和24個三級指標構成的家具供應鏈脆弱性評價指標體系；2）采用置換特征重要性算法計算家具供應鏈脆弱性評價指標權重，根據權重對評價指標進行了排序發現，市場需求預測、供應鏈信息協同、供應鏈決策水平、產業結構調整和產品競爭力這5項指標對家具企業供應鏈脆弱性預測值具有較大的正向顯著性；3）通過迭代和訓練發現，基于BP神經網絡的家具供應鏈脆弱性評價模型對61組訓練集數據的分類預測準確率為100%，最大相對誤差為0.002 256%；對20組測試樣本數據的分類預測準確率為95%，最大相對誤差為0.5%。【結論】基于BP神經網絡的家具供應鏈脆弱性評價模型有良好的非線性映射和學習能力，擁有較強的分類預測功能，能全面有效地對家具供應鏈脆弱性進行評價。

關鍵詞：家具；供應鏈；脆弱性；BP神經網絡；評價

中圖分類號：S7-9 文獻標志碼：A 文章編號：1673-923X（2025）03-0158-09

基金項目：湖南省重點研發計劃項目（2022GK2025）；智慧物流技術湖南省重點實驗室項目（2019TP1015）。

Vulnerability evaluation of furniture supply chain based on BP neural network

QU Junlin， PANG Yan， WANG Zhongwei

（Central South University of Forestry Technology， Changsha 410004， Hunan， China）

Abstract：【Objective】To evaluate and study the vulnerability of furniture supply chain， in order to provide reference for furniture supply chain risk management decisions from the perspective of supply chain vulnerability.【Method】Based on the new characteristics of furniture supply chain development in the context of the new era， the vulnerability of each link in the furniture supply chain was decomposed， and the Delphi method is used to screen the factors of furniture supply chain vulnerability. SPSS software wass used for reliability and validity analysis， and a furniture supply chain vulnerability evaluation index system including digital supply chain maturity is constructed. Utilizing the advantages of BP neural network in risk assessment， combined with permutation feature importance algorithm， Python was used for simulation training to construct a furniture supply chain vulnerability evaluation model based on BP neural network.【Result】1） a furniture supply chain vulnerability evaluation index system consisting of 3 primary indicators， 9 secondary indicators， and 24 tertiary indicators was constructed； 2） The permutation feature importance algorithm was used to calculate the weights of the evaluation indicators for furniture supply chain vulnerability. Based on the weights， the evaluation indicators were ranked and it was found that the five indicators of market demand prediction， supply chain information collaboration， supply chain decision-making level， industrial structure adjustment， and product competitiveness have significant positive significance for predicting the vulnerability of furniture enterprise supply chains； 3） Through iteration and training， it was found that the furniture supply chain vulnerability evaluation model based on BP neural network has a classification prediction accuracy of 100% for 61 sets of training data， with a maximum relative error of 0.002 256%； The classification prediction accuracy for 20 sets of test sample data is 95%， with a maximum relative error of 0.5%.【Conclusion】The furniture supply chain vulnerability evaluation model based on BP neural network has good nonlinear mapping and learning ability， strong classification and prediction function， and can comprehensively and effectively evaluate the vulnerability of furniture supply chain.

Keywords： furniture； supply chain； vulnerability； BP neural network； evaluation

供應鏈已成為國家與國家、企業與企業之間競爭的關鍵，建立穩定可靠、韌性較強的供應鏈是提升產業核心競爭力的重要保障。中國家具產業經過多年的發展，正處于向高質量發展的轉型升級階段，供應鏈的穩定性和韌性還不強，在國際市場競爭中仍處于弱勢地位。對家具供應鏈脆弱性進行分析，有助于分辨不同類型、不同層次、不同程度的供應鏈風險以及風險源頭，為進一步優化供應鏈結構和降低供應鏈風險提供決策依據，助推中國家具產業高質量發展。

供應鏈脆弱性評價是一種重要的、前瞻性的供應鏈風險管理方法。在供應鏈脆弱性評價方面，部分學者重點研究了脆弱性影響因素和評價指標體系，如龐燕等[1]辨識了林果冷鏈物流脆弱性關鍵影響因素。廖玉漣等[2]對電動汽車供應鏈脆弱性影響因素進行了分析。Wang等[3]分析了中國白酒供應鏈欺詐脆弱性的差異和潛在影響因素。趙艷等[4]對醫療器械供應鏈的脆弱性進行了分析。曾貴榮[5]研究了商貿企業供應鏈脆弱性的影響要素。楊洋等[6]對能源供應鏈網絡脆弱性進行了評價。張云濤等[7]建立了集成電路供應鏈脆弱性指標評價體系。崔曉敏等[8]利用貿易網絡分析方法構建了供應鏈脆弱性度量指標。段鷹等[9]運用改進的信息熵建立了供應鏈脆弱性評估指標體系。部分學者重點研究了供應鏈脆弱性評價方法和評價模型，如Lambaino等[10]應用回歸分析方法研究了供應鏈脆弱性帶來的風險和影響。閆妍等[11]基于復雜網絡理論提出了供應鏈網絡結構重要性節點的界定規則方法。Majumdar等[12]運用模糊層次分析法量化了南亞和東南亞國家的綠色服裝供應鏈脆弱性風險。Blackhurst等[13]結合運用Petri網和三角化聚類算法對供應鏈網絡脆弱性進行了評估。Nadia等[14]針對城市道路基礎設施對供應鏈網絡脆弱性的影響研究提出了供應鏈網絡設計決策指標。Hao等[15]構建了供應鏈韌性和脆弱性平衡狀態評估模型。Cabral等[16]構建了分析網絡流程（ANP）模型衡量供應鏈脆弱性。聶彤彤等[17]提出了一種基于組合權重的改進TOPSIS應急供應鏈脆弱性評價模型。BP神經網絡在供應鏈評價領域也有著十分廣泛的應用，如王婷等[18]以物資供應商為例，運用BP神經網絡算法建立了動態供應鏈評價指標體系。張春生等[19]利用BP神經網絡算法構建了裝配式建筑供應鏈風險評價模型。曹曄[20]以BP神經網絡為基礎，建立了以超市為中心的農產品流通供應鏈績效評價體系。李昕等[21]以化工行業為研究對象，基于BP神經網絡構建了風險評價模型。Zhang等[22]以國家市場監督管理總局的日常食品檢驗數據為基礎建立了BP神經網絡模型。Quan等[23]基于傳統的BP神經網絡和改進的粒子群優化算法，構建了基于DPMPSO-BP神經網絡的智能制造企業供應商效率評價模型。

綜上所述，在供應鏈脆弱性評價體系構建與評價方法上，國內外學者大多是在特定的結構模型和假設條件下提出的，尤其是對數字經濟背景下的家具供應鏈脆弱性影響因素考慮較少，評價體系與評價方法的普適性相對較差。鑒于此，本研究對數字經濟背景下家具供應鏈各環節脆弱性進行分析，構建包括與數字化供應鏈成熟度相關指標在內的家具供應鏈脆弱性評價指標體系，并且利用BP神經網絡算法在供應鏈評價領域的優勢，通過仿真訓練構建具備較強的普適性和可遷移的BP神經網絡家具供應鏈脆弱性評價模型，從而實現對家具供應鏈整體與局部脆弱性的全方位評價。

1 家具供應鏈脆弱性評價指標體系

本研究結合相關文獻和家具供應鏈特征，從外部環境、供應鏈系統、數字化成熟度3個維度初步得到53個家具供應鏈脆弱性影響因素，并在此基礎上運用德爾菲法進行篩選，確定了3個一級指標、18個二級指標和30個三級指標。為進一步提煉家具供應鏈脆弱性影響因子，向家具行業從業者、家具供應鏈研究學者發放家具供應鏈脆弱性評價指標調查問卷，旨在通過行業專家打分來篩選和提取家具供應鏈主要風險指標[24-26]。調查的行業專家分布在全國各地，均為家具的生產、物流、銷售等部門從業者與研究者，具有多年的工作經驗，對家具行業有深入的認識。問卷通過線上線下點對點發放，共發放問卷100份，回收90份，對調查問卷整理后得到有效問卷81份。

1.1 信度與效度分析

為有效評估調查問卷數據的質量和可靠性，本研究對調查問卷的數據進行了信度分析和效度分析。通過SPSS軟件分析計算，得出的信度系數為0.886，KMO值為0.719，巴特利特球形檢驗值為0.000。信度分析和效度分析結果表明，本研究所設計的調查問卷具有較高的真實性和可靠性，且可進行因子分析，能作為后續研究的有效依據。

1.2 因子分析

本研究參考Xu等[24]、Guo等[25]、Wang等[26]研究，采用主成分分析方法及最大方差翻轉的方法，達到降維和數據濃縮的目的。通過旋轉后的因子載荷系數，識別出與家具供應鏈風險密切相關的關鍵指標。對旋轉后的荷載因子進行分類和篩選后，提取主要因子，最終精簡得到由9個一級指標和24個二級指標構成的家具供應鏈脆弱性評價指標體系（表1）。

2 家具供應鏈脆弱性評價模型

2.1 BP神經網絡概述

BP神經網絡模型是一種具有反向傳播算法的多層前饋神經網絡，可以實現從輸入到輸出的任意非線性映射[21]。它是一種有監督的學習算法，能較好地解決數據少、信息貧、不確定性問題，且不受非線性模型的限制。此外，它具有良好的自組織、自適應、容錯等優點[22-23]。

經典的BP神經網絡模型采用輸入層、輸出層和隱含層組成的三層網絡結構，本研究中的家具供應鏈脆弱性評估網絡模型的層數也為三層，輸入層節點數為24。由于本研究是解決多分類的問題，將風險分為很低風險、較低風險、一般風險、較高風險、很高風險，網絡輸出為五維向量，以此確定出輸出層節點數為5。本研究使用的訓練參數設置如下表2所示。

2.2 基于BP神經網絡的家具供應鏈脆弱性評價模型

2.2.1 訓練樣本數據的產生

將61組調查問卷樣本作為訓練樣本，并將其輸入到網絡中進行訓練，將20組調查問卷樣本作為測試樣本，對模型進行訓練，以檢驗模型的泛化能力。在調查問卷中，風險因素對家具企業供應鏈的影響程度共設置了5個層次，分別為[0.0， 1.0]表示影響程度很低；[1.0， 2.0]表示影響程度較低；[2.0， 3.0]表示影響程度一般；[3.0， 4.0]表示影響程度較高；[4.0， 5.0]表示影響程度很高。期望分類（導師值）是填寫問卷專家評估的供應鏈總風險評分，1～5五個評分表示5個風險等級，1表示很低風險，2表示較低風險，3表示一般風險，4表示較高風險，5表示很高風險（表3）。

2.2.2 BP神經網絡訓練

本研究設置180次的最大迭代數，訓練最小學習誤差為0.002，學習率為0.008。隨著隱含層數的增加，損失越來越小，當隱含層數為110的時候，誤差損失為最小。當訓練最大迭代次數為165次時，網絡的運行效果達到了最優，整個訓練過程也達到了預期的效果。訓練結果如表4所示。

通過對61組訓練集的數據進行反復迭代和訓練，發現BP神經網絡模型在預測分類和預期分類的結果一致，準確率為100%，最大相對誤差僅為 0.002 256%。因此，本研究所提出的基于BP神經網絡的家具供應鏈脆弱性評價模型具有良好的非線性映射和學習性能。

2.2.3 BP神經網絡擬合

將20組樣本數據輸入訓練好的模型中，以檢驗其泛化能力。運行結果如下表5所示。

測試樣本的20組數據中，有19組數據的分類預測是正確的，只有1組數據的預測分類出現錯誤，準確率為95.00%，最大相對誤差僅為0.50%，說明該模型具有較好的預測分類作用，有助于以后的應用研究。

2.3 家具供應鏈脆弱性評價指標權重

本研究采用置換特征重要性算法計算估計誤差，將樣本均值進行仿真訓練得到預測結果的實際誤差，并通過估計誤差與實際誤差進行對比，計算出預測誤差。通過預測誤差的增加，確定輸入風險指標對BP神經網絡家具供應鏈脆弱性評價模型預測結果的顯著性水平，獲得各個風險指標對家具供應鏈整體風險所占的權重，并根據權重進行排序，具體如表6所示。

從表6可以看出，市場需求預測（U32）、供應鏈信息協同（U94）、供應鏈決策水平（U71）、產業結構調整（U31）和產品競爭力（U63）這5項指標的置換產生較大的正向預測誤差，說明這5項風險指標對家具企業供應鏈脆弱性預測值具有較大的正向顯著性。經濟周期性波動（U12）、原材料價格（U42）和財務能力（U51）這3項指標的置換減少了預測誤差，意味著這些因素的不確定性在一定程度上可以通過供應鏈管理策略來緩解。盡管戰爭（U11）和自然災害（U13）這類極端事件通常被視為不可控因素，但它們的置換對預測誤差的影響也不容忽視，這提示我們在供應鏈設計和策略制定時需要考慮這些極端情況的潛在影響。

3 案例分析

3.1 案例背景與數據收集

A家具企業是一家國際知名的高端定制家具制造商，專注于為高端住宅、豪華酒店和頂級辦公室提供定制家具解決方案。本研究選取了以A企業為核心的家具供應鏈管理為實例，對其進行了風險預測和評估。基于已有的家具供應鏈脆弱性評價指標體系，圍繞A企業上下游企業主管領導和長期從事家具行業人員，點對點發放50份調查問卷，經過回收整理，最終獲得40份有效問卷，原始數據表如下表7所示。

3.2 評價結果

通過對案例樣本數據進行規范化處理，確定BP神經網絡輸入層節點為24，選取S（Sigmoid）型激勵函數作為訓練函數以及交叉熵損失函數作為評價模型的檢驗函數，將表7中40組案例樣本數據作為模型仿真測試數據輸入到第2節訓練好的評價模型中，其仿真測試結果如表8所示。

在40位被調查者中有22位被調查者認為該家具供應鏈管理存在較低風險，有18位被調查者認為該供應鏈管理存在一般風險。BP神經網絡家具供應鏈脆弱性評價模型預測結果輸出值為[0，0，1，0，0]，屬于一般風險。具體案例測試結果表明，以A企業為核心的家具供應鏈與該供應鏈的實際情況較為一致，供應鏈管理處于較為安全的狀態，整體風險較低。

4 結論與討論

本研究以家具供應鏈脆弱性為研究對象，通過構建數字經濟背景下家具供應鏈脆弱性評價指標體系和評價模型，以幫助家具企業有效識別和應對供應鏈風險。本研究通過研究得出以下結論：

1）運用德爾菲法、信度與效度分析法、主成分分析法篩選家具供應鏈脆弱性影響因素，構建的包括數字化供應鏈成熟度在內，由3個一級指標、9個二級指標和24個三級指標組成的家具供應鏈脆弱性評價指標體系，更加符合數字經濟背景下家具供應鏈發展實際。

2）將BP神經網絡算法應用于家具供應鏈脆弱性評價，構建了家具供應鏈脆弱性評價模型，并使用Python進行編程，對模型進行反復迭代和訓練。結果表明，本研究所提出的基于BP神經網絡的家具供應鏈脆弱性評價模型有良好的非線性映射和學習能力，并擁有較好的預測分類功能，有利于家具企業有效識別和應對供應鏈風險。

3）基于BP神經網絡模型，采用置換特征重要性算法，獲得了各個風險指標對家具供應鏈整體風險所占的權重。結果表明，市場需求預測、供應鏈信息協同、供應鏈決策水平、產業結構調整和產品競爭力這5項指標所占權重位居所有指標前列，需要引起家具企業在風險管理方面的高度重視。

本研究構建了數字經濟背景下家具供應鏈脆弱性評價指標體系和評價模型，但對于如何以本評價指標體系和評價模型為依據，運用現代信息技術提出合適的防范策略，緩解和控制家具供應鏈脆弱性，降低家具供應鏈管理風險，仍有待進一步深入研究。

參考文獻：

[1] 龐燕，鄧奇緣，王忠偉，等.基于DEMATEL-ISM的林果冷鏈物流脆弱性關鍵影響因素辨識[J].中南林業科技大學學報，2024，44（3）：136-148. PANG Y， DENG Q Y， WANG Z W， et al. Identification of key influencing factors on the vulnerability of forest fruit cold chain logistics based on DEMATEL-ISM[J]. Journal of Central South University of Forestry Technology，2024，44（3）：136-148.

[2] 廖玉漣，徐文平.“雙碳”背景下電動汽車供應鏈脆弱性影響因素分析[J].物流科技，2024，47（14）：115-119，134. LIAO Y L， XU W P. Analysis of factors influencing the vulnerability of electric vehicle supply chain under the background of dual carbon[J]. Logistics Technology，2024，47（14）： 115-119，134.

[3] WANG Y Q， LIU J L， XIONG Y L， et al. Food fraud vulnerability assessment in the Chinese baijiu supply chain[J]. Foods，2023， 12（3）：516-516.

[4] 趙艷，史孟婭.突發公共衛生事件背景下醫療器械供應鏈脆弱性研究[J].北京交通大學學報（社會科學版）， 2024，23（2）： 101-112. ZHAO Y， SHI M Y. Study on the vulnerability of medical device supply chain under the background of public health emergencies[J]. Journal of Beijing Jiaotong University （Social Sciences Edition），2024，23（2）：101-112.

[5] 曾貴榮.商貿企業供應鏈彈性管理的優化研究[J].商業經濟研究，2018（8）：86-88. ZENG G R. Optimization of supply chain elastic management in commercial enterprises[J]. Business Economics Research， 2018（8）：86-88.

[6] 楊洋，劉旭，劉藝林，等.基于貝葉斯定理的能源供應網絡脆弱性研究[J].統計與決策，2018，34（16）：35-39. YANG Y， LIU X， LIU Y L， et al. Study on the vulnerability of energy supply networks based on Bayesian theorem[J]. Statistics and Decision Making，2018，34（16）：35-39.

[7] 張云濤，陳家寬，溫浩宇.中國集成電路制造供應鏈脆弱性研究[J].世界科技研究與發展，2021，43（3）：356-366. ZHANG Y T， CHEN J K， WEN H Y. Research on the vulnerability of china’s integrated circuit manufacturing supply chain[J]. World Science and Technology Research and Development， 2021，43（3）：356-366.

[8] 崔曉敏，熊婉婷，楊盼盼，等.全球供應鏈脆弱性測度—基于貿易網絡方法的分析[J].統計研究，2022，39（8）：38-52. CUI X M， XIONG W T， YANG P P， et al. Measurement of global supply chain vulnerability：analysis based on trade network method[J]. Statistical Research，2022，39（8）：38-52.

[9] 段鷹，劉紅，朱祥文.基于企業地位不平等的供應鏈脆弱性分析[J].計算機集成制造系統，2019，25（1）：208-213. DUAN Y， LIU H， ZHU X W. Analysis of supply chain vulnerability based on enterprise status inequality[J]. Computer Integrated Manufacturing Systems，2019，25（1）：208-213.

[10] LAMBAINO N K， GUYO W， ODHIAMBO R， et al. Risk reduction strategies and supply chain resilience in the petroleum industry in Kenya[J]. International Journal of Economics， Commerce and Management，2018，6（7）：628-634.

[11] 閆妍，劉曉，莊新田.基于復雜網絡理論的供應鏈級聯效應檢測方法[J].上海交通大學學報，2010，44（3）：322-327. YAN Y， LIU X， ZHUANG X T. Method for detecting cascading effects in supply chains based on complex network theory[J]. Journal of Shanghai Jiao Tong University，2010，44（3）322-327.

[12] MAJUMDAR A， SINHA S K， SHAW M， et al. Analysing the vulnerability of green clothing supply chains in south and southeast Asia using fuzzy analytic hierarchy process[J]. International Journal of Production Research，2021，59（3）：752-771.

[13] BLACKHURST J， RUNGTUSANATHAM J M， SCHEIBE K， et al. Supply chain vulnerability assessment： a network based visualization and clustering analysis approach[J]. Journal of Purchasing and Supply Management，2018，24（1）：21-30.

[14] NADIA M VILJOEN， JOHAN W JOUBERT. The road most travelled： the impact of urban road infrastructure on supply chain network vulnerability[J]. Networks and Spatial Economics， 2018，18（1）：85-113.

[15] HAO Z， FU J， XIN J Y. Striking a balance between supply chain resilience and supply chain vulnerability in the cross-border e-commerce supply chain[J]. International Journal of Logistics Research and Applications，2023，26（3）： 320-344.

[16] CABRAL I， GRILO A， CRUZ-MACHADO V. A decisionmaking model for lean，agile，resilient and green supply chain management[J]. International Journal of Production Research，2012，50（17）：4830-4845.

[17] 聶彤彤，于雪嬌.基于改進TOPSIS方法的應急供應鏈脆弱性評價研究[J].山東財經大學學報，2020，32（4）：101-113. NIE T T， YU X J. Research on emergency supply chain vulnerability evaluation based on improved TOPSIS method[J]. Journal of Shandong University of Finance and Economics， 2020，32（4）：101-113.

[18] 王婷，翟翼，徐志鵬.BP神經網絡算法在物資供應鏈績效評價中的應用[J].河南科技，2022，41（15）：4-7. WANG T， ZHAI Y， XU Z P. Application of BP neural network algorithm in performance evaluation of material supply chain[J]. Henan Science and Technology，2022，41（15）：4-7.

[19] 張春生，喬夢菲.基于BP神經網絡的裝配式建筑供應鏈風險評價[J].項目管理技術，2022，20（5）：28-33. ZHANG C S， QIAO M F. Risk assessment of prefabricated building supply chain based on BP neural network[J]. Project Management Technology，2022，20（5）：28-33.

[20] 曹曄.基于BP神經網絡的農產品流通供應鏈績效評價研究[J].商業經濟研究，2021（11）：134-137. CAO Y. Research on performance evaluation of agricultural product circulation supply chain based on BP neural network[J]. Business Economics Research，2021（11）：134-137.

[21] 李昕，湯健.基于BP神經網絡的化工行業供應鏈金融信用風險評價[J].物流科技，2020，43（11）：154-159. LI X， TANG J. Credit risk evaluation of supply chain finance in the chemical industry based on BP neural network[J]. Logistics Technology，2020，43（11）：154-159.

[22] ZHANG D， XU J， LI C. Model for food safety warning based on inspection data and BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering，2010，26（1）：221-226.

[23] QUAN Q， ZHANG Z. Supply capability evaluation of intelligent manufacturing enterprises based on improved BP neural network[J]. Journal of Mathematics，2022（1）：8572424.

[24] XU X， ZOU P X W. Analysis of factors and their hierarchical relationships influencing building energy performance using interpretive structural modelling（ISM）approach[J]. Journal of Cleaner Production，2020，272：122650.

[25] GUO X， YANG Z， SUN J， et al. Impact pathways of emerging ITs to mitigate supply chain vulnerability： a novel DEMATELISM approach based on grounded theory[J]. Expert Systems with Applications，2024，239：122398.

[26] WANG L， BI X. Risk assessment of knowledge fusion in an innovation ecosystem based on a GA-BP neural network[J]. Cognitive Systems Research，2021，66：201-210.

[27] ONAT N C， KUCUKVAR M， AFSHAR S. Eco-efficiency of electric vehicles in the United States： a life cycle assessment based principal component analysis[J]. Journal of Cleaner Production，2019，212：515-526.

[28] LI T， ZHANG H， YUAN C， et al. A PCA-based method for construction of composite sustainability indicators[J]. The International Journal of Life Cycle Assessment，2012，17：593-603.

[29] FORINA M， ARMANINO C， LANTERI S， et al. Methods of varimax rotation in factor analysis with applications in clinical and food chemistry[J]. Journal of Chemometrics，1989，3（S1）：115-125.

[30] 李敏惠，張彥山，田鈺茹.基于BP神經網絡的融資需求預測研究-以制造業為例[J].中國管理信息化，2024，27（9）：54-63. LI M H， ZHANG Y S， TIAN Y R. Research on financing demand prediction based on BP neural network： taking manufacturing industry as an example[J]. China Management Informatization， 2024，27（9）：54-63.

[31] CAKIR S， SITA M. Evaluating the performance of ANN in predicting the concentrations of ambient air pollutants in Nicosia[J]. Atmospheric Pollution Research，2020，11（12）： 2327-2334.

[32] TIAN J W， LIU Y， ZHENG W F， et al. Smog prediction based on the deep belief-BP neural network model（DBN-BP）[J]. Urban Climate，2022，41（12）：8-17.

[本文編校：吳 毅]