周 敏，黃福華

(1．中南大學(xué)交通運(yùn)輸工程學(xué)院，湖南 長(zhǎng)沙 410075;2．湖南商學(xué)院工商管理學(xué)院，湖南 長(zhǎng)沙 410205)

一、文獻(xiàn)綜述

資源和環(huán)境是經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展的兩大基礎(chǔ)性要件和有力保障。我國(guó)是人口大國(guó)，也是資源消耗大國(guó)，近年來(lái)的“粗放式”發(fā)展模式嚴(yán)重超過(guò)了資源和環(huán)境的承載力，資源和環(huán)境正成為經(jīng)濟(jì)社會(huì)下一輪發(fā)展的重要瓶頸［1］。隨著經(jīng)濟(jì)持續(xù)增長(zhǎng)和城市化進(jìn)程快速推進(jìn)，人民生活水平日益提高，連鎖超市、電視及網(wǎng)絡(luò)購(gòu)物等新型流通業(yè)態(tài)不斷涌現(xiàn)，整個(gè)社會(huì)對(duì)物流服務(wù)規(guī)模和質(zhì)量提出了更高的要求。從日本、德國(guó)等發(fā)達(dá)國(guó)家的發(fā)展經(jīng)驗(yàn)來(lái)看，共同物流是提升物流效率、降低物流運(yùn)作負(fù)面影響的有效方法之一。共同物流是經(jīng)過(guò)長(zhǎng)期發(fā)展和演變而形成的，是一種追求物流規(guī)模化和高效率的先進(jìn)物流形式，對(duì)提高貨車裝載率、降低物流成本、緩解交通擁擠等方面具有重要意義［2］。

在資源和環(huán)境約束下，共同物流涉及主體多、運(yùn)作環(huán)節(jié)多、各成員之間關(guān)系復(fù)雜，存在著較大的運(yùn)作風(fēng)險(xiǎn)。國(guó)內(nèi)外學(xué)者對(duì)共同物流的研究主要集中在共同物流內(nèi)涵、運(yùn)作形式、合作收益分配等方面［3］［4］，現(xiàn)有文獻(xiàn)對(duì)共同物流運(yùn)作風(fēng)險(xiǎn)研究以定性研究為主。關(guān)于風(fēng)險(xiǎn)評(píng)估的方法主要包括AHP 法、Fuzzy 法、OCTAVE 法、CORAS 法、PRA 法、ANN 法、綜合分析法等［6］［7］［8］［9］［10］［11］，從定性或定量角度對(duì)物流企業(yè)進(jìn)行風(fēng)險(xiǎn)評(píng)估。

定性分析無(wú)法給出風(fēng)險(xiǎn)的定量度量值，難以真實(shí)度量風(fēng)險(xiǎn)大小。現(xiàn)有的定量評(píng)估方法雖能對(duì)風(fēng)險(xiǎn)進(jìn)行定量評(píng)估，但實(shí)施過(guò)于煩瑣，而且數(shù)據(jù)需要人工整理，容易出錯(cuò)，不適應(yīng)共同物流動(dòng)態(tài)變化的特點(diǎn)。為提高共同物流運(yùn)作風(fēng)險(xiǎn)評(píng)估的可信性和可操作性，本文提出基于支持向量機(jī)(support vector machine，SVM)的共同物流運(yùn)作風(fēng)險(xiǎn)評(píng)估模型，并對(duì)共同物流運(yùn)作風(fēng)險(xiǎn)進(jìn)行科學(xué)預(yù)測(cè)。

二、資源和環(huán)境約束下的共同物流運(yùn)作風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)

本文采用模糊綜合評(píng)價(jià)法，將定性與定量相結(jié)合，通過(guò)量化決策者的經(jīng)驗(yàn)判斷，使模糊概念具體化;解決結(jié)構(gòu)復(fù)雜且缺乏數(shù)據(jù)的共同物流風(fēng)險(xiǎn)預(yù)測(cè)問(wèn)題，相應(yīng)得到的數(shù)學(xué)結(jié)果又能通過(guò)一定的方法轉(zhuǎn)為語(yǔ)言描述，客觀有效地描述指標(biāo)體系反映的性質(zhì)，有利于考察指標(biāo)對(duì)最終風(fēng)險(xiǎn)的影響程度［12］。綜合前人研究成果，本文將共同物流運(yùn)作風(fēng)險(xiǎn)影響因素歸納成15項(xiàng)評(píng)價(jià)指標(biāo)，以對(duì)共同物流運(yùn)作風(fēng)險(xiǎn)水平進(jìn)行評(píng)估:(1)合作伙伴能力風(fēng)險(xiǎn);(2)質(zhì)量風(fēng)險(xiǎn);(3)道德信用風(fēng)險(xiǎn);(4)物流與庫(kù)存控制風(fēng)險(xiǎn);(5)內(nèi)耗風(fēng)險(xiǎn);(6)信息傳遞風(fēng)險(xiǎn);(7)信息技術(shù)與安全風(fēng)險(xiǎn);(8)約束風(fēng)險(xiǎn);(9)庫(kù)存風(fēng)險(xiǎn);(10)柔性風(fēng)險(xiǎn);(11)價(jià)格波動(dòng)風(fēng)險(xiǎn);(12)政策與法律風(fēng)險(xiǎn);(13)需求不確定性風(fēng)險(xiǎn);(14)自然災(zāi)害風(fēng)險(xiǎn);(15)社會(huì)環(huán)境風(fēng)險(xiǎn)。我們將可以量化的指標(biāo)歸一化處理，將不能量化的指標(biāo)劃分為5個(gè)級(jí)別——高、較高、一般、較低和低，其對(duì)應(yīng)值分別為0.9、0.7、0.5、0.3、0.1。采用多位專家打分取平均的方法獲得原始值，并進(jìn)行歸一化處理。假設(shè)總共有樣本M個(gè)，每一個(gè)樣本的每一個(gè)風(fēng)險(xiǎn)指標(biāo)由N位專家打分，第m個(gè)樣本的第i個(gè)指標(biāo)平均得分Pm，i為:

其中，Sij表示第j個(gè)專家對(duì)第i個(gè)指標(biāo)打分的分值。我們把15個(gè)風(fēng)險(xiǎn)指標(biāo)轉(zhuǎn)化成1×15維行向量，即

三、SVM工作機(jī)理與共同物流風(fēng)險(xiǎn)預(yù)測(cè)步驟

(一)SVM基本原理

20世紀(jì)70年代末期，Vapnik等提出了一種新的神經(jīng)網(wǎng)絡(luò)——支持向量機(jī)。支持向量機(jī)通過(guò)某種事先選擇的非線性映像 (核函數(shù))將輸入向量映像到一個(gè)高維特征空間，在這個(gè)空間中構(gòu)造最優(yōu)分類超平面。

圖1中的圓圈和正方形分別代表兩類樣本，利用SVM方法將兩類樣本分開(kāi)的基本思想就是尋找一條最優(yōu)分類線H:wx+b=0(w為權(quán)變量)，從而把樣本分為兩部分，在H1、H2上的黑色樣本為支持向量(SV，Support Vector)。將這一原理推廣到高維空間中，如果兩類樣本可以被一平面正確分開(kāi)且分類間隔最大，則圖1中的最優(yōu)分類線H就將擴(kuò)展成為高維空間中的最優(yōu)超平面(Optimal Separating Hyper-plane，OSH)。

考慮分類問(wèn)題，根據(jù)給定的訓(xùn)練集T

圖1 利用SVM方法解決分類問(wèn)題的基本原理

T={(x1，y1)，…，(xl，yl)}∈(X × Y)l(xl∈X=Rn，yl∈Y={1， －1}且 i=1，2，…，l)

分類問(wèn)題需要尋找決策函數(shù)f(x)=sgn(g(x))，以便能推斷任一模式條件下x相對(duì)應(yīng)的y值。高維空間線性條件下的最優(yōu)分類函數(shù)(即SVM決策函數(shù))為:

由于共同物流運(yùn)作風(fēng)險(xiǎn)涉及因素多，且各因素之間存在復(fù)雜的非線性關(guān)系，因而本文采用非線性分類學(xué)習(xí)機(jī)。非線性分類學(xué)習(xí)機(jī)只需要在線性學(xué)習(xí)機(jī)基礎(chǔ)上引入一種核函數(shù)K(x，xj)滿足Mercer條件，即可將其轉(zhuǎn)化為高維空間中的線性問(wèn)題，這里采用徑向基核函數(shù):

通過(guò)改變?chǔ)液推渌麉?shù)可以改善SVM的預(yù)測(cè)性能，直到最優(yōu)效果為止。

(二)基于SVM的共同物流風(fēng)險(xiǎn)預(yù)測(cè)步驟

利用SVM方法進(jìn)行共同物流風(fēng)險(xiǎn)評(píng)價(jià)的核心是要建立一個(gè)訓(xùn)練樣本集，通過(guò)確定合適的核函數(shù)及參數(shù)，對(duì)已知樣本集進(jìn)行學(xué)習(xí)與訓(xùn)練，最后確定最優(yōu)決策函數(shù)，并利用該函數(shù)進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)和預(yù)測(cè)。SVM共同物流風(fēng)險(xiǎn)評(píng)價(jià)方法主要遵循以下的基本程序與步驟。

首先，為提高建模精度，本文采用如下方法進(jìn)行預(yù)處理:

對(duì)于所有時(shí)間序列，取前面r個(gè)數(shù)值作為訓(xùn)練建模樣本，其余的作為測(cè)試樣本。為更有效地利用有限的數(shù)據(jù)，我們對(duì)其進(jìn)行相空間重構(gòu)，即將一維的實(shí)踐序列轉(zhuǎn)換為矩陣形式，以盡可能地挖掘數(shù)據(jù)的信息量。于是，我們得到用于向量機(jī)學(xué)習(xí)的樣本，建立映射f:Rm→R。對(duì)于學(xué)習(xí)樣本，我們按照如下的回歸函數(shù)進(jìn)行訓(xùn)練:

其中，ai，a*i為拉格朗日乘子，b為分類面閾值。

為了方便評(píng)價(jià)預(yù)測(cè)方法的準(zhǔn)確性，我們引入均方誤差MSE和均等系數(shù)EC兩個(gè)指標(biāo):

均值系數(shù)可形象地描述預(yù)測(cè)值和實(shí)際值的擬合度。一般地，擬合度在0.9以上可認(rèn)定為較好的擬合。這兩類指標(biāo)分別從逐點(diǎn)比較和整體預(yù)測(cè)趨勢(shì)兩方面對(duì)預(yù)測(cè)方法進(jìn)行評(píng)價(jià)，從而較為全面地判斷預(yù)測(cè)的準(zhǔn)確性。

四、實(shí)例分析與結(jié)論

(一)數(shù)據(jù)采集

首先，組建樣本訓(xùn)練集。選擇16個(gè)中部地區(qū)不同區(qū)縣建立共同物流體系的樣本，即湖南省(3個(gè))、湖北省(3個(gè))、河南省(3個(gè))、山西省(2個(gè))、安徽(3個(gè))、江西省(2個(gè))，并隨機(jī)編號(hào)。將樣本分為兩類，序號(hào)1－12的12個(gè)企業(yè)作為訓(xùn)練樣本，13－16的4個(gè)企業(yè)作為預(yù)測(cè)檢驗(yàn)樣本。經(jīng)過(guò)標(biāo)準(zhǔn)化數(shù)據(jù)及其風(fēng)險(xiǎn)等級(jí)后組成訓(xùn)練集，其中評(píng)價(jià)指標(biāo)值作為輸入變量，風(fēng)險(xiǎn)等級(jí)為輸出變量，歸一化處理后得到的整個(gè)風(fēng)險(xiǎn)指標(biāo)矩陣如表1所示。

(二)實(shí)例分析

本文將共同物流運(yùn)作風(fēng)險(xiǎn)劃分為5個(gè)級(jí)別——低(L)、中低(ML)、中等(M)、中高(MH)、高(H)，風(fēng)險(xiǎn)級(jí)別對(duì)應(yīng)值分別為 ［0，0.2］、(0.2，0.4］、(0.4，0.6］、(0.6，0.8］、(0.8，1］。選擇MATLAB 2010的SVM平臺(tái)對(duì)我國(guó)典型共同物流運(yùn)營(yíng)風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)。調(diào)用統(tǒng)一編輯的樣本數(shù)據(jù)，選擇徑向基核函數(shù)，選取參數(shù)C=100和g=0.001，進(jìn)行建模運(yùn)算。

表1 2011年中部地區(qū)典型區(qū)縣共同物流運(yùn)作風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)數(shù)據(jù)歸一化處理

經(jīng)過(guò)訓(xùn)練后，對(duì)序號(hào)為13－16號(hào)企業(yè)進(jìn)行了分類預(yù)測(cè)，其首次分類預(yù)測(cè)結(jié)果如表2所示。采用SVM方法對(duì)典型共同物流運(yùn)作風(fēng)險(xiǎn)評(píng)估后的結(jié)果如表3所示。

表2 基于SVM的典型共同物流運(yùn)作風(fēng)險(xiǎn)等級(jí)測(cè)試結(jié)果

表3 基于SVM的典型共同物流運(yùn)作風(fēng)險(xiǎn)等級(jí)

隨著信號(hào)原始數(shù)據(jù)的不斷豐富，相點(diǎn)密度會(huì)不斷增大，預(yù)測(cè)值也將更趨于合理可信，從而有助于預(yù)測(cè)精度的提高。誤差評(píng)價(jià)指標(biāo)如表2所示，均方誤差為2.67%，而均等系數(shù)為96.79%，達(dá)到了很高的擬合度，說(shuō)明預(yù)測(cè)結(jié)果有較強(qiáng)的可信度。

五、結(jié) 論

通過(guò)對(duì)資源和環(huán)境約束下的中部地區(qū)典型區(qū)縣共同物流運(yùn)作風(fēng)險(xiǎn)分析及評(píng)價(jià)的研究，本文得出以下結(jié)論:1．資源和環(huán)境約束下的共同物流體系面臨很大風(fēng)險(xiǎn)，風(fēng)險(xiǎn)預(yù)測(cè)是共同物流運(yùn)作風(fēng)險(xiǎn)管理的重要手段之一。2．傳統(tǒng)的共同物流運(yùn)作風(fēng)險(xiǎn)評(píng)估方法在準(zhǔn)確性和客觀性上存在難題，不能適應(yīng)資源和環(huán)境約束下共同物流成員企業(yè)約束條件多、動(dòng)態(tài)性強(qiáng)的特點(diǎn)。3．SVM方法與其他共同物流運(yùn)作風(fēng)險(xiǎn)評(píng)價(jià)方法相比，在樣本數(shù)量、運(yùn)算準(zhǔn)確率和運(yùn)算速度等方面都顯示了明顯的優(yōu)勢(shì)。該方法完全可以應(yīng)用于資源和環(huán)境約束下的共同物流運(yùn)作風(fēng)險(xiǎn)預(yù)測(cè)這一復(fù)雜的領(lǐng)域中，進(jìn)而為共同物流參與主體、行業(yè)主管部門及時(shí)做出合理的風(fēng)險(xiǎn)預(yù)防和控制措施提供科學(xué)依據(jù)。

［1］ 王理．制度變遷與我國(guó)資源型區(qū)域可持續(xù)發(fā)展［J］．河南大學(xué)學(xué)報(bào) (社會(huì)科學(xué)版)，2007，(1)．

［2］ 歐陽(yáng)小迅，黃福華．共同物流的構(gòu)建機(jī)理與模式選擇［J］．財(cái)經(jīng)論從，2011，(11)．

［3］ 黃福華，周敏．基于共同物流視角的湖南農(nóng)產(chǎn)品物流發(fā)展分析［J］．農(nóng)業(yè)經(jīng)濟(jì)問(wèn)題，2008，(8)．

［4］ 姜海燕，侯淑霞．物流基礎(chǔ)設(shè)施對(duì)吸引物流業(yè)FDI影響的實(shí)證研究［J］．財(cái)經(jīng)論從，2012，(1)．

［5］ 彭國(guó)樑，姚儉．不確定性供應(yīng)鏈風(fēng)險(xiǎn)的模糊綜合評(píng)判［J］．上海理工大學(xué)學(xué)報(bào)，2010，(4)．

［6］ Zhao Dongmei，Wang Changguang，Ma Jianfeng．A risk assessment method of the wireless network security ［J］．Journal of Electronics，2007，24(3)，pp．428 －432．

［7］ Goseva Popstojanova K．K．，Hassan A．Architectural level risk analysis using UML ［J］．IEEE Transactions Software Engineering，2003，29(10)pp．946－959．

［8］ Bedford T．，Cooke R．Probabilistic risk analysis［M］．Cambridge University Press，2001．

［9］ 韓敏，殷佳．一種用于小波網(wǎng)絡(luò)隱層節(jié)點(diǎn)選擇的新方法［J］．系統(tǒng)仿真學(xué)報(bào)，2007，(17)．

［10］ 蔣有凌，楊家其，尹靚，楊?。贏NN的供應(yīng)鏈風(fēng)險(xiǎn)綜合評(píng)估模型與應(yīng)用［J］．武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版)，2008，(1)．

［11］ 查健祿，田欽謨，李盛德．綜合評(píng)價(jià)問(wèn)題的系統(tǒng)分析［J］．系統(tǒng)工程學(xué)報(bào)，2000，(2)．

［12］ 姚建明，劉麗文．企業(yè)物流外包決策動(dòng)因因素的結(jié)構(gòu)關(guān)系分析［J］．商業(yè)經(jīng)濟(jì)與管理，2010，(10)．