褚 超，黃建華

(福州大學(xué) 經(jīng)濟與管理學(xué)院，福建 福州 350116)

基于Bayes-OWA混合算子的生鮮農(nóng)產(chǎn)品供應(yīng)鏈風(fēng)險診斷

褚 超，黃建華

(福州大學(xué) 經(jīng)濟與管理學(xué)院，福建 福州 350116)

受制于生鮮農(nóng)產(chǎn)品自身的特殊性，生鮮農(nóng)產(chǎn)品供應(yīng)鏈需要面對來自于自然、市場、政策、技術(shù)及環(huán)境等多領(lǐng)域的風(fēng)險。首先，在多維度風(fēng)險識別的基礎(chǔ)上，構(gòu)建了基于Bayes-OWA混合算子的生鮮農(nóng)產(chǎn)品供應(yīng)鏈風(fēng)險推理和診斷模型；然后，應(yīng)用貝葉斯網(wǎng)絡(luò)模型結(jié)合OWA算子，從正向和逆向兩個維度對生鮮農(nóng)產(chǎn)品供應(yīng)鏈風(fēng)險產(chǎn)生概率、風(fēng)險成因、風(fēng)險等級評價、風(fēng)險排序等問題進(jìn)行了分析；最后，應(yīng)用實例對模型和求解方法進(jìn)行了驗證。結(jié)果表明，該方法不僅能多維度地識別農(nóng)產(chǎn)品供應(yīng)鏈面臨的風(fēng)險，還能有效地對風(fēng)險進(jìn)行評價、排序，并揭示風(fēng)險的成因，對識別、規(guī)避生鮮農(nóng)產(chǎn)品供應(yīng)鏈面臨的風(fēng)險具有重要意義。

生鮮農(nóng)產(chǎn)品;供應(yīng)鏈；Bayes網(wǎng)絡(luò)；OWA算子；風(fēng)險診斷

生鮮農(nóng)產(chǎn)品是指新鮮蔬菜、水果、鮮活水產(chǎn)品、活的畜禽及新鮮肉蛋奶5類農(nóng)產(chǎn)品[1]。生鮮農(nóng)產(chǎn)品作為人們生活消費的必需品，關(guān)乎國計民生。然而，近年來各地相繼爆發(fā)的食品安全問題，在對人民群眾生命財產(chǎn)安全構(gòu)成嚴(yán)重威脅的同時，也暴露了我國生鮮農(nóng)產(chǎn)品供應(yīng)鏈的脆弱性。我國作為一個農(nóng)業(yè)生產(chǎn)和消費大國，對生鮮農(nóng)產(chǎn)品供應(yīng)鏈進(jìn)行有效的風(fēng)險管理顯得尤為重要。由于生鮮農(nóng)產(chǎn)品自身的易腐性、季節(jié)性等特點，并且受供需波動、自然環(huán)境和物流等因素影響較大，因而生鮮農(nóng)產(chǎn)品供應(yīng)鏈面臨眾多風(fēng)險。近年來，有關(guān)學(xué)者對相關(guān)方面進(jìn)行了研究。HALLIKAS等[2]將供應(yīng)鏈風(fēng)險分為3大風(fēng)險，分別為顧客需求風(fēng)險、顧客傳遞風(fēng)險和附加不確定性風(fēng)險。周艷菊等[3]指出各種不確定因素的存在、“牛鞭效應(yīng)”及企業(yè)間的相互依賴是構(gòu)成供應(yīng)鏈風(fēng)險的主要來源。PATER等[4]在對跨國供應(yīng)鏈研究的基礎(chǔ)上，使用了評分法對跨國供應(yīng)鏈風(fēng)險進(jìn)行了評價。丁斌等[5]提出了一種基于粗糙集和未確知測度理論的風(fēng)險評估方法，并對供應(yīng)商風(fēng)險進(jìn)行了評估，且通過實證說明了該方法的有效性。筆者則將貝葉斯網(wǎng)絡(luò)方法應(yīng)用到生鮮農(nóng)產(chǎn)品供應(yīng)鏈風(fēng)險評估中，從風(fēng)險發(fā)生概率的角度對生鮮農(nóng)產(chǎn)品供應(yīng)鏈進(jìn)行診斷分析，并結(jié)合OWA算子，同時考慮風(fēng)險概率和損失雙重因素，求得風(fēng)險值并依此將風(fēng)險排序，以實現(xiàn)對風(fēng)險的定量分析。

1 生鮮農(nóng)產(chǎn)品供應(yīng)鏈風(fēng)險因素識別

生鮮農(nóng)產(chǎn)品供應(yīng)鏈?zhǔn)侵干r農(nóng)產(chǎn)品在生產(chǎn)、流通、加工過程中沿著生產(chǎn)資料供應(yīng)商、生產(chǎn)商、中間商及最終消費者等所組成的鏈?zhǔn)骄W(wǎng)絡(luò)體系。結(jié)合一般生鮮農(nóng)產(chǎn)品供應(yīng)鏈運作模式，分別從供應(yīng)、需求、物流、信息技術(shù)和環(huán)境5方面對生鮮農(nóng)產(chǎn)品供應(yīng)鏈進(jìn)行風(fēng)險識別，識別出的一級指標(biāo)風(fēng)險因素分別為：供應(yīng)風(fēng)險U1、需求風(fēng)險U2、物流風(fēng)險U3、信息技術(shù)風(fēng)險U4和環(huán)境風(fēng)險U5。其中供應(yīng)風(fēng)險包括生鮮農(nóng)產(chǎn)品質(zhì)量風(fēng)險U11、關(guān)鍵供應(yīng)商選擇失敗風(fēng)險U12、供應(yīng)商生產(chǎn)能力風(fēng)險U13和市場接受度風(fēng)險U14；需求風(fēng)險包括生鮮農(nóng)產(chǎn)品市場預(yù)測風(fēng)險U21、季節(jié)性需求波動風(fēng)險U22和消費者偏好風(fēng)險U23；物流風(fēng)險包括交貨延遲風(fēng)險U31、生鮮農(nóng)產(chǎn)品變質(zhì)損耗風(fēng)險U32、物流基礎(chǔ)設(shè)施落后風(fēng)險U33和冷藏技術(shù)落后風(fēng)險U34；信息技術(shù)風(fēng)險包括信息失真風(fēng)險U41、信息不對稱風(fēng)險U42和信息化水平風(fēng)險U43；環(huán)境風(fēng)險包括自然災(zāi)害風(fēng)險U51、政策法律風(fēng)險U52和經(jīng)濟波動風(fēng)險U53。

2 基于Bayes-OWA混合算子的生鮮農(nóng)產(chǎn)品供應(yīng)鏈風(fēng)險診斷模型

2.1 模型理論

2.1.1 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)B(G,E)由兩部分組成，其中，G為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，是由n個節(jié)點Xi(i=1,2,…,n)和邊組成的一個有向無環(huán)圖，節(jié)點表示隨機變量，邊則表示隨機變量之間的概率依賴關(guān)系；E表示該貝葉斯網(wǎng)絡(luò)中的條件概率表的集合，每個節(jié)點Xi都含有一個條件概率表，表示節(jié)點與其父節(jié)點Pa(Xi)的概率關(guān)系。

2.1.2 OWA算子

2.2 Bayes-OWA混合算子診斷模型算法步驟

(1)初始化。P(Ui)←π，P(Vi)←λ。

(2)證據(jù)生成。ifXe=ethenπ(Xe)=1，λ(Xe)=0；elseπ(Xe)=0，λ(Xe)=0。

(5)計算每個目標(biāo)節(jié)點的后驗概率分布。P(Xi)=αλ(Xi)π(Xi)，其中α為歸一化常數(shù)。

3 算例分析

3.1 生鮮農(nóng)產(chǎn)品供應(yīng)鏈風(fēng)險貝葉斯網(wǎng)絡(luò)模型構(gòu)建

根據(jù)風(fēng)險識別結(jié)果，再結(jié)合各風(fēng)險因素之間的相互關(guān)系，構(gòu)建了生鮮農(nóng)產(chǎn)品供應(yīng)鏈風(fēng)險的貝葉斯網(wǎng)絡(luò)拓?fù)鋱D，如圖1所示。

圖1 生鮮農(nóng)產(chǎn)品供應(yīng)鏈風(fēng)險的貝葉斯網(wǎng)絡(luò)拓?fù)鋱D

運用專家法，根據(jù)專家的經(jīng)驗知識確定出每個節(jié)點所處狀態(tài)的概率和概率分布表，得到各節(jié)點的先驗概率，如表1所示，其中數(shù)字1表示該風(fēng)險因素發(fā)生的概率，數(shù)字0表示該風(fēng)險因素正常的概率。以需求風(fēng)險為例，其條件概率如表2所示。

表1 節(jié)點先驗概率

表2 需求風(fēng)險U2條件概率表

3.2 貝葉斯推理

3.2.1 因果推理分析

根據(jù)風(fēng)險等級法，將風(fēng)險劃分為5個等級：[0.0，0.2)風(fēng)險等級為低，[0.2，0.4)風(fēng)險等級為較低，[0.4，0.6)風(fēng)險等級為一般，[0.6，0.8)風(fēng)險等級為較高，[0.8，1.0)風(fēng)險等級為高。應(yīng)用消息傳遞算法，計算出該生鮮農(nóng)產(chǎn)品供應(yīng)鏈發(fā)生風(fēng)險的概率為0.57，根據(jù)風(fēng)險等級劃分，確定其風(fēng)險等級為一般。其中，供應(yīng)風(fēng)險發(fā)生概率為0.53，等級為一般；需求風(fēng)險發(fā)生概率為0.68，等級為較高；物流風(fēng)險發(fā)生概率為0.72，等級為較高；信息技術(shù)風(fēng)險發(fā)生概率為0.38，等級為較低；環(huán)境風(fēng)險發(fā)生概率為0.56，等級為一般。結(jié)果表明，風(fēng)險等級相對較高的是物流風(fēng)險和需求風(fēng)險，因此需要著重加強對需求風(fēng)險和物流風(fēng)險的監(jiān)管和控制，以降低其風(fēng)險發(fā)生的可能性。

3.2.2 診斷推理分析

貝葉斯診斷推理是在已知結(jié)論的前提下，找出發(fā)生結(jié)果的原因和概率，哪個節(jié)點的后驗概率越高，對目標(biāo)節(jié)點的影響也就越大。將該生鮮農(nóng)產(chǎn)品供應(yīng)鏈發(fā)生風(fēng)險作為證據(jù)，輸入到貝葉斯網(wǎng)絡(luò)中，更新信息，求出此時各一級指標(biāo)節(jié)點發(fā)生風(fēng)險的概率，再分別將供應(yīng)風(fēng)險、需求風(fēng)險、物流風(fēng)險、信息技術(shù)風(fēng)險及環(huán)境風(fēng)險發(fā)生作為證據(jù)，輸入到貝葉斯網(wǎng)絡(luò)之中，得到各二級指標(biāo)風(fēng)險的最大致因鏈，具體結(jié)果如表3所示。

3.2.3 風(fēng)險排序

假設(shè)通過對該生鮮農(nóng)產(chǎn)品供應(yīng)鏈的相關(guān)歷史

表3 各指標(biāo)層級發(fā)生風(fēng)險的致因鏈順序表

資料進(jìn)行收集整理，得到了每種風(fēng)險發(fā)生所造成的平均損失，并匯總表1中各節(jié)點的先驗概率，構(gòu)成風(fēng)險概率及損失表，如表4所示。

表4 各風(fēng)險發(fā)生造成的損失

首先，將表中數(shù)據(jù)轉(zhuǎn)化為矩陣A，再將A經(jīng)規(guī)范化處理轉(zhuǎn)化為D，具體如下：

然后，利用OWA算子對各風(fēng)險Xi(i=1,2,…,17)進(jìn)行集結(jié)，從而求出其綜合屬性值zi(w)。根據(jù)以往學(xué)者的研究，設(shè)定權(quán)重向量為w=(0.65,0.35)T，求得集結(jié)值分別為：0.61、0.34、0.31、0.45、0.44、0.48、0.56、0.55、0.72、0.42、0.49、0.54、0.58、0.50、0.32、0.37、0.40。根據(jù)求得的結(jié)果，將風(fēng)險由大到小排序：U32>U11>U42>U23>U31>U41>U43>U34>U22>U14>U21>U33>U53>U52>U12>U51>U13。

由排序結(jié)果可以看出，該生鮮農(nóng)產(chǎn)品供應(yīng)鏈面臨的主要風(fēng)險是生鮮農(nóng)產(chǎn)品變質(zhì)損耗風(fēng)險，其次是生鮮農(nóng)產(chǎn)品質(zhì)量風(fēng)險和信息不對稱風(fēng)險。

根據(jù)表3中二級指標(biāo)風(fēng)險概率并利用OWA算子重新計算，得到新的風(fēng)險值并重新排序：U32>U11>U23>U31>U42>U34>U22>U43>U14>U41>U21>U33>U53>U52>U12>U51>U13。

對比貝葉斯網(wǎng)絡(luò)中信息更新前后風(fēng)險值的排序可以發(fā)現(xiàn)，在信息更新之后，消費者偏好風(fēng)險和交貨延遲風(fēng)險排序更加靠前，冷藏技術(shù)落后風(fēng)險和季節(jié)性波動風(fēng)險也發(fā)生較大變化，排序前移較多。因此，在對該生鮮農(nóng)產(chǎn)品供應(yīng)鏈的變質(zhì)損耗風(fēng)險、質(zhì)量風(fēng)險和信息不對稱風(fēng)險加以嚴(yán)格監(jiān)管和控制以外，也應(yīng)著重加大對消費者偏好風(fēng)險、交貨延遲風(fēng)險、冷藏技術(shù)落后風(fēng)險和季節(jié)性波動風(fēng)險的監(jiān)管。

4 結(jié)論

生鮮農(nóng)產(chǎn)品供應(yīng)鏈風(fēng)險源于生鮮農(nóng)產(chǎn)品本身的特殊性和不確定性，對生鮮農(nóng)產(chǎn)品供應(yīng)鏈進(jìn)行有效的風(fēng)險管理，可以降低風(fēng)險發(fā)生的可能性，減少供應(yīng)鏈損失、提高整體收益。筆者在生鮮農(nóng)產(chǎn)品供應(yīng)鏈運作模式的基礎(chǔ)上，參考相關(guān)文獻(xiàn)研究成果，從多維度對風(fēng)險因素進(jìn)行識別，采取基于Bayes-OWA混合算子的方法，同時考慮風(fēng)險發(fā)生概率和損失兩方面，對風(fēng)險成因、風(fēng)險等級評估及風(fēng)險排序等問題進(jìn)行探究，為管理者提供了決策參考依據(jù)，有助于供應(yīng)鏈管理決策者更有針對性地加強風(fēng)險監(jiān)管并采取有效的控制措施。

[1] 林略,楊書萍,但斌.收益共享契約下鮮活農(nóng)產(chǎn)品三級供應(yīng)鏈協(xié)調(diào)[J].系統(tǒng)工程學(xué)報,2010,25(4):484-491.

[2] HALLIKAS J, VIROLAINEN V M, TUOMINEN M. Risk analysis and assessment in network environments: a dyadic case study[J]. International Journal of Production Economics,2002，78(1):45-55.

[3] 周艷菊,邱莞華,王宗潤.供應(yīng)鏈風(fēng)險管理研究進(jìn)展的綜述與分析[J].系統(tǒng)工程,2006,24(3)：1-6.

[4] PATER E, BIEHL M, SMITH M A.International supply chain agility, tradeoffs between flexibility and uncertainty[J]. International Journal of Operations and Production Management,2001(5/6):823-839.

[5] 丁斌,孫政曉,桂斌.基于粗糙集與未確知模型的供應(yīng)商風(fēng)險評估方法研究[J].中國管理科學(xué),2008，16(10)：507-512.

[6] PEARL J. Fusion propagation and structuring in belief networks[J]. Artificial Intelligence,1986,29(3):241-288.

[7] YAGER R P. On ordered weighted averaging aggregation operators in multicriteria decision making[J]. IEEE Transactions on Systems, Man and Cybernetics,1988,18(1):183-190.

CHU Chao:Postgraduate; School of Economics and Management, Fuzhou University, Fuzhou 350116,China.

Risk Diagnosis of Fresh Agricultural Products Supply Chain Based on Bayes-OWA Mixed Operator

CHUChao,HUANGJianhua

Subject to the particularity of the fresh agricultural products, fresh agricultural products supply chain need to face the risk from various fields of natural, market, policy, technology and environment. Firstly, on the basis of multi-dimensional risk identification, this paper constructs a model of supply chain risk reasoning and diagnostic model of fresh agricultural products based on Bayes-OWA mixed operator. Then, it analyzed from two dimensions of forward and reverse for fresh agricultural products supply chain risk on probability, risk management, risk assessment and risk sorting problems by applying Bayesian network model and OWA operator. Finally, examples of the model and solving method is validated. The results show that this method can not only identify the risks of the agricultural supply chain, but also can effectively evaluate the risk, sorting, and reveal the cause of the risk. It is of great significance to identify and avoid the risk of the supply chain of fresh agricultural products.

fresh agricultural products; supply chain; Bayes networks; OWA operator; risk diagnosis

2095-3852(2016)06-0686-04

A

2016-05-31.

國家社科基金項目(13BGL059)；教育部人文社科青年基金項目(11YJC630072).

F274

10.3963/j.issn.2095-3852.2016.06.010

收稿日期：褚超(1991-)，男，安徽馬鞍山人，福州大學(xué)經(jīng)濟與管理學(xué)院碩士研究生.