王宏剛，王一蓉，于 宙，李君婷，孫 妮

(國家電網(wǎng)有限公司大數(shù)據(jù)中心，北京 100032)

隨著經(jīng)濟(jì)全球化和化工、電力等企業(yè)的快速發(fā)展，供應(yīng)鏈的風(fēng)險(xiǎn)事故不斷，例如郵輪泄露事故、口蹄疫、戰(zhàn)爭、氯氣泄露事件等，使得企業(yè)所面臨的經(jīng)營環(huán)境發(fā)生了本質(zhì)化的改變，給供應(yīng)鏈造成了巨大的沖擊，包括許多化工企業(yè)因供應(yīng)鏈的瓦解而破產(chǎn)倒閉。此類事故不但給化工供應(yīng)鏈上下游企業(yè)帶來重大損失，同時(shí)也給周圍環(huán)境和生命安全帶來不可估量的損失[1]。因此，對(duì)供應(yīng)鏈風(fēng)險(xiǎn)進(jìn)行檢測評(píng)估，對(duì)保證供應(yīng)鏈安全和促進(jìn)供應(yīng)鏈的綠色可持續(xù)發(fā)展具有重要意義。此外對(duì)提高化工行業(yè)競爭力和保護(hù)社會(huì)環(huán)境和生命財(cái)產(chǎn)安全具有非常重要的實(shí)際意義。隨著互聯(lián)網(wǎng)時(shí)代和大數(shù)據(jù)時(shí)代的到來，供應(yīng)鏈體系發(fā)生了一系列的深刻變化，隨著供應(yīng)鏈一體化程度的提高，化工、電力等企業(yè)面臨諸如商品風(fēng)險(xiǎn)、網(wǎng)絡(luò)安全漏洞或自然災(zāi)害等系統(tǒng)性風(fēng)險(xiǎn)的可能性也越來越大[2-3]。因此，研究大數(shù)據(jù)環(huán)境下的企業(yè)供應(yīng)鏈風(fēng)險(xiǎn)檢測具有非常重要的理論意義和實(shí)際價(jià)值。

為實(shí)現(xiàn)供應(yīng)鏈風(fēng)險(xiǎn)的快速和高精度的檢測，本文在風(fēng)險(xiǎn)管理實(shí)踐的基礎(chǔ)上，提出基于大數(shù)據(jù)技術(shù)的供應(yīng)鏈風(fēng)險(xiǎn)檢測方法。首先，通過層次分析法建立供應(yīng)鏈風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)指標(biāo)體系；之后，支持向量機(jī)的參數(shù)設(shè)置對(duì)其性能的影響，運(yùn)用沙丘貓群算法[4](SCSO)優(yōu)化SVM模型參數(shù)，提出一種基于SCSO-SVM的供應(yīng)鏈風(fēng)險(xiǎn)檢測方法。

1 供應(yīng)鏈風(fēng)險(xiǎn)特征評(píng)價(jià)指標(biāo)

為實(shí)現(xiàn)供應(yīng)鏈風(fēng)險(xiǎn)檢測，建立供應(yīng)鏈風(fēng)險(xiǎn)特征指標(biāo)是前提條件。本文在現(xiàn)有的采購風(fēng)險(xiǎn)管理模式分析中，結(jié)合相關(guān)文獻(xiàn)的采購實(shí)踐活動(dòng)[5-6]，提出一種基于外部風(fēng)險(xiǎn)(環(huán)境風(fēng)險(xiǎn)、競爭風(fēng)險(xiǎn))、外部風(fēng)險(xiǎn)(道德風(fēng)險(xiǎn)、財(cái)務(wù)風(fēng)險(xiǎn)和交付風(fēng)險(xiǎn))和管理風(fēng)險(xiǎn)(內(nèi)部管控風(fēng)險(xiǎn))的供應(yīng)鏈風(fēng)險(xiǎn)特征評(píng)價(jià)指標(biāo)。

環(huán)境風(fēng)險(xiǎn)：供應(yīng)商是否被政治、經(jīng)濟(jì)或者政策影響。

競爭風(fēng)險(xiǎn)：供應(yīng)商面臨新領(lǐng)域、新技術(shù)、新產(chǎn)品、新的商業(yè)模式的競爭性如何。

道德風(fēng)險(xiǎn)：供應(yīng)商是否誠信、是否遵守法律法規(guī)并承擔(dān)社會(huì)責(zé)任的企業(yè)。

財(cái)務(wù)風(fēng)險(xiǎn)：供應(yīng)商會(huì)因?yàn)橛龅截?cái)務(wù)困難或者危機(jī)而導(dǎo)致產(chǎn)品和服務(wù)無法交付。

交付風(fēng)險(xiǎn)：供應(yīng)商是否能夠基于友好的合作按時(shí)交付質(zhì)量過關(guān)的產(chǎn)品和服務(wù)。

內(nèi)部管控風(fēng)險(xiǎn)：是否有完善的、有效的內(nèi)部管理機(jī)制和系統(tǒng)。

2 沙丘貓群算法

SCSO算法是模擬沙丘貓生存行為而提出的仿生算法，主要模擬了沙丘貓的搜尋獵物行為和攻擊獵物行為[4]。

2.1 初始化種群

假設(shè)沙丘貓的種群規(guī)模為N，所要優(yōu)化問題的維數(shù)為d，搜索空間上下限分別為ub=[ub1,ub2,…,ubd]T和lb=[lb1,lb2,…,lbd]T，SCSO算法按照式(1)進(jìn)行種群隨機(jī)初始化。然后，就目標(biāo)函數(shù)對(duì)每一只沙丘貓進(jìn)行適應(yīng)度評(píng)估，選擇出最優(yōu)的沙丘貓個(gè)體，其他的個(gè)體向該個(gè)體移動(dòng)。

XN×d=rand(N,d)×(ub-lb)+lb

(1)

式中：XN×d為沙丘貓位置矩陣；rand(N,d)為N×d維的隨機(jī)向量。

2.2 搜尋獵物(探索)

(2)

(3)

(4)

(5)

2.3 攻擊獵物(利用)

(6)

2.4 探索和利用

(7)

式中：當(dāng)|R|≤1時(shí)，強(qiáng)制搜索代理進(jìn)行攻擊獵物(利用)；當(dāng)|R|>1時(shí)，強(qiáng)制搜索代理進(jìn)行搜索獵物(探索)。

3 基于SCSO-SVM的供應(yīng)鏈風(fēng)險(xiǎn)檢測

3.1 SVM模型

SVM數(shù)學(xué)模型為[7]：

(8)

拉格朗日乘子代入公式(8)可以求解出SVM分類數(shù)學(xué)模型為：

(9)

式中：K(xi,xj)為RBF核函數(shù)。

(10)

3.2 SCSO-SVM的供應(yīng)鏈風(fēng)險(xiǎn)檢測

SVM模型參數(shù)直接影響模型的性能。懲罰參數(shù)C數(shù)值越大，SVM模型容易過擬合；反之，SVM模型容易欠擬合。核函數(shù)參數(shù)g數(shù)值越小，SVM模型泛化性能越好；反之，泛化性能越差。為提高供應(yīng)鏈風(fēng)險(xiǎn)檢測的精度，運(yùn)用SCSO算法優(yōu)化選擇SVM模型參數(shù)，提出一種基于SCSO-SVM的供應(yīng)鏈風(fēng)險(xiǎn)檢測模型。首先，將供應(yīng)鏈的風(fēng)險(xiǎn)探測資料分為培訓(xùn)與檢驗(yàn)；在此基礎(chǔ)上，應(yīng)用SCSO算法進(jìn)行訓(xùn)練。SVM模型的參數(shù)組合(C，g)建立基于SCSO-SVM的供應(yīng)鏈風(fēng)險(xiǎn)檢測模型；最后，將最佳參數(shù)組合(C，g)代入SVM模型進(jìn)行供應(yīng)鏈風(fēng)險(xiǎn)檢測測試?；赟CSO-SVM模型的供應(yīng)鏈風(fēng)險(xiǎn)檢測模型算法步驟描述如下：

Step1：讀取供應(yīng)鏈風(fēng)險(xiǎn)檢測數(shù)據(jù)，歸一化處理，并劃分訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)：

(11)

式中：xmax、xmin分別為數(shù)據(jù)特征的最大值與最小值；LB、UB分別為歸一化處理后數(shù)據(jù)特征的最小值與最大值，取LB=-1,UB=1；x、xnew分別為原始特征數(shù)據(jù)與歸一化處理之后的特征數(shù)據(jù)。

Step2：設(shè)定SCSO算法參數(shù)，最大迭代次數(shù)Tmax、搜索維數(shù)D、種群規(guī)模N，文中優(yōu)化SVM模型的懲罰因子C和核函數(shù)參數(shù)g，因此D=2；C和g搜索空間分別為[Cmin,Cmax]和[gmin,gmax]；隨機(jī)產(chǎn)生沙丘貓初始種群個(gè)體，每個(gè)沙丘貓種群個(gè)體位置為SVM模型參數(shù)組合(C,g)。

Step3：根據(jù)式(12)計(jì)算沙丘貓個(gè)體適應(yīng)度；

(12)

式中：acck為第k折計(jì)算出的準(zhǔn)確度；ACC為K折交叉驗(yàn)證的平均準(zhǔn)確度。

Step4：在[0°,360°]產(chǎn)生一個(gè)隨機(jī)角度，當(dāng)|R|≤1時(shí)，強(qiáng)制搜索代理進(jìn)行攻擊獵物(利用)；當(dāng)|R|>1時(shí)，強(qiáng)制搜索代理進(jìn)行搜索獵物(探索)。

Step5：判斷算法終止條件，若當(dāng)前迭代次數(shù)t>Tmax，則算法終止，輸出全局最優(yōu)位置即對(duì)應(yīng)SVM模型的最優(yōu)參數(shù)組合(C*,g*)；反之，返回Step3～Step4迭代優(yōu)化。

Step6：運(yùn)用SVM模型的最優(yōu)參數(shù)組合(C*,g*)對(duì)測試數(shù)據(jù)進(jìn)行供應(yīng)鏈風(fēng)險(xiǎn)檢測。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 數(shù)據(jù)來源

結(jié)合供應(yīng)商分類分級(jí)研究成果，全面收集供應(yīng)商的外部資料，包含供應(yīng)商注冊(cè)資料、稅務(wù)資料、財(cái)務(wù)資料等；社會(huì)保障信息，業(yè)務(wù)信息，企業(yè)關(guān)系信息，司法訴訟信用信息等[8-9]，檢驗(yàn)和分析供應(yīng)商的風(fēng)險(xiǎn)。運(yùn)用層次分析法從外部風(fēng)險(xiǎn)(環(huán)境風(fēng)險(xiǎn)、競爭風(fēng)險(xiǎn))、外部風(fēng)險(xiǎn)(道德風(fēng)險(xiǎn)、財(cái)務(wù)風(fēng)險(xiǎn)和交付風(fēng)險(xiǎn))和管理風(fēng)險(xiǎn)(內(nèi)部管控風(fēng)險(xiǎn))等方面構(gòu)建出供應(yīng)商風(fēng)險(xiǎn)檢測指標(biāo)體系[10]。供應(yīng)商風(fēng)險(xiǎn)檢測評(píng)價(jià)指標(biāo)數(shù)據(jù)和供應(yīng)商風(fēng)險(xiǎn)等級(jí)由專家咨詢問卷調(diào)查法獲取，專家組成員包括：供應(yīng)鏈21名管理專家，9名風(fēng)險(xiǎn)管理專家，20名專家，精通供應(yīng)鏈管理的專家、風(fēng)險(xiǎn)評(píng)價(jià)模型以及風(fēng)險(xiǎn)管理理等相關(guān)領(lǐng)域內(nèi)容，共回收有效問卷50份；供應(yīng)鏈風(fēng)險(xiǎn)等級(jí)如表1所示。

表1 供應(yīng)鏈風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)標(biāo)準(zhǔn)Tab.1 Supply chain risk rating evaluation criteria

4.2 結(jié)果與分析

4.2.1參數(shù)設(shè)置

為了檢驗(yàn)SCSO-SVM模式在供應(yīng)鏈中的應(yīng)用效果和可信度，設(shè)置不同的模型參數(shù)：(1)SCSO算法：群體大小N=20，迭代最大值Tmax=50。(2)粒子群算法(PSO)：群體大小N=20，迭代最大迭代次數(shù)Tmax=50，學(xué)習(xí)因子c1=c2=2，慣性權(quán)重w=0.2；(3)遺傳算法[12-15](GA)：種群規(guī)模N=20，最大迭代次數(shù)Tmax=50，變異概率pm=0.1，交叉概率pc=0.7；(4)螢火蟲算法(FA)：螢火蟲數(shù)量N=10，最大迭代次數(shù)Tmax=50，初始吸引度β0=1和步長因子α=0.5。訓(xùn)練集和測試集的評(píng)價(jià)精度如表2所示；尋優(yōu)曲線對(duì)比圖和運(yùn)行10次的ACC折線圖分別如圖1和圖2所示。

表2 不同模型評(píng)價(jià)結(jié)果Tab.2 Evaluation results of different models

圖1 尋優(yōu)曲線對(duì)比圖Fig.1 Comparison of optimization curves

圖2 運(yùn)行10次的ACC折線圖Fig.2 ACC polygraph with 10 runs

4.2.2結(jié)果分析

由表2可知，在訓(xùn)練集和測試集上，SCSO-SVM的準(zhǔn)確率分別為92.02%和81.69%，優(yōu)于PSO-SVM的90.80%和78.87%，GA-SVM的89.57%和76.06%以及SVM的88.96%和74.65%。與單獨(dú)的SVM模型相比，SCSO-SVM的供應(yīng)鏈風(fēng)險(xiǎn)檢測的準(zhǔn)確率分別提高了3.06、7.04個(gè)百分點(diǎn)，從而說明SCSO-SVM可以有效提高供應(yīng)鏈風(fēng)險(xiǎn)檢測的精度[16-20]。

從圖1可以看出，與FA-SVM、PSO-SVM和GA-SVM相比，SCSO-SVM進(jìn)行供應(yīng)鏈風(fēng)險(xiǎn)檢測的收斂速度更快，適應(yīng)度值更低，效果最好。從圖2可以看出，不同算法各獨(dú)立運(yùn)行10次，從整體上來看，SCSO-SVM進(jìn)行供應(yīng)鏈風(fēng)險(xiǎn)檢測的準(zhǔn)確率體明顯優(yōu)于SVM、GA-SVM、PSO-SVM和FA-SVM，其中SVM進(jìn)行供應(yīng)鏈風(fēng)險(xiǎn)檢測的準(zhǔn)確率最低。

為了進(jìn)步說明SCSO-SVM進(jìn)行供應(yīng)鏈風(fēng)險(xiǎn)檢測的有效性，將SCSO-SVM與隨機(jī)森林回歸(RFR)、網(wǎng)格搜索優(yōu)化隨機(jī)森林回歸(Grid- RFR)和粒子群優(yōu)化隨機(jī)森林回歸(PSO- RFR)進(jìn)行對(duì)比，對(duì)比結(jié)果如表3所示。

表3 不同算法供應(yīng)鏈風(fēng)險(xiǎn)檢測結(jié)果Tab.3 Supply chain risk detection results of different algorithms

由表2可知，SCSO-SVM模式的供應(yīng)鏈風(fēng)險(xiǎn)在培訓(xùn)集合和測驗(yàn)集合中具有最好的識(shí)別精度。在評(píng)價(jià)指標(biāo)準(zhǔn)確率、精準(zhǔn)率、召回率和Fscore這4個(gè)評(píng)價(jià)指標(biāo)上，SCSO-SVM均優(yōu)于PSO-RFR模型、Grid-RFR模型和RFR模型，從而驗(yàn)證了SCSO-SVM進(jìn)行供應(yīng)鏈風(fēng)險(xiǎn)檢測的有效性和可靠性，為供應(yīng)鏈風(fēng)險(xiǎn)檢測提供了新的方法。

5 結(jié)語

針對(duì)支持向量機(jī)參數(shù)設(shè)置對(duì)供應(yīng)鏈風(fēng)險(xiǎn)水平的影響。提出一種基于沙丘貓群算法(Sand Cat Swarm Optimization，SCSO)優(yōu)化SVM的供應(yīng)鏈風(fēng)險(xiǎn)等級(jí)檢測方法。研究結(jié)果表明，SCSO-SVM可以有效提高供應(yīng)鏈風(fēng)險(xiǎn)檢測的精度，為供應(yīng)鏈風(fēng)險(xiǎn)檢測提供了新的方法。