摘 要：數(shù)字經(jīng)濟正在成為重組全球農(nóng)業(yè)要素資源、重塑全球農(nóng)業(yè)經(jīng)濟結構、改變?nèi)蜣r(nóng)業(yè)競爭格局的關鍵力量。對于跨境農(nóng)產(chǎn)品供應鏈（Cross-border Agri-food Supply Chains，CASCs），由于農(nóng)產(chǎn)品自身具有易損易耗、季節(jié)性和周期性等特點，使得跨境農(nóng)產(chǎn)品的鏈式結構相比其他供應鏈存在更大的脆弱性。推動跨境農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型，關鍵是有效識別和預測數(shù)字化轉(zhuǎn)型過程中的風險因素?；赥OE框架歸納了企業(yè)數(shù)字化轉(zhuǎn)型風險中的3個表現(xiàn)層面，在對跨境農(nóng)產(chǎn)品供應鏈核心企業(yè)及其成員企業(yè)調(diào)研基礎上，運用主成分分析（PCA）減少原始數(shù)據(jù)的維度，在此基礎上構建反向傳播神經(jīng)網(wǎng)絡（BPNN）用于預測CASCs數(shù)字化轉(zhuǎn)型中的風險。結果表明，所選擇的4個主成分是合理的，評價指標體系是有價值的。研究結果為跨境農(nóng)產(chǎn)品供應鏈發(fā)展提供了新的思路。

關鍵詞：跨境農(nóng)產(chǎn)品；農(nóng)產(chǎn)品供應鏈；數(shù)字化轉(zhuǎn)型；主成分分析（PCA）；反向傳播神經(jīng)網(wǎng)絡（BPNN）

中圖分類號：F49;F271;F425

文獻標識碼：A

Doi：10.3969/j.issn.1672-2272.202312064

Risk Prediction of Digital Transformation of Cross-border Agricultural Foods Supply Chain Based on PCA-BP Neural Network

He Linjing1，2， Chen Xiaolin2， Zhu Linsen2， Yan Xiao2

（1. Beibu Gulf Marine Development Research Center， Beibu Gulf University， Qinzhou 535011， China;2. School of Economics and Management， Beibu Gulf University， Qinzhou 535011， China）

Abstract： The digital economy is emerging as a crucial force restructuring global agricultural resources， reshaping the global agricultural economic landscape， and altering the global agricultural competitive dynamics. For Cross-border Agri-food Supply Chains （CASCs）， the chain structure of cross-border agricultural products is more vulnerable compared to other supply chains due to the inherent characteristics of agricultural products， including perishability， seasonality， and cyclicality. To propel the digital transformation of cross-border agricultural products， it is essential to effectively identify and predict the risk factors during the digitalization process. Based on the TOE framework， this paper categorizes three dimensions of risk manifestations in enterprise digital transformation. Drawing on surveys of core enterprises and members of cross-border agri-food supply chains， Principal Component Analysis （PCA） is employed to reduce the dimensionality of the raw data. Subsequently， a Backpropagation Neural Network （BPNN） is constructed to predict the risks in the digitalization of CASCs. The results indicate that the chosen four principal components are reasonable， and the evaluation indicator system is valuable. The study provides new insights for cross-border agricultural supply chains.

Key Words：Cross-border Agricultural Products; Agricultural Supply Chain; Digital Transformation; Principal Component Analysis （PCA）; Backpropagation Neural Network （BPNN）

0 引言

當前，我國跨境農(nóng)產(chǎn)品供應鏈急需數(shù)字技術賦能，加速進入數(shù)字化發(fā)展新階段。數(shù)字技術正推動農(nóng)產(chǎn)品供應鏈向數(shù)字供應鏈轉(zhuǎn)型，這對市場、生產(chǎn)條件和企業(yè)都將產(chǎn)生巨大影響，推動產(chǎn)業(yè)不斷轉(zhuǎn)型升級[1]。對于跨境農(nóng)產(chǎn)品供應鏈，由于農(nóng)產(chǎn)品自身具有易損易耗、季節(jié)性和周期性等特點，使得跨境農(nóng)產(chǎn)品的鏈式結構相比其他供應鏈存在更大的脆弱性，資源配置低、市場需求難以精準匹配等問題也日益凸顯。從上游的農(nóng)產(chǎn)品境內(nèi)生產(chǎn)到下游的跨境運輸、分銷，跨境農(nóng)產(chǎn)品供應鏈的每一個環(huán)節(jié)都承受著額外的壓力，提高跨境農(nóng)產(chǎn)品供應鏈數(shù)字化水平并對其進行持續(xù)優(yōu)化，對于農(nóng)業(yè)產(chǎn)業(yè)升級至關重要。

供應鏈數(shù)字化是從計劃、采購、制造、服務、履約到逆向等全流程的業(yè)務數(shù)字化。數(shù)字經(jīng)濟雖然有效地推動了供應鏈透明化、智慧化發(fā)展，但數(shù)據(jù)集成帶來的信息泄露問題頻發(fā)，我國正處于城鎮(zhèn)化、現(xiàn)代化快速發(fā)展和社會經(jīng)濟轉(zhuǎn)型的關鍵時期，關鍵技術薄弱帶來的供應鏈風險問題也逐漸暴露。2018年中國1 000強企業(yè)中近一半的企業(yè)雖將數(shù)字化轉(zhuǎn)型作為企業(yè)戰(zhàn)略核心，但轉(zhuǎn)型的失敗率高達70%～80%[2]。根據(jù)相關研究報告，2019年我國僅有9%的企業(yè)數(shù)字化轉(zhuǎn)型成效顯著。因此數(shù)字化轉(zhuǎn)型成為企業(yè)發(fā)展的最大風險之一[3]。所以，在數(shù)字轉(zhuǎn)型背景下，有必要對數(shù)字化轉(zhuǎn)型給跨境產(chǎn)品供應鏈帶來的風險問題進行探討。本文基于TOE理論，構建跨境農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型的風險構成體系，并利用反向傳播神經(jīng)網(wǎng)絡（BPNN）預測數(shù)字化轉(zhuǎn)型風險，為提高數(shù)字化轉(zhuǎn)型成功率提供建議。

1 文獻綜述

跨境農(nóng)產(chǎn)品供應鏈的數(shù)字化轉(zhuǎn)型是農(nóng)業(yè)企業(yè)數(shù)字化的關鍵。目前，國內(nèi)外對跨境農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型的研究處于初級階段。根據(jù)研究目的，本文重點對以下幾個方面進行文獻綜述。

1.1 跨境農(nóng)產(chǎn)品供應鏈數(shù)字化含義

農(nóng)產(chǎn)品供應鏈主要由生產(chǎn)資料供應、生產(chǎn)、銷售、流通及其組織載體構成，其鏈接的上中下游環(huán)節(jié)是一個垂直型鏈條結構[4]。隋博文等[5]將跨境農(nóng)產(chǎn)品供應鏈定義為由兩國或多國間圍繞農(nóng)產(chǎn)品展開信息流、物質(zhì)流、資金流的運作，一般以出口為主，其目的主要在于提升價值鏈水平。趙曉飛等[6]提出農(nóng)產(chǎn)品流通中應以用戶消費需求為中心，利用信息技術與信息平臺，達到供應鏈的快速響應，以全渠道營銷逆向驅(qū)動供應鏈整合。李超凡[7]提出農(nóng)產(chǎn)品流通數(shù)字化變革就是要加強信息基礎設施建設，利用大數(shù)據(jù)融合平臺，實現(xiàn)數(shù)據(jù)透明化，構建強有力的流通組織。工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟（AII/026-2022）將數(shù)智化供應鏈定義為以用戶為中心且有效鏈接供應商、制造商、服務商、經(jīng)銷商、零售商等主體的網(wǎng)鏈結構體，應用數(shù)字化和智能化技術賦能計劃、采購、制造、服務、履約、逆向等全流程的業(yè)務數(shù)字化、決策智能化，實現(xiàn)降本增效、安全穩(wěn)定、綠色低碳等價值創(chuàng)造。

由此，跨境農(nóng)產(chǎn)品數(shù)字化則是應用物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算、區(qū)塊鏈等數(shù)字技術，從供應鏈的起始環(huán)節(jié)開始，進行生產(chǎn)實時監(jiān)測、智能分析、銷售平臺搭建、物流路線最優(yōu)規(guī)劃、冷鏈倉儲監(jiān)控等，對農(nóng)產(chǎn)品供應鏈全過程實現(xiàn)可控和可追溯。供應鏈數(shù)字化的目的在于降低成本，提升供應鏈的整體效率，實現(xiàn)供應鏈的價值再創(chuàng)造。

1.2 跨境農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型的驅(qū)動因素

數(shù)字化供應鏈的定義主要是基于大數(shù)據(jù)、區(qū)塊鏈等技術，以需求為導向，構建一個能預測、決策的供應鏈網(wǎng)絡體系。供應鏈數(shù)字化轉(zhuǎn)型為農(nóng)業(yè)生產(chǎn)經(jīng)營和風險防控提供了技術支持，以物聯(lián)網(wǎng)、人工智能、區(qū)塊鏈、大數(shù)據(jù)、云計算等為代表的數(shù)字技術逐漸應用于農(nóng)產(chǎn)品供應鏈領域，確保生產(chǎn)標準化、農(nóng)產(chǎn)品品質(zhì)，推動技術和產(chǎn)業(yè)的結合。例如，利用物聯(lián)網(wǎng)技術對農(nóng)產(chǎn)品的生產(chǎn)階段進行土壤、天氣條件、溫度、濕度的數(shù)據(jù)收集，根據(jù)農(nóng)產(chǎn)品特性分析反饋進行合理的環(huán)境調(diào)整，突破季節(jié)和土壤的制約，開啟智慧農(nóng)業(yè)的新路徑。利用人工智能實現(xiàn)對傳感器數(shù)據(jù)反應，實施精準作業(yè)，實現(xiàn)無人數(shù)字化工廠，達到科技與自然的結合。區(qū)塊鏈的去中心化、可追溯特性可以提高供應鏈的透明度，打破供應鏈上的信息壁壘，增強各主體之間的信任，而防篡改則構建了數(shù)據(jù)信任，保證了信息安全和供應鏈的高效運作 [8]。RFID可以實時收集數(shù)據(jù)，解決分散供應鏈的庫存不準確問題，實現(xiàn)供應鏈節(jié)點信息共享，減少成本，提高庫存可獲得率 [9]。云計算使供應鏈流程能以更低的成本、更短的部署時間和更快的響應速度進行集成，例如通過信息共享改善實時生產(chǎn)、組織訂單流程和更新物流網(wǎng)絡提高物流能力，從而提高可擴展性、靈活性、對變化的適應能力和供應鏈規(guī)劃。這些數(shù)字技術將使供應鏈得到及時更新，反饋產(chǎn)銷過程的信息和實時監(jiān)控質(zhì)量，優(yōu)化供應鏈水平[10]。從技術驅(qū)動的角度，本文認為技術、組織和環(huán)境（TOE）理論更適合分析跨境農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型的影響因素。

1.3 跨境農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型風險

目前，企業(yè)數(shù)字化轉(zhuǎn)型的研究比較豐富，但針對特定產(chǎn)業(yè)領域數(shù)字化轉(zhuǎn)型的研究較少。其中現(xiàn)有的文獻大多關注數(shù)字化平臺的系統(tǒng)差異化、供應鏈的效率轉(zhuǎn)化能力、數(shù)據(jù)資產(chǎn)的安全性等方面，但還存在供應鏈上下游的緊密連接、信息差異導致的環(huán)節(jié)復雜程度增加、供應鏈整體協(xié)同能力，以及跨境面臨的國家間通關標準不一等因素，所以數(shù)字化轉(zhuǎn)型不僅需要關注技術風險，還需要考慮供應鏈節(jié)點間帶來的其他風險。因此，供應鏈數(shù)字化轉(zhuǎn)型需要關注多方面的風險，尋求合適的路徑以降低數(shù)字化轉(zhuǎn)型失敗的概率。

2 理論基礎

2.1 TOE理論

數(shù)字化轉(zhuǎn)型被認為是一項重要的技術革命。基于經(jīng)典的技術接受模型和創(chuàng)新擴散理論，根據(jù) Tornatzky和 Fleisher的理論，TOE框架同時包含了影響技術采用的三大因素，分別為技術因素、組織因素和外部環(huán)境因素。TOE框架目前廣泛用于電子商務、信息系統(tǒng)等領域，為其提供指引方向，在數(shù)字化方面具有一定的適用性[11]。技術因素是指適用于組織的內(nèi)外部技術。組織因素是指關于組織的特征，如組織規(guī)模與范圍、集中化、形式化、管理結構的復雜性和人力資源質(zhì)量等。環(huán)境因素是指市場要素、業(yè)務運營、競爭對手以及政府支持和法規(guī)。技術、組織和環(huán)境三方面的因素相互影響著企業(yè)，以及供應鏈間的創(chuàng)新能力和戰(zhàn)略資源，同時也是對供應鏈是否進行數(shù)字化轉(zhuǎn)型的關鍵性決策。TOE理論有助于為數(shù)字化轉(zhuǎn)型的風險預測提供證據(jù)支撐，盡管一些模型使用TOE 框架研究制造業(yè)以及B2B電子商務，但TOE模型用于農(nóng)產(chǎn)品供應鏈進行數(shù)字化轉(zhuǎn)型風險預測還鮮有研究。

同樣，可以采用TOE理論來確定影響跨境農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型的因素?；谶@一理論，崔森[11]從技術、組織和環(huán)境三方面確定了以下對行業(yè)數(shù)字化轉(zhuǎn)型的影響因素：行業(yè)內(nèi)的數(shù)字化水平、行業(yè)間競爭企業(yè)數(shù)字化重視程度、信息服務水平、組織結構、組織制度等方面。Ocloo等[12]對315家加納制造業(yè)中小企業(yè)調(diào)查表明，技術層面的感知可取性、組織層面的組織準備程度和環(huán)境層面的競爭壓力對B2B電商的采用水平產(chǎn)生重大影響。Liu 等[13]從技術、組織、環(huán)境以及制造業(yè)供應鏈的其他風險4個維度研究了供應鏈數(shù)字化轉(zhuǎn)型的風險因素，其結果表明組織風險中的合作伙伴戰(zhàn)略不一致是數(shù)字化轉(zhuǎn)型的最大風險。尤建新等[14]從5個維度分析了數(shù)字化轉(zhuǎn)型的風險因素，組織內(nèi)部的信息共享程度低、組織內(nèi)部不開放、缺少資金難以提供轉(zhuǎn)型保障，以及領導對于數(shù)字化轉(zhuǎn)型和人才的重視程度低都有可能成為數(shù)字化轉(zhuǎn)型失敗的主要原因。趙曉飛等[6]從技術、組織、運營水平、治理能力方面提出了農(nóng)產(chǎn)品數(shù)字化轉(zhuǎn)型存在的風險，農(nóng)產(chǎn)品供應鏈主體對數(shù)字化的應用和認識程度不足，由于農(nóng)產(chǎn)品供應鏈鏈條長，在信息共享上容易耗費較大成本，智慧物流體系的不完全建立，由于供應鏈內(nèi)部成員的不穩(wěn)定性和松散性，以及數(shù)字化治理能力的困難導致了數(shù)字化水平發(fā)展緩慢。Katarzyna[15]從技術的基礎設施，技術的手段（大數(shù)據(jù)、物聯(lián)網(wǎng)等）角度，模擬數(shù)字化供應鏈環(huán)節(jié)：場景農(nóng)產(chǎn)品-場景鏈-場景消費者，利用NAIADE模型方法評估農(nóng)業(yè)數(shù)字化轉(zhuǎn)型的機遇，得出數(shù)字化轉(zhuǎn)型潛在的挑戰(zhàn)不僅需要關注技術層面上的創(chuàng)新，還需要關注一些技術外部的因素，例如數(shù)字技術產(chǎn)生的鴻溝以及小農(nóng)戶與轉(zhuǎn)型的脫節(jié)。曾博[16]從組織協(xié)同性、技術基礎設施建設程度、數(shù)字化能力與數(shù)字化建設銜接方面提出了農(nóng)業(yè)數(shù)字化轉(zhuǎn)型面臨的挑戰(zhàn)，主要是數(shù)據(jù)信息在不同環(huán)節(jié)下的數(shù)據(jù)共享及數(shù)據(jù)標準差異會造成資源浪費，由于技術基礎設施不完善帶來的成果轉(zhuǎn)化率不理想，中小農(nóng)戶不被重視導致數(shù)字化銜接的脫節(jié)。所以，除了技術、組織和環(huán)境三方面，還應關注農(nóng)產(chǎn)品供應鏈上的其他因素，包括農(nóng)戶數(shù)字化發(fā)展融合不充分和農(nóng)產(chǎn)品供應鏈的不穩(wěn)定性。

因此，本文應根據(jù)TOE理論確定跨境農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型的成功、失敗因素。

2.2 跨境農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型風險

目前，國內(nèi)外對數(shù)字或智能供應鏈風險管理的研究較少，且多偏向于制造業(yè)數(shù)字化轉(zhuǎn)型。因此，對跨境農(nóng)產(chǎn)品供應鏈數(shù)字化風險預測研究較少，對于跨境農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型的影響因素尚未達成共識。本文基于TOE理論分析了跨境農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型的風險動因。

根據(jù)TOE理論，技術、組織和環(huán)境是供應鏈數(shù)字化轉(zhuǎn)型的三大主要風險源[17]。一旦實現(xiàn)數(shù)字化，由于其開放性和共享能力，供應鏈將面臨更高的隱私泄露風險。這種風險隨著業(yè)務的擴大和合作的復雜化而增加。供應鏈數(shù)字化轉(zhuǎn)型首先要依靠數(shù)字技術，其數(shù)字技術要與供應鏈充分融合，才能全面集成農(nóng)產(chǎn)品供應鏈和大數(shù)據(jù)的作用。數(shù)字技術變革使得物流體系能夠連接物流的各類信息，實現(xiàn)精準管理，農(nóng)產(chǎn)品與智慧物流相結合更能解決農(nóng)產(chǎn)品的時效問題。數(shù)字技術推動組織向扁平化、透明化方向發(fā)展，實現(xiàn)供應鏈環(huán)節(jié)間的無縫銜接、高效協(xié)同。在組織架構上，企業(yè)間要實現(xiàn)上下游產(chǎn)業(yè)鏈的合作，首先需要企業(yè)間的信息共享和互通，避免出現(xiàn)“數(shù)據(jù)孤島”現(xiàn)象，影響數(shù)字化轉(zhuǎn)型；其次，一個開放的組織架構也有利于充分調(diào)動合作資源，填補產(chǎn)業(yè)內(nèi)企業(yè)間的數(shù)字鴻溝，以更好地進行數(shù)字化轉(zhuǎn)型。在數(shù)字化戰(zhàn)略制定過程中，還需要吸收具備數(shù)字化背景和農(nóng)業(yè)經(jīng)濟背景的復合型人才，為供應鏈的數(shù)字化轉(zhuǎn)型提供人才保障。同時，管理不佳也會導致企業(yè)的發(fā)展產(chǎn)生負面效果，若領導層決策不慎，員工的不重視或者不積極也將會極大阻礙供應鏈數(shù)字化轉(zhuǎn)型。目前，一些農(nóng)戶由于數(shù)字化規(guī)模小，且技術提供商對大型農(nóng)業(yè)公司的投入更感興趣，隨著數(shù)字化技術成熟，小農(nóng)戶、合作社等規(guī)模較小的供應商就有被取代的風險，這將會進一步降低農(nóng)產(chǎn)品的多樣性。此外，數(shù)字供應鏈的風險還與一些環(huán)境因素有關，這些因素包括但不限于市場環(huán)境、競爭狀況。由于農(nóng)產(chǎn)品供應鏈的特殊性，所以還存在農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型的其他因素，數(shù)字化發(fā)展速度加快，會更容易忽略上游供應鏈中小農(nóng)戶與數(shù)字化的融合是否充分，農(nóng)業(yè)數(shù)字化場景的搭建往往面向大型農(nóng)場，對于中小型農(nóng)場智慧化農(nóng)業(yè)發(fā)展容易產(chǎn)生脫節(jié)，對農(nóng)產(chǎn)品多樣性發(fā)展也會產(chǎn)生一定程度的限制。

通過以上分析和參考風險度量項目，將跨境農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型風險分解為4個維度，每個維度包含2～3個指標共10個指標，根據(jù)每個指標提出共28個問題進行分析，為實證分析奠定基礎。如表1所示。

3 研究方法

3.1 主成分分析基本原理

主成分分析（PCA）是一種數(shù)據(jù)降維算法，將高維數(shù)據(jù)集投影到低維數(shù)據(jù)集中，通過正交變換，將多個線性相關的特征變量簡化為線性無關的綜合變量，這種綜合變量被稱為主成分。最后達到刪除冗余信息、解釋特征變量的內(nèi)部關系的目的。PCA的主要步驟如下：

標準化處理。為了消除不同維度的影響，需要對原始變量進行標準化。

計算標準化樣本的協(xié)方差矩陣R。

計算R的特征值和特征向量。

計算主成分貢獻率和累計貢獻率。

計算主成分得分，對m個主成分進行加權求和計算得分，抽取主成分。

3.2 BP神經(jīng)網(wǎng)絡

BP（back propagation）神經(jīng)網(wǎng)絡是人工神經(jīng)網(wǎng)絡的一種，是指應用反向傳播算法進行訓練的神經(jīng)網(wǎng)絡模型。作為多層感知機，與單層感知機相比主要多了若干隱藏層，這使得神經(jīng)網(wǎng)絡可以處理非線性問題。其原理是通過計算BP神經(jīng)網(wǎng)絡模擬值，利用損失函數(shù)衡量與實際值的誤差，再轉(zhuǎn)入誤差反傳，根據(jù)結果調(diào)整聯(lián)接強度與閾值，使誤差沿梯度方向下降，反復訓練不斷優(yōu)化確定權值與閾值。BP神經(jīng)網(wǎng)絡特點就是可以進一步處理非線性的問題，具有良好的容錯性與聯(lián)想記憶能力，可以通過不斷訓練，得到風險識別的訓練模型。神經(jīng)網(wǎng)絡的結構如圖1所示。

4 實證分析

4.1 樣本數(shù)據(jù)采集

本文基于表1設計了跨境農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型風險預測調(diào)查問卷，對跨境農(nóng)產(chǎn)品供應鏈相關企業(yè)進行問卷收集，問卷中的每個項目都根據(jù)Likert五分制。共發(fā)放問卷153份，其中100份有效。

4.2 主成分分析（PCA）

對于原始數(shù)據(jù)樣本，經(jīng)KMO檢驗和Bartlett球度檢驗， 樣本的KMO值為0.921， Bartlett球度檢驗的顯著性概率為0， 因此原始樣本數(shù)據(jù)適合做主成分分析。并用SPSS26.0軟件對標準化的數(shù)據(jù)進行處理， 求出特征向量、方差貢獻率以及累積貢獻率， 并對其提取主成分PCA分析。表2顯示出排名前十的主成分的特征值、方差貢獻率和累計方差貢獻率。

如表3所示，前4個主成分的特征值均大于1，其累計方差貢獻率總計為63.208%。因此關于28個指標的原始數(shù)據(jù)可以簡化為4個主成分，根據(jù)主成分分析的原理， 利用SPSS26.0求出主成分因子分析荷載矩陣如表3。根據(jù)主成分載荷矩陣計算主成分特征向量， 得到每個主成分的線性表達式：

F1=R11×0.688+R12×0.631+R13×0.692+R21×0.702+R22×0.73+…+R103×0.753（1）

F2=R11×-0.093+R12×0.351+R13×0.27-R21×0.464-R22×0.125+…-R103×0.034（2）

F3=R11×0.428R12×0.221-R130.214-R21×0.057+R22×0.046+…+R103×0.003（3）

F4=R11×0.075-R12×0.122+R13×0.061+R21×0.01-R22×0.02+…+R103×0.266（4）

將4個主成分得分作為BPNN的輸入?yún)?shù)。

5 基于PCA的BPNN模型設計與應用

將PCA降維得出的4個主成分標準化指標數(shù)據(jù)作為BPNN的輸入，綜合轉(zhuǎn)化風險作為輸出層節(jié)點。隱藏層節(jié)點一般可根據(jù)經(jīng)驗公式得出合理的取值范圍：

其中m、n和L分別表示輸入層節(jié)點個數(shù)、輸出層節(jié)點個數(shù)和隱藏層節(jié)點個數(shù)。本文研究樣本中，指標數(shù)m=28，n=1，所以隱藏層的節(jié)點個數(shù)范圍為[10，15]之間的常數(shù)。經(jīng)過反復訓練，發(fā)現(xiàn)BPNN在神經(jīng)元個數(shù)為10時，訓練效果最佳。因此，最終確定BP神經(jīng)網(wǎng)絡結構為4-10-1。

基于100個有效的風險指標數(shù)據(jù)，BPNN在0.01學習率和200次的最大訓練次數(shù)下，精度設置為0.000 001，當學習次數(shù)達到最大迭代次數(shù)或者誤差達到預設的精度時停止訓練。如圖2所示，預測曲線與真實曲線基本一致，預測誤差達到了0.11，說明預測效果較好。

6 結語

我國跨境農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型是正在探索的新階段，可借鑒的經(jīng)驗較少?，F(xiàn)階段跨境農(nóng)產(chǎn)品供應鏈要實現(xiàn)數(shù)字化完全轉(zhuǎn)型，會面臨很多不確定的風險。本文參考相關文獻，確定了跨境農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型的風險因素，并將其編制成評估指標體系。先通過主成分分析降維提取出數(shù)字化轉(zhuǎn)型的主要風險，并將其作為BPNN風險預測模型的輸入，用于不斷訓練。仿真結果表明，所提出的BPNN預測模型是有效的。在4個關鍵的主要組成成分中，供應鏈伙伴信息共享程度低，是最重要的因素。這一因素不僅影響了上下游供應鏈成員的組織穩(wěn)定性，還存在信息脫節(jié)的風險。未來研究將進一步完善預測模型，如增加樣本量、多樣性，改進評價指標體系，以更好地契合現(xiàn)實使用場景。

參考文獻：

[1] SCHIFFER M， LUCKERT M， WIENDAHL H H， et al. Smart supply chain-development of the equipment supplier in gobal value networks[C]//IFIP international conference on advances in production management systems. Cham： springer international publishing， 2018： 176-183.

[2] 八成企業(yè)數(shù)字化轉(zhuǎn)型為何失敗？[N]. 中國企業(yè)報，2019-12-24（009）.

[3] 李曉華.制造業(yè)數(shù)字化轉(zhuǎn)型與價值創(chuàng)造能力提升[J].改革，2022（11）：24-36.

[4] 王英姿，黎霆 .國際糧商的農(nóng)業(yè)供應鏈管理及其對我國的 啟示——以美國嘉吉公司為例[J]. 中國發(fā)展觀察， 2013（2）：60-62.

[5] 隋博文，莊麗娟.跨境農(nóng)產(chǎn)品供應鏈：中國—東盟農(nóng)產(chǎn)品流通產(chǎn)業(yè)發(fā)展的基石[J].中國流通經(jīng)濟，2016，30（2）：67-74.

[6] 趙曉飛，魯楠，李明.農(nóng)產(chǎn)品供應鏈數(shù)字化轉(zhuǎn)型：理論框架與實現(xiàn)路徑[J].云南社會科學，2022（6）：59-67.

[7] 李超凡.產(chǎn)業(yè)互聯(lián)網(wǎng)背景下的農(nóng)產(chǎn)品流通數(shù)字化變革：理論與對策[J].中國流通經(jīng)濟，2021，35（10）：12-20.

[8] 盧奇，吳潔，王晶.基于區(qū)塊鏈的農(nóng)產(chǎn)品供應鏈優(yōu)化對策研究[J].商業(yè)經(jīng)濟研究，2022（3）：141-144.

[9] 江秋陽，陶峰，范體軍，等.基于RFID技術的雙供應鏈投資決策研究[J].中國管理科學，2020，28（11）：120-129.

[10] 王曄丹.大數(shù)據(jù)時代江蘇跨境農(nóng)產(chǎn)品供應鏈創(chuàng)新融合發(fā)展模式的探析[J].中國物流與采購，2021（6）：48-49.

[11] 崔森. 服務型企業(yè)數(shù)字化轉(zhuǎn)型的影響因素研究[D].長春：長春工業(yè)大學，2015.

[12] OCLOO C E， XUHUA H， AKABA S， et al. The determinant factors of business to business （B2B） e-commerce adoption in small-and medium-sized manufacturing enterprises[J]. Journal of Global Information Technology Management， 2020， 23（3）： 191-216.

[13] LIU C， JI H， WEI J. Smart supply chain risk assessment in intelligent manufacturing[J]. Journal of Computer information Systems， 2022， 62（3）： 609-621.

[14] 尤建新，彭博達，徐濤.基于失效模式及影響分析的數(shù)字化轉(zhuǎn)型風險分析[J].同濟大學學報（自然科學版），2022，50（2）：160-167.

[15] KOSIOR K. Digital transformation in the agri-food sector-opportunities and challenges[J]. Roczniki Naukowe Stowarzyszenia Ekonomistów Rolnictwa i Agrobiznesu， 2018， 20（2）： 98-104.

[16] 曾博.農(nóng)業(yè)數(shù)字化轉(zhuǎn)型的理論邏輯、推進路徑與現(xiàn)實挑戰(zhàn)[J].黑龍江社會科學，2023（1）：44-48.

[17] 劉偉華，王婧錕，周斌，等.智慧供應鏈創(chuàng)新中的技術應用機制研究[J].供應鏈管理，2020，1（2）：51-59.

[18] KAMBLE S S， GUNASEKARAN A， GAWANKAR S A. Achieving sustainable performance in a data-driven agriculture supply chain： a review for research and applications [J]. International Journal of Production Economics， 2020， 219： 179-194.

[19] LIU C. Risk prediction of digital transformation of manufacturing supply chain based on principal component analysis and backpropagation artificial neural network[J]. Alexandria Engineering Journal， 2022， 61（1）： 775-784.

[20] 金珺，李詩婧，黃亮彬.傳統(tǒng)制造業(yè)企業(yè)數(shù)字化轉(zhuǎn)型影響因素研究[J].創(chuàng)新科技，2020，20（6）：22-34.

[21] 韓璐. 制造企業(yè)供應鏈數(shù)字化轉(zhuǎn)型機理與決策模型[D].北京：北京交通大學，2022.

[22] 樊星，邵舉平，孫延安.基于模糊理論的跨國農(nóng)產(chǎn)品供應鏈風險識別與評估[J].科技管理研究，2016，36（6）：210-215.

[23] 謝軍，田凱.基于跨國電商平臺的農(nóng)產(chǎn)品供應鏈模式分析與風險識別[J].老區(qū)建設，2018（24）：44-48.

[24] 程子濤. 我國農(nóng)產(chǎn)品供應鏈風險管理研究[D].哈爾濱：哈爾濱理工大學，2016.

（責任編輯：要 毅）

基金項目：北部灣大學北部灣海洋發(fā)展研究中心研究生科研創(chuàng)新課題項目（BHZXSKY2207）；廣西研究生教育創(chuàng)新計劃項目“RCEP背景下增強中國-東盟跨境產(chǎn)業(yè)鏈韌性的路徑研究”（YCSW2023519）

作者簡介：何林婧（1997-），女，北部灣大學經(jīng)濟管理學院碩士研究生，研究方向：跨境農(nóng)產(chǎn)品供應鏈；陳曉琳（2000-），女，北部灣大學經(jīng)濟管理學院碩士研究生，研究方向：港口物流與東盟港口城市經(jīng)貿(mào)合作；朱林森（1999-），男，北部灣大學經(jīng)濟管理學院助教，研究方向：區(qū)域經(jīng)濟發(fā)展；嚴曉（1999-），女，北部灣大學經(jīng)濟管理學院碩士研究生，研究方向：國際貿(mào)易與灣區(qū)經(jīng)濟。