基于BP神经网络专家系统的供应链风险评价研究

王新利

（黑龙江八一农垦大学经济管理学院，黑龙江 大庆163319）

一、引言

随着供应链节点风险事件的逐渐增多，供应链风险一旦出现，就会对整个供应链系统产生巨大影响，并波及供应链上下游企业，“三鹿奶粉事件”就是一个典型的例证。因此，供应链风险管理逐渐被学术界和产业界所重视。由于供应链风险管理属于较新的领域，相关文献及风险评价模型较少。归纳起来，具有代表性的方法主要有遗传算法、[1]模糊因素分析法、[2]人工智能推理分析法、[3]条件风险价值法（Conditional Value at Risk，CVAR）、[4]供应链运作参考模型（Supply-Chain Operations Reference Model，SCOR）。[5]对现有文献的研究发现，由于现有供应链评价模型未能很好地将定性分析与定量分析相结合，所得到的分析结果往往与实际不相吻合，具有一定的局限性。[6]因为供应链风险由多个风险复合构成，且各种风险产生的根源并不相同，采用单一方法很难对风险进行准确的计量和预评估。为更加准确地计量供应链风险，使分析结果贴近实际，在定量分析的基础上加入定性分析，可能是一种行之有效的方法。为此，可利用供应链风险指标体系建立基于BP神经网络的专家系统模型来计量评估供应链风险。

二、供应链风险的界定与指标体系的建立

1.供应链风险的界定

截至目前，对于风险的定义，尚无统一的说法。在衡量供应链风险时可采用多数企业理解的风险概念，即将风险视为违纪，是能给企业带来损失的一种情况。供应链风险是特定领域的风险，指供应链企业在运营过程中，因参与主体众多以及跨地域、跨环节的特点，使其容易受到来自供应链外部和内部各种不利因素的影响，致使供应链企业实际收益与预期收益存在偏差的可能性。[7]可见，供应链风险主要来自两个方面：一是来源于供应链相关领域的行业风险；二是来源于企业本身的经营风险。[8]为更好地确定风险，从商业活动层面对供应链风险评价指标进行选取很有意义。

2.供应链风险指标的选取

（1）供应链行业风险。供应链行业风险指某一供应链内与经营相关的风险，主要包括三类：一是生命周期阶段风险。因不同生命周期阶段对供应链影响不同而给供应链带来的风险。二是波动性风险。供应链可分为波动性供应链和非波动性供应链两类，波动性供应链所涉及的行业具有较大的不稳定性，其计划协调更加困难。三是集中程度风险。企业集中程度不同，其供应链风险不同，在一个供应链中处于主导地位的企业集中程度越高，所面临的供应链风险越小。而那些依附于集中程度高的企业的寄生企业，主要是为主导企业服务的，其集中程度很小，供应链风险很大。

（2）供应链经营风险。供应链经营风险是供应链上各个企业因战略不当、资源不足、经济环境或竞争环境变化不能达到预期经营目标而产生的风险。供应链风险主要由九个方面的风险构成：一是价格风险，包括利率风险、汇率风险、商品价格风险、股票价格风险；二是政治风险；三是操作风险，包括人力资源风险、技术风险、外部依赖风险、过程风险和外包风险；四是项目风险；五是信用风险；六是产品风险；七是流动性风险；八是环境风险；九是法律风险。

3.指标体系的构建及指标值的选取

根据上述分析，可以得出供应链风险评价指标体系（表1），并将之分为两类，即定性评价指标和定量评价指标。

定性评价指标的量化可采用德尔菲法，通过专家调查问卷评估供应链各节点企业某一指标对供应链风险的影响程度。在本模型中进行如下假定，如果某评价指标对企业风险的影响为正，即可减少供应链风险，则评价值设为1；如果为负，即此指标对供应链会产生不利影响，则评价值设为0；如果此指标与供应链风险无关，则评价值设为0.5。

定量评价指标本身是可以量化的，这些指标数据可以通过不同的渠道获得。

三、基于BP神经网络的专家系统的构建

供应链风险指标体系中不仅存在可以量化的指标，还存在基于专家评估得到的非量化指标，而且这些指标之间的关系及评价结果为非线性相关，因此很难对供应链节点风险进行较为准确的评价。为此，神经网络专家系统的供应链风险评价模型以BP算法（即误差反向传播算法，是一种神经网络学习算法）为依据，按有导师学习方式进行训练，即利用神经网络并行结构与并行处理的特点，将通过传统计算机得到的信息存入神经网络的各个神经元。当需要评价供应链风险时，给出网络输入，它便从已经存入网络的几十种数据中寻找与之相配比的信息，并将各专家的观点进行容错处理，最终得到一个较为精确的结果。也就是神经网络通过输入值与期望输出值的比较，根据两者之间的差的函数来调整神经网络各层的连接权值和各个神经元的阈值，最终使误差函数达到最小。其调整过程由后向前进行，称为误差反向传播BP算法。[9]

1.基于BP思想的专家系统

基于BP神经网络的专家系统与传统专家系统相比特点如下：

（1）由于经济活动中有很多知识不能用完全数学方程表达，即使用条件概率密度表达也存在一定困难，如果机械地将经济管理问题套入明显的规则当中就会导致结果的畸变。而基于BP神经网络的专家系统，只需对形成某种决策或作出某种判断具有足够的经验（训练对）即可，可凭借网络的自我学习能力将专家的经验自动存储到权矩阵中。

（2）现实活动中规则数量相当多，指标体系中各因素相互影响，利用传统专家系统难以进行推理，加之知识库中规则太多，容易导致传统专家系统中推理的前后矛盾，因为传统专家系统缺乏自我学习的能力。而BP神经网络专家系统具有很好的自我耦合能力，可以通过训练对的不断增加，提高自我学习能力。

2.基于BP算法的神经网络专家系统的结构设计

（1）输入层。供应链风险评价专家系统的网络输入包括影响供应链风险的15项参数（见表1），因此输入层的节点数为15。对于评判标准，可采用等差数列计分法（见表2），即若干熟悉此领域的专家根据自己的经验就各参数对供应链风险的影响程度进行打分。

（2）隐含层。当前学术界尚无比较权威的方法对隐含层节点个数进行准确界定，较为有效的经验是不断对网络进行训练，通过误差分析来逐步增减隐含层的神经元数目，直至得到满意的性能。[10]本文中BP神经网络专家系统网络隐含层神经元数目的确定采用几何金字塔算法（Geometric Pyramid Rule），即从输入层到输出层的神经元数目逐渐减少，呈金字塔结构（见图1）。若输入层和输出层神经元数目分别为n和m，则隐含层神经元数目为

（3）输出层。输出层节点数设为 3，分别用 y1、y2、y3表示供应链风险高、风险不详、风险低三种情况（见表3）。

3.基于BP神经网络专家系统的供应链风险评价具体步骤

表1 供应链风险指标评价体系表

表2 供应链风险专家评价表

表3 神经网络输出评价矩阵

图1 几何金字塔算法结构图

步骤1：初始化神经网络权值并给定随机的权矩阵W、学习信号φ。在三层BP神经网络中，权值共分为两个部分：一部分为输入层到隐含层的连接权值vij；另一部分是隐含层到输出层的连接权值wjk。其中，i、j、k分别代表输入层、隐含层、输出层神经元节点。

步骤2：确定训练样本，即给出n个训练函数（X1，T1）…（Xp，Tp）…（Xn，Tn）。对于每一个输入学习样本，输入向量Xp是专家根据供应链风险指标评价体系表并结合自己经验给出的客观评价。这些指标以量化的形式给出。

步骤3：将输入样本向量Xp代入BP神经网络，计算yj=f（Wj，Xp）。其中，Wj代表W矩阵的第j行，f（·）为转移函数（Transfer Function）。

步骤6：如果误差不满足预期，则返回第2步，向网络递加一个模式对，直到n个模式对循环一遍，再进行第6步。若E

步骤7：经过网络训练，最后网络达到稳定。向经过训练的神经网络输入专家评价向量Xn+1，得到网络输出值Tn+1，从而得出待分析供应链的风险等级。

步骤8：供应链风险等级评估结果出来之后，由输出层开始对网络权值wjk和vij进行逐层分析。若要分析输出层节点k的影响因素，首先在网络权值wjk中查找净输入较大的值，判断出影响输出层节点k的隐含层节点j。然后，在网络权值vij中查找净输入较大的值，判断出影响隐含层节点j的输入层节点i。最终，经过链条分析，找到输出层节点k的主要影响因素（即供应链风险的主要影响因素），实施供应链风险管理。

4.应用试验

在研究中，课题组根据设计好的调查问卷，首先邀请15位专家在4个不同的时点，对影响乳品供应链的15项参数进行分析，并对照供应链风险专家评价表（表2）进行评价打分，得到60组评价值。同时，判断该供应链风险情况，获得输入向量（xi1，xi2，…，xij，…，xi15）和输出向量（T1，T2，…，Ti，…，T15）。其中，i=1，2，…，60；j=1，2，…，15。然后，将专家打分结果作为学习样本代入该网络模型进行训练，最终达到稳定。试验目的在于将基于BP神经网络专家系统的供应链风险评价结果与专家评价结果进行对比，最终证明BP神经网络专家系统在供应链风险评价中的有效性。

基于BP神经网络专家系统的供应链风险评价模型的结构，可假定输入层、隐含层、输出层所对应的节点个数分别为15、8、3（见图2）。其中，初始网络权值为随机取值，学习信号φ=0.005。在60组专家评价值中随机提取50组作为训练样本，其余10组作为检验样本。利用BP神经网络专家系统对50组样本进行训练，待网络收敛达到稳定后，把10组检验样本代入训练好的网络，得到实际输出值，并与期望输出值进行对比分析。试验结果见表4。

图2 神经网络专家系统拓片

表4 网络输出结果与期望结果比较

从实验结果可以看出，BP神经网络专家系统对供应链风险高低的评价结果与期望结果（专家实际评价结果）非常接近，而对风险程度不祥的评价结果与期望结果相差较大。这是由于所选指标不能很好地解释所选取的供应链，有经验的专家和财务工作者也不能判断出供应链风险的高低，因此对风险程度不详的诊断率很低。

在BP神经网络专家系统达到稳定后，对网络权值进行提取，以便通过分析网络权值，提取影响供应链风险的主要因素，为进行相应的供应链风险管理提供依据。图2仅画出了对风险较高情况具有重要意义（指影响程度大）的权值，其他权值没有画出。由图2可见，隐含层节点1和节点2的输出对作出该诊断起着决定性作用，因为只有这两个隐含层节点与输出层节点1的连接权值为正数，其余均为负数。图2还表明，输入层节点1、节点2、节点3、节点4对隐含层节点2影响很大。这就告诉我们，节点1、节点2、节点3、节点4所代表的情况与参数是评价供应链风险高低的主要依据。这与各位专家的认识是一致的。拓片还表明，影响供应链风险判断的因素在网络中很复杂，而且相互交叉、相互依存。但通过BP神经网络专家系统权值分析，人们不难从权值的大小和正负来分析其对评价结果最终的影响程度，这也是传统专家系统与单一神经网络无法做到的。

四、结论

基于BP神经网络理论与专家系统思想建立供应链风险评价模型，利用BP神经网络的自学习特征，在训练过程中对权值进行不断修正，使网络实际输出向量逐渐接近期望输出值，最后通过算例对神经网络权矩阵进行分析，不但能利用专家系统判断出供应链风险的高低，还可通过权矩阵分析出影响供应链风险的主要因素。因此我们可以得到结论：基于BP神经网络建立的专家系统风险模型，能对供应链风险作出较为准确的评价。因此可以推断，BP神经网络专家系统在供应链风险研究及应用中具有较大的发展潜力。

＊本文系国家自然科学基金“大宗农产品供应链协作定价继承机制理论与模型研究”（项目编号：70672117）的研究成果之一。

[1]贾燕，王润孝，杨波.基于遗传算法的供应链中风险问题的研究[J].中国机械工程，2001（1）：90-93.

[2]丁伟东.供应链风险研究[J].中国安全科学学报，2003（4）：64-66.

[3]付玉.基于案例推理的供应链风险估计方法[J].预测，2005（1）：56-58.

[4]吴军，汪寿阳.CVAR与供应链的风险管理[C].中国运筹学会第七届学术交流会论文集，2004：152-158.

[5]马林.基于SCOR模型的供应链风险识别评估与一体化管理研究[D].杭州：浙江大学博士论文，2005：126-130.

[6]A.Paulo，E.Ferreira，C.Coelho，L.S.Pereira.Drought Class Transition Analysis Through Markov and Log Linear Models，An Approach to Early Warning[J].Agricultural Water Management，2005，77（1-3）：70-91.

[7]刘永胜，王燕.基于供应链管理的企业物流风险预警机制研究[J].经济问题，2009（9）：78-80.

[8]中国会计师协会.公司战略与风险管理[M].北京：经济科学出版社，2008：214-218.

[9]王文成.神经网络及其在汽车工程中的应用[M].北京：北京理工大学出版社，1998：65-83.

[10]Zedeh A G，et al.Neural-Network-Based Fuzzy Logic Control and Decision System[J].IEEE Transactions on Computers，1991，40（12）：1320-1336.