基于“事件学习法”的供应链风险预警分析

陈晋曦，赵柱文

(1.广州王老吉药业股份有限公司生产技术中心质量部，广东广州510450;2.重庆公共运输职业学院交通运输管理系，重庆402247)

供应链风险预警是把供应链活动中存在的各种风险现象作为研究对象，通过对其组织运行过程及其状态的跟踪监控和分析评价，来预测和预报供应链发展偏离正常轨迹的情况。在实际运行管理的过程中，供应链的一些风险可以通过自组织系统的功能作用自动消除，但更多的风险需要外力的干预才能克服，及时进行干预，则需要通过风险预警以准时警示。供应链风险研究为分析预警构筑了基础，而如何进行预警则是本文研究的内容。

1 供应链风险预警内容简述

1.1 供应链风险警源探析

供应链是由目标、活动、制度所构成的复杂系统，它是与环境发生相互作用过程中极力维持自身与环境间的动态技术等要素构成的多个企业群的动态平衡［1］。若这种平衡状态被打破，便产生供应链运行的波动;若无法使这种失衡状态在较短的时间内恢复到新的平衡则可能产生供应链的危机。而据研究，诱发供应链运行危机的因素产生于供应链环境、历史和内部企业间的供需之间。因此，对供应链风险预警的探寻与监测，主要从四个方面展开:

(1)供应链环境的稳定程度。对供应链环境的监测，主要是分析供应链环境的动荡程度。我们将供应链环境的动荡，依据其不稳定性划分为四个等级，即低度、中低度、中高度和高度，并对现实供应链环境的动荡状况与这些等级特征进行对照分析，以发现警源。

(2)监测供应链结构的合理程度。不同供应链的规模、目标和业务形式需要与之相应的供应链结构，分析供应链的结构是否合理，可以从中发现警源。

(3)监测供应链协约的合理与完备程度。包括协约制定完备率、协约管理完备率、协约合理率以及管理变动率等指标。管理变动率从一个方面反映出供应链协约情况，显示供应链的活力。但协约管理变动过于频繁，也存在一种朝令夕改的不稳定状态，是供应链产生危机的前兆。

(4)监测供应链各企业的业务融合状态，也即是供应链各企业间的供需平衡程度。

因而，监测供应链各企业的业务融合状态是探究发现警源的重点所在。

1.2 传统的供应链风险预警透视

对供应链风险预警及其预警模型系统的设计，这一研究领域目前涉及者较少。对此，现就目前供应链风险预警进行一定的归纳。

1.2.1 供应链宏观预警透视

对供应链宏观预警的描述最常见的是扩散指数和合成指数。扩散指数是在一定时间长度内循环指标呈上升(扩散)的指标占同类全体指标的百分数。一般按先行、同步和滞后3指标计算扩散指数。先行扩散指数主要用于预测未来(短期)供应链运行状况;同步扩散指数用于确定当前供应链运行状况;滞后扩散指数则用于判断供应链总体的高峰、低谷期是否已经过去并开始进入下一轮循环。扩散指数只能用于定性分析，不能反映供应链变动的幅度;而且，由于指标选取和统计数据等原因，其分析结果也存在一定的缺陷。合成指数是通过一组指标的变动值进行标准化处理后所得的一个无量纲指数。合成指数能最大限度地综合各单项指标的变动信息，避免指标信息的相互抵消，体现不同指标贡献的大小，因而可以如实展现供应链的现状。

1.2.2 供应链微观风险预警透视

近年来，供应链风险预警的方法研究成果颇丰。在定性事物上，咨询法、特尔菲法占有很大比重;定量预警的方法可分为线形和非线形两大类。对于线形问题，由于人们已经从数学的角度对各类线形现象有了深刻的认识，因而实际应用中出现线形评价的预警方法多种多样;对于非线形问题，传统的处理方法是尽量使之线形法，然后运用线形模型的理论和方法进行分析。

但是，供应链宏观预警预测需要预先对指标权重进行确定，而权重不好确定，因而先行、同步和滞后3指标经常发生变化，影响到风险预警的信度和效度。微观风险预测惯用的线形和非线形模型难于处理;同时，这些预警方式也不具备时变特性，缺少自适应、自学习能力。其结果往往出现较大的偏差。

2 “事件学习法”风险预警简介

“事件学习法”的学术实践提出于20世纪30年代，但是该方法的完善和被广泛接受则要以Ball和Brown等(1998)成功运用事件学习法对会计赢余报告的市场有用性进行的实验证明，以及Fama(1999)对股票分割的市场反应所做的研究开始。“事件学习法”认为，市场是有效的，具有理性，事件对企业的影响能够及时通过企业资产价格表现出来，从其价格的波动状态可以测量出事件的经济影响力。如图1所示:

图1 事件对公司资产价格影响状况

从图1可以知道，由于事件的影响，公司资产价格波动幅度和波动频率异常，“事件学习法”就是通过学习事件前后价格变量的变化来测量和评价事件对组织系统的影响程度。这种影响是用非正常收益来计算的，为了达到这个目的，“事件学习法”的基础性步骤是设计和选择计算正常收益的模型，为计算非正常收益做铺垫。这里需要说明的是，“事件学习法”中的正常收益是指剔除市场影响的合理标准值，是衡量事件反映的经济性影响的参照值;非正常收益是指等于观察到的收益与预期收益收益之间的差额。适时、准确地测量非正常收益是风险评价预警的关键，因为非正常收益的形成是事件反应的具体表现。

3 基于“事件学习法”的供应链风险预警模型构建

供应链的运行态势表现在各种可以测量的指标数值上，在供应链风险评价中我们选择的是一系列指标的综合量。可以通过学习事件前后评价指标的变化来测量和评价事件对供应链风险系统的影响程度。

3.1 供应链风险评价及预警模型整体框架

(1)根据“事件学习法”的基本原理构建供应链风险评价及预警模型整体框架。如图2所示:

图2 供应链风险评价与预警机制模型

3.2 供应链风险评价及预警模型整体框架

3.2.1 指标体系的构建

根据供应链的内在要求和供应链风险的发生要素制定如下评定供应链的指标体系。

(1)质量水平(x1)-包括:①物料来件的优良品率;②质量保证体系;③样品质量;④对质量问题的处理。

(2)交货能力(x2)-包括:①交货的及时性;②扩大供货的弹性;③样品的及时性;④增、减订货的适应能力。

(3)价格水平(x3)-包括:①优惠程度;②消化涨价的能力;③成本下降空间。

(4)技术能力(x4)-包括:①工艺技术的先进性;②后续研发能力;③产品设计;④技术问题材的反应能力。

(5)后援服务(x5)-包括:①零星订货保证;②配套售后服务能力。

(6)人力资源(x6)-包括:①经营团队;②员工素质。

(7)现有合作状况(x7)-包括:①合同履约率;②年均供货额外负担和所占比例;③合作年限;④合作融洽关系。

影响供应链稳定的 7 个指标 (x1，x2，x3，x4，x5，x6，x7)组成的供应链风险的评价体系，Gt为供应链t时刻的风险度。

3.2.2 数据统计与评价标准

本模型的数据统计工作包括两个部分，一是样本数据统计，二是评价对象供应链的相关数据统计。根据选定的相关指标及合成法则，样本数据统计的根本任务是，选择足够多的样本(如建立数据库)，根据各个样本得出的Gt值及其对应的供应链状态，从统计的角度上界定相应的G值所代表的状态评价域，如正常区和预警区，它们构成评价模型中的评价和诊断标准。平静对象供应链的相关数据统计主要是计算事件前后及事件中的输出指标合成值及其分布状况，以供评价使用。

4 评价统计量模式［2］构建

4.1 风险预警效果评价

风险预警效果评价主要是用来衡量和检验供应链风险预警前后的性能变化，以及这种变化与初期风险预警目标的差异度。对于Gt的随机波动性，我们选择风险预警前后Gt的期望值来测量风险预警的效果。

其中:Tm＞Tk，区域Tm～TK为风险区。

4.2 风险预警稳健性评价

供应链风险预警评价的一个重要方面是对风险预警后供应链运行稳健性的观察和测度。风险预警的良好性在于风险预警整体效果好，具有相当的稳健性。本模型选择的测量公式为:

4.3 统计检验与评价

供应链风险预警效果评价的统计检验涉及风险预警前后效果显著性检验，假设Gt运行方差具有近似不变性，采用t统计来检验风险预警前后Gt期望值差异的显著性。同时对样本进行风险预警前后差异度统计，建立不同差异度域与效果评价之间的对应关系。利用这一对于关系，根据计算结果，给出评价结论。

4.4 测量临界域值

利用稳健性指标，我们可以测量供应链风险预警的风险，根据实际风险程度进行预警。由样本统计，选择某个临界值d作为预警区边界划分依据，由下式确定:

其中:α为统计概率，对应样本中方差距大于或等于d时的风险预警失败率。这种方法使我们能够对每一个具体Gt值计算出其对应的失败率，对于风险预警的适时性具有重要作用。

5 数值结果与分析

下面对由两个企业组成的供应链在给定条件情况进行模拟，评价指标体系的构建按十分制进行，通过调查统计分析该供应链评价指标体系明细表(见表1)。分析第4年到第7年风险区风险预警的信度和效度，风险预警效果e=5.5。

表1 该供应链供应链风险评价指标明显表

通过该行业过去历史数据分析，风险预警稳健性大概分别在0.27～0.52具有良性和竞争关系，也具体较高的合作关系，测量临界域值α=0.43。通过数据分析，该供应链 μ前=51.5，μ后=57，风险预警稳健性Var(Gt)为0.4238，Rt=12.9778，p(Rt)=p(12.9778)=0.3328。表明，该供应链风险稳健性指标正常。

6 基于“事件学习法”的供应链风险预警意义和作用

依据“事件学习法”的思路构建关于供应链风险评价及预警模型，与已有的供应链风险评价预警方法相比，具有明显的特点:

(1)在评价指标选择方面，全部选择输出指标目标，指标体系构建更为明确简洁。

(2)在指标合成权数的确定方面，由于本模型是以输出数据为依据，因此可以采用传统的专家测定与神经网络学习并用的方法，使权数的测定综合人的知识与机器的优势，更为合理、科学。

(3)评价区域的界定，更多的建立在实际样本的数据统计上。在实际的模型实现中可加上一些适当的问题模块，综合人的实际经验知识，使区域界定科学合理。

上述特点基本上反映了本模型的“人-机”共同参与供应连链管理和风险评价的特性。由于“事件学习法”对事件影响收益(评价指标)的波动程度具有敏捷的识别反应能力，可以将它运用到对供应链稳定性风险的评价上。供应链运行的稳定性风险态势表现在各种可以测量的指标数据上，在供应链风险评价中我们选择的是一系列指标的综合量，通过学习事件前后评价指标变量的变化，来测量和评价事件对供应链的稳定程度。

［1］丁伟东，刘凯，贺国先.供应链风险研究［J］.中国安全科学学报，2003，(4).

［2］肖东升.企业组织创新风险研究［M］.长沙:中南大学出版社，2002.

［3］杜胜利.企业经营业绩评价［M］.北京:经济科学出版社，1999.

［4］金星，洪延姬，沈怀，等.工程系统可靠性数值分析方法［M］.北京:国防工业出版社，2002.

［5］Dickson G.W.An analysis of Vender Selection System and Decisions［J］.Journal of Purchasing.1966，(2):5-17.