基于BP神经网络的物流联盟风险评估方法

王娥

The Risk Assessment Method of Logistics Alliance Based on BP Neural Network

WANG E （School of Traffic and Transportation， Lanzhou Jiaotong University， Lanzhou 730070， China）

摘 要：文章借鉴物流联盟风险评价问题已有成果，总结了影响物流联盟风险的主要因素，并在此基础上建立了两级4种类型的物流联盟风险评估指标体系，该指标体系包括市场风险、合作关系风险、能力风险、信息与管理风险4个方面共11个评价指标。建立了基于BP神经网络分析法对物流联盟合作伙伴选择模型，利用MATLAB进行了样本训练和实例分析，结果显示利润分配、信息共享、信任程度是影响物流联盟风险最重要的二级指标。

关键词：物流联盟；风险评价；BP神经网络；物流联盟风险

中图分类号：F272 文献标识码：A

Abstract： This paper questioned the risk of assessment results for logistics alliance， summarized the main factors which influencing the risk of logistics alliance， and based on the two levels of four types of logistics alliance risk assessment index system， the index systems including four aspects such as market risk， cooperation risk， ability risk， information and management risk， these risks contained eleven evaluation indexes. We build a logistics alliance partner selection model which is based on the BP neural network analysis method， and sample training and case analysis， are studied by using the MATLAB software and results show that the degree of profit distribution， information sharing， trust are the most important secondary indexes affecting logistics alliance risk.

Key words： logistics alliance； risk assessment； the BP neural network； logistics alliance risk

0 引 言

随着经济的发展，物流业已经成为我国众多发展迅猛的行业之一。由于市场竞争程度的加剧，单个物流企业已无法应对市场中的各种风险，建立物流联盟成为物流企业调整战略格局的重要措施。我国的一些大中型物流企业不断卷起联盟的狂潮，目的是使企业获得较新的技术设备及能力资源、降低企业成本、提高企业核心竞争力、增加企业收入水平。理论上，如果物流联盟能够有效执行，其发展前景是不可估量的，但是也存在一些风险。本文研究目的是为物流联盟的构建以及风险因素的评估进行理论分析，并且借鉴这些因素对物流联盟的风险程度做出相应的定量分析和评价，以增加物流联盟的长期性、提高物流联盟的稳定性，使得双方或者多方企业通过物流联盟的方式降低物流成本，获得最大收益。

Ashino和Rangan[1]提出两个或者多个物流企业组成的联盟必须能够拥有共同的目标，在建立联盟时共同分享获得的利润，并且将这些资源运用到联盟企业的运营当中去，只有这样联盟才能持久且稳定，否则存在诸多联盟风险；Shapiro[2]将联盟风险中的信任风险分为4种：基于达成共识的信任风险、基于认知能力的信任风险、基于威慑的信任风险以及敏捷信任风险；Ming-Chih Tsai[3]等人分析了政治风险对物流企业发展的作用，指出微观企业因素和宏观政治因素所引起的风险不容忽略；Hallikas[4]提出了如何在网络环境中处理物流联盟风险的方法，介绍了风险管理的过程；郑绍镰[5]计算了层次分析法评估指标的权重，优化了联盟利益分配的机制；冯蔚东[6]利用模糊综合分析法（Fuzzy-AHP）建立了一种基于风险与投资比例的求解办法，通过实际的计算证明了其有效性和正确性；徐志禄[7]認为联盟合作伙伴的适合性、匹配性、资产专用性、竞争和合作的平衡、企业成员之间相互信任等因素会直接影响到物流联盟稳定性；刘明菲[8]依据物流市场运营风险的内涵，对市场运营风险进行分类识别，分析了各类风险可能产生的后果，并提出风险管理对策；袁旭和孙希刚[9]结合时间价值理论和层次分析法建立了一个虚拟物流企业受益混合模型；DASTK和TENGBS[10]等人针对物流联盟提出了基于风险理论，认为影响物流联盟的风险有绩效和关系两大类。

国外学者起初研究供应商选择方法，后来研究合作伙伴选择条件，但都未深入进行物流联盟合作伙伴的研究。国内对物流联盟研究起步较迟，且缺少实践经验，只描述概念方法和模型介绍，并未证明模型的适用性。本文根据物流联盟风险的分类，结合BP神经网络分析法对物流联盟的风险进行综合评价，并且运用MATLAB对物流联盟的风险评价结果进行验证。

1 物流联盟风险分类

根据风险的划分方式不同，物流联盟风险的种类也不尽相同。唐萌春[10]认为物流联盟中存在两类风险：内部风险和外部风险。联盟外部风险主要包括市场风险、金融环境风险以及自然环境风险等；联盟内部风险主要有合作关系风险、能力风险和信息与管理风险等。物流联盟风险的分类示意图如图1所示：

物流联盟内部风险占主导因素，物流联盟的外部风险也起一定作用，一般是由外部环境的不确定性和不稳定性导致的。本文主要分析以下4种风险（1种联盟外部风险和3种联盟内部风险）：

（1）市场风险

市场风险主要是指在一些市场中由于市场价格、利率等的不稳定从而使得市场遭受无法预料的隐含损失风险，包含物品风险、利率风险、权益风险以及汇率风险等，其中利率风险是主要风险。

（2）合作关系风险

合作关系风险是指由于联盟的企业之间的某种交易行为从而造成联盟关系的不稳定性。一般来说，影响物流联盟的合作关系有很多因素，例如：企业文化、价值观念、激励机制、道德风险、信任程度以及战略目标。第一，信任是合作的首要保证，当然也是物流联盟合作的基础。如果企业联盟之间互不相信，那么企业联盟也将无法进行下去。第二，物流联盟的有效保障是适当地激励和合理公平的利益分配，如果信息不对称，那么物流联盟将可能会出现停滞现象，同样，利润分配不公平、激励不合理、联盟成员的机会主义等都有可能造成物流联盟的失败。第三，企业和成员的价值观念以及行为方式的不同，还有企业文化的冲突等都会对联盟的关系产生威胁，甚至破裂。

（3）能力风险

能力风险主要是指由于联盟组织的实践经验、知识积累以及协调管理等能力的缺乏引起的。同样，物流服务成本、物流技术、物流服务质量以及物流响应时间等方面因素都可能会对物流联盟组织的稳定性造成一定的影响。物流联盟的基础是对客户提供优质的服务，当物流联盟企业各方面的能力有限、技术上没有办法满足客户要求或服务质量低下时，都有可能使得物流联盟的关系解体。

（4）信息与管理风险

信息与管理风险主要是指信息的传递、核心能力的集成、信息资源的集成和物流联盟的组织与管理等方面的风险。物流与信息流密切相关，信息共享和信息高效、准确的传递是有效物流联盟建立的最基本要求，然而由于每个物流联盟企业互不相同的信息系统、通信协议以及数据库标准，往往使得企业之间物流信息的传递出现延迟，或者集成时出现衔接困难，因而造成物流联盟效率低下、运行资料缺少，增加物流联盟的运行风险。

2 BP神经网络模型建立

设输入变量为X=x■，x■，…，x■；隐含层输出向量为y■=y■，y■，…，y■；输出层输出向量为h■=h■，h■，…，h■；期望输出向量为d■=d■，d■，…，d■。输入层和隐含层间的连接权值为W■，隐含层与输出层间的连接权值为W■；隐含層各神经元的阀值为

z■，输出层各神经元的阀值为z■；样本数据个数为K，K=1，2，…，m，输出层的误差函数为：

E=■■d■k-y■k■ （1）

隐含层与输入层之间的连接修正权值为：

ΔW■k=-u■=δ■kX■k （2）

W■=W■■+ηδ■kX■k （3）

则全局误差为：

E=■■■d■k-y■k■ （4）

接下来看误差是不是适合特定的条件，如果网络误差降到了一定的程度或者最初的最大次数小于训练次数时，就可以让训练停止。

MATLAB软件中Nntool工具箱对BP神经网络训练过程：

（1）创建网络；

（2）输入训练样本；

（3）计输出值和误差值；

（4）修正各层权值和阈值；

（5）误差满足条件，训练结束（如果误差不满足终止条件则继续第三步，直到误差达到所设置的误差为止）。

3 基于BP神经网络分析的风险评估实例分析

文章结合以下实例运用BP神经网络方法对物流联盟风险进行评估：例如某企业在组建物流联盟之前邀请5位专家对联盟伙伴的匹配性和合作者风险进行评估，这两种风险发生的概率和该风险对物流联盟所产生的影响度分别用p■和f■来表示。评语集合U=极高，高，中等，低，极低。邀请5位专家对风险因素X■进行评估，第j个专家的重要程度为W■，评价结果如表1所示：

风险影响程度数值表示，如表2所示：

第i种风险因素的风险度为：

X■=1-1-■w■f■1-■w■p■ （5）

其中：n表示专家个数（这里n=5），代入相应的数值计算可得：

X■=1-1-0.2×0.8+0.2×0.8+0.3×0.6+0.1×0+0.2×0.61-0.2×0.4+0.2×0.6+0.3×0.5+0.1×0.85+0.2×0.65=0.835

同理可得：X■=0.865，X■=0.888，X■=0.963，X■=0.800，X■=0.953，X■=0.779，X■=0.769，X■=0.774，X■=0.941，X■

=0.933。

具体数据如表3所示：

从以上的数据我们可以看出，在这11种风险当中，信任程度的风险度是最高的，其值为0.963，其次是利润分配和信息共享，风险度的值分别为0.953和0.941。在一定的条件下，技术能力和文化冲突等对联盟风险的风险度就比较小。风险等级的区间表示：区间0，0.2表示低风险，区间0.2，0.4表示较低风险，区间0.4，0.6表示中等风险，区间0.6，0.8表示较高风险，区间0.8，1表示高风险。由于等级区间表示范围在0，1之间，故隐含层采用Logsig函数（隐含层节点数为4），输出层采用Purelin转换函数（输出层的节点数为1），建立BP神经网络，对网络进行训练。假设输入层节点数为10，以专家评价法求出的11种风险因素的风险度作为BP神经网络的期望输出值。5位专家打分的风险发生的概率和重要度作为样本的输入，输出7组数据作为训练样本，再用4组数据作为预测输出值，输出值的大小用以上的5个等级来反映风险的大小。

首先是创建神经网络，然后对网络环境初始化，主要是阈值和权值的设定（包括连接权重、隐含层、输出层阈值等），最后输入样本训练值对网络进行训练。当训练到第100步时，训练误差的蓝线达到期望水平并保持稳定，即BP神经网络收敛，训练结束。如图2所示：

经过训练，得到样本输出结果为：0.92315，0.92071，0.93959，0.79772，0.80573，0.79717，0.91989；训练输出结果为：0.82125，0.85374，0.92061，0.89466。

结果分析：从以上的训练结果可以得到该物流联盟的风险范围，因而能够判断物流联盟风险的高低。从输出结果可以看出，在误差允许范围内，第10种风险是信息共享风险，专家评价计算得出的风险度（期望输出值）为0.941，风险等级为极高；而网络训练结果为0.92061，风险等级也为极高。由此说明BP神经网络的分析结果和期望结果基本一致，证明了本文所建立的BP神经网络的可靠性。

4 结 论

对物流戰略联盟风险进行评估，不仅可以有效地规避物流联盟在建立过程中的风险，而且可以让联盟企业有针对性地选择对应措施。如果在物流联盟组建之前对其风险进行评估，就可以未雨绸缪，采取有效措施将风险降低。BP神经网络能够兼顾多种影响因素，利用人工智能学习的方法达到解决问题的实时性、敏捷性等特点。文章分析了物流联盟风险产生的原因和风险特点，结合BP神经网络分析法对风险指标进行评估，并且对联盟的风险评估方法进行选择，最后使用MATLAB软件中的Nntool工具箱对实例进行分析，验证了文章提出方法的合理性和适用性。但是，该方法的使用有其不足之处：在使用BP神经网络进行训练所需的大量样本不易获得。

参考文献：

[1] Charles W. L. Hill， Gareth R. Jones. Strategic management[M]. Houghton Mifflin Co， 1995：32-37.

[2] Shapiro D. L. International Trust： A Comparison of Attitudinal and Situational Factors[J]. Human Relations， 1980，33（11）：113-132.

[3] Ming-Chih Tsai， Ying-So Su. Political risk assessment on air logistics hub developments in Taiwan[J]. Journal of Air Transport Management， 2002，11（6）：373-380.

[4] Jukka Hallikas， Iris Karvonen， Urho Pulkkinen， et al. Risk management processes in supplier networks[J]. International Journal of Production Economics， 2004，6（8）：47-58.

[5] 郑绍濂，等. 分层次与相对绩效评价机制及其效率研究[J]. 管理科学学报，1998（1）：27-29.

[6] 冯蔚东. 虚拟企业中的风险分析与监控[J]. 中国管理科学，2001（10）：24-31.

[7] 徐志禄. 第三方物流企业战略联盟的稳定性研究[D]. 广州：暨南大学（硕士学位论文），2007.

[8] 刘明菲，罗显敏. 物流园区市场运营风险管理[J]. 武汉理工大学学报，2006（3）：389-399.

[9] 袁旭，孙希刚. 基于贡献的虚拟物流企业收益分配[J]. 桂林电子工业学院学报，2004（3）：72-74.

[10] DASTK， TENGBS. Resource and management in strategic alliance making process[J]. Journal of Management， 1998（24）：21-54.

[11] 唐萌春. 基于全生命周期理论的物流战略联盟风险管理研究[D]. 重庆：重庆大学（硕士学位论文），2007.

[12] 荆莹. 基于PCA-BP神经网络的物流企业联盟伙伴选择研究[D]. 西安：长安大学（硕士学位论文），2014.