生鲜农产品冷链物流供应链运作风险评价研究

夏翠萍 张国宝 陈 凤

（安徽科技学院管理学院 安徽蚌埠 233000）

随着网络销售市场的不断壮大，我国的农产品销售中，网络购物的市场占比越来越高。国内学者张鹏，周恩毅根据农产品冷链物流供应链，预冷处理、冷藏仓储、温控运输、销售终端送达四个阶段构建了基于模糊层次分析法（Fuzzy Analytic Hierarchy Process,FAHP）的农产品冷链物流全过程供应链质量评价体系。[1]同时学者孙文清也将物流服务分为了服务质量，服务数量，供应商管理水平和供应商基本情况，通过因子分析和综合赋权的方法对物流质量进行评估。[2]国内的前沿成果表明，阶段性物流风险分析以及综合权重方法在风险指标构建中具备较高的应用价值。笔者将生鲜农产品冷链物流供应链运作划分为供应环节、运输环节、销售环节，并构建了3个二级指标，13个三级指标的评价体系，通过序关系分析指标主观权重、熵权法计算指标客观权重，综合赋权之后利用LSTM−RNN模型计算指标风险值，以期为生鲜农产品网络销售和跨境物流提供科学的风险评价方法。

一、生鲜农产品冷链物流供应链运作风险评价模型

（一）生鲜农产品冷链物流供应链运作风险评价指标构建。生鲜农产品的冷链物流供应链的核心为物流企业，与其连接的供应商和分销商构成整个物流链结构。因此研究将生鲜农产品冷链物流供应链运作风险划分为三个方面，包括了供应环节、运输环节、销售环节三个风险二级指标。[3]首先，在供应商备货过程中，由于管理事物、设备故障、员工操作不当等问题会出现延迟供应并导致农产品质量下降的问题。[4]其次，运输环节中，长距离的跨境运输对于冷链技术的要求极高，在设备不健全或者偶遇自然灾害的情况下也会导致供应延迟和农产品变质损耗。最后，在销售环节中，市场的需求波动、库存管理风险等因素也是整个供应链的风险重要评价指标。绘制生鲜农产品冷链物流供应链运作风险评价指标表示如图1。

图1 生鲜农产品冷链物流供应链运作风险评价指标体系

在供应环节、运输环节、销售环节三个风险二级指标下，根据生鲜农产品冷链物流供应链运作流程，得出13个三级风险指标。农产品的生产运输不同于其他工业产品，其质量的保存是整个冷链物流供应链运作的基础。[5]同时，农产品的质量保存也是其价值保证的核心。构建风险评价指标体系之后，需要首先确定风险指标的权重，用于构建风险因素之间的线性函数关系。常见的计算主观权重和客观权重的方法包括了层次分析、特征值法、熵权法、因子分析等。研究结合序关系分析法计算主观权重和熵权法客观权重计算，得出指标体系的综合权重。序关系分析主观权重计算的方法是依据专家对指标重要性进行重新排序之后，确定不同指标之间的重要性关系而得出风险因素的函数关系。[6]首先，序关系分析主观权重系数计算公式如式（1）所示。

式（1）中，ti表示指标之间的重要性程度比值，其取值区间为[1.0−1.9]，而n表示指标数量，i表示指标重要性排序之后编号。fi则是权重系数。熵权法计算客观权重则是通过风险指标的变异程度进行计算的，变异程度越小，指标的权重值则越低[7]。首先，将指标的权重矩阵表示为式（2）。

式（2）中，P表示指标权重矩阵，W表示专家对于指标的评价值，m和n分别表示专家数量和指标数量。同时由于指标之间的单位不同，因此首先对评价值进行标准化处理，其公式表示为式（3）。

式（3）中，pij表示标准化处理之后的专家j对指标i的评价值，maxWij和minWij分别表示评价值的最大值和最小值。最后，得出客观权重的计算公式如式（4）所示。

式（4）中，wi表示客观权重，Ei表示熵值，其计算方法表示为式（5）。

最后，在通过序关系分析得出主观权重和熵权法得出客观权重之后，计算指标的综合权重。综合权重包含了主客观权重的优点，不仅减小了主观因素的影响，同时也弥补了乘法合成的倍增效应。综合权重计算公式表示为式（6）。

式（6）中，Wc表示综合权重，ws表示主观权重，而wo表示客观权重，α为比例系数。

（二）基于循环神经网络的农产品冷链物流供应链运作风险评估方法。在构建了生鲜农产品冷链物流供应链运作风险评估指标体系之后，研究将循环神经网络（Recurrent Neural Network,RNN）引入到风险评估系统中。利用RNN中的仿神经元之间的联系处理风险指标，用更加高效精确的序列递归方法取代传统风险评估方法[8]。同时，为了避免循环神经网络的长期依赖问题，研究引入长短期记忆网络（Long Short Term Memory,LSTM）对RNN进行优化[9]。长短期记忆网络单元结构如图2所示。

图2 长短期记忆网络单元结构

从图2可以看出，长短期记忆网络依靠输出、遗忘门对状态进行影响，可以让循环神经网络中的部分信息遗忘过滤[10]。遗忘神经网络的一般计算公式如式（7）所示。

式（7）中，st表示t时刻的状态，而st−1则表示t−1时刻的状态，Wx表示输入权重，xt表示t时刻的输入。yt表示t时刻的输出，Wy为输出权重，by表示输出偏置。同时，在优化RNN网络中，相同的状态函数应用于所有风险指标的转换，输出权重和偏置于输出权重参数等同，为了确定不同计算次数下的输出参数，研究将输出计算公式优化为式（8）。

式（8）中，n表示更新次数，σ表示logistic函数，控制值域为0～1。研究应用优化的循环神经网络，将农产品冷链物流供应链运作风险评估内部的复杂性、多变情况以及不确定性的问题进行处理[11]。研究的RNN优化网络通过利用神经算法的大脑神经元模拟处理不同风险指标的复杂问题。其应用流程结构如图3所示。

图3 生鲜农产品冷链物流供应链运作风险指标及RNN计算流程

研究提出的生鲜农产品冷链物流供应链运作风险评价方法通过构建风险评估指标体系为第一步，同时提出了计算指标体系主观权重的序关系分析法和计算客观权重的熵权法，将主客观权重结合得出指标体系的综合权重。而风险评估方法则依靠优化的循环神经网络完成，首先引入LSTM的遗忘机制来过滤指标体系带入神经网络的部分重复信息，同时引入输出logistic函数和迭代计算次数区分，最后得出输出结果[12]。

二、LSTM-RNN农产品冷链物流供应链运作风险评估风险方法仿真分析

农产品冷链物流供应链作为农商产业的重要组成部分，其运作收到自然因素和市场因素的影响较大。本次研究构建了农产品冷链物流供应链运作风险评估体系，并采用LSTM−RNN方法对风险值进行计算，首先农产品冷链物流供应链运作风险评估指标体系综合权重如表1所示。

表1 农产品冷链物流供应链运作风险评估指标体系综合权重

从表中可以看出，三个风险评估二级指标中，综合权重最大的为运输环节的风险，其权重值为0.437，而综合权重占比最小的为销售风险，其权重值为0.247。在综合序关系分析和熵权法计算得出二级指标和风险三级指标体系的综合权重之后，通过MATLAB 软件平台进行算法仿真实验。实验的最大迭代次数为100次，比较LSTM优化的循环神经网络和GRU 优化的神经网络，两种方法在迭代过程中的损失值和评估准确率变化如图4所示。

图4 不同算法在迭代过程中的损失值和评估准确率变化

在整体迭代过程中，GRU优化模型的损失值大部分情况下大于LSTM优化的循环神经网络。同时在图4（b）中，GRU优化模型的评估预测准确率在迭代次数大于60次之后趋于最大值，而LSTM 优化的循环神经网络算法在迭代超过50 次之后逐渐趋于平稳。实验表明，在风险预估的迭代计算中，LSTM优化的循环神经网络方法比GRU优化的神经网络计算效率更高，并且损失值更小，精确度性能更好。实验将某市的水果生产基地及其销售物流供应链为实验对象，在考察了水果冷链物流运作供应情况之后，应用研究构建的指标体系和评价方法对3个二级指标进行风险值的计算。实验的预估周期为12周，将其分为4个时间阶段，比较不同风险指标随时间变化的风险值，具体结果如图5所示。

图5 水果供应链的二级指标风险值评估结果

水果冷链物流供应运作的风险随着时间的增加而增加。在水果的生产、运输、销售三个不同层面的二级指标中，最先受到较大影响的是生产阶段。在时间超过6周之后，水果的生产和运输阶段运作基本完成，因此水果销售的风险随时间增加而快速增大。在第6 周时，三个二级指标的风险值分别为4.26、2.93、5.09，而在第12 周时，三个二级指标的风险值分别为17.31、12.38、20.67。在指标体系综合权重计算中，虽然运输风险的权重占比最高而销售风险的权重占比最低，但是随着时间的增加，销售的风险盖过了供应风险和运输风险。实验表明，该水果生产基地的农产品冷链物流供应链运作过程中，出现额外成本问题和风险情况最多的是销售环节，其次是供应生产环节，而权重占比最大的运输环节风险问题较少。最后，因此针对风险结构分析结果，将三级指标中的生产成本风险、采购风险、计划风险、成员成本风险、技术风险、信息风险、自然灾害风险、合作风险、自然自然环境风险、市场环境风险、退货风险、政策变动风险、滞销成本风险依次编号为1−13。比较该水果基地在通过风险结构分析的风险预防之后，其风险值预测变化，预测时间为12周。具体结果如图6所示。

图6 水果供应链的三级指标风险变化情况

在水果冷链物流供应进行风险预防之后，13 个三级指标的风险值均有下降。而在图6（b）中可以看出，13个风险指标中，风险值减小程度最高的是计划风险指标，程度值为23.04%，而风险值减小程度最低的是市场环境风险，程度值为3.78%。由于水果的冷链物流供应风险预防改革对于内部的风险问题处理成果较大，而对于整体的农产品市场环节改变较少。同时从图中可以得知，三级指标中，改进前风险值最大的为自然灾害风险指标，风险值为22.2，而改进之后，风险最大的指标为自然环境风险指标，风险值为18.45。从实验可以看出，农产品冷链物流供应链运作风险指标体系以及优化的循环神经网络可以有效应用于水果基地样本中，并且可以对风险结构进行有效分析，同时该方法可以得出风险预防措施的实际价值。

三、结论

为了验证生鲜农产品冷链物流供应链运作风险指标体系和LSTM−RNN 风险预测方法的有效性，研究通过MATLAB 仿真实验以及实际案例分析。在迭代过程中，GUR 方法和LSTM−RNN 方法相比，损失值更大且计算效率不如RNN 优化算法。在水果基地的实际应用中，风险预测模型不仅可以对风险结构进行有效分析，同时可以得出风险预防措施的实际价值；最后，在通过风险预防措施之后，该基地的13 个指标的风险值平均下降了11.6。实验表明，构建风险指标体系以及优化循环神经网络的算法可以准确预测农产品冷链物流供应链运作风险，从而帮助农产品在生产、运输、销售中减少风险问题，控制成本。