基于改进DS证据理论和贝叶斯网络的海运供应链风险评估

初良勇　王梦瑶　陈秀乾

关键词：海运供应链；风险评估；改进DS证据理论；贝叶斯网络

中图分类号：F272 文献标识码：A 文章编号：2096-7934（2024）02-0082-15

一、引言

海运在全球运输系统中占据十分重要的地位，在推动经济增长和全球化方面发挥重要作用的同时，面临众多风险与挑战，影响供应链的安全平稳运行。党的二十大报告中提出，要着力提升产业链供应链韧性和安全水平，要坚定维护重要产业链供应链安全；新冠肺炎疫情以来，美国、欧盟等发达国家加强对供应链的管理，并制定相关政策、采取系列措施以塑造更加安全、可持续和可控的供应链。因此，供应链安全性提升到新的战略高度。2020年新冠肺炎疫情全球性爆发，多个国家和地区工厂停工、港口停摆，海运价格暴涨，全球供应链中断形势加剧；2021年3月，长荣海运集团运营的集装箱船“长赐轮”在苏伊士运河搁浅，出现非常严重的航道堵塞事故，全球航运供应链中断，造成难以估量的经济损失；2022年2月，俄乌冲突爆发，乌克兰港口紧急关闭，造成船舶滞留，部分船舶公司紧急进行业务调整，全球供应链中转效率降低，对航运业造成巨大冲击。日益复杂的海运供应链结构使其面临的风险增加，脆弱性进一步凸显。

在这个变化的大背景下，供应链更容易受到破坏，没有预见或者低估事故发生的可能性或后果，都会导致较高的供应链中断风险。为了更好地应对海运供应链面临的各种风险挑战，国内外部分学者开展了一系列研究。姜贺（He Jiang）等［1］利用解释结构模型构建海运供应链风险体系，分析风险系统的结构及其形成过程，便于进一步控制风险；万程鹏（Wan Chengpeng）等［3］提出一个新的风险分类框架，基于改进的模糊贝叶斯网络和故障模式与影响分析方法对海运供应链风险进行评估；维尔科（Vilko）等［4］提出了多式联运海运供应链风险识别框架，并通过蒙特卡罗模拟分析供应链中的风险影响因素，拓宽了多式联运海运供应链风险管理的视角，既考虑了供应链的需求，又考虑了对最终客户的供应安全；在此基础上，维尔科（Vilko）等［5］又从可见性以及可控性的角度对多式联运海运供应链进行更深层次的探究，通过提高风险可见性和可控性来改善海运供应链管理的决策过程，进一步降低风险，提高安全性、效率和生产力；孙家臣等［6］采用故障模式与影响分析和模糊贝叶斯网络相结合的方法对铝钒土进口海运供应链风险进行评估；谢露强等［7］针对传统故障模式与影响分析在风险评估中存在的诸多局限性，采用改进的故障模式与影响分析、模糊贝叶斯网络和改进的证据理论相结合的方法，对铝矾土海运物流风险进行评估；杨钰池（Yang Yi-Chih）［8］评估了集装箱安全倡议（CSI）下相关风险因素对台湾省海运供应链的影响，使用损失暴露矩阵和蝴蝶结图来研究应对海运安全风险的相关管理策略。

如何降低海运供应链中风险发生的可能性，缓解风险可能造成的不可预测事件的影响，是目前海运供应链面临的主要挑战之一。因此，本文提出了一种将模糊集、改进DS证据理论、C-OWA算子以及贝叶斯网络相结合的风险评估方法，将有助于对海运供应链的运行机制和风险传递环节进行更深层次的研究，同时增强供应链上参与者应对突发事件的能力，提升供应链整体竞争力。

二、海运供应链风险评价指标体系

在众多国内外研究中，风险被描述为危险事件、后果和不确定性的组合，将风险因素进行量化将有助于进一步研究。风险识别的关键因素是风险可见性，为保证供应链安全平稳运行，供应链上的参与者不仅需要识别自身运营中存在的风险，还需要识别其他实体的风险，以及组织之间的联系所造成的风险［9］。但一般情况下，供应链上的参与者对于自身职能之外的其他业务风险可见性较低，无法准确全面地识别全部风险。

海运供应链作为一个新兴领域，近年来受到越来越多研究者的关注。国内外学者在对海运供应链风险进行研究时，侧重点各有不同。姜贺（He Jiang）等［1］指出海运供应链存在外部风险、合作风险、物流服务风险以及信息风险；林（Lam）等［10］认为海运供应链风险包括外部风险、供应链风险以及内部风险；维尔科（Vilko）等［4］对从芬兰湾延伸到芬兰大陆的多式联运海运供应链进行研究，将海运供应链风险分为外生风险和内生风险，结果表明航行水域冰况、财务问题、火灾、恐怖主义和罢工构成了供应链中的主要风险驱动因素；孙家臣等［6］从人、船、港口和环境四个方面建立铝钒土进口海运供应链风险评价指标体系，指出人为因素是其中最敏感的风险因素；万程鹏（Wan Chengpeng）等［11］从五个角度确定海运重大安全问题的主要风险因素，包括社会、自然环境、管理、基础设施和技术以及运营；纳拉辛哈（Narasimha）等［12］研究了新冠肺炎疫情对印度海港运输和海运供应链的影响；诺特布姆（Notteboom）等［13］讨论了新冠肺炎疫情对集装箱港口、码头运营商和航运公司的主要影响；郭家鹏（Guo Jiapeng）［14］对海运供应链贸易网络中的信用风险来源进行识别，发现其合同履行能力是最大的风险来源。傅淑楠等［15］特别关注海运供应链中的道德风险问题，对船公司与货代公司在道德风险约束下的契约制定问题进行探究。

为保障能够科学、客观、合理地進行评价指标选取，本文在国内外学者研究的基础上，进一步采用专家调查法分析海运供应链可能面临的风险因素，邀请了30名从事海运运营管理的相关人员进行问卷调查，其中航运企业12人、港口码头5人、货运代理4人、供应链服务商3人、高校专家3人以及航运需求方3人。

根据调查结果以及专家反馈意见确定评估对象影响因素，构建海运供应链风险评价指标体系如图1所示，其中有4个一级指标和20个二级指标。

图1 海运供应链风险评价指标体系

三、风险评估方法

海运供应链的中断势必会给全球贸易以及世界经济带来严重损失，面对日益复杂的外部环境以及系统内部不确定性的增多，如何确保海运供应链安全平稳运行显得十分重要。因此，评估海运供应链风险很有必要。本文构建基于改进DS证据理论和贝叶斯网络的海运供应链风险评估模型，如图2所示，通过相关研究能够降低海运供应链中风险因素的影响，提升供应链安全性。

图2 基于改进DS证据理论和贝叶斯网络的海运供应链风险评估模型

（一）模糊集和改进的DS证据理论确定基本概率分配

模糊集理论能够对主观数据的模糊性进行处理，隶属度函数是模糊集理论中的关键概念，在不确定概念外延中，可以用隶属度函数确定一个对象属于某个概念的程度，将专家给出的评价语言转换为模糊区间值，对其评价进行去模糊化［16］。

由于高斯型隶属度函数可以对属性值进行描述，其模糊化运算具有较好的抗干扰能力，运算结果更接近于人的认知习惯，可用于解决模糊控制问题，因此本文运用高斯型隶属度函数表示海运供应链风险评估中相关风险因素的模糊程度［17］，高斯型隶属度函数为：

式（1）中：x为专家给出的节点的模糊状态量化值，μ为函数的中心，σ为标准偏差， σ数值越大表示该专家对给出的风险等级评价值的不确定性越高。

本文采用5个等级的风险表述，按照风险严重程度分为V1（高）、V2（较高）、V3（中等）、V4（较低）、V5（低），风险评价集如表1所示。

表1 风险评价指标体系评价集

根据高斯型隶属度函数，确定专家对评价指标的评价语分别属于各个风险等级的程度，并将风险等级对应的高斯型隶属度函数的中心代入其中，可得隶属度函数分别为［17］：

（三）獲取节点条件概率表

条件概率表是节点间条件概率的集合，代表节点之间的概率依赖关系，节点条件概率表一般通过专家知识或者参数学习获取［21］，但是在实际研究中经常由于样本数量不足，导致无法进行参数学习。因此，本文针对研究对象的实际情况，采用专家知识获取贝叶斯网络条件概率表。

（四）贝叶斯网络概率推理

贝叶斯网络是建立在概率理论基础上的网络模型，由有向无环图和条件概率表两部分构成，通过将概率的图形表示与数学推理计算相结合，贝叶斯网络能够实现对于不完整、不精确和不确定信息的分析和处理，并通过推理过程量化不确定性问题［22］。

1.建立网络结构

本文假定风险评价指标体系中各评价指标相互独立，根据建立的风险评价指标体系，采用GENIE软件构建贝叶斯网络拓扑结构。

2.推理分析

正向推理是指通过各项指标对应节点发生风险的概率来预测目标节点的风险水平［21］。设子节点Ai有n个父节点Bi1，Bi2，…，Bin，且各个父节点之间相互独立，则Ai发生风险的概率公式为：

式（17）中：P（Ai）为子节点Ai发生风险的概率；P（Ai|Bij）为在父节点Bij发生风险的条件下，子节点Ai发生风险的概率；P（Bij）为父节点Bij发生风险的概率；j=1，2，…，n。

逆向推理是指假设风险事件已经发生，计算导致该风险事件发生的各风险影响因素的后验概率［21］，并由此确定影响最大的风险影响因素。当子节点Ai发生时，由父节点Bij引发的子节点Ai风险发生的概率计算公式为：

四、海运供应链风险评估

（一）确定节点先验概率

为了更加准确地获取相关数据，对海运供应链进行合理有效的评估，本文邀请6位行业内专家组建专家评审小组，依据建立的风险评价指标体系，对各指标进行评价，以专家1为例，评价结果如表2所示。

表2 专家1评价结果

将表2中的数据带入到模糊集隶属度函数计算公式（2）至式（6）中，并进行矩阵行归一化处理，可以得到专家1對于海运供应链风险评价指标的基本概率分配情况如表3所示。

按照上述步骤依次计算出其余5位专家对于海运供应链风险评价指标的基本概率分配情况，并使用改进DS证据理论方法融合处理后的6位专家的基本概率分配，融合后的结果如表4所示。

表3 专家1基本概率分配

表4 融合后的基本概率分配

（二）确定贝叶斯网络条件概率表

邀请专家评审小组对评价指标的重要程度进行赋分，并根据专家赋分情况，利用C-OWA算子方法计算海运供应链风险评价指标体系中各指标的权重系数（式（13）至式（15）），如表5所示。根据节点条件概率算法，通过MATLAB编码获得对应的节点条件概率表。

表5 海运供应链风险评价指标权重

（三）贝叶斯网络推理分析

将上述计算得到的相关数据代入到构建的贝叶斯网络中进行正向推理分析，可以得到各指标节点的概率分布情况，如图3所示。其中，目标节点“海运供应链风险”的风险等级状态为R=（21.78%，36.45%，26.49%，11.10%，4.18%），即海运供应链风险状态为“高”的概率为21.78%，风险状态为“较高”的概率为36.45%，风险状态为“中等”的概率为26.49%，风险状态为“较低”的概率为11.10%，风险状态为“低”的概率为4.18%。利用加权平均法计算得到最终面临的风险大小为0.6211，对应表1风险评价指标体系评价集可知，海运供应链的风险等级为V2，处于较高风险状态。使用加权平均法计算一级指标和二级指标的风险评估值，进行风险优先级排序，结果如表6所示。

由表6可知，一级指标中风险排序依次为“信息系统风险”“外部环境风险”“物流服务风险”及“内部合作风险”；二级指标中风险较高的五个因素分别为“信息系统故障”“自然环境风险”“社会不稳定因素”“信息准确性”和“网络安全”。

在贝叶斯网络模型中将目标节点“海运供应链风险”设置为高风险等级状态V1（风险发生概率设置为100%），判断其关键影响因素。通过加权平均法对逆向推理结果进行处理，如表7所示，可知：当海运供应链处于高风险状态时，一级指标中“信息系统风险”和“外部环境风险”概率较高，分别为78%和77%，其次是“物流服务风险”和“内部合作风险”，风险发生概率均高于50%；二级指标中“自然环境风险”“社会不稳定因素”“信息准确性”和“信息系统故障”风险发生概率较高，均高于75%。

图3 海运供应链风险评估贝叶斯网络模型

表6 贝叶斯网络正向推理结果

表7 贝叶斯网络逆向推理结果

五、结论

本文提出了一种结合模糊集、改进的DS证据理论、C-OWA算子和贝叶斯网络的海运供应链风险评估模型，以风险识别结果为基础，构建海运供应链风险评价指标体系；基于模糊集理论结合改进的DS证据理论融合多位专家评价结果，得到各评价指标的基本概率分配；基于专家小组评价结果，运用C-OWA算子方法计算指标权重，用MATLAB加以处理获取节点条件概率表；运用GENIE软件构建海运供应链风险评估的贝叶斯网络拓扑结构，将指标基本概率和条件概率表代入其中，更新贝叶斯网络，并进行推理分析。

海运供应链涉及众多组织，其安全问题是各国共同追求的目标，针对风险评估中确定的关键风险因素，海运供应链上的参与者应该采取针对性的措施控制或者防范风险：信息准确性以及信息系统故障等信息系统风险反映出信息交流与共享的重要性，供应链上的参与者应制定信息共享机制，构建统一的供应链管理平台，以实现信息安全高效流转。自然环境风险以及社会不稳定因素等外部环境风险导致供应链运作的不确定性增加，为保障供应链的稳定性和可持续性，供应链上的参与者应该加强合作，共同应对风险和挑战；提高供应链可视化水平，以获取实时数据和信息；制定应急计划，确保做出及时有效的反应。

本文的主要贡献在于所提出的模型能够从系统的角度对海运供应链风险进行评估，进一步提升风险评价过程的科学性和准确性；与传统的DS证据理论相比，改进的DS证据理论引入矩阵分析和权值分配，解决了专家意见的主观性带来的证据冲突问题，简化了计算过程；评估结果反映出海运供应链上各风险事件的重要程度，能够为后续风险管理工作提供有效借鉴。

然而，本文提出的海运供应链风险评估模型具有一定的局限性：评估结果很大程度上取决于专家意见，主观性较强；同时，在贝叶斯网络的应用过程中，由于参数学习样本的缺乏，导致确定贝叶斯网络条件概率表的过程相对繁琐。在未来的研究中要进一步融入定量分析，主客观相結合，使风险评估模型以及最终评估结果更接近实际情况。

参考文献：

［1］JIANG H， XIONG W， CAO Y.Risk of the maritime supply chain system based on interpretative structural model［J］.Polish maritime research， gdansk： gdansk univ technology， 2017， 24： 28-33.

［2］JIANG M， LIU Y， LU J， et al.Risk assessment of maritime supply chains within the context of the Maritime Silk Road［J］.Ocean and coastal management， 2023， 231： 106380.

［3］WAN C， YAN X， ZHANG D， et al.An advanced fuzzy bayesian-based FMEA approach for assessing maritime supply chain risks［J］.Transportation research part e： logistics and transportation review， 2019， 125： 222-240.

［4］VILKO J P P， HALLIKAS J M.Risk assessment in multimodal supply chains［J］.International journal of production economics， 2012， 140（2）： 586-595.

［5］VILKO J， RITALA P， HALLIKAS J.Risk management abilities in multimodal maritime supply chains： visibility and control perspectives［J］.Accident analysis and prevention， 2019， 123： 469-481.

［6］孙家臣， 王海燕， 任瑶，等.西非铝矾土进口海运供应链风险评估［J］.上海船舶运输科学研究所学报， 2020， 43（1）： 71-77.

［7］谢露强， 孙家臣， 王海燕.基于改进FMECA-FBN和ER的铝矾土海运物流风险评估［J］.安全与环境工程， 2022， 29（6）： 10-21.

［8］YANGY C.Risk management of Taiwans maritime supply chain security［J］.Safety science， 2011， 49（3）： 382-393.

［9］BARNES P， OLORUNTOBA R.Assurance of security in maritime supply chains： conceptual issues of vulnerability and crisis management［J］.Journal of international management， 2005， 11（4）： 519-540.

［10］LAM J S L， BAI X.A quality function deployment approach to improve maritime supply chain resilience［J］.Transportation research part E-logistics and transportation review， 2016， 92： 16-27.

［11］WAN C， YANG Z， ZHANG D， et al.Resilience in transportation systems： a systematic review and future directions［J］.Transport reviews，2018， 38（4）： 479-498.

［12］NARASIMHA P T， JENA P R， MAJHI R.Impact of COVID-19 on the Indian seaport transportation and maritime supply chain［J］.Transport policy， 2021， 110： 191-203.

［13］NOTTEBOOM T， PALLIS T， RODRIGUE J P.Disruptions and resilience in global container shipping and ports： the COVID-19 pandemic versus the 2008-2009 financial crisis［J］.Maritime economics and logistics，2021， 23（2）： 179-210.

［14］GUO J.Credit risk management and control in a maritime supply chain trade network［J］.Journal of coastal research， 2020， 106（1）： 109.

［15］傅淑楠， 徐晟皓.海运供应链中的道德风险问题研究［J］.河北经贸大学学报（综合版）， 2016， 16（4）： 96-99.

［16］张清华， 王进， 王国胤.粗糙模糊集的近似表示［J］.计算机学报， 2015， 38（7）： 1484-1496.

［17］ 贾进章，陈怡诺，柯丁琳.基于模糊集和改进DS证据理论的危化品道路运输体系贝叶斯网络风险分析［J］.北京化工大学学报（自然科学版）， 2020， 47（1）： 38-45.

［18］王姣，范科峰，莫玮.基于改进DS证据理论和BN的信息安全风险评估［J］.电视技术，2017，41（6）：24-30.

［19］奚婷婷， 熊伟丽， 张林，等.基于矩阵分析的DS合成算法［J］.计算机工程， 2009， 35（16）： 264-266.

［20］亢磊磊.基于C-OWA算子和BP神经网络的地铁车站火灾安全评价［J］.隧道建设（中英文）， 2018， 38（7）： 1158-1163.

［21］李金蓉， 杨玉中.DS理论-贝叶斯网络下的煤矿通风系统风险评估［J］.中国安全科学学报， 2022， 32（8）： 146-153.

［22］王姣， 范科峰， 莫玮.基于模糊集和DS证据理论的信息安全风险评估方法［J］.计算机应用研究， 2017， 34（11）： 3432-3436.

Risk Assessment of Maritime Supply Chain Based on

Improved DS Evidence Theory and Bayesian Network

CHU Liang-yong1，2，3，WANG Meng-yao1，CHEN Xiu-qian1

（1.Navigation College， Jimei University， Xiamen，Fujian 361021;

2.Fujian Shipping Research Institute， Xiamen，Fujian 361021;

3.Modern Logistics Research Center， Jimei University，Xiamen，Fujian 361021）

Abstract：As a complex network organization， the maritime supply chain provides transport services for the global industrial chain， and in the context of globalization， the maritime supply chain faces numerous risks and challenges that affect the safe and smooth operation of the supply chain.Therefore， it is crucial to study its risks.In response to the uncertainty of influencing factors and subjectivity in expert knowledge inference in the risk assessment system of maritime supply chain， the article proposes a maritime supply chain risk assessment model based on improved DS evidence theory and Bayesian network.The results indicate that the maritime supply chain is in a high risk level state， with a high probability of “information system risk” and “external environmental risk”， which require special attention.This model can evaluate the risks of the maritime supply chain from a systematic perspective， effectively improving the scientificity and accuracy of risk assessment; The evaluation results can provide effective reference for risk management for participants in the supply chain.

Keywords： maritime supply chain；risk assessment；improved DS evidence theory；Bayesian network

基金項目：国家社科基金重大项目“面向应急决策的重大灾害态势感知理论、方法与应用研究”（23&ZD138）