基于支持向量机的供应链风险评估研究，本文主要内容关键词为：向量论文,供应链论文,风险评估论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
在精益生产、准时制生产等先进理论的指导和实践下，企业间的联系愈加紧密，市场竞争已不再是企业间的竞争，而是供应链间的竞争。近年来，随着各种供应链风险的频繁发生，企业受到了极大损害，越来越多的人认识到供应链风险管理的重要性，供应链风险管理已成为供应链管理领域的研究热点。
供应链风险识别与评估是供应链风险管理的基础。通过识别供应链风险因素，对其潜在风险进行预警和控制，探索供应链风险管理的优化方法，可在实践中建立安全可靠且具有弹性的供应链，使供应链上的企业在获得较大收益的同时又能够应对风险，提升企业竞争力。因此，需要分析企业的供应链管理状况，通过风险识别发现供应链中的薄弱环节及其可能造成的后果，利用科学的方法对其现状进行评估，确定供应链风险等级。
支持向量机(Support Vector Machine，SVM)是Cortes等人于1995年提出的一种机器学习方法，建立在统计学习理论的VC维理论和结构风险最小原理基础上，在模型复杂性和学习能力之间进行了折衷，具有较强的泛化能力和精确性。在小样本、非线性及高维模式识别等方面有较大优势，克服了神经网络过于学习、欠学习、局部极小等问题，已成为继神经网络研究之后机器学习理论领域新的热点。因此，将支持向量机应用到供应链风险评估中，具有十分重要的现实意义。
一、文献综述
供应链风险评估是供应链风险管理的重要环节，受到企业界与学术界的关注。Prater等(2001)认为利用评分方法可以对跨国供应链的风险进行评估，但是这种方法适用于跨国供应链的初步评估，具有一定的主观性。Harland等(2003)认为供应链风险管理过程包括识别风险、估计风险、制定风险控制规划、实施规划等几个循环阶段，建议企业做好早期的供应链风险预警与评估。Zsidisin等(2004)以代理理论为依据提出了采购商供应链评估技术。Hallikas等(2004)认为企业间可以通过合作，将单个企业的风险纳入整个供应链合作风险中，所提出的半定量化研究方法为供应链风险评估奠定了一定的基础。Kleindorfer等(2005)提出了一个关于评估供应链中断风险的概念框架。Wu等(2006)提出了一个层次式供应链风险因子分类与评估模型。Schoenherr等(2008)通过行动研究和层次分析法，发现了17种风险因素并将其分类，提出了一个基于实证的供应链中断风险因素评估模型。丁伟东等(2003)提出了一个供应链可靠评估矩阵，但这种方法在供应链风险发生的概率上未加以考虑。付玉等(2005)提出了偶发供应链风险的定量评估方法。刘嘉等(2005)通过供应商评价来进行供应链风险控制。刘冬林等(2006)通过独立风险和单个风险测度来度量供应链多风险，但提出的关于风险间的关系是彼此独立的假设不符合实际情况。舒良友等(2007)提出基于合作伙伴关系的制造商风险评估问题，但是研究仅限于制造商而非供应链系统整体，具有一定的局限性。蒋有凌等(2008)建立了基于模糊综合评判与人工神经网络法的供应链风险综合评估模型。李莉(2008)构建了一种基于模糊熵的集群式供应链风险评估模型，并通过实例给出了该方法在集群式供应链风险评估中的应用，但该方法仍受人为因素影响。王文婕(2011)采用OWA算子的方法，对供应链管理风险进行研究，但尚未考虑各风险因素间的相关性。陈敬贤等(2011)使用蒙特卡罗方法模拟风险概率和风险损失，通过构建一种较为通用的测量模型来对市场波动风险进行评估。顾玉磊等(2013)借助CVaR理论构建了一种基于成员偏好的风险评估模型来度量供应链成员企业风险和多元供应链综合风险。供应链风险评估模型包括机会约束规划(CCP)、数据包络分析(DEA)和多目标规划(MOP)模型等。综上文献可以发现，供应链风险评估已有概念模型与数学模型，但研究中仍存在不足之处：文献大多针对单个企业或特定领域的风险问题，对整个供应链网络的研究相对较少，定量评估的方法也不够全面。因此关于供应链风险评估系统性和实证方面的研究仍需继续加强。
二、支持向量机算法
支持向量机(SVM)由线性可分情况下的最优分类面发展而来，其基本思想就是将向量映射到一个更高维的空间，建立一个具有最大间隔的超平面。在分开数据超平面的两边建有2个互相平行的超平面，分隔超平面使2个平行超平面的距离最大化。
图1 线性可分情况下的最优分类超平面
利用Lagrange优化方法把上述最优分类面问题转化为对偶问题，即
非线性问题就是利用非线性映射把原始数据变换到高维特征空间，在高维空间中设计线性SVM，寻找最优分类面。在最优分类面中采用适当的内积函数，从而实现从非线性到线性的分类。常用的核函数有线性核函数、多项式核函数、Gauss径向基核函数、Sigmoid核函数。此时，决策函数变为
三、基于支持向量机的供应链风险评估模型
(一)供应链风险评估指标体系的建立
在供应链风险评估中，建立科学合理的风险评估指标体系是风险评估的前提，需要由一系列量纲各异的指标群组成。近年来，学者们提出了许多供应链风险评估体系，如舒良友等构造了基于制造商合作伙伴的风险评估指标体系，刘永胜等(2006)提出了包括4个层次、7项综合指标的供应链风险预警指标体系。
为了建立有效的供应链风险评估指标体系，应遵循原则：(1)科学性原则。评估指标体系要体现供应链风险的特点、客观规律和来源，指标选取应具有一定的代表性，使评价活动能够获得较为客观的真实结果。(2)可操作性原则。供应链风险评估指标的选择要综合考虑数据的可获得性和收集的难易程度，便于对数据资料收集、加工和整理，特别是易于进行量化处理。(3)层次性原则。供应链风险指标体系的设计要有一定的层次性，可分为一级指标、二级指标等。对各层次指标进行详细分析，从而使指标体系层次分明、减少遗漏。(4)定性与定量相结合原则。本文将供应链风险作为评价对象，涉及管理的各个方面。单纯的定量指标或者定性指标都不能完全反应供应链风险的整体情况，因此在指标的选取上可将两者相结合。
笔者综合前人研究成果，根据供应链风险发生来源，结合晚春东等(2008)提出的供应链系统运行整体风险评估指标体系，加上实际调研分析，在征求理论研究与生产领域专家意见后，先提出初步备选指标，将供应链主要风险因素整理归纳为系统风险、供应风险、物流风险、信息风险、财务风险、管理风险、需求风险和环境风险共八类。通过对各类风险进行分析研究，将每类风险因素进一步细分为若干子因素。
针对上述供应链风险因素，笔者设计了供应链风险因素调查问卷，目的在于通过对问卷结果的统计分析，判断供应链风险因素假设的合理性，利用统计学方法进行分析，形成一套较为科学的供应链风险因素指标体系。调查问卷共发放67份，回收51份，有效问卷为38份，有效问卷回收率为56.7％。笔者利用SPSS17.0统计软件对调查结果数据进行处理分析，通过因素分析和信度分析，检验了问卷的信度与效度。根据统计分析结果，按因子载荷在0.6以上、信度系数在0.7以上为标准，笔者构建了供应链风险评估指标体系。该指标体系有2个层次，第一层次分为8个一级指标，第二层次共有25个具体评估指标(见表1)。
(二)样本数据的收集与处理
考虑到采集数据的难度，本文的数据采集于同一地区的不同行业，通过对一些企业的调研得到。其中一些上市公司的财务数据通过国泰安数据库得到。笔者选取的企业以煤炭和电力企业为核心，形成了煤炭和电力行业供应链，并选取这些企业2008年以来的数据，最终将数据应用于模型之中。
在供应链风险评估指标体系中，包括定性指标和定量指标。对于定性指标，采用专家打分法进行量化，评分取值范围为[0，1]，0.5为风险指数的中值。评分时专家综合企业提交的指标情况、行业状况以及专家经验等进行打分。对于定量指标，则对数据进行归一化处理，消除量纲和其他因素的影响。正向指标代表取值越大、风险越大，其线性变化公式为
通过专家打分法获取数据的过程：(1)专家选择与组合。选定15名供应链管理方面的专家，其中包括3名研究供应链管理的高校教授、10名企业中从事供应链管理的中层以上管理人员及2名相关单位或组织中的熟悉本企业业务的管理人员。(2)资料的收集。收集供应链风险的相关背景材料及供应链运行过程中的数据资料。(3)专家打分。发给每位专家一张风险评级表及相关数据资料，要求专家们在规定的时间内把调查表填完收回，整理各专家意见并反馈给专家，进行下一轮打分，共3次。(4)对第三轮的专家调查表进行处理。每个风险指标值取自专家所有评估值的算术平均数，对专家评估结果进行汇总整理后，得到供应链风险定性指标评估数据表。
具体样本数据如表2所示，其中C1-C16表示供应链企业，X1-X25表示评价指标。
模型的输出是指对供应链风险的评价结果，对于输出量要进行分级处理。笔者将输出值分为5个等级，即[低、较低、一般、较高、高]，风险区间为[0，1]，与之对应的风险水平区间分别为：(0，0.2]、(0.2，0.4]、(0.4，0.6]、(0.6，0.8]、(0.8，1.0]。
(三)模型训练及结果
笔者使用Clementine软件。Clementine是一个数据挖掘平台，结合商业技术可以快速建立预测性模型，进而应用到商业活动中，以帮助改进决策过程(见图2)。
图2 Clementine数据流
笔者选取16组数据作为评估模型的样本对其进行训练，14组数据为训练样本，C4和C13两组数据为检验样本，使用支持向量机模型。训练中，选用ε-SVR，采用RBF径向基核函数，选取C=10、ε=0.1、γ=0.1，其他采用默认值。检验结果见表3。
通过比较可以看出，实际输出和检验值基本相符，误差较小，精度较高，这说明基于支持向量机的供应链风险评估模型可以完成对实际风险的评估，且效果较好，从而说明这一模型的有效性。然而，此模型也有需要完善之处，比如数据采集针对的只是同一地区，导致模型可能具有一定的局限性，核函数的选择和供应链风险评估体系的定性指标判断较模糊等。今后的研究可从样本广度上进行改进，不断完善供应链风险评估指标体系。
四、结束语
近年来市场的不确定性有增无减，使得供应链风险不断增加，因此要对供应链风险进行评估。供应链风险评估作为供应链风险管理的重要环节，可以使企业对风险产生的原因及影响进行预计，从而采取预防性措施。笔者首先对供应链风险评估的相关研究进行了概述；随后，通过调查问卷构建了一套供应链风险评估体系；最后，将基于支持向量机的机器学习算法运用到供应链风险评估中，构建了供应链风险评估模型并进行了实证研究。研究结果表明，基于支持向量机的供应链风险评估模型，具有较高的训练效率和精度，说明模型具有较强的有效性与使用价值，可作为供应链风险评估的有效工具，完成对实际风险的评估，从而使企业掌握供应链风险的整体状况，为风险管理提供较为科学的决策支持。
基于支持向量机的供应链风险评估模型具有较强的推广能力。未来研究中，可在以下几个方面进行改进：(1)针对支持向量机算法及具体问题，可选用更加科学且符合实际的核函数。(2)对于供应链风险评估指标体系，可在定性指标的选取与处理上采用更加科学合理的方法，并对供应链风险诱因加以动态更新，不断完善供应链风险评估指标体系。(3)本文的数据采集针对的是同一地区的不同行业，有其局限性。未来的研究可扩大样本收集范围，以提高样本的代表性和广泛性。
标签：支持向量机论文; 风险评估论文; 风险因素论文; 供应链系统论文; 供应链物流论文; 风险模型论文; 风险管理论文;