0 引言

在全球经济和社会飞速发展的同时也带来如环境恶化、资源浪费的负面影响，同时供应链突发事件增多、供应中断的风险层出不穷，供应链协同的风险管理是目前学术界和理论界研究的重点。供应链是一条连接供应商与最终客户的物流、信息流、资金流、人流的动态链接，也是物料在整个过程通过加工、包装、运输、配送等服务而增加的一条增值链。供应链管理的核心价值是对整个供应链上的风险管理与协同管理，因此把供应链协同与风险揉和在一起。如何有效地解决面对突发风险问题的干扰，创新性地对协同管理中安全风险预警领域进行研究是近年来学术研究的热点。对供应链协同风险预警方面的研究具有重要的理论价值和现实意义，并可进一步完善供应链风险管理体系。

Total Just In Time(T-JIT)是近年来最新的研究领域，Kenneth首次提出并定义为JIT生产、JIT采购、JIT销售，新增加了JIT信息的一种集成供应链管理策略，研究了T-JIT对整个供应链管理策略的影响^[1]。T-JIT是高度综合性的概念，符合系统工程整体性、目的性与最优化的特点，可以更全面准确地反映供应链管理优化问题。这个新增加的概念对整个企业的竞争力、供应链能力和组织绩效有影响，其理论结构模型如图 1所示。供应链管理出现于20世纪70年代晚期，Oliver和客户接触的过程中逐渐形成了自己的观点。国外对供应链风险预警管理的研究起源于20世纪90年代末期，Li等研究在食品供应链网络中，提出一个风险预警和实践控制系统的框架结构^[2]。李刚等从一个整体机构和协同的视角研究集成的供应链风险管理^[3]。Wiengarten等研究了风险、风险管理实践和一条成功的供应链集成^[4]。Giannakis等采用风险管理方法的可操作性研究了供应链的可持续发展^[5]。Choi等研究了物流系统的风险管理，从中断风险管理、运营中风险控制、灾难和突发事件的管理、物流服务风险分析这几个方面对物流系统风险进行研究^[6]。Badea等采用层次分析法对协同供应链中风险因素进行评估，在供应链管理实践中潜在的风险因素有效的影响水平和垂直的协同概念^[7]。

国内对供应链协同风险预警管理的研究相对较少，主要侧重于对供应链协同管理或风险管理单独领域的研究。如李真对供应链风险预警指标体系的识别和评估进行研究^[8]。李艳萍采用SPSS统计方法对广西传统制造业绿色供应链风险评估与控制对策进行研究^[9]。姬利和唐波分别采用模糊综合评价法、Fuzzy-AHP法研究了供应链管理的企业物流风险预警指标体系^[10-11]。杨华明研究军事物流一体化下军事供应链风险预警机制的构建^[12]。刘永胜等结合风险预警一般意义和供应链风险管理的概念，对供应链管理的企业物流风险预警机制进行研究^[13]。黄芳采用了交互式人工智能的方法、事例式推理(CBR)的方法分别对风险评估、风险预警进行研究^[14]。丁红娇从整个供应链上下游节点企业核心竞争力的发展为重点研究了我国汽车制造业供应链风险预警机制^[15]。温磊采用梯形模糊相似度的协同风险评价分析法对供应链协同管理进行研究^[16]。李福领对供应链风险预警管理的知识螺旋模型进行研究^[17]。何昇轩基于B2B平台的线上供应链金融风险评价进行研究，采用博弈理论、系统论、信息不对称论、供应链风险管理理论等对线上供应链金融风险的动态评价模型，通过系统动力学的仿真预测能够丰富线上供应链金融风险的预警体系^[18]。

综上所述，学者们侧重于对供应链风险评估和预警机制的研究，对供应链协同方面的风险预警研究相对较少，尚还没有学者对T-JIT环境下企业供应链风险预警管理进行研究，考虑到顾客需求的多样性、不确定性和复杂性，如何既能满足T-JIT采购又能满足顾客需求的供应链风险管理尤为重要。本研究首先揉和供应链协同管理与风险管理两方面内容，考虑T-JIT环境下供应链协同风险水平，采用BP神经网络和人工蜂群算法相结合对供应链协同风险管理预警系统进行研究，能解决信息完全共享的条件下如何有效地控制和管理供应链协同风险，提高供应链协同运行效率，体现供应链是条增值链；利用蜂群算法的寻优收敛的优点优化BP神经的权值和阈值，将求解BP神经网络各层权值、阈值的过程转化为蜜蜂寻找最佳蜜源的过程，适用于供应链多品种、小批量、及时性的特点，同时对供应链各节点协同管理预警风险的评价和预测；对隐含层权值的分析，能够找出影响供应链的关键风险因素，能有针对性地提出改进措施，预防和缓解风险的产生，提出了BP神经网络和人工蜂群算法相结合(ABC-BP)的方法来建立协同风险预警模型。

1 供应链协同风险预警概述 1.1 供应链协同风险预警内容

供应链协同风险从客观和主观2个层面可以分为有形风险和无形风险^[13]。其中有形风险指需求预测协同、产品设计协同、采购协同、计划协同、库存协同、制造协同、物流协同、销售及服务协同和财务协同等供应链相互连接的节点上；无形风险指文化协同、知识协同、供应链模式协同、客户关系协同和价值增值协同等供应链节点企业间对于文化价值、知识、技能和经验等所进行的协同管理。

本研究供应链协同风险包括了有形和无形风险，全面准确地概括出供应链协同风险指标是供应链协同预警有效实施的前提和基础，为供应链协同风险事前预测提供可靠的依据。

1.2 供应链协同风险指标选取

采用文献调查法与德尔菲专家调查法相结合^[14-16]，供应链协同风险的影响因素被分为内生变量和外生变量。如表 1所示：

表 1把原有指标融会贯通并强调人文风险、沟通协作风险、财务风险、道德风险、信息风险、诚信风险对供应链协同风险的重要性，同时为了使风险预警可靠性高、有效性强，把指标细分为一级指标和二级指标，通过对各项指标的评估，采用BP神经网络与蜂群算法相结合对36个指标进行权值和阈值的优化，选出主要影响供应链协同风险警度区间的指标，从而达到事前控制协同风险的目的。

2 模型构建与算法设计

BP神经网络算法有计算速度缓慢、容易陷入局部最优的缺点，为了加快收敛性，得到全局最优解，对其进行改进；蜂群算法具有劳动分工和协作机制的特点，表现为正反反馈性、并行性、鲁棒性，且计算全程无须人工干预，参数数目少，设置简单，易应用到其它组合优化问题的求解。人工蜂群算法分为3部分：雇佣蜂、跟随蜂和侦查蜂。蜂群首先生成N个食物源从而进入采蜜阶段，雇佣蜂在每个食物源范围内进行搜索并生成一个新的食物源，通过比较适应度来判断新旧食物源的优劣。雇佣蜂将新的食物源适应度传递给跟随蜂。跟随蜂根据适应度以一定概率选择食物源，选择收益率高的概率较大。跟随蜂以同样的原则选择质量好的食物源。蜂群通过寻找食物源的循环寻求问题的最优解。当个体连续寻找而食物源没有更新时，则放弃该食物源为侦查蜂，寻找新的食物源^[19-20]。本研究提出利用人工蜂群算法交叉优化BP神经网络的权值和阈值，将BP神经的权值更新过程交给ABC算法执行，这2种方法的结合可以有效地提高收敛速度和预测精度。图 2表示2种方法结合的原理图。

该方法分为3个阶段，即模型构建、运行阶段、识别阶段。

(1) 模型构建

采用前向三层的网络拓扑结构，如上图结构可以完成任意维到维的映照，在隐含层中融入蚁群算法选择出最优的几条路径，然后由输出层输出，首先确定各层节点数；

① 输入节点数的确定

在基于神经网络设计供应链风险评价模型时，网络输入即为描述供应链风险的指标，据表 1所示，供应链协同风险指标有共有36个指标，因此输入节点确定为36个。

② 输出节点的确定

输出节点的确定对应于评价结果，分为重警、高警、中警、轻警、无警5种不同的风险程度，因此输出节点数为5。

③ 隐含层节点的确定

隐含层节点数的选取是一个复杂的过程，太多太少都会影响运行速度和输出精度，且隐含层与输入输出层节点有直接的关系，采用以下公式：

(1)

式中，k为样本数；n₁隐含层单元数；n为输入单元数，i>n₁, 则。

(2)

式中，m为输出神经元数；b为1~10之间的常数；n₁=lg 2ⁿ。根据式(2)，假设b为2^[8]，取整计算则确定节点数为8。

(2) 训练阶段

训练阶段主要目的是优化网络权值和阈值，使其输出需求的期望，并对比输出样例和期望的误差，误差达到上限就停止训练，否则返回上一层按着一定误差修正原则对各节点的权值进行调整。输入层与隐含层、隐含层与输出层转换函数的确定是正反反馈研究的重点，这里引入蜂群算法模式，通过全局与局部更新信息素的能力对BP网络的全局更新公式进一步优化来改进BP神经网络^[21-24]，如下为ABC-BPNN(Artificial Bee Colony Algorithm and BP Neural Network)的操作步骤：

① 比例转换法^[25]对收集的初始数据进行预处理：当l_ij^′，l_ij^*分别代表收益性指标和成本性指标时，转换公式分别为式(3)、式(4)：

(3)

(4)

式中，l_ij为原始数据；l_i^min，l_i^max分别为原始数据的最小值、最大值。

② 随机输入一个学习样本(l_i)。一般采用的神经元激励函数是Sigmoid型函数，表达式为非线性连线型函数：

(5)

③ 初始化种群及ABC算法的参数。将连接输入层与隐含层和隐含层与输出层的权值和阈值作为人工蜂群算法的优化目标。

人工蜂群算法将食物源位置看成优化空间中的点，具体对应优化问题的位置关系如表 2所示。

(a) ABC算法的参数包括蜂群的大小N_c，雇佣蜂的数量N_e，跟随蜂的数量N_o，解的个数N_s，极限值limit，最大循环次数MCN，满足如下条件：N_e=N_o=N_s，N_c=2N_s=N_e+N_o，初始种群初始解X_i(i=1, 2, …, N_s)是随机产生在(-1, 1)之间的数，每个解是D维向量，代表神经网络连接的权值和阈值，每个解的维数满足下列方程：

(6)

式中，N_input，N_hidden，N_output分别为输入层、隐含层、输出层的神经元个数。

(b) 计算每个解的适应度值，如式(7)所示：

(7)

式中，i=1, 2, …, N_s；MSE_i为第i个解的BP网络均方误差。显然，当适应度达到1的时候是最理想的状态。雇佣蜂和跟随蜂从领域搜索新解采用以下公式：

(8)

式中，i为第i个食物源，j∈{1, 2, …, D}和k∈{1, 2, …, N_s}是随机产生的，且k≠i，如V_ij超过了允许的最大值，则根据下式转换成边界值

如果新解比旧解的适应度值大，则记下更新旧解，否则在旧解的更新失败次数h加1。

(c) 跟随蜂选择食物源根据第i个解的适应度值(f(X_i))，计算解的收益率(P_i)^[26-28]。公式如下：

(9)

这里引入自适应判断因子δ^[23], , 则新的概率计算公式为：

(10)

跟随蜂根据P_i值从现有的解中搜索新解见式(8)。

(d) 如果X_i的更新失败次数超过了设定的阈值limit，则侦查蜂将其舍弃，采用式(9)的解代替并保存最优解。

(11)

(e) 如果最大迭代次数超过了MCN，则训练结束，否则返回步骤(b)。

(f) 将得到的最优解变成BP网络的连接权值和阈值，用数据仿真和测试BP神经网络。

④ 计算整体均方值误差δ，利用公式。如果δ < ε，则学习结束；否则需要进行t+1次学习。其中，ε为预给精度；G_k代表样本期望值，U_k³代表输出层各神经元的输入。

⑤ 返回到步骤②进行下一个样本的选取，直到实际输出值和期望值之间的误差低于ε时，则训练结束。

(3) 识别阶段

模型运行成功后，进行模型的识别，根据因子输入模型，输出结果所表示的风险度确定相应的警度为重警、高警、中警、轻警、无警，并以红、橙、黄、蓝、绿5种灯号表示(见表 3)。

3 仿真试验结果与分析 3.1 数据获取

试验采用某耐火厂为核心企业与国内几家大型供应商组成合作伙伴关系，以厂商为例对该模型进行仿真验证。对该厂商35组供应链作为研究对象^[23]，把供应链网络分为3个节点：一级供应商—核心企业—一级分销商。选取文献[23-25]中的共35组数据，分出30组数据作为训练样本，其余5组用于测试。根据参考文献[29]，扩展可以得出该文中针对供应链协同风险区间和对应风险等级详细核对表，该区别的划分比较细致，详细地分为5个风险区间，对预测结果更有敏感性，如表 4所示：

3.2 BP神经网络与ABC-BP预测和训练结果

为了验证ABC-BP算法对绿色供应链协同风险预警评估的有效性和可行性，采用30组测试样本对其进行预测，比较出BP神经网络算法和ABC-BP算法对绿色供应链协同的风险预警评估的优越性。基于MATLAB软件进行测试，蜂群数量N_p为20，维度D为10，最大迭代次数MCN为3 000，极限值limit为100。学习精度ε=0.000 1，自适应调整学习率，得出适应度函数的权值和阈值的改进对比图，如图 3(a)、图 3(b)所示。

根据图 3(a)、图 3(b)适应度函数值的变化曲线，可以看出BP算法的曲线变化幅度比较大，稳定性较差，而ABC-BP算法可以适应度值围绕某条直线上下波动，波动幅度变小，具有一定的平均值，稳定性较好。

从图 4可以看出ABC-BP算法明显整体优于BP算法，首先采用BP算法的最值曲线变化趋势比较大，而ABC-BP算法的曲线变化趋势几乎不大，可见该算法比较稳定；其次，采用ABC-BP算法的初始值比BP算法小得很多，说明ABC-BP算法的MSE值经过极短的训练次数就可以达到最小值。

从图 5误差曲线的分布可以看出，ABC-BP算法随着样本量的增加，误差范围在减少，波动的幅度也不断减小，可以看出准确率不断增高。因此ABC-BP算法具有稳定性强，操作时间短，适用性强等特点，究其原因主要贡献在于模拟了蜜蜂采蜜行为，提高了全局迭代和局部搜索能力，对权值和阈值进行改进。由仿真结果总结，可以得出如表 5所示。

综上所述，ABC-BP算法从时间、计算精度、稳定性方面明显优于BP算法，对绿色供应链协同风险的预警管理方面有一定的方法指导。

3.3 对样本预测结果

该仿真试验是对绿色供应链协同风险预警管理的研究，对5组供应链测试样本进行识别。设置了ABC-BP算法模型，测试结果表明该算法适合做供应链风险预警研究，预测结果如表 6所示。

表 6表明样本1待预测数据输入后，ABC-BP神经网络的推理输出为(0.999 8, 0.000 1, 0.000 2, 0.000 5, 0.000 1)，与既定的风险程度输出向量(1, 0, 0, 0, 0)相比误差比较小，灯号为红色，判定该组供应链在该时点的风险程度为重警。可以看出实际输出和期望输出之间的误差在合理范围内，表明网络已经训练成功，可进行风险预警评价。

根据对权值和阈值的计算结果分析，可以总结出36个指标中最优和最差值，能看出对应需要调整和预防的指标因素，如表 7所示：

从表 7可以看出，采用ABC-BP算法来优化各指标的权值和阈值，最终得到5条供应链上影响供应链协同管理的最优和最差的因素，如样本1中，风险等级处于重警，主要影响因素在于绿色产品指数和顾客思想先进性，而企业间联系渠道的拥堵和资金流动性风险的破坏，是引起重警的主要因素，需采取措施沟通协作，保证资金畅通周转；样本3处于无警状态，对比可以看出库存周转风险和社会环境指标对供应链协同管理的贡献较大，而经济体制的稳定性和最终产品的周转率是影响预警状态的主要指标，风险极小处于稳定状态；样本5处于轻警状态，沟通的有效性、顾客思想先进性指标起到主要作用，而人为破坏中断风险和供需率的变化对供应链协同的影响极小。综上所述，影响供应链协同管理的主要一级指标有沟通协作风险S₁、诚信风险S₃、信息风险S₄、财务风险S₅、道德风险S₆、运营能力风险S₇、管理风险S₈、环境风险S₉、经济风险S₁₁、市场风险S₁₂、技术风险S₁₃、人文风险S₁₄，可以看出影响供应链协同管理的指标繁多，复杂多变，应用ABC-BP算法可以精确地预警出风险等级，并找出影响供应链协同的主要二级指标，更加细致评判出具体指标因素，对相关对应指标采取补救措施，缓解和预防风险的发生。

4 结论

随着供应链环境的恶化和物流领域采购管理T-JIT的发展，越来越多的顾客需求都表现出多品种、小批量、准时制的发展趋势，零库存的采购管理要求其生产商、供应商、销售商、零售商之间都做到信息共享、保持紧密协作。面对供应链协同中遇到的不确定性因素和顾客需求的多样性，供应链协同风险的预警管理是关键，可以达到事前控制风险发生的目的。传统的BP神经网络存在收敛速度慢，容易陷入局部最小值等缺点，影响风险预警的准确性和可行性。本研究融入仿生的元启发式智能算法—蜂群算法(ABC)，把ABC算法应用到BP神经网络上，通过对权值和阈值的不断修正，最终使系统误差达到预期，提高供应链风险预测的准确度。与已有单纯的BP神经网络对供应链各节点协同管理的风险预警相比较，ABC-BP智能优化算法提高了收敛速度，准确性也有得到进一步提升。同时通过对隐含层权值的分析，能够找出供应链关键的风险因素，更加准确地找出影响风险的具体指标，能有针对性地提出改进措施，预防和缓解风险的产生，达到事前控制的目的，也为供应链协同管理风险预警研究提供了一个科学可行的优化方法，为不确定性供应链协同管理预警理论发展提供了支持。