基于BP神經網絡的物流聯盟風險評估方法

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：文章借鑒物流聯盟風險評價問題已有成果，總結了影響物流聯盟風險的主要因素，并在此基礎上建立了兩級4種類型的物流聯盟風險評估指標體系，該指標體系包括市場風險、合作關系風險、能力風險、信息與管理風險4個方面共11個評價指標。建立了基于BP神經網絡分析法對物流聯盟合作伙伴選擇模型，利用MATLAB進行了樣本訓練和實例分析，結果顯示利潤分配、信息共享、信任程度是影響物流聯盟風險最重要的二級指標。

關鍵詞：物流聯盟；風險評價；BP神經網絡；物流聯盟風險

中圖分類號：F272 文獻標識碼：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

隨著經濟的發展，物流業已經成為我國眾多發展迅猛的行業之一。由于市場競爭程度的加劇，單個物流企業已無法應對市場中的各種風險，建立物流聯盟成為物流企業調整戰略格局的重要措施。我國的一些大中型物流企業不斷卷起聯盟的狂潮，目的是使企業獲得較新的技術設備及能力資源、降低企業成本、提高企業核心競爭力、增加企業收入水平。理論上，如果物流聯盟能夠有效執行，其發展前景是不可估量的，但是也存在一些風險。本文研究目的是為物流聯盟的構建以及風險因素的評估進行理論分析，并且借鑒這些因素對物流聯盟的風險程度做出相應的定量分析和評價，以增加物流聯盟的長期性、提高物流聯盟的穩定性，使得雙方或者多方企業通過物流聯盟的方式降低物流成本，獲得最大收益。

Ashino和Rangan[1]提出兩個或者多個物流企業組成的聯盟必須能夠擁有共同的目標，在建立聯盟時共同分享獲得的利潤，并且將這些資源運用到聯盟企業的運營當中去，只有這樣聯盟才能持久且穩定，否則存在諸多聯盟風險；Shapiro[2]將聯盟風險中的信任風險分為4種：基于達成共識的信任風險、基于認知能力的信任風險、基于威懾的信任風險以及敏捷信任風險；Ming-Chih Tsai[3]等人分析了政治風險對物流企業發展的作用，指出微觀企業因素和宏觀政治因素所引起的風險不容忽略；Hallikas[4]提出了如何在網絡環境中處理物流聯盟風險的方法，介紹了風險管理的過程；鄭紹鐮[5]計算了層次分析法評估指標的權重，優化了聯盟利益分配的機制；馮蔚東[6]利用模糊綜合分析法（Fuzzy-AHP）建立了一種基于風險與投資比例的求解辦法，通過實際的計算證明了其有效性和正確性；徐志祿[7]認為聯盟合作伙伴的適合性、匹配性、資產專用性、競爭和合作的平衡、企業成員之間相互信任等因素會直接影響到物流聯盟穩定性；劉明菲[8]依據物流市場運營風險的內涵，對市場運營風險進行分類識別，分析了各類風險可能產生的后果，并提出風險管理對策；袁旭和孫希剛[9]結合時間價值理論和層次分析法建立了一個虛擬物流企業受益混合模型；DASTK和TENGBS[10]等人針對物流聯盟提出了基于風險理論，認為影響物流聯盟的風險有績效和關系兩大類。

國外學者起初研究供應商選擇方法，后來研究合作伙伴選擇條件，但都未深入進行物流聯盟合作伙伴的研究。國內對物流聯盟研究起步較遲，且缺少實踐經驗，只描述概念方法和模型介紹，并未證明模型的適用性。本文根據物流聯盟風險的分類，結合BP神經網絡分析法對物流聯盟的風險進行綜合評價，并且運用MATLAB對物流聯盟的風險評價結果進行驗證。

1 物流聯盟風險分類

根據風險的劃分方式不同，物流聯盟風險的種類也不盡相同。唐萌春[10]認為物流聯盟中存在兩類風險：內部風險和外部風險。聯盟外部風險主要包括市場風險、金融環境風險以及自然環境風險等；聯盟內部風險主要有合作關系風險、能力風險和信息與管理風險等。物流聯盟風險的分類示意圖如圖1所示：

物流聯盟內部風險占主導因素，物流聯盟的外部風險也起一定作用，一般是由外部環境的不確定性和不穩定性導致的。本文主要分析以下4種風險（1種聯盟外部風險和3種聯盟內部風險）：

（1）市場風險

市場風險主要是指在一些市場中由于市場價格、利率等的不穩定從而使得市場遭受無法預料的隱含損失風險，包含物品風險、利率風險、權益風險以及匯率風險等，其中利率風險是主要風險。

（2）合作關系風險

合作關系風險是指由于聯盟的企業之間的某種交易行為從而造成聯盟關系的不穩定性。一般來說，影響物流聯盟的合作關系有很多因素，例如：企業文化、價值觀念、激勵機制、道德風險、信任程度以及戰略目標。第一，信任是合作的首要保證，當然也是物流聯盟合作的基礎。如果企業聯盟之間互不相信，那么企業聯盟也將無法進行下去。第二，物流聯盟的有效保障是適當地激勵和合理公平的利益分配，如果信息不對稱，那么物流聯盟將可能會出現停滯現象，同樣，利潤分配不公平、激勵不合理、聯盟成員的機會主義等都有可能造成物流聯盟的失敗。第三，企業和成員的價值觀念以及行為方式的不同，還有企業文化的沖突等都會對聯盟的關系產生威脅，甚至破裂。

（3）能力風險

能力風險主要是指由于聯盟組織的實踐經驗、知識積累以及協調管理等能力的缺乏引起的。同樣，物流服務成本、物流技術、物流服務質量以及物流響應時間等方面因素都可能會對物流聯盟組織的穩定性造成一定的影響。物流聯盟的基礎是對客戶提供優質的服務，當物流聯盟企業各方面的能力有限、技術上沒有辦法滿足客戶要求或服務質量低下時，都有可能使得物流聯盟的關系解體。

（4）信息與管理風險

信息與管理風險主要是指信息的傳遞、核心能力的集成、信息資源的集成和物流聯盟的組織與管理等方面的風險。物流與信息流密切相關，信息共享和信息高效、準確的傳遞是有效物流聯盟建立的最基本要求，然而由于每個物流聯盟企業互不相同的信息系統、通信協議以及數據庫標準，往往使得企業之間物流信息的傳遞出現延遲，或者集成時出現銜接困難，因而造成物流聯盟效率低下、運行資料缺少，增加物流聯盟的運行風險。

2 BP神經網絡模型建立

設輸入變量為X=x■，x■，…，x■；隱含層輸出向量為y■=y■，y■，…，y■；輸出層輸出向量為h■=h■，h■，…，h■；期望輸出向量為d■=d■，d■，…，d■。輸入層和隱含層間的連接權值為W■，隱含層與輸出層間的連接權值為W■；隱含層各神經元的閥值為

z■，輸出層各神經元的閥值為z■；樣本數據個數為K，K=1，2，…，m，輸出層的誤差函數為：

E=■■d■k-y■k■ （1）

隱含層與輸入層之間的連接修正權值為：

ΔW■k=-u■=δ■kX■k （2）

W■=W■■+ηδ■kX■k （3）

則全局誤差為：

E=■■■d■k-y■k■ （4）

接下來看誤差是不是適合特定的條件，如果網絡誤差降到了一定的程度或者最初的最大次數小于訓練次數時，就可以讓訓練停止。

MATLAB軟件中Nntool工具箱對BP神經網絡訓練過程：

（1）創建網絡；

（2）輸入訓練樣本；

（3）計輸出值和誤差值；

（4）修正各層權值和閾值；

（5）誤差滿足條件，訓練結束（如果誤差不滿足終止條件則繼續第三步，直到誤差達到所設置的誤差為止）。

3 基于BP神經網絡分析的風險評估實例分析

文章結合以下實例運用BP神經網絡方法對物流聯盟風險進行評估：例如某企業在組建物流聯盟之前邀請5位專家對聯盟伙伴的匹配性和合作者風險進行評估，這兩種風險發生的概率和該風險對物流聯盟所產生的影響度分別用p■和f■來表示。評語集合U=極高，高，中等，低，極低。邀請5位專家對風險因素X■進行評估，第j個專家的重要程度為W■，評價結果如表1所示：

風險影響程度數值表示，如表2所示：

第i種風險因素的風險度為：

X■=1-1-■w■f■1-■w■p■ （5）

其中：n表示專家個數（這里n=5），代入相應的數值計算可得：

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。

具體數據如表3所示：

從以上的數據我們可以看出，在這11種風險當中，信任程度的風險度是最高的，其值為0.963，其次是利潤分配和信息共享，風險度的值分別為0.953和0.941。在一定的條件下，技術能力和文化沖突等對聯盟風險的風險度就比較小。風險等級的區間表示：區間0，0.2表示低風險，區間0.2，0.4表示較低風險，區間0.4，0.6表示中等風險，區間0.6，0.8表示較高風險，區間0.8，1表示高風險。由于等級區間表示范圍在0，1之間，故隱含層采用Logsig函數（隱含層節點數為4），輸出層采用Purelin轉換函數（輸出層的節點數為1），建立BP神經網絡，對網絡進行訓練。假設輸入層節點數為10，以專家評價法求出的11種風險因素的風險度作為BP神經網絡的期望輸出值。5位專家打分的風險發生的概率和重要度作為樣本的輸入，輸出7組數據作為訓練樣本，再用4組數據作為預測輸出值，輸出值的大小用以上的5個等級來反映風險的大小。

首先是創建神經網絡，然后對網絡環境初始化，主要是閾值和權值的設定（包括連接權重、隱含層、輸出層閾值等），最后輸入樣本訓練值對網絡進行訓練。當訓練到第100步時，訓練誤差的藍線達到期望水平并保持穩定，即BP神經網絡收斂，訓練結束。如圖2所示：

經過訓練，得到樣本輸出結果為：0.92315，0.92071，0.93959，0.79772，0.80573，0.79717，0.91989；訓練輸出結果為：0.82125，0.85374，0.92061，0.89466。

結果分析：從以上的訓練結果可以得到該物流聯盟的風險范圍，因而能夠判斷物流聯盟風險的高低。從輸出結果可以看出，在誤差允許范圍內，第10種風險是信息共享風險，專家評價計算得出的風險度（期望輸出值）為0.941，風險等級為極高；而網絡訓練結果為0.92061，風險等級也為極高。由此說明BP神經網絡的分析結果和期望結果基本一致，證明了本文所建立的BP神經網絡的可靠性。

4 結 論

對物流戰略聯盟風險進行評估，不僅可以有效地規避物流聯盟在建立過程中的風險，而且可以讓聯盟企業有針對性地選擇對應措施。如果在物流聯盟組建之前對其風險進行評估，就可以未雨綢繆，采取有效措施將風險降低。BP神經網絡能夠兼顧多種影響因素，利用人工智能學習的方法達到解決問題的實時性、敏捷性等特點。文章分析了物流聯盟風險產生的原因和風險特點，結合BP神經網絡分析法對風險指標進行評估，并且對聯盟的風險評估方法進行選擇，最后使用MATLAB軟件中的Nntool工具箱對實例進行分析，驗證了文章提出方法的合理性和適用性。但是，該方法的使用有其不足之處：在使用BP神經網絡進行訓練所需的大量樣本不易獲得。

參考文獻：

[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] 鄭紹濂，等. 分層次與相對績效評價機制及其效率研究[J]. 管理科學學報，1998（1）：27-29.

[6] 馮蔚東. 虛擬企業中的風險分析與監控[J]. 中國管理科學，2001（10）：24-31.

[7] 徐志祿. 第三方物流企業戰略聯盟的穩定性研究[D]. 廣州：暨南大學（碩士學位論文），2007.

[8] 劉明菲，羅顯敏. 物流園區市場運營風險管理[J]. 武漢理工大學學報，2006（3）：389-399.

[9] 袁旭，孫希剛. 基于貢獻的虛擬物流企業收益分配[J]. 桂林電子工業學院學報，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. 基于全生命周期理論的物流戰略聯盟風險管理研究[D]. 重慶：重慶大學（碩士學位論文），2007.

[12] 荊瑩. 基于PCA-BP神經網絡的物流企業聯盟伙伴選擇研究[D]. 西安：長安大學（碩士學位論文），2014.