基于神經網絡的汽車供應鏈風險評估研究

潘 盟 張建同 陳曉東 杜 娟

(同濟大學經濟與管理學院，上海 200092)

0 引言

供應鏈的協作方式通過在物理、邏輯及資金流層面上的合作，實現將上、中、下游所有節點企業納入同一網鏈結構中，以更好地滿足消費者需求并實現共同增加附加值。供應鏈管理日益成為企業獲取競爭優勢的核心手段之一，供應鏈系統的競爭力在很大程度上取決于供應鏈管理過程中對各類風險的控制能力。伴隨全球經濟一體化進程的快速推進，來自內外部的不確定因素層出不窮，供應鏈系統面臨與日俱增的風險，影響其持續安全運作和滿足客戶的能力。Tang認為供應鏈風險需要滿足以下兩個要素：一是事件發生的概率很低，二是事件發生后給供應鏈節點企業造成極大損失。供應鏈風險一般很難量化和預測，因此也給相關風險控制人員帶來了挑戰。汽車供應鏈的情況尤為復雜，具有節點企業多、鏈條長、節點企業間關聯程度高、技術和資金密集等特點。一般認為，汽車供應鏈流程包括上游供應商(細分為原材料供應商和零部件制造商)、中游整車制造商，以及下游經銷商。基于上述特點，汽車供應鏈在競爭白熱化、需求多樣化的市場背景下，更容易受到各類不確定因素的影響，并且風險所引發的損失更加嚴重。例如，福特汽車在全球擁有超過50家分公司，其上游零部件和原材料供應商多達數十層，每層包含數千家關聯企業。2011年位于泰國的一家原材料供應商突然倒閉，給福特汽車整個供應鏈的正常運作造成了極大的負面影響。在財務方面，汽車產業逐漸形成了上游企業占用下游企業大比例運營資金的經營模式常態，由此存在大量信用交易堆積、企業間大規模債權債務和金融機構外部融資等現象，加大了汽車制造企業的財務杠桿率，增加了汽車供應鏈債務風險爆發的可能性。

供應鏈的風險管理一般分為風險識別、風險評估、風險預警和風險轉移四個階段。本研究旨在針對已經建立的汽車供應鏈中的風險指標體系，對潛在風險因素進行量化評估，從而抓住主要矛盾、定位供應鏈系統中的薄弱環節，協助企業風險管理者制定防范措施、實現事前控制，及時有效地管控風險。目前，國內外學者對于供應鏈風險評估的主要研究思路是先建立一套可量化指標體系，再運用各種分析工具進行評估，包括貝葉斯網絡、層次分析法、FMEA(Failure Mode and Effect Analysis)、CVaR模型、模糊綜合評判法等。金融工程中著名的VaR (Value at Risk)模型開創了供應鏈風險量化研究的先河，提供了統一且可度量的風險框架，也為當時的工業界帶來了巨大的經濟利益。然而，VaR模型也存在自身難以克服的缺點：不滿足次可加性、計算結果欠穩定、缺少對損失巨大的小概率事件的估計等。作為對VaR模型的改進，CVaR(Conditional Value at Risk)模型應運而生，它具有優良的數學性質、滿足次可加性和凸性，可以直接通過線性規劃求解，為控制損失巨大的小概率風險提供了系統的理論指導，并且對數據分布沒有預先假定。但是在實際操作中，CVaR模型主要用于評估資產主體的信用風險，供應鏈風險管理由于其自身對外界環境的敏感性，需要更加適合其特殊性的方法。基于貝葉斯概率的貝葉斯網絡被應用于供應鏈風險因素的識別與評估中，取得了較好的效果，然而貝葉斯網絡存在擬合泛化能力不強的不足。周艷菊等針對供應鏈風險管理中關于風險識別、風險評估、風險預警的主要研究進展進行了梳理和分析，表明加強定量化的風險評估研究是供應鏈風險管理的重要組成部分。機器學習模型如支持向量機、神經網絡等已經被證明可以通過訓練來擬合任何線性或非線性函數，從而在近年開始被逐漸運用于各類風險評估問題，例如乳制品供應鏈質量風險評估、農超對接新型供應鏈績效評價體系、基于供應鏈的企業信貸風險評估、商業銀行信用風險評估、銀行貸款風險管理、軟件項目風險預測等。

神經網絡是基于生物學中神經元這一概念所創造的一種機器學習系統。在人工神經網絡中，神經元之間相互連接的權重被視作不同參數，為完成特定計算任務，神經網絡會模仿生物學機理對相應參數進行修正。最初的神經網絡結構僅包含輸入層和輸出層，只能學習線性模型，之后出現帶有隱含層的神經網絡，即在輸入層和輸出層之間還存在其他神經元傳遞信息。人工神經網絡可以有效處理以下經典任務：分類問題，例如根據客戶消費屬性對客戶進行分類；模式識別問題，例如對圖像進行特征提取；預測問題，例如對產品成本進行區間估計的智能預測，并在預測基礎上研究產品報價風險。然而，神經網絡在供應鏈風險管理領域的應用才剛剛起步，汽車供應鏈的風險評估目前尚無前人成果。

本研究依托上海汽車(上汽)集團及其合作企業進行問卷調查并獲取數據，創造性地采用機器學習領域的反向傳播神經網絡(BP神經網絡)作為理論模型，針對已經識別的潛在風險因素進行重要程度評分，根據分值大小有效定位供應鏈系統中的薄弱環節，實現事前有針對性的風險管控，為實際運作中汽車供應鏈風險防范措施的制定和應急處理機制的建立提供決策依據，盡可能減少風險發生對企業造成的損失。結果顯示高風險指標集中于供應商和制造商兩段，其中制造商的生產風險、意外風險和財務風險，以及供應商的戰略風險對汽車供應鏈整體風險的影響最為顯著。本研究首次將人工神經網絡運用于汽車供應鏈風險評價，從理論上豐富和拓展了供應鏈風險管理的技術方法，同時以中國最大的汽車集團——上汽集團的風險評估狀況作為典型代表，為中國汽車產業供應鏈的風險防范管控和高效安全運轉提供了具有實踐意義的操作建議和決策支持。

1 神經網絡的結構與算法

人工神經網絡系統通常包括兩部分：一是神經網絡的結構，比如隱含層數量、各隱含層中神經元個數、各神經元所使用的激活函數、各網絡層之間的連接方式等；二是訓練神經網絡的算法，即每次迭代時通過何種算法來修正各鏈接的權重值。一個完整的人工神經網絡模型由預先設定的神經網絡結構合并網絡中各神經元間的連接權重所共同構成。一般情況下，神經網絡的基本結構在訓練前由人工設定并在訓練過程中保持不變，而模型參數即連接神經元的權重值，在訓練過程的每次迭代中則會不斷被修改。

人工神經網絡的神經元是一個由多元函數表示的計算單元，從其輸入神經元處得到n維輸入，經過函數運算后將1維輸出傳遞給其輸出神經元。常用的神經元計算函數包括以下四種，其中x代表該神經元加權求和后的輸入值。

神經網絡的拓撲結構即各神經元之間的連接方式是人工神經網絡系統的另一重要組成部分，常用拓撲結構有分層連接與全連接兩類。在神經網絡應用于具體問題之前，需要選定一個合適的算法來訓練各神經元之間的連接權重。這一算法被稱為訓練算法或學習算法，通常分為監督性算法、非監督算法和增強學習算法三類。監督性算法精確度較高，但實際應用中人工成本較高；非監督算法沒有人為事先干預、可以節省大量人力資源，但準確率較低，一般用于數據預處理和數據挖掘；增強學習算法通過預先提供的獎勵函數和懲罰函數對迭代結果進行評價，引導模型不斷修正連接權重，一般用于需要與外界進行實時交互的智能系統中。

由于數學上已經證明，三層神經網絡可以擬合任何復雜度的線性或非線性映射關系，故本文使用帶有一層隱含層的網絡結構，即多層感知器，并采用反向傳播(Back Propagation，BP)算法作為連接權重的訓練算法。多層感知器是一種監督性算法，給定訓練集，便可從此訓練集上學習到自變量與因變量之間的映射關系。本文使用典型的三層結構神經網絡，分別為輸入層、隱含層和輸出層。其中，輸入層包含m個神經元，對應m個輸入特征，輸出層神經元個數的選擇規則如下：當y∈(實數域)時，輸出層包含一個神經元；當y∈{0,1}時，輸出層包含一個神經元；當y∈{1,2,…,k}且k>2時，輸出層包含k個神經元。隱含層層數與各網絡層之間連接方式的選擇屬于神經網絡的結構問題，該類問題暫時沒有統一的理論基礎，現有方法都是依據研究者經驗進行初始化選擇，然后利用交叉驗證使得整個網絡效果達到局部最優。

本研究使用BP神經網絡這一經典拓撲結構來擬合各風險因素發生的期望損失值與供應鏈整體風險值之間的關系。所謂風險因素的期望損失值是指該風險因素發生的可能性和其發生所造成損失值的乘積，在此基礎上量化各風險因素對供應鏈整體風險的貢獻值，評估各風險因素的重要程度。在本文的網絡結構中，每層神經元只能同相鄰層神經元進行點對點連接，通過最小化模型的實際輸出值與期望輸出值之差的平方和來尋找整個網絡的最優權重組合。

2 數據收集與指標體系

本研究共邀請134位汽車供應鏈領域的專家分別獨立對50個風險因素進行評分，評分標準包含以下三類：(1)每個風險因素在該專家所在供應鏈發生的可能性；(2)該風險發生后對該專家所在供應鏈的影響程度；(3)專家所在供應鏈的總體風險情況。選取專家均來自上汽集團汽車供應鏈的相關企業，所屬部門涉及整車制造公司與有業務往來的供應鏈上下游企業，基本覆蓋整條供應鏈，對當前中國汽車行業具有較好的代表性和較高的參考價值。共發放問卷134份，回收問卷134份，其中有效問卷104份，符合大樣本條件，可進行問卷分析。有效問卷中，28位專家具有碩士以上學歷，91位專家具有本科以上學歷，大專及以下學歷僅占12.5%，說明被調查者整體受教育程度較高；9位專家具有高級職稱；專家的任職資歷跨度較大，從最短的剛參加工作到最長的近四十年，四分之三以上的專家工作年限在5～25年，說明被調查者擁有較豐富的實踐經驗，對于汽車供應鏈的運作情況比較熟悉和了解，因此對風險的判斷和評估也是較為準確的。

本文選用表1所示的50個風險因素來衡量汽車供應鏈的整體風險。對于每一個風險因素，每位受訪專家都會對以下兩個指標進行評估：一是該風險發生的可能性，二是該風險一旦發生對其所在供應鏈的損害程度。對于風險發生的可能性，評估選項為從基本無可能到非常有可能的1～5五檔；對于風險發生的影響程度，評估選項為從幾乎無影響到影響很嚴重的1～5五檔。在回收的134份問卷中，有部分問卷存在信息缺失，對于此類問卷，根據不同的缺失情況采取不同的處理方式：若專家基本信息缺失，因為無法確定被采訪者的真實身份，故作廢該問卷；若某問卷評價項缺失率在50%以上或所在供應鏈整體風險評估缺失，則該問卷作廢。經過上述處理，本文最終使用的有效問卷為104份。

表1 汽車供應鏈風險因素

3 評估結果分析

上述有效數據集經過BP神經網絡模型訓練后得到的結果將分為兩部分進行分析與解釋：一是模型的準確度分析，二是評估結果在實務運作中的具體解讀。由于可處理數據量并不多，不可能專門分離出一部分數據來做測試集，為最大程度挖掘現有數據的潛在價值，模型的準確度分析采用交叉驗證法。訓練完畢的神經網絡模型中包含各層神經元之間的連接權重，如果某神經元與其下層神經元之間的連接權重為正數且數值越大，則其對下層連接神經元的貢獻越大，反之則貢獻越小。在最終學習完畢的神經網絡中，每個輸入層的神經元與輸出層的神經元之間都存在若干條連接路徑，通過綜合對比不同權重，可以將各風險因素按照其對整條供應鏈風險的貢獻程度進行排序，進而定位出對于整條汽車供應鏈風險管理具有顯著影響的風險因素，有效地為風險防范和管控提供科學參考和決策依據。

神經網絡模型中很多參數需要手動調整，比如隱含層神經元個數、最大迭代次數、學習率等，雖然已有很多學者致力于神經網絡參數的研究，但至今尚無系統的理論框架來指導參數選取，而是在很大程度上依賴于使用者的個人經驗。本文采用了一個簡單卻在大多數情況下非常有效的方法——遍歷法，這一方法除了可行域由使用者事先給定以外，其余與梯度下降法基本類似。其基本思路如下：事先給出每個待定參數的離散可行域，在考慮學習率的可行集合中選取最優解，然后根據梯度下降法思想，每次迭代后將參數更新為其梯度下降最陡峭方向的候選值。

本文將104份有效數據中的80%作為訓練集、并使用BP算法來訓練模型，得到神經網絡各神經元連接的權重參數，然后將剩下的20%可用數據作為測試集，檢驗本文所得到模型的泛化效果。最終，本文模型的訓練誤差為4.743%，測試誤差為7.757%，在可接受范圍以內。另外，值得一提的是，在本文神經網絡模型分類錯誤的實例中，其供應鏈整體風險的真實值較模型輸出值偏小，并沒有出現將真實值較大的實例預測為風險值較小的情況。這是一種相對比較理想的預測效果，因為在供應鏈風險管理實踐中，將實際風險值較低的供應鏈預測為高風險的懲罰項要顯著低于將實際高風險預測為低風險，如后者一旦發生，該供應鏈潛在風險由于未被足夠重視而無法提前進行針對性管控，從而極有可能導致整個供應鏈的破壞和崩潰。

本文所得到的BP神經網絡模型的優化參數如下：

隱含層層數：1層；隱含層神經元個數：30個；輸入層神經元激活函數：線性函數；隱含層神經元激活函數：ReLU函數；輸出層神經元激活函數：SoftMax函數；學習率：0.005；輸入層與隱含層間連接方式：全連接；隱含層與輸出層間連接方式：全連接。在上述參數設置環境下，BP神經網絡模型的訓練誤差和測試誤差的迭代結果如圖1所示：

圖1 訓練誤差與測試誤差的迭代結果

根據BP算法訓練得到的神經網絡模型中各連接權重，輸入層中每個神經元與輸出層中每個神經元都存在若干路徑，將這些路徑的權重相乘即獲得各個風險因素對供應鏈整體風險的影響程度。根據這一影響程度從高到低將識別出的15個一級風險指標和50個二級風險因素進行排序，結果如表2和表3所示。

從表2中的一級風險指標的評價結果可以發現，高風險指標主要集中于供應商和制造商兩段，而消費者的選擇風險與分銷商的戰略風險則基本可以認為對汽車供應鏈整體風險的影響微乎其微。具體來看，制造商的生產風險、意外風險和財務風險，以及供應商的戰略風險對汽車供應鏈整體風險的影響程度最為顯著，均在0.75以上。

表2 一級風險指標的影響程度

供應商作為汽車產業鏈的開端，其戰略風險在實務運行中成為汽車產業鏈風險較高的環節之一。汽車作為高科技產品，隨著科技水平的提升，產品的升級換代一般都始于區域性零部件供應商的科技發展提升。國際著名的咨詢機構羅蘭貝格預測，2030年“汽車共享”“智能互聯”“自動駕駛”將成為汽車行業發展的三大趨勢，因此供應商的發展戰略能否與市場發展相匹配，將成為汽車供應鏈有效運轉和穩定發展的關鍵因素之一。

制造商是汽車供應鏈中最為核心的一個環節，汽車行業一致公認制造商是驅動汽車產業發展和變革的決定性因素，其對于汽車供應鏈的正常運轉是至關重要的。制造商的生產是整個汽車供應鏈產品輸出的關鍵，其生產風險必然會影響到整個供應鏈上下游的核心汽車產品能否科學及時地完成生產。意外風險則會影響到正常生產能否順利有效開展，2015年德國大眾集團爆發了震驚全球汽車行業的“排氣尾門事件”，緊接著面臨美國和歐盟的巨額罰款及市場召回行動，造成了巨大損失。

汽車行業是資金密集行業，一個整車廠(涵蓋沖壓、車身、油漆和總裝四大工藝)的總投資達到10億～12億人民幣，加上大量的工裝模具投資，資金投入堪稱巨大，因此財務資源的匹配和財務風險的控制尤為關鍵。財務風險又是由多個因素綜合構成的，受到匯率變動、原材料成本上漲、生產成本上升及金融危機爆發等各種因素的影響。2007年，美國發生了由房地產次貸危機引起的金融風暴，席卷全球經濟環境，汽車產業也未能幸免，百年老店美國通用汽車在此次危機中遭受了前所未有的重挫，2008年被迫破產重組，在美國政府的支持和幫助下，成立了新通用汽車。

對于表3所列舉的50個二級風險因素，可以依據其影響程度數值劃分出5個高風險因素(0.85及以上)、4個中高風險因素(0.8～0.85)、13個中風險因素(0.6～0.8)。以下針對每一級別中的典型風險因素進行具體分析解讀。

表3 50個二級風險因素的影響程度

3.1 高風險因素：0.85及以上

3.1.1供應商機械設備老舊，生產效率低

從福特汽車發明T-CAR開始，汽車進入大規模流水線生產，一般產品的生命周期為6年，其中每3年一次中期改型，每年一次外觀更新。這些更新改變一般都是重要的外飾或功能性零件，這些零件的生產對于整個汽車供應鏈而言往往都是汽車制造商的非自制零件，來自供應商的外采購件。從這一點來看，供應商機械設備的更新能否及時完成，提升有效產出率并保證供應鏈供貨，在汽車生產運作過程中極為關鍵。中國汽車市場規模最大的零部件供應商集團華域汽車系統股份有限公司在其“十三五”規劃中明確提出，整個集團下屬工廠實施工業4.0提升計劃，淘汰效率低下的設備，提高設備的生產效率，將平均有效產出率從“十二五”末的65%提升至“十三五”末的80%。

3.1.2供應鏈上游主要供應商破產

核心零部件供應商破產，對整個汽車供應鏈也是一個高風險因素。從一級供應商，到二級、三級供應商，部分加工深度或組裝程度復雜的零部件會有四級、五級供應商，在特定級別的供應商中會存在兩至三個主要供應商。在汽車行業，一般培育一個供貨質量成熟、供貨能力合格的供應商需要兩到三年時間，所以行業中多采用“一品兩點”模式，即一個核心零部件往往有兩個供應商供貨，保證體系的供貨安全、連續。但是受到宏觀經濟面的波動、汽車市場的波動和自身經營管理水平等因素的影響，供應商變動還是比較顯著。以上海大眾汽車有限公司為例，2013—2015年平均有供應商550家，每年有20%的供應商會變動離開供應體系，其中大約5%是由于破產、重組等原因退出。這些都是需要高度關注的因素，否則會對產業供應鏈造成巨大影響。

3.1.3消費者的購車資金儲備不足

中國消費者的購車消費習慣是積存充足的自由資金后再進行消費和購買，因此消費者購車資金的儲備充足與否，就成為影響消費者層面對汽車供應鏈落實有效消費的一個重要因素。雖然近年來中國消費者對于汽車消費貸款的接受程度在逐步提高，汽車消費信貸滲透率已經達到35%左右，但是距離歐美國家65%的滲透率還有很大差距。所以，在今后相當長的一段時間內，消費者的購車資金儲備不足對于汽車供應鏈仍然是一個重要的風險因素。

3.1.4經銷商層面臨國家宏觀調控政策變化

經銷商是汽車供應鏈的一個重要節點，汽車經銷環節在實際運作中非常容易受到國家宏觀經濟的影響。2015年10月1日起，國務院為刺激汽車消費、促進我國汽車市場發展，推行1.6升以下小排量汽車購置稅減半的優惠政策，對國內汽車市場消費起到了非常積極的促進作用。2016年我國汽車全年銷量預計達到2700萬輛，同比增長12%左右，成為近年來市場增量新高。因此，經銷商層面對國家宏觀調控政策的敏感性是非常顯著的，這也成為汽車供應鏈管理中一個重要的風險因素。

3.2 中高風險因素：0.8～0.85

3.2.1制造商設備柔性低，轉產能力差

傳統制造商的生產線一般是缺乏柔性的。以中國第一家中外合資整車制造企業上海大眾汽車有限公司為例，1984年引進第一條生產流水線，專用于桑塔納轎車的生產。1998年上海通用汽車公司在其浦東金橋基地，在設計生產流水線時開始考慮多個產品的共線生產，開始了柔性化生產線布局的嘗試。隨著汽車市場的發展和消費能力的全面升級，汽車市場消費者對汽車的消費已經全面進入“個性化、差異化、小批量”的嶄新階段。在這樣的市場環境下，制造商設備的柔性高低和轉產能力的強弱都是其是否能夠跟上汽車需求市場快速變化的關鍵因素。

3.2.2供應商產線意外事故

在所有工業部門中，汽車制造是供應鏈最長的部門之一，供應商涉及鋼鐵、化工、橡膠、能源、金屬加工等多個領域，任何環節的供應商出現意外事故都將會影響整個汽車供應鏈的正常運行。2014年8月3日，昆山中榮金屬制品有限公司汽車輪轂拋光車間發生爆炸事故，該企業是美國通用汽車和上海通用汽車的三級供應商，此次意外事故直接導致上海通用汽車部分產品生產停線3天，并波及大洋彼岸的美國通用汽車墨西哥工廠，影響其正常生產一周。供應商產線的意外事故發揮著“牛鞭效應”，其影響波及整個供應鏈，對整個供應鏈管理帶來巨大挑戰。

3.2.3供應商石油等重要生產資源價格上漲

從汽車產品的成本構成來看，材料成本可達60%左右，因此材料成本的上升將在很大程度上影響凈利潤，也將進一步影響到企業競爭力。以華域汽車為例，對2013—2015年下屬零部件企業經營數據進行統計分析，發現企業盈利性對成本項目中鋼材價格的敏感性比較高，其中熱加工板塊企業對鋼材價格敏感程度最高。另一方面，供應商由于掌握的科技實力有限，降低成本的科技手段并不多，使得供應商在面臨人力、設備、資源等生產資料成本上升的情況下，缺乏強有力的控制方法，因而供應商重要生產資源價格上漲也是汽車供應鏈較為重要的風險因素。

3.3 中風險因素：0.6～0.8

3.3.1供應商操作工流失

在汽車行業，時常出現某供應商因為一線操作工的流失而影響其生產的情況，特別是春節之后，大量農民工返城后重新選擇行業，使得汽車行業一線工人流失現象尤為嚴重，部分企業的流失率甚至高達30%。汽車產業是勞動密集型產業，中國人口紅利的逐步消失正在不斷影響著國內汽車工業的發展，陸續造成一線操作工流失率上升等現象，成為汽車供應鏈管理中值得注意的一個風險因素。

3.3.2研發能力低下，新產品競爭力不足

目前國內的整車企業，包括上汽、一汽、東風等領頭車企的研發能力普遍低下、新產品競爭力不足，主要表現在以下三個方面：第一，由于市場需求預測準確性不高，致使新研發產品不符合市場需要而導致研發失敗；第二，部分研發屬于外觀設計改型，鮮有技術創新、擁有新技術知識產權的研發，導致仍然未能掌握某些核心技術，進而產生風險；第三，市場本身的波動性導致經過多年研發的產品，在投入市場后卻面臨已經變化的市場需求。如何提升研發能力、提高新產品競爭力是汽車供應鏈風險管理的重要環節之一。

4 總結與展望

在競爭白熱化、需求多樣化的市場背景下，汽車供應鏈由于節點企業多、鏈條長、節點企業間關聯度高、技術和資金密集等特點，更易受到各類風險因素的嚴重影響。本文將BP神經網絡創造性地運用于上汽集團汽車供應鏈潛在風險因素的重要程度評估中，為實現事前有針對性的風險管控、建立應急處理機制提供了科學決策指導。

對于各級指標進行風險評估，可以發現高風險指標主要集中于供應商和制造商兩大環節，本文針對相關汽車企業提出如下建議：首先，供應商和制造商下屬工廠實施工業提升計劃，淘汰效率低下的設備，積極提高設備的生產效率、柔性和轉產能力，以適應汽車需求市場的快速變化；其次，重視市場調研，及時獲取市場需求波動信息，以此作為參考規劃未來的研發方向，同時保證一定彈性，以及時響應市場變化；再次，大力推進自主創新，努力提升科技水平，積極探索掌握核心技術，把握未來汽車行業的發展方向；最后，增強企業文化，對于下屬員工特別是一線操作工人增加人文關懷，培養其對公司的歸屬感和對工作的認同感，降低有經驗員工的流失率。