基于事故樹與貝葉斯網絡的農產品供應鏈風險評估

楊懷珍 胡葛君

摘要： 為了探究物聯網模式下農產品供應鏈的風險影響程度，提升農產品供應鏈整體水平。基于物聯網層次模型結合農產品供應鏈風險影響因素，以農產品供應鏈的風險因素為研究對象，以事故樹模型為基礎，構建基于事故樹模型的風險因素樹形圖，并將其映射為貝葉斯網絡，通過結合專家給出的風險影響因素值進行三角模糊數處理來降低人為因素的影響，最終通過正向、反向推理分析各基本事件的重要度并進行排序，有效定量評估各事件的風險性，并找出最薄弱的環節，進而提出針對性的改善措施。結果表明，將事故樹模型引入農產品供應鏈進行研究，對比單一事故樹分析，此方法可以提高評估的可信度和客觀度，對物聯網模式下農產品供應鏈的風險評估具有一定的理論和實用價值。

關鍵詞： 物聯網;事故樹;貝葉斯網絡;農產品供應鏈;風險評估;重要度

中圖分類號： F252? 文獻標志碼： A

文章編號：1002-1302（2020）05-0304-06

近年來，由于食品安全體制的不健全導致的食品質量安全問題時有發生，而農產品作為供應鏈源頭的食品，從田間到餐桌的整個流程都受到了人們的廣泛關注[1]，對農產品供應鏈造成了重要影響。農產品在供應鏈中占有重要的位置，一旦出現安全問題就會給供應鏈帶來毀滅性的破壞，并對農產品經濟造成重大損失。為解決農產品質量安全問題，保障農產品質量，構建全面有效的農產品供應鏈安全體系，將物聯網技術應用到農產品供應鏈安全體系中并已取得較好的成效。例如，天津市無公害農產品管理中心建立“放心菜”質量安全與追溯系統，實現了生產可控、安全可管、產品可溯的質量標準，以模擬模型技術、移動互聯網技術、在線監測技術、安全生產技術等為支撐，建設“放心菜”基地管理系統、質量安全監管系統、質量安全追溯系統和信息服務平臺的四級監管網絡，技術成果已達到國際先進水平，有效保障了農產品質量安全。物聯網技術的出現很大程度上實現了人們對農產品質量安全的監控，大大提升了安全控制效率，使得傳統農產品風險得到有效的降低，但是由于物聯網技術處于發展階段，技術還不成熟，給農產品供應鏈帶來了新的風險。因此，國內外學者對如何解決物聯網技術給農產品供應鏈帶來的風險進行了深入研究，綜合已有研究成果可知，針對事故誘發因素的影響程度的分析方法主要有3種：第一，基于統計分析數據運用概率分析方法進行研究。Yan等利用供應鏈風險擴散收斂模型，確定能夠度量農業供應鏈風險波動的定量指標，對物聯網下農業供應鏈模型得出的問題進行分析，進而提出風險管理措施[2]。顏波等從信息技術角度出發，以農產品為研究對象，分析供應鏈流程以及物聯網技術在各環節的具體應用，提出基于物聯網技術的農產品質量安全可追溯性的解決方案[3]。張旭梅等針對“互聯網+”環境下生鮮農產品供應鏈線上線下（O2O）商業模式，從價值主張、核心資源、關鍵流程、盈利模式4個方面對其進行研究[4]。第二，基于安全系統工程理論致因原理，構建下層指標體系，用層次分析方法研究。陳秉恒等應用層次分析法對國內外物聯網在農產品供應鏈安全管理中的應用進行研究，并總結出我國農產品供應鏈安全監管存在的主要問題及其成因[5]。Wang等克服逼近理想解排序法（TOPSIS法）權重主觀上受到影響的問題，將改進的熵值法與TOPSIS法相結合，分析生鮮農產品供應鏈風險評價[6]。Zhao等在分析實際農業供應鏈網絡的拓撲結構和構件特性的基礎上，建立風險在網絡及其拓撲演化中的動態模型，并給出穩態解[7]。王玉霞通過物聯網、云計算技術對生鮮農產品中存在的問題進行有效的分析[8]。劉鵬將物聯網技術運用到生鮮農產品流通中，并探討能否提升生鮮農產品流通效率與質量安全問題[9]。喻立認為，以物聯網和云平臺技術的農業大數據為服務平臺，對構建科學高效的農產品種植與生產標準實現智能種植和質量溯源等重要功能是有幫助的[10]。第三，構建事故樹或貝葉斯網絡模型，對風險因素進行分析。馬欣等以事故樹模型為基礎進行研究，得出事故樹的最小割集與結構重要度，并確定了失效系統中的薄弱環節[11]。卜全民等對事故樹分析法（FTA）的思路進行深入的理論分析，并對其主要的分析方法進行剖析，進而運用布爾代數法和相應規則得出有效的管控措施[12]。馮庚等將貝葉斯網絡引入到事故樹分析中，這彌補了事故樹分析在風險分析中的不足和缺陷，并給出事故樹到貝葉斯網絡的映射法則[13]。王彥富等提出基于邏輯樹和貝葉斯網絡的概率分析模型，依據事故情況構建邏輯樹，然后將邏輯樹轉化為貝葉斯網絡，并根據確定的貝葉斯網絡各節點的先驗概率和條件概率進行風險評估[14-15]。上述分析方法中統計分析的結果常常局限于人為因素影響，層次分析模型很難準確地表達出節點之間的條件概率關系，而事故樹模型可以將事故發生的原因以樹形結構逐層表達，邏輯清晰明了，且在工業安全體系研究中事故樹已經得到了廣泛的應用，但事故樹僅僅滿足于對結構重要度的分析，對基本事件的重要度分析并不能明確表達。因此，在分析事故樹影響因子的基礎上，將其映射成貝葉斯網絡，通過三角模糊數對基本事件的發生概率進行標定，用定量分析法得出基本事件的結構重要度、概率重要度和臨界重要度，從而找出物聯網模式下農產品供應鏈的薄弱環節，有助于進行有效改善，對農產品供應鏈安全體系的建立具有一定的現實意義。

1 影響因子分析

評估物聯網模式下農產品供應鏈的風險，首先須要通過分析該過程中存在的風險因素構建事故樹的影響因子。物聯網環境下的農產品供應鏈是指在農產品的種植、采摘、生產、加工、包裝、運輸和銷售的全過程中，采用物聯網關鍵技術實現農產品信息采集和信息融合，從而實現農戶、生產加工商、物流運輸中心、銷售商、政府監督管理部門和消費者間信息共享的網絡結構。該網絡結構包括感知層、網絡層和應用層，每個層次中均存在一定的風險因素。

確定風險類型的理化性質是構建事故樹的基礎。通過對已有成果的整理總結并結合參考文獻[16]將危險因素分為4類16項：（1）感知層風險，包括誤差風險、設備故障風險、配送風險、反應不及時風險;（2）網絡層風險，包括網絡不穩定風險、信息安全風險、互聯網（IT）技術風險;（3）應用層風險，包括成本收益風險、需求波動風險、供應波動風險、外部運營風險、內部運營風險、政策法規風險、競爭風險;（4）其他風險，包括信譽風險和自然災害。根據每類風險項所具備的作用、性質等理化性質不同，發生事故的類型和危害性也有差別。如網絡層的目的是將感知層得到的數據經微處理并進行遠距離傳輸，從而實現信息共享。但物聯網技術在農產品供應鏈中的應用并不成熟且缺乏統一的標準，常常出現諸多問題，從而導致信息安全風險、IT技術風險和網絡不穩定風險的產生（圖1）。

因此，分析風險因子的理化性質，可構建頂層事故樹并得到影響因子。

2 評估方法

采用貝葉斯網絡分析物聯網模式下農產品供應鏈的風險。為增加貝葉斯網絡的有效性，通過影響因子構建事故樹模型，將其映射為貝葉斯網絡。通過對參考文獻[17]的整理分析，得出事故樹向貝葉斯網絡轉化的具體方法。通過對事件、邏輯門與節點之間的映射關系和與、或等邏輯關系與條件概率分布之間的映射關系，得出各基本事件的重要度指標。

2.1 貝葉斯網絡

貝葉斯網絡是一種用圖的形式進行概率分析的方法，將各不確定性事件的發生概率與各事件間的因果關系以圖的形式表現出來。貝葉斯網絡能夠直接或間接地表達各基本事件之間的關系，得出基本事件之間的相關性。因此，運用貝葉斯網絡理論對不確定性復雜問題有獨特的優勢。2001年Jensen提出形象直觀的描述性定義[18]。

定義：將滿足以下4個條件的有向無環圖稱為貝葉斯網絡。

（1）存在1個變量集V={xi}，i=1，…，n以及變量對應節點之間有向邊的集合E;（2）每個變量都取有限個離散值;（3）由變量對應的節點和節點之間的有向邊構成1個有向無環圖J=（V，E）;（4）每個節點xi和其父節點集Πi都對應1個條件概率分布表p=（xi|πi，J），而滿足p（x1，…，xn）=Πn i=1p（xi|πi，J）。其中：πi是Πi的配置。

根據定義表達的節點與其父節點的關聯關系，可以推導出包含所有節點的聯合概率分布函數。圖2是一個簡單的貝葉斯網絡，包含所有節點的聯合概率分布函數為

p（x1，x2，x3，x4）=p（x4|x1，x3）p（x3|x1，x2）p（x2|x1）p（x1）。（1）

聯合概率分布函數表達所有節點之間的邏輯關系，是正反向推理計算頂事件（T）發生概率和基本事件（Xi）重要度的基礎。

2.2 事故樹向貝葉斯網絡的映射

從上述定義可知，貝葉斯網絡由1個有向無環圖J和對應的條件概率表組成。事故樹模型向貝葉斯網絡映射時，貝葉斯網絡的節點與事故樹中事件逐一對應，構成有向無環圖，條件概率關系則根據事故樹的邏輯門確定。其中，與門、或門的映射關系見圖3、圖4。

2.3 求最小割集

事故樹集合中能夠導致頂事件發生的基本事件的集合被稱為割集，當最小割集的數量為1時，表示頂事件發生的可能性只有1種，因此最小割集的數量決定頂事件發生可能性的數量。割集中的基本事件同時發生才能導致頂事件的發生，因此最小割集中基本事件的數量越少，同時發生的可能性越大。

在事故樹中求解最小割集最常用的方法為布爾代數法，其步驟為：（1）列出事故樹的布爾表達式，即從事故樹的第1層輸入事件開始，“或門”的輸入事件用邏輯加表示，“與門”的輸入事件用邏輯積表示。（2）用第2層輸入事件代替第1層，第3層輸入事件代替第2層，直至事故樹全體基本事件都代完為止。（3）布爾表達式整理后得到若干個交集的并集，每個交集就是1個割集，再利用布爾代數運算定律化簡，就可以求出最小割集。

2.4 基本事件的重要度分析

2.4.1 結構重要度分析

結構重要度是指各基本事件的發生對頂事件發生的影響程度，且不用考慮概率是多少。最小割集中只存在1個基本事件時，結構重要度最大，存在多個基本事件時，各基本事件的結構重要度相等。而當最小割集中基本事件數量相同時，在不同的最小割集中出現次數越多，其結構重要度越大;當最小割集中基本事件的數量不同時，依據基本事件在最小割集中的出現次數決定其重要度，次數越多則結構重要度越大，當出現次數相同時，依據最小割集中基本事件數量決定，基本事件少的則其結構重要度大。計算公式如下：

I=1-∏ Xi∈Ki。（2）

式中：I表示基本事件的結構重要度系數;Xi∈Ki表示基本事件Xi屬于最小割集Kj;ni表示第i個基本事件所在的最小割集的基本事件總數。

2.4.2 概率重要度分析

為了研究基本事件概率的增減對頂事件發生的影響程度，須要應用概率重要度分析。概率重要度系數就是頂事件發生概率對基本事件發生概率的變化率，以此來評定基本事件的概率重要度。計算公式如下：

Ip（i）=Q qi。（3）

式中：Q表示頂事件發生概率;qi表示自變量。

2.4.3 基本事件臨界重要度

頂事件發生概率的變化率與基本事件發生概率的變化率之比，即為基本事件的臨界重要度。

CIp（i）=P（T）/P（T） P（Xi）/P（Xi）=（PT） P（Xi）·P（Xi） P（T）。（4）

將概率重要度公式代入公式（4）中，得：

C1p（i）=Ip（i）P（Xi）/P（T）。（5）

3 算例分析

以某物聯網模式下生鮮農產品供應鏈的風險事故為例，依據上述評估方法建立事故樹并轉化為貝葉斯網絡，并對各基本事件進行分析。

3.1 建立事故樹

構建以農產品供應鏈安全風險事故為頂事件的事故樹模型進行風險分析。基于相關領域專家對其風險事件的評估分析，選取16個基本事件、4個中間事件和1個頂事件（表1）。

通過對各基本事件的分類整合，得到風險事件的事故樹（圖5）。

3.2 將事故樹映射成貝葉斯網絡

根據“2.2”節提供的映射方法，將物聯網模式下農產品供應鏈風險的事故樹映射成對應的貝葉斯網絡（圖6）。

根據節點的邏輯關系，貝葉斯網絡中包含的聯合概率分布函數為

p（T，A1，…，A8，x1，…，x16）=p（T|A1，A2）p（A1|A3，A4，A5）p（A2|A6）p（A3|A7，x3）p（A4|A8，x7）p（A5|A9，x13，x14）p（A6|x15，x16）p（A7|x1，x2，x4）p（A8|x5，x6）p（A9|x8，x9，x10，x11，x12）p（x1）…p（x16）。

3.3 頂事件發生概率及重要度分析

由布爾代數法可以簡化事故樹并求出導致頂事件發生的最小割集（MCS）。

T=A1+A2=（A3+A4+A5）+A6=A7X3+A8X7+A9X13X14+X15+X16=X1X3+X2X3+X4X3+X5X7+X6X7+X8X13X14+X9X13X14+X10X13X14+X11X13X14+X12X13X14+X15+X16。

可見，導致物聯網模式下農產品供應鏈發生風險的最小割集共有12個，即頂事件發生的途徑只有12個，且要求每個最小割集中的所有基本事件同時發生。

根據基本事件的結構重要度公式可以計算出各基本事件的結構重要度：

Iφ（1）=Iφ（2）=Iφ（4）=Iφ（5）=Iφ（6）=0.5;

Iφ（3）=Iφ（7）=0.75;

Iφ（8）=Iφ（9）=Iφ（10）=Iφ（11）=Iφ（12）=0.25;

Iφ（13）=Iφ（14）=0.762 7;

Iφ（15）=Iφ（16）=1。

因此，各基本事件的重要度排序為：Iφ（15）=Iφ（16）>Iφ（13）=Iφ（14）>Iφ（3）=Iφ（7）>Iφ（1）=Iφ（2）=Iφ（4）=Iφ（5）=Iφ（6）>Iφ（8）=Iφ（9）=Iφ（10）=Iφ（11）=Iφ（12）。

通過計算得出各基本事件的結構重要度并進行排序可知，不可抗因素對結構重要度的影響最大，而傳統的農產品供應鏈風險因素對結構的影響最小;除不可抗因素外，配送風險和IT技術風險對結構重要度的影響最大。

由于農產品供應鏈風險數據獲取難度很大且數據不具備代表性，因此須要借助于群體決策法對農產品供應鏈風險因素進行判別，通過征詢專家關于各個節點的條件概率，結合三角模糊數對相關數據進行處理。IPCC采用七檔分級的風險發生概率的語言變量來描述概率，各語言變量及其對應的概率與三角模糊數見表2。

由表2可將條件概率表轉化為三角模糊數。

Pij～k =（akij，mkij，bxij）（k=1，2，…，q）。

節點Xi處于j狀態的平均模糊概率為：

Pij～k =Pij～1 +Pij～2 +…+Pij～q? q=（aij′，mij′，bij′）。

進一步通過均值面積法計算節點的精確概率，節點Xi處于j狀態的精確概率為：

Pij′=aij′+2mij′+bij′ 4。

通過歸一化處理得到節點的條件概率值：

P=Pij′ ∑Pij′。

針對物聯網模式下農產品供應鏈的風險問題，邀請5位相關領域的專家對供應鏈風險進行評估，通過對專家進行問卷調查，根據IPCC量表對各基本事件發生的概率進行客觀評估，對結果進行加權平均，并對概率進行修改調整（表3）。

由表3可知，根據概率重要度公式可計算出頂事件的概率P（T）=0.533。根據臨界重要度公式可以求出各基本事件的臨界重要度并進行排序：

CIp（3）=0.75>CIp（7）=0.337>CIp（2）=0.300>CIp（1）=CIp（4）=0.225>CIp（15）=CIp（16）=0.187>CIp（5）=CIp（6）=0.169>CIp（14）=0.075>CIp（13）=0.038>CIp（8）=CIp（9）=CIp（10）=CIp（11）=CIp（12）=0.008。

通過對各基本事件臨界重要度的計算可知，當頂事件的概率P（T）=0.533時，配送風險的臨界重要度最大，IT技術風險次之，而傳統農產品供應鏈風險因素的臨界重要度相等且最小。通過對比結構重要度和臨界重要度可知，結構重要度受不可抗拒風險的影響較大，但該風險不受人為因素的控制，因此，臨界重要度更好地體現了對結構重要度不足的彌補，確定了配送風險和IT技術風險對物聯網模式下農產品供應鏈的影響。比較結構重要度和臨界重要度的風險影響程度可知，結構重要度對不可控事件造成的影響占比很大，而臨界重要度很好地摒除了該缺陷，對結構重要度的不足作了很好的補充。綜合結構重要度和臨界重要度可知，傳統農產品供應鏈風險因素在物聯網模式下影響程度普遍較小，因此，可以證明物聯網技術的運用使得農產品供應鏈的風險因素發生了偏移，傳統風險因素對供應鏈的影響程度降低，物聯網技術的影響因素成為該模式下的主要影響因素。

4 結論

圍繞物聯網模式下農產品供應鏈的影響因子構建事故樹并求出結構重要度，再將事故樹映射成貝葉斯網絡，運用三角模糊數計算出基本事件的概率重要度和臨界重要度。通過定量評估3個指標的農產品供應鏈風險，可以彌補僅僅運用事故樹進行定性分析的缺陷，更好地體現了基本事件對于頂事件發生的影響程度，從而可以更加有針對性地找出運輸過程中的薄弱環節，對研究物聯網技術為農產品供應鏈帶來的風險具有一定的現實意義和實用價值。通過對結構重要度、概率重要度和臨界重要度的計算，可以得出配送風險和IT技術風險為影響農產品供應鏈的主要影響因素，因此須要進一步加強對農產品運輸的監管，保證能夠準時、及時送達。須要定期對相關設備進行檢修，以保證該供應鏈條正常有序地運行，避免由技術問題帶來的損失。

參考文獻：

[1]張東玲，高齊圣，楊澤慧. 農產品質量安全風險評估與預警模型：以山東省蔬菜出口示范基地為例[J]. 系統工程理論與實踐，2010，30（6）：1125-1131.

[2]Yan B，Wang X N，Shi P. Risk assessment and control of agricultural supply chains under internet of things[J]. Agrekon，2017，56（1）：1-12.

[3]顏 波，王欣妮. 基于物聯網的農產品質量安全監管體系研究[J]. 中國科技論壇，2016（8）：122-129.

[4]張旭梅，梁曉云，但 斌. 考慮消費者便利性的“互聯網+”生鮮農產品供應鏈O2O商業模式[J]. 當代經濟管理，2018，40（1）：21-27.

[5]陳秉恒，鐘漲寶. 基于物聯網的農產品供應鏈安全監管問題研究[J]. 華中農業大學學報（社會科學版），2013（4）：49-55.

[6]Wang Y，Hao H X.Researchon the supply chain risk assessment of the fresh agricultural products based on the improved toptsis algorithm[J]. Chemical Engineering Transactions，2016，51：445-450.

[7]Zhao G，Gong S L，Yang Y B，et al.Model and dynamic behavior of risk propagation in complex agricultural supply chain networks in china and their topological evolution[J]. Journal of Internet Technology，2016，3（17）：483-493.

[8]王玉霞. 物聯網時代大連鮮活農產品營銷渠道模式創新途徑與對策研究[J]. 遼東學院學報（社會科學版），2017，19（1）：70-73.

[9]劉 鵬. 鮮活農產品物聯網流通渠道發展探究[J]. 改革與戰略，2017，33（6）：103-106.

[10]喻 立. 物聯網技術在農產品種植管理中的應用[J]. 清遠職業技術學院學報，2018，11（1）：24-27.

[11]馬 欣，師統麾，薛 濤，等. 基于貝葉斯網絡的LNG儲罐泄漏事故樹改進研究[J]. 現代化工，2017，37（4）：179-182.

[12]卜全民，王涌濤，汪德爟. 事故樹分析法的應用研究[J]. 西南石油大學學報，2007，29（4）：141-144，200.

[13]馮 庚，蔣雨宏，范 路，等. 基于事故樹分析與貝葉斯網絡的土石壩風險分析[J]. 水力發電，2013，39（4）：34-36，57.

[14]王彥富，李玉蓮，張 彪，等. 基于邏輯樹和貝葉斯網絡的海洋平臺火災概率分析[J]. 安全與環境學報，2016，16（5）：66-72.

[15]周建方，唐椿炎，許智勇. 貝葉斯網絡在大壩風險分析中的應用[J]. 水力發電學報，2010，29（1）：192-196.

[16]顏 波，石 平，丁德龍. 物聯網環境下的農產品供應鏈風險評估與控制[J]. 管理工程學報，2014，28（3）：196-202，173.

[17]楊能普，楊月芳，馮 偉. 基于模糊貝葉斯網絡的鐵路危險貨物運輸過程風險評估[J]. 鐵道學報，2014，36（7）：8-15.

[18]王雙成. 貝葉斯網絡學習、推理與應用[M]. 上海：立信會計出版社，2010.

收 稿日期：2018-10-21

基金項目：廣西壯族自治區人文社會科學規劃項目（編號：15BGL010）;桂林電子科技大學研究生教育創新計劃（編號：2018YJCX103）。

作者簡介：楊懷珍（1972—），女，廣西桂林人，碩士，教授，主要從事物流與供應鏈管理、電子商務研究。

通信作者：胡葛君，碩士研究生，主要從事物流與供應鏈管理研究。E-mail：857116744@qq.com。