基于CNN-PSO的跨境供應鏈風險預警研究

楊 揚，徐新揚

(昆明理工大學 交通工程學院，云南 昆明 650500)

0 引言

世界經濟的發展正朝著全球化的趨勢演變，特別是2020年全球新冠肺炎疫情爆發以來，世界各國都意識到跨境供應鏈的重要性與脆弱性。跨境供應鏈連接著不同國家的上下游企業，全球化的生產、供應、運輸與銷售將風險分散到鏈上的各個節點，導致管理復雜，同時跨境供應鏈還需考慮異國之間社會、政策、市場及經濟環境的影響，任何一個節點過程的疏忽都有幾率導致鏈條的斷裂，從而需要承擔風險帶來的損失。為了在全球化經濟背景下獲取更大的利益與競爭力，構建跨境供應鏈風險指標并建立快速準確的風險預警模型十分必要并具有社會意義。

供應鏈管理研究起源于20世紀的70年代，風險研究一直是供應鏈管理的一個熱點問題，如Christopher等[1]在2020年最先通過創建響應式供應鏈，對供應鏈風險進行了研究。供應鏈風險指標的識別是學者們研究較多且基本的問題，如Chu等[2]提出了一個基于文本挖掘的全球供應鏈風險框架，對地區差異與變化導致的跨境供應鏈運營風險進行了識別；張濤等[3]通過調查問卷建立新疆種業供應鏈風險因素關系矩陣，運用社會網絡分析法對供應鏈中存在風險進行了識別；Abdel-Basset等[4]提出了TOPSIS-CRITIC法建立了供應鏈風險識別模型，并對電信設備公司供應鏈進行了實例研究，識別出鏈內風險并將風險重要性排序；Neiger等[5]提出了一種新的以價值為中心的過程工程方法，對供應鏈風險進行了識別。其次的研究重點主要是針對供應鏈風險框架與指標體系的建立問題，如Baryannis等[6]從人工智能層面運用機器學習技術構建供應鏈風險預警框架，探索了預警性能與可釋性之間的權衡；Chowdhury等[7]運用ISM建模方法開發層次結構模型對孟加拉成衣跨境供應鏈風險進行了分析；匡海波等[8]對2014—2018年深圳市裝備制造業供應鏈數據進行分析，運用偏相關-方差與逐步神經網絡方法建立了供應鏈金融風險指標體系。可以看出，對于常規的風險指標建立問題，學者們選擇采用多種建模方法來進行研究，以期獲得新的結論。再者就是對于供應鏈風險評估測度與預警的研究，如馬波[9]建立了結構方程模型及模糊理論來對風險進行測度。于超等[10]對供應鏈中制造商存在的交貨風險進行分析，建立了交貨延遲風險的評估方法。針對供應鏈預警模型的研究多是基于智能算法來對風險進行預警，如基于ABC-BP[11]模型對及時供應鏈協同風險的預警研究，基于ACO-SVM算法[12]的供應鏈風險預警研究，基于RS-FWSVM[13]的供應鏈質量危機預警研究。學者們除了對供應鏈風險內部機理進行研究以外，還對風險下的定價策略與決策進行了研究，如考慮風險厭惡的混合型雙渠道供應鏈定價決策研究[14]，基于價格風險下的供應鏈采購決策研究[15],生產成本變動下風險規避雙渠道供應鏈定價策略研究[16]。

梳理以往供應鏈風險研究文獻可以發現，目前針對供應鏈管理的研究主要集中于基本的指標建立與識別上，對于供應鏈預警的研究還相對較少，特別是針對跨境供應鏈風險預警的問題還亟待探討。本研究通過建立跨境供應鏈風險指標體系，基于CNN神經網絡卷積層與池化層特征提取效果好、效率高的特點構建CNN神經網絡與粒子群全局優化算法相結合(CNN-PSO)的跨境供應鏈風險預警模型，優化傳統CNN訓練下BP算法無法達到全局最優的問題，以達到更準確地對跨境供應鏈風險預警的目的。

1 跨境供應鏈風險指標體系的建立

1.1 指標選取

供應鏈的鏈式結構導致其風險遍布整個系統，跨境供應鏈涉及全球化的采購、銷售及運輸，同時受異國間政策與社會等環境的影響，因此跨境供應鏈更加脆弱，運作風險更大，管理難度也更大。本研究通過文獻總結[11,17-20]和與跨境物流領域專家及跨境物流公司訪談的方式對跨境供應鏈風險指標進行了劃分，其中一級風險因素3個，二級風險因素12個，風險指標23個。具體內容如表1所示。

表1 跨境供應鏈風險指標Tab.1 Cross-border supply chain risk indicators

1.2 數據處理

(1)

(2)

2 模型描述

2.1 卷積神經網絡(CNN)

卷積神經網絡(CNN)的一般結構由5層構成，有時也會加上激勵層。CNN中的卷積層上覆蓋著眾多神經元，神經元對輸入的指標數據特征進行感知提取，初始卷積層只能提取數據的局部特征，隨著逐層的特征提取，獲得更復雜全面的跨境供應鏈風險指標特征。卷積層輸出計算公式為：

(3)

式中，Xin為卷積層的輸入；Xout為卷積層的輸出；Fi為卷積核的數量；Wi為卷積核權重參數矩陣；b為偏差量。

將跨境供應鏈風險指標數據輸入CNN神經網絡，采用Sigmoid型函數作為神經元激勵函數，以此再得到跨境供應鏈風險指標特征矩陣。Sigmoid非線性連續函數表達式為：

(4)

池化層操作的主要目的是簡化卷積層的輸出，一般的池化層規模為2×2，池化層的算法有很多種，本研究創建的CNN-PSO模型池化規模為1×2，采用最大池化運算法。

2.2 lncRNA ASB16-AS1在膠質瘤組織中明顯上調且與分期分級顯著相關 lncRNA ASB16-AS1在TCGA數據庫中已表現為明顯上調。我們在臨床膠質瘤標本中用qRT-PCR技術檢測lncRNA ASB16-AS1的表達，結果顯示lncRNA ASB16-AS1的表達量和WHO 高低分級成顯著相關(見圖1C)，這顯示了lncRNA ASB16-AS1增加趨勢下患者WHO分期也呈遞增趨勢。在組織標本中的ROC曲線(見圖1D)曲線下面積達到0.94，這與TCGA數據相符。

2.2 PSO算法

粒子群算法(PSO)是一種全局尋優的生物啟發式算法，原理是每個粒子根據自己與整個粒子群的尋優經驗來決定下一步的路徑。假設在d維的鳥群捕食空間里，種群包含n個粒子，其中Xi=[xi1,xi2，…，xid]為第i個粒子在d維捕食空間里的位置，即待求解問題的1個隱藏解。Vi=[vi1,vi2，…,vid]為第i個粒子的速度，初始化變量pbest為目前粒子所找到的最優解，gbest為目前整個粒子群找到的最優解，分別表示為Pi=[pi1,pi2，…,pid]與Gi=[gi1,gi2，…,gid]。根據前面的分析可以寫出下面的公式。

在d維空間里，粒子群算法中粒子i的速度與位置的更新公式為：

(5)

粒子群算法中粒子i的位置的更新公式為：

(6)

式中，ω為慣性權重系數，其取值關乎CNN-PSO(卷積神經網絡粒子群)模型的尋優能力,本研究模型仿真試驗中ω按文獻[21]系數取值為0.5；上標k-1與k為粒子從k-1次飛行操作到下一次飛行操作的過程；c1和c2分別為個體與社會學習因子參數，本研究CNN-PSO預警模型中取c1=1.7，c2=1.5，維度設置為20；Rand(0,1)為[0,1]之間的隨機函數。

2.3 CNN-PSO跨境供應鏈風險預警模型

本研究基于粒子群優化算法(PSO)對CNN卷積神經網絡進行優化，得到跨境供應鏈卷積神經網絡粒子群(CNN-PSO)風險預警模型，構建的CNN-PSO跨境供應鏈風險預警模型架構主要包括3個部分：(1)將指標數據進行歸一化處理，最終預處理為結構化數據。(2)運用CNN卷積層對機構化的數據進行特征提取，挖掘跨境供應鏈風險變化內在聯系，形成高維度表征的特征集合。(3)以高維度為輸入，運用PSO全局優化算法對跨境供應鏈風險進行分級預警。如圖1所示。

圖1 CNN-PSO預警模型Fig.1 CNN-PSO pre-warning model

CNN-PSO模型利用PSO對CNN特征提取的參數進行訓練，首先需要對進行訓練的影響指標參數編碼。目前常規的編碼方式有向量編碼與矩陣編碼，本研究使用向量編碼策略進行編碼[21]，該編碼策略原理在于將粒子與向量進行比較，具體公式為：

(7)

(8)

運用向量編碼策略對參數進行編碼并得到編碼矩陣后，將粒子逐一映射到CNN神經網絡每層的權值與閾值，通過式(8)求解得到平均絕對誤差：

(9)

3 仿真與分析

根據跨境供應鏈風險指標體系創建23個輸入節點，1個輸出節點，參考LetNet-5網絡結構設定CNN-PSO網絡結構，設置2個卷積層，2個池化層，卷積核個數為1×2，池化層采樣尺寸為1×2，如圖2所示。

圖2 卷積神經網絡特征提取過程Fig.2 Convolutional neural network feature extraction process

根據隱含層節點經驗公式確定隱含層節點數v1：

(10)

式中，c為神經元的輸出數量；f為1～10的常數；v為輸入節點數。

3.1 數據獲取

根據跨境運輸風險指標中的定量指標，結合文獻[11，22-24]中的相關數據，并通過專家給定取平均值的方法獲取風險指標體系表中3個定性數據，共獲取了跨境供應鏈相關數據77組。將45組跨境供應鏈風險數據代入CNN-PSO中進行訓練，其余數據組用作預警比對。并根據上述文獻對跨境供應鏈的風險級別進行分級。該分級較細致，也對預警結果敏感，如表2所示。

表2 跨境供應鏈風險分級Tab.2 Cross-border supply chain risk classification

3.2 數據訓練與測試

為了驗證CNN-PSO模型對跨境供應鏈風險預警的有效性與優越性，在應用MatlabR2016a軟件的同時，對支持向量機(SVM)、高斯過程回歸(GPR)、Elman神經網絡(ENN)模型的跨境供應鏈風險預警結果進行對比，結果如圖3所示。

圖3 風險預警值對比(45組)Fig.3 Comparison of risk pre-warning values(45 groups)

從圖3可以明顯看出，在訓練數據為45組的情況下，CNN-PSO的預警值自始至終與實際風險值的擬合效果都很好，SVM的預警效果次之，GPR與ENN的預警效果都較差，GPR隨著迭代次數的增加擬合效果漸漸好轉，而ENN則隨著迭代次數的增加擬合效果沒有太大改變。這體現出CNN-PSO在特征提取與訓練參數上的高效率。為更直觀地判斷出4種預警模型的預警效果，用預警誤差對4種預警模型進行對比，如圖4所示。

從圖4可知，CNN-PSO的跨境供應鏈風險預警誤差最小，達到了-5%～5%，SVM預警誤差與GPR預警誤差相差不大，分別達到-20%～15%與-10%～30%，ENN預警誤差最大，為-50%～20%。從試驗結果可以發現，在訓練數據只有45組時，除了CNN-PSO預警模型基本訓練成熟達到較小的誤差，已經達到了風險預警的目的與標準，其他3種方法都因訓練數據的不足而導致誤差較大，無法適用到跨境供應鏈風險預警中來。可以看出，與其他預警法相比，CNN-PSO對于跨境供應鏈風險的預警最為穩定，具有穩定性強、操作時間短、適用性強的特點。再依照跨境供應鏈風險等級(表2)，對比其他算法，對CNN-PSO在跨境供應鏈風險等級劃分中的表現進行研究，結果如表3所示。

圖4 預警誤差對比(45組)Fig.4 Comparison of pre-warning errors(45 groups)

從表3 可知，CNN-PSO對跨境供應鏈風險預警的準確度依舊最高，達到了96.9%，遠遠高于其他主流預警模型，唯一的誤判是將第5組數據中等風險預警為低風險，將實際風險值0.421預警為0.383 7，但由于此時風險值在區間邊緣，按風險值換算誤差僅有0.037 3，在可容忍范圍內。

增加訓練數據，對63組跨境風險供應鏈數據進行訓練，其余數據組用作預警對比，同樣比較4種預警模型的擬合程度，結果如圖5所示。

對比圖3、圖5可知，隨著訓練數據的增多，CNN-PSO模型依舊保持著穩定的擬合結果，而SVM與GPR的風險預警值與實際值的擬合曲線明顯更加貼合，ENN擬合效果依舊不理想。可以明顯看出，訓練數據的組數與預警模型預警準確度成正比，更能體現出CNN-PSO無需過多訓練數據即可準確預警風險的優勢。運用誤差對比圖來進行更直觀的分析，見圖6。

從圖6可知，訓練數據增多后，CNN-PSO的預警誤差依舊穩定且最小，達到-4%～5%。對比SVM與GPR(圖4與圖6)發現，隨著訓練數據的增多，預警誤差顯著縮小，分別達到-5%～15%與-15%～10%，ENN的預警誤差仍然最大，為-50%～10%。可以看出，隨著訓練數據的增多，雖然各預警模型的誤差均變小，但其中CNN-PSO模型預警準確率仍

表3 跨境供應鏈風險等級預警對比(45組)Tab.3 Comparison of predicted cross-border supply chain risk levels(45 groups)

圖5 風險預警值對比(63組)Fig.5 Comparison of risk pre-warning values(63 groups)

圖6 預警誤差對比(63組)Fig.6 Comparison of pre-warning errors(63 groups)

然最高，也最穩定。對風險等級預警進行對比，見表4。

可以看出，訓練數據增多后，SVM與GPR的預警性能顯著提高，但CNN-PSO對于跨境供應鏈風險的預警準確率已經達到100%。

4 結論

(1)本研究構建的CNN-PSO跨境供應鏈風險預警模型通過利用PSO全局優化算法對CNN進行優化，代替常規BP算法，避免了陷入局部最優的問題，可有效應用于跨境供應鏈風險預警中。

(2)2次試驗分別取45組與63組訓練數據，CNN-PSO的預警誤差分別為-5%～5%與-4%～5%。對比另外3種預警模型可以看出，本研究建立的CNN-PSO模型更具有穩定性。

(3)對比2次試驗結果，明顯發現CNN-PSO無需過多訓練數據即可達到準確預警的目的，說明其訓練速度快、效率高。

(4)本研究構建的CNN-PSO跨境供應鏈風險預警模型除了在風險值預警中將誤差保持在5%左右外，在將預警結果映射到跨境供應鏈風險等級表中時，該模型的表現更好更準確。當訓練數據較少時，其預警準確度便已達到96.9%，高出排名第2的SVM模型18.8%。當訓練數據增多，SVM與GPR模型準確率提升到83.3%時，CNN-PSO風險預警準確率已經達到100%。

表4 跨境供應鏈風險等級預警對比(45組)Tab.4 Comparison of predicted cross-border supply chain risk levels(45 groups)