高質(zhì)量發(fā)展視角下陜西蘋果供應鏈安全風險質(zhì)量關(guān)鍵點預警研究

基金項目：陜西省軟科學研究計劃-一般項目（2024ZC-YBXM-067）；陜西省哲學社會科學研究專項智庫項目（2024ZD483）；西安市社會科學規(guī)劃基金課題（23JX167）

摘 要：本文基于高質(zhì)量發(fā)展視角，對蘋果供應鏈質(zhì)量檢測風險進行更深層次的關(guān)鍵點預警。文章選取具有時間序列的隱馬爾科夫鏈（HMM）模型對關(guān)鍵點進行研究，將數(shù)據(jù)分類結(jié)果和預警信號燈結(jié)合，運用Baum Welch算法對GRA-ISM-HMM模型進行訓練，構(gòu)建陜西省蘋果質(zhì)量檢測檢驗風險預警模型。最后，通過訓練得到的預警模型，將任意檢測結(jié)果帶入模型，通過風險預警燈光信號結(jié)果分析，實現(xiàn)蘋果供應鏈質(zhì)量關(guān)鍵點預警。

關(guān)鍵詞：蘋果供應鏈；質(zhì)量檢測風險關(guān)鍵點；GRA-ISM-HMM預警模型；關(guān)鍵點預警

隨著社會發(fā)展和生活水平的顯著提升，人們越來越追求高品質(zhì)的蘋果。過量使用農(nóng)藥和農(nóng)戶操作不當以及運輸過程中物理性和生物性污染等原因，造成蘋果質(zhì)量達不到高品質(zhì)標準。如今，對蘋果質(zhì)量的研究主要在質(zhì)量檢測方法和限值、現(xiàn)狀與超標之后的解決方法上，然而質(zhì)量指標都在限值內(nèi)，綜合結(jié)果也會產(chǎn)生嚴重質(zhì)量風險。以上問題使得陜西省蘋果的利潤降低，增加了企業(yè)的風險，尤其涉及檢查檢疫不合格問題，嚴重制約陜西省蘋果供應鏈的高質(zhì)量發(fā)展。如何采取有效方法對質(zhì)量檢測風險關(guān)鍵點進行預警是當前陜西省供應鏈高質(zhì)量發(fā)展的重點。

潘洋（2009）將SVM-HMM方法應用于語音識別系統(tǒng)研究，通過支持向量機對數(shù)據(jù)指標進行分類，根據(jù)分類結(jié)果構(gòu)建HMM模型初始狀態(tài)。劉宇姍（2016）將聚類分析與HMM方法應用于食品安全預警領域，首先對數(shù)據(jù)進行聚類，根據(jù)聚類結(jié)果初始化HMM模型，根據(jù)結(jié)果分析，該方法有較好的預警效果。邢曉雙（2014）將GRA-ISM-HMM方法應用于電信技術(shù)領域，預測了認知無線電中頻譜。王婷（2017）根據(jù)風險識別，利用ISM賦值權(quán)重，運用HMM評估了研究對象的風險。崔仕穎（2020）運用GRA-ISM-HMM方法評估了滅菌乳食品。故本文引用崔仕穎論文中探索的成功評估滅菌乳食品安全風險的GRA-ISM-HMM方法對蘋果質(zhì)量檢測風險關(guān)鍵點進行預警研究。

一、GRA-ISM-HMM預警模型

1.灰色關(guān)聯(lián)度（GRA）

設參考向量為：

（1）

n為樣本個數(shù)，比較向量為：

（2）

m為所有指標個數(shù)，每個指標輪流作為參考序列。對m組指標運用Z-score標準化方式，進行歸一化處理，消除量綱的影響，處理公式如下所示：

（3）

k時刻的yi（k）和y0（k）的灰色關(guān)聯(lián)系數(shù)如下所示：

（4）

2.解釋結(jié)構(gòu)模型法（ISM）

根據(jù)ISM模型的定義，指標的可達集為可達矩陣中該指標行可達矩陣值為1的對應列，指標的先行集為可達矩陣中該指標列可達矩陣值為1的對應行，由此求得第一層級L1、各元素的可達集Si、先行集Bj以及Si∩Bj，通過可達集、先行集和其交集可以得到影響因子的分級結(jié)果。

3.隱馬爾科夫模型（HMM）

從原理上研究，它是一個有向雙重隨機過程，用來描述狀態(tài)不可見的馬爾科夫過程。隱馬爾科夫模型在供應鏈質(zhì)量關(guān)鍵點預警領域中，可以根據(jù)觀測序列，通過viteribi training和Baum-Welch算法得到訓練模型，之后根據(jù)觀測序列和訓練模型得到不可見的狀態(tài)序列，最終實現(xiàn)蘋果供應鏈質(zhì)量關(guān)鍵點動態(tài)預警。

二、蘋果供應鏈質(zhì)量安全風險關(guān)鍵點預警模型

本文預警模型簡要概括為以下三個步驟：（1） 收集海關(guān)檢驗檢測結(jié)果并對檢測結(jié)果進行原始數(shù)據(jù)處理；（2） 通過灰色關(guān)聯(lián)度（GRA）建立指標質(zhì)檢關(guān)聯(lián)系數(shù)，再解釋結(jié)構(gòu)模型計算指標權(quán)重，得到HMM初始狀態(tài)，然后將預警區(qū)間與預警燈光信號結(jié)合，對分層后的數(shù)據(jù)利用Baum-Welch訓練得到隱馬爾科夫預警模型；（3） 將檢測結(jié)果帶入構(gòu)建的HMM預警模型中，對預警結(jié)果進行分析后，提出相應解決方案并將預警結(jié)果和解決方案反饋給供應鏈質(zhì)量相應節(jié)點成員。

1.數(shù)據(jù)指標關(guān)聯(lián)度

本文研究使用數(shù)據(jù)來自陜西省某技術(shù)中心2018年11月到2020年11月的蘋果檢測檢驗報告數(shù)據(jù)。去除無關(guān)指標后，選取與質(zhì)量相關(guān)的指標數(shù)據(jù)，得到14個指標，通過標準資料查詢各自的測量標準。通過數(shù)據(jù)整理，總共獲得300份檢測報告數(shù)據(jù)，根據(jù)標準化處理數(shù)據(jù)后，每個指標輪流用作一次參考序列，其余指標用作比較序列，可以得到指標之間的相關(guān)系數(shù)矩陣，通過GRA包對處理后的數(shù)據(jù)進行灰色關(guān)聯(lián)系數(shù)處理可得到相關(guān)指標數(shù)據(jù)的關(guān)聯(lián)度。

2.數(shù)據(jù)指標權(quán)重

將結(jié)果數(shù)據(jù)用SPSS21.0軟件進行T檢驗分析，獲得相對應p值，根據(jù)軟件分析結(jié)果后，所有p都小于0.05，因此所有的相關(guān)系數(shù)都具有顯著性。本文欲研究指標之間的相關(guān)性，因此選擇中等相關(guān)強度的0.8作為閾值。根據(jù)閾值確定鄰接矩陣，當相關(guān)系數(shù)大于本文閾值0.8時，鄰接矩陣值為1，反之為0，以此得到鄰接矩陣，根據(jù)鄰接矩陣求解可達矩陣。

首先需要設對角線為1的對角矩陣：

（5）

然后根據(jù)公式：

（6）

得到，將每個可達值組成矩陣得：

（7）

根據(jù)鄰接矩陣及上述公式可得可達矩陣，根據(jù)可達矩陣，建立ISM模型。利用可達矩陣獲取ISM模型的可達集、先行集以及它們的交集后，對元素利用ggplot2軟件進行分層分析和數(shù)據(jù)分析，之后求取各個檢測指標的相關(guān)系數(shù)均值，并利用其分層結(jié)果權(quán)重，計算兩者乘積，獲得檢測指標權(quán)重。分層結(jié)果、每層指標所占的具體分層結(jié)果權(quán)重數(shù)值及指標權(quán)重如表1所示。

3.預警信號燈

本文結(jié)合5-標度法分類結(jié)果，通過對檢測數(shù)據(jù)與檢測指標的標準進行差值計算，得到相關(guān)差值數(shù)據(jù)結(jié)果，設置五種顏色的燈分別表示五個等級的風險水平，并根據(jù)差值數(shù)據(jù)結(jié)果得到風險區(qū)間，如表2所示。

三、Baum-Welch算法訓練關(guān)鍵點預警模型

對于初始化隱馬爾科夫鏈模型所需的初始矩陣、轉(zhuǎn)移概率矩陣數(shù)值均設為0.2，幾個矩陣分別如下：

使用Baum-Welch算法，利用Scientific Software Development-Dr.Lin Himmelmann和R軟件訓練隱馬爾科夫鏈模型。模型參數(shù)結(jié)果如下：

概率轉(zhuǎn)移矩陣-Baum-Welch

發(fā)射矩陣-Baum-Welch

使用蘋果檢測數(shù)據(jù)，結(jié)合訓練好的風險評估模型使用2018-11-01至2019-10-29之間一共149條蘋果檢測數(shù)據(jù)作為訓練集，結(jié)合Baum-Welch算法訓練好的風險評估模型，應用Viterbi算法進行模型評估，評估結(jié)果如圖1所示。使用2019-11-01至2020-12-01之間的檢測數(shù)據(jù)作為測試集，其預警結(jié)果如圖2所示。

四、實例分析——以陜西省某批次蘋果檢測檢驗結(jié)果為例

本節(jié)總共收集某批次蘋果中的10份樣本，樣本數(shù)據(jù)如表3所示。

根據(jù)預警模型，進行預警，結(jié)果如表4所示。

利用GRA-ISM-HMM對該10個樣本進行預警，其中樣本1，2，3，4和10出現(xiàn)黃燈以及風險程度更高的預警信號，表明這五個樣本具有潛在的安全隱患。

五、結(jié)語

本文利用GRA和ISM模型計算指標權(quán)重，選取Baum-Welch算法訓練HMM模型，得到絲路沿線蘋果供應鏈海關(guān)檢測檢驗質(zhì)量預警模型。根據(jù)實例分析預警結(jié)果與實測結(jié)果吻合度高，因此，預警模型達到預期效果。該模型具有以下優(yōu)勢：

（1） HMM模型由于其具有的時間特性，在針對陜西省蘋果質(zhì)量檢測檢驗結(jié)果中，可以較準確地得到預警結(jié)果。

（2） 在數(shù)據(jù)準確且歷史數(shù)據(jù)較充足的情況下，Baum-Welch算法訓練得到的HMM模型在陜西省蘋果供應鏈質(zhì)量關(guān)鍵點預警中具有較高實用價值。

該模型可以很好地適用于陜西省蘋果供應鏈質(zhì)量的預警。為高質(zhì)量發(fā)展視角下陜西省重要供應鏈——蘋果供應鏈質(zhì)量檢測檢驗關(guān)鍵點的預警防控提供了一定的理論依據(jù)和參考價值。

參考文獻：

[1]伍小紅.臭氧對蘋果的貯藏保鮮及農(nóng)藥殘留降解作用的研究[D].西安：陜西師范大學，2006.

[2]徐淑飛，邵麗，張靜，等.國內(nèi)外蘋果中農(nóng)藥最大殘留限量標準比較研究[J].食品安全導刊，2021（27）：169-170.

[3]潘洋.基于改進的HMM/SVM構(gòu)架的語音識別系統(tǒng)的研究[D].蘭州：蘭州大學，2009.

[4]劉宇姍.食品安全風險評估與預警方法研究[D].天津：天津科技大學，2016.

[5]邢曉雙.認知無線電網(wǎng)絡中的頻譜預測技術(shù)研究[D].北京：北京交通大學，2014.

[6]王婷.基于ISM-ANP的企業(yè)環(huán)境戰(zhàn)略決策模型研究[D].鄭州：鄭州大學，2017.

[7]崔仕穎.基于隱馬爾可夫模型的食品安全風險評估方法研究及應用[D].北京：北京化工大學，2020.

作者簡介：李永飛（1977— ），男，漢族，河南臨潁人，博士，副教授，研究方向：物流與供應鏈管理、電子商務、交通運輸規(guī)劃與管理、質(zhì)量管理。