王宏刚，王一蓉，于 宙，李君婷，孙 妮

(国家电网有限公司大数据中心，北京 100032)

随着经济全球化和化工、电力等企业的快速发展，供应链的风险事故不断，例如邮轮泄露事故、口蹄疫、战争、氯气泄露事件等，使得企业所面临的经营环境发生了本质化的改变，给供应链造成了巨大的冲击，包括许多化工企业因供应链的瓦解而破产倒闭。此类事故不但给化工供应链上下游企业带来重大损失，同时也给周围环境和生命安全带来不可估量的损失[1]。因此，对供应链风险进行检测评估，对保证供应链安全和促进供应链的绿色可持续发展具有重要意义。此外对提高化工行业竞争力和保护社会环境和生命财产安全具有非常重要的实际意义。随着互联网时代和大数据时代的到来，供应链体系发生了一系列的深刻变化，随着供应链一体化程度的提高，化工、电力等企业面临诸如商品风险、网络安全漏洞或自然灾害等系统性风险的可能性也越来越大[2-3]。因此，研究大数据环境下的企业供应链风险检测具有非常重要的理论意义和实际价值。

为实现供应链风险的快速和高精度的检测，本文在风险管理实践的基础上，提出基于大数据技术的供应链风险检测方法。首先，通过层次分析法建立供应链风险等级评价指标体系；
之后，支持向量机的参数设置对其性能的影响，运用沙丘猫群算法[4](SCSO)优化SVM模型参数，提出一种基于SCSO-SVM的供应链风险检测方法。

为实现供应链风险检测，建立供应链风险特征指标是前提条件。本文在现有的采购风险管理模式分析中，结合相关文献的采购实践活动[5-6]，提出一种基于外部风险(环境风险、竞争风险)、外部风险(道德风险、财务风险和交付风险)和管理风险(内部管控风险)的供应链风险特征评价指标。

环境风险：供应商是否被政治、经济或者政策影响。

竞争风险：供应商面临新领域、新技术、新产品、新的商业模式的竞争性如何。

道德风险：供应商是否诚信、是否遵守法律法规并承担社会责任的企业。

财务风险：供应商会因为遇到财务困难或者危机而导致产品和服务无法交付。

交付风险：供应商是否能够基于友好的合作按时交付质量过关的产品和服务。

内部管控风险：是否有完善的、有效的内部管理机制和系统。

SCSO算法是模拟沙丘猫生存行为而提出的仿生算法，主要模拟了沙丘猫的搜寻猎物行为和攻击猎物行为[4]。

2.1 初始化种群

假设沙丘猫的种群规模为N，所要优化问题的维数为d，搜索空间上下限分别为ub=[ub1,ub2,…,ubd]T和lb=[lb1,lb2,…,lbd]T，SCSO算法按照式(1)进行种群随机初始化。然后，就目标函数对每一只沙丘猫进行适应度评估，选择出最优的沙丘猫个体，其他的个体向该个体移动。

XN×d=rand(N,d)×(ub-lb)+lb

(1)

式中：XN×d为沙丘猫位置矩阵；
rand(N,d)为N×d维的随机向量。

2.2 搜寻猎物(探索)

(2)

(3)

(4)

(5)

2.3 攻击猎物(利用)

(6)

2.4 探索和利用

(7)

式中：当|R|≤1时，强制搜索代理进行攻击猎物(利用)；
当|R|>1时，强制搜索代理进行搜索猎物(探索)。

3.1 SVM模型

SVM数学模型为[7]：

(8)

拉格朗日乘子代入公式(8)可以求解出SVM分类数学模型为：

(9)

式中：K(xi,xj)为RBF核函数。

(10)

3.2 SCSO-SVM的供应链风险检测

SVM模型参数直接影响模型的性能。惩罚参数C数值越大，SVM模型容易过拟合；
反之，SVM模型容易欠拟合。核函数参数g数值越小，SVM模型泛化性能越好；
反之，泛化性能越差。为提高供应链风险检测的精度，运用SCSO算法优化选择SVM模型参数，提出一种基于SCSO-SVM的供应链风险检测模型。首先，将供应链的风险探测资料分为培训与检验；
在此基础上，应用SCSO算法进行训练。SVM模型的参数组合(C，g)建立基于SCSO-SVM的供应链风险检测模型；
最后，将最佳参数组合(C，g)代入SVM模型进行供应链风险检测测试。基于SCSO-SVM模型的供应链风险检测模型算法步骤描述如下：

Step1：读取供应链风险检测数据，归一化处理，并划分训练数据和测试数据：

(11)

式中：xmax、xmin分别为数据特征的最大值与最小值；
LB、UB分别为归一化处理后数据特征的最小值与最大值，取LB=-1,UB=1；
x、xnew分别为原始特征数据与归一化处理之后的特征数据。

Step2：设定SCSO算法参数，最大迭代次数Tmax、搜索维数D、种群规模N，文中优化SVM模型的惩罚因子C和核函数参数g，因此D=2；
C和g搜索空间分别为[Cmin,Cmax]和[gmin,gmax]；
随机产生沙丘猫初始种群个体，每个沙丘猫种群个体位置为SVM模型参数组合(C,g)。

Step3：根据式(12)计算沙丘猫个体适应度；

(12)

式中：acck为第k折计算出的准确度；
ACC为K折交叉验证的平均准确度。

Step4：在[0°,360°]产生一个随机角度，当|R|≤1时，强制搜索代理进行攻击猎物(利用)；
当|R|>1时，强制搜索代理进行搜索猎物(探索)。

Step5：判断算法终止条件，若当前迭代次数t>Tmax，则算法终止，输出全局最优位置即对应SVM模型的最优参数组合(C*,g*)；
反之，返回Step3～Step4迭代优化。

Step6：运用SVM模型的最优参数组合(C*,g*)对测试数据进行供应链风险检测。

4.1 数据来源

结合供应商分类分级研究成果，全面收集供应商的外部资料，包含供应商注册资料、税务资料、财务资料等；
社会保障信息，业务信息，企业关系信息，司法诉讼信用信息等[8-9]，检验和分析供应商的风险。运用层次分析法从外部风险(环境风险、竞争风险)、外部风险(道德风险、财务风险和交付风险)和管理风险(内部管控风险)等方面构建出供应商风险检测指标体系[10]。供应商风险检测评价指标数据和供应商风险等级由专家咨询问卷调查法获取，专家组成员包括：供应链21名管理专家，9名风险管理专家，20名专家，精通供应链管理的专家、风险评价模型以及风险管理理等相关领域内容，共回收有效问卷50份；
供应链风险等级如表1所示。

表1 供应链风险等级评价标准Tab.1 Supply chain risk rating evaluation criteria

4.2 结果与分析

4.2.1参数设置

为了检验SCSO-SVM模式在供应链中的应用效果和可信度，设置不同的模型参数：(1)SCSO算法：群体大小N=20，迭代最大值Tmax=50。(2)粒子群算法(PSO)：群体大小N=20，迭代最大迭代次数Tmax=50，学习因子c1=c2=2，惯性权重w=0.2；
(3)遗传算法[12-15](GA)：种群规模N=20，最大迭代次数Tmax=50，变异概率pm=0.1，交叉概率pc=0.7；
(4)萤火虫算法(FA)：萤火虫数量N=10，最大迭代次数Tmax=50，初始吸引度β0=1和步长因子α=0.5。训练集和测试集的评价精度如表2所示；
寻优曲线对比图和运行10次的ACC折线图分别如图1和图2所示。

表2 不同模型评价结果Tab.2 Evaluation results of different models

图1 寻优曲线对比图Fig.1 Comparison of optimization curves

图2 运行10次的ACC折线图Fig.2 ACC polygraph with 10 runs

4.2.2结果分析

由表2可知，在训练集和测试集上，SCSO-SVM的准确率分别为92.02%和81.69%，优于PSO-SVM的90.80%和78.87%，GA-SVM的89.57%和76.06%以及SVM的88.96%和74.65%。与单独的SVM模型相比，SCSO-SVM的供应链风险检测的准确率分别提高了3.06、7.04个百分点，从而说明SCSO-SVM可以有效提高供应链风险检测的精度[16-20]。

从图1可以看出，与FA-SVM、PSO-SVM和GA-SVM相比，SCSO-SVM进行供应链风险检测的收敛速度更快，适应度值更低，效果最好。从图2可以看出，不同算法各独立运行10次，从整体上来看，SCSO-SVM进行供应链风险检测的准确率体明显优于SVM、GA-SVM、PSO-SVM和FA-SVM，其中SVM进行供应链风险检测的准确率最低。

为了进步说明SCSO-SVM进行供应链风险检测的有效性，将SCSO-SVM与随机森林回归(RFR)、网格搜索优化随机森林回归(Grid- RFR)和粒子群优化随机森林回归(PSO- RFR)进行对比，对比结果如表3所示。

表3 不同算法供应链风险检测结果Tab.3 Supply chain risk detection results of different algorithms

由表2可知，SCSO-SVM模式的供应链风险在培训集合和测验集合中具有最好的识别精度。在评价指标准确率、精准率、召回率和Fscore这4个评价指标上，SCSO-SVM均优于PSO-RFR模型、Grid-RFR模型和RFR模型，从而验证了SCSO-SVM进行供应链风险检测的有效性和可靠性，为供应链风险检测提供了新的方法。

针对支持向量机参数设置对供应链风险水平的影响。提出一种基于沙丘猫群算法(Sand Cat Swarm Optimization，SCSO)优化SVM的供应链风险等级检测方法。研究结果表明，SCSO-SVM可以有效提高供应链风险检测的精度，为供应链风险检测提供了新的方法。

猜你喜欢沙丘猎物供应商蟒蛇为什么不会被猎物噎死青少年科技博览（中学版）(2022年9期)2022-11-01沙丘新世纪智能(英语备考)(2019年12期)2020-01-13会弹琴的沙丘快乐语文(2019年14期)2019-08-07可怕的杀手角鼻龙第二课堂(小学版)(2019年7期)2019-07-16沙丘新高考(英语进阶)(2017年3期)2017-05-04霸王龙的第一只大型猎物金色少年(奇趣科普)(2017年1期)2017-03-03你是创业圈的猎人还是猎物中国科技信息(2016年12期)2016-08-29国庆记忆读者(乡土人文版)(2015年10期)2015-12-13供应商汇总中国洗涤用品工业(2015年8期)2015-02-28供应商汇总中国洗涤用品工业(2015年6期)2015-02-28