供应链风险发生大小、发生与持续时间的估计:一个动态贝叶斯的推理网络研究范式
开篇：润墨网以专业的文秘视角，为您筛选了一篇供应链风险发生大小、发生与持续时间的估计:一个动态贝叶斯的推理网络研究范式范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
文章编号：1001-148X（2016）08-0163-08
摘要：供应链风险具有多源性、多维性、传递性以及动态性的特点，准确评估其发生的概率以及发生与持续时间的可能性非常关键。为了实现这一目标，本文根据供应链风险的特征，构建了一个动态贝叶斯网络模型，利用极大似然法对该模型参数进行估计，并采用贝叶斯推理的方法估计特定条件下供应链风险的特征，结果发现供应链风险随着时间动态变化，但都收敛到一个稳定的概率区间。
关键词：供应链风险；可能性；发生时间；持续时间
中图分类号：F274文献标识码：A
收稿日期：2016-05-05
作者简介：郑小京（1975-），男，陕西白水人，哈尔滨商业大学商业经济研究院副研究员，管理学博士，研究方向：供应链管理。
基金项目：黑龙江省哲学与社会科学基金项目，项目编号：11D071；黑龙江博士后科研基金项目，项目编号：LBH-Z15109；哈尔滨商业大学博士科研启动基金项目，项目编号：13DW007。
对风险评价的本质在于试图分析风险发生的统计规律，因为统计规律可以发现其关键的可控风险因素，以及风险因素与风险之间的一个基本映射关系。但是，如果考虑风险的动态性，这些结果就很难描述供应链风险的多源性、多维性以及相互交叉性、传递性、动态性、非线性。本文拟构造一个供应链风险动态贝叶斯网络评估模型，通过这一模型分析供应链中若干风险之间的关系、若干风险可能的发生时间以及一旦发生可能持续的时间，试图得到一些有价值的结论。
一、供应链风险的特征及其贝叶斯网络刻画
如文献[1]、[5]、[12]所述，供应链风险具有高度的多源性和多维性，其风险因素与供应链若干风险之间形成非常复杂的关系，这种关系可以用一个贝叶斯网络来描述。
（一）供应链风险贝叶斯网络模型
根据供应链风险系统的特征，我们构建一个对应的供应链风险动态贝叶斯网络推理模型，描述供应链风险因素变化可能导致的供应链风险的性质、特征、状态及其变化。根据郑小京（2015）的研究成果，在分析的过程中，我们主要考虑以下风险的发生时机、发生可能性、持续时间所满足的性质：供应链核断裂、资金流断裂、物流断裂、牛鞭效应、道德风险、双重边际化。其中，关键可控的风险因素与重要风险及其关系用图1的贝叶斯网络模型来描述。
图1中，每个节点表示一种风险因素或风险事件，箭头表示他们之间的因果关系。这些节点的涵义依次为供应商可靠性随机、互补品随机扰动、替代品随机扰动、产品结构复杂性、供应链结构复杂性、非常规突发事件驱动的需求突变、供应商认可/选择不当、产品需求随机、产品需求分布特征变化、生产系统随机、信息共享结构不当、供给订单随机、生产过程序列随机、延迟制造随机性、生产成本方差随机、订单分配随机、合作预测无效、信息自身真实性随机、信息传递的扭曲程度、功能型产品信息管理系统崩溃、流行型产品信息管理系统崩溃、价格不确定、供应商库存管理无效、产品分派机制随机、供给契约参数随机波动、产品分派机制崩溃、供给契约中断、供应链核断裂、供应链网络崩溃、物流中断、双重边际化效应、牛鞭效应、资金链断裂、道德风险。通过贝叶斯网络，我们可以得到各个风险因素与风险之间错综复杂的关系以及对应的概率关系，这使得对供应链风险进行比较准确的估计有了数学基础。
实际上，供应链中风险因素对风险的影响表现出极强的非线性，不仅影响强度表现为随机时变性，而且风险因素结构与性质也具有随机时变性――在一开始对供应链风险影响较为重要的因素，当供应链发展到一种伪平衡状态时，这些因素将不是导致其爆发的关键因素，而可能是其中一个微不足道的因素的微弱变化将会导致供应链崩溃。本文所构造的动态贝叶斯网络模型完全可以描述这一供应链风险的动态性以及非线性特征，并通过分析把握供应链风险参数的性质，对这些供应链风险的参数进行推理，实现真正的评估。
（二）供应链风险动态贝叶斯网络模型
为了分析方便，不妨假定每一个风险因素或风险事件有三个状态：发生态、临界态以及未发生态，在不同的时间，它可以按照一定的规律由一种状态切换到另外一种状态上。如果能把握这一风险事件发生时间以及持续时间的可能性大小，供应链风险评估的准确性与科学意义就得以很大的提高。文献[13]构造了一个类似的模型，描述了一个简单的链状贝叶斯网络，但供应链风险贝叶斯模型比其复杂得多，且我们考虑的参数也有一些变化。
如前所述，供应链风险的发生与因素的状态有关系，而供应链风险因素的状态只有三种，即发生、不发生、临界态。一旦发生，将会引起下一个因素的变化，这种变化在供应链网络中进行传播，最终导致了供应链风险的非线性迭加效应――供应链风险复杂且具有较大的随机性。不妨假定供应链风险因素都不发生为供应链的第一种状态――未被激活的状态；供应链风险因素全都发生这一现象为第三种的状态――完全激活的状态；供应链风险因素处于临界状态这一现象为第二种状态――完全随机的状态。这三个状态中，从其中某一个供应链风险因素没有变化到随机变化，有下列参数可以描述：风险因素的状态、从一个状态到另外一个状态的持续时间、从一个状态切换到另外一个状态的概率等。
下面我们重点分析一下供应链风险因素的这三种状态。发生态表示风险因素完全偏离了正常的状态，未发生态表示风险因素处于正常状态，而对于临界态，直接描述比较困难，我们给出一个直观的描述方式。临界态其实指的是这一风险因素随时都可能偏离正常状态，这是一个不稳状态。徐绪松和郑小京（2012，2013）对供应链道德风险中的因素以及道德风险的临界状态进行了分析，这一结果以及分析过程可以测定在整个供应链风险系统中风险因素是否处于临界状态。
由于风险影响因素的重要性随着系统状态、环境的变化而不断变化，因此就某一特定的风险因素或风险事件而言都是对应的随机过程，不妨假设这一系统满足下列条件：
[2]Claudia Colicchia and Fernanda Strozzi. Supply chain risk management： a new methodology for a systematic literature review[J].Supply Chain Management： An International Journal， 2012，17（4）： 403-418
[3]George A. Zsidisin， Bob Ritchie. Supply Chain Risk Management -Developments， Issues and Challenges[C].1-12. George A. Zsidisin， Bob Richie， Supply Chain Risk： A Handbook of Assessment， Management， and Performance. Springer Science+Business Media， LLC， 2009.
[4]Teresa Wu， Jennifer Blackhurst， Vellayappan Chidambaram.A model for inbound supply risk analysis[J].Computers in Industry，2006，57： 350-365.
[5]马建华，艾兴政，唐小我.多源不确定性因素下两阶段动态供应链的风险绩效[J].系统工程理论与实践，2012，32（6）：1222-1231.
[6]李民，黎建强. 基于模拟方法的供应链风险与成本[J].系统工程理论与实践，2012，32（3）：580-588.
[7]Steven A. Melnyk， Alexander Rodrigues， and Gary L. Ragatz. Using Simulation to Investigate Supply Chain Disruptions[C].103-122.George A. Zsidisin， Bob Richie， Supply Chain Risk：A Handbook of Assessment， Management， and Performance， Springer Science+Business Media， LLC， 2009.
[8]Bjrn Egil Asbjrnslett. Assessing the Vulnerability of Supply Chains[C].15-34. George A. Zsidisin， Bob Richie，Supply Chain Risk： A Handbook of Assessment， Management， and Performance， Springer Science+Business Media， LLC， 2009.
[9]Jukka Hallikas and Jari Varis. Risk Management in Value Networks[C].35-52. George A. Zsidisin， Bob Richie，Supply Chain Risk： A Handbook of Assessment， Management， and Performance， Springer Science+Business Media， LLC， 2009.
[10]Mohd Nishat Faisal， D.K. Banwet and Ravi Shankar. Mapping supply chains on risk and customer sensitivity dimensions[J].Industrial Management & Data Systems，2006，106（6）： 878-895
[11]Jennifer V. Blackhurst， Kevin P. Scheibe and Danny J. Johnson. Supplier risk assessment and monitoring for the automotive industry[J].International Journal of Physical Distribution & Logistics Management，2008，38（2）： 143-165.
[12]Archie Lockamy III， Kevin McCormack. Modeling supplier risks using Bayesian networks[J].Industrial Management & Data Systems，2012，112（2）： 313-333.
[13]杜友田，陈峰，徐文立.基于多层动态贝叶斯网络的人的行为多尺度分析及识别方法[J].自动化学报，2009，35（3）：225-232.