基于貝葉斯網(wǎng)絡(luò)的應(yīng)急物流風險預(yù)測與控制研究

李柯+譚柱森+唐小艷

摘 要：基于因子分析確定影響應(yīng)急物流風險的因素，從事前、事中、事后三個環(huán)節(jié)拓展指標體系，并建立應(yīng)急物流風險的貝葉斯網(wǎng)絡(luò)模型。采用歷史數(shù)據(jù)進行實例分析，實現(xiàn)應(yīng)急物流風險預(yù)測以及應(yīng)急物流風險控制，預(yù)測出我國應(yīng)急物流發(fā)生風險的概率為15%，事中處理階段應(yīng)急物流發(fā)生風險的可能性最大，反向分析出資源協(xié)調(diào)能力是應(yīng)急物流風險控制的薄弱環(huán)節(jié)，是后期降低應(yīng)急物流風險的關(guān)鍵。為提升應(yīng)急物流能力、規(guī)避應(yīng)急物流風險提供了新的思路。

關(guān)鍵詞：因子分析；貝葉斯網(wǎng)絡(luò)；應(yīng)急物流風險

Abstract： Based on factor analysis to determine the factors that affects the risk of emergency logistics， determine the index system in the three parts of advance warning， dealing with the emergency and post recovery. Then establish emergency logistics risk Bayesian network model. Using historical data to carry on the example analysis， realizes the emergency logistics risk forecasting and the emergency logistics risk controlling. The occurrence probability of emergency logistics risk in our country is 15%， and it most likely occurs in the disaster processing stage. We can conclude that resource coordination ability is the weak link of emergency logistics risk control and the key to reduce the risk of emergency logistics from the reverse analysis， thus provided the new mentality for the promotion of emergency logistics ability， and to avoid the emergency logistics risk.

Key words： factor analysis； Bayesian network； emergency logistics risk

引 言

應(yīng)急物流是國家安全保障系統(tǒng)的重要組成部分。在經(jīng)濟建設(shè)過程中，應(yīng)對突發(fā)事件是不可避免的工作，特別是隨著人口的增加和城市化的增強，應(yīng)對突發(fā)事件對物流能力的要求更加苛刻。當突發(fā)事件發(fā)生后，受災(zāi)地區(qū)會在很短的時間內(nèi)產(chǎn)生巨大的資源需求，對應(yīng)急資源的準時性要求很高，所以應(yīng)急物流關(guān)系到突發(fā)事件應(yīng)急的效果。應(yīng)急物流包括了預(yù)警環(huán)節(jié)準備應(yīng)急物資，建設(shè)應(yīng)急物流網(wǎng)絡(luò)，完善應(yīng)急物流體系；也包括突發(fā)事件應(yīng)急過程中的資源運作，實現(xiàn)人員、設(shè)備、物資的迅速到位，搶救受災(zāi)的人、財、物，及時補充應(yīng)急所需的一切物資，盡量減少損失；還包括對受災(zāi)群眾和受災(zāi)區(qū)域的事后恢復(fù)，實現(xiàn)資源的合理供給，保障事后恢復(fù)工作的快速進行。

我國的應(yīng)急管理體制機制決定了我國在應(yīng)急物資上實行分級負責、屬地管理的方式，對應(yīng)急資源實行相對獨立的區(qū)域管理，具有自上而下的平行線性結(jié)構(gòu)，必然會導(dǎo)致補給線比較長、保障能力分散、中轉(zhuǎn)效率低等缺點。另外，應(yīng)急物流本身就是一個非常復(fù)雜的網(wǎng)絡(luò)，從應(yīng)急物資的前期儲備到突發(fā)事件發(fā)生后的應(yīng)急物資調(diào)運，以及事后恢復(fù)階段的應(yīng)急資源供應(yīng)，都會受到各種不可控因素的影響，最終可能導(dǎo)致應(yīng)急物流發(fā)生風險，損壞應(yīng)急資源的質(zhì)量以及降低應(yīng)急資源到達準時率，對突發(fā)事件的處理造成風險，最終危及人民群眾的生命和財產(chǎn)安全。因此，進行應(yīng)急物流風險的預(yù)測和風險控制具有重大的意義。

國內(nèi)外學者主要采用BP神經(jīng)網(wǎng)絡(luò)[1]、模糊綜合評價法[2]、粒子群算法[3]、AHP[4]、熵理論[5]等方法研究應(yīng)急物流風險，側(cè)重于應(yīng)急物流風險的評估和識別，缺乏對應(yīng)急物流風險的預(yù)警與控制策略的研究，因此實用性不強。貝葉斯網(wǎng)絡(luò)能夠很好地解決這一問題，國內(nèi)外學者利用貝葉斯網(wǎng)絡(luò)進行了大量的實證研究，在預(yù)測方面，裘江南等（2011）利用貝葉斯模型構(gòu)建通用的突發(fā)事件預(yù)測模型[6]， RA Sutrisnowati（2015）基于貝葉斯網(wǎng)絡(luò)建立了港口應(yīng)急物流風險預(yù)測模型[7]；在風險控制方面G Arroyofigueroa，LE Sucar（2013）基于貝葉斯網(wǎng)絡(luò)建立了故障診斷與風險控制模型[8]，白翠粉（2013）建立了基于3層貝葉斯（Bayes）網(wǎng)絡(luò)的綜合故障診斷方法[9]，諸如此類的研究證實了貝葉斯網(wǎng)絡(luò)在風險預(yù)測可控制上的可行性。本研究基于因子分析和貝葉斯網(wǎng)絡(luò)，找到應(yīng)急物流風險的影響因素，從事前、事中、事后環(huán)節(jié)入手，把影響因素分為人、機、料、法、環(huán)等維度，建立應(yīng)急物流風險貝葉斯網(wǎng)絡(luò)模型，詳細探討應(yīng)急物流風險的預(yù)測與控制。

1 貝葉斯定理與貝葉斯網(wǎng)絡(luò)

英國學者貝葉斯于18世紀提出了貝葉斯定理（Bayes' Theorem），貝葉斯定理也稱貝葉斯推理。假設(shè)B，B，…，B互斥且構(gòu)成一個完全事件，已知它們的概率PB， i=1，2，…，n，現(xiàn)觀察到某事件A與B，B，…，B相伴隨機出現(xiàn)，且已知條件概率PA|B，求PB|A。則：

通常把PA|B叫做B條件下，A的后驗概率，PB是B條件下的先驗概率，后驗概率比先驗概率包含更多的信息，可以用做故障排查與風險預(yù)測。

貝葉斯網(wǎng)絡(luò)（BN）是基于貝葉斯定理的分析工具，BN以圖形的模式描述了變量之間的概率關(guān)系，有向無環(huán)圖是BN的基本表現(xiàn)形式，直觀地表明了各隨機變量間的邏輯關(guān)系。采用條件概率把節(jié)點間的關(guān)系量化，說明節(jié)點間的具體的關(guān)系強度。因此，貝葉斯網(wǎng)絡(luò)可以代表包括了定量的和定性的數(shù)據(jù)，通過計算和轉(zhuǎn)換，基于貝葉斯網(wǎng)絡(luò)變量之間的依賴關(guān)系以及變量的概率分布，計算所需的其它概率信息，貝葉斯定理還可以進行規(guī)則學習和統(tǒng)計推斷，挖掘出數(shù)據(jù)之間的潛在關(guān)系，可實現(xiàn)預(yù)測、分類、因果分析等多項任務(wù)。

2 應(yīng)急物流風險貝葉斯網(wǎng)絡(luò)的建立

2.1 應(yīng)急物流風險影響因素的確定

應(yīng)急物流風險的存在是隨機而普遍的，它既可以存在某一個單獨的環(huán)節(jié)中，如某種應(yīng)急資源的配送過程等，也可貫穿全過程，形成應(yīng)急物流供應(yīng)鏈的風險，并且受環(huán)境影響，一旦物流供應(yīng)鏈的快速作業(yè)會受到限制，就會導(dǎo)致應(yīng)急物流風險，所以應(yīng)急物流風險是多方面、多環(huán)節(jié)的。

學者們對應(yīng)急物流風險的影響因素做了比較充分的研究，基本涵蓋了導(dǎo)致應(yīng)急物流風險的全部因素?；谇叭说难芯?，歸納和分析2000年至2015年我國發(fā)生的重大突發(fā)事件，包括公共衛(wèi)生事件、自然災(zāi)害、事故災(zāi)難和社會安全事件，著重分析突發(fā)事件的應(yīng)急物流風險，可得出若干關(guān)鍵的影響因素。這些影響因素是多維度的，例如應(yīng)急演練不到位、信息傳達能力不足等可以歸為人的因素，而有的因素則可以歸為設(shè)備的因素，為了把這些雜亂的因素劃分為不同的類別，系統(tǒng)地建立指標，根據(jù)這些影響因素設(shè)計量表問卷并由應(yīng)急管理方面的專家填寫。收集并整理數(shù)據(jù)，對數(shù)據(jù)作因子分析，由表1可知，KMO值為0.809，顯著性為0.000。表示量表各個條目之間的簡單相關(guān)關(guān)系大于偏相關(guān)關(guān)系，適合做因子分析。

經(jīng)過旋轉(zhuǎn)之后，16個關(guān)鍵指標被分為四類，即得到四個公共因子，如表2所示，通過進一步分析，四個公共因子分別從人、機、料、法、環(huán)四個方面構(gòu)成應(yīng)急物流風險。

基于因子分析得到的維度，考慮到突發(fā)事件應(yīng)急的全過程以及應(yīng)急管理每個階段的特點，從事前預(yù)警應(yīng)急物流、事中處理應(yīng)急物流以及事后恢復(fù)應(yīng)急物流三個環(huán)節(jié)對指標進行拓展，最終形成表3所示的應(yīng)急物流風險因素矩陣。

2.2 應(yīng)急物流風險貝葉斯網(wǎng)絡(luò)

要構(gòu)造一個貝葉斯網(wǎng)絡(luò)，首先應(yīng)該確定父節(jié)點，添加節(jié)點的順序是首先添加根本原因的節(jié)點，然后添加受他們直接影響的變量，依次類推，直到?jīng)]有對其他變量產(chǎn)生影響的節(jié)點為止，也就是節(jié)點V應(yīng)該包含所有直接影響V的父節(jié)點V，V，…，V。分析構(gòu)成應(yīng)急物流風險的指標，如圖1所示，可以從事前預(yù)警環(huán)節(jié)S、事中處理環(huán)節(jié)S以及事后恢復(fù)環(huán)節(jié)S三個環(huán)節(jié)出發(fā)反向添加節(jié)點建立貝葉斯網(wǎng)絡(luò)。

用Mi=1，2，3表示第i環(huán)節(jié)的非監(jiān)管風險，用Ni=1，2，3； j=1，2，3，4表示第i環(huán)節(jié)的第j種風險（人為風險、物料及設(shè)備風險、環(huán)境風險、監(jiān)管風險）?？梢越⑷鐖D2所示的貝葉斯網(wǎng)絡(luò)。各節(jié)點遵循“或門”的邏輯，即有：

3 實例分析

3.1 應(yīng)急物流風險預(yù)測

統(tǒng)計和分析2000年至2015年我國發(fā)生的重大災(zāi)害中的應(yīng)急物流，由專家對各個指標進行打分，進而確定其發(fā)生的概率，然后基于各個指標的數(shù)據(jù)和貝葉斯網(wǎng)絡(luò)，利用GeNIe軟件可以預(yù)測出我國地震應(yīng)急物流發(fā)生風險的概率。如圖3所示，State0表示風險發(fā)生，State1表示風險不發(fā)生，由式（1），PT=1=15%，表示應(yīng)急物流發(fā)生風險的概率為15%。另外，PS=1

=6%，PS=1=6%，PS=1=4%，說明事前環(huán)節(jié)的風險和事中環(huán)節(jié)的風險概率一樣大，事后恢復(fù)環(huán)節(jié)的風險要小于前兩個環(huán)節(jié)。這一結(jié)果也在一定程度上反應(yīng)了我國政府在建設(shè)應(yīng)急物流方面的缺點，在預(yù)警環(huán)節(jié)的應(yīng)急物流建設(shè)不夠，比如培訓演練機制不健全、沒有事先建立暢通的應(yīng)急物流體制、應(yīng)急物資的儲備不足并且機動性很弱等。在事中處理環(huán)節(jié)也存在較大的漏洞，如圖3所示，PM=1=0.58，說明在事中處理階段存在較大的非管理風險（人為風險、物資設(shè)備風險、環(huán)境風險），比如應(yīng)急資源的協(xié)調(diào)、緊急物資的調(diào)運、運輸能力的構(gòu)建等都是應(yīng)急物流風險的高發(fā)區(qū)，經(jīng)過提前預(yù)測可以事先采取有針對性的措施規(guī)避應(yīng)急物流風險。根據(jù)這個模型還能進行特定災(zāi)害的應(yīng)急物流風險的預(yù)測，比如用來預(yù)測我國的地震應(yīng)急物流風險，可以根據(jù)以往地震的應(yīng)急物流風險歷史數(shù)據(jù)確定PX=1， i=1，2，3，…，n的值，然后通過模型計算新的PT=1的值即為預(yù)測出的概率。通過對應(yīng)急物流風險的預(yù)測可實現(xiàn)應(yīng)急物流風險識別，有利于更全面、更系統(tǒng)地分析和識別應(yīng)急物流實施過程中的風險問題，從而有針對性地制定降低應(yīng)急物流風險的措施，從而建立完善的應(yīng)急物流體制機制，提高應(yīng)急物流系統(tǒng)的響應(yīng)速度，從應(yīng)急物流的角度將突發(fā)事件造成的損失降到最低。

3.2 應(yīng)急物流風險控制

BN節(jié)點的獨立性使得貝葉斯網(wǎng)絡(luò)具有雙向推理的優(yōu)勢，除了根據(jù)B計算PT=1的值進行正向預(yù)測外，還能假定應(yīng)急物流出現(xiàn)風險，反向查找應(yīng)急物流的各個環(huán)節(jié)，通過后驗概率確定應(yīng)急物流的薄弱環(huán)節(jié)，從而有針對性的制定措施，進行物流風險控制?，F(xiàn)假設(shè)PT=1，在GeNIe中把T設(shè)為證據(jù)，由式（2），可得不同環(huán)節(jié)后驗概率。如表4所示，如果應(yīng)急物流發(fā)生風險，那么S（事中處理環(huán)節(jié)）發(fā)生風險的可能性最大PS=1=0.41，其次是事前預(yù)警環(huán)節(jié)PS=1=0.38，從整體上來說，事中處理應(yīng)急物流是應(yīng)急物流最薄弱的環(huán)節(jié)。

基于后驗概率可進行應(yīng)急物流風險的定位，假設(shè)PT=1，得出所有根節(jié)點的發(fā)生概率，經(jīng)過比較發(fā)現(xiàn)PX=1=20.7%為最大值，其次為PX=1=14.3%，PX=1=7.8%，形成了表5所示的路徑，這是應(yīng)急物流風險的薄弱環(huán)節(jié)，可進行應(yīng)急物流風險排查和制定提升應(yīng)急物流能力的措施。

為了更快地找到應(yīng)急物流發(fā)生風險的根本原因，首先從可能性最大的X，X，X進行排查，發(fā)現(xiàn)此次應(yīng)急物流風險是由于X（資源協(xié)調(diào)能力差）導(dǎo)致的，接下來把X設(shè)置為證據(jù)，進一步進行排查，得出所有節(jié)點的概率值，PX=1=3.2%，PX=1=1.2%，其它指標的概率值均小于1%，由于事先對X以及X進行了排查，沒有出現(xiàn)較大的問題，所以基本確定本次的應(yīng)急物流風險是由于事中環(huán)節(jié)的資源協(xié)調(diào)能力出現(xiàn)問題導(dǎo)致的。因為在突發(fā)事件發(fā)生后，受災(zāi)地區(qū)的交通設(shè)施和通訊等物流條件有可能遭受創(chuàng)傷，而災(zāi)害的應(yīng)對往往需要在短時間內(nèi)投入大量的救災(zāi)物資，對機構(gòu)的組織協(xié)調(diào)能力提出了重大的考驗，良好的組織協(xié)調(diào)和調(diào)度能準確地將救災(zāi)急需的物資配送到指定地點。如果組織協(xié)調(diào)不力，則會導(dǎo)致救災(zāi)物資無法到達目的地，從而延誤救災(zāi)進度。相關(guān)部門可以出臺措施，加強聯(lián)防聯(lián)動以及區(qū)域間的協(xié)調(diào)配合，健全區(qū)域間的資源共享能力，避免應(yīng)急物流風險的再次發(fā)生，從而實現(xiàn)應(yīng)急物流風險控制。另外，對于風險可能性較大的X、X，雖然在排查時沒有成為證據(jù)PX=1=100%，但是仍然要針對這些高風險指標采取措施，做到提前防范，實現(xiàn)應(yīng)急物流風險的全面控制。

4 結(jié)束語

采用因子分析把應(yīng)急物流風險影響因素劃分為人、機、料、法、環(huán)等類別，從事前、事中、事后三個環(huán)節(jié)出發(fā)拓展指標體系，建立了應(yīng)急物流風險貝葉斯網(wǎng)絡(luò)模型，以近年我國發(fā)生的突發(fā)事件應(yīng)急物流為例進行實例分析，驗證了貝葉斯網(wǎng)絡(luò)在應(yīng)急物流風險研究中的適用性。通過先驗概率和后驗概率進行應(yīng)急物流風險的預(yù)測以及應(yīng)急物流薄弱環(huán)節(jié)查找，實現(xiàn)不同突發(fā)事件應(yīng)急物流風險的預(yù)測，并且可以實現(xiàn)應(yīng)急物流風險的快速定位。通過模擬發(fā)現(xiàn)我國應(yīng)急物流的風險在于應(yīng)急物資的協(xié)調(diào)能力不足，同時也存在應(yīng)急物資儲備不足等風險，后期需要采取措施預(yù)防和控制這些風險。

參考文獻：

[1] 張杰，湯齊. 基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)應(yīng)急物流風險管理[J]. 物流技術(shù)，2012，31（8）：229-232.

[2] 趙勇，封少娟，劉佳. 應(yīng)急物流風險分析研究[J]. 物流科技，2006，29（9）：9-13.

[3] 王慶榮，趙小檸，楊景玉，等. 基于粒子群算法的虛擬應(yīng)急物流風險識別投影尋蹤模型[J]. 蘭州交通大學學報，2013，32（1）： 142-145.

[4] 李志偉，Lizhi-Wei. 基于AHP法與BP神經(jīng)網(wǎng)絡(luò)的應(yīng)急物流風險評估與預(yù)測模型[J]. 物流技術(shù)，2008，27（9）：75-77.

[5] 趙玉忠，宋揚，陳業(yè)華. 應(yīng)急物流方案風險評價研究[J]. 物流技術(shù)，2012，31（21）：248-249.

[6] 裘江南，王延章，董磊磊，等. 基于貝葉斯網(wǎng)絡(luò)的突發(fā)事件預(yù)測模型[J]. 系統(tǒng)管理學報，2011，20（1）：98-103.

[7] Sutrisnowati R A， Bae H， Song M. Bayesian network construction from event log for lateness analysis in port logistics[J]. Computers & Industrial Engineering， 2015，89：53-66.

[8] Arroyo-figueroa G， Sucar L E. A Temporal Bayesian Network for Diagnosis and Prediction[Z]. ACM， 2013.

[9] 白翠粉，高文勝，金雷，等. 基于3層貝葉斯網(wǎng)絡(luò)的變壓器綜合故障診斷[J]. 高電壓技術(shù)，2013，39（2）：330-335.