基于支持向量机的供应链风险评估研究

《基于支持向量机的供应链风险评估研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于支持向量机的供应链风险评估研究：供应链风险评估是供应链风险管理研究中的重要内容。笔者在文献研究及调研的基础上，通过调查问卷构建了一套供应链风险评估体系，将基于支持向量机的机器学习算法运用到供应链风险评估中，得到了供应链风险评估模型并进行了实证研究。研究结果表明：基于支持向量机的供应链风险评估模型可以完成对实际风险的评估，且具有较高的训练效率与精度，从而说明模型的有效性。 　　关键词：供应链风险；风险评估；支持向量机 　　基金项目：国家自然科学基金项目（71172194；71031004；7122100

2、1；70731003；70731160635）。 　　简介：舒彤（1970-），男，江西波阳人，湖南大学工商管理学院副教授，博士生导师，主要从事供应链管理研究；葛佳丽（1990-），女，河南禹州人，湖南大学工商管理学院硕士研究生，主要从事供应链管理研究；陈收（1956-），男，广东龙川人，湖南大学副校长，教授，博士生导师，主要从事投资决策与风险管理、绩效评价、战略管理研究。 　　：F830：A：1006-1096（2014）01-0130-06收稿日期：2013-08-25.17.X　　引言 　　在精益生

3、产、准时制生产等先进理论的指导和实践下，企业间的联系愈加紧密，市场竞争已不再是企业间的竞争，而是供应链间的竞争。近年来，随着各种供应链风险的频繁发生，企业受到了极大损害，越来越多的人认识到供应链风险管理的重要性，供应链风险管理已成为供应链管理领域的研究热点。 　　供应链风险识别与评估是供应链风险管理的基础。通过识别供应链风险因素，对其潜在风险进行预警和控制，探索供应链风险管理的优化方法，可在实践中建立安全可靠且具有弹性的供应链，使供应链上的企业在获得较大收益的同时又能够应对风险，提升企业竞争力。因此，需要

4、分析企业的供应链管理状况，通过风险识别发现供应链中的薄弱环节及其可能造成的后果，利用科学的方法对其现状进行评估，确定供应链风险等级。 　　支持向量机（SupportVectorMachine，SVM）是Cortes等人于1995年提出的一种机器学习方法，建立在统计学习理论的VC维理论和结构风险最小原理基础上，在模型复杂性和学习能力之间进行了折衷，具有较强的泛化能力和精确性。在小样本、非线性及高维模式识别等方面有较大优势，克服了神经X络过于学习、欠学习、局部极小等问题，已成为继神经X络研究之后机器学习理论领

5、域新的热点。因此，将支持向量机应用到供应链风险评估中，具有十分重要的现实意义。 　　一、文献综述 　　供应链风险评估是供应链风险管理的重要环节，受到企业界与学术界的关注。Prater等（2001）认为利用评分方法可以对跨国供应链的风险进行评估，但是这种方法适用于跨国供应链的初步评估，具有一定的主观性。Harland等（2003）认为供应链风险管理过程包括识别风险、估计风险、制定风险控制规划、实施规划等几个循环阶段，建议企业做好早期的供应链风险预警与评估。Zsidisin等（2004）以代理理论为依据提出了

6、采购商供应链评估技术。Hallikas等（2004）认为企业间可以通过合作，将单个企业的风险纳入整个供应链合作风险中，所提出的半定量化研究方法为供应链风险评估奠定了一定的基础。Kleindorfer等（2005）提出了一个关于评估供应链中断风险的概念框架。OP）模型等。综上文献可以发现，供应链风险评估已有概念模型与数学模型，但研究中仍存在不足之处：文献大多针对单个企业或特定领域的风险问题，对整个供应链X络的研究相对较少，定量评估的方法也不够全面。因此关于供应链风险评估系统性和实证方面的研究仍需继续加强。 

7、　　二、支持向量机算法 　　支持向量机（SVM）由线性可分情况下的最优分类面发展而来，其基本思想就是将向量映射到一个更高维的空间，建立一个具有最大间隔的超平面。在分开数据超平面的两边建有2个互相平行的超平面，分隔超平面使2个平行超平面的距离最大化。 　　三、基于支持向量机的供应链风险评估模型 　　（一）供应链风险评估指标体系的建立 　　在供应链风险评估中，建立科学合理的风险评估指标体系是风险评估的前提，需要由一系列量纲各异的指标群组成。近年来，学者们提出了许多供应链风险评估体系，如舒良友等构造了基于制造商

8、合作伙伴的风险评估指标体系，刘永胜等（2006）提出了包括4个层次、7项综合指标的供应链风险预警指标体系。　　为了建立有效的供应链风险评估指标体系，应遵循原则：（1）科学性原则。评估指标体系要体现供应链风险的特点、客观规律和，指标选取应具有一定的代表性，使评价活动能够获得较为客观的真实结果。（2）可操作性原则。供应链风险评估指标的选择要综合考虑数据的可获得性和收集的难易程度，便于对数据资料收集、加工和整理，特别是易于进行量化处