基于贝叶斯网络的应急物流风险预测与控制研究

李柯+谭柱森+唐小艳

摘 要：基于因子分析确定影响应急物流风险的因素，从事前、事中、事后三个环节拓展指标体系，并建立应急物流风险的贝叶斯网络模型。采用历史数据进行实例分析，实现应急物流风险预测以及应急物流风险控制，预测出我国应急物流发生风险的概率为15%，事中处理阶段应急物流发生风险的可能性最大，反向分析出资源协调能力是应急物流风险控制的薄弱环节，是后期降低应急物流风险的关键。为提升应急物流能力、规避应急物流风险提供了新的思路。

关键词：因子分析；贝叶斯网络；应急物流风险

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

應急物流是国家安全保障系统的重要组成部分。在经济建设过程中，应对突发事件是不可避免的工作，特别是随着人口的增加和城市化的增强，应对突发事件对物流能力的要求更加苛刻。当突发事件发生后，受灾地区会在很短的时间内产生巨大的资源需求，对应急资源的准时性要求很高，所以应急物流关系到突发事件应急的效果。应急物流包括了预警环节准备应急物资，建设应急物流网络，完善应急物流体系；也包括突发事件应急过程中的资源运作，实现人员、设备、物资的迅速到位，抢救受灾的人、财、物，及时补充应急所需的一切物资，尽量减少损失；还包括对受灾群众和受灾区域的事后恢复，实现资源的合理供给，保障事后恢复工作的快速进行。

我国的应急管理体制机制决定了我国在应急物资上实行分级负责、属地管理的方式，对应急资源实行相对独立的区域管理，具有自上而下的平行线性结构，必然会导致补给线比较长、保障能力分散、中转效率低等缺点。另外，应急物流本身就是一个非常复杂的网络，从应急物资的前期储备到突发事件发生后的应急物资调运，以及事后恢复阶段的应急资源供应，都会受到各种不可控因素的影响，最终可能导致应急物流发生风险，损坏应急资源的质量以及降低应急资源到达准时率，对突发事件的处理造成风险，最终危及人民群众的生命和财产安全。因此，进行应急物流风险的预测和风险控制具有重大的意义。

国内外学者主要采用BP神经网络[1]、模糊综合评价法[2]、粒子群算法[3]、AHP[4]、熵理论[5]等方法研究应急物流风险，侧重于应急物流风险的评估和识别，缺乏对应急物流风险的预警与控制策略的研究，因此实用性不强。贝叶斯网络能够很好地解决这一问题，国内外学者利用贝叶斯网络进行了大量的实证研究，在预测方面，裘江南等（2011）利用贝叶斯模型构建通用的突发事件预测模型[6]， RA Sutrisnowati（2015）基于贝叶斯网络建立了港口应急物流风险预测模型[7]；在风险控制方面G Arroyofigueroa，LE Sucar（2013）基于贝叶斯网络建立了故障诊断与风险控制模型[8]，白翠粉（2013）建立了基于3层贝叶斯（Bayes）网络的综合故障诊断方法[9]，诸如此类的研究证实了贝叶斯网络在风险预测可控制上的可行性。本研究基于因子分析和贝叶斯网络，找到应急物流风险的影响因素，从事前、事中、事后环节入手，把影响因素分为人、机、料、法、环等维度，建立应急物流风险贝叶斯网络模型，详细探讨应急物流风险的预测与控制。

1 贝叶斯定理与贝叶斯网络

英国学者贝叶斯于18世纪提出了贝叶斯定理（Bayes' Theorem），贝叶斯定理也称贝叶斯推理。假设B，B，…，B互斥且构成一个完全事件，已知它们的概率PB， i=1，2，…，n，现观察到某事件A与B，B，…，B相伴随机出现，且已知条件概率PA|B，求PB|A。则：

通常把PA|B叫做B条件下，A的后验概率，PB是B条件下的先验概率，后验概率比先验概率包含更多的信息，可以用做故障排查与风险预测。

贝叶斯网络（BN）是基于贝叶斯定理的分析工具，BN以图形的模式描述了变量之间的概率关系，有向无环图是BN的基本表现形式，直观地表明了各随机变量间的逻辑关系。采用条件概率把节点间的关系量化，说明节点间的具体的关系强度。因此，贝叶斯网络可以代表包括了定量的和定性的数据，通过计算和转换，基于贝叶斯网络变量之间的依赖关系以及变量的概率分布，计算所需的其它概率信息，贝叶斯定理还可以进行规则学习和统计推断，挖掘出数据之间的潜在关系，可实现预测、分类、因果分析等多项任务。

2 应急物流风险贝叶斯网络的建立

2.1 应急物流风险影响因素的确定

应急物流风险的存在是随机而普遍的，它既可以存在某一个单独的环节中，如某种应急资源的配送过程等，也可贯穿全过程，形成应急物流供应链的风险，并且受环境影响，一旦物流供应链的快速作业会受到限制，就会导致应急物流风险，所以应急物流风险是多方面、多环节的。

学者们对应急物流风险的影响因素做了比较充分的研究，基本涵盖了导致应急物流风险的全部因素。基于前人的研究，归纳和分析2000年至2015年我国发生的重大突发事件，包括公共卫生事件、自然灾害、事故灾难和社会安全事件，着重分析突发事件的应急物流风险，可得出若干关键的影响因素。这些影响因素是多维度的，例如应急演练不到位、信息传达能力不足等可以归为人的因素，而有的因素则可以归为设备的因素，为了把这些杂乱的因素划分为不同的类别，系统地建立指标，根据这些影响因素设计量表问卷并由应急管理方面的专家填写。收集并整理数据，对数据作因子分析，由表1可知，KMO值为0.809，显著性为0.000。表示量表各个条目之間的简单相关关系大于偏相关关系，适合做因子分析。

经过旋转之后，16个关键指标被分为四类，即得到四个公共因子，如表2所示，通过进一步分析，四个公共因子分别从人、机、料、法、环四个方面构成应急物流风险。

基于因子分析得到的维度，考虑到突发事件应急的全过程以及应急管理每个阶段的特点，从事前预警应急物流、事中处理应急物流以及事后恢复应急物流三个环节对指标进行拓展，最终形成表3所示的应急物流风险因素矩阵。

2.2 应急物流风险贝叶斯网络

要构造一个贝叶斯网络，首先应该确定父节点，添加节点的顺序是首先添加根本原因的节点，然后添加受他们直接影响的变量，依次类推，直到没有对其他变量产生影响的节点为止，也就是节点V应该包含所有直接影响V的父节点V，V，…，V。分析构成应急物流风险的指标，如图1所示，可以从事前预警环节S、事中处理环节S以及事后恢复环节S三个环节出发反向添加节点建立贝叶斯网络。

用Mi=1，2，3表示第i环节的非监管风险，用Ni=1，2，3； j=1，2，3，4表示第i环节的第j种风险（人为风险、物料及设备风险、环境风险、监管风险）。可以建立如图2所示的贝叶斯网络。各节点遵循“或门”的逻辑，即有：

3 实例分析

3.1 应急物流风险预测

统计和分析2000年至2015年我国发生的重大灾害中的应急物流，由专家对各个指标进行打分，进而确定其发生的概率，然后基于各个指标的数据和贝叶斯网络，利用GeNIe软件可以预测出我国地震应急物流发生风险的概率。如图3所示，State0表示风险发生，State1表示风险不发生，由式（1），PT=1=15%，表示应急物流发生风险的概率为15%。另外，PS=1

=6%，PS=1=6%，PS=1=4%，说明事前环节的风险和事中环节的风险概率一样大，事后恢复环节的风险要小于前两个环节。这一结果也在一定程度上反应了我国政府在建设应急物流方面的缺点，在预警环节的应急物流建设不够，比如培训演练机制不健全、没有事先建立畅通的应急物流体制、应急物资的储备不足并且机动性很弱等。在事中处理环节也存在较大的漏洞，如图3所示，PM=1=0.58，说明在事中处理阶段存在较大的非管理风险（人为风险、物资设备风险、环境风险），比如应急资源的协调、紧急物资的调运、运输能力的构建等都是应急物流风险的高发区，经过提前预测可以事先采取有针对性的措施规避应急物流风险。根据这个模型还能进行特定灾害的应急物流风险的预测，比如用来预测我国的地震应急物流风险，可以根据以往地震的应急物流风险历史数据确定PX=1， i=1，2，3，…，n的值，然后通过模型计算新的PT=1的值即为预测出的概率。通过对应急物流风险的预测可实现应急物流风险识别，有利于更全面、更系统地分析和识别应急物流实施过程中的风险问题，从而有针对性地制定降低应急物流风险的措施，从而建立完善的应急物流体制机制，提高应急物流系统的响应速度，从应急物流的角度将突发事件造成的损失降到最低。

3.2 应急物流风险控制

BN节点的独立性使得贝叶斯网络具有双向推理的优势，除了根据B计算PT=1的值进行正向预测外，还能假定应急物流出现风险，反向查找应急物流的各个环节，通过后验概率确定应急物流的薄弱环节，从而有针对性的制定措施，进行物流风险控制。现假设PT=1，在GeNIe中把T设为证据，由式（2），可得不同环节后验概率。如表4所示，如果应急物流发生风险，那么S（事中处理环节）发生风险的可能性最大PS=1=0.41，其次是事前预警环节PS=1=0.38，从整体上来说，事中处理应急物流是应急物流最薄弱的环节。

基于后验概率可进行应急物流风险的定位，假设PT=1，得出所有根节点的发生概率，经过比较发现PX=1=20.7%为最大值，其次为PX=1=14.3%，PX=1=7.8%，形成了表5所示的路径，这是应急物流风险的薄弱环节，可进行应急物流风险排查和制定提升应急物流能力的措施。

为了更快地找到应急物流发生风险的根本原因，首先从可能性最大的X，X，X进行排查，发现此次应急物流风险是由于X（资源协调能力差）导致的，接下来把X设置为证据，进一步进行排查，得出所有节点的概率值，PX=1=3.2%，PX=1=1.2%，其它指标的概率值均小于1%，由于事先对X以及X进行了排查，没有出现较大的问题，所以基本确定本次的应急物流风险是由于事中环节的资源协调能力出现问题导致的。因为在突发事件发生后，受灾地区的交通设施和通讯等物流条件有可能遭受创伤，而灾害的应对往往需要在短时间内投入大量的救灾物资，对机构的组织协调能力提出了重大的考验，良好的组织协调和调度能准确地将救灾急需的物资配送到指定地点。如果组织协调不力，则会导致救灾物资无法到达目的地，从而延误救灾进度。相关部门可以出台措施，加强联防联动以及区域间的协调配合，健全区域间的资源共享能力，避免应急物流风险的再次发生，从而实现应急物流风险控制。另外，对于风险可能性较大的X、X，虽然在排查时没有成为证据PX=1=100%，但是仍然要针对这些高风险指标采取措施，做到提前防范，实现应急物流风险的全面控制。

4 结束语

采用因子分析把应急物流风险影响因素划分为人、机、料、法、环等类别，从事前、事中、事后三个环节出发拓展指标体系，建立了应急物流风险贝叶斯网络模型，以近年我国发生的突发事件应急物流为例进行实例分析，验证了贝叶斯网络在应急物流风险研究中的适用性。通过先验概率和后验概率进行应急物流风险的预测以及应急物流薄弱环节查找，实现不同突发事件应急物流风险的预测，并且可以實现应急物流风险的快速定位。通过模拟发现我国应急物流的风险在于应急物资的协调能力不足，同时也存在应急物资储备不足等风险，后期需要采取措施预防和控制这些风险。

参考文献：

[1] 张杰，汤齐. 基于BP神经网络的企业应急物流风险管理[J]. 物流技术，2012，31（8）：229-232.

[2] 赵勇，封少娟，刘佳. 应急物流风险分析研究[J]. 物流科技，2006，29（9）：9-13.

[3] 王庆荣，赵小柠，杨景玉，等. 基于粒子群算法的虚拟应急物流风险识别投影寻踪模型[J]. 兰州交通大学学报，2013，32（1）： 142-145.

[4] 李志伟，Lizhi-Wei. 基于AHP法与BP神经网络的应急物流风险评估与预测模型[J]. 物流技术，2008，27（9）：75-77.

[5] 赵玉忠，宋扬，陈业华. 应急物流方案风险评价研究[J]. 物流技术，2012，31（21）：248-249.

[6] 裘江南，王延章，董磊磊，等. 基于贝叶斯网络的突发事件预测模型[J]. 系统管理学报，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，高文胜，金雷，等. 基于3层贝叶斯网络的变压器综合故障诊断[J]. 高电压技术，2013，39（2）：330-335.