基于风险识别的生鲜食品供应链定价协调机制研究

孙红霞, 赵予新

〔1.河南工业大学 经济贸易学院，河南 郑州 450000；2.河南牧业经济学院 物流与电商学院，河南 郑州 450044〕

一、引言

近年来，阿里巴巴、京东等电子商务巨头纷纷加大对生鲜食品线上线下电子商务企业的投资力度，生鲜食品电子商务已进入巨人时代。如何有效进行风险评估，找出影响因素，减少生鲜食品损失，确保食品安全高效地交付给消费者，已成为保证生鲜食品O2O电子商务企业良好运行的关键。[1]供应链链条的节点企业协同度较高，因此，很容易引起连锁反应。[2]生鲜食品是一种特殊商品，关系到国计民生。目前生鲜食品加工商和零售商追求自身利益最大化的同时没有制定统一的定价策略。对中国这个人口大国来说，生鲜食品供应链定价协调就具有更为重要的战略意义。[3]分散决策会导致生鲜食品供应链整体效率低下和价格冲突。随着O2O模型的发展，如何协调生鲜食品供应链电子商务的线上线下定价成为目前急需解决的问题。[4]

供应链管理的实质是服务共享，各方共赢。在O2O环境下，食品供应链更应考虑服务共享问题。服务共享是指成员之间信息共享和利益共享，以降低食品供应链运营成本。[5]贝叶斯网络对不完全数据的处理具有明显优势，将贝叶斯方法与图论结合到一起，将先验知识与样本信息进行对比，从而达到对不完全数据处理的理想效果，因此，在不确定性环境下，运用贝叶斯网络对数据进行挖掘是一种非常理想的模型选择。生鲜食品属于易腐食品，在线上线下融合过程中，容易导致一些环节出现不可预测的情况，而贝叶斯网络可以通过将贝叶斯网络的反向推理函数与后验概率相结合，可以方便找出影响生鲜食品事故发生的关键节点。[6]我们利用贝叶斯网络构建生鲜食品供应链风险识别模型，分析基于O2O模型和服务共享的食品供应链定价协调机制，具体包括三个部分：第一部分从补偿机制和利益共享两个方面介绍了基于服务共享的O2O食品供应链定价协调机制；第二部分建立了基于贝叶斯网络的风险识别模型，对食品供应链风险的影响因素进行了识别和分析；第三部分采用隐马尔可夫模型(Hidden Markov Model，HMM)对供应链风险进行了识别和分析。根据模拟结构，我们对相关物流运营企业进行了风险识别和预测分析，并提出了建设性建议。

二、贝叶斯网络在生鲜食品供应链定价协调机制中的应用

1.基于服务共享的O2O生鲜食品供应链定价协调机制

(1)

食品零售商通过价格补偿机制横向协调的总体利润为：

πG1=(p1-c1-ω)Q1-υ+(p2-c2-ω)(Q2+Q3)-υ+G

(2)

生鲜食品零售商采取价格补偿策略的前提是提高食品供应链的整体利润，即销售收入的增加大于补偿的成本，也就是(p2-c2-ω)Q3>υ。同样，在考虑协调销售价格时，生鲜食品加工者也是主导因素。生鲜食品零售商通过测量生鲜食品加工商设定的批发价格来决定线上和线下定价，从而使生鲜食品零售商在这个时候的利润最大化。在零售商线上渠道与线下渠道横向协调基础上，生鲜食品供应链引入收益共享机制，协调生鲜食品供应链纵向定价冲突。当生鲜食品零售商与加工商协调以降低批发价格时，生鲜食品零售商的部分销售收入将被补偿给生鲜食品加工商，并达成协议，我们称之为收入分享。假设生鲜食品加工商在集中决策下提供较低的批发价格，生鲜食品零售商将其销售收入(1-k)倍返还给生鲜食品加工商作为补偿。基于横向协调的利益分享机制的生鲜食品供应链的利润函数如下：

πk=(p1-c1-ω)Q1-υ+(p2-c2-ω)(Q2+Q3)-υ

(3)

生鲜食品零售商的利润函数为：

πk1=(p1-c1-ω)Q1-υ+(kp2-c2-ω)(Q2+Q3)-υ

(4)

生鲜食品加工商的利润函数为：

πk2=(ω-c)(Q1+Q2+Q3)-(1-k)p2(Q2+Q3)(1-k)p2Q1

(5)

2.基于贝叶斯网络的生鲜食品供应链风险识别模型

建立贝叶斯网络结构模型的方法主要有三种：第一种方法是根据专家个人经验，手工建立贝叶斯网络结构模型；第二种方法是根据贝叶斯网络数据库的分析结果，自动建立贝叶斯网络结构模型；第三种方法是将前两种方法结合起来建立网络结构模型，并充分发挥这两种方式的作用。首先根据专家个人经验，初步构建贝叶斯网络结构模型，然后根据现有数据库数据对贝叶斯网络模型进行初步修正。第三种方法是构建和修改贝叶斯网络结构模型，实现生鲜食品供应链贝叶斯网络的线上和线下集成。当贝叶斯网络每个节点的条件概率都无法精准认定时，需要根据被访谈专家的个人知识和经验集体制定决策。主要解决方案是通过问卷调查的方式，由被访谈者根据经验判断贝叶斯网络各节点的条件概率，并利用语义值对贝叶斯网络各节点的条件概率分布进行判断，并采用三角模型进行验证，采用模糊数法对问卷结果进行处理。将语义值转换为相应的三角模糊值，计算加权平均值和条件概率值。

3.构建供应链风险评估模型

利用隐马尔可夫模型对生鲜食品线上和线下集成过程中的供应链风险进行监控是一种较新的定量研究方法，能够更真实、有效地反映供应链风险的发生。该方法一方面可以对供应链节点间的风险进行评估，另一方面可以对物流配送服务的客户满意度和风险进行评估和预测。HMM模型有两个随机过程：一个是以{Xi}，i=1,2,...，表示的随机过程的可见序列，它代表生鲜食品供应链观察到的真实状态；另一个是以{Vi}，i=1,2,…，表示的随机过程的隐序列，它代表生鲜食品供应链的真实风险状态。在基于HMM模型的生鲜食品供应链风险监测过程中，需要确定模型中隐含状态的个数。选择贝叶斯信息准则来确定模型中隐式状态的个数，公式如下：

BIC=-2lgL+mlgn

(6)

在该公式中，L表示模型似然函数的最大计算值，m表示参数的个数，n表示观测值的个数，BIC一般更适合于参数较少的模型选择。结合BIC，确定HMM模型的隐式状态数为5。与HMM模型相对应的状态序列和观测序列的参数如下：假设生鲜食品供应链线上和线下融合。V1有五种状态，其中，{V1,V2,V3,V4,V5}为常态，V2-V5是深化供应链风险状态的顺序。当生鲜食品供应链处于各状态时，其所代表的概率值为：V1表示新鲜食品供应链处于正常状态，其对应的概率值为P(V)=0；V2表示生鲜食品供应链处于低风险状态，其对应的概率值为0

图1 HMM状态序列传输模型

三、实验设计与分析

1.实验数据获取

本实验中贝叶斯网络根节点的概率值主要是根据专家意见进行确定，非根节点的条件概率值则是通过问卷方式进行确定。问卷通过问卷星发布并搜集数据，并用三角模糊数对生鲜食品供应链失效各影响因素的条件概率值进行计算。同时，为了使O2O模式下生鲜食品供应链失效风险的影响因素评价更加有效，邀请了6位专家对网上开展O2O模式比较典型的水果供应链数据进行评价。评价方式为，专家根据父节点的不同状态，对子节点的发生概率进行客观评价。所有专家评价完成后，再采用加权平均的方式对节点的概率进行修正和调整。

2.实验结果分析

为了进一步说明所设计的价格补偿机制的有效性，我们采用数值模拟的方法验证价格补偿策略对整个生鲜食品供应链定价决策的影响。因为价格补偿协调的前提(p2-c2-ω)q3>υ，1085

图2 生鲜食品零售商横向协调前的利润

表1 生鲜食品零售商实施价格补偿机制前后的利润

图3 生鲜食品零售商横向协调后的利润

图4 生鲜食品零售商横向协调前后的利润率

图5 生鲜食品零售商价格与横向协调前后T的关系

图5表明，由价格补偿机制协调的生鲜食品零售商利润函数曲线与生鲜食品零售商协调前利润函数曲线的交点分别为P2=1085和P2=2650。也就是说，生鲜食品零售商的销售价格在[1085，2650]范围内。因此，当生鲜食品供应链的价格补偿机制在该地区有效时，从图6可以看出，利润率是指生鲜食品零售商在实施价格补偿机制之前的利润率，以及在生鲜食品供应链实施价格补偿机制后的生鲜食品零售商之间的利润率。当利润率大于0时，价格补偿的水平协调机制已经实现。结果表明，生鲜食品零售商的利润在0

图6 横向协调前后生鲜食品零售商利润率与T的关系

根据上述理论分析，收入分配机制对整个生鲜食品供应链成员的定价有着重要的影响。为了进一步说明所设计的收益分配机制的有效性，当ω=1000,c1=80,a1=2000，β=0.2，a3=2300,T=5,η=100，γ=6，s1=2,s2=10时，我们将通过数值模拟验证收益分配机制对整个生鲜食品供应链定价决策的影响。在垂直协调前，生鲜食品零售商和生鲜食品加工者的利润为πG1,πG2，而生鲜食品零售商和生鲜食品加工者在垂直协调后的利润为πk1,πk2。根据给出的参数，分散决策下生鲜食品零售商πG1的最大利润为999117，生鲜食品加工者的最大利润激增为26336，生鲜食品供应链πk1的最大利润集中决策为1898323。通过收益分配机制，在πG*1+πG*2<πk*1的协调之后，得出生鲜食品零售商的最大利润函数为πk*1=3743935.34k-2262228.56，生鲜食品加工者的最大利润函数为πk*1=3777752.53k+4194368.93。在此基础上，利用MATLAB软件绘制图7，并分析生鲜食品加工者和零售商在实行收入分享机制前后利润率的变化。图7显示，当生鲜食品加工商和零售商之间的利润率大于这一利润率时，收入分配机制的协调就达到了消除双重边际效应的效果，即当0.6

图7 生鲜食品加工商和零售商纵向协调前后的利润率

经过分析证明，贝叶斯网络对分析O2O模式下生鲜食品供应链的失效风险模型是非常有效的，通过贝叶斯网络的正、反向推理特性，可以找出生鲜食品O2O模式下顾客满意度的关键影响因素。在O2O模式下，提高顾客满意度非常关键，顾客满意度高了，生鲜食品供应链的失效风险就会相应降低。分析证明，节点概率越高，顾客满意度越低，那么失效的可能性就越大，二者呈反向关系。通过对问卷数据的分析整理，将其输入贝叶斯网络仿真软件GENIE进行仿真，得到每个节点的概率值，其中状态0表示状态差，状态1表示状态良好。我们利用贝叶斯网络的反向推理和消息传播理论，分析了贝叶斯网络的后验概率。将GENIE软件的计算结果与消息传播算法的计算结果进行了比较，结果表明，两种算法在允许的误差范围内是一致的。因此，GENIE软件的逆向推理可以用来模拟O2O模式下生鲜食品供应链的失效概率。要确定哪些参数更有影响，就需要用到灵敏度分析。在贝叶斯网络中，更有影响的参数对贝叶斯网络的推理结果的影响就更大。借助贝叶斯网络的敏感性分析，生鲜食品电子商务企业可以帮助其在O2O模式下做出正确的决策。要保证供应链的灵活高效运行，必须重视高敏感性因素。我们将顾客满意度与物流水平作为节点分析的例子，对模型进行敏感性分析，如图8所示。

从图8可以看出，随着产品质量、服务水平、产品价格概率值的变化，产品质量、服务水平和产品价格对顾客满意度的影响也会发生相应的变化。曲线越陡，表明因子的变化越大，相应的节点的敏感性越强，那么，该因子就是模型中影响最大的因素。从图8可以看出，服务水平的敏感性最强，产品价格次之，产品质量的敏感性相对最弱。服务水平受物流水平和外部环境影响，我们对影响物流水平的因素也进行了敏感性分析，如图9所示。根据分析可知，物流资源利用率、配送效率和配送能力是制约物流水平的关键因素，其中，最敏感的因素是配送能力。由于大多数O2O生鲜食品电子商务企业的配送模式是自营或外包，因此，随着物流资源的消耗，生鲜食品电商在商业企业间的配送效率没有显著差异。生鲜食品电子商务企业应从基础设施和技术设备等方面提升核心竞争力。

图8 影响顾客满意度因素的敏感性分析

图9 影响物流水平因素的敏感性分析

电子商务企业要防控生鲜食品供应链在O2O模式下的失效风险，必须从外部环境和物流水平等方面着手，加大对物流基础设施和智能设备的投入，通过资源整合等方式提高资源利用率，不断提升生鲜食品品质，进而提高冷链仓储运输技术水平和客户满意度。通过分析可知，供应链失败风险最大的原因是顾客满意度低，而造成顾客满意度低的因素多为冷链物流基础薄弱、资源整合不充分导致的利用率低下，还有成本高、服务水平差等其他因素。因此，O2O模式下生鲜食品电商企业应重视服务质量的提高，通过冷链基础设施的不断完善和资源充分整合降低成本，提高生鲜食品质量。随着居民生活水平的提高，加之网络消费群体 “快”和“宅”等需求特点，生鲜食品电商企业的价格已经不是消费者关注的主要因素，及时、高效地交付产品才是生鲜食品电商消费者追求的重点。随着新冠疫情等突发事件的爆发，生鲜食品的市场竞争日趋激烈，为了防范O2O模式下生鲜食品供应链的失效风险，生鲜食品电商企业更应重视服务和质量，提高配送效率和配送能力，为客户提供高质量的服务体验。

四、结论

如何保证生鲜食品线上和线下集成供应链的安全高效运行，提高顾客满意度和忠诚度，已成为生鲜食品线上和线下集成发展的重要组成部分。我们以生鲜食品线下集成供应链为研究对象，在详细阐述和分析生鲜食品线下企业现有运作模式的基础上，进一步分析了影响生鲜食品线下集成供应链稳定性的因素。通过贝叶斯网络的逆向推理，得出了物流网络收敛过程中的因果链和关键影响因素。研究了影响生鲜食品线上集成和线下集成的关键因素，在分析生鲜食品线上融合和线下融合影响因素的基础上，通过分析影响因素之间的因果关系，建立了生鲜食品线上和线下融合的贝叶斯网络风险识别模型。利用三角模糊数法求出了贝叶斯网络的条件概率，并进行了仿真研究。研究发现，服务水平是影响失效风险的最关键因素，产品质量次之，产品价格相对较弱。首先，从事生鲜食品的电商企业应重视物流水平和外部环境的提高与改善，加快提高服务水平和服务意识，有效整合各方资源，提高物流基础设施利用率，改进配送服务流程，提高配送效率和信息共享水平，降低库存成本和冷链运输成本。其次，全程冷链提高生鲜食品质量，减少中间环节，降低生鲜食品价格。需要说明的是，我们的研究是从微观角度进行的，缺乏对宏观因素的考虑，我们希望在未来进一步加强这方面的探讨。