供应链突发事件致因要素识别分析

各种类型的突发事件如地震、雪灾、海啸、病毒、火灾、金融危机、恐怖袭击、罢工和设备故障等频繁发生，使供应链脆弱性异常显著。供应链突发事件一旦爆发，对整个供应链的正常运行及其成员企业都将造成极大损失。供应链的发展战略要求我们对突发事件有更清晰的认识。国内外学者对供应链管理从不同角度进行了研究，但到目前为止，关于供应链突发事件的研究大多集中在应急管理及如何建立协调机制等领域。对供应链突发事件的产生原因、特点等缺乏识别机制。本文建立基于主成分模糊聚类分析的供应链突发事件致因要素识别模型[124-126]，运用主成分模糊聚类分析方法识别不同行业中供应链突发事件致因要素的特征规律。主成分分析法是选取尽量少的几个主成分综合概括较多的原始指标，同时尽可能减少信息的损失。聚类分析是一种比较直观的方法，研究如何将样品或变量进行分类。模糊聚类是数据挖掘领域最为常见的技术之一，用于考察数据库中未知的对象间的相似性，将满足相似性条件的个体或数据对象划分在一组内，不满足相似性条件的个体或数据对象划分在不同的组。目前，模糊聚类分析已被广泛地应用在数据挖掘、统计学、模式识别等领域。通过主成分模糊聚类分析方法识别供应链突发事件致因要素，为预防供应链突发事件提供方法参考。

依据事故致因理论及对供应链突发事件的分类分析，将供应链突发事件致因要素分为人的因素、物的因素及环境因素三类，并建立如图3.1所示的供应链突发事件致因要素指标体系。其中，人的因素指由于人的失误引发的事故、产品缺陷等突发事件；物的因素指供应链运作中因材料供应不当、机器设备故障等造成的突发事件；环境因素指各类环境发生变化造成的突发事件。运用指标体系构造模型并对供应链突发事件致因要素进行分析。

图3.1　供应链突发事件致因要素指标体系

1.模型原理

（1）主成分分析的基本原理[127-131]

若采用完整的指标体系对各行业供应链突发事件进行分析，过程非常复杂，因此采用主成分分析法对指标进行简化。

设有n个分析样本，每个样本有m个指标值，则形成样本矩阵

式中xij为第i个样本的第j个指标的值。

主成分分析的实质是通过多维空间中坐标轴的旋转变换找出k个主成分，使样本降维后方差最小。设是样本矩阵X的协方差矩阵。由于C为实对称矩阵，其特征向量。根据特征值和特征向量的概念有，将该式两边分别乘以矩阵X*=(x1,x2…,xm)T，并令，则有。这样，就得到由变量x1,x2…,xm线性组合成的变量Y1,Y2…,Ym，且Y也是特征值l对应的特征向量，即

一般，Y1,Y2…,Ym按方差由大到小排列，其特征值也由大到小排列，特征值li实际就是变量Yi的方差。因此，从m个分量中找到前k个分量，当其方差之和占总方差的比例不小于85%时，这k个分量即为主成分。

（2）模糊聚类的基本原理[127-128，132-135]

早期聚类方法中的隶属度为0或l，将每个待处理对象严格划分到某类中，而现实世界中数据的归类有时并无严格的界限，模糊聚类方法就是在此基础上发展起来的。模糊聚类把隶属度推广到[0,1]闭区间，即用0～1之间的数去度量。若一个矩阵元素取值[0,1]范围内，则称该矩阵为模糊矩阵。模糊聚类的实质就是根据研究对象本身的属性而构造模糊矩阵，在此基础上根据一定的隶属度来确定其分类关系。模糊聚类方法流程如图3.2所示：

图3.2　模糊聚类方法流程

2.模型的建立

基于主成分模糊聚类分析的供应链突发事件致因要素识别模型可按如下步骤建立：

步骤1：对原始数据进行标准化变换，得标准化数据矩阵。

由于原始数据间具有不同的数量级和不同的测量单位，所以将数据标准化，以消除其中的不合理现象，提高分析效果。

式中，

为原始数据，为第i个变量的平均值，si为第i个变量的标准差，其中

步骤2：计算标准化数据的相关矩阵

其中，

(i=1,2,…,m;j=1,2,…,n;k=1,2,…,n)

步骤3：求相关矩阵H的特征值和特征向量。

通过正交变换U使则λ1,λ2,…,λn即为H的n个特征值，设λ1≥λ2≥…λn＞0，则U的各列为λj所对应的特征向量。

步骤4：计算累计方差贡献率选择累计方差贡献

率不小于85%且特征值大于1的前k个主成分

F1,F2,…,Fk，主成分

其中t1,t2,…,tn为标准化指标变量，u1j,u2j,…unj为特征向量。

步骤5：构造综合得分函数

其中aj为标准化后第j个主成分的方差贡献率。计算出每个样品的各主成分得分和综合得分，对该得分进行排序。F值越高说明供应链突发事件包含的致因要素种类越多且发生频率越高，因此，该行业供应链应加强对各类突发事件的防范。

步骤7：建立模糊相似矩阵R

将距离矩阵D中的元素压缩，形成模糊相似矩阵,使其满足令

其中c 为适当选取的参数，它使得0≤rij≤1。

步骤8：求取模糊等价矩阵R'

步骤9：聚类分析对按从大到小的顺序排列，并依次取，求相应的λ截阵，截阵中相同列对应的变量聚为一类。

3.数值实验

（1）采集样本数据并进行指标标准化处理

通过对243个供应链突发事件真实案例的归纳总结，从案例中选取10个典型行业，统计分析10个行业中供应链突发事件的致因要素，选取15种主要的致因要素为指标，按每个行业中15种供应链突发事件致因要素发生的频次编制原始数据表格，并按公式（1）对数据进行标准化处理（见表3.1）。

（2）确定主成分

运用SPSS软件进行主成分分析，得到方差及对应贡献率分析表（见表3.2），以及初始因子载荷矩阵（见表3.3）。由表3.2可知，前4个主成分包含原始数据的信息总量达85.756%，且其特征值均大于1，因此选取前4个主成分变量来代替原来15个变量作为分析的综合指标。

（3）主成分得分及排序

根据标准化指标变量和特征向量求得4个主成分得分及排序。依照综合得分函数，求得各行业的综合得分及排序，各个得分及排序(见表3.4)。

表3.1　主成分聚类标准化数据

表3.2　方差及对应的贡献率

表3.3　初始因子载荷矩阵

表3.4　综合分析表

（4）聚类分析

将主成分分析得到的4个主成分标准得分系数组成聚类分析的样本矩阵进行聚类分析，在对基础数据进行标准化处理的基础上，利用欧式距离法形成距离矩阵D

利用式（5）和式（6）计算出模糊相似矩阵R

得到模糊相似矩阵R，但其不一定具有传递性，为了进行分类，还需将R改造为模糊等价矩阵R，根据对R的褶积计算，当k=4时，R8=R4，故R’=R4=(r’ij)为模糊等价矩阵

当λ=0.7时，各行业按照供应链突发事件致因要素可分为{1，3，9}，{2，4，5，8}，{6}，{7}，{10}5类。

（5）供应链突发事件致因要素识别分析

根据主成分聚类分析的结果，将10个行业划分为5类：

{行业6}为第一类，行业6在F1中排名第1，应在行业6中加大对微观环境问题的防范和对人员操作过程的监管力度。

{行业7}为第二类，行业7在F4中排名第1，在F3中排第2，在F1中仅排第8位，说明该行业供应链突发事件主要由物的因素引发，微观环境对其影响较小，因此要加强物料的管理能力，形成完善的采购与储备机制。

{行业10}为第三类，行业10在F3中排名第1，而在其他主成分中排名为9、10，说明影响该行业的突发事件主要源自意外事故、设备故障和服务中断等物的因素和人的因素，如交通事故、服务商携款潜逃等，因此，对行业10的供应链突发事件防范应主要集中于加大交通安全监管力度以及建立完备的资金运作监督机制。

{行业1、行业3、行业9}为第四类，较为典型的行业9在F2中排名第1，在F1中排名第2，这两个主成分都主要反映了环境因素对供应链的影响，因此，此类别中的行业受环境因素影响较多，应加大对各类环境变化的敏感度以及加强随机应变的反应能力。

{行业2、行业4、行业5、行业8}为第五类，该类行业综合排名靠后，供应链较为稳定，发生突发事件的概率较小。

因此，可按照主成分聚类分析的结果，对同一类的行业采取类似的预防措施，以减少突发事件对供应链的冲击。

依据统计案例建立供应链突发事件致因要素指标体系，并对10个行业进行实证研究，为不同行业供应链的完善提供参考依据。基于主成分模糊聚类分析的供应链突发事件致因要素特征识别模型通过基于客观统计数据的实证分析检验，结果表明该模型可以较好地对不同行业供应链突发事件的致因要素进行识别。