0 引言

随着生活水平的提高，城乡居民饮食结构发生了变化，对水产品的需求逐渐增大^[1]，水产品作为特殊的农产品，具有易腐性、区域性的特点^[2]，流通过程中对温度、包装有特定的要求，主要采用冷冻方式进行冷链运输。《山东省“十二五”农产品冷链物流发展规划》提到要推动水产品冷链物流建设，完善其冷链物流中储藏、运输、包装、加工等体系。与汽车供应链系统、危化品供应链系统相比，水产品冷链物流系统要经过冷藏加工、冷链运输、冷链仓储、冷藏销售等节点，水产品对于温度在每一节点的要求各有差异。对水产品冷链物流风险进行预测和分析，可促使水产品冷链系统的顺利进行，保证水产品的质量。

目前对生鲜冷链物流的相关研究主要集中在以下几方面：在生鲜冷链物流质量控制方面，杨扬等^[3]运用HACCP方法研究了生鲜冷链物流潜在危险因素，建立了质量控制体系。耿秀丽等^[4]使用改进的证据推理方法对冷链物流服务质量进行评估。在冷链物流路径优化方面，康凯等^[5]考虑配送车辆的各类成本，并以带时间窗的惩罚成本为目标函数，构建了考虑碳排放的生鲜冷链物流配送路径优化模型。在冷链物流模式和管理战略方面，刘建鑫等^[6]基于电子商务的发展，提出网购生鲜冷链物流仍存在短板问题。生鲜农产品包括果蔬、水产品或鲜肉产品等^[7]，其特点是保质期短且从食品的获取到消费者手中都需在合适的温度下流通加工。生鲜产品冷链物流风险评价是一个复杂多样化的综合评价问题，不同生鲜产品的风险致因源也有所不同，现有文献已经有对生鲜冷链物流风险的研究^[8-11]，但缺少对生鲜水产品风险的识别评估。本研究在该领域学者研究的前提下，考虑现有水产品冷链物流存在的风险问题，并构建其评价体系。

冷链物流风险的评价方法众多，常用的评价方法包括层次分析法、TOPSIS法、BP神经网络、模糊综合评价法^[12-15]，这些方法都有各自的优点和特点。使用单一的评价方法结果会有偏向性，因此也有很多学者将几种方法进行组合或对原有方法进行了改进。张浩等^[16]使用改进的突变计数法对农产品冷链物流进行了风险评估，赵矗等^[17]使用层次分析法和模糊评价相结合的方法分析了“最后一公里”冷链物流风险，刘虎沉等^[18]沉针对FMEA方法存在的缺陷，提出了基于IVIFS和MABAC方法改进的FMEA模型，并将其运用到冷链物流风险评估中。以上方法的改进或结合避免了风险评价的主观随意性和倾向性，但是以上方法都属于静态方法，无法体现冷链物流的动态转移过程。动态贝叶斯网络加入了时间元素，对前一时刻的推理结果进行积累，随着时间的变化，推理信息会越来越多，进而可以有效提升结果的精确度。动态贝叶斯模型可以处理时序数据，目前多用于动态目标威胁、项目风险评估、医疗研究等方面^[19-21]，本研究将动态贝叶斯网络首次应用于生鲜水产品冷链物流风险评估。

综上所述：(1)现有文献主要集中在生鲜冷链物流的线路优化、配送模式分析、电商冷链物流发展，缺乏对生鲜水产品冷链物流风险的研究。(2)现有文献主要是对生鲜冷链物流环节风险进行分别研究，大多采用静态方法进行研究不能体现物流的流动过程。因此，本研究对生鲜水产品冷链物流流通环节进行风险因素识别，通过云模型对指标进行筛选，利用三角模糊数为风险因素进行赋值，进而使用动态贝叶斯网络对冷链物流各环节风险进行评估，避免人的主观判断造成的缺陷，并充分考虑物流风险的传递性，方便冷链物流企业有针对性的进行风险控制。

1 基于分解分析法的冷链物流风险因素识别

生鲜食品的冷链物流网络有3种模式，分别是：区域内、跨区域和单一经济体冷链物流网络^[7]。关于冷链物流风险的研究中，没有学者对这3种形式的冷链物流进行区分。我国食品销售区域按照地理位置划分可以划分为华北、华中、华南等6个大区，跨区域物流是指本区域农产品经过本区域批发市场转进另外大区的区域批发市场，其包含区域内冷链物流网络。相对于其他两种模式，跨区域冷链物流的食品种类更多，管理控制难度也会响应增强，其风险识别更有意义。

分解分析法是将某个复杂的系统分成几个简单的要素，通过对简单要素的详细分析实现对系统的认识。通过对流通环节的分析得出水产品的流通过程为“散户/生产基地-采购商-批发市场/物流中心-零售商”。

随机性和模糊性是自然界中事物的两大性质，单独使用随机数学或者模糊数学都不能全面地研究事物的不确定性。基于此，李德毅教授提出了云模型，高效地解决定性变量和数值表示之间的转换问题。本研究使用云模型确定评价指标的贡献值，在云模型中，用期望Ex，熵En和超熵He来实现语言值模糊性和随机性的集成。

首先要设立评价评语集R。评语集的设定根据指标数目进行调整，在进行评语集的设置时，必须要有相对应的数域变化区间，数域变化范围为[0, 1]，评语集中每个评语都在数域中有相对应的变化区间，如式(1)所示：

(1)

式中R_i为第i个指标(i=1, 2, …, n)。

对定性评语集进行云模型表示。通过双边约束法得到云参数，通过公式确定云的数字特征，得到各个评语对应的变化区间、期望值和熵值，如式(2)所示：

(2)

式中，Ex_i为第i个指标的期望；En_i为第i个指标的熵；He为超熵。

收集专家对评价体系各指标的评价信息，获得相应语言值。每个语言值都可以用一个云模型来表示，利用以上公式计算出云的数字特征，多个一维云可形成一维综合云，如式(3)所示：

(3)

求出所有因素的云模型，对评价因素进行加权平均处理，得出权重值ω_i(i=1，2，3，…，p；p为2级指标的数目)，同一评估指标权重相加和为1。根据式(4)求出贡献值v_ji(j=1，2，…，q；q为1级指标数据)，取累计贡献值70%的指标作为冷链运输物流风险指标。

(4)

式中，ω_ji为第j个1级指标的第i个2级指标的权重值；v_ji为第j个1级指标的第i个2级指标的贡献值。

考虑到生鲜产品运输过程的特殊性，并借鉴以往学者和行业专家的意见^{[16, 22-25]}，基于分解分析法选取23个2级指标，根据云模型计算出权重如表 1所示，取累计贡献值超过85%的18个指标构建了完善的生鲜水产品冷链物流风险评估指标体系。本研究所选取的指标具有典型的代表性，以科学严谨和全方位为基准，避免了重复的指标，保证每个指标均能全面客观地反映水产品冷链物流运作过程。

2 模型构建 2.1 动态贝叶斯介绍

动态贝叶斯网络(DBN)是一种拓展时间机制的贝叶斯网络，它可以随着时间变化的影响进行建模，通过转移网络描述节点在时间上的变化，用来评估动态事件。动态贝叶斯对时间的拓展不意味着网络结构的动态变化，而是对一个动态系统进行建模。本研究对转移网络进行简化处理，做出以下假设：

(1) 动态贝叶斯网络变化过程满足马尔科夫链模型，如式(5)所示：

(5)

式中，P为集合概率；X为随时间演变的随机变量集合；X[t]为X演化到t时刻的集合。该式说明变量在t时刻的状态只与t+1时刻的状态有关，与其他时刻无关。

(2) 网络变化过程是平稳的，既P(X[t+1]|X[t])与时刻t无关。

在此假设下，动态贝叶斯网络由两部分构成：①先验网络B₀，定义了在初始平衡状态X[1]上的联合概率分布；②转移网络B_→，网络，定义了加入时间因素或者事件发展后X[1]和X[2]之间的转移概率P(X[t+1]|X[t])。对于一个动态贝叶斯网络模型，事件X在T个时间片上的联合概率分布如式(6)所示：

(6)

2.2 构建动态贝叶斯网络 2.2.1 先验网络

将动态贝叶斯网络节点设置为相应状态，使用GeNIe2.1可视化软件构建拓扑结构。在贝叶斯网络中节点分为目标节点、中间节点和证据节点，目标节点即本研究的水产品冷链物流风险，中间节点为加工风险、运输风险、仓储风险、销售风险、信息风险，证据节点为目标节点下的18个风险因素。如图 1右半部分所示是动态贝叶斯网络的先验网络，即静态贝叶斯网络拓扑结构。

2.2.2 转移网络

转移网络是根据时间片各个节点之间跨时间点的联系建立因果关系。文中设置了5个时间片，分别为水产品采购加工、运输、仓储、销售阶段，最终状态表示冷链物流的信息风险。时间片的先后顺序表示各节点的状态转移关系，转移关系可以预测节点概率，也可表示各节点间的风险传递性。生鲜冷链物流中各个环节的风险是随着时间变化而变化的，后一时间段会受其之前的时间段的风险影响，转移网络如图 1所示。

2.3 基于三角模糊的概率确定

动态贝叶斯网络中的先验概率和转移概率的获取有两种方式：(1)针对相关研究收集数据，通过先前的数据库进行学习。(2)针对数据收集困难或者数据确实严重的情况，可通过领域专家采用问卷调查的方式来收集所需数据。

冷链物流风险很难用精确的风险值表示，因此本研究引入语言评价级来描述变量。7个语言评价分别为“非常低”，“低”，“偏低”，“中等”，“偏高”，“高”，“非常高”，使用这7个变量表示水产品冷链物流风险等级。为将模糊的描述语言量化为数据指标，将语言评价与三角模糊数一一对应，具体对应关系如表 2所示。

在获取了相关数据并将其解模糊数后，需要对三角模糊数进行处理以获得每个证据节点的概率值，处理流程有均值化、逆模糊化。

均值化：

(7)

逆模糊值：

(8)

本研究构建的生鲜水产品冷链物流风险评估的动态贝叶斯网络评估流程如图 2所示。

3 实证分析 3.1 参数设置

在以往实际数据难以获得的条件下，选取青岛某水产品冷链物流公司部门负责人3名，高校冷链物流领域专家3名，组成专家小组，通过问卷形式邀请各位专家对水产品冷链物流风险进行评估。问卷内容如表 1所示水产品冷链物流风险评估指标，每个指标设有7个风险等级，专家根据实际情况进行等级判断。将专家评定的风险等级与三角模糊数相对应，根据式(7)~(8)求得逆模糊值即贝叶斯网络的先验概率如表 3所示，目标节点和中间节点的转移概率如表 4~5所示。在实际生产中，水产品冷链物流公司可根据实际情况对先验概率和转移概率进行修改^[26]。借鉴行业专家和学者的意见及《食品冷链物流技术与管理规范》中的相关描述，本研究对先验概率的概率状态和概率值进行了修改。

3.2 仿真结果与分析 3.2.1 水产品冷链物流动态贝叶斯概率推理

使用GeNIe仿真软件模拟9个时刻的水产品冷链物流风险情况，时刻1为动态贝叶斯网络初始状态，时刻2~8为动态贝叶斯网络中间状态，时刻9为动态贝叶斯网络结束状态。

为更直观地看出各个时间片的概率变化，将目标节点和中间节点概率以趋势图的形式进行展示，如图 3所示。

从图 3可以看出，随着时间的推移，水产品冷链物流各风险均呈波动上升的趋势。在最后一个状态，风险概率最高的是仓储风险，其次是运输风险。水产品在仓储和运输过程中有很多不确定因素，例如在仓库仓储过程中内部消毒不彻底，导致微生物附着在产品上或包装上；在运输过程中车厢温度不稳定、冷冻水产品发生挤压导致包装破损等，这些都会增大水产品的冷链物流风险。

3.2.2 水产品冷链物流贝叶斯网络敏感度分析

节点概率图可以反映在连续的时间片中水产品冷链物流风险发生的概率，为了更好地识别风险因素源中关键的风险因素，需要进一步做水产品冷链物流风险的敏感度分析。敏感度分析是衡量每个节点的微小变化对目标节点的影响，敏感度程度越高，说明该节点对目标节点的影响越大。使用GeNIe软件计算水产品冷链物流风险因素的敏感度，颜色的深浅表示节点灵敏度的高低。根据软件结果，中间节点的颜色最深，灵敏度排序为运输风险(0.63)>加工风险(0.59)>销售风险(0.53)>信息风险(0.44)>仓储风险(0.36)，表明4个节点的变化均会对生鲜冷链物流风险的释放起到重要作用。在证据节点中，运输路径合理化(0.31)、冷链物流信息共享程度(0.38)、仓储温控(0.31)和合理化设计(0.38)的敏感度较高，说明水产品冷链物流运输中路径优化非常重要，冷链物流过程中各个环节的信息不能做到有效的共享会加大水产品损坏风险，仓库内部温控设备故障会严重损坏水产品质量，冷冻水产品从收货到待验区，不能在15 min内完成，验收合格后，不能迅速将其转入规定冷冻环境中，冷库的仓库规划设计对水产品质量控制发挥着重要作用。

通过对水产品冷链物流风险评估模型进行动态贝叶斯网络的概率推理和敏感性分析可知，随着时间的增加，水产品冷链物流风险不断累积，呈波动上升趋势。运输环节和仓储环节是水产品冷链物流最重要也是发生概率最高的两个环节。冷链运输过程是冷链物流各个环节中不确定因素最多的一个环节，水产品冷链运输的温度为-18 ℃，在运输专用车需设置温控设备对运输过程的温度进行实时调节，很难有运输车辆能一直处于标准温控范围内。在水产品冷链运输过程中，为保证运输速度，降低温度不确定带来的损坏，运输路线也应进行合理规划。运输环节的风险随着时间的推移会转移到仓储环节，在水产品仓储环节，仓储温控设备和冷库设计是最敏感的两个环节，冷链运输企业应重点管控。

4 结论

本研究通过分析水产品冷链物流流通环节将水产品冷链物流划分为了加工风险、运输风险、仓储风险、销售风险、信息风险这5个阶段，对每阶段进一步细分最终得到了18个风险因素节点，为进一步这18个风险因素对水产品冷链物流风险发生所占的概率比重，建立了动态贝叶斯网络模型，主要研究成果如下：

(1) 验证了动态贝叶斯网络评价模型的可用性。动态贝叶斯网络风险评价模型充分考虑到水产品冷链物流风险的传递性和转移性，将时间元素加入水产品冷链物流风险分析。利用该模型得出的评价结果较为严谨，通过实证分析验证了模型的适用性和有效性，表明该模型是对水产品冷链物流概率风险评价行之有效的方法。

(2) 使用GeNIe软件建立了水产品冷链物流动态贝叶斯网络模型，对影响水产品品质的冷链物流环节进行概率风险识别评估。在中间节点中，前一环节的风险发生概率都会随着时间的变化转移给下一环节。在众多风险因素中，仓储环节对水产品的冷链物流格外重要，运输环节风险发生概率也很高，加工环节和销售环节处于冷链物流第一环节与最后环节，风险发生概率最低。

(3) 对水产品风险的概率评估结果进行敏感度分析发现：冷链物流运输企业应重视运输路径的优化、冷链物流信息共享程度、仓储温控设备和冷库合理化设计程度，这4个因素的灵敏度最高，表明这4个因素风险的变动对水产品冷链物流风险产生的影响最大，冷链物流公司重点加强对这4个因素的管理约束以减少风险的发生。