李明鈺 牛東曉 張瀟丹 劉云天 余敏

摘 要：電力設(shè)備制造企業(yè)作為影響我國(guó)能源經(jīng)濟(jì)發(fā)展的基礎(chǔ)化產(chǎn)業(yè)，如何有效提升其產(chǎn)業(yè)基礎(chǔ)能力，降低企業(yè)生產(chǎn)經(jīng)營(yíng)過程中存在的風(fēng)險(xiǎn)是當(dāng)前面臨的重要問題。而準(zhǔn)確的風(fēng)險(xiǎn)預(yù)測(cè)能夠幫助企業(yè)經(jīng)營(yíng)者發(fā)現(xiàn)潛在風(fēng)險(xiǎn)，保障企業(yè)利益。因此，本文從多價(jià)值鏈協(xié)同的角度進(jìn)行電力設(shè)備制造企業(yè)的經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)研究。首先，利用蒙特卡洛法構(gòu)建多價(jià)值鏈風(fēng)險(xiǎn)因素概率模型，然后利用隨機(jī)森林、天牛須搜索優(yōu)化算法及卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了多價(jià)值鏈協(xié)同的三階段經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)模型，并進(jìn)行實(shí)證分析。研究結(jié)果表明，多價(jià)值鏈協(xié)同的三階段經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)模型能夠有效提高經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確度，為電力設(shè)備制造企業(yè)未來準(zhǔn)確預(yù)測(cè)風(fēng)險(xiǎn)和管控風(fēng)險(xiǎn)提供基礎(chǔ)支撐。

關(guān)鍵詞：多價(jià)值鏈協(xié)同;電力設(shè)備制造企業(yè);經(jīng)營(yíng)風(fēng)險(xiǎn);蒙特卡洛;深度學(xué)習(xí)

中圖分類號(hào)：F425文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2097-0145（2022）03-0053-08doi：10.11847/fj.41.3.53

Research on Business Risk Prediction of Power Equipment ManufacturingEnterprises Considering Multi-value Chain Collaboration

LI Ming-yu， NIU Dong-xiao， ZHANG Xiao-dan， LIU Yun-tian， YU Min

（School of Economics and Management， North China Electric Power University， Beijing 102206， China）

Abstract：Power equipment manufacturing enterprises are the basic industry of China’s energy economy development. How to effectively enhance its industrial base capacity and reduce the risks in the process of production and operation of enterprises is an important issue. Accurate risk prediction can help business operators identify potential risks and protect business interests. Therefore， this paper conducts a study on the business risk prediction of power equipment manufacturing enterprises from the perspective of multi-value chain collaboration. First， this paper uses Monte Carlo method to construct a probabilistic model of multi-value chain risk factors. Then a three-stage operational risk prediction model with multi-value chain collaboration is constructed and empirically analyzed by using random forest， beetle antennae search algorithm and convolutional neural network. The research results show that the model with multi-value chain collaboration can effectively improve the accuracy of operation risk prediction and provide basic support for power equipment manufacturing enterprises to accurately predict risks and control risks in the future.

Key words：multi-value chain collaboration; power equipment manufacturing enterprises; business risk; Monte Carlo; deep learning

1 引言

當(dāng)前，我國(guó)經(jīng)濟(jì)發(fā)展基礎(chǔ)和國(guó)家競(jìng)爭(zhēng)力來源逐漸轉(zhuǎn)向以制造業(yè)為核心的實(shí)體經(jīng)濟(jì)。2015年5月出臺(tái)的“中國(guó)制造2025”，將電力設(shè)備制造企業(yè)和新一代信息技術(shù)等行業(yè)一同列入了“高端裝備制造業(yè)”[1]。除此之外，我國(guó)如何更好地參與全球產(chǎn)業(yè)價(jià)值鏈調(diào)整升級(jí)和重構(gòu)也是當(dāng)前面臨的重要問題。在實(shí)現(xiàn)智能制造的過程中，企業(yè)內(nèi)部挑戰(zhàn)和外部環(huán)境變化都給電力設(shè)備制造企業(yè)的發(fā)展帶來了風(fēng)險(xiǎn)和挑戰(zhàn)。從企業(yè)內(nèi)部來看，當(dāng)前電力設(shè)備制造企業(yè)面臨著設(shè)備制造成本上升、生產(chǎn)方式變化等問題。從外部環(huán)境的變化來看，市場(chǎng)波動(dòng)、消費(fèi)者行為的變化以及制造業(yè)服務(wù)化也為電力設(shè)備制造企業(yè)帶來了挑戰(zhàn)[2]。因此，在制造業(yè)發(fā)展變革的關(guān)鍵時(shí)期，有效把控電力設(shè)備制造行業(yè)面臨的風(fēng)險(xiǎn)與挑戰(zhàn)，精準(zhǔn)分析多價(jià)值鏈經(jīng)營(yíng)風(fēng)險(xiǎn)能夠?yàn)殡娏υO(shè)備制造企業(yè)高質(zhì)量發(fā)展提供有效途徑。

在電力設(shè)備制造企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)管理之中，企業(yè)的經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)可以幫助企業(yè)加強(qiáng)風(fēng)險(xiǎn)控制，幫助企業(yè)經(jīng)營(yíng)者及時(shí)發(fā)現(xiàn)潛在的經(jīng)營(yíng)風(fēng)險(xiǎn)，有利于提高企業(yè)決策的科學(xué)性[3]。當(dāng)前對(duì)于經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)的研究主要考慮單一價(jià)值鏈內(nèi)部風(fēng)險(xiǎn)因素的相互影響關(guān)系[4]，對(duì)于多價(jià)值鏈協(xié)同的經(jīng)營(yíng)風(fēng)險(xiǎn)研究還較少。企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)方法主要分為單一指標(biāo)預(yù)測(cè)[5]、多變量預(yù)測(cè)[6]以及概率預(yù)測(cè)[7]等。單一指標(biāo)預(yù)測(cè)方法難以準(zhǔn)確勾畫出企業(yè)整體經(jīng)營(yíng)風(fēng)險(xiǎn)狀況[8]，而多變量預(yù)測(cè)一般是用線性回歸的方法來反映風(fēng)險(xiǎn)結(jié)果，具有客觀性、綜合性，克服了單變量模型的內(nèi)在缺陷[9]。進(jìn)入80年代以后，多變量預(yù)測(cè)方法的地位逐漸被概率分析模型所取代[10]。其中蒙特卡洛模型由于其能夠較為準(zhǔn)確地描述某一隨機(jī)性質(zhì)事物的特點(diǎn)，逐漸進(jìn)入大眾視野。李秀芳和楊雅明[11]利用蒙特卡洛對(duì)不確定性進(jìn)行了度量，表明該模型對(duì)于風(fēng)險(xiǎn)損失具有良好的分析效果。對(duì)于制造業(yè)來說，蒙特卡洛方法也能夠較好地對(duì)制造業(yè)相關(guān)問題進(jìn)行估計(jì)[12]。因此，本文選用蒙特卡洛模型對(duì)多價(jià)值鏈不同環(huán)節(jié)的經(jīng)營(yíng)風(fēng)險(xiǎn)因素概率進(jìn)行分析，構(gòu)建隨機(jī)概率模型，為多價(jià)值鏈協(xié)同的經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建奠定基礎(chǔ)。

近幾年來，多因素影響下的風(fēng)險(xiǎn)預(yù)測(cè)方法已經(jīng)從統(tǒng)計(jì)學(xué)發(fā)展到人工智能算法領(lǐng)域，智能預(yù)測(cè)算法也逐漸開始占據(jù)主流。多價(jià)值鏈協(xié)同的經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)主要表現(xiàn)為不同價(jià)值鏈風(fēng)險(xiǎn)因素對(duì)經(jīng)營(yíng)風(fēng)險(xiǎn)的影響，可以使用多元線性回歸方法、機(jī)器學(xué)習(xí)方法、彈性網(wǎng)絡(luò)方法以及深度學(xué)習(xí)方法等。多元線性回歸雖然擁有簡(jiǎn)單性和可解釋性的優(yōu)點(diǎn)[13]，但容易出現(xiàn)偽回歸的問題。機(jī)器學(xué)習(xí)技術(shù)和彈性網(wǎng)絡(luò)可以幫助人們從海量數(shù)據(jù)中發(fā)現(xiàn)規(guī)律[14]，然而卻容易出現(xiàn)過擬合、欠擬合等問題[15]。而深度學(xué)習(xí)以其優(yōu)越的性能已經(jīng)成為人工智能領(lǐng)域解決復(fù)雜數(shù)據(jù)預(yù)測(cè)問題的新型方法。當(dāng)前，深度學(xué)習(xí)算法廣泛應(yīng)用于因素篩選[16]、決策優(yōu)化[17]以及序列預(yù)測(cè)[18]等方面，主要包括循環(huán)神經(jīng)網(wǎng)絡(luò)RNN和卷積神經(jīng)網(wǎng)絡(luò)CNN等。而深度學(xué)習(xí)算法應(yīng)用于電力設(shè)備制造企業(yè)的風(fēng)險(xiǎn)預(yù)測(cè)中的研究還較少。

綜上所述，就創(chuàng)新性而言，本文從多價(jià)值鏈協(xié)同的角度考慮電力設(shè)備制造企業(yè)的經(jīng)營(yíng)風(fēng)險(xiǎn)問題。首先利用蒙特卡洛算法對(duì)多價(jià)值鏈不同環(huán)節(jié)經(jīng)營(yíng)風(fēng)險(xiǎn)因素的隨機(jī)概率進(jìn)行計(jì)算，然后利用深度學(xué)習(xí)算法構(gòu)建了三階段經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)模型：利用隨機(jī)森林算法（RF）進(jìn)行多價(jià)值鏈風(fēng)險(xiǎn)因素篩選和重構(gòu);利用天牛須搜索優(yōu)化算法（BAS）對(duì)卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行改進(jìn)，從而構(gòu)建了三階段RF-BAS-CNN多價(jià)值鏈協(xié)同的經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)模型，為電力設(shè)備制造企業(yè)實(shí)現(xiàn)精準(zhǔn)經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)提供有效理論支撐和依據(jù)。本文的研究能夠在一定程度上提高該類企業(yè)對(duì)于風(fēng)險(xiǎn)的管控水平，有助于電力設(shè)備制造企業(yè)及時(shí)發(fā)現(xiàn)風(fēng)險(xiǎn)，掌握風(fēng)險(xiǎn)走向，及時(shí)做出調(diào)整，制定合理的風(fēng)險(xiǎn)決策方案，對(duì)電力設(shè)備制造企業(yè)及相關(guān)企業(yè)工程管理具有重要意義。

2 多價(jià)值鏈協(xié)同的經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)模型構(gòu)建

2.1 多價(jià)值鏈風(fēng)險(xiǎn)因素選取原則

電力設(shè)備制造企業(yè)的經(jīng)營(yíng)風(fēng)險(xiǎn)又叫做營(yíng)業(yè)風(fēng)險(xiǎn)，是電力設(shè)備制造企業(yè)在生產(chǎn)、制造、經(jīng)營(yíng)以及供應(yīng)等各個(gè)方面的不確定性因素的影響下，產(chǎn)生的企業(yè)資金或價(jià)值的變動(dòng)。對(duì)于電力設(shè)備制造企業(yè)來說，其主要經(jīng)營(yíng)風(fēng)險(xiǎn)來自于資金流轉(zhuǎn)、產(chǎn)品生產(chǎn)等環(huán)節(jié)。多價(jià)值鏈?zhǔn)菫楣餐岣咦陨韮r(jià)值，從生產(chǎn)、供應(yīng)、營(yíng)銷和服務(wù)等多方面以合作形式展開的一系列增值活動(dòng)。其中多價(jià)值鏈主要指生產(chǎn)價(jià)值鏈、供應(yīng)價(jià)值鏈、營(yíng)銷價(jià)值鏈和服務(wù)價(jià)值鏈。以生產(chǎn)過程作為核心業(yè)務(wù)的核心價(jià)值流，構(gòu)成了企業(yè)內(nèi)部的核心價(jià)值鏈，而供應(yīng)、營(yíng)銷和服務(wù)作為輔助，構(gòu)成了企業(yè)外部的次要價(jià)值鏈。在多價(jià)值鏈角度下進(jìn)行風(fēng)險(xiǎn)因素的選取需要遵循以下原則：

（1）多價(jià)值鏈導(dǎo)向性。在生產(chǎn)環(huán)節(jié)，經(jīng)營(yíng)風(fēng)險(xiǎn)主要來自于產(chǎn)品及工程管理過程中產(chǎn)生的風(fēng)險(xiǎn)。對(duì)于供應(yīng)環(huán)節(jié)，經(jīng)營(yíng)風(fēng)險(xiǎn)不僅來源于產(chǎn)品出入庫(kù)的風(fēng)險(xiǎn)、庫(kù)存管理風(fēng)險(xiǎn)等，還來源于資金供應(yīng)風(fēng)險(xiǎn)。資金是物資供應(yīng)的一種特殊形式，體現(xiàn)了企業(yè)資金的融資借款供應(yīng)、來源、周轉(zhuǎn)以及轉(zhuǎn)化等過程。在營(yíng)銷環(huán)節(jié)，電力設(shè)備制造企業(yè)主要面臨著重要客戶管理不到位的風(fēng)險(xiǎn)、客戶性質(zhì)和需求變化等風(fēng)險(xiǎn)。在服務(wù)環(huán)節(jié)，電力設(shè)備制造企業(yè)主要面臨客戶服務(wù)需求不能得到滿足等問題。

（2）風(fēng)險(xiǎn)因素普適性。在進(jìn)行風(fēng)險(xiǎn)因素選取時(shí)，要結(jié)合實(shí)際企業(yè)進(jìn)行分析，選取電力設(shè)備制造企業(yè)都具有的經(jīng)營(yíng)風(fēng)險(xiǎn)因素進(jìn)行分析，從而形成具有實(shí)際意義的風(fēng)險(xiǎn)因素，為電力設(shè)備制造企業(yè)未來的風(fēng)險(xiǎn)預(yù)測(cè)和決策提供有效的理論支撐。

（3）風(fēng)險(xiǎn)因素可量化性。對(duì)于經(jīng)營(yíng)風(fēng)險(xiǎn)來說，其體現(xiàn)在企業(yè)生產(chǎn)經(jīng)營(yíng)的方方面面，如何準(zhǔn)確把控經(jīng)營(yíng)風(fēng)險(xiǎn)的等級(jí)，定量衡量經(jīng)營(yíng)風(fēng)險(xiǎn)的大小是亟待解決的問題。因此，在多價(jià)值鏈風(fēng)險(xiǎn)因素選取的過程中，應(yīng)當(dāng)將經(jīng)營(yíng)風(fēng)險(xiǎn)因素實(shí)際量化，分析可量化性因素與實(shí)際經(jīng)營(yíng)風(fēng)險(xiǎn)之間的關(guān)系，為電力設(shè)備制造企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)管控提供依據(jù)。

2.2 多價(jià)值鏈風(fēng)險(xiǎn)因素概率模型

本文采用蒙特卡洛方法對(duì)多價(jià)值鏈各環(huán)節(jié)風(fēng)險(xiǎn)因素進(jìn)行概率分析，構(gòu)建多價(jià)值鏈風(fēng)險(xiǎn)概率模型。蒙特卡洛方法的原理是通過從總體樣本中抽取相應(yīng)的隨機(jī)數(shù)進(jìn)行研究，根據(jù)樣本的統(tǒng)計(jì)學(xué)特征了解概率分布，生成該概率分布下的隨機(jī)數(shù)樣本并計(jì)算隨機(jī)概率[19]?；诿商乜宓娘L(fēng)險(xiǎn)因素概率模型構(gòu)建的步驟具體如下：

（1）確定電力設(shè)備制造企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)與其風(fēng)險(xiǎn)影響因素，將經(jīng)營(yíng)風(fēng)險(xiǎn)作為因變量，設(shè)為Y，風(fēng)險(xiǎn)因素則為x1，x2，…，xm，其函數(shù)關(guān)系設(shè)為Y=g（x1，x2，…，xm）;將原有數(shù)據(jù)進(jìn)行匯總，可得

Y1=g（x11，x12，…，x1n）

…Ym=g（xm1，xm2，…，xmn）（1）

（2）利用下列公式求出各風(fēng)險(xiǎn)因素的平均值Xm及標(biāo)準(zhǔn)差σm，并確定概率分布類型。

Xm=1n∑ni=1xmi， σm=1n-1∑ni=1（xmi-m）2（2）

（3）確定函數(shù)中每一個(gè)風(fēng)險(xiǎn)因素變量xi的概率密度函數(shù)f（xi）和累積概率分布函數(shù)F（xi）。

（4）利用下列公式，對(duì)函數(shù)中的每一風(fēng)險(xiǎn)因素變量xi，生成許多均勻分布的xij，并與原有數(shù)據(jù)進(jìn)行合并分析。

F（xij）=∫xij-∞f（xij）dxi（3）

其中i為風(fēng)險(xiǎn)因素變量個(gè)數(shù)，i=1，2，…，m;j為模擬次數(shù)，j=1，2，…，n。

（5）利用下列公式求風(fēng)險(xiǎn)因素隨機(jī)數(shù)概率。

P（xij）=ab=xij出現(xiàn)的次數(shù)隨機(jī)數(shù)總數(shù)（4）

2.3 多價(jià)值鏈協(xié)同的三階段經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)模型

根據(jù)以上得到的風(fēng)險(xiǎn)因素概率，本文將經(jīng)營(yíng)杠桿系數(shù)作為電力設(shè)備制造企業(yè)的經(jīng)營(yíng)風(fēng)險(xiǎn)評(píng)判依據(jù)進(jìn)行經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)。經(jīng)營(yíng)杠桿系數(shù)是息稅前利潤(rùn)的變化率與產(chǎn)銷量變動(dòng)率之間的比值。在同一產(chǎn)銷量水平下，經(jīng)營(yíng)杠桿系數(shù)越大，說明利潤(rùn)的變化率越大，相應(yīng)的經(jīng)營(yíng)風(fēng)險(xiǎn)就會(huì)越大。具體的三階段RF-BAS-CNN模型構(gòu)建步驟如下：

（1）采用RF對(duì)制造企業(yè)外部?jī)r(jià)值鏈的供應(yīng)、營(yíng)銷、服務(wù)及生產(chǎn)環(huán)節(jié)經(jīng)營(yíng)風(fēng)險(xiǎn)因素進(jìn)行重構(gòu)分析，得到多價(jià)值鏈綜合風(fēng)險(xiǎn)因素隨機(jī)概率。根據(jù)數(shù)據(jù)特征建立不同影響因素的隨機(jī)森林模型{Tn（x）}ntreen=1，其中袋外數(shù)據(jù)記為OOBn對(duì)應(yīng)第n棵回歸樹Tn 。根據(jù)Tn對(duì)OOBn進(jìn)行預(yù)測(cè)，得到相應(yīng)的誤差值。

OOBn=x11 …? x1j …? x1p

xk1 … xkj … xkp， 1≤j≤p（5）

MSEn=∑k1（yi-i）2k（6）

其中yi為 OOBn中響應(yīng)變量的第i個(gè)實(shí)測(cè)量;i為OOBn重響應(yīng)變量的第i個(gè)預(yù)測(cè)值。當(dāng)原始模型的數(shù)據(jù)量N 足夠大時(shí)，k≈0.368N 。對(duì)不同樣本進(jìn)行預(yù)測(cè)誤差的計(jì)算，得到如下矩陣，從而得到自變量Xi的重要性評(píng)分（increase of mean squared error，IncMSE）。

MSE11 … MSE1n … MSE1ntree

MSEj1 … MSEjn … MSEjntree

MSEp1 … MSEpn … MSEpntree（7）

IncMSEi=（∑ntreen=1MSEn-MSEinntree）std， 1≤i≤p

std=1k∑k1（ti-）2（8）

其中ti為第i個(gè)實(shí)測(cè)值，為響應(yīng)變量的均值。將以上得到的重要性評(píng)分與蒙特卡洛計(jì)算得到的風(fēng)險(xiǎn)隨機(jī)概率進(jìn)行加權(quán)累積，得到多價(jià)值鏈綜合風(fēng)險(xiǎn)因素隨機(jī)概率。

Pi=∑ni=1P（xi）×IncMSEi（9）

（2）利用CNN構(gòu)建電力設(shè)備制造企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)模型，并將經(jīng)營(yíng)杠桿系數(shù)作為輸出變量，多價(jià)值鏈各環(huán)節(jié)風(fēng)險(xiǎn)因素作為模型輸入變量進(jìn)行分析。其中卷積的計(jì)算公式為

V1j=σ（∑seMjVl-1s×Klsj+blj（10）

其中規(guī)定輸入層為l-1層，Vl-1s用于表示輸入層的第s個(gè)特征，輸出層為第1層，V1j用于表示輸出層第j個(gè)特征，Klsj用于表示卷積核的元素，blj為偏置項(xiàng)，σ為激活函數(shù)。本文采用了一種新的激活函數(shù)SPReLu，其數(shù)學(xué)形式為

f（xi）=xi，xi>0

a（ln（exi+1）-ln2），xi≤0（11）

其中a為隨機(jī)參數(shù)，根據(jù)模型實(shí)時(shí)訓(xùn)練發(fā)生變化，最終收斂為適宜的常數(shù)。

（3）利用BAS對(duì)CNN中的學(xué)習(xí)率進(jìn)行優(yōu)化。在CNN模型中，學(xué)習(xí)率對(duì)于迭代速率、獲得最優(yōu)解有十分大的影響，而傳統(tǒng)的CNN模型僅考慮單一學(xué)習(xí)率或固定學(xué)習(xí)率，由此得到的模型輸出結(jié)果難以實(shí)現(xiàn)最優(yōu)化。而BAS作為一種生物啟發(fā)式智能優(yōu)化算法，模仿自然界中天牛覓食行為，天牛根據(jù)兩只觸角所感知的食物氣味濃度差，通過迭代最終找到食物的位置。相比于其他優(yōu)化模型來說，BAS僅針對(duì)單一主體，能夠大大降低運(yùn)算量，在短時(shí)間內(nèi)對(duì)單一主體尋求最優(yōu)，能夠有效提高模型的運(yùn)算效率，對(duì)CNN學(xué)習(xí)率優(yōu)化問題具有很好的適用性。因此，在本文的BAS-CNN模型中，初始學(xué)習(xí)率按照常用神經(jīng)網(wǎng)絡(luò)模式設(shè)置為0.01，由于根據(jù)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)經(jīng)驗(yàn)選擇的學(xué)習(xí)率，存在不是最優(yōu)值的可能性，因此需要對(duì)學(xué)習(xí)率進(jìn)行重新規(guī)劃。迭代次數(shù)小于10000 時(shí)，利用BAS算法在區(qū)間（0.0001，0.01）中尋找最優(yōu)的高學(xué)習(xí)率，找到全局近似最優(yōu)解;然后再?gòu)模?.0001，0.01]中使用BAS算法尋找最優(yōu)的低學(xué)習(xí)率以獲得全局最優(yōu)解。本文將CNN的學(xué)習(xí)率設(shè)置為搜索空間，尋找使得擬合效果最優(yōu)的學(xué)習(xí)率參數(shù)值，并將其代入模型訓(xùn)練過程中，以完成模型訓(xùn)練。BAS-CNN預(yù)測(cè)模型流程如圖1所示。

最后，我們將RF得到的多價(jià)值鏈綜合風(fēng)險(xiǎn)因素隨機(jī)概率作為預(yù)測(cè)模型輸入變量，將經(jīng)營(yíng)杠桿系數(shù)作為預(yù)測(cè)模型輸出變量，構(gòu)建RF-BAS-CNN多價(jià)值鏈協(xié)同的三階段經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)模型。

3 實(shí)證分析

3.1 基于蒙特卡洛的多價(jià)值鏈風(fēng)險(xiǎn)因素概率研究

本文以北京某電力設(shè)備制造企業(yè)為例進(jìn)行實(shí)證分析，根據(jù)2.1節(jié)多價(jià)值鏈風(fēng)險(xiǎn)因素的選取原則，從多價(jià)值鏈導(dǎo)向性、風(fēng)險(xiǎn)因素普適性以及可量化性等角度收集該企業(yè)近幾年來多價(jià)值鏈各環(huán)節(jié)可能存在風(fēng)險(xiǎn)的數(shù)據(jù)作為多價(jià)值鏈經(jīng)營(yíng)風(fēng)險(xiǎn)因素變量，收集并計(jì)算了該企業(yè)的經(jīng)營(yíng)杠桿系數(shù)作為經(jīng)營(yíng)風(fēng)險(xiǎn)分析變量。本文收集到了該企業(yè)自2017年1月至2021年10月的月度數(shù)據(jù)，并以此數(shù)據(jù)集作為數(shù)據(jù)基礎(chǔ)進(jìn)行仿真模擬，得到每一個(gè)變量的500個(gè)仿真數(shù)據(jù)作為模型的輸入和輸出值，進(jìn)行實(shí)證分析。變量選取的情況如表1所示。

根據(jù)多價(jià)值鏈風(fēng)險(xiǎn)因素概率分析模型對(duì)仿真數(shù)據(jù)進(jìn)行計(jì)算，首先計(jì)算各數(shù)據(jù)集的均值和方差，根據(jù)均值和方差生成隨機(jī)數(shù)并進(jìn)行排序，判斷每一個(gè)隨機(jī)數(shù)在該序列中出現(xiàn)的頻率作為該風(fēng)險(xiǎn)因素每一時(shí)點(diǎn)的隨機(jī)數(shù)概率。其中經(jīng)營(yíng)杠桿系數(shù)的隨機(jī)概率分布情況如圖2所示。多價(jià)值鏈的生產(chǎn)、供應(yīng)、營(yíng)銷及服務(wù)環(huán)節(jié)風(fēng)險(xiǎn)因素的隨機(jī)數(shù)概率分布情況如圖3所示。

由圖3可以看出，多價(jià)值鏈各環(huán)節(jié)中，每一風(fēng)險(xiǎn)因素近似呈現(xiàn)正態(tài)分布情況，說明利用蒙特卡洛法進(jìn)行多價(jià)值鏈風(fēng)險(xiǎn)因素的概率研究具有有效性，得到的隨機(jī)概率可以有效代表各價(jià)值鏈業(yè)務(wù)環(huán)節(jié)的經(jīng)營(yíng)風(fēng)險(xiǎn)情況，從而對(duì)該電力設(shè)備制造企業(yè)進(jìn)行經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)分析，為后續(xù)多價(jià)值鏈風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建奠定基礎(chǔ)。

3.2 基于RF-BAS-CNN的多價(jià)值鏈協(xié)同經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)研究

3.2.1 多價(jià)值鏈經(jīng)營(yíng)風(fēng)險(xiǎn)因素預(yù)處理

由于原始經(jīng)營(yíng)風(fēng)險(xiǎn)因素涉及多價(jià)值鏈不同環(huán)節(jié)，數(shù)量級(jí)差異較大，因此本文在對(duì)經(jīng)營(yíng)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)之前，首先對(duì)得到的各環(huán)節(jié)風(fēng)險(xiǎn)因素隨機(jī)數(shù)概率進(jìn)行標(biāo)準(zhǔn)化處理。標(biāo)準(zhǔn)化處理的公式如下

y=yi-min（yi）max（yi）-min（yi）（12）

其中yi為原始數(shù)據(jù)，yi為標(biāo)準(zhǔn)化后的數(shù)據(jù)。

由于多價(jià)值鏈不同環(huán)節(jié)各風(fēng)險(xiǎn)因素之間具有一定的關(guān)聯(lián)性，可能對(duì)預(yù)測(cè)結(jié)果造成一定的影響。因此在進(jìn)行經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)之前，我們首先對(duì)風(fēng)險(xiǎn)因素隨機(jī)數(shù)概率數(shù)據(jù)進(jìn)行預(yù)處理，計(jì)算其多重共線性，利用方差膨脹系數(shù)（VIF）進(jìn)行多重共線性的判斷，對(duì)于存在多重共線性的風(fēng)險(xiǎn)因素隨機(jī)數(shù)概率數(shù)據(jù)進(jìn)行一階差分處理。最終得到多價(jià)值鏈經(jīng)營(yíng)風(fēng)險(xiǎn)因素多重共線性診斷結(jié)果如表2所示。

VIF是衡量多重共線性嚴(yán)重程度的重要指標(biāo)，一般以10為判斷標(biāo)準(zhǔn)，當(dāng)VIF<10時(shí)，說明不存在多重共線性。由上表可知，經(jīng)預(yù)處理后的經(jīng)營(yíng)風(fēng)險(xiǎn)因素互相之間已不存在多重共線性，不影響經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確性。

3.2.2 多價(jià)值鏈經(jīng)營(yíng)風(fēng)險(xiǎn)因素重構(gòu)結(jié)果分析

本文基于以上得到的多價(jià)值鏈經(jīng)營(yíng)風(fēng)險(xiǎn)因素的隨機(jī)數(shù)概率進(jìn)行RF影響因素貢獻(xiàn)度計(jì)算，得到影響因素貢獻(xiàn)度結(jié)果。其中對(duì)該電力設(shè)備制造企業(yè)整體經(jīng)營(yíng)風(fēng)險(xiǎn)貢獻(xiàn)最大的風(fēng)險(xiǎn)因素是設(shè)備制造成本。供應(yīng)環(huán)節(jié)中對(duì)企業(yè)整體經(jīng)營(yíng)風(fēng)險(xiǎn)貢獻(xiàn)最大的風(fēng)險(xiǎn)因素是資產(chǎn)負(fù)債率。營(yíng)銷環(huán)節(jié)貢獻(xiàn)度最大的經(jīng)營(yíng)風(fēng)險(xiǎn)因素為市場(chǎng)占有率。服務(wù)環(huán)節(jié)中對(duì)企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)貢獻(xiàn)最大的風(fēng)險(xiǎn)因素是設(shè)備檢修成本。各環(huán)節(jié)經(jīng)營(yíng)風(fēng)險(xiǎn)因素隨機(jī)數(shù)概率的貢獻(xiàn)度如表3所示。

利用該貢獻(xiàn)度對(duì)多價(jià)值鏈各環(huán)節(jié)的經(jīng)營(yíng)風(fēng)險(xiǎn)因素進(jìn)行重構(gòu)，得到各環(huán)節(jié)綜合風(fēng)險(xiǎn)因素隨機(jī)概率的變化情況如圖4所示。

3.2.3 多價(jià)值鏈協(xié)同的經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果分析

本文將以上得到的各環(huán)節(jié)綜合風(fēng)險(xiǎn)因素隨機(jī)概率作為預(yù)測(cè)模型的輸入變量，經(jīng)營(yíng)杠桿系數(shù)隨機(jī)數(shù)概率作為輸出變量，進(jìn)行多價(jià)值鏈協(xié)同的經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)。本文選用BAS-CNN作為多價(jià)值鏈協(xié)同的經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行研究，為了驗(yàn)證BAS-CNN預(yù)測(cè)的有效性，利用BP、BAS-BP、RNN、BAS-RNN、CNN模型作為BAS-CNN模型的對(duì)比模型。為了保證對(duì)比分析的可行性，我們?cè)O(shè)置除BAS優(yōu)化的參數(shù)外，其他參數(shù)保持一致。BAS優(yōu)化算法的步長(zhǎng)與初始距離之間的關(guān)系為eta=0.8，c=5，初始步長(zhǎng)為10，迭代次數(shù)為50。

在500個(gè)樣本數(shù)據(jù)中，選取前300個(gè)風(fēng)險(xiǎn)因素隨機(jī)數(shù)概率和經(jīng)營(yíng)杠桿系數(shù)隨機(jī)數(shù)概率樣本數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，輸出后200個(gè)測(cè)試集數(shù)據(jù)，并與實(shí)際經(jīng)營(yíng)杠桿系數(shù)隨機(jī)數(shù)概率進(jìn)行對(duì)比分析。為了更加直觀地量化預(yù)測(cè)結(jié)果，本文選取均方誤差MSE（Mean Squared Error）、平均絕對(duì)誤差MAE（Mean Absolute Error）、相對(duì)百分誤差絕對(duì)值的平均值MAPE（Mean Absolute Percentage Error）、純均方誤差MSPE（Mean Square Pure Error）、均方根誤差RMSE（Root Mean Squared Error）以及殘差平方和SSE（Sum of Squares for Error）6個(gè)指標(biāo)對(duì)結(jié)果進(jìn)行誤差分析。計(jì)算公式如下

MSE=1N∑Nt=1（observedt-testt）2（13）

MAE=1N∑Nt=1|observedt-testt|（14）

MAPE=∑Nt=1|observedt-testtobservedt|×100n（15）

MSPE=∑Ci=1∑nj=1（observedij-1ni∑nij=1observedij）n-C（16）

RMSE=1N∑Nt=1（observedt-testt）2（17）

SSE=∑（observedi-observed）2 （18）

6種風(fēng)險(xiǎn)預(yù)測(cè)模型下，預(yù)測(cè)值和實(shí)際值對(duì)比的誤差值如表4所示。

由以上誤差分析的結(jié)果可知，無論在哪一種誤差指標(biāo)下，BAS-CNN模型的預(yù)測(cè)誤差值都是最低的，說明該模型在電力設(shè)備制造企業(yè)的經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)方面具有較好的預(yù)測(cè)效果，預(yù)測(cè)誤差較小，模型擬合效果好。6種模型的預(yù)測(cè)結(jié)果如圖5所示。

由預(yù)測(cè)結(jié)果可知，BP和BAS-BP模型的輸出結(jié)果與真實(shí)值相差較大，RNN和BAS-RNN模型的輸出結(jié)果也與真實(shí)值存在一定的偏差。相比之下，CNN和BAS-CNN模型整體的風(fēng)險(xiǎn)預(yù)測(cè)效果較好，而BAS優(yōu)化后的CNN模型與真實(shí)值的走勢(shì)相差更小。該預(yù)測(cè)結(jié)果說明，BAS優(yōu)化算法對(duì)于CNN模型具有較好的優(yōu)化效果，BAS-CNN模型在經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)方面的性能較高。

4 結(jié)論及啟示

本文考慮多價(jià)值鏈協(xié)同視角，從生產(chǎn)、供應(yīng)、營(yíng)銷及服務(wù)等環(huán)節(jié)對(duì)電力設(shè)備制造企業(yè)的經(jīng)營(yíng)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)。首先利用蒙特卡洛法進(jìn)行經(jīng)營(yíng)風(fēng)險(xiǎn)因素的隨機(jī)概率計(jì)算，然后構(gòu)建了多價(jià)值鏈協(xié)同的三階段RF-BAS-CNN經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)模型，并進(jìn)行了實(shí)證分析。實(shí)證結(jié)果表明，蒙特卡洛方法的運(yùn)用可以有效計(jì)算風(fēng)險(xiǎn)因素概率，RF-BAS-CNN三階段經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)模型能夠有效預(yù)測(cè)電力設(shè)備制造企業(yè)的經(jīng)營(yíng)風(fēng)險(xiǎn)，相比于其他模型來說，預(yù)測(cè)的準(zhǔn)確性有明顯提升。研究主要得出以下結(jié)論：

（1）在多價(jià)值鏈經(jīng)營(yíng)風(fēng)險(xiǎn)因素概率模型的分析結(jié)果中，各價(jià)值鏈經(jīng)營(yíng)風(fēng)險(xiǎn)因素近似呈現(xiàn)正態(tài)分布。通過蒙特卡洛模擬計(jì)算經(jīng)營(yíng)風(fēng)險(xiǎn)因素隨機(jī)數(shù)概率能夠有效分析多價(jià)值鏈的各個(gè)環(huán)節(jié)可能產(chǎn)生的風(fēng)險(xiǎn)因素變動(dòng)的過程，從而為電力設(shè)備制造企業(yè)整體的經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)提供基礎(chǔ)。

（2）在多價(jià)值鏈經(jīng)營(yíng)風(fēng)險(xiǎn)因素重構(gòu)的結(jié)果中，多價(jià)值鏈的不同環(huán)節(jié)，對(duì)該類企業(yè)整體經(jīng)營(yíng)風(fēng)險(xiǎn)貢獻(xiàn)最大的風(fēng)險(xiǎn)因素分別是設(shè)備制造成本、資產(chǎn)負(fù)債率、市場(chǎng)占有率及設(shè)備檢修成本。因此在電力設(shè)備制造企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)管控過程中，應(yīng)當(dāng)重點(diǎn)關(guān)注以上因素，有效控制經(jīng)營(yíng)風(fēng)險(xiǎn)。

（3）從多價(jià)值鏈協(xié)同的三階段經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果可以看出，RF-BAS-CNN三階段模型的構(gòu)建相比于其他模型能夠有效預(yù)測(cè)電力設(shè)備制造企業(yè)的經(jīng)營(yíng)風(fēng)險(xiǎn)變化情況。該結(jié)論可以為電力設(shè)備制造企業(yè)未來的經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)提供有效分析途徑。

通過以上研究結(jié)果分析，在未來電力設(shè)備制造企業(yè)的經(jīng)營(yíng)風(fēng)險(xiǎn)防范中，應(yīng)當(dāng)將關(guān)注的重點(diǎn)轉(zhuǎn)移到企業(yè)多價(jià)值鏈協(xié)同角度，分析不同價(jià)值鏈可能產(chǎn)生的風(fēng)險(xiǎn)因素和風(fēng)險(xiǎn)概率，從協(xié)同管控的角度分析企業(yè)整體經(jīng)營(yíng)風(fēng)險(xiǎn)的變化情況。同時(shí)，在電力設(shè)備制造企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)和管控的過程中，應(yīng)當(dāng)形成完整的風(fēng)險(xiǎn)預(yù)測(cè)體系和預(yù)警機(jī)制，讓經(jīng)營(yíng)風(fēng)險(xiǎn)始終處于可控范圍之內(nèi)，從而更好地為我國(guó)制造業(yè)發(fā)展提供基礎(chǔ)化支撐。

參 考 文 獻(xiàn)：

[1]李廉水，石喜愛，劉軍.中國(guó)制造業(yè)40年：智能化進(jìn)程與展望[J].中國(guó)軟科學(xué)，2019，（1）：6-14，35.

[2]盛朝迅.推進(jìn)我國(guó)產(chǎn)業(yè)鏈現(xiàn)代化的思路與方略[J].改革，2019，（10）：45-56.

[3]Begenau J. Capital requirements， risk choice， and liquidity provision in a business-cycle model[J]. Journal of Financial Economics， 2020， 136（2）： 355-378.

[4]蔡烏趕，許鳳茹.中國(guó)制造業(yè)產(chǎn)業(yè)鏈現(xiàn)代化水平的測(cè)度[J].統(tǒng)計(jì)與決策，2021，（21）：108-112.

[5]丁志國(guó)，丁垣竹，金龍.違約邊界與效率缺口：企業(yè)債務(wù)違約風(fēng)險(xiǎn)識(shí)別[J].中國(guó)工業(yè)經(jīng)濟(jì)，2021，（4）：175-192.

[6]李彥斌，于心怡，王致杰.采用灰色關(guān)聯(lián)度與TOPSIS法的光伏發(fā)電項(xiàng)目風(fēng)險(xiǎn)評(píng)價(jià)研究[J].電網(wǎng)技術(shù)，2013，37（6）：1514-1519.

[7]白哲，李孟剛.基于條件破產(chǎn)概率的保險(xiǎn)公司財(cái)務(wù)預(yù)警與資本分配[J].中國(guó)管理科學(xué)，2016，24（7）：36-42.

[8]Pika A， Aalst W， Wynn M T， et al.. Evaluating and predicting overall process risk using event logs[J]. Information Sciences， 2016， 352-353（20）： 98-120.

[9]黃乃靜，于明哲.系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)的比較分析——基于實(shí)體經(jīng)濟(jì)風(fēng)險(xiǎn)預(yù)測(cè)的視角[J].系統(tǒng)工程理論與實(shí)踐，2020，40（10）：2475-2491.

[10]魏旭輝，劉婧.經(jīng)濟(jì)調(diào)整中企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)仿真[J].計(jì)算機(jī)仿真，2017，34（5）：424-427.

[11]李秀芳，楊雅明.基于最小二乘蒙特卡洛簡(jiǎn)化算法的保險(xiǎn)公司經(jīng)濟(jì)資本度量研究[J].管理工程學(xué)報(bào)，2020，34（3）：169-174.

[12]朱沛華，陳林.工業(yè)增加值與全要素生產(chǎn)率估計(jì)——基于中國(guó)制造業(yè)的擬蒙特卡洛實(shí)驗(yàn)[J].中國(guó)工業(yè)經(jīng)濟(jì)，2020，（7）：24-42.

[13]Ssa A， Fe B， Rk C， et al.. A quantitative analysis of low carbon performance in industrial sectors of developing world[J]. Journal of Cleaner Production， 2021， 284： 125268.

[14]Wang D L， Song X F， Yin W Y， et al.. Forecasting core business transformation risk using the optimal rough set and the neural network[J]. Journal of Forecasting， 2015， 34（6）： 478-491.

[15]姬顏麗，王文清.大數(shù)據(jù)背景下稅收風(fēng)險(xiǎn)識(shí)別精準(zhǔn)度存量研究——基于機(jī)器學(xué)習(xí)的視角[J].財(cái)政研究，2020，（9）：119-129.

[16]佟瑞鵬，崔鵬程.基于深度學(xué)習(xí)的不安全因素識(shí)別和交互分析[J].中國(guó)安全科學(xué)學(xué)報(bào)，2017，27（4）：47-54.

[17]劉廣應(yīng)，吳鴻超，孔新兵.深度學(xué)習(xí)LSTM模型與VaR風(fēng)險(xiǎn)管理[J].統(tǒng)計(jì)與決策，2021，（8）：136-140.

[18]Sezer O B， Gudelek M U， Ozbayoglu A M. Financial time series forecasting with deep learning： a systematic literature review： 2005-2019[J]. Applied Soft Computing， 2020， 90： 10618.

[19]李文沅，盧繼平.暫態(tài)穩(wěn)定概率評(píng)估的蒙特卡羅方法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005，（10）：18-23.