基于变模糊集与卷积神经网络的新鲜农产品供应链韧性评估与预测框架研究

《Scientific Reports》：Resilience assessment and prediction of fresh agricultural product supply chains using variable fuzzy recognition and machine learning

　　

摘要

新鲜农产品易腐烂且对运输、储存和处理条件高度敏感，这使其供应链特别容易受到中断的影响。此类中断会阻碍产品流动，降低产品质量和可得性。传统风险分析方法主要关注不确定性和负面事件的概率，但未能充分捕捉供应链在遭遇中断后的恢复和适应能力。为应对这一局限，本研究开发了一个新鲜农产品供应链（FAPSCs）的韧性评估与预测框架。该框架围绕三个维度构建：生产、运输和消费。研究提出了一种混合建模方法，将变模糊集理论与机器学习相结合。变模糊集模型用于动态韧性评估，而卷积神经网络（CNN）则用于捕捉时间动态特征并进行预测。指标权重通过结合层次分析法（AHP）和CRITIC方法来确定，以提高鲁棒性和可解释性。利用2009年至2023年中国31个省份的面板数据，结果显示所提出的框架能够有效区分不同区域的韧性水平。CNN模型能够捕捉时间变化，包括峰值和非峰值波动，并优于决策树、随机森林和线性回归等基准模型，尤其在建模非线性模式和高韧性情况时表现更佳。总体而言，所提出的方法在数据有限或存在噪声的条件下表现出强大的鲁棒性，并为新鲜农产品供应链管理中的预警、风险缓解和决策提供了实用支持。