CN117035426A - 一种生鲜果蔬供应链风险评价方法 - Google Patents
一种生鲜果蔬供应链风险评价方法 Download PDFInfo
- Publication number
- CN117035426A CN117035426A CN202311113104.9A CN202311113104A CN117035426A CN 117035426 A CN117035426 A CN 117035426A CN 202311113104 A CN202311113104 A CN 202311113104A CN 117035426 A CN117035426 A CN 117035426A
- Authority
- CN
- China
- Prior art keywords
- vegetables
- risk
- fruits
- fruit
- vegetable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000021022 fresh fruits Nutrition 0.000 title claims abstract description 40
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 39
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 235000012055 fruits and vegetables Nutrition 0.000 claims description 105
- 238000000034 method Methods 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 35
- 238000012502 risk assessment Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及生鲜果蔬供应链风险评价技术领域,且公开了一种生鲜果蔬供应链风险评价方法,包括终端服务器,终端服务器搭载有采集模块、分析模块、辅助模块以及记录模块,该生鲜果蔬供应链风险评价方法,通过收集和分类单元的协同工作,这种方法能够获取并整理生鲜果蔬供应链中与风险评估相关的数据,它考虑了实际供应和预估数据,以及果蔬种类之间的差异,从而为供应链风险评估提供了更准确的数据基础。这种方法能够帮助决策者更好地了解供应链中的风险因素,并为采取风险管理措施提供有力支持。
Description
技术领域
本发明涉及生鲜果蔬供应链风险评价技术领域,具体为一种生鲜果蔬供应链风险评价方法。
背景技术
生鲜果蔬供应链是指从农田到消费者之间的整个供应链过程,涉及农产品的种植、采摘、运输、加工、贮存和销售等环节。在这个过程中,存在着各种潜在的风险和挑战,如价格波动、运输延迟、货物损坏、质量问题等。因此,为了保证供应链的安全性和可靠性,评估生鲜果蔬供应链的风险是非常重要的。
传统的评价方法在采集相关信息后,在对数据进行集中化处理的过程中,考虑的因素较为片面和集中,这就导致其评估的结果较为片面,所得到的数据也难以有效地反馈出方案的具体优势和劣势,从而对风险评价的结果造成一定的干扰,同时由于生鲜水果具有一定的时效性,因此传统的评价方法在后续的数据维护上也略有缺失,从而造成在市场实际数据变化后,有一定概率方法依然是依靠旧数据进行,从而造成评价结果的偏差。
发明内容
本发明提供了一种生鲜果蔬供应链风险评价方法,具备通过终端服务器上的采集模块、分析模块、辅助模块和记录模块来实现数据的采集、分析、评估和记录,以提供准确的风险评估和管理建议的有益效果,解决了上述背景技术中所提到数据片面化,更新不及时以及数据维护困难的问题。
本发明提供如下技术方案:一种生鲜果蔬供应链风险评价方法,包括终端服务器,所述终端服务器搭载有采集模块、分析模块、辅助模块以及记录模块,具体方法如下:
s1、启动所述终端服务器,并将相关数据输入至所述采集模块中,所述采集模块会对数据进行分析,筛选出相关参数进而输入至所述分析模块内;
s2、所述分析模块接收到所述采集模块收集到的相关参数后,对参数进行计算整理和对比,之后将结果输入至辅助模块内;
S3、所述辅助模块在接收到所述分析模块输入的相关数据结构后,对数据进行再分析,进而生产风险评估报告,并对风险评估报告进行检验以确认数据;
S4、所述记录单元会对上述流程产生的数据和报告生成记录并保存以用于后续检查数据使用。
作为本发明所述生鲜果蔬供应链风险评价方法的一种可选方案,其中:所述S1步骤中的所述采集模块包括收集单元和分类单元;
所述收集单元用于采集果蔬供应的种类n,果蔬的实际供应距离Jln、果蔬的实际运输时间Tmn、果蔬的运输实际价格Jgn、果蔬的实际运输损坏量Shn以及果蔬的实际价格Csn;
所述收集单元还用于采集果蔬供应的预估距离Yjln、果蔬的预估运输时间Ytmn、果蔬的预估运输价格Yjg、果蔬的预估价格Ycsn以及果蔬运输的预估损坏量Yshn;
所述分类单元用于将所述果蔬供应的距离Jln和采集果蔬供应的预估距离Yjln、所述果蔬运输的价格Jgn和所述果蔬的预估运输价格Yjg、所述果蔬的运输时间Tmn和所述果蔬的预估运输时间Ytmn、果蔬的实际价格Csn和果蔬的预估价格Ycsn以及所述果蔬运输的损坏量Shn和所述果蔬运输的预估损坏量Yshn分别与所述果蔬供应的种类n相互对应。
作为本发明所述生鲜果蔬供应链风险评价方法的一种可选方案,其中:所述s2步骤中分析模块包括计算单元,所述计算单元用于计算果蔬的价格差值Jxzn、果蔬的距离差值Lxzn、果蔬的价格差值Cxzn、果蔬的运输时间差值Txzn以及果蔬的损坏量差值Sxzn,多个所述差值通过下列公式计算:
A=B-C
其中A代表各个差值,B代表各个实际项的实际值,C代表各个项目的预估值。
作为本发明所述生鲜果蔬供应链风险评价方法的一种可选方案,其中:所述s2步骤中的分析模块还包括整理单元,所述整理单元用于整理各个差值的数据,使差值数据与果蔬供应的种类n相互适配。
作为本发明所述生鲜果蔬供应链风险评价方法的一种可选方案,其中:所述s3步骤中的辅助模块包括前端处理单元,所述前端处理单元通过下述公式生成参考系数Ckn;
其中,I、U、P、F、V均大于零小于一,且所述I为实际供应距离Jln的权重系数、所述U为实际运输时间Tmn的权重系数、所述P为实际运输损坏量shn的权重系数、所述V为运输实际价格Jgn的权重系数以及所述F为实际价格Csn的权重系数,所述各个权重系数均为常数,且具体值由客户决定。
作为本发明所述生鲜果蔬供应链风险评价方法的一种可选方案,其中:所述s3步骤中的辅助模块还包括后端处理单元,所述后端处理单元通过以下公式生成风险值Fxn;
Fxn=A-Ckn
其中,A代表前述步骤中计算得出的差值,而Ckn代表通过前端处理单元计算得出的参考系数。
作为本发明所述生鲜果蔬供应链风险评价方法的一种可选方案,其中:所述后端处理单元还记录有安全阙值QZ和安全阈值YZ,且所述后端处理单元还用于对风险值Fxn进行分级;
当Fxn≤QZ时,风险值Fxn为低风险读数;
当QZ<Fxn≤YZ,风险值Fxn为中风险读数;
当Fxn≥YZ时,风险值Fxn为高风险读数。
作为本发明所述生鲜果蔬供应链风险评价方法的一种可选方案,其中:所述后端处理单元还通过风险值Fxn的分级读数,生成风险评估报告。
作为本发明所述生鲜果蔬供应链风险评价方法的一种可选方案,其中:所述S4步骤中的记录模块用于记录本方法中生成的相关参数和报告从而校准和完善本方法的数据和流程。
本发明具备以下有益效果:
1、该生鲜果蔬供应链风险评价方法,通过收集和分类单元的协同工作,这种方法能够获取并整理生鲜果蔬供应链中与风险评估相关的数据,它考虑了实际供应和预估数据,以及果蔬种类之间的差异,从而为供应链风险评估提供了更准确的数据基础。这种方法能够帮助决策者更好地了解供应链中的风险因素,并为采取风险管理措施提供有力支持。
2、该生鲜果蔬供应链风险评价方法,通过记录模块的使用,可以对方法进行反馈和改进。根据记录的数据和报告,可以评估方法的准确性、有效性和可靠性,并进行必要的调整和优化。记录模块的存在有助于提高方法的可信度和实用性,并确保在实际应用中能够根据实际情况进行校准和改进从而提高方法的可信度和实用性。
附图说明
图1为本发明模块结构示意图。
图2为本发明的模块及单元的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1-2一种生鲜果蔬供应链风险评价方法,包括终端服务器,终端服务器搭载有采集模块、分析模块、辅助模块以及记录模块,具体方法如下:
s1、启动终端服务器,并将相关数据输入至采集模块中,采集模块会对数据进行分析,筛选出相关参数进而输入至分析模块内;
s2、分析模块接收到采集模块收集到的相关参数后,对参数进行计算整理和对比,之后将结果输入至辅助模块内;
S3、辅助模块在接收到分析模块输入的相关数据结构后,对数据进行再分析,进而生产风险评估报告,并对风险评估报告进行检验以确认数据;
S4、记录单元会对上述流程产生的数据和报告生成记录并保存以用于后续检查数据使用。
本实施例中:这种生鲜果蔬供应链风险评价方法使用了终端服务器和多个模块,通过一系列步骤来评估供应链的风险。
数据采集:将相关数据输入到采集模块中,采集模块会对数据进行分析,识别并提取与风险评估相关的参数。
参数分析:采集模块将筛选出的参数传递给分析模块,分析模块接收到参数后,进行计算、整理和对比。它会使用多种方法来评估各个参数之间的关系,发现潜在的风险因素。
辅助分析:分析模块将处理后的结果传递给辅助模块,辅助模块接收到数据后会再次对其进行分析和处理,生成风险评估报告。
数据记录:记录模块负责对整个评估过程产生的数据和报告进行记录和保存,这样可以确保数据的完整性和可追溯性,并为后续的检查和使用提供依据,记录包括原始数据、中间计算结果、评估报告和相应的操作记录等。
本方法通过采集模块获取数据,分析模块进行参数分析,辅助模块进行综合评估报告生成,以及记录模块进行数据记录和保存,构建了一个完整的生鲜果蔬供应链风险评价流程,对提供对供应链中潜在风险的全面评估,为决策者提供有关风险管理和改进的信息。
实施例2
请参阅图1-2S1步骤中的采集模块包括收集单元和分类单元;
收集单元用于采集果蔬供应的种类n,果蔬的实际供应距离Jln、果蔬的实际运输时间Tmn、果蔬的运输实际价格Jgn、果蔬的实际运输损坏量Shn以及果蔬的实际价格Csn;
收集单元还用于采集果蔬供应的预估距离Yjln、果蔬的预估运输时间Ytmn、果蔬的预估运输价格Yjg、果蔬的预估价格Ycsn以及果蔬运输的预估损坏量Yshn;
分类单元用于将果蔬供应的距离Jln和采集果蔬供应的预估距离Yjln、果蔬运输的价格Jgn和果蔬的预估运输价格Yjg、果蔬的运输时间Tmn和果蔬的预估运输时间Ytmn、果蔬的实际价格Csn和果蔬的预估价格Ycsn以及果蔬运输的损坏量Shn和果蔬运输的预估损坏量Yshn分别与果蔬供应的种类n相互对应。
本实施例中:收集单元负责采集实际供应和预估数据方面的信息。对于实际供应,它收集了果蔬的种类n、实际供应距离Jln、实际运输时间Tmn、运输实际价格Jgn和实际运输损坏量Shn以及果蔬的实际价格Csn的相关数据。
同时它还收集了果蔬的预估距离Yjln、预估运输时间Ytmn、预估运输价格Yjg、预估价格Ycsn和预估损坏量Yshn的相关数据。
分类单元则将收集到的数据进行分类和对应,它将果蔬供应的距离Jln和采集果蔬供应的预估距离Yjln、果蔬运输的价格Jgn和果蔬的预估运输价格Yjg、果蔬的运输时间Tmn和果蔬的预估运输时间Ytmn、果蔬的实际价格Csn和果蔬的预估价格Ycsn以及果蔬运输的损坏量Shn和果蔬运输的预估损坏量Yshn与果蔬的种类n相互对应,并进行分类,这样就能够建立起不同果蔬种类的预估距离Yjln、果蔬的预估运输时间Ytmn、果蔬的预估运输价格Yjg、果蔬的预估价格Ycsn以及果蔬运输的预估损坏量Yshn的相关性。
通过收集和分类单元的协同工作,这种方法能够获取并整理生鲜果蔬供应链中与风险评估相关的数据,它考虑了实际供应和预估数据,以及果蔬种类之间的差异,从而为供应链风险评估提供了更准确的数据基础。这种方法能够帮助决策者更好地了解供应链中的风险因素,并为采取风险管理措施提供有力支持。
实施例3
请参阅图1-2S3步骤中的辅助模块还包括后端处理单元,后端处理单元通过以下公式生成风险值Fxn;
Fxn=A-Ckn
其中,A代表前述步骤中计算得出的差值,而〖Ck〗_n代表通过前端处理单元计算得出的参考系数。
本实施例中:生鲜果蔬供应链风险评价方法中的S2步骤包括一个分析模块,其中计算单元用于计算多个差值,包括果蔬的价格差值Jxzn、果蔬的距离差值Lxzn、果蔬的价格差值Cxzn、果蔬的运输时间差值Txzn以及果蔬的损坏量差值Sxzn,多个差值通过下列公式计算。
A=B-C
其中A代表各个差值,B代表各个实际项的实际值,C代表各个项目的预估值。
这个方法的目的是评估生鲜果蔬供应链中的风险,通过比较实际值和预估值之间的差异来判断风险程度,这些差值包括价格差异、距离差异、运输时间差异以及损坏量差异,通过计算这些差值,可以提供对供应链的风险状况进行量化评估的依据。
该方法通过计算实际值和预估值之间的差异来评估生鲜果蔬供应链的风险,帮助决策者了解供应链中存在的潜在风险,并采取相应的措施来管理和降低这些风险
并通过整理单元对各个差值的数据进行整理,使差值数据与果蔬供应的种类n相互适配,以最大程度地保证数据的适配性。
实施例4
请参阅图1-2,
本实施例中:前端处理单元通过以下公式生成参考系数:
其中,I、U、P、F、V均大于零小于一,且I为实际供应距离Jln的权重系数、U为实际运输时间Tmn的权重系数、P为实际运输损坏量Shn的权重系数、V为运输实际价格Jgn的权重系数以及F为实际价格Csn的权重系数,这些权重系数都是常数,具体的值由客户根据自己的需求和偏好来确定。
通过计算参考系数Ckn,该方法为生鲜果蔬供应链的风险评估提供了一种综合考虑多个因素的指标。每个因素都乘以对应的权重系数,并将它们的加权和除以权重系数之和,得到参考系数Ckn,这个参考系数可以用于衡量不同风险因素对整体风险的贡献程度,这种综合考虑多个因素的方法可以帮助决策者更全面地了解供应链中的风险情况,并做出相应的管理和决策。
实施例5
请参阅图1-2S3步骤中的辅助模块还包括后端处理单元,后端处理单元通过以下公式生成风险值Fxn;
Fxn=A-Ckn
其中,A代表前述步骤中计算得出的差值,而〖Ck〗_n代表通过前端处理单元计算得出的参考系数。
本实施例中:辅助模块还包括后端处理单元,后端处理单元通过以下公式生成风险值Fxn;
Fxn=A-Ckn
其中,A代表前述步骤中计算得出的差值,而Ckn代表通过前端处理单元计算得出的参考系数,通过将差值A减去参考系数Ckn,可以得到最终的风险值Fxn,用于后续的量化评估和比较供应链中的风险程度。
实施例6
请参阅图1-2后端处理单元还记录有安全阙值QZ和安全阈值YZ,且后端处理单元还用于对风险值Fxn进行分级;
当Fxn≤QZ时,风险值Fxn为低风险读数;
当QZ<Fxn≤YZ,风险值Fxn为中风险读数;
当Fxn≥YZ时,风险值Fxn为高风险读数。
后端处理单元还通过风险值Fxn的分级读数,生成风险评估报告。
本实施例中:后端处理单元记录有安全阙值QZ和安全阈值YZ,且后端处理单元通过上述的安全阙值QZ和安全阈值YZ对风险值Fxn进行分级。
当Fxn≤QZ时,风险值Fxn为低风险读数;
当QZ<Fxn≤YZ,风险值Fxn为中风险读数;
当Fxn≥YZ时,风险值Fxn为高风险读数。
通过将风险值分为不同的级别,可以更清晰地了解供应链中的风险程度,后端处理单元还通过风险值Fxn的分级读数生成风险评估报告,根据不同的风险级别,可以生成相应的风险评估报告,其中包含有关风险等级、可能的风险因素以及建议的风险管理措施等信息并提供相应的建议和措施来管理和降低风险。
实施例7
请参阅图1-2s4步骤中的记录模块用于记录本方法中生成的相关参数和报告从而校准和完善本方法的数据和流程。
本实施例中:记录模块的主要功能是跟踪和存储生鲜果蔬供应链风险评价方法中使用的各种参数和报告。通过记录这些数据,可以进行后续的数据分析、比较和验证,以进一步完善和校准该方法的数据和流程。
通过记录模块的使用,可以对方法进行反馈和改进。根据记录的数据和报告,可以评估方法的准确性、有效性和可靠性,并进行必要的调整和优化。记录模块的存在有助于提高方法的可信度和实用性,并确保在实际应用中能够根据实际情况进行校准和改进从而提高方法的可信度和实用性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上所述仅是本发明的预估实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种生鲜果蔬供应链风险评价方法,包括终端服务器,所述终端服务器搭载有采集模块、分析模块、辅助模块以及记录模块,其特征在于:具体方法如下:
S1、启动所述终端服务器,并将相关数据输入至所述采集模块中,所述采集模块会对数据进行分析,筛选出相关参数进而输入至所述分析模块内;
S2、所述分析模块接收到所述采集模块收集到的相关参数后,对参数进行计算整理和对比,之后将结果输入至辅助模块内;
S3、所述辅助模块在接收到所述分析模块输入的相关数据结构后,对数据进行再分析,进而生产风险评估报告,并对风险评估报告进行检验以确认数据;
S4、所述记录单元会对上述流程产生的数据和报告生成记录并保存以用于后续检查数据使用。
2.根据权利要求1所述的生鲜果蔬供应链风险评价方法,其特征在于:所述S1步骤中的所述采集模块包括收集单元和分类单元;
所述收集单元用于采集果蔬供应的种类n,果蔬的实际供应距离Jln、果蔬的实际运输时间Tmn、果蔬的运输实际价格Jgn、果蔬的实际运输损坏量Shn以及果蔬的实际价格Csn;
所述收集单元还用于采集果蔬供应的预估距离Yjln、果蔬的预估运输时间Ytmn、果蔬的预估运输价格Yjg、果蔬的预估价格Ycsn以及果蔬运输的预估损坏量Yshn;
所述分类单元用于将所述果蔬供应的距离Jln和采集果蔬供应的预估距离Yjln、所述果蔬运输的价格Jgn和所述果蔬的预估运输价格Yjg、所述果蔬的运输时间Tmn和所述果蔬的预估运输时间Ytmn、果蔬的实际价格Csn和果蔬的预估价格Ycsn以及所述果蔬运输的损坏量Shn和所述果蔬运输的预估损坏量Yshn分别与所述果蔬供应的种类n相互对应。
3.根据权利要求2所述的生鲜果蔬供应链风险评价方法,其特征在于:所述S2步骤中分析模块包括计算单元,所述计算单元用于计算果蔬的价格差值Jxzn、果蔬的距离差值Lxzn、果蔬的价格差值Cxzn、果蔬的运输时间差值Txzn以及果蔬的损坏量差值Sxzn,多个所述差值通过下列公式计算:
A=B-C
其中A代表各个差值,B代表各个实际项的实际值,C代表各个项目的预估值。
4.根据权利要求3所述的生鲜果蔬供应链风险评价方法,其特征在于:所述s2步骤中的分析模块还包括整理单元,所述整理单元用于整理各个差值的数据,使差值数据与果蔬供应的种类n相互适配。
5.根据权利要求4所述的生鲜果蔬供应链风险评价方法,其特征在于:所述S3步骤中的辅助模块包括前端处理单元,所述前端处理单元通过下述公式生成参考系数Ckn;
其中,I、U、P、F、V均大于零小于一,且所述I为实际供应距离Jln的权重系数、所述U为实际运输时间Tmn的权重系数、所述P为实际运输损坏量Shn的权重系数、所述V为运输实际价格Jgn的权重系数以及所述F为实际价格Csn的权重系数,所述各个权重系数均为常数,且具体值由客户决定。
6.根据权利要求5所述的生鲜果蔬供应链风险评价方法,其特征在于:所述S3步骤中的辅助模块还包括后端处理单元,所述后端处理单元通过以下公式生成风险值Fxn;
Fxn=A-Ckn
其中,A代表前述步骤中计算得出的差值,而Ckn代表通过前端处理单元计算得出的参考系数。
7.根据权利要求6所述的生鲜果蔬供应链风险评价方法,其特征在于:所述后端处理单元还记录有安全阙值QZ和安全阈值YZ,且所述后端处理单元还用于对风险值Fxn进行分级;
当Fxn≤QZ时,风险值Fxn为低风险读数;
当QZ<Fxn≤YZ,风险值Fxn为中风险读数;
当Fxn≥YZ时,风险值Fxn为高风险读数。
8.根据权利要求7所述的生鲜果蔬供应链风险评价方法,其特征在于:所述后端处理单元还通过风险值Fxn的分级读数,生成风险评估报告。
9.根据权利要求8所述的生鲜果蔬供应链风险评价方法,其特征在于:所述S4步骤中的记录模块用于记录本方法中生成的相关参数和报告从而校准和完善本方法的数据和流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311113104.9A CN117035426A (zh) | 2023-08-31 | 2023-08-31 | 一种生鲜果蔬供应链风险评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311113104.9A CN117035426A (zh) | 2023-08-31 | 2023-08-31 | 一种生鲜果蔬供应链风险评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117035426A true CN117035426A (zh) | 2023-11-10 |
Family
ID=88602329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311113104.9A Pending CN117035426A (zh) | 2023-08-31 | 2023-08-31 | 一种生鲜果蔬供应链风险评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035426A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150178651A1 (en) * | 2013-12-19 | 2015-06-25 | International Business Machines Corporation | Supply chain risk assessment |
CN107918837A (zh) * | 2017-12-30 | 2018-04-17 | 天津科技大学 | 一种果蔬类食品安全风险预测方法 |
CN110599071A (zh) * | 2019-10-08 | 2019-12-20 | 北京工商大学 | 一种基于bp神经网络的蔬菜冷链物流系统 |
CN115564593A (zh) * | 2022-10-17 | 2023-01-03 | 中国农业银行股份有限公司 | 一种针对农作物的融资预警方法、设备和存储介质 |
-
2023
- 2023-08-31 CN CN202311113104.9A patent/CN117035426A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150178651A1 (en) * | 2013-12-19 | 2015-06-25 | International Business Machines Corporation | Supply chain risk assessment |
CN107918837A (zh) * | 2017-12-30 | 2018-04-17 | 天津科技大学 | 一种果蔬类食品安全风险预测方法 |
CN110599071A (zh) * | 2019-10-08 | 2019-12-20 | 北京工商大学 | 一种基于bp神经网络的蔬菜冷链物流系统 |
CN115564593A (zh) * | 2022-10-17 | 2023-01-03 | 中国农业银行股份有限公司 | 一种针对农作物的融资预警方法、设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
王雅提等: "野生林果供应链风险分析与控制研究", 森林工程, vol. 33, no. 4, 31 July 2017 (2017-07-31), pages 1 - 6 * |
谢科范,袁明彭,彭华涛: "《企业风险管理 第2版》", 31 August 2014, 武汉理工大学出版社, pages: 181 - 184 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Buzau et al. | Hybrid deep neural networks for detection of non-technical losses in electricity smart meters | |
CN111666269B (zh) | 食品安全大数据自动编码与全链条溯源体系 | |
EP3678065A1 (en) | Chinese medicine production process knowledge system | |
Bhatt et al. | Automatic apple grading model development based on back propagation neural network and machine vision, and its performance evaluation | |
Chouhan et al. | Sustainable planning and decision-making model for sugarcane mills considering environmental issues | |
CN111210181B (zh) | 一种货物流向管控方法及系统 | |
Mundi et al. | Review of mathematical models for production planning under uncertainty due to lack of homogeneity: proposal of a conceptual model | |
CN110569904A (zh) | 机器学习模型的构建方法及计算机可读存储介质 | |
CN116596305A (zh) | 用于食品安全管理的风险分级方法 | |
CN113450009A (zh) | 一种企业成长性评价的方法及系统 | |
CN117035607A (zh) | 一种基于物联网的仓储容量预测管理系统及方法 | |
CN115204995A (zh) | 一种税务数据采集分析方法、系统及计算机存储介质 | |
CN117035426A (zh) | 一种生鲜果蔬供应链风险评价方法 | |
Seifbarghy | Measurement of supply risk and determining supply strategy, case study: A refrigerator making company | |
CN112037006A (zh) | 小微企业的信用风险识别方法及装置 | |
KR102499182B1 (ko) | 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템 | |
Jiang et al. | A standard-based approach for multi-criteria performance evaluation of engineered systems | |
Terzi et al. | Comparison of financial distress prediction models: Evidence from turkey | |
Singh et al. | Price forecasting of agricultural commodities in electronic-national agriculture market: using ARIMA model | |
Flemmer | Validity and reliability of life cycle assessment: A case study of New Zealand dairy production | |
Glaser et al. | Anomaly Detection Methods to Improve Supply Chain Data Quality and Operations | |
CN116757709B (zh) | 一种基于知识图谱的铜精矿进口风险分析方法及系统 | |
Muslim | Naive Bayes Algorithm in Hs Code Classification for Optimizing Customs Revenue and Mitigation of Potential Restitution | |
CN115907622B (zh) | 一种大宗农产品出入库管理方法和系统 | |
CN113554278A (zh) | 一种动态柔性规则的公司经营危机预警方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |