基于IIM的干旱灾害对黑龙江省玉米供应链的级联影响研究
发布时间：2021-03-04 09:19
为研究干旱灾害对黑龙江省玉米供应链的级联效应,以1998-2017年黑龙江省每年5-9月玉米生长期的降雨量月平均值代表各年不同的干旱程度,通过拟合降雨量-玉米产量方程给出了干旱灾害对玉米产量影响的规律,考虑由于供应链节点间的相互依赖性而存在的级联效应,把干旱灾害对玉米产量的影响作为触发供应链网络级联效应的初始扰动事件,采用不可运作投入产出模型（Inoperability Input-Output Model,IIM）和有序加权平均（Ordered Weighted Averaging,OWA）算子相结合的方法,通过评估当干旱导致供应短缺时玉米供应链上各节点的不可运作性,研究干旱灾害对黑龙江省玉米供应链的级联影响。结果表明,因干旱导致的玉米产量下降不仅给玉米生产者（农户）造成了损失,还通过级联效应将这种损失传递至整个供应链网络,给供应链上的所有节点均造成了不同程度的不可运作性。与其他节点的相互依赖程度越强,则受到干旱灾害导致的供给短缺的影响越严重,造成的不可运作程度与经济损失也越大。
【文章来源】：灾害学. 2020,35(03)北大核心
【文章页数】：5 页
【部分图文】：
趋势产量拟合曲线
根据公式(1)和公式(2),可以得到1998-2017年每年的气象产量值,采用正交多项式对连续20年的气象产量数据进行拟合,为了使拟合结果更加符合实际情况,假设当黑龙江省5-9月的总降雨量为0时,玉米的总产量为0。拟合结果显示二次项为最佳,其中R2=0.967,P=0<0.05,公式(3)和图2分别给出了气象产量拟合方程和拟合曲线,表明降雨量每改变1 mm所带来的玉米产量的变化量,当降雨量小于374 mm时表示干旱造成玉米产量的减少量。2 干旱灾害导致的玉米农产品供应链级联效应
本文以黑龙江省BR玉米淀粉制造供应链为例(图3),该供应链中玉米淀粉的制造商从粮食收购商处获得玉米原料的供应,加工后将淀粉送到超市进行销售,最终到达顾客手中。通过对各节点相关人员进行深度访谈,综合各节点相关人员的意见,确定了影响节点相关性的四个主要因素分别为节点间的交易量、节点间可替代性、产品价格、库存量,并确定权重W=(0.4,0.3,0.2,0.1)T,获得了各节点直接相连的评价矩阵,经计算,本文中的玉米农产品供应链的相互依赖矩阵为:
【参考文献】：
期刊论文
[1]山东省农业气象灾害与主要农作物产量的灰色关联分析[J]. 于小兵,陈虹,吉中会,李陈靓. 灾害学. 2019(03)
[2]区域异质性:自然灾害、农业增长与农民收入——基于31个省市自治区2006-2015年面板数据[J]. 黄毅,邓志英. 灾害学. 2018(02)
[3]我国玉米主产省自然灾害灾情分析[J]. 吴祖葵,杨敬华,刘勍. 中国农业资源与区划. 2018(03)
[4]黑龙江省农业气象灾害与大豆产量的灰色关联分析[J]. 温丹苹,李静,何朋飞. 自然灾害学报. 2017(04)
[5]基于不可运作性输入输出模型的供应链冲击级联影响研究[J]. 魏海蕊,盛昭瀚. 软科学. 2017(06)
[6]基于IIM的五级供应链风险控制策略[J]. 邓曦东,张慧,魏敏. 价值工程. 2016(13)
[7]北方地区不同等级干旱对春玉米产量影响[J]. 董朝阳,刘志娟,杨晓光. 农业工程学报. 2015(11)
[8]基于动态IIM模型的经济系统关联型损失评估[J]. 郑德权,丁云龙,苗鑫. 预测. 2013(05)
[9]东北地区农业气象灾害的趋势变化及其对粮食产量的影响[J]. 马建勇,许吟隆,潘婕. 中国农业气象. 2012(02)
[10]降雨量和氮素对黑土区春玉米产量的影响[J]. 赵京考,卢静,谷思玉,龚振平,温延臣. 农业工程学报. 2011(12)
硕士论文
[1]基于动态IIM的供应链弹性测度研究[D]. 李生伟.北京交通大学 2018
本文编号：3062962
【文章来源】：灾害学. 2020,35(03)北大核心
【文章页数】：5 页
【部分图文】：
趋势产量拟合曲线
根据公式(1)和公式(2),可以得到1998-2017年每年的气象产量值,采用正交多项式对连续20年的气象产量数据进行拟合,为了使拟合结果更加符合实际情况,假设当黑龙江省5-9月的总降雨量为0时,玉米的总产量为0。拟合结果显示二次项为最佳,其中R2=0.967,P=0<0.05,公式(3)和图2分别给出了气象产量拟合方程和拟合曲线,表明降雨量每改变1 mm所带来的玉米产量的变化量,当降雨量小于374 mm时表示干旱造成玉米产量的减少量。2 干旱灾害导致的玉米农产品供应链级联效应
本文以黑龙江省BR玉米淀粉制造供应链为例(图3),该供应链中玉米淀粉的制造商从粮食收购商处获得玉米原料的供应,加工后将淀粉送到超市进行销售,最终到达顾客手中。通过对各节点相关人员进行深度访谈,综合各节点相关人员的意见,确定了影响节点相关性的四个主要因素分别为节点间的交易量、节点间可替代性、产品价格、库存量,并确定权重W=(0.4,0.3,0.2,0.1)T,获得了各节点直接相连的评价矩阵,经计算,本文中的玉米农产品供应链的相互依赖矩阵为:
【参考文献】：
期刊论文
[1]山东省农业气象灾害与主要农作物产量的灰色关联分析[J]. 于小兵,陈虹,吉中会,李陈靓. 灾害学. 2019(03)
[2]区域异质性:自然灾害、农业增长与农民收入——基于31个省市自治区2006-2015年面板数据[J]. 黄毅,邓志英. 灾害学. 2018(02)
[3]我国玉米主产省自然灾害灾情分析[J]. 吴祖葵,杨敬华,刘勍. 中国农业资源与区划. 2018(03)
[4]黑龙江省农业气象灾害与大豆产量的灰色关联分析[J]. 温丹苹,李静,何朋飞. 自然灾害学报. 2017(04)
[5]基于不可运作性输入输出模型的供应链冲击级联影响研究[J]. 魏海蕊,盛昭瀚. 软科学. 2017(06)
[6]基于IIM的五级供应链风险控制策略[J]. 邓曦东,张慧,魏敏. 价值工程. 2016(13)
[7]北方地区不同等级干旱对春玉米产量影响[J]. 董朝阳,刘志娟,杨晓光. 农业工程学报. 2015(11)
[8]基于动态IIM模型的经济系统关联型损失评估[J]. 郑德权,丁云龙,苗鑫. 预测. 2013(05)
[9]东北地区农业气象灾害的趋势变化及其对粮食产量的影响[J]. 马建勇,许吟隆,潘婕. 中国农业气象. 2012(02)
[10]降雨量和氮素对黑土区春玉米产量的影响[J]. 赵京考,卢静,谷思玉,龚振平,温延臣. 农业工程学报. 2011(12)
硕士论文
[1]基于动态IIM的供应链弹性测度研究[D]. 李生伟.北京交通大学 2018
本文编号：3062962
本文链接：https://www.wllwen.com/jingjilunwen/nongyejingjilunwen/3062962.html
