下载掌阅APP，畅读海量书库
立即打开
目前，大多数文献对供应风险的度量是建立在风险中性（期望值）的基础上。实际上，对于企业来说，其面临的供应风险有多种，有常规性的干扰风险如供应商的供应不确定、常规突发事件风险、非常规突发事件风险或极端事件风险等。对于管理者和决策者来说，其最关心的是与一个具体事件相关的风险，而不是由不同风险情况引发的平均不利结果的可能性。从这个意义上讲，目前仍在大多数风险分析中占统治地位的风险期望值非但不够充分，而且可能导致谬误的结果和解释。
下面，以地下水系统中污染物的浓度为例进行说明。假设事件A产生的污染物浓度 X 1 =2pbb和事件B产生的污染物浓度 X 2 =20 000pbb分别拥有概率 P 1 =0.1和 P 2 =0.000 01，对总期望值产生同样的贡献。然而对于决策者来说，相对低可能性（地下水的浓度有20 000ppb）的灾难性污染决不可与高可能性低浓度0.2ppb的污染同日而语。由于数据平滑的特性，在这个事例中，就是因为风险期望值并没有突出灾难事件及它们的后果，因而歪曲了对作为不可接受的风险的感知。事实上，通常人们不是风险中性的，相对于经常发生的小危害事故，他们更关心低概率的灾难事件且这类事件是风险极度规避的。值得注意的是，管理者在他们的任期内所做的“好的”决策的数目并不是受奖、提升和晋级的唯一依据；然而，它们却可能由于任何一个灾难性的决策而被罚，尽管任期内该类决定做得很少。所以，对于管理者来说，在对突发事件进行风险度量时，需要将这种风险从一般性风险中分割出来。
目前，部分文献在研究企业如何应对风险时，考虑到了管理者的风险态度，其中VaR（Value at risk）和CVaR（Conditional Value at Risk）风险度量准则常被用来刻画管理者的风险态度。只不过，VaR和CVaR在刻画管理者面临的需求侧风险时，现有的模型大都针对的是一般需求扰动风险。VaR方法将注意力集中在一定置信水平下的分位点上最大的预计损失，CVaR方法代表了超额损失的平均水平，反映了损失额超过VaR时可能遭受的平均损失。从VaR和CVaR在供应链风险中的应用来看，集中在需求风险或需求不确定上的报童订货决策。例如，Tapiero（2005） [111] 将研究需求风险下的库存管理时，将VaR引入到库存管理决策中，并指出VaR是量化库存风险的一种有效方法；Gan et al [112] 、陈菊红和郭福利 [113] 、赵道致和何龙飞 [114] 、黄松等 [115] 研究了VaR约束下的供应链订货决策及协调契约；Ozler et al [116] 进一步研究了VaR约束下的多产品报童问题。相比较VaR，CVaR具有良好的计算性质，满足规划性质和可加性，有关两种准则的比较具体可以参考Rockafeller and Uryasev [117] 、Rockafeller and Uryasev [118] 、Chen et al（2009） [119] 。近年来，CVaR也逐步运用于对供应链风险控制的研究中，主要研究供应链的订货决策问题，如高文军和陈菊红 [120] 、Chiu and Choi [121] 、Gotoh and Takano [122] 、许明辉等 [123] 、周艳菊等（2006） [124] 、柳健和罗春林 [125] 运用CVaR研究了需求扰动风险下具有风险规避特性的报童订货问题。叶飞等 [126] 运用CVaR研究了需求不确定风险下具有风险规避特性的农户的生产决策问题。于辉和甄学平 [127] 运用CVaR研究了银行利率决策问题。目前，只有少量文献运用CVaR研究了供应中断风险下的供应链突发事件应急管理，如于辉等 [108] 、安智宇和周晶 [109] 、霍良安等 [128] 。