建材裝備制造業(yè)原材料采購供應(yīng)商選擇評(píng)價(jià)研究

許 磊，郭順生，胡烈鋒，朱澤強(qiáng)，陳龍龍

(武漢理工大學(xué) 機(jī)電工程學(xué)院，湖北 武漢 430070)

隨著我國(guó)經(jīng)濟(jì)改革逐步進(jìn)入深水區(qū)，建材裝備制造業(yè)實(shí)現(xiàn)了跨越式發(fā)展，整體呈現(xiàn)健康、快速、良性的發(fā)展態(tài)勢(shì)，極大地拉動(dòng)了地區(qū)經(jīng)濟(jì)發(fā)展水平。在激烈的競(jìng)爭(zhēng)環(huán)境下，建材裝備制造業(yè)凸顯出以下特點(diǎn)：上下游產(chǎn)業(yè)關(guān)聯(lián)密切，產(chǎn)品具有小批量、多品種的特點(diǎn)，個(gè)性化需求越來越強(qiáng)；其所涉及的產(chǎn)品工程復(fù)雜，生產(chǎn)周期長(zhǎng)，需要配備大量的外購件，該產(chǎn)業(yè)對(duì)資源的消耗和依賴很大，采購部采購的原材料或者半成品質(zhì)量甚至直接影響最后產(chǎn)品成型的質(zhì)量，因此企業(yè)對(duì)原材料采購供應(yīng)商、物流廠商等相關(guān)合作商提出了更高質(zhì)量的要求[1]。

在如何幫助企業(yè)控制產(chǎn)品原材料質(zhì)量，合理選擇優(yōu)質(zhì)供應(yīng)商這個(gè)問題上眾多學(xué)者和專家們都有著深入的研究。耿秀麗、葉春明[2]在研究傳統(tǒng)供貨商評(píng)價(jià)指標(biāo)分配權(quán)重時(shí)存在主觀性的問題，采用改進(jìn)粗糙集來挖掘指標(biāo)信息，用加權(quán)求和法分配權(quán)重，對(duì)于不確定的指標(biāo)信息運(yùn)用直覺模糊集來處理，最后通過VIKOR方法對(duì)供貨商進(jìn)行合理選擇。梁智昊、何維達(dá)[3]利用粒子群算法訓(xùn)練BP神經(jīng)算法的權(quán)值和閾值來加快神經(jīng)網(wǎng)絡(luò)的收斂性，提出了一種由主成分分析法、BP神經(jīng)算法和粒子群算法相結(jié)合的神經(jīng)融合法，并用實(shí)例驗(yàn)證了供應(yīng)商選擇的合理性和有效性。 王建廷、余強(qiáng)[4]針對(duì)多條供應(yīng)鏈的供應(yīng)商選擇進(jìn)行研究，提出ANP和PROMETHEE結(jié)合法，ANP方法解決評(píng)價(jià)指標(biāo)相互依存、反支配作用的問題，PROMETHEE在做評(píng)價(jià)時(shí)具有非補(bǔ)償性的優(yōu)點(diǎn)，出現(xiàn)逆序的問題最少，最后通過實(shí)例驗(yàn)證其合理性。馬琳[5]針對(duì)電梯供應(yīng)商的選擇問題，將熵權(quán)和TOPSIS方法結(jié)合建立一種供應(yīng)商評(píng)價(jià)模型，利用熵權(quán)的思想確定最優(yōu)權(quán)重配置，彌補(bǔ)之前供應(yīng)商評(píng)價(jià)模型主觀性過強(qiáng)的缺點(diǎn)，并用實(shí)例加以驗(yàn)證模型的可行性。Tavana[6]等提出了基于ANN和自適應(yīng)人工神經(jīng)模糊法相結(jié)合的供應(yīng)選擇模型框架，先把數(shù)據(jù)聚合再進(jìn)行層次分析，最后的排名和選擇根據(jù)多層選擇器來綜合得出。

這些研究雖然深入，但不同方法的針對(duì)性、適用范圍和企業(yè)可操作性都不同，尤其對(duì)于建材裝備制造企業(yè)原材料采購供應(yīng)商有其特有的指標(biāo)準(zhǔn)則，研究甚少。目前企業(yè)在原材料采購供貨商方面主要存在的問題是面對(duì)繁多的供貨商缺乏科學(xué)系統(tǒng)的選擇方法、潛在供應(yīng)商優(yōu)勢(shì)開發(fā)不足、交易投入人力、物力、信息費(fèi)用成本高和供需雙方信息反饋不及時(shí)等。

筆者在以上學(xué)者的研究基礎(chǔ)上，結(jié)合建材裝備制造業(yè)的獨(dú)特性，首先創(chuàng)建原材料采購供應(yīng)商評(píng)價(jià)指標(biāo)體系，確保準(zhǔn)確完整地體現(xiàn)供應(yīng)商的綜合實(shí)力，接著用層次分析法ANP分析得出不同級(jí)別的指標(biāo)權(quán)重，用Levenberg-Marquard算法創(chuàng)建神經(jīng)網(wǎng)絡(luò)供應(yīng)商評(píng)價(jià)模型，通過采集到的供應(yīng)商的實(shí)際原始數(shù)據(jù)，訓(xùn)練得到合適的評(píng)價(jià)模型，最后用實(shí)際供應(yīng)商數(shù)據(jù)來測(cè)試、驗(yàn)證模型的可行性和合理性。

1 原材料供應(yīng)商評(píng)價(jià)指標(biāo)體系的創(chuàng)建

1.1 原材料采購供應(yīng)商評(píng)價(jià)體系建立的原則

建材裝備制造業(yè)配件供應(yīng)商指標(biāo)選擇原則不只是一般的采購供應(yīng)商的評(píng)價(jià)指標(biāo)，在選擇指標(biāo)時(shí)應(yīng)充分考慮到建材裝備制造業(yè)的行業(yè)特點(diǎn)，如“小批量、多品種”產(chǎn)品模式，個(gè)性化和多樣化越來越突出，產(chǎn)業(yè)之間關(guān)聯(lián)效應(yīng)強(qiáng)；同時(shí)建材裝備制造業(yè)產(chǎn)品復(fù)雜、產(chǎn)業(yè)鏈長(zhǎng)、原材料工藝和品種要求高等特點(diǎn)。在選擇評(píng)價(jià)指標(biāo)時(shí)需要遵循以下原則：①系統(tǒng)全面性原則；②簡(jiǎn)明科學(xué)性原則；③拓展性原則；④可行性原則。

1.2 原材料采購供應(yīng)商評(píng)價(jià)方法的選擇

隨著供應(yīng)商選擇評(píng)價(jià)的深入研究和交叉學(xué)科的興起，運(yùn)籌學(xué)、數(shù)學(xué)、神經(jīng)網(wǎng)絡(luò)、計(jì)算機(jī)科學(xué)等相繼被應(yīng)用到評(píng)價(jià)方法中，其中有層次分析法、模糊綜合評(píng)價(jià)法、TOPSIS評(píng)價(jià)法、遺傳算法、灰色關(guān)聯(lián)度評(píng)價(jià)法和BP神經(jīng)網(wǎng)絡(luò)算法。模糊綜合評(píng)價(jià)法對(duì)含有模糊性的信息資料進(jìn)行準(zhǔn)確、合理的評(píng)價(jià)，但計(jì)算過程復(fù)雜多變，分析權(quán)重時(shí)主觀性比較強(qiáng)；TOPSIS評(píng)價(jià)法適用范圍廣，直觀性強(qiáng)，可靠性高，但是存在實(shí)際應(yīng)用中會(huì)遇到“逆序問題”的出現(xiàn)，常需要與其他方法配合使用，難度高；遺傳算法全局搜索能力強(qiáng)，在適用空間內(nèi)可快速搜索全局最優(yōu)解，但容易早熟，由于遺傳算法屬于隨機(jī)類算法，穩(wěn)定性不高等。

綜上所述，各種方法都存在一定的優(yōu)缺點(diǎn)和適用范圍。近年來隨著人工神經(jīng)網(wǎng)絡(luò)的迅速發(fā)展，BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力、較強(qiáng)的自學(xué)習(xí)自適應(yīng)性能力、泛化能力和容錯(cuò)性強(qiáng)等優(yōu)點(diǎn)，在模式識(shí)別、 非線性逼近、評(píng)價(jià)預(yù)測(cè)等方面均取得良好的效果。但也存在一些缺點(diǎn)，如容易陷入局部最優(yōu)解、收斂速度慢等問題，因此筆者采用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)算法——Levenberg-Marquard算法來構(gòu)建原材料采購供應(yīng)商評(píng)價(jià)模型。

1.3 原材料采購供應(yīng)商評(píng)價(jià)指標(biāo)確定

根據(jù)評(píng)價(jià)指標(biāo)的原則，經(jīng)過詳細(xì)了解建材裝備制造企業(yè)合作的采購供應(yīng)商信息，表1列出了供應(yīng)商的8個(gè)一級(jí)指標(biāo)，23個(gè)二級(jí)指標(biāo)，并分別對(duì)每個(gè)指標(biāo)都進(jìn)行了詳細(xì)的解釋。

表1 原材料采購供應(yīng)商評(píng)價(jià)指標(biāo)匯總表

2 BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介及原材料采購供應(yīng)商評(píng)價(jià)模型設(shè)計(jì)

2.1 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)是一種誤差可逆?zhèn)鞑ニ惴ù罅坑?xùn)練出來的多層前饋網(wǎng)絡(luò)，包括前端輸入層、中間隱含層和輸出層3層結(jié)構(gòu)，如圖1所示。BP神經(jīng)網(wǎng)絡(luò)在沒有事先了解輸入輸出內(nèi)部映射關(guān)系情況下可使用最速下降法學(xué)習(xí)和存儲(chǔ)這種關(guān)系量，在反向傳播過程中隨時(shí)調(diào)整各網(wǎng)絡(luò)層的連接權(quán)值和閾值以達(dá)到誤差平方和最小的目的[7]。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

如圖1所示，BP神經(jīng)網(wǎng)絡(luò)用于原材料采購供應(yīng)商評(píng)價(jià)的基本思路如下：設(shè)輸入變量X=(a1,a2,a3,…，an)，隱含層變量Y=(b1,b2,b3,…，bt)，輸出層變量Z=(c1,c2,c3,…，cm)，期望輸出變量P=(p1,p2,p3,…，pm)，α(1,2,3,…，t)是隱含層t個(gè)節(jié)點(diǎn)的閾值，β(1,2,3，…,m)是輸出層m個(gè)節(jié)點(diǎn)的閾值，Sij是輸入層和隱含層之間的連接權(quán)值，Sik是隱含層和輸出層之間的連接權(quán)值，δ和ψ是隱含層和輸出層的激勵(lì)函數(shù)。

BP神經(jīng)網(wǎng)絡(luò)算法存在學(xué)習(xí)效率低、收斂慢、局部極小等缺點(diǎn)，LMBP算法是牛頓法和梯度下降法的結(jié)合，是BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)算法，它的優(yōu)勢(shì)在于連接收斂速度快、精度高，因此筆者將采用Levenberg-Marquardt算法對(duì)原材料采購供應(yīng)商做出評(píng)價(jià)。

LMBP算法原理[8]如下：假設(shè)某次修正的權(quán)值時(shí)的誤差函數(shù)是E(s)，現(xiàn)在神經(jīng)網(wǎng)絡(luò)的權(quán)值是s(k)，目的修改量為Δs(k)，desk是信號(hào)從隱含層到輸出層第k個(gè)節(jié)點(diǎn)的輸出，則下一刻修改后的權(quán)值為：

s(k+1)=s(k)+Δs(k)

(1)

BP神經(jīng)網(wǎng)絡(luò)算法的實(shí)際誤差為：

(2)

其中：

eq=Pqk-desqk

(3)

根據(jù)牛頓法，對(duì)下一刻的誤差函數(shù)展開二階泰勒級(jí)數(shù)后可得:

s(k+1)=s(k)+A-1h·CTk

(4)

(5)

其中Hk為L(zhǎng)MBP算法引進(jìn)的Jacobian矩陣：

e=[e1,e2,…,eQ]

(6)

Hessian矩陣Ah單個(gè)元素表示為：

(7)

把Hk帶入式(7)可得：

(8)

其中

(9)

當(dāng)誤差函數(shù)值E(s)在最低處時(shí)，θ會(huì)變得很小甚至可忽略不計(jì)，這樣式(8)可簡(jiǎn)化為：

(10)

將式(10)帶入式(4)中化簡(jiǎn)得：

(11)

(12)

式中：I為單位矩陣，σ是很小的正數(shù)，故

(13)

2.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)參數(shù)選擇

表1中原材料采購供應(yīng)商評(píng)價(jià)體系中共有23個(gè)指標(biāo)，因此神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)為23。輸出層節(jié)點(diǎn)個(gè)數(shù)是按照評(píng)價(jià)模型的輸出結(jié)果數(shù)來定，這里只輸出一個(gè)最終評(píng)價(jià)值，因此輸出層節(jié)點(diǎn)數(shù)為1。隱含層節(jié)點(diǎn)數(shù)一般是通過經(jīng)驗(yàn)公式來確定。經(jīng)驗(yàn)公式[9]如下：

式中：t為隱含層節(jié)點(diǎn)個(gè)數(shù)，m為輸入層節(jié)點(diǎn)數(shù)，k為輸出層節(jié)點(diǎn)數(shù)，c為1～10之間的常數(shù)。筆者首先通過以上公式得到隱含層節(jié)點(diǎn)的最小值和最大值，在這個(gè)范圍內(nèi)通過試錯(cuò)法來測(cè)試誤差最小的節(jié)點(diǎn)數(shù)為10。隱含層的激活函數(shù)選雙正切函數(shù)tansig函數(shù)，考慮到輸出層輸出結(jié)果值在0到1范圍內(nèi)，因此輸出層的激活函數(shù)選用Log-Sigmoid函數(shù)。神經(jīng)網(wǎng)絡(luò)具體參數(shù)如表2所示。

表2 神經(jīng)網(wǎng)絡(luò)參數(shù)表

3 實(shí)例分析

唐山建材裝備制造A公司與尼日利亞合作關(guān)于生產(chǎn)輔料側(cè)式取料機(jī)(REB)的“尼日利亞(EDO)”項(xiàng)目，其中需要采購一臺(tái)規(guī)格為YOX450的液力耦合器，經(jīng)查詢公司供應(yīng)商管理系統(tǒng)以及聯(lián)系采購部、質(zhì)量部、市場(chǎng)部的有關(guān)人員篩選出供應(yīng)商庫中售賣此種型號(hào)液力耦合器的18個(gè)供應(yīng)商，并根據(jù)表1所示的評(píng)價(jià)指標(biāo)收集到的原始數(shù)據(jù)記錄在表3中。

表3 供應(yīng)商各參數(shù)指標(biāo)原始記錄表

表3中P1,P2,…,P18為18個(gè)供應(yīng)商的編號(hào)，由于采集到的各指標(biāo)數(shù)值差距大，量綱也各不相同，因此首先需要對(duì)數(shù)據(jù)進(jìn)行歸一化，筆者將表中原始數(shù)據(jù)歸一化為[0,1]范圍的數(shù)，歸一化方法有很多，這里采用最大最小法，這樣線性變換處理后可保留數(shù)據(jù)原始價(jià)值，不會(huì)丟失潛在信息。歸一化公式如下：

(14)

式中，X(i)為任意輸入歸一化后的值；x(min),x(max)為原始記錄表中最小、最大值。在表3中，最后一行“歸一化分值”欄中數(shù)值和實(shí)際供應(yīng)商評(píng)價(jià)等級(jí)對(duì)應(yīng)關(guān)系如表4所示，Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ級(jí)依次代表著供應(yīng)商綜合實(shí)力從最弱到最強(qiáng)；表3中倒數(shù)第二行“綜合評(píng)分”欄是根據(jù)層次分析法(AHP)[10]計(jì)算出一級(jí)、二級(jí)指標(biāo)的所有權(quán)重后和原始數(shù)據(jù)相乘得到的結(jié)果。

表4 供應(yīng)商等級(jí)和歸一化數(shù)值對(duì)應(yīng)表

樣本歸一化處理后就可以作為輸入向量參與訓(xùn)練，筆者采用MATLAB工具箱中newff函數(shù)創(chuàng)建一個(gè)神經(jīng)網(wǎng)絡(luò)，trainlm作為訓(xùn)練函數(shù)，sim函數(shù)作為仿真函數(shù)。表3中共18組數(shù)據(jù)，用前14組作為訓(xùn)練數(shù)據(jù)，后4組數(shù)據(jù)做仿真預(yù)測(cè)。

神經(jīng)網(wǎng)絡(luò)經(jīng)過16次訓(xùn)練誤差已達(dá)到最小0.000 1，其訓(xùn)練過程誤差曲線如圖2所示，期望輸出值和實(shí)際輸出值誤差曲線如圖3所示，從圖3可以看出訓(xùn)練樣本的網(wǎng)絡(luò)實(shí)際輸出值和預(yù)期輸出值擬合度很高，訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)可以準(zhǔn)確評(píng)價(jià)供應(yīng)商綜合等級(jí)。

圖2 網(wǎng)絡(luò)的訓(xùn)練過程誤差曲線(trainlm函數(shù))

圖3 期望值和實(shí)際輸出誤差曲線圖(trainlm函數(shù))

表5列出14個(gè)供應(yīng)商經(jīng)過訓(xùn)練后神經(jīng)網(wǎng)絡(luò)實(shí)際輸出值和期望輸出值的對(duì)比記錄，從表5中可以看出P1,P2，…，P14的實(shí)際輸出值和期望輸出值最大誤差為0.010 9，與優(yōu)秀等級(jí)完全一致，因此該模型訓(xùn)練結(jié)果滿意。

表5 訓(xùn)練供應(yīng)商實(shí)際評(píng)分和網(wǎng)絡(luò)評(píng)分對(duì)比表

為了更好地測(cè)試該神經(jīng)網(wǎng)絡(luò)模型的評(píng)價(jià)準(zhǔn)確性，用表3中的后4個(gè)供應(yīng)商作為測(cè)試數(shù)據(jù)，測(cè)試結(jié)果與實(shí)際評(píng)價(jià)對(duì)比如表6所示。

表6 測(cè)試供應(yīng)商實(shí)際評(píng)分和網(wǎng)絡(luò)評(píng)分對(duì)比表

從表6可知：實(shí)際綜合評(píng)分和網(wǎng)絡(luò)評(píng)分分值非常接近，誤差在可接受范圍內(nèi)，對(duì)判斷一個(gè)供應(yīng)商的等級(jí)和綜合分值提供了準(zhǔn)確的數(shù)據(jù)參考，從而更好地對(duì)原材料質(zhì)量進(jìn)行控制。因此筆者采用Levenberg-Marquardt算法創(chuàng)建的神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型對(duì)原材料采購供應(yīng)商的選擇結(jié)果是科學(xué)、合理的。

4 結(jié)論

在建材裝備制造業(yè)中，企業(yè)項(xiàng)目接近70%的成本花在原材料采購方面，面對(duì)市場(chǎng)上參差不齊的供應(yīng)商，一種科學(xué)、合理的供應(yīng)商選擇評(píng)價(jià)方法至關(guān)重要。筆者在研究建材裝備制造行業(yè)供應(yīng)商的特點(diǎn)后，針對(duì)性地創(chuàng)建了供應(yīng)商評(píng)價(jià)體系，并收集指標(biāo)數(shù)據(jù)信息，在歸一化處理之后用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練函數(shù)選擇Levenberg-Marquardt算法中的trainlm函數(shù)，通過訓(xùn)練結(jié)果得出訓(xùn)練樣本的網(wǎng)絡(luò)實(shí)際輸出值和期望輸出值吻合度很高，并準(zhǔn)確地給出了供應(yīng)商評(píng)價(jià)結(jié)果。

為了測(cè)試trainlm函數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)收斂速度和誤差精度的影響，用BP神經(jīng)網(wǎng)絡(luò)算法的常用traingd和traincgf訓(xùn)練函數(shù)作對(duì)比分析，結(jié)果顯示了trainlm函數(shù)在收斂速度和誤差精度控制上更優(yōu)秀，最后用新的供應(yīng)商測(cè)試數(shù)據(jù)驗(yàn)證該模型的合理性和準(zhǔn)確性，數(shù)據(jù)結(jié)果表明，該模型可以準(zhǔn)確給出供應(yīng)商綜合評(píng)價(jià)分值和優(yōu)秀等級(jí)參考值。該模型為建材裝備制造企業(yè)優(yōu)選供應(yīng)商提供了理論依據(jù)，從而也加強(qiáng)了企業(yè)對(duì)產(chǎn)品原材料質(zhì)量的控制，減少了成本。

[1] 馬斌，孫利波，張旭，等.建材裝備集團(tuán)化制造企業(yè)采購管理策略研究與系統(tǒng)應(yīng)用[J].工程管理,2007(1)：79-83.

[2] 耿秀麗,葉春明.基于直覺模糊VIKOR的服務(wù)供應(yīng)商評(píng)價(jià)方法[J].工業(yè)工程與管理,2004(3):22-29.

[3] 梁智昊,何維達(dá).基于神經(jīng)網(wǎng)絡(luò)融合技術(shù)的供應(yīng)商評(píng)價(jià)研究[J].管理科學(xué),2015(24):1-9.

[4] 王建廷，余強(qiáng).多條綠色建筑供應(yīng)鏈下供應(yīng)商的選擇分析——基于ANP-PROMETHEE模型[J].建設(shè)經(jīng)濟(jì)與管理,2016(6):27-32.

[5] 馬琳.基于戰(zhàn)略物料優(yōu)化的電梯供應(yīng)商評(píng)價(jià)選擇研究[D].天津：天津工業(yè)大學(xué),2016.

[6] Tavana M.A Hybrid Intelligent Fuzzy Predictive Model with Simulation for Supplier Evaluation and Selection[J].Expert Systems with Application,2016,61:129-144.

[7] Ismail A, Jeng D S, Zhang L L.An Optimised Product-unit Neural Network with a Novel PSO-BP Hybrid Training Algorithm: Applications to Load-deformation Analysis of Axially Loaded Piles[J].Engineering Applications of Artificial Intelligence,2013,26:2305-2314.

[8] Javed Iqbal,Asif Iqbal,Muhammad Arif. Levenberg-Marquardt Method for Solving Systems of Absolute Value Equations[J].Journal of Computational and Applied Mathematics,2015,282:134-138.

[9] 王冰，郭東強(qiáng).基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)內(nèi)部知識(shí)轉(zhuǎn)移績(jī)效綜合評(píng)價(jià)研究[J].情報(bào)科學(xué)，2016(1)：141-146.

[10] 李勇，何蕾，龐傳軍，等.基于層次分析法的火電廠運(yùn)行情況量化評(píng)價(jià)方法[J].電網(wǎng)技術(shù)，2015(2):500-504.