鄧 浩，吳玉國，徐先進

(1.安徽工業(yè)大學管理科學與工程學院，安徽馬鞍山243032；2.安慶中船柴油機有限公司，安徽安慶246003)

船用柴油機是船舶的核心設(shè)備，其制造業(yè)直接影響我國造船工業(yè)的發(fā)展。目前，我國船用柴油機制造企業(yè)在生產(chǎn)過程中所需要的配套部件有很大比重由合作供應商提供，因此，供應商評價結(jié)果的準確性對船用柴油機企業(yè)成本的控制及產(chǎn)品交付等各環(huán)節(jié)有著顯著的影響[1]。在供應鏈管理的大趨勢下，客觀、準確的供應商評價能夠幫助船用柴油機制造企業(yè)獲得長期穩(wěn)定的合作伙伴，給企業(yè)高效持續(xù)發(fā)展提供重要保障[2]。

國內(nèi)外學者對供應商選擇與評價做了大量的理論和實踐研究。Dickson[3]于1966年最先對供應商評價進行了研究，提出質(zhì)量、交貨以及歷史效益是供應商選擇的三個關(guān)鍵性因素。此后，文獻[4-7]從社會標準、低碳環(huán)保、服務以及創(chuàng)新等方面對供應商評價指標體系進行了豐富和發(fā)展。供應商評價為多屬性決策問題，很多定性和定量的方法被應用于供應商的評價與選擇，如層次分析法[8]、理想解法(TOPSIS)[9]、模糊綜合評價法[10]、熵權(quán)法[11]以及灰色關(guān)聯(lián)分析法[12]等。

目前，針對船用柴油機制造企業(yè)供應商評價問題的研究主要集中在供應商評價指標的篩選、評價指標權(quán)重的確定等方面。文獻[13-14]分別對船用柴油機造企業(yè)供應商的分類分級動態(tài)管理以及基于供應商現(xiàn)狀的評價指標體系構(gòu)建兩個方面進行了研究?？偟膩碚f，供應商評價指標體系的構(gòu)建多數(shù)仍停留在價格、質(zhì)量等傳統(tǒng)指標上，評價方法仍以專家打分以及層次分析法等定性分析比重很大的方法為主，難以對供應商做出全面的評價。

在進行供應商評價時，指標之間的關(guān)系十分復雜，往往呈現(xiàn)出非線性的特點。而諸如層次分析法等傳統(tǒng)評價方法通常需要人為計算權(quán)值，受主觀影響較大，具有較強的不確定性。GA-BP神經(jīng)網(wǎng)絡(luò)模型能夠進行自組織、自學習，有很強的泛化能力，輸入供應商數(shù)據(jù)進行訓練后，可以對專家經(jīng)驗進行充分的學習，找出評價指標數(shù)據(jù)和評價結(jié)果間的內(nèi)在聯(lián)系，以對供應商進行更為科學、客觀的評價。

鑒于此，本文運用因子分析法對供應商初始評價指標進行篩選，基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建針對船用柴油機制造企業(yè)的供應商評價指標體系。

1 評價指標體系的構(gòu)建

1.1 供應商評價指標的初選

從企業(yè)供應商管理的實際情況出發(fā)，結(jié)合對國內(nèi)外供應商評價指標研究成果的分析，對常年從事船用柴油機制造行業(yè)供應商管理的專家進行深入訪談以及廣泛調(diào)查后，確立評價指標初選集如表1所示。

表1 船用柴油機企業(yè)供應商評價指標初選集Tab.1 Supplier evaluation index set of marine diesel engine manufacturers

1.2 評價指標重要度問卷調(diào)查

1.2.1 調(diào)查目的

對表1中的評價指標在船用柴油機制造企業(yè)供應商評價中的重要程度進行問卷調(diào)查，并以問卷數(shù)據(jù)為基礎(chǔ)進行因子分析。根據(jù)因子分析結(jié)果，將方差貢獻率作為權(quán)重，對指標因子載荷值的絕對值進行加權(quán)計算，將計算結(jié)果的最大值作為該指標解釋初始評價指標集信息含量的比率，并以此為依據(jù)對初始指標集中的指標進行篩選，最終構(gòu)建出適用于船用柴油機制造企業(yè)供應商評價的指標體系。

1.2.2 調(diào)查對象與樣本特征

本次問卷調(diào)查的對象主要分為船用柴油機制造企業(yè)供應商管理從業(yè)人員和從事供應商管理研究的專家學者兩部分。從調(diào)查對象的從業(yè)經(jīng)驗來看，被調(diào)查者常年從事與供應商管理相關(guān)的工作，有著豐富的從業(yè)經(jīng)驗，其中，從業(yè)經(jīng)驗為5至10年的占比為51.7%，11至20年的占比為20.8%，20年以上的占比為5.8%。從調(diào)查對象的從業(yè)背景來看，企業(yè)相關(guān)從業(yè)人員占比為65%，高校及研究機構(gòu)相關(guān)專家學者占比為35%。

1.2.3 調(diào)查問卷的設(shè)計

調(diào)查問卷主要包括指導語、被調(diào)查者相關(guān)信息以及問題描述和選項三部分內(nèi)容。問卷中的問題為封閉式，按照表1中的22條評價指標設(shè)計。指標重要度分別用1到7標記，對應從非常不重要到非常重要七個等級，具體標準如表2所示。

表2 調(diào)查問卷指標重要度標準Tab.2 Significance standard of questionnaire index

1.2.4 調(diào)查問卷的發(fā)放與回收

本文進行調(diào)查問卷發(fā)放與回收的渠道主要有電子郵件、人員訪談等方式，發(fā)放問卷總數(shù)為120份，收回112份，問卷回收比率為94.17%，去除無效問卷9份，有效率為85.83%。

1.3 問卷數(shù)據(jù)因子分析

本文對問卷數(shù)據(jù)進行因子分析的目的是基于指標主要信息含量對評價指標進行篩選。

采用Bartlett球度檢驗法和KMO檢驗法對問卷進行結(jié)構(gòu)效度檢驗，結(jié)果如表3所示。由表3可知：KMO值為0.803，大于0.6，顯著性概率為0.000，小于0.005，問卷數(shù)據(jù)適合進行因子分析。

以原有變量的相關(guān)系數(shù)矩陣為依據(jù)，采用主成分分析法[15]，得到主成分因子特征值和方差貢獻率的統(tǒng)計情況，如表4所示。

表3 KMO和Bartlett檢驗結(jié)果Tab.3 Test results of KMO and Bartlett

表4 主成分因子特征值和方差貢獻率的統(tǒng)計情況Tab.4 Statistics of characteristic value and variance contribution rate of principal component factor

由表4可知，前6個因子解釋原22個指標變量的信息比例可達85.403%。因此，選取前6個因子作為公共因子，記為F1～F6。

運用方差最大法對因子載荷矩陣作正交旋轉(zhuǎn)，得到旋轉(zhuǎn)因子載荷矩陣，結(jié)果如表5所示。

表5 旋轉(zhuǎn)因子載荷矩陣Tab.5 Loading matrix of rotation factor

從表5中可以看出，因子分布相對合理，雖然存在雙負荷現(xiàn)象，但是數(shù)量較少。因此，可以視為正交旋轉(zhuǎn)使用合理，不需要再使用斜交旋轉(zhuǎn)。

采用Alpha Cronbach α模型法[16]分析問卷信度，結(jié)果如表6所示。

表6 問卷信度檢驗結(jié)果Tab.6_ Results of questionnaire reliability test

由表6可知，問卷各公因子以及問卷總體的信度相關(guān)系數(shù)α都大于0.80，表明問卷有良好的穩(wěn)定性和一致性，結(jié)果具有很高的信度水平。

1.4 初始評價指標篩選

在表5所示的因子載荷矩陣中，因子Fj對應原始指標Ci的因子載荷值(記為αij)表示的是兩者間的相關(guān)性，進行正交旋轉(zhuǎn)后，一個原始指標僅和一個因子有非常高的相關(guān)性，所以一個因子載荷就可以體現(xiàn)一個原始指標對因子的解釋程度。因此，本文將因子Fj的方差貢獻率βj作為權(quán)重，對指標Ci對應因子載荷αij的絕對值進行加權(quán)計算，計算結(jié)果的最大值反映該指標包含原始指標集信息量的多少[17]。

1)載荷因子的加權(quán)計算

其中：βj為正交旋轉(zhuǎn)后因子Fj的方差貢獻率；αij為因子Fj下指標Ci的因子載荷值。ηij為加權(quán)因子載荷，表示指標Ci在公因子Fj下解釋原始指標集信息量的比例(i=1,2,…,n，n為初始指標個數(shù)；j=1,2,…,k，k為保留公因子的個數(shù))。

2)指標Ci包含原始指標集信息量的計算

其中Qi表示指標Ci解釋原始指標集信息比率的主要部分，稱為指標Ci的信息含量。

3)信息含量Qi降序排列結(jié)構(gòu)的構(gòu)建

4)前m個指標信息含量占比Pm的計算

其中Qm表示前m個指標累計解釋信息量的比率。

5)以信息含量比率Pm為依據(jù)的指標篩選

選取包含信息量最大的前m個指標，其中P0為保留指標信息包含量閾值，文中P0為80%。

根據(jù)以上步驟，結(jié)合因子分析的內(nèi)容，對評價指標進行篩選，結(jié)果如表7所示。

由表7中的指標篩選情況可知，P15=76.9%＜80%＜P16=80.7%，因此保留信息含量最大的前16個指標，將剩余的信息含量小的指標予以剔除。

根據(jù)表7中指標篩選的結(jié)果，結(jié)合對相關(guān)專家的咨詢，構(gòu)建供應商指標體系如圖1所示。

2 基于GA-BP神經(jīng)網(wǎng)絡(luò)的船用柴油機制造企業(yè)供應商評價模型

2.1 模型分析

運用因子分析法對初始指標集進行篩選后，構(gòu)建了由6個一級指標和16個二級指標組成的供應商評價指標體系(圖1)，指標之間呈現(xiàn)出非線性關(guān)系，因此對評價模型的非線性映射能力以及評價全面性的控制能力有著較高的要求。BP神經(jīng)網(wǎng)絡(luò)模型具有較強的非線性逼近能力，可以對樣本數(shù)據(jù)進行大規(guī)模的并行處理，其誤差反饋機制能夠不斷根據(jù)誤差反向修改初始權(quán)值和閾值，提升模型運算精度，實現(xiàn)評價指標數(shù)據(jù)和評價結(jié)果間的非線性映射，模擬專家對供應商做出評價。但是BP神經(jīng)網(wǎng)絡(luò)有解集易陷入局部最優(yōu)以及不易收斂等不足。鑒于此，本文采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，將遺傳算法得到的最優(yōu)解作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，使模型在極小的調(diào)整下就可收斂，既避免了模型陷入局部最優(yōu)，又提升了模型的運算效率。

表7 供應商評價指標篩選Tab.7 Selection of supplier evaluation index

圖1 船用柴油機制造企業(yè)供應商評價指標體系Fig.1 Supplier Evaluation Index system of marine diesel engine manufacturers

2.2 GA-BP神經(jīng)網(wǎng)絡(luò)模型的設(shè)計

構(gòu)建的GA-BP神經(jīng)網(wǎng)絡(luò)模型如圖2所示。

2.3 評價模型的實施

2.3.1 供應商數(shù)據(jù)的搜集與處理

以某船用柴油機制造廠家ZC公司為對象，對該公司2017年100家供應商在圖1中16個二級指標上的數(shù)據(jù)進行搜集。在MATLAB2016A中運用mapminmax函數(shù)對數(shù)據(jù)進行歸一化處理。從該行業(yè)以及公司內(nèi)部選取6位參與供應商管理工作的專家組建評審小組，分別對100家供應商的綜合情況進行打分，求取6位專家打+分平均值作為該供應商的綜合評價值并用作GA-BP神經(jīng)網(wǎng)絡(luò)訓練的期望輸出值，最終得到100個供應商樣本數(shù)據(jù)。專家評分標準如表8所示。

圖2 GA-BP神經(jīng)網(wǎng)絡(luò)模型Fig.2 GA-BPneural network model

表8 供應商評分標準Tab.8_ Supplier scoring criteria

2.3.2 模型參數(shù)設(shè)定

1)BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)定

文中將BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)定為包括輸入層、輸出層和一個隱含層的三層結(jié)構(gòu)。輸入層神經(jīng)元節(jié)點數(shù)等于輸入數(shù)據(jù)的維度，二級評價指標為16個，因此該層神經(jīng)元節(jié)點數(shù)為16。輸出層為最終評價結(jié)果，神經(jīng)元節(jié)點數(shù)為1。隱含層節(jié)點數(shù)采用以下經(jīng)驗公式估計[18]。

其中：c為隱含層節(jié)點數(shù)；m為輸入層節(jié)點數(shù)；n為輸出層節(jié)點數(shù)；a為[0,10]之間的常數(shù)。

根據(jù)式(6)，結(jié)合大量實驗測試，文中確定模型的隱含層節(jié)點數(shù)為5。

經(jīng)過多次實驗調(diào)整，最終設(shè)定學習率為0.01，期望誤差為1×10-5，最大迭代次數(shù)為1 000次。隱含層傳遞函數(shù)選用tansig函數(shù)，輸出層傳遞函數(shù)選用purelin線性函數(shù)。訓練采用Levenberg-Marquardt算法，該種算法具有快速收斂、運算精度高等特點[19]。

2)遺傳算法參數(shù)設(shè)定

在保證算法整體性能的前提下，文中設(shè)置種群規(guī)模為40，編碼方式為二進制編碼，變量二進制位數(shù)為10，選擇算子為隨機遍歷抽樣，交叉方式為單點交叉，交叉概率設(shè)定為0.9。變異算子采用基本位的變異方式，變異概率為0.01。代溝為0.95。最大遺傳代數(shù)為100代。

將預訓練的輸出值與期望值誤差矩陣的范數(shù)作為目標函數(shù)的輸出，根據(jù)目標函數(shù)的輸出，運用基于排序的適應度分配函數(shù)RANKING函數(shù)對個體適應度值進行分配，其適應度分配機制為：對目標值進行排序，最大值分配最小的適應度值，最小值分配最大的適應度值。

2.3.3 模型的訓練與仿真

1)模型的訓練

模型參數(shù)設(shè)定完成后，本文運用MATLAB2016A對模型進行編程，將ZC公司100家供應商前90家樣本數(shù)據(jù)作為訓練樣本。

模型輸出值與目標值之間誤差范數(shù)的變化如圖3所示。經(jīng)過100次迭代之后，誤差值逐漸趨于平穩(wěn)，初始權(quán)值和閾值不斷得到優(yōu)化，并最終趨于穩(wěn)定。

圖3 誤差變化趨勢圖Fig.3 Chart of error trend

將遺傳算法優(yōu)化后的初始權(quán)值和閾值輸入BP神經(jīng)網(wǎng)絡(luò)模型進行訓練，訓練結(jié)果如圖4所示。從圖4的訓練結(jié)果可以看出，經(jīng)過6次誤差調(diào)整后趨于收斂，全局誤差為3.5×10-6，低于模型要求的1×10-5，模型訓練結(jié)果符合預設(shè)要求。

2)模型的仿真測試

把ZC公司剩余的10家供應商數(shù)據(jù)輸入訓練后的BP神經(jīng)網(wǎng)絡(luò)模型，使用sim函數(shù)進行仿真測試。輸出值與期望值的擬合情況如圖5所示。輸出值與期望值的誤差如表9所示。

表9 供應商評價模型仿真結(jié)果誤差Tab.9 Error of simulation results of supplier evaluation model

圖4 GA-BP網(wǎng)絡(luò)訓練結(jié)果Fig.4 Training knot of GA-BPnetwork

圖5 仿真輸出與期望輸出結(jié)果對比Fig.5 Comparison of simulation output with expected output results

由圖5數(shù)據(jù)擬合狀態(tài)及表9中的誤差分析可知，ZC公司10家供應商進行仿真測試的誤差低于1%，輸出值與期望值基本吻合，表明構(gòu)建的模型具有良好的學習、記憶能力，可以很好地應用于ZC公司的供應商評價。

2.3.4 模型的比較分析

為了驗證遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化效果，文中將GA-BP神經(jīng)網(wǎng)絡(luò)模型與未使用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型從收斂性、精確性及穩(wěn)定性三個方面進行對比分析。

1)收斂性

圖6為BP神經(jīng)網(wǎng)絡(luò)訓練結(jié)果。從圖6可知，BP神經(jīng)網(wǎng)絡(luò)的收斂步數(shù)為9，最大誤差為9.19×10-6，GA-BP神經(jīng)網(wǎng)的收斂步數(shù)及最大誤差都小于該模型，所以GA-BP神經(jīng)網(wǎng)絡(luò)收斂性要優(yōu)于該模型。

圖6 BP網(wǎng)絡(luò)訓練結(jié)果Fig.6 Results of BPnetwork training

2)精確性及穩(wěn)定性

對BP神經(jīng)網(wǎng)絡(luò)模型進行仿真測試，與GA-BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)果對比，如表10所示。

表10 測試樣本數(shù)據(jù)仿真結(jié)果Tab.10 Simulation results of test sam ple data

由表10可知，GA-BP神經(jīng)網(wǎng)絡(luò)模型仿真測試的相對誤差及誤差平均值都遠小于BP神經(jīng)網(wǎng)絡(luò),運算精度更高，均方誤差也遠遠小于BP神經(jīng)網(wǎng)絡(luò)，相對誤差穩(wěn)定在1%以內(nèi)，上下波動很小，具有很好的穩(wěn)定性。而BP神經(jīng)網(wǎng)絡(luò)模型相對誤差有著很大的波動，其中一個測試點的相對誤差達到了1.6%以上，極可能陷入了局部極小值。

通過上述對比分析來看，GA-BP神經(jīng)網(wǎng)絡(luò)模型對專家經(jīng)驗的學習更為充分，綜合性能更為優(yōu)越，能夠更加準確地對ZC公司供應商進行有效評價。

3 結(jié) 論

圍繞船用柴油機制造企業(yè)的實際情況，運用調(diào)查問卷和因子分析法構(gòu)建了針對該行業(yè)的供應商評價指標體系。將遺傳算法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合，建立了基于GA-BP神經(jīng)網(wǎng)絡(luò)的供應商評價模型。運用船用柴油機制造商ZC公司的供應商數(shù)據(jù)對模型進行實證研究，確立了模型的可行性和實用性。結(jié)果表明，該模型同時具有神經(jīng)網(wǎng)絡(luò)模型自適應、自學習以及遺傳算法求取全局最優(yōu)解的能力，能夠?qū)＜业慕?jīng)驗和知識進行充分的學習，對供應商進行準確的定量評價，對船用柴油機制造企業(yè)的供應商評價具有一定的實踐應用價值。