基于TOPSIS和RBFNN的EPCM项目采购风险研究

谢亮

摘要： 在EPCM模式下，采购位于一个核心环节，识别和分析采购风险对企业制定合理的采购决策具有重要的意义。本文首先分析了EPCM模式下的采购风险，在此基础上，提出了基于TOPSIS和RBFNN方法来确定采购风险评价模型，并结合工程实例，以一定量的项目采购统计数据进行了实证分析。研究表明，该方法能有效、准确地评价EPCM项目的采购风险，为实施企业集成采购风险管理和制定风险预警机制提供有力的支撑架构。

Abstract： Procurement is a core link under the EPCM model， and identifying and analyzing procurement risk is of significance to make sensible procurement decision. This paper firstly analyzes the procurement risk under the EPCM model， and according to the above， proposes a procurement risk assessment model based on TOPSIS and RBFNN method. With the engineering projects， the empirical analysis on a certain amount of project procurement statistics data is made， which shows that the new method leads to a more efficient and exact assessment for the procurement risk under the EPCM model， and it can provide strong support structure for the implementation of integrated procurement risk management and the establishment of financial risk early warning mechanism.

关键词： EPCM；供应链；采购风险；评价

Key words： EPCM；supply chain；procurement risk；assessment

中图分类号：F274 文献标识码：A 文章编号：1006-4311（2014）29-0027-02

0 引言

EPCM模式，即设计采购施工与管理（Engineering Procurement Construction Management—EPCM），是指项目总承包商（简称EPCM管理企业）按照总承包合同约定，进行全方位、全过程系统化集成的项目管理模式[1]，实现E、P、C及M各要素之间的权衡，充分发挥EPCM管理企业的主观能动性，保证工程项目在一个系统、一个管理主体下组织实施。

项目作为完成既定目标的一次性活动，其复杂性和独一无二性决定了项目具有很强的风险性。由于EPCM项目具有专属性集成化管理特点，使得EPCM管理企业在项目生命周期内承担了业主的全部风险转嫁。TOC（Theory of Constraints）理论认为，企业要生存与发展，必须加强生产经营活动中的风险评价，为此，要建立一个以EPCM管理企业为核心的供应网链，着力于系统协调网链上各企业内外部资源，从而提升企业核心竞争能力，使以较低的成本、较快的速度为项目业主提高满足要求的产品或服务。

1 采购风险理论分析

采购作为EPCM模式中的一个环节，其在采购过程中可能会遇到诸多意外情况，具体表现为：一方面采购预测值不准而导致物料难以满足生产要求或超出预算；另一方面供应商群体产能下降导致供应不及时；第三，货物不符合采购订单或合同要求，呆滞物料增加；第四，采购人员工作失误或与供应商之间信息不对称，存在不诚实甚至违法行为。因此，这些情况都会直接影响到采购预期目标的实现。

由于EPCM管理企业在项目采购中呈量大类多现象，遇到的风险也是复杂多变的。因此，在筛选项目采购风险时必须建立一套具有针对性的择优方法，成为确定采购风险因子的重要前提。在众多的采购风险中，由于各种风险因素之间的关联度（Relational Degree）、兼容度（Compatibility Degree）和差异度（Difference Degree）相对模糊。为此，采用方案评价优化系统方法，建立兼容度、差异度极大极小化模型来进行采购风险指标重要度择优。

2 采购风险评价体系的建立

采购风险是特定领域的风险，尤其是在EPCM管理模式（系统集成化管理）下，企业参与的主体众多以及跨地域、跨环节的特点，容易受到来自供应网链中内外部不同的因素影响，增加了对风险识别和预警的难度，使得风险事件发生概率增大[2]。为了提高企业的竞争力，EPCM管理企业往往从业主的有效需求出发，以保质量、缩工期、降费用、要效益为目标，使得项目在各个阶段不确定性风险加大。因此，EPCM管理企业必须在采购前预先识别和分析各种风险对目标实现的程度，建立一套能够合理描述和反映采购风险指标的体系，为顺利实施项目采购提供前提和保障。经过系统的分析和重要度择优选取，建立了EPCM管理企业在采购领域的风险评价指标体系，如图1所示。

3 TOPSIS和RBF模型

近年来，有不少的学者对采购风险进行了研究，提出了各种理论和评价模型，如：陈武、杨家本提出了使用VaR方法来量化分析其中由价格波动引起的采购风险，从而为风险决策提供量化依据；吴有华、陈慧丽讨论了利用Stackelberg模型分析供应链采购风险管理中期权合同的定价方面研究等等。为了改善采购风险评价的方法，本文引入TOPSIS和RBFNN相结合的方法将非线性转化为线性问题，对EPCM模式下的采购风险进行了定量化评价，从而实现专家模拟与仿真。endprint

3.1 TOPSIS优选RBF输入值 TOPSIS是一种逼近于理想解的排序方法，即（Technique for Order Preference by Similarity Ideal Solution 简称TOPSIS）。该方法是建立在所选择的方案与理想方案的差距最小并且与负理想解差距最大的理论上。基于经过归一化处理的原始数据矩阵，构建出一个空间并获得正理想解和负理想解，每个待选方案是这个空间中的一个点，最后的综合评价是基于每个方案与理想方案的欧几里得（Euclid）距离进行由小到大排序，距离最小者为最优方案。根据以上理论，本文采用改进后的TOPSIS方法。从而计算出每组调查值与平均值的距离，摒弃距离实际指标值较远的数据，保留具有代表性的数据以此作为RBF神经网络输入层的输入值，具体计算过程及赋权方法参考文献[5]。

3.2 RBFNN评价原理 将基于径向基函数（Radial Basis Function 简称RBF）与神经网络（Neural Networks）结合在一起形成的一种局部逼近的网络，简称RBFNN。该网络是具有单隐层的三层前馈神经网络，成为替代BP网络的一种新型网络，提出运用RBFNN逼近定理和高斯函数（Gaussian）作为其隐节点的基函数，其具体的计算过程可以参考文献[6]。本文以采购风险评价为实例，建立一个RBFNN网络拓扑结构，如图2所示。

4 应用算例

本算例以某工程项目水泥采购过程中收集的相关数据为样本，运用前述的评价方法进行实例分析研究，来进一步验证该方法的可行性和实用性。在实际工程中，由于原料市场的不可预见性，采购过程中应根据采购的对象不同和所处的环境不同，建立适当的风险指标体系，不断收集相关数据，训练和优化网络模型，为EPCM管理企业更科学地、合理地做出采购决策提供依据。

4.1 RBFNN训练样本的确定 本文以水泥采购为例，根据所建立的采购风险指标体系，首先将不同的指标进行量化处理，这里约定，按风险指标对采购的影响大小来确定风险取值标准，取值的范围为0-1之间。对于评价输出状态值按下列进行描述，“有利0.9-0.7；一般0.7-0.5；不利0.3；非常不利0.1”，在评价过程中，对RBFNN输出值采取“最低合理可行（As low As Reasonably Practicable简称ALARP）”原则进行评判，判断输出值所处的风险区间（金字塔），从而为项目采购提供理论依据。

首先，根据上述的准则确定了20组采购样本数据；其次，利用AHP确定TOPSIS中各采购风险的指标权重值：W=（0.128，0.385，0.028，0.117，0.081，0.099，0.049，0.028，

0.085）；再运用改进的TOPSIS法剔除远离实际值较远的调查值，按照优先顺序得到10组数据作为RBFNN训练样本数据，其中2组（样本9、10）为检验样本，以检验模型的训练效果。优化后的训练样本见表1。

4.2 检验结果分析与评价 经过8组样本数据进行网络训练，确定隐含层节点个数为6，使网络不断修正输出权值，不断地逼近一个函数，保证模型满足训练要求。最后选择编号为9号、10号样本进行检验，检验结果及评价结果如表2所示。

结果数据显示，网络输出值与目标值之间很接近，表明网络模型训练达到了要求，样本9和样本10产生的离散误差率分别为0.17%和0.05%均在允许范围内。而状态值都位于有利（0.9-0.7）数字之间，评定结论表明该水泥材料有利于采购，表明采购过程中的风险对项目的实施不会产生影响，可见运用TOPSIS和RBFNN相结合的方法具有一定的科学评价性。

5 结论

本文根据相关文献资料，结合EPCM项目模式及采购方式特点，对采购过程中各种风险因素，进行了风险的重要度优选。在此基础上，构建了EPCM项目采购风险评价指标体系。鉴于RBFNN神经网络有效的非线性评价能力，以及良好的拟合结果，在提出了比较全面的评价指标体系的情况下，结合工程算例，运用TOPSIS和RBFNN相结合的方法进行了实证分析，系统地验证了该方法的可行性、有效性和准确性，对于其他采购风险的评价有着重要的借鉴意义。

参考文献：

[1]Han Chuan feng， Xia chao yang. Information management of mega-construction projects [J]. Journal of Tong ji University （Social Science Section），2006，17（2）：112-116.

[2]R Vrijhoef， L Koskela. “The four roles of supply chain management in construction”[J]. Journal of Purchasing & Supply Management，2000（6）：169-178.

[3]余雁，梁樑.多指标决策TOPSIS方法的进一步探讨[J].系统工程，2003，021（002）：98-101.

[4]Martin T. Hagan Howard B. Demuth.神经网络设计[M].北京：机械工业出版社，2001.endprint

3.1 TOPSIS优选RBF输入值 TOPSIS是一种逼近于理想解的排序方法，即（Technique for Order Preference by Similarity Ideal Solution 简称TOPSIS）。该方法是建立在所选择的方案与理想方案的差距最小并且与负理想解差距最大的理论上。基于经过归一化处理的原始数据矩阵，构建出一个空间并获得正理想解和负理想解，每个待选方案是这个空间中的一个点，最后的综合评价是基于每个方案与理想方案的欧几里得（Euclid）距离进行由小到大排序，距离最小者为最优方案。根据以上理论，本文采用改进后的TOPSIS方法。从而计算出每组调查值与平均值的距离，摒弃距离实际指标值较远的数据，保留具有代表性的数据以此作为RBF神经网络输入层的输入值，具体计算过程及赋权方法参考文献[5]。

3.2 RBFNN评价原理 将基于径向基函数（Radial Basis Function 简称RBF）与神经网络（Neural Networks）结合在一起形成的一种局部逼近的网络，简称RBFNN。该网络是具有单隐层的三层前馈神经网络，成为替代BP网络的一种新型网络，提出运用RBFNN逼近定理和高斯函数（Gaussian）作为其隐节点的基函数，其具体的计算过程可以参考文献[6]。本文以采购风险评价为实例，建立一个RBFNN网络拓扑结构，如图2所示。

4 应用算例

本算例以某工程项目水泥采购过程中收集的相关数据为样本，运用前述的评价方法进行实例分析研究，来进一步验证该方法的可行性和实用性。在实际工程中，由于原料市场的不可预见性，采购过程中应根据采购的对象不同和所处的环境不同，建立适当的风险指标体系，不断收集相关数据，训练和优化网络模型，为EPCM管理企业更科学地、合理地做出采购决策提供依据。

4.1 RBFNN训练样本的确定 本文以水泥采购为例，根据所建立的采购风险指标体系，首先将不同的指标进行量化处理，这里约定，按风险指标对采购的影响大小来确定风险取值标准，取值的范围为0-1之间。对于评价输出状态值按下列进行描述，“有利0.9-0.7；一般0.7-0.5；不利0.3；非常不利0.1”，在评价过程中，对RBFNN输出值采取“最低合理可行（As low As Reasonably Practicable简称ALARP）”原则进行评判，判断输出值所处的风险区间（金字塔），从而为项目采购提供理论依据。

首先，根据上述的准则确定了20组采购样本数据；其次，利用AHP确定TOPSIS中各采购风险的指标权重值：W=（0.128，0.385，0.028，0.117，0.081，0.099，0.049，0.028，

0.085）；再运用改进的TOPSIS法剔除远离实际值较远的调查值，按照优先顺序得到10组数据作为RBFNN训练样本数据，其中2组（样本9、10）为检验样本，以检验模型的训练效果。优化后的训练样本见表1。

4.2 检验结果分析与评价 经过8组样本数据进行网络训练，确定隐含层节点个数为6，使网络不断修正输出权值，不断地逼近一个函数，保证模型满足训练要求。最后选择编号为9号、10号样本进行检验，检验结果及评价结果如表2所示。

结果数据显示，网络输出值与目标值之间很接近，表明网络模型训练达到了要求，样本9和样本10产生的离散误差率分别为0.17%和0.05%均在允许范围内。而状态值都位于有利（0.9-0.7）数字之间，评定结论表明该水泥材料有利于采购，表明采购过程中的风险对项目的实施不会产生影响，可见运用TOPSIS和RBFNN相结合的方法具有一定的科学评价性。

5 结论

本文根据相关文献资料，结合EPCM项目模式及采购方式特点，对采购过程中各种风险因素，进行了风险的重要度优选。在此基础上，构建了EPCM项目采购风险评价指标体系。鉴于RBFNN神经网络有效的非线性评价能力，以及良好的拟合结果，在提出了比较全面的评价指标体系的情况下，结合工程算例，运用TOPSIS和RBFNN相结合的方法进行了实证分析，系统地验证了该方法的可行性、有效性和准确性，对于其他采购风险的评价有着重要的借鉴意义。

参考文献：

[1]Han Chuan feng， Xia chao yang. Information management of mega-construction projects [J]. Journal of Tong ji University （Social Science Section），2006，17（2）：112-116.

[2]R Vrijhoef， L Koskela. “The four roles of supply chain management in construction”[J]. Journal of Purchasing & Supply Management，2000（6）：169-178.

[3]余雁，梁樑.多指标决策TOPSIS方法的进一步探讨[J].系统工程，2003，021（002）：98-101.

[4]Martin T. Hagan Howard B. Demuth.神经网络设计[M].北京：机械工业出版社，2001.endprint

3.1 TOPSIS优选RBF输入值 TOPSIS是一种逼近于理想解的排序方法，即（Technique for Order Preference by Similarity Ideal Solution 简称TOPSIS）。该方法是建立在所选择的方案与理想方案的差距最小并且与负理想解差距最大的理论上。基于经过归一化处理的原始数据矩阵，构建出一个空间并获得正理想解和负理想解，每个待选方案是这个空间中的一个点，最后的综合评价是基于每个方案与理想方案的欧几里得（Euclid）距离进行由小到大排序，距离最小者为最优方案。根据以上理论，本文采用改进后的TOPSIS方法。从而计算出每组调查值与平均值的距离，摒弃距离实际指标值较远的数据，保留具有代表性的数据以此作为RBF神经网络输入层的输入值，具体计算过程及赋权方法参考文献[5]。

3.2 RBFNN评价原理 将基于径向基函数（Radial Basis Function 简称RBF）与神经网络（Neural Networks）结合在一起形成的一种局部逼近的网络，简称RBFNN。该网络是具有单隐层的三层前馈神经网络，成为替代BP网络的一种新型网络，提出运用RBFNN逼近定理和高斯函数（Gaussian）作为其隐节点的基函数，其具体的计算过程可以参考文献[6]。本文以采购风险评价为实例，建立一个RBFNN网络拓扑结构，如图2所示。

4 应用算例

本算例以某工程项目水泥采购过程中收集的相关数据为样本，运用前述的评价方法进行实例分析研究，来进一步验证该方法的可行性和实用性。在实际工程中，由于原料市场的不可预见性，采购过程中应根据采购的对象不同和所处的环境不同，建立适当的风险指标体系，不断收集相关数据，训练和优化网络模型，为EPCM管理企业更科学地、合理地做出采购决策提供依据。

4.1 RBFNN训练样本的确定 本文以水泥采购为例，根据所建立的采购风险指标体系，首先将不同的指标进行量化处理，这里约定，按风险指标对采购的影响大小来确定风险取值标准，取值的范围为0-1之间。对于评价输出状态值按下列进行描述，“有利0.9-0.7；一般0.7-0.5；不利0.3；非常不利0.1”，在评价过程中，对RBFNN输出值采取“最低合理可行（As low As Reasonably Practicable简称ALARP）”原则进行评判，判断输出值所处的风险区间（金字塔），从而为项目采购提供理论依据。

首先，根据上述的准则确定了20组采购样本数据；其次，利用AHP确定TOPSIS中各采购风险的指标权重值：W=（0.128，0.385，0.028，0.117，0.081，0.099，0.049，0.028，

0.085）；再运用改进的TOPSIS法剔除远离实际值较远的调查值，按照优先顺序得到10组数据作为RBFNN训练样本数据，其中2组（样本9、10）为检验样本，以检验模型的训练效果。优化后的训练样本见表1。

4.2 检验结果分析与评价 经过8组样本数据进行网络训练，确定隐含层节点个数为6，使网络不断修正输出权值，不断地逼近一个函数，保证模型满足训练要求。最后选择编号为9号、10号样本进行检验，检验结果及评价结果如表2所示。

结果数据显示，网络输出值与目标值之间很接近，表明网络模型训练达到了要求，样本9和样本10产生的离散误差率分别为0.17%和0.05%均在允许范围内。而状态值都位于有利（0.9-0.7）数字之间，评定结论表明该水泥材料有利于采购，表明采购过程中的风险对项目的实施不会产生影响，可见运用TOPSIS和RBFNN相结合的方法具有一定的科学评价性。

5 结论

本文根据相关文献资料，结合EPCM项目模式及采购方式特点，对采购过程中各种风险因素，进行了风险的重要度优选。在此基础上，构建了EPCM项目采购风险评价指标体系。鉴于RBFNN神经网络有效的非线性评价能力，以及良好的拟合结果，在提出了比较全面的评价指标体系的情况下，结合工程算例，运用TOPSIS和RBFNN相结合的方法进行了实证分析，系统地验证了该方法的可行性、有效性和准确性，对于其他采购风险的评价有着重要的借鉴意义。

参考文献：

[1]Han Chuan feng， Xia chao yang. Information management of mega-construction projects [J]. Journal of Tong ji University （Social Science Section），2006，17（2）：112-116.

[2]R Vrijhoef， L Koskela. “The four roles of supply chain management in construction”[J]. Journal of Purchasing & Supply Management，2000（6）：169-178.

[3]余雁，梁樑.多指标决策TOPSIS方法的进一步探讨[J].系统工程，2003，021（002）：98-101.

[4]Martin T. Hagan Howard B. Demuth.神经网络设计[M].北京：机械工业出版社，2001.endprint