BP 神经网络理论下供应商选择评价模型构建

■ 秦晓芳（山西大学商务学院 太原 030031）

理论基础

（一）供应商理论

1.供应商的定义。供应商是指为生产者及其竞争者提供特定产品、服务的公司、个人。激烈的市场竞争要求企业最大限度地提高生产效率，快速响应消费需求。供应商作为供应链的源头，是整个供应链高效运作的基础。笔者将供应商定义为在供应链管理环境下，为核心企业提供其所需资源的组织。供应商和上下游企业以相互信任为基础，以市场需求为出发点，目标是建立合作共赢的战略合作伙伴关系。

2.供应商选择评价的意义。供应商提供资源的质量，以及交货的及时性，能直接影响到上下游企业的生产和经营状况，选择合适的供应商具有重要的意义：提高供应的灵活性，快速响应市场需求；减少成本，核心企业与供应商长期稳定的合作关系可以缩短交易时间，提高交易的效率；提高产品和服务质量，核心企业与供应商的战略合作伙伴关系，可以保证供应的连续性，有利于双方进行有效的协调，达到“双赢”的目的。

（二）人工神经网络理论

1.人工神经网络定义。人工神经网络（Artifcial Neural Network，简称ANN），是现代的科学计算机与高度复杂的人脑计算相互结合的产生物。一个简单的处理元构成了一个神经网络的基本单位，而规模宏大的处理元并行分布，则构成了神经网络的处理器。人工神经网络所特有的非线性信息自学习处理能力，帮助专家在信号处理及控制、模式识别、预测、仿真、建模等许多应用领域取得了显著的进展（吕冬，2012）。

2.神经网络的特点。一是非线性处理能力，在实际应用中，预测结果与各影响因素往往是复杂的非线性关系，而人工神经网络自身所具有的处理非线性问题能力比传统的评价方法更有效；二是具有泛化能力，神经网络可以通过算法对神经元进行训练，达到一个想要的输出目标；三是具有自适应能力，人工神经网络可以通过调节连接人工神经元的强度，来适应外界环境的变化；四是并行分布式处理能力，整个神经元网络是高度并联的，加快了信息处理的速度。

供应商选择评价指标体系的构建

（一）构建原则

全面简明原则。所设置的指标体系必须能够全面反映供应商水平，包括产品质量、供货能力与柔性等各方面的因素，才能提高企业的竞争优势和增强整体供应链的竞争力。同时，供应商选择评价指标还应突出重点、层次分明，满足简单明了的原则。各指标必须具有代表性，从企业目标出发，充分反映供应商的水平。

客观可比原则。供应商选择评价指标必须与企业真实情况相符合，具有针对性，能够真实反映供应商的综合水平，满足客观可比原则。各评价指标应该概念清晰，能够量化，有确切的计算方法，这样可以在一定程度上避免主观因素。同时因为指标可以量化，研究者可以对不同时期不同供应商企业进行纵向和横向比较。

可操作性原则。供应商选择评价指标的数据应该易于通过抽样调查、现有的资料整理等科学方法取得，满足具有实施操作的可行性。采集到的数据应满足企业的真实情况，能够全面分析供应商的选择评价结果。同时各项指标的计算应尽量简便、规范化，从而提高工作效率、降低操作过程的复杂程度。

可扩展性原则。基于时间竞争的市场环境，不同行业、不同企业的供应链都有其各自的特性，即便是同一企业在不同时段对供应商的选择也会有所改变。因此供应商选择评价指标体系应满足可扩展性原则，企业可以根据内外部环境变化对指标体系进行不断修改、完善。

（二）指标描述

本文在综合分析前人的研究基础上，遵循笔者提出的全面简明、客观可比、可操作性、可扩展性的设置原则，构建了供应商选择评价指标体系，具体包括8 个一级指标，19 个二级指标，如表1所示。

基于BP神经网络的供应商选择评价模型构建

（一）模型构建

BP（Back-Propagation network）神经网络主要由输入层、隐含层、输出层组成。其中隐含层可以是一层或者多层。假设输入变量X=（X1，X2，…，Xi）,隐含层输出变量为Y=（Y1，Y2，…，Yj），输出层变量为Z=（Z1，Z2，…，Zl），期望输出的变量为T=（T1，T2，…，Tl），Wij、Wjl分别为输入层到隐含层、隐含层到输出层的连接权值。对于i 个输入学习样本X1、X2、…、Xi已知对其对应的输出样本为Z1、Z2、…、Zl。通过BP算法的学习沿着负梯度方向不断调整和修正网络连接值Wij和Wjl，使网络的实际输出Z逐渐逼近目标矢量T。

如图1所示，在正向传播过程中，输入数据经输入层流通至隐含层，在隐含层里经过逐层计算并通过输出层输出数据，其中每一层神经元的状态只影响下一神经元的状态。如果输出误差小于预先设定的允许误差，则得到期望的输出值，学习训练过程结束。如果输出误差大于预先设定的允许误差，则逐层计算各层节点的输出误差，然后将各层输出误差沿原路进行反向传播，不断修改网络的连接权值直到达到期望误差。

表1 供应商选择评价指标体系

图1 三层BP 网络结构图

图2 神经网络供应商选择评价模型流程图

图3 供应商选择评价模型的MATLAB 实现图

（二）BP 神经网络模型建立的步骤

第一，确定输入层、隐含层、输出层的节点数。输入层点数的确定：输入层样本数据的个数等于输入层的节点数。本文选取了8个一级指标，19个二级指标对供应商进行选择评价，所以本文将19个二级指标作为网络模型的输入层。根据19个影响因素的历史数据进行网络学习训练，则确定BP神经网络的输入层节点数为19。隐含层节点数的确定：目前还没有一个普遍的方法来确定隐含层节点数。本文采用经验公式，其中q为隐含层点数，n为输入层节点数，p为输出层点数，a为常数（取1-10）。选取较小的银行层点数10 进行训练、检验。然后增加节点数进行重试，直到网络对数据的收敛速度无法再加快为止，确定最优的隐含层节点数。经过多次试验，本文的隐含层节点数为15 时，训练效果最佳。输出层节点数的确定：输出层节点数就是输出结果的个数。BP 神经网络供应商的选择评价模型的最终目的就是对各个可供选择的供应商做出综合评价，因此其结果输出的是供应商的综合水平。本文的输出结果只有一个供应商的综合水平，所以确定BP神经网络的输出层节点数为1。

第二，BP 网络连接权值和阀值初始化。对BP神经网络连接权值和阀值进行初始化，是为了保证神经网络不被大的加权输入饱和。一般在区间（-1，1）选取任意数作为BP神经网络的初始连接权值和阀值，来保证即使很小的随机数也可以对每一层的权值和阀值进行初始化。所谓BP神经网络的学习训练就是不断修正神经网络的权值和阀值，使得输出结果的误差在允许误差之内。

第三，信息的正向传播。本文构建的供应商选择评价模型，需要用到MATLAB 对数据进行仿真分析。所以隐含层采用正切对数型函数即sigmoid函数，输出层采用线性purelin 传递函数。用函数initff对BP神经网络进行重新初始化，样本数据通过输入层经隐含层向输出层进行正向传播，并经过传递函数的计算得到输出数据。其中隐含层、输出层的输出矢量分别为：

隐含层的输出矢量为：

输出层的输出矢量为：

上述公式中，wij、wjl分别为输入层到隐含层的连接权值，隐含层到输出层的连接权值。f1为隐含层的传递函数tansig，f2为输出层的传递函数purelin，bi为隐含层的输出阀值，bl为输出层的阀值。

第四，误差的反向传播。一般网络预测误差E=T-Y，如果误差函数E小于允许误差ε，则训练结束，输出期望值。否则输出值将进行反向传播，不断对网络连接的权值和阀值进行修正，直至误差函数小于允许误差ε。最终输出评价值越高的，评价结果越好。

神经网络供应商选择评价模型流程图如图2 所示。

（三）供应商选择评价模型的MATLAB 实现

如图3 所示，MATLAB 工具箱提供了数据模块、网络模块、输出模块三大模块实现BP神经网络的供应商选择评价模型。MATLAB数据模块的主要功能是对样本数据进行预处理，网络模块的功能是进行网络的学习训练和网络的仿真分析，输出模块的主要功能是对预测结果的网络输出。

MATLAB实现的主要步骤如下：一是数据的归一化处理，在MATLAB 工具运用premnmx函数，把本文输入向量18个二级指标数据归一到[-1,1]区间；二是BP神经网络的构造，使用MATLAB 工具箱的traningdm函数来对数据进行快速训练，学习函数为learngdm；三是BP神经网络的训练及仿真，运用MATLAB工具箱中的sim函数，对经过归一化后的数据进行仿真模拟，然后对预测结果进行误差分析，直到得到最优的预测值，选出最符合要求的供应商。

综上，随着市场竞争的日趋激烈，核心企业与供应商的合作伙伴关系对于供应链的整体运行起着重要的作用。本文在前人研究的基础上，构建了供应商选择指标评价体系，并运用BP神经网络方法，建立供应商评价模型。该模型不需要人为确定输入指标的权重，因此降低了主观因素，同时具有良好的学习、适应能力。最后笔者结合MATLAB 工具箱实现BP 神经网络评价模型的应用，降低了BP神经网络设计的复杂性，适用于供应商的选择与评价。

1.霍佳震.企业绩效及供应链绩效评价研究现状[J].企业管理，2013（9）

2.吕冬.神经网络技术在供应链管理中的应用[J].经济研究，2012（8）

3.丁以中.基于神经网络的供应商选择模型[J].物流技术，2014（3）