基于BAS-BP神经网络的医药供应链协同绩效智能评价

方晓彤 张立涛 闫秀霞 董春肖

(山东理工大学管理学院 山东 淄博 255000)

0 引 言

近年来,在保障全民健康、深化医疗改革、实施医保控费等政策法规的大力推动下,老百姓看病难、用药贵的问题得到了一定的缓解,但同时也对医药(本文特指药品和小型医疗器械)供应链相关主体的协同运作绩效提出了更高的要求。在以云计算、物联网、大数据、人工智能等为代表的新一代信息技术推动下,医药供应链的相关节点组织如何能更快速、更准确地从业务流程中获取相关数据,在充分共享的基础上自动化地进行绩效评价,并根据评价结果及时调整各自的运营策略,对促进医药供应链的业务协同、服务质量和整体运作绩效提升等均具有重要的现实意义。

国内外关于供应链绩效评价的相关研究成果异常丰富,可见学者们对供应链绩效的重视程度非常高,供应链协同绩效评价也是其中的一个重要研究方向,研究重心基本集中在评价指标体系构建和评价方法建模等方面,其中以评价指标体系构建的研究居多。徐雯霞[1]从协同过程、协同结果、协同支持、客户服务和系统适应性等方面构建的汽车行业供应链进行协同评价指标体系;Ramanathan[2]从评价供应链协作程度、业务运营目标、财务目标、信息共享和业务流程方面建立的指标体系;张英华等[3]从信息协同、业务协同、财务指标、客户服务和协同抵御风险能力五个方面构建的客车供应链协同绩效评价指标体系;瞿富强等[4]从运输协同、库存管理协同、信息共享协同、成本控制协同、客户服务协同、风险分担协同等方面构建装配式建筑供应链协同绩效评价指标体系等;张翠华等[5]从信息流、业务流、资金流、客户服务和系统适应性五个方面构建的食品供应链协同绩效评价指标体系。评价方法建模更是丰富多样,主要有模糊综合评价法[1,5]、ANP-Fuzzy评价模型[6]、网络价值分析法[7]、DEMATEL方法[8]等。

从以上综述来看,对供应链协同绩效的研究,其研究对象以一般制造业、汽车、食品等行业为主,对医药行业,尤其是以医药流通/销售企业为核心的医药供应链协同绩效评价研究比较缺乏,且现有的医药供应链绩效评价[9-10]也均为静态性评价,体现评价后信息反馈并指导绩效提升的动态性和智能化研究尚显不足。本文将在借鉴以上成果的基础上,针对医药行业特点及医改新政的影响,构建医药供应链协同绩效评价指标体系,并使用BAS-BP神经网络构建医药供应链协同绩效评价模型,并进行实例验证。

1 医药供应链协同绩效智能化评价框架设计

1.1 医改新政下医药供应链的新变化

随着“两票制”“带量采购”“新药品管理法”等医改新政的落地实施,对医药制造、流通、销售和消费等均带来了较大变化。从医药供应链整体来看,对医药流通/销售企业的冲击最明显,促使流通环节变短[7],提高了流通行业的集中度。同时,第三方物流公司的加入,也对进一步提升效率、降低成本起到了积极的促进作用。医药流通集中度的提高,也为医药供应链各节点间的协同运作提供了更大可行性,以共同应对药品价格下降和药品安全质量监管趋严带来的经营压力。为研究问题的方便,本文首先构建了如图1所示的以医药流通/销售企业为核心的三级医药供应链体系架构。这种供应链体系结构也确立了医改新政下应更加重视信息沟通效率、市场和客户、物流运作模式、药品安全质量等方面。

图1 以医药流通/销售企业为核心的三级医药供应链体系架构

1.2 医药供应链协同绩效智能评价流程及目标

医药供应链协同绩效智能评价流程如图2所示,根据医药供应链的协同运作目标,确定协同绩效评价指标,按月度频率进行相关数据的获取与整理,根据已经训练好的评价模型自动得出每月协同绩效评价结果,再根据供应链实际运作情况和目标进行结果分析,帮助管理者找到供应链协同运作中可能存在的问题和需要改进的方向,确定改进方案,并通过改进方案的实施辅助协同运作目标的修订和调整,运行一段时间后,再进行新一轮的评价,形成医药供应链协同运作绩效评价与改进的循环体系,以实现医药供应链协同运作绩效的持续提升。总体上,智能化评价的目标是既能实现协同绩效的评价,又能根据评价结果给出优化决策参考。

图2 医药供应链协同绩效智能评价流程

2 医药供应链协同绩效智能评价指标体系的建立

2.1 建立原则

根据药品自身特点以及药品制造、流通、消费的特殊性,医药供应链协同绩效评价指标应遵循以下几个原则:

(1) 系统性原则。在指标选取过程中,要从全局出发,考虑各个指标之间的相互关系,避免以偏概全。

(2) 科学性原则。选取的指标应该在反映客观事实的同时,要与医药供应链的特征和要求相符合,而且指标的结构要科学合理。

(3) 全面性和代表性原则。医药供应链协同绩效评价的指标要涵盖医药供应链上下游节点企业协同运作的各个环节,而且要有代表性,能够充分反映医药企业的协同绩效。

(4) 可操作性原则。评价指标在充分合理的同时要保证发挥评价作用,医药供应链节点企业能够根据选取的指标和协同绩效评价结果指导具体的运作。

2.2 评价指标

在以上原则的基础上,通过对《药品经营质量管理规范》《国务院办公厅关于促进医药产业健康发展的指导意见》《中华人民共和国药品管理法》(2019年版),以及“两票制”“带量采购”等医改新政和行业规范的分析,参考相关协同绩效评价的文献,并结合实际调研医药供应链相关企业的情况以及数据的可获得性,本文构建了如表1所示的医药供应链协同绩效评价指标体系,主要从信息共享协同、业务流程协同和客户服务协同三个维度设立了13个评价指标,既有定性指标,也有定量指标。该指标体系既借鉴了文献[9-10]中的信息共享、客户服务、订单交付方面的指标,又充分考虑了医改新政影响下医药流通的精细化、标准化、智慧化发展趋势,强调了医药配送安全、有效、可及等因素,更符合现代医药流通的现状及要求。需要特别说明的是,由于医药供应链的下游涉及到医院和医保政策等,不同地区的管理和财务政策有较大的差异性,故本文没有建立资金流方面的相关指标。具体指标的解释如下所述。

表1 医药供应链协同绩效评价指标

2.2.1信息共享协同

信息流可以看作是供应链管理的神经中枢系统,对商流、物流和资金流起着重要的协调和控制作用。稳定、可靠的药品信息对掌握流通过程中药品的实时数据和不良反应信息至关重要[11]。因此,信息共享协同是医药供应链协同的基础,既可以减少信息延迟,提高预测精度,也可以降低沟通成本,增加供应链的灵活性[12]。信息共享协同可以用信息共享程度、信息传递有效率、信息处理准确率三个指标来衡量。

2.2.2业务流程协同

业务流程协同是企业进行一系列业务整合、维持供应链高效运作的重要保证[11]。本文考虑以流通企业为核心的医药供应链密切相关的计划、订单、库存与配送等环节的核心业务协同情况。

(1) 计划层面主要评价核心企业与上下游节点企业的目标相容程度以及预测准确程度。McLaren、Barratt 指出要想实现供应链各个参与者的高度协同,不仅需要供应链上的节点企业调整自身的业务流程来实现业务协同和流程协同,还需要企业在战略目标层面上实现协同,只有这样才能够实现供应链长期和高度协同[13]。由计划与目标一致性、平均预测准确率来衡量。

(2) 订单满足率和订单准时交货率主要反映医药制造企业的生产能力和准时交货能力,药品生产的工序繁多、对环境的要求极高,是药品质量的关键风险源[14]。制药企业要在保证药品质量的同时尽量一次性准时地满足下游企业的需求量,减少缺货的发生。

(3) 库存环节绩效用存货周转天数来衡量,反映了医药供应链物流的药品周转的速度和医药供应链运作协调程度。

(4) 配送环节主要用准时交货率、配送货物完好率和车辆和货物的可监控比率来衡量。准时交货率体现了该医药流通企业的物流管理水平、药品贮存及转运能力[15]。货物完好率体现医药流通企业的配送质量。配送运输车辆及货物可监控比率是衡量药品在运输过程中环境是否达标、药品是否安全和完好的指标,保障药品在配送环节的全程监管及事后可追溯。

2.2.3客户服务协同

能否获得客户的信任、与客户持续合作是企业能否可持续发展的重要因素,因此客户服务是企业供应链协同体系的核心所在。客户服务协同可以从处理客户投诉及时率和客户丢失率两个方面进行评价。

3 基于BAS-BP神经网络的医药供应链协同绩效评价模型构建

BP神经网络在计算时容易陷入局部最优值,无法保证全局收敛,同时创建网络时随机产生的权值和阈值会对训练的结果有影响,这将直接影响神经网络的性能和效率。使用天牛须搜索算法对BP神经网络的初始权值和阈值进行优化,可以提高运算的效率,防止BP神经网络局部最优化,弥补BP神经网络的缺陷。

3.1 Beetle Antennae Search原理

天牛须搜索算法是一种基于天牛觅食原理的适用于多目标函数优化的新技术,原理为:天牛在不知道食物在哪的情况下觅食时,只能利用两只长触角根据食物的气味强弱来寻找食物。当左边触角接收到的气味强度比右边大时,天牛就会往左飞,反之就会向右飞。根据这一原理,天牛就可以找到食物。BAS算法不需要知道函数的具体形式,就可以自动实现寻优的过程,而且由于其个体只有一个,寻优速度会显著提高[16]。

3.2 BAS-BP神经网络模型建立

(1) 创建向量。由于天牛的朝向随意,所有天牛右须指向左须的向量的朝向也是随意的,因此创建任意K维单位向量来表示它,并对该向量归一化:

(1)

式中:rands()是随机函数;n为空间维度。

设BP神经网络模型为inputnum—hiddennum—outputnum,inputnum为输入神经元个数,hiddennum为隐含层神经元个数,outputnum为输出层神经元个数,则搜索空间维度n=inputnum×hiddennum+outputnum×hiddennum+outputnum。在本文中,输入神经元个数是评价指标的个数,故为13,输出神经元个数是评价结果,故为1。

(2) 设置步长因子stept。天牛的步长step和两须之间的距离d0的比是一个固定的常数,即:

step=c×d0

(2)

式中:c为初始步长和初始距离之间的关系,本文设为5。

步长因子控制着天牛的区域搜索能力,初始步长应该尽可能选取大的,使得可以覆盖当前的搜索区域而不至于陷入局部极小,采用线性递减权值策略,可以保证搜索精度的精细化,即:

stept+1=stept×etat=0,1,2,…,n

(3)

式中:eta为步长衰减因子,本文取0.8;现阶段对于步长因子的设置还没有有效的理论,通过反复实验,本文确定初始步长step=10;迭代次数n=100。

(3) 创建天牛左右须的初始坐标:

(4)

式中:Xleft和Xright分别表示在第t次迭代时天牛左须和右须的位置坐标;Xt表示天牛在第t次迭代时质心的坐标;d0表示左右须之间的距离。

(4) 确定天牛前进的方向。天牛根据左右须气味的强度确定前进的方向。适应度函数f用来判断气味的强度,即fleft和fright表示左须和右须的气味强度,判断两个函数值的大小,若fleft

Xt+1=Xt-stept×a×sign(fleft-fright)

(5)

式中:sign()为符号函数。

(5) 确定评价函数。以均方根误差作为适应度评价函数,用来推进天牛在空间区域的搜索。函数为:

(6)

式中:N为训练集样本数;ti为第i个样本的输出值;yi为第i个样本的实际值。

若fitness

(6) 判断算法是否停止迭代。当达到设定精度(本文设为0.001)或达到迭代次数时,算法停止迭代,并转入步骤(7)。如果没有达到条件,则返回步骤(4)继续迭代。

(7) BP神经网络训练。当算法停止迭代时,输出的值即为BP神经网络的最优初始权值和阈值,将其代入到BP神经网络中进行训练,最终形成绩效评价模型。

综上所述,BAS-BP神经网络预测模型流程如图3所示。

图3 BAS-BP预测模型流程

3.3 指标预处理

在已确定的绩效指标里,既有定量的指标又有定性的指标,所以根据统计的指标数据和专家的经验对绩效指标进行量化和归一化处理。对于正向指标,按照式(7)归一化、对于负向指标,按照式(8)归一化。

(7)

(8)

式中:Xi是指标原始值;Xmax和Xmin为该绩效指标是根据企业经验和意义来确定的最大最小值。

4 算例分析

本文首先在2019年末调研了以SD省JN市一家医药流通企业为核心的医药供应链,获取其24个月的协同运作绩效指标数据,运用适当的协同绩效评价方法,得到BAS-BP模型训练的初始数据,将21个月的数据作为训练样本,预测第22、23、24个月的评价结果,并进行数据对比,验证模型的有效性;然后通过计算指标权重找到影响本供应链协同绩效的主要指标要素,并结合该供应链的目标提出改进意见;之后又获取了该企业第25个月的运作数据,再次进行协同绩效预测评价,验证改进措施的有效性,具体过程如下。

4.1 模型数据准备

根据实地调研和访谈获取该供应链24个月的协同绩效指标数据,然后运用专家打分法对每个月的协同绩效进行评价,之后对原始指标数据进行归一化处理,得到表2所示的模型训练初始数据。

表2 模型训练初始数据

根据调研,各个指标的取值范围如表3所示。

表3 绩效指标取值范围

根据文献[17]评价结果取值范围如表4所示。

表4 评价结果取值范围

从表2和表4可以看出,该医药流通企业所在供应链的协同绩效基本处于中等偏上水平,从该供应链的发展目标来看,尚需进一步提升其协同绩效。

4.2 BAS-BP神经网络训练

在BP神经网络的训练中,经过实验确定神经网络的隐含层的神经元个数为12,学习速率为0.01,最小允许误差为0.001,选用的函数分别为tansig、trainlm、purelin。

对表2中1至21月的样本对BAS-BP神经网络进行训练。BAS-BP 模型的最佳适应度变化曲线如图4所示。训练集拟合过结果如图5所示。

图4 BAS-BP神经网络适应度曲线

图5 BAS-BP训练集拟合结果

4.3 验证和讨论

BAS-BP神经网络训练完毕后,对该模型的泛化能力进行检验,选用该供应链第22、23、24月进行评价,将预处理好的数据输入训练好的神经网络,得到的输出和误差结果如表5所示。验证结果和供应链实际评价结果相比误差较小,说明本文模型是可用的。

表5 预测的输出和误差

4.3.1指标权重

评价模型训练完成后,根据文献[18]的方法,通过输入层、输出层和隐含层之间的权值(如表6和表7所示)以及式(9)-式(11),计算输入指标的权重。

表6 输入层和隐含层之间的权值

表7 输出层与隐含层之间的权值

(9)

Rij=|(1-e-rij)/(1+e-rij)|

(10)

(11)

式中:i为神经网络输入单元,i=1,2,…,m;j为神经网络输出层神经元,j=1,2,…,n;k为神经网络的隐含层神经元,k=1,2,…,p;Wki为输入层神经元i和隐含层神经元k之间的权值;Wjk为输出层神经元j和隐含层神经元k之间的权值;S为所求的指标权重。

得到评价指标的权重如表8所示。

表8 医药供应链协同绩效评价指标权重

从13个评价指标的权重可以看出,客户丢失率、信息共享程度、配送运输车辆及货物可监控比率对本供应链24个月的评价结果影响较大,为实现医药供应链协同运作水平的提高,在进行供应链优化时可以优先考虑。

4.3.2改进建议

第一,审视相对大权重影响指标的作用。从表8的指标权重来看,对现有协同绩效影响较大的是客户丢失率、信息共享程度、配送运输车辆及货物可监控比率等三个指标。从表2、表3和表4中的评价数据可以看出,客户丢失率和配送运输车辆及货物可监控比率两个指标数据表现良好,表明该流通企业和客户关系良好,且能及时监控药品配送,保障药品安全,但信息共享程度的评价得分数据很低,表明该供应链信息共享程度很差,这应该是造成该供应链整体协同绩效并不理想的主要原因。“两票制”和“带量采购”等的实施改变了原有医药供应链的流通结构,相应的信息沟通方式也需要进一步提升。因此,建议该流通企业下一步应与上下游企业提高信息共享程度、利用各种信息平台实现信息充分共享与及时传递等方面加以改善,并保持药品物流配送的可监控情况,保证药品安全。同时注意供应链合作伙伴关系的维护。

第二,权衡整体医药供应链绩效目标。供应链协同绩效仅仅是供应链管理绩效的一个部分,协同绩效的提升也是为该医药供应链整体绩效提升服务,尤其是随着医改新政的不断推出和医疗改革的持续深化,随时可能有新的变化影响该医药供应链的整体运作绩效,因此,从长远角度来看,也建议该流通企业及其合作伙伴在政策研究、精细化管理、加强横向交流等方面加以重视和改进。

4.4 改进后评价

根据上述评价结果和所提出的改进建议,该医药流通企业进行了认真的总结和部署。在实施改进后,又获取了该企业第25个月的相关协同绩效评价数据,预处理后输入到已经训练好的神经网络预测模型中,进行了新一轮的预测评价。其中,输入的指标向量为:(0.5, 0.486, 0.405, 1.000, 0.465, 0.360,0.244, 0.481, 0.330, 0.144, 0.767, 0.561, 1.000),运算后的输出结果为0.48,有了一定的改善。

5 结 语

从算例验证来看,本文所建立的基于信息共享协同、业务流程协同、客户服务协同的医药供应链协同绩效评价体系合理,所训练的BAS-BP神经网络模型有效可用,对该医药流通企业所在供应链进行协同绩效评价可行,改进建议有效,改进后的协同绩效有一定提升。而且,在一些外界突发情况发生时,如SARS非典疫情、COVID-2019新冠肺炎等公共卫生事件,均会对医药供应链造成极大影响,应用本文模型同样可以发现医药供应链运作的问题所在,找到受影响的因素,从而降低重大事件对供应链造成的影响。