基于动态协同神经网络的供应商风险评价预测模型

朱 正

（南京大学 经济学院，南京 210093）

0 引言

随着信息技术的进步和市场竞争的日趋激烈，在大量销售、不断更新的货品流通条件下，市场对供应商提出了更高的要求——不但要求能提供价格低廉，质量优异的产品，还要求交货及时、准时，服务体系完善，一切过程有保障。一旦供应商出现风险事件，或是违约，或是出现潜在质量问题等，后果都将不堪设想。因此，为了避免所有潜在风险，经营者需要确保所做出的每一个选择都是正确的，在选定某供应商之后，还需要不断对供应商的指标进行跟踪评价和预测，去观察所有的指标是否都在预期之内[1]。由此，对经营风险进行评估和管理，在问题将发生前对风险事件进行处理，提高供应链的反映速度和整体弹性，避免风险可能带来的负面影响，从而增强供应链的竞争力[2,3]。在产品日新月异，更新换代迅速，市场竞争激烈到趋于白热化的今天，要想实现低成本、高质量、柔性生产、快速反映的供应体系，就要摆脱传统的供应概念，建立在科学管理下新型的能不断适应不断学习的供应链体系，这其中就包括了本文所研究的面向供应商的风险预测体系。

目前，对供应商风险的研究主要是集中于对供应链和供应商的风险指标筛选和优化上，因而较少侧重于风险指标体系等理论方面的研究；且越来越多学者利用诸如模糊综合评价[4]、灰色评价[5]、SCOR模型[6]、风险机制协调平衡等方法[7]对风险评价和结论分析进行了较为系统地综合和归纳。目前主要采用BP神经网络[8]来构建风险评价预测模型，而BP模型存在收敛速度慢，繁华能力差等不足。本文提出基于动态协同神经网络的供应商风险评价预测模型，对供应商带来风险指标的相关数据进行预处理，获得每个月风险的综合评分，然后构建动态协同神经网络训练现有数据，得到预测模型，对输入的四个月份的样本进行预测，得到未来连续三个月的预测结果。与BP算法相比较，文中的DSNN预测模型显著改善了预测准确率。

1 协同神经网络基本原理

上世纪80年代末期，Haken[9]提出了协同学原理运用于模式识别的新概念，将模式识别的过程对应于一个动力学的过程[10]。设想一个虚拟粒子在有势地形图上移动。当粒子进入某个吸引谷底时，与之相应的模式就被识别出来。模式识别可被认为是一个协同系统，假设q为协同演化系统的参量，设系统具有M个分量：

对待识别模式q可以构造一个动力学过程：

使q经过中间状态q(t)进入到一个原型模式vk，即该模式与q(0)最为接近，这个过程可描述为：

如果将向量q在原型向量上分解，有

其中ξk为序参量，w为剩余向量。序参量的引入可以使网络行为得到简化：

序参量的时间演化方程为：

输入层对应状态向量各分量的初始值，共N个神经元，序参量层有M个神经元，每个神经元的初始状态由式（5）从输入层获得，连接权值由决定。D使各单元相互作用和竞争，当t→∞时，输出该层表现为最终识别出的模式。

2 基于动态神经网络的预测模型

2.1 动态协同神经网络

根据协同神经网络的基本原理，本节提出一种基于动态协同神经网络的预测机制。该方法首先是对初始序参量进行演化，演化过程过程使用自适应的动态参数调整法，即本文所提出的改进方法。在预测过程中，原型向量的求解是关键问题，对最后的预测结果影响很大，这里我们用SCAP方法[10]求解原型向量vk(k=1，2，…，M)，即求出每个待测类别的特征向量的平均值，而伴随向量则用伪逆法求出。

在式(8)中λk称为注意参数，它控制了模式演化的最终结果和速度。由初始的关于序参量ξk的动力学方程：

忽略高阶项和涨落力可得

由上式可以看出注意参数λk控制模式变化的速度，如果对某模式加以“注意”，则可对它赋以较大的λk，这样即使它所对应的序参量没有最大初始模值，依然有可能获得竞争的胜利，这也符合生物感知的特点。它的取值分为平衡注意参数和不平衡注意参数。

由于在平衡注意参数情形下，协同神经网络的最后输出模式可以通过直接比较个原型模式序参量初始摸值大小得到，最大序参量初始模值所对应的原型模式最终将获胜，这样无需经过序参量的演化过程。该情况下，协同神经网络无法通过网络的学习来正确判断，即网络失去了自学习能力。而非平衡注意参数更有利于选择性的模式识别，特别是在序参量之间相差不大时，注意参数在决定序参量的动力学演化中占了很大的比重。本文根据风险预测的实际应用提出一种注意参数动态调整的方法，通过原型模式向量与待测模式向量间的相似度选取合适的不平衡注意参数：

我们选取待识别模式于原型模式之间的相关系数来作为不平衡参数的取值，它反映了原型模式向量与试验模式向量之间的相似处，原型模式越接近实验模式，则相应的注意参数越大，这是一种根据输入模式的特征自适应的确定注意参数的方法。对于迭代速度以及常数B和C的选取，同样采取自适应动态的方式来调整，在实验中我们选取γ=0.5/D，B=C=1，则序参量演化式变为：

2.2 预测模型

动态协同神经网络中的序参量演化是预测模型的核心部分，它能依靠原型模式和待测模式之间的相似度，自适应地确定注意参数。总的来说，为了预测时间序列的后续变化值，动态协同神经网络算法需经过训练和预测两个阶段，步骤如下：

(1)训练阶段

①读入训练样本的全局特征向量，计算出满足归一化和零均值的原型模式向量vk；

②求出原型模式向量vk的伴随向量，并存储伴随向量矩阵。

(2)预测阶段

①网络输入层读入待识别模式的特征向量q(0)，使其满足归一化和零均值；

②输入层模式特征向量q(0)与网络权值相乘，即，求出网络中间层序参量ξk的初始值；

③根据公式（9）描述动力学方程执行序参量ξk的演化：

γ为迭代步长，它决定了协同神经网络的稳定性。

④判断序参量ξk(n)演化的稳定性，若演化过程已稳定，则根据最终序参量模值为1的类别计算测试样本的隶属度，否则转c)继续调整。

图1 基于动态协同神经网络的预测模型

3 实证分析

3.1 数据处理与训练样本生成

文章对某连锁超市的供应商在2013年度每个月的风险指标以问卷调查的形式，收集评分数据。采取满分5分制，在每个月，均发放100份问卷，平均收回率达到97%。首先对每个月的评分进行汇总，然后对时间序列的值做归一化处理。令

式中，xi为归一化后序列的第i个量；a=0.9，b=(1-a)/2。因神经元的转移函数取做Tan-Sigmoid函数，这样做可避免神经元的输出进入饱和状态。表1为供应商评价值归一化后建立的训练样本：和归一化得到训练样本集，表1为前5个月的训练样本。

表1 供应商评价值归一化后建立的训练样本

3.2 供应商评价值预测

对8对样本进行训练。隐层节点数从4开始，逐步增加到9时网络预测结果较好。允许最大误差设为0.001，训练7527次后达到训练要求。网络误差收敛如图2所示。

图2 网络误差收敛图

从网络的训练结果可以看出，训练结果达到了预期值。经过多次训练验证发现，训练过程收敛的比较快，而且都能达到预期效果。这说明了，建立的BP网络模型稳定性很好。然后将如下包含2～5月份风险评价值的测试样本test输入到DSNN网络。

得到输出结果为(0.4266，0.7365，0.7204)，根据公式（16）：

利用反归一化程序，可以得到第11个月、12个月和13个月供应商的评价值。预测结果和实际结果如表2所示。

表2 DSNN与BP算法对于预测结果和实际结果的对比

由表2可知：与BP算法相比，利用DSNN算法建立的模型预测供应商风险评价值误差更小，3个月的平均误差仅为0.3269，远远低于BP算法产生的0.8574的误差，表明该方法的预测结果与实际结果大体上是一致的，能够预测出供应商风险评价值。根据预测值，连锁超市可以看出未来供应商的波动情况，使连锁超市采取相应的措施，以降低连锁超市的风险。

4 结束语

本文在协同神经网络的基础上提出一种DSNN预测算法，以相邻4个月的评价时间序列作为网络输入，建立基于DSNN的供应商风险评价预测模型，对未来的连续时间评价得分序列进行预测。实验结果表明，基于DSNN算法的预测模型在准确率方面显著优于传统BP神经网络算法。并且，这一思想方法可运用于其他时间序列变化的趋势预测问题中。

[1]陈伟杰，肖智.基于模糊软集合的供应商风险评估模型[J].软科学(自然科学版)，2013，27（12）.

[2]王卓,洪玫,曾明等.灰色评价法在遗留系统评价中的应用[J].情报杂志，2009，(2).

[3]马林.基于SCOR模型的供应链风险识别、评估与一体化管理研究[D].浙江：浙江大学，2005.

[4]索寒生,储洪胜,金以慧.带有风险规避型销售商的供需链协调[J].控制与决策，2004,(9).

[5]俞兆城，赵永刚，朱建坤.基于BP神经网络物流供应商能力评估研究[J].中国管理信息化，2008,11(9).

[6]朱传波，季建华.考虑供应商风险的订货与可靠性改善策略研究[J].管理评论，2013，25（6）.

[7]Liu M,Fu Y.On Synergetic Theory and Application in Sports Curriculum Reform[C]//Proc.of The 2009 First International Workshop on Education Technology and Computer Science,2009.

[8]王文利，骆建文.交易信用保险对供应商提供融资的激励作用[J].管理工程学报，2014，28（1）.

[9]胡树森.供应商的风险来源及其应对策略[J].郑州轻工业学院学报，2012，13（3）.