基于BP神经网络的精益供应链协同绩效研究

王旭

摘要：随着精益管理和供应链管理越来越受到重视和应用，对精益供应链协同绩效进行评价的研究也显得更加重要。以五维动态平衡计分卡作为参考模型，构建精益供应链协同绩效评价的指标体系，并运用BP神经网络对精益供应链协同绩效进行评价，为研究精益供应链系统的运行性能提供决策依据。

关键词：精益供应链；绩效评价；五维动态平衡计分卡；BP神经网络

中图分类号：F25

文献标识码：A

文章编号：16723198（2015）05006302

1引言

精益供应链管理源于精益管理，它是指对包括上下游环节在内的整个供应链系统进行优化和改造，免除不必要的步骤、耽搁、等待和消耗，消除企业运营中的浪费，最大限度地降低成本，最大程度地满足客户需求，一系列对供应链计划、实施和控制的过程。而供应链协同管理正是将整个工厂、供应商、销售和售后服务整合在一起，通过业务流程的优化整合和关键信息的分享来加强企业内部与外部的价值链协作，从而达到整体利益最大化的目的。

当前国内外学者提出了大量的供应链协同模型。一方面，国外学者研究并提出了第一个标准地用来评价供应链流程的参考模型——SCOR。Robert S. Kaplan 和David P. Norton首次提出驱动绩效的评价参考体系——平衡计分卡（BSC）。另一方面，在国外学者提出的SCOR的基础上，中国电子商务协会和供应链管理委员会提出了SCPR评价方法。国内外的相关研究主要从协同的角度指出供应链协同评价的具体指标为响应时间、运作成本、鲁棒性和适应性。这既没有对目标一致性、协同合作能力等指标进行评价，也没有对具有普遍性的精益供应链协同绩效评价进行界定。因此，鉴于已有研究存在的不足，本文构建基于五维动态平衡计分卡模型的精益供应链协同绩效评价指标体系并运用BP神经网络对此类供应链协同绩效进行评价。

本文首先基于五维动态平衡计分卡构建精益供应链协同绩效评价指标体系，然后运用BP神经网络对精益供应链协同绩效进行评价。五维动态平衡计分卡最初由郑培在有关动态供应链绩效评价方法的研究中提出。神经网络则是一种综合了多学科特点的交叉性研究方法，其研究内容相当广泛，而其中BP神经网络在供应链绩效评价中的应用最为常见。

2评价指标体系的构建与规范化

2.1评价指标体系的构建

精益供应链来源于精益管理，一方面，它通过消除企业中的浪费以最大限度地降低成本；另一方面，它通过最大程度地满足顾客需求来提高顾客满意度，进而最终达到整体利益最大化的目的。因此，精益供应链协同管理涉及到成本、顾客满意度以及整体利益等多方面因素。目前国内学者对于供应链管理绩效评价指标的研究比较广泛，也相应提出了许多评价体系。如陈志祥提出了敏捷供应链协调绩效的评价指标体系、张翠华等提出了供应链协同绩效评价指标体系。然而，精益供应链协同绩效评价指标体系不但应服务于精益供应链并且还具有较强的动态性。因此根据王廷娜、冯艳飞所进行的基于FAHP的制造业精益供应链协同绩效评价的研究、张翠华等所做的供应链协同绩效评价指标及其应用的研究及郑培完成的动态供应链绩效评价方法的研究，同时结合实际调研情况及经查阅所得的相关资料，本文提出面向精益供应链管理的协同绩效评价指标体系。该评价体系以五维动态平衡计分卡为参考，具体包括财务状况、创新与发展、内部流程、顾客以及供应商5个测量维度，涉及盈利能力、利润增长率、响应时间、客户满意度和准时交货率等15个评价指标，具体情况如图1所示。

2.2评价指标的规范化

由于表1所列15个指标的量纲不一致，因此必须对指标进行规范化处理，将所有指标转化成为无量纲的指标。效益型指标是指期望其数值越大越好的指标，而成本型指标是指期望其数值越小越好的指标。两种类型指标的规范化处理方法分别如公式（1）和（2）所示。

其中，yj为第j个指标的实际值，ymaxj，yminj分别为第j个指标的规定上限值和下限值。

3基于BP神经网络的供应链绩效评价分析

BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。我们假设输入层{Uk}，目标输出层{Ok}，中间层神经元输入向量{Gk}，中间层神经元输出向量{Hk}，输出层单元输入向量{Mk}，输出层单元输出向量{Nk}，输入层至中间层连接权值{Wij}，中间层至输出层连接权值{Vij}，中间层单元输出阀值{Qj}，输出层单元输出阀值{Rr}，学习速率α，β。为模拟生物神经元非线性特征，其网络响应函数为Sigmoid型函数：f（x）=11+e-x。

运用BP神经网络方法对供应链协同绩效评价的具体步骤如下：

第一步，指标体系的构建：根据评价指标体系构建的原则和已有学者的相关研究成果，构建精益供应链的协同绩效评价指标体系，如图1所示。

第二步，数据的获取及处理：由于在神经网络的形成阶段需要利用历史数据进行训练，因此本研究所需数据一部分来源于相关文献的调查数据；另一部分则来源于通过专家法得到的数据，数据的处理方法如公式（1）和（2）所示。

第三步，计算中间层各个单元输入{gj}，并用Sigmoid型函数计算中间层输出{hj}：

gj=ni=1Wij·ui-θj，hj=f（gj）

第四步，计算输出层各个神经元输入{Mt}，并用Sigmoid型函数计算输出层输出{Nt}：

Mt=pj=1vjt·bj-rt，Nt=f（Mt）

第五步，用目标输出向量{Ok}，网络实际输出{Nt}，计算输出层各单元一般性误差{dkt}；用连接权值{vjt}、输出层误差{dt}、中间层各个神经元输出{hj}计算中间层各单元误差{ekj}：

dkt=（Okt-Nt）·Nt（1-Nt），ekj=[qt=1dt·vjt]·hj（1-hj）

第六步，用输出层的误差{dkt}和中间层输出{hj}修正连接权值{vjt}和阀值{rt}；用中间层各个神经元的误差{ekj}和输入层的输入{Uk}修正连接权值{wij}和阀值{θj}：

vjt（N+1）=vjt（N）+α·dkt·hj，rt（N+1）=

vjt（N）+α·dkt

wij（N+1）=wij（N）+β·ekj·Uki，θj（N+1）=θj（N）+β·ekj

第七步，重复网络给定的学习模式，直到网络收敛到允许误差范围内，得到最优的BP神经网络结构。其中MSE=1nn1（Pi-Ti），n为训练次数；Pi为预测值；Ti为目标值。

4结束语

精益供应链的协同绩效评价是一个新兴且热门的研究领域，我国目前的供应链协同能力和信任程度还比较低，而本文研究则为今后的相关研究提供了理论基础。本文通过借鉴五维动态平衡计分卡模型构造出针对精益供应链协同绩效进行评价的指标体系，并详述了运用BP神经网络对供应链协同绩效进行评价的具体操作步骤。

参考文献

[1]Metin，Cihan O，Kaoru F. ComputerAssisted supply chain configuration based on supply chain operations reference（SCOR）model[J].Computers and Chemical Engineering，2004，（28）：985992.

[2]周红.供应链协同绩效评价指标体系及模糊综合评价[D].沈阳：东北大学，2005.

[3]董鸿亮.供应链协同绩效评价初探[D].南宁：广西大学，2008.

[4]郑培.动态供应链绩效评价方法研究[D].长沙：湖南大学，2008.

[5]陈志祥.AHP方法在敏捷供应链协调绩效评价决策系统的应用[J].计算机工程与应用，2003，39（33）：3335.

[6]张翠华，周红，赵淼，常广庶等.供应链协同绩效评价及应用[J].东北大学学报：自然科学版，2006，（6）：1619.

[7]王廷娜，冯艳飞.基于FAHP的制造业精益供应链协同绩效评价研究[J].工业技术经济，2010，29（4）：104107.

[8]王龙昭.基于仿生理论的供应链绩效评价研究[D].长春：吉林大学，2012.