基于大数据的船舶建造供应商RBF神经网络评价模型研究

钱 芳

(青岛远洋船员职业学院，山东 青岛 266071)

0 引 言

在航运和船舶建造市场大环境低迷的背景下，航运公司前几年进行了大规模的运力调整，2013—2017年，在国家拆船补贴政策的刺激下，航运企业积极进行老旧船舶拆船活动。与此同时，根据国家 “十三五 ”发展规划，航运企业进行船队结构调整，纷纷加大对特定船舶建造的投资力度，2018年前10个月全国承接新船订单2846万载重吨，同比增长41.4%。对于航运企业来说，对船舶建造供应商相关数据信息进行分析处理，合理有效地评价选择船舶建造供应商，是航运企业一直关注的论题。

关于供应商的选择和评价，相关研究采用层次分析法[1]、模糊评价[2]等方法来建立供应商评价模型，这些方法的共同特点是将决策思维过程数学化，利用定量定性结合方法建构评价体系。但是这些方法也有其局限性：1）其中很多数据来自专家的主观评价，数据需要被反复验证；2）各层次之间很难确认层次之间的数据关系，不同关系产生的结果可能大不相同[3]。

同时，随着互联网大数据、工业4.0、智能技术等技术的深化发展，航运企业面临着新的历史变革。航运企业作为船舶管理企业，源源不断地产生大量作业数据，如船舶航线信息、气象信息、实时船舶运行状况及航行过程中的外部环境等数据。同时，还有很多管理数据，如企业发展战略、各类型船舶运行情况、盈利情况等；船舶维修保养记录，船舶日常供应记录等。除了内部数据，由于ERP、互联网电商等系统的广泛应用，多家大数据企业的不断涌现，航运企业还流通着企业财税记录、企业信用记录、政策执行情况等外部数据。在大数据背景下，航运企业对船舶建造供应商的评价方法面临新的挑战，之前的评价方法还不能有效地解决由大数据背景产生的海量数据问题，但航运企业对船舶建造供应商的评价方法也面临新的机遇，即利用大数据更合理、更准确地构建船舶建造供应商的评价模型。

因而，根据船舶建造供应商评价的特点，本文利用径向基RBF神经网络理论来构建船舶建造供应商评价模型，这种方法克服传统方法的局限性，利用径向基神经网络所具备的快速收敛、可以逼近任意非线性函数的特点，解决了在大数据背景下，船舶建造供应商的评价问题。

1 船舶建造供应商评价大数据指标

除了内部数据可以成为航运企业评价船舶建造供应商评价的依据，外部数据应该更大的发挥作用。在大数据背景下，航运企业应该加强自身大数据应用研究，同时也应该更多地与大数据企业进行战略合作，充分利用大数据资源和数据挖掘技术。

船舶建造供应商评价指标的选取非常重要。在大数据背景下，本文选择船舶公司的法律诉讼、手持订单、专利数量、服务水平、价格5个指标。这些指标都可以从大数据中进行数据筛选、数据挖掘得到，具有客观性的特点。

船舶建造的周期很长，无论是航运企业还是船舶建造企业面临的风险都很大，在短短几年间，多家船舶制造企业申请破产重组，航运企业选择船舶建造供应商首先要对船舶建造供应商的信用要求，这些数据可以取自网络大数据各船舶建造公司的手持订单，相关法律诉讼数量等指标。

根据航运企业转型发展的需要，新建船舶主要是新型船舶及客户定制船舶为主，这就对船舶建造供应商提出了更高的要求，这就要求船舶企业拥有足够的开发技术人员团队、更多先进的专利技术，选取目前各船舶建造供应商的专利技术数量作为衡量技术能力的重要指标。

根据船舶维修保养记录及各船舶公司相关业务人员对船舶建造公司的服务评价可以得到服务质量指标。价格指标是选择了某一船型各船舶公司的报价。其中，手持订单来自2018年上半年克拉克松数据，相关法律诉讼案件数量、专利技术数量来自网络大数据。

2 船舶建造供应商RBF神经网络评价模型

径向基（Radial Basis Function，RBF）函数神经网络[4]，是一种结构简单、可以快速收敛，更适合实时性要求高的情况，更能够适应大数据背景要求；模拟人的大脑神经网络结构，能够逼近任意非线性函数的网络。

本文采用广义径向基网络，其结构如图1所示。

第1层是输入层，由输入结点组成，输入节点的个数等于输入向量X；第2层是隐含层，其隐含节点个数为n，n＜N，第i个隐含节点基函数为（‖XXi‖），Xi=[Xi1，Xi2，…Xim]为基函数的中心。输出层有L个神经元，在这里增加了，输出单元各与其相连的可能会为。

图 1 径向基神经网络结构示意图Fig. 1 Structure of radial basis function neural network

设实际输出为Yk=[Yk1，Yk2，…YkL]，L为输出单元个数，那么输入训练样本XK时，第个输出神经元得出的结果为

本文的径向基RBF神经网络采取的是广义径向基函数网络。

3 实例仿真

本文采用Matlab程序进行编写，首先进行初始化，通过newrb建立径向基函数神经网络函数，确定输入层、隐含层、输出层个数。其中，隐含层的个数不确定，只能是设定一个范围，不断地向神经网络中添加新的隐含层节点，并调整节点中心，直到所得到的网络达到误差的预期要求。

选取16个国内船舶建造供应商，在大数据背景下收集相关指标数据，其中输入初始训练样本为11个（见表1），即输入为6×11指标矩阵，其中5×11为训练样本X值，1×11为训练样本Y值。

为了充分利用样本，设隐含层节点最大个数N=500，径向基神经网络对11份训练样本进行二维插值，将样本数扩大。如n=100时，二维插值后，输入训练矩阵6×11变为6×100矩阵；n在不变增加，直到网络误差小于 e–8。

表 1 初始训练样本Tab. 1 Initial training samples

当spread=22时，径向基收敛最快，收敛目标为网络的误差小于e–8，其网络训练曲线如图2所示。

图 2 RBF神经网络训练曲线图Fig. 2 RBF neural network training curve

利用VIEW指令，查看RBF神经网络结构图（见图3）可以看到，此隐含层包含399个神经元节点，即当神经元达到399个时，此RBF神经网络的误差小于e–8。

图 3 RBF神经网络结构图Fig. 3 RBF neural network structure diagram

输入5个测试样本如表2所示，并运行Matlab软件，得到具体测试评分值yy=（6.298，5.860 3，6.334 0，6.298 2，5.728 4）。

表 2 测试样本Tab. 2 Test samples

为了更直观显现测试结果，可以得到目标评分值与测试评分值的残差（见图4）。

进一步分析目标评分与预测评分值对比（见图5），5个测试点的平均相对误差为2.099 2%，在3%以下；最大相对误差为4.626 4%，也控制在5%以内，从而可以认为径向基RBF神经网络在大数据背景下准确地对船舶建造供应商进行评价。

4 结 语

图 4 船舶建造供应商目标评分与预测评分值残差图Fig. 4 Residual diagram of ship construction supplier target score and prediction score value

图 5 船舶建造供应商目标评分与预测评分值对比图Fig. 5 Contrast chart of target score and forecast score of shipbuilding suppliers

本文采用径向基RBF神经网络方法，在大数据背景下选取了5个船舶建造供应商评价指标，建立了船舶建造供应商评价指标模型，通过对模型地实例仿真，验证了模型的可用性。这个方法一方面解决了传统方法人为因素过多，影响评价准确性的问题，直接采用网络大数据作为评价模型输入；另一方面，这个方法可以在大数据环境下实现快速收敛，具有实时性的特点。

由于数据收集的难度，本文只选取了5个指标，在真实的大数据环境下，可以将相关指标进一步增加；本文选择的16个样本数据都为国内船舶建造供应商数据，2018年7月，随着中国船舶工业已全面对外开放，要加强对国外船舶建造供应商数据的收集和分析。