大数据环境下基于BP神经网络的建筑企业供应商选择

王红春， 赵亚星

(北京建筑大学 经济与管理工程学院， 北京 100044)

随着新一代信息技术的快速发展，数据已经成为如土地和矿产一样重要的资源，如何有效挖掘大数据的价值已成为新一代信息技术发展的重要方向。大数据的应用涉及各行各业，如金融、政务、交通、电信以及医疗、教育等，大数据技术正在逐渐成为普遍使用的主流技术。Deutsch等[1]指出大数据技术目前正在全球范围内使用，以解决21世纪设计和建设中存在的复杂且定义不清的问题，数据驱动的设计和施工过程能够消除现有的很多问题。丁士昭[2]指出在大数据时代背景下，对工程建设和设施运营中产生的数据进行数据挖掘，可以用于工程管理及相关的建设管理等方面。

住建部发布数据显示，建筑业总产值增速从2013年以来呈现持续下滑，行业发展进入低谷期，产业转型升级迫在眉睫。与制造业不同，建筑业是一个包涵勘察设计、建筑施工、运维管理等多个专业的行业，其涉及到的人、材、机复杂多样，生产过程复杂，平均每个建筑全生命周期大约产生10 T级别的数据和信息。面对新常态，充分挖掘和利用自身大数据，提高创新管理能力，节约资源成本，提高生产效率，是实现产业转型升级的关键所在。

然而，大数据技术的发展尚处于起步阶段，尤其是在建筑行业领域，缺少成熟的理论指导和实践研究。大数据的应用在提升项目管理质量的同时，对项目成本的量化管理也有很大的影响，尤其是材料采购成本控制方面。在建筑行业，一个项目的材料成本占整个项目成本的50%～70%，是整个项目成本的重要组成部分，因此，控制材料采购成本是降低项目成本的关键。但是，材料成本往往很难进行预算和控制，主要是因为材料供应商数量众多，材料的质量以及报价参差不齐。因此，现阶段的主要问题是寻找一个合理的基于大数据的建筑企业供应商选择模型，以解决大数据在建筑成本控制方面的应用问题。

与本文相关的研究中，传统的建筑企业供应商选择模型取得了非常丰富的研究成果。Chi等[3]分析了139个项目数据集，提出了基于数据挖掘的决策模型，并将其用于项目绩效预测。Martínez-Rojas等[4]提出利用ICT(Information and Communication Technologies)技术，为项目的成本、计划、风险、安全、进度和质量控制提供数据获取的手段和方法。Mathew等[5]收集了超过75万个住宅和商业建筑的数据，并对其建筑性能进行了评估。Irizarry等[6]提出了集成化的BIM(Building Information Modeling)-GIS(Geographic Information System)模型，实现了建筑供应链的可视化监控，并提供预警信号以确保材料的交付。王国堂[7]提出了大数据环境下的工程项目成本管理模型，从时间维、领域维和方法维三个维度，给出了施工企业和建筑行业利用大数据优化项目成本管理的对策建议。赵世强等[8]探讨了如何利用大数据技术充分挖掘工程造价信息数据，并提出了对工程造价信息化建设进行改造的相关建议。马智亮等[9]总结了大数据技术在土木工程中的应用现状，并预测了其发展趋势。 任晓宇等[10]构建了建筑裂缝大数据平台，对建筑裂缝进行分析和预测并提出裂缝处理的解决方案。 Wang等[11]提出了BIM-GIS集成的供应商选择框架，同时运用AHP(Analytic Hierarchy Process)-GRA(Grey Relational Analysis)组合方法，对供应商绩效进行评估，确定影响供应商选择优先级的弹性标准。刘帅等[12]首次将大数据与AHP方法结合，建立了基于层次分析法的大数据供应商评价模型，为企业构建大数据供应链提供了一些参考意见。周清华等[13]运用直觉模糊集理论和逼近理想解(Technique for Order Preference by Similarity to an Ideal Solution，TOPSIS)法对绿色供应商选择问题进行了研究。杨斯玲等[14]针对绿色建筑供应商选择中存在的多属性、不确定性等问题，结合集对分析理论和灰色关联理论，选择最优供应商。陈威威[15]选用了网络层次分析(The Analytic Network Process，ANP)法确定指标权重，对TOPSIS法加以改进，建立了ANP-TOPSIS评价模型，并用实例验证了模型的可行性。

综上所述，现有文献一方面探讨了大数据环境下的项目管理模式，以及如何将数据挖掘或大数据技术应用于建筑项目管理中，另一方面采用传统的理论方法对建筑供应商选择问题进行了研究，但是少有研究大数据环境下建筑企业采购环节的供应商选择问题。本文主要结合建筑企业供应商的特点，构建了供应商选择的大数据指标体系，从大数据指标的角度，结合BP(Back Propagation)神经网络算法进行建筑企业供应商的选择，为大数据思想在建筑企业供应商选择中的应用提供一些参考。

1 建筑企业供应商特点分析

首先，建筑产品生产过程中所用材料种类繁多，包括结构材料、装饰材料、以及防水保温等专用材料，无一不涉及到材料采购。同时，材料的种类和型号也相当复杂，不同材料在不同的工程项目中的用量也各不相同。其次，一方面，建筑产品是典型的用户驱动型的生产，而且生产的地点固定，生产过程有特定的工序，这就要求供应商要根据建筑企业的需求在特定的时间提供特定种类、特定数量的产品，并将产品送往特定场地；另一方面，目前的建筑材料市场竞争充分，材料获取比较简单，而且施工现场的材料堆放空间有限，建筑企业一般要求供应商紧跟项目进度，将材料准时运送至施工现场。最后，虽然建筑材料的种类、型号众多，但其产品规格要符合相关国家规范标准，如混凝土的抗压强度、钢筋的屈服强度等。因此，供应商不需要重新设计改造产品，只需要保证产品符合相关国家标准即可。

传统情况下建筑企业在材料采购活动中，往往以自身利益最大化为出发点，将供应商当作是帮助项目顺利完成的材料外部供应者，对供应商的价值认知不够。在进行供应商选择时，只关心供应商提供产品的价格以及交货状态，对供应商的长期发展及其对自身发展的影响很少在意，与供应商的合作关系也随着一个项目的结束而结束。这种建筑企业与供应商之间暂时的供需关系就导致了双方企业之间信息的不对称，进而导致交易成本较高，效率低下。当前的市场环境与行业的转型发展要求建筑企业与供应商能够快速响应业主需求，有效降低交易成本和缩短谈判时间，这就要求双方要改变现有的短暂供需关系，形成一种互利的合作伙伴关系。本文认为建筑企业和供应商之间应该形成一种以信任为基础的战略联盟伙伴关系，一方面企业之间以信任为基础的合作关系，可以实现战略联盟的快速结盟、快速重构、快速扩充，快速响应业主需求，降低交易成本，缩短谈判时间，同时适应建筑产品生产的一次性和单间性特点；另一方面，企业都以自身利益最大化为目标，双方之间这种一荣俱荣，一损俱损的战略联盟，使他们形成一个利益共同体，实现信息共享、风险共担和利益共分。

2 供应商选择大数据指标体系构建

2.1 大数据指标设置及其体系构建原则

供应商选择大数据指标体系设置的目的是为了基于大数据的思想，帮助建筑企业选择供应商。在大数据背景下，建筑企业如何基于大数据的思想进行工程建设及其相关活动，一方面，建筑企业不仅仅要选择出具备大数据技术/能力的合作伙伴，建筑企业本身也要具备大数据技术/能力；另一方面，在选择具备大数据技术/能力的供应商合作伙伴时，要从大数据的角度去考察和筛选供应商，不仅要考察供应商提供产品的质量、价格以及交付与服务水平，供应商的大数据技术能力和供应商企业的合作兼容性等指标，更重要的是如何从大数据的角度设置这些考察指标。这也是供应商选择的大数据指标体系与传统的供应商选择指标体系的不同之处。

供应商选择的大数据指标体系的构建应遵循以下原则，以使供应商的选择评价尽可能地接近客观事实。

(1)系统全面性

指标体系要能够系统全面地反映出供应商的综合实力，既要包括价格、质量等能反映出供应商实力的硬指标，也要包括合作水平，兼容性等反映供应商其他方面竞争优势的软指标。

(2)科学可比性

指标体系要体现出客观、公正、科学原则，每个指标要有具体的含义，能反映出供应商的实际情况，还要具备普适性，在行业企业之间具有可比性。

(3)灵活可拓展性

市场是不断变化的，企业是不断发展的，建筑企业要根据自身的实际情况去选择供应商，对供应商的要求和考虑的因素发生变化时，指标体系的内容也要随之调整，因此要具备一定的灵活可拓展空间。

(4)定性与定量结合

对供应商的考察涉及到方方面面的指标，有些指标很难去量化，但是又不能忽略，只能通过定性的方式去描述，因此要采用定性与定量相结合的原则，对定性的指标按照某种标准去赋值，将其量化。

2.2 大数据指标分析及说明

根据上述建筑企业供应商的特点分析以及指标体系设计的原则，通过到中国建筑某工程局有限公司进行实地走访，结合国内外学者的相关研究成果和专家意见，从生产能力、材料供应能力和企业能力三个方面建立供应商选择大数据指标体系。其中专家主要来自于中国建筑某工程局有限公司的专业采购人员以及其某个供应商企业管理部门的专业从业人员，北京某高校从事项目管理的研究人员，具体安排如表1所示。

表1 专家来源分布

(1)生产能力大数据是衡量供应商企业生产能力的相关数据指标，主要包括材料数据、成本数据、柔性数据和财务数据。材料数据主要是指供应商所提供材料的产品信息，包括材料的种类、型号、性能，质量认证情况以及产品合格率等数据；成本数据主要是指供应商所提供材料的价格及其成本，合理的价格是建筑企业参考的重要指标之一，成本是指建立合作关系所花费的成本以及关系管理成本；柔性数据是指供应商生产的柔性指标，包括供应商可提供材料的多样性，供应商对需求变化的响应能力，订单完成的提前期等数据；资产数据指供应商的资产状况，包括供应商资金周转情况、现金流和供应商的生产力状况等。

(2)材料供应大数据是衡量供应商供货能力的相关数据指标，主要包括物流数据、联系数据、沟通数据和风险数据。物流数据是指供应商利用大数据进行配送路线的智能规划以及通过实时信息追踪定位产品所产生的相关数据，还包括供应商对交货时间的控制能力；联系数据是指供应商的地理位置以及所在地的气候、交通、服务距离，供应商与建筑企业之间的交流方式、交流频率等数据；沟通数据是指供应商与建筑企业之间的交流数据，包括供应商对建筑企业提出问题的回应，运输方式、运输路线、送货时间等渠道建设情况等数据；风险数据是指供应商利用大数据进行风险预测的能力，以及突发事件或风险发生时的应对机制、突发事件或风险发生后对损失的补救能力等数据。

(3)企业能力大数据是衡量企业综合实力的相关数据指标，主要包括资质数据、技术数据、环境数据、合作数据和历史数据等。资质数据是指供应商企业的资质信誉情况，包括供应商的信用等级、行业声誉等数据。技术数据主要是指供应商在大数据技术方面的应用情况，包括大数据预测机制、大数据获取能力、大数据分析能力、大数据决策能力和大数据专业人才，其中大数据预测机制是指供应商利用大数据优化预测机制，依靠大数据预测控制库存水平，在满足订单需求的情况下尽可能降低库存的能力；大数据获取能力是指供应商通过相关技术，如传感器、RFID(Radio Frequency Identification)技术等获取产品生命周期内的实时数据的能力；大数据分析能力是指供应商利用获取到的实时数据优化产品性能，提高产品合格率，优化营销策略等的能力；大数据决策能力是指供应商将大数据预测机制、大数据获取能力、大数据分析能力转化为决策依据的能力；大数据专业人才，一方面是指供应商企业的领导能否认识的大数据带来的变革，带领企业实现竞争力的提升，另一方面是指企业是否拥有具有深度学习能力的数据分析人才以及是否具有一套完整的大数据员工培训机制[12]。环境数据是指供应商企业所处的政策法律环境、自然地理环境、经济技术环境等。合作数据是指供应商企业的合作意向，供应商高层领导的支持以及供应商与建筑企业的文化兼容性、信息平台兼容性等。历史数据是指供应商以往类似的合作经验、交易频率、合作履约率等。

3 基于BP神经网络的供应商选择模型

3.1 建筑大数据平台

建筑行业的数据多而杂乱，这也正是建筑行业大数据难以落实的原因之一。传统的建筑企业供应商选择，往往是建筑企业通过招标的方式获得供应商的信息，再根据指标体系转化为需要的数据类型，采用某一评价方法进行评价选择，整个过程繁琐复杂，而且容易出错。本文从大数据的角度建立了如上指标体系，接下来BP神经网络模型构建需要的样本数据应该根据设定的指标体系进行量化，可以通过建筑大数据平台进行采集。通过建筑大数据平台，如图1所示，建筑企业和项目各参与方可以获取各自所需要的建筑数据信息，并对数据进行有序的管理、整合和优化，更好地服务于自身和行业，同时可以通过建筑大数据平台实现信息共享，打破信息壁垒，提高决策的准确性和有效性。

图1 建筑大数据平台

3.2 样本采集

建筑企业在选择供应商时可以通过建筑大数据平台提取出需要的数据，但是由于目前大数据在建筑行业的应用还不成熟，建筑大数据的平台建设并不完善，基于大数据的指标数据采集比较困难，现有的建筑企业供应商选择产生的数据与本文建立模型中需要的数据类型不符，而且基于建筑大数据平台的数据整合、提取与去噪涉及到一系列技术层面的问题，而本文只是从管理角度提出如何将大数据应用于建筑企业供应商选择中，因此本文选择采用专家打分法模拟一组数据进行算例分析，在技术条件允许的情况下，无需进行专家打分法采集数据，只需将基于大数据平台提取到的数据用于模型的学习和训练，并对任一供应商进行评价选择。关于大数据技术在建筑行业的进一步应用，以及大数据建筑平台的建设还需要学者和大数据专业技术人员的进一步研究和探索，希望本文从管理的角度提出的方法能够为接下来的研究提供一定的思路。

根据评级指标的设置，建立如图2所示层次结构模型。

图2 供应商选择大数据指标体系

根据专家意见采用1～9标度法建立各层判断矩阵，如表1～4，并分别求出各个判断矩阵的λmax以及λmax对应的特征向量，进行一致性检验。

表1 A-B判断矩阵

注：λmax=3.0092，CI=0.0046，RI=0.58，CR=0.0079<0.1

表2 B1-C判断矩阵

注：λmax=4.1171，CI=0.0390，RI=0.89，CR=0.0439<0.1

表3 B2-C判断矩阵

注：λmax=4.1375，CI=0.0458，RI=0.89，CR=0.0515<0.1

表4 B3-C判断矩阵

注：λmax=5.2882，CI=0.0721，RI=1.12，CR=0.0643<0.1

指标层各指标对总目标的重要性权重如表5所示。

表5 各指标权重

本文模拟了20个备选供应商数据作为样本，采用十分制对样本的各指标进行打分，各指标得分情况如表6所示。设以上13个指标权重为ω=(ω1，ω2，…，ω13)，对应的得分为X=(X1，X2，…，X13)，则20个供应商的总分分别为Yi=ωX(i=1，2，…，20)，得到供应商的评价总分，即表6最后一列数据。

表6 供应商得分

续表

3.3 网络设计

理论上已经证明，单个隐含层的BP神经网络可以通过适当增加神经元节点个数对任意闭区间上的函数进行逼近，实现任意非线性映射，因此选择只含一个隐含层的三层BP神经网络。将样本数据中各供应商指标数据作为BP神经网络的输入，输入层节点的个数为13，网络输出结果为供应商的评价值，输出层节点个数为1，隐含层节点个数的确定较为复杂，常用的确定隐层节点个数的公式如下：

(3)n1=log2n，n为输入层节点个数。

根据经验，首先确定隐含层节点个数为13。

3.4 网络训练与验证

应用MATLAB神经网络工具箱提供的函数进行网络的学习和训练。根据神经网络的结构，调用函数newff()用来创建神经网络，并初始化权值和阈值，设置训练的次数、最小误差和学习速率，进行网络训练，得到BP网络模型。

由于网络构建过程中要通过数据输入，进行网络训练和验证，本文进行算例仿真实验。算例中的样本数据由专家打分得来，如表6所示。将表6中的20组数据分为两部分，前15组作为网络的训练集样本，后5组作为网络的测试集样本。首先进行网络初始值设置，输入层节点个数为13，输出层节点个数为1，隐含层节点个数初步设置为13，进行网络的训练。在学习和训练过程中对隐含层节点个数进行不断调整，以保证训练的精度和速度，经过反复测试和训练，最后隐含层的节点个数为10时，得到一个精确度较高的BP网络模型。

3.5 结果分析

经过训练得到网络模型，将测试集样本输入模型得到输出结果如图3所示。

图3 训练结果

测试集样本的输出与目标输出值的相对误差均在允许范围内，如表7所示，该网络模型可以用于供应商的评价选择。训练得到的神经网络模型积累了以往专家对供应商的评价经验，可以用于供应商的综合评价，预测供应商的综合评价得分，因此，只需将供应商的综合得分进行排序，就可以选择出最优的供应商。根据企业的需求，可以选择出一个或者多个最佳供应商。

表7 结果分析

4 结 语

本文提出的供应商选择方法应用于目前工程项目的评标过程中可以大大地提高现有招投标工作的效率。在建筑大数据平台建设过程中可以预设供应商的淘汰和引入机制，并建立合格的供应商库制度和黑名单制度，对于黑名单中的供应商一律不予考虑，在评标过程中可以省去技术评审、商务评审等步骤，评审委员只需对评审结果进行把握，检查与实际情况的偏差等情况。同时，由于不同区域的材料价格、气候条件、政策等的不同，不同区域之间的供应商淘汰和引入机制也应有所不同，同时在建筑企业系统内将不同区域之间的黑名单进行共享。目前该方法的使用还需具备一定的条件，一方面是大数据技术的发展和应用还不够成熟，建筑大数据平台的构建以及数据整合、提取与去噪尚未实现，另一方面是大多数的企业还不具备大数据的思维，大数据的使用成本还比较高，该方法的具体实施环境还不完善。

在如今大数据时代，谁能够利用好大数据，谁就获得了竞争优势。本文构建了基于大数据供应商选择指标体系，并指出了基于建筑大数据平台的数据获取模式，给出了一种将大数据应用到建筑企业供应商选择的思想方法，并通过算例分析建立了基于BP神经网络的供应商选择模型，该模型可以学习并积累以往专家进行供应商评价选择的经验，在有新的供应商加入时，无需重新计算，将新的供应商数据输入模型即可得到供应商的综合评价值，从而与其他供应商进行比选，得到最优供应商。本文的研究成果为建筑企业供应商选择问题提供了一种新思路，解决了目前供应商选择主观性强、选择过程繁杂的问题，并为大数据在建筑业的应用提供一定的指导。