基于BP神经网络的建筑供应链绩效评价研究

康龙 赵资源

摘要：对建筑供应链进行绩效评价可以有效提高建设项目的整体绩效和建筑企业的核心竞争力。考虑建筑供应链的财务状况、顾客满意度、内部运营能力、敏捷性、学习和成长五个方面，建立了包含5个一级指标、15个二级指标的建筑供应链绩效评价指标体系，提出了BP神经网络模型对建筑供应链绩效进行评价的方法。以青岛某施工企业2017年12个月的数据作为样本，进行学习后，预测了该企业2018年1月和2月的供应链绩效，结果证明了该方法的可行性。

Abstract： Performance evaluation of the construction supply chain can effectively improve the overall performance of the construction project and the core competitiveness of the construction enterprise. Based on the relevant literature， Considering the five aspects of the financial status， customer satisfaction， internal operation ability， agility， learning and growth of the construction supply chain， a building supply chain performance evaluation index system including five first-level indicators and 15 second-level indicators was established. BP neural network model was adopted as the evaluation method of building supply chain performance. The feasibility of this model was verified by taking the data of a construction enterprise in Qingdao as a sample. The results of the example demonstrated the feasibility of the method.

关键词：建筑;供应链;绩效评价;BP神经网络

Key words： building;supply chain;performance evaluation;BP neural network

中图分类号：F274                                         文献标识码：A                                  文章编号：1006-4311（2019）21-0123-04

0  引言

随着建筑业的发展，供应链管理成为建筑业一种新的管理模式，并占有一定分量[1]。建筑供应链是指从项目设计到项目交付运营，由包括业主、承包商、供应商、分包商和监理方等全体项目参与方组成的，涉及到物流、资金量和信息流双向流动的，以满足业主需求和实现建筑项目效益最大化为目标的完整的功能性网络结构。建筑供应链绩效评价是建筑供应链管理的重要内容，能够反映供应链的运营状况，衡量供應链目标的实现程度。通过绩效评价，了解建筑供应链各节点的运作情况，发现运作过程中存在的问题和弱点并进行分析，进而为供应链管理者制定战略、改善机制提供支持。

国内相关学者应用不同的评价方法对建筑供应链绩效进行过评价，其中，陈艳等选择了标杆法作为评价建筑供应链绩效的主要方法[2];王海强和王要武在成熟度的概念模型基础上研究建筑供应链的绩效评价方法，并通过案例分析验证了所提方法的可行性[3];陈伟伟和张云宁基于不确定层次分析法建立了目标优化模型，并结合遗传算法对建筑供应链绩效进行了综合评价[4];沈韵等采用主成分分析法和关键绩效指标法分别对建筑供应链绩效定量和定性指标进行了评价，再通过层次分析法得到综合评价结果[5]。以上方法在评价过程中对于指标权重的确定都存在一定的主观性，而建筑供应链各绩效指标的权重具有客观性，彼此之间存在非线性关联性，本文利用BP神经网络学习、客观和动态特点，解决建筑供应链绩效综合评价问题。

1  建筑供应链绩效评价指标体系构建

参考相关文献，找专家咨询，现场调查，借鉴供应链运作参考模型[8]，参考平衡记分卡理论[9]，构建了包含5个一级指标、15个二级指标的评价指标体系，如表1所示。

2  BP神经网络模型

2.1 确定BP神经网络结构

①确定BP神经网络结构的层数。Kolmogrov理论已经证明，包含一个隐含层的三层BP神经网络只要有足够多的隐含节点数就可以以任意精度逼近任一连续函数[10]。故本文选用三层BP神经网络结构。

②确定BP神经网络的输入层节点数i、输出层节点数k。本文共选取了15个评价指标，故输入层节点数i为15。对于输出层，将建筑供应链绩效评价的结果分为优、良、中、差四个等级，输出节点k为4，用四维向量表示为：当输出为（1，0，0，0）时则绩效评价结果为优，当输出为（0，1，0，0）时则绩效评价结果为良，当输出为（0，0，1，0）时则绩效评价结果为中，当输出为（0，0，0，1）时则绩效评价结果为差。

③确定BP神经网络的隐含层节点数j。到目前为止，还没有能精確预测BP神经网络隐含层节点数的相关理论，对于隐含层节点数的确定，现大多采用“试凑法”。本文考虑到单隐含层神经网络的非线性映射能力较弱，对于同一问题，想要得到预定的映射关系，隐含层节点数应该多一些，以增加神经网络的可调参数，所以本文最终确定隐含层个数j为6。

2.2 BP神经网络原理

2.2.1 指标规范化

考虑建筑供应链的绩效存在效益型和成本型指标，需要对指标规范化，效益型指标按照公式（1）进行处理，成本型指标按照公式（2）进行处理。

公式（1）、（2）中，A为绩效指标的原始值，X为归一化后的指标值，Amax和Amin为同一指标值的最大值和最小值。对于定性指标（如环保控制能力），先将其转换为数值指标，然后再按上述方法进行归一化处理。

2.2.2 BP神经网络算法的训练过程

对于上述BP神经网络，设wij为输入层xi到隐含层的连接权，Vjk为隐含层到输出层yk间的连接权，θj为隐含层的阈值，θk为输出层单元的阈值。

①对输入层到隐含层的连接权Wij，隐含层到输出层的连接权Vij，隐含层的阈值θj，输出层阈值θk随机赋一个（-1，1）之间的随机数。

②提供学习样本对（输入和期望输出值），给出输入向量Xi=（x1，x2，…，xm）和对应的期望输出向量 ，将xi的值输入输入层节点，进行正向计算：

④通过连接权{Vjk}，输出层的一般化误差{δk}，隐含层的输出{Xj}，计算隐含层的误差{δj}

⑤权值{Vjk}和阈值{θk}的修正

⑥连接权{Wij}和取值{θj}的修正

⑦重复步骤②，输入不同的训练样本，不断进行上述计算过程，直到误差δk足够小或变为0，结束学习。

3  算例分析

经调查得到青岛某建筑企业2017年12个月的建筑供应链绩效指标取值和绩效综合评价结果如表2和表3所示。其中，环保控制能力取值为1-5，数值越大表示环保能力越好;业主满意度取值为1-4，数值越大表示业主满意度越高;工期控制能力和产品控制能力取值为1-3，数值越大表示控制能力越好;供应链响应时间在1天到7天之间;信息共享度取值为1-4，数值越大表示共享度越高;新技术开发周期在1个月到12个月之间。

按照公式（1）、公式（2）对表2和表3进行归一化处理，结果如表4和表5所示。

在BP神经网络的训练中，确定BP神经网络的隐含层为6，输出层为4，输入层为15。在[-1，+1]之间随机定一个数值为权值wij和Vjk的初始值，学习速率η设为0.1，将误差控制在0.01之内。结合建立的BP神经网络，采用MATLAB7.0的神经网络计算工具箱，输入表4和表5的训练样本进行训练。结果如图1所示。

分析图1发现，BP神经网络学习过程基本结束是在训练次数约为40次时。图2为训练结束后输出值与期望值之间的误差关系。

络训练结束后，可以用来预测以后的建筑供应链绩效。针对上述企业，经调查得到的该企业2018年前2个月的绩效指标取值结果如表6和表7所示。

将上述各指标归一化后输入训练好的BP神经网络，输出结果为（0.023，0.9975，-0.0018，0.0073）和（-0.0084，0.0029，0.9883，-0.0048）。根据此结果可判断该建筑企业2018年1月、2月的建筑供应链绩效综合评价为良和中，与企业绩效一致。

4  结论

本文通过BP神经网络模型对建筑供应链绩效评价的研究，主要得出以下结论：

①运用BP神经网络评价建筑供应链的绩效指标可综合考虑大量的影响因素，既包括定性的，也包括定量的，具有先进、准确及简便的特点。

②用来评价建筑供应链的绩效指标大都来源于建筑企业的数据统计，人为因素的主观性得到了有效避免，并且不断增加的学习样本，也客观上提高了评价的准确性，使得其适用性越来越广。

参考文献：

[1]王要武，薛小龙.供应链管理在建筑业的应用研究[J].土木工程学报，2004，37（9）.

[2]陈艳，安海宁，徐占功.基于标杆法的精益建筑供应链绩效评价[J].企业经济，2013（1）.

[3]王海强，王要武.基于成熟度模型的建筑供应链绩效评价[J].沈阳建筑大学学报（自然科学版），2009，25（2）：404-408.

[4]陈伟伟，张云宁，欧阳红祥.基于改进型BSC法绿色建筑供应链绩效评价研究[J].工程管理学报，2014（3）：37-41.

[5]沈韵，周金菊.基于平衡记分卡的建筑供应链KPI[J].科学技术创新，2012（4）：127.

[6]张子圆，蒋红妍.BP神经网络在旧建筑再利用社会评价中的应用[J].建筑经济，2011（s1）：239-241.

[7]马庆涛，尚国琲，焦新颖.基于BP神经网络的智慧城市建设水平评价研究[J].数学的实践与认识，2018，48（14）：64-72.

[8]马雪.基于SCOR模型的建筑供应链绩效评价研究[D].天津大学，2014.

[9]郑传锋.基于平衡记分卡的供应链绩效评价指标体系研究[J].中国物流与采购，2005（10）：68-70.

[10]林丽红，李锦飞.基于BP神经网络的供应链绩效评价模型[J].江苏大学学报（社会科学版），2005，7（3）.