基于BP 神经网络的汽车零部件企业供应商评估模型

罗宇豪 吴丽娟 梁京章 广西大学

当前随着汽车的不断革新换代，汽车行业之间的竞争已经演化成了各家公司彼此供应链之间的竞争。由于汽车零部件行业的蓬勃发展，市面上一种零件可能会存在多个生产厂家。因此，如何进行合理地对市场上众多的零部件次级供应商进行选择和评估，这成了每个汽车零部件企业遇到的第一个难题。

当前的学者关于对汽车零部件企业的供应商选择与评价研究总的来说还是不太全面，在研究手法上：主要是采用主观评价法对相关问题笼统地进行研究，对每个指标的具体要求不够详细，主观性太强。本研究以川南最大的汽车零部件制造企业之一A 集团作为典型代表，拟结合当前政策背景、主观评价的方法、客观量化的手法以及机器学习的语言探讨适合A 公司的技术型供应商评价体系，以期为A 公司和汽车零部件行业提供一定的研究参考。

一、神经网络建模分析

（一）输入数据和输出数据的确定

将A 公司当前零部件——自动变速箱滤清器供应商作为样本，对其进行模型的建立、仿真和预测。将与A 公司工作人员以及相关专家归纳的30 个评价指标分别用B1，B2....B30 进行表示，并将该30 个指标当作BP 神经网络的输入变量。将供应商的综合评价值当作输出变量。当前A 公司数据库中所存在的能提供自动变速箱滤清器的供应商共20 个，在本文中随机选取16 个供应商作为训练样本来构建神经网络，剩下的4 个供应商作为测试集样本进行仿真。经计算后所得到的样本输出值如下表1 所示。

（二）神经网络结构设计和训练

根据上述指标体系，因此本文所构建的模型是30×13×1 的三层BP 神经网络模型，输入层节点数为30，隐含层节点数为未定，学习率暂选默认0.1，输出层节点数为1，学习率取未定，允许误差选择系统默认值，隐含层激活函数选择S 型tansig 函数，输出层激活函数采用线性函数purelin函数，训练函数采用traigdm，学习函数采用learndm，性能函数选择mse 函数。经过实验学习率设置为系统默认值0.1，隐含层神经元数为13 时均方误差最小值。

（三）训练结果分析

图1 是对整个神经网络进行回归分析的过程，从图可知，基本上所有的回归分析系数都接近于1，这说明了整个神经网络模型具有良好的非线性映射能力和学习能力。

在训练结束之后，根据上述的训练结果，对随机选出的测试集的样本（N11，N15，N6，N10）归一化之后的测试数据进行仿真，获得输出，并将该输出与样本期望值进行比较。对比之后发现最大误差的绝对值为0.003465，在四个备选供应商之中得分最高的是N10，与测试样本的最佳样本一致，并且模拟之后的供应商重要程度排序趋势基本上与期望值排序一致，因此认为该模型具有较好的泛化拓展能力，能对A 公司的次级技术型零部件供应商进行评估和筛选。

二、研究总结

图1 神经网络的样本数据回归分析

表1 神经网络样本输出值表

本文通过文献研究、专家访谈和调查结合当前汽车制造业变化的特点以及中美贸易战的背景，综合得出了符合当前形势的供应商评价指标。通过在总结近年学者的相关研究论文，并且结合A 公司相关部门员工意见以及供应链学者意见，将A 公司日常业务进行分类和归纳，利用BP 网络进行系统建模。新建的模型能对由于动态的市场而发生变化的供应商数据做出极快的响应，动态地跟踪每一家供应商能力变化情况，能够持续地评估A 公司的供应商，能极大地提高评价工作地准确性以及减轻A 公司相关工作人员的工作，但由于个人能力有限，样本数据还不够多，供应商选择工作还需进一步完善。