〔摘 要〕利用層次分析法與模糊綜合評(píng)判所得的評(píng)價(jià)結(jié)果作為樣本，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試。研究結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)的制造商與供應(yīng)商信息共享程度評(píng)價(jià)是可行的。

〔關(guān)鍵詞〕供應(yīng)鏈；信息共享程度；BP神經(jīng)網(wǎng)絡(luò)

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００８－０８２１．２０．０１．０１０

〔中圖分類號(hào)〕Ｇ３５ 〔文獻(xiàn)標(biāo)識(shí)碼〕Ａ 〔文章編號(hào)〕１００８－０８２１（２０）０１－００４０－０４

Evaluation on Information Sharing Level Between Manufacturer

and Supplier Based on BP Neural NetworkGong Huaping Gong Yi Yuan Linna

（Information Engineering School，Nanchang University，Nanchang 330031，China）

〔Ａｂｓｔｒａｃｔ〕Back Propagtion(BP)network was trained and tested by the sample that was attained by AHP and Fuzzy comprehensive evaluation.The results showed that the BP-based evaluation of information sharing level evaluation between manufacturer and supplier was feasible.

〔Ｋｅｙｗｏｒｄｓ〕supply chain;information sharing level;back propagation neural network

供應(yīng)鏈信息共享是指在供應(yīng)鏈環(huán)境下，節(jié)點(diǎn)企業(yè)間關(guān)于供應(yīng)鏈運(yùn)行的各種信息資源的分享，例如客戶訂單、銷售數(shù)據(jù)、產(chǎn)品需求信息、訂單傳遞信息、交貨及庫存狀態(tài)信息和產(chǎn)品在途信息等。通過信息共享，可以減少由于信息不對(duì)稱和信息變異所帶來的風(fēng)險(xiǎn)，加強(qiáng)供應(yīng)鏈上節(jié)點(diǎn)企業(yè)間的相互協(xié)作，從而提高整條供應(yīng)鏈的反應(yīng)速度和競爭力。

隨著對(duì)供應(yīng)鏈信息共享研究的深入，信息共享的程度逐漸進(jìn)入了人們的研究范圍。節(jié)點(diǎn)企業(yè)間的信息共享程度不足，不能有效消除供應(yīng)鏈中存在的“牛鞭效應(yīng)”；信息共享程度太過，不僅花費(fèi)的成本高，還可能帶來商業(yè)機(jī)密泄露等一些負(fù)面影響，掌握好這個(gè)程度將有利于企業(yè)在供應(yīng)鏈這個(gè)大背景中生存。供應(yīng)鏈信息共享程度的評(píng)價(jià)將為供應(yīng)鏈節(jié)點(diǎn)企業(yè)對(duì)合作伙伴關(guān)系的評(píng)估以及制定信息共享策略提供重要依據(jù)。

供應(yīng)鏈?zhǔn)菍⒐?yīng)商、制造商、分銷商、零售商，直到最終用戶連成一個(gè)整體的功能網(wǎng)鏈結(jié)構(gòu)，兩兩企業(yè)間都需要信息共享，為了縮小研究范圍，本文主要研究的是制造商與供應(yīng)商的信息共享程度，指標(biāo)來源于對(duì)史達(dá)、朱焰、楚揚(yáng)杰、吳曉明等前人文獻(xiàn)［１－４］的閱讀及總結(jié)，先運(yùn)用層次分析法和模糊綜合評(píng)判法對(duì)20個(gè)制造商進(jìn)行評(píng)價(jià)，得到的指標(biāo)數(shù)據(jù)及評(píng)價(jià)結(jié)果將被分為兩組：一組用來訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)；一組用來檢驗(yàn)訓(xùn)練好的網(wǎng)絡(luò)的泛化能力，訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)可以直接用來評(píng)價(jià)制造商與供應(yīng)商間的信息共享程度。

１ 制造商與供應(yīng)商信息共享程度的評(píng)價(jià)指標(biāo)體系設(shè)計(jì)評(píng)價(jià)指標(biāo)體系是由多個(gè)相互聯(lián)系、相互作用的評(píng)價(jià)指標(biāo)，按照一定的層次結(jié)構(gòu)組成的有機(jī)整體。評(píng)價(jià)指標(biāo)體系是聯(lián)系評(píng)價(jià)專家與評(píng)價(jià)對(duì)象的紐帶，也是聯(lián)系評(píng)價(jià)方法與評(píng)價(jià)對(duì)象的橋梁。只有科學(xué)合理的評(píng)價(jià)指標(biāo)體系，才有可能得出科學(xué)公正的綜合評(píng)價(jià)結(jié)論。

我們?cè)趯?duì)前人文獻(xiàn)閱讀及整理的基礎(chǔ)上，遵循評(píng)價(jià)指標(biāo)應(yīng)具有獨(dú)立性、可行性、代表性與差異性的原則，從供應(yīng)商、制造商硬件設(shè)施、制造商信息化水平、制造商信息共享、制造商共享信息效果等5個(gè)方面建立制造商與供應(yīng)商信息共享程度的評(píng)價(jià)指標(biāo)體系，如表１所示：表

早在1989年Robert Hecht-Nielson證明了1個(gè)3層的BP神經(jīng)網(wǎng)絡(luò)可以完成任意的n維到m維的映射?；贐P神經(jīng)網(wǎng)絡(luò)的信息共享程度評(píng)價(jià)方法，就是利用BP神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近功能，通過對(duì)網(wǎng)絡(luò)的訓(xùn)練，來實(shí)現(xiàn)信息共享程度評(píng)價(jià)輸出結(jié)果與期望值之間的復(fù)雜函數(shù)關(guān)系的無限擬合、逼近。因此，本文選用含有1個(gè)隱層的3層BP神經(jīng)網(wǎng)絡(luò)。

２.１.２ 輸入層的設(shè)計(jì)

輸入層起緩沖存儲(chǔ)器的作用，把數(shù)據(jù)源加到網(wǎng)絡(luò)上。其節(jié)點(diǎn)數(shù)目取決于數(shù)據(jù)源維數(shù)，即這些節(jié)點(diǎn)能夠代表每個(gè)數(shù)據(jù)源。通常，BP神經(jīng)網(wǎng)絡(luò)只能處理表示成數(shù)值的輸入數(shù)據(jù)，所以需要對(duì)輸入的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化和編碼化，一般將輸入數(shù)據(jù)標(biāo)度到限定范圍［０，１］。對(duì)于定量指標(biāo)，定義ｘｉ＝ｕｖｉ（ａｉ），ｉ＝１，２，Λｎ為評(píng)價(jià)指標(biāo)ｕｉ的屬性值ａｉ的無量綱化值，ｘｉ∈［０，１］，Ｍｉ和ｍｉ分別為指標(biāo)ｕｉ的最大值和最小值。定量指標(biāo)可劃分為成本型指標(biāo)和效益型指標(biāo)。

本文輸入層的節(jié)點(diǎn)數(shù)對(duì)應(yīng)于所建立的制造商與供應(yīng)商信息共享程度評(píng)價(jià)指標(biāo)的個(gè)數(shù)。

２.１.３ 隱含層內(nèi)節(jié)點(diǎn)數(shù)的選取

BP神經(jīng)網(wǎng)絡(luò)中各層節(jié)點(diǎn)數(shù)的選擇對(duì)網(wǎng)絡(luò)的性能影響很大。理論上來講，如果選擇的隱含層節(jié)點(diǎn)數(shù)太少，則會(huì)使整個(gè)神經(jīng)網(wǎng)絡(luò)的收斂速度變慢，且不易收斂。相反，如果選擇的隱含層節(jié)點(diǎn)數(shù)太多，則會(huì)引起神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)復(fù)雜、網(wǎng)絡(luò)訓(xùn)練時(shí)間急劇增加，誤差也不一定最佳等問題。目前，確定最佳隱含層節(jié)點(diǎn)數(shù)的一個(gè)常見的方法是試湊法，在用試湊法時(shí)，可以用一些確定隱含層節(jié)點(diǎn)數(shù)量的經(jīng)驗(yàn)公式，常見的有：

其中ｍ為隱含層節(jié)點(diǎn)數(shù)，ｎ為輸入層節(jié)點(diǎn)數(shù)，ｌ為輸出層節(jié)點(diǎn)數(shù)，ａ為1～10之間的常數(shù)。

上述動(dòng)態(tài)調(diào)節(jié)隱含層節(jié)點(diǎn)數(shù)目的方法對(duì)用硬件完成BP網(wǎng)絡(luò)有一定的好處，但是對(duì)于結(jié)構(gòu)的選定所花的時(shí)間比較長。所以本文采用一種直接估算最佳隱含層節(jié)點(diǎn)數(shù)的方法［７］：

式中，ＮＨ為最佳隱含層節(jié)點(diǎn)數(shù)，ＮＩ為輸入層節(jié)點(diǎn)數(shù)，ＮＯ為輸出層節(jié)點(diǎn)數(shù)，ＮＰ為訓(xùn)練樣本數(shù)。

２.１.４ 輸出層的設(shè)計(jì)

輸出層可以是單輸出型的，也可以是多輸出型的。所謂單輸出型即是該網(wǎng)絡(luò)的輸入和隱含層都是由多個(gè)神經(jīng)元組成，而輸出層僅為1個(gè)神經(jīng)元，故稱之為單輸出型。該種模型主要是利用BP神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近功能，可以用來進(jìn)行綜合評(píng)判，單輸出的結(jié)果是一個(gè)準(zhǔn)確的數(shù)值。如果把數(shù)值進(jìn)行區(qū)間劃分，可以對(duì)應(yīng)于相應(yīng)的信息共享程度級(jí)別。這樣所得到的信息共享程度評(píng)價(jià)結(jié)果具有較大的靈活性，既可以進(jìn)行信息共享程度排序，又可以進(jìn)行信息共享程度評(píng)級(jí)。所以本文所建的BP神經(jīng)網(wǎng)絡(luò)模型采用了單輸出型，即輸出層設(shè)計(jì)為1個(gè)節(jié)點(diǎn)。

２.２ 活化函數(shù)的選取

活化函數(shù)又稱傳遞函數(shù)，它表征了神經(jīng)元的輸入輸出特性?；罨瘮?shù)的基本作用有：（1）控制輸入對(duì)輸出的激活作用；（2）對(duì)輸入、輸出進(jìn)行函數(shù)轉(zhuǎn)換；（3）將可能無限域的輸入變換成指定的有限范圍內(nèi)的輸出。

常見的活化函數(shù)有：

（1）閾值型：這種活化函數(shù)將任意輸入轉(zhuǎn)化成0或1的輸出，函數(shù)ｆ（ｘ）為單位階躍函數(shù)。

（2）分段線性型：該函數(shù)使網(wǎng)絡(luò)的輸出等于加權(quán)輸入加上偏差。

（3）S型（Sigmoid）函數(shù)：該函數(shù)將任意輸入壓縮到（0，1）的范圍內(nèi)。該函數(shù)具有平滑、漸近性和單調(diào)性。常用的函數(shù)形式有對(duì)數(shù)S型活化函數(shù)logsig和雙曲線正切S型活化函數(shù)tansig。

對(duì)非線性問題，輸入層和隱層多采用非線性活化函數(shù)。如果多層BP網(wǎng)絡(luò)的輸出層采用S型活化函數(shù)（如logsig），其輸出值將會(huì)限制在一個(gè)較小的范圍內(nèi)（0，1）；而采用線性活化函數(shù)則可以取任意值。若樣本輸出均大于零時(shí)，多采用Log-Sigmoid函數(shù)，否則，采用Tan-Sigmoid函數(shù)。

針對(duì)信息共享程度評(píng)價(jià)系統(tǒng)，隱含層活化函數(shù)選用Tan-Sigmoid函數(shù)，輸出層活化函數(shù)選用函數(shù)Log-Sigmoid。

２.３ 訓(xùn)練函數(shù)的選取

對(duì)于一個(gè)給定的問題，到底采用哪種訓(xùn)練方法其訓(xùn)練速度最快，這是很難預(yù)知的，因?yàn)檫@取決于許多因素，包括給定問題的復(fù)雜性、訓(xùn)練樣本集的數(shù)量、網(wǎng)絡(luò)權(quán)值和閾值的數(shù)量、誤差目標(biāo)、網(wǎng)絡(luò)的用途等。

L-M算法在目前諸多神經(jīng)網(wǎng)絡(luò)的運(yùn)用中較少使用，但是并不能掩蓋它在運(yùn)算速度和收斂性方面的杰出性能。L-M算法的訓(xùn)練速度比梯度下降法要快得多，但是需要消耗計(jì)算機(jī)更多的內(nèi)存資源，在計(jì)算機(jī)硬件資源匱乏的年代，確實(shí)制約了L-M算法的發(fā)展，在電腦硬件設(shè)備高速發(fā)展的今天，電腦硬件方面的制約已經(jīng)可以忽略，這為L-M算法的發(fā)展和推廣掃平了道路。L-M算法在BP神經(jīng)網(wǎng)絡(luò)中，具有普通BP算法和改進(jìn)的動(dòng)量BP算法無法比擬的優(yōu)勢(shì)，速度比前兩種BP算法快102～103倍左右，訓(xùn)練結(jié)果比較理想。因此本文采用函數(shù)trainlm來訓(xùn)練網(wǎng)絡(luò)。

３ 應(yīng)用BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)制造商與供應(yīng)商的信息共享程度本文利用AHP和模糊綜合評(píng)判法來得到指標(biāo)數(shù)據(jù)及評(píng)價(jià)結(jié)果，具體步驟省略，所得數(shù)據(jù)如表２所示：

神經(jīng)網(wǎng)絡(luò)工具箱是在MATLAB環(huán)境中開發(fā)出來的眾多工具箱之一。MATLAB7的神經(jīng)網(wǎng)絡(luò)內(nèi)容非常豐富，包括了很多現(xiàn)有的神經(jīng)網(wǎng)絡(luò)的新成果，提供了神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)和模擬的工具。神經(jīng)網(wǎng)絡(luò)工具箱提供了兩種方法來完成神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)：一種是采用圖形用戶界面（GUI）；一種是采用命令行函數(shù)。本文采用GUI來生成、訓(xùn)練和仿真神經(jīng)網(wǎng)絡(luò)。將20組數(shù)據(jù)分為2部分，前15組數(shù)據(jù)用作網(wǎng)絡(luò)學(xué)習(xí)樣本，作為訓(xùn)練神經(jīng)元連接權(quán)值用，后5組數(shù)據(jù)作為檢驗(yàn)用。根據(jù)公式ＮＨ＝ＮＩ×ＮＯ＋ＮＰ／２可知神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)應(yīng)設(shè)為12；最大訓(xùn)練次數(shù)為100；訓(xùn)練要求精度為10-5；其它參數(shù)為神經(jīng)網(wǎng)絡(luò)工具箱中的默認(rèn)值。訓(xùn)練結(jié)果如圖１所示：

圖１ BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

從圖１可知，當(dāng)訓(xùn)練次數(shù)為時(shí)，訓(xùn)練達(dá)到要求的精度。具體數(shù)值結(jié)果如表３及表４所示。由表可知，訓(xùn)練樣本的實(shí)際結(jié)果與網(wǎng)絡(luò)輸出之間的相對(duì)誤差很小，最大相對(duì)誤差為0.48639%。訓(xùn)練結(jié)束后，給訓(xùn)練好的BP網(wǎng)絡(luò)輸入后5組校驗(yàn)數(shù)據(jù)，得到的輸出值與實(shí)際結(jié)果之間的最大相對(duì)誤差為-3.1405%，這樣的誤差范圍是完全可以接受的。將訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)存入文件，只要輸入指標(biāo)數(shù)據(jù)，啟動(dòng)網(wǎng)絡(luò)，即可馬上得到評(píng)價(jià)結(jié)果。

（1）在對(duì)前人文獻(xiàn)閱讀及整理的基礎(chǔ)上，從供應(yīng)商、制造商硬件設(shè)施、制造商信息化水平、制造商信息共享、制造商共享信息效果等5個(gè)方面建立制造商與供應(yīng)商信息共享程度的評(píng)價(jià)指標(biāo)體系。該指標(biāo)體系對(duì)供應(yīng)鏈上節(jié)點(diǎn)企業(yè)進(jìn)行信息共享程度評(píng)價(jià)有借鑒意義。

（2）基于BP神經(jīng)網(wǎng)絡(luò)的制造商與供應(yīng)商信息共享程度評(píng)價(jià)方法，通過對(duì)已有樣本模式的學(xué)習(xí)，獲得了評(píng)價(jià)專家的知識(shí)與經(jīng)驗(yàn)，以后當(dāng)需要進(jìn)行信息共享程度評(píng)價(jià)時(shí)，只要給訓(xùn)練好的BP網(wǎng)絡(luò)輸入相應(yīng)的信息共享程度指標(biāo)數(shù)據(jù)矩陣，BP網(wǎng)絡(luò)會(huì)再現(xiàn)專家的知識(shí)與經(jīng)驗(yàn)，即時(shí)做出反應(yīng)，不需要人為干預(yù)，從而可以避免評(píng)價(jià)過程中的人為失誤，評(píng)價(jià)準(zhǔn)確性高。

（3）BP神經(jīng)網(wǎng)絡(luò)自我學(xué)習(xí)能力強(qiáng)。設(shè)計(jì)好的BP神經(jīng)網(wǎng)絡(luò)可通過對(duì)新的樣本模式持續(xù)不斷地學(xué)習(xí)，掌握新的樣本模式中所蘊(yùn)含的專家知識(shí)和經(jīng)驗(yàn)，從而提高評(píng)價(jià)的準(zhǔn)確性，并拓寬其適用范圍。

（4）由于BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)方法的學(xué)習(xí)訓(xùn)練樣本來自于AHP和模糊綜合評(píng)判所得的結(jié)果，因此，基于BP神經(jīng)網(wǎng)絡(luò)的制造商與供應(yīng)商信息共享程度評(píng)價(jià)方法并不能完全取代AHP和模糊綜合評(píng)判。

參考文獻(xiàn)

［１］史達(dá)．供應(yīng)鏈管理影響因素及評(píng)價(jià)指標(biāo)分析［Ｊ］．中國流通經(jīng)濟(jì)，2006，（4）：16-18.

［２］朱焰，單一峰．供應(yīng)鏈信息共享度的模糊評(píng)價(jià)研究［Ｊ］．山東理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，21（6）：56-59.

［３］楚揚(yáng)杰，等．基于粗集屬性重要性的供應(yīng)鏈信息共享的模糊綜合評(píng)價(jià)［Ｊ］．物流科技，2006，29（132）：67-69.

［４］吳曉明，郭東強(qiáng)．基于供應(yīng)鏈的企業(yè)信息共享模型及其評(píng)價(jià)［Ｊ］．信息技術(shù)，2007，（4）：126-128．