孔繁輝,李 健，2

(1.天津理工大學循環(huán)經濟與企業(yè)可持續(xù)發(fā)展研究中心，天津 300384； 2. 天津大學管理與經濟學部，天津 300072)

1 引言

OEM生產模式是指通過合同訂購的方式，品牌企業(yè)將設計出的核心技術委托給其他企業(yè)進行生產，被委托企業(yè)只負責加工生產，品牌企業(yè)擁有自主品牌和銷售渠道。OEM不斷演變?yōu)橐环N代工生產方式，尤其在IT、家電、服裝等行業(yè)，我國眾多企業(yè)采用這種生產模式，從2000年到2015年，中國加工貿易出口總額從1223億美元激增到14140億美元，已逐漸承擔全球1/3的OEM加工業(yè)務，成為真正意義上的世界工廠。

在普通的供應鏈網絡結構中，存在多個供應商、制造商、分銷商構成網絡，供應鏈成員之間的關系是相對獨立的，供應商生產的產品與多個制造商與分銷商對接，而分銷商上游存在多個供應商與制造商，當供應鏈出現中斷時，供應鏈成員可以通過改變網絡渠道避免中斷風險。但是，在OEM供應鏈網絡結構中，OEM需要承擔更多網絡中斷的風險，這是由于，在OEM供給端，供應商數量是特定的，而且所供應的產品具有特殊性，當OEM供應商因質量、運輸等生產問題不能及時交貨時，分銷商不能從其他途徑對產品進行補給，因此要面臨缺貨風險[1]。例如，富士康作為蘋果公司在中國的唯一OEM供應商，2013年的員工集體罷工事件，嚴重影響了蘋果手機訂單的按時交付。同理，在需求端，由于分銷商銷售產品的不可替代性，也將面臨供應中斷的風險。因此，OEM供應鏈網絡模式與普通供應鏈網絡結構存在差異，OEM供應鏈對供應鏈成員以及產品的特殊要求，使得OEM面臨更大的中斷風險。

供應鏈彈性問題始終是學術界關注的熱點。Sheffi[2]指出彈性對于企業(yè)而言，是發(fā)生突發(fā)事件后，企業(yè)完全恢復到正常生產水平的速度，同時，指出企業(yè)通過建立冗余系統(tǒng)可增加彈性；Kleindorfer和Saad[3]也提出了衡量供應鏈彈性的標準，通過對供需端的控制使供應鏈恢復正常績效水平；SerdarBakal和Katakana[4]構建了通過混合柔性實現供應鏈彈性；Awoken等[5-9]研究了在供應鏈供給和需求不確定的情況下，通過建立冗余供應鏈的策略可以有效預防因供應鏈中斷所導致的系統(tǒng)風險?？梢姡湉椥允且粋€復雜的系統(tǒng)，分析供應鏈彈性運作問題，尤其是OEM供應鏈中彈性的運作與提升至關重要。

上述研究雖然對供應鏈彈性的提升有一定的作用，但是，還有以下問題需要進一步探討：首先，供應中斷會對供應鏈彈性的運作具有交互影響，形成多變量耦合效應，如果沒有從耦合角度對供應鏈彈性運作進行研究，很難從根本上分析供應鏈彈性問題；其次，從冗余角度對供應鏈彈性進行提升，會增加企業(yè)的庫存成本與運營負擔，只有精益生產、6Sigma生產方式才能從根本上提高企業(yè)經濟與社會效益。

本文主要研究OEM供應鏈彈性運作與提升問題。分析當面臨供應中斷風險時，OEM供應鏈中多變量交互影響機制，通過對多變量耦合效應的分析。構建一種創(chuàng)新機制，即深度學習，從系統(tǒng)量化的角度進行切入，深度學習機制能夠穩(wěn)定提升OEM供應鏈的彈性。

2 OEM供應鏈彈性運作

依據Sheffi等人的研究可知，彈性對于企業(yè)而言，是指當供應中斷發(fā)生后的恢復生產能力的速度。因此，本文的OEM供應鏈彈性是指當OEM供應鏈出現中斷時，OEM供應商自我恢復的能力，這種能力通過OEM供應鏈彈性運作表現出來[10-11]。

OEM供應鏈彈性運作是通過對OEM供應鏈中的企業(yè)科學管理，在面臨供應中斷時可以做出及時調整，從而可以最大程度較少企業(yè)損失，這種調整應具有及時性、自主恢復性、抗干擾性等[12,13]，因此，是一個多變量控制模型。OEM供應鏈是由多個供應商、制造商與分銷商組成的供應鏈網絡系統(tǒng)，分別用節(jié)點表示為：供應商Si(i=1,2,...I)，制造商Mj(j=1,2,...J)，分銷商Dk(k=1,2,...K)，時間變量為t。以上節(jié)點共同構成有向圖G=(V,E)，V表示OEM供應鏈網絡{Si(i=1,2,...I),Mj(j=1,2,...J),Dk(k=1,2,...K)}，此集合是非空有限集合；E是OEM供應鏈網絡構成的邊，是一個有限集。

OEM供應鏈中，分銷商的需求量QDk決定制造商向OEM供應商Si(i=1,2,...I)的訂貨數量，訂貨數量為QSMij(t)，提前期為LSi(t)，因此制造商生產速率表示為：

PMj(t)=f{QSMij(t),QDk(t)},i=1,2,...I;j=1,2,...J;k=1,2,...K

(1)

當分銷商Dk(k=1,2,...K)需求量QDk增加時，制造商生產速率隨著分銷商需求量而增加，對供應商訂貨量也會提高，最大生產速率為PMjmax(j=1,2,...J)。

對OEM供應鏈網絡進行分解，可得出三種OEM供應鏈彈性運作結構圖，分別表示為圖2-1

圖2-1 三種OEM供應鏈彈性運作結構

(1)I型彈性供應鏈，每一個節(jié)點都是一一對應的，如果某一節(jié)點出現問題，會導致整條供應鏈失效，例如一些定制產品就是這種OEM供應鏈。供應商Si(i=1,2,...I)的供貨量QSMij{t-LSi(t)}決定制造商Mj(j=1,2,...J)的產量：

PMj(t)={QSMij[t-LSi(t)]|i=1,2,...I},j=1,2,...J

(2)

(2)II型彈性供應鏈，存在一對多的節(jié)點，如果供應商節(jié)點出現問題，會導致下游多條供應鏈失效，例如IT硬件供應商問題。供應商Si(i=1,2,...I)的供貨量QSMij{t-LSi(t)}和同類制造商的需求量決定制造商Mj(j=1,2,...J)的產量：

(3)

(3)III型彈性供應鏈，存在多對一的節(jié)點，也就是存在采購冗余，即當供應商出現問題時，制造商會出現多源訂貨的情況。所有供應商Si(i=1,2,...I)的供貨量表示為：QSMij{t-LSi(t)}決定制造商Mj(j=1,2,...J)的產量：

(4)

I型與II型彈性供應鏈都會發(fā)生由于供應商的缺貨問題影響制造商的生產速率問題，而III型彈性供應鏈制造商存在多源訂貨，其生產速率大于供應商的供貨量。制造商的庫存可以表示為：

QMj(t)=QMj(t-1)+PMj(t)-QDk(t)

(5)

依照三種彈性供應鏈中供應商和制造商的相互影響關系，產品輸出時間Y(t)與供應鏈輸出時間U(t)進行變換，得出Y(s)與U(s)，可將OEM彈性供應鏈傳遞函數表示為：

(6)

3 OEM供應鏈彈性耦合系統(tǒng)分析

3.1 OEM供應鏈彈性的多變量耦合模型

OEM供應鏈中的企業(yè)是依照客戶需求按一定的比例進行訂單的下發(fā)以及生產和銷售，因此，OEM供應鏈彈性是多變量耦合的PID比例積分控制模型，把供應商Si(i=1,2,...I)節(jié)點與制造商Mj(j=1,2,...J)節(jié)點組成耦合系統(tǒng)[14]，此時，某一個輸入供應商的行為會影響多個輸出制造商，而某一個制造商也會影響多個供應商，如圖3-1：

圖3-1 OEM彈性供應鏈多變量耦合模型

圖中存在多個輸入與輸出變量，是多個比例積分控制的解耦模型。其中，輸入端包含OEM供應商訂單ri(i=1,2,...I)，輸出端包含OEM供應鏈績效yi(i=1,2,...I)，當供應中斷影響OEM供應鏈彈性時，圖中的節(jié)點與邊就會失效，造成整個OEM供應鏈網絡結構發(fā)生改變，這里設定采樣時間為T，因此，OEM供應鏈彈性解耦算法如下：

(7)

(8)

由(7)，把OEM供應鏈彈性分解為對三角與非對三角的閉環(huán)G(S)與G-1(S)，OEM供應鏈彈性耦合系統(tǒng)參數為矩陣gpq(p,q=1,2,...)，表示為如下：

(9)

同理，解耦控制因素C(s)可分解為對角與非對角，參數為矩陣cpq(p,q=1,2,...)，表示為如下：

(10)

令C(s)=0，求出解耦控制矩陣為如下：

(11)

同理，更高階的高維多變量OEM供應鏈彈性解耦矩陣為如下所示：

(12)

上式中，cpq(p,q=1,2,...)是解耦系統(tǒng)參數，kpq(p,q=1,2,...)是解耦系統(tǒng)系數，因此：

cpq=kpq-(gpq+kpq)tpq

(13)

3.2 供應中斷下的交互耦合分析

當OEM供應鏈供應出現中斷時，會影響輸入ri(i=1,2,...I)與輸出yi(i=1,2,...I)，各個節(jié)點之間的關系表示為過程變量，輸入與輸出結果與節(jié)點之間的中斷干擾有耦合效應，供應中斷對OEM供應鏈各個節(jié)點輸入ri(i=1,2,...I)、輸出yi(i=1,2,...I)、過程變量ui(i=1,2,...I)的作用分別表示為Δri(i=1,2,...I)、Δyi(i=1,2,...I)、Δui(i=1,2,...I)，因此，新的耦合變量為如下：

(14)

(15)

當供應中斷對OEM供應鏈產生耦合影響下，績效輸出函數為:

(16)

由上式可知，在供應中斷交互耦合情況下，績效輸出函數有了顯著的變化，如果想最大程度上消除供應中斷時的耦合影響，就需要構建科學的解耦控制模型。由于OEM供應鏈彈性運作是一個多變量控制的復雜系統(tǒng)，若把一組輸入與輸出叫做一個控制通道，各個通道之間也會產生相互影響，故為每一個通道構建一種特殊的調節(jié)系統(tǒng)是非常困難的。

鑒于PID解耦控制模型，可以把多變量控制的OEM供應鏈彈性系統(tǒng)解耦變成單回路系統(tǒng)，將解耦變量中的影響OEM供應鏈績效的耦合，分解為單個輸入與輸出的控制通道[15-17]，因此，只需要調節(jié)PID可以調節(jié)的kp、ki、kd變量數值，最終得到OEM供應鏈中最優(yōu)的績效結果。

當OEM供應鏈中發(fā)生不同程度的供應中斷時，OEM彈性供應鏈多變量耦合系統(tǒng)中的耦合矩陣表示為如下所示：

(17)

(18)

4 基于深度學習的OEM供應鏈彈性提升策略

4.1 深度學習算法

提高彈性問題的最常用方法是BP神經網絡，但是， BP神經網絡只存在單一隱藏層，隨著網絡迭代次數的增加，BP神經網絡準確抽象出數據的能力降低，容易導致結果出現誤差，而改進的機器學習算法——深度學習算法，含有多個隱藏層，與傳統(tǒng)的神經網絡只有單一隱藏層相比，此算法克服了對數據的限制，通過逐層特征變換，將樣本在原空間的特征表示變換到一個新特征空間，從而使分類更加準確。此外，BP神經網絡算法對數據迭代所需時間由迭代次數的增加而增加，深度學習算法在處理復雜數據時實時更新數據的能力更強，這將提升供應鏈面臨風險時決策的響應速度。

OEM供應鏈彈性系統(tǒng)中引入深度學習的方法，通過智能在線解耦，實現對多輸入與多輸出變量的協調控制[18]。深度學習算法是通過組合低層結構特征，從而形成更加抽象的高層表示，它是通過模擬人腦思維的方式分析數據，深度學習在彈性制造中的應用結構圖如圖4.1所示，該協調過程中變量可以是一個也可以是多個，完全取決于目標函數的復雜程度。

圖4.1 深度學習在彈性制造中的應用

圖4.1中，深度學習網絡可分為多層，分別是輸入層、多個隱藏層與輸出層，把OEM供應鏈中彈性制造過程看成是一個完整的系統(tǒng)，整個訓練過程也就是計算機進行深度信息測試，形成新的深度訓練網絡，從而能得出預測結果，其中TRAIN-Vi與TRAIN-Hi分別表示訓練樣本與訓練結果，具體的訓練過程如下：

聯合組態(tài)的能量為：

(19)

某個組態(tài)的聯合概率服從限制玻爾茲曼機分布：

(20)

由于節(jié)點之間不存在聯結，所以隱藏節(jié)點之間條件是獨立的，即：

(21)

然后容易得到隱藏層第j個節(jié)點為0-1的概率為：

(22)

同理，在給定隱藏層h的基礎上，可視層第i個節(jié)點為0-1的概率為：

(23)

給定一個滿足同分布的樣本集為D={v1,v2,...vN}，學習參數為θ={W,a,b}，最大化以下對數似然函數(最大似然估計：對某個概率分布，需要選擇一個參數，使得當前的預測樣本概率最大)：

(24)

對4-6中最大似然函數求導，就得到最終求解結果：

(25)

在以上訓練過程當中，可視層會產生向量v，通過v傳到隱藏層?？梢晫訒a生隨機的輸入向量，從而重構原始的輸入信號，這些重構的輸入信號被傳遞到隱藏層，得到新的h。在整個訓練過程當中，首先可視向量映射到隱藏單元，可視單元被隱藏單元重構，新的可視單元再次映射到隱藏單元，從而得到新的隱藏單元。前進或后退過程就是我們所說的采

樣，可視層和隱藏單元的相關性用權重來衡量。

在此過程中，訓練時間會逐步減少，是由于只需要單個步驟就能夠接近最大似然估計，每一層增加網絡都會改進訓練的準確概略，也就是越來越接近現實反應。

具體的深度信念網絡框架圖如圖4.2所示，主要包括聯合記憶、隱藏單元以及限制玻爾茲曼機訓練過程，最終得到觀察向量，也就是輸出層。在隱藏節(jié)點當中，會根據樣本的采樣生產不同的測量權重與生成權重，進而輸入到限制玻爾茲曼機當中。

圖4.2 深度信念網絡框架圖

4.2 案例分析與彈性提升策略

本文以某品牌空調OEM供應鏈為例，分別用BP神經網絡與深度學習算法，對供應鏈績效水平進行預測仿真，該企業(yè)作為OEM供應鏈，與某分銷商構成OEM供應鏈網絡，根據分析，營銷供應鏈績效的主要有以下4個指標，即快速反應能力、配送保障能力、運輸效能、技術設備，這些指標構成BP神經網絡與深度學習算法輸入指標，輸出指標就是期望預測的供應鏈績效，該企業(yè)2013年-2015年36個月的樣本數據如表4.1。表中共有36個樣本數據，前24個數據作為訓練樣本，后12個數據作為模型預測的檢驗。

為使網絡能加快收斂，滿足適當的精度，首先對樣本數據進行歸一化，使得輸入與輸出值均在[0,1]之間。

分析分別由兩個供應商、兩個制造商與兩個分銷商組成的供應鏈，采樣時間t=1，在約束下制造商決定系統(tǒng)的輸入為：

P(v,h1,h2,...hl)=P(v/h1)P(h1/h2)...P(hl-2/hl-1)P(hl-1/hl)

(26)

假定，當20≤t≤25時，OEM供應鏈發(fā)生不可抗的供應中斷，為了便于分析，分別對比彈性與非彈性制造系統(tǒng)，彈性制造系統(tǒng)具有深度學習能力，非彈性系統(tǒng)不具有深度學習能力，計算過程如下：

(27)

仿真月數為40個月,OEM供應鏈中,非彈性供應鏈、BP神經網絡彈性供應鏈、深度學習彈性供應鏈三種系統(tǒng)下的供應鏈績效輸出如下圖4.3，本訓練結果的誤差率是比較低的，因此，圖4.3具有參考價值。

圖4.3 供應鏈績效訓練對比圖

如上圖可知，當t=20時,發(fā)生供應鏈中斷情形,彈性制造系統(tǒng)與非彈性制造系統(tǒng)都出現了供應鏈績效的下滑,但非彈性制造系統(tǒng)的下滑深度與速率均高于彈性制造系統(tǒng),到t=30左右時,中斷情況終止,OEM供應鏈恢復到正常的供應水平,此時非彈性制造系統(tǒng)的績效水平滑落到最低點0.37,而彈性系統(tǒng)的績效最低點為0.42,供應鏈績效明顯高于非彈性系統(tǒng)。

除此之外，從圖4.3可以明顯看出，BP神經網絡彈性系統(tǒng)比深度學習彈性系統(tǒng)恢復能力弱，當t=20時，二者同時降到了最低水平0.42，但是，BP神經網絡需要更長的恢復時間，深度學習彈性系統(tǒng)在t=25時已經恢復到了正常水平，供應鏈績效達到0.8左右；BP神經網絡彈性系統(tǒng)恢復到正常水平的時間接近于第30個月，一直到40個月時，BP神經網絡彈性系統(tǒng)的效率是遞減的趨勢，整體最大績效水平只有0.6左右，遠遠低于深度學習彈性系統(tǒng)，由此可見，當OEM供應鏈發(fā)生中斷時，深度學習彈性系統(tǒng)能夠進行自我修復，比BP神經網絡彈性系統(tǒng)恢復到正常績效水平的時間更短，而且整體供應鏈績效水平高于BP神經網絡彈性系統(tǒng)。

由上述可知，當發(fā)生供應中斷時，OEM供應鏈彈性解耦過程不僅依賴于OEM供應鏈中企業(yè)有形的生產運作環(huán)節(jié)宇系統(tǒng)，而且與業(yè)務流程、資金、信息以及企業(yè)文化有著密切的關系，應特別注意企業(yè)這些無形的因素對供應鏈彈性運作與解耦控制，可從以下幾個方面著手：

(1)完善企業(yè)的業(yè)務流程，尤其是業(yè)務彈性，主要包括合理計算工程周期，制定彈性的作業(yè)計劃，簡化生產制造流程，盡量縮短生產制造周期；進行標準化生產，嚴格控制產品的各個生產環(huán)節(jié)，尤其是零部件的標準化生產；建立精益供應鏈與敏捷供應鏈，完善整個產品供應鏈的各項流程。

(2)建立科學的供應鏈彈性運作管理系統(tǒng)，利用計算機技術，發(fā)揮互聯網在企業(yè)生產運作中的重要作用，利用深度學習網絡進行供應鏈彈性運作在線智能解耦，當突發(fā)狀況發(fā)生時，能夠最大程度縮短應急響應時間，降低企業(yè)面臨的各項風險，減輕企業(yè)各項經濟損失，對整個供應鏈的運作發(fā)揮重要的作用。

5 結語

本文主要研究了供應中斷風險下OEM供應鏈彈性運作與彈性提升問題。建立了多變量耦合模型以及OEM供應鏈彈性交互影響機制。在對解耦結果進行分析的基礎上，提出了一種新的提升OEM供應鏈彈性的方法，即深度學習機制，此網絡學習機制可以有效實現OEM供應鏈彈性的提升。本文研究結論如下：

(1)從OEM供應鏈彈性量化入手，建立了多變量耦合模型量化彈性的標準，并分析了OEM供應鏈中彈性交互機制，為提高OEM供應鏈彈性提供了可量化的參考。

(2)本文區(qū)別于以往通過增加供應鏈中的冗余管理的手段，而是提出了在大數據背景下的深度學習機制來提高OEM供應鏈彈性，從OEM供應鏈中企業(yè)的彈性制造與多變量耦合為切入點，建立了有效的面對供應中斷時的響應機制，最后，并用實例驗證了深度學習網絡的科學性與可操作性，具有重要的實踐價值。

由于本文的研究對象主要是OEM供應鏈，因此研究的是OEM供應鏈彈性運作與提升問題,后期可以在此研究的基礎上，分析不同類型的供應鏈彈性問題。此外，深度學習的方法不僅可以應用到本文，而且可以適用到其他多變量解耦模型當中。

[1] Moses M, Sephardic S. Policy mechanisms for supply chain coordination[J]. IIE Transactions, 2000, 32(3):245-262.

[2] Sheffi Y. Supply chain management under the threat of international terrorism [J]. The International Journal of Logistics Management, 2001, 12(2): 1-11.

[3] Kleindorfer P R，Saad G H. Managing disruption risks in supply chains [J]. Production and Operations Management, 2005, 14(1): 53-68.

[4] Bakal I S, Katakana S. Quantity flexibility for multiple products in a decentralized supply chain[J]. Computers & Industrial Engineering, 2013, 64(2):696-707.

[5] Li Xin. A quantity-flexibility contract in two-stage decision with supply chain coordination[C]//International Conference on Computational Intelligence and Security. IEEE, 2015:109-112.

[6] Awoken S R, Singh G. Using process capability analysis to evaluate supply chain flexibility based on order lead time and order processing cost deviations[J]. European Journal of Management, 2013, 13(1):95-106.

[7] 李琳,范體軍.零售商主導下生鮮農產品供應鏈的定價策略對比研究[J].中國管理科學,2015,23(12):113-123.

[8] Lummis R R, Delos R J V L K. Delphi study on supply chain flexibility[J]. International Journal of Production Research, 2005, 43(13):2687-2708.

[9] Seedbacher G, Winkler H. A citation analysis of the research on manufacturing and supply chain flexibility[J]. International Journal of Production Research, 2013, 51(11):3415-3427.

[10] Dietrich D M, Coney E A. Methods and considerations for the development of emerging manufacturing technologies into a global aerospace supply chain[J]. International Journal of Production Research, 2011,49(10):2819-2831.

[11] Pereira J, Hamada L, Parades F. Flexibility and amplification measures in a supply chain model[J]. IEEE, 2008:5510-5514.

[12] Stevenson M. Supply chain resilience: Definition, review and theoretical foundations for further study[J]. International Journal of Production Research, 2015, 53(18):1-32.

[13] Hinton G E, Osindero S, Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7):1527-1554.

[14] Chen I J, Paulraj A. Understanding supply chain management: Critical research and a theoretical framework[J]. International Journal of Production Research, 2004, 42(1):131-163.

[15] Ho D C K, Au K F, Newton E. Empirical research on supply chain management: a critical review and recommendations[J]. International Journal of Production Research, 2002, 40(17):4415-4430.

[16] 張雨濛,王震.多級雙渠道供應鏈的聯合契約研究[J].中國管理科學,2015,23(S1):537-542.

[17] Simchi-Levi D. Review of: “Competing through supply chain management: Creating market-winning strategies through supply chain partnerships david frederick ross Chapman & Hall[J]. IIE Transactions, 2008, 30(8):762-763.

[18] Mistral D, Gunasegaram A, Papadopoulos T, et al. Big data and supply chain management: A review and biometric analysis[J]. Annals of Operations Research, 2016:1-24.