羅宇豪 吳麗娟 梁京章 廣西大學

當前隨著汽車的不斷革新?lián)Q代，汽車行業(yè)之間的競爭已經演化成了各家公司彼此供應鏈之間的競爭。由于汽車零部件行業(yè)的蓬勃發(fā)展，市面上一種零件可能會存在多個生產廠家。因此，如何進行合理地對市場上眾多的零部件次級供應商進行選擇和評估，這成了每個汽車零部件企業(yè)遇到的第一個難題。

當前的學者關于對汽車零部件企業(yè)的供應商選擇與評價研究總的來說還是不太全面，在研究手法上：主要是采用主觀評價法對相關問題籠統(tǒng)地進行研究，對每個指標的具體要求不夠詳細，主觀性太強。本研究以川南最大的汽車零部件制造企業(yè)之一A 集團作為典型代表，擬結合當前政策背景、主觀評價的方法、客觀量化的手法以及機器學習的語言探討適合A 公司的技術型供應商評價體系，以期為A 公司和汽車零部件行業(yè)提供一定的研究參考。

一、神經網絡建模分析

（一）輸入數(shù)據和輸出數(shù)據的確定

將A 公司當前零部件——自動變速箱濾清器供應商作為樣本，對其進行模型的建立、仿真和預測。將與A 公司工作人員以及相關專家歸納的30 個評價指標分別用B1，B2....B30 進行表示，并將該30 個指標當作BP 神經網絡的輸入變量。將供應商的綜合評價值當作輸出變量。當前A 公司數(shù)據庫中所存在的能提供自動變速箱濾清器的供應商共20 個，在本文中隨機選取16 個供應商作為訓練樣本來構建神經網絡，剩下的4 個供應商作為測試集樣本進行仿真。經計算后所得到的樣本輸出值如下表1 所示。

（二）神經網絡結構設計和訓練

根據上述指標體系，因此本文所構建的模型是30×13×1 的三層BP 神經網絡模型，輸入層節(jié)點數(shù)為30，隱含層節(jié)點數(shù)為未定，學習率暫選默認0.1，輸出層節(jié)點數(shù)為1，學習率取未定，允許誤差選擇系統(tǒng)默認值，隱含層激活函數(shù)選擇S 型tansig 函數(shù)，輸出層激活函數(shù)采用線性函數(shù)purelin函數(shù)，訓練函數(shù)采用traigdm，學習函數(shù)采用learndm，性能函數(shù)選擇mse 函數(shù)。經過實驗學習率設置為系統(tǒng)默認值0.1，隱含層神經元數(shù)為13 時均方誤差最小值。

（三）訓練結果分析

圖1 是對整個神經網絡進行回歸分析的過程，從圖可知，基本上所有的回歸分析系數(shù)都接近于1，這說明了整個神經網絡模型具有良好的非線性映射能力和學習能力。

在訓練結束之后，根據上述的訓練結果，對隨機選出的測試集的樣本（N11，N15，N6，N10）歸一化之后的測試數(shù)據進行仿真，獲得輸出，并將該輸出與樣本期望值進行比較。對比之后發(fā)現(xiàn)最大誤差的絕對值為0.003465，在四個備選供應商之中得分最高的是N10，與測試樣本的最佳樣本一致，并且模擬之后的供應商重要程度排序趨勢基本上與期望值排序一致，因此認為該模型具有較好的泛化拓展能力，能對A 公司的次級技術型零部件供應商進行評估和篩選。

二、研究總結

圖1 神經網絡的樣本數(shù)據回歸分析

表1 神經網絡樣本輸出值表

本文通過文獻研究、專家訪談和調查結合當前汽車制造業(yè)變化的特點以及中美貿易戰(zhàn)的背景，綜合得出了符合當前形勢的供應商評價指標。通過在總結近年學者的相關研究論文，并且結合A 公司相關部門員工意見以及供應鏈學者意見，將A 公司日常業(yè)務進行分類和歸納，利用BP 網絡進行系統(tǒng)建模。新建的模型能對由于動態(tài)的市場而發(fā)生變化的供應商數(shù)據做出極快的響應，動態(tài)地跟蹤每一家供應商能力變化情況，能夠持續(xù)地評估A 公司的供應商，能極大地提高評價工作地準確性以及減輕A 公司相關工作人員的工作，但由于個人能力有限，樣本數(shù)據還不夠多，供應商選擇工作還需進一步完善。