基于ＢＰ神經網絡的訂單式供應鏈采購提前期研究

摘要：采購對于訂單式供應鏈具有重要的作用，采購提前期制訂的合理與否直接影響到企業生產過程和訂單的順利交割。隨著市場競爭環境的供應鏈化，對于供應鏈中進行生產加工活動的企業，越來越多的生產設備、原材料等生產投入要素需要相應的配套企業來提供，這就對采購活動提出了更高的要求，采購提前期在供應鏈中的重要性更加突出。文章利用BP神經網絡，對提前期分解，對階段時間進行預測，以滿足企業供應鏈采購管理發展的需要，并且通過實證說明方法的有效性。

關鍵詞：采購提前期；BP神經網絡；訂單式供應鏈

中圖分類號：F274文獻標識碼：A文章編號：1002-3100(2008)03-0095-04

Abstract: Purchase is very important to the order form type supply chain. A reasonable formulation of lead time has direct effection on enterprise's production process and the completion of order form. While the supply chain become the main body of market competition， more and more equipments and raw material need necessary enterprises to provide. It sets higher request to the enterprise's purchases. In this article， lead time is divided into five stage times， and we carry on the forecast to stage time using BP neural network. Taking this method is to meet the need of enterprise's purchase management which is developing unceasingly. In the end， one case is illustrated to demonstrate the feasibility of the method.

Key words: purchase lead time; BP neural network; order form type supply chain

0引言

過去的20多年里，準時化生產方式（JUST-IN-TIME）在日本取得巨大成功，并在世界范圍內廣泛推廣，使得零庫存戰略成為庫存管理中的一個熱門話題。日本豐田公司、美國戴爾公司成為零庫存戰略成功實施的代表。但是零庫存管理技術的成功實施需要企業具備足夠的實力和良好的協調能力，需要各個節點配套企業的全力配合與支持，并且給生產的連續性與保證按時交貨帶來更大的風險壓力。目前國內企業由于各種環境的限制，還沒有一家實現零庫存這一目標。在目前庫存無法消除的情況下，如何有效管理庫存，最大限度地降低庫存量，如何減少資金的無效占用，發揮企業資金的最大效益，便成為企業庫存管理的最重要的目標。

供應鏈管理是一種整體性管理、整合型管理，整合供應鏈上所有的企業和部門，使供應鏈在時間、資金、質量等各方面達到最優。采購提前期是庫存管理的重要內容，是供應鏈時間整合的重要一環。制造業供應鏈按照生產需求的明確性可以劃分為兩類，一類是根據預測的市場需求組織生產；一類是根據確定的市場需求組織生產。訂單式供應鏈是確定市場需求型的典型代表。在訂單式生產模式下，產品需求是確定的，制造企業基本都是在簽訂定購合同之后，開始組織生產活動，特別是對于像船舶之類的大型設備型產品，企業不存在也無法承受制成品庫存問題。制造企業收到訂單后，經過特定方法的處理，確定需要采購的各種設備、物資的數量。在理想化的狀態下，根據這一數量進行采購，在訂單完成后不會出現任何的多余物資而產生浪費和無效占用現象。與此同時，準時交貨是訂單式供應鏈的一個重要任務，比如船舶建造企業，能否準時向船東交付船只對建造企業來說至關重要，因為企業如果不能按期交付產品，將會面臨巨額罰單。為此企業對生產計劃和生產進度安排都要非常的詳細、明確，進而對各種物資的準時到貨問題提出很高的要求，以免影響企業正常的生產進度，在這一前提下又要盡量減少庫存，提高庫存管理效率和資金使用效率。在這一雙重目標下，基于供應鏈的庫存管理的重點落在了如何確定各種設備、物資的采購提前期上，合理地安排各種物資的采購提前期，才能既不影響企業正常的生產進程又能最大限度地發揮現有資金的使用價值，給企業創造更多的利潤。

1訂單式供應鏈采購提前期影響因素分析

訂單式供應鏈采購提前期LT一般由采購預處理提前期、采購處理提前期、采購后處理提前期組成。采購預處理提前期是決定采購訂單發出之前的處理過程的時間，包括報價、確定供應商、商務談判、訂單簽訂、合同審批等過程。采購處理提前期是從供應商接受訂單及發貨到指定地點的時間，它可能包括采購、制造、發運等提前期。采購后處理提前期是從接收地收貨、點數、檢驗到接受入庫的時間。概括的說，提前期主要由以下五個階段時間組成：訂單傳送處理時間DT、供應商制造備貨時間RT、訂貨運輸時間TT、貨物驗收入庫時間ET、風險防備時間FT，風險防備時間是指采購人員各種階段時間確定后的基礎上，根據對當時環境的綜合考慮，所設定的一段緩沖時間。如果我們將企業內剩余物資可供使用的時間記作MT，那么

DT+RT+TT+ET+FT≤MT

便是企業保證生產不中斷的必要條件，兩者相等狀態是企業生產計劃追求的最佳狀態。

為了有效地預測提前期的值，分析影響采購提前期長短的具體因素是非常有必要的。影響采購提前期的因素主要有：物資采購批量、企業業務流程、公司間信息系統互聯程度、供應商信息處理速度、供應商庫存水平、供應商生產力使用狀況、工人生產效率、生產加工精度、運輸方式、天氣情況、距離、路況、供應商信譽、物資入庫檢驗速度、采購計劃制定人員工作經驗及個人素質等。

綜合考慮當前的市場環境與各因素評價的可操作性，我們對影響訂單式供應鏈采購提前期的因素進行歸納和整理，主要有：公司間信息系統互聯程度、供應商信息處理速度、公司間信息系統互聯程度、供應商信息處理速度、運輸方式、天氣情況、距離、路況、供應商信譽、物資入庫檢驗速度及采購人員設定的緩沖時間共11個因素。具體的影響結構圖如圖1所示。

目前對于采購提前期的預測問題，基本上都是把采購提前期作為最終的單一結果來預測，即通過不同的方法和數學模型，直接把最終的影響因素與提前期聯系起來，得到一個單一的決策值。但是我們從前面的分析中也看到，企業特別是大型的制造企業，采購提前期問題對企業整個的生產過程至關重要，并且由于采購物資的種類繁多、供應商企業、運輸方式、運輸路線等各種條件相差很大，提前期中各階段時間的在整個的提前期中所起到的影響程度各不相同，僅僅獲得一個單一的提前期預測值，對于企業的采購管理來說過于籠統，使采購管理出現盲目性，如果對各個階段時間分開預測，那么將會使企業的采購管理更明確，有利于抓住主要的影響因素，加大對主要影響因素的監控和投入力度，更好地開展物資采購工作。

本文將根據這一原則，從對采購提前期分解的角度，利用BP神經網絡，對組成采購提前期的五個階段時間進行預測，在確定提前期的同時明確各階段時間在整個提前期中所占的比重，便于企業更合理地分配資源。

2BP神經網絡結構與網絡學習規則

（1）BP網絡結構：BP網絡是一種單向傳播的多層前向網絡，我們以最簡單的三層為例，其結構如圖2所示，包括輸入層、中間層（隱含層）和輸出層。相鄰上、下層之間各神經元實現全連接，即下層的每個神經元與上層的每個神經元都實現全連接，而每層各神經元之間無連接。

換個角度看，BP網絡不僅有輸入層節點、輸出層節點，還可有1個或多個隱含層節點。對于輸入信號，要先向前傳播到隱含層節點，經作用函數后（常用的函數有Sigmoid型的對數、正切函數或線性函數），再把隱節點的輸出信號傳播到輸出節點，最后給出輸出結果。

（2）BP網絡學習規則：BP網絡學習規則的指導思想是，對網絡權值和閥值的修正要沿著函數下降最快的方向——負梯度方向。

一般地，BP網絡的學習算法描述為如下步驟：1）初始化網絡及學習參數，如設置網絡初始權矩陣；2）提供訓練模式，訓練網絡，直到滿足學習要求；3）前向傳播過程：給定訓練模式輸入，計算網絡的輸出要求，并與期望模式比較，若有誤差，則執行4），否則，返回2）；4）反向傳播過程，計算同一層單元的誤差，修正權值和閥值（即時的連接權值），返回2）。

3實證分析

我們以某船舶企業物資部采購某類油漆為例，采集了10組樣本數據，如表1所示，分析11種制約因素對五種階段時間的影響，進而如何影響整個采購提前期。

從結果可以看出，應用BP神經網絡不僅可以有效地確定采購提前期，而且通過對組成提前期的五個階段時間的預測，可以使得每次采購中各階段時間在采購提前期中起到的影響程度更加明確，有利于采購部門和采購人員針對那些占主要部分的階段時間，找出其相應的影響因素，進而采取有針對性的措施保證采購工作的順利進行。

4結束語

采購是生產的源頭，將采購活動做到科學化、細致化對整個生產活動至關重要。隨著市場競爭的供應鏈化，更多的設備、材料需要配套企業來提購，對企業的采購活動提出了更高的要求，采購提前期重要性更加突出，這一趨勢對于生產活動高度計劃性的訂單式供應鏈上的企業來說更為明顯。本文正是從這一原則出發，對提前期采取分解預測以更好服務于采購實踐，并用實例驗證方法的可行性。

參考文獻：

[1] 飛思科技產品研發中心. 神經網絡理論與MATLAB7實現[M]. 北京：電子工業出版社，2005.

[2] 侯開虎，胡宗武. 供應鏈管理中提前期影響因素分析[J]. 工業工程與管理，2002(3):13-17.

[3] 余祖德，陳俊芳. 多級供應鏈中供應商柔性能力下制造商訂貨提前期的側度[J]. 管理技術，2006(9):97-99.

[4]Shore H. Optimal solutions for stochastic inventory models when the lead-time demand distribution is partially specified[J]. Interational Journal of Production Ecnomics， 1999，59:477-485.

[5]Guide Jr V D R， Jayaraman V， Srivastava R. The effect of lead time variation on the performance of disassembly release mechanisms[J]. Cumputers Industrial， 1999，36:759-779.

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。