基于SVM的核電裝備制造業(yè)供應(yīng)風(fēng)險預(yù)測模型研究

□石春生 孟大鵬 [哈爾濱工業(yè)大學(xué) 哈爾濱 150001]

基于SVM的核電裝備制造業(yè)供應(yīng)風(fēng)險預(yù)測模型研究

□石春生 孟大鵬 [哈爾濱工業(yè)大學(xué) 哈爾濱 150001]

基于對核電裝備制造業(yè)供應(yīng)風(fēng)險的因素識別，確立風(fēng)險預(yù)測指標(biāo)體系；對國內(nèi)某家重點核電裝備制造企業(yè)及其60家供應(yīng)商進(jìn)行問卷調(diào)研及深度訪談，運用支持向量機(jī)及l(fā)ibsvm技術(shù)建立供應(yīng)風(fēng)險的預(yù)測模型；最后的案例研究表明了該預(yù)測體系的可行性與可靠性。

支持向量機(jī); 核電裝備; 供應(yīng)風(fēng)險; 預(yù)測模型

基于大力推進(jìn)核電工業(yè)的戰(zhàn)略規(guī)劃，AP1000進(jìn)程中的中國核電事業(yè)面臨兩大難題：一是加速實現(xiàn)核電技術(shù)的自主化，建立獨立、完備、有中國特色的核電工業(yè)體系；二是如何有效地應(yīng)對自主化進(jìn)程中關(guān)鍵部件及物資過度依賴于進(jìn)口引發(fā)的供應(yīng)風(fēng)險。目前我國尚未實現(xiàn)全部裝備的設(shè)計、制造自主化，有20%的關(guān)鍵裝備尚依賴于進(jìn)口，由此產(chǎn)生的供應(yīng)質(zhì)量及交貨延遲問題已成為核電工業(yè)發(fā)展的瓶頸。為化解供應(yīng)風(fēng)險、保證物資供應(yīng)，技術(shù)、制造領(lǐng)域的理論及實踐者已紛紛投入精力并取得了相應(yīng)成績；而從管理角度對供應(yīng)風(fēng)險進(jìn)行分析、預(yù)測研究的課題尚未引起關(guān)注，現(xiàn)有研究多是概念、策略性的一般表述，其科學(xué)性和指導(dǎo)意義有待考證。為突破這一局限，本文從供應(yīng)商及風(fēng)險管理理論出發(fā)，在風(fēng)險識別的基礎(chǔ)上利用支持向量機(jī)的方法建立風(fēng)險預(yù)測模型，以期為風(fēng)險控制提供客觀依據(jù)。

一、支持向量回歸理論

支持向量回歸機(jī)（Support Vector Regression，SVR）是在支持向量機(jī)（Support Vector Machine，SVM）分類模型的基礎(chǔ)上引入一個用于距離修正的ε作為損失函數(shù)，以確保對偶變量的稀疏性和全局最小解的存在和可靠泛化界的優(yōu)化。

（一）不敏感損失函數(shù)ε

基于結(jié)構(gòu)風(fēng)險最小化原則，構(gòu)建針對實函數(shù)集的SVR模型，需引入ε建立損失函數(shù):

（二）支持向量回歸機(jī)

將SVR表述為：給定訓(xùn)練樣本集（xi,yi） ,x∈R，i=1,..n，引入ε作為風(fēng)險函數(shù)

引入Lagrange系數(shù):

求解最優(yōu)問題及iα和*iα后，可以求得回歸方程：

二、基于SVM的供應(yīng)風(fēng)險預(yù)測模型構(gòu)建

（一）指標(biāo)體系的確立

1.相關(guān)理論假設(shè)

外部環(huán)境風(fēng)險：由外部環(huán)境誘發(fā)的供應(yīng)風(fēng)險，如：自然災(zāi)害對廠址、物流的摧毀；經(jīng)濟(jì)政策、金融風(fēng)暴引發(fā)的供應(yīng)危機(jī)；技術(shù)革新對現(xiàn)有技術(shù)的沖擊及鑒于核工業(yè)的敏感性，受到不同國家政治體制作用而引發(fā)的供應(yīng)風(fēng)險。建立假設(shè)：

H1：自然環(huán)境因素與供應(yīng)風(fēng)險相關(guān)

H2：政治環(huán)境因素與供應(yīng)風(fēng)險相關(guān)

H3：經(jīng)濟(jì)環(huán)境因素與供應(yīng)風(fēng)險相關(guān)

H4：科技環(huán)境因素與供應(yīng)風(fēng)險相關(guān)

內(nèi)部合作風(fēng)險：由供求雙方企業(yè)能力與合作意愿交互作用而引發(fā)的供應(yīng)風(fēng)險。

（1）供應(yīng)商的企業(yè)能力：

技術(shù)：Burns[1]和George Stalk[2]指出，企業(yè)的技術(shù)能力包括技術(shù)引進(jìn)、擴(kuò)散及創(chuàng)新能力。Amos指出，技術(shù)能力是學(xué)習(xí)、培訓(xùn)及科研共同作用的結(jié)果，以R&D人才培養(yǎng)、R&D經(jīng)費投入為關(guān)鍵。鑒于技術(shù)自主化對于核電裝備制造業(yè)供應(yīng)風(fēng)險防范的重要意義，建立假設(shè)：

H5：供應(yīng)商的R&D人員比例與供應(yīng)風(fēng)險相關(guān)

H6：供應(yīng)商的R&D投入強(qiáng)度與供應(yīng)風(fēng)險相關(guān)

H7：供應(yīng)商的新產(chǎn)品產(chǎn)值比例與供應(yīng)風(fēng)險相關(guān)

質(zhì)量：Dickson的經(jīng)典研究表明，質(zhì)量是企業(yè)最重要的能力。Berrittella[3]將質(zhì)量保證能力列入企業(yè)考核的重點。陳實將服務(wù)指標(biāo)列入供應(yīng)商評價體系中。Tobias[4]認(rèn)為，對供應(yīng)商評價不僅要考慮質(zhì)量、技術(shù)，還應(yīng)考慮柔性、服務(wù)及多樣性指績效。建立假設(shè)：

H8：供應(yīng)商的質(zhì)量管理狀況與核電裝備制造業(yè)的供應(yīng)風(fēng)險相關(guān)

H9：供應(yīng)商的服務(wù)及時率與核電裝備制造業(yè)的供應(yīng)風(fēng)險相關(guān)

（2）核電裝備制造企業(yè)的能力：

管理：Dale[5]指出，能力的評價體系應(yīng)涵蓋管理的有效性。Tobias[6]認(rèn)為，與管理相關(guān)的協(xié)作能力將影響雙方合作。馬士華教授強(qiáng)調(diào)物資管理的失敗會帶來供應(yīng)風(fēng)險。鑒于核電裝備物資單價高、付款額度大，將付款及時率指標(biāo)列入企業(yè)能力的評價范疇。建立假設(shè)：

H10：采購商的關(guān)系管理能力與供應(yīng)風(fēng)險相關(guān)

H11：采購商的準(zhǔn)期付款率與供應(yīng)風(fēng)險相關(guān)

控制：Hallikas[6]指出，質(zhì)量、進(jìn)度等來自于供應(yīng)商的行為是供應(yīng)風(fēng)險的誘因。Uzzi[7]將戰(zhàn)略、運作及雙方對過程的控制歸為供應(yīng)風(fēng)險的誘因。建立假設(shè)：

H12：采購商的質(zhì)量控制能力與供應(yīng)風(fēng)險相關(guān)

H13：采購商的進(jìn)度控制能力與供應(yīng)風(fēng)險相關(guān)

支持：Patton[8]提出，采購商的支持有利于供應(yīng)商能力的提升；Zsidisin[9]指出，人才缺乏將誘發(fā)供應(yīng)風(fēng)險。現(xiàn)有供應(yīng)商大都存在技術(shù)能力、專業(yè)人才缺乏的情況，建立假設(shè)：

H14：采購商的技術(shù)支持情況與供應(yīng)風(fēng)險相關(guān)

H15：采購商的人才支持情況與供應(yīng)風(fēng)險相關(guān)

（3）雙方的合作意愿：Steele認(rèn)為供應(yīng)風(fēng)險的誘發(fā)源于供應(yīng)與需求不平衡。Wendy[10]提出，除了考慮成本、質(zhì)量以外，管理相容性等意愿指標(biāo)也需引起雙方關(guān)注。鑒于核電裝備制造業(yè)物資供求市場上經(jīng)常出現(xiàn)供求不平衡以及由此引發(fā)合作依賴偏差的狀況，建立假設(shè)：

H16：周期供應(yīng)額與供應(yīng)商的全部供應(yīng)額的比例與供應(yīng)風(fēng)險相關(guān)

H17：周期采購額占采購商的全部采購額的比例與供應(yīng)風(fēng)險相關(guān)

H18：合作物資的市場需求廠家數(shù)量與供應(yīng)風(fēng)險相關(guān)

H19：合作物資的市場供應(yīng)廠家數(shù)量與供應(yīng)風(fēng)險相關(guān)

H20：合作物資的市場供需狀況與供應(yīng)風(fēng)險相關(guān)

H21：供應(yīng)商是否具備核級資質(zhì)與供應(yīng)風(fēng)險相關(guān)

2.實證研究

利用研究變量之間密切程度的相關(guān)分析實證前文假設(shè)的科學(xué)性。考慮到數(shù)據(jù)的特點，采用基于秩次大小、對變量分布不作要求的Spearman方法計算相關(guān)系數(shù)：

上式中：d為每對變量（X,Y）的秩次之差，n為對子數(shù)。

借助SPSS12.0，經(jīng)由Analysis->Correlate->Bivariate>Spearman操作，相關(guān)分析的結(jié)果如表1所示：是否核級，人才、技術(shù)支持，自然、經(jīng)濟(jì)、科技環(huán)境指標(biāo)未通過顯著性檢驗，表示這6個指標(biāo)與供應(yīng)風(fēng)險的相關(guān)性不明顯，假設(shè)未得到驗證；除此之外的15個假設(shè)得到了驗證，對應(yīng)的15個指標(biāo)構(gòu)建了供應(yīng)風(fēng)險的影響因素并用于風(fēng)險預(yù)測的研究。

（二）實現(xiàn)技術(shù)及數(shù)據(jù)處理

1.實現(xiàn)技術(shù)：應(yīng)用在國際著名的研究機(jī)構(gòu)中享有很高的威望的Libsvm軟件包作為SVM預(yù)測模型的實現(xiàn)技術(shù)，操作平臺為Windows2000。

2.數(shù)據(jù)處理：為防止數(shù)據(jù)庫中特征值極大的指標(biāo)對特征值極小的指標(biāo)產(chǎn)生控制效應(yīng)，避免計算過程中數(shù)據(jù)過大的問題，應(yīng)Libsvm的要求，調(diào)用命令E:LibSVMwindowsSvmScale –s data0.range data0.scale >data.scale，對60個樣本數(shù)據(jù)進(jìn)行歸一化處理。

（三）試驗步驟

步驟1：模型的訓(xùn)練

1.參數(shù)尋優(yōu)：通過Libsvm的自動交互檢驗功能尋求最優(yōu)參數(shù)，力求系統(tǒng)的MSE最小。

輸入：E:python26>python e:python 26gridreg ression.py-svmtrain e:LibSVMwindows svmtrain.exe–gnuplot e:gnuplot binpgnupolt.exe –log2c-10,10,1 –log2g -10,10,1 –log2p -10,10,1 -v 10 –s 3 –t 2 e:LibSVMwindows finaltrain.txt>gridegression final train.parameter

-log2c，-log2g，-log2p：設(shè)置參數(shù)c，g，p的范圍和步長分別為[-10,10]，1；

輸出：整理finaltrain.parameter獲得MSE的最小值及對應(yīng)的最優(yōu)參數(shù)c，g，p。

表1 相關(guān)分析結(jié)果

2.訓(xùn)練并獲得SVR模型：基于最優(yōu)參數(shù)進(jìn)行回歸模型的訓(xùn)練，以獲取SVR模型。

輸入：C:LibSVMsvmtrain –s 3 –t 2 –c –g –p

輸出：整理finaltrain.model獲得SVR模型，包括二次規(guī)劃最小值及判決函數(shù)常數(shù)項。

3.求解回歸方程：總結(jié)模型的各項輸出，求解未知項，獲得回歸方程的表達(dá)式。

根據(jù)輸出項g，確定BFR的表達(dá)式；提取αi?αi*值，確定回歸方程。

步驟2：模型的預(yù)測

輸入：C:LibSVMwindows>svmpredict finaltest.txt finaltrain.txt.model out.txt

輸出：整理輸出文件out.txt，獲得經(jīng)SVR預(yù)測后finaltest.txt對應(yīng)的預(yù)測結(jié)果。

步驟3：模型的評價

機(jī)器學(xué)習(xí)及統(tǒng)計理論用于模型評價的系數(shù)主要有MSE，MD，CD和CRM。令xi與分別表示第i家供應(yīng)商供應(yīng)風(fēng)險的實際值與回歸模型求得的預(yù)測值。

（1）均方誤差MSE（Mean square error）：實際值與預(yù)測值之差平方的期望，其值越小，表示模型預(yù)測的誤差越小：

（2）平均差MD（Mean difference between measurement and simulation）：實際值與預(yù)測值之差的平均數(shù)，反映模型的一致性。MD>0，表示預(yù)測值相對于實際值偏低；MD＜0，則預(yù)測值相對于實際值偏高；MD=0，模型的模擬效果最好：

MD的t檢驗值（t檢驗所用自由度為n?2），若成立，則模型系統(tǒng)誤差不顯著，模擬效果較好；反之，模型系統(tǒng)誤差較顯著，模擬效果較差。

其中：

（3）確定系數(shù)CD（Coefficient of determination）：實際值與預(yù)測值變異度的比值，反映二者變異的一致性。CD=1，表示二者變異相同；0＜CD＜1，模型存在一定的系統(tǒng)誤差；CD>1，則模型不能完全描述個別極值：

（4）整群剩余系數(shù)CRM（Coefficient of residual mass）：全部預(yù)測值之和偏離全部實際值之和的程度。CRM＜0，表示整體預(yù)測值大于實際值；CRM>0，則整體預(yù)測值小于實際值；其值越接近于0，系統(tǒng)誤差的可能性越小，模型的一致性越好：

三、算例

（一）數(shù)據(jù)來源及處理

對我國某家重點核電裝備制造企業(yè)及其供應(yīng)商進(jìn)行調(diào)研。調(diào)查形式的設(shè)計及內(nèi)容的權(quán)衡，來自于綜述理論成果和研究者自身學(xué)習(xí)與工作經(jīng)驗的總結(jié)。結(jié)合企業(yè)訪談和調(diào)查問卷的方式，從定性、定量角度共同建立數(shù)據(jù)庫：發(fā)放問卷180份，回收有效問卷120份，其中,60份來自于核電裝備制造企業(yè)，60份來自于供應(yīng)商。經(jīng)Libsvm命令歸一化處理后，為實現(xiàn)交叉對比，將60個樣本隨機(jī)生成兩組：第一組由40個樣本訓(xùn)練模型，對其余20個樣本進(jìn)行風(fēng)險預(yù)測；第二組由20個樣本訓(xùn)練模型，對其余40個樣本進(jìn)行風(fēng)險預(yù)測。

（二）模型的訓(xùn)練

兩組模型訓(xùn)練輸出如圖2及圖3所示。整理finaltrain.paramete得出兩組最優(yōu)參數(shù)分別為：c=1240，g= 0.00195，p= 0.0039；c=4，g= 0.0078，p= 0.00383。

確定兩組BFR的表達(dá)式為：

2.兩組回歸方程：整理輸出finaltrain.model提取兩組αi?αi*，結(jié)合BRF求

圖1 第一組SVR模型

圖2 第二組SVR模型

（三）模型的預(yù)測

整理輸出out.txt，比較實際值與預(yù)測值，生成表2和表3。

表2 第一組SVR模型預(yù)測值與實際值的比較

表3 第二組SVR模型預(yù)測值與實際值的比較

（四）模型的評價

分別求得預(yù)測模型的評價系數(shù)MSE，MD，CD和CRM，如表4所示。

表4 兩組SVR模型的系數(shù)比較

如表4所示：第一組SVR模型MSE為0.0336，小于第二組，則其誤差小于第二組。第一組SVR模型MD= ?0.0042 ＜0，預(yù)測值偏高于實際值；第二組MD=0.0471>0，預(yù)測值偏低于實際值；第一組MD比第二組更趨近于0，預(yù)測偏差小于第二組；兩組MD的t檢驗值皆小于t0.05，系統(tǒng)誤差不顯著。第一組SVR模型CD=0.5907＜1，模型存在一定系統(tǒng)誤差，但可描述全部指標(biāo)特征；第二組SVR模型CD=4.3748 >1，模型系統(tǒng)誤差較小，但可能無法描述個別極端值；第一組模型的CD更趨近于1，系統(tǒng)擬和度優(yōu)于第二組。第一組SVR模型的CRM=-0.0037 ＜0，預(yù)測值偏高于實際值；第二組SVR模型的CRM=0.0388 >0，預(yù)測值偏低于實際值。第一組CRM比第二組更趨近于0，其預(yù)測偏差較小。綜合而言，兩組預(yù)測模型的系統(tǒng)誤差及精度都在可接受的范圍內(nèi)；第一組SVR模型略優(yōu)于第二組SVR模型。

四、結(jié)束語

在對核電裝備制造業(yè)供應(yīng)風(fēng)險因素識別的基礎(chǔ)上，運用支持向量回歸機(jī)及Libsvm的技術(shù)構(gòu)建了供應(yīng)風(fēng)險預(yù)測模型。由于支持向量機(jī)的目標(biāo)是在現(xiàn)有資源下尋求最優(yōu)解，樣本數(shù)據(jù)量較小的情勢下亦能收到理想的預(yù)測結(jié)論，使得該模型具有較好的推廣性。本研究期望成為核電裝備制造企業(yè)在應(yīng)對供應(yīng)風(fēng)險過程中，對供應(yīng)商進(jìn)行事前及事中考評、測量供應(yīng)風(fēng)險度的有效方法論。

[1]BURNS, STALKER. The Organization of Innovation[J]. Knowledge Management and Organisational Design, 1996,(1):77-92

[2]STALK G, EVANS P. Competing on Capabilities, The New Rule of Corporate Strategy [J]. Harvard Business Review,2002, (3):12-15.

[3]BERRITTELLA. An Analytic Hierarchy Process for the Evaluation of Transport Policies to Reduce Climate Change Impacts [J]. Fondazione Eni Enrico Mattei, 2007, (1):4-8

[4]SCHOENHERR T, TOMMALA V M R, HARRISON T P. Assessing supply chain risks with the analytic hierarchy process: Providing decision support for the offshoring decision by a US manufacturing company [J]. Purchase and Supply management, 2008, (14): 100-111.

[5]DALE, SHAW P. Statistical process control: An examination of some common queries [J]. International Journal of Production Economics, 2001, (22): 33-41.

[6]HALLIKAS, KUMAR K. Sutainable collaboration,Managing conflict and cooperation in interrogational systems[J].Mis-quarterly, 2006, (20): 279-300.

[7]UZZI B. Social structure and competition in inter firm networks: The paradox of embeddedness[J]. Administrative Science Quaterly, 1997, (42): 35-67.

[8]PATTON, YATES J, RENJAMIN R K. Electronic markets and electronic hierarchies [J]. Communication of the ACM, 1987, (30): 484-497.

[9]ZSIDISIN. Competition for competence and interpartner learning within international strategic alliances [J].Strategic Management Journal, 1991, (12): 83-103.

[10]WENDY, ROBERT G, KEVIN J M. Relational Contracts and the Theory of the Firm [J]. Quaterly Journal of Economics, 2002, (117): 39-48.

Research on the Supply Risk Prediction Model of Nuclear Power Equipment Manufacturing Industry Based on SVM

SHI Chun-sheng MENG Da-peng
(Harbin Institute of Technology Harbin 150001 China)

Based on the factor identification of nuclear equipment manufacturing industry, prediction index for supply risk is established. To make investigation on a famous nuclear power equipment manufacturing enterprise and the 60 suppliers, the method of support vector machine and libsvm software are used to establish supply risk prediction model. Final case study demonstrates the feasibility and reliability of model.

support vector machine; nuclear power equipment; supply risk; prediction model

F253.9

A

1008-8105(2010)05-0023-06

2010 ? 05 ? 12

國家自然科學(xué)基金項目（70972096）

石春生(1958 ? )男，哈爾濱工業(yè)大學(xué)管理學(xué)院教授，博士生導(dǎo)師；孟大鵬(1981 ? )女，哈爾濱工業(yè)大學(xué)管理學(xué)院博士研究生.

編輯 何婧