基于TOPSIS和RBFNN的EPCM項目采購風險研究

謝亮

摘要： 在EPCM模式下，采購位于一個核心環節，識別和分析采購風險對企業制定合理的采購決策具有重要的意義。本文首先分析了EPCM模式下的采購風險，在此基礎上，提出了基于TOPSIS和RBFNN方法來確定采購風險評價模型，并結合工程實例，以一定量的項目采購統計數據進行了實證分析。研究表明，該方法能有效、準確地評價EPCM項目的采購風險，為實施企業集成采購風險管理和制定風險預警機制提供有力的支撐架構。

Abstract： Procurement is a core link under the EPCM model， and identifying and analyzing procurement risk is of significance to make sensible procurement decision. This paper firstly analyzes the procurement risk under the EPCM model， and according to the above， proposes a procurement risk assessment model based on TOPSIS and RBFNN method. With the engineering projects， the empirical analysis on a certain amount of project procurement statistics data is made， which shows that the new method leads to a more efficient and exact assessment for the procurement risk under the EPCM model， and it can provide strong support structure for the implementation of integrated procurement risk management and the establishment of financial risk early warning mechanism.

關鍵詞： EPCM；供應鏈；采購風險；評價

Key words： EPCM；supply chain；procurement risk；assessment

中圖分類號：F274 文獻標識碼：A 文章編號：1006-4311（2014）29-0027-02

0 引言

EPCM模式，即設計采購施工與管理（Engineering Procurement Construction Management—EPCM），是指項目總承包商（簡稱EPCM管理企業）按照總承包合同約定，進行全方位、全過程系統化集成的項目管理模式[1]，實現E、P、C及M各要素之間的權衡，充分發揮EPCM管理企業的主觀能動性，保證工程項目在一個系統、一個管理主體下組織實施。

項目作為完成既定目標的一次性活動，其復雜性和獨一無二性決定了項目具有很強的風險性。由于EPCM項目具有專屬性集成化管理特點，使得EPCM管理企業在項目生命周期內承擔了業主的全部風險轉嫁。TOC（Theory of Constraints）理論認為，企業要生存與發展，必須加強生產經營活動中的風險評價，為此，要建立一個以EPCM管理企業為核心的供應網鏈，著力于系統協調網鏈上各企業內外部資源，從而提升企業核心競爭能力，使以較低的成本、較快的速度為項目業主提高滿足要求的產品或服務。

1 采購風險理論分析

采購作為EPCM模式中的一個環節，其在采購過程中可能會遇到諸多意外情況，具體表現為：一方面采購預測值不準而導致物料難以滿足生產要求或超出預算；另一方面供應商群體產能下降導致供應不及時；第三，貨物不符合采購訂單或合同要求，呆滯物料增加；第四，采購人員工作失誤或與供應商之間信息不對稱，存在不誠實甚至違法行為。因此，這些情況都會直接影響到采購預期目標的實現。

由于EPCM管理企業在項目采購中呈量大類多現象，遇到的風險也是復雜多變的。因此，在篩選項目采購風險時必須建立一套具有針對性的擇優方法，成為確定采購風險因子的重要前提。在眾多的采購風險中，由于各種風險因素之間的關聯度（Relational Degree）、兼容度（Compatibility Degree）和差異度（Difference Degree）相對模糊。為此，采用方案評價優化系統方法，建立兼容度、差異度極大極小化模型來進行采購風險指標重要度擇優。

2 采購風險評價體系的建立

采購風險是特定領域的風險，尤其是在EPCM管理模式（系統集成化管理）下，企業參與的主體眾多以及跨地域、跨環節的特點，容易受到來自供應網鏈中內外部不同的因素影響，增加了對風險識別和預警的難度，使得風險事件發生概率增大[2]。為了提高企業的競爭力，EPCM管理企業往往從業主的有效需求出發，以保質量、縮工期、降費用、要效益為目標，使得項目在各個階段不確定性風險加大。因此，EPCM管理企業必須在采購前預先識別和分析各種風險對目標實現的程度，建立一套能夠合理描述和反映采購風險指標的體系，為順利實施項目采購提供前提和保障。經過系統的分析和重要度擇優選取，建立了EPCM管理企業在采購領域的風險評價指標體系，如圖1所示。

3 TOPSIS和RBF模型

近年來，有不少的學者對采購風險進行了研究，提出了各種理論和評價模型，如：陳武、楊家本提出了使用VaR方法來量化分析其中由價格波動引起的采購風險，從而為風險決策提供量化依據；吳有華、陳慧麗討論了利用Stackelberg模型分析供應鏈采購風險管理中期權合同的定價方面研究等等。為了改善采購風險評價的方法，本文引入TOPSIS和RBFNN相結合的方法將非線性轉化為線性問題，對EPCM模式下的采購風險進行了定量化評價，從而實現專家模擬與仿真。endprint

3.1 TOPSIS優選RBF輸入值 TOPSIS是一種逼近于理想解的排序方法，即（Technique for Order Preference by Similarity Ideal Solution 簡稱TOPSIS）。該方法是建立在所選擇的方案與理想方案的差距最小并且與負理想解差距最大的理論上?；诮涍^歸一化處理的原始數據矩陣，構建出一個空間并獲得正理想解和負理想解，每個待選方案是這個空間中的一個點，最后的綜合評價是基于每個方案與理想方案的歐幾里得（Euclid）距離進行由小到大排序，距離最小者為最優方案。根據以上理論，本文采用改進后的TOPSIS方法。從而計算出每組調查值與平均值的距離，摒棄距離實際指標值較遠的數據，保留具有代表性的數據以此作為RBF神經網絡輸入層的輸入值，具體計算過程及賦權方法參考文獻[5]。

3.2 RBFNN評價原理 將基于徑向基函數（Radial Basis Function 簡稱RBF）與神經網絡（Neural Networks）結合在一起形成的一種局部逼近的網絡，簡稱RBFNN。該網絡是具有單隱層的三層前饋神經網絡，成為替代BP網絡的一種新型網絡，提出運用RBFNN逼近定理和高斯函數（Gaussian）作為其隱節點的基函數，其具體的計算過程可以參考文獻[6]。本文以采購風險評價為實例，建立一個RBFNN網絡拓撲結構，如圖2所示。

4 應用算例

本算例以某工程項目水泥采購過程中收集的相關數據為樣本，運用前述的評價方法進行實例分析研究，來進一步驗證該方法的可行性和實用性。在實際工程中，由于原料市場的不可預見性，采購過程中應根據采購的對象不同和所處的環境不同，建立適當的風險指標體系，不斷收集相關數據，訓練和優化網絡模型，為EPCM管理企業更科學地、合理地做出采購決策提供依據。

4.1 RBFNN訓練樣本的確定 本文以水泥采購為例，根據所建立的采購風險指標體系，首先將不同的指標進行量化處理，這里約定，按風險指標對采購的影響大小來確定風險取值標準，取值的范圍為0-1之間。對于評價輸出狀態值按下列進行描述，“有利0.9-0.7；一般0.7-0.5；不利0.3；非常不利0.1”，在評價過程中，對RBFNN輸出值采取“最低合理可行（As low As Reasonably Practicable簡稱ALARP）”原則進行評判，判斷輸出值所處的風險區間（金字塔），從而為項目采購提供理論依據。

首先，根據上述的準則確定了20組采購樣本數據；其次，利用AHP確定TOPSIS中各采購風險的指標權重值：W=（0.128，0.385，0.028，0.117，0.081，0.099，0.049，0.028，

0.085）；再運用改進的TOPSIS法剔除遠離實際值較遠的調查值，按照優先順序得到10組數據作為RBFNN訓練樣本數據，其中2組（樣本9、10）為檢驗樣本，以檢驗模型的訓練效果。優化后的訓練樣本見表1。

4.2 檢驗結果分析與評價 經過8組樣本數據進行網絡訓練，確定隱含層節點個數為6，使網絡不斷修正輸出權值，不斷地逼近一個函數，保證模型滿足訓練要求。最后選擇編號為9號、10號樣本進行檢驗，檢驗結果及評價結果如表2所示。

結果數據顯示，網絡輸出值與目標值之間很接近，表明網絡模型訓練達到了要求，樣本9和樣本10產生的離散誤差率分別為0.17%和0.05%均在允許范圍內。而狀態值都位于有利（0.9-0.7）數字之間，評定結論表明該水泥材料有利于采購，表明采購過程中的風險對項目的實施不會產生影響，可見運用TOPSIS和RBFNN相結合的方法具有一定的科學評價性。

5 結論

本文根據相關文獻資料，結合EPCM項目模式及采購方式特點，對采購過程中各種風險因素，進行了風險的重要度優選。在此基礎上，構建了EPCM項目采購風險評價指標體系。鑒于RBFNN神經網絡有效的非線性評價能力，以及良好的擬合結果，在提出了比較全面的評價指標體系的情況下，結合工程算例，運用TOPSIS和RBFNN相結合的方法進行了實證分析，系統地驗證了該方法的可行性、有效性和準確性，對于其他采購風險的評價有著重要的借鑒意義。

參考文獻：

[1]Han Chuan feng， Xia chao yang. Information management of mega-construction projects [J]. Journal of Tong ji University （Social Science Section），2006，17（2）：112-116.

[2]R Vrijhoef， L Koskela. “The four roles of supply chain management in construction”[J]. Journal of Purchasing & Supply Management，2000（6）：169-178.

[3]余雁，梁樑.多指標決策TOPSIS方法的進一步探討[J].系統工程，2003，021（002）：98-101.

[4]Martin T. Hagan Howard B. Demuth.神經網絡設計[M].北京：機械工業出版社，2001.endprint

3.1 TOPSIS優選RBF輸入值 TOPSIS是一種逼近于理想解的排序方法，即（Technique for Order Preference by Similarity Ideal Solution 簡稱TOPSIS）。該方法是建立在所選擇的方案與理想方案的差距最小并且與負理想解差距最大的理論上?；诮涍^歸一化處理的原始數據矩陣，構建出一個空間并獲得正理想解和負理想解，每個待選方案是這個空間中的一個點，最后的綜合評價是基于每個方案與理想方案的歐幾里得（Euclid）距離進行由小到大排序，距離最小者為最優方案。根據以上理論，本文采用改進后的TOPSIS方法。從而計算出每組調查值與平均值的距離，摒棄距離實際指標值較遠的數據，保留具有代表性的數據以此作為RBF神經網絡輸入層的輸入值，具體計算過程及賦權方法參考文獻[5]。

3.2 RBFNN評價原理 將基于徑向基函數（Radial Basis Function 簡稱RBF）與神經網絡（Neural Networks）結合在一起形成的一種局部逼近的網絡，簡稱RBFNN。該網絡是具有單隱層的三層前饋神經網絡，成為替代BP網絡的一種新型網絡，提出運用RBFNN逼近定理和高斯函數（Gaussian）作為其隱節點的基函數，其具體的計算過程可以參考文獻[6]。本文以采購風險評價為實例，建立一個RBFNN網絡拓撲結構，如圖2所示。

4 應用算例

本算例以某工程項目水泥采購過程中收集的相關數據為樣本，運用前述的評價方法進行實例分析研究，來進一步驗證該方法的可行性和實用性。在實際工程中，由于原料市場的不可預見性，采購過程中應根據采購的對象不同和所處的環境不同，建立適當的風險指標體系，不斷收集相關數據，訓練和優化網絡模型，為EPCM管理企業更科學地、合理地做出采購決策提供依據。

4.1 RBFNN訓練樣本的確定 本文以水泥采購為例，根據所建立的采購風險指標體系，首先將不同的指標進行量化處理，這里約定，按風險指標對采購的影響大小來確定風險取值標準，取值的范圍為0-1之間。對于評價輸出狀態值按下列進行描述，“有利0.9-0.7；一般0.7-0.5；不利0.3；非常不利0.1”，在評價過程中，對RBFNN輸出值采取“最低合理可行（As low As Reasonably Practicable簡稱ALARP）”原則進行評判，判斷輸出值所處的風險區間（金字塔），從而為項目采購提供理論依據。

首先，根據上述的準則確定了20組采購樣本數據；其次，利用AHP確定TOPSIS中各采購風險的指標權重值：W=（0.128，0.385，0.028，0.117，0.081，0.099，0.049，0.028，

0.085）；再運用改進的TOPSIS法剔除遠離實際值較遠的調查值，按照優先順序得到10組數據作為RBFNN訓練樣本數據，其中2組（樣本9、10）為檢驗樣本，以檢驗模型的訓練效果。優化后的訓練樣本見表1。

4.2 檢驗結果分析與評價 經過8組樣本數據進行網絡訓練，確定隱含層節點個數為6，使網絡不斷修正輸出權值，不斷地逼近一個函數，保證模型滿足訓練要求。最后選擇編號為9號、10號樣本進行檢驗，檢驗結果及評價結果如表2所示。

結果數據顯示，網絡輸出值與目標值之間很接近，表明網絡模型訓練達到了要求，樣本9和樣本10產生的離散誤差率分別為0.17%和0.05%均在允許范圍內。而狀態值都位于有利（0.9-0.7）數字之間，評定結論表明該水泥材料有利于采購，表明采購過程中的風險對項目的實施不會產生影響，可見運用TOPSIS和RBFNN相結合的方法具有一定的科學評價性。

5 結論

本文根據相關文獻資料，結合EPCM項目模式及采購方式特點，對采購過程中各種風險因素，進行了風險的重要度優選。在此基礎上，構建了EPCM項目采購風險評價指標體系。鑒于RBFNN神經網絡有效的非線性評價能力，以及良好的擬合結果，在提出了比較全面的評價指標體系的情況下，結合工程算例，運用TOPSIS和RBFNN相結合的方法進行了實證分析，系統地驗證了該方法的可行性、有效性和準確性，對于其他采購風險的評價有著重要的借鑒意義。

參考文獻：

[1]Han Chuan feng， Xia chao yang. Information management of mega-construction projects [J]. Journal of Tong ji University （Social Science Section），2006，17（2）：112-116.

[2]R Vrijhoef， L Koskela. “The four roles of supply chain management in construction”[J]. Journal of Purchasing & Supply Management，2000（6）：169-178.

[3]余雁，梁樑.多指標決策TOPSIS方法的進一步探討[J].系統工程，2003，021（002）：98-101.

[4]Martin T. Hagan Howard B. Demuth.神經網絡設計[M].北京：機械工業出版社，2001.endprint

3.1 TOPSIS優選RBF輸入值 TOPSIS是一種逼近于理想解的排序方法，即（Technique for Order Preference by Similarity Ideal Solution 簡稱TOPSIS）。該方法是建立在所選擇的方案與理想方案的差距最小并且與負理想解差距最大的理論上。基于經過歸一化處理的原始數據矩陣，構建出一個空間并獲得正理想解和負理想解，每個待選方案是這個空間中的一個點，最后的綜合評價是基于每個方案與理想方案的歐幾里得（Euclid）距離進行由小到大排序，距離最小者為最優方案。根據以上理論，本文采用改進后的TOPSIS方法。從而計算出每組調查值與平均值的距離，摒棄距離實際指標值較遠的數據，保留具有代表性的數據以此作為RBF神經網絡輸入層的輸入值，具體計算過程及賦權方法參考文獻[5]。

3.2 RBFNN評價原理 將基于徑向基函數（Radial Basis Function 簡稱RBF）與神經網絡（Neural Networks）結合在一起形成的一種局部逼近的網絡，簡稱RBFNN。該網絡是具有單隱層的三層前饋神經網絡，成為替代BP網絡的一種新型網絡，提出運用RBFNN逼近定理和高斯函數（Gaussian）作為其隱節點的基函數，其具體的計算過程可以參考文獻[6]。本文以采購風險評價為實例，建立一個RBFNN網絡拓撲結構，如圖2所示。

4 應用算例

本算例以某工程項目水泥采購過程中收集的相關數據為樣本，運用前述的評價方法進行實例分析研究，來進一步驗證該方法的可行性和實用性。在實際工程中，由于原料市場的不可預見性，采購過程中應根據采購的對象不同和所處的環境不同，建立適當的風險指標體系，不斷收集相關數據，訓練和優化網絡模型，為EPCM管理企業更科學地、合理地做出采購決策提供依據。

4.1 RBFNN訓練樣本的確定 本文以水泥采購為例，根據所建立的采購風險指標體系，首先將不同的指標進行量化處理，這里約定，按風險指標對采購的影響大小來確定風險取值標準，取值的范圍為0-1之間。對于評價輸出狀態值按下列進行描述，“有利0.9-0.7；一般0.7-0.5；不利0.3；非常不利0.1”，在評價過程中，對RBFNN輸出值采取“最低合理可行（As low As Reasonably Practicable簡稱ALARP）”原則進行評判，判斷輸出值所處的風險區間（金字塔），從而為項目采購提供理論依據。

首先，根據上述的準則確定了20組采購樣本數據；其次，利用AHP確定TOPSIS中各采購風險的指標權重值：W=（0.128，0.385，0.028，0.117，0.081，0.099，0.049，0.028，

0.085）；再運用改進的TOPSIS法剔除遠離實際值較遠的調查值，按照優先順序得到10組數據作為RBFNN訓練樣本數據，其中2組（樣本9、10）為檢驗樣本，以檢驗模型的訓練效果。優化后的訓練樣本見表1。

4.2 檢驗結果分析與評價 經過8組樣本數據進行網絡訓練，確定隱含層節點個數為6，使網絡不斷修正輸出權值，不斷地逼近一個函數，保證模型滿足訓練要求。最后選擇編號為9號、10號樣本進行檢驗，檢驗結果及評價結果如表2所示。

結果數據顯示，網絡輸出值與目標值之間很接近，表明網絡模型訓練達到了要求，樣本9和樣本10產生的離散誤差率分別為0.17%和0.05%均在允許范圍內。而狀態值都位于有利（0.9-0.7）數字之間，評定結論表明該水泥材料有利于采購，表明采購過程中的風險對項目的實施不會產生影響，可見運用TOPSIS和RBFNN相結合的方法具有一定的科學評價性。

5 結論

本文根據相關文獻資料，結合EPCM項目模式及采購方式特點，對采購過程中各種風險因素，進行了風險的重要度優選。在此基礎上，構建了EPCM項目采購風險評價指標體系。鑒于RBFNN神經網絡有效的非線性評價能力，以及良好的擬合結果，在提出了比較全面的評價指標體系的情況下，結合工程算例，運用TOPSIS和RBFNN相結合的方法進行了實證分析，系統地驗證了該方法的可行性、有效性和準確性，對于其他采購風險的評價有著重要的借鑒意義。

參考文獻：

[1]Han Chuan feng， Xia chao yang. Information management of mega-construction projects [J]. Journal of Tong ji University （Social Science Section），2006，17（2）：112-116.

[2]R Vrijhoef， L Koskela. “The four roles of supply chain management in construction”[J]. Journal of Purchasing & Supply Management，2000（6）：169-178.

[3]余雁，梁樑.多指標決策TOPSIS方法的進一步探討[J].系統工程，2003，021（002）：98-101.

[4]Martin T. Hagan Howard B. Demuth.神經網絡設計[M].北京：機械工業出版社，2001.endprint