基于動(dòng)態(tài)協(xié)同神經(jīng)網(wǎng)絡(luò)的供應(yīng)商風(fēng)險(xiǎn)評(píng)價(jià)預(yù)測(cè)模型

朱 正

（南京大學(xué) 經(jīng)濟(jì)學(xué)院，南京 210093）

0 引言

隨著信息技術(shù)的進(jìn)步和市場(chǎng)競(jìng)爭(zhēng)的日趨激烈，在大量銷售、不斷更新的貨品流通條件下，市場(chǎng)對(duì)供應(yīng)商提出了更高的要求——不但要求能提供價(jià)格低廉，質(zhì)量?jī)?yōu)異的產(chǎn)品，還要求交貨及時(shí)、準(zhǔn)時(shí)，服務(wù)體系完善，一切過(guò)程有保障。一旦供應(yīng)商出現(xiàn)風(fēng)險(xiǎn)事件，或是違約，或是出現(xiàn)潛在質(zhì)量問(wèn)題等，后果都將不堪設(shè)想。因此，為了避免所有潛在風(fēng)險(xiǎn)，經(jīng)營(yíng)者需要確保所做出的每一個(gè)選擇都是正確的，在選定某供應(yīng)商之后，還需要不斷對(duì)供應(yīng)商的指標(biāo)進(jìn)行跟蹤評(píng)價(jià)和預(yù)測(cè)，去觀察所有的指標(biāo)是否都在預(yù)期之內(nèi)[1]。由此，對(duì)經(jīng)營(yíng)風(fēng)險(xiǎn)進(jìn)行評(píng)估和管理，在問(wèn)題將發(fā)生前對(duì)風(fēng)險(xiǎn)事件進(jìn)行處理，提高供應(yīng)鏈的反映速度和整體彈性，避免風(fēng)險(xiǎn)可能帶來(lái)的負(fù)面影響，從而增強(qiáng)供應(yīng)鏈的競(jìng)爭(zhēng)力[2,3]。在產(chǎn)品日新月異，更新?lián)Q代迅速，市場(chǎng)競(jìng)爭(zhēng)激烈到趨于白熱化的今天，要想實(shí)現(xiàn)低成本、高質(zhì)量、柔性生產(chǎn)、快速反映的供應(yīng)體系，就要擺脫傳統(tǒng)的供應(yīng)概念，建立在科學(xué)管理下新型的能不斷適應(yīng)不斷學(xué)習(xí)的供應(yīng)鏈體系，這其中就包括了本文所研究的面向供應(yīng)商的風(fēng)險(xiǎn)預(yù)測(cè)體系。

目前，對(duì)供應(yīng)商風(fēng)險(xiǎn)的研究主要是集中于對(duì)供應(yīng)鏈和供應(yīng)商的風(fēng)險(xiǎn)指標(biāo)篩選和優(yōu)化上，因而較少側(cè)重于風(fēng)險(xiǎn)指標(biāo)體系等理論方面的研究；且越來(lái)越多學(xué)者利用諸如模糊綜合評(píng)價(jià)[4]、灰色評(píng)價(jià)[5]、SCOR模型[6]、風(fēng)險(xiǎn)機(jī)制協(xié)調(diào)平衡等方法[7]對(duì)風(fēng)險(xiǎn)評(píng)價(jià)和結(jié)論分析進(jìn)行了較為系統(tǒng)地綜合和歸納。目前主要采用BP神經(jīng)網(wǎng)絡(luò)[8]來(lái)構(gòu)建風(fēng)險(xiǎn)評(píng)價(jià)預(yù)測(cè)模型，而B(niǎo)P模型存在收斂速度慢，繁華能力差等不足。本文提出基于動(dòng)態(tài)協(xié)同神經(jīng)網(wǎng)絡(luò)的供應(yīng)商風(fēng)險(xiǎn)評(píng)價(jià)預(yù)測(cè)模型，對(duì)供應(yīng)商帶來(lái)風(fēng)險(xiǎn)指標(biāo)的相關(guān)數(shù)據(jù)進(jìn)行預(yù)處理，獲得每個(gè)月風(fēng)險(xiǎn)的綜合評(píng)分，然后構(gòu)建動(dòng)態(tài)協(xié)同神經(jīng)網(wǎng)絡(luò)訓(xùn)練現(xiàn)有數(shù)據(jù)，得到預(yù)測(cè)模型，對(duì)輸入的四個(gè)月份的樣本進(jìn)行預(yù)測(cè)，得到未來(lái)連續(xù)三個(gè)月的預(yù)測(cè)結(jié)果。與BP算法相比較，文中的DSNN預(yù)測(cè)模型顯著改善了預(yù)測(cè)準(zhǔn)確率。

1 協(xié)同神經(jīng)網(wǎng)絡(luò)基本原理

上世紀(jì)80年代末期，Haken[9]提出了協(xié)同學(xué)原理運(yùn)用于模式識(shí)別的新概念，將模式識(shí)別的過(guò)程對(duì)應(yīng)于一個(gè)動(dòng)力學(xué)的過(guò)程[10]。設(shè)想一個(gè)虛擬粒子在有勢(shì)地形圖上移動(dòng)。當(dāng)粒子進(jìn)入某個(gè)吸引谷底時(shí)，與之相應(yīng)的模式就被識(shí)別出來(lái)。模式識(shí)別可被認(rèn)為是一個(gè)協(xié)同系統(tǒng)，假設(shè)q為協(xié)同演化系統(tǒng)的參量，設(shè)系統(tǒng)具有M個(gè)分量：

對(duì)待識(shí)別模式q可以構(gòu)造一個(gè)動(dòng)力學(xué)過(guò)程：

使q經(jīng)過(guò)中間狀態(tài)q(t)進(jìn)入到一個(gè)原型模式vk，即該模式與q(0)最為接近，這個(gè)過(guò)程可描述為：

如果將向量q在原型向量上分解，有

其中ξk為序參量，w為剩余向量。序參量的引入可以使網(wǎng)絡(luò)行為得到簡(jiǎn)化：

序參量的時(shí)間演化方程為：

輸入層對(duì)應(yīng)狀態(tài)向量各分量的初始值，共N個(gè)神經(jīng)元，序參量層有M個(gè)神經(jīng)元，每個(gè)神經(jīng)元的初始狀態(tài)由式（5）從輸入層獲得，連接權(quán)值由決定。D使各單元相互作用和競(jìng)爭(zhēng)，當(dāng)t→∞時(shí)，輸出該層表現(xiàn)為最終識(shí)別出的模式。

2 基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型

2.1 動(dòng)態(tài)協(xié)同神經(jīng)網(wǎng)絡(luò)

根據(jù)協(xié)同神經(jīng)網(wǎng)絡(luò)的基本原理，本節(jié)提出一種基于動(dòng)態(tài)協(xié)同神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)機(jī)制。該方法首先是對(duì)初始序參量進(jìn)行演化，演化過(guò)程過(guò)程使用自適應(yīng)的動(dòng)態(tài)參數(shù)調(diào)整法，即本文所提出的改進(jìn)方法。在預(yù)測(cè)過(guò)程中，原型向量的求解是關(guān)鍵問(wèn)題，對(duì)最后的預(yù)測(cè)結(jié)果影響很大，這里我們用SCAP方法[10]求解原型向量vk(k=1，2，…，M)，即求出每個(gè)待測(cè)類別的特征向量的平均值，而伴隨向量則用偽逆法求出。

在式(8)中λk稱為注意參數(shù)，它控制了模式演化的最終結(jié)果和速度。由初始的關(guān)于序參量ξk的動(dòng)力學(xué)方程：

忽略高階項(xiàng)和漲落力可得

由上式可以看出注意參數(shù)λk控制模式變化的速度，如果對(duì)某模式加以“注意”，則可對(duì)它賦以較大的λk，這樣即使它所對(duì)應(yīng)的序參量沒(méi)有最大初始模值，依然有可能獲得競(jìng)爭(zhēng)的勝利，這也符合生物感知的特點(diǎn)。它的取值分為平衡注意參數(shù)和不平衡注意參數(shù)。

由于在平衡注意參數(shù)情形下，協(xié)同神經(jīng)網(wǎng)絡(luò)的最后輸出模式可以通過(guò)直接比較個(gè)原型模式序參量初始摸值大小得到，最大序參量初始模值所對(duì)應(yīng)的原型模式最終將獲勝，這樣無(wú)需經(jīng)過(guò)序參量的演化過(guò)程。該情況下，協(xié)同神經(jīng)網(wǎng)絡(luò)無(wú)法通過(guò)網(wǎng)絡(luò)的學(xué)習(xí)來(lái)正確判斷，即網(wǎng)絡(luò)失去了自學(xué)習(xí)能力。而非平衡注意參數(shù)更有利于選擇性的模式識(shí)別，特別是在序參量之間相差不大時(shí)，注意參數(shù)在決定序參量的動(dòng)力學(xué)演化中占了很大的比重。本文根據(jù)風(fēng)險(xiǎn)預(yù)測(cè)的實(shí)際應(yīng)用提出一種注意參數(shù)動(dòng)態(tài)調(diào)整的方法，通過(guò)原型模式向量與待測(cè)模式向量間的相似度選取合適的不平衡注意參數(shù)：

我們選取待識(shí)別模式于原型模式之間的相關(guān)系數(shù)來(lái)作為不平衡參數(shù)的取值，它反映了原型模式向量與試驗(yàn)?zāi)Ｊ较蛄恐g的相似處，原型模式越接近實(shí)驗(yàn)?zāi)Ｊ?，則相應(yīng)的注意參數(shù)越大，這是一種根據(jù)輸入模式的特征自適應(yīng)的確定注意參數(shù)的方法。對(duì)于迭代速度以及常數(shù)B和C的選取，同樣采取自適應(yīng)動(dòng)態(tài)的方式來(lái)調(diào)整，在實(shí)驗(yàn)中我們選取γ=0.5/D，B=C=1，則序參量演化式變?yōu)椋?/p>

2.2 預(yù)測(cè)模型

動(dòng)態(tài)協(xié)同神經(jīng)網(wǎng)絡(luò)中的序參量演化是預(yù)測(cè)模型的核心部分，它能依靠原型模式和待測(cè)模式之間的相似度，自適應(yīng)地確定注意參數(shù)?？偟膩?lái)說(shuō)，為了預(yù)測(cè)時(shí)間序列的后續(xù)變化值，動(dòng)態(tài)協(xié)同神經(jīng)網(wǎng)絡(luò)算法需經(jīng)過(guò)訓(xùn)練和預(yù)測(cè)兩個(gè)階段，步驟如下：

(1)訓(xùn)練階段

①讀入訓(xùn)練樣本的全局特征向量，計(jì)算出滿足歸一化和零均值的原型模式向量vk；

②求出原型模式向量vk的伴隨向量，并存儲(chǔ)伴隨向量矩陣。

(2)預(yù)測(cè)階段

①網(wǎng)絡(luò)輸入層讀入待識(shí)別模式的特征向量q(0)，使其滿足歸一化和零均值；

②輸入層模式特征向量q(0)與網(wǎng)絡(luò)權(quán)值相乘，即，求出網(wǎng)絡(luò)中間層序參量ξk的初始值；

③根據(jù)公式（9）描述動(dòng)力學(xué)方程執(zhí)行序參量ξk的演化：

γ為迭代步長(zhǎng)，它決定了協(xié)同神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性。

④判斷序參量ξk(n)演化的穩(wěn)定性，若演化過(guò)程已穩(wěn)定，則根據(jù)最終序參量模值為1的類別計(jì)算測(cè)試樣本的隸屬度，否則轉(zhuǎn)c)繼續(xù)調(diào)整。

圖1 基于動(dòng)態(tài)協(xié)同神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型

3 實(shí)證分析

3.1 數(shù)據(jù)處理與訓(xùn)練樣本生成

文章對(duì)某連鎖超市的供應(yīng)商在2013年度每個(gè)月的風(fēng)險(xiǎn)指標(biāo)以問(wèn)卷調(diào)查的形式，收集評(píng)分?jǐn)?shù)據(jù)。采取滿分5分制，在每個(gè)月，均發(fā)放100份問(wèn)卷，平均收回率達(dá)到97%。首先對(duì)每個(gè)月的評(píng)分進(jìn)行匯總，然后對(duì)時(shí)間序列的值做歸一化處理。令

式中，xi為歸一化后序列的第i個(gè)量；a=0.9，b=(1-a)/2。因神經(jīng)元的轉(zhuǎn)移函數(shù)取做Tan-Sigmoid函數(shù)，這樣做可避免神經(jīng)元的輸出進(jìn)入飽和狀態(tài)。表1為供應(yīng)商評(píng)價(jià)值歸一化后建立的訓(xùn)練樣本：和歸一化得到訓(xùn)練樣本集，表1為前5個(gè)月的訓(xùn)練樣本。

表1 供應(yīng)商評(píng)價(jià)值歸一化后建立的訓(xùn)練樣本

3.2 供應(yīng)商評(píng)價(jià)值預(yù)測(cè)

對(duì)8對(duì)樣本進(jìn)行訓(xùn)練。隱層節(jié)點(diǎn)數(shù)從4開(kāi)始，逐步增加到9時(shí)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果較好。允許最大誤差設(shè)為0.001，訓(xùn)練7527次后達(dá)到訓(xùn)練要求。網(wǎng)絡(luò)誤差收斂如圖2所示。

圖2 網(wǎng)絡(luò)誤差收斂圖

從網(wǎng)絡(luò)的訓(xùn)練結(jié)果可以看出，訓(xùn)練結(jié)果達(dá)到了預(yù)期值。經(jīng)過(guò)多次訓(xùn)練驗(yàn)證發(fā)現(xiàn)，訓(xùn)練過(guò)程收斂的比較快，而且都能達(dá)到預(yù)期效果。這說(shuō)明了，建立的BP網(wǎng)絡(luò)模型穩(wěn)定性很好。然后將如下包含2～5月份風(fēng)險(xiǎn)評(píng)價(jià)值的測(cè)試樣本test輸入到DSNN網(wǎng)絡(luò)。

得到輸出結(jié)果為(0.4266，0.7365，0.7204)，根據(jù)公式（16）：

利用反歸一化程序，可以得到第11個(gè)月、12個(gè)月和13個(gè)月供應(yīng)商的評(píng)價(jià)值。預(yù)測(cè)結(jié)果和實(shí)際結(jié)果如表2所示。

表2 DSNN與BP算法對(duì)于預(yù)測(cè)結(jié)果和實(shí)際結(jié)果的對(duì)比

由表2可知：與BP算法相比，利用DSNN算法建立的模型預(yù)測(cè)供應(yīng)商風(fēng)險(xiǎn)評(píng)價(jià)值誤差更小，3個(gè)月的平均誤差僅為0.3269，遠(yuǎn)遠(yuǎn)低于BP算法產(chǎn)生的0.8574的誤差，表明該方法的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果大體上是一致的，能夠預(yù)測(cè)出供應(yīng)商風(fēng)險(xiǎn)評(píng)價(jià)值。根據(jù)預(yù)測(cè)值，連鎖超市可以看出未來(lái)供應(yīng)商的波動(dòng)情況，使連鎖超市采取相應(yīng)的措施，以降低連鎖超市的風(fēng)險(xiǎn)。

4 結(jié)束語(yǔ)

本文在協(xié)同神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出一種DSNN預(yù)測(cè)算法，以相鄰4個(gè)月的評(píng)價(jià)時(shí)間序列作為網(wǎng)絡(luò)輸入，建立基于DSNN的供應(yīng)商風(fēng)險(xiǎn)評(píng)價(jià)預(yù)測(cè)模型，對(duì)未來(lái)的連續(xù)時(shí)間評(píng)價(jià)得分序列進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，基于DSNN算法的預(yù)測(cè)模型在準(zhǔn)確率方面顯著優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法。并且，這一思想方法可運(yùn)用于其他時(shí)間序列變化的趨勢(shì)預(yù)測(cè)問(wèn)題中。

[1]陳偉杰，肖智.基于模糊軟集合的供應(yīng)商風(fēng)險(xiǎn)評(píng)估模型[J].軟科學(xué)(自然科學(xué)版)，2013，27（12）.

[2]王卓,洪玫,曾明等.灰色評(píng)價(jià)法在遺留系統(tǒng)評(píng)價(jià)中的應(yīng)用[J].情報(bào)雜志，2009，(2).

[3]馬林.基于SCOR模型的供應(yīng)鏈風(fēng)險(xiǎn)識(shí)別、評(píng)估與一體化管理研究[D].浙江：浙江大學(xué)，2005.

[4]索寒生,儲(chǔ)洪勝,金以慧.帶有風(fēng)險(xiǎn)規(guī)避型銷售商的供需鏈協(xié)調(diào)[J].控制與決策，2004,(9).

[5]俞兆城，趙永剛，朱建坤.基于BP神經(jīng)網(wǎng)絡(luò)物流供應(yīng)商能力評(píng)估研究[J].中國(guó)管理信息化，2008,11(9).

[6]朱傳波，季建華.考慮供應(yīng)商風(fēng)險(xiǎn)的訂貨與可靠性改善策略研究[J].管理評(píng)論，2013，25（6）.

[7]Liu M,Fu Y.On Synergetic Theory and Application in Sports Curriculum Reform[C]//Proc.of The 2009 First International Workshop on Education Technology and Computer Science,2009.

[8]王文利，駱建文.交易信用保險(xiǎn)對(duì)供應(yīng)商提供融資的激勵(lì)作用[J].管理工程學(xué)報(bào)，2014，28（1）.

[9]胡樹(shù)森.供應(yīng)商的風(fēng)險(xiǎn)來(lái)源及其應(yīng)對(duì)策略[J].鄭州輕工業(yè)學(xué)院學(xué)報(bào)，2012，13（3）.