基于大數(shù)據(jù)的船舶建造供應商RBF神經(jīng)網(wǎng)絡評價模型研究

錢 芳

(青島遠洋船員職業(yè)學院，山東 青島 266071)

0 引 言

在航運和船舶建造市場大環(huán)境低迷的背景下，航運公司前幾年進行了大規(guī)模的運力調整，2013—2017年，在國家拆船補貼政策的刺激下，航運企業(yè)積極進行老舊船舶拆船活動。與此同時，根據(jù)國家 “十三五 ”發(fā)展規(guī)劃，航運企業(yè)進行船隊結構調整，紛紛加大對特定船舶建造的投資力度，2018年前10個月全國承接新船訂單2846萬載重噸，同比增長41.4%。對于航運企業(yè)來說，對船舶建造供應商相關數(shù)據(jù)信息進行分析處理，合理有效地評價選擇船舶建造供應商，是航運企業(yè)一直關注的論題。

關于供應商的選擇和評價，相關研究采用層次分析法[1]、模糊評價[2]等方法來建立供應商評價模型，這些方法的共同特點是將決策思維過程數(shù)學化，利用定量定性結合方法建構評價體系。但是這些方法也有其局限性：1）其中很多數(shù)據(jù)來自專家的主觀評價，數(shù)據(jù)需要被反復驗證；2）各層次之間很難確認層次之間的數(shù)據(jù)關系，不同關系產(chǎn)生的結果可能大不相同[3]。

同時，隨著互聯(lián)網(wǎng)大數(shù)據(jù)、工業(yè)4.0、智能技術等技術的深化發(fā)展，航運企業(yè)面臨著新的歷史變革。航運企業(yè)作為船舶管理企業(yè)，源源不斷地產(chǎn)生大量作業(yè)數(shù)據(jù)，如船舶航線信息、氣象信息、實時船舶運行狀況及航行過程中的外部環(huán)境等數(shù)據(jù)。同時，還有很多管理數(shù)據(jù)，如企業(yè)發(fā)展戰(zhàn)略、各類型船舶運行情況、盈利情況等；船舶維修保養(yǎng)記錄，船舶日常供應記錄等。除了內(nèi)部數(shù)據(jù)，由于ERP、互聯(lián)網(wǎng)電商等系統(tǒng)的廣泛應用，多家大數(shù)據(jù)企業(yè)的不斷涌現(xiàn)，航運企業(yè)還流通著企業(yè)財稅記錄、企業(yè)信用記錄、政策執(zhí)行情況等外部數(shù)據(jù)。在大數(shù)據(jù)背景下，航運企業(yè)對船舶建造供應商的評價方法面臨新的挑戰(zhàn)，之前的評價方法還不能有效地解決由大數(shù)據(jù)背景產(chǎn)生的海量數(shù)據(jù)問題，但航運企業(yè)對船舶建造供應商的評價方法也面臨新的機遇，即利用大數(shù)據(jù)更合理、更準確地構建船舶建造供應商的評價模型。

因而，根據(jù)船舶建造供應商評價的特點，本文利用徑向基RBF神經(jīng)網(wǎng)絡理論來構建船舶建造供應商評價模型，這種方法克服傳統(tǒng)方法的局限性，利用徑向基神經(jīng)網(wǎng)絡所具備的快速收斂、可以逼近任意非線性函數(shù)的特點，解決了在大數(shù)據(jù)背景下，船舶建造供應商的評價問題。

1 船舶建造供應商評價大數(shù)據(jù)指標

除了內(nèi)部數(shù)據(jù)可以成為航運企業(yè)評價船舶建造供應商評價的依據(jù)，外部數(shù)據(jù)應該更大的發(fā)揮作用。在大數(shù)據(jù)背景下，航運企業(yè)應該加強自身大數(shù)據(jù)應用研究，同時也應該更多地與大數(shù)據(jù)企業(yè)進行戰(zhàn)略合作，充分利用大數(shù)據(jù)資源和數(shù)據(jù)挖掘技術。

船舶建造供應商評價指標的選取非常重要。在大數(shù)據(jù)背景下，本文選擇船舶公司的法律訴訟、手持訂單、專利數(shù)量、服務水平、價格5個指標。這些指標都可以從大數(shù)據(jù)中進行數(shù)據(jù)篩選、數(shù)據(jù)挖掘得到，具有客觀性的特點。

船舶建造的周期很長，無論是航運企業(yè)還是船舶建造企業(yè)面臨的風險都很大，在短短幾年間，多家船舶制造企業(yè)申請破產(chǎn)重組，航運企業(yè)選擇船舶建造供應商首先要對船舶建造供應商的信用要求，這些數(shù)據(jù)可以取自網(wǎng)絡大數(shù)據(jù)各船舶建造公司的手持訂單，相關法律訴訟數(shù)量等指標。

根據(jù)航運企業(yè)轉型發(fā)展的需要，新建船舶主要是新型船舶及客戶定制船舶為主，這就對船舶建造供應商提出了更高的要求，這就要求船舶企業(yè)擁有足夠的開發(fā)技術人員團隊、更多先進的專利技術，選取目前各船舶建造供應商的專利技術數(shù)量作為衡量技術能力的重要指標。

根據(jù)船舶維修保養(yǎng)記錄及各船舶公司相關業(yè)務人員對船舶建造公司的服務評價可以得到服務質量指標。價格指標是選擇了某一船型各船舶公司的報價。其中，手持訂單來自2018年上半年克拉克松數(shù)據(jù)，相關法律訴訟案件數(shù)量、專利技術數(shù)量來自網(wǎng)絡大數(shù)據(jù)。

2 船舶建造供應商RBF神經(jīng)網(wǎng)絡評價模型

徑向基（Radial Basis Function，RBF）函數(shù)神經(jīng)網(wǎng)絡[4]，是一種結構簡單、可以快速收斂，更適合實時性要求高的情況，更能夠適應大數(shù)據(jù)背景要求；模擬人的大腦神經(jīng)網(wǎng)絡結構，能夠逼近任意非線性函數(shù)的網(wǎng)絡。

本文采用廣義徑向基網(wǎng)絡，其結構如圖1所示。

第1層是輸入層，由輸入結點組成，輸入節(jié)點的個數(shù)等于輸入向量X；第2層是隱含層，其隱含節(jié)點個數(shù)為n，n＜N，第i個隱含節(jié)點基函數(shù)為（‖XXi‖），Xi=[Xi1，Xi2，…Xim]為基函數(shù)的中心。輸出層有L個神經(jīng)元，在這里增加了，輸出單元各與其相連的可能會為。

圖 1 徑向基神經(jīng)網(wǎng)絡結構示意圖Fig. 1 Structure of radial basis function neural network

設實際輸出為Yk=[Yk1，Yk2，…YkL]，L為輸出單元個數(shù)，那么輸入訓練樣本XK時，第個輸出神經(jīng)元得出的結果為

本文的徑向基RBF神經(jīng)網(wǎng)絡采取的是廣義徑向基函數(shù)網(wǎng)絡。

3 實例仿真

本文采用Matlab程序進行編寫，首先進行初始化，通過newrb建立徑向基函數(shù)神經(jīng)網(wǎng)絡函數(shù)，確定輸入層、隱含層、輸出層個數(shù)。其中，隱含層的個數(shù)不確定，只能是設定一個范圍，不斷地向神經(jīng)網(wǎng)絡中添加新的隱含層節(jié)點，并調整節(jié)點中心，直到所得到的網(wǎng)絡達到誤差的預期要求。

選取16個國內(nèi)船舶建造供應商，在大數(shù)據(jù)背景下收集相關指標數(shù)據(jù)，其中輸入初始訓練樣本為11個（見表1），即輸入為6×11指標矩陣，其中5×11為訓練樣本X值，1×11為訓練樣本Y值。

為了充分利用樣本，設隱含層節(jié)點最大個數(shù)N=500，徑向基神經(jīng)網(wǎng)絡對11份訓練樣本進行二維插值，將樣本數(shù)擴大。如n=100時，二維插值后，輸入訓練矩陣6×11變?yōu)?×100矩陣；n在不變增加，直到網(wǎng)絡誤差小于 e–8。

表 1 初始訓練樣本Tab. 1 Initial training samples

當spread=22時，徑向基收斂最快，收斂目標為網(wǎng)絡的誤差小于e–8，其網(wǎng)絡訓練曲線如圖2所示。

圖 2 RBF神經(jīng)網(wǎng)絡訓練曲線圖Fig. 2 RBF neural network training curve

利用VIEW指令，查看RBF神經(jīng)網(wǎng)絡結構圖（見圖3）可以看到，此隱含層包含399個神經(jīng)元節(jié)點，即當神經(jīng)元達到399個時，此RBF神經(jīng)網(wǎng)絡的誤差小于e–8。

圖 3 RBF神經(jīng)網(wǎng)絡結構圖Fig. 3 RBF neural network structure diagram

輸入5個測試樣本如表2所示，并運行Matlab軟件，得到具體測試評分值yy=（6.298，5.860 3，6.334 0，6.298 2，5.728 4）。

表 2 測試樣本Tab. 2 Test samples

為了更直觀顯現(xiàn)測試結果，可以得到目標評分值與測試評分值的殘差（見圖4）。

進一步分析目標評分與預測評分值對比（見圖5），5個測試點的平均相對誤差為2.099 2%，在3%以下；最大相對誤差為4.626 4%，也控制在5%以內(nèi)，從而可以認為徑向基RBF神經(jīng)網(wǎng)絡在大數(shù)據(jù)背景下準確地對船舶建造供應商進行評價。

4 結 語

圖 4 船舶建造供應商目標評分與預測評分值殘差圖Fig. 4 Residual diagram of ship construction supplier target score and prediction score value

圖 5 船舶建造供應商目標評分與預測評分值對比圖Fig. 5 Contrast chart of target score and forecast score of shipbuilding suppliers

本文采用徑向基RBF神經(jīng)網(wǎng)絡方法，在大數(shù)據(jù)背景下選取了5個船舶建造供應商評價指標，建立了船舶建造供應商評價指標模型，通過對模型地實例仿真，驗證了模型的可用性。這個方法一方面解決了傳統(tǒng)方法人為因素過多，影響評價準確性的問題，直接采用網(wǎng)絡大數(shù)據(jù)作為評價模型輸入；另一方面，這個方法可以在大數(shù)據(jù)環(huán)境下實現(xiàn)快速收斂，具有實時性的特點。

由于數(shù)據(jù)收集的難度，本文只選取了5個指標，在真實的大數(shù)據(jù)環(huán)境下，可以將相關指標進一步增加；本文選擇的16個樣本數(shù)據(jù)都為國內(nèi)船舶建造供應商數(shù)據(jù)，2018年7月，隨著中國船舶工業(yè)已全面對外開放，要加強對國外船舶建造供應商數(shù)據(jù)的收集和分析。