基于BP 神經網絡的汽車零部件企業供應商評估模型

羅宇豪 吳麗娟 梁京章 廣西大學

當前隨著汽車的不斷革新換代，汽車行業之間的競爭已經演化成了各家公司彼此供應鏈之間的競爭。由于汽車零部件行業的蓬勃發展，市面上一種零件可能會存在多個生產廠家。因此，如何進行合理地對市場上眾多的零部件次級供應商進行選擇和評估，這成了每個汽車零部件企業遇到的第一個難題。

當前的學者關于對汽車零部件企業的供應商選擇與評價研究總的來說還是不太全面，在研究手法上：主要是采用主觀評價法對相關問題籠統地進行研究，對每個指標的具體要求不夠詳細，主觀性太強。本研究以川南最大的汽車零部件制造企業之一A 集團作為典型代表，擬結合當前政策背景、主觀評價的方法、客觀量化的手法以及機器學習的語言探討適合A 公司的技術型供應商評價體系，以期為A 公司和汽車零部件行業提供一定的研究參考。

一、神經網絡建模分析

（一）輸入數據和輸出數據的確定

將A 公司當前零部件——自動變速箱濾清器供應商作為樣本，對其進行模型的建立、仿真和預測。將與A 公司工作人員以及相關專家歸納的30 個評價指標分別用B1，B2....B30 進行表示，并將該30 個指標當作BP 神經網絡的輸入變量。將供應商的綜合評價值當作輸出變量。當前A 公司數據庫中所存在的能提供自動變速箱濾清器的供應商共20 個，在本文中隨機選取16 個供應商作為訓練樣本來構建神經網絡，剩下的4 個供應商作為測試集樣本進行仿真。經計算后所得到的樣本輸出值如下表1 所示。

（二）神經網絡結構設計和訓練

根據上述指標體系，因此本文所構建的模型是30×13×1 的三層BP 神經網絡模型，輸入層節點數為30，隱含層節點數為未定，學習率暫選默認0.1，輸出層節點數為1，學習率取未定，允許誤差選擇系統默認值，隱含層激活函數選擇S 型tansig 函數，輸出層激活函數采用線性函數purelin函數，訓練函數采用traigdm，學習函數采用learndm，性能函數選擇mse 函數。經過實驗學習率設置為系統默認值0.1，隱含層神經元數為13 時均方誤差最小值。

（三）訓練結果分析

圖1 是對整個神經網絡進行回歸分析的過程，從圖可知，基本上所有的回歸分析系數都接近于1，這說明了整個神經網絡模型具有良好的非線性映射能力和學習能力。

在訓練結束之后，根據上述的訓練結果，對隨機選出的測試集的樣本（N11，N15，N6，N10）歸一化之后的測試數據進行仿真，獲得輸出，并將該輸出與樣本期望值進行比較。對比之后發現最大誤差的絕對值為0.003465，在四個備選供應商之中得分最高的是N10，與測試樣本的最佳樣本一致，并且模擬之后的供應商重要程度排序趨勢基本上與期望值排序一致，因此認為該模型具有較好的泛化拓展能力，能對A 公司的次級技術型零部件供應商進行評估和篩選。

二、研究總結

圖1 神經網絡的樣本數據回歸分析

表1 神經網絡樣本輸出值表

本文通過文獻研究、專家訪談和調查結合當前汽車制造業變化的特點以及中美貿易戰的背景，綜合得出了符合當前形勢的供應商評價指標。通過在總結近年學者的相關研究論文，并且結合A 公司相關部門員工意見以及供應鏈學者意見，將A 公司日常業務進行分類和歸納，利用BP 網絡進行系統建模。新建的模型能對由于動態的市場而發生變化的供應商數據做出極快的響應，動態地跟蹤每一家供應商能力變化情況，能夠持續地評估A 公司的供應商，能極大地提高評價工作地準確性以及減輕A 公司相關工作人員的工作，但由于個人能力有限，樣本數據還不夠多，供應商選擇工作還需進一步完善。