基于BP神經網絡的裝配式建筑供應鏈風險評價

張春生 喬夢菲

(河南理工大學土木工程學院，河南 焦作 454000)

0 引言

近年來，我國經濟的穩定增長推進了建筑工業化的發展，為了實現建筑行業的快速轉型，大力發展裝配式建筑成為必然的手段和措施[1]。自2016年起，從中央到地方先后出臺了促進裝配式建筑發展的各項政策，“十四五”規劃也著重強調了要發展裝配式建筑、建設低碳城市。現階段，裝配式建筑發展仍存在成本高、產業鏈整合程度低、各參與方缺乏信息交流等制約因素[2]。將供應鏈管理思想融入裝配式建筑，不僅能有效解決上述問題，還能大幅提高工作效率，促進交流合作，使利益達到最大化[3]。

裝配式建筑供應鏈是以總承包商為核心，由設計單位、材料設備供應商、構件生產商、分包商和業主等共同構成的一個整體網絡結構[4]，各單位之間通過物流、資金流和信息流相互連接[5]。當前，國內外學者對于裝配式建筑的風險研究大多集中于質量[6]、安全[7]、進度[8]與成本[9]等方面，而對于其整體供應鏈風險的研究仍處于發展階段。Koc等[10]將風險因素與利益相關方聯系起來，確定了項目全生命周期各階段影響供應鏈風險的關鍵利益相關方。Zhang等[11]對影響供應鏈彈性的因素進行了歸納總結，并構建了結構方程模型，證實了構件的生產和施工是供應鏈彈性的關鍵影響因素。Hsu等[12]探討了進度偏差對裝配式建筑供應鏈的影響，建立了能夠選擇最優生產和運輸方案的數學模型。Yang等[13]使用模糊集定性比較分析法從整體的角度進行裝配式建筑綠色供應鏈風險分析，充分考慮內外聯系，有助于供應鏈所有參與方規避風險。黃桂林等[4]采用社會網絡分析法對裝配式建筑綠色供應鏈中利益相關方之間的風險進行分析，量化了風險與利益相關方之間的聯系。孫亞琪等[14]結合復雜網絡理論構建風險網絡模型，分析了風險傳遞效應，并提出風險免疫策略。

本文基于總承包商視角，建立裝配式建筑供應鏈風險評價指標體系，利用熵權法和模糊綜合評價法對風險因素進行量化處理，并通過BP神經網絡算法建立風險評價模型，降低了人為因素的影響，提高了風險評價的客觀性與準確性，有助于總承包商更好地評估風險，進而采取有效的處理措施。

1 風險評價指標體系構建

檢索中國知網(CNKI)中與裝配式建筑供應鏈相關的期刊文獻，結合對裝配式建筑領域專家問卷調查和訪談的結果，遵循科學性、合理性的基本原則，篩選出相關風險因素。綜合考慮裝配式建筑項目全生命周期各階段的風險，將裝配式建筑供應鏈風險分為設計、采購、生產、運輸以及裝配階段的風險和外部環境風險。

(1)設計階段風險。方案的設計決定供應鏈整體的運作情況，而合理的構件拆分設計又是生產階段生產出合格的構件以及裝配階段按時完成裝配的重要保障，因而設計階段的風險關系到整個項目的成敗。

(2)采購階段風險。若原材料質量不合格或供應不足而導致供應商無法及時供貨，供應鏈下游企業的運作將會受到嚴重影響，采購產品的價格又關聯供應鏈的成本控制。因此，降低采購階段風險，不僅能夠加強對供應鏈運作的管理，而且能夠降低供應鏈的成本風險。

(3)生產階段風險。裝配式建筑項目區別于傳統建筑項目的關鍵在于其構件的生產加工在工廠中進行，生產階段的風險直接影響整個施工項目的質量與安全。構件制造商在裝配式建筑供應鏈中居于核心地位，故降低生產階段的風險能夠從根本上提升供應鏈的韌性，提高供應鏈在受到影響時的恢復能力[15]。

(4)運輸階段風險。運輸途中的交通狀況存在不確定性，運輸的準時性難以得到保證，若出現交通事故，將造成人員和財產的額外損失。運輸過程中缺乏足夠的保護措施，還會導致構件受損而無法使用。因此，控制運輸階段風險，有利于規避供應鏈的進度風險，提高供應鏈的穩定性。

(5)裝配階段風險。裝配式建筑往往采用機械設備吊裝各預制構件，構件存放不合理將會加大吊裝的難度、降低工作效率，增加供應鏈的進度風險，施工工藝和施工人員技術水平不足則會引發質量問題甚至造成安全事故，嚴重威脅供應鏈的運作。

(6)外部環境風險。外部環境風險大體上可分為市場環境風險和自然環境風險。供需關系在一定程度上決定市場風險的大小。目前，裝配式建筑理念還未完全被社會各界人士所認可，嚴重阻礙了市場對于裝配式建筑項目的接受程度。因此，市場風險對于供應鏈的影響不容忽視[16]。自然環境風險主要包含氣候、地質等影響因素。施工過程中若出現自然災害或極端天氣會導致工期延誤、成本增加，從而加大供應鏈的成本、進度風險。

歸納總結篩選出的裝配式建筑供應鏈的風險因素，構建風險評價指標體系，見表1，共包括6個一級指標和20個二級指標。

2 建立風險評價模型

2.1 BP神經網絡概念

BP神經網絡是一種多層前向神經網絡，其特點是信號前向傳播，誤差反向傳播[17]。BP神經網絡具有自學習能力和非線性映射能力，能夠客觀、高效地處理影響因素復雜的風險評價問題[18]，因此選擇其作為裝配式建筑供應鏈的風險評價模型。

BP神經網絡模型由輸入層、隱含層和輸出層組成，分別含有一定數量的神經元，并且相鄰層之間的神經元互相連接。BP網絡的學習訓練有兩個過程：第一個過程是前向傳播，從輸入層輸入數據，數據經過隱含層后進入輸出層計算結果，如果得到的實際輸出結果與期望輸出之間的誤差大于設定值，那么誤差將進入第二個過程，即反向傳播，從輸出層重新回到輸入層，并利用誤差值修正各連接權值。在BP神經網絡中正向傳播與反向傳播不斷交替進行，直到誤差達到允許的范圍為止[19]。

將20個風險評價指標作為輸入層，每個項目的整體風險程度作為輸出層，建立三層神經網絡結構，如圖1所示。通過輸入和輸出不斷進行訓練和學習，使BP神經網絡能夠代替專家進行評價，從而得到裝配式建筑供應鏈風險評價模型。

2.2 確定樣本數據

通過閱讀相關文獻資料及案例，整理出有代表性的12個裝配式建筑項目作為樣本進行分析，但裝配式建筑供應鏈風險程度是定性指標，而BP神經網絡模型需要有具體的數據進行學習，因此指標必須經過量化處理后才能進行仿真模擬。本文選擇熵權法和模糊綜合評價法進行指標的量化，首先用熵權法計算每個項目中所有評價指標的權值；其次，選擇模糊綜合評價法對各項目的整體風險程度進行評價；最后，建立BP神經網絡模型對樣本數據進行學習和分析。

2.2.1 熵權法指標權重

以問卷調查的形式邀請裝配式建筑領域10名專家對12個樣本項目中的各個評價指標進行打分。將風險程度分為4個等級，并給予相應的分值：1分為“風險高”，2分為“風險一般”，3分為“風險較低”，4分為“風險低”。根據熵權法原理和公式計算出指標權重，以項目1為例，該項目中各指標的權重見表2。

表2 項目1各指標權重匯總

2.2.2 模糊綜合法確定整體風險得分

(2)建立評價因素的評語集，如下：V={低風險，較低風險，中等風險，高風險}。

(4)將6個二級因素集與V之間進行單因素評價，建立模糊綜合判斷矩陣Rx=(rij)m×n(x=1,2,3,4,5,6)。其中，rij表示第i個指標ui對應的第j個vj的隸屬度。

(5)采用合成算子M(?，⊕)計算評價矩陣Bx，如下

(1)

(6)綜合各二級指標的評價結果得到模糊綜合評價矩陣B，B=[B1，B2，…，B6]T，采用合成算子M(?，⊕)計算模糊綜合評價結果

(2)

根據最大隸屬度原則，對最終評價結果進行判斷，將C中的最大值對應的風險等級作為該裝配式項目供應鏈風險的等級。

根據上述過程計算出各項目的整體風險評價結果，以項目1為例，設計階段風險模糊矩陣為

設計階段指標權重為

由式(1)可得到設計階段風險評價矩陣

同理，可得到其他階段風險的評價矩陣

由式(2)可得項目1的綜合結果為

最終得出項目1的評價結果為低風險，同理可計算出剩余11個項目的整體風險評價結果，見表3和表4。

表3 樣本數據的風險評價結果(項目1～6)

表4 樣本數據的風險評價結果(項目7～12)

2.3 建立BP神經網絡模型

2.3.1 BP神經網絡算法步驟

(3)

(4)

(5)

(6)

(3)計算連接權值修正量。公式如下

(7)

(8)

式中，η為學習速率。

(4)計算閾值修正量。公式如下

(9)

(10)

通過輸入不同的訓練樣本，不斷修改每層神經元的連接權值和閾值，最終使誤差達到允許的范圍，停止學習。

2.3.2 網絡訓練與檢驗

本文中輸入層節點共20個，輸出層節點共4個，隱含層節點個數的計算公式如下

(11)

式中，h為隱含層的節點數量；a為輸入層的節點數量；b為輸出層的節點數量；u為[1，10]內任意常數，計算結果保留整數。

采用試湊法最終計算出隱含層節點個數為10個。將專家評分均值進行歸一化處理，所得到的結果作為輸入數據，見表5。對于輸出層，將建筑供應風險評價的結果分為低風險、較低風險、中等風險、高風險4個等級，其對應輸出向量見表6。

表5 樣本數據指標評分匯總

表6 風險等級對應的輸出向量

將表5中的第1～10組數據作為網絡的訓練樣本數據，將第11、12組數據作為網絡的測試樣本數據，利用Matlab軟件訓練BP神經網絡。分別選取logsig函數和purelin函數作為隱含層和輸出層的激勵函數，網絡訓練函數采用traingdx函數，網絡性能函數選用MSE函數，循環次數為2000次，學習率為0.1，目標誤差0.000 1。網絡在經過1746次訓練后，誤差達到允許范圍之內，結束訓練，得到的誤差曲線如圖2所示。

將第11組、第12組數據輸入訓練好的神經網絡，得到的輸出結果為[0.012 2，1.013 4，0.020 0，-0.017 1]，[1.006 6，0.007 5，0.004 8，0.012 7]，符合期望評價[0，1，0，0]，[1，0，0，0]，風險類型為較低風險和低風險，模型評價結果與樣本實際情況基本一致。由此可見，該風險評價模型精度較高，可為其他類似項目的風險評價提供參考。

3 結語

目前，我國建筑供應鏈體系仍處于發展階段，裝配式建筑的供應鏈風險管理面臨極大挑戰。為了更好地識別和管理風險、促進裝配式建筑供應鏈的持續發展，有必要建立一個系統化的風險評價模型。根據上述研究結論，本文針對裝配式建筑供應鏈風險管理提出以下建議：

(1)建立信息共享平臺。裝配式建筑供應鏈的穩定運作與各參與方的協同合作密不可分。建立供應鏈信息共享平臺，不僅能夠加強各參與方之間的交流合作，還能及時提取關鍵信息，避免出現因信息不對等而導致的施工效率低下等問題，從而加強對供應鏈的整體風險管理。

(2)建立風險預警機制。將BP神經網絡與人工智能等算法融入供應鏈的風險評價，同時利用大數據平臺建立供應鏈風險預警機制，及時應對裝配式建筑供應鏈風險，采取風險處理措施。

(3)加強政府的監督與管理。裝配式建筑供應鏈的穩定運行與政府的監管密不可分，政府可設立相關監管部門，完善監督制度，促進供應鏈的持續發展，為供應鏈的發展創造良好的條件。