基于BAS-BP神經網絡的醫藥供應鏈協同績效智能評價

方曉彤 張立濤 閆秀霞 董春肖

(山東理工大學管理學院 山東 淄博 255000)

0 引 言

近年來,在保障全民健康、深化醫療改革、實施醫保控費等政策法規的大力推動下,老百姓看病難、用藥貴的問題得到了一定的緩解,但同時也對醫藥(本文特指藥品和小型醫療器械)供應鏈相關主體的協同運作績效提出了更高的要求。在以云計算、物聯網、大數據、人工智能等為代表的新一代信息技術推動下,醫藥供應鏈的相關節點組織如何能更快速、更準確地從業務流程中獲取相關數據,在充分共享的基礎上自動化地進行績效評價,并根據評價結果及時調整各自的運營策略,對促進醫藥供應鏈的業務協同、服務質量和整體運作績效提升等均具有重要的現實意義。

國內外關于供應鏈績效評價的相關研究成果異常豐富,可見學者們對供應鏈績效的重視程度非常高,供應鏈協同績效評價也是其中的一個重要研究方向,研究重心基本集中在評價指標體系構建和評價方法建模等方面,其中以評價指標體系構建的研究居多。徐雯霞[1]從協同過程、協同結果、協同支持、客戶服務和系統適應性等方面構建的汽車行業供應鏈進行協同評價指標體系;Ramanathan[2]從評價供應鏈協作程度、業務運營目標、財務目標、信息共享和業務流程方面建立的指標體系;張英華等[3]從信息協同、業務協同、財務指標、客戶服務和協同抵御風險能力五個方面構建的客車供應鏈協同績效評價指標體系;瞿富強等[4]從運輸協同、庫存管理協同、信息共享協同、成本控制協同、客戶服務協同、風險分擔協同等方面構建裝配式建筑供應鏈協同績效評價指標體系等;張翠華等[5]從信息流、業務流、資金流、客戶服務和系統適應性五個方面構建的食品供應鏈協同績效評價指標體系。評價方法建模更是豐富多樣,主要有模糊綜合評價法[1,5]、ANP-Fuzzy評價模型[6]、網絡價值分析法[7]、DEMATEL方法[8]等。

從以上綜述來看,對供應鏈協同績效的研究,其研究對象以一般制造業、汽車、食品等行業為主,對醫藥行業,尤其是以醫藥流通/銷售企業為核心的醫藥供應鏈協同績效評價研究比較缺乏,且現有的醫藥供應鏈績效評價[9-10]也均為靜態性評價,體現評價后信息反饋并指導績效提升的動態性和智能化研究尚顯不足。本文將在借鑒以上成果的基礎上,針對醫藥行業特點及醫改新政的影響,構建醫藥供應鏈協同績效評價指標體系,并使用BAS-BP神經網絡構建醫藥供應鏈協同績效評價模型,并進行實例驗證。

1 醫藥供應鏈協同績效智能化評價框架設計

1.1 醫改新政下醫藥供應鏈的新變化

隨著“兩票制”“帶量采購”“新藥品管理法”等醫改新政的落地實施,對醫藥制造、流通、銷售和消費等均帶來了較大變化。從醫藥供應鏈整體來看,對醫藥流通/銷售企業的沖擊最明顯,促使流通環節變短[7],提高了流通行業的集中度。同時,第三方物流公司的加入,也對進一步提升效率、降低成本起到了積極的促進作用。醫藥流通集中度的提高,也為醫藥供應鏈各節點間的協同運作提供了更大可行性,以共同應對藥品價格下降和藥品安全質量監管趨嚴帶來的經營壓力。為研究問題的方便,本文首先構建了如圖1所示的以醫藥流通/銷售企業為核心的三級醫藥供應鏈體系架構。這種供應鏈體系結構也確立了醫改新政下應更加重視信息溝通效率、市場和客戶、物流運作模式、藥品安全質量等方面。

圖1 以醫藥流通/銷售企業為核心的三級醫藥供應鏈體系架構

1.2 醫藥供應鏈協同績效智能評價流程及目標

醫藥供應鏈協同績效智能評價流程如圖2所示,根據醫藥供應鏈的協同運作目標,確定協同績效評價指標,按月度頻率進行相關數據的獲取與整理,根據已經訓練好的評價模型自動得出每月協同績效評價結果,再根據供應鏈實際運作情況和目標進行結果分析,幫助管理者找到供應鏈協同運作中可能存在的問題和需要改進的方向,確定改進方案,并通過改進方案的實施輔助協同運作目標的修訂和調整,運行一段時間后,再進行新一輪的評價,形成醫藥供應鏈協同運作績效評價與改進的循環體系,以實現醫藥供應鏈協同運作績效的持續提升。總體上,智能化評價的目標是既能實現協同績效的評價,又能根據評價結果給出優化決策參考。

圖2 醫藥供應鏈協同績效智能評價流程

2 醫藥供應鏈協同績效智能評價指標體系的建立

2.1 建立原則

根據藥品自身特點以及藥品制造、流通、消費的特殊性,醫藥供應鏈協同績效評價指標應遵循以下幾個原則:

(1) 系統性原則。在指標選取過程中,要從全局出發,考慮各個指標之間的相互關系,避免以偏概全。

(2) 科學性原則。選取的指標應該在反映客觀事實的同時,要與醫藥供應鏈的特征和要求相符合,而且指標的結構要科學合理。

(3) 全面性和代表性原則。醫藥供應鏈協同績效評價的指標要涵蓋醫藥供應鏈上下游節點企業協同運作的各個環節,而且要有代表性,能夠充分反映醫藥企業的協同績效。

(4) 可操作性原則。評價指標在充分合理的同時要保證發揮評價作用,醫藥供應鏈節點企業能夠根據選取的指標和協同績效評價結果指導具體的運作。

2.2 評價指標

在以上原則的基礎上,通過對《藥品經營質量管理規范》《國務院辦公廳關于促進醫藥產業健康發展的指導意見》《中華人民共和國藥品管理法》(2019年版),以及“兩票制”“帶量采購”等醫改新政和行業規范的分析,參考相關協同績效評價的文獻,并結合實際調研醫藥供應鏈相關企業的情況以及數據的可獲得性,本文構建了如表1所示的醫藥供應鏈協同績效評價指標體系,主要從信息共享協同、業務流程協同和客戶服務協同三個維度設立了13個評價指標,既有定性指標,也有定量指標。該指標體系既借鑒了文獻[9-10]中的信息共享、客戶服務、訂單交付方面的指標,又充分考慮了醫改新政影響下醫藥流通的精細化、標準化、智慧化發展趨勢,強調了醫藥配送安全、有效、可及等因素,更符合現代醫藥流通的現狀及要求。需要特別說明的是,由于醫藥供應鏈的下游涉及到醫院和醫保政策等,不同地區的管理和財務政策有較大的差異性,故本文沒有建立資金流方面的相關指標。具體指標的解釋如下所述。

表1 醫藥供應鏈協同績效評價指標

2.2.1信息共享協同

信息流可以看作是供應鏈管理的神經中樞系統,對商流、物流和資金流起著重要的協調和控制作用。穩定、可靠的藥品信息對掌握流通過程中藥品的實時數據和不良反應信息至關重要[11]。因此,信息共享協同是醫藥供應鏈協同的基礎,既可以減少信息延遲,提高預測精度,也可以降低溝通成本,增加供應鏈的靈活性[12]。信息共享協同可以用信息共享程度、信息傳遞有效率、信息處理準確率三個指標來衡量。

2.2.2業務流程協同

業務流程協同是企業進行一系列業務整合、維持供應鏈高效運作的重要保證[11]。本文考慮以流通企業為核心的醫藥供應鏈密切相關的計劃、訂單、庫存與配送等環節的核心業務協同情況。

(1) 計劃層面主要評價核心企業與上下游節點企業的目標相容程度以及預測準確程度。McLaren、Barratt 指出要想實現供應鏈各個參與者的高度協同,不僅需要供應鏈上的節點企業調整自身的業務流程來實現業務協同和流程協同,還需要企業在戰略目標層面上實現協同,只有這樣才能夠實現供應鏈長期和高度協同[13]。由計劃與目標一致性、平均預測準確率來衡量。

(2) 訂單滿足率和訂單準時交貨率主要反映醫藥制造企業的生產能力和準時交貨能力,藥品生產的工序繁多、對環境的要求極高,是藥品質量的關鍵風險源[14]。制藥企業要在保證藥品質量的同時盡量一次性準時地滿足下游企業的需求量,減少缺貨的發生。

(3) 庫存環節績效用存貨周轉天數來衡量,反映了醫藥供應鏈物流的藥品周轉的速度和醫藥供應鏈運作協調程度。

(4) 配送環節主要用準時交貨率、配送貨物完好率和車輛和貨物的可監控比率來衡量。準時交貨率體現了該醫藥流通企業的物流管理水平、藥品貯存及轉運能力[15]。貨物完好率體現醫藥流通企業的配送質量。配送運輸車輛及貨物可監控比率是衡量藥品在運輸過程中環境是否達標、藥品是否安全和完好的指標,保障藥品在配送環節的全程監管及事后可追溯。

2.2.3客戶服務協同

能否獲得客戶的信任、與客戶持續合作是企業能否可持續發展的重要因素,因此客戶服務是企業供應鏈協同體系的核心所在。客戶服務協同可以從處理客戶投訴及時率和客戶丟失率兩個方面進行評價。

3 基于BAS-BP神經網絡的醫藥供應鏈協同績效評價模型構建

BP神經網絡在計算時容易陷入局部最優值,無法保證全局收斂,同時創建網絡時隨機產生的權值和閾值會對訓練的結果有影響,這將直接影響神經網絡的性能和效率。使用天牛須搜索算法對BP神經網絡的初始權值和閾值進行優化,可以提高運算的效率,防止BP神經網絡局部最優化,彌補BP神經網絡的缺陷。

3.1 Beetle Antennae Search原理

天牛須搜索算法是一種基于天牛覓食原理的適用于多目標函數優化的新技術,原理為:天牛在不知道食物在哪的情況下覓食時,只能利用兩只長觸角根據食物的氣味強弱來尋找食物。當左邊觸角接收到的氣味強度比右邊大時,天牛就會往左飛,反之就會向右飛。根據這一原理,天牛就可以找到食物。BAS算法不需要知道函數的具體形式,就可以自動實現尋優的過程,而且由于其個體只有一個,尋優速度會顯著提高[16]。

3.2 BAS-BP神經網絡模型建立

(1) 創建向量。由于天牛的朝向隨意,所有天牛右須指向左須的向量的朝向也是隨意的,因此創建任意K維單位向量來表示它,并對該向量歸一化:

(1)

式中:rands()是隨機函數;n為空間維度。

設BP神經網絡模型為inputnum—hiddennum—outputnum,inputnum為輸入神經元個數,hiddennum為隱含層神經元個數,outputnum為輸出層神經元個數,則搜索空間維度n=inputnum×hiddennum+outputnum×hiddennum+outputnum。在本文中,輸入神經元個數是評價指標的個數,故為13,輸出神經元個數是評價結果,故為1。

(2) 設置步長因子stept。天牛的步長step和兩須之間的距離d0的比是一個固定的常數,即:

step=c×d0

(2)

式中:c為初始步長和初始距離之間的關系,本文設為5。

步長因子控制著天牛的區域搜索能力,初始步長應該盡可能選取大的,使得可以覆蓋當前的搜索區域而不至于陷入局部極小,采用線性遞減權值策略,可以保證搜索精度的精細化,即:

stept+1=stept×etat=0,1,2,…,n

(3)

式中:eta為步長衰減因子,本文取0.8;現階段對于步長因子的設置還沒有有效的理論,通過反復實驗,本文確定初始步長step=10;迭代次數n=100。

(3) 創建天牛左右須的初始坐標:

(4)

式中:Xleft和Xright分別表示在第t次迭代時天牛左須和右須的位置坐標;Xt表示天牛在第t次迭代時質心的坐標;d0表示左右須之間的距離。

(4) 確定天牛前進的方向。天牛根據左右須氣味的強度確定前進的方向。適應度函數f用來判斷氣味的強度,即fleft和fright表示左須和右須的氣味強度,判斷兩個函數值的大小,若fleft

Xt+1=Xt-stept×a×sign(fleft-fright)

(5)

式中:sign()為符號函數。

(5) 確定評價函數。以均方根誤差作為適應度評價函數,用來推進天牛在空間區域的搜索。函數為:

(6)

式中:N為訓練集樣本數;ti為第i個樣本的輸出值;yi為第i個樣本的實際值。

若fitness

(6) 判斷算法是否停止迭代。當達到設定精度(本文設為0.001)或達到迭代次數時,算法停止迭代,并轉入步驟(7)。如果沒有達到條件,則返回步驟(4)繼續迭代。

(7) BP神經網絡訓練。當算法停止迭代時,輸出的值即為BP神經網絡的最優初始權值和閾值,將其代入到BP神經網絡中進行訓練,最終形成績效評價模型。

綜上所述,BAS-BP神經網絡預測模型流程如圖3所示。

圖3 BAS-BP預測模型流程

3.3 指標預處理

在已確定的績效指標里,既有定量的指標又有定性的指標,所以根據統計的指標數據和專家的經驗對績效指標進行量化和歸一化處理。對于正向指標,按照式(7)歸一化、對于負向指標,按照式(8)歸一化。

(7)

(8)

式中:Xi是指標原始值;Xmax和Xmin為該績效指標是根據企業經驗和意義來確定的最大最小值。

4 算例分析

本文首先在2019年末調研了以SD省JN市一家醫藥流通企業為核心的醫藥供應鏈,獲取其24個月的協同運作績效指標數據,運用適當的協同績效評價方法,得到BAS-BP模型訓練的初始數據,將21個月的數據作為訓練樣本,預測第22、23、24個月的評價結果,并進行數據對比,驗證模型的有效性;然后通過計算指標權重找到影響本供應鏈協同績效的主要指標要素,并結合該供應鏈的目標提出改進意見;之后又獲取了該企業第25個月的運作數據,再次進行協同績效預測評價,驗證改進措施的有效性,具體過程如下。

4.1 模型數據準備

根據實地調研和訪談獲取該供應鏈24個月的協同績效指標數據,然后運用專家打分法對每個月的協同績效進行評價,之后對原始指標數據進行歸一化處理,得到表2所示的模型訓練初始數據。

表2 模型訓練初始數據

根據調研,各個指標的取值范圍如表3所示。

表3 績效指標取值范圍

根據文獻[17]評價結果取值范圍如表4所示。

表4 評價結果取值范圍

從表2和表4可以看出,該醫藥流通企業所在供應鏈的協同績效基本處于中等偏上水平,從該供應鏈的發展目標來看,尚需進一步提升其協同績效。

4.2 BAS-BP神經網絡訓練

在BP神經網絡的訓練中,經過實驗確定神經網絡的隱含層的神經元個數為12,學習速率為0.01,最小允許誤差為0.001,選用的函數分別為tansig、trainlm、purelin。

對表2中1至21月的樣本對BAS-BP神經網絡進行訓練。BAS-BP 模型的最佳適應度變化曲線如圖4所示。訓練集擬合過結果如圖5所示。

圖4 BAS-BP神經網絡適應度曲線

圖5 BAS-BP訓練集擬合結果

4.3 驗證和討論

BAS-BP神經網絡訓練完畢后,對該模型的泛化能力進行檢驗,選用該供應鏈第22、23、24月進行評價,將預處理好的數據輸入訓練好的神經網絡,得到的輸出和誤差結果如表5所示。驗證結果和供應鏈實際評價結果相比誤差較小,說明本文模型是可用的。

表5 預測的輸出和誤差

4.3.1指標權重

評價模型訓練完成后,根據文獻[18]的方法,通過輸入層、輸出層和隱含層之間的權值(如表6和表7所示)以及式(9)-式(11),計算輸入指標的權重。

表6 輸入層和隱含層之間的權值

表7 輸出層與隱含層之間的權值

(9)

Rij=|(1-e-rij)/(1+e-rij)|

(10)

(11)

式中:i為神經網絡輸入單元,i=1,2,…,m;j為神經網絡輸出層神經元,j=1,2,…,n;k為神經網絡的隱含層神經元,k=1,2,…,p;Wki為輸入層神經元i和隱含層神經元k之間的權值;Wjk為輸出層神經元j和隱含層神經元k之間的權值;S為所求的指標權重。

得到評價指標的權重如表8所示。

表8 醫藥供應鏈協同績效評價指標權重

從13個評價指標的權重可以看出,客戶丟失率、信息共享程度、配送運輸車輛及貨物可監控比率對本供應鏈24個月的評價結果影響較大,為實現醫藥供應鏈協同運作水平的提高,在進行供應鏈優化時可以優先考慮。

4.3.2改進建議

第一,審視相對大權重影響指標的作用。從表8的指標權重來看,對現有協同績效影響較大的是客戶丟失率、信息共享程度、配送運輸車輛及貨物可監控比率等三個指標。從表2、表3和表4中的評價數據可以看出,客戶丟失率和配送運輸車輛及貨物可監控比率兩個指標數據表現良好,表明該流通企業和客戶關系良好,且能及時監控藥品配送,保障藥品安全,但信息共享程度的評價得分數據很低,表明該供應鏈信息共享程度很差,這應該是造成該供應鏈整體協同績效并不理想的主要原因。“兩票制”和“帶量采購”等的實施改變了原有醫藥供應鏈的流通結構,相應的信息溝通方式也需要進一步提升。因此,建議該流通企業下一步應與上下游企業提高信息共享程度、利用各種信息平臺實現信息充分共享與及時傳遞等方面加以改善,并保持藥品物流配送的可監控情況,保證藥品安全。同時注意供應鏈合作伙伴關系的維護。

第二,權衡整體醫藥供應鏈績效目標。供應鏈協同績效僅僅是供應鏈管理績效的一個部分,協同績效的提升也是為該醫藥供應鏈整體績效提升服務,尤其是隨著醫改新政的不斷推出和醫療改革的持續深化,隨時可能有新的變化影響該醫藥供應鏈的整體運作績效,因此,從長遠角度來看,也建議該流通企業及其合作伙伴在政策研究、精細化管理、加強橫向交流等方面加以重視和改進。

4.4 改進后評價

根據上述評價結果和所提出的改進建議,該醫藥流通企業進行了認真的總結和部署。在實施改進后,又獲取了該企業第25個月的相關協同績效評價數據,預處理后輸入到已經訓練好的神經網絡預測模型中,進行了新一輪的預測評價。其中,輸入的指標向量為:(0.5, 0.486, 0.405, 1.000, 0.465, 0.360,0.244, 0.481, 0.330, 0.144, 0.767, 0.561, 1.000),運算后的輸出結果為0.48,有了一定的改善。

5 結 語

從算例驗證來看,本文所建立的基于信息共享協同、業務流程協同、客戶服務協同的醫藥供應鏈協同績效評價體系合理,所訓練的BAS-BP神經網絡模型有效可用,對該醫藥流通企業所在供應鏈進行協同績效評價可行,改進建議有效,改進后的協同績效有一定提升。而且,在一些外界突發情況發生時,如SARS非典疫情、COVID-2019新冠肺炎等公共衛生事件,均會對醫藥供應鏈造成極大影響,應用本文模型同樣可以發現醫藥供應鏈運作的問題所在,找到受影響的因素,從而降低重大事件對供應鏈造成的影響。