﻿ 数据驱动下的智能制造企业供应商效率评价
 计算机系统应用  2020, Vol. 29 Issue (5): 1-10 PDF

Data-Driven Supplier Efficiency Evaluation on Intelligent Manufacturing Enterprises
CHEN Cheng, SHI Li, SHI Mei, DING Xue-Hong
College of Computer Science and Technology, Huaibei Normal University, Huaibei 235000, China
Foundation item: National Natural Science Foundation of China (71801108); Natural Science Foundation of Higher Educations of Anhui Province (KJ2017A391, KJ2018B04, KJ2019B04)
Abstract: Under the environment of intelligent manufacturing, supplier efficiency evaluation is very important for the development of intelligent manufacturing enterprises. This study constructs the supplier efficiency evaluation index system of intelligent manufacturing enterprises according to the characteristics of suppliers, the construction principles of evaluation index system, and literature summary. The weights of each index are determined by AHP-entropy method, and the supplier is graded by using the enterprise data of subject cooperation and BP neural network. The improvement suggestions for suppliers are put forward and further cooperation and communication between enterprises and suppliers are promoted. The example results show that this method has strong practicability for supplier efficiency evaluation.
Key words: intelligent manufacturing     data-driven     BP neural network     supplier efficiency     AHP-entropy method

1 基础理论和方法介绍 1.1 供应商分类

 图 1 供应商分类

ES对于企业的发展起到重要的作用, 且在企业中占比最高, 本文针对ES进行深入研究.

1.2 指标权重计算

AHP计算的权重结果趋向于主观, 熵值法计算结果趋向于客观, 结合两者, 采用主客观结合的方式计算指标权重, 结果更具有说服力.

(1) AHP计算指标权重

AHP是一种主观的权重计算法, 计算步骤如图2所示.

 图 2 AHP计算步骤

 $C.I. = \frac{{{\lambda _{\max }} - n}}{{n - 1}}$ (1)
 $C.R. = \frac{{C.I.}}{{R.I.}}$ (2)

(2)熵值法计算指标权重

 图 3 熵值法计算步骤

(3) AHP-熵值法计算综合权重值

 $\omega = \lambda {\beta _i} + \left( {1 - \lambda } \right){\theta _i},\;i = 1,2, \cdots ,n$ (3)

1.3 BP神经网络

BP算法的主要就是对网络中的权值与阈值参数进行更新, 具体更新过程如下描述.

 图 4 BP神经网络算法流程图

 图 5 神经网络结构图

 $\mathop {{y_j}}\limits^ \wedge = f\left( {{\beta _j} - {\theta _j}} \right)$ (4)

 ${E_k} = \frac{1}{2}\sum\limits_{j = 1}^l {{{(\mathop {{y_j}}\limits^ \wedge - {y_j})}^2}}$ (5)

 $v = v + \Delta v$ (6)

 $\Delta {w_{hj}} = - \eta \frac{{\partial {E_k}}}{{\partial {w_{hj}}}}$ (7)

 $\frac{{\partial {E_k}}}{{\partial {w_{hj}}}} = \frac{{\partial {E_k}}}{{\partial \mathop {{y_j}}\limits^ \wedge }} \cdot \frac{{\partial \mathop {{y_j}}\limits^ \wedge }}{{\partial {\beta _j}}} \cdot \frac{{\partial {\beta _j}}}{{\partial {w_{hj}}}}$ (8)

 $\Delta {w_{hj}} = \eta {g_i}{b_h}$ (9)

 $\Delta {\theta _j} = - \eta {g_i}$ (10)
2 智能制造企业供应商效率评价指标体系构建 2.1 智能制造企业供应商的特点分析与构建原则

(1)智能化水平高. 智能制造企业的发展要求其供应链的智能化、数字化以及信息化的建设需要进一步提升, 供应商作为供应链的一部分, 提高智能化水平势在必行.

(2)产品竞争力强. 产品竞争力包含产品质量、产品成本和产品生态化. 企业供应链中有众多的供应商, 供应商的产品竞争力会影响企业对其总体效率的评价及选择.

(3)个性化服务好. 供应商的个性化服务包含供应能力、协同创新等特征, 智能制造企业在生产过程中重点关注效率问题, 当供应货物出现服务售后等问题时, 需要快速定位并得到快速高质量的解决.

2.2 智能制造企业供应商效率评价指标体系构建

 图 6 供应商评价指标体系

(1)产品成本

① 运输成本: 产品在运输过程中产生的所有费用.

② 购买成本: 供应商提供产品的单价.

③ 价格稳定程度: 供应商报价与基准价的变化程度.

(2)产品质量

① 检验合格率: 供应商供货期间内, 进料检验合格数量除以进料检验数量所得, 计算公式如下:

 $P = \frac{q}{Q} \times 100$ (11)

② 批不良率: 在一定期间内, 所有的检验批中, 因检验判定不合格而整个检验批需要返工(或返修或报废)的批数占总的检验批的批数的比例. 计算公式如下:

 $C = \frac{a}{A} \times 100$ (12)

③ 在线不良率: 供应商供货期间, 企业在投入生产中, 因供应商提供的产品而导致生产出现故障的比例, 计算公式如下:

 $H = \frac{e}{E} \times 100$ (13)

(3)产品生态化

① 禁用物质超标: 根据不同制造业的性质, 禁用物质的评价标准也是不一样的.

② 环境管理体系: 企业管理体系的一部分, 用来制定和实施其环境方针, 并管理其环境因素.

(4)智能化水平

① 信息协同: 信息协同是指以信息为对象, 多个信息源在规定的时间和空间内, 按照统一的规则实现信息的有序流转. 包括信息共享程度、信息系统的集成水平等.

② 智能配送: 实现企业与供应商之间的快速存货、配货以及送货. 包括智能仓储、智能物流等.

③ 信息融合: 信息融合包括数据融合、数据应用、数据安全等.

(5)供应能力

① 准时交货率: 在一定的周期内, 按时交货的批次数量占总批次数量的比例, 准时交货对于制造方来说至关重要. 计算公式如下:

 $P = \frac{m}{M} \times 100$ (14)

② 供应柔性: 供应柔性衡量的是其对订单变化的反映灵敏度指标, 表示的是供应商在约定的交货周期内可以接受的订单增加或减少的情况[24].

(6)服务水平

① 投诉率: 合作期间, 供应商收到的投诉次数占总的合作次数的比例, 计算公式如下:

 $Z = \frac{x}{X} \times 100$ (15)

② 配合度: 业务合作中, 供应商是否积极配合以及表现出来的素质和态度.

3 基于BP神经网络的供应商效率评价模型 3.1 BP神经网络用于供应商效率评价的原理和结构设计

3.2 基于BP神经网络的智能制造企业供应商效率评价流程

(1)数据收集. 通过企业调研、系统数据的导出以及专家和企业相关人员打分等方法收集到原始的数据集.

(2)数据预处理

 ${{\textit{z}}_{ij}} = \frac{{{x_{ij}} - \min ({x_{ij}})}}{{\max ({x_{ij}}) - \min ({x_{ij}})}}$ (16)

 ${{\textit{z}}_{ij}} = \frac{{\max ({x_{ij}}) - {x_{ij}}}}{{\max ({x_{ij}}) - \min ({x_{ij}})}}$ (17)

(3)指标权重的计算. 建立评价指标层次结构, 运用AHP-熵值法确定各指标权重.

(4) 综合效率评价值的计算. 综合效率评价值为标准化后的各指标分数与其对应的权重乘积之和. 在后续实验中, 按照综合效率评价值对供应商进行效率等级划分, 假设P为综合效率评价值, 当 $0.9 \le P < 1$ 时, 表示该供应商的综合效率高, 是一级效率型供应商; 当 $0.8 \le P < 0.9$ 时, 是二级效率型供应商; 当 $0.7 \le P < 0.8$ 时, 是三级效率型供应商; 当 $0.6 \le P < 0.7$ 时, 是四级效率型供应商; 当 $0.5 \le P < 0.6$ 时, 供应商效率等级是五级, 其综合效率低.

(5)网络训练. 以评价指标体系中的二级指标作为输入数据, 供应商的综合效率评价值作为期望输出值, 采用误差反向传播算法训练网络.

(6)结果分析. 通过实验得出结果, 并对实验结果进行分析, 最后对供应商提出改进意见以及激励策略.

4 案例分析 4.1 数据收集

4.2 数据预处理

4.3 计算指标权重

AHP计算权重过程中, 通过专家与企业管理人员对各个指标进行量化处理, 构造对比判断矩阵如下:

 $A = \left[ {\begin{array}{*{20}{c}} 1&{\rm{4}}&{\rm{9}}&{\rm{7}}&{\rm{5}}&{\rm{6}} \\ {{{\rm{1}}/{\rm{4}}}}&1&{\rm{7}}&{\rm{6}}&{\rm{3}}&{\rm{5}} \\ {{1/{\rm{9}}}}&{{1/{\rm{7}}}}&1&{{1/{\rm{3}}}}&{{1/{\rm{7}}}}&{{1/{\rm{5}}}} \\ {{1/{\rm{7}}}}&{{1/{\rm{6}}}}&{\rm{3}}&1&{{1/{\rm{5}}}}&{{1/{\rm{3}}}} \\ {{1/{\rm{5}}}}&{{1/{\rm{3}}}}&{\rm{7}}&{\rm{5}}&1&{\rm{3}} \\ {{1/{\rm{6}}}}&{{1/{\rm{5}}}}&{\rm{5}}&{\rm{3}}&{{1/{\rm{3}}}}&1 \end{array}} \right]$
 ${B_1} = \left[ {\begin{array}{*{20}{c}} 1&{{1/5}}&{\rm{3}} \\ 5&1&{\rm{7}} \\ {{{\rm{1}}/{\rm{3}}}}&{{{\rm{1}}/{\rm{7}}}}&1 \end{array}} \right]$
 $\begin{split} \;\\[-8pt] {B_2} = \left[ {\begin{array}{*{20}{c}} 1&{{{\rm{1}}/{\rm{7}}}}&{{{\rm{1}}/{\rm{5}}}} \\ {\rm{7}}&1&3 \\ {\rm{5}}&{{1/3}}&1 \end{array}} \right] \end{split}$
 ${B_3} = \left[ {\begin{array}{*{20}{c}} 1&{{1/7}} \\ 7&1 \end{array}} \right]$
 ${B_4} = \left[ {\begin{array}{*{20}{c}} 1&{{1/3}}&{{1/7}} \\ 3&1&{{1/5}} \\ 7&5&1 \end{array}} \right]$
 ${B_5} = \left[ {\begin{array}{*{20}{c}} 1&4 \\ {{1/4}}&1 \end{array}} \right]$
 ${B_6} = \left[ {\begin{array}{*{20}{c}} 1&{{1/3}} \\ 3&1 \end{array}} \right]$

4.4 综合效率评价值的计算

4.5 网络训练

 图 7 预测综合效率评价值与期望综合效率评价值对比图

 图 8 Regression训练图

4.6 结果分析

5 结论与展望

 [1] 徐雪, 张艺, 余开朝. 基于BP神经网络的智能制造能力评价研究. 软件, 2018, 39(8): 162-166. [2] 张曙. 工业4.0和智能制造. 机械设计与制造工程, 2014(8): 1-5. [3] Yurdakul M, İç YT. Development of a performance measurement model for manufacturing companies using the AHP and TOPSIS approaches. International Journal of Production Research, 2005, 43(21): 4609-4641. DOI:10.1080/00207540500161746 [4] Eckert-Gallup AC, Sallaberry CJ, Dallman AR, et al. Application of Principal Component Analysis (PCA) and improved joint probability distributions to the Inverse First-Order Reliability Method (I-FORM) for predicting extreme sea states. Ocean Engineering, 2016, 112: 307-319. DOI:10.1016/j.oceaneng.2015.12.018 [5] Chen TW, Lin JY, Chen KS. Selecting a supplier by fuzzy evaluation of capability indices, CPM. The International Journal of Advanced Manufacturing Technology, 2003, 22(7-8): 534-540. DOI:10.1007/s00170-002-1487-8 [6] Cannavacciuolo L, Iandoli L, Ponsiglione C, et al. An analytical framework based on AHP and activity-based costing to assess the value of competencies in production processes. International Journal of Production Research, 2012, 50(17): 4877-4888. DOI:10.1080/00207543.2012.657974 [7] Zhao JJ, He YH, Huang RQ, et al. Weights of slope stability evaluation indexes based on factor analysis method. Journal of Southwest Jiaotong University, 2015, 50(2): 325-330. [8] Loh HS, Zhou QJ, Thai VV, et al. Fuzzy comprehensive evaluation of port-centric supply chain disruption threats. Ocean & Coastal Management, 2017, 148: 53-62. [9] Sun WH, Li D, Liu P. A decision-making method for sponge city design based on grey correlation degree and TOPSIS method. Journal of Interdisciplinary Mathematics, 2018, 21(4): 1031-1042. DOI:10.1080/09720502.2018.1456826 [10] 郭彤颖, 陈露. 基于鸟群算法优化BP神经网络的热舒适度预测. 计算机系统应用, 2018, 27(4): 162-166. DOI:10.15888/j.cnki.csa.006303 [11] (奥)Schuh C, (奥)Strohmer MF, (英)Easton S, 等. 供应商关系管理 机会与价值最大化. (美)李学芸, 吴江, 译. 北京: 清华大学出版社. 2016. [12] 孟卫东, 龙美彪. 曲线数据压缩算法的研究及应用. 计算机系统应用, 2019, 28(5): 150-155. DOI:10.15888/j.cnki.csa.006949 [13] 宗宸生, 郑焕霞, 王林山. 改进粒子群优化BP神经网络粮食产量预测模型. 计算机系统应用, 2018, 27(12): 204-209. DOI:10.15888/j.cnki.csa.006651 [14] 卢滢宇. 竞争算法优化BP神经网络性能研究. 计算机系统应用, 2019, 28(5): 173-177. DOI:10.15888/j.cnki.csa.006903 [15] 中国电子技术标准化研究院. 智能制造能力成熟度模型白皮书1.0版. 北京: 中国电子技术标准化研究院, 2016. [16] Dickson GW. An analysis of vendor selection systems and decisions. Journal of Purchasing, 1966, 2(1): 5-17. DOI:10.1111/j.1745-493X.1966.tb00818.x [17] Bai CG, Sarkis J. Integrating sustainability into supplier selection with grey system and rough set methodologies. International Journal of Production Economics, 2010, 124(1): 252-264. DOI:10.1016/j.ijpe.2009.11.023 [18] Cheng HY. Research on comprehensive evaluation model of supplier management performance. Logistics Sci-Tech, 2012, 35(1): 74-78. [19] Frankowiak M, Grosvenor R, Prickett P. A review of the evolution of microcontroller-based machine and process monitoring. International Journal of Machine Tools and Manufacture, 2005, 45(4–5): 573-582. DOI:10.1016/j.ijmachtools.2004.08.018 [20] Ruiz N, Giret A, Botti V, et al. An intelligent simulation environment for manufacturing systems. Computers & Industrial Engineering, 2014, 76: 148-168. [21] 王蒙燕. 基于ELECTRE-IV的国际贸易目标供应商评价算法. 统计与决策, 2014(23): 52-55. [22] 尹峰. 智能制造评价指标体系研究. 工业经济论坛, 2016, 3(6): 632-641. [23] 张毅, 袁颖, 狄龙. 大型超市生鲜物品供应商评价选择研究. 科技通报, 2017, 33(8): 133-136, 242. [24] 江志娟. 基于BP神经网络和合作博弈的供应商评价选择研究[硕士学位论文]. 沈阳: 东北大学, 2008.