王 婷 翟 翼 徐志鹏

（1.吉林建筑科技学院，吉林 长春 130000；2.长春工业大学人文信息学院，吉林 长春 130000；3.中建五局安装工程有限公司，湖南 长沙 410004）

建筑供应链是指从项目设计到项目交付运营的整个过程，涉及的参与方众多，包括业主、承包商、分包商、供应商以及监理方等，整个流程要综合考虑物流、资金量以及信息流等内容，为实现建筑项目效益的最大化提供支持。本研究通过选取合适的方法对供应链的实际运营状况进行评价，综合多方要素来判断供应链目标实现的可能性，为管理工作的开展提供可靠支持，并推动供应链的正常运行。

1 供应链绩效评价的重要性

供应链是以中心节点企业为核心，以物流、信息流和资金流为对象展开的控制作业，从原材料采购开始，经过加工制造可以得到中间产品与最终产品，最后经销售网络将产品送到消费者手中。将整个流程中涉及的供应商、制造商、销售商及业主当作一个整体，可为增值链内的所有节点企业带来经济效益。对供应链进行绩效评价可为管理工作的展开提供支持，更能实现多方合作共赢，供应链上各节点企业连接成一个不可分割的整体，通过高质量的协调合作来满足客户的需求［1］。对核心节点企业来说，供应链绩效评价的结果可作为其生产运营决策的重要依据，以此来优化整个运营流程，且在多节点的持续合作中，核心企业可对下游节点企业进行优化，并剔除不合格的企业，进一步增强整个链条的竞争力。供应链绩效评价的特点主要体现在3个方面。

1.1 动态性

供应链绩效评价是以整个运营流程为研究对象，涉及供应商、生产商、销售商及业主等，且是对所有环节进行评价，包括计划、采购、生产及销售。简单来说，就是通过过程评价及时发现供应链中存在的问题，并为决策的制定提供参考，并不是简单的事后评价，而是通过绩效评价来推动整个供应链的发展。

1.2 实时性

供应链绩效评价是从供应链的执行现状出发进行的综合评价，并给出相应的建议。要想将供应链绩效评价的优势完全发挥出来，就要将理论与实践结合起来，只有这样才能够保证信息的实时性，才能及时更改存在的缺陷，为供应链的有效运转提供支持［2］。

1.3 整体性

供应链绩效评价的对象一直都不是核心企业，只是前期以核心企业为研究对象，然后逐渐辐射到整个供应链上的所有节点企业，真正做到合作共赢，而非简单地面向一个企业。

2 BP神经网络

2.1 BP神经网络的原理

BP神经网络的基本思想是梯度最速下降法，核心条件是通过调整权值来将网络总误差降到最小。利用梯度搜索技术以期使网络的实际输出值和期望输出值的误差最小。BP神经网络的学习是一种误差边向后传播边对权系数进行修正的过程，分为正向传播和反向传播两个阶段。其中，在正向传播过程中，输入信息从输入层经隐含层逐层处理后，再传输给输出层，且每层神经元状态只会对下一层神经元状态产生影响（见图1）。如果输出层无法得到期望的输出，便会进入反向传输阶段，会沿着原来的连接通道返回，对各层神经元的权值进行修改，将误差降到最小。

图1 BP神经网络结构示意图

2.2 BP神经网络的特点

2.2.1 优点。BP神经网络具有非线性映射的能力。多层感知器可同时做到学习及存储大量“输入—输出”模式的映射关系，且不需要提前对这种映射关系的数学方程进行描述［3］。另外，神经网络隐含层的节数数量将决定其学习速度及网络权值；自我学习及自适应性比较强，但对样本数据有着较强的依赖性，基于训练样本数据的特征，来提取数据之间存在的规则，然后对其进行记忆处理，对网络权值及网络误差的处理效果较佳［4］；兼具泛化能力与容错能力。在设计模式分类器时，泛化能力要求网络能够对所分类的对象进行正确分类，并考虑训练后能否完成对未见过模式及噪声污染模式的正确分类。容错能力是指在网络结构发生错误及样本数据不足时，对网络训练结果产生的影响较小。

2.2.2 缺点。在网络训练过程中，有可能会出现局部极小的情况，从而无法得到全局最优的结果，可通过改进学习速率及添加附加动量来对BP神经网络进行优化。在以往的研究中，BP算法是通过试算或试验来确定学习速率。但因问题复杂度差异明显，当学习速率太大时，会导致网络权值产生较大的波动，当学习速率较小时，网络权值的收敛速度会有所降低，可通过调整学习速率来得到准确的最优解；隐含层选取没有相关理论指导，要结合目前已有研究中的经验公式来确定取值范围，通过试算来确定最佳隐含层数的过程比较烦琐，要与学习速率联合，使学习速率的难度提高；训练过程中对新样本的学习可能会造成旧样本被“遗忘”，执行过程中如果训练样本出现增减，网络均会重新训练，从而导致网络权值发生改变，直接与前一阶段的取值失去关联。但对数据样本进行重新训练、检验及预测时，网络权值依然会被保存。

3 建筑企业供应链绩效评价

3.1 BP神经网络的应用

用BP神经网络对整个供应链进行绩效评价时，整个过程可看作是通过训练数据来对布尔相量进行逼近。任意函数均可被一个有三层单元的前馈网络逼近，这样就可采用三层BP神经网络来对供应链绩效进行评价。BP神经网络供应链绩效评价过程如图2所示。

图2 BP神经网络供应链绩效评价过程

本研究采用带冲量因子的梯度下降法来训练BP神经网络，算法训练过程如下。

假设训练样例为(x,t)序对，其中，x为网络输入值相量，t为目标输出值。

①创建BP网络，包括有nη个输入、nhidden个隐藏单元及nout个输出单元。

②对所有网络权值进行初始化处理，wi（0）为小的随机值（如-0.05~0.05）。

③以第m个训练样例(x,t)为对象，使输入沿着网络前向传播，对网络内各单元u的输出进行计算，以及误差沿着网络的反向传输。

④计算网络内的输出单元k的误差项δk，计算公式见式（1）。

⑤计算网络内的隐藏单元h的误差项δn，计算公式见式（2）。

⑥基于误差项对各网络权值wjj（m）进行更新，计算公式见式（3）、式（4）。

⑦重复③到⑥步，直至达到指定的迭代次数或最小允许误差等满足条件。

式中：η为学习速率；α为冲量因子；nη为网络输入数量，nhidde n为隐藏单元数量；nout为网络输出单元数量；x为从单元i到单元j的输入；wj为单元i到单元j的权值［5］。

3.2 动态供应链绩效指标体系

结合现有的研究成果，在传统模式的基础上，对动态供应链绩效指标体系的架构进行优化，并调整为多维评价分析模型，包括注册资本金、证件有效性、纳税人资格、资金技术实力、诚信经营及社会责任履行、质量保障、数量保障、交货保障、服务保障等9个维度，以此来选取动态供应链的绩效评价指标。注册资本金是用来评价企业规模及其盈利能力、资金周转率、现金周转时间、盈利能力、资金周转率、现金周转时间等，以此来反映供应链净资产流动情况及供应链现金流速度；证件有效性用来检查公司的营业执照、组织机构代码证、税务登记证或社会统一信用代码证等证件是否齐全、合法、真实有效；纳税人资格用来确认其是否具备一般纳税人资格；资金技术实力用来核查企业资金是否雄厚、技术水平在行业内是否领先；诚信经营及社会责任履行主要核查企业是否诚信经营、是否积极履行社会责任；质量保证用来评价企业有无不良行为记录和产品质量问题；数量保障用来核查每批供应物资或设备数量与实际需求量是否一致等；交货保障用来确认以往的合作能否保质保量按时供货以及响应时间、存货周转率、次品率与技术先进性等，反映出供应链对多方需求变化的柔性响应、库存资金占用情况、质量以及技术竞争力［6］；服务保障主要核查参与工作的积极性和企业利润增长率、信息共享水平以及新产品研发周期等，反映出供应链各节点企业的发展潜力、节点企业之间信息的无缝对接程度及供应链响应速度。

4 基于BP神经网络的供应链绩效评价

4.1 BP神经网络结构

4.1.1 网络层。该层是由一个隐含层、一个输入层和一个输出层组成的三层BP神经网络。当隐含节点数足够多时，可利用任意精度逼近任何连续函数，从而直接确定三层BP神经网络的结构。

4.1.2 输入节点数i和输出层节点数k。输入节点数为确定的评价指标个数，如本研究选取9个评价维度，即输入节点数为9。输出节点数是由建筑供应链绩效评价结果来确定的，由于评价结果分为优、良、中、差四个等级，此时输出节点数为4，即可通过四维向量来表示［7］。当输出为（1，0，0，0）时，绩效评价结果为优；输出为（0，1，0，0）时，绩效评价结果为良；输出为（0，0，1，0）时，绩效评价结果为中；输出为（0，0，0，1）时，绩效评价结果为差。

4.1.3 隐含层节点数j。目前，在确定BP神经网络隐藏层节点数时，采用较多的是“试凑法”。本研究在应用过程中，针对单隐含层神经网络的非线性映射能力不足的特点，为了得到预定的映射关系，就要保证隐含层的节点数量多一些，这样才能够更好地提升神经网络的可调参数，最终确定隐藏层节点数为6［8］。

4.2 算例应用

对供应链绩效评价指标取值和绩效综合评价结果进行分析，分别取“1-5”“1-10”“1-10”“1-5”“1-10”“1-15”“1-15”“1-15”“1-15”的数值进行评判。基于BP神经网络对物资供应链进行绩效评价，其中隐含层为6、输出层为4、输入层为15。在［-1，+1］区间内随机确定一个数值为权值wjj与Vjk的初始值，设定学习速率η为0.1，控制误差不超过0.01。最终应用神经网络计算工具箱，将所有训练样本输入进行训练［9］。对BP网络的整个学习过程进行总结，训练结束时一共进行了40次训练，并对以后的建筑供应链绩效进行科学预测。然后向训练好的BP神经网络内输入设定的各项指标，最终得到的输出结果为（0.023 0，0.997 6，-0.001 7，0.007 3）与（-0.008 3，0.002 6，0.988 2，-0.004 6）。对通过BP神经网络得到的输出结果进行分析，可知研究对象在2021年建筑供应链绩效综合评价中为良和中，与企业绩效保持一致［10］。

5 结语

基于BP神经网络系统对供应链进行绩效评价，可针对多方影响因素进行综合分析，将企业经营发展的数据进行统计处理后，将其作为供应链的绩效指标，能在很大程度上排除主观因素带来的影响。为了能够进一步提高供应料绩效评价结果的准确性，还应尽量增大学习样本量，缩小实际输出值与预期输出值之间的误差。