潘 盟 張建同 陳曉東 杜 娟
(同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院,上海 200092)
供應(yīng)鏈的協(xié)作方式通過(guò)在物理、邏輯及資金流層面上的合作,實(shí)現(xiàn)將上、中、下游所有節(jié)點(diǎn)企業(yè)納入同一網(wǎng)鏈結(jié)構(gòu)中,以更好地滿足消費(fèi)者需求并實(shí)現(xiàn)共同增加附加值。供應(yīng)鏈管理日益成為企業(yè)獲取競(jìng)爭(zhēng)優(yōu)勢(shì)的核心手段之一,供應(yīng)鏈系統(tǒng)的競(jìng)爭(zhēng)力在很大程度上取決于供應(yīng)鏈管理過(guò)程中對(duì)各類(lèi)風(fēng)險(xiǎn)的控制能力。伴隨全球經(jīng)濟(jì)一體化進(jìn)程的快速推進(jìn),來(lái)自內(nèi)外部的不確定因素層出不窮,供應(yīng)鏈系統(tǒng)面臨與日俱增的風(fēng)險(xiǎn),影響其持續(xù)安全運(yùn)作和滿足客戶的能力。Tang認(rèn)為供應(yīng)鏈風(fēng)險(xiǎn)需要滿足以下兩個(gè)要素:一是事件發(fā)生的概率很低,二是事件發(fā)生后給供應(yīng)鏈節(jié)點(diǎn)企業(yè)造成極大損失。供應(yīng)鏈風(fēng)險(xiǎn)一般很難量化和預(yù)測(cè),因此也給相關(guān)風(fēng)險(xiǎn)控制人員帶來(lái)了挑戰(zhàn)。汽車(chē)供應(yīng)鏈的情況尤為復(fù)雜,具有節(jié)點(diǎn)企業(yè)多、鏈條長(zhǎng)、節(jié)點(diǎn)企業(yè)間關(guān)聯(lián)程度高、技術(shù)和資金密集等特點(diǎn)。一般認(rèn)為,汽車(chē)供應(yīng)鏈流程包括上游供應(yīng)商(細(xì)分為原材料供應(yīng)商和零部件制造商)、中游整車(chē)制造商,以及下游經(jīng)銷(xiāo)商。基于上述特點(diǎn),汽車(chē)供應(yīng)鏈在競(jìng)爭(zhēng)白熱化、需求多樣化的市場(chǎng)背景下,更容易受到各類(lèi)不確定因素的影響,并且風(fēng)險(xiǎn)所引發(fā)的損失更加嚴(yán)重。例如,福特汽車(chē)在全球擁有超過(guò)50家分公司,其上游零部件和原材料供應(yīng)商多達(dá)數(shù)十層,每層包含數(shù)千家關(guān)聯(lián)企業(yè)。2011年位于泰國(guó)的一家原材料供應(yīng)商突然倒閉,給福特汽車(chē)整個(gè)供應(yīng)鏈的正常運(yùn)作造成了極大的負(fù)面影響。在財(cái)務(wù)方面,汽車(chē)產(chǎn)業(yè)逐漸形成了上游企業(yè)占用下游企業(yè)大比例運(yùn)營(yíng)資金的經(jīng)營(yíng)模式常態(tài),由此存在大量信用交易堆積、企業(yè)間大規(guī)模債權(quán)債務(wù)和金融機(jī)構(gòu)外部融資等現(xiàn)象,加大了汽車(chē)制造企業(yè)的財(cái)務(wù)杠桿率,增加了汽車(chē)供應(yīng)鏈債務(wù)風(fēng)險(xiǎn)爆發(fā)的可能性。
供應(yīng)鏈的風(fēng)險(xiǎn)管理一般分為風(fēng)險(xiǎn)識(shí)別、風(fēng)險(xiǎn)評(píng)估、風(fēng)險(xiǎn)預(yù)警和風(fēng)險(xiǎn)轉(zhuǎn)移四個(gè)階段。本研究旨在針對(duì)已經(jīng)建立的汽車(chē)供應(yīng)鏈中的風(fēng)險(xiǎn)指標(biāo)體系,對(duì)潛在風(fēng)險(xiǎn)因素進(jìn)行量化評(píng)估,從而抓住主要矛盾、定位供應(yīng)鏈系統(tǒng)中的薄弱環(huán)節(jié),協(xié)助企業(yè)風(fēng)險(xiǎn)管理者制定防范措施、實(shí)現(xiàn)事前控制,及時(shí)有效地管控風(fēng)險(xiǎn)。目前,國(guó)內(nèi)外學(xué)者對(duì)于供應(yīng)鏈風(fēng)險(xiǎn)評(píng)估的主要研究思路是先建立一套可量化指標(biāo)體系,再運(yùn)用各種分析工具進(jìn)行評(píng)估,包括貝葉斯網(wǎng)絡(luò)、層次分析法、FMEA(Failure Mode and Effect Analysis)、CVaR模型、模糊綜合評(píng)判法等。金融工程中著名的VaR (Value at Risk)模型開(kāi)創(chuàng)了供應(yīng)鏈風(fēng)險(xiǎn)量化研究的先河,提供了統(tǒng)一且可度量的風(fēng)險(xiǎn)框架,也為當(dāng)時(shí)的工業(yè)界帶來(lái)了巨大的經(jīng)濟(jì)利益。然而,VaR模型也存在自身難以克服的缺點(diǎn):不滿足次可加性、計(jì)算結(jié)果欠穩(wěn)定、缺少對(duì)損失巨大的小概率事件的估計(jì)等。作為對(duì)VaR模型的改進(jìn),CVaR(Conditional Value at Risk)模型應(yīng)運(yùn)而生,它具有優(yōu)良的數(shù)學(xué)性質(zhì)、滿足次可加性和凸性,可以直接通過(guò)線性規(guī)劃求解,為控制損失巨大的小概率風(fēng)險(xiǎn)提供了系統(tǒng)的理論指導(dǎo),并且對(duì)數(shù)據(jù)分布沒(méi)有預(yù)先假定。但是在實(shí)際操作中,CVaR模型主要用于評(píng)估資產(chǎn)主體的信用風(fēng)險(xiǎn),供應(yīng)鏈風(fēng)險(xiǎn)管理由于其自身對(duì)外界環(huán)境的敏感性,需要更加適合其特殊性的方法?;谪惾~斯概率的貝葉斯網(wǎng)絡(luò)被應(yīng)用于供應(yīng)鏈風(fēng)險(xiǎn)因素的識(shí)別與評(píng)估中,取得了較好的效果,然而貝葉斯網(wǎng)絡(luò)存在擬合泛化能力不強(qiáng)的不足。周艷菊等針對(duì)供應(yīng)鏈風(fēng)險(xiǎn)管理中關(guān)于風(fēng)險(xiǎn)識(shí)別、風(fēng)險(xiǎn)評(píng)估、風(fēng)險(xiǎn)預(yù)警的主要研究進(jìn)展進(jìn)行了梳理和分析,表明加強(qiáng)定量化的風(fēng)險(xiǎn)評(píng)估研究是供應(yīng)鏈風(fēng)險(xiǎn)管理的重要組成部分。機(jī)器學(xué)習(xí)模型如支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等已經(jīng)被證明可以通過(guò)訓(xùn)練來(lái)擬合任何線性或非線性函數(shù),從而在近年開(kāi)始被逐漸運(yùn)用于各類(lèi)風(fēng)險(xiǎn)評(píng)估問(wèn)題,例如乳制品供應(yīng)鏈質(zhì)量風(fēng)險(xiǎn)評(píng)估、農(nóng)超對(duì)接新型供應(yīng)鏈績(jī)效評(píng)價(jià)體系、基于供應(yīng)鏈的企業(yè)信貸風(fēng)險(xiǎn)評(píng)估、商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估、銀行貸款風(fēng)險(xiǎn)管理、軟件項(xiàng)目風(fēng)險(xiǎn)預(yù)測(cè)等。
神經(jīng)網(wǎng)絡(luò)是基于生物學(xué)中神經(jīng)元這一概念所創(chuàng)造的一種機(jī)器學(xué)習(xí)系統(tǒng)。在人工神經(jīng)網(wǎng)絡(luò)中,神經(jīng)元之間相互連接的權(quán)重被視作不同參數(shù),為完成特定計(jì)算任務(wù),神經(jīng)網(wǎng)絡(luò)會(huì)模仿生物學(xué)機(jī)理對(duì)相應(yīng)參數(shù)進(jìn)行修正。最初的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)僅包含輸入層和輸出層,只能學(xué)習(xí)線性模型,之后出現(xiàn)帶有隱含層的神經(jīng)網(wǎng)絡(luò),即在輸入層和輸出層之間還存在其他神經(jīng)元傳遞信息。人工神經(jīng)網(wǎng)絡(luò)可以有效處理以下經(jīng)典任務(wù):分類(lèi)問(wèn)題,例如根據(jù)客戶消費(fèi)屬性對(duì)客戶進(jìn)行分類(lèi);模式識(shí)別問(wèn)題,例如對(duì)圖像進(jìn)行特征提??;預(yù)測(cè)問(wèn)題,例如對(duì)產(chǎn)品成本進(jìn)行區(qū)間估計(jì)的智能預(yù)測(cè),并在預(yù)測(cè)基礎(chǔ)上研究產(chǎn)品報(bào)價(jià)風(fēng)險(xiǎn)。然而,神經(jīng)網(wǎng)絡(luò)在供應(yīng)鏈風(fēng)險(xiǎn)管理領(lǐng)域的應(yīng)用才剛剛起步,汽車(chē)供應(yīng)鏈的風(fēng)險(xiǎn)評(píng)估目前尚無(wú)前人成果。
本研究依托上海汽車(chē)(上汽)集團(tuán)及其合作企業(yè)進(jìn)行問(wèn)卷調(diào)查并獲取數(shù)據(jù),創(chuàng)造性地采用機(jī)器學(xué)習(xí)領(lǐng)域的反向傳播神經(jīng)網(wǎng)絡(luò)(BP神經(jīng)網(wǎng)絡(luò))作為理論模型,針對(duì)已經(jīng)識(shí)別的潛在風(fēng)險(xiǎn)因素進(jìn)行重要程度評(píng)分,根據(jù)分值大小有效定位供應(yīng)鏈系統(tǒng)中的薄弱環(huán)節(jié),實(shí)現(xiàn)事前有針對(duì)性的風(fēng)險(xiǎn)管控,為實(shí)際運(yùn)作中汽車(chē)供應(yīng)鏈風(fēng)險(xiǎn)防范措施的制定和應(yīng)急處理機(jī)制的建立提供決策依據(jù),盡可能減少風(fēng)險(xiǎn)發(fā)生對(duì)企業(yè)造成的損失。結(jié)果顯示高風(fēng)險(xiǎn)指標(biāo)集中于供應(yīng)商和制造商兩段,其中制造商的生產(chǎn)風(fēng)險(xiǎn)、意外風(fēng)險(xiǎn)和財(cái)務(wù)風(fēng)險(xiǎn),以及供應(yīng)商的戰(zhàn)略風(fēng)險(xiǎn)對(duì)汽車(chē)供應(yīng)鏈整體風(fēng)險(xiǎn)的影響最為顯著。本研究首次將人工神經(jīng)網(wǎng)絡(luò)運(yùn)用于汽車(chē)供應(yīng)鏈風(fēng)險(xiǎn)評(píng)價(jià),從理論上豐富和拓展了供應(yīng)鏈風(fēng)險(xiǎn)管理的技術(shù)方法,同時(shí)以中國(guó)最大的汽車(chē)集團(tuán)——上汽集團(tuán)的風(fēng)險(xiǎn)評(píng)估狀況作為典型代表,為中國(guó)汽車(chē)產(chǎn)業(yè)供應(yīng)鏈的風(fēng)險(xiǎn)防范管控和高效安全運(yùn)轉(zhuǎn)提供了具有實(shí)踐意義的操作建議和決策支持。
人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)通常包括兩部分:一是神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),比如隱含層數(shù)量、各隱含層中神經(jīng)元個(gè)數(shù)、各神經(jīng)元所使用的激活函數(shù)、各網(wǎng)絡(luò)層之間的連接方式等;二是訓(xùn)練神經(jīng)網(wǎng)絡(luò)的算法,即每次迭代時(shí)通過(guò)何種算法來(lái)修正各鏈接的權(quán)重值。一個(gè)完整的人工神經(jīng)網(wǎng)絡(luò)模型由預(yù)先設(shè)定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)合并網(wǎng)絡(luò)中各神經(jīng)元間的連接權(quán)重所共同構(gòu)成。一般情況下,神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)在訓(xùn)練前由人工設(shè)定并在訓(xùn)練過(guò)程中保持不變,而模型參數(shù)即連接神經(jīng)元的權(quán)重值,在訓(xùn)練過(guò)程的每次迭代中則會(huì)不斷被修改。
人工神經(jīng)網(wǎng)絡(luò)的神經(jīng)元是一個(gè)由多元函數(shù)表示的計(jì)算單元,從其輸入神經(jīng)元處得到n維輸入,經(jīng)過(guò)函數(shù)運(yùn)算后將1維輸出傳遞給其輸出神經(jīng)元。常用的神經(jīng)元計(jì)算函數(shù)包括以下四種,其中x代表該神經(jīng)元加權(quán)求和后的輸入值。
神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)即各神經(jīng)元之間的連接方式是人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的另一重要組成部分,常用拓?fù)浣Y(jié)構(gòu)有分層連接與全連接兩類(lèi)。在神經(jīng)網(wǎng)絡(luò)應(yīng)用于具體問(wèn)題之前,需要選定一個(gè)合適的算法來(lái)訓(xùn)練各神經(jīng)元之間的連接權(quán)重。這一算法被稱(chēng)為訓(xùn)練算法或?qū)W習(xí)算法,通常分為監(jiān)督性算法、非監(jiān)督算法和增強(qiáng)學(xué)習(xí)算法三類(lèi)。監(jiān)督性算法精確度較高,但實(shí)際應(yīng)用中人工成本較高;非監(jiān)督算法沒(méi)有人為事先干預(yù)、可以節(jié)省大量人力資源,但準(zhǔn)確率較低,一般用于數(shù)據(jù)預(yù)處理和數(shù)據(jù)挖掘;增強(qiáng)學(xué)習(xí)算法通過(guò)預(yù)先提供的獎(jiǎng)勵(lì)函數(shù)和懲罰函數(shù)對(duì)迭代結(jié)果進(jìn)行評(píng)價(jià),引導(dǎo)模型不斷修正連接權(quán)重,一般用于需要與外界進(jìn)行實(shí)時(shí)交互的智能系統(tǒng)中。
由于數(shù)學(xué)上已經(jīng)證明,三層神經(jīng)網(wǎng)絡(luò)可以擬合任何復(fù)雜度的線性或非線性映射關(guān)系,故本文使用帶有一層隱含層的網(wǎng)絡(luò)結(jié)構(gòu),即多層感知器,并采用反向傳播(Back Propagation,BP)算法作為連接權(quán)重的訓(xùn)練算法。多層感知器是一種監(jiān)督性算法,給定訓(xùn)練集,便可從此訓(xùn)練集上學(xué)習(xí)到自變量與因變量之間的映射關(guān)系。本文使用典型的三層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò),分別為輸入層、隱含層和輸出層。其中,輸入層包含m個(gè)神經(jīng)元,對(duì)應(yīng)m個(gè)輸入特征,輸出層神經(jīng)元個(gè)數(shù)的選擇規(guī)則如下:當(dāng)y∈(實(shí)數(shù)域)時(shí),輸出層包含一個(gè)神經(jīng)元;當(dāng)y∈{0,1}時(shí),輸出層包含一個(gè)神經(jīng)元;當(dāng)y∈{1,2,…,k}且k>2時(shí),輸出層包含k個(gè)神經(jīng)元。隱含層層數(shù)與各網(wǎng)絡(luò)層之間連接方式的選擇屬于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)問(wèn)題,該類(lèi)問(wèn)題暫時(shí)沒(méi)有統(tǒng)一的理論基礎(chǔ),現(xiàn)有方法都是依據(jù)研究者經(jīng)驗(yàn)進(jìn)行初始化選擇,然后利用交叉驗(yàn)證使得整個(gè)網(wǎng)絡(luò)效果達(dá)到局部最優(yōu)。
本研究使用BP神經(jīng)網(wǎng)絡(luò)這一經(jīng)典拓?fù)浣Y(jié)構(gòu)來(lái)擬合各風(fēng)險(xiǎn)因素發(fā)生的期望損失值與供應(yīng)鏈整體風(fēng)險(xiǎn)值之間的關(guān)系。所謂風(fēng)險(xiǎn)因素的期望損失值是指該風(fēng)險(xiǎn)因素發(fā)生的可能性和其發(fā)生所造成損失值的乘積,在此基礎(chǔ)上量化各風(fēng)險(xiǎn)因素對(duì)供應(yīng)鏈整體風(fēng)險(xiǎn)的貢獻(xiàn)值,評(píng)估各風(fēng)險(xiǎn)因素的重要程度。在本文的網(wǎng)絡(luò)結(jié)構(gòu)中,每層神經(jīng)元只能同相鄰層神經(jīng)元進(jìn)行點(diǎn)對(duì)點(diǎn)連接,通過(guò)最小化模型的實(shí)際輸出值與期望輸出值之差的平方和來(lái)尋找整個(gè)網(wǎng)絡(luò)的最優(yōu)權(quán)重組合。
本研究共邀請(qǐng)134位汽車(chē)供應(yīng)鏈領(lǐng)域的專(zhuān)家分別獨(dú)立對(duì)50個(gè)風(fēng)險(xiǎn)因素進(jìn)行評(píng)分,評(píng)分標(biāo)準(zhǔn)包含以下三類(lèi):(1)每個(gè)風(fēng)險(xiǎn)因素在該專(zhuān)家所在供應(yīng)鏈發(fā)生的可能性;(2)該風(fēng)險(xiǎn)發(fā)生后對(duì)該專(zhuān)家所在供應(yīng)鏈的影響程度;(3)專(zhuān)家所在供應(yīng)鏈的總體風(fēng)險(xiǎn)情況。選取專(zhuān)家均來(lái)自上汽集團(tuán)汽車(chē)供應(yīng)鏈的相關(guān)企業(yè),所屬部門(mén)涉及整車(chē)制造公司與有業(yè)務(wù)往來(lái)的供應(yīng)鏈上下游企業(yè),基本覆蓋整條供應(yīng)鏈,對(duì)當(dāng)前中國(guó)汽車(chē)行業(yè)具有較好的代表性和較高的參考價(jià)值。共發(fā)放問(wèn)卷134份,回收問(wèn)卷134份,其中有效問(wèn)卷104份,符合大樣本條件,可進(jìn)行問(wèn)卷分析。有效問(wèn)卷中,28位專(zhuān)家具有碩士以上學(xué)歷,91位專(zhuān)家具有本科以上學(xué)歷,大專(zhuān)及以下學(xué)歷僅占12.5%,說(shuō)明被調(diào)查者整體受教育程度較高;9位專(zhuān)家具有高級(jí)職稱(chēng);專(zhuān)家的任職資歷跨度較大,從最短的剛參加工作到最長(zhǎng)的近四十年,四分之三以上的專(zhuān)家工作年限在5~25年,說(shuō)明被調(diào)查者擁有較豐富的實(shí)踐經(jīng)驗(yàn),對(duì)于汽車(chē)供應(yīng)鏈的運(yùn)作情況比較熟悉和了解,因此對(duì)風(fēng)險(xiǎn)的判斷和評(píng)估也是較為準(zhǔn)確的。
本文選用表1所示的50個(gè)風(fēng)險(xiǎn)因素來(lái)衡量汽車(chē)供應(yīng)鏈的整體風(fēng)險(xiǎn)。對(duì)于每一個(gè)風(fēng)險(xiǎn)因素,每位受訪專(zhuān)家都會(huì)對(duì)以下兩個(gè)指標(biāo)進(jìn)行評(píng)估:一是該風(fēng)險(xiǎn)發(fā)生的可能性,二是該風(fēng)險(xiǎn)一旦發(fā)生對(duì)其所在供應(yīng)鏈的損害程度。對(duì)于風(fēng)險(xiǎn)發(fā)生的可能性,評(píng)估選項(xiàng)為從基本無(wú)可能到非常有可能的1~5五檔;對(duì)于風(fēng)險(xiǎn)發(fā)生的影響程度,評(píng)估選項(xiàng)為從幾乎無(wú)影響到影響很?chē)?yán)重的1~5五檔。在回收的134份問(wèn)卷中,有部分問(wèn)卷存在信息缺失,對(duì)于此類(lèi)問(wèn)卷,根據(jù)不同的缺失情況采取不同的處理方式:若專(zhuān)家基本信息缺失,因?yàn)闊o(wú)法確定被采訪者的真實(shí)身份,故作廢該問(wèn)卷;若某問(wèn)卷評(píng)價(jià)項(xiàng)缺失率在50%以上或所在供應(yīng)鏈整體風(fēng)險(xiǎn)評(píng)估缺失,則該問(wèn)卷作廢。經(jīng)過(guò)上述處理,本文最終使用的有效問(wèn)卷為104份。
表1 汽車(chē)供應(yīng)鏈風(fēng)險(xiǎn)因素
上述有效數(shù)據(jù)集經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后得到的結(jié)果將分為兩部分進(jìn)行分析與解釋?zhuān)阂皇悄P偷臏?zhǔn)確度分析,二是評(píng)估結(jié)果在實(shí)務(wù)運(yùn)作中的具體解讀。由于可處理數(shù)據(jù)量并不多,不可能專(zhuān)門(mén)分離出一部分?jǐn)?shù)據(jù)來(lái)做測(cè)試集,為最大程度挖掘現(xiàn)有數(shù)據(jù)的潛在價(jià)值,模型的準(zhǔn)確度分析采用交叉驗(yàn)證法。訓(xùn)練完畢的神經(jīng)網(wǎng)絡(luò)模型中包含各層神經(jīng)元之間的連接權(quán)重,如果某神經(jīng)元與其下層神經(jīng)元之間的連接權(quán)重為正數(shù)且數(shù)值越大,則其對(duì)下層連接神經(jīng)元的貢獻(xiàn)越大,反之則貢獻(xiàn)越小。在最終學(xué)習(xí)完畢的神經(jīng)網(wǎng)絡(luò)中,每個(gè)輸入層的神經(jīng)元與輸出層的神經(jīng)元之間都存在若干條連接路徑,通過(guò)綜合對(duì)比不同權(quán)重,可以將各風(fēng)險(xiǎn)因素按照其對(duì)整條供應(yīng)鏈風(fēng)險(xiǎn)的貢獻(xiàn)程度進(jìn)行排序,進(jìn)而定位出對(duì)于整條汽車(chē)供應(yīng)鏈風(fēng)險(xiǎn)管理具有顯著影響的風(fēng)險(xiǎn)因素,有效地為風(fēng)險(xiǎn)防范和管控提供科學(xué)參考和決策依據(jù)。
神經(jīng)網(wǎng)絡(luò)模型中很多參數(shù)需要手動(dòng)調(diào)整,比如隱含層神經(jīng)元個(gè)數(shù)、最大迭代次數(shù)、學(xué)習(xí)率等,雖然已有很多學(xué)者致力于神經(jīng)網(wǎng)絡(luò)參數(shù)的研究,但至今尚無(wú)系統(tǒng)的理論框架來(lái)指導(dǎo)參數(shù)選取,而是在很大程度上依賴(lài)于使用者的個(gè)人經(jīng)驗(yàn)。本文采用了一個(gè)簡(jiǎn)單卻在大多數(shù)情況下非常有效的方法——遍歷法,這一方法除了可行域由使用者事先給定以外,其余與梯度下降法基本類(lèi)似。其基本思路如下:事先給出每個(gè)待定參數(shù)的離散可行域,在考慮學(xué)習(xí)率的可行集合中選取最優(yōu)解,然后根據(jù)梯度下降法思想,每次迭代后將參數(shù)更新為其梯度下降最陡峭方向的候選值。
本文將104份有效數(shù)據(jù)中的80%作為訓(xùn)練集、并使用BP算法來(lái)訓(xùn)練模型,得到神經(jīng)網(wǎng)絡(luò)各神經(jīng)元連接的權(quán)重參數(shù),然后將剩下的20%可用數(shù)據(jù)作為測(cè)試集,檢驗(yàn)本文所得到模型的泛化效果。最終,本文模型的訓(xùn)練誤差為4.743%,測(cè)試誤差為7.757%,在可接受范圍以內(nèi)。另外,值得一提的是,在本文神經(jīng)網(wǎng)絡(luò)模型分類(lèi)錯(cuò)誤的實(shí)例中,其供應(yīng)鏈整體風(fēng)險(xiǎn)的真實(shí)值較模型輸出值偏小,并沒(méi)有出現(xiàn)將真實(shí)值較大的實(shí)例預(yù)測(cè)為風(fēng)險(xiǎn)值較小的情況。這是一種相對(duì)比較理想的預(yù)測(cè)效果,因?yàn)樵诠?yīng)鏈風(fēng)險(xiǎn)管理實(shí)踐中,將實(shí)際風(fēng)險(xiǎn)值較低的供應(yīng)鏈預(yù)測(cè)為高風(fēng)險(xiǎn)的懲罰項(xiàng)要顯著低于將實(shí)際高風(fēng)險(xiǎn)預(yù)測(cè)為低風(fēng)險(xiǎn),如后者一旦發(fā)生,該供應(yīng)鏈潛在風(fēng)險(xiǎn)由于未被足夠重視而無(wú)法提前進(jìn)行針對(duì)性管控,從而極有可能導(dǎo)致整個(gè)供應(yīng)鏈的破壞和崩潰。
本文所得到的BP神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化參數(shù)如下:
隱含層層數(shù):1層;隱含層神經(jīng)元個(gè)數(shù):30個(gè);輸入層神經(jīng)元激活函數(shù):線性函數(shù);隱含層神經(jīng)元激活函數(shù):ReLU函數(shù);輸出層神經(jīng)元激活函數(shù):SoftMax函數(shù);學(xué)習(xí)率:0.005;輸入層與隱含層間連接方式:全連接;隱含層與輸出層間連接方式:全連接。在上述參數(shù)設(shè)置環(huán)境下,BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練誤差和測(cè)試誤差的迭代結(jié)果如圖1所示:
圖1 訓(xùn)練誤差與測(cè)試誤差的迭代結(jié)果
根據(jù)BP算法訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型中各連接權(quán)重,輸入層中每個(gè)神經(jīng)元與輸出層中每個(gè)神經(jīng)元都存在若干路徑,將這些路徑的權(quán)重相乘即獲得各個(gè)風(fēng)險(xiǎn)因素對(duì)供應(yīng)鏈整體風(fēng)險(xiǎn)的影響程度。根據(jù)這一影響程度從高到低將識(shí)別出的15個(gè)一級(jí)風(fēng)險(xiǎn)指標(biāo)和50個(gè)二級(jí)風(fēng)險(xiǎn)因素進(jìn)行排序,結(jié)果如表2和表3所示。
從表2中的一級(jí)風(fēng)險(xiǎn)指標(biāo)的評(píng)價(jià)結(jié)果可以發(fā)現(xiàn),高風(fēng)險(xiǎn)指標(biāo)主要集中于供應(yīng)商和制造商兩段,而消費(fèi)者的選擇風(fēng)險(xiǎn)與分銷(xiāo)商的戰(zhàn)略風(fēng)險(xiǎn)則基本可以認(rèn)為對(duì)汽車(chē)供應(yīng)鏈整體風(fēng)險(xiǎn)的影響微乎其微。具體來(lái)看,制造商的生產(chǎn)風(fēng)險(xiǎn)、意外風(fēng)險(xiǎn)和財(cái)務(wù)風(fēng)險(xiǎn),以及供應(yīng)商的戰(zhàn)略風(fēng)險(xiǎn)對(duì)汽車(chē)供應(yīng)鏈整體風(fēng)險(xiǎn)的影響程度最為顯著,均在0.75以上。
表2 一級(jí)風(fēng)險(xiǎn)指標(biāo)的影響程度
供應(yīng)商作為汽車(chē)產(chǎn)業(yè)鏈的開(kāi)端,其戰(zhàn)略風(fēng)險(xiǎn)在實(shí)務(wù)運(yùn)行中成為汽車(chē)產(chǎn)業(yè)鏈風(fēng)險(xiǎn)較高的環(huán)節(jié)之一。汽車(chē)作為高科技產(chǎn)品,隨著科技水平的提升,產(chǎn)品的升級(jí)換代一般都始于區(qū)域性零部件供應(yīng)商的科技發(fā)展提升。國(guó)際著名的咨詢機(jī)構(gòu)羅蘭貝格預(yù)測(cè),2030年“汽車(chē)共享”“智能互聯(lián)”“自動(dòng)駕駛”將成為汽車(chē)行業(yè)發(fā)展的三大趨勢(shì),因此供應(yīng)商的發(fā)展戰(zhàn)略能否與市場(chǎng)發(fā)展相匹配,將成為汽車(chē)供應(yīng)鏈有效運(yùn)轉(zhuǎn)和穩(wěn)定發(fā)展的關(guān)鍵因素之一。
制造商是汽車(chē)供應(yīng)鏈中最為核心的一個(gè)環(huán)節(jié),汽車(chē)行業(yè)一致公認(rèn)制造商是驅(qū)動(dòng)汽車(chē)產(chǎn)業(yè)發(fā)展和變革的決定性因素,其對(duì)于汽車(chē)供應(yīng)鏈的正常運(yùn)轉(zhuǎn)是至關(guān)重要的。制造商的生產(chǎn)是整個(gè)汽車(chē)供應(yīng)鏈產(chǎn)品輸出的關(guān)鍵,其生產(chǎn)風(fēng)險(xiǎn)必然會(huì)影響到整個(gè)供應(yīng)鏈上下游的核心汽車(chē)產(chǎn)品能否科學(xué)及時(shí)地完成生產(chǎn)。意外風(fēng)險(xiǎn)則會(huì)影響到正常生產(chǎn)能否順利有效開(kāi)展,2015年德國(guó)大眾集團(tuán)爆發(fā)了震驚全球汽車(chē)行業(yè)的“排氣尾門(mén)事件”,緊接著面臨美國(guó)和歐盟的巨額罰款及市場(chǎng)召回行動(dòng),造成了巨大損失。
汽車(chē)行業(yè)是資金密集行業(yè),一個(gè)整車(chē)廠(涵蓋沖壓、車(chē)身、油漆和總裝四大工藝)的總投資達(dá)到10億~12億人民幣,加上大量的工裝模具投資,資金投入堪稱(chēng)巨大,因此財(cái)務(wù)資源的匹配和財(cái)務(wù)風(fēng)險(xiǎn)的控制尤為關(guān)鍵。財(cái)務(wù)風(fēng)險(xiǎn)又是由多個(gè)因素綜合構(gòu)成的,受到匯率變動(dòng)、原材料成本上漲、生產(chǎn)成本上升及金融危機(jī)爆發(fā)等各種因素的影響。2007年,美國(guó)發(fā)生了由房地產(chǎn)次貸危機(jī)引起的金融風(fēng)暴,席卷全球經(jīng)濟(jì)環(huán)境,汽車(chē)產(chǎn)業(yè)也未能幸免,百年老店美國(guó)通用汽車(chē)在此次危機(jī)中遭受了前所未有的重挫,2008年被迫破產(chǎn)重組,在美國(guó)政府的支持和幫助下,成立了新通用汽車(chē)。
對(duì)于表3所列舉的50個(gè)二級(jí)風(fēng)險(xiǎn)因素,可以依據(jù)其影響程度數(shù)值劃分出5個(gè)高風(fēng)險(xiǎn)因素(0.85及以上)、4個(gè)中高風(fēng)險(xiǎn)因素(0.8~0.85)、13個(gè)中風(fēng)險(xiǎn)因素(0.6~0.8)。以下針對(duì)每一級(jí)別中的典型風(fēng)險(xiǎn)因素進(jìn)行具體分析解讀。
表3 50個(gè)二級(jí)風(fēng)險(xiǎn)因素的影響程度
3.1.1供應(yīng)商機(jī)械設(shè)備老舊,生產(chǎn)效率低
從福特汽車(chē)發(fā)明T-CAR開(kāi)始,汽車(chē)進(jìn)入大規(guī)模流水線生產(chǎn),一般產(chǎn)品的生命周期為6年,其中每3年一次中期改型,每年一次外觀更新。這些更新改變一般都是重要的外飾或功能性零件,這些零件的生產(chǎn)對(duì)于整個(gè)汽車(chē)供應(yīng)鏈而言往往都是汽車(chē)制造商的非自制零件,來(lái)自供應(yīng)商的外采購(gòu)件。從這一點(diǎn)來(lái)看,供應(yīng)商機(jī)械設(shè)備的更新能否及時(shí)完成,提升有效產(chǎn)出率并保證供應(yīng)鏈供貨,在汽車(chē)生產(chǎn)運(yùn)作過(guò)程中極為關(guān)鍵。中國(guó)汽車(chē)市場(chǎng)規(guī)模最大的零部件供應(yīng)商集團(tuán)華域汽車(chē)系統(tǒng)股份有限公司在其“十三五”規(guī)劃中明確提出,整個(gè)集團(tuán)下屬工廠實(shí)施工業(yè)4.0提升計(jì)劃,淘汰效率低下的設(shè)備,提高設(shè)備的生產(chǎn)效率,將平均有效產(chǎn)出率從“十二五”末的65%提升至“十三五”末的80%。
3.1.2供應(yīng)鏈上游主要供應(yīng)商破產(chǎn)
核心零部件供應(yīng)商破產(chǎn),對(duì)整個(gè)汽車(chē)供應(yīng)鏈也是一個(gè)高風(fēng)險(xiǎn)因素。從一級(jí)供應(yīng)商,到二級(jí)、三級(jí)供應(yīng)商,部分加工深度或組裝程度復(fù)雜的零部件會(huì)有四級(jí)、五級(jí)供應(yīng)商,在特定級(jí)別的供應(yīng)商中會(huì)存在兩至三個(gè)主要供應(yīng)商。在汽車(chē)行業(yè),一般培育一個(gè)供貨質(zhì)量成熟、供貨能力合格的供應(yīng)商需要兩到三年時(shí)間,所以行業(yè)中多采用“一品兩點(diǎn)”模式,即一個(gè)核心零部件往往有兩個(gè)供應(yīng)商供貨,保證體系的供貨安全、連續(xù)。但是受到宏觀經(jīng)濟(jì)面的波動(dòng)、汽車(chē)市場(chǎng)的波動(dòng)和自身經(jīng)營(yíng)管理水平等因素的影響,供應(yīng)商變動(dòng)還是比較顯著。以上海大眾汽車(chē)有限公司為例,2013—2015年平均有供應(yīng)商550家,每年有20%的供應(yīng)商會(huì)變動(dòng)離開(kāi)供應(yīng)體系,其中大約5%是由于破產(chǎn)、重組等原因退出。這些都是需要高度關(guān)注的因素,否則會(huì)對(duì)產(chǎn)業(yè)供應(yīng)鏈造成巨大影響。
3.1.3消費(fèi)者的購(gòu)車(chē)資金儲(chǔ)備不足
中國(guó)消費(fèi)者的購(gòu)車(chē)消費(fèi)習(xí)慣是積存充足的自由資金后再進(jìn)行消費(fèi)和購(gòu)買(mǎi),因此消費(fèi)者購(gòu)車(chē)資金的儲(chǔ)備充足與否,就成為影響消費(fèi)者層面對(duì)汽車(chē)供應(yīng)鏈落實(shí)有效消費(fèi)的一個(gè)重要因素。雖然近年來(lái)中國(guó)消費(fèi)者對(duì)于汽車(chē)消費(fèi)貸款的接受程度在逐步提高,汽車(chē)消費(fèi)信貸滲透率已經(jīng)達(dá)到35%左右,但是距離歐美國(guó)家65%的滲透率還有很大差距。所以,在今后相當(dāng)長(zhǎng)的一段時(shí)間內(nèi),消費(fèi)者的購(gòu)車(chē)資金儲(chǔ)備不足對(duì)于汽車(chē)供應(yīng)鏈仍然是一個(gè)重要的風(fēng)險(xiǎn)因素。
3.1.4經(jīng)銷(xiāo)商層面臨國(guó)家宏觀調(diào)控政策變化
經(jīng)銷(xiāo)商是汽車(chē)供應(yīng)鏈的一個(gè)重要節(jié)點(diǎn),汽車(chē)經(jīng)銷(xiāo)環(huán)節(jié)在實(shí)際運(yùn)作中非常容易受到國(guó)家宏觀經(jīng)濟(jì)的影響。2015年10月1日起,國(guó)務(wù)院為刺激汽車(chē)消費(fèi)、促進(jìn)我國(guó)汽車(chē)市場(chǎng)發(fā)展,推行1.6升以下小排量汽車(chē)購(gòu)置稅減半的優(yōu)惠政策,對(duì)國(guó)內(nèi)汽車(chē)市場(chǎng)消費(fèi)起到了非常積極的促進(jìn)作用。2016年我國(guó)汽車(chē)全年銷(xiāo)量預(yù)計(jì)達(dá)到2700萬(wàn)輛,同比增長(zhǎng)12%左右,成為近年來(lái)市場(chǎng)增量新高。因此,經(jīng)銷(xiāo)商層面對(duì)國(guó)家宏觀調(diào)控政策的敏感性是非常顯著的,這也成為汽車(chē)供應(yīng)鏈管理中一個(gè)重要的風(fēng)險(xiǎn)因素。
3.2.1制造商設(shè)備柔性低,轉(zhuǎn)產(chǎn)能力差
傳統(tǒng)制造商的生產(chǎn)線一般是缺乏柔性的。以中國(guó)第一家中外合資整車(chē)制造企業(yè)上海大眾汽車(chē)有限公司為例,1984年引進(jìn)第一條生產(chǎn)流水線,專(zhuān)用于桑塔納轎車(chē)的生產(chǎn)。1998年上海通用汽車(chē)公司在其浦東金橋基地,在設(shè)計(jì)生產(chǎn)流水線時(shí)開(kāi)始考慮多個(gè)產(chǎn)品的共線生產(chǎn),開(kāi)始了柔性化生產(chǎn)線布局的嘗試。隨著汽車(chē)市場(chǎng)的發(fā)展和消費(fèi)能力的全面升級(jí),汽車(chē)市場(chǎng)消費(fèi)者對(duì)汽車(chē)的消費(fèi)已經(jīng)全面進(jìn)入“個(gè)性化、差異化、小批量”的嶄新階段。在這樣的市場(chǎng)環(huán)境下,制造商設(shè)備的柔性高低和轉(zhuǎn)產(chǎn)能力的強(qiáng)弱都是其是否能夠跟上汽車(chē)需求市場(chǎng)快速變化的關(guān)鍵因素。
3.2.2供應(yīng)商產(chǎn)線意外事故
在所有工業(yè)部門(mén)中,汽車(chē)制造是供應(yīng)鏈最長(zhǎng)的部門(mén)之一,供應(yīng)商涉及鋼鐵、化工、橡膠、能源、金屬加工等多個(gè)領(lǐng)域,任何環(huán)節(jié)的供應(yīng)商出現(xiàn)意外事故都將會(huì)影響整個(gè)汽車(chē)供應(yīng)鏈的正常運(yùn)行。2014年8月3日,昆山中榮金屬制品有限公司汽車(chē)輪轂拋光車(chē)間發(fā)生爆炸事故,該企業(yè)是美國(guó)通用汽車(chē)和上海通用汽車(chē)的三級(jí)供應(yīng)商,此次意外事故直接導(dǎo)致上海通用汽車(chē)部分產(chǎn)品生產(chǎn)停線3天,并波及大洋彼岸的美國(guó)通用汽車(chē)墨西哥工廠,影響其正常生產(chǎn)一周。供應(yīng)商產(chǎn)線的意外事故發(fā)揮著“牛鞭效應(yīng)”,其影響波及整個(gè)供應(yīng)鏈,對(duì)整個(gè)供應(yīng)鏈管理帶來(lái)巨大挑戰(zhàn)。
3.2.3供應(yīng)商石油等重要生產(chǎn)資源價(jià)格上漲
從汽車(chē)產(chǎn)品的成本構(gòu)成來(lái)看,材料成本可達(dá)60%左右,因此材料成本的上升將在很大程度上影響凈利潤(rùn),也將進(jìn)一步影響到企業(yè)競(jìng)爭(zhēng)力。以華域汽車(chē)為例,對(duì)2013—2015年下屬零部件企業(yè)經(jīng)營(yíng)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析,發(fā)現(xiàn)企業(yè)盈利性對(duì)成本項(xiàng)目中鋼材價(jià)格的敏感性比較高,其中熱加工板塊企業(yè)對(duì)鋼材價(jià)格敏感程度最高。另一方面,供應(yīng)商由于掌握的科技實(shí)力有限,降低成本的科技手段并不多,使得供應(yīng)商在面臨人力、設(shè)備、資源等生產(chǎn)資料成本上升的情況下,缺乏強(qiáng)有力的控制方法,因而供應(yīng)商重要生產(chǎn)資源價(jià)格上漲也是汽車(chē)供應(yīng)鏈較為重要的風(fēng)險(xiǎn)因素。
3.3.1供應(yīng)商操作工流失
在汽車(chē)行業(yè),時(shí)常出現(xiàn)某供應(yīng)商因?yàn)橐痪€操作工的流失而影響其生產(chǎn)的情況,特別是春節(jié)之后,大量農(nóng)民工返城后重新選擇行業(yè),使得汽車(chē)行業(yè)一線工人流失現(xiàn)象尤為嚴(yán)重,部分企業(yè)的流失率甚至高達(dá)30%。汽車(chē)產(chǎn)業(yè)是勞動(dòng)密集型產(chǎn)業(yè),中國(guó)人口紅利的逐步消失正在不斷影響著國(guó)內(nèi)汽車(chē)工業(yè)的發(fā)展,陸續(xù)造成一線操作工流失率上升等現(xiàn)象,成為汽車(chē)供應(yīng)鏈管理中值得注意的一個(gè)風(fēng)險(xiǎn)因素。
3.3.2研發(fā)能力低下,新產(chǎn)品競(jìng)爭(zhēng)力不足
目前國(guó)內(nèi)的整車(chē)企業(yè),包括上汽、一汽、東風(fēng)等領(lǐng)頭車(chē)企的研發(fā)能力普遍低下、新產(chǎn)品競(jìng)爭(zhēng)力不足,主要表現(xiàn)在以下三個(gè)方面:第一,由于市場(chǎng)需求預(yù)測(cè)準(zhǔn)確性不高,致使新研發(fā)產(chǎn)品不符合市場(chǎng)需要而導(dǎo)致研發(fā)失敗;第二,部分研發(fā)屬于外觀設(shè)計(jì)改型,鮮有技術(shù)創(chuàng)新、擁有新技術(shù)知識(shí)產(chǎn)權(quán)的研發(fā),導(dǎo)致仍然未能掌握某些核心技術(shù),進(jìn)而產(chǎn)生風(fēng)險(xiǎn);第三,市場(chǎng)本身的波動(dòng)性導(dǎo)致經(jīng)過(guò)多年研發(fā)的產(chǎn)品,在投入市場(chǎng)后卻面臨已經(jīng)變化的市場(chǎng)需求。如何提升研發(fā)能力、提高新產(chǎn)品競(jìng)爭(zhēng)力是汽車(chē)供應(yīng)鏈風(fēng)險(xiǎn)管理的重要環(huán)節(jié)之一。
在競(jìng)爭(zhēng)白熱化、需求多樣化的市場(chǎng)背景下,汽車(chē)供應(yīng)鏈由于節(jié)點(diǎn)企業(yè)多、鏈條長(zhǎng)、節(jié)點(diǎn)企業(yè)間關(guān)聯(lián)度高、技術(shù)和資金密集等特點(diǎn),更易受到各類(lèi)風(fēng)險(xiǎn)因素的嚴(yán)重影響。本文將BP神經(jīng)網(wǎng)絡(luò)創(chuàng)造性地運(yùn)用于上汽集團(tuán)汽車(chē)供應(yīng)鏈潛在風(fēng)險(xiǎn)因素的重要程度評(píng)估中,為實(shí)現(xiàn)事前有針對(duì)性的風(fēng)險(xiǎn)管控、建立應(yīng)急處理機(jī)制提供了科學(xué)決策指導(dǎo)。
對(duì)于各級(jí)指標(biāo)進(jìn)行風(fēng)險(xiǎn)評(píng)估,可以發(fā)現(xiàn)高風(fēng)險(xiǎn)指標(biāo)主要集中于供應(yīng)商和制造商兩大環(huán)節(jié),本文針對(duì)相關(guān)汽車(chē)企業(yè)提出如下建議:首先,供應(yīng)商和制造商下屬工廠實(shí)施工業(yè)提升計(jì)劃,淘汰效率低下的設(shè)備,積極提高設(shè)備的生產(chǎn)效率、柔性和轉(zhuǎn)產(chǎn)能力,以適應(yīng)汽車(chē)需求市場(chǎng)的快速變化;其次,重視市場(chǎng)調(diào)研,及時(shí)獲取市場(chǎng)需求波動(dòng)信息,以此作為參考規(guī)劃未來(lái)的研發(fā)方向,同時(shí)保證一定彈性,以及時(shí)響應(yīng)市場(chǎng)變化;再次,大力推進(jìn)自主創(chuàng)新,努力提升科技水平,積極探索掌握核心技術(shù),把握未來(lái)汽車(chē)行業(yè)的發(fā)展方向;最后,增強(qiáng)企業(yè)文化,對(duì)于下屬員工特別是一線操作工人增加人文關(guān)懷,培養(yǎng)其對(duì)公司的歸屬感和對(duì)工作的認(rèn)同感,降低有經(jīng)驗(yàn)員工的流失率。