□石春生 孟大鵬 [哈爾濱工業(yè)大學 哈爾濱 150001]

基于SVM的核電裝備制造業(yè)供應風險預測模型研究

□石春生 孟大鵬 [哈爾濱工業(yè)大學 哈爾濱 150001]

基于對核電裝備制造業(yè)供應風險的因素識別，確立風險預測指標體系；對國內某家重點核電裝備制造企業(yè)及其60家供應商進行問卷調研及深度訪談，運用支持向量機及l(fā)ibsvm技術建立供應風險的預測模型；最后的案例研究表明了該預測體系的可行性與可靠性。

支持向量機; 核電裝備; 供應風險; 預測模型

基于大力推進核電工業(yè)的戰(zhàn)略規(guī)劃，AP1000進程中的中國核電事業(yè)面臨兩大難題：一是加速實現(xiàn)核電技術的自主化，建立獨立、完備、有中國特色的核電工業(yè)體系；二是如何有效地應對自主化進程中關鍵部件及物資過度依賴于進口引發(fā)的供應風險。目前我國尚未實現(xiàn)全部裝備的設計、制造自主化，有20%的關鍵裝備尚依賴于進口，由此產(chǎn)生的供應質量及交貨延遲問題已成為核電工業(yè)發(fā)展的瓶頸。為化解供應風險、保證物資供應，技術、制造領域的理論及實踐者已紛紛投入精力并取得了相應成績；而從管理角度對供應風險進行分析、預測研究的課題尚未引起關注，現(xiàn)有研究多是概念、策略性的一般表述，其科學性和指導意義有待考證。為突破這一局限，本文從供應商及風險管理理論出發(fā)，在風險識別的基礎上利用支持向量機的方法建立風險預測模型，以期為風險控制提供客觀依據(jù)。

一、支持向量回歸理論

支持向量回歸機（Support Vector Regression，SVR）是在支持向量機（Support Vector Machine，SVM）分類模型的基礎上引入一個用于距離修正的ε作為損失函數(shù)，以確保對偶變量的稀疏性和全局最小解的存在和可靠泛化界的優(yōu)化。

（一）不敏感損失函數(shù)ε

基于結構風險最小化原則，構建針對實函數(shù)集的SVR模型，需引入ε建立損失函數(shù):

（二）支持向量回歸機

將SVR表述為：給定訓練樣本集（xi,yi） ,x∈R，i=1,..n，引入ε作為風險函數(shù)

引入Lagrange系數(shù):

求解最優(yōu)問題及iα和*iα后，可以求得回歸方程：

二、基于SVM的供應風險預測模型構建

（一）指標體系的確立

1.相關理論假設

外部環(huán)境風險：由外部環(huán)境誘發(fā)的供應風險，如：自然災害對廠址、物流的摧毀；經(jīng)濟政策、金融風暴引發(fā)的供應危機；技術革新對現(xiàn)有技術的沖擊及鑒于核工業(yè)的敏感性，受到不同國家政治體制作用而引發(fā)的供應風險。建立假設：

H1：自然環(huán)境因素與供應風險相關

H2：政治環(huán)境因素與供應風險相關

H3：經(jīng)濟環(huán)境因素與供應風險相關

H4：科技環(huán)境因素與供應風險相關

內部合作風險：由供求雙方企業(yè)能力與合作意愿交互作用而引發(fā)的供應風險。

（1）供應商的企業(yè)能力：

技術：Burns[1]和George Stalk[2]指出，企業(yè)的技術能力包括技術引進、擴散及創(chuàng)新能力。Amos指出，技術能力是學習、培訓及科研共同作用的結果，以R&D人才培養(yǎng)、R&D經(jīng)費投入為關鍵。鑒于技術自主化對于核電裝備制造業(yè)供應風險防范的重要意義，建立假設：

H5：供應商的R&D人員比例與供應風險相關

H6：供應商的R&D投入強度與供應風險相關

H7：供應商的新產(chǎn)品產(chǎn)值比例與供應風險相關

質量：Dickson的經(jīng)典研究表明，質量是企業(yè)最重要的能力。Berrittella[3]將質量保證能力列入企業(yè)考核的重點。陳實將服務指標列入供應商評價體系中。Tobias[4]認為，對供應商評價不僅要考慮質量、技術，還應考慮柔性、服務及多樣性指績效。建立假設：

H8：供應商的質量管理狀況與核電裝備制造業(yè)的供應風險相關

H9：供應商的服務及時率與核電裝備制造業(yè)的供應風險相關

（2）核電裝備制造企業(yè)的能力：

管理：Dale[5]指出，能力的評價體系應涵蓋管理的有效性。Tobias[6]認為，與管理相關的協(xié)作能力將影響雙方合作。馬士華教授強調物資管理的失敗會帶來供應風險。鑒于核電裝備物資單價高、付款額度大，將付款及時率指標列入企業(yè)能力的評價范疇。建立假設：

H10：采購商的關系管理能力與供應風險相關

H11：采購商的準期付款率與供應風險相關

控制：Hallikas[6]指出，質量、進度等來自于供應商的行為是供應風險的誘因。Uzzi[7]將戰(zhàn)略、運作及雙方對過程的控制歸為供應風險的誘因。建立假設：

H12：采購商的質量控制能力與供應風險相關

H13：采購商的進度控制能力與供應風險相關

支持：Patton[8]提出，采購商的支持有利于供應商能力的提升；Zsidisin[9]指出，人才缺乏將誘發(fā)供應風險。現(xiàn)有供應商大都存在技術能力、專業(yè)人才缺乏的情況，建立假設：

H14：采購商的技術支持情況與供應風險相關

H15：采購商的人才支持情況與供應風險相關

（3）雙方的合作意愿：Steele認為供應風險的誘發(fā)源于供應與需求不平衡。Wendy[10]提出，除了考慮成本、質量以外，管理相容性等意愿指標也需引起雙方關注。鑒于核電裝備制造業(yè)物資供求市場上經(jīng)常出現(xiàn)供求不平衡以及由此引發(fā)合作依賴偏差的狀況，建立假設：

H16：周期供應額與供應商的全部供應額的比例與供應風險相關

H17：周期采購額占采購商的全部采購額的比例與供應風險相關

H18：合作物資的市場需求廠家數(shù)量與供應風險相關

H19：合作物資的市場供應廠家數(shù)量與供應風險相關

H20：合作物資的市場供需狀況與供應風險相關

H21：供應商是否具備核級資質與供應風險相關

2.實證研究

利用研究變量之間密切程度的相關分析實證前文假設的科學性?？紤]到數(shù)據(jù)的特點，采用基于秩次大小、對變量分布不作要求的Spearman方法計算相關系數(shù)：

上式中：d為每對變量（X,Y）的秩次之差，n為對子數(shù)。

借助SPSS12.0，經(jīng)由Analysis->Correlate->Bivariate>Spearman操作，相關分析的結果如表1所示：是否核級，人才、技術支持，自然、經(jīng)濟、科技環(huán)境指標未通過顯著性檢驗，表示這6個指標與供應風險的相關性不明顯，假設未得到驗證；除此之外的15個假設得到了驗證，對應的15個指標構建了供應風險的影響因素并用于風險預測的研究。

（二）實現(xiàn)技術及數(shù)據(jù)處理

1.實現(xiàn)技術：應用在國際著名的研究機構中享有很高的威望的Libsvm軟件包作為SVM預測模型的實現(xiàn)技術，操作平臺為Windows2000。

2.數(shù)據(jù)處理：為防止數(shù)據(jù)庫中特征值極大的指標對特征值極小的指標產(chǎn)生控制效應，避免計算過程中數(shù)據(jù)過大的問題，應Libsvm的要求，調用命令E:LibSVMwindowsSvmScale –s data0.range data0.scale >data.scale，對60個樣本數(shù)據(jù)進行歸一化處理。

（三）試驗步驟

步驟1：模型的訓練

1.參數(shù)尋優(yōu)：通過Libsvm的自動交互檢驗功能尋求最優(yōu)參數(shù)，力求系統(tǒng)的MSE最小。

輸入：E:python26>python e:python 26gridreg ression.py-svmtrain e:LibSVMwindows svmtrain.exe–gnuplot e:gnuplot binpgnupolt.exe –log2c-10,10,1 –log2g -10,10,1 –log2p -10,10,1 -v 10 –s 3 –t 2 e:LibSVMwindows finaltrain.txt>gridegression final train.parameter

-log2c，-log2g，-log2p：設置參數(shù)c，g，p的范圍和步長分別為[-10,10]，1；

輸出：整理finaltrain.parameter獲得MSE的最小值及對應的最優(yōu)參數(shù)c，g，p。

表1 相關分析結果

2.訓練并獲得SVR模型：基于最優(yōu)參數(shù)進行回歸模型的訓練，以獲取SVR模型。

輸入：C:LibSVMsvmtrain –s 3 –t 2 –c –g –p

輸出：整理finaltrain.model獲得SVR模型，包括二次規(guī)劃最小值及判決函數(shù)常數(shù)項。

3.求解回歸方程：總結模型的各項輸出，求解未知項，獲得回歸方程的表達式。

根據(jù)輸出項g，確定BFR的表達式；提取αi?αi*值，確定回歸方程。

步驟2：模型的預測

輸入：C:LibSVMwindows>svmpredict finaltest.txt finaltrain.txt.model out.txt

輸出：整理輸出文件out.txt，獲得經(jīng)SVR預測后finaltest.txt對應的預測結果。

步驟3：模型的評價

機器學習及統(tǒng)計理論用于模型評價的系數(shù)主要有MSE，MD，CD和CRM。令xi與分別表示第i家供應商供應風險的實際值與回歸模型求得的預測值。

（1）均方誤差MSE（Mean square error）：實際值與預測值之差平方的期望，其值越小，表示模型預測的誤差越?。?/p>

（2）平均差MD（Mean difference between measurement and simulation）：實際值與預測值之差的平均數(shù)，反映模型的一致性。MD>0，表示預測值相對于實際值偏低；MD＜0，則預測值相對于實際值偏高；MD=0，模型的模擬效果最好：

MD的t檢驗值（t檢驗所用自由度為n?2），若成立，則模型系統(tǒng)誤差不顯著，模擬效果較好；反之，模型系統(tǒng)誤差較顯著，模擬效果較差。

其中：

（3）確定系數(shù)CD（Coefficient of determination）：實際值與預測值變異度的比值，反映二者變異的一致性。CD=1，表示二者變異相同；0＜CD＜1，模型存在一定的系統(tǒng)誤差；CD>1，則模型不能完全描述個別極值：

（4）整群剩余系數(shù)CRM（Coefficient of residual mass）：全部預測值之和偏離全部實際值之和的程度。CRM＜0，表示整體預測值大于實際值；CRM>0，則整體預測值小于實際值；其值越接近于0，系統(tǒng)誤差的可能性越小，模型的一致性越好：

三、算例

（一）數(shù)據(jù)來源及處理

對我國某家重點核電裝備制造企業(yè)及其供應商進行調研。調查形式的設計及內容的權衡，來自于綜述理論成果和研究者自身學習與工作經(jīng)驗的總結。結合企業(yè)訪談和調查問卷的方式，從定性、定量角度共同建立數(shù)據(jù)庫：發(fā)放問卷180份，回收有效問卷120份，其中,60份來自于核電裝備制造企業(yè)，60份來自于供應商。經(jīng)Libsvm命令歸一化處理后，為實現(xiàn)交叉對比，將60個樣本隨機生成兩組：第一組由40個樣本訓練模型，對其余20個樣本進行風險預測；第二組由20個樣本訓練模型，對其余40個樣本進行風險預測。

（二）模型的訓練

兩組模型訓練輸出如圖2及圖3所示。整理finaltrain.paramete得出兩組最優(yōu)參數(shù)分別為：c=1240，g= 0.00195，p= 0.0039；c=4，g= 0.0078，p= 0.00383。

確定兩組BFR的表達式為：

2.兩組回歸方程：整理輸出finaltrain.model提取兩組αi?αi*，結合BRF求

圖1 第一組SVR模型

圖2 第二組SVR模型

（三）模型的預測

整理輸出out.txt，比較實際值與預測值，生成表2和表3。

表2 第一組SVR模型預測值與實際值的比較

表3 第二組SVR模型預測值與實際值的比較

（四）模型的評價

分別求得預測模型的評價系數(shù)MSE，MD，CD和CRM，如表4所示。

表4 兩組SVR模型的系數(shù)比較

如表4所示：第一組SVR模型MSE為0.0336，小于第二組，則其誤差小于第二組。第一組SVR模型MD= ?0.0042 ＜0，預測值偏高于實際值；第二組MD=0.0471>0，預測值偏低于實際值；第一組MD比第二組更趨近于0，預測偏差小于第二組；兩組MD的t檢驗值皆小于t0.05，系統(tǒng)誤差不顯著。第一組SVR模型CD=0.5907＜1，模型存在一定系統(tǒng)誤差，但可描述全部指標特征；第二組SVR模型CD=4.3748 >1，模型系統(tǒng)誤差較小，但可能無法描述個別極端值；第一組模型的CD更趨近于1，系統(tǒng)擬和度優(yōu)于第二組。第一組SVR模型的CRM=-0.0037 ＜0，預測值偏高于實際值；第二組SVR模型的CRM=0.0388 >0，預測值偏低于實際值。第一組CRM比第二組更趨近于0，其預測偏差較小。綜合而言，兩組預測模型的系統(tǒng)誤差及精度都在可接受的范圍內；第一組SVR模型略優(yōu)于第二組SVR模型。

四、結束語

在對核電裝備制造業(yè)供應風險因素識別的基礎上，運用支持向量回歸機及Libsvm的技術構建了供應風險預測模型。由于支持向量機的目標是在現(xiàn)有資源下尋求最優(yōu)解，樣本數(shù)據(jù)量較小的情勢下亦能收到理想的預測結論，使得該模型具有較好的推廣性。本研究期望成為核電裝備制造企業(yè)在應對供應風險過程中，對供應商進行事前及事中考評、測量供應風險度的有效方法論。

[1]BURNS, STALKER. The Organization of Innovation[J]. Knowledge Management and Organisational Design, 1996,(1):77-92

[2]STALK G, EVANS P. Competing on Capabilities, The New Rule of Corporate Strategy [J]. Harvard Business Review,2002, (3):12-15.

[3]BERRITTELLA. An Analytic Hierarchy Process for the Evaluation of Transport Policies to Reduce Climate Change Impacts [J]. Fondazione Eni Enrico Mattei, 2007, (1):4-8

[4]SCHOENHERR T, TOMMALA V M R, HARRISON T P. Assessing supply chain risks with the analytic hierarchy process: Providing decision support for the offshoring decision by a US manufacturing company [J]. Purchase and Supply management, 2008, (14): 100-111.

[5]DALE, SHAW P. Statistical process control: An examination of some common queries [J]. International Journal of Production Economics, 2001, (22): 33-41.

[6]HALLIKAS, KUMAR K. Sutainable collaboration,Managing conflict and cooperation in interrogational systems[J].Mis-quarterly, 2006, (20): 279-300.

[7]UZZI B. Social structure and competition in inter firm networks: The paradox of embeddedness[J]. Administrative Science Quaterly, 1997, (42): 35-67.

[8]PATTON, YATES J, RENJAMIN R K. Electronic markets and electronic hierarchies [J]. Communication of the ACM, 1987, (30): 484-497.

[9]ZSIDISIN. Competition for competence and interpartner learning within international strategic alliances [J].Strategic Management Journal, 1991, (12): 83-103.

[10]WENDY, ROBERT G, KEVIN J M. Relational Contracts and the Theory of the Firm [J]. Quaterly Journal of Economics, 2002, (117): 39-48.

Research on the Supply Risk Prediction Model of Nuclear Power Equipment Manufacturing Industry Based on SVM

SHI Chun-sheng MENG Da-peng
(Harbin Institute of Technology Harbin 150001 China)

Based on the factor identification of nuclear equipment manufacturing industry, prediction index for supply risk is established. To make investigation on a famous nuclear power equipment manufacturing enterprise and the 60 suppliers, the method of support vector machine and libsvm software are used to establish supply risk prediction model. Final case study demonstrates the feasibility and reliability of model.

support vector machine; nuclear power equipment; supply risk; prediction model

F253.9

A

1008-8105(2010)05-0023-06

2010 ? 05 ? 12

國家自然科學基金項目（70972096）

石春生(1958 ? )男，哈爾濱工業(yè)大學管理學院教授，博士生導師；孟大鵬(1981 ? )女，哈爾濱工業(yè)大學管理學院博士研究生.

編輯 何婧