“互联网+”背景下基于Elman反馈型神经网络的虚拟企业风险评价

张天瑞, 刘 彬, 戴 瑶, 苏莹莹, 王淑梅

(1. 沈阳大学 a. 机械工程学院, b. 工商管理学院, 辽宁 沈阳 110044;2. 东北大学 机械工程与自动化学院, 辽宁 沈阳 110819)

虚拟联盟企业因其动态性、临时性,致使伙伴企业间的合作关系复杂、外部的市场环境不确定性加大,合作成员的企业文化和组织能力迥异,增加了其运行的各种风险.面向市场激烈竞争,要及时把握市场动态变化,跟随新知识、新技术及新产品的动态发展步伐,以求得虚拟企业在复杂的市场环境中及时作出响应.变化莫测的市场环境,使得虚拟联盟企业的运行过程相比传统企业而言,难度更高.包括如设备、人力、物料、技术等硬件设施和人员素质、信息化程度等软实力,加大了与实际市场需求之间的差距,因此更易产生更多的动态风险.另外,合作伙伴之间由于其合作机制复杂化、利益诉求差异化、知识产权及技术共享方式等诸多因素进一步加大了动态联盟的运行风险.对这些风险进行合理防控,可有效规避虚拟企业动态联盟存在的不可估量的经济损失[1-4].然而,随着“互联网+”的兴起,越来越多的行业同互联网融合,在市场经济环境下,形成了具有独特优势的新兴产业.同时,“互联网+”也为各行业带来了足够的效益,最为明显的是“互联网+农业”行业的发展[5].

当前,对虚拟企业的研究以其联盟成员的评价选择居多,形成了完整独立的评价过程,对于合理构建虚拟企业快速响应市场起到至关重要的作用.但是对于虚拟企业运行过程的风险管理是近几年才发展起来的研究领域.卢福强从不同角度运用不同方法对虚拟企业的风险管理问题研究较多[6];陈克贵建立了公平偏好下的虚拟企业道德风险及激励机制[7];孙宪丽对基于分布式决策的虚拟企业管理过程进行了研究[8];王静等学者研究了企业质量管理的风险及防范等问题[9],在推动虚拟企业风险管理方面贡献较大.但目前鲜有文献将互联网的概念引入到企业的风险管理中,本文将从虚拟企业合作伙伴的信任场角度出发,建立“互联网+”背景下的虚拟企业风险评价的指标体系;通过对风险指标的监控,使得动态联盟在合作过程中实现对风险的有效管控.同时,对其进行风险防范和风险评价的研究,具有一定的实际意义[10-15].

1 虚拟企业运行风险分析

动态联盟的伙伴成员之间由于其虚拟化的特点,各成员间的合作机制复杂,利益需求存有较大差异.加之企业文化不同,技术保密、知识产权能否共享等诸多因素使得其运行过程管理风险增加.

1.1 虚拟企业风险管理的目标和范围

以较低投入的经济手段消除可能造成严重损失的一切风险为最终目标,解决虚拟动态联盟在组建及运作过程中可能出现的各种风险.首先,根据实际情况降低动态联盟企业的运行成本,保持其动态运行;其次,降低伙伴企业对动态联盟潜在损失的忧虑;进一步保证响应市场和盈利的稳定性.

风险管理范围一般集中在联盟建立和运行过程中的伙伴间风险和联盟外风险;还有管理运行过程中各伙伴间可能出现的未知风险.

1.2 联盟企业运行过程风险管理

虚拟企业的风险管理主要是以动态管理为主,盟主根据动态联盟的内外部环境实时变化情况,管理其所面临的风险.同时会随着市场变化及时调整,以便更好地适应动态变化的市场,因此该过程是循环往复的.为了降低在构建和运行动态联盟过程中存在的风险,企业建立风险分析机制、风险防控机制、风险事后预警方案措施,有效地降低“互联网+”环境下风险带来的不良后果,确保动态联盟合理稳步运营的全过程.图1描述了风险防控的具体管理过程.

图1虚拟企业风险管理过程
Fig.1 Process of risk management for virtual enterprise

2 虚拟企业运行风险识别

分析动态虚拟企业联盟运行的实际情况,从内外部两个角度,将虚拟企业风险进行分类[6]235,如图2所示。

图2虚拟企业风险分类
Fig.2 Risk classification of virtual enterprise

虚拟企业面临的各类风险成因各异,从盟主企业的角度考虑,对联盟存在的各类风险进行识别,识别过程如图3所示.

图3 虚拟企业风险识别Fig.3 Identification of risk for virtual enterprise(a)—虚拟企业外部风险识别; (b)—虚拟企业内部风险识别.

3 虚拟企业风险评价

在“互联网+”背景下,通过建立动态评价指标体系,引入Elman反馈型神经网络模型,评价所有风险要素对整个联盟运行产生的各类影响和其自身的风险水平,有利于增强评估的可靠性.

3.1 风险评价指标体系及评价

拟客观评价变化多样的运行风险,构建切实可行的风险评价动态指标体系极为必要.评价指标的遴选工作须遵循全面性、实用性和可操作性的评价原则,必须体现伙伴企业的实际情况和动态联盟的网络化、虚拟化、及时化等特点与共性,采取统一标准进行评价,并可进行定量化或数量化.由于评价指标的临时性、网络动态性,以及大量评价指标的模糊性,若采用传统的定量化数据进行描述,势必会出现不准确的的情况,所以以定性化的方式由行业或者领域专家进行模糊评定给分的量化方式更为合理科学.表1列出了一系列具有代表性的风险指标,由行业或者领域专家根据经验,按照{1,2,3,4,5}五等级评定标准进行,其中1表示风险最小,5表示风险最大.各位专家经过对伙伴企业运行状态的了解,结合自身经历,按照相应要求和指标体系标准评分.如若专家难以取舍相邻两分值时,{0.5,1.5,2.5,3.5,4.5}可作为指标得分.

表1 虚拟企业风险管理评价指标体系

通过专家对以上三层指标体系的评分,决策者便可获取原始的数据矩阵,应用本文提出的评价模型,得到输入与输出之间的非线性映射关系,以方便后续神经网络进行数据处理.同时采用归一化方法对原始数据统一处理,于是原始数据便可转化为无量纲值,并且满足[0,1]区间,由式(1)计算而来.

x′=(x-m)/(M-m).

(1)

式中:M表示被评价指标得分的最大值;m表示被评价指标得分的最小值.

3.2 Elman反馈型神经网络模型

Elman神经网络模型于1990年由J.L.Elman提出的.鉴于该网络模型的特点,将其归属为局部回归网络,是一种典型的反馈型网络计算模型[15]55,如图4所示.

图4 Elman神经网络结构Fig.4 Structure of Elman neural network

反馈型神经网络的优势在于能够随着时间的推移动态演化,同时可分析非线性动态系统;系统智能性、记忆联想性俱佳.

3.3 Elman神经网络学习过程

本文算法模型的学习过程以BP神经网络算法为基础,式(9)为算法的判据的误差函数.

(9)

式中:d(k)为期望输出;y(k)为网络实际输出.Elman学习算法流程如图5所示.

图5 Elman神经网络学习过程
Fig.5 Learning process of Elman neural network

具体的推导过程如下:

针对于以上网络学习过程多次重复进行,如若可将样本实际和期望的统计误差控制在设定范围内,便可将学习过程中的测试数据直接输入模型网络,神经网络评估的合理结果亦可由此而得.

3.4 基于Elman神经网络的风险管理评价实现

(1) 训练样本

由于虚拟动态联盟具有临时组建的特性,真正运行前各环节、各伙伴之间没有进行过合作,可能存在信息不对等的情况,易出现较大运行风险,因此只对企业运行和风险管理过程进行定性评价.将其划分为高风险(0,0,1)、一般风险(0,1,0)和低风险(1,0,0)三个等级.首先由行业专家分析评价指标体系,其次给定评价值,最后将数据再做处理,得到样本矩阵如下:

为了更好地进行分析,训练数据由1～16组产生,测试数据由17～20组产生.

(2) 神经网络设计与训练

由样本数据可得,17个神经元于网络输入层中, 3个神经元于输出层中.由于已经确定Elman反馈神经网络结构,因此,拟定中间层神经元数目从6依次增加至23,观察网络预测误差值,判定误差值的范围,以确定最中间层神经元个数.由经验公式(16)进一步确定结果.

(16)

式中:m、n分别为输出层和输入层节点数;a取整数,范围为1～10.

逐一检查计算结果,由经验确定12为中间层神经元个数,此时诊断误差值相对于整个神经网络为最小值,故选为12.其计算代码为:

由此创建Elman反馈型神经网络,threshold对输入元素的MAX值和MIN值做了规定;[12,3]和{′tansig′,′purelin′}表示对应于传递函数tansig的中间层有12个神经元,对应于传递函数为purelin的输出层有3个神经元.进一步对反馈型神经网络进行训练,其训练代码为:

P为输入向量,T为目标向量.得到以下结果:

TRAINGDX,Epoch 8 300/10 000,MSE 1.553 07e-008/1e-008. Gradient 1.616 34e-005/1e-006

TRAINGDX,Epoch 8 400/10 000,MSE 1.381 10e-008/1e-008. Gradient 2.590 14e-005/1e-006

TRAINGDX,Epoch 8 500/10 000,MSE 1.238 35e-008/1e-008. Gradient 5.782 99e-005/1e-006

TRAINGDX,Epoch 8 500/10 000,MSE 1.114 07e-008/1e-008. Gradient 7.637 13e-005/1e-006

TRAINGDX,Epoch 8 682/10 000,MSE 9.962 63e-009/1e-008. Gradient 3.752 88e-006/1e-006

TRAINGDX,Performance goal met.

由此可知,8 682次训练结果后,整个反馈型神经网络的训练误差仅为3.752 88e-006,神经网络训练结果见图6,训练结果在规定误差范围,已获得可被接受的反馈型神经网络学习训练效果.

图6训练结果与期望结果
Fig.6 Training and expected results

最后测试反馈型神经网络,以确定是否可获取正确的计算结果,代码如下:

结果为:

由此可见,该反馈神经网络得出的测试样本,虽然其实际输出的数值具有一定的误差,但是正确的风险评价结果可以从中获取,而且测试结果所反映出的结论非常明了、合理可靠.如果训练样本或者测试样本数据不准确,可导致Elman反馈型神经网络的训练误差亦或测试误差差别较大,应予以避免.

(3) Elman反馈型神经网络应用

根据风险管理评价指标体系对某伙伴企业进行的专家评分,并做归一化处理,结果见表2.

表2 风险评价标准化后的数据Table 2 Standardized risk assessment data

训练可行的Elman反馈型神经网络中输入已归一化处理的原始数据,输出结果为(1.034 5 -0.187 9 0.030 0).根据前文所述进行分析,结果显示为低风险,可进一步合作.

4 风险评价系统构建

风险评价系统包括任务发布、伙伴管理与选择、风险评价与防范等模块.要求系统功能完备、系统模块化、人机界面友好、安全可靠、便于沟通协调.

4.1 系统体系结构

系统工作界面为WWW浏览器,浏览器(Browser)端和服务器端(Server)分别处理信息量较小和较大的逻辑事务,以此构建图7所示的三层B/S结构.

图7 Brower/Server结构示意图
Fig.7 Schematic diagram of Brower/Server

B/S结构具有开发与维护简便易行,运行成本及系统负荷低、安全性与实时性相对于C/S结构较好等特点.本文基于B/S结构的三层模型支持系统如图8所示.

图8 系统软件结构Fig.8 System software architecture

4.2 支持系统实现

本文设计的支持系统开发环境是操作系统为Windows 7及以上,推荐火狐、360等浏览器,1 600×900分辨率的显示器.以Dreamweaver CS5、Access数据库、IIS服务器、ASP技术、ODBC技术为开发工具.

(1) 系统总体界面

系统登录后进入对应权限子模块系统操作,操作者可浏览整体系统结构,熟悉流程;操作者可留言与管理人员沟通交流,如图9所示.

图9 系统主界面Fig.9 Main interface of system

(2) 伙伴企业界面

伙伴企业界面是系统提供主要信息的沟通平台,为伙伴企业及潜在伙伴企业提供有效信息.伙伴企业经过注册登录后,可在该部分进行操作,以随时更新用户资料,如图10所示.

图10 企业用户注册页面Fig.10 Registration interface of enterprise user

在用户登录本子系统界面后,依据其实际企业状态投标适合的环节和业务之前,提交已在调查表单内完成的企业基本信息,随后系统处理相关数据并发布结果.

伙伴企业若已参与项目投标,便可通过登录系统关注招标结果,以取得进一步联系,并开展下一阶段工作.此外,还可以发起质疑或建议,通过系统界面与盟主企业或专家进行沟通.

(3) 专家成员模块

与企业成员模块功能一致,专家成员通过注册和登录后,根据系统赋予的权限工作,查看企业情况,如图11所示.

图11 候选企业信息页面Fig.11 Information interface of candidate enterprise

专家对参评企业评分,如图12所示;同时,为更好地防控整个动态联盟组建后的风险,行业或领域专家对参评企业的风险状况亦要进行分值评定,专家评分后的评价结果不可见,降低对专家判断的客观影响程度,使得风险评价过程更为合理、稳定、可靠.

图12 专家评分页面Fig.12 Experts rating interface

(4) 系统管理员模块

管理员权限具有特殊性,只对个别管理人员进行授权,授权后可直接登录,以辅助各领域专家对伙伴企业现状进行分值评定.获取的评定结果可用来对伙伴企业进行有针对性的评价并进行风险管理,以便于采取必要措施进行风险防范,如图13所示.

5 结 论

(1) 通过对相关理论的概括,对“互联网+”环境下的虚拟企业组建、运行等全生命周期内可能面临的风险给予了分类与识别,构建风险评价的动态性、网络化的指标体系.进而引入Elman神经网络,结合人工神经网络算法模型对合作伙伴企业的风险状况做出风险评估,评估结果与理想结果存在一定的误差,但是误差极小,不影响风险评估的结果.

(2) 验证了评估方法的合理性和评价指标体系的实用性,进一步说明了在神经网络基础上通过Matlab工具箱进行评价的可行性.通过构建的评价系统,对本文相关研究的技术可行性和理论正确性进行了验证,为管理者提供了决策支持,为整个联盟的发展提供交流平台,以便快速响应市场,降低风险,提升获利空间.