SVM的高技术装备制造业供应风险预测模型.pdf

万方数据

基于SVM的高技术装备制造业供应风险预测模型石春生，孟大鹏SVMmodelequipmentmanufacturing0引言1支持向量回归理论(哈尔滨工业大学管理学院，黑龙江哈尔滨150001)Supplyriskpredictionofhigh-techindustrybasedChun—sheng，MENG第32卷第8期系统工程与电子技术摘要：通过对高技术装备制造业与供应商合作中供应风险的相关因素进行识别，确定了供应风险预测的指标体系。运用支持向量机(supportmachine，SVM)等数据挖掘方法和Libsvm(amachine)技术建立了供应风险的预测模型。案例研究表明，预测模型的均方误差、平均差、整群剩余系数和确定系数等评价指标皆显现出较好的模拟效果，且系统误差不显著。预测模型在高技术装备帝1连企业供应风险管理的实践中具有较好的适用性和准确度。关键词：高技术装备制造业；供应风险；预测模型；支持向量机中图分类号：F文献标志码：AManagement，Harbin150001，China)simulation(MD)，coefficientmass(CRM)and高技术装备制造业是国民经济的“装备部”，是一个国家综合国力和国家竞争力的体现。其研发风险高、投入大、对质量及技术水平要求严格、工艺设计复杂和制造周期较长等特点使得任何一家企业都难以独立完成整个系统的制造任务，都需要向相关企业群寻求和建立供求合作关系，实现企业问核心能力的整合与配套[1]。限于行业特殊性及技术壁垒，高技术装备制造业与供应商的合作不同于普通市场上开放竞争的供求关系：一方面表现在合作物资较为特殊，市场供求量未必平衡；另一方面则表现在由供求不平衡所导致的单方面合作依赖，通常呈现出一方极度依赖于另一方的特点，特别是采购商极度依赖于供应商、供应商却不依赖于采购商的情形加剧了双方合作的供应风险[2]。为了化解供应风险，现有文献多偏重于从技术层面进行研究，在管理层面的研究仅是对供应风险进行一般、概念性的表述，或是依据理论分析和研究者的主观判断进行供应风险影响因素的识别，缺乏实证[33；或是采用主观性较强的层次分析、模糊综合评价等方法对供应风险进行评估，研究过程和结果受主观倾向性的影响较大[4⋯。因此，本文从高技术装备制造业供应风险的影响因素识别出发，通过构建风险预测的指标体系，运用支持向量机machine，SVM)等数据挖掘方法对供应风险度进行量化研究，为高技术装备制造业供应风险的管理和控制提供依据。支持向量回归机(supportregression，SVR)是2010年8月文章编号：1001—506X(2010)08—1667—05libraryDoI：10．3969／j．issn．1001-506X．2010．08．24OilSHIDa—peng(SchoolInst．ofTechnology，HarbinAbstract：Relevantfactorssupplybetweenhigh—techandsuppli—identifiedthepredictingindexsystem．Onthisbasis，theestablishedwithmachine(SVM)approachLibsvm(aforma—chine)technology．Thestudyshowsthatallmodel’Scoefficientssuchmean(MSE)，meandifferencemeasurementresidualcoefficient0fdetermination(CD)showgoodsimulationresult，andsystemsignificant．Theplyhassuitabilitymanagement．Keywords：high-techindustry；supplyrisk；predictionmodel；supportmachine(support收稿日期：2009—12—18I修回日期：2010一05—14。基金项目：国家自然科学基金(70972096)；航天创新基金(CASC0409)资助课题作者简介：石春生(1958一)，男，教授，博导，主要研究方向为组织刨新。E-mail：[e-mail]01．32No．8SystemsEngineeringElectronicsAugust2010support253．9upisevaluationsquaresup—accuracyinvectortoseterrornotersarecaseas
万方数据

刽辛H删I萎厚悔．，瓤、。．型}I：的◇@二．璧蚓ibs)m标三≥羲黼<赢>(模理评价)，，／，，＼影’、、、、，fdI+yk一∑(口I一口?)