選定理由
あまり有名な出所ではないが、ベーシックな技術を使用していて基礎固めに良さそう。タイトルが長いため省略表示している。
Paper: https://www.sciencedirect.com/science/article/pii/S1110016821003707
Code: N/A
サーベイ論文[Soori2023] でも引用されている。
概要
【社会課題】
中国市場での製造業におけるMSC（製造サプライチェーン）のデジタル化では、不確実性が高く、リスク要因を正確に特定し、予測することが困難である
【技術課題】
リスク要因を効果的に特定し、予測するためにはデータの次元が高く、効率的なモデルトレーニングが難しい
【提案】
主成分分析（PCA）を組み合わせた逆伝播ニューラルネットワーク（BPNN）を提案。これにより、データの次元削減と特徴パラメータの選択が行われ、ネットワークの構造が簡素化され、効率的なトレーニングが可能となる。
【効果】
提案手法は一部のデータでの評価で、良好な予測効果を示し、従来のニューラルネットワークモデルと比較して、より良いリスク予測が可能であることを示した。(以下の主張は結論に記載されているが実験結果からは導けない)又、中国の製造業では戦略の一貫性の欠如が最も重要な要因となってデジタルサプライチェーンの安定性や企業のリスク管理能力に影響を与えていることが明らかになった。
内容詳細
研究課題
デジタル化された製造サプライチェーン（MSC）のリスク管理に関する研究は不足しており、MSCのデジタルリスク予測は未知の側面が多い。本研究では、TOE理論に基づいてMSCのデジタル変革のリスク要因を分析し、技術・組織・環境が主要なリスク源であることを前提とし、そこにMSC固有のリスクを加えた１２個のリスクを予測対象とした。
データ
MSCのデジタル変革リスクに関するアンケートを設計し、中国のいくつかの大規模および中規模製造企業で第三者調査会社に実施させた。アンケートでは、各項目をLikert 5点尺度で評価し、合計225件のアンケートが配布され、そのうち87.6％（197件）が収集された。次に、元のデータに対して信頼性および妥当性の分析が行われ、Cronbachのαは0.832で高い信頼性を示し、Kaiser-Meyer-Olkin（KMO）統計値は0.863で1に近い値を示した。また、球面度のBartlett検定の統計値は995.389で、P値は0であり、有意水準よりも低かったため、元のサンプルデータはPCAに適している。
最初の3つの主成分の固有値はすべて1より大きく、それらの累積分散寄与率の合計は65.038％でした。したがって、12の指標の元のデータを3つの主成分に削減できる。Kaiser正規化を用いたVarimaxによる回転により、主成分の係数行列が得られた。
モデル(BPNN)
非線形かつ動的環境にロバストなBPNNを使用した。レイヤ数は実験的に７が最も性能がよくなった。学習はRMSを損失関数とし、最急降下を用いた。
実験
寄与率を示したのが表３である。同じグループに属するリスクは同じ主成分に入っているのがわかる。予測サンプルは以下図４である。
提案されたBPNNモデルは、従来のANNモデルと比較して、15のテストサンプルでのシミュレーションにおいて相対誤差が小さく、収束速度とモデルの精度の両方で優れていた。具体的には、PCAと組み合わされたBPNNは、元の指標間の結合の影響を減らすことで、より信頼性の高い予測を行い、効率的に最適解に収束した。
Top comments (0)