论文部分内容阅读
摘 要:在医药的研发外包中,制药企业和CRO之间实际上形成了一种合作伙伴关系,而外包商的选择相当困难,一旦决策失误,企业就会而临更大的管理问题。因此,CRO的选择在制定业务流程外包策略中占有比较重要的位置,文章将用BP神经网络这一科学的评价体系来评价选择潜在的外包商,以供决策者进行科学决策。
关键词:研发外包 BP网络 外包商 评价选择
为了降低研发成本,缩短新药上市周期,在国内外有越来越多的制药企业选择外包,特别是国外大型知名企业,已有很多此类企业从研发外包中获利,把研发外包列入了企业发展战略。以外包为主要内容的“网络式协作”还被许多经济专家和业界人士认为是制药业唯一可以应对当前创新低谷的方法,药品研发外包已成为全球制药行业的大趋势。但是研发外包也存在各种各样的风险,新药的研发相对于其他行业研发成本更高、分工更细、专业性很强、风险性更大,所以药品研发外包对承包方的能力要求更严格。一般来说,CRO的能力是企业评价和选择供应商的关键,一味追求低价可能会损害外包业务流程的质量,并最终影响企业的市场表现。所以如何选择一个高效的承包方成为制约企业不可避免而又急待解决的问题。
用于效率评价的方法主要有:模糊综合评价法、主成分分析法、层次分析法、人工神经网络评价法和数据包络分析法(DEA)。但是,各种评价方法有其产生背景,它们的应用领域都有其局限性,也有其特殊性。在对其他行业BPO外包商的选择研究中,有人采用模糊综合评价方法、灰色综合评价方法,最普遍的是采用层次分析法对外包商进行评价分析,但是这些方法主观性太重,缺乏科学的量化分析。DEA是一种可以量化的有效方法,但鉴于它需要的候选决策单元比较多(否则影响它的评价结果),而在一些中小企业,他们面临的外包商的选择往往有限,所以本文采用的是BP神经网络方法与模糊综合评价法相结合的方法。
一、BP神经网络的基本原理
神经网络是大量的神经元广泛互联而成的网络,它反映了人脑功能的许多基本特性,具有存储、处理、自适应、自组织和自学习能力,因此而积累知识和经验,从而不断修正自己的知识。适用于处理需要同时考虑许多因素和条件的模糊信息问题。一般可以分为两类:单向传播网络和相互结合网络。
(一)BP网络的结构
BP网络属于多层前馈神经网络,它运用误差反向传播学习法,采用δ学习规则,由正向传播和反向传播两部分组成,一般由输入层、一个或多个隐含层和输出层构成。
BP神经网络中每个神经元有几个输出,它连接到许多其他的神经元,每个神经元有多个连接通路,每个连接通路对应于一个连接权系数。在给定大量的输入输出信号的基础上,建立系统的非线性输入输出模型,对数据进行大规模并行处理,通过网络输出误差的反向传播调整和修改网络的连接权系数W,使误差达到最小。常用的BP神经网络的结构如图1所示。
(二)BP网络的学习规则
BP网为前馈网,指导式学习规则,利用误差反传算法,多层结构逐层向前传递,具体如下:
作用函数(S函数):f(x)=1/(1+e-x)。
输出yi,,其中,wij表示第i个神经元到第j个神经元的连接权值。
网络的总误差为:
其中,Tpj为网络的理想输出,Opj为网络的实际输出。
对每一个模式计算Ep的梯度,再对输入输出求和,得到:
如果存在误差,BP算法认为所有权重都应负责,都应改变。
整个过程是反复进行的,k次迭代中权重的调整量为:
(Δuijk-1为惯性常数)
这种梯度下降法能产生寻求最佳的权重集合,以使总误差越来越小。
二、用模糊BP网络选择医药研发外包商
(一)指标体系的选择
制药企业在选择研发外包提供商时,首先应根据自己业务流程的具体情况,科学确定提供商的选择和评价指标,在实际应用中通常应考虑:所在地商业环境、提供商成本、执行计划的能力、专业水准、人力资源、财务能力、规模、诚信度、弹性、服务水平、企业文化兼容性、地理位置、价格等因素,价格是放在最后的,因为前面的指标若不能与企业要求匹配,价格的高低是没有意义的。选择提供商最忌讳由主观或个人偏好做出决定。在文献研究及访谈的基础上,本文分别从外包商的技术能力、人力资源、成本时间优势、可控度及创新能力着手,选取下列指标作为对研发外包商的选择指标:
1、技术设备A1、质量标准A2:这两个指标体现了外包商的专业技术能力,是其高效和高质量服务的保障,是其临床试验符合国际标准的保障,是临床研究过程中实施有效治理标准的前提,还是其研究结果得到广泛认可的关键因素。
2、研发人员资质B:这项指标体现的是外包商的人力资源,人力资源是其提供服务的核心所在,是其能否较好完成受托新药研发业务的关键。
3、诚信度C:这项指标体现的是外包商的可控程度,是防止出现道德风险的关键。
4、项目成功率D1,药品创新率D2:这两项指标体现了外包商在某些项目研发的综合实力和创新能力。
5、服务价格E1,研发周期E2:药企采取研发外包的最直接目的就是降低研发成本,缩短研发周期,这两项指标是外包商方案设计和运行合理的体现。
(二)数据的收集及标准化
在以上因素中既有定量因素,也有定性因素,对不同的因素用不同的方法来确定隶属度。定量因素可以采用常见模糊分布来确定隶属函数,对于定性因素,根据专家咨询法、专家评分法等方法进行量化,再利用相关的隶属函数确定隶属度。
本文考虑的有量纲因素有:项目成功率、药品创新虑、服务价格、研发周期。这几个因素虽然都是可量化的,由于它们的量纲各异,难于进行综合对比,因此必须作无量纲处理,即对评价指标数值做标准化、正规化处理,以便消除指标量纲的影响造成的困难。
对模糊约束集合服务价格适中,研发周期适中符合模糊分布-正态分布,对应的隶属函数为:
(k,c>0)
对于项目成功率、药品创新率,为便于计算,采取线性递增函数进行标准化:
f(xi)=(xi-xmin)/(xmax-xmin) (xmi≤xi≤xmax)
而定性因素有技术设备、质量标准、诚信度、人员资质,对不同的情况做出分类描述,再将自然语言的评价分类转换为相应的隶属度(见表1)。
表1 部分指标隶属度
指标 分类描述 模糊约束集 隶属度
技术设备 很好,好,
一般,差,很差 技术设备良好 {1,0.8,0.5,0.2,0}
质量标准 很好,好,
一般,差,很差 质量标准良好 {1,0.8,0.5,0.2,0}
人员资质 很好,好,
一般,差,很差 人员资质好 {1,0.8,0.5,0.2,0}
诚信度 很好,好,
一般,差,很差 诚信度好 {1,0.8,0.5,0.2,0}
三、实例
本文选取浙江某制药企业在选择外包商时的相关数据及专家的评价,将指标隶属度输入到网络中,将专家值作为网络的输出(见表2)。
表2 BP网络外包商选择实验训练值
外包商 A1 A2 B C D1 D2 E E2 专家评价结果
1 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
2 0.80 0.87 0.82 0.78 0.78 0.89 0.80 0.33 0.79
3 0.67 0.93 0.75 1.00 1.00 0.22 0.80 0.66 0.74
4 0.92 0.80 0.92 0.89 0.89 0.89 0.80 1.00 0.81
5 0.87 0.93 1.00 1.00 1.00 1.00 1.00 1.00 0.96
6 0.80 0.72 0.82 0.89 0.89 0.89 0.80 1.00 0.83
7 0.67 0.72 0.66 0.67 0.67 0.67 0.60 0.66 0.69
8 0.72 0.80 0.75 0.78 0.78 0.78 0.80 0.66 0.75
9 0.60 0.60 0.58 0.56 0.56 0.56 0.60 0.66 0.58
10 0.47 0.47 0.41 0.44 0.44 0.44 0.40 0.36 0.51
11 0.40 0.40 0.33 0.33 0.33 0.33 0.40 0.35 0.48
12 0.08 0.93 0.92 0.89 0.89 0.56 0.60 0.33 0.81
13 0.67 0.60 0.82 1.00 1.00 0.89 0.80 0.29 0.97
14 0.32 0.40 0.33 0.33 0.33 0.67 0.80 0.35 0.54
15 0.87 0.72 0.92 0.89 0.89 0.89 0.40 0.29 0.47
然后确定网络结构。根据kolmogorov定理,由于输入层有8个节点,所以中间层有17个节点,至此,该网络的结构为:输入层8个神经元,中间层17个神经元,输出层1个神经元。按照一般的设计方案,中间层神经元的传递函数为S型正切函数,因为输出层只有一个神经元,所以它的传递函数为S型对数函数,训练函数采用trainlm。网络的训练结果如图2所示。当目标误差达到要求后,对网络进行测试。
依然根据该企业的数据当作测试样本,经过处理后的数据如表3所示:
表3 BP网络的测试数据
外包商 A1 A2 B C1 C2 D1 D2 E 排序
1 0.69 0.80 0.79 0.95 0.91 0.35 0.43 0.55 2
2 0.94 0.93 0.93 0.69 0.96 0.56 0.36 0.75 1
3 0.73 0.72 0.85 0.92 0.87 0.32 0.67 0.34 3
4 0.46 0.35 0.53 0.90 0.89 0.45 0.72 0.56 5
5 0.87 0.93 0.67 0.43 0.82 0.43 0.95 0.68 4
经过测试,得到结果:
Y=0.9337 0.9555 0.9430 0.5703 0.8600
从以上结果可以看出,外包商2最优,外包商4最差,这与各方案的指标因素基本一致,由此可见此方法存在一定的可行性。根据训练好的网络,制药企业可以对进入其选择范围的几家外包商进行评价选择。
四、结论
利用BP神经网络的方法评价选择药物研发外包商,比利用模糊综合评价、灰色综合评价等方法更加注重客观性。当然,也存在一定的缺陷,如指标的选取是否真实反映了外包商的情况,在对定性指标的定量化过程涉及到企业、专家等对外包商主观上的认可情况,融合了决策者主观偏好,但是这并不影响BP方法评价的客观性和科学性。研发外包促使企业充分利用和整合企业内外部知识和技术资源,特别是前瞻性、未来技术,填补企业技术知识和技术机会空白,是企业竞争资源的互补,带动整个产业链的提升的重要途径之一,给企业创新绩效带来正面影响。当然,过度的外包也会给企业绩效带来负面效应。制药企业应在研发外包的过程中不断地积累经验,真正使医药研发外包为制药行业的创新起到促进作用。
(作者单位:中国海洋大学)
【参考文献】
1、王永宝.对我国新药研发合同研究组织模式思考[J].创新与管理,2009(5).
2、叶义成,柯丽华,黄德育.系统综合评价技术及其应用[M].冶金工业出版社,2006.
3、吴宗颐.制药企业如何利用CRO提高竞争力[J].中国药业,2004(6).
4、吴哲明.我国制药企业创新药物研发战略研究[D].上海交通大学,2008.
5、陈明.神经网络模型[M].大连理工大学出版社,1995.
关键词:研发外包 BP网络 外包商 评价选择
为了降低研发成本,缩短新药上市周期,在国内外有越来越多的制药企业选择外包,特别是国外大型知名企业,已有很多此类企业从研发外包中获利,把研发外包列入了企业发展战略。以外包为主要内容的“网络式协作”还被许多经济专家和业界人士认为是制药业唯一可以应对当前创新低谷的方法,药品研发外包已成为全球制药行业的大趋势。但是研发外包也存在各种各样的风险,新药的研发相对于其他行业研发成本更高、分工更细、专业性很强、风险性更大,所以药品研发外包对承包方的能力要求更严格。一般来说,CRO的能力是企业评价和选择供应商的关键,一味追求低价可能会损害外包业务流程的质量,并最终影响企业的市场表现。所以如何选择一个高效的承包方成为制约企业不可避免而又急待解决的问题。
用于效率评价的方法主要有:模糊综合评价法、主成分分析法、层次分析法、人工神经网络评价法和数据包络分析法(DEA)。但是,各种评价方法有其产生背景,它们的应用领域都有其局限性,也有其特殊性。在对其他行业BPO外包商的选择研究中,有人采用模糊综合评价方法、灰色综合评价方法,最普遍的是采用层次分析法对外包商进行评价分析,但是这些方法主观性太重,缺乏科学的量化分析。DEA是一种可以量化的有效方法,但鉴于它需要的候选决策单元比较多(否则影响它的评价结果),而在一些中小企业,他们面临的外包商的选择往往有限,所以本文采用的是BP神经网络方法与模糊综合评价法相结合的方法。
一、BP神经网络的基本原理
神经网络是大量的神经元广泛互联而成的网络,它反映了人脑功能的许多基本特性,具有存储、处理、自适应、自组织和自学习能力,因此而积累知识和经验,从而不断修正自己的知识。适用于处理需要同时考虑许多因素和条件的模糊信息问题。一般可以分为两类:单向传播网络和相互结合网络。
(一)BP网络的结构
BP网络属于多层前馈神经网络,它运用误差反向传播学习法,采用δ学习规则,由正向传播和反向传播两部分组成,一般由输入层、一个或多个隐含层和输出层构成。
BP神经网络中每个神经元有几个输出,它连接到许多其他的神经元,每个神经元有多个连接通路,每个连接通路对应于一个连接权系数。在给定大量的输入输出信号的基础上,建立系统的非线性输入输出模型,对数据进行大规模并行处理,通过网络输出误差的反向传播调整和修改网络的连接权系数W,使误差达到最小。常用的BP神经网络的结构如图1所示。
(二)BP网络的学习规则
BP网为前馈网,指导式学习规则,利用误差反传算法,多层结构逐层向前传递,具体如下:
作用函数(S函数):f(x)=1/(1+e-x)。
输出yi,,其中,wij表示第i个神经元到第j个神经元的连接权值。
网络的总误差为:
其中,Tpj为网络的理想输出,Opj为网络的实际输出。
对每一个模式计算Ep的梯度,再对输入输出求和,得到:
如果存在误差,BP算法认为所有权重都应负责,都应改变。
整个过程是反复进行的,k次迭代中权重的调整量为:
(Δuijk-1为惯性常数)
这种梯度下降法能产生寻求最佳的权重集合,以使总误差越来越小。
二、用模糊BP网络选择医药研发外包商
(一)指标体系的选择
制药企业在选择研发外包提供商时,首先应根据自己业务流程的具体情况,科学确定提供商的选择和评价指标,在实际应用中通常应考虑:所在地商业环境、提供商成本、执行计划的能力、专业水准、人力资源、财务能力、规模、诚信度、弹性、服务水平、企业文化兼容性、地理位置、价格等因素,价格是放在最后的,因为前面的指标若不能与企业要求匹配,价格的高低是没有意义的。选择提供商最忌讳由主观或个人偏好做出决定。在文献研究及访谈的基础上,本文分别从外包商的技术能力、人力资源、成本时间优势、可控度及创新能力着手,选取下列指标作为对研发外包商的选择指标:
1、技术设备A1、质量标准A2:这两个指标体现了外包商的专业技术能力,是其高效和高质量服务的保障,是其临床试验符合国际标准的保障,是临床研究过程中实施有效治理标准的前提,还是其研究结果得到广泛认可的关键因素。
2、研发人员资质B:这项指标体现的是外包商的人力资源,人力资源是其提供服务的核心所在,是其能否较好完成受托新药研发业务的关键。
3、诚信度C:这项指标体现的是外包商的可控程度,是防止出现道德风险的关键。
4、项目成功率D1,药品创新率D2:这两项指标体现了外包商在某些项目研发的综合实力和创新能力。
5、服务价格E1,研发周期E2:药企采取研发外包的最直接目的就是降低研发成本,缩短研发周期,这两项指标是外包商方案设计和运行合理的体现。
(二)数据的收集及标准化
在以上因素中既有定量因素,也有定性因素,对不同的因素用不同的方法来确定隶属度。定量因素可以采用常见模糊分布来确定隶属函数,对于定性因素,根据专家咨询法、专家评分法等方法进行量化,再利用相关的隶属函数确定隶属度。
本文考虑的有量纲因素有:项目成功率、药品创新虑、服务价格、研发周期。这几个因素虽然都是可量化的,由于它们的量纲各异,难于进行综合对比,因此必须作无量纲处理,即对评价指标数值做标准化、正规化处理,以便消除指标量纲的影响造成的困难。
对模糊约束集合服务价格适中,研发周期适中符合模糊分布-正态分布,对应的隶属函数为:
(k,c>0)
对于项目成功率、药品创新率,为便于计算,采取线性递增函数进行标准化:
f(xi)=(xi-xmin)/(xmax-xmin) (xmi≤xi≤xmax)
而定性因素有技术设备、质量标准、诚信度、人员资质,对不同的情况做出分类描述,再将自然语言的评价分类转换为相应的隶属度(见表1)。
表1 部分指标隶属度
指标 分类描述 模糊约束集 隶属度
技术设备 很好,好,
一般,差,很差 技术设备良好 {1,0.8,0.5,0.2,0}
质量标准 很好,好,
一般,差,很差 质量标准良好 {1,0.8,0.5,0.2,0}
人员资质 很好,好,
一般,差,很差 人员资质好 {1,0.8,0.5,0.2,0}
诚信度 很好,好,
一般,差,很差 诚信度好 {1,0.8,0.5,0.2,0}
三、实例
本文选取浙江某制药企业在选择外包商时的相关数据及专家的评价,将指标隶属度输入到网络中,将专家值作为网络的输出(见表2)。
表2 BP网络外包商选择实验训练值
外包商 A1 A2 B C D1 D2 E E2 专家评价结果
1 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
2 0.80 0.87 0.82 0.78 0.78 0.89 0.80 0.33 0.79
3 0.67 0.93 0.75 1.00 1.00 0.22 0.80 0.66 0.74
4 0.92 0.80 0.92 0.89 0.89 0.89 0.80 1.00 0.81
5 0.87 0.93 1.00 1.00 1.00 1.00 1.00 1.00 0.96
6 0.80 0.72 0.82 0.89 0.89 0.89 0.80 1.00 0.83
7 0.67 0.72 0.66 0.67 0.67 0.67 0.60 0.66 0.69
8 0.72 0.80 0.75 0.78 0.78 0.78 0.80 0.66 0.75
9 0.60 0.60 0.58 0.56 0.56 0.56 0.60 0.66 0.58
10 0.47 0.47 0.41 0.44 0.44 0.44 0.40 0.36 0.51
11 0.40 0.40 0.33 0.33 0.33 0.33 0.40 0.35 0.48
12 0.08 0.93 0.92 0.89 0.89 0.56 0.60 0.33 0.81
13 0.67 0.60 0.82 1.00 1.00 0.89 0.80 0.29 0.97
14 0.32 0.40 0.33 0.33 0.33 0.67 0.80 0.35 0.54
15 0.87 0.72 0.92 0.89 0.89 0.89 0.40 0.29 0.47
然后确定网络结构。根据kolmogorov定理,由于输入层有8个节点,所以中间层有17个节点,至此,该网络的结构为:输入层8个神经元,中间层17个神经元,输出层1个神经元。按照一般的设计方案,中间层神经元的传递函数为S型正切函数,因为输出层只有一个神经元,所以它的传递函数为S型对数函数,训练函数采用trainlm。网络的训练结果如图2所示。当目标误差达到要求后,对网络进行测试。
依然根据该企业的数据当作测试样本,经过处理后的数据如表3所示:
表3 BP网络的测试数据
外包商 A1 A2 B C1 C2 D1 D2 E 排序
1 0.69 0.80 0.79 0.95 0.91 0.35 0.43 0.55 2
2 0.94 0.93 0.93 0.69 0.96 0.56 0.36 0.75 1
3 0.73 0.72 0.85 0.92 0.87 0.32 0.67 0.34 3
4 0.46 0.35 0.53 0.90 0.89 0.45 0.72 0.56 5
5 0.87 0.93 0.67 0.43 0.82 0.43 0.95 0.68 4
经过测试,得到结果:
Y=0.9337 0.9555 0.9430 0.5703 0.8600
从以上结果可以看出,外包商2最优,外包商4最差,这与各方案的指标因素基本一致,由此可见此方法存在一定的可行性。根据训练好的网络,制药企业可以对进入其选择范围的几家外包商进行评价选择。
四、结论
利用BP神经网络的方法评价选择药物研发外包商,比利用模糊综合评价、灰色综合评价等方法更加注重客观性。当然,也存在一定的缺陷,如指标的选取是否真实反映了外包商的情况,在对定性指标的定量化过程涉及到企业、专家等对外包商主观上的认可情况,融合了决策者主观偏好,但是这并不影响BP方法评价的客观性和科学性。研发外包促使企业充分利用和整合企业内外部知识和技术资源,特别是前瞻性、未来技术,填补企业技术知识和技术机会空白,是企业竞争资源的互补,带动整个产业链的提升的重要途径之一,给企业创新绩效带来正面影响。当然,过度的外包也会给企业绩效带来负面效应。制药企业应在研发外包的过程中不断地积累经验,真正使医药研发外包为制药行业的创新起到促进作用。
(作者单位:中国海洋大学)
【参考文献】
1、王永宝.对我国新药研发合同研究组织模式思考[J].创新与管理,2009(5).
2、叶义成,柯丽华,黄德育.系统综合评价技术及其应用[M].冶金工业出版社,2006.
3、吴宗颐.制药企业如何利用CRO提高竞争力[J].中国药业,2004(6).
4、吴哲明.我国制药企业创新药物研发战略研究[D].上海交通大学,2008.
5、陈明.神经网络模型[M].大连理工大学出版社,1995.