论文部分内容阅读
摘要：供应链绩效评价是供应链管理的关键内容，并且供应链评价方法多种多样，因而采用何种评价方法使得供应链绩效评价更加客观是供应链管理必须面临的问题。本文对传统的评价方法进行了比较全面的介绍，分析了其优缺点，提出评价方法的融合是供应链绩效评价的趋势。
关键词：供应链绩效；评价方法；层次分析法；模糊评价
1 序言
供应链绩效评价是供应链管理的关键内容，它联结着供应链仿真与供应链构造，供应链运行与供应链优化。决策者只有通过持续不间断的供应链绩效评价，才能对供应链运行状况进行准确的把握，进而对供应链进行持续优化，这也是供应链管理最基本的内容。
供应链效绩评价方法是供应链绩效评价的具体手段。主要是将各具体指标的评价值经过适当的计算，得出最终目标评价值，最后再与评价标准比较，得出评价结论。没有科学的评价方法对评价指标的运用，就不可能得出正确的结论。下面将对主流的评价方法进行介绍，并对其优势和劣势做出评价。
2 供应链评价方法
2.1 层次分析法
层次分析法（Analytic Hierarchy Process，AHP）是一种定性与定量结合的多目标决策分析方法，由saaty于20世纪70年代首先提出，并用于分析复杂系统[1]。其主要思想是：首先分析复杂系统的要素构成及其相互间的关系，据此构造出一个有序的递阶层次结构；然后通过两两比较的方式确定层次中各个要素的相对重要性，在每一个层次上建立判断矩阵，计算该层要素的相对权重；最后计算出各要素相对于总目标的权重。
层次分析法能够同时从定性和定量两个角度来分析问题，特别适合用于解决复杂系统的评价问题，这是因为针对复杂问题建立精确的数学模型往往是很困难的，某些时候必须依靠人的定性判断。与此同时，层次分析法也存在很多的不足之处，如：层次分析法在很大程度上依靠的是人的经验，无法排除个人偏好造成的片面性；比较和判断的过程较为粗糙，只能用于解决精度要求不高的问题；当影响因素数量较多时，比较判断的工作量会迅速增加。
2.2 模糊综合评价
模糊综合评价（Fuzzy Comprehensive Evaluation，FCE）是在模糊数学理论的基础上发展起来的。模糊数学理论由zadeh于20世纪60年代首先提出，它采用精确的数学方法来描述模糊性现象[2]。模糊综合评价借助模糊数学，将边界不清晰、不易量化的因素定量化，然后计算各个因素与评价对象的隶属度，根据隶属等级状况进行综合评价。
供应链绩效评价的指标之间存在着复杂的因果关系，有些关系是模糊的、不确定的，而且有些指标无法实现精确定量化，应用模糊综合评价就能够很好的解决这些模糊性问题，这也是该方法的最大优势。其劣势在于：（1）计算复杂；（2）指标权重的设定具有较强的人为主观性；（3）当指标数量较多时，容易出现/超模糊现象。
2.3 人工神经网络
人工神经网络（Artificial Neural Networks，ANN）简称神经网络，是人工智能领域的重要分支，它是对人脑进行抽象、简化而建立起来的计算模型，目的是为了模拟实现大脑的某些功能 [3]。
目前有上百种模型问世，其中比较著名的有BP神经网络、径向基神经网络、竞争学习神经网络、学习向量量化神经网络、Elman神经网络、Hopfield神经网络和Boltzmann神经网络，其中BP神经网络的影响和应用最为广泛。神经网络的主要优点是能够自适应样本数据，当数据中有噪声和非线性时，也能够正常工作，另外，联想推理、高速并行处理也是其优点。经过科学的训练和学习，神经网络能够找出输入和输出之间的非线性映射关系，从而实现智能推理和预测。神经网络的劣势在于学习效率低，容易陷入局部极值，以及当样本数据多时收敛速度慢。叶春明等人研究了BP神经网络在供应链管理绩效指标评价中的应用。
2.4 数据包络分析
数据包络分析（Data Envelopment Analysis，DEA）是Charnes等学者于1978年提出的评价相对有效性的方法。DEA使用数学规划模型来比较不同决策单元之间的相对效率，通过综合分析决策单元的输入和输出数据，可以得出每个决策单元的综合效率指标，并且以定量化的形式表示出来。DEA还能判断各决策单元的投入规模是否恰当，如果不恰当，可以向什么方向、以何种程度调整投入规模以此给部门主管提供有用的决策信息[4]。
数据包络分析适合用于多输入、多输出的复杂系统评价，它将输入和输出权重设置为变量，无需人为主观设定。它可以处理不同量纲的数据，将系统的内部过程视为“黑箱”，因此避免了对输入和输出之间的定量关系进行描述。数据包络分析的主要缺点在于该方法对指标数目要求比较严格，当指标数目相对于决策单元的数目太多时，多数决策单元会被判定为有效，从而无法取得有效的信息。
2.5 支持向量机
支持向量机（Support vector Maehines， SVM）是vapnik于1995年提出的一种机器学习算法。其基本思想是：将在低维空间线性不可分的样本通过核函数的非线性变换，映射到高维特征空间，在高维特征空间构造出最优超平面和决策函数，据此可以推断出任意一个输入x对应的输出y[5]。
支持向量机在解决小样本、非线性和高维度问题时具有很大的优势，然而当样本数量较大时，SVM就无能为力了，必须求助于改进的SVM模型。
3 供应链绩效评价方法的融合趋势
供应链是一个典型的复杂、自适应和动态的系统，具有模糊性、不确定性、非线性、系统延迟、网络反馈回路以及多层次、多输入、多输出等特点，针对这样一种系统，任何单一的评价方法都无法对其绩效做出客观的评价。一些学者已经在方法融合上首先做出了尝试，比如2010年，李艳研究了基于遗传算法和支持向量机的供应链绩效评价问题。初颖利用基于密度的聚类挖掘技术（改进的K-均值聚类方法）进行供应链绩效特征的采集和分析，解决了供应链绩效评价的标杆选择问题。评价方法之间的融合是供应链绩效评价方法发展的一个趋势， 具体来说，只有结合各种方法的长处，构建集成的评价模型，才能更好的对绩效做出客观的评价。
参考文献
1 Saaty， T. L. How to make a decision： the analytic hierarehy Proeess[J]. European Journal of Operational Researeh，1990（48）
2 Zadeh， L. A. Fuzzy Sets[J].Information and Control，1965（3）
3 叶春明，马慧民，李丹，柳毅.BP神经网络在供应链管理绩效指标评价中的应用研究[J].工业工程与管理，2005（5）
4 魏权龄. 评价相对有效性的DEA方法—运筹学的新领域[M].北京：中国人民大学出版社，1988
5 李艳.GA和SVM在供应链绩效评价中的应用[J].计算机工程与应用，2010（1）
（责任编辑 杜和）
关键词：供应链绩效；评价方法；层次分析法；模糊评价
1 序言
供应链绩效评价是供应链管理的关键内容，它联结着供应链仿真与供应链构造，供应链运行与供应链优化。决策者只有通过持续不间断的供应链绩效评价，才能对供应链运行状况进行准确的把握，进而对供应链进行持续优化，这也是供应链管理最基本的内容。
供应链效绩评价方法是供应链绩效评价的具体手段。主要是将各具体指标的评价值经过适当的计算，得出最终目标评价值，最后再与评价标准比较，得出评价结论。没有科学的评价方法对评价指标的运用，就不可能得出正确的结论。下面将对主流的评价方法进行介绍，并对其优势和劣势做出评价。
2 供应链评价方法
2.1 层次分析法
层次分析法（Analytic Hierarchy Process，AHP）是一种定性与定量结合的多目标决策分析方法，由saaty于20世纪70年代首先提出，并用于分析复杂系统[1]。其主要思想是：首先分析复杂系统的要素构成及其相互间的关系，据此构造出一个有序的递阶层次结构；然后通过两两比较的方式确定层次中各个要素的相对重要性，在每一个层次上建立判断矩阵，计算该层要素的相对权重；最后计算出各要素相对于总目标的权重。
层次分析法能够同时从定性和定量两个角度来分析问题，特别适合用于解决复杂系统的评价问题，这是因为针对复杂问题建立精确的数学模型往往是很困难的，某些时候必须依靠人的定性判断。与此同时，层次分析法也存在很多的不足之处，如：层次分析法在很大程度上依靠的是人的经验，无法排除个人偏好造成的片面性；比较和判断的过程较为粗糙，只能用于解决精度要求不高的问题；当影响因素数量较多时，比较判断的工作量会迅速增加。
2.2 模糊综合评价
模糊综合评价（Fuzzy Comprehensive Evaluation，FCE）是在模糊数学理论的基础上发展起来的。模糊数学理论由zadeh于20世纪60年代首先提出，它采用精确的数学方法来描述模糊性现象[2]。模糊综合评价借助模糊数学，将边界不清晰、不易量化的因素定量化，然后计算各个因素与评价对象的隶属度，根据隶属等级状况进行综合评价。
供应链绩效评价的指标之间存在着复杂的因果关系，有些关系是模糊的、不确定的，而且有些指标无法实现精确定量化，应用模糊综合评价就能够很好的解决这些模糊性问题，这也是该方法的最大优势。其劣势在于：（1）计算复杂；（2）指标权重的设定具有较强的人为主观性；（3）当指标数量较多时，容易出现/超模糊现象。
2.3 人工神经网络
人工神经网络（Artificial Neural Networks，ANN）简称神经网络，是人工智能领域的重要分支，它是对人脑进行抽象、简化而建立起来的计算模型，目的是为了模拟实现大脑的某些功能 [3]。
目前有上百种模型问世，其中比较著名的有BP神经网络、径向基神经网络、竞争学习神经网络、学习向量量化神经网络、Elman神经网络、Hopfield神经网络和Boltzmann神经网络，其中BP神经网络的影响和应用最为广泛。神经网络的主要优点是能够自适应样本数据，当数据中有噪声和非线性时，也能够正常工作，另外，联想推理、高速并行处理也是其优点。经过科学的训练和学习，神经网络能够找出输入和输出之间的非线性映射关系，从而实现智能推理和预测。神经网络的劣势在于学习效率低，容易陷入局部极值，以及当样本数据多时收敛速度慢。叶春明等人研究了BP神经网络在供应链管理绩效指标评价中的应用。
2.4 数据包络分析
数据包络分析（Data Envelopment Analysis，DEA）是Charnes等学者于1978年提出的评价相对有效性的方法。DEA使用数学规划模型来比较不同决策单元之间的相对效率，通过综合分析决策单元的输入和输出数据，可以得出每个决策单元的综合效率指标，并且以定量化的形式表示出来。DEA还能判断各决策单元的投入规模是否恰当，如果不恰当，可以向什么方向、以何种程度调整投入规模以此给部门主管提供有用的决策信息[4]。
数据包络分析适合用于多输入、多输出的复杂系统评价，它将输入和输出权重设置为变量，无需人为主观设定。它可以处理不同量纲的数据，将系统的内部过程视为“黑箱”，因此避免了对输入和输出之间的定量关系进行描述。数据包络分析的主要缺点在于该方法对指标数目要求比较严格，当指标数目相对于决策单元的数目太多时，多数决策单元会被判定为有效，从而无法取得有效的信息。
2.5 支持向量机
支持向量机（Support vector Maehines， SVM）是vapnik于1995年提出的一种机器学习算法。其基本思想是：将在低维空间线性不可分的样本通过核函数的非线性变换，映射到高维特征空间，在高维特征空间构造出最优超平面和决策函数，据此可以推断出任意一个输入x对应的输出y[5]。
支持向量机在解决小样本、非线性和高维度问题时具有很大的优势，然而当样本数量较大时，SVM就无能为力了，必须求助于改进的SVM模型。
3 供应链绩效评价方法的融合趋势
供应链是一个典型的复杂、自适应和动态的系统，具有模糊性、不确定性、非线性、系统延迟、网络反馈回路以及多层次、多输入、多输出等特点，针对这样一种系统，任何单一的评价方法都无法对其绩效做出客观的评价。一些学者已经在方法融合上首先做出了尝试，比如2010年，李艳研究了基于遗传算法和支持向量机的供应链绩效评价问题。初颖利用基于密度的聚类挖掘技术（改进的K-均值聚类方法）进行供应链绩效特征的采集和分析，解决了供应链绩效评价的标杆选择问题。评价方法之间的融合是供应链绩效评价方法发展的一个趋势， 具体来说，只有结合各种方法的长处，构建集成的评价模型，才能更好的对绩效做出客观的评价。
参考文献
1 Saaty， T. L. How to make a decision： the analytic hierarehy Proeess[J]. European Journal of Operational Researeh，1990（48）
2 Zadeh， L. A. Fuzzy Sets[J].Information and Control，1965（3）
3 叶春明，马慧民，李丹，柳毅.BP神经网络在供应链管理绩效指标评价中的应用研究[J].工业工程与管理，2005（5）
4 魏权龄. 评价相对有效性的DEA方法—运筹学的新领域[M].北京：中国人民大学出版社，1988
5 李艳.GA和SVM在供应链绩效评价中的应用[J].计算机工程与应用，2010（1）
（责任编辑 杜和）