李 蕊

（煙臺大學(xué)文經(jīng)學(xué)院 管理系，山東 煙臺 264005）

1 引言

供應(yīng)鏈的運(yùn)營是核心企業(yè)高效經(jīng)營的關(guān)鍵，而核心企業(yè)需要合理、科學(xué)地選擇供應(yīng)鏈上的合作伙伴，合適的合作伙伴選擇決定了核心企業(yè)的核心競爭力與運(yùn)營的穩(wěn)定性，在供應(yīng)鏈管理中占有十分重要的地位。合理、科學(xué)地評估合作伙伴，全面地識別合作伙伴的各種風(fēng)險(xiǎn)，做出正確選擇決策，正逐漸成為供應(yīng)鏈管理領(lǐng)域研究的熱點(diǎn)問題。

在供應(yīng)鏈合作伙伴的評估過程中有兩個(gè)核心問題，一是建立科學(xué)的評價(jià)指標(biāo)體系。評價(jià)指標(biāo)體系的建立應(yīng)充分考慮合作伙伴選擇的影響因素，如物流運(yùn)作、生產(chǎn)過程、研發(fā)能力、人員素質(zhì)以及管理水平的一級評價(jià)指標(biāo)，在這些因素中還包括對應(yīng)的二級子因素，在評估過程中因建立多層指標(biāo)體系，力求做到全面覆蓋。除此之外，與合作伙伴一旦建立了合作關(guān)系，彼此就形成了依賴關(guān)系，例如2005年的“蘇丹紅”事件、2008年的“三聚氰胺”事件、2018年的“中興芯片”事件等，都是供應(yīng)鏈管理風(fēng)險(xiǎn)的充分體現(xiàn)，因此對合作伙伴的運(yùn)營、合作、環(huán)境風(fēng)險(xiǎn)應(yīng)該作為一級評價(jià)指標(biāo)加以考慮。另外，各評價(jià)指標(biāo)權(quán)重的確定是評估的關(guān)鍵問題，尤其是不能進(jìn)行定量描述的定性因素需要采用合適的方法進(jìn)行分析，很多文獻(xiàn)中采用層次分析法來確定指標(biāo)權(quán)重，具有較強(qiáng)的主觀性，評估結(jié)果的正確性難以得到保障。將熵的概念引入評估決策中，利用熵權(quán)的概念確定評價(jià)指標(biāo)的權(quán)重，將猶豫度參數(shù)作為構(gòu)成決策矩陣的一部分，從而減少主觀指標(biāo)給評估帶來的影響，可以增加評估過程的正確性。

第二個(gè)核心問題是建立合適的評估模型，供應(yīng)鏈合作伙伴的評估問題是復(fù)雜的多因素、非線性問題，需要綜合考慮各種因素的影響，最終根據(jù)評估結(jié)果做出決策。目前，人工智能方法被應(yīng)用到很多領(lǐng)域，取得了豐碩的成果。其中，利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行合作伙伴的評估也被很多學(xué)者采用，得到了很好的效果。人工神經(jīng)網(wǎng)絡(luò)在供應(yīng)鏈合作伙伴評估這種多指標(biāo)復(fù)雜問題方面的應(yīng)用有著獨(dú)特的優(yōu)勢，它可以通過對樣本訓(xùn)練集的學(xué)習(xí)自動(dòng)調(diào)整模型的參數(shù)，同時(shí)對于一些干擾因素具有較強(qiáng)的抵抗能力，另外，應(yīng)用神經(jīng)網(wǎng)絡(luò)建立評估模型可將多因素充分地綜合考慮，并形成非線性的評價(jià)過程，得到的評價(jià)結(jié)果具有很強(qiáng)的真實(shí)性，而且評價(jià)過程穩(wěn)定、高效，可以避免人為因素產(chǎn)生的評價(jià)誤差。

目前，在該研究領(lǐng)域已取得了很多的成果。張悟移等[1]利用RBF（Radical Basis Function）神經(jīng)網(wǎng)絡(luò)對基于知識的供應(yīng)鏈合作伙伴選擇方法進(jìn)行研究，很好地將RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用到了該領(lǐng)域，取得了較好的效果，但其采用層次分析法來確定評價(jià)指標(biāo)權(quán)重，利用10位專家對評價(jià)指標(biāo)進(jìn)行評判，帶有較強(qiáng)的主觀性；江盛樹等[2]利用BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)建立了客戶分銷預(yù)測支持系統(tǒng)，并進(jìn)行了實(shí)例預(yù)測仿真，取得了不錯(cuò)的效果，但是BP神經(jīng)網(wǎng)絡(luò)的收斂慢、穩(wěn)定性差，以及易出現(xiàn)局部極小問題很大程度上限制了BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用；王邦兆等[3]利用熵的理論與方法對供應(yīng)鏈合作伙伴風(fēng)險(xiǎn)評估與選擇方法進(jìn)行了研究，熵的引入極大地減小了主觀性對評估過程的影響，使評估結(jié)果更具有真實(shí)性，但是最后評估對象的得分是采用指標(biāo)評分與對應(yīng)熵權(quán)線性加權(quán)求和形式給出，并沒有充分考慮評價(jià)指標(biāo)體系的非線性特點(diǎn)。

本文將對供應(yīng)鏈合作伙伴評估方法進(jìn)行研究，建立合理、全面的評價(jià)指標(biāo)體系，利用熵的理念與方法確定各評價(jià)指標(biāo)的權(quán)重，利用RBF 神經(jīng)網(wǎng)絡(luò)建立評估模型，利用訓(xùn)練集對模型參數(shù)進(jìn)行訓(xùn)練，再對測試集進(jìn)行評估，得出評估結(jié)果，為供應(yīng)鏈合作伙伴的選擇提供科學(xué)、合理的依據(jù)。

2 評價(jià)指標(biāo)體系的建立

文獻(xiàn)[1]建立了基于知識的評價(jià)指標(biāo)體系，提出了5 個(gè)一級指標(biāo)以及相應(yīng)的25 個(gè)二級指標(biāo)，能夠充分覆蓋各方面因素，比較全面完善，本文采用了文獻(xiàn)[1]建立的指標(biāo)體系中的5個(gè)一級指標(biāo)及相應(yīng)的25個(gè)二級指標(biāo)，并在此基礎(chǔ)上增加了1個(gè)一級指標(biāo)，即合作運(yùn)營風(fēng)險(xiǎn)，其包含2 個(gè)二級指標(biāo)，分別為長期合作風(fēng)險(xiǎn)和合作環(huán)境風(fēng)險(xiǎn)，均為定性指標(biāo)。具體指標(biāo)體系見表1。

表1 指標(biāo)體系

3 熵權(quán)與RBF神經(jīng)網(wǎng)絡(luò)

3.1 熵權(quán)相關(guān)知識

1865年德國物理學(xué)家K.Clausius 提出了熵的概念，用來描述能量在空間中的無序程度，后來熵的概念被引入到了各個(gè)領(lǐng)域，得到了廣泛的應(yīng)用。Atanassov 在文獻(xiàn)[4]中給出了直覺模糊集的概念，定義給定論域X，在X上的集合有：

定義S為直覺模糊集，其中m(x)為模糊集S的隸屬函數(shù)，n(x)為非隸屬函數(shù)，h(x)=1-m(x)-n(x)為x對于模糊集S猶豫度指數(shù)。在供應(yīng)鏈合作伙伴的評估過程中，很多情況下并不是是與非、對與錯(cuò)的二元邏輯，通過對直覺模糊集的定義，避免了二元邏輯判斷的局限性，增加了一個(gè)維度，從而使得判斷結(jié)果具有更好的真實(shí)性。在文獻(xiàn)[3]中，王邦兆等將直覺模糊集中直覺模糊數(shù)的計(jì)分函數(shù)定義為：

將隸屬函數(shù)m(x)作為正面度量，將n(x)作為負(fù)面度量，那么當(dāng)值越大時(shí)，說明模糊數(shù)的確定性越大，也就是計(jì)分函數(shù)Ps越大，因此可根據(jù)計(jì)分函數(shù)的大小對模糊值進(jìn)行排序。1969年Zadeh[5]利用模糊熵的大小來度量直覺模糊集上的不確定信息，文獻(xiàn)[3]給出了直接模糊熵和熵權(quán)具體的定義，這里不再贅述，直接給出直覺模糊熵和熵權(quán)的計(jì)算公式如下：

式（3）為直覺模糊熵計(jì)算公式，假設(shè)集合中有m個(gè)元素，式（5）為熵權(quán)計(jì)算公式，Wj為n個(gè)評價(jià)指標(biāo)中第j個(gè)評價(jià)指標(biāo)的熵權(quán)。某一指標(biāo)的熵權(quán)反映了該指標(biāo)為決策提供信息的多少，若熵權(quán)為0，則說明該指標(biāo)在決策過程中沒有提供任何有用信息，可以剔除該指標(biāo)，通過該方法可以將沒有意義的指標(biāo)剔除，從而可以減少RBF神經(jīng)網(wǎng)絡(luò)輸入矩陣的維數(shù)，為評估模型減輕了負(fù)擔(dān)，提高了效率。

3.2 RBF神經(jīng)網(wǎng)絡(luò)相關(guān)知識

RBF 神經(jīng)網(wǎng)絡(luò)是一種三層結(jié)構(gòu)的前向神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱層和輸出層，隱層實(shí)現(xiàn)的是非線性的變換，而隱層與輸出層之間是線性變換的關(guān)系，本文選取徑向基函數(shù)為高斯型基函數(shù)，形式如下：

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)形式如圖1所示。

本文采用的RBF 神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)為1個(gè)，RBF神經(jīng)網(wǎng)絡(luò)的輸出可以表示為：

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本文采用Matlab 軟件進(jìn)行仿真，采用神經(jīng)網(wǎng)絡(luò)工具箱中的newrb( )調(diào)用RBF 神經(jīng)網(wǎng)絡(luò)利用訓(xùn)練集對神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練，具體調(diào)用格式為newrb(x,y, goal, spread)，其中，x為輸入矩陣，y為輸出值，goal為RBF神經(jīng)網(wǎng)絡(luò)的均方差，spread為RBF神經(jīng)網(wǎng)絡(luò)的分布參數(shù)，對訓(xùn)練集完成訓(xùn)練后，RBF神經(jīng)網(wǎng)絡(luò)可完成率定，然后即可對測試集進(jìn)行評估，利用命令sim=(net,x)得出最后的評估結(jié)果。

4 案例研究與仿真

某制造企業(yè)是供應(yīng)鏈的核心企業(yè)，為保證企業(yè)的運(yùn)營穩(wěn)定性和規(guī)避風(fēng)險(xiǎn)，對企業(yè)的供應(yīng)商實(shí)行嚴(yán)格的評估把關(guān)。假設(shè)該企業(yè)需要采購一種核心功能部件，目前有6 家候選企業(yè)，需要對候選企業(yè)進(jìn)行科學(xué)合理的評估，為最后的決策提供依據(jù)，具體實(shí)現(xiàn)過程如下：

4.1 評價(jià)指標(biāo)體系的建立

在表1評價(jià)指標(biāo)體系中，指標(biāo)L1、L5、L6、D1、D2、T1、T2、T3 是能夠給出定量值的客觀性指標(biāo)，其他指標(biāo)均為定性的主觀性指標(biāo)，將定性指標(biāo)利用語言評價(jià)值進(jìn)行量化，得到對應(yīng)直覺模糊集，語言評價(jià)值量化等級具體見表2。

表2 語言評價(jià)量化等級

共有6家候選企業(yè)，專家根據(jù)語言評價(jià)量化等級表2，對6家候選企業(yè)的19個(gè)主觀性指標(biāo)進(jìn)行量化評價(jià)，得到直覺模糊集評價(jià)矩陣如下：

將直覺模糊矩陣中的值轉(zhuǎn)化成直覺模糊熵的形式，可得模糊熵矩陣為：

根據(jù)式（5）計(jì)算各主觀性指標(biāo)的熵權(quán)矩陣為：

接下來對8個(gè)客觀性指標(biāo)的權(quán)重進(jìn)行計(jì)算，首先根據(jù)客觀性指標(biāo)值建立評價(jià)矩陣為：

需要對數(shù)據(jù)進(jìn)行規(guī)范化，根據(jù)評價(jià)指標(biāo)的性質(zhì)，可分為效益類指標(biāo)和成本類指標(biāo)，效益類指標(biāo)越大越好，如研發(fā)資金投入等，成本類指標(biāo)越小越好，如產(chǎn)品價(jià)格等，即可利用公式為規(guī)范化后的值，i,j分別表示第i行和第j列，對P′進(jìn)行規(guī)范化，可得：

利用式（8）—（10）計(jì)算6個(gè)供應(yīng)商各客觀性指標(biāo)的熵權(quán)，其中E(xj)為8個(gè)客觀性指標(biāo)中第j個(gè)指標(biāo)的熵值，w(xj)為第j個(gè)指標(biāo)的熵權(quán)，最終得到所有指標(biāo)的熵權(quán)，見表3。

本文采用二級評價(jià)指標(biāo)對供應(yīng)商進(jìn)行具體評價(jià)，因此只對二級評價(jià)指標(biāo)計(jì)算熵權(quán)，利用熵權(quán)描述各評價(jià)指標(biāo)在評價(jià)過程中發(fā)揮作用、影響所占的權(quán)重，盡量地減少了計(jì)算主觀性指標(biāo)權(quán)重過程中的主觀因素的影響，得到的權(quán)重更具客觀性、真實(shí)性，能夠更加有效的反映評價(jià)指標(biāo)在評價(jià)過程中的作用，使評價(jià)結(jié)果更有說服力，更加科學(xué)合理。

4.2 RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

本文與文獻(xiàn)[1]一致，同樣確定5 個(gè)評價(jià)等級，分別為 1級-5 級，5 級為最高級，1級為最低級。為對RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行有效、科學(xué)的訓(xùn)練，需要建立合理的網(wǎng)絡(luò)訓(xùn)練集，可將5個(gè)評價(jià)等級作為神經(jīng)網(wǎng)絡(luò)的輸出矩陣，即y=[12 3 4 5]，為合理建立神經(jīng)網(wǎng)絡(luò)的輸入矩陣，根據(jù)各評價(jià)指標(biāo)的權(quán)重，由權(quán)威專家進(jìn)行評價(jià)等級的制定，得到供應(yīng)鏈合作伙伴評價(jià)等級，見表4。

表4 合作伙伴評價(jià)等級

對表4中的數(shù)據(jù)進(jìn)行規(guī)范化處理，可得神經(jīng)網(wǎng)絡(luò)訓(xùn)練集的輸入矩陣為：

利用訓(xùn)練集的輸入矩陣x和輸出矩陣y對RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，Matlab 中函數(shù)調(diào)用為newrb(x,y,0.000 000 01,1)，通過對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定網(wǎng)絡(luò)參數(shù)。

4.3 RBF神經(jīng)網(wǎng)絡(luò)評價(jià)與仿真分析

利用文獻(xiàn)[1]中的候選企業(yè)評價(jià)樣本作為評價(jià)對象，利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行評價(jià)。輸入矩陣為

輸入到神經(jīng)網(wǎng)絡(luò)的輸入端，可以得到輸出矩陣為：

通過輸出矩陣可以看出，候選合作伙伴H5的評分最高，接近3級標(biāo)準(zhǔn)，根據(jù)評價(jià)結(jié)果可建議選擇H5為合作伙伴。同時(shí)與文獻(xiàn)[1]中的結(jié)果進(jìn)行比較，見表5。

表5 AHP權(quán)重法與基于熵權(quán)方法RBF神經(jīng)網(wǎng)絡(luò)評價(jià)比較

本文采用熵權(quán)方法確定各評價(jià)指標(biāo)的權(quán)重，利用RBF 神經(jīng)網(wǎng)絡(luò)進(jìn)行評價(jià)，與文獻(xiàn)[1]中采用AHP 方法確定評價(jià)指標(biāo)權(quán)重，同樣利用RBF 神經(jīng)網(wǎng)絡(luò)進(jìn)行評價(jià)相比，通過表5中的結(jié)果可以看出，候選企業(yè)的排序基本一致，說明本文提出的方法是可行的，并且本文利用熵權(quán)法可盡量避免主觀性因素的影響，在實(shí)際應(yīng)用中具有更為科學(xué)的意義。

另外，根據(jù)結(jié)果的比較可以看出，候選企業(yè)H3、H4之間的排序在利用AHP方法確定權(quán)重是H4的評分高于H3，而利用熵權(quán)法H4 的評分低于H3。對候選企業(yè)樣本數(shù)據(jù)進(jìn)行分析，可知候選企業(yè)H3高于H4的評價(jià)指標(biāo)見表6。

表6 H3評分高于H4的評價(jià)指標(biāo)權(quán)重

根據(jù)表6可知，H3 評分高于H4 的評價(jià)指標(biāo)中，L2、L4、P1、P2、P4、T2、C5 的熵權(quán)法權(quán)重高于AHP 確定的權(quán)重，使這幾個(gè)指標(biāo)在評價(jià)中對于H3來說占有較大的優(yōu)勢。同時(shí)比較H3 評分低于H4 的評價(jià)指標(biāo)，見表7。

表7 H3評分低于H4的評價(jià)指標(biāo)權(quán)重

通過表7可以看出，指標(biāo)L5、D1、D4、D5、T1的熵權(quán)法權(quán)重比AHP 法權(quán)重小，所以這幾項(xiàng)評價(jià)指標(biāo)在評價(jià)過程中對于H3 來說作用減小了。因此可以看出，兩種權(quán)重確定方法的不同，導(dǎo)致了最后評價(jià)結(jié)果的不同。

從評價(jià)指標(biāo)權(quán)重比較可以看出，熵權(quán)法確定的各評價(jià)指標(biāo)權(quán)重之間沒有出現(xiàn)差異較大的現(xiàn)象，而AHP方法確定的權(quán)重，各指標(biāo)之間權(quán)重差異較大，例如，文獻(xiàn)[1]中的L系列指標(biāo)權(quán)重基本均高于C系列指標(biāo)，并且相差較大，而熵權(quán)法確定的兩個(gè)系列指標(biāo)權(quán)重相差并不大。通過分析可知，雖然物流運(yùn)作一級指標(biāo)中的各二級指標(biāo)在實(shí)踐中的確比協(xié)同組織一級指標(biāo)中的各二級指標(biāo)相對重要，但是隨著科技手段、經(jīng)濟(jì)環(huán)境、經(jīng)營模式等不斷地高速發(fā)展，協(xié)同組織一級指標(biāo)下的各二級指標(biāo)的重要性逐漸增加，有的指標(biāo)甚至成為在評價(jià)中應(yīng)重點(diǎn)考慮的因素。例如，網(wǎng)絡(luò)安全保障能力C2 二級指標(biāo)，熵權(quán)法權(quán)重為0.044 8，而AHP 法權(quán)重為0.022 2。在當(dāng)前，互聯(lián)網(wǎng)以及網(wǎng)絡(luò)環(huán)境對于一個(gè)企業(yè)來講十分重要，網(wǎng)絡(luò)安全保障能力的重要性正逐漸顯現(xiàn)出來，因此可以看出熵權(quán)法確定的權(quán)重更加具有客觀性，而AHP 法則受主觀性影響較大，并沒有體現(xiàn)出各評價(jià)指標(biāo)在高速發(fā)展的社會(huì)環(huán)境下的快速變化，有一定的滯后性。知識管理者的素質(zhì)能力C5 二級指標(biāo)熵權(quán)法權(quán)重為0.082 5，AHP 法權(quán)重為0.0012，可以看出AHP 法認(rèn)為知識管理者的素質(zhì)能力在企業(yè)運(yùn)營中的重要性很小，這顯然與當(dāng)前現(xiàn)實(shí)中的情況有較大的誤差，知識管理者的素質(zhì)能力在很多情況下能夠決定企業(yè)的發(fā)展，甚至對于企業(yè)的生存起到至關(guān)重要的作用，所以通過比較分析可以看出，熵權(quán)法確定的權(quán)重比AHP 法確定的權(quán)重更具客觀性，更加真實(shí)、準(zhǔn)確。

5 結(jié)論

供應(yīng)鏈合作伙伴的選擇是供應(yīng)鏈核心企業(yè)要面對的重要課題，科學(xué)、合理地對候選合作伙伴進(jìn)行評估是做出正確選擇的重要依據(jù)。

（1）建立合理的評價(jià)指標(biāo)體系是對候選企業(yè)進(jìn)行評估的基礎(chǔ)。采用科學(xué)的方法確定各評價(jià)指標(biāo)權(quán)重是關(guān)鍵問題，熵權(quán)法能合理地規(guī)避主觀性帶來的影響，使各指標(biāo)的權(quán)重更加真實(shí)、準(zhǔn)確。

（2）建立行之有效的評估模型是進(jìn)行候選企業(yè)評價(jià)的平臺。RBF神經(jīng)網(wǎng)絡(luò)能夠很好地學(xué)習(xí)訓(xùn)練集中樣本的特點(diǎn)、思想與原則，從而將這些因素體現(xiàn)在評價(jià)結(jié)果中，同時(shí)RBF 神經(jīng)網(wǎng)絡(luò)具有很好的泛化能力，對于不確定性具有很好的適應(yīng)性，因此利用RBF神經(jīng)網(wǎng)絡(luò)對供應(yīng)鏈合作伙伴進(jìn)行評價(jià)是可以得到廣泛應(yīng)用的。

（3）通過仿真分析可以看出，在社會(huì)環(huán)境飛速發(fā)展的情況下，影響企業(yè)發(fā)展的因素也在發(fā)生巨大的變化，比如供應(yīng)鏈上合作伙伴的運(yùn)營風(fēng)險(xiǎn)是很重要的影響因素，尤其是跨國合作伙伴受到國際關(guān)系的影響較大，有些變化是突然出現(xiàn)的，因此供應(yīng)鏈中的核心企業(yè)在選擇合作伙伴時(shí)應(yīng)科學(xué)的考慮各種影響因素，并不拘泥于傳統(tǒng)思維的影響，盡量減少主觀性帶來的影響。