供應商戰略合作評價模型研究

　　【摘要】 供應商戰略合作評價的目的是選擇并建立與供應商的長期戰略合作關系，消除供應鏈上的各種浪費，獲得供應鏈上各企業的“共贏”。BP神經網絡可以很好地解決供應鏈復雜性、交叉性以及動態性的特點。文章運用BP神經網絡進行供應商戰略合作評價模型研究，并以某企業為例，進行了實證研究，將供應商的評價指標作為輸入值，將專家綜合評價指標作為輸出值，經過訓練與檢驗后，該模型可以給出相對客觀公正的結果，指導企業與供應商的戰略合作。
　　【關鍵詞】 BP神經網絡； 供應商； 戰略合作評價
　　
　　在新的供應鏈環境中，各企業建立的戰略合作關系不但能有效消除供應鏈上的各種浪費，減少需求與供給的不確定性，有效壓縮訂貨—交貨時間，消除供需鏈的“牛鞭效應”，更重要的是能夠提升產品與企業的競爭力，增強對顧客與市場需求的快速反應能力，更好更快地滿足客戶需求。
　　對新供應鏈上供應商戰略合作評價模型的研究是近幾年才開始的。主要包括：Weber提出的多目標規劃方法；Narasimhan運用了數據包絡分析方法；Hill采用了層次分析法等等，但這些方法難以擺脫評價過程中的隨機性和模糊性，在實際中也難以操作。
　　BP神經網絡是模擬人腦信息處理功能的一種人工神經網絡，廣泛應用于預測、識別、優化計算、系統控制等領域。從理論上講，神經網絡能以任意精度逼近任意復雜的非線性函數，輸入數據和輸出數據之間為“黑箱”，可以通過學習完成輸入數據和輸出數據之間的非線性映射。可見，BP神經網絡可以很好地解決供應商評價過程中供應鏈復雜性、交叉性以及動態性的特點以及指標權重隨意性和人為性的特點。
　　本文基于BP神經網絡建立了供應商戰略合作評價模型，根據BP神經網絡的原理，運用Fortran編制了神經網絡的學習與驗證程序，并在L企業進行實施。
　　
　　一、建立供應商戰略合作的評價指標體系
　　
　　對供應商戰略合作研究最早、影響最深的是Dickson，他總結出了23項供應商評價準則，此后，Hatherall、Handfield et al.、Yanya和Kingsman、堪述勇、陳榮秋等眾多作者研究了供應商的評價標準。從現有的研究成果中可以看出，供應商的選擇標準已朝多重目標的特性發展，其選擇標準更加復雜。
　　（一）指標體系的建立
　　如表1所示，本文建立的供應商評價指標體系綜合反映了供應商的業務績效、綜合能力、合作水平。不同的行業和企業對戰略合作伙伴的要求和選擇是不同的，企業可以根據自身的情況，對指標體系進行修改、增加和刪減，確立戰略合作伙伴的選擇標準。
　　（二）指標的無量綱處理
　　由于指標體系中各指標之間的數量綱、數量級不同，且既有定量指標又有定性指標，必須將指標進行無量綱處理，計算公式如下：
　　正向指標的處理：
　　Yi=（Xi-Xmin）/（Xmax-Xmin）（1）
　　反向指標的處理：
　　Yi=（Xmax-Xi）/（Xmax-Xmin） （2）
　　公式中：Xi表示原始指標值，Xmax表示原始指標最大值，Xmin表示原始指標最小值，Yi表示處理后指標值，都位于［0，1］區間。
　　
　　二、評價模型的理論研究
　　
　　（一）確定備選供應商并獲取供應商評價信息
　　企業進行供應商戰略合作評價的目標必須與企業的長期目標、規劃及戰略相適應，要為提高企業的核心能力和市場競爭力服務。
　　1.確定備選供應商。企業首先需要分清關鍵物資和非關鍵物資，從而分清戰略性供應商和非戰略性供應商。這就要求企業根據發展戰略、長期銷售預測及產品的物料清單等文件，確定購進的關鍵物資，再確定各備選的供應商的名單。
　　
　　2.獲取所有供應商的評價指標值。根據表1建立的指標評價體系，需搜集供應商企業業績績效、綜合能力和合作水平等方面的數據信息。企業的業績績效指標值是需要從本企業相關的采購部門、質量部門及生產部門的歷史統計數據中獲取的；綜合能力方面的指標值是根據供應商的財務報表、提交的數據及原始證明材料以及其他方式獲取的；合作水平方面的指標是需要專家根據供應商企業文化、戰略目標以及供應網絡信息化的程度來打分。
　　3.成立專家評價小組，對供應商進行綜合評價打分。專家評價小組的職能是實施供應商綜合評價，組員以來自采購、質量、生產、工程、財務等與供應鏈合作關系密切的部門的人員為主，應具有合作精神，并具有一定的專業技能。
　　（二）構建BP神經網絡拓撲結構
　　完成前期的數據收集等工作之后，企業就可以運用BP神經網絡進行戰略供應商的選擇。依據BP神經網絡的步驟及特點，本節確定的結構為三層的BP神經網絡。
　　輸入層輸入的是評價供應商樣本的16個指標值，這些指標值是根據指標評價體系，通過統計、收集，最后再進行無量綱處理獲得的；輸出層神經元的個數為1，表示專家對相應的供應商的綜合評分值，供應商每一組16個評價指標值對應供應商的一個綜合打分值，這里的絕對值只是表示了相對評分的高低；隱含層神經元的最佳個數需要經過數值試驗獲得。
　　（三）選取樣本進行訓練與檢驗
　　企業從備選的供應商中選擇合適比例的部分供應商樣本進行訓練，每個供應商的一組16個評價指標值對應一個綜合評分值，分別作為模型的輸入和輸出層，以對網絡模型進行訓練。
　　然后將部分企業的數據按同樣的方法輸入網絡，以檢驗網絡的訓練效果。當網絡的訓練效果比較好，即誤差值比較小（網絡輸出值與專家打分值之間的誤差）時，建立的網絡模型就可以用于供應商戰略合作伙伴的選擇。
　　（四）運用模型選擇供應商戰略合作伙伴
　　通過對BP神經網絡的訓練和檢驗，使建立的網絡結構具備了對類似問題的解決判斷能力，可直接用于待選供應商的評價，以供企業進行選擇。將待選供應商的指標，分別輸入BP神經網絡中，即可得到網絡評分值，根據評分值的大小，對供應商進行排序，從中選擇企業最為合適的供應商。
　　
　　三、評價模型的實例研究
　　
　　本文運用Fortran編制了神經網絡的學習與驗證程序，并在L企業得到了實施。L企業選取了數據相對完善、交往時間較長的20家企業，整理出它們相應的指標體系，并得到了專家對這20個供應商的評價打分結果，作為神經網絡輸出層的期望輸出，具體數據如表2所示。網絡采用了前15組數據進行網絡訓練，用最后5組數據進行檢驗。
　　
　　對照表2后五組檢驗數據，網絡計算值與專家打分值的平均誤差為5.57%，表明學習后的神經網絡可以很好地獲取并存儲專家的經驗和判斷，因此，該模型可以很好地用于對其他供應商進行綜合評價，以獲取供應鏈上的戰略合作伙伴。
　　
　　四、結論
　　
　　通過對給定樣本模式的學習，獲取專家的知識、經驗、判斷及對目標重要性的傾向，可再現評價專家的經驗、知識和直覺思維，從而保證了定性研究與定量研究的有效結合，可以較好地保證供應商戰略合作評價的客觀性。同時，該評價模型也能廣泛地適用于其他企業，可以有效地支持對供應商的動態評價決策。
　　
　　【參考文獻】
　　［1］ 陳江，曹兆勇.牛鞭效應現象及其對策［J］.現代管理科學，2004（2）.
　　［2］ 賀紅燕，朱軍勇，許麗紅，等．供應商選擇方法綜述［J］.河北工業科技，2005（22）.
　　［3］ 朱大奇，史慧.人工神經網絡原理及其應用［M］.科學出版社，2006.
　　［4］ 蔣宗禮.人工神經網絡導論［M］.北京：高等教育出版社，2001.
　　［5］ D. Sarkar， Methods to Speed up Error Back-Propagation Learning Algorithm［J］.ACM Computer Surveys，Vol. 27， No.4，December 1995.
　　［6］ Dickson，GAn Analysis of Vendor Selection Systems and Decisions ［J］，Journal of Purchasing，1996.
　　［7］ Handfield R B， Krause D， Scannell TV， Avoid the pitfalls in supplier development［J］.Sloan Management Review， Winter 2000.