基于投影尋蹤技術的供應鏈績效評價與實證研究

于曉虹，馮國珍

（1.上海商學院 財經學院，上海 200235；2.上海商學院 管理學院，上海 200235）

基于投影尋蹤技術的供應鏈績效評價與實證研究

于曉虹1，馮國珍2

（1.上海商學院 財經學院，上海 200235；2.上海商學院 管理學院，上海 200235）

根據已有供應鏈績效評價指標體系和樣本數據，將專家判定分類結果作為約束條件，建立主觀與客觀有機結合的供應鏈績效綜合評價改進型投影尋蹤模型（MPPC）。對兩個案例的實證研究結果表明，MPPC能很好地應用于供應鏈績效的綜合評價，模型數學意義清晰，應用便捷，為顯性、線性模型，直接揭示出了供應鏈績效優劣與評價指標之間的線性關系。在此基礎上，剖析了現有的供應鏈績效評價BPNN建模過程中存在的問題，模型沒有泛化能力和實用價值。實踐中，應優先推薦使用MPPC模型進行供應鏈績效評價與實證研究。

投影尋蹤技術；供應鏈績效；神經網絡模型

1 引言

隨著經濟全球化，企業分工越來越精細化，市場主體的競爭不再表現為單一企業與企業之間的競爭，而是以核心企業為龍頭的供應鏈與供應鏈之間的競爭[1-3]。企業為了在市場競爭中始終處于有利地位，獲得長期競爭優勢，就必須建立高效、安全、可靠的供應鏈系統。因此，探索可靠、合理、有效的供應鏈績效評價方法，為決策者提供決策依據和技術支撐，是供應鏈優化運作與管理的關鍵，越來越受到學界和業界的重視。供應鏈績效評價涉及高維復雜因素，不少學者采用（模糊）如層次分

析法（FAHP）[4-5]、灰色關聯法[6]、（模糊）綜合評價法（FCM）[7]、（模糊）TOPSIS法[8]、物元模型（ME）[9]、因子分析法（FA）[10]、數據包絡法（DEA）[11]、突變級數法（CPM）[12]等傳統綜合評價方法以及支持向量機（SVM）[13]、自組織神經網絡（SOM）[14]以及基于數據挖掘技術的BP神經網絡（BPNN）[3,15-17]等現代綜合評價方法。這些方法各具優缺點，在很多文獻中都有闡述，總的來講，相比傳統綜合評價方法，BPNN等現代綜合評價方法更具優勢。

傳統綜合評價方法的主要缺點是：AHP的主觀性較強；其他評價方法需要采用信息熵法、離差系數法、余弦法等客觀賦權重法確定權重，而確定合理、有效的權重本身就是綜合評價的最重要內容之一；FA必須滿足樣本數量是指標個數的3～5倍以上的大樣本條件以及KMO大于0.60，CPM雖然不需要確定各個指標權重，但各層次的指標必須按照權重大小排列（這個不僅主觀性很強，也很難）。SOM的結果存在多樣性和不確定性，而BPNN雖然具有很好的非線性逼近能力，但必須首先采用其他方法確定各個樣本的教師值（期望值），而這本身正是綜合評價的核心和關鍵，如果教師值是合理和可靠的，即已經求得了各個樣本的值，完成了綜合評價的工作，又有什么必要再采用非線性的BPNN去建模呢？如果教師值是用AHP、FCM、FA等線性模型確定的話，就更沒有必要采用非線性的BPNN建模了，否則就是用非線性模型去研究線性問題，把簡單問題人為的復雜化，純屬多此一舉。更何況，采用BPNN建模，還必須遵循基本的建模原則和步驟，采用檢驗樣本實時監控訓練過程以避免發生“過訓練”現象，否則，建立的BPNN模型是沒有泛化能力的，即使訓練樣本和測試樣本的誤差都很小，也是沒有實用價值的[18-21]。然而上述文獻（包括其他絕大多數BPNN文獻）建立的BPNN模型都沒有遵循基本建模原則和步驟，也沒有采用檢驗樣本實時監控訓練過程，從他們給出的訓練過程圖可以看出，都必定發生了“過訓練”現象，因此，這些建立的BPNN模型是沒有實用價值的。

總之，在供應鏈績效綜合評價方面，雖然眾多學者進行了有益的探索研究，取得了一定的成效，但還存在不少問題，需要進一步深入研究。另一方面，由Friedman等提出的可用于非線性、高維非正態分布數據建模的投影尋蹤分類（PPC）技術[22-26]，在自然科學和人文社會科學領域的眾多綜合評價中獲得了廣泛的應用。本文嘗試把PPC技術應用于供應鏈績效綜合評價研究中，以期獲得更合理和有效的結果，為提高供應鏈管理績效提供理論依據和決策支持。

2 供應鏈績效綜合評價指標體系及其樣本數據

供應鏈管理涉及眾多環節和大量的指標數據，在選取供應鏈績效評價指標體系時，必須遵循一定的原則。中國電子商務協會供應鏈管理委員會于2003年提出了SCPR（Supply Chain Performance Metrics Reference Model）評價指標體系和方法，指標體系包括訂單反應能力、客戶滿意度、業務標準協同、節點網絡效應與系統適應性5個一級指標，18個二級指標，45個三級指標，并規定了各個指標的權重。此后，不同學者根據自身經驗和學識，構建了不同的評價指標體系。為便于比較不同綜合評價方法結果的合理性，本文直接選用有關文獻的評價指標體系和樣本數據，不對指標體系的合理性和有效性進行研究。因此，本文選用了鄭培[16]、趙泉長[17]的評價指標體系及其樣本數據。

3 基于決策者偏好的投影尋蹤分類（PPC）建模技術

Friedman等[22]于1974年提出的一維投影尋蹤模型（PPC），通過從不同投影方向（視角）研究樣本數據的不同分布規律，從而尋找出能夠最大程度揭示數據特征和規律的最佳投影方向，進而求得高維數據結構特征的樣本投影值（即樣本綜合評價值），實現對樣本的綜合評價、排序和分類[22-26]。PPC建模過程無需人為確定權重，在高維、非線性、非正態分布數據綜合評價中具有獨特優勢，克服了FA和PCA等傳統綜合評價方法及其BPNN等主要適用于正態分布數據和需要大樣本的缺陷，也克服了TOPSIS等需要其他方法確定權重的缺陷，應用日益廣泛。建模原理簡述如下：

PPC建模的核心和關鍵是確定最佳投影方向。Friedman等[22]提出一維PPC的目標函數為樣本投影值的標準差Sz與局部密度值Dz乘積，求其極大值可以確定最佳投影方向[22-26]，即，

式中Sz表示樣本投影點整體上的分散程度，其值越大投影點越分散，Dz表示樣本點的局部密集程度，其值越大越密集；a(j)為最佳投影方向系數（或權重）；樣本投影值一維PPC模型（1）的結果隨窗口半徑R值不同而改變。樓文高等[23]在研究了PPC建模本質及其R值對建模結果的影響規律后提出，R的合理取值范圍為為樣本之間的最大距離）。各變量的詳細說明及其計算公式等參見文獻[22-26]。

由于PPC式（1）的結果完全取決于數據的分布規律，但在供應鏈績效綜合評價研究中，決策者（建模者）往往已有一些先驗專業知識（或者專家意見），或者已取得了一定的研究成果，即決策者可以設定不同評價指標的權重大小或者相互關系，如某些指標的權重大于另一些指標的權重，或者某些樣本的投影值大于其他樣本的投影值，等等，從而可以構建基于決策者偏好的投影尋蹤模型（也稱為改進型投影尋蹤模型MPPC），如下所示：

式（1）和式（2）為具有高維、非線性等式和不等式約束的最優化問題，求解十分困難。筆者編制了基于烏鴉搜索算法（CSA）[27]的群智能最優化算法程序來求解最佳投影向量及其系數a(j)。根據樓文高等[23]提出的定理，如果先后兩次改變一半指標的歸一化方式，目標函數值保持不變而權重互為相反數，就可判定最優化過程求得了真正的全局最優解。

4 實證研究

4.1 以鄭培[16]研究的評價指標體系和樣本數據為例

表1是鄭培[16]采用的供應鏈績效評價指標和樣本數據，共有5個一級指標和15個二級指標，分別為財務（盈利能力/x1、資產周轉率/x2、現金周轉時間/x3）、顧客（客戶滿意度/x4、市場份額/x5、市場擴大率/x6）、業務流程（響應時間/x7、存貨周轉率/x8、次品率/x9、技術先進性/x10）、學習與成長（利潤增長率/x11、信息共享度/x12、新產品研發周期/x13）、供應商（準時交貨率/ x14、柔性/x15），各個指標的單位見文獻[16]，其中x3、x7、x9和x13為越小越好的逆向指標，其他為正向指標。正向和逆向指標分別按照和進行歸一化（其中xmax,j,xmin,j分別為指標j的理論最大值和最小值分別為歸一化前、后的樣本數據）。根據專家意見，已經初步判定某供應鏈1～12月的績效等級，需要確定次年1+～2+月的供應鏈績效等級。

表1 鄭培[16]研究的某供應鏈績效評價指標、樣本數據及其專家判定結果

對表1數據進行歸一化處理，并導入筆者編制的基于CSA群智能算法的PPC程序，把對樣本劃分為不同績效等級的專家意見加入到MPPC模型的約束條件中，即z(3),z(4)≥z(1),z(2),z(5),z(11),z(12)≥z(6),z(7),z(10)≥z(8),z(9)，取窗口半徑從而求得真正的全局最優解—最佳投影向量及其系數a→=a(1)～a(15)=（0.203 3，0.201 2，0.190 2，-0.295 6，0.233 6，0.296 7，0.033 6，0.005 3，0.323 1，0.507 5，0.303 0，-0.131 4，0.129 0，0.048 6，0.401 1），Sz=0.751 1，Dz=20.150 1，Q(a)=15.134 4，

R=0.419 7，rmax=2.098 7。各個樣本的投影值z(1)～z(12)=（1.568 1,1.500 0,2.417 4,2.483 5,1.500 0, 0.522 0,0.522 0,0.384 8,0.502 0,0.522 0,1.616 7, 1.500 0）。因為各類樣本的數量太少，只能取各類樣本之間的中值作為分界值來區分供應鏈績效是優秀、良好、中等還是差，即供應鏈績效優秀、良好、中等和差的MPPC模型輸出值范圍分別為≥2.017 1、≥1.011 0～2.017 1、≥0.512 0～1.011 0、＜0.512 0。把供應鏈次年1+和2+月的各個指標數據代入MPPC模型，得到輸出值分別為1.027 7和1.173 2，對照上述不同績效等級的范圍值可知，可判定次年1+和2+月供應鏈績效水平均為良好，1+月的績效比較接近于良好與中等的分界值，而且2+月的績效好于1+月。

4.2 以趙泉長[17]研究的評價指標體系和樣本數據為例

趙泉長[17]研究的供應鏈績效評價指標和樣本數據見表2，4個一級指標（維度）和10個二級指標，分別是財務維度（盈利能力/x1、產品價值增值率/x2、現金周轉速度/x3）、顧客維度（顧客滿意度/x4、市場占有率/x5）、業務流程維度（對接主體收益增加程度/x6、對接主體之間溝通程度/x7）、未來發展維度（對接主體之間的違約次數/x8、供應基地農戶的培訓程度/x9、農超對接模式下農產品損壞率/x10），各個指標的單位見文獻[17]，按正向指標公式進行歸一化（符號意義同上）。根據專家意見，已經初步判定某供應鏈2013、2014年的績效等級，需要確定2015年1和3月的績效等級。

對表2數據進行歸一化預處理，把專家意見加入到MPPC模型的約束條件中，即 z(1),z(2),z(5)≥z(3),z(6), z(10),z(11)≥z(4),z(7),z(12)≥z(8),z(9)，取 窗 口 半 徑從而求得真正的全局最佳投影向量及其系數0.046 8，0.263 8，0.241 1，-0.166 1，0.627 1，0.283 9），Sz=0.367 3，Dz=19.567 0，Q(a)=7.186 7，R=0.318 6，rmax=1.592 8。各個樣本的投影值z(1)～z(12)=（1.062 2，0.984 4，0.929 3，0.909 3，1.559 1，0.964 3，0.909 3， 0.621 0，-0.033 6，0.964 3，0.929 3，0.641 0）。同理，取各類樣本之間的中值作為分界值來區分績效為優秀、良好、中等和差的供應鏈，則供應鏈績效優秀、良好、中等和差的MPPC模型輸出值范圍分別為≥0.974 4、≥0.919 3～0.974 3、≥0.631 0～0.919 2、＜0.631 0。把供應鏈2015年1和3月的歸一化數據代入MPPC模型，得到輸出值分別為0.883 0和1.146 1，對照上述不同績效等級的范圍值可知，可判定2015年1和3月供應鏈績效等級分別為中等和優秀。

表2 趙泉長[17]研究的某供應鏈績效評價指標、樣本數據及其專家判定結果

5 結果與討論

5.1 評價指標重要性及其指標性質的判定

由MPPC模型可知，最佳投影向量系數絕對值越大的評價指標越重要，過小權重的指標可以刪除。因此，就鄭培[16]研究的15個指標而言，x10最重要，重要性排序為 x10＞x15＞x9＞x11＞x6＞x4＞x5＞x1＞x2＞x3＞x12＞x13＞x14＞x7＞x8，其中前兩個指標權重大于0.401 1，為極重要指標，隨后四個為重要指標，權重大于0.295 6，隨后四個為中等重要指標，權重大于0.190 2，最后五個為次重要或者不重要指標，權重小于0.131 4，可以刪除，對評價結果的影響不大。從x3,x7,x9和x13的權重大于0可以看出，這四個指標確實是逆向指標，x4,x12的權重小于0說明這兩個指標與x10,x15等正向指標呈負相關關系，但顧客滿意度（x4）和信息共享度（x12）這兩個指標顯然是越大供

應鏈績效越好的正向指標。

就趙泉長[17]研究的10個評價指標而言，x9最重要，指標重要性排序為x9＞x1＞x4＞x3＞x10＞x6＞x7＞x8＞x5＞x2，其中前兩個指標權重大于0.424 7，為極重要指標，隨后五個為重要指標，權重大于0.241 1，其余三個為次重要或者不重要指標，權重小于0.166 1，可以刪除，對評價結果的影響不大。從x2,x3和x8的權重小于0可以看出，產品價值增值率（x2）和現金周轉速度（x3）與供應基地農戶的培訓程度（x9）、盈利能力（x1）等指標之間呈負相關關系（但這兩個指標顯然是越大供應鏈績效越好的正向指標），即供應鏈的盈利能力越強，其現金周轉速度就越低。對接主體之間的違約次數（x8）顯然是其值越小供應鏈績效越好的逆向指標。

因此，在判定指標性質時，主要不是看最佳投影向量系數是否大于0，而應該分析指標的本質，系數小于0的指標，或者是逆向指標，或者是與其他指標呈負相關關系的正向指標。這進一步說明，在MPPC模型中，投影向量系數約束條件必須是1≥a(j)≥-1而不是1≥a(j)≥0，否則，逆向指標和呈負相關關系指標的系數都將等于0，與實際情況嚴重不符。此外，為建立更加簡潔的評價指標體系，可以刪除次重要指標。

而文獻[16-17]采用的BPNN模型，屬于隱性、非線性模型，無法直接判定各個指標的重要性，也無法進行排序和刪除非重要指標，也無法判定指標的性質。

5.2 供應鏈績效等級的判定

正如文獻[16-17]，供應鏈（樣本）的一部分績效事先已經由專家（主觀）判定（稱為已知樣本，并且認定這個結果是正確的），需要構建供應鏈績效評價函數，并判定供應鏈其他部分的績效等級。由于供應鏈績效評價的已知樣本通常都比較少，只能取其相鄰類樣本的中間值作為區分不同等級供應鏈績效的分界值，從而可以判定供應鏈其他部分的績效等級。本文判定鄭培[16]2008年1月和2月的供應鏈績效均為中等，而鄭培[16]判定2008年1月和2月的供應鏈績效分別為良好和中等；本文判定趙泉長[17]2015年1月和3月的供應鏈績效為中等和優秀，而趙泉長[16]判定2015年1月和3月的供應鏈績效均為良好，而專家判定結果為優秀和良好。

5.3 文獻[16-17]建模過程中存在問題的剖析

文獻[16-17]均采用多個輸出節點的BPNN模型，設定[1 0 0 0]、[0 1 0 0]、[0 0 1 0]和[0 0 0 1]表示供應鏈績效為優、良、中和差四種情況。理論上，這種輸出方式可以有效地進行分類研究，但實踐中往往會出現令人匪夷所思的結果，如輸出為[0.5 0 0 0.5]或者[0.25 0.25 0.25 0.25]時，如何判定其等級？顯然是無法判定的。其次，即使區分相鄰樣本，也是很困難的，優和良的分界樣本結果不一定是[0.5 0.5 0 0]，如果輸出是[0.4 0.4 0 0]，那又是什么等級呢？顯然也無法判定。因此，采用多個輸出節點的BPNN模型，實踐中不僅不能進行排序研究，有時進行分類研究也會出現明顯錯誤或者不確定的結果。

BPNN模型主要適用于大樣本條件下傳統建模方法不能取得較好效果的情況下建模[18-21,28-29]。建立具有泛化能力和可靠、有效的BPNN模型，一般要求訓練樣本數量達到網絡連接權重個數的3～5倍以上，用試湊法才能確定合理的隱層節點個數，而且，訓練時必須采用檢驗樣本實時監控訓練過程，以避免發生“過訓練”現象或取發生“過訓練”現象之前的網絡連接權重。文獻[28]更是指出：輸入變量少于20個時，訓練樣本數量應該達到輸入變量個數的10～40倍以上，輸入變量多于20個時，訓練樣本數量最好能達到輸入變量的30～50倍以上，還必須用檢驗樣本（占30%左右）實時監控訓練過程以避免發生“過訓練”現象。文獻[29]也指出：必須將樣本分成訓練樣本、檢驗樣本和測試樣本，檢驗樣本和測試樣本分別占25%，訓練樣本數量至少達到網絡連接權重的10倍以上，用檢驗樣本實時監控訓練過程，并在出現“過訓練”現象時停止訓練。顯然，在文獻[15-17]以及其他很多應用BPNN模型進行供應商績效評價研究的論文中，訓練樣本數量都少于網絡連接權重個數的3倍，多數文獻甚至于少于網絡連接權重個數（如文獻[15-17]的訓練樣本數量分別為15、12和12個，網絡連接權重個數卻分別為289、124和80），由于網絡結構太大，訓練過程必定會發生“過訓練”現象。文獻[16-17]沒有采用檢驗樣本實時監控訓練過程，讀者以及原文作者本人都無法判斷訓練過程是否發生了“過訓練”現象，而發生了“過訓練”現象的BPNN模型是沒有泛化能力

的，也是沒有任何實用價值的。況且，文獻[16-17]建立BPNN模型時也沒有遵循基本的建模原則和步驟。因此，理論上講，文獻[16-17]建立的供應鏈績效評價BPNN模型是沒有泛化能力和實用價值的，其結果也必然是錯誤的。

5.4 文獻[16-17]供應鏈績效評價結果合理性和有效性的實踐分析

針對趙泉長[17]研究的2015年1月和3月的某農超對接型供應鏈，在10個評價指標中，x8和x10是逆向指標，其他都是正向指標。在呈正向相關關系的7個指標中，3月的6個指標值（除x9）大于1月份，但權重最大指標（x9）3月和1月的值基本相當，權重次大指標（x1）3月份的值明顯大于1月份；在呈負相關關系的3個指標（x2、x3、x8）中，3月的2個指標值（除x2）小于1月份。也就是說，供應鏈3月份有8個指標值優于1月份。因此，3月份的供應鏈績效優于1月份是必然和合理的，本文的結果證實了這一點，而專家判定結果是1月份優于3月份，肯定是錯誤的，趙泉長[17]只能判定其均為良好，無法比較他們的優劣。

對于鄭培[16]研究的2008年1月和2月的某供應鏈，在15個評價指標中，x3、x7、x9和x13是逆向指標，其他為正向指標。針對正向歸一化后的數據，在呈正向相關關系的13個指標中，1月的9個指標值（除x10、x11和x15）大于2月份，在呈負相關關系的2個指標（x4、x12）中，1月的1個指標值（x12）優于2月份，似乎該供應鏈1月的績效應該優于2月，但事實上，最大權重指標（x10）2月份的值顯著大于1月份的值（1.9倍，本身歸一化值又比較大），次大權重指標（x15）2月份的值也顯著大于1月份（2.6倍，本身歸一化值也比較大），權重第四大指標（x11）2月份的值也大于1月份（1.2倍，本身歸一化值比較大）。因此，盡管該供應鏈絕大多數指標1月份的值要優于2月份，但這些指標或權重較小，或者其歸一化值較小，而最大權重、次大權重指標2月份的值顯著大于1月份，而且其歸一化值又較大，最終評價結果反而是該供應鏈2月份的績效優于1月份。由于鄭培[17]沒有給出每個指標的具體權重，不知道專家是如何判定1月份和2月份的供應鏈績效分別是良好和中等的。鄭培[16]采用的BPNN模型，屬于隱性模型，無法揭示出每個評價指標與供應鏈績效優劣之間的（非）線性關系，實踐上無法判定其建模結果的合理性和有效性。

6 結論和建議

將專家對供應鏈績效的分類判定結果作為PPC模型的約束條件，建立了供應鏈績效綜合評價的改進型投影尋蹤（MPPC）模型，實現了主觀評價（專家判定結果）與客觀評價方法（PPC屬于客觀評價方法）的有機結合，理論上可以取得更合理、有效和可靠的結果。對文獻[16-17]的供應鏈績效綜合評價結果表明，MPPC模型能夠揭示出供應鏈績效優劣與各個評價指標之間的線性關系，屬于顯性模型，有利于提出提高供應鏈績效的措施和建議，建模樣本的識別正確率100%。對供應鏈實際績效的評價結果表明，MPPC模型的結果更合理和可靠。

本文詳細討論和分析了現有的應用BPNN模型進行供應鏈績效評價文獻存在的主要問題，沒有遵循BPNN建模的基本原則和步驟，由于訓練樣本數量太少，以至于不可能滿足訓練樣本數量要大于網絡連接權重個數3～5倍以上的要求，又沒有采用檢驗樣本實時監控訓練過程以避免發生“過訓練”現象，從而導致建立的BPNN模型沒有泛化能力和實用價值。采用多個輸出節點的BPNN模型，不能進行供應鏈績效排序研究，對分類研究有時也會出現不確定和錯誤的結果。

MPPC模型實現了專家主觀判斷與客觀建模方法的有機結合，具有理論上的優越性和創新性，建模過程相對簡捷，模型的數學意義清晰，后期應用更加便捷。對于樣本數量通常都比較少的供應鏈績效評價問題，一般都不可能滿足BPNN建模的大樣本條件，因此，不能采用BPNN建模，而應優先推薦使用MPPC進行建模研究。

[1]李儒晶.供應鏈績效評價研究[J].企業經濟,2012,(10):69-72.

[2]施先亮.供應鏈管理(第3版)[M].北京:機械工業出版社,2016.

[3]樊雪梅.供應鏈績效評價理論、方法及應用研究[D].長春:吉林大學,2013.

[4]尋小榮.基于平衡計分卡的綠色供應鏈績效評價研究[J].物

流技術,2016,35(2):114-119.

[5]宋香暖.層次分析法在集成供應鏈整體績效評價中的應用[J].天津商業大學學報,2008,28(3):27-32.

[6]霍佳震,馬秀波.供應鏈績效評價體系構造及對灰關聯法的改進[J].工業工程與管理,2004,9(6):15-20.

[7]張天平.供應鏈績效指標模糊綜合評價模型[J].統計與決策, 2009,(22):68-70.

[8]張畢西,張明珠,韓正濤.基于模糊TOPSIS的綠色供應鏈績效評價[J].天津工業大學學報,2014,33(4):76-79.

[9]葛安華,姚向楠,戰智強.基于物元模型的供應鏈績效評價研究[J].工業工程與管理,2014,19(3):40-46.

[10]王勇,鄧旭東.基于因子分析的農產品供應鏈績效評價實證[J].中國流通經濟,2015,(3):10-16.

[11]曹明.基于DEA的連鎖超市綠色供應鏈績效評價研究[D].哈爾濱:哈爾濱理工大學,2015.

[12]周強.基于突變級數法的綠色供應鏈績效評價研究[J].中國人口·資源與環境,2008,18(5):108-121.

[13]李艷.GA和SVM在供應鏈績效評價中的應用[J].計算機工程與應用,2010,46(1):246-248.

[14]何開倫,李偉,程創業.SOM神經網絡在生豬綠色供應鏈績效評價中的應用［J］.重慶理工大學學報:自然科學版,2014, 28(9):92-97.

[15]葉春明,馬慧民,李丹,等.BP神經網絡在供應鏈管理績效指標評價中的應用研究[J].工業工程與管理,2005,10(5):35-39.

[16]鄭培.基于BP神經網絡的供應鏈績效評價方法[J].運籌與管理,2010,19(2):26-32.

[17]趙泉長,馬悅,朱澤魁.基于BP神經網絡的農超對接型供應鏈績效評價研究[J].價值工程,2016(22):88-90.

[18]StatSoft Inc.Electronic Statistics Textbook[EB/OL].(http:// www.statsoft.com/textbook),2011.

[19]Zhang G,et al.Forecasting with artificial neural networks:the state of the art[J].International Journal of Forecasting,1998, (14):35-62.

[20]樓文高,喬龍.基于神經網絡的金融風險預警模型及其實證研究[J].金融論壇,2011,(11):52-61.

[21]樓文高,劉遂慶.活性污泥系統神經網絡建模與仿真研究[J].環境污染與防治,2005,27(9):704-707.

[22]Friedman J H,Tukey J W.A Projection Pursuit Algorithm for Exploratory Data Analysis[J].IEEE Transactions on Computers,1974,23(9):881-890.

[23]樓文高,喬龍.投影尋蹤聚類建模理論的新探索與實證研究[J].數理統計與管理,2015,34(1):47-58.

[24]付強,趙小勇.投影尋蹤模型原理及其應用[M].北京:科學出版社,2006.

[25]于曉虹,樓文高,余秀榮.中國省際普惠金融發展水平綜合評價與實證研究[J].金融論壇,2016(5):18-32.

[26]樓文高,吳曉偉.區域流通業競爭力投影尋蹤建模及實證研究[J].中國流通經濟,2010(10):17-20.

[27]Askarzadeh A.A novel metaheuristic method for solving constrained engineering optimization problems:Crow search algorithm[J].Computers and Structures 2016(169):1-12

[28]Neuralware.The complete solution for neural data modeling[EB/OL]. http://www.neuralware.com,2013.

[29]Marsland S.Machine Learning:An Algorithmic Perspective[M]. New York:Chapman&Hall/CRC,2015.

可知，A2指標重復，可以約去。同理可以計算出B4、B5指標重復，可以約去，C類指標中沒有重復，不能約簡。即在最后結果中，約去的指標有人為因素中的意志力指標、船舶因素中的船舶操縱性能和船體結構強度指標。

5 結論

在所有的安全評價中，為了保證評價結果的科學性就必須使用到大量的相關指標并采集大量的數據，但是海量的指標一方面可提高評價結果的可靠性，另一方面也可能由于指標的過于全面而出現指標冗余的現象，影響了評價效率。基于粗糙集理論的指標約簡方法可以對港口水域通航安全評價中所使用到的指標進行有效的約簡，刪除不必要的指標，留下關鍵指標，使得港口水域通航安全的評價結果更科學、更精確。

[參考文獻]

[1]徐仁余.水域交通危險度的模糊綜合評判法[J].中國航海, 1997,17(3):247-251.

[2]張文修,吳偉志,梁吉業.粗糙集理論與方法[M].北京:科學出版社,2000.

[3]李昊,張慶年.內河航運安全狀態監測與指數體系研究[J].中國安全科學學報,2014,24(10):94-100.

Evaluation and Empirical Study on Supp ly Chain Performance Based on Projection Pursuit Technology

Yu Xiaohong1,Feng Guozhen2
(1.School of Finance,Shanghai Business School,Shanghai 200235; 2.School of Management,Shanghai Business School,Shanghai 200235,China)

In this paper according to available index system and sample data of supply chain performance evaluation and with the expert classification as the constraint,we built the modified projection pursuit model for the performance evaluation of supply chain.Then through two case studies,we demonstrated the effectiveness of the model.At the end,on such basis,we analyzed the problems existing in the building process of the model.

projection pursuit technology;supply chain performance;neural network model

F274;F253.9

A

1005-152X(2016)10-0108-07

10.3969/j.issn.1005-152X.2016.10.026

2016-09-07

上海商學院工商管理重點學科項目、上海高校知識服務平臺“上海商貿服務業知識服務中心”項目（ZF1226）；上海市重點學科商務經濟學建設項目

于曉虹（1978-），女，安徽合肥人，碩士，講師，主要研究方向：會計學、金融工程、供應鏈管理以及綜合評價理論與應用；馮國珍（1965-），女，江西九江人，碩士，副教授，主要研究方向：商業經濟與管理、城市管理及其綜合評價理論與應用。