基于供應(yīng)鏈風(fēng)險(xiǎn)管理的供應(yīng)商選擇決策支持系統(tǒng)研究

蔣姮博 張劍 歐陽婉卿 羅禹杰 盧曉宇

[摘 要]近年來，供應(yīng)鏈中斷對許多企業(yè)造成了巨大損失，許多案例表明，由于供應(yīng)鏈的復(fù)雜性，供應(yīng)鏈風(fēng)險(xiǎn)變得更加復(fù)雜，使企業(yè)無法完全防范。因此，研究企業(yè)如何對供應(yīng)鏈風(fēng)險(xiǎn)更快速地做出反應(yīng)，幫助企業(yè)盡快制訂應(yīng)對方案并采取有效措施變得尤為重要。本文介紹了基于CBR（Case-based reasoning）的基本原理，以供應(yīng)鏈風(fēng)險(xiǎn)管理中的供應(yīng)商選擇為例，使用案例分析了基于CBR技術(shù)的決策支持系統(tǒng)的工作原理、框架結(jié)構(gòu)及功能，驗(yàn)證了基于CBR技術(shù)在供應(yīng)商選擇決策支持系統(tǒng)中應(yīng)用的可行性，為供應(yīng)商選擇決策提供了一個(gè)系統(tǒng)模型。

[關(guān)鍵詞]供應(yīng)商選擇;選擇支持系統(tǒng);CBR;供應(yīng)鏈風(fēng)險(xiǎn)管理

doi：10.3969/j.issn.1673 - 0194.2020.06.036

[中圖分類號(hào)]TP399;F273.7[文獻(xiàn)標(biāo)識(shí)碼]A[文章編號(hào)]1673-0194（2020）06-00-03

0? ? ?引 言

供應(yīng)鏈風(fēng)險(xiǎn)管理是供應(yīng)鏈管理的一個(gè)重要方面，運(yùn)用適當(dāng)?shù)姆椒▽?yīng)鏈風(fēng)險(xiǎn)進(jìn)行管理具有重要意義。根據(jù)供應(yīng)鏈風(fēng)險(xiǎn)的來源，供應(yīng)鏈風(fēng)險(xiǎn)可以分為內(nèi)部風(fēng)險(xiǎn)和外部風(fēng)險(xiǎn)。內(nèi)部供應(yīng)鏈風(fēng)險(xiǎn)中的業(yè)務(wù)風(fēng)險(xiǎn)是由生產(chǎn)流程中的關(guān)鍵人員、管理層、供應(yīng)商選擇變化引起的。其中，供應(yīng)商選擇被認(rèn)為是供應(yīng)鏈管理中的一個(gè)重要問題，目標(biāo)是減少風(fēng)險(xiǎn)，使供應(yīng)鏈整體價(jià)值最大化。供應(yīng)商選擇不當(dāng)可能造成企業(yè)采購配件無法及時(shí)到貨、產(chǎn)品質(zhì)量不合格等，從而影響企業(yè)生產(chǎn)。本文結(jié)合供應(yīng)鏈管理?xiàng)l件下的供應(yīng)商選擇問題，提出了一種基于CBR的供應(yīng)商選擇決策支持系統(tǒng)，通過比較供應(yīng)商案例之間的不同并重用以往案例中積累的經(jīng)驗(yàn)，對供應(yīng)商選擇提供更好的決策支持。

1? ? ?基于案例推理（CBR）的方法

1982年，Schank提出了基于案例的推理理論。基于案例推理（Case-Based Reasoning，CBR）是人工智能領(lǐng)域的一種類比推理技術(shù)。不同于其他的推理方法，CBR是使用過去的經(jīng)驗(yàn)來解決一個(gè)新的問題。Admodt等將CBR過程視為一個(gè)循環(huán)過程，包括檢索、重用、修正、保留。案例檢索指通過給出目標(biāo)問題，從過去的案例數(shù)據(jù)庫中檢索與當(dāng)前問題相關(guān)的最相似案例。案例重用指通過重用解決方案來解決當(dāng)前的問題，從而在以前案例的基礎(chǔ)上開發(fā)出一個(gè)目標(biāo)問題的解決方案。案例修正指在檢索和重用解決方案后對其進(jìn)行評估和測試。在成功應(yīng)用該解決方案后，該CBR過程的經(jīng)驗(yàn)將作為一個(gè)新的案例保留在案例庫中。

自CBR理論提出后，CBR系統(tǒng)被用來解決廣泛的經(jīng)驗(yàn)密集型問題。例如，Jung等人討論了CBR系統(tǒng)在電子商務(wù)風(fēng)險(xiǎn)分析中應(yīng)用的建議，Yan等人討論基于案例推理的決策支持系統(tǒng)在第三方物流評估中的應(yīng)用，提出了一個(gè)原型CBR決策支持模型，該模型支持制造業(yè)總體會(huì)計(jì)系統(tǒng)控制風(fēng)險(xiǎn)水平評估決策。Zhao等使用人工神經(jīng)網(wǎng)絡(luò)（ANNs）和案例推理（CBR）來解決中國石油企業(yè)在不確定性條件下的供應(yīng)商選擇問題。基于案例推理的關(guān)鍵是案例檢索，案例檢索的目的是尋找最相似的案例，是在案例庫中將目標(biāo)案例與過去案例匹配的過程，檢索的準(zhǔn)確性決定了推理效率。案例檢索可分為以下步驟：①根據(jù)系統(tǒng)界面提示輸入案例信息;②明確檢索范圍;③根據(jù)特征的相似性和相對重要性匹配案例;④從一組相似的案例中選擇一個(gè)最佳匹配。案例檢索通常使用距離度量，常用的方法是最近鄰法（NN），從案例庫中檢索到與新案例距離最小的過去案例。案例的每個(gè)屬性都有一定的權(quán)重，在案例檢索過程中，通過計(jì)算新案例和舊案例的每個(gè)屬性的權(quán)重匹配度，選擇相似度最高的案例。因此，此方法適用于基于屬性的案例表示。

2? ? ?基于CBR的供應(yīng)商選擇決策支持系統(tǒng)

2.1? ?系統(tǒng)體系結(jié)構(gòu)

基于案例推理的供應(yīng)商選擇決策支持系統(tǒng)（CBR-DSS）體系結(jié)構(gòu)如圖1所示。

本文借助該系統(tǒng)體系結(jié)構(gòu)，對CBR-DSS的主要開發(fā)進(jìn)行了建模。案例庫中存儲(chǔ)了以前供應(yīng)商選擇的案例。系統(tǒng)用戶（如采購經(jīng)理或公司決策者）首先通過案例檢索界面輸入待解決問題的相關(guān)需求，檢索出在供應(yīng)商案例庫中與當(dāng)前案例相似的案例（集）。選擇相似度較高的歷史案例，對其進(jìn)行重用，得到對當(dāng)前案例的選擇結(jié)果。如需對結(jié)果進(jìn)行調(diào)整，則進(jìn)入案例修正階段，進(jìn)而得到最終的供應(yīng)商選擇結(jié)果。最后對是否保留調(diào)整后的供應(yīng)商選擇結(jié)果到供應(yīng)商選擇案例庫中進(jìn)行選擇，用以將來的供應(yīng)商選擇。

2.2? ?案例表示

在基于案例的推理系統(tǒng)中，案例通常以結(jié)構(gòu)化的方式表達(dá)經(jīng)驗(yàn)知識(shí)。一個(gè)典型的案例應(yīng)該由3部分組成：問題、解決方案和結(jié)果。定義案例的屬性，定義案例的結(jié)構(gòu)化內(nèi)容以及如何在案例庫中組織案例，由CBR中的案例表示組成。在供應(yīng)商選擇的實(shí)際問題中，案例表示中的問題部分由質(zhì)量、價(jià)格、交貨期等關(guān)鍵因素組成。解決方案為對供應(yīng)商的選擇評價(jià)，如供應(yīng)商評級。案例結(jié)果則為解決方案實(shí)施后的評價(jià)和說明，例如方案實(shí)施后是否有效緩解、轉(zhuǎn)移或避免了風(fēng)險(xiǎn)。

2.3? ?案例檢索

目前，應(yīng)用較為廣泛的案例檢索算法有歸納索引法、最近相鄰法、知識(shí)引導(dǎo)法和神經(jīng)網(wǎng)絡(luò)法。其中，最近相鄰法是一種較為常用的基于距離的相似度度量方法，將問題案例的特征權(quán)值和案例庫中候選案例的特征指標(biāo)的權(quán)值進(jìn)行相似度計(jì)算，得出兩個(gè)案例之間的相似度。最近相鄰法具有實(shí)現(xiàn)簡單、無須索引且可以找到最相似案例的優(yōu)點(diǎn)，但屬性權(quán)值難以確定。屬性特征權(quán)值反映了屬性特征相對于其他屬性特征在案例中的重要程度，因此準(zhǔn)確地賦予屬性特征權(quán)值具有重要意義。通常情況下，確定屬性權(quán)值的方法有：主觀賦權(quán)法，包括專家調(diào)查法（Delphi法）、層次分析法（AHP法）;客觀賦權(quán)法，包括模糊集法、離差法、熵權(quán)法等。本文采用客觀賦權(quán)法，設(shè)置權(quán)值的步驟如下：①將供應(yīng)商數(shù)據(jù)進(jìn)行歸一化處理，把值映射到一個(gè)[0，1]的無量綱區(qū)間;②利用熵權(quán)法與主成分分析法（PCA法）分別求出權(quán)重矩陣;③將兩組權(quán)重組合形成數(shù)學(xué)模型，利用模擬退火法來構(gòu)建目標(biāo)函數(shù)解出最優(yōu)解，最終得到屬性權(quán)值。使用某加工廠的某一零件供應(yīng)商數(shù)據(jù)庫作為數(shù)據(jù)來源，對本文采用的賦權(quán)法進(jìn)行驗(yàn)證，經(jīng)過數(shù)據(jù)預(yù)處理，從案例庫中選取若干條供應(yīng)商的案例作為實(shí)驗(yàn)數(shù)據(jù)，得到的數(shù)據(jù)如表1所示。將表1的條件屬性數(shù)據(jù)利用歸一化函數(shù)進(jìn)行處理，所有的數(shù)據(jù)變換到[0，1]，結(jié)果如表2所示。

在信息論中，熵是一種度量不確定度的指標(biāo)。信息熵是對系統(tǒng)紊亂程度的測試，表示每個(gè)指標(biāo)所能提供的平均信息量的大小。信息量越大，不確定性越大，所承載的信息量越大。熵權(quán)法是使用信息熵的指標(biāo)，通過描述特征對象進(jìn)行權(quán)重量化。利用熵權(quán)法計(jì)算每個(gè)屬性的權(quán)重為[0.167 394 752 416 513 05，0.166 804 431 057 425 76，0.166 620 046 434 403 84，0.166 437 406 308 154 6，0.165 771 135 623 835 1，0.166 972 228 159 667 64]，由此可以看出各數(shù)據(jù)熵權(quán)基本相同，這說明數(shù)據(jù)的雜亂程度基本相同。利用PCA法計(jì)算出每個(gè)屬性的權(quán)重[0.347 103 536 128 997 8，0.204 684 793 949 127 2，0.185 641 586 780 548 1，0.091 867 431 998 252 87，0.124 487 958 848 476 41，0.046 214 628 964 662 55]。

使用模擬退火法確定組合權(quán)重，本實(shí)驗(yàn)采用的編碼為浮點(diǎn)型編碼，初始溫度為1 000度，最小溫度值為0.5度，內(nèi)循環(huán)次數(shù)為50次。最終，得到的組合權(quán)重值為：[0.190 952 657 682 078 97，0.036 413 823 622 106 88，0.224 609 486 834 573 1，0.175 933 128 605 014 75，0.262 225 179 867 497 05，0.109 865 723 388 729 17]。為了測試檢索算法的準(zhǔn)確性和優(yōu)越性，計(jì)算表1中的前12個(gè)案例的相似度。圖2a曲線代表使用組合權(quán)重計(jì)算出的相似度，圖2b曲線代表使用PCA法權(quán)重計(jì)算出的相似度。由圖2c可以看出，對于兩兩相似度較接近的案例，經(jīng)過調(diào)整的組合權(quán)重計(jì)算出的相似度要大于PCA法權(quán)重計(jì)算出的相似度，而對于相似度小的案例，則相反。因此，經(jīng)過調(diào)整的組合權(quán)重更能找到接近的案例，使檢索出的案例更符合要求。

2.4? ?案例重用與修正

在檢索舊案例后，系統(tǒng)對潛在案例的準(zhǔn)確相似度值進(jìn)行排序，然后用戶根據(jù)相似度值選擇準(zhǔn)確的案例。如果案例與新案例非常相似，則會(huì)選擇一個(gè)案例，否則系統(tǒng)將進(jìn)入自適應(yīng)過程。因此，需要對檢索規(guī)則進(jìn)行修改，例如擴(kuò)大可接受價(jià)格的范圍或延長提前期的時(shí)間尺度。在適應(yīng)階段，專家（企業(yè)中的采購經(jīng)理、風(fēng)險(xiǎn)分析師和企業(yè)決策者）共享文檔、發(fā)表意見并對修改規(guī)則進(jìn)行討論。他們通過電子郵件或會(huì)議提供相關(guān)知識(shí)。經(jīng)過一系列的活動(dòng)，將產(chǎn)生一個(gè)合適的修改規(guī)則。當(dāng)重用階段生成的案例解決方案不正確時(shí)，系統(tǒng)將進(jìn)入修訂階段。首先，對重用生成的案例解決方案進(jìn)行評估。如果解決方案成功，則系統(tǒng)將案例放入案例庫（案例學(xué)習(xí)），否則使用領(lǐng)域特定的知識(shí)或用戶輸入修復(fù)案例解決方案。

3? ? ?結(jié) 語

針對供應(yīng)鏈風(fēng)險(xiǎn)管理中的供應(yīng)商選擇問題，本文將案例推理技術(shù)（CBR）與決策支持系統(tǒng)相結(jié)合運(yùn)用至供應(yīng)商選擇問題中，對案例檢索算法進(jìn)行了改進(jìn)，提高了案例檢索效率，并通過實(shí)例分析，證明了該方法的有效性。系統(tǒng)充分利用了以往供應(yīng)商選擇中保存的大量案例與經(jīng)驗(yàn)，為企業(yè)選擇合適的供應(yīng)商提供了更有效的決策支撐。

主要參考文獻(xiàn)

[1]張存祿，黃培清.數(shù)據(jù)挖掘在供應(yīng)鏈風(fēng)險(xiǎn)控制中的應(yīng)用研究[J].科學(xué)學(xué)與科學(xué)技術(shù)管理，2004（1）：12-14.

[2]楊瑾，尤建新，蔡依平.基于案例推理的供應(yīng)商選擇決策支持系統(tǒng)研究[J].計(jì)算機(jī)工程與應(yīng)用，2006（6）：19-23.

[3]Aamodt A，Plaza E.Case-Based Reasoning：Foundational Issues，Methodological Variations，and System Approaches[J].AI Communications，2001（1）：39-59.

[4]Jung C，Han I，Suh B.Risk Analysis for Electronic Commerce Using Case-based Reasoning[J].Intelligent Systems in Accounting，F(xiàn)inance & Management，19998（1）：61-73.

[5]Sung-Sik，Hwang，Taeksoo，et al.CRAS-CBR：Internal Control Risk Assessment System Using Case-based Reasoning[J].Expert Systems，2004（1）：22-33.

[6]Zhao K，Yu X.A Case Based Reasoning Approach on Supplier Selection in Petroleum Enterprises[J].Expert Systems with Applications，2011（6）：6839-6847.

[7]Poole D，Mackworth A K.Artificial Intelligence-Foundations of Computational Agents[M].Cambridge，UK：University of Cambridge，2010.

[8]王津津.案例推理在決策支持系統(tǒng)中的應(yīng)用研究[D].合肥：合肥工業(yè)大學(xué)，2010.