供應鏈評價的方法

時間：2024-11-02 19:04:24 供應鏈管理師我要投稿

相關推薦

供應鏈評價的方法

　　供應鏈效績評價方法是供應鏈績效評價的具體手段。主要是將各具體指標的評價值經過適當的計算，得出最終目標評價值，最后再與評價標準比較，得出評價結論。沒有科學的評價方法對評價指標的運用，就不可能得出正確的結論。下面將對主流的評價方法進行介紹，并對其優勢和劣勢做出評價。

　　1 層次分析法

　　層次分析法(Analytic　Hierarchy　Process，AHP)是一種定性與定量結合的多目標決策分析方法，由saaty于20世紀70年代首先提出，并用于分析復雜系統[1]。其主要思想是：首先分析復雜系統的要素構成及其相互間的關系，據此構造出一個有序的遞階層次結構;然后通過兩兩比較的方式確定層次中各個要素的相對重要性，在每一個層次上建立判斷矩陣，計算該層要素的相對權重;最后計算出各要素相對于總目標的權重。

　　層次分析法能夠同時從定性和定量兩個角度來分析問題，特別適合用于解決復雜系統的評價問題，這是因為針對復雜問題建立精確的數學模型往往是很困難的，某些時候必須依靠人的定性判斷。與此同時，層次分析法也存在很多的不足之處，如：層次分析法在很大程度上依靠的是人的經驗，無法排除個人偏好造成的片面性;比較和判斷的過程較為粗糙，只能用于解決精度要求不高的問題;當影響因素數量較多時，比較判斷的工作量會迅速增加。

　　2 模糊綜合評價

　　模糊綜合評價(Fuzzy　Comprehensive　Evaluation，FCE)是在模糊數學理論的基礎上發展起來的。模糊數學理論由zadeh于20世紀60年代首先提出，它采用精確的數學方法來描述模糊性現象[2]。模糊綜合評價借助模糊數學，將邊界不清晰、不易量化的因素定量化，然后計算各個因素與評價對象的隸屬度，根據隸屬等級狀況進行綜合評價。

　　供應鏈績效評價的指標之間存在著復雜的因果關系，有些關系是模糊的、不確定的，而且有些指標無法實現精確定量化，應用模糊綜合評價就能夠很好的解決這些模糊性問題，這也是該方法的最大優勢。其劣勢在于：(1)計算復雜;(2)指標權重的設定具有較強的人為主觀性;(3)當指標數量較多時，容易出現/超模糊現象。

　　3 人工神經網絡

　　人工神經網絡(Artificial　Neural　Networks，ANN)簡稱神經網絡，是人工智能領域的重要分支，它是對人腦進行抽象、簡化而建立起來的計算模型，目的是為了模擬實現大腦的某些功能　[3]。

　　目前有上百種模型問世，其中比較著名的有BP神經網絡、徑向基神經網絡、競爭學習神經網絡、學習向量量化神經網絡、Elman神經網絡、Hopfield神經網絡和Boltzmann神經網絡，其中BP神經網絡的影響和應用最為廣泛。神經網絡的主要優點是能夠自適應樣本數據，當數據中有噪聲和非線性時，也能夠正常工作，另外，聯想推理、高速并行處理也是其優點。經過科學的訓練和學習，神經網絡能夠找出輸入和輸出之間的非線性映射關系，從而實現智能推理和預測。神經網絡的劣勢在于學習效率低，容易陷入局部極值，以及當樣本數據多時收斂速度慢。葉春明等人研究了BP神經網絡在供應鏈管理績效指標評價中的應用。

　　4 數據包絡分析

　　數據包絡分析(Data　Envelopment　Analysis，DEA)是Charnes等學者于1978年提出的評價相對有效性的方法。DEA使用數學規劃模型來比較不同決策單元之間的相對效率，通過綜合分析決策單元的輸入和輸出數據，可以得出每個決策單元的綜合效率指標，并且以定量化的形式表示出來。DEA還能判斷各決策單元的投入規模是否恰當，如果不恰當，可以向什么方向、以何種程度調整投入規模以此給部門主管提供有用的決策信息[4]。

　　數據包絡分析適合用于多輸入、多輸出的復雜系統評價，它將輸入和輸出權重設置為變量，無需人為主觀設定。它可以處理不同量綱的數據，將系統的內部過程視為“黑箱”，因此避免了對輸入和輸出之間的定量關系進行描述。數據包絡分析的主要缺點在于該方法對指標數目要求比較嚴格，當指標數目相對于決策單元的數目太多時，多數決策單元會被判定為有效，從而無法取得有效的信息。

　　5 支持向量機

　　支持向量機(Support　vector　Maehines，　SVM)是vapnik于1995年提出的一種機器學習算法。其基本思想是：將在低維空間線性不可分的樣本通過核函數的非線性變換，映射到高維特征空間，在高維特征空間構造出最優超平面和決策函數，據此可以推斷出任意一個輸入x對應的輸出y[5]。

　　支持向量機在解決小樣本、非線性和高維度問題時具有很大的優勢，然而當樣本數量較大時，SVM就無能為力了，必須求助于改進的SVM模型。

【供應鏈評價的方法】相關文章：

綠色供應鏈管理的存在問題和解決方法07-12