这个成本模型用于分析企业因采购活动而产生的直接和间接的成本的大小。企业将选择SiB值最小的合作 伙伴 6.层次分析法 该方法是20世纪70年代由著名运筹学家赛惕(T.L. Satty)提出的,韦伯( Weber)等提出利用层次分析 法分别用于合作伙伴的选择。它的基本原理是根据具有递阶结构的目标、子目标(准则)、约束条件、部 门等来评价方案,采用两两比较的方法确定判断矩阵,然后把判断矩阵的最大特征相对应的特征向量的分 量作为相应的系数,最后综合给出各方案的权重(优先程度)。由于该方法让评价者对照相对重要性函数 表,给出因素两两比较的重要性等级,因而可靠性高、误差小,不足之处是遇到因素众多、规模较大的问 题时,该方法容易出现问题,如判断矩阵难以满足一致性要求,往往难于进一步对其分组。它作为一种定 性和定量相结合的工具,目前已在许多领域得到了广泛的应用。 另外,苔么蔓( Timmerman)提出合作伙伴评价分类法( Categorical method):温德(Wind)和罗宾森 ( Robinson)、格理格利( Gregory)提出标重法( Weighted Point plan)等等都可以用于合作伙伴的选择,但应用在供应链环境下,都存在一些问题,因为没有考虑 具体的环境,所以不能有效地进行合作伙伴的评价和选择 7.合作伙伴选择的神经网络算法 人工神经网络( Artificial neural network,简称AN)是20世纪80年代后期迅速发展的一门新兴学 科,AN可以模拟人脑的某些智能行为,如知觉、灵感和形象思维等,具有自学习、自适应和非线形动态 处理等特征 这里将AN应用于供应链管理环境下合作伙伴的综合评价选择,意在建立更加接近于人类思维模式的定性 与定量相结合的综合评价选择模型。通过对给定样本模式的学习,获取评价专家的知识、经验、主观判断 及对目标重要性的倾向,当对合作伙伴作出综合评价时,该方法可再现评价专家的经验、知识和直觉思 维,从而实现了定性分析与定量分析的有效结合,也可以较好地保证合作伙伴综合评价结果的客观性 基于人工神经网络的合作伙伴综合评价选择的处理总体流程结构模型如图5-10所示。 图5-10基于人工神经网络的合作伙伴综合评价选择流程结构模型 在选定评价指标组合的基础上,对评价指标作出评价,得到评价值之后,因各指标间没有统一的度量标 准,难以进行直接的分析和比较,也不利于输入神经网络计算,因此,在用神经网络进行综合评价之前 应首先将输入的评价值通过隶属函数的作用转换为[0,1]之间的值,即对评价值进行标准无纲量化,并作 为神经网络的输入,以使AN可以处理定量和定性指标 评价值输入模块处理功能结构示意图如图5-11所示。 图5-11评价输入模块 其中xpi表示第i个指标的评价值(输入值),pi表示第i个指标经量化后的评价值(输出值),它是 B-P网络的输入值。 人工神经网络模块是综合评价系统的重要组成部分,由B-P网络组成,主要完成网络结构的定义、样本的 学习和通过B-P算法进行合作伙伴的综合评价计算等功能 用于合作伙伴评价选择的B-P人工神经网络(以下简称BP网络)可以采用具有一个输入层、一个隐层和 一个输出层的网络结构。各层具有多个节点,每相邻两层之间单方向互连,如图5-12所示 图5-12B-P网络结构 B-P网络结构参数的选择是一个十分重要的工作,输入层和隐含层个数的增加会增强网络的表达能力,但 也会影响其收敛速度。B-P网络结构参数可在网络运行前进行设置定义,相应设置存于网络结构文件 在通过计算得到网络的权值和阈值后,就可将经过初始化的企业评价值作为网络输入进行计算,得到评价 输出。 四、合作伙伴综合评价、选择的步骤 合作伙伴的综合评价选择可以归纳为以下几个步骤(见图5-13),企业必须确定各个步骤的开始时间 每一个步骤对企业来说都是动态的(企业可自行决定先后和开始时间),并且每一个步骤对于企业来说都 是一次改善业务的过程。 图5-13合作伙伴评价、选择步骤图 步骤1:分析市场竞争环境(需求、必要性) 市场需求是企业一切活动的驱动源。建立基于信任、合作、开放性交流的供应链长期合作关系,必须首先 分析市场竞争环境。目的在于找到针对哪些产品市场开发供应链合作关系才有效,必须知道现在的产品需 求是什么,产品的类型和特征是什么,以确认用户的需求,确认是否有建立供应链合作关系的必要,如果 已建立供应链合作关系,则根据需求的变化确认供应链合作关系变化的必要性,从而确认合作伙伴评价选 择的必要性。同时分析现有合作伙伴的现状,分析、总结企业存在的问题。这个成本模型用于分析企业因采购活动而产生的直接和间接的成本的大小。企业将选择 SiB 值最小的合作 伙伴。 6.层次分析法 该方法是 20 世纪 70 年代由著名运筹学家赛惕（T.L.Satty）提出的，韦伯（Weber）等提出利用层次分析 法分别用于合作伙伴的选择。它的基本原理是根据具有递阶结构的目标、子目标（准则）、约束条件、部 门等来评价方案，采用两两比较的方法确定判断矩阵，然后把判断矩阵的最大特征相对应的特征向量的分 量作为相应的系数，最后综合给出各方案的权重（优先程度）。由于该方法让评价者对照相对重要性函数 表，给出因素两两比较的重要性等级，因而可靠性高、误差小，不足之处是遇到因素众多、规模较大的问 题时，该方法容易出现问题，如判断矩阵难以满足一致性要求，往往难于进一步对其分组。它作为一种定 性和定量相结合的工具，目前已在许多领域得到了广泛的应用。 另外，苔么蔓（Timmerman）提出合作伙伴评价分类法（Categorical method）；温德（Wind）和罗宾森 （Robinson）、格理格利（Gregory）提出标重法（Weighted Point Plan）等等都可以用于合作伙伴的选择，但应用在供应链环境下，都存在一些问题，因为没有考虑 具体的环境，所以不能有效地进行合作伙伴的评价和选择。 7.合作伙伴选择的神经网络算法 人工神经网络（Artificial Neural Network，简称 ANN）是 20 世纪 80 年代后期迅速发展的一门新兴学 科，ANN 可以模拟人脑的某些智能行为，如知觉、灵感和形象思维等，具有自学习、自适应和非线形动态 处理等特征。 这里将 ANN 应用于供应链管理环境下合作伙伴的综合评价选择，意在建立更加接近于人类思维模式的定性 与定量相结合的综合评价选择模型。通过对给定样本模式的学习，获取评价专家的知识、经验、主观判断 及对目标重要性的倾向，当对合作伙伴作出综合评价时，该方法可再现评价专家的经验、知识和直觉思 维，从而实现了定性分析与定量分析的有效结合，也可以较好地保证合作伙伴综合评价结果的客观性。 基于人工神经网络的合作伙伴综合评价选择的处理总体流程结构模型如图 5-10 所示。 图 5-10 基于人工神经网络的合作伙伴综合评价选择流程结构模型 在选定评价指标组合的基础上，对评价指标作出评价，得到评价值之后，因各指标间没有统一的度量标 准，难以进行直接的分析和比较，也不利于输入神经网络计算，因此，在用神经网络进行综合评价之前， 应首先将输入的评价值通过隶属函数的作用转换为[0,1]之间的值，即对评价值进行标准无纲量化，并作 为神经网络的输入，以使 ANN 可以处理定量和定性指标。 评价值输入模块处理功能结构示意图如图 5-11 所示。 图 5-11 评价输入模块 其中 xpi 表示第 i 个指标的评价值（输入值），pi 表示第 i 个指标经量化后的评价值（输出值），它是 B-P 网络的输入值。 人工神经网络模块是综合评价系统的重要组成部分，由 B-P 网络组成，主要完成网络结构的定义、样本的 学习和通过 B-P 算法进行合作伙伴的综合评价计算等功能。 用于合作伙伴评价选择的 B-P 人工神经网络（以下简称 B-P 网络）可以采用具有一个输入层、一个隐层和 一个输出层的网络结构。各层具有多个节点，每相邻两层之间单方向互连，如图 5-12 所示。 图 5-12 B-P 网络结构 B-P 网络结构参数的选择是一个十分重要的工作，输入层和隐含层个数的增加会增强网络的表达能力，但 也会影响其收敛速度。B-P 网络结构参数可在网络运行前进行设置定义，相应设置存于网络结构文件。 在通过计算得到网络的权值和阈值后，就可将经过初始化的企业评价值作为网络输入进行计算，得到评价 输出。 四、合作伙伴综合评价、选择的步骤 合作伙伴的综合评价选择可以归纳为以下几个步骤（见图 5-13），企业必须确定各个步骤的开始时间， 每一个步骤对企业来说都是动态的（企业可自行决定先后和开始时间），并且每一个步骤对于企业来说都 是一次改善业务的过程。 图 5-13 合作伙伴评价、选择步骤图 步骤 1：分析市场竞争环境(需求、必要性) 市场需求是企业一切活动的驱动源。建立基于信任、合作、开放性交流的供应链长期合作关系，必须首先 分析市场竞争环境。目的在于找到针对哪些产品市场开发供应链合作关系才有效，必须知道现在的产品需 求是什么，产品的类型和特征是什么，以确认用户的需求，确认是否有建立供应链合作关系的必要，如果 已建立供应链合作关系，则根据需求的变化确认供应链合作关系变化的必要性，从而确认合作伙伴评价选 择的必要性。同时分析现有合作伙伴的现状，分析、总结企业存在的问题