- 相關(guān)推薦
供應鏈評價(jià)的方法
供應鏈效績(jì)評價(jià)方法是供應鏈績(jì)效評價(jià)的具體手段。主要是將各具體指標的評價(jià)值經(jīng)過(guò)適當的計算，得出最終目標評價(jià)值，最后再與評價(jià)標準比較，得出評價(jià)結論。沒(méi)有科學(xué)的評價(jià)方法對評價(jià)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(jià)方法進(jìn)行介紹，并對其優(yōu)勢和劣勢做出評價(jià)。
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(guān)系，據此構造出一個(gè)有序的遞階層次結構;然后通過(guò)兩兩比較的方式確定層次中各個(gè)要素的相對重要性，在每一個(gè)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(shí)從定性和定量?jì)蓚�(gè)角度來(lái)分析問(wèn)題，特別適合用于解決復雜系統的評價(jià)問(wèn)題，這是因為針對復雜問(wèn)題建立精確的數學(xué)模型往往是很困難的，某些時(shí)候必須依靠人的定性判斷。與此同時(shí)，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(jīng)驗，無(wú)法排除個(gè)人偏好造成的片面性;比較和判斷的過(guò)程較為粗糙，只能用于解決精度要求不高的問(wèn)題;當影響因素數量較多時(shí)，比較判斷的工作量會(huì )迅速增加。
2 模糊綜合評價(jià)
模糊綜合評價(jià)(Fuzzy Comprehensive Evaluation，FCE)是在模糊數學(xué)理論的基礎上發(fā)展起來(lái)的。模糊數學(xué)理論由zadeh于20世紀60年代首先提出，它采用精確的數學(xué)方法來(lái)描述模糊性現象[2]。模糊綜合評價(jià)借助模糊數學(xué)，將邊界不清晰、不易量化的因素定量化，然后計算各個(gè)因素與評價(jià)對象的隸屬度，根據隸屬等級狀況進(jìn)行綜合評價(jià)。
供應鏈績(jì)效評價(jià)的指標之間存在著(zhù)復雜的因果關(guān)系，有些關(guān)系是模糊的、不確定的，而且有些指標無(wú)法實(shí)現精確定量化，應用模糊綜合評價(jià)就能夠很好的解決這些模糊性問(wèn)題，這也是該方法的最大優(yōu)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(guān)性;(3)當指標數量較多時(shí)，容易出現/超模糊現象。
3 人工神經(jīng)網(wǎng)絡(luò )
人工神經(jīng)網(wǎng)絡(luò )(Artificial Neural Networks，ANN)簡(jiǎn)稱(chēng)神經(jīng)網(wǎng)絡(luò )，是人工智能領(lǐng)域的重要分支，它是對人腦進(jìn)行抽象、簡(jiǎn)化而建立起來(lái)的計算模型，目的是為了模擬實(shí)現大腦的某些功能 [3]。
目前有上百種模型問(wèn)世，其中比較著(zhù)名的有BP神經(jīng)網(wǎng)絡(luò )、徑向基神經(jīng)網(wǎng)絡(luò )、競爭學(xué)習神經(jīng)網(wǎng)絡(luò )、學(xué)習向量量化神經(jīng)網(wǎng)絡(luò )、Elman神經(jīng)網(wǎng)絡(luò )、Hopfield神經(jīng)網(wǎng)絡(luò )和Boltzmann神經(jīng)網(wǎng)絡(luò )，其中BP神經(jīng)網(wǎng)絡(luò )的影響和應用最為廣泛。神經(jīng)網(wǎng)絡(luò )的主要優(yōu)點(diǎn)是能夠自適應樣本數據，當數據中有噪聲和非線(xiàn)性時(shí)，也能夠正常工作，另外，聯(lián)想推理、高速并行處理也是其優(yōu)點(diǎn)。經(jīng)過(guò)科學(xué)的訓練和學(xué)習，神經(jīng)網(wǎng)絡(luò )能夠找出輸入和輸出之間的非線(xiàn)性映射關(guān)系，從而實(shí)現智能推理和預測。神經(jīng)網(wǎng)絡(luò )的劣勢在于學(xué)習效率低，容易陷入局部極值，以及當樣本數據多時(shí)收斂速度慢。葉春明等人研究了BP神經(jīng)網(wǎng)絡(luò )在供應鏈管理績(jì)效指標評價(jià)中的應用。
4 數據包絡(luò )分析
數據包絡(luò )分析(Data Envelopment Analysis，DEA)是Charnes等學(xué)者于1978年提出的評價(jià)相對有效性的方法。DEA使用數學(xué)規劃模型來(lái)比較不同決策單元之間的相對效率，通過(guò)綜合分析決策單元的輸入和輸出數據，可以得出每個(gè)決策單元的綜合效率指標，并且以定量化的形式表示出來(lái)。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(mén)主管提供有用的決策信息[4]。
數據包絡(luò )分析適合用于多輸入、多輸出的復雜系統評價(jià)，它將輸入和輸出權重設置為變量，無(wú)需人為主觀(guān)設定。它可以處理不同量綱的數據，將系統的內部過(guò)程視為“黑箱”，因此避免了對輸入和輸出之間的定量關(guān)系進(jìn)行描述。數據包絡(luò )分析的主要缺點(diǎn)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(shí)，多數決策單元會(huì )被判定為有效，從而無(wú)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(xué)習算法。其基本思想是：將在低維空間線(xiàn)性不可分的樣本通過(guò)核函數的非線(xiàn)性變換，映射到高維特征空間，在高維特征空間構造出最優(yōu)超平面和決策函數，據此可以推斷出任意一個(gè)輸入x對應的輸出y[5]。
支持向量機在解決小樣本、非線(xiàn)性和高維度問(wèn)題時(shí)具有很大的優(yōu)勢，然而當樣本數量較大時(shí)，SVM就無(wú)能為力了，必須求助于改進(jìn)的SVM模型。
【供應鏈評價(jià)的方法】相關(guān)文章：
供應鏈細分的方法10-02
供應鏈風(fēng)險管理方法12-29
突破供應鏈金融瓶頸方法08-29
企業(yè)推進(jìn)供應鏈管理方法09-25
供應鏈上的庫存管理方法09-18
供應鏈管理采購模式策略方法08-21
衡量供應鏈管理質(zhì)量的新方法08-06
電子商務(wù)加強供應鏈管理基本方法06-14