基于神经模糊系统的供应商选择模型研究

贾 军范黎波贾 立

（1.对外经济贸易大学 国际商学院，北京 100029；2.上海大学 机电工程与自动化学院，上海 200072）

一、引言

随着经济全球化的加速进行，企业的竞争由国内蔓延到国外，对大多数企业来说，原料采购成本占产品总成本的70%以上。加入WTO以来，中国由于成本优势已成为世界制造中心，外国企业在中国的采购规模不断扩大，选择中国供应商也成为跨国公司采购实践的重要环节。如何在全球范围内进行供应商选择，直接影响到企业生产成本的降低，尤其是现在产品的生命周期越来越短，强调质量、交货可靠性、价格、提前期等增加了供应商选择的复杂性和选择范围。

供应商作为企业原材料的提供者，在很多方面影响着企业的发展，如供应商能否按时交货影响着企业生产能否按期进行；供应商能否保证产品的质量决定了企业产品的最终质量；供应商提供产品的价格影响到企业产品最终在市场上的定价等，这一切又影响了企业的产品在市场上的竞争力及信誉。

针对供应商选择的定量评价方法，国内外的学者们主要是从两个角度来进行研究的：一是直接采用定量的评价方法，如Timmerman（1986）、Roodhooft和Jonings（1996）等直接采用成本法对供应商直接评价①Timmerman F.，“An approach to vendor performance evaluation”，Journal of Purchasing and Supply Management，Vol.22，No.4，1986，PP.2-8.；Pan（1989） 和 Ghodsypour等（2001）则采用线性规划法建立了供应商选择评价模型。②Pan A.C.，“Allocation of order quantity among suppliers”，Journal of Purchasing and Materials Management，Vol.25，No.3，1989，PP.36-39.二是采用定量和定性相结合的方法来对供应商进行评价。如Webber等（1998）提出了根据数据包络分析法（DEA分析法）和多目标规划法构建了一个组合模型，来对供应商进行选择评价③WeberC.A.， CurrentJ.R.， DesaiA.， “Norcooperative negotiation strategies for vendor selection”，European Journal of Operational Research，Vol.108，No.1，1998，PP.208-223.；Dae Ho Byun（2000）提出AHP算法结合主观评价来对供应商进行选择评价④Dae Ho Byun，“The AHP approach for selecting an automobile purchase model”，Information&Management，Vol.38，2000，PP.289-297.；Glsao Shiroman等（2000）采用遗传算法来求解供应商选择问题；Khoo等（2005）则提出采用智能软件代理的方法来评价选择供应商；国内学者如陈雷等（2003）采用信息熵法构建了供应商的选择评价模型。⑤陈雷、王延章:《基于熵权系数与TOPSIS集成评价决策方法的研究》，《控制与决策》2003年第4期。

图1 供应商的选择

从国外学者们对供应商选择评价的研究来看，目前研究仍存在着诸如考查指标不全面，评价选择供应商时主观性较强、缺乏切实可行的选择方法等。针对以上问题，本文提出了一种新颖的供应商选择的评价指标体系，将神经模糊系统引入了供应商评估之中，构建了供应商评价的神经模糊模型，即将如图1所示的供应商评价指标体系映射到神经模糊模型中，从而消除指标权重确定中人为因素的影响，而且能够有效地解决非线性指标选择问题，提高供应商的选择评价过程的准确性。

二、神经模糊系统

神经网络是由大量的简单处理单元构成的非线性、自适应性、自组织系统，它以生物神经网络为模拟基础，能对信息进行加工、记忆和处理，并且具有巨量并行性、高度非线性、结构可变性、自组织性和自学习性等特点。而模糊逻辑系统是建立在模糊集合理论、模糊规则和模糊推理等概念上的先进的计算框架，它通过模仿人类思维的模糊综合判断推理来处理常规方法难以解决的模糊信息处理问题，是对与人类的思维和感知有关的一些现象建模的另一个有力工具。模糊逻辑系统具有“概念”抽象能力和非线性处理能力，比较适合于表达模糊的或不定的知识。但是模糊逻辑系统缺乏学习和自适应能力，并且模糊逻辑系统隶属度函数的选取和模糊规则的确定需依经验而定，具有主观性。

神经模糊系统（FNN）则融合了模糊逻辑和神经网络的技术，并利用两者的优点，使新构成的系统既具有模糊逻辑的处理能力，也具有神经网络的学习能力。这实际上是人类大脑结构和功能的模拟——大脑神经网络“硬件”拓扑结构和信息模糊处理“软件”的思维功能。

三、基于神经模糊系统的供应商评价指标模型的构建

（一）供应商评价指标

学术界对供应商的评价指标体系也各有不同的看法。如1996年Dickson提出了23条供应商选择的评价指标⑥Dickson C，“An Analysis of Vendor Selection System s and Decisions”，Journal of purchasing，No.2，1996，PP.28-41.，包括质量、价格、保证条款、交货期等指标，此后的学者们在这23条评价指标的基础上也进行了增加和修改，如Choi和Hartley（1996）将评价指标概括为可靠性、技术能力、财务、一贯性、关系、服务、价格以及弹性八个标准①Choi T.Y.，Hartley J.L.，“An exploration of supplier selection practicesacrossthe supply chain”， JournalofOperations Management，Vol.14，1996，PP.333-343.；Lee（2001）提出了增加开发与改进指标②Lee E.K.，Ha S.，Kim S.K.，“Supplier selection and management system considering relationships in supply chain management”，IEEE Transactions on Engineering Management，Vol.48，No.3，2001，PP.307-318.；Kreng和Wang（2005）则提出了准时交货能力的指标等。③Kreng V.B.，Wang I.C.，“Supplier Management for Manufacturea Case Study of Flexible PCB”，International Journal of Advanced Management Technology，Vol.25，2005，PP.785-792.

本文综合以往学者们的研究，并在行业专家、制造商等意见的基础上，将影响供应商选择的因素归纳为企业整体实力、产品质量能力、服务水平能力和协同发展潜力四个主要指标，并将四个一级指标再细分为15条二级评价指标，如表1所示。

表1 供应商的指标评价体系

表1中15条供应商二级评价指标的具体含义是：

企业信誉：指市场上众多制造商对供应商的合同执行的诚信度的整体评价，通常可以由企业的市场占有率或者品牌认可度等来反映，此指标可以专家根据市场情况打分获得。

管理水平：指供应商的组织结构、领导团队等的整体水平，此指标可通过专家小组评分获得。

财务状况：供应商的财务状况直接影响到企业的实际运行，此指标可以通过资金周转率、资产收益率等指标进行反映。

技术设备水平：指供应商的生产设备的先进性以及柔性等，此指标可以通过一定的设备技术标准进行评分。

人力资源状况：指企业员工的整体素质，此指标可以通过企业的技术人员、高学历人员、员工从业经验等指标进行评分。

质量水平：这是与供应商合作的最基础的指标，此指标可以通过产品合格率、产品等级等指标进行评分。

质量保证体系：指供应商是否有主动进行质量改进和提升的愿望，此指标可以通过供应商的质量管理体系标准来进行评分。

价格水平：主要指供应商产品的价格水平以及价格的稳定性程度，此指标可通过供应商产品的实际价格来进行评分。

技术研发能力：指供应商持续进行技术研发、产品创新等的能力，此指标可由专家小组评分获得。

交货能力：指供应商交货的准时性以及交货产品的准确性的能力，此指标可用准时交货率等指标进行评分获得。

配送能力：指供应商的运输硬件、供应商的地理条件等方面的因素，此指标可以通过专家小组打分获得。

问题解决及时性：主要指供应商对制造商的需求能够及时、有效的了解和解决的能力，以及对产品故障的响应能力，此指标可通过专家小组打分获得。

图2 供应商评价指标模型

企业兼容性：指制造商与供应商在业务关联、经营理念、企业文化等方面的接近程度，接近程度越高，双方的协同发展潜力越大。此指标可通过专家小组打分获得。

信息共享水平：指供应商与制造商之间是否能够及时、准确地进行信息沟通、交流和传递，此指标可通过专家小组打分获得。

长期合作意愿：指供应商与制造商之间的战略目标的一致程度，双方的战略目标越趋向于一致，双方越容易建立长期稳定的战略合作伙伴关系。此指标可通过专家小组打分获得。

（二）供应商评价指标模型的构建

本文根据给定的供应商选择指标体系，共选取M个指标作为网络的输入参量，分别表示为X=[x1x2…xM]，其中的定性值采用分级打分的方法进行量化；对于定量值则采用原值，然后再将这些定性和定量数值进行归一化处理。将用来描述供应商特征即选择供应商的指标体系的信息作为模型的输入向量X=[x1x2…xM]；将代表相应综合选择的值作为模型的输出y；用足够的样本训练模型，使不同的输入向量得到不同的输出量值。①贾立:《神经模糊系统研究及其在建模与控制中的应用》，华东理工大学博士论文，2002年。

供应商评价指标模型包括五层。第一层为输入层，该层节点将输入信号传递给下一层，表示为：

第二层由N条模糊IF-THEN规则组成。每组分别有M个神经元（M表示模糊规则的前件，也就是输入变量的维数）。该层中第l（l=1，2，…，N）组的神经元分别与第一层中的每个神经元相连接，每个神经元都表示一个隶属度函数。本文的研究中选取高斯型隶属度函数，该层中每个神经元的输入输出表示如下：

第三层由N个神经元组成，用来计算每条规则的强度。第l（l=1，2，…，N）个神经元与第二层中第 l（l=1，2，…，N）组中的所有神经元相连接。该层中每个神经元的输入和输出可表示为：

第四层由2个神经元组成。其中一个神经元与第三层中的所有的神经元通过单位权值相连接，而另一个神经元则通过权值h与第三层中所有的神经元相连接，表示如下：

第五层由1个单神经元构成，用来计算输出值y。该神经元与第四层的2个神经元通过单位权值相连接，表示如下：

模型的输出为：

其中

（三）供应商评价指标模型

在此收集供应商的相关指标值，并将其进行量化，形成原始样本数据集，并将此数据样本分为训练样本（90%）和测试样本（10%）。需指出的是，分类属性的选择要依据分类的目的来确定，分类是将相似度较高的一组对象划分为一类，而相似度的衡量，主要依据属性值，所以对于相同的数据对象，选择不同的聚分类属性，分类的结果会不一样。对供应商进行分类，选择分类属性要看企业对供应商在哪些方面有要求，不同企业对供应商的要求不一样，则分类的属性也不一样，通常需要由企业的管理人员或专家给出重要的聚类属性以及相关属性的数值。①武弦、徐维祥：《基于改进聚类分析算法的供应商选择研究》，《物流技术》2009年第6期。在上述基础上，采用如下步骤建立模型。

步骤1：将第一个训练数据对x（1）={x1（1），x2（1），…，xM（1）}作为第一个聚类，并设聚类中心c1=x（1），属于第一个聚类的数据对数目为N1=1。

步骤2：对于第k组训练数据x（k）={x1（k），x2（k），…，xM（k）}，假设属于第 L 个聚类，则调节第L个聚类的参数

其中λ表示学习率，NL表示属于聚类L的数据对数目。

步骤3：令k=k+1，重复执行步骤2和3直到所有的训练数据对都被分配到相应的聚类中为止。隶属度函数的宽度计算如下：

其中ρ是交迭参数，通常取1≤ρ≤2。

步骤4：采用最小二乘法计算模糊规则后件参数

其中H=[h1，h2，…，hN]，Φ（k）=[φ1（k），φ2（k），…，φN（k）]，n 是样本数量。

此后用训练完成的神经模糊模型进行供应商的评估，只需把评估的供应商的相关参数输入神经模糊模型中，即可得到供应商的评估结果，依据此评估结果即可进行供应商的选择。

四、实例验证

本文以某制造企业为例，采用20个供应商的数据作为样本，并通过相关的定量指标以及专家小组对定性指标进行打分，获得了相关的数据指标，指标评价如表2所示。

表2 供应商评价指标评分

表3 指标权重

表4 供应商综合评价模型

图3 供应商综合评价模型

供应商综合评价模型输出如表4和图3所示，可以看出神经模糊系统能够作为的供应商选择模型。

五、结论

基于神经模糊系统的供应商选择模型具有非常明显的优势：（1）能够根据所提供的数据，通过学习和训练找出输入与输出之间的内在联系，从而求取问题的解，而不是完全依据对问题的经验知识和规则，因而具有自适应功能；（2）弱化了权重确定中的人为因素；（3）由于供应商选择指标之间的关系非常复杂，呈现出复杂的非线性关系，基于神经模糊系统的选择模式则为处理这类非线性问题提供了强有力的工具。