- 相關(guān)推薦
供應(yīng)鏈評(píng)價(jià)的方法
供應(yīng)鏈效績(jī)?cè)u(píng)價(jià)方法是供應(yīng)鏈績(jī)效評(píng)價(jià)的具體手段。主要是將各具體指標(biāo)的評(píng)價(jià)值經(jīng)過適當(dāng)?shù)挠?jì)算，得出最終目標(biāo)評(píng)價(jià)值，最后再與評(píng)價(jià)標(biāo)準(zhǔn)比較，得出評(píng)價(jià)結(jié)論。沒有科學(xué)的評(píng)價(jià)方法對(duì)評(píng)價(jià)指標(biāo)的運(yùn)用，就不可能得出正確的結(jié)論。下面將對(duì)主流的評(píng)價(jià)方法進(jìn)行介紹，并對(duì)其優(yōu)勢(shì)和劣勢(shì)做出評(píng)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(jié)合的多目標(biāo)決策分析方法，由saaty于20世紀(jì)70年代首先提出，并用于分析復(fù)雜系統(tǒng)[1]。其主要思想是：首先分析復(fù)雜系統(tǒng)的要素構(gòu)成及其相互間的關(guān)系，據(jù)此構(gòu)造出一個(gè)有序的遞階層次結(jié)構(gòu);然后通過兩兩比較的方式確定層次中各個(gè)要素的相對(duì)重要性，在每一個(gè)層次上建立判斷矩陣，計(jì)算該層要素的相對(duì)權(quán)重;最后計(jì)算出各要素相對(duì)于總目標(biāo)的權(quán)重。
層次分析法能夠同時(shí)從定性和定量?jī)蓚�(gè)角度來分析問題，特別適合用于解決復(fù)雜系統(tǒng)的評(píng)價(jià)問題，這是因?yàn)獒槍?duì)復(fù)雜問題建立精確的數(shù)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(yàn)，無法排除個(gè)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(dāng)影響因素?cái)?shù)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(píng)價(jià)
模糊綜合評(píng)價(jià)(Fuzzy Comprehensive Evaluation，F(xiàn)CE)是在模糊數(shù)學(xué)理論的基礎(chǔ)上發(fā)展起來的。模糊數(shù)學(xué)理論由zadeh于20世紀(jì)60年代首先提出，它采用精確的數(shù)學(xué)方法來描述模糊性現(xiàn)象[2]。模糊綜合評(píng)價(jià)借助模糊數(shù)學(xué)，將邊界不清晰、不易量化的因素定量化，然后計(jì)算各個(gè)因素與評(píng)價(jià)對(duì)象的隸屬度，根據(jù)隸屬等級(jí)狀況進(jìn)行綜合評(píng)價(jià)。
供應(yīng)鏈績(jī)效評(píng)價(jià)的指標(biāo)之間存在著復(fù)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(biāo)無法實(shí)現(xiàn)精確定量化，應(yīng)用模糊綜合評(píng)價(jià)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(yōu)勢(shì)。其劣勢(shì)在于：(1)計(jì)算復(fù)雜;(2)指標(biāo)權(quán)重的設(shè)定具有較強(qiáng)的人為主觀性;(3)當(dāng)指標(biāo)數(shù)量較多時(shí)，容易出現(xiàn)/超模糊現(xiàn)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)稱神經(jīng)網(wǎng)絡(luò)，是人工智能領(lǐng)域的重要分支，它是對(duì)人腦進(jìn)行抽象、簡(jiǎn)化而建立起來的計(jì)算模型，目的是為了模擬實(shí)現(xiàn)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(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、競(jìng)爭(zhēng)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)、學(xué)習(xí)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(yīng)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(yīng)樣本數(shù)據(jù)，當(dāng)數(shù)據(jù)中有噪聲和非線性時(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)過科學(xué)的訓(xùn)練和學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)能夠找出輸入和輸出之間的非線性映射關(guān)系，從而實(shí)現(xiàn)智能推理和預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)的劣勢(shì)在于學(xué)習(xí)效率低，容易陷入局部極值，以及當(dāng)樣本數(shù)據(jù)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(yīng)鏈管理績(jī)效指標(biāo)評(píng)價(jià)中的應(yīng)用。
4 數(shù)據(jù)包絡(luò)分析
數(shù)據(jù)包絡(luò)分析(Data Envelopment Analysis，DEA)是Charnes等學(xué)者于1978年提出的評(píng)價(jià)相對(duì)有效性的方法。DEA使用數(shù)學(xué)規(guī)劃模型來比較不同決策單元之間的相對(duì)效率，通過綜合分析決策單元的輸入和輸出數(shù)據(jù)，可以得出每個(gè)決策單元的綜合效率指標(biāo)，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(guī)模是否恰當(dāng)，如果不恰當(dāng)，可以向什么方向、以何種程度調(diào)整投入規(guī)模以此給部門主管提供有用的決策信息[4]。
數(shù)據(jù)包絡(luò)分析適合用于多輸入、多輸出的復(fù)雜系統(tǒng)評(píng)價(jià)，它將輸入和輸出權(quán)重設(shè)置為變量，無需人為主觀設(shè)定。它可以處理不同量綱的數(shù)據(jù)，將系統(tǒng)的內(nèi)部過程視為“黑箱”，因此避免了對(duì)輸入和輸出之間的定量關(guān)系進(jìn)行描述。數(shù)據(jù)包絡(luò)分析的主要缺點(diǎn)在于該方法對(duì)指標(biāo)數(shù)目要求比較嚴(yán)格，當(dāng)指標(biāo)數(shù)目相對(duì)于決策單元的數(shù)目太多時(shí)，多數(shù)決策單元會(huì)被判定為有效，從而無法取得有效的信息。
5 支持向量機(jī)
支持向量機(jī)(Support vector Maehines， SVM)是vapnik于1995年提出的一種機(jī)器學(xué)習(xí)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(shù)的非線性變換，映射到高維特征空間，在高維特征空間構(gòu)造出最優(yōu)超平面和決策函數(shù)，據(jù)此可以推斷出任意一個(gè)輸入x對(duì)應(yīng)的輸出y[5]。
支持向量機(jī)在解決小樣本、非線性和高維度問題時(shí)具有很大的優(yōu)勢(shì)，然而當(dāng)樣本數(shù)量較大時(shí)，SVM就無能為力了，必須求助于改進(jìn)的SVM模型。
【供應(yīng)鏈評(píng)價(jià)的方法】相關(guān)文章：
供應(yīng)鏈細(xì)分的方法10-02
供應(yīng)鏈風(fēng)險(xiǎn)管理方法12-29
突破供應(yīng)鏈金融瓶頸方法08-29
企業(yè)推進(jìn)供應(yīng)鏈管理方法09-25
電子商務(wù)加強(qiáng)供應(yīng)鏈管理基本方法06-14