基于智能信息處理的供應鏈績效評價方法

鄭 培，萬 煒

（湖南大學 工商管理學院，湖南 長沙 410082）＊

一、引 言

在供應鏈條件下，各節(jié)點企業(yè)運作行為往往具有隨機性和不確定性。動態(tài)供應鏈績效評價是一個包含多個指標和輸入輸出的復雜評估系統(tǒng)，各績效指標具有模糊性、不確定性，彼此之間存在非線性關聯(lián)性。軟計算［1－7］理論與方法是處理動態(tài)供應鏈績效這樣復雜的、具有大量不確定性和模糊性的評估系統(tǒng)的重要技術。在相當多的領域（自然科學、社會科學與工程技術）中，都涉及到對不完備信息和不確定因素的處理。從實際系統(tǒng)中采集到的數(shù)據常常包含著噪聲、不精確甚至不完整，如果我們采用純數(shù)學上的假設來消除或回避這種不確定性，效果往往不理想。但如果對這種信息使用恰當?shù)姆绞竭M行處理，常常有助于實際系統(tǒng)問題的解決。

二、相關研究評述

多年來，研究人員一直在努力尋找科學地處理不完整性和不確定性的有效途徑，實踐證明，1965年Zadeh［8］創(chuàng)立的模糊集理論與1982年 Pawlak［9］倡導的粗糙集理論是處理不確定性的兩種很好的方法。事實上，除了上述兩種方法外，基于概率統(tǒng)計方法的證據理論也是處理不確定性的一種有效方法。以上眾多的方法都屬于軟計算［10－15］（Soft Computing）的范疇。Zadeh教授提出了軟計算的概念，軟計算的主要工具包括粗糙集、模糊邏輯（Fuzzy Logic）、神經網絡、概率推理（Probability Reasoning）、信任度網絡（Belief Network）、遺傳算法（Genetic Arithmetic）、混沌理論（Chaos）等。傳統(tǒng)的計算方法，即所謂的硬計算（Hard Computing），使用精確、固定和不變的算法來表達和解決問題，軟計算利用所允許的不精確性、不確定性和部分真實性得到易于處理、魯棒性強和成本較低的解決方案，以便更好地與現(xiàn)實系統(tǒng)相協(xié)調。因此，軟計算作為知識獲取和智能信息處理的重要手段，在許多研究領域有著廣泛而深入的應用。

（一）基于模糊綜合評估的供應鏈績效評價

模糊集理論是經典理論的推廣，它認為元素總是以一定的程度屬于某個集合，也可能以不同的程度屬于幾個集合。經典理論中集合的邊界是清晰的，而模糊集理論中集合的邊界是不清晰的，對人們顯示生活中大量使用的一些含義確定但不準確的語言表述，模糊數(shù)學可以較好地表達，因而可以自然地用于事物的評價。

在動態(tài)供應鏈績效評價體系中，各績效指標之間往往存在著復雜的因果關系，這些指標中既有定性指標也有定量指標，具有模糊和不確定的特點，模糊綜合評估方法為處理這種不確定性提供了有力的工具，它能夠盡可能地減少個人主觀臆斷所帶來的危害，為合理評價決策提供科學的依據。作者在文獻［16］中詳細討論了基于模糊綜合分析的供應鏈績效評價方法，并結合Markov鏈預測理論給出了供應鏈績效未來的發(fā)展趨勢。

（二）基于粗糙集約簡的供應鏈績效評價

Rough集理論是一種刻畫含噪聲、不完整、不精確、不相容的數(shù)學工具，它能有效分析和處理不精確、不一致、不完整等各種不完備信息，并從中發(fā)現(xiàn)隱含的知識，揭示潛在的規(guī)律，是一種重要的軟計算技術。其主要思想是在保持分類能力不變的前提下，通過知識約簡，導出概念的分類原則。Rough集理論是基于不可分辨的思想和知識簡化的方法，從數(shù)據中推理邏輯規(guī)則作為知識系統(tǒng)模型。

如前所述，在供應鏈條件下，各節(jié)點企業(yè)運作策略具有動態(tài)可調節(jié)性，其運作行為具有隨機性和不確定性，這就要求在對供應鏈績效進行評價必須采用動態(tài)評價方法，同時對供應鏈在未來某一時刻的整體績效進行預測。粗糙集及其約簡理論是處理這種不確定性的重要技術。作者在文獻［17］中基于粗糙集理論的績效評價模型，建立了動態(tài)供應鏈績效評價決策表，利用粗糙集約簡方法得到了預測績效評價結果的決策規(guī)則集，并把粗糙集約簡和模糊綜合評估技術相結合進行動態(tài)供應鏈績效評價，顯然地縮小了數(shù)據處理的規(guī)模，降低了模型的計算復雜度。

（三）基于神經網絡的供應鏈績效評價

神經網絡可大規(guī)模地并行處理和分布式地存儲信息，具有良好的自適應、自組織性以及很強的學習功能、聯(lián)想功能和容錯功能。與當今的馮諾依曼式計算機相比，更加接近人腦的信息處理模式，主要表現(xiàn)為能夠處理連續(xù)的模擬信號。神經網絡并行分布工作，各組成部分同時參與運算，單個神經元的動作速度不高，但總體的處理速度很快。神經網絡信息存儲分布于全網絡各個權重變換之中，某些單元障礙并不影響信息的完整。傳統(tǒng)計算機要求有準確的輸入條件，才能給出精確解。神經網絡只要求部分條件，甚至對于包含有部分錯誤的輸入，也能得出較好的解答，因此具有較好的容錯性。

動態(tài)供應鏈績效評價是一個包含多個指標輸入輸出的復雜評估系統(tǒng)，各績效指標具有模糊性，彼此之間存在非線性關聯(lián)性。針對這樣一個復雜的評估系統(tǒng)，作者曾利用BP神經網絡技術來找出供應鏈績效評價系統(tǒng)輸入－輸出之間的非線性映射關系，從而對動態(tài)供應鏈績效評價結果進行學習和預測。通過與粗糙集約簡理論相結合，簡化了BP神經網絡的結構設計，減小了運算量。

（四）幾種軟計算方法的優(yōu)缺點

軟計算是一個方法的集合體，目前主要包括粗糙集、模糊邏輯、神經網絡、概率推理、信任度網絡、遺傳算法以及混沌理論等。軟計算方法已廣泛應用于包括模式識別、數(shù)據挖掘、系統(tǒng)評價、故障診斷、專家系統(tǒng)等在內的諸多領域的不精確、不確定問題。軟計算方法按照其特點各有優(yōu)勢。例如，模糊集可以通過對人類思維建模來給不確定性問題提供自然的解決機制；粗糙集在屬性約簡和規(guī)則抽取方面性能優(yōu)良；神經網絡對噪聲具有強魯棒性，分類精度高；遺傳算法廣泛用于優(yōu)化搜索問題。同時，以上軟計算方法依照算法的不同有各自的局限性：模糊集過度依賴專家知識，遺傳算法收斂速度慢、穩(wěn)定性差，神經網絡訓練時間過長、知識解釋性差，而粗糙集對數(shù)據中的噪聲較敏感。本文為了克服單一方法的局限，試圖通過集成兩種或兩種以上的軟計算方法的軟計算融合系統(tǒng)來解決供應鏈績效評價的實際問題［6，7］。

（五）軟計算融合技術在動態(tài)供應鏈績效評價中的應用

作者詳細研究了模糊綜合分析、粗糙集理論、神經網絡等軟計算技術在動態(tài)供應鏈績效評價中的應用方法。從文獻［16－17］實驗結果可以初步看出，通過把幾種軟計算技術融合起來應用于供應鏈績效評價，就能夠克服單一智能信息處理方法的缺陷，取得更好的效果。本文使用的幾種軟計算技術能在多個方面進行融合［6，7］。

粗糙集和神經網絡的融合。通過粗糙集的屬性約簡可以顯著減少原始數(shù)據量，使神經網絡訓練時間縮短，從訓練后的神經網絡中抽取規(guī)則也可顯著提高神經網絡中知識可理解性；神經網絡的強魯棒性也可解決粗糙集處理數(shù)據中的噪聲問題。

粗糙集理論和模糊集理論的融合。粗糙集理論和模糊集理論都是研究信息系統(tǒng)中知識不完善、不精確問題的方法，但粗糙集理論解決問題的出發(fā)點是信息系統(tǒng)中知識的不可分辨性，而模糊集理論則關注信息系統(tǒng)中知識的模糊性，兩者在處理方法上各有特色。兩者的結合可以更好地解決信息系統(tǒng)中不完善、不精確性知識的問題。

模糊集和神經網絡的融合。模糊集和神經網絡的融合主要有模糊神經網絡和神經模糊系統(tǒng)。神經模糊系統(tǒng)以神經網絡為主，結合模糊集理論，將神經網絡作為實現(xiàn)模糊模型的工具，即在神經網絡的框架下實現(xiàn)模糊系統(tǒng)或其一部分功能。從結構上看，一般是四層或五層的前向神經網絡。模糊神經網絡是神經網絡的模糊化，即以模糊集、模糊邏輯為主，結合神經網絡方法，利用神經網絡的自組織性，達到柔性信息處理的目的。

三、基于智能信息處理的供應鏈績效評價方法比較

（一）基本思路

在作者以前的研究里，曾應用模糊綜合分析、粗糙集理論和BP神經網絡等智能信息處理方法建立了多個供應鏈績效評價模型，本文對這些評價模型的效果和優(yōu)缺點進行了分析和總結。我們的基本思路是以某動態(tài)供應鏈為例，選取合適的績效指標集，對得到的績效指標按照評價模型的數(shù)據要求進行預處理，然后輸入到不同的動態(tài)績效評價模型中進行處理，對各個績效評價模型進行解算。通過對模型輸出的結果的比較和分析來歸納各個績效評價模型的主要特點，并對評價模型的實際效果進行總結。

（二）數(shù)據預處理

如前所述，本文已經根據文獻［15］提出的供應鏈五維平衡計分卡，選擇了15個關鍵績效指標作為動態(tài)供應鏈的績效評價指標集C，C＝｛F1，F(xiàn)2，F(xiàn)3，C1，C2，C3，P1，P2，P3，P4，L1，L2，L3，S1，S2｝。在15個績效指標中，既有定性指標，也有定量指標。由于BP神經網絡只能處理數(shù)值向量，因此在這些績效指標輸入BP網絡訓練之前必須對它們進行預處理。在基于粗糙集理論的供應鏈績效評價模型里，根據決策表信息約簡的要求，需要對所有屬性的取值進行離散化處理。這里對某動態(tài)聯(lián)盟供應鏈績效決策表條件屬性采用表1的方法進行離散化處理。

假設根據歷史經驗或供應鏈行規(guī)，把供應鏈的績效評價結果劃分為G1、G2、G3、G4四個等級，分別對應供應鏈績效評價為優(yōu)、良、中、差的狀態(tài)，其劃分的依據如表1所示。

表1 供應鏈績效分級標準

在基于模糊綜合評估的供應鏈績效評價模型里，表1將作為構造各績效指標屬于各類的隸屬度函數(shù)的依據。

（三）實驗結果比較與分析

實驗的數(shù)據源仍采用文獻［15］某供應鏈相關指標的調查結果，經調查得到該供應鏈在2007年1～12個月的績效指標取值和績效綜合評價結果。本文已經詳細討論了對該供應鏈績效采用基于BP網絡訓練和學習的過程，并結合粗糙集約簡給出兩者相結合的混合績效評價方法及結果。

BP網絡學習完畢后，就可以用來對下一評估時刻的供應鏈績效進行預測。針對上述供應鏈，經調查得到該供應鏈在2008年前4個月的績效指標取值結果，如表2所示。

表2 某供應鏈在2008年1～4月的績效指標量化表

將上述各績效指標規(guī)一化后輸入訓練好的BP網絡，得到相應的輸出向量分別為（0.0023，0.998，－0.002，0.007）、（－0.008，0.003，0.988，－0.005）、（－0.008，0.958，－0.008，－0.002）和（0.987，－0.010，－0.005，0.005）。據此可判斷該供應鏈在2008年1～4月的績效綜合評價結果分別為G2、G3、G2、G1。

進一步，針對表1所示的供應鏈績效分級標準，可以通過Rough約簡得到供應鏈績效分級決策表的最佳約簡，即供應鏈績效評價的關鍵績效指標集。通過約簡得到供應鏈績效評價的關鍵指標集為｛F1，F(xiàn)2，F(xiàn)3，C1，C2，P1，P2，P3，L1，L2，L3，S1｝，這樣這12個關鍵績效指標就構成了BP網絡的輸入層節(jié)點。把表2所示的供應鏈在2008年1～4月的關鍵績效指標量化結果輸入訓練好的BP網絡，可求出其相應的績效評價結果分別為G2、G3、G2、G1，與供應鏈績效實際調查結果一致。

下面，針對同一供應鏈，分別采用基于粗糙集理論的動態(tài)供應鏈績效評價模型、基于模糊綜合評估的供應鏈績效評價模型及兩者的結合來得出供應鏈績效評價結果，并進行方法間的比較。

在基于粗糙集理論的供應鏈績效評價模型里，先對各績效指標進行離散化處理，離散化后的該動態(tài)供應鏈績效決策表如下。

表3 某供應鏈在2007年1～12月的績效評價決策表

對于表3所示的績效評價決策表，利用約簡算法對決策表進行屬性約簡，以便去掉決策表的冗余條件屬性。進一步，利用歸納值約簡算法對績效決策表進行值約簡，可以得到一系列用于供應鏈績效評價的決策規(guī)則集。由于決策屬性值被離散化為四個等級，亦即信息系統(tǒng)具有四個概念。針對這四個概念的最一般規(guī)則分別為：

根據上述關于決策屬性取值的最一般規(guī)則，就可以對某一考察周期動態(tài)聯(lián)盟的綜合績效評價結果作出判斷。當條件屬性集不完全滿足規(guī)則前件時，可以選取關于各個概念的次一般（或可信度較高）的生成式規(guī)則對績效作出綜合評估。

把表2所示的該供應鏈在2008年前4個月的績效指標離散化，然后針對上述供應鏈績效評價決策規(guī)則進行匹配，可得這4個月供應鏈績效綜合評價結果分別為G3、G3、G2、G1。

接著，采用模糊綜合評估方法來對同一供應鏈的績效評價結果進行分析。首先建立模糊關系矩陣，單因素評價矩陣取各因素在評價集上的隸屬度，各隸屬度函數(shù)均取為二次函數(shù)。根據供應鏈績效分類標準表1，建立F1屬于各類的隸屬度函數(shù)為：

同理，可分別建立其它績效指標屬于各類的隸屬度函數(shù)，對應績效評價指標集C的權向量取為：

W＝（0.17，0.06，0.02，0.08，0.13，0.02，0.05，0.04，0.10，0.01，0.10，0.04，0.05，0.11，0.02）

于是，由模糊綜合評估法可求出該供應鏈在2008年前4個月的績效分別為G3、G3、G2、G1。

最后，采用結合了粗糙集約簡和模糊綜合評估的動態(tài)供應鏈績效評價方法來得到該供應鏈績效評價結果。首先借助于動態(tài)供應鏈績效評價決策表對績效評價指標進行約簡和降維，通過Rough約簡得到供應鏈績效評價的關鍵績效指標集為｛F1，F(xiàn)2，F(xiàn)3，C1，C2，P1，P2，P3，L1，L2，L3，S1｝，根據供應鏈績效分類標準表2分別建立上述關鍵績效指標屬于各類的隸屬度函數(shù)，然后利用模糊評估方法對供應鏈績效進行綜合評價。根據該混合供應鏈績效評價方法求出該供應鏈在2008年前4個月的績效分別為G2、G3、G3、G1。

我們給出了采用上述五種基于智能信息處理的績效評價方法得到的該供應鏈在2007年1月～2008年4月間績效評價結果的變化趨勢，如圖1所示。其中，如圖例所示圓圈、方塊實線、下三角實線、粗標圓卷實線和帶星虛線分別代表了對應月份由五種評估方法得到的供應鏈績效評價結果。

圖1 某供應鏈采用五種績效綜合評估方法得到的評價結果

從圖1可以看出，采用五種不同的供應鏈績效評價方法得到的結果略有差異。這一差異由多種原因引起，首先基于BP神經網絡的績效評價方法和基于粗糙集理論的績效評價方法都是有監(jiān)督的智能學習算法，即在對動態(tài)供應鏈績效評價結果作出預測之前，都有個訓練的過程，這需要大量的歷史數(shù)據。而基于模糊綜合評估的供應鏈績效評價方法隸屬度函數(shù)主要由績效分級標準確定，并不“顯式”地需要歷史績效結果。其次，許多基于智能信息處理的績效評價模型都需要事先確定一些參數(shù)，如BP網絡需要確定網絡結構、學習速率、沖量因子；模糊綜合評估需要確定指標權值和隸屬度函數(shù)表示方法等。另外，不同的績效評價模型對輸入數(shù)據的要求各不相同，BP神經網絡和模糊綜合評估處理的是連續(xù)數(shù)據，粗糙集約簡處理的是離散數(shù)據，而實際獲得的績效指標中既有定性指標，也有定量指標，這就需要在績效指標輸入模型之前進行預處理，預處理方法的不同導致模型輸出有很大的差異。上述幾種不同的基于智能信息處理的供應鏈績效評價方法輸出結果與供應鏈實際績效基本相符，在實際使用時要根據情況靈活選擇。

此外，實驗結果也表明通過幾種智能信息處理方法融合在動態(tài)供應鏈績效評價中能取得更好的效果。通過粗糙集約簡和模糊綜合評估的融合，顯然縮小了數(shù)據處理的規(guī)模，降低了評估模型的計算復雜度，同時克服了模糊評估過度依賴專家知識（領域知識）的缺點。通過粗糙集約簡和BP神經網絡的融合，降低BP網絡的設計復雜度，克服了神經網絡訓練時間長、知識解釋性較差的缺點。兩種融合方法都保持了較高的準確度，在動態(tài)供應鏈績效評價中更為有效。

本文的研究結果彌補了目前國內外動態(tài)供應鏈績效評價中智能信息處理方法的融合理論研究少、應用不夠深入的缺點，對實際供應鏈運作與管理中基于軟計算的動態(tài)績效評價模型和方法的選擇與應用具有理論指導意義。

四、結 論

軟計算作為知識獲取和智能信息處理的重要手段，在供應鏈績效評價領域有著良好的應用前景。越來越多的學者開始集成兩種或兩種以上的軟計算方法的智能信息融合算法來克服單一方法的局限性。本文針對之前使用的模糊綜合評估、粗糙集約簡及BP神經網絡等軟計算方法在動態(tài)供應鏈績效評價中的主要特點和效果進行了簡要的比較和分析，指出了每種方法的優(yōu)缺點。然而，由于每種智能信息處理方法存在著本質上的差異，對這些方法間的效果差異進行嚴格的比較存在理論上的困難。某種智能信息處理方法可能適用于某種供應鏈，而另一種智能信息處理方法則可能更適用于另一種供應鏈。因此，在實際使用時，要根據供應鏈具體情況靈活選擇或融合多種智能信息處理方法以取得更好的效果。

［1］Anna，M.R.and Etienne，E.K.A comparative study of fuzzy rough sets［J］.Fuzzy Sets and System，2002 ，126（2）：137－155.

［2］Nagatanit，Helbingd.Stability analysis and stabilization strate－gies for linear supply chains.［J］.Physica A.，2004，35（3－4）：644－660.

［3］Mohamed.Q.A－RST：ageneration of rough set theory［J］.Information Science，2000，124（1－4）：301－316.

［4］Roman，W.S.，Larry，H.Rough sets as a front end of neuraln－etworks texture classifiers［J］.Neurocomputing，2001，36：85－102.

［5］Yahia，M.E.，Mahmod R.and N.Sulaiman，et al.Rough neural expert systems［J］.Expert Systems with Applications.2002，18：87－99.

［6］McKee，T.E.，Terje，L.Genetic programming and rough sets：a hybrid approach to bankruptcy classification［J］.European Journal of Operational Research，2002，138：436－451.

［7］Bolch G.，Greine，S.，H.D.Meer，etc.Queuing networks and markov chains－modeling and performance evaluation with computer science applications（2nd edition）［M］.A John Wiley＆Sons，Inc.，publication，2006.

［8］Zadeh L.A.Fuzzy sets［J］.Information and Control.1965，8（3）：338－353.

［9］Pawlak，Z.Rough set－theoretical aspects of reasoning about data［M］.Boston：MA：Kluwer Academic Publishers，1991.

［10］曹慶奎，阮俊虎.基于粗糙集－未確知測度的礦井通風系統(tǒng)合理性評價［J］.科學決策，2009.5：89－94.

［11］劉敬學，陳曦.基于神經網絡的專家預測方法研究［J］.科學決策，2009，11：78－81.

［12］Bhagwat and Sharma.Management of information system in SMEs：an exploratory study.［J］.International Journal of Enterprise and Network Management.2006，1（1）：99－125.

［13］Bititici et al..Implementation of performance measurement systems：private and public sectors［J］.Editorial，Production Planning and Control.2005，16（2）：99－100.

［14］鄭培，黎建強.基于BP神經網絡的供應鏈績效評價方法［J］.運籌與管理，2010，19（2）：26－32.

［15］宋莎莎，戴鋒，衛(wèi)保璐.基于模糊層次分析法和聚類分析的突發(fā)事件分級研究［J］.科學決策，2010，10：68－72.

［16］鄭培，黎建強.基于模糊評估和馬爾可夫預測的供應鏈動態(tài)平衡記分卡研究 ［J］.系統(tǒng)工程理論與實踐，2008，4（4）：57－64.

［17］鄭培，黎建強.基于粗糙集理論的供應鏈動態(tài)績效評估方法研究 ［J］.運籌與管理，2008，10（5）：6－11.

［18］王俊峰，劉立東.基于博弈論的閉環(huán)供應鏈中三方協(xié)調研究［J］.科學決策，2009，（3）：33－37.