融入能力互補因素的生產聯盟伙伴選擇研究*

琚春華 ，傅小康

（1.浙江工商大學計算機信息與工程學院 杭州 310018；2.浙江工商大學現代商貿中心 杭州 310018；3.浙江工商大學管理學院 杭州 310018）

融入能力互補因素的生產聯盟伙伴選擇研究*

琚春華1，2，傅小康3

（1.浙江工商大學計算機信息與工程學院 杭州 310018；2.浙江工商大學現代商貿中心 杭州 310018；3.浙江工商大學管理學院 杭州 310018）

資源的互補整合是企業聯盟的主要目標，互補度的高低是決定企業聯盟穩定性及聯盟績效的關鍵因素，本文針對生產聯盟伙伴選擇問題，提出了基于能力互補的選擇策略，定義并深入剖析了基于生產能力的互補度評價系數。并在此基礎上，構建了融入互補度評價系數的生產聯盟伙伴選擇3階段模型，模型首先采用層次分析法和基于粒子群優化算法的多目標搜索算法，求得生產時間和生產成本的雙目標帕累托最優解，再通過評價非劣解的互補度補充指導決策，最后選擇通信行業的智能手機制造聯盟中的伙伴選擇問題作為仿真應用，分析了仿真結果并給出了結論。

伙伴選擇；互補度；粒子群優化算法；帕累托最優解

1 引言

動態聯盟是指通過與廠商、顧客、甚至同行競爭對手形成聯盟，整合內外資源，在快速變化的市場環境下達到協同共贏（win-win）的目的。關于動態聯盟的研究主要集中在伙伴選擇、協同運作、風險規避、利益分配等問題上，其中伙伴選擇（partner selection）是建立聯盟的開始，亦是影響聯盟績效的關鍵[1]。雖然在伙伴選擇模型及求解算法上已有較多的理論成果，但由于信息的不確定性、期望目標的復雜性和情境的多樣性，伙伴選擇的研究依然富有挑戰性。

目前關于動態聯盟伙伴選擇目標主要有成本最低、質量最佳、生產周期最短、客戶滿意度最高、風險性最小等[2～10]特點，用互補度作為選擇指標的尚且不多。由于決策標準不僅涉及價格、時間等短期目標因素，更涉及信任、處事風格、合作規則等歷史合作因素，因此，研究聯盟穩定性對我國的“關系”文化背景下的合作伙伴選擇頗有戰略意義。參考文獻[1]指出企業傾向與資源互補度高的企業結盟；參考文獻[11]也提出互補度高的聯盟穩定性更高，即互補度高的企業結盟再次結盟的概率更高。因此，本文提出了基于互補度的聯盟伙伴選擇方法，首先對候選企業的生產能力進行建模，然后通過智能算法求得帕累托最優解集，最后將互補度作為決策標準進行伙伴選擇。

目前，針對多目標選擇問題已有較多研究成果，主要有層次分析法（analytic hierarchy process，AHP）[2,3]、網絡分析法 (analytic network process，ANP）[4,5]、形式概念分析（formal concept analysis,FCA）法[6]等，然而上述方法對定性的概念分析要求過高，實際應用中有些方面考慮還不夠全面。在智能算法運用方面，有運用蟻群算法（ant colony optimization，ACO）[7]、貝葉斯算法（Bayesian algorithm）[8]、多目標遺傳算法 （multi-objective genetic algorithm，MOGA）[9]等，然而所得的帕累托最優解并不唯一，尚待進一步決策。此外，針對不確定情境，參考文獻[8]將專家系統（expert system，ES）應用于國際合資企業的伙伴選擇問題，參考文獻[12]在研究中融入了模糊數學（fuzzy mathematics）、隨機過程（stochastic process）等方法，參考文獻[13]則引入了博弈論（game theory）等管理機制 。

雖然伙伴之間互補的重要性曾多次被學者述及，也存在一部分的實證研究，但是關于企業與所選合作伙伴之間互補度的研究依然較少，其中關于定量互補度的研究則更為不足。參考文獻[11]的研究表明，選擇企業聯盟伙伴時，傾向于具備互補性資源的企業，指出建立聯盟時要盡可能吸收技術能力互補的企業，以盡可能地整合聯盟內部力量；同時提出建立入盟激勵約束模型時，定義了入盟企業的技術能力與聯盟技術能力的互補參數，但未對此互補參數的定義做出具體解釋。參考文獻[14]在研究聯盟穩定性時，定義了互補因子，但該因子無法用于合作伙伴必須參與的任務模型。參考文獻[15]運用匹配理論對IT人員的業務能力和技術能力的互補性做了研究，指出當兩種能力均達到一定的水平時，可產生協同效應，從而提升經營績效。

針對上述伙伴選擇的參考文獻中互補度研究的不足，本文在Cao Qing、Wang Qiong等建立的經典企業合作伙伴選擇模型[2]的基礎上，建立了融入能力互補因素的企業生產聯盟的3階段伙伴選擇模型。該模型針對生產能力特性，定義了互補度評價系數，在模型的第3階段將互補度作為選擇參考，旨在動態合作伙伴選擇時，解決既考慮成本、時間等短期動態目標，又考慮聯盟穩定性這一戰略目標的伙伴選擇問題。

2 基于生產聯盟伙伴組合互補度的分析及定義

2.1 生產聯盟企業間互補的作用

互補的意義因設計、制造、銷售、服務等職能的不同而發生變化，本文主要分析基于生產制造的互補。由于產品的生產制造有復雜的過程，涵蓋不同的工藝，需要多樣的設備，但一些設備造價昂貴，中小企業可能無法擁有全套設備，因此，不同企業擁有不同的生產能力或擅長不同的生產方向。企業關注核心能力的提升，可以只完成部分訂單的生產任務，將其他生產環節交由聯盟合作伙伴協同完成。企業聯盟的形成必將產生協同成本，包括物流費、中介合同費、聯盟的協調運作費等。一般而言，聯盟企業之間的互補性越強，其協同成本越低[11]。因此，為提高整個聯盟體的效益，須選擇互補度高的企業，使聯盟體的各種能力、資源、市場等因素平衡發展。

基于生產能力的互補，指的是通過與一個或多個企業建立聯盟，從不同企業中獲取所需要的能力，突破企業能力缺陷障礙，使聯盟整體的企業能力體系中各項能力達到均衡并得以充分發揮。理想的戰略性生產聯盟的生產能力互補，可以完成行業內通用產品的生產，并且能力盈余最低。生產聯盟中倘若有的能力過剩，而有的能力卻不佳或缺失，那么這種聯盟就不是滿意的聯盟。具體如圖1所示，圖1（a）中，交集面積之和決定互補系數的高低，面積越大，互補系數β越大，圖1（b）為互補系數β=100時的最佳互補。

圖1 基于生產能力的互補定義

基于生產聯盟的特性，本文將互補分為橫向互補和縱向互補，最佳縱向互補為在生產成本、時間、質量等約束條件下尋求多目標最優，并且聯盟整體的生產能力剩余率最低。最佳橫向互補則為各個聯盟企業所產生的協同環境最佳。

2.2 基于生產能力的縱向互補度的計算方法

首先定義模型中的各種符號，具體定義如下。

·E0：主選（盟主）企業。

·Ei：第 i家備擇企業（i>0）。

·E=[E1，E2，…，Ei]：備擇企業集。

·T：外包能力需求集。

·Tj：第 j項任務。

·Tpq：第p項任務選擇第q家企業作為合作伙伴。

·cij：第i家企業完成任務j所需要的單位成本。

·tij：第i家企業完成任務j所需要的單位時間。

·LT：提前期（lead time）。

·TC：生產總成本。

·TT：生產總時間。

·NUM：伙伴數目。

·{S1，S2，S3，…，Sn}：帕累托最優解集。

·βSi：解Si的伙伴組合互補度評價系數。

·Β={βS1，βS2，βS3，…，βSn}：縱向互補度評價集。

·j’：第j項任務的前道（工序）任務。

·i’：完成當前任務的前道工序的企業。

·ccii’：第i′家企業到第i家企業之間的協同成本，如果沒有前道工序，則 ccii′=0。

如圖2所示，若一個生產鏈的生產能力需求為{A，B，C，D，E，F，G，H}，則假設甲生產能力為{A，B，C，D，E}，乙為{F，G，H}，丙為{A，B，F，G，H}。假設企業甲乙聯盟和企業甲丙聯盟產生的成本、時間、質量等相當，就同等條件下的再次聯盟概率而言，甲乙再次聯盟的概率肯定比甲丙高，因為甲乙兩家企業的互補度高，而甲丙聯盟必然會造成一方的生產能力A和B不起作用，造成資源空置。

圖2 盟友企業能力組合

互補度系數是體現企業資源的互補程度的量化指標，與不同聯盟中伙伴之間的共性能力數量成反比。假設某生產鏈共需M種能力，記為T，為了體現能力高低不等，將每個能力屬性分3個等級，如能力A分為3個級別：A+，A，A-。

假設主選能力集為T的子集，記T-E0=[]，第i個候選企業記為Ei，候選企業能力為子集記為T-Ei=[]，將第j種單項能力重疊度的Δm定義為（以能力A為例）：

標準化后的β取值范圍為(0,100］?；パa度等級是由共性資源的數量決定的，等級越高，互補度越低。如圖3所示，聯盟組合的互補度β根據生產能力剩余的數量分為不同的等級，將相同互補度等級的聯盟組合視為互補度相當解，對互補度相當的解需進一步考察聯盟的橫向互補度，進而產生最優解。

2.3 企業聯盟中橫向互補度的衡量標準

協同效應是由聯盟企業的合作氛圍、協作文化以及聯盟的治理結構的效率等聯盟環境所決定的[13]。為了使聯盟的生產能力、營銷能力、財務能力、研發能力、人力資源能力擁有最佳的發展環境[10]，企業必須追求高度的橫向互補才能達到協同效應。

橫向互補度的具體衡量標準主要包括以下3方面。

（1）管理相容性

具備相容的管理風格、相容的戰略目標，制造商和經銷商之間有相同或者更高的技術能力水平、以往的聯盟經驗、伙伴的管理能力。

（2）營銷互補度

更寬的市場覆蓋范圍，擁有增長的市場份額，更多的出口機會，擁有不同的客戶、不同的營銷手段。

（3）文化協同度

是否愿意共享專有技術、平等控制、靈活性。協同的文化，相似的文化，相容的文化，沖突的文化。協同度高，對績效產生正向影響。

以企業能力為基礎建立能力管理框架，本文從縱向和橫向兩方面評價企業之間的互補性，首先從定量的角度考察具體生產任務完成能力的縱向互補度，其次定性地評價聯盟組合的橫向互補度，包括企業的營銷能力互補、管理能力互補、文化適應能力互補。如果綜合互補度高，則易于形成戰略合作伙伴。

3 基于生產的動態聯盟伙伴選擇模型的建立

基于生產的動態聯盟，對生產能力的需求明確，易于評估聯盟伙伴的互補度。盟主企業接到訂單后，首先必須評估自己的生產能力和生產負荷；然后進行需求分析并在行業內發布需要外包的生產能力需求；最后各個想要入盟的企業通過分析自身能力，響應需求并出樣報價。本文構建了基于生產的3階段選擇模型，如圖4所示，旨在解決在眾多備擇企業中選擇伙伴的難題。

3.1 邏輯模型建立

如圖4所示，基于生產的動態聯盟伙伴選擇包括3個階段。

圖3 互補度系數逐級分布

第1階段，盟主企業獲得一批備擇企業的信息，根據其聲譽、商標、產品質量、負債等基本信息和歷史合作信息，剔除一些不合格企業，產生候選企業集。

第2階段，依據各生產能力的提供廠商的報樣的價位及生產周期，尋求總生產成本最低和生產時間最短的企業，通過基于粒子群優化算法的多目標搜索算法，得到帕累托最優解集。

第3階段，通過評價非支配最優解的互補度，將縱向、橫向互補度融入非劣解中選擇的決策規則之中，形成最佳決策。

3.2 數學模型建立

假設第p項任務選擇第q家企業作為合作伙伴，即針對Tpq設置基本向量Vpq：

假設使用PRET網絡流程圖計劃排程，對每個Tpq設置另一個基本向量Rpq：

假設企業的能力成本矩陣為C：

其中，有N家聯盟內企業（包含盟主企業），總共有M種能力。cij的值為：

式（6）表示的是第i家企業提供的第j能力所產生的單位成本。若第i家企業沒有第j中能力，則用0補齊。

同理得出協同生產矩陣TC和生產時間矩陣TT，CC由ccij組成，T由tij組成，得出目標函數如下：

約束條件為 NUM≤3；TT≤LT；i≥0；j∈[0,N]。

4 基于生產的動態聯盟伙伴選擇尋優算法

針對每一階段模型特點設計模型求解方法，具體如圖5所示。

第1階段，建立備擇企業的基本信息庫和聯盟歷史信息庫，運用層次分析法（AHP），對備擇企業的歷史合作信息、品牌、質量等決策標準的分類，確定權重，專家進行模糊評價，產生候選企業集。

第2階段，運用基于粒子群優化算法的多目標搜索算法，對生產時間和成本進行優化求解，產生帕累托非劣解集。

第3階段，通過評價非支配最優解的互補度，將縱向、橫向互補度融入非劣解中選擇的決策規則之中，形成最佳決策。AHP方法在伙伴選擇中已有較多研究，本文不再贅述。下面主要介紹基于粒子群的多目標搜索算法的設計應用和基于互補度評價的決策支持方法。

4.1 基于粒子群優化的多目標搜索算法

多目標求解屬NP難題，設外包任務能力5種，共有25家盟友企業，且每種能力有15家備擇企業具有。那么，有155種（759375種）選擇的可能，計算量非常大，必須依靠智能算法才能得到最優解，粒子群優化算法是計算智能領域除了蟻群算法、魚群算法之外的又一種群體智能優化算法。具體流程如圖6所示。該算法最早是由Kennedy和Eberhart在1995年提出的，主要源于對鳥類捕食行為的研究。算法中的每個粒子都代表問題的一個潛在解，每個粒子對應一個由適應度函數決定的適應度值，粒子的速度決定了粒子移動的方向和距離，速度隨自身及其他粒子的移動經驗進行動態調整。粒子在解空間中運動，通過跟蹤個體極值Pbest和群體Gbest更新個體位置。

圖5 求解過程

圖6 粒子群優化算法流程

假設在D維搜索空間中，由n個粒子組成的種群X=（X1，X2，…，Xn），其中第 i個粒子表示一個 D 維向量 Xi=（xi1，xi2，…，xid）T，代表第 i個粒子在 D維搜索空間中的位置，亦代表一個潛在解。根據目標函數可以計算出每個粒子Xi對應的適應度值。算法主要包括以下6個步驟。

（1）編碼

本文采用自然數對初始粒子群進行編碼。D維向量空間代表D項外包能力需求，自然序數代表候選企業的編號，設某一粒子 Xi=（xi1，xi2，…，xid）T=[2，5，2，3，5，3，3]T。

（2）解碼

個體代表第i1種能力由第xi1家企業提供服務。如（1）中Xi的解碼為：第1種生產能力由第2家企業提供；第2種生產能力由第5家企業提供，以此類推。

（3）初始粒子群產生

初始粒子群是半隨機產生的，每個任務集均有通過初選的候選企業，在通過初選的候選企業中隨機產生個體。

（4）適應度賦值

基于個體的式（6）和式（7）排序的是適應度賦值。利用線性差值方法在最低序號與最高序號之間插入數值，具有相同序號的個體進行適應度共享操作。個體須滿足上文中的約束。

（5）篩選非劣解集

當前粒子不受其他粒子以及當前非劣集中粒子支配時，把新的粒子放入非劣解集中；若新的粒子支配當前非劣集中的粒子，則將當前非劣集中的受支配的解剔除。并且在粒子更新前從非劣解集中隨機選擇一個粒子作為群體最優粒子。

（6）粒子最優更新

其中，w為慣性權重；r1和r2為分布于[0,1]的隨機數；k是當前的迭代次數為個體最優粒子位置為全局最優粒子位置；c1，c2為常數；V為粒子速度；X為粒子位置。

通過限定范圍內隨機產生初始種群，由于是多目標兩兩比較淘汰劣解，所以種群規模要相對較大（xSize>30）。在粒子種群更新過程中，非劣解集中的支配粒子總量不達種群規模要求的，用隨機產生填補。若非劣解個體和通過變異交叉產生的個體總量大于種群規模，則采用擴大子代種群規模策略。

4.2 第3階段模型求解

運用本文的2.2節中的互補度β計算方法，可產生縱向互補度評價集，記為 Β={βS1，βS2，βS3，…，βSn}，定量能力互補度β排序法求解最佳生產能力互補組合，縱向互補度最大值記為Maxβ。

設Maxβ互補度等級為m，若存在其他解的β值等級與最高級相同，則將m等級的β的解視為縱向互補度相當，需進一步定性考察該等級所有解的橫向互補度。

針對互補度等級為m的解不唯一的情況，為獲得最佳聯盟合作環境，定性判斷聯盟伙伴間的橫向互補度。通過對第1節介紹評價營銷能力、管理能力、文化適應能力的綜合橫向互補度，確定最終的決策。

5 我國通信行業智能手機生產聯盟伙伴選擇實例研究

本文以通信行業智能手機的生產為例，對上述伙伴選擇方法進行模擬仿真。智能手機（Smartphone）具有獨立的操作系統，可由用戶自行安裝軟件、游戲等程序來不斷擴充手機功能，并可通過移動通信網絡實現無線網絡接入。艾媒咨詢（iiMedia research）的數據顯示，2012年第3季度我國智能手機市場銷量達到4980萬部，環比增長31.1%，同比增長154.9%[16]。國外知名智能手機品牌有如美國的蘋果（iPhone）、韓國的三星（Samsung）、加拿大的黑莓（Blackberry）等。在國內，某些品牌也奮力占據中、低端的市場，如華為、酷派、聯想、小米、金立、天語等。由于手機生產過程的復雜性，即使是美國蘋果公司，全球也有218家供應商為其生產零件，故有相當一部分手機集成商組織運作交織復雜的手機生產聯盟網絡。以深圳華強北地區的手機產業鏈為例，雖然大部分主板采用臺灣聯發科技的MTK芯片，但不同的功能方案需要不同的車床組成，并且測試過程復雜，所以存在很多手機生產聯盟。

5.1 智能手機主要生產能力分類

如圖7所示，智能手機的生產主要由3部分組成：主板部分、配件及外觀、整機組裝與測試系統。

以某品牌普通智能手機為例，其主要制造流程如圖8所示，生產工序有A～M，共包含14道工序，每一道工序代表特定類別的生產能力，生產的關鍵路線為A-B-C-D-E-I-J-K-N。

5.2 生產聯盟伙伴選擇模型中的各參數的確定

假設需定制3000個中端智能手機，LT=20天，TC=180萬元。設盟主可以獨立進行工序A/B/D/E/I/J/L/M/N，其中主板芯片、聽筒、麥克風、攝像頭、喇叭標準件可在電子市場采購，盟主企業還具備主板功能模塊加工、整機裝配、軟件灌裝、測試、說明書撰寫、包裝等生產能力，除此之外，還有液晶模塊等5道生產工序需要外包給盟友伙伴完成。假設根據歷史合作信息、企業信息，通過AHP濾除不合格企業后，還剩余20家候選企業愿意加入聯盟提供該服務。故 i=1～20，j=1～5，E=[E1，E2，E3，…，E20]。

通過對深圳華強北地區部分智能手機生產企業的實地調查以及網絡數據分析，獲知每個模塊的生產價格區間、生產周期等信息。發現不同企業所提供的完成時間和單位生產價格有所差異，因此，企業之間的協同成本必然也有差異。在協同成本計算上，主要體現在前后道工序的生產廠家的貨品運輸費、倉儲費以及建立聯盟的合同費等。在此基礎上設計仿真數據，得到生產成本矩陣C、生產時間矩陣TT以及協同成本矩陣CC。檢測失敗回爐的時間和成本按5%計算。

5.3 應用MATLAB仿真及對仿真結果的分析

5.3.1 仿真過程及仿真結果

圖7 智能手機的生產構成

圖8 智能手機生產過程

由于粒子群算法的數據分析比較復雜，而MATLAB擁有強大的矩陣運算功能、圖形化顯示功能，因此選擇MATLAB作為程序設計工具。應用本文闡述的基于粒子群的多目標尋優算法，將迭代總數設為1000，種群大小設為50，精度則為待招標的工序數5，最大合作企業數目設為3。具體的實現步驟如下。

（1）運用模型第2階段求解算法。隨機產生的初始種群的平均總生產時間30天、總生產成本為375.7萬元，運行求解算法1000代后，平均總生產時間16.5天、總生產價格為171.8萬元，結果表明，第2階段的算法具備較好的收斂性和理想的求解效果。最終得到的帕累托最優解有12 個，按生產時間排序后得到 S=[S1，S2，S3，…，S12]。如圖 9所示為逐代的平均目標值的進化過程及圖10所示的最終非裂解排序后分布。

（2）根據生產成本約束條件不高于180萬，生產周期不多于20天的要求，將解集中的解序號為1、2、3、12的解剔除。

（3）計算縱向互補度評價集，由于已刪除 1、2、3、12 號解，故不需再計算其互補度，剩余互補度記為 Β={βS4，βS5，…，βS10}。

標準件A/D/E/L的生產能力在計算互補時不作為能力考慮，剩余通過設計得到仿真能力專家評價子集。核心企業 E0的能力子集 C-Key E=[B-，I，J+，M，N+]，各候選企業的能力子C-Ei。如圖11所示，按照從下往上的順序，第1層代表生產智能手機時，除標準件之外的總的生產能力需求{B，C，F，G，H，I，J，K，L，M，N}；第 2 層為帕累托最優解集中涉及企業的能力評價子集；經粒子群算法求解得到中間層——帕累托解各方案的能力評價組合，如E0∪E3；最上層為每個帕累托最優解方案的縱向能力互補度β值的計算結果。根據上文定義得出B=[14.1831.2524.3913.723.8116.3916.6719.42]，剩余可行解中互補度最高的解序號 S5：{E0，E5}，其互補度為 31.25，互補度等級為 3。由于最高互補度級別解僅有一個，故選擇結束。選擇結果：S4為最佳伙伴選擇策略。

圖9 逐代目標值均值曲線

圖10 運行1000代以后帕累托解分布

圖11 互補度計算概念

（4）若步驟（3）中最高互補度級別不止一個，則需要進一步結合企業間的橫向互補度的高低，繼續選擇。

本文所用的仿真在步驟（3）結束。

5.3.2 仿真結果分析

（1）算法得到的帕累托解集在進行排序之后，較之其他解，兩端的非劣解特點為其中一個目標最優，而另一個目標則最劣。如：曲線最左端的解是生產時間最短為12天，而生產成本為解集最高，為192.6萬元，平均每臺智能手機的生產價格為640元。

（2）在S1～S12解曲線的中間段，目標值的變化幅度并不大，如 S5～S9，時間為 16～18天，生產成本則為：175.7～166.5萬元，每臺成本555～585元。運用模型的第3階段繼續輔助支持決策者，不再繼續求解互補度的選擇方法只能盲目從中選擇。即通過圖11的最高一層，解決了上述雙目標差異不大造成的決策困難。此過程可進一步根據考慮決策者的決策偏好，如成本優先戰略等先縮小β值的求解范圍。

（3）在本文案例中，Maxβ的互補度級別為3，而且僅有一個β值居第3級，選擇結果非常清晰。倘若在圖11最高層，若存在于Maxβ的互補度級別相同的解，還須繼續研究各個解組合的橫向互補度，進而深入指導決策者。

6 結束語

本文通過對企業能力互補度的量化，將互補度系數引入選擇規則中，對相同級別的互補度的解進一步引入相容性的判斷，解決了在運用粒子群算法求解多目標選擇過程中出現多個帕累托最優解的選擇難題，在企業動態聯盟伙伴選擇過程中既考慮了短期目標，又考慮了再次聯盟概率和利于企業成長的最佳共振環境等戰略目標，實現動態中的相對穩定。本文在引入互補度決策時偏重于定量的縱向互補度，僅考慮了基于生產的伙伴選擇問題。對于產品設計、營銷、售后等供應鏈上下游的其他階段的聯盟伙伴選擇，橫向互補度值得進一步研究。

1 李允堯，生延超，姜向陽.聯盟動機、技術能力與企業入盟的最優策略.管理世界，2010(3):178～179

2 Cao Q,Wang Q.Optimizing vendor selection in a two-stage outsourcing process.Computers&Operations Research,2007,34(12):3757～3768

3 Wang T C,Chen Y H.Applying fuzzy linguistic preference relations to the improvement of consistency of fuzzy AHP.Information Sciences,2008,178(19):3755～3765

4 Mikhailov L.Fuzzy analytical approach to partnership selection in formation of virtual enterprises.Omega,2002,30(5):393～401

5 Jharkharia S.Selection of logistics service provider:an analytic network process(ANP)approach.Omega,2007,35(3):274～289

6 Solesvik M Z.Partner selection for interfirm collaboration in ship design.Industrial Management&Data Systems,2010,11(5):701～710

7 張衛，潘曉弘，劉志等.基于云模型蟻群優化的制造服務調度策略.計算機集成制造,2012，18(1):201～207

8 Wu C,Barnes D.Formulating partner selection criteria for agile supply chains:a dempster–shafer belief acceptability optimization approach.International Journal of Production Economics,2010,125(2):284～293

9 Hassan M M,Song B,Huh E N.A market-oriented dynamic collaborative cloud services platform.Annals of Telecommunications,2010,65（11-12）:669～688

10 Cavusgil S T,Evirgen C.Use of expert systems in international marketing:an application forco-operative venture partner selection.European Journal of Marketing,1997,31(1):73～86

11 Mitsuhashi H,Greve H R.A matching theory of alliance formation and organizational success: complementary and compatibility.Academy of Management Journal,2009,52(5):975～995

12 黃彬，高誠輝，陳亮.模糊完工時間和模糊交貨期下的虛擬企業伙伴選擇.系統工程理論與實踐,2010,30(6):1085～109

13 楊虎，張東戈，劉浩等.一種基于間接互惠的計算網格合作激勵機制研究.電信科學,2011(9):42～47

14 任聲策，宣國良.基于學習和能力互補動態的研發聯盟穩定性研究.中國管理科學，2005,13(5):111～115

15 張海青，田軍.IT人員業務能力與技術能力的互補性對企業競爭優勢的影響.管理學報，2011,8(9):1359～1364

16 iiMedia Research:2012年Q3中國智能手機市場銷量達到4980萬部.http://www.199it.com/archives/83266.html

Research on Manufacture Partner Selection with Competence Complementary Operator

Ju Chunhua1,2，Fu Xiaokang3
（1.School of Computer Science and Information Engineering,Zhejiang Gongshang University,Hangzhou 310018,China;2.Center for Studies of Modern Business,Zhejiang Gongshang University,Hangzhou 310018,China;3.School of Business Administration,Zhejiang Gongshang University,Hangzhou 310018,China）

The main objective for enterprises alliances is to integrate complementary resources,and complementary degree is a crucial factor affecting the alliance stability and alliance performance,so it is meaningful to do research on thecomplementary degree in partner selection.Based on the characteristics of manufacture alliance,an evaluation coefficient was designed to access the competence complementary degree in manufacture alliances.Then a manufacture partner selection model was constructed with the evaluation coefficient,in which selection rules was built with the consideration of complementary degree.The problem was solved which stated in the model.Firstly,AHP was used to filter the disqualified enterprises.Secondly,particle swarm optimization (PSO)was applied to obtain the Pareto optimal solutions.Last but not the least,complementary degree evaluation coefficient was calculated to support selection decisions.Also,communications industry was used as an example to implement the proposed model in MATLAB and conclusions were given by analyzing the simulation results.

partner selection,complementary degree,PSO,Pareto optimal solution

10.3969/j.issn.1000-0801.2013.03.018

* 國家自然科學基金資助項目（No.71071141），教育部高等學校博士學科點專項科研基金資助項目（No.20103326110001），浙江省自然科學基金重點項目（No.Z1091224）

琚春華，男，博士，浙江工商大學計算機信息與工程學院、浙江工商大學現代商貿中心教授，浙江工商大學管理學院博士生導師，主要研究方向為智能信息管理、電子商務與物流的研究、決策支持系統等。

傅小康，女，浙江工商大學管理學院博士研究生、講師，主要研究方向為決策支持系統、服務協同、供應鏈管理等。

2013-02-23）