智能制造背景下復雜供應商網絡協同評價研究

張明昊 聞波 石梅 卓翔芝

摘要：為促進核心制造企業與旗下供應商之間形成緊密的協同關系，從復雜供應商網絡的結構特征入手，根據其無標度和小世界的結構特點，將宏觀的復雜供應商網絡切割拆分為以局部網絡中最大hub節點為頂點的多個微觀子網絡。從系統的視角出發，將熵權法與TOPSIS法相結合，建立了基于熵權TOPSIS法的子系統協同評價模型。研究結果表明，該模型能夠有效的對子系統的協同狀態做出評價，有助于核心制造企業科學合理的管理供應商網絡。

關鍵詞：智能制造;協同效率;復雜網絡;熵權法;TOPSIS法

中圖分類號：F203

文獻標志碼：A

收稿日期：2020-10-26

基金項目：

安徽省高校自然科學基金（批準號：KJ2018A0395;KJ2019A0959;KJ2019B04）資助。

通信作者：

聞波，男，副教授，主要研究方向為信息管理。E-mail：wbthinkly@163.com

隨著大數據、物聯網為代表的新興信息技術在工業領域中的滲透，中國產業變革的進程不斷加快， “智能制造”這一信息化和工業化深度融合的產物成為衡量全球制造業階段水平的風向標[1-3]。為加快中國向制造強國轉變，國務院印發了“中國制造2025”計劃，受到眾多學者的關注和重視[4]。智能制造背景下，制造企業將供應商視為其生產系統的延伸[5]。供應商扮演的角色不僅是物料的供給者，也作為制造企業的重要合作伙伴參與到產品的研發和制造環節，為制造企業分擔一定風險的同時分享相應的收益。制造企業也在與供應商連續動態的業務交流中獲得了供應商所匹配的資源及創新要素，進而推動制造企業戰略目標的實施和產品競爭力的提升[6]。互惠雙贏的局面促使制造企業與供應商的聯系日益密切，制造企業也愈發依賴供應商來維持企業的競爭優勢[7]，形成了以制造企業為核心，供應商為邊緣節點的供應商網絡[6]。源于供應商網絡中主體間的競爭關系，以及不同主體在經營策略和利益需求上存在差異，企業在具體業務流程的銜接和匹配上無法實現有效的協同。此外，信息的不透明、不對稱極易引發目標沖突和機會主義風險[7-8]，同樣使得企業間的協同難以按照預期的方向發展，少量能夠成功實施供應商網絡協同的企業在協同績效的度量上再次陷入了困境。近年來，以復雜系統理論研究供應鏈網絡引起了學術界的廣泛關注[9]。陳曉等[10]認為供應鏈系統是一種復雜的自組織、自適應性網絡系統，復雜網絡的研究方法有利于揭示該類系統的特質。范碧霞等[11]從供應網絡復雜性產生的原因及特征入手，分析得出復雜網絡理論具有幫助企業更好地評價供應鏈結構、協調成員企業行為、提高供應鏈穩定性以及優化供應鏈的功能。隨著研究的深入，有學者嘗試對已有模型改進創新，如指出供應鏈網絡中節點的連接數量和連接速率并非僅與時間因素有關[12]，還受到節點之間吸引力大小[13]、位置參數[14]、邊效益[15]、供應鏈生命周期[16]等因素的影響，提出了基于X因素的復雜供應鏈網絡演化模型。從不同視角對供應鏈網絡展開的研究表明當前的供應鏈網絡已擺脫簡單拓撲結構形態，具備復雜網絡的特征。因此，由核心制造企業和供應商所構成的供應商網絡作為供應鏈網絡中的重要組成部分同樣具備相應的復雜網絡特征，從而使得本文以復雜網絡理論為框架對供應商網絡協同進行研究具有可行性。針對當前復雜供應商網絡中的企業在協同方面存在的問題，本文依據復雜供應商網絡的結構特征對其進行切割，將其劃分為多個以制造企業為核心的微觀子網絡，在此基礎上借助在多屬性領域決策領域有良好表現的熵權法和TOPSIS評價方法構建評價模型，對不同子網絡模塊的協同狀況做出評價，幫助核心制造企業科學、合理、有效的管理供應商網絡。

1 復雜供應商網絡

真實世界中規則網絡的占比很小，很多實際問題抽象出的網絡呈現出復雜網絡的形態。供應鏈的形態對其自身的性能有著重要影響，由于早期的鏈式供應鏈以及由其擴展形成的供應鏈網絡已經無法描述和解釋企業間錯綜復雜的交互關系，為適應當前多變的環境和未來的發展趨勢，傳統供應鏈網絡已逐步向復雜網絡轉變[17-18]。為了幫助核心制造企業與旗下供應商開展高效的協同運作并取得增殖的協同效益，繼而在動態多變的市場環境下保持足夠的競爭力，本文將對研究的框架進一步聚焦。結構和功能完整的供應鏈一般由制造商、供應商、分銷商、零售商以及最終消費群體五部分組成，其中產品的價值增值是通過供應鏈的多層級傳遞實現的，在此過程中涉及多個制造和供應環節。與僅在供應鏈終端占有一定份額的零售商和分銷商相比較，供應商和制造商擁有絕對的數量優勢，故對復雜供應鏈網絡削減一定數量的分銷模塊節點不會對網絡整體的形態和功能產生影響。剔除分銷商、零售商和顧客，本文的研究建立在復雜供應商網絡框架下。復雜供應商網絡是圍繞核心制造企業，建立在與多個供應商之間達成密切合作關系的基礎上，具有小世界和無標度結構特征的供應體系[19]。Barabási等[12]的研究表明，復雜網絡的連接度在現實問題中有冪率分布的特征，且冪指數通常在2～3的區間內，統計特性呈現冪率分布的復雜網絡被稱為無標度網絡。無標度網絡具有極大的異質性，各節點的連接不服從均勻分布，大部分的節點只有少量的連接，度值很低，但存在少數度值極高的中樞節點（hub節點）擁有大量的連接，且對整個網絡的運行和維持起著至關重要的作用。供應商網絡中散布著多家核心制造企業，核心制造企業通過供需關系與旗下的供應商建立聯系，形成圍繞核心制造企業展開的從產品原材料供應到生產加工，以及銷售運輸的產品價值鏈，充分體現了無標度性[10]。與此同時，科技的進步為世界經濟與貿易提供便利，企業能夠忽略地理位置因素的影響實現實時的信息溝通。供應商網絡中的核心制造企業扮演著橋梁的角色，為不同類別的供應商之間建立聯系，使得供應商網絡在結構上具有局部集聚效應，表現出明顯的小世界特性[20-21]。

2 評價模型構建

經濟全球化發展使企業間合作愈發密切，同時也加深了供應鏈成員企業之間的角色重疊和關系復雜度。相同的企業可能在不同的供應鏈中扮演著不同的角色，如制造企業在負責生產的同時也發揮著供應商的功能。為消除該現象對研究的影響，本文從復雜供應商網絡的結構特征入手，根據其無標度和小世界的結構特點，將宏觀的復雜供應商網絡切割拆分為多個以局部網絡中的核心制造企業為頂點、向四周方向輻散的微觀子網絡，其中每個子網絡中包含一個核心制造企業和若干個供應商，如圖1所示。通過對復雜供應商網絡的拆分，實現了對復雜三維立體網絡空間的結構由繁向簡的轉化，研究量級上的巨大轉變使得模型的構建更為簡明直觀。因系統是由相互作用、相互依賴的若干部分組成的具有特定功能的有機整體[22]，故可將復雜供應商網絡映射為系統，經切割產生的微觀子網絡與復雜供應商網絡之間為子母系統關系。

對子系統中的節點進行同向化處理，將散布在hub節點周圍的子節點旋轉、牽拉至hub節點的下方，使隸屬于不同供應層級的節點在結構模型中的位置相對統一。在此基礎上，為進一步簡化結構模型，將經同向化處理后的子節點置于與hub節點相同的平面內，實現結構模型由三維立體向二維平面的過渡。由圖2所示，子系統在結構上具有自相似的特征，即局部形態與整體形態相似，局部中又存在著相似的局部，不斷地重復、層層嵌套形成分形圖。

2.1 熵權法

信息熵[23]是根據事物本身對信息的貢獻度來描述信源不確定性的度量工具。指標的信息熵越小，說明其變異程度越大，即能夠提供的信息越多，對系統的貢獻度也就越大[24-25]。該特性使得熵權法被廣泛應用于求解多屬性決策問題中的屬性權重部分。

Step 1 以一個多屬性決策問題為例：設有n個評價對象，m個評價指標，對于原始數據矩陣A=aijn×m，aij表示第i個評價指標的第j項指標評價值。為解決各指標的計量單位不一致問題，對原始數據矩陣A做同質化處理，得到數據矩陣B=bijn×m;

Step 2 對數據矩陣B做歸一化處理，得到指標評價矩陣C=cijn×m，其中， cij=bij∑ni=1bij，∑cij=1，i=1，2，…，n，j=1，2，…，m;

Step 3 計算第j項指標的熵值： ej=-k∑ni=1cijln cij，其中k=ln n-1，0≤ej≤1，j=1，2，…，m，求解過程中，若cij=0，則cijln cij=0;

Step 4 計算得到各指標的權系數：wi=（1-ej）/（m-∑mj=1ek）。

2.2 基于熵權TOPSIS法的協同評價模型

TOPSIS 法[26]（Technique for Order Preference by Similarity to an Ideal Solution）是一種常用的組內綜合評價方法，根據有限個評價對象與理想化目標逼近程度的排序結果對多屬性決策過程中的備選方案進行優劣抉擇[27]。理想化目標是正理想解與負理想解這一對相反概念的合稱。正理想解為目標的最優解，即各評價指標均達到最好的預期;負理想解為目標的最劣解，即各評價指標均達到最差的預期。當某一備選方案在最逼近正理想解的同時又最遠離負理想解，則該方案為最佳方案[28]。在對各子系統的協同狀況進行評估前，需要建立具備科學合理、可操作性強、系統全面、獨立無交叉特征的指標評價體系。將指標體系劃分為三級：方案層、一級指標層和二級指標層，規定所有指標類型為效益型。指標的選取建立在曾明華[29]等所構建的供應商協同能力評價指標體系的歸納總結基礎上，其中一級指標包括信任與透明、業務對接、經濟效益和生產制造四個方面;二級指標包括信息發布與傳遞準確性、信息共享程度、財務狀況、合作態度、投入產出比、降低成本計劃、產品匹配度、訂貨提前期、準時交貨率九個方面，見圖3。

設共有y個評價對象，每個評價對象有z個評價指標。對于原始數據矩陣E=euvy×z ，euv代表第u個評價對象的第v個指標評價值。指標評價值在0～10的區間內取值，其中10為最優值。

Step 1 對原始數據矩陣E做比值歸一化處理，得到指標評價矩陣E′=puvy×z，其中， puv=euv∑yu=1euv，∑puv=1，u=1，2，…，y，v=1，2，…，z;

Step 2 對指標評價值矩陣E′做加權處理，得到加權指標評價矩陣F=fuvy×z，其中， fuv=xu·puv，xu=1-αuz-∑zk=1αk， αu=-k∑yu=1puvln puv，k=ln y-1， 0≤αu≤1，u=1，2，…，y，v=1，2，…，z，若puv=0，則puvln puv=0;

Step 3 確定評價對象的最優解和最劣解。最優解由矩陣F中每列元素的最大值構成，最劣解由矩陣F中每列元素的最小值構成：

f+=maxf11，f21，…，fy1，maxf12，f22，…，fy2，…，maxf1z，f2z，…，fyz

=f+1，f+2，…，f+z

f-=minf11，f21，…，fy1，minf12，f22，…，fy2，…，minf1z，f2z，…，fyz

=f-1，f-2，…，f-z

Step 4 分別計算出方案解與最優解的距離d+u以及與最劣解之間的距離d-u： d+u=∑zv=1fuv-f+v2，d-u=∑zv=1fuv-f-v2，u=1，2，…，y;

Step 5 計算方案解與最優解的貼近度： cu=d-ud+u+d_u，0≤cu≤1，u=1，2，…，y;

Step 6 對Step 5所取得的接近度cu的數值進行大小排序，cu的值越大，說明評價對象越優，由此得到最佳子系統。

3 案例分析

考慮到在智能制造背景下，大型制造企業因生產、辦公等需要，與其建立合作關系的供應商數量往往十分龐大。受到數據獲取方面的限制，本文從某大型制造企業的二級供應商中選取四家規模較小的制造企業

y1、y2、y3和y4作為案例分析中的核心制造企業（供應鏈中的多數企業既是供應商也是制造商），該組企業位于安徽省淮北市，企業下屬供應商5至10家不等，對四家制造企業與旗下供應商所構成的子系統分別記作Y1、Y2、Y3和Y4，見圖4。

邀請3位有不同專業背景、來自不同管理和技術崗位的業內專家按照圖3所建立的指標評價體系打分，不同專家給予評價的影響力相同，指標評價值在0～10的區間內取值。經專家評定生成的數據矩陣A、B和C，如表1、表2、表3所示。

對數據矩陣A、B和C中的評價指標打分結果求平均值，得到原始數據矩陣D，見表4。

借助Matlab-R2017a軟件編寫相關程序代碼，獲得以下數據（精確到小數點后四位）。原始矩陣D經比值歸一化處理后得到的規范后的指標評價矩陣E，見表5。

（1）評價指標的熵值α1～α9分別為： α1=0.998 5，α2=0.997 4，α3=0.997 4，α4=0.996 8，α5=0.998 2， α6=0.997 5，α7=0.997 5，α8=0.998 8，α9=0.996 6;

（2）指標權重x1～x9分別為： x1=0.069 1，x2=0.119 8，x3=0.121 9，x4=0.149 2，x5=0.083 0， x6=0.119 4，x7=0.119 4，x8=0.056 8，x9=0.161 5;

（3）對規范化后的指標評價值矩陣E做加權處理，得到規范化后的加權指標評價矩陣F，見表6。

（4）評價對象的最優解和最劣解為： f+=（0.0184，0.0342，0.0335，0.0399，0.0225，0.0333，0.0333，0.0155，0.0467），f-=（0.0162，0.0280，0.0268，0.0315，0.0186，0.0264，0.0264，0.0135，0.0370）;

（5）評價對象到最優解和最劣解的距離分別為： d+1=0.011 4，d+2=0.004 1，d+3=0.016 6，d+4=0.014 9，d-1=0.012 7，d-2=0.017 1，d-3=0.004 7，d-4=0.011 2;

（6）評價對象與最優解的貼近度分別為： c1=0.526 5，c2=0.804 6，c3=0.220 2，c4=0.429 7;

由貼近度的大小可知，子系統Y1～Y4的評價結果按照Y3<Y4<Y1<Y2的順序排序，即Y2為最佳評價對象，Y1與Y4次之，Y3最差。

對上述案例分析過程進行分析，表4中協同指標的打分結果能夠直觀地反映出子系統中核心制造企業與旗下供應商在各方面的協同狀況，核心制造企業可有針對性地對其中分值較低的協同項進行強化，以提高整體協同效率。此外，由協同評價指標的熵值和權重可知，除Z1、Z5以及Z8這三項指標所占比重較低，Z4與Z9兩項指標較所占比重較高外，其他指標對于子系統評價模型的貢獻度較為平均，說明信息發布與傳遞穩定性、投入產出比以及訂貨提前期這三項指標在各子系統中的評價結果差異較小。而合作態度與準時交貨率兩項指標的評價結果差異較大，評估方可籍此橫向比較并統計各子系統的協同指標分值，向核心制造企業提供各協同指標的行業均值作為管理參考。

4 結論

本文基于熵權TOPSIS法構建的子系統協同評價模型，旨在突出復雜供應商網絡中不同子網絡模塊的成員企業在協同配合度方面的差異。通過對子系統協同評價指標熵值變化的階段性監測，核心制造企業能夠有效的獲取和掌握各子系統內部不同方面的協同狀況，便于核心制造企業針對其中的薄弱環節采取措施進行鞏固和加強。相關政策制定部門可對評價得到的最優子系統開展有指向性研究，深度挖掘其組織結構、協作方式等方面特征，從中提取有借鑒價值的信息向全社會做普適性的推廣。由于本文未能對子系統內部成員企業之間的協同機制進行剖析和量化，評價結果在精確度方面具有一定的局限性，未來需在此基礎上建立協同度量模型，通過數學模型對子系統內部成員之間的協同過程進行刻畫以提高準確性。

參考文獻

[1]丁雪紅，石莉，李敏，等.基于BP神經網絡的智能制造能力成熟度評價研究[J].青島大學學報（自然科學版），2019，32（3）：20-25+30.

[2]ZHOU G. Knowledge-driven digital twin manufacturing cell towards intelligent manufacturing[J]. International Journal of Production Research， 2020， 58（4）： 1034-1051.

[3]王友發，周獻中.國內外智能制造研究熱點與發展趨勢[J].中國科技論壇，2016（4）：154-160.

[4]周濟.智能制造——“中國制造2025”的主攻方向[J].中國機械工程，2015，26（17）：2273-2284.

[5]李隨成，王瑋，禹文鋼.供應商網絡形態構念及實證研究[J].管理科學，2013，26（3）：19-30.

[6]GAO G Y， XIE E， ZHOU K Z. How does technological diversity in supplier network drive buyer innovation？ Relational process and contingencies[J]. Journal of Operations Management， 2015， 36（1）： 165-177.

[7]HAMERI A P， PAATELA A. Supply network dynamics as a source of new business[J]. International Journal of Production Economics， 2005， 98（1）： 41-55.

[8]李娜，李隨成.面向供應商網絡的企業網絡化行為：多維結構探索研究[J].科技進步與對策，2017，34（19）：15-21.

[9]張軼，錢曉東.基于復雜網絡的供應鏈建模及仿真研究[J].科技管理研究，2014，34（22）：183-186.

[10] 陳曉，張紀會.復雜供需網絡的局域演化生長模型[J].復雜系統與復雜性科學，2008，5（1）：54-60.

[11] 范碧霞，劉帥.復雜網絡理論在供應鏈管理中的應用研究[J].商業經濟研究，2017（18）：97-98.

[12] BARABSI A L. Emergence of scaling in random networks[J]. Science， 1999， 286（5439）： 509-512.

[13] 陶少華，楊春，李慧娜，等.基于節點吸引力的復雜網絡演化模型研究[J].計算機工程，2009，35（1）：111-113.

[14] 趙志剛，周根貴，潘瑞芳.基于位置吸引力的加權復雜供應鏈網絡局域世界演化模型研究[J].計算機科學，2018，45（12）：71-76.

[15] 曹文彬，熊曦.邊效益因素下復雜供應鏈網絡局域演化機制[J].計算機應用研究，2016，33（1）：75-77+81.

[16] 丁飛，陳紅，楊冀豫.基于復雜網絡的供應鏈網絡演化模型研究[J].計算機與數字工程，2018，46（2）：343-347.

[17] 張昕瑞，王恒山.復雜供應鏈網絡結構模型研究[J].工業技術經濟，2008（2）：79-81.

[18] 張昕瑞，王恒山.供應鏈網絡的價值增值博弈決策研究[J].商業經濟與管理，2009（7）：29-35.

[19] WATTS D J. Collective dynamics of small-world networks[J]. Nature， 1998， 393（6684）： 440-442.

[20] 呂波，韓健，凡新凱.新技術革命背景下基于SIR-SCR模型的供應鏈風險傳導新機理研究[J].科技管理研究，2020，40（5）：199-206.

[21] 劉純霞，舒彤，汪壽陽.基于小世界網絡的供應鏈中斷風險傳導過程研究[J].商業經濟與管理，2015（5）：24-30.

[22] 錢學森.論宏觀建筑與微觀建筑[M].杭州：杭州出版社， 2001.

[23] SHANNON C E. A mathematical theory of communication[J]. The Bell System Technical Journal， 1948， 27（4）： 379-423.

[24] MAVI R K. Supplier selection with Shannon entropy and fuzzy TOPSIS in the context of supply chain risk management[J]. Procedia - Social and Behavioral Sciences， 2016， 235： 216-225.

[25] 仝金強.基于熵權TOPSIS法的艦船設計方案評估[J].實驗室研究與探索，2018，37（1）：9-12.

[26] HWANG C L， YOON K. Multiple attribute decision making[J]. Lecture Notes in Economics & Mathematical Systems， 1981， 404（4）： 287-288.

[27] 林龍圳，李達，林震.基于熵權-TOPSIS模型的庫布齊沙漠地區水資源承載力評價[J].華中師范大學學報（自然科學版），2020，54（4）：640-648.

[28] 董培培，王磊.基于FBWM的綠色物流供應商評價研究[J].青島大學學報（自然科學版），2019，32（3）：53-61.

[29] 曾明華，王吟松，楊曉光.供應商協同能力評價指標體系研究[J].計算機工程與應用，2014，50（4）：18-23.

Research on Collaborative Efficiency Evaluation of Complex Supplier

Network Under the Background of Intelligent Manufacturing

ZHANG Ming-haoa ， WEN Bob ， SHI Meib ， ZHUO Xiang-zhia

（a. College of Economics and Management， b. College of Computer

Science and Technology， Huaibei Normal University， Huaibei 235000， China）

Abstract： The purpose is to promote the formation of close collaborative relationship between core manufacturing enterprises and their suppliers. According to the scale-free and small world structure of complex supplier network， the macro complex supplier network is divided into several micro sub networks with the largest hub node in the local network as the vertex. From the perspective of system， the entropy weight method and TOPSIS method are combined to establish a subsystem collaborative evaluation model based on entropy weight TOPSIS method. The results show that the model can effectively evaluate the collaborative state of subsystems， and help the core manufacturing enterprises to manage the supplier network scientifically and reasonably.

Keywords：

intelligent manufacturing; collaborative efficiency; complex network; entropy weight; TOPSIS method