基于智能信息处理的供应链绩效评价方法

郑 培，万 炜

（湖南大学 工商管理学院，湖南 长沙 410082）＊

一、引 言

在供应链条件下，各节点企业运作行为往往具有随机性和不确定性。动态供应链绩效评价是一个包含多个指标和输入输出的复杂评估系统，各绩效指标具有模糊性、不确定性，彼此之间存在非线性关联性。软计算［1－7］理论与方法是处理动态供应链绩效这样复杂的、具有大量不确定性和模糊性的评估系统的重要技术。在相当多的领域（自然科学、社会科学与工程技术）中，都涉及到对不完备信息和不确定因素的处理。从实际系统中采集到的数据常常包含着噪声、不精确甚至不完整，如果我们采用纯数学上的假设来消除或回避这种不确定性，效果往往不理想。但如果对这种信息使用恰当的方式进行处理，常常有助于实际系统问题的解决。

二、相关研究评述

多年来，研究人员一直在努力寻找科学地处理不完整性和不确定性的有效途径，实践证明，1965年Zadeh［8］创立的模糊集理论与1982年 Pawlak［9］倡导的粗糙集理论是处理不确定性的两种很好的方法。事实上，除了上述两种方法外，基于概率统计方法的证据理论也是处理不确定性的一种有效方法。以上众多的方法都属于软计算［10－15］（Soft Computing）的范畴。Zadeh教授提出了软计算的概念，软计算的主要工具包括粗糙集、模糊逻辑（Fuzzy Logic）、神经网络、概率推理（Probability Reasoning）、信任度网络（Belief Network）、遗传算法（Genetic Arithmetic）、混沌理论（Chaos）等。传统的计算方法，即所谓的硬计算（Hard Computing），使用精确、固定和不变的算法来表达和解决问题，软计算利用所允许的不精确性、不确定性和部分真实性得到易于处理、鲁棒性强和成本较低的解决方案，以便更好地与现实系统相协调。因此，软计算作为知识获取和智能信息处理的重要手段，在许多研究领域有着广泛而深入的应用。

（一）基于模糊综合评估的供应链绩效评价

模糊集理论是经典理论的推广，它认为元素总是以一定的程度属于某个集合，也可能以不同的程度属于几个集合。经典理论中集合的边界是清晰的，而模糊集理论中集合的边界是不清晰的，对人们显示生活中大量使用的一些含义确定但不准确的语言表述，模糊数学可以较好地表达，因而可以自然地用于事物的评价。

在动态供应链绩效评价体系中，各绩效指标之间往往存在着复杂的因果关系，这些指标中既有定性指标也有定量指标，具有模糊和不确定的特点，模糊综合评估方法为处理这种不确定性提供了有力的工具，它能够尽可能地减少个人主观臆断所带来的危害，为合理评价决策提供科学的依据。作者在文献［16］中详细讨论了基于模糊综合分析的供应链绩效评价方法，并结合Markov链预测理论给出了供应链绩效未来的发展趋势。

（二）基于粗糙集约简的供应链绩效评价

Rough集理论是一种刻画含噪声、不完整、不精确、不相容的数学工具，它能有效分析和处理不精确、不一致、不完整等各种不完备信息，并从中发现隐含的知识，揭示潜在的规律，是一种重要的软计算技术。其主要思想是在保持分类能力不变的前提下，通过知识约简，导出概念的分类原则。Rough集理论是基于不可分辨的思想和知识简化的方法，从数据中推理逻辑规则作为知识系统模型。

如前所述，在供应链条件下，各节点企业运作策略具有动态可调节性，其运作行为具有随机性和不确定性，这就要求在对供应链绩效进行评价必须采用动态评价方法，同时对供应链在未来某一时刻的整体绩效进行预测。粗糙集及其约简理论是处理这种不确定性的重要技术。作者在文献［17］中基于粗糙集理论的绩效评价模型，建立了动态供应链绩效评价决策表，利用粗糙集约简方法得到了预测绩效评价结果的决策规则集，并把粗糙集约简和模糊综合评估技术相结合进行动态供应链绩效评价，显然地缩小了数据处理的规模，降低了模型的计算复杂度。

（三）基于神经网络的供应链绩效评价

神经网络可大规模地并行处理和分布式地存储信息，具有良好的自适应、自组织性以及很强的学习功能、联想功能和容错功能。与当今的冯诺依曼式计算机相比，更加接近人脑的信息处理模式，主要表现为能够处理连续的模拟信号。神经网络并行分布工作，各组成部分同时参与运算，单个神经元的动作速度不高，但总体的处理速度很快。神经网络信息存储分布于全网络各个权重变换之中，某些单元障碍并不影响信息的完整。传统计算机要求有准确的输入条件，才能给出精确解。神经网络只要求部分条件，甚至对于包含有部分错误的输入，也能得出较好的解答，因此具有较好的容错性。

动态供应链绩效评价是一个包含多个指标输入输出的复杂评估系统，各绩效指标具有模糊性，彼此之间存在非线性关联性。针对这样一个复杂的评估系统，作者曾利用BP神经网络技术来找出供应链绩效评价系统输入－输出之间的非线性映射关系，从而对动态供应链绩效评价结果进行学习和预测。通过与粗糙集约简理论相结合，简化了BP神经网络的结构设计，减小了运算量。

（四）几种软计算方法的优缺点

软计算是一个方法的集合体，目前主要包括粗糙集、模糊逻辑、神经网络、概率推理、信任度网络、遗传算法以及混沌理论等。软计算方法已广泛应用于包括模式识别、数据挖掘、系统评价、故障诊断、专家系统等在内的诸多领域的不精确、不确定问题。软计算方法按照其特点各有优势。例如，模糊集可以通过对人类思维建模来给不确定性问题提供自然的解决机制；粗糙集在属性约简和规则抽取方面性能优良；神经网络对噪声具有强鲁棒性，分类精度高；遗传算法广泛用于优化搜索问题。同时，以上软计算方法依照算法的不同有各自的局限性：模糊集过度依赖专家知识，遗传算法收敛速度慢、稳定性差，神经网络训练时间过长、知识解释性差，而粗糙集对数据中的噪声较敏感。本文为了克服单一方法的局限，试图通过集成两种或两种以上的软计算方法的软计算融合系统来解决供应链绩效评价的实际问题［6，7］。

（五）软计算融合技术在动态供应链绩效评价中的应用

作者详细研究了模糊综合分析、粗糙集理论、神经网络等软计算技术在动态供应链绩效评价中的应用方法。从文献［16－17］实验结果可以初步看出，通过把几种软计算技术融合起来应用于供应链绩效评价，就能够克服单一智能信息处理方法的缺陷，取得更好的效果。本文使用的几种软计算技术能在多个方面进行融合［6，7］。

粗糙集和神经网络的融合。通过粗糙集的属性约简可以显著减少原始数据量，使神经网络训练时间缩短，从训练后的神经网络中抽取规则也可显著提高神经网络中知识可理解性；神经网络的强鲁棒性也可解决粗糙集处理数据中的噪声问题。

粗糙集理论和模糊集理论的融合。粗糙集理论和模糊集理论都是研究信息系统中知识不完善、不精确问题的方法，但粗糙集理论解决问题的出发点是信息系统中知识的不可分辨性，而模糊集理论则关注信息系统中知识的模糊性，两者在处理方法上各有特色。两者的结合可以更好地解决信息系统中不完善、不精确性知识的问题。

模糊集和神经网络的融合。模糊集和神经网络的融合主要有模糊神经网络和神经模糊系统。神经模糊系统以神经网络为主，结合模糊集理论，将神经网络作为实现模糊模型的工具，即在神经网络的框架下实现模糊系统或其一部分功能。从结构上看，一般是四层或五层的前向神经网络。模糊神经网络是神经网络的模糊化，即以模糊集、模糊逻辑为主，结合神经网络方法，利用神经网络的自组织性，达到柔性信息处理的目的。

三、基于智能信息处理的供应链绩效评价方法比较

（一）基本思路

在作者以前的研究里，曾应用模糊综合分析、粗糙集理论和BP神经网络等智能信息处理方法建立了多个供应链绩效评价模型，本文对这些评价模型的效果和优缺点进行了分析和总结。我们的基本思路是以某动态供应链为例，选取合适的绩效指标集，对得到的绩效指标按照评价模型的数据要求进行预处理，然后输入到不同的动态绩效评价模型中进行处理，对各个绩效评价模型进行解算。通过对模型输出的结果的比较和分析来归纳各个绩效评价模型的主要特点，并对评价模型的实际效果进行总结。

（二）数据预处理

如前所述，本文已经根据文献［15］提出的供应链五维平衡计分卡，选择了15个关键绩效指标作为动态供应链的绩效评价指标集C，C＝｛F1，F2，F3，C1，C2，C3，P1，P2，P3，P4，L1，L2，L3，S1，S2｝。在15个绩效指标中，既有定性指标，也有定量指标。由于BP神经网络只能处理数值向量，因此在这些绩效指标输入BP网络训练之前必须对它们进行预处理。在基于粗糙集理论的供应链绩效评价模型里，根据决策表信息约简的要求，需要对所有属性的取值进行离散化处理。这里对某动态联盟供应链绩效决策表条件属性采用表1的方法进行离散化处理。

假设根据历史经验或供应链行规，把供应链的绩效评价结果划分为G1、G2、G3、G4四个等级，分别对应供应链绩效评价为优、良、中、差的状态，其划分的依据如表1所示。

表1 供应链绩效分级标准

在基于模糊综合评估的供应链绩效评价模型里，表1将作为构造各绩效指标属于各类的隶属度函数的依据。

（三）实验结果比较与分析

实验的数据源仍采用文献［15］某供应链相关指标的调查结果，经调查得到该供应链在2007年1～12个月的绩效指标取值和绩效综合评价结果。本文已经详细讨论了对该供应链绩效采用基于BP网络训练和学习的过程，并结合粗糙集约简给出两者相结合的混合绩效评价方法及结果。

BP网络学习完毕后，就可以用来对下一评估时刻的供应链绩效进行预测。针对上述供应链，经调查得到该供应链在2008年前4个月的绩效指标取值结果，如表2所示。

表2 某供应链在2008年1～4月的绩效指标量化表

将上述各绩效指标规一化后输入训练好的BP网络，得到相应的输出向量分别为（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）。据此可判断该供应链在2008年1～4月的绩效综合评价结果分别为G2、G3、G2、G1。

进一步，针对表1所示的供应链绩效分级标准，可以通过Rough约简得到供应链绩效分级决策表的最佳约简，即供应链绩效评价的关键绩效指标集。通过约简得到供应链绩效评价的关键指标集为｛F1，F2，F3，C1，C2，P1，P2，P3，L1，L2，L3，S1｝，这样这12个关键绩效指标就构成了BP网络的输入层节点。把表2所示的供应链在2008年1～4月的关键绩效指标量化结果输入训练好的BP网络，可求出其相应的绩效评价结果分别为G2、G3、G2、G1，与供应链绩效实际调查结果一致。

下面，针对同一供应链，分别采用基于粗糙集理论的动态供应链绩效评价模型、基于模糊综合评估的供应链绩效评价模型及两者的结合来得出供应链绩效评价结果，并进行方法间的比较。

在基于粗糙集理论的供应链绩效评价模型里，先对各绩效指标进行离散化处理，离散化后的该动态供应链绩效决策表如下。

表3 某供应链在2007年1～12月的绩效评价决策表

对于表3所示的绩效评价决策表，利用约简算法对决策表进行属性约简，以便去掉决策表的冗余条件属性。进一步，利用归纳值约简算法对绩效决策表进行值约简，可以得到一系列用于供应链绩效评价的决策规则集。由于决策属性值被离散化为四个等级，亦即信息系统具有四个概念。针对这四个概念的最一般规则分别为：

根据上述关于决策属性取值的最一般规则，就可以对某一考察周期动态联盟的综合绩效评价结果作出判断。当条件属性集不完全满足规则前件时，可以选取关于各个概念的次一般（或可信度较高）的生成式规则对绩效作出综合评估。

把表2所示的该供应链在2008年前4个月的绩效指标离散化，然后针对上述供应链绩效评价决策规则进行匹配，可得这4个月供应链绩效综合评价结果分别为G3、G3、G2、G1。

接着，采用模糊综合评估方法来对同一供应链的绩效评价结果进行分析。首先建立模糊关系矩阵，单因素评价矩阵取各因素在评价集上的隶属度，各隶属度函数均取为二次函数。根据供应链绩效分类标准表1，建立F1属于各类的隶属度函数为：

同理，可分别建立其它绩效指标属于各类的隶属度函数，对应绩效评价指标集C的权向量取为：

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，由模糊综合评估法可求出该供应链在2008年前4个月的绩效分别为G3、G3、G2、G1。

最后，采用结合了粗糙集约简和模糊综合评估的动态供应链绩效评价方法来得到该供应链绩效评价结果。首先借助于动态供应链绩效评价决策表对绩效评价指标进行约简和降维，通过Rough约简得到供应链绩效评价的关键绩效指标集为｛F1，F2，F3，C1，C2，P1，P2，P3，L1，L2，L3，S1｝，根据供应链绩效分类标准表2分别建立上述关键绩效指标属于各类的隶属度函数，然后利用模糊评估方法对供应链绩效进行综合评价。根据该混合供应链绩效评价方法求出该供应链在2008年前4个月的绩效分别为G2、G3、G3、G1。

我们给出了采用上述五种基于智能信息处理的绩效评价方法得到的该供应链在2007年1月～2008年4月间绩效评价结果的变化趋势，如图1所示。其中，如图例所示圆圈、方块实线、下三角实线、粗标圆卷实线和带星虚线分别代表了对应月份由五种评估方法得到的供应链绩效评价结果。

图1 某供应链采用五种绩效综合评估方法得到的评价结果

从图1可以看出，采用五种不同的供应链绩效评价方法得到的结果略有差异。这一差异由多种原因引起，首先基于BP神经网络的绩效评价方法和基于粗糙集理论的绩效评价方法都是有监督的智能学习算法，即在对动态供应链绩效评价结果作出预测之前，都有个训练的过程，这需要大量的历史数据。而基于模糊综合评估的供应链绩效评价方法隶属度函数主要由绩效分级标准确定，并不“显式”地需要历史绩效结果。其次，许多基于智能信息处理的绩效评价模型都需要事先确定一些参数，如BP网络需要确定网络结构、学习速率、冲量因子；模糊综合评估需要确定指标权值和隶属度函数表示方法等。另外，不同的绩效评价模型对输入数据的要求各不相同，BP神经网络和模糊综合评估处理的是连续数据，粗糙集约简处理的是离散数据，而实际获得的绩效指标中既有定性指标，也有定量指标，这就需要在绩效指标输入模型之前进行预处理，预处理方法的不同导致模型输出有很大的差异。上述几种不同的基于智能信息处理的供应链绩效评价方法输出结果与供应链实际绩效基本相符，在实际使用时要根据情况灵活选择。

此外，实验结果也表明通过几种智能信息处理方法融合在动态供应链绩效评价中能取得更好的效果。通过粗糙集约简和模糊综合评估的融合，显然缩小了数据处理的规模，降低了评估模型的计算复杂度，同时克服了模糊评估过度依赖专家知识（领域知识）的缺点。通过粗糙集约简和BP神经网络的融合，降低BP网络的设计复杂度，克服了神经网络训练时间长、知识解释性较差的缺点。两种融合方法都保持了较高的准确度，在动态供应链绩效评价中更为有效。

本文的研究结果弥补了目前国内外动态供应链绩效评价中智能信息处理方法的融合理论研究少、应用不够深入的缺点，对实际供应链运作与管理中基于软计算的动态绩效评价模型和方法的选择与应用具有理论指导意义。

四、结 论

软计算作为知识获取和智能信息处理的重要手段，在供应链绩效评价领域有着良好的应用前景。越来越多的学者开始集成两种或两种以上的软计算方法的智能信息融合算法来克服单一方法的局限性。本文针对之前使用的模糊综合评估、粗糙集约简及BP神经网络等软计算方法在动态供应链绩效评价中的主要特点和效果进行了简要的比较和分析，指出了每种方法的优缺点。然而，由于每种智能信息处理方法存在着本质上的差异，对这些方法间的效果差异进行严格的比较存在理论上的困难。某种智能信息处理方法可能适用于某种供应链，而另一种智能信息处理方法则可能更适用于另一种供应链。因此，在实际使用时，要根据供应链具体情况灵活选择或融合多种智能信息处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］曹庆奎，阮俊虎.基于粗糙集－未确知测度的矿井通风系统合理性评价［J］.科学决策，2009.5：89－94.

［11］刘敬学，陈曦.基于神经网络的专家预测方法研究［J］.科学决策，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］郑培，黎建强.基于BP神经网络的供应链绩效评价方法［J］.运筹与管理，2010，19（2）：26－32.

［15］宋莎莎，戴锋，卫保璐.基于模糊层次分析法和聚类分析的突发事件分级研究［J］.科学决策，2010，10：68－72.

［16］郑培，黎建强.基于模糊评估和马尔可夫预测的供应链动态平衡记分卡研究 ［J］.系统工程理论与实践，2008，4（4）：57－64.

［17］郑培，黎建强.基于粗糙集理论的供应链动态绩效评估方法研究 ［J］.运筹与管理，2008，10（5）：6－11.

［18］王俊峰，刘立东.基于博弈论的闭环供应链中三方协调研究［J］.科学决策，2009，（3）：33－37.