在新的供应链环境中，各企业建立的战略合作关系不但能有效消除供应链上的各种浪费，减少需求与供给的不确定性，有效压缩订货—交货时间，消除供需链的“牛鞭效应”，更重要的是能够提升产品与企业的竞争力，增强对顾客与市场需求的快速反应能力，更好更快地满足客户需求。

对新供应链上供应商战略合作评价模型的研究是近几年才开始的。主要包括：Weber提出的多目标规划方法；Narasimhan运用了数据包络分析方法；Hill采用了层次分析法等等，但这些方法难以摆脱评价过程中的随机性和模糊性，在实际中也难以操作。

BP神经网络是模拟人脑信息处理功能的一种人工神经网络，广泛应用于预测、识别、优化计算、系统控制等领域。从理论上讲，神经网络能以任意精度逼近任意复杂的非线性函数，输入数据和输出数据之间为“黑箱”，可以通过学习完成输入数据和输出数据之间的非线性映射。可见，BP神经网络可以很好地解决供应商评价过程中供应链复杂性、交叉性以及动态性的特点以及指标权重随意性和人为性的特点。

本文基于BP神经网络建立了供应商战略合作评价模型，根据BP神经网络的原理，运用Fortran编制了神经网络的学习与验证程序，并在L企业进行实施。

一、建立供应商战略合作的评价指标体系

对供应商战略合作研究最早、影响最深的是Dickson，他总结出了23项供应商评价准则，此后，Hatherall、Handfield et al.、Yanya和Kingsman、堪述勇、陈荣秋等众多作者研究了供应商的评价标准。从现有的研究成果中可以看出，供应商的选择标准已朝多重目标的特性发展，其选择标准更加复杂。

（一）指标体系的建立

如表1所示，本文建立的供应商评价指标体系综合反映了供应商的业务绩效、综合能力、合作水平。不同的行业和企业对战略合作伙伴的要求和选择是不同的，企业可以根据自身的情况，对指标体系进行修改、增加和删减，确立战略合作伙伴的选择标准。

（二）指标的无量纲处理

由于指标体系中各指标之间的数量纲、数量级不同，且既有定量指标又有定性指标，必须将指标进行无量纲处理，计算公式如下：

正向指标的处理：

Yi=（Xi-Xmin）/（Xmax-Xmin）（1）

反向指标的处理：

Yi=（Xmax-Xi）/（Xmax-Xmin） （2）

公式中：Xi表示原始指标值，Xmax表示原始指标最大值，Xmin表示原始指标最小值，Yi表示处理后指标值，都位于［0，1］区间。

二、评价模型的理论研究

（一）确定备选供应商并获取供应商评价信息

企业进行供应商战略合作评价的目标必须与企业的长期目标、规划及战略相适应，要为提高企业的核心能力和市场竞争力服务。

1.确定备选供应商。企业首先需要分清关键物资和非关键物资，从而分清战略性供应商和非战略性供应商。这就要求企业根据发展战略、长期销售预测及产品的物料清单等文件，确定购进的关键物资，再确定各备选的供应商的名单。


2.获取所有供应商的评价指标值。根据表1建立的指标评价体系，需搜集供应商企业业绩绩效、综合能力和合作水平等方面的数据信息。企业的业绩绩效指标值是需要从本企业相关的采购部门、质量部门及生产部门的历史统计数据中获取的；综合能力方面的指标值是根据供应商的财务报表、提交的数据及原始证明材料以及其他方式获取的；合作水平方面的指标是需要专家根据供应商企业文化、战略目标以及供应网络信息化的程度来打分。

3.成立专家评价小组，对供应商进行综合评价打分。专家评价小组的职能是实施供应商综合评价，组员以来自采购、质量、生产、工程、财务等与供应链合作关系密切的部门的人员为主，应具有合作精神，并具有一定的专业技能。

（二）构建BP神经网络拓扑结构

完成前期的数据收集等工作之后，企业就可以运用BP神经网络进行战略供应商的选择。依据BP神经网络的步骤及特点，本节确定的结构为三层的BP神经网络。

输入层输入的是评价供应商样本的16个指标值，这些指标值是根据指标评价体系，通过统计、收集，最后再进行无量纲处理获得的；输出层神经元的个数为1，表示专家对相应的供应商的综合评分值，供应商每一组16个评价指标值对应供应商的一个综合打分值，这里的绝对值只是表示了相对评分的高低；隐含层神经元的最佳个数需要经过数值试验获得。

（三）选取样本进行训练与检验

企业从备选的供应商中选择合适比例的部分供应商样本进行训练，每个供应商的一组16个评价指标值对应一个综合评分值，分别作为模型的输入和输出层，以对网络模型进行训练。
然后将部分企业的数据按同样的方法输入网络，以检验网络的训练效果。当网络的训练效果比较好，即误差值比较小（网络输出值与专家打分值之间的误差）时，建立的网络模型就可以用于供应商战略合作伙伴的选择。

（四）运用模型选择供应商战略合作伙伴

通过对BP神经网络的训练和检验，使建立的网络结构具备了对类似问题的解决判断能力，可直接用于待选供应商的评价，以供企业进行选择。将待选供应商的指标，分别输入BP神经网络中，即可得到网络评分值，根据评分值的大小，对供应商进行排序，从中选择企业最为合适的供应商。

三、评价模型的实例研究

本文运用Fortran编制了神经网络的学习与验证程序，并在L企业得到了实施。L企业选取了数据相对完善、交往时间较长的20家企业，整理出它们相应的指标体系，并得到了专家对这20个供应商的评价打分结果，作为神经网络输出层的期望输出，具体数据如表2所示。网络采用了前15组数据进行网络训练，用最后5组数据进行检验。


对照表2后五组检验数据，网络计算值与专家打分值的平均误差为5.57%，表明学习后的神经网络可以很好地获取并存储专家的经验和判断，因此，该模型可以很好地用于对其他供应商进行综合评价，以获取供应链上的战略合作伙伴。

四、结论

通过对给定样本模式的学习，获取专家的知识、经验、判断及对目标重要性的倾向，可再现评价专家的经验、知识和直觉思维，从而保证了定性研究与定量研究的有效结合，可以较好地保证供应商战略合作评价的客观性。同时，该评价模型也能广泛地适用于其他企业，可以有效地支持对供应商的动态评价决策。

【参考文献】

［1］ 陈江，曹兆勇.牛鞭效应现象及其对策［J］.现代管理科学，2004（2）.

［2］ 贺红燕，朱军勇，许丽红，等．供应商选择方法综述［J］.河北工业科技，2005（22）.

［3］ 朱大奇，史慧.人工神经网络原理及其应用［M］.科学出版社，2006.

［4］ 蒋宗礼.人工神经网络导论［M］.北京：高等教育出版社，2001.