基于神经网络和数据包络分析的供应商评估-论文.pdf

《基于神经网络和数据包络分析的供应商评估-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、决策参考基于神经网络和数据包络分析的供应商评估刘小莲(湖南商务职业技术学院，长沙410205)摘要：供应商在交货、质量及库存等方面严重制约着下游企业，其绩效对下游企业的影响越来越大。对供应商绩效进行有效评估是现代企业在信息化及全球化市场竞争中得以生存的重要保障。为了对供应商的绩效进行有效评估，提出了一种面向不完全信息的基于神经网络和数据包络分析的评估方法。本方法首先识别需要考虑的评估标准，然后根据历史数据及专家意见训练神经网络；供应商的最终评估将由数据包络分析完成，并获取神经网络的最终结果。仿真实例表明了本方法的可用

2、性、可行性和正确性。本方法可极大丰富、完善和充实不完全信息环境下供应商的评估方法与现实应用。关键词：供应商评估；神经网络；数据包络分析中图分类号：F224．33文献标识码：A文章编号：1002—6487(2013)l1—0056—04供应商评估的首要任务是识别潜在的决策标准。标0引言准选用不当不仅浪费宝贵的评估资源，如人力、时间及金钱等，还将误导最佳供应商选择的最终决定。在早期供应供应链的有效管理是提高生产率、服务绩效及公司竞商选择标准中，Diekson为了进行有效的供应商绩效评估争力的有效途径，会直接影响到最终产品

3、的规格f如成本、提出了23种不同标准，这些标准涵盖了迄今为止所有文产品、设计质量及生产能力等)。供应商评估已变得非常献中的大部分标准。现有供应商评估文献一般将质量、交重要，迫切需要有效的评估方法来测量其绩效。供应商的付、服务和成本等作为商业客户评估供应商的选择标准。评估问题具有极其重要的理论意义和实践价值。尽管数假设这四种标准(成本、质量、交付及服务)可产生一组绩效据包络分析方法在供应商选择及评估问题中得到了广泛评估，则在此基础上可划分大部分基础标准。成本绩效评应用，但该方法在很多实际应用中还存在很多缺陷。在数估可采

4、取两种方式进行度量：通过与其他的供应商进行同据包络分析方法的实际应用中，根据对实际输入及输出的类商品的比较；根据供应商提供的商品价格进行价格调观测，有效边界为最佳决策单元集的凸包边界。这里的隐整，主要包括单位产品价格的直接进货成本、运输和订货含假设是，这些观测是合理的同质决策单元，它们的绩效费用以及集成和协作成本。质量指的是所供应产品的优从共同拥有一个产品可行性这个意义上来讲是具有可比良程度达到或超过买方的期望值。这里不仅要考虑直接性的。只有当决策单元具有可比性时，数据包络分析方法的统计测量，还要兼顾与质量问题相关的

5、货币问题以及质才是有效的评估方法。为了克服数据包络分析方法在精量保证，如质量认证与标准等。另一个绩效评估则是交确假设及同质性方面的限制，本文提出了一种基于神经网付，它指的是供应商的后勤保障能力以及从产品订货之日络j数据包络分析相结合的供应商评估方法。起至到达时间供应商所执行的关键工序。这项评估十分重要，因为它将影响到成本、到达市场的速度以及最终用1基于神经网络及数据包络分析的评估方法户的价值认知，错误的、错过及延期交货等都会影响到运作效率。服务可定义为四种主要子绩效评估，即反应性、本文在评估度量不完全信息的情况下，提

6、出了一种基灵活性、可靠性及技术实力。反应性是指供应商表现出的于神经网络及数据包络分析的评估方法，以评估潜在供应协作程度，灵活性则是供应商适应变化的能力。可靠性是商中的最佳供应商。在本方法中，首先识别问题中需要考供应商不断改进产品质量、成本及交付等综合能力及在困虑的评估标准，然后根据历史数据及专家意见训练神经网难时期所表现出的忠诚度。最后，技术实力可定义为供应络，从而将属性集缩小到事先定义的主要绩效评估集。供商改善产品工艺水平的能力。应商的最终评估将由数据包络分析完成，并获取神经网络1．2神经网络对绩效测量值的预测的最

7、终结果。第二个步骤是针对各个绩效评估，通过使用前馈神经1．1评估属性的识别网络获得这四个绩效评估的测量值。由于多层感知器模基金项目：湖南省自然科学基金资助项目(10JJ6107)；湖南省哲学社会科学基金资助项目(09YBA072)；湖南省教育厅资助科研项目(10C0792)作者简介：刘小莲(1975一)，女，湖南邵阳人，硕士，讲师，研究方向：企业管理和营销。56统计与决策2013年第11期·总第383期决策参考型不仅具有简单的架构和算法，还被证实能成功解决近似域。输出层由给出相应指标值的各个绩效评估的输出神问题，因此

8、优先选择该模型。本文采用结构化神经网络来经元构成。这三个层次在网络中完全连接，任意层中的神预测绩效测量值，其结构图如图1所示。其中，经元都与邻近层中其他神经元相连。一旦确定了多层感zl1Iz12，⋯，z1是第一个子系统的输入；21，22，⋯，2表知器的架构，就可通过基于训练模式和期望输出值的训练示第二个子系统的输入；zl，Xm2，⋯，z表示第m