基于粗糙集和Markov鏈的供應鏈管理績效評價

張蕾

0 引言

隨著現(xiàn)代市場經(jīng)濟競爭的不斷加劇，以及國家對于要素獲得創(chuàng)新競爭的鼓勵，越來越多的企業(yè)將開展市場競爭的過程融入供應鏈體系中。與此同時，基于傳統(tǒng)物流以及信息流的供應鏈，也正逐步從其自身的管理體制中尋求創(chuàng)新與競爭力提升突破。2015年前三季度，全國社會物流總額162.8萬億元，同比增長5.8%，供應鏈協(xié)作管理適用面正在逐步擴展，越來越多的產業(yè)會引入與供應鏈的協(xié)作關聯(lián)服務，據(jù)前瞻產業(yè)研究院預測，2017年我國供應鏈協(xié)作管理服務額度將超過2萬億美元，而至2020年供應鏈協(xié)作管理服務額度將超過3萬億美元。

隨著供應鏈對于其他產業(yè)融入的進一步深化，以及多數(shù)企業(yè)對于供應鏈服務需求的擴展，使得對于供應鏈管理在自身內化指標的管理效率逐步向內外協(xié)作的深層演變，對于供應鏈自身而言，更應該梳理清楚各種存在動態(tài)作用效應的協(xié)作管理績效影響因素。為此，本文結合分層邏輯進行基于Markov改進的供應鏈協(xié)作機制探究，在數(shù)據(jù)樣本篩選基礎上進行樣本疊合的粗糙集信息約簡改進，進而從供應鏈管理過程的協(xié)作方面因素之間相互作用機制的探究中，獲得提升供應鏈協(xié)作績效的關鍵指標及其相互關系。

1 供應鏈協(xié)作管理績效評估原理

1.1 供應鏈協(xié)作管理的粗糙集設定

對于存在多變量相互作用及累積的問題，通常是以簡單分層進行對應的關聯(lián)測度，而事實上假如所選指標除了相互作用，還需要將不同作用層次的累積作用考慮在內。對于這類問題的解決，應該按照上下分層進行粗糙集的子屬性向量集歸類。假定供應鏈協(xié)作管理的績效按照協(xié)作績效和協(xié)作關聯(lián)進行被解釋變量以及參變量選取，設定一個總的向量集解釋目標是協(xié)作管理效應，那么其對應的子屬性集為L(A)，同時設定符合同一層次供應鏈協(xié)作管理的上下分層為一個樣本向量集的邏輯描述映射，那么這一映射與設定條件X=c(φ)（是否吻合不同層次的供應鏈協(xié)作管理水平），那么對應的供應鏈協(xié)作管理按照基本粗糙集進行向量集的分區(qū)：

式（1）代表處于不同邏輯層級的供應鏈協(xié)作管理對應的不同協(xié)作效應可以按照擬合結果，判斷不同層級對應指標的管理績效差異，即按照粗糙集進行邏輯子集的上下及訓練擬合。當擬合過程生成不同訓練集訓練結果的邏輯邊界臨近時，按照子信息樣本集進行關聯(lián)集映射關系的梳理：

這一關系包含了供應鏈協(xié)作在被解釋變量S，以及關聯(lián)子向量集、映射關系以及映射函數(shù)變動趨勢的共同影響，并且按照關聯(lián)子向量集、映射關系以及映射函數(shù)變動趨勢如下的條件約束進行分層設定：

當這一設定條件在同時被滿足，且擬合臨界可以區(qū)分的前提達成時，將對應臨界擬合子向量集上逐一剝離：

上述式（7）滿足存在不可分割的擬合值時，表明粗糙集對原始樣本訓練結果可以實施分層討論，否則按照設定條件X=c(φ)為前提繼續(xù)進行粗糙集樣本訓練擬合。

1.2 修正粗糙集的評價功能機理

本文將選取指標進行信息疊合過濾操作，將粗糙集訓練中的誤差相對值劃分區(qū)間加以Markov的離散序列的轉移概率折算，再通過一定量的折算后概率劃分區(qū)間進行粗糙集向量集訓練，進而獲得供應鏈協(xié)作管理不同階段的評估精度。

首先，將向量集對應的狀態(tài)按照區(qū)間劃分，在不同化分層中形成供應鏈選取指標的基本數(shù)據(jù)輸入，再以疊合部分信息作為粗糙集的預選隱含層信息擴展指標基本數(shù)據(jù)，將不同層次信號作為基本粗糙向量集訓練的擬合精度設定值，按照這個設定值予以中間環(huán)節(jié)的訓練；再通過BP框架的訓練輸出，形成符合供應鏈協(xié)作管理基本形態(tài)的信息疊合區(qū)間刪除；最后，訓練中的顯著信號進行測度指標與訓練序列初始化，形成符合基本節(jié)點驗算的供應鏈協(xié)作管

設定存在同樣管理效率的供應鏈決策在遞進一個單位的時序內信號，為粗糙訓練樣本源，而其對應的組合差可以按照向量集誤差予以規(guī)劃：理指標評測矩陣。

對于供應鏈協(xié)作管理過程中不同決策措施，以及供應鏈作業(yè)，本文將實踐形態(tài)按照指標選取的方式進行形態(tài)固話，以便于將其管理方式實現(xiàn)可估化數(shù)據(jù)。即通過最小誤差的待測樣本數(shù)據(jù)進行權重系數(shù)分析：

其中，sme為被解釋變量，供應鏈協(xié)作管理績效，式（9）按照疊合不同時序進行BP神經(jīng)訓練的信息約簡，且每一個時序對應一個樣本訓練集的設定約簡點：

式（10）用以在信息約簡過程中控制不同訓練集的樣本回歸，其中 f表示進入無疊合信息樣本的頻度，那么當且僅當 fi，t=smei，t時，訓練樣本過程基礎誤差集為信號約簡后的粗糙集向量樣本全集：

將符合設定信號剔除的元素向式（11）進行疊合處理的重新驗算，反復直至獲得最大向量集信號反饋排序方案的層級樣本量以及樣本訓練量，此時供應鏈在自身決策以及決策要素的管理績效評價中不再有反饋信號疊合部分，此時處于非疊合狀態(tài)的指標按照下式進行誤差相對序列的區(qū)域劃分：

經(jīng)劃分后的信號疊合刪除確保層級改進的向量集訓練能夠與改進后粗糙集對應的Markov實現(xiàn)多元函數(shù)極值匹配：

式（13）分別為改進粗糙集在BP框架下的自有初始條件、疊合后設定條件以及直接匹配約簡條件的極大值方程，在向量集變動上分別對應為BP神經(jīng)訓練自身存在的供應鏈決策向量集，以及接近一個類似決策向量的趨近向量，接近一個可直接約簡粗糙集內的反饋向量集的趨近向量。

2 改進粗糙集和Markov鏈的供應鏈管理績效評價

2.1 數(shù)據(jù)選取

根據(jù)上述分析，本文結合供應鏈協(xié)作管理過程實際，結合xx省區(qū)域78家供應鏈上下游企業(yè)。選取運營能力、協(xié)作能力、作業(yè)能力三個方面作為測度供應鏈協(xié)作管理績效的指標，其中運營能力包含供應鏈資金周轉率、產值增長；協(xié)作能力包含供應鏈團隊的信息共享、經(jīng)營的跨部門協(xié)作發(fā)生量；作業(yè)能力包括企業(yè)重復訂單頻次、客戶保有量。

所選指標中的運營能力一級指標由資金周轉率和產值增長構成，均以當年對上一年的相對比構成，結合上述分析，將供應鏈協(xié)作管理績效a1按照資金周轉率a11，分層級檔位設置為0.8、0.5、0.3，為統(tǒng)一起見，其余指標均設定三類檔位予以供應鏈協(xié)作管理績效分級，其中，將產值增長率a12對應控制在2%以下、2%～3%、3%以上；一級指標協(xié)作能力a2主要包含團隊信息共享a21以及跨部門協(xié)作發(fā)生量a22，均按照供應鏈協(xié)作管理過程中的每年次折算，結合樣本實際，將信息共享與跨部門協(xié)作發(fā)生量年次均分為0～4次、5～10次、10次以上三檔；一級指標作業(yè)能力a3則包含了重復訂單頻次a31（按年次計算），以及客戶保有量a32（按戶數(shù)計算）分別設定三檔為0～2次、3～5次、5次以上，0～1戶、2～4戶、5戶及5戶以上。其中，資金周轉率數(shù)據(jù)源自調研樣本所供的企業(yè)資產、經(jīng)營賬戶，其余信息由樣本數(shù)據(jù)部門所供的年度工作計劃、項目實施數(shù)據(jù)、公司訂單信息管理平臺以及客戶資料檔案整理而成。

2.2 樣本分布分析

結合供應鏈協(xié)作管理現(xiàn)狀與指標按照由低到高順序，A、B、C級別分層，圖1報告了所選樣本六個二級指標供應鏈協(xié)作管理績效指標數(shù)據(jù)分布區(qū)。

圖1 基于改進粗糙集的供應鏈協(xié)作管理績效二級指標樣本分布

從圖1可以看出，所選二級指標基本呈現(xiàn)出中間層次高樣本，兩端層級低樣本的分布態(tài)勢，也就是說總體上供應鏈協(xié)作管理績效處于運營能力、協(xié)作和作業(yè)能力中級的樣本數(shù)量相對較多，而處于較好或較差運營能力、協(xié)作能力以及作業(yè)能力的供應鏈協(xié)作管理決策則相對分布稀缺。其中，重復訂單頻次這一單項二級指標的最好分布數(shù)偏少，僅為11個，而較差的為33個，是最多的分布，表明供應鏈決策的管理在訂單，也就是重復業(yè)務的競爭能力上表現(xiàn)不足。

接著，本文結合式（13）進行去改進Markov粗糙集訓練的績效決策效果評價，其結果如表1所示。

表1 基于改進Markov粗糙集訓練的供應鏈協(xié)作管理績效決策效果

從表1報告的結果可以看出，各二級指標的選取對于一級指標的供應鏈協(xié)作管理績效解釋有所不同。存在優(yōu)、較好、一般、差不同級別，而所選樣本中只有兩個二級指標（資金周轉率和產值增長）對于一級指標的修正粗糙集向量指標訓練結果解釋是優(yōu)的決策效果結果，這反映了目前階段我國廣大供應鏈企業(yè)獲取管理績效的關鍵途徑還在于自身生產和在生產規(guī)模方面的累積獲得，但在這一過程中，對于企業(yè)自身的一些部門內部協(xié)作管理以及運作管理，分別表現(xiàn)出了一般、較好以及較差、一般的管理績效決策結果，這反映出了供應鏈協(xié)作管理在企業(yè)運營過程中尚未能與企業(yè)自身管理直接、有效地結合起來，而與此相關的二級指標——團隊信息共享以及跨部門協(xié)作發(fā)生量，都是從供應鏈企業(yè)自身的管理角度出發(fā)的測度指標，因此對照驗證結果可知，對于廣大供應鏈企業(yè)而言，在做好供應鏈績效提升的同時，應該更進一步從團隊合作以及信息共享機制方面抓住突破口，實現(xiàn)信息與管理內容互通層面上的管理績效改進。

2.3 改進粗糙集-Markov對供應鏈協(xié)作管理績效的訓練調整

經(jīng)過Markov修正的粗糙集訓練約簡向量集數(shù)據(jù)，經(jīng)歷共80次訓練，其中在第45次逐漸步入平穩(wěn)階段，并實質上反饋出所選樣本訓練的終止，按照這一結果進行Markov鏈的績效歸一化輸入訓練（見下頁圖2），再次進入上述式（6）的樣本數(shù)據(jù)設定為訓練優(yōu)反饋信號，在約簡后的Markov向量集中有兩組共四個二級指標報告了按風層次粗糙集內向量的反饋強信號，分別是團隊信息共享（次/年）、跨部門協(xié)作發(fā)生量（次/年）、重復訂單頻次（次/年）、客戶保有量（戶），按照Markov鏈整理的輸出信號分別為（0.0021 0.9912-0.0011 0.0067）和（0.0039 0.0812-0.0020 0.0039），除了跨部門協(xié)作在對應于運營、協(xié)作的交叉作用時有所偏離，其余二級指標對一級指標的供應鏈協(xié)作管理績效反饋都對應統(tǒng)一數(shù)量級。同時，再按照改進粗糙集訓練所獲向量集信息反饋中的輸出向量獲得基于式（11）的Markov向量粗糙集輸出誤差。

由圖2可知，形成顯著Markov與粗糙集訓練共同干預約簡后信號的主要是團隊信息共享、跨部門協(xié)作發(fā)生量、重復訂單頻次以及客戶保有量二級指標，且信息共享與重復訂單次數(shù)是經(jīng)過改進馬爾科夫鏈過程刻畫的粗糙集訓練后的高二級分層反饋指標，其次是跨部門協(xié)作。由此可知，影響供應鏈協(xié)作管理績效的重要因素協(xié)作能力、作用能力在企業(yè)日常的管理過程和信息技術處理與客戶關系管理中有待加強。

圖2 基于改進Markov過程的供應鏈協(xié)作管理關聯(lián)因素粗糙集輸出誤差測定訓練

最后，本文結合團隊信息共享、跨部門協(xié)作發(fā)生量、重復訂單頻次以及客戶保有量的高敏二級指標，進行時序角度的基于改進Markov的層級訓練樣本對供應鏈協(xié)作管理決策有效性排序。

表2 基于改進Markov神經(jīng)訓練的供應鏈管理績效決策效果

從表2的結果可知，資金周轉率a11在近十年的供應鏈協(xié)作管理過程中表現(xiàn)出相對平穩(wěn)的分選指標波動平緩特征，基本圍繞A級、B級振蕩，與此類似的還有產值增長率a12，這就說明供應鏈協(xié)作管理選取指標中相互作用的逐年累積效應存在穩(wěn)定性，資金周轉與產值增長是供應鏈企業(yè)協(xié)作的主渠道，而第二類一級指標——協(xié)作能力在逐年的供應鏈協(xié)作推動中獲得的改進有限，特別是其中的二級指標團隊信息共享a21，尚未在既有累積效應上發(fā)揮對于供應鏈協(xié)作管理的推動作用，這也與現(xiàn)階段我國整個供應鏈體系缺乏管理全稱的信息共享等實施形成呼應；而第三類一級指標——作業(yè)能力a3，總體上的時序累積效應偏低，說明供應鏈協(xié)作管理績效的推進因素相對偏少，也進一步削減了各類體系內部的協(xié)作、團隊共享未能更有效直接地形成供應鏈協(xié)作管理能力?？梢姡M管部分要素存在與整體供應鏈協(xié)作管理的相互關聯(lián)結構特征，但在整個時序內的累積過程仍未達到與供應鏈協(xié)作管理協(xié)調的地步，這也是供應鏈協(xié)作管理改進的關鍵。

3 總結

本文結合供應鏈協(xié)作管理在我國發(fā)展的現(xiàn)實狀況，利用基于Markov分層的粗糙集訓練方法進行管理績效評價過程中的決策疊合信息約簡，并通過疊合不同時序進行指標訓練信息約簡與粗糙集訓練改進。根據(jù)驗證結果分析，制約供應鏈協(xié)作管理績效的關鍵因素主要是團隊信息以及跨部門協(xié)作，而供應鏈協(xié)作管理背景下的訂單以及客戶管理也逐步成為影響供應鏈協(xié)作管理的關鍵，在驗證過程中形成較顯著反饋特征的因素對于今后一段時間內調整整個供應鏈產業(yè)及其服務的協(xié)作管理績效具有借鑒意義。

[1]Mentzer J T,Dewitt W,Keebler J S,et al.Defining Supply Chain Management[J].Journal of Business Logistics,2001,22(22).

[2]Bai C,Dhavale D,Sarkis J.Complex Investment Decisions Using Rough Set and Fuzzy C-means:An Example of Investment in Green Supply Chains[J].European Journal of Operational Research,2015,248(2).

[3]Tiwari S,Roy S S,Viswanatham V M.Using Rough Sets for Optimal Cost Evaluation in Supply Chain Management[J].International Conference on Computing，2012.

[4]Zou Z,Tseng T L,Sohn H,et al.A Rough Set Based Approach to Distributor Selection in Supply Chain Management[J].Expert Systems With Applications,2011,38(1).

[5]謝莉娟.互聯(lián)網(wǎng)時代的流通組織重構——供應鏈逆向整合視角[J].中國工業(yè)經(jīng)濟,2015,(4).

[6]鄭培,黎建強.基于BP神經(jīng)網(wǎng)絡的供應鏈績效評價方法[J].運籌與管理,2010,19(2).

[7]史成東,陳菊紅，郭福利.粗糙集和BP神經(jīng)網(wǎng)絡在供應鏈績效評價中的應用研究[J].軟科學,2008,22(3).

[8]陳紅梅.基于粗糙集的TOPSIS供應鏈合作伙伴選擇[J].統(tǒng)計與決策,2011,(22).

[9]葉春明,馬慧民,李丹等.BP神經(jīng)網(wǎng)絡在供應鏈管理績效指標評價中的應用研究[J].工業(yè)工程與管理,2005,10(5).

[10]張新香.企業(yè)知識管理能力的模糊綜合評價[J].科學學與科學技術管理,2008,29(2).

[11]鄭培,黎建強.基于BP神經(jīng)網(wǎng)絡的供應鏈績效評價方法[J].運籌與管理,2010,19(2).