基于供應鏈風險管理的供應商選擇決策支持系統(tǒng)研究

蔣姮博 張劍 歐陽婉卿 羅禹杰 盧曉宇

[摘 要]近年來，供應鏈中斷對許多企業(yè)造成了巨大損失，許多案例表明，由于供應鏈的復雜性，供應鏈風險變得更加復雜，使企業(yè)無法完全防范。因此，研究企業(yè)如何對供應鏈風險更快速地做出反應，幫助企業(yè)盡快制訂應對方案并采取有效措施變得尤為重要。本文介紹了基于CBR（Case-based reasoning）的基本原理，以供應鏈風險管理中的供應商選擇為例，使用案例分析了基于CBR技術的決策支持系統(tǒng)的工作原理、框架結構及功能，驗證了基于CBR技術在供應商選擇決策支持系統(tǒng)中應用的可行性，為供應商選擇決策提供了一個系統(tǒng)模型。

[關鍵詞]供應商選擇;選擇支持系統(tǒng);CBR;供應鏈風險管理

doi：10.3969/j.issn.1673 - 0194.2020.06.036

[中圖分類號]TP399;F273.7[文獻標識碼]A[文章編號]1673-0194（2020）06-00-03

0? ? ?引 言

供應鏈風險管理是供應鏈管理的一個重要方面，運用適當?shù)姆椒▽滐L險進行管理具有重要意義。根據供應鏈風險的來源，供應鏈風險可以分為內部風險和外部風險。內部供應鏈風險中的業(yè)務風險是由生產流程中的關鍵人員、管理層、供應商選擇變化引起的。其中，供應商選擇被認為是供應鏈管理中的一個重要問題，目標是減少風險，使供應鏈整體價值最大化。供應商選擇不當可能造成企業(yè)采購配件無法及時到貨、產品質量不合格等，從而影響企業(yè)生產。本文結合供應鏈管理條件下的供應商選擇問題，提出了一種基于CBR的供應商選擇決策支持系統(tǒng)，通過比較供應商案例之間的不同并重用以往案例中積累的經驗，對供應商選擇提供更好的決策支持。

1? ? ?基于案例推理（CBR）的方法

1982年，Schank提出了基于案例的推理理論?；诎咐评恚–ase-Based Reasoning，CBR）是人工智能領域的一種類比推理技術。不同于其他的推理方法，CBR是使用過去的經驗來解決一個新的問題。Admodt等將CBR過程視為一個循環(huán)過程，包括檢索、重用、修正、保留。案例檢索指通過給出目標問題，從過去的案例數(shù)據庫中檢索與當前問題相關的最相似案例。案例重用指通過重用解決方案來解決當前的問題，從而在以前案例的基礎上開發(fā)出一個目標問題的解決方案。案例修正指在檢索和重用解決方案后對其進行評估和測試。在成功應用該解決方案后，該CBR過程的經驗將作為一個新的案例保留在案例庫中。

自CBR理論提出后，CBR系統(tǒng)被用來解決廣泛的經驗密集型問題。例如，Jung等人討論了CBR系統(tǒng)在電子商務風險分析中應用的建議，Yan等人討論基于案例推理的決策支持系統(tǒng)在第三方物流評估中的應用，提出了一個原型CBR決策支持模型，該模型支持制造業(yè)總體會計系統(tǒng)控制風險水平評估決策。Zhao等使用人工神經網絡（ANNs）和案例推理（CBR）來解決中國石油企業(yè)在不確定性條件下的供應商選擇問題?；诎咐评淼年P鍵是案例檢索，案例檢索的目的是尋找最相似的案例，是在案例庫中將目標案例與過去案例匹配的過程，檢索的準確性決定了推理效率。案例檢索可分為以下步驟：①根據系統(tǒng)界面提示輸入案例信息;②明確檢索范圍;③根據特征的相似性和相對重要性匹配案例;④從一組相似的案例中選擇一個最佳匹配。案例檢索通常使用距離度量，常用的方法是最近鄰法（NN），從案例庫中檢索到與新案例距離最小的過去案例。案例的每個屬性都有一定的權重，在案例檢索過程中，通過計算新案例和舊案例的每個屬性的權重匹配度，選擇相似度最高的案例。因此，此方法適用于基于屬性的案例表示。

2? ? ?基于CBR的供應商選擇決策支持系統(tǒng)

2.1? ?系統(tǒng)體系結構

基于案例推理的供應商選擇決策支持系統(tǒng)（CBR-DSS）體系結構如圖1所示。

本文借助該系統(tǒng)體系結構，對CBR-DSS的主要開發(fā)進行了建模。案例庫中存儲了以前供應商選擇的案例。系統(tǒng)用戶（如采購經理或公司決策者）首先通過案例檢索界面輸入待解決問題的相關需求，檢索出在供應商案例庫中與當前案例相似的案例（集）。選擇相似度較高的歷史案例，對其進行重用，得到對當前案例的選擇結果。如需對結果進行調整，則進入案例修正階段，進而得到最終的供應商選擇結果。最后對是否保留調整后的供應商選擇結果到供應商選擇案例庫中進行選擇，用以將來的供應商選擇。

2.2? ?案例表示

在基于案例的推理系統(tǒng)中，案例通常以結構化的方式表達經驗知識。一個典型的案例應該由3部分組成：問題、解決方案和結果。定義案例的屬性，定義案例的結構化內容以及如何在案例庫中組織案例，由CBR中的案例表示組成。在供應商選擇的實際問題中，案例表示中的問題部分由質量、價格、交貨期等關鍵因素組成。解決方案為對供應商的選擇評價，如供應商評級。案例結果則為解決方案實施后的評價和說明，例如方案實施后是否有效緩解、轉移或避免了風險。

2.3? ?案例檢索

目前，應用較為廣泛的案例檢索算法有歸納索引法、最近相鄰法、知識引導法和神經網絡法。其中，最近相鄰法是一種較為常用的基于距離的相似度度量方法，將問題案例的特征權值和案例庫中候選案例的特征指標的權值進行相似度計算，得出兩個案例之間的相似度。最近相鄰法具有實現(xiàn)簡單、無須索引且可以找到最相似案例的優(yōu)點，但屬性權值難以確定。屬性特征權值反映了屬性特征相對于其他屬性特征在案例中的重要程度，因此準確地賦予屬性特征權值具有重要意義。通常情況下，確定屬性權值的方法有：主觀賦權法，包括專家調查法（Delphi法）、層次分析法（AHP法）;客觀賦權法，包括模糊集法、離差法、熵權法等。本文采用客觀賦權法，設置權值的步驟如下：①將供應商數(shù)據進行歸一化處理，把值映射到一個[0，1]的無量綱區(qū)間;②利用熵權法與主成分分析法（PCA法）分別求出權重矩陣;③將兩組權重組合形成數(shù)學模型，利用模擬退火法來構建目標函數(shù)解出最優(yōu)解，最終得到屬性權值。使用某加工廠的某一零件供應商數(shù)據庫作為數(shù)據來源，對本文采用的賦權法進行驗證，經過數(shù)據預處理，從案例庫中選取若干條供應商的案例作為實驗數(shù)據，得到的數(shù)據如表1所示。將表1的條件屬性數(shù)據利用歸一化函數(shù)進行處理，所有的數(shù)據變換到[0，1]，結果如表2所示。

在信息論中，熵是一種度量不確定度的指標。信息熵是對系統(tǒng)紊亂程度的測試，表示每個指標所能提供的平均信息量的大小。信息量越大，不確定性越大，所承載的信息量越大。熵權法是使用信息熵的指標，通過描述特征對象進行權重量化。利用熵權法計算每個屬性的權重為[0.167 394 752 416 513 05，0.166 804 431 057 425 76，0.166 620 046 434 403 84，0.166 437 406 308 154 6，0.165 771 135 623 835 1，0.166 972 228 159 667 64]，由此可以看出各數(shù)據熵權基本相同，這說明數(shù)據的雜亂程度基本相同。利用PCA法計算出每個屬性的權重[0.347 103 536 128 997 8，0.204 684 793 949 127 2，0.185 641 586 780 548 1，0.091 867 431 998 252 87，0.124 487 958 848 476 41，0.046 214 628 964 662 55]。

使用模擬退火法確定組合權重，本實驗采用的編碼為浮點型編碼，初始溫度為1 000度，最小溫度值為0.5度，內循環(huán)次數(shù)為50次。最終，得到的組合權重值為：[0.190 952 657 682 078 97，0.036 413 823 622 106 88，0.224 609 486 834 573 1，0.175 933 128 605 014 75，0.262 225 179 867 497 05，0.109 865 723 388 729 17]。為了測試檢索算法的準確性和優(yōu)越性，計算表1中的前12個案例的相似度。圖2a曲線代表使用組合權重計算出的相似度，圖2b曲線代表使用PCA法權重計算出的相似度。由圖2c可以看出，對于兩兩相似度較接近的案例，經過調整的組合權重計算出的相似度要大于PCA法權重計算出的相似度，而對于相似度小的案例，則相反。因此，經過調整的組合權重更能找到接近的案例，使檢索出的案例更符合要求。

2.4? ?案例重用與修正

在檢索舊案例后，系統(tǒng)對潛在案例的準確相似度值進行排序，然后用戶根據相似度值選擇準確的案例。如果案例與新案例非常相似，則會選擇一個案例，否則系統(tǒng)將進入自適應過程。因此，需要對檢索規(guī)則進行修改，例如擴大可接受價格的范圍或延長提前期的時間尺度。在適應階段，專家（企業(yè)中的采購經理、風險分析師和企業(yè)決策者）共享文檔、發(fā)表意見并對修改規(guī)則進行討論。他們通過電子郵件或會議提供相關知識。經過一系列的活動，將產生一個合適的修改規(guī)則。當重用階段生成的案例解決方案不正確時，系統(tǒng)將進入修訂階段。首先，對重用生成的案例解決方案進行評估。如果解決方案成功，則系統(tǒng)將案例放入案例庫（案例學習），否則使用領域特定的知識或用戶輸入修復案例解決方案。

3? ? ?結 語

針對供應鏈風險管理中的供應商選擇問題，本文將案例推理技術（CBR）與決策支持系統(tǒng)相結合運用至供應商選擇問題中，對案例檢索算法進行了改進，提高了案例檢索效率，并通過實例分析，證明了該方法的有效性。系統(tǒng)充分利用了以往供應商選擇中保存的大量案例與經驗，為企業(yè)選擇合適的供應商提供了更有效的決策支撐。

主要參考文獻

[1]張存祿，黃培清.數(shù)據挖掘在供應鏈風險控制中的應用研究[J].科學學與科學技術管理，2004（1）：12-14.

[2]楊瑾，尤建新，蔡依平.基于案例推理的供應商選擇決策支持系統(tǒng)研究[J].計算機工程與應用，2006（6）：19-23.

[3]Aamodt A，Plaza E.Case-Based Reasoning：Foundational Issues，Methodological Variations，and System Approaches[J].AI Communications，2001（1）：39-59.

[4]Jung C，Han I，Suh B.Risk Analysis for Electronic Commerce Using Case-based Reasoning[J].Intelligent Systems in Accounting，F(xiàn)inance & Management，19998（1）：61-73.

[5]Sung-Sik，Hwang，Taeksoo，et al.CRAS-CBR：Internal Control Risk Assessment System Using Case-based Reasoning[J].Expert Systems，2004（1）：22-33.

[6]Zhao K，Yu X.A Case Based Reasoning Approach on Supplier Selection in Petroleum Enterprises[J].Expert Systems with Applications，2011（6）：6839-6847.

[7]Poole D，Mackworth A K.Artificial Intelligence-Foundations of Computational Agents[M].Cambridge，UK：University of Cambridge，2010.

[8]王津津.案例推理在決策支持系統(tǒng)中的應用研究[D].合肥：合肥工業(yè)大學，2010.