基于供应链风险管理的供应商选择决策支持系统研究

来源:用户上传      作者:

　　[摘 要]近年来，供应链中断对许多企业造成了巨大损失，许多案例表明，由于供应链的复杂性，供应链风险变得更加复杂，使企业无法完全防范。因此，研究企业如何对供應链风险更快速地做出反应，帮助企业尽快制订应对方案并采取有效措施变得尤为重要。本文介绍了基于CBR（Case-based reasoning）的基本原理，以供应链风险管理中的供应商选择为例，使用案例分析了基于CBR技术的决策支持系统的工作原理、框架结构及功能，验证了基于CBR技术在供应商选择决策支持系统中应用的可行性，为供应商选择决策提供了一个系统模型。
　　[关键词]供应商选择;选择支持系统;CBR;供应链风险管理
　　doi：10.3969/j.issn.1673 - 0194.2020.06.036
　　[中图分类号]TP399;F273.7 [文献标识码]A [文章编号]1673-0194（2020）06-00-03
　　0     引 言
　　供应链风险管理是供应链管理的一个重要方面，运用适当的方法对供应链风险进行管理具有重要意义。根据供应链风险的来源，供应链风险可以分为内部风险和外部风险。内部供应链风险中的业务风险是由生产流程中的关键人员、管理层、供应商选择变化引起的。其中，供应商选择被认为是供应链管理中的一个重要问题，目标是减少风险，使供应链整体价值最大化。供应商选择不当可能造成企业采购配件无法及时到货、产品质量不合格等，从而影响企业生产。本文结合供应链管理条件下的供应商选择问题，提出了一种基于CBR的供应商选择决策支持系统，通过比较供应商案例之间的不同并重用以往案例中积累的经验，对供应商选择提供更好的决策支持。
　　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论。基于案例推理（Case-Based Reasoning，CBR）是人工智能领域的一种类比推理技术。不同于其他的推理方法，CBR是使用过去的经验来解决一个新的问题。Admodt等将CBR过程视为一个循环过程，包括检索、重用、修正、保留。案例检索指通过给出目标问题，从过去的案例数据库中检索与当前问题相关的最相似案例。案例重用指通过重用解决方案来解决当前的问题，从而在以前案例的基础上开发出一个目标问题的解决方案。案例修正指在检索和重用解决方案后对其进行评估和测试。在成功应用该解决方案后，该CBR过程的经验将作为一个新的案例保留在案例库中。
　　自CBR理论提出后，CBR系统被用来解决广泛的经验密集型问题。例如，Jung等人讨论了CBR系统在电子商务风险分析中应用的建议，Yan等人讨论基于案例推理的决策支持系统在第三方物流评估中的应用，提出了一个原型CBR决策支持模型，该模型支持制造业总体会计系统控制风险水平评估决策。Zhao等使用人工神经网络（ANNs）和案例推理（CBR）来解决中国石油企业在不确定性条件下的供应商选择问题。基于案例推理的关键是案例检索，案例检索的目的是寻找最相似的案例，是在案例库中将目标案例与过去案例匹配的过程，检索的准确性决定了推理效率。案例检索可分为以下步骤：①根据系统界面提示输入案例信息;②明确检索范围;③根据特征的相似性和相对重要性匹配案例;④从一组相似的案例中选择一个最佳匹配。案例检索通常使用距离度量，常用的方法是最近邻法（NN），从案例库中检索到与新案例距离最小的过去案例。案例的每个属性都有一定的权重，在案例检索过程中，通过计算新案例和旧案例的每个属性的权重匹配度，选择相似度最高的案例。因此，此方法适用于基于属性的案例表示。
　　2     基于CBR的供应商选择决策支持系统
　　2.1   系统体系结构
　　基于案例推理的供应商选择决策支持系统（CBR-DSS）体系结构如图1所示。
　　本文借助该系统体系结构，对CBR-DSS的主要开发进行了建模。案例库中存储了以前供应商选择的案例。系统用户（如采购经理或公司决策者）首先通过案例检索界面输入待解决问题的相关需求，检索出在供应商案例库中与当前案例相似的案例（集）。选择相似度较高的历史案例，对其进行重用，得到对当前案例的选择结果。如需对结果进行调整，则进入案例修正阶段，进而得到最终的供应商选择结果。最后对是否保留调整后的供应商选择结果到供应商选择案例库中进行选择，用以将来的供应商选择。
　　2.2   案例表示
　　在基于案例的推理系统中，案例通常以结构化的方式表达经验知识。一个典型的案例应该由3部分组成：问题、解决方案和结果。定义案例的属性，定义案例的结构化内容以及如何在案例库中组织案例，由CBR中的案例表示组成。在供应商选择的实际问题中，案例表示中的问题部分由质量、价格、交货期等关键因素组成。解决方案为对供应商的选择评价，如供应商评级。案例结果则为解决方案实施后的评价和说明，例如方案实施后是否有效缓解、转移或避免了风险。
　　2.3   案例检索
　　目前，应用较为广泛的案例检索算法有归纳索引法、最近相邻法、知识引导法和神经网络法。其中，最近相邻法是一种较为常用的基于距离的相似度度量方法，将问题案例的特征权值和案例库中候选案例的特征指标的权值进行相似度计算，得出两个案例之间的相似度。最近相邻法具有实现简单、无须索引且可以找到最相似案例的优点，但属性权值难以确定。属性特征权值反映了属性特征相对于其他属性特征在案例中的重要程度，因此准确地赋予属性特征权值具有重要意义。通常情况下，确定属性权值的方法有：主观赋权法，包括专家调查法（Delphi法）、层次分析法（AHP法）;客观赋权法，包括模糊集法、离差法、熵权法等。本文采用客观赋权法，设置权值的步骤如下：①将供应商数据进行归一化处理，把值映射到一个[0，1]的无量纲区间;②利用熵权法与主成分分析法（PCA法）分别求出权重矩阵;③将两组权重组合形成数学模型，利用模拟退火法来构建目标函数解出最优解，最终得到属性权值。使用某加工厂的某一零件供应商数据库作为数据来源，对本文采用的赋权法进行验证，经过数据预处理，从案例库中选取若干条供应商的案例作为实验数据，得到的数据如表1所示。将表1的条件属性数据利用归一化函数进行处理，所有的数据变换到[0，1]，结果如表2所示。 　　在信息论中，熵是一种度量不确定度的指标。信息熵是对系统紊乱程度的测试，表示每个指标所能提供的平均信息量的大小。信息量越大，不确定性越大，所承载的信息量越大。熵权法是使用信息熵的指标，通过描述特征对象进行权重量化。利用熵权法计算每个属性的权重为[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]，由此可以看出各数据熵权基本相同，这说明数据的杂乱程度基本相同。利用PCA法计算出每个属性的权重[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]。
　　使用模擬退火法确定组合权重，本实验采用的编码为浮点型编码，初始温度为1 000度，最小温度值为0.5度，内循环次数为50次。最终，得到的组合权重值为：[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]。为了测试检索算法的准确性和优越性，计算表1中的前12个案例的相似度。图2a曲线代表使用组合权重计算出的相似度，图2b曲线代表使用PCA法权重计算出的相似度。由图2c可以看出，对于两两相似度较接近的案例，经过调整的组合权重计算出的相似度要大于PCA法权重计算出的相似度，而对于相似度小的案例，则相反。因此，经过调整的组合权重更能找到接近的案例，使检索出的案例更符合要求。
　　2.4   案例重用与修正
　　在检索旧案例后，系统对潜在案例的准确相似度值进行排序，然后用户根据相似度值选择准确的案例。如果案例与新案例非常相似，则会选择一个案例，否则系统将进入自适应过程。因此，需要对检索规则进行修改，例如扩大可接受价格的范围或延长提前期的时间尺度。在适应阶段，专家（企业中的采购经理、风险分析师和企业决策者）共享文档、发表意见并对修改规则进行讨论。他们通过电子邮件或会议提供相关知识。经过一系列的活动，将产生一个合适的修改规则。当重用阶段生成的案例解决方案不正确时，系统将进入修订阶段。首先，对重用生成的案例解决方案进行评估。如果解决方案成功，则系统将案例放入案例库（案例学习），否则使用领域特定的知识或用户输入修复案例解决方案。
　　3     结 语
　　针对供应链风险管理中的供应商选择问题，本文将案例推理技术（CBR）与决策支持系统相结合运用至供应商选择问题中，对案例检索算法进行了改进，提高了案例检索效率，并通过实例分析，证明了该方法的有效性。系统充分利用了以往供应商选择中保存的大量案例与经验，为企业选择合适的供应商提供了更有效的决策支撑。
　　主要参考文献
　　[1]张存禄，黄培清.数据挖掘在供应链风险控制中的应用研究[J].科学学与科学技术管理，2004（1）：12-14.
　　[2]杨瑾，尤建新，蔡依平.基于案例推理的供应商选择决策支持系统研究[J].计算机工程与应用，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，Finance & 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.案例推理在决策支持系统中的应用研究[D].合肥：合肥工业大学，2010.
转载注明来源:https://www.xzbu.com/3/view-15162030.htm