在新的供應鏈環境中，各企業建立的戰略合作關系不但能有效消除供應鏈上的各種浪費，減少需求與供給的不確定性，有效壓縮訂貨—交貨時間，消除供需鏈的“牛鞭效應”，更重要的是能夠提升產品與企業的競爭力，增強對顧客與市場需求的快速反應能力，更好更快地滿足客戶需求。
對新供應鏈上供應商戰略合作評價模型的研究是近幾年才開始的。主要包括：Weber提出的多目標規劃方法；Narasimhan運用了數據包絡分析方法；Hill采用了層次分析法等等，但這些方法難以擺脫評價過程中的隨機性和模糊性，在實際中也難以操作。
BP神經網絡是模擬人腦信息處理功能的一種人工神經網絡，廣泛應用于預測、識別、優化計算、系統控制等領域。從理論上講，神經網絡能以任意精度逼近任意復雜的非線性函數，輸入數據和輸出數據之間為“黑箱”，可以通過學習完成輸入數據和輸出數據之間的非線性映射?？梢姡珺P神經網絡可以很好地解決供應商評價過程中供應鏈復雜性、交叉性以及動態性的特點以及指標權重隨意性和人為性的特點。
本文基于BP神經網絡建立了供應商戰略合作評價模型，根據BP神經網絡的原理，運用Fortran編制了神經網絡的學習與驗證程序，并在L企業進行實施。
一、建立供應商戰略合作的評價指標體系
對供應商戰略合作研究最早、影響最深的是Dickson，他總結出了23項供應商評價準則，此后，Hatherall、Handfield et al.、Yanya和Kingsman、堪述勇、陳榮秋等眾多作者研究了供應商的評價標準。從現有的研究成果中可以看出，供應商的選擇標準已朝多重目標的特性發展，其選擇標準更加復雜。
（一）指標體系的建立
如表1所示，本文建立的供應商評價指標體系綜合反映了供應商的業務績效、綜合能力、合作水平。不同的行業和企業對戰略合作伙伴的要求和選擇是不同的，企業可以根據自身的情況，對指標體系進行修改、增加和刪減，確立戰略合作伙伴的選擇標準。
（二）指標的無量綱處理
由于指標體系中各指標之間的數量綱、數量級不同，且既有定量指標又有定性指標，必須將指標進行無量綱處理，計算公式如下：
正向指標的處理：
Yi=（Xi-Xmin）/（Xmax-Xmin）（1）
反向指標的處理：
Yi=（Xmax-Xi）/（Xmax-Xmin） （2）
公式中：Xi表示原始指標值，Xmax表示原始指標最大值，Xmin表示原始指標最小值，Yi表示處理后指標值，都位于［0，1］區間。
二、評價模型的理論研究
（一）確定備選供應商并獲取供應商評價信息
企業進行供應商戰略合作評價的目標必須與企業的長期目標、規劃及戰略相適應，要為提高企業的核心能力和市場競爭力服務。
1.確定備選供應商。企業首先需要分清關鍵物資和非關鍵物資，從而分清戰略性供應商和非戰略性供應商。這就要求企業根據發展戰略、長期銷售預測及產品的物料清單等文件，確定購進的關鍵物資，再確定各備選的供應商的名單。
2.獲取所有供應商的評價指標值。根據表1建立的指標評價體系，需搜集供應商企業業績績效、綜合能力和合作水平等方面的數據信息。企業的業績績效指標值是需要從本企業相關的采購部門、質量部門及生產部門的歷史統計數據中獲取的；綜合能力方面的指標值是根據供應商的財務報表、提交的數據及原始證明材料以及其他方式獲取的；合作水平方面的指標是需要專家根據供應商企業文化、戰略目標以及供應網絡信息化的程度來打分。
3.成立專家評價小組，對供應商進行綜合評價打分。專家評價小組的職能是實施供應商綜合評價，組員以來自采購、質量、生產、工程、財務等與供應鏈合作關系密切的部門的人員為主，應具有合作精神，并具有一定的專業技能。
（二）構建BP神經網絡拓撲結構
完成前期的數據收集等工作之后，企業就可以運用BP神經網絡進行戰略供應商的選擇。依據BP神經網絡的步驟及特點，本節確定的結構為三層的BP神經網絡。
輸入層輸入的是評價供應商樣本的16個指標值，這些指標值是根據指標評價體系，通過統計、收集，最后再進行無量綱處理獲得的；輸出層神經元的個數為1，表示專家對相應的供應商的綜合評分值，供應商每一組16個評價指標值對應供應商的一個綜合打分值，這里的絕對值只是表示了相對評分的高低；隱含層神經元的最佳個數需要經過數值試驗獲得。
（三）選取樣本進行訓練與檢驗
企業從備選的供應商中選擇合適比例的部分供應商樣本進行訓練，每個供應商的一組16個評價指標值對應一個綜合評分值，分別作為模型的輸入和輸出層，以對網絡模型進行訓練。
然后將部分企業的數據按同樣的方法輸入網絡，以檢驗網絡的訓練效果。當網絡的訓練效果比較好，即誤差值比較?。ňW絡輸出值與專家打分值之間的誤差）時，建立的網絡模型就可以用于供應商戰略合作伙伴的選擇。
（四）運用模型選擇供應商戰略合作伙伴
通過對BP神經網絡的訓練和檢驗，使建立的網絡結構具備了對類似問題的解決判斷能力，可直接用于待選供應商的評價，以供企業進行選擇。將待選供應商的指標，分別輸入BP神經網絡中，即可得到網絡評分值，根據評分值的大小，對供應商進行排序，從中選擇企業最為合適的供應商。
三、評價模型的實例研究
本文運用Fortran編制了神經網絡的學習與驗證程序，并在L企業得到了實施。L企業選取了數據相對完善、交往時間較長的20家企業，整理出它們相應的指標體系，并得到了專家對這20個供應商的評價打分結果，作為神經網絡輸出層的期望輸出，具體數據如表2所示。網絡采用了前15組數據進行網絡訓練，用最后5組數據進行檢驗。
對照表2后五組檢驗數據，網絡計算值與專家打分值的平均誤差為5.57%，表明學習后的神經網絡可以很好地獲取并存儲專家的經驗和判斷，因此，該模型可以很好地用于對其他供應商進行綜合評價，以獲取供應鏈上的戰略合作伙伴。
四、結論
通過對給定樣本模式的學習，獲取專家的知識、經驗、判斷及對目標重要性的傾向，可再現評價專家的經驗、知識和直覺思維，從而保證了定性研究與定量研究的有效結合，可以較好地保證供應商戰略合作評價的客觀性。同時，該評價模型也能廣泛地適用于其他企業，可以有效地支持對供應商的動態評價決策。
【參考文獻】
［1］ 陳江，曹兆勇.牛鞭效應現象及其對策［J］.現代管理科學，2004（2）.
［2］ 賀紅燕，朱軍勇，許麗紅，等．供應商選擇方法綜述［J］.河北工業科技，2005（22）.
［3］ 朱大奇，史慧.人工神經網絡原理及其應用［M］.科學出版社，2006.
［4］ 蔣宗禮.人工神經網絡導論［M］.北京：高等教育出版社，2001.
