伙伴选择模型

伙伴选择模型（精选8篇）

伙伴选择模型 篇1

0 引言

虚拟企业是21世纪企业进行生产经营和市场竞争的主要形式,能否选择出灵捷的、有竞争力和相容的联盟伙伴,关系到虚拟企业的成败。虚拟企业联盟伙伴的选择是虚拟企业联盟关系的基础,联盟伙伴的业绩对核心企业的影响越来越大,在交货、产品质量、提前期、库存水平、产品设计等方面影响着企业的运作。基于虚拟企业联盟伙伴选择的重要性,国内外学者对其做了一定的研究[1,2,3,4,5]。现有的研究主要是针对虚拟企业联盟伙伴选择的原则、方法和管理的内容及策略方面进行了大量的研究,为企业改革经营模式、增强技术创新能力提供了有力的启发和一定的理论指导。但现有研究大多数均是使用单一的评价方法评价潜在联盟伙伴,未考虑各专家在评价潜在联盟伙伴时体现的偏好特性,因此使得现有的方法和模型与客观实际有一定的差距。本研究在分析虚拟企业联盟伙伴评价指标选择原则的基础上,从推动力、互补性、风险性等9个方面建立联盟伙伴评价指标体系,综合考虑各决策专家偏好特性对决策结果的影响,提出采用语言信息标度对各指标进行评价,建立虚拟企业联盟伙伴选择的群决策模型,利用LWM算子和HLWA算子求解模型,最后对一实例求解验证了模型的有效性和准确性。

1 评价指标体系构建

1.1 评价指标体系构建原则虚拟企业联盟伙伴评价涉及因素众多,指标多种多样,在构建评价指标体系时,应遵循以下原则[6,7]:

1.1.1 完整性原则

设计虚拟企业联盟伙伴评价的因素涉及很多,为了能成功地进行联盟,评价指标体系应尽可能地包括所有的相关因素,尽量不遗漏。

1.1.2 有效性原则

在遵循完整性原则的基础上,应针对具体设计任务,认真分析各个评价因素是否涉及伙伴选择的必要性标准,同时力求指标具有较强的可操作性。

1.1.3 风险最小化原则

虚拟企业运行模式具有高风险性,因此,在伙伴选择时必须认真考虑风险问题,并使之充分体现于评价指标体系中。

1.1.4 灵活性与可扩展原则

由于影响设计联盟伙伴的因素很多,而且根据市场机遇的不同、具体任务的不同,设计联盟伙伴选择的侧重点也有所不同。同时设计联盟伙伴的评价标准在很多时候应该结合潜在联盟伙伴群的整体水平与状况进行设置,因此其评价指标体系应具有一定的灵活性与可扩展性,以便盟主能够根据实际情况的变化进行调整。

1.2 评价指标体系构建

在考虑虚拟企业及其潜在联盟伙伴的特点的基础上,以虚拟企业整体收益为总目标[8],建立虚拟企业联盟伙伴评价指标体系,如表1所示。

2 模型建立

由于评价指标中存在大量的不确定和模糊的因素,指标难以量化。又因为人类思维具有模糊性、不确定性以及决策问题的复杂性,决策者对事物进行判断时用语言形式给出偏好信息是最方便的。笔者提出利用语言标度集L={l-5,…,l5极差,很差,差,较差,稍差,一般,稍好,较好,好,很好,极好}对各指标进行评价,建立选择联盟伙伴的群决策模型,使得决策具有一定的科学性和可操作性。

2.1决策预备知识

2.1.1 LWM算子[9,10]定义1:设(α1,α2,…,αn)是一组语言数据,若LWM(α1,α2,…,αn)=max i min{ωi,αi}其中ω=(ω1,ω2,…,ωn)是语言数据αi的加权向量,且αi,ωi∈L则函数LWM称为语言加权取大算子,即为LWM算子。

2.1.2 HLWA算子[9,10]定义2:一个混合语言加权平均(HLWA)算子是一个映射,HLWA:Ln→L,w={w1,w2,…,wn}是与该算子相关联的加权向量,且wj∈L,使得:HLW其中bj是一组加权语言数据中第j个最大的语言数据,ω=(ω1,ω2,…,ωn)是一组语言加权数据(α1,α2,…,αn)的加权向量,且ωi∈L。

2.2模型建立

基于语言标度集建立虚拟企业联盟伙伴选择群决策模型并利用LWM和HLWA算子求解,具体步骤如下:

Step1设有c个潜在联盟伙伴待选择,记为x={x1,x2,…,xc}。建立选择联盟伙伴的评价指标集u,u={u1,u2,…,un},选定t为决策专家,记为d,d={d1,d2,…,dt}。ω={ω1,ω2,…,ωn}为指标权重向量,λ=(λ1,λ2,…,λt)为决策专家的权重向量,且ωj,λk∈L,设决策专家dk∈d给出潜在联盟伙伴xi∈x在指标uj∈u下的语言数据评估值

Step2利用LWM算子对决策矩阵Rk中第i行的属性值进行集结,得到决策专家dk所给出的评价潜在联盟伙伴xi的综合属性值

Step4利用zi(λ,w)对潜在联盟伙伴进行排序,进而选择联盟伙伴。

3 实例分析

建立如表1所示的评价指标体系,其中各一级指标可按实际需要做相应扩充。由表1可知,建立的评价指标体系。u={u1,u2,…,u9}={推动力,互补性,相处性,双赢性,集中焦点,整合性,成长性,一致性,风险性}。

3.1 决策准备

选定3为决策专家对4家潜在联盟伙伴进行评价,即决策专家集d={d1,d2,d3},潜在联盟伙伴集x={x1,x2,x3,x4},采用语言标度集L={l-5,…,l5}={极差,很差,差,较差,稍差,一般,稍好,较好,好,很好,极好}进行决策,3位专家的权重向量λ=(l0,l4,l2),各指标的权重向量ω=(l1,l0,l2,l3,l3,l0,l4)。

3.2 决策矩阵

各位决策专家利用语言标度集对各指标进行评价决策,得到决策矩阵Rk(k=1,2,3)如下:

3.3 LWM集结

利用LVM算子对决策矩阵Rk中第i行的属性值进行集结,得到决策者dk所给出的潜在联盟伙伴xi的综合属性值:zi(k)(ω)(i=1,2,3,4;k=1,2,3):

3.4 HLWA算子集结

假定w=(s4,s2,s1),利用HLWA算子对三位决策专家给出的潜在联盟伙伴xi的综合属性值zi(k)(ω)(i=1,2,3,4;k=1,2,3)进行集结,得到潜在联盟伙伴xi的群体综合属性值zi(λ,w)(i=1,2,3,4):

3.5 潜在联盟伙伴选择

利用zi(λ,w)(i=1,2,3,4)对4个潜在联盟伙伴进行排序,得:x3酆x1酆x2酆x4。故最佳潜在联盟伙伴为x3,选择x3作为联盟伙伴。

4 结论

本文在分析虚拟企业联盟伙伴评价指标选择原则的基础上,构建评价指标体系,考虑联盟伙伴选择决策问题包含大量的模糊和不确定因素以及专家的偏好特性,笔者提出通过语言标度集对指标进行评价,建立群决策模型,并基于LWM算子和HLWA算子求解了模型,最后通过一算例验证了模型。结果表明,基于语言标度的虚拟企业联盟伙伴选择群决策模型是一种有效的方法。

摘要：提供一种新的虚拟企业联盟伙伴选择的群决策模型。在分析虚拟企业联盟伙伴评价指标选择原则的基础上,建立联盟伙伴评价指标集,考虑决策专家对指标的偏好特性,提出利用语言信息标度建立虚拟企业联盟伙伴选择群决策模型,利用LWM算子和HLWA算子对模型进行求解,最后予以实例验证了模型的有效性和准确性。

关键词：虚拟企业,伙伴选择,群决策,LWM算子,HLWA算子

参考文献

[1]王硕,唐小我.基于广义熵的虚拟企业合作伙伴遴选综合评价系统[J].运筹与管理,2003,12(2):73-76.

[2]叶飞.信息不完全条件下虚拟企业合作伙伴选择的多维决策模型[J].工业工程与管理,2004,9(5),38-41.

[3]Jeremy S Lurey,MAHESH S RAISINGHANI.An empirical study of bestpractice in virtual teams[J].Information&Management,2001,38(8):523-544.

[4]李志敏,杜纲.基于生命周期的虚拟企业风险识别指标体系及评估模型[J].科技管理研究,2006,16(2):92-96.

[5]梁昌勇,杨国兰,金琳.不完全信息条件下虚拟企业合作伙伴选择策略[J].合肥工业大学学报(自然科学版),2005,28(7):748-750.

[6]赵小惠,赵小苗.基于模糊决策的供应商选择方法[J].工业工程与管理,2002,7(4),27-29.

[7]陈敬贤,施国洪,操芳.供应质量模糊评价办法研究[J].统计与决策,2007,3,65-66.

[8]孙东川,叶飞.基于虚拟企业的合作伙伴选择系统研究[J].科学管理研究,2001,19(1):60-62.

[9]徐泽水.不确定多属性决策方法及应用[M].北京:清华大学出版社,2005,11,187-197.

[10]徐泽水.求解不确定多属性决策问题的一种新方法[J].系统工程学报,2002,17(2):177-181.

伙伴选择模型 篇2

现在的网络创业对人的要求越来越高，而我们每个人都很难成为全能冠军，大多都是单项或几项的选手，于是网络创业就变成了一个集体项目，需要的是每个人充分发挥出自身的特长，最终形成一股合力，这样才能够在激烈地竞争当中脱颖而出，单打独斗获得成功的机会越来越渺茫，寻找志同道合的朋友，一起结伴闯荡网络江湖，日益成为一种趋势，那在这浩瀚的江湖中，谁才是你的最佳拍档呢?

一、人品。

现在很多的企业在招聘时也是把人品放在第一位的，可见这已成为人们的一种共识，为什么人品会成为衡量一个人的首要因素呢?这个是由人品的特质决定的。前面我已经讲过，一个人品质的形成，是需要很多很多年培养的，因为这种长时间地塑造，可以说品质已经深入到人的血液之中，具有了非常稳定的特点，因此我们就可以通过人品的鉴定，从而推断他的过去与将来。就像是血型一样，人品就是一个人综合品质的鉴定，具有独特性和稳定性。人的能力、理想甚至性格都是会改变的，只有品质很难改变。就像鉴别血型一样，我们可以通过鉴定人品，来寻找我们所需要的人。

要鉴定一个人的人品，除了运用我们的经验和判断之外，还需要一个比较长的时间来观察。因为短时间内的了解会存在一定的片面性，只有在一段相当的时间内才会有一个较正确地判断。这种观察时间是越长越好，但为了节省时间，你可以通过横向的资讯来加于评判。比如通过他的朋友、同事来进行了解，通过他发表的贴子、回贴等一系列网络活动来进行了解等。

二、志向。

志向是一个人前进的动力，它就像是一个坐标一样，吸引着我们。没有志向的人就会没有方向地乱走，白白消耗掉了许多的时间和精力，除非是很幸运地乱走还走对了路，但是这种可能性想想都很低。为什么会把志向放在第二位，因为我觉得它不仅是一个吸引着我们向它靠拢的坐标，同时也是一种巨大的精神支柱或者是精神动力之源，可以让我们克服掉这一路上的种种艰辛与挫折。有了志向之后，我们会去为之而努力学习、全力工作，甚至是牺牲一些东西，这是一个创业者所必需具备的素质。

三、能力。

这里所说的能力，既包括专项的能力，也包括一个人的综合能力。如果是综合能力比较强的人可作为团队组织者，如果是专项能力比较强的可作为参与者，当然这个也不是绝对的，具体要视情况而定。只不过综合能力比较强的人更适合作为一个团队的组织核心，因为他可能各方面都知道一点，但又不是很精通，可以在团队成员之间起一个协调、平衡的作用。作为团队组织者，其人品、志向也很重要，人品好别人才服你，有志向才能带领团队向正确的方面发展，

总之，团队应该是一个不同才能人的集合，如果你是一个综合能力较强的创业发起人，那你就去找那些在不同领域有特殊才能的人，比如：程序、美工、推广等;如果你是拥有一项或几项才能的人，就去寻找有没有适合的团队，加入他们一起创业。说实话，并不是人人都能成为组织核心，要会对自己有一个正确地评估。就现在的股份制，只要你确实做出了自己的贡献，是会得到相应的回报的。

就像三国时期的诸葛亮，虽然有一身的政治才能，但只有加入到刘、关、张的三人团队之后，才能发挥出自己的能力。刘备是一个很好的领导核心，他虽然看似什么能力都没有，但通过自身的名望、情义和平衡之术，把关羽、张飞这两个具有武艺专才的人员网络到团队中，但因为团队人员结构还不完善，所以一直没什么起色。直到后来具备政治、战略天赋的诸葛亮的加入，才组合成了一个相对完美的团队，天下由此三分。再后来，因为关、张、刘的相继去世，这个团队被瓦解，虽然武将方面还有赵云等人，但刘备这个领导核心地离去，再加上诸葛亮对人才的吹毛求疵，导致很难再组建一个完整的团队，最终只能是以失败结束。现在的网络江湖同样也是群雄并起，要想成就一翻事业，不一定人人都要成为刘备，其实当诸葛亮、关羽、张飞、赵云也不错。

四、性格。

有一句话叫：性格决定命运，气度影响格局。我是比较赞同的，一个人的性格和品质一样，也是很难改变的，但每种性格又会是同时具有两面性。你比如我们在说一个人的性格时，可以采用两种截然不同的词语。说一个人做事果断，又可以说成遇事武断;说一个人深思熟虑，也可以说成是犹豫不决;说一个人性格开朗，还可以说成性格随意;说一个人不爱说话，或可以说成性格成稳……由此我们就可以看出，每个人所具有的性格是既有好的一面，同时也有不好的一面，关键是我们如何找到与我们性格互补的人来加入到团队中，然后形成一个完美的团队。

人们常说的，没有完美的个人，只有完美的团队，说的就是这个道理。如果你作为创业组织者，那么你的团队成员就最好不要是同一种性格的人，因为你们会犯相同的毛病，而没有人查觉到。只有不同性格的人组成的团队，才会在其它队友犯错时，给予提醒，或是进行讨论之后，然后作出一个共同的判断。这样的团队才会避免发生大的错误，也就才可能走得更远。而作为寻找团队的专才们，也应该了解每个团队中成员性格的组成，并要把此项作为选择的一项重要因素，因为组成团队以后大家交流的时间会很长，如果性格上不和，会影响到以后的工作。当然，作为创业组织者可以通过自己的协调，来弥补各个成员之间的性格不和，并能平等地对待和容纳他们，这种胸怀和气度是作为一个领导者所必须具备的。

五、缺点。

伙伴选择模型 篇3

随着国内经济的飞速发展,第三方物流企业迎来了前所未有的发展机遇,但因中小型物流企业资产规模有限、服务地域不宽等局限性,企业难以依靠自身能力快速响应市场需求[1]。通过建立动态联盟可以很好的解决这一问题。这种独特的组织形式可以实现对产品、供应商、顾客和技术等资源的重新组合与优化,增大物流服务的范围和品种,为客户提供一站式服务,从而能更好地把握不断变化的市场机遇,保持企业核心竞争力。在动态联盟的组建过程中,面对众多候选企业, 选择最佳的合作组合以确保目标的顺利完成,成为动态联盟组建过程中的一个关键环节,也是有效降低动态联盟所产生风险的基本途径[2]。由于传统的合作伙伴选择方法存在一些缺陷和不足,结合物流企业选择联盟伙伴的现状,研究提出了一种基于改进灰色关联分析法和整数规划法的伙伴选择的新模型。

2 伙伴选择新模型的概述

现实中,一项物流业务通常分为多个物流环节,一般包括运输、仓储、配送等基本环节。核心物流企业根据自身业务需求确立企业动态联盟组合时,有些物流环节往往会对应几家候选企业。先采用改进灰色关联分析法确定单个物流环节中的最优候选企业,然后综合考虑整个物流联盟的优化目标,利用( 0 - 1) 整数规划法,考虑整个物流过程的最佳组合,从而完成了整个联盟企业的组建。

2. 1 最优候选企业的选择

最优候选企业的选择问题是一个包含定性定量指标的多目标评价问题。改进灰色关联分析法是将层次分析法的有关原理融合进灰色关联分析法,特别适用于多目标、多层次、多方案的系统评价问题。采用改进灰色关联分析法,将定性问题定量化,对同一物流环节下的候选企业进行综合评价,能有效反映企业的综合素质。它的主要思想是在一个评价系统中确定参考方案; 然后用层次分析法中的比较原理,逐层确定各指标因素间的相对权重。将各被选对象与参考对象进行由低到高逐层进行灰色关联分析,并计算出各备选对象与参考对象的综合关联度。根据各被选对象的综合关联度值的大小来选取最优对象。

运用层次分析法法的权重确定方法,即不同层次的专家通过Sauty提出的1 ~ 9个层次的标度方法[3],这种标度方法及含义如表1所示,其中,标度栏为不同评价指标两两比较后的相对重要值。据此,构造出不同评价指标成对比较的判断矩阵A = ( aij)n × n。

根据几何平均法,结合( 1) 式可计算出第k个评价指标的相应权重Wk( k = 1,2,…n) :

检验判断矩阵的一致性指标可由式( 2) 计算得到。

式中,λmax为比较矩阵的最大特征值; n为指标个数; RI为常数。CI的值越大,不一致性程度越高。若CR≥0. 1,则判断矩阵满足一致性原则[4]。

若候选企业有m个,评价指标有n个,专家根据各评价指标按既定评分规则对各候选企业进行打分。设比较数列为xi= { xi( k) | k = 1,2,…,n} ,i = 1,2,…m,参考数列[7]为x0= {x 0( k) | k = 1,2,…,n} 为( 通常参考数列是比较数列中对应各评价指标的最大值) 。比较数列xi对参考数列x0在第k个指标上的关联系数可由( 3) 式计算得出。

式中, ρ 为分辨系数,一般取为两级最小差,|为两级最大差 。 第i个候选企业对评价指标的灰色加权关联度ri可由( 4) 式计算得出。

根据灰色加权关联度的大小,对各候选企业进行依次排序[5],综合关联度最大的企业即为最优候选企业。

2. 2 最佳联盟组合的确定

组成物流企业动态联盟时,各业务过程需相互协调配合。 因此各物流环节分别得出的最优候选企业相互合作,其结果不一定会使整个物流联盟产生高效率。所以将根据成本和时间综合考虑多层物流企业联盟优化的目标,利用( 0 - 1) 整数规划法选出最佳组合[6],构成物流企业合作联盟。( 0 - 1) 规划模型如式( 5) ;

其中,Z为目标函数值; C(ij)为候选的物流企业作业成本; C(i*j*ij****)为候选物流企业之间的物流连接成本; T(ij)为候选物流企业的作业完成时间; i*i**∈[1,I],I为每个物流环节的候选伙伴数目,j*j**∈[1,J],J为物流环节个数; Tmin为各组合方案中最短的整体作业时间; Cmin为各组合方案中最小的整体作业成本; W1,W2为两个约束条件成本和时间的权重。 设H(ij)为( 0 - 1) 规划变量即第j种作业环节的第i个候选伙伴企业。若H(ij)为1,则该企业选择进入企业动态联盟; 若为0,则不选择进入联盟。

3 应用案例

某物流公司接受了一项物流业务,但由于自身物流综合水平不能全程地完成客户的物流需求,该公司决定将物流任务外包给其他物流企业。整个业务流程分为三个环节: 首先是产品从产地通过水路运输运往配送中心,然后将产品储存在仓库内,最后完成整个地区的商品配送。通过招标,共有5家水运企业、2家仓储企业、2家配送企业表示有合作意向。 该物流企业计划在每个物流环节各选择一个物流分包伙伴, 组合成物流企业动态联盟,即使得整个物流业务均能达到客户的合同要求,又可以缩减作业成本和作业时间。

3. 1 选择最优水运企业伙伴

由于仓储和配送环节的候选伙伴较少,因此主要针对5家水运企业采用改进灰色关联分析法进行选择。根据该物流公司和物流项目实际情况和特点,将候选企业的评价分为两个层次: 第一层次可概括为四个方面,即服务水平类、发展能力类、顾客满意度类、企业文化类。第二层次中,服务水平类指标包括订单完成率、交货准时率、作业准确率、货物完好率、 售后服务水平; 发展能力类指标包括物流技术水平、管理水平、企业规模、市场占有率; 顾客满意度类指标包括物流服务成本、物流服务质量、营销能力; 企业文化类指标包括经营理念、服务创新能力、合作积极性、企业信誉和精神信念[7]。

便于分析起见,将五家水运企业分别命名为A1、A2、A3、 A4、A5,参考企业为A0。专家组按打分评价原则对各指标因素进行量化。量化值用隶属度( 0 ~ 1) 表示,即评语好的隶属度大,评语的隶属度小,中间状态的评语集合为( 很好、好、一般、 较差、差、很差) ,其隶属度集合为( 0. 8,0. 7,0. 6,0. 5,0. 4,0. 3,0. 2) ,参考对象的各指标量化值定为0. 8[4]。

利用层次分析法构造判断矩阵,由式( 1) 求出第二层各评价指标的权重。以“企业服务类”为例进行说明,其判断矩阵的结果如式( 6) 所示。

求得w = { 0. 285,0. 156,0. 376,0. 101,0. 083} 。再由式 ( 2) 得 λmax= 5. 286,CI = 0. 071,CR = 0. 064 > 0. 10,满足一致性要求和归一性原则。

同理,求得 “发展能力类”各指标的权重w = { 0. 453, 0. 262,0. 118,0. 167 } ; “顾客满意度类”各指标的权重w = { 0. 230,0. 648,0. 122} ; “企业文化类”各指标的权重w = { 0. 277,0. 256,0. 100,0. 277,0. 092} ; 以及第一层各指标的权重w = { 0. 453,0. 172,0. 244,0. 131} ,均满足一致性要求和归一性原则。根据式( 3) 计算出第二层次的灰色关联系数,进而得到各指标的灰色关联度。评价指标的量化值和关联度的计算结果如表2所示。

将各候选物流企业算得的第二层各因素之间的关联度相加,得第一层次候选企业的比较序列,从而得到相应的参考序列,计算结果如表3所示。再根据公式( 3) ,计算出第一层次各指标的关联系数,从而得出其关联度。将候选企业各指标的关联度相加可获得相应的综合关联度,即R1= 0. 696,R2= 0. 614,R3= 0. 678,R4= 0. 616,R5= 1. 425,显然R5最大。所以,A5为最优的水运企业伙伴。

3. 2 确定最佳联盟组合

各环节候选企业之间的连接成本和企业的作业成本和时间如表4所示。其中,两家仓储企业分别用B1、B2表示,两家配送企业用C1、C2表示。对本企业而言,时间和成本两因素中更看重成本,故可将成本的权重定为0. 6,时间的权重定为0. 4。将表4中的数据代入( 0 - 1) 整数规划中,由( 4 ) 式求Z值。可能的联盟组合为: A5 —B1—C1,A5—B1—C2,A5 — B2—C1,A5 —B2—C2。最后得出当A5、B2、C2组合时Z最小为70. 3,所以应该选A5、B2、C2组成物流企业联盟共同完成该项业务。

4 结束语

研究获得的新模型采用改进灰色关联分析法和( 0 - 1) 整数规划法,通过建立科学可行的评价指标体系,由单个物流环节到整项物流业务,逐步缩小合作伙伴的选择范围,最后选出最佳的联盟组合。这样不仅避免了大量无用的运算,而且减少了直接求解的复杂程度。同时,该模型在应用中具有一定的连接性,将改进灰色关联分析法中求得的最佳候选企业根据物流业务进行自由组合后,使用( 0 - 1) 整数规划法求得最优的联盟组合,使得物流企业联盟的伙伴选择更加合理化和科学化。文中根据案例的需要而建立的评价指标体系,在实际的应用中,应根据具体的问题建立合适的评价指标,但该选择联盟伙伴的新模型在进行动态同盟伙伴选择上具有很好的应用价值。

摘要：建立动态合作联盟是我国中小型物流企业发展的必然趋势,如何选择最适合的合作伙伴是建立联盟面临的关键问题之一。针对这一问题,研究提出了一种选择物流企业动态联盟伙伴的新模型。该模型主要采用改进灰色关联分析法和(0-1)整数规划法,实现了从单个物流环节到整项物流业务动态联盟伙伴的选择,即通过候选企业综合关联度的大小选出单个物流环节中的最优候选伙伴,再利用(0-1)整数规划法对目标函数最优值的求解,选出最佳联盟组合。通过案例证明了该模型在解决联盟伙伴选择问题上的有效性。

伙伴选择模型 篇4

供应链中合作伙伴选择历经了一个从单一到集成的过程, 集成式或方法组合式的合作伙伴选择是整个进程的趋向。Morlacci在1997年将模糊综合评价法与AHP法结合并用于评价企业充当供应商的行为。Ghodsypour与Brien在1998年将LP和AHP结合并开发了挑选战略合作伙伴的支持系统。Weber带领小队在2000年将DEA与多目标规划 (MOP) 结合组建供应链伙伴选择模型, 首先用多目标规划挑选备选供应商, 之后用DEA模型从备选目标中过滤选出效率较高的供应商。Yamaguchi和LI在2006年将粗集理论和灰色关联分析相结合用于供应链伙伴选择的决策。国内研究人员自2001年开始采用组合方法研究供应链伙伴选择问题, AHP在TOPSIS、DEA、MOP、LP、灰色关联分析、模糊综合评价, 以及多目标规划与DEA等组合得到广泛应用。

AHP与其他方法结合的主要用途是确定指标的权重, 但AHP法确定权重存在两个缺陷, 一是矩阵判断存在较为明显的主观色彩;二是对评价对象包含的信息考虑不全, 在一定程度上对结果准确性产生影响。

针对以上不足, 可考虑信息熵法判定指标权值, 形成信息熵法与多目标决策法的组合。熵是系统无序程度的度量, 它表示该状态可能出现的程度。信息熵法判定数据的原理是:某项指标的数值变化程度越大, 信息熵则越小, 该指标所提供的信息量越大, 其权重也相应越大;反之, 该权重则越小。这种组合方法可以减少人为因素的影响和较全面地包含评价对象的信息。

1 建立供应链合作伙伴关系的步骤

供应链合作伙伴关系建立的步骤如下:

(1) 市场竞争环境分析市场需求是一切商务活动的驱动源。在信任、合作和开放性交流的基础上建立良好的供应链长期合作关系, 必先分析市场竞争环境。为了实现供应链合作关系的利益最大化, 必须找准针对哪些产品做市场开发, 了解市场需求产品的类型和特征, 满足条件后判断是否可建立战略供应链合作关系。已经建立供应链合作的, 则依需求变化分析现有伙伴的现状, 总结企业问题, 判断是否对供应链关系进行调整。

(2) 选择合作伙伴企业必须确定合作关系评价的程序如何实施、操作流程、信息的传递、项目负责人等, 并且设立的目标必须有实质性特点。降低成本即是主要目标之一, 供应链战略伙伴评价体系和选择不是一个简单的过程, 同时是企业本身和与企业之间的一次商务活动流程重构。

(3) 制定供应链战略合作伙伴评价体系标准供应链战略合作伙伴评价体系标准, 是企业自身和所处商务环境所构成的复杂系统的不同属性的刻度表, 按层级和隶属关系有机的组合。依据全面、科学、稳定、可比、灵活、可操的原则, 建立供应链管理环境下战略合作伙伴关系的综合评价体系。针对不同的行业、企业、产品、商务环境的体系评价也相应的不同, 但都涉及合作伙伴的业绩、设备管理、人力资源开发、质量控制、成本控制、技术开发、用户满意度、交货协议等影响合作关系的方面。

(4) 评价小组的建立必须成立一个以控制和实施合作伙伴评价的小组。组员以采购、质量、生产、工程等与合作关系密切的部门成员为主, 具备团队合作精神, 有一定的专业技能, 整个小组需要取得本企业和评价体系所涉及合作伙伴企业内最高层领导的认可和支持。

(5) 供应链合作伙伴参与。当企业决定推行供应链战略合作伙伴评价, 评价小组首先与初选合作伙伴进行沟通, 确认对方是否同建立长期供应链合作关系, 是否有获取更高业绩水平的愿望。企业应尽早让合作伙伴参与到评价体系的建构的过程中来。介于企业能力和资源有限, 只能与少数、关键的合作伙伴保持密切合作, 所以参与评价体系的合作伙伴不能太多。

(6) 合作伙伴的评价。评价活动的首要工作是搜集、调查有关伙伴的商务活动全方面的信息。在收集来的信息基础上, 利用一定的工具和方法进行评价。在评价流程完毕后, 进行决策, 选择长期合作伙伴, 如选择成功, 则达成长期的供应链战略合作关系, 如果无满意合作伙伴可选, 则返回步骤 (2) 重新进行评价流程。

(7) 供应链合作关系的实施。因市场需求是不断变化的, 这就要求在实施合作关系的过程中及时修改合作伙伴评价标准, 或开始新一轮合作伙伴评价选择。

2 合作关系的选择评价

2.1 供应链战略伙伴关系指标的选择

影响合作伙伴评价的影响因素众多, 本课题主要研究对合作伙伴提供的产品质量、企业信誉、运营成本与企业服务上。各个指标体系是根据不同侧重点进行分类的, 有企业信誉评价指标、企业质量能力评价指标、成本和时间评价指标及企业服务评价指标, 指标之间是相互关联、影响、制约的。信誉评价指的是企业产品的质量鉴定级别和企业商业信誉等;质量能力评价主要参评供货商的资历和按时交付合格产品的能力, 自觉改良工艺、降低成本、提高质量的能力等;成本和时间评价指企业运营成本和交货速率等;企业服务评价是企业对产品质量的把控, 服务或产品出现问题后的态度措施, 服务响应和问题处理的综合能力。这些指标并不是一成不变的, 应在实际的操作过程中按所涉企业所选择的合作伙伴之不同特点进行增舍, 灵活地运用该评价标准, 达到完备性和实用性的目的。

2.2 决策模型

2.2.1 多目标决策方法

在众多的备选企业中选择一个最优秀的企业作为自己的供应链合作伙伴属于有限方案目标决策问题。因为选择合作伙伴是一个比较复杂的决策过程, 在决策过程中企业将对备选企业进行多方位考察, 因而对于某个方面的诸多决策指标可视为全体指标集的一个子集, 进行多层次、多角度地评估分析与决策。传统的决策方法一般将全部的指标放在一起形成一个整体属性集进行评估判断与决策, 并未考虑数据指标的分类, 不适应供需链企业合作伙伴的选择要求。本文结合实际商业运作的决策过程, 在传统的决策方法的基础上提出了新的的供需链企业合作伙伴选择算法。

2.2.2 合作伙伴选择方法

步骤一:决策指标的分类

假设A企业有n个决策方案 (备选企业) , 标记为, 将评价方案的优劣指标记为此处不代表个体指标, 而是由一系列指标所组成的一个指标集合, 从某方面对方案进行描述, 且满足下述条件:对任意的, 有成立。可称为决策指标子集。

步骤二:决策矩阵的规范化

方案集对决策指标子集的决策矩阵的规范化。设D∈G且此处的代表个体决策指标。设Ai对指针Di的属值为表示方案集对决策指标子集的决策矩阵。即可获得m个类似的决策矩阵。考虑到实操过程中各指标值的背景和量纲的不同, 需要将决策矩阵进行规范处理。

对于部分越小越好的指标 (成本型) , 令

而对于越大越好的指标 (效益型) , 令规范化之后, 决策矩阵为

步骤三:确定权重指标

为确保指标权重评价的客观和公正性, 此处采取信息熵法来确定决策指针子集的指标权重。对于决策指标子集D, 由期望效益法可得Bi的值为:

对于决策指标子集D的各方案的排列向量为最后可得m个类似排序向量, 由此m个类似排序向量可推算排序向量矩阵F中的第i列就是对应决策指标子集中各方案的排序向量。

由于决策指标子集是对某一方面针对方案进行描述, 并且在决策中每一方面的重要程度不尽相同, 所以针对不同决策的指标子集也应赋予不同权重。此处给出一种简便可行的相对评分法来确定决策指标子集的权重。设有q名专家参与打分, 并且每位专家权重相同。设专家对Gi在G中的重要程度评为专家依据一定的重要程度评分标准 (按照1-7标准) 得Ckj, 计算决策指标子集Gj的重要程度评分总和, 则决策指标子集Gj的主观偏好权重向量为

步骤四:方案排序

利用上述计算结果, 可求得最终方案的排序向量

便可依据此量进行最终选择。

3 结语

本文通过对供应链管理中重要的组成部分——供应链合作伙伴的研究和分析, 将基于决策指标分类的供应链中合作伙伴的算法应用于企业合作伙伴的选择过程中, 使企业能够选择到相对较优的合作伙伴。多指标决策算法的实现是在决策指标可以具体量化的前提下进行的, 所以在考察的指标不可以具体量化的情况下, 比如企业形象、企业服务水平等指标, 这一算法就无法实现, 下一步的研究重点就是如何将这些不可量化的指标引入多指标决策算法。

参考文献

[1]毕鹏程.群体决策过程中的群体思维研究[J].管理科学学报, 2002 (5) .

[2]吴建林.基于案例学习的观点生成框架[J].复旦大学学报 (自然科学版) , 2000 (39) .

[3]井浩涌.群体决策的概率模型与分组德尔菲方法[J].大连铁道学院学报, 1995 (16) .

[4]胡毓达.群体决策的偏差度分析[J].运筹学学报, 1998 (2) .

伙伴选择模型 篇5

关键词：动态物流联盟,伙伴选择,模糊语言群体决策,多时段,模糊语言标度

动态物流联盟是现代物流组织演变的基本趋势,它是基于核心能力关联、由核心物流企业联合其他提供专业化物流服务的企业所组成的、以快速响应客户物流服务需求为战略目标而结成的一种暂时性联盟[1]。这一联盟因物流市场机遇的产生而成立,并随物流市场机遇的消失而解散。当下一次物流市场机遇来临时,又开始新一轮的结盟。动态物流联盟的组建过程是一项复杂的系统工程,其中一个关键环节是选择灵敏的、有竞争力的和相容的合作伙伴,合作伙伴选择的恰当与否直接关系到动态物流联盟的市场反应速度及合作的绩效与成败。

当前国内外理论界关于供应商选择、供应链合作伙伴选择等类似问题的研究非常众多,评价方法也很丰富。一些学者以此为借鉴,针对物流行业的特殊性,提出了物流联盟合作伙伴选择的过程和思路[2,3,4,5]。然而,这些研究绝大多数均是建立在信息完全的基础上的,且基本上都是在特定时刻对潜在合作伙伴进行评价与最优排序,属于静态决策。而现实中有许多信息都是隐蔽的,盟主企业(核心物流企业)不可能完全了解潜在合作伙伴的情况,再加上人类思维的模糊性以及受一些主、客观因素(如时间紧迫,专业知识结构和水平等)的影响,决策者给出潜在合作伙伴的评估信息也通常是不完全的,很难用精确的实数值来量化,相反,采用模糊语言变量来刻画它们则显得更为合理。同时,盟主企业在优选合作伙伴的过程中,不仅仅只注重其现有的评价信息,对潜在合作伙伴过去不同时段的历史评价信息也非常重视,具有多时段性、动态性等特点。动态物流联盟合作伙伴的选择是一个复杂的决策过程,需要不同领域的专家共同参与,而现有的研究对此没有足够的重视。基于此,本文在借鉴已有相关研究成果的基础上,充分考虑到动态物流联盟合作伙伴选择过程所面临的信息不完全性、多时段性,引入模糊语言变量来描述决策者的评估信息,并结合多属性群决策理论,建立多时段条件下模糊语言多属性群体决策模型,为动态物流联盟合作伙伴的选择提供一种更加适宜的方法。

1 动态物流联盟合作伙伴评价指标体系

根据Steven E.Leahy等的研究结果,目前对于物流企业的评估一般将顾客服务、成本节约和合作关系作为基本准则,据此,文献[2]、[3]设计了相应的虚拟物流中心合作伙伴评价指标体系;文献[5]将地理位置和交通条件、联结成本、组织的相容性、组建所需的时间、通信基础、各物流实体组织的发展战略和政策、决策系统的兼容性以及文化融合性等作为综合评价合作伙伴应考虑的因素;文献[6]考虑虚拟物流中心的动态合作特性,将物流业务能力、合作成本及风险等方面建立盟员选择的评价指标体系;文献[7]把企业素质、历史与发展、与其他企业的合作情况作为基本准则层,也建立了相应的评价指标等。综合已有相关研究文献,并针对动态物流联盟合作伙伴评价的特殊性,本文提出了包括8个指标(属性)的评价体系:

①企业素质C1:这是一种对候选物流企业基本面的评估, 包括该企业的硬件和软件条件。主要指资产规模大小、人力资源、财务状况、技术水平、管理和服务水平等。②合作经验与历史信誉C2:经验主要指合作伙伴以往参与类似合作所积累的经验与知识,历史信誉指在以往合作过程中的工作实绩。有丰富经验和良好商誉的物流合作者知道如何去配合其他伙伴及如何调整自身适应合作中的变化。③合作关系C3:物流企业之间的合作关系将反映以往的合作历史基础对构建动态物流联盟的影响。在这里采用累计合作时间、合作意愿、联系便利性以及战略、文化、管理兼容性等指标来衡量。④合作成本C4:选择物流合作伙伴需要考虑的重要经济因素便是合作成本。在选择伙伴时,必须全方位估算合作成本,除考虑对方报价外,一定要适时了解对方真实情况,考虑间接成本。⑤合作风险C5:动态物流联盟的成功运行应建立在伙伴间相互信任的基础上。但是,由于伙伴间不对称情况的存在,某些伙伴在利益的驱动下可能会产生单方面违约和弄虚作假等行为,与此类企业合作必然会带来合作风险,故风险分析也是合作伙伴选择时必不可少的一步。⑥物流业务能力C6:主要指储运能力和储运管理能力。物流业务能力是评价指标的第一要素,是合作伙伴选择的根本参考。⑦企业环境C7:主要指地理位置、交通条件,以及政治、法律、经济、社会文化、技术等环境。⑧历史和发展C8:主要考察合作伙伴的发展历史和前景,包括资信等级、企业所处的生命周期和企业的发展前景等。

2 多时段条件下合作伙伴选择的模糊语言群体决策模型

2.1 问题描述

设某核心物流企业需要从K个候选合作伙伴中选择最优的合作伙伴来实现某一物流市场机遇,候选合作伙伴集合记为X={X1,X2,…,XK}。评价候选合作伙伴的M指标(属性)记为C={C1,C2,…,CM}。为了全面准确地评价候选合作伙伴的水平,邀请n位专家组成决策小组D={d1,d2,…,dn},并考虑T个时段内候选合作伙伴的状况。假定各专家给出第t(t=1,2,…,T)个时段候选合作伙伴指标评价值矩阵为:

$A{}^i(t)=(e{}_{km}^i(t)){}_{{\rm K}\times {\rm M}}‚i=1,2,\cdots ,n;t=1,2,\cdots ,{\rm T}$

其中,eikm(t)(k=1,2,…,K;m=1,2,…,M)为专家di给出候选合作伙伴Xk在第t个时段关于指标Cm的评价值。由于不同时段的指标评价值在综合评价中的地位不同,因此需要考虑各时段的相对权重,设T个时段的权重向量为λ=(λ1,λ2,…,λM),且满足$0\le \lambda {}_t\le 1‚{\displaystyle \sum _{t=1}^{{\rm T}}\lambda }{}_t=1$。为体现含时间因素的信息对现在决策的影响程度,在此假定λ1≤λ2≤…≤λT,以反映“厚近薄远”的思想。

因此,动态物流联盟合作伙伴选择问题就转化为:根据n位决策者给出的候选合作伙伴指标评价值矩阵序列{Ai(t)}T1,i=1,2,…,n,对K个候选合作伙伴X1,X2,…,XK进行排序,并按照排序的结果,对其进行优选。

2.2 模糊语言评估标度的确定

由于在不完全信息条件下,决策者往往用模糊语言变量来测度候选合作伙伴的评估信息,即指标评价值矩阵Ai(t)中的属性值eikm(t)以模糊语言变量形式给出。为此,需引入模糊语言评估标度:

设S={sα|α=-L,…,L}为模糊语言评估标度,其中sα表示模糊语言变量,特别地,s-L和sL分别表示决策者实际使用的模糊语言变量的下限和上限,且满足条件[5]:①若α>β,则sα>sβ; ②存在负算子neg(sα)=s-α.S中的术语个数一般为奇数,此处取S={s-5,…,s5}={极差,很差,差,较差,稍差,一般,稍好,较好,好,很好,极好}。

在对候选合作伙伴指标评价的模糊语言信息集成过程中,集成结果往往与模糊语言评估标度S中的元素不相匹配。为了便于计算和避免丢失决策信息,在原有标度S的基础上定义一个拓展标度$\overline{S}=\{s{}_{\alpha }|\alpha \in [-q,q]\}$,其中q(q>L)是一个充分大的自然数,且若α∈{-L,…,L},则称sα为本原术语;若α∉{-L,…,L},则称sα为拓展术语,拓展后的标度仍满足条件①和②。

为了便于对候选合作伙伴进行比较和排序,下面给出模糊语言评估标度的运算法则及几个模糊语言集结算子[8]:

定义1 设sα,sβ∈$\overline{S}$, y,y1,y2∈[0,1],则:

①sα♁sβ=sβ♁sα=sa+β;

②ysa=sya;

③y(sα♁sβ)=ysα♁ysβ;

④(y1+y2)sα=y1sα♁y2sα.

定义2 设EOWA:$\overline{S}$n→$\overline{S}$:若

$\begin{array}{l}E{\rm O}WA{}_{\omega }(s{}_{\alpha (1)},s{}_{\alpha (2)},\cdots ,s{}_{\alpha (n)})\\ =\omega {}_{1}s{}_{\beta (1)}\oplus \omega {}_{2}s{}_{\beta (2)}\oplus \cdots \oplus \omega {}_{n}s{}_{\beta (n)}=s{}_{\overline{\beta }}\end{array}$

其中,$s{}_{\overline{\beta }}={\displaystyle \sum _{j=1}^n\omega }{}_j\beta (j)‚\omega =(\omega {}_1,\omega {}_2,\cdots ,\omega {}_n)$是与EOWA相关联的加权向量,$\omega {}_j\in [0,1](j\in {\rm N})‚{\displaystyle \sum _{j=1}^n\omega }{}_j=1$,且sβ(j)是模糊语言数据组(sα(1),sα(2),…,sα(n))中第j大的元素,则称函数EOWA是拓展的有序加权平均(EOWA)算子。

定义3 设EWAA:$\overline{S}$n→$\overline{S}$:若

$\begin{array}{l}EWAA{}_{\omega }(s{}_{\alpha (1)},s{}_{\alpha (2)},\cdots ,s{}_{\alpha (n)})\\ =\omega {}_{1}s{}_{\alpha (1)}\oplus \omega {}_{2}s{}_{\alpha (2)}\oplus \cdots \oplus \omega {}_{n}s{}_{\alpha (n)}=s{}_{\overline{\alpha }}\end{array}$

其中,$s{}_{\overline{\alpha }}={\displaystyle \sum _{j=1}^n\omega }{}_j\alpha (j)‚\omega =(\omega {}_1,\omega {}_2,\cdots ,\omega {}_n)$是模糊语言数据组(sα(1),sα(2),…,sα(n))的加权向量,且$\omega {}_j\in [0,1](j\in {\rm N})‚{\displaystyle \sum _{j=1}^n\omega }{}_j=1$,则称函数EWAA是拓展的加权算术平均(EWAA)算子。

定义4 设LHA:$\overline{S}$n→$\overline{S}$:若

$\begin{array}{l}L{\rm H}A{}_{\omega ‚w}(s{}_{\alpha (1)},s{}_{\alpha (2)},\cdots ,s{}_{\alpha (n)})\\ =w{}_{1}s{}_{\beta (1)}\oplus w{}_{2}s{}_{\beta (2)}\oplus \cdots \oplus w{}_{n}s{}_{\beta (n)}\end{array}$

其中,w=(w1,w2,…,wn)是与LHA相关联的加权向量,$w{}_j\in [0,1](j\in {\rm N})‚{\displaystyle \sum _{j=1}^{n}w}{}_j=1$。sβ(j)是加权模糊语言数据组($\overline{s}$α(1),$\overline{s}$α(2),…,$\overline{s}$α(n))中第j大的元素,这里$\overline{s}{}_{\alpha (i)}=n\omega {}_{i}s{}_{\alpha (i)}(i\in {\rm N})$,ω=(ω1,ω2,…,ωn)是模糊语言数据组(sα(1),sα(2),…,sα(n))的加权向量,$\omega {}_j\in [0,1](j\in {\rm N})‚{\displaystyle \sum _{j=1}^n\omega }{}_j=1$,且n是平衡因子,则称函数LHA是模糊语言混合集结(LHA)算子。

2.3 多时段条件下模糊语言群体决策步骤

多时段条件下动态物流联盟伙伴选择的模糊语言群体决策方法引入模糊语言变量来描述决策者的评估信息,并把多属性群决策理论与时间序列动态决策结合起来,实现对候选合作伙伴的排序与择优,反映了合作伙伴选择的信息不完全性、动态性与群体决策等特点。

(1)各时段候选合作伙伴的群体综合评价

考虑第t个时段,利用拓展的有序加权平均(EOWA)算子,对指标评价值矩阵Ai(t)=(eikm(t))K×M中第k行模糊语言评估信息进行集结,得专家di(i=1,2,…,n)给出的关于候选合作伙伴Xk在t时段的综合属性评估值zik(t)(i=1,2,…,n;k=1,2,…,K):

$\begin{array}{l}z{}_k^i(t)=E{\rm O}WA{}_{\beta }(e{}_{k1}^i(t),e{}_{k2}^i(t),\cdots ,e{}_{k{\rm M}}^i(t))\\ =\beta {}_{1}a{}_1\oplus \beta {}_{2}a{}_2\oplus \cdots \oplus \beta {}_{{\rm M}}a{}_{{\rm M}}(1)\end{array}$

其中,am是模糊语言数组(eik1(t),eik2(t),…,eikM(t))中第m个最大的元素;β=(β1,β2,…,βM)是与EOWA算子相关联的加权向量(可按文献[9]所给的方法适当地选取),$\beta {}_m\in [0,1](m\in {\rm M})‚{\displaystyle \sum _{m=1}^{{\rm M}}\beta }{}_m=1$。

再利用模糊语言混合集结(LHA)算子,对n位专家给出的关于同一候选合作伙伴Xk在t时段的综合属性评估值zik(t)(i=1,2,…,n)进行集结,得候选合作伙伴Xk在t时段的群体综合属性值zk(t)(k=1,2,…,K):

$\begin{array}{l}z{}_k(t)=L{\rm H}A{}_{\omega ,w}(z{}_k^1(t),z{}_k^2(t),\cdots ,z{}_k^n(t))\\ =w{}_{1}b{}_1\oplus w{}_{2}b{}_2\oplus \cdots \oplus w{}_{n}b{}_n(2)\end{array}$

其中, bi是语言变量组(nω1z1k,nω2z2k,…,nωnznk)中第i个最大的元素;ω=(ω1,ω2,…,ωn)为专家权重向量,$\omega {}_i\in [0,1]‚{\displaystyle \sum _{i=1}^n\omega }{}_i=1$,且n是平衡因子;w=(w1,w2,…,wn)是与LHA相关联的加权向量(位置向量),$w{}_i\in [0,1],{\displaystyle \sum _{i=1}^{n}w}{}_i=1$,且由下式确定[10,11]:

$w{}_i=Q(i/n)-Q((i-1)/n),i\in {\rm N}(3)$

这里,模糊语义量化算子Q由下式给出:

式中,a,b,r∈[0,1]。对应于模糊语义量化准则:“大多数”“至少半数”“尽可能多”的算子Q中参数对分别为(a,b)=(0.3,0.8),(a,b)=(0,0.5),(a,b)=(0.5,1)。

(2)T时段内各候选合作伙伴的总体评价

利用拓展加权算术平均(EWAA)算子,对候选合作伙伴Xk在T时段内的群体综合属性值zk(t)(t=1,2,…,T)进行集结,得候选合作伙伴Xk在T时段内的总体评估值zk(k=1,2,…,K):

$\begin{array}{l}z{}_k=EWAA{}_{\lambda }(z{}_k(1),z{}_k(2),\cdots ,z{}_k({\rm T}))\\ =\lambda {}_{1}z{}_k(1)\oplus \lambda {}_{2}z{}_k(2)\oplus \cdots \oplus \lambda {}_{{\rm T}}z{}_k({\rm T})(5)\end{array}$

其中,λ=(λ1,λ2,…,λT)为T个时段的权重向量,且满足$0\le \lambda {}_t\le 1‚\lambda {}_1\le \lambda {}_2\le \cdots \le \lambda {}_{{\rm T}}‚{\displaystyle \sum _{t=1}^{{\rm T}}\lambda }{}_t=1$。

(3)候选合作伙伴的排序与择优

利用候选合作伙伴Xk在T时段内的总体评估值zk(k=1,2,…,K)对候选合作伙伴进行排序,选择最优的合作伙伴组建动态物流联盟。

3 仿真算例

假设某大型物流企业(盟主企业)为实现某一物流市场机遇欲寻求合作伙伴以建立动态物流联盟,经过初步筛选,确定5家物流企业作为候选合作伙伴(即X={X1,X2,…,X5})。为了全面准确地评价候选合作伙伴的水平,由3位专家组成决策小组D={d1,d2,d3},依据本文所确定的评价指标体系考查各候选合作伙伴最近3个年度(分别记为T1,T2,T3)的状况,并利用上述所建立的模型对候选合作伙伴进行优选。以下逐步讨论其决策过程。

步骤1: 模糊语言评价值矩阵的确定

各专家利用2.2节中的模糊语言评估标度,对各候选合作伙伴按照本文所确定的评价指标体系进行测度,给出模糊语言评价值矩阵Ai(t)(i=1,2,3)如下(限于篇幅,以下只给出T1年度各候选合作伙伴评价值矩阵):

步骤2: 各时段候选合作伙伴的群体综合评价值的确定

利用EOWA算子对各专家给出的模糊语言评价值矩阵Ai(1)(i=1,2,3)中每一行进行集结(假定EOWA算子的加权向量为β=(β1,β2,…,β8)=(0.15,0.10,0.12,0.10,0.12,0.13,0.15,0.13),得各专家关于每一个候选合作伙伴的综合属性评估值zik(1)(i=1,2,3;k=1,2,…,5):

然后利用LHA算子(假定专家权重向量为ω=(0.30,0.40,0.30)对3位专家给出的候选合作伙伴Xk的综合属性评估值zik(1)(i=1,2,3)进行集结。首先利用n(n=3)及z${}_k^i$ (1)(i=1,2,3;k=1,2,…,5),求解nωizik(i=1,2,3;k=1,2,…,5),得:

假设在“模糊多数”准则下,即令参数对为(a,b)=(0.3,0.8),由式(3)和式(4),求得LHA算子的加权向量为w=(w1,w2,w3)=(1/15,10/15,4/15)。因此可求得候选合作伙伴Xk在T1年度的群体综合属性值zk(1)(k=1,2,…,5):

类似上述步骤,可求得候选合作伙伴Xk在T2、T3年度的群体综合属性值zk(2),zk(3)(k=1,2,…,5):

步骤3: T时段内各候选合作伙伴的总体评价值的确定

再利用EWAA算子对候选合作伙伴Xk在3个年度内的群体综合属性值zk(t)(t=1,2,3)进行集结(假定最近3个年度的权重为λ=(λ1,λ2,λ3)=(0.2,0.3,0.5),得候选合作伙伴Xk在3个年度内的总体评估值zk(k=1,2,…,5):

步骤4: 候选合作伙伴的排序与择优

利用zk(k=1,2,…,5)对5个候选合作伙伴进行排序,得X4≻X3≻X1≻X5≻X2.故候选合作伙伴X4应为盟主企业组建动态物流联盟的最佳合作伙伴。

4 结束语

现有的关于物流合作伙伴选择的研究多是建立在信息完全的基础上,且基本上是属于静态决策,往往只考虑单个决策者参与的情形。本文充分考虑到动态物流联盟合作伙伴选择过程中所面临的信息不完全性、评价的多阶段性,以及单一主体决策的片面性,提出多时段条件下模糊语言群体决策方法来优选动态物流联盟合作伙伴,有效地弥补了现有研究的不足。模型中采用模糊语言变量度量指标信息,克服了用具体数字来刻画的困难;EOWA算子在指标权重信息完全未知的情况下对专家给出的模糊语言评价信息进行集结;LHA算子不仅体现了各专家的重要性程度,而且对各专家给出的综合属性评估信息按从大到小的顺序重新进行排序,并通过对数据所在的位置进行加权、集成,减少了群决策过程中个别专家主观因素的影响;EWAA算子对候选合作伙伴在各时段的群体综合属性值根据其相对重要性进行加权、集成,最终得各候选合作伙伴的总体评估值。仿真实例表明,由于语言标度的引入,以及EOWA算子、LHA算子和EWAA算子的合理运用,多时段条件下模糊语言群体决策模型操作简便、快捷,且计算结果较为精确、不易丢失任何决策信息,为动态物流联盟合作伙伴的合理选择提供了一种更加科学、有效的方法。

参考文献

[1]余福茂,肖亮.动态物流联盟系统规划技术研究[M].北京:航空工业出版社,2005.

[2]李芳等.AHP法在虚拟物流中心伙伴选择中的应用[J].华北电力大学学报,2004,31(4):82~85.

[3]戴勇.基于AHP的DEA分析基础上的虚拟物流企业联盟伙伴选择[J].系统工程,2002,20(3):47~51

[4]沈立新,陈燕.基于径向基函数网络的虚拟物流企业伙伴选择方法研究[J].数学的实践与认识,2005,35(2):43~49.

[5]汪贻生等.虚拟物流组织伙伴选择与优化方法研究[J].工业工程,2004,7(6):20~25.

[6]胡君等.虚拟物流企业盟员初选指标体系及模糊层次综合评价[J].物流科技,2006,29(133):95~97.

[7]陈飞儿,张仁颐.物流企业联盟伙伴的选择[J].上海海事大学学报,2004,25(3):47~50.

[8]徐泽水.不确定多属性决策方法及应用[M].北京:清华大学出版社,2004.

[9]Yager R R.Families of OWA operators[J].FuzzySets and Systems,1993,59:125~148.

[10]Herrera F,et al.Multiperson decision-making basedon multiplicative preference relations[J].EuropeanJournal of Operational Research,2001,129:372~385.

伙伴选择模型 篇6

二十世纪九十年代以来, 供应链管理 (SCM) 成为学术研究的一个热门领域, 也是当今国际社会上企业实践应用的新兴热点。作为供应链建设中的重要环节之一, 选择合适的供应链战略合作伙伴对于增强供应链的整体竞争力具有至关重要的意义。马士华和林勇 (2006) 将供应链合作关系定义为供应商与制造商之间, 在一定时期内共享信息、共担风险、共同获利的协议关系。这种新型企业关系是供应链管理模式形成的基础, 也是该模式与传统管理模式的根本区别所在, 集中体现在相互交换主体、供应商选择标准、稳定性等多个方面。在供应链管理模式下, 建立合作关系强调直接而长期的合作, 通过优势互补和协同作业执行共同计划和解决问题。供应链合作伙伴的选择决策对于企业的健康成长意义深远。

针对供应链条件下供应商的选择问题, 国内外学者均从各自角度拟定出不同的模型架构。国外学者中, Dickson (1966) 最早开展了针对供应商选择与评价的研究, 从研究采购问题的文献中归纳出50种不同的影响因素, 并整理为23项评价准则;Yahya和Kingsman (1999) 通过对权威经理人和主管进行调查, 总结出一套标准供选择评价, 并应用层次分析法 (AHP) 赋予相应权重。国内学者方面, 有代表性的研究包括, 林勇和马士华 (2000) 从质量系统、企业业绩、业务结构及生产能力、企业环境四个维度构建的供应商评价指标体系;马丽娟 (2002) 基于易于度量、数据采集方便的考虑出发提出了产品质量、产品价格、售后服务、地理位置、技术水平、供应能力、经济效益、交货情况、市场影响度等九项标准。

通过对照分析可以发现, 现有的评价指标体系多数仍建立在传统交换关系基础上, 更多地考核供应商自身因素, 而很少将制造商与供应商之间的合作因素纳入其中。另一方面, 下游企业的考核标准多聚焦于供应商提供的产品价格、质量等少数静态指标, 不够全面且存在较大程度的主观随意性。

2 供应商评价指标体系的建立

2.1 评价指标体系的设计原则

全面完备性原则:应全面反映合作企业当前的综合水平, 既不重复也不遗漏, 并能够预期供应商的发展前景。

简洁科学性原则:应构建大小适宜的评价体系, 突出影响合作伙伴选择的主要因素, 关注其核心优势, 避免因模型过于复杂而降低实践中的可操作性。

可拓展性原则:应具备足够的灵活性, 保证下游企业能够根据自身特点、招投标实际情况以及产业、行业的特殊要求, 对指标进行扩展、微调。

2.2 平衡记分卡与SCM模式下的供应商选择

平衡记分卡 (BSC) 是Kaplan和Norton提出的一种战略管理视角下的绩效评价框架。该方法从财务状况、顾客满意度、内部运营、学习和创新的角度综合评判企业绩效, 四个维度各有侧重又相互影响, 短期目标与长期目标、财务指标与非财务指标、内部绩效与外部绩效、滞后指标和先行指标相结合, 过去、现在、未来三个节点贯穿。

平衡记分卡测评事物经济性的思想与供应链合作伙伴的选择与考评思路相契合。文中将创造性获得的供应商平衡记分卡应用于合作伙伴的测评与选择工作, 对于平衡记分卡这一绩效评价的手段是一种推广, 对于基于供应链管理的合作伙伴选择与评价模型的改进, 亦是一种有益的尝试。

2.3 SCM中合作伙伴选择与评价模型的构建

借鉴但不局限于传统平衡积分卡的设计原理, 把企业战略转化为可考核的供应商绩效指标, 兼顾到指标的可获取性, 文中侧重于使用定量指标构建出一个全新的供应商选择与评价模型, 如表1所示。

财务信用:财务信用一级指标的设定, 并不拘泥于财务指标, 意在通盘考量准合作伙伴的企业形象与社会责任。财务状况反映了其抗风险能力, 以“还款周期”衡量其信用情况, 为负指标。市场影响度指供应商提供的产品在市场上的销售情况, 可反映出既定供应商的发展潜力, 用“产品市场份额”表示, 为正指标。

服务水平:在日益激烈的市场竞争环境下, 供应商必须为下游企业提供良好的售前、售中和售后服务, 以维持供应链的平稳运转;供应商应具备及时解决客户服务请求的能力, 或者提供有效的技术支持。此处, 服务水平和质量用“投诉响应时间”和“顾客流失率”来体现, 二者均为负指标。

供货能力:反映供应商供货能力的细化指标众多, 但存在相当大程度的同质性, 通过主成分分析, 文中界定出五个最具代表性的指标。产品价格, 指下游企业购买每一单位产品所需付出的成本;供应商提供的报价应当具备竞争力, 以追求更高的供货份额。交货质量, 指供应商的产品满足下游企业需求的程度, 可通过其交付产品符合企业或国家标准的比率来考查;产品如要持续稳定地达到说明书的要求, 其生产过程必然具有科学的作业流程与完善的质量监控体系。供货弹性, 亦即生产柔性, 可通过“订单计划改变接受度”衡量。生产敏捷性, 即对制造商需求信息的反应能力, 可通过“订单处理速度”衡量。地理位置, 指供应商与下游企业所在地之间的距离, 如货品单价较高且需求量大, 距离近的供应商有利于制造商实现零库存管理, 以降低成本。以上指标中, 产品价格以及“供应距离”为负指标, “产品合格率”“订单计划改变接受度”和“订单处理速度”为正指标。

创新发展:从供应商及其员工两个层面进行考量。技术水平, 反映供应商提供商品的技术参数是否达标, 考察上游企业当前的智力资源, 依据“新产品开发率”判别。创新能力是对企业技术发展潜力的描述, 可利用“企业年R&D投入”判别。员工发展空间, 反映员工素质、技能提高的程度及可能性, 可通过“培训费用比例”衡量。以上三者均为正指标。

需进行运算的指标计算公式列示如下:

产品市场份额=供应商产品数/市场同类产品总数×100%

顾客流失率= (企业当期顾客数或业务量-企业当期流失顾客数或业务量) /企业上期顾客数或业务量×100%

新产品开发率=成功开发的新产品数/产品总数×100%

培训费用比例=供应商年培训费用/供应商年员工工资总额×100%

3 熵权法确定指标权重

确定综合评价指标体系的指标权重因子时, 传统上选择德尔菲法或层次分析法等方法, 受主观因素影响较大。应用熵权法确定指标权重, 可避免上述缺陷。熵原为热力学概念, 在信息系统中, 用信息熵来测度信息的无序度。应用熵的概念可判定某评价指标对信息系统集成方案优劣的影响程度。

设有m个供应商, n个评价指标, xij表示第i个供应商的第j个指标值。由于各指标具有不同量纲, 需要先对原始数据作标准化处理:undefined

以ej表示第j项指标的信息熵, 则:undefined。式中k是与m有关的常数, k= (1nm) -1, 0≤e≤1。

信息熵ej可用来度量第j项指标的信息效用。信息熵越大, 信息的无序度越高, 效用值越小。当信息完全无序时, ej=1, 说明第j项指标的数据对于综合评价没有贡献。某项指标的信息价值取决于该指标信息熵ej的补数fj:fj=1-ej。指标信息的价值系数越高, 在评价指标体系中越重要。第j项指标的权重为:undefined

4 应用TOPSIS法选择供应商

供应商选择问题属于典型的多因素选优, 应用TOPSIS法简单可行、符合逻辑, 其核心思想是选定一个正理想解和一个负理想解, 寻求与正理想解距离最近且与负理想解距离最远的方案, 定为最优方案。文中所架构的供应商平衡记分卡模型中, 尽管评价指标被划分为两个层次, 但评价指标总数较少, 为简化运算、便于处理, 视同含12个指标的单层次模型。

具体评价步骤如下:

首先, 构造矩阵。

供应商指标评价值的加权标准化矩阵为:

undefined

第二, 确定正理想解V+和负理想解V-。

undefined

上式中, J1为正指标集, J2为负指标集。

第三, 计算距离。

供应商评价值与正理想解V+和负理想解V-之间的距离可通过代入n维欧几里德公式计算获取:

undefined

第四, 确定相对接近度并排序。

供应商评价值与正、负理想解的相对接近度为:

Zi=T-i/ (T+i+T-i)

根据TOPSIS法评价值Zi由大到小的顺序对供应商进行排序选优。

5 结语

文中在理论上尝试借鉴平衡记分卡的设计思想构建出基于供应链管理的合作伙伴选择与评价模型, 并利用熵权系数与TOPSIS集成的评价决策方法对指标体系及算法进行了探讨。后续研究将专注于该模型在实践中的应用, 部分指标的设置也将根据实际情况进行进一步修正。

摘要：基于全面完备性、简洁科学性以及可拓展性原则, 借鉴绩效管理中平衡积分卡的设计思想, 从财务信用、服务水平、供货能力、创新发展四个维度创造性的构建起供应链管理模式下的供应商选择与评价模型, 并在利用熵权法确定相关指标权重的基础上, 应用TOPSIS法探讨确定供应链管理中最佳战略合作伙伴的实际操作方案。

关键词：供应商选择,供应链管理,平衡记分卡,熵权法,TOPSIS

参考文献

[1]马士华, 林勇.供应链管理 (第二版) [M].北京:高等教育出版社, 2006.

[2]耿浩宁.协威亚公司供应链构建中合作伙伴选择研究[D].四川:西南交通大学工商管理系, 2008.

[3]陈雷, 王延章.基于熵权系数与TOPSIS集成评价决策方法的研究[J].控制与决策, 2003, (7) :456-459.

伙伴选择模型 篇7

关键词：地理邻近,认知邻近,战略联盟网络,纵向网络分析,锡耶纳(SIENA)模型

引言

在创新成为 “后金融危机”下世界各国重塑竞争优势抢占国际竞争制高点的背景下,作为市场主体的企业间的竞争自然演变为以创新为核心能力的竞争。与此同时,随着专业化分工程度的提高、经济全球化的加速发展,企业技术创新对外部资源依赖程度越来越高,这使得企业间合作创新越来越频繁,创新范式由传统的 “线性创新”、 “链性创新”、 “环形创新”转化为 “网络创新”。越来越多的企业纷纷选择以战略联盟作为企业新型的合作方式,以此来整合创新资源, 降低创新成本和风险,实现协同 创新的目 的。 “战略联盟” 已成为当今企业创新的主导模式, 而面对高达40% ~ 70%[1,2]的联盟失败率,人们越来越意识到战略联盟伙伴的选择成为关乎创新绩效与成败的关键。在这一背景下,国内外学者对企业战略联盟伙伴选择论题进行了广泛研究。

国外学者从一般视角和邻近视角探讨了战略联盟伙伴选择的影 响因素。在一般视 角方面, Geringer[3]( 1988) 、Sierra[4]( 1995) 从理论层面分别提出联盟伙伴选择标准,Michael A. Hitt[5]( 2000) 、Balland[6]( 2012) 分别从静态、动态视角实证分析了联盟伙伴需具有的特征; 在邻近视角方面,Tremblay[7]( 2003) 、Demeter[8]( 2013) 认为地理邻近能够促进企业建立战略联盟关系及联盟创新 活动, Cantner[9]( 2007 ) 、 Meder[10]( 2008) 研究发现技术邻近、相似的知识库促进企业间沟通理解和知识转移,提高企业联盟概率。 近来, 少数学者Balland[11]( 2009 ) 、 Buchmann[12]( 2013) 运用社会网络分析方法从邻近视角对动态战略联盟网络的演进机制进行了尝试性探讨,对企业联盟伙伴选择的影响因素进行定量分析。国内学者集中于从一般视角探讨战略联盟伙伴选择的影响因素[13,14],且大部分停留于定性分析[15,16],个别学者 ( 卢燕,2006)[17]从静态视角定量分析了伙伴选择影响因素; 近来,少数学者试图从邻近视角探析产业集群或区域创新的影响机制 ( 王缉慈, 2005[18]; 李琳, 韩宝龙, 2011[19]; 李琳,杨田,2011[20]) ,但将邻近视角引入战略联盟伙伴选择因素的研究却很少,尤其是从邻近视角对战略联盟动态网络中企业伙伴选择影响因素的实证研究几乎空白。鉴于此,本文拟从邻近角度出发,创造性地运用社会网络分析方法中的SIENA模型,从动态视角对企业战略联盟伙伴选择的影响因素进行定量分析,探讨企业战略联盟网络演进的主要驱动力,并据此提出政策启示。

1地理邻近、认知邻近对联盟伙伴选择的影响机制分析

1.1地理邻近

地理邻近性是最常出现在文献中的邻近性概念,有时也被称为空间邻近性或物理邻近性等, 是指主体间空间距离的远近[21],常被定义为两个主体之间的绝对地理距离。地理邻近对战略联盟伙伴选择的影响机理主要表现为以下几个方面: 1从物质生产视角来看,地理邻近有利于企业间物质资源近距离、低成本的运输,有利于企业间便捷且低成本的交流沟通,即运输成本和交易成本的降低,而成本是企业选择战略联盟伙伴时需考虑的因素之一。2从隐性知识传播视角来看, 地理邻近便于企业间频繁的面对面交流[22],频繁的交流互动有利于企业间良好的联盟关系建立, 进而提高企业间信息交换的频率和效率,促进知识尤其是隐性知识的转移和创新活动的产生。3在联盟过程中,由于企业出发点不一致等原因很可能导致企业间发生 “冲突”,而地理邻近可为企业间面对面互动提供便利,有利于企业间互信关系的建立,并以此建立起有助于解决冲突、提高联盟水平的冲突预防和解决机制,提高战略联盟成功率和创新效率。总之,地理邻近在企业战略联盟中的作用基本上已经达成了共识,一般认为高水平的地理邻近有利于企业间进行面对面交流与互动,有助于企业间战略联盟关系的建立。 随着信息和通讯技术的快速发展及广泛使用,不同地区的企业通过应用临时地理邻近也可共享地理邻近效应[23]。

基于以上分析,提出以下待验假设:

假设1: 企业更倾向于和属于同一空间区域的其他企业建立战略联盟关系,即地理邻近有助于企业之间联盟关系的建立。

1.2认知邻近

Nooteboom[24]在1999年首次提出认知邻近的概念,将认知邻近定义为组织成员感知、诠释、 理解和评价客观世界时的相似性,反映主体间在相互作用时所表现的行为方式的相似性,如经验、 语言、知识、技术等。认知邻近对于战略联盟伙伴选择的影响机制主要表现为: 知识的有效转移与联盟的高效开展都离不开吸收新知识的能力, 这种能力又与认知邻近直接相关,因此企业及员工必须拥有相似的语言、知识基础和技术经验, 以及其他有利于企业间学习、联盟及创新的认知相似行为,这样才能推进合作双方顺利沟通和理解,使企业能够以较低成本从联盟伙伴那里获得资源和溢出知识,达到战略联盟的创新目标。总之,我们可以认为: 为了有效地交流、转移新知识,主体需要拥有相似的认知,即需要找到一个最佳的认知距离来确保沟通的有效性,从而促进创新活动的产生,也就是说企业会被拥有相似知识基础的企业所吸引。

基于以上分析,提出以下待验假设:

假设2: 企业更倾向于和拥有相似知识基础的其他企业建立战略联盟关系,即认知邻近提高企业之间联盟的可能性。

1.3其它因素对联盟伙伴选择的影响

1.3.1成本效应

成本效应通常指一个关系建立维持所需要的成本,虽然成本效应不能解释为什么形成战略联盟关系,但是常用来解释为什么不能形成战略联盟关系[11]。一般来说企业建立战略联盟关系的过程中主要涉及沟通、谈判、履约等交易成本,具体包括: 1搜寻成本,即使企业同处于一个行业, 但是想要寻找一个合适的联盟伙伴不可避免地需要花费大量时间、精力去找寻和了解,也就是说在企业战略联盟建立过程中,必然会存在搜寻成本; 2谈判成本,企业在寻找到潜在的联盟伙伴后,就需要对具体的联盟项目、联盟方式以及联盟条款进行详细谈判,这就会产生相关的谈判成本; 3履约成本,在企业联盟过程中,为了降低机会主义风险,避免对方不按照联盟规定履约而使自己蒙受损失,联盟双方都会花费大量的成本用于监督和督促对方执行合同; 4其他成本,在联盟过程中,可能还会产生无计划的知识外溢, 损害企业利益,为了降低此方面损害,企业必须投入成本进行控制,加强企业知识产权保护[25]。 为了解释企业战略联盟网络现有的结构及伙伴选择的影响因素,必须充分考虑成本效应造成的影响,成本效应解释了为什么所有的节点即企业无法完全连接到其他所有节点。

基于以上分析,提出以下待验假设:

假设3: 成本效应越大企业就不太可能与其他企业建立战略联盟关系,即成本效应降低企业之间联盟的可能性。

1.3.2吸收能力

吸收能力,这一影响因素一直受到研究企业联盟创新的国内外学者的重视,学者普遍认为企业吸收能力的水平与利用外界知识的水平是成正比的。Coben & Levinthal[26]( 1990) 首先提出吸收能力有助于提高企业创新绩效,因为外部知识只有被企业吸收后才能转化为企业自身可用的知识。Harabi[27]( 1997) 认为企业对外部知识的获取不是无条件的,企业自身要具备相应的知识基础,只有这样才 能充分的 消化、利用新知 识。 Chen[28]( 2002) 在理论上分析了企业自身吸收能力和创新绩效之间的关系,认为企业吸收能力增强将显著提高企业创新绩效,企业可以通过吸收外部新知识并将其转化为内部知识在企业内实现共享,从而增加知识的积累,最终实现创新。 由此可见吸收能力决定了企业从联盟中得到的期望收益,企业只有根据自身的吸收能力建立关系才能最大限度的获取外部知识。

基于以上分析,提出以下待验假设:

假设4: 吸收能力越强企业就越可能与其他企业建立战略联盟关系,即吸收能力增加企业之间联盟的可能性。

2实证研究

2.1研究方法的选取

本文将采取一种常用来分析网络变化模式的方法———锡耶纳 ( SIENA) 模型来进行研究,首先介绍该方法的基本原理,然后简述该方法中可供选择的几种非定向模型。

2.1.1锡耶纳(SIENA)模型

面对时间序列关系数据,传统的推理统计技术与其不相适应,而锡耶纳 ( SIENA) 模型结合了随机效用模型,即马尔可夫过程与模拟,可以解释社会网络的演变,更好地对网络结构的复杂性进行分析。近年来,锡耶纳 ( SIENA) 模型在经济社会学、管理学、经济地理学等领域[11]得到了广泛地应用。

众所周知,网络分析的第一个统计模型是静态的 “p”模型,主要有p1模型,p2模型和p*模型,该模型评价了变量和网络结构在一个特定时间的相关性,但是不能解释网络在两个时点之间的相关变化。然而,本文所使用的锡耶纳 ( SIENA) 模型可以解释随着时间的推移网络结构是如何变化的,即可以解释网络演进过程中内生影响 ( 结构的影响) 、外生影响 ( 个体特征和邻近性) 和随机效应的作用结果,这种演进可以理解为从t到t + 1,然后从t + 1到t + 2……的相关性变化。这是因为锡耶纳 ( SIENA) 模型结合了随机效应模型,随机效应是马克尔夫过程的一个结果,可以对按时间顺序的随机过程进行分析。因此,包含马尔可夫过程的锡耶纳 ( SIENA) 模型可以通过解释网络现行的状态,来预测该网络未来的演进[29]。

作为STOCNET[30]软件的一部分,锡耶纳( SIENA) 模型是一个以行为主体为导向的统计学网络模型,这意味着作为行为主体的企业可以根据网络结构和个体特征以及他们的邻近性来做出理性选择从而改变他们之间的关系。锡耶纳( SIENA) 模型为每一个行为主体定义了一个效用函数作为他们的目标函数,这个目标函数是模型的 “驱动力” ( Snijders, Steglich, SchweinbergerandHuisman ,2010)[29]。企业都期望目标函数能够最大化,因此这个函数决定了未来网络的结构。锡耶纳 ( SIENA) 模型同样是一个离散选择模型,该模型定义了一个选择的概率集合[11],在选择中企业能够创造、保持或者解散与其他所有企业的战略联盟。 当与随机效应相联系的关系变化在效用上达到最大,企业就会选择这种关系变化。

2.1.2相关的非定向模型选择

为了分析非定向网络数据,锡耶纳 ( SIENA) 模型提出了6种不同种类的模型。根据速率函数的差异分为两大类: 模型A与模型B。速率函数表示行为主体改变他们关系 ( 创造或解散关系) 的机会[29]。

在模型B中,速率函数表示了每一对关系改变的最大期望值,这个期望值导致单一关系变量Xij变化的机会是按 λi* λj的比率发生的。B模型由4个模型组成: ( 1) 关系基础模型,根据目标函数的平均数来创造关系;( 2) 成对关联模型, 当且仅当行为主体都同意时创造关系; ( 3) 成对分离 ( 强迫) 模型,至少一个行为主体选择发生关系; ( 4) 成对补偿 ( 添加) 模型,在两个行为主体的效用总数的基础上建立关系。

而模型A表示了这样一个观点: 在一个关系的创造上总是存在一个先驱者,企业很少同时做决定,如很少同时决定建立战略联盟关系,总会存在一个企业或多或少地首先提出一个可能的联盟建议。在模型A中单一关系变量Xij变化的机会是按 λi的比率发生的。A模型是由两个不同类型的模型组成: 一个是强迫模型,是当一个行为主体单方面决定建立或者解散一个关系时所使用的模型,在这种情况下,对于这种关系存在的唯一条件是最大化两个联盟者中一个人的效用,这个模型通常被用来描述分级网络; 另一个是单方主动互惠确认模型,一个行为主体提议建立一个关系,其他行为主体如果也想建立该关系的话需要进行确认。在我们看来,这个模型最接近战略联盟网络的现实,因而本文将使用这个模型。

2.2研究对象与指标选取

2.2.1研究对象

本文目的在于研究多维邻近性对企业战略联盟伙伴选择的影响,因此所选取的对象必须是创新能力和战略联盟都较为显著的企业。因此,本文将选择软件企业作为研究对象,主要是因为: ( 1) 软件产业技术更新快,一般只需要18 ~ 24个月的时间就可以完成一次技术更新升级,新技术、新概念、新思维在软件行业内层出不穷,符合创新活动显著的要求; ( 2) 我国大部分省市均建有国家级软件园,优惠政策引导软件企业集聚, 这使得软件企业间地理邻近客观存在; ( 3) 软件行业核心的计算机语言编程技能相似,使得从业人员知识背景相似,且企业间员工频繁 “跳槽”, 均导致软件企业知识交流活跃,认知邻近更为显著,有利于认知邻近研究的展开。国内外学者的实证研究结果也验证了这一观点,如Hagedoon[31]( 2000) 发现联盟创新在以信息技术产业为代表的高技术产业占了相当大的比重,而且这个比重还在不断增长,国内学者钟书华[33]( 2000) 问卷调查显示,开展联盟创新的企业中高新技术企业所占比例高达51. 8% 。

本文中,我们认为企业参加某项产业联盟即建立了与联盟中其他企业的战略联盟关系。这是因为这些国家级产业技术创新联盟会引导企业进行联盟合作,在产业联盟中企业也更容易找到合适的战略联盟伙伴,比如TD产业联盟会根据市场的需要,组织成员共同规划技术与产品发展路线,参与网络测试,组织共用技术的开发,从而推动有利的产业创新环境形成。

本文最终将研究对象定为中国产业技术创新战略联盟 ( CITISA) 中新一代信息技术产业、遥感与导航领域相关产业联盟中的软件企业。这些联盟包括WAPI联盟、导航定位芯片与终端产业技术创新战略联盟、地理信息系统产业技术创新战略联盟、电子贸易产业技术创新战略联盟、光纤接入 ( FTTx) 产业联盟、长风联盟、闪联及TD联盟等8个产业联盟。选取2010 ~ 2013年国家规划布局内重点上市软件企业及各省软件产业基地骨干上市企业等91个企业作为实证研究对象。

2.2.2纵向网络数据库的建立

我们分别收集2009 ~ 2013年上述8个产业联盟中的成员状况作为关系数据,每一年都建立一个关系网络矩阵。由于SIENA模型要求网络必须是动态变化的,故我们剔除了与2011年几乎保持不变的2012年网络。为了建立纵向关系数据库, 本文假定当两个企业同时参加一个产业联盟时, 他们就会发生关系。关系的测量用二进制方法: 0表示企业在这一年没有参加相同的产业联盟,1表示企业在这一年至少参加了一个相同的产业联盟。据此我们得到4个企业战略联盟网络。

由表1可以看出战略联盟网络改变状况。每年随着更多的企业加入产业联盟,没有企业退出产业联盟,使得更多的关系被创造。事实上,观测期间的增长速度指标显示,企业战略联盟网络是在不断增长的。然而,经过2009 ~ 2010年的一个迅速扩张后,网络在2010 ~ 2011年增长变缓,在最后一个时期2011 ~ 2013年成为一个稳定时期,网络变化不大。

由表2可以看出每年战略联盟网络结构的特点。密度等于有效联系数目除以可能联系的最大数目,密度接近0表示一个联系不好的网络,密度接近1表示一个联系较好的网络,就表2而言, 2011年和2013年战略联盟网络中企业间联系程度比2009年和2010年好。

2.2.3指标选取与测度

( 1 ) 地理邻近

地理邻近是由同一空间区域企业的协同定位决定的。通过91个上市企业年报我们可以找到企业地址,从而建立二元形式的地理邻近。我们将空间区域分为3个层次: 省、市、区。如果企业不属于同一省份,他们在地理上就会很遥远,但可能共享一个临时的地理邻近,此时地理邻近赋值为1; 如果属于同一省,他们共享一个低等的地理邻近,赋值为2; 如果属于同一省中的同一市,他们共享一个中等的地理邻近,赋值为3; 如果属于同一省中的同一市下属的同一区,他们共享一个高等的地理邻近,赋值为4。

( 2) 认知邻近

认知邻近反应了企业在相互沟通时所表现的行为方式的相似性,涵盖了一般意义的技术邻近和知识基础相似,具体包括企业之间共同语言、 相似的知识和技术等。本文用员工的认知邻近来衡量企业的认知邻近,员工认知邻近则需从广度和高度两个方面考虑,广度可用企业中技术人员所占比重来衡量,高度用企业中硕士以上学历员工所占比重来测度,以两者的乘积表示员工认知邻近。相关数据我们可以从91个上市企业年报中找到,并将两个企业各自的认知邻近数值之差作为二元形式的企业间认知邻近。

如图1所示,大部分企业认知邻近二元数据集中在0 ~ 0. 1这一范围内。本文认为当企业间认知邻近数值越小,两个企业员工认知程度较为相似,则两个企业共享一个高度的认知邻近。在此基础上,本文建立认知邻近变量: 数值为0 ~ 0. 1赋值为2,其余为1。

( 3) 成本效应

在纵向网络分析的文献中常用出度或者密度效应来表示一个关系建立的成本。本文采用出度 ( 即当关系有方向时,自该行为主体引出的关系数目) 表示企业成本效应,考虑到在本研究产业联盟案例中通常只有企业加入而没有企业退出, 将以2013年的战略联盟网络数据为基础形成二元形式的成本效应,若企业间建立战略联盟关系赋值为2,否则为1,这囊括了5年内所有企业建立的战略联盟关系情况。

( 4) 吸收能力

吸收能力通常用企业研发强度来测量。本文用两个企业间研发费用占营业收入的比值之和来表示二元形式的吸收能力,从91个上市企业的年报中我们可以找到相关数据。

如图2所示,大部分企业吸收能力二元数据都处在0 ~ 0. 35这一范围内。本文认为当两个企业相关比值之和越大,两个企业研发强度总的来说越强,那么二者吸收能力也就越强,在此基础上本文将对0 ~ 0. 35的吸收能力赋值为1,其余赋值为2。

综上所述,二元形式的变量与测度如下 ( 见表3) 。

2.3实证结果分析

模型中所有的参数估计是运用锡耶纳 ( SIENA) 模型中单方主动互惠确认模型,及条件矩估计法,基于2771次迭代而得出。所有的变量t值均在P < 0. 1的水平下显著,且各变量的t比率 ( t - ratios) 小于0. 1,且接近于0,显示了该模型具有良好的收敛度。表4总结了最终结果。

注: * p < 0. 1,**p < 0. 05,***p < 0. 01

一般参数 ( λt ~ t + 1) 每年会越来越小,这仅仅表明在这一期间战略联盟网络发生了变化。每个企业战略联盟变化的期望值在2009 ~ 2010年之间为1. 4956,在2010 ~ 2011年之间为0. 6710, 最后在2011 ~ 2013年之间为0. 3724。这种变化表明企业间战略联盟网络是低增长的。意味着后一个时期比前两个时期有较少的机会来改变关系。

在企业战略联盟的建立上,地理邻近系数为0. 3005,是一个正向且显著的参数。结果表明, 企业更倾向选择在地理上邻近的企业作为战略联盟伙伴,这主要是因为软件和技术服务业是信息时代背景下我国重要的战略新兴产业,目前仍处于快速发展阶段,布局仍以政府主导的软件产业园为主,即政府通过政策性引导,使企业间距离较短并由此形成企业聚集。由此看来假设1是成立的。

从结果上看,认知邻近参数为1. 4506,正向且显著,这说明了我国软件企业倾向于与拥有相似知识基础的企业建立战略联盟关系。一方面是因为作为软件行业核心的计算机语言编程技能相似,从业人员知识背景相似,认知邻近使企业能够进行高效沟通与学习吸收,因此具有相似知识基础的企业会倾向于建立战略联盟; 另一方面由于技术更新快的产业特点,使得软件行业对创新需求特别旺盛,而我国软件行业较国外起步晚, 技术力量薄弱,信息渠道不畅通,而企业建立战略联盟正好能解决此问题,因此具有较高认知邻近的企业会倾向于联盟合作,以此整合联盟双方力量,获得联盟建立所带来的合作创新等好处。 总之,认知邻近对于战略联盟关系的建立发挥显著正向效应,因此假设2是成立的。

对比地理邻近参数与认知邻近参数可知,虽两者都为正且显著,但认知邻近参数远大于地理邻近参数,说明认知邻近对于企业联盟伙伴选择的影响效应远大于地理邻近。

成本效应的系数为 - 0. 4032,是负向且显著的。这说明建立战略联盟关系是有代价的,即使面对建立战略联盟关系、并由此获得的战略联盟创新等好处,企业也不得不考虑这种代价。这主要是由于我国软件产业整体处于全球产业链低端, 高科技类中小创业型企业较多,规模较小,资金短缺,融资与筹资能力相对有限,而企业建立战略联盟的过程中不可避免的存在搜寻、沟通、谈判、履约等方面的交易成本。虽然,产业联盟可为企业提供潜在合适的战略联盟伙伴,从而在一定程度上降低搜寻成本,但是企业间战略联盟的建立仍需要其他力量的推动。因此假设3在此看来是成立的。

对于建立战略联盟关系来说,吸收能力的系数为0. 4460,是一个正向且显著的参数。这表示当企业及员工吸收能力高时,企业会为了获得创新而倾向于建立战略联盟。这主要是由于软件行业技术更新快,生命周期短,对创新需求大,而高吸收能力能够提高企业吸收利用外部知识的水平,从而促进创新,使得企业以技术创新抢占市场,继而产品创新占领市场。换句话说,高吸收能力增加企业建立战略联盟并实现联盟创新的可能性。由此看来假设4是成立的。

3结论与启示

本文在重点解析地理邻近、认知邻近对企业战略联盟伙伴选择的影响机制的基础上,创造性地运用SIENA模型,从动态视角对企业战略联盟伙伴选择影响因素进行定量分析,得出以下重要结论。

( 1) 地理邻近对企业战略联盟关系的建立产生显著正影响,但这种地理邻近并不是要求企业盲目扎堆而形成的短距离,而是要求形成具有产业特性与网络特征的真正意义上的产业集群[34]。 鉴于此,对于政府来说,要根据实际情况出台相关政策来完善软件行业产业链,有意识地引导位于产业链不同环节的企业进行合理的配套布局, 充分发挥地理邻近的最大效应[20]; 对于企业管理者来说,要确定企业在产业链中的地位,与其他企业形成较为合理的地理邻近关系,尤其是中小企业可布局在大企业周围,以此来加强企业间的合作,减少交易成本,激励企业战略联盟创新行动。

( 2) 认知邻近对企业战略联盟关系的建立至关重要。因此,一方面要形成企业间的共同语言、 共同标准以及相似的知识基础和技术水平,从而降低企业交流障碍,通过加强员工吸收能力来提高信息获取速度和效率; 另一方面要建立企业间交流与学习的正式高效渠道,拓展企业关系网络, 提高信息知识的共享度和传播水平,促进战略联盟高效持续发展。鉴于此,对于政府来说,要为企业提供互动交流的平台与场所,创造企业间正式与非正式的交流机会,便于企业针对最新技术发展动向进行沟通,加强企业间信息知识流动, 提高企业间战略联盟的广度和深度; 对于企业管理者来说,要促进企业积极参与行业技术标准的制定,提高企业间认知邻近,将标准制定作为企业建立战略联盟的纽带和参与市场竞争的重要手段。

( 3) 成本效应是企业在选择战略联盟伙伴时需考虑的重要因素。面对建立战略联盟从而获得合作创新等好处,企业仍旧需考虑建立战略联盟所付出的代价,可见此成本限制了企业间联盟的建立。鉴于此,对于政府来说,要重点培育战略联盟创新环境,出台相关法律法规,规范企业行为,促使企业建立良性联盟与竞争关系,引导企业战略联盟低成本、高效率的建立与开展,促进企业战略联盟创新网络的形成与发展; 对于企业管理者来说,要充分利用行业协会或产业联盟搭建的公共技术研发平台等联盟创新平台,促进企业间沟通交流,降低联盟伙伴搜寻成本,并促进企业间认知邻近进一步提高,从而促进企业战略联盟的建立及联盟创新的持续增长。

冷链物流合作伙伴的选择 篇8

1 冷链物流合作伙伴选择指标体系的确定

结合国内外物流合作伙伴选择等级指标体系研究的发展状况,结合冷链物流的特殊性,利用层次分析原理建立了以下评价等级指标(见表1)。

(1)服务质量(A1)

一般情况下关于物流合作伙伴的选择,食品企业希望能够用最低的成本获得最优质的冷链物流服务,从而提升自身的核心竞争力和盈利水平。本文结合冷链物流实际需要选取了以下3个指标来衡量服务质量:服务可靠性(B11),包含交货准时率及交货准确率;客户满意度(B12),包含客户抱怨率及客户售后服务满意度;产品服务柔性(B13),包含服务柔性、时间柔性和数量柔性。

(2)企业实力(A2)

企业实力是食品企业与物流合作伙伴长期合作的关键,因此食品企业除了关注合作伙伴物流服务水平和服务价格的同时,更关注合作伙伴抗风险的能力,这些与物流供应商的人力、财力、物力和管理水平等企业实力密切相关。拟用以下5个指标来衡量:运输实力(B21)、仓储实力(B22)、配送实力(B23)、信息化水平(B24)和人员素质及管理水平(B25)。

(3)成本水平(A3)

项目收益率的高低是企业在投资任何新项目时所必须考虑的,同样,食品企业选择合作伙伴时必然会把回报率的大小及方案带来的收益纳入考虑中。拟用以下3个指标来衡量:作业成本(B31)、投资风险程度(B32)和物流管理成本(B33)。

2 运用多层次灰色评价选择冷链物流合作伙伴

食品企业在进行冷链物流合作伙伴选择时,由于采用的评价指标多是不确定和灰色的,同时也是多层次和复杂的,其评价也往往建立在评价者的个人偏爱、认知能力和知识水平之上,因此其评价结果难免带来偏差。而灰色系统理论是揭示少数据、贫信息背景下事物的演化规律,因此运用灰色理论进行冷链物流合作伙伴选择是相对适宜的。根据以上的评价指标体系,本文运用多层次灰色评价方法对广西柳州某食品企业(以下简称“BG公司”)冷链物流合作伙伴选择进行了实证研究,其评价过程如下:

(1)确定评价指标的权重

采用层次分析法评价指标的权重,通过专家咨询建立两两重要性比较矩阵,然后利用解矩阵特征值的方法得出指标权重。

(2)确定评价等级标准,并组织专家打分

首先将指标进行无量纲归一化,然后按7分制折算其得分,按期优劣等级统一划分为“优”、“良”、“中”、“差”4种标准,其分制分别为4,3,2,1分,指标等级介于两相邻等级之间时相应评分为3.5;2.5;1.5分。组成一个5人评价专家组分别对BG公司的3个冷链物流合作伙伴选择指标Bij分等级标准打分dikj(k=,1,2,…,p)得到评价样本矩阵。

(3)计算灰色评价系数、权向量与权矩阵

根据上述指标Bij的评分等级标准,设定4个评价灰类,灰类序号为e,即e=1,2,3,4,它们分别是“优”、“良”、“中”、“差”。通过计算分别得到灰色评价系数、权向量和权矩阵。

(4)对Bi作综合评价

对Bi的综合评价结果记为Yi,则:

以F1为例:

(5)对A作综合评估

由Bi的综合评价结果Y可得A对于各评价灰类的灰色评价权矩阵R:

对A综合评估的结果为Y:

以F1为例:

(6)对受评对象作综合评价

将各灰类按照“灰水平”赋值,则“优、良、中、差”评价灰类等级值化向量X=[4,3,2,1]T,计算综合评价值P*:

P*=Y·X

以F1为例:P1=(0.285,0.375,0.337,0.002)·(4,3,2,1)T=2.941;同理F2=3.178;F3=3.186。

(7)评价结果分析

根据上面的计算结果可知,第三位冷链物流合作伙伴的评价值高于其他两位合作伙伴,因此BG公司选择了第三位冷链物流服务商进行冷链物流业务外包,从目前合作的情况来看,外包冷链物流后BG公司物流服务水平较之前提高35.6%,物流成本节约29.3%,外包后整体效果良好。

3 结束语

影响食品企业冷链物流合作伙伴选择的因素众多,本文只是提供了一种评价思路和方法,不同的食品企业可以根据实际情况对相关指标体系、评价标准和指标权重进行调整,以便更加科学、合理地对冷链合作伙伴进行评价。

参考文献

[1]苏菊宁,陈菊红.供应链物流合作伙伴选择的多层次灰色评价方法[J].运筹与管理,2006(3):66-70.

[2]崔伟.食品冷链物流服务商评价研究[D].大连:大连交通大学(硕士学位论文),2010:19-20.

[3]林远明,卓建仙,杨凯.基于多层次灰色评价方法的应急物流能力评价研究[J].物流科技,2010(1):57-60.

[4]邓聚龙.灰色系统理论教程[M].武汉:华中理工大学出版社,1992:22-45.