伙伴决策

伙伴决策（精选4篇）

伙伴决策 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.

伙伴决策 篇2

关键词：动态联盟,多粒度语言,优化,正态分布,ET-COWGA

0 引言

虚拟企业是一种崭新的企业组织形式,是21世纪企业进行生产经营活动和参与市场竞争的主要模式。面对某一市场机遇时,最先抓住机遇并掌握一定核心能力的企业首先要对自身核心资源进行分析,判断实现市场机遇所需的核心资源与自身资源是否匹配。如果两者匹配,则核心企业通过自身努力来抓住市场机遇,反之,核心企业则根据具体情况通过组建虚拟企业或者并购外部资源来抓住市场机遇。如果选择组建虚拟企业,则该核心企业称为盟主。对盟主而言,在确定新产品开发目标后,首先进行项目分解,将总项目分解成若干个可由单独企业承担的子项目,为每个子项目设计招标书,然后通过公共信息网络进行招标。在同一时间内有众多的企业投标,如何从这些投标企业中选择最佳的合作伙伴,是组建虚拟企业过程中最为关键的一步。文献[1]提出了基于层次分析法的合作伙伴选择方法,文献[2]提出了基于层次分析法和数据包络分析的合作伙伴选择方法,文献[3]提出了基于改进型灰色评价的虚拟企业合作伙伴选择方法。这些文献中的判断矩阵或效用值及其评价指标的权重都是用一个精确数表示的。

然而在实际决策中,由于客观事物的复杂性及人类认识的局限性,往往很难确定一个精确数,即使给定一个精确数,也是比较主观的,不一定能反映实际情况。文献[4,5]提出基于模糊层次分析法的合作伙伴选择方法,首先给出语言判断矩阵,然后给出语言偏好信息的隶属函数,例如“高”、“很高”等语言的隶属函数分别用三角模糊数[0.7,0.9,1.0]和[0.9,1.0,1.0]表示,而事实上隶属函数在实践中并不是总能获得,因而该方法在实际应用中仍存在一定的困难。文献[6]提出的基于证据推理的合作伙伴选择方法,虽不需要将语言评价转为精确数或模糊数,但需要事先给每个语言评价的确定置信度,这显然也比较主观。由Herrera等[7]提出的二元语义可直接对语言评价信息进行计算,但目前还没见到基于二元语义信息的合作伙伴选择方法。文献[8]提出了一种基于二元语义信息处理的群体决策方法,该文中有两个问题值得商榷:①由于对属性的认识程度不同,故不同的决策者可能依据不同粒度语言评价集给出语言评价值;②属性的权重一般很难精确得到,尤其当决策问题比较复杂时。虚拟企业合作伙伴选择过程中,由于涉及因素多,且有很多抽象因素无法用数值精确描述,故用诸如“好”、“较好”来描述,更符合人们的思维习惯。本文提出一种在部分权重的情况下基于多粒度语言评价值的动态联盟中的合作伙伴选择方法。

1 不同粒度语言评价值的一致化

关于二元语义的基本概念可参考文献[9,10]。

定义1 设β∈[0,T]为语言评价集S经某种集结方式得到的一个实数值,则β可由函数Δ表示为二元语义:

Δ:[0,T]→S×[-0.5,0.5)

Δ(β)=(sk,ak) k=round(β)

式中,sk为语言评价集S中第k+1个语言评价值;ak为sk的符号平移,ak=β-k;round(*)为四舍五入取整算子。

定义2 设(sk,ak)是一个二元语义,则存在一个逆函数Δ-1,使其转换成相应的数值β∈[0,T]:

Δ-1:S×[-0.5,0.5) →[0,T]

Δ-1(sk,ak)=k+ak=β

决策者对不同属性的认识程度不同,不同决策者对同一属性的认识程度也不同。对某一属性越熟悉,语言变量不确定性粒度增大,语言变量的表示趋向精确。事先假设一组不同粒度语言评估标度S(T)[0,1,…,T-1]={s(T)0,s(T)1,…,s(T)T-1}。T一般为奇数(3、5、7等),表示语言评价集的粒度,即语言评价集中短语的个数。若T=3,则S(3)[0,1,2]={s(3)0,s(3)1,s(3)2}={很差,一般,很好};若T=5,则S(5)[0,1,2,3,4]={s(5)0,s(5)1,s(5)2,s(5)3,s(5)4}={很差,较差,一般,较好,很好};若T=7,则S(7)[0,1,2,3,4,5,6]={s(7)0,s(7)1,s(7)2,s(7)3,s(7)4,s(7)5,s(7)6}={很差,差,较差,一般,较好,好,很好}。语言评估标度要满足以下2个条件:(1)有序性。当i<j时,有s(T)i<s(T)j,即表示s(T)i劣于s(T)j。(2)存在逆运算“neg”。neg(s(T)i)=s(T)j,j=T-1-i。

基于多粒度语言评价信息的群决策问题首先将不同语言评价集一致化为标准语言评价集。文献[11]基于模糊理论中的扩展原理,采用最大最小隶属度原则,将不同粒度语言评价信息转化为定义在基本语言评价集上的模糊数。文献[12]通过插值方法将不同粒度语言评价信息一致化为基本语言评价信息。文献[11,12]使用三角模糊数来表达语言评价集中短语所对应的语义,计算过程比较繁琐,而且只能从粒度低的评语集向粒度高的评语集转化。

定义3 设S(T)[0,1,…,T-1]和S(G)[0,1,…,G-1]为两种不同粒度的语言标度,定义S(T)[0,1,…,T-1]为标准语言评价集,则S(G)[0,1,…,G-1]中的语言评估值(s(G)k,ak)转换到S(T)[0,1,…,T-1]中的语言评估值为

$(s{}_{k^{\prime }}^{({\rm T})},a{}_{k^{\prime }})=\Delta ({\beta }^{\prime })=\Delta (\frac{{\rm T}-1}{G-1}\Delta {}^{-1}(s{}_k^{(G)},a{}_k))(1)$

从式(1)可以看出,一种语言中的任一标度在另一种粒度语言中都有唯一的标度与之对应,因此具有函数的双射和满射的特征,所以这种转换不会丢失任何信息。特别地,若k=0,ak=0,则(s(T)k′,ak′)=(s(T)0,0);若k=(G-1)/2,ak=0,则(s(T)k′,ak′)=(s(T)(T-1)/2,0);若k=G-1,ak=0,则(s(T)k′,ak′)=(s(T)T-1,0)。上述三式说明,一种粒度语言中的最小标度、中等标度、最大标度转换成另一种粒度语言时,仍旧是最小标度、中等标度、最大标度。

2 二元语义集结算子

假设有限备选方案集X={x1,x2,…,xm},属性集U={u1,u2,…,un},属性权重向量$\tilde{\mathit{\omega }}=(\tilde{\omega }{}_1,\tilde{\omega }{}_2,\cdots ,\tilde{\omega }{}_n)$(其中的每一个元素都为区间数),决策群体集D={d1,d2,…,dp}。$\tilde{\omega }{}_j=[\omega {}_{j\text{L}},\omega {}_{j\text{U}}](j\ge 2),\omega {}_{j\text{L}}$、ωjU分别为区间数的下界和上界。A(t)=(a(t)ij)m×n(i≥2,t≥2)为决策者dt的语言评价矩阵,a(t)ij为决策者dt对方案xi关于属性uj的语言评价值。R(t)=(r(t)ij)m×n为决策者dt的语言评价矩阵转化为标准语言评价集后的语言评价矩阵,r(t)ij为不同粒度语言评价值转化为标准语言评价集后的语言评价值。R=(rij)m×n为群体综合评价矩阵。

定义4[13] 设{(s1,a1),(s2,a2),…,(sn,an)}为一组二元语义信息,且设数据自身的权重向量ω=(ω1,ω2,…,ωn),ωj∈[0,1]且${\displaystyle \sum _{j=1}^n\omega }{}_j=1$,则扩展的二元语义加权几何平均(ET-WGA)算子φ定义为

$\begin{array}{l}(s{}_k,a{}_k)=\phi ((s{}_1,a{}_1),(s{}_2,a{}_2),\cdots ,\\ (s{}_n,a{}_n))=\Delta \{{\displaystyle \prod _{j=1}^n[}\Delta {}^{-1}(s{}_j,a{}_j)]{}^{\omega {}_j}\}(2)\end{array}$

定义5[13] 设{(s1,a1),(s2,a2),…,(sn,an)}为一组二元语义信息,位置权重向量v=(v1,v2,…,vn)是与扩展的二元语义有序加权几何平均(ET-OWGA)算子g相关联的加权向量(位置权重向量),vj∈(0,1)且${\displaystyle \sum _{j=1}^{n}v}{}_j=1$,则g定义为

$\begin{array}{l}(s{}_k,a{}_k)=g((s{}_1,a{}_1),(s{}_2,a{}_2),\cdots ,\\ (s{}_n,a{}_n))=\Delta \{{\displaystyle \prod _{j=1}^n[}\Delta {}^{-1}(s{}_{\pi (j)},a{}_{\pi (j)}]{}^{v{}_j}\}(3)\end{array}$

其中,π(j)(j=1,2,…,n)是1,2,…,n中的一个置换。对任意j=2,3,…,n有(sπ(j-1),aπ(j-1))≥(sπ(j),aπ(j))。

ET-OWGA算子只考虑了数据位置的重要程度,即只根据某个数据在整个数据列当中的相对大小赋予不同的权重,而没有考虑数据自身的重要程度,即在多属性决策中没有考虑不同的属性具有不同的权重。参考文献[14],本文提出扩展的组合加权几何平均算子(ET-COWGA)。

定义6 设{(s1,a1),(s2,a2),…,(sn,an)}为一组二元语义信息,由于每个数据自身的重要程度不同,且设数据自身的权重向量为ω,位置权重向量v是与扩展的二元语义有序组合加权几何平均(ET-COWGA)算子φ相关联的加权向量,则φ定义为

$(s{}_k,a{}_k)=\phi ((s{}_1,a{}_1),(s{}_2,a{}_2),\cdots ,(s{}_n,a{}_n))=\Delta ({\displaystyle \prod _{j=1}^{n}b}{}_{\pi (j)}^{v{}_j})(4)$

对任意j=2,3,…,n有bπ(j-1)≥bπ(j),其中,bj=(Δ-1(sj,aj))nωj,n为平衡因子。显然当ω=(1/n,1/n,…,1/n)时,$(s{}_k,a{}_k)=\Delta \{{\displaystyle \prod _{j=1}^n[}\Delta {}^{-1}(s{}_{\pi (j)},a{}_{\pi (j)})]{}^{v{}_j}\}$,则ET-COWGA算子退化为ET-OWGA算子;当v=(1/n,1/n,…,1/n)时,$(s{}_k,a{}_k)=\Delta \{{\displaystyle \prod _{j=1}^n[}\Delta {}^{-1}(s{}_j,a{}_j)]{}^{\omega {}_j}\}$,则ET-COWGA算子退化为加权几何平均(ET-WGA)算子。可见,ET-COWGA算子不仅考虑了数据自身的重要程度,也考虑了数据位置的重要程度。

应用OWG算子的关键是确定位置权向量v,确定位置权向量的方法主要有模糊量化方法、最大熵规划模型、最小方差规划模型、极大极小离差规划模型[15],但这些方法要么是物理含义不够清楚,要么是计算过程比较复杂。在数据列当中,出现在平均值附近的数据比较合理,应该赋予较大的位置权重,远离平均值的数据则说明该数据不尽合理,应该赋予较小的权重,以弱化不合理数据对数据集结结果的影响。基于此,笔者提出基于正态分布的方法来确定OWG算子中的位置权向量:

$t{}_j=\frac{1}{\sqrt{2\text{π}}\sigma {}_n}\text{e}{}^{-(j-u{}_n){}^2/(2\sigma {}_n^2)}j=1,2,\cdots ,n(5)$

$u{}_n=\frac{1+n}{2}\sigma {}_n=\sqrt{\frac{1}{n}{\displaystyle \sum _{j=1}^n(j-u{}_n)}{}^2}$

由于vj∈[0,1]且${\displaystyle \sum _{j=1}^{n}v}{}_j=1$,所以将tj归一化得到vj

$v{}_j=\text{e}{}^{-(j-u{}_n){}^2/(2\sigma {}_n^2)}/{\displaystyle \sum _{j=1}^n\text{e}}{}^{-(j-u{}_n){}^2/(2\sigma {}_n^2)}j=1,2,\cdots ,n(6)$

3 基于两阶段优化确定属性权重向量

由于客观事物的复杂性和人们认识的局限性,专家往往很难准确给出某属性的权重,而只是给出一个权重范围,即属性权重可能部分确知,而属性权重的不确定会引起决策方案排序的不确定。为此,本文首先从局部考虑,求解使得方案xi的综合评价值最大时,其所对应的理想属性权重ω(i)j。ω(i)j为相对于第i个方案综合属性值最大时,求得的第j个属性值局部权重值。从而建立下列线性规划模型:

$\begin{array}{l}\text{m}\text{a}\text{x}z{}^{(i)}={\displaystyle \sum _{j=1}^n\omega }{}_j^{(i)}\Delta {}^{-1}(r{}_{ij})\\ \text{s}.\text{t}.{\displaystyle \sum _{j=1}^n\omega }{}_j^{(i)}=1,\omega {}_{j\text{L}}^{(i)}\le \omega {}_j^{(i)}\le \omega {}_{j\text{U}}^{(i)}\end{array}\}(7)$

采用单纯形法或直接利用MATLAB软件的linprog函数求解此模型,将得到对应方案xi的最优权重向量ω(i)=(ω(i)1,ω(i)2,…,ω(i)n)及其局部最优综合评价值z(i)。其次,从全局考虑,各决策方案之间应是公平竞争的,必须采用统一权重,才能进行综合评判,进而选取最佳方案。为此,需寻找最佳的综合权重。显然,希望各方案的综合属性值与其局部最优综合属性值的离差和最小,为此可建立下列二次规划模型:

$\begin{array}{l}\min \epsilon ={\displaystyle \sum _{i=1}^m{\displaystyle \sum _{j=1}^n(\omega {}_j^{(i)}\Delta {}^{-1}(r{}_{ij})-\omega {}_j\Delta {}^{-1}(r{}_{ij}))}}{}^2\\ \text{s}.\text{t}.{\displaystyle \sum _{j=1}^n\omega }{}_j=1,\omega {}_{j\text{L}}\le \omega {}_j\le \omega {}_{j\text{U}}\end{array}\}(8)$

利用MATLAB软件中的fmincon函数求解此模型,将得到最终精确权重向量ω。

4 虚拟企业合作伙伴决策

虚拟企业合作伙伴选择的框架主要分为4个阶段(图1)[16,17]:第一个阶段为市场机遇实现模式的选择,即通过分析确定是采用并购模式还是组建虚拟企业或者放弃市场机遇。第二阶段为评价指标的确定,评价指标的确定主要是在参考虚拟企业指标库的基础上,根据任务分解确定评价指标[18]。第三阶段为筛选,确定必须要满足要求的硬指标,若任何一项硬指标不满足要求,则淘汰该方案。第四阶段为合作伙伴综合评价,即在满足硬指标要求的有限个合作伙伴中选择最佳的合作伙伴。一个产品的制造过程大体上可分为产品设计、零部件制造、总装、销售等4个业务过程,如果盟主主要具有产品设计能力,则盟主要为其他3个业务过程寻找最理想的合作伙伴。现假设盟主为产品的销售寻找普通型的紧密型合作伙伴。评价指标确定为企业绩效u1、企业先进程度u2、企业产品质量u3、企业环境u4,相应的权重分别为$\tilde{\omega }{}_1=[0.3‚0.5],\tilde{\omega }{}_2=[0.2,0.3],\tilde{\omega }{}_3=[0.1,0.2],\tilde{\omega }{}_4=[0.15‚0.35]$,现假设请了3个专家d1、d2、d3进行评判,经过筛选后有3家合作伙伴x1、x2、x3,要经过综合评价才能确定谁是最佳合作伙伴。假设3个专家给出的语言评价值a(t)ij如表1所示。一般地讲,若专家对某种评价指标或者对某一候选企业比较熟悉,则给出的较大粒度的语言评价值,反之则给出较小粒度的语言评价值,图1描述了其详细的决策过程。

4.1 语言评价值一致化

假设以7粒度语言评价集为标准语言评价集,按照定义3(式(1))将3粒度语言和5粒度语言都统一转换为7粒度语言评价集中的语言评价:

R(1)=(r(1)ij)3×4=

$\left[\begin{array}{cccc}(\mathit{s}{}_1^{(7)},0.4)& (\mathit{s}{}_5^{(7)},-0.333)& (\mathit{s}{}_2^{(7)},0)& (\mathit{s}{}_5^{(7)},-0.333)\\ (\mathit{s}{}_1^{(7)},0.4)& (\mathit{s}{}_2^{(7)},0.333)& (\mathit{s}{}_4^{(7)},0)& (\mathit{s}{}_2^{(7)},0.333)\\ (\mathit{s}{}_4^{(7)},0.2)& (\mathit{s}{}_5^{(7)},-0.333)& (\mathit{s}{}_3^{(7)},0)& (\mathit{s}{}_2^{(7)},0.333)\end{array}\right]$

R(2)=(r(2)ij)3×4=

$\left[\begin{array}{cccc}(\mathit{s}{}_2^{(7)},0)& (\mathit{s}{}_6^{(7)},-0.4)& (\mathit{s}{}_3^{(7)},-0.2)& (\mathit{s}{}_3^{(7)},-0.2)\\ (\mathit{s}{}_1^{(7)},0)& (\mathit{s}{}_3^{(7)},-0.2)& (\mathit{s}{}_1^{(7)},0.4)& (\mathit{s}{}_6^{(7)},-0.4)\\ (\mathit{s}{}_4^{(7)},0)& (\mathit{s}{}_4^{(7)},0.2)& (\mathit{s}{}_3^{(7)},-0.2)& (\mathit{s}{}_4^{(7)},0.2)\end{array}\right]$

R(3)=(r(3)ij)3×4=

$\left[\begin{array}{cccc}(s{}_1^{(7)},0)& (s{}_4^{(7)},0.2)& (s{}_5^{(7)},-0.333)& (s{}_2^{(7)},0)\\ (s{}_2^{(7)},0)& (s{}_4^{(7)},0.2)& (s{}_5^{(7)},-0.333)& (s{}_4^{(7)},0)\\ (s{}_4^{(7)},0)& (s{}_3^{(7)},-0.2)& (s{}_2^{(7)},0.333)& (s{}_3^{(7)},0)\end{array}\right]$

4.2 集结专家语言评价值

专家权重采用7粒度语言评价集,且设专家1、2、3重要性的语言评价值的二元语义分别为h1=(s(7)5,0),h2=(s(7)4,0),h3=(s(7)6,0),则专家1的权重$\lambda {}_1=\frac{\Delta {}^{-1}(h{}_1)}{\Delta {}^{-1}(h{}_1)+\Delta {}^{-1}(h{}_2)+\Delta {}^{-1}(h{}_3)}=0.333$,同理可计算出专家2、专家3的权重分别为λ2=0.267,λ2=0.4。根据式(6)可计算出位置权重向量v=(0.2945,0.4110,0.2945)。利用定义6中式(4)计算出的群体综合评价矩阵为

R=(rij)3×4=

$\left[\begin{array}{cccc}(s{}_1^{(7)},0.3521)& (s{}_5^{(7)},-0.3070)& (s{}_3^{(7)},-0.0337)& (s{}_3^{(7)},-0.1765)\\ (s{}_1^{(7)},0.4668)& (s{}_3^{(7)},-0.0022)& (s{}_3^{(7)},0.2969)& (s{}_4^{(7)},-0.3075)\\ (s{}_4^{(7)},-0.2003)& (s{}_4^{(7)},-0.3323)& (s{}_3^{(7)},-0.3251)& (s{}_3^{(7)},0.0342)\end{array}\right]$

4.3 求出精确权重向量

4.3.1 求出局部优化权重向量

例如以合作伙伴x1的综合属性值为最优,根据式(7)建立如下最优化模型

max z(1)=1.3521ω(1)1+4.6930ω(1)2+

2.9663ω(1)3+2.8235ω(1)4

s.t. ω(1)1+ω(1)2+ω(1)3+ω(1)4=1,

0.3≤ω(1)1≤0.5,0.2≤ω(1)2≤0.3,

0.1≤ω(1)3≤0.2,0.15≤ω(1)4≤0.35

采用单纯形法或直接利用MATLAB 软件中的linprog函数求解此模型,将得到对应方案x1的最优权重向量ω(1)=(ω(1)1,ω(1)2,ω(1)3,ω(1)4)=(0.3,0.3,0.2,0.2),同理也可得到对应于x2、x3的最优权重向量ω(2)=(0.3,0.2,0.15,0.35),ω(3)=(0.5,0.25,0.1,0.15)。

4.3.2 求出精确权重向量根据式(8)建立如下最优化模型

minε=[1.3521(0.3-ω1)]2+[4.6930(0.3-ω2)]2+

[2.9663(0.2-ω3)]2+[2.8235(0.2-ω4)]2+

[1.4668(0.3-ω1)]2+[2.9978(0.2-ω2)]2+

[3.2969(0.15-ω3)]2+[3.6925(0.35-ω4)]2+

[3.7997(0.5-ω1)])2+[3.6677(0.25-ω2)]2+

[2.6749(0.1-ω3)]2+[3.0342(0.15-ω4)]2

s.t. ω1+ω2+ω3+ω4=1,

0.3≤ω1≤0.5,0.2≤ω2≤0.3,

0.1≤ω3≤0.2,0.15≤ω4≤0.35

利用MATLAB 软件中的fmincon函数求解此模型,可得到精确权重向量ω=(0.4101,0.2453,0.1210,0.2235)。

4.4 求合作伙伴综合评价值

利用定义4(式(2))计算出x1的综合评价值值。

z1=(sk,ak)=φ((s(7)1,0.3521),(s(7)5,-0.3070),

(s(7)3,-0.0337),(s(7)3,-0.1765))=(s(7)2,0.3786)

同理可计算出合作伙伴x2、x3的综合属性值z2=(s(7)2,0.3696),z3=(s(7)3,0.4327)。由计算结果可知,x3优于x2和x1,而x1又优于x2,所以x3是企业盟主欲选择的最佳合作伙伴。

5 结论

(1)在专家语言评价值集成的过程中采用ET-COWGA算子,既考虑了数据自身的重要性,又考虑了数据位置的重要性,减小了过高或过低评价的不合理影响,提高了评价结果的准确性。

(2)采用基于正态分布的办法求位置权重向量,该方法相对于目前常用的方法具有物理含义明确、易于理解、计算简单等优点。

(3)直接利用语言评价,无需给出偏好信息的隶属函数,方便了专家评价。根据评价矩阵采用二阶段优化的办法求出精确的属性权重。模糊性与精确性结合,进一步提高了评判结果的准确性。

(4)为了提高评价数据的准确性,可构造层次结构的评价指标体系,例如可将企业绩效细分为企业发展前景、企业信誉水平、产品市场占有率及新产品开发成功率等,这时就构成了一个多层次的模糊多属性决策问题,求解方法与本文类似,只是在每一层次重复利用本文的方法。

伙伴决策 篇3

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.

伙伴决策 篇4

进入20世纪90年代以来,供应链管理(Supply Chain Management, 简称SCM)的理论和应用的研究迅速发展。供应链包括三个关键的环节即原材料供应、制造和分销,不同的环节通过不同的角色来执行,即供应商、制造商和分销商。供应链管理强调的是企业间的合作共赢,于是,供应链合作伙伴关系在供应链管理的研究中占据着重要的地位。目前,很多企业发现供应商管理的体系已经比较完善,采购部门有着完备的供应商选择和管理的体系,然而在分销商这个环节产生了比较多的问题。分销商并没有很好的贯彻企业的目标和政策,甩货、窜货现象频繁发生,严重损害了企业的利益。究其原因,制造商往往只重视供应商的选择而忽略了对分销商的评价和选择;其次是对分销商的选择不当,没有构建一套从战略高度评价、选择分销商的指标体系;最后,在生产商可选的分销商范围内,它们的企业性质、经营范围与类型,企业形象、声誉和市场影响力等方面存在着很大差别,而且他们都有各自的利益目标和采购政策,因此生产商不应该找寻一个一般的分销商最优标准,而是应当建立一个适合自己的分销商选择标准。

纵观国内外有关供应链战略合作伙伴选择方面的专著和论文,主要集中在供应商的选择评价中,对分销商选择的研究还处于一个初级阶段。在营销革命之后,随着彼得·杜拉克“以顾客为中心”这一观点的提出,“满足顾客需求”成为企业的经营目标。从此,企业的经营逻辑,供应链的构建逻辑已经从生产商-分销商-消费者转变为消费者-分销商-生产商。以往提到研究供应链合作伙伴关系往往用旧的供应链逻辑、站在制造业的角度主要研究供应商和制造商的关系。但是在营销革命之后的新的逻辑中,虽然供应商影响着企业的效率,决定着企业的兴衰;而分销商则最接近客户终端,起着将客户需求传达给生产商的功能,从根本上决定着企业的生死存亡。因此,要建立战略合作伙伴关系不仅仅要关注供应商,更要重视与分销商的合作。当我们将研究的目光由供应链的上游转移到供应链的下游——分销商这个环节,选择一个什么样的分销商对制造商更有利,即分销商的选择评价问题就成为供应链研究极为迫切的课题,而选择分销商的关键又在于它的评价体系和选择方法的界定。

2 分销商选择指标体系的研究现状及当前研究的不足

在西方国家,对分销商选择标准的研究始于20世纪50年代,最早进行研究的专家是布仁德[1](L.H.Brendel),他提出了选择渠道成员的20条标准,没有对这20条标准进行分类,关注的主要是分销商的销售能力;20世纪60年代,罗杰.潘格勒姆[1]对北美200多家制造商进行了实证分析,将渠道成员选择的标准归纳为10条,开始关注其管理能力和服务态度;20世纪80年代,西普雷[2](D.D.Shipley)在对英国和美国的100多家制造商研究的基础上提出了12条渠道成员选择标准,并调查了他们对选择标准的重要性排序,为后来的指标权重的提出奠定了基础。随着市场营销学的发展,学者们在对市场营销学研究的过程中不断提出营销渠道中中间商成员的选择标准。其中,菲利普·R·凯特奥特和约翰·L·格雷厄姆[3]提出了6C标准:成本(Cost)、资本(Capital)、控制(Control)、覆盖面(Coverage)、特性(Character)、连续性(Continuity);弗朗西斯·布拉星顿和史蒂芬·佩提特[4]将选择标准分成战略方面和操作方面两大类;劳伦斯·G·弗里德曼[5]等人提出了一些定量的指标包括经营利润、销售完成额、存货定量等;路易斯·W·斯特恩[6]提出了17条标准;菲利普·科特勒[7]提出了8条标准。后来的学者逐渐将合作意愿纳入了研究范围,对分销商的选择上升到了战略层面。

近年来,国内对供应链合作伙伴的研究主要集中在供应商的选择评价上,指标体系和评价方法的研究已经比较完善了,学者们只是将供应商作为合作伙伴进行研究,而忽视了分销商的选择、评价。一部分学者在市场营销、分销管理方面的专著中提到了一些关于选择渠道成员的参考标准。李先国[8]提出了选择渠道成员的8个基本点;胡春[9]提出了10条标准;牛海鹏[10]等人提出了8方面的因素;吕一林[11]等人提出了12条标准,将中间商的综合服务能力纳入研究范围;张继焦[12]等人则第一次提出了企业家精神这一影响因素。

因此,现有研究的不足就在于当前的指标体系的研究只是从传统的产销关系的角度出发的,从供应链的角度出发,应该更注重企业之间的合作,考虑整条供应链的长期利益,顾及企业自身的长足发展,因此,选择分销商应当站在战略的高度。传统的分销商选择指标体系的构建没有站在供应链管理的角度,没有达到战略的层面。

3 基于平衡计分卡的分销商评价指标体系的构建

平衡计分卡是由罗伯特·S·卡普兰(Robert S. Kaplan)和戴维·P·诺顿(David P·Norton)[13]提出的对企业实施战略评价的指标体系,它用四个一级指标即财务方面、客户、内部业务流程、学习与成长,来反映企业的战略定位,模式,竞争力等要素,因此能够从战略的角度来选择符合生产商要求的分销商。

分销商属于生产商的战略合作伙伴,可以借鉴平衡计分卡的原理建立分销商选择评价指标体系。本文将分销商的财务运作、市场营销、内部业务流程和企业战略兼容性(人力资源与企业文化)四个方面作为生产商评价和选择分销商的一级指标;参考了相应的文献[14],又根据对一些有代表性的企业进行的实际的调研分析以及专家意见,在一级指标的基础上建立了如下的16个二级指标。

财务运营指标B1(C1~ C4)中,资产负债率反映了分销商的偿债能力;应收账款周转率反映了企业的营运能力;销售利润率反映了分销商的盈利能力;销售增长率反映了分销商的发展能力。

市场营销指标B2(C5~ C8)中,市场覆盖率指本企业产品投放地区数与整个市场包含的地区总数的比率;市场占有率即本企业的产品销售量与市场上同类产品销售量的比率;地理区位优势需要考核分销商所处位置的客户流量、货运量、距目标消费者的距离等因素;客户服务水平涉及到客户满意度、客户投诉比、交流反馈能力等方面的考核。

内部业务指标B3(C9~ C12)中,经营范围考察的是分销商拥有的产品的类别、档次品牌;商品周转率是指产品从入库到售出所经过的效率和时间,通过周转次数和周转天数来反映,周转次数=销售额/平均库存,平均库存=(起初库存+期末库存)/2,周转天数=365/周转次数;物流配送能力需要考核分销商的配送设施、配送效率、反应速度、信息化程度及机械化程度等因素;促销政策和技术考察了分销商在产品分销过程中运用选定的促销手段影响销售规模的能力。

企业战略兼容性指标B4(C13~ C16)中,企业文化是考察分销商的一个重要标准,从战略的高度评价分销商就要观察分销商的企业文化是否与本企业的企业文化相一致;员工薪酬及激励体系是否全面与合理影响着员工满意度的高低,分销商的这一指标影响着与生产商的战略兼容性;员工素质涉及到员工的学历、经验、专业技术水平等等,员工素质的高低影响着分销商的销售业绩;企业性质是指企业按性质来分属于国有企业、三资企业、集体企业、私营企业中的哪一类,与哪种类型的分销企业合作影响着企业战略目标的实现。

4 分销商选择决策模型的构建

分销商选择指标体系是由定量指标(如资产负债率、销售利润率等)和定性指标(如经营范围、企业文化等)构成,它们分别以不同的量纲、从不同的角度描述和评价分销商,进而使分销商选择这一决策课题处于模糊环境中。Bellman和Zadeh等人的适合模糊环境的决策方法与模糊集理论,为我们提供了使用模糊决策模型处理分销商指标体系的理论逻辑。

进行模糊决策首先要确定评价指标的属性值;其次确定各个特定属性指标的权重;再次将指标属性值与权重相乘得到各方案的综合指标值;最后将各个功能差异的方案的综合指标值进行排序,从而得到生产商最满意的选择方案。

在评价指标中,除了财务状况、市场覆盖率及占有率、商品周转率是数字表达的,其它属性指标值都是专家组对所有候选单位进行深入的调研后得出的模糊性结论,是用语言来表达的,例如“好,一般,差”等模糊的定性结论,为了将定性指标值进行定量化处理,本文引入三角模糊数,将定性、定量指标以及权重数据统一量化为三角模糊数的形式。

三角模糊数undefined可以通过其隶属函数μM:R→[0,1]定义如下:

undefined

式中l≤m≤u,l和u分别表示undefined所支撑的下界和上界,m为M的中值。一般地,三角模糊数M可记为undefined。在三角模糊数中,l, u表示判断的模糊程度。设δ=u-l, δ越大表示模糊程度越高;δ越小表示模糊程度越低;δ=0表示判断是非模糊的。对于具体的三角模糊数的加、减、乘、除运算可根据Zadeh[15]提出的扩展原理。undefined的可能性程度定义为:

undefined

评价人在评价各方案具体指标时也会用到语言术语,例如对于权重的评价用“同样重要”、“稍微重要”、“明显重要”、“强烈重要”、“极端重要”;评价收益型指标用“很大”、“大”、“中等”、“小”、“很小”,本文使用三角模糊数来表达这些语言术语,用以构造决策矩阵及模糊判断矩阵(见表1)。

指标属性值包括成本型、效益型、中间型及区间型,指标的物理量纲也不同,因此,原始的决策矩阵需要规范化。常用的规范化的方法有线性变换法、极差变换法、向量变换法等。本文的决策矩阵的属性值用三角模糊数表示undefined,由于本文将使用TOPSIS法对方案进行排序,使用向量变换法规范化决策矩阵符合TOPSIS的原理,因此本文采用向量变换法规范化决策矩阵,即:

undefined表示原始属性值,rij表示规范化后的属性值。

在属性权重确定方面,国内外公开发表的赋权方法有数十种之多,大体分为两类,即主观赋权法和客观赋权法。鉴于主、客观赋权法都有其优缺点,本文采用将主、客观赋权法相结合的组合赋权法来确定指标权重,通过组合达到既能充分利用客观信息,又尽可能地满足主观评价的效果。

本文使用Fuzzy AHP的方法确定模糊主观权重wundefined;然后使用模糊熵权法确定模糊客观权重wundefined;最后,本文使用线性加权法将模糊主观权重和模糊客观权重综合在一起。

关于Fuzzy AHP,1996年常大勇教授提出的利用模糊数比较大小的方法来进行排序,计算起来简单方便。本文将使用此模糊AHP方法来确定模糊主观权重,计算过程见参考文献[16]。

然后,根据各项指标值的变异程度,利用信息熵这个工具计算出指标的客观权重——熵权。

规范化决策矩阵得到undefined,归一化得undefined,其中undefined是周珍等人根据Yager第三指标提出的将三角模糊数转化为清晰数的函数,undefined;然后计算第j项指标输出的信息熵undefined,当undefined时,规定undefined;第j项指标的差异系数为gj=1-Ej,0≤gj≤1;则得权重undefined

wj=αwundefined+(1-α)wundefined,wundefined表示第j项指标的模糊主观权重,wundefined表示第j项指标的模糊客观权重,α表示评价人赋予模糊主观权重赋权法的比重。

在属性综合值的排序方面,TOPSIS方法是经典多属性决策最常用的排序方法之一,本文在模糊环境中使用TOPSIS方法,即使用模糊TOPSIS方法将模糊数排序。模糊TOPSIS中,计算加权标准化矩阵后,确定模糊正负理想解undefined,在这里取undefined便于计算;计算方案i到正理想解的距离undefined,到负理想解的距离undefined;计算相对贴近度undefined,按Ci的大小排序。其中两个三角模糊数A=(a1,a2,a3)和B=(b1,b2,b3)之间的距离d为:

undefined。

5 结论