联盟决策

2024-12-26

联盟决策（共5篇）

联盟决策篇1

一、引言

自从服务外包被我国确认为参与国际分工与竞争的重要手段后, 河北省的服务外包产业, 尤其服务外包的典型代表———软件外包产业都得到了飞速的发展, 但仍处于发展的初级阶段, 面临着巨大的机会与挑战。其中, 软件外包联盟被认为能使软件外包价值得到显著提升, 软件外包企业竞争力得到显著提高、软件外包产业得到显著发展的现代组织模式。软件外包联盟在运作过程中, 贯穿整个过程且关键的环节是联盟的决策问题, 它对软件外包联盟能否成功产生重要影响。

二、动因分析

软件外包企业是否应该加入到联盟中, 结合国内外有关相关文献, 对软件外包联盟的形成动因进行分析。

(一) 有效降低交易成本。

根据交易成本的观点, 软件外包企业选择加入联盟的根本原因在于联盟成员之间所产生的总成本虽然专用资产能够提升联盟运营效率, 他们主要考虑三个方面问题:一是资产专用性的影响, 由于专用资产会导致机会主义行为所产生的风险, 当专用资产的专用度低, 专有资产内部化时, 软件外包企业倾向选择联盟。二是技术不确定性的影响, 由于技术、研发等方面的需求, 软件外包企业会考虑技术不确定性对战略联盟的影响。通常, 技术密集程度越低, 越适合应用于联盟形式。三是行为不确定性的影响, 当联盟内部产生行为的不确定性程度越低, 软件外包企业选择联盟合作形式的倾向就越显著。

(二) 有效获取知识。

软件外包企业需要寻求更多的可利用的资源和知识来发展, 而软件外包联盟是企业来获取自己企业缺少而其他企业具有的资源的有效手段与途径。因此, 软件外包联盟要求联盟成员拥有高端知识、领域知识及相关行业知识形成以实现整合的创新解决方法的联盟目标, 提供具有前瞻性、主动性的服务使联盟成员在竞争中领先优势。软件外包联盟不但要求成员具备专业的知识, 还需要相互了解其他成员的领域知识及发展战略目标。

(三) 有效提升能力。

软件外包企业联盟是实现企业一系列的发展目标、克服自身能力缺陷的一种有效方式。当一个软件外包企业发现另一企业的能力体系能够弥补其能力缺陷时时, , 就就通通过过协协议议的的方方式式结结成成联联盟盟来获得这种能力。当软件外包企业出现多种能力无法满足企业活动的目标的情况时, 可以与多家软件外包企业建立联盟, 从不同企业中获取软件外包企业发展所需要的不同能力, 帮助软件外包企业突破企业能力缺陷的障碍, 充分发挥其能力体系中相对较强的能力功能。

三、软件外包联盟决策模型研究

(一) 基于成本动因的软件外包联盟决策博弈分析。

当软件外包联盟中两个或两个以上的企业作为局中人博弈时, 他们都是在个体理性的基础上选择使自己成本最小化的策略。因此, 如果竞争能使自己成本最小化, 软件外包企业就会选择竞争策略;如果结成联盟能使自己成本最小化, 软件外包企业会选择合作策略。

将软件外包联盟中的行为主体抽象为企业A和企业B, 两个企业是否均选择合作策略可以看作一个博弈过程。在这里有四个假设:一是企业A和企业B是理性人, 即企业A和企业B进行策略时, 总会作出对自己最有利的决策;二是企业A和企业B情况相同, 即企业A和企业B内部因素与外部环境方面都是相同的;三是企业A和企业B信息对称, 即企业A和企业B不仅完全了解自身每个策略的成本, 而且也完全了解对方在各种策略选择下所获得的成本;四是企业A和企业B策略空间相同, 即企业A和企业B都可以采取合作或竞争的策略。

如果当企业A和企业B都选择合作策略时的成本为c1, 双方都选择竞争策略时的成本为c4, 一方选择合作而另一方选择竞争时, 选择合作策略的一方成本为c2, 选择竞争策略的一方成本为c3时, 所形成的合作与竞争成本矩阵如表1所示。

因此, 当软件外包联盟成本 (搜寻成本、谈判成本、适应成本、监督成本等) 不同时, 即c1、c2、c3、c4的值不同时, 企业A和企业B博弈的均衡结果也随之不同。

(二) 基于知识动因的软件外包联盟决策辩证分析。

基于知识动因的软件外包联盟是指为实现软件外包企业战略紧密协调软件外包业务活动, 整合联盟各个成员的创新行为及创新成果, 知识更新和成员企业改革的战略目标而建立的一种联盟组织形式。面对动态、不确定性的外部环境, 软件外包企业依赖于联盟提供的关键资源形成全球最优的软件外包交付模式及创新方法。通过构建基于知识动因的软件外包联盟, 联盟成员缩短了软件外包产品和服务从开发、设计、完成到交付的周期, 降低由于长周期导致的技术或者市场变化所带来的风险, 促使联盟成员灵活面对全球软件外包市场的迅速变化及发包方需求的动态差异性。

(三) 基于能力动因的软件外包联盟决策模型。

当软件外包企业发展到一定程度之后, 必然会面临能力提升的“瓶颈”问题, 构建软件外包联盟成为解决这一问题的重要途径。通过文献研究, 现将影响软件外包企业联盟决策的关键因素归纳为四个:联盟环境、企业核心能力、信任控制及联盟成员, 它们之间相互作用、相互影响。

1. 联盟环境。

世界各国产业转移升级, 软件外包产业在我国快速发展, 环境不断变化, 软件外包企业面临着激烈的竞争。这要求企业必须提高自身承接外包、适应环境的能力, 须进一步调整企业组织结构以应对竞争。软件外包联盟不仅具有技术实现层面的基本流程, 更重要的是具有软件外包业务环境的不确定性特征, 这一特征就是基于能力动因的软件外包联盟决策环境特征, 包括业务环境、软件外包项目类型两个元素。

2. 核心能力。

核心能力因素已成为软件外包企业是否选择基于能力动因的软件外包联盟的一个重要标准。结合现有文献, 在评价软件外包企业核心能力时, 需要考虑三个因素, 即关系管理能力、领域及行业知识、软件外包活动中的公司声誉, 这三个方面构成了企业难以模仿并带来持续竞争优势的核心能力。

3. 信任控制机制。

信任控制机制因素是影响软件外包企业进行基于能力动因的软件外包联盟决策的重要因素, 即联盟成员之间的良好合作、保护核心知识、降低风险是影响联盟决策的影响要素。它主要体现在联盟成员之间的沟通程度、组织相互适应性两个方面。

4. 联盟成员。

联盟成员因素是影响软件外包企业进行软件外包联盟决策的关键因素, 当软件外包企业在选择联盟时, 联盟成员因素主要体现在成员的可信赖性、可观察性及已有业务关系。

参考文献

[1] .卢锋.当代服务外包的经济学观察:产品内分工的分析视角[J].世界经济, 2007, 8:22~35

[2] .鄂丽丽.服务外包竞争力影响因素研究:基于中国的分析[J].经济问题探索, 2008, 3:23~25

[3] .江旭, 高山行.战略联盟中的知识分析与知识创造[J].情报杂志, 2007, 7:8~10

[4] .刘绍坚.承接国际软件外包的技术外溢效应研究[J].经济研究, 2008, 5

联盟决策篇2

技术联盟已经成为经济组织首选的合作方式, 在技术联盟内企业充分利用技术联盟的优势, 在达到满意的联盟绩效的同时, 提高自身核心技术能力[1]。但在实践中, 企业往往认为在合作中知识扩散的度和量是一个难以把握的问题, 担心向技术联盟投入过多对自身不利。也有研究认为在研发过程中开展协作研发势必会削弱自主研发的投入, 且在紧密型合作中, 企业会暴露自己潜在的知识、技术和其它有价值的资源, 甚至会失去其对核心竞争能力的控制[2]。企业该不该向技术联盟进行大规模的技术研发投资, 如何安排自主研发与协作研发投资, 在实现参加技术联盟研发收益最大化的同时是否可以实现自主研发能力最优化, 这是成员企业在加入技术联盟时考虑的首要问题。

在实践中, 是否选择协作研发以及如何安排研发投入, 在于企业如何看待协作研发对于技术创新的作用以及知识吸收和知识溢出对于协作双方的影响。很多学者从知识吸收能力角度来研究提高研发联盟绩效。知识吸收能力是指一个企业认识新的外部知识的价值, 吸收并将其应用到商业终端的能力[3]。Cohen 和 Levinthal (1989) 研究发现, 吸收能力的引入减少甚至有可能消除研发溢出的非激励效果, 并指出企业获得研发成果需要提高自身的吸收能力, 与考虑研发的外生溢出相反, 企业如果意识到了来自竞争企业的研发成果溢出, 便开始投资于自身的吸收能力[4]。同样Hammerschmidt (1998) 也得出类似的结论[5]。宋之杰, 孙其龙 (2009) 通过模型验证当两家企业进行合作研发时, 由于共享一切研发成果, 因此吸收能力越大, 其利润函数值也越大[6]。但是由于存在偷懒、搭便车思想, 很多企业往往容易倾向于选择减少自身的研发投入。宋之杰, 孙其龙 (2009) 同时也发现当溢出水平很高, 由于可以从对手企业轻松获得所需的技术或模仿技术, 企业便减少自身研究开发的投入[6]。而联盟确实存在核心技术扩散、泄露的风险, 在紧密型合作中, 企业会暴露自己潜在的知识、技术和其它有价值的资源, 因此一些合作伙伴会由于选择产权合作模式而失去了对其核心竞争力的控制, 当企业对其有价值的技术资源不能很好保护时, 产权合作会产生更大的合作风险 (谢言, 王玉玺, 2009) [2]。这样博弈的结果往往是使企业为保持自己的技术优势, 趋向于不向竞争对手泄漏任何信息, 并选择专有的研发方法来进行研发 (宋之杰, 孙其龙, 2009) [6]。Kamien和Zang (2000) 也认为, 研发投资会降低自己的成本, 增加吸收能力, 同时企业有能力控制自己研发活动的知识溢出水平, 选择限制自己知识外溢的研发方法[7]。也许这就是很多企业回避向技术联盟大规模投资的原因。

但从相对吸收能力的角度来看, 技术联盟要实现高的研发绩效必须是吸收能力和相对吸收能力两者具足。Lane和Lubatkin (1998) 提出相对吸收能力这一概念, 认为企业的学习能力不仅取决于企业本身吸收能力, 还决定于交换的知识源[8]。企业间建立联盟的一个主要目的是实现技术知识的互补, 也就是说协作双方都必须成为对方的知识源。因为对于合作研发联盟来说, 联盟中的各成员企业均同时扮演着知识供给与需求的双重角色, 企业间合作研发的动力是双向的, 是一种双向的推拉过程, 构成了企业间研发联盟的微观机制 (刘云, 2007) [9]。形成为企业吸收知识所用的知识源有两条路径, 其一是联盟建立初期联盟伙伴具有互补的专业知识, 其二是联盟伙伴持续的技术投资和技术溢出。因此, 在决定组建联盟之前, 必须考虑伙伴是否具有同样积极的投入意识和投入能力 (刘云, 2007) [9]。

2006年, 科技部提出产业技术创新战略联盟这种技术联盟实践形式, 并于2010年正式公布首批36家产业技术创新战略联盟。面对技术联盟的诸多优势与诸多风险, 包括政府在内的许多利益相关者均在努力设计技术联盟的运行规则和方案。其中如何安排各企业的投资额与投资比例是一个必须解决的问题, 在实践中研发收益最大化与自主研发能力最优化相关, 但不完全一致, 企业自主核心研发能力最优化通常会带来最大化的收益, 但研发收益最大化并不代表着自主研发能力的最优化, 这正构成了技术联盟投资决策的二层规划问题。因此本文研究在协作双方对等投资的假设条件下, 引入模拟植物生长算法, 通过构建技术联盟投资决策的模拟植物生长二层规划决策模型, 探究企业能否达到参加技术联盟研发收益最大化和企业自主核心研发能力最优化的双重目标, 并分析协作研发和自主研发的最优投资组合。

2 技术联盟的投资决策分析

Goyal、Konovalov和Gonzalez (2003) 首先建立整合自主研发与协作研发的战略博弈模型, 分析在混合研发模式下企业的投资决策[10]。在此博弈模型中, 研究者将企业的研发活动分为两个部分, 一部分为企业的自主研发, 另一部分是企业参与的协作研发, 通过自主和协作的混合研发模型分析企业的投资决策。

在技术联盟过程中, 本文主要考虑同业竞争者之间的合作开发, 联盟企业在技术合作阶段是合作竞争关系, 而在产业化过程中是完全竞争关系。在技术联盟投资决策过程中, 联盟企业的决策过程可借鉴Goyal、Konovalov和Gonzalez (2003) 的研究模型进行分析[10]。设N={1, 2, …, n} (n≥2) 是市场上的企业集。技术联盟由g表示, Ni (g) 表示在g中与企业i有协作关系的企业集, 假设联盟中企业规模实力相当, 研发投资边际收益均等。ni (g) =|Ni (g) |是g中协作企业的总数量, 定义为企业的技术联盟规模, 用λ表示 (λ∈{1, 2, …, n}) 。λ=1表示完全自主研发, λ>1表示形成了技术联盟。若企业参与了g, 每个企业在g中的协作研发投资为xig, 同时为了保证企业的核心竞争力, 每个企业的自主研发投资为xii.

假设研发投资的生产函数由f (R) 决定 (假设f′ (R) >0, f″ (R) <0) , R是企业的有效研发投资, 即若其它企业不进行R&D投资, 为了达成同等幅度的成本降低, 它所须单独进行的投资。企业i的自主研发投资收益为:

$f_{i i} (x) = f (x_{i i}) (1)$

在技术联盟中, 企业i的协作研发投资收益为:

$f_{i g} (x) = f (R_{i g}) ‚ R_{i g} = \sum_{i \in g} x_{i g} (2)$

则企业i开展技术开发活动所取得的生产成本总减少量为:

$f_{i} (x) = f (R_{i g}) + f (x_{i i}) (3)$

故企业i开展技术开发活动后的单位生产成本为:

$c_{i} (g, x) = \bar{c} - f_{i} (x) (4)$

其中, $\bar{c}$ 表示技术开发前企业i的单位生产成本。

考虑成本ci (g, x) , 企业通过选择一定的产量qi (g, x) 参与产品市场的库诺竞争, 假设在对称性技术联盟 (类似于网状型联盟, 在联盟中每个企业的研发投资方式相同) 中企业i的产品需求反函数呈对称的线性形式, 则有:

$p = a - (1 + λ ε - ε) q_{i} (g, x) (5)$

其中, p为均衡价格, qi (g, x) 为均衡产量, a为需求函数的截距, ε为产品市场上的产品替代系数 (ε∈[0, 1]) , λ为技术联盟规模 (见上文解释) 。在供过于求的同类产品市场中, 企业i的均衡产量 (Bala和Goyal, 2000;Kranton和Minehart, 2001;Goyal、Konovalov和Gonzalez, 2003) [10,11,12]是:

$q_{i} (g, x) = \frac{(2 - ε) a - [(n - λ - 1) ε + 2] c_{i} (g, x)}{(n ε - ε + 2) (2 - ε)} (6)$

库诺利润可以表示为:

$π_{i} (g, x) = [q_{i} (g, x)]^{2} - x_{i g} - x_{i i} (7)$

3 引入模拟植物生长算法的技术联盟投资二层规划决策模型

在技术联盟过程中, 企业在市场上选择合适的合作伙伴开展技术创新以获得创新收益, 联盟企业i的投资决策在于首先通过技术联盟获得最大化的库诺利润, 同时使自身的核心研发能力得到最大化的提升。这个投资决策问题就可以转化为一个二层规划问题, 以解决企业不同投资目标的协同。在决策系统中, 不同决策目标是分级管理, 企业依次做出决策, 下层目标服从上层目标, 但下层目标有相当的自主权。通过分析联盟企业i的决策目标, 可以将此二层规划问题利用数学模型表述如下:

xii是下层问题的解

其中, ρ为企业i加入技术联盟的研发投资协议比例;θ为企业i的研发投资总额, θ=xii+xig; ω为企业i参加技术联盟后获得的相对自主研发投资, 是其自主核心研发能力的主要来源;在技术合作阶段, 联盟成员的相对技术外溢程度取决于联盟成员的技术吸收能力。用σ代表企业i在技术联盟过程中核心知识的扩散系数, τ代表企业i在技术联盟过程中对外部知识的吸收系数, 则τ (λ-1) xig-σxii代表联盟企业i在技术联盟过程中的核心技术相对获取量。τ (λ-1) xig>σxii表示企业i期望参加技术联盟的核心知识获取大于核心知识溢出。

为求解该二层规划问题, 可利用模拟植物生长算法进行模型构建和求解。自模拟植物生长算法提出以来, 算法在管理、电力、水利、核工业等领域进行了拓展应用[13,14,15,16,17,18,19,20,21]。模拟植物生长算法 (PGSA) 是以植物向光性理论为启发式准则的一种智能算法, 是建立以生长规则为基础的植物系统演绎方式和以植物向光性理论为基础的概率生长模型[22,23,24]。演绎方式和生长模型两者结合所形成的优化模式, 就是实现模拟植物在优化问题的解空间中从初始状态到完整形式的终态的过程。通过模拟植物生长优化, 可以较好地寻找出企业通过技术联盟获得最优化收益的投资组合方式, 同时基于模拟植物生长的企业技术联盟最优化投资组合选择模型考虑了市场上可供选择联盟企业的投资方式, 是一种动态的优化过程。本文在以往模拟植物生长算法解决整数二层规划问题的基础上, 通过设计算法解决技术联盟合作中的非整数二层规划问题。引入模拟植物生长算法的技术联盟投资决策二层规划决策演绎如下。

Step1: 在上层决策变量解空间πi (g, x) 中选择k个初始植物生长点 (S1, S2, …, Sk) ;

Step2: 在Si的各自合理反应集中选择下层决策变量解空间xii+λxig的植物生长点Tj (Si) ∈Mx (Si) , 连接Si与Tj (Si) 形成树干, 树干的长度为F (Si, Tj (Si) ) , 其中Mx (Si) 为下层规划问题对应上层给定值Si的反应集。

Step3: 计算 (S1, S2, …, Sk) 形态素浓度值:

$Ρ_{i} = \frac{F (S_{i}, Τ_{j} (S_{i}))}{\sum_{i = 1}^{k} F (S_{i}, Τ_{j} (S_{i}))}$

Step4: Pi+1←Pi+1+Pi, Pi←Pi/Pk;

Step5: 如果Pi<random[0, 1]<Pi+1, 则H←Si (见图1)

Step6: 上层变量初始状态:H

旋转角度:δ=90°

生长规则: F→F[-F][+F] F

新生长点: Si (1) , Si (2) , …, Si (2n) , n为上层规划决策变量维度

注: 生长规则是A.Lindenmayer所建立的L-系统形式语法, 设 (H, α) 为植物生长点的当前状态。其中H为其位置的坐标, α为生长点的指向, 节的长度为d, 顶的角度增量为δ.“[”代表的含义是将当前信息记录下来, 即将该节点 (树枝的分叉点) 的信息保存起来, 先画第一个分枝;而“]”表示的含义是将“[”时刻记录的信息释放出来, 当画完一个分枝后, 利用“]”将上一个节点的信息 (即上一分叉点的状态) 取出, 然后从该分叉点继续画第二个分枝。F表示在当前方向上生长节长d, +表示逆时针旋转一个角度δ (规定逆时针方向为正) , -表示顺时针旋转一个角度δ.

Step7: Si←min{F (Si, Tj (Si) ) , F (Si (1) , Tj (Si) ) , F (Si (2) , Tj (Si) ) , …, F (Si (2n) , Tj (Si) ) };

Step8: 下层变量初始状态:L

旋转角度:δ=90°

生长规则: F→F[-F][+F]F

新生长点: Tj1 (Si) , Tj2 (Si) , …, Tj2m (Si) , m为下层规划决策变量维度

Step9: Tj (Si) ←min{F (Si, Tj (Si) ) +f (Si, Tj (Si) ) , F (Si, Tj1 (Si) ) +f (Si, Tj1) Si) ) , F (Si, Tj2 (Si) ) +f (Si, Tj2 (Si) ) , …, F (Si, Tj2m (Si) ) +f (Si, Tj2m (Si) ) };

Step10: 若连续n次迭代无新枝生长, 则植物生长结束, 否则返回Step3。

Step3～Step9是上层植物生长点通过向光性概率机制选定后, 与其对应反应集中下层生长点所形成的植物树干Si-Tj (Si) 在各自邻域中的一次生长过程。

4 技术联盟投资决策的模拟植物生长优化仿真分析

根据前文对模型参数的分析, 设市场上有20家企业参与产品市场库诺竞争, 潜在市场需求总量为1000个单位, 在市场中存在5家企业通过技术联盟方式开展技术开发活动, 单个联盟企业对某项技术研发投资的总预算为100个单位, 对联盟的最大投资比例为0.2。并依据现有关于技术转移和吸收等方面的研究文献[6,25,26]和通过对模型参数的敏感性分析, 选取一组参数进行仿真模拟:竞争企业间产品替代系数0.5, 技术在技术市场扩散系数0.3, 企业的技术吸收程度0.2, 企业研发投资收益 $f (R) = 0.1 \sqrt{R}$ , 即 $n = 20 ‚ λ = 5 ‚ a = 1000 ‚ \bar{c} = 50 ‚ θ = 100 ‚ ε = 0.5 ‚ ρ = 0.2 ‚ τ = 0.2 ‚ σ = 0.3$ 。在市场竞争中, 5家技术联盟企业的库诺收益和核心研发能力不仅受到联盟成员投资组合的影响, 同时也会受到联盟外企业投资方式的影响, 技术联盟中企业间存在合作与竞争的关系, 二层规划决策模型为:

模拟植物生长算法用Matlab编程实现, 在Windows XP平台上运行通过, 试验中计算机为Celeron (R) CPU 3.06GHz, 1.GB内存。PGSA在每个测试实例均经过5万次迭代, 分别进行15次计算, 其中最好结果与最差结果之间误差值不超过0.001%, 表现出较好的计算稳定性。通过测试数据可得到模拟植物生长算法的1个全局最优解和3个局部最优解, 如表1所示。

表1最优解的投资组合数据显示, 在技术联盟中实现企业研发收益最大化和自主核心研发能力最优化的目标都是在协作研发投资大于自主研发投资的前提下实现。企业参与技术联盟的研发收益最大化和企业自主核心研发能力最优化的投资决策目标是可以兼顾的, 优化的投资方案可以有效地使两目标达到契合和协同。这也可以为技术联盟的构建和培育提供重要的决策依据和参考价值。

首先, 在企业技术联盟研发收益最大化的目标下, 参与者的协作投资量大于自主研发投资量是可行的。在技术联盟投资初期, 甚至在整个联盟运行过程中联盟企业在决策自主和协作投资方面, 往往倾向于自主投资多些而协作投资少些, 以防止技术外溢和核心技术能力被模仿, 模型优化分析结果并不完全支持这种投资方式。相反仿真结果表明, 协作研发投资大于自主研发投资更有利于企业获得更大的技术联盟投资收益。

其次, 在技术联盟方式下, 企业参加技术联盟后获得的相对自主研发投资与企业对技术联盟的协作研发投资正相关, 即ω与xig呈现正相关关系。在技术联盟过程中, 一味的技术保护并不有利于联盟的技术进步, 也不有利于企业自身研发能力的提升。在技术联盟中, 联盟企业应该更加重视通过协作提升自身研发能力的正向作用而非仅仅关注知识外溢的负面影响。只有在合理的投资基础上增强外部知识吸收能力和适当控制核心知识扩散程度才会更有利于企业研发收益和核心研发能力的提升。

最后, 投资决策的最优解是在以企业参加技术联盟研发收益最大化为首层规划目标的前提下得出的, 因此虽然在此基础上得到的自主核心研发能力提升不是最大化, 但是却有其自身的经济管理意义。通过模型仿真计算, 可以看到在研发投资决策中有多种决策方案可供选择。如比较全局最优解与局部最优解2, 两个π的最优值相差0.5, 两个ω的最优值却相差5.5, 这就意味着在实际投资决策博弈中, 企业可适当转换投资以最大程度提升自主核心研发能力。同时依据局部最优解, 也可以根据实际决策需要进行适当投资组合的调整, 以增加投资和谈判的灵活性。

5 结论

本文引入了模拟植物生长算法建立技术联盟投资二层规划决策模型, 分析了技术联盟中参与企业自主和协作研发投资比例问题, 得到了技术联盟企业的投资组合和研发收益最优解。在最优解中, 全局最优解是每个参与者希望达到的研发收益最大化的理想结果, 但研发收益的全局最优解却并一定会完全符合企业核心研发能力最大化的目标, 局部最优解有时是企业联盟投资的理想方案。这些结论可以为政府管理者进行产业技术创新战略联盟的管理和引导提供参考。为了提升整个产业的技术创新能力, 政府管理者需要通过一定的措施来引导联盟企业的投资行为和方式, 通过财政支持、税收减免等手段引导企业增加对产业技术创新战略联盟的研发投资, 决策适宜的技术联盟产出导向。

联盟决策篇3

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

$(s_{k^{'}}^{(Τ)}, a_{k^{'}}) = Δ (β^{'}) = Δ (\frac{Τ - 1}{G - 1} Δ^{- 1} (s_{k}^{(G)}, a_{k})) (1)$

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 $\tilde{ω} = (\tilde{ω}_{1}, \tilde{ω}_{2}, \dots, \tilde{ω}_{n})$ (其中的每一个元素都为区间数),决策群体集D={d1,d2,…,dp}。 $\tilde{ω}_{j} = [ω_{j L}, ω_{j U}] (j \geq 2), ω_{j L}$ 、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 $\sum_{j = 1}^{n} ω_{j} = 1$ ,则扩展的二元语义加权几何平均(ET-WGA)算子φ定义为

$\begin{array}{l} (s_{k}, a_{k}) = φ ((s_{1}, a_{1}), (s_{2}, a_{2}), \dots, \\ (s_{n}, a_{n})) = Δ {\prod_{j = 1}^{n} [Δ^{- 1} (s_{j}, a_{j})]^{ω_{j}}} (2) \end{array}$

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 $\sum_{j = 1}^{n} v_{j} = 1$ ,则g定义为

$\begin{array}{l} (s_{k}, a_{k}) = g ((s_{1}, a_{1}), (s_{2}, a_{2}), \dots, \\ (s_{n}, a_{n})) = Δ {\prod_{j = 1}^{n} [Δ^{- 1} (s_{π (j)}, a_{π (j)}]^{v_{j}}} (3) \end{array}$

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

$(s_{k}, a_{k}) = φ ((s_{1}, a_{1}), (s_{2}, a_{2}), \dots, (s_{n}, a_{n})) = Δ (\prod_{j = 1}^{n} b_{π (j)}^{v_{j}}) (4)$

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, $(s_{k}, a_{k}) = Δ {\prod_{j = 1}^{n} [Δ^{- 1} (s_{π (j)}, a_{π (j)})]^{v_{j}}}$ ,则ET-COWGA算子退化为ET-OWGA算子;当v=(1/n,1/n,…,1/n)时, $(s_{k}, a_{k}) = Δ {\prod_{j = 1}^{n} [Δ^{- 1} (s_{j}, a_{j})]^{ω_{j}}}$ ,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:

$t_{j} = \frac{1}{\sqrt{2 π} σ_{n}} e^{- (j - u_{n})^{2} / (2 σ_{n}^{2})} j = 1, 2, \dots, n (5)$

$u_{n} = \frac{1 + n}{2} σ_{n} = \sqrt{\frac{1}{n} \sum_{j = 1}^{n} (j - u_{n})^{2}}$

由于vj∈[0,1]且 $\sum_{j = 1}^{n} v_{j} = 1$ ,所以将tj归一化得到vj

$v_{j} = e^{- (j - u_{n})^{2} / (2 σ_{n}^{2})} / \sum_{j = 1}^{n} e^{- (j - u_{n})^{2} / (2 σ_{n}^{2})} j = 1, 2, \dots, n (6)$

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:

$\begin{array}{l} m a x z^{(i)} = \sum_{j = 1}^{n} ω_{j}^{(i)} Δ^{- 1} (r_{i j}) \\ s . t . \sum_{j = 1}^{n} ω_{j}^{(i)} = 1, ω_{j L}^{(i)} \leq ω_{j}^{(i)} \leq ω_{j U}^{(i)} \end{array}} (7)$

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:

$\begin{array}{l} \min ε = \sum_{i = 1}^{m} \sum_{j = 1}^{n} (ω_{j}^{(i)} Δ^{- 1} (r_{i j}) - ω_{j} Δ^{- 1} (r_{i j}))^{2} \\ s . t . \sum_{j = 1}^{n} ω_{j} = 1, ω_{j L} \leq ω_{j} \leq ω_{j U} \end{array}} (8)$

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 $\tilde{ω}_{1} = [0.3 ‚ 0.5], \tilde{ω}_{2} = [0.2, 0.3], \tilde{ω}_{3} = [0.1, 0.2], \tilde{ω}_{4} = [0.15 ‚ 0.35]$ ,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=

$[\begin{matrix} (s_{1}^{(7)}, 0.4) & (s_{5}^{(7)}, - 0.333) & (s_{2}^{(7)}, 0) & (s_{5}^{(7)}, - 0.333) \\ (s_{1}^{(7)}, 0.4) & (s_{2}^{(7)}, 0.333) & (s_{4}^{(7)}, 0) & (s_{2}^{(7)}, 0.333) \\ (s_{4}^{(7)}, 0.2) & (s_{5}^{(7)}, - 0.333) & (s_{3}^{(7)}, 0) & (s_{2}^{(7)}, 0.333) \end{matrix}]$

R(2)=(r(2)ij)3×4=

$[\begin{matrix} (s_{2}^{(7)}, 0) & (s_{6}^{(7)}, - 0.4) & (s_{3}^{(7)}, - 0.2) & (s_{3}^{(7)}, - 0.2) \\ (s_{1}^{(7)}, 0) & (s_{3}^{(7)}, - 0.2) & (s_{1}^{(7)}, 0.4) & (s_{6}^{(7)}, - 0.4) \\ (s_{4}^{(7)}, 0) & (s_{4}^{(7)}, 0.2) & (s_{3}^{(7)}, - 0.2) & (s_{4}^{(7)}, 0.2) \end{matrix}]$

R(3)=(r(3)ij)3×4=

$[\begin{matrix} (s_{1}^{(7)}, 0) & (s_{4}^{(7)}, 0.2) & (s_{5}^{(7)}, - 0.333) & (s_{2}^{(7)}, 0) \\ (s_{2}^{(7)}, 0) & (s_{4}^{(7)}, 0.2) & (s_{5}^{(7)}, - 0.333) & (s_{4}^{(7)}, 0) \\ (s_{4}^{(7)}, 0) & (s_{3}^{(7)}, - 0.2) & (s_{2}^{(7)}, 0.333) & (s_{3}^{(7)}, 0) \end{matrix}]$

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 $λ_{1} = \frac{Δ^{- 1} (h_{1})}{Δ^{- 1} (h_{1}) + Δ^{- 1} (h_{2}) + Δ^{- 1} (h_{3})} = 0.333$ ,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=

$[\begin{matrix} (s_{1}^{(7)}, 0.3521) & (s_{5}^{(7)}, - 0.3070) & (s_{3}^{(7)}, - 0.0337) & (s_{3}^{(7)}, - 0.1765) \\ (s_{1}^{(7)}, 0.4668) & (s_{3}^{(7)}, - 0.0022) & (s_{3}^{(7)}, 0.2969) & (s_{4}^{(7)}, - 0.3075) \\ (s_{4}^{(7)}, - 0.2003) & (s_{4}^{(7)}, - 0.3323) & (s_{3}^{(7)}, - 0.3251) & (s_{3}^{(7)}, 0.0342) \end{matrix}]$

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。

联盟决策篇4

关键词：群决策系统,复杂性,创新机制,突现

产学研联盟作为我国国家创新体制的重要组成部分,对于提高我国的科技创新能力,推进科研成果转化为生产力有着重要的作用。产学研联盟通过将企业、高校和科研院所之间有效组合,加快技术创新及转化为产业创造能力的步伐,有助于推动一个地区相关产业的技术与资源的集成,及产品的更新换代。然而,我国产学研技术联盟发展过程中,存在理论和实践的脱节:在实践中表现为产学研技术联盟的创新能力不够,大量产学研技术联盟立足于技术开发、合作研究,而没有在某一产业或主导产品方面形成自身的可持续创新能力。产业界和科研院所如何定位自身的创新优势,如何和国家产业创新体制相联系,是产学研技术联盟中亟待要解决的问题。对于产学研技术联盟的创新机理方面,我国学者进行了有益的探索。王福深、王伯良(2009)从价值链的角度考察了产学研联盟的创新能力,认为产学研联盟的重要作用是在提升价值链中的研发能力,从而带动整个产业链条的竞争力;王艳,曾刚(2009)认为知识转移是产学研联盟的本质,根据知识的显性和隐性特点,应选择不同的产学研技术联盟模式;陈国华、江惠民(2009)认为应以产业集群为导向,组建产学研技术联盟,有助于提升联盟自身的创新能力。由上述学者研究,我们可以看到产学研联盟的竞争力在于企业和科研院所之间的优势互补,但由于企业和科研院组织管理机构不同,行为导向目标不同及其分散化特点,使联盟形成可持续创新能力存在诸多困难。本文试图利用复杂群决策系统基本理论,在研究产学研联盟创新能力形成机理基础上,构建产学研联盟的创新机制,以推进产学研联盟可持续竞争力的提升。

1 产学研联盟的复杂性特征

尽管产学研联盟是国家积极倡导,提升创新能力的科研和产业的合作模式,但由于产学研联盟是在不同个体成员之间,实现跨组织的知识分享和转移,涉及到资金、技术和人力投入,同时也面临复杂的决策过程,产学研联盟可以用复杂性科学的基本理论来进行描述,所谓复杂性科学是研究复杂系统行为与性质的科学,具有统一的方法论,研究重点是探索系统的复杂性及其演化问题。产学研联盟所表现的复杂性特征包括以下各个方面:

1.1 聚集性特征

在复杂系统中,聚集含义表现为同类主体为实现共同功能,通过“黏着”(Adhesiion)形成较大的多主体的聚集体,也叫介主体;这些介主体可以像主体一样再聚集成更大的聚集体——介介主体,从而导致系统层次、结构的出现。在聚集效应下,个体以更高层次的形式出现,原来个体没有消失,而在新的更适宜生存的环境中得到发展。产学研联盟的最终导向是形成产业的聚集效应。但在产业链条的形成之前,产学研联盟要以先导性、前瞻性和战略价值的核心技术知识为“凝聚点”,将不同目标个体“黏着”在一起,这是实现产学研联盟成功的关键所在。

1.2 非线性特征

复杂性科学认为个体之间的相互影响不是简单的、被动的、单向的因果关系,而是主动的“适应”关系,个体之间属性的变化并不遵从简单的线性关系。非线性特征强调了个体的主动性和创造性,过去的“经验”和“历史”会影响系统未来的行为和结果,但不必然产生某种结果。产学研联盟的非线性特征说明产学研具备一定的创新“潜力”,通过大学、科研院所和企业之间构成的知识传导路径能够实现可持续的商业价值,产学研联盟形成初期,人们往往很难预期其未来的发展前景。如在美国20世纪50年代所形成的“硅谷”模式,推动了产学研联盟发展的飞跃,根据该模式而形成的高科技产业,对于推动社会经济发展有着巨大作用。然而,该模式在其他国家和地区,并没有“复制”其成功结果。相反,寻求一条不同于“硅谷”模式的发展之道,倒可能获得巨大成功,如台湾新竹科学工业园区的发展,揭示了在产学研联盟中,过于遵循规则和传统,只会“泯灭”创新和个性,无助于产学研联盟系统的成功发展。

1.3 流特征

该特征说明系统内部个体之间存在相互作用,主体之间或主体与环境之间的流会因为主体适应或不适应而加强或减弱。流反映了系统主体之间,主体与环境之间的信息、物质和能量的相互交换,系统越复杂,信息、能量和物质交换越频繁,由此而形成的流更为复杂。流的演化路径、演化速度及是否通畅,都决定了系统演化是否成功。流具有方向性,沿着某一方向流的转化,会实现系统价值的增值,推进系统的成功演变。在产学研联盟的构造中,人们往往强调知识的转移和分享,忽略了在这一过程中,要实现流的通畅流转,物质和能量的流转同样重要,其次,流变方向和路径也十分重要,决定了系统演变是增强式还是衰减式的。

1.4 多样性特征

多样性反映了系统是由多个性质不同的要素构成,单个要素是不可能构成系统,多样性不仅存在系统内部,也存在系统外部。多样性是系统与环境不断适应的结果,每一次新的适应都为进一步相互作用和新的生态开辟可能性。产学研联盟的多样性特征说明在产学研联盟的构建过程中,不存在单一的、僵化模式。不同发展环境、发展阶段,决定了产学研联盟合作方式必然是各具特色,如美国模式以合作紧密、内容广泛、稳定持久、经费充足、应用性强为特点;日本模式强调政府行为,实行官产研合作教育的制度化和规范化;加拿大模式集中体现在高校、学生、企业三方的合作。

2 群决策系统与产学研技术联盟的创新性

2.1 群决策系统含义和特征

所谓群决策是指各个决策成员通过交互影响和分享信息,从不同成员个体方案中按照某一规则或偏好达成群体偏好一致的决策行为过程。由上述定义可以看到实现群决策的“载体”是群决策系统,其主要特征表现为:

(1)群决策系统是由两个或两个以上个体成员组成。个体成员之间可能是竞争关系,也可能是合作关系,也可能是在合作基础上的有限竞争关系。每一个体拥有自身的决策权力和偏好特征。

(2)群决策系统内部存在物质、信息和能量之间的交互影响。群决策系统不是个体之间的简单联系,而是由于个体自身需要而构成的相互联系和相互影响,实现物质、信息和能量之间的传递、转移和派生。

(3)群决策系统要达成最终的群决策目标,必须有一套程序和机制,不同的决策机制有不同的结果,因此,群决策系统机制是实现群决策的重要路径。

2.2 群决策系统与产学研联盟创新性的联系

根据以上分析,产学研联盟与群决策系统具有“同构性”,产学研联盟是复杂的群决策系统。产学研联盟是以企业、高校和科研机构为核心,以优势互补、利益共享为目标而形成的松散的或联系紧密的经济实体。由于系统中存在多个主体,造成系统决策目标的模糊性、不确定及难以寻求最优化解。产学研联盟是经济和技术相结合,市场、资本和经营管理相融合的复杂过程。复杂群体决策系统中,每一个决策主体都具有其独特性,又紧密联系,互相制约。因此,要使产学研联盟系统能够有效运作,应该建立在群决策系统的观念上,构造系统结构,以层次、维度和分支作为系统建立的“线索”,实现系统在不同层次上新的突破(创新性)。产学研的创新性体现在产学研联盟有机体的形成,具有个体所不存在的属性、特征、行为和功能。多年来,我国的产学研联盟成效不显著,主要原因在于产业界和科研部门之间没有对自身在创新过程中的地位进行正确的角色定位,没有找到紧密而有效的合作机制。系统成员之间的管理和控制机制缺乏正确的引导,更谈不上系统结构层次的突变和系统创新性的实现。

3 基于群决策系统的产学研联盟创新机制的构建

产学研联盟中多智能主体,需要按照预先确定的协议,根据系统目标及自身目的、资源和知识,利用通信网络,相互间通过协商确定各自的任务,协调各自的行为活动,完成共同任务,以达成整体目标。在产学研联盟实体中,各个智能主体是自治的、独立的,其自身目标不受其他成员的限制,协商、竞争等手段是解决各成员主体目标和行为之间矛盾和冲突的主要手段。同时,成员主体之间的协同性对保证共同目标至关重要。因此,应建立一套机制,规范各成员主体行为、保证局部行为和整体行为一致性,局部目标和全局目标的一致性。根据群决策系统理论,产学研联盟的创新机制分别体现在以下几个方面:

3.1 建立产学研联盟的标识系统

在产学研联盟中,不是任何机构、决策主体都可以聚集在一起,只有那些符合互补条件、有利于完成共同目标,具有合作精神的决策主体,才可能聚集在一起。标识系统往往是基于利益、价值链、功能等方面要素的需要而建立起连接产业部门和科研部门之间的“枢纽”。根据该标识系统,协调系统内部各个成员主体的行为,如建立由政府牵头的专业委员会,就联盟的技术、产品和标准等问题制定相应的发展规划,或就产业集群的发展建立跨产业的联系中心,推进一个产业价值链条与另一个价值链条的“对接”,实现产业集群价值链的再造和活力。在该标识系统中,也可以以契约形式明确联盟成员单位的责权利,确立投入、决策、风险承担、利益分配、知识产权归属等问题,保障联盟的正常运作。

产学研联盟的标识系统仅仅是联盟的一个结点,在简单群决策系统中,单一结点的联系能够满足有限的技术开发、资源投入和信息集成,但成员主体开放程度不够,由于受到合约的限制,成员主体的其他对外合作要受到联盟其他成员主体的约束。在复杂的群决策系统中,若干个标识系统构成动态的网络结构,该网络结构是连接资金、技术和人力资源的重要“平台”,各联盟主体不再受单一结点的约束,相反,可以展开多节点、多方位的合作和开发,保证产学研联盟的整体动态性和开放性。如英国早在2001年将世界各地的公司与伦敦各个大学的技术专家联系起来,形成伦敦技术网路,以帮助技术密集型企业更有效、更迅速地从大学的科研创新中获得技术和知识。伦敦技术网络是一个技术和信息资源的共享平台,通过不定期的技术交流会,向企业发布大学的研究成果。在子网络下,还可以与其他网络进行对接,扩张网络交互范围,如伦敦技术网络下设一个创新传播中心( IRC) , 通过IRC又与欧洲大陆的31个国家的IRC连接在一起, 使得科技交流范围更加广泛。

3.2 建立产学研联盟各成员主体的内部决策模型

假设产学研联盟成员主体用Ai(i=1,2,……n)表示,成员主体状态用Sj(j=1,2,……m)表示,成员主体的决策模型为f:I×S,Ik表示某个成员主体有k个输入,成员主体下一个状态S(t+1)由成员主体在t时刻的状态S(t)与输入Ik(t)决定。成员主体的决策函数表示如下:

f[S(t+1)]=f[I1(t),I2(t),……Ik(t),S(t)]

在产学研联盟中,每一主体都根据对多种输入信息进行处理,并依次决定下一个时间点的状态。成员主体通过相互作用构成网络,在一定决策规则下产生多种可能性集合。进行模拟训练,如果达到预期结果,则形成下一个状态集合;否则通过反馈系统,重新适应性学习,直到形成稳定状态。成员主体的决策过程如图1所示:

3.3 建立产学研联盟的突现模型,实现知识转移和升华

产学研联盟的各个成员主体需要根据自身内部模型对外在环境进行预测和反应,同时根据预测与反应结果进行调整,改变自身结构。内部决策模型具有相对稳定性和自身调整性,既保证结构作为整体的存在,又保证了结构对环境的适应能力。产学研联盟的成员主体不断改善自身的决策模型,并不需要任何超自然的指引,不断测试自己的模型,如果在集群内决策主体能够在环境中不断改善,会强化这一效应,使下次做得更好,其结果使整个联盟主体成员产生“趋同”效应,进行相同或相似的适应性活动。在产学研联盟中,每一成员主体都有自身的知识积累和知识边界,以标识系统为引导,成员主体之间相互联系,相互影响,形成复杂的群决策系统,形成趋同效应,产生第一层次的突现,实现群体决策的增效能力;形成一个子系统的突现后,在相同层次的突现也产生趋同效应,使得突现之间相互影响,形成更高层次的群决策系统整体突现现象。产学研联盟的突现模型反映了产业部门和科研部门之间知识转移和作用下而形成的共生效应,这一效应不断扩展就会形成某一局部地区的产业集群。由此不难解释“硅谷模式”和中国台湾新竹科技园对地区产业链条发展所起到的引领作用。有关产学研联盟的层次突现如图2所示:

4 结束语

本文以群决策系统理论为基础,探讨了产学研联盟与群决策系统之间的“同构”性,说明要实现产学研联盟的有效性和可持续性,应以群决策系统理论为指导,构建系统内部的“标识系统”,以标识系统为“粘着体”,形成产学研联盟网络,通过成员主体的内部决策模型的相互作用,实现系统的升级和突现,其最终目标实现区域的产业集成。

参考文献

[1]冯玫,许晓明.亚太国家高校产学研合作教育模式比较与我国的模式选择[J].河北师范大学学报(教育科学版),2007(6):21-25

[2]程如烟,黄军英.英国产学研合作的经验、教训及对我国的启示[J].科技管理研究,2007(9):45-51

[3]陈国华,江惠民:基于产业集群的高校产学研战略联盟研究[J].当代经济,2009(10):110-111

[4]吴想.产学研合作创新知识转移影响因素分析与对策研究量[J].科技管理研究,2009(9):12-17

[5]王艳,曾刚.基于知识转移视角的产学研合作模式研究[J].科技进步与对策,2009(97):4-7

[6]仲伟俊,梅姝娥,谢园园.产学研合作技术创新模式分析[J],中国软科学,2009(8):32-38

[7]张万宽.高新技术领域的产学研技术联盟绩效研究——基于资源依附和交易成本的分析视角[J].科技进步与对策,2008(6):20-25

[8]王雪原,王宏起.基于产学研联盟的科技创新资源优化配置方式[J].中国科技论坛,2007(11)

[9]朱勇.产学研自平衡运营机制研究——基于大学科技园产学研结合现状的分析[J].科技管理研究,2009(7):23-26

联盟决策篇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:

$A^{i} (t) = (e_{k m}^{i} (t))_{Κ \times Μ} ‚ i = 1, 2, \dots, n; t = 1, 2, \dots, Τ$

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 $0 \leq λ_{t} \leq 1 ‚ \sum_{t = 1}^{Τ} λ_{t} = 1$ 。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 $\bar{S} = {s_{α} | α \in [- q, q]}$ ,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∈ $\bar{S}$ , 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: $\bar{S}$ n→ $\bar{S}$ :若

$\begin{array}{l} E Ο W A_{ω} (s_{α (1)}, s_{α (2)}, \dots, s_{α (n)}) \\ = ω_{1} s_{β (1)} \oplus ω_{2} s_{β (2)} \oplus \dots \oplus ω_{n} s_{β (n)} = s_{\bar{β}} \end{array}$

其中, $s_{\bar{β}} = \sum_{j = 1}^{n} ω_{j} β (j) ‚ ω = (ω_{1}, ω_{2}, \dots, ω_{n})$ 是与EOWA相关联的加权向量, $ω_{j} \in [0, 1] (j \in Ν) ‚ \sum_{j = 1}^{n} ω_{j} = 1$ ,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: $\bar{S}$ n→ $\bar{S}$ :若

$\begin{array}{l} E W A A_{ω} (s_{α (1)}, s_{α (2)}, \dots, s_{α (n)}) \\ = ω_{1} s_{α (1)} \oplus ω_{2} s_{α (2)} \oplus \dots \oplus ω_{n} s_{α (n)} = s_{\bar{α}} \end{array}$

其中, $s_{\bar{α}} = \sum_{j = 1}^{n} ω_{j} α (j) ‚ ω = (ω_{1}, ω_{2}, \dots, ω_{n})$ 是模糊语言数据组(sα(1),sα(2),…,sα(n))的加权向量,且 $ω_{j} \in [0, 1] (j \in Ν) ‚ \sum_{j = 1}^{n} ω_{j} = 1$ ,则称函数EWAA是拓展的加权算术平均(EWAA)算子。

定义4 设LHA: $\bar{S}$ n→ $\bar{S}$ :若

$\begin{array}{l} L Η A_{ω ‚ w} (s_{α (1)}, s_{α (2)}, \dots, s_{α (n)}) \\ = w_{1} s_{β (1)} \oplus w_{2} s_{β (2)} \oplus \dots \oplus w_{n} s_{β (n)} \end{array}$

其中,w=(w1,w2,…,wn)是与LHA相关联的加权向量, $w_{j} \in [0, 1] (j \in Ν) ‚ \sum_{j = 1}^{n} w_{j} = 1$ 。sβ(j)是加权模糊语言数据组( $\bar{s}$ α(1), $\bar{s}$ α(2),…, $\bar{s}$ α(n))中第j大的元素,这里 $\bar{s}_{α (i)} = n ω_{i} s_{α (i)} (i \in Ν)$ ,ω=(ω1,ω2,…,ωn)是模糊语言数据组(sα(1),sα(2),…,sα(n))的加权向量, $ω_{j} \in [0, 1] (j \in Ν) ‚ \sum_{j = 1}^{n} ω_{j} = 1$ ,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):

$\begin{array}{l} z_{k}^{i} (t) = E Ο W A_{β} (e_{k 1}^{i} (t), e_{k 2}^{i} (t), \dots, e_{k Μ}^{i} (t)) \\ = β_{1} a_{1} \oplus β_{2} a_{2} \oplus \dots \oplus β_{Μ} a_{Μ} (1) \end{array}$

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), $β_{m} \in [0, 1] (m \in Μ) ‚ \sum_{m = 1}^{Μ} β_{m} = 1$ 。

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):

$\begin{array}{l} z_{k} (t) = L Η A_{ω, w} (z_{k}^{1} (t), z_{k}^{2} (t), \dots, z_{k}^{n} (t)) \\ = w_{1} b_{1} \oplus w_{2} b_{2} \oplus \dots \oplus w_{n} b_{n} (2) \end{array}$

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, $ω_{i} \in [0, 1] ‚ \sum_{i = 1}^{n} ω_{i} = 1$ ,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), $w_{i} \in [0, 1], \sum_{i = 1}^{n} w_{i} = 1$ ,且由下式确定[10,11]:

$w_{i} = Q (i / n) - Q ((i - 1) / n), i \in Ν (3)$

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):

$\begin{array}{l} z_{k} = E W A A_{λ} (z_{k} (1), z_{k} (2), \dots, z_{k} (Τ)) \\ = λ_{1} z_{k} (1) \oplus λ_{2} z_{k} (2) \oplus \dots \oplus λ_{Τ} z_{k} (Τ) (5) \end{array}$

其中,λ=(λ1,λ2,…,λT)为T个时段的权重向量,且满足 $0 \leq λ_{t} \leq 1 ‚ λ_{1} \leq λ_{2} \leq \dots \leq λ_{Τ} ‚ \sum_{t = 1}^{Τ} λ_{t} = 1$ 。

(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.

【联盟决策】推荐阅读：

品牌联盟07-22

联盟风险10-14

区域联盟10-20

产业联盟01-18

联盟成功01-18

联盟计划05-09

专利联盟05-23

采购联盟05-29

联盟博弈06-10

校际联盟06-22

>> 查看更多相关文档