供應鏈評價的方法

供應鏈效績評價方法是供應鏈績效評價的具體手段。主要是將各具體指標的評價值經過適當的計算，得出最終目標評價值，最後再與評價標準比較，得出評價結論。沒有科學的評價方法對評價指標的運用，就不可能得出正確的結論。以下是小編精心整理的供應鏈評價的方法，歡迎大家借鑑與參考，希望對大家有所幫助。

1、層次分析法

層次分析法(Analytic Hierarchy Process，AHP)是一種定性與定量結合的多目標決策分析方法，由saaty於20世紀70年代首先提出，並用於分析複雜系統。其主要思想是：首先分析複雜系統的要素構成及其相互間的關係，據此構造出一個有序的遞階層次結構;然後通過兩兩比較的方式確定層次中各個要素的相對重要性，在每一個層次上建立判斷矩陣，計算該層要素的相對權重;最後計算出各要素相對於總目標的權重。

層次分析法能夠同時從定性和定量兩個角度來分析問題，特別適合用於解決複雜系統的評價問題，這是因為針對複雜問題建立精確的數學模型往往是很困難的，某些時候必須依靠人的定性判斷。與此同時，層次分析法也存在很多的不足之處，如：層次分析法在很大程度上依靠的是人的經驗，無法排除個人偏好造成的片面性;比較和判斷的過程較為粗糙，只能用於解決精度要求不高的'問題;當影響因素數量較多時，比較判斷的工作量會迅速增加。

2、模糊綜合評價

模糊綜合評價(Fuzzy Comprehensive Evaluation，FCE)是在模糊數學理論的基礎上發展起來的。模糊數學理論由zadeh於20世紀60年代首先提出，它採用精確的數學方法來描述模糊性現象。模糊綜合評價藉助模糊數學，將邊界不清晰、不易量化的因素定量化，然後計算各個因素與評價對象的隸屬度，根據隸屬等級狀況進行綜合評價。

供應鏈績效評價的指標之間存在着複雜的因果關係，有些關係是模糊的、不確定的，而且有些指標無法實現精確定量化，應用模糊綜合評價就能夠很好的解決這些模糊性問題，這也是該方法的最大優勢。其劣勢在於：(1)計算複雜;(2)指標權重的設定具有較強的人為主觀性;(3)當指標數量較多時，容易出現/超模糊現象。

3、人工神經網絡

人工神經網絡(Artificial Neural Networks，ANN)簡稱神經網絡，是人工智能領域的重要分支，它是對人腦進行抽象、簡化而建立起來的計算模型，目的是為了模擬實現大腦的某些功能。

目前有上百種模型問世，其中比較著名的有BP神經網絡、徑向基神經網絡、競爭學習神經網絡、學習向量量化神經網絡、Elman神經網絡、Hopfield神經網絡和Boltzmann神經網絡，其中BP神經網絡的影響和應用最為廣泛。神經網絡的主要優點是能夠自適應樣本數據，當數據中有噪聲和非線性時，也能夠正常工作，另外，聯想推理、高速並行處理也是其優點。經過科學的訓練和學習，神經網絡能夠找出輸入和輸出之間的非線性映射關係，從而實現智能推理和預測。神經網絡的劣勢在於學習效率低，容易陷入局部極值，以及當樣本數據多時收斂速度慢。葉春明等人研究了BP神經網絡在供應鏈管理績效指標評價中的應用。

4、數據包絡分析

數據包絡分析(Data Envelopment Analysis，DEA)是Charnes等學者於1978年提出的評價相對有效性的方法。DEA使用數學規劃模型來比較不同決策單元之間的相對效率，通過綜合分析決策單元的輸入和輸出數據，可以得出每個決策單元的綜合效率指標，並且以定量化的形式表示出來。DEA還能判斷各決策單元的投入規模是否恰當，如果不恰當，可以向什麼方向、以何種程度調整投入規模以此給部門主管提供有用的決策信息。

數據包絡分析適合用於多輸入、多輸出的複雜系統評價，它將輸入和輸出權重設置為變量，無需人為主觀設定。它可以處理不同量綱的數據，將系統的內部過程視為“黑箱”，因此避免了對輸入和輸出之間的定量關係進行描述。數據包絡分析的主要缺點在於該方法對指標數目要求比較嚴格，當指標數目相對於決策單元的數目太多時，多數決策單元會被判定為有效，從而無法取得有效的信息。

5、支持向量機

支持向量機(Support vector Maehines， SVM)是vapnik於1995年提出的一種機器學習算法。其基本思想是：將在低維空間線性不可分的樣本通過核函數的非線性變換，映射到高維特徵空間，在高維特徵空間構造出最優超平面和決策函數，據此可以推斷出任意一個輸入x對應的輸出y。

支持向量機在解決小樣本、非線性和高維度問題時具有很大的優勢，然而當樣本數量較大時，SVM就無能為力了，必須求助於改進的SVM模型。