供应链合作伙伴选择方法概述
作者: 来源: 文字大小:[大][中][小]
选择合作伙伴，是对企业输入物资的适当品质、适当期限、适当数量与适当价格的总体进行选择的起点与归宿。选择合作伙伴的方法较多，一般要根据供应单位的多少、对供应单位的了解程度以及对物资需要的时间是否紧迫等要求来确定。目前国内外较常用的方法综述如下。
1.直观判断法
直观判断法是根据征询和调查所得的资料并结合人的分析判断，对合作伙伴进行分析、评价的一种方法。这种方法主要是倾听和采纳有经验的
采购人员意见，或者直接由采购人员凭经验作出判断。常用于选择企业非主要原材料的合作伙伴。
2.招标法
当订购数量大、合作伙伴竞争激烈时，可采用招标法来选择适当的合作伙伴。它是由企业提出招标条件，各招标合作伙伴进行竞标，然后由企业决标，与提出最有利条件的合作伙伴签定合同或协议。招标法可以是公开招标，也可以是指定竞级招标。公开招标对投标者的资格不予限制；指定竞标则由企业预先选择若干个可能的合作伙伴，再进行竞标和决标。招标方法竞争性强，企业能在更广泛的范围内选择适当的合作伙伴，以获得供应条件有利的、便宜而适用的物资。但招标法手续较繁杂，时间长，不能适应紧急订购的需要；订购机动性差，有时订购者对投标者了解不够，双方未能充分协商，造成货不对路或不能按时到货。
3.协商选择法
在供货方较多、企业难以抉择时，也可以采用协商选择的方法，即由企业先选出供应条件较为有利的几个合作伙伴，同他们分别进行协商，再确定适当的合作伙伴。与招标法相比，协商方法由于供需双方能充分协商，在物资质量、交货日期和售后服务等方面较有保证。但由于选择范围有限，不一定能得到价格最合理、供应条件最有利的供应来源。当采购时间紧迫、投标单位少、竞争程度小，订购物资规格和技术条件复杂时，协商选择方法比招标法更为合适。
4.
采购成本比较法
对质量和交货期都能满足要求的合作伙伴，则需要通过计算采购成本来进行比较分析。采购成本一般包括售价、采购费用、运输费用等各项支出的总和。采购成本比较法是通过计算分析针对各个不同合作伙伴的采购成本，选择采购成本较低的合作伙伴的一种方法。
5.ABC成本法
鲁德霍夫（Roodhooft）和科林斯（JozefKonings）在1996年提出基于活动的成本（ActivityBasedCostingApproach）分析法，通过计算合作伙伴的总成本来选择合作伙伴，他们提出的总成本模型为：
式中
SiB-第i个合作伙伴的成本值；
pi-第i个合作伙伴的单位销售价格；
pmin-合作伙伴中单位销售价格的最小值；
q-采购量；
cjB-因企业采购相关活动导致的成本因子j的单位成本；
DijB-因合作伙伴i导致的在采购企业内部的成本因子j的单位成本。
这个成本模型用于分析企业因采购活动而产生的直接和间接的成本的大小。企业将选择SiB值最小的合作伙伴。
6.层次分析法
该方法是20世纪70年代由著名运筹学家赛惕（T.L.Satty）提出的，韦伯（Weber）等提出利用层次分析法分别用于合作伙伴的选择。它的基本原理是根据具有递阶结构的目标、子目标（准则）、约束条件、部门等来评价方案，采用两两比较的方法确定判断矩阵，然后把判断矩阵的最大特征相对应的特征向量的分量作为相应的系数，最后综合给出各方案的权重（优先程度）。由于该方法让评价者对照相对重要性函数表，给出因素两两比较的重要性等级，因而
可靠性高、误差小，不足之处是遇到因素众多、规模较大的问题时，该方法容易出现问题，如判断矩阵难以满足一致性要求，往往难于进一步对其分组。它作为一种定性和定量相结合的工具，目前已在许多领域得到了广泛的应用。
另外，苔么蔓（Timmerman）提出合作伙伴评价分类法（Categoricalmethod）；温德（Wind）和罗宾森（Robinson）、格理格利（Gregory）提出标重法（WeightedPointPlan）等等都可以用于合作伙伴的选择，但应用在供应链环境下，都存在一些问题，因为没有考虑具体的环境，所以不能有效地进行合作伙伴的评价和选择。
7.合作伙伴选择的神经网络算法
人工神经网络（ArtificialNeuralNetwork，简称ANN）是20世纪80年代后期迅速发展的一门新兴学科，ANN可以模拟人脑的某些智能行为，如知觉、灵感和形象思维等，具有自学习、自适应和非线形动态处理等特征。
这里将ANN应用于供应链管理环境下合作伙伴的综合评价选择，意在建立更加接近于人类思维模式的定性与定量相结合的综合评价选择模型。通过对给定样本模式的学习，获取评价专家的知识、经验、主观判断及对目标重要性的倾向，当对合作伙伴作出综合评价时，该方法可再现评价专家的经验、知识和直觉思维，从而实现了定性分析与定量分析的有效结合，也可以较好地保证合作伙伴综合评价结果的客观性。
基于人工神经网络的合作伙伴综合评价选择的处理总体流程结构模型。
在选定评价指标组合的基础上，对评价指标作出评价，得到评价值之后，因各指标间没有统一的度量标准，难以进行直接的分析和比较，也不利于输入神经网络计算，因此，在用神经网络进行综合评价之前，应首先将输入的评价值通过隶属函数的作用转换为[0,1]之间的值，即对评价值进行标准无纲量化，并作为神经网络的输入，以使ANN可以处理定量和定性指标。
其中xpi表示第i个指标的评价值（输入值），pi表示第i个指标经量化后的评价值（输出值），它是B-P网络的输入值。
人工神经网络模块是综合评价系统的重要组成部分，由B-P网络组成，主要完成网络结构的定义、样本的学习和通过B-P算法进行合作伙伴的综合评价计算等功能。
用于合作伙伴评价选择的B-P人工神经网络（以下简称B-P网络）可以采用具有一个输入层、一个隐层和一个输出层的网络结构。各层具有多个节点，每相邻两层之间单方向互连
B-P网络结构参数的选择是一个十分重要的工作，输入层和隐含层个数的增加会增强网络的表达能力，但也会影响其收敛速度。B-P网络结构参数可在网络运行前进行设置定义，相应设置存于网络结构文件。
在通过计算得到网络的权值和阈值后，就可将经过初始化的企业评价值作为网络输入进行计算，得到评价输出。