供应链评价的方法
供应链效绩评价方法是供应链绩效评价的具体手段。主要是将各具体指标的评价值经过适当的计算，得出最终目标评价值，最后再与评价标准比较，得出评价结论。没有科学的评价方法对评价指标的运用，就不可能得出正确的结论。下面将对主流的评价方法进行介绍，并对其优势和劣势做出评价。
1 层次分析法
层次分析法(Analytic Hierarchy Process，AHP)是一种定性与定量结合的多目标决策分析方法，由saaty于20世纪70年代首先提出，并用于分析复杂系统[1]。其主要思想是：首先分析复杂系统的要素构成及其相互间的关系，据此构造出一个有序的递阶层次结构;然后通过两两比较的方式确定层次中各个要素的相对重要性，在每一个层次上建立判断矩阵，计算该层要素的相对权重;最后计算出各要素相对于总目标的权重。
层次分析法能够同时从定性和定量两个角度来分析问题，特别适合用于解决复杂系统的评价问题，这是因为针对复杂问题建立精确的数学模型往往是很困难的，某些时候必须依靠人的定性判断。与此同时，层次分析法也存在很多的不足之处，如：层次分析法在很大程度上依靠的'是人的经验，无法排除个人偏好造成的片面性;比较和判断的过程较为粗糙，只能用于解决精度要求不高的问题;当影响因素数量较多时，比较判断的工作量会迅速增加。
2 模糊综合评价
模糊综合评价(Fuzzy Comprehensive Evaluation，FCE)是在模糊数学理论的基础上发展起来的。模糊数学理论由zadeh于20世纪60年代首先提出，它采用精确的数学方法来描述模糊性现象[2]。模糊综合评价借助模糊数学，将边界不清晰、不易量化的因素定量化，然后计算各个因素与评价对象的隶属度，根据隶属等级状况进行综合评价。
供应链绩效评价的指标之间存在着复杂的因果关系，有些关系是模糊的、不确定的，而且有些指标无法实现精确定量化，应用模糊综合评价就能够很好的解决这些模糊性问题，这也是该方法的最大优势。其劣势在于：(1)计算复杂;(2)指标权重的设定具有较强的人为主观性;(3)当指标数量较多时，容易出现/超模糊现象。
3 人工神经网络
人工神经网络(Artificial Neural Networks，ANN)简称神经网络，是人工智能领域的重要分支，它是对人脑进行抽象、简化而建立起来的计算模型，目的是为了模拟实现大脑的某些功能 [3]。
目前有上百种模型问世，其中比较著名的有BP神经网络、径向基神经网络、竞争学习神经网络、学习向量量化神经网络、Elman神经网络、Hopfield神经网络和Boltzmann神经网络，其中BP神经网络的影响和应用最为广泛。神经网络的主要优点是能够自适应样本数据，当数据中有噪声和非线性时，也能够正常工作，另外，联想推理、高速并行处理也是其优点。经过科学的训练和学习，神经网络能够找出输入和输出之间的非线性映射关系，从而实现智能推理和预测。神经网络的劣势在于学习效率低，容易陷入局部极值，以及当样本数据多时收敛速度慢。叶春明等人研究了BP神经网络在供应链管理绩效指标评价中的应用。
4 数据包络分析
数据包络分析(Data Envelopment Analysis，DEA)是Charnes等学者于1978年提出的评价相对有效性的方法。DEA使用数学规划模型来比较不同决策单元之间的相对效率，通过综合分析决策单元的输入和输出数据，可以得出每个决策单元的综合效率指标，并且以定量化的形式表示出来。DEA还能判断各决策单元的投入规模是否恰当，如果不恰当，可以向什么方向、以何种程度调整投入规模以此给部门主管提供有用的决策信息[4]。
数据包络分析适合用于多输入、多输出的复杂系统评价，它将输入和输出权重设置为变量，无需人为主观设定。它可以处理不同量纲的数据，将系统的内部过程视为“黑箱”，因此避免了对输入和输出之间的定量关系进行描述。数据包络分析的主要缺点在于该方法对指标数目要求比较严格，当指标数目相对于决策单元的数目太多时，多数决策单元会被判定为有效，从而无法取得有效的信息。
5 支持向量机
支持向量机(Support vector Maehines， SVM)是vapnik于1995年提出的一种机器学习算法。其基本思想是：将在低维空间线性不可分的样本通过核函数的非线性变换，映射到高维特征空间，在高维特征空间构造出最优超平面和决策函数，据此可以推断出任意一个输入x对应的输出y[5]。
支持向量机在解决小样本、非线性和高维度问题时具有很大的优势，然而当样本数量较大时，SVM就无能为力了，必须求助于改进的SVM模型。
【供应链评价的方法】相关文章：
1.供应链细分的方法
4.供应链更精益方法