环境的恶化和资源的日益匮乏使全球的产业朝着绿色战略方向发展,如何提高企业的绿
色供应链管理能力是各企业在绿色战略下面临的重大课题。目前国内外许多学者从不同角度
建立了各种对绿色供应链进行绩效评价的指标体系,Scott D. Johnson[1]从企业的实际情况出
发提出了由增长与人力维度、股东和顾客维度、内部流程维度、财务维度和学习创新维度这
五个维度组成的平衡计分卡;Carter,C.R.和 Ellram,L.M.从企业战略的角度出发提出了环境管
理的战略等级:将资源减少放在首要位置,接下来依次是:再利用、再循环、废物处理与处
置。相比较而言,国内学者对绩效评价指标选择偏重于能够恰当地反映供应链整体运营状况
以及上下节点企业之间的运营关系,而不是孤独地评价某一供应商的运营情况。如:我国学
者郑任、白勤虎从供应链的财务价值指标、信息价值指标、客户服务指标、成本指标、业务
流程指标和绿色环保指标 6 个方面建立绿色供应链整体绩效评价的指标体系[2]
;曹敏从顾客
导向、供应链密切度、供应链经济效益、供应链绿化四个方面构建等
[2]。
本文在总体分析了绿色供应链特点的基础上,从财务、运营、环境三个方面构建绿色供
应链绩效评价指标体系,应用 BP 神经网络对绿色供应链的绩效进行全面评价,为企业的实
践提供一定的指导作用和参考价值。
1 绩效评价指标体系的构建
Scott D. Johnson[1]利用平衡记分卡原则识别并选择了环境绩效指标,他对卡普兰和诺顿
的平衡计分法作了一些修改,得出切合实际的评估企业环境绩效的平衡记分卡法,该方法主
要包括学习、创新、增长与人力、企业内部经营、顾客和股东以及财务等五个方面。
2000 年,徐贤浩等人提出了能反映整个供应链业务流程绩效的评价指标,包括产销率
指标、平均产销绝对偏差指标、产需率指标、供应链产品出产(或投产)循环期指标、供应链
总体运营成本指标、供应链核心产品成本指标和供应链产品质量指标。
为了建立有效评价绿色供应链绩效的指标体系,构建评价体系时一般需要遵循以下原
则:科学性、选取关键指标、降低指标之间的重复率、可行性等,在这些原则的指导下,参
照前人的指标选取,构建了三个层次的评价体系,具体指标构成如表 1 所示:
表 1 绩效评价指标体系构成
一级指标 二级指标
基于绿色供应链的绩效
评价指标体系
财务指标
环保资金投入率
雇员培训总人时增长率
污染成本率
三废排放费用率
运营指标
准时供货率
存货周转率
物流设备利用率
共同配送实施率
环境指标
绿色包装使用率
能源消耗比率
环境违规比率
废弃物回收利用率
环境管理体系认证情况
2 绿色供应链绩效评价模型研究
2.1 评价方法选择
供应链绩效的研究一直是供应链管理理论中的热点课题,无论是在学术界还是在实践领
域,有关供应链绩效评价的理论与评价方法都得到了广泛的探讨与应用。然而,绿色供应链
目前只是一项全新的研究领域,其评价方法和模型的构建只能以传统供应链的绩效评价方法
为基准,见表 2:
表 2 评价方法的比较分析
评价方法 优点 缺点
模糊综合评价法
1.采用模糊思想,根据多种不同
可能性得出多层次问题题解,
具有可扩展性
2.克服了传统数学方法中结果
单一性的缺点
1.评价指标间的信息问题无法解决
2.指标权重的制定都是人为主观决
定的,随意性比较大
数据包络分析法
1.处理多目标决策问题
2.克服权重确定的主观性和模
糊性
1.无法表示出评价单元的实际发展
水平
2.只能评价一个相对效率与规模效
益
3.对原有供应链中的缺陷和不足发
现能力不强
灰色关联度分析法
1.对样本要求很少
2.计算量比较少
3.在一定程度上排除了主观随
意性
1.分辨率低,难以彻底分析问题
2.没有充分考虑定性指标因素
BP 神经网络
1.处理信息能力强
2.数据可以并行处理
3.具有学习、联想和记忆的能力
1.要求样本数据充足,并具有典型
性、准确性
2.在训练过程中,容易出现训练过
度的情况
绿色供应链绩效评价是一个复杂的系统,是一个由若干不同参数组合而成的指标体系, 数量多,带有明显的模糊性,使用传统的评价方法如灰色关联度分析法、模糊综合评价法等存
在指标权重制定的随意性、分辨率低等局限性。而 BP 神经网络具有高速信息处理的能力及
很强的不确定性信息处理能力,可以克服绩效信息收集不全,评价因素间关系模糊等障碍,
也能减少评价过程中主观因素对最后结果的影响。用 BP 神经网络进行绿色供应链的绩效评
价可以优化指标数值,有助于提高企业绿色供应链管理绩效,合理设计供应链。为此本文选
择 BP 神经网络进行供应链的绩效评价研究。
2.2 BP 神经网络模型的构建
2.2.1BP 算法的基本步骤
BP 算法是 BP 神经网络最基本的训练法,是由两部分组成的:输入数据的同向传播与
误差的反向传播[4]。在同向传播过程中,输入的数据从输入层开始,到隐含层逐层计算输出
数据,进而传向输出层,然而每一层神经元的状态只对下一层神经元状态产生影响。总误差
函数小于预先设定的允许误差,则学习训练过程结束,得到期望的输出值。若总误差函数大
于允许误差,没有得到期望的输出,则计算各层节点的输出误差,即逐层计算实际输出与期
望输出的误差变化值,然后将各层输出误差沿原来的路径反向传播,进一步修改网络的连接
权值 W 与阈值 B,使其直至达到期望误差。BP 神经网络的绩效评价模型具体包括以下几个
基本步骤: