供应链协同管理是一种全局性的、战略性的管理思想和管理方法，它主要是通过对供应链系统中的人力、物力、资金及信息等资源进行规划、组织和控制来实现其目标。然而，随着互联网技术不断创新进步，电子商务的发展为供应链的协同管理带来了新的契机。通过电子商务与供应链协同管理理念的有机结合，可以将供应链下游中用来创造新的用户界面推广到整条供应链中，从而建立起高性能、高效率的集成供应链。
在供应链协同管理中，其管理的绩效是其中的重要部分。利用科学合理的方法评估协同绩效，可以为决策者提供有力的参考依据，从而更好地提高供应链协同管理的效果。因此，供应链协同管理的绩效评估十分关键，它是协同管理的一个重要环节。
本文主要以电子商务供应链中的企业为例，建立起以B2B电子商务供应链为基础的供应链协同绩效评价指标体系。
一、B2B电子商务供应链协同绩效评价指标体系
（一）指标体系建立思路
首先，结合电子商务中B2B模式的特点，将供应链的协同管理分别从信息流、业务流和资金流这三个方面进行有机结合，从整个供应链系统的角度考虑客户关系和文化共识；其次，根据B2B电子商务集成供应链的运作流程和协同评价准则，确定协同指标；再次，结合电子商务企业实际运作中的需求和期望，对协同指标进行适当的调整，然后确定符合实际要求的评价指标，进而建立指标体系；最后，电子商务供应链协同 管理的良好运行还需 要整个系统具有软协同，即文化共识方面的协同并始终贯穿整 个评价指标体系。
（二）B2B电子商务供应链协同绩效 评价体系的构建
由于电子商务供应链中可能存在有一部分企业是虚拟企业，与传统供应链相比，部分运作流程是需要 在一定系统平台中 操作的。
针对这种情况，若只是简单地选用其 中的某种评价体系，则会脱离实际情况，构建出的绩效评价体系评估其绩效结果也是不准确的。因此，在构建B2B电子商务供应链协同绩效评价体系时，更多的是考虑电子商务供应链的特点，结合SCOR评价体系和BSC评价体系的优势，借鉴供应链协同绩效评价相对比较成熟的理论及现实案例研究，最终形成了B2B电子商务供应链特有的协同绩效评价体系，如表1所示。【表1】
二、BrainCell软件及其神经网络基本原理
（一） BrainCell神经网络基本原理
本文主要应用了BrainCell神经网络软件来实现B2B电子商务供应链协同绩效评价模型的计算与分析。BrainCell神经网络采用误差反向传播学习算法，算法从两个方面（信号的前向传播和误差的反向传播）反复进行迭代学习。其基本原理是输入层各神经元在接收外接的信息后，传递给隐含层的神经元，根据减少目标输出与实际输出误差的方向，从输入层经过隐含层逐层修正各连接的权值，直到将误差调整到能够接受的程度，这不仅是各层权值不断修正的过程，也是学习训练神经网络的过程，若学习样本的计算输出提前达到预期的结果，则训练过程结束，否则将学习到预先设定的学习次数为止，最后由输出层输出信息处理的结果，如上图所示。【图】
（二）BrainCell神经网络实现步骤
1.网络层数的确定
根据Kolmogrov理论可知，含有一个表2供应链管理绩效评价表绩效评价等级 绩效评价等级系数好较好一般较差差0.8-1.00.6-0.80.4-0.60.2-0.40-0.2隐含层的三层神经网络可以以任意精度逼近一个从输入到输出的映射关系。因此，在BrainCell神经网络中采用含有单隐层的三层神经网络。
2.网络节点的确定
输入层节点的多少与评价指标个数是相对应的。因此，根据构建好的B2B电子商务供应链协同绩效评价指标体系，可以将一级指标与二级指标进行合并，作为输入层的节点数，其指标数如表1所示，因此输入层节点数为19个。输出层节点则为1个，在此以B2B电子商务供应链协同绩效等级结果作为输出值。
3.网络训练
本文采用的训练函数为trainscg，将网络训练的精度设置为10-4并初始化权值和阈值后，从15个样本中选取12个作为训练样本进行批处理训练，开启网络进行学习训练。
其具体步骤如下。假设训练样例是形式（a，b），其中a为输入向量，b为输出值。 N为输入节点数，M为输出层节点数。从单位i到单位j的输入表示aij，单位i到单位j的权值表示Wij。
（1）创建具有N个输入单位，M个输出单位的BrainCell神经网络。
（2）用随机数（0或1）初始化某些数字变量网络权值Wij。
（3）对于第k个训练样例（a，b），把输入跟着网络前向传播，并计算网络中每个单元x的输出Qx，使误差沿着反向传播。
（4）对于每个输出单元u，计算它的误差项。
（5）对于每个隐含单元h，计算它的误差项。
（6）利用误差项更新调整每个网络权值。
（7）重复（3）到（6），直到完成指定的迭代次数或者是其误差值达到可接受的范围。
4.网络检验
将剩下的3个验证样本数据输入到训练好的网络中，将其训练结果与实际结果相比较，检验BrainCell神经网络得到的输入与输出间的关系是否正确，从而反映出该绩效评价体系的准确性和可靠性。
三、实证研究与分析
（一）确定绩效评价等级
由于各个企业供应链自身发展的情况不同，各具特点，其形式、结构各异，因此如何划分绩效评价等级，如何更好地反映绩效评价等级至关重要。本文以绩效考核成绩最好为1，最低为0为临界值，由高到低划分5个等级，并通过绩效等级系数来体现，见表2所示。【表2】
（二）指标数据获取和处理
本文以天猫商城中某珠宝饰品有限责任公司为例，该公司有比较稳定的供应商，且与多家企业都有长期合作关系。根据公司的实际管理情况，整理出该公司供应链协同管理的绩效指标评价体系研究的基础数据，应用BrainCell软件对这些基本数据进行计算。为使各指标在整个系统中具有可比性，本文利用效应系数将指标在闭区间[0，1]上进行同趋势化无量纲化和定性指标定量化处理。对于正向指标（越大越好），效应系数计算公式为fj=1-(xj-xjmin)/(xjmax-xjmin)对于逆向指标（越小越好），效应系数计算公式为fj=(xj-xjmin)/(xjmax-xjmin)其中， fj是xj的效应系数，j是评价指标的数目，xmax是第j个指标的最大值， xmin第j个指标的最小值。
（三）网络训练与模型检验
该绩效评价指标主要分为2层，在此将一级指标与二级指标进行合并，作为输入层的节点数，设指标集a={a10，a02，…a18，a19}={信息共享率，信息准确率，系统利用率…投资收益率}。样本组设为X，共整理出了15组样本，X={X1，X2 … X15}。其中，选取12组基本数据作为训练样本数据组，进行批处理训练，3组作为检验样本数据组来验证学习训练的结果。经过上述规范化地数据处理后，得到三组检验样本数据如表3所示。【表3】
首先，分别定义12组训练数据和3组检验数据，然后启动BrainCell软件，根据软件提示输入层和输出层的节点数，分别为19和1。在outputnodes中输入lin-ear，按照软件指示设置阈值和初始化网络权值后，开始训练这12组样本数据。然后 根 据 之 前 训 练 好 的 网 络 预 测X13、X14、X15这3组检验样本数据，结果如表4所示。【表4】
结果表明，该公司的供应链整体绩效基本良好，其绩效评价等级系数主要都集中在[0.5,0.8]这部分区间内，与该公司所处供应链实际情况相符。该公司运作情况基本令人满意。
四、结语及展望
从计算结果中可看出，目前我国B2B电子商务供应链的发展还有很大的提升空间，电子商务企业间应加强利用现有的系统功能，以电子商务平台为中心，协同化开展关键业务管理活动，增加企业间的信任度和目标一致性，从而实现整个电子商务供应链的共赢发展。
参考文献：
[1]唐业富.B2B电子商务供应链协同管理研究与应用[D].江西理工大学,2008(06).
[2]史成东.基于启发式属性约简和神经网络的供应链协同管理绩效预测[J].科技管理研究,2009(03).
[3]张翠华.供应链协同绩效评价及其应用[J].东北大学学报,2006(06).
[4]叶春明.BP神经网络在供应链管理绩效指标评价中的应用研究[J].工业工程与管理,2005(05).
[5]彭志忠.供应链协同绩效评价体系实证效应分析[J].中国流通经济,2008(09).
