尹婷婷（西北工业大学 图书馆，西安 710072）

1 引言

图书供应商是影响图书馆图书采购质量和馆藏建设的关键要素之一,因此准确评价与合理选择书商对图书馆来说至关重要。近年来图书馆都相继开始采用图书招标方式进行图书采购,而在图书招标中建立一种科学的书商优选模式,避免单靠经验选择书商显得十分重要。同时,图书馆也要随时、方便地对已合作书商的综合能力变化情况进行科学判断,这样有利于保证图书馆对书商实现动态选择。此外,书商之间的竞争日益激烈,他们需要关注自己的综合能力,并不断完善以求发展。这些都要求对书商的综合能力进行科学、快捷的定量评价,找出影响其综合能力的主要指标。因此,图书馆书商综合能力的评价对图书馆和书商而言都成了一个急需解决的问题,也是图书馆学的热门话题，[1]相关研究论文和专著层出不穷，一些论文和专著对图书供应商的评价指标进行了详细分析，还有的文献将层次分析法应用到书商选择上。[2-4]层次分析法的特点是在对复杂的决策问题的本质、影响因素及其内在关系等进行深入分析的基础上,利用较少的定量信息使决策的思维过程数学化,从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法，该方法的整个过程体现了人的决策思维的基本特征,即分解、判断与综合,定性与定量相结合,便于决策者之间彼此沟通,是一种十分有效的系统分析方法。[5]但这种方法仍存在局限性，主要表现在：（1）评价过程中下一层要素与上一层要素的线性或非线性关系难以确定，不同的评价者可能得出不同的结果；（2）对系统进行评价时，容易出现判断上的逻辑错误，必须进行一致性检验；（3）检验判断矩阵的一致性非常困难，当判断矩阵不具有一致性时，要经过若干次的调整、检验、再调整、再检验的过程才能使判断矩阵具有一致性。

因此本文根据图书馆发展要求和书商服务的特点，借助BP神经网络这一非线性科学理论，采用基于BP 算法的层次分析法构建适合定量分析评价书商综合能力的模型，[6]进行图书供应商的综合能力评价。这种方法克服了传统层次分析法的不足与局限，同时利用BP神经网络所具有的大规模并行、分布、存储、自适应、自组织和自学习的功能，不断积累知识和经验，不断修正所学的知识，从而克服评价与决策过程中的人为因素，使评价与决策更准确、客观。

2 建立图书馆供应商综合能力评价指标体系及层次划分

按照全面性与科学性、定量分析与定性分析相结合、可行性与可操作性、灵活性与目标导向性的原则，综合考虑各方面因素的影响，同时便于比较，本文采用书商评价指标体系与层次划分。[1,7-10]

（1）供应能力。作为图书供应商必须具备图书供应的能力,提供最新版本的图书和提供国家一级出版社出版的图书比率的大小是供应商在供应能力方面的重要体现。

（2）书目数据。图书供应商不仅需要向图书馆提供图书,还需要提供一定的服务,主要包括以下几方面：免费提供全面的采访数据，提供采编数据加工，提供符合国标或CALIS 标准的编目数据，及时反馈采不到或出版变化的图书，提供义务咨询以及有针对性地制作个性化征订数据等服务，图书出现破损、错订等情况能够及时进行调换等。

（3）价格。由于不同供应商对图书的折扣率亦有不同,从而造成图书采购价格的差异。

（4）影响力。供应商的经营规模、资金状况、信誉度、与国家一级出版社合作关系、定准率等自身综合实力对图书馆选择供应商起到很大的影响作用。

（5）业绩。主要包括与其他图书馆的合作情况，最近3年的营业状况，最大营业额，市场占有率。

（6）交货能力。图书供应商的交货能力指订书提前期和交书率，订书提前期指从发出订单到收到图书所用的时间，交书率高是体现供应商实力的重要指标。

（7）采购方式。实现书目信息预订与现场采购相结合的图书订购方式。

（8）信誉。主要包括资质和诚信状况，严格按图书馆的订单发书,防止任意搭配非订购图书的行为，无违法乱纪的经营行为，允许订购方合理退书等。

3 基于BP神经网络的层次分析法及各层权值的确定

将BP神经网络用于层次分析法的基本原理为：把评价或决策指标作为BP神经网络的输入向量，把相应综合评价的目标作为神经网络的输出，把层次分析法中的判据层作为网络的隐含层。使用网络前，先用一些经传统综合评价取得成功的样本集训练这个网络，使网络所具有的连接权值经过自适应学习后得到正确的内部表示，训练好的神经网络就可以作为综合评价与决策的有效工具。输入评价方案或决策目标的指标参数即可输出评价目标量值。评价或决策时可以利用贡献分析变量选择理论，[11]对评价或决策指标进行选择和筛选，使用于评价的神经网络模型尽可能简化，有利于计算机编程和运算。

按照BP 算法原理，可以得出基于BP 算法的层次分析法的步骤：[6]

（1）确定基本随机变量的概率模型，创建用于评价学习的神经网络，确定网络结构参数，输入层、隐含层、输出层神经元个数，学习系数，误差允许范围δ 等。

（2）为网络的连接权赋初值。

（3）对基本随机变量重复m+n 次有目的的采样（m、n 分别为神经网络学习和检验所需要的次数），利用有限元软件[12]进行m+n 次分析，获得m+n 组响应量值。

（4）将m 次采样的基本随机变量作为神经网络的训练值，对网络进行学习，计算样本隐含层和输出层各处理单元的实际输出值。

（6）求Yp和Ep。

（7）若Ep≤δ，则结束学习。

（8）对隐含层和输出层的处理单元分别计算其误差。

（9）对权值进行修正。

（11）输入评价或决策系统的各指标参数至训练好的网络，模拟网络，输出系统评价量值。

4 基于BP神经网络的层次分析法仿真实例

4.1 确定基本变量及初始样本点

为了便于与传统的层次分析法相比较，本文选用李丽华等发表的“基于AHP 线性规划的优化图书供应量分配方案”文章中层次分析法的各项指标值作为BP网络输入层的17个节点。输出层为一个节点，为供应商的综合指标数，如表1 所示。17个基本输入变量均服从对数正态分布，利用自适应重要抽样法[13]筛选17个输入变量的值，各指标如表2 所示，输入值及其对应的输出值即构成BP网络的初始样本点。

表1 结果对比

4.2 BP神经网络模型的建立及训练

利用初始样本值通过网络学习得到网络的连接权值和阀值，其中输入层采用“tansig”传输函数，隐含层采用“purelin”传递函数，学习过程中根据迭代情况适当调整隐含层神经元个数。当隐含层神经元个数为19时网络收敛较快，收敛条件为网络的误差小于等于1.0e-2，网络训练曲线如图所示。网络训练结束后，利用已知数据对网络进行测试，测试数据的目标值与BP神经网络的训练值的比较见表1。

表2 初始样本点

图 BP神经网络训练曲线

由表1 可见，各组数据的目标值与训练值的误差最大为5.5%，满足工程所需的精度，因此该BP网络已达到了仿真所需要的要求。

4.3 仿真实例

根据已得到的BP神经网络，对3个不同的供应商进行综合测评，所得到的数据如表3 所示。列出了3个不同供应商的综合评价目标值计算结果，依据目标值的大小，3个不同供应商供书质量由好到坏依次为：D2、D1、D3，同时说明D2 供应商具有较好的综合供应能力。

表3 不同供应商的比较

5 结论

本文利用BP神经网络及层次分析法，在充分分析评价指标体系的基础上，建立图书供应商综合指标评价模型，客观、公正地解决了图书采购的供应商选择问题。本方法可以克服传统层次分析法的人为因素较多，影响评价结果的准确性和客观性的不足，同时本方法具有不需要进行一致性检验，可以避免出现逻辑错误的优点，并且可以根据实际应用效果进行反馈和模型修正。

当然，基于BP 算神经网络的层次分析法也具有一定的局限性，这种方法的收敛速度和所选择的网络参数有关，并且可能出现局部最小的情况，随后的研究中将考虑综合利用标杆法、模糊数学、多目标规划、智能计算等技术和方法对所做的模型进行进一步的修正。

[1]张利,等.图书馆图书供应商综合能力评价模型及分析[J].实践研究，2009（12）：76－80.

[2]Mk Brady，J J Gronin.Some new thoughts on conceptualizing perceived service quality：A hierarchical approach[J].Journal of Marketing，2001，65（3）：34－49.

[3]刘丽文.服务运营管理[M].北京：清华大学出版社，2004.

[4]Christian Gronroos.Service Management and Marketing：Management the Moments of Truth in Service Competition[M].Toronto：Lexington Books，1990.

[5]张志清,杨中华.基于AHP 和NEULONET的供应商选择问题[J].系统工程与电子技术，2007（29）：570－573.

[6]黄冬民,端木京顺.基于BP 算法的层次分析法研究[J].贵州工业大学学报,2004（33）：67－70.

[7]李丽华,等.基于层次分析法的图书供应商评价模型[J].河北科技师范学院学报,2008（9）：38－41.

[8]徐诗涛.论图书馆图书供应商的选择[J].图书馆界,2004，6（2）：51－53.

[9]王云娣.基于层次分析法的图书馆信息服务能力综合评价[J].情报科学，2008（1）：82－86.

[10]冯臻.浅谈采购供应商选择中层次分析法的应用[J].无锡职业技术学院学报,2007（3）:26－27.

[11]高仁祥，等.基于神经网络的变量选择方法[J].系统工程学报，1998，13（2）：32－37.

[12]赵经文，王宏钰.结构有限元分析[M].北京：科学出版社，2001.

[13]吕震宙，杨子政.基于神经网络的可靠性分析新方法[J].机械强度，2006,28（5）：699－702.