B2B协同决策半自动一致性模型设计与实现

刘翔

上海大学管理学院，上海200444

1 引言

面向供应链的大型群体供应商与客户B2B协同资源动态性且具有群一致性特性的多属性协同决策（MACD）是很复杂、费时间的过程，因为供应链中各供应商与客户群体既有共同目标，又有期望最大化自身利益的冲突目标，如果供应商与客户B2B协同中的一些群体犹豫不决，协同决策的群一致性过程将无法实现。协同决策中将个体意见聚合成群一致性意见的方法是很多供应商与客户B2B协同活动中不可分割组成部分，诸如，供应商选择、供应链战略规划及运营计划等[1-11]。群一致性过程是消除群决策成员之间非一致性的偏好过程。为了有效地解决实际环境中一致性问题，群一致性测量方法已从仅用0、1表示两种状态一致性评价（0表示不同意，1表示同意）的硬一致性测量发展进化为可用[0，1]区间任意数值灵活地评价一致性不同程度的软一致性测量[1，12-16]。已有大量的有关群一致性的研究[17-26]。然而，多数现有研究的群一致性模型存在着缺点：难以管理较大群体，需要大量复杂手工操作以确保协同决策过程有效[27-29]。为了有效地实现供应链中资源动态性且有群一致性特性的大型群体供应商与客户B2B协同的MACD，需要对现有研究的群一致性模型进行改进与扩展。

本文建立了一个半自动一致性模型（SACM），该模型显著特点是容易管理大型群体，不需要大量复杂手工操作以确保协同决策过程有效，群决策者给出初始偏好后，迭代算法能自动地修改各大型群体的多种个人意见以达成一致性。此外，该模型可将供应商与客户B2B协同的单向、局部的优化扩展进化为具有多层一致性与抗风险性的闭环的、反馈的计划与执行协同优化，同时，可减少协同决策时间，以实现最大化用户效用。

2 供应商与客户B2B协同的M ACD问题

供应商与客户B2B协同中资源动态性且具有群一致性特性的MACD问题可描述如下：MACD问题在分布式状态下形成，合作伙伴管理供应商与客户的协作活动，在供应商与客户B2B协同中没有总的协调组织，协调者可以是供应链的内部或外部的组织（如供应链中客户或供应链外第四方物流服务商），它的作用是对客户项目成功及供应商网络参与活动进行协调。在时点t的MACD问题Pt可分解为spzt(z=1，2，…，h)(h≥1)独立的子问题集Pt={sp1t，sp2t，…，spzt，…，spht}。有确定方案集spzXt={spz(j=1，2，…，n)}的子问题spzt(z=1，2,…，h)(h≥1)，由子群决策者spzt(E)={spzt(e1),spzt(e2),…，spzt(er)}(r≥2)以独立与并发方式进行局部的求解；通过集结spzt(z=1，2，…，h)(h≥1)子问题集求解问题Pt，其中各子问题的信息收集、分析与存储由相应子群决策者独立进行。假定子群决策者权重为spzt(E(λ))=(spzt(e1(λ))，spzt(e2(λ))，…，spzt(er(λ)))T，其中，spzt(ek(λ))≥0，k=1，2,…，r且；方案的属性集为spzXt(U)={spzXt(U1)，spzXt(U2)，…，spzXt(Um)}，属性权重为spzXt(U(w))={spzXt(U1(w1))，spzXt(U2(w2))，…，spzXt(Um(wm))}，其中，spzXt(Ui(wi))≥0，i=1，2，…，m，为针对子问题spzt(z=1，2，…，h)，方案及方案属性spzXt(ui)(i=1，2，…，m)，决策者spzt(ek)(k=1，2，…，r)所给出的个体决策矩阵。个体决策矩阵spzt(ek(D))=(spzt(ek(dij)))m×n可规范化为相应的标准决策矩阵spzt(ek(G))=(spzt(ek(gij)))m×n，其中，当spzXt(ui)为利润型属性时：

当spzXt(ui)为成本型属性时：

然后，通过采用加权集结算子（AWA）：

将标准个体决策矩阵spzt(ek(G))=(spzt(ek(gij)))m×n聚集为子群决策者spzt(E)的协同决策矩阵spzt(E(G))=(spzt(E(gij)))m×n。相似性用于测量个体意见与总体意见兼容程度。为了测量标准个体决策矩阵spzt(ek(G))与协同决策矩阵spzt(E(G))之间近似性，引用如下距离计算公式：

其中，L(spzt(ek(G))，spzt(E(G)))称为个体决策矩阵spzt(ek(G))与协同决策矩阵spzt(E(G))近似性程度。假定δ为可接受的近似性阀，且0＜δ＜1，如果L(spzt(ek(G))，spzt(E(G)))≤δ(z=1，2，…，h)，那么，个体决策矩阵spzt(ek(G))与协同决策矩阵spzt(E(G))称为可接受近似性。与问题Pt={sp1t，sp2t，…，spzt，…，spht}相关的全局目标决策矩阵Pt(E(G))可用对角矩阵表示如下：

令L(Pt(E(G)))为全局近似性，如果L(Pt(E(G)))≤δ，那么Pt(E(G))为群体决策者P(E)={sp1(E)，sp2(E)，…，sph(E)}对问题P的近似性可接受协同决策矩阵。

3 模型

根据以上描述的供应商与客户B2B协同MACD问题，开发与设计的闭环、反馈的半自动一致性模型（SACM）包括4阶段：供应商和客户B2B协同资源数据初始化；形成协同决策问题；一致性达到过程与供应商和客户B2B协同计划生成；供应商和客户B2B协同计划执行实时监控分析与计划重构。如图1，SACM详细步骤说明如下：

第1阶段供应商与客户B2B协同资源数据初始化（包括1个步骤）

步骤1供应商与客户B2B协同资源设置。协调者指定初始化的供应商与客户B2B协同资源，包括产品资源设置、技术资源设置、财务资源设置、仓储资源设置及设备与能力资源设置。

第2阶段形成MACD问题（包括4个步骤）

步骤2MACD问题设置。协调者指定MACD问题Pt及该问题分解成相应子问题集spzt(z=1，2，…，h)(h≥1)。

步骤3选择协同决策成员。协调者选择与子问题spzt相关的子群决策者spzt(E)，决策者spzt(E)接收到协调者发来的参与协同决策问题求解的通知并确认参与后，协调者设定决策者权重向量spzt(E(λ))=(spzt(e1(λ))，spzt(e2(λ))，…，spzt(er(λ)))T。

步骤4列举各子问题可行求解方案。协调者列举子群决策者spzt(E)求解子问题spzt的确定方案集，并指定方案中各属性值、属性类型（利润或成本）及各属性权重spzXt(U(w))={spzXt(U1(w1))，spzXt(U2(w2))，…，spzXt(Um(wm))}。

步骤5令CYCLE为迭代次数，然后，指定最大迭代次数MAXCYCLE以避免现群体求解死循环；令CYCLE=0为初始循环值；指定可接受的近似性的阀δ，令δ=δ*是可接受的近似性最低限度及0＜ω＜1。

第3阶段时间点t的协同决策一致性过程（包括6个步骤）

步骤6协调者收集与标准化决策者偏好。各子群决策者独立地给出相应决策矩阵中各方案偏好。令spzt(ek(D))=(spzt(ek(dij)))m×n为决策者spzt(ek)(k=1，2，…，r)决策矩阵，其中，spzt(ek(dij))为决策者spzt(ek)(k=1，2，…，r)对子问题spzt(z=1，2，…，h)方案spz(j=1，2，…，n)中，属性spzXt(ui)(i=1，2，…，m)评价偏好值。协调者收集spzt(ek(D))=(spzt(ek(dij)))m×n，然后，通过公式（1）、（2）构造标准化决策矩阵如下：

图1 4阶段半自动一致性模型图

步骤7判断是否达成一到性。依据加权集结算子公式（3），集结标准决策矩阵spzt(ek(G))=(spzt(ek(gij)))m×n(z=1,2,…，h;k=1,2,…，r;i=1,2,…，m;j=1,2,…，n)为各子问题的群协同决策矩阵spzt(E(G))=(spzt(E(gij)))m×n。习惯地，令spzt(ek(G(0)))=(spzt(ek(gij(0))))m×n=spzt(ek(G))=(spzt(ek(gij)))m×n，然后，根据公式（4）计算各子问题层的群近似性如下：

如果L(spzt(ek(G(CYCLE)))，spzt(E(G(CYCLE))))＞δ*(z=1，2，…，h;k=1，2，…，r)，转至步骤8；否则，根据公式（5），计算总问题Pt层的群近似性如下：

如果L(Pt(E(G(CYCLE))))≤δ*转至步骤9；否则，转至步骤8。

步骤8如果CYCLE＞MAXCYCLE，那么，问题Pt无解，转至步骤1；否则，令

其中

步骤9集结各子问题的群决策者偏好。依据加权集结算子（AWA），计算各子问题求解方案的总属性值如下：

步骤10依据各2，…，n)值对各子问题方案2，…，n)排序。

步骤11各子群决策者spzt(E)从相应各子问题spzt(z=1,2,…，h)(h≥1)方案集h;j=1，2，…，n)}中，选择最优方案。MACD问题Pt通过群决策者{sp1t(E)，sp2t(E)，…，spht(E)}求解，同时生成时间点t的供应商与客户B2B协同计划。

第4阶段供应商与客户B2B协同计划执行实时监控分析及计划重构

步骤12供应商与客户B2B协同计划执行实时监控分析。供应商与客户B2B协同计划执行实时监控分析目的是计算时间点t的供应链稳定性。供应链稳定性特征向量包括：执行阶段的供应商与客户B2B协同计划与控制向量，扰动向量，供应商与客户B2B协同资源参数向量。从基于Agent协同决策网（ACDN）中自动抽取这些特征向量，抽取规则取决于受监控阶段的管理目标，以便充分考虑MACD问题所描述的各参数。采用基于Agent协同决策网络（ACDN）自动计算供应链稳定性，并得到时间点t时供应商与客户B2B协同计划执行的不同扰动程度与状态。ACDN设计如下：

其中，Xspz(E)t为时间点t的各子群决策者Agents集合（ACDN顶点集合）；Aspzt(E)={a(spzt(ek)，spzt(ek′))，ek，ek′∈E}为ACDN Xspzt(E)的边弧集合，表示在t时间ACDN决策者Agents之间关系；Yspz(E)t={a(spzt(ek)，spzt(ek′))，ek，ek′∈E}=L(spzt(ek(G))，spzt(ek′(G)))为关系的数值参数，表示一致性程度。各不同子群决策者Agents是相互独立的，因此，对每个供应商与客户B2B协同计划执行，构造如下网络图：

在时间点t的ACDN组成也可表示为：

供应商与客户B2B协同计划执行ACDN状态可定义如下：

据此可得到动态供应商与客户B2B协同计划执行ACDN状态集合：S={Sθ}={S1，S2，…，SkΔ}。

供应商与客户B2B协同计划执行动态性表示为与以上集合与状态相关的动态ACDN。依据供应商与客户B2B协同计划及运营绩效测量进行供应商与客户B2B协同实时监控分析。

步骤13生成新时间点t′的计划重构问题Pt′。供应商与客户B2B协同计划适应性基于ACDN参数变化。供应链扰动影响也许会引起ACDN执行中各种参数偏离供应商与客户B2B协同计划，以及计划可操作性降低。根据发生的偏差种类属性，形成供应商与客户B2B协同计划重构测量指示值（类似仪表盘刻度）。预警主要任务是监控ACDN供应商与客户B2B协同计划执行实际参数值与原计划相比较值的变化。当时间点t的ACDN供应商与客户B2B协同计划执行的扰动程度与状态的偏离达一定程度时，预警被激发，并形成新时间点t′的计划重构问题Pt′，并转至步骤2。

以上描述的各子问题MACD求解，可让管理者仿真模拟在不同资源约束条件下订单执行的动态复杂性，了解在波动条件中供应链行为，确定供应链瓶颈，实施必要的管理调节。

4 模型应用与验证

4.1 实验环境

应用一个自主开发的自动协同决策系统有效地求解MACD问题，该系统包括仿真与优化MACD引擎、Web平台、ERP系统、模糊神经系统及协调监控器。验证模型的仿真与优化引擎由采用半自动一致性模型（SACM）实现供应网络动态控制、设计及规划供应链的MACD软件组成，结合了将问题分解为独立的子问题集优化，一致性模型，一组群决策者Agents，基于Agents协同决策网络（ACDN）及动态模拟仿真模型。在总体信息框架环境中，以上描述的MACD引擎总体实验环境如图2所示。供应商与客户B2B协同计划及运营执行基于同时综合考虑各不同子问题群决策者在互相联系与动态环境中的协同。基于ERP数据流集成产生供应商与客户B2B协同方案集；然后，指定具有确定或随机参数的几个子群，群一致性过程及部分计划子问题选择方案的过程，例如，需求预测、生产计划及采购计划等。供应商与客户B2B协同各方案由相应各子问题识别，由各子问题的群决策者依据方案属性进行评价，个人意见集结成相应各子问题群决策者的意见，当预定义一致性在子问题群决策者层与总体层均达到时，选择各子问题最优方案并生成供应商与客户B2B协同计划。由于篇幅所限，本文将考虑没有集成ERP数据流、WEB及供应商与客户B2B协同监控器的实验过程。

4.2 实验过程

假定MACD问题Pt为50个IT企业组成三级动态供应链的供应商与客户B2B协同计划生成与执行分析：20个计算机配件部件供应商，1个OEM计算机制造商合作完成29个计算机销售商，29个订单需求规划；问题Pt分解为需求预测子问题、生产计划子问题及采购计划子问题。SACM通过将50个决策群体成员分为3个子问题群体，同时求解需求预测子问题、生产计划子问题及采购计划子问题。SACM验证步骤说明如下：

第1阶段供应商与客户B2B协同资源数据初始化（系统操作界面如图3所示）

验证过程如下所示。

协同企业设置：供应商设置；OEM制造商设置；销售商设置。

产品资源设置：产品结构设置；具有交货期、价格及数量属性值的订单设置；扰动设置（需求波动）；生产计划执行与控制设置。

技术资源设置：工艺路线向量、技术标准设置；不设确定性置。

图2 供应商与客户B2B协同自动协同决策系统总体信息框架环境图

图3 供应商与客户B2B协同资源数据初始化

财务资源设置：成本计算设置；供应商、OEM制造商及销售商之间利润分配设置。

仓储资源设置：供应商、OEM制造商及销售商库存订货点设置；采购计划执行与控制设置。

设备与能力资源设置：工作中心及能力计算设置；扰动设置（设备故障及人工出错）。

第2阶段形成MACD问题（系统操作界如图4所示）

图4 形成MACD问题

验证过程包括：MACD问题设置；生成预测子问题；生成生产计划子问题；生成采购计划子问题。

协调者可借助成员函数及模糊神经系统确定决策成员及各方案属性权重。问题生成结果用集合方式表示，以便后续决策矩阵数据获取，以预测子问题结果为例进行说明。

X 201013硬盘需求预测决策成员集合：

决策成员权重集合：

sp1(E(λ))={sp1(e1(λ))，sp1(e2(λ))，sp1(e3(λ))，

sp1(e4(λ))，sp1(e5(λ))，sp1(e6(λ))，

sp1(e7(λ))，sp1(e8(λ))，sp1(e9(λ))，

sp1(e10(λ))}={0.10，0.05，0.20，0.03，

0.02，0.15，0.25，0.16，0.04}

需求预测决策初始方案集合：

sp1X={sp1x1，sp1x2，sp1x3，sp1x4，sp1x5}其中，

sp1x1={u11，u12，u13，u14，u15}=

{数量/3 000，价格/500，折扣/0.2，

日期/2013-3-8，质量/0.9}

sp1x2={u21，u22，u23，u24，u25}=

{数量/4 000，价格/400，折扣/0.3，

日期/2013-4-2，质量/0.8}

sp1x3={u31，u32，u33，u34，u35}=

{数量/2 500，价格/550，折扣/0.1，

日期/2013-3-23，质量/0.7}

sp1x4={u41，u42，u43，u44，u45}=

{数量/5 000，价格/380，折扣/0.4，

日期/2013-3-29，质量/0.9}

sp1x5={u51，u52，u53，u54，u55}=

{数量/4 500，价格/440，折扣/0.35，

日期/2013-3-15，质量/0.9}

其中，数量、价格为成本型属性；折扣、质量为利润型属性。

决策初始方案属性权重集合：

sp1x1（U（w））={sp1x1（U1（w1）），sp1x2（U2（w2）），

sp1x3（U3（w3）），sp1x4（U4（w4）），

sp1x5（U5（w5））}={数量/0.4，价格/0.2，

折扣/0.1，日期/0.1，质量/0.2}

第3阶段自动支持一致性达成过程（系统操作界如图5、图6所示）

图5 自动支持一致性达成过程

图6 自动生成的B2B协同计划

在此阶段，通过自动一致性模型生成预测子问题求解优化方案，生产计划子问题求解优化方案及采购计划子问题求解优化方案。MACD问题Pt求解优化方案是基于多步骤局部问题同时求解的方案。依据MACD问题Pt求解优化方案，生成时间点t的供应商与客户B2B协同计划。

第4阶段供应商与客户B2B协同计划执行实时监控与计划重构（如图7所示）

图7 供应商与客户B2B协同计划执行实时监控与计划重构

供应商与客户B2B协同计划生成后，应用ACDN仿真与实际问题相关的各种不确定性（环境，如需求、人行为不确定性等），实时监控供应商与客户B2B协同计划执行。计算供应商与客户B2B协同计划预测值、生产计划及采购计划重构测量指示值。当偏离达预警阀时，预警被激发，并形成新时间点t′的需求预测、生产计划及采购计划的MACD问题Pt′。

4.3 结果与讨论

本研究创新之处包括：提高供应商与客户B2B协同处理能力，在供应商与客户B2B协同中引入考虑群一致性及资源动态性的MACD，详细描述了SACM，提出了供应商与客户B2B协同计划的新工具——自动协同决策系统，通过扩展供应商与客户B2B协同建模能力，发展了供应商与客户B2B协同基础方法。本文从群一致性与资源动态性角度，描述MACD半自动一致性模型SACM，利用具有足够稳定性与抗风险性的管理目标来替代在实际波动的执行环境中终将失败的理想优化计划，从整体价值链群资源观点，考虑供应商与客户B2B协同优化。不仅多子问题群一致性与供应链动态性理解是新的，求解方法在供应链管理领域也是新的。提出的数学方法综合应用了控制论（动态与反馈实现）、运筹学（局部优化模型实现）、模糊神经系统与面向Agent建模（供应链组成成员的自主、自治行为实现），这些多模型复杂性能描述与求解反映了现实世界需求的复杂问题。基于多子问题群协同决策及动态ACDN的供应商与客户B2B协同，是群一致性建模过程且为ACDN结构与状态的函数。该模型局限性主要是在自动化决策实现前，初始化数据及建立OEM厂商及供应商联接得花大量时间，然而，从实际相关的复杂问题生成、决策支持及提高供应商与客户B2B协同计划及再计划的效率方面看，这些时间消耗是值得的。

5 结论

提出了面向供应商与客户B2B协同的多属性协同决策半自动一致性模型SACM，该模型通过给多子群决策者提供一定程度自动化，自动实现供应商与客户B2B协同计划；然后，通过基于Agent协同决策网（ACDN），自动、自主地对供应商与客户B2B协同计划执行进行实时监控并识别新时间点重构计划的MACD问题，快速响应内外环境，让互相关联的、动态的供应链协同运营。此外，基于本文模型实现了一个自动协同决策系统。本文模型显著特点是能半自动地修改各大型群体的多种个人意见以达成一致性，实现半自动协同决策过程。由于提出的模型具有管理现实世界多个较大决策群体的能力，可将其应用到整条复杂供应商与客户B2B协同中。

[1]Cabrerizo F J，Moreno J M，Perez I J，et al.Analyzing consensus approaches in fuzzy group decision making：advantages and drawbacks[J].Soft Computing，2010，14（5）：451-463.

[2]Chiclana F，Tapia García J M，del Moral M J，et al.A statistical comparative study of different similarity measures of consensus in group decision making[J].Information Sciences，2013，221（1）：110-123.

[3]Shafiei F，Sundaram D，Piramuthu S.Multi-enterprise collaborative decision support system[J].Expert Systems with Applications，2012，39（6）：7637-7651.

[4]Palomares I，Rodríguez R M，Martínez L.An attitude-driven web consensus support system for heterogeneous group decision making[J].Expert Systems with Applications，2013，40（2）：139-149.

[5]Lau R Y.KTowards a Web services and an intelligent agent-based collaborative decision system for B2B e-commerce[J].Electronic Commerce Research and Applications，2007，6（8）：260-275.

[6]Mata F，Martnez L，Herrera-Viedma E.An adaptive consensus support model for group decision making problems in a multi-granular fuzzy linguistic context[J].IEEE Transactions on Fuzzy Systems，2009，17（2）：279-290.

[7]Tan P S，Lee S S G，Goh A E S.Multi-criteria decision techniques for context-aware B2B collaboration in supply chains[J].Decision Support Systems，2012，52（5）：779-780.

[8]Khorshid S.Soft consensus model based on coincidence between positive and negative ideal degrees of agreement under a group decision-making fuzzy environment[J].Expert Systems with Applications，2010，37（12）：3977-3985.

[9]Van der Rhdd B，Verma R，Plaschka G.Understanding trade-offs in the supplier selection process：the role of flexibility，delivery，and value added service support[J].Int J Prod Econ，2009，120（1）：30-41.

[10]Wu W Y，Sukoco B M，Li C Y，et al.An integrated multi objective decision-making process for supp lier selection with bundling problem[J].Experts Syst Appl，2009，36（5）：2327-2337.

[11]Zhao K，Yu X.A case based reasoning approach on supplier selection in petroleum enterprises[J].Expert Systems with Applications，2011，38（6）：6839-6847.

[12]Choi S P M，Liu J，Chen S P.A genetic agent-based collaborative decision system[J].Computer Networks，2001，37（5）：195-204.

[13]Kacprzyk J.Group decision making with a fuzzy linguistic majority[J].Fuzzy Sets and Systems，1986，18（2）：105-118.

[14]Scott J.Social network analysis-a handbook[M].London：SAGE Publications Ltd，2000：1-300.

[15]Goh C K，Tan K C，Liu D S，et al.A competitive and cooperative co-evolutionary approach to multi-objective particle swarm optimization algorithm design[J].European Journal of Operational Research，2010，202（1）：42-54.

[16]Boroushaki S，M alczew ski J.Measuring consensus for collaborative decision-making：a GIS-based approach[J].Environment and Urban Systems，2010，34（4）：322-332.

[17]Ben-A rieh D，Chen Z F.Linguistic-labels aggregation and consensus measure for autocratic decision making using group recommendations[J].IEEE Transactions on Systems，2006，36（3）：558-568.

[18]Cabrerizo F J，Pérez I J，Herrera-Viedma E.Managing the consensus in group decision making in an unbalanced fuzzy linguistic context with incomplete information[J].Know ledge-Based Systems，2010，181（3）：169-181.

[19]Cabrerizo F J，A lonso S，Herrera-Viedma E.A consensus model for group decision making problem s with unbalanced fuzzy linguistic information[J].International Journal of Information Technology and Decision Making，2009，8（1）：109-131.

[20]Mata F，M artnez L，Herrera-Viedma E.An adaptive consensus support model for group decision-making problems in a multi granular fuzzy linguistic context[J].IEEE Transactions on Fuzzy Systems，2009，17（2）：279-290.

[21]Herrera-Viedma E，A lonso S，Chiclana F，et al.A consensus model for group decision making with incomplete fuzzy preference relations[J].IEEE Transactions on fuzzy System s，2007，15（1）：863-877.

[22]Herrera-Viedma E，Chiclana F，Herrera F，et al.Group decision making model with incomplete fuzzy preference relations based on additive consistency[J].IEEE Transactions on Systems，M an and Cybernetics：Part B Cybernetics，2007，37（1）：176-189.

[23]Yucel A，Guneri A F.A weighted additive fuzzy programming approach for multi-criteria supplier selection[J].Expert Systems with Applications，2011，38（5）：6281-6286.

[24]Schubert P，Legner C.B2B integration in global supply chains：an identification of technical integration scenarios[J].Journal of Strategic Information System s，2011，20（4）：250-267.

[25]Steven Y，Lu P，Henry Y K，et al.A hybrid solution to collaborative decision-making in a decentralized supply chain[J].J Eng Technol Manage，2012，29（6）：95-111.

[26]Chen S M，Lee L W，Yang S W，et al.Adaptive consensus support model for group decision making systems[J].Expert Systems with Applications，2012，39（6）：12580-12588.

[27]Wassermann S，Faust K.Social network analysis-methods and applications[J].Cambridge：Cambridge University Press，1999：1-400.

[28]Wu H，Tzeng G，Chen Y.A fuzzy MCDM approach for evaluating banking performance based on balanced scorecard[J].Expert Syst Appl，2009，36（6）：10135-10147.

[29]Valente W.Network models of the diffusion of innovations[M].London：Hampton Press，1999：1-450.