供应链管理中的信息协调与协同控制研究：供应链管理理论基础

第2章　研究理论基础

2.1　供应链管理

2.1.1　供应链的基本概念及其特征

供应链的概念在1980年代就已经提出，在不同时期，由于人们对供应链认识不同，对供应链的定义也不同。如：

Billington认为供应链是由获取原材料，将其转化成中间件和成品，然后通过分销系统把产品交付给客户的一些机构组成的网络[1]；

Christy和Grout指出供应链是组织之间的一系列交易活动构成的交易关系，并且这种交易关系将最终增值于产品和服务[2]；

Stevens认为供应链是通过价值增值过程和分销渠道控制从供应商的供应商到客户的客户的整个过程，它始于供应的源点，终于消费的终点[3]；

Croom等认为供应链是一个组织网络，所涉及的组织从上游到下游，在不同的过程和活动中对交付给最终用户的产品或服务产生价值[4]；

美国供应链协会指出供应链包括了涉及生产与交付最终产品和服务的一切努力，从供应商的供应商到客户的客户[5]。

国内学者也给出了各种关于供应链的定义，王宁综合目前对供应链的各种定义，将其归纳为各有侧重点的五大类[6]：

①连锁论。这种定义侧重于“链”的思想和最终客户的思想，认为供应链是以从供应商、生产商和流通商到最终消费者的全过程的物资流动为对象，将满足最终客户的要求作为构建“链条”的基础。

②物流论。这种定义突出了物流在供应链中的重要性，提出供应链主要是解决企业之间的物流问题，供应链管理是物流管理的一种新形式。

③信息论。这种定义认为供应链不是一种实体组织，供应链企业之间的联结是信息的连接，供应链的构建就是构建信息网络。

④统合论。这种定义是从系统的观点出发看待供应链，认为供应商、生产商、流通商和顾客形成一个整体，要从完整的商品流通渠道角度来认识供应链，这样才能产生总体的最佳效果。

⑤战略论。这种定义是从战略管理的角度认识供应链的，将涉及商品流通的各企业组合起来以增加价值创造能力，战略要素是影响企业未来发展的重要力量。

王宁指出，所有这些定义虽然有差别，但有个共同特点，那就是都关注组织的外部环境。

到目前为止，关于供应链的定义基本上可以达成这样一个共识，即供应链是围绕核心企业，将供应商、制造商、分销商、零售商直到最终用户连成一个整体的功能网链结构模式，对从采购原材料、制成中间产品以及最终产品，到最后由销售网络把产品送到消费者手中整个过程中的信息流、物流和资金流进行控制，如图2.1所示[7]。

图2.1　供应链系统的分层结构

供应链主要有以下特征：

①复杂性。供应链往往由多个不同性质、规模和类型的节点企业组成，使得供应链的结构模式呈现出复杂性。

②动态性。为适应市场变化和匹配核心企业的发展战略，供应链的节点企业需要动态地更新，这就使得供应链具有明显的动态性。

③ 面向用户需求。供应链的形成、存在、重构，都是基于一定的市场需求而发生的，并且在供应链的运作过程中，用户的需求拉动是供应链中信息流、物流和资金流运作的驱动源。

④交叉性。节点企业可以是这个供应链的成员，同时又是另外一个供应链的成员，众多的供应链形成交叉结构，增加了协调管理的难度。

从最终用户的角度出发，供应链价值衡量的指标可以归纳为服务（Service）、质量（Quality）、成本（Cost）和提前期（Lead-time）[8] 。（见图2.2）

图2.2　供应链价值衡量指标

2.1.2　供应链管理的概念和基本思想

关于供应链管理的定义在不同时期也出现过很多，如：Simchi-levi等认为供应链管理是一系列的方法，这些方法用来实现供应商、制造商、分销商和零售商之间的有效集成，从而在合适的时间生产适量的商品，并且以合适的数量将它们运送到合适的地点，实现系统成本最小化，同时满足客户对服务水平的要求[9]。

Chase等指出供应链管理是应用系统的方法来管理从原材料供应商到制造商、分销商直到最终顾客的整个信息流、物流和服务流的过程，它着眼于企业每天必须完成的核心活动，目的是满足需求，并减少不确定性与风险。它对库存水平、库存周转次数、生产过程和最终用户的服务水平等都有着直接的促进作用[10]。

王迎军认为供应链管理是用系统的观点对供应链中物流、信息流进行设计、规划和控制，对成本流进行分解与控制，并使供应链中成员获得相应利益的一种管理理念[11]。

马士华等认为供应链管理是一种集成的管理思想和方法，它执行供应链中从供应商到最终用户的物流的计划和控制等职能。它通过前馈的信息流和反馈的物料流及信息流，将供应商、制造商、分销商、零售商，直到最终用户连成一个整体，使供应链上各企业分担的采购、生产、分销和销售的职能成为一个协调发展的有机体[7]。

目前人们对供应链管理的共识是，供应链管理是指通过对整个供应链中的物流与信息流的设计、控制和优化，将适当的产品、以适当的数量、在适当的时间送到适当的地点，满足客户需求，通过对供应链上多个企业之间的有效协调，实现供应链无缝连接的集成管理过程。其基本思想如下[12]：

（1）系统思想。将供应链看作由相互联系、互相依赖的组织组成的有机整体，以向最终顾客提供产品或服务，并实现供应链的整体绩效最大化为目标。

（2）协调思想。虽然供应链中各参与组织都有自己的目标，甚至存在目标冲突和竞争，但他们可以通过各种方法努力减少冲突和内耗，更好的协调合作，发挥供应链的整体优势，使整个供应链获得“1+1>2”的效果。

（3）合作思想。供应链管理视供应链中所有参与组织为合作伙伴，力图通过信息共享、责任与风险分担以及共同解决问题来达到共赢的目的。

（4）顾客服务思想。供应链管理的最重要的目标就是更好的满足顾客的需求，在恰当的时间，将正确数量，恰当质量的产品或服务以正确的状态送到正确的地点，并使供应链的总体利润最大化。供应链管理的重要思想就体现在这种以顾客需求为驱动和目标的思想上。

（5）信息系统的核心作用思想。信息技术的发展使现代管理发生了巨大的变革，基于信息系统的供应链管理方法得以大量实现。因此在供应链成员之间建立有效，便捷和快速的信息连接成为供应链管理中的一个主要方向，信息系统在供应链管理中也发挥了其核心作用。

（6）核心竞争力思想。在供应链管理的哲理中，企业专注于发展其核心业务，将非核心业务转包给外部企业完成，与这些外部企业形成合作伙伴关系以便充分利用外部资源。外包企业通过专业化的技术和知识、资源的集中利用以及规模经济可以降低成本，从而体现其核心竞争力，同时借助其他企业的核心竞争力来形成、维持甚至强化自己的核心竞争力。这样就可实现多个企业的竞争力的提高，达到共赢的目的。

2.1.3　供应链管理实践中的问题及挑战

供应链管理是一种集成的管理思想和方法，是企业基于自身核心竞争能力的组织间横向联合的经营模式。供应链管理实践中的问题及挑战包含[13]：

（1）冲突。通常，参与市场竞争的企业都是利益性主体，即追求自身利益或价值最大化。这种追求个体利益最大化的自私行为，是一种理性的市场经济原则，是“看不见的手”推动的。一个企业无论它是否参与或加入到某一供应链的运作，它追求自身利益最大化的目标是不变的。但是，供应链管理的核心理念是系统思想，强调各节点企业从供应链系统全局出发，统一计划、控制、协调，使供应链整体利益最大化。因此，这就容易导致供应链内各节点企业所追求的个体利益目标与供应链系统所追求的整体利益目标不一致的问题出现。这种利益目标冲突的问题如果得不到及时解决将直接影响到供应链系统运行的效率和质量，甚至影响和破坏供应链系统的稳定。

（2）协作。从前面对供应链概念的分析得知，供应链是由相互间存在供需关系的节点企业组成，而且这些节点之间相互联系、密切协作，共同完成供应链系统的使命。然而，供应链系统中的这些节点企业，可能分布在不同地区、不同国家，时间和空间距离相距遥远。这种时空间隔阻碍了供应链中节点企业之间的协作。而且，全球化经营背景下带来的全球化市场、全球化消费者需求，也增加了供应链节点企业之间及节点内部的协作难度，因为不同地区的文化通常各不相同，节点企业内部的员工也可能来自不同的地区和（或）不同的国家，因此它们的文化也可能存在较大的差异。这种在异构环境中的供应链运作，使供应链内节点企业之间及其内部的协作问题面临严峻的挑战。

（3）牛鞭效应。牛鞭效应(Bullwhip effect),即需求信息放大效应，是需求信息扭曲在供应链中传递的形象描述。其基本思想是：当供应链的各节点企业只根据来自其相邻的下级需求信息进行生产或供应决策时，需求信息的非真实性会沿着供应链逆流而上，产生逐级放大的现象，当达到最源头的供应商后，其获得的需求信息和实际消费市场中的顾客需求信息发生了很大的偏差，需求变异系数比制造商和分销商的需求变异系数大的多。由于这种需求放大效应的影响，上游供应商往往维持比下游企业更高的库存水平。这种“牛鞭效应”给链内各节点企业带来的直接影响和（或）危害主要表现在：

①库存积压；

②过度频繁的需求变化使企业生产计划变化加剧，导致额外成本增加；

③用户需求得不到及时满足，服务水平差；

④制造商投入的生产能力大于实际的需求。

这些负面影响和（或）危害的积累将最终影响到整个供应链的竞争能力，从而危及链中所有企业的生存与发展。

2.1.4　供应链管理的内容和目标

供应链管理主要涉及四个领域：供应、生产计划、物流、需求。除了企业内部和企业之间的运输问题和实物分销以外，供应链管理还包括以下主要内容[7]：

①战略性供应商和用户合作伙伴关系管理；

②供应链产品需求预测和计划；

③供应链的设计；

④企业内部与企业之间物料供应与需求管理；

⑤基于供应链管理的产品设计与制造管理、生产集成化计划、跟踪和控制；

⑥基于供应链的用户服务和物流管理；

⑦企业间资金流管理；

⑧信息与IT；

⑨绩效评价与激励机制；

⑩逆向物流和绿色问题。

供应链管理的原则是以客户为中心，运用信息技术，通过供应链成员之间的密切合作，共享利益，共担风险，实现价值增值，从而达到共赢的目的。其总体目标是在保证一定的客户服务水准的前提下，尽可能降低系统成本，即在提高客户服务水平和降低系统成本间谋求平衡点。提高客户服务水平就是指让客户在正确的时间、正确的地点、以最优的价位获得正确的产品。降低系统成本就是指有效控制整个供应链上发生的制造、运输、存储等费用。提高服务水平和降低成本具体体现在[13]：

①根据市场需求的扩大，提供质优价廉的产品组合；

②根据市场需求的多样化，缩短从生产到消费的周期；

③根据市场需求的不确定性，提高供应链的柔性；

④根据物流在整个供应链体系中的重要性，企业要克服各种损益，从而降低整个物流成本及物流费用水平。

2.1.5　供应链管理的要素

供应链管理要素包括目标、行为、参与者及其相互依赖性[14]。（见表2.1）

表2.1　供应链管理的简要描述

此外，还可以从另一方面考虑供应链管理的关键要素。供应链的目标是最大化所产生的总价值。供应链所产生的价值是指顾客愿意支付最终产品的价值与供应链在满足顾客要求所付出代价之间的差额，它与供应链收益紧密相关。供应链的收益是指顾客所带来的收入与整个供应链的全部成本之间的差额，是供应链各阶段所分享的全部利润。供应链收益越高，供应链绩效越好，供应链管理就越成功。显然，要想使供应链管理更加成功，就要首先找到供应链收入与成本的来源，然后处理好它们的关系。对于任何供应链，收入的唯一来源是顾客，而供应链中所有的信息流、物流和资金流又都要发生成本。这样一来，也就提出了如何协调好供应链响应度和供应链效率的问题。供应链响应度是指供应链处理下列事项的能力：

①响应大量的产品需求；

②实现较短的交货期；

③处理各种各样的产品；

④开发高度创新性的产品；

⑤实现较高的服务水平。

而供应链效率是指为顾客制造和递送产品的成本。

由此，可以推测影响供应链响应度和效率的因素也就是供应链管理的关键要素。从功能的角度，可将供应链管理的关键要素分为库存、运输、设施和信息四个方面[15]。

（1）库存。库存针对供应链中所有的原材料、在制品和产成品等物料。库存之所以是重要的供应链管理要素，在于改变库存策略可以显著地改变供应链的效率与响应度。例如，零售商可以通过储存大量库存使自己作出更迅速的响应。拥有大量库存，零售商很可能就在店铺立即满足顾客的需求。然而，大量库存会增加零售商的成本，进而使其效率低下。降低库存会提高零售商效率，但会损害其响应度。

（2）运输。运输承担着物料从供应链某一场地到另一场地的移动。它可以采取许多方式与线路的组合，每一种组合都有其自身的绩效特性。运输选择对供应链响应度与效率有很大的影响。例如，若利用联邦快递（Federal Express）运送货物，可使供应链响应更迅速，但由于较高的联邦快递成本而使其效率变低。相反，若利用陆地运输运送货物，使供应链提高效率，但限制了其响应度。

（3）设施。设施是供应链网络中物料储备、装配或制造的场地。其中两种主要的设施是生产场地和储备场地。设施的功能、定位、能力以及灵活性都对供应链绩效有重要影响。例如，努力增强响应度的汽车配送商可能把许多仓储设施建在靠近顾客的地方，即使这样做会降低效率。相反，高效率配送商为了提高效率而设很少的仓库，即使这样做将降低响应度。

（4）信息。信息由供应链制造、库存、运输、设施和顾客等相关数据和分析资料组成。由于信息直接影响着其他每一种要素，因而它是潜在的、对供应链绩效影响最大的要素。信息为管理者提供了使供应链响应更迅速、效率更高的机会。例如，有了顾客需求模式的信息，企业管理者可以在预测顾客需求的情况下生产和储备产品。这会使供应链响应非常迅速，因为当顾客需要产品时他们就能立即发送。这种需求信息还可以使供应链产生更高的效率，因为企业可以更好地预测需求和只生产所需要的数量。

总之，不同库存水平、运输选择、设施设置会造成不同的客户服务水平和交易成本，而信息直接影响着其他要素，是潜在的、影响供应链绩效的最关键要素。因此，在供应链管理中必须把握好这些关键要素。

2.1.6　供应链管理的关键业务过程

供应链管理是对整个供应链系统进行计划、协调、操作、控制和优化的过程，是一种集成的管理思想和方法，也是对一系列关键业务过程的集成，这些关键业务过程如图2.3所示。

①客户关系管理（Customer relationship management）：与重要客户建立产品／服务协议；通过对顾客的了解准确地预测顾客需求，改善客户服务水平；对客户进行分类，减小产品可变性。

②客户服务管理（Customer service management）：提供客户信息，管理产品／服务协议；通过顾客获取需求信息，同时为顾客提供产品的价格、交货期等相关信息；为客户提供在线、实时的订单状态信息。

③需求管理（Demand management）：利用销售点数据（Point on sale，POS）系统和关键顾客的相关数据获得需求和供应信息；协调市场需求和生产能力之间的关系；使需求和生产同步化，并提供实时库存信息。

④订单执行（Order fulfi llment）：快速、柔性地执行客户订单；将制造、分销、运输计划集成在一起；与供应链成员建立合作伙伴关系，降低运输成本，高效率地完成订单。

⑤制造流管理（Manufacturing fl ow management）：将基于生产计划的Push（推动式）生产模式转变为基于客户需求的Pull（拉动式）生产模式；制造过程必须具有对市场需求变化的柔性，能够进行客户化生产；对产品制造过程进行管理，合理制定生产计划，缩短生产周期，降低在制品库存。

⑥供应商关系管理（Supplier relationship management）：与主要的供应商建立战略性合作伙伴关系；将采购与供应过程集成，提高供应链效率。

图2.3　供应链管理的关键业务过程[16]

⑦产品开发与商品化（Product development and commercialization）：让顾客和供应商参与到新产品的开发过程中；缩短新产品上市时间，以最快的速度生产顾客需要的产品。

⑧退货管理（Returns management）：对销售的产品进行跟踪回访，建立产品档案；根据有关规定对有质量问题的产品实施召回和退货政策；由质检部门对问题产品进行检测和分析，并把信息反馈给相关部门。

2.2　协同学

系统科学之一协同学（Synergetics）是1970年代由德国学者赫尔曼·哈肯（H.Haken）教授提出的。Synergetics源于古希腊语，本意是合作，亦即协同作用，哈肯称协同学为“协调合作之学”、“协同工作之学”。协同学研究由完全不同性质的大量子系统（如电子、原子、分子、细胞、神经原、力学元、光子、器官、动物乃至人类）所构成的各种系统，研究这些子系统是通过怎样的合作才在宏观尺度上产生空间、时间或功能结构的，尤其是集中研究以自组织形式出现的那类结构，从而寻找与子系统性质无关的支配着自组织过程的一般原理[17]。协同学对物理、生物系统的信息研究，对于供应链这一社会系统也有一定的借鉴意义。

2.2.1　协同学中的几个重要概念

协同学涉及的几个重要概念如下：

（1）序参量。系统由无序向有序转化的过程中，单个组元好像由一支无形之手促成的那样自行安排起来，但正是这些单个组元通过它们的协作才创建出这只无形之手。这只使一切事物有条不紊地组织起来的无形之手称为序参量。序参量由单个组元的协作产生，反过来，序参量又支配各部分的行为。

（2）涨落。子系统的独立运动以及它们可能产生的局部耦合，加上宏观条件的随机波动等因素，反映在系统宏观量的瞬时值常常偏离它的平均值而出现的起伏上。这种偏离平均值的现象称为涨落。很多涨落得不到其他大多数子系统的响应便表现为阻尼大而很快衰减下去，只有那个得到了大多数子系统很快响应的涨落，才能由局部波及系统，得到放大，成为推动系统进入新的有序状态的巨涨落。这种涨落的内容就是序参量。

（3）吸引子。从相空间上看，系统演化的目的体现为一定的点集合，代表演化过程的终极态或目的态，满足以下三个特点的点集合称为动力学系统的吸引子：

①终极性，即处于目标态的系统自身不再愿意或无力改变这种状态；

②稳定性，即目标态是稳定的；

③吸引性，即目标态对现实状态具有吸引力，牵引着系统向目标态运动。

（4）自组织。在一定的环境条件下，由系统内部自发组织起来并通过各种形式的信息反馈来控制和强化这种组织的结构称为自组织结构，相应的描述称为自组织理论。自组织理论是协同学的核心理论，序参量是通过自组织状态来描述的。协同学研究的是形成自组织结构的最根本的内在动力学机制。

2.2.2　协同学的基本思想和方法

协同学的基本思想包括[18]：

（1）能发生自组织的系统都是由大量子系统组成的，子系统之间存在协同作用或合作行为，在一定条件下，子系统的集合能执行有组织的、协调的集体运动和功能。组成系统的子系统可以是原子、分子、光子、细胞、植物、动物，甚至是广义的对象如模式等。

（2）对于每个子系统都应合理地写出运动方程，在运动方程中考虑合作效应，即应考虑其他子系统对所考虑的子系统的作用。一个子系统受决定性力的作用同时还受起伏不定的随机力的作用。

（3）系统包括的子系统数量巨大，哈肯发现了系统中的“支配现象”，引用“绝热近似”的方法来简化问题。

协同学的基础是一些最普适的基本理论和方法，它们是：概率论，信息论，随机论，动力论。此外，协同学还与统计学、热力学等密切相关，它以动力学和统计学相结合作为基本方法，由此系统的运动和转变由动力学得出的必然性与统计学得出的随机性共同决定。

协同学提出了三个基本原理：不稳定性原理，序参量原理和役使原理。不稳定性在新旧结构转换中起重要的媒介作用，由此产生序参量，序参量又导致役使原理。役使原理包括慢变量原理、绝热消去原理和中心流形原理，它们说明系统在临界点附近的竞争和协同的动力学理论。

按照协同学的观点，协同与有序为一对辩证因果关系，即协同是有序的原因，有序是协同的结果。结果反馈于原因，使得这种协同作用愈加明显与和谐，系统愈加向有序方向演化直至形成稳定的动态结构。这里，协同表征子系统内部各要素或子系统之间相互作用的一种特殊方式，而有序则表征子系统形成结构的趋势及结构稳定性的程度。整体结构从无序到有序的转变，表现在微观层次上，就是部分之间从没有协同转变为高度协同。这样，协同学通过协同与有序这对辩证的因果范畴，进一步从更深层次上动态地刻画了系统演化或系统结构形成的机制，从而使人们从整体上对系统形成的规律较之一般系统理论有了更深的认识。

2.2.3　协同学中的信息

在协同学发展的新阶段，哈肯用信息这种工具处理自组织系统。哈肯指出协同学中的信息和申农信息的区别是：前者是对封闭系统而言的，且同任何意义无关；后者信息是对开放系统而言的，且是有意义的[19]。

从信息的观点看来，序参量起着双重作用：它通知各原子如何行动，此外，它又告诉了观察者系统的宏观有序态情况。虽然要描述所有原子状态，我们需要大量的信息，但一旦有序态已建立，便只有一个量是必须的，此时信息被大大压缩了。从这个角度考虑，可以称序参量为“信息子”。涉及序参量并且反映着体系集体性质的那部分信息称为“协同学信息”，它是由系统的合作产生的。伴随着宏观层次上新质的出现，出现了新的意义，即意义的自创生，也即新信息的产生。哈肯指出信息层次链在自组织系统中的普遍存在。在低层次，各个部分能够发射触发系统其它部分的信息，信息交换可能是偶然的，但各信息之间展开竞争或合作，因而最终达到一种新的合作状态。这种新的状况由一个或一组序参量来描述，或者等价的用一种或几种信息子来描述。当系统的各个部分达成特定的一致，或者说发生了自组织的同时，发生了信息压缩。在宏观层次上，信息出现，而且在很多情况下，它增强了系统的可靠性或效率，或使两者都增强，或用于如上所述的其他特定目的。

2.2.4　协同学中的信息效应

在协同学中，将一个系统，比如气体、生物细胞或者经济学的状态在微观、中观或宏观层次上用一组量qi来表征，随着时间的推移，诸qi可能改变。定义态矢量,q的时间演化（即系统的动力学）便由微分方程确定，N~是决定论部分，~F代表涨落。如果没有涨落，只要给定初始时刻的q~值，控制参数a保持不变，则q~的未来进程是唯一确定的。随着时间的推移，它将趋于一种吸引子。当出现涨落F~时，系统状态从一个吸引子跳到另一个吸引子，如图2.4所示。

图2.4　系统在两个吸引子之间的跃迁

这种情形也可用图2.5来表示，一个消息可由于系统内的涨落到达两个不同的吸引子上，即两个吸引子受消息的影响。

图2.5　一个消息到达两个不同吸引子

更为复杂的情形如图2.6所示。在此情况中，定义“消息的相对重要性”和吸引子的“相对重要性”把相对重要性赋予各吸引子，第0个吸引子的数值为0，而其他吸引子的可能数值为的确定依赖于动力系统必须完成的任务。消息的相对重要性Pj不仅依赖于动力系统，而且依赖于它必须完成的任务。引入量和假定且当时，出现信息欠缺（即系统收到的消息不能改变系统的吸引子态），那么，如果成立，就称为信息湮灭或信息过剩（见图2.6b）；如果成立，称为信息守恒（见图2.6a）；如果成立，称为信息产生（见图2.6c）。

关键的问题是，各消息的数值Pj是什么？在维象协同学中，哈肯定义信息通过使信息在约束条件和下达到极值的方法来确定 pj。

图2.6　消息到达吸引子的各种可能

2.3　Agent与多Agent系统的基本理论

2.3.1　Agent技术的产生背景

智能软件Agent技术的诞生和发展是人工智能技术(AI)和网络技术发展的必然结果。从20世纪60年代起，传统的AI技术开始致力于对知识表达、推理、机器学习等技术的研究，其主要成果是专家系统。专家系统把专业领域知识与推理有机地组合在一起，为应用程序的智能化提供了一个低级而实用的解决办法。作为人工智能的一个分支，AI计划理论的研究成果使应用程序有了初步的面向目标和特征，即应用程序具有了某种意义上的主动性；而人工智能的另一个分支——决策理论和方法，则使应用程序具有了自主判断和选择行为的能力。人工智能围绕着知识所进行的广泛研究和应用正逐步形成一门新的学科，这就是知识工程，它涉及知识的获取、存储和管理等许多课题。所有这些技术的发展加快了应用程序智能化的进程[20]。

Agent技术在计算机领域中的研究和应用源于1970年代麻省理工学院的研究人员关于分布式人工智能的研究。麻省理工学院的研究人员在对信息系统处理复杂问题的能力进行分析时发现，通过协作将一些简单的信息系统组成一个大系统可以显著提高系统处理复杂问题的能力。并通过定义合理的协作机制可以提高整个系统的智能水平。由此产生了使用具有一定智能，能响应信息处理的需求，除了完成事先指定的任务外，还能主动地预测适应乃至积极地寻找最佳途径以支持用户完成任务的Agent的概念和方法。(www.chuimin.cn)

随着网络技术的发展，多个应用程序间相互作用的模式正从单一的集成式系统向分布式系统演化。一个在物理上和地理上分布的应用程序之间通信与合作的网络底层基础结构正逐渐建立起来。分布式对象技术（如C0RBA或DCOM技术）则进一步使分布与异构的应用程序之间能以一种共同的方式提供和获得服务，实现了在分布式状态下的“软”集成。

智能化和网络化的发展促成了软件Agent技术的发展，Agent技术正是为解决复杂、动态、分布式智能应用而提供的一种新的计算手段。国内许多学者对Agent技术、多Agent系统和多Agent系统的应用开展了广泛的研究。目前，Agent技术已被广泛地应用于图形处理、产品开发过程管理、冲突协调、计算机辅助设计、车间调度、决策支持、供应链管理、开放式信息系统结构、集成平台与集成框架、工程流管理、办公自动化、电子商务、Internet等众多领域。

2.3.2　Agent的定义

英文中单词“Agent”主要有三个含义：一是指对其行为负责的人；二是指能够产生某种效果的，在物理、化学或生物意义上活跃的东西；三是指代理，即接受某人的委托并代表他执行某种功能。基于对Agent英文原意的理解，它常被称为代理，但人工智能等领域也广泛使用“智能体”或“智能主体”的称谓。从不同的研究领域和内容出发，Agent被赋予许多不尽相同的定义。可从人工智能、计算机、经济学、复杂性研究、社会心理学、博弈论等领域对Agent的研究中梳理出Agent研究的脉络[20]。

1.人工智能当中的Agent—理想Agent和智能Agent

（1）理想Agent。人工智能的本质是研究如何制造出人工的智能机器或智能系统，来模拟人类智能活动的能力，以延伸人的智能的科学。人类智能活动的能力一般是指人类在认识世界和改造世界活动中，由脑力劳动表现出来的能力，具体概括如下：

①接受环境信息的能力：通过视觉、听觉、触觉等感官活动，接受并理解文字、图像、声音、语言等各种外界的自然信息。

②问题求解能力：通过人脑的活动进行信息处理，将感性信息抽象为理性知识，并进行分析、判断和推理的能力，即认识和理解客观事物、提出概念、建立或调用方法、进行演绎和归纳以及做出决策。

③学习能力：通过教育、训练和学习过程，日益丰富自身的知识和技能。

④自我适应能力：对变化多端的外部环境条件，如干扰、刺激等作用能灵活的做出反应。

⑤协作能力：能与其他人合作，解决单个人无法解决的大型复杂问题。

目前，随着Agent概念的发展，人工智能研究者认为理想Agent应当具有上述五种职能。所要研究的Agent应当是AI各个领域的研究成果集成为一个具有智能概念的计算实体。大部分人类智能行为都涉及多个人构成的社会团体，大型复杂问题的求解也需要多个专业人员或组织协作完成。计算机上的复杂信息处理可对应为多Agent系统来完成。

（2）智能Agent。目前的人工智能技术还难以实现理想Agent的智能行为。智能Agent是指能在某一环境中运行，并能响应环境的变化，灵活、自主地采取行动以满足其设计目标的计算实体。这类Agent通常由当前的人工智能技术来实现，一般具有某种程度的感知、推理、学习、自适应和协作能力，如某些智能控制系统、实时专家系统等。

近年来，新的人工智能定义为:人工智能是计算机学科的一个分支，其目标是构造具有一定智能行为的Agent。Agent的研究仍然是智能的核心问题。

2.计算机领域的Agent—软件Agent

软件Agent是从软件设计的角度研究“Agent”，“Agent是一种在特定环境下连续、自主地运行的软件实体，通常与其他Agent一起联合求解问题”[21]。

连续与自主的需求来自我们需要Agent以一种灵活和智能的方式完成其活动，无需人为的引导与干扰而响应环境的变化。最理想的情况是，一个Agent能够在一种环境中连续的运作一段较长时间，并能从它自己的经验中学习。而且希望一个Agent能够与其他Agent同处于一个环境，并能相互通讯和协同，或从一个地方移动到另外一个地方求解问题。目前，大部分软件Agent都十分脆弱并针对特定目的，还没有一个系统能以普遍适用的方式完成这些功能。

倡导研究软件Agent的另一种观点类似于早期对面向对象的研究，将其作为设计和实现软件系统的新范例。正如一些算法用面向对象的方法比用面向过程的方法更易于表达和理解，有时对开发者和用户来说，根据Agent来设计程序的行为，比使用对象更容易。

我们希望Agent能够像人一样完成分配给它的一些特定任务，能够从我们告诉它的内容中推导出所需结果。Agent只有在“知道”有关请求的背景知识时才能做到这一点。因此，最好的Agent不仅需要特定形式的专家知识，而且需要考虑用户和当前状态的独特性。

虽然至今尚未有一个统一的定义，但更多的研究者对于关于Agent的弱定义观点较一致。Agent的弱定义为，具有以下特性的硬件系统或基于软件的计算机系统被称为Agent:

（1）自主性（Autonomy）：在无人或其它系统的直接干预下可自主操作，并能够控制其行为和内部状态；

（2）社会性（Social ability）：通过Agent通讯语言可与其它的Agent（也可能是人）进行交互；

（3）反应性（Reactivity）：感知所处的环境，并对环境的改变做出实时的反应；

（4）能动性（Pro-activeness）：不仅仅简单地对环境做出反应，而且可主动地表现出目标驱动的行为。

Agent的弱定义的概念已在许多领域被研究人员所接受。但在人工智能领域，许多研究者更强调Agent应具有更多人类的特质，即人类的精神状态，于是提出了Agent的强定义。

Agent的强定义除包括弱定义的四个特性以外，还具有：

（1）知识和信念。不仅具有动态收集信息的能力，而且可对信息进行推理，甚至可根据特定的环境选择相应的推理策略；信念是对当前事实的看法，随环境变化，并可与其它Agent交互和共享；

（2）意图和义务。意图反映了Agent在整个生命周期中的长期目标，该目标将产生许多短期目标。为了达到短期目标，Agent将执行一些单独的任务，并负责任务的完成，即对此任务具有义务；

（3）诚实和理性。Agent有义务反映真实情况，即为诚实可靠的；Agent的行为是为了满足目标，而不会企图阻止其目标的实现，即为有理性的。

3.经济学当中的Agent

在信息经济学文献中，常常将博弈中拥有私人信息的参与人称为“代理人（Agent）”，不拥有私人信息的参与人称为“委托人（Principal）”。也就是说，经济学中的Agent是相对于委托人的一个概念，经济学中对代理研究都是给定信息结构下，研究委托人—代理人模型。例如隐藏行动的道德风险模型，签约时信息是对称的（完全信息），签约后，代理人选择行动（如工作努力还是不努力），委托人只能观测到结果，而不能直接观测到代理人的行动本身。因此，委托人的问题是设计一个激励合同以使代理人从自身利益出发选择对委托人最有利的行动。

4.复杂性领域的Agent

在复杂系统研究中，把组成复杂系统的具有主动性的个体或单元称为Agent，研究这些Agent的个体行为如何导致整个系统的整体行为。正如霍兰所说，“复杂自适应系统毫无例外地皆由大量具有主动性的元素组成，为了说明具有主动性的元素，同时不求助于专门的内容，我借用了经济学中的Agent一词，这个术语是描述性的。如果我们准备搞明白大量Agent的相互作用，我们就必须首先能够描述单个Agent的性能，将Agent的行为看成是由一组规则（刺激一反应规则）决定的，是很有用的。”

5.社会心理学领域的Agent

在社会心理学研究领域，把Agent作为一个人或者拟人的个体，它们具有人的思想和行为，通过Agent对人的模拟来解释、预测一些人类社会的行为和现象。

6.博弈论中的Agent

博弈论的研究中，或者有些使用博弈论进行分析的研究中，把参加博弈的个体称Agent，研究这些Agent如何交互与决策以达到各自利益或者整体利益的最大化。

这几个领域中的Agent研究不是截然分开的，各领域的研究相互联系，相互借鉴。本书的研究主要涉及软件Agent、智能Agent和复杂性领域的Agent。下面将要介绍的Agent理论正是出于这个角度。

2.3.3　Agent的特性和分类

1.Agent的特性

从Agent的定义可知，Agent首先是智能的，它应对环境有响应性、自主性和能动性等；同时，Agent是具有社会性的。

（1）自主性：一个Agent在没有与环境的相互作用或来自环境的命令的情况下自主执行任务。这是Agent区别于普通软件程序的基本属性。

（2）响应性：Agent必须对来自环境的影响和信息做出适当的响应。

（3）能动性：Agent不仅对环境变化做出反应，而又在特定情况下采取主动行动，这种自身采取主动的能力需要Agent有严格定义的目标。

（4）社会性：也称为协作性，能够通过某种Agent通讯语言与人或其他Agent相互作用。

（5）推理学习/自适应能力：Agent的智能由三个主要部件来完成，即内部知识库、学习或自适应能力以及基于知识库内容的推理能力。另外，根据其应用情况还可有其它特征，例如移动（能够在电子网络中漫游）、诚实（不会故意发送错误信息）、合作（同其他Agent一起为完成同样的目标而努力）、竞争（同其他Agent竞争）。

值得注意的是，由于组成实际系统的个体的形式和内容都是多样的，也许某些个体不具备Agent的显著特征，但是有时为了方便，也可能称之为Agent。实际上，在社会科学领域中讨论的Agent，更多的时候被认为是“对象”的扩展，如圣塔菲研究所（Santa Fe Institute,SFI）就认为“在广义的基于Agent的建模中，Agent是系统中任一部分通俗、优雅的描述”。

2. Agent的分类

针对不同的应用领域，研究者设计了多种类型的Agent，按工作原理和属性可以将智能Agent或软件Agent分为思考型Agent（Deliberative Agent）、反应型Agent（Reactive Agent）和混合型Agent（Hybrid Agent）三种类型[22]。

思考型Agent是一种知识系统，用符号人工智能的方法来实现Agent的表示和推理。有些研究者认为应当在思考型Agent模型中引入意识态度，如信念、愿望、意图、目标、承诺、责任等，将Agent看作一种作为人类个体或社会行为的智能代理的意识系统，能够表现出被代理者的意识态度。目前代表性的工作是Rao和Georgeff对BDI模型的研究，他们采用三个模态算子刻划信念、愿望和意图，提出了描述Agent意识态度的BDI逻辑。国内石纯一等也在这方面做了大量研究工作。但从形式逻辑的角度对Agent理性的研究仍缺乏实用性，而且不能保证Agent做出最优决策。另一种研究Agent理性行为的方法是基于决策理论的方法，信念模型将Agent每个行为的可能后果（到达何种状态）赋予概率，愿望模型用实数表示那些可能状态的效用，Agent的合理行动就是期望效用最优化的行动，这就是效用理性。上述两种方法各有侧重，需要进行融合。

思考型Agent设计与建造的复杂性以及理论缺陷使其缺乏实用性，于是有研究者提出了反应型Agent。反应型Agent的思想基础是行为主义心理学，认为Agent不需要知识，只须感知环境的变化并做出相应的反应动作。反应型Agent虽然对外部环境的变化有很高的响应速度，但智能程度低，缺乏灵活性，多用于自动控制、系统仿真等领域，往往与硬件结合。

混合型Agent的结构可分为两层，底层是反应层，不采用符号表示和推理，可快速响应并处理外部环境的突发性变化，通常具有较高的优先级；高层采用传统的人工智能方法进行规划、推理和决策。混合型Agent综合了前两者的优点，既有高的响应速度，又有较高的智能和灵活性。

2.3.4　多Agent系统概念

面对复杂系统，用单个Agent来描述显然是不合适的，必须要用多个Agent来刻画、抽象这样的系统。通常，将这种由多个Agent组成的系统称为多Agent系统（MAS）。多Agent系统的研究方法是用模拟人类社会系统的运作机制来提高计算机系统解决复杂问题的能力的。如同一个人无法完成许多复杂和大型的任务一样，单个Agent也无法设计成有足够的能力来解决面临的复杂问题，因此，采用多个Agent进行协作，通过任务分解和任务协调提高整个系统的能力是一个可行的途径。另外，通过多Agent之间的合作还可以克服单个Agent知识不完全，处理的信息不确定等缺点[23]。

多Agent理论的研究实质上是分布式人工智能DAI（Distributed Artifi cial Intelligence）的一个分支。分布式人工智能侧重于对计算机制的研究，如对分布的传感器数据的分析、组织结构和协调协议等的研究。这方面的研究已开展了近20年，逐步走向成熟。但是，随着传统的人工智能研究的深入，出现了协商理论、分布推理、Agent间的学习和通讯语言等新兴领域。这些研究工作的深入，也使得DAI的研究重点逐渐转向以多个具有智能和自主性的Agent为主体对象的多Agent理论研究。

同时，多Agent理论的研究也是以网络技术的广泛应用为背景的。近年来，Internet技术的成熟，使得过去应用于单一环境的Agent系统将面临一个开放的分布式环境。在这个开放的复杂系统中，信息资源、通讯连接和Agent的参与都处于不可预知的变化状态中。如目前应用于Internet上的Agent，有许多是从事信息获取、信息过滤和信息收集等智能工作的。这些Agent间的互操作和交互中的协调，对于完成此类信息操作尤为重要。所以，将Agent的研究扩展到以多个Agent为主体的多Agent理论研究，是推动信息网络化的迫切课题。

2.3.5　多Agent系统的特点

MAS具有以下特点：

（1）高层次的交互。MAS除了可以描述传统的客户/服务器类型的交互方式外，还可以描述复杂的社会交互模式：合作、协调和协商。而且面向Agent的交互与其他软件工程有着本质的不同：面向Agent的交互是在知识层次上进行的，而且是一种柔性交互，需要在实际运行中通过对环境的观测来做出相应的交互，这与在系统设计时就预定好的其他软件工程中的交互是不同的。

（2）Agent之间丰富的组织关系。由于Agent可以用来代替某个组织或个人，因此MAS通常反映了这种组成环境，Agent之间的关系可以是来自于组织者中的各种关系，例如同等关系、上下级关系等，Agent系统的结构可以是来自组织中的结构，例如团队、群组和联盟等。而且这种关系和结构可以随着Agent之间的交互而不断演化，例如新的Agent加入团队中或者团队的解散。

（3）数据、控制、资源的分布性。MAS特别适合于需要多个不同的问题求解实体相互作用，求解某个共同问题或它们各自领域的问题。多数情况下，这些实体、数据和资源在物理或逻辑上是分布式的。

（4）强有力的问题求解能力、鲁棒性和灵活性。通过协作可以解决单个Agent不能解决的问题，所以具有强有力的问题求解能力；由于求解时有多个Agent参与，功能上常常有冗余，所以单个Agent失效时，它所承担的问题求解任务可由其它Agent代替，可靠性较好；各Agent既可单独工作又可协同工作，具有较好的灵活性。

2.3.6　多Agent系统的开发方法及工具

从软件工程的角度研究多Agent系统的开发也是Agent研究领域的一个重要课题。由于多Agent系统本身的分布性、复杂性和智能性，成功地开发这样的软件系统需要新的软件工程方法和工具的支持。由于Agent的抽象方式与对象的抽象方式具有一定的相似性，所以面向对象技术的相关内容可以作为借鉴。虽然到目前为止还没有公认的多Agent系统的成形的开发方法和工具，但一些已经取得的研究成果仍具有很强的借鉴意义[23]。

1.面向Agent的软件工程

工业应用软件通常由大量的相互作用的部件组成，系统十分复杂，而且这种复杂性源于工业体系本身内在的复杂性。软件工程就是要为更容易地处理这种复杂性提供结构和技术上的手段和方法。处理系统复杂性的一个重要方法是采用层次化的结构，即将系统分解成多个相互关联的子系统，每个子系统仍然采用层次结构来组织。系统中基本组件的选择可以采取多种方法，这主要取决于观察者的目标。层次化系统比起类似规模的非层次化系统可以更好地完成系统功能的演变和进化。

面向Agent的技术最适合开发复杂的软件系统，主要有三方面的原因：第一，面向Agent的分解是对复杂的系统问题进行空间划分的有效途径；第二，面向Agent的软件抽象方法是对复杂系统进行建模的自然方式；第三，面向Agent的哲理可以满足复杂系统对动态组织关系和结构进行管理的需求。

面向Agent的软件开发生命周期包括需求定义、系统实现和系统检验等阶段。Agent系统进行需求定义的主要方法包括意图性系统和精神状态的说明。一旦完成了系统说明，下一步就是实施一个能够正确反映系统说明的软件。有两种可能的办法来实现从抽象的说明到具体的计算软件系统的转化：直接运行Agent说明或者使用自动翻译技术将说明编译成具体的计算格式。一旦完成了具体系统的开发，必须证明这个系统相对于原先的说明是正确的。尤其是在开发过程中加入了许多非正式因素的情况下，这样的检验就显得更为重要。系统检验的方法可以分公理式和语义式（模型检验）两类。

面向Agent的软件工程方法实际上还处于研究的开始阶段，目前没有成套的被广泛接受的理论和工具。虽然涌现出了大量的Agent应用，但这并不说明面向Agent的软件工程方法已经成熟。事实上，目前所有的Agent系统的开发都没有遵循固定的软件工程方法，这同软件工程出现之前就开发了大量的软件系统的道理一样，软件工程的研究是为了解决软件开发过程中的问题，面向Agent的软件工程方法也是要解决Agent系统开发过程中所面临的新的问题。对于从事Agent系统应用的设计开发人员，越早地意识到问题的存在并且着手开发相应的技术去解决问题，在实际工作中所付出的代价就会越小。

2.多Agent系统开发平台

面向Agent的软件工程方法远没有成熟。如今Agent项目的开发基本上都是依据一些基本的软件工程实践的经验从头做起的。许多开发Agent系统的公司通过将Agent系统中的底层服务部分抽取出来，抽象形成可重用的应用编程接口，以期简化以后能够开发类似Agent系统的工作。在此工作的基础上形成了大量的多Agent系统开发工具，这些工具被冠以不同的名称，如平台、环境、语言、框架或者底层结构等。

目前存在多种多样的多Agent系统开发工具。对这些Agent工具可以采用不同的标准进行分类和区别。如有的Agent工具是由软件公司开发，以形成商品化软件为目的；有的则是在大专院校中开发的，以学术研究为目的。有的使用像Java这样跨平台的语言；有的则使用Agent编程语言Oz，只能在UNIX环境下运行。有的支持Agent移动；有的不提供Agent移动功能。有的支持底层的消息传递；有的同时还支持知识层交互。有的只提供消息路由等基本的管理机制；有的则提供复杂的Agent间协调机制。有的除了基本的Agent底层结构外还同时侧重一些特殊的技术支持，如Agent协商、冲突管理等。有的包含一些人工智能的功能库；有的则不考虑单个Agent的功能实现。

尽管有这种多样性，目前的多Agent系统开发工具也存在一些共同的特点，例如采用Java语言和以通信为核心等。Java语言由于其跨平台、天然的支持移动等特点已经成为对Agent开发的首选语言，越来越多的Agent开发工具基于Java语言，Java语言的面向对象的特点使得Java编程接口具有更好的重用性，同时，Java语言的普遍流行也是其优势之一。Java语言在Agent实现上的大量应用使得采用其他Agent编程语言（如Tcl和Oz）开发的应用越来越少。另外，目前的多Agent开发工具大都是以实现通信为核心的，这包括支持多种通信协议和通信方式，以及实现移动Agent的功能等等。Agent系统的开发工具也已经开始在底层通信的基础上支持知识的交换，如使用KQML语言等。Agent系统的开发工具除了满足Agent间基本通信机制和知识层交互实现的需求外，还提供了Agent间协调、协商和规划管理方面的高层协议和服务功能，这些高层的服务功能有利于简化Agent的社会性行为的实现方式。另外，商业产品类和学术研究类的多Agent系统开发工具由于其开发目标的不同而呈现出不同特点。商业类开发工具更注重底层通信等基本服务的完善和健全以及系统的可靠性和安全性，因此所用的大多是相对较成熟的技术，而学术研究类的开发工具大多是为了表达一种新的软件技术思想，因此对系统的通用性、可靠性和安全性等方面的因素考虑得较少。

2.4　委托代理理论

2.4.1　供应链委托代理问题的产生

在信息经济学的文献中，常常把博弈中拥有私人信息的参与人称为“代理人（Agent）”，不拥有私人信息的参与人称为“委托人（Principal）”。委托代理问题是由于参与人拥有的私有信息不对称引起的。

委托代理问题在经济生活中普遍存在，只要当事人各方拥有的信息具有不对称，就存在委托代理问题。虽然供应链中节点企业以最终用户的满意为目标，协同组织生产，但是与纵向一体化不同，供应链的企业间是一种动态的联盟，每个企业都是独立法人实体，都以利润最大化为目标。根据迈克尔×波特的竞争战略理论，企业与其它节点企业进行商务往来时，为了在谈判中获得优势，通常会保留某些私有信息，如原材料或产品的成本、产品质量和企业生产能力等。正因为如此，在供应链中，核心企业与直接相关的辅助企业，由于存在信息不对称引发委托代理问题。

2.4.2　委托代理理论

从法学角度讲，委托代理关系是指这样一种情形：委托人与代理人签订一个契约，由代理人代表委托人来行事。在行事过程中，代理人可以选择自己的行动，这一行动导致相应的结果，该结果不仅会影响委托人的利益而且也影响代理人的利益。在经济学中，更强调委托人和代理人之间存在信息不对称性。掌握信息优势的一方称为代理人，处于信息劣势的一方称为委托人。

经典的委托代理理论问题，是由Adolf Berle和Gardnier Means于1932年提出的。他们看到在大公司中所有权和控制权相互分离这一事实，于是对传统的股东权益理论提出质疑，并试图探讨这种分离是否存在组织的和公共政策的后果。他们提出的问题，后来被称为“伯利—米恩斯之谜”。他们提出的因两权分离带来的代理成本问题，即作为委托人的股东怎样才能以最小的代价使作为代理人的经营者愿意为委托人的目标和利益努力地工作，成为委托代理问题研究的中心。

Ross于1973年提出了委托人—代理人一词。委托人—代理人理论，是由信息经济学的一个分支——非对称条件下的经济分析发展起来的。它集中研究“如何设计一个补偿系统（或激励契约）来驱动代理人为委托人的利益行动”。该理论中，委托人—代理人关系泛指任何一种涉及非对称信息的交易，在交易中具有信息优势的一方称为代理人，另一方称为委托人。因此，该理论认为委托代理理论产生的原因从一般意义上讲就是因为委托人和代理人之间的利益不一致和信息不对称。

委托人—代理人理论有一个较为严格的数学模型，以此来研究非对称信息下的激励模型和监督约束机制。Mirrlees（1974，1975，1976）的三篇论文，奠定了委托人—代理人理论的基本分析框架。Mirrlees开创的分析框架后来又由Holmstrom（1979，1982）等人进一步发展，在委托—代理文献中，被称为莫里斯—霍姆斯特姆方法（Mirrlees—Holmstrom Approach）[24]。

委托代理理论包含下面的基本假设[24]：

（1）代理人的隐藏行为。委托人无法完全观察代理人的工作行为和工作努力程度，只能监督和激励代理人努力工作；

（2）代理人的私人信息。代理人比委托人更了解工作的过程，掌握委托人不具有的私人信息；

（3）代理人行为结果的非确定性。代理人行为结果并不完全由代理人行为本身决定，行为结果是一分布依赖于代理人行为的随机变量；

（4）行为结果的可观测性。委托人和代理人都可以观测代理人的行为结果，相对完全信息来说，私人信息和不可观测行为会引起工作效率损失。

委托—代理理论研究限制代理人私自行为的管理机制及各种控制和激励机制。其试图解决如下问题：委托人想使代理人按照自身的利益选择最优行动，但委托人却无法直接观测到代理人选择的具体行动类型，能观测到的只是另外一些变量，这些变量由代理人的行动和其它的外生随机因素共同决定。委托人的问题是如何根据观测的这些变量信息奖惩代理人，以激励代理人从自身利益出发选择对委托人最有利的行动。当委托人关于代理人的信息不完备时，委托人将某项任务授权给与自己不同目标的代理人就会产生很多问题，这也正是激励问题的起源。如果代理人具有不同的目标函数但没有私人信息，则委托人可以通过提供一个完全契约来控制代理人的行为，并使其按照委托人的目标进行选择，于是代理过程中的激励问题就不复存在。但是当代理人具有私人信息，而委托人无法完全监控代理人的行为时，激励问题就成为影响代理成本的核心要素。对于委托人如何影响代理人的问题，目前的研究大多集中在激励契约的设计上。在契约关系中，委托人和代理人的目的都是为了实现自身利益最大化，但他们之间存在利益冲突，委托人需要签订契约来控制代理人的行为，在最大化代理人效用的同时最大化自身效用，从而产生了代理成本。委托代理理论就是研究如何设计一种给代理人以足够动力的契约或机制，使代理人在追求个人效用最大化的同时，实现委托人效用最大化。

2.4.3　供应链委托代理理论模型

供应链上的企业在相互合作过程中形成委托代理关系，该关系成为供应链企业间合作关系的一种体现，这种委托代理问题，不同于其它在市场交换中许多供应商和顾客之间的委托代理问题，它强调企业间的合作和协调：各自从自身的利益出发，并结合合作对策，形成独具一格的委托代理机制。供应链委托代理理论模型如图2.7所示[24]。

委托代理问题是由当事人各方的信息不对称引起的。从不对称发生的时间看，信息不对称性可能发生在当事人签约之前，也可能发生在签约之后，分别称为事前不对称和事后不对称。研究事前不对称信息博弈的问题称为逆向选择问题(Adverse selection)，研究事后不对称信息博弈的问题称为道德风险问题(Moral hazard)，且这两类问题往往是并存的。

图2.7　供应链委托代理理论模型

（1）逆向选择问题。制造商（委托人）在选择供应商（代理人）时，供应商掌握了一些制造商不知道的信息，而这些信息可能对制造商不利，供应商因此与制造商签订了对自己有利的契约，致使制造商受到损害(可能表现在供应商内部管理存在问题)，这种信息不对称条件下的决策导致了“逆向选择”——制造商误选了不适合自身实际情况的供应商。

（2）败德行为问题。假设供应商与制造商在签订契约时各自拥有的信息是对称的，但签成契约后，制造商无法观察到供应商的某些行为，或者外部环境的变化仅为供应商所观察到。这种情况下，供应商在有契约保障之后，可能采取不利于制造商的一些行为，损害制造商的利益。当制造商集中精力于内部的生产管理、销售与服务、产品设计、市场调查时，不可能全面、细致的了解供应商的运作过程，供应商此种行为可能给制造商的生产带来不确定性，表现在供应商供货的推后或者产品质量的降低上。这种隐藏行为导致了“败德行为”——供应商降低了服务水准、增加了潜在费用。

契约指由交易各方达成的具有法律效力的文件，其中一方（通常理解为供应商）答应在一定的条件（如数量、质量、价格、送达时间等等）下向另一方提供商品或服务，而另一方（通常理解为采购商）根据契约的规定（包含契约的激励和惩罚因素）向对方支付一定数量的报酬。供应链契约指通过提供合适的信息和激励措施，保证买卖双方协调、优化销售渠道和绩效的有关条款。

委托代理理论发展了以风险共担、利益共享的协调机制，委托人要实现利益最大化就必须使代理人期望效用满意优化，但委托人只能观察到代理人行为的结果，对其行动及信息并不清楚，因此为防止代理人的“败德行为”，必须实施协调和约束，而契约正是实施有效协调的重要手段。供应链中企业的协作、控制、管理以及物流、资金流和信息流等在企业间的流动都需要合理的契约安排来完成。供应链契约为交易双方提供界定未来业绩和配置未来事件风险的方式，可以促进企业间更紧密的合作，确保有效安排生产及库存计划，合理分配收益，并达到降低供应链成本，保证产品质量，提高用户满意度，提高整个供应链绩效的目的。

参考文献

[1]Billington, C. Strategic Supply Chain Management [J]. OR/MS Today, 1994(4): 20-27.

[2]Christy, David P., Grout, John R. Safeguarding supply chain relationships [J]. International Journal of Production Economics, 1994, 36 (3): 233-242.

[3]Stevens,Graham C. Successful Supply-Chain Management[J]. Management Decision, 1990,28(8).

[4]Croom, S., Romano, P., Giannakis M. Supply Chain Management: An Analytical Framework for Critical Literature Review[J].European Journal of Purchasing & Supply Management, 2000,6(1): 67-83.

[5]Supply chain council. Supply chain operations reference-model overview 8.0. https:// www.processworld.com/docs/sponsor-docs/SCOR-8.0-Overview-Booklet.pdf,2006

[6]王宁.电子化供应链管理协同机制研究[D].上海:同济大学,2006.

[7]马士华, 林勇. 供应链管理(第二版)[M]. 北京：高等教育出版社,2003.

[8]Naylor, B., Naim, M. M., Berry, D. Leagality: Integrating the lean and agile manufacturing paradigms in the total supply chain [J].International Journal of Production Economics, 1999, 62: 61-73.

[9]Simchi-Levi, D., Kaminsky, P., Simchi-Levi, E..Designing and Managing the Supply Chain: Concepts, Strategies and Cases[M]. New York: McGraw-Hill, 2000.

[10]Chase, R.B, Aquilano N.J, Jacobs R. Production and Operations Management：

Manufacturing and Services[M].McGraw-Hill,1998.

[11]王迎军. 供应链管理实用建模方法及数据挖掘[M]. 北京:清华大学出版社,2001.

[12]鲁其辉.供应链信息的协调管理机制研究[D].上海:复旦大学,2006.

[13]白世贞等.供应链复杂系统资源流建模与仿真[M].北京:科学出版社.

[14]弗兰西斯·路纳, 本尼迪克特, 史蒂文森. SWARM中的经济仿真: 基于智能体建模与面向对象设计[M]. 景体华 等译.北京:社会科学文献出版社,2004.6

[15]刘永胜.供应链协调理论与方法[M].北京:中国物资出版社,2006.

[16][美]道格拉斯·M. 兰伯特(Douglas M. Lambert).供应链管理: 流程、伙伴、业绩[M]. 第2版. 王平 译.北京:北京大学出版,2007.

[17](德)H·哈肯.高等协同学[M].郭治安译.北京:科学出版社,1989.

[18]吴绍艳. 基于复杂系统理论的工程项目管理协同机制与方法研究[D]. 天津:天津大学,2006.

[19](德)H·哈肯.信息与自组织—复杂系统中的宏观方法[M]. 成都:四川教育出版社,1988.

[20]黄伟建. 多Agent技术在供应链管理中的应用研究[D].天津:天津大学,2004.

[21]ShohamY.Agent oriented programming[J].Artifi cial Intelligence,1993,60(l):51-92.

[22]倪志伟,李锋刚,毛雪岷.智能管理技术与方法[M].北京:科学出版社,2007.

[23]范玉顺,曹军威.多代理系统理论、方法与应用[M].北京:清华大学出版社,2002.

[24]李善良.供应链委托代理问题分析[D].上海:复旦大学,2005.

[25]杨华.闭环供应链的契约协调机制研究[D].长春:吉林大学,2009.

[26]蓝伯雄,郑小娜,徐心.电子商务时代的供应链管理 [J].中国管理科学,2000, 8(3):127.

[27]苏士哲.英汉物流管理辞典[M].北京:清华大学出版社,2001.

[28]单汨源,孙亚.供应链管理及其应用研究[J].中南工业大学学报(社会科学版),2000，6(3):202-203.

[29]于涵.面向供应链协调的信息共享与信息价值研究[D].天津:天津大学,2008.

[30]Sunil Chopra, Peter Meindl.Supply Chain Management: Strategy, Planning and Operations [M].New Jersey: Prentice Hall, Inc., 2001.

[31]姜金菊.基于智能代理的供应链仿真方法的研究[D].上海:同济大学,2004.