随着智能制造成为中国制造强国方略的主攻方向，智能制造背景下的供应商管理问题引起业界、学界的广泛关注。本书基于供应商复杂网络和分类管理等视角，针对企业智能转型升级中面临的供应商管理痛点和难点，从供应商效率评价、供应商风险评价、供应商激励和供应商收益分配几个维度系统地开展论述。本书内容力求原创，突出理论模型与案例研究相结合，在一定程度上体现了理论创新和实践意义，可作为企业智能制造供应商管理实践中的参考资料，也可以作为高校智能制造、供应商管理相关专业学生的辅修参考书。

第1章 绪论
1.1 研究背景
1.2 国内外研究现状
1.2.1 供应商效率评价国内外现状
1.2.2 供应商风险评价国内外研究现状
1.2.3 供应商激励国内外研究现状
1.2.4 供应商利益分配国内外研究现状
1.3 研究内容
1.4 本章小结
第2章 相关理论与方法
2.1 供应商管理理论
2.1.1 供应商分类
2.1.2 供应商效率及评价
2.2 复杂网络理论
2.3 协同理论
2.4 熵理论
2.4.1 协同熵
2.4.2 熵权法
2.5 过度自信理论
2.6 博弈论
2.7 BP神经网络
2.7.1 BP神经网络的基本介绍
2.7.2 BP神经网络的优缺点
2.8 最小二乘结构方程模型
2.9 Shapley值法
2.10 t-SNE算法
2.11 本章小结
第3章 智能制造背景下基于复杂网络的供应商效率评价
3.1 复杂供应商网络
3.1.1 复杂供应商网络定义
3.1.2 复杂供应商网络特征分析
3.1.3 复杂供应商网络角色划分
3.2 复杂供应商网络建模思想
3.3 复杂供应商网络协同熵值度量
3.4 复杂供应商网络协同效率评价模型构建
3.4.1 复杂供应商网络成员协同关系建立
3.4.2 复杂供应商网络协同评价参数确定
3.5 案例分析
3.5.1 数据收集与统计
3.5.2 结果分析与建议
3.6 管理启示
3.7 本章小结
第4章 智能制造背景下基于分类管理的供应商效率评价
4.1 构建智能制造企业供应商分类指标体系及评价指标体系
4.1.1 评价指标体系构建原则
4.1.2 智能制造企业供应商分类指标构建
4.1.3 智能制造企业供应商效率评价指标构建
4.1.4 指标权重计算
4.1.5 分类算法
4.2 改进PSO算法
4.2.1 粒子群优化算法概念
4.2.2 粒子群优化算法特点
4.2.3 改进粒子群优化算法
4.3 基于DPMPSO-BP构建智能制造供应商评价模型
4.3.1 基于DPMPSO改进BP神经网络算法
4.3.2 贝叶斯分类下的DPMPSO-BP神经网络评价模型
4.4 案例分析
4.4.1 DPMPSO-BP神经网络模型结构设计
4.4.2 贝叶斯分类下改进DPMPSO-BP神经网络的应用
4.4.3 评价结果分析与建议
4.5 本章小结
第5章 智能制造背景下基于PLS-SEM的供应商风险评价
5.1 智能制造背景下供应商风险评价指标构建
5.2 智能制造背景下基于PLS-SEM的供应商风险评价模型
5.3 实证分析
5.3.1 数据收集与分析
5.3.2 模型效果检验
5.4 评价结果及建议
5.4.1 一级指标视角结果分析及建议
5.4.2 二级指标视角结果分析及建议
5.5 本章小结
第6章 智能制造背景下考虑随机产出风险的供应商激励
6.1 随机产出风险分析
6.2 基于成本共担和收入共享的Stackelberg激励模型构建
6.2.1 假设条件与模型构建
6.2.2 模型求解
6.3 算例分析
6.4 管理启示
6.5 本章小结
第7章 智能制造背景下考虑过度自信风险的供应商激励
7.1 过度自信风险分析
7.2 基于t-SNE的过度自信判定
7.2.1 智能制造能力成熟度指标体系构建
7.2.2 数据收集及标准化处理
7.2.3 过度自信程度聚类判定
7.3 考虑过度自信的Stackelberg激励模型构建
7.3.1 假设条件
7.3.2 讨论与分析
7.4 算例分析
7.4.1 过度自信判定模型算例分析
7.4.2 供应商激励模型算例分析
7.4.3 管理启示
7.5 本章小结
第8章 智能制造背景下考虑协同贡献度的供应商收益分配
8.1 协同收益与协同效率关联性分析
8.2 Shapley值法协同收益分配方法
8.2.1 Shapley值法应用
8.2.2 Shapley值法缺陷
8.3 考虑协同贡献度的复杂供应商网络协同收益分配模型
8.3.1 复杂供应商网络成员实际协同能力影响因素
8.3.2 复杂供应商网络成员观测协同能力影响因素
8.3.3 考虑协同贡献度的复杂供应商网络协同收益分配方案
8.4 算例分析
8.5 管理启示
8.6 本章小结
第9章 总结与展望
9.1 总结
9.2 展望
参考文献