甘家華，馬 暕，王建偉，荊 瑩

（長安大學(xué)經(jīng)濟與管理學(xué)院，陜西 西安 710064）

一、引言

我國物流市場主體過散、過弱，單個企業(yè)競爭力不強、抗風險能力弱是導(dǎo)致目前物流組織化程度偏低、組織方式落后、總體效率不高、物流成本居高不下等問題的重要原因之一。近年來，物流市場的各類企業(yè)都在探索集約化經(jīng)營之道，經(jīng)過不斷的探索和實踐，整合優(yōu)勢資源走聯(lián)盟發(fā)展之路漸成大勢所趨，特別是對于占物流市場90%以上的中小企業(yè)，不具備相互合并的資金實力與管理能力來擴大規(guī)模，因而結(jié)合企業(yè)核心專長、互補所短來組建聯(lián)盟已經(jīng)成為企業(yè)快速擴張物流網(wǎng)絡(luò)，提升物流服務(wù)能力，降低物流成本的最佳途徑[1]。交通運輸部在2013年6月出臺的《交通運輸行業(yè)推進物流業(yè)健康發(fā)展的指導(dǎo)意見》中，明確提出“鼓勵中小企業(yè)聯(lián)盟發(fā)展，扭轉(zhuǎn)市場主體過散、過弱的局面，提高企業(yè)競爭力和市場抗風險能力”，形成以區(qū)域性中小企業(yè)聯(lián)盟為主體的物流市場主體結(jié)構(gòu)。

當前，我國中小物流企業(yè)聯(lián)盟發(fā)展總體上還處于探索階段，缺乏成熟的管理經(jīng)驗，而很多聯(lián)盟管理的關(guān)鍵問題又與聯(lián)盟的成敗息息相關(guān)。聯(lián)盟伙伴選擇就是聯(lián)盟能否成功組建和順利運行的核心問題，合適的聯(lián)盟伙伴可以有效地促進和推動聯(lián)盟的健康發(fā)展，形成穩(wěn)定持久的聯(lián)盟關(guān)系，而不合適的聯(lián)盟伙伴則可能給聯(lián)盟組織帶來難以預(yù)料的破壞和損失。而我國中小物流企業(yè)在選擇聯(lián)盟伙伴時，主要存在著評價指標體系中戰(zhàn)略兼容性、業(yè)務(wù)協(xié)同性、長期穩(wěn)定型因素較為缺乏，評價模型和方法適用性不強等問題。因此，構(gòu)建科學(xué)合理的評價指標體系，選擇完善適用評價模型方法，是當前中小物流企業(yè)聯(lián)盟伙伴的選擇中需要解決的關(guān)鍵問題。

目前國內(nèi)外對于中小物流聯(lián)盟伙伴選擇方法的研究還比較少，現(xiàn)有的研究主要是針對供應(yīng)商的選擇和虛擬物流聯(lián)盟的伙伴選擇問題，雖然這些豐富的研究成果為本研究提供了有益的借鑒，但其與文章的研究對象有著顯著區(qū)別。在供應(yīng)商選擇中，需求企業(yè)與供應(yīng)商之間的關(guān)系多為單邊協(xié)議，體現(xiàn)為委托代理關(guān)系，相互間為合作關(guān)系，而中小物流企業(yè)聯(lián)盟的合作伙伴間的關(guān)系則根據(jù)不同聯(lián)盟類型包含了單邊、雙邊及多邊協(xié)議，參與主體較多，相互間不僅是合作，而且還有競爭關(guān)系。中小物流企業(yè)聯(lián)盟與虛擬聯(lián)盟在伙伴選擇中的主要區(qū)別是中小物流企業(yè)聯(lián)盟更加注重合作的穩(wěn)定性和持久性，不是短期的任務(wù)合作。當前關(guān)于聯(lián)盟伙伴選擇的研究集中在兩個方面：一是針對聯(lián)盟伙伴選擇的指標體系構(gòu)建問題，李強(2007)[2]分別從不同緯度構(gòu)建了較為全面的指標體系，但指出具體指標，使之后的建模評價具有較強的主觀性而不宜應(yīng)用。陳飛兒等(2004)、夏維力等(2006)[3-5]從各自研究視角提出了具體全面的成員考察指標，但從中小物流企業(yè)聯(lián)盟發(fā)展要求出發(fā)，未能充分考慮企業(yè)間合作的戰(zhàn)略兼容性、合作過程中的業(yè)務(wù)協(xié)同性及長期穩(wěn)定性。二是針對聯(lián)盟伙伴選擇的模型算法研究，常見的相關(guān)研究提出的有線性權(quán)重計分法、成本估算法、AHP、DEA、TOPSIS、模糊綜合評價法等，這些方法在指標權(quán)重系數(shù)確定時具有較多的主觀因素，對評價中不確定和不完備信息的設(shè)計處理不完善，在處理大量數(shù)據(jù)尤其是涉及存在較大關(guān)聯(lián)性指標時穩(wěn)定性較差，準確性和效率不高。

基于此，文章構(gòu)建了針對中小物流企業(yè)聯(lián)盟特性和聯(lián)盟物流業(yè)務(wù)運作特點的伙伴選擇評價體系，同時結(jié)合主成分分析(PCA)方法對復(fù)雜的指標體系進行降維處理，使得評價工作更具有針對性，可以簡化神經(jīng)網(wǎng)絡(luò)的輸入，而BP神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)學(xué)習(xí)能力，可以從外界獲取信息進行存儲并自動提取規(guī)律求解，避免確定權(quán)重過程中的人為主觀因素，從而有效提高中小物流聯(lián)盟伙伴選擇的準確性與客觀性，因此采用PCA結(jié)合BP神經(jīng)網(wǎng)絡(luò)的方法建立評價網(wǎng)絡(luò)模型，利用SPSS和Matlab軟件進行數(shù)據(jù)分析和仿真實現(xiàn)，建立了一種新的中小物流企業(yè)聯(lián)盟伙伴選擇方法體系，并利用企業(yè)的真實數(shù)據(jù)進行方法驗證，得到了較為準確的評價結(jié)果。

二、中小物流企業(yè)聯(lián)盟伙伴評價指標體系

評價指標的選取需要結(jié)合中小物流企業(yè)聯(lián)盟的特點和發(fā)展要求來進行，除了將企業(yè)規(guī)模、業(yè)務(wù)類型、地域分布、企業(yè)聲譽等作為基本的考核要素外，還需要重點考慮戰(zhàn)略兼容性、合作過程中的業(yè)務(wù)協(xié)同性和聯(lián)盟發(fā)展能力，以此來保證合作的長期穩(wěn)定和多家企業(yè)完成同一物流業(yè)務(wù)時的協(xié)調(diào)一致。結(jié)合相關(guān)文獻，文章從物流服務(wù)質(zhì)量、企業(yè)成本、財務(wù)風險、企業(yè)發(fā)展?jié)摿Α⑵髽I(yè)柔性以及兼容性六個方面建立較為系統(tǒng)全面的評價指標體系框架。

（1）物流服務(wù)質(zhì)量指標。物流服務(wù)質(zhì)量是衡量物流服務(wù)企業(yè)基本業(yè)務(wù)能力的指標。當前我國物流市場的競爭形勢已經(jīng)發(fā)生了深刻的變化，高品質(zhì)的物流服務(wù)競爭已成為趨勢，因此對聯(lián)盟成員企業(yè)物流任務(wù)的完成質(zhì)量進行重點考察是提高聯(lián)盟整體物流服務(wù)質(zhì)量的決定因素，主要通過保質(zhì)率、準時率和訂單完成率指標來反映。

（2）物流成本指標。物流服務(wù)價格是客戶選擇物流服務(wù)商時所要考慮的重要因素，而聯(lián)盟物流服務(wù)價格高低的直接影響因素是聯(lián)盟成員自身的服務(wù)成本。因此，成本對于聯(lián)盟伙伴選擇也至關(guān)重要，若聯(lián)盟中有幾家企業(yè)成本過高，則會直接影響到整個聯(lián)盟的服務(wù)價格，降低聯(lián)盟的市場競爭力。主要從物流企業(yè)的服務(wù)成本和成本改善計劃兩個指標來衡量。

（3）財務(wù)風險指標。財務(wù)穩(wěn)定是一個企業(yè)健康發(fā)展的重要反應(yīng)指標，如果物流聯(lián)盟企業(yè)財務(wù)方面存在風險，很可能會給整個聯(lián)盟帶來不良影響，甚至拖垮聯(lián)盟。主要以總資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)收益率和資產(chǎn)負債率來衡量。

（4）發(fā)展?jié)摿χ笜?。作為物流?lián)盟候選合作伙伴，必須在具有一定實力的基礎(chǔ)上還具有發(fā)展?jié)摿?，這是建立長久合作關(guān)系、保障穩(wěn)定性的基礎(chǔ)。另外，企業(yè)運用現(xiàn)代信息技術(shù)的能力也成為提高物流運作效率和服務(wù)及時性的重要競爭因素。文章主要從信息化水平、資產(chǎn)經(jīng)費投入率以及企業(yè)的人員素質(zhì)三個指標來衡量企業(yè)的未來發(fā)展?jié)摿Α?/p>

（5）企業(yè)柔性指標。企業(yè)柔性是指企業(yè)面對市場需求變化的響應(yīng)能力，表現(xiàn)為可以在客戶需求數(shù)量和時間不規(guī)則變化的情況下保持較高的服務(wù)水平。隨著經(jīng)濟社會發(fā)展，滿足日益增長和不斷變化的客戶個性化需求已經(jīng)成為對物流企業(yè)服務(wù)能力的基本要求，而聯(lián)盟成員企業(yè)柔性的高低直接影響著整個聯(lián)盟的穩(wěn)定性，若柔性不夠就會在業(yè)務(wù)協(xié)同運作中形成瓶頸，降低整體效率和質(zhì)量。文章主要從時間柔性和數(shù)量柔性來說明。

（6）合作兼容性指標。聯(lián)盟屬于長期深入的合作，與一次性的市場交易不同，合作企業(yè)之間的相互依存度很大。如果聯(lián)盟企業(yè)內(nèi)部在戰(zhàn)略目標、企業(yè)文化以及管理體制等方面存在較大差異，甚至沖突，將會妨礙溝通，造成信任危機，可能導(dǎo)致聯(lián)盟的失敗。文章主要從戰(zhàn)略目標和企業(yè)文化的兼容性這兩個指標來衡量。

三、基于PCA-BP神經(jīng)網(wǎng)絡(luò)的中小物流企業(yè)聯(lián)盟伙伴選擇分析

1.主成分分析法

主成分分析法(Principal Components Analysis，PCA)是一種基于降維思想的多元統(tǒng)計分析方法。采用PCA法將中小物流企業(yè)聯(lián)盟伙伴選擇指標原始數(shù)據(jù)進行降維處理，在盡量減少信息損失的前提下，把具有相關(guān)關(guān)系的指標轉(zhuǎn)化為新的相互獨立的綜合指標，使得同一主成分內(nèi)的元素之間盡可能地相似，不同主成分的元素之間的差異盡可能大，因此使得主成分比原始數(shù)據(jù)的性能更優(yōu)越，從而簡化了復(fù)雜的伙伴選擇指標體系，抓住主要矛盾，使原來多維的復(fù)雜問題大大簡化，提高了分析效率。其主要算法步驟如下：

（2）對標準化矩陣求相關(guān)系數(shù)矩陣R：

（3）計算R的特征值和特征向量。設(shè)求出λ1≥λ2≥噎≥λm≥0是 R 的特征值：α1，α2，α3，αm是相對應(yīng)的特征向量，可得到一組主成分用Zp表示：

其中，‖αi‖＝1，i=1，2，噎，m。

（5）計算主成分載荷及主成分得分。假設(shè)主成分載荷為?i，主成分得分為 τ1，則

其中，αi(i=1，2，噎，m)為相應(yīng)特征值的特征向量。

其中，xi(i=1，2，噎，m)為各變量的標準化數(shù)值。將計算出的各主成分的分值作為神經(jīng)網(wǎng)絡(luò)新的訓(xùn)練樣本輸入。

2.BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是采用誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，具有自適應(yīng)、自學(xué)習(xí)和自聯(lián)想等優(yōu)秀特點而得到了廣泛應(yīng)用。文章以BP神經(jīng)網(wǎng)絡(luò)模型來對聯(lián)盟候選伙伴進行評價，通過其有規(guī)則的學(xué)習(xí)和訓(xùn)練找出輸入信號與輸出信號之間的內(nèi)在聯(lián)系，可以有效弱化在確定指標權(quán)重過程中人為因素影響。同時，由于候選聯(lián)盟伙伴選擇指標繁多且相互關(guān)系復(fù)雜，多呈現(xiàn)出非線性關(guān)系，而BP神經(jīng)網(wǎng)絡(luò)處理此類非線性問題較好，通過對已有樣本的學(xué)習(xí)，利用離線和在線相結(jié)合的方法，獲得評價專家的知識、經(jīng)驗、主觀判斷及其重要性的傾向，建立起指標間的定量關(guān)系。當對其他候選聯(lián)盟伙伴進行評價時，可再現(xiàn)評價專家的經(jīng)驗、知識和直覺思維，能夠保證評價結(jié)果的客觀性。BP網(wǎng)絡(luò)的拓撲結(jié)構(gòu)由輸入層、輸出層和隱含層構(gòu)成。

3.基于PCA-BP神經(jīng)網(wǎng)絡(luò)的聯(lián)盟伙伴選擇

中小物流企業(yè)聯(lián)盟伙伴選擇評價指標體系包含樣本數(shù)較多，直接作為輸入數(shù)據(jù)會導(dǎo)致神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜，影響模型訓(xùn)練速度和評價結(jié)果的準確性。PCA-BP評價利用PCA對數(shù)據(jù)集進行簡化處理，將復(fù)雜的指標體系轉(zhuǎn)化成K維體現(xiàn)原指標特點的主成分作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，利用BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，以符合精度要求的神經(jīng)網(wǎng)絡(luò)進行聯(lián)盟伙伴選擇，主要步驟為：第一步，對訓(xùn)練樣本做標準化處理；第二步，對神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)做主成分分析，提取主成分并計算每個樣本的主成分值；第三步，設(shè)計神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，文章設(shè)計含有一個隱含層的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，輸入層神經(jīng)元數(shù)目為主成分的個數(shù)，隱含層神經(jīng)元數(shù)目經(jīng)過多次訓(xùn)練確定，輸出層節(jié)點為1，設(shè)計出神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)；第四步，將各個樣本的主成分值作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，將代表綜合評價的值作為神經(jīng)網(wǎng)絡(luò)的輸出，運用Matlab工具對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；第五步，對神經(jīng)網(wǎng)絡(luò)的泛化能力進行檢驗，即誤差比對。對訓(xùn)練輸出與期望輸出進行誤差比對，當誤差小于設(shè)定值時，神經(jīng)網(wǎng)絡(luò)所持有的那組權(quán)值和閾值便是網(wǎng)絡(luò)經(jīng)過自適應(yīng)學(xué)習(xí)所得到的正確的內(nèi)部表示；第六步，神經(jīng)網(wǎng)絡(luò)訓(xùn)練成功后，即可作為選擇聯(lián)盟伙伴的有效工具，對候選聯(lián)盟伙伴進行評價選擇。

四、實例分析

1.數(shù)據(jù)源

浙江YL中小物流企業(yè)聯(lián)盟（簡稱YL聯(lián)盟）是由義烏市15家中小型物流企業(yè)組建而成，目前已經(jīng)發(fā)展成為集集裝箱運輸、國際貨運代理、物流場站以及倉儲服務(wù)為一體的綜合性物流聯(lián)盟。為進一步發(fā)展壯大，公司正在積極吸納聯(lián)盟伙伴，經(jīng)前期調(diào)研收集資料和初步篩選，確定了六家基本符合聯(lián)盟要求的候選企業(yè)，現(xiàn)從中選擇最合適的聯(lián)盟伙伴。根據(jù)PCA-BP神經(jīng)網(wǎng)絡(luò)的評價方法，在進行成員選擇之前，首先要對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，而訓(xùn)練需要與案例數(shù)據(jù)類似的樣本數(shù)據(jù)，依據(jù)前文評價指標體系，選取YL聯(lián)盟現(xiàn)有15家物流企業(yè)作為訓(xùn)練樣本，具體情況見表1。

2.原始數(shù)據(jù)PCA分析

對原始數(shù)據(jù)做PCA分析處理，得到小于指標數(shù)目的主成分作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。利用SPSS18.0對樣本數(shù)據(jù)進行主成分分析。第一，對原始數(shù)據(jù)進行標準化處理，經(jīng)過KMO檢驗顯示樣本數(shù)據(jù)符合主成分分析的要求。第二，求出標準化后數(shù)據(jù)的相關(guān)系數(shù)矩陣并計算出相關(guān)系數(shù)矩陣額特征值、方差貢獻率和累計貢獻率。在數(shù)據(jù)處理過程中發(fā)現(xiàn)，前6個特征值的累計方差貢獻率已達到85%，且其特征根都在1以上，選擇F1，F(xiàn)2，…，F(xiàn)6為主成分。第三，選定主成分后，分別利用式(3)、式(4)計算因子載荷和各主成分的得分值。即得到神經(jīng)網(wǎng)絡(luò)的輸入矩陣，通過主成分分析得出的6個主成分將作為BP神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元。

3.建立PCA-BP神經(jīng)網(wǎng)絡(luò)的中小物流企業(yè)選擇模型

（1）建立模型。根據(jù)主成分分析的結(jié)果，確定神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元個數(shù)為6，輸出層個數(shù)為1，隱含層的個數(shù)通過對多次模型訓(xùn)練實驗結(jié)果的比較最終確定為15個。

（2）神經(jīng)網(wǎng)絡(luò)訓(xùn)練。采用Matlab軟件創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)，設(shè)置網(wǎng)絡(luò)層數(shù)為3層，選用trainlm作為訓(xùn)練函數(shù)，learngdm作為自適應(yīng)學(xué)習(xí)函數(shù)，mse為性能函數(shù)，tansig為激勵函數(shù)，最大訓(xùn)練次數(shù)為1000次，期望誤差為0.00001。選擇PCA計算后的前12組樣本作為網(wǎng)絡(luò)的訓(xùn)練樣本，后3組樣本作為網(wǎng)絡(luò)檢測樣本，對創(chuàng)建好的BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。經(jīng)網(wǎng)絡(luò)計算，當訓(xùn)練至第250步時，網(wǎng)絡(luò)性能達到期望水平并保持穩(wěn)定，即BP神經(jīng)網(wǎng)絡(luò)收斂，訓(xùn)練結(jié)束，代表訓(xùn)練誤差達到平穩(wěn)狀態(tài)。

（3）模型檢測。在樣本數(shù)據(jù)中，選擇第13到第15組數(shù)據(jù)作為檢測數(shù)據(jù)，對BP神將網(wǎng)絡(luò)的誤差進行檢驗。將網(wǎng)絡(luò)實際輸出與期望輸出進行誤差對比，如表2所示。檢測結(jié)果表明，實際網(wǎng)絡(luò)輸出與期望輸出的平均相對誤差為0.68%，誤差較小，這說明此BP神經(jīng)網(wǎng)絡(luò)具有較好的仿真預(yù)測功能，因而可以此模型對候選聯(lián)盟伙伴進行評價。

4.模型應(yīng)用與結(jié)果分析

利用上述訓(xùn)練成功的BP神經(jīng)網(wǎng)絡(luò)對YL聯(lián)盟的六家候選伙伴進行評價。通過對表1中的數(shù)據(jù)進行標準化，按照訓(xùn)練樣本提取的主成分因子載荷計算各主成分值，并作為已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)的輸入值，對各候選企業(yè)進行綜合分析評價，得到的仿真結(jié)果如下：Network1_outputs1(testy)：[0.77461 0.59823 0.725640.69304 0.823610.44015]， 輸 出結(jié)果分別依次對應(yīng)六家候選企業(yè)I、II、III、IV、V、VI，從結(jié)果可知，企業(yè)V是最適宜的候選伙伴，企業(yè)VI是最不適宜的合作伙伴，而企業(yè)I和III則可作為后備伙伴。

五、結(jié)論

在分析當前中小物流企業(yè)聯(lián)盟伙伴選擇研究及實踐中存在的問題基礎(chǔ)上，根據(jù)中小物流企業(yè)聯(lián)盟成員數(shù)量多，影響因素復(fù)雜等特點，在成員選擇中需要重點考慮戰(zhàn)略兼容性、長期穩(wěn)定性、合作過程中的業(yè)務(wù)協(xié)同性和聯(lián)盟發(fā)展能力，因此從物流服務(wù)質(zhì)量、企業(yè)成本、財務(wù)風險、企業(yè)發(fā)展?jié)摿?、企業(yè)柔性和兼容性六個方面建立較為系統(tǒng)全面的聯(lián)盟伙伴選擇的指標體系。根據(jù)PCA和BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用原理和特點，結(jié)合中小物流企業(yè)聯(lián)盟伙伴選擇實際，建立了基于PCA-BP神經(jīng)網(wǎng)絡(luò)的中小物流企業(yè)聯(lián)盟伙伴選擇模型。利用PCA在保證數(shù)據(jù)信息損失最少的原則下對數(shù)據(jù)進行降維，把多個指標屬性轉(zhuǎn)化為少數(shù)綜合指標，避免了屬性之間的共線性問題，將主成分分析的結(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸入層，減少了神經(jīng)網(wǎng)絡(luò)的神經(jīng)元個數(shù)，簡化了網(wǎng)絡(luò)拓撲結(jié)構(gòu)，加快了計算速度。結(jié)合BP神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)學(xué)習(xí)能力，可以從外界獲取信息進行存儲，自動提取規(guī)律進行求解，避免了確定權(quán)重過程中的人為主觀因素，可有效改進物流聯(lián)盟伙伴選擇的準確性與客觀性。該方法克服了當前聯(lián)盟成員選擇決策方法操作性差的弱點，改進的方法更加科學(xué)合理。將該模型在YL聯(lián)盟的伙伴選擇實例中應(yīng)用，利用SPSS軟件和Matlab軟件對模型進行數(shù)據(jù)處理與仿真的實現(xiàn)，驗證了模型的可行性和有效性，評價結(jié)果客觀有效，可以成為中小物流企業(yè)聯(lián)盟伙伴選擇中簡便靈活、可操作性較強的工具。

表1 YL聯(lián)盟現(xiàn)有成員基本情況

表2 BP神經(jīng)網(wǎng)絡(luò)的模型檢測結(jié)果

[1]交通運輸部道路運輸司.貨運與物流企業(yè)轉(zhuǎn)型發(fā)展典型案例 [M].北京：人民交通出版社，2013.

[2]李強.運輸企業(yè)聯(lián)盟組建及其合作伙伴選擇研究 [D].長春:吉林大學(xué)，2007.

[3]陳飛兒，張仁頤.物流企業(yè)聯(lián)盟伙伴的選擇 [J].上海海事大學(xué)學(xué)報，2004(3):47-50.

[4]夏維力，楊海光.基于BP神經(jīng)網(wǎng)絡(luò)的虛擬企業(yè)合作伙伴選擇研究[J].科技進步與對策，2006(11)：43-145.

[5]Das TKTeng(B-S).Instabilities ofStrategic Alliances：An Internal Tensions Perspective[J].Organization Science，2000(11)：77-101.