自從計算機在20世紀50年代進入商業應用領域以來，各種形式的信息技術外包（IT outsourcing）就一直存在，但是直到最近十幾年信息技術外包服務才盛行。外包賦予了組織應對快速變化的全球經濟所必需的靈活性，同時也使組織在競爭激烈的市場環境中能將精力集中于組織的核心競爭力上。外包服務商（Vendor）通常在規模經濟、經驗以及對最新技術的掌握等方面具有明顯優勢，這些優勢是單個組織的信息技術部門所難以媲及的。據IDC數據顯示，2004年中國IT外包服務市場整體規模已達到5.02億美元，同比增長率達到38.5％。IDC預測IT外包服務市場2004～2009年復合增長率為39.9%，2009年市場規模將達到26.9億美元。IT服務市場的快速發展給IT服務商帶來很多機遇，但中國IT服務市場屬于極度分散型市場，共有八千多家廠商活躍在不同的IT服務領域。目前市場上存在著大量的IT服務商，其規模、實力和服務能力差異巨大，這無疑給企業用戶選擇合適的外包服務商帶來了極大困難。一般服務供應商評價包括評價體系和評價方法兩部分。就評價體系，Muralidharan、C.C. LI、Michell等學者從不同的角度進行了闡述；目前常見的評價方法有線性權重計分法、統計法、層次分析法。本文針對信息技術外包的特點，建立了一套簡單有效、切實可行的IT外包服務商評價體系, 并結合傳統的層次分析法提出了一種基于離散型Hopfield神經網絡的評價模型,旨在幫助企業用戶便捷地選擇合適的外包服務商。
1 信息技術外包服務商評價指標體系
　　針對信息技術外包的特點，綜合考慮各種因素后，本文確定了七個外包服務商評價指標。具體運用時，企業還應根據實際情況和需要進行適當的指標增減和修正。
　　(1)管理方法和技術團隊A1：該指標考察外包服務商是否具有成熟的管理方法和專業的技術團隊，從而確保企業獲得預定水平的支持服務，集中精力于自身所擅長的業務，提高核心競爭力，最終實現向“動成長企業”的過渡。
　　(2)相關外包服務經驗A2：該指標考察外包服務商是否有豐富的相關經驗，從而能按照客戶業務、行業和市場需求來整體協調IT戰略和應用方案，并將對客戶業務的了解體現在其提供和管理的IT產品以及服務上。
　　(3)系統整合能力A3：該指標考察外包服務商的整合能力，包括將現有系統的數據整合到新的應用程序中，把不同的業務模塊整合到完全不同的應用程序并保證整合之后產生更大的協作效應等。
　　(4)需求變化響應能力A4：該指標考察外包服務商對企業需求及其IT環境變化的響應能力，即服務商是否能根據客戶需求的發展變化，有針對性地靈活添加、刪除或者調整相應的服務內容，而不是墨守事先定義好的千篇一律的套路。
　　(5)保持最新信息和通訊技術(ICTs)的能力A5：該指標考察外包服務商是否能保持最新的信息和通訊技術，從而使企業客戶能夠及時跟蹤并應用IT行業的前沿技術，與行業的發展保持同步，用最先進的技術和設備享受最便捷的服務。
　　(6)文化匹配（cultural fit/cultural match）A6：該指標考察外包服務商的企業文化與客戶企業文化的匹配程度。客戶在與有著相似價值觀和工作慣例的服務商工作時更容易實現預定目標，避免分歧沖突。
　　(7)財務狀況A7：該指標考察外包服務商的財政穩定性，尤其是長期經營狀況和生存潛力。若企業所選的服務商財務狀況不佳，不能完整地履行合同，中途停止服務，勢必會給企業帶來極大的損失和運行管理上的失控。
2 信息技術外包服務商評價模型
　　外包服務商評價是一個包含定性因素和定量因素的多目標評價問題。層次分析法（AHP）是一個非常有效的方法，其不僅考慮了不確定性和主觀性因素，而且其層次結構" title="層次結構">層次結構關系本身能對影響外包服務商的各個因素之間的相關性做出理性判斷。本文提出的基于Hopfield網絡的評價模型是在層次分析方法的基礎上, 根據評價指標權重對神經元分組, 從而給出對外包服務商更恰當的評價結果。下面介紹其評價步驟。
2.1 確定外包服務商評價指標集
　　建立系統分析的層次結構，確定外包服務商評價指標總數m。
2.2 層次分析法確定權重
　　(1)構造判斷矩陣：確定各指標之間相對重要程度比值,這些比值通常由專家按照Saaty(1980)提出的相對重要性等級表(如表1所示)給出。這些比值構成一個N×N的判斷矩陣A。

　　(2)求解判斷矩陣A的最大" title="最大">最大特征值λmax下的特征向量" title="特征向量">特征向量：對特征向量進行標準化,使該特征向量的所有分量之和為1，然后將此向量作為對應各項指標的權重。
2.3 Hopfield神經網絡評價
　　Hopfield 神經網絡是一種全連接、反饋型網絡，包括離散型和連續型兩種。離散型Hopfield 神經網絡(簡稱DHNN)是一種單層的、輸入輸出均為二值的神經網絡，其結構如圖1 所示。網絡的輸入為I₁，I₂，…I_n，輸出為V₁，V₂，…V_n，輸入與輸出的關系為：

　　式(2)中，sgn(·)為對稱型階躍函數，輸出為+1和-1。W=[w_ij]_n×n為網絡的連接權陣，其元素w_ij表示第i個神經元到第j個神經元的連接權重。
　　Hopfield 神經網絡狀態的演變過程是一個復雜的非線性動力系統，系統的穩定性可用“能量函數”分析。在滿足一定條件下，網絡的能量不斷減小，最后收斂于系統的穩定點。若把系統的穩定點視作一個記憶，則從初態向這個穩定點流動的過程，就是尋找該記憶的過程。DHNN主要用于聯想記憶，當輸入的向量I作為一個初值時，網絡通過反饋演化，從網絡輸出端得到一個向量V。V是從初值I演化而聯想到的一個穩定記憶。如果用它解決外包服務商評價問題，首先要設計W和I，使記憶模式的樣本對應于網絡的穩定點，這相當于神經網絡的訓練過程。訓練出的記憶模式與外包服務商評價的標準分級相對應，然后將待評價的數據(即待評價的外包服務商)作為新的初態。網絡把初態看作一種新的提示模式(即發生某些變形和含有噪聲的記憶模式)，回憶出離它“最近”的一種記憶模式。這就是聯想記憶過程。
　　用Hopfield網絡進行評價，分為記憶和聯想兩個過程。用外積型法設計可分為以下幾步：
　　(1)根據需要記憶的樣本V¹，…，V^m，按下式計算權重：
　　

　　這樣，V^l就回到已學習過的某個記憶樣本上。
　　由于各個評價指標都具有不同的權重，所以評價時必須考慮權重的影響。如何在離散型神經網絡中表達各項指標的權重，是一個比較困難的問題。本文根據各評價指標的權重，對神經元進行合理分組，從而解決了這一難題。同組的神經元都對應同一個評價指標，指標的權重越大，其對應的組所包含的神經元數目越多，對神經網絡的評價結果影響越大。具體作法如下：
　　設評價指標總數目為m，各項指標的權重在標準化后分別為設權重w_i對應的組為G_i,則G_i所包含的神經元數n_i為：

　　n_i=RND(100×w_i)?????????????????????? (7)
　　式(7)中，RND(·)為取整函數，按四舍五入原則運算，采用末位最大進位原則對ni進行特定處理，保證其總和為100。在記憶模式中,同組的神經元取相同的值；在提示模式(待評價數據)中，同組的神經元也取相同的值，都等于該組所對應指標的輸入數據。由于這些同組的神經元在記憶和聯想過程中取值相同，所以對評價結果產生“同一”的作用。指標的權重越大，其對應的組所包含的神經元數目越多，“同一”的作用力越大，對神經網絡的評價結果影響越大。這樣，就把權重的作用包含到評價結果中。每個級別神經網絡所包含的神經元總數N為：
　　
　　Hopfield的記憶容量為(0.13～0.15)N。當N取100時，對應的記憶容量為13～15。如果記憶模式的樣本數小于13，則按此設計出的Hopfield網絡合理可行。
3 實例分析
　　設某企業IT外包時有8 家服務商可供選擇,通過決策人和相關專家的討論，按照上述信息技術外包服務商評價指標體系給出了如下的判斷矩陣A：
　　
　　求解判斷矩陣A在最大特征值下的特征向量，并經一致性檢驗，得到各個指標的權重，如表2所示。

　　將每個指標分為8級，按上述每一個級別的神經網絡所包含的神經元總數N取100，則在評價過程中共需800個神經元。在每一個級別中，指標A1用34個神經元表示，指標A2用7個神經元表示，其它指標依此類推。在8個級別中，1級表示該指標得分最低，8級表示得分最高。級數越高，表示該指標的得分越高，表現越好。
　　由決策人和專家根據外包服務商的申請材料并通過實際考察，評出其各項指標得分，如表3所示。

　　根據本文提出的方法，用Matlab編制了計算程序。首先訓練神經網絡，使其具有8個記憶模式，對應于服務商評價結果的8個級別。經過訓練網絡達到輸出穩定后，各個級別的神經元狀態如表4所示，此為該網絡評價模型的初態。在訓練完成后，把上述8個服務商的數據分別代入程序進行評價，計算結果如表5所示。

?