自从计算机在20世纪50年代进入商业应用领域以来，各种形式的信息技术外包（IT outsourcing）就一直存在，但是直到最近十几年信息技术外包服务才盛行。外包赋予了组织应对快速变化的全球经济所必需的灵活性，同时也使组织在竞争激烈的市场环境中能将精力集中于组织的核心竞争力上。外包服务商（Vendor）通常在规模经济、经验以及对最新技术的掌握等方面具有明显优势，这些优势是单个组织的信息技术部门所难以媲及的。据IDC数据显示，2004年中国IT外包服务市场整体规模已达到5.02亿美元，同比增长率达到38.5％。IDC预测IT外包服务市场2004～2009年复合增长率为39.9%，2009年市场规模将达到26.9亿美元。IT服务市场的快速发展给IT服务商带来很多机遇，但中国IT服务市场属于极度分散型市场，共有八千多家厂商活跃在不同的IT服务领域。目前市场上存在着大量的IT服务商，其规模、实力和服务能力差异巨大，这无疑给企业用户选择合适的外包服务商带来了极大困难。一般服务供应商评价包括评价体系和评价方法两部分。就评价体系，Muralidharan、C.C. LI、Michell等学者从不同的角度进行了阐述；目前常见的评价方法有线性权重计分法、统计法、层次分析法。本文针对信息技术外包的特点，建立了一套简单有效、切实可行的IT外包服务商评价体系, 并结合传统的层次分析法提出了一种基于离散型Hopfield神经网络的评价模型,旨在帮助企业用户便捷地选择合适的外包服务商。
1 信息技术外包服务商评价指标体系
　　针对信息技术外包的特点，综合考虑各种因素后，本文确定了七个外包服务商评价指标。具体运用时，企业还应根据实际情况和需要进行适当的指标增减和修正。
　　(1)管理方法和技术团队A1：该指标考察外包服务商是否具有成熟的管理方法和专业的技术团队，从而确保企业获得预定水平的支持服务，集中精力于自身所擅长的业务，提高核心竞争力，最终实现向“动成长企业”的过渡。
　　(2)相关外包服务经验A2：该指标考察外包服务商是否有丰富的相关经验，从而能按照客户业务、行业和市场需求来整体协调IT战略和应用方案，并将对客户业务的了解体现在其提供和管理的IT产品以及服务上。
　　(3)系统整合能力A3：该指标考察外包服务商的整合能力，包括将现有系统的数据整合到新的应用程序中，把不同的业务模块整合到完全不同的应用程序并保证整合之后产生更大的协作效应等。
　　(4)需求变化响应能力A4：该指标考察外包服务商对企业需求及其IT环境变化的响应能力，即服务商是否能根据客户需求的发展变化，有针对性地灵活添加、删除或者调整相应的服务内容，而不是墨守事先定义好的千篇一律的套路。
　　(5)保持最新信息和通讯技术(ICTs)的能力A5：该指标考察外包服务商是否能保持最新的信息和通讯技术，从而使企业客户能够及时跟踪并应用IT行业的前沿技术，与行业的发展保持同步，用最先进的技术和设备享受最便捷的服务。
　　(6)文化匹配（cultural fit/cultural match）A6：该指标考察外包服务商的企业文化与客户企业文化的匹配程度。客户在与有着相似价值观和工作惯例的服务商工作时更容易实现预定目标，避免分歧冲突。
　　(7)财务状况A7：该指标考察外包服务商的财政稳定性，尤其是长期经营状况和生存潜力。若企业所选的服务商财务状况不佳，不能完整地履行合同，中途停止服务，势必会给企业带来极大的损失和运行管理上的失控。
2 信息技术外包服务商评价模型
　　外包服务商评价是一个包含定性因素和定量因素的多目标评价问题。层次分析法（AHP）是一个非常有效的方法，其不仅考虑了不确定性和主观性因素，而且其层次结构" title="层次结构">层次结构关系本身能对影响外包服务商的各个因素之间的相关性做出理性判断。本文提出的基于Hopfield网络的评价模型是在层次分析方法的基础上, 根据评价指标权重对神经元分组, 从而给出对外包服务商更恰当的评价结果。下面介绍其评价步骤。
2.1 确定外包服务商评价指标集
　　建立系统分析的层次结构，确定外包服务商评价指标总数m。
2.2 层次分析法确定权重
　　(1)构造判断矩阵：确定各指标之间相对重要程度比值,这些比值通常由专家按照Saaty(1980)提出的相对重要性等级表(如表1所示)给出。这些比值构成一个N×N的判断矩阵A。

　　(2)求解判断矩阵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：对特征向量进行标准化,使该特征向量的所有分量之和为1，然后将此向量作为对应各项指标的权重。
2.3 Hopfield神经网络评价
　　Hopfield 神经网络是一种全连接、反馈型网络，包括离散型和连续型两种。离散型Hopfield 神经网络(简称DHNN)是一种单层的、输入输出均为二值的神经网络，其结构如图1 所示。网络的输入为I₁，I₂，…I_n，输出为V₁，V₂，…V_n，输入与输出的关系为：

　　式(2)中，sgn(·)为对称型阶跃函数，输出为+1和-1。W=[w_ij]_n×n为网络的连接权阵，其元素w_ij表示第i个神经元到第j个神经元的连接权重。
　　Hopfield 神经网络状态的演变过程是一个复杂的非线性动力系统，系统的稳定性可用“能量函数”分析。在满足一定条件下，网络的能量不断减小，最后收敛于系统的稳定点。若把系统的稳定点视作一个记忆，则从初态向这个稳定点流动的过程，就是寻找该记忆的过程。DHNN主要用于联想记忆，当输入的向量I作为一个初值时，网络通过反馈演化，从网络输出端得到一个向量V。V是从初值I演化而联想到的一个稳定记忆。如果用它解决外包服务商评价问题，首先要设计W和I，使记忆模式的样本对应于网络的稳定点，这相当于神经网络的训练过程。训练出的记忆模式与外包服务商评价的标准分级相对应，然后将待评价的数据(即待评价的外包服务商)作为新的初态。网络把初态看作一种新的提示模式(即发生某些变形和含有噪声的记忆模式)，回忆出离它“最近”的一种记忆模式。这就是联想记忆过程。
　　用Hopfield网络进行评价，分为记忆和联想两个过程。用外积型法设计可分为以下几步：
　　(1)根据需要记忆的样本V¹，…，V^m，按下式计算权重：
　　

　　这样，V^l就回到已学习过的某个记忆样本上。
　　由于各个评价指标都具有不同的权重，所以评价时必须考虑权重的影响。如何在离散型神经网络中表达各项指标的权重，是一个比较困难的问题。本文根据各评价指标的权重，对神经元进行合理分组，从而解决了这一难题。同组的神经元都对应同一个评价指标，指标的权重越大，其对应的组所包含的神经元数目越多，对神经网络的评价结果影响越大。具体作法如下：
　　设评价指标总数目为m，各项指标的权重在标准化后分别为设权重w_i对应的组为G_i,则G_i所包含的神经元数n_i为：

　　n_i=RND(100×w_i)                       (7)
　　式(7)中，RND(·)为取整函数，按四舍五入原则运算，采用末位最大进位原则对ni进行特定处理，保证其总和为100。在记忆模式中,同组的神经元取相同的值；在提示模式(待评价数据)中，同组的神经元也取相同的值，都等于该组所对应指标的输入数据。由于这些同组的神经元在记忆和联想过程中取值相同，所以对评价结果产生“同一”的作用。指标的权重越大，其对应的组所包含的神经元数目越多，“同一”的作用力越大，对神经网络的评价结果影响越大。这样，就把权重的作用包含到评价结果中。每个级别神经网络所包含的神经元总数N为：
　　
　　Hopfield的记忆容量为(0.13～0.15)N。当N取100时，对应的记忆容量为13～15。如果记忆模式的样本数小于13，则按此设计出的Hopfield网络合理可行。
3 实例分析
　　设某企业IT外包时有8 家服务商可供选择,通过决策人和相关专家的讨论，按照上述信息技术外包服务商评价指标体系给出了如下的判断矩阵A：
　　
　　求解判断矩阵A在最大特征值下的特征向量，并经一致性检验，得到各个指标的权重，如表2所示。

　　将每个指标分为8级，按上述每一个级别的神经网络所包含的神经元总数N取100，则在评价过程中共需800个神经元。在每一个级别中，指标A1用34个神经元表示，指标A2用7个神经元表示，其它指标依此类推。在8个级别中，1级表示该指标得分最低，8级表示得分最高。级数越高，表示该指标的得分越高，表现越好。
　　由决策人和专家根据外包服务商的申请材料并通过实际考察，评出其各项指标得分，如表3所示。

　　根据本文提出的方法，用Matlab编制了计算程序。首先训练神经网络，使其具有8个记忆模式，对应于服务商评价结果的8个级别。经过训练网络达到输出稳定后，各个级别的神经元状态如表4所示，此为该网络评价模型的初态。在训练完成后，把上述8个服务商的数据分别代入程序进行评价，计算结果如表5所示。