2023年基于主成分与灰色关联分析的供应商评价选择研究.doc

基于主成分与灰色关联分析的供给商评价选择研究 摘 要：为了克服主观赋权法〔如AHP方法〕在确定供给商评价指标权重时的主观性以及多指标综合评价的信息重叠性,本文基于主成分分析的方法，客观地揭示出各评价指标的重要性，从而确定权重并提取多指标的主成分。在此根底上,结合灰色关联分析方法,建立了一套更具客观性与准确性的供给商评选组合方法，并给出具体的计算方法和实例分析,结果具有良好的性质，方法简单、利于实现。 关键词：供给商选择；主成分分析；灰色关联分析；组合方法 Research on Supplier Selection and Evaluation Based on Principal Component Analysis and Grey Relevance Analysis Abstract: In order to overcome the subjectivity of subjective weighting method (like AHP) in determining supplier evaluation index-weight and information overlapping of multiple attribute synthetical evaluation method, this paper bases on principal component analysis method, reveals the importance of each evaluation index objectively, and then determines weight and picks up the principal component of multiple attribution. On that base, integrate with grey relevance analysis method, builds a set of supplier evaluating combination method, which is more objective and more accurate. The paper also supplies the specific computation method and its application, the result has high quality and the method is easy to be implemented. Key words: supplier selection; principal component analysis; grey relevance analysis; combination method 1 引言 随着经济全球化的不断深入开展，昔日企业所采用的集采购、设计、制造到销售全面自行负责的纵向一体化的经营管理模式已经丧失固有优势，在此情形下，就要求企业加强与合作伙伴的合作， 要求企业将自身业务与合作伙伴业务集成在一起, 缩短相互间的距离，站在整体供给链的观点考虑增值。于是，供给链管理〔SCM〕也日渐成为各企业管理不可或缺的一局部。而在供给链管理环境下，供给商的选择[1]评价那么是整个供给链竞争力的关键，合理选择供给商将有助于降低本钱、增强企业柔性、提高企业整体竞争力。因此，进行科学全面的供给商评价就显得十分必要。本文根据企业对供给商绩效的要求及企业自身特点，在合理构建供给商的评价指标体系的根底上，首先采用主成分分析法，提取主要影响因子，进一步结合灰色关联分析模型对供给商进行综合评价，最后基于评价结果选择供给商。 2 供给商选择与评价指标构建 评价作为决策的根底，企业只有建立了合理的指标体系之后，才能进行有效的评价，进而指导其决策。作为供给商的选择，企业要对其供给商做出全面系统的评价, 就必须要建立一套完整、科学、全面的综合指标评价体系，全面权衡各种因素做出评价。本文从最大化供给链绩效的目标出发， 遵循系统性、独立性、可行性、易获取性的原那么， 建立具体指标[2]如下: 效劳水平指标，包括产品价格、准时交货率、售后效劳、地理位置；经营能力指标，包括经营效益、供给能力、市场影响度；技术水平指标，包括技术含量、产品质量；在上述指标中，产品质量、技术水平、供给能力、经济效益、准时交货率属于效益型指标，其值越大越好，而产品价格、售后效劳、地理位置那么属于本钱型指标，其值越小越好。 3 主成分分析方法原理及步骤 3.1 主成分分析的原理 主成分分析[3](Principal Component Analysis)也称主分量分析, 是Hotelling于1933 年首先提出的。主成分分析法主要利用降维的思路,在不损失或较少损失原有信息的前提下，从原来个数较多且相关性交大的原始变量中导出少数几个新的彼此独立或不相关的综合变量的方法，这些综合变量就称为主成分。 主成分分析的根本原理[4]如下： 设有个指标，这个指标客观的反映了评价对象的各个特征，因此每个对象测定到的个指标值就是一个样本值，它是一个维向量。如果测定了个对象，那么就有了个维向量，可以用下面的矩阵表示： 每一行就是一个样本的测定值。可用数据矩阵的个向量表示： 上述方程组中满足条件：且系数有以下原那么决定： 〔1〕与不相关； 〔2〕，分别为第1，2，个主成分。 在实际问题的解决中，并不一定要取个主成分，而是根据累计奉献率的大小取前个。记第主成分的奉献率为，那么，有相关数学知识可以证明，因此，第主成分的奉献率就是第主成分的方差在全部方差之和中所占的比重，该值越大，那么说明第主成分综合信息的能力越强。前个主成分 的累计奉献率定义为。如果，那么说明前个主成分根本包含了全部测量指标所具有的信息，这样既减少了变量的个数，又便于对实际问题进行分析和研 究。 3.2 主成分分析法评价的步骤[5] 〔1〕收集个供给商关于以上9个指标的具体数值； 〔2〕对收集数据进行标准化和同趋化处理，因为各指标其量纲不同，且数据对最终结果的效应〔正负向〕不一致。本文采用以下方式对数据进行标准化及同趋化变换： 表示待选供给商的个数，表示指标个数；式中，前者适用于效益指标，后者适用于本钱指标； 〔3〕将〔2〕中变换数据进行标准化处理，然后求其协方差矩阵，即原始数据的相关系数矩阵； 〔4〕计算〔3〕中所得相关系数矩阵的特征根及其相应的标准正交矩阵； 〔5〕根据前个特征值在全部特征值中累计所占的百分率〔一般为85%〕的原那么，确定所要提取的前个主成分； 〔6〕将主成分有各指标表示，计算主成分得分； 〔7〕根据各主成分所占百分比构造适当的主成分价值函数模型, 进一步把维系统降成1维系统，进而求得各供给商的综合得分值。 4　灰色关联选择模型 灰色关联分析[6]是系统态势的量化比拟分析，其实质就是比拟假设干数列所构成的曲线与理想〔标准〕数列所构成的曲线几何形状的接近程度，几何形状越接近，其关联度越大，根据关联度大小顺序就可反映出评价对象的优劣次序。 本文采用灰色关联分析来评价选择供给商的根本思路[7]是：以被评价供给商企业的各项指标作为比拟数列，以各项指标对应的最正确值作为参考数列，求关联度。关联度越大，说明被评价供给商的竞争力越强，反之，那么竞争力越弱。因此，关联度的大小顺序，就是被评价供给商竞争力强弱的次序。其具体步骤[8]如下： 1) 确定比拟数列(评价对象) 和参考数列(评价标准)设评价对象为 个,评价指标为 个，那么比拟数列为，取每个指标的最正确值，为参考数列的实体,那么有参考数列= 其中. 2〕指标的标准化处理同3.2. 3〕计算关联系数 = 式中：是比拟数列于参考数列在第个评价指标上的相对差值,称为对在指标的关联系数；是分辨系数，且0 ≤≤1，通常取为0.5. 4〕计算灰色加权关联度 关联度的计算公式为： 5〕评价分析 根据关联度的大小，对各供给商进行排序，关联度的大小顺序即为供给商企业竞争力的优劣顺序。 五 供给商选择的PCA-GRA模型[9]实例分析 为更好地说明主成分分析法的应用，下面给出一个具体算例，以使问题的说明更加直观。A企业需要在6个待选的零部件供给商中选择一个合作伙伴，各供给商有关数据如下表1示： 表1 A企业待选供给商的指标评价有关数据 评价指标 待选供给商 1 2 3 4 5 6 1.产品质量 0.83 0.9 0.99 0.92 0.87 0.95 2.产品价格/元 326 295 340 287 310 303 3.地理位置/千米 21 38 25 19 27 10 4.售后效劳/小时 3.2 2.4 2.2 2 0.9 1.7 5.技术水平 0.2 0.25 0.12 0.33 0.2 0.09 6.经济效益 0.15 0.2 0.14 0.09 0.15 0.17 7.供给能力 250 180 300 200 150 175 8.市场影响度 0.23 0.15 0.27 0.3 0.18 0.26 9.交货情况 0.87 0.95 0.99 0.89 0.82 0.94 如前所述，根据指标的具体含义对其进行同趋化及标准化转换，数据结果如表2所示： 表2 原指标矩阵同趋化及标准化转换后矩阵 指标 供 应商 指标1 指标2 指标3 指标4 指标5 指标6 指标7 指标8 指标9 1 0 0.2642 0.6071 0 0.4583 0.5455 0.6667 0.5333 0.2941 2 0.4375 0.8491 0 0.3478 0.6667 1.0000 0.2023 0 0.7647 3 1.0000 0 0.4643 0.4348 0.1250 0.4545 1.0000 0.8000 1.0000 4 0.5625 1.0000 0.6786 0.5217 1.0000 0 0.3333 1.0000 0.4118 5 0.2500 0.5660 0.3929 1.0000 0.4583 0.5455 0 0.2023 0 6 0.7500 0.6981 1.0000 0.6522 0 0.7273 0.1667 0.7333 0.7059 将表2中转换后数据输入spss16.0经标准化处理后，得到的相关系数矩阵如表3： 表3 各指标间相关系数矩阵 变量 1 -0.135 1 0.208 -0.016 1 0.239 0.281 0.095 1 -0.404 0.623 -0.371 -0.113 1 -0.106 -0.053 -0.420 -0.087 -0.424 1 0.328 -0.774 0.036 -0.615 -0.254 -0.247 1 0.486 -0.102 0.750 -0.098 -0.056 -0772 0.457 1 0.787 -0.231 -0.059 -0.314 -0.384 0