程平 施陽 張菁

【摘 要】 國內(nèi)大循環(huán)為主體、國內(nèi)國際雙循環(huán)相互促進(jìn)的新發(fā)展格局有力推動(dòng)了自營電商企業(yè)供應(yīng)鏈的協(xié)同創(chuàng)新和優(yōu)化。在新發(fā)展格局下，國內(nèi)市場的擴(kuò)大和競爭的加劇對自營電商的供應(yīng)商選擇提出了更高的要求，供應(yīng)商選擇的質(zhì)量和穩(wěn)定性成為自營電商市場競爭力的重要影響因素。文章引入機(jī)器學(xué)習(xí)方法，構(gòu)建了基于SVM-VIKOR的自營電商供應(yīng)商選擇模型。首先，分析了自營電商經(jīng)營特性和SVM-VIKOR算法對自營電商供應(yīng)商選擇的適用性；其次，基于供應(yīng)商QCDS原則，通過采集供應(yīng)商的供貨能力、經(jīng)營情況、成本控制等方面數(shù)據(jù)，進(jìn)行數(shù)據(jù)清洗、轉(zhuǎn)換和歸一化處理，基于評估指標(biāo)提取特征，拆解成多個(gè)變量特征；然后，利用SVM-VIKOR算法進(jìn)行模型測試和結(jié)果分析，對供應(yīng)商進(jìn)行分類與排序，從而選出最佳供應(yīng)商；最后，通過自營電商S企業(yè)案例驗(yàn)證了模型的有效性，以期為同類企業(yè)提供參考和借鑒。

【關(guān)鍵詞】 供應(yīng)商選擇； 自營電商； 機(jī)器學(xué)習(xí)

【中圖分類號】 F406.7? 【文獻(xiàn)標(biāo)識碼】 A? 【文章編號】 1004-5937（2023）13-0147-09

一、引言

黨的二十大報(bào)告強(qiáng)調(diào)提升產(chǎn)業(yè)鏈、供應(yīng)鏈韌性和安全水平，對推動(dòng)高質(zhì)量發(fā)展、建設(shè)現(xiàn)代化經(jīng)濟(jì)體系、實(shí)現(xiàn)供應(yīng)鏈的協(xié)同創(chuàng)新和優(yōu)化具有重要指導(dǎo)意義。產(chǎn)業(yè)鏈和供應(yīng)鏈?zhǔn)乾F(xiàn)代產(chǎn)業(yè)的核心組成部分，供應(yīng)商在供應(yīng)鏈中扮演重要角色，企業(yè)在采購行為的每個(gè)階段都涉及供應(yīng)商的選擇、管理和協(xié)作。自營電商作為一種將供應(yīng)商處采購的商品存儲到自有倉庫，然后再通過自有平臺進(jìn)行銷售的電子商務(wù)模式，其對供應(yīng)商的依賴度高于傳統(tǒng)電商平臺[1]。企業(yè)交易所產(chǎn)生的供應(yīng)商數(shù)據(jù)和產(chǎn)品信息數(shù)量龐大、種類繁多，對其數(shù)據(jù)處理與分析能力和供應(yīng)商選擇的效率提出了更高的要求。而傳統(tǒng)的供應(yīng)商選擇方法存在主觀性強(qiáng)、指標(biāo)單一、缺乏數(shù)據(jù)分析和決策支持、無法進(jìn)行量化評估、難以適應(yīng)復(fù)雜的市場環(huán)境等缺陷[2]。伴隨著數(shù)字經(jīng)濟(jì)和實(shí)體經(jīng)濟(jì)的深度融合，數(shù)字技術(shù)為自營電商平臺的供應(yīng)商選擇提供了新路徑[3]。利用科學(xué)的數(shù)據(jù)分析技術(shù)，能夠?qū)崿F(xiàn)資源的高效利用，有助于提高選擇的精度和可靠性，彌補(bǔ)傳統(tǒng)供應(yīng)商選擇方法主觀性強(qiáng)、精確度不高、未考慮自營電商自身特性等缺陷。

供應(yīng)商選擇指企業(yè)在采購物資、服務(wù)和原材料等方面，根據(jù)其需求和要求，通過評估不同供應(yīng)商的優(yōu)劣，選定最優(yōu)供應(yīng)商進(jìn)行合作[4]。有關(guān)供應(yīng)商選擇的研究可追溯到1996年，Dickson[5]認(rèn)為，供應(yīng)商選擇最重要的指標(biāo)是質(zhì)量，此外，交貨、歷史效益、價(jià)格、技術(shù)能力和經(jīng)營狀況等7個(gè)因素也是非常重要的指標(biāo)。Zeydan et al.[6]將AHP-模糊TOPSIS-DEA結(jié)合，通過指標(biāo)定權(quán)-排序-審核的方法為土耳其汽車制造廠商選擇合適的供應(yīng)商。伴隨著“四新經(jīng)濟(jì)”的快速發(fā)展，已有不少學(xué)者在數(shù)學(xué)模型的基礎(chǔ)上引入數(shù)據(jù)包絡(luò)分析法、層次分析法、網(wǎng)絡(luò)分析法等對供應(yīng)商選擇進(jìn)行改革。門業(yè)■等[7]構(gòu)建了基于博弈論組合賦權(quán)的模糊綜合評價(jià)模型，通過AHP與因子分析法分別定權(quán)、博弈論組合賦權(quán)的方式對供應(yīng)商分類，為國家電網(wǎng)對電力供應(yīng)商綜合評價(jià)提供了參考。Liu et al.[8]聚焦跨境電子商務(wù)背景，基于區(qū)塊鏈技術(shù)，開發(fā)了一套包含多鏈結(jié)構(gòu)模型、數(shù)據(jù)管理模型和區(qū)塊結(jié)構(gòu)模型的跨境電商供應(yīng)鏈框架，以實(shí)現(xiàn)供應(yīng)鏈管理中產(chǎn)品和交易的可追溯性。溫志強(qiáng)等[9]以中石化國勘公司供應(yīng)鏈轉(zhuǎn)型為例，基于動(dòng)態(tài)能力理論剖析了企業(yè)數(shù)字化轉(zhuǎn)型對供應(yīng)鏈的作用，研究表明供應(yīng)鏈數(shù)字化轉(zhuǎn)型提升了供應(yīng)商管理等多環(huán)節(jié)的敏捷度。對于電商企業(yè)的供應(yīng)商選擇，程平等[2]以自營電商為研究對象，對供應(yīng)商健康度進(jìn)行定義，并通過層次分析——灰色關(guān)聯(lián)分析（AHP-GRA）方法對供應(yīng)商健康度進(jìn)行評估，提升了供應(yīng)商健康度評估的客觀性和效率。李昀洲等[10]根據(jù)顧客購買商品時(shí)的需求關(guān)聯(lián)性現(xiàn)象，通過應(yīng)用FP-Growth算法和構(gòu)建雙目標(biāo)隨機(jī)規(guī)劃數(shù)學(xué)模型的方式，探究有限庫存容量下的多供應(yīng)商電商庫存分配問題。

縱觀現(xiàn)有研究，供應(yīng)商管理研究更多聚焦于對供應(yīng)商選擇指標(biāo)體系構(gòu)建、庫存管理研究和進(jìn)貨量的預(yù)測等方面，且研究對象較多集中在制造型企業(yè)。在大數(shù)據(jù)背景下，自營電商企業(yè)的供應(yīng)商選擇與一般制造業(yè)企業(yè)有所不同，單純地按照傳統(tǒng)方式進(jìn)行梳理和優(yōu)化，無法結(jié)合自營電商經(jīng)營模式的特點(diǎn)進(jìn)行供應(yīng)商選擇。機(jī)器學(xué)習(xí)（Machine Learning）作為人工智能的重要分支，可以讓計(jì)算機(jī)在沒有明確的指示下也能夠進(jìn)行任務(wù)，通過對數(shù)據(jù)的分析和學(xué)習(xí)，發(fā)現(xiàn)數(shù)據(jù)背后的規(guī)律和模式，并能對未知數(shù)據(jù)進(jìn)行預(yù)測和分類[11]。Cavalcante et al.[12]利用模擬和有監(jiān)督的機(jī)器學(xué)習(xí)算法相結(jié)合的方法，將按時(shí)交付作為供應(yīng)商選擇的關(guān)鍵指標(biāo)，通過利用數(shù)字制造中的數(shù)據(jù)分析功能來分析不確定情況下供應(yīng)商績效的風(fēng)險(xiǎn)狀況。陳峰等[13]基于電力供應(yīng)鏈網(wǎng)絡(luò)，通過大數(shù)據(jù)與機(jī)器學(xué)習(xí)結(jié)合的方法構(gòu)建了供應(yīng)商及客戶價(jià)值體系，提高了對供應(yīng)商及客戶價(jià)值評估精準(zhǔn)度。支持向量機(jī)（Support Vector Machine，SVM）是一種二分類機(jī)器學(xué)習(xí)法，其目標(biāo)是找到一個(gè)超平面來對數(shù)據(jù)進(jìn)行分類，且使得超平面與最近的數(shù)據(jù)點(diǎn)之間的間隔最大。李健等[14]構(gòu)建了基于粒子群優(yōu)化支持向量機(jī)預(yù)測（PSO-SVM）模型，為供應(yīng)鏈金融進(jìn)行信用風(fēng)險(xiǎn)識別和預(yù)警。任婷婷等[15]引入錯(cuò)分代價(jià)構(gòu)建代價(jià)敏感支持向量機(jī)（CSSVM），通過時(shí)間權(quán)重改進(jìn)傳統(tǒng)AdaBoost算法，以提高企業(yè)動(dòng)態(tài)不平衡財(cái)務(wù)預(yù)警模型預(yù)測的準(zhǔn)確率。多準(zhǔn)則妥協(xié)解排序法（VIKOR）是一種多屬性決策方法，旨在從多個(gè)候選項(xiàng)中選擇出最佳的決策方案。王堅(jiān)浩等[16]針對武器裝備供應(yīng)商，結(jié)合灰色群組（GGC）和改進(jìn)標(biāo)準(zhǔn)間沖突性相關(guān)性（ICRITIC）對指標(biāo)進(jìn)行組合賦權(quán)，再基于VIKOR法對供應(yīng)商折衷系數(shù)進(jìn)行排序。目前國內(nèi)外已有不少文獻(xiàn)通過機(jī)器學(xué)習(xí)算法進(jìn)行供應(yīng)商選擇，這些文獻(xiàn)對自營電商企業(yè)供應(yīng)商選擇方法提供了參考價(jià)值。通過機(jī)器學(xué)習(xí)進(jìn)行自營電商供應(yīng)商選擇能夠加速決策過程、降低人力成本，從而推動(dòng)供應(yīng)鏈的優(yōu)化和業(yè)務(wù)的發(fā)展。有鑒于此，本文以自營電商企業(yè)為研究對象，綜合考慮供應(yīng)商選擇時(shí)候的供貨能力、物流能力、經(jīng)營情況和采購成本控制等影響因素，將支持向量機(jī)算法（SVM）和多準(zhǔn)則妥協(xié)解排序法（VIKOR）相結(jié)合，構(gòu)建了基于SVM-VIKOR的自營電商供應(yīng)商選擇模型，最后通過實(shí)例說明了模型的具體應(yīng)用和可操作性。

二、基于SVM-VIKOR的供應(yīng)商選擇模型構(gòu)建

為提高自營電商供應(yīng)商選擇的客觀性和準(zhǔn)確率，運(yùn)用SVM-VIKOR算法對自營電商供應(yīng)商管理進(jìn)行模型構(gòu)建。首先，對自營電商與SVM機(jī)器學(xué)習(xí)算法進(jìn)行理論分析，剖析自營電商經(jīng)營模式和SVM-VIKOR的算法原理。然后，在框架模型的指導(dǎo)下，依次完成供應(yīng)商選擇特征提取、構(gòu)建基于SVM算法的供應(yīng)商分類模型和基于VIKOR的供應(yīng)商排序模型。

（一）自營電商與SVM機(jī)器學(xué)習(xí)算法的相關(guān)理論分析

自營電商企業(yè)通過自行采購、管理、銷售商品的閉環(huán)全流程管理，可以保證商品的品質(zhì)、售后服務(wù)的質(zhì)量，能為客戶提供更好的購物體驗(yàn)。對自營電商而言，選擇合適的供應(yīng)商是供應(yīng)鏈管理的關(guān)鍵環(huán)節(jié)，合適的供應(yīng)商可以提供高品質(zhì)的產(chǎn)品、穩(wěn)定的供應(yīng)鏈和合理的價(jià)格，幫助企業(yè)提高競爭力和市場占有率。而選擇不合適的供應(yīng)商可能導(dǎo)致供應(yīng)鏈斷裂、價(jià)格競爭力下降或產(chǎn)品質(zhì)量不佳等一系列問題，嚴(yán)重影響企業(yè)的聲譽(yù)和運(yùn)營效率。因此，自營電商企業(yè)必須通過科學(xué)的供應(yīng)商選擇方法，選擇優(yōu)質(zhì)的供應(yīng)商，保障企業(yè)的健康發(fā)展。

作為一種常用的機(jī)器學(xué)習(xí)分類算法，SVM可以利用歷史數(shù)據(jù)進(jìn)行訓(xùn)練，建立供應(yīng)商選擇模型。在自營電商供應(yīng)商選擇中，使用SVM算法能夠更加準(zhǔn)確地對供應(yīng)商進(jìn)行分類和評價(jià)，提高自營電商的采購決策能力和經(jīng)營效益，具有很強(qiáng)的適用性。首先，SVM可以綜合考慮多個(gè)因素，包括供應(yīng)商的質(zhì)量、價(jià)格、交貨期、服務(wù)等多維度指標(biāo)，使自營電商企業(yè)可以更加全面且客觀地選擇供應(yīng)商。其次，SVM可以自主學(xué)習(xí)和調(diào)整模型參數(shù)，根據(jù)實(shí)際數(shù)據(jù)不斷更新模型，提高模型的預(yù)測精度和可靠性。將SVM應(yīng)用于自營電商供應(yīng)商選擇可以快速適應(yīng)不斷變化的市場環(huán)境，根據(jù)市場需求和供應(yīng)商變化自動(dòng)更新模型，從而提高供應(yīng)商選擇的靈活性和適應(yīng)性。相較于BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、決策樹等分類算法，SVM算法具有較強(qiáng)的泛化能力和高分類準(zhǔn)確度，能夠?qū)?yīng)商進(jìn)行全局最優(yōu)分類，從而緩解了傳統(tǒng)供應(yīng)商選擇中的主觀偏向。尤其適用于樣本量較小、特征空間高維且存在非線性分割等情況下的供應(yīng)商選擇分析，能夠提高供應(yīng)商選擇的效率和精度。因此，基于SVM的自營電商供應(yīng)商選擇模型具有很大的潛力和優(yōu)勢。

但是，SVM算法僅能參照自營電商的歷史供應(yīng)商數(shù)據(jù)進(jìn)行分類預(yù)測，不能精確地判斷所有待選供應(yīng)商的具體排序情況，也不能考慮不同情境下的決策者主觀偏好。VIKOR法通過計(jì)算評估對象的最優(yōu)解和最差解，從而對評估對象進(jìn)行排序。通過VIKOR法對待選供應(yīng)商進(jìn)行排序，可以考慮企業(yè)選擇供應(yīng)商的偏好。在SVM機(jī)器學(xué)習(xí)算法對供應(yīng)商進(jìn)行分類的基礎(chǔ)上，利用VIKOR法對待選供應(yīng)商進(jìn)行排序，既能避免人為選擇的主觀性，也能夠考慮企業(yè)在不同時(shí)期選擇供應(yīng)商的偏好，最終得到最優(yōu)供應(yīng)商，方便企業(yè)對供應(yīng)商進(jìn)行選擇。

（二）基于SVM-VIKOR的供應(yīng)商選擇模型

基于SVM-VIKOR的供應(yīng)商選擇模型由數(shù)據(jù)準(zhǔn)備與處理、基于SVM算法的供應(yīng)商分類、基于VIKOR算法的供應(yīng)商排序三部分組成，基于SVM-VIKOR的供應(yīng)商選擇框架模型如圖1所示。

首先，對數(shù)據(jù)進(jìn)行準(zhǔn)備與處理可以提高模型的精度和可靠性，獲取結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化的供應(yīng)商基本信息、供應(yīng)商產(chǎn)品信息、供應(yīng)商物流信息等與供應(yīng)商選擇相關(guān)的數(shù)據(jù)。通過數(shù)據(jù)清洗、數(shù)據(jù)歸一化等預(yù)處理過程，形成結(jié)構(gòu)化的數(shù)據(jù)，再從供應(yīng)商的供貨能力、物流能力、經(jīng)營狀況和成本控制四大維度出發(fā)，對供應(yīng)商選擇指標(biāo)進(jìn)行數(shù)據(jù)特征提取，建立供應(yīng)商選擇數(shù)據(jù)集。

其次，基于數(shù)據(jù)處理結(jié)果，將供應(yīng)商選擇數(shù)據(jù)集輸入SPSS Modeler18.0中，選擇合適的核函數(shù)建立供應(yīng)商選擇數(shù)據(jù)分析模型，并使用樣本量的70%作為訓(xùn)練集進(jìn)行模型訓(xùn)練，使用30%劃定為測試集輸入模型進(jìn)行訓(xùn)練，直至誤差達(dá)到可接受范圍為止。待訓(xùn)練結(jié)束后，分析預(yù)測變量的重要性和預(yù)測驗(yàn)證結(jié)果，篩選出待選供應(yīng)商數(shù)據(jù)。

最后，在SVM算法分類基礎(chǔ)上基于VIKOR法對待選供應(yīng)商排序。通過指標(biāo)定權(quán)、計(jì)算理想解、計(jì)算群體效用值與個(gè)體遺憾值、計(jì)算利益比率并排序等步驟后，通過判斷最小利益比率值得出最符合企業(yè)需求的供應(yīng)商，為項(xiàng)目負(fù)責(zé)人員提供選擇供應(yīng)商的輔助決策信息。

（三）供應(yīng)商選擇特征提取

基于SVM-VIKOR的供應(yīng)商選擇模型目的在于通過分析供應(yīng)商的供貨能力、經(jīng)營狀況，考慮采購成本和主觀偏好等因素對供應(yīng)商進(jìn)行選擇，實(shí)現(xiàn)企業(yè)資源的合理配置和供應(yīng)商的差異化管理?，F(xiàn)有研究較少考慮供應(yīng)商交付能力（包括供貨能力、物流能力）等。良好的交付能力可以確保商家有充足的庫存，避免出現(xiàn)商品缺貨，保障了銷售業(yè)績和客戶滿意度。同時(shí)，良好的交付能力有利于促進(jìn)商家與供應(yīng)商之間的合作，建立起更加緊密和穩(wěn)定的合作關(guān)系，降低后續(xù)合作中的風(fēng)險(xiǎn)。除此之外，供應(yīng)商的經(jīng)營狀況也是反映供應(yīng)商產(chǎn)品質(zhì)量和供貨情況的有力保障，跟蹤供應(yīng)商的經(jīng)營情況，能夠有效降低供應(yīng)商違約風(fēng)險(xiǎn)。本文將供應(yīng)商選擇特征分為以下四類：

第一類是反映供應(yīng)商供貨能力的相關(guān)特征。供應(yīng)商的供貨能力直接關(guān)系到企業(yè)的運(yùn)營效率，穩(wěn)定、高質(zhì)量的產(chǎn)品供應(yīng)可以降低電商的庫存壓力和質(zhì)量控制成本，從而提高運(yùn)營效率，減少浪費(fèi)。此外，在大促期間或緊急情況下，良好的供貨能力可以緩解缺貨等問題，提高客戶滿意度和保持客戶忠誠度。對于自營電商而言，良好的購物體驗(yàn)是其經(jīng)營的關(guān)鍵，客戶希望及時(shí)獲得購買的產(chǎn)品。如果供應(yīng)商不能按時(shí)供應(yīng)，將會影響電商的交貨期，進(jìn)而影響客戶的滿意度和忠誠度。因此，選擇供貨能力強(qiáng)的供應(yīng)商可以確保電商及時(shí)滿足客戶的需求，以達(dá)到提高客戶滿意度和忠誠度的目的。

第二類是反映供應(yīng)商物流能力的相關(guān)特性。供應(yīng)商的物流能力是反映供應(yīng)商交付能力的重要支撐。選擇物流能力強(qiáng)的供應(yīng)商有利于提高交付速度，縮短企業(yè)交貨時(shí)間，從而減少客戶等待時(shí)間，提高交付效率。其次，良好的物流能力可以優(yōu)化供應(yīng)鏈，降低供應(yīng)鏈風(fēng)險(xiǎn)，增強(qiáng)對供應(yīng)鏈的可控性，提高企業(yè)盈利能力和采購效率。

第三類是反映供應(yīng)商經(jīng)營情況的相關(guān)特征。供應(yīng)商的經(jīng)營情況直接影響其生產(chǎn)能力和產(chǎn)品質(zhì)量水平，選擇經(jīng)營良好的供應(yīng)商可以確保其穩(wěn)定的供貨能力和產(chǎn)品質(zhì)量，從而降低商業(yè)風(fēng)險(xiǎn)。此外，考慮供應(yīng)商的經(jīng)營情況還可以提高供應(yīng)鏈的透明度，選擇經(jīng)營情況良好的供應(yīng)商可以獲取更多的信息和數(shù)據(jù)，從而更好地了解供應(yīng)鏈的狀況，優(yōu)化運(yùn)營計(jì)劃，降低風(fēng)險(xiǎn)和成本。同時(shí)，選擇經(jīng)營情況良好的供應(yīng)商還有助于提高自營電商的品牌形象，經(jīng)營良好的供應(yīng)商通常擁有較高的聲譽(yù)和品牌知名度，與之合作可以提升自營電商的形象和認(rèn)可度，為企業(yè)帶來更多的業(yè)務(wù)機(jī)會和收益。

第四類是反映采購成本的相關(guān)特征。采購成本與企業(yè)銷售商品的毛利率呈負(fù)相關(guān)，選擇采購成本低的供應(yīng)商可以幫助自營電商降低采購成本，進(jìn)而提高盈利能力。低成本的采購可以讓自營電商在價(jià)格上更有競爭力，吸引更多的消費(fèi)者購買其產(chǎn)品，進(jìn)而增加銷售量和利潤。除此之外，考慮供應(yīng)商的采購成本可以優(yōu)化自營電商的采購決策，降低采購風(fēng)險(xiǎn)。自營電商在選擇供應(yīng)商時(shí)可以比較不同供應(yīng)商的采購成本和質(zhì)量，選擇最佳供應(yīng)商進(jìn)行合作，降低采購風(fēng)險(xiǎn)和成本。

在供應(yīng)商QCDS原則（即質(zhì)量、成本、交期和服務(wù)并重）的基礎(chǔ)上進(jìn)行優(yōu)化，把供應(yīng)商供貨能力、供應(yīng)商物流能力、經(jīng)營情況和成本控制等特性進(jìn)行指標(biāo)化，拆解成多個(gè)變量特征。供應(yīng)商選擇特征體系如表1所示。

（四）基于SVM-VIKOR的供應(yīng)商選擇算法步驟

基于SVM-VIKOR的供應(yīng)商選擇模型分為基于SVM的供應(yīng)商分類和基于VIKOR的供應(yīng)商排序，具體構(gòu)建步驟如下：

1.基于SVM的供應(yīng)商分類

SVM算法是基于SVM分類器的一種常見的二分類算法，其基本原理是通過訓(xùn)練數(shù)據(jù)集，獲取幾何間隔最大的超平面，從而達(dá)到正確區(qū)分?jǐn)?shù)據(jù)集的效果。幾何間隔最大的超平面即指各類樣本點(diǎn)到超平面的最遠(yuǎn)距離，而任意的超平面都可以用線性方程來表示：

對于線性不可分問題，SVM需引進(jìn)核函數(shù)把數(shù)據(jù)從低維空間向高維空間投射，達(dá)到線性可分的目的，不同核函數(shù)得到的支持向量機(jī)形式也不同。由于高斯核函數(shù)擬合能力強(qiáng)且不僅限適用于線性可分問題，所以本文選擇高斯核函數(shù)將輸入的供應(yīng)商篩選數(shù)據(jù)映射到高維空間中。高斯核函數(shù)（RBF）的表達(dá)式為：

引入核函數(shù)后，SVM算法將開始進(jìn)行優(yōu)化問題構(gòu)造：

對式2求得最優(yōu)解α？觹，代回求解ωT，選擇α？觹的一個(gè)正分量可求解b？觹，可得分類決策函數(shù)為：

2.基于VIKOR的供應(yīng)商排序

經(jīng)過SVM進(jìn)行供應(yīng)商分類處理后能夠大致將供應(yīng)商分為“待選”和“淘汰”兩類，決策者能夠進(jìn)一步縮小可選擇的范圍，下一步將基于VIKOR法對供應(yīng)商進(jìn)行排序。

基于VIKOR法的供應(yīng)商排序需在指標(biāo)權(quán)重下進(jìn)行，包括指標(biāo)定權(quán)、計(jì)算理想解、計(jì)算各供應(yīng)商的效用值和個(gè)體遺憾值、計(jì)算利益比率和排序。理想解包括正理想解和負(fù)理想解，正理想解（x■■）指正向指標(biāo)最大化和負(fù)向指標(biāo)最小化的方案。

負(fù)理想解（x■■）則與正理想解相反，指正向指標(biāo)最小化和負(fù)向指標(biāo)最大化的方案。

各供應(yīng)商的效用值（Si）和個(gè)體遺憾值（Ri）為：

正理想解和負(fù)理想解對應(yīng)的群體效用值和個(gè)體遺憾值分別為：

根據(jù)群體效用值和個(gè)體遺憾值計(jì)算利益比率（Qi）：

式中ε為決策機(jī)制系數(shù)，ε∈（0，1]，當(dāng)ε>0.5時(shí)，表示在進(jìn)行決策的過程中更加注重群體利益最大化，不注重反對者的個(gè)體遺憾。當(dāng)ε<0.5時(shí)，決策將以個(gè)體遺憾最小化為決策依據(jù)，所以本文設(shè)置ε=0.5。

最后，利益比率（Qi）的結(jié)果將以降序排序，Qi值越小說明結(jié)果越好。

三、實(shí)例分析——以自營電商S企業(yè)為例

以自營電商S企業(yè)為例，驗(yàn)證自營電商供應(yīng)商選擇模型的有效性。S企業(yè)是一家自營式電商企業(yè)，其經(jīng)營方式為：在供應(yīng)商處購進(jìn)貨物存儲到企業(yè)倉庫中，客戶下單后由S物流承運(yùn)，選擇收貨地就近倉庫發(fā)貨，將收貨時(shí)間精確到小時(shí)，實(shí)現(xiàn)了商品的垂直化供應(yīng)管理。

（一）S企業(yè)供應(yīng)商選擇現(xiàn)狀描述及存在的問題

S企業(yè)采購貨品時(shí)的供應(yīng)商選擇同大多數(shù)的企業(yè)類似，主要考察申請企業(yè)的資質(zhì)條件、經(jīng)營情況等方面的因素。目前，S企業(yè)在選擇供應(yīng)商時(shí)，主要考慮了供應(yīng)商的產(chǎn)品價(jià)格因素、信用因素、產(chǎn)品質(zhì)量、經(jīng)營現(xiàn)狀等。走訪S企業(yè)的部分消費(fèi)者發(fā)現(xiàn)，企業(yè)銷售的商品能保證良好的質(zhì)量和及時(shí)的退換服務(wù)，但是在某些突發(fā)情況之下，會短時(shí)間出現(xiàn)斷貨或缺貨情況。S企業(yè)在選擇供應(yīng)商時(shí)，并未著重考慮供應(yīng)商的供貨情況和交付情況。對因突發(fā)事件而產(chǎn)生的緊急訂購，也未設(shè)計(jì)特殊的選擇標(biāo)準(zhǔn)。S企業(yè)的供應(yīng)商選擇滿足了企業(yè)的常規(guī)選擇思路，保障了貨源的真實(shí)性和優(yōu)質(zhì)，但忽略了自身的特點(diǎn)。要保障消費(fèi)者能快速收到商品，不僅要確保自身物流和庫存萬無一失，還需要供應(yīng)商與之配合。

鑒于此，本文通過提取供應(yīng)商供貨能力、物流能力、經(jīng)營情況和成本控制的相關(guān)特征，利用SPSS Moderler 18.0中的SVM算法進(jìn)行供應(yīng)商分類，區(qū)分出“待選”和“淘汰”兩類，再基于VIKOR法對“待選”供應(yīng)商進(jìn)行排序，最終選出合適的供應(yīng)商。

（二）數(shù)據(jù)來源

目前，S企業(yè)在進(jìn)行供應(yīng)商選擇時(shí)，包含了供應(yīng)商基本信息、物流信息、采購信息、產(chǎn)品信息等，涉及ERP、采購管理、供應(yīng)商管理等多個(gè)信息化系統(tǒng)的數(shù)據(jù)庫，其中包括結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)等。ERP系統(tǒng)中包含供應(yīng)商的基本信息、產(chǎn)品信息，可以用作經(jīng)營情況的分析；采購管理系統(tǒng)中包含采購歷史數(shù)據(jù)和庫存信息，可以用作供應(yīng)商供貨能力和物流能力方面的評定；供應(yīng)商管理系統(tǒng)中包含供應(yīng)商的價(jià)格政策和物流政策，可以用S企業(yè)在選擇供應(yīng)商時(shí)成本控制方面的判定。這些數(shù)據(jù)能夠以Excel的格式從數(shù)據(jù)庫抽取出來，為了研究的方便，本文只提取S企業(yè)2016—2021年的數(shù)據(jù)。

（三）數(shù)據(jù)準(zhǔn)備

S企業(yè)需要采集ERP系統(tǒng)中各備選供應(yīng)商的基礎(chǔ)數(shù)據(jù)，結(jié)構(gòu)化數(shù)據(jù)如供應(yīng)商基本信息表，其中包含了供應(yīng)商的編碼、企業(yè)名稱、聯(lián)系方式等。在采購管理系統(tǒng)中，主要采集備選供應(yīng)商的采購記錄、入庫數(shù)據(jù)等，包括結(jié)構(gòu)化數(shù)據(jù)采購記錄表，半結(jié)構(gòu)化數(shù)據(jù)采購單、入庫單等。其中，采購記錄表包含采購的及時(shí)率和準(zhǔn)確率等數(shù)據(jù)，采購單中包含供應(yīng)商的歷史供貨情況，入庫單中包含供應(yīng)商的供貨準(zhǔn)時(shí)情況等。在供應(yīng)商管理系統(tǒng)中，主要采集供應(yīng)商的價(jià)格政策和物流情況。最終，將供應(yīng)商的編碼、名稱、交貨準(zhǔn)確率、急單供貨率、供應(yīng)商價(jià)格政策等相關(guān)信息進(jìn)行匯總形成多維度的S企業(yè)供應(yīng)商選擇指標(biāo)表，如表2所示。

由于供應(yīng)商選擇的數(shù)據(jù)有結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)，所以需要經(jīng)過數(shù)據(jù)預(yù)處理將其處理為結(jié)構(gòu)化數(shù)據(jù)，統(tǒng)一數(shù)據(jù)的格式。然后對數(shù)據(jù)中的不規(guī)范數(shù)據(jù)進(jìn)行清洗，通過對缺失值、異常值進(jìn)行填充、刪除等操作，可以將供應(yīng)商選擇數(shù)據(jù)集之間的單位統(tǒng)一。

由于供應(yīng)商指標(biāo)體系中數(shù)據(jù)值域存在較大差距。為數(shù)據(jù)分析的統(tǒng)一性，使用數(shù)據(jù)標(biāo)準(zhǔn)化公式15對數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)轉(zhuǎn)換成統(tǒng)一量綱，數(shù)據(jù)歸一化結(jié)果部分如表3所示。

（四）基于SVM的供應(yīng)商分類

使用SPSS Modeler軟件中SVM建模對供應(yīng)商選擇樣本進(jìn)行數(shù)據(jù)訓(xùn)練，選取含有178條樣本數(shù)據(jù)的Excel文件“供應(yīng)商選擇數(shù)據(jù)樣本.xlsx”作為SVM模型的數(shù)據(jù)源輸入，通過表格可預(yù)覽樣本數(shù)據(jù)。通過字段選項(xiàng)中的分區(qū)工具將樣本數(shù)據(jù)隨機(jī)分為70%的訓(xùn)練集、30%的測試集。在類型字段選項(xiàng)中需要將“種類”作為目標(biāo)輸出，“供應(yīng)商”作為唯一字段分配分區(qū)，其余字段角色選擇輸入。采用SVM模型，即可構(gòu)建出供應(yīng)商分類模型訓(xùn)練流程。待模型構(gòu)建完畢后添加輸出表格和分析，可得到模型預(yù)測變量重要性和預(yù)測正確率，具體模型流程如圖2所示。

通過對供應(yīng)商選擇SVM模型進(jìn)行預(yù)測變量重要性分析發(fā)現(xiàn)，價(jià)格、交貨及時(shí)率、發(fā)貨地地理距離、運(yùn)費(fèi)政策、產(chǎn)品合格率等對供應(yīng)商種類的準(zhǔn)確率占比較重，說明S企業(yè)選擇供應(yīng)商時(shí)將商品價(jià)格視為重要因素，其次分別為交貨及時(shí)率和發(fā)貨地理位置等因素。預(yù)測變量重要性如圖3所示。

通過該供應(yīng)商選擇模型中分析節(jié)點(diǎn)的輸出結(jié)果顯示，供應(yīng)商選擇指標(biāo)樣本訓(xùn)練集121條數(shù)據(jù)的正確率達(dá)到99.17%，其中正確120條，錯(cuò)誤1條；測試集57條數(shù)據(jù)的正確率為98.25%，其中正確56條，錯(cuò)誤1條；該分析結(jié)果表明，SVM的訓(xùn)練模型可用于S企業(yè)的供應(yīng)商選擇模型，模型驗(yàn)證分析如圖4所示。

（五）基于VIKOR的供應(yīng)商排序

根據(jù)SVM模型分類結(jié)果，利用VIKOR法對供應(yīng)商進(jìn)行排序，最終選擇出最優(yōu)備選供應(yīng)商。常見的指標(biāo)定權(quán)法有熵權(quán)法、CRITIC權(quán)重法等，這些方法通過計(jì)算求取指標(biāo)權(quán)重，結(jié)果相對客觀，但是無法了解決策者偏好。通過邀請5位專家，其中包含2位企業(yè)財(cái)務(wù)高管和3名高校教授，分別對上述指標(biāo)體系進(jìn)行定權(quán)，最后求取平均數(shù)得到最終定權(quán)結(jié)果如圖5所示。

根據(jù)圖中上述指標(biāo)權(quán)重計(jì)算出群體效用值（S）和個(gè)體遺憾值（R）的最優(yōu)值和最劣值，由于群體效用值（S）為各個(gè)供應(yīng)商到最優(yōu)供應(yīng)商的加權(quán)距離，范數(shù)為1的閔可夫斯基距離，其值越小越好，越小說明越靠近最優(yōu)供應(yīng)商，其群體效應(yīng)越大。個(gè)體遺憾值（R）為各個(gè)供應(yīng)商到最優(yōu)方案的加權(quán)距離，范數(shù)為無窮大的閔可夫斯基距離，其值越小越好，越小說明個(gè)別遺憾越小。通過計(jì)算得出最優(yōu)群體效用值（S+）為0.209，最優(yōu)個(gè)體遺憾值（R+）為0.049。

根據(jù)計(jì)算出的群體效用值和個(gè)體遺憾值，可以得到VIKOR法的決策指標(biāo)利益比率值（Q），根據(jù)利益比率值（Q）的大小決定供應(yīng)商的最終排序，其值越小說明該供應(yīng)商越優(yōu)秀，最終排序結(jié)果如表4所示。

為保障企業(yè)經(jīng)濟(jì)高質(zhì)量發(fā)展，供應(yīng)商智能選擇應(yīng)當(dāng)做到精度高、客觀性強(qiáng)、結(jié)果可靠。從表4可以看出，gys0046的利益比率值（Q）為0.065，在待選供應(yīng)商中得到最優(yōu)備選供應(yīng)商名額，排名第一。gys0038、gys0097的利益比率值（Q）分別為0.952、1，排名靠后。結(jié)果表明，gys0046在產(chǎn)品質(zhì)量、交貨及時(shí)率和急單供貨等方面都表現(xiàn)良好。S企業(yè)在選擇供應(yīng)商時(shí)，可以根據(jù)排名結(jié)果選擇gys0046、gys0032、gys0002，這些供應(yīng)商滿足了決策者在選擇時(shí)的主觀偏好，能夠保證貨源足量供應(yīng)、及時(shí)供應(yīng)、貨源質(zhì)量良好，也能在一定程度上緩解企業(yè)的采購成本。除此之外，S企業(yè)在面臨急單或緊急情況時(shí)，應(yīng)當(dāng)避免與gys0038、gys0097等企業(yè)進(jìn)行合作。

四、結(jié)語

自營電商作為推動(dòng)數(shù)字經(jīng)濟(jì)發(fā)展的重要力量，需要充分利用數(shù)據(jù)要素和現(xiàn)代信息技術(shù)推動(dòng)企業(yè)的數(shù)字化轉(zhuǎn)型升級。供應(yīng)商選擇對自營電商企業(yè)的經(jīng)營發(fā)展有著重要的影響。本文構(gòu)建了基于SVM-VIKOR的自營電商供應(yīng)商選擇模型，并以自營電商S企業(yè)為實(shí)例說明了模型的具體應(yīng)用，為數(shù)字經(jīng)濟(jì)下的自營電商供應(yīng)商選擇提供了全新的研究與應(yīng)用視角，有助于進(jìn)一步推進(jìn)企業(yè)財(cái)務(wù)數(shù)字化轉(zhuǎn)型，同時(shí)為全國統(tǒng)一大市場背景下的電商企業(yè)供應(yīng)商選擇提供了指導(dǎo)、借鑒和參考。

【參考文獻(xiàn)】

［1］ 文悅，王勇，但斌，等.電商平臺自營和制造商直銷的多渠道競爭策略研究［J］.中國管理科學(xué)，2019，27（10）：77-89.

［2］ 程平，張菁.基于AHP-GRA的供應(yīng)商健康度評估——以自營電商S企業(yè)為例［J］.財(cái)會月刊，2023，44（2）：123-129.

［3］ 徐楊.基于大數(shù)據(jù)分析技術(shù)的電子商務(wù)供應(yīng)商選擇研究［J］.現(xiàn)代電子技術(shù)，2020，43（15）：152-154，158.

［4］ 于輝，李亞勛.供應(yīng)鏈視角下供應(yīng)商的產(chǎn)品創(chuàng)新策略選擇：融資VS不融資［J］.管理工程學(xué)報(bào)，2021，35（3）：172-180.

［5］ DICKSON G W.An analysis of vendor selection systems and decisions［J］.Journal of Purchasing，1966，2（1）：5-17.

［6］ ZEYDAN M，？覶OLPAN C，？覶OBANO■LU C.A combined methodology for supplier selection and performance evaluation［J］.Expert Systems with Applications，2011，38（3）：2741-2751.

［7］ 門業(yè)■，錢夢迪，于釗，等.基于博弈論組合賦權(quán)的電力設(shè)備供應(yīng)商模糊綜合評價(jià)［J］.電力系統(tǒng)保護(hù)與控制，2020，48（21）：179-186.

［8］ LIU Z，LI Z.A blockchain-based framework of cross-border e-commerce supply chain［J］.International Journal of Information Management，2020，52.

［9］ 溫志強(qiáng)，陶然，陶敬中，等.數(shù)據(jù)賦能與效能迭代：能源戰(zhàn)略資源供應(yīng)鏈數(shù)字化轉(zhuǎn)型研究——以中石化國勘公司為例［J］.科學(xué)決策，2022（12）：93-106.

［10］ 李昀洲，陳璐.考慮需求關(guān)聯(lián)性的多供應(yīng)商電商庫存分配研究［J］.上海理工大學(xué)學(xué)報(bào)，2023，45（2）：180-188.

［11］ MITCHELL T M.Machine learning［M］.New York：McGraw-hill，2007.

［12］ CAVALCANTE I M，F(xiàn)RAZZON E M，F(xiàn)ORCELLINI F A，et al.A supervised machine learning approach to data-driven simulation of resilient supplier selection in digital manufacturing［J］.International Journal of Information Management，2019，49：86-97.

［13］ 陳峰，初保駒.基于機(jī)器學(xué)習(xí)算法的電力供應(yīng)商及客戶價(jià)值體系構(gòu)建與應(yīng)用［J］.財(cái)務(wù)與會計(jì)，2020（17）：66.

［14］ 李健，張金林.供應(yīng)鏈金融的信用風(fēng)險(xiǎn)識別及預(yù)警模型研究［J］.經(jīng)濟(jì)管理，2019，41（8）：178-196.

［15］ 任婷婷，魯統(tǒng)宇，崔俊.基于改進(jìn)AdaBoost算法的動(dòng)態(tài)不平衡財(cái)務(wù)預(yù)警模型［J］.數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2021，38（11）：182-197.

［16］ 王堅(jiān)浩，王龍，張亮，等.灰色群組聚類和改進(jìn)CRITIC賦權(quán)的供應(yīng)商選擇VIKOR多屬性決策［J］.系統(tǒng)工程與電子技術(shù)，2023，45（1）：155-164.