基于混合权重核熵成分分析企业供应商评价方法与流程

技术领域：

本发明涉及一种供应商评价领域，尤其涉及一种基于混合权重核熵成分分析企业供应商的客观综合评价方法。

背景技术：
：

目前，随着经济发展及现代化水平的提高，供应链管理越来越受到众多企业的重视。供应商的选择、评价作为供应链管理中一个重要问题也变得更为重要，如何对供应商做出全面、客观、真实的评价，对于保证物资供应质量，降低采购成本，提高生产企业的整体效益均具有十分重要的现实意义。供应商评价，又称供应商选择，问题研究始于1966年美国学者dickson在《采购》上发表的一篇论文，随后便引起学术界的普遍关注。一直以来，国内外学者对供应商评价问题展开了深入研究，现有文献对供应商评价的方法主要包括定性和定量两种方法。定性方法主要是经验型概念型的研究，通过主观判断与协商等途径，建立供应商选择和评价指标体系。定量方法是指采用数学模型进行分析，主要包括线性加权、概率统计、数学规划、决策分析以及数据挖掘技术等。上述两种方法都存在一定的局限性，定性方法由于受主观因素的影响，判断结果的客观性无法保证。定量方法由于供应商选择评价的许多指标无法量化，使得判断结果的全面性得不到保证。在对供应商进行评价时，因为每个指标都在不同程度上反映了供应商的信息，并且指标间彼此相关，使得所获得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多指标评价问题时，指标太多会增加计算量和分析问题的复杂性，因此人们希望在对供应商定量评价过程中，在不影响客观准备评价的基础上涉及的指标越少越好。

主成分分析(principalcomponentsanalysis,pca)就是将多个指标综合成少数指标的一种多元统计方法，通过将原来指标线性组合成综合指标的方式，保留了原始指标的主要信息且彼此间不相关，同时具有比原始变量更加优越的性质。然而现实指标间的关系往往都是非线性的，对于线性相关性不大的指标而言采用传统线性pca方法是不妥的，甚至可能会出现各指标贡献率过于分散的情况。能否通过某种变换将原有空间变换到高维空间，使得原有指标间的非线性关系在高维变换空间呈现线性关系，而后再对高维空间的数据进行pca变换，这就是kernelpca(kernelprincipalcomponentsanalysis,kpca)算法的思想。但是，kpca没有考虑到原始数据的全局结构特征。核熵成分分析(kernelentropycomponentanalysis，keca)作为一种新的算法，考虑到全局分布特点，是保持指标数据流行结构特征的降维方法，keca尝试通过基于内核的密度估计器来维持原始数据集renyi二次熵的最大估计。keca与上面两个算法的根本不同在于：一方面，keca不需要选择最大特征值和相应的特征向量；另一方面，维度降低维护了原始数据renyi熵的内在结构。此外，keca通常能生成具有不同角度结构的变换数据集，这意味着即使是非线性相关输入数据集也能通过keca生成高维核特征空间中具有不同角度方向的数据集。终上所述，keca更利于用极少的综合指标实现供应商的评价。因此，本发明引用keca算法进行企业供应商评价。

技术实现要素：
：

1.一种基于混合权重核熵成分分析企业供应商评价方法。其特征在于：该方法包括以下步骤：

(1)利用与企业工作人员及相关领域专家交流访谈和问卷调查方式得到企业有关供应商的评价准则，设共m个评价指标；

(2)对步骤(1)获取的评价准则进行分类处理：产出指标和投入指标；设共l个产出评价指标，共p个投入评价指标，m＝l+p；

(3)根据步骤(2)获取的分类评价指标，收集企业供应商们的各种指标所对应的信息，设有n个供应商；

(4)将步骤(3)获取的供应商们的指标值数值化，然后把所有供应商的投入指标信息取倒数，使得每个指标的数值范围确定在[0,1]之间，最终生成样本矩阵x∈r^m×n；

(5)将步骤(4)得到的供应商们评价数据样本矩阵x∈r^m×n进行核熵成分分析，计算出样本矩阵x对应的核矩阵k，其中k∈r^n×n，矩阵k的元素(i,j)是kσ(xi,xj)，其中kσ(x,xi)是以xi为中心的核函数或估计器，σ是平滑宽度或称为核的半径。这里建议核函数为高斯核函数，其中高斯核的半径σ＝0.5；

(6)将步骤(5)得到相应的核矩阵分解为k＝ede^t。其中，d＝diag(λ1,λ2,…,λn),e＝(e1,e2,…,en)。λi,ei分别为核矩阵k＝ede^t的特征值和特征向量；

(7)对步骤(6)得到特征值和特征向量根据的大小进行排序，dd＝diag(λ1,λ2,…,λd),ed＝(e1,e2,…,ed),λi,ei分别为核矩阵k对应于值最大的前d个特征值和对应的特征向量,1是n×1向量(所有元素都为1)。本发明采用d＝2进行评价；

(8)对步骤(7)得到的排序后的前d＝2特征值和特征向量进行投影：d＝2，φeca∈r^2×n；

(9)计算相应新的基坐标的权重向量w＝[w1,w2]^t，

(10)将步骤(8)获得的投影值φeca与步骤(9)获得的权重向量wi，加权求和得到最终的评价指标，ei＝w^t*φeca；

(11)根据步骤(10)得到的ei评价指标值从大到小排序，得到最终的企业供应商排序。

2、根据权利要求1所述的基于混合权重核熵成分分析企业供应商评价方法，其特征在于，步骤(2)中产出指标是指能反映供应商提供产品或服务的及时程度和效率情况，能综合反映供应商发展能力、营运能力的指标，其值越大表明供应商的能力越强。而投入指标是指供应商的销售成本，供货时间，离岸品质，延迟时间，违约次数等，其值越小越好。

3、根据权利要求1所述的基于混合权重核熵成分分析企业供应商评价方法，其特征在于，步骤(4)中对投入指标xij∈x,i＝1,2,…,p,j＝1,2,…,n，xij＝1/xij，对每个指标下的信息进行标准化所采用的方法是最大最小值法，其具体步骤如下：设xij∈x,i＝1,2,…,m,j＝1,2,…,n，然后对其中的指标i进行标准化处理：

4、根据权利要求1所述的基于混合权重核熵成分分析企业供应商评价方法，其特征在于，步骤(5)样本矩阵x对应的相应核的核矩阵k，其中kij的计算方法如下所述：

xj＝[x1j,x2j,…,xmj]^t,i,j＝1,2,…,n,σ＝0.5高斯核半径

5、根据权利要求1所述的基于混合权重核熵成分分析供应商评价方法，其特征在于，核熵成分分析通过将原始高维观测空间投影到低维特征空间以获得低维特征。且在降维过程中充分考虑到原始空间的全局结构特征，尝试通过基于内核的密度估计器来维持输入数据集renyi二次熵，并选择对renyi熵贡献最大的d个keca坐标构成ud,通过将出投影到ud。其中，φ是keca的高维核空间的投影函数，d代表要投影的低维空间的维数。ud是keca轴的子集。注意：与kpca不同的是keca不是必须取最大d个特征值对应的特征向量。因此，所得到的keca表达式为：

本发明投影到2维特征空间以获取低维特征。所得到的keca表达式为：

其中，d2＝diag(λ1,λ2),e2＝(e1,e2)。

本发明的有益效果：

1.本发明的供应商评价方法，是一种定量客观全面的供应商评价方法。其中采用的指标分为产出指标和投入指标，而不是只采用一类指标；使得供应商的评价结果更加全面，更加真实，更加客观。

2、本发明采用keca方法，一方面不需要选择最大特征值和相应的特征向量；另一方面，维度降低维护了原始数据renyi熵的内在结构。

3、本发明采用keca方法，通常能生成具有不同角度结构的变换数据集，这意味着即使是非线性相关输入数据集也能通过keca生成高维核特征空间中具有不同角度方向的数据集，更利于供应商排序。

4、本发明采用的keca方法在特征空间中进行类似kpca的相关操作，但两者最大的不同在于keca方法在求解过程中需要计算特征值与特征向量的renyi熵。keca方法不需要重新建立核矩阵的中心，且它突破了仅依赖于前d个特征值限制的局限性，具有降低复杂程度、简单有效的优点。

附图说明：

附图1是本发明的实施2企业供应商的评判准则层次图。

附图2是本发明的实施2标准化后的供应商评价指标矩阵图。

附图3是本发明的实施2对投入指标处理后供应商评价指标矩阵图。

附图4是本发明的实施2基于混合权重核熵成分分析企业供应商评价方法供应商的综合评价指标图。

附图5是本发明的实施3企业供应商的评判准则层次图。

附图6是本发明的实施3准化后的供应商评价指标矩阵图。

附图7是本发明的实施3投入指标处理后供应商评价指标矩阵图。

附图8是本发明的实施3基于混合权重核熵成分分析企业供应商评价方法供应商的综合评价指标图。

实施例1：

一种基于混合权重核熵成分分析企业供应商评价方法，所述的核熵成分分析(keca)包括如下具体步骤：

renyi二次熵定义为：

h(x)＝-log（∫p²(x)dx)

这里，p(x)是概率函数产生数据集或样本x＝x1,x2,…,xn。由于对数函数的单调性，只需考虑积分函数v(p)＝∫p²(x)dx＝e{p(x)}.为了估计v(p)，应用了窗口密度估计器，其中kσ(x,xi)是以xi为中心的核函数或估计器，σ是平滑宽度或称为核的半径。这里建议核函数为高斯核函数，其中高斯核的半径σ＝0.5。

利用样本均值估计代替期望，可以得到以下估计：

其中，k＝φ^tφ是n×n的核矩阵，矩阵k的元素(i,j)是kσ(xi,xj)，1是n×1向量(所有元素都为1)，因此，k＝φ^tφ。可以说从一致样本集得到的renyi熵估计完全依赖于相应的核矩阵。我们将相应的核矩阵分解为k＝ede^t，来估计renyi二次熵。其中，d＝diag(λ1,λ2,…,λn),e＝(e1,e2,…,en)。λi,ei分别为核矩阵k＝ede^t的特征值和特征向量。可得：

上式称为熵估计。该式说明某特征值，特征向量会对熵估计的贡献更大。keca作为一种d维数据变换，尝试通过基于内核的估计器来维持输入数据集renyi二次熵贡献最大的d个keca坐标构成ud，通过将φ投影到ud。其中，d代表要投影的低维空间的维数。ud是keca轴的子集。注意：与kpca不同的是keca不是必须取最大d个特征值对应的特征向量。因此，所得到的keca表达式为：

其中，dd＝diag(λ1,λ2,…,λd),ed＝(e1,e2,…,ed),dd和ed分别存储着核矩阵k＝ede^t对应值最大的前d个特征值和对应的特征向量。

实施例2

为了验证基于混合权重核熵成分分析企业供应商评价方法，实验中对国内某大型煤炭国企的轴承供应商进行评价。首先根据与其工作人员访谈和问卷调查得到该企业有关供应商的评判准则。并绘制成以下层次图，如图1所示。其中产出指标为：技术能力，产能，管理水平，投入指标：报价，响应时间，离岸品质。标准化后的24个供应商评价指标矩阵如图2所示。将投入指标取倒数并作最大最小化处理，得到图3所示。为了显示地说明排序的效果，人为定义最好的供应商和最差的供应商，分别为工厂1和工厂2。

为了验证keca分析方法的合理性，对上述数据进行核熵成分分析，计算出样本矩阵x对应的相应核的核矩阵k并对核矩阵进行分解，求出特征值和特征向量，选出对应于值最大的前d个特征值和对应的特征向量进行投影，计算相应新的基坐标的权重向量，并与投影值加权求和得到最终的供应商综合评价指标如图4所示。由图4可以看出第一和第二个人为构造的工厂分别排序在第一和最后的位置，验证了keca核熵成分分析的正确性。根据原始数据上的比较结果以及相关专家的评定，我们利用keca分析方法得出的结果与专家评定结果是一致的，工厂13的指标要优于其他工厂，因此可以说明基于混合权重核熵成分分析企业供应商评价方法给出的评价的合理性。

实施例3

为了验证基于混合权重核熵成分分析的企业供应商评价方法，本实验对国内某大型家电制造商的零件供应商进行评价。首先根据与其工作人员访谈和问卷调查得到该企业有关供应商的评判准则，评价指标分为五大类共13个，分别有(1)企业信誉风险：①订单完成率，用该供应商交货成功的次数与订单总次数的比率来计算；②服务满意率，是指企业对供应商在供应的全过程中所提供服务的满意状况；③企业名誉与地位，指供应商在同一行业中的影响力。(2)合作能力：①准时交货率，是从时间的角度考察供应商的交货能力；②订货满足率，是从数量方面反映供应商交货能力的一项指标；③合约信任度，反映供应商的可信任程度。(3)供货能力：①库存周转率，是一定时期内企业销售成本与存货平均资金占用额的比率；②库存保证率，反映库存能否保证生产要求的指标；③供货中断率，反映供应商到制造商两个节点之间配送的可靠程度。(4)环境风险：①经济和技术环境；②自然灾害影响度，指不可抗拒的自然灾害发生的可能性对供应造成的破坏程度。(5)信息风险：①信息传递及时率，用数据及时传送的次数占传送总数的百分比表示；②沟通程度，即合作过程中制造企业与供应商进行沟通和交流的频繁程度以及双方所采取的沟通方式。根据上述指标绘制成以下层次图，如图5所示。其中投入指标为：供货中断率和自然灾害影响度，其余为产出指标。标准化后的24个供应商评价指标矩阵如图6所示。将投入指标取倒数并作最大最小化处理，得到图7所示。为了显示地说明排序的效果，人为定义最好的供应商和最差的供应商，分别为工厂1和工厂2。

为了验证keca分析方法的合理性，对上述数据进行核熵成分分析，计算出样本矩阵x对应的相应核的核矩阵k并对核矩阵进行分解，求出特征值和特征向量，选出对应于值最大的前d个特征值和对应的特征向量进行投影，计算相应新的基坐标的权重向量，并与投影值加权求和得到最终的供应商综合评价指标如图8所示。由图8可以看出第一和第二个人为构造的工厂分别排序在第一和最后的位置，验证了keca核熵成分分析的正确性。根据原始数据上的比较结果以及相关专家的评定，我们利用keca分析方法得出的结果与专家评定结果是一致的，工厂11的指标要优于其他工厂，因此可以说明基于混合权重核熵成分分析企业供应商评价方法给出的评价具有合理性。另外keca方法不需要重新建立核矩阵的中心，且它突破了仅依赖于前d个特征值限制的局限性，具有降低复杂程度、简单有效的优点。