建筑材料供给商评价方法.docx

建筑材料供给商评价方法建筑业面临的不确定因素较多，建筑企业必须具备较强的抵御风险的能力。选择可靠的供给商是提高建筑业供给链整体运行效率的一个至关重要的问题。文章基于数据挖掘的理念，采用决策树C5.0算法，在样本处理的根底上建立了建筑材料供给商评价模型，并开展了算法验证，为建筑材料供给商评价与选择提供了一个新思路。1引言建筑业是一项复杂的生产活动，涉及几十个工业部门，一栋建筑的建造过程需要众多原材料及设备供给商的产品支持。建筑产业发展到现在，产品的内涵已经大大延伸，各类预制件、模块等不同的中间产品都有可能通过外包的方式开展。各类供给商提供的产品质量、价格和交付时间，以及供给商本身的生产能力、规模和信用，都是制约建筑企业产品质量、成本、进度和效率的关键因素，选择可靠的供给商是建筑企业的关键问题。建立合理、公平的供给商评价方法和机制，不仅可为建筑企业提供选择供给商的主要手段，也可为行业管理提供决策根底。目前，供给商评价方法种类较多。近年来，数据挖掘算法在企业及个人信用评价方面取得了较为成功的应用，这为发展建筑材料供给商评价方法提供了启示。本文的主要目的是根据现代建筑模式的特点，分析建筑材料供给链的核心要素，建立基于决策树C5.0算法的建筑材料供给商评价模型。2建筑材料供给商评价的必要性常规的供给链由供给商、制造商、配送商、销售商组成。但由于建筑业的特点，建筑材料供给链管理还需要考虑设计方、建筑企业和业主的参与和功能，而且要实现对信息流、物流、资金流的控制。建筑企业与建筑材料供给商的关系非常密切。建筑材料是建筑的基本物质，它决定着建筑的特征、风格、效果等。建筑材料的特点是分类广泛，除了砖、瓦、土、沙、木、石等传统建筑材料之外，还包括钢材、水泥、混凝土、玻璃、塑料等现代建筑材料。而发展到现在，建筑材料的内涵已经大大扩展，一般包括：建筑防火材料、建筑防水材料、建筑隔热材料、建筑降噪材料、建筑光学材料、建筑功能砂浆和建筑节能材料。这些材料的形态、计价方式、包装形式、交货形式都不尽一样。对原材料和设备的采购必须与建筑工程进度严密关联，所采购建筑材料不仅涉及建筑性能、建筑成本、建筑工期、建筑质量等重要指标，而且与建筑施工环节中各种系统的布置和安装等活动密切相关。这就要求建筑企业与供给商之间建立良好的互动反应。此外，在建筑过程中，业主有可能会指定一些设备、材料的供给商，这也是供给商评价在建筑企业生产活动中的一个反映。随着建筑材料内涵的扩展，建筑材料供给商的范畴也在不断拓宽，越来越多的建筑配套产品需要外购，甚至部分预制件也都可外包给其他企业生产。这使建筑材料供给商的数量和种类进一步增加。合理的供给商评价方法是选择供给商的前提。供给商评价的一般步骤为：分析市场竞争环境-建立选择的目标-建立供给商评价标准-建立评价小组-供给商参与-评价供给商。3数据挖掘3.1决策树方法通过特定的算法，数据挖掘可以在已有的数据集中发现或生成特定的模式，而这些模式可能是人工难以识别的。当前，数据挖掘技术已经在很多行业得到了成功应用，并且正在向深度学习方向发展，将发挥更大的作用。决策树方法是指在分析问题时，把所有的决策动作或事件的结果都展开，形成树状图，并利用该图反映出思考、预测、决策的全过程。当前最有影响力的决策树算法是C4.5算法。它是ID3算法的升级版，不仅可以处理离散型变量，还能处理连续型变量。C4.5算法采用了信息增益比作为选择测试属性的标准，从而使选择范围更加合理，弥补了ID3算法的缺陷。C5.0算法则是C4.5算法的修订版，最大特点是可生成多节点多分支的决策树。C5O算法根据最大信息增益的属性开展样本拆分，并且可以开展循环拆分，从而保证耦合性降到最低。3.2C5.O算法设S是一个样本集合，包含N个样本，目标变量C有M个取值，则可将样本集分为M个类别。设ni为属于类别Ci的样本数量，则样本集合S的信息嫡E(S)定义为将训练样本集为决策树的根节点，然后分别计算每个特征属性的信息增益率，选择信息增益率最大的属性Ai,把在iA处取值相近的样本归于同一子集，对每种取值情况下的子集递归调用此计算过程，若子集只含有一个属性，则可建立一个叶节点作为分支，从而建立决策树。4方法研究4.1样本集建立建筑材料供给商的特点是专业性强，一个供给商可能仅涉足一个领域，生产若干种产品，受到自身技术实力、生产规模、工艺方法等因素的制约，不同产品的质量、性能、交货周期也不尽一样。供给商评价则应以供给商的产品为主体开展。利用公开资料中收集到的各类建筑材料供给商的资料，收集了477个样本,样本从产品质保能力、技术能力、供给能力、售后服务能力几个指标来表达，由14个属性字段和评价字段组成，包括：质量管理水平、废品率、返修率、可靠度、失效率、产品开发能力、技术水平、自主知识产权程度、价格、态度、交货提前量、交货周期、准时交货率、服务及时率、交流反应率、评价结果。表1为这些样本字段属性的分类情况。评价结果共分为两个类别：“好产品”和“差产品”。定义为：“好产品”就是建筑企业愿意在供给商处采购的产品；“坏产品”则是建筑企业不愿意采购的产品。4.2决策树构建在477个样本中随机抽取约80%作为训练样本集合，剩余的20%作为测试样本。样本集合中好、差产品的分布如下表2所示。4.3算例验证基于本文建立的决策树模型，对训练样本集合和测试样本集合开展分类，分别观察预测正确率，结果如下表4所示。在此模型中，正确率有两类，即将好产品误判为差产品的概率和差产品误判为好产品的概率。从表4可以看出，预测结果总体是可行的，说明此决策树模型对筑材料供给商评价及选择具有一定的参考价值。5结论针对建筑材料供给商管理问题，提出了一种基于决策树C5.O算法的建筑材料供给商评价模型。根据477个建筑材料供给商样本，分析了评价指标，建立了样本集合，并用样本集开展了算例验证，结果说明该方法是有效可行的。基于决策树的方法计算简单，可读性强，具有描述性，有助于人工分析。本文的研究只是一个开端，还应进一步研究人工智能算法在供给商评价方法中的应用，以提高预测精度。