基于数据挖掘的建筑材料供应商评价方法研究

1　引言

建筑业是一项复杂的生产活动，涉及几十多个工业部门，一栋建筑的建造过程需要众多原材料及设备供应商的产品支持。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进行。各类供应商提供的产品质量、价格和交付时间，以及供应商本身的生产能力、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，选择可靠的供应商是建筑企业的关键问题。建立合理、公平的供应商评价方法和机制，不仅可为建筑企业提供选择供应商的主要手段，也可为行业管理提供决策基础。

目前，供应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应商评价方法提供了启示。本文的主要工作是根据现代建筑模式的特点，分析建筑材料供应链的核心要素，建立基于决策树C5.0算法的建筑材料供应商评价模型。

2　建筑材料供应商评价的必要性

常规的供应链由供应商、制造商、配送商、销售商组成。但由于建筑业的特点，建筑材料供应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应商的关系非常密切。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、交货形式都不尽相同。对原材料和设备的采购必须与建筑工程进度紧密关联，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应商之间建立良好的互动反馈。此外，在建筑过程中，业主有可能会指定一些设备、材料的供应商，这也是供应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，建筑材料供应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。这使建筑材料供应商的数量和种类进一步增加。

合理的供应商评价方法是选择供应商的前提。供应商评价的一般步骤为：分析市场竞争环境-建立选择的目标-建立供应商评价标准-建立评价小组-供应商参与-评价供应商。

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算法的不足。

C5.0算法则是C4.5算法的修订版，C5.0算法的最大特点是可生成多节点多分支的决策树。C5.0算法根据最大信息增益的属性进行样本拆分，并且可以进行循环拆分，从而保证耦合性降到最低。

3.2　C5.0算法

将训练样本集合作为决策树的根节点，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，把在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

建筑材料供应商的特点是专业性强，一个供应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、交货周期也不尽相同。供应商评价则应以供应商的产品为主体进行。利用公开资料中收集到的各类建筑材料供应商的资料，收集了477个样本，样本从产品质保能力、技术能力、供应能力、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、合作态度、交货提前量、交货周期、准时交货率、服务及时率、交流反馈率、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应商处采购的产品；“坏产品”则是建筑企业不愿意采购的产品。

表1　样本字段属性分类

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、差产品的分布如表2所示。

表2　样本集合数量分布

以类别C1为例，其信息增益率计算步骤如下：

类似地，按照上述步骤可以计算出其他14个决策属性的信息增益率。再对每个节点重复以上步骤，则可生成最终决策树模型。建筑材料供应商评价的决策树模型如图1所示。

图1　决策树模型分类结果

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进行分类，分别观察预测正确率，结果如表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。

表4　预测结果

从表4可以看出，预测结果总体是可行的，表明此决策树模型对筑材料供应商评价及选择具有一定的参考价值。

5　结论

针对建筑材料供应商管理问题，提出了一种基于决策树C5.0算法的建筑材料供应商评价模型。根据477个建筑材料供应商样本，分析了评价指标，建立了样本集合，并用样本集进行了算例验证，结果表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应商评价方法中的应用，以提高预测精度。

参考文献

[1]杜利珍，余利琪，陶德馨．汽车零部件供应商的评价与选择方法及软件实现[J]．物流科技，2006，29（126）.

[2]湛述勇，陈荣秋．论JIT环境下制造商与供应商之间的关系——中国汽车工业中的JIT采购与供应[J]．管理工程学报，1998，12（3）.

[3]奚慧杰．浅论精益生产模式下供应商战略伙伴关系的建立[J]．昌河科技，2005，（1）.

[4]Han J，Kamber M．Data Mining：Concepts and Techniques[M]．北京：高等教育出版社，2001.

[5]Fayyad U M，Piatetsky-Shapiro G，Smyth P，et al．Advances in Knowledge Discovery and Data Mining[M]．MIT Press，1996.

[6]Hunt，E B，Krivanek，J．The effects of pentylenetetrazol and methyl-phenoxypropane on discrimination learning[J]．Psychopharmacologia，1966，（9）.

[7]Quinlan J R．Induction of Decision Trees[J]．Machine Learning，1986，（4）.

[8]Quinlan J R．C4.5：programs for machine learning[M]．Morgan Kaufmann，1993.

[9]王学群．基于网络层次分析法的供应链核心企业供应商评价研究[D]．合肥：合肥工业大学，2007.

[10]覃广深．基于供应链的供应商评价指标体系及方法的研究[D]．镇江：江苏大学，2005.

（作者系大连育明高级中学学生）