基于SVM-VIKOR的自營電商供應商選擇研究

程平 施陽 張菁

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

【關鍵詞】 供應商選擇； 自營電商； 機器學習

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

一、引言

黨的二十大報告強調提升產業(yè)鏈、供應鏈韌性和安全水平，對推動高質量發(fā)展、建設現代化經濟體系、實現供應鏈的協同創(chuàng)新和優(yōu)化具有重要指導意義。產業(yè)鏈和供應鏈是現代產業(yè)的核心組成部分，供應商在供應鏈中扮演重要角色，企業(yè)在采購行為的每個階段都涉及供應商的選擇、管理和協作。自營電商作為一種將供應商處采購的商品存儲到自有倉庫，然后再通過自有平臺進行銷售的電子商務模式，其對供應商的依賴度高于傳統(tǒng)電商平臺[1]。企業(yè)交易所產生的供應商數據和產品信息數量龐大、種類繁多，對其數據處理與分析能力和供應商選擇的效率提出了更高的要求。而傳統(tǒng)的供應商選擇方法存在主觀性強、指標單一、缺乏數據分析和決策支持、無法進行量化評估、難以適應復雜的市場環(huán)境等缺陷[2]。伴隨著數字經濟和實體經濟的深度融合，數字技術為自營電商平臺的供應商選擇提供了新路徑[3]。利用科學的數據分析技術，能夠實現資源的高效利用，有助于提高選擇的精度和可靠性，彌補傳統(tǒng)供應商選擇方法主觀性強、精確度不高、未考慮自營電商自身特性等缺陷。

供應商選擇指企業(yè)在采購物資、服務和原材料等方面，根據其需求和要求，通過評估不同供應商的優(yōu)劣，選定最優(yōu)供應商進行合作[4]。有關供應商選擇的研究可追溯到1996年，Dickson[5]認為，供應商選擇最重要的指標是質量，此外，交貨、歷史效益、價格、技術能力和經營狀況等7個因素也是非常重要的指標。Zeydan et al.[6]將AHP-模糊TOPSIS-DEA結合，通過指標定權-排序-審核的方法為土耳其汽車制造廠商選擇合適的供應商。伴隨著“四新經濟”的快速發(fā)展，已有不少學者在數學模型的基礎上引入數據包絡分析法、層次分析法、網絡分析法等對供應商選擇進行改革。門業(yè)■等[7]構建了基于博弈論組合賦權的模糊綜合評價模型，通過AHP與因子分析法分別定權、博弈論組合賦權的方式對供應商分類，為國家電網對電力供應商綜合評價提供了參考。Liu et al.[8]聚焦跨境電子商務背景，基于區(qū)塊鏈技術，開發(fā)了一套包含多鏈結構模型、數據管理模型和區(qū)塊結構模型的跨境電商供應鏈框架，以實現供應鏈管理中產品和交易的可追溯性。溫志強等[9]以中石化國勘公司供應鏈轉型為例，基于動態(tài)能力理論剖析了企業(yè)數字化轉型對供應鏈的作用，研究表明供應鏈數字化轉型提升了供應商管理等多環(huán)節(jié)的敏捷度。對于電商企業(yè)的供應商選擇，程平等[2]以自營電商為研究對象，對供應商健康度進行定義，并通過層次分析——灰色關聯分析（AHP-GRA）方法對供應商健康度進行評估，提升了供應商健康度評估的客觀性和效率。李昀洲等[10]根據顧客購買商品時的需求關聯性現象，通過應用FP-Growth算法和構建雙目標隨機規(guī)劃數學模型的方式，探究有限庫存容量下的多供應商電商庫存分配問題。

縱觀現有研究，供應商管理研究更多聚焦于對供應商選擇指標體系構建、庫存管理研究和進貨量的預測等方面，且研究對象較多集中在制造型企業(yè)。在大數據背景下，自營電商企業(yè)的供應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)方式進行梳理和優(yōu)化，無法結合自營電商經營模式的特點進行供應商選擇。機器學習（Machine Learning）作為人工智能的重要分支，可以讓計算機在沒有明確的指示下也能夠進行任務，通過對數據的分析和學習，發(fā)現數據背后的規(guī)律和模式，并能對未知數據進行預測和分類[11]。Cavalcante et al.[12]利用模擬和有監(jiān)督的機器學習算法相結合的方法，將按時交付作為供應商選擇的關鍵指標，通過利用數字制造中的數據分析功能來分析不確定情況下供應商績效的風險狀況。陳峰等[13]基于電力供應鏈網絡，通過大數據與機器學習結合的方法構建了供應商及客戶價值體系，提高了對供應商及客戶價值評估精準度。支持向量機（Support Vector Machine，SVM）是一種二分類機器學習法，其目標是找到一個超平面來對數據進行分類，且使得超平面與最近的數據點之間的間隔最大。李健等[14]構建了基于粒子群優(yōu)化支持向量機預測（PSO-SVM）模型，為供應鏈金融進行信用風險識別和預警。任婷婷等[15]引入錯分代價構建代價敏感支持向量機（CSSVM），通過時間權重改進傳統(tǒng)AdaBoost算法，以提高企業(yè)動態(tài)不平衡財務預警模型預測的準確率。多準則妥協解排序法（VIKOR）是一種多屬性決策方法，旨在從多個候選項中選擇出最佳的決策方案。王堅浩等[16]針對武器裝備供應商，結合灰色群組（GGC）和改進標準間沖突性相關性（ICRITIC）對指標進行組合賦權，再基于VIKOR法對供應商折衷系數進行排序。目前國內外已有不少文獻通過機器學習算法進行供應商選擇，這些文獻對自營電商企業(yè)供應商選擇方法提供了參考價值。通過機器學習進行自營電商供應商選擇能夠加速決策過程、降低人力成本，從而推動供應鏈的優(yōu)化和業(yè)務的發(fā)展。有鑒于此，本文以自營電商企業(yè)為研究對象，綜合考慮供應商選擇時候的供貨能力、物流能力、經營情況和采購成本控制等影響因素，將支持向量機算法（SVM）和多準則妥協解排序法（VIKOR）相結合，構建了基于SVM-VIKOR的自營電商供應商選擇模型，最后通過實例說明了模型的具體應用和可操作性。

二、基于SVM-VIKOR的供應商選擇模型構建

為提高自營電商供應商選擇的客觀性和準確率，運用SVM-VIKOR算法對自營電商供應商管理進行模型構建。首先，對自營電商與SVM機器學習算法進行理論分析，剖析自營電商經營模式和SVM-VIKOR的算法原理。然后，在框架模型的指導下，依次完成供應商選擇特征提取、構建基于SVM算法的供應商分類模型和基于VIKOR的供應商排序模型。

（一）自營電商與SVM機器學習算法的相關理論分析

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、售后服務的質量，能為客戶提供更好的購物體驗。對自營電商而言，選擇合適的供應商是供應鏈管理的關鍵環(huán)節(jié)，合適的供應商可以提供高品質的產品、穩(wěn)定的供應鏈和合理的價格，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商可能導致供應鏈斷裂、價格競爭力下降或產品質量不佳等一系列問題，嚴重影響企業(yè)的聲譽和運營效率。因此，自營電商企業(yè)必須通過科學的供應商選擇方法，選擇優(yōu)質的供應商，保障企業(yè)的健康發(fā)展。

作為一種常用的機器學習分類算法，SVM可以利用歷史數據進行訓練，建立供應商選擇模型。在自營電商供應商選擇中，使用SVM算法能夠更加準確地對供應商進行分類和評價，提高自營電商的采購決策能力和經營效益，具有很強的適用性。首先，SVM可以綜合考慮多個因素，包括供應商的質量、價格、交貨期、服務等多維度指標，使自營電商企業(yè)可以更加全面且客觀地選擇供應商。其次，SVM可以自主學習和調整模型參數，根據實際數據不斷更新模型，提高模型的預測精度和可靠性。將SVM應用于自營電商供應商選擇可以快速適應不斷變化的市場環(huán)境，根據市場需求和供應商變化自動更新模型，從而提高供應商選擇的靈活性和適應性。相較于BP神經網絡、隨機森林、決策樹等分類算法，SVM算法具有較強的泛化能力和高分類準確度，能夠對供應商進行全局最優(yōu)分類，從而緩解了傳統(tǒng)供應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商選擇分析，能夠提高供應商選擇的效率和精度。因此，基于SVM的自營電商供應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商數據進行分類預測，不能精確地判斷所有待選供應商的具體排序情況，也不能考慮不同情境下的決策者主觀偏好。VIKOR法通過計算評估對象的最優(yōu)解和最差解，從而對評估對象進行排序。通過VIKOR法對待選供應商進行排序，可以考慮企業(yè)選擇供應商的偏好。在SVM機器學習算法對供應商進行分類的基礎上，利用VIKOR法對待選供應商進行排序，既能避免人為選擇的主觀性，也能夠考慮企業(yè)在不同時期選擇供應商的偏好，最終得到最優(yōu)供應商，方便企業(yè)對供應商進行選擇。

（二）基于SVM-VIKOR的供應商選擇模型

基于SVM-VIKOR的供應商選擇模型由數據準備與處理、基于SVM算法的供應商分類、基于VIKOR算法的供應商排序三部分組成，基于SVM-VIKOR的供應商選擇框架模型如圖1所示。

首先，對數據進行準備與處理可以提高模型的精度和可靠性，獲取結構化、半結構化和非結構化的供應商基本信息、供應商產品信息、供應商物流信息等與供應商選擇相關的數據。通過數據清洗、數據歸一化等預處理過程，形成結構化的數據，再從供應商的供貨能力、物流能力、經營狀況和成本控制四大維度出發(fā)，對供應商選擇指標進行數據特征提取，建立供應商選擇數據集。

其次，基于數據處理結果，將供應商選擇數據集輸入SPSS Modeler18.0中，選擇合適的核函數建立供應商選擇數據分析模型，并使用樣本量的70%作為訓練集進行模型訓練，使用30%劃定為測試集輸入模型進行訓練，直至誤差達到可接受范圍為止。待訓練結束后，分析預測變量的重要性和預測驗證結果，篩選出待選供應商數據。

最后，在SVM算法分類基礎上基于VIKOR法對待選供應商排序。通過指標定權、計算理想解、計算群體效用值與個體遺憾值、計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)需求的供應商，為項目負責人員提供選擇供應商的輔助決策信息。

（三）供應商選擇特征提取

基于SVM-VIKOR的供應商選擇模型目的在于通過分析供應商的供貨能力、經營狀況，考慮采購成本和主觀偏好等因素對供應商進行選擇，實現企業(yè)資源的合理配置和供應商的差異化管理。現有研究較少考慮供應商交付能力（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，避免出現商品缺貨，保障了銷售業(yè)績和客戶滿意度。同時，良好的交付能力有利于促進商家與供應商之間的合作，建立起更加緊密和穩(wěn)定的合作關系，降低后續(xù)合作中的風險。除此之外，供應商的經營狀況也是反映供應商產品質量和供貨情況的有力保障，跟蹤供應商的經營情況，能夠有效降低供應商違約風險。本文將供應商選擇特征分為以下四類：

第一類是反映供應商供貨能力的相關特征。供應商的供貨能力直接關系到企業(yè)的運營效率，穩(wěn)定、高質量的產品供應可以降低電商的庫存壓力和質量控制成本，從而提高運營效率，減少浪費。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，良好的購物體驗是其經營的關鍵，客戶希望及時獲得購買的產品。如果供應商不能按時供應，將會影響電商的交貨期，進而影響客戶的滿意度和忠誠度。因此，選擇供貨能力強的供應商可以確保電商及時滿足客戶的需求，以達到提高客戶滿意度和忠誠度的目的。

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

第三類是反映供應商經營情況的相關特征。供應商的經營情況直接影響其生產能力和產品質量水平，選擇經營良好的供應商可以確保其穩(wěn)定的供貨能力和產品質量，從而降低商業(yè)風險。此外，考慮供應商的經營情況還可以提高供應鏈的透明度，選擇經營情況良好的供應商可以獲取更多的信息和數據，從而更好地了解供應鏈的狀況，優(yōu)化運營計劃，降低風險和成本。同時，選擇經營情況良好的供應商還有助于提高自營電商的品牌形象，經營良好的供應商通常擁有較高的聲譽和品牌知名度，與之合作可以提升自營電商的形象和認可度，為企業(yè)帶來更多的業(yè)務機會和收益。

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

在供應商QCDS原則（即質量、成本、交期和服務并重）的基礎上進行優(yōu)化，把供應商供貨能力、供應商物流能力、經營情況和成本控制等特性進行指標化，拆解成多個變量特征。供應商選擇特征體系如表1所示。

（四）基于SVM-VIKOR的供應商選擇算法步驟

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

1.基于SVM的供應商分類

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練數據集，獲取幾何間隔最大的超平面，從而達到正確區(qū)分數據集的效果。幾何間隔最大的超平面即指各類樣本點到超平面的最遠距離，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需引進核函數把數據從低維空間向高維空間投射，達到線性可分的目的，不同核函數得到的支持向量機形式也不同。由于高斯核函數擬合能力強且不僅限適用于線性可分問題，所以本文選擇高斯核函數將輸入的供應商篩選數據映射到高維空間中。高斯核函數（RBF）的表達式為：

引入核函數后，SVM算法將開始進行優(yōu)化問題構造：

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

2.基于VIKOR的供應商排序

經過SVM進行供應商分類處理后能夠大致將供應商分為“待選”和“淘汰”兩類，決策者能夠進一步縮小可選擇的范圍，下一步將基于VIKOR法對供應商進行排序。

基于VIKOR法的供應商排序需在指標權重下進行，包括指標定權、計算理想解、計算各供應商的效用值和個體遺憾值、計算利益比率和排序。理想解包括正理想解和負理想解，正理想解（x■■）指正向指標最大化和負向指標最小化的方案。

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

各供應商的效用值（Si）和個體遺憾值（Ri）為：

正理想解和負理想解對應的群體效用值和個體遺憾值分別為：

根據群體效用值和個體遺憾值計算利益比率（Qi）：

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

最后，利益比率（Qi）的結果將以降序排序，Qi值越小說明結果越好。

三、實例分析——以自營電商S企業(yè)為例

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

（一）S企業(yè)供應商選擇現狀描述及存在的問題

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

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

（二）數據來源

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

（三）數據準備

S企業(yè)需要采集ERP系統(tǒng)中各備選供應商的基礎數據，結構化數據如供應商基本信息表，其中包含了供應商的編碼、企業(yè)名稱、聯系方式等。在采購管理系統(tǒng)中，主要采集備選供應商的采購記錄、入庫數據等，包括結構化數據采購記錄表，半結構化數據采購單、入庫單等。其中，采購記錄表包含采購的及時率和準確率等數據，采購單中包含供應商的歷史供貨情況，入庫單中包含供應商的供貨準時情況等。在供應商管理系統(tǒng)中，主要采集供應商的價格政策和物流情況。最終，將供應商的編碼、名稱、交貨準確率、急單供貨率、供應商價格政策等相關信息進行匯總形成多維度的S企業(yè)供應商選擇指標表，如表2所示。

由于供應商選擇的數據有結構化、半結構化、非結構化數據，所以需要經過數據預處理將其處理為結構化數據，統(tǒng)一數據的格式。然后對數據中的不規(guī)范數據進行清洗，通過對缺失值、異常值進行填充、刪除等操作，可以將供應商選擇數據集之間的單位統(tǒng)一。

由于供應商指標體系中數據值域存在較大差距。為數據分析的統(tǒng)一性，使用數據標準化公式15對數據進行歸一化處理，將數據轉換成統(tǒng)一量綱，數據歸一化結果部分如表3所示。

（四）基于SVM的供應商分類

使用SPSS Modeler軟件中SVM建模對供應商選擇樣本進行數據訓練，選取含有178條樣本數據的Excel文件“供應商選擇數據樣本.xlsx”作為SVM模型的數據源輸入，通過表格可預覽樣本數據。通過字段選項中的分區(qū)工具將樣本數據隨機分為70%的訓練集、30%的測試集。在類型字段選項中需要將“種類”作為目標輸出，“供應商”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，即可構建出供應商分類模型訓練流程。待模型構建完畢后添加輸出表格和分析，可得到模型預測變量重要性和預測正確率，具體模型流程如圖2所示。

通過對供應商選擇SVM模型進行預測變量重要性分析發(fā)現，價格、交貨及時率、發(fā)貨地地理距離、運費政策、產品合格率等對供應商種類的準確率占比較重，說明S企業(yè)選擇供應商時將商品價格視為重要因素，其次分別為交貨及時率和發(fā)貨地理位置等因素。預測變量重要性如圖3所示。

通過該供應商選擇模型中分析節(jié)點的輸出結果顯示，供應商選擇指標樣本訓練集121條數據的正確率達到99.17%，其中正確120條，錯誤1條；測試集57條數據的正確率為98.25%，其中正確56條，錯誤1條；該分析結果表明，SVM的訓練模型可用于S企業(yè)的供應商選擇模型，模型驗證分析如圖4所示。

（五）基于VIKOR的供應商排序

根據SVM模型分類結果，利用VIKOR法對供應商進行排序，最終選擇出最優(yōu)備選供應商。常見的指標定權法有熵權法、CRITIC權重法等，這些方法通過計算求取指標權重，結果相對客觀，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)財務高管和3名高校教授，分別對上述指標體系進行定權，最后求取平均數得到最終定權結果如圖5所示。

根據圖中上述指標權重計算出群體效用值（S）和個體遺憾值（R）的最優(yōu)值和最劣值，由于群體效用值（S）為各個供應商到最優(yōu)供應商的加權距離，范數為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)供應商，其群體效應越大。個體遺憾值（R）為各個供應商到最優(yōu)方案的加權距離，范數為無窮大的閔可夫斯基距離，其值越小越好，越小說明個別遺憾越小。通過計算得出最優(yōu)群體效用值（S+）為0.209，最優(yōu)個體遺憾值（R+）為0.049。

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

為保障企業(yè)經濟高質量發(fā)展，供應商智能選擇應當做到精度高、客觀性強、結果可靠。從表4可以看出，gys0046的利益比率值（Q）為0.065，在待選供應商中得到最優(yōu)備選供應商名額，排名第一。gys0038、gys0097的利益比率值（Q）分別為0.952、1，排名靠后。結果表明，gys0046在產品質量、交貨及時率和急單供貨等方面都表現良好。S企業(yè)在選擇供應商時，可以根據排名結果選擇gys0046、gys0032、gys0002，這些供應商滿足了決策者在選擇時的主觀偏好，能夠保證貨源足量供應、及時供應、貨源質量良好，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，應當避免與gys0038、gys0097等企業(yè)進行合作。

四、結語

自營電商作為推動數字經濟發(fā)展的重要力量，需要充分利用數據要素和現代信息技術推動企業(yè)的數字化轉型升級。供應商選擇對自營電商企業(yè)的經營發(fā)展有著重要的影響。本文構建了基于SVM-VIKOR的自營電商供應商選擇模型，并以自營電商S企業(yè)為實例說明了模型的具體應用，為數字經濟下的自營電商供應商選擇提供了全新的研究與應用視角，有助于進一步推進企業(yè)財務數字化轉型，同時為全國統(tǒng)一大市場背景下的電商企業(yè)供應商選擇提供了指導、借鑒和參考。

【參考文獻】

［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，2019，27（10）：77-89.

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

［3］ 徐楊.基于大數據分析技術的電子商務供應商選擇研究［J］.現代電子技術，2020，43（15）：152-154，158.

［4］ 于輝，李亞勛.供應鏈視角下供應商的產品創(chuàng)新策略選擇：融資VS不融資［J］.管理工程學報，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的電力設備供應商模糊綜合評價［J］.電力系統(tǒng)保護與控制，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，陶然，陶敬中，等.數據賦能與效能迭代：能源戰(zhàn)略資源供應鏈數字化轉型研究——以中石化國勘公司為例［J］.科學決策，2022（12）：93-106.

［10］ 李昀洲，陳璐.考慮需求關聯性的多供應商電商庫存分配研究［J］.上海理工大學學報，2023，45（2）：180-188.

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

［12］ CAVALCANTE I M，FRAZZON E M，FORCELLINI 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.基于機器學習算法的電力供應商及客戶價值體系構建與應用［J］.財務與會計，2020（17）：66.

［14］ 李健，張金林.供應鏈金融的信用風險識別及預警模型研究［J］.經濟管理，2019，41（8）：178-196.

［15］ 任婷婷，魯統(tǒng)宇，崔俊.基于改進AdaBoost算法的動態(tài)不平衡財務預警模型［J］.數量經濟技術經濟研究，2021，38（11）：182-197.

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