基于SVM-VIKOR的自营电商供应商选择研究

程平 施阳 张菁

【摘 要】 国内大循环为主体、国内国际双循环相互促进的新发展格局有力推动了自营电商企业供应链的协同创新和优化。在新发展格局下，国内市场的扩大和竞争的加剧对自营电商的供应商选择提出了更高的要求，供应商选择的质量和稳定性成为自营电商市场竞争力的重要影响因素。文章引入机器学习方法，构建了基于SVM-VIKOR的自营电商供应商选择模型。首先，分析了自营电商经营特性和SVM-VIKOR算法对自营电商供应商选择的适用性；其次，基于供应商QCDS原则，通过采集供应商的供货能力、经营情况、成本控制等方面数据，进行数据清洗、转换和归一化处理，基于评估指标提取特征，拆解成多个变量特征；然后，利用SVM-VIKOR算法进行模型测试和结果分析，对供应商进行分类与排序，从而选出最佳供应商；最后，通过自营电商S企业案例验证了模型的有效性，以期为同类企业提供参考和借鉴。

【关键词】 供应商选择； 自营电商； 机器学习

【中图分类号】 F406.7  【文献标识码】 A  【文章编号】 1004-5937（2023）13-0147-09

一、引言

党的二十大报告强调提升产业链、供应链韧性和安全水平，对推动高质量发展、建设现代化经济体系、实现供应链的协同创新和优化具有重要指导意义。产业链和供应链是现代产业的核心组成部分，供应商在供应链中扮演重要角色，企业在采购行为的每个阶段都涉及供应商的选择、管理和协作。自营电商作为一种将供应商处采购的商品存储到自有仓库，然后再通过自有平台进行销售的电子商务模式，其对供应商的依赖度高于传统电商平台[1]。企业交易所产生的供应商数据和产品信息数量庞大、种类繁多，对其数据处理与分析能力和供应商选择的效率提出了更高的要求。而传统的供应商选择方法存在主观性强、指标单一、缺乏数据分析和决策支持、无法进行量化评估、难以适应复杂的市场环境等缺陷[2]。伴随着数字经济和实体经济的深度融合，数字技术为自营电商平台的供应商选择提供了新路径[3]。利用科学的数据分析技术，能够实现资源的高效利用，有助于提高选择的精度和可靠性，弥补传统供应商选择方法主观性强、精确度不高、未考虑自营电商自身特性等缺陷。

供应商选择指企业在采购物资、服务和原材料等方面，根据其需求和要求，通过评估不同供应商的优劣，选定最优供应商进行合作[4]。有关供应商选择的研究可追溯到1996年，Dickson[5]认为，供应商选择最重要的指标是质量，此外，交货、历史效益、价格、技术能力和经营状况等7个因素也是非常重要的指标。Zeydan et al.[6]將AHP-模糊TOPSIS-DEA结合，通过指标定权-排序-审核的方法为土耳其汽车制造厂商选择合适的供应商。伴随着“四新经济”的快速发展，已有不少学者在数学模型的基础上引入数据包络分析法、层次分析法、网络分析法等对供应商选择进行改革。门业■等[7]构建了基于博弈论组合赋权的模糊综合评价模型，通过AHP与因子分析法分别定权、博弈论组合赋权的方式对供应商分类，为国家电网对电力供应商综合评价提供了参考。Liu et al.[8]聚焦跨境电子商务背景，基于区块链技术，开发了一套包含多链结构模型、数据管理模型和区块结构模型的跨境电商供应链框架，以实现供应链管理中产品和交易的可追溯性。温志强等[9]以中石化国勘公司供应链转型为例，基于动态能力理论剖析了企业数字化转型对供应链的作用，研究表明供应链数字化转型提升了供应商管理等多环节的敏捷度。对于电商企业的供应商选择，程平等[2]以自营电商为研究对象，对供应商健康度进行定义，并通过层次分析——灰色关联分析（AHP-GRA）方法对供应商健康度进行评估，提升了供应商健康度评估的客观性和效率。李昀洲等[10]根据顾客购买商品时的需求关联性现象，通过应用FP-Growth算法和构建双目标随机规划数学模型的方式，探究有限库存容量下的多供应商电商库存分配问题。

纵观现有研究，供应商管理研究更多聚焦于对供应商选择指标体系构建、库存管理研究和进货量的预测等方面，且研究对象较多集中在制造型企业。在大数据背景下，自营电商企业的供应商选择与一般制造业企业有所不同，单纯地按照传统方式进行梳理和优化，无法结合自营电商经营模式的特点进行供应商选择。机器学习（Machine Learning）作为人工智能的重要分支，可以让计算机在没有明确的指示下也能够进行任务，通过对数据的分析和学习，发现数据背后的规律和模式，并能对未知数据进行预测和分类[11]。Cavalcante et al.[12]利用模拟和有监督的机器学习算法相结合的方法，将按时交付作为供应商选择的关键指标，通过利用数字制造中的数据分析功能来分析不确定情况下供应商绩效的风险状况。陈峰等[13]基于电力供应链网络，通过大数据与机器学习结合的方法构建了供应商及客户价值体系，提高了对供应商及客户价值评估精准度。支持向量机（Support Vector Machine，SVM）是一种二分类机器学习法，其目标是找到一个超平面来对数据进行分类，且使得超平面与最近的数据点之间的间隔最大。李健等[14]构建了基于粒子群优化支持向量机预测（PSO-SVM）模型，为供应链金融进行信用风险识别和预警。任婷婷等[15]引入错分代价构建代价敏感支持向量机（CSSVM），通过时间权重改进传统AdaBoost算法，以提高企业动态不平衡财务预警模型预测的准确率。多准则妥协解排序法（VIKOR）是一种多属性决策方法，旨在从多个候选项中选择出最佳的决策方案。王坚浩等[16]针对武器装备供应商，结合灰色群组（GGC）和改进标准间冲突性相关性（ICRITIC）对指标进行组合赋权，再基于VIKOR法对供应商折衷系数进行排序。目前国内外已有不少文献通过机器学习算法进行供应商选择，这些文献对自营电商企业供应商选择方法提供了参考价值。通过机器学习进行自营电商供应商选择能够加速决策过程、降低人力成本，从而推动供应链的优化和业务的发展。有鉴于此，本文以自营电商企业为研究对象，综合考虑供应商选择时候的供货能力、物流能力、经营情况和采购成本控制等影响因素，将支持向量机算法（SVM）和多准则妥协解排序法（VIKOR）相结合，构建了基于SVM-VIKOR的自营电商供应商选择模型，最后通过实例说明了模型的具体应用和可操作性。

二、基于SVM-VIKOR的供应商选择模型构建

为提高自营电商供应商选择的客观性和准确率，运用SVM-VIKOR算法对自营电商供应商管理进行模型构建。首先，对自营电商与SVM机器学习算法进行理论分析，剖析自营电商经营模式和SVM-VIKOR的算法原理。然后，在框架模型的指导下，依次完成供应商选择特征提取、构建基于SVM算法的供应商分类模型和基于VIKOR的供应商排序模型。

（一）自营电商与SVM机器学习算法的相关理论分析

自营电商企业通过自行采购、管理、销售商品的闭环全流程管理，可以保证商品的品质、售后服务的质量，能为客户提供更好的购物体验。对自营电商而言，选择合适的供应商是供应链管理的关键环节，合适的供应商可以提供高品质的产品、稳定的供应链和合理的价格，帮助企业提高竞争力和市场占有率。而选择不合适的供应商可能导致供应链断裂、价格竞争力下降或产品质量不佳等一系列问题，严重影响企业的声誉和运营效率。因此，自营电商企业必须通过科学的供应商选择方法，选择优质的供应商，保障企业的健康发展。

作为一种常用的机器学习分类算法，SVM可以利用历史数据进行训练，建立供应商选择模型。在自营电商供应商选择中，使用SVM算法能够更加准确地对供应商进行分类和评价，提高自营电商的采购决策能力和经营效益，具有很强的适用性。首先，SVM可以综合考虑多个因素，包括供应商的质量、价格、交货期、服务等多维度指标，使自营电商企业可以更加全面且客观地选择供应商。其次，SVM可以自主学习和调整模型参数，根据实际数据不断更新模型，提高模型的预测精度和可靠性。将SVM应用于自营电商供应商选择可以快速适应不断变化的市场环境，根据市场需求和供应商变化自动更新模型，从而提高供应商选择的灵活性和适应性。相较于BP神经网络、随机森林、决策树等分类算法，SVM算法具有较强的泛化能力和高分类准确度，能够对供应商进行全局最优分类，从而缓解了传统供应商选择中的主观偏向。尤其适用于样本量较小、特征空间高维且存在非线性分割等情况下的供应商选择分析，能够提高供应商选择的效率和精度。因此，基于SVM的自营电商供应商选择模型具有很大的潜力和优势。

但是，SVM算法仅能参照自营电商的历史供应商数据进行分类预测，不能精确地判断所有待选供应商的具体排序情况，也不能考虑不同情境下的决策者主观偏好。VIKOR法通过计算评估对象的最优解和最差解，从而对评估对象进行排序。通过VIKOR法对待选供应商进行排序，可以考虑企业选择供应商的偏好。在SVM机器学习算法对供应商进行分类的基础上，利用VIKOR法对待选供应商进行排序，既能避免人为选择的主观性，也能够考虑企业在不同时期选择供应商的偏好，最终得到最优供应商，方便企业对供应商进行选择。

（二）基于SVM-VIKOR的供应商选择模型

基于SVM-VIKOR的供应商选择模型由数据准备与处理、基于SVM算法的供应商分类、基于VIKOR算法的供应商排序三部分组成，基于SVM-VIKOR的供应商选择框架模型如图1所示。

首先，对数据进行准备与处理可以提高模型的精度和可靠性，获取结构化、半结构化和非结构化的供应商基本信息、供应商产品信息、供应商物流信息等与供应商选择相关的数据。通过数据清洗、数据归一化等预处理过程，形成结构化的数据，再从供应商的供货能力、物流能力、经营状况和成本控制四大维度出发，對供应商选择指标进行数据特征提取，建立供应商选择数据集。

其次，基于数据处理结果，将供应商选择数据集输入SPSS Modeler18.0中，选择合适的核函数建立供应商选择数据分析模型，并使用样本量的70%作为训练集进行模型训练，使用30%划定为测试集输入模型进行训练，直至误差达到可接受范围为止。待训练结束后，分析预测变量的重要性和预测验证结果，筛选出待选供应商数据。

最后，在SVM算法分类基础上基于VIKOR法对待选供应商排序。通过指标定权、计算理想解、计算群体效用值与个体遗憾值、计算利益比率并排序等步骤后，通过判断最小利益比率值得出最符合企业需求的供应商，为项目负责人员提供选择供应商的辅助决策信息。

（三）供应商选择特征提取

基于SVM-VIKOR的供应商选择模型目的在于通过分析供应商的供货能力、经营状况，考虑采购成本和主观偏好等因素对供应商进行选择，实现企业资源的合理配置和供应商的差异化管理。现有研究较少考虑供应商交付能力（包括供货能力、物流能力）等。良好的交付能力可以确保商家有充足的库存，避免出现商品缺货，保障了销售业绩和客户满意度。同时，良好的交付能力有利于促进商家与供应商之间的合作，建立起更加紧密和稳定的合作关系，降低后续合作中的风险。除此之外，供应商的经营状况也是反映供应商产品质量和供货情况的有力保障，跟踪供应商的经营情况，能够有效降低供应商违约风险。本文将供应商选择特征分为以下四类：

第一类是反映供应商供货能力的相关特征。供应商的供货能力直接关系到企业的运营效率，稳定、高质量的产品供应可以降低电商的库存压力和质量控制成本，从而提高运营效率，减少浪费。此外，在大促期间或紧急情况下，良好的供货能力可以缓解缺货等问题，提高客户满意度和保持客户忠诚度。对于自营电商而言，良好的购物体验是其经营的关键，客户希望及时获得购买的产品。如果供应商不能按时供应，将会影响电商的交货期，进而影响客户的满意度和忠诚度。因此，选择供货能力强的供应商可以确保电商及时满足客户的需求，以达到提高客户满意度和忠诚度的目的。

第二类是反映供应商物流能力的相关特性。供应商的物流能力是反映供应商交付能力的重要支撑。选择物流能力强的供应商有利于提高交付速度，缩短企业交货时间，从而减少客户等待时间，提高交付效率。其次，良好的物流能力可以优化供应链，降低供应链风险，增强对供应链的可控性，提高企业盈利能力和采购效率。

第三类是反映供应商经营情况的相关特征。供应商的经营情况直接影响其生产能力和产品质量水平，选择经营良好的供应商可以确保其稳定的供货能力和产品质量，从而降低商业风险。此外，考虑供应商的经营情况还可以提高供应链的透明度，选择经营情况良好的供应商可以获取更多的信息和数据，从而更好地了解供应链的状况，优化运营计划，降低风险和成本。同时，选择经营情况良好的供应商还有助于提高自营电商的品牌形象，经营良好的供应商通常拥有较高的声誉和品牌知名度，与之合作可以提升自营电商的形象和认可度，为企业带来更多的业务机会和收益。

第四类是反映采购成本的相关特征。采购成本与企业销售商品的毛利率呈负相关，选择采购成本低的供应商可以帮助自营电商降低采购成本，进而提高盈利能力。低成本的采购可以让自营电商在价格上更有竞争力，吸引更多的消费者购买其产品，进而增加销售量和利润。除此之外，考虑供应商的采购成本可以优化自营电商的采购决策，降低采购风险。自营电商在选择供应商时可以比较不同供应商的采购成本和质量，选择最佳供应商进行合作，降低采购风险和成本。

在供应商QCDS原则（即质量、成本、交期和服务并重）的基础上进行优化，把供应商供货能力、供应商物流能力、经营情况和成本控制等特性进行指标化，拆解成多个变量特征。供应商选择特征体系如表1所示。

（四）基于SVM-VIKOR的供应商选择算法步骤

基于SVM-VIKOR的供应商选择模型分为基于SVM的供应商分类和基于VIKOR的供应商排序，具体构建步骤如下：

1.基于SVM的供应商分类

SVM算法是基于SVM分类器的一种常见的二分类算法，其基本原理是通过训练数据集，获取几何间隔最大的超平面，从而达到正确区分数据集的效果。几何间隔最大的超平面即指各类样本点到超平面的最远距离，而任意的超平面都可以用线性方程来表示：

对于线性不可分问题，SVM需引进核函数把数据从低维空间向高维空间投射，达到线性可分的目的，不同核函数得到的支持向量机形式也不同。由于高斯核函数拟合能力强且不仅限适用于线性可分问题，所以本文选择高斯核函数将输入的供应商筛选数据映射到高维空间中。高斯核函数（RBF）的表达式为：

引入核函数后，SVM算法将开始进行优化问题构造：

对式2求得最优解α？觹，代回求解ωT，选择α？觹的一个正分量可求解b？觹，可得分类决策函数为：

2.基于VIKOR的供应商排序

经过SVM进行供应商分类处理后能够大致将供应商分为“待选”和“淘汰”两类，决策者能够进一步缩小可选择的范围，下一步将基于VIKOR法对供应商进行排序。

基于VIKOR法的供应商排序需在指标权重下进行，包括指标定权、计算理想解、计算各供应商的效用值和个体遗憾值、计算利益比率和排序。理想解包括正理想解和负理想解，正理想解（x■■）指正向指标最大化和负向指标最小化的方案。

负理想解（x■■）则与正理想解相反，指正向指标最小化和负向指标最大化的方案。

各供应商的效用值（Si）和个体遗憾值（Ri）为：

正理想解和负理想解对应的群体效用值和个体遗憾值分别为：

根据群体效用值和个体遗憾值计算利益比率（Qi）：

式中ε为决策机制系数，ε∈（0，1]，當ε>0.5时，表示在进行决策的过程中更加注重群体利益最大化，不注重反对者的个体遗憾。当ε<0.5时，决策将以个体遗憾最小化为决策依据，所以本文设置ε=0.5。

最后，利益比率（Qi）的结果将以降序排序，Qi值越小说明结果越好。

三、实例分析——以自营电商S企业为例

以自营电商S企业为例，验证自营电商供应商选择模型的有效性。S企业是一家自营式电商企业，其经营方式为：在供应商处购进货物存储到企业仓库中，客户下单后由S物流承运，选择收货地就近仓库发货，将收货时间精确到小时，实现了商品的垂直化供应管理。

（一）S企业供应商选择现状描述及存在的问题

S企业采购货品时的供应商选择同大多数的企业类似，主要考察申请企业的资质条件、经营情况等方面的因素。目前，S企业在选择供应商时，主要考虑了供应商的产品价格因素、信用因素、产品质量、经营现状等。走访S企业的部分消费者发现，企业销售的商品能保证良好的质量和及时的退换服务，但是在某些突发情况之下，会短时间出现断货或缺货情况。S企业在选择供应商时，并未着重考虑供应商的供货情况和交付情况。对因突发事件而产生的紧急订购，也未设计特殊的选择标准。S企业的供应商选择满足了企业的常规选择思路，保障了货源的真实性和优质，但忽略了自身的特点。要保障消费者能快速收到商品，不仅要确保自身物流和库存万无一失，还需要供应商与之配合。

鉴于此，本文通过提取供应商供货能力、物流能力、经营情况和成本控制的相关特征，利用SPSS Moderler 18.0中的SVM算法进行供应商分类，区分出“待选”和“淘汰”两类，再基于VIKOR法对“待选”供应商进行排序，最终选出合适的供应商。

（二）数据来源

目前，S企业在进行供应商选择时，包含了供应商基本信息、物流信息、采购信息、产品信息等，涉及ERP、采购管理、供应商管理等多个信息化系统的数据库，其中包括结构化数据、半结构化数据等。ERP系统中包含供应商的基本信息、产品信息，可以用作经营情况的分析；采购管理系统中包含采购历史数据和库存信息，可以用作供应商供货能力和物流能力方面的评定；供应商管理系统中包含供应商的价格政策和物流政策，可以用S企业在选择供应商时成本控制方面的判定。这些数据能够以Excel的格式从数据库抽取出来，为了研究的方便，本文只提取S企业2016—2021年的数据。

（三）数据准备

S企业需要采集ERP系统中各备选供应商的基础数据，结构化数据如供应商基本信息表，其中包含了供应商的编码、企业名称、联系方式等。在采购管理系统中，主要采集备选供应商的采购记录、入库数据等，包括结构化数据采购记录表，半结构化数据采购单、入库单等。其中，采购记录表包含采购的及时率和准确率等数据，采购单中包含供应商的历史供货情况，入库单中包含供应商的供货准时情况等。在供应商管理系统中，主要采集供应商的价格政策和物流情况。最终，将供应商的编码、名称、交货准确率、急单供货率、供应商价格政策等相关信息进行汇总形成多维度的S企业供应商选择指标表，如表2所示。

由于供应商选择的数据有结构化、半结构化、非结构化数据，所以需要经过数据预处理将其处理为结构化数据，统一数据的格式。然后对数据中的不规范数据进行清洗，通过对缺失值、异常值进行填充、删除等操作，可以将供应商选择数据集之间的单位统一。

由于供应商指标体系中数据值域存在较大差距。为数据分析的统一性，使用数据标准化公式15对数据进行归一化处理，将数据转换成统一量纲，数据归一化结果部分如表3所示。

（四）基于SVM的供应商分类

使用SPSS Modeler软件中SVM建模对供应商选择样本进行数据训练，选取含有178條样本数据的Excel文件“供应商选择数据样本.xlsx”作为SVM模型的数据源输入，通过表格可预览样本数据。通过字段选项中的分区工具将样本数据随机分为70%的训练集、30%的测试集。在类型字段选项中需要将“种类”作为目标输出，“供应商”作为唯一字段分配分区，其余字段角色选择输入。采用SVM模型，即可构建出供应商分类模型训练流程。待模型构建完毕后添加输出表格和分析，可得到模型预测变量重要性和预测正确率，具体模型流程如图2所示。

通过对供应商选择SVM模型进行预测变量重要性分析发现，价格、交货及时率、发货地地理距离、运费政策、产品合格率等对供应商种类的准确率占比较重，说明S企业选择供应商时将商品价格视为重要因素，其次分别为交货及时率和发货地理位置等因素。预测变量重要性如图3所示。

通过该供应商选择模型中分析节点的输出结果显示，供应商选择指标样本训练集121条数据的正确率达到99.17%，其中正确120条，错误1条；测试集57条数据的正确率为98.25%，其中正确56条，错误1条；该分析结果表明，SVM的训练模型可用于S企业的供应商选择模型，模型验证分析如图4所示。

（五）基于VIKOR的供应商排序

根据SVM模型分类结果，利用VIKOR法对供应商进行排序，最终选择出最优备选供应商。常见的指标定权法有熵权法、CRITIC权重法等，这些方法通过计算求取指标权重，结果相对客观，但是无法了解决策者偏好。通过邀请5位专家，其中包含2位企业财务高管和3名高校教授，分别对上述指标体系进行定权，最后求取平均数得到最终定权结果如图5所示。

根据图中上述指标权重计算出群体效用值（S）和个体遗憾值（R）的最优值和最劣值，由于群体效用值（S）为各个供应商到最优供应商的加权距离，范数为1的闵可夫斯基距离，其值越小越好，越小说明越靠近最优供应商，其群体效应越大。个体遗憾值（R）为各个供应商到最优方案的加权距离，范数为无穷大的闵可夫斯基距离，其值越小越好，越小说明个别遗憾越小。通过计算得出最优群体效用值（S+）为0.209，最优个体遗憾值（R+）为0.049。

根据计算出的群体效用值和个体遗憾值，可以得到VIKOR法的决策指标利益比率值（Q），根据利益比率值（Q）的大小决定供应商的最终排序，其值越小说明该供应商越优秀，最终排序结果如表4所示。

为保障企业经济高质量发展，供应商智能选择应当做到精度高、客观性强、结果可靠。从表4可以看出，gys0046的利益比率值（Q）为0.065，在待选供应商中得到最优备选供应商名额，排名第一。gys0038、gys0097的利益比率值（Q）分别为0.952、1，排名靠后。结果表明，gys0046在产品质量、交货及时率和急单供货等方面都表现良好。S企业在选择供应商时，可以根据排名结果选择gys0046、gys0032、gys0002，这些供应商满足了决策者在选择时的主观偏好，能够保证货源足量供应、及时供应、货源质量良好，也能在一定程度上缓解企业的采购成本。除此之外，S企业在面临急单或紧急情况时，应当避免与gys0038、gys0097等企业进行合作。

四、结语

自营电商作为推动数字经济发展的重要力量，需要充分利用数据要素和现代信息技术推动企业的数字化转型升级。供应商选择对自营电商企业的经营发展有着重要的影响。本文构建了基于SVM-VIKOR的自营电商供应商选择模型，并以自营电商S企业为实例说明了模型的具体应用，为数字经济下的自营电商供应商选择提供了全新的研究与应用视角，有助于进一步推进企业财务数字化转型，同时为全国统一大市场背景下的电商企业供应商选择提供了指导、借鉴和参考。

【参考文献】

［1］ 文悦，王勇，但斌，等.电商平台自营和制造商直销的多渠道竞争策略研究［J］.中国管理科学，2019，27（10）：77-89.

［2］ 程平，张菁.基于AHP-GRA的供应商健康度评估——以自营电商S企业为例［J］.财会月刊，2023，44（2）：123-129.

［3］ 徐杨.基于大数据分析技术的电子商务供应商选择研究［J］.现代电子技术，2020，43（15）：152-154，158.

［4］ 于辉，李亚勋.供应链视角下供应商的产品创新策略选择：融资VS不融资［J］.管理工程学报，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］ 门业■，钱梦迪，于钊，等.基于博弈论组合赋权的电力设备供应商模糊综合评价［J］.电力系统保护与控制，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］ 温志强，陶然，陶敬中，等.数据赋能与效能迭代：能源战略资源供应链数字化转型研究——以中石化国勘公司为例［J］.科学决策，2022（12）：93-106.

［10］ 李昀洲，陈璐.考虑需求关联性的多供应商电商库存分配研究［J］.上海理工大学学报，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］ 陈峰，初保驹.基于机器学习算法的电力供应商及客户价值体系构建与应用［J］.财务与会计，2020（17）：66.

［14］ 李健，张金林.供应链金融的信用风险识别及预警模型研究［J］.经济管理，2019，41（8）：178-196.

［15］ 任婷婷，魯统宇，崔俊.基于改进AdaBoost算法的动态不平衡财务预警模型［J］.数量经济技术经济研究，2021，38（11）：182-197.

［16］ 王坚浩，王龙，张亮，等.灰色群组聚类和改进CRITIC赋权的供应商选择VIKOR多属性决策［J］.系统工程与电子技术，2023，45（1）：155-164.