1、供应链系统风险数据处理问题的研究【摘 要】本文针对供应链风险信息数据量非常大，数据类型各种各样的特点，提出采用数据挖掘技术对数据进行分析和预处理，使数据达到归一化。建立基于数据挖掘的供应链风险智能维护系统，直观地了解与观察风险产生的原因、发展趋势，为控制与决策提供有价值的信息，有利于及时的控制风险。 【关键词】供应链风险；风险数据；数据挖掘；数据处理 1.引言 供应链中的数据信息对供应链风险管理的意义重大，应该把信息看成是战略性的资源加以利用，减少信息曲解。将供应链看成是一个系统，但是由于供应链的节点企业多，并且涉及到企业各个层次、部门的数据，数据类型多种多样，对数据进行处理成为一个必须要解决
2、的问题。数据挖掘是从数据集合中自动抽取隐藏在数据中的那些有用信息的非平凡过程。这些信息的表现形式为：规则、概念、规律及模式等，可帮助决策者分析历史数据及当前数据，从中发现隐藏的关系和模式，进而预测未来可能发生的行为。怎样对供应链系统风险数据进行处理是一个难题。本文将借助数据挖掘技术中的模糊综合评价理论对供应链系统风险数据进行处理。 2.数据收集 在不考虑外部风险的情况下，供应链数据包括需求信息、供应信息、生产制造数据、配送数据和质量数据等等。首先识别风险数据，收集供应链系统风险数据并进行分类，本文将供应链作为一个系统来看，在不考虑外部环境的情况下，将供应链风险数据分类如表 1。 3.数据挖掘
3、3.1 数据预处理 数据预处理用于对原始数据的采样、收集、整理，由于不同途径获取到的数据不一定能够得到有效的信息，所以数据的预处理是非常必要的。预处理主要是针对原始数据汇总不完整、喊噪声、冗余的或不一致的数据进行整理和补充的过程。可以根据数据本身的特征与重要性的不同，采用不同的方法。 3.2 基于模糊综合评价的数据挖掘模型 （1）首先需要建立识别评价指标集 根据风险数据评估体系，将因素集。 （2）根据评估的要求划分等级 根据评估的要求，将供应链风险数据指标划分等级，对每一个分别进行模糊综合评价。设评价等级域为：本文中，分别代表高风险，较高风险，一般风险，较低风险，安全五个等级。 （3）指标矩阵
4、 设第 i 类单因素评判矩阵为： 其中：。 （4）对数据进行标准化处理 本文采用的是无量纲化法，一般情况下，数据可以分为成本型和效益型。 通过变换，所有数据均为正向指标，最优值为 1 最差为 0，得到标准化后的特征矩阵。 （5）分级评判并进行归一化处理 利用模糊数学理论得到第 i 类因素的模糊评判为： 4.实例研究 下面就一个简单的供应链系统进行数据处理，某烟草行业供应链有2 家供应商，1 家烟草加工厂，3 家销售商，分销商若干等等。通过发放调查问卷和专家打分尽可能的收集所有供应商，生产商，销售商，用户的风险数据，从中选取关键数据并对其进行预处理。 以该供应链成员协作风险数据处理为例，首先根据
5、供应链的现有数据和情况，经过筛选从风险数据库里选取对供应链风险有影响的指标，建立因素集，第一层可表示为： =供应链节点合作水平，战略决策风险，供应链整体运营风险 第二层从属于第一层可表示为： =信息沟通能力，信誉水平，技术管理水平，物流，供应链成员变动率，响应速度 战略计划，经营决策，战略投资 资金，成本，产销（需）率 根据风险评估的相关文献及该企业供应链的实际经验，可以把企业供应链的风险程度划分为建立 5 个评估结果组成的评估集并确定分值，对相应分值设计了风险等级信号表（见表 2） 。 将上述数据分为效益型指标数据和成本性指标数据，并进行标准化处理，得到标准化后的评价指标矩阵 R1，R2，R
6、3： 由公式得到供应链节点企业合作水平风险的熵和熵权值为： 最终得到综合权重： 根据公式： 从最后的打分来看，对该供应链成员协作风险影响最大的因素是供应链节点合作水平，且风险最大，基本符合该烟草供应链的现状，说明该模型对处理风险数据的有一定有效性。 5.结论 供应链风险数据的处理是供应链风险智能维护系统中的一个首要步骤，是进行后续工作的基础，能够帮助识别供应链产生各类风险的可能性。在供应链风险管理快速发展的今天，把数据挖掘技术用于供应链风险智能维护中，从海量数据中发现隐藏的形式、趋势和关系，有助于供应链企业利用得到的知识提高决策质量和风险管理效率，建立供应链的竞争优势。但是目前国内这方面的研究刚刚起步。 参考文献： 1马士华.供应链管理M.北京：机械工业出版社，2000. 2刘同明.数据挖掘技术及其应用M.北京：国防工业出版社，2001（9）. 3毛国君.数据挖掘原理与算法M.北京：清华大学出版社，2007（12）. 4张存禄，黄培清.数据挖掘在供应链风险控制中的应用研究J.科学学与科学技术管理，2004.01.17. 5刘莉，徐玉生，马志斯.数据挖掘中数据预处理技术综述J.甘肃科学学报，2003，15（1）：117-118.
