基于模式挖掘的多准则决策方法：在供应链供应商选择中的应用

《Pattern Recognition》：Pattern Mining-Based Multi-Criteria Decision-Making: Application to Supplier Selection in Supply Chains

　　将DEMATEL与TOPPRA相结合，提供一种在不确定性条件下的交互式MADM方法。• 将所提出的MADM方法应用于一个新颖的供应商选择问题。• 提供基于模式的算法，而不是强调数据驱动的算法。• 对重要的供应商选择因素进行分类和优先级排序。• 在一个真实案例研究中应用该方法。引言多准则决策（MCDM）分为多属性决策（MADM）和多目标决策（MODM），通常需要同时考虑定量和定性因素。MADM模型面临数据收集的复杂挑战，往往由于隐私问题。经典模型通常假设所使用的数据是可用的且精确的。然而，在许多情况下，这远非事实。决策者（DMs）面临不完整、不准确或相互矛盾的数据，且他们的判断和偏好本质上模糊且不精确。为了应对这些局限性，模糊理论已被频繁使用，特别是在供应商选择问题中。然而，模糊理论的实施，特别是对于大规模问题，计算量巨大且需要多次模拟[1]。在此类问题中，数据量的增加、高昂的处理成本，以及在确保质量的同时保持其匿名性的需求——无论是出于商业目的还是公共安全——促使了考虑数据隐私和匿名性的方法的涌现。在现有的四种匿名化技术（即抑制、解剖、扰动和泛化）中，本研究采用泛化方法，用更宽泛的不精确区间替代单一特征的确切值[2,3]。尽管MADM方法取得了显著进展，但处理此类数据的连贯框架仍然缺乏[4]。现有技术在跨数据集上常常产生不一致的结果，进一步复杂化了决策过程。层次分析法（AHP）无法处理数据不确定性，而基于与理想解决方案相似度的排序技术（TOPSIS）则面临判断一致性和泛化准则定义方面的挑战[5]。这些局限性迫切需要开发更稳健和可扩展的决策框架。为了克服这些局限性，本研究提出了一种基于模式挖掘的集成MADM方法。具体而言，采用Golp?ra[1]提出的基于决策者风险厌恶程度的模式挖掘偏好排序技术（TOPPRA），将其纳入一个新颖的集成MADM框架中。该模型通过纳入决策者的风险偏好，有效处理区间数据，从而增强了决策结果的稳健性和适用性。在现实场景中，不确定性和有限的认知精确度往往促使专家偏好使用区间判断而非精确值。他们在评估备选方案时倾向于使用区间值。区间值提供了更大的灵活性和适用性，并产生了令人满意的结果，必要时可转换为单一值[6,7]。但这可能会将整个区间压缩为单点估计，并丢弃潜在重要的内部分布信息。因此，提出了三个研究问题（RQs）：(1) 集成的、以不精确数据为导向的迭代MADM模型如何帮助实践者处理不精确、特定和缺失的数据，从而从综合角度进行评估并进一步做出决策？(2) 该模型是否可用于解决复杂问题，例如供应链中供应商选择，这些问题通常涉及不对称且高度重叠的数据区间？(3) 如何管理区间值到单一值转换过程中可能存在的偏差以及分布信息的丢失？供应链是由供应商、制造商和分销实体组成的互联网络，将原材料转化为终端客户的成品[8]。在此网络中，供应商选择是影响成本效率、盈利能力和整体表现的关键决策[9]。然而，在竞争和不确定环境中识别最合适的供应商仍然是一个具有挑战性的MADM问题，这是由于存在多个且往往相互冲突的准则[10]。鉴于评估准则的多重性和相互依赖性，需要一个系统性的框架来对准则进行分类、建模其交互关系，并实施严格的筛选程序以确保分析一致性和防止偏差[11]，同时处理缺失数据。由此产生了另外三个研究问题。(4) 研究人员和实践者如何分类和评估广泛的备选方案和属性？(5) 决策者如何根据其特定特征对单个记录进行分类？(6) 他们如何在实际和数学上评估已分类的指标，并基于经常存在的不精确和缺失数据进行实时决策？为了应对这些研究问题，本研究对供应商选择问题进行了系统综述，识别和分类了相关指标，并将决策试验与评价实验室（DEMATEL）与TOPPRA方法相结合。这种组合提高了供应商评估的透明度和组织性。它通过考虑之前被忽视的因果关系动态，为识别和构建关键指标提供了新方法。所开发的框架具有适应性，易于解释，并明确考虑了决策者的风险偏好，增强了其在动态和不确定环境中的相关性。需要强调的是，虽然所提出的框架主要产生排序后的供应商列表，但结果也可以视为分类结果，通过将供应商排序后归入决策类别（如首选、可接受和不可接受）。因此，本研究的主要贡献有三方面：(i) 引入一种创新的MADM方法，整合DEMATEL和TOPPRA，提供灵活的模式算法，能够处理确定的、不确定的、区间的和缺失的数据；(ii) 基于区间数据构建分层决策框架，这在MADM文献中很少涉及；(iii) 系统地收集、分类和优先级排序指标，考虑行业特定条件和决策者视角，以提高决策精度和相关性。本文其余部分如下。第2节回顾了供应商选择和决策技术的相关文献。第3节提出了所提议的方法及其公式化。第4节讨论了在伊朗库尔德斯坦省进行的案例研究，以验证该框架并分析其发现。最后，第0节总结了研究的贡献、局限性和未来研究建议。章节摘要研究背景供应商选择是供应链管理中的关键任务，通常被视为MCDM挑战。因此，大量研究利用各种框架探索了这一主题，旨在识别、评估和排名供应商，基于的往往相互冲突的准则。更具体地说，在2013年至2018年期间，供应商选择研究主要遵循三个路径：人工智能[12]、数学规划和MCDM[13]。它们通常涉及大量计算所提议的方法所提议的方法结合了模式挖掘和MCDM技术，以有效应对不确定条件下的供应商选择。它将DEMATEL方法与TOPPRA技术相结合，前者用于识别指标之间的因果关系，后者用于从区间数据中提取频繁模式并对供应商进行排名，同时考虑决策者的风险偏好。本节通过逐步结构概述该方法，辅以变量和参数的定义案例研究与发现本节概述了本研究的案例研究并呈现其结果。关于案例研究的详细信息，如数据整理过程、数据库、指标和子指标列表、处理缺失数据的方法、方法的稳健性和稳定性评估，以及数据管理规则（如图1所示），可在补充材料第SM2节中找到。结论与展望本研究探索了六个关键问题，旨在推动MADM在不确定和不完整数据背景下的发展。首先，研究了集成的区间导向和迭代MADM模型在帮助实践者管理不精确、特定和缺失数据以促进全面决策方面的潜力。其次，研究了该模型在解决复杂问题（如供应商选择）中的适用性数据可用性声明数据将根据通讯作者的要求提供。CRediT作者贡献声明**Hêri? Golp?ra：** 撰写 – 初稿，可视化，验证，监督，项目管理，方法学，调查，形式分析，概念化。**Amjad Gazrani：** 撰写 – 初稿，软件，调查，形式分析，数据整理。**Heibatolah Sadeghi：** 软件，形式分析，数据整理，概念化。**Erfan Babaee Tirkolaee：** 撰写 – 审阅与编辑，撰写 – 初稿，可视化，验证，监督，调查，数据整理。利益冲突声明作者声明，与本出版物相关没有已知的利益冲突，也没有为本工作提供可能影响其结果的财务支持。关于本研究、撰写和/或发表本文，不存在利益冲突。作者在本文章讨论的任何材料中没有财务或财产利益。Hêri? Golp?ra|Amjad Gazrani|Heibatolah Sadeghi|Erfan Babaee Tirkolaee