通过集成MARCOS方法构建高效的供应商绩效评价与选择流程

《Array》：Developing an efficient supplier performance evaluation and selection Process by integrating the MARCOS method

　　

供应商选择是贸易与供应链管理中的关键环节，直接影响成本、运营效率以及长期绩效。评价过程通常涉及多个且往往相互冲突的准则，而传统多准则决策（MCDM）方法，如依据折中解进行备选方案测量与排序的MARCOS方法，在确定准则权重时高度依赖专家主观判断。该研究提出一种集成方法，将机器学习（ML）算法——随机森林（Random Forest）、决策树（Decision Tree）、线性回归（Linear Regression）和梯度提升（Gradient Boosting）——与MARCOS方法相结合，以生成用于供应商评价的客观准则权重。该方法被应用于一个真实案例研究，数据来自孟加拉国Akij Resource某业务部门的11,846条采购记录。由ML模型导出的特征重要性得分用于指导权重分配，其中随机森林基于可解释性与性能指标被选定为最可靠模型，其平均绝对误差（MAE）为5.546，R²得分为0.588。所得ML-MARCOS排序结果与层次分析法（AHP）和逼近理想解排序法（TOPSIS）进行了比较，结果显示该方法在透明性和排序稳定性方面有所提升。敏感性分析表明，在准则权重发生变化时，该方法仍能保持一致性能。通过将数据驱动洞见与领域专家知识相结合，ML-MARCOS方法为供应商选择提供了一种稳健且客观的工具，使决策者能够在保留可解释性和专家参与的同时，更有效地优化供应链运营。

该文发表于《Array》，围绕供应链管理中的供应商绩效评价与选择问题，提出了一种机器学习辅助的MARCOS混合决策框架。研究背景在于，供应商选择直接关系采购成本、交付可靠性、产品质量及企业长期运营表现，而现实采购情境通常同时包含成本、交期、供货稳定性、响应能力等多项相互制约的评价维度，因此本质上属于典型的多准则决策（MCDM）问题。既有AHP、TOPSIS、VIKOR、PROMETHEE、ELECTRE、BWM等方法虽然能够为复杂决策提供结构化分析路径，但在准则赋权阶段普遍依赖专家经验判断，易引入主观偏差与一致性问题。与此同时，机器学习（ML）虽然能够从大规模采购数据中识别关键影响因素并揭示隐藏模式，但其输出结果往往缺乏与管理决策偏好直接对应的结构化排序机制，且在可解释性方面存在不足。正是在这种方法学张力下，研究人员开展该研究，试图弥合“数据驱动客观性”与“决策结构可解释性”之间的缺口。

研究人员的核心工作是构建ML-MARCOS框架，以机器学习模型输出的特征重要性作为准则权重来源，再将这些客观权重嵌入MARCOS方法完成供应商排序与选择。研究所依据的数据来自孟加拉国Akij Resource Limited采购业务实践，包含2022—2024年企业ERP系统中的11,846条采购记录。通过数据清洗、缺失值处理、异常值修正、标准化处理以及专家验证，研究人员从原始近90个属性中筛选出9个用于评价的关键准则，即基础价格、收货数量、交付时间、单项物料供货频率、总供货频率、成本、合作年龄、数量偏差与最近交易时间。随后，研究人员比较了随机森林、决策树、线性回归和梯度提升四类可解释ML模型，用于识别供应商绩效的关键驱动因素，并以特征重要性导出准则权重。综合R²、平均绝对误差（MAE）、重要性稳定性及专家一致性评估后，随机森林被选为最终赋权模型。研究结论表明，该方法在成本控制、交付周期、排名相关性与稳定性方面总体优于AHP与TOPSIS，且在权重扰动条件下仍保持较好的排序鲁棒性。这一研究的重要意义在于，为现代采购环境提供了一种兼具客观性、可解释性、可扩展性与实践适用性的供应商评价工具，推动了机器学习与MCDM深度融合在采购决策中的应用。

就关键技术方法而言，研究主要采用了三类方法。第一，基于企业真实采购数据开展数据预处理与特征筛选，样本来源为Akij Resource Limited 2022—2024年ERP采购记录，共11,846条。第二，利用随机森林（Random Forest）、决策树（Decision Tree）、梯度提升（Gradient Boosting）和线性回归（Linear Regression）提取特征重要性，并结合70%–30%训练测试划分、网格搜索（grid search）、R²与MAE评估、随机种子稳定性检验及跨模型一致性比较完成权重确定。第三，将经专家确认的ML导出权重嵌入MARCOS方法，依次执行理想解与反理想解扩展、标准化、加权、效用度计算与最终排序，并通过与AHP、TOPSIS比较及敏感性分析验证方法表现。

以下为研究结果解读。

2. Background and related research
该部分系统梳理了研究的理论基础。研究人员指出，多准则决策方法适用于成本、质量、交付可靠性、柔性等多维度并存的供应商评价任务，但传统方法在赋权上依赖主观判断。机器学习模型则擅长处理高维采购数据、识别关键绩效因素。已有混合研究虽尝试将ML特征重要性与TOPSIS、AHP或PROMETHEE结合，但与MARCOS的系统集成仍较少。研究据此界定出本文创新点，即以可解释ML模型支持MARCOS客观赋权。

3. An integrated ML–MARCOS methodology for supplier selection
该部分给出了整套方法流程。研究人员将框架划分为三个阶段：数据收集与预处理、基于ML的准则权重确定、基于MARCOS的供应商排序。其理论贡献在于清晰区分了“原始特征”与“决策准则”：前者来自采购业务数据，后者则是适合进入MCDM评价体系的管理导向变量。这一转换确保统计相关性能够与管理重要性衔接。

3.1. Data collection and pre-processing
研究人员说明数据来自Akij Resource Limited内部采购运营系统，涵盖历史采购交易、供应商绩效记录和运营日志。为保证数据可靠性，首先由组织内分析团队审查提取逻辑与特征定义，随后由3位具有10年以上经验的采购经理验证准则权重的业务合理性。预处理环节包括去重、错误记录剔除、缺失值填补、异常值处理以及归一化或标准化。该步骤得出的结论是：经系统整理后的数据能够为后续机器学习赋权和MARCOS排序提供一致、完整且稳健的分析基础。

3.2. Machine learning–based criteria weight derivation
该部分是全文方法创新的核心。研究人员将4种ML算法应用于准则赋权任务，其中重点强调树模型的可解释性与稳定性。随机森林由于集成结构能够减轻过拟合，并能输出跨多次运行较稳定的特征重要性，因此被优先考虑。结果显示，基础价格、交付时间、成本、最近交易时间、收货数量和总供货频率等变量具有较高重要性。经归一化后，最终准则权重分别映射为成本效率、交付及时性、总采购成本、交易新近性、订单履约率、供应商参与度、交付准确性、产品可得性和合作持续时间等9项决策准则。该结果说明，数据驱动方法能够在较大程度上削弱传统主观赋权带来的偏差。

3.2.1. Bridging ML feature importance and MCDM criteria weights
研究人员在这一小节对“用ML特征重要性替代MCDM权重”的合理性进行了方法论说明。由于特征重要性反映的是预测相关度，而MCDM权重反映的是决策偏好，因此研究未将二者机械等同，而是通过采购专家咨询确认高权重指标是否符合管理实际。专家认同总成本、交付可靠性及质量相关属性的高重要性，与模型输出保持一致。由此得出结论：在专家参与下，ML特征重要性可以作为准则权重的有效客观基础。

3.2.2. Robustness of weight determination
该部分通过跨模型比较与专家验证评估赋权稳健性。决策树虽取得较低MAE，但随机森林表现出更高的R²、更稳定的重要性排序以及更强的专家一致性。文中指出，随机森林生成的基于特征的排序与专家排序重合度为85%，高于决策树的78%；梯度提升与随机森林重合度为80%；线性回归受多重共线性与缩放敏感性影响，波动相对较大。因此，研究最终选择随机森林作为MARCOS权重的正式来源。这一结果表明，模型选择不仅取决于预测误差，还必须兼顾解释稳定性与业务一致性。

3.3. Applying the marcos method for supplier ranking and selection
研究人员在这一部分详细给出MARCOS排序流程，包括构建初始决策矩阵、引入理想解（AI）与反理想解（AAI）、根据成本型与效益型准则进行标准化、乘以ML导出权重形成加权矩阵、计算各供应商相对理想与反理想方案的效用度，并最终依据效用函数值进行降序排序。该部分的主要结论是：MARCOS能够将ML给出的客观权重转化为可解释、可操作的供应商优劣序列，实现从数据分析到管理决策的闭环。

3.4. Model validation techniques
研究人员采用多层验证策略增强框架可信度。包括70%–30%训练测试划分以检验泛化性能，网格搜索优化超参数，以不同随机种子重复运行检验特征重要性稳定性，并将各模型输出与随机森林结果进行一致性对照。此外，还通过Akij iBOS的ML团队、采购团队、团队负责人以及物资管理负责人分层审核模型输出与采购目标的一致性。该部分的结论是，ML-MARCOS并非仅在统计意义上成立，而且通过组织内部多层验证具备实际业务适配性。

4. Case study and result analysis
该部分展示真实工业案例应用。数据集共含11,846条采购记录，最终保留9项关键评价变量。描述性统计表明，各指标分布跨度较大，说明供应商行为具有显著异质性。相关性分析显示，收货数量与成本存在较强正相关，单项供货频率与成本也呈正相关，而单项供货频率与最近交易时间呈中等负相关。这些发现为准则筛选和权重分配提供了支持依据。

4.1. ML model evaluation
研究人员对四种ML模型进行比较。随机森林R²为0.588、MAE为5.546；决策树R²为0.443、MAE为3.725；梯度提升与线性回归整体表现较弱。虽然决策树误差更低，但随机森林在准确性、稳定性和可解释性之间实现了更合理平衡，因而被选为后续MARCOS赋权依据。该结果表明，在采购评价场景中，稳定且可解释的集成树模型更适合作为客观赋权工具。

4.2. Application of MARCOS for supplier ranking
研究人员基于随机森林权重构建初始决策矩阵，进一步扩展出包含理想解和反理想解的评价矩阵，经标准化和加权后得到各供应商的综合得分、相对效用度及最终排序。结果表明，ML-MARCOS能够识别并区分不同供应商在多维度上的综合表现，形成条目级供应商优先顺序。该部分的核心贡献在于证实了所提出框架具备现实采购数据上的可操作性。

4.3. Comparison with other methods
这是验证方法有效性的关键结果部分。与AHP和TOPSIS相比，ML-MARCOS在总体采购成本和平均交付周期上均表现更优：总采购成本降至639,215.06 BDT，而AHP和TOPSIS均为678,317.44 BDT；平均交付时间为17.06天，略优于后两者的17.16天。统计评价中，ML-MARCOS的Spearman相关系数为0.7857，Kendall Tau为0.6429，Precision@5为0.80，稳定性为0.999929；AHP与TOPSIS的稳定性尤其较弱或较不均衡。Wilcoxon符号秩检验与Friedman检验未显示其存在统计学劣势，同时其与基准排序的相关性更高。对单个物料的示例比较进一步显示，ML-MARCOS能够利用数据中的上下文特征产生不同于传统方法的排序结果。敏感性分析中，在权重±10%、±20%、±30%扰动条件下，Kendall Tau分别为0.286、0.286和0.357，研究人员据此指出，尽管局部排序存在变化，但顶部供应商保持不变，说明方法对中等程度权重波动具有韧性。

5. Discussion
讨论部分总结指出，ML-MARCOS在成本效率、交付周期和排序稳定性方面相对AHP与TOPSIS展现出持续优势。其关键原因在于，ML特征重要性赋权提升了客观性，降低了传统MCDM方法中的主观偏差。与此同时，采购专家对结果的认可进一步增强了方法的业务可接受性。研究也明确了局限：案例仅来自孟加拉国单一企业场景，结果的跨行业泛化仍需进一步验证；方法依赖高质量结构化数据；权重体系可能需要随采购战略变化动态校准；此外，研究尚未与更多新型混合MCDM或模糊MCDM方法展开对比。因此，该方法虽已显示出较强应用潜力，但推广时仍需考虑数据环境与应用场景差异。

研究结论部分可译为：
该研究通过提出ML-MARCOS这一混合框架，推动了决策支持方法的发展。该框架将机器学习导出的特征重要性与MARCOS方法的结构化逻辑相结合，通过对接数据驱动洞见与多准则决策，回应了现代采购环境复杂性与对客观、透明、可扩展评价工具需求之间的关键矛盾。ML-MARCOS并非取代传统方法，而是在排序过程中嵌入学习能力，使组织能够利用历史绩效数据，同时保持可解释性与方法严谨性。由此形成的模型不仅在实证上表现良好，也契合采购专业人员对可信度与灵活性的现实需求。更广泛地看，该框架展示了组织开展战略决策的一种新路径：在数据丰富的运营环境中，相较于难以适应动态优先级与不确定性的传统方法，ML-MARCOS提供了一种兼具适应性与可解释性的替代方案。未来研究仍需围绕数据质量、模型透明性、业务逻辑一致性、非结构化数据整合以及“人在回路中”（human-in-the-loop）设计等方面持续推进。总体而言，ML-MARCOS不仅是一种供应商选择工具，也代表着现代供应链中更智能、更负责且更敏捷决策方式的发展方向。