久久精品免费一区二区喷潮,精品人妻乱码一,二,三区,精品一区二区三区在线成人,久久国产劲暴∨内射,精品久久久久成人码免费动漫

政府采購不同于一般的采購行為，它具有政策性強、規(guī)模大、資金多等特點。政府采購項目，尤其是國家重點建設(shè)項目，如北京奧體項目、南水北調(diào)工程、三峽工程等，更是集政治性、經(jīng)濟性、社會性于一身，對國家的社會效益、政治效益和經(jīng)濟效益都會產(chǎn)生廣泛而深遠的影響。因此，在政府采購中為避免國家的財稅流失、保證政府投資效益，提高政府采購效率，必須規(guī)范政府采購市場，促進供應(yīng)商在市場競爭中遵守國家法律、法規(guī)，規(guī)范經(jīng)營，并將對供應(yīng)商的管理提高到信用管理的高度。

在市場經(jīng)濟環(huán)境下，良好的履約能力對政府采購項目按時、保質(zhì)、保量地完成是十分必要的，而供應(yīng)商履約能力是與其信用水平密不可分的。因此，在對供應(yīng)商進行規(guī)范化管理過程中，政府部門應(yīng)對供應(yīng)商的信用進行公正、客觀地分析。這具有很強的理論與現(xiàn)實意義，引發(fā)了國內(nèi)外學(xué)者廣泛的研究和探討。常用的信用分析方法包括層次分析法、模式識別理論和神經(jīng)網(wǎng)絡(luò)等。由于信用分析具有多屬性和非線性等特征，這些方法在應(yīng)用中都很難取得滿意的效果。

相關(guān)人士嘗試將數(shù)據(jù)挖掘技術(shù)與機器學(xué)習方法相結(jié)合，建立基于主成分分析——支持向量機技術(shù)的供應(yīng)商信用分析模型。通過主成分分析技術(shù)進行數(shù)據(jù)挖掘，改善了信用屬性數(shù)據(jù)的特性，提高了支持向量機的建模效率。

模型的總體設(shè)計

供應(yīng)商信用分析效果的好壞，主要取決于信用分析中所選用的屬性數(shù)據(jù)的特性以及所采用的方法解決非線性復(fù)雜問題的能力。

當前，商業(yè)信用分析主要是通過基于財務(wù)指標的信用特征而進行的商業(yè)信用等級劃分。由于財務(wù)屬性數(shù)據(jù)種類繁多，且數(shù)據(jù)之間往往存在緊密的相關(guān)性。這無疑加大了信用分析建模的難度。因此，有必要在進行信用分析之前，對信用屬性數(shù)據(jù)進行數(shù)據(jù)挖掘。在眾多的數(shù)據(jù)挖掘技術(shù)中，主成分分析方法既能夠有效去除屬性數(shù)據(jù)間的相關(guān)性，又可以降低數(shù)據(jù)維數(shù)。因此，它被選作供應(yīng)商信用屬性數(shù)據(jù)特征挖掘的工具，以構(gòu)造新的更有效的信用屬性數(shù)據(jù)。

數(shù)據(jù)挖掘后，接著面臨的問題是如何有效地構(gòu)建供應(yīng)商的信用分析模型。由于在政府采購多采用短名單，這就造成了供應(yīng)商的信用分析具有典型的小樣本、多屬性及非線性等特征。傳統(tǒng)的信用分析方法很難進行有效地分析。神經(jīng)網(wǎng)絡(luò)技術(shù)雖然能夠進行良好的經(jīng)驗學(xué)習[，但由于其基于經(jīng)驗風險最小，易出現(xiàn)過擬合問題，從而降低了模型的泛化能力。

20世紀90年代興起的支持向量機(SpportVectorMachines，SVM)是基于結(jié)構(gòu)風險最小化原理的統(tǒng)計學(xué)習方法，適用于小樣本分類問題。在解決高維、非線性問題時，SVM通過非線性映射把非線性分類化為線性問題來處理。從而，顯示出其顯著的優(yōu)越性。因此，SVM技術(shù)是進行供應(yīng)商信用分析建模的有效工具。

相關(guān)人士將PCA技術(shù)與SVM技術(shù)相結(jié)合構(gòu)建政府采購中供應(yīng)商的信用分析模型，建模的基本過程如圖1所示。

信用屬性數(shù)據(jù)的特征挖掘

主成分分析方法目前主要有兩種：標準主成分分析方法和基于核的主成分分析方法。

(一)標準主成分分析

標準的主成分分析是一種有效的數(shù)據(jù)特征挖掘方法。它基于數(shù)據(jù)二階統(tǒng)計矩，對由一系列觀測數(shù)據(jù)向量組成的向量組進行分析，通過選擇樣本點分布方差大的坐標軸進行投影來降低維數(shù)而使信息量損失最少。

記供應(yīng)商的信用觀測屬性矢量為：

(二)基于核的主成分分析方法

基于核的主成分分析方法(KernelPrincipleComponentAnalysis，KPCA)是一種非線性特征挖掘方法，其基本思想是利用核函數(shù)，通過非線性映射將輸入數(shù)據(jù)映射到一個高維的特征空間中，然后在特征空間中利用標準主成分分析法來挖掘主成分作為特征向量。

實踐證明，PCA與KPCA都能夠獲得良好的特征挖掘效果。雖然與PCA相比，KPCA挖掘后的道德標準均方誤差更小，但是KPCA需要大量的主成分，要耗費大量的時間進行計算，這對于供應(yīng)商信用管理信息系統(tǒng)的建立和維護是不利的。由于PCA完全能夠滿足精度要求，在本文中被采用進行信用屬性數(shù)據(jù)的特征挖掘。然后，將挖掘出的新的屬性樣本數(shù)據(jù)用于支持向量機的信用分析建模。信用分析模型的建立

在政府采購項目中能夠得到供應(yīng)商各種類型的信用數(shù)據(jù)十分有限，這些數(shù)據(jù)構(gòu)成了信用分析輸入空間的稀疏分布。此時，若利用神經(jīng)網(wǎng)絡(luò)進行信用分析建模，由于神經(jīng)網(wǎng)絡(luò)是以經(jīng)驗風險最小化進行優(yōu)化，易引起過擬合問題，從而影響模型的泛化能力，并且易陷入局部極小點。

與其相比，支持向量機分類的基本思想是通過建立一個超平面作為一個決策平面。它不但能將分類中的兩類樣本正確分開，而且還使分類間隔最大。在分類過程中將優(yōu)化問題轉(zhuǎn)化為一個凸二次規(guī)劃問題，由標準的拉格朗日乘子算法解得具有較高精度的全局最優(yōu)解。

(二)非線性問題

SVM解決非線性問題的基本思想是基于Mercer定理，通過選用適合的核函數(shù)，將樣本空間映射到一個高維的特征空間，在此特征空間中求解線性問題。

此時，目標函數(shù)變?yōu)椋?/p>

(三)模型評估

根據(jù)信用分析的特點，本文定義信用分析模型的評估指標如下：

式中：N表示樣本的總數(shù)量，ci表示第i分類被錯分的樣本數(shù)量。

在兩分類問題中，k=2，可以定義兩類分類錯誤：第一類錯誤為將信用好的供應(yīng)商誤判為差；第二類錯誤為信用差的供應(yīng)商誤判為好。

實證分析

選取參加政府采購活動的32位供應(yīng)商進行信用分析。其中，有9位供應(yīng)商經(jīng)營狀況欠佳，其余的供應(yīng)商經(jīng)營狀況正常。利用?Matlab?實現(xiàn)計算與模擬。由于在樣本中存在兩類樣本數(shù)據(jù)，因而對供應(yīng)商進行兩模式的信用分類。選取的屬性數(shù)據(jù)類型如下：流動比率(C1)、速動比率(C2)、負債/權(quán)益比率(C3)、存貨周轉(zhuǎn)率(C4)、總資產(chǎn)報酬率(C5)、資產(chǎn)負債率(C6)、長期負債比率(C7)、銷售利潤率(C8)、利息保證倍數(shù)(C9)等，原屬性數(shù)據(jù)樣本如圖2所示

首先，利用PCA進行數(shù)據(jù)挖掘，特征值見表1。生成了三個主成分，貢獻率累計為99-06%，能夠完全滿足信用分析的要求。相應(yīng)主成分的特征向量見表2，構(gòu)造的新屬性數(shù)據(jù)如圖3所示。

通過對圖2與圖3的對比可以看到，新的屬性數(shù)據(jù)在完全能夠滿足信用分析的前提下，比原屬性數(shù)據(jù)更加平穩(wěn)，這對于后面的支持向量機建模是非常有益的。

采用新的屬性數(shù)據(jù)進行SVM分類的訓(xùn)練建模，設(shè)懲罰因子C=100，選擇高斯徑向基函數(shù)作為核函數(shù)。分別選取26個樣本作為訓(xùn)練樣本，6個樣本測試樣本，采用不同的算法對供應(yīng)商的信用兩模式進行判斷，結(jié)果如表3所示。

從表3可以看出，在分類正確率方面，普通SVM模型和本文模型明顯優(yōu)于ANN算法，SVM與本文模型相比，本文模型的正確率高于普通的SVM。說明由于引入PCA技術(shù)對信用屬性數(shù)據(jù)進行挖掘，改善了屬性數(shù)據(jù)的表征能力，從而提高了模型的準確率。

結(jié)語

相關(guān)人士在應(yīng)用支持向量機進行供應(yīng)商信用分析過程中，引入PCA進行屬性數(shù)據(jù)特征挖掘，提高了支持向量機的推廣能力和建模效率，為今后政府采購中供應(yīng)商的信用分析提供一種可借鑒的方法。實例和分析的結(jié)果表明所建信用分析模型的質(zhì)量比較高，驗證了其有效性。