基于主成分与灰色关联分析的乳制品供应链风险因素评价

《基于主成分与灰色关联分析的乳制品供应链风险因素评价》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于主成分与灰色关联分析的乳制品供应链风险因素评价[摘要]随着经济的发展，对乳制品的需求逐年增加，而乳制品行业出现的问题也随之增多，乳制品供应链面临的风险也越来越多。为了评估乳制品供应链面临的风险，文章使用主成分分析法及灰色关联分析相结合的方法对乳制品风险因素进行评估，并针对风险较大的因素提出了相应的建议。中国2/vie　　[关键词]乳制品；供应链风险；主成分分析；灰色关联分析　　[DOI]10.13939/j.ki.zgsc.2017.09.156　　1引言　　随着经济的高速发展，人们的生活水平逐渐提高，人们对乳制品需求也越来越高，不少

2、家庭将乳制品作为生活营养品。同时随着乳制品的盛行，生产乳制品的厂商也越来越多，而原来的乳制品厂商也在逐渐扩大自己的生产规模，形成了较为完善的供应链，而供应链的环节众多，任一环节上出现问题就会影响整个供应链，使得供应链的运作出现问题，最终影响到消费者，所以对乳制品供应链环节风险的把控至关重要。　　几年前的三聚氰胺事件至今�在人们脑海中留下了深刻的负面影响，使得人们对国产乳制品不信任。越来越多的生产商也加大了乳制品行业的竞争。乳制品本身的质量问题就更加得到了关注，不仅仅是人们对各类乳制品的相互对比，政府也加强了乳品行业的安全监督与管控。这就要

3、求企业与厂商更加完善和管理自身供应链，加强供应链的风险防范措施。　　乳制品供应链相比其他供应链来说有着自己的特点。首先，乳制品属于食品，安全与卫生至关重要，这要求在生产过程中有严格的消毒设备，合格的工艺手段，以及完善的检测标准。其次，乳制品由于保质的问题，要求冷链运输。最后，乳制品的存放与销售也要考虑到保质期的问题。如何让消费者买到安全放心的乳制品是个至关重要的问题。　　2相关理论及方法　　2.1主成分分析　　主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将

4、原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。主成分分析方法的步骤如下：　　（1）原始数据标准化。分析或评价中确定的各个指标，都有不同的量纲、不同的数量级，而不同量纲、不同数量级的数据不能放在一起直接进行比较，也不能直接用于多元统计分析，需要对指标的数值进行标准化处理，以消除其量纲、数量级上的差异，使其具有可比性。　　（2）计算相关系数

5、矩阵。通过计算相关系数矩阵，可以得出各因素变量之间的相关关系，关联系数越大则代表各因素之间重复的信息越多。　　（3）计算相关系数矩阵的特征值和特征向量。　　（4）确定主成分。选取特征值大于1，并且累计贡献率大于85%的前p个变量作为主成分，这p个主成分包括了所有因子85%以上的信息，因子个数减少起到了因子筛选的作用。根据主成分载荷与特征值可以得到主成分表达式。　　2.2灰色关联分析　　灰色关联分析法是对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。　　在系统发展过程中，若两个因素变化的趋势具有一致性，即同步

6、变化程度较高，即可谓二者关联程度较高；反之，则较低。　　（1）求个序列的初值像　　将序列中的各项除以序列中的首项得到新的序列　　（2）求差序列　　3乳制品供应链因素分析　　3.1指标体系的建立　　根据乳制品供应链流程，从原奶生产，经过加工包装，配送至分销商和销售商，最后再销售给消费的流程中，逐步分析每个环节所存在的风险因素，设计了乳制品供应链风险因素二级指标体系，得出5个1级指标和14个2级指标如下图所示。　　乳制品风险指标体系　　3.2数据及标准化处理　　邀请本行业专家分别对上图中的各个风险因素打分，对各个因素赋予0～1的权重，权重越大

7、代表风险越高，并将数据进行标准化处理，如表1所示。　　3.3主成分的提取　　根据公式计算各因素之间的相关系数，如表2所示。可以发现其中有些因素之间存在较大的相关性，适合使用主成分分析。　　计算相关系数矩阵的特征值与特征向量，特征值可以被看作主成分的影响力大小的指标，如果特征值小于1，说明该主成分的作用还不如直接引入一个原变量的作用大，因此主成分个数的提取原则之一为主成分对应的特征值大于1。根据表3的特征根，前4项成分的特征值大于1，并且累计贡献率达到了91%，说明包含了大多数指标的信息，所以认为前4项成分为新的指标。　　3.4主成分表达式

8、　　主成分特征向量表示主成分和相应的原变量的相关关系，通过主成分载荷除以主成分对应的特征值平方根得到，绝对值越大，则主成分对该变量的代表性越大。以主成分F1，F2为例，各因素前的权重越大，代表