本站小編為你精心準備了物流供應商選擇模型探究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《價值工程雜志》2015年第十期

1評價指標值的量化

為了保證數據分析結果的科學性和有效性，需要對原始數據進行標準化處理。標準化處理的目的是消除或降低因量綱不同而造成分析結果的誤差，主要是依賴于一定的數學轉換方法，對評價指標的數值進行無量綱化、正規化處理，把性質不同、量綱不同的指標轉化為可以相互比較分析的量化值[3]。標準化處理分為三類，分別是正向指標、適度指標和逆向指標，在綜合評價時必須對指標數值進行一致化處理以消除正逆指標的影響。

2物流供應商選擇模型的構建

2.1因子分析法的原理因子分析法的原理如下[5]。寫成矩陣形式為：X=E+BZ。其中，X稱作原始變量向量，E稱作殘差向量，Z稱作公因子向量，B稱作公因子負荷系數陣。公因子稱為正交模型前提是Z1，Z2，…Zn之間互不相關。求出公因子負荷系數陣B和殘差E是因子分析的目的。如果計算過程中可以不考慮殘差E的作用，上述公式可以寫成X=BZ。當公因子向量Z中的各分量彼此互不相關時，就構成了特殊形式的因子分析，即主成分分析。主成分分析模型可以寫成。寫成矩陣形式：Z=AX。其中，X為原始變量向量，A為主成分變換矩陣，Z為主成分向量。在進行主成分分析時的任務是把主成分變換矩陣A求出來。一般來說，主成分Z的數量是和原始變量X的數量成正相關的。但在實際操作中，大部分方差集中在前面幾個主成分中，因此原始變量X的數目會遠遠大于提取出的主成分Z的數目，但是絕大部分信息被很好地保留在提取出來的主成分當中。因此在進行主成分分析時，為了簡化問題，只需要選取方差最大的前幾個主成分即可。

2.2供應商評價選擇模型的步驟在確定好的供應商評價指標體系的前提下，以因子分析法的基本原理為依據，本文設計的供應商評價選擇步驟見圖1。步驟一，以確定好的評價指標為依據，確定相關數值，并將數據進行標準化處理；步驟二，輸入SPSS軟件中，進行KMO檢驗和Bartlett球形檢驗，若檢驗結果顯示不適合做因子分析，則需要重新選取評價指標；若檢驗結果顯示評價指標可以進行因子分析，則進入步驟三；步驟三，根據步驟一得到的指標數據進行因子分析，從因子得分表中可以得到不同供應商的主成分得分情況；步驟四，根據主成分方差貢獻率可以計算出不同供應商的綜合得分情況及排名。

3實例驗證

3.1KMO檢驗和Bartlett球形檢驗本文選用12個樣本進行指標分析，將搜集到的評價指標的數據，輸入SPSS16.0中進行因子分析，得到表2。由因子分析法的理論可知，KMO檢驗是用于比較各個變量間的簡單相關和偏相關系數。KMO檢驗的數值變化范圍是從0到1，普遍認為，KMO檢驗值越接近1就越適合做因子分析；若較小，則表示變量間的相關度不高，不宜進行因子分析[6]。表2中KMO檢驗結果是0.520，大于0.5，即可以對數據進行因子分析。

3.2因子得分系數根據Kaiser標準化的正交旋轉法，可以得到因子得分系數（見表3）。

3.3不同供應商的主成分得分情況將標準化矩陣中的每行對應代入到主成分的表達式中，就能夠求得跟前2個主成分對應的12個供應商的得分（見表4）。

3.4供應商的綜合得分情況根據前2個主成分的方差貢獻率和12個供應商在前2個主成分的得分情況，可以有如下公式和供應商的綜合得分情況（見表5）。從表5中可以看出第5個供應商的綜合得分最高，應該選其作為電商企業最終的合作伙伴。

4結論

在B2C電子商務快速發展的今天，為了解決在B2C交易過程中由于物流配送供應商的選擇不當，出現配送周期長、費用高、退貨退款率增加等，進而影響商家的信譽、經營等情況，本文利用因子分析法探索末端物流配送供應商選擇的合理方法，運用便捷有效的方法幫助電商選擇適合自己的物流配送供應商，有助于降低電商的配送成本，提高產品的配送效率，提高產品的配送質量和服務水平，提升電商的信譽及經營狀況，同時也促進物流企業的轉型，提高市場競爭力。通過實例驗證，可以看出利用因子分析法對評價指標進行分析，可以得到不同樣本的得分情況，避免了傳統評價方法中的主觀性，提高了評價結果的科學性、可信性，具有很好的實用性。

作者：徐嵐清單位：石家莊鐵道大學