0 引言

以大数据、云计算等网络信息技术为依托的云检验质量监督评价体系是国家电网有限公司物资部为响应2020年习近平总书记提出的以“新基建”为支撑，建设数字经济，尽快实现能源互联网，促进实现“双碳”目标的重要举措[1]。以往电网物资供应商选择模式存在选择范围窄、信息不对称、流程冗杂、选择周期长等局限性。由于缺乏科学的供应商选择评价方法，评级指标选择不够合理，可操作性不强，大多只能凭经验判断，使其效果未能达到要求。供应商选择是公司对供应商进行综合评价的过程，是一个复杂的、面向应用的多目标决策问题[2]。国家电网物资部云检验系统通过建设一站式供应链服务平台“e链国网”和供应链管理平台“五E一中心”，实现对物资供应商信息的可视化与高度共享，极大改进了传统选择模式。但是在云检验环境下，供应商资源的多样性、复杂性和模糊性也给供应商选择带来了新的难题。因此，如何在云检验环境下，更加科学合理地评估、选择和优化电网物资供应商，是电网物资部门面临的迫切问题。

目前，物资供应商评价与优选的相关研究主要包括两方面：评价标准如何确定和评价方法的适应性。在评价标准如何确定的问题上，Dickson[3]通过调查，确定了多个不同的标准，包括物资供应质量、供应准时率、价格、口碑、售后服务、技术能力等方面，其中前三个标准最为通用，已在大多数物资供应商选择问题上得到应用。随着“精益物流、供应链管理、供应链协调”等管理目标成为企业关注的焦点，学者开展了有针对性的评价指标研究。黄瀚等[4]认为，在“精益物流”目标下，物资供应商评价指标应该涵盖“质量、成本、效率、服务、合作”五大方面。钟谨贵等[5]研究了第三方物流供应商选择评价方法，包括“物流成本、运输时效、顾客满意度、合作紧密程度、附加增值服务、报关与清关能力、企业信誉”7个指标。在应急物资供应方面，曾凡龙等[6]将“产品价格、供应能力、配送时间、产品品质”作为供应商的评价指标。上述研究表明，“价格、质量、交货、服务”可以作为评价供应商的关键因素，本研究也将基于此，构建电网物资供应商评价指标体系。

在决策方法方面，早期的研究采用了一些经典方法来解决供应商选择问题，这些方法具有清晰的数值评估信息，例如AHP（analytic hierarchy process）、ANP（analytic network process）和TOPSIS（technique for order preference by similarity to an ideal solution）等方法。其中，AHP首先由Saaty[7]提出，并应用于决策领域；Abdollahi 等[8]将ANP方法应用于供应商选择问题。此外，国内一些学者采用熵值法和TOPSIS方法进行供应商选择，例如王春红等[9]采用基于前景理论-TOPSIS方法来选择装配式建筑PC构件供应商。然而，随着决策问题复杂性增加，决策信息越来越模糊。Pedrycz等[10-11]认为语言变量适合描述定量评估信息，通过将语言变量转换为三角模糊数，提出了许多模糊决策方法。Hashemian 等[12]和Lee 等[13]通过模糊AHP推导出矩阵标准权重，采用模糊 PROMETHEE（集中评价的偏好排序组织方法）和模糊TOPSIS进行供应商质量排序。Tirkolaee等[14]基于模糊决策和多目标规划构建了在两级供应链中选择供应商的可持续和可靠的新方法。Karsak等 [15]使用客观权重，应用数据包络分析（data envelopment analysis，DEA）进行供应商排名。乌云娜[16]、尤筱玥[17]、王鲁萍[18]等运用折衷排序法（VlseKriterijumska Optimizacija I Kompromisno Resenje，VIKOR）分别建立评价指标值为梯形模糊数、三角模糊数、犹豫模糊数、语义变量的供应商选择模型。

虽然以往的评价与决策方法可以应用于电网物资供应商选择问题，但仍存在一些不足，例如：在供应商评价指标体系设计上，指标类型单一，难以多层次展示评价指标的多样性；在评价方法中，难以同时平衡供应商的质量和决策者偏好。因此，针对上述问题，本文在电网物资云检验环境以及混合型评价指标体系下，提出了一种基于前景理论的评价与优选方法。该方法通过电网物资云检验系统，挖掘电网物资供应商多种类型信息，根据决策者给出的各种属性的决策偏好（参考点），将获得的各种信息转化为决策偏好的盈亏决策矩阵，然后采用交叉循环迭代法求解变量模糊识别模型，得到各个物资供应商和决策偏好的最优隶属度和权重向量。最后，结合前景值和隶属度，综合得出各个供应商的综合前景值，从而对供应商进行评价和优选。

1 问题描述及评价指标

1.1 问题描述

为提升电网物资供应系统智能化水平，国家电网物资部目前已建立电网物资云检验平台，其核心业务流程如图1所示。在电网物资云检验平台“五E一中心”的支撑下，电网物资部门构建供应商全息多维评价业务管理体系，由供应链运营中心（electronic supply chain，ESC）具体实施。各专业管理人员通过手机端对供应商履约质效进行实时评价，数据同步至电子商务平台（e-commerce platform，ECP）；ESC通过全业务统一数据中心将供应商工商、司法等外部信用信息推送至ECP；ESC通过全业务统一数据中心自动获取ECP、企业管理系统（enterprise resource planning，ERP）、生产调度平台（manufacture scheduling platform，MDS）、生产管理系统（power production management system，PMS）等平台的各维度数据，根据评价模型自动计算分析，形成供应商评价得分、分类等级、全息画像等成果，评价结果共享共用，为招标采购提供数据支撑。物资质量监督工作通过一体化平台运行，打破各专业条块界限，促进业务融合，不仅提供物资供应商的基础信息，还可以提供经过信息处理后的供应商信息。

1.2 评价指标

电网物资供应商的评价指标需要基于“体系全面性、科学简明性、可比稳定性和操作灵活性”的原则进行综合考虑。在云检验环境下，由于物资供应商信息来源多样，本文构建的电网物资供应商评价体系包括2级，一级指标反映供应商的基础能力、过程管控、产品质量和服务支撑4个层面，然后对4个一级指标进一步细化，最终得到10个二级指标，其中指标类型包括语义短语、精确数和区间数，指标数据主要来自电网物资部的云检验系统，部分是原始数据，部分是基于原始数据通过公式计算得到，还有一些是专家打分得到。具体的电网物资供应商评价体系如表1所示。

表1 电网物资供应商资质能力评价体系
Table 1 Evaluation system for power grid material suppliers

一级指标 二级指标 指标描述 指标类型 数据来源基础能力企业信誉 按照供应商相应资信等级赋值 语义短语 原始数据研发设计 供应商每年研发费用占总支出的比例 精确数 公式计算既有业绩 每年为电网企业供应的配电变压器数量 精确数 原始数据过程管控工艺控制 生产设备机械化、信息一体化程度 语义短语 专家打分监造配合度 供应商在监造过程中的配合程度 语义短语 专家打分产品质量合格性 物资到货进行抽检时的合格率 精确数 公式计算稳定性 配电变压器出厂试验时一次性通过率 精确数 公式计算运行故障率 使用过程中发生故障的台数与供货台数的比值 精确数 公式计算服务支撑履约配合度 用户对于整个过程的满意程度 语义短语 专家打分故障保障度 配电变压器从出现故障到重新正常运行的时间 区间数 原始数据

图1 电网物资云检验平台
Fig.1 Cloud inspection platform for power grid materials

2 评价与优选方法

根据电网物资供应商评价体系，可以发现电网物资部的预期和评价供应商的属性值通常有精确数、区间数和语义短语3种形态，不失一般性，本文构建混合型多属性评价和优选问题。物资供应商集为A ={ A 1 , A2 ,… , Ai ,… , Am }，各个指标属性集为C ={C 1 , C2 ,… , C j ,… , Cn}，由供应商集和指标属性集形成决策矩阵为B=[Bij]m×n，根据已知信息和对未来的期望，电网物资部给出了关于属性的期望向量E={E 1 , E2 ,… , E j ,… , En}。上文中：Ai为第i个候选供应商；Cj为第j个属性；Bij为第i个候选供应商的第j个属性值，属性之间相互独立。

为了匹配电网物资评价指标体系，把指标属性分为精确数、区间数和语义短语（比如“优、良、劣”）3种类型，依次用CN、CI、CL表示，且C N ∪ C I ∪ C L = C 。各类指标属性特征如下。

1）当属性C j∈ CN时，C j= Bj，其中Bj是实数型数值，一般假定Bj≥0；

2）当属性C j∈ CI时，其中是实数型数值，一般假定

3）当属性C j∈ CL 时，C j= Bj，其中B j∈ S 。S为提前设定的语义状态集，即S = {S f | f = 0,1,… , (T /2)- 1,T /2,(T /2)+1,… , T }，其中Sf表示S中第f+1个语义语言，当T为偶数时，S包含T+1个元素。当T=6时，S ={S 0 ,S1 , S2 , S3 , S4 , S5 , S6 } ，顺次对应“非常差、差、较差、中、较好、好、非常好”7个状态，即 S={ VP, P, MP, M, MG, G, VG }。S作为语义状态集，有如下3个性质：①有序性，当f＞g时，S f≻ Sg，即状态Sf优于状态Sg；②存在逆运算“neg”，当g=T-f时，S g =neg(S f )；③极值运算，当S f≻ Sg时，有max{Sf ,Sg } = Sf，min{Sf ,Sg} = Sg。对于语义短语的处理和计算，本文将语言转换成对应的三角模糊数，假如C j= Sf，则：

各个属性的期望向量E={E 1 , E2 ,… , E j ,… , En }可看作参照点，将参照点设定为期望向量更符合前景理论的特征。本文要解决的问题是，在已知决策者的期望向量E和最初决策矩阵B=[Bij]m×n的情况下，通过可变模糊识别模型和前景理论计算电网物资部的隶属度、各个属性的权重向量和前景决策矩阵，采用隶属度和前景理论，对电网物资供应商进行多角度评价和优选。

2.1 数据规范化处理

各个属性变量在混合型多属性问题中可区分为成本型变量和收益型变量，其集合分别记作CC和CB，前者越小越有利，后者越大越有利，并通过规范化处理期望向量和决策矩阵，消除不同物理量纲对决策结果的影 响。令M ={1,2,… , i, … , m}，N ={1,2,… , j, … , n}，属性属于不同类别，不能直接测算，其规范化处理方式如下。

1）当属性 C j∈ CN 、 i∈M 时 ， 记=max{max{B i j }, Ej}，=min{min{B i j }, Ej}，规范化计算公式为

2）当属性 C j∈ CI、 i∈M 时 ， 记=max{max=min规范化计算公式为

3）当属性C j∈ CL、i∈M时，将Ej和Bij通过式（1）转换成对应的三角模糊数。

规范化处理数据后得到期望向量为决策矩阵为B′=[Bij′]m×n。

2.2 确定前景决策矩阵

基于前景理论，决策层需要通过参考点来测算出不同物资供应商属性的“收益”或者“损失”。这里采用欧氏距离方法，将物资供应商的属性值Bij′与期望属性Ej′进行比较，从而确定前景决策矩阵V=[Vij]m×n。由于属性的不同，比较方式也不同，具体如下。

1）当属性C j∈ CN时，直接比较Bij′与Ej′的大小。

根据上述规则，当i∈M时，欧氏距离Dij的计算公式为

进一步，通过比较Bij′与Ej′，确定物资供应商的属性对于期望的“收益”或“损失”。由于决策层在“收益”和“损失”上存在不同风险偏好[19]，可以进一步建立前景决策矩阵V=[V(Bij)]m×n，其中V(Bij)表示第i个供应商的第j个属性前景值，其计算公式为

式中：参数α和β表示V(Bij)的凹凸程度，且0＜α ＜ 1, 0＜β＜ 1；θ表示决策者损失厌恶水平，且θ＞1。

2.3 确定权重和隶属度

前文已构造出前景决策矩阵，可以计算供应商每个属性的前景值。为了确定供应商的累积前景值，必须确定属性权重，只有在同一个属性权重下，各个供应商才能进一步相互比较。根据式（6）提出的欧氏距离Dij的计算方法，可知Dij∈[0,1]。当Dij→0时，说明第i个供应商的第j个属性与决策者第j个属性的期望差距相对较小；当Dij→1时，说明第i个供应商的第j个属性与决策者第j个属性的期望差距相对较大。根据上述特征，构造两极对立模糊模式识别中心，判别各供应商与决策者期望之间的隶属度，以及最优属性权重。首先，构建各个属性的对立模式识别中心矩阵Vc =[vhj]2×n，其中h取值1或2。当h=1时，表示处于最优模式，对应的v1j=0；当h=2时，表示处于最劣模式，对应的v2j=1。显然，当Dij→0，越靠近最优模式；相反，当Dij→1，越靠近最劣模式。然后，构造供应商隶属度矩阵U=[uhi]2×m，其中uhi表示第i个供应商与2个对立模式中心的隶属度，由于模

式中心对立，因此满足u 2 i =1- u1i 。假设各个属性的权重为wj，根据各个供应商与决策者期望的欧氏距离Dij，令ri j = Dij ，可以进一步计算各个供应商与对立模式中心的广义加权欧氏距离fi(u,w)如下：

显然，若fi(u,w)越小，物资供应商i与期望目标的距离越近，即对期望向量的识别越优。设定F(u,w)为物资供应商集中各个供应商与所有参照点的差异，则F(u,w) = [f1 (u,w) , f2 (u,w) ,… , fm (u,w)]。由于各个供应商之间是独立且平等的关系，建立优化模型如下：

满足约束条件：

针对该目标优化问题，构造拉格朗日松弛函数：

令 ∂L/∂u =0， ∂L/∂w =0 ， ∂L /∂ λ u=0，∂L/∂λ w =0，得：

式（12）和（13）给出了uhi和wj的计算方法，因为模型的复杂多变性，式（12）和（13）采用梯度下降法难以迭代求解[20]。本文采用可变模糊模式识别模型中的循环迭代方法[21]来求解最优隶属度矩阵uhi*和权重向量w*，步骤如下：

1）设定w的迭代精度ε，通常设定ε=0.0001；

2）初始权重向量随机取值w0={w 1 , w2 ,… , wn }，要求wj≥0，

3）将w0代入式（12），解得相应的初始矩阵

4）将矩阵代入式（13），求解向量w1；

5）比较w1与w0，若则停止迭代，得到最终结果；否则，继续输入权重w1进行循环迭代，直至达到迭代精度后，退出循坏。

在迭代求解过程中，由于模型的合理性和收敛性已经在理论上得到了证明[20]，因此权重向量w既是变量又是已知的，则交叉迭代过程结束得到的就是最优隶属度矩阵uhi*和最优属性权重向量w*。最优隶属度矩阵uhi*中，当h=1时，代表各个供应商与辨识中心最优集之间的隶属关系，可记作U(Ai)。

2.4 排序与优选

在前景理论中，可根据前景决策矩阵判断各个供应商的属性值属于“收益”或是“损失”。这里采用可变模糊迭代中求得的权重向量w*=( w1 , w2 ,… , w j ,… , wn)，根据累积前景理论[22]，各个物资供应商的累积前景值P(A)i计算如下：

如果通过累积前景值判断供应商的优劣，则P(Ai)越大，物资供应商Ai越好；如果通过物资供应商的隶属度判断，则U(Ai)越大，物资供应商Ai越好。当前大多数研究仅单方面根据前景值或隶属度进行评价与优选[15]，但两者实际上是从2个维度来判断物资供应商与决策者预期的关系，评价结果取决于决策者的风险偏好。如果供应商Ai的累积前景值较大，隶属度较低，说明供应商Ai前景较优，但与决策期望偏差较大，供应商Ai不是最优的。若供应商Ai的累积前景值较低，但隶属度较高，表明供应商Ai虽然比较接近决策期望，但前景较差，供应商Ai同样不是最优的。当且仅当供应商Ai的累积前景值越大，且隶属度越高，供应商Ai越优。因此，本文为更精确和全面地对各个供应商进行排序和优选，将各个供应商的累积前景值和隶属度综合考虑，即提出综合前景值R(Ai)，其取决于各个供应商的累积前景值P(Ai)和隶属度U(Ai)，计算方法为

式（15）体现了P(Ai)不同正负取值对于综合前景值的影响。根据综合前景值R(Ai)，可以更好地对电网物资供应商进行评价和优选。

3 应用分析

考虑物资部X的配电变压器供应商遴选问题。目前存在5个供应商{ A1 , A2 , A3 , A4 , A5}可供选择，需要考虑10个属性C1 ～ C10，分别为C1：研发费用占比，%；C2：产品抽检合格率，%；C3：出厂试验一次性通过率，%；C4：运行故障率，%；C5：年度供货量，万台；C6：故障恢复时间，min；C7：信誉水平；C8：企业信息化程度；C9：监造配合度；C10：用户满意度。其中信誉水平按照供应商相应资信等级赋值，企业信息化程度主要包括供应商的生产设备机械化、信息一体化程度，监造配合度是指供应商在监造过程中的配合程度，用户满意度是指电网公司对于整个供应过程的满意程度。其中C1～C4是精确数类型，C5～C6是区间数类型，C7～C10是语义短语类型。基于电网物资部云检验数据，通过电网物资部在过去对变压器供应商期望的考虑，X公司决策者提出了期望目标，转化成期望向量为

利用本文提出的方法对变压器供应商进行评价与优选。首先，根据式 （1）处理不同类型信息，得到初始决策矩阵如表2所示。然后按照式 （2）—（5），规范化处理决策者期望和初始决策矩阵，结果如表3所示。

表2 具有不同信息类型的初始决策矩阵
Table 2 Initial evaluation data with different information types

属性供应商 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 A1 0.04 0.9 0.88 0.05 [15,16] [15,20] MG P MG M A2 0.03 0.92 0.93 0.038 [12,14] [17,25] M M M M A3 0.045 0.95 0.95 0.045 [18,20] [10,15] G MG MG G A4 0.042 0.96 0.96 0.06 [16.5,19] [25,30] MG M M MG A5 0.035 0.92 0.92 0.04 [15,16.5] [18,25] M MG G MG

表3 数据规范化后的期望向量与决策数据
Table 3 Evaluation data after standardized processing

Dij C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 A1 (0.5,0.5) (0.00,0.00) (0.20,0.20) (0.33,0.33) (0.38,0.50) (0.50,0.75)(0.50,0.67,0.83)(0.17,0.33,0.50)(0.5,0.67,0.83)(0.33,0.50,0.67)A2 (0.00,0.00) (0.20,0.20) (0.53,0.53) (0.73,0.73) (0.00,0.25) (0.25,0.65)(0.33,0.50,0.67)(0.33,0.50,0.67)(0.33,0.50,0.67)(0.33,0.50,0.67)A3 (0.75,0.75) (0.50,0.50) (0.67,0.67) (0.50,0.50) (0.75,1.00) (0.75,1.00)(0.67,0.83,1.00)(0.5,0.67,0.83)(0.5,0.67,0.83) (0.67,0.83,1)A4 (0.60,0.60) (0.60,0.60) (0.33,0.33) (0.00,0.00) (0.56,0.88) (0.00,0.25)(0.50,0.67,0.83)(0.33,0.50,0.67)(0.33,0.50,0.67)(0.5,0.67,0.83)A5 (0.25,0.25) (0.20,0.20) (0.00,0.00) (0.67,0.67) (0.38,0.56) (0.25,0.60)(0.33,0.50,0.67)(0.5,0.67,0.83)(0.67,0.83,1.00)(0.5,0.67,0.83)

根据式（6）和表3中的数据，计算各个物资供应商与决策层期望向量之间的欧氏距离，结果如表4所示。

表4 各供应商与期望向量之间的距离矩阵
Table 4 Euclidean distance between each supplier and expectation

Dij C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 A1 0.353 6 0.761 6 0.573 1 0.473 8 0.197 6 0.000 0 0.166 7 0.333 4 0.166 7 0.333 4 A2 0.790 6 0.583 1 0.361 2 0.341 8 0.500 0 0.190 4 0.333 4 0.166 7 0.333 4 0.333 4 A3 0.250 0 0.360 6 0.335 0 0.373 4 0.250 0 0.250 0 0.000 0 0.000 0 0.166 7 0.000 0 A4 0.291 5 0.316 2 0.473 8 0.744 6 0.098 8 0.500 0 0.166 7 0.166 7 0.333 4 0.166 7 A5 0.559 0 0.583 1 0.744 6 0.335 0 0.159 3 0.206 2 0.333 4 0.000 0 0.000 0 0.166 7

为了计算前景决策矩阵，需要确定式 （7）中的参数α,β和θ。本文采用Tversky[22]的实验数据，即α=β=0.88，θ=2.25，得到前景决策矩阵如表5所示。

表5 前景决策矩阵
Table 5 Prospect decision data for each supplier

Vij C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 A1 0.000 0 -1.770 5 -1.378 6 0.000 0 -0.540 2 0.000 0 -0.465 1 -0.855 8 -0.465 1 -0.855 8 A2 -1.829 7 -1.399 7 0.408 1 0.388 8 -1.222 6 -0.522 7 -0.855 8 -0.465 1 -0.855 8 -0.855 8 A3 0.295 2 0.407 5 0.382 0 0.420 3 0.295 2 -0.664 3 0.000 0 0.000 0 -0.465 1 0.000 0 A4 0.338 0 0.363 1 0.000 0 -1.735 7 0.130 5 0.543 4 -0.465 1 -0.465 1 -0.855 8 -0.465 1 A5 -1.348 7 -1.399 7 -1.735 7 0.382 0 -0.446 9 -0.560 6 -0.855 8 0.000 0 0.000 0 -0.465 1

通过式（12）—（13）进行交叉循环迭代计算求解，最终得到的最优隶属度矩阵uhi*为

最优权重为

各个物资供应商的隶属度为U=[0.8783,0.8476,0.9804,0.9106,0.9576]。依据式（14），各个物资供应商的累积前景值为P=[-0 .6060,- 0.7431,- 0.0498,- 0.3368,-0.4231] 。最后根据式（15）计算得到各个供应商的综合前景值为R=[-0 .0738,-0 .1133,-0 .0010,-0 .0301,-0.0179]。根据得到的各个供应商的隶属度、累积前景值和综合前景值，对供应商进行排序和对比分析，结果如表6所示。

表6 本文实例在不同决策方法下的供应商排序
Table 6 Optimization and ranking of suppliers under different evaluation methods

A A1 A2 A3 A4 A5 排序U(A) 0.878 3 0.847 6 0.980 4 0.910 6 0.957 6 A A A A A 3 5 4 1 2≻≻≻≻P(A) -0.606 0 -0.743 1 -0.049 8 -0.336 8 -0.423 1 A A A A A 3 4 5 1 2≻≻≻≻R(A) -0.073 8 -0.113 3 -0.001 0 -0.030 1 -0.017 9 A A A A A 3 5 4 1 2≻≻≻≻

由表6可以看出，如果根据隶属度排序，最优供应商为A3，次优供应商为A5；如果从累积前景值来看，最优供应商为A3，次优供应商为A4；如果根据综合前景值排序，最优供应商为A3，次优供应商为A5。结果说明，供应商A4的前景值比供应商A5更高，但供应商A5与决策者的期望最为接近。综合考虑，最终的最优供应商为A3，次优供应商为A5。

4 结论

针对电网物资种类和供应商数量较多，存在信息不对称和个性化需求的问题，本文在电网物资云检验环境下，构建物资供应商评价指标体系，采用基于前景理论的混合型多决策模型对供应商进行评价与优选，解决电网物资供应商选择中主观因素影响、信息利用不充分等现实问题。通过本文提出的评价与优选方法，可以将电力物资采购服务供应链中的供应商选择评价方法引入电网公司购买服务的选择评价，并引入电网公司采购的宏观调控目标对其进行改进。与当前的电网物资供应商评价方法对比，该方法充分利用了云检验环境下信息的多样性，规避了权重分配时可能出现的主观因素影响，有助于电网物资部门更加科学合理地选择供应商，保障电网安全稳定运行。