点击左上角"MDPI社科资讯"关注我们，为您推送更多最新资讯。
引言
供应商选择是供应链管理中的关键环节，直接影响企业的效率、盈利和可持续性。生产产品所需的原材料和服务通常占制造商售价的70%左右，因此选择成本效益高的供应商可显著降低供应链支出。供应商选择是一个典型的多准则决策问题，涉及定性与定量因素。然而，传统方法在处理大规模数据、确定相关准则以及避免主观偏差方面存在局限。为此，本文提出将机器学习技术与多准则决策模型相结合，以提高供应商评估的精确性。
文献综述与研究方向
现有研究广泛采用多种多准则决策 (Multi-Criteria Decision-Making, MCDM) 方法进行供应商选择，但这些方法常依赖专家判断，难以处理高维数据。近年来，机器学习技术 (Machine Learning, ML)，如随机森林 (Random Forest, RF)、支持向量机 (Support Vector Machines, SVMs)、K-均值聚类算法 (K-means)，被引入以提升数据处理能力。特别是非负矩阵分解在降维方面表现优异，能够处理非负数据并保持可解释性。研究表明，RF能有效评估准则间的相关性并提高预测准确性。尽管已有部分研究尝试将ML与MCDM结合，但仍存在模型适应性差、缺乏可解释性等问题。本文在此基础上，提出一种融合非负矩阵分解 (Non-negative Matrix Factorization, NMF)、RF和逼近理想解排序法 (Technique for Order Preference by Similarity to an Ideal Solution, TOPSIS) 的新型混合模型，以填补现有研究空白。
提出模型
本研究提出的混合模型包括以下主要步骤：
图1：提出的混合ML-TOPSIS供应商选择模型。
准则识别与数据预处理：确定制药企业供应商选择的6个主准则 (供应商概况、成本、质量、服务、交付、人员能力)，细分为24个子准则。通过问卷收集34家企业管理者对每个准则0-10分的重要性评分。
NMF降维：构建供应商-准则矩阵，采用非负矩阵分解，通过最小化Frobenius范数优化重构误差。利用肘部法和KneeLocator算法确定最优因子数，将24个准则压缩为8个核心维度。
RF赋权：构建K棵分类树，计算袋外样本误差，通过随机打乱准则取值计算特征重要性。采用准确率和F-score评估模型性能，最终确定各准则的客观权重。通过比较多种ML模型 (RF、SVC、KNN、逻辑回归)，RF表现最佳，准确率达84.3%。
TOPSIS排序：利用TOPSIS方法，结合RF所得权重，对供应商进行综合评估与排序。首先构建归一化决策矩阵，计算加权归一化矩阵，其次确定正负理想解，最终计算各供应商的贴近度系数，按贴近度系数降序排序。
案例研究
研究以34家制药企业的实际数据为案例，通过问卷收集24个准则的重要性评分，经NMF降维后保留8个核心准则。RF模型确定各准则权重后，TOPSIS对4家候选供应商进行排序。结果显示，供应商1表现最优 (绩效得分0.7089)，供应商3次之 (0.6355)。该排名结果与专家判断及传统MCDM方法一致，验证了模型的稳定性和实用性。
讨论
研究表明，供应商选择不仅应关注经济因素，还需重视技术能力、管理质量和可持续发展维度。RF赋权减少了主观偏差，NMF提升了数据处理效率，TOPSIS保证了决策过程的透明性和可解释性。所提模型对权重变化具有较好的鲁棒性，适合在不确定环境下使用。理论上，本研究提出了一种完全数据驱动的混合MCDM/ML框架；实践上，该模型可与企业资源计划系统 (Enterprise Resource Planning, ERP) 集成，支持制药、制造、采矿等多行业的智能采购决策。
结论
本研究成功构建了一种融合NMF、RF和TOPSIS的可持续供应商选择模型，实现了准则降维、客观赋权和科学排序。该模型提高了评估效率和透明度，支持企业将可持续性目标融入采购决策。未来研究可在以下方向深入：跨行业验证、与ERP系统集成、扩展至订单分配与物流协同，以及引入自然语言处理和大语言模型处理非结构化数据。
识别二维码
阅读英文原文
原文出自 Logistics 期刊
Gidiagba, O.J.; Tartibu, L.; Okwu, M. Integrating Machine Learning with Multi-Criteria Decision-Making Models for Sustainable Supplier Selection in Dynamic Supply Chains. Logistics 2025, 9, 152.
人工智能与商业分析在供应链运营中的应用——特刊征稿
本期特刊旨在探讨人工智能与商业分析这两大新兴技术在第四、五次工业革命背景下对供应链管理的实际价值与管理启示。特刊聚焦前沿研究，重点关注以下领域：供应链分析、机器学习在需求/库存/物流/采购规划中的应用、智能仓储与制造、自动驾驶卡车、无人机末端配送、供应链韧性工具 (如ChatGPT)、神经网络在医疗物流与生产调度中的应用等。
本刊鼓励学者通过理论与实证研究，探索人工智能与商业分析在提升供应链效能、解决管理难题及推动创新实践方面的具体应用，以期为供应链运营提供创新视角与解决方案。
投稿截止日期：2026年10月16日
客座编辑： Prof. Dr. Hokey Min and Prof. Dr. Seong-Jong Joo
扫描二维码，了解更多特刊信息。
https://www.mdpi.com/journal/logistics/special_issues/HPDY8OP4H5
精选视频
相关文章推荐
MDPI相关公众号推荐
MDPI招聘
MDPI招聘官方公众号，最新招聘资讯等你来。
版权声明：
本文由MDPI中国办公室编辑翻译撰写，文中涉及到的论文翻译部分，为译者在个人理解之上的概述与转达，论文详情及准确信息请参考英文原文。本文遵守 CC BY 4.0 许可 (https://creativecommons.org/licenses/by/4.0/)。如需转载，请于公众号后台留言咨询。
由于微信订阅号推送规则更新，建议您将“MDPI社科资讯”设为星标，便可在消息栏中便捷地找到我们，及时了解最新开放出版动态资讯！
点击左下方“阅读原文”，阅读英文原文。
喜欢今天的内容？不如来个 "三连击" ☞【分享，点赞，转发】