编者按：

本文基于数字化和智能化的时代背景，聚焦供应商履约风险，以数据赋能为原则，通过挖掘采购数据价值和运用机器学习技术，探索形成了数据获取—算法应用—管理提升的数字化采购新路径。

近年来，伴随社会资源的数据化和算力的进步，机器学习或人工智能技术在各行各业得到了普遍应用。在采购领域，业内领先的机构已经在采购部门设立了大数据分析小组，借助数字化技术不断提升市场议价和预测能力，以打造基于数据和算法的企业核心竞争优势体系。按此趋势，未来的采购业务将在专业数据工程师的指导下开展，采购部门和数据分析部门的界限将变得越来越模糊。

基于数字化和智能化的时代背景，本文聚焦供应商履约风险，以数据赋能为原则，通过挖掘采购数据价值和运用机器学习技术，破解履约风险防范难题，探索形成数据获取—算法应用—管理提升的数字化采购新路径。

一.研究的意义

由于参与经济活动的主体对于信息的掌握程度不同，采购人和供应商之间普遍存在信息不对称，而信息不对称直接导致了经济主体决策风险和监督成本的增加。在采购领域，可以总结出一个简单的事实：信息不对称程度越高，履约风险越高，两者呈现较强的相关性。通过设计并执行供应商选择评价机制，采购人在很大程度上掌握了供应商信息，并据此判断供应商的履约能力。同时经验告诉我们，供应商的实际履约表现和即将投入的资源状况仍然有待检验。如很难根据采购评审时工程承包商提供的甲级资质或过往的优秀业绩预测出在本项目的表现，承诺兑现程度、成本控制能力、任务团队责任心、安健环风险意识、多次转包行为、与利益相关方关系的处理能力等都是难以在事前评价时得以暴露和解决的问题。此外，行业市场的突然变化对履约行为的影响也存在较大不确定性，如原材料价格上涨导致的供货质量下降或超期供货等违约行为。

以上原因使得评价后胜出的供应商并不能让采购人高枕无忧，供需双方的信息不对称仍然存在。同时，数据驱动的数字化技术可以提供更全面的供应商信息维度解析，从而有效缓解供需双方信息不对称问题。基于此，本文设想通过对采购数据的收集整理，利用数字化技术区分不同履约风险等级的供应商，由采购部门主动发起预警，会同需求部门等重点关注高风险供应商的履约行为，在合同签订、人员管理、履约验收、进度款支付、履约保函等方面提高风险防范意识和管理等级，变被动防守为主动进攻，以数据和数字化技术驱动采购管理能力和水平的不断提升。

二.数据的价值

对数据资源的有效利用程度已经成为衡量企业竞争优势的主要指标之一。在集中采购领域，从宏观经济政策、中观行业发展、微观企业经营，到不同项目的采购需求、市场参与度、评审指标得分、投标文件中所展示的商业信息等数据，对提升采购决策和管理效能、降低采购风险和成本都具有非常重要的作用和价值。一个客观反映采购数据价值的事实是，已经有同行业机构开始出售非敏感性的采购数据并成功获得订单（销售对象有严格限制），采购数据的市场价格未必能真实反映其价值，但足以说明其资产属性。中国出口信用保险公司集中采购中心成立三年多来，积累了一定量不同维度的采购项目数据和市场数据，从而使数据驱动的采购管理成为可能。

三.模型的构建

（一）构建方法

在初次决定构建供应商履约风险预警模型时，考虑到履约风险影响因素较多，且其中的线性/非线性关系难以明确，笔者想到了机器学习技术。概括来说，机器学习技术是对人类学习过程进行模拟及抽象后形成的技术，它是通过大量的数据和特定的算法来教会机器该如何处理各类复杂情况。我们不妨把数据比喻成教材，算法比喻成学习方法，通过某种学习方法来阅读和理解教材的内容，从而获得知识，就是一个典型的机器学习过程。

（二）指标选取

指标的选取基于采购全过程管理理念和神经网络模型的特点，与供应商履约风险有关的因素都尽可能地加以考虑。笔者最初选择了22个影响因素，考虑到当不同变量之间彼此高度相关时，可能导致模型估计失真，因此在对变量进行共线性分析后，剔除了部分变量，最终得到16个输入变量指标，按类型分为项目指标、供应商指标和市场指标（宏观经济指标暂不考虑），其中项目指标考察项目自身风险状况，此处选取项目类型等9个指标；供应商指标综合考察供应商履约能力和信用，包括供应商财务风险等4个指标；市场指标的考察主要基于对市场竞争状况和响应情况的测量，由市场参与率等3个指标表示。输出环节的履约风险指标以使用部门的履约质量评价来表示，评价值越高则履约风险越低。以下就重要指标作出说明。具体如表1所示。

1.项目指标

额外资格条件：某些项目由于所处的市场竞争环境较为恶劣（如处于衰退期的行业）、拥有法规强制要求的行业标准（如销售许可）或项目需求较为复杂等原因，有必要设置额外的资格条件（额外是指常规资格条件以外，比如额外业绩或资质等）。从该角度考虑，额外资格条件的设置有助于履约风险的降低。

节支率：该指标主要衡量项目节约预算资金的程度，节支率的高低并不能表示项目是否成功，从履约风险的角度看，高节支率可能意味着服务质量的降低或供应商对需求的理解存在偏差，低节支率可能是围标导致的不良后果。

2.供应商指标

信用风险：有学者认为信用是市场主体的经济能力所获得的信赖与评价。显然，信用评价越高的供应商，其融资能力和市场竞争力越强，而履约风险越低。信用风险指标在本次模型验证中为假设指标，实际中可选择对接采购领域专业的信用风险监测机构的数据。

3.市场指标

市场参与率：指在对项目进行评估后，市场中实际参与的供应商数量与报名数量的比率。通常认为，市场参与率低的项目，说明供应商普遍认为该项目性价比不高，需要投入更多的资源且仅能取得较少的收益；或项目需求较为复杂，供应商普遍不具备完工的能力，即项目自身原因造成了市场供给不足。市场参与率低可能面临较高的违约风险，需要引起关注。

报名数量：表示市场中有意愿参与项目的供应商数量，某种程度上反映市场竞争状况。按照行业生命周期理论，处于成长期后期或成熟期的行业，此时行业规则已经建立，供应商数量充足、市场占有率较为稳定、技术上比较成熟、买方市场已经形成，这些因素客观导致履约风险的降低。

价格标准差：价格包含的信息很丰富，如可以表达供应商对需求的理解程度、供应商自身的成本状况、供应商的经营策略及管理水平等。这里用价格标准差表示供应商对采购需求理解不一致的程度，该指标越高，说明供应商对需求的理解偏差越大，项目风险越高。

4.履约风险

履约质量评价：评价结果来自使用部门对已完成项目履约情况的打分，满分为10分，履约风险依据分值按三档分布（见表2）。对于预测结果属于高风险的采购项目，可做到事前提高风险防控意识，严格按照招标投标文件的约定签订合同，防止合同签订和合同执行脱节，细化验收和付款环节的制度安排，定期约谈供应商项目负责人，了解项目进展情况和下一步工作安排，及时化解履约风险。

以上数据来自中标供应商投标文件正本及每一次采购项目全过程中产生的信息。需要说明的是，采购合同指标对于评估履约风险至关重要，合同风险主要来自是否采用标准化合同文本、结算方式、合同变更、验收、违约等关键条款的设计等。此外，模型中不包含入围采购项目信息，因入围项目通常可开展二次竞争选聘，履约过程中供应商的可替代性决定了其风险等级要低于常规项目。

（三）模型建设

采用MATLAB软件工具进行模型建设和验证。MATLAB是一款数学分析软件，广泛应用在数据分析、图像处理、控制系统、风险量化等领域。采用最常用的Levenberg-Marquardt back-propagation算法（LM算法），该算法基于BP算法的改进和优化，为了克服BP算法容易陷入局部最优和收敛速度慢等缺陷，以此来提高神经网络的预测精度和速度。

选取2020年发生的30个采购项目数据进行模型训练，共有16个输入指标和1个输出指标。因此模型的输入可视作16×30的矩阵，输出是1×30的矩阵，隐藏层数设置为1层（实际中为了追求模型精度可能需要不断调整层数），由于样本数据较少，隐层神经元个数按照默认值设置为10个，实际中需要根据建模结果不断试验以获得最佳的神经元个数（最终调整为15个），过拟合就减少，欠拟合就增加（见图1）。

训练数据、验证数据、测试数据按照常规分别设置为样本数据的70%、15%、15%（训练数据好比学习资料，验证数据好比学习作业，测试数据好比结业考试）；初始参数值按默认设置。运算开始，机器开始学习过程，通过样本数据“学会”履约风险的影响因素和履约风险等级之间的关系，并应用在下一次预测中。运算结果见图2和图3。

图2中epoch表示训练样本完成一次学习过程的周期（迭代），可以看到在第一个周期结束后训练数据误差开始逐渐下降，6次学习完成后训练数据误差达到预期值，模型训练结束。

图3所示为训练数据、验证数据、测试数据和总体数据的误差回归分析，横轴代表目标值，纵轴代表输出值，直线偏离对角线的程度表示模型的误差大小。显示总体回归系数R为0.88338，模型误差较小。

（四）模型预测

假设有一招标项目，预算金额558万元，工期12个月，7家供应商报名，5家供应商实际参与，参与率71.43%，节支率8.6%，供应商信用风险和财务风险属于低水平，价格标准差29.41。将上述参数归一化后输入预测模型得到履约质量评价得分为7.7439（见图4），即预测该项目的履约风险等级为低风险，可保持一般关注。

四.结论及展望

本文通过机器学习技术将不同影响因素和履约风险等级之间建立函数关系，相当于建立了采购业务领域的风险决策模型，有助于提前对风险进行甄别和预判；模型是根据公司专有数据训练得到的，符合公司实际需要。以上两点保证了专业性和适用性。同时，由于所使用的样本数据较少，且外部经济风险数据没有作为变量引入，模型尚处于理论研究阶段，还需要进一步投入资源不断完善，最终获得高可靠性的履约风险预警模型。

借助科学方法，可以活化采购业务各个环节沉淀的数据，有效提升服务效率和质量，输出高附加值采购服务。笔者也希望藉由本研究推动数据驱动的采购管理体系建设，逐步实现采购业务由传统模式向数字化的转变，为采购领域的科技创新和管理提升作出贡献。

来源：《招标采购管理》