资金流分析下的企业供货关系强度模型

2024-05-11 20:44

本文主要是介绍资金流分析下的企业供货关系强度模型,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

图技术

利用neo4j、networkx、dgl、python做图分析挖掘

【1】最短路径算法dijkstra
【2】基于networkx的隐性集团关系识别模型
【3】基于Neo4j的担保社群型态分析挖掘
【4】基于python求有向无环图中target到其他节点全路径
【5】有向图中任意两点的路径
【6】图基础入门
【7】知识图谱快速入门
【8】基于graphsage的欺诈用户风险识别
【9】Graph2NLP浅谈
【10】利用networkx做固定坐标的样例图


资金流分析下的企业供货关系强度模型

  • 图技术
  • 前言
  • 一、交易金额分析
  • 二、关系粘性评估
    • 1.关系建立的久远程度
    • 2.关系保持的程度
    • 3.关系粘性计算
  • 三、交易规律性评估
    • 1.交易次数阈值判断
    • 2.交易规律性系数计算
  • 四、供货关联强度

前言

在构建产供应链网络的过程中,我们主要依赖于企业间的产业链上下游关系以及详细的交易数据来识别企业之间的供货关系。然而,企业间的资金交易关系错综复杂,金额和频次变化多端,这使得传统的简单评估方法难以准确衡量供货关系的真实强度。为了更系统、更精确地量化企业间的供货关系强度,我们需要构建一个多维度的评估模型。这一模型将综合考虑交易金额、交易频次、交易持续性以及交易规律性等核心因素,以全面评估供货关系的紧密性和稳定性。量化供货关系强度的目的在于精准识别供应链中的高价值链路。这些链路不仅代表了企业间紧密的供货关系,更是供应链中核心企业和关键节点的体现。一旦确定了这些高价值链路,企业便能更有针对性地开展营销和业务拓展活动,从而挖掘潜在的客户和市场机会。通过构建这一条理清晰、逻辑严密的供货关系强度量化模型,企业能够更深入地理解供应链的结构和运作机制,为战略决策提供有力支持。同时,这也将为企业间的合作与协同创造更多机会,推动整个供应链的持续优化和升级。


该模型主要分为四个步骤来量化企业间供货关系强度

一、交易金额分析

考虑到历史交易金额与当期交易金额在评估供货关系中的重要性,模型首先对企业间近一年的交易数据进行详细分析。这一步骤将选取企业间近一年的交易数据,通过描述性统计分析,定义并量化近一年交易金额(设为X),以此作为评估供货关系强度的关键指标之一。这一步骤旨在捕捉企业间交易的活跃度和规模,为后续的关系强度量化奠定基础

二、关系粘性评估

企业间合作关系的稳固性对于供货关系强度至关重要。因此,我们引入“关系粘性”这一指标来量化企业间关系的稳固程度。关系粘性通过以下两个方面来评估:

1.关系建立的久远程度

此指标衡量了企业间从首次交易开始至今的时间周期,按月计算(P1)。较长的合作历史通常意味着双方已经建立了稳定的供货关系,对未来的合作有着更强的信心和预期。

2.关系保持的程度

此指标考虑了最近一次交易距离现在的时间周期,也按月计算(P2)。较短的P2值表示双方近期仍有活跃的交易往来,显示了当前供货关系的活跃性和紧密性。

3.关系粘性计算

在评估关系粘性时,我们需要排除小额交易对关系稳定性评估的干扰。因此,我们设定了一个交易金额阈值(如10万),当月交易总金额低于此阈值的月份将不计入交易出现月份数(M)中。通过综合考虑关系建立的久远程度(P1)、关系保持的程度(P2)以及交易出现月份数(M),我们可以计算出一个量化的关系粘性值,从而更准确地评估企业间供货关系的稳固性。
Y = ( 1 + 1 1 + e − P 1 12 ) ( 1 − 1 1 + e − P 2 12 ) Y = (1+\frac{1}{1+e^{\frac{- P1}{12}}})(1-\frac{1}{1+e^{\frac{- P2}{12}}}) Y=(1+1+e12P11)(11+e12P21)

三、交易规律性评估

随着企业间贸易关系的深化,交易规律性成为衡量供货关系稳定性的重要指标。交易规律性越高,表明外部环境稳定,内生关系健康,企业间供货关系强度也相应增强。为量化这一指标,我们采取以下步骤:

1.交易次数阈值判断

当交易出现月份数(M)小于3时,由于数据量过少,难以准确评估交易规律性,此时我们将交易规律性系数(Z)定义为0。

2.交易规律性系数计算

首先,我们需要确定规律交易周期。通过分析所有交易记录,识别出两两交易月份之间的间隔数,并计算这些间隔数的平均值(A)和标准差(B)。这里,所有交易按月汇总进行计算,以确保数据的完整性和准确性。
然后,我们利用这些统计量来计算交易规律性系数(Z)。交易规律性系数是一个综合了平均间隔和间隔波动性的指标,能够反映企业间交易的规律性和稳定性。具体的计算公式可以根据实际情况进行调整和优化,但核心思想是利用平均值和标准差来量化交易周期的稳定性和一致性。通过计算交易规律性系数(Z),我们能够更准确地评估企业间供货关系的规律性程度,为后续的高价值链路筛选和潜在营销客户挖掘提供有力支持。
Z = e − B A Z = e^{\frac{-B}{A}} Z=eAB

四、供货关联强度

在评估企业间供货关系强度时,我们综合考虑了交易金额(X)、关系粘性(Y)、交易规律性(Z)这三个维度。为了得到一个综合的供货关联强度(Q),我们将这三个维度进行加权计算。具体的计算公式如下:
Q = α X ( 1 + β Y ) ( 1 + γ Z ) Q = \alpha X(1+\beta Y)(1+\gamma Z) Q=αX(1+βY)(1+γZ)其中,α、β、γ分别是交易金额、关系粘性、交易规律性的权重系数,它们可以根据实际情况进行调整,以反映不同维度在供货关系中的重要性。
然而,由于企业间交易金额的差异可能极大,直接进行加权计算可能会导致某些交易金额巨大的企业在供货关联强度评估中占据过大的权重。为了解决这个问题,我们引入排名机制进行一致性转换,将所有分数转化到0~1的范围内进行两两比较,归一化公式如下:
S i = Q i ∑ i = 1 n Q i S_{i} =\frac{Q_{i}}{\sum_{i=1}^{n}Q_{i}}\ Si=i=1nQiQi 

这篇关于资金流分析下的企业供货关系强度模型的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!


原文地址:
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/980606

相关文章

Olingo分析和实践之EDM 辅助序列化器详解(最佳实践)

《Olingo分析和实践之EDM辅助序列化器详解(最佳实践)》EDM辅助序列化器是ApacheOlingoOData框架中无需完整EDM模型的智能序列化工具,通过运行时类型推断实现灵活数据转换,适用... 目录概念与定义什么是 EDM 辅助序列化器?核心概念设计目标核心特点1. EDM 信息可选2. 智能类

Olingo分析和实践之OData框架核心组件初始化(关键步骤)

《Olingo分析和实践之OData框架核心组件初始化(关键步骤)》ODataSpringBootService通过初始化OData实例和服务元数据,构建框架核心能力与数据模型结构,实现序列化、URI... 目录概述第一步:OData实例创建1.1 OData.newInstance() 详细分析1.1.1

Olingo分析和实践之ODataImpl详细分析(重要方法详解)

《Olingo分析和实践之ODataImpl详细分析(重要方法详解)》ODataImpl.java是ApacheOlingoOData框架的核心工厂类,负责创建序列化器、反序列化器和处理器等组件,... 目录概述主要职责类结构与继承关系核心功能分析1. 序列化器管理2. 反序列化器管理3. 处理器管理重要方

SpringBoot中六种批量更新Mysql的方式效率对比分析

《SpringBoot中六种批量更新Mysql的方式效率对比分析》文章比较了MySQL大数据量批量更新的多种方法,指出REPLACEINTO和ONDUPLICATEKEY效率最高但存在数据风险,MyB... 目录效率比较测试结构数据库初始化测试数据批量修改方案第一种 for第二种 case when第三种

解决1093 - You can‘t specify target table报错问题及原因分析

《解决1093-Youcan‘tspecifytargettable报错问题及原因分析》MySQL1093错误因UPDATE/DELETE语句的FROM子句直接引用目标表或嵌套子查询导致,... 目录报js错原因分析具体原因解决办法方法一:使用临时表方法二:使用JOIN方法三:使用EXISTS示例总结报错原

MySQL中的LENGTH()函数用法详解与实例分析

《MySQL中的LENGTH()函数用法详解与实例分析》MySQLLENGTH()函数用于计算字符串的字节长度,区别于CHAR_LENGTH()的字符长度,适用于多字节字符集(如UTF-8)的数据验证... 目录1. LENGTH()函数的基本语法2. LENGTH()函数的返回值2.1 示例1:计算字符串

Android kotlin中 Channel 和 Flow 的区别和选择使用场景分析

《Androidkotlin中Channel和Flow的区别和选择使用场景分析》Kotlin协程中,Flow是冷数据流,按需触发,适合响应式数据处理;Channel是热数据流,持续发送,支持... 目录一、基本概念界定FlowChannel二、核心特性对比数据生产触发条件生产与消费的关系背压处理机制生命周期

怎样通过分析GC日志来定位Java进程的内存问题

《怎样通过分析GC日志来定位Java进程的内存问题》:本文主要介绍怎样通过分析GC日志来定位Java进程的内存问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、GC 日志基础配置1. 启用详细 GC 日志2. 不同收集器的日志格式二、关键指标与分析维度1.

java中新生代和老生代的关系说明

《java中新生代和老生代的关系说明》:本文主要介绍java中新生代和老生代的关系说明,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、内存区域划分新生代老年代二、对象生命周期与晋升流程三、新生代与老年代的协作机制1. 跨代引用处理2. 动态年龄判定3. 空间分

MySQL中的表连接原理分析

《MySQL中的表连接原理分析》:本文主要介绍MySQL中的表连接原理分析,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1、背景2、环境3、表连接原理【1】驱动表和被驱动表【2】内连接【3】外连接【4编程】嵌套循环连接【5】join buffer4、总结1、背景