第一篇：典型相關(guān)分析習(xí)題1設(shè)標(biāo)準(zhǔn)化變量X=X1X2TY=Y1Y2T的相關(guān)

典型相關(guān)分析習(xí)題

TT1、設(shè)標(biāo)準(zhǔn)化變量X=(X1,X2),Y=(Y1,Y2)的相關(guān)系數(shù)矩陣為

?1???1?????????????????,|?|?1,|?|?1,??01????1?試計(jì)算X,Y的典型相關(guān)變量與典型相關(guān)系數(shù)。

2、設(shè)樣本的相關(guān)系數(shù)矩陣為

0.5050.5690.602??1??0.50510.4220.467???0.5690.42210.926???0.6020.4670.9261??（1）、計(jì)算其典型相關(guān)系數(shù)與典型相關(guān)變量。（2）、檢驗(yàn)其典型相關(guān)變量的相關(guān)性。

3、CRM（Customer Relationship Management）即客戶關(guān)系管理案例，有三組變量，分別是公司規(guī)模變量兩個(gè)（資本額，銷售額），六個(gè)CRM實(shí)施程度變量（WEB網(wǎng)站，電子郵件，客服中心，DM 快訊廣告Direct mail縮寫，無線上網(wǎng)，簡訊服務(wù)），三個(gè)CRM績效維度（行銷績效，銷售績效，服務(wù)績效）。試對三組變量做典型相關(guān)分析。

4、俱樂部分別對20名中年人測量了3個(gè)生理指標(biāo)：體重?x1?，腰圍?x2?，脈搏?x3?和3個(gè)訓(xùn)練指標(biāo)：引體向上次數(shù)?y1?，起坐次數(shù)?y2?，跳躍次數(shù)?y3?。試分析生理指標(biāo)與訓(xùn)練指標(biāo)的相關(guān)性。具體數(shù)據(jù)見下表：

5、下表列舉了25個(gè)家庭的成年長子和次子的頭長和頭寬。利用典型相關(guān)分析法分析長子和次子頭型的典型相關(guān)性。

長子頭長

191 195 181 183 176 208 189 197 188 192 179 183 X1 長子頭寬155 149 148 153 144 157 150 159 152 150 158 147 X2 次子頭長Y1 179 201 185 188 171 192 190 189 197 187 186 174 次子頭寬Y2 145 152 149 149 143 152 149 152 159 151 148 147

6、測量15名受試者的身體形態(tài)以及健康情況指標(biāo)，如下表。第一組是身體形態(tài)變量，有年齡、體重、胸圍和日抽煙量；第二組是健康狀況變量，有脈搏、收縮壓和舒張壓。要求測量身體形態(tài)以及健康狀況這兩組變量之間的關(guān)系。

年齡

X1 體重X2 抽煙量X3 胸圍X4 脈搏Y1 收縮壓Y2 舒張壓Y3 25 26 28 29 27 32 年齡125 131 128 126 126 118 體重30 25 35 40 45 20 抽煙量83.5 82.9 88.1 88.4 80.6 88.4 70 72 75 78 73 70 脈搏Y1 130 135 140 140 138 130 收縮壓Y2 85 80 90 92 85 80 舒張壓Y3 X1 X2 X3 胸圍X4 31 34 36 38 41 46 47 48 45 120 124 128 124 135 143 141 139 140 18 25 25 23 40 45 48 50 55 87.8 84.6 88.0 85.6 86.3 84.8 87.9 81.6 88.0 68 70 75 72 76 80 82 85 88 135 135 140 145 148 145 148 150 160 75 75 80 86 88 90 92 95 95

第二篇：多元變量典型相關(guān)分析的分類：最小二乘配方、擴(kuò)展和分析.

多元變量典型相關(guān)分析的分類：最小二乘配方、擴(kuò)展和分析

摘要——典型相關(guān)分析（CCA）是一種尋找兩個(gè)多維變量之間相關(guān)性的著名的技術(shù)。它是一項(xiàng)把兩組變量化到一個(gè)低維空間中并且使他們之間的相關(guān)性最大的工作。CCA通常在兩組變量分別的是來源于數(shù)據(jù)和類標(biāo)簽上申請監(jiān)督降維。眾所周知,CCA可以制定作為在二進(jìn)制類案件中的一個(gè)最小二乘問題。然而,擴(kuò)展到更一般的變量尚不清楚。在本文中,我們表明,在傾向于保持高維數(shù)據(jù)的溫和條件,CCA在多元變量的情況下可以制定作為一個(gè)最小二乘問題。在此基礎(chǔ)上等價(jià)關(guān)系,高效的算法求解最小二乘問題可以應(yīng)用于非常大的數(shù)據(jù)集規(guī)模CCA問題。此外,我們提出幾個(gè)CCA擴(kuò)展,包括基于1規(guī)范正規(guī)化的稀疏CCA方程式。我們進(jìn)一步擴(kuò)展最小二乘方程式為偏最小二乘法。此外,我們表明,投影,讓一群CCA變量是獨(dú)立的，正則化在另組多維變量,提供新的見解的影響CCA的正規(guī)化。我們使用基準(zhǔn)數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)集確認(rèn)建立了等價(jià)關(guān)系。結(jié)果也證明了CCA擴(kuò)展的有效性和效率的提議。

關(guān)鍵字——典型相關(guān)分析、最小二乘法、多元變量學(xué)習(xí),偏最小二乘法、正規(guī)化。引言

典型相關(guān)分析(CCA)[1]是一個(gè)眾所周知的尋找兩套多維變量之間的相關(guān)性的技術(shù)。它使用兩個(gè)視圖相同的組對象和項(xiàng)目到一個(gè)與他們最相關(guān)的低維空間中去。CCA已經(jīng)成功應(yīng)用在各種應(yīng)用中[2]、[3]。一個(gè)流行的使用CCA是監(jiān)督式學(xué)習(xí),它其中一個(gè)觀點(diǎn)是來源于數(shù)據(jù)并且其他的觀點(diǎn)來源于類標(biāo)簽。在這種背景，數(shù)據(jù)可以用標(biāo)簽信息定向的被投影到一個(gè)低維空間。這樣的一個(gè)方程式在對多元變量進(jìn)行降維的情況下是非常的吸引人的。

多元線性回歸(多元)即最小平方和成本函數(shù)是一種專門研究回歸問題的技術(shù)。它還可以被應(yīng)用于通過定義一個(gè)合適的類指標(biāo)矩陣的分類問題[5],[6]。多元的解決方案基于最小二乘法通過求解一個(gè)線性方程組來獲得。一個(gè)數(shù)量的算法包括共軛梯度算法,可以應(yīng)用到它有效地解決[7]。此外,最小二乘方程式可以很容易使用正則化技術(shù)進(jìn)行擴(kuò)展。例如,1規(guī)范可以被納入正規(guī)化最小二乘方程式來控制模型復(fù)雜性和提高稀疏[8]。稀疏常常會(huì)導(dǎo)致容易解釋和良好的泛化能力。它已經(jīng)被成功地應(yīng)用在幾個(gè)算法中,包括主成分分析[9]和支持向量機(jī)[10]。

與最小二乘法相比，CCA涉及廣義特征值問題,它解決時(shí)，計(jì)算更加費(fèi)時(shí)[11]。此外,它是具有挑戰(zhàn)性的,因?yàn)樗@得稀疏CCA時(shí)涉及到一個(gè)困難稀疏的廣義特征值問題。凸松弛的稀疏CCA的研究[12]放在,確切的稀疏的CCA配方一直放松在幾個(gè)步驟上。另一方面,最小二乘法和CCA已經(jīng)建立在文學(xué)上建立起一個(gè)有趣的聯(lián)系。特別是,CCA被證明是相當(dāng)于Fisher線性判別分析(LDA)的二進(jìn)制類問題[13]。與此同時(shí),眾所周知,在這種情況下LDA相當(dāng)于最小二乘法[5],[6]。因此,CCA可以作為一個(gè)對于二進(jìn)制類問題制定最小二乘問題。在實(shí)踐中,多元變量問題非常普遍。因此研究它們在更一般的變量中的關(guān)系更具誘惑。

在本文中,我們研究 CCA和最小二乘在多元變量問題之間的關(guān)系。我們表明,在傾向于保持高維數(shù)據(jù)的溫和條件下,CCA可以作為一個(gè)通過制定構(gòu)造一個(gè)特殊類指標(biāo)矩陣的最小二乘問題。在此等價(jià)關(guān)系的基礎(chǔ)上,我們提出幾個(gè)CCA擴(kuò)展,包括使用1規(guī)范正規(guī)化的稀疏CCA。我們表明,最小二乘方程式及其擴(kuò)展的CCA可以有效地解決。例如,相當(dāng)于2規(guī)范的最小二乘配方和正規(guī)化的擴(kuò)展可以通過計(jì)算迭代共軛梯度算法LSQR進(jìn)行處理[14],這種算法可以處理非常大規(guī)模的問題。我們通過建立OPLS 和 CCA之間的等價(jià)關(guān)系使最小二乘方程式擴(kuò)展到正交最小二乘(OPLS)和偏最小二乘法(PLS)。此外,我們分析正則化在CCA上的效果。特別是,我們表明,CCA投影,讓一群變量是獨(dú)立的正規(guī)化另組多維變量,闡明正規(guī)化在CCA上的影響。此外,它能顯示出我們的分析可以擴(kuò)展到內(nèi)核誘導(dǎo)功能空間。提供更多細(xì)節(jié)的補(bǔ)充文件,可以發(fā)現(xiàn)在計(jì)算機(jī)協(xié)會(huì)數(shù)字圖書館在http://doi。ieeecomputersociety.org/10.1109/TPAMI.2010.160。

注釋：訓(xùn)練樣本的數(shù)量,數(shù)據(jù)維數(shù),數(shù)量的標(biāo)簽分別用n、d、k。xi?R表

kd?n??y?RX?x,?,x?Rii1n示第個(gè)觀察。并且表示編碼對應(yīng)的標(biāo)簽信息。讓是k?n????Y?y,?,y?R1n數(shù)據(jù)矩陣，是類標(biāo)簽矩陣。我們假設(shè)所有的xii?1和

nd?yi?in?1是集中的，?i?1xi?0n和?i?1nyi?0。

AF弗羅貝尼烏斯的規(guī)范表示矩陣A。I是單位矩陣和e是一個(gè)單位向量。背景和相關(guān)工作

在本節(jié)中,我們回顧C(jī)CA,最小二乘法,和一些相關(guān)的工作。2.1 典型相關(guān)分析

在CCA,兩種不同造型的同一組對象,給出了一個(gè)投影計(jì)算了每個(gè)表示這樣

dw?Rx的,他們是最大的維度降低空間相關(guān)。正式,CCA計(jì)算兩個(gè)投影向量和wy?Rk這樣的相關(guān)系數(shù)

??TwTxXYwyTTT(wTxXXwx)(wyYYwy)

（1）

是最大化

因?yàn)?是

wx,wywx和wy不變的縮放，CCA可以相等的變換為

（2）

TmaxwTxXYwy 2

Ts.twTxXXwx?1,TwTyYYwy?1.以下，我 們假設(shè)YY是滿秩的。這表明

wxTwx以下問題的最優(yōu)解來獲得：，TT?1TmaxwTxXY(YY)YXwx,TTs.t wxXXwx?1。

(3)兩種方法在(2)和(3)中試圖找到所對應(yīng)的特征向量與特征值的頂部以下廣義特征值問題:

XYT(YYT)?1YXTwx??XXTwx，（4）

特征值?與特征向量wx是相對應(yīng)的。它也表明,多個(gè)投影向量在某些正規(guī)化約束由頂部的?特征向量的廣義特征值問題(4)[2]。

在正規(guī)化CCA(rCCA),兩個(gè)正則化條件?xI和

TT?yI，并且

?x?0,?y?0被添加在(2)來防止過度擬合,避免奇點(diǎn)XX和YY的[2], [15]。具體來說,解決了以下商資歸農(nóng)廣義特征值問題: XXT(YYT??yI)?1YXTwx??(XXT??xI)wx

（5）

2.2 最小二乘法的回歸和分類 在回歸,我們就有了一種訓(xùn)練集??xi,ti??ni?1dkx?Rt?Rii，其中是觀察數(shù)據(jù)，是相應(yīng)的目標(biāo)。我們假設(shè)兩把觀察結(jié)果和目標(biāo)集中。結(jié)果,攔截在回歸可以被消除。在這種情況下, 最小二乘方法可以用于計(jì)算投影 矩陣W通過最小化以下平方和成本 功能：

nminf(W)??Wxi?tiTWi?122?WX?TT2F

（6）

k?n??T?t,?t?R1n其中。眾所周知,最優(yōu)投影矩陣給出了[5],[6]

WLS?(XXT)?XTT

(7)T?(XX)代表雅可比矩陣XXT的偽偽逆。其中最小二乘公式也可應(yīng)用于分類問題。在一般的多級(jí)情況下,我們是給定一個(gè)

nd??xi,yi??i?11,2,?,k?表示第i類標(biāo)號(hào)的樣x?Rin樣品組成的數(shù)據(jù)集，其中，yi?? 3 本，k>2。應(yīng)用最小二乘的多類配方情況下,1 k的二進(jìn)制編碼方案通常是把向量值類代碼應(yīng)用于每個(gè)數(shù)據(jù)點(diǎn)[5]。解決方案取決于選擇類指標(biāo)矩陣。幾類指標(biāo)矩陣的提出在文獻(xiàn)[6]。

2.3 相關(guān)工作

最小二乘法的內(nèi)在關(guān)系和其他幾個(gè)模型在過去已經(jīng)建立。特別是,它是一個(gè)經(jīng)典的效果，最小二乘問題是等價(jià)的LDA對二進(jìn)制類問題[5]。最近,這種等價(jià)關(guān)系是延伸到通過定義一個(gè)特定的類指標(biāo)矩陣的多類案件[16]。CCA已被證明是相當(dāng)于LDA對多類問題[13]。因此,CCA相當(dāng)于最小二乘法在多類案件。我們顯示在接下來的部分,在溫和條件下,可作為制定CCA最小二乘問題的更一般的設(shè)置,即，多元變量問題當(dāng)一個(gè)用來源于標(biāo)簽的CCA的視圖。CCA和最小二乘對于MULTILABEL之間的關(guān)系分類

在本節(jié)中,我們的相關(guān)關(guān)系和最小二乘法的CCA multilabel案例，由于空間限制,所有的證據(jù)是提供在補(bǔ)充文件,可以在計(jì)算機(jī)協(xié)會(huì)數(shù)字圖書館中找到http://doi.ieeecomputersociety.org/10.1109/TPAMI.2010.160。

首先為我們的推導(dǎo)定義四個(gè)矩陣:

H?Y(YY)TT?12?Rn?k，（8）

CXX?XXT?Rd?d，（9）CHH?XHHTXT?Rd?d，（10）CDD?CXX?CHH?Rd?d，（11）

注意，我們假設(shè)n??k并且rank(Y)?k為多元變量的問題。這樣(YY)T?12就很明確了。遵循上面的定義,解決CCA可以表達(dá)為特征值所對應(yīng)的特征向量與矩陣C?XXCHH的頂部。

3.1 基本矩陣屬性

在本節(jié)中,我們研究的基本性質(zhì)的矩陣參與下面的討論。以下定義在(8)中的H,我們有：

引理 3.1 讓H被定義為在(8)，并且讓我們有：

（1）H已經(jīng)正規(guī)化的列，T（2）He?0。

?yi?in?1集中的，?i?1yi?0。這樣，nHTH?IK'。

鑒于H?R言之 n?k與列正交，存在D?Rn?(n?k)n?n??H,D?R使得是正交矩陣，簡而

In??H,D??H,D??HHT?DDTT

TTC?C?C?XDDXDDXXHH于是就出現(xiàn)了的結(jié)果，讓奇異值分解計(jì)算X且

X?U?VT??U1,U2?diag(?r,0)?V1,V2??U1?rV1TT

其中r?rank(X),U,V是正交矩陣，??Rd?n,U1?Rd?r,U2?Rd?(d?r),V1?Rn?r,V1?Rn?(n?r),?r?Rr?rT很明顯U2位于零空間X中，簡而言之

XTU2?0

（12）

3.2 通過特征分解計(jì)算CCA

?C回想一下,解決CCA由矩陣XXCHH的頂部特征向量?.我們下一個(gè)展示如何計(jì)算這些特征向量。定義了矩陣A?Rr?k且

(13)

r?k1TTA???rU1XH?V1H讓奇異值分解A，使對角線的。這樣 A?P?AQTr?rk?k?RP?R,Q?R，其中是正交的，?A是

TAAT?P?A?TAP

(14)?C矩陣XXCHH的特征分解總結(jié)了下面的定理：

?C定理3.1 矩陣XXCHH有k個(gè)非零特征值。具體來說,CCA的解決辦法是由與矩陣CXXCHH最頂端的特征值?(??k)相對應(yīng)的特征向量組成的，可以得到：

1WCCA?U1??rP?

(15)其中Pl在包含第一列?的P。

3.3 和最小二乘法等價(jià)的CCA 考慮類指標(biāo)矩陣T定義如下：

~ 5

T?(YY)Y?HT

(16)

~T?12它遵循從(7),解決最小二乘問題給定T

1TWLS?(XXT)?XH?U1??rP?AQ~

(17)

T從(15)和(17)中可以很明顯的看出之間(CCA)和最小二乘法的區(qū)別在于?A和Q 我們下一個(gè)顯示所有的對角元素?A的在溫和的條件下,即rank(X)?n?1，rank(Y)?k.注意,第一個(gè)條件是相當(dāng)于要求原始數(shù)據(jù)點(diǎn)是線性獨(dú)立前定心,傾向于保持高維數(shù)據(jù)。出示之前主要結(jié)果總結(jié)在定理3.2下面,我們有以下引理: 引理 3.2 我們假設(shè)

rank(CXX)?s?rank(CHH)?rank(CDD)，Tr?r?A??A?A?diag(a1,a2,?,ar)?RS對于一些非負(fù)整數(shù)有。那么對于矩陣，^我們有

1???af?s?af?s?1???af?af?1???0其中f?rank(?A)。

定理 3.2 假設(shè)rank(X)?n?1,rank(Y)?k為多元變量問題，這樣我們有rank(CXX)?n?1,rank(CHH)?k,rank(CDD)?n?k?1，因此S在引理3.2中的定義相當(dāng)于零，并且有

1?a1???ak?ak?1???ar?0。

這就意味著?A的所有的對角元素是單位的。

既然rank(?A)?k，CXXCHH包含k個(gè)非零特征值。如果我們令??k，則有

1WCCA?U1??rPk(18)

?WLS和WCCA唯一的區(qū)別在于正交矩陣在QT和WLS。

在實(shí)踐中,我們可以使用WCCA和WLS兩個(gè)項(xiàng)目的原始數(shù)據(jù)到一個(gè)低維空間在分類之前。對于分類器基于歐幾里得距離,正交變換QT不會(huì)影響分類性能，任何正交轉(zhuǎn)換歐幾里得距離是不變的。一些著名的算法滿足這個(gè)屬性包括k最近鄰(k 最近鄰)算法[6]基于歐氏距離和線性支持向量機(jī)(SVM)[17]。在下面,相當(dāng)于最小二乘CCA配方被稱為“IS-CCA?！?/p>

4.擴(kuò)展最小二乘的CCA 基于等價(jià)關(guān)系建立在上一節(jié)中,古典CCA配方可以擴(kuò)展使用正則化技術(shù),它 常用于控制的復(fù)雜性和提高模型的泛化性能。類似于嶺回歸[6],我們得到2規(guī)范正則化最小二乘CCA配方(稱為“LS-CCA2”),從而減少以下目標(biāo)函數(shù)通過使用目標(biāo)矩陣T(16):

L2(W,?)??(?(xwj?Tij)2??wj)Tij?1i?12kn~2~

其中W?[w1,?wk],??0是正則化參數(shù)。

眾所周知,稀疏通?？梢酝ㄟ^懲罰1規(guī)范變量的[8]得到。它已經(jīng)被引入最小二乘配方，由此產(chǎn)生的模型被稱為套索[8]?；诘葍r(jià)關(guān)系的建立(CCA)和最小二乘法,我們推導(dǎo)出1規(guī)范正則化最小二乘CCA配方(稱為“LS-CCA1”),從而減少以下目標(biāo)函數(shù): L1(W,?)??(?(xwj?Tij)2??wj)。

Tij?1i?11kn~LS-CCA1使用最先進(jìn)的算法[18]、[19]可以有效地解決。此外,整個(gè)解決方案的路徑用最小角回歸算法[20]計(jì)算所有值?。

5.高效實(shí)現(xiàn)的CCA 回想一下,我們處理問題的廣義特征值在(4)來解決CCA,雖然,在我們的理 推導(dǎo),等價(jià)特征值問題是代替。大規(guī)模的廣義特征值問題是已知的比常規(guī)的特征值問題[11]、[21]來的更難。有兩個(gè)選項(xiàng)轉(zhuǎn)換中的問題(4)成一個(gè)標(biāo)準(zhǔn)的特征值問題[21]:1)因素XXT和2)使用標(biāo)準(zhǔn)的蘭索斯算法矩陣(XXT)?1XHHTXT使用XXT內(nèi)積。在對于高維問題與一個(gè)小正則化這種情況下，第二個(gè)選擇都有它自己的奇異矩陣的問題。因此,在本文中,我們XXT因素和解決對稱特征值問題使用蘭索斯算法。

相當(dāng)于導(dǎo)致一個(gè)有效的最小二乘制定實(shí)施。該算法的偽代碼,給出了算法1。復(fù)雜的第一步是O(nk2)。在第二步中,我們解決最小二乘問題的k。在我們的實(shí)現(xiàn)中,我們使用LSQR算法在[14],這是一個(gè)實(shí)現(xiàn)了共軛梯度式法求解稀疏最小二乘問題。注意,原始矩陣X?Rd?n很稀少在應(yīng)用在程序中,如文本文檔建模。然而, 7 在中心,X不再是稀疏的。為了保持X稀疏的,向量xi是由一個(gè)額外的組件作為增強(qiáng)x?[1,x]。這個(gè)新組件充當(dāng)對最小二乘法的攔截。擴(kuò)展X來標(biāo)示X?RTiTminWX?T~W~~~2~(d?1)?k~Ti~(d?1)?k,修訂后的最小二乘問題表示為dW?RF，其中

。對于一個(gè)新的數(shù)據(jù)點(diǎn)x?R，它的投影給出了

WT[1;x]~

算法1。高效的實(shí)現(xiàn)通過LSQR CCA 輸入：X，Y 計(jì)算矩陣診H?Y(YY)斷基于奇異值分解的Y。用LSQR在T?HT上回歸X。

對于一個(gè)密集的數(shù)據(jù)矩陣,計(jì)算成本參與每個(gè)迭代的是O(3n?5d?2dn)[14]。因?yàn)樽钚《藛栴}解決了k次,總體成本是O(NK(3n?5d?2dn)),其中N是迭代的總數(shù)。當(dāng)矩陣X是稀疏的,成本明顯降低。

~~TT?12假設(shè)非零元素的數(shù)量在 X中是z?？偝杀緶p少到O(NK(3n?5d?2z))?？傊?總時(shí)間復(fù)雜度為解決最小二乘配方通過LSQR是O(nk?NK(3n?5d?2z))當(dāng)是X稀疏的。

6.擴(kuò)展最小二乘的配方

回想一下,CCA尋求一對線性變換,一個(gè)用于每一組變量,這樣數(shù)據(jù)最相關(guān) 轉(zhuǎn)換空間。相比之下,偏最小二乘法(PLS)發(fā)現(xiàn)方向最大協(xié)方差。協(xié)方差和相關(guān)性是兩種不同的統(tǒng)計(jì)措施為如何共變的量化的變量。CCA和PLS已被證明是有密切聯(lián)系[22]。在[23]和[24],一個(gè)統(tǒng)一的框架,請和CCA的開發(fā),并正交(CCA)和偏最小二乘法(OPLS)[25]的一個(gè)變體,可視為特殊情況的統(tǒng)一框架,通過選擇不同的正則化參數(shù)值。然而,OPLS 和CCA內(nèi)在的等價(jià)關(guān)系尚未研究過。在本節(jié)中,我們證明了OPLS 和CCA等價(jià)關(guān)系,從而擴(kuò)展最小二乘OPLS配方。以下優(yōu)化問題被認(rèn)為是在OPLS: maxtr(WTXYTYXTW)W~2~

（20）

stWTXXTW?1

給出了最優(yōu)W以下的特征向量的廣義特征值問題: 8

TTXHplsHTplsXw??XXw（21）

矩陣Hpls被定義為

Hpls?YT?Rn?k（22）

回想一下,在CCA,矩陣A?V1TH定義在(13)中和奇異值分解給出了A?P?AQ。同樣的，我們定義TApls?V1THplspls，允許細(xì)微的Apls奇異分解值為

V1THplsApls?Ppls?plsQTpls，其中

Ppls?Rr?k,?k?k?Rk?k,QTpls?R。在范圍的空間我們有下面的結(jié)果：

引理 6.1 讓A?VH定義在(13)中，T1Apls?V1THpls?Rr?k。這樣R(A)?R(Apls)Ppls?pkR，其中R(A)和

R(Apls)是A和

Apls的列空間。此外,存在一種像這樣的正交矩陣R，pk由p的第k列組成。

本節(jié)的主要結(jié)果總結(jié)了以下定理： 定理 6.1 讓(18)。然后,Wpls是最優(yōu)解的優(yōu)化問題(20)和讓W(xué)CCA是最佳CCA變換定義在為正交矩陣R。Wpls?WCCAR它遵循從定理6.1,OPLS可以很容易為一個(gè)等價(jià)的最小二乘問題的新配方使用相同的類指標(biāo)矩陣定義在(16)。

7.分析正則化在CCA 在本節(jié)中,我們調(diào)查在CCA正規(guī)化的影響。最小二乘CCA制定建立在本文假設(shè)沒有正則化應(yīng)用。然而,正則化通常用于控制復(fù)雜性的學(xué)習(xí)模式,它已應(yīng)用于各種機(jī)器學(xué)習(xí)算法。使用正則化在CCA自然統(tǒng)計(jì)解釋[15],[26]。在實(shí)踐中,正則化通常在CCA中執(zhí)行兩種多維變量,因?yàn)樗话阏J(rèn)為的解決方案是依賴于CCA正規(guī)化兩變量。從前面部分后的推導(dǎo),我們表明,投影,讓一群CCA變量是獨(dú)立的正規(guī)化另組多維變量,提供新的影響CCA正規(guī)化的見解。7.1 正規(guī)化在Y 在CCA中對Y使用正則化導(dǎo)致下列廣義特征值問題: XYT(YYT??yI)?1YXTw??(XXT)w

（23）

?y?0是正則化參數(shù)。廣義特征值問題在(23)可以表示為: XHrHrTXTw??(XXT)w

(24)n?kH?Rr矩陣為正規(guī)化CCA的定義是: Hr?Y(YY??yI)TT?12

(25)主要結(jié)果概括如下定理: 定理7.1 讓W(xué)rCCA是矩陣組成的主要特征向量的廣義特征值問題在(24)的非零特征值對應(yīng)。然后,WrCCA?WCCA為正交矩陣R。它很容易檢查在在(8)中H的和在(25)中的Hr的范圍的空間一致。證明遵循相同的參數(shù)在引理6.1和定理6.1。

定理7.1表明CCA配方被認(rèn)為是可以制定作為一個(gè)最小二乘問題相當(dāng)于當(dāng)Y正則化。注意,Y可以是任意矩陣(不一定是類標(biāo)簽矩陣)。一個(gè)重要的結(jié)果從等價(jià)關(guān)系的投影為一個(gè)視圖是獨(dú)立的CCA的正規(guī)化的其他視圖。一個(gè)類似的結(jié)果能夠獲取內(nèi)核CCA。

7.2 正規(guī)化在X 對Y自正則化不影響投影的X,我們接下來考慮正則化在X分開。由此產(chǎn)生的廣義特征值問題在CCA可以制定如下:(XHHTXT)w??(XXT??xI)w

（26）

T?1TT?x?0是參數(shù)X正則化。(XX??I)(XHHX),x同樣,我們可以推導(dǎo)出正交矩陣結(jié)果總結(jié)了以下引理: 引理 7.1 定義矩陣B?R21r?k為

12B?(???xI)TB?PB?BQB??VH11H，（27）

r?kr?Rr?R?RP?RQ?R為他的奇異分解，B,B是正交的，?B是對角

T?1TT(XX??I)(XHHX)的特征值最高所對應(yīng)的特征向量給出x線的。然后,與矩陣了

W?U1(???xI)PB?21?12，（28）

PB?由PB的第一列?(??rank(B))組成。

它可以觀察到,B的空間范圍與A不是同于一個(gè);因此,CCA和最小二乘的等價(jià)關(guān)系被認(rèn)為是不持有當(dāng)正則化在X。然而,OPLS CCA的等價(jià)關(guān)系仍然持有當(dāng)正則化在X是應(yīng)用。主要結(jié)果總結(jié)在定理7.2以下(證明遵循類似的參數(shù)在引理 6.1): 定理 7.2 Bpls?(???xI)21?12?VH11Hpls，讓B和

Bpls少量的奇異分解值為

BBTB?PB?B(QB)TBpls?Ppls?Bpls(Qpls),BPB,Ppls?Rr?k,rB?rank(B)?rank(Bpls)BPB?PplsRB。然后,這個(gè)B和

Bpls范圍的空間一致。此外,還存在一個(gè)像

r?rB這樣的正交矩陣R?RBB。因此,CCA和OPLS是等價(jià)的任何?x?0.回想一下,制定可歸納為CCA廣義特征值問題如(5),這就需要計(jì)算矩陣的逆YYT?Rk?k。計(jì)算逆可能計(jì)算量大,當(dāng)維數(shù)k的數(shù)據(jù)Y是很大的。這種情況在基于內(nèi)容的圖像檢索[27],兩個(gè)視圖對應(yīng)的文本和圖像數(shù)據(jù),都是高維度。一個(gè)重要的結(jié)果,建立了OPLS和 CCA的等價(jià)關(guān)系是逆的大型矩陣可以有效避免計(jì)算投影一個(gè)視圖。

8.實(shí)驗(yàn)

我們在實(shí)驗(yàn)中使用三種類型的數(shù)據(jù)?；虮磉_(dá)模式圖像data1描述果蠅的基因表達(dá)譜[28]。每個(gè)圖像標(biāo)注一個(gè)變量數(shù)量的文本術(shù)語(標(biāo)簽)從受控詞匯表。我們應(yīng)用伽柏過濾器中提取一個(gè)384維的特征向量從每個(gè)圖像。我們用五個(gè)數(shù)據(jù)集和不同數(shù)量的術(shù)語(類標(biāo)簽)。我們也評(píng)估擬議的方法在現(xiàn)場數(shù)據(jù)集[29],這是常用的作為一個(gè)基準(zhǔn)數(shù)據(jù)集對多元變量的學(xué)習(xí)。研究提出了最小二乘的可伸縮性配方,一個(gè)文本文檔數(shù)據(jù)集與高維度從雅虎!使用[30]。這些數(shù)據(jù)集的統(tǒng)計(jì)歸納如表1。

表1

匯總統(tǒng)計(jì)的數(shù)據(jù)集

表2

比較不同的CCA配方 意思是中華民國方面得分

所有的數(shù)據(jù)集,報(bào)告10個(gè)隨機(jī)數(shù)據(jù)的分區(qū)訓(xùn)練集和測試集生成和平均性能。對于高維文本文檔的數(shù)據(jù)集,我們遵循特征選擇方法研究[31]文本文檔和提取不同數(shù)量的術(shù)語(特性)調(diào)查性能的算法。與算法5進(jìn)行比較,包括在(5)中CCA和正規(guī)化的版本(指示為商資歸農(nóng)),提出了最小二乘CCA配方(指示為ls CCA)及其2規(guī)范和1規(guī)范正規(guī)化的版本(指示為LS-CCA2和LS-CCA1,分別)。所有的方法都是用于項(xiàng)目數(shù)據(jù)到一個(gè)低維空間中線性支持向量機(jī)進(jìn)行分類為每個(gè)不同的標(biāo)簽。接受者操作特性(ROC)得分計(jì)算為每個(gè)不同的標(biāo)簽,在標(biāo)簽和平均性能報(bào)告所有剝片。

8.2 等價(jià)關(guān)系的評(píng)估和性能比較

我們首先對(CCA)和最小二乘法的等價(jià)關(guān)系進(jìn)行評(píng)估。我們觀察到,當(dāng)數(shù)據(jù)維 數(shù)d遠(yuǎn)遠(yuǎn)大于樣本大小n,在定理3.2的條件往往持有。它遵循從定理3.2,rank(CXX)等于rank(CHH)?rank(CDD),?A所有對角元素是單位的,這是符合觀測的實(shí)驗(yàn)。

在表2中,我們報(bào)告的平均分?jǐn)?shù)超過所有的標(biāo)簽和中華民國為每個(gè)數(shù)據(jù)集都剝片。主要的觀察包括:1)CCA和ls CCA達(dá)到同樣的性能,所有的數(shù)據(jù)集,這是符合我們的理論結(jié)果,2)正規(guī)化CCA擴(kuò)展包括商資歸農(nóng),LS-CCA2,LS-CCA1執(zhí)行更好的比他們的同行CCA和ls CCA沒有正規(guī)化,3)LS-CCA2比得上在所有的數(shù)據(jù)集商資歸農(nóng),而LS-CCA1達(dá)到最好的性能對于所有基因圖像數(shù)據(jù)集。這些觀察結(jié)果證明用正則化最小二乘擴(kuò)展技術(shù)的有效性使。

8.3 敏感性研究

在這個(gè)實(shí)驗(yàn)中,我們調(diào)查ls CCA的性能相比CCA當(dāng)在定理3.2的條件中并不持有,這種情況存在許多真實(shí)世界的應(yīng)用程序中。具體來說,我們使用一個(gè)基因數(shù)據(jù)集基因圖像2維數(shù)固定在d=384和k= 15的標(biāo)簽,而訓(xùn)練集的大小變化從100年到900年與步長約100。

不同的線性算法的性能作為訓(xùn)練集規(guī)模的增加呈現(xiàn)在圖a1。我們可以發(fā)現(xiàn),總體而言,所有算法的性能增加的培訓(xùn)規(guī)模增加。當(dāng)n是很小,條件在定理3.2成立,因此CCA和ls CCA是等價(jià)的,它們達(dá)到同樣的性能。當(dāng)n進(jìn)一步增加,CCA和ls CCA實(shí)現(xiàn)不同的變動(dòng)率指標(biāo)數(shù),雖然在我們的實(shí)驗(yàn)差異分?jǐn)?shù)總是非常小的。類似于上次的實(shí)驗(yàn),我們可以從圖觀察到,正則化方法能夠比CCA和ls-CCA,LS-CCA2與rCCA更好地執(zhí)行。這個(gè)數(shù)據(jù)集稀疏配方LS-CCA1執(zhí)行的最好。

實(shí)驗(yàn)的靈敏度也表現(xiàn)在現(xiàn)場數(shù)據(jù)集。結(jié)果總結(jié)在圖b1,可以類似的觀察。

8.4 可擴(kuò)展性研究

在這個(gè)實(shí)驗(yàn)中,我們研究相比最小二乘原CCA配方的可伸縮性配方。因?yàn)檎?guī)化算法是首選在實(shí)踐中,我們比較正規(guī)化CCA配方(rCCA)和2規(guī)范正規(guī)化最小 13 二乘配方(LS-CCA2)。最小二乘問題是解決LSQR算法[14]。

圖a2一個(gè)顯示了計(jì)算時(shí)間的兩個(gè)配方的高維文本文檔數(shù)據(jù)集雅虎 Arts&Humanities作為數(shù)據(jù)維數(shù)隨著訓(xùn)練集的大小固定為1000。它可以觀察到兩種算法隨著數(shù)據(jù)維數(shù)不斷增加，計(jì)算時(shí)間不斷增加。然而,計(jì)算時(shí)間的最小二乘配方(LS-CCA2)是大大低于原來的配方(rCCA)。事實(shí)上,LS-CCA2所有測試數(shù)據(jù)維數(shù)計(jì)算時(shí)間小于5秒。我們也評(píng)估兩個(gè)配方的可伸縮性方面的訓(xùn)練樣本大小。圖b2陰謀計(jì)算時(shí)間的兩個(gè)公式在文本文件數(shù)據(jù)集當(dāng)訓(xùn)練樣本大小隨數(shù)據(jù)維數(shù)固定為2000,可以類似的觀察。訓(xùn)練集的大小由于高計(jì)算成本的原始特征值問題是沒有進(jìn)一步增加。從圖2,我們得出了最小二乘配方是比原來CCA配方更加可伸縮。

8.5 正則化分析

在這個(gè)實(shí)驗(yàn)中,我們研究的影響為CCA正規(guī)化。此外,我們比較OPLS 和 CCA在不同正則化參數(shù)值下得性能。具體來說,我們隨機(jī)選擇700樣本數(shù)據(jù)集進(jìn)行訓(xùn)練的場景,不同的正則化參數(shù)值從1e-6到1e4。

首先,我們考慮只在X正規(guī)化。CCA的性能和OPLS現(xiàn)場數(shù)據(jù)設(shè)置為變量?x總結(jié)了圖3。我們可以觀察到從圖,在所有的?x值,(CCA)和OPLS的性能是相同的。這證實(shí)了CCA 和OPLS的等價(jià)關(guān)系定理7.2成立。我們還觀察到OPLS 和CCA的性能可以提高，通過使用一個(gè)適當(dāng)?shù)娘@著正則化參數(shù),證明了利用正則化在X。

接下來,我們考慮正則化只在Y。CCA和OPLS的性能的不同值3 b。我們可以觀察到CCA的表現(xiàn)依然是分析。

?y總結(jié)了圖

?y變化,驗(yàn)證正則化在y不影響其性能。另外,我們觀察到兩種方法的性能在所有的情況下是相同的,這是符合我們的理論

9.總結(jié)

在本文中,我們在溫和條件下為CCA建立一個(gè)等價(jià)的最小二乘配方,傾向于保持高維數(shù)據(jù)。在本文中基于等價(jià)關(guān)系建立,我們提出幾個(gè)CCA擴(kuò)展包括稀疏CCA。一個(gè)高效的算法擴(kuò)展CCA配方非常大的數(shù)據(jù)集。我們進(jìn)一步擴(kuò)展的等價(jià)關(guān)系正交偏最小二乘法。此外,我們表明,投影一視圖CCA獨(dú)立的正規(guī)化的其他視圖。我們進(jìn)行了多元變量數(shù)據(jù)集的集合的實(shí)驗(yàn)。我們的實(shí)驗(yàn)表明,最小二乘法CCA配方和原始CCA配方的性能非常接近甚至當(dāng)條件是違反的。

版權(quán)聲明

這項(xiàng)研究是由美國國家科學(xué)基金會(huì)組織(NSF)iis0953662,NIH,hm1582 R01-HG002516 NGA1-0016。

參考文獻(xiàn)：

[1] H.Hotelling, “Relations between Two Sets of Variables,” Biometrika, vol.28, pp.312-377, 1936.[2] D.Hardoon, S.Szedmak, and J.Shawe-Taylor, “Canonical Correlation Analysis: An Overview with Application to Learning Methods,” Neural Computation, vol.16, no.12, 2004.[3] J.-P.Vert and M.Kanehisa, “Graph-Driven Feature Extraction from Microarray Data Using Diffusion Kernels and Kernel CCA,” Proc.Ann.Conf.Neural Information Processing Systems, vol.15, pp.1425-1432, 2003.[4] S.Yu, K.Yu, V.Tresp, and H.-P.Kriegel, “Multi-Output Regularized Feature Projection,” IEEE Trans.Knowledge and Data Eng., vol.18, no.12, pp.1600-1613, Dec.2006.[5] C.Bishop, Pattern Recognition and Machine Learning.Springer, 2006.[6] T.Hastie, R.Tibshirani, and J.Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction.Springer, 2001.[7] G.Golub and C.V.Loan, Matrix Computations.Johns Hopkins Press, 1996.[8] R.Tibshirani, “Regression Shrinkage and Selection via the Lasso,” J.Royal Statistical Soc.: Series B, vol.58, no.1, pp.267-288, 1996.[9] A.d’Aspremont, L.Ghaoui, M.Jordan, and G.Lanckriet, “A Direct Formulation for Sparse PCA Using Semidefinite Programming,” Proc.Ann.Conf.Neural Information Processing Systems, vol.16, pp.41-48, 2004.[10] J.Zhu, S.Rosset, T.Hastie, and R.Tibshirani, “1-Norm Support Vector Machines,” Proc.Ann.Conf.Neural Information Processing Systems, vol.15, pp.49-56, 2003.[11] D.Watkins, Fundamentals of Matrix Computations.John Wiley & Sons, Inc., 1991.[12] B.Sriperumbudur, D.Torres, and G.Lanckriet, “Sparse Eigen Methods by D.C.Programming,” Proc.Int’l Conf.Machine Learning, pp.831-838, 2007.[13] T.Hastie, A.Buja, and R.Tibshirani, “Penalized Discriminant Analysis,”

Annals of Statistics, vol.23, pp.73-102, 1995.[14] C.Paige and M.Saunders, “LSQR: An Algorithm for Sparse Linear Equations and Sparse Least Squares,” ACM Trans.Math.Software, vol.8, no.1, pp.43-71, 1982.[15] F.Bach and M.Jordan, “Kernel Independent Component Analysis,” J.Machine Learning Research, vol.3, pp.1-48, 2003.[16] J.Ye, “Least Squares Linear Discriminant Analysis,” Proc.Int’l Conf.Machine Learning, pp.1087-1094, 2007.[17] B.Scho¨lkopf and A.J.Smola, Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond.MIT Press, 2002.16 [18] J.Liu, S.Ji, and J.Ye, SLEP: Sparse Learning with Efficient Projections.Arizona State Univ.,

第三篇：物流采購與供應(yīng)管理典型習(xí)題分析與解答

物流采購與供應(yīng)管理典型習(xí)題分析與解答 物流〒典型習(xí)題分析與解答〒 典型習(xí)題

一、選擇題

1.采購與供應(yīng)管理的利潤杠桿效應(yīng)指的是()A.利潤的增加可以帶來采購數(shù)量的增加 B.采購數(shù)量的增加可以帶來利潤率的提高

C.采購費(fèi)用節(jié)省較少比例可以帶來利潤率更大比率的提高 D.利潤率提高較小比例可以帶來采購費(fèi)用更大比率的節(jié)省

2.某公司的銷售收入為1000萬元，假設(shè)其稅前利潤率為5%，采購成本為銷售收入的60%，假設(shè)采購成本減少1%，則利潤杠桿效應(yīng)使利潤率增加了多少()A．1% B．10% C．12% D．20%

3.某公司銷售收入為1000萬元，稅前利潤為5%，采購成本為銷售收入的60%，存貨為150萬元，它為公司總資產(chǎn)的30%，求此時(shí)的資產(chǎn)收益率（）

A．5% B．10% C．15% D．20%

4.在上題中，如果采購成本降低了10％，此時(shí)的資產(chǎn)收益率為（）A．24.4% B．23.4% C．22.8% D．25.2%

5.下面哪項(xiàng)不是采購與供應(yīng)管理對于企業(yè)的作用：()A．利潤杠桿效應(yīng)

B．資產(chǎn)收益率效應(yīng)

C．提高企業(yè)競爭地位和顧客滿意度 D．牛鞭效應(yīng)

6.在下列采購類別中，那一個(gè)不屬于按采購制度進(jìn)行分類的類別（）A．政府采購

B．集中采購

C．分散采購 D．混合采購

7.為了做好采購工作，采購部門應(yīng)該承擔(dān)許多職責(zé)，其中有管理層面的，也有作業(yè)層面的。在下面各項(xiàng)職能描述中，哪一項(xiàng)是屬于管理層面的職能（）

A．協(xié)助供應(yīng)商建立品質(zhì)管理制度

B．提供長期的需求計(jì)劃給供應(yīng)商

C．編制采購計(jì)劃與預(yù)算 D．提供技術(shù)及測試儀器，使供應(yīng)商生產(chǎn)更佳的產(chǎn)品

8.全球化采購可以實(shí)施是由許多原因造成的，下列哪項(xiàng)不是原因（）A.更低的價(jià)格 B.更高的質(zhì)量 C.競爭的需要 D.沒有風(fēng)險(xiǎn)

二、簡答題

1.如何理解采購的信息源作用？ 2.集中采購有哪些優(yōu)點(diǎn)？ 3.JIT采購的含義是什么？

三、論述題

1.試述采購與供應(yīng)管理的目標(biāo)。2.試述采購與供應(yīng)管理的演變歷程。

四、案例分析題

【案例1】很難想象1979年的某一天，克萊斯勒（現(xiàn)在的戴姆勒─克萊斯勒）會(huì)沒有足夠的現(xiàn)金支付他的雇員、供應(yīng)商和金融債權(quán)人，而且?guī)缀跻嫫飘a(chǎn)。使克萊斯勒能夠繼續(xù)營業(yè)需要汽車工會(huì)的讓步，同時(shí)銀行債務(wù)的重組則包括數(shù)以百家的社會(huì)機(jī)構(gòu)和超過10億美元的政府援助貸款。盡管20世紀(jì)70年代末的經(jīng)濟(jì)蕭條是造成這一現(xiàn)象的原因之一，但克萊斯勒最大的問題在于它的運(yùn)營管理。該公司組織內(nèi)部有功能強(qiáng)大的信息庫進(jìn)行經(jīng)營，但在跨部門或與供應(yīng)鏈的其他成員相聯(lián)系的功能方面卻很差。資方與工會(huì)為敵，采購部門與供應(yīng)商為敵，而產(chǎn)品開發(fā)以工程師為主，生產(chǎn)出客戶并不想要得產(chǎn)品。這個(gè)信息系統(tǒng)甚至不能有效地幫助公司有效提高產(chǎn)品質(zhì)量。

現(xiàn)在克萊斯勒公司與20年前相比已經(jīng)大為不同。這該如何解釋呢？為了更好地滿足汽車購買者，公司采用了“大企業(yè)”策略，該策略將整個(gè)公司的采購供應(yīng)鏈的活動(dòng)進(jìn)行了更好的整合——從原材料到零部件到各零部件供應(yīng)商，從生產(chǎn)商到分銷商，最后，將成品遞送至客戶。通過這種更為緊密的整合，克萊斯勒變得對市場需求的反應(yīng)更迅速。它在產(chǎn)品設(shè)計(jì)與開發(fā)的革新上贏得了良好的聲譽(yù)。

采購在克萊斯勒公司的變革中發(fā)揮了與眾不同的重大作用。該公司被認(rèn)為是北美與供應(yīng)商關(guān)系最好的企業(yè)之一。較散亂的聯(lián)系已經(jīng)讓位于更為緊密的供應(yīng)商管理方式。供應(yīng)商能夠更早更積極地參與新產(chǎn)品的開發(fā)。實(shí)際上，主要供應(yīng)商已經(jīng)為克萊斯勒實(shí)際開發(fā)的每輛汽車和卡車提供設(shè)計(jì)與制造系統(tǒng)。采購部門已建立了一項(xiàng)極為成功的稱之為SCORE的供應(yīng)商建議項(xiàng)目，該項(xiàng)目每年能產(chǎn)生數(shù)以千條的供應(yīng)商建議，從這些建議中節(jié)約的資金每年可達(dá)到數(shù)億美元。

如果沒有了解采購流程以及知道如何利用這些流程創(chuàng)造價(jià)值的人們，這些變化是不可能發(fā)生的。克萊斯勒意識(shí)到采購并不是僅供低素質(zhì)的采購人員隨意進(jìn)行傳統(tǒng)操作的地方，而應(yīng)接近于供應(yīng)鏈管理。公司招募高學(xué)歷人士進(jìn)入采購梯隊(duì)，當(dāng)這些人的職業(yè)道路從策略采購轉(zhuǎn)變?yōu)閼?zhàn)略資源時(shí)，他們必須對采購的基本原理有徹底的了解。為了幫助他們的發(fā)展，克萊斯勒使用了一種強(qiáng)調(diào)采購的訓(xùn)練項(xiàng)目。訓(xùn)練者通過在不同領(lǐng)域循環(huán)工作，取得豐富的經(jīng)驗(yàn)知識(shí)。簡而言之，管理層已經(jīng)明白，采購部門未來的領(lǐng)導(dǎo)者必須在他們承擔(dān)開 發(fā)戰(zhàn)略的重任前擁有足夠的采購運(yùn)作經(jīng)驗(yàn)?！締栴}】

1.你認(rèn)為克萊斯勒在前期的采購方面出了哪些問題？ ⒉結(jié)合案例談?wù)勀銓Σ少徆ぷ髦匾缘恼J(rèn)識(shí)。

【案例2】與我國大型國有企業(yè)相比，通用的采購體系可以說是含著銀匙出世，它沒有必要經(jīng)歷體制、機(jī)構(gòu)改革后的陣痛，全球集團(tuán)采購策略和市場競標(biāo)體系自公司誕生之日起，就自然而然地融入了世界上最大的汽車集團(tuán)——通用汽車的全球采購聯(lián)盟系統(tǒng)中。相對于尚在理論層次彷徨的眾多國有企業(yè)和民營企業(yè)而言，通用的采購已經(jīng)完全上升到企業(yè)經(jīng)營策略的高度，并與企業(yè)的供應(yīng)鏈管理密切結(jié)合在一起。

據(jù)統(tǒng)計(jì)，在美國的采購量每年為580億美金，全球采購金額總共達(dá)到1400~1500億美金。1993年，通用汽車提出了全球化采購的思想，并逐步將各分部的采購權(quán)集中到總部統(tǒng)一管理。目前，通用下設(shè)四個(gè)地區(qū)的采購部門：北美采購委員會(huì)、亞太采購委員會(huì)、非洲采購委員會(huì)、歐洲采購委員會(huì)，四個(gè)區(qū)域的采購部門定時(shí)召開電視會(huì)議，把采購信息放到全球化的平臺(tái)上來共享，在采購行為中充分利用聯(lián)合采購組織的優(yōu)勢，協(xié)同殺價(jià)，并及時(shí)通報(bào)各地供應(yīng)商的情況，把某些供應(yīng)商的不良行為在全球采購系統(tǒng)中備案。

在資源得到合理配置的基礎(chǔ)上，通用開發(fā)了一整套供應(yīng)商關(guān)系管理程序，對供應(yīng)商進(jìn)行評(píng)估。對好的供應(yīng)商，采取持續(xù)發(fā)展的合作策略，并針對采購中出現(xiàn)的技術(shù)問題與供應(yīng)商一起協(xié)商，尋找解決問題的最佳方案；而在評(píng)估中表現(xiàn)糟糕的供應(yīng)商，則請其離開通用的業(yè)務(wù)體系。同時(shí)，通過對全球物流路線的整合，通用將各個(gè)公司原來自行擬定的繁雜的海運(yùn)線路集成為簡單的洲際物流線路。采購和海運(yùn)路線經(jīng)過整合后，不僅是總體采購成本大大降低，而且使各個(gè)公司與供應(yīng)商的談判能力也得到了質(zhì)的提升。

【問題】

你認(rèn)為上面的案例中涉及到了哪些采購的新趨勢？結(jié)合中國實(shí)際談?wù)勀愕目捶ā５湫土?xí)題解答

一、選擇題 1.【C】

分析：概念題根據(jù)利潤杠桿效應(yīng)的定義很容易就可以得到正確答案。2.【C】

分析：這是一道計(jì)算題，答題的關(guān)鍵也是要把握好基本概念。由題目可以知道，該公司的總利潤為1000萬×5%=50萬，采購成本=1000萬×60%=600萬，采購成本節(jié)約1%，也就是節(jié)約了6萬元，那么公司總利潤相應(yīng)將增加6萬元。于是利潤率增加了6/50=12%，C為正確的答案。3.【B】

分析：這道題主要是考察對資產(chǎn)收益率的掌握情況。根據(jù)題目中給出的數(shù)據(jù)容易計(jì)算出該公司的稅前利潤為50萬元，采購成本為600萬元，總資產(chǎn)為150萬/（30%）=500萬，那么資產(chǎn)收益率=稅前利潤/總資產(chǎn)=（50/500）×100%=10%。4.【A】

分析：如果采購成本降低10％，采購成本節(jié)約了60萬元，同時(shí)，由于采購成本的下降，庫存成本也降低10％，總資產(chǎn)變?yōu)椋?50萬×90%）/（30%）=450萬。此時(shí)資產(chǎn)收益率變?yōu)椋海?0+60）/450×100%=24.4%。5.【D】

分析：用排除法既可以得到正確答案，前三項(xiàng)教材上都敘述了，可選答案只有最后一項(xiàng)牛鞭效應(yīng)。牛鞭效應(yīng)指的是：當(dāng)供應(yīng)鏈的各節(jié)點(diǎn)企業(yè)只根據(jù)來自其相鄰的下級(jí)需求信息進(jìn)行生產(chǎn)或供應(yīng)決策時(shí)，需求信息的不真實(shí)性會(huì)沿著供應(yīng)鏈逆流而上，產(chǎn)生逐級(jí)放大的現(xiàn)象，達(dá)到最源頭供應(yīng)商時(shí)，其獲得的需求信息和實(shí)際消費(fèi)市場中的顧客需求信息發(fā)生了很大的偏差，需 求變異系數(shù)比分銷商和零售商的需求變異系數(shù)大得多。由于這種需求放大效應(yīng)的影響，上游供應(yīng)商往往維持著比下游供應(yīng)商更高的庫存水平，這是企業(yè)要盡量抑制的一種效應(yīng)，是一種負(fù)面影響。6.【A】 分析：略 7.【C】 分析：略 8.【D】

A.更低的價(jià)格 B.更高的質(zhì)量 C.競爭的需要 D.沒有風(fēng)險(xiǎn) 分析：全球化采購將面臨更大的風(fēng)險(xiǎn)。

二、簡答題

1.答：采購部門與市場的接觸可以為企業(yè)內(nèi)部各部門提供有用的信息。這主要包括價(jià)格、產(chǎn)品的可用性、新供應(yīng)源、新產(chǎn)品及新技術(shù)信息。這些信息對企業(yè)中其他許多部門都具有重要的作用。供應(yīng)商所采用的新的營銷技術(shù)和配送體系可能對銷售部門大有用處；而關(guān)于投資、合并、兼并對象、國際政治經(jīng)濟(jì)動(dòng)態(tài)、即將來臨的破產(chǎn)、提升和任命以及當(dāng)前和潛在顧客等方面的信息，對銷售、財(cái)務(wù)、研發(fā)和高層管理部門都有一定的意義。由于直接與市場接觸，采購部門可以廣泛地收聽到各種信息。

2.答①可以使采購數(shù)量增加，提高與賣方的談判力度，比較容易獲得價(jià)格折扣和良好的服務(wù)。

②由于只有一個(gè)采購部門，采購方針比較容易統(tǒng)一實(shí)施，采購物料也可以統(tǒng)籌安排，也就是說可以協(xié)調(diào)企業(yè)內(nèi)部的各種情況制定比較合理的采購方針，權(quán)力越分散，不一致發(fā)生的可能性就越大。

③采購功能集中，精簡了人力，便于培養(yǎng)和訓(xùn)練，提高了工作的專業(yè)化程度，有利于提高采購績效，降低采購成本。④可以綜合利用各種信息，形成信息優(yōu)勢，為企業(yè)經(jīng)營活動(dòng)提供信息源。3.答：JIT采購又稱為準(zhǔn)時(shí)采購，是一種先進(jìn)的采購模式，它的基本思想是：在恰當(dāng)?shù)臅r(shí)間、恰當(dāng)?shù)牡攸c(diǎn)、以恰當(dāng)?shù)臄?shù)量、恰當(dāng)?shù)馁|(zhì)量提供恰當(dāng)?shù)奈锲?。它是從?zhǔn)時(shí)生產(chǎn)發(fā)展而來的，是為了消除庫存和不必要的浪費(fèi)而進(jìn)行持續(xù)性改進(jìn)。要進(jìn)行準(zhǔn)時(shí)化生產(chǎn)必須有準(zhǔn)時(shí)的供應(yīng)，因此準(zhǔn)時(shí)采購是準(zhǔn)時(shí)化生產(chǎn)管理模式的必然要求。它與傳統(tǒng)的采購方法在質(zhì)量控制、供需關(guān)系、供應(yīng)商的數(shù)目、交貨期的管理等方面有許多的不同，其中關(guān)于供應(yīng)商的選擇、質(zhì)量控制是其核心內(nèi)容。

三、論述題

1.答案要點(diǎn)：對于采購職能總體目標(biāo)的標(biāo)準(zhǔn)描述是：它要求在合適的時(shí)間、地點(diǎn)從合適的供應(yīng)商那里以合理的價(jià)格獲得滿足質(zhì)量和數(shù)量要求的物品。對采購與供應(yīng)管理的具體目標(biāo)表述如下： ①提供不間斷的物料、供應(yīng)和服務(wù)，以便使整個(gè)組織正常地運(yùn)轉(zhuǎn)。②使庫存投資和損失保持最低限度

③保持并提高質(zhì)量。為了生產(chǎn)所需要的產(chǎn)品或服務(wù)，每一項(xiàng)物料都要達(dá)到一定的質(zhì)量要求，否則最終產(chǎn)品或服務(wù)將達(dá)不到期望的要求或者是達(dá)到期望的最終產(chǎn)品的生產(chǎn)成本遠(yuǎn)遠(yuǎn)超過可以接受的成本額。

④發(fā)現(xiàn)或發(fā)展有競爭力的供應(yīng)商。一個(gè)采購部門必須有能力找到或發(fā)展供應(yīng)商，分析供應(yīng)商的能力，從中選擇合適的供應(yīng)商并且與其一起努力對流程進(jìn)行持續(xù)的改進(jìn)。

⑤當(dāng)條件允許的時(shí)候，將所購物資標(biāo)準(zhǔn)化。在供應(yīng)商保證服務(wù)水平的前提下，通過大批量采購的采購協(xié)議和低庫存，標(biāo)準(zhǔn)化能夠提供價(jià)格低又符合要求的物資。

⑥以最低的總成本獲得所需的物資和服務(wù)。在企業(yè)中，企業(yè)采購部門的活動(dòng)消耗的資金比例最大，采購成本的降低可以極大提高企業(yè)的利潤率。

⑦在企業(yè)內(nèi)部和其他職能部門之間建立和諧而富有效率的工作關(guān)系。在一個(gè)現(xiàn)代企業(yè)中，由于專業(yè)化程度的不斷提高，如果沒有其他部門和個(gè)人的合作，采購經(jīng)理的工作就不可能圓滿完成。

⑧以可能的最低水平的管理費(fèi)用來實(shí)現(xiàn)采購目標(biāo)。采購部門應(yīng)該盡可能有效和節(jié)儉地完成采購目標(biāo)，這就需要采購經(jīng)理經(jīng)常對部門的運(yùn)作情況進(jìn)行回顧，以確保所有的活動(dòng)耗費(fèi)都是有效的。

⑨提高公司的競爭地位。從長遠(yuǎn)來看，任何企業(yè)的成功都依賴于它與顧客建立和維護(hù)良好的關(guān)系的能力，而對供應(yīng)的有效管理則會(huì)直接或間接地影響最終顧客。對于企業(yè)的全局戰(zhàn)略和提升企業(yè)的競爭地位而制定的特別的內(nèi)部供應(yīng)戰(zhàn)略來說，采購和供應(yīng)管理都會(huì)有潛在的貢獻(xiàn)。

2.答案要點(diǎn)：①在第一次世界大戰(zhàn)之前，大多數(shù)企業(yè)主要把采購職能看作是一種文書工作。

②在第一次和第二次世界大戰(zhàn)期間，由于巨大的市場需求，企業(yè)的成功不在于它能夠銷售什么，而是它取決于企業(yè)從供應(yīng)商那里獲得原材料、用品和服務(wù)的能力。這些保證工廠和礦山運(yùn)營的必要條件成了決定企業(yè)成功的關(guān)鍵因素。從那時(shí)開始，人們開始關(guān)注采購職能的組織、政策和程序，采購職能開始作為一項(xiàng)獨(dú)立的管理活動(dòng)而出現(xiàn)。

③20世紀(jì)五六十年代，采購職能所應(yīng)用的技術(shù)更加先進(jìn)，受過專門訓(xùn)練的采購人員也越來越多，他們有能力做出合理的采購決策，采購職能在企業(yè)中的地位也越來越重要，許多企業(yè)把首席采購官提升到管理層，這也加強(qiáng)了采購部門的吸引力，促進(jìn)了采購管理理念的進(jìn)一步發(fā)展。

④進(jìn)入二十世紀(jì)七十年代以來，企業(yè)面臨著兩個(gè)問題：一方面，支持運(yùn)營的所有原材料幾乎都出現(xiàn)了國際范圍內(nèi)的短缺；而另一方面，價(jià)格的增長幅度卻遠(yuǎn)遠(yuǎn)超過了第二次世界大戰(zhàn)結(jié)束時(shí)的水平。這一變化使得采購部門倍受關(guān)注，因?yàn)樗麄兡芊駨墓?yīng)商那里獲得所需要的物品，將決定企業(yè)的命運(yùn)。這樣，采購部門被推上了戰(zhàn)略地位，人們開始關(guān)注采購戰(zhàn)略的制定。

⑤二十世紀(jì)九十年代后，企業(yè)已經(jīng)清楚地認(rèn)識(shí)到，企業(yè)要想成功地與國內(nèi)外的企業(yè)競爭，就必須有一個(gè)頗具效益和效率的采購與供應(yīng)管理部門。因?yàn)樵诖蠖鄶?shù)企業(yè)中，采購和服務(wù)的成本都大大超過勞動(dòng)力和其他成本，所以，改進(jìn)采購職能可以長久控制成本。許多企業(yè)正在嘗試把采購戰(zhàn)略與企業(yè)整體戰(zhàn)略整合，應(yīng)用先進(jìn)的信息和網(wǎng)絡(luò)技術(shù)，推進(jìn)企業(yè)流程的重組，采購職能正在從以交易為基礎(chǔ)的戰(zhàn)術(shù)職能發(fā)展到以流程為導(dǎo)向的戰(zhàn)略職能。從世界范圍來看，采購與供應(yīng)管理主要呈現(xiàn)出全球化采購、網(wǎng)上采購、JIT采購、供應(yīng)商伙伴關(guān)系（雙贏采購）等趨勢，而且在發(fā)達(dá)國家，這些采購理念已經(jīng)投入實(shí)施，取得了很好的效果。

四、案例分析

【案例1】分析思路：這道案例題主要考察采購在企業(yè)中的重要性這個(gè)知識(shí)點(diǎn)，在分析中要結(jié)合教材中的相關(guān)原理和克萊斯勒前后發(fā)生巨大轉(zhuǎn)變的例子將采購在現(xiàn)代企業(yè)中的重要作用加以闡明。由于受到篇幅限制，對案例分析題目我們僅給出答題要點(diǎn)。答案要點(diǎn)：

1.①主要問題首先在于沒有充分認(rèn)識(shí)到采購的重要作用。沒能利用好采購的信息源作用和利潤杠桿作用來增進(jìn)企業(yè)的經(jīng)營績效。

②沒能和供應(yīng)商建立良好的關(guān)系，與供應(yīng)商具有良好的關(guān)鍵對于企業(yè)供應(yīng)鏈的正常運(yùn)作以及成本的節(jié)減非常重要。③公司沒有將采購工作提升到戰(zhàn)略的高度，缺乏專業(yè)的高素質(zhì)的采購人員。

2.①采購與供應(yīng)管理主要有利潤杠桿作用、資產(chǎn)收益率作用、信息源作用、營運(yùn)效率作用、對企業(yè)競爭優(yōu)勢作用五個(gè)方面的作用。

②從克萊斯萊在前一個(gè)時(shí)期中虧損的原因看，一個(gè)很重要的方面是采購工作沒有做好，未能處理好與供應(yīng)商的關(guān)系，導(dǎo)致采購成本過高，企業(yè)嚴(yán)重虧損。在實(shí)施改革后，采購流程得以理順，采購成本大大下降，公司業(yè)績顯著，這充分體現(xiàn)了采購的利潤杠桿和資產(chǎn)收益率作用。

③采購流程改進(jìn)以后，使得企業(yè)內(nèi)部的信息的流通的質(zhì)量和數(shù)量大為改善，提高了產(chǎn)品質(zhì)量，以及供應(yīng)鏈各方的滿意度，充分體現(xiàn)了采購的信息源作用，同時(shí)，企業(yè)業(yè)績的好轉(zhuǎn)和競爭力的上升也是采購的營運(yùn)效率作用和對企業(yè)競爭優(yōu)勢作用的體現(xiàn)。

【案例2】 答案要點(diǎn)：

案例中涉及到了全球化采購、供應(yīng)商關(guān)系管理等采購新趨勢。

案例直接反映出在不同的市場機(jī)制和管理模式下，企業(yè)變革需要面對的一些現(xiàn)實(shí)問題。但從另一個(gè)角度看，我們就會(huì)發(fā)現(xiàn)采購在整個(gè)企業(yè)物流管理中的重要地位已經(jīng)被絕大多數(shù)的企業(yè)所認(rèn)可。更多的生產(chǎn)企業(yè)專注于自己的核心業(yè)務(wù)，把采購物流業(yè)務(wù)外包，建立在合作基礎(chǔ)上的現(xiàn)代供應(yīng)鏈管理，無疑是對傳統(tǒng)的采購管理模式的一次革命性的挑戰(zhàn)。

從不同“采購現(xiàn)象”背后，可以看到“采購理念”在中國發(fā)展遇到的現(xiàn)實(shí)問題，不僅在于企業(yè)對先進(jìn)思維方式的消化能力，更重要的是在不同的體制和文化背景下的執(zhí)行是否通暢。而在落實(shí)理念的過程中，必須革新中國的企業(yè)文化，要求高層決策人員和中層的管理人員應(yīng)當(dāng)應(yīng)具備解決系統(tǒng)設(shè)計(jì)問題的能力，底層的運(yùn)作人員應(yīng)能解決系統(tǒng)操作的問題，同時(shí)必須有發(fā)現(xiàn)問題的能力和正確理解問題的能力。