（一）研究的背景和重要性
随着电网建设的不断发展和“质量强网”战略的推进，对物资采购过程中的智能化需求显著增长。传统的定性分析和项目完成后的事后价格评估，已不再能满足当前需求。为了有效执行“质量强网”战略，同时确保采购价格与市场水平保持一致，本文基于对电力装备制造行业供应链结构的深入分析，识别了影响采购价格的关键因素并明确了价格形成机制。基于此，建立了价格预测和预警模型，以及智能化的采购策略制定工具。这些模型的应用大幅提升了采购流程的效率，保障了物资采购的质量与价格的稳定，同时也为市场的健康和稳定发展作出了贡献。
（二）研究方法和数据来源
本文利用的数据涵盖了自2012年以来国家电网有限公司物资集中招标采购的详细信息，其中包括物资信息、供应商的基本资料、历史投标报价以及采购策略等。此外，为了全面分析影响采购价格的因素，还综合了来自国家统计局和EPS数据库的宏观经济指标和原材料价格等外部数据。
在处理采购数据时，剔除了无效的废标数据，并采用差值补全填补缺失的数据点，目的是最大限度地利用历史数据中的价格变动规律。基于此构建了采购价格预测、价格预警及采购策略智能制定模型（见图1）。
（一）强关联因素的识别
传统采购过程依赖于定性分析，常常无法准确预测影响价格的因素。本文采用皮尔逊相关性分析法对50项内外部因素进行了量化分析，明确了这些因素与价格之间的相关性，并选取了角钢铁塔Q420作为具体研究实例，详细分析这些因素在不同时间阶段对角钢铁塔Q420价格的影响，从而为采购决策提供了更加科学和精确的数据支持（见表1）。
皮尔逊相关系数是衡量两个变量之间线性关系强度的统计量，其值介于-1与1之间。系数接近1或-1意味着两变量间存在强烈的线性关系：正相关（接近1）表示变量同时增减，负相关（接近-1）则反映一个变量增加时另一个减少。系数靠近0则表示变量间无明显线性关系。
本文确定了9个与采购价格强关联的因素，每个因素的皮尔逊系数均超过0.75。通过运用皮尔逊相关性分析，能够在市场和内部环境发生变化时，实时监测和分析价格波动，提高分析的精确度和效率。这种方法不仅明确了价格变动的主要驱动因素，也为建立精确的价格预测模型和及时调整采购策略提供了科学依据（见表2）。
通过分析得出，角钢塔Q420价格与黑色金属矿采选业的库存量呈负相关性，意味着当矿产业库存增加时，角钢塔Q420价格倾向于下降。相反，角钢塔Q420价格与电气机械及器材制造业的库存量、角钢价格及金属制品和机械设备修理业的库存量等因素呈正相关性，表明这些因素的增加会推高角钢塔Q420的价格。角钢作为角钢塔Q420的关键原材料，其价格波动对角钢塔Q420定价有直接影响，两者之间存在显著的正相关关系，即角钢价格的上涨将直接促使角钢塔Q420的市场价格上调。
（二）基于多元线性回归的合理价格预测建模
多元线性回归是多元统计分析中的一个核心方法，用于拟合多个因素与目标价格之间的关系。通过选择合适的训练集并设定训练次数，构建基于实际数据的预测模型。经过多轮训练，模型能够准确反映角钢铁塔Q420的合理价格与关键因素之间的关系。
构建多元线性回归模型的过程分为以下步骤：
1.数据选择与训练次数设定
为了适应模型的需求并确保预测的准确性，本文采用基于权重的方法来选择训练数据：抽取2015年~2019年数据中的20%作为样本，并进行了五轮重复抽样。对于2020年至2021年的数据，本文采取了随机抽取40%的样本，并将其与之前的样本结合使用，形成了多轮训练的数据集。
2.建立预测模型
通过对选择的数据集进行多轮训练，构建了几个基于不同相关系数阈值（65%、70%、75%、80%、85%）的模型，用以分析角钢铁塔Q420的价格与其相关因素之间的关系。
3.合理价格预测
通过对这些模型预测结果的综合分析，计算出各模型预测价格的平均值，从而得出角钢铁塔Q420的最终预测价格，为采购决策提供了科学依据。
（三）随机森林预测模型
随机森林通过汇总多个决策树的预测结果来提高整体预测的准确性。该方法特别适用于处理具有多种影响因素的复杂问题。本文利用2018年~2021年的数据作为训练基础，分析影响角钢铁塔Q420价格的关键因素，如将角钢价格等因素作为模型的输入特征。
构建随机森林模型的过程分为以下步骤：
1.数据准备
以角钢铁塔Q420的有效投标均价和相关影响因素作为训练数据，这些因素作为特征向量用于训练模型。
2.决策树构建
通过对数据集进行分区，每个分区映射到一个价格区间，从而构建多个决策树。这些树基于不同的特征组合进行分裂，直到达到最优的分裂结果或预设的停止条件。
3.随机森林生成
通过有放回地抽取训练样本，构建多棵决策树，并将未被抽中的样本用作验证数据。在每个决策节点，随机选取一定数量的特征作为候选分裂变量，从而增加模型的多样性。
4.模型验证
使用平均绝对百分比误差（MAPE）作为性能指标来评估模型的预测精度。MAPE越低，模型的预测能力越强。
（四）模型精度验证
为了评估所建立预测模型的性能和比较其预测精度，本文选取了2021年第J、K、L批次的角钢铁塔Q420供应商投标数据作为验证集，并分别应用了多元线性回归和随机森林两种模型来预测这些批次的合理价格。为了量化模型预测的准确性，本文比较了模型预测价格与实际投标价格之间的差异，并以百分比形式表达这种差异（见表3）。
结果显示，多元线性回归模型在价格预测方面表现出较高的准确性，其预测价格与实际价格之间的差异百分比普遍低于2%，特别是在2021年第K批次的预测中，差异低于1%。相比之下，随机森林模型的预测值与实际值之间的差异大约为3%。这表明多元线性回归模型在分析中更为贴近实际价格，展现了较高的预测准确度和实用性。因此，可以认为多元线性回归模型在本文场景下是一个有效且可靠的预测工具。
（五）合理价格预测
利用多元线性回归模型，本文预测了2021年第M批次角钢铁塔Q420的价格，实际数据显示，2021年第M批次角钢铁塔Q420的投标均价为0.9096万元，通过多元线性回归模型预测得出的均价为0.8682万元，与实际价格之间的差异为-4.55%。这表明预测价格与实际价格之间的偏差在可接受的5%误差范围之内，进一步证明了多元线性回归模型在价格预测方面的有效性和准确性。
（六）小结
通过深入分析内外部因素对采购价格的影响，有效识别了影响角钢铁塔Q420价格的关键因素，并据此建立了精确的采购价格预测算法模型。这一模型经过充分验证，不仅展现了有效性和实用性，还准确预测了合理的采购价格，有效解决了以往采购价格判断标准不明确的问题。此外，并为建立高效的价格预警系统和智能化的采购策略提供了坚实的理论和实践基础，从而优化了采购管理过程，提高了决策的科学性和精确性。
在采购活动中，对当前价格的事后分析，并不能总是准确评估当前的采购价格是否合理，或价格的波动是否属于正常范围。为了解决这一问题，本文建立了一个高效的异常价格预警机制。
（一）预警模型的设计思路
本文设定了以合理价格的120%和80%为界限的预警区间，以此区间反映价格的正常波动范围。这一策略旨在实现对价格变化的实时监控，保障采购过程中的价格合理性。
（二）预警模型的构建过程
利用多元线性回归模型估算出角钢铁塔Q420的合理价格，并据此设定价格波动的上下限。通过这种方法，本文确定了角钢铁塔Q420的价格波动范围，进一步明确了供应商报价的合理预警区间。当实际报价超出这一区间时，预警机制将被触发，指示可能的价格异常。
（三）预警机制的实际应用
在2021年第L批次角钢铁塔Q420的采购中，本文将实际投标价格与预警区间进行了比对。结果显示，实际价格位于合理波动范围内，未触发价格预警。这一实践证明了预警机制在维护采购成本控制和市场稳定中的有效性。
采购过程中遇到的常见挑战之一是如何应对价格与市场预期背离的情形，这要求采购策略的及时调整。传统上，量化采购策略调整对价格影响的难度较大。为此，本文通过引入一套分类量化的方法，结合算法模型，精确预测采购价格，并据此智能推荐最佳采购策略。
（一）数据与方法
在构建多元线性回归模型的基础上，本文将分包策略、评审权重及价格公式中的系数等变量与采购价格的关系进行量化分析，构建可以量化采购策略影响的模型（见图2）。
（二）模型建立与策略推荐
以角钢塔Q420的采购为例，本文确定了影响其价格的关键变量，并利用这些变量构建了采购策略的回归模型。该模型能够精确计算在不同采购策略下预期的价格变动，为招标人提供科学的决策支持。
根据所建立模型可得到，N1、N2、C的下限及中标概率与投标价格相比合理价格的比值存在正相关关系，特别是N2的影响最显著。相反，C的上限和价格评审权重与价格比值呈现负相关，其中价格评审权重的影响尤其显著。
应用特定采购策略时，通过将相关参数插入到方程中，可以如下解释Y值的含义：
当Y小于1时，意味着投标价格低于合理价格，若希望提高投标价格以接近合理价格，那么对于系数为负的变量，应该减少其数值，反之亦然。
当Y大于1时，表示投标价格超过合理价格，为了降低投标价格使其更接近合理价格，那么对于与因变量呈负相关的变量，应增加其数值，反之亦然。
（三）采购策略的智能推荐
本文为各个影响采购价格的变量定义了一系列调整范围和步长，以便精细化分析采购策略的影响。例如，如果变量的调整步长设定为0.1，可以探索一系列不同的策略组合；若步长细化至0.01，将进一步增加策略组合的数量，使得分析更为精确。
通过计算各种策略组合下预测的Y值，本文评估了每种策略对于投标价格相对于合理价格的影响，并将这些预测结果与理想状态（即Y=1，代表投标价格与合理价格完全一致）进行对比。本文特别关注那些预测值接近1的策略组合，即可能达到最优价格效益的策略。
最终，本文筛选出在允许的偏差范围内，预测投标价格与合理价格最为接近的采购策略组合，为招标人提供了科学合理的参考，以指导采购策略的优化调整，旨在实现成本效益最大化并保持市场价格的合理性。该方法不仅提高了采购决策的科学性和准确性，也为采购管理实践提供了创新思路。
本文在集中规模采购领域探讨了大数据分析算法的应用。通过深入分析铁塔制造行业供应链，识别影响价格的关键因素，并利用皮尔逊算法和大数据分析模型（多元线性回归和随机森林）来预测价格趋势。还构建了价格预警机制，并开发了基于大数据算法的采购策略模型，实现智能化采购策略调整。该研究将传统被动式价格反馈和基于经验的决策转变为主动式控制和数据驱动的智能决策，推动了供应链管理向数字化和智能化的转型，为供应链的自主控制和认知分析发展奠定了基础。
