2、风险权重参数基础概念
在智能寻源算法中，风险权重是连接供应商原始数据与最终中标决策的核心桥梁。它不是一个简单的“重要性打分”，而是一个经过归一化处理的数学系数，用于在多个风险维度之间建立可比较的量化尺度。理解风险权重，是调试寻源算法参数的第一步。
2.1 什么是风险权重
风险权重（Risk Weight）是对某一风险因素在整体寻源决策中相对重要程度的数值化表达。其取值范围通常为 [0, 1]，且同一层级的所有风险权重之和等于 1。
数学定义： 设寻源决策涉及 n 个风险维度，每个维度 i 的原始风险评分为 Ri，对应的风险权重为 wi，则综合风险得分 S = Σ(wi × Ri)，且 Σwi = 1。
例如，在某次电子元器件采购中，算法可能定义三个风险维度：
| 风险维度 | 原始评分 Ri（0-100） | 风险权重 wi | 加权贡献 |
|---|---|---|---|
| 交付延迟风险 | 80（低风险） | 0.5 | 40.0 |
| 质量缺陷风险 | 60（中风险） | 0.3 | 18.0 |
| 合规风险 | 90（低风险） | 0.2 | 18.0 |
| 综合风险得分 S | 1.0 | 76.0 |
上表中，交付延迟风险虽然原始评分较好（80分），但因为权重最高（0.5），对最终得分的影响最大。这就是风险权重的核心作用——放大或缩小某一维度对决策的影响力。
2.2 权重与概率的区别
这是初学者最容易混淆的概念。权重和概率虽然在数学上都取值 [0, 1]，但它们的语义和用途完全不同。
| 对比维度 | 风险权重（Weight） | 概率（Probability） |
|---|---|---|
| 核心含义 | 该维度在决策中的重要性占比 | 该事件发生的可能性大小 |
| 数学性质 | Σwi = 1（归一化约束） | 0 ≤ P ≤ 1，且所有互斥事件概率之和为 1 |
| 是否依赖其他维度 | 是，权重是相对的——一个维度权重增加，其他维度权重必然减少 | 否，每个事件的概率可以独立计算 |
| 典型应用 | 加权求和、多目标优化、综合评分 | 风险发生频率预测、蒙特卡洛模拟、贝叶斯更新 |
| 举例 | “交付风险比质量风险重要一倍，所以权重设为 0.6 vs 0.3” | “该供应商有 30% 的概率出现交付延迟” |
常见误区： 不要把风险权重理解为“该风险发生的概率”。一个风险维度权重高，只代表它在决策者心中更重要，不代表它更容易发生。例如，在核电站设备采购中，“安全风险”的权重可能高达 0.8，但其实际发生概率可能极低（如 0.001%）。
2.3 权重在寻源决策中的数学意义
在智能寻源算法中，风险权重承担了三个关键的数学职能：
- 维度归一化： 将不同量纲、不同量级的风险评分映射到同一可比空间。例如，交付风险用“天数”衡量（0-30天），质量风险用“缺陷率”衡量（0-5%），通过权重加权后，它们可以相加。
- 偏好编码： 将采购专家的业务偏好转化为可计算的数值约束。权重向量 W = [w₁, w₂, ..., wₙ] 本质上是一个偏好向量，它告诉算法：在多个风险目标冲突时，优先优化哪个方向。
- 灵敏度控制： 权重决定了最终综合得分对各个维度变化的敏感程度。权重越大的维度，其评分波动对最终结果的影响越显著。
调试提示： 在参数调试阶段，可以通过“灵敏度分析”来验证权重设置是否合理。具体做法是：固定其他参数，将某一维度的权重从 0.1 逐步调整到 0.9，观察中标供应商排序的变化。如果排序剧烈波动，说明该权重处于敏感区间，需要谨慎标定。
下图展示了风险权重在寻源决策中的完整数学作用链路：
从图中可以看出，风险权重向量 W 处于整个决策链路的中枢位置：它既接收来自业务专家的偏好约束，又直接参与加权求和运算，最终通过灵敏度分析反馈给调试人员，指导下一步的参数优化方向。
2.4 权重调试的核心原则
- 业务对齐优先： 权重的初始值必须来源于业务专家对风险重要性的排序，而非算法工程师的直觉。
- 归一化约束： 同一决策层级的所有权重之和必须严格等于 1，否则会导致综合得分计算偏差。
- 可解释性： 每个权重的物理含义必须清晰可追溯。例如，“交付风险权重 0.5”意味着在算法看来，交付表现的重要性是质量表现的两倍（如果质量权重为 0.25）。
- 动态调整： 权重不是一成不变的。随着市场环境、采购策略或供应商表现的变化，权重需要定期重新标定。
关键总结： 风险权重是寻源算法中“业务经验”与“数学模型”之间的翻译器。它把采购专家脑中模糊的“这个因素更重要”转化为精确的数学系数，让算法能够按照人的意图进行智能决策。权重调试的本质，就是不断校准这个翻译器的精度。