2. 风险权重基础：定义、数学意义与成本权重区别

在智能寻源报价优化中，风险权重是量化供应商报价中隐含不确定性对采购总成本影响的核心系数。它并非一个静态常数，而是随供应商历史表现、市场波动、交付复杂度动态调整的归一化因子。本章从定义出发，逐步拆解其在报价优化中的数学本质，并与传统成本权重做严格区分。

2.1 风险权重的定义

风险权重（Risk Weight, RW）是一个介于 [0, 1] 或 [0, +∞) 的标量，用于将供应商报价中的非价格风险（如交付延迟、质量缺陷、合规违规）折算为等效的“风险成本”，从而在寻源决策中实现风险与价格的统一度量。

风险权重通常由以下三个维度构成：

2.2 在报价优化中的数学意义

风险权重在报价优化中的核心数学作用是将多目标优化转化为单目标标量优化，使得寻源算法能够在同一个效用函数下比较不同供应商的报价。其数学意义体现在以下三个层面：

1. 风险惩罚项： 在目标函数中，风险权重作为报价的乘数，对高风险供应商施加惩罚，使其报价在排序时自动后移。
2. 约束松弛变量： 在带约束的优化问题中，风险权重可转化为约束条件的松弛因子，允许算法在风险可控范围内接受略高的报价。
3. 梯度缩放因子： 在基于梯度的智能寻源算法（如策略梯度、进化策略）中，风险权重影响报价更新步长，高风险供应商的报价调整幅度会被压缩。

以下是一个简化的数学表达：

# 风险调整后报价计算（伪代码）
def risk_adjusted_price(base_price, risk_factors, risk_weights):
    # risk_factors: [交付风险分, 质量风险分, 合规风险分]
    # risk_weights: [w_delivery, w_quality, w_compliance]
    raw_risk_score = sum(rf * rw for rf, rw in zip(risk_factors, risk_weights))
    # 使用 sigmoid 将风险得分映射到 [0, 0.5] 区间
    rw = 0.5 / (1 + math.exp(-raw_risk_score))
    return base_price * (1 + rw)

2.3 与成本权重的区别

成本权重（Cost Weight, CW）与风险权重是寻源算法中两个本质不同的概念。成本权重衡量的是价格构成要素（如原材料、人工、物流）在总报价中的占比，而风险权重衡量的是不确定性溢价。下表从多个维度进行对比：

在智能寻源算法的工程部署中，风险权重与成本权重分别服务于不同的优化阶段：

• 成本权重 用于报价解析阶段，将供应商的细项报价拆解为标准成本结构，确保不同供应商的报价在同一基准上可比。
• 风险权重 用于报价评估阶段，在成本可比的基础上引入风险溢价，生成最终的排序依据。

2.4 工程部署要点

在将风险权重集成到智能寻源算法时，需注意以下工程实践：

• 权重归一化： 所有风险维度的权重之和应归一化到 1.0，避免因权重尺度不一致导致风险得分偏移。
• 激活函数选择： 推荐使用 Sigmoid 或 Tanh 将原始风险得分映射到合理区间，避免极端值对报价造成过大冲击。
• 冷启动策略： 对于新供应商，使用行业平均风险权重作为初始值，待积累足够历史数据后再进行个性化调整。
• 可解释性： 在寻源结果中输出风险权重分解报告，让采购人员理解报价调整的具体原因。