基于云模型-IAHP的生鮮農產品冷鏈物流服務水平評估

山紅梅，楊雪靜

(西安郵電大學 現代郵政學院，陜西 西安 710061)

0 引言

隨著經濟的發展，城鄉居民對于高品質且安全的生鮮農產品的消費需求日趨旺盛，以及“區塊鏈”、“人工智能”、“機器人”、“冷鏈技術”在物流領域的廣泛應用，加快提升我國冷鏈物流綜合服務水平，努力提高農產品冷鏈流通率,降低生鮮農產品腐損率對增強人民大眾滿意度和幸福感、全面建設小康社會具有重要意義。因此，當前形勢下適時有效地進行生鮮農產品冷鏈物流綜合服務水平評估,既是促進冷鏈物流企業提質增效降本的迫切需要，又是落實物流經濟高質量發展的基本要求。

目前，關于生鮮農產品物流服務水平評估的相關研究，在評估指標選取方面，聶興信等[1]以顧客感知角度建立物流服務水平評價指標體系，著重考慮了顧客主觀意愿，但是缺少對物流企業資源及運作水平的客觀認知。許秀峰[2]借鑒SERVQUAL量表從有形性、可靠性、保證性、反應性、移情性5個方面建立了服務水平評價體系，但是對于物流企業來說，該指標體系不夠細化，很難為企業提供可參考價值服務水平評估。薛鵬[3]充分考慮生鮮農產品冷鏈物流特點，從產品加工、倉儲、運輸、物流信息化及人員素質5方面構建了較完善的評價指標體系。在研究方法方面，劉碩等[4]從用戶感知的角度將物流服務質量分為信息化服務質量、后勤保障中心服務質量、物流過程服務質量和服務失誤補救質量4個維度，采用模糊層次分析法對某公司的車貨匹配平臺服務質量進行了綜合等級評估，但忽略了評價結果等級判定不確定性中的隨機性問題。李荷華[5]依據物流服務供應鏈的企業內外部風險建立了化工物流服務供應鏈風險評估指標體系，選取模糊綜合法對該指標體系進行了評估，但由于評估指標的定量數據少，定性成分多，評估結果可信度有待提升。徐艾菂等[6]運用灰色AHP法對物流企業服務供應鏈績效進行了評估，確定了評價信息的等級數、灰數及相關的自化權函數，但是指標權重計算主觀性過強。張浩等[7]根據SERVQUAL模型確定了生鮮電商冷鏈物流服務的5個維度，運用離差最大化法和粗糙集理論分別對各指標的可變權重和屬性權重進行計算，提出了生鮮電商冷鏈物流服務水平評價改進突變級數模型。該方法對同一狀態變量對應控制變量選取數量限制為最多5個，因而不能全面綜合考察所有重要指標。生鮮冷鏈物流服務水平評價是一個典型的多指標、多層次的綜合評價問題，具有明顯的不確定性，這種不確定性不僅包含了信息的模糊性，還有隨機性問題，因而現有的傳統型綜合評價法難以適應生鮮農產品冷鏈物流服務水平的評估。

李德毅院士基于傳統的模糊集理論及概率統計理論的數學思想提出了云模型理論，該理論目前在很多領域都得到了廣泛應用。其原理是結合3個數字特征(期望Ex、熵En和超熵He)可描述并處理語言信息中的模糊性和隨機性[8]。如陳麗娟[9]運用云模型和D-S理論綜合評價體系實現了對各種風險因素定性與定量評價的相互轉化，使用數字特征云圖清晰直觀地反映了項目的整體風險水平，對項目決策者客觀評價項目風險具有較高的參考價值。張楊等[10]綜合考慮土地資源環境系統的模糊性及隨機性，建立了基于云模型的評價方法，運用超標倍數賦權法確定權重，利用正、逆向云算法得到單指標的云模型，并通過綜合確定度對水環境質量進行了綜合評價。牟瑞芳等[11]針對圍巖分級評價過程中評價指標自身的隨機模糊性問題，結合云模型相關理論，實現了圍巖分級定性概念與各待評價指標隸屬不同等級確定度之間的自然轉化。但至今，云模型未曾運用到生鮮農產品冷鏈物流服務水平評估方面的研究中。同時，生鮮農產品冷鏈物流服務水平各評價指標的隸屬等級不一致，各指標的等級需遞歸計算，服務水平指標重要度的對比結果具有差異性，對各個指標的權重仍需合理調整。

綜上所述，在該領域學者研究的前提下，本研究針對生鮮農產品冷鏈物流服務水平評估問題，充分考慮生鮮農產品冷鏈物流特點建立評估指標體系，引入云模型對專家評分信息中存在的模糊性及隨機性問題進行處理。為保證數據的客觀性，采用區間層次分析法建立判斷矩陣確立權重，運用可能度概念對指標綜合權重進行修正，最后運用云相似度算法得出生鮮農產品冷鏈物流服務水平更精確的評估結果，以期為生鮮農產品冷鏈物流服務的高質量發展提供理論參考依據。

1 生鮮農產品冷鏈物流綜合服務水平評價指標體系

在對生鮮農產品冷鏈物流綜合服務水平評估時，首先需要構建科學、合理的評估指標體系。本研究考慮生鮮農產品冷鏈物流運輸的特殊性，從生鮮農產品冷鏈物流服務設施設備及其標準化程度、冷鏈物流信息化水平及物流操作規范性等方面全面審核評估，構建了較為完善的生鮮農產品冷鏈物流綜合服務水平評估指標體系(如表1所示)，包括農產品加工、低溫倉儲服務、冷藏運輸服務、冷鏈物流信息化、人員素質共5個1級指標，20個2級指標。

表1 生鮮農產品冷鏈物流服務水平評價指標體系Tab.1 Evaluation indicator system of cold chain logistics service level of fresh agricultural products

2 生鮮農產品冷鏈物流綜合服務水平評估方法設計

本研究基于云模型的生鮮農產品冷鏈物流服務水平評估方法設計思路為：首先用黃金分割法計算服務水平基準隸屬度等級；然后引入區間層次分析法，通過數學思維模式以區間數的形式建立評估矩陣，運用特征根法計算區間數評估矩陣的權重向量，將可能度概念對評估指標得出的綜合權重進行修正；為提高評估結果準確度，通過正、逆向云發生器以云滴排序的方式對綜合云的合并算法進行改進，得出綜合服務水平云；最后運用相似度算法將綜合服務云圖與基準云圖進行比值計算，最終得出生鮮農產品冷鏈物流服務水平更加精確的綜合評價結果。

2.1 建立服務水平評估等級基準云

為正確評價生鮮農產品冷鏈物流服務水平，必須要科學合理地確定評價等級和劃分標準。本研究采用黃金分割法[12]生成服務水平評語標尺云：設評語集的有效論域為L=[0,1]，服務水平評價等級d=5，定性級別間的權序關系為L1

表2 基準云模型等級Tab.2 Levels of benchmark cloud model

通過以上過程建立服務水平基準評價云，可與實際服務水平云的評估結果進行對比，能夠判定各指標及綜合服務水平結果所屬的等級區域。

2.2 采用區間層次分析法確定權重

為了克服傳統層次分析法采用點值描述產生的不確定偏差問題，采用區間層次分析法(Interval Analytic Hierarchy Process，IAHP)更加客觀地反映對生鮮農產品冷鏈物流服務水平的認識。即采用區間數代替傳統AHP法中的確定“點”數。

IAHP法確定指標權重的步驟[13]如下：

(1)根據生鮮農產品冷鏈物流的客觀情況和實際特征，建立基于IAHP的遞階層次結構。

(2)以區間數的方式構建兩兩判斷矩陣，運用1～9標度對重要性確定區間的判斷矩陣A=(aij)n×n，其中用aij=[a-,a+]來表示區間數；a-為aij的左區間數；a+為aij的右區間數。

(3)區間判定矩陣一致性檢驗。

(4)采用特征根法計算區間數判斷矩陣權重向量。

具體計算步驟如下：

③采用特征向量法求解矩陣權重向量，矩陣權重向量表示為:

w=[λx-，μx+]，

(1)

式中,x-為區間數x的左區間;x+為區間數x的右區間;λ和μ為特征向量求解的參數值，其表達式為:

(2)

(3)

(5)計算綜合權重

令WT為各2級評估指標的權重向量，WF為各1級評估指標的權重向量，各2級指標的綜合權重向量WZ的計算式為：

(4)

(6)對可能度排序法修正求解綜合權重[14]

(5)

(6)

此時，得到了各1級指標、2級指標相對于生鮮農產品冷鏈物流服務水平綜合評價的排序。

2.3 基于改進云合并算法的綜合服務水平計算

云合并算法改進的主要思路為：先將多個“原子云”[15]分別用正向云發生器生成相同數量的云滴，對云滴進行排序；再根據“原子云”概念的屬性權重進行云滴加權合并運算，得到“綜合云”的云滴；然后通過逆向云發生器生成“綜合云”。基于改進云合并算法的綜合服務水平具體計算步驟如下。

(1)利用正向云發生器[16]：

①生成以En為期望，以He2為方差的正態隨機數En′。

②生成以Ex為期望，以En′2為方差的正態隨機數x。

④重復①②③步驟。依據m個指標云模型的數字特征，分別與相應指標云的數字特征生成含有N個云滴的原子云，其中生成的N(即云滴數量)對綜合服務水平評價云的計算結果影響比較明顯，對熵值和超熵值的結果影響更大，研究過程中，N值一般取值沒有固定限制，由研究者根據經驗取值即可。一般情況下，N值在1 000以上。本研究選取1 500，將云滴Di的橫坐標值存儲下來，表示為Di=C(Exi,Eni,Hei,N)，其中i=1,2,…,m。

(3)根據云模型所對應的各指標權重wi，對各云滴進行加權運算，得到綜合云的N個云滴S(D):

(7)

(4)根據綜合云的云滴，通過逆向云發生器得到綜合云數字特征值Ex，En，He。

逆向云發生器[17]算法如下。

①通過云滴值xi計算原子均值為：

(8)

②計算原子方差[18]：

(9)

③計算云滴的熵En和超熵He：

(10)

(11)

(5)輸出綜合云C(Ex，En，He)。

2.4 綜合服務水平云相似度算法

將綜合服務水平云C(Ex，En，He)與基準服務水平云Bi=(Exi,Eni,Hei)(i=1, 2,…,n)進行相似度比較，并計算出綜合云與基準云的相似度值。

輸入：C(Ex，En，He)，評估隸屬度等級云Bi=(Exi,Eni,Hei)(i=1, 2,…,n)以及各向量的權重(WEx,WEn,WHe)，且WEx+WEn+WHe=1。

輸出：冷鏈物流服務水平相似度l。

確定綜合服務水平云相似度[19]，計算步驟如下。

(1)計算綜合服務水平云與基準服務水平云的距離ki：

ki=

(12)

(2)計算綜合服務水平云與基準服務水平云的相似度閾值δi：

(13)

(3)計算綜合服務水平云相似度li：

(14)

(4)重復以上步驟，算出所有的li。

通過以上步驟相似度算法，可以使得實際的服務水平結果更加客觀化，實現生鮮農產品冷鏈物流實際服務水平云圖與基準云服務水平等級之間的相似程度，最終更加精確地得出生鮮農產品冷鏈物流服務水平的綜合評價等級。

3 實證分析

依據生鮮農產品冷鏈物流服務水平評估模型，以某冷鏈物流企業為評估對象，結合表1建立的評估指標體系，令Y={U1,U2,U3,U4,U5}為1級指標集合，其中U1={U11,U12,U13,U14}，U2={U21,U22,U23,U24}，U3={U31,U32,U33,U34}，U4={U41,U42,U43,U44}，U5={U51,U52,U53,U54}。

3.1 試驗設計

首先選取物流標準化技術委員會成員1人、企業冷鏈物流部門經理2人，企業冷鏈物流收貨顧客代表2人，與京東合作的生鮮超市物流部經理2人，高校領域物流專家3人，共計10人，組成專家小組，通過信函方式邀請各位專家對生鮮農產品冷鏈物流服務水平評估指標U1={U11,U12,U13,U14}，U2={U21,U22,U23,U24}，U3={U31,U32,U33,U34}，U4={U41,U42,U43,U44}，U5={U51,U52,U53,U54}的相對權重進行確立。10名專家使用區間數的形式，在分別考察1級指標相對于總目標及2級指標相對于1級指標重要性的基礎上，依據兩兩指標比較的方式進行打分。以1級指標打分為例，按照3.2節的具體過程進行，其打分結果在表3中列出。

表3 一級指標判斷矩陣Tab.3 First-level indicator judgment matrix

由區間特征根法得到的1級指標權重向量在表4中列出。

表4 一級指標權重向量Tab.4 Weight vectors of first-level indicators

用上述方法可得其余2級指標權重向量，通過式(4)可計算出各2級指標權重向量，再根據式(5)對該權重向量進行修正，得出最終的指標權重。接著，10名專家參照3.1節服務水平基準云隸屬度等級對2級指標打分，將打分結果用服務水平綜合云算法得出2級指標的綜合云模型得分，結果見表5。

依據表5，將各2級指標的綜合云模型得分的期望值通過逆向云發生器算法得到各1級指標屬性云數字特征值，其計算結果見表6。

3.2 試驗過程3.2.1 服務水平評估等級隸屬度云的生成

利用Matlab7.0軟件將表2所列評估等級基準云的數字特征通過正向正態云發生器生成基準云圖，如圖1所示。

從圖1可以直觀地看出基準云、服務水平低云、服務水平較高云、服務水平一般云、服務水平較高云、服務水平高云5個等級所處分布區域。

3.2.2服務水平評估綜合云的生成

根據改進云合并算法的綜合服務水平計算步驟，將各2級指標的云模型等級和對應的權重進行合并，最終計算出京東企業生鮮農產品冷鏈物流服務水平的等級隸屬度數字特征為Ex=0.672 2，En=0.062 4，He=0.023 1。

運用正向云發生器，根據表5的基準服務水平等級，結合某企業生鮮農產品冷鏈物流服務水平實際結果繪制出綜合服務水平云圖，如圖2所示。

從圖2可知，該企業生鮮農產品冷鏈物流綜合服務水平(實際服務水平)等級分布接近在服務水平較高等級附近，接近服務水平較高云。

表5 二級指標修正權重及其云模型得分Tab.5 Modified weights of second-level indicators and scores of cloud model

表6 一級指標云數字特征Tab.6 Digital features of first-level indicator cloud

圖1 服務水平評估等級隸屬度基準云圖Fig.1 Benchmark nephogram of service level assessment level membership

圖2 綜合服務水平云圖Fig.2 Nephogram of integrated service level

3.2.3相似度的確定

在生鮮農產品冷鏈物流綜合服務水平相似度分析中，運用IAHP法計算出綜合服務水平云的3個數值特征值的相應權重，計算權重值結果為WEx=0.655 9，WEn=0.228 1，WHe=0.116 0，進而根據綜合服務水平云相似度算法，得出綜合服務水平云等級與各個基準云等級相似度之值，其結果見表7。

同理可得各1級指標服務水平云與基準云相似度，見表8。

表7 綜合服務水平云與基準云相似度Tab.7 Similarity between comprehensive service level cloud and benchmark cloud

表8 一級指標與基準云相似度Tab.8 Similarity between first-level indicator and benchmark cloud

3.3 試驗結果分析

通過以上方法對某生鮮農產品冷鏈物流服務水平進行評估。評估結果顯示，該企業生鮮農產品冷鏈物流服務水平等級隸屬度云模型數為0.672 2， 0.062 4，0.023 1。根據圖2可知，該企業生鮮農產品冷鏈服務水平接近服務水平較高等級。通過云相似度計算(如表7所示)，綜合服務云與基準云的相似度也為71.8%，因而確定該企業生鮮農產品冷鏈物流服務水平為較高。由Ex=0.672 2可以得出京東冷鏈物流服務水平等級處于服務水平較高云和服務水平高云之間，由En=0.062 4得出評估結果不確定性小，由He=0.023 1得出評估結果穩定性較高。根據超熵與熵值之比可以看出綜合評估模型結果的霧化程度及模型的穩定性，若比值≤1，則模型的霧化程度低、穩定性高；反之，霧化程度高、穩定性低。該試驗的He/En=0.370 2≤1，表明該模型的評估結果比較穩定、霧化程度低。

此外，由表8可以看出，與基準云相似度最高的是低溫倉儲服務(U5)，為71.2%，說明該企業生鮮農產品冷鏈低溫倉儲設施設備較為完善，這也與企業實際相符。相似度低的為：人員素質服務(U5)、運輸資源服務(U3)，相似度分別為50.6%，52.1%。結果表明該企業今后在人員素質服務、運輸資源服務方面有待加強。根據這兩項指標下2級指標云模型得分及權重結果可以看出，影響這兩方面服務水平等級的因素主要是服務人員主動幫助顧客解決問題的意愿(U53)和冷鏈運輸溫控設備化程度(U32)。要想使該企業的冷鏈物流服務水平達到更高的等級，必須在以下幾方面進行加強：第一，大力加強企業人員素質的培養，樹立服務人員主動幫助顧客解決問題的意識；第二，加強在倉儲過程中的低溫分揀操作標準化，保持生鮮產品的新鮮時長。

4 結論

本研究構建了生鮮農產品冷鏈物流服務水平評估指標體系，提出了云模型-IAHP的生鮮農產品冷鏈物流服務水平評估模型，改進了云模型中的云合并算法，并通過試驗結果驗證了該模型是一個客觀、科學、有效的方法，對生鮮農產品冷鏈物流服務水平評估具有實用性。但同時也存在缺點，各2級指標云滴數量對綜合服務水平云圖的計算結果有一定的影響，云滴數量的選取準則及2級指標各云滴數的比例關系對研究結果的影響是后續的研究方向。