基于模糊綜合評價和神經網絡的煙草配送車組評價模型

羅 曦，張 鴛，楊 歡，楊祥龍，喻 莎

（湖北省煙草公司孝感市公司，湖北 孝感 432000）

0 引言

目前國內相關部門在“車組管理”中大多采用較為傳統的管理方式，如人工管理、報表管理等，然而這些管理方式相對來說缺乏針對性和科學性。現有的評價體系雖然較為完整地包含了車組管理的各項指標，但缺少參考對比的依據，同時對于車組評優與車組如何改進等問題，也沒有一個簡單易行、可快速掌握的標準，從而最終造成成本增加、員工管理困難等問題。此外，現在廣泛使用的車組評價體系大都基于行業內部的相關指標，并沒有充分考慮客戶滿意度相關指標，無法充分滿足客戶對于高水平服務的需要。

綜上所述，一個以服務客戶為導向，能夠有效提高車組服務水平的車隊管理綜合評分方案與技術，對于車組管理而言是迫切需要的。為此，我們希望根據具體的配送車組現狀構建新的綜合評價體系，以提高客戶滿意度為評價導向，采用不受人為因素干擾的數學評價方法，全面提高煙草配送服務水平，推動“知音物流”品牌的推廣和傳播。

1 方法選擇綜述

1.1 相關文獻綜述

目前對于配送車組管理還沒有一套完整的、通用的綜合評價體系，一般只能依據評價目標和被評價系統的特點、規模、類型、特征、復雜程度等要求和范圍的不同，選擇不同的評價方法。目前廣泛應用的多指標綜合評價方法主要分為主觀賦權評價法和客觀賦權評價法。

主觀賦權評價法主要依據專家經驗衡量各指標的相對重要性，有一定的主觀隨意性，受人為因素的干擾較大，在評價指標較多時難以得到準確的評價，常見方法有層次分析法、綜合評分法、模糊評價法、指數加權法、功效系數法等。這些方法被廣泛應用于管理評價與優化的過程中，傅雨佳，等提出基于AHP和模糊綜合評判的方法對作業指揮管理系統的應用效能進行評價,其判斷矩陣具有滿意的一致性[1]，然而卻存在著定量數據較少，指標過多時權重難以確定等問題；鄧歸來，等將模糊綜合評價方法運用在快遞企業當中，以順豐企業為例進行核心競爭力評價分析,并指明了競爭力提升的參考方向[2]；林玲通過應用模糊綜合評價法對Y速遞公司客戶關系滿意度進行評價[3]，但模糊綜合評價法求解過程計算復雜，同時也未能很好地避免指標權重矢量確定的主觀性；謝圣玉，等采用功效系數法,對物流動態績效考核體系進行優化，選取8家具有代表性的物流企業，針對存在的問題提出了改進意見[4]；賈成松運用熵值法確定各指標評價權重，運用功效系數法確定各指標能力值，從數理統計層面對相關單位的整體運行管控質量和水平做出了評價[5]，但功效系數法中滿意值和不允許值這兩個標準值的預測難度較大，增加了方法的實際應用難度。

客觀賦權評價法更多考慮各指標間的相互關系，根據所提供的初始信息量來確定各個評價指標的權數，能夠使評價結果較為精確，但當評價指標較多時存在計算量過大的問題，典型方法有熵值法、神經網絡分析法、主成分分析法、變異系數法、聚類分析法、判別分析法等。這些方法同樣常見于評價改進領域，Feng Jianhong，等提出了熵權法與多目標規劃相結合的評價模型，可以有效地解決汽車制造商的綠色供應商選擇和訂單分配問題[6]，然而熵權法缺乏各指標間的橫向比較，且權數強烈依賴于樣本，應用受限；鮑珍珍，等采用基于BP 神經網絡和層次分析法的評價方法，對第三方物流企業的綜合實力進行評價分析，為第三方物流企業的選擇提供重要的參考[7]，但需要人為解釋神經網絡的推理過程和依據，對訓練數據的要求較高，未能規避層次分析法帶來的主觀偏差影響；童華剛，等利用主成分分析法對滬深兩市上市的物流企業進行分析，得出競爭力綜合評價結果[8]，然而主成分分析法本身存在信息丟失的弊端，且主成分的現實含義具有模糊性，增大解釋難度；陳昌華，等將灰色關聯法和系統聚類法結合，充分考慮了影響煙草物流效率的內外部要素和區域發展不平衡問題，以四川省為研究實例，克服了以往主要考慮行業內部要素和績效排名的不合理性，為找準對標對象提供了重要依據[9]，然而樣本較大時，難以獲得明晰的聚類結論；魯曉春，等利用Fisher 線性判別分析方法對物流規劃項目進行評估，大大減少了專家評估物流規劃項目的工作量[10]，判別分析法能有效的利用歷史數據信息，但當指標間關系復雜時，難以選擇有效的判別函數。

隨著人工智能的快速發展以及綜合評價理論基礎研究的進一步深入，對現有綜合評價方法加以改進和發展，大力發展先進智能評價技術已經成為研究趨勢，同時也為研究和開發基于計算機的綜合評價軟件系統提供了可能。利用計算機技術對車組數據進行分析評價，能夠更好地處理大量及復雜指標間的關系，同時也能夠快速節約計算時間。

1.2 評價方法選擇

煙草配送車組管理評價場景是一種多層次、多因素、相關性強的指標評價場景，需要綜合考慮人員管理、設備設施管理、物流活動管理和客戶滿意度等多方面因素。在這樣的背景下，本方案創新性地采用模糊綜合評價和人工神經網絡相結合的方法，綜合評價體系由以公司為導向轉向以客戶為導向。

模糊綜合評價法是一種基于模糊數學的評價方法，依據模糊數學的隸屬度理論把定性評價轉化為定量評價，能夠較好的解決模糊的、難以量化的評價問題；神經網絡分析法通過預先收集處理數據，獲得神經網絡的學習樣本，神經網絡完成樣本集訓練后，將各指標的權重存儲在網絡中，當把實際問題的特征參數輸入后，網絡能夠自行給出評價結果；通過不斷學習，能夠從未知模式的大量復雜數據中發現規律，具有自組織、自學習、自適應、非線性映射等特性，能對多指標綜合評價問題給出客觀的評價。

本方案首先建立客戶滿意度評價指標體系，運用模糊綜合評價法得出各地車隊客戶滿意度評價結果，其次將滿意度評價結果作為神經網絡分析的期望輸出，將車隊其他相關指標數據作為輸入展開訓練，不斷調整各指標權重，當實際輸出與期望輸出誤差達到滿意值時，得到評價體系最終權重結果，并依據權重結果計算車組綜合評分。

2 煙草配送車組綜合評價指標體系

評價指標體系是決定評價結果是否科學的基礎。在過去的客戶滿意度評價指標中，更多著眼于業務層面，如供應總量、貨源分配等，很少涉及車組本身的特性，無法以提升服務水平和客戶滿意度為直接目標提供車組調整的決策依據。在結合現有研究成果的基礎上，本文建立了一套科學合理的車組綜合評價體系，再通過神經網絡調節權重，以使客戶滿意度能夠引導車組評價結果。

在對車組系統進行實地調研與考察后，對車組特性進行總結，從煙草配送車組的人員架構與日常培訓、車輛管理、運輸活動、配送管理、服務完成度、操作情況等方面優選具有代表性的車組評價指標。限于篇幅關系，這里不做具體的指標解釋與描述，僅給出車組綜合評價指標系統，如圖

3 基于模糊神經網絡的煙草配送車組綜合評價模型

圖1 煙草配送車組綜合評價指標體系

配送車組評價模型要同時反映定性與定量因素相結合、模糊因素、多層次、指標間關系復雜等特點。作為服務型產業，提升服務質量和客戶滿意度是最為直觀也是最為迫切的。除了車隊本身的特質之外，需要充分考慮服務水平與客戶滿意度，如果單純使用德爾菲法來確定車組評價體系的指標權重，未必能夠滿足客戶的需求偏好，從而導致優化的效果不夠理想。

因此，在訓練神經網絡的時候，車組的輸出等級與優劣不再是由專家進行評價，而是由客戶滿意度與服務水平打分等因素綜合考評而得到。而對于綜合滿意度評級，則是通過專家評估確定權重，再綜合考慮多個來自客戶的服務滿意度指標得分而得到。客戶服務滿意度指標如圖2所示。

為此，本文將神經網絡、三角模糊函數以及模糊綜合評價法相結合，提出了用用戶主觀指標數據訓練車組客觀指標數據的神經網絡方法，將主觀數據的綜合評價結果用作客觀數據神經網絡的訓練數據，為車組客觀指標迎合顧客滿意度提供了方向。基于模糊神經網絡的煙草配送車組綜合評價模型具體實施步驟為：

圖2 客戶滿意度評價指標體系

（1）用戶綜合滿意度評價體系

①確定用戶綜合滿意度評價因素集，以及評價尺度；

②確定用戶綜合滿意度評價的層次結構；

③評價指標數據的歸一化處理；

④確定用戶綜合滿意度評價體系權重；

⑤確定各指標隸屬度；

⑥計算模糊綜合評價結果，并用于車組評價體系訓練。

（2）車組評價體系

①確定車組評價因素集，以及評價尺度；

②確定車組評價的層次結構；

③評價指標數據的歸一化處理；

④確定各指標隸屬度；

⑤以車組各個評價指標數據為輸入，車組對應的綜合滿意度為輸出，訓練車組評價神經網絡。

3.1 歸一化處理

在配送車組評價體系中包含多種不同性質的指標，各評價指標的量綱與物理意義存在差異，因此需要對數據進行歸一化處理。通過歸一化，能夠簡化模塊初始化操作，更好地保證每個神經元初始化成有效的狀態。也能將梯度限制在一個合理范圍，避免權重更新時的潛在問題。同時歸一化可以使學習率維持固定值，減少參數調整，避免出錯。此外，維持各指標特征維度數量級一致也能有效地減少搜索時間。因此各個指標的輸入數據，必須進行歸一化處理。

圖3 神經網絡學習&模糊綜合評價流程圖

確定待評價對象輸入信息：

以特征u1為例，將所有待評價車組的u1特征值進行統計，找出最大值和最小值，做以下歸一化處理：

從而得到歸一化輸入信息：

3.2 模糊綜合評價

在一般的工程應用中選擇三角形函數來表達隸屬度函數，輸出等級有n個，則有n個模糊子集，故隸屬度參數向量需有n個參數；三角模糊函數集共有n個函數，其中第j個輸出等級對應的隸屬度函數μj為：

參考實際數據情況，由行業人士做出數據劃分評語向量，再進行極差變換得到標準化向量，用作隸屬度參數向量：

確定評語等級變量矩陣R，將標準化數據ui代入對應的隸屬度函數，可得該特征對應的子評語等級行向量：

考慮該車組所具有的所有特征，則得到車組對應的模糊關系矩R：

若存在多級結構，無需建立新的隸屬度函數，設有Wsub=(w1,w2,...,wm)為低層級與高層級層間權重向量，可計算得到高層子評語等級行向量：

設高層級指標特征共有k個，則車組對應的模糊關系矩陣更新為R'：

將所得到的最高層特征指標反映出的車組對應的模糊關系矩陣R'，乘以目標層-最高層層間權重W，可得車組綜合滿意度指標評語等級向量B,表征車組綜合評價等級位于各個評級的概率：

可設計評價等級分值列向量Q，將綜合滿意度指標評語等級向量轉化為綜合滿意度指標評分，便于統計評比，也更為直觀：

3.3 神經網絡訓練

將主觀數據的綜合評價結果用作客觀數據神經網絡的訓練數據，通過神經網絡確定車組評價系統的層間權重W。

設有學習樣本dp=(d1p,d2p,...,dmp,tp)，隨機給出層間權重W，通過評價等級分值列向量T，將綜合滿意度指標評語等級向量轉化為綜合滿意度指標評分，便于神經網絡梯度下降收斂時的數值計算，按照上述過程計算得到網絡輸出值為yp=W·R'·Q，在本模型中dp為p個車組各項指標數值，tp為該車組對應的用戶綜合滿意度指標數據得分。

建立網絡誤差函數：

在學習過程中調整W，逐步降低誤差ep至設定值，或達到訓練次數上限。使用梯度下降法求最優：

α為學習效率，取0-1之間數值。

訓練完成后，將更新完成的W設為神經網絡參數，代入實際數據，W·R得到輸出矩陣，逐級確定輸出，最終得到綜合滿意度指標評語等級向量。

4 應用案例

本文以孝感市煙草中心配送車組為例，車組綜合評價指標體系如圖1 所示。本文的實證數據涉及到實際數據、極限值、標桿值等，所以數據來源較廣，包括專家咨詢、企業調查、國家規定與相關認證標準以及相關研究成果等。

通過客戶滿意度評價指標體系計算各個車組的綜合滿意度得分，用作神經網絡的訓練目標。

(88.347,86.653,86.784,88.477,84.781,86.999,87.35)

以孝感市7 個車組的各項三級指標得分作為輸入數據，對數據進行歸一化處理，建立標準化輸入矩陣。以車組的綜合滿意度得分為輸出數據，進行神經網絡訓練，實現客戶綜合滿意度對車組客觀指標的引導，得到三級指標對應的指標權重向量Wlayer3，根據權重的模按體系層次關系調整對應二級指標的對應三級指標的權向量和為1。將評價等級設置為4個，{優，良，中，差}，其中 60-70 分為差，70-80 分為中，80-90分為良，90-100分為優，計算得到各二級指標對應的三級指標隸屬度矩陣。利用三級指標隸屬度矩陣以及權向量，求取二級指標對應的隸屬度矩陣。逐層向上遞推，直至求得車組綜合評價指標的隸屬度結果。

由神經網絡訓練結果（如圖4）可知，所求層間權重向量Wlayer3,Wlayer2,Wlayer1能夠很好的反映用戶滿意度屬性。

受篇幅限制，此處只寫出一級指標的隸屬度和權重，以及車組綜合評價指標的隸屬度結果。

7個車組的綜合模糊評價隸屬度如下：

由最大隸屬度原則可此7 個車組都處于良好等級，符合各個車組客戶滿意度得分值差別不大的事實，說明各個車組評分受到客戶滿意度的引導作用明顯。

圖4 神經網絡訓練結果圖（依次為三級、二級、一級指標層權重）

取評價等級范圍終值為評價等級分值向量Q=(65,75,85,95)，計算綜合滿意度指標評分，便于統計評比。所得車組綜合滿意度指標評分向量為：(80.411,81.256,86.402,83.507,80.537,81.945,82.077)

可以看到，所得結果數據與原始綜合滿意度之間存在差距，之所以有改變，是因為原有客戶滿意度評價體系中，只考慮了供應總量、貨源分配等業務指標，很少涉及車組本身的特性，而豐富后的車組綜合評價體系中車組本身的客觀數據得分較低，說明新加入的車組評價指標是有意義的，有效地豐富了車組綜合評價。

5 結語

煙草公司車組管理綜合評價問題較為復雜，具有指標結構復雜、定性定量指標相結合等特點。本方案所選方法聚焦煙草物流行業，創新性地將運用模糊綜合評價法得出的客戶滿意度評價結果作為神經網絡分析的訓練原始數據，建立以客戶為本的綜合評價體系，充分考慮了車隊服務水平和客戶滿意度的重要性，實現了客戶滿意度引導驅動的車組評價，有利于公司貫徹落實煙草行業“卷煙上水平”的基本方針和戰略任務，幫助公司傳播企業文化，實現品牌推廣。同時也結合了車組本身的客觀指標，綜合考慮人員管理、設備設施管理、物流活動管理和客戶滿意度等多方面指標，豐富了車組評價體系，能夠較為客觀全面地反映實際問題和各車隊真實服務水平，為評級評優和日后改進提升提供重要參考。