基于综合云模型的第三方物流企业评价
李剑 徐潇
(中国海洋大学经济学院, 山东青岛 266100)
【摘要】:对第三方物流企业的选择评价问题是供应链管理中的重要问题。在实际测评中,许多定性和定量的数据评价者不能准确获得,而“很好”、“一般”这些带有模糊性的词语又不适合多层次多指标的合作伙伴评价。本文采用综合云模型,在评语集间建立映射,将这些模糊性的词语进行定量分级,得到第三方物流企业的评价云,从而得出合作伙伴的评价等级,为云模型在经济领域的应用提供了一种可行的思路,也为广大工作在一线的物流经理人提供了一种简便易行、准确可靠的评价方法。
【关键词】:云模型;第三方物流;伙伴评价;综合云
计划栏目
随着经济全球化的推进,越来越多的企业将其主要精力放到核心业务上,而将物流业务外包给专门的第三方物流企业来做。美国权威调查机构的数据显示,企业在使用第三方物流服务后,物流成本会下降11.8%,物流资产下降24.6%,办理订单的周转时间从7.1天缩短为3.9天,存货总量下降8.2%[1]。因此物流外包是企业有效降低成本、优化资源的途径。周赣[2]就指出:企业如何对市场上的第三方物流企业进行选择评价是物流外包中的核心问题。
面对这一难题,国内许多学者从各个方面进行了研究(刘建光(2008)[3]、霍东芳和王春刚(2010)[4]、马迎霜(2010)[5]、严双(2010)[6]),但是他们的方法大多基于层次分析法和模糊数学法,由于在外包中,很多定量的数据无从收集,比如交货及时率:一向很及时、比较及时、一般及时、较不及时、很不及时才是一线评价者最常用也是最有的方法,相对于及时率90%、70%、50%的数据,这些带有强烈模糊性的语言更直接、更有效地表明了专家对于及时率的认知评价。
所以,是否能够找到一种有效解决这一难题的方法就显得尤为重要。
1. 文献综述
1.1第三方物流与伙伴选择
20世纪90年代中期以后,国内第三方物流企业开始蓬勃发展,面对市场上服务质量参差不齐的众多第三方物流企业,如何对其进行合理、准确的伙伴选择成为企业面临的棘手问题。
对第三方物流企业进行伙伴选择,就需要对每个物流企业进行客户满意度评价,关于伙伴选择的研究,国内对此研究刚刚起步,成果不多。由于伙伴选择的客户满意主要是心理状态和自我体验,因此具有很强的模糊性,所以在模型应用上很多人采用AHP(王景、李锦飞,(2006)[7];邓叶飞、杨玉中,(2009)[8])和模糊数学的方法(赵婷婷,(2010)[9];吴绒,(2010)[10];杨浩军,(2010)[11])进行伙伴选择。
但是AHP法和模糊数学法都不能避免权重人为因素干扰的缺陷,而且模糊数学方法运算量巨大,这些都为实际的使用造成了阻碍,云模型正是解决这一难题的好方法。
1.2 云模型
云模型是由我国工程院院士李德毅教授于1995年提出的一种不确定性定量与定性互换模型。虽然云模型刚刚提出十几年,但是国内已经有许多学者对云模型的应用进行了研究。
宋远俊、李德毅 [16]第一次将云模型应用到评价决策中,为云模型的应用开创了先河。陈桂林在其文献综述[17]中详细列举了近年来云模型的著作和论文,印证了这一定性定量信息转换模型的普适性。王健、肖文杰[18]利用改进的云模型对空军雷达生存能力进行了实证分析。范定国[19]将云模型应用到服装畅销决策中,把云模型带入到经管领域,拓展了适用范围。
由于正态云的普适性,因此本文以正态云应用。本文论域为一维满意评价,故仅讨论一维云。一维云的发生器和变量定义在文献[20]中有详细论述,下面仅介绍综合云的产生模型。
1.3 综合云的计算
根据李德毅[20]对云的定义,云用三个数字特征(Ex,En,He)表征一个概念,记做Cloud(Ex,En,He)。
Ex为云滴在论域空间分布的期望,为该概念量化后最典型的样本。
En为云滴的熵或称方差,一方面反映数域空间可被语言值接受的范围,即模糊度,另一方面反映了数域空间的点能代表这个语言值的概率,熵揭示了模糊性和随机性的关联度。
He为云滴的超熵,即熵的熵,反映了在数域空间上代表该语言值的所有点的不确定度的凝聚性,即云滴的凝聚度。
以两朵云Cloud1(Ex1,En1,He1)和Cloud2 (Ex2,En2,He2)为例, 假设CT1(X)和CT2(X)为两朵云的期望线,得到综合云模型cloud ( )算法如下:
2.研究模型的建立
step1 确定指标体系
把评价目标分解成一系列分目标,然后把这些分目标分成若干组,形成不同层次,以同一层次元素为准则,对下一层元素起支配作用,同时受到上层元素的支配,形成一系列的指标体系[18]。
step2 确定评价等级权重
用专家咨询的方法,对各级指标建立权重,采用正态云的方法表示,所有的权重构成权重集W={W1,W2,W3……Wn}.
step3 确定评价集
评价集的确定就是对论域中的定性概念进行划分,一般采用的方法是:产生的语言值云模型由评价者给定,这些云模型的数字特征值由专家的打分数据分析后得到。在[0,1]论域中,可以将论域分为5个评估等级:“很好”、“好”、“中等”、“差”、“很差”,分别对应云模型Cloud1(1,0.1031,0.013), Cloud2(0.691,0.064,0.008),Cloud3(0.5,0.039,0.005),Cloud4(0.309,0.064,0.008),Cloud5(0, 0.1031,0.013)[19].
step4 基于Delphi法的评价值的确定
邀请10位专家进行评判打分,每位专家对每个指标进行最大值和最小值的双边约束打分,将所有专家的数据采用逆向云发生器转化成云图,由于每个专家认知的差异性,第一次打分的结果呈现雾状,说明差异度较大,综合云失去意义,因此对专家进行2-4次结果反馈,直到得到满意的云图。
Step5 综合评价
得到了每个指标的云模型之后,根据step2确定的指标因子权重,利用综合云的思想,来表示介于他们之间的云模型,设指标i的综合云表示为 ,则最终目标层评价可由底层指标加权得到,即:
得到最终评价云,带入step3的评价集中,得到最终评价等级。
3.实证分析
基于上述的云模型,我们选取A公司作为第三方物流合作伙伴选择评价对象,该公司为青岛市专门从事家电类第三方配送的物流企业,我们从其服务客户B企业中邀请10位相关部门经理作为打分专家,进行测评。
根据朱俊[21]、J. Ashayeri[12] 、Africa M. Arino[13]等人在第三方物流伙伴选择方面的文献,我们发现第三方物流伙伴评价指标体系的二级指标以3-5个为宜,这些二级指标应全面、系统、独立的包络所有的三级指标,因为企业的柔性、管理水平、兼容性、灵活性等等许多指标不能准确衡量,所以我们采用的云模型对模糊性的指标处理具有独特的优势。
因此我们将第三方物流企业服务质量的指标体系确定为:企业产品、企业自身能力、企业合作能力和企业可持续能力四大部分二级指标:企业产品包含质量、成本和柔性;自身能力包含财务状况、管理水平、开发能力;合作能力包含交流、沟通、合作兼容性;可持续能力包含成长灵活性、经济技术政策和社会回报。这四大二级指标基本涵盖了第三方物流企业评价中所需考核的所有方面,而且相互独立。
我们将二级指标产品、自身、合作、可持续采用5级的定性语言“重要、较重要、一般、不重要”来分类,对应的云为:Cloud1(1,0.055,0.005),Cloud2(0.66,0.055,0.005),Cloud3(0.33,0.055,0.005),Cloud4(0,0.055,0.005)。
其中,经10位专家评定产品为重要,合作、自身为较重要,可持续为一般。即产品因子对应隶属云: CloudN1(1,0.055,0.005),合作、自身因子对应隶属云:CloudN2(0.66,0.055,0.005),可持续因子对应隶属云:CloudN3(0.33,0.055,0.005)。
下面为10位专家对各项二级指标的打分表统计:
指标 |
上界 |
下界 |
平均值 |
方差 |
熵 |
超熵 |
X1 |
最高云 |
95.0 |
80.0 |
86.0 |
26.7 |
0.050 |
0.016 |
最低云 |
85.0 |
70.0 |
76.5 |
28.1 |
0.065 |
0.009 |
X2 |
最高云 |
90.0 |
70.0 |
82.0 |
40.0 |
0.063 |
0.009 |
最低云 |
85.0 |
60.0 |
72.0 |
56.7 |
0.073 |
0.020 |
X3 |
最高云 |
90.0 |
60.0 |
76.5 |
89.2 |
0.094 |
0.009 |
最低云 |
80.0 |
40.0 |
63.5 |
139.2 |
0.110 |
0.042 |
X4 |
最高云 |
75.0 |
40.0 |
61.5 |
111.2 |
0.098 |
0.040 |
最低云 |
65.0 |
30.0 |
48.5 |
94.7 |
0.085 |
0.047 |
通过逆向云生成器进行数据分析,我们得到每项指标的云模型为下表:
指标 |
最高云CloudHi |
最低云CloudLi |
父云CloudXi |
X1 |
(0.85,0.050,0.016) |
(0.74,0.065,0.009) |
(0.788,0.115,0.012) |
X2 |
(0.82,0.063,0.009) |
(0.72,0.073,0.020) |
(0.766,0.136,0.015) |
X3 |
(0.765,0.094,0.009) |
(0.635,0.110,0.042) |
(0.696,0.204,0.027) |
X4 |
(0.615,0.098,0.040) |
(0.485,0.085,0.047) |
(0.545,0.183,0.043) |
再用云的运算法则进行step5的综合评价,得到最终评价云模型为(0.729,0.01,0.001)
根据确定的评价集:“很好”、“好”、“中等”、“差”、“很差”,分别对应云模型Cloud1(1,0.1031,0.013),Cloud2(0.691,0.064,0.008),Cloud3(0.5,0.039,0.005),Cloud4(0.309,0.064,0.008),Cloud5(0, 0.1031,0.013),可以得出该公司的云模型Ex=0.729 最接近于Cloud2(0.691,0.064,0.008),在云图上表现为云图和Cloud2基本重合,所以本公司评价结果为“好”一级。
4. 结果分析
在评价过程中,我们发现熵即En反映了专家打分的离散性:X1最低云的En=0.065,而X3最低云的En=0.11 这反映了所有专家对于产品和合作能力最低限度的理解差异,这表明:本公司在产品和合作能力上专家呈现出截然不同的态度:产品因素基本一致认可,而合作能力大部分专家存在分歧,该公司在合作能力方面需要加强。通过对熵En的比较,我们可以看出各个要素之间的比较关系,也可以找出今后改进的重点,En越大,越需要改进;反之越稳定。
同时,四项指标X1为最高重要级,X2、X3为次重要级,X4为最不重要级,所以在形成父云的过程中,父云的数字特征会聚集于X2、X3两项指标,因为云模型是对云滴模糊性的概括,所以云滴越聚集的部分,数字特征越明显,在指标分级中,处在同级的指标会显示出更大的概括性,最终的父云也会倾向于大多数的同级指标。在结果估算时,我们可以通过分析大多数指标的分级来确定最终云的聚集倾向,以核准最终云图。
采用云模型进行企业评价打分,最突出的优势是避免了多方打分时标准理解的不一致,而且最终结果采用人们理解一致的“很好”、“好”、“一般”来描述。在实际生活中,对某公司进行打分,不同的人对“好”的衡量标准是不同的,所以云模型将评价等级定量分级,使所有人的评价标准趋于一致,最终的结果也具有信服力。
5. 结语
由以上分析可以看出,采用综合云模型对第三方物流企业进行评价是可行的,利用综合云模型的方法,采用专家打分法在最大和最小评价值之间进行双边约束评价云模型分析,将模糊性信息在模型中一直保留下来,避免了人为单一赋值评价的不确定性和信息的丢失,使结果充分保留了人们对评价对象评价判断的倾向。
云模型为伙伴选择问题提供了一种新的视角,它不再关注计算过程的误差分析,因为云模型本身就是一个模糊模型,它把所有有价值的信息都包含在运算过程中参与计算,没有舍弃任何原始数据,所以在运算过程中信息不丢失是其一大优势。另外,它在实际运算中不需要复杂运算,简便了一线经理人的使用成本,甚至手算也能得出结果。在指标分级中多次利用菲尔德法是避免人为主观因素干扰的好方法,这就需要在实际应用中,掌握好反馈的次数和专家的咨询工作,云模型将人为因素减少到最低,使得最终结果也更加客观、公正。
将云模型应用到经济管理领域的伙伴选择问题上,拓展了人工智能理论的应用领域,把人工智能化渗透到经济管理上,再一次体现了工科对其他学科的支撑作用。虽然云模型仅仅处在初期研究阶段,但是随着研究的深入,云模型可以解决越来越多的问题:将多个企业的最终云EX进行比较可以得到多企业选择评价排序;将En比较可以得出多企业运营中公众满意度的一致性比较,以帮助改进企业形象等等。
云模型在物流、经管领域的应用前景是广阔而深远的。
,