中小企业物流外包风险控制模型与方法

曾晓宏

（河南师范大学 旅游学院，河南 新乡 453007）

0 引言

物流外包是一种现代服务业，它能够实现外包业务双方互利共赢、共同进步，是增强企业核心竞争力的重要途径之一。但是外包并非一定就能够给企业带来利好，在竞争日益复杂多变的市场环境下，外包业务也存在较大的风险因素，尤其是企业与物流服务商在信息、资源和业务结构存在较大差异的情况下，企业选择物流外包将会面临着较大经营风险。虽然外包业务规模正在不断扩大，但是其并没有像我们想象的那样发展迅速。根据2003年PA Consulting公司公布的一项行业调查数据显示，超过三分之二的企业不满意当前物流外包服务业，有15%的企业表示正在考虑放弃物流外包，改由企业自行经营。企业采用第三方物流服务后，许多意想不到的市场风险将会从物流外包业务渗透入企业内部，导致企业经营风险剧增。物流外包风险不仅会影响企业正常经营活动，而且还会对一国或地区的物流市场产生重大影响。因此，如何有效识别和抑制物流外包风险已成为当前实务界和学术界广泛关注的焦点问题。

1 风险控制模型

物流外包风险影响因素十分多样化，这些风险诱因是相互联系、相互作用的，物流外包行业主要参与者有三种：即物流外包企业、物流服务提供商和外包企业客户。物流外包行业包含十分复杂的影响因素和不确定性风险，物流外包系统中的参与者彼此之间会发生信息、资金和物质流交换活动。由于物流外包业务具有复杂多变的特点，为了保证达到本文研究目的，本文建立了一个简化模拟模型，该模型是建立在三个假设基础之上的：假设风险传导路径不具有回路特征；风险在传导过程中不会发生彼此藕合；风险传导与风险发生概率传导是等同概念。在下面公式中，本文定义了物流外包业务风险因素集合：

在上式中，y是指物流外包风险，yi是指物流外包企业，这里用E(yi)表示；Loss(yi)意味着一旦 yi发生，企业在此次风险中可能遭受的损失；P(yi)是指 yi的发生概率；N(yi)是与yi有关联的风险因素；n(yi)是指与yi有关系的物流企业数量。本文用氏Pyi，yj来描述风险因素yi发生的概率可传导给yi的概率大小；用F(yi)来描述与yi有直接影响的因素集合，用S(yi)来描述与yi有直接影响的风险因素集合；用count(Y)来描述集合Y中包含的风险数量；将与yi有直接影响的风险因素称为 yi的子孙风险集合，将 yi带来的可能风险影响命名为 yi的父辈风险因素。可以利用本文第三章提到的计算公式来计算风险因素集合中的 E(yi)、Loss(yi)、Pyi，yj等,根据下面计算公式和方法来获取P(yi)、N(yi)、n(yi)、Risk(yi)的值。

（1）明确每一种风险发生概率的算法。根据风险传导理论我们可以将中间风险和外源风险发生概率计算出来，具体可以见下式：

这里我们给出了风险模型中所有风险因素发生概率的计算方法和步骤：将yi的父辈风险因素产生机制描绘出来，并将各个风险因素发生概率Vyi计算出来，用来描述这个计算过程，这里用yi来描述可接受的风险发生概率，用 j来代表风险可循环次数，要保证计算公式成立，我们还要限制 j＜count(F(yi))。这样，我们可将参数V(yi)输入到上述计算过程中，就可以得到任何一种物流外包系统中的风险发生概率。

（2）关于子孙风险发生概率计算方法和过程。子孙风险因素发生概率对风险因素传导广度计算具有不可忽视的影响。这里我们将与yi有直接或间接关系的风险因素全部定义为yi的子孙风险集合。

（3）计算出风险因素集合对物流外包企业带来的损失期望值。父辈风险因素是诱发子风险的主要源头，本文根据前面的公式P（(s(yi)β)可以将 yi传导至第β个子风险因素的概率计算出来，这里的P（(s(yi)β)不是子风险因素s(yi)β发生的概率，而是其父辈风险因素传导发生概率。我们根据P（(s(yi)β)能够计算出父风险 yi传导的风险概率 Risk(s(yi)β)，这里 Risk(s(yi)β)代表 s(yi)β对企业带来的风险损失大小。我们同样可以利用前面公式计算出从yi传导至子孙风险因素的损失期望值。一般而言，在风险传导过程中，单个风险传播会经过多个途径和环节，这就可能在传播过程中诱发多个子孙风险因素，从而给企业带来多种风险损失。这里我们用Risk(yi)来描述物流外包系统面临的风险损失期望。用N(yi)来描述yi的N个子孙集合，Risk(yi)可用前面的公式来计算出来，利用b(yi)将物流外包风险系统中子风险期望值计算出来，这样就得到了 Risk(yi)，式中的 β是指计算迭代次数，假设β＜count(s(yi))。

2 风险控制方法

目前，关于风险评估的方法十分多样化，每种评估方法都有其的适用范围和优劣性。本文综合比较了多种评估方法，以挑选出最佳的一种方法。通过分析当前比较常用的几种风险评估方法我们得知，大多数风险评估方法没有考虑到风险发生概率，只是对风险损失进行了分析。而风险矩阵方法不仅考虑风险发生概率，还对风险期望值进行了预测，并利用定性和定量相结合的方法将风险定为不同级别，并确定其损失期望值。此外，利用风险矩阵法还可以避免专家打分法局限性，并在风险影响和概率分级基础上进行风险分类和评级，通过专家集体评审，判断风险影响大小和所处等级。

但是，我们必须认识到风险矩阵法自身固有的不足。一方面，它计算方法比较简单，由于风险发生概率和风险影响评级相对比较模糊，是一个粗略估计值，因此估算结果存在一定的误差。另一方面，该方法风险分级较少，如果风险因素较多，则在运算过程中我们可能遇到多个风险处于同一个分级的问题，这就导致风险因素分类存在较大的趋同性，影响计算精度。为了有效降低风险矩阵法的负面影响，本文对其进行了优化和调整，将BORDA序值法与其结合进行了算法改良，用来对物流外包风险因子进行排序，明确了每个风险因子的风险排序，从而避免了风险因素过度集中在某个层级内，为制定风险应对措施提供了更加精确的指引。除此之外，本文还将BORDA序值引入到专家打分法当中，对各个风险要素进行权重赋值，提高了分析方法的科学合理性，保证分析结果更加科学可信。

本文建立的风险矩阵法是建立在传统风险矩阵法原理基础上的，融合了德尔菲法、BORDA序值法、层次分析法精髓，对风险指标进行了赋权，并建立了一种更加先进的风险值算法。对此，本文接下来将对上述几种方法进行深入阐述。1955年，美国军购小组为了改进军备采购决策机制，组织各行业专家建立了一种基于全寿命周期理论的采购评估模型。该模型是建立在风险概率和影响大小两个维度基础上的，以全面分析采购风险和影响大小。该方法最早被用于美国军方电子系统采购，对武器远程操控系统采购风险进行分析。该方法在实际中收到了良好的效果，使其很快在其他行业中普及开来。经过多年发展和完善，该方法逐渐形成了今天的风险矩阵法。在这个发展演变过程中，美国米托公司做出了最大贡献。由于风险矩阵法具有明显的应用优势，它同时考虑了风险发生概率和期望损失值，被许多企业采用。该风险评估模型为开启风险评估奠定了理论基础，为风险管理提供了方法论支持。

Jean在其论文中，构建BORDA序值法，将其用于分析投票行为。1770年和1784年，这为年轻的法国科学院数学院士先后发表了两篇同主题论文，系统论述了BORDA序值法的功能和作用。由于学者们对BORDA的少数服从多数惯例提出了反对意见，指出该种分析方法可能会与实际情况脱节。人们在做出抉择时，总会根据个人偏好来选择，由于个体偏好存在不可避免的差异，则根据偏好排序，有8人赞成A，有7人赞同B，有6人赞成C，则根据少数服从多数原则，A入选；但事实上，还有38%的人选择A。为了避免少数服从多数带来的弊端，BORDA提出了打分制，即要求评价者根据个人喜好对评价对象进行打分，排序越靠前打分越高，排第一位得分最高，排最后者得分最低，分别对第1位、第2位至第n位的方案赋值为：(n-1)分、(n-2)分至0分，相邻两个排序之间分差为1分，最后统计全部打分。将总分计算出来后，知A为39，B为41，C为46，则C胜出。这种打分方法体现了个体偏好差异，更符合所有投票人的总体偏好。

上面我们介绍了BORDA法的基本原理。其主要特点是体现了投票者个人偏好因素，函数bk(xj)(k=1，2，...，n，j=1，2，...，p) 为 xj∈X 是投票者 Pk给出的打分，每个xj∈X在Pk排序中分值的和就是b(xj)。因此可以得到：

根据 b(xj)(j=1，2，····，n)排序，得分最高的项是所有投票人选择的结果。方案 xj∈X(j=1，2，····，n)中的b(xj)值，它取决于方案xj∈X的投票者人数之和。因此，我们可以将BORDA选择函数表述如下：

上世纪七十年代，美国哈佛大学数学家Satty等人提出了层次分析法，这是一种定性与定量分析相结合的多维决策分析法。层次分析法一共包含三层：目标层、判断层(准则层)、方案层。判断层和方案层由多个元素组成。判断矩阵在构建过程中，要以上一层元素作为基准对下一层元素进行对比分析，并将分析结果进行量化。假如第二层中的元素 Bk作为基准层，与下一层次元素 C1，C2，...，Cn有关联性的目标则要根据基准层Bk来确定它们在排序C1，C2，...，Cn权重系数。在这个过程中，可以根据排序先后来确定权重系数。权重赋值方法十分多样化，例如可以根据基层员工访谈结果来制定排序方案。一般情况下，可以通过向行业专家征求意见来进行排序，在本文中则利用了专家打分法来对BORDA序值进行优先排序，最后建立判断矩阵。

如果有n个元素，在征求专家打分之后，我们得到了判断矩阵C=(Cij)n×n。在上面矩阵中，Cij代表因素i相对因素 j对目标的重要性。

值得一提的是，构建完判断矩阵之后，我们还要对其进行一致性检验，因为是否通过一致性检验直接决定判断矩阵是否可用。在本文中，为了对比较结果进行量化，为构建判断矩阵提供数据支持，采用了指标比率法来对指标进行量化。本文接下来介绍1→9标度方法，并将一级指标权重计算出来，在此基础上对判断矩阵进行一致性检验。

（1）采用矩阵变换将矩阵乘积计算出来：

则W=[W1，W，...，Wn]T即为所求元素的权重。

判断思维的一致性，是指在组织专家进行集体打分时，为了保证专家意见保持高度一致，不出现明显意见分歧。为了保证判断矩阵能够通过一致性检验，首先要对矩阵指标C1的值进行差分处理，使得其与一致性指标RI具有一一映射关系。该映射函数的一致性比率用CR来表示。当CR＜0.10时，则意味着矩阵通过了一致性检验。如果CR＞0.10，则意味着矩阵没有通过一致性检验，则需要对判断矩阵进行调整，再次通过一次性检验后方可使用。这里我们给出判断矩阵一致性检验流程：

由于不同阶的判断矩阵一致性特征值各不相同，因此CI值的标准也各异，为了解决这个问题，我们可以引入平均随机一致性指标RI，对于1～9阶判断矩阵，RI值分别列表1所示。

表1 平均随机一致性指标

如果判断矩阵未通过一致性检验，则要对其进行调整。根据一级指标分析结果，我们可以将二级指标权重计算出来，并再次接受一致性检验。该过程是一个从低到高的演变过程。本文采用层次分析法计算指标权重，参考BORDA序值作为排序依据，对风险指标进行两两比较，最后建立判断矩阵，将每个风险值指标权重计算出来。

3 应用实例

本文采用了4家企业的业务经营数据作为分析基础，通过风险分析建立了风险网络模型，同时也确定了每种风险传导机制。在下图1中，我们给出了每种风险的概率传导比率，为了便于区分，我们用“◆”来标志内部风险。根据专家打分法，我们得到了风险发生概率和风险损失期望值。

图1 物流外包系统实例

在后面的评价过程中，我们会使用到前面建立的风险传导模型，并建立了风险评估体系：根据前面建立的风险传导流程V(yi)来计算出外部风险发生概率；根据图1中的企业风险影响因素计算出每个风险因素对应的子孙风险数量；对每个风险因素对应的风险值进行迭代计算，如果是同一家企业，则就将所有风险值加总得到企业整体风险值；根据本文前面的建立的风险传导公式b(yi)，我们可以将物流外包风险值计算出来，再将所有单个风险值加总我们就可以得到整个企业综合风险值。

表2 风险传导路径图

表3 表头对照表

表4 物流外包系统风险评估信息表

在表4中，标“◆”的是企业内部风险，它们的发生概率是确定的，其他外部风险发生概率则要通过计算得到。通过前面的计算公式我们可以到以下结果：

（1）外包系统内生风险从大到小排序分别为：Y(8)＞Y(11)＞Y(13)＞Y(1)Y＞Y(16)＞Y(2)＞Y(15)＞Y(3)＞Y(12)

从上述公式可以知道，B企业风险因素最大，达到了8，需要给予高度重视。

（2）企业物流外包系统风险大小排序如下：

Y(B)＞Y(D)＞Y(A)＞Y(C)

从上述公式中，我们可以发现企业B面临的风险最大，从表4中结果可以看出，企业A和B风险虽然不大，但是整体系统风险较大，企业C和D虽然面临较大的单个风险，但是整体系统风险处于可接受范围内。

（3）通过根据前面建立的物流外包系统风险模型，我们可以得出综合风险评估值：261.6万元；如果企业管理层要降低外包风险，可以对物流外包系统进行优化调整，可以用前面介绍的方法进行整改，如果改进效果比较明显，则可以继续循环优化。

4 结束语

近年来，河南省旅游业步入高速发展轨道，旅游业产值不断增长，产业发展数量和质量同步提升，成为地方经济重要增长极之一。进入到新世纪之后，外包必将成为今后企业实现可持续发展目标的必然选择。在竞争日益复杂多变的市场环境下，外包业务也存在较大的风险因素，尤其是企业与物流服务商在信息、资源和业务结构存在较大差异的情况下，企业选择物流外包将会面临着较大经营风险。如何有效识别和抑制物流外包风险已成为当前实务界和学术界广泛关注的焦点问题。

本文在深入调研的基础上，构建了一种中小企业物流外包风险控制模型。该模型是建立以下三个假设：风险传导路径不具有回路特征；风险在传导过程中不会发生彼此藕合；风险传导与风险发生概率传导是等同概念。同时，给出了每一种风险发生概率的算法、关于子孙风险发生概率计算方法和过程和风险因素集合对物流外包企业带来的损失期望值。

提出了一种中小企业物流外包风险控制方法（风险矩阵法），该方法建立在传统风险矩阵法原理基础上的，融合了德尔菲法、BORDA序值法、层次分析法精髓，对风险指标进行了赋权，并建立了一种更加先进的风险值算法。本文采用了4家企业的业务经营数据作为分析基础，通过风险分析建立了风险网络模型，同时也确定了每种风险传导机制。实证结果表明，本文构建的模型及方法是正确的、可行的、有效的。

[1]Wu J S,Wang C K.A Review of Networking Behavior[J].Advances in Psychological Science,2010,18(6).

[2]Han X.Modeling of The Co-Evolutionary Dynamics of Social Network and Multidimensional Opinons.Master's Degree Thesis[M].Dalian University of Technology,2013.

[3]Paul P R,Winston R S,Nigel R S.Using Web-Based Knowledge Extraction Techniques To Support Cultural Modeling[M].Lecture Notes in Computer Science,2011,(6589).

[4]Crokidakis N,Forgerini F L.Consequence of Reputation in The Sznajd Consensus Model[J].Physics Letters A,2010,374(34).

[5]Yang Z,Guo J,Cai K,et al.Understanding Retweeting Behaviors in Social Networks.In The Proceedings of International Conference on Information and Knowledge Management,Association For Computing Machinery[M].Toronto,Ontario,Canada,October,2010.