基于G2赋权TOPSIS法的第三方逆向物流服务商评价

2015-02-18 09:30裴鑫

物流技术 2015年3期

裴鑫

（南京工业大学经济与管理学院，江苏南京 210009）

1 引言

由于环境管制、经济利益和商业驱动等原因，企业日益重视逆向物流。由于逆向物流本身具有的高度不确定性、运作的复杂性和实施的困难性，使得企业大多将逆向物流业务外包。实践证明，合适的第三方物流服务商可以有效地降低物流成本、增加企业竞争优势、树立良好的企业形象。因此，如何选择合适、高效的第三方逆向物流服务商成为企业的一项重要决策。

2 第三方逆向物流服务商评价方法研究现状

如何选择第三方逆向物流供应商是企业开展逆向物流实践的关键问题，也是专家学者关注的热点问题。而这一问题的核心就是第三方逆向物流供应商评价方法的选择与确定。岳辉、陈宇[1]研究了如何建立指标体系，并运用层次分析法对备选的第三方逆向物流企业进行评价。马玉新[2]在分析传统的供应商评价选择方法的基础上，提出了一种基于案例推理的第三方逆向物流评价决策支持的模型框架。钟学燕、叶怀珍等[3]建立相关评价指标体系，并且基于三角模糊数和模糊层次分析法对第三方逆向物流企业进行评价。吴楠[4]应用了加权模糊聚类对第三方逆向物流供应商进行评优。刘佳[5]运用灰色关联分析法对第三方逆向物流服务商进行评价选择。曹庆奎、张京华[6]引入基于M(1，2，3)的隶属度转换算法，通过信息熵定义指标区分权，清除指标隶属度中对目标分类的冗余值并提取有效值，逐级实现隶属度的转换，最终实现对第三方逆向物流服务商综合实力总目标的评价。李珍萍、靳阳飞[7]根据第三方逆向物流供应商的基本情况建立了比较完善的评价指标体系，并给出了利用TOPSIS方法评价第三方逆向物流供应商的基本步骤。李晓莉[8]针对第三方逆向物流供应商评价过程中的指标冗余、指标权重的确定需要直接赋权和信息不确定性等问题，提出一种基于粗糙集的灰色TOPSIS 法，使评价结果更加科学合理。刘秋生、王秀竹等[9]运用G1 法结合熵值法对指标体系进行组合赋权，建立了基于熵值修正G1组合赋权的评价模型。

不难发现，在已有的第三方逆向物流供应商评价研究中，评价方法日益多元化。早期，最常见的是模糊分析法。但是，模糊分析法不能解决评价指标间相关造成的评价信息重复问题；各因素权重的确定带有一定的主观性；在某些情况下隶属函数的确定有一定困难。近期，TOPSIS 法日益受到关注。TOPSIS 法是一种有限方案多目标决策的综合评价方法，在对原始数据进行同趋势和归一化的处理后，它消除了不同指标量纲的影响，并能充分利用原始数据的信息。所以，TOPSIS法能充分反映各方案之间的差距，客观真实地反映实际情况，具有真实、直观、可靠的优点。而且，该方法对样本资料无特殊要求，具有普遍适用性。

需要强调的是，很多学者往往只重视评价方法的选择，而忽视了评价指标的赋权问题。众多文献直接选择了层次分析法进行赋权，甚至在没有任何说明的情况下，直接给出了权重。这种轻视权重的研究，直接影响了第三方逆向物流供应商评价结果的科学性和可信度。已有文献中，也仅仅只有1篇文献考虑到了权重的选择，而采取了G1 方法进行赋权。但是，G1方法具有标度人为确定、缺少客观标准等缺点。

本文拟采用G2方法进行赋权，G2方法不同于一般意义上的主观赋权，是在信息与风险都不确定的情况下，给予评价指标一个分值范围，然后通过定量计算，得出一个权重。该方法具有方法灵活、便于推广而且能反映专家风险意识等特点。将G2 和TOPSIS 法相结合，既解决了TOPSIS 方法中权重信息是事先给定的缺点，也使评价结果更加真实可信。

3 基于“功能驱动”原理的G2赋权法简述

G2赋权法是一种更面向实际应用的区间映射赋权法，由东北大学郭亚军教授首创。与其他主观赋权法相比，G2赋权法具有方法灵活、便于推广、能充分反映专家风险意识等特点，从而改变了专家进行主观赋值时往往由于信息不足而不能给出确定数值的不足。

G2赋权法的相关定义与定理如下：

设专家在评价指标集{xj} 中挑选出他认为是最不重要的一个且只一个指标并记为xjm，这时，不妨将m个指标x1，x2，…，xm重新标记为xj1，xj2，…，xjm，其中xjk为{xj} 中的某一个指标。显然，指标集{xjk} 与{xj} 是一一对应的。

设专家根据有关信息对评价指标xjk与指标xjm关于某准则的重要性程度之比rkm作出理性判断，即令：

式中ak＞0，取am=1。

在有些情况下，专家对ak进行主观赋值时，由于信息的不足而没有把握赋予ak一个确切的数值，但又不能放弃。也就是说，不能肯定地对ak赋予一个且只一个确定的数值，但却有把握给出ak的一个取值范围。

实数有界闭集[d1,d2]={x|d1≤x≤d2,x∈R} 称为闭区间。也可以把闭区间看成是由它的端点d1 和d2 组成的一对有序数，称为区间数，通常用D表示。对于D=[d1,d2] ，分别称e(D)=d2-d1，n(D)=(d1+d2)/2，为D的区间宽度和区间中点。当n(D)=0 时，D为对称区间。对于D1=[d11,d21] ，D2=[d12,d22] ，则规定D1+D2=[d11+d12,d21+d22] 。称映射φε(D)=n(D)+εe(D)为具有专家风险态度的区间映射函数，其中ε为风险态度因子（||ε≤1/2）。对于保守型专家，取-1/2 ≤ε≤0；对于中立型专家，取ε=0；对于风险型专家，取0 ＜ε≤1/2。对于指定的专家，ε为已知数。

设专家根据有关信息对评价指标xjk与指标xjm关于某准则的重要性程度之比rkm给出一个区间数Dk，即给出rkm的取值区间：

其中d1k≤d2k，d2m=d1m=1。

4 基于G2赋权TOPSIS方法的具体步骤

TOPSIS（Technique for Order Preference by Similarity to an Ideal Solution）法由C.L.Hwang 和K.Yoon 于1981 年首次提出。TOPSIS法指借助各方案与“理想解”和“负理想解”之间的距离大小来排序的决策方法。“理想解”的各个指标值就是各备选方案中的最优值。“负理想解”的各个指标值就是各备选方案中的最坏值。逼近理想解的排序方法就是通过计算方案集中的每个方案与理想解及负理想解的距离，找出尽可能接近理想解而同时又远离负理想解的方案，距离最大值对应的方案就是最优方案。该方法的具体步骤分为八步：

第一步：根据G2 方法计算出评价指标相对应的权重，构成权重矩阵B。

第二步：设有m个目标（有限个目标），n个属性，专家对其中第i 个目标的第j 个属性的评估值为xij则初始判断矩阵V为：

第三步：由于各个指标的量纲可能不同，需要对决策矩阵进行归一化处理：

其中：

第四步：形成加权判断矩阵：

第五步：根据加权判断矩阵获取评估目标的正负理想解：

正理想解：

负理想解：

其中，J*为效益型指标，J'为成本型指标。

第六步：计算各目标值与理想值之间的欧氏距离：

第七步：计算各个目标的相对贴近度：

第八步：依照相对贴近度的大小对目标进行排序，形成决策依据。相对贴近度越大，决策方案越贴近正理想解，方案越优。

5 算例分析

为了说明上述方法在评价第三方逆向物流服务商的应用情况，下面以算例的形式解释如何通过G2法赋予评价指标权重，以及如何使用TOPSIS法对候选的第三方逆向物流服务商进行评价。在定量计算之前，首先要确定评价指标。

评价指标体系的合理建立是评价成功与否的关键因素。在建立指标体系时，应遵循以下原则：首先，指标既不能太多也不能过简，应能反映评价的主要内容，涵盖评价对象的重要信息，符合评价的目的；其次，各个指标反映的内容之间不能相互重叠，各层指标间层次分明；最后，指标的有关数据应该便于收集整理。在遵循评价指标选择原则下，对国内相关文献进行检索，得出评价指标体系见表1。