基于主成分— 聚类分析的快递企业风险评价方法

夏慧玲，林小芳，王海船，踪 锋

XIA Hui-ling, LIN Xiao-fang, WANG Hai-chuan, ZONG Feng

（南通理工学院 经济管理学院，江苏 南通226002）

(College of Economics and Management, Nantong Institute of Technology, Nantong 226002, China)

0 引 言

快递企业在电子商务迅猛发展的今天，占尽先机，在经济发展中地位凸显。据国家邮政局统计，2014 年，我国快递业务收入完成2 040 亿元，同比增长42%。2014 年我国快递业务量达140 亿件，同比增长52%，跃居世界第一，最高日处理量突破1 亿件。目前提供快递服务的企业主要有三类——国有快递企业（中国邮政EMS、中铁快运、中国民航快递等）、外资快递企业（UPS、FedEx、DHL、TNT）、民营快递（顺丰、圆通、申通、韵达等）。这些体制、规模不同的快递企业在我国快递市场上提供的服务质量良莠不齐，随着快递业的进一步发展，整个行业将会呈现出强者越强、弱者越弱甚至被淘汰的局面，在快递企业的经营过程中，面临着各种各样的风险，有效的风险控制对快递企业提高竞争力获得良性发展有着积极的作用。

目前，关于快递企业风险评价的国内外研究相对较少，陈平（2013） 对快递企业进行末端配送时面临的风险进行分析并提出防范措施[1]；吴雨霖（2014） 结合粗糙集和支持向量机建立了快递企业风险评价模型，并进行了实证分析[2]。在前人研究的基础上，本文从快递企业内部分析角度入手，构建快递企业的风险评价模型，实现主成分分析聚类分析法在快递行业风险评价的成功应用。

1 主成分分析和聚类理论介绍

1.1 主成分分析法

主成分分析（principal components analysis） 由Hotelling 于1933 年首先提出，它是利用降维的思想，把多指标转化为少数几个综合指标的多元统计分析方法。

该方法的基本思想是对原始变量相关矩阵结构关系进行研究，找出影响某一经济过程的几个综合指标，使综合指标变为原来变量的线性组合，从而不仅保留了原始变量的主要信息，彼此之间又不相关，更有助于抓住主要矛盾。

主成分分析法的计算步骤：①原始指标数据的标准化采集；②求相关系数矩阵；③解样本相关矩阵的特征方程，得特征根，确定主成分；④计算主成分载荷；⑤计算主成分得分。

1.2 聚类分析

聚类分析是根据“物以类聚”的道理，对样品或指标进行分类的一种多元统计方法，其讨论的对象是大量的样品，要求能合理地按各自的特性来进行合理的分类，没有任何模式可供参考或者依循。常用的聚类方法有系统聚类、模糊聚类、K 均值聚类，本文采用系统聚类方法，其基本思想是距离相近的样品（或变量） 先聚成类，距离相远的后聚成类，过程一直进行下去，每个样品（或变量） 总能聚到合适的类中。

2 快递企业风险评价指标体系

快递企业存在的风险很多，主要包括外部风险和内部风险两部分，本文用流程图法以图解方式分析快递企业的工作流程，通过查阅相关文献及德尔菲法对从事快递行业的有丰富经验的工作人员进行了调查，最终对快递企业的风险分为四大类：外部环境风险、上游供货商风险、企业自身的内部风险、下游客户风险，在四大类风险的基础上建立相应的二级风险指标，具体评价指标体系见表1。

3 实证分析

3.1 主成分分析

3.1.1 数据收集及分析

针对快递企业风险评价指标体系设计了相应的问卷调查表，依据Satty 标度法对指标体系中的各个指标因素进行相对重要程度比较。设计好的调查问卷分别邀请快递企业的客服、揽投员、拣货员、快递员、仓管员等快递行业一线工作人员进行填写。

此次调查问卷历时一个月，共收集调查问卷51 份，对收集的调查问卷进一步筛选，去掉一些填写不够完整及判断一致性较差的调查问卷，最后整理出有效问卷34 份。样本指标数据见表2。

3.1.2 主成分的提取

对源数据利用Matlab 统计工作箱进行处理，首先对数据进行标准化处理，计算相关系数矩阵，计算特征值和方差贡献率以及主成分载荷，见表3 及表4。

特征根可以被视为主成分影响力大小的指标，如果特征根小于1 则说明该主成分解释力度还不如直接引入原始变量的平均解释力度大，因此在主成分的选取上，理论上是选取特征根大于1 的主成分。根据表3 可以得得知，前10 个主成分的贡献率已达到85%以上，因此选取前10 个主成分进行分析，这样不仅包含了原有变量的大部分信息，还简化了原有变量的维数，更加利于进行问题的分析。

主成分的特征向量是主成分与相应的原变量之间的相关关系，可以通过载荷除以主成分对应的特征值得平方根得到，其绝对值越大，则主成分对该变量的代表性越大。我们可以得到前10 个主成分的表达式，进而可以计算各变量在前10 个主成分上的得分，见表5。

3.2 聚类分析

在表5 的基础上，对风险指标进行聚类分析。在聚类分析的过程中，尤其是系统聚类，最终确定分类的个数是一个难点，可以计算不一致系数，通过不一致系数来确定最终分类的个数，再进行聚类。

表2 快递企业各风险相对重要程度判断统计

表3 部分主成分的累计贡献率

表4 前10 个主成分的因子载荷矩阵

3.2.1 计算不一致系数，确定分类个数

利用Matlab 软件，计算不一致系数，确定分类个数。根据不一致系数可得，不一致系数较上一次增加量越大，则上一次聚类效果越好，由表6 可知，在最后四次聚类过程中，不一致系数的变化，增量依次为0.0603,0.1197,0.3454,-0.1696 的，说明倒数第三次聚类较好，因此确定聚类分析的分类数为三类。

3.2.2 聚类分析

绘制各变量间的聚类树状图，清晰地反映快递企业各风险指标间的相似性（见图1）。

3.3 主成分聚类结果分析

表5 快递企业风险主成分得分、综合得分及排序

表6 不一致系数表

图1

根据聚类分析结果，我们可以把快递风险大体分为三类。

第一类｛自然风险、快递延误风险、发货量风险、技术风险、价格风险、快件损毁风险、经济金融风险、财务风险｝，其主成分平均得分为-1.27169，表明这类风险在快递企业运营过程中相对其它风险的重要程度较低；第二类｛市场风险、人力资源风险、法律政策风险、原材料上涨风险、资金占用风险、代收货款风险｝，其主成分平均得分为-0.94502；第三类｛合同风险、违规收费风险、丢件短少风险｝，其主成分平均得分为3.636633，表明这类风险在快递企业运营过程中相对其它风险的重要程度较高，快递企业应重视这类风险。

4 结论及建议

从快递企业的工作流程角度出发，构建了快递企业风险评价的指标体系，通过进行主成分分析能够在保留原始数据主要信息的同时，使收集的模糊、不确定的数据具有代表性，有利于提取符合客观实际的信息。通过聚类分析对快递企业的风险进行分类评价，分析各种风险之间存在的相似性以及差异性，所得到的结论能够直观反映快递企业的风险存在情况，有利于快递企业在运营过程中识别各类风险，从而进行规避风险，为快递企业的良好运营提供参考。依据聚类分析的结果，对快递企业规避风险提出以下几点建议：

4.1 重视快递服务质量的提升

在各类风险指标中，丢件短少风险、违规收费风险对快递企业的影响程度最大，这类风险属于下游客户带来的风险，快递企业在自身发展过程中，必须切实提高服务质量。

4.2 加强快递服务标准规范的执行

快递企业应该按照《快递服务》国家标准规定的快递服务组织、服务环节、服务改进的基本要求，认真组织全体员工学习，完善快递企业相关规章制度和考核办法，严格落实执行这些统一的服务标准、操作规范和操作流程，避免因企业内部管理的漏洞而引发风险的可能性。同时国家邮政局等相关快递企业管理部门应该进一步加强对快递企业的监管。

4.3 完善快递企业员工激励制度

快递企业应该选取合理的激励方法，通过物质利益、荣誉、培训、制度、危机等多种激励方法，实施系列化的考核机制，提升快递企业员工的工作积极性主动性，同时结合道德、法律来对快递企业中的风险进行防范。

[1] 陈平. 快递末端物流配送的风险分析与防范措施研究——以申通快递为例[J]. 物流工程与管理，2013,35(6):53-56.

[2] 吴雨霖. 基于RSSVM 的快递物流服务风险评价研究[J]. 物流科技，2014(6):11-14.