基于云模型的第三方物流供应商评价与选择研究

陶利民

(杭州师范大学杭州国际服务工程学院，浙江 杭州 311121)

基于云模型的第三方物流供应商评价与选择研究

陶利民

(杭州师范大学杭州国际服务工程学院，浙江 杭州 311121)

为有效地处理评价过程中出现的模糊性及随机性，提出一种基于云模型的第三方物流供应商选择方法，并通过实例分析，证明了此方法的有效性．利用评价结果，还能挖掘出更多有价值的信息，为企业管理者选择第三方物流提供参考．

云模型；第三方物流；随机性；模糊性；选择指标

随着经济全球化及信息技术的快速发展，为了在激烈的市场竞争环境中取得优势，许多企业转向物流要效益，因此对物流服务的要求越来越高，这样第三方物流(third-party logistics，3PL)应运而生，企业利用3PL供应商所能提供的所有服务．就是说，商品的生产和流通企业，把商流中的物流活动，以合同方式委托给3PL，同时为达到对物流全程管理和控制的目的，通过信息系统与3PL供应商保持密切的联系．将物流外包给3PL供应商能给企业带来以下好处[1]：一是解决资源有限的问题，使企业更专注于其核心业务；二是降低企业经营成本，从而取得价格优势；三是降低企业经营风险，同3PL供应商共担风险；四是改善服务质量，提高顾客满意度；五是提高动作柔性，使企业具有快速响应迅速多变环境的能力．基于此，越来越多的企业加入到物流外包的阵营中，然而，物流外包是一把“双刃剑”，它给企业带来效益的同时也隐藏着风险[2]．就是说，并不是全部的物流外包都能够成功，给企业经营造成致命打击的可能就是不恰当的物流外包行为．因此，3PL服务商提供服务的品质直接影响到企业的竞争力，对企业来讲，能否合理地选择3PL供应商直接影响到企业的长远发展．为此，企业应建立一种3PL供应商选择机制，只有对3PL供应商进行合理有效的评估，才能正确判断3PL服务商的实际经营水平，以增强企业的经营能力，进而促进企业整体效益的提升[3-4]．

若要合理地选择3PL供应商，就必须正确有效地评价3PL供应商，其评价指标受到多方面因素的影响，是一个多层次、多指标的体系．不确定性普遍存在于主客观世界中，最重要的两种表现形式是随机性和模糊性，这两种不确定性也存在于评价工作中．评价工作中产生随机性和模糊性的原因主要有三方面[5]：一是外界环境影响的不确定性；二是评价工作的复杂性；三是人类认识的模糊性．3PL供应商的评价中，也普遍存在随机性和模糊性．就是说，3PL供应商评价不仅与其客观情况有关，还会受到评价者的知识和个性等因素影响．例如，不同评价者对于第三方物流领域理论知识及前沿发展动态的理解掌握不同，对同一个3PL供应商情况的认识就不同，这就出现了评价的模糊性；再如，由于个性、心理状态的影响，可能出现同一个评价者对同一个3PL供应商的多次评价，出现前后不一致的情况，这就出现了评价的随机性．赵礼强等运用模糊理论评价和选择3PL供应商[6-10]，较好地解决了评价指标描述语言的模糊性问题，不过存在两方面的问题：一是没有考虑到评价的随机性问题；二是模糊评价过程中，获取模糊评价矩阵具有较强的主观性．为了使3PL供应商评价更接近实际情况，就必须兼顾随机性和模糊性问题，而云模型能够有效地解决这一问题．因此，为弥补现有模糊评价方法的不足之处，本文将云模型运用到3PL供应商评价中．云模型是一种定性定量转换模型，是在综合交叉了模糊学及统计学理论的基础上提出来的，它有效量化了用自然语言描述的定性概念，能有机地结合模糊性及随机性．定性语言值与定量数值之间的自然转换能够很好地由云模型实现．本文试图利用云模型来综合评价3PL供应商，该方法的评价结果能够更加准确、具体、有效地反映出3PL供应商的实际经营情况及整体水平，为企业合理选择3PL服务商提供决策依据．

1 云模型概述

1.1 云模型基本概念及数字特征

云模型是由李德毅[11]提出的，一种用于将定性概念与其定量数值表示之间不确定性进行转换的模型，它能充分体现自然语言中概念的随机性和模糊性两种不确定性，并将两者关联在一起，构成定量与定性之间的相互映射[12]．

图1 “80分左右”的正态云及其数字特征Fig.1 Normal cloud of "about 80 " and its digital characteristics

定义1(云和云滴) 设U是一个用精确数值表示的定量论域，C是U空间上的定性概念，若定量值x∈U，且x是定性概念C的一次随机实现，x对C的确定度(隶属度)μC(x)∈[0,1]是一个具有稳定倾向的随机数，则x在论域U上的分布称为云，每个x称为一个云滴(x,μC(x))[13]，云就是由许许多多这样的云滴构成的．

云模型中, 云的数字特征一般用(Ex,En,He)来表示(图1)．云的数字特性实质上反映了定性概念的定量特征，图1就反映了定性概念“80分左右”的定量特征．其中：期望Ex(expected value)是概念在论域空间分布的期望；熵En(entropy)是定性概念不确定性的度量，表示定性概念的模糊度，由概念的随机性和模糊性共同决定；超熵He(hyper entropy)是熵的不确定度量，即熵的熵，反映了云滴的凝聚度，它的大小间接地反映了云的厚度，由熵的模糊性和随机性共同决定[11]．经过严格的数学证明，对于数域中的定性概念，99.74%的定量值主要落在区间[Ex-3En，Ex+3En]中，这就是云模型数字特征的“3En规则”[11]．

1.2 云发生器

云发生器[14]是一种实现定性与定量相互转换的算法，主要包括正向云发生器及逆向云发生器两大类．正向云发生器的功能是实现从定性概念到定量值之间的映射，将定性概念通过不确定性转换定量地表示出来，根据云的数字特征产生一系列的云滴[11]．正向云发生器算法的输入是云的数字特征(Ex,En,He)和云滴数量N，输出是N个云滴在数域空间的定量位置及每个云滴，代表概念的确定度，具体见算法1．逆向云发生器的功能就是实现从定量值到定性概念的转换，它能将一定数量的精确数据转换为以数字特征(Ex,En,He)表示的定性概念，其输入是一系列定量数值；输出是云的数字特征(Ex,En,He)[11]．具体见算法2．

算法1 正向云发生器算法[11]

INPUT: {Ex,En,He},N

OUTPUT: (xi,μi),i=1,2,…,N

FOR i=1 to N

En1 =RANDN (En, He)

xi=RANDN(Ex, En1)

Drop (xi,μi)

END

算法2 逆向云发生器算法[11]

INPUT:xi,i=1,2,…,N

OUTPUT: {Ex,En,He}

2 第三方物流供应商选择模型

建立基于云模型的3PL供应商选择模型的基本思路如下：首先要考虑3PL供应商提供服务的特点，确定其选择指标体系，并确定各个指标的权重；再确定评语集；然后将采集到的对于各个指标的评价值，利用云模型的逆向云发生器(算法2)进行加工处理，就可得到每个评价指标的云模型及其数字特征；最后，结合权重将单个指标的云模型数字特征进行运算得到3PL供应商综合评价云模型，之后即可判断其评价等级；根据评价等级，企业即可合理选择3PL供应商．其具体过程如下：

2.1 确定3PL供应商选择指标体系及权重

3PL供应商评价的科学性和准确性关键在于指标选择是否合理．指标的选取一般应符合以下几个原则：综合性原则；独立性原则；定性和定量性相结合的原则；可比性原则；层次性原则[15]．在参考已有研究成果[16-20]的基础上，基于对3PL供应商特点的综合考量，构建出了选择指标体系，具体情况如表1所示．

表1 3PL服务商选择指标体系

3PL服务商选择指标体系中各指标对最终评价结果的影响程度是不一样的，评价过程中指标所起作用大小及其相对重要程度，可用权重来表示．根据专家经验法，可邀请业内专家组成评价小组，根据指标之间的相关重要性构造出判断矩阵，再通过AHP法对指标判断矩阵进行计算可得出各指标的权重因子(表1)．

2.2 确定评语集

确定最终的评价等级，即评语集．评价等级不宜分得过细，将3PL服务商选择评价指标体系的定性评价分为5个等级，即评语集={好，较好，一般，较差，差}．其相应的定量值则采用百分制表示，评价等级的划分以及相应区间的表示，如表2所示．

2.3 确定各项指标云模型及综合评价云模型

表2 评价等级的评语值区间表

每个评价指标项都采用云模型来表示．首先邀请物流专家、业内人士从不同角度对3PL供应商的各个二级指标进行打分；然后将专家打分作为数据样本，利用逆向云发生器算法对每一个二级指标的打分数据进行处理，即可得到每个二级指标的云模型及其数字特征；再利用虚拟云理论综合云算法：

(1)

将所有二级指标的评价云综合起来，则可获得全部一级指标评价云模型的数字特征；最后，利用同样方法，可将一级指标的评价云综合起来，就能得到最终综合评价云模型的数字特征．其中：wi代表第i个指标的权重，(Exi,Eni,Hei)代表第i个指标的数字特征参数，子指标项的个数则用n表示．

2.4 确定评价等级

利用最终得到的综合评价云模型参数，画出整体的评价云图．通过云模型的3个数字特征，结合数字特征的含义，对云图中云滴的整体分布情况进行分析，就可得出最后的结论．利用云模型进行评价的好处在于不仅能得到评价等级，还能进一步分析得到更深层次的信息，这是其它评价方法做不到的．一般Ex落在哪个评语值区间，就属于哪个评价等级，这样易于判断；En充分地反映出评价等级的模糊性这一特征，其值越大评价等级越不确定，可通过云图中云的宽度体现出来，云图越宽就越模糊；He反映了评价的随机性，可通过云图中云层的厚度或云滴的离散性体现出来．对于这些隐含的信息，其它模型是很难直接挖掘得到的．3PL供应商的评价等级确定后，就可作为企业选择3PL供应商的参考依据．

2.5 评价等级的验证

可利用正向云发生器算法还原出足够数量的云滴，算出落在各个评语值区间云滴的隶属度，从而验证评价结果的正确性．此外，如果被评价的3PL供应商等级相同，则可根据其相应等级隶属度的大小进一步比较，隶属度值大的更优．

3 实例分析

设要从甲、 乙和丙3个供应商中选择满意的第三方物流供应商，邀请15位物流专家、业内人士对3家供应商的各个二级指标进行评分．先以甲为例说明，以实际采集到的专家对甲的各个二级指标的评分作为数据来源，对这些数据进行处理时就能利用逆向云发生器算法，通过计算获得各个二级指标云模型的数字特征，如表3所示．

然后，可利用综合云算法公式(1)，分别将表3中5个一级指标下二级指标的评价云综合起来，得到全部一级指标云模型的数字特征(表4)．

最后，利用式(1)，综合所有一级指标的评价云，得到3PL供应商最终的综合评价云模型，求出其云模型数字特征分别为：Ex=95.543，En=7.295，He=2.713．利用综合评价云模型的数字特征值及正向云发生器算法可画出综合评价云图(图2)．

表3 二级指标云模型的数字特征表

表4 一级指标云模型的数字特征表

图2 3PL供应商甲的综合评价云图Fig.2 Comprehensive evaluation cloud image of a 3PL supplier

从图2可知，被评3PL供应商的综合评价结果数字特征中的期望值Ex为95.322，散落在评语值区间(90,100)中，并且分布在此区间内的云滴有两个特点：一是数量最多，二是聚集程度最密集．据此分析，可得出该3PL供应商的评价等级为“好”．

为了验证评价等级确定的正确性，可利用正向云发生器算法对评价结果的云模型进行10 000次的随机模拟计算，以期还原出相应云滴在各个评语值区间的分布特征．计算结果显示，“好”、“较好”、“一般”、“较差”和“差”的个数分别为7256，2406，333，5，0．对应评语集所属的隶属度分别为0.7256，0.2406，0.0333，0.0005，0．因此综合评价等级隶属于“好”这一等级，与前面的判断保持一致，从而很好地验证了此评价选择模型的正确性．

用上述同样方法，可获得乙、丙供应商的综合评价云模型分别为(92.379,6.562,2.735)和(73.856,4.792,2.570)，判断其评价等级分别为“好”、“一般”．因此，企业可从甲、乙供应商中选择．不过，同样进行10 000次的随机模拟计算，供应商乙属于“好”这个等级的隶属度(0.6259)小于甲(0.7256)，因此企业更倾向于选择甲供应商．

从表4可以看出，该供应商在信息技术指标方面Ex最高，说明该供应商在各项指标中信息化建设方面做得最好；En最小，说明专家在评价时比较一致，即该供应商的信息技术水平受到专家们的一致肯定；不过He最大，说明评价的离散程度较高，主要是受到专家业务水平、心理状况等因素差异的影响，不确定程度也高．同时，从表3还可看出，该供应商在各项指标中做得最不好的是准时性方面，该项指标的Ex值最小．

4 结 语

企业确定将物流业务外包后，选定优质的3PL供应商只是双方合作的第一步，也是物流外包能否成功的关键一环．要合理选择3PL供应商，就需对其进行综合评价．传统的模糊评价选择方法，只反映了评价的模糊性，而没有考虑到随机性，这样评价过程的模糊性与随机性无法共存．为弥补上述不足，本文提出了一种基于云模型的3PL供应商选择方法，该方法不仅体现了评价过程中语言描述的模糊性，而且反映了评价的随机性，将模糊性与随机性很好地关联起来．通过云模型的特征参数，能将评价过程中的不确定性及评价的细节信息最大限度地保留下来，评价结果具有较好的参考价值．通过对评价云的深层次分析，还能挖掘到一些隐含的有意义的信息，这是其他方法难以做到的．本方法的评价结果能为企业管理者可靠、科学地选择3PL供应商提供合理的依据， 从而使企业战略决策的有效性及权威性得到提升．

[1] 徐新燕. 基于风险矩阵法的物流外包风险评估[D].天津:天津师范大学, 2012.

[2] 黄大容．物流外包的合作风险分析与对策[J]. 物流技术, 2005(11):100-101.

[3] 徐贤浩,汤泽淋. 基于风险矩阵的物流外包风险评估[J]. 物流技术, 2006(5):67-69.

[4] 魏众,申金升，陈继军，等. 企业物流外包风险形成机理及防范研究[J]. 中国安全科学学报, 2005,15(1):55-58.

[5] 殷筱琴. 模糊综合评价法在企业绩效评价中的应用研究[D]. 南京：河海大学，2005．

[6] 赵礼强,徐娴英,李一波. 第三方物流供应商选择的模糊决策方法[J]. 物流技术， 2003(9):35-37.

[7] 剧飒,李登峰. 第三方物流服务供应商选择的模糊相对比值法[J]. 物流工程与管理,2013,35(4):58-60.

[8] 史祎馨,张丹松. 基于模糊综合评判法的第三方物流服务商选择模型研究[J]. 物流科技,2006,29(9):5-8.

[9] 党文峰，王忠伟. 基于层次分析法的物流业务外包的研究[J]. 物流工程与管理, 2014,36(1):27-30.

[10] 项丽. 企业物流外包风险评价和控制：基于 AHP-模糊综合评价方法的视角[J]. 企业经济，2013(4):72-75.

[11] 李德毅，杜鹢. 不确定性人工智能[M]. 北京：国防工业出版社, 2005．

[12] 刘常昱，李德毅，潘莉莉.基于云模型的不确定性知识表示[J].计算机工程与应用，2004，40(2):32-35.

[13] 李德毅,孟海军,史雪梅.隶属云和隶属云发生器[J].计算机研究与发展，1995，32(6)：15-20.

[14] 李德仁,王树良,李德毅，等.论空间数据挖掘和知识发现的理论与方法[J].武汉大学学报(信息科学版),2002,27(3):221-233.

[15] 刘晓峰,远亚丽. 基于改进TOPSIS法的第三方物流供应商选择[J].物流科技,2011,34(3):102-105.

[16] 叶福稳,赵强. 第三方物流服务商的选择方法[J].物流技术与应用,2013,18(1):104-105.

[17] HERTZ S, ALFREDSSON M. Strategic development of third party logistics providers[J]. Industrial Marketing Management, 2003, 32(2):139-149.

[18] 彭玉兰,陈治亚. 第三方物流企业的选择和评价研究[J]. 铁道科学与工程学报,2011,8(1):123-128.

[19] TYAN J C,WANG F K,DU T C. An evaluation of freight consolidation policies in global third party logistics[J].Omega, 2003, 31(1):55-62.

[20] 王萃. 基于AHP 模糊综合评判的第三方物流供应商选择研究[J]. 煤炭经济研究,2010,30(7):64-66.

On the Evaluation and Selection of Third Party Logistics Supplier Based on Cloud Model

TAO Limin

(Hangzhou Institute of Service Engineering, Hangzhou Normal University, Hangzhou 311121, China)

In order to effectively deal with the fuzziness and randomness that appear in the evaluation process of third party logistics, this paper presents a third party logistics provider selection method based on cloud model. Through case studies, the effectiveness of this method is proved. The evaluation results can explore more valuable information to provide references for business management to select third-party logistics providers.

cloud model; third party logistics; randomness; fuzziness; select index

2016-07-15

杭州师范大学科研启动经费项目.

陶利民(1975—)，男，讲师，博士，主要从事服务外包管理、服务计算研究．E-mail：tlm5460@163.com

10.3969/j.issn.1674-232X.2017.04.016

C934

A

1674-232X(2017)04-0435-06