基于碳足迹的农产品冷链物流脆弱性研究*

陈福森，陈珊，吴欣欣，曾晨颖，马情如

（福州外语外贸学院 经管学院，福建 福州 350202）

1 研究背景与目的

目前冷链模式可以保证食品在储存、加工和运输配送过程中的新鲜性和安全性，但由于加强了对温度的控制，需要耗费更多的能量，而矿石能源的消耗将导致CO2排放量的增加。本文主要基于碳足迹的视角研究对冷链物流运输环节影响碳排放的关键因素进行探讨，在模糊认知图法的基础上对相关因素进行脆弱度分析，协助分析并改良冷链物流运输环节减少的碳排放量的策略，使之达到绿色物流的目的。

2 文献综述

供应链脆弱度意指当运营系统中发生断链时，对整体运营的影响程度，脆弱度的3个关键因素为暴露性、敏感性和其适应能力[1]。脆弱度的定义被广泛地提出，当供应链曝露于事件严重干扰，供应链风险的来源以及风险的驱动因子倾向大于风险超缓策略[2]。1976年，Axelrod提出最早的认知图理论，用它来表达决策过程中各因子之间的因果关系[3]。吴信辉（2000年）通过系统动态学的方式建立都市规划系统关联模式，再利用模糊认知图法归纳规划出工作人员的专业意见，建立都市规划系统之间的关联模式，并提出在都市规划实际操作中可利用的模式架构[4]。叶燉烟、郑景俗、连振权（2006年）通过模糊认知图来弥补层次分析法对评选属性独立性的假设。研究中利用贝氏理论结合层次分析法权重及模糊认知图关联权重，以妥善处理评选属性之间的相依性为研究问题，进而提出评选过程及结果更能符合实际的建议[5]。

基于前学者的研究，本文以模糊认知图（Fuzzy Cognitive Maps，FCMs）为研究方法，通过计算农产品冷链物流中的碳足迹，了解冷链物流运输环节与碳排放问题的特征结构与关系，得到脆弱度因子，再从认知的角度将冷链物流运输环节中所有影响碳排放的影响因素识别出来进而研究其脆弱性问题。

3 实证研究

冷链物流（Cold Chain Logistics），泛指冷冻冷藏食品在生产、加工、储存、配送、销售交易等所有环节中，始终处于低温环境（0℃～4℃）范围内，从而降低食品在整个过程中的损失[6]的低温物流过程。碳足迹（Carbon Footprint）标示一个组织或过程的“碳耗用量”，可以用来衡量人类生产和生活过程对环境所造成的影响[7]。

本文以厦门某农产品集团有限公司为研究案例，该企业主要从事肉类、果蔬农产品、干杂货、海鲜水产、粮油及调味品等产品的配送业务。

3.1 冷链物流配送的碳足迹

根据企业的配送模式结合碳足迹计算方法构建产品运输环节中冷链物流业作业流程与碳足迹关联图，图1描述了它们之间的关联。

图1 冷链物流业作业流程与碳足迹关联图

图上方为产品生产流程图，下方图为冷链物流的作业流程图，为流程箭头，为碳足迹关联箭头。

3.2 模糊认知图的脆弱度因子

通过上文确定碳足迹的关联性，本文从认知的角度，将冷链物流运输环节中所有影响碳排放的影响因素识别出来。在确定这些概念节点时，结合冷链物流运输作业的流程和本研究的主要方向，筛选出相关因子作为本研究模糊认知图所需的概念节点（表1）。根据节点的定义方法可将其分成2类：结果节点、原因节点。

表1 概念定义节点说明

⑴ 结果节点：碳排放量、服务水平。

⑵ 原因节点：清洁燃料使用率、运输批量、交通运输路况、冷藏车类型、储存温度控制、装卸搬运、转运、包装装车。

模糊认知图的建构是通过专家意见审查所建构，为了更好地利用这些影响因素进行分析，本文通过专家问卷访谈，获得各影响因素彼此互相影响的关系并建立认知图。鉴于某些节点间的关系强度不明显，且数据过多影响认知图效果，不能很好的了解脆弱度因子在系统中彼此互相影响的关系，故并未将关系强度低于0.48的数据体现在认知图上。

确认因子关联矩阵后所绘的模糊认知图（如图2），每个箭头代表着节点与节点之间的影响关系，而每个节点所代表的则是重要因子的输入，体现此物流系统中的脆弱度因子互相影响关系。在相关文献研究基础上，最后对碳排放量、服务水平、清洁燃料使用率、运输批量、交通运输路况、冷藏车类型、储存温度控制、装卸搬运、转运、包装装车这10个脆弱度因子进行分析。脆弱度因子为实体运输过程中导致风险发生的重要因素，当脆弱度因子发生脆弱时将导致整体冷链物流运输系统作业偏离预期计划。

图2 脆弱度因子模糊认知图

3.3 脆弱度分析

将因子关联矩阵依据下列规则进行转换：

在脆弱度模型分析矩阵中，AS（Active Sum）为某变数影响其他变数程度的加总。某变数的AS值越大，代表该变数影响其他变数的程度越高。PS（Passive Sum）为某变数受其他变数影响的程度，变数P称为关键性指标，等于AS×PS，变数P的数值越高则代表该脆弱度因子可能对其他脆弱度因子产生大幅度的影响。至于变数Q是AS/PS的值，称为主动性指标，Q值越大，代表该脆弱度因子相对于其他脆弱度因子较容易受其他脆弱度因子影响。转换之后的脆弱度关系矩阵如表2所示。

表2 脆弱度分析表

根据表2分析表数据绘制以下象限图。

图3 脆弱度因子脆弱度分析图

在脆弱度分析矩阵中，离原点越是远的变数，则表示该变数在系统中是比较容易影响其他变数或者受到其他变数的影响的，根据图3可知这些脆弱度因子彼此互相影响程度如何区分，图中以主动分数=15与被动分数=15，将图分作四个象限，则其中服务水平、交通运输路况是属于较易影响其他因子而不易受其他因子所影响；储存温度控制、包装装车是属于较易受其他因子所影响而不易影响其他因子；碳排放量、运输批量、冷藏车类型、装卸搬运、转运是属于易影响其他因子且同时易受其他因子所影响；清洁燃料使用率属于较不易影响其他因子且不易受其他因子所影响。

4 结论

本文所提出的利用模糊认知图建构整个运输系统碳排放的关联模式，其中包含影响碳排放的各个影响因素之间的相依关系，冷链物流运输系统的脆弱度是由不同性质的脆弱度因子彼此互相影响组合而成。为了能有效进行脆弱度分析，将因子关联矩阵转换为脆弱度关系矩阵，借由脆弱度分析结果将各个脆弱度因子区分为高、中、低三个层级，其中冷藏车类型、运输批量、碳排放量、转运为最优先处理的因子；装卸搬运、服务水平、包装装车、储存温度控制优先处理的程度为中级；交通运输路况、清洁燃料使用率为优先处理程度较低的。