公众参与视角下基于大规模群决策的物流中心选址研究*

□ 王莫凡，张睿璇，代玉洁，胡慧宇，李 慧

(安徽大学 商学院，安徽 合肥 230601)

1 引言

大规模群体决策是指多个决策成员参与决策过程。决策成员根据已知的决策信息表达自己对方案的偏好，然后根据特定规则将个人的判断聚合成群体意见来选择最佳方案[1]。目前对大规模群体决策的研究主要集中在专家层面。随着电子科技以及社交媒体的快速发展，公众在社交媒体上发布的可靠信息可以为决策提供重要的支持。

物流配送中心位于物流节点上，连接着供货点和需求点，合理的选址方式可以大大降低企业的配送费用，提高整个物流体系的运营效率。目前的物流中心选址研究与方法主要有蚁群算法[2]、模拟退火算法[3]以及双层规划模型[4]等，参与物流中心选址的决策者为相关物流专家。但当前物流配送中心的选择所涉及的方面愈加复杂化、多样化，仅靠模型算法和专家决策无法满足日益增长的物流中心选址需求。

有多种方法可对专家的决策结果进行分析，但为了降低信息处理的难度，通常采用聚类分析方法将决策专家划分为若干个子群体。例如，黄健元等[5]的模糊ISODATA聚类分析方法的改进；艾春安等[6]的基于区间数判断矩阵与模糊聚类分析的主观群决策AHP方法等。

对于专家的分析决策信息分析，目前已经有了很深入的研究。本文主要关注对公众决策的处理方法。先前群体决策问题的研究大多只包括一个决策机构(即决策专家)，没有考虑其他决策机构(即公众)的参与。然而，由于这些决策情境缺少公众的参与，可能会产生信息不对称问题，因为专家无法从公众那里获得与决策相关的有价值的信息。特别是在社交媒体时代，公众愿意去参与并分享他们对相关决策问题的偏好和感受。对于公众社交媒体大数据的利用可以为公共事件管理提供重要参考，比如在环境保护、应急决策等方面。

公众决策在现代生活中越来越普遍，且一些决策与居民的日常生活息息相关。当代对群体决策理论发展影响最大的当属D.Black，其在1958年提出了委员会决策问题。另外，自1781年法国数学家Borda提出群体方案选择模型以来，群体决策逐渐成为决策领域关注的焦点。

因此，公众作为另一个决策主体如何参与大规模群体决策问题已成为一个广泛研究的课题。然而，公众作为决策主体参与时，面临着公众决策信息的获取、公众信息的可信度、民意与专家意见融合等问题。基于此，本文提出了一种基于情感分析和直觉模糊数表达式，考虑公众动态可靠性的公众大规模专家信息融合方法。利用情感分析得到公众意见矩阵，根据聚类的方法对专家的意见进行分析整合并构建子群意见矩阵，提出了一种考虑专家及公众共识水平的优化模型来确定不同决策机构的权重，将公众意见和专家意见进行汇总来获得集体决策信息。本文通过实例分析说明了该方法的应用，可为物流中心选址提供参考，具有理论与实践的双重意义。

2 研究基础

2.1 问题描述

随着互联网技术的快速发展、移动客户端的普及以及顾客需求对仓库选址的重要程度日益增加，普通大众作为仓库选址事件的参与者，通常可以从不同角度表达出更多具有现实意义且具备一定价值的仓库选址评估信息。因此，公众是仓库选址决策的重要组成部分。本研究中公众参与的大规模群决策问题的主要要素如下:

①一组可行方案x = {x1,x2,…,xp}，其中p≥2；

②多位专家E= {e1,e2,…,em}，邀请多位专家以表达他们对不同选址方案的观点及偏好；

③一组准则C= {c1,c2,…,ck}，通过分析公众在企业物流官网及社交媒体上发表的评论来获得；

④能表示专家和公众意见的决策矩阵，代表不同主体在不同标准C下对不同备选方案x的偏好程度。

2.2 公众决策信息的产生

社会公众习惯在互联网上发表自己的观点，但是由于公众专业水平的限制，他们很难将自己的意见或看法进行量化描述，往往使用简单的语言表述。基于此，为了使公众切实地参与到决策中，需要对公众的语言文字表述进行量化处理。本文使用了哈尔滨工业大学信息检索研究中心研发的NLPIR汉语分词系统[7]，以可靠的方式对公众评论进行分析，并从这些数据中提取有用的信息，最后用于决策，具体包含以下内容：

①删除语言表述中的停止词，获得最终的分词结果。

②以大连理工大学发布的情感词典数据库[8]为基础，建立与决策问题相关的情感词典。

③分析句子的情感极性[9]，不同句子包含不同类型的情感，将积极、正面的情感词归为一类，消极、负面的情感词归为一类，表述态度模棱两可或者看法不明确的归为一类。

(1)

(2)

(3)

其中，uli+vli+πli=1。

2.3 专家子组共识度测量

在大规模群决策问题中，由于各专家的擅长领域、专业背景不同，往往很难达成完全一致的意见,换言之就是很难得到大多数专家都满意的决策结果。为了提高群决策的正确性和实际应用性，体现群决策共识性的特点，需要对专家群体进行分组并对得到的子组实行一致性迭代来提高群体的共识水平。

①子组Ck的分组共识水平可以通过以下公式计算：

其中，(Rk,Rg)表示子群Ck到Cg之间的距离；

②GCL=min{CL(Ck)|k=1,2,3…,k}，GCL为群体共识水平，GCL越大，表示所有子组之间的共识水平越高；

③ρ(0<ρ<1)是预定义的最小可接受群体共识阈值。如果GCL≥ρ，认为群体共识水平已达到一致性;如果GCL<ρ，则代表群体共识水平未达到一致性，需要调整子群体意见以达到更高层次的群体共识。

2.4 信息融合

确定准则和决策机构的权重，将公众和专家的决策信息进行有效整合，以获得全面的决策信息。

①确定标准权重。

在决策信息融合过程中，准则权重是最重要的影响因素之一。由于公众和专家对仓库选址问题有不同的认识及看法，他们对不同标准做出的评价的重要性也不一致。因此，在信息单元生成之前，需要确定不同融合对象下的准则权重。

②确定各决策主体权重。

由于专业知识的匮乏，公众虽然在群决策中的地位日渐重要，但是鉴于公众信息的不完全可靠性，本研究认为作为独立的决策机构，公众的占比应当是最小的。同时，专家分组之间的分歧度和差异性大小都会影响专家分组作为决策主体在决策过程中的权重。由于这些客观条件的存在，不同决策主体的权重大小是需要考虑的。

3 模型框架

本文主要提出了一个综合参考公众和专家意见的大规模群决策的新模型。该模型不仅解决了如何通过情感分析提取公众意见矩阵的问题[10]，同时还综合考虑了专家分组内部意见的一致性。此外，为了实现公众意见和专家意见的融合，首先简单确定了不同决策机构下的标准权重，然后建立函数表达式并结合相关限制条件得出各决策机构的权重，最终获得决策综合信息。决策过程如图1所示。

图1 公众专家决策模型

第一步：收集与决策问题相关的公众社交媒体数据并构建评价标准和公众意见矩阵。

根据实际问题的目标性，选用数据抓取的方法，从微博、论坛或者当地政府、企业官网等处收集相关公众评论。对公共社交媒体数据进行初步处理，根据评论内容的集中性和决策问题的不同角度，结合备选方案的性质，将提取出来的关键词进行大致分类，最终形成评价指标。根据前文所叙述的定义及内容，利用情感分析来构建满足所有标准的备选方案的公众意见。

第二步：对专家意见进行聚类，并构建子组意见。

使用和公众决策矩阵相同的情感分析方法形成专家意见矩阵，再利用Matlab软件的系统聚类方法将专家组分为K个子组。专家意见在同一子组中进行汇总，利用算术平均计算法生成子组决策矩阵。

第三步：衡量专家分组的共识水平[11]。

子组Ck(k=1,2,…,K)的共识水平CL(Ck)根据公式(1)和(2)并进行算术平均计算得到，群体共识水平GCL由公式(3)计算得到。如果GCL≥ρ，该过程跳到步骤五；否则，进入下一步。

(4)

(5)

GCL=min{CL(Ck)|k=1,2,…,K}

(6)

第四步：更新子组意见。

如果GCL<ρ，则需要观察各子组的共识水平偏离程度，选择共识水平最低的子组在一定范围内进行调整，以达到更高的群体共识水平。经过几次共识迭代，使子组共识水平达到预定的最低可接受子组共识阈值。

第五步：为不同的决策机构确定关于每个备选方案的综合信息。

首先确定不同决策机构下每个决策标准的权重大小，然后结合公众意见矩阵、更新后的专家子组意见矩阵及标准权重，构建不同决策机构下每个备选方案的综合信息矩阵。

第六步：计算不同决策机构的权重并生成集体决策信息。

构建相关变量之间的关系式，结合相关限制条件解得。基于不同决策机构的权重，结合专家子组和公众的综合信息进行汇总，构建集体决策信息，利用IFN得分函数得到最佳的备选方案。

4 案例分析

合肥地处中国华东地区、安徽中部、江淮之间、环抱巢湖，是长三角城市群副中心。近年来，由于地区经济飞速发展，合肥市2020年GDP首破万亿元，基础设施建设发展迅猛，不少新兴企业纷纷落脚合肥，使其获得“大湖名城、创新高地”的美誉。目前，合肥行政区划为4个市辖区、4个县和1个县级市，其中对GDP贡献最大的是4个直辖区：蜀山区、瑶海区、包河区和庐阳区。

企业A是合肥市内重要的企业，近几年发展较为迅速，由于业务范围的扩大和业务量的增加，企业A规划新建一个仓库。仓库选址对企业而言十分重要，仓库选址对商品流转速度和流通产生直接影响，并关系到企业对顾客的服务水平和服务质量，一旦选择不当，将给企业带来不良后果，而且难以改变。

因此，企业A高度重视仓库选址，并邀请了10位专家(记为e1，e2，e3,…，e10)来确定仓库选址的最佳方案，其中包括两位仓储部门专家(记为e9和e10)、四位运输部门专家(记为e5，e6，e7和e8)和四位企业内部销售专家(记为e1，e2，e3和e4)。经认真协商，确定了四项选址中心方案，可以表示为X={X1,X2,X3,X4}，具体如下所示：

X1：将企业A的新建仓储中心选定在瑶海区

X2：将企业A的新建仓储中心选定在蜀山区

X3：将企业A的新建仓储中心选定在包河区

X4：将企业A的新建仓储中心选定在庐阳区

为了找到最佳方案，需要经过公众数据收集及处理、专家分组及共识调节、权重确定及决策三大步骤。

4.1 公众数据收集及处理

4.1.1 收集相关公共社交媒体数据并形成公众意见矩阵

首先，将从新浪微博平台和企业/政府物流服务官网等处收集到的1030条原创评论作为原始数据。根据相关学者处理语言信息的方法对收集到的原始数据进行初步处理，处理措施主要包括断句、去除停顿词和非相关语句等。然后，根据公众对企业A仓库选址的不同关注角度，结合四种备选方案本身的性质进行分析，将提取出来的关键词大致归纳为四类:选址成本、居民环境因素、利民程度及市场因素。评价标准及相关关键词见表1。

表1 四种标准及其关键词

4.1.2 情感分析形成公众意见矩阵

对每条评论进行情感分析，判断1030条评论对四种不同方案在四个不同标准下的积极/消极态度，并求其正面/负面态度的百分比，以此作为公众意见矩阵的原始数据。最终得到的公众意见矩阵如表2所示。

表2 公众意见矩阵

4.2 专家分组及共识调节

4.2.1 对专家意见矩阵聚类并构建子组意见矩阵

根据10位专家在选址成本、居民环境因素、利民程度、市场因素四个标准下对四个备选方案评价的积极或消极的百分比(C1,C2,C3,C4)，形成专家意见矩阵。原始的专家意见矩阵如表3所示。

表3 原始专家意见矩阵

之后利用MATLAB 2018b版软件，对原始专家数据进行系统聚类，将10位专家分为3个子组(E1,E2,E3)。系统聚类法(自下而上)的基础是先将聚类的专家意见各自看成一类，然后确定类与类间的相似统计量，并选择最接近的两类或若干个类合并成一个新类，计算新类与其他各类间的相似性统计量，再选择最接近的两类或若干类合并成一个新类，直到所有的专家意见原始数据都合并成一类为止，分组结果如表4所示。

表4 系统聚类结果

4.2.2 计算子组共识度及更新子组意见

在物流中心选址问题上，由于专业领域和专业背景不同，专家们的意见很难达到完全一致。换句话说，即使是10位专家，要获得大多数专家满意的决策结果并不容易。在这种情况下，群体共识水平将无法达到本方案预设的最低可接受共识阈值0.7。此时，需要通过子组的一致性迭代来提高群体共识水平。群体共识水平的测量主要基于子组之间的相似性。

首先计算四个标准下两两子组之间的平均差异，再计算四个标准汇总之后的平均差异。子组之间的差异性可以利用距离来表示，具体如下：

令A=x,μA(x),vA(x),B=x,μB(x),vB(x)，根据公式(4)可以得到两两子组对各备选方案在四个不同标准下的共识度，将其进行简单算术平均后再根据公式(5)计算各组的综合共识水平，结果如下：CL(E1)为0.6822，CL(E2)为0.6824，CL(E3)为0.6762，因此选取最小的小组共识水平结果，即GCL=0.6762为最终的群共识水平结果。

由于第一次所得到的群共识水平为0.6762，小于所设定的共识阈值0.7，因此需要对原始公众矩阵进行迭代更新。三个子组中，E3的共识水平最低，其中E1和E3在C4标准下的差异较大，E2与E3在C1标准下的差异较大，所以对E3的分组意见进行适当修改。为保证专家意见的主体性，分组意见的修改幅度不得超过±5%，二次调节后的子组共识水平如下： CL(E1)为0.70054，CL(E2)为0.7037，CL(E3)为0.7019,因此选取最小的小组共识水平结果，即GCL=0.7005为最终的群共识水平结果。此时，群共识水平大于所设定的阈值0.7，无需再更新子组水平，群体共识已经基本实现。最终更新后的分组意见如表5所示。

表5 更新后的子组结果

4.3 权重确定及决策形成

4.3.1 标准权重确定及综合信息矩阵构建

公众中不同指标的标准权重由所收集到的1030条语言评论中四种标准关键词出现率占比决定。通过分析1030条评论，得到四种指标的权重为

W1=0.28，W2=0.25，W3=0.21，W4=0.26

假设每个专家在本决策问题意见的发表上都是绝对理性的，则专家对于四个指标的权重应当是均等的，对待四个指标都是公正的，则四个指标的权重为

w1=0.25，w2=0.25，w3=0.25，w4=0.25

根据更新后的专家意见矩阵(E1,E2,E3)、公众意见矩阵E*以及四种指标的标准权重，得到最终的综合信息如表6所示。

表6 备选方案综合信息矩阵

4.3.2 各决策机构权重的确定

设公众的权重占比为λ*，专家子组的占比分别为λ1、λ2、λ3，四个决策机构权重之和为1，则专家子组占比也可以表示为1-λ*。子组共识水平越大其可参考性也就越强，由此将子组共识水平与所设定的阈值0.7之间差值的大小作为评判子组权重的依据，则子组的权重大小可以大致判断为E2>E3>E1。

由于专业知识不足，公众在所有权重中的占比应当是最小的，并且即便是共识度最小的专家子组其在决策中的影响程度也应远远大于公众(这里假设专家的决策影响度至少为公众的2倍)，根据这些限制条件，可以解得：

λ*=0.042，λ1=0.085，λ2=0.582，λ3=0.291

4.3.3 产生最终决策

通过以上步骤可以获得最终的集体决策信息：

X1=<0.3539,0.4617>，X2=<0.4266,0.4068>，

X3=<0.6243,0.2572>，X4=<0.4940,0.2662>

根据IFN的得分函数，得到以下结果：

S(X1)=-0.1078，S(X2)=0.0198，

S(X3)=0.3671，S(X4)=0.2278

因此，备选方案可以排序为：X3>X4>X2>X1。

最好的选择是X3，即将企业A的新建仓储中心选定在包河区(X3)。

5 总结及展望

针对企业A在合肥市的物流中心选址问题，本文提出了一种融合专家和公众意见参与的大规模群决策新方法。本方法同样可运用于环境治理方案、绿色供应链管理、药品政府定价等需要听取专家意见和适度考虑公众意见的大规模群决策。

本文的主要贡献如下：①提出了考虑公众意见的公众参与方法来提高决策的满意度。对经过处理的原始数据进行关键词提取，利用情感分析形成公众意见矩阵，将其与专家决策融合。研究发现，该方法增加了公众对于合肥市物流中心选址决策造成的满意度，一定程度上避免了仅专家决策造成的疏漏和失误。②定义群体共识阈值，并基于子组间的相似性测量子组共识水平，根据阈值微调专家子组意见，更新子组水平以达到阈值。经过迭代更新，群体共识基本实现。③利用专家和公众群体共识度水平来度量两个不同决策群体的标准权重。考虑到决策群体权重之和为1，且公众专业知识的不足，公众在决策中的影响程度应该远远小于专家等限制条件，同时以各群体共识度水平的差异为主要决定因素，得出各决策群体的标准权重。

但本文也存在不足和局限：①进行专家子组意见更新时，适当调整了子组意见矩阵以达到更高的共识度，但即使是有调整幅度的限制，依然会有信息失真的可能。②进行各决策机构的标准权重确定时，出于实际情况和经验考虑，假设专家的决策影响度至少为公众的2倍，存在一定的不确定性。③本文主要考虑的是专家和公众共识水平的影响，但不排除有二者决策冲突的可能，并认为包含对专家与公众的容忍度、妥协水平以及不妥协等冲突情况的研究可以作为未来物流中心选址决策的方向。