基于因子分析的卷烟物流业务影响因素辨识研究

董梅?刘洋?蔡步方

摘 要：作为供应链中的重要一环，物流业务在运行过程中可能会受到各个环节多个因素的影响。本文拟通过对A烟草工业企业供应链业务流程的梳理，以及对现存的大量供应链数据进行分析，识别卷烟物流关键业务节点中对物流管理的影响因素，并基于因子分析模型，对影响因素进行相关性和权重分析，探索和建立影响因素分级体系，为未来物流管理和业务能力的提升提供可借鉴的思路。

关键词：卷烟物流；影响因素；分级体系

卷烟物流作为供应链中的重要环节，与营销、研发、生产及商业等互联互通。物流业务链条长、管理内容多而杂，涉及行业、公司、工厂级信息系统多，积累了大量历史数据。而供应链中业务节点与各信息系统数据关联性不清晰、协同交互关系尚不明确等问题依然存在。本文拟通过研究影响因素识别以及影响因素分级体系的搭建，帮助企业明确影响卷烟物流管理的关键因素，可有所侧重，重点突破，提高作业效率，有效提升物流管理水平。

一、卷烟物流关键业务环节辨识

明确关键业务环节是影响因素识别的基础。本文从卷烟物流核心业务流程入手，梳理各核心业务流程业务协同复杂或时间制约的环节，将这些环节定义为关键业务环节。

1.识别关键业务流程

通过卷烟物流各业务流程（销售发货业务、生产入库业务、厂际移库业务、厂内移库业务等）业务量、业务频率统计分析以及调研访谈，识别卷烟物流核心业务流程。

首先，采集卷烟物流各业务流程2021年1-12月历史数据，采用业务量、业务频率分析以及调研访谈的形式，识别业务活动中的关键业务流程。基于行业数据的保密性要求，这里不对具体数据进行展示。通过对卷烟物流各业务量和业务频率的统计，可以看出：卷烟销售发货和生产入库业务量和业务频率均比较高，其他业务的业务量和业务频率均较低。

2.识别关键业务环节

卷烟物流关键业务环节的确定主要是通过现场调研和关键工序法，找出影响某个业务流程的瓶颈环节，即关键业务节点。采用关键工序法，通过对卷烟销售发货作业流程上所有业务活动所占用时间及能力的测算，找出该业务流程的瓶颈环节，即关键业务环节。表1为卷烟物流销售业务作业工序及时间测算结果。

经分析，配车、扫码、装车与其他作业工序比，作业时间长。因此，卷烟销售发货业务关键工序为配车、扫码、装车，对应的作业环节为卷烟物流调度环节、发货环节。通过对卷烟物流业务核心业务流程和关键业务环节的辨识，卷烟物流业务共两个核心业务环节，分别为卷烟物流调度环节、卷烟发货环节。

二、卷烟物流影响因素辨识

根据专家访谈和影响因素的产生机理，本阶段将与卷烟物流供应链相关的影响因素分为“外生风险”与“内生风险”两类。其中，将疫情、限行、修路等外界不可抗力因素以及车辆故障、设备故障等不可控因素归纳为“外生因素”。这类因素之间的关联性不强，针对这些因素对业务的影响，应加强制度管理和制定相应的应急保障措施。需要说明的是，“外生因素”不在本文研究范畴。同时，将承运商、仓库作业能力等与业务具有强关联性的因素定义为“内生因素”。这类因素之间的业务关联性很强，而在管理上又无法覆盖。“内生因素”为本文重点分析的因素。通过量化这些业务因素，挖掘各业务因素之间的隐性关系，以及各业务因素对目标值及绩效考核的影响。最终，建立相应的管理措施，提升物流整體运营效率和管理水平。

三、卷烟物流影响因素分析

采集物流供应链关键环节数据，通过对数据的处理、分析，采用图表或相关性分析方法，判定各因子对关键业务环节的物流管理产生影响的强弱，即相关性分析。通过相关性分析，筛选出与关键业务环节物流运行相关性较强的因子，将其定义为影响因素。

1.相关性分析模型构建

当有两个或者两个以上的因素对因变量产生影响时，可以用多因素方差分析的方法来进行分析。多因素方差分析也称为“多向方差分析”，使用场景为：在有两个或两个以上因素对因变量产生影响时，其与单因素方差分析原理基本一致，即运用方差比较的方法，通过假设检验方法来判断业务环节中的多个因素是否对因变量产生显著影响。在进行多因素方差分析时，因为影响因变量的因子有多个，某些因子除自身对因变量产生影响外，由于各因子本身也存在关联，因子之间也可能共同对因变量产生影响。在多因素方差分析中，把因子单独对因变量产生的影响称为“主效应”，把因子之间共同对因变量产生的影响，或者因素某些水平同时出现时，除主效应之外的额外影响，称为“交互效应”。多因素方差分析不但要考虑单个因子的主效应，通常还需考虑因子间的交互效应。因此，方差分析的模型建立如下：因变量=因素1主效应+因素2主效应+…+因素n主效应+因素交互效应1+因素交互效应2+…+因素交互效应m+随机误差。

2.相关性分析结果

数据采集区间为2021年1月1日至2021年12月31日，数据来源包括物流系统、营销系统、在途系统、一号工程系统等，共计200440条原始数据。采用多因素方差分析模型对卷烟物流调度与发货环节的因素进行分析，经对卷烟物流调度环节11个变量综合分析，结合方差分析原理，将p值小于0.05的因素定义为影响因素。因协议客户与发货地相似，这里将两个因子合并为发货地。因此，与卷烟调度相关的因子为承运商、发货地、到达地、营销开票时间、要求到货时间、合同数量、合同牌号，经对卷烟发货环节5个变量综合分析，结合方差分析原理，将p值小于0.05的因素定义为影响因素。因此，与发货相关的因子为发货仓库、合同牌号、营销计划。

四、卷烟物流影响因素分级体系构建

1.权重分析模型构建

决策树法适用于在数据信息可靠的情况下，计算各影响因子的权重。本文所涉及的权重分析模型基于决策树搭建，归其原因为它作为各种复杂组合算法的基础，作为非技术人员也非常容易理解其结构。

本文中涉及的多数目标变量为连续变量，因此这里简单介绍回归树模型。假设X、Y分别是输入变量、输出变量，且Y是连续型数据，给定训练数据集。一个回归树对应特征空间的一个划分以及在划分单元上的输出值。这里假设已经把输入空间划分为M个单元R1，R2，…，RM，且在每个单元Rm上都有一个固定输出值cm，因此回归树模型可表达为

在输入空间划分确定的情况下，可以用平方误差表示回归树对于训练数据的预测误差，并用平方误差最小的原则来求解每个单元上的最佳输出值。可以得到，单元Rm上的cm的最优值是Rm上所有输入实例xi对应的输出yi的均值，即

=ave（yi|xi∈Rm）

所以，怎样对输入空间进行合理划分，可以运用启发式算法，其步骤如下所示：

（1） 选择第j个变量x（j）和其值s，作为分割变量、分割点，并且定义两个区域：

和

其次找寻最优分割变量j与最优分割点s。具体地求解为：

对于固定输入变量j，可以找到其最优分割点s：

=ave（yi|xi∈R1（j， s） ）和 =ave（yi|xi∈R2（j， s） ）

轮询所有的输入变量，直到找到最优分割变量j，并构成一个对（j， s）。

（2） 采用选定的对（j， s）划分区域并且决定相应的输出值：

和 ，

，

（3） 继续对两个子区域调用步骤（1） 、（2） ，直至满足条件。

（4） 将输入空间划分为M个区域R1，R2，…，RM，并生成回归树：

这样的回归树通常被称为最小二乘回归树[4]（least squares regression tree）。

2.权重分析结论

基于上述对影响因素的辨识以及决策树模型分析，卷烟物流调度环节和发货环节影响因素权重分析结果如下表2所示。

3.影响因素分级体系构建

基于上述影响因素的权重分析结果，采用帕累托法则，并结合帕累托图对影响因素划分等级。帕累托法则的应用原理为：通常情况下，数据的绝大多数存在于很少的类别中，极少剩余数据存在于大部分类别中。帕累托图在业务应用中主要用来找出产生大多数问题的关键原因，运用较少的资源来解决大多数问题。

在本文中，依据帕累托法则，上述影响因素的分类原则为：（1） 累计权重占比在0%-80%区间，称主要因素，记A类；（2） 累计权重占比在80%-90%区间，称次要因素，记B类；（3） 累计权重占比在90%-100%区间，称一般因素，记C类。

在卷烟物流调度环节，要求到货时间、合同数量、到达地、合同牌号累计权重系数为71.09%，在0-80%区间，定义为主要因素，记A类；合同牌号累计权重系数在80%-90%区间，定义为次要因素，记B类；承运商、营销开票时间、发货点累计权重系数在90%-100%区间，定义一般因素，记C类。在卷烟物流发货环节中，发货仓库权重系数为44.48%，在0-80%区间，定义为主要因素，记A类；营销计划权重系数为38.51%，累计权重系数为82.98%，接近于80%，且单一因素权重系数较大，定义为主要因素，记A类；卷烟牌号累计权重系数主要分布在80%-100%区间，定义为次要因素，记B类。

五、结语

本文以“关键业务环节辨识-影响因素辨识-影响因素分析-影响因素分级体系构建”为研究思路，结合调研访谈、关键工序法、帕累托法则及数据分析模型等，辨识影响卷烟物流业务的核心影响因素。

通过本文的研究，一方面可以明确影响卷烟物流管理的所有影响因素，为未来公司物流中心和各卷烟厂的进一步研究和物流管理改革升级提供思路和理论支撑；另一方面，通过影响因素分级体系的建立，通过对关键因素的辨识，有助于指导物流中心在特殊时期为保证物流能力的提升进行主要精力和资源的调配，并提前制定应对措施。

参考文献：

[1]陈洁.基于因子分析的港口服务供应链关键风险因素识别[J].中国储运，2021（9）：98-99.

[2]张芳.基于DEMATEL的物流服务供应链发展关键因素识别方法研究[D].昆明：昆明理工大学，2013.34-35.

[3]周思益.基于多类别权重标签模糊决策树的核素识别方法研究[D].昆明：西南科技大学，2022：28-30.

[4]张瑞敏，杨晓英.基于SEM-CM的装备制造业供应链物流协同评价方法[J].计算机应用与软件.2022，39（6）： 61-69.

[5]赵国利，肖涵方.基于因子分析法的四川省农产品冷链物流发展水平研究[J].现代农业.2022，（5）：68-72.

作者简介：董梅（1972.03— ），女，汉，山东省德州市人，本科，物流中心一级助理/助理工程师，河南中烟工業有限责任公司，研究方向：物流信息化；刘洋（1983.01— ），男，汉族，河南省叶县人，研究生，信息中心二级助理/工程师，河南中烟工业有限责任公司，研究方向：物流信息化；蔡步方（1979.01— ），男，汉族，河南省郑州市人，本科，物流中心一级助理/经济师，河南中烟工业有限责任公司，研究方向：物流管理。