大数据环境下智慧物流发展水平测度研究

摘 要：科学测度大数据环境下智慧物流发展水平有利于推动区域智慧物流的发展。文章在剖析大数据环境下智慧物流内涵的基础上构建测度指标体系，运用AHP-EWM组合赋权模型测度2018—2020年我国31个地区智慧物流发展水平，并对其驱动因素、区域性差异进行分析，然后采用K-means聚类算法对各地区综合得分及指标得分进行梯度格局划分。研究表明：指标驱动作用存在差异性；区域智慧物流发展水平呈现东、中、东北和西部地区依次递减；省域智慧物流发展优劣各异，急须提高。

关键词：智慧物流；大数据；测度；AHP-EWM

中图分类号：F252.2 文献标志码：A

DOI：10.13714/j.cnki.1002-3100.2024.19.005

Abstract： Scientific measurement of the development level of intelligent logistics under big data environment is conducive to promoting the development of regional intelligent logistics. Based on the analysis of the connotation of intelligent logistics in the big data environment， this paper constructs a measurement index system， measures the level of intelligent logistics development in 31 regions of China from 2018 to 2020 by using the AHP-EWM combined empowerment model， and analyzes the driving factors， regional differences， and then the K-means clustering algorithm was used to classify the gradient patterns of the composite scores and indicator scores in each region. The results show that： The driving effect of the indicators is different; the level of regional intelligence logistics development in the Eastern， Middle， Northeast and West areas is decreasing; the advantages and disadvantages of intelligent logistics development in provinces are different， and it is urgent to improve.

Key words： intelligent logistics system; big data; measure; AHP-EWM

0 引 言

智慧物流是当今全球经济发展重要驱动力。智慧物流的测度不仅仅关乎效率和成本，更涉及到对环境持续发展的关注，以及对物流安全性和可持续性的考量。那么，我国大数据环境下智慧物流发展水平的现状如何？驱动与阻碍智慧物流发展的因素有哪些？如何客观构建测度指标体系和测度模型进行测度？我国大数据环境下智慧物流发展区域差异和梯度格局划分怎样？准确把握这些问题有利于了解智慧物流发展的优势与不足，助力制定其未来发展的方向和策略，对推动物流行业的发展具有重要意义。

当前，有关物流业发展水平测度的研究成果丰富。针对区域层面的研究，戴德宝等[1]结合三类单一评价模型对我国西部地区2014—2015年区域物流发展水平进行组合评价，并使用引力模型研究省域物流发展之间的联系。王琴梅等[2]用DEA模型对2004—2014年丝绸之路经济带“核心区”的物流业效率进行评价。Ni S et al.[3]运用模糊层次分析法对山东省农产品物流进行评价。针对国家层面的研究，马鸣晴等[4]采用动态因子分析法，分别从横纵两个方向对2014—2019年我国31个地区的智慧物流发展水平进行研究。张旭等[5]提出TOPSIS—云PDR多准则决策方法对我国省域2011—2020年绿色物流发展水平进行评价。罗瑞等[6]使用熵值法评价2015—2020年我国省域数字物流高质量发展水平，并引入空间收敛模型对区域差异性以及空间收敛性进行研究。Du W et al.[7]通过多种物流形式探讨怎样构建生态物流模式，提出通过CPSGA-BP神经网络模型科学、客观地评估生态物流绩效。此外，还有不少学者致力于对港口经济和物流企业的研究。鲁渤等[8]运用逼近理想解排序法，分析了2006—2016年我国9大港口综合竞争以及其腹地经济发展的协同机制。姜旭等[9]通过G1法和BP神经网络构建综合赋权模型，对我国2018年25家物流企业的绩效进行评价。

现有文献在理论和方法方面都已经取得了较好的研究成果，但还存在以下不足：一是测度指标的选取具有主观性，指标体系的构建具有差异性。二是测度视角仍停留在传统物流，只有少数学者针对智慧物流进行研究。鉴于此，本文从五个方面确定智慧物流发展水平的影响因子，构建一套能客观反映区域智慧物流发展水平的测度指标体系，运用AHP-EWM组合赋权模型对2018—2020年我国31个区域智慧物流发展水平进行测度，并对其驱动因素、区域性差异和梯度格局划分进行分析。

1 大数据环境下智慧物流发展水平测度指标体系构建

正确理解大数据环境下智慧物流的内涵是科学构建测度指标体系的前提。大数据环境下的智慧物流是指大数据技术与物流系统各个环节相结合，将业务数据化、信息化、简易可视化，全面提升整个物流系统的智慧化水平，通过大数据技术与传统物流业的结合达到提高运输效率，减少物流成本的目的。因此，结合科学性、系统性、全面性、客观性以及可操作性等原则，构建客观科学的测度指标体系如表1所示。

2 大数据环境下智慧物流发展水平测度模型

2.1 层次分析法（AHP）确定主观权重

层次分析法的模型构建步骤如下：

（1）建立测度指标体系

（2）构造判断矩阵

通过两两成对的比较，采用1～9标度法构造判断矩阵。

（3）层次单排序及一致性检验

层次单排序是指当前层级要素对上一层级要素的重要性，满足关系式：

BW=λW （1）

判断矩阵的一致性指标CI为：

CI= （2）

当CI=0时，指标具有充分的一致性，CI越趋近于0，一致性越强。为了有效衡量CI的大小，引入随机一致性指标：

RI= （3）

RI的取值与判断矩阵阶数相关，RI在1～9阶矩阵取值分别为0，0.58，0.90，1.12，1.24，1.32，1.41，1.45，1.49。

检验系数CR由CI与RI的比值计算得出：

CR= （4）

若CR<0.1，则通过一致性检验，而CR>0.1，表示一致性检验不通过，需要对判断矩阵进行调整。

（4）层次总排序及一致性检验

指标层权重计算如下：

ω=ab （5）

层次总排序的检验系数CR为：

CR= （6）

当CR<0.1时，通过一致性检验。

2.2 熵权法（EWM）确定客观权重

熵权法的模型构建步骤如下：

（1）数据标准化；源数据去量纲化处理得到多属性决策矩阵为A：

A=

x=

式中：x为第i个测度对象第j个测度指标的测度值，对矩阵A进行标准化处理：

对于正向指标：

y= （7）

对于负向指标：

y= （8）

（2）计算概率矩阵；计算第j项指标在第i个方案中占该指标的比重，也就是为了计算该指标的变异大小：

p= （9）

（3）计算各指标的信息熵；对于第j个测度指标而言，其熵值e为：

e=-pln

p （10）

式中：0≤e≤1，若p=0，则e=0。

（4）计算各指标权重；经过标准化处理，得到第j个测度批标下的熵权值w为：

w= （11）

2.3 耦合主客观权重的综合权重

本文在考虑最小相对信息熵原理的基础上采用拉格朗日乘子法进行综合赋权，具体公式为：

w=  ; （12）

式中：α为层次分析法确定的主观权重，β为熵权法所确定的客观权重。

计算各评价对象的综合评价值：

S=w*x， i=1，2，…，m （13）

本文具体组合模型如图1所示。

3 实证分析

3.1 数据来源

数据来源于2019—2021年《中国统计年鉴》、国家统计局、《中国能源统计年鉴》、《中国大数据区域发展水平评估报告》等。在数据搜集中，由于西藏指标C26数据缺失，采用剩余30个样本的均值填补缺失值。其中指标C（碳排放量）是通过对各省物流业能源消耗量计算得到。计算公式为：

C=E×η×θ （14）

式中：C为碳排放量，E为第i种能源消耗量，θ为第i种能源的折煤标准系数，η为第i种能源的碳排放系数。各种能源的碳排放系数η与折煤标准系数θ如表2所示。

3.2 大数据环境下智慧物流发展水平测度结果

3.2.1 指标权重计算

首先根据表1的测度指标体系，通过问卷调查形成判断矩阵，再根据式（1）至式（6）确定基于层次分析法的主观赋权权重α。然后结合源数据，通过式（7）至式（11）计算得到基于熵权法的客观赋权权重β。最后通过公式（12）计算综合赋权如表3所示。

3.2.2 测度结果计算

根据表3可得综合权重w，将综合权重代入式（13）计算出测度值如表4所示。

3.3 大数据环境下智慧物流发展水平测度结果分析

3.3.1 大数据环境下智慧物流发展水平驱动因素分析

由表3可计算一级指标权重的大小，即可得出各二级指标和一级指标对大数据环境下智慧物流发展水平的驱动力大小，由图2可知，大数据环境下智慧物流发展水平指标驱动作用存在差异性；本文所采用的AHP-EWM组合赋权模型有效降低了由单一赋权模型所产生的极化效应。

3.3.2 大数据环境下智慧物流发展水平的区域性差异分析

由表4可知，省域大数据环境下智慧物流发展总体水平与其一级指标维度得分不一致。例如，北京总体水平、信息化指数、发展潜力指数、大数据发展指数均位列前五名，但基础设施指数却跌到十名开外，甚至低碳绿色发展指数跌到20名。因此，进一步计算几个地区智慧物流发展水平和各指标发展水平得分均值及其变异系数，如图3所示。

由图3可知，大数据环境下智慧物流发展水平呈现东部、中部、东北和西部地区发展水平均值依次递减的趋势，东部地区显著高于其他三个地区，这是由于东部地区基础设施完善度高，区域信息流通畅通，物流运行高效且迅速，且经济运行平稳、发展迅速。而中、东北和西部地区目前正处于发展阶段，智慧物流发展仍有较大的提高空间。从变异系数来看，中部地区的变异系数明显高于其他三个地区，东部地区其次，这说明中部和东部两个地区发展不平衡、不协调等问题突出，东北和西部两地存在发展不完全、不充分等问题。

3.3.3 大数据环境下智慧物流发展水平的梯队格局划分

进一步运用K-means聚类对各地区大数据环境下智慧物流发展水平综合得分以及各指标得分进行聚类分析，将总体测度值和各级指标测度值划分为四个梯队，表5中的数字代表划分的梯度等级。

从表5可知，我国大数据环境下智慧物流发展水平极化现象严重，各地区大数据环境下智慧物流发展水平优劣势各异。第一梯队的省份最少，第四梯队的省份最多；总体水平梯度为东部地区占据第一、第二梯队，中部地区大部分为第三梯队、而西部和东北部地区大部分位于第四梯队。

4 结 论

本文在剖析大数据环境下智慧物流内涵的基础上构建测度指标体系，运用AHP-EWM组合赋权模型测度了2018—2020年我国31个区域的智慧物流发展水平，并对其驱动因素、区域性差异和梯度格局划分进行分析，这是对区域智慧物流发展水平测度研究的有力补充，同时也为我国智慧物流发展方向和重点提供参考。本文主要结论如下：第一，与单一指标赋权模型相比，本文所采用的耦合主客观权重赋权的AHP-EWM模型将主客观赋权相结合，降低由单一赋权模型引起的极化效应。第二，各指标对我国大数据环境下智慧物流发展水平的驱动作用存在差异性。第三，我国大数据环境下智慧物流发展水平呈现东、中、东北和西部地区依次递减的趋势，东部、中部地区发展不平衡、不协调和西部、东北部地区发展不充分的问题较为突出。第四，我国大数据环境下区域智慧物流发展水平可划分为四个梯度，区域发展水平极化现象严重，且区域智慧物流发展总体水平与指标得分水平表现不一致，智慧物流发展优劣势各异，第四梯队省份最多，省域智慧物流发展水平有待提高。

参考文献：

[1] 戴德宝，范体军，安琪. 西部地区物流综合评价与协调发展研究[J]. 中国软科学，2018（1）：90-99.

[2] 王琴梅，张玉. 丝绸之路经济带“核心区”物流业效率的综合评价及比较[J]. 中国管理科学，2016，24（S1）：152-157.

[3] NI S， LIN Y， LI Y， et al. An evaluation method for green logistics system design of agricultural products： A case study in Shandong Province， China[EB/OL]. （2019）[2023-10-05]. https：//xueshubaidu.com/usercenter/paper/show？paperid.

[4] 马鸣晴，李从东，杨卫明. 智慧物流发展水平的动态测评——基于中国省际面板数据的实证研究[J]. 科技管理研究，2022，42（13）：189-198.

[5] 张旭，吕明睿，张春雪，等. 高质量发展背景下区域绿色物流水平评价及障碍因子[J]. 经济地理，2023，43（5）：139-149.

[6] 罗瑞，王琴梅. 数字物流高质量发展水平区域差异及空间收敛性研究[J]. 统计与决策，2022，38（17）：109-113.

[7] DU W， ZHOU X， WANG C， et al. Research on ecological logistics evaluation model based on BCPSGA-BP neural network[J]. Multimedia Tools and Applications， 2019，78：30271-30295.

[8] 鲁渤，邢戬，王乾，等. 港口竞争力与腹地经济协同机制面板数据分析[J]. 系统工程理论与实践，2019，39（4）：1079-1090.

[9] 姜旭，胡雪芹. 基于组合赋权模型的物流企业绩效评价指标体系构建研究[J]. 管理评论，2020，32（8）：304-313.