貨物查詢
全國(guó)咨詢熱線400-663-9099
全國(guó)咨詢熱線400-663-9099
隨著農(nóng)業(yè)物流快速發(fā)展，農(nóng)產(chǎn)品冷鏈物流的市場(chǎng)需求持續(xù)增長(zhǎng)， 但如何更好地提升企業(yè)冷鏈物流的效率仍是農(nóng)業(yè)發(fā)展所遇到的一大難題。因此，對(duì)農(nóng)產(chǎn)品冷鏈物流企業(yè)績(jī)效進(jìn)行評(píng)價(jià)，能夠較為清楚地了解企業(yè)所面臨的發(fā)展形勢(shì)，同時(shí)，也能夠找到企業(yè)管理中的問(wèn)題[1]。
為了提高企業(yè)經(jīng)濟(jì)效益，本文主要從財(cái)務(wù)效益的角度出發(fā)設(shè)計(jì)評(píng)價(jià)指標(biāo)體系， 將傳統(tǒng)的縱向分析與橫向綜合分析與逐步式探究方法相結(jié)合，研究與農(nóng)產(chǎn)品冷鏈物流企業(yè)績(jī)效評(píng)價(jià)相關(guān)的指標(biāo)。
為了保證指標(biāo)的科學(xué)性，并為后期預(yù)測(cè)打下良好的基礎(chǔ)，選取指標(biāo)主要基于目標(biāo)性、代表性、可量化、靜態(tài)指標(biāo)與動(dòng)態(tài)指標(biāo)的結(jié)合。
目標(biāo)性評(píng)價(jià)指標(biāo)體系要以提高企業(yè)核心競(jìng)爭(zhēng)力，以公司的社會(huì)效益和經(jīng)濟(jì)效益的提升作為最終目的，該指標(biāo)起著決定性作用；代表性指選取指標(biāo)要較為全面地反映物流所有環(huán)節(jié)[2];可量化指為了便于后期在人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用，可作為輸入層數(shù)據(jù)使用，指標(biāo)數(shù)據(jù)能夠獲取并能進(jìn)行量化；靜態(tài)和動(dòng)態(tài)相結(jié)合原則指同時(shí)考慮企業(yè)發(fā)展短期目標(biāo)及農(nóng)產(chǎn)品冷鏈物流企業(yè)的長(zhǎng)期發(fā)展趨勢(shì)，因?yàn)檗r(nóng)產(chǎn)品冷鏈物流企業(yè)的運(yùn)營(yíng)模式并不是一個(gè)靜態(tài)過(guò)程，而是一個(gè)從生鮮農(nóng)產(chǎn)品生產(chǎn)至配送的動(dòng)態(tài)、長(zhǎng)期、復(fù)雜的過(guò)程。
在研究過(guò)程中，查閱了主要關(guān)于農(nóng)產(chǎn)品冷鏈物流方面績(jī)效評(píng)價(jià)的相關(guān)指標(biāo)，包括文獻(xiàn)
基于科學(xué)的指標(biāo)選取原則及充分的政策和文獻(xiàn)解讀，最終建立一套包括3層評(píng)價(jià)指標(biāo)體系，用5個(gè)維度考察農(nóng)產(chǎn)品冷鏈物流企業(yè)綜合績(jī)效。最后形成的指標(biāo)體系如表1所示。
指標(biāo)名稱 |
具體描述 | 量化方式 |
| 客戶增長(zhǎng)率C11 | 主要客戶銷售增長(zhǎng)額/年度銷售總額 | |
客戶維度 |
客戶占比率C12 | 主要客戶的銷售收入/總營(yíng)業(yè)額 |
| 客戶依賴度C13 | 前5名客戶年度銷售額占比/5×100% | |
| 冷藏車?yán)寐?span style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent;">C21 | 運(yùn)輸費(fèi)用/銷售費(fèi)用 | |
冷鏈運(yùn)作維度 |
冷鏈設(shè)備使用率C22 | 設(shè)備的年折舊率 |
| 冷鏈生產(chǎn)量比C23 | 生產(chǎn)人數(shù)/總?cè)藬?shù) | |
| 是否有環(huán)境認(rèn)證C31 | 是為2,否為1,不適用為0 | |
綠色環(huán)保維度 |
是否重點(diǎn)排污單位C32 | 是為2,否為1,不適用為0 |
| 研發(fā)投入率C41 | 研發(fā)投入/營(yíng)業(yè)收入 | |
科技發(fā)展維度 |
技術(shù)人員占比C42 | 研發(fā)人數(shù)/總?cè)藬?shù)量100% |
| 高學(xué)歷人員占比C43 | 本科人數(shù)/總?cè)藬?shù)員工數(shù)量×100% | |
| 營(yíng)業(yè)利潤(rùn)率C51 | 凈利潤(rùn)/總營(yíng)收 | |
財(cái)務(wù)維度 |
凈利潤(rùn)率C52 | 凈利潤(rùn)/總營(yíng)收 |
所選用的評(píng)價(jià)樣本來(lái)源于國(guó)泰安數(shù)據(jù)庫(kù)和巨潮資訊網(wǎng)，具體信息主要是從物流企業(yè)公開(kāi)披露的《企業(yè)年報(bào)》獲取和整理的。通過(guò)分析近幾年上市農(nóng)產(chǎn)品冷鏈物流企業(yè)的數(shù)據(jù)，在構(gòu)建農(nóng)產(chǎn)品冷鏈物流企業(yè)利潤(rùn)率預(yù)測(cè)體系的基礎(chǔ)上，將得到量化后的三級(jí)指標(biāo)用于評(píng)價(jià)農(nóng)產(chǎn)品冷鏈物流企業(yè)。
按之前確定的5個(gè)維度的三級(jí)指標(biāo)項(xiàng)的實(shí)際數(shù)值，8家公司(A～H)2019年三級(jí)指標(biāo)的原始數(shù)據(jù)如表2所示。
指標(biāo) |
公司 |
|||||||
A |
B | C | D | E | F | G | H | |
C11 |
21.66 | 1.25 | 2.18 | -1.42 | 15.45 | 1.11 | -2.97 | -0.95 |
C12 |
52.94 | 74.61 | 2.64 | 5.63 | 24.85 | 22.44 | 24.19 | 17.16 |
C13 |
0 | 0 | 3.02 | 0.95 | 0 | 0 | 0.11 | 0 |
C21 |
9.50 | 9.70 | 9.50 | 8.71 | 9.50 | 9.50 | 9.50 | 9.00 |
C22 |
35.48 | 62.79 | 5.40 | 71.69 | 55.07 | 58.35 | 45.68 | 76.76 |
C23 |
16.13 | 2.33 | 0.00 | 12.71 | 25.21 | 15.13 | 7.65 | 7.93 |
C31 |
0 | 0 | 2.00 | 2.00 | 2.00 | 1.00 | 2.00 | 1.00 |
C32 |
0 | 0 | 2.00 | 2.00 | 2.00 | 2.00 | 2.00 | 1.00 |
C41 |
0.00 | 10.47 | 4.00 | 4.59 | 0.01 | 11.98 | 32.76 | 3.84 |
C42 |
12.90 | 11.63 | 4.16 | 4.05 | 20.46 | 10.73 | 43.95 | 4.61 |
C43 |
72.69 | 44.20 | 63.90 | 59.43 | 30.70 | 46.96 | 53.36 | 49.09 |
C51 |
6.04 | 6.59 | 3.98 | 2.08 | 0.13 | 0.50 | -150.12 | 5.96 |
C52 |
4.91 | 5.40 | 3.00 | 1.43 | 0.34 | 0.49 | -174.36 | 5.31 |
輸出層的實(shí)際績(jī)效值是通過(guò)熵權(quán)法先對(duì)指標(biāo)進(jìn)行賦權(quán)，然后根據(jù)權(quán)重和各項(xiàng)指標(biāo)值計(jì)算績(jī)效得分，即實(shí)際績(jī)效值。
設(shè)有n家公司和m個(gè)評(píng)價(jià)指標(biāo)，Xij的含義是第i家公司的第j個(gè)指標(biāo)(i=1,2,3,…,n;j=1,2,3,…,m)的值。計(jì)算過(guò)程如下。
(1) 計(jì)算出第j個(gè)指標(biāo)下第i家企業(yè)的特征比重：
(2) 第j項(xiàng)指標(biāo)的熵值：
(3) 計(jì)算差異性系數(shù)：
(4) 權(quán)重值Wj:
(5) 績(jī)效得分值S:
在遺傳神經(jīng)網(wǎng)絡(luò)模型中，各指標(biāo)評(píng)價(jià)指標(biāo)值作為輸入值，通過(guò)以上公式計(jì)算的績(jī)效得分作為輸出值，在訓(xùn)練之前，數(shù)據(jù)要經(jīng)過(guò)歸一化處理過(guò)程，使各對(duì)應(yīng)值在[0,1]之間，以提升訓(xùn)練效率。
主要將遺傳算法與BP人工神經(jīng)網(wǎng)絡(luò)算法進(jìn)行有機(jī)融合，用遺傳算法優(yōu)化BP人工神經(jīng)網(wǎng)絡(luò)算法，流程如圖1所示。
圖1包含了遺傳算法優(yōu)化以及原BP神經(jīng)網(wǎng)絡(luò)。整個(gè)算法優(yōu)化的重點(diǎn)包含群體的建立、個(gè)體適合度的計(jì)算、對(duì)選擇性的控制、突變和交叉計(jì)算[6]。本文重點(diǎn)呈現(xiàn)算法中關(guān)于誤差計(jì)算的過(guò)程、選擇的過(guò)程、變異計(jì)算過(guò)程，相關(guān)方法和重點(diǎn)計(jì)算過(guò)程[7]如下。
BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的誤差值決定了個(gè)體適應(yīng)度[9],適應(yīng)度值的計(jì)算公式如下：
式(6)中：k是系數(shù)；yi是第i個(gè)節(jié)點(diǎn)最后的期望值；oi是第i個(gè)節(jié)點(diǎn)的實(shí)際運(yùn)算值；n是輸出層的數(shù)量。
本文以輪盤賭算法作為選擇方法，它是基于適應(yīng)度比例的選擇方式，第i個(gè)個(gè)體選擇的概率值pi的計(jì)算方法為
式(7)、式(8)中：fi是個(gè)體i的適應(yīng)度，以k作為系部；N是r種群中個(gè)體數(shù)量。
變異的計(jì)算公式如下：
式(9)、式(10)中：aij是i個(gè)個(gè)體的第j個(gè)基因變異值；amax是基因aij最大的取值；amin是基因aij最小的取值；f(g)是一個(gè)隨機(jī)數(shù)，g用來(lái)標(biāo)識(shí)迭代的次數(shù)；Gmax是其極限進(jìn)化次數(shù)；r的取值范圍為[0,1]。
采用輸入層、隱藏層、輸出層3層拓?fù)浣Y(jié)構(gòu)，輸入層數(shù)據(jù)是經(jīng)過(guò)標(biāo)準(zhǔn)化處理后的評(píng)價(jià)指標(biāo)值，輸出值則是通過(guò)計(jì)算得出的績(jī)效值。其基本結(jié)構(gòu)如圖2所示。
隱層數(shù)的經(jīng)驗(yàn)計(jì)算公式[8]為
式(11)中：n與m分別是輸出的數(shù)量與輸入的數(shù)量；L是隱層數(shù)。當(dāng)然，可按精度要求與收斂要求進(jìn)行對(duì)應(yīng)的調(diào)整[9]。
評(píng)價(jià)模型的主要算法過(guò)程如下：
(1)錄入評(píng)價(jià)訓(xùn)練數(shù)據(jù)；
(2)對(duì)數(shù)據(jù)標(biāo)準(zhǔn)化處理；
(3)構(gòu)建人工神經(jīng)網(wǎng)絡(luò)；
(4)對(duì)遺傳算法進(jìn)行初始化；
(5)maxge=70; %設(shè)置迭代的次數(shù)；
(6)sizepo=20; %設(shè)置種群的規(guī)模；
(7)cross=[0.3]; %設(shè)置交叉的概率；
(8)mutation=[0.3]; %設(shè)置變異的概率；
(9)設(shè)置節(jié)點(diǎn)的數(shù)量；
(10)對(duì)種群進(jìn)行初始化；
(11)計(jì)算染色體適應(yīng)度；
(12)隨機(jī)初始化種群；
(13)individuals=Select(individuals, sizepo)%進(jìn)行選擇操作；
(14)individuals.chrom=Cross(cross, lenchrom, individuals.chrom, sizepo, bound); %進(jìn)行交叉操作；
(15)individuals.chrom=Mutation(pmutation, lenchrom, individuals.chrom, sizepo, i,maxge, bound); %進(jìn)行變異操作；
(16)Functionret=Mutation(pmutation, lenchrom, chrom, sizepop, num, maxgen, bound);%最優(yōu)閥值和權(quán)值賦予網(wǎng)絡(luò)；
(17)計(jì)算個(gè)體的適應(yīng)度。
圖3給出了學(xué)習(xí)誤差的變化。
本文采用的硬件測(cè)試平臺(tái)較好地滿足了算法需求，主機(jī)為惠普HSN-Q36C,采用了第12代智能英特爾酷睿i5處理器，CPU型號(hào)為i5-12500H,十二核心，4.5 GHz, 顯卡為GTX1660, 4 GB,GDDR6類型的獨(dú)立顯卡，內(nèi)存為64 GB,硬盤容量為512 GB。軟件仿真測(cè)試用MATLAB R2016a。
數(shù)據(jù)來(lái)源于國(guó)泰安數(shù)據(jù)庫(kù)和巨潮資訊網(wǎng)，每一條包含本文中所述C11至C52的對(duì)應(yīng)數(shù)據(jù)。通過(guò)對(duì)數(shù)據(jù)進(jìn)行清洗，將缺失數(shù)據(jù)和多余數(shù)據(jù)進(jìn)行舍棄，以作為不同算法預(yù)測(cè)的樣本。
通過(guò)本文中關(guān)于隱層數(shù)量計(jì)算的經(jīng)驗(yàn)公式可以嘗試用不同隱層數(shù)對(duì)程序進(jìn)行運(yùn)行，以便找到最優(yōu)隱層數(shù)。驗(yàn)證數(shù)據(jù)對(duì)比情況如表3所示。
隱層數(shù) |
3 | 4 | 5 | 6 | 7 |
最大誤差 |
0.141 | 0.095 | 0.071 | 0.089 | 0.112 |
訓(xùn)練步數(shù) |
655 | 481 | 285 | 370 | 461 |
經(jīng)過(guò)對(duì)比，當(dāng)隱層數(shù)為5時(shí)，誤差相對(duì)較小。運(yùn)用不同的方法和采用不同數(shù)量的樣本，評(píng)價(jià)的準(zhǔn)確性會(huì)有所不同，將BP神經(jīng)網(wǎng)絡(luò)和本文算法以及cart回歸樹(shù)[10]等3種方法進(jìn)行比較，準(zhǔn)確率數(shù)據(jù)如表4所示。
樣本數(shù)量 |
cart回歸樹(shù)/% | BP神經(jīng)網(wǎng)絡(luò)/% | 本文算法/% |
300 |
91.58 | 93.41 | 95.23 |
200 |
90.73 | 92.56 | 94.60 |
100 |
92.77 | 91.65 | 93.26 |
通過(guò)表4可以看出，在訓(xùn)練樣本不多時(shí)，每種方法的結(jié)果相差不是很大，而當(dāng)樣本數(shù)量相對(duì)較多時(shí)，本文算法表現(xiàn)較好。
經(jīng)過(guò)與其他常用方法進(jìn)行比較，同時(shí)結(jié)合本文算法結(jié)果分析，可以看出，本文提出的基于遺傳算法改進(jìn)的BP人工神經(jīng)網(wǎng)絡(luò)算法可以良好地評(píng)估農(nóng)產(chǎn)品領(lǐng)域的冷鏈物流公司的績(jī)效，預(yù)測(cè)結(jié)果相對(duì)準(zhǔn)確。在實(shí)際應(yīng)用過(guò)程中，當(dāng)發(fā)現(xiàn)評(píng)價(jià)結(jié)果不理想時(shí)，能對(duì)相關(guān)企業(yè)進(jìn)行預(yù)警，促使其及時(shí)調(diào)整經(jīng)營(yíng)策略。這充分體現(xiàn)了本文算法能對(duì)農(nóng)產(chǎn)品冷鏈物流企業(yè)生產(chǎn)經(jīng)營(yíng)起到積極作用。
同時(shí)，本文所設(shè)計(jì)農(nóng)產(chǎn)品冷鏈物流企業(yè)績(jī)效評(píng)價(jià)的指標(biāo)體系是基于其他文獻(xiàn)或是經(jīng)驗(yàn)總結(jié)得出的，農(nóng)產(chǎn)品冷鏈物流企業(yè)在實(shí)際生產(chǎn)經(jīng)營(yíng)中，可能會(huì)遇到其他不可預(yù)知的外界影響，這些也會(huì)對(duì)評(píng)價(jià)結(jié)果造成較大影響，所以后續(xù)的研究可以盡可能將其他影響因素考慮進(jìn)來(lái)，并調(diào)整算法的輸入樣本數(shù)據(jù)，使結(jié)果更加客觀。
此外，本文的研究樣本數(shù)據(jù)可能存在不足，包括數(shù)量較少以及涉及公司規(guī)模局限性等。因此在后期應(yīng)用過(guò)程中，會(huì)盡可能收集更多、更廣的企業(yè)樣本，以使得結(jié)果更加科學(xué)有效。
滬公網(wǎng)安備 31011202008041號(hào)
