摘要：針對C2C電子商務物流企業(yè)選擇的問題，提出一種結(jié)合信息熵、AHP以及TOPSIS的改進算法，將定性和定量兩方面的分析方法相結(jié)合，既包含了物流企業(yè)的既往表現(xiàn)數(shù)據(jù)，又結(jié)合了用戶的個性化需求，并通過實驗數(shù)據(jù)證明了該改進算法的可行性，還可以用于多目標決策等方面。

關(guān)鍵詞：物流企業(yè)選擇 信息熵 AHP TOPSIS

一、前言

C2C電子商務目前已成為我國電子商務的一個重要組成部分，知名研究咨詢機構(gòu)IDC與阿里巴巴集團研究中心于2012年3月發(fā)布的白皮書顯示，2011年中國網(wǎng)民在線購物交易額達到7849.3億元，比2010年增長了66%。僅在2011年的“雙十一”當天的促銷中，淘寶全網(wǎng)銷售達到了52億元，此次電子商務熱潮使得物流的配送鏈條險些崩潰，頻頻出現(xiàn)物流爆倉現(xiàn)象，造成了許多網(wǎng)購客戶的不滿。由此可見物流服務是支撐C2C電子商務的支柱，如何選擇最佳的物流企業(yè)已經(jīng)成為了一個刻不容緩的問題。

評價物流企業(yè)的研究方法有許多，主要分為定性分析和定量分析。定性分析主要是以分析人員的主觀評判為依據(jù)，但人為評判偏差較大，如德爾菲法、二項系數(shù)法、AHP等；定量分析是純粹依據(jù)對數(shù)據(jù)的分析，而許多人為因素不能較好地反映出來，如主成分分析法、信息熵、聚類、TOPSIS等。

本文結(jié)合信息熵、AHP層次分析方法和TOPSIS方法，首先利用信息熵從定量方面對決策矩陣的原始數(shù)據(jù)進行處理，得到信息熵權(quán)重，然后由C2C電子商務賣家對各項指標的重要性進行對比，利用AHP層次分析法從定性方面對評分矩陣進行定性分析，獲得用戶的個人喜好和個性化需求，最后運用TOPSIS方法結(jié)合以上兩個方面的分析權(quán)重選擇最為合適的物流企業(yè)。

二、指標權(quán)重

（一）指標信息熵確定的權(quán)重w*j

在信息理論中，熵值越大，表示數(shù)據(jù)分布越集中，不確定性也越?、佟Ｔ谖锪髌髽I(yè)各個指標的比較中，信息熵值越大，表示該指標蘊含的信息越多，對物流企業(yè)的選擇越重要。假設(shè)選取m個物流企業(yè)的n項指標來評價其服務水平，則其中第j項指標的信息熵值為：■，其中k＝（lnm）-1。Zij是標準化的決策矩陣Z中的元素。第j項指標的權(quán)重為：■

（二）指標 AHP層次分析法確定的權(quán)重w＾j

AHP層次分析法是一種定性與定量相結(jié)合的、系統(tǒng)化、層次化的分析方法，它的特點是能夠?qū)⒍ㄐ缘膯栴}定量化②。本文使用AHP方法將C2C電子商務賣家對物流企業(yè)的各指標間重要性比較的問題定量化，分析得到其個性化需求權(quán)重。

1、評分矩陣：C2C電子商務賣家對各指標重要性的評分矩陣為：Y＝{yij}，其中yij∈{1，2，…9}。

2、計算評分矩陣Y每行元素之積：Mi＝Пnj=1yij， i＝1，2，…n

3、計算Mi的n次方根■，i＝1，2，…n

4、將Ni歸一化得到權(quán)重向量 ■，i＝1，2，…n

5、計算一致性指標：■

6、計算一致性比率：■

7、檢驗：若CR＜0.1，則滿足檢驗，因此AHP所得權(quán)重為：■。否則調(diào)整評分矩陣，重復步驟（1）至（7），直至滿足檢驗條件。

（三）指標的總加權(quán)權(quán)重

各指標的總加權(quán)權(quán)重為：

■

三、改進的TOPSIS方法

TOPSIS方法是一種逼近理想解的排序方法，TOPSIS方法的基本思想為：先尋找一個理想的最佳方案和最差方案，然后計算現(xiàn)實中的方案兩者之間的距離，最后利用理想解的相對接近度作為綜合評估的標準③。

改進的TOPSIS方法步驟為：

（一）初始化決策矩陣。m個物流企業(yè)的n個評價指標的初始化決策矩陣為X。

（二）標準化決策矩陣。由于原始決策矩陣中各評價指標的量綱不盡相同，為了增加可比性，需要對決策矩陣進行標準化處理，得到標準化決策矩陣Z。

（三）加權(quán)評價決策矩陣。各指標的總加權(quán)權(quán)重為：

■

則總加權(quán)決策矩陣為：V＝wj*Z

（四）計算S+、S-、S*、Di+和Di*④⑤。評價指標可以分為兩類，即成本型指標和效益型指標。成本型指標又稱負向指標，該指標數(shù)值越小則對目標越好。效益型指標又稱正向指標，該指標數(shù)值越大則對目標越優(yōu)，因此在選擇最優(yōu)值向量S+和最劣值向量S-時應區(qū)別對待，即：

■

虛擬最劣值向量S*＝{Ｓj*｜j＝1，2，…n}，其中Ｓj*＝2Ｓj-－Ｓj+， j＝1，2，…n。

利用歐幾里德公式計算評價值與最優(yōu)值集合及虛擬最劣值的評價值集合之間的距離Di+和Di*：

■，（i＝1，2，...，m），vij是加權(quán)評價價值決策矩陣V中的元素；■，（i＝1，2，...，m），vij是加權(quán)評價價值決策矩陣V中的元素。

（五）計算各物流企業(yè)的TOPSIS評價值與最優(yōu)值的相對接近度錯誤！未找到引用源：

■，（i＝1，2，...，m）

（六）依據(jù)相對接近度的大小對物流企業(yè)進行排序，選擇Ci 值最大的物流企業(yè)。

四、實驗數(shù)據(jù)

本文選取常用物流快遞作為實驗對象，原始數(shù)據(jù)如表1所示。

（一）傳統(tǒng)信息熵加權(quán)的TOPSIS算法

通過上述公式對標準化后的矩陣進行計算，各指標的信息熵權(quán)重為： w*j＝｛0.2150666，0.2124467，

0.1896519，0.2157233，0.1671115｝

計算信息熵加權(quán)評價決策矩陣，最終得到各供應商相對接近度Ci 為：Ci＝｛0.57549，

0.62991， 0.70115， 0.16500，

0.52783，0.86260｝，其中選取相對接近度最大的最為合適，即C6＝0.86260，說明郵政EMS快遞公司是最優(yōu)的選擇。

從以上傳統(tǒng)的信息熵加權(quán)TOPSIS算法計算過程中可以看到，其中涉及的所有計算數(shù)據(jù)均為固定的物流企業(yè)已有數(shù)據(jù)，因此通過TOPSIS算法得出的選擇結(jié)果始終是相同的，即郵政EMS快遞公司。這樣的結(jié)果不具備針對性，顯然是不能滿足C2C電子商務中賣家對物流企業(yè)的選擇要求。

（二）改進的TOPSIS算法

首先，計算出各指標的信息熵值和信息熵權(quán)重。

請C2C電子商務賣家對各評判指標的重要性進行相互比較評分，得到評分矩陣，見表2。

計算得一致性檢驗CR＝0.05837＜0.1，滿足檢驗條件，因此AHP分析的權(quán)重為■。

總加權(quán)權(quán)重wj為：wj＝｛0.4939381， 0.1405619， 0.2457246，

0.0881791，0.0315962｝，計算總加權(quán)決策矩陣，得到各物流企業(yè)的相對接近度Ci為：Ci＝｛0.67716，0.79278，

0.76096，0.15217，0.56476，0.79198｝，其中最大值為C2＝0.79278，說明圓通快遞公司是符合要求最優(yōu)的選擇。改進后的TOPSIS方法中的權(quán)重部分引入了C2C電子商務賣家對各指標的重要性比較，實驗數(shù)據(jù)證明其具有較好的改進效果。

根據(jù)上述兩個比較試驗可以看出，本文的方法能夠根據(jù)C2C電子商務賣家的不同偏好選擇合適的物流企業(yè)。比如針對注重快遞配送速度的客戶和注重節(jié)約快遞成本的客戶，將會推薦出不同的物流企業(yè)供其選擇?，F(xiàn)有的C2C電子商務平臺已具備了一部分物流企業(yè)選擇的功能，比如淘寶網(wǎng)，但是其僅僅是根據(jù)價格進行由低到高的簡單排序，以供賣家參考，本文對于C2C電子商務平臺中賣家物流企業(yè)選擇功能的改進提出了一種可行的方法，具備較強的實踐意義。

參考文獻：

①尹志紅，鹿強，崔立麗．基于信息熵和灰局勢決策的第三方物流供應商選擇[J]. 物流管理， 2010（10）：18—19

②黃利瑩，張文靜．基于AHP與Delphi法的供應商選擇研究[J]．物流工程與管理，2010（8）:130—136

③韓慶元，湯軍社，王紅艷．基于改進AHP的供應商評價與選擇研究[J]. 企業(yè)管理與信息化，2009（11）：11—14

④楊保安，張科靜．多目標決策分析理論、方法與應用研究[M].上海：華東大學出版社：60—68，2008

⑤Blanchard， David. How to Select a Third Party Logistics Provider[J]. Industry Week， 5:78-80，2008

（宋賀，1986年生，山東省乳山市人，天津財經(jīng)大學碩士研究生。研究方向：信息管理與信息系統(tǒng)）