裴 鑫

（南京工業(yè)大學(xué) 經(jīng)濟(jì)與管理學(xué)院，江蘇 南京 210009）

1 引言

由于環(huán)境管制、經(jīng)濟(jì)利益和商業(yè)驅(qū)動(dòng)等原因，企業(yè)日益重視逆向物流。由于逆向物流本身具有的高度不確定性、運(yùn)作的復(fù)雜性和實(shí)施的困難性，使得企業(yè)大多將逆向物流業(yè)務(wù)外包。實(shí)踐證明，合適的第三方物流服務(wù)商可以有效地降低物流成本、增加企業(yè)競(jìng)爭(zhēng)優(yōu)勢(shì)、樹(shù)立良好的企業(yè)形象。因此，如何選擇合適、高效的第三方逆向物流服務(wù)商成為企業(yè)的一項(xiàng)重要決策。

2 第三方逆向物流服務(wù)商評(píng)價(jià)方法研究現(xiàn)狀

如何選擇第三方逆向物流供應(yīng)商是企業(yè)開(kāi)展逆向物流實(shí)踐的關(guān)鍵問(wèn)題，也是專(zhuān)家學(xué)者關(guān)注的熱點(diǎn)問(wèn)題。而這一問(wèn)題的核心就是第三方逆向物流供應(yīng)商評(píng)價(jià)方法的選擇與確定。岳輝、陳宇[1]研究了如何建立指標(biāo)體系，并運(yùn)用層次分析法對(duì)備選的第三方逆向物流企業(yè)進(jìn)行評(píng)價(jià)。馬玉新[2]在分析傳統(tǒng)的供應(yīng)商評(píng)價(jià)選擇方法的基礎(chǔ)上，提出了一種基于案例推理的第三方逆向物流評(píng)價(jià)決策支持的模型框架。鐘學(xué)燕、葉懷珍等[3]建立相關(guān)評(píng)價(jià)指標(biāo)體系，并且基于三角模糊數(shù)和模糊層次分析法對(duì)第三方逆向物流企業(yè)進(jìn)行評(píng)價(jià)。吳楠[4]應(yīng)用了加權(quán)模糊聚類(lèi)對(duì)第三方逆向物流供應(yīng)商進(jìn)行評(píng)優(yōu)。劉佳[5]運(yùn)用灰色關(guān)聯(lián)分析法對(duì)第三方逆向物流服務(wù)商進(jìn)行評(píng)價(jià)選擇。曹慶奎、張京華[6]引入基于M(1，2，3)的隸屬度轉(zhuǎn)換算法，通過(guò)信息熵定義指標(biāo)區(qū)分權(quán)，清除指標(biāo)隸屬度中對(duì)目標(biāo)分類(lèi)的冗余值并提取有效值，逐級(jí)實(shí)現(xiàn)隸屬度的轉(zhuǎn)換，最終實(shí)現(xiàn)對(duì)第三方逆向物流服務(wù)商綜合實(shí)力總目標(biāo)的評(píng)價(jià)。李珍萍、靳陽(yáng)飛[7]根據(jù)第三方逆向物流供應(yīng)商的基本情況建立了比較完善的評(píng)價(jià)指標(biāo)體系，并給出了利用TOPSIS方法評(píng)價(jià)第三方逆向物流供應(yīng)商的基本步驟。李曉莉[8]針對(duì)第三方逆向物流供應(yīng)商評(píng)價(jià)過(guò)程中的指標(biāo)冗余、指標(biāo)權(quán)重的確定需要直接賦權(quán)和信息不確定性等問(wèn)題，提出一種基于粗糙集的灰色TOPSIS 法，使評(píng)價(jià)結(jié)果更加科學(xué)合理。劉秋生、王秀竹等[9]運(yùn)用G1 法結(jié)合熵值法對(duì)指標(biāo)體系進(jìn)行組合賦權(quán)，建立了基于熵值修正G1組合賦權(quán)的評(píng)價(jià)模型。

不難發(fā)現(xiàn)，在已有的第三方逆向物流供應(yīng)商評(píng)價(jià)研究中，評(píng)價(jià)方法日益多元化。早期，最常見(jiàn)的是模糊分析法。但是，模糊分析法不能解決評(píng)價(jià)指標(biāo)間相關(guān)造成的評(píng)價(jià)信息重復(fù)問(wèn)題；各因素權(quán)重的確定帶有一定的主觀性；在某些情況下隸屬函數(shù)的確定有一定困難。近期，TOPSIS 法日益受到關(guān)注。TOPSIS 法是一種有限方案多目標(biāo)決策的綜合評(píng)價(jià)方法，在對(duì)原始數(shù)據(jù)進(jìn)行同趨勢(shì)和歸一化的處理后，它消除了不同指標(biāo)量綱的影響，并能充分利用原始數(shù)據(jù)的信息。所以，TOPSIS法能充分反映各方案之間的差距，客觀真實(shí)地反映實(shí)際情況，具有真實(shí)、直觀、可靠的優(yōu)點(diǎn)。而且，該方法對(duì)樣本資料無(wú)特殊要求，具有普遍適用性。

需要強(qiáng)調(diào)的是，很多學(xué)者往往只重視評(píng)價(jià)方法的選擇，而忽視了評(píng)價(jià)指標(biāo)的賦權(quán)問(wèn)題。眾多文獻(xiàn)直接選擇了層次分析法進(jìn)行賦權(quán)，甚至在沒(méi)有任何說(shuō)明的情況下，直接給出了權(quán)重。這種輕視權(quán)重的研究，直接影響了第三方逆向物流供應(yīng)商評(píng)價(jià)結(jié)果的科學(xué)性和可信度。已有文獻(xiàn)中，也僅僅只有1篇文獻(xiàn)考慮到了權(quán)重的選擇，而采取了G1 方法進(jìn)行賦權(quán)。但是，G1方法具有標(biāo)度人為確定、缺少客觀標(biāo)準(zhǔn)等缺點(diǎn)。

本文擬采用G2方法進(jìn)行賦權(quán)，G2方法不同于一般意義上的主觀賦權(quán)，是在信息與風(fēng)險(xiǎn)都不確定的情況下，給予評(píng)價(jià)指標(biāo)一個(gè)分值范圍，然后通過(guò)定量計(jì)算，得出一個(gè)權(quán)重。該方法具有方法靈活、便于推廣而且能反映專(zhuān)家風(fēng)險(xiǎn)意識(shí)等特點(diǎn)。將G2 和TOPSIS 法相結(jié)合，既解決了TOPSIS 方法中權(quán)重信息是事先給定的缺點(diǎn)，也使評(píng)價(jià)結(jié)果更加真實(shí)可信。

3 基于“功能驅(qū)動(dòng)”原理的G2賦權(quán)法簡(jiǎn)述

G2賦權(quán)法是一種更面向?qū)嶋H應(yīng)用的區(qū)間映射賦權(quán)法，由東北大學(xué)郭亞軍教授首創(chuàng)。與其他主觀賦權(quán)法相比，G2賦權(quán)法具有方法靈活、便于推廣、能充分反映專(zhuān)家風(fēng)險(xiǎn)意識(shí)等特點(diǎn)，從而改變了專(zhuān)家進(jìn)行主觀賦值時(shí)往往由于信息不足而不能給出確定數(shù)值的不足。

G2賦權(quán)法的相關(guān)定義與定理如下：

設(shè)專(zhuān)家在評(píng)價(jià)指標(biāo)集{xj} 中挑選出他認(rèn)為是最不重要的一個(gè)且只一個(gè)指標(biāo)并記為xjm，這時(shí)，不妨將m個(gè)指標(biāo)x1，x2，…，xm重新標(biāo)記為xj1，xj2，…，xjm，其中xjk為{xj} 中的某一個(gè)指標(biāo)。顯然，指標(biāo)集{xjk} 與{xj} 是一一對(duì)應(yīng)的。

設(shè)專(zhuān)家根據(jù)有關(guān)信息對(duì)評(píng)價(jià)指標(biāo)xjk與指標(biāo)xjm關(guān)于某準(zhǔn)則的重要性程度之比rkm作出理性判斷，即令：

式中ak＞0，取am=1。

在有些情況下，專(zhuān)家對(duì)ak進(jìn)行主觀賦值時(shí)，由于信息的不足而沒(méi)有把握賦予ak一個(gè)確切的數(shù)值，但又不能放棄。也就是說(shuō)，不能肯定地對(duì)ak賦予一個(gè)且只一個(gè)確定的數(shù)值，但卻有把握給出ak的一個(gè)取值范圍。

實(shí)數(shù)有界閉集[d1,d2]={x|d1≤x≤d2,x∈R} 稱(chēng)為閉區(qū)間。也可以把閉區(qū)間看成是由它的端點(diǎn)d1 和d2 組成的一對(duì)有序數(shù)，稱(chēng)為區(qū)間數(shù)，通常用D表示。對(duì)于D=[d1,d2] ，分別稱(chēng)e(D)=d2-d1，n(D)=(d1+d2)/2，為D的區(qū)間寬度和區(qū)間中點(diǎn)。當(dāng)n(D)=0 時(shí)，D為對(duì)稱(chēng)區(qū)間。 對(duì)于D1=[d11,d21] ，D2=[d12,d22] ，則 規(guī) 定D1+D2=[d11+d12,d21+d22] 。 稱(chēng)映射φε(D)=n(D)+εe(D)為具有專(zhuān)家風(fēng)險(xiǎn)態(tài)度的區(qū)間映射函數(shù)，其中ε為風(fēng)險(xiǎn)態(tài)度因子（||ε≤1/2）。對(duì)于保守型專(zhuān)家，取-1/2 ≤ε≤0；對(duì)于中立型專(zhuān)家，取ε=0；對(duì)于風(fēng)險(xiǎn)型專(zhuān)家，取0 ＜ε≤1/2。對(duì)于指定的專(zhuān)家，ε為已知數(shù)。

設(shè)專(zhuān)家根據(jù)有關(guān)信息對(duì)評(píng)價(jià)指標(biāo)xjk與指標(biāo)xjm關(guān)于某準(zhǔn)則的重要性程度之比rkm給出一個(gè)區(qū)間數(shù)Dk，即給出rkm的取值區(qū)間：

其中d1k≤d2k，d2m=d1m=1。

4 基于G2賦權(quán)TOPSIS方法的具體步驟

TOPSIS（Technique for Order Preference by Similarity to an Ideal Solution）法由C.L.Hwang 和K.Yoon 于1981 年首次提出。TOPSIS法指借助各方案與“理想解”和“負(fù)理想解”之間的距離大小來(lái)排序的決策方法?！袄硐虢狻钡母鱾€(gè)指標(biāo)值就是各備選方案中的最優(yōu)值?！柏?fù)理想解”的各個(gè)指標(biāo)值就是各備選方案中的最壞值。逼近理想解的排序方法就是通過(guò)計(jì)算方案集中的每個(gè)方案與理想解及負(fù)理想解的距離，找出盡可能接近理想解而同時(shí)又遠(yuǎn)離負(fù)理想解的方案，距離最大值對(duì)應(yīng)的方案就是最優(yōu)方案。該方法的具體步驟分為八步：

第一步：根據(jù)G2 方法計(jì)算出評(píng)價(jià)指標(biāo)相對(duì)應(yīng)的權(quán)重，構(gòu)成權(quán)重矩陣B。

第二步：設(shè)有m個(gè)目標(biāo)（有限個(gè)目標(biāo)），n個(gè)屬性，專(zhuān)家對(duì)其中第i 個(gè)目標(biāo)的第j 個(gè)屬性的評(píng)估值為xij則初始判斷矩陣V為：

第三步：由于各個(gè)指標(biāo)的量綱可能不同，需要對(duì)決策矩陣進(jìn)行歸一化處理：

其中：

第四步：形成加權(quán)判斷矩陣：

第五步：根據(jù)加權(quán)判斷矩陣獲取評(píng)估目標(biāo)的正負(fù)理想解：

正理想解：

負(fù)理想解：

其中，J*為效益型指標(biāo)，J'為成本型指標(biāo)。

第六步：計(jì)算各目標(biāo)值與理想值之間的歐氏距離：

第七步：計(jì)算各個(gè)目標(biāo)的相對(duì)貼近度：

第八步：依照相對(duì)貼近度的大小對(duì)目標(biāo)進(jìn)行排序，形成決策依據(jù)。相對(duì)貼近度越大，決策方案越貼近正理想解，方案越優(yōu)。

5 算例分析

為了說(shuō)明上述方法在評(píng)價(jià)第三方逆向物流服務(wù)商的應(yīng)用情況，下面以算例的形式解釋如何通過(guò)G2法賦予評(píng)價(jià)指標(biāo)權(quán)重，以及如何使用TOPSIS法對(duì)候選的第三方逆向物流服務(wù)商進(jìn)行評(píng)價(jià)。在定量計(jì)算之前，首先要確定評(píng)價(jià)指標(biāo)。

評(píng)價(jià)指標(biāo)體系的合理建立是評(píng)價(jià)成功與否的關(guān)鍵因素。在建立指標(biāo)體系時(shí)，應(yīng)遵循以下原則：首先，指標(biāo)既不能太多也不能過(guò)簡(jiǎn)，應(yīng)能反映評(píng)價(jià)的主要內(nèi)容，涵蓋評(píng)價(jià)對(duì)象的重要信息，符合評(píng)價(jià)的目的；其次，各個(gè)指標(biāo)反映的內(nèi)容之間不能相互重疊，各層指標(biāo)間層次分明；最后，指標(biāo)的有關(guān)數(shù)據(jù)應(yīng)該便于收集整理。在遵循評(píng)價(jià)指標(biāo)選擇原則下，對(duì)國(guó)內(nèi)相關(guān)文獻(xiàn)進(jìn)行檢索，得出評(píng)價(jià)指標(biāo)體系見(jiàn)表1。

表1 第三方逆向物流服務(wù)商評(píng)價(jià)指標(biāo)體系

假設(shè)有A，B，C 三家備選服務(wù)商，邀請(qǐng)相關(guān)專(zhuān)家對(duì)已列舉的15個(gè)評(píng)價(jià)指標(biāo)分別進(jìn)行打分，考慮專(zhuān)家對(duì)風(fēng)險(xiǎn)的態(tài)度而沒(méi)辦法給出一個(gè)確切數(shù)字，因而給出分值范圍，參考文獻(xiàn)[7]，數(shù)據(jù)見(jiàn)表2。

第一步：根據(jù)所打分?jǐn)?shù)區(qū)間，運(yùn)用G2 賦權(quán)法計(jì)算評(píng)價(jià)指標(biāo)權(quán)重。

使用式（1）得出評(píng)價(jià)指標(biāo)權(quán)重，已知該專(zhuān)家風(fēng)險(xiǎn)態(tài)度因子為ε=1/4。計(jì)算結(jié)果見(jiàn)表3。

得到權(quán)重矩陣B：

表2 專(zhuān)家打分分值范圍及指標(biāo)評(píng)估值

表3 評(píng)價(jià)指標(biāo)權(quán)重?cái)?shù)值表

得出評(píng)價(jià)指標(biāo)權(quán)重后，利用TOPSIS法計(jì)算評(píng)價(jià)候選服務(wù)商。

第二步：建立初始判斷矩陣V。

第三步：對(duì)初始判斷矩陣進(jìn)行歸一化處理，得到V'。

第四步：處理后的矩陣乘上權(quán)重矩陣得出加權(quán)判斷矩陣Z。

第五步：得出正理想解為：

負(fù)理想解為：

第六步：利用式（3）、式（4）分別計(jì)算各目標(biāo)值與理想值之間的歐氏距離，得：

第七步：根據(jù)得出的歐氏距離，利用式（5）計(jì)算出各個(gè)目標(biāo)的相對(duì)貼近度。

第八步：從計(jì)算結(jié)果可以看出，服務(wù)商B的相對(duì)貼近度最大，為0.951 030。說(shuō)明B服務(wù)商在三家候選服務(wù)商中，提供的服務(wù)水平最高。因此，應(yīng)該選擇B 服務(wù)商作為首選的第三方逆向物流服務(wù)商。

本方法充分考慮了專(zhuān)家打分的風(fēng)險(xiǎn)性以及有關(guān)信息的不確定性，將專(zhuān)家的主觀偏好與客觀信息進(jìn)行了有機(jī)結(jié)合，更大程度上確保了評(píng)價(jià)的合理性。而利用本方法與文獻(xiàn)[7]的評(píng)價(jià)結(jié)果是一致的，因而具有一定的說(shuō)服力，能夠證明本文的方法是有效可用的。

[1]岳輝,陳宇.第三方逆向物流決策研究[J].物流技術(shù),2004,(6):38-40.

[2]馬玉新.第三方逆向物流評(píng)價(jià)決策支持系統(tǒng)探討[J].安裝,2004,(12):47-49.

[3]岳輝,鐘學(xué)燕,葉懷珍.第三方逆向物流企業(yè)的模糊評(píng)價(jià)研究[J].軟科學(xué),2005,(5):39-42.

[4]吳楠.加權(quán)模糊聚類(lèi)在第三方逆向物流供應(yīng)商選擇中的應(yīng)用[J].現(xiàn)代經(jīng)濟(jì)：現(xiàn)代物業(yè)中旬刊，2010,(10):33-35.

[5]劉佳.第三方逆向物流企業(yè)選擇與評(píng)價(jià)研究[J].中國(guó)市場(chǎng),2011,(11):48-50.

[6]曹慶奎，張京華.基于隸屬度轉(zhuǎn)換的第三方逆向物流服務(wù)商評(píng)價(jià)[J].河北工程大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,(9):79-82.

[7]李珍萍，靳陽(yáng)飛.TOPSIS在第三方逆向物流服務(wù)供應(yīng)商評(píng)價(jià)中的應(yīng)用[J].物流技術(shù),2013,(8):179-181.

[8]李曉莉.基于粗糙集的灰色TOPSIS 法的第三方逆向物流供應(yīng)商評(píng)價(jià)研究[J].科技管理研究,2013,(14):67-71.

[9]劉秋生,王秀竹,侯云章.基于熵值的第三方逆向物流供應(yīng)商評(píng)價(jià)研究[J].科技管理研究,2013,(10):179-182.

[10]郭亞軍.綜合評(píng)價(jià)理論與方法[M].北京:科學(xué)出版社,2008.