摘 要：科學測度大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平有利于推動區(qū)域智慧物流的發(fā)展。文章在剖析大數(shù)據(jù)環(huán)境下智慧物流內(nèi)涵的基礎上構(gòu)建測度指標體系，運用AHP-EWM組合賦權(quán)模型測度2018—2020年我國31個地區(qū)智慧物流發(fā)展水平，并對其驅(qū)動因素、區(qū)域性差異進行分析，然后采用K-means聚類算法對各地區(qū)綜合得分及指標得分進行梯度格局劃分。研究表明：指標驅(qū)動作用存在差異性；區(qū)域智慧物流發(fā)展水平呈現(xiàn)東、中、東北和西部地區(qū)依次遞減；省域智慧物流發(fā)展優(yōu)劣各異，急須提高。

關鍵詞：智慧物流；大數(shù)據(jù)；測度；AHP-EWM

中圖分類號：F252.2 文獻標志碼：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

智慧物流是當今全球經(jīng)濟發(fā)展重要驅(qū)動力。智慧物流的測度不僅僅關乎效率和成本，更涉及到對環(huán)境持續(xù)發(fā)展的關注，以及對物流安全性和可持續(xù)性的考量。那么，我國大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平的現(xiàn)狀如何？驅(qū)動與阻礙智慧物流發(fā)展的因素有哪些？如何客觀構(gòu)建測度指標體系和測度模型進行測度？我國大數(shù)據(jù)環(huán)境下智慧物流發(fā)展區(qū)域差異和梯度格局劃分怎樣？準確把握這些問題有利于了解智慧物流發(fā)展的優(yōu)勢與不足，助力制定其未來發(fā)展的方向和策略，對推動物流行業(yè)的發(fā)展具有重要意義。

當前，有關物流業(yè)發(fā)展水平測度的研究成果豐富。針對區(qū)域?qū)用娴难芯浚鞯聦毜萚1]結(jié)合三類單一評價模型對我國西部地區(qū)2014—2015年區(qū)域物流發(fā)展水平進行組合評價，并使用引力模型研究省域物流發(fā)展之間的聯(lián)系。王琴梅等[2]用DEA模型對2004—2014年絲綢之路經(jīng)濟帶“核心區(qū)”的物流業(yè)效率進行評價。Ni S et al.[3]運用模糊層次分析法對山東省農(nóng)產(chǎn)品物流進行評價。針對國家層面的研究，馬鳴晴等[4]采用動態(tài)因子分析法，分別從橫縱兩個方向?qū)?014—2019年我國31個地區(qū)的智慧物流發(fā)展水平進行研究。張旭等[5]提出TOPSIS—云PDR多準則決策方法對我國省域2011—2020年綠色物流發(fā)展水平進行評價。羅瑞等[6]使用熵值法評價2015—2020年我國省域數(shù)字物流高質(zhì)量發(fā)展水平，并引入空間收斂模型對區(qū)域差異性以及空間收斂性進行研究。Du W et al.[7]通過多種物流形式探討怎樣構(gòu)建生態(tài)物流模式，提出通過CPSGA-BP神經(jīng)網(wǎng)絡模型科學、客觀地評估生態(tài)物流績效。此外，還有不少學者致力于對港口經(jīng)濟和物流企業(yè)的研究。魯渤等[8]運用逼近理想解排序法，分析了2006—2016年我國9大港口綜合競爭以及其腹地經(jīng)濟發(fā)展的協(xié)同機制。姜旭等[9]通過G1法和BP神經(jīng)網(wǎng)絡構(gòu)建綜合賦權(quán)模型，對我國2018年25家物流企業(yè)的績效進行評價。

現(xiàn)有文獻在理論和方法方面都已經(jīng)取得了較好的研究成果，但還存在以下不足：一是測度指標的選取具有主觀性，指標體系的構(gòu)建具有差異性。二是測度視角仍停留在傳統(tǒng)物流，只有少數(shù)學者針對智慧物流進行研究。鑒于此，本文從五個方面確定智慧物流發(fā)展水平的影響因子，構(gòu)建一套能客觀反映區(qū)域智慧物流發(fā)展水平的測度指標體系，運用AHP-EWM組合賦權(quán)模型對2018—2020年我國31個區(qū)域智慧物流發(fā)展水平進行測度，并對其驅(qū)動因素、區(qū)域性差異和梯度格局劃分進行分析。

1 大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平測度指標體系構(gòu)建

正確理解大數(shù)據(jù)環(huán)境下智慧物流的內(nèi)涵是科學構(gòu)建測度指標體系的前提。大數(shù)據(jù)環(huán)境下的智慧物流是指大數(shù)據(jù)技術與物流系統(tǒng)各個環(huán)節(jié)相結(jié)合，將業(yè)務數(shù)據(jù)化、信息化、簡易可視化，全面提升整個物流系統(tǒng)的智慧化水平，通過大數(shù)據(jù)技術與傳統(tǒng)物流業(yè)的結(jié)合達到提高運輸效率，減少物流成本的目的。因此，結(jié)合科學性、系統(tǒng)性、全面性、客觀性以及可操作性等原則，構(gòu)建客觀科學的測度指標體系如表1所示。

2 大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平測度模型

2.1 層次分析法（AHP）確定主觀權(quán)重

層次分析法的模型構(gòu)建步驟如下：

（1）建立測度指標體系

（2）構(gòu)造判斷矩陣

通過兩兩成對的比較，采用1～9標度法構(gòu)造判斷矩陣。

（3）層次單排序及一致性檢驗

層次單排序是指當前層級要素對上一層級要素的重要性，滿足關系式：

BW=λW （1）

判斷矩陣的一致性指標CI為：

CI= （2）

當CI=0時，指標具有充分的一致性，CI越趨近于0，一致性越強。為了有效衡量CI的大小，引入隨機一致性指標：

RI= （3）

RI的取值與判斷矩陣階數(shù)相關，RI在1～9階矩陣取值分別為0，0.58，0.90，1.12，1.24，1.32，1.41，1.45，1.49。

檢驗系數(shù)CR由CI與RI的比值計算得出：

CR= （4）

若CR<0.1，則通過一致性檢驗，而CR>0.1，表示一致性檢驗不通過，需要對判斷矩陣進行調(diào)整。

（4）層次總排序及一致性檢驗

指標層權(quán)重計算如下：

ω=ab （5）

層次總排序的檢驗系數(shù)CR為：

CR= （6）

當CR<0.1時，通過一致性檢驗。

2.2 熵權(quán)法（EWM）確定客觀權(quán)重

熵權(quán)法的模型構(gòu)建步驟如下：

（1）數(shù)據(jù)標準化；源數(shù)據(jù)去量綱化處理得到多屬性決策矩陣為A：

A=

x=

式中：x為第i個測度對象第j個測度指標的測度值，對矩陣A進行標準化處理：

對于正向指標：

y= （7）

對于負向指標：

y= （8）

（2）計算概率矩陣；計算第j項指標在第i個方案中占該指標的比重，也就是為了計算該指標的變異大?。?/p>

p= （9）

（3）計算各指標的信息熵；對于第j個測度指標而言，其熵值e為：

e=-pln

p （10）

式中：0≤e≤1，若p=0，則e=0。

（4）計算各指標權(quán)重；經(jīng)過標準化處理，得到第j個測度批標下的熵權(quán)值w為：

w= （11）

2.3 耦合主客觀權(quán)重的綜合權(quán)重

本文在考慮最小相對信息熵原理的基礎上采用拉格朗日乘子法進行綜合賦權(quán)，具體公式為：

w= ?; （12）

式中：α為層次分析法確定的主觀權(quán)重，β為熵權(quán)法所確定的客觀權(quán)重。

計算各評價對象的綜合評價值：

S=w*x， i=1，2，…，m （13）

本文具體組合模型如圖1所示。

3 實證分析

3.1 數(shù)據(jù)來源

數(shù)據(jù)來源于2019—2021年《中國統(tǒng)計年鑒》、國家統(tǒng)計局、《中國能源統(tǒng)計年鑒》、《中國大數(shù)據(jù)區(qū)域發(fā)展水平評估報告》等。在數(shù)據(jù)搜集中，由于西藏指標C26數(shù)據(jù)缺失，采用剩余30個樣本的均值填補缺失值。其中指標C（碳排放量）是通過對各省物流業(yè)能源消耗量計算得到。計算公式為：

C=E×η×θ （14）

式中：C為碳排放量，E為第i種能源消耗量，θ為第i種能源的折煤標準系數(shù)，η為第i種能源的碳排放系數(shù)。各種能源的碳排放系數(shù)η與折煤標準系數(shù)θ如表2所示。

3.2 大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平測度結(jié)果

3.2.1 指標權(quán)重計算

首先根據(jù)表1的測度指標體系，通過問卷調(diào)查形成判斷矩陣，再根據(jù)式（1）至式（6）確定基于層次分析法的主觀賦權(quán)權(quán)重α。然后結(jié)合源數(shù)據(jù)，通過式（7）至式（11）計算得到基于熵權(quán)法的客觀賦權(quán)權(quán)重β。最后通過公式（12）計算綜合賦權(quán)如表3所示。

3.2.2 測度結(jié)果計算

根據(jù)表3可得綜合權(quán)重w，將綜合權(quán)重代入式（13）計算出測度值如表4所示。

3.3 大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平測度結(jié)果分析

3.3.1 大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平驅(qū)動因素分析

由表3可計算一級指標權(quán)重的大小，即可得出各二級指標和一級指標對大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平的驅(qū)動力大小，由圖2可知，大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平指標驅(qū)動作用存在差異性；本文所采用的AHP-EWM組合賦權(quán)模型有效降低了由單一賦權(quán)模型所產(chǎn)生的極化效應。

3.3.2 大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平的區(qū)域性差異分析

由表4可知，省域大數(shù)據(jù)環(huán)境下智慧物流發(fā)展總體水平與其一級指標維度得分不一致。例如，北京總體水平、信息化指數(shù)、發(fā)展?jié)摿χ笖?shù)、大數(shù)據(jù)發(fā)展指數(shù)均位列前五名，但基礎設施指數(shù)卻跌到十名開外，甚至低碳綠色發(fā)展指數(shù)跌到20名。因此，進一步計算幾個地區(qū)智慧物流發(fā)展水平和各指標發(fā)展水平得分均值及其變異系數(shù)，如圖3所示。

由圖3可知，大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平呈現(xiàn)東部、中部、東北和西部地區(qū)發(fā)展水平均值依次遞減的趨勢，東部地區(qū)顯著高于其他三個地區(qū)，這是由于東部地區(qū)基礎設施完善度高，區(qū)域信息流通暢通，物流運行高效且迅速，且經(jīng)濟運行平穩(wěn)、發(fā)展迅速。而中、東北和西部地區(qū)目前正處于發(fā)展階段，智慧物流發(fā)展仍有較大的提高空間。從變異系數(shù)來看，中部地區(qū)的變異系數(shù)明顯高于其他三個地區(qū)，東部地區(qū)其次，這說明中部和東部兩個地區(qū)發(fā)展不平衡、不協(xié)調(diào)等問題突出，東北和西部兩地存在發(fā)展不完全、不充分等問題。

3.3.3 大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平的梯隊格局劃分

進一步運用K-means聚類對各地區(qū)大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平綜合得分以及各指標得分進行聚類分析，將總體測度值和各級指標測度值劃分為四個梯隊，表5中的數(shù)字代表劃分的梯度等級。

從表5可知，我國大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平極化現(xiàn)象嚴重，各地區(qū)大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平優(yōu)劣勢各異。第一梯隊的省份最少，第四梯隊的省份最多；總體水平梯度為東部地區(qū)占據(jù)第一、第二梯隊，中部地區(qū)大部分為第三梯隊、而西部和東北部地區(qū)大部分位于第四梯隊。

4 結(jié) 論

本文在剖析大數(shù)據(jù)環(huán)境下智慧物流內(nèi)涵的基礎上構(gòu)建測度指標體系，運用AHP-EWM組合賦權(quán)模型測度了2018—2020年我國31個區(qū)域的智慧物流發(fā)展水平，并對其驅(qū)動因素、區(qū)域性差異和梯度格局劃分進行分析，這是對區(qū)域智慧物流發(fā)展水平測度研究的有力補充，同時也為我國智慧物流發(fā)展方向和重點提供參考。本文主要結(jié)論如下：第一，與單一指標賦權(quán)模型相比，本文所采用的耦合主客觀權(quán)重賦權(quán)的AHP-EWM模型將主客觀賦權(quán)相結(jié)合，降低由單一賦權(quán)模型引起的極化效應。第二，各指標對我國大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平的驅(qū)動作用存在差異性。第三，我國大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平呈現(xiàn)東、中、東北和西部地區(qū)依次遞減的趨勢，東部、中部地區(qū)發(fā)展不平衡、不協(xié)調(diào)和西部、東北部地區(qū)發(fā)展不充分的問題較為突出。第四，我國大數(shù)據(jù)環(huán)境下區(qū)域智慧物流發(fā)展水平可劃分為四個梯度，區(qū)域發(fā)展水平極化現(xiàn)象嚴重，且區(qū)域智慧物流發(fā)展總體水平與指標得分水平表現(xiàn)不一致，智慧物流發(fā)展優(yōu)劣勢各異，第四梯隊省份最多，省域智慧物流發(fā)展水平有待提高。

參考文獻：

[1] 戴德寶，范體軍，安琪. 西部地區(qū)物流綜合評價與協(xié)調(diào)發(fā)展研究[J]. 中國軟科學，2018（1）：90-99.

[2] 王琴梅，張玉. 絲綢之路經(jīng)濟帶“核心區(qū)”物流業(yè)效率的綜合評價及比較[J]. 中國管理科學，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] 馬鳴晴，李從東，楊衛(wèi)明. 智慧物流發(fā)展水平的動態(tài)測評——基于中國省際面板數(shù)據(jù)的實證研究[J]. 科技管理研究，2022，42（13）：189-198.

[5] 張旭，呂明睿，張春雪，等. 高質(zhì)量發(fā)展背景下區(qū)域綠色物流水平評價及障礙因子[J]. 經(jīng)濟地理，2023，43（5）：139-149.

[6] 羅瑞，王琴梅. 數(shù)字物流高質(zhì)量發(fā)展水平區(qū)域差異及空間收斂性研究[J]. 統(tǒng)計與決策，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] 魯渤，邢戩，王乾，等. 港口競爭力與腹地經(jīng)濟協(xié)同機制面板數(shù)據(jù)分析[J]. 系統(tǒng)工程理論與實踐，2019，39（4）：1079-1090.

[9] 姜旭，胡雪芹. 基于組合賦權(quán)模型的物流企業(yè)績效評價指標體系構(gòu)建研究[J]. 管理評論，2020，32（8）：304-313.