摘 要：科學(xué)測(cè)度大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平有利于推動(dòng)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(chǔ)上構(gòu)建測(cè)度指標(biāo)體系，運(yùn)用AHP-EWM組合賦權(quán)模型測(cè)度2018—2020年我國(guó)31個(gè)地區(qū)智慧物流發(fā)展水平，并對(duì)其驅(qū)動(dòng)因素、區(qū)域性差異進(jìn)行分析，然后采用K-means聚類算法對(duì)各地區(qū)綜合得分及指標(biāo)得分進(jìn)行梯度格局劃分。研究表明：指標(biāo)驅(qū)動(dòng)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(guān)鍵詞：智慧物流；大數(shù)據(jù)；測(cè)度；AHP-EWM

中圖分類號(hào)：F252.2 文獻(xiàn)標(biāo)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(dāng)今全球經(jīng)濟(jì)發(fā)展重要驅(qū)動(dòng)力。智慧物流的測(cè)度不僅僅關(guān)乎效率和成本，更涉及到對(duì)環(huán)境持續(xù)發(fā)展的關(guān)注，以及對(duì)物流安全性和可持續(xù)性的考量。那么，我國(guó)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(dòng)與阻礙智慧物流發(fā)展的因素有哪些？如何客觀構(gòu)建測(cè)度指標(biāo)體系和測(cè)度模型進(jìn)行測(cè)度？我國(guó)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(zhǔn)確把握這些問(wèn)題有利于了解智慧物流發(fā)展的優(yōu)勢(shì)與不足，助力制定其未來(lái)發(fā)展的方向和策略，對(duì)推動(dòng)物流行業(yè)的發(fā)展具有重要意義。

當(dāng)前，有關(guān)物流業(yè)發(fā)展水平測(cè)度的研究成果豐富。針對(duì)區(qū)域?qū)用娴难芯?，戴德寶等[1]結(jié)合三類單一評(píng)價(jià)模型對(duì)我國(guó)西部地區(qū)2014—2015年區(qū)域物流發(fā)展水平進(jìn)行組合評(píng)價(jià)，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(duì)2004—2014年絲綢之路經(jīng)濟(jì)帶“核心區(qū)”的物流業(yè)效率進(jìn)行評(píng)價(jià)。Ni S et al.[3]運(yùn)用模糊層次分析法對(duì)山東省農(nóng)產(chǎn)品物流進(jìn)行評(píng)價(jià)。針對(duì)國(guó)家層面的研究，馬鳴晴等[4]采用動(dòng)態(tài)因子分析法，分別從橫縱兩個(gè)方向?qū)?014—2019年我國(guó)31個(gè)地區(qū)的智慧物流發(fā)展水平進(jìn)行研究。張旭等[5]提出TOPSIS—云PDR多準(zhǔn)則決策方法對(duì)我國(guó)省域2011—2020年綠色物流發(fā)展水平進(jìn)行評(píng)價(jià)。羅瑞等[6]使用熵值法評(píng)價(jià)2015—2020年我國(guó)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(duì)區(qū)域差異性以及空間收斂性進(jìn)行研究。Du W et al.[7]通過(guò)多種物流形式探討怎樣構(gòu)建生態(tài)物流模式，提出通過(guò)CPSGA-BP神經(jīng)網(wǎng)絡(luò)模型科學(xué)、客觀地評(píng)估生態(tài)物流績(jī)效。此外，還有不少學(xué)者致力于對(duì)港口經(jīng)濟(jì)和物流企業(yè)的研究。魯渤等[8]運(yùn)用逼近理想解排序法，分析了2006—2016年我國(guó)9大港口綜合競(jìng)爭(zhēng)以及其腹地經(jīng)濟(jì)發(fā)展的協(xié)同機(jī)制。姜旭等[9]通過(guò)G1法和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建綜合賦權(quán)模型，對(duì)我國(guó)2018年25家物流企業(yè)的績(jī)效進(jìn)行評(píng)價(jià)。

現(xiàn)有文獻(xiàn)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(cè)度指標(biāo)的選取具有主觀性，指標(biāo)體系的構(gòu)建具有差異性。二是測(cè)度視角仍停留在傳統(tǒng)物流，只有少數(shù)學(xué)者針對(duì)智慧物流進(jìn)行研究。鑒于此，本文從五個(gè)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(cè)度指標(biāo)體系，運(yùn)用AHP-EWM組合賦權(quán)模型對(duì)2018—2020年我國(guó)31個(gè)區(qū)域智慧物流發(fā)展水平進(jìn)行測(cè)度，并對(duì)其驅(qū)動(dòng)因素、區(qū)域性差異和梯度格局劃分進(jìn)行分析。

1 大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平測(cè)度指標(biāo)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(xué)構(gòu)建測(cè)度指標(biāo)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(shù)與物流系統(tǒng)各個(gè)環(huán)節(jié)相結(jié)合，將業(yè)務(wù)數(shù)據(jù)化、信息化、簡(jiǎn)易可視化，全面提升整個(gè)物流系統(tǒng)的智慧化水平，通過(guò)大數(shù)據(jù)技術(shù)與傳統(tǒng)物流業(yè)的結(jié)合達(dá)到提高運(yùn)輸效率，減少物流成本的目的。因此，結(jié)合科學(xué)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(xué)的測(cè)度指標(biāo)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(cè)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(cè)度指標(biāo)體系

（2）構(gòu)造判斷矩陣

通過(guò)兩兩成對(duì)的比較，采用1～9標(biāo)度法構(gòu)造判斷矩陣。

（3）層次單排序及一致性檢驗(yàn)

層次單排序是指當(dāng)前層級(jí)要素對(duì)上一層級(jí)要素的重要性，滿足關(guān)系式：

BW=λW （1）

判斷矩陣的一致性指標(biāo)CI為：

CI= （2）

當(dāng)CI=0時(shí)，指標(biāo)具有充分的一致性，CI越趨近于0，一致性越強(qiáng)。為了有效衡量CI的大小，引入隨機(jī)一致性指標(biāo)：

RI= （3）

RI的取值與判斷矩陣階數(shù)相關(guān)，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(yàn)系數(shù)CR由CI與RI的比值計(jì)算得出：

CR= （4）

若CR<0.1，則通過(guò)一致性檢驗(yàn)，而CR>0.1，表示一致性檢驗(yàn)不通過(guò)，需要對(duì)判斷矩陣進(jìn)行調(diào)整。

（4）層次總排序及一致性檢驗(yàn)

指標(biāo)層權(quán)重計(jì)算如下：

ω=ab （5）

層次總排序的檢驗(yàn)系數(shù)CR為：

CR= （6）

當(dāng)CR<0.1時(shí)，通過(guò)一致性檢驗(yàn)。

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(biāo)準(zhǔn)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(gè)測(cè)度對(duì)象第j個(gè)測(cè)度指標(biāo)的測(cè)度值，對(duì)矩陣A進(jìn)行標(biāo)準(zhǔn)化處理：

對(duì)于正向指標(biāo)：

y= （7）

對(duì)于負(fù)向指標(biāo)：

y= （8）

（2）計(jì)算概率矩陣；計(jì)算第j項(xiàng)指標(biāo)在第i個(gè)方案中占該指標(biāo)的比重，也就是為了計(jì)算該指標(biāo)的變異大?。?/p>

p= （9）

（3）計(jì)算各指標(biāo)的信息熵；對(duì)于第j個(gè)測(cè)度指標(biāo)而言，其熵值e為：

e=-pln

p （10）

式中：0≤e≤1，若p=0，則e=0。

（4）計(jì)算各指標(biāo)權(quán)重；經(jīng)過(guò)標(biāo)準(zhǔn)化處理，得到第j個(gè)測(cè)度批標(biāo)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(duì)信息熵原理的基礎(chǔ)上采用拉格朗日乘子法進(jìn)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(jì)算各評(píng)價(jià)對(duì)象的綜合評(píng)價(jià)值：

S=w*x， i=1，2，…，m （13）

本文具體組合模型如圖1所示。

3 實(shí)證分析

3.1 數(shù)據(jù)來(lái)源

數(shù)據(jù)來(lái)源于2019—2021年《中國(guó)統(tǒng)計(jì)年鑒》、國(guó)家統(tǒng)計(jì)局、《中國(guó)能源統(tǒng)計(jì)年鑒》、《中國(guó)大數(shù)據(jù)區(qū)域發(fā)展水平評(píng)估報(bào)告》等。在數(shù)據(jù)搜集中，由于西藏指標(biāo)C26數(shù)據(jù)缺失，采用剩余30個(gè)樣本的均值填補(bǔ)缺失值。其中指標(biāo)C（碳排放量）是通過(guò)對(duì)各省物流業(yè)能源消耗量計(jì)算得到。計(jì)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(biāo)準(zhǔn)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(biāo)準(zhǔn)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(cè)度結(jié)果

3.2.1 指標(biāo)權(quán)重計(jì)算

首先根據(jù)表1的測(cè)度指標(biāo)體系，通過(guò)問(wèn)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(guò)式（7）至式（11）計(jì)算得到基于熵權(quán)法的客觀賦權(quán)權(quán)重β。最后通過(guò)公式（12）計(jì)算綜合賦權(quán)如表3所示。

3.2.2 測(cè)度結(jié)果計(jì)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(jì)算出測(cè)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(cè)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(dòng)因素分析

由表3可計(jì)算一級(jí)指標(biāo)權(quán)重的大小，即可得出各二級(jí)指標(biāo)和一級(jí)指標(biāo)對(duì)大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平的驅(qū)動(dòng)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(biāo)驅(qū)動(dòng)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(yīng)。

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(jí)指標(biāo)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(chǔ)設(shè)施指數(shù)卻跌到十名開(kāi)外，甚至低碳綠色發(fā)展指數(shù)跌到20名。因此，進(jìn)一步計(jì)算幾個(gè)地區(qū)智慧物流發(fā)展水平和各指標(biāo)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(shì)，東部地區(qū)顯著高于其他三個(gè)地區(qū)，這是由于東部地區(qū)基礎(chǔ)設(shè)施完善度高，區(qū)域信息流通暢通，物流運(yùn)行高效且迅速，且經(jīng)濟(jì)運(yùn)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(lái)看，中部地區(qū)的變異系數(shù)明顯高于其他三個(gè)地區(qū)，東部地區(qū)其次，這說(shuō)明中部和東部?jī)蓚€(gè)地區(qū)發(fā)展不平衡、不協(xié)調(diào)等問(wèn)題突出，東北和西部?jī)傻卮嬖诎l(fā)展不完全、不充分等問(wèn)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(duì)格局劃分

進(jìn)一步運(yùn)用K-means聚類對(duì)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(biāo)得分進(jìn)行聚類分析，將總體測(cè)度值和各級(jí)指標(biāo)測(cè)度值劃分為四個(gè)梯隊(duì)，表5中的數(shù)字代表劃分的梯度等級(jí)。

從表5可知，我國(guó)大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平極化現(xiàn)象嚴(yán)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(shì)各異。第一梯隊(duì)的省份最少，第四梯隊(duì)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(duì)，中部地區(qū)大部分為第三梯隊(duì)、而西部和東北部地區(qū)大部分位于第四梯隊(duì)。

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(chǔ)上構(gòu)建測(cè)度指標(biāo)體系，運(yùn)用AHP-EWM組合賦權(quán)模型測(cè)度了2018—2020年我國(guó)31個(gè)區(qū)域的智慧物流發(fā)展水平，并對(duì)其驅(qū)動(dòng)因素、區(qū)域性差異和梯度格局劃分進(jìn)行分析，這是對(duì)區(qū)域智慧物流發(fā)展水平測(cè)度研究的有力補(bǔ)充，同時(shí)也為我國(guó)智慧物流發(fā)展方向和重點(diǎn)提供參考。本文主要結(jié)論如下：第一，與單一指標(biāo)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(yīng)。第二，各指標(biāo)對(duì)我國(guó)大數(shù)據(jù)環(huán)境下智慧物流發(fā)展水平的驅(qū)動(dòng)作用存在差異性。第三，我國(guó)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(shì)，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(wèn)題較為突出。第四，我國(guó)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(gè)梯度，區(qū)域發(fā)展水平極化現(xiàn)象嚴(yán)重，且區(qū)域智慧物流發(fā)展總體水平與指標(biāo)得分水平表現(xiàn)不一致，智慧物流發(fā)展優(yōu)劣勢(shì)各異，第四梯隊(duì)省份最多，省域智慧物流發(fā)展水平有待提高。

參考文獻(xiàn)：

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

[2] 王琴梅，張玉. 絲綢之路經(jīng)濟(jì)帶“核心區(qū)”物流業(yè)效率的綜合評(píng)價(jià)及比較[J]. 中國(guó)管理科學(xué)，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(dòng)態(tài)測(cè)評(píng)——基于中國(guó)省際面板數(shù)據(jù)的實(shí)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(píng)價(jià)及障礙因子[J]. 經(jīng)濟(jì)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(jì)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(jìng)爭(zhēng)力與腹地經(jīng)濟(jì)協(xié)同機(jī)制面板數(shù)據(jù)分析[J]. 系統(tǒng)工程理論與實(shí)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(jī)效評(píng)價(jià)指標(biāo)體系構(gòu)建研究[J]. 管理評(píng)論，2020，32（8）：304-313.