CN104463548A - 一种多因素影响下的承运量化选择方法 - Google Patents

Abstract

本发明公开一种多因素影响下的承运量化选择方法，该发明基于智慧服务评分机制(Smart Service Rating)对承运人进行综合量化评分，再结合AHP层次分析法的指标权重划分方法定量确定各指标权重，充分考虑承运人服务态度、车辆的承运次数、车辆承运时的出险次数等多个影响信任关系度量指标，较好地处理了以物流运输为交易对象的电子商务平台合理客观科学地评定承运人选用的问题，使得平台货主能够合理判断待选承运人的综合情况，并做出符合自己承运需求的选择，从而降低承运风险，提供承运效率。

Description

一种多因素影响下的承运量化选择方法

技术领域

本发明涉及一种多因素影响下的承运量化选择方法，适用于物流运输中的商务平台中多维情况下对承运人进行客观、科学、综合、静态与动态结合的量化选择，属于信息分析技术领域。

背景技术

信息技术的不断发展，推动了电子商务与物流运输行业的深度结合，从提供信息到进行交易，物流运输交易商务平台涉及的对象与提供的内容越来越庞大与复杂，持续可靠的运营离不开健全的信用安全机制，特别是对承运人的综合因素量化评估方法。现有物流运输交易平台照搬商品类电子商务平台的信用量化评估方法，虽然操作方便简单，但适用性弱，无法直观充分地反映承运人真实的运输水平，以至于物流运输电子商务平台的其他用户无法获得真实可靠的承运人综合状况，严重制约了其运输的合理性和科学性。因此，目前物流运输行业需要一种有利于用户客观合理地选择承运人，从而提交运输效率的多因素影响下的承运量化选择方法。

发明内容

发明目的：针对现有技术中物流运输交易平台量化评估体系中存在的问题与不足，在充分考虑影响承运方承运力的多项重要因素，在承运方的所有历史因素及交易记录数据的基础上，提供一种基于层次分析法的多因素影响下的承运量化选择方法。

技术方案：一种多因素影响下的承运量化选择方法，运用智慧服务评分机制(SSR)和基于层次分析法将承运人的承运力进行量化，适用于物流运输交易的商务平台对承运人进行综合选择。具体包括如下步骤：

(1)注册信息校检验证，根据信息的真实性和信誉确定初始信用度

平台根据承运人在注册时提供的个人信息，包括本人真实头像、身份证、驾驶证、行车证、所属单位证明、所属单位社会信誉规模、所属单位担保证明、真实手机号等基本信息，进行实时校检和验证。按信息的披露程度、真实程度、信誉程度，担保程度等，综合考量之后，根据社会信用机制对承运人进行初始评分。

(2)提取平台数据库信息，数据分析选取指标，建立指标的递阶层次结构

从数据库中选择提取与承运人信用评价相关信息，参考行业指标选取本平台需要的影响因素，根据因素指标之间及各层次指标间的相互关系，建立评价指标体系的递阶层次结构。目标层：设定决策目标为承运人信用等级。准则层：货主对承运人的动态评价及根据历史交易数据得到的平台综合考评。方案层：选取承运人准时到达、承运人发车速度、承运人服务态度、承运人驾龄、承运人车龄、承运人发生业务数、承运人出现货损率、承运人遭投诉率七个评价指标作为方案层。

(3)根据SSR评分机制确定指标权重

通过智慧服务评分机制(SSR)将用户反馈信息通过复杂的数据分析和挖掘，找到一种合理的赋权算法，得出的判断矩阵在完美的理论基础上更贴合实际。

智慧服务评分机制(Smart Service Rating)(五分制)：本平台采用动态评分系统，以一年为评分周期。

①货主对承运人的评分

货主对承运人的评价指标为：承运人准时到达、承运人服务态度、承运人发车速度。各项得分公式为：

总得分数＝(评5分人数*5+评4分人数*4+评3分人数*4+评2分人数*2+评1分人数*1)

$\mathrm{Fd}=\frac{\mathrm{Zd}}{\mathrm{Pd}}=\frac{5\·d_5+4\·d_4+3\·d_3+2\·d_2+1\·d_1}{\mathrm{Pd}}$

公式参数说明：

Fd——当前SSR分数

Zd——当前总得分

Pd——当前评价总人数

d₅——当前评5分人数

d₄——当前评4分人数

d₃——当前评3分人数

d₂——当前评2分人数

d₁——当前评1分人数

根据各项得分，即两两之间相对性的重要值，即可以构造一个用户反馈矩阵AW，反映各指标的权重。

②平台对承运人的评分

平台对货主的评价指标为：承运人驾龄、车龄、承运人发生业务数、出现货损次数、承运人遭投诉数。

对同一层次指标进行两两比较，给出它们相对重要性的判断值(1到5之间)，全部指标经过两两判定之后，就可以形成一个平台评测矩阵BW，反映各指标的权重。

平台综合考量外部市场环境、用户需求和行业趋势，通过大数据挖掘分析，对各项指标进行比较后，给出用户反馈矩阵AW和平台评测矩阵BW的权重，构造出判断矩阵。

(4)构造判断矩阵

判断矩阵是指对同一层次指标进行两两比较，给出它们相对重要性的判断值，全部指标经过两两判定之后，就可以形成一个比较判断矩阵。为确定判断矩阵中的具体数值，常用的标度一般1到5之间。其中1为两个因素同样重要；3为两个因素相比，前一个比后一个稍微重要；5为两个因素相比，前一个比后一个明显重要；2，4重要程度介于3，5之间。若评价指标e_i与评价指标e_j重要性相比为b_ij，则e_i与e_j的重要性之比为1/b_ij。

(5)计算单准则条件下指标的权重系数方法

依照所得判断矩阵，计算最大特征根和特征向量。主要计算步骤如下：

①计算判断矩阵每一行元素的乘积，公式为

$M_i=\underset{j=1}{\overset{n}{\mathrm{\Π}}}{a}_{\mathrm{ij}},i=\mathrm{1,2},......,n$

②计算各行M_i的n次方根值公式为

$\stackrel{\‾}{W_i}=\sqrt[n]{M_i}$

③对向量进行正规化处理，即

$W_i=\frac{\stackrel{\‾}{W_i}}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\stackrel{\‾}{W_i}}$

W_i即为所求指标的权重系数值。

(6)计算矩阵最大特征根和特征向量，进行二级指标的一致性检验

当判断矩阵的阶数n＝1,2时，矩阵总具有完全一致性；当判断矩阵的阶数n>2时，采用随机一致性比率CR检验其一致性。主要计算步骤如下：

①求判断矩阵的最大特征根λ_max公式为

${\mathrm{\λ}}_{\max }=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{W_i}{n{W}_i}$

②计算一致性指标CI，公式为

n为判断矩阵阶数

③计算一致性比率CR，公式为

其中RI为随机一致性指标，其取值见下表：

平均随机一致性指标RI的取值表

阶数	3	4	5	6	7	8	9	10
									RI	0.58	0.90	1.12	1.24	1.32	1.41	1.45	1.49

当CR<0.10时，即认为判断矩阵具有满意的一致性。如果不满足一致性，则须返回前面重新构造判断矩阵。

(7)进行层次总排序，计算输出最终权重，并进行总体一致性检验

用加权的方法递阶推算，求出各个方案对目标的最终权重。用表示第i个方案对总目标的权重，其表达式为：

$\stackrel{\&OverBar;}{W_i}=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_j{W}_{\mathrm{ji}}$

式中，W_j表示第j个评价子目标相对于总目标的权重；W_ji表示第i个设计方案相对于上一层次的各j个评价子目标的权重。进行总体一致性检验并输出各指标权重结果。

总体一致性检验：其中a₁，a₂，...，a_m为各指标对应的权重系数。

当CR<0.10时，即认为总体具有一致性。如果不满足一致性，则须返回前面重新构造判断矩阵。

(8)综合加权，得到综合得分

综合加权是本平台区别于其他赋权算法的另外一个核心点，在严谨的算法模型基础上，将输出的结果再次结合历史交易数据、承运人SSR评分、同业水平进行综合考量，在不同的时段、不同的外部市场环境、针对不同的客户群体需求，科学调整平台对承运人的评价和货主对承运人的评价，最终得到多维度的标准严谨的承运人综合评分。

综合加权算法：

将上述输出的各项(j＝1,2,…,7)层次指标权重得分x_0j与其他因素进行综合加权，最终得出承运人各项得分和总得分。

设历史平台对承运人的评价第j项得分为x_1j，平台交易数据库第j项得分为x_2j，同业水平得分为x_3j，货主SSR得分为x_4j，历史货主对承运人的评价得分为x_5j。按照如下公式计算第j项最后得分：

s_j＝x_0j+β_1jx_1j+β_2jx_2j+β_3jx_3j+β_4jx_4j+β_5jx_5j

其中β_1j，β_2j，β_3j，β_4j，β_5j分别为各自对应的对第j项最后分的贡献度，通过对市场的调研和对数据的挖掘综合确定。

根据如下公式：

s＝Σs_j

可以计算出货主的综合总得分。

最后，对比承运人的初始信用得分，平台确定一个合理的相对权重进行最后的加权：

S＝ηs+λs₀

其中，η、λ分别为层次综合信用得分与初始信用得分的科学权重，由此可得出最终的承运人评价。

有益效果：与现有技术相比，本发明的特点是将影响承运人选择的众多因素通过划分为相互联系的有序层次，使之条理化，将一层次的元素进行两两比较，然后对其重要性进行定量描述。再利用数学的方法计算所有元素的相对权重。根据评价结果，平台会员能够客观地获知承运人的综合承运力的情况，一定程度上解决了顾客和商家之间某些信息不对称问题，使货主或其他会员能在无数商家中快速、客观地找到承运力高的商家并做出符合自己需求的选择。

附图说明

图1为本发明的方法流程图；

图2为本发明实施例的递阶层次结构模型；

图3为本发明的智慧评分SSR机制模型；

图4为本发明的综合得分模型。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

(1)确定初始信用度。平台根据承运人在注册时提供的个人信息，包括本人真实头像、身份证、驾驶证、行车证、所属单位证明、所属单位社会信誉规模、所属单位担保证明、真实手机号等基本信息，进行实时校检和验证。按信息的披露程度、真实程度、信誉程度，担保程度等，综合考量之后，根据社会信用机制对承运人进行初始信用评分(初始满分为5分)。

(2)构造递阶层次结构模型，如图2所示。目标层：设定决策目标为承运人信用等级。准则层：货主对承运人的动态评价及根据历史交易数据得到的平台综合考评。方案层：选取承运人准时到达、承运人发车速度、承运人服务态度、承运人驾龄、承运人车龄、承运人发生业务数、承运人出现货损率、承运人遭投诉率七个评价指标作为方案层。

(3)构造判断矩阵。首先为准则层的指标赋予权重，设此处动态评价为0.4，平台综合考评为0.6。其次，对目标层A(货主动态评价)下的一级指标构造两两比较矩阵，应用SSR评分机制，目标层A下的两两比较判断矩阵为

$A=\left[\begin{array}{ccc}1& 1/3& 1/5\\ 3& 1& 1/2\\ 5& 2& 1\end{array}\right]$

同理，目标层B(平台综合考评)下的两两比较判断矩阵为

$B=\left[\begin{array}{ccccc}1& 1/2& 4& 2& 4\\ 2& 1& 4& 3& 5\\ 1/4& 1/4& 1& 1/2& 2\\ 1/2& 1/3& 2& 1& 2\\ 1/4& 1/5& 1/2& 1/2& 1\end{array}\right]$

(4)分别计算矩阵最大特征根和向量矩阵，并进行一致性检验。

矩阵A的特征向量W_A＝(0.109,0.309,0.582)^T，λ_max＝3.00695，一致性指标随机一致性指标RI＝0.58，一致性检验系数 $\mathrm{CR}=\frac{\mathrm{CI}}{\mathrm{RI}}=0.006<0.1,$ 因此，满足一致性。

矩阵B的特征向量W_B＝(0.092,0.062,0.282,0.175,0.389)^T，λ_max＝5，一致性指标随机一致性指标RI＝1.12，一致性比率满足一致性。

因此，两个判断矩阵均满足一致性要求。

(5)将计算出来的一级指标对目标层的权重和二级指标对目标层的权重进行矩阵运算，合成二级指标对目标层的权重，如下表所示

表1物流电子商务平台承运人信用评价指标体系权重

(6)将上述AHP输出的各项(j＝1,2,…,8)权重得分x_0j与其他因素进行综合加权，最终得出承运人各项信用得分和综合信用总得分。

设历史平台对承运人的评价第j项得分为x_1j，平台交易数据库第j项得分为x_2j，同业水平得分为x_3j，货主SSR得分为x_4j，历史货主对承运人的评价得分为x_5j。按照如下公式计算第j项最后得分：

s_j＝x_0j+β_1jx_1j+β_2jx_2j+β_3jx_3j+β_4jx_4j+β_5jx_5j

其中β_1j，β_2j，β_3j，β_4j，β_5j分别为各自对应的对第j项最后分的贡献度，通过对市场的调研和对数据的挖掘综合确定。

设第j项得得分情况如下表：

j＝1,2,…,8：分别代表二级指标发货人准时发货、收货人准时卸货、货主承运业务次数、遭承运人投诉次数、信息发布及时率、货主货款支付及时率、一次报价成单率。

对市场的调研和对数据的挖掘分析，假如贡献度矩阵为：

$\mathrm{\&phi;}=\left[\begin{array}{cccccc}1& 0.3& 0.8& 0.4& 0.5& 0.4\\ 1& 0.5& 0.1& 0.1& 0.4& 0.3\\ 1& 0.6& 0.3& 0.4& 0.6& 0.3\\ 1& 0.2& 0.5& 0.1& 0.3& 0.1\\ 1& 0.3& 0.4& 0.4& 0.1& 0.6\\ 1& 0.3& 0.5& 0.2& 0.1& 0.3\\ 1& 0.5& 0.1& 0.1& 0.4& 0.6\\ 1& 0.1& 0.4& 0.2& 0.1& 0.4\end{array}\right]$

则根据s_j＝x_0j+β_1jx_1j+β_2jx_2j+β_3jx_3j+β_4jx_4j+β_5jx_5j可以得到如下表：

序号j	二级单项指标	得分sj
			1	承运人准时到达
2	承运人发车速度
			3	承运人服务态度
4	承运人驾龄
			5	承运人车龄
6	承运人发生业务数
			7	承运人出现货损次率
8	承运人遭投诉次数

根据如下公式：

s＝Σs_j

可以计算出货主的综合总得分，假设此处算出结果为3分。

最后，对比承运人的初始得分，平台确定一个合理的相对权重进行最后的加权：

S＝ηs+λs₀

其中，η、λ分别为层次综合得分与初始得分的科学权重，此处分别为0.5、0.5，由此可得出最终的承运人评价：

S＝ηs+λs₀＝0.5*3+0.5*4＝3.5

即，承运人最终得分为3.5分。

Claims (7)

1.一种多因素影响下的承运量化选择方法，其特征在于：运用智慧服务评分机制和基于层次分析法将承运人的承运力进行量化，适用于物流运输交易的商务平台对承运人进行综合选择；具体包括如下步骤：

(1)注册信息校检验证，根据信息的真实性和信誉确定初始信用度；

(2)提取平台数据库信息，数据分析选取指标，建立指标的递阶层次结构；

(3)根据SSR评分机制确定指标权重；

(4)构造判断矩阵

判断矩阵是指对同一层次指标进行两两比较，给出它们相对重要性的判断值，全部指标经过两两判定之后，就可以形成一个比较判断矩阵；

(5)计算单准则条件下指标的权重系数方法

依照所得判断矩阵，计算最大特征根和特征向量；

(6)计算矩阵最大特征根和特征向量，进行二级指标的一致性检验

当判断矩阵的阶数n＝1,2时，矩阵总具有完全一致性；当判断矩阵的阶数n>2时，采用随机一致性比率CR检验其一致性；

(7)进行层次总排序，计算输出最终权重，并进行总体一致性检验

用加权的方法递阶推算，求出各个方案对目标的最终权重；

(8)综合加权，得到综合得分

将输出的结果再次结合历史交易数据、承运人SSR评分、同业水平进行综合考量，在不同的时段、不同的外部市场环境、针对不同的客户群体需求，科学调整平台对承运人的评价和货主对承运人的评价，最终得到多维度的标准严谨的承运人综合评分。

2.如权利要求1所述的多因素影响下的承运量化选择方法，其特征在于：步骤(2)中，从数据库中选择提取与承运人信用评价相关信息，参考行业指标选取本平台需要的影响因素，根据因素指标之间及各层次指标间的相互关系，建立评价指标体系的递阶层次结构；目标层：设定决策目标为承运人信用等级；准则层：货主对承运人的动态评价及根据历史交易数据得到的平台综合考评；方案层：选取承运人准时到达、承运人发车速度、承运人服务态度、承运人驾龄、承运人车龄、承运人发生业务数、承运人出现货损率、承运人遭投诉率七个评价指标作为方案层。

3.如权利要求1所述的多因素影响下的承运量化选择方法，其特征在于：步骤(3)中，

①货主对承运人的评分

货主对承运人的评价指标为：承运人准时到达、承运人服务态度、承运人发车速度；各项得分公式为：

总得分数＝(评5分人数*5+评4分人数*4+评3分人数*4+评2分人数*2+评1分人数*1)

$\mathrm{Fd}=\frac{\mathrm{Zd}}{\mathrm{Pd}}=\frac{5\&CenterDot;d_5+4\&CenterDot;d_4+3\&CenterDot;d_3+2\&CenterDot;d_2+1\&CenterDot;d_1}{\mathrm{Pd}}$

公式参数说明：

Fd——当前SSR分数

Zd——当前总得分

Pd——当前评价总人数

d₅——当前评5分人数

d₄——当前评4分人数

d₃——当前评3分人数

d₂——当前评2分人数

d₁——当前评1分人数根据各项得分，即两两之间相对性的重要值，既可以构造一个用户反馈矩阵AW，反映各指标的权重；

②平台对承运人的评分

平台对货主的评价指标为：承运人驾龄、车龄、承运人发生业务数、出现货损次数、承运人遭投诉数；

对同一层次指标进行两两比较，给出它们相对重要性的判断值，全部指标经过两两判定之后，就可以形成一个平台评测矩阵BW，反映各指标的权重；

平台综合考量外部市场环境、用户需求和行业趋势，通过大数据挖掘分析，对各项指标进行比较后，给出用户反馈矩阵AW和平台评测矩阵BW的权重，构造出判断矩阵。

4.如权利要求1所述的多因素影响下的承运量化选择方法，其特征在于：步骤(5)中，

依照所得判断矩阵，计算最大特征根和特征向量；主要计算步骤如下：

①计算判断矩阵每一行元素的乘积，公式为

$M_i=\underset{j=1}{\overset{n}{\mathrm{\&Pi;}}}{a}_{\mathrm{ij}},i=\mathrm{1,2},......,n$

②计算各行M_i的n次方根值公式为

$\stackrel{\&OverBar;}{W_i}=\sqrt[n]{M_i}$

③对向量进行正规化处理，即

$W_i=\frac{\stackrel{\&OverBar;}{W_i}}{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{W_i}}$

W_i即为所求指标的权重系数值。

5.如权利要求1所述的多因素影响下的承运量化选择方法，其特征在于：步骤(6)中，

当判断矩阵的阶数n＝1,2时，矩阵总具有完全一致性；当判断矩阵的阶数n>2时，采用随机一致性比率CR检验其一致性；主要计算步骤如下：

①求判断矩阵的最大特征根λ_max公式为

${\mathrm{\&lambda;}}_{\max }=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{W_i}{{\mathrm{nW}}_i}$

②计算一致性指标CI，公式为

n为判断矩阵阶数

③计算一致性比率CR，公式为

其中RI为随机一致性指标

当CR<0.10时，即认为判断矩阵具有满意的一致性；如果不满足一致性，则须返回前面重新构造判断矩阵。

6.如权利要求1所述的多因素影响下的承运量化选择方法，其特征在于：步骤(7)中，用加权的方法递阶推算，求出各个方案对目标的最终权重；用表示第i个方案对总目标的权重，其表达式为：

$\stackrel{\&OverBar;}{W_i}=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_j{W}_{\mathrm{ji}}$

式中，W_j表示第j个评价子目标相对于总目标的权重；W_ji表示第i个设计方案相对于上一层次的各j个评价子目标的权重。进行总体一致性检验并输出各指标权重结果；

总体一致性检验：其中a₁，a₂，...，a_m为各指标对应的权重系数。

当CR<0.10时，即认为总体具有一致性。如果不满足一致性，则须返回前面重新构造判断矩阵。

7.如权利要求1所述的多因素影响下的承运量化选择方法，其特征在于：步骤(8)中，

综合加权算法：

将上述输出的各项(j＝1,2,…,7)层次指标权重得分x_0j与其他因素进行综合加权，最终得出承运人各项得分和总得分；

设历史平台对承运人的评价第j项得分为x_1j，平台交易数据库第j项得分为x_2j，同业水平得分为x_3j，货主SSR得分为x_4j，历史货主对承运人的评价得分为x_5j；按照如下公式计算第j项最后得分：

s_j＝x_0j+β_1jx_1j+β_2jx_2j+β_3jx_3j+β_4jx_4j+β_5jx_5j

其中β_1j，β_2j，β_3j，β_4j，β_5j分别为各自对应的对第j项最后分的贡献度，通过对市场的调研和对数据的挖掘综合确定。

根据如下公式：

s＝∑s_j

可以计算出货主的综合总得分；

最后，对比承运人的初始信用得分，平台确定一个合理的相对权重进行最后的加权：

S＝ηs+λs₀

其中，η、λ分别为层次综合信用得分与初始信用得分的科学权重，由此可得出最终的承运人评价。