CN114091791B - 一种基于改进dea的ahp的物流绩效评估方法 - Google Patents

一种基于改进dea的ahp的物流绩效评估方法 Download PDF

Info

Publication number
CN114091791B
CN114091791B CN202210071211.9A CN202210071211A CN114091791B CN 114091791 B CN114091791 B CN 114091791B CN 202210071211 A CN202210071211 A CN 202210071211A CN 114091791 B CN114091791 B CN 114091791B
Authority
CN
China
Prior art keywords
index
logistics
indexes
formula
performance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210071211.9A
Other languages
English (en)
Other versions
CN114091791A (zh
Inventor
王筱圃
张弢
胡飞
张庆
钟智敏
刘伟
陈波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hkust Intelligent Internet Of Things Technology Co ltd
Original Assignee
Hkust Intelligent Internet Of Things Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hkust Intelligent Internet Of Things Technology Co ltd filed Critical Hkust Intelligent Internet Of Things Technology Co ltd
Priority to CN202210071211.9A priority Critical patent/CN114091791B/zh
Publication of CN114091791A publication Critical patent/CN114091791A/zh
Application granted granted Critical
Publication of CN114091791B publication Critical patent/CN114091791B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于改进DEA的AHP的物流绩效评估方法，包括采集实际物流场景中的真实数据；根据整个物流过程选取物流系统特征指标，并对物流系统特征指标进行数据归一化；根据选取物流系统特征指标和AHP层次分析方法构建系统化的评级指标体系；再基于改进DEA构建判断矩阵，并通过层次单排序和层次总排序，且均进行一致性检测，输出评级指标体系的各层指标评价得分；根据各层指标评价得分调整整个物流系统运行效率，并诊断出低效率的环节。本发明通过构建全物流过程的指标体系，并基于AHP基础上融合DEA方法构建判断矩阵，通过纯数据确定权重得到指标的得分的方法，衡量整个物流系统的运行效率，并通过各环节的结果诊断出低效率的环节进行优化。

Description

一种基于改进DEA的AHP的物流绩效评估方法
技术领域
本发明涉及物流绩效评估技术领域，特别涉及一种基于改进DEA的AHP的物流绩效评估方法。
背景技术
目前主流的物流绩效评估方法主要有以下几种：层次分析法（AHP）、灰色关联分析法、模糊综合评价法、数据包络分析法（DEA）等方法。但上述单一方法均有其各自的不足之处。
层次分析法，进行评估时其决策力不足；灰色关联分析法要求样本数据具有时间序列特性，并且只是对评判对象的优劣做出鉴别，并不反映绝对水平；功效系数法，在目标值和非允许值的所选单项得分方面存在很大困难。对于任何指标，目标值和允许值的定义都是不清晰的，没有绝对意义的标准；模糊综合评价法隶属度函数还没有系统的确定方法；数据包络分析法评价的是相对绩效，只能够在现有决策中选出相对好与坏的决策。
现有技术存在的问题：一是现有选取数据未能覆盖物流整个环节，无法诊断物流体系所有环节绩效的优劣，评估方向单一，不具有可移植性；二是不同企业在对物流绩效评价研究的侧重点不同，因此只能在企业内部做纵向比较不同历史时间段的效果，而不能横向比较不同企业不同厂区的绩效情况；三是现有DEA结合多种方法进行物流评价的评分结果之前未进行指标权重比对，导致评分结果的可信度不高；四是现有DEA方法构造判断矩阵时，得到多为定性的结果，且精确度不高，不具有说服性。
发明内容
本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种基于改进DEA的AHP的物流绩效评估方法，以解决上述背景技术中提出的问题。
一种基于改进DEA的AHP的物流绩效评估方法，包括：
采集实际物流场景中的真实数据；
根据整个物流过程选取物流系统特征指标，并对物流系统特征指标进行数据归一化；
根据选取物流系统特征指标和AHP层次分析方法构建系统化的评级指标体系；
再基于改进DEA构建判断矩阵，并通过层次单排序和层次总排序，且均进行一致性检测，输出评级指标体系的各层指标评价得分；
根据各层指标评价得分调整整个物流系统运行效率，并诊断出低效率的环节。
作为本发明进一步的技术方案：所述根据整个物流过程选取物流系统特征指标，并对物流系统特征指标进行数据归一化的具体步骤包括：
首先从整个物流过程选取物流系统特征指标，建立物流绩效评价指标；
同时采用Min-Max归一化方法和Max-Min归一化方法将指标映射到0到1之间，正向指标归一化公式为：
Figure 729386DEST_PATH_IMAGE001
；
负向指标归一化公式为：
Figure 990734DEST_PATH_IMAGE002
；
式中，
Figure 461816DEST_PATH_IMAGE003
表示指标的实际值，
Figure 965348DEST_PATH_IMAGE004
表示指标中的最小值，
Figure 389507DEST_PATH_IMAGE005
表示指标中的最大值。
作为本发明进一步的技术方案：所述根据选取物流系统特征指标和AHP层次分析方法构建系统化的评级指标体系的具体步骤包括：
首先根据采集的物流真实数据为全流程数据；
根据全流程数据设置多级指标，且在每一个上级指标下设置若干个下级指标，构建成系统化的评级指标体系。
作为本发明进一步的技术方案：所述基于改进DEA构建判断矩阵，并输出最优的评价结果的具体步骤包括：
根据评级指标体系中不同层级的任意两指标作为对比指标；
根据选取的对比指标确定投入变量与产出变量；
根据投入变量和产出变量的N期历史数据作为决策单元，作为组A；
再选择N期历史数据作为决策单元，作为组B；
求解指标的绩效值，所述绩效值的公式为：
Figure 400186DEST_PATH_IMAGE006
式中，
Figure 336394DEST_PATH_IMAGE007
分别为决策单元中指标j和指标k的绩效值，
Figure 649476DEST_PATH_IMAGE008
分别为j和k的权重值，若j和k分别表示多个指标时，则u和v是权重向量，目标函数表示用最小的投入获得最大的产出；
通过上式可以求出权重值
Figure 724879DEST_PATH_IMAGE009
；
根据得到的绩效值计算任意两两指标的相对绩效，公式为：
Figure 357723DEST_PATH_IMAGE010
式中，
Figure 713051DEST_PATH_IMAGE011
表示组A中在投入指标为j的条件下，产出指标k的绩效值；
Figure 872899DEST_PATH_IMAGE012
表示组B中在投入指标为j的条件下，产出指标k的绩效值；
Figure 504606DEST_PATH_IMAGE013
表示将组A中的投入变量j与组B中的产出变量k取出进行组合得到的指标k的绩效值；
Figure 812746DEST_PATH_IMAGE014
表示将组B中的投入变量j与组A中的产出变量k取出进行组合得到的指标k的绩效值，
Figure 162694DEST_PATH_IMAGE015
表示j对k相对上一层级指标的重要程度；
根据DEA方法和上述相对绩效公式得到判断矩阵：
Figure 375501DEST_PATH_IMAGE016
。
作为本发明进一步的技术方案：所述层次单排序和层次总排序，且均进行一致性检测的具体步骤包括：
根据判断矩阵计算其最大特征值
Figure 957372DEST_PATH_IMAGE017
；
再计算一致性指标CI和平均随机一致性指标RI，一致性指标CI计算公式为：
Figure 164975DEST_PATH_IMAGE018
其中，c是矩阵的维数；
根据得到的一致性指标CI和平均随机一致性指标RI，计算一致性比率CR，公式为：
Figure 273657DEST_PATH_IMAGE019
若一致性比率CR<0.1接受判断矩阵，否则对判断矩阵进行修正；
同时，得到层次总排序的一致性比率为：
Figure 24575DEST_PATH_IMAGE020
若一致性比率CR<0.1，则层次总排序一致；
利用算术平均法求解判断矩阵的权重向量，公式为：
Figure 630875DEST_PATH_IMAGE021
根据得到的权重向量计算层级指标的得分，公式为：
Figure 800258DEST_PATH_IMAGE022
；
式中，wi表示在每一级的指标xi最终确定的权重值，n表示在该级指标中一共有n个指标。
与现有技术相比，本发明存在以下技术效果：
通过采用上述的技术方案，通过采集全物流过程的真实数据，构建指标体系。在基于改进的DEA的AHP方法构建判断矩阵，同时利用层次单排序和层次总排序，以及进行一致性检测修正判断矩阵，输出指标体系中的整个物流系统的绩效评估得分和不同环节的评估得分。对不同得分进行对比，在衡量整个系统运行效率，且能够诊断出低效率环节后进行系统优化。
上述方法中全数据选取和多环节运算的设计，不仅能够纵向评估同一企业不同历史时段效果的同时，还能纵向评估不同企业的绩效情况。
本发明主要是通过设计一套完整的，具有普遍适用性的，评估结果客观精确的物流绩效评估方法。在技术上，能够覆盖对物流各个环节的评估，排查出存在的问题，从而有针对性地进行优化。除此之外，同一领域、同一工艺流程的园区均可以绩效对比。
附图说明
下面结合附图，对本发明的具体实施方式进行详细描述：
图1为本申请公开的一些实施例的物流绩效评估方法的步骤示意图；
图2为本申请公开的一些实施例的物流绩效评估整体架构图；
图3为本申请公开的一些实施例的基于改进DEA的AHP方法框架图；
图4为本申请公开的一些实施例的层次结构图；
图5为本申请公开的一些实施例的基于DEA的方法构造判断矩阵的示意图；
图6为本申请公开的一些实施例的一致性检验流程图；
图7为本申请公开的一些实施例的评估结果箱线图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1和图2所示，本发明实施例中，一种基于改进DEA的AHP的物流绩效评估方法，包括：
S1、采集实际物流场景中的真实数据；
本实施例中，采用的数据均为实际场景中的真实数据，由厂方的WMS(仓库管理系统)、WCS(仓库控制系统)、ERP(企业资源计划)等系统中直接得到，能够保证实现结果的准确性以及真实性。且所给出的数据涵盖了整个物流作业流程。
如图2所示，图示是物流绩效评估整体架构图，主要步骤包括数据采集、指标的选取、数据归一化、基于改进DEA的AHP方法的实现、对整个物流系统与各环节评估结果进行分析、发现物流系统中存在的问题并给出优化方案。
S2、根据整个物流过程选取物流系统特征指标，并对物流系统特征指标进行数据归一化，具体步骤包括：
在对有关物流评价指标的文献进行调研以及实地考察不同物流企业后发现，指标的构建可以分为两类：一类是按照物流的业务目的分为供应物流、生成物流、销售物流；另一类是按照物流的环节分为：运输、仓储、库存管理、生成加工等。
首先从整个物流过程选取物流系统特征指标，建立物流绩效评价指标；
本实施例中，在构建评价指标时，始终遵循客观性、可比性、全面性的原则，选择有代表性的物流系统特征指标，形成系统化的评级指标体系。通过调研物流绩效文献和结合业务场景一共构建160多个指标，涵盖了整个物流过程。
如下表1所示，下表为部分评价指标表；
表1 部分评价指标及作用
指标 作用
设备综合效率（OEE） 反映设备的使用情况
人员数 反映人员投入情况
仓库利用率 反映仓储的利用情况
出/入库量 反映每天出入库情况
平均运输时间 反映运输效率
库存周转率 反映仓储的流动性
进货时间率 反映人工工作效率
每台进货设备每小时的卸货量 体现设备工作效率
储位容积使用率 储位的利用率
呆废料率 货物流通性
储存策略类型 衡量储存方式对存放的影响
平均每日来单数 反映每日订单情况
平均每人装卸量 反映人工工作效率
平均每台车配送总量 反映运输效率
每车次配送成本 反映成本
本实施例中，构建评价指标时，由上表1可以得到，涵盖整个物流系统的各个层面，包括设备情况、员工投入情况、仓库作业情况以及运输情况等方面。
需要说明的是，本实施例中选取的指标均为整个物流体系中存在的，具有客观性的数据。具体通过采集整个物流体系各个环节的指标，而非人为选用数据。
由于本实施例中构建的指标有比值型指标、合成型指标，导致指标的量纲范围很多，对构建层次分析法的权重有很大影响，为避免出现这种问题，对数据进行归一化处理。
具体的，采用Min-Max归一化方法和Max-Min归一化方法将指标映射到0到1之间，正向指标归一化公式为：
Figure 124797DEST_PATH_IMAGE001
；
负向指标归一化公式为：
Figure 430139DEST_PATH_IMAGE002
；
式中，
Figure 192077DEST_PATH_IMAGE003
表示指标的实际值，
Figure 242948DEST_PATH_IMAGE004
表示指标中的最小值，
Figure 87407DEST_PATH_IMAGE005
表示指标中的最大值。
如图3所示，图示为基于改进DEA的AHP方法框架图；分为以下步骤进行详细说明：构建层次结构、构造判断矩阵、层次单排序及一致性检验、层次总排序及一致性检验、最终评估结果。
S3、根据选取物流系统特征指标和AHP层次分析方法构建系统化的评级指标体系；具体步骤包括：
如图4所示，图示为构建的评级指标体系的层次结构图，具体采用设备、人员、库存管理、运输、出入库等指标组成的物流系统的综合评价的2层指标体系，并将上层指标看作是下层指标的类，给出每个指标的定量化的描述。
本实施例中，首先根据采集的物流真实数据为全流程数据；
根据全流程数据设置多级指标，且在每一个上级指标下设置若干个下级指标，构建成系统化的评级指标体系。需要说明的是，此处的上级指标为一级指标，下级指标为二级指标。
具体的，构建仓库管理、出入库、订单、设备、人员以及运输等能够涵盖整个物流过程的一级指标，并在每一个一级指标下面又细分成多个二级指标。
通过上述步骤构建全面的指标体系，不仅能够纵向评估同一企业不同历史时段的效果，还能纵向评估不同企业的绩效情况。
S4、再基于改进DEA构建判断矩阵，并通过层次单排序和层次总排序，且均进行一致性检测，输出评级指标体系的各层指标评价得分；
如图5所示，图示为基于DEA的方法构造判断矩阵的步骤示意图，具体步骤包括：选择两个对比指标、确定投入与产出、选取历史数据作为决策单元、通过计算得到各决策单元的绩效值与相对绩效值、构造最终的判断矩阵。
所述基于改进DEA构建判断矩阵，并输出最优的评价结果的具体步骤包括：
选择两个对比指标：根据评级指标体系中不同层级的任意两指标作为对比指标；
本实施例中，如图5中，对Ⅱ层下的每块Ⅲ层指标任意选择两个指标，如我们选择Ⅱ层一级指标出入库对应的Ⅲ层二级指标出库量与入库量作为对比指标。
确定投入与产出：根据选取的对比指标确定投入变量与产出变量；
本实施例中，将入库量作为投入变量x，出库量作为产出变量y。
选取历史数据作为决策单元：根据投入变量和产出变量的N期历史数据作为决策单元，称为组A；
再选择N期历史数据作为决策单元，称为组B；
需要说明的是，组A选取N期历史数据，组B再选取N期历史数据，一共会选取2N期的历史数据。选取两组的原因是为后面需要将组A中选出来的两个指标与组B中选出来的两个指标互换，求得投入指标与产出指标的相对绩效。
例如：我们组A和组B分别选取1期数据。选取的指标为，组A（投入1，产出1），组B（投入2，产出2），然后将组A和组B中的指标进行互换来求得相对绩效，互换后为（投入1，产出2），（投入2，产出1），这样可以通过改进的DEA模型求得投入对产出的相对绩效，就能得到后面判断矩阵中的一个元素。
确定决策单元个数：
取x，y的N期（N≥2，但N也不宜取过大）历史数据作为决策单元DMU。本实施例中为了方便理解，N的值取2，即选取两个决策单元。
需要说明的是，此处的N可分别选取N=2，3，4，5，...，N，然后对于每一个N的值都可以求解一个判断矩阵D，在后续中需要计算在每一个判断矩阵下，通过一致性检验的概率来决定N的个数，即选择决策单元的个数。
求解指标的绩效值，此处的指标为投入指标与产出指标，所述绩效值的公式为：
Figure 696241DEST_PATH_IMAGE023
式中，
Figure 41247DEST_PATH_IMAGE024
分别为决策单元中指标j和指标k的绩效值，
Figure 46375DEST_PATH_IMAGE008
分别为j和k的权重值，若j和k分别表示多个指标时，则u和v是权重向量，目标函数表示用最小的投入获得最大的产出。
得到相对绩效：
接下来需要求解指标的相对绩效，此处的指标为投入指标与产出指标：
对于每一对决策单元，得到：
Figure 85787DEST_PATH_IMAGE025
式中，EA1A2表示组A中指标1为投入，指标2为产出时指标2的绩效值；EB1B2表示组B中指标1为投入，指标2为产出时指标2的绩效值；EA1B2表示以组A中指标1为投入，组B中指标2为产出时指标2的绩效值；EB1A2表示以组B中指标1为投入，组A中指标2为产出时指标2的绩效值；
依次类推：
Figure 713690DEST_PATH_IMAGE010
式中，
Figure 408808DEST_PATH_IMAGE011
表示组A中在投入指标为j的条件下，产出指标k的绩效值；
Figure 99683DEST_PATH_IMAGE012
表示组B中在投入指标为j的条件下，产出指标k的绩效值；
Figure 948428DEST_PATH_IMAGE013
表示将组A中的投入变量j与组B中的产出变量k取出进行组合得到的指标k的绩效值；
Figure 887347DEST_PATH_IMAGE014
表示将组B中的投入变量j与组A中的产出变量k取出进行组合得到的指标k的绩效值，
Figure 675786DEST_PATH_IMAGE015
表示j对k相对上一层级指标的重要程度；
根据DEA方法和上述相对绩效公式得到判断矩阵：
g
Figure 319256DEST_PATH_IMAGE016
。
构造判断矩阵的具体详细构建步骤，例如：
假设选取3天作为历史数据，数据为Yij，其中i表示第i期，j表示第j个指标，如Y23表示第二期的第三个指标，数据如下：
第一天：（Y11，Y12，Y13）
第二天：（Y21，Y22，Y23）
第三天：（Y31，Y32，Y33）
（1）绩效值求解
a）在三个指标中任选两个指标，如选取指标为第1个指标和第2个指标
b）将第1个指标作为投入变量，第2个指标作为产出变量
c）指标绩效值公式：
投入指标（第1个指标）的绩效值：EY1 = u ×（Y11+Y21+Y31）；
产出指标（第2个指标）的绩效值：EY2 = v ×（Y12+Y22+Y32）；
目标函数：该目标函数表示用最小的投入来获得最大的产出；
Figure 828866DEST_PATH_IMAGE026
约束条件为：
Figure 565615DEST_PATH_IMAGE027
d）通过求解上述的目标函数，可以得到u和v的值。v和u分别表示两个指标的权重。
（2）相对绩效的求解
在（1）中讲述了对某一组的数据来求解指标的绩效值。接下来需要求解两个指标的相对绩效。求解相对绩效需要用到两组数据，组A和组B。同样选取3天历史数据作为决策单元。A11表示组A中第一天的第一个指标值，A23表示组A中第二天的第三个指标值，其他表示同理。数据如下：
组A：（A11，A12，A13）
（A21，A22，A23）
（A31，A32，A33）
组B：（B11，B12，B13）
（B21，B22，B23）
（B31，B32，B33）
假设现在需要求指标1对指标2的相对绩效a12，具体做法如下：
a）通过（1）绩效值求解中的方法，可以求解
Figure 214421DEST_PATH_IMAGE028
，
Figure 263411DEST_PATH_IMAGE029
。
Figure 758852DEST_PATH_IMAGE030
表示A组中以指标1为投入，指标2为产出时指标2的绩效值。
Figure 526389DEST_PATH_IMAGE031
表示B组中以指标1为投入，指标2为产出时指标2的绩效值。
b）将组A与组B中的投入和产出互换，具体做法如下：
将A组中的投入指标（指标1）与B组中的产出指标（指标2）进行组合，得到数据为：
组A1:（A11，B12）
（A21，B22）
（A31，B32）
将B组中的投入指标（指标1）与A组中的产出指标（指标2）进行组合，得到数据为：
组B1:（B11，A12）
（B21，A22）
（B31，A32）
通过（1）绩效值求解中的求解方式可以求出
Figure 790886DEST_PATH_IMAGE032
。其中，
Figure 463307DEST_PATH_IMAGE033
分别表示组A1跟组B1中指标2的绩效值。
c）求指标1和指标2的相对绩效a12：
Figure 983062DEST_PATH_IMAGE034
对于其他指标，采用同样的方式来求解。对于指标j和指标k，可以得到：
Figure 825728DEST_PATH_IMAGE035
d）然后可以得到判断矩阵D。
本实施例中，所述层次单排序和层次总排序，且均进行一致性检测的具体步骤包括：
层次单排序和一致性检验：
层次单排序是指，对于上一层某因素而言，本层次各因素的重要性的排序。两两比较矩阵的元素是通过两个因素比较得到的，而在很多这样的比较中，往往可能得到一些不一致性的结论。例如，当因素i、j、k的重要性很接近的时候，在两两比较时，可能得出i比j重要，j比k重要，而k又比i重要等矛盾的结论，这在因素的数目多的时候更容易发生。
如图6所示，图示为一致性检验流程图；
根据判断矩阵计算其最大特征值
Figure 962310DEST_PATH_IMAGE036
；
再计算一致性指标CI和平均随机一致性指标RI，一致性指标CI计算公式为：
Figure 353102DEST_PATH_IMAGE037
其中，c是矩阵的维数；
根据得到的一致性指标CI和平均随机一致性指标RI；
具体的，根据c的大小，按照下表2查找平均随机一致性指标：
表2 一致性指标
c 1 2 3 4 5 6 7 8 9 10 11 12
RI 0 0 0.52 0.89 1.12 1.26 1.36 1.41 1.46 1.49 1.52 1.54
计算一致性比率CR，公式为：
Figure 215907DEST_PATH_IMAGE039
若一致性比率CR<0.1则可认为判断矩阵的一致性可以接受，否则需对判断矩阵进行修正；
利用算术平均法求解判断矩阵的权重向量，公式为：
Figure 463086DEST_PATH_IMAGE040
本实施例中，我们使用多个决策单元的判断矩阵进行平均得到权重，从而避免由单个决策单元带来的偶然因素，使得结果更加准确。具体步骤是采用DMU个数与步长同步搜索，然后利用通过一致性检测率作为依据，进而筛选出最佳的DMU个数。
Figure 913091DEST_PATH_IMAGE041
其中，i为步长，j为DMU个数，t为通过一致性检验的矩阵个数，N为期数（本案中N为天数），Pij表示步长为i，DMU个数为j时通过一致性检测的通过率。
本实施例中，在使用DEA方法构造判断矩阵时，通过DMU与步长同步搜索，以通过一致性检验率来选择的决策单元的个数，最后确定了权重稳定下的决策单元个数，使得最终的结果更加精确。
筛选结果如下表3所示：
表3 DMU个数选取
Figure DEST_PATH_IMAGE043A
由上表可以得到，DMU个数选取2-7个，步长取1-4，Pij表示步长为i，DMU个数为 j时通过一致性检测的通过率。通过实验结果可以知道，P36最大，即当步长为3，DMU个数为6时，通过率最高。所以我们最终确定的步长为3，DMU个数为6。
计算各一级指标评估结果：
由上述步骤中，我们可以得到各Ⅱ层指标所对应的Ⅲ层指标的相对权重，通过权重可以计算每个Ⅱ层指标的得分情况。
根据得到的权重向量计算层级指标的得分，公式为：
Figure 962474DEST_PATH_IMAGE044
；
式中，wi表示在每一级的指标xi最终确定的权重值，n表示在该级指标中一共有n个指标。
具体实施方式中，如对于Ⅱ层指标出入库为例说明，如下表4所示；
表4 指标值及权重
Figure 321649DEST_PATH_IMAGE045
同时结合上述权重步骤得到，实际值是我们构建指标时所计算的值。最终出入库得分为：
Figure 241195DEST_PATH_IMAGE046
式中，n表示选取的指标的个数。
重复该过程，我们可以得到每一个Ⅱ级指标对应的绩效得分。
层次总排序和一致性检验：
层次总排序是确定某层所有因素对于总目标相对重要性的排序权值过程。这一过程是从最高层到最底层依次进行的。对于最高层而言，其层次单排序的结果也就是总排序的结果。
本实施例的具体实施方式中，设：
Ⅰ层（最高层）m个因素A1,A2,...,Am，对总目标的排序为a1,a2,...,am
Ⅱ层n个因素对Ⅰ层中因素为Aj的层次单排序为b1j,b2j,...,bnj(j=1,2,3,...,m)
现求Ⅱ层中各因素关于总目标的权重，即求Ⅱ层各因素的层次总排序权重b1,b2,...,bn，
Ⅱ层的层次总排序（即，Ⅱ层的第i个因素对总目标的权值）为：
Figure 703399DEST_PATH_IMAGE047
得到层次总排序的一致性比率为：
Figure 911133DEST_PATH_IMAGE048
若一致性比率CR<0.1，则层次总排序一致；
输出评估结果：
得到每一个Ⅰ层指标的得分：
Figure 423016DEST_PATH_IMAGE049
；
由上述步骤可以得到Ⅰ层指标对于目标层的权重向量:
Figure 283437DEST_PATH_IMAGE050
；
最后系统的得分为：
Figure 182736DEST_PATH_IMAGE051
。
本实施例中，基于改进DEA的AHP方法，我们可以得到两种评估结果。第一种是对整个物流系统的绩效评估结果ScoreⅠ，第二种是对整个系统中不同环节（层次结构中的一级指标）的评估结果Score。
S5、根据各层指标评价得分调整整个物流系统运行效率，并诊断出低效率的环节。
通过对评估结果的对比我们不仅可以衡量整个系统的运行效率，而且能够通过不同环节的结果诊断出系统中低效率的环节，从而有针对性的对系统做出优化。
如图7所示，图示为评估结果箱线图，在除去节假日对仓库运行的影响，计算出仓库综合分数平均值是0.54，仓库管理、出入库、设备、订单等因素的平均分数，分别是0.20、0.38、0.74、0.75。从图示中可发现仓库管理、出入库等因素的分数水平比设备、订单低得多。可以看出，提高仓库管理和出入库能力，能够提高绩效综合分数，也说明了目前仓库可以在仓库管理和出入库有很大的优化空间。
本实施例中，了解到目前货位存储采用的是分散存放（随机性）原则，导致仓库内部出现较多的货位让路情况，可以对其进行货位存储方式的优化，比如货位共享、货位分类存储等方式结合使用；对货位大小以及托盘种类进行优化，通过历史订单数据，新增符合物料大小的货位以及物料种类的托盘。目前出入库采用先进先出规则，后期优化时可以通过合理分配来提高作业效率，如结合历史出库单分析，按照效率原则，近期出库概率分布来安排货物放位置。
需要说明的是，本发明的重点在于通过新的方法来构造AHP方法中的判断矩阵，不在于获取的数据。
对于本发明而言，不是对数据的一系列处理，而是通过本发明的方法使得原本的数据能够表现出我们需要的特性。
有益效果：
1、本实施例中，通过构建全面的一套能够涵盖整个物流过程的指标体系，具备一定的可移植性，不仅能够纵向评估同一企业不同历史时段的效果，还能纵向评估不同企业的绩效情况；
2、在保留传统AHP层次分析法框架的基础上，融合改进后的DEA方法，以此来构造判断矩阵，摒弃了专家经验打分环节，通过纯数据驱动的方式来确定权重，让权重客观可比，使得最终的评估结果得分更具可信度；
3、在充分挖掘利用多指标的基础上，能够对不同类别的指标进行评估，从而针对性的找出物流系统在不同方面存在的问题，为后期的优化提供了很好的方向，能够基于不同类的指标给出客观建议；
4、通过使用DEA方法构造判断矩阵时，通过DMU与步长同步搜索的方式来决定DEA方法中DMU的个数。以通过一致性检验率来选择的决策单元的个数，最后确定了权重稳定下的决策单元个数，使得最终的结果更加精确。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于改进DEA的AHP的物流绩效评估方法，其特征在于，包括：
采集实际物流场景中的真实数据；
根据整个物流过程选取物流系统特征指标，并对物流系统特征指标进行数据归一化；
根据选取物流系统特征指标和AHP层次分析方法构建系统化的评级指标体系；
再基于改进DEA构建判断矩阵，并通过层次单排序和层次总排序，且均进行一致性检测，输出评级指标体系的各层指标评价得分；
所述基于改进DEA构建判断矩阵，并输出最优的评价结果的具体步骤包括：
根据评级指标体系中不同层级的任意两指标作为对比指标；
根据选取的对比指标确定投入变量与产出变量；
根据投入变量和产出变量的N期历史数据作为决策单元，作为组A；
再选择N期历史数据作为决策单元，作为组B；
求解指标的绩效值，所述绩效值的公式为：
Figure 979275DEST_PATH_IMAGE001
式中，Yj和Yk分别为指标j和指标k的实际值，
Figure 630836DEST_PATH_IMAGE002
分别为决策单元中指标j和指标k的绩效值，
Figure 144994DEST_PATH_IMAGE003
分别为j和k的权重值，若j和k分别表示多个指标时，则u和v是权重向量，目标函数表示用最小的投入获得最大的产出；
通过上式可以求出权重值
Figure 274624DEST_PATH_IMAGE004
；
根据得到的绩效值计算任意两两指标的相对绩效，公式为：
Figure 88996DEST_PATH_IMAGE005
式中，
Figure 770513DEST_PATH_IMAGE006
表示组A中在投入指标为j的条件下，产出指标k的绩效值；
Figure 771967DEST_PATH_IMAGE007
表示组B中在投入指标为j的条件下，产出指标k的绩效值；
Figure 705288DEST_PATH_IMAGE008
表示将组A中的投入变量j与组B中的产出变量k取出进行组合得到的指标k的绩效值；
Figure 108588DEST_PATH_IMAGE009
表示将组B中的投入变量j与组A中的产出变量k取出进行组合得到的指标k的绩效值，
Figure 101952DEST_PATH_IMAGE010
表示j对k相对上一层级指标的重要程度；
根据DEA方法和上述相对绩效公式得到判断矩阵：
Figure 715336DEST_PATH_IMAGE011
；
根据各层指标评价得分调整整个物流系统运行效率，并诊断出低效率的环节。
2.根据权利要求1所述一种基于改进DEA的AHP的物流绩效评估方法，其特征在于，所述根据整个物流过程选取物流系统特征指标，并对物流系统特征指标进行数据归一化的具体步骤包括：
首先从整个物流过程选取物流系统特征指标，建立物流绩效评价指标；
同时采用Min-Max归一化方法和Max-Min归一化方法将指标映射到0到1之间，正向指标归一化公式为：
Figure 186768DEST_PATH_IMAGE012
；
负向指标归一化公式为：
Figure 444574DEST_PATH_IMAGE013
；
式中，
Figure 608839DEST_PATH_IMAGE014
表示指标的实际值，
Figure 850465DEST_PATH_IMAGE015
表示指标中的最小值，
Figure 984643DEST_PATH_IMAGE016
表示指标中的最大值。
3.根据权利要求1所述一种基于改进DEA的AHP的物流绩效评估方法，其特征在于，所述根据选取物流系统特征指标和AHP层次分析方法构建系统化的评级指标体系的具体步骤包括：
首先根据采集的物流真实数据为全流程数据；
根据全流程数据设置多级指标，且在每一个上级指标下设置若干个下级指标，构建成系统化的评级指标体系。
4.根据权利要求1所述一种基于改进DEA的AHP的物流绩效评估方法，其特征在于，所述层次单排序和层次总排序，且均进行一致性检测的具体步骤包括：
根据判断矩阵计算其最大特征值
Figure 362535DEST_PATH_IMAGE017
；
再计算一致性指标CI和平均随机一致性指标RI，一致性指标CI计算公式为：
Figure 697701DEST_PATH_IMAGE018
其中，c是矩阵的维数；
根据得到的一致性指标CI和平均随机一致性指标RI，计算一致性比率CR，公式为：
Figure 161043DEST_PATH_IMAGE019
若一致性比率CR<0.1接受判断矩阵，否则对判断矩阵进行修正；
同时，得到层次总排序的一致性比率为：
Figure 974279DEST_PATH_IMAGE020
式中，CIi（i=1,2,…m）为该层指标对上层指标i的层次单排序的一致性指标值，RIi（i=1,2,…m）为该层指标对上层指标i的随机一致性指标值，a1……am为该层指标对目标层的层次排序值；
若一致性比率CR<0.1，则层次总排序一致；
利用算术平均法求解判断矩阵的权重向量，公式为：
Figure 331311DEST_PATH_IMAGE021
式中，aij表示i对j相对上一层指标的重要程度，akj表示k对j相对上一层指标的重要程度；
根据得到的权重向量计算层级指标的得分，公式为：
Figure 102958DEST_PATH_IMAGE022
；
式中，wi表示在每一级的指标xi最终确定的权重值，n表示在该级指标中一共有n个指标。
CN202210071211.9A 2022-01-21 2022-01-21 一种基于改进dea的ahp的物流绩效评估方法 Active CN114091791B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210071211.9A CN114091791B (zh) 2022-01-21 2022-01-21 一种基于改进dea的ahp的物流绩效评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210071211.9A CN114091791B (zh) 2022-01-21 2022-01-21 一种基于改进dea的ahp的物流绩效评估方法

Publications (2)

Publication Number Publication Date
CN114091791A CN114091791A (zh) 2022-02-25
CN114091791B true CN114091791B (zh) 2022-04-12

Family

ID=80309001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210071211.9A Active CN114091791B (zh) 2022-01-21 2022-01-21 一种基于改进dea的ahp的物流绩效评估方法

Country Status (1)

Country Link
CN (1) CN114091791B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115471158B (zh) * 2022-10-10 2024-07-16 上海理工大学 基于货车限行措施的物流配送中心效率评价方法及系统
CN116308028A (zh) * 2023-02-03 2023-06-23 深圳市速达非科技有限公司 一种基于物流场景的分析管理系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102486854A (zh) * 2010-12-03 2012-06-06 华北电网有限公司供应链管理中心 一种供应商管理模型体系
CN103413020A (zh) * 2013-06-25 2013-11-27 武汉理工大学 一种面向车间级制造能力的动态综合评估方法
CN105335825A (zh) * 2015-11-01 2016-02-17 上海财经大学 自贸试验区制度创新绩效评估系统及方法
CN112116230A (zh) * 2020-09-09 2020-12-22 福建新大陆软件工程有限公司 基于大数据的产业园评估方法及装置
WO2021064144A1 (en) * 2019-10-02 2021-04-08 Sapio Produzione Idrogeno Ossigeno S.R.L. Method and system for continuous estimation and representation of risk

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633891A (zh) * 2019-08-06 2019-12-31 南京南瑞信息通信科技有限公司 服务商履约绩效评价系统及方法
CN111047137A (zh) * 2019-11-07 2020-04-21 卓尔智联(武汉)研究院有限公司 物流绩效综合评价体系构建方法、装置和计算机设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102486854A (zh) * 2010-12-03 2012-06-06 华北电网有限公司供应链管理中心 一种供应商管理模型体系
CN103413020A (zh) * 2013-06-25 2013-11-27 武汉理工大学 一种面向车间级制造能力的动态综合评估方法
CN105335825A (zh) * 2015-11-01 2016-02-17 上海财经大学 自贸试验区制度创新绩效评估系统及方法
WO2021064144A1 (en) * 2019-10-02 2021-04-08 Sapio Produzione Idrogeno Ossigeno S.R.L. Method and system for continuous estimation and representation of risk
CN112116230A (zh) * 2020-09-09 2020-12-22 福建新大陆软件工程有限公司 基于大数据的产业园评估方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
商业银行风险管理绩效评价研究——基于AHP-DEA方法的评价框架;陆怡舟;《金融监管研究》;20190930;全文 *
物流绩效评价研究现状及趋势;王超;《中国流通经济》;20170331;全文 *

Also Published As

Publication number Publication date
CN114091791A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN109784806B (zh) 供应链控制方法、系统以及存储介质
Hu et al. An integrated approach for failure mode and effect analysis based on uncertain linguistic GRA–TOPSIS method
CN114091791B (zh) 一种基于改进dea的ahp的物流绩效评估方法
Dinçer Multi-criteria analysis of economic activity for European Union member states and candidate countries: TOPSIS and WSA applications
Karimi et al. A bi-objective incomplete hub location-routing problem with flow shipment scheduling
CN110942242A (zh) 一种科技企业孵化器运营绩效评价方法
CN111695718A (zh) 一种考虑投资需求与规划目标的电网发展辅助决策方法
CN108256969A (zh) 一种公共自行车租赁点调度区域划分方法
CN110276488A (zh) 一种基于分块矩阵和模糊运输时间的车辆路径优化方法
CN112149976B (zh) 一种基于人工智能的电网精准投资项目决策方法
CN114638021A (zh) 物联网轻量级区块链系统安全性评价方法
Cao et al. Emergency rescue vehicle dispatch planning using a hybrid algorithm
CN111178957A (zh) 一种用电客户电量突增预警的方法
CN115660170A (zh) 多维指标权重协同优化的数据资产管理成效差异化评估方法和系统
CN111047175A (zh) 一种电网投资项目优选方法及系统
Xiao et al. Managing minority opinions in risk evaluation by a delegation mechanism-based large-scale group decision-making with overlapping communities
CN114298538A (zh) 电网零购项目的投资方案评估方法、系统及存储介质
CN110458479A (zh) 一种新能源领域技术成果转化为技术标准的潜力评估方法
Reza Pourhassan et al. A multi echelon location-routing-inventory model for a supply chain network: NSGA II and multi-objective whale optimization algorithm
Patel Integrations and applications of analytic hierarchy process with data envelopment analysis–a literature review
Fu et al. Applying DEA–BPN to enhance the explanatory power of performance measurement
CN117575564A (zh) 可扩展的基础设施网络组件维修与改造决策评估方法及系统
Kılıç Supplier selection application based on a fuzzy multiple criteria decision making methodology
CN116227949A (zh) 基于数据优化权重综合加权目标动态威胁评估方法及系统
CN115689191A (zh) 一种面向指标体系筛选优化的智能电网安全性评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant