CSCD-GRNN模型在城市配送资源整合水平评价中的应用——以北京市为例

梁晨

（北京物资学院物流学院，北京市101149）

CSCD-GRNN模型在城市配送资源整合水平评价中的应用——以北京市为例

梁晨

（北京物资学院物流学院，北京市101149）

通过建立城市配送资源整合水平的CSCD-GRNN评价模型，并基于复合系统协调度模型和广义回归神经网络方法，可对城市配送资源整合水平的评价开展研究。该模型采用决策试验与实验评估方法对指标权重进行讨论，按照复合系统协调度模型的思路确定城市配送资源整合水平评价GRNN网络的输出值，为全面客观地评估城市配送资源整合水平提供合理的方法。同时，以该模型对北京市2005—2014年期间的城市配送资源整合水平情况进行评价，验证了该模型的有效性。

配送资源整合；人工神经网络；北京市；评价

我国正处于经济、社会持续快速发展时期，城市化进程不断加快，城市中工业生产配送、商业连锁配送、农产品配送、电子商务配送等各种配送业务不断涌现，各种配送资源涌入城市配送服务市场。但是，城市配送资源主体、配送模式以及管理政策等尚未完全适应城市配送发展的需求，城市配送资源投入与配送系统效率之间存在不相匹配的现象。同时，城市发展的不同时期和不同城市之间由于经济基础、产业结构、产业环境等的差异，使得配送资源整合的状态和水平具有不同的特征。因此，以城市为研究对象，探索配送资源整合水平的评价方法，对全面认识配送系统状态、推动配送资源整合具有重要的意义。

一、文献研究综述

配送资源整合问题属于物流资源整合的宏观范畴。城市配送资源包括城市范围内与配送活动相关的所有设施、设备、人员、资金等实体资源以及信息、技术、组织等非实体资源的总合。资源之间相互整合所形成的系统具有复杂程度高、动态性强的特点。

国外在配送资源整合方面的研究成果比较少，且研究方向比较分散，研究领域相对集中于车辆路径优化、物流共同化运作和企业绩效评价等方面。以相关英文关键词检索EBSCO和Springer Link两大外文数据库，能够检索到的文献极为有限，相关度较高的文献中还有一部分是我国学者发表的英文文献，比较有代表性的有许（Xu Xiaofeng）等［1］从物流网络和第四方物流角度对物流资源配置优化的研究和艾尔哈提卜·萨利赫·法赫德（Alkhatib Saleh Fahed）等［2］基于物流资源视角提出的物流服务商评价模型等。国内学者针对物流资源整合的研究成果相对丰富，如李南［3］以京津冀城市群为代表分析交通资源整合一体化问题，黄良芳等［4］、杨晓兰等［5］分别以柳州、襄阳为对象研究城市物流资源整合的途径和策略问题，但鲜有城市配送资源整合水平评价方面的成果。

城市配送资源整合水平的影响因素多、复杂性强。用于复杂系统评价的传统方法主要有德尔菲法、层次分析法以及模糊综合评价法，这些方法比较成熟，可以解决诸多拥有不同性质指标的系统评价问题，同时也存在一些不足：或者带有一定的主观片面性，或者对原始数据过分依赖［6］。近年来，人工神经网络方法被广泛运用到复杂系统评价中，并展现出良好的性能，该方法在处理复杂系统评价问题上具有并行处理、算法效率高和精确度高、鲁棒性强等优点。

广义回归神经网络（Generalized Rrgression Neural Network，GRNN）属于神经网络的一种，是唐纳德·F·施佩希特（Donald F.Specht）在神经网络知识及数理统计理论基础上提出的一种新型神经网络，被广泛应用于结构分析、系统评价以及活动预测等领域［7-9］。相关文献的研究表明，GRNN既有一般人工神经网络的非线性、不依赖主客观环境因素等特点，又能够有效规避一般人工神经网络收敛速度缓慢、容易陷入局部最优、分类能力较弱、学习速率低等不足［10］。具体而言，除具备上述与一般人工神经网络方法的共同优点外，GRNN与反向传输（Back Propagation，BP）神经网络、径向基（Radial Basis Function，RBF）神经网络等其他人工神经网络方法相比，具有如下4个优点：

一是只需网络单程训练，不需任何迭代，这不仅能降低算法设计难度，还可提高算法运行效率；二是隐含样本的神经元个数由训练样本指标自适应确定，而且该值已被证明是最优的神经元个数取值，省去了烦琐的神经元个数测试；三是网络各层之间的连接权重由训练样本唯一确定，避免了其他神经网络在迭代过程中的权值修正，提高了算法的执行效率；四是隐含层节点的激活函数采用对输入信息具有局部激活作用的高斯函数，对接近局部神经元特征的输入信息具有很强的吸引性，提高了神经网络算法的学习效率。

受限于我国物流统计数据不足的现状，考虑到能够获得完整数据的有效样本数量较少，同时尽可能减少主观评价的影响，本文以广义回归神经网络方法为基础对城市配送资源整合水平开展评价研究。

二、评价指标体系

按照协同学理论，城市配送资源整合水平可以定义为：在城市配送资源整合过程中，通过系统内部各子系统和要素间的彼此协同，有效适应外部环境和需求变化，改善配送资源效率，从而实现系统目标的程度。城市配送资源整合的目标可以进一步明确为：动态适应配送需求、提升配送资源效率、促进配送系统与其他系统协同。对配送资源整合水平的评价应能够反映系统目标的实现程度。因此，围绕三大系统目标，本着全面、客观和可操作的原则建立如表1所示的评价指标体系。

在该指标体系中，评价指标分为定量指标和定性指标。在评价过程中，定量指标由统计资料获得（需要指出的是，由于我国物流领域统计数据的局限性，部分定量指标只能采用近似统计数据替代）；定性指标必须转化为量化指标，处理办法采用最多的是专家打分法，由相关领域的专家学者对相应指标进行打分。同时，为避免指标异质性的影响，在评价前必须对不同指标进行标准的归一化处理。

三、评价模型的设计

（一）评价模型的设计思路

运用广义回归神经网络方法进行系统状态评价通常属于多输入单输出的问题。在评价结果未知的情况下，确定输出向量比较常见的办法是给定输出值的上限和下限，并根据训练样本数量进行线性插值［11-12］，或将根据历史经验给出训练样本的期望评价结果作为输出值［13］。本文将GRNN方法与复合系统协调度（Composite System Coordinating Degree，CSCD）模型相结合，按照CSCD模型的思路确定系统协同度作为输出训练样本的输出值，从而改善模型的训练效果。

表1　城市配送资源整合水平评价指标体系

基于协同学原理的CSCD模型被广泛运用于系统协同度的测度，范厚明等［14］对港城协同度与城市经济增长关系的研究、孙鹏等［15］对区域现代物流服务业与制造业发展协调水平评价的研究均证明了该方法在测度系统协同度方面的优势。根据CSCD模型的思想，各系统要素对相应子系统“有序”程度的贡献可以用有序度衡量，而系统中各子系统相互协调一致的水平决定了系统的总体协调度，可以反映对分散资源的整合水平。

但是，CSCD模型对系统协同度的测度和评价不可避免地存在主观因素。这一方面体现在指标体系的设计上，能否获得合理、充分反映系统状态的指标是进行评价的重要前提条件；另一方面该方法在处理系统变量权重的问题上，通常采用算术平均或几何平均的办法进行处理［16］，有时也采用相关系数赋权的办法［17］处理，这都增加了结果的不确定性。

对配送资源整合水平的评价过程须将评价指标体系视为整体系统，包文娟［18］、唐丽艳等［19］证明了决策试验与实验评估方法在处理系统各变量对系统总体状态影响程度问题上具有良好的适用性。因此为解决上述问题，本文采用实验评估方法计算各指标的权重系数，以尽可能准确反映各评价指标对整合水平的影响程度，避免计算平均值办法产生的风险。

综上，本文采用CSCD模型计算各评价指标对配送资源整合水平的贡献，用于反映城市配送资源整合系统三大目标间的协同性。三大目标间的协同性越好，说明该城市配送资源整合水平越高。将系统目标的协同性作为训练样本城市的输出数据，并据此建立能够反映配送资源整合水平的CSCDGRNN评价网络模型。基于广义回归神经网络与复合系统协调度模型对城市配送资源整合水平的评价过程可以用图1进行概括。

（二）CSCD-GRNN评价模型的构建

1.训练样本输出值的确定

（1）评价指标权重计算

1）定义直接影响矩阵C：

其中cij是指标i对j的影响程度。通常采用专家法获得cij，由具有相关领域专业知识和实践经验的多位专家组成专家组，对n个指标之间的逻辑关系进行打分评价，确定指标i对j的影响程度，取专家打分的算术平均分作为专家组意见。

图1　城市配送资源整合水平的评价过程

本文于2016年2—3月采用问卷方式邀请34位长期从事城市物流领域研究的专家进行打分，以构建直接影响矩阵，采用五级Likert量表。调研共发放问卷34份，发放对象为配送企业中层管理者8人，政府及行业协会物流专家6人，高校物流领域专家20人。回收问卷32份。计算平均分后的城市配送资源整合水平评价指标直接影响矩阵初始数据（见表2）。

2）定义归一化直接影响矩阵，将所有指标的关系程度值标准化为矩阵X：

表2　城市配送资源整合水平评价指标直接影响矩阵初始数据

3）定义综合影响矩阵T：

其中（I-X）-1为（I-X）的逆，I为单位矩阵。综合影响矩阵不仅考虑了各个指标之间的直接影响关系，还考虑了间接影响关系。

4）计算每个指标的影响度Dij和被影响度Rij：

影响度Dij为综合影响矩阵T中的行元素之和，代表该指标对其他所有指标的影响程度大小。

被影响度Rij为综合影响矩阵T中的列元素之和，代表该指标被其他所有指标的影响程度大小。

根据以上步骤计算的各指标权重结果见表3。

（2）评价指标数据归一化处理

若配送资源整合水平评价指标体系I包含n个一级指标，Ii表示其中的第i个一级指标，i∈［］1，n，每个一级指标拥有m个二级指标，每个二级指标的取值用Iij（i=1，2，…，n；j=1，2，…，m）表示，则I的指标矩阵可以表示为Iij。设一级指标Ii中二级指标Iij的取值范围为则可对一级指标Ii中二级指标Iij的归一化值Yij进行如下定义：

1）若Iij的取值大小与一级指标Ii的有序程度正相关，则：

2）若Iij的取值大小与一级指标Ii的有序程度负相关，则：

3）若Iij的取值大小稳定在某一个固定值Ibest对一级指标Ii的有序程度最有利，而偏离固定值越大越不利于系统的表现，则：

（3）样本输出值的确定

系统的整合水平可以通过各一级指标Ii中的二级指标Iij的归一化值Yij的集成来完成。考虑到不同评价指标对系统整合水平的贡献度不同，采用线性加权求和法进行整合水平的集成。样本输出值为：

表3　城市配送资源整合水平评价指标权重（）

表3　城市配送资源整合水平评价指标权重（）

评价指标指标权重（ω*ij）I11 I12 I13 I14 I15 I16 I21 I22 I23 I24 I25 I26 I27 I28 I29 I31 I32 I33 I34 I35 I36影响度（D）3.802 4.277 3.898 4.296 3.734 3.100 3.991 3.815 3.339 3.742 2.299 2.459 3.360 3.383 3.386 3.194 3.862 3.254 3.520 2.320 2.495被影响度（R）2.324 0.974 1.781 2.002 1.396 2.127 1.992 2.290 2.607 2.529 2.405 3.125 2.230 2.594 2.447 2.355 1.656 2.516 2.757 1.468 2.401 0.052 0.051 0.050 0.055 0.046 0.044 0.052 0.052 0.049 0.053 0.039 0.046 0.047 0.050 0.049 0.046 0.049 0.048 0.052 0.032 0.040

2.训练样本设计

CSCD-GRNN模型的重点是对训练样本输出值进行处理，且不影响GRNN网络的内部结构。因此，可以借助MATLAB R2012b自带的神经网络工具箱创建GRNN网络计算城市配送资源整合水平。在定义训练样本和测试样本后，将训练样本的数据归一化值输入模型，GRNN网络即可以开始学习训练，再将测试样本输入网络，得到的输出数据即为对应的测试结果。通过比较测试结果与真实数据之间的误差，评价模型效果；如果效果不佳，则可通过调节光滑因子δ来改善网络。

根据GRNN网络的基本特性，CSCD-GRNN模型需要人工调节的参数只有光滑因子δ，光滑因子δ对CSCD-GRNN模型的网络性能存在显著影响。将光滑因子以一定的增量在［0，1］范围内分别取值，并取训练样本中的部分样本作为“预测”样本，通过其他样本训练网络，在不同的δ取值下对“预测”样本进行预测，获得预测值与实际值的误差。最后，将最少误差对应的光滑因子δ作为最优值确定为最终CSCD-GRNN模型的光滑因子。

为充分保证CSCDGRNN网络的训练效果，增强评价模型对不同类型城市配送资源整合水平评价的有效性，训练样本的设计按照如下步骤进行：

（1）选择初始样本城市并进行评价指标赋值

依据前述确定的评价指标体系，为增强CSCD-GRNN模型的适用性，综合考虑选取具有不同发展阶段、经济总量、产业结构和地理区位等特征的北京、上海、天津、广州、长沙5个大型中心城市作为样本城市，并将样本城市2014年的数据作为初始样本。5个样本城市的配送资源整合水平评价指标数据（见表4）。

（2）计算初始样本城市配送资源整合水平的输出值

利用公式（8）到公式（11）计算5个初始样本城市的配送资源整合水平的输出值（参见表5）。

（3）获得训练样本

为进一步增强CSCD-GRNN模型的准确性，以5个初始样本城市为基础，采用在区间［0，0.1］上均匀分布的随机数对初始样本城市的配送资源整合水平评价指标值和水平值进行微小扰动，各生成10个样本作为CSCD-GRNN模型的训练样本，训练样本数量共50个。

表4　样本城市2014年配送资源整合水平评价指标

表5　样本城市配送资源整合水平输出值

3.网络训练

根据GRNN网络的一般特性，网络输入层神经单元数等于城市配送资源整合评价的指标数量。本文的评价体系由21个指标构成，输入层神经单元的数目确定为21个，并将整合水平输出值作为输出向量，输出层神经元数为1个。

将50个样本中的第5、第10、第15、第20、第25、第30、第35、第40、第45、第50共10个样本作为测试样本，其余40个样本作为训练样本进行网络测试。将光滑因子分别取值（0.1：0.1：0.9）形成9个CSCD-GRNN网络，并对结果进行测试比较（参见表6）。

当光滑因子取值为0.3时，10个测试样本的预测误差方差最小，CSCD-GRNN网络达到最佳评价效果，由此得到能够用于配送资源整合水平评价的训练好的CSCD-GRNN模型。

四、CSCD-GRNN模型在北京市配送资源整合水平评价中的应用

（一）评价过程

运用构建并训练好的CSCD-GRNN模型对北京市2005—2014年配送资源整合水平进行评价，评价指标值见表7。

（二）评价结论

对评价结果进一步分析，可得出以下结论：

（1）2005—2014年北京市城市配送资源整合水平总体上呈现明显的上升趋势（参见图2）。根据评价结果，北京市配送资源整合水平从2005年的0.379提升至2014年的0.604，10年间配送资源整合水平提升了59.37%，系统内各子系统的协同情况和系统目标达成水平得到持续改善。这一特征符合北京市配送发展的实际情况，说明本文构建的评价指标体系和基于GRNN网络的评价模型是可行的，能够较全面和真实地反映现实情况。

（2）从时间序列上看，北京市配送资源整合水平在10年间存在特征明显的三个时期。2005—2008年整合水平提高较快，2008—2010年相对平稳，2011年明显提升后基本稳定在较高水平。进一步对比2006年、2007年、2008年的归一化指标值后发现资源共享水平、城市公共物流信息平台水平、配送设施设备现代化水平几项指标有较大幅度提升，这与2008年奥运会前北京市集中淘汰物流落后产能、加大城市配送系统建设、推行共同配送试点和夜间配送模式等有密切关系。对比2011年前后各项指标的归一化数据后发现，政府物流资源整合政策影响显著，这与2011年后国家和地方密集出台的物流相关政策关系密切，同时也体现了政策环境对城市配送资源整合的重大影响。

表6　测试样本预测值及误差方差

表7　2005—2014年北京市配送资源整合水平评价指标

图2　2005—2014年北京市配送资源整合水平变化趋势

（3）从2012年开始，北京市配送资源整合水平的评价结果基本稳定，但有小幅下降。在城市货运量稳中有升的情况下，配送资源整合水平的微降主要源于城市交通的持续恶化和环保要求的不断提高，同时，受产业结构调整和地价快速上涨的影响，物流固定资产领域的投资意愿降低也是资源整合水平稳中微降的潜在因素。此外，从2011年国家“十二五”规划纲要提出推进京津冀一体化发展，到2014年京津冀协同发展上升为国家战略，北京市产业疏解政策推动的物流产业变革和城市产业结构调整对原有配送资源整合水平的影响还有待进一步观察。

［1］XU X F，ZHANG W，LI N.A bi-level programming model of resource matching for collaborative logistics network in supply uncertainty environment［J］.Journal of the franklin institute，2015（9）：3873-3884.

［2］Alkhatib Saleh Fahed，Darlington Robert.A novel technique for evaluating and selecting logistics service providers based on the logistics resource view［J］.Expert systems with applications，2015（20）：6976-6989.

［3］李南.京津冀城市群交通物流资源整合的意义、基础和路径［J］.物流工程与管理，2010（9）：19-21.

［4］黄良芳，林建.柳州区域物流资源整合策略研究［J］.物流科技，2012（9）：22-24.

［5］杨晓兰，刘学林.城市物流资源整合的途径与对策研究——以湖北省襄阳市为例［J］.企业科技与发展，2014（19）：8-9.

［6］刘建国，周涛，郭强，等.个性化推荐系统评价方法综述［J］.复杂系统与复杂性科学，2009（3）：1-10.

［7］Lopez-Martin C，ISAZA C，CHAVOYA A.Software development effort prediction of industrial projects applying a general regression neural network［J］.Empirical software engineering，2012（6）：738-756.

［8］QU J，CAO L，ZHOU J.Differential evolution-optimized general regression neural network and application to forecasting water demand in Yellow River Basin［C］//Information Science and Engineering（ICISE），2010 2nd International Conference on.IEEE，2010：1129-1132

［9］Essam Al-Daoud.A comparison between three neural network models for classification problems［J］.Journal of artificial intelligence，2009（2）：56.

［10］LENG Z，GAO J，QIN Y，et al.Short-term forecasting model of traffic flow based on GRNN［C］//Control and Decision Conference（CCDC），2013 25th Chinese.IEEE，2013：3816-3820

［11］叶姮，李贵才，等.国家级新区功能定位及发展建议——基于GRNN潜力评价方法［J］.经济地理，2015（2）：93-97.

［12］崔东文，郭荣.基于GRNN模型的区域水资源可持续利用评价——以云南文山州为例［J］.人民长江，2012（3）：27-29.

［13］孙禹，徐克林，秦玮.基于灰色-广义回归神经网络的工程公司供应商评价［J］.物流技术，2011（5）：92-93.

［14］范厚明，马梦知，温文华，屈莉莉.港城协同度与城市经济增长关系研究［J］.中国软科学，2015（9）：96-110.

［15］孙鹏，罗新星.区域现代物流服务业与制造业发展的协同度评价——基于湖南省数据的实证分析［J］.系统工程，2012（7）：112-115.

［16］鲁继通.京津冀区域协同创新能力测度与评价——基于复合系统协调度模型［J］.科技管理研究，2015（24）：166-169.

［17］王宏起，徐玉莲.科技创新与科技金融协同度模型及其应用研究［J］.中国软科学，2012（6）：132-133.

［18］包文娟.供应链系统序参量识别研究［D］.大连：大连理工大学，2014.

［19］唐丽艳，周建林，王国红.基于DEMATEL-ANP的产学研集成创新评价研究——以大连双D港企业为例［J］.科学学与科学技术管理，2013（12）：87-90.

责任编辑：方程

The Application of CSCD-GRNN Model to the Evaluation of the Integration Level of City Distribution Resources

LIANG Chen
（Beijing Wuzi University，Beijing101149，China）

The integration level of distribution resources has directly effect on the city distribution resources efficiency and the distribution system operation effect.The author conducts the thorough research on the integration level of city distribution resources based on the system coordination degree evaluation model and the method of generalized regression neural network.The CSCD-GRNN evaluation model is established for the integration level of city distribution resources，and a reasonable method for comprehensive and objective assessment to the integration level of city distribution resources is provided.And with the use of the CSCD-GRNN evaluation model，the author finishes the empirical research on assessment to Beijing city distribution resources integration level during the period of 2005—2014.

distribution resources integration；artificial neural network；Beijing city；evaluation

F252.14

A

1007-8266（2016）11-0033-09

2016-10-20

北京市教育委员会社会科学计划面上项目“基于自组织理论的北京市配送系统演化机制与系统构建研究”（SM201410037006）

梁晨（1978—），男，天津市人，北京物资学院物流学院副教授，博士，主要研究方向为区域及城市物流、物流设施规划与设计、物流系统分析与优化。