基于模糊综合评价和神经网络的烟草配送车组评价模型

罗 曦，张 鸳，杨 欢，杨祥龙，喻 莎

（湖北省烟草公司孝感市公司，湖北 孝感 432000）

0 引言

目前国内相关部门在“车组管理”中大多采用较为传统的管理方式，如人工管理、报表管理等，然而这些管理方式相对来说缺乏针对性和科学性。现有的评价体系虽然较为完整地包含了车组管理的各项指标，但缺少参考对比的依据，同时对于车组评优与车组如何改进等问题，也没有一个简单易行、可快速掌握的标准，从而最终造成成本增加、员工管理困难等问题。此外，现在广泛使用的车组评价体系大都基于行业内部的相关指标，并没有充分考虑客户满意度相关指标，无法充分满足客户对于高水平服务的需要。

综上所述，一个以服务客户为导向，能够有效提高车组服务水平的车队管理综合评分方案与技术，对于车组管理而言是迫切需要的。为此，我们希望根据具体的配送车组现状构建新的综合评价体系，以提高客户满意度为评价导向，采用不受人为因素干扰的数学评价方法，全面提高烟草配送服务水平，推动“知音物流”品牌的推广和传播。

1 方法选择综述

1.1 相关文献综述

目前对于配送车组管理还没有一套完整的、通用的综合评价体系，一般只能依据评价目标和被评价系统的特点、规模、类型、特征、复杂程度等要求和范围的不同，选择不同的评价方法。目前广泛应用的多指标综合评价方法主要分为主观赋权评价法和客观赋权评价法。

主观赋权评价法主要依据专家经验衡量各指标的相对重要性，有一定的主观随意性，受人为因素的干扰较大，在评价指标较多时难以得到准确的评价，常见方法有层次分析法、综合评分法、模糊评价法、指数加权法、功效系数法等。这些方法被广泛应用于管理评价与优化的过程中，傅雨佳，等提出基于AHP和模糊综合评判的方法对作业指挥管理系统的应用效能进行评价,其判断矩阵具有满意的一致性[1]，然而却存在着定量数据较少，指标过多时权重难以确定等问题；邓归来，等将模糊综合评价方法运用在快递企业当中，以顺丰企业为例进行核心竞争力评价分析,并指明了竞争力提升的参考方向[2]；林玲通过应用模糊综合评价法对Y速递公司客户关系满意度进行评价[3]，但模糊综合评价法求解过程计算复杂，同时也未能很好地避免指标权重矢量确定的主观性；谢圣玉，等采用功效系数法,对物流动态绩效考核体系进行优化，选取8家具有代表性的物流企业，针对存在的问题提出了改进意见[4]；贾成松运用熵值法确定各指标评价权重，运用功效系数法确定各指标能力值，从数理统计层面对相关单位的整体运行管控质量和水平做出了评价[5]，但功效系数法中满意值和不允许值这两个标准值的预测难度较大，增加了方法的实际应用难度。

客观赋权评价法更多考虑各指标间的相互关系，根据所提供的初始信息量来确定各个评价指标的权数，能够使评价结果较为精确，但当评价指标较多时存在计算量过大的问题，典型方法有熵值法、神经网络分析法、主成分分析法、变异系数法、聚类分析法、判别分析法等。这些方法同样常见于评价改进领域，Feng Jianhong，等提出了熵权法与多目标规划相结合的评价模型，可以有效地解决汽车制造商的绿色供应商选择和订单分配问题[6]，然而熵权法缺乏各指标间的横向比较，且权数强烈依赖于样本，应用受限；鲍珍珍，等采用基于BP 神经网络和层次分析法的评价方法，对第三方物流企业的综合实力进行评价分析，为第三方物流企业的选择提供重要的参考[7]，但需要人为解释神经网络的推理过程和依据，对训练数据的要求较高，未能规避层次分析法带来的主观偏差影响；童华刚，等利用主成分分析法对沪深两市上市的物流企业进行分析，得出竞争力综合评价结果[8]，然而主成分分析法本身存在信息丢失的弊端，且主成分的现实含义具有模糊性，增大解释难度；陈昌华，等将灰色关联法和系统聚类法结合，充分考虑了影响烟草物流效率的内外部要素和区域发展不平衡问题，以四川省为研究实例，克服了以往主要考虑行业内部要素和绩效排名的不合理性，为找准对标对象提供了重要依据[9]，然而样本较大时，难以获得明晰的聚类结论；鲁晓春，等利用Fisher 线性判别分析方法对物流规划项目进行评估，大大减少了专家评估物流规划项目的工作量[10]，判别分析法能有效的利用历史数据信息，但当指标间关系复杂时，难以选择有效的判别函数。

随着人工智能的快速发展以及综合评价理论基础研究的进一步深入，对现有综合评价方法加以改进和发展，大力发展先进智能评价技术已经成为研究趋势，同时也为研究和开发基于计算机的综合评价软件系统提供了可能。利用计算机技术对车组数据进行分析评价，能够更好地处理大量及复杂指标间的关系，同时也能够快速节约计算时间。

1.2 评价方法选择

烟草配送车组管理评价场景是一种多层次、多因素、相关性强的指标评价场景，需要综合考虑人员管理、设备设施管理、物流活动管理和客户满意度等多方面因素。在这样的背景下，本方案创新性地采用模糊综合评价和人工神经网络相结合的方法，综合评价体系由以公司为导向转向以客户为导向。

模糊综合评价法是一种基于模糊数学的评价方法，依据模糊数学的隶属度理论把定性评价转化为定量评价，能够较好的解决模糊的、难以量化的评价问题；神经网络分析法通过预先收集处理数据，获得神经网络的学习样本，神经网络完成样本集训练后，将各指标的权重存储在网络中，当把实际问题的特征参数输入后，网络能够自行给出评价结果；通过不断学习，能够从未知模式的大量复杂数据中发现规律，具有自组织、自学习、自适应、非线性映射等特性，能对多指标综合评价问题给出客观的评价。

本方案首先建立客户满意度评价指标体系，运用模糊综合评价法得出各地车队客户满意度评价结果，其次将满意度评价结果作为神经网络分析的期望输出，将车队其他相关指标数据作为输入展开训练，不断调整各指标权重，当实际输出与期望输出误差达到满意值时，得到评价体系最终权重结果，并依据权重结果计算车组综合评分。

2 烟草配送车组综合评价指标体系

评价指标体系是决定评价结果是否科学的基础。在过去的客户满意度评价指标中，更多着眼于业务层面，如供应总量、货源分配等，很少涉及车组本身的特性，无法以提升服务水平和客户满意度为直接目标提供车组调整的决策依据。在结合现有研究成果的基础上，本文建立了一套科学合理的车组综合评价体系，再通过神经网络调节权重，以使客户满意度能够引导车组评价结果。

在对车组系统进行实地调研与考察后，对车组特性进行总结，从烟草配送车组的人员架构与日常培训、车辆管理、运输活动、配送管理、服务完成度、操作情况等方面优选具有代表性的车组评价指标。限于篇幅关系，这里不做具体的指标解释与描述，仅给出车组综合评价指标系统，如图

3 基于模糊神经网络的烟草配送车组综合评价模型

图1 烟草配送车组综合评价指标体系

配送车组评价模型要同时反映定性与定量因素相结合、模糊因素、多层次、指标间关系复杂等特点。作为服务型产业，提升服务质量和客户满意度是最为直观也是最为迫切的。除了车队本身的特质之外，需要充分考虑服务水平与客户满意度，如果单纯使用德尔菲法来确定车组评价体系的指标权重，未必能够满足客户的需求偏好，从而导致优化的效果不够理想。

因此，在训练神经网络的时候，车组的输出等级与优劣不再是由专家进行评价，而是由客户满意度与服务水平打分等因素综合考评而得到。而对于综合满意度评级，则是通过专家评估确定权重，再综合考虑多个来自客户的服务满意度指标得分而得到。客户服务满意度指标如图2所示。

为此，本文将神经网络、三角模糊函数以及模糊综合评价法相结合，提出了用用户主观指标数据训练车组客观指标数据的神经网络方法，将主观数据的综合评价结果用作客观数据神经网络的训练数据，为车组客观指标迎合顾客满意度提供了方向。基于模糊神经网络的烟草配送车组综合评价模型具体实施步骤为：

图2 客户满意度评价指标体系

（1）用户综合满意度评价体系

①确定用户综合满意度评价因素集，以及评价尺度；

②确定用户综合满意度评价的层次结构；

③评价指标数据的归一化处理；

④确定用户综合满意度评价体系权重；

⑤确定各指标隶属度；

⑥计算模糊综合评价结果，并用于车组评价体系训练。

（2）车组评价体系

①确定车组评价因素集，以及评价尺度；

②确定车组评价的层次结构；

③评价指标数据的归一化处理；

④确定各指标隶属度；

⑤以车组各个评价指标数据为输入，车组对应的综合满意度为输出，训练车组评价神经网络。

3.1 归一化处理

在配送车组评价体系中包含多种不同性质的指标，各评价指标的量纲与物理意义存在差异，因此需要对数据进行归一化处理。通过归一化，能够简化模块初始化操作，更好地保证每个神经元初始化成有效的状态。也能将梯度限制在一个合理范围，避免权重更新时的潜在问题。同时归一化可以使学习率维持固定值，减少参数调整，避免出错。此外，维持各指标特征维度数量级一致也能有效地减少搜索时间。因此各个指标的输入数据，必须进行归一化处理。

图3 神经网络学习&模糊综合评价流程图

确定待评价对象输入信息：

以特征u1为例，将所有待评价车组的u1特征值进行统计，找出最大值和最小值，做以下归一化处理：

从而得到归一化输入信息：

3.2 模糊综合评价

在一般的工程应用中选择三角形函数来表达隶属度函数，输出等级有n个，则有n个模糊子集，故隶属度参数向量需有n个参数；三角模糊函数集共有n个函数，其中第j个输出等级对应的隶属度函数μj为：

参考实际数据情况，由行业人士做出数据划分评语向量，再进行极差变换得到标准化向量，用作隶属度参数向量：

确定评语等级变量矩阵R，将标准化数据ui代入对应的隶属度函数，可得该特征对应的子评语等级行向量：

考虑该车组所具有的所有特征，则得到车组对应的模糊关系矩R：

若存在多级结构，无需建立新的隶属度函数，设有Wsub=(w1,w2,...,wm)为低层级与高层级层间权重向量，可计算得到高层子评语等级行向量：

设高层级指标特征共有k个，则车组对应的模糊关系矩阵更新为R'：

将所得到的最高层特征指标反映出的车组对应的模糊关系矩阵R'，乘以目标层-最高层层间权重W，可得车组综合满意度指标评语等级向量B,表征车组综合评价等级位于各个评级的概率：

可设计评价等级分值列向量Q，将综合满意度指标评语等级向量转化为综合满意度指标评分，便于统计评比，也更为直观：

3.3 神经网络训练

将主观数据的综合评价结果用作客观数据神经网络的训练数据，通过神经网络确定车组评价系统的层间权重W。

设有学习样本dp=(d1p,d2p,...,dmp,tp)，随机给出层间权重W，通过评价等级分值列向量T，将综合满意度指标评语等级向量转化为综合满意度指标评分，便于神经网络梯度下降收敛时的数值计算，按照上述过程计算得到网络输出值为yp=W·R'·Q，在本模型中dp为p个车组各项指标数值，tp为该车组对应的用户综合满意度指标数据得分。

建立网络误差函数：

在学习过程中调整W，逐步降低误差ep至设定值，或达到训练次数上限。使用梯度下降法求最优：

α为学习效率，取0-1之间数值。

训练完成后，将更新完成的W设为神经网络参数，代入实际数据，W·R得到输出矩阵，逐级确定输出，最终得到综合满意度指标评语等级向量。

4 应用案例

本文以孝感市烟草中心配送车组为例，车组综合评价指标体系如图1 所示。本文的实证数据涉及到实际数据、极限值、标杆值等，所以数据来源较广，包括专家咨询、企业调查、国家规定与相关认证标准以及相关研究成果等。

通过客户满意度评价指标体系计算各个车组的综合满意度得分，用作神经网络的训练目标。

(88.347,86.653,86.784,88.477,84.781,86.999,87.35)

以孝感市7 个车组的各项三级指标得分作为输入数据，对数据进行归一化处理，建立标准化输入矩阵。以车组的综合满意度得分为输出数据，进行神经网络训练，实现客户综合满意度对车组客观指标的引导，得到三级指标对应的指标权重向量Wlayer3，根据权重的模按体系层次关系调整对应二级指标的对应三级指标的权向量和为1。将评价等级设置为4个，{优，良，中，差}，其中 60-70 分为差，70-80 分为中，80-90分为良，90-100分为优，计算得到各二级指标对应的三级指标隶属度矩阵。利用三级指标隶属度矩阵以及权向量，求取二级指标对应的隶属度矩阵。逐层向上递推，直至求得车组综合评价指标的隶属度结果。

由神经网络训练结果（如图4）可知，所求层间权重向量Wlayer3,Wlayer2,Wlayer1能够很好的反映用户满意度属性。

受篇幅限制，此处只写出一级指标的隶属度和权重，以及车组综合评价指标的隶属度结果。

7个车组的综合模糊评价隶属度如下：

由最大隶属度原则可此7 个车组都处于良好等级，符合各个车组客户满意度得分值差别不大的事实，说明各个车组评分受到客户满意度的引导作用明显。

图4 神经网络训练结果图（依次为三级、二级、一级指标层权重）

取评价等级范围终值为评价等级分值向量Q=(65,75,85,95)，计算综合满意度指标评分，便于统计评比。所得车组综合满意度指标评分向量为：(80.411,81.256,86.402,83.507,80.537,81.945,82.077)

可以看到，所得结果数据与原始综合满意度之间存在差距，之所以有改变，是因为原有客户满意度评价体系中，只考虑了供应总量、货源分配等业务指标，很少涉及车组本身的特性，而丰富后的车组综合评价体系中车组本身的客观数据得分较低，说明新加入的车组评价指标是有意义的，有效地丰富了车组综合评价。

5 结语

烟草公司车组管理综合评价问题较为复杂，具有指标结构复杂、定性定量指标相结合等特点。本方案所选方法聚焦烟草物流行业，创新性地将运用模糊综合评价法得出的客户满意度评价结果作为神经网络分析的训练原始数据，建立以客户为本的综合评价体系，充分考虑了车队服务水平和客户满意度的重要性，实现了客户满意度引导驱动的车组评价，有利于公司贯彻落实烟草行业“卷烟上水平”的基本方针和战略任务，帮助公司传播企业文化，实现品牌推广。同时也结合了车组本身的客观指标，综合考虑人员管理、设备设施管理、物流活动管理和客户满意度等多方面指标，丰富了车组评价体系，能够较为客观全面地反映实际问题和各车队真实服务水平，为评级评优和日后改进提升提供重要参考。