论文研究-基于PCA-AHP模型的无车承运人合作伙伴选择研究.pdf

所需积分/C币:9 2019-07-22 21:37:03 1.24MB .PDF
28
收藏 收藏
举报

为了合理选择无车承运人的合作伙伴,提高运营效益和降低风险,建立了PCA-AHP无车承运人伙伴选择模型。根据无车承运人伙伴选择的影响因素,构建了包含16项指标的无车承运人伙伴选择指标体系,在对指标体系进行主成分分析(PCA)的基础上,通过AHP分析法计算综合权重。针对具有10家候选伙伴企业的无车承运人进行案例分析,提取了累计方差贡献率达82.81%的五个主成分,采用层次分析法分别对数据进行主成分分析训练和层次分析权重计算。结算结果表明:运输服务质量是影响无车承运人选择伙伴企业的关键因素,该模型具有有效性和实用性,能为无车承运人合作伙伴的选择提供决策依据。
2342 计算机应用研究 第34卷 对其进行标准化处理。为了消除原始变量量纲不同而造成的大表明该指标对主成分的影响越大,如果系数小于0.1,表明 影响,使同一主成分内的不同指标之间具有可比性,利用式该系数对主成分的影响很小,几乎可以忽略不计,即可剔除该 (1)进行标准化处坦。 系数所代表的指标。 Y=(X-X,)/ (1) f)根据以上步骤,就可以确定完整的指标体系,该指标体 其中:};和S分别是各维度分量的均值和标准差 系既能全面反映所有指标包含的信息,还能消除指标之问的相 b)对步骤a)中标准化的矩阵求相关系数矩阵R 关性,方便层次分析法的运行 月 (2) 般将A/∑A称为第k个主成分的贡献率,将∑A/∑ c)计算相关系数矩阵的特征值和特征向量。假设求出4,称为前K个主成分的累积贡献率,当累积贡献率人于等于 的A1≥A2≥…≥An≥0是月的特征值,1,2,…,an是对应80%,并且特征值大于1时,即将前K个指标确定为主成分 的特征向量,由此可以得到一组主成分,用U2表小 因此,一个主成分的方差主要反映了绝对值较大的系数对应指 标的变异信息,称这些指标为该主成分的重要指标,将其作为 D=2∝X 初选指标。即在每个主成分中保留绝对值较大的系数所对应 其中:‖α,‖=1(i=1,2,…,m)。 的指标,保留的指标是与主成分相关性较强的指标,删除的指 d)确定卞成分的个数。一般将A/∑A称为第k个成标对该主成分的影响可忽胳不计。 分的贡献率,将∑A∑A;称为前K个主成分的累积贡献率 实例分析 当累积贡献率大于等于80%,并且特征值大于1时,即将前K 个指标确定为卞成分,之后的M-K个卞成分可忽略不计。 3.1数据准备 e)确定主成分的个数后,根据相关系数矩阵的特征值,计 以浙江省某无车承运人为例,采用无车承运人合作伙伴选 算出每一个主成分特征值所对应的特征向量,并且根据特征向择对该无车承运人的合作伙伴企业进行选择,共有10个候选 量系数的降序排列可知每一个指标对成分的影响力,系数越伙伴企业,基本情况如表1所示。 表1无车承运人基本情况表 指标 候选伙伴企业 二级指标 货物完好率Z 0.930.980.960.920.950.980.990.970.940.92 产品服务质量 准时率Z2 0.960. 0.96 0.90.920.85 订单完成率23 0.980.960.90.950.8 0.96 0.83 0.9 服务成本Z4 广品成本指标 2.142.41.952.93.12.652.72.383.23.16 破损成本5 5.75.9 总资产周转率26 财务指标 总资产收益率Z .160.180.30.110.23.280.150.130.21 资产负债率Zg 0.20.180.110.450.120.20.250.270.480.25 路径优化水平Z 0.90.920.960.910.920.950.870.870.8 多式联运技术指标 运输方式组合优化水平Z100.780.750.730.780.790.750.830.870.850.81 饯略目标的兼容性21 0.5 0.7 0.8 合作兼容件揹标 企业文化的兼容性Z12 5.2 6.5 6.26.4 4.1 跨组织参与性Z13 9.55 7.1 .5 适应性 灵活性Z14 0.50.500.580.G30.610.590.580.620.630.57 管理相关性21s 1.085.362.034. 1.561.32 694.032.56 3.2主成分分析 第三个主成分屮前两个指标是(准时率Z2、货物完好率Z1),第 对原始数据进行标准化处理,在此基础上,对标准化后的四个主成分中前两个指标是(破损成木Z、灵活性214),第五个 效据求出相关系数矩阵,并且应用SPSS计算出相关系数矩阵 主成分中的一个指标是(管埋相关性z15) 方差贡献率和累计贡献率。如表2所小,根据累计贡献率选择 表2样本总方差以及累计方差 相应的主成分,主成分1、主成分2、主成分3、主成分4、主成分 解释的总方差 初始特征值 提取平方和载入 5的贡献率分别为27.057%、21.874%、13.857%、10.928%、成份 合计方差的/%累积/% 合计方差的/%累积/ 9.094%,累计贡献率为82.809%(人于80%),即这五个主成 4.058 05727.057 4.05827.05727.057 23.28121.87448.930 21.87 48.930 分即可表达所有指标的信息,选择这五个为主成分,并且定义 2.0781.85762.7 078 3.85762.787 为1、F2、F3、F4和F5,如表2所示。 41.63910.92873.715 1.639 10.92873.715 为了方便指标诜取,对相关系数矩阵的特征向量按照特征 1.364 9.09482.809 1.364 9.094 82.809 0.996 6.643 89.452 向量降序排列,由表3可知,每一个主成分中指标的系数均有小 70.6014.00593.457 于0.1的情况,这说明这些指标对各自所在的主成分影响很小, 80.49 3.282 39 可以忽瞞不计从而剔除掉这些指标。由于五个主成分的贡献9023215489237 率分别是27.06%、21.87%、13.86%、10.93%和9.09%,根据其 l10.0430.287100.000 所占的比例,在五个主成分中分别选择4、3、2、2和1个指标。 26.42F-0164.284F-015100.000 因此第一主成分中前四个指标是(路径优化水半∠总资产收 132.080E-0182.C54E-017100.000 14-4.818E-017-3.212E-016100.000 益率Z7、总资产周转率z6、准时率Z2),第二个主成分中前一个 15-3.65)-Ol6-2.434E-01510.000 指标是(服务成本Z、灵活性Z1、运输方式组合优化水平Z10), 提取方法:主成分分析 第8期 常连玉,等:基于PCA-AHP模型的无车承运人合作伙伴选择研究 2343 本次对多式联运联盟伙伴选择指标体系的优化,最终确定个候选企业的指标进行权重分析,为无车承运人选择合适 为指标货物完好率∠1、准时率∠2服务成本Z4、破损成本∠5、的伙伴企业。选择的伙伴企业是在合理的指标中,选择比 总资产周转率z、总资产收益率Z、路径优化水平Z、运输方较适合的候选企业,对无车承运人而言,真正的合作是从双 式组合优化水平z1o和灵活性Z1结合实际情况可以看出,本方企业的谈判结果来判定的,也就是选择合适的伙伴企业 次选择的指标也是比较符合实际,所选的指标能全部反映主成进行谈判。 分的信息,同时指标之间的相关性也消除,符合层次分析法中 1)构建判断矩阵对10个候选企业S1、5S2、S3、S4、S3、S6 的指标体系构建和应用多式联运联盟伙伴选择指标的判断矩S、S3、S和S进行选择,指标E1、E1、E1、E1、E1、E2、E31、 阵如表4所小。 E2、E3,然后组成若干个专家对每层的指标相对上层指 3.3无车承运人伙伴选择模型 标的重要性进行评价,建立判断矩阵E、E1(i=1,2,3)和E 使用AHP层次分析法对筛选后的指标进行分层对10 (i=1,2,…,9)。 表3样本成分矩阵 主成分 主成分2 主成分 主成分4主成分5 路径优化水平Z90.434 服务成本Z 0.512 准时率Z2 0.468 破损成本z5 0.398管理相关性Z1 0.605 总资产收益率Z0416 灵活性Z14 货物完好率Z1 0.443 灵活性Z140.335货物完好率Z1 0.418 总资产周转率Z60.402 运输方式组合 0.317 运输方式组合 优化水平Zc 优化水平Z10 0.337总资产周转率Z60.302订单完成率Z30.183 准时率Z2 0.293资产负债率Z0.312 灵活性Z14 总资产收益率Z70.274资产负债率Z0.169 企业文化的兼容性Z10.283跨组织参与性Z10.238战略目标的兼容性Z10.199管理相关性Z150.256路径优化水平Z90.092 货物完好率刀10.273战略日标的兼容性Z10.29 破损成本Z 0.⊥l1 资产负债率Z 0.194 服务成本z4 0.059 跨组织参与性∠130.121企业文化的兼容性Z120.202订单完成率Z30.052路径优化水平∠0.054全业文化的兼容性Z10.048 战略目标的兼空性Z10.085总资产周转率z60.185服务成本Z40.011货物完好率Z10.044战路目标的兼容性Z10.028 服务成本Z4 0.045总资产收益率Z70.143资产鱼债率Z0.000 准时率Z2 0.000 灵活性Z14 0.026 灵活性214-0.093管理相关性Z30.125总资产收益率Z7-0.060订单完成率Z3-0.033 运输方式组合 优化水平Z10 0.002 管理相关性Z15-0.123破损成本Zs 0.042总资产周转率6-0.004 运输方式组合 优化水平 0.067总资产收益率Z70.001 订单完成率3-0.137货物完好率1-0.02企业文化的兼容性12-0.097企业文化的兼容性Z12-0.103总资产周转率Z6-0.088 破损成本∠5 0.186准时率Z20.058路径优化水平∠-0.108服务成本∠4 0.191 准时率22 -0.167 运输方式组合 优化水平∠0 0.29路径优化水平-0.081管理相关性15-0.304跨组织参与性刀13-0.227跨组织参与性13-0.252 资产负债率么-0.28订单完成率厶、-0.432跨组织参与性21;-0.49战略目标的兼容性z1-0.592破按成本么、=0.531 2)层次单排序计算判断矩阵E满足 的权重最大的企业,所以建议盟主与S6企业进行谈判和沟通 EW=A W 4 表4多式联运联盟伙伴选择指标的判断矩阵 的特征值与特征向量。其中λm是E的最大特征值;W为对 多式联运联盟伙伴 产品服务财务指标多式联运企业 应于λm的正规化特征向量,W的分量ω1即是相应元素单排 选择指标体系 E2技术指标E3 产品服务质量E1 序的权值。计算得每层的权重,由于本次应用层次分析法是 对10个侯选全业的分析和选择,所以在表5中可以体现10个 财务指标F2 候选企业的综合权重,可以得出S是本次联盟伙伴企业选择 多式联运企业技术指标E3 0.25 0.3333 表510个候选企业的权重 备选方案 权重.17870.1250.10930.10840.09970.09320.08710.08570.07270.0404 3)判斷矩阵的一致性检验应用软件 yaahp构建指标分进行一致性检验CR,可以看出所有判断矩阵的一致性检验 层,然后建立每一层的判断矩阵,对所建立的13个判新矩阵CH均小于0.1,故符合层次分析法的应用。 表6所有判断矩阵的一致性检验 判断指标 E E2 E4 致性比例0.0180.0420.0000.0520.0950.1000.0550.0690.0460.0390.078 0.080 0.034 3.4结果分析 的结果,所以这两个指标是同步增减,故其重要性乜是一样的, a)在九个指标中,在产品质量方面,货物完好率E1的权比较符合实际;在运输服务技术指标方面,路径优化水半的权 重是0.2755,权重最大,可见在运输服务中,产品质量占据重重是0.0602,权重最大,在实际的运输企业中,对路径优化水 要位置,客户首先注重的是货物的完好率,这与实际的运输所平的要求很高。如果无车承运人的运输结构不合理,运输方式 期望的符合;其次是准时率E1,权重是0.1286,在货物完好率固定,运输节点衔接不当那么如何选择最优的运输路径是多 达到要求的基础上,就需要满足准时的要求。即在产品质量方无车承运人首先要考虑的间题。所以路径优化水平对无车承 面,企业应该首先注重运输货物的完好率,其次是达到准时的运人非常重要。这一个指标相对目标层方面,广品服务质量的 要求;在财务指标方面,总资产收益率和总资产周转率的权重权重最大,是0.5854,在实际的企业运营中,企业首先注重的 是相同的,在财务的概念中,总资产周转率是指收入净额比平是产品的服务质量,高品质的产品会吸引到顾客,也是企业强 均资产总额的结果,总资产收益率是指净利润比平均资产总额大的竞争力;其次是财务指标,财务是企业总结和评价财务状 2344· 计算机应用研究 第34卷 况和经营成果的指标,财务指标是衡量企业经营的标尺,在选 ance partner in logistics valuechain[ J]. International Journal of 择联盟伙伴时是不可忽视的一个衡量指标。 Production Economics, 2007, 11(5): 64-71 b)在合作伙伴候选企业方而,企业S相对于上一层的九2makE, Emin g,AygY. An inlegrated fuzzy approach for strate 个指标,综合得分是最高的,达到0.1787,其次为S,综合得分 gic alliance partner selection in third-party logisties[ J]. The Scie tific Word Joumal, 2013, 6(7): 81-92 为0.125,盟主企业可以根据自身的需要,根据综合得分情况 [3 Regmi M B, Hanaoka 5. Assessment of intermodal transport corridors 对无车承运人候选伙伴企业进行筛选,并根据筛选的结果对相 cases from north-east and central Asia J]. Research in Transpor- 应的企业进行谈判,并确定为无车承运人的合作伙伴企业 tation Business Management, 2012, 5(12): 27-37 4结束语 [4 Cho J H, Kim H S, Choi H R. An intermodal transport network plan ning algorithm using dynamic programming: a case study from Busan 无车承运人在选择合理的合作伙伴时,要考虑货物完好 to Rotterdam in intermodal freight routing [J]. Applied Intelligence 率、准时率、服务成本、破损成本、总资产周转率、总资产收益 2012,36(3):520-541. 率、路径优化水平、运输方式组合优化水平和灵活性等因素,根5]陈飞儿,张仁颐。物流企业联盟伙伴的选择[J上海海事大学学 据伙伴选择的影响因素,构建了包含16项指标的无车承运人 报,2004,25(3):47-50 6」陈凤菊.基于多目标模糊优化的物流滤略瑈盟伙伴涴择问题研 伙伴选择指标体系,在对指标体系进行主成分分析(PCA)的基 究[J].物流技术,2015,34(2):205-208. 础上,通过AHP分析法计算综合权重,以此建立了PCA-AHP [7]戴導.基于AHP的DEA分析棊础上的虛拟物流企业联盟伙伴选 尢车运人伙伴选择模型。采用该模型对具有10家候迮伙伴 择[J].系统工程,2002,20(3):47-51 仝业的无车承运人进行实证分析。计算结果分析表明,本文所「81甘家华,马暕,王建伟,等,中小物流企业联盟伙伴选择一基于 构建的无车承运人伙伴选择模型简单易行,具有比较高的可行 PCA-BP神经网络[J].技术经济与管理研究,2014(11):22-25 性,可以有效提升无车承运人选择合作伙伴的效率,增强合作[9]邓雪,李家铭,曾浩健,等.层次分析法权重计算方法分析及其应 关系稳定性,降低运营风险,提髙运营效凎。但是,由于无车承 用研究LJ」.数学的实践与认识,2012,42(7):93-100. 运人涉及的市场卞体较多,运输活动涉及的运输方式也较多,[10]杨名,潘雄锋,刘荣·企业合作创新伙伴选择研究—基于AHP 托运人和实际承运人的诚信问题、经济环境的不确定性、多式 OVP模型[冂].技术经济与管理研究,2013(1):28-31 联运组织方式的复杂性等也均是影响无车承运人进行伙伴选[11]王道劬,李芸技术联盟的伙伴选择一基于 AHP-TOPSIS方法的 择的因素,也是本文研究的不足之处,在今后的研究中也应考 研究「J.安电子科技大学学报;社会科学版,2010,20(6 虑上述因素,构建更加合理完善的无车承运人合作伙件选择指[12]罗志猛,周建中,场俊杰,等基于模糊AP的虚叔研究中心合 标和模型。 作伙伴选择[J.华中科技大学学报:自然科学版,2008,36(12): 100-103 参考文献 [13]张秀红,马迎雪,李延晖,结合主成分分祈法改进后的层次分析 I 1 Buyukozkan G, Feyzioglu O, Nebol E. Selection of the strategic alli 法及应用[冂.长江大学学报:自然科学版,2013,10(4):30-32. (上接第2293页 (28):246-247 隐藏层数日可以提高模型的泛化性能,改善山于对交易数据认12」岑詠霆销量预测的改进型灰色预测GM(1,1)模型研究J工 知学习能力差引起的分类预测精度偏低的问题。 业工猩与管理,2013,18(1):37-41 [3]毕建涛,魏红芹.改进的BP神经网络及共在销量预测肀的应用 0 J].山东理工大学学报:自然科学版,2011,25(6):29-33 0.8 [4]洪鹏,余世明.基于时间序列分析的自动售货机绱量颈测[J].计 算杌科学,2015,42(6A) 匚[5]刘俊娥,慕柠咛,刘丙午,固有模态SVM预测模型在零售销量预 06001200180024003000 020406080100 测中的应用[J].物流技术,2013,32(11):76-78,97 宁习集规模 测试样本序号 图4不同数据规模 [6]汪海波,陈雁翔,李艳秋.基于主成分分析和 Softmax回归襪型的 各算法预测精度对比 图5模型预测准确率统计 人脸识别方法「J.合肥工业大学学报:自然科学版,2015,38 (6):759-763 4结束语 [7 Bengio Y, Lamblin P, Popovici D, ct al. Greedy layer-wise training of deep networks[ C]// Advances in Neural Information Processing Sys 本文根据深度学习优势和涉农电商数据特点构建ICM模 tcm.2007:153-16(. 型,采用自动编码器方法挖据农产品线上交易数据的深层特 8]谭娟,玊胜春.棊于深度学习的交通拥堦预测模型研究[冂].计算 机应用研究,2015,32(10):2591-2594 征,采用smx分类器进行预测。经自编码网络处理的数据9」 Linton g d, Osindero s, Teh y w. A fast learning algorithm for deep 进行分类时与浅层分类算法相比,在处理大规模数据集时其预 belief nets J. Neural Computation, 2006, 18(7): 1527-1554 测性能明显提高,并验证了微调对分类精度提高的重要影响,L10」刘建饩,刘諼,罗雄麟·深度学习研究进展LJ·计算机应用研究 证明了模型具有较好的增量学习特性和多层次认知能力 2014,31(7):1921-1930,1942 本文木深入研究IM模型的鲁棒性,对J络训练而言,[1]王山海,景新幸,杨海燕基于深度学习神经网络的孤立词语音识 通常情况下,分类器的误差无法彻底消除,可以采用加入分类 别的研究[J].计算机应用研究,2015,32(8):2289-2291,2298 攴持度的思想来提高分类准确度。 [12]王国涛,石振国,吴小景.基于DBN的软件可靠性预测模型的研 究「J].计算机应用研究,2016,33(12):3739-3742,3773 参考文献 L3」李阳辉,谢明,易阳.基于降喚自动編码器及其改氿模型的微博情 [1殷春武.GM(1,1)在商品销量预测上的运用[J.中国商贸,2010 感分析[冂].计算机应用研究,2017,34(2):373-3

...展开详情
试读 5P 论文研究-基于PCA-AHP模型的无车承运人合作伙伴选择研究.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于PCA-AHP模型的无车承运人合作伙伴选择研究.pdf 9积分/C币 立即下载
1/5
论文研究-基于PCA-AHP模型的无车承运人合作伙伴选择研究.pdf第1页

试读结束, 可继续读1页

9积分/C币 立即下载