1 算法

1.1 車輛沖突對(duì)跨區(qū)域物流配送的影響

1.1.1 車輛速度預(yù)測(cè)建模

自回歸滑動(dòng)平均(ARMA)模型[7][8]是一種具有隨機(jī)差分方程的描述形式，解析為

X(t)={x1,x2,x3,?,xn}$?{}_{(?)}=\left\{?{}_1,?{}_2,?{}_3,?,?{}_{?}\right\}$(1)

通過ARMA理論建立車速預(yù)測(cè)模型。

(1)數(shù)據(jù)相關(guān)性檢查：檢測(cè)全部數(shù)據(jù)中不同類型散點(diǎn)數(shù)據(jù)的自相關(guān)性和偏相關(guān)性，由檢測(cè)結(jié)果獲取兩者對(duì)應(yīng)函數(shù)的分布情況。當(dāng)獲取的分布曲線滿足設(shè)定的約束條件，說明該時(shí)序序列可以用于構(gòu)建ARMA模型。其中，用于相關(guān)性判斷的協(xié)方差Sk以及偏相關(guān)函數(shù)?k,k表示為

其中，E為散點(diǎn)數(shù)據(jù)的差分結(jié)果；k為自變量，根據(jù)應(yīng)用場(chǎng)景和不同數(shù)據(jù)類型進(jìn)行調(diào)整。假設(shè)時(shí)序數(shù)據(jù)沒有滿足相關(guān)性需求，則需要在式(1)中選擇部分散點(diǎn)數(shù)據(jù)進(jìn)行差分或者微分等相關(guān)操作，當(dāng)其成為平穩(wěn)數(shù)據(jù)序列后方可進(jìn)行下一步。

(2)模型定階：選取滿足ARMA模型的相關(guān)參數(shù)p和q,確定ARMA模型對(duì)應(yīng)的解析式。假設(shè)時(shí)序數(shù)據(jù)以及相關(guān)數(shù)據(jù)的50%具有“截尾”特性，說明模型參數(shù)p和q中有一個(gè)取值為0,引入觀察法直接在相關(guān)函數(shù)的分布圖中得到函數(shù)分布；假設(shè)函數(shù)分布存在拖尾的情況，說明p和q的取值都不為0,需要通過AIC定階準(zhǔn)則確定p和q的取值，對(duì)應(yīng)的AIC定階準(zhǔn)則為

AIC=min[N⋅lnβk+2(p+q+1)]$\text{A}\text{Ι}\text{C}=\min \left[?\cdot \ln ?{}_{?}+2\left(?+?+1\right)\right]$(3)

其中，N代表測(cè)速樣本的容量總和；βk代表模型的殘差方差

βk=1N∑n=1mωk$?{}_{?}=\frac{1}{?}{\displaystyle \sum _{?=1}^{?}?}{}_{?}$(4)

其中，ωk代表高斯白噪聲序列。

(3)模型參數(shù)估計(jì)：模型的估計(jì)是通過最小二乘法實(shí)現(xiàn)的。

(4)模型檢驗(yàn)：假設(shè)預(yù)測(cè)結(jié)果的殘差自相關(guān)參數(shù)絕對(duì)值小于2/N−−√$2/\sqrt{?}$,說明ARMA模型滿足車輛車速預(yù)測(cè)需求。

(5)在完成車輛測(cè)速預(yù)測(cè)后[9][10],通過車輛之間的距離即可判斷其發(fā)生沖突的概率。

1.1.2 影響分析

在跨區(qū)域物流配送過程中，車輛沖突對(duì)物流配送產(chǎn)生的影響主要包含以下幾方面。

(1)車輛沖突會(huì)導(dǎo)致運(yùn)輸延誤和損失。

如果發(fā)生車輛沖突，受影響的車輛可能需要停車維修，或者被迫選擇繞路，從而延誤物流配送的時(shí)間，影響交貨時(shí)間的準(zhǔn)確性和穩(wěn)定性。如果車輛受到嚴(yán)重?fù)p壞，需要更換車輛，運(yùn)輸成本增加。

(2)車輛沖突會(huì)造成人身傷亡和財(cái)產(chǎn)損失。

如果車輛沖突嚴(yán)重到一定程度，可能會(huì)造成駕駛員和乘客的傷亡，甚至可能造成車輛的損毀和貨物的丟失，導(dǎo)致財(cái)產(chǎn)損失。

(3)車輛沖突會(huì)影響物流配送的安全性和可靠性。

如果車輛沖突頻繁發(fā)生，會(huì)降低運(yùn)輸?shù)陌踩院涂煽啃裕绊懳锪髌髽I(yè)的聲譽(yù)和客戶信任度，導(dǎo)致客戶流失和業(yè)務(wù)下降，不利于物流企業(yè)的長期發(fā)展。

1.2 考慮車輛沖突的跨區(qū)域物流配送風(fēng)險(xiǎn)評(píng)估

考慮車輛沖突時(shí)，為了對(duì)跨區(qū)域物流配送風(fēng)險(xiǎn)進(jìn)行評(píng)估[11][12],優(yōu)先將跨區(qū)域物流配送過程中可能出現(xiàn)的風(fēng)險(xiǎn)進(jìn)行等級(jí)劃分，跨區(qū)域物流配送風(fēng)險(xiǎn)度φx,y

φx,y=Ps+Cs-PsCs(5)

其中，Cs代表跨區(qū)域物流配送發(fā)生風(fēng)險(xiǎn)的概率；Ps代表主要影響因素；s代表配送過程中已經(jīng)發(fā)生的風(fēng)險(xiǎn)。

對(duì)跨區(qū)域物流配送風(fēng)險(xiǎn)出現(xiàn)的概率以及帶來的影響進(jìn)行模糊分析和比較，利用模糊評(píng)估方式[13][14]獲取跨區(qū)域物流配送的風(fēng)險(xiǎn)因素集合U

其中，m和n代表矩陣的行數(shù)和列數(shù)。

在考慮車輛沖突和運(yùn)輸影響因素的情況下，確定跨區(qū)域物流配送風(fēng)險(xiǎn)評(píng)估集。在確定評(píng)估等級(jí)V={v1,v2,?,vn}$?=\left\{?{}_1,?{}_2,?,?{}_{?}\right\}$后，組建跨區(qū)域物流配送風(fēng)險(xiǎn)等級(jí)排列矩陣R

通過計(jì)算跨區(qū)域物流配送過程中風(fēng)險(xiǎn)出現(xiàn)的概率以及分析風(fēng)險(xiǎn)產(chǎn)生影響，可以得到不同配送路徑對(duì)應(yīng)的物流風(fēng)險(xiǎn)排列矩陣R(a)和R(b),考慮車輛沖突，結(jié)合跨區(qū)域物流配送風(fēng)險(xiǎn)指標(biāo)計(jì)算跨區(qū)域物流配送過程中存在的運(yùn)輸風(fēng)險(xiǎn)概率GS

GS=AωB(T)(8)

其中，A和B代表跨區(qū)域物流運(yùn)輸風(fēng)險(xiǎn)和配送風(fēng)險(xiǎn)對(duì)應(yīng)的權(quán)值向量；ω代表閾值；T代表時(shí)間序列；S代表運(yùn)輸風(fēng)險(xiǎn)的取值范圍。

根據(jù)跨區(qū)域物流運(yùn)輸風(fēng)險(xiǎn)和配送風(fēng)險(xiǎn)的平均權(quán)值向量A¯¯¯$\overline{\mathit{?}}$和B¯¯¯$\overline{\mathit{?}}$,計(jì)算跨區(qū)域物流配送風(fēng)險(xiǎn)產(chǎn)生的后果H(s)

H(s)=A¯¯¯R(a)B¯¯¯(T)$?{}_{(?)}=\overline{\mathit{?}}\mathit{?}{}_{(?)}\overline{\mathit{?}}{}^{(?)}$(9)

跨區(qū)域物流配送風(fēng)險(xiǎn)評(píng)估中，通常涉及多個(gè)評(píng)估因素，如供應(yīng)鏈可靠性、交通安全、天氣狀況等。綜合考慮這些因素，并量化其對(duì)風(fēng)險(xiǎn)的影響程度，引入權(quán)重概念。熵權(quán)法是一種多指標(biāo)決策方法，基于信息熵理論，通過計(jì)算每個(gè)評(píng)估因素的信息熵值，進(jìn)而確定其權(quán)重，熵值越大，表示該因素的信息量越高，其權(quán)重越小，從而更準(zhǔn)確地確定風(fēng)險(xiǎn)評(píng)估結(jié)果，避免主觀傾向和不合理權(quán)重分配所帶來的偏差[15][16]。因此，利用熵權(quán)法，根據(jù)跨區(qū)域物流配送過程中的運(yùn)輸風(fēng)險(xiǎn)因素進(jìn)行計(jì)算，并通過熵的方式度量運(yùn)輸風(fēng)險(xiǎn)因素Q

Q=−∑n=1mQpn$?=-{\displaystyle \sum _{?=1}^{?}?}?{}_{?}$(10)

其中，pn代表風(fēng)險(xiǎn)預(yù)警。

完成上述操作后，對(duì)跨區(qū)域物流配送風(fēng)險(xiǎn)因素對(duì)應(yīng)的權(quán)值∂i展開歸一化處理[17]

∂i=1n−F(1−d(i))$\partial {}_{?}=\frac{1}{?-?}\left(1-?{}^{(?)}\right)$(11)

其中，F代表跨區(qū)域物流配送參數(shù)；1-d(i)代表歸一化處理后跨區(qū)域物流配送風(fēng)險(xiǎn)因素對(duì)應(yīng)的權(quán)值。

計(jì)算跨區(qū)域物流配送在不同配送路徑的風(fēng)險(xiǎn)權(quán)值，加權(quán)計(jì)算后，得到跨區(qū)域物流配送風(fēng)險(xiǎn)評(píng)估αij

αij=∂iωij∑n=1∂iωij$?{}_{??}=\frac{\partial {}_{?}?{}_{??}}{{\displaystyle \sum _{?=1}\partial }{}_{?}?{}_{??}}$(12)

綜上，完成了跨區(qū)域物流配送風(fēng)險(xiǎn)評(píng)估。

2 結(jié)果與討論

為了驗(yàn)證本文算法的有效性，將上海港作為起始地，南京港作為目的地，貨物將從上海港起運(yùn)，經(jīng)過陸路或水路運(yùn)輸?shù)侥暇└劭?，選取該段路徑作為測(cè)試對(duì)象。將整條路徑劃分為4個(gè)時(shí)段，這些時(shí)段涵蓋了物流配送過程中最容易產(chǎn)生車輛沖突和風(fēng)險(xiǎn)的階段。通過分析關(guān)鍵時(shí)段的風(fēng)險(xiǎn)變化情況，可以更好地了解整個(gè)配送過程中風(fēng)險(xiǎn)的演變趨勢(shì)。為了保持計(jì)算效率和資源利用的平衡，選擇較少的時(shí)段可以更好地利用現(xiàn)有數(shù)據(jù)和減少數(shù)據(jù)收集的負(fù)擔(dān)?？紤]車輛沖突的跨區(qū)域物流配送風(fēng)險(xiǎn)趨勢(shì)圖如圖1所示。在4個(gè)不同配送時(shí)段中，第一時(shí)段的配送風(fēng)險(xiǎn)<第二時(shí)段的配送風(fēng)險(xiǎn)<第三時(shí)段的配送風(fēng)險(xiǎn)<第四時(shí)段的流配送風(fēng)險(xiǎn)。為了進(jìn)一步驗(yàn)證本文算法的風(fēng)險(xiǎn)評(píng)估能力，將跨區(qū)域物流配送風(fēng)險(xiǎn)誤報(bào)率作為測(cè)試指標(biāo)，通過圖2給出具體的實(shí)驗(yàn)結(jié)果。

分析圖2可知，隨著時(shí)間的變化，各個(gè)算法對(duì)應(yīng)的配送風(fēng)險(xiǎn)誤報(bào)率也在不斷發(fā)生變化。其中，文獻(xiàn)[3]算法對(duì)應(yīng)的風(fēng)險(xiǎn)誤報(bào)率最高，為6.95%;文獻(xiàn)[4]算法的風(fēng)險(xiǎn)誤報(bào)率次之，在實(shí)驗(yàn)前期跨區(qū)域物流配送風(fēng)險(xiǎn)誤報(bào)率較高，隨著時(shí)間的增加逐漸趨于平穩(wěn)；本文算法獲取的跨區(qū)域物流配送風(fēng)險(xiǎn)誤報(bào)率最低，且一直處于比較平穩(wěn)的狀態(tài)。

為了進(jìn)一步評(píng)估本文算法的配送風(fēng)險(xiǎn)評(píng)估性能，在考慮車輛沖突的情況下，分別采用不同算法評(píng)估各個(gè)時(shí)段的風(fēng)險(xiǎn)指數(shù)，結(jié)果見表1。

可知，本文算法獲取跨區(qū)域物流配送風(fēng)險(xiǎn)評(píng)估指數(shù)和真實(shí)風(fēng)險(xiǎn)指數(shù)基本吻合，誤差最大為0.02;而另外兩種算法獲取的評(píng)估值和真實(shí)風(fēng)險(xiǎn)指數(shù)存在比較大的誤差。由此可見，本文算法可以獲取準(zhǔn)確率更高的跨區(qū)域物流配送風(fēng)險(xiǎn)評(píng)估結(jié)果。

分別采用不同算法評(píng)估各個(gè)路段的跨區(qū)域物流配送風(fēng)險(xiǎn)，通過圖3對(duì)比各個(gè)算法的評(píng)估時(shí)間?？芍?，不同算法所花費(fèi)的評(píng)估時(shí)間明顯不同，本文算法可以有效減少跨區(qū)域物流配送風(fēng)險(xiǎn)評(píng)估時(shí)間，具有比較高的運(yùn)行效率。

3 結(jié)論

本文算法對(duì)跨區(qū)域物流配送風(fēng)險(xiǎn)評(píng)估處理后，誤報(bào)率得到明顯改善，充分驗(yàn)證了其優(yōu)越性。和其他評(píng)估算法相比，本文算法獲取的跨區(qū)域物流配送風(fēng)險(xiǎn)評(píng)估結(jié)果更加精準(zhǔn)，更能適用于跨區(qū)域物流配送風(fēng)險(xiǎn)評(píng)估，可以有效提升跨區(qū)域物流配送風(fēng)險(xiǎn)評(píng)估效率。