0 引言

随着经济的发展，城乡居民对于高品质且安全的生鲜农产品的消费需求日趋旺盛，以及“区块链”、“人工智能”、“机器人”、“冷链技术”在物流领域的广泛应用，加快提升我国冷链物流综合服务水平，努力提高农产品冷链流通率, 降低生鲜农产品腐损率对增强人民大众满意度和幸福感、全面建设小康社会具有重要意义。因此，当前形势下适时有效地进行生鲜农产品冷链物流综合服务水平评估, 既是促进冷链物流企业提质增效降本的迫切需要，又是落实物流经济高质量发展的基本要求。

目前，关于生鲜农产品物流服务水平评估的相关研究，在评估指标选取方面，聂兴信等^[1]以顾客感知角度建立物流服务水平评价指标体系，着重考虑了顾客主观意愿，但是缺少对物流企业资源及运作水平的客观认知。许秀峰^[2]借鉴SERVQUAL量表从有形性、可靠性、保证性、反应性、移情性5个方面建立了服务水平评价体系，但是对于物流企业来说，该指标体系不够细化，很难为企业提供可参考价值服务水平评估。薛鹏^[3]充分考虑生鲜农产品冷链物流特点，从产品加工、仓储、运输、物流信息化及人员素质5方面构建了较完善的评价指标体系。在研究方法方面，刘硕等^[4]从用户感知的角度将物流服务质量分为信息化服务质量、后勤保障中心服务质量、物流过程服务质量和服务失误补救质量4个维度，采用模糊层次分析法对某公司的车货匹配平台服务质量进行了综合等级评估，但忽略了评价结果等级判定不确定性中的随机性问题。李荷华^[5]依据物流服务供应链的企业内外部风险建立了化工物流服务供应链风险评估指标体系，选取模糊综合法对该指标体系进行了评估，但由于评估指标的定量数据少，定性成分多，评估结果可信度有待提升。徐艾菂等^[6]运用灰色AHP法对物流企业服务供应链绩效进行了评估，确定了评价信息的等级数、灰数及相关的自化权函数，但是指标权重计算主观性过强。张浩等^[7]根据SERVQUAL模型确定了生鲜电商冷链物流服务的5个维度，运用离差最大化法和粗糙集理论分别对各指标的可变权重和属性权重进行计算，提出了生鲜电商冷链物流服务水平评价改进突变级数模型。该方法对同一状态变量对应控制变量选取数量限制为最多5个，因而不能全面综合考察所有重要指标。生鲜冷链物流服务水平评价是一个典型的多指标、多层次的综合评价问题，具有明显的不确定性，这种不确定性不仅包含了信息的模糊性，还有随机性问题，因而现有的传统型综合评价法难以适应生鲜农产品冷链物流服务水平的评估。

李德毅院士基于传统的模糊集理论及概率统计理论的数学思想提出了云模型理论，该理论目前在很多领域都得到了广泛应用。其原理是结合3个数字特征(期望Ex、熵En和超熵He)可描述并处理语言信息中的模糊性和随机性^[8]。如陈丽娟^[9]运用云模型和D-S理论综合评价体系实现了对各种风险因素定性与定量评价的相互转化，使用数字特征云图清晰直观地反映了项目的整体风险水平，对项目决策者客观评价项目风险具有较高的参考价值。张杨等^[10]综合考虑土地资源环境系统的模糊性及随机性，建立了基于云模型的评价方法，运用超标倍数赋权法确定权重，利用正、逆向云算法得到单指标的云模型，并通过综合确定度对水环境质量进行了综合评价。牟瑞芳等^[11]针对围岩分级评价过程中评价指标自身的随机模糊性问题，结合云模型相关理论，实现了围岩分级定性概念与各待评价指标隶属不同等级确定度之间的自然转化。但至今，云模型未曾运用到生鲜农产品冷链物流服务水平评估方面的研究中。同时，生鲜农产品冷链物流服务水平各评价指标的隶属等级不一致，各指标的等级需递归计算，服务水平指标重要度的对比结果具有差异性，对各个指标的权重仍需合理调整。

综上所述，在该领域学者研究的前提下，本研究针对生鲜农产品冷链物流服务水平评估问题，充分考虑生鲜农产品冷链物流特点建立评估指标体系，引入云模型对专家评分信息中存在的模糊性及随机性问题进行处理。为保证数据的客观性，采用区间层次分析法建立判断矩阵确立权重，运用可能度概念对指标综合权重进行修正，最后运用云相似度算法得出生鲜农产品冷链物流服务水平更精确的评估结果，以期为生鲜农产品冷链物流服务的高质量发展提供理论参考依据。

1 生鲜农产品冷链物流综合服务水平评价指标体系

在对生鲜农产品冷链物流综合服务水平评估时，首先需要构建科学、合理的评估指标体系。本研究考虑生鲜农产品冷链物流运输的特殊性，从生鲜农产品冷链物流服务设施设备及其标准化程度、冷链物流信息化水平及物流操作规范性等方面全面审核评估，构建了较为完善的生鲜农产品冷链物流综合服务水平评估指标体系(如表 1所示)，包括农产品加工、低温仓储服务、冷藏运输服务、冷链物流信息化、人员素质共5个1级指标，20个2级指标。

2 生鲜农产品冷链物流综合服务水平评估方法设计

本研究基于云模型的生鲜农产品冷链物流服务水平评估方法设计思路为：首先用黄金分割法计算服务水平基准隶属度等级；然后引入区间层次分析法，通过数学思维模式以区间数的形式建立评估矩阵，运用特征根法计算区间数评估矩阵的权重向量，将可能度概念对评估指标得出的综合权重进行修正；为提高评估结果准确度，通过正、逆向云发生器以云滴排序的方式对综合云的合并算法进行改进，得出综合服务水平云；最后运用相似度算法将综合服务云图与基准云图进行比值计算，最终得出生鲜农产品冷链物流服务水平更加精确的综合评价结果。

2.1 建立服务水平评估等级基准云

为正确评价生鲜农产品冷链物流服务水平，必须要科学合理地确定评价等级和划分标准。本研究采用黄金分割法^[12]生成服务水平评语标尺云：设评语集的有效论域为L=[0, 1]，服务水平评价等级d=5，定性级别间的权序关系为L₁ < L₂ < L₃ < L₄ < L₅，对应评语向量为低、较低、一般、较高、高。依据黄金分割法所得到的基准服务水平云B=(Ex_i, En_i, He_i)，其中，Ex_i，En_i，He_i分别为期望、熵、超熵，i=1, 2, 3, 4, 5。服务水平评估的基准云模型等级见表 2。

通过以上过程建立服务水平基准评价云，可与实际服务水平云的评估结果进行对比，能够判定各指标及综合服务水平结果所属的等级区域。

2.2 采用区间层次分析法确定权重

为了克服传统层次分析法采用点值描述产生的不确定偏差问题，采用区间层次分析法(Interval Analytic Hierarchy Process，IAHP)更加客观地反映对生鲜农产品冷链物流服务水平的认识。即采用区间数代替传统AHP法中的确定“点”数。

IAHP法确定指标权重的步骤^[13]如下：

(1) 根据生鲜农产品冷链物流的客观情况和实际特征，建立基于IAHP的递阶层次结构。

(2) 以区间数的方式构建两两判断矩阵，运用1~9标度对重要性确定区间的判断矩阵A=(a_ij)_n×n，其中用a_ij=[a^－, a⁺]来表示区间数；a^-为a_ij的左区间数；a⁺为a_ij的右区间数。

(3) 区间判定矩阵一致性检验。

如果区间数的判定矩阵无法达到一致性检验的标准，该算法则不能继续进行，因此根据矩阵对权重向量进行计算时必须对判定矩阵进行检验，这是对各个指标重要度排列结果的重要一步。在进行求解计算的过程中，对任何i < j，i，j=1，2, …，n，，若满足该条件，即认为区间数判断矩阵达到一致性求解标准，反之，需要另外构造区间判定矩阵，直到达到一致性检验的标准。

(4) 采用特征根法计算区间数判断矩阵权重向量。

具体计算步骤如下：

① 对区间数判断矩阵A=(a_ij)_n×n，令i，j=1, 2, …, n，其元素区间数a_ij=[a_ij^-，a_ij⁺]，且a_ij=，记A^－=(a_ij^-)_n×n, A⁺=(a_ij⁺)_n×n，记作A=[A^-, A⁺]。

② 分别求解区间数特征向量，区间数特征向量表示为x_i=[x_i^-，x_i⁺]，i=1, 2，…，n。x_i^-为x_i的左区间数，x_i⁺为x_i的右区间数。

③ 采用特征向量法求解矩阵权重向量，矩阵权重向量表示为:

(1)

式中, x^-为区间数x的左区间; x⁺为区间数x的右区间; λ和μ为特征向量求解的参数值，其表达式为:

(2)

(3)

(5) 计算综合权重

令W_T为各2级评估指标的权重向量，W_F为各1级评估指标的权重向量，各2级指标的综合权重向量W_Z的计算式为：

(4)

式中，W_T^-和W_T⁺分别为各2级评估指标权重向量W_T的左向量值和右向量值；W_F^-和W_F⁺分别为各1级评估指标的权重向量W_F的左向量值和右向量值；W_Z^-和W_Z⁺分别为各2级指标的综合权重向量W_Z的左向量值和右向量值。

(6) 对可能度排序法修正求解综合权重^[14]

定义：设两个区间数为a=[a₁, a₂]，b=[b₁, b₂]，令l_a=a₂-a₁，l_b-=b₂-b₁，则区间数a≥b的可能度p(a≥b)为：

(5)

采用式(5)计算各个指标对应的值p(a≥b)，简记为p_ij(i, j =1, 2, …, n)。构建对应的可能度判断矩阵P=[p_ij]_n×n，得出的P矩阵属于模糊互补判断矩阵，故而可采用模糊互补判断矩阵中的排序求解算法进行计算，修正后的综合权重向量为W=(w₁, w₂, …，w_n)^T，其中w_i的计算式为：

(6)

此时，得到了各1级指标、2级指标相对于生鲜农产品冷链物流服务水平综合评价的排序。

2.3 基于改进云合并算法的综合服务水平计算

云合并算法改进的主要思路为：先将多个“原子云”^[15]分别用正向云发生器生成相同数量的云滴，对云滴进行排序；再根据“原子云”概念的属性权重进行云滴加权合并运算，得到“综合云”的云滴；然后通过逆向云发生器生成“综合云”。基于改进云合并算法的综合服务水平具体计算步骤如下。

(1) 利用正向云发生器^[16]：

① 生成以En为期望，以He²为方差的正态随机数En′。

② 生成以Ex为期望，以En′²为方差的正态随机数x。

③ 计算隶属度，则(x，μ)是相对于论域U的一个云滴。

④ 重复①②③步骤。依据m个指标云模型的数字特征，分别与相应指标云的数字特征生成含有N个云滴的原子云，其中生成的N(即云滴数量)对综合服务水平评价云的计算结果影响比较明显，对熵值和超熵值的结果影响更大，研究过程中，N值一般取值没有固定限制，由研究者根据经验取值即可。一般情况下，N值在1 000以上。本研究选取1 500，将云滴D_i的横坐标值存储下来，表示为D_i=C(Ex_i, En_i, He_i, N)，其中i=1, 2, …, m。

(2) 对m组云滴D_i内横坐标进行从小到大排序，得到m组横坐标从小到大有序排列的云滴S(D_i), S(D_i)={x₁ⁱ, x₂ⁱ, …, x_Nⁱ}，其中i=1, 2, …, n，且每组云滴满足x_i¹≤x_i²≤…≤x_iⁿ。

(3) 根据云模型所对应的各指标权重w_i，对各云滴进行加权运算，得到综合云的N个云滴S(D):

(7)

(4) 根据综合云的云滴，通过逆向云发生器得到综合云数字特征值Ex，En，He。

逆向云发生器^[17]算法如下。

① 通过云滴值x_i计算原子均值为：

(8)

式中x为所有云滴值x_i的原子均值，相当于云滴的期望值Ex。

② 计算原子方差^[18]：

(9)

③ 计算云滴的熵En和超熵He：

(10)

(11)

(5) 输出综合云C(Ex，En，He)。

2.4 综合服务水平云相似度算法

将综合服务水平云C(Ex，En，He)与基准服务水平云B_i=(Ex_i, En_i, He_i)(i=1, 2, …, n)进行相似度比较，并计算出综合云与基准云的相似度值。

输入：C(Ex，En，He)，评估隶属度等级云B_i=(Ex_i, En_i, He_i)(i=1, 2, …, n)以及各向量的权重(W_Ex, W_En, W_He)，且W_Ex+W_En+W_He=1。

输出：冷链物流服务水平相似度l。

确定综合服务水平云相似度^[19]，计算步骤如下。

(1) 计算综合服务水平云与基准服务水平云的距离k_i：

(12)

(2) 计算综合服务水平云与基准服务水平云的相似度阈值δ_i：

(13)

(3) 计算综合服务水平云相似度l_i：

(14)

(4) 重复以上步骤，算出所有的l_i。

通过以上步骤相似度算法，可以使得实际的服务水平结果更加客观化，实现生鲜农产品冷链物流实际服务水平云图与基准云服务水平等级之间的相似程度，最终更加精确地得出生鲜农产品冷链物流服务水平的综合评价等级。

3 实证分析

依据生鲜农产品冷链物流服务水平评估模型，以某冷链物流企业为评估对象，结合表 1建立的评估指标体系，令Y={U₁, U₂, U₃, U₄, U₅}为1级指标集合，其中U₁={U₁₁, U₁₂, U₁₃, U₁₄}，U₂={U₂₁, U₂₂, U₂₃, U₂₄}，U₃={U₃₁, U₃₂, U₃₃, U₃₄}，U₄={U₄₁, U₄₂, U₄₃, U₄₄}，U₅={U₅₁, U₅₂, U₅₃, U₅₄}。

3.1 试验设计

首先选取物流标准化技术委员会成员1人、企业冷链物流部门经理2人，企业冷链物流收货顾客代表 2人，与京东合作的生鲜超市物流部经理2人，高校领域物流专家3人，共计10人，组成专家小组，通过信函方式邀请各位专家对生鲜农产品冷链物流服务水平评估指标U₁={U₁₁, U₁₂, U₁₃, U₁₄}，U₂={U₂₁, U₂₂, U₂₃, U₂₄}，U₃={U₃₁, U₃₂, U₃₃, U₃₄}，U₄={U₄₁, U₄₂, U₄₃, U₄₄}，U₅={U₅₁, U₅₂, U₅₃, U₅₄}的相对权重进行确立。10名专家使用区间数的形式，在分别考察1级指标相对于总目标及2级指标相对于1级指标重要性的基础上，依据两两指标比较的方式进行打分。以1级指标打分为例，按照3.2节的具体过程进行，其打分结果在表 3中列出。

由区间特征根法得到的1级指标权重向量在表 4中列出。

用上述方法可得其余2级指标权重向量，通过式(4)可计算出各2级指标权重向量，再根据式(5)对该权重向量进行修正，得出最终的指标权重。接着，10名专家参照3.1节服务水平基准云隶属度等级对2级指标打分，将打分结果用服务水平综合云算法得出2级指标的综合云模型得分，结果见表 5。

依据表 5，将各2级指标的综合云模型得分的期望值通过逆向云发生器算法得到各1级指标属性云数字特征值，其计算结果见表 6。

3.2 试验过程 3.2.1 服务水平评估等级隶属度云的生成

利用Matlab7.0软件将表 2所列评估等级基准云的数字特征通过正向正态云发生器生成基准云图，如图 1所示。

从图 1可以直观地看出基准云、服务水平低云、服务水平较高云、服务水平一般云、服务水平较高云、服务水平高云5个等级所处分布区域。

3.2.2 服务水平评估综合云的生成

根据改进云合并算法的综合服务水平计算步骤，将各2级指标的云模型等级和对应的权重进行合并，最终计算出京东企业生鲜农产品冷链物流服务水平的等级隶属度数字特征为Ex=0.672 2，En=0.062 4，He=0.023 1。

运用正向云发生器，根据表 5的基准服务水平等级，结合某企业生鲜农产品冷链物流服务水平实际结果绘制出综合服务水平云图，如图 2所示。

从图 2可知，该企业生鲜农产品冷链物流综合服务水平(实际服务水平)等级分布接近在服务水平较高等级附近，接近服务水平较高云。

3.2.3 相似度的确定

在生鲜农产品冷链物流综合服务水平相似度分析中，运用IAHP法计算出综合服务水平云的3个数值特征值的相应权重，计算权重值结果为W_Ex=0.655 9，W_En=0.228 1，W_He=0.116 0，进而根据综合服务水平云相似度算法，得出综合服务水平云等级与各个基准云等级相似度之值，其结果见表 7。

同理可得各1级指标服务水平云与基准云相似度，见表 8。

3.3 试验结果分析

通过以上方法对某生鲜农产品冷链物流服务水平进行评估。评估结果显示，该企业生鲜农产品冷链物流服务水平等级隶属度云模型数为0.672 2，0.062 4，0.023 1。根据图 2可知，该企业生鲜农产品冷链服务水平接近服务水平较高等级。通过云相似度计算(如表 7所示)，综合服务云与基准云的相似度也为71.8%，因而确定该企业生鲜农产品冷链物流服务水平为较高。由Ex=0.672 2可以得出京东冷链物流服务水平等级处于服务水平较高云和服务水平高云之间，由En=0.062 4得出评估结果不确定性小，由He=0.023 1得出评估结果稳定性较高。根据超熵与熵值之比可以看出综合评估模型结果的雾化程度及模型的稳定性，若比值≤1，则模型的雾化程度低、稳定性高；反之，雾化程度高、稳定性低。该试验的He/En=0.370 2≤1，表明该模型的评估结果比较稳定、雾化程度低。

此外，由表 8可以看出，与基准云相似度最高的是低温仓储服务(U₅)，为71.2%，说明该企业生鲜农产品冷链低温仓储设施设备较为完善，这也与企业实际相符。相似度低的为：人员素质服务(U₅)、运输资源服务(U₃)，相似度分别为50.6%，52.1%。结果表明该企业今后在人员素质服务、运输资源服务方面有待加强。根据这两项指标下2级指标云模型得分及权重结果可以看出，影响这两方面服务水平等级的因素主要是服务人员主动帮助顾客解决问题的意愿(U₅₃)和冷链运输温控设备化程度(U₃₂)。要想使该企业的冷链物流服务水平达到更高的等级，必须在以下几方面进行加强：第一，大力加强企业人员素质的培养，树立服务人员主动帮助顾客解决问题的意识；第二，加强在仓储过程中的低温分拣操作标准化，保持生鲜产品的新鲜时长。

4 结论

本研究构建了生鲜农产品冷链物流服务水平评估指标体系，提出了云模型-IAHP的生鲜农产品冷链物流服务水平评估模型，改进了云模型中的云合并算法，并通过试验结果验证了该模型是一个客观、科学、有效的方法，对生鲜农产品冷链物流服务水平评估具有实用性。但同时也存在缺点，各2级指标云滴数量对综合服务水平云图的计算结果有一定的影响，云滴数量的选取准则及2级指标各云滴数的比例关系对研究结果的影响是后续的研究方向。