1 算法

1.1 車輛沖突對跨區(qū)域物流配送的影響

1.1.1 車輛速度預(yù)測建模

自回歸滑動平均(ARMA)模型[7][8]是一種具有隨機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)測模型。

(1)數(shù)據(jù)相關(guān)性檢查：檢測全部數(shù)據(jù)中不同類型散點數(shù)據(jù)的自相關(guān)性和偏相關(guān)性，由檢測結(jié)果獲取兩者對應(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為散點數(shù)據(jù)的差分結(jié)果；k為自變量，根據(jù)應(yīng)用場景和不同數(shù)據(jù)類型進行調(diào)整。假設(shè)時序數(shù)據(jù)沒有滿足相關(guān)性需求，則需要在式(1)中選擇部分散點數(shù)據(jù)進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模型對應(yīng)的解析式。假設(shè)時序數(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：模型的估計是通過最小二乘法實現(xiàn)的。

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

(5)在完成車輛測速預(yù)測后[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)車輛沖突會導(dǎo)致運輸延誤和損失。

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間，影響交貨時間的準(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，運輸成本增加。

(2)車輛沖突會造成人身傷亡和財產(chǎn)損失。

如果車輛沖突嚴(yán)重到一定程度，可能會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)致財產(chǎn)損失。

(3)車輛沖突會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，會降低運輸?shù)陌踩院涂煽啃裕绊懳锪髌髽I(yè)的聲譽和客戶信任度，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)險評估

考慮車輛沖突時，為了對跨區(qū)域物流配送風(fēng)險進行評估[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)險進行等級劃分，跨區(qū)域物流配送風(fēng)險度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。

對跨區(qū)域物流配送風(fēng)險出現(xiàn)的概率以及帶來的影響進行模糊分析和比較，利用模糊評估方式[13][14]獲取跨區(qū)域物流配送的風(fēng)險因素集合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輸影響因素的情況下，確定跨區(qū)域物流配送風(fēng)險評估集。在確定評估等級V={v1,v2,?,vn}$?=\left\{?{}_1,?{}_2,?,?{}_{?}\right\}$后，組建跨區(qū)域物流配送風(fēng)險等級排列矩陣R

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

GS=AωB(T)(8)

其中，A和B代表跨區(qū)域物流運輸風(fēng)險和配送風(fēng)險對應(yīng)的權(quán)值向量；ω代表閾值；T代表時間序列；S代表運輸風(fēng)險的取值范圍。

根據(jù)跨區(qū)域物流運輸風(fēng)險和配送風(fēng)險的平均權(quán)值向量A¯¯¯$\overline{\mathit{?}}$和B¯¯¯$\overline{\mathit{?}}$,計算跨區(qū)域物流配送風(fēng)險產(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)險評估中，通常涉及多個評估因素，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，并量化其對風(fēng)險的影響程度，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，通過計算每個評估因素的信息熵值，進而確定其權(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)險評估結(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輸風(fēng)險因素進行計算，并通過熵的方式度量運輸風(fēng)險因素Q

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

其中，pn代表風(fēng)險預(yù)警。

完成上述操作后，對跨區(qū)域物流配送風(fēng)險因素對應(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)險因素對應(yīng)的權(quán)值。

計算跨區(qū)域物流配送在不同配送路徑的風(fēng)險權(quán)值，加權(quán)計算后，得到跨區(qū)域物流配送風(fēng)險評估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)險評估。

2 結(jié)果與討論

為了驗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，經(jīng)過陸路或水路運輸?shù)侥暇└劭冢x取該段路徑作為測試對象。將整條路徑劃分為4個時段，這些時段涵蓋了物流配送過程中最容易產(chǎn)生車輛沖突和風(fēng)險的階段。通過分析關(guān)鍵時段的風(fēng)險變化情況，可以更好地了解整個配送過程中風(fēng)險的演變趨勢。為了保持計算效率和資源利用的平衡，選擇較少的時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)險趨勢圖如圖1所示。在4個不同配送時段中，第一時段的配送風(fēng)險<第二時段的配送風(fēng)險<第三時段的配送風(fēng)險<第四時段的流配送風(fēng)險。為了進一步驗證本文算法的風(fēng)險評估能力，將跨區(qū)域物流配送風(fēng)險誤報率作為測試指標(biāo)，通過圖2給出具體的實驗結(jié)果。

分析圖2可知，隨著時間的變化，各個算法對應(yīng)的配送風(fēng)險誤報率也在不斷發(fā)生變化。其中，文獻[3]算法對應(yīng)的風(fēng)險誤報率最高，為6.95%;文獻[4]算法的風(fēng)險誤報率次之，在實驗前期跨區(qū)域物流配送風(fēng)險誤報率較高，隨著時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)險誤報率最低，且一直處于比較平穩(wěn)的狀態(tài)。

為了進一步評估本文算法的配送風(fēng)險評估性能，在考慮車輛沖突的情況下，分別采用不同算法評估各個時段的風(fēng)險指數(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)險評估指數(shù)和真實風(fēng)險指數(shù)基本吻合，誤差最大為0.02;而另外兩種算法獲取的評估值和真實風(fēng)險指數(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)險評估結(jié)果。

分別采用不同算法評估各個路段的跨區(qū)域物流配送風(fēng)險，通過圖3對比各個算法的評估時間?？芍?，不同算法所花費的評估時間明顯不同，本文算法可以有效減少跨區(qū)域物流配送風(fēng)險評估時間，具有比較高的運行效率。

3 結(jié)論

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