基于云模型-MABAC方法的冷链物流竞争力评价

Evaluation of Cold Chain Logistics Competitiveness Based on Cloud Model-MABAC Approach

摘要: 随着冷链物流服务的市场需求不断增加，我国冷链物流发展进入了快车道。为了评估冷链物流竞争力水平，本文提出了云模型-MABAC冷链物流竞争力评价模型，并以长三角地区三省一市冷链物流竞争力为研究对象进行评价，云模型-MABAC方法具有保留模糊性和随机性以及考虑潜在损益价值的优点。结果表明，江苏省冷链物流竞争力排名最高，安徽省冷链物流竞争力排名最低，浙江省和上海市冷链物流竞争力处于中间水平。对长三角地区三省一市冷链物流发展提出建议，促进长三角地区三省一市冷链物流建设现代化冷链物流示范区和枢纽。

Abstract: With the increasing market demand for cold chain logistics services, the development of cold chain logistics in China has entered the fast lane. In order to evaluate the level of competitiveness of cold chain logistics, this paper proposes a cloud model-MABAC cold chain logistics competitiveness evaluation model and evaluates the competitiveness of cold chain logistics in three provinces and one city in the Yangtze River Delta region as the research object. The cloud model-MABAC has the advantage of preserving ambiguity and randomness as well as considering the value of potential gains and losses. The results show that Jiangsu Province ranks the highest in cold chain logistics competitiveness, Anhui Province ranks the lowest in cold chain logistics competitiveness, and Zhejiang Province and Shanghai Municipality rank in the middle. Suggestions are made for the development of cold chain logistics in the three provinces and one city in the Yangtze River Delta region, in order to promote the construction of modern cold chain logistics demonstration zones and hubs in the three provinces and one city in the Yangtze River Delta region.

1. 引言

随着贸易全球化和我国经济的快速发展，人民生活的水平更加富足，食品消费的丰富性和多样性也不断提高，食品消费升级和消费方式发生了深刻转变。从原来“吃得饱”向“吃得好”的观念转变，对食品的安全和品质提出了更高的要求，对食品供应链带来了更多的挑战。对于食品供应链中易腐率高，温控质量要求较高的产品，冷链物流为食品提供了不可缺少的保障，冷链物流的发展水平是对食品安全和食品品质保障的体现[1]。

目前对冷链物流的评价已经引起学者们的关注，主要包括风险评价，服务质量评价和发展水平评价。刘建鑫等(2019)提出冷链物流服务对于生鲜食品的重要性，对电商生鲜食品冷链物流能力进行评估[1]；杨扬等(2024)基于云模型对国际冷链物流发展水平进行评价[2]；万君和刘勋勋(2023)使用云模型对生鲜水产品冷链物流风险指标进行了筛选，通过动态贝叶斯网络对冷链物流风险进行识别[3]；邓梦杰等(2024)利用超效率SBM-GML指数模型对冷链物流绿色发展进行效率评估[4]；原雅坤等(2020)以生鲜农产品为例，在考虑碳约束的情况下对冷链物流的效率评价[5]；王勇等(2016)在产业融合视角下，对企业冷链物流服务质量进行评价[6]。在对区域物流评价方面有助于区域物流对区域物流的科学准确评价，既有利于政府对物流行业制定相关政策和规划，实施标准化和个性化的统一管理[7]。同时，现有研究对冷链物流竞争力评价较少，所以本文提出对长三角地区三省一市冷链物流竞争力评价，根据评价结果提出建议，促进该区域冷链物流发展。

在冷链物流和区域物流评价中，可以发现云模型[8]是一个有效的工具，云模型由Ex (期望)、En (熵)、He (超熵)，三个数值特征实现随机性和模糊性的集成，更好地把模糊性和随机性因素集成到一起，可减少人工干预。冷链物流竞争力评价中，靖培星(2022)使用TOPSIS方法对安徽省农产品冷链物流竞争力进行评价[9]。刘培德等(2023)认为相较于TOPSIS模型多属性边界近似区域比较[10] (MABAC)方法是一种稳定且可靠的方法，MABAC方法考虑备选方案与边界近似区域(BAA)的距离，以及潜在的损益价值[11]。因此，本文把云模型和MABAC方法结合，提出云模型-MABAC方法用于长三角地区三省一市冷链物流竞争力评价。

2. 指标选取

冷链物流在我国发展起步相对较晚，结合我国冷链物流发展特殊性和冷链物流市场需求，通过现有研究文献进行分析选取相关指。冷链物流行业的快速发展和专业化程度提高，已经形成了专门的冷链岗位，选取冷链物流岗位相关指标；食品消费作为冷链物流的市场端，人均食品消费和冷链物流发展关系密切，选取市场需求相关指标；同时结合我国冷链物流主要为公路运输运输的特殊性，选取公路运输相关指标，指标体系见表1。

(1) 岗位竞争力。冷链物流按照岗位类型划分为，一线操作工、市场营销、研发需求、行政管理，根据各岗位需求人才的数量和对应岗位平均工资乘积，作为衡量冷链物流发展水平的一个指标，可以体现冷链物流人力资源需求程度和冷链物流行业后续潜在的发展空间。

(2) 食品消费能力。蔬菜、水果、肉类、水产品、乳制品作为日常饮食，需要冷链物流对其安全性和品质性进行保障，食品消费和冷链物流发展水平息息相关，同时也是冷链物流总额最主要的来源，从市场消费端出发评价指标，同时也是冷链物流发展的需求端，作为评价指标可以衡量冷链物流发展活力。

(3) 公路运输能力。食品运输具有必要性和时效性，在选取运输能力指标的过程中，选取了公路里程密度、公路运输载货汽车量、公路货运量、公路货运周转量，考虑了我国冷链物流运输90%以上为公路运输的特殊性，使公路运输能力的评价更具有可靠性。

(4) 冷链设施能力。选取冷库需求面积、冷库库容、冷藏车销量、冷链专利数量，冷链设施作为冷链物流运行的基础性保障。

Table 1. Cold chain logistics competitiveness evaluation index system

表1. 冷链物流竞争力评价指标体系

目标层	一级指标	二级指标
冷链物流竞争力 评价指标体系(A)	岗位竞争力(B1)	一线操作工(C11)
		市场营销(C12)
		行政管理(C13)
		技术研发(C14)
	食品消费能力(B2)	蔬菜消费能力(C21)
		肉类消费能力(C22)
		水果消费能力(C23)
		水产品消费能力(C24)
		乳制品消费能力(C25)
	公路运输(B3)	公路里程密度(C31)
		公路运输载货汽车量(C32)
		公路运输量(C33)
		公路货物周转量(C34)
	冷链设施能力(B4)	冷库面积需求(C41)
		冷藏车销量(C42)
		冷库库容(C43)
		冷链专利数量(C44)

3. 云模型-MABAC评价模型

根据云模型和MABAC方法提出云模型-MABAC评价框架。首先对评价数据进行标准化，然后通过云模型得到初始决策矩阵，运用云模型对标准化的评价值进行计算云参数；根据熵权法和G2法分别确定客观权重和客观权重，通过得到博弈赋权，使得云模型-MABAC评价方法中的权重更具有可靠性，获得加权标准化矩阵，最终对博弈赋权后的云参数在MABAC评价方法下进行评价，在确定与边界近似区域的距离后，对备选方案进行评估，并根据贴近系数排名。具体流程见图1。

Figure 1. Framework diagram of cloud-based model-MABAC approach

图1. 基于云模型-MABAC方法框架图

(1) 计算初始决策矩阵

计算标准化评价值，通过逆向云发生器计算云参数。

$E{x}_j={\overline{X}}_j$ (1)

$E{n}_j=\sqrt{\frac{\pi }{2}}\cdot \frac{1}{k}{\displaystyle \sum _{i=1}^k\left|x_{ij}-{\overline{X}}_j\right|}$ (2)

$H{e}_j=\sqrt{\left|S_j^2-E{n}_j^2\right|}$ (3)

(2) 决策矩阵标准化

正向指标：$X_{ij}^{+}=\frac{X_{ij}-\min \left\{X_j\right\}}{\max \left\{X_j\right\}-\min \left\{X_j\right\}}$ (4)

逆向指标：$X_{ij}^{-}=\frac{\max \left\{X_{ij}\right\}-X_{ij}}{\max \left\{X_j\right\}-\min \left\{X_j\right\}}$ (5)

(3) 博弈赋权确定加权矩阵

G2法[12]作为主观赋权法，基本思想为选取最不重要指标作为唯一参考指标，由专家赋予其余指标相对于该指标的重要度比值，使用区间赋值根据重要性程度确定各指标的权重；熵权法以信息熵为来衡量指标的变异程度，若某个指标的信息熵越小，提供的信息量越多，则其权重越大[13]。

基于博弈论计算组合权重确定综合权重，博弈论组合赋权本质是对各种方法的计算的权重进行优化，寻找到最优权重值，博弈赋权模型[14]如下：

构建两个权重向量的线性组合

$w={\displaystyle \sum _{p=1}^2{a}_p{w}_p^{\text{T}}=a_1}{w}_1^{\text{T}}+a_2{w}_2^{\text{T}}$ (6)

通过极小化主、客观权重之间的偏差，构建对策模型

$\min \Vert {\displaystyle \sum _{p=1}^2{a}_p}{w}_p^{\text{T}}-w_q^{\text{T}}\Vert$ (7)

进行归一化处理，可得如下组合权重

$w^{\ast }={\displaystyle \sum _{p=1}^2{a}_p^{\ast }}{w}_p^{\text{T}}$ (8)

$v_{ij}=w_i\cdot \left(n_{ij}+1\right)$ ,$v=\left[v_{ij}\right]$ (9)

(4) 计算边界近似区域

边界近似区域见图2。

$g_i={\left({\displaystyle \prod _{i=1}^j{v}_{ij}}\right)}^{1/m}$ , $G=\left[g_1,g_2,\cdots ,g_n\right]$ (10)

Figure 2. Boundary approximation region

图2. 边界近似区域

(5) 计算距离矩阵

$Q=\left[\begin{array}{cccc}{v}_{11}& v_{12}& \cdots & v_{1n}\\ v_{21}& v_{22}& \cdots & v_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ v_{m1}& v_{m2}& \cdots & v_{mn}\end{array}\right]-\left[\begin{array}{cccc}{g}_1& g_2& \cdots & g_n\\ g_1& g_2& \cdots & g_n\\ ⋮& ⋮& \ddots & ⋮\\ g_1& g_2& \cdots & g_n\end{array}\right]=\left[\begin{array}{cccc}{q}_{11}& q_{12}& \cdots & q_{1n}\\ q_{21}& q_{22}& \cdots & q_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ q_{m1}& q_{m2}& \cdots & q_{mn}\end{array}\right]$ (11)

(6) 计算贴近系数及排序

$S_i={\displaystyle \sum _{j=1}^n{q}_{ij}},j=1,2,\cdots ,n;i=1,2,\cdots ,m$ (12)

4. 长三角三省一市冷链物流竞争力评价

长三角地区具有经济活力旺盛，冷链市场需求大，物流业发展起步早等特点，与其他地区相比冷链物流发展有着更为强烈的需求。本文以长三角地区三省一市冷链物流竞争力为研究对象，进行冷链物流竞争力评价研究，探讨三省一市的冷链物流竞争力排名。数据来源为统计年鉴、《中国工业食品统计年鉴》、《中国冷链物流发展报告》，并进行必要整理与计算，标准化数值见表2。

Table 2. Standardized evaluation values for three provinces and one city

表2. 三省一市标准化评价值

评价值	上海市	江苏省	浙江省	安徽省
C11	1.00000	0.68793	0.34277	0.00000
C12	1.00000	0.60091	0.19074	0.00000
C13	1.00000	0.49676	0.34413	0.00000
C14	1.00000	0.83263	0.20159	0.00000
C21	0.99760	0.96502	0.00000	1.00000
C22	1.00000	0.18518	0.41875	0.00000
C23	1.00000	0.41046	0.93766	0.00000
C24	1.00000	0.00000	0.79144	0.77858
C25	1.00000	0.37079	0.30063	0.00000
C31	1.00000	0.34829	0.00000	0.60297
C32	0.00000	0.36217	1.00000	0.78351
C33	0.00000	0.60365	0.78689	1.00000
C34	0.00000	0.93317	0.64149	1.00000
C41	1.00000	0.69197	0.38803	0.00000
C42	0.00000	1.00000	0.38784	0.53091
C43	0.42621	1.00000	0.35342	0.00000
C44	0.48649	1.00000	0.35586	0.00000

利用云模型计算出云参数见图3。

通过黄金分割法[8]，建立标准云参数和绘制标准云图以及三省一市云图，在绘制云图过程中，对熵值和超熵值进行等比例调整，减少图形雾化情况达到可视化效果，三省一市云参数可视化见图4~9。

计算博弈组合权重见表3。

运用MABAC方法计算三省一市冷链物流竞争力贴近度见表4。

江苏省的贴近度数值最高，安徽省的贴近度数值最低，贴近度相差0.8，差距较大。上海市贴近度为0.07，接近边界近似区域(BAA)。其和江苏省、浙江省相比较而言，评价指标的期望值相较于江苏省和浙江省较高，但竞争力衡量指标的熵值较大，种种原因导致上海市虽拥有竞争优势却处于中等竞争力水平。江苏省以及浙江省贴近度分别为0.26和0.19，贴近正理想解，优势较为明显。江苏省竞争力衡量指标期望值处于领先水平，熵值较小，相比浙江省而言，江苏省在自身条件等方面更具有竞争优势。安徽省的

Figure 3. Parameters of cloud model in three provinces and one city

图3. 三省一市云模型参数

Figure 4. Standard cloud diagram

图4. 标准云图

Figure 5. Cloud diagram of three provinces and one city

图5. 三省一市云图

Figure 6. Cloud diagram of Shanghai

图6. 上海市云图

Figure 7. Cloud diagram of Jiangsu Province

图7. 江苏省云图

Figure 8. Cloud diagram of Zhejiang Province

图8. 浙江省云图

Figure 9. Cloud diagram of Anhui Province

图9. 安徽省云图

Table 3. Table of game theory portfolio weights

表3. 博弈论组合权重表

云参数	G2法	熵权法	博弈权重
Ex	0.4268	0.3060	0.3515
En	0.3292	0.4662	0.4107
He	0.2440	0.2278	0.2378

Table 4. Competitiveness proximity of cold chain logistics in three provinces and one city

表4. 三省一市冷链物流竞争力贴近度

地区	上海市	江苏省	浙江省	安徽市
贴进度	0.07	0.26	0.19	−0.54

Figure 10. Competitiveness of cold chain logistics in three provinces and one city and ranking under each indicator

图10. 三省一市冷链物流竞争力及各指标下排名

贴近度为−0.54，其各项竞争力较其他省市而言均较弱，更贴近负理想解。为更好的分析冷链物流竞争力水平的影响因素，本文利用云模型-MABAC评价模型对各指标下三省一市冷链物流竞争力进行排名，结果见图10。

(1) 岗位竞争力。上海市作为我国经济中心，冷链物流规划建设时间开始早，一线操作员、市场营销、行政管理、技术研发四个指标的竞争力水平都是第一。相比其他省，安徽省岗位需求竞争力最小，主要是因为安徽省经济发展水平较低，冷链物流规划晚，岗位需求数量少，四类岗位的平均工资较低，整体建设与其他省市相比，仍存在较大差距。

(2) 食品消费能力。主要与五类食品的消费有关。上海市平均食品消费最多，排名第一，但其他地区都为负理想解，发展存在明显的两级分化现象。安徽省的冷链需求竞争力为最低水平，沿海地区的消费观念较强冷链需求市场竞争力水平相比较安徽省较高。

(3) 公路运输能力。排名结果和经济发展情况相反，安徽省贴近度排名第一，经济发展较好的浙江市、江苏省、上海省，公路运输能力贴近度的排名依次降低。浙江省、江苏省、上海市经济较强，综合各种运输能力较强。安徽省航空运输、铁路运输、水上运输能力相较于省市较弱，单独考察公路运输，安徽省的运输劣势排除，整体贴近度最高。

(4) 冷链设施能力。依据各省市冷链设施情况来分析，最重要的还是各地规划时间的影响。排名靠前的江苏省、上海市由于自身发展已经跻身长三角地区前列，其各项增长水平和发展潜力相对靠后，而排名靠后的安徽省在冷链设施规划建设中起步较晚，发展潜力较大，浙江省发展速度加快，并凭借自身的优良条件，拥有较高的发展潜力。

5. 总结和建议

本文从冷链物流竞争力评价出发，把云模型和MABAC方法相结合，可以把云模型描述模糊性和随机性与MABAC方法考虑潜在损益价值的优势相结合，因此提出了云模型-MABAC评价模型。

通过云模型-MABAC模型对长三角地区三省一市冷链物流竞争力评价，长三角三省一市中江苏省冷链物流竞争力排名第一，其次为浙江省、上海市，安徽省冷链物流竞争力排名最低。在各指标排序下，排名第一的指标都集中在上海市和江苏省。上海市岗位竞争力、食品消费能力均为第一，公路运输能力排名最低；安徽省公路运输能力排名最高，岗位竞争力、食品消费能力、冷链设施能力均排在最后；浙江省各项指标排名均处于中间水平，各项评价指标结果差距较小、较为均衡；江苏省冷链设施能力排名第一，其他指标也处于中等排名。

根据长三角地区三省一市冷链物流竞争力评价的结果，给出如下发展建议：

(1) 完善冷链专业型人才梯队建设，多层次复合型冷链物流人才培养体系。

与飞速发展的市场规模相比，冷链物流行业各岗位人才呈现供不应求的局面，正在逐渐成为制约我国冷链物流快速发展的瓶颈之一。可以构建知识、人才、产业三位一体标准体系，鼓励高等院校、企业、行业协会等多种主体深化合作，培养冷链物流人才。

(2) 冷链多式联运规划，改善冷链多式联运设施。

目前我国冷链物流主要为公路运输，长三角地区铁路网络密集，拓宽铁路运输可以助力冷链物流进一步发展，同时可以依托长江，靠近长江的地区规划冷链物流航运路线。把公路运输、铁路运输和航运相结合，规划冷链多式联运，构建长三角地区冷链物流多式联运网络，提高冷链物流运输效率。

(3) 冷链基础设施增加技术创新。

近年来，随着冷链物流技术的发展，物流网、互联网等实时监测技术不断纳入到冷链物流中，冷链物流基础设施的技术创新对保障产品的质量具有重要作用，帮助冷链物流过程提升整体管理效率。