论文部分内容阅读
摘 要：基于订单信息传递及接收过程的状态转换，构建了基于马尔科夫链的物流订单信息精确有效度计量分析模型，并引入广义信度中的辨识框架概念，运用定量分析方法分析了基于信息动态视角的订单信息各环节的精确有效度，讨论订单信息精确、模糊和滞后三种状态之间的转换概率。最后，通过数值仿真验证了模型的有效性，研究结果表明：在稳态下，订单信息接收处于“精确”状态的概率要远大于处于“模糊”和“延迟”状态的概率，并且订单信息接收过程中每个环节的精确有效度均在0.9以上，说明当前订单信息接收过程中的精确有效度很高。
关键词：订单信息;状态转移;计量分析;马尔科夫链
中图分类号：F253.9 文献标识码：A
Abstract： Based on the state transition of the order information transmission and receiving process， a Markov chain-based measurement analysis model of the accuracy and validity of the logistics order information is constructed， and the concept of identification framework in the generalized reliability is introduced， and the quantitative analysis method is used to analyze the information based on the dynamic perspective. Discuss the accuracy and validity of each link of the order information， discuss the transition probability between the three states of order information accuracy， vagueness and lag. Finally， the validity of the model is verified by numerical simulation. The research results show that in the steady state， the probability of receiving the order information in the“accurate”state is much greater than the probability of being in the“fuzzy”and“delayed”state， and the order information is received the accuracy and validity of each link in the process are above 0.9， indicating that the accuracy and validity of the current order information receiving process is very high.
Key words： order information; state transition; quantitative analysis; Markov chain
0 引 言
云南與边境国家商务合作的快速发展驱使跨境物流成为物流行业研究的焦点问题，再加上我国大力推进现代流通体系的建设，更是加快了跨境物流的研究与发展。“一带一路”的提出给跨境物流带来了前所未有的发展机遇。基于云南省的地理优势，在跨境电商兴起的前提基础上，云南企业大多利用出口业务来增加企业效益，所以跨境物流伴随着一种快速发展的趋势[1]。但正是由于此，给云南省的跨境物流带来了很大的挑战并且存在着较为棘手的问题，其中比较突出的就是跨境电商与跨境物流两者之间互相促进发展问题[2]。
当前国内外学者对于跨境物流的研究已经较为成熟，国内的文献大多是基于“一带一路”倡议提出对跨境物流的研究。赵雪松[3]研究基于云南省与边境国家之间的电商合作现状作了分析，提出如何解决云南省关于当前物流方面所出现问题的策略和建议。Hairui Wei[4]等学者利用多目标的混合整数规划模型来研究云南省跨境物流网络分布，通过遗传算法求解模型的最优解，这一方法为研究跨境物流提供了一个新的研究视角。李艳[5]学者也是基于“一带一路”研究了物流网络的产业联动发展，该相关理论在一定程度上降低了跨境物流网络成本，在多个方面推动与边境国家合作产业的联动发展。另一方面，跨境物流与跨境电商的协同发展对于研究跨境物流来说是很重要的。杨乙可[6]学者结合营销模式与人工智能技术，通过构建物流管理的框架，实现物流信息的实时传递，提供了效率高、服务性能好的信息服务，精确有效地接收订单信息。轩慧慧[7]等学者通过比较分析跨境电商与物流共同发展所存在的不足及该发展方式下的缺点，提出跨境物流交叉设计图的改进措施。彭聪、王乐乐[8-9]等学者利用DEA和灰色关联模型来研究境内国家与境外国家电商和物流的协调合作，而Qian Huang[10]等学者则设计了物品运输信息的平台和体系结构来提高物流信息流动的精确度。虽然目前网络信息技术已经发展得较为成熟，但是订单信息的传递过程中也会出现偏差，例如顾客订单信息会出现模糊或滞后的情况，这在某些方面影响着顾客需求服务的满意度。张夏恒[11]等学者基于全球化的视角，从价值链的角度出发，提出了简单和更能说明问题的跨境合作运营模式以及协作发展的模型，进一步说明了两者协作共同发展给物流发展带来的积极作用。也有学者在考虑信息的时变性特征后，引入了广义证据理论，提高短期数据预测的精确度[12]。 基于目前研究现状，会发现跨境物流存在着较多的问题。近几年互联网技术以及信息快速更替的发展给跨境物流带来了前所未有的挑战，对于物流信息的精确度要求也越来越高，所以本文利用马尔科夫模型并引入广义证据理论中的辨识框架概念来研究跨境物流信息，一方面该模型通过概率来描述订单信息状态的不确定性，避免近似连续的订单信息数据出现不稳定或者起伏的情况，进一步提高对订单信息预测的精确度;另一方面，该模型的适用范围得到了进一步拓展，可以更好地应用于订单信息状态不分明的情形。
1 马尔科夫预测模型的建立
1.1 相关定义描述。马尔科夫过程是指一类随机过程，是研究离散事件动态系统状态空间的重要方法[12]。当前，马尔科夫链模型已经适用于很多方面，特别是被一些学者应用在预测技术上，在预测方面得到了大量的验证与实践。利用马尔科夫预测模型来对跨境物流信息的动态分析，提升订单信息预测精度，在构建马尔科夫模型时，引入辨识框架的概念来定义订单信息状态的集合。
定义1 马尔可夫链。假想马尔科夫过程X， n∈T的参数集T是离散的时间集合，即T=0，1，2，…，对应X所有的取值称为该链的状态集I=i，i，i，…，同样假设该状态集也是离散的。根据马尔科夫过程的定义，设有随机过程X， n∈T，若对于任意的整数n∈T和任意的i，i，i，…，i∈I，条件概率满足：
PX=i|X=i， X=i，…，X=i=PX=i|X=i （1）
则称X， n∈T为马尔科夫链。
定义2 转移概率矩阵。条件概率PX=j|X=ii，j∈I，该条件概率表示的意思是研究对象在时刻n处于分类状态i的条件下，在时间n+1该研究对象系统处在状态j的概率，就好比随机不确定游动的点在时间n处在状态i的条件下，下一步转移到状态j的概率。记此条件概率为Pn，其严格定义如下：
Pn=PX=j|X=i （2）
为该模型X， n∈T在这个特定时刻n的一步转移概率，其中i，j∈I。
设P表示为所有求得的式（2）概率P所构成的矩阵，且状态空间I=1，2，3，…，则：
P= （3）
称为研究对象系统状态的一步转移概率矩阵。它具有性质：（1）p≥0， i，j∈I;（2）P=1， i∈I。
1.2 模型建立。物流信息从广义的角度上说包括顾客需求信息、顾客订单信息、商品的包装、仓储、装卸和运输等各类作业信息。其中订单信息的精准性为物流需求服务系统在指定的所有环境条件下，准确地完成物流服务需求的能力。本文运用马尔科夫模型对具有信息量大、信息动态性强以及信息种类多等特点的物流订单信息进行精准性分析。每一时间段，订单信息的状态只与该段时间作业环节的状态有关，与该段时间以前的作业环节无关，符合马氏链“无后效性”特征，因此建立“物流订单信息马氏链”。在订单作业环节，建立各状态之间互相转换的模型图，如图1所示，并做出相关假设：（1）在顾客订单信息发出后，平台接收的订单信息可能处于3种状态：P状态：精确状态，此状态下订单信息接收准确性最高;B状态：模糊状态，此状态下订单信息接收出现异常情况，对于顾客订单需求匹配出现偏差;H状态：延迟状态，此状态下顾客订单信息无法精准及时的进行接收，会引起顾客需求无法得到满足，所以根据订单信息动态变化而区分，本文将其定义为三种基本状态：精确P、模糊B和延迟H，它们组成一个辨识框架F=P，B，H。（2）假设订单信息状态可通过一些技术手段紧急处理，然后各状态之间进行互相转换，即订单信息在B和H状态下可变为P状态。（3）假设在很小的时间Δt时刻，Pt表示时刻t订单信息接收所处于状态i的概率。下面我们给出各状态之间的转换概率表如表1所示：
其中表中的状态0、1、2分别对应于上文提到的状态P、B、H;σi=1，2，3表示订单信息接收从精确状态转为状态i的故障率，θi=1，2，3表示从状态i恢复到精确状态的修復率。根据表1所呈现出来的状态转移表可以得到转移概率矩阵为：
P= （4）
本文考虑的马尔科夫链中所有状态之间的转换可由有限步实现，称其为正则链，并且假设存在唯一的极限状态概率α
=α，α，α，使得当t→∞时状态概率Pt→α， α与初始状态概率P0无关，为隐态概率。在假定的极限状况下，用转换率代替转换概率，得到状态转换率矩阵为：
P= （5）
关键词：订单信息;状态转移;计量分析;马尔科夫链
中图分类号：F253.9 文献标识码：A
Abstract： Based on the state transition of the order information transmission and receiving process， a Markov chain-based measurement analysis model of the accuracy and validity of the logistics order information is constructed， and the concept of identification framework in the generalized reliability is introduced， and the quantitative analysis method is used to analyze the information based on the dynamic perspective. Discuss the accuracy and validity of each link of the order information， discuss the transition probability between the three states of order information accuracy， vagueness and lag. Finally， the validity of the model is verified by numerical simulation. The research results show that in the steady state， the probability of receiving the order information in the“accurate”state is much greater than the probability of being in the“fuzzy”and“delayed”state， and the order information is received the accuracy and validity of each link in the process are above 0.9， indicating that the accuracy and validity of the current order information receiving process is very high.
Key words： order information; state transition; quantitative analysis; Markov chain
0 引 言
云南與边境国家商务合作的快速发展驱使跨境物流成为物流行业研究的焦点问题，再加上我国大力推进现代流通体系的建设，更是加快了跨境物流的研究与发展。“一带一路”的提出给跨境物流带来了前所未有的发展机遇。基于云南省的地理优势，在跨境电商兴起的前提基础上，云南企业大多利用出口业务来增加企业效益，所以跨境物流伴随着一种快速发展的趋势[1]。但正是由于此，给云南省的跨境物流带来了很大的挑战并且存在着较为棘手的问题，其中比较突出的就是跨境电商与跨境物流两者之间互相促进发展问题[2]。
当前国内外学者对于跨境物流的研究已经较为成熟，国内的文献大多是基于“一带一路”倡议提出对跨境物流的研究。赵雪松[3]研究基于云南省与边境国家之间的电商合作现状作了分析，提出如何解决云南省关于当前物流方面所出现问题的策略和建议。Hairui Wei[4]等学者利用多目标的混合整数规划模型来研究云南省跨境物流网络分布，通过遗传算法求解模型的最优解，这一方法为研究跨境物流提供了一个新的研究视角。李艳[5]学者也是基于“一带一路”研究了物流网络的产业联动发展，该相关理论在一定程度上降低了跨境物流网络成本，在多个方面推动与边境国家合作产业的联动发展。另一方面，跨境物流与跨境电商的协同发展对于研究跨境物流来说是很重要的。杨乙可[6]学者结合营销模式与人工智能技术，通过构建物流管理的框架，实现物流信息的实时传递，提供了效率高、服务性能好的信息服务，精确有效地接收订单信息。轩慧慧[7]等学者通过比较分析跨境电商与物流共同发展所存在的不足及该发展方式下的缺点，提出跨境物流交叉设计图的改进措施。彭聪、王乐乐[8-9]等学者利用DEA和灰色关联模型来研究境内国家与境外国家电商和物流的协调合作，而Qian Huang[10]等学者则设计了物品运输信息的平台和体系结构来提高物流信息流动的精确度。虽然目前网络信息技术已经发展得较为成熟，但是订单信息的传递过程中也会出现偏差，例如顾客订单信息会出现模糊或滞后的情况，这在某些方面影响着顾客需求服务的满意度。张夏恒[11]等学者基于全球化的视角，从价值链的角度出发，提出了简单和更能说明问题的跨境合作运营模式以及协作发展的模型，进一步说明了两者协作共同发展给物流发展带来的积极作用。也有学者在考虑信息的时变性特征后，引入了广义证据理论，提高短期数据预测的精确度[12]。 基于目前研究现状，会发现跨境物流存在着较多的问题。近几年互联网技术以及信息快速更替的发展给跨境物流带来了前所未有的挑战，对于物流信息的精确度要求也越来越高，所以本文利用马尔科夫模型并引入广义证据理论中的辨识框架概念来研究跨境物流信息，一方面该模型通过概率来描述订单信息状态的不确定性，避免近似连续的订单信息数据出现不稳定或者起伏的情况，进一步提高对订单信息预测的精确度;另一方面，该模型的适用范围得到了进一步拓展，可以更好地应用于订单信息状态不分明的情形。
1 马尔科夫预测模型的建立
1.1 相关定义描述。马尔科夫过程是指一类随机过程，是研究离散事件动态系统状态空间的重要方法[12]。当前，马尔科夫链模型已经适用于很多方面，特别是被一些学者应用在预测技术上，在预测方面得到了大量的验证与实践。利用马尔科夫预测模型来对跨境物流信息的动态分析，提升订单信息预测精度，在构建马尔科夫模型时，引入辨识框架的概念来定义订单信息状态的集合。
定义1 马尔可夫链。假想马尔科夫过程X， n∈T的参数集T是离散的时间集合，即T=0，1，2，…，对应X所有的取值称为该链的状态集I=i，i，i，…，同样假设该状态集也是离散的。根据马尔科夫过程的定义，设有随机过程X， n∈T，若对于任意的整数n∈T和任意的i，i，i，…，i∈I，条件概率满足：
PX=i|X=i， X=i，…，X=i=PX=i|X=i （1）
则称X， n∈T为马尔科夫链。
定义2 转移概率矩阵。条件概率PX=j|X=ii，j∈I，该条件概率表示的意思是研究对象在时刻n处于分类状态i的条件下，在时间n+1该研究对象系统处在状态j的概率，就好比随机不确定游动的点在时间n处在状态i的条件下，下一步转移到状态j的概率。记此条件概率为Pn，其严格定义如下：
Pn=PX=j|X=i （2）
为该模型X， n∈T在这个特定时刻n的一步转移概率，其中i，j∈I。
设P表示为所有求得的式（2）概率P所构成的矩阵，且状态空间I=1，2，3，…，则：
P= （3）
称为研究对象系统状态的一步转移概率矩阵。它具有性质：（1）p≥0， i，j∈I;（2）P=1， i∈I。
1.2 模型建立。物流信息从广义的角度上说包括顾客需求信息、顾客订单信息、商品的包装、仓储、装卸和运输等各类作业信息。其中订单信息的精准性为物流需求服务系统在指定的所有环境条件下，准确地完成物流服务需求的能力。本文运用马尔科夫模型对具有信息量大、信息动态性强以及信息种类多等特点的物流订单信息进行精准性分析。每一时间段，订单信息的状态只与该段时间作业环节的状态有关，与该段时间以前的作业环节无关，符合马氏链“无后效性”特征，因此建立“物流订单信息马氏链”。在订单作业环节，建立各状态之间互相转换的模型图，如图1所示，并做出相关假设：（1）在顾客订单信息发出后，平台接收的订单信息可能处于3种状态：P状态：精确状态，此状态下订单信息接收准确性最高;B状态：模糊状态，此状态下订单信息接收出现异常情况，对于顾客订单需求匹配出现偏差;H状态：延迟状态，此状态下顾客订单信息无法精准及时的进行接收，会引起顾客需求无法得到满足，所以根据订单信息动态变化而区分，本文将其定义为三种基本状态：精确P、模糊B和延迟H，它们组成一个辨识框架F=P，B，H。（2）假设订单信息状态可通过一些技术手段紧急处理，然后各状态之间进行互相转换，即订单信息在B和H状态下可变为P状态。（3）假设在很小的时间Δt时刻，Pt表示时刻t订单信息接收所处于状态i的概率。下面我们给出各状态之间的转换概率表如表1所示：
其中表中的状态0、1、2分别对应于上文提到的状态P、B、H;σi=1，2，3表示订单信息接收从精确状态转为状态i的故障率，θi=1，2，3表示从状态i恢复到精确状态的修復率。根据表1所呈现出来的状态转移表可以得到转移概率矩阵为：
P= （4）
本文考虑的马尔科夫链中所有状态之间的转换可由有限步实现，称其为正则链，并且假设存在唯一的极限状态概率α
=α，α，α，使得当t→∞时状态概率Pt→α， α与初始状态概率P0无关，为隐态概率。在假定的极限状况下，用转换率代替转换概率，得到状态转换率矩阵为：
P= （5）