英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

译文

基于SEM模型的物流企业竞争力综合评价

摘要

物流市场松散，企业增值服务能力薄弱，物流网络建设和运营落后，导致部分企业物流成本高、效率低。为了提高企业物流企业竞争力的综合评价效果，本文基于机器学习技术建立了基于SEM模型的物流企业竞争力综合评价模型。此外，为了更准确地把握客户物流模式选择行为的规律，本文将通过SEM模型得到的物流模式服务特征的潜在变量的自适应值加入到物流模式的效用函数中，得到了SEM-NL集成模型。此外，本文从分析影响企业物流竞争力的关键因素入手，构建了企业物流竞争力的评价模型，并从物流实际竞争力和物流未来发展潜力两个方面分析研究了企业物流的综合竞争力。研究结果表明，本文构建的模型适用于物流企业竞争力的综合评价。

关键词：SEM模型，物流企业，竞争力，综合评价

1.引言

近年来，虽然我国的物流基础设施和技术装备取得了长足的进步，但与西方发达国家甚至一些发展中国家仍有很大差距。例如，按土地面积和人口计算的交通网络密度仅为美国的19.7%、德国的10%和印度的25%。在物流园区和物流中心建设过程中，也存在布局不科学、功能不健全、信息化水平低、组织连通性差等问题。一方面，很难满足物流服务的需求。导致不同运输方式之间的连通性差，并增加无效运输的数量。另一方面，由于节点之间缺乏协调，物流基础设施的支撑性和兼容性较差，导致系统整体功能较弱，难以发挥网络的作用；此外，物流标准化程度普遍较低，物流收集和储存设施较少。其中，运力大的专业货运车辆普遍不足，承担设备装卸任务的物流设备普遍落后，缺乏标准化的计量指标，不能充分发挥物流作业的效率[1]。随着经济一体化的深入，我国已成为世界上加工和制造中心的物流中心，推动了制造业的快速发展。目前，制造业处于产业化阶段，自身大部分采用自营物流，物流外包需求不足。外包只涉及仓储和运输等业务。这导致了物流市场份额低和物流成本相对较高的问题。目前，我国最大的物流公司只占物流市场的不到2%，远远落后于美国等6%的发达国家。制造业和物流业之间的联系不足。此外，我国第三方物流服务（TPL）发展迅速，但整个物流业仍处于粗放经营的扩张阶段，尚未形成集集约化管理、专业化服务、网络化的物流服务体系。此外，大多数物流公司无法扩大规模，只提供运输或仓储等单一服务，不提供科学成本控制、集成信息服务和实时货物跟踪等增值服务。物流公司组织能力差，市场集中度低。它们无法为制造企业提供集成物流解决方案，也无法满足高端服务的发展需求。同时，制造业与物流服务发展之间缺乏联系，影响了制造业生产力的充分利用和有效提升 。

2.相关工作文献

提出了国家物流等级体系，并选取了四个指标：基础设施建设水平、供应商服务水平、物流信息系统和人力资源来评价物流发展。此外，通过主观评分和加权汇总来评估物流系统的水平，最后将该国划分为三个级别：发达国家、发展中国家和落后国家。文献[5]构建了区域物流竞争力评价指标体系。通过构建物流产业竞争力评价模型，比较了亚欧物流发展环境，分析了亚欧物流产业发展过程中的优势和劣势。文献[6]将亚洲和欧洲的物流系统分为几个层次。通过对亚欧运输背景的分析，从亚欧运输的实际情况出发，选取了相应的物流竞争力指标。同时，构建了国际物流评价体系，为世界各国物流系统的研究提供了研究基础。文献[7]使用聚类分析方法对亚洲和欧洲的物流系统进行了综合比较，最后将亚洲和欧洲的物流系统划分为三个层次。文献[8]采用了定量统计分析方法。与一般学者仅用定性方法分析区域竞争力相比，本文构建了区域物流评价体系进行分析，得出的结论更具说服力。文献[9]从物流产业系统演化的微观主体、宏观主体和产业关联三个方面描述了物流产业的演化过程。文献[10]从产业整合的角度得出了物流产业的演进和整合路径，得出了物流产业在产业整合过程中通过优化资源配置促进企业创新，从而提高产业绩效的结论。文献[11]从物流发展需求状况、物流企业发展状况、物流企业发展状况和物流发展状况四个方面综合分析了物流业的发展有效性。同时指出物流业存在物流需求不足、物流规模小、物流资源分散等问题。文献[12]运用SWOT方法研究吉林省现代物流业的发展现状，并运用支持向量机预测方法预测吉林省区域物流需求，从而提出吉林省现代物流业的发展对策。文献[13]使用灰色关联模型实证分析了贵州省物流业与制造业及其他服务业之间的纵向和横向关联，并对物流业与制造业融合、与其他服务业融合的发展提出建议。文献[14]使用投入产出法对江西省物流业与其他产业的相关性进行了实证分析，得出了物流业的产业溢出效应，并从产业关联性的角度提出了江西省物流业发展的对策建议。文献[15]使用收集数据和研究活动的方法提出，路线数量、服务能力、相关成本和拥堵等因素对港口物流竞争力有不同程度的影响。通过一系列研究，文献[16]提出了最具代表性的五个主要因素，即收集和分配能力、铁路连接率、劳动力成本和生产效率。以英国港口和腹地为研究对象，文献[17]发现，技术和组织的变化会削弱港口和区域之间的联系密度，也会导致港口距离和直接经济腹地对港口竞争力的影响逐渐减弱，而跨腹地已逐渐成为影响港口物流竞争力的主要因素。文献[18]将技术进步和组织发展视为提升港口物流竞争力的关键因素。交通工具的改进和运输方式的创新导致了港口功能的变化。港口不再只是一个运输节点，而是一个集运输和仓储于一体的物流系统。这增加了港口竞争的范围，加剧了竞争。文献[19]从技术和管理创新的角度提出，港口、航运和铁路的结合更有利于增强港口物流的竞争力。文献〔20〕分别提出了深水通道、效率、技术装备和服务水平对韩国香港、高雄、釜山港港口物流竞争优势的巨大影响。文献[21]集中于许多欧洲港口，并对港口物流竞争力指标进行了总结和分类。并将这些指标代入构建的港口物流竞争力评价模型中，得出参考指标与港口物流竞争力之间存在协调因素和操作关系的结论。文献[22]将离散模型应用于港口物流竞争力的评估。此外，基于Logit模型，它通过五个因素来衡量港口物流的竞争力：港口船舶的平均运力、海陆距离、是否是港口的最后一次停靠，以及船舶航行之间的平均时间。基于规模经济，文献[23]重点研究了主要区域的港口，并表明港口之间物流资源的科学集约和协调运作将实现港口分散的效果，从而创造效益，提高物流竞争力。文献[24]认为供应链系统的效率是从综合物流服务系统的角度衡量港口物流竞争力的主要因素。此外，两位学者利用供应链系统的参考因素，建立了一个数据模型来监测港口物流竞争力的强弱。文献[25]根据东亚港口的相关数据，提出了影响港口物流竞争力的关键因素，如服务质量、潜在货源、运营成本和区域中心性。

3.SEM模型

遵循公式。eta;ikn = rlambda;iknxirn zeta;ikn（1）yitn = kgamma;ikteta;ikn xi;itn（2）其中：r——个体社会经济特征中与潜在变量有影响关系的明显变量的数量；t——与潜在变量对应的观测变量数；xirn——与潜在变量有影响关系的个人社会经济特征的明显变量；yitn——与潜在变量相对应的观察变量；lambda;ikn，gamma;ikt——待估计参数；zeta;ikn，xi;itn——误差变量。在离散选择模型中，个人效用Uin可用固定项Vin和随机项εIn表示。改进的效用函数可以表示为：Uin=Vin εin（3）

其中：i——决策方法；n--物流企业；l——特征变量的数量；q——物流模式特征的明显变量数量；k——潜在变量的数量；siln——经济特征的明显变量；ziqn——重要变量；eta;ikn——潜变量；ail、biq、cik——待估计的参数。为了简单起见，以下以两层NL模型为例介绍其选择概率。模型结构如下图所示。n的选择计划rm的选择概率Pn（rm）可以表示为：Pn（rm）=Pn（r | m）Pn（m）（r=1,2，···，Rmn；m=1,2，··，Mn）（5）Rmn是1级下2级n的第m个选项的可用选项数，Mn是1级下n的可用选项数。

其中，Pn（r | m）和Pn（m）可以具体表示为：Pn（r | m）=eV（r | m）n Rmnsum;r=1 eV（rsum;| m）n（6）

Pn（m）=eVmn lambda;LogsumVlowast;sum;m=1e*sum;n lambda;LogsumVlowast; MN（7）

Rmnsum;r=1 exp（V（r | m）n）（8）

在公式中，V（r | m）n——在选择了上层程序m的条件下，n选择了由m的下层程序在r.Vrm处获得的效用的固定项——当选择了方案rm时，n的效用固定性仅随上层方案m而变化lowast;mn——公差值。从数学上讲，Logsum等于较低级别选项的最大效用的期望值。它代表了底层所有选项的总体吸引力。同时，该变量和其他解释变量被用作上层模型的变量，这是下层对上层的反馈。lambda;Logsum——公差系数。它的值可以反映下层程序的效用对上层程序效用的影响。模型求解目前，NL模型的参数估计有两种方法：第一种方法是同时估计多层模型中的所有参数，第二种方法是将NL模型分解为多个MNL模型，自下而上进行参数估计，称为“序贯估计法”.对于本文建立的城市群城际物流模式选择模型，为了反映低层对相邻高层的反馈效应，反映物流行为决策的相互影响和相关性，本文采用序贯估计方法，利用Trans-CAD软件对NL模型参数进行估计。求解SEM-NL集成模型的具体步骤如下：（1）输入数据。从问卷中获得的原始数据被输入SPSS软件。（2） AMOS软件用于求解结构方程。首先，根据结构方程的潜变量之间以及潜变量与其对应的观测变量之间确定的路径图，将SPSS中相应的数据导入AMOS，经过多次修正，得到潜变量的自适应值。（3） Trans CAD软件层用于计算NL模型。最低层模型均被视为独立的MNL模型。它通过指定模型表和运行计划模式Split多项式Logit Estimation分别定义和估计每个MNL模型，并通过公式字段计算底部每个MNL模型的对数和值。将对数和值代入其所属的上层模型，并逐层估计选择树。在估计顶部MNL模型时，将第二步获得的潜在变量适应值添加到模型的效用函数中，并将嵌套的下部模型的对数和值用作模型的解释变量。同时，对NL模型的所有参数值进行了估计。（4） 计算并测试t值。如果每个变量参数的t值的绝对值大于1.96，则表示这些因素对物流模式的选择有95%的置信度。否则，需要消除该变量。同时，返回第三步，重新估计变量系数并计算t值，直到所有变量的t值满足要求。除了t值检验，Logit模型还有一个rho;2参数检验统计量，也称为优度比。rho;2是模型拟合的总体评估。它的值越接近1，模型的精度就越高，选择行为就越容易解释。然而，在实际运行中，当rho;2值达到0.2–0.4时，可以认为模型精度满足要求。

4.考虑心理因素的结构方程模型

结构方程模型的基本思想结构方程模型的建模过程通常可分为五个步骤：模型表达、模型识别、模型估计、模型评估和模型修改。（1） 模型表达式模型表达式是指在模型估计之前形成的初始理论模型，可以用两种基本模型来表示：测量模型和结构模型。测量模型反映了潜在变量和观测变量之间的关系。因为它通常使用一个模型来验证某些假设，所以也被称为确认因素模型。模型反映了潜在结构变量之间的因果关系。在SEM中，内生潜在变量的数量应与结构模型的数量相同，即每个内生潜在变量对应一个方程。外生潜变量（自变量）的测量方程为：X=sum;Xxi; delta;（9）

内生潜变量（因变量）的测量方程为：Y=sum;Yeta; ε（10）

结构方程为：eta;=Beta; sum;xi; zeta;（11）X——潜变量xi;的观测变量；Y——潜变量eta;的观测变量；xi;——外生潜变量（自变量）；eta;——内生潜变量（因变量）sum;X——观测变量X和潜变量xi;之间的回归系数或因子加载矩阵sum;Y——观测变量Y和潜变量eta;之间的回归系数或因子加载矩阵；delta;——由X的观测误差形成的向量；ε——由Y的观测误差形成的向量；B——内生潜变量eta;相互影响的回归系数矩阵；

表1常用模型拟合指标及其评价标准指标名称评价标准

外生潜变量xi;对内生潜变量eta;影响的回归系数矩阵；zeta;——残差项向量模型识别是确定给定模型是否存在唯一解。如果模型设置不正确，模型估计可能不收敛或没有解（参数估计没有唯一解）。模型识别主要基于t规则。如果满足以下公式的关系，此时可以识别模型，否则无法识别模型。tle; 1公式中的12（p q）（p q 1）（12）：t为待估计参数的个数，p为内生变量的个数，q为外生变量的个数。（3） 模型估计在SEM分析中，有各种常用的参数估计方法，包括最大似然估计（ML）、无权最小二乘估计（ULS）、广义最小二乘估计（GLS）等。其中，使用最广泛的参数估计方法是ML方法和GLS方法。（4） 模型评估在估计结构方程模型的参数后，需要对模型进行测试和评估。如果没有模型拟合评估，任何模型

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[589030]，资料为PDF文档或Word文档，PDF文档可免费转换为Word