张瑞敏 杨晓英,2

1(河南科技大学机电工程学院 河南 洛阳 471003) 2(机械装备先进制造河南省协同创新中心 河南 洛阳 471003)

0 引 言

装备制造业是制造业的重要组成部分，是我国综合国力发展的重要支柱。当前，装备制造业正在实施智能制造和高质量发展战略，制造过程正呈现精益化、信息化和智能化的发展趋势。供应链物流是装备制造业的关键要素，其协同水平直接影响着装备制造业能否快速响应市场需求的能力。为了确保装备制造业可持续高质量发展的竞争优势，急需快速实现供应链物流协同，提升供应链整体服务质量[1]。供应链物流协同评价是供应链物流协同的重点，可综合反映供应链物流节点间的协同关系，优化供应链物流协同水平[2]。由于装备制造业供应链物流具有多节点、多流向、多影响因素等特点，进一步增大了物流协同评价的难度，因此，结合装备制造业发展需求，研究其供应链物流协同的科学评价方法对提升供应链物流协同能力，促进装备制造业高质量发展具有重要意义。

当前，供应链物流协同与协同评价研究：Rhea等[3]最早提出用物流效用测度指标衡量物流对企业利润的贡献。Sawik[4]指出物流绩效评价可以较好地反映供应链物流运行状况。李果等[5]从运输、库存和成本管理，VMI集成和JIT技术，生产和配送协同等视角研究了供应物流协同策略优化问题。蒋国瑞等[6]针对汽车制造业提出了供应链绩效评价指标体系。谢磊等[7]研究了多供应商供应物流的协同与企业绩效的影响。万艳春等[8]通过DEA分析模型研究了区域经济与物流的协同关系。刘有升等[9]利用灰色关联协同度模型研究了跨境电商物流协同。陈吉铭等[10]利用熵值法对乳制品冷链物流能力进行了实例评价。黄建华等[11]通过构建制造业与物流业协同度评价模型，研究了二者的协同关系。指标权重确定与评价方法研究：徐倩等[12]结合SEM对海绵城市PPP项目的风险评价指标影响程度及其权重进行了确定。周晓晔等[13]利用云模型对区域物流产业集群的协同进行评价研究。李英攀等[14]采用云模型对海绵城市项目绩效考核等级进行评估。高更君等[15]采用云模型对电商供应链风险等级进行了评价。综上，供应链物流协同与协同评价研究主要侧重于物流协同管理模式、协同机制与策略、协同绩效等方面，集中在区域经济与物流、跨境电商与物流、冷链物流领域，为本研究奠定了基础，但是关于装备制造业供应链物流协同评价的研究较少。评价方法研究通常用灰色关联法、熵权法、主观赋权法、AHP法等确定指标权重，用模糊综合评价法、德尔菲法进行评价，虽能有效解决指标信息缺乏和模糊化的问题，但没有考虑到评价的随机性，且权重的确定过程中不能同时估计指标间的影响关系与路径系数。

本文针对新形势下的装备制造业高质量发展对供应链物流协同需求，构建装备制造业供应链物流协同评价指标体系，研究供应链物流协同科学评价模型，通过实例验证评价方法的合理性与可靠性，为装备制造业供应链物流协同评价提供科学依据。

1 确定供应链物流协同评价指标体系

供应链物流协同评价是个复杂的系统问题，涉及的影响因素众多，建立合理有效的评价指标体系是装备制造业供应链物流协同评价的关键。本文在文献研究和专家访谈的基础上，深入多家机械装备制造公司实际调研，发现装备制造业供应链物流节点众多、呈网状交叉流动，且管理较为传统，缺乏精益化思想。企业内部物流功能分散，信息逐级化传递造成延迟或扭曲，制约传递效率。企业间信息共享不足，严重影响供应链物流资源、功能和信息的整合。部分企业利用现代制造技术与管理工具能有效提高物流服务质量，初步实现物流资源的集成与共享和降本增效的协同目标。综上，装备制造业供应链物流不协同的主要原因为管理缺乏精益化、信息动态共享程度低、物流决策与智能预警不足，对供应链物流实施精益化、信息化、智能化的协同管理与控制是提高供应链物流协同水平的重要举措。因此，本文从物流管理精益化、过程信息化、决策智能化三个维度构建指标体系(见图1)，综合反映供应链物流协同水平。

图1 装备制造业供应链物流协同评价指标体系

(1) 管理精益化。物流管理精益化是供应链物流协同的基础[16]，通过物流活动的精益化评估，全面了解装备制造业物流作业效率与规范度。下设6个指标：物料配送准时率、物料配送准序率、物料配送准确率、物流运作规范度、物流工具标准化程度、物流数据账实相符率。

(2) 过程信息化。供应链物流是跨企业间的物流活动，物流过程信息化是实现企业间信息共享的保障。装备制造业供应链物流协同离不开SCM、LMS、WMS等信息平台的支持，且信息化水平越高，协同效果越好。下设6个指标：物流管理系统信息平台覆盖率、信息采集技术普及度、信息实时传递比率、信息传输准确率、信息共享深度、信息共享广度。

(3) 决策智能化。物流决策智能化直接影响资源的整合、共享与动态分配。装备制造供应链物流、信息流纵横交错，利用智能技术实现物流资源的集成、决策与控制，有助于提高物流协同水平。下设5个指标：信息系统的集成度、物流与仓储设备智能化水平、物料动态跟踪与质量追溯准确度、物流智能决策适应度、物流智能控制预警敏捷度。

2 构建供应链物流协同评价方法

2.1 评价建模方法

目前装备制造业供应链物流协同评价的研究较少，缺乏有效的参考数据，并且装备制造业供应链物流协同评价指标体系是一个定性与定量共存的多指标复杂评价体系，常规方法难以准确合理的评价。本文提出结构方程模型(Structural Equation Modeling, SEM)与云模型(Cloud Model, CM)相融合的协同评价建模方法。即应用SEM建立协同评价指标权重模型，应用CM建立协同水平评价模型。该方法不仅能实现指标结构的合理性检验，而且能克服评价过程中的随机性与不确定性问题。

2.1.1结构方程模型

结构方程模型由测量方程和结构方程两部分构成，可同时估计变量结构和变量关系。装备制造业供应链物流协同评价属于多因素间定性与定量相结合的不确定性问题，SEM可通过观测指标的数据资料间接反映潜变量，克服了传统统计方法无法直接准确衡量潜变量的问题。并且SEM容许观测变量存在一定误差，广泛应用于行为科学与社会学等领域[17]。

2.1.2云模型

(1)

(2)

(3)

超熵：He=(S2-En2)1/2

(4)

隶属云发生器(Membership Clouds Generator, MCG)是云模型中定性概念与定量数据之间相互转换的特定算法[18]。最常用的是正、逆向云发生器，其运作机理如图2所示。

图2 云发生器示意图

2.1.3基于SEM-CM的供应链物流协同评价流程

SEM-CM评价流程如图3所示。首先，依据供应链物流协同评价指标体系建立物流协同结构方程理论模型，通过模型识别与模型拟合检验理论模型的合理性，进而分析影响因子影响程度与权重。与此同时，根据指标体系建立物流协同评价云模型，确定评价标准云，结合专家打分结果与指标权重确定综合评价云，对比标准云的不同等级计算相似度，最终实现供应链物流协同评价。

图3 基于SEM—CM的供应链物流协同评价流程

2.2 基于SEM的指标体系结构模型

2.2.1模型构建与识别

根据装备制造业供应链物流协同评价指标体系，构建装备制造业供应链物流协同评价理论模型，如图4所示。其中椭圆代表3个外生潜变量(JY、XX、ZN)和内生潜变量(XT)，17个矩形代表观测指标变量，圆形e1-e17代表观测变量的残差项，β1-β3为三个内潜变量的残差项。

图4 供应链物流协同评价结构模型

模型路径设立后，利用t法则检验模型自由度，通过计算模型自由度(Degree of Freedom, DF)判断模型的可识别程度[17]。利用Amos 23.0得到模型检验结果如表1所示，模型自由度为115大于0，故模型可识别，可进行数据拟合。

表1 结构模型识别结果

2.2.2模型拟合与修正

本文用最大似然估计法进行模型拟合与参数估计，通过绝对拟合程度、相对拟合程度等指数检验模型与数据的拟合程度。然后，对比模型指标适配标准，检验拟合效果。对拟合不佳的模型进行修正，依据模型修正理论，在符合初始结构方程模型整体布局构思的前提下，参照模型修正指数(Modification Indices, MI)，通过在模型中添加潜变量之间的双向协方差关系以及变量间的单项路径系数，提高模型的拟合效果[17]。调整模型，确定最终的路径系数。

2.2.3指标权重模型

结构方程模型中的路径系数代表了各潜变量之间的回归关系[12]。依据修正后物流协同评价结构方程模型的路径系数，按照式(5)对标准化路径系数进行归一化处理，得到各评价指标的权重。

(5)

式中：Wj为标j的权重；Rj为指标j的路径系数；m为该层指标个数。

2.3 基于CM的物流协同评价模型

(1) 建立标准云模型。首先确定物流协同评价等级划分标准及评语集数值区间。根据评价等级与区间的特点，将基础云模型调整为式(6)计算各论域区间内标准云模型特征值。结合正向云发生器，利用MATLAB得到各等级标准云图。

(6)

式中：Bimax、Bimin分别为论域i的最大最小边界值；k为常数，可依据变量的模糊度进行调整[18]。

(2) 建立指标综合评价云模型。为保证评价结果的客观性与可靠性，本文采用云理论中拟合父云的思想确定各指标评价云[13]。邀请行业内多位专家按照标准为每个评价指标分别打出最低分和最高分，利用逆向云发生器得到指标j的最小评价云Cloudmin(Ex1j,En1j,He1j)与最大评价云Cloudmax(Ex2j,En2j,He2j)，按照式(7)计算拟合父云Cloud(Exj,Enj,Hej)，得到指标j的评价云模型。

(7)

结合指标权重wj，根据式(8)将各个指标评价云从低级指标层向上级指标层递阶加权，得到供应链物流协同综合评价云Cloud(Ex,En,He)，其中m为该层指标个数。

(8)

(3) 协同评价等级判定模型。基于相似度判断物流协同评价等级，依据最大隶属度原则，计算实际综合评价云模型与标准云模型的相似度δi，相似度最大的标准云即为该评价对象的物流协同评价等级。相似度计算步骤为：

步骤1在综合评价云C中生成一个正态随机数Exk：

Exk～N(En,He2)

步骤2在综合评价云C中生成一个正态随机数xk：

步骤3将xk代入某评价等级i的标准云Couldi期望方程中，计算μk：

(9)

步骤4重复步骤2-步骤3，直到生成n个μk，一般取n=10，11，…，20，计算相似度δi：

(10)

3 模型方法应用

3.1 基于SEM的指标体权重

本研究数据来源于课题组进行的装备制造供应链物流协同评价问卷调查。调查工作于2019年3月—6月开展，在多家装备制造企业的生产、采购、物流部门及其供应商，以及高校工业工程与物流管理等专业教师进行问卷调查。调查内容包括被调查者基本情况和供应链物流协同评价影响因素两部分。采用Likert 5级量表根据建立的结构模型设计问卷进行调查，被调查者根据实际情况判断各指标对物流协同的影响程度。此次调研主要通过电子问卷推送调查，问卷设置为必答提交式，有效避免了空白答案过多造成的无效问卷问题，共回收462份，删除明显错误问卷，剩余有效问卷417份。

参与本次问卷调查的被调查者基本情况如表2所示，其中，物流技术人员和中高层管理人员居多，占总样本的90%左右，超过78%的被调查者最高学历为本科及以上，约80%的人拥有五年以上工作经验。综上，受访人员总体受教育水平较高，具有深厚的专业知识储备和丰富的物流工作经验，熟练掌握企业物流情况，能真实准确地填写调查问卷。因此，问卷数据来源真实可靠，可进行下一步统计分析研究。

表2 问卷调查对象基本情况统计表

3.1.1信效度检验

为保证数据质量，采用SPSS17.0对量表进行信效度分析。信度分析结果Cronbach’s alpha值为0.938大于0.7，各变量因子的信度较高，内部一致性和稳定性良好。效度分析即有效性分析，KMO值为0.898大于0.75，Bartlett球体检验在P=0的水平上显著，变量间的相关性较好，且数据结构效度良好，可进一步做因子分析。

通过主成分分析法提取主成分，采用Kaiser标准化的正交旋转法旋转因子，得到物流协同因子分析结果如表3所示。识别影响物流协同的3个主因子，17个指标的标准化因子载荷都达到了0.7，累计贡献率79.312%。综合信、效度分析结果，以上数据和问卷均通过检验，可进行下一步结构方程模型分析。

表3 因子分析结果

续表3

3.1.2模型拟合与修正

初始模型指标适配相关参数如表2所示，拟合效果不佳，对模型进行修正。参照AMOS软件拟合输出的模型修正指数(MI)，每次仅修正调整一个参数。经过多次路径调整，依次增加了4条较为合适的路径，修正后的模型拟合结果如表4所示。

表4 修正前后模型拟合部分指标

由表4对比模型修正前后的拟合指标发现：修正后模型拟合各项参数基本达到评价标准，模型拟合状态良好，即模型与调研数据对实际问题的解释和拟合能力较好。本文分别增加了e14与e17、e6与e7、e1与e12、e7与e10这四条路径，且均通过0.001水平下的路径显著性检验，修正后的模型路径如图5所示。

图5 修正后结构方程模型拟合结果

利用AMOS得到修正后模型各潜变量间的参数估计，即路径系数。修正后模型参数估计如表5所示，标准化后各因子载荷均大于0.6，路径检验系数C.R.值均大于2，所有参数间的路径关系均显著相关，显著性概率p<0.001，通过了显著性检验。

表5 修正后模型参数估计

续表5

3.1.3计算指标权重

依据修正后物流协同评价结构方程模型的路径系数，按照式(5)得到各评价指标的权重如表6所示。

表6 各指标权重及评价云模型

3.2 基于CM的物流协同水平评价

以某大型农机装备制造企业Y公司为核心的供应链为例，对其物流协同水平进行评价与验证。

3.2.1物流协同评价等级标准云

本文将装备制造供应链物流协同评价标准划分为五个等级，其评语集{差，较差，中等，良好，优秀}，将评语区间[0,10]不均匀分割为[0,2)、[2,5)、[5,7)、[7,9)、[9,10]，按式(6)计算标准云模型如表7所示。利用MATLAB(2014a)得到供应链物流协同评价标准云图，如图6所示。

表7 物流协同评价标准指标分数区间划分及云模型参数

图6 供应链物流协同评价标准云图

3.2.2物流协同评价综合云

依据装备制造业供应链物流协同评价指标，邀请10位物流专家为Y公司物流协同现状打分，参与打分的专家有长期从事制造业物流相关工作与研究的企业高管和高校教授。为进一步确保打分的科学合理性，在满足制造生产服务需求的前提下，专家依据各指标对降低供应链总成本的贡献度进行打分，分值在0～10分不等。打分结果经逆向云发生器计算得到每个指标的最小云和最大云，根据式(7)计算每个指标的拟合父云，结果如表8所示。

表8 初级指标层评价云模型

续表8

结合SEM确定的指标权重，按照式(8)计算得到上层指标云模型，逐级计算最终得到装备制造供应链物流协同综合评价云模型(8.10, 0.439, 0.040)，如图7所示。各级指标云模型计算结果如表6所示。

图7 Y公司物流协同综合评价云图

3.2.3Y公司供应链综合评价等级判定

将计算得到的实际综合评价云(8.10, 0.439, 0.040)，依据相似云隶属度原理判定综合评价云的等级。按照式(9)-式(10)计算实际综合评价云与标准云的相似度，当n=20时，计算结果如表9所示。利用MATLAB将实际综合评价云与标准云的不同评价等级云图进行直观比对，如图8所示。

表9 实际综合云与标准评价云的相似度

图8 Y公司综合评价云等级判定结果

由表9可知，实际综合评级云与Cloud4(良好)相似度值δ4最高，模型拟合度最大。图8综合评价云模型与标准云中的Cloud4(良好)图像重合部分最多。因此，最终判定Y公司物流协同评价等级为“良好”。

3.3 实例分析

通过SEM-CM法对Y公司供应链物流协同等级评价的结果为良好，与供应链物流协同评价的实际情况(8.0分，良好)保持一致，验证了评价方法的有效性。根据SEM得到的指标权重可以发现，物料配送计划智能决策适应度、物料运输动态跟踪与质量追溯准确度、不同信息系统的集成水平、信息采集技术应用程度、各节点单位信息共享深度5项指标对装备制造供应链物流协同的影响程度最为重要，企业可以重点管理控制以提高供应链物流协同水平。同时，根据CM得到的物流协同评价结果由相似度和云图两种方式准确直观地表达，有助于管理决策者有效接收和利用综合评价信息。由表8的相似度可以看出，Y公司智能化水平较为薄弱和欠缺，尤其是不同信息系统的集成水平最低，鉴于该指标对物流协同影响程度极大，后续应采取措施重点改善。

4 结 语

本文针对如何科学准确评价装备制造业供应链物流协同问题，综合考虑当前装备制造业正在实施智能制造和高质量发展战略，提出供应链物流管理精益化、过程信息化、决策智能化为供应链物流协同的三要素，深入研究其供应链物流协同方法。从物流管理精益化、过程信息化和决策智能化三个维度，构建了供应链物流协同评价指标体系；考虑到指标结构与指标权重的科学合理性，建立了基于SEM的装备制造供应链物流协同结构方程模型，利用SPSS&AMOS检验数据和模型的合理性，得到指标的路径关系、影响程度以及指标权重；为克服评价过程中的不确定性与模糊性，建立了基于CM的装备制造供应链物流协同评价云模型，利用标准评价云与指标综合评价云的相似度，实现供应链物流协同的科学评价。最后，实例验证了协同评价方法的合理有效性，为装备制造业供应链物流协同的科学评价与优化提供理论依据。