1 算法

1.1 車輛沖突對跨區域物流配送的影響

1.1.1 車輛速度預測建模

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理論建立車速預測模型。

(1)數據相關性檢查：檢測全部數據中不同類型散點數據的自相關性和偏相關性，由檢測結果獲取兩者對應函數的分布情況。當獲取的分布曲線滿足設定的約束條件，說明該時序序列可以用于構建ARMA模型。其中，用于相關性判斷的協方差Sk以及偏相關函數?k,k表示為

其中，E為散點數據的差分結果；k為自變量，根據應用場景和不同數據類型進行調整。假設時序數據沒有滿足相關性需求，則需要在式(1)中選擇部分散點數據進行差分或者微分等相關操作，當其成為平穩數據序列后方可進行下一步。

(2)模型定階：選取滿足ARMA模型的相關參數p和q,確定ARMA模型對應的解析式。假設時序數據以及相關數據的50%具有“截尾”特性，說明模型參數p和q中有一個取值為0,引入觀察法直接在相關函數的分布圖中得到函數分布；假設函數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定階準則確定p和q的取值，對應的AIC定階準則為

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)模型參數估計：模型的估計是通過最小二乘法實現的。

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

(5)在完成車輛測速預測后[9][10],通過車輛之間的距離即可判斷其發生沖突的概率。

1.1.2 影響分析

在跨區域物流配送過程中，車輛沖突對物流配送產生的影響主要包含以下幾方面。

(1)車輛沖突會導致運輸延誤和損失。

如果發生車輛沖突，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，影響交貨時間的準確性和穩定性。如果車輛受到嚴重損壞，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損失。

如果車輛沖突嚴重到一定程度，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，導致財產損失。

(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生，會降低運輸的安全性和可靠性，影響物流企業的聲譽和客戶信任度，導致客戶流失和業務下降，不利于物流企業的長期發展。

1.2 考慮車輛沖突的跨區域物流配送風險評估

考慮車輛沖突時，為了對跨區域物流配送風險進行評估[11][12],優先將跨區域物流配送過程中可能出現的風險進行等級劃分，跨區域物流配送風險度φx,y

φx,y=Ps+Cs-PsCs(5)

其中，Cs代表跨區域物流配送發生風險的概率；Ps代表主要影響因素；s代表配送過程中已經發生的風險。

對跨區域物流配送風險出現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]獲取跨區域物流配送的風險因素集合U

其中，m和n代表矩陣的行數和列數。

在考慮車輛沖突和運輸影響因素的情況下，確定跨區域物流配送風險評估集。在確定評估等級V={v1,v2,?,vn}$?=\left\{?{}_1,?{}_2,?,?{}_{?}\right\}$后，組建跨區域物流配送風險等級排列矩陣R

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

GS=AωB(T)(8)

其中，A和B代表跨區域物流運輸風險和配送風險對應的權值向量；ω代表閾值；T代表時間序列；S代表運輸風險的取值范圍。

根據跨區域物流運輸風險和配送風險的平均權值向量A¯¯¯$\overline{\mathit{?}}$和B¯¯¯$\overline{\mathit{?}}$,計算跨區域物流配送風險產生的后果H(s)

H(s)=A¯¯¯R(a)B¯¯¯(T)$?{}_{(?)}=\overline{\mathit{?}}\mathit{?}{}_{(?)}\overline{\mathit{?}}{}^{(?)}$(9)

跨區域物流配送風險評估中，通常涉及多個評估因素，如供應鏈可靠性、交通安全、天氣狀況等。綜合考慮這些因素，并量化其對風險的影響程度，引入權重概念。熵權法是一種多指標決策方法，基于信息熵理論，通過計算每個評估因素的信息熵值，進而確定其權重，熵值越大，表示該因素的信息量越高，其權重越小，從而更準確地確定風險評估結果，避免主觀傾向和不合理權重分配所帶來的偏差[15][16]。因此，利用熵權法，根據跨區域物流配送過程中的運輸風險因素進行計算，并通過熵的方式度量運輸風險因素Q

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

其中，pn代表風險預警。

完成上述操作后，對跨區域物流配送風險因素對應的權值∂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代表跨區域物流配送參數；1-d(i)代表歸一化處理后跨區域物流配送風險因素對應的權值。

計算跨區域物流配送在不同配送路徑的風險權值，加權計算后，得到跨區域物流配送風險評估αij

αij=∂iωij∑n=1∂iωij$?{}_{??}=\frac{\partial {}_{?}?{}_{??}}{{\displaystyle \sum _{?=1}\partial }{}_{?}?{}_{??}}$(12)

綜上，完成了跨區域物流配送風險評估。

2 結果與討論

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，經過陸路或水路運輸到南京港口，選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生車輛沖突和風險的階段。通過分析關鍵時段的風險變化情況，可以更好地了解整個配送過程中風險的演變趨勢。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有數據和減少數據收集的負擔。考慮車輛沖突的跨區域物流配送風險趨勢圖如圖1所示。在4個不同配送時段中，第一時段的配送風險<第二時段的配送風險<第三時段的配送風險<第四時段的流配送風險。為了進一步驗證本文算法的風險評估能力，將跨區域物流配送風險誤報率作為測試指標，通過圖2給出具體的實驗結果。

分析圖2可知，隨著時間的變化，各個算法對應的配送風險誤報率也在不斷發生變化。其中，文獻[3]算法對應的風險誤報率最高，為6.95%;文獻[4]算法的風險誤報率次之，在實驗前期跨區域物流配送風險誤報率較高，隨著時間的增加逐漸趨于平穩；本文算法獲取的跨區域物流配送風險誤報率最低，且一直處于比較平穩的狀態。

為了進一步評估本文算法的配送風險評估性能，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險指數，結果見表1。

可知，本文算法獲取跨區域物流配送風險評估指數和真實風險指數基本吻合，誤差最大為0.02;而另外兩種算法獲取的評估值和真實風險指數存在比較大的誤差。由此可見，本文算法可以獲取準確率更高的跨區域物流配送風險評估結果。

分別采用不同算法評估各個路段的跨區域物流配送風險，通過圖3對比各個算法的評估時間。可知，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域物流配送風險評估時間，具有比較高的運行效率。

3 結論

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