随着农业物流快速发展，农产品冷链物流的市场需求持续增长， 但如何更好地提升企业冷链物流的效率仍是农业发展所遇到的一大难题。因此，对农产品冷链物流企业绩效进行评价，能够较为清楚地了解企业所面临的发展形势，同时，也能够找到企业管理中的问题[1]。
为了提高企业经济效益，本文主要从财务效益的角度出发设计评价指标体系， 将传统的纵向分析与横向综合分析与逐步式探究方法相结合，研究与农产品冷链物流企业绩效评价相关的指标。
为了保证指标的科学性，并为后期预测打下良好的基础，选取指标主要基于目标性、代表性、可量化、静态指标与动态指标的结合。
目标性评价指标体系要以提高企业核心竞争力，以公司的社会效益和经济效益的提升作为最终目的，该指标起着决定性作用；代表性指选取指标要较为全面地反映物流所有环节[2];可量化指为了便于后期在人工神经网络中应用，可作为输入层数据使用，指标数据能够获取并能进行量化；静态和动态相结合原则指同时考虑企业发展短期目标及农产品冷链物流企业的长期发展趋势，因为农产品冷链物流企业的运营模式并不是一个静态过程，而是一个从生鲜农产品生产至配送的动态、长期、复杂的过程。
在研究过程中，查阅了主要关于农产品冷链物流方面绩效评价的相关指标，包括文献
基于科学的指标选取原则及充分的政策和文献解读，最终建立一套包括3层评价指标体系，用5个维度考察农产品冷链物流企业综合绩效。最后形成的指标体系如表1所示。
指标名称 |
具体描述 | 量化方式 |
| 客户增长率C11 | 主要客户销售增长额/年度销售总额 | |
客户维度 |
客户占比率C12 | 主要客户的销售收入/总营业额 |
| 客户依赖度C13 | 前5名客户年度销售额占比/5×100% | |
| 冷藏车利用率C21 | 运输费用/销售费用 | |
冷链运作维度 |
冷链设备使用率C22 | 设备的年折旧率 |
| 冷链生产量比C23 | 生产人数/总人数 | |
| 是否有环境认证C31 | 是为2,否为1,不适用为0 | |
绿色环保维度 |
是否重点排污单位C32 | 是为2,否为1,不适用为0 |
| 研发投入率C41 | 研发投入/营业收入 | |
科技发展维度 |
技术人员占比C42 | 研发人数/总人数量100% |
| 高学历人员占比C43 | 本科人数/总人数员工数量×100% | |
| 营业利润率C51 | 净利润/总营收 | |
财务维度 |
净利润率C52 | 净利润/总营收 |
所选用的评价样本来源于国泰安数据库和巨潮资讯网，具体信息主要是从物流企业公开披露的《企业年报》获取和整理的。通过分析近几年上市农产品冷链物流企业的数据，在构建农产品冷链物流企业利润率预测体系的基础上，将得到量化后的三级指标用于评价农产品冷链物流企业。
按之前确定的5个维度的三级指标项的实际数值，8家公司(A～H)2019年三级指标的原始数据如表2所示。
指标 |
公司 |
|||||||
A |
B | C | D | E | F | G | H | |
C11 |
21.66 | 1.25 | 2.18 | -1.42 | 15.45 | 1.11 | -2.97 | -0.95 |
C12 |
52.94 | 74.61 | 2.64 | 5.63 | 24.85 | 22.44 | 24.19 | 17.16 |
C13 |
0 | 0 | 3.02 | 0.95 | 0 | 0 | 0.11 | 0 |
C21 |
9.50 | 9.70 | 9.50 | 8.71 | 9.50 | 9.50 | 9.50 | 9.00 |
C22 |
35.48 | 62.79 | 5.40 | 71.69 | 55.07 | 58.35 | 45.68 | 76.76 |
C23 |
16.13 | 2.33 | 0.00 | 12.71 | 25.21 | 15.13 | 7.65 | 7.93 |
C31 |
0 | 0 | 2.00 | 2.00 | 2.00 | 1.00 | 2.00 | 1.00 |
C32 |
0 | 0 | 2.00 | 2.00 | 2.00 | 2.00 | 2.00 | 1.00 |
C41 |
0.00 | 10.47 | 4.00 | 4.59 | 0.01 | 11.98 | 32.76 | 3.84 |
C42 |
12.90 | 11.63 | 4.16 | 4.05 | 20.46 | 10.73 | 43.95 | 4.61 |
C43 |
72.69 | 44.20 | 63.90 | 59.43 | 30.70 | 46.96 | 53.36 | 49.09 |
C51 |
6.04 | 6.59 | 3.98 | 2.08 | 0.13 | 0.50 | -150.12 | 5.96 |
C52 |
4.91 | 5.40 | 3.00 | 1.43 | 0.34 | 0.49 | -174.36 | 5.31 |
输出层的实际绩效值是通过熵权法先对指标进行赋权，然后根据权重和各项指标值计算绩效得分，即实际绩效值。
设有n家公司和m个评价指标，Xij的含义是第i家公司的第j个指标(i=1,2,3,…,n;j=1,2,3,…,m)的值。计算过程如下。
(1) 计算出第j个指标下第i家企业的特征比重：
(2) 第j项指标的熵值：
(3) 计算差异性系数：
(4) 权重值Wj:
(5) 绩效得分值S:
在遗传神经网络模型中，各指标评价指标值作为输入值，通过以上公式计算的绩效得分作为输出值，在训练之前，数据要经过归一化处理过程，使各对应值在[0,1]之间，以提升训练效率。
主要将遗传算法与BP人工神经网络算法进行有机融合，用遗传算法优化BP人工神经网络算法，流程如图1所示。
图1包含了遗传算法优化以及原BP神经网络。整个算法优化的重点包含群体的建立、个体适合度的计算、对选择性的控制、突变和交叉计算[6]。本文重点呈现算法中关于误差计算的过程、选择的过程、变异计算过程，相关方法和重点计算过程[7]如下。
BP神经网络训练的误差值决定了个体适应度[9],适应度值的计算公式如下：
式(6)中：k是系数；yi是第i个节点最后的期望值；oi是第i个节点的实际运算值；n是输出层的数量。
本文以轮盘赌算法作为选择方法，它是基于适应度比例的选择方式，第i个个体选择的概率值pi的计算方法为
式(7)、式(8)中：fi是个体i的适应度，以k作为系部；N是r种群中个体数量。
变异的计算公式如下：
式(9)、式(10)中：aij是i个个体的第j个基因变异值；amax是基因aij最大的取值；amin是基因aij最小的取值；f(g)是一个随机数，g用来标识迭代的次数；Gmax是其极限进化次数；r的取值范围为[0,1]。
采用输入层、隐藏层、输出层3层拓扑结构，输入层数据是经过标准化处理后的评价指标值，输出值则是通过计算得出的绩效值。其基本结构如图2所示。
隐层数的经验计算公式[8]为
式(11)中：n与m分别是输出的数量与输入的数量；L是隐层数。当然，可按精度要求与收敛要求进行对应的调整[9]。
评价模型的主要算法过程如下：
(1)录入评价训练数据；
(2)对数据标准化处理；
(3)构建人工神经网络；
(4)对遗传算法进行初始化；
(5)maxge=70; %设置迭代的次数；
(6)sizepo=20; %设置种群的规模；
(7)cross=[0.3]; %设置交叉的概率；
(8)mutation=[0.3]; %设置变异的概率；
(9)设置节点的数量；
(10)对种群进行初始化；
(11)计算染色体适应度；
(12)随机初始化种群；
(13)individuals=Select(individuals, sizepo)%进行选择操作；
(14)individuals.chrom=Cross(cross, lenchrom, individuals.chrom, sizepo, bound); %进行交叉操作；
(15)individuals.chrom=Mutation(pmutation, lenchrom, individuals.chrom, sizepo, i,maxge, bound); %进行变异操作；
(16)Functionret=Mutation(pmutation, lenchrom, chrom, sizepop, num, maxgen, bound);%最优阀值和权值赋予网络；
(17)计算个体的适应度。
图3给出了学习误差的变化。
本文采用的硬件测试平台较好地满足了算法需求，主机为惠普HSN-Q36C,采用了第12代智能英特尔酷睿i5处理器，CPU型号为i5-12500H,十二核心，4.5 GHz, 显卡为GTX1660, 4 GB,GDDR6类型的独立显卡，内存为64 GB,硬盘容量为512 GB。软件仿真测试用MATLAB R2016a。
数据来源于国泰安数据库和巨潮资讯网，每一条包含本文中所述C11至C52的对应数据。通过对数据进行清洗，将缺失数据和多余数据进行舍弃，以作为不同算法预测的样本。
通过本文中关于隐层数量计算的经验公式可以尝试用不同隐层数对程序进行运行，以便找到最优隐层数。验证数据对比情况如表3所示。
隐层数 |
3 | 4 | 5 | 6 | 7 |
最大误差 |
0.141 | 0.095 | 0.071 | 0.089 | 0.112 |
训练步数 |
655 | 481 | 285 | 370 | 461 |
经过对比，当隐层数为5时，误差相对较小。运用不同的方法和采用不同数量的样本，评价的准确性会有所不同，将BP神经网络和本文算法以及cart回归树[10]等3种方法进行比较，准确率数据如表4所示。
样本数量 |
cart回归树/% | BP神经网络/% | 本文算法/% |
300 |
91.58 | 93.41 | 95.23 |
200 |
90.73 | 92.56 | 94.60 |
100 |
92.77 | 91.65 | 93.26 |
通过表4可以看出，在训练样本不多时，每种方法的结果相差不是很大，而当样本数量相对较多时，本文算法表现较好。
经过与其他常用方法进行比较，同时结合本文算法结果分析，可以看出，本文提出的基于遗传算法改进的BP人工神经网络算法可以良好地评估农产品领域的冷链物流公司的绩效，预测结果相对准确。在实际应用过程中，当发现评价结果不理想时，能对相关企业进行预警，促使其及时调整经营策略。这充分体现了本文算法能对农产品冷链物流企业生产经营起到积极作用。
同时，本文所设计农产品冷链物流企业绩效评价的指标体系是基于其他文献或是经验总结得出的，农产品冷链物流企业在实际生产经营中，可能会遇到其他不可预知的外界影响，这些也会对评价结果造成较大影响，所以后续的研究可以尽可能将其他影响因素考虑进来，并调整算法的输入样本数据，使结果更加客观。
此外，本文的研究样本数据可能存在不足，包括数量较少以及涉及公司规模局限性等。因此在后期应用过程中，会尽可能收集更多、更广的企业样本，以使得结果更加科学有效。
沪公网安备 31011202008041号
