1 算法

1.1 车辆冲突对跨区域物流配送的影响

1.1.1 车辆速度预测建模

自回归滑动平均(ARMA)模型[7][8]是一种具有随机差分方程的描述形式，解析为

X(t)={x1,x2,x3,?,xn}" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">X(t)={x1,x2,x3,?,xn}$?{}_{(?)}=\left\{?{}_1,?{}_2,?{}_3,?,?{}_{?}\right\}$(1)

通过ARMA理论建立车速预测模型。

(1)数据相关性检查：检测全部数据中不同类型散点数据的自相关性和偏相关性，由检测结果获取两者对应函数的分布情况。当获取的分布曲线满足设定的约束条件，说明该时序序列可以用于构建ARMA模型。其中，用于相关性判断的协方差Sk以及偏相关函数?k,k表示为

其中，E为散点数据的差分结果；k为自变量，根据应用场景和不同数据类型进行调整。假设时序数据没有满足相关性需求，则需要在式(1)中选择部分散点数据进行差分或者微分等相关操作，当其成为平稳数据序列后方可进行下一步。

(2)模型定阶：选取满足ARMA模型的相关参数p和q,确定ARMA模型对应的解析式。假设时序数据以及相关数据的50%具有“截尾”特性，说明模型参数p和q中有一个取值为0,引入观察法直接在相关函数的分布图中得到函数分布；假设函数分布存在拖尾的情况，说明p和q的取值都不为0,需要通过AIC定阶准则确定p和q的取值，对应的AIC定阶准则为

AΙC=min[Ν⋅lnβk+2(p+q+1)]" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">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代表测速样本的容量总和；βk代表模型的残差方差

βk=1Ν∑n=1mωk" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">βk=1N∑n=1mωk$?{}_{?}=\frac{1}{?}{\displaystyle \sum _{?=1}^{?}?}{}_{?}$(4)

其中，ωk代表高斯白噪声序列。

(3)模型参数估计：模型的估计是通过最小二乘法实现的。

(4)模型检验：假设预测结果的残差自相关参数绝对值小于2/Ν" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">2/N−−√$2/\sqrt{?}$,说明ARMA模型满足车辆车速预测需求。

(5)在完成车辆测速预测后[9][10],通过车辆之间的距离即可判断其发生冲突的概率。

1.1.2 影响分析

在跨区域物流配送过程中，车辆冲突对物流配送产生的影响主要包含以下几方面。

(1)车辆冲突会导致运输延误和损失。

如果发生车辆冲突，受影响的车辆可能需要停车维修，或者被迫选择绕路，从而延误物流配送的时间，影响交货时间的准确性和稳定性。如果车辆受到严重损坏，需要更换车辆，运输成本增加。

(2)车辆冲突会造成人身伤亡和财产损失。

如果车辆冲突严重到一定程度，可能会造成驾驶员和乘客的伤亡，甚至可能造成车辆的损毁和货物的丢失，导致财产损失。

(3)车辆冲突会影响物流配送的安全性和可靠性。

如果车辆冲突频繁发生，会降低运输的安全性和可靠性，影响物流企业的声誉和客户信任度，导致客户流失和业务下降，不利于物流企业的长期发展。

1.2 考虑车辆冲突的跨区域物流配送风险评估

考虑车辆冲突时，为了对跨区域物流配送风险进行评估[11][12],优先将跨区域物流配送过程中可能出现的风险进行等级划分，跨区域物流配送风险度φx,y

φx,y=Ps+Cs-PsCs(5)

其中，Cs代表跨区域物流配送发生风险的概率；Ps代表主要影响因素；s代表配送过程中已经发生的风险。

对跨区域物流配送风险出现的概率以及带来的影响进行模糊分析和比较，利用模糊评估方式[13][14]获取跨区域物流配送的风险因素集合U

其中，m和n代表矩阵的行数和列数。

在考虑车辆冲突和运输影响因素的情况下，确定跨区域物流配送风险评估集。在确定评估等级V={v1,v2,?,vn}" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">V={v1,v2,?,vn}$?=\left\{?{}_1,?{}_2,?,?{}_{?}\right\}$后，组建跨区域物流配送风险等级排列矩阵R

通过计算跨区域物流配送过程中风险出现的概率以及分析风险产生影响，可以得到不同配送路径对应的物流风险排列矩阵R(a)和R(b),考虑车辆冲突，结合跨区域物流配送风险指标计算跨区域物流配送过程中存在的运输风险概率GS

GS=AωB(T)(8)

其中，A和B代表跨区域物流运输风险和配送风险对应的权值向量；ω代表阈值；T代表时间序列；S代表运输风险的取值范围。

根据跨区域物流运输风险和配送风险的平均权值向量A¯" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">A¯¯¯$\overline{\mathit{?}}$和B¯" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">B¯¯¯$\overline{\mathit{?}}$,计算跨区域物流配送风险产生的后果H(s)

Η(s)=A¯R(a)B¯(Τ)" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">H(s)=A¯¯¯R(a)B¯¯¯(T)$?{}_{(?)}=\overline{\mathit{?}}\mathit{?}{}_{(?)}\overline{\mathit{?}}{}^{(?)}$(9)

跨区域物流配送风险评估中，通常涉及多个评估因素，如供应链可靠性、交通安全、天气状况等。综合考虑这些因素，并量化其对风险的影响程度，引入权重概念。熵权法是一种多指标决策方法，基于信息熵理论，通过计算每个评估因素的信息熵值，进而确定其权重，熵值越大，表示该因素的信息量越高，其权重越小，从而更准确地确定风险评估结果，避免主观倾向和不合理权重分配所带来的偏差[15][16]。因此，利用熵权法，根据跨区域物流配送过程中的运输风险因素进行计算，并通过熵的方式度量运输风险因素Q

Q=-∑n=1mQpn" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">Q=−∑n=1mQpn$?=-{\displaystyle \sum _{?=1}^{?}?}?{}_{?}$(10)

其中，pn代表风险预警。

完成上述操作后，对跨区域物流配送风险因素对应的权值∂i展开归一化处理[17]

∂i=1n-F(1-d(i))" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">∂i=1n−F(1−d(i))$\partial {}_{?}=\frac{1}{?-?}\left(1-?{}^{(?)}\right)$(11)

其中，F代表跨区域物流配送参数；1-d(i)代表归一化处理后跨区域物流配送风险因素对应的权值。

计算跨区域物流配送在不同配送路径的风险权值，加权计算后，得到跨区域物流配送风险评估αij

αij=∂iωij∑n=1∂iωij" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">αij=∂iωij∑n=1∂iωij$?{}_{??}=\frac{\partial {}_{?}?{}_{??}}{{\displaystyle \sum _{?=1}\partial }{}_{?}?{}_{??}}$(12)

综上，完成了跨区域物流配送风险评估。

2 结果与讨论

为了验证本文算法的有效性，将上海港作为起始地，南京港作为目的地，货物将从上海港起运，经过陆路或水路运输到南京港口，选取该段路径作为测试对象。将整条路径划分为4个时段，这些时段涵盖了物流配送过程中最容易产生车辆冲突和风险的阶段。通过分析关键时段的风险变化情况，可以更好地了解整个配送过程中风险的演变趋势。为了保持计算效率和资源利用的平衡，选择较少的时段可以更好地利用现有数据和减少数据收集的负担。考虑车辆冲突的跨区域物流配送风险趋势图如图1所示。在4个不同配送时段中，第一时段的配送风险<第二时段的配送风险<第三时段的配送风险<第四时段的流配送风险。为了进一步验证本文算法的风险评估能力，将跨区域物流配送风险误报率作为测试指标，通过图2给出具体的实验结果。

分析图2可知，随着时间的变化，各个算法对应的配送风险误报率也在不断发生变化。其中，文献[3]算法对应的风险误报率最高，为6.95%;文献[4]算法的风险误报率次之，在实验前期跨区域物流配送风险误报率较高，随着时间的增加逐渐趋于平稳；本文算法获取的跨区域物流配送风险误报率最低，且一直处于比较平稳的状态。

为了进一步评估本文算法的配送风险评估性能，在考虑车辆冲突的情况下，分别采用不同算法评估各个时段的风险指数，结果见表1。

可知，本文算法获取跨区域物流配送风险评估指数和真实风险指数基本吻合，误差最大为0.02;而另外两种算法获取的评估值和真实风险指数存在比较大的误差。由此可见，本文算法可以获取准确率更高的跨区域物流配送风险评估结果。

分别采用不同算法评估各个路段的跨区域物流配送风险，通过图3对比各个算法的评估时间。可知，不同算法所花费的评估时间明显不同，本文算法可以有效减少跨区域物流配送风险评估时间，具有比较高的运行效率。

3 结论

本文算法对跨区域物流配送风险评估处理后，误报率得到明显改善，充分验证了其优越性。和其他评估算法相比，本文算法获取的跨区域物流配送风险评估结果更加精准，更能适用于跨区域物流配送风险评估，可以有效提升跨区域物流配送风险评估效率。