中小企業(yè)物流外包風(fēng)險控制模型與方法

曾曉宏

（河南師范大學(xué) 旅游學(xué)院，河南 新鄉(xiāng) 453007）

0 引言

物流外包是一種現(xiàn)代服務(wù)業(yè)，它能夠?qū)崿F(xiàn)外包業(yè)務(wù)雙方互利共贏、共同進(jìn)步，是增強(qiáng)企業(yè)核心競爭力的重要途徑之一。但是外包并非一定就能夠給企業(yè)帶來利好，在競爭日益復(fù)雜多變的市場環(huán)境下，外包業(yè)務(wù)也存在較大的風(fēng)險因素，尤其是企業(yè)與物流服務(wù)商在信息、資源和業(yè)務(wù)結(jié)構(gòu)存在較大差異的情況下，企業(yè)選擇物流外包將會面臨著較大經(jīng)營風(fēng)險。雖然外包業(yè)務(wù)規(guī)模正在不斷擴(kuò)大，但是其并沒有像我們想象的那樣發(fā)展迅速。根據(jù)2003年P(guān)A Consulting公司公布的一項(xiàng)行業(yè)調(diào)查數(shù)據(jù)顯示，超過三分之二的企業(yè)不滿意當(dāng)前物流外包服務(wù)業(yè)，有15%的企業(yè)表示正在考慮放棄物流外包，改由企業(yè)自行經(jīng)營。企業(yè)采用第三方物流服務(wù)后，許多意想不到的市場風(fēng)險將會從物流外包業(yè)務(wù)滲透入企業(yè)內(nèi)部，導(dǎo)致企業(yè)經(jīng)營風(fēng)險劇增。物流外包風(fēng)險不僅會影響企業(yè)正常經(jīng)營活動，而且還會對一國或地區(qū)的物流市場產(chǎn)生重大影響。因此，如何有效識別和抑制物流外包風(fēng)險已成為當(dāng)前實(shí)務(wù)界和學(xué)術(shù)界廣泛關(guān)注的焦點(diǎn)問題。

1 風(fēng)險控制模型

物流外包風(fēng)險影響因素十分多樣化，這些風(fēng)險誘因是相互聯(lián)系、相互作用的，物流外包行業(yè)主要參與者有三種：即物流外包企業(yè)、物流服務(wù)提供商和外包企業(yè)客戶。物流外包行業(yè)包含十分復(fù)雜的影響因素和不確定性風(fēng)險，物流外包系統(tǒng)中的參與者彼此之間會發(fā)生信息、資金和物質(zhì)流交換活動。由于物流外包業(yè)務(wù)具有復(fù)雜多變的特點(diǎn)，為了保證達(dá)到本文研究目的，本文建立了一個簡化模擬模型，該模型是建立在三個假設(shè)基礎(chǔ)之上的：假設(shè)風(fēng)險傳導(dǎo)路徑不具有回路特征；風(fēng)險在傳導(dǎo)過程中不會發(fā)生彼此藕合；風(fēng)險傳導(dǎo)與風(fēng)險發(fā)生概率傳導(dǎo)是等同概念。在下面公式中，本文定義了物流外包業(yè)務(wù)風(fēng)險因素集合：

在上式中，y是指物流外包風(fēng)險，yi是指物流外包企業(yè)，這里用E(yi)表示；Loss(yi)意味著一旦 yi發(fā)生，企業(yè)在此次風(fēng)險中可能遭受的損失；P(yi)是指 yi的發(fā)生概率；N(yi)是與yi有關(guān)聯(lián)的風(fēng)險因素；n(yi)是指與yi有關(guān)系的物流企業(yè)數(shù)量。本文用氏Pyi，yj來描述風(fēng)險因素yi發(fā)生的概率可傳導(dǎo)給yi的概率大?。挥肍(yi)來描述與yi有直接影響的因素集合，用S(yi)來描述與yi有直接影響的風(fēng)險因素集合；用count(Y)來描述集合Y中包含的風(fēng)險數(shù)量；將與yi有直接影響的風(fēng)險因素稱為 yi的子孫風(fēng)險集合，將 yi帶來的可能風(fēng)險影響命名為 yi的父輩風(fēng)險因素?？梢岳帽疚牡谌绿岬降挠?jì)算公式來計(jì)算風(fēng)險因素集合中的 E(yi)、Loss(yi)、Pyi，yj等,根據(jù)下面計(jì)算公式和方法來獲取P(yi)、N(yi)、n(yi)、Risk(yi)的值。

（1）明確每一種風(fēng)險發(fā)生概率的算法。根據(jù)風(fēng)險傳導(dǎo)理論我們可以將中間風(fēng)險和外源風(fēng)險發(fā)生概率計(jì)算出來，具體可以見下式：

這里我們給出了風(fēng)險模型中所有風(fēng)險因素發(fā)生概率的計(jì)算方法和步驟：將yi的父輩風(fēng)險因素產(chǎn)生機(jī)制描繪出來，并將各個風(fēng)險因素發(fā)生概率Vyi計(jì)算出來，用來描述這個計(jì)算過程，這里用yi來描述可接受的風(fēng)險發(fā)生概率，用 j來代表風(fēng)險可循環(huán)次數(shù)，要保證計(jì)算公式成立，我們還要限制 j＜count(F(yi))。這樣，我們可將參數(shù)V(yi)輸入到上述計(jì)算過程中，就可以得到任何一種物流外包系統(tǒng)中的風(fēng)險發(fā)生概率。

（2）關(guān)于子孫風(fēng)險發(fā)生概率計(jì)算方法和過程。子孫風(fēng)險因素發(fā)生概率對風(fēng)險因素傳導(dǎo)廣度計(jì)算具有不可忽視的影響。這里我們將與yi有直接或間接關(guān)系的風(fēng)險因素全部定義為yi的子孫風(fēng)險集合。

（3）計(jì)算出風(fēng)險因素集合對物流外包企業(yè)帶來的損失期望值。父輩風(fēng)險因素是誘發(fā)子風(fēng)險的主要源頭，本文根據(jù)前面的公式P（(s(yi)β)可以將 yi傳導(dǎo)至第β個子風(fēng)險因素的概率計(jì)算出來，這里的P（(s(yi)β)不是子風(fēng)險因素s(yi)β發(fā)生的概率，而是其父輩風(fēng)險因素傳導(dǎo)發(fā)生概率。我們根據(jù)P（(s(yi)β)能夠計(jì)算出父風(fēng)險 yi傳導(dǎo)的風(fēng)險概率 Risk(s(yi)β)，這里 Risk(s(yi)β)代表 s(yi)β對企業(yè)帶來的風(fēng)險損失大小。我們同樣可以利用前面公式計(jì)算出從yi傳導(dǎo)至子孫風(fēng)險因素的損失期望值。一般而言，在風(fēng)險傳導(dǎo)過程中，單個風(fēng)險傳播會經(jīng)過多個途徑和環(huán)節(jié)，這就可能在傳播過程中誘發(fā)多個子孫風(fēng)險因素，從而給企業(yè)帶來多種風(fēng)險損失。這里我們用Risk(yi)來描述物流外包系統(tǒng)面臨的風(fēng)險損失期望。用N(yi)來描述yi的N個子孫集合，Risk(yi)可用前面的公式來計(jì)算出來，利用b(yi)將物流外包風(fēng)險系統(tǒng)中子風(fēng)險期望值計(jì)算出來，這樣就得到了 Risk(yi)，式中的 β是指計(jì)算迭代次數(shù)，假設(shè)β＜count(s(yi))。

2 風(fēng)險控制方法

目前，關(guān)于風(fēng)險評估的方法十分多樣化，每種評估方法都有其的適用范圍和優(yōu)劣性。本文綜合比較了多種評估方法，以挑選出最佳的一種方法。通過分析當(dāng)前比較常用的幾種風(fēng)險評估方法我們得知，大多數(shù)風(fēng)險評估方法沒有考慮到風(fēng)險發(fā)生概率，只是對風(fēng)險損失進(jìn)行了分析。而風(fēng)險矩陣方法不僅考慮風(fēng)險發(fā)生概率，還對風(fēng)險期望值進(jìn)行了預(yù)測，并利用定性和定量相結(jié)合的方法將風(fēng)險定為不同級別，并確定其損失期望值。此外，利用風(fēng)險矩陣法還可以避免專家打分法局限性，并在風(fēng)險影響和概率分級基礎(chǔ)上進(jìn)行風(fēng)險分類和評級，通過專家集體評審，判斷風(fēng)險影響大小和所處等級。

但是，我們必須認(rèn)識到風(fēng)險矩陣法自身固有的不足。一方面，它計(jì)算方法比較簡單，由于風(fēng)險發(fā)生概率和風(fēng)險影響評級相對比較模糊，是一個粗略估計(jì)值，因此估算結(jié)果存在一定的誤差。另一方面，該方法風(fēng)險分級較少，如果風(fēng)險因素較多，則在運(yùn)算過程中我們可能遇到多個風(fēng)險處于同一個分級的問題，這就導(dǎo)致風(fēng)險因素分類存在較大的趨同性，影響計(jì)算精度。為了有效降低風(fēng)險矩陣法的負(fù)面影響，本文對其進(jìn)行了優(yōu)化和調(diào)整，將BORDA序值法與其結(jié)合進(jìn)行了算法改良，用來對物流外包風(fēng)險因子進(jìn)行排序，明確了每個風(fēng)險因子的風(fēng)險排序，從而避免了風(fēng)險因素過度集中在某個層級內(nèi)，為制定風(fēng)險應(yīng)對措施提供了更加精確的指引。除此之外，本文還將BORDA序值引入到專家打分法當(dāng)中，對各個風(fēng)險要素進(jìn)行權(quán)重賦值，提高了分析方法的科學(xué)合理性，保證分析結(jié)果更加科學(xué)可信。

本文建立的風(fēng)險矩陣法是建立在傳統(tǒng)風(fēng)險矩陣法原理基礎(chǔ)上的，融合了德爾菲法、BORDA序值法、層次分析法精髓，對風(fēng)險指標(biāo)進(jìn)行了賦權(quán)，并建立了一種更加先進(jìn)的風(fēng)險值算法。對此，本文接下來將對上述幾種方法進(jìn)行深入闡述。1955年，美國軍購小組為了改進(jìn)軍備采購決策機(jī)制，組織各行業(yè)專家建立了一種基于全壽命周期理論的采購評估模型。該模型是建立在風(fēng)險概率和影響大小兩個維度基礎(chǔ)上的，以全面分析采購風(fēng)險和影響大小。該方法最早被用于美國軍方電子系統(tǒng)采購，對武器遠(yuǎn)程操控系統(tǒng)采購風(fēng)險進(jìn)行分析。該方法在實(shí)際中收到了良好的效果，使其很快在其他行業(yè)中普及開來。經(jīng)過多年發(fā)展和完善，該方法逐漸形成了今天的風(fēng)險矩陣法。在這個發(fā)展演變過程中，美國米托公司做出了最大貢獻(xiàn)。由于風(fēng)險矩陣法具有明顯的應(yīng)用優(yōu)勢，它同時考慮了風(fēng)險發(fā)生概率和期望損失值，被許多企業(yè)采用。該風(fēng)險評估模型為開啟風(fēng)險評估奠定了理論基礎(chǔ)，為風(fēng)險管理提供了方法論支持。

Jean在其論文中，構(gòu)建BORDA序值法，將其用于分析投票行為。1770年和1784年，這為年輕的法國科學(xué)院數(shù)學(xué)院士先后發(fā)表了兩篇同主題論文，系統(tǒng)論述了BORDA序值法的功能和作用。由于學(xué)者們對BORDA的少數(shù)服從多數(shù)慣例提出了反對意見，指出該種分析方法可能會與實(shí)際情況脫節(jié)。人們在做出抉擇時，總會根據(jù)個人偏好來選擇，由于個體偏好存在不可避免的差異，則根據(jù)偏好排序，有8人贊成A，有7人贊同B，有6人贊成C，則根據(jù)少數(shù)服從多數(shù)原則，A入選；但事實(shí)上，還有38%的人選擇A。為了避免少數(shù)服從多數(shù)帶來的弊端，BORDA提出了打分制，即要求評價者根據(jù)個人喜好對評價對象進(jìn)行打分，排序越靠前打分越高，排第一位得分最高，排最后者得分最低，分別對第1位、第2位至第n位的方案賦值為：(n-1)分、(n-2)分至0分，相鄰兩個排序之間分差為1分，最后統(tǒng)計(jì)全部打分。將總分計(jì)算出來后，知A為39，B為41，C為46，則C勝出。這種打分方法體現(xiàn)了個體偏好差異，更符合所有投票人的總體偏好。

上面我們介紹了BORDA法的基本原理。其主要特點(diǎn)是體現(xiàn)了投票者個人偏好因素，函數(shù)bk(xj)(k=1，2，...，n，j=1，2，...，p) 為 xj∈X 是投票者 Pk給出的打分，每個xj∈X在Pk排序中分值的和就是b(xj)。因此可以得到：

根據(jù) b(xj)(j=1，2，····，n)排序，得分最高的項(xiàng)是所有投票人選擇的結(jié)果。方案 xj∈X(j=1，2，····，n)中的b(xj)值，它取決于方案xj∈X的投票者人數(shù)之和。因此，我們可以將BORDA選擇函數(shù)表述如下：

上世紀(jì)七十年代，美國哈佛大學(xué)數(shù)學(xué)家Satty等人提出了層次分析法，這是一種定性與定量分析相結(jié)合的多維決策分析法。層次分析法一共包含三層：目標(biāo)層、判斷層(準(zhǔn)則層)、方案層。判斷層和方案層由多個元素組成。判斷矩陣在構(gòu)建過程中，要以上一層元素作為基準(zhǔn)對下一層元素進(jìn)行對比分析，并將分析結(jié)果進(jìn)行量化。假如第二層中的元素 Bk作為基準(zhǔn)層，與下一層次元素 C1，C2，...，Cn有關(guān)聯(lián)性的目標(biāo)則要根據(jù)基準(zhǔn)層Bk來確定它們在排序C1，C2，...，Cn權(quán)重系數(shù)。在這個過程中，可以根據(jù)排序先后來確定權(quán)重系數(shù)。權(quán)重賦值方法十分多樣化，例如可以根據(jù)基層員工訪談結(jié)果來制定排序方案。一般情況下，可以通過向行業(yè)專家征求意見來進(jìn)行排序，在本文中則利用了專家打分法來對BORDA序值進(jìn)行優(yōu)先排序，最后建立判斷矩陣。

如果有n個元素，在征求專家打分之后，我們得到了判斷矩陣C=(Cij)n×n。在上面矩陣中，Cij代表因素i相對因素 j對目標(biāo)的重要性。

值得一提的是，構(gòu)建完判斷矩陣之后，我們還要對其進(jìn)行一致性檢驗(yàn)，因?yàn)槭欠裢ㄟ^一致性檢驗(yàn)直接決定判斷矩陣是否可用。在本文中，為了對比較結(jié)果進(jìn)行量化，為構(gòu)建判斷矩陣提供數(shù)據(jù)支持，采用了指標(biāo)比率法來對指標(biāo)進(jìn)行量化。本文接下來介紹1→9標(biāo)度方法，并將一級指標(biāo)權(quán)重計(jì)算出來，在此基礎(chǔ)上對判斷矩陣進(jìn)行一致性檢驗(yàn)。

（1）采用矩陣變換將矩陣乘積計(jì)算出來：

則W=[W1，W，...，Wn]T即為所求元素的權(quán)重。

判斷思維的一致性，是指在組織專家進(jìn)行集體打分時，為了保證專家意見保持高度一致，不出現(xiàn)明顯意見分歧。為了保證判斷矩陣能夠通過一致性檢驗(yàn)，首先要對矩陣指標(biāo)C1的值進(jìn)行差分處理，使得其與一致性指標(biāo)RI具有一一映射關(guān)系。該映射函數(shù)的一致性比率用CR來表示。當(dāng)CR＜0.10時，則意味著矩陣通過了一致性檢驗(yàn)。如果CR＞0.10，則意味著矩陣沒有通過一致性檢驗(yàn)，則需要對判斷矩陣進(jìn)行調(diào)整，再次通過一次性檢驗(yàn)后方可使用。這里我們給出判斷矩陣一致性檢驗(yàn)流程：

由于不同階的判斷矩陣一致性特征值各不相同，因此CI值的標(biāo)準(zhǔn)也各異，為了解決這個問題，我們可以引入平均隨機(jī)一致性指標(biāo)RI，對于1～9階判斷矩陣，RI值分別列表1所示。

表1 平均隨機(jī)一致性指標(biāo)

如果判斷矩陣未通過一致性檢驗(yàn)，則要對其進(jìn)行調(diào)整。根據(jù)一級指標(biāo)分析結(jié)果，我們可以將二級指標(biāo)權(quán)重計(jì)算出來，并再次接受一致性檢驗(yàn)。該過程是一個從低到高的演變過程。本文采用層次分析法計(jì)算指標(biāo)權(quán)重，參考BORDA序值作為排序依據(jù)，對風(fēng)險指標(biāo)進(jìn)行兩兩比較，最后建立判斷矩陣，將每個風(fēng)險值指標(biāo)權(quán)重計(jì)算出來。

3 應(yīng)用實(shí)例

本文采用了4家企業(yè)的業(yè)務(wù)經(jīng)營數(shù)據(jù)作為分析基礎(chǔ)，通過風(fēng)險分析建立了風(fēng)險網(wǎng)絡(luò)模型，同時也確定了每種風(fēng)險傳導(dǎo)機(jī)制。在下圖1中，我們給出了每種風(fēng)險的概率傳導(dǎo)比率，為了便于區(qū)分，我們用“◆”來標(biāo)志內(nèi)部風(fēng)險。根據(jù)專家打分法，我們得到了風(fēng)險發(fā)生概率和風(fēng)險損失期望值。

圖1 物流外包系統(tǒng)實(shí)例

在后面的評價過程中，我們會使用到前面建立的風(fēng)險傳導(dǎo)模型，并建立了風(fēng)險評估體系：根據(jù)前面建立的風(fēng)險傳導(dǎo)流程V(yi)來計(jì)算出外部風(fēng)險發(fā)生概率；根據(jù)圖1中的企業(yè)風(fēng)險影響因素計(jì)算出每個風(fēng)險因素對應(yīng)的子孫風(fēng)險數(shù)量；對每個風(fēng)險因素對應(yīng)的風(fēng)險值進(jìn)行迭代計(jì)算，如果是同一家企業(yè)，則就將所有風(fēng)險值加總得到企業(yè)整體風(fēng)險值；根據(jù)本文前面的建立的風(fēng)險傳導(dǎo)公式b(yi)，我們可以將物流外包風(fēng)險值計(jì)算出來，再將所有單個風(fēng)險值加總我們就可以得到整個企業(yè)綜合風(fēng)險值。

表2 風(fēng)險傳導(dǎo)路徑圖

表3 表頭對照表

表4 物流外包系統(tǒng)風(fēng)險評估信息表

在表4中，標(biāo)“◆”的是企業(yè)內(nèi)部風(fēng)險，它們的發(fā)生概率是確定的，其他外部風(fēng)險發(fā)生概率則要通過計(jì)算得到。通過前面的計(jì)算公式我們可以到以下結(jié)果：

（1）外包系統(tǒng)內(nèi)生風(fēng)險從大到小排序分別為：Y(8)＞Y(11)＞Y(13)＞Y(1)Y＞Y(16)＞Y(2)＞Y(15)＞Y(3)＞Y(12)

從上述公式可以知道，B企業(yè)風(fēng)險因素最大，達(dá)到了8，需要給予高度重視。

（2）企業(yè)物流外包系統(tǒng)風(fēng)險大小排序如下：

Y(B)＞Y(D)＞Y(A)＞Y(C)

從上述公式中，我們可以發(fā)現(xiàn)企業(yè)B面臨的風(fēng)險最大，從表4中結(jié)果可以看出，企業(yè)A和B風(fēng)險雖然不大，但是整體系統(tǒng)風(fēng)險較大，企業(yè)C和D雖然面臨較大的單個風(fēng)險，但是整體系統(tǒng)風(fēng)險處于可接受范圍內(nèi)。

（3）通過根據(jù)前面建立的物流外包系統(tǒng)風(fēng)險模型，我們可以得出綜合風(fēng)險評估值：261.6萬元；如果企業(yè)管理層要降低外包風(fēng)險，可以對物流外包系統(tǒng)進(jìn)行優(yōu)化調(diào)整，可以用前面介紹的方法進(jìn)行整改，如果改進(jìn)效果比較明顯，則可以繼續(xù)循環(huán)優(yōu)化。

4 結(jié)束語

近年來，河南省旅游業(yè)步入高速發(fā)展軌道，旅游業(yè)產(chǎn)值不斷增長，產(chǎn)業(yè)發(fā)展數(shù)量和質(zhì)量同步提升，成為地方經(jīng)濟(jì)重要增長極之一。進(jìn)入到新世紀(jì)之后，外包必將成為今后企業(yè)實(shí)現(xiàn)可持續(xù)發(fā)展目標(biāo)的必然選擇。在競爭日益復(fù)雜多變的市場環(huán)境下，外包業(yè)務(wù)也存在較大的風(fēng)險因素，尤其是企業(yè)與物流服務(wù)商在信息、資源和業(yè)務(wù)結(jié)構(gòu)存在較大差異的情況下，企業(yè)選擇物流外包將會面臨著較大經(jīng)營風(fēng)險。如何有效識別和抑制物流外包風(fēng)險已成為當(dāng)前實(shí)務(wù)界和學(xué)術(shù)界廣泛關(guān)注的焦點(diǎn)問題。

本文在深入調(diào)研的基礎(chǔ)上，構(gòu)建了一種中小企業(yè)物流外包風(fēng)險控制模型。該模型是建立以下三個假設(shè)：風(fēng)險傳導(dǎo)路徑不具有回路特征；風(fēng)險在傳導(dǎo)過程中不會發(fā)生彼此藕合；風(fēng)險傳導(dǎo)與風(fēng)險發(fā)生概率傳導(dǎo)是等同概念。同時，給出了每一種風(fēng)險發(fā)生概率的算法、關(guān)于子孫風(fēng)險發(fā)生概率計(jì)算方法和過程和風(fēng)險因素集合對物流外包企業(yè)帶來的損失期望值。

提出了一種中小企業(yè)物流外包風(fēng)險控制方法（風(fēng)險矩陣法），該方法建立在傳統(tǒng)風(fēng)險矩陣法原理基礎(chǔ)上的，融合了德爾菲法、BORDA序值法、層次分析法精髓，對風(fēng)險指標(biāo)進(jìn)行了賦權(quán)，并建立了一種更加先進(jìn)的風(fēng)險值算法。本文采用了4家企業(yè)的業(yè)務(wù)經(jīng)營數(shù)據(jù)作為分析基礎(chǔ)，通過風(fēng)險分析建立了風(fēng)險網(wǎng)絡(luò)模型，同時也確定了每種風(fēng)險傳導(dǎo)機(jī)制。實(shí)證結(jié)果表明，本文構(gòu)建的模型及方法是正確的、可行的、有效的。

[1]Wu J S,Wang C K.A Review of Networking Behavior[J].Advances in Psychological Science,2010,18(6).

[2]Han X.Modeling of The Co-Evolutionary Dynamics of Social Network and Multidimensional Opinons.Master's Degree Thesis[M].Dalian University of Technology,2013.

[3]Paul P R,Winston R S,Nigel R S.Using Web-Based Knowledge Extraction Techniques To Support Cultural Modeling[M].Lecture Notes in Computer Science,2011,(6589).

[4]Crokidakis N,Forgerini F L.Consequence of Reputation in The Sznajd Consensus Model[J].Physics Letters A,2010,374(34).

[5]Yang Z,Guo J,Cai K,et al.Understanding Retweeting Behaviors in Social Networks.In The Proceedings of International Conference on Information and Knowledge Management,Association For Computing Machinery[M].Toronto,Ontario,Canada,October,2010.