中小企業物流外包風險控制模型與方法

曾曉宏

（河南師范大學 旅游學院，河南 新鄉 453007）

0 引言

物流外包是一種現代服務業，它能夠實現外包業務雙方互利共贏、共同進步，是增強企業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帶來利好，在競爭日益復雜多變的市場環境下，外包業務也存在較大的風險因素，尤其是企業與物流服務商在信息、資源和業務結構存在較大差異的情況下，企業選擇物流外包將會面臨著較大經營風險。雖然外包業務規模正在不斷擴大，但是其并沒有像我們想象的那樣發展迅速。根據2003年PA Consulting公司公布的一項行業調查數據顯示，超過三分之二的企業不滿意當前物流外包服務業，有15%的企業表示正在考慮放棄物流外包，改由企業自行經營。企業采用第三方物流服務后，許多意想不到的市場風險將會從物流外包業務滲透入企業內部，導致企業經營風險劇增。物流外包風險不僅會影響企業正常經營活動，而且還會對一國或地區的物流市場產生重大影響。因此，如何有效識別和抑制物流外包風險已成為當前實務界和學術界廣泛關注的焦點問題。

1 風險控制模型

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

在上式中，y是指物流外包風險，yi是指物流外包企業，這里用E(yi)表示；Loss(yi)意味著一旦 yi發生，企業在此次風險中可能遭受的損失；P(yi)是指 yi的發生概率；N(yi)是與yi有關聯的風險因素；n(yi)是指與yi有關系的物流企業數量。本文用氏Pyi，yj來描述風險因素yi發生的概率可傳導給yi的概率大??；用F(yi)來描述與yi有直接影響的因素集合，用S(yi)來描述與yi有直接影響的風險因素集合；用count(Y)來描述集合Y中包含的風險數量；將與yi有直接影響的風險因素稱為 yi的子孫風險集合，將 yi帶來的可能風險影響命名為 yi的父輩風險因素?？梢岳帽疚牡谌绿岬降挠嬎愎絹碛嬎泔L險因素集合中的 E(yi)、Loss(yi)、Pyi，yj等,根據下面計算公式和方法來獲取P(yi)、N(yi)、n(yi)、Risk(yi)的值。

（1）明確每一種風險發生概率的算法。根據風險傳導理論我們可以將中間風險和外源風險發生概率計算出來，具體可以見下式：

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

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

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

2 風險控制方法

目前，關于風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。通過分析當前比較常用的幾種風險評估方法我們得知，大多數風險評估方法沒有考慮到風險發生概率，只是對風險損失進行了分析。而風險矩陣方法不僅考慮風險發生概率，還對風險期望值進行了預測，并利用定性和定量相結合的方法將風險定為不同級別，并確定其損失期望值。此外，利用風險矩陣法還可以避免專家打分法局限性，并在風險影響和概率分級基礎上進行風險分類和評級，通過專家集體評審，判斷風險影響大小和所處等級。

但是，我們必須認識到風險矩陣法自身固有的不足。一方面，它計算方法比較簡單，由于風險發生概率和風險影響評級相對比較模糊，是一個粗略估計值，因此估算結果存在一定的誤差。另一方面，該方法風險分級較少，如果風險因素較多，則在運算過程中我們可能遇到多個風險處于同一個分級的問題，這就導致風險因素分類存在較大的趨同性，影響計算精度。為了有效降低風險矩陣法的負面影響，本文對其進行了優化和調整，將BORDA序值法與其結合進行了算法改良，用來對物流外包風險因子進行排序，明確了每個風險因子的風險排序，從而避免了風險因素過度集中在某個層級內，為制定風險應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中，對各個風險要素進行權重賦值，提高了分析方法的科學合理性，保證分析結果更加科學可信。

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

Jean在其論文中，構建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院數學院士先后發表了兩篇同主題論文，系統論述了BORDA序值法的功能和作用。由于學者們對BORDA的少數服從多數慣例提出了反對意見，指出該種分析方法可能會與實際情況脫節。人們在做出抉擇時，總會根據個人偏好來選擇，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，則根據少數服從多數原則，A入選；但事實上，還有38%的人選擇A。為了避免少數服從多數帶來的弊端，BORDA提出了打分制，即要求評價者根據個人喜好對評價對象進行打分，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，最后統計全部打分。將總分計算出來后，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。其主要特點是體現了投票者個人偏好因素，函數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 b(xj)(j=1，2，····，n)排序，得分最高的項是所有投票人選擇的結果。方案 xj∈X(j=1，2，····，n)中的b(xj)值，它取決于方案xj∈X的投票者人數之和。因此，我們可以將BORDA選擇函數表述如下：

上世紀七十年代，美國哈佛大學數學家Satty等人提出了層次分析法，這是一種定性與定量分析相結合的多維決策分析法。層次分析法一共包含三層：目標層、判斷層(準則層)、方案層。判斷層和方案層由多個元素組成。判斷矩陣在構建過程中，要以上一層元素作為基準對下一層元素進行對比分析，并將分析結果進行量化。假如第二層中的元素 Bk作為基準層，與下一層次元素 C1，C2，...，Cn有關聯性的目標則要根據基準層Bk來確定它們在排序C1，C2，...，Cn權重系數。在這個過程中，可以根據排序先后來確定權重系數。權重賦值方法十分多樣化，例如可以根據基層員工訪談結果來制定排序方案。一般情況下，可以通過向行業專家征求意見來進行排序，在本文中則利用了專家打分法來對BORDA序值進行優先排序，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對目標的重要性。

值得一提的是，構建完判斷矩陣之后，我們還要對其進行一致性檢驗，因為是否通過一致性檢驗直接決定判斷矩陣是否可用。在本文中，為了對比較結果進行量化，為構建判斷矩陣提供數據支持，采用了指標比率法來對指標進行量化。本文接下來介紹1→9標度方法，并將一級指標權重計算出來，在此基礎上對判斷矩陣進行一致性檢驗。

（1）采用矩陣變換將矩陣乘積計算出來：

則W=[W1，W，...，Wn]T即為所求元素的權重。

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

由于不同階的判斷矩陣一致性特征值各不相同，因此CI值的標準也各異，為了解決這個問題，我們可以引入平均隨機一致性指標RI，對于1～9階判斷矩陣，RI值分別列表1所示。

表1 平均隨機一致性指標

如果判斷矩陣未通過一致性檢驗，則要對其進行調整。根據一級指標分析結果，我們可以將二級指標權重計算出來，并再次接受一致性檢驗。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算指標權重，參考BORDA序值作為排序依據，對風險指標進行兩兩比較，最后建立判斷矩陣，將每個風險值指標權重計算出來。

3 應用實例

本文采用了4家企業的業務經營數據作為分析基礎，通過風險分析建立了風險網絡模型，同時也確定了每種風險傳導機制。在下圖1中，我們給出了每種風險的概率傳導比率，為了便于區分，我們用“◆”來標志內部風險。根據專家打分法，我們得到了風險發生概率和風險損失期望值。

圖1 物流外包系統實例

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

表2 風險傳導路徑圖

表3 表頭對照表

表4 物流外包系統風險評估信息表

在表4中，標“◆”的是企業內部風險，它們的發生概率是確定的，其他外部風險發生概率則要通過計算得到。通過前面的計算公式我們可以到以下結果：

（1）外包系統內生風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企業風險因素最大，達到了8，需要給予高度重視。

（2）企業物流外包系統風險大小排序如下：

Y(B)＞Y(D)＞Y(A)＞Y(C)

從上述公式中，我們可以發現企業B面臨的風險最大，從表4中結果可以看出，企業A和B風險雖然不大，但是整體系統風險較大，企業C和D雖然面臨較大的單個風險，但是整體系統風險處于可接受范圍內。

（3）通過根據前面建立的物流外包系統風險模型，我們可以得出綜合風險評估值：261.6萬元；如果企業管理層要降低外包風險，可以對物流外包系統進行優化調整，可以用前面介紹的方法進行整改，如果改進效果比較明顯，則可以繼續循環優化。

4 結束語

近年來，河南省旅游業步入高速發展軌道，旅游業產值不斷增長，產業發展數量和質量同步提升，成為地方經濟重要增長極之一。進入到新世紀之后，外包必將成為今后企業實現可持續發展目標的必然選擇。在競爭日益復雜多變的市場環境下，外包業務也存在較大的風險因素，尤其是企業與物流服務商在信息、資源和業務結構存在較大差異的情況下，企業選擇物流外包將會面臨著較大經營風險。如何有效識別和抑制物流外包風險已成為當前實務界和學術界廣泛關注的焦點問題。

本文在深入調研的基礎上，構建了一種中小企業物流外包風險控制模型。該模型是建立以下三個假設：風險傳導路徑不具有回路特征；風險在傳導過程中不會發生彼此藕合；風險傳導與風險發生概率傳導是等同概念。同時，給出了每一種風險發生概率的算法、關于子孫風險發生概率計算方法和過程和風險因素集合對物流外包企業帶來的損失期望值。

提出了一種中小企業物流外包風險控制方法（風險矩陣法），該方法建立在傳統風險矩陣法原理基礎上的，融合了德爾菲法、BORDA序值法、層次分析法精髓，對風險指標進行了賦權，并建立了一種更加先進的風險值算法。本文采用了4家企業的業務經營數據作為分析基礎，通過風險分析建立了風險網絡模型，同時也確定了每種風險傳導機制。實證結果表明，本文構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.