基于聚類分析的電子商務(wù)物流服務(wù)質(zhì)量評(píng)價(jià)

趙夢(mèng)函， 吳麗花

(北京信息科技大學(xué) 信息管理學(xué)院，北京 100192)

0 引言

近年來，電子商務(wù)快速發(fā)展，我國物流行業(yè)業(yè)務(wù)量迅猛增長，進(jìn)入飛速發(fā)展時(shí)期。但是由于我國物流起步較晚、發(fā)展時(shí)間較短、企業(yè)經(jīng)驗(yàn)不足以及缺少行業(yè)規(guī)范等，電子商務(wù)物流行業(yè)的服務(wù)質(zhì)量差別較大，客戶投訴現(xiàn)象屢見不鮮[1]。對(duì)電子商務(wù)物流服務(wù)的質(zhì)量評(píng)價(jià)，可使企業(yè)更清楚地認(rèn)識(shí)到客戶需求及自身短板，有效提升服務(wù)質(zhì)量，更好地為客戶服務(wù)。

對(duì)于電子商務(wù)物流服務(wù)質(zhì)量評(píng)價(jià)的相關(guān)研究，或是以評(píng)價(jià)指標(biāo)為重點(diǎn)，研究其內(nèi)在相關(guān)性[2]，提出改進(jìn)建議[3]；或是從建立評(píng)價(jià)指標(biāo)體系出發(fā)，構(gòu)建評(píng)價(jià)模型[4-6]；或是以評(píng)價(jià)方法為重點(diǎn)，研究方法的改進(jìn)[7]。本文以電子商務(wù)物流服務(wù)質(zhì)量評(píng)價(jià)指標(biāo)的構(gòu)建為基礎(chǔ)，采用聚類方法建立物流服務(wù)質(zhì)量評(píng)價(jià)模型，從不同角度對(duì)模型評(píng)價(jià)結(jié)果進(jìn)行分析，并針對(duì)性地提出物流服務(wù)質(zhì)量的改進(jìn)意見，形成電子商務(wù)物流服務(wù)質(zhì)量評(píng)價(jià)的完整體系。

1 電商物流服務(wù)質(zhì)量評(píng)價(jià)指標(biāo)

關(guān)于企業(yè)服務(wù)質(zhì)量評(píng)價(jià)指標(biāo)方面，國內(nèi)外學(xué)者做了大量的理論和實(shí)證研究。SERVQUAL 模型得到廣泛認(rèn)可和采用，被認(rèn)為是適用于評(píng)價(jià)各類服務(wù)質(zhì)量的最典型方法。SERVQUAL共包含5個(gè)層面：可靠性，指可靠地、準(zhǔn)確地履行服務(wù)承諾的能力；響應(yīng)性，指提供服務(wù)的迅速程度；保證性，指員工表現(xiàn)出的知識(shí)、禮節(jié)和能力等；移情性，指設(shè)身處地為顧客著想和對(duì)顧客給予特別的關(guān)注；有形性，指有形的設(shè)施、員工服裝的整潔程度等[8]。但在具體到電子商務(wù)物流行業(yè)服務(wù)質(zhì)量評(píng)估時(shí)，該模型需要結(jié)合行業(yè)的實(shí)際操作規(guī)范，進(jìn)行必要的調(diào)整。蓋青霞[9]基于物流服務(wù)質(zhì)量最新的較完整的定義，提出了影響物流服務(wù)質(zhì)量的以下幾個(gè)指標(biāo)：貨品完好程度、貨品精準(zhǔn)率、人員溝通質(zhì)量、誤差處理、時(shí)間性等；段彥輝等[10]認(rèn)為貨物的完好率、訂單響應(yīng)時(shí)間、物流價(jià)格、服務(wù)便利性等是影響電子商務(wù)物流行業(yè)服務(wù)質(zhì)量的主要因素。花均南等[11]采用 SERVPERF 模型中感知服務(wù)質(zhì)量測量方法，直接用顧客對(duì)感知到的網(wǎng)購快遞服務(wù)質(zhì)量滿意程度，來評(píng)價(jià)和衡量服務(wù)質(zhì)量，從交付質(zhì)量、時(shí)間性、人員溝通質(zhì)量、誤差處理質(zhì)量以及便利性5個(gè)維度建立了網(wǎng)購快遞物流服務(wù)質(zhì)量評(píng)價(jià)的模型；黃陽[12]認(rèn)為物流服務(wù)的質(zhì)量可以通過質(zhì)量保證率、商品配送延時(shí)率、服務(wù)成功率等指標(biāo)進(jìn)行衡量。

基于以上分析，SERVQUAL 量表作為服務(wù)質(zhì)量評(píng)價(jià)的總體框架，對(duì)本文所研究的電子商務(wù)物流行業(yè)的服務(wù)質(zhì)量評(píng)價(jià)也同樣適用，但應(yīng)根據(jù)行業(yè)特性，對(duì)評(píng)價(jià)維度進(jìn)行整合，簡化評(píng)價(jià)模型，構(gòu)建實(shí)用有效的服務(wù)質(zhì)量評(píng)價(jià)指標(biāo)體系[5]。本文在SERVQUAL模型和相關(guān)研究基礎(chǔ)上，提出物流配送的準(zhǔn)時(shí)性、準(zhǔn)確性、完好性、人員溝通服務(wù)質(zhì)量等是影響電子商務(wù)物流企業(yè)服務(wù)質(zhì)量的主要因素。本文評(píng)價(jià)維度如表1所示。

商品配送延誤率衡量了商品由于各種因素未在承諾時(shí)間內(nèi)送達(dá)收貨人手中的延誤程度。商品丟失損毀率綜合反映了以下兩種情況發(fā)生的頻率：一是商品在運(yùn)輸過程中由于人為或意外事故導(dǎo)致包裹丟失的情況；二是包裹沒有丟失但出現(xiàn)積壓破損的情況。投遞服務(wù)投訴率是企業(yè)投遞服務(wù)質(zhì)量好壞的綜合體現(xiàn)和直接反映。此外，物流企業(yè)違規(guī)收費(fèi)、誤投事故等也會(huì)對(duì)電子商務(wù)物流服務(wù)質(zhì)量產(chǎn)生影響，但這些事件發(fā)生概率較低，統(tǒng)一劃分為其他類。

表1 電商物流服務(wù)質(zhì)量主要評(píng)價(jià)維度

2 電商物流服務(wù)質(zhì)量評(píng)價(jià)模型

2.1 評(píng)價(jià)流程

基于聚類分析的電子商務(wù)物流服務(wù)質(zhì)量評(píng)價(jià)過程如圖1所示。

整個(gè)評(píng)價(jià)過程分為3大部分：輸入、分析及輸出應(yīng)用。評(píng)價(jià)的輸入部分為與物流服務(wù)質(zhì)量相關(guān)的各項(xiàng)指標(biāo)；分析部分主要包括數(shù)據(jù)的預(yù)處理及聚類建模過程；聚類結(jié)果分析及質(zhì)量改進(jìn)建議為輸出應(yīng)用部分。

2.2 數(shù)據(jù)預(yù)處理

本研究共收集了2015年1月至2018年5月間來自32家物流企業(yè)的1046條有關(guān)服務(wù)質(zhì)量評(píng)價(jià)的數(shù)據(jù)。數(shù)據(jù)來源為國家郵政局(http://www.spb.gov.cn/sj/ tjxx_1/index.html)每月公布的郵政行業(yè)消費(fèi)者申訴情況。數(shù)據(jù)的預(yù)處理包含異常值的處理、缺失值的填補(bǔ)以及數(shù)據(jù)的標(biāo)準(zhǔn)化處理。

1)異常值處理。收集到的數(shù)據(jù)中可能存在不合理即異常值。異常值會(huì)加大聚類的復(fù)雜程度，影響聚類整體準(zhǔn)確性，需要進(jìn)行處理。常用的異常值處理方法是用均值或者其他統(tǒng)計(jì)量來代替，但這種方法改變了數(shù)據(jù)自身的分布，使數(shù)據(jù)的方差發(fā)生變化。當(dāng)異常值觀察數(shù)據(jù)非常少時(shí)，也可直接刪除異常值，這樣既不會(huì)對(duì)變量的原有分布造成影響，還可以簡化模型的復(fù)雜程度。

本研究對(duì)收集到的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)探索，分析各項(xiàng)指標(biāo)的分布情況。以丟失損毀率這一指標(biāo)數(shù)據(jù)的分布情況為例，有近1000條觀測數(shù)據(jù)的取值分布在0～50之間，只有2個(gè)觀測樣本的指標(biāo)值分布在此區(qū)間之外，即異常值個(gè)數(shù)為2。由于異常值觀察數(shù)據(jù)量很少，因此這里使用剔除法，將丟失損毀率大于50的異常數(shù)據(jù)值排除。類似地，對(duì)其他指標(biāo)進(jìn)行異常值的檢測和處理，最終共排除掉13條異常數(shù)據(jù)，剩余1033條觀測數(shù)據(jù)用于后續(xù)分析。

2)缺失值填補(bǔ)。數(shù)據(jù)收集過程中，個(gè)別觀測樣本的某一項(xiàng)指標(biāo)可能較難獲取，存在缺失值，這時(shí)就需要選擇合適的方法對(duì)缺失值進(jìn)行填補(bǔ)。對(duì)于區(qū)間型變量，常用的缺失值填補(bǔ)方法有均值插補(bǔ)法、期望值最大化法、極大似然估計(jì)法、多重插補(bǔ)法等。其中，均值插補(bǔ)法是以最大概率可能的取值來補(bǔ)充缺失的屬性值，與其他方法相比，既可用現(xiàn)存數(shù)據(jù)的多數(shù)信息來推測缺失值，又易于操作，因此在實(shí)踐中應(yīng)用較多。

通過數(shù)據(jù)的統(tǒng)計(jì)探索，發(fā)現(xiàn)各項(xiàng)指標(biāo)均存在缺失值，其觀測數(shù)及所占比例如表2所示。由于各項(xiàng)指標(biāo)缺失值所占總體比例均較小，采用了常用的均值插補(bǔ)方法對(duì)缺失值進(jìn)行處理。

表2 各項(xiàng)指標(biāo)的數(shù)據(jù)缺失情況

3)數(shù)據(jù)標(biāo)準(zhǔn)化處理。在電子商務(wù)物流質(zhì)量評(píng)價(jià)這樣的多指標(biāo)評(píng)價(jià)體系中，各評(píng)價(jià)指標(biāo)由于性質(zhì)不同，通常具有不同的量綱和量級(jí)。當(dāng)各評(píng)價(jià)指標(biāo)間的量綱和量級(jí)差異很大時(shí)，如果直接使用原始指標(biāo)值進(jìn)行分析，就會(huì)突出數(shù)值水平較高的指標(biāo)在綜合分析中的作用，相對(duì)地，數(shù)值水平較低的指標(biāo)的作用則會(huì)被削弱。因此，為了保證結(jié)果的可靠性，需要對(duì)原始指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，以便于不同單位或量級(jí)的指標(biāo)能夠進(jìn)行比較和加權(quán)。

最常用的數(shù)據(jù)標(biāo)準(zhǔn)化處理方法是 min-max標(biāo)準(zhǔn)化法，它通過對(duì)原始數(shù)據(jù)的線性變換將數(shù)據(jù)統(tǒng)一映射到[0,1]區(qū)間上。對(duì)于正向指標(biāo)即效益型指標(biāo)，指標(biāo)值越大結(jié)果就越好，其標(biāo)準(zhǔn)化轉(zhuǎn)換函數(shù)為

對(duì)于逆向指標(biāo)也稱成本型指標(biāo)，數(shù)值越小結(jié)果就越好，其標(biāo)準(zhǔn)化轉(zhuǎn)換函數(shù)為

2.3 K-means聚類建模

聚類分析是一種無監(jiān)督的學(xué)習(xí)方法，它能從樣本數(shù)據(jù)出發(fā)，自動(dòng)將目標(biāo)群體劃分幾個(gè)具有明顯特征的細(xì)分群體。本文研究的目的就是將不同物流企業(yè)的服務(wù)質(zhì)量按照商品配送服務(wù)、投遞服務(wù)、丟失損毀三個(gè)維度進(jìn)行精細(xì)化劃分，對(duì)不同類提出不同的管理建議，提升物流服務(wù)質(zhì)量，因此聚類分析較為適合本文的研究。

將經(jīng)過異常值和缺失值處理的數(shù)據(jù)標(biāo)準(zhǔn)化之后，利用SAS EM軟件，采用K-means 算法對(duì)所收集到的關(guān)于電子商務(wù)物流服務(wù)質(zhì)量的數(shù)據(jù)進(jìn)行聚類分析。K-means的基本思想為：對(duì)于給定的樣本集，按照樣本之間的距離大小，將樣本集劃分為K個(gè)簇，簇內(nèi)點(diǎn)之間的距離盡可能的小，而簇間距則盡可能的大。利用K-means算法進(jìn)行聚類的具體步驟如下：

1)從樣本數(shù)據(jù)集中隨機(jī)選取k個(gè)樣本，作為初始聚類中心。

2)計(jì)算數(shù)據(jù)集中每個(gè)點(diǎn)到選擇的初始聚類中心的距離，按照最小歐氏距離原則分配到k個(gè)聚類類別中，即對(duì)以下表達(dá)式求最小值：

3)使用每個(gè)聚類的均值作為新的聚類中心。

4)重復(fù)步驟2)、3)，直到?jīng)]有對(duì)象被重新分配給不同的類。

5)結(jié)束聚類循環(huán)運(yùn)算，得到k個(gè)聚類，并給不同類打上歸屬的聚類標(biāo)簽。

3 聚類結(jié)果分析

對(duì)聚類類別k賦予2、3、4、5、6等不同的值，對(duì)所收集到的數(shù)據(jù)進(jìn)行聚類分析。通過對(duì)比聚類結(jié)果發(fā)現(xiàn)，當(dāng)k=3時(shí)，聚類效果最優(yōu)，聚類結(jié)果如表3所示。

表3 K-means聚類結(jié)果

從表3可以看出，各類的類內(nèi)間距相對(duì)較小，而類間距離相對(duì)較大，符合K-means聚類分析的原則，說明聚類結(jié)果較為理想。特別是對(duì)于類1，該類具有所有類別中最小的類內(nèi)間距0.367 3，其與最近聚類的類間距離為2.223 3，說明該類與其他兩類亦具有明顯的區(qū)分度，綜合來看是3個(gè)類別中聚類效果最好的一類。

從表3聚類結(jié)果可知，類1商品配送延誤率類中心值僅為1.377 4，丟失損毀類中心值為1.497 6，投遞服務(wù)投訴率僅為2.016 0，與其他類相比這些指標(biāo)的值均較低，可以判斷出該類企業(yè)屬于電子商務(wù)物流服務(wù)的優(yōu)質(zhì)企業(yè)。由于類1所占比例最大，聚類頻數(shù)為747，占總體樣本比例的72.31%，說明電子商務(wù)物流行業(yè)整體服務(wù)水平較高。類2的企業(yè)各項(xiàng)指標(biāo)的類中心值均遠(yuǎn)高于其他兩類，特別是配送的延誤率更是高達(dá)17.25，負(fù)向指標(biāo)的值越大說明企業(yè)的服務(wù)水平越差，則類2屬于服務(wù)水平低下的企業(yè)，但類2所包含的樣本數(shù)較少，僅為63，占總體比例的6.1%，說明電子商務(wù)物流服務(wù)質(zhì)量差的企業(yè)為少數(shù)。類3的企業(yè)屬于中等服務(wù)水平的企業(yè)，各項(xiàng)指標(biāo)值介于類1和類2之間且較為均衡，該類包含223個(gè)樣本，占總體比例的21.59%。

4 服務(wù)質(zhì)量改進(jìn)建議

4.1 基于類別角度的服務(wù)質(zhì)量改進(jìn)建議

從上述聚類結(jié)果分析可知，類1內(nèi)企業(yè)屬于服務(wù)質(zhì)量較優(yōu)企業(yè)，其4個(gè)指標(biāo)中，投遞服務(wù)投訴率最高，說明對(duì)于此類企業(yè)來說，最需要改進(jìn)的方向是提高投遞服務(wù)質(zhì)量。類3各項(xiàng)指標(biāo)表現(xiàn)較為均衡，說明服務(wù)質(zhì)量水平中等的電商物流企業(yè)在各方面保持現(xiàn)狀，均衡發(fā)展即可。類2的企業(yè)各項(xiàng)指標(biāo)表現(xiàn)均較差，但商品配送的延誤尤為明顯，所以應(yīng)該投入更多精力來提高商品配送的效率，具體可以通過縮短訂單響應(yīng)時(shí)間、提高異常處理效率、合理安排配送線路等來提高商品配送的效率。

4.2 基于指標(biāo)角度的服務(wù)質(zhì)量改進(jìn)建議

在K-means聚類中，各指標(biāo)對(duì)物流企業(yè)服務(wù)質(zhì)量的影響程度如表4所示。

表4 變量重要性

從表4可見，投遞服務(wù)投訴率的聚類貢獻(xiàn)度為1，說明投遞服務(wù)是影響電商物流服務(wù)質(zhì)量最重要的因素，物流企業(yè)均應(yīng)該努力提高投遞服務(wù)的水平。同時(shí)，丟失損毀率和商品配送延誤率對(duì)物流服務(wù)質(zhì)量也有很重要的影響?？梢酝ㄟ^加強(qiáng)對(duì)物流配送人員的培訓(xùn)、引導(dǎo)配送人員分析自己在配送服務(wù)上的不足之處，改善投遞服務(wù)質(zhì)量。此外還可以建立靈活的獎(jiǎng)勵(lì)機(jī)制，加大對(duì)優(yōu)秀配送人員的獎(jiǎng)勵(lì)，來提升工作的積極性，以達(dá)到改善服務(wù)質(zhì)量的目的。

5 結(jié)束語

本文在服務(wù)質(zhì)量模型(SERVQUAL)的基礎(chǔ)上，結(jié)合電子商務(wù)物流行業(yè)特征，提出影響電子商務(wù)物流服務(wù)質(zhì)量的關(guān)鍵指標(biāo)，然后運(yùn)用K-means 算法建立聚類模型。通過分析聚類結(jié)果，從類別角度和指標(biāo)角度提出了提高物流服務(wù)質(zhì)量的方法和建議，對(duì)物流企業(yè)服務(wù)質(zhì)量的改進(jìn)具有一定的參考價(jià)值。但是，本研究依舊存在一定的局限性，比如，指標(biāo)體系建立不夠全面，只分析了對(duì)電商物流服務(wù)質(zhì)量影響較大的因素；此外，由于數(shù)據(jù)獲取的困難性，本文只收集到部分物流企業(yè)的數(shù)據(jù)，樣本量有限。在今后的研究中將逐步增加物流企業(yè)的財(cái)務(wù)能力、發(fā)展能力、盈利能力等評(píng)價(jià)因素，建立更加系統(tǒng)、完善的評(píng)價(jià)指標(biāo)體系，同時(shí)擴(kuò)大研究的企業(yè)范圍，收集更多企業(yè)的相關(guān)數(shù)據(jù)，使所得的結(jié)論更具有實(shí)際指導(dǎo)意義。