基于熵權(quán)–VIKOR 及AGA-BP 模型的企業(yè)績效評價研究
——以我國上市物流企業(yè)為例

曾凡龍，倪 靜，王鈺華

（1.上海理工大學(xué) 管理學(xué)院，上海 200093；2.寧波金田銅業(yè)集團，寧波 315034）

物流業(yè)是支撐我國經(jīng)濟高速發(fā)展的基礎(chǔ)性、戰(zhàn)略性、先導(dǎo)性產(chǎn)業(yè)之一[1]。電商行業(yè)的興起為物流業(yè)帶來了新的時代紅利，而在疫情防控常態(tài)化背景下，各類物流企業(yè)都面臨著物流成本上升、效率下降、運輸周期延長等各類因素所導(dǎo)致的不同程度的經(jīng)營壓力，物流服務(wù)業(yè)迎來了巨大的挑戰(zhàn)。準(zhǔn)確的物流企業(yè)績效評價及預(yù)測信息能夠有效反映我國物流行業(yè)的發(fā)展現(xiàn)狀，同時也是各類物流企業(yè)進行戰(zhàn)略決策的重要數(shù)據(jù)支撐。

現(xiàn)有績效評價研究主要基于層次分析法[2]、平衡計分卡法[3]、數(shù)據(jù)包絡(luò)分析法[4]、灰色關(guān)聯(lián)法[5]、云模型[6]等方法構(gòu)建評價模型。關(guān)于物流企業(yè)績效評價：杜志平等[7]以跨境電商物流企業(yè)為例，建立了超效率DEA-IAHP 法的電商物流企業(yè)績效評價模型，并通過算例驗證模型的有效性；楊佳偉等[8]基于財務(wù)指標(biāo)，采用中心化網(wǎng)絡(luò)DEA 模型，對水上運輸上市物流企業(yè)績效進行評價；李守林等[9]基于物流企業(yè)轉(zhuǎn)型的背景，提出了結(jié)合灰色關(guān)聯(lián)分析和TOPISIS 法的物流企業(yè)創(chuàng)新績效評價模型。這些評價方法主要基于現(xiàn)有指標(biāo)數(shù)據(jù)對企業(yè)績效現(xiàn)狀進行評價，雖然能夠較為準(zhǔn)確地反映企業(yè)績效現(xiàn)狀，但是缺乏對企業(yè)績效預(yù)測問題的探討。

所謂它山之石可以攻玉，隨著機器學(xué)習(xí)之神經(jīng)網(wǎng)絡(luò)算法在工業(yè)故障診斷[10]、生物醫(yī)學(xué)預(yù)測[11]、金融趨勢預(yù)測[12]等領(lǐng)域成功應(yīng)用，眾多學(xué)者開始對BP 神經(jīng)網(wǎng)絡(luò)在企業(yè)績效評價方面的應(yīng)用進行探索，以期構(gòu)建具有預(yù)測能力的企業(yè)績效評價模型。其中：蔡艷萍等[13]對上市商業(yè)銀行績效進行研究，在引入EVA 值構(gòu)建評價指標(biāo)體系的基礎(chǔ)上利用BP 神經(jīng)網(wǎng)絡(luò)算法構(gòu)建了相應(yīng)的企業(yè)績效評價模型；Shu 等[14]建立了包括企業(yè)目標(biāo)、伙伴關(guān)系、內(nèi)部流程等5 個方面的績效評價指標(biāo)體系，并結(jié)合神經(jīng)網(wǎng)絡(luò)和動態(tài)模糊方法對我國民營企業(yè)評價體系進行了實證；張振剛等[15]以上市白色家電企業(yè)為研究對象，從財務(wù)信息4 大能力角度建立了績效評價指標(biāo)體系框架，并構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)模型對該類企業(yè)績效進行評價；姜旭等[16]在日本物流企業(yè)績效評價體系的基礎(chǔ)上，建立了我國物流企業(yè)績效評價的指標(biāo)體系，并構(gòu)建了基于G1 法和BP 神經(jīng)網(wǎng)絡(luò)的組合評價模型對我國物流企業(yè)發(fā)展現(xiàn)狀及存在的問題進行評價和分析。

綜上所述，眾多利用BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建的評價模型已經(jīng)嶄露頭角，但仍存在評價指標(biāo)體系維度單一、期望績效值計算較為主觀、缺乏對BP 神經(jīng)網(wǎng)絡(luò)算法缺陷的探討等問題。為此，在梳理現(xiàn)有文獻的基礎(chǔ)上構(gòu)建符合我國上市物流企業(yè)特點的績效評價模型，并將熵權(quán)-VIKOR 法與神經(jīng)網(wǎng)絡(luò)理論相結(jié)合構(gòu)建了我國上市物流企業(yè)績效評價和預(yù)測模型，最后通過模型對比分析與實證分析驗證本文模型的有效性。

1 上市物流企業(yè)績效評價指標(biāo)體系構(gòu)建

1.1 上市物流企業(yè)績效評價指標(biāo)初選

通過中國知網(wǎng)，以“企業(yè)績效評價指標(biāo)體系”作為關(guān)鍵詞，檢索得到2011—2020 年共49 篇與企業(yè)績效評價指標(biāo)體系相關(guān)的CSSCI 文獻。對這些文獻進行梳理發(fā)現(xiàn)，目前企業(yè)績效評價指標(biāo)體系的構(gòu)建主要包含財務(wù)指標(biāo)和非財務(wù)指標(biāo)兩個方面。其中，財務(wù)指標(biāo)體系相對成熟并已廣泛應(yīng)用于物流[8]、銀行[13]、制造[15]、能源[17]等行業(yè)企業(yè)的績效評價。而現(xiàn)有文獻對于非財務(wù)指標(biāo)主要從利益相關(guān)者[17-18]、社會效益[19]、商業(yè)模式[20]等角度進行選取。結(jié)合文獻梳理結(jié)果與物流企業(yè)的特點，本文擬從財務(wù)視角和非財務(wù)視角出發(fā)，構(gòu)建我國上市物流企業(yè)績效評價指標(biāo)體系。財務(wù)指標(biāo)在各類企業(yè)績效評價文獻中均有考慮，可以說財務(wù)指標(biāo)在某種程度上已成為企業(yè)績效評價的通用指標(biāo)。因此，本文從盈利能力、適應(yīng)能力、償債能力、發(fā)展能力4 個方面入手，選取了19 個常用的財務(wù)指標(biāo)作為上市物流企業(yè)績效評價指標(biāo)體系的組成部分。而對于非財務(wù)指標(biāo)的選取，本文分別從企業(yè)的社會貢獻力、創(chuàng)新能力、行業(yè)競爭力3 個方面選取了11 個具體指標(biāo)。其中，企業(yè)的社會貢獻力不僅能夠反映企業(yè)的社會責(zé)任意識，更是企業(yè)經(jīng)營績效的重要體現(xiàn)。而一個企業(yè)的發(fā)展在于當(dāng)下，更在于未來，良好的創(chuàng)新能力將是物流企業(yè)蓬勃發(fā)展的有利武器。此外，企業(yè)的行業(yè)競爭力是其當(dāng)前發(fā)展?fàn)顟B(tài)的重要縮影。綜上所述，本文構(gòu)建的指標(biāo)體系能夠比較全面地反映我國上市物流企業(yè)績效狀況，具體指標(biāo)見表1。

表1 上市物流企業(yè)績效評價指標(biāo)體系Tab.1 Performance evaluation index system of listed logistics enterprises

1.2 上市物流企業(yè)績效評價指標(biāo)篩選

本文按照東方財富行業(yè)分類，選取了40 家于滬深股市上市的物流企業(yè)作為研究對象，由于其中4 家企業(yè)數(shù)據(jù)缺失較為嚴(yán)重，本文予以剔除并最終得到36 個企業(yè)樣本。樣本數(shù)據(jù)主要來自于各企業(yè)2019 年度的財務(wù)報告。為避免數(shù)據(jù)量綱差異帶來的模型學(xué)習(xí)誤差，按以下公式對樣本數(shù)據(jù)進行歸一化處理：

式中：kij為 樣本i在 指標(biāo)j上的原始數(shù)值；Xij為標(biāo)準(zhǔn)化后的數(shù)值。

為保證上市物流企業(yè)績效評價的精準(zhǔn)性，在對指標(biāo)數(shù)據(jù)進行歸一化處理后，還需要利用相關(guān)系數(shù)法對指標(biāo)進行相關(guān)性分析。第i和j個變量之間的相關(guān)系數(shù)rij計算如下：

式 中：Xi表示的是第i個指標(biāo)，Xi=(Xi1,Xi2,···,Xi40) ；Cov指協(xié)方差；D指總體方差。

以相關(guān)系數(shù)0.8 作為指標(biāo)間相關(guān)關(guān)系的閾值對上述30 個指標(biāo)進行篩選。根據(jù)相關(guān)性分析結(jié)果剔除了：凈資產(chǎn)收益率、凈利潤增長率、營業(yè)利潤增長率、流動資產(chǎn)周轉(zhuǎn)率、流動比率、產(chǎn)權(quán)比率、企業(yè)支付稅費增長率、員工工資增長率等相關(guān)性強、代表性弱的指標(biāo)，最終剩下的22 個指標(biāo)構(gòu)成了完整的上市物流企業(yè)績效評價指標(biāo)體系。

2 基于熵權(quán)–VIKOR 法的期望績效值計算

將合理的期望績效值作為神經(jīng)網(wǎng)絡(luò)模型的標(biāo)簽數(shù)據(jù)，這是實現(xiàn)神經(jīng)網(wǎng)絡(luò)績效預(yù)測的關(guān)鍵?，F(xiàn)有文獻主要采用灰色關(guān)聯(lián)分析法[13]、專家評估法[21]計算期望績效值，但是以上方法都存在主觀性過強的問題。為此，本文參考多準(zhǔn)則決策在績效評價領(lǐng)域的應(yīng)用[1,2,9]，構(gòu)建了基于熵權(quán)-VIKOR 的物流企業(yè)績效評價模型，并將評價結(jié)果作為神經(jīng)網(wǎng)絡(luò)模型預(yù)測所需的期望績效值。其中熵權(quán)法是客觀賦權(quán)法，能夠有效衡量指標(biāo)的不確定性；而VIKOR 作為一種多準(zhǔn)則決策方法，能夠在最大化“群體效用”與最小化“個體遺憾”的折中約束下，尋找距離理想樣本最近的最優(yōu)妥協(xié)樣本[22]。該方法能夠在不損失指標(biāo)信息的情況下充分利用原始指標(biāo)數(shù)據(jù)來計算樣本與理想樣本之間的接近程度，并據(jù)此輸出樣本的評價值。目前已有使用VIKOR 對高校[23]以及供應(yīng)鏈[24]進行績效計算的研究，這也在一定程度上證明了VIKOR 方法計算結(jié)果的合理性。

2.1 熵權(quán)法計算指標(biāo)權(quán)重

本文將采用該方法確定經(jīng)過篩選后的指標(biāo)權(quán)重，具體計算如下：

首先，計算指標(biāo)的信息熵Ej。

然后，通過信息熵計算出各項指標(biāo)權(quán)重。

2.2 VIKOR 法計算期望績效值

首先，計算各物流企業(yè)的群體效用值Si和個體遺憾值Ri。

然后根據(jù)各企業(yè)的群體效用值Si和個體遺憾值Ri計算各物流企業(yè)的期望評價值Qi：

最后對所有物流企業(yè)分別按照Si，Ri及Qi進行升序排序。若A*（使Qi最小的物流企業(yè)）同時滿足下列條件，則A*為物流企業(yè)績效評價的最優(yōu)排序結(jié)果，此時可以將Qi值作為物流企業(yè)的期望績效值。

條件1：Q(A(2))－Q(A(1))≥1/(m－1)，A(1)，A(2)分別為基于Qi值 排序中第一和第二的物流企業(yè)，m為樣本數(shù)量。

條件2：A(1)在Si，Ri排序中，至少有一項為最優(yōu)。

2.3 期望績效值計算結(jié)果及數(shù)據(jù)集構(gòu)建

用熵權(quán)-VIKOR 法對上市物流企業(yè)績效評價指標(biāo)體系中2019 年的數(shù)據(jù)進行處理，計算得到該年各企業(yè)的群體效用值Si、個體遺憾值Ri及期望績效值Qi，計算結(jié)果如圖1 所示。根據(jù)計算結(jié)果可得，Q(A(1))=0、Q(A(2))=0.548，則Q(A(2))－Q(A(1))=0.548 ≥1/(37－1)=1/36，此結(jié)果顯然滿足條件1；根據(jù)圖1 可知，A(1)在Si的排序中也是最優(yōu)，故滿足條件2。綜上所述，計算所得Qi值即物流企業(yè)的期望績效值。

圖1 熵權(quán)–VIKOR 計算結(jié)果圖Fig.1 Calculation results of Entropy-VIKOR

綜合上述對指標(biāo)體系數(shù)據(jù)的處理結(jié)果和上市物流企業(yè)的期望績效值的計算結(jié)果，可得AGABP 神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)集（如表2 所示）。

表2 AGA-BP 神經(jīng)網(wǎng)絡(luò)模型數(shù)據(jù)集Tab.2 Data set of AGA-BP neural network model

3 AGA-BP 神經(jīng)網(wǎng)絡(luò)模型

BP 神經(jīng)網(wǎng)絡(luò)是一類多層的前饋神經(jīng)網(wǎng)絡(luò)，具有較強的非線性映射能力和柔性的網(wǎng)絡(luò)結(jié)構(gòu)，但也存在容易陷入局部極小值的缺陷。此外，傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)還存在網(wǎng)絡(luò)結(jié)構(gòu)不穩(wěn)定、初始連接權(quán)值和閾值的選擇對網(wǎng)絡(luò)訓(xùn)練的影響很大，但是又無法準(zhǔn)確獲得的問題。因此，眾多學(xué)者采用遺傳算法(genetic algorithm,GA)對BP 神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，并應(yīng)用于車速預(yù)測[25]、情緒預(yù)測[26]等領(lǐng)域。但是相比于遺傳算法，自適應(yīng)遺傳算法具備更好的收斂精度、速度以及全局尋優(yōu)能力，為此可以采用AGA 對BP 神經(jīng)網(wǎng)絡(luò)進行優(yōu)化。目前，AGABP 神經(jīng)網(wǎng)絡(luò)模型在金融產(chǎn)業(yè)趨勢預(yù)測[27]、數(shù)據(jù)價值評估[28]等領(lǐng)域也得到了成功應(yīng)用，而企業(yè)績效預(yù)測與金融趨勢預(yù)測、數(shù)據(jù)價值評估的基本原理類似，本文借鑒上述研究成果采用AGA-BP 神經(jīng)網(wǎng)絡(luò)對上市物流企業(yè)進行績效評價和預(yù)測。AGABP 神經(jīng)網(wǎng)絡(luò)具體建模過程如下所示。

a.確定網(wǎng)絡(luò)結(jié)構(gòu)。設(shè)輸入層有n個節(jié)點，X=(x1,···,xi,···,xn)為 輸入向量；隱含層有m個節(jié)點，H=(h1,···,hj,···,hm)為隱含層的輸出向量；輸出層有k個節(jié)點，Y=(y1,···,yl,···,yk)為輸出層的輸出向量。wij，vjl為輸入層到隱含層、隱含層到輸出層的連接權(quán)值，δj，θ分別為隱含層和輸出層的閾值，層與層之間通過傳遞函數(shù)g(μ)=1/(1+e－μ)連接，公式如下：

b.初始化種群。把經(jīng)過BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練求得的該網(wǎng)絡(luò)的權(quán)值和閾值作為AGA 初始種群，利用遺傳算法對初始種群進行實數(shù)編碼，并將整個網(wǎng)絡(luò)中的所有相關(guān)權(quán)值、閾值編成染色體。

c.計算個體的適應(yīng)度值。適應(yīng)度函數(shù)為網(wǎng)絡(luò)輸出的誤差平方和的倒數(shù)。公式如下：

式中：M為訓(xùn)練樣本數(shù)；E代表一種誤差函數(shù)；yk為 網(wǎng)絡(luò)的第k個節(jié)點的期望輸出值；為實際輸出值。

d.采用輪盤賭策略進行選擇操作。設(shè)適應(yīng)度值為fi的個體對應(yīng)的選擇概率Pi為

式中，N為種群的大小，由上式可知適應(yīng)度值越大的個體被選中的可能性越大。

e.采用AGA 進行自適應(yīng)交叉和變異，得到最優(yōu)的權(quán)值和閾值，并將其輸出作為網(wǎng)絡(luò)的初始權(quán)值和閾值。此處自適應(yīng)交叉概率Pc和自適應(yīng)變異概率Pm的表達式如下：

式中：I為最大迭代次數(shù)；favg為種群的平均適應(yīng)度值；f′為交叉兩個個體中比較大的適應(yīng)度值；f為要變異個體的適應(yīng)度值；Pc_max，Pc_min，Pm_max，Pm_min分別為最大最小交叉概率和變異概率。

f.經(jīng)過與LM 算法、梯度下降算法的效果對比，最終選擇RProp 算法作為BP 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練函數(shù)，通過訓(xùn)練函數(shù)對權(quán)值進行更新。當(dāng)模型輸出的誤差達到目標(biāo)誤差時，模型訓(xùn)練完畢。該模型即上市物流企業(yè)績效預(yù)測的AGA-BP 神經(jīng)網(wǎng)絡(luò)模型，通過該模型可以進一步對測試集中的物流企業(yè)進行績效預(yù)測。

整個AGA-BP 神經(jīng)網(wǎng)絡(luò)流程如圖2 所示。

圖2 AGA-BP 神經(jīng)網(wǎng)絡(luò)流程圖Fig.2 Flow chart of AGA-BP neural network

4 實驗分析

首先在表2 給出的AGA-BP 神經(jīng)網(wǎng)絡(luò)模型數(shù)據(jù)集中隨機抽取10 個樣本作為測試數(shù)據(jù)集，其余樣本作為訓(xùn)練集。然后使用AGA-BP 神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練集上進行模型訓(xùn)練，最后利用訓(xùn)練好的模型對測試集中樣本的績效值進行預(yù)測。

采用MATLAB2019a 神經(jīng)網(wǎng)絡(luò)工具箱完成神經(jīng)網(wǎng)絡(luò)的運算。本文上市物流企業(yè)績效預(yù)測系統(tǒng)的AGA-BP 神經(jīng)網(wǎng)絡(luò)模型包括一個輸入層、一個隱含層和一個輸出層。該網(wǎng)絡(luò)的輸入層數(shù)據(jù)為各樣本企業(yè)的22 個指標(biāo)對應(yīng)的數(shù)值，輸出層為企業(yè)績效值，隱含層神經(jīng)元個數(shù)為12（經(jīng)過多次調(diào)參得到）。AGA-BP 神經(jīng)網(wǎng)絡(luò)模型中AGA 的代碼參數(shù)設(shè)置如下：種群數(shù)量為100，迭代次數(shù)為200，變異概率的上下限為0.25 和0.05，交叉概率上下限為0.9 和0.5。代碼運行得到的自適應(yīng)遺傳算法迭代曲線如圖3 所示。BP 神經(jīng)網(wǎng)絡(luò)代碼部分的參數(shù)設(shè)置為：網(wǎng)絡(luò)訓(xùn)練目標(biāo)為0.000 01‰，學(xué)習(xí)率為0.1。為便于對比分析，本文應(yīng)用GA-BP 神經(jīng)網(wǎng)絡(luò)模型以及傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)模型在相同數(shù)據(jù)集上進行訓(xùn)練和預(yù)測，表3、表4 給出了AGA-BP、GA-BP 和BP 神經(jīng)網(wǎng)絡(luò)模型的性能表現(xiàn)數(shù)據(jù)，圖4對3 種模型的預(yù)測結(jié)果進行了可視化。

圖3 自適應(yīng)遺傳算法迭代曲線Fig.3 Iteration curve of adaptive genetic algorithm

表3 測試樣本的預(yù)測結(jié)果以及誤差值Tab.3 Forecast results and error values of test samples

a.模型性能對比分析。根據(jù)圖4 可以直觀地看出，AGA-BP 神經(jīng)網(wǎng)絡(luò)模型對測試集中的上市物流企業(yè)期望績效值的擬合效果明顯好于GABP 以及BP 神經(jīng)網(wǎng)絡(luò)。根據(jù)表3 結(jié)果可知，AGABP 神經(jīng)網(wǎng)絡(luò)模型對樣本企業(yè)績效預(yù)測的絕對誤差總體上小于GA-BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果的絕對誤差，而與傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)相比，AGA-BP 在預(yù)測誤差上具有更加明顯的優(yōu)勢。從個別樣本的預(yù)測情況來看，GA-BP 神經(jīng)網(wǎng)絡(luò)在對樣本企業(yè)2，4，5 的績效預(yù)測中均出現(xiàn)了較大的偏差，而AGA-BP 對每個樣本的預(yù)測都比較穩(wěn)定。從模型的性能表現(xiàn)來看，R2值越接近1 則模型的性能越優(yōu)，由表4 可知AGA-BP 神經(jīng)網(wǎng)絡(luò)模型的R2值高達0.985 2，相對于GA-BP 提升了0.029 3，相對于BP 提升了0.094 6，由此可見AGA 大大提升了BP神經(jīng)網(wǎng)絡(luò)的性能。此外，AGA-BP 神經(jīng)網(wǎng)絡(luò)在MSE、RMSE、MAPE、MAE 等誤差統(tǒng)計指數(shù)上不僅優(yōu)于GA-BP 神經(jīng)網(wǎng)絡(luò)以及BP 神經(jīng)網(wǎng)絡(luò)，而且都達到了預(yù)期誤差效果。綜上所述，AGA-BP 神經(jīng)網(wǎng)絡(luò)模型相對于GA-BP 神經(jīng)網(wǎng)絡(luò)及BP 神經(jīng)網(wǎng)絡(luò)模型更加精準(zhǔn)有效。

表4 模型性能對比分析Tab.4 Error analysis of prediction results of test samples

圖4 測試樣本預(yù)測績效值與期望績效值Fig.4 Predicted performance value and expected performance value of test samples

b.樣本物流企業(yè)績效預(yù)測實證分析。根據(jù)AGA-BP 神經(jīng)網(wǎng)絡(luò)模型對上市物流企業(yè)的績效預(yù)測結(jié)果可知，樣本1、樣本7 和樣本8 的績效屬于第一梯隊，其余樣本的績效屬于第二梯隊，且第一梯隊和第二梯隊的績效差距較大，該績效預(yù)測結(jié)果表明我國物流企業(yè)的績效可能處于兩級分化現(xiàn)狀當(dāng)中。對于這一結(jié)論，從數(shù)據(jù)角度來看，中國物流與采購聯(lián)合會官網(wǎng)最新公布的《全國第三十一批A 級物流企業(yè)名單》[29]給予了一定的數(shù)據(jù)支撐。該名單中共有452 家A 類企業(yè)，其中，5A級企業(yè)僅有15 家，超過64%的企業(yè)被評估為3A 及以下級別。此外，本文預(yù)測得到的3 個第一梯隊物流企業(yè)也是被中國物流與采購聯(lián)合會評估為5A 級別的企業(yè)。從物流行業(yè)的大背景來看，過去兩年我國物流行業(yè)在享受電商時代紅利的同時也接受著貿(mào)易戰(zhàn)、疫情防控等帶來的挑戰(zhàn)。在挑戰(zhàn)面前，績效優(yōu)異的物流企業(yè)能夠持續(xù)保持競爭力，而績效一般的物流企業(yè)則需要尋找提升企業(yè)競爭力的新著力點。綜上所述，本文得到的預(yù)測結(jié)果與企業(yè)實際情況相符。

5 結(jié) 論

對上市物流企業(yè)的績效進行了評價和預(yù)測研究，通過對現(xiàn)有企業(yè)績效評價文獻的梳理和分析，構(gòu)建了較為全面的上市物流企業(yè)績效評價指標(biāo)體系，并構(gòu)建了合適的模型對物流企業(yè)進行績效評價和預(yù)測，該評價和預(yù)測結(jié)果將有助于政府相關(guān)部門實時準(zhǔn)確掌握物流業(yè)發(fā)展?fàn)顩r，推動物流企業(yè)完善自身績效管理和內(nèi)部治理，同時也能為其他社會主體在選擇配套物流服務(wù)供應(yīng)商時提供參考。具體研究結(jié)論概括如下：

a.構(gòu)建了熵權(quán)-VIKOR 績效評價模型，該模型通過熵權(quán)法得到指標(biāo)的客觀權(quán)重，然后將客觀權(quán)重與VIKOR 法相結(jié)合計算出了更加客觀合理的期望績效值，從而為AGA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型提供科學(xué)的訓(xùn)練和測試數(shù)據(jù)。

b.本文在利用自適應(yīng)遺傳算法對BP 神經(jīng)網(wǎng)絡(luò)優(yōu)化的基礎(chǔ)上構(gòu)建了上市物流企業(yè)績效預(yù)測模型，并從模型性能對比分析以及預(yù)測結(jié)果實證分析兩個方面對模型的有效性進行了檢驗。首先，在模型性能方面，AGA-BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差總體小于GA-BP 神經(jīng)網(wǎng)絡(luò)，并顯著小于BP 神經(jīng)網(wǎng)絡(luò)；其次，在實證效果方面，本文預(yù)測結(jié)果符合我國當(dāng)前物流行業(yè)發(fā)展現(xiàn)狀，并且和中國物流與采購聯(lián)合會對物流企業(yè)的評估結(jié)果基本一致。