公眾參與視角下基于大規模群決策的物流中心選址研究*

□ 王莫凡，張睿璇，代玉潔，胡慧宇，李 慧

(安徽大學 商學院，安徽 合肥 230601)

1 引言

大規模群體決策是指多個決策成員參與決策過程。決策成員根據已知的決策信息表達自己對方案的偏好，然后根據特定規則將個人的判斷聚合成群體意見來選擇最佳方案[1]。目前對大規模群體決策的研究主要集中在專家層面。隨著電子科技以及社交媒體的快速發展，公眾在社交媒體上發布的可靠信息可以為決策提供重要的支持。

物流配送中心位于物流節點上，連接著供貨點和需求點，合理的選址方式可以大大降低企業的配送費用，提高整個物流體系的運營效率。目前的物流中心選址研究與方法主要有蟻群算法[2]、模擬退火算法[3]以及雙層規劃模型[4]等，參與物流中心選址的決策者為相關物流專家。但當前物流配送中心的選擇所涉及的方面愈加復雜化、多樣化，僅靠模型算法和專家決策無法滿足日益增長的物流中心選址需求。

有多種方法可對專家的決策結果進行分析，但為了降低信息處理的難度，通常采用聚類分析方法將決策專家劃分為若干個子群體。例如，黃健元等[5]的模糊ISODATA聚類分析方法的改進；艾春安等[6]的基于區間數判斷矩陣與模糊聚類分析的主觀群決策AHP方法等。

對于專家的分析決策信息分析，目前已經有了很深入的研究。本文主要關注對公眾決策的處理方法。先前群體決策問題的研究大多只包括一個決策機構(即決策專家)，沒有考慮其他決策機構(即公眾)的參與。然而，由于這些決策情境缺少公眾的參與，可能會產生信息不對稱問題，因為專家無法從公眾那里獲得與決策相關的有價值的信息。特別是在社交媒體時代，公眾愿意去參與并分享他們對相關決策問題的偏好和感受。對于公眾社交媒體大數據的利用可以為公共事件管理提供重要參考，比如在環境保護、應急決策等方面。

公眾決策在現代生活中越來越普遍，且一些決策與居民的日常生活息息相關。當代對群體決策理論發展影響最大的當屬D.Black，其在1958年提出了委員會決策問題。另外，自1781年法國數學家Borda提出群體方案選擇模型以來，群體決策逐漸成為決策領域關注的焦點。

因此，公眾作為另一個決策主體如何參與大規模群體決策問題已成為一個廣泛研究的課題。然而，公眾作為決策主體參與時，面臨著公眾決策信息的獲取、公眾信息的可信度、民意與專家意見融合等問題?；诖?，本文提出了一種基于情感分析和直覺模糊數表達式，考慮公眾動態可靠性的公眾大規模專家信息融合方法。利用情感分析得到公眾意見矩陣，根據聚類的方法對專家的意見進行分析整合并構建子群意見矩陣，提出了一種考慮專家及公眾共識水平的優化模型來確定不同決策機構的權重，將公眾意見和專家意見進行匯總來獲得集體決策信息。本文通過實例分析說明了該方法的應用，可為物流中心選址提供參考，具有理論與實踐的雙重意義。

2 研究基礎

2.1 問題描述

隨著互聯網技術的快速發展、移動客戶端的普及以及顧客需求對倉庫選址的重要程度日益增加，普通大眾作為倉庫選址事件的參與者，通?？梢詮牟煌嵌缺磉_出更多具有現實意義且具備一定價值的倉庫選址評估信息。因此，公眾是倉庫選址決策的重要組成部分。本研究中公眾參與的大規模群決策問題的主要要素如下:

①一組可行方案x = {x1,x2,…,xp}，其中p≥2；

②多位專家E= {e1,e2,…,em}，邀請多位專家以表達他們對不同選址方案的觀點及偏好；

③一組準則C= {c1,c2,…,ck}，通過分析公眾在企業物流官網及社交媒體上發表的評論來獲得；

④能表示專家和公眾意見的決策矩陣，代表不同主體在不同標準C下對不同備選方案x的偏好程度。

2.2 公眾決策信息的產生

社會公眾習慣在互聯網上發表自己的觀點，但是由于公眾專業水平的限制，他們很難將自己的意見或看法進行量化描述，往往使用簡單的語言表述?；诖?，為了使公眾切實地參與到決策中，需要對公眾的語言文字表述進行量化處理。本文使用了哈爾濱工業大學信息檢索研究中心研發的NLPIR漢語分詞系統[7]，以可靠的方式對公眾評論進行分析，并從這些數據中提取有用的信息，最后用于決策，具體包含以下內容：

①刪除語言表述中的停止詞，獲得最終的分詞結果。

②以大連理工大學發布的情感詞典數據庫[8]為基礎，建立與決策問題相關的情感詞典。

③分析句子的情感極性[9]，不同句子包含不同類型的情感，將積極、正面的情感詞歸為一類，消極、負面的情感詞歸為一類，表述態度模棱兩可或者看法不明確的歸為一類。

(1)

(2)

(3)

其中，uli+vli+πli=1。

2.3 專家子組共識度測量

在大規模群決策問題中，由于各專家的擅長領域、專業背景不同，往往很難達成完全一致的意見,換言之就是很難得到大多數專家都滿意的決策結果。為了提高群決策的正確性和實際應用性，體現群決策共識性的特點，需要對專家群體進行分組并對得到的子組實行一致性迭代來提高群體的共識水平。

①子組Ck的分組共識水平可以通過以下公式計算：

其中，(Rk,Rg)表示子群Ck到Cg之間的距離；

②GCL=min{CL(Ck)|k=1,2,3…,k}，GCL為群體共識水平，GCL越大，表示所有子組之間的共識水平越高；

③ρ(0<ρ<1)是預定義的最小可接受群體共識閾值。如果GCL≥ρ，認為群體共識水平已達到一致性;如果GCL<ρ，則代表群體共識水平未達到一致性，需要調整子群體意見以達到更高層次的群體共識。

2.4 信息融合

確定準則和決策機構的權重，將公眾和專家的決策信息進行有效整合，以獲得全面的決策信息。

①確定標準權重。

在決策信息融合過程中，準則權重是最重要的影響因素之一。由于公眾和專家對倉庫選址問題有不同的認識及看法，他們對不同標準做出的評價的重要性也不一致。因此，在信息單元生成之前，需要確定不同融合對象下的準則權重。

②確定各決策主體權重。

由于專業知識的匱乏，公眾雖然在群決策中的地位日漸重要，但是鑒于公眾信息的不完全可靠性，本研究認為作為獨立的決策機構，公眾的占比應當是最小的。同時，專家分組之間的分歧度和差異性大小都會影響專家分組作為決策主體在決策過程中的權重。由于這些客觀條件的存在，不同決策主體的權重大小是需要考慮的。

3 模型框架

本文主要提出了一個綜合參考公眾和專家意見的大規模群決策的新模型。該模型不僅解決了如何通過情感分析提取公眾意見矩陣的問題[10]，同時還綜合考慮了專家分組內部意見的一致性。此外，為了實現公眾意見和專家意見的融合，首先簡單確定了不同決策機構下的標準權重，然后建立函數表達式并結合相關限制條件得出各決策機構的權重，最終獲得決策綜合信息。決策過程如圖1所示。

圖1 公眾專家決策模型

第一步：收集與決策問題相關的公眾社交媒體數據并構建評價標準和公眾意見矩陣。

根據實際問題的目標性，選用數據抓取的方法，從微博、論壇或者當地政府、企業官網等處收集相關公眾評論。對公共社交媒體數據進行初步處理，根據評論內容的集中性和決策問題的不同角度，結合備選方案的性質，將提取出來的關鍵詞進行大致分類，最終形成評價指標。根據前文所敘述的定義及內容，利用情感分析來構建滿足所有標準的備選方案的公眾意見。

第二步：對專家意見進行聚類，并構建子組意見。

使用和公眾決策矩陣相同的情感分析方法形成專家意見矩陣，再利用Matlab軟件的系統聚類方法將專家組分為K個子組。專家意見在同一子組中進行匯總，利用算術平均計算法生成子組決策矩陣。

第三步：衡量專家分組的共識水平[11]。

子組Ck(k=1,2,…,K)的共識水平CL(Ck)根據公式(1)和(2)并進行算術平均計算得到，群體共識水平GCL由公式(3)計算得到。如果GCL≥ρ，該過程跳到步驟五；否則，進入下一步。

(4)

(5)

GCL=min{CL(Ck)|k=1,2,…,K}

(6)

第四步：更新子組意見。

如果GCL<ρ，則需要觀察各子組的共識水平偏離程度，選擇共識水平最低的子組在一定范圍內進行調整，以達到更高的群體共識水平。經過幾次共識迭代，使子組共識水平達到預定的最低可接受子組共識閾值。

第五步：為不同的決策機構確定關于每個備選方案的綜合信息。

首先確定不同決策機構下每個決策標準的權重大小，然后結合公眾意見矩陣、更新后的專家子組意見矩陣及標準權重，構建不同決策機構下每個備選方案的綜合信息矩陣。

第六步：計算不同決策機構的權重并生成集體決策信息。

構建相關變量之間的關系式，結合相關限制條件解得?；诓煌瑳Q策機構的權重，結合專家子組和公眾的綜合信息進行匯總，構建集體決策信息，利用IFN得分函數得到最佳的備選方案。

4 案例分析

合肥地處中國華東地區、安徽中部、江淮之間、環抱巢湖，是長三角城市群副中心。近年來，由于地區經濟飛速發展，合肥市2020年GDP首破萬億元，基礎設施建設發展迅猛，不少新興企業紛紛落腳合肥，使其獲得“大湖名城、創新高地”的美譽。目前，合肥行政區劃為4個市轄區、4個縣和1個縣級市，其中對GDP貢獻最大的是4個直轄區：蜀山區、瑤海區、包河區和廬陽區。

企業A是合肥市內重要的企業，近幾年發展較為迅速，由于業務范圍的擴大和業務量的增加，企業A規劃新建一個倉庫。倉庫選址對企業而言十分重要，倉庫選址對商品流轉速度和流通產生直接影響，并關系到企業對顧客的服務水平和服務質量，一旦選擇不當，將給企業帶來不良后果，而且難以改變。

因此，企業A高度重視倉庫選址，并邀請了10位專家(記為e1，e2，e3,…，e10)來確定倉庫選址的最佳方案，其中包括兩位倉儲部門專家(記為e9和e10)、四位運輸部門專家(記為e5，e6，e7和e8)和四位企業內部銷售專家(記為e1，e2，e3和e4)。經認真協商，確定了四項選址中心方案，可以表示為X={X1,X2,X3,X4}，具體如下所示：

X1：將企業A的新建倉儲中心選定在瑤海區

X2：將企業A的新建倉儲中心選定在蜀山區

X3：將企業A的新建倉儲中心選定在包河區

X4：將企業A的新建倉儲中心選定在廬陽區

為了找到最佳方案，需要經過公眾數據收集及處理、專家分組及共識調節、權重確定及決策三大步驟。

4.1 公眾數據收集及處理

4.1.1 收集相關公共社交媒體數據并形成公眾意見矩陣

首先，將從新浪微博平臺和企業/政府物流服務官網等處收集到的1030條原創評論作為原始數據。根據相關學者處理語言信息的方法對收集到的原始數據進行初步處理，處理措施主要包括斷句、去除停頓詞和非相關語句等。然后，根據公眾對企業A倉庫選址的不同關注角度，結合四種備選方案本身的性質進行分析，將提取出來的關鍵詞大致歸納為四類:選址成本、居民環境因素、利民程度及市場因素。評價標準及相關關鍵詞見表1。

表1 四種標準及其關鍵詞

4.1.2 情感分析形成公眾意見矩陣

對每條評論進行情感分析，判斷1030條評論對四種不同方案在四個不同標準下的積極/消極態度，并求其正面/負面態度的百分比，以此作為公眾意見矩陣的原始數據。最終得到的公眾意見矩陣如表2所示。

表2 公眾意見矩陣

4.2 專家分組及共識調節

4.2.1 對專家意見矩陣聚類并構建子組意見矩陣

根據10位專家在選址成本、居民環境因素、利民程度、市場因素四個標準下對四個備選方案評價的積極或消極的百分比(C1,C2,C3,C4)，形成專家意見矩陣。原始的專家意見矩陣如表3所示。

表3 原始專家意見矩陣

之后利用MATLAB 2018b版軟件，對原始專家數據進行系統聚類，將10位專家分為3個子組(E1,E2,E3)。系統聚類法(自下而上)的基礎是先將聚類的專家意見各自看成一類，然后確定類與類間的相似統計量，并選擇最接近的兩類或若干個類合并成一個新類，計算新類與其他各類間的相似性統計量，再選擇最接近的兩類或若干類合并成一個新類，直到所有的專家意見原始數據都合并成一類為止，分組結果如表4所示。

表4 系統聚類結果

4.2.2 計算子組共識度及更新子組意見

在物流中心選址問題上，由于專業領域和專業背景不同，專家們的意見很難達到完全一致。換句話說，即使是10位專家，要獲得大多數專家滿意的決策結果并不容易。在這種情況下，群體共識水平將無法達到本方案預設的最低可接受共識閾值0.7。此時，需要通過子組的一致性迭代來提高群體共識水平。群體共識水平的測量主要基于子組之間的相似性。

首先計算四個標準下兩兩子組之間的平均差異，再計算四個標準匯總之后的平均差異。子組之間的差異性可以利用距離來表示，具體如下：

令A=x,μA(x),vA(x),B=x,μB(x),vB(x)，根據公式(4)可以得到兩兩子組對各備選方案在四個不同標準下的共識度，將其進行簡單算術平均后再根據公式(5)計算各組的綜合共識水平，結果如下：CL(E1)為0.6822，CL(E2)為0.6824，CL(E3)為0.6762，因此選取最小的小組共識水平結果，即GCL=0.6762為最終的群共識水平結果。

由于第一次所得到的群共識水平為0.6762，小于所設定的共識閾值0.7，因此需要對原始公眾矩陣進行迭代更新。三個子組中，E3的共識水平最低，其中E1和E3在C4標準下的差異較大，E2與E3在C1標準下的差異較大，所以對E3的分組意見進行適當修改。為保證專家意見的主體性，分組意見的修改幅度不得超過±5%，二次調節后的子組共識水平如下： CL(E1)為0.70054，CL(E2)為0.7037，CL(E3)為0.7019,因此選取最小的小組共識水平結果，即GCL=0.7005為最終的群共識水平結果。此時，群共識水平大于所設定的閾值0.7，無需再更新子組水平，群體共識已經基本實現。最終更新后的分組意見如表5所示。

表5 更新后的子組結果

4.3 權重確定及決策形成

4.3.1 標準權重確定及綜合信息矩陣構建

公眾中不同指標的標準權重由所收集到的1030條語言評論中四種標準關鍵詞出現率占比決定。通過分析1030條評論，得到四種指標的權重為

W1=0.28，W2=0.25，W3=0.21，W4=0.26

假設每個專家在本決策問題意見的發表上都是絕對理性的，則專家對于四個指標的權重應當是均等的，對待四個指標都是公正的，則四個指標的權重為

w1=0.25，w2=0.25，w3=0.25，w4=0.25

根據更新后的專家意見矩陣(E1,E2,E3)、公眾意見矩陣E*以及四種指標的標準權重，得到最終的綜合信息如表6所示。

表6 備選方案綜合信息矩陣

4.3.2 各決策機構權重的確定

設公眾的權重占比為λ*，專家子組的占比分別為λ1、λ2、λ3，四個決策機構權重之和為1，則專家子組占比也可以表示為1-λ*。子組共識水平越大其可參考性也就越強，由此將子組共識水平與所設定的閾值0.7之間差值的大小作為評判子組權重的依據，則子組的權重大小可以大致判斷為E2>E3>E1。

由于專業知識不足，公眾在所有權重中的占比應當是最小的，并且即便是共識度最小的專家子組其在決策中的影響程度也應遠遠大于公眾(這里假設專家的決策影響度至少為公眾的2倍)，根據這些限制條件，可以解得：

λ*=0.042，λ1=0.085，λ2=0.582，λ3=0.291

4.3.3 產生最終決策

通過以上步驟可以獲得最終的集體決策信息：

X1=<0.3539,0.4617>，X2=<0.4266,0.4068>，

X3=<0.6243,0.2572>，X4=<0.4940,0.2662>

根據IFN的得分函數，得到以下結果：

S(X1)=-0.1078，S(X2)=0.0198，

S(X3)=0.3671，S(X4)=0.2278

因此，備選方案可以排序為：X3>X4>X2>X1。

最好的選擇是X3，即將企業A的新建倉儲中心選定在包河區(X3)。

5 總結及展望

針對企業A在合肥市的物流中心選址問題，本文提出了一種融合專家和公眾意見參與的大規模群決策新方法。本方法同樣可運用于環境治理方案、綠色供應鏈管理、藥品政府定價等需要聽取專家意見和適度考慮公眾意見的大規模群決策。

本文的主要貢獻如下：①提出了考慮公眾意見的公眾參與方法來提高決策的滿意度。對經過處理的原始數據進行關鍵詞提取，利用情感分析形成公眾意見矩陣，將其與專家決策融合。研究發現，該方法增加了公眾對于合肥市物流中心選址決策造成的滿意度，一定程度上避免了僅專家決策造成的疏漏和失誤。②定義群體共識閾值，并基于子組間的相似性測量子組共識水平，根據閾值微調專家子組意見，更新子組水平以達到閾值。經過迭代更新，群體共識基本實現。③利用專家和公眾群體共識度水平來度量兩個不同決策群體的標準權重?？紤]到決策群體權重之和為1，且公眾專業知識的不足，公眾在決策中的影響程度應該遠遠小于專家等限制條件，同時以各群體共識度水平的差異為主要決定因素，得出各決策群體的標準權重。

但本文也存在不足和局限：①進行專家子組意見更新時，適當調整了子組意見矩陣以達到更高的共識度，但即使是有調整幅度的限制，依然會有信息失真的可能。②進行各決策機構的標準權重確定時，出于實際情況和經驗考慮，假設專家的決策影響度至少為公眾的2倍，存在一定的不確定性。③本文主要考慮的是專家和公眾共識水平的影響，但不排除有二者決策沖突的可能，并認為包含對專家與公眾的容忍度、妥協水平以及不妥協等沖突情況的研究可以作為未來物流中心選址決策的方向。