在总结物流园区特征指标的基础上，结合园区企业迁移的心理需求指标，利用证据理论进行协同处理。将不同企业对园区的心理需求作为识别框架，使园区的特征指标能够反映企业的心理需求变化，以推动企业入驻物流园区，保持物流园区的稳定与繁荣。

关键词：物流园区；证据理论；物流企业；迁移；评价模型

1引言

物流园区企业迁移对其稳定性具有重大影响。描述物流园区迁移的特征指标是一组多源信息，受物流园区区位、园区信息平台、交通状态等多种因素影响，具有不确定性。企业对园区的迁移评价与园区特征指标是否满足企业心理需求及其程度有关，也具有不确定性，因此，园区企业迁移评价符合证据理论。利用证据理论，以物流企业对物流园区评价结果为证据，通过证据加权调整各证据的权重，可获得不同物流企业对物流园区评价的一致结果，为物流园区企业的迁移决策提供依据^[1]。 

2物流企业迁移评价的数学描述

2.1证据理论概述^[2]

1）证据理论的基本定义

D-S证据理论是由丹普斯特（Dempster）提出，并由他的学生莎弗（Shafer）改进的一种不确定推理模型。该理论引入信任函数来量度不确定性，引用似然函数来处理由不知道而引起的不确定性。D-S证据理论主要就是建立一个如下的信任结构：

设是一个元素的有限集合，m为的子集的一个度量，它满足：①对于任意；②③。其中m称之为基本概率分配函数，它是从普通子集到单位区间上的一个映射集合，m：。的任意一个子集A，如果满足，则称这一子集A为焦点元素。Shafer将焦点元素限制为普通子集。称m和它的值就是一个信任结构。这样，就可用信任结构来表示某个元素或子集的一个证据。

信任函数Bel和似然函数Pl在证据理论中起着重要作用。定义与基本概率分配函数m有关的信任函数Bel为：

Bel ：

对于任意，有：

定义与基本概率分配函数有关的似然函数为：

对于任意，有：

其中，A，B为的子集，是度量分布在B元素中的概率总值，Pl(B)是度量分布在B的元素中的最大概率值。

2）证据合成

设和是同一识别框架上的两个信任函数，和分别是其对应的基本可信度分配，焦元（集A中的元素）分别为和设

则，由式（1）定义的函数m：是基本信度分配

                       （1）

用式（1）求、直和的方法称为Dempster合成法则。

事实上，多个证据的合成可由两个证据的合成经递推后得到，因此，在实际求解时，为降低计算的复杂度，常常通过递推来进行多个证据的合成。

2.2物流园区基本可信度分配函数的构造

描述物流企业特征的指标与物流企业对这些指标的心理预期直接决定物流企业对物流园区的综合评价，进而影响园区的入驻。设有一组描述物流企业迁移心理需求指标，所有可能满足企业心理需求的园区指标集为。物流企业根据已有的知识、经验和评价标准，认定满足其迁移心理需求的一组园区指标为，其中：。由于企业迁移心理需求与园区指标之间复杂的映射关系，要求一个企业直接给出能够满足自身心理需求的园区指标有一定困难。但企业可根据自己的知识和经验做出如下判断，“某些园区指标组合在一起在多大程度上可以满足迁移的心理需求”。为此，可以将不同企业所得出的每组园区指标结果进行合并，并将这些指标集作为证据理论最终确定园区评价指标的识别框架

设第个企业指出的满足企业心理需求的园区指标的集合分别为，所对应的满足度分别为令：

                                           （2）

可以认为第个企业所对应的证据在识别框架上产生的基本可信度分配为：

                                      （3）

若有个企业则可构造个基本可信度分配函数。

2.3物流园区企业迁移的证据融合

将构造的个基本可信度分配函数看成是个独立的证据，按合成法则可求出这个证据的正交和，得到综合的可信度分配。

由于不同企业决策者的资历和经验不同，在由他们组成的迁移群体中具有不同的权威性，在进行证据合成时，通过权重来体现不同的重要性水平，以提高判断的准确性。下面采用加权调整法，即根据各证据和加权平均后的证据之间的差，调整原始证据的权重，然后再进行证据合成。这种方法模仿专家系统的协商过程，通过协商，专家可以参考别人的观点，修正处自己的看法，从而使群体的意见趋于一致，减少冲突，体现了决策中的权威性问题^[4]

对于园区指标构成的识别框架，个企业给出如下条证据：

                          （4）

  个企业由于具有不同的权威性，给这条证据赋予不同的权重系数，其中：

，满足归一化条件。记所有证据的加权平均值为，则：

       （5）

证据的加权平均值在很大程度上客观地反映了识别框架的可信度分配情况，可以此为依据调整各个原始证据，使得它们都向平均值趋近。

设第条证据与平均值在园区指标组上的偏差记为：

                                                      （6）

则与在整个识别框架上的偏差可表示为：

                                                  （7）

令：                                                     （8）

反映了第条证据与平均证据之间的总体偏差程度，利用对证据进行调整，调整后的证据为：

                                （9）

显然，的权重越大，与平均值就越接近，就越小，从而具有较小的调整量；反之，的权重越小，对的调整量就越大，最终使得所有的证据趋于一致，从而减少证据间的冲突程度。

将调整后的证据按证据合成法则进行融合，可求出这个证据的正交和：

.最后物流园区指标的置信度分布可用一个二元组表示：

描述，表示个企业对于个园区指标组合的总信度为，为识别框架中元素的个数。

2.4园区物流企业迁移指标的确定

计算出个企业对园区各个指标组合的置信度后，就可计算园区指标的各个单点似真度，经归一化处理后，可得到综合所有迁移企业意见的每一个园区指标存在的可能性。确定一定的阈值，最终可得到满足园区企业迁移心理需求的一级园区指标组合：

，其中：

3物流园区企业迁移的实证分析

针对武汉丹水池物流园区，园区企业可能满足企业向物流园区迁移的园区指标，如表1所示，供企业进行入驻或迁移决策。设有3个不同的企业，他们所给定的园区指标的组合以及相应的符合度，不同企业在识别框架上产生的基本可信度如表2所示。