我国正处于经济、社会持续快速发展时期，城市化进程不断加快，城市中工业生产配送、商业连锁配送、农产品配送、电子商务配送等各种配送业务不断涌现，各种配送资源涌入城市配送服务市场。但是，城市配送资源主体、配送模式以及管理政策等尚未完全适应城市配送发展的需求，城市配送资源投入与配送系统效率之间存在不相匹配的现象。同时，城市发展的不同时期和不同城市之间由于经济基础、产业结构、产业环境等的差异，使得配送资源整合的状态和水平具有不同的特征。因此，以城市为研究对象，探索配送资源整合水平的评价方法，对全面认识配送系统状态、推动配送资源整合具有重要的意义。 一、文献研究综述 配送资源整合问题属于物流资源整合的宏观范畴。城市配送资源包括城市范围内与配送活动相关的所有设施、设备、人员、资金等实体资源以及信息、技术、组织等非实体资源的总合。资源之间相互整合所形成的系统具有复杂程度高、动态性强的特点。 国外在配送资源整合方面的研究成果比较少，且研究方向比较分散，研究领域相对集中于车辆路径优化、物流共同化运作和企业绩效评价等方面。以相关英文关键词检索EBSCO和Springer Link两大外文数据库，能够检索到的文献极为有限，相关度较高的文献中还有一部分是我国学者发表的英文文献，比较有代表性的有许(Xu Xiaofeng)等[1]从物流网络和第四方物流角度对物流资源配置优化的研究和艾尔哈提卜·萨利赫·法赫德(Alkhatib Saleh Fahed)等[2]基于物流资源视角提出的物流服务商评价模型等。国内学者针对物流资源整合的研究成果相对丰富，如李南[3]以京津冀城市群为代表分析交通资源整合一体化问题，黄良芳等[4]、杨晓兰等[5]分别以柳州、襄阳为对象研究城市物流资源整合的途径和策略问题，但鲜有城市配送资源整合水平评价方面的成果。 城市配送资源整合水平的影响因素多、复杂性强。用于复杂系统评价的传统方法主要有德尔菲法、层次分析法以及模糊综合评价法，这些方法比较成熟，可以解决诸多拥有不同性质指标的系统评价问题，同时也存在一些不足：或者带有一定的主观片面性，或者对原始数据过分依赖[6]。近年来，人工神经网络方法被广泛运用到复杂系统评价中，并展现出良好的性能，该方法在处理复杂系统评价问题上具有并行处理、算法效率高和精确度高、鲁棒性强等优点。 广义回归神经网络(Generalized Regression Neural Network，GRNN)属于神经网络的一种，是唐纳德·F·施佩希特(Donald F.Specht)在神经网络知识及数理统计理论基础上提出的一种新型神经网络，被广泛应用于结构分析、系统评价以及活动预测等领域[7-9]。相关文献的研究表明，GRNN既有一般人工神经网络的非线性、不依赖主客观环境因素等特点，又能够有效规避一般人工神经网络收敛速度缓慢、容易陷入局部最优、分类能力较弱、学习速率低等不足[10]。具体而言，除具备上述与一般人工神经网络方法的共同优点外，GRNN与反向传输(Back Propagation，BP)神经网络、径向基(Radial Basis Function，RBF)神经网络等其他人工神经网络方法相比，具有如下4个优点： 一是只需网络单程训练，不需任何迭代，这不仅能降低算法设计难度，还可提高算法运行效率；二是隐含样本的神经元个数由训练样本指标自适应确定，而且该值已被证明是最优的神经元个数取值，省去了烦琐的神经元个数测试；三是网络各层之间的连接权重由训练样本唯一确定，避免了其他神经网络在迭代过程中的权值修正，提高了算法的执行效率；四是隐含层节点的激活函数采用对输入信息具有局部激活作用的高斯函数，对接近局部神经元特征的输入信息具有很强的吸引性，提高了神经网络算法的学习效率。 受限于我国物流统计数据不足的现状，考虑到能够获得完整数据的有效样本数量较少，同时尽可能减少主观评价的影响，本文以广义回归神经网络方法为基础对城市配送资源整合水平开展评价研究。 二、评价指标体系 按照协同学理论，城市配送资源整合水平可以定义为：在城市配送资源整合过程中，通过系统内部各子系统和要素间的彼此协同，有效适应外部环境和需求变化，改善配送资源效率，从而实现系统目标的程度。城市配送资源整合的目标可以进一步明确为：动态适应配送需求、提升配送资源效率、促进配送系统与其他系统协同。对配送资源整合水平的评价应能够反映系统目标的实现程度。因此，围绕三大系统目标，本着全面、客观和可操作的原则建立如表1所示的评价指标体系。 在该指标体系中，评价指标分为定量指标和定性指标。在评价过程中，定量指标由统计资料获得(需要指出的是，由于我国物流领域统计数据的局限性，部分定量指标只能采用近似统计数据替代)；定性指标必须转化为量化指标，处理办法采用最多的是专家打分法，由相关领域的专家学者对相应指标进行打分。同时，为避免指标异质性的影响，在评价前必须对不同指标进行标准的归一化处理。 三、评价模型的设计 (一)评价模型的设计思路 运用广义回归神经网络方法进行系统状态评价通常属于多输入单输出的问题。在评价结果未知的情况下，确定输出向量比较常见的办法是给定输出值的上限和下限，并根据训练样本数量进行线性插值[11-12]，或将根据历史经验给出训练样本的期望评价结果作为输出值[13]。本文将GRNN方法与复合系统协调度(Composite System Coordinating Degree，CSCD)模型相结合，按照CSCD模型的思路确定系统协同度作为输出训练样本的输出值，从而改善模型的训练效果。
