第9期 徐红霞等：保税港区服务流程的性能评价 ·1237· 型中，假设1为保税港区服务性能评价过程的初始 o(tk-(k-i)h)=(1-e)(xo(tk-(k-1)h)- 时刻，h为采样周期时间，则其预测时刻tk可以表 ae-a(位=1,2，…，k. b (11) 示为tk=t1+(k-1)h,其中(k-1)表示自初始时 上述实时灰色预测的执行算法可归纳如下 刻至预测时刻所经过的周期时间的个数.同理，初 算法1性能指标的灰色预测. 始时刻t1可用预测时刻tk表示为t1=tk-(k-1)h. 输入：1保税港区服务性能评价过程的初始时 (2)设保税港区服务流程性能评价的历史数据 刻(t1):采样周期时间()：自初始时刻至预测时刻 原始序列为 Xo={xo)(tk-(k-1)h),xo)(t-(k-2)h), 所经过的周期时间的个数(k-1):保税港区服务流 程性能评价的历史数据原始序列Xo) …,xo)(tk)}(k=1,2,·,n). (1) 输出：预测时刻；保税港区服务流程预测时 (3)X)为累加生成序列，则 刻的性能值o(t). X四)={x(1四(t(-k-1)h),x(tk-(k-2)h),…: 步骤1首先设置初始时刻(t)、预测时刻 x(tk)}(k=2,3,…,n, (tk)、采样时间周期h及采样周期个数k-1. x(tr-jh)=)(tg-ih)(j =n-1, 步骤2根据采样k-1次的数据构成灰原始序 =k-1 列X(o). n-2,…,1,0) (2) 步骤3根据式(2)累加生成序列X), (④对累积序列的X)建立白化方程模型： 步骤4根据式(3)建立白化方程模型，式(4) dr(1)(tk -jh)+ax(1)(tk -jh)=b. (3) 和式（⑤）得到灰微分动态模型. d(tk) 步骤5根据式(6)~（⑧）构造矩阵B和向量 其中：b为灰色作用量，反映数据变化的不确切关 Yn并计算待定系数a与b. 系：a为发展系数，控制灰色系统发展态势的大小 步骤6根据式(9)~(11)推导并计算o)(tk- 从而得到灰微分的动态模型： (k-)h). 2四t-为=-G+1h)+z- 步骤7如采样总次数为n,则停止：否则再采 jh)(0=n-2,n-3,·,1,0), ) 样1次，构成新的Xo)序列，返回步骤3. (0)+az(1)(tk -jh)=b. (5) 通过上述灰色预测方法，可以实现对保税港区 式中，z1)(tk-h)为x)的紧邻均生成 服务流程的实时、滚动预测及动态修正.该方法对 (⑤)构造矩阵B和向量Yn,Xo)和X)满足 于保税港区业务集成系统中的服务需求者来说，预 Yn=Ba.其中： 测数据的透明化将使其提高物流效率，能更好地安 a=(a,b)T (BTB)-1BT Yn,(6) 排生产计划，并有助于其进行企业决策、服务流程 b 的开发、设计及修改，从而最终达到提升客户满意 度及市场核心竞争力的目的. -z)(tk-(k-2)h 1 例如：根据所采集的历史平均数据，某服务流 -z)(tk-(k-3)h 程的通关服务时间约为26.5h,其中确认转入清单 B= () 时间8h、与园区/港区信息同步的时间0.5h、监管 : : 车辆到位及在途运输时间8h、货物入库时间2h -2(1)(tk) 1 以及海关对备案清单的放行时间8h.若采用上述 灰色预测方法对某一时间点所获取的通关时间的预 Yn=[(1)(tk -(k-2)h),x(1)(tk -(k 测值远远大于26.5h,从企业的角度就应该考虑尽 3)h)…x)(t)]T (8) 可能地减少监管车辆到位及在途运输时间、货物入 由此可得实时灰色预测的响应式及灰色模型的输出 库时间，比如选择物流效率更高的承运商，或者协 表达式： 调提高货物入库的效率等：而对于服务提供方（如 9(-(k-)h)=(0(t-(k-1h)- b、 b 海关、商检等单位)来说，有效地预测将指导其改 )e-ai+2(i=1,2,…,k), (9) 善通关的效率，降低运营费用，从而提高整体的通 ()(tk-(k-i)h)= 关服务水平：对于保税港区第三方平台来说，将极 四)(t-(k-)h)-1)(tk-[k-(位-1)).(10) 大地减少数据差错，提高保税港区业务流程的整体 从而推导出实时灰色预测模型的输出算式： 处理速度，使保税港区业务集成系统内的所有成员第 9 期 徐红霞等：保税港区服务流程的性能评价 1237 ·· 型中，假设 t1 为保税港区服务性能评价过程的初始 时刻，h 为采样周期时间，则其预测时刻 tk 可以表 示为 tk = t1 + (k−1)h，其中 (k−1) 表示自初始时 刻至预测时刻所经过的周期时间的个数. 同理，初 始时刻 t1 可用预测时刻 tk 表示为 t1 = tk – (k−1)h. (2) 设保税港区服务流程性能评价的历史数据 原始序列为 X(0)={x (0)(tk−(k − 1)h), x (0)(tk − (k − 2)h), · · · , x (0)(tk)}(k =1, 2, · · · ,n). (1) (3) X(1) 为累加生成序列，则 X(1)={x (1)(tk(−k−1)h),x (1)(tk− (k−2) h), · · · , x (1)(tk)} (k =2, 3, · · · ,n), x (1)(tk − jh) = P j i=k−1 x (0)(tk−ih) (j = n − 1, n − 2, · · · , 1, 0). (2) (4) 对累积序列的 X(1) 建立白化方程模型： dx (1)(tk − jh) d(tk) + ax(1)(tk − jh) = b. (3) 其中：b 为灰色作用量，反映数据变化的不确切关 系；a 为发展系数，控制灰色系统发展态势的大小. 从而得到灰微分的动态模型： z (1)(tk − jh) = 1 2 (x (1)(tk − (j + 1)h) + x (1)(tk − jh)) (j = n − 2, n − 3, · · · , 1, 0), (4) x (0) + az(1)(tk − jh) = b. (5) 式中，z (1)(tk − jh) 为 x (1) 的紧邻均生成. (5) 构造矩阵 B 和向量 Y n，X(0) 和 X(1) 满足 Y n= Bab. 其中： aˆ = (a, b) T = " a b # =(BTB) −1BT Y n， (6) B=           −z (1)(tk − (k − 2)h 1 −z (1)(tk − (k − 3)h 1 . . . . . . − z (1)(tk) 1           . (7) Y n = [x (1)(tk − (k − 2)h), x(1)(tk − (k − 3)h), · · · ,x(1)(tk)]T. (8) 由此可得实时灰色预测的响应式及灰色模型的输出 表达式： xˆ (1)(tk − (k − i)h) = (x (0)(tk − (k − 1)h) − b a )e−ai + b a (i = 1, 2, · · · , k)， (9) xˆ (0) (tk − (k − i)h) = xˆ (1)(tk − (k − i)h) − xˆ (1)(tk − [k − (i − 1)h]). (10) 从而推导出实时灰色预测模型的输出算式： xˆ (0)(tk − (k − i)h) = (1 − e a )(x (0)(tk − (k − 1)h) − b a )e −ai (i = 1, 2, · · · , k). (11) 上述实时灰色预测的执行算法可归纳如下. 算法 1 性能指标的灰色预测. 输入：t1 保税港区服务性能评价过程的初始时 刻 (t1)；采样周期时间 (h)；自初始时刻至预测时刻 所经过的周期时间的个数 (k−1)；保税港区服务流 程性能评价的历史数据原始序列 X(0) . 输出：预测时刻 tk；保税港区服务流程预测时 刻的性能值 xˆ (0)(tk). 步骤 1 首先设置初始时刻 (t1)、 预测时刻 (tk)、采样时间周期 h 及采样周期个数 k−1. 步骤 2 根据采样 k−1 次的数据构成灰原始序 列 X(0) . 步骤 3 根据式 (2) 累加生成序列 X(1) . 步骤 4 根据式 (3) 建立白化方程模型，式 (4) 和式 (5) 得到灰微分动态模型. 步骤 5 根据式 (6)∼(8) 构造矩阵 B 和向量 Y n 并计算待定系数 a 与 b. 步骤 6 根据式 (9)∼(11) 推导并计算 xˆ (0) (tk − (k − i)h). 步骤 7 如采样总次数为 n，则停止；否则再采 样 1 次，构成新的 X(0) 序列，返回步骤 3. 通过上述灰色预测方法，可以实现对保税港区 服务流程的实时、滚动预测及动态修正. 该方法对 于保税港区业务集成系统中的服务需求者来说，预 测数据的透明化将使其提高物流效率，能更好地安 排生产计划，并有助于其进行企业决策、服务流程 的开发、设计及修改，从而最终达到提升客户满意 度及市场核心竞争力的目的. 例如：根据所采集的历史平均数据，某服务流 程的通关服务时间约为 26.5 h，其中确认转入清单 时间 8 h、与园区/港区信息同步的时间 0.5 h、监管 车辆到位及在途运输时间 8 h、货物入库时间 2 h 以及海关对备案清单的放行时间 8 h. 若采用上述 灰色预测方法对某一时间点所获取的通关时间的预 测值远远大于 26.5 h，从企业的角度就应该考虑尽 可能地减少监管车辆到位及在途运输时间、货物入 库时间，比如选择物流效率更高的承运商，或者协 调提高货物入库的效率等；而对于服务提供方 (如 海关、商检等单位) 来说，有效地预测将指导其改 善通关的效率，降低运营费用，从而提高整体的通 关服务水平；对于保税港区第三方平台来说，将极 大地减少数据差错，提高保税港区业务流程的整体 处理速度，使保税港区业务集成系统内的所有成员