基于DEA模型的物流传输效率分析方法、装置、设备及介质

摘要

本发明涉及人工智能技术，揭露一种基于DEA模型的物流传输效率分析方法，包括：获取预设数量的决策单元在预设的时间序列上的指标数据，将所述指标数据整合为面板数据，利用预设的三阶段DEA模型，根据所述面板数据对每个所述决策单元在所述时间序列中每个时间段上的投入指标数据进行调整，得到调整后的投入指标数据，利用Malaquist指数法，根据每个所述决策单元在所述时间序列中每个时间段上的产出指标数据和调整后的投入指标数据，计算每个所述决策单元在所述时间序列中的综合传输效率值。本发明还提出一种基于DEA模型的物流传输效率分析装置、电子设备以及计算机可读存储介质。本发明可以解决同一决策单元不同时间段的物流传输效率无法直接比较的问题。

说明书

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于DEA模型的物流传输效率分析方法、装置、电子设备及计算机可读存储介质。

背景技术

随着移动互联网、物联网、云技术等信息技术的发展和经济的增长，我国物流业得到了蓬勃发展，并且在全国经济中占有重要一席。不管在什么行业，效率一直是人们所追求的目标。通过对物流效率进行评估，可以反映出物流业的管理经营水平、技术发展水平以及各要素组织结构的合理性。

DEA(Data Envelopment Analysisi，数据包络分析法)是针对多投入指标多产出指标的业务场景的效率评估方法，较多的应用于物流业的传输效率的分析。传统的DEA模型进行效率分析时，较少考虑外部环境因素与随机误差对效率计算结果的影响，因此效率评估结果的准确性有待提升。

针对传统的DEA模型的缺陷，Fried等人在2002年基于随机前沿分析方法提出了三阶段DEA模型，其目的是为了滤除传统DEA模型中外部环境因素与随机误差等因素对效率计算的影响。但是三阶段DEA模型在进行效率评估时，以时间点为切割面对各个决策单元进行横向的相对效率的比较，不能对各个决策单元进行跨期的纵向分析比较，因为不同时期的观测值所构造的数据包络面并不相同，在不同包络面下计算的各个决策单元的效率之间不存在可比较的意义，使得同一决策单元不同时期的效率值之间无法直接比较。

发明内容

本发明提供一种基于DEA模型的物流传输效率分析方法、装置及计算机可读存储介质，其主要目的在于解决同一决策单元不同时间段的物流传输效率无法直接比较的问题。

为实现上述目的，本发明提供的一种基于DEA模型的物流传输效率分析方法方法，包括：

获取物流传输效率的评估指标体系，根据所述评估指标体系采集预设数量的决策单元在预设的时间序列上的指标数据，其中，所述指标数据包括投入指标数据和产出指标数据；

将每个所述决策单元在预设的时间序列上的指标数据整合为面板数据；

利用预设的三阶段DEA模型，根据所述面板数据对每个所述决策单元在所述时间序列中每个时间段上的投入指标数据进行调整，得到调整后的投入指标数据；

利用Malaquist指数法，根据每个所述决策单元在所述时间序列中每个时间段上的产出指标数据和调整后的投入指标数据，计算每个所述决策单元在所述时间序列中的综合传输效率值。

可选地，所述根据所述评估指标体系采集预设数量的决策单元在预设的时间序列上的指标数据，包括：

从预设的第三方数据库中，扫描每个所述决策单元在预设的时间序列上的全量数据；

将所述评估指标体系划分为投入指标、产出指标及环境指标；

根据所述投入指标、所述产出指标及所述环境指标，对扫描到的全量数据进行标注，分别得到投入指标数据、产出指标数据及环境指标数据；

汇集每个所述决策单元在所述时间序列中每个时间段对应的投入指标数据、产出指标数据及环境指标数据作为每个所述决策单元的指标数据。

可选地，所述将每个所述决策单元在预设的时间序列上的指标数据整合为面板数据，包括：

从所述预设的时间序列中，随机选择一个时间段作为基础时间段，其他时间段作为比对时间段；

从所述预设数量的决策单元中随机选择一个决策单元作为待整合决策单元；

根据所述待整合决策单元在每个所述比对时间段的指标数据，构造相应的比对时间段的投入指标数据集和比对时间段的产出指标数据集；

根据所述待整合决策单元在所述基础时间段的指标数据，构造基础时间段的投入指标数据集和基础时间段的产出指标数据集；

利用所述待整合决策单元的比对时间段的投入指标数据集和比对时间段的产出指标数据集、基础时间段的投入指标数据集和基础时间段的产出指标数据集，构造所述待整合决策单元在基础时间段上的生产数据集，将所述生产数据集作为所述待整合决策单元的面板数据。

可选地，所述根据所述面板数据对每个所述决策单元在所述时间序列中每个时间段上的投入指标数据进行调整，得到调整后的投入指标数据，包括：

利用所述预设的三阶段DEA模型，根据所述面板数据测算每个所述决策单元在所述预设时间序列中每个时间段的投入松弛值；

利用预设的SFA函数，根据所述投入松弛值调整对应决策单元在对应时间段的投入指标数据，得到调整后的投入指标数据。

可选地，所述利用预设的SFA函数，根据所述投入松弛值调整对应决策单元在对应时间段的投入指标数据，得到调整后的投入指标数据，包括：

利用每个所述决策单元在每个时间段上的投入松弛值构建SFA回归方程，将所述投入松弛值分解为外部因素变量集、随机干扰项和管理无效率三种影响因素的集合函数，其中，所述SFA回归方程表达式如下：

S

其中，S

根据所述回归方程的输出结果调整对应的投入指标数据，得到调整后的投入指标数据。

可选地，所述根据所述回归方程的输出结果调整对应的投入指标数据，得到调整后的投入指标数据，包括：

采用如下调整公式调整对应的投入指标数据：

其中，

可选地，所述利用Malaquist指数法，根据每个所述决策单元在所述时间序列中每个时间段上的产出指标数据和调整后的投入指标数据，计算每个所述决策单元在所述时间序列中的综合传输效率值，包括：

在所述时间序列中，按时间顺序选择第一个时间段作为基准时间段，选择最后一个时间段作为比较时间段；

从所述决策单元中随机选择一个决策单元作为待分析决策单元；

获取所述待分析决策单元在所述基准时间段的调整后的投入指标数据集合

利用Malaquist指数法，根据所述

计算所述第一生产率指数和所述第二生产率指数的几何平均值，将所述几何平均值作为所述待分析决策单元在所述时间序列中的综合传输效率值。

为了解决上述问题，本发明还提供一种基于DEA模型的物流传输效率分析装置包括：

指标数据采集模块，用于获取物流传输效率的评估指标体系，根据所述评估指标体系采集预设数量的决策单元在预设的时间序列上的指标数据，其中，所述指标数据包括投入指标数据和产出指标数据；

面板数据生成模块，用于将每个所述决策单元在预设的时间序列上的指标数据整合为面板数据；

三阶段DEA模型处理模块，用于利用预设的三阶段DEA模型，根据所述面板数据对每个所述决策单元在所述时间序列中每个时间段上的投入指标数据进行调整，得到调整后的投入指标数据；

综合传输效率计算模块，用于利用Malaquist指数法，根据每个所述决策单元在所述时间序列中每个时间段上的产出指标数据和调整后的投入指标数据，计算每个所述决策单元在所述时间序列中的综合传输效率值。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个计算机程序；及

处理器，执行所述存储器中存储的程序以实现上述所述的基于DEA模型的物流传输效率分析方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于DEA模型的物流传输效率分析方法。

本发明实施例通过先将决策单元在预设时间序列上的指标数据整合为面板数据，再利用预设的三阶段DEA模型对所述面板数据进行分析，所述面板数据相较于三阶段DEA模型处理的传统数据而言，即包含了时序特征数据又包含了某一个时间点的截面数据，而后者只包含截面数据。同时利用三阶段DEA模型对每个所述决策单元在所述时间序列中每个时间段上的投入指标数据进行调整，可以过滤外部环境因素和随机误差对决策单元传输效率计算的影响，使得每个所述决策单元在所述时间序列中每个时间段上的传输效率值更接近真实情况，最后利用Malaquist指数法，根据每个所述决策单元在所述时间序列中每个时间段上的产出指标数据和调整后的投入指标数据，计算每个所述决策单元在所述时间序列中的综合传输效率值，克服了传统DEA模型计算的效率值在连续的时间序列内无法进行比较的问题。

附图说明

图1为本发明一实施例提供的基于DEA模型的物流传输效率分析方法的流程示意图；

图2为本发明一实施例提供的基于DEA模型的物流传输效率分析方法中其中一个步骤的详细实施流程示意图；

图3为本发明一实施例提供的基于DEA模型的物流传输效率分析方法中其中一个步骤的详细实施流程示意图；

图4为本发明一实施例提供的基于DEA模型的物流传输效率分析方法中其中一个步骤的详细实施流程示意图；

图5为本发明一实施例提供的基于DEA模型的物流传输效率分析装置的功能模块图；

图6为本发明一实施例提供的实现所述基于DEA模型的物流传输效率分析方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种基于DEA模型的物流传输效率分析方法。所述基于DEA模型的物流传输效率分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于DEA模型的物流传输效率分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的基于DEA模型的物流传输效率分析方法的流程示意图。在本实施例中，所述基于DEA模型的物流传输效率分析方法包括：

S1、获取物流传输效率的评估指标体系，根据所述评估指标体系采集预设数量的决策单元在预设的时间序列上的指标数据，其中，所述指标数据包括投入指标数据和产出指标数据；

本发明实施例中，以物流业为例说明所述基于DEA模型的物流传输效率分析方法。物流业是一个复合型产业，包括运输、仓储、装卸、搬运、包装、流通加工、配送、信息平台等，其中运输又包括铁路、公路、水运、航空、管道等。

本发明实施例中，所述评估指标体系是指遵循系统性和全面性等原则，预先定义的影响物流传输效率的各种考量指标。通常所述评估指标体系包括投入指标、产出指标及环境指标三种类型。

其中，所述投入指标是指对物流传输效率产生影响的资产或人力的成本投入，包括但不限于从业人员规模、固定资产、主营业务成本、管理费用、职工薪酬总额等；所述产出指标是指物流业最终获得经济效益，包括但不限于货运量、货运周转量、物流业生产总值、净利润等；所述环境指标是指除物流产业链自身系统之外的对物流业传输效率产生影响的因素，包括但不限于企业成立年数、企业所在地人均GDP、科技研发投入量等。

本发明实施例中，可以从公开的网站获取所述物流传输效率的评估指标体系。

本发明实施例中，所述决策单元可以是一定地域范围内的物流企业，例如，华南地区所有上市的物流企业中，每个物流企业可以作为一个决策单元。

本发明实施例中，所述预设数量可以根据实际业务需要进行设置。

本发明实施例中，所述预设的时间序列由一系列时间段组成，例如，所述预设的时间序列包括1月份至3月份时间段、4月份至6月份时间段、7月份至9月份时间段，或者包括2005至2008年时间段、2009至2011年时间段及2012至2014年时间段。所述预设的时间序列中的每个时间段的跨度可以根据实际应用的需求设置。

详细地，参阅图2所示，所述根据所述评估指标体系采集预设数量的决策单元在预设的时间序列上的指标数据，包括：

S11、从预设的第三方数据库中，扫描每个所述决策单元在预设的时间序列上的全量数据；

S12、将所述评估指标体系划分为投入指标、产出指标及环境指标；

S13、根据所述投入指标、所述产出指标及所述环境指标，对扫描到的全量数据进行标注，分别得到投入指标数据、产出指标数据及环境指标数据；

S14、汇集每个所述决策单元在所述时间序列中每个时间段对应的投入指标数据、产出指标数据及环境指标数据作为每个所述决策单元的指标数据。

本发明实施例中，所述预设的第三方数据库可以是物流行业组织或物流行业管理机构提供或指定的数据库。

本发明实施例中，可以利用具有数据抓取功能的Python脚本从所述预设的第三方数据库中采集每个所述决策单元与所述评估指标体系相对应的指标数据。

本发明实施例中，所述投入指标数据是对投入指标的量化，例如，投入指标为从业人员规模，对应的投入指标数据可以是具体的人员数量，例如，2000。同理，所述产出指标数据是对产出指标的量化，所述环境指标数据是对环境指标的量化。

S2、将每个所述决策单元在预设的时间序列上的指标数据整合为面板数据；

本发明实施例中，所述面板数据是指即包含了截面数据也包含了时间序列数据的数据，例如，物流企业A、物流企业B、物流企业C的行业从业人员数分别为1000、1500、1700，这就是截面数据。物流企业A在2000、2001、2002、2003、2004各年的从业人员数分别为600、800、700、800、1000，这就是时间序列数据。物流企业A、物流企业B、物流企业C在2000、2001、2002、2003、2004各年的从业人员数，这就是面板数据。

详细地，参阅图3所示，所述S2，包括：

S21、从所述预设的时间序列中，随机选择一个时间段作为基础时间段，其他时间段作为比对时间段；

S22、从所述预设数量的决策单元中随机选择一个决策单元作为待整合决策单元；

S23、根据所述待整合决策单元在任一比对时间段的指标数据，构造相应的比对时间段的投入指标数据集和比对时间段的产出指标数据集；

S24、根据所述待整合决策单元在所述基础时间段的指标数据，构造基础时间段的投入指标数据集和基础时间段的产出指标数据集；

S25、利用所述待整合决策单元的比对时间段的投入指标数据集和比对时间段的产出指标数据集、基础时间段的投入指标数据集和基础时间段的产出指标数据集，构造所述待整合决策单元在基础时间段上的生产数据集，将所述生产数据集作为所述待整合决策单元的面板数据。

示例性的，所述预设的时间序列包括L个时间段，在第K个时间段上有n(K)个决策单元的指标数据，其中，第P个待决策单元有m个投入指标数据，s个产出指标数据，在第K的比对时间段的投入指标数据集为

其中，

并且，

在基础时间段上有n(0)个决策单元的指标数据，第P个待决策单元在基础时间段的投入指标数据集为

其中，

所述生产数据集为T：

其中λ

本发明实施例中，根据DEA(Data Envelopment Analysisi，数据包络分析法)理论，每个所述决策单元在预设的时间序列上不同时间段上指标数据不同，对应不同的效率前沿面，通过将每个所述决策单元在预设的时间序列上的指标数据整合为面板数据，可以将同一决策单元跨时间段的传输效率值处于相同的效率前沿面。

S3、利用预设的三阶段DEA模型，根据所述面板数据对每个所述决策单元在所述时间序列中每个时间段上的投入指标数据进行调整，得到调整后的投入指标数据；

本发明实施例中，在所述面板数据中每个决策单元不仅包括某一时间段的指标数据，即截面数据，还包括不同时间段的时间序列数据。

本发明实施例中，所述预设的三阶段DEA模型是基于随机前沿分析的构造的多阶段DEA模型。

详细地，所述根据所述面板数据对每个所述决策单元在所述时间序列中每个时间段上的投入指标数据进行调整，得到调整后的投入指标数据，包括：

S31、利用所述预设的三阶段DEA模型，根据所述面板数据测算每个所述决策单元在所述预设时间序列中每个时间段的投入松弛值；

S32、利用预设的SFA函数，根据所述投入松弛值调整对应决策单元在对应时间段的投入指标数据，得到调整后的投入指标数据。

本发明实施例中，所述S31对应三阶段DEA模型的第一阶段，可以利用所述三阶段DEA模型中投入导向的BBC模型或CCR模型计算得到每个所述决策单元在所述预设时间序列中每个时间段的投入松弛值。

本发明实施例中，所述S32对应三阶段DEA模型的第二阶段，进一步地，所述S32包括：利用每个所述决策单元在每个时间段上的投入松弛值构建SFA回归方程，将所述投入松弛值分解为外部因素变量集、随机干扰项和管理无效率三种影响因素的集合函数；根据所述回归方程的输出结果调整对应的投入指标数据，得到调整后的投入指标数据。

示例性地，所述SFA回归方程表达式如下：

S

其中，S

示例性，本发明实施例中，可以采用如下调整公式调整投入指标数据：

其中，

本发明一可选实施例中，还可以利用所述预设的三阶段DEA模型，根据调整后的投入指标数据和所述面板数据中的对应的产出指标数据和环境指标数据对相应的决策单元进行分析，得到每个所述决策单元在相应时间段上的传输效率值。将每个所述决策单元在相应时间段上的传输效率值作为物流传输效率分析的结果数据之一，此时的传输效率只受管理无效率的影响，而外部环境以及随机误差项已经被调整，这样获得传输效率值才可真正精确的表达每个决策单元的实际运行规律。

S4、利用Malaquist指数法，根据每个所述决策单元在所述时间序列中每个时间段上的产出指标数据和调整后的投入指标数据，计算每个所述决策单元在所述时间序列中的综合传输效率值；

可以理解的是，利用三阶段DEA模型可以计算得到的是每个所述决策单元在对应的时间序列上不同时间段上的静态的相对传输效率值。不同时间段的同一决策单元的投入指标数据和产出指标数据所对应的生产技术不同。而三阶段DEA模型忽略了技术进步对传输效率值的贡献。

本发明实施例中，所述综合传输效率值是指综合考虑了不同时间段对应的技术进步对传输效率的影响，对同一决策单元在所述时间序列中的传输效率进行整体评估得到可以反映所述时间序列内所述决策单元的实际物流传输情况。

本发明实施例中，所述Malaquist指数法用于对各个决策单元不同时间段的传输效率值进行动态分析，考虑到了不筒时间段的投入产出数据对对应的生产技术的不同。

详细地，参阅图4所示，所述S4，包括：

S41、在所述时间序列中，按时间顺序选择第一个时间段作为基准时间段，选择最后一个时间段作为比较时间段；

S42、从所述决策单元中随机选择一个决策单元作为待分析决策单元；

S43、获取所述待分析决策单元在所述基准时间段的调整后的投入指标数据集合

S44、利用Malaquist指数法，根据所述

S45、计算所述第一生产率指数和所述第二生产率指数的几何平均值，将所述几何平均值作为所述待分析决策单元在所述时间序列中的综合传输效率值。

示例性地，在所述预设的时间序列中存在n个决策单元，每个决策单元在基础时间段t有m中投入指标数据，s种产出指标数据，其中，

其中，所述Mt表示所述第一生产率指数，所述Mt+1表示所述第二生产率指数。

本发明实施例中，所述基础时间段和所述比较时间段可以随机选择，或者根据实际业务需要进行选择，例如，考核A时间段和B时间段之间的物流传输效率，可以将A时间段作为基础时间段，将B时间段作为比对时间段。

进一步地，根据每个所述决策单元在所述时间序列中每个时间段上的传输效率值，对同一个决策单元进行横向传输效率的比较，利用综合传输效率值值可以对每个所述决策单元进行不同时间段的纵向传输效率的比较。

本发明实施例通过先将决策单元在预设时间序列上的指标数据整合为面板数据，再利用预设的三阶段DEA模型对所述面板数据进行分析，所述面板数据相较于三阶段DEA模型处理的传统数据而言，即包含了时序特征数据又包含了某一个时间点的截面数据，而后者只包含截面数据。同时利用三阶段DEA模型对每个所述决策单元在所述时间序列中每个时间段上的投入指标数据进行调整，可以过滤外部环境因素和随机误差对决策单元传输效率计算的影响，使得每个所述决策单元在所述时间序列中每个时间段上的传输效率值更接近真实情况，最后利用Malaquist指数法，根据每个所述决策单元在所述时间序列中每个时间段上的产出指标数据和调整后的投入指标数据，计算每个所述决策单元在所述时间序列中的综合传输效率值，克服了传统DEA模型计算的效率值在连续的时间序列内无法进行比较的问题。

如图5所示，是本发明一实施例提供的基于DEA模型的物流传输效率分析装置的功能模块图。

本发明所述基于DEA模型的物流传输效率分析装置100可以安装于电子设备中。根据实现的功能，所述基于DEA模型的物流传输效率分析装置100可以包括指标数据采集模块101、面板数据生成模块102、三阶段DEA模型处理模块103及综合传输效率计算模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述指标数据采集模块101，用于获取物流传输效率的评估指标体系，根据所述评估指标体系采集预设数量的决策单元在预设的时间序列上的指标数据，其中，所述指标数据包括投入指标数据和产出指标数据；

所述面板数据生成模块102，用于将每个所述决策单元在预设的时间序列上的指标数据整合为面板数据；

所述三阶段DEA模型处理模块103，用于利用预设的三阶段DEA模型，根据所述面板数据对每个所述决策单元在所述时间序列中每个时间段上的投入指标数据进行调整，得到调整后的投入指标数据；

所述综合传输效率计算模块104，用于利用Malaquist指数法，根据每个所述决策单元在所述时间序列中每个时间段上的产出指标数据和调整后的投入指标数据，计算每个所述决策单元在所述时间序列中的综合传输效率值。

详细地，本发明实施例中所述基于DEA模型的物流传输效率分析装置100中的各个模块在使用时采用与上述的图1至图4中所述的基于DEA模型的物流传输效率分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图6所示，是本发明一实施例提供的实现基于DEA模型的物流传输效率分析方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于DEA模型的物流传输效率分析程序。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于DEA模型的物流传输效率分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如，基于DEA模型的物流传输效率分析程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图6仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图6示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的基于DEA模型的物流传输效率分析程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取物流传输效率的评估指标体系，根据所述评估指标体系采集预设数量的决策单元在预设的时间序列上的指标数据，其中，所述指标数据包括投入指标数据和产出指标数据；

将每个所述决策单元在预设的时间序列上的指标数据整合为面板数据；

利用预设的三阶段DEA模型，根据所述面板数据对每个所述决策单元在所述时间序列中每个时间段上的投入指标数据进行调整，得到调整后的投入指标数据；

利用Malaquist指数法，根据每个所述决策单元在所述时间序列中每个时间段上的产出指标数据和调整后的投入指标数据，计算每个所述决策单元在所述时间序列中的综合传输效率值。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取物流传输效率的评估指标体系，根据所述评估指标体系采集预设数量的决策单元在预设的时间序列上的指标数据，其中，所述指标数据包括投入指标数据和产出指标数据；

将每个所述决策单元在预设的时间序列上的指标数据整合为面板数据；

利用预设的三阶段DEA模型，根据所述面板数据对每个所述决策单元在所述时间序列中每个时间段上的投入指标数据进行调整，得到调整后的投入指标数据；

利用Malaquist指数法，根据每个所述决策单元在所述时间序列中每个时间段上的产出指标数据和调整后的投入指标数据，计算每个所述决策单元在所述时间序列中的综合传输效率值。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。