在大数据背景下，物流企业在客户中的口碑及在运营过程中的信用记录都可以通过互联网进行更全面、更透彻的挖掘。大数据算法使得这些潜伏在互联网中的海量数据得以发挥价值，更加真实地反映某一物流企业的信用情况。大数据使得企业信用数据来源呈现出多样化、多层次的特点。大数据使信用数据规模呈几何级数增长，其中包括企业为职工缴纳各项保险提供各种福利的数据以及企业从事社会公益活动，落实社会责任的数据。这些数据看似分散且单位价值低，但通过运用大数据技术对数据进行交叉处理，提取分析后就会变成直接反映企业信用状况的直观表征。对信用数据的收集，传统上往往以企业主体的财务、人事等静态数据为基础，其信息收集的层次较为单一。在大数据环境下，对企业信用信息的涵盖是包括多个层次的，除了对传统的静态信息进行收集处理，还重视对交易习惯、行为特征等动态数据的规整运用，从而对企业信用体系的构建及信用状况的分析把握得更为准确。

根据层次分析法AHP确定物流企业信用的影响指标的步骤如下所述。

第一步，确定最终目标。我们对物流企业信用分析的最终目标就是要通过各项指标分析，对某一企业的信用情况进行一个综合评价，与其他企业进行比较。所以我们的目标层就是物流企业的信用评价得分。

第二步，确定准则层，即确定物流企业信用评价的准则。影响企业信用评价的因素很多：偿债能力、获利能力、经营管理、信用状况等。通过研读大量文献，本项目对影响物流企业信用评价的影响因素进行了整合，将评价物流企业信用状况的指标具体分为偿债能力、获利能力、经营管理能力、负债状况、诚信状况、发展潜力、法务信息和第三方评价这八个方面。

1.偿债能力指标

我们知道，企业的偿债能力可以决定企业的信用基础，企业信用必须以财务为基础，因为没有财力的支持，企业信用就无从谈起。所以，分析物流企业的偿债能力是进行物流企业信用评价的重要环节。企业偿债能力的指标包括固定资产、应收款项和货币资金三个指标。

2.获利能力指标

获利能力是指物流企业获取额外利润的能力。是否赢得利润是各类企业都十分关心的重要问题，利润是投资者取得投资收益、债权人收取本息的资金来源，也是企业经营者经营业绩以及管理效能的集中体现。获利能力指标包括营业收入、营业年限、注册资本和年利润总额四个指标。营业年限=当前年份-成立日期。

3.经营管理能力指标

企业的经营管理状况直接影响企业的获利能力，从而影响企业的履约能力，因此在进行物流企业信用评价时，对企业经营管理状况的分析研究也值得关注。经营管理的指标包括从业人数、管理费用、企业是否上市和管理层整体素质四个指标。

企业是否上市只有两种情况：上市和未上市。上市计10分，未上市计0分；管理层整体素质指的是：管理层的素质以及经验、管理层的稳定性、在群众中的声望、企业凝聚力、管理层的应变能力以及应付风险能力如何等。用1～10分来进行打分，10分是满分，表示整体素质非常高，且稳定，在群众中声望很高，企业凝聚力也很好，应变能力很强。

4.诚信状况指标

考察诚信状况不但要考察物流企业的交易经历、纳税情况，也要考察企业的承诺履行状况，这对企业的信用评价非常重要。诚信状况的指标包括交易经历、纳税情况和承诺履行状况三个指标。

我们需要考察企业以往的交易中是否有坏账和欠账、资产状况和收入状况如何、有无明显的挪用和私占企业资金等。因为交易经历同时反映了企业以往的诚信状况，所以其可以作为估计企业未来信用的依据和对企业信用的影响程度。用1～10分来进行打分，10分是满分，表示企业以往没有任何不良交易记录。

企业的纳税相关记录可以明显反映企业在经营管理中是否违法、违纪，同时间接地反映企业是否诚信经营。用1～10分来进行打分，10分是满分，表示企业每次都按时按要求纳税。

承诺履行状况用1～10分来进行打分，10分是满分，表示每次都能按照约定履行承诺。

5.负债状况指标

企业的负债状况对于评价企业的信用情况相当重要，是不可或缺的一个指标准则。分析负债状况的指标包括负债总额和长期借款两个指标。这两项指标为负向指标，即这两个指标的数据越少说明企业的信用现状越好。在处理数据的时候要考虑到负向指标跟正项指标分开处理的问题。

6.发展潜力指标

每个企业都处在其特定的行业中，而每一行业都有其固定的风险。因此，企业发展状况在信用评价中不可或缺。发展潜力指标包括企业的发展状况、在同行中地位和利润增长率三个指标。

一个企业如果长期处于不盈利的状况，我们就很难相信企业会获得高额的利润。用1～10分来给企业发展状况打分，10分是满分，表示该企业长期在盈利的状况下且很有发展潜力。

企业在同行业中地位的高低，反映了企业的基本发展状况及趋势。企业在同行业中的地位越高，其诚信状况越有保障。行业中地位越高，其竞争优势越明显。用1～10分来进行打分，10分是满分，表示该企业在同行中地位很高，竞争优势明显；利润增长率=（本年利润总额-上年利润总额）÷上年利润总额×100%。

7.法务信息指标

大数据可以收纳企业的法人信息、交易习惯、信用记录、纠纷投诉等一系列与信用相关的数据。在本项目中，我们使用了Nutch爬虫方法来对物流企业的法务信息进行爬取，进而可以收集到物流企业的法务信息。另外，一个物流企业的法务情况能在一定程度上反映其信用状况，在这里用胜诉率这一项指标来反映企业的法务状况。物流企业作为被告胜诉率越高，说明企业信用状况越好。默认没有涉及法律案件的企业胜诉率为100%。

8.第三方评价指标

客户重视物流企业服务的效率，比如及时沟通、及时提供物流追踪信息、及时处理客户要求等。另外，客户也重视物流企业服务的效果，是否达到了合同规定的物流服务标准。物流服务的效率与效果，都会大大影响客户对物流企业的评价。如今客户更喜欢通过一些社交媒体或社交平台发表自己对某个商品或者某项服务的评价，这些散落在各处的评价信息能够为我们提供更真实的口碑。这些评价我们可以把它统称为第三方评价。第三方评价是指别的行业或企业对该企业的评价，包括正面评价与负面评价，我们用好评率来反映第三方评价这项指标。好评率=（好评次数/被评总次数）×100%，好评率越高说明企业信用越好。

第三步，根据目标，指标构建的层次结构模型如图5.15所示。

图5.15　物流企业信用分析的层次结构模型

由构建完成的物流企业信用分析层次模型可以看出，在该模型中影响物流企业信用的指标有21个。这21个指标对于企业信用评价并不是同等重要的。我们根据层次分析法的指标标度以及专家评分系统对层次结构模型中的两层中的各项指标进行两两比较，得到9个比较矩阵，按照AHP一致性检验方法对9个比较矩阵分别进行一致性检验，对于未通过一致性检验的比较矩阵再作调整，最终得到全部通过一致性检验，并且符合实际情况的9个比较矩阵，根据这9个比较矩阵通过层次分析法分别算出21项指标的权重系数。

第一层单排序的判断矩阵：

对偿债能力、获利能力、经营管理、诚信状况、负债状况、发展潜力、法务信息、第三方评价这八个准则进行两两比较，得到通过一致性检验的第一层单排序判断矩阵A：

经过模糊AHP算法的判断矩阵A的一致性检验的结果如图5.16所示。

图5.16　判断矩阵A的一致性检验结果

进行一致性检验时得出CR值为0.033389，小于0.1，通过了一致性检验，即该判断矩阵可用。

层次内单排序：(www.daowen.com)

B0为固定资产、应收款项、货币资金两两比较的判断矩阵

经过模糊AHP算法的判断矩阵B0的一致性检验的结果如图5.17所示。

图5.17　判断矩阵B0的一致性检验结果

CR值小于0.1，通过一致性检验。

B1为营业收入、营业年限、注册资本、年利润总额两两比较的判断矩阵

经过模糊AHP算法的判断矩阵B1的一致性检验的结果如图5.18所示。

图5.18　判断矩阵B1的一致性检验结果

B2为从业人数、管理费用、是否上市、管理层整体素质两两比较的判断矩阵

经过模糊AHP算法的判断矩阵B2的一致性检验的结果如图5.19所示。

图5.19　判断矩阵B2的一致性检验结果

B3为承诺履行状况、交易经历、纳税情况两两比较的判断矩阵

经过模糊AHP算法的判断矩阵B3的一致性检验的结果如图5.20所示。

图5.20　判断矩阵B3的一致性检验结果

B4为负债总额、长期借款两两比较的判断矩阵

经过模糊AHP算法的判断矩阵B4的一致性检验的结果如图5.21所示。

图5.21　判断矩阵B4的一致性检验结果

B5为企业发展状况、同行中地位、利润增长率两两比较的判断矩阵

经过模糊AHP算法的判断矩阵B5的一致性检验的结果如图5.22所示。

图5.22　判断矩阵B5的一致性检验结果

B6为胜诉率的判断矩阵［1］，CR=0，完全符合一致性。

B7为第三方评价的判断矩阵［1］，CR=0，完全符合一致性。

根据以上九个通过了一致性检验的判断矩阵获得比较总排序，算出每个指标的权重系数，如图5.23所示。

由此，可以得出C1～C21的权重矩阵为：

R=［0.0692520.0264250.1209950.1115050.036280.0423630.079435 0.0130560.0211410.0397960.0619250.0562850.0154870.0511380.048619 0.024310.0079670.0079670.0239020.0849940.057158］T

图5.23　每个指标的权重系数