道路货运是综合交通运输体系建设的重要组成部分,是现代物流业的主要载体,是我国经济社会重要的基础性服务业。“十三五”时期以来,道路货运业快速发展,运输生产能力不断提高,运力结构不断优化,市场环境持续明显改善,服务质量不断提高,道路货运对国民经济与社会发展的支撑保障作用日益凸显。但是我国道路货运业在发展过程中还存在组织化程度较低、集约化水平不高等突出问题,货运资源整体利用效率较低,有效供给能力不足,服务水平不高,难以适应社会经济快速发展的需求。无车承运人的出现,为破解我国道路货运业发展短板、提升货运组织化集约化水平、加快行业提质增效升级提供了新的契机。无车承运人具有资源整合能力强、品牌效应广、网络效应明显等优势:一是打破了承运人、托运人之间的信息壁垒,促进了供需双方信息沟通,实现了运力和货源的有效衔接,有利于提升运输组织效率;二是通过去“中间化”,实现运输链条的扁平化,缩短了供需双方交易流程,降低了交易成本,减少了车辆等货时间,有利于降低运输成本;三是通过统一运营组织、服务标准、结算体系及专业化分工,为客户提供标准化、一站式的服务,有利于提高运输服务质量;四是通过运力资格审查、统一服务标准、在线诚信考核等手段,有效约束、规范了众多中小承运人的经营行为,有利于提升行业治理效率,改善市场环境,促进道路货运行业健康稳定发展。本文基于中间层组织理论、合同法理论、资源整合理论等相关理论,阐述了无车承运人的内涵、特征、定位,分析了货运资源的概念、分类、特点及资源整合的内涵,并在此基础上提出了无车承运人货运资源整合的目标、原则及概念模型;建立了无车承运人合作伙伴选择评价指标体系,设计了DEMATEL-ANP-VIKOR混合决策模型,用于无车承运人评价和筛选合作伙伴;针对无车承运人运营过程中要充分考虑不同主体利益、运力资源分散异质、运价形成以及利益分配模式等特点,建立了带有机会约束条件的运力资源组织优化模型,并设计了微粒子群和神经网络混合智能算法对该模型进行求解;分析了无车承运人信息资源的内涵、类型及需求,阐述了无车承运人信息资源整合的模式、方法和技术,提出了信息资源整合的具体措施——搭建无车承运人信息平台,并对平台的功能模块进行了设计,分析了信息平台的运作流程和运营模式;最后,对无车承运人的利益分配机制、合作机制及风险防范机制等关键运行机制进行了研究。论文研究的主要工作及创新点体现在如下三个方面:第一,根据无车承运人合作伙伴选择的主要影响因素,构建了无车承运人合作伙伴选择评价指标体系,建立了DEMATEL-ANP-VIKOR混合决策模型,作为无车承运人合作伙伴选择模型。首先采用DEMATEL方法建立一级指标的影响关系矩阵,得到每个指标对其他指标的影响度和被影响度;然后采用ANP方法确定各项二级指标的权重;最后采用VIKOR算法对备选伙伴进行优劣排序。与BP神经网络法、层次分析法、模糊综合评价法等传统评价方法相比,该模型具有3个优势:一是充分考虑了无车承运人合作伙伴选择各评价指标之间相互制约、相互影响的关系,减少了这种影响关系对最终决策结果的影响,而传统方法忽视了对评价指标之间相互关系的表达;二是放松了层次分析法指标之间相互独立和层次不可逆的约束条件,清晰描述了各项指标和系统内部的反馈作用,并运用ANP法进行了处理,有效解决了非独立的递阶层次结构问题,使得指标权重的计量和分配更为合理;三是在备选合作伙伴的优劣排序方面,综合考虑了集体效用最大化与个别遗憾最小化的目标以及无车承运人合作伙伴选择的现实因素,与传统的综合得分排序相比,充分满足了无车承运人群体效用最大化的目标,更加符合无车承运人实际决策。结果表明:该模型具有有效性和实用性,符合无车承运人合作伙伴选择评价指标体系的特点,能够为无车承运人选择合作伙伴提供决策依据。第二,为了实现多重约束下的无车承运人利益最大化、实际承运人利润处于合理区间、托运人成本最小化的目标,建立了带有机会约束条件的无车承运人运力资源优化配置模型,对运力资源、货源和运输线路进行了匹配和优化。与传统方法相比,该模型充分考虑并满足了无车承运人、实际承运人和托运人的实际需求和期望目标,并通过数学描述的方式将三方的谈判过程及博弈行为进行了量化表达。在模型求解时,考虑到微粒子群算法具有较小的调整参数、收敛速度快、解的质量高、鲁棒性较好等优点,而神经网络算法具有很强的非线性拟合能力、可映射任意复杂的非线性关系、学习规则简单等优点,采用微粒子群和神经网络混合智能算法求解该模型,能够快速准确地求得结果。实例计算结果表明,该模型不仅能够保证无车承运人利润的最大化和实际承运人的利润在一定的可接受范围内,而且能够降低运输成本,科学调度运力资源,实现车货匹配,具有较好的应用价值。第三,分析了无车承运人经营过程中存在的主要风险,构建了包含26项指标的风险预警指标体系。在对指标体系进行主成分分析的基础上,通过Logit风险预警模型来计算无车承运人风险发生的概率,建立了PCA-Logit风险预警模型。传统风险预警分析方法在解决无车承运人风险预警时尚存在一些不足:神经网络模型容易出现样本训练过度或不足、局部极小化等问题,SVM模型一般多用于二分类问题,针对多类问题由于算法相对复杂,实际效果差异显著,遗传算法的“早熟”、稳定性等也相对受限。由于无车承运人风险概率计算对数学模型的稳定性要求比较高,相对上述模型方法,Logit模型简单实用、稳健性较强。但是考虑Logit模型对自变量的相关性较为敏感,所以在建模过程中,先对自变量做主成分分析,然后再利用Logit模型预测承运风险概率。结果表明,该模型克服了单一风险预警方法样本训练过度或不足、局部极小化、稳定性受限的缺点,能够提升风险概率计算的精确度和风险预警的稳定性,具有较强的应用价值。