基于神經網絡百貨業競爭評價模型研究

[摘要] 本文在建立百貨業競爭效果評價指標體系基礎上，運用主成分分析法和BP神經網絡方法建立模型，對其進行了模擬綜合評價。

[關鍵詞] 百貨業 主成分分析法 神經網絡 評價

本文在波特五種力量競爭模型，并結合當前百貨業競爭實際情況，從百貨業外部環境和內部環境進行詳細分析的基礎上，建立競爭效果評價指標體系后，用主成分分析對原始指標進行篩選，然后通過BP神經網絡建立評價模型的方法上最大程度開發競爭評價模型。

一、數據的預處理

即將各種數據和非數據資料轉化為正向數據指標，根據指標性質的不同，采用不同的轉化方法。

二、定性指標的處理

對于一些定性指標，數據的收集采用問卷調查的方法，問卷采用（好，較好，一般，不好）的模式讓被調查者選擇，然后利用被調查者選擇每一項的比率和權重相乘的綜合得分作為這一項的得分。

三、用主成分分析法篩選主成分

1.原始指標數據的標準化。

2.求指標數據的相關矩陣。，其中，rjk是指標j與指標k的相關系數。

3.求相關矩陣Ｒ的特征根和特征向量，確定主因子。由特征根方程可求得的ｐ個特征根，它是主因子的方差，它的大小描述了各個主因子在描述被評價對象上所起的作用的大小，對其從大到小進行排列:。由特征根方程可知，每一個特征根對應一個特征向量，將標準化后的指標變量轉換為主因子:

F1稱為第一主因子，F2稱為第二主因子，依次類推，Fp稱為第p主因子。

4.求方差貢獻率，確定主因子個數。一般而言，主因子個數等于原始指標個數，但如果原始指標個數較多時，進行綜合評價的工作量就很大也比較麻煩。主因子分析法就是選取盡量少的Ｋ個主因子來進行綜合評價，同時盡量不丟失信息量。Ｋ值由方差貢獻率決定，一般地說，Ｋ不應小于85%。

5.對Ｋ個主因子進行綜合評價。先求每一個主因子的線性加權值，即第3個步驟中的，再以方差貢獻率為權重，對這Ｋ個主因子進行加權求和，即得最終評價值Ｖ:

四、BP神經網絡評價模型

1.網絡結構設計。根據評價對象的特點采用三層（輸入層、中間層、輸出層）神經網絡模型，輸入層的輸入為主成份分析的結果，輸出層的輸出為預先設定值。

2.各層參數的確定。輸入層的輸入：;輸出層的希望輸出：;中間層的輸入：;中間層的輸出：;輸出層的輸入：;輸出層的實際輸出：;中間層神經元的閾值:;輸出層的閾值：;輸入層與中間層的連接權值:中間層與輸出層的連接權值:。

3.BP學習算法流程。第一，初始化，賦予（-1.1）的隨機值。第二，隨機選取學習樣本模式對進行操作。第三步，計算中間層單元輸入和輸出，式中。第四步，計算輸出層單元的輸入輸出，。第五步，計算輸出層各單元的一般誤差，。第六步，計算中間層各單元一般誤差，。第七步，權值修訂。首先取，為（0，1）內較大的數（例如0.6），循環計算多次后（例如50次），如果誤差仍沒有達到精度要求，則逐漸減少的取值。，第八步，計算誤差。首先，定義誤差式中k為第k個樣本。當時訓練結束，否則返回第二步，式中m為訓練樣本數，為事先確定值。第九步，確定各個權值之后模型確定。最后將百貨業數據輸入模型即可應用。

參考文獻：

[1]韓力群:人工神經網絡理論設計及應用[M].北京：化學工業出版社，2002.1-193

[2]盧紋岱:SPSS for Windows統計分析[M].北京:電子工業出版社，2000. 414—417

[3]邁克爾.波特著陳小悅譯:《競爭戰略》第一版，華夏出版社，北京，1997年版

[4]于秀林任雪松:多元統計分析[M].北京:中國統計出版社，1999

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。