基于BP神經網絡的品牌競爭力評估研究

　　摘要：文章在綜合考慮品牌的顧客價值和企業價值的基礎上，從四個維度建立品牌競爭力評估的指標體系，并運用BP神經網絡模型預測目標品牌的競爭力。該方法通過樣本的品牌數據訓練BP神經網絡的學習功能，再將目標品牌的指標值輸入訓練后的BP神經網絡，評估目標品牌的競爭力大小。
　　關鍵詞：品牌競爭力；BP神經網絡；評估指標
　　一、前言
　　競爭是市場經濟的本質，企業作為市場經濟的主體也處在各種競爭中。當市場經歷單一的產品競爭、質量競爭、價格競爭、廣告競爭等等之后，以品牌為核心的競爭模式將會成為引領市場的主要形式。企業如果成功塑造了市場領導者品牌，就會形成持續有效的、創造無限價值的競爭力。
　　品牌競爭力是企業在市場決戰中最重要的能力，用通俗的話說，如果你的產品比其他牌子的同類產品賣得好、賣得快、賣得貴、賣得久，就說明你的品牌競爭力強；反之，就說明你的品牌競爭力弱。因此，評估企業自身品牌的競爭實力成為擺在企業前的一個迫切議題。國內外的一些學者已從不同角度提出科學定量評估品牌競爭力的許多方法：市場表現評估法主要從品牌競爭力的表象方面進行評估；品牌綜合管理能力指標評估法、品牌競爭力基礎工作評估法都只單方面考慮從企業因素來衡量競爭力的強弱，未考慮品牌的顧客因素；與之相對應的基于顧客價值的品牌競爭力評估則沒有考慮品牌對企業的價值體現。因此，本文基于品牌的顧客價值和企業價值的雙重角度，從四個維度建立品牌競爭力評估的指標體系，并運用BP神經網絡模型預測目標品牌的競爭力。
　　二、品牌競爭力的評估指標體系
　　由于前述評估方法的片面性，其指標體系必然體現著不完善性。品牌競爭力的評估體系應綜合體現品牌的顧客價值和品牌所反映企業的各方面能力的綜合，基于顧客價值我們建立準則層——顧客的忠誠度，基于企業的品牌競爭力我們建立三個準則層——品牌市場能力、品牌管理能力和品牌基礎能力。對于各個子準則層體現的具體因素內容如表1所示。
　　三、基于BP神經網絡的品牌競爭力評估模型
　　近年來，眾多學者量化評估品牌競爭力的方法主要有層次分析法、線性回歸分析法、第二代回歸分析方法、模糊綜合評判法等。神經網絡的出現給多指標的系統評價提供了新思路，特別是BP神經網絡強大的自學自適應能力，在很多行業得到不同程度的成功應用，非常適用于對矛盾復雜的、近似的、不確定的知識環境做決策，能成功解決相關因素人為權重設計的主觀性及相關系數的復雜計算。
　　（一）BP人工神經網絡基本原理
　　BP網絡是一種反向傳遞并能修正誤差的多層反饋型網絡，其結構一般由輸入層、輸出層和隱含層構成，層與層之間的神經元通過相應的網絡權系數完全互連；同層內的神經元則無關聯。神經網絡在外界輸入樣本的刺激下不斷改變網絡的連接權值，將網絡輸出值和期望輸出值的誤差由輸出層、隱含層、輸入層的反向傳遞，以使網絡的輸出不斷地接近實際的輸出。
　　（二）基于BP神經網絡的品牌競爭力評估模型
　　1.人工神經網絡模型結構的確定。根據自變量一般為BP神經網絡模型的輸入層，因變量一般為輸出層的原則，品牌競爭力的BP神經網絡模型中，指標體系中目標層品牌競爭力的大小為輸出層，設強、中、弱三個判定層次；子準則層作為品牌競爭力的影響因子，其14個指標為輸入層，分別為X（C1）-X（C14）。
　　為達到BP神經網絡容量大小和網絡訓練時間的良好效果，本模型中訓練層的節點數取29個為最佳（隱含層的節點數=2倍輸入節點數+1）。
　　2.樣本選擇與組織。在樣本的選擇中，應選擇有顯著代表性且分布均勻的、足夠數量的樣本。為評估目標品牌競爭力大小，可先選取一些本企業已開發的品牌或可獲取的其他品牌產品的實際經營數據作為訓練、測試樣本。
　　3.輸入層的確定。在表1提出的14個指標中，由于不同指標是從不同的角度反映品牌競爭力，指標之間又由于量綱不同，所以無法進行比較。因此，從最終評價值的確定和神經網絡訓練的收斂性考慮，需要對指標先進行無量綱化處理。
　　（1）定性指標：這些指標的評價值采用專家打分法進行評價，取值為0.0-1.0之間。
　　（2）定量指標：定量指標又分為正向指標，逆向指標和適度指標。
　　正向指標一般采用下面的線性遞增函數進行描述：
　　yi=0 x（c）≤x（c） x（c）≤x（c）≤x（c）1　　　　　　 x（c）≥x（c）
　　逆向指標一般采用下面的無量綱化標準函數：
　　yi=0 x（c）≤x（c） x（c）≤x（c）≤x（c）1　　　　　　 x（c）≥x（c）
　　適度指標一般采用下面的函數進行無量綱化處理：
　　yi=
　　其中，q為該指標的最適合值。
　　4．訓練函數的選擇。由于輸入層變量和輸出層變量不成線性關系，所以隱含層一般選擇Sigmoid函數為激勵函數，即ｆ（ｘ）=，實現輸入層和輸出層的非線性映射。
　　5.BP神經網絡的訓練和終止。在該模型中，我們引入動量批梯度下降函數，即一種批處理的前饋神經網絡訓練方法，不但提高了收斂速度，而且引入了一個動量項，有效避免了局部最小問題在網絡訓練中的出現。我們先將85%-90%的訓練樣本的指標值輸入網絡，按照公式一層一層的計算隱含層神經元和輸出層神經元的輸入和輸出，當神經網絡的輸出值和實際輸出值的均方誤差超過某一閾值，則將誤差函數沿輸出層、隱含層、輸入層反向傳遞，調整神經網絡各個神經元的閾值和各層連接權值，使誤差函數不斷減小。在訓練網絡的過程中，訓練一定次數后就停下來，用保留的15%-10%的測試樣本檢驗此時網絡的測試誤差，當測試誤差下降到目標誤差精度以下時，則停止訓練，此時則為最佳訓練次數，模型輸出值和實際輸出值實現最優擬合。
　　6.目標品牌競爭力大小的評估。將要預測的品牌的指標值輸入訓練好的BP神經網絡，該模型就能相對客觀地對該品牌的競爭力進行評估，輸出層的輸出值就是該品牌競爭力的判定值，通過判定值可知品牌競爭力的強弱（整個流程見圖1）。
　　四、結束語
　　品牌的研究在中國還將走得更遠，本文在現有研究的基礎上提出將品牌競爭力的量化評估與人工智能進行簡單結合，克服評估工作過程中人為因素的主觀性及相關權數計算的復雜性，提高品牌競爭力評估的可信性與客觀性，使評價結果更客觀反映企業品牌建設的真實狀況，為企業診斷品牌經營問題，打造核心競爭力經營決策提供更可靠的信息支持。
　　參考文獻：
　　1.