批發零售行業營銷風險模型初探

符美琳

（天津大學，300072）

1 模型設計

根據既往研究，采用較為成熟的營銷風險綜合指數指標體系和BP神經網絡模型的原理進行模型構建。

1.1 輸入層的節點選取

根據營銷風險綜合指數指標體系，將14個二級指標作為BP網絡的輸入節點。

1.2 輸出層的節點選取

對營銷風險的衡量是一個從定性到定量,再從定量到定性的過程。通過將主客觀指標量化后輸入BP神經網絡模型，然后結合評價集的設定和輸出結果，對企業營銷風險做出合理的定性評價。因此，將輸出層神經元數設置為1個。而對輸出值的定性化處理，實際上是對企業營銷風險等級做出判斷。企業根據評價模型得出的營銷風險綜合指數值，就可以采取相應的應對措施。在本文中，輸出值的定性化處理是根據評價集給出的，即：危急風險狀態的范圍是0≤X＜0.2，高度風險狀態的范圍是0.2≤X＜0.4,輕微風險狀態的范圍是0.4≤X＜0.6,在正常狀態的范圍是0.6≤X＜0.8,優良狀態的范圍是0.8≤ X≤ 1。

1.3 隱含層的節點選取

可以說隱含層節點的選取一直是構建BP網絡模型的難點，尚無通用的指導原則，應綜合考慮理論、現實經驗等多方面因素。因此，我們主要結合下述經驗公式確定具體的隱含層節點數：

令α為隱含層的節點數，m為輸入層的節點數（則本文中m=14），n為輸出層的節點數（則本文中n=1）,則有：

經過試算，α的值在[7，8.4]之間考慮，可以將隱含層的節點數確定為7或8。在進行具體的BP神經網絡模型訓練時，還應該將不同的隱含層節點數進行反復嘗試，以確定最佳數目。

2 樣本數據采集

在采集企業樣本數據時，主要有以下兩種方法：一是選擇不同企業的同時期各指標數據，二是選擇同一企業不同時期的各指標數據。然而從現實情況來看，企業處于商業保密的考慮，一些企業也不愿提供完整真實的數據。本文擬采取第一種樣本數據收集方法，對57個企業的營銷數據進行采集，并做規范化處理后作為BP神經網絡模型的輸入。

3 對指標值的規范化處理

針對本章第二節確立的批發零售行業營銷風險綜合指數指標體系，本文將對指標值進行如下的規范化處理：首先，采用模糊評價法對主觀指標進行量化處理，然后對客觀指標和量化處理過的主觀指標進行無量綱化處理。

3.1 對主觀指標進行量化處理

對顧客忠誠率（Y1）、計劃誤導率（Y3）、行業進入難易度（Y8）渠道控制力（Y10）、沖突的頻率和強度（Y14）這五項主觀指標值采用模糊評價法進行量化處理。

（1）確定模糊評價指標集

X=（X1，X2，X3，……，X）

根據第二節的評價指標體系，在這里，

X=（Y1，Y3，Y8，Y10，Y14）

（2）確定評語集

V=（V1，V2，V3，……，Vm）

評語集可以采用等級評價法。根據所要收集的主觀指標值的數據，采用五等級評價法，即：V1代表很好，V2代表好，V3代表一般，V4代表差，V5代表很差。

V=（很好，好，一般，差，很差）

（3）確定隸屬度集

U=（U1，U2，U3，……，Um）

即對評語集賦值。本文選用5分制對評語集賦值：很好5，好 4，一般 3，差 2，很差 1。

U=（5，4，3，2，1）

（4）確定每個指標的分值等級.

請m位專家對每個樣本中的主觀評價指標進行5分值等級評價判斷。其中每位專家對每個指標值只能確定一個分值等級。

（5）構造隸屬度矩陣R.

矩陣對應分值： 5 4 3 2 1

在這里，rij表示專家將第i個指標歸為第j個分數等級的頻率，即將第i個指標歸為第j個分數等級的專家占全部專家人數m的比例。

（6）計算綜合隸屬度矩陣

s1,s2,s3,s4,s5即是對應于顧客忠誠率(Y1)、計劃誤導率(Y3)、行業進入難易度 (Y8)、渠道控制力 (Y10)、沖突的頻率和強度 (Y14)的比較準確的定性指標值。

3.2 對主客觀指標進行無量綱化處理

雖然主客觀指標值都已經是定量化的數據，但也不能直接輸入到風險評價模型中直接參與評價。因為各指標的性質、不同、量綱均不同，存在不可共度性。因此，須將指標的實際值作無量綱化處理，使處理后的數據不受各指標具體的性質、屬性和數量級的影響。無量綱化的方法有直線型無量綱化法、折線型無量綱化法、和曲線型無量綱化法三大類。本文采用直線型無量綱化方法，所用公式如下：

公式 ：W= ︱ 100-（p-z）ɑ ︱

4 模型的建立與檢測

為了使模型的結果更加直觀、簡潔，本文通過應用MATLAB中的神經網絡工具箱圖形用戶界面來實現BP神經網絡的建立和檢測。

4.1 確定模型的輸入值、輸出值

通過樣本數據采集方法，選取了60個企業的60個數據組作為樣本數據。其中將使用50組企業的數據作為訓練樣本，用后10組數據作為檢測樣本。

其中確定目標輸出值的具體步驟如下：

（1）確定主客觀指標的權重集

根據上一節確定的風險指標權重可以得到：

主觀指標權重集 Af=(W2,W5,W9,W10,W14)=(0.0107，0.1168，0.0203，0.049，0.0236）。

客觀指標權重集 Ad=(W1,W3,W4,W6,W7,W8,W11,W12,W13)=(0.0184，0.1111，0.0234，0.2828,0.0566,0.0608,0.0201,0.1986,0.0079)。

（2）對每組樣本數據進行規范化處理后得到主客觀指標值集

按上一節介紹的指標值規范化處理方法，對20組樣本數據分別進行規范化處理，得到每組樣本數據的主客觀指標值：

主觀指標值集 Gf=(g2,g5,g9,g10,g14)

客觀指標值集 Ed=(e1,e3,e4,e6,e7,e8,e11,e12,e13)

（3）計算評價指標的綜合值

S = [Af，Ad]×[Gf, Ed]T

S即是每組樣本的目標輸出值。

4.2 模型的建立和訓練

在建立BP神經網絡模型時，隱含層的傳遞函數采用對數S型logsig函數，將的輸入壓縮為輸出。輸出層采用線性函數purelin,這樣整個網絡的輸出可以取任意值。同時采用訓練函數trainlm，該算法采用更有效的數值優化方法。

4.3 模型的檢測

根據對模型的訓練已經使模型處于穩定的狀態。通過數據的后10組數據可以檢測模型是否真正達到我們所需的要求。通過檢測發現模型安全符合標準。

4.4 模型效果評價

結果顯示，后10組樣本數據的檢測結果與實際目標輸出值的擬合程度100%，同時達到誤差目標的要求，表明模型構建是較為成功的。這里需要指出：由于樣本數據量偏少，BP網絡做出的預測在穩定性方面有所不足。這有待于以后大批量數據對模型進行訓練以期改善。

5 結論

本文在借鑒國內外相關研究基礎上，針對我國批發零售行業探索了較為完備營銷風險綜合指數指標體系，初步構建了營銷風險評價模型。綜上，本文的研究成果如下：

1)根據國內外相關文獻提出營銷風險綜合指數概念；

2)針對批發企業的營銷活動特點，設計了營銷風險綜合指數指標體系。

3)基于BP神經網絡模型建立批發零售企業營銷風險綜合指數模型。

本文研究的不足之處在于：

1)雖然數據來自于各個企業，但是其中有很大一部分是營銷人員主觀意志的體現。因此在數據分析時難免會存在誤差。因此對于企業來說要想做好營銷風險控制和預防，應該事先對營銷風險數據進行一定的保存和整理，這樣才能客觀的給出真實結果。

2)對BP神經網絡進行訓練和測算時，因為樣本數據偏少，導致模型的預測還不夠穩定。因此要繼續通過大量的數據進行模擬和仿真，已達到最佳效果。