中小物流企業聯盟伙伴選擇——基于PCA-BP神經網絡

甘家華，馬 暕，王建偉，荊 瑩

（長安大學經濟與管理學院，陜西 西安 710064）

一、引言

我國物流市場主體過散、過弱，單個企業競爭力不強、抗風險能力弱是導致目前物流組織化程度偏低、組織方式落后、總體效率不高、物流成本居高不下等問題的重要原因之一。近年來，物流市場的各類企業都在探索集約化經營之道，經過不斷的探索和實踐，整合優勢資源走聯盟發展之路漸成大勢所趨，特別是對于占物流市場90%以上的中小企業，不具備相互合并的資金實力與管理能力來擴大規模，因而結合企業核心專長、互補所短來組建聯盟已經成為企業快速擴張物流網絡，提升物流服務能力，降低物流成本的最佳途徑[1]。交通運輸部在2013年6月出臺的《交通運輸行業推進物流業健康發展的指導意見》中，明確提出“鼓勵中小企業聯盟發展，扭轉市場主體過散、過弱的局面，提高企業競爭力和市場抗風險能力”，形成以區域性中小企業聯盟為主體的物流市場主體結構。

當前，我國中小物流企業聯盟發展總體上還處于探索階段，缺乏成熟的管理經驗，而很多聯盟管理的關鍵問題又與聯盟的成敗息息相關。聯盟伙伴選擇就是聯盟能否成功組建和順利運行的核心問題，合適的聯盟伙伴可以有效地促進和推動聯盟的健康發展，形成穩定持久的聯盟關系，而不合適的聯盟伙伴則可能給聯盟組織帶來難以預料的破壞和損失。而我國中小物流企業在選擇聯盟伙伴時，主要存在著評價指標體系中戰略兼容性、業務協同性、長期穩定型因素較為缺乏，評價模型和方法適用性不強等問題。因此，構建科學合理的評價指標體系，選擇完善適用評價模型方法，是當前中小物流企業聯盟伙伴的選擇中需要解決的關鍵問題。

目前國內外對于中小物流聯盟伙伴選擇方法的研究還比較少，現有的研究主要是針對供應商的選擇和虛擬物流聯盟的伙伴選擇問題，雖然這些豐富的研究成果為本研究提供了有益的借鑒，但其與文章的研究對象有著顯著區別。在供應商選擇中，需求企業與供應商之間的關系多為單邊協議，體現為委托代理關系，相互間為合作關系，而中小物流企業聯盟的合作伙伴間的關系則根據不同聯盟類型包含了單邊、雙邊及多邊協議，參與主體較多，相互間不僅是合作，而且還有競爭關系。中小物流企業聯盟與虛擬聯盟在伙伴選擇中的主要區別是中小物流企業聯盟更加注重合作的穩定性和持久性，不是短期的任務合作。當前關于聯盟伙伴選擇的研究集中在兩個方面：一是針對聯盟伙伴選擇的指標體系構建問題，李強(2007)[2]分別從不同緯度構建了較為全面的指標體系，但指出具體指標，使之后的建模評價具有較強的主觀性而不宜應用。陳飛兒等(2004)、夏維力等(2006)[3-5]從各自研究視角提出了具體全面的成員考察指標，但從中小物流企業聯盟發展要求出發，未能充分考慮企業間合作的戰略兼容性、合作過程中的業務協同性及長期穩定性。二是針對聯盟伙伴選擇的模型算法研究，常見的相關研究提出的有線性權重計分法、成本估算法、AHP、DEA、TOPSIS、模糊綜合評價法等，這些方法在指標權重系數確定時具有較多的主觀因素，對評價中不確定和不完備信息的設計處理不完善，在處理大量數據尤其是涉及存在較大關聯性指標時穩定性較差，準確性和效率不高。

基于此，文章構建了針對中小物流企業聯盟特性和聯盟物流業務運作特點的伙伴選擇評價體系，同時結合主成分分析(PCA)方法對復雜的指標體系進行降維處理，使得評價工作更具有針對性，可以簡化神經網絡的輸入，而BP神經網絡具有自適應學習能力，可以從外界獲取信息進行存儲并自動提取規律求解，避免確定權重過程中的人為主觀因素，從而有效提高中小物流聯盟伙伴選擇的準確性與客觀性，因此采用PCA結合BP神經網絡的方法建立評價網絡模型，利用SPSS和Matlab軟件進行數據分析和仿真實現，建立了一種新的中小物流企業聯盟伙伴選擇方法體系，并利用企業的真實數據進行方法驗證，得到了較為準確的評價結果。

二、中小物流企業聯盟伙伴評價指標體系

評價指標的選取需要結合中小物流企業聯盟的特點和發展要求來進行，除了將企業規模、業務類型、地域分布、企業聲譽等作為基本的考核要素外，還需要重點考慮戰略兼容性、合作過程中的業務協同性和聯盟發展能力，以此來保證合作的長期穩定和多家企業完成同一物流業務時的協調一致。結合相關文獻，文章從物流服務質量、企業成本、財務風險、企業發展潛力、企業柔性以及兼容性六個方面建立較為系統全面的評價指標體系框架。

（1）物流服務質量指標。物流服務質量是衡量物流服務企業基本業務能力的指標。當前我國物流市場的競爭形勢已經發生了深刻的變化，高品質的物流服務競爭已成為趨勢，因此對聯盟成員企業物流任務的完成質量進行重點考察是提高聯盟整體物流服務質量的決定因素，主要通過保質率、準時率和訂單完成率指標來反映。

（2）物流成本指標。物流服務價格是客戶選擇物流服務商時所要考慮的重要因素，而聯盟物流服務價格高低的直接影響因素是聯盟成員自身的服務成本。因此，成本對于聯盟伙伴選擇也至關重要，若聯盟中有幾家企業成本過高，則會直接影響到整個聯盟的服務價格，降低聯盟的市場競爭力。主要從物流企業的服務成本和成本改善計劃兩個指標來衡量。

（3）財務風險指標。財務穩定是一個企業健康發展的重要反應指標，如果物流聯盟企業財務方面存在風險，很可能會給整個聯盟帶來不良影響，甚至拖垮聯盟。主要以總資產周轉率、總資產收益率和資產負債率來衡量。

（4）發展潛力指標。作為物流聯盟候選合作伙伴，必須在具有一定實力的基礎上還具有發展潛力，這是建立長久合作關系、保障穩定性的基礎。另外，企業運用現代信息技術的能力也成為提高物流運作效率和服務及時性的重要競爭因素。文章主要從信息化水平、資產經費投入率以及企業的人員素質三個指標來衡量企業的未來發展潛力。

（5）企業柔性指標。企業柔性是指企業面對市場需求變化的響應能力，表現為可以在客戶需求數量和時間不規則變化的情況下保持較高的服務水平。隨著經濟社會發展，滿足日益增長和不斷變化的客戶個性化需求已經成為對物流企業服務能力的基本要求，而聯盟成員企業柔性的高低直接影響著整個聯盟的穩定性，若柔性不夠就會在業務協同運作中形成瓶頸，降低整體效率和質量。文章主要從時間柔性和數量柔性來說明。

（6）合作兼容性指標。聯盟屬于長期深入的合作，與一次性的市場交易不同，合作企業之間的相互依存度很大。如果聯盟企業內部在戰略目標、企業文化以及管理體制等方面存在較大差異，甚至沖突，將會妨礙溝通，造成信任危機，可能導致聯盟的失敗。文章主要從戰略目標和企業文化的兼容性這兩個指標來衡量。

三、基于PCA-BP神經網絡的中小物流企業聯盟伙伴選擇分析

1.主成分分析法

主成分分析法(Principal Components Analysis，PCA)是一種基于降維思想的多元統計分析方法。采用PCA法將中小物流企業聯盟伙伴選擇指標原始數據進行降維處理，在盡量減少信息損失的前提下，把具有相關關系的指標轉化為新的相互獨立的綜合指標，使得同一主成分內的元素之間盡可能地相似，不同主成分的元素之間的差異盡可能大，因此使得主成分比原始數據的性能更優越，從而簡化了復雜的伙伴選擇指標體系，抓住主要矛盾，使原來多維的復雜問題大大簡化，提高了分析效率。其主要算法步驟如下：

（2）對標準化矩陣求相關系數矩陣R：

（3）計算R的特征值和特征向量。設求出λ1≥λ2≥噎≥λm≥0是 R 的特征值：α1，α2，α3，αm是相對應的特征向量，可得到一組主成分用Zp表示：

其中，‖αi‖＝1，i=1，2，噎，m。

（5）計算主成分載荷及主成分得分。假設主成分載荷為?i，主成分得分為 τ1，則

其中，αi(i=1，2，噎，m)為相應特征值的特征向量。

其中，xi(i=1，2，噎，m)為各變量的標準化數值。將計算出的各主成分的分值作為神經網絡新的訓練樣本輸入。

2.BP神經網絡

BP神經網絡是采用誤差逆傳播算法訓練的多層前饋神經網絡，具有自適應、自學習和自聯想等優秀特點而得到了廣泛應用。文章以BP神經網絡模型來對聯盟候選伙伴進行評價，通過其有規則的學習和訓練找出輸入信號與輸出信號之間的內在聯系，可以有效弱化在確定指標權重過程中人為因素影響。同時，由于候選聯盟伙伴選擇指標繁多且相互關系復雜，多呈現出非線性關系，而BP神經網絡處理此類非線性問題較好，通過對已有樣本的學習，利用離線和在線相結合的方法，獲得評價專家的知識、經驗、主觀判斷及其重要性的傾向，建立起指標間的定量關系。當對其他候選聯盟伙伴進行評價時，可再現評價專家的經驗、知識和直覺思維，能夠保證評價結果的客觀性。BP網絡的拓撲結構由輸入層、輸出層和隱含層構成。

3.基于PCA-BP神經網絡的聯盟伙伴選擇

中小物流企業聯盟伙伴選擇評價指標體系包含樣本數較多，直接作為輸入數據會導致神經網絡結構過于復雜，影響模型訓練速度和評價結果的準確性。PCA-BP評價利用PCA對數據集進行簡化處理，將復雜的指標體系轉化成K維體現原指標特點的主成分作為BP神經網絡的輸入數據，利用BP神經網絡模型進行訓練，以符合精度要求的神經網絡進行聯盟伙伴選擇，主要步驟為：第一步，對訓練樣本做標準化處理；第二步，對神經網絡輸入數據做主成分分析，提取主成分并計算每個樣本的主成分值；第三步，設計神經網絡結構，文章設計含有一個隱含層的三層BP神經網絡結構，輸入層神經元數目為主成分的個數，隱含層神經元數目經過多次訓練確定，輸出層節點為1，設計出神經網絡拓撲結構；第四步，將各個樣本的主成分值作為神經網絡的輸入數據，將代表綜合評價的值作為神經網絡的輸出，運用Matlab工具對神經網絡進行訓練；第五步，對神經網絡的泛化能力進行檢驗，即誤差比對。對訓練輸出與期望輸出進行誤差比對，當誤差小于設定值時，神經網絡所持有的那組權值和閾值便是網絡經過自適應學習所得到的正確的內部表示；第六步，神經網絡訓練成功后，即可作為選擇聯盟伙伴的有效工具，對候選聯盟伙伴進行評價選擇。

四、實例分析

1.數據源

浙江YL中小物流企業聯盟（簡稱YL聯盟）是由義烏市15家中小型物流企業組建而成，目前已經發展成為集集裝箱運輸、國際貨運代理、物流場站以及倉儲服務為一體的綜合性物流聯盟。為進一步發展壯大，公司正在積極吸納聯盟伙伴，經前期調研收集資料和初步篩選，確定了六家基本符合聯盟要求的候選企業，現從中選擇最合適的聯盟伙伴。根據PCA-BP神經網絡的評價方法，在進行成員選擇之前，首先要對神經網絡進行訓練，而訓練需要與案例數據類似的樣本數據，依據前文評價指標體系，選取YL聯盟現有15家物流企業作為訓練樣本，具體情況見表1。

2.原始數據PCA分析

對原始數據做PCA分析處理，得到小于指標數目的主成分作為神經網絡的輸入數據。利用SPSS18.0對樣本數據進行主成分分析。第一，對原始數據進行標準化處理，經過KMO檢驗顯示樣本數據符合主成分分析的要求。第二，求出標準化后數據的相關系數矩陣并計算出相關系數矩陣額特征值、方差貢獻率和累計貢獻率。在數據處理過程中發現，前6個特征值的累計方差貢獻率已達到85%，且其特征根都在1以上，選擇F1，F2，…，F6為主成分。第三，選定主成分后，分別利用式(3)、式(4)計算因子載荷和各主成分的得分值。即得到神經網絡的輸入矩陣，通過主成分分析得出的6個主成分將作為BP神經網絡的輸入神經元。

3.建立PCA-BP神經網絡的中小物流企業選擇模型

（1）建立模型。根據主成分分析的結果，確定神經網絡的輸入神經元個數為6，輸出層個數為1，隱含層的個數通過對多次模型訓練實驗結果的比較最終確定為15個。

（2）神經網絡訓練。采用Matlab軟件創建BP神經網絡，設置網絡層數為3層，選用trainlm作為訓練函數，learngdm作為自適應學習函數，mse為性能函數，tansig為激勵函數，最大訓練次數為1000次，期望誤差為0.00001。選擇PCA計算后的前12組樣本作為網絡的訓練樣本，后3組樣本作為網絡檢測樣本，對創建好的BP神經網絡進行訓練。經網絡計算，當訓練至第250步時，網絡性能達到期望水平并保持穩定，即BP神經網絡收斂，訓練結束，代表訓練誤差達到平穩狀態。

（3）模型檢測。在樣本數據中，選擇第13到第15組數據作為檢測數據，對BP神將網絡的誤差進行檢驗。將網絡實際輸出與期望輸出進行誤差對比，如表2所示。檢測結果表明，實際網絡輸出與期望輸出的平均相對誤差為0.68%，誤差較小，這說明此BP神經網絡具有較好的仿真預測功能，因而可以此模型對候選聯盟伙伴進行評價。

4.模型應用與結果分析

利用上述訓練成功的BP神經網絡對YL聯盟的六家候選伙伴進行評價。通過對表1中的數據進行標準化，按照訓練樣本提取的主成分因子載荷計算各主成分值，并作為已經訓練好的BP神經網絡的輸入值，對各候選企業進行綜合分析評價，得到的仿真結果如下：Network1_outputs1(testy)：[0.77461 0.59823 0.725640.69304 0.823610.44015]， 輸 出結果分別依次對應六家候選企業I、II、III、IV、V、VI，從結果可知，企業V是最適宜的候選伙伴，企業VI是最不適宜的合作伙伴，而企業I和III則可作為后備伙伴。

五、結論

在分析當前中小物流企業聯盟伙伴選擇研究及實踐中存在的問題基礎上，根據中小物流企業聯盟成員數量多，影響因素復雜等特點，在成員選擇中需要重點考慮戰略兼容性、長期穩定性、合作過程中的業務協同性和聯盟發展能力，因此從物流服務質量、企業成本、財務風險、企業發展潛力、企業柔性和兼容性六個方面建立較為系統全面的聯盟伙伴選擇的指標體系。根據PCA和BP神經網絡的應用原理和特點，結合中小物流企業聯盟伙伴選擇實際，建立了基于PCA-BP神經網絡的中小物流企業聯盟伙伴選擇模型。利用PCA在保證數據信息損失最少的原則下對數據進行降維，把多個指標屬性轉化為少數綜合指標，避免了屬性之間的共線性問題，將主成分分析的結果作為神經網絡的輸入層，減少了神經網絡的神經元個數，簡化了網絡拓撲結構，加快了計算速度。結合BP神經網絡具有自適應學習能力，可以從外界獲取信息進行存儲，自動提取規律進行求解，避免了確定權重過程中的人為主觀因素，可有效改進物流聯盟伙伴選擇的準確性與客觀性。該方法克服了當前聯盟成員選擇決策方法操作性差的弱點，改進的方法更加科學合理。將該模型在YL聯盟的伙伴選擇實例中應用，利用SPSS軟件和Matlab軟件對模型進行數據處理與仿真的實現，驗證了模型的可行性和有效性，評價結果客觀有效，可以成為中小物流企業聯盟伙伴選擇中簡便靈活、可操作性較強的工具。

表1 YL聯盟現有成員基本情況

表2 BP神經網絡的模型檢測結果

[1]交通運輸部道路運輸司.貨運與物流企業轉型發展典型案例 [M].北京：人民交通出版社，2013.

[2]李強.運輸企業聯盟組建及其合作伙伴選擇研究 [D].長春:吉林大學，2007.

[3]陳飛兒，張仁頤.物流企業聯盟伙伴的選擇 [J].上海海事大學學報，2004(3):47-50.

[4]夏維力，楊海光.基于BP神經網絡的虛擬企業合作伙伴選擇研究[J].科技進步與對策，2006(11)：43-145.

[5]Das TKTeng(B-S).Instabilities ofStrategic Alliances：An Internal Tensions Perspective[J].Organization Science，2000(11)：77-101.