大數據時代我國裝備制造業轉型升級研究

欒世奇

摘 要：BP-神經網絡技術能實現100%高精度擬合，但目前，BP-神經網絡技術在物流效率評價上的應用較少。通過分析物流效率的影響因素，確定物流業的投入與產出指標，建立基于BP神經網絡結構的物流產業GDP預測模型。結合西安市2003—2010年的物流投入產出數據，新模型的預測精度高達99.9%。基于BP-神經網絡的物流產業GDP預測模型對貨運量、物流產業GDP及貨物周轉量進行預測，以期為城市物流效率的衡量提供合理的測評方法，為城市流體系建設及物流資源整合提供決策參考。

關鍵詞：BP神經網絡;物流效率;物流產業GDP;預測

中圖分類號：F252 ? ? ? ?文獻標志碼：A ? ? ?文章編號：1673-291X（2019）06-0029-03

一、物流效率研究現狀

目前已有很多學者從事城市物流的研究，尤其是城市貨物運輸方面，Knemeyer提出物流業效率與顧客之間的溝通、顧客對企業的信任是有關聯關系的[1]。Lai從FFD、VAL和TEL三個方面，對物流企業的服務能力及績效進行了對比分析[1]。陶經輝從企業層面基于DEA方法，對年貨物處理能力進行了分析[2]。賀竹磬從省級層面并利用DEA方法，對貨運量、貨運周轉量、物流產值進行了分析[3]。惠玉蓉從行業層面，利用DEA方法研究物流業產值、貨運量及周轉量變化特征[4]。許多學者從績效、成本、產值等方面分區域、分產業、分企業對物流企業效率進行了研究[5～9]。劉滿芝提出城市物流定量評價，并在此基礎上提出了城市物流效率的模型和方法[10]。我國物流業20世紀80年代后期才開始快速發展，起步比較晚，因此對物流效率指標選擇以及內容的研究還缺乏先進性與系統性。評價模型大多采用C2R-DEA或BBC-DEA等傳統模型，對于貨運量及周轉量定量預測方法較少。本文旨在研究BP-神經網絡的優缺點，率先建立合適的物流效率網絡輸入輸出模型，基于歷史數據進行權值訓練，對貨運量、物流產業GDP及貨物周轉量進行預測。

二、BP-神經網絡算法

1.物流效率評價中的BP神經網絡結構。物流效率評價中的BP神經網絡通常包含一、二、三層（如下頁圖1所示）。

其中，第一層為輸入層，第二層為隱含層，第三層為輸出層。xj為第一層第節點j的輸入，j=1，2，…，M，M為正整數;wi，j為第二層節點i到第一層節點j之間的權值;？茲i為第二層節點i的閾值;？準為第二層功能函數;vk，j為第三層節點k到第二層節點i之間的權值，i=1，2，…，q，q取正整數[11]。

2.BP神經網絡計算過程。具體計算步驟如下：

從基于物流效率評價的神經網絡結構第一層開始計算，結合最速梯度下降理論，計算相關節點處的值及閾值，讓經過訓練后模擬結果能夠與實際期望值盡可能的接近，從而實現新的數據條件下的物流效率評價預測。

三、基于神經網絡的物流效率評價

結合實際情況，選擇物流投入與產出指標（如下頁表1所示）。

基于物流業的投入與產出指標，建立輸入輸出BP神經網絡預測模型。其一，建立輸入層指標x1、x2、x3、Y2、Y3（或以投入指標X1、X2、X3進行訓練）;其二，建立輸出層指標Y1（或以產出指標作為輸出進行多輸出預測）;其三，引入數據標準化統計模型，將輸入指標進行歸一化處理，建立歸一化數據輸入;其四，按照隱含層神經元計算規則，形成網絡結構圖（見下頁圖2）;其五，設定網絡參數，開展網絡訓練，確定基于物流業投入與產出歷史數據的權值;其六，開展基于網絡訓練的物流產業GDP預測。

四、實證結果分析

選擇某市2003—2010年的物流投入產出數據（如表2所示）。

1.建立基于物流投入—產出的BP神經網絡模型（見圖2）。

2.設置訓練參數。歸一化處理后GDP預測值為（0.51621， 0.55348，0.65129，0.74367，0.83886，0.90901，0.95538，0.99735），歸一化處理后GDP實際值為（0.5161，0.5536，0.6513，0.7437， 0.8388，0.9093，0.9547，1）。因而，可以利用該網絡模型實現99.9%以上的高精度物流GDP單變量預測。利用sim函數還能對不同輸入值條件進行預測，這為物流資源有效整合奠定了強有力的理論基礎與技術支持。

五、結語

首先，物流業的投入與產出指標、從業人員指標、投資總額指標、線路運輸長度與產出指標、物流業GDP、貨運量、貨物周轉量能建立多輸入單輸出及多輸入多輸出網絡結構;其次，BP神經網絡結構適用于物流效率評價，基于BP神經網絡的物流產業GDP模型預測精度大于99.9%;最后，高精度投入、產出指標網絡預測為城市流體系建設及物流資源整合提供決策參考。

參考文獻：

[1] ?肖丹.低碳經濟下城市物流效率評價研究[D].江門：五邑大學，2012.

[2] ?陶經輝.數據包絡分析在物流園區規劃方案評價中的應用[J].公路交通科技，2005，（2）：139-141.

[3] ?賀竹磬.我國區域物流相對有效性分析[J].科研管理，2006，（6）：145-148.

[4] ?惠玉蓉.基于數據包絡分析（DEA）的物流業可持續發展有效性評價[J].北京交通大學學報，2008，（3）：67-68.

[5] ?陳秀山，張可云.區域經濟理論[M].北京：商務印書館，2003：140.

[6] ?田宇.物流效率評價方法研究[J].物流科技，2000，（2）：15-19.

[7] ?魏權齡.評價相對有效性的DEA方法——運籌學的新領域[M].北京：中國人民大學出版社，1988.

[8] ?張竟軼，張竟成.基于三階段DEA模型的我國物流效率綜合研究[J].管理世界，2016，（8）.

[9] ?湯志遠.基于PCA-DEA模型的在線視頻網站效率評價[J].經營與管理，2017，（5）.

[10] ?劉滿芝.基于DEA的城市物流效率評價模型及實證[J].決策參考，2009，（6）：50-53.

[11] ?盧志宏.基于BP神經網絡的荒漠嚙齒動物群落對氣候變化滯后響應[D].呼和浩特：內蒙古農業大學，2016.

[12] ?王琴梅，譚翠娥.對西安市物流效率及其影響因素的實證研究——基于DEA模型和Tobit回歸模型的分析[J].軟科學，2013，（5）：70-74.

[13] ?高慕瑾.基于DEA的陜西省物流業效率研究[D].咸陽：西北農林科技大學，2012.

[責任編輯 劉嬌嬌]