基于主成分與BP 神經(jīng)網(wǎng)絡(luò)的物流企業(yè)即興能力評價

馮 青，張 洪

（武漢科技大學 恒大管理學院，湖北 武漢 430065）

0 引言

近年來，物流模式、裝備、科技、信息技術(shù)在不斷融合，物流服務(wù)的需求及形態(tài)也有了質(zhì)的飛躍。以“日日順供應(yīng)鏈”為代表的物流企業(yè)為滿足廣大客戶需求，提出“場景代替產(chǎn)品，生態(tài)覆蓋行業(yè)”的戰(zhàn)略構(gòu)想，在體驗迭代基礎(chǔ)上共創(chuàng)生態(tài)圈層，并向客戶推出定制化場景服務(wù)[1]，實現(xiàn)與客戶的交互，提高客戶消費體驗。在場景物流模式中，能否有效解決由于外部市場和技術(shù)環(huán)境的變革、交付風險的增加、改革經(jīng)驗的不足等帶來的問題成為場景物流模式能否順利推進的關(guān)鍵。即興能力是企業(yè)在面臨不確定性環(huán)境時，保障新產(chǎn)品、新服務(wù)順利開發(fā)的關(guān)鍵能力[2]。即興能力的發(fā)揮并不是企業(yè)為應(yīng)對內(nèi)、外部環(huán)境被迫做出的帶有隨意性的應(yīng)急反應(yīng)，而是企業(yè)在先前經(jīng)驗和知識的基礎(chǔ)上，自發(fā)地做出審慎的即時決策，體現(xiàn)出在當前復雜多變的環(huán)境下快速決策并重構(gòu)資源的能力。

由于場景物流的獨特性，企業(yè)缺乏既有慣例對突發(fā)事件做出有效反應(yīng)。因此，在場景物流模式中，我國物流企業(yè)的即興能力水平如何？如何對其展開科學地測度與評價？對這些問題的研究將有助于準確把握現(xiàn)階段我國物流企業(yè)即興能力水平，對物流企業(yè)提升其戰(zhàn)略響應(yīng)能力和應(yīng)對能力具有重要的實踐意義。

1 相關(guān)概念界定

1.1 場景物流

技術(shù)的革新提升了物流時效體驗，但效率的提高并沒有突破物流行業(yè)“內(nèi)卷”的瓶頸[3]。物流企業(yè)的競爭力不僅體現(xiàn)在服務(wù)質(zhì)量、配送網(wǎng)絡(luò)、信息技術(shù)水平等基礎(chǔ)建設(shè)上，更要求企業(yè)在新基建的加持下，整合上下游資源提供一體化的解決方案，從而實現(xiàn)生產(chǎn)、流通和消費的無縫對接，提升企業(yè)的能力邊界。場景物流理念于2018 年由“日日順供應(yīng)鏈”提出，其本質(zhì)上是基于用戶體驗的生態(tài)共創(chuàng)。品牌方、物流企業(yè)、技術(shù)服務(wù)商等主體協(xié)同共創(chuàng)，為用戶提供定制化、一體化的場景解決方案[4]。場景物流相對于傳統(tǒng)物流的特點在于：交互性、迭代性、開放性、定制化及生態(tài)化。場景物流在根本上改變了物流業(yè)的競爭思路，物流企業(yè)由提升交付服務(wù)質(zhì)量轉(zhuǎn)向探索生態(tài)價值，向上聚合各類行業(yè)資源，促使資源要素動態(tài)流動、合理配置；向下挖掘用戶個性化需求、迭代升級用戶體驗[5]。物流企業(yè)基于強大的物流科技與豐富的用戶觸點，以用戶訴求為導向，向用戶提供一體化的場景方案，實現(xiàn)生態(tài)各方的共創(chuàng)共贏，從而促使物流價值最大化。

1.2 即興能力概念界定

“即興”表示未經(jīng)事先約定、沒有事先規(guī)劃的行動。在復雜多變、高不確定性商業(yè)環(huán)境中，企業(yè)活動表現(xiàn)出計劃與創(chuàng)新、開發(fā)與探索相融合的特點。Weick 等[6]將即興能力引入管理領(lǐng)域，并將其定義為企業(yè)在高動態(tài)環(huán)境中快速整合各類資源促進企業(yè)價值創(chuàng)新的能力。王軍等[7]以組織為切入視角展開探究，將即興能力定義為組織在面臨不可預測的外部環(huán)境狀況時，能夠迅速反應(yīng)并協(xié)同相關(guān)主體，整合利用現(xiàn)有資源，創(chuàng)造性地解決問題或把握發(fā)展機會的能力。本文針對場景物流情境的特點從組織層面將即興能力界定為：物流企業(yè)在高度競爭與合作的場景生態(tài)中，能快速反應(yīng)，協(xié)同相關(guān)生態(tài)主體自發(fā)地整合利用各類資源，把握發(fā)展機會，并創(chuàng)造性地解決非預期性問題的能力。

2 物流企業(yè)即興能力評價指標體系構(gòu)建

2.1 即興能力維度劃分

自發(fā)性也稱立即反應(yīng)，是指企業(yè)在運營過程中遇到突發(fā)事件，能瞬間本能地做出反應(yīng)，而不是先計劃再執(zhí)行[8]。以用戶體驗為中心、迭代交互的場景物流是體驗經(jīng)濟、共享經(jīng)濟、社群經(jīng)濟迅猛發(fā)展下的新嘗試，沒有足夠的慣例得以借鑒[9]。因此，尚在探索階段的物流企業(yè)面對具有不確定性的外部環(huán)境時，需要即興應(yīng)對、積極探索。創(chuàng)造性或稱意圖創(chuàng)造，是指企業(yè)有意識地通過修正原有的執(zhí)行方式從而采取新的方式解決問題或提出新方案。用戶不斷升級的消費水平、日新月異的個性化需求促使物流企業(yè)協(xié)同生態(tài)方根據(jù)用戶動態(tài)需求創(chuàng)造性地開發(fā)新的場景方案，從而共創(chuàng)新的體驗價值[4]。資源利用是指企業(yè)面對突發(fā)事件時，能及時識別并拼湊內(nèi)外部一切有利資源，進行有效整合和利用。在場景物流生態(tài)中，資源處于開放狀態(tài)，用戶、物流商、生產(chǎn)商、技術(shù)服務(wù)商等通過高度鏈接實現(xiàn)物質(zhì)資源、社會資源、認知資源與情感資源的協(xié)同互動。在此情境下，物流企業(yè)進化為聚合信息、技術(shù)、產(chǎn)品等資源要素并促進其動態(tài)耦合的平臺[10]。壓力承受是指企業(yè)面對突發(fā)事件時所承受的迅速變化、難以預測的外部環(huán)境壓力以及要求計劃與行動高度融合的時間壓力。在場景物流情境下，企業(yè)缺乏時間來規(guī)劃行動和預測環(huán)境發(fā)展趨勢，這就要求企業(yè)能夠在高強度壓力下自發(fā)地利用創(chuàng)造力和專業(yè)知識來解決問題或提出新方案。

基于以上分析，本文認為即興能力是場景物流生態(tài)中的核心競爭能力，并將其分為自發(fā)性、創(chuàng)造性、資源利用與壓力承受四個維度。

2.2 評價指標體系構(gòu)建

基于即興能力相關(guān)研究及專家訪談，考慮場景物流情境的獨特性，本文初步提取出即興能力的四個維度：自發(fā)性、創(chuàng)造性、資源利用與壓力承受，并構(gòu)建出由4 個一級指標以及32 個二級指標組成的物流企業(yè)即興能力評價指標體系。并參考陳洪海等[11]學者提出的基于信息貢獻率的評價指標篩選方法對指標進行篩選。

（1）數(shù)據(jù)來源

為獲得物流企業(yè)即興能力評價樣本數(shù)據(jù)，采取網(wǎng)絡(luò)問卷的方式向物流企業(yè)的工作人員展開調(diào)研，采用“0～7”分制調(diào)查物流企業(yè)工作人員對各評價指標的評分。本次調(diào)研共收回有效問卷102 份。

（2）基于貢獻率的指標篩選步驟

①以關(guān)鍵因子近似反映原始指標集全部信息：

其中：Xi為第i 個指標，aij為指標Xi在第j 個因子Fj的因子載荷。

②確定指標Xi解釋因子Fj信息的比率：

其中：ωj為因子Fj的信息占原始指標集全部信息的比例。

③確定指標Xi所承載的信息占原始指標集信息的比例，即指標Xi的信息貢獻率Ii：

④確定指標的累計信息貢獻率Rs：

其中：Ik是指所有指標即m 個指標按照信息貢獻率由大至小排序后第k 個指標的信息貢獻率。

⑤基于信息貢獻率進行指標篩選

其中：Rs指信息貢獻率相對較大的s 個指標的信息貢獻率之和占全部原始指標信息貢獻率之和的比例。信息貢獻率的閾值R0取值為0.7[11]。

（3）基于信息貢獻率篩選的評價指標體系

根據(jù)指標信息貢獻率的計算結(jié)果對指標進行篩選，最終保留23 個二級指標，如表1 所示：

表1 基于信息貢獻率篩選的評價指標體系

3 物流企業(yè)即興能力評價模型及應(yīng)用

考慮到物流企業(yè)即興能力是一個非線性問題且涉及到的評價指標較多，因此本文選用主成分分析法和BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對物流企業(yè)即興能力進行評價。

3.1 研究對象與數(shù)據(jù)收集

本文選取物流企業(yè)員工作為研究對象，以問卷的方式邀請員工依據(jù)其所在企業(yè)的實際情況對指標進行打分。本輪數(shù)據(jù)收集發(fā)放問卷160 份，有效回收138 份，問卷有效回收率為86.3%。

3.2 主成分提取

本文運用SPSS23.0 對原始數(shù)據(jù)進行主成分分析，將前期篩選出的23 個二級指標歸納為少數(shù)幾個主成分。

（1）數(shù)據(jù)標準化處理

本文選用z-score 標準化方法對數(shù)據(jù)進行處理，將各指標值xij轉(zhuǎn)化成標準化指標值：

（2）計算相關(guān)矩陣并求特征值

針對標準化后的數(shù)據(jù)進行因子分析。結(jié)果顯示，KMO 檢驗統(tǒng)計量為0.830，Bartlett 球度檢驗概率為0，說明該指標間存在較強的相關(guān)性，適合使用主成分分析。將主成分因子提取條件設(shè)置為特征值大于1，析出5 個因子，如表2 所示。

表2 因子特征值及方差貢獻率

（3）得出主成分

由主成分分析原理可知，主成分Fk與初始評價指標X1,X2,…,X23之間的關(guān)系為：

其中：lki（k=1,2,3,4,5）表示第k 個主成分在第i 個指標上的載荷值。

（4）計算BP 神經(jīng)網(wǎng)絡(luò)模型的樣本數(shù)據(jù)

將標準化后的評價樣本數(shù)據(jù)代入式（7）得到主成分F1、F2、F3、F4、F5的樣本數(shù)據(jù)，即BP 神經(jīng)網(wǎng)絡(luò)模型的輸入值。本文從138 條有效數(shù)據(jù)中選取120 份作為BP 神經(jīng)網(wǎng)絡(luò)模型的訓練樣本，18 份作為模型測試樣本。將5 個主成分各自的方差貢獻率占累計貢獻率的比重作為該主成分的權(quán)重，進行加權(quán)計算，綜合得分為：

其中：λk為第k 個主成分的方差貢獻率，q 為各主成分的累計方差貢獻率，F(xiàn)k為第k 個主成分得分。由計算可得所有主成分的綜合得分，即BP 神經(jīng)網(wǎng)絡(luò)模型的輸出值，表3 為BP 神經(jīng)網(wǎng)絡(luò)模型訓練樣本的輸入值與輸出值。

表3 BP 神經(jīng)網(wǎng)絡(luò)模型的樣本輸入輸出值

3.3 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）是一種基于誤差逆向傳播算法的多層前饋網(wǎng)絡(luò)，一般包括3 層網(wǎng)絡(luò)結(jié)構(gòu)：輸入層、輸出層及隱含層。3 層神經(jīng)網(wǎng)絡(luò)可以完成大部分復雜非線性關(guān)系的映射。因此，本文選擇3 層神經(jīng)網(wǎng)絡(luò)模型對物流企業(yè)即興能力進行評價。

（1）BP 神經(jīng)網(wǎng)絡(luò)層數(shù)節(jié)點設(shè)置

網(wǎng)絡(luò)輸入層即為5 個主成分，因此確定輸入層節(jié)點為5；輸出層是樣本最終的評價結(jié)果，即物流企業(yè)即興能力綜合得分，因此確定輸出節(jié)點數(shù)為1。隱含層的節(jié)點數(shù)通過公式計算得出，其中n 表示輸入層節(jié)點數(shù)，m 表示輸出層節(jié)點數(shù)，a 的取值范圍為［0,1 0 ］。因此，隱含層的節(jié)點數(shù)取值范圍為［3,1 3 ］。

通過MATLAB 對網(wǎng)絡(luò)進行訓練的結(jié)果如表4 所示。從迭代次數(shù)及訓練精度來看，當隱含層節(jié)點數(shù)為5 時，較優(yōu)于其他網(wǎng)絡(luò)，因此確定隱含層節(jié)點數(shù)為5。

表4 不同隱含節(jié)點網(wǎng)絡(luò)訓練效率對比

（2）BP 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)搭建

本文選用tansig 作為隱含層的激勵函數(shù)，purelin 作為隱含層的傳遞函數(shù)，并使用反向傳播算法的trainglm 函數(shù)作為BP 神經(jīng)網(wǎng)絡(luò)的訓練函數(shù)。使用MATLABR2018b 進行編程對神經(jīng)網(wǎng)絡(luò)進行訓練，將訓練次數(shù)設(shè)置為1 000 次，目標收斂精度設(shè)定為0.001。

3.4 網(wǎng)絡(luò)訓練

本文采用MATLABR2018b 軟件對樣本進行網(wǎng)絡(luò)分析。將已劃分的120 份訓練樣本導入構(gòu)建好的BP 神經(jīng)網(wǎng)絡(luò)模型。如圖1 所示，BP 神經(jīng)網(wǎng)絡(luò)訓練的網(wǎng)絡(luò)輸出與期望輸出曲線基本一致，且誤差值基本在0.32%～2.5%之間，這表明訓練結(jié)果較優(yōu)。

圖1 網(wǎng)絡(luò)輸出與期望輸出對比

3.5 模型仿真及結(jié)果分析

將剩余18 份測試樣本導入已構(gòu)建好的BP 神經(jīng)網(wǎng)絡(luò)進行仿真評價。圖2 為網(wǎng)絡(luò)訓練誤差曲線，可見，均方差隨著訓練步數(shù)的增加而減小，直至達到預期目標收斂精度而停止訓練。當訓練步數(shù)為15 時，網(wǎng)絡(luò)訓練精度達到最優(yōu)，為3.563e-06，下降到目標值0.001。結(jié)果如圖3 所示。

圖2 訓練精度曲線

從圖3 可以看出，通過BP 神經(jīng)網(wǎng)絡(luò)訓練的模型具有較好的擬合性，且相對誤差都較小，這說明該模型的泛化能力較好，能夠?qū)ξ锪髌髽I(yè)即興能力進行科學準確的評價。表5 為模型輸入輸出的具體值及誤差。

圖3 網(wǎng)絡(luò)輸出與期望輸出對比

表5 模型輸出與模型輸入

從結(jié)果來看，企業(yè)綜合得分總體相差較大，最高分與最低分的差距明顯，說明目前物流企業(yè)即興能力層次不齊，彼此之間差異較大，且總體水平不是很高，還有較大的提升空間。場景物流模式的提出為中國物流企業(yè)的創(chuàng)新發(fā)展提供了新思路，物流企業(yè)通過為居家生活、出行、健身等具體化場景提供配套服務(wù)從而提升自身競爭力。然而以用戶訴求為導向的場景物流仍處于探索階段，面臨著資源稀缺、認知局限、環(huán)境不確定性等約束，由此更加依賴即興能力來提高企業(yè)的響應(yīng)速度、創(chuàng)新能力及抗壓能力。在場景物流模式中，物流企業(yè)急需提高突發(fā)事件的響應(yīng)速度與應(yīng)對能力，抓住稍縱即逝的發(fā)展機會，通過不斷變革，從而適應(yīng)外部發(fā)展環(huán)境的需要。雖然外部環(huán)境的復雜及不確定性對企業(yè)的生存和發(fā)展帶來挑戰(zhàn)，但企業(yè)大力提升即興能力，就有可能將危機帶來的壓力轉(zhuǎn)化成塑造企業(yè)核心能力的契機，從而在危機中得以發(fā)展。

4 結(jié)論

本文在界定物流企業(yè)即興能力內(nèi)涵的基礎(chǔ)上，識別出即興能力要素，并構(gòu)建了物流企業(yè)即興能力評價指標體系，進而采用主成分及BP 神經(jīng)網(wǎng)絡(luò)模型對物流企業(yè)即興能力進行了實證檢驗。主要研究結(jié)論如下：

首先，本文將即興能力引入場景物流情境中，基于場景物流獨特的情境特征和文獻綜述，提煉出物流企業(yè)即興能力的四個維度：自發(fā)性、創(chuàng)造性、資源利用及壓力承受。自發(fā)性體現(xiàn)了企業(yè)對突發(fā)事件響應(yīng)的即時性，場景物流模式重新定義了“物流”的價值，而“摸著石頭過河”的場景物流模式具有較高的不確定性，當面對各類突發(fā)狀況時，企業(yè)的即時決策有利于其把握轉(zhuǎn)瞬即逝的發(fā)展機會。創(chuàng)造性體現(xiàn)了企業(yè)在產(chǎn)品及解決方案上體現(xiàn)的創(chuàng)新性，在場景物流中，物流企業(yè)不再是產(chǎn)品運輸者，而是服務(wù)打包者、場景設(shè)計者及信息收集者，這更要求企業(yè)打破慣有思維，采用新的方式、方法滿足用戶不斷升級的體驗需求。資源利用體現(xiàn)了企業(yè)對物流資源的有效整合，物流企業(yè)在獲取終端用戶對于場景的個性化需求后，通過合作方對產(chǎn)品及服務(wù)資源加以整合并有效利用。壓力承受體現(xiàn)了物流企業(yè)在競爭日益加劇的市場環(huán)境中的抗壓能力，在物聯(lián)網(wǎng)時代，用戶的個性化需求對物流行業(yè)提出了更高的要求，物流企業(yè)的競爭力不僅體現(xiàn)在基礎(chǔ)服務(wù)的質(zhì)量上，更要求企業(yè)提供具體場景的一體化解決方案。

其次，本文根據(jù)文獻研究及專家訪談，構(gòu)建了物流企業(yè)即興能力評價體系，并基于信息貢獻率的方法進行了指標構(gòu)建合理性判斷。本文篩選的指標體系能夠反映初始指標70%的信息量，表明評價指標體系的有效性。并使用主成分-BP 神經(jīng)網(wǎng)絡(luò)模型對物流企業(yè)即興能力水平進行評價。檢驗結(jié)果表明，網(wǎng)絡(luò)模型的結(jié)果均達到預期，證明主成分-BP 神經(jīng)網(wǎng)絡(luò)組合評價模型應(yīng)用于即興能力評價具有較好的可行性。