基于物聯網大數據分析共享經濟與新型商業模式發展研究

摘" 要：針對近年來共享經濟和商業模式快速度發展的情況，文章分析了如何利用物聯網的大數據來實現共享經濟的增長和商業模式的創新，提出了一種基于物聯網大數據的BP神經網絡算法，該算法不僅可以有效地對共享經濟中的大量數據進行分類，還可以預測共享經濟的發展方向和新的商業模式。實驗結果表明，共享經濟給國家帶來的經濟效益非常高，也有很大的增長空間。因此，基于物聯網、大數據的背景下的共享經濟和新商業模式發展研究非常必要。

關鍵詞：物聯網大數據；BP神經網絡；商業模式；共享經濟

中圖分類號：TP39 文獻標識碼：A 文章編號：2096-4706（2024）21-0124-06

Research on Sharing Economy and New Business Model Development Based on IoT Big Data Analysis

WANG Jianzhong， WANG Bo

（Aviation and Automobile School， Chongqing Youth Vocational and Technical College， Chongqing" 401320， China）

Abstract： Aiming at the rapid development situation of the sharing economy and business model in recent years， this paper analyzes how to use the Big Data of the Internet of Things to achieve the growth of the sharing economy and the innovation of business model， and proposes a BP Neural Network algorithm based on the IoT Big Data. This algorithm can not only effectively classify a large amount of data in the sharing economy， but also predict the development direction and new business model of the sharing economy. The experimental results show that the economic benefits brought by the sharing economy to the country are very high， and there is also a lot of room for growth. Therefore， it is necessary to study the development of sharing economy and new business model based on the background of IoT and Big Data.

Keywords： Internet of Things Big Data; BP Neural Network; business model; sharing economy

0" 引" 言

隨著互聯網、大數據技術、人工智能、信息通信等新技術的變革，信息技術日新月異，新的商業模式應運而生。在當前經濟變革升級和互聯網革命的背景下，共享經濟作為一種新的經濟模式正在蓬勃發展。如今，共享經濟與新型的商業模式快速發展，從原材料生產到銷售、消費各環節，推動了行業的轉型升級，也加強了行業之間的緊密聯系。隨著物聯網、移動終端和云計算的發展，共享模式創新和應用的可能性也在擴大。對于戰略性新興產業要充分應用共享模式實施商業模式創新，戰略和研究的價值是非常重要的，通過引入物聯網、大數據和共享經濟的概念，以及共享經濟的意義和新的商業模式，并對幾種新業務模式進行了詳細的探索和研究，提出采用BP神經網絡算法數據分類和數據預測。

1" 研究內容

在當今，綠色低碳、節能減排、環境保護是未來發展的重點，尤其是共享經濟將成為新的商業發展模式，許多學者對該領域進行了深入的探索和研究。在國外，Narasimhan等人發現，共享經濟引起了人們的極大興趣，共享經濟的快速增長使他提出了幾個需要研究的有趣問題，為未來的研究方向提供了一些理論知識[1]。Acquier等人評估了共享經濟的矛盾和競爭，強調了共享經濟的矛盾性，并為這些矛盾提供了緩解它們的解決方案[2]。Ferrari等人發現，共享經濟現象預計將在未來幾年穩步發展，但是該行業缺乏可靠的監管，引發了人們對共享經濟潛在風險的擔憂，同時發現了共享經濟的風險，并試圖找到相應的解決方案[3]。Munoz等人發現，共享經濟業務已經成為傳統規劃、建模和做生意的顛覆性方法，這一現象在創新技術和管理等廣泛領域引起了關注，但共享經濟商業模式的可持續性仍有待研究[4]。Teubner等人發現，信任是共享租賃的關鍵條件，運營商實現了許多建立信任的機制、用戶界面和信譽系統，采用享樂價格回歸模型來分析新用戶的信任度與共享經濟之間的關系[5]。Gou等人發現，在共享經濟中，人們與他人共享他們多余的社會資源。那些提供服務的人可以通過基于社區的在線平臺賺取傭金，而其他人可能會受益[6]。

物聯網和大數據是近年來最熱門的話題。在物聯網概念中，打開和關閉網絡的設備是相互連接的。物聯網是當今大數據市場的最新趨勢，預計在未來10年內，將有約250億臺設備連接到網絡，遠遠超過了個人電腦、手機和平板電腦的總數。物聯網的影響因素之一是數據的管理和使用。物聯網和大數據正在隨時隨地影響人們的生活和經濟。盡管共享經濟和新的商業模式給人們帶來了很多便利，但也需要不斷創新。傳統的共享經濟和新的商業模式分析方法已經無法跟上時代的步伐，無法處理共享經濟中的大量數據。因此，有必要利用物聯網和大數據對共享經濟和新商業模式的發展進行研究。

2" 基于物聯網大數據的BP神經網絡算法

2.1" 共享經濟的發展和新的商業模式

在創新引領的今天，中國更加注重加強技術創新、高科技發展和工業化。共享經濟在中國保持著快速增長的趨勢，在促進就業、創新應用模式、促進企業生態系統擴張等方面發揮了重要作用。共享經濟實踐可以解決一些傳統領域的問題，發現新的市場機會，甚至顛覆傳統的商業結構。對于過去的企業來說，一些新的共享經濟實踐模式具有顛覆性，影響巨大[7]。

近年來，參與共享經濟的各種商業模式層出不窮，不僅吸引了許多企業家，還引發了投資熱潮和資本市場的擴張。在積極參與經濟共享后，大多數企業家和投資者已經成為失敗者，但仍有許多繼任者[8]。

新商業模式的類型包括P2P模式、B2C模式和B2B模式。在P2P模式中，需求方和供給方都是個人或企業。企業提供給個人使用，個人同時與企業共享。在B2C模式中，企業是供應商，個人是需求者。通過第三方平臺，需求方和供應商共享資源，消費者可以輕松使用社區所需的資源[9]。在B2B模式中，供需雙方都是企業，企業可以通過共享平臺共享和交換企業的閑置狀態或剩余資源。

共享經濟的快速發展催生了新的發展模式，改變了傳統的消費習慣和生活方式。隨著互聯網、智能設備、共享經濟時代的到來，企業需要積極探索自身發展和轉型新方向[10]。共享經濟的理念和模式為企業的發展和創新帶來了廣闊的空間。

共享經濟正迎來最佳發展機遇，但一些公司參與共享經濟的動機并不明確。再加上共享概念的濫用和理論分析框架的缺乏，一些共享經濟實踐無法可持續發展[11]，通過分析當前中國共享經濟重點領域的市場規模，根據《全球及中國共享經濟發展模式與典型案例分析報告》數據顯示，2021—2022年中國共享經濟市場發展規模如表1所示。

通過近兩年數據統計分析，知識技能、生活服務、共享醫療、生產服務、共享交通、共享住宿、共享辦公。因近兩年新冠疫情對該行業影響較大，根據2023年預測將超過市場預期。可以看出，共享經濟為用戶市場提供了一種互利共贏的運營模式，共享領域變得更大更廣[12]。隨著現代用戶信息獲取方式不斷變化，適應和滿足用戶日益復雜的信息需求。

2.2" 發展共享經濟和新商業模式的意義

個體和細微的變化最終會通過積累和融合導致大的商業和社會變化。共享經濟的發展在這里有幾個重要意義，共享經濟增加了交易主體的數量，發展共享經濟和新商業模式的意義如下：

1）在舊的商業模式中，人們被動地接受商家提供的商品信息，商品的評價和反饋不及時，輻射的范圍較小，社會影響力不強，交易的成本較高，社會監督力不夠，商品交易效率和成本較高。

2）共享經濟使傳統產業的經營環境發生了變化。通過一種新的供應模式，它開發了一種交易連接。企業家會組織生產變量，以提供先前生產方法中的項目，生產過程非常有組織，消費者通常分布在眾多客戶中。根據組織程度的不同，共享經濟可能會減少整體社會供給。

2.3" BP神經網絡分類算法

在移動網絡、無線網絡等通信技術高速發展背景下，移動互聯、大數據、物聯網和智能設備的廣泛應用，更多的數據交互和巨大信息獲取，給數據處理和數據傳輸帶來了新的挑戰。

智能處理是指利用云計算、人工智能、神經網絡等計算技術，實現對互聯網上大量高水平原始數據信息的智能處理。

首先，通過分類匯總，建立數據分析模型，并對未知數據按照數據處理方式分類處理，最終達到數據處理目標。其次，分類算法的建立，提高分類選擇的效率性、準確性、擴招性。

2.3.1" 貝葉斯分類

設每個數據樣本用一個n維特征向量來描述n個屬性的值，即：X = {x1，x2，…，xn}，假定有m個類，分別用C1，C2，…，Cm表示，將未知的樣本X分配給類Ci，則一定是：

（1）

式（2）的Bayes定理：

（2）

使用式（3）計算天真假設：

（3）

2.3.2" 前饋神經網絡分類

對于學習誤差，前饋神經網絡分類是一種基于逆屬性算法的數據分類方法，基本前提是訓練樣本集中的每個樣本都被饋送到前饋神經網絡的輸入層，連接層的權重計算神經元每層的輸出。輸入層傳輸原始數據，然后由隱藏層中的神經元進行判斷和處理，然后輸出層生成數據。在正向數據傳輸過程中，BP神經網絡層之間的連接權重不會改變。

在理解了算法的基本原理后，推導中使用的能量函數為誤差均方誤差，計算式為：

（4）

按照式（5）調整神經網絡的權重：

（5）

神經網絡誤差的局部極小值如圖1所示，全局極小值如圖2所示。

通過圖1、圖2分析非常復雜的網絡情況，考慮到權重訓練時間，誤差函數是多維的。

2.4" 改進的BP算法

目前，前饋神經網絡僅限于用于復雜系統建模的中小型系統，主要原因是現有的神經網絡學習算法在遇到大規模問題時收斂速度太慢或太難。在物聯網系統中，神經網絡必須適應各種各樣的大規模系統。

2.4.1" 可變學習率

可變學習率的范圍設置通過BP算法，尤其是選取收斂區間，以達到最優。因此，采用BP算法要達到收率的速率時間較長。使用BP算法的起始輸出和式（6）的誤差計算將新的誤差與先前的誤差進行比較：

（6）

其中，如果學習速率過大，如果收斂速度增加，可能導致權重較大波動，如式（7）：

（7）

時間n處的負梯度如式（8）：

（8）

通過以上學習率和誤差函數獲得新的權重時，誤差未修正前不能更新，如果對比度值大于設定值，則誤差變換過大，此時人們必須將學習最小化，如式（9）：

（9）

2.4.2" 添加動量項

本文提出在權重調整公式中增加一個動量項，每個權重的調整量如式（10）：

（10）

其中，α為動量系數，通常在0.9左右。在引入動量項之后，則平均值?w可以近似地表示如式（11）：

（11）

其中，為比例系數。在加入動量項后，比例系數可以使權重修正過程擺脫局部飽和區域。

如果?wij為權重變量，則式（11）可以變換為以下形式，即式（12）：

（12）

本文提出將可變學習率與動量項的增加相結合，使網絡不會陷入局部極小值，還能有效提高訓練收斂速度，誤差不會在同一區域振蕩。

2.5" 基于BP神經網絡的共享經濟預測

BP網絡具有自組織、自學習和自適應能力，原理簡單，易于實現，在經濟和環境領域的預測研究中得到了廣泛應用，其可靠性已得到驗證。在不斷的應用和改進中，BP神經網絡已經成為一種相對成熟的預測方法，如圖3所示，對輸出層節點進行處理，得到網絡輸出結果。比較輸出結果和期望值之間的差，如果不滿足標準，則通過網絡向后傳輸錯誤。在傳播期間，誤差被傳遞到每個層的每個節點，以便改變每個層的權重。

圖3" "BP算法的神經網絡信號流

2.5.1" BP神經網絡的原理

前級傳播。在這個階段，輸入樣本從輸入層發送到每個隱藏層，然后逐層處理，然后發送到輸出層。如果輸出層的實際輸出與預期輸出不同，則進入第二階段，并且該級別的數學公式如式（13）：

（13）

輸出層中第n個神經元的輸出如式（14）：

（14）

激活功能用于激活網絡中的神經元，激活函數的要求是必須將它們導出到任何地方。最常見的激活函數是Sigmoid函數。Sigmoid函數是簡單且具有極好的非線性映射函數。

對隱層節點數量的確定，目前還沒有成熟的理論。確定隱藏節點數量最常用的方法是試錯法，通過多次修改隱藏層中的節點數量來確定最佳網絡結構。隱藏節點數量的初始值可以由式（15）確定：

（15）

將隱藏層的權重調整如式（16）：

（16）

2.5.2" 數據預處理

數據歸一化是在神經網絡預測之前比較數據的一種方法。數據規范化將所有數據轉換為[0，1]之間的值。其目的是避免不同維度的數據之間的差異，避免網絡的預測誤差較大，從而提高神經網絡的收斂速度。本文使用以下公式對樣本數據進行歸一化，即式（17）：

（17）

然而，如果歸一化后該值接近0或1，則其在訓練期間的效果將顯著降低。即使增加訓練次數，也可能達不到網絡設定的標準。因此，這些數據需要進一步修正才能達到最佳訓練效果，即式（18）：

（18）

其相應的反規范化函數為式（19）：

（19）

人工神經網絡的研究方法可以大規模并行處理信息。具有較強的容錯能力，具有感知、記憶、思維、推理能力，具有較強的自學習能力和自適應能力。通過分析統計數據提取宏觀統計規則。因此，利用人工神經網絡進行經濟預測，可以正確評估經濟發展水平，準確預測未來經濟發展趨勢，在及時反映宏觀經濟監管效果方面發揮重要作用。

3" BP神經網絡的分類和預測性能實驗

3.1" BP神經網絡分類性能實驗

在共享經濟和新商業模式的發展中，許多數據非常混亂。如果想準確地分析共享經濟新商業模式的發展，應該準確地對數據進行分類。因此，需要對BP神經網絡在共享經濟和新商業模式中的分類精度進行實驗。

通過以上分析不同數量隱藏層節點的網絡收斂速度和分類誤差，可以預測理想的網絡布局。實驗系統還需要用戶在開始訓練之前輸入目標網絡精度和最大訓練次數。當訓練的BP神經網絡達到這兩個標準之一時，整個訓練將結束。在本實驗中，網絡精度設置為0.1，最大訓練周期數設置為100。點擊訓練BP網絡按鈕，系統開始訓練通過設置BP完成的網絡。

訓練后的收斂圖分析，訓練迭代次數小于100時，改進前BP網絡訓練收斂圖無法達到目標網絡的精度，通過改進后BP網絡訓練收斂圖更平滑，精度更高。此外，從訓練結果可以知道，當訓練迭代次數超過50次后，達到BP網絡的目標精度。通過改進前BP網絡訓練收斂圖如圖4所示。

通過改進后BP網絡訓練收斂圖如5所示。

為了更好地描述網絡訓練環境，本研究采用經典方法和改進技術進行多次訓練。訓練目標網絡的精度保持恒定在0.1，并且迭代次數穩步增加。

如表2所示，兩種訓練結果都表明，神經網絡在訓練開始時收斂得更快，并且隨著訓練時間的增長而減慢。分類在本試驗中表現良好。

在本實驗中，通過網絡在測試集上的分類結果的均方誤差來衡量網絡在不同結構下的分類性能。隱藏層節點數與方差之間的關系如圖6所示。

隱藏層節點的數量和訓練次數之間的關系如圖7所示。

實驗結果表明，增加神經網絡隱藏層中的節點數量可以在特定范圍內降低分類的均方誤差。事實上，各種結構獲得相同網絡精度所需的訓練時間框架反映了不同網絡架構收斂的速度。在訓練時間上，隱藏層節點的數量呈指數級增長。可以看出，這是一個很好的選擇。

如表3所示，在相同的測試集數據下，改進前有88個數據被BP神經網絡算法正確分類，分類準確率為58.6%。

3.2" BP網絡在共享經濟中的預測實驗

通過使用BP網絡對歸一化樣本數據進行實驗，將前2年的樣本數據用作輸入向量。以2022—2023年的共享經濟數據為測試樣本，創建的模型最好，效果最好。分析2022—2023年通過BP神經網絡建模獲得的共享經濟預測值與實際值之間的誤差。可以看出，BP神經網絡的擬合效果相對較好，因此使用該模型進行訓練和預測的結果在理論上是可行的。通過以上分析，我們可以知道，BP神經網絡具有良好的泛化和短期擴展效果，因此將BP神經網絡模型用于預測經濟發展。分析2022年共享經濟數據實際和預測情況如圖7所示。

2023共享經濟數據實際和預測情況如圖8所示。

4" 結" 論

共享經濟作為一種未來發展的新業態，隨著技術的更新和發展，依托共享經濟交易平臺，以及廣大用戶的參與，降低了交易成本和時間成本，提高了社會資源的配置率和利用率。這種經濟受到企業和用戶的歡迎，但在共享經濟和新商業模式的發展中，有很多數據需要處理。因此，通過基于物聯網、大數據的應用，提出了一種BP神經網絡算法來有效地對這些數據進行分類，以及分析了共享經濟和新的商業模式，提出了BP神經網絡算法的改進算法，通過實驗表明，對改進前后的BP神經網絡進行了比較和分析，改進后的BP神經網絡算法不僅具有更強的收斂性能，具有更高的分類速度和精度。同時，驗證了該算法的預測函數、預測功能。下一步，將題高BP神經網絡模型的更好用于共享經濟的預測的準確性和商業性。

參考文獻：

[1] NARASIMHAN C，PAPATLA P，JIANG B，et al. Sharing Economy： Review of Current Research and Future Directions [J].Customer Needs and Solutions，2018（2）：93-106.

[2] ACQUIER A，DAUDIGEOS T，PINKSE J. Promises and Paradoxes of the Sharing economy： An Organizing Framework [J].Technological Forecasting and Social Change，2017，125：1-10.

[3] FERRARI，Z M. Special Issue on The Risks and Opportunities of the Sharing Economy ? Beyond Uncertainties in the Sharing Economy： Opportunities for Social Capital [J].European Journal of Risk Regulation，2017，7（4）：664-674.

[4] MUNOZ P，COHEN B. Mapping out the Sharing Economy： A configurational Approach to Sharing Business Modeling [J].Technological Forecasting and Social Change，2017（12）：21-37.

[5] TEUBNER T，HAWLITSCHEK F，DANN D. Price Determinants on Airbnb： How Reputation Pays Off in the Sharing Economy [J].Journal of Self-Governance and Management Economics，2017，5（4）：53-80.

[6] GUO L，NING Z L，HOU W G，et al. Quick Answer for Big Data in Sharing Economy： Innovative Computer Architecture Design Facilitating Optimal Service-Demand Matching [J].IEEE Transactions on Automation Science and Engineering，2018，15（4）：1494-1506.

[7] 張奕文.基于“大數據+區塊鏈”技術的共享經濟模式構建探析 [J].商展經濟，2023（7）：22-24.

[8] 葉振宇，李峰波，王寧.我國區域經濟高質量發展的階段成效與難題攻堅 [J].區域經濟評論，2022（1）：52-58.

[9] 葉瑞鋒，歐展華，李蓬煌，等.共享經濟背景下共享雨傘項目發展現狀及存在問題研究——以深圳、廣州為例 [J].中國市場，2017（36）：244-245.

[10] 王麗瓊，王鐵驪.中國會展經濟的現狀與SWOT分析 [J].科技情報開發與經濟，2008（1）：116-117.

[11] 信息化和產業發展部分享經濟研究中心.中國共享經濟發展報告（2023） [R/OL].國家信息中心，2023.[2024-09-18].http：//www.sic.gov.cn/sic/93/552/557/0223/10741.pdf.

[12] 湯志華.基于大數據和區塊鏈的共享經濟模式探索 [J].中國統計，2023（12）：23-24.

作者簡介：王建中（1979—），男，漢族，四川蓬安人，教授、高級工程師，碩士研究生，主要研究方向：信息技術、慣性導航方向；王博（1986—），男，漢族，四川蓬安人，工程師，工學學士，本科，主要研究方向：EMC電磁兼容。

基金項目：重慶市教科委青年項目（KJQN202104103）；重慶市教科委重點項目（KJZD-K202404103）；重慶市教改重點項目（GZ222048）；重慶市教改項目（Z233261，14069JG2023006）；重慶市高等教育研究會重點項目：“一站式”學生社區綜合管理應用系統建設思考與實踐