〔摘要〕確定產(chǎn)品的市場(chǎng)價(jià)格是將新產(chǎn)品推向市場(chǎng)之前必須進(jìn)行的一項(xiàng)重要工作，它對(duì)于產(chǎn)品的利潤(rùn)及市場(chǎng)定位具有重要意義。為進(jìn)行更準(zhǔn)確的新產(chǎn)品定價(jià)，文章采用因子分析方法對(duì)樣本數(shù)據(jù)集進(jìn)行降維并提取產(chǎn)品的特征屬性，通過(guò)前饋式神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)，提出基于因子分析和神經(jīng)網(wǎng)絡(luò)的新產(chǎn)品定價(jià)策略模型。從實(shí)驗(yàn)結(jié)果可以看出，該模型性能穩(wěn)定，能夠?yàn)樾庐a(chǎn)品的定價(jià)提供指導(dǎo)作用。

〔關(guān)鍵詞〕因子分析；神經(jīng)網(wǎng)絡(luò)；電子產(chǎn)品；定價(jià)策略

〔中圖分類(lèi)號(hào)〕F273.2〔文獻(xiàn)標(biāo)識(shí)碼〕A〔文章編號(hào)〕1008-0821（2013）02-0159-03

在市場(chǎng)競(jìng)爭(zhēng)條件下，產(chǎn)品價(jià)格是市場(chǎng)激烈競(jìng)爭(zhēng)的結(jié)果。企業(yè)生產(chǎn)出來(lái)的產(chǎn)品能否順利實(shí)現(xiàn)銷(xiāo)售除了產(chǎn)品的性能和質(zhì)量等因素外，還有一個(gè)重要的因素就是價(jià)格⑤。價(jià)格是營(yíng)銷(xiāo)組織中惟一能夠產(chǎn)生收益的變量，它直接關(guān)系到市場(chǎng)對(duì)新產(chǎn)品的接受程度，影響著企業(yè)利潤(rùn)的多少，是營(yíng)銷(xiāo)組合策略中一個(gè)重要的組成部分①。因此，產(chǎn)品的定價(jià)決策就成為企業(yè)經(jīng)營(yíng)決策中的一項(xiàng)重要內(nèi)容和難題，這就要求企業(yè)管理者能夠通過(guò)正確有效的方法做出合理的新產(chǎn)品定價(jià)決策。

根據(jù)西方經(jīng)濟(jì)學(xué)和市場(chǎng)營(yíng)銷(xiāo)理論建立起來(lái)的企業(yè)產(chǎn)品定價(jià)方法和模型很多，如成本加成定價(jià)法、目標(biāo)利潤(rùn)定價(jià)法、認(rèn)知價(jià)值定價(jià)法、差別定價(jià)法等。關(guān)于產(chǎn)品定價(jià)策略的研究開(kāi)展于上世紀(jì)，一些主要的研究成果如下所述：宋麗君認(rèn)為新產(chǎn)品定價(jià)的目標(biāo)具有雙層性，企業(yè)在產(chǎn)品定價(jià)時(shí)常常采用的定價(jià)策略有：取脂定價(jià)、滲透定價(jià)和溫和定價(jià)3種策略①。姜琴提出在實(shí)務(wù)中，定價(jià)決策的基本方法應(yīng)是：以成本為基礎(chǔ)的成本加成法、以市場(chǎng)需求為基礎(chǔ)的定價(jià)方法、以特殊要求為導(dǎo)向的定價(jià)法⑤。丁瑾等用復(fù)雜性等級(jí)論域?qū)﹄娮赢a(chǎn)品的定價(jià)進(jìn)行了模糊綜合評(píng)判⑥。譚佳音等通過(guò)研究網(wǎng)絡(luò)代購(gòu)商出現(xiàn)時(shí)兩區(qū)域市場(chǎng)中需求結(jié)構(gòu)呈現(xiàn)出的特征提出網(wǎng)絡(luò)代購(gòu)背景下制造商兩市場(chǎng)定價(jià)策略④。以上研究?jī)H考慮具體的經(jīng)濟(jì)學(xué)理論、產(chǎn)品的生產(chǎn)成本等因素，并沒(méi)有分析產(chǎn)品自身的某些特征屬性（如性能、外觀等）對(duì)產(chǎn)品定價(jià)的影響。

本文通過(guò)因子分析和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法研究產(chǎn)品自身的某些特性與市場(chǎng)價(jià)格系數(shù)之間的非線性映射關(guān)系，將利用因子分析提取到的對(duì)產(chǎn)品價(jià)格影響較大的公共因子指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入，價(jià)格系數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸出，采取有監(jiān)督的學(xué)習(xí)或無(wú)監(jiān)督的學(xué)習(xí)方法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最終得出模型。

1.1問(wèn)題描述

競(jìng)爭(zhēng)的廣泛性使產(chǎn)品日趨多元化和個(gè)性化，產(chǎn)品的屬性也日益豐富，如產(chǎn)品的質(zhì)量、功能、性能、可靠性、外觀、環(huán)保、節(jié)能和性價(jià)比等等，產(chǎn)品的上述屬性都可能會(huì)對(duì)其預(yù)期市場(chǎng)價(jià)格產(chǎn)生較大的影響。利用數(shù)據(jù)挖掘的研究方法找到影響產(chǎn)品價(jià)格的關(guān)鍵屬性并建立模型，將對(duì)新產(chǎn)品的設(shè)計(jì)、研發(fā)和定價(jià)銷(xiāo)售提供科學(xué)的指導(dǎo)。

11圖1產(chǎn)品特征屬性對(duì)價(jià)格影響示意圖11

1.2模型構(gòu)建

如何識(shí)別并確定影響新產(chǎn)品市場(chǎng)價(jià)格的主要特征屬性，并將它們作為神經(jīng)網(wǎng)絡(luò)的輸入是構(gòu)建定價(jià)策略模型的關(guān)鍵?；诓⑿泄こ痰睦砟睿c新產(chǎn)品預(yù)期市場(chǎng)價(jià)格相關(guān)的特征參數(shù)會(huì)有很多，如果把全部特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入，估算工作量過(guò)大，且由于特征屬性之間可能的相互耦合關(guān)系會(huì)造成評(píng)估信息的相互重疊和干擾，影響定價(jià)策略模型的可靠性。

本文采用因子分析方法對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理。因子分析反映一種降維的思想，通過(guò)將高度相關(guān)的變量聚集在一起，用少數(shù)幾個(gè)不相關(guān)的變量表示原來(lái)多個(gè)變量的主要信息，降低需要分析的變量數(shù)目和問(wèn)題的復(fù)雜性。

在通過(guò)并行工程理念得到與產(chǎn)品市場(chǎng)銷(xiāo)售價(jià)格相關(guān)的特征屬性基礎(chǔ)上，運(yùn)用因子分析對(duì)特征參數(shù)進(jìn)行降維，得到少數(shù)彼此不相關(guān)的公共因子指標(biāo)。用這些公共指標(biāo)代替原來(lái)較多的彼此相互聯(lián)系的產(chǎn)品特征屬性作為定價(jià)策略模型的輸入，既充分利用樣本信息，又在保留原特征參數(shù)大部分信息的前提下降低參數(shù)間耦合。

獲得公共因子指標(biāo)后，運(yùn)用神經(jīng)網(wǎng)絡(luò)的抽取、歸納及非線性建模能力，建立從產(chǎn)品特征參數(shù)到市場(chǎng)價(jià)格系數(shù)的高度非線性映射。

BP網(wǎng)絡(luò)能學(xué)習(xí)和存儲(chǔ)大量的輸入——輸出模式映射關(guān)系，而事前無(wú)需揭示描述這種映射關(guān)系的數(shù)學(xué)方程，屬于非線性交換單元的前饋式網(wǎng)絡(luò)，具有很好的逼近非線性映射的能力。本文采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和估算，經(jīng)過(guò)反復(fù)訓(xùn)練和修正，在保證BP算法的收斂性和全局最優(yōu)性的基礎(chǔ)上構(gòu)建定價(jià)策略模型。

11圖2模型示意圖11

2實(shí)例分析

本文以手機(jī)產(chǎn)品為例進(jìn)行實(shí)證分析。為了獲取樣本數(shù)據(jù)，采用目前主流的品牌手機(jī)在某一時(shí)刻的市場(chǎng)銷(xiāo)售價(jià)格及主要性能參數(shù)，包括三星、HTC、LG、華為、索尼和諾基亞等6個(gè)品牌的高，中，低端系列產(chǎn)品的32個(gè)特征屬性。樣本數(shù)據(jù)來(lái)自太平洋在線網(wǎng)站。

實(shí)驗(yàn)步驟：

（1）數(shù)據(jù)標(biāo)準(zhǔn)化。初次收集到性能、外形等32個(gè)特征屬性值，將刻度級(jí)變量標(biāo)準(zhǔn)化為[0，10]之間的數(shù)值，序次級(jí)和名義級(jí)變量直接用[0，10]之間的數(shù)值表示。

（2）相關(guān)分析。將32個(gè)特征參數(shù)與市場(chǎng)價(jià)格系數(shù)做相關(guān)分析。剔除和市場(chǎng)價(jià)格系數(shù)相關(guān)性較低，沒(méi)通過(guò)相關(guān)性驗(yàn)證的13個(gè)特征參數(shù)。

（3）因子分析。剩余19個(gè)特征參數(shù)進(jìn)行因子分析。因子分析的可行性檢驗(yàn)KMO與Bartlett球形檢驗(yàn)結(jié)果都很顯著，KMO測(cè)度值為0.851，與Bartlett球形檢驗(yàn)的P值為0，說(shuō)明樣本數(shù)據(jù)集適合做因子分析。本文采用主成份法提取因子，因?yàn)楦鱾€(gè)特征屬性的度量單位不同，因此以分析變量的相關(guān)系數(shù)矩陣作為提取公因子的依據(jù)；指定提取特征值為1以上的公因子，并用方差最大旋轉(zhuǎn)法進(jìn)行正交旋轉(zhuǎn)。SPSS處理后所得結(jié)果如下：表1KMO檢驗(yàn)與球形檢驗(yàn)

從表2中可以看出，Extraction Sums of Squared Loadings欄給出提取的因子方差貢獻(xiàn)表，提取的4個(gè)因子按方差貢獻(xiàn)的大小自上而下列出，可以看出，4個(gè)因子可以解釋原始變量67.836%的方差，已經(jīng)涵蓋了樣本數(shù)據(jù)的大部分信息。

從表3可以看出，第一個(gè)公共因子在特征指標(biāo)主屏尺寸、主屏分辨率、CPU速度、CPU核心數(shù)、GPU、內(nèi)存容量、內(nèi)置容量、電池容量、重量、副攝像頭像素、4G手機(jī)具有較大載荷，說(shuō)明這11個(gè)指標(biāo)有較強(qiáng)的相關(guān)性，可以歸為一類(lèi)，形成一個(gè)公共因子。同理，這19個(gè)指標(biāo)可以被降維歸為4類(lèi)，得到四個(gè)公共因子，然后再把這4個(gè)公共因子作為神經(jīng)網(wǎng)絡(luò)的輸入。

（4）使用BP神經(jīng)網(wǎng)絡(luò)建模

BP神經(jīng)網(wǎng)絡(luò)有多種算法，針對(duì)中小規(guī)模的數(shù)據(jù)集，采用前饋神經(jīng)網(wǎng)絡(luò)收斂速度較快、精度較高的TrainLM算法進(jìn)行訓(xùn)練。迭代終止條件為：（1）正常收斂（2）達(dá)到迭代次數(shù)。經(jīng)多次訓(xùn)練、統(tǒng)計(jì)和修正，構(gòu)建了基于因子分析和神經(jīng)網(wǎng)絡(luò)的產(chǎn)品定價(jià)策略模型。其訓(xùn)練誤差性能曲線和訓(xùn)練誤差記錄如圖3和表4所示。

11圖3訓(xùn)練誤差性能曲線11

從訓(xùn)練性能誤差曲線和訓(xùn)練誤差記錄可以看出，所得定價(jià)策略模型性能穩(wěn)定，誤差率基本控制在（-0.516%，0.672%）之間，取得了良好的估算效果。

3總結(jié)

隨著現(xiàn)代科技和電子技術(shù)的發(fā)展，電子產(chǎn)品的特征屬性越來(lái)越多，這些屬性往往能對(duì)電子產(chǎn)品的預(yù)期市場(chǎng)價(jià)格產(chǎn)生很大的影響。在構(gòu)建定價(jià)決策模型的過(guò)程中如果將新產(chǎn)品的全部屬性都考慮進(jìn)來(lái)，作為神經(jīng)網(wǎng)絡(luò)的輸入來(lái)訓(xùn)練模型會(huì)導(dǎo)致訓(xùn)練工作量加大、效率降低，而且很多特征屬性之間存在較大耦合。本文首先采用相關(guān)分析和因子分析方法提取出主要的特征屬性，然后通過(guò)BP神經(jīng)網(wǎng)絡(luò)建立產(chǎn)品特征屬性與價(jià)格系數(shù)之間的非線性映射關(guān)系，得出產(chǎn)品定價(jià)策略模型，為準(zhǔn)確地確定新產(chǎn)品推向市場(chǎng)時(shí)最優(yōu)的銷(xiāo)售價(jià)格提供指導(dǎo)方法。

參考文獻(xiàn)

[1]宋麗君.幾種常用產(chǎn)品定價(jià)策略適用性比較[J].經(jīng)營(yíng)管理，2010，（10）：65.

[2]張英朝，張維明，肖衛(wèi)東等.虛擬組織中面向共享的信息統(tǒng)——描述模型研究[J].系統(tǒng)工程學(xué)報(bào)，2005，20（1）：62-72.

[3]范海峰.產(chǎn)品定價(jià)決策影響及方法探討[J].財(cái)會(huì)通訊（理財(cái)版），2007，（8）：16-17.

[4]譚佳音，李波.網(wǎng)絡(luò)代購(gòu)背景下制造商兩市場(chǎng)定價(jià)策略研究[J].西安電子科技大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2011，（6）：17-26.

[5]姜琴.企業(yè)產(chǎn)品定價(jià)決策分析[J].重慶工貿(mào)職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2008，（3）：92-93.

[6]丁瑾，胡健棟.關(guān)于電子產(chǎn)品定價(jià)的模糊綜合評(píng)判[J].系統(tǒng)工程與電子技術(shù)，1994，（2）：1.

[7]羅成漢.基于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的BP網(wǎng)絡(luò)實(shí)現(xiàn)[J].計(jì)算機(jī)仿真，2004，（5）：109-111.

[8]趙美英.新產(chǎn)品定價(jià)策略的微觀研究[J].平原大學(xué)學(xué)報(bào)，2005，（2）：28-31.

[9]許東，吳錚.基于matlab 6.x的系統(tǒng)分析與設(shè)計(jì)——神經(jīng)網(wǎng)絡(luò)（第2版）[M].西安：西安電子科技大學(xué)出版社，2003.

[10]Bode，J.Neural networks for cost estimation[J].American Association of Cost Engineers，1998，40（1）：25-30.

[11]Pang-Ning Tan，Michael Steinbach，Vipin Kumar.Introduction to Data Mining[M].BJ：China Machine Press，2011.

[12]張志涌等.精通MATLAB R2011a[M].北京：北京航空航天大學(xué)出版社，2011.

（本文責(zé)任編輯：孫國(guó)雷）