王冬

（鄭州鐵路職業(yè)技術(shù)學(xué)院，河南 鄭州 450052）

基于BP神經(jīng)網(wǎng)絡(luò)算法的物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)研究

王冬

（鄭州鐵路職業(yè)技術(shù)學(xué)院，河南 鄭州 450052）

基于BP神經(jīng)網(wǎng)絡(luò)算法和MATLAB軟件，對(duì)物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)進(jìn)行實(shí)證分析。結(jié)果顯示，BP神經(jīng)網(wǎng)絡(luò)算法具有很好的預(yù)測(cè)精度，能有效地提高物流企業(yè)經(jīng)營(yíng)管理的效率。

物流企業(yè)；經(jīng)營(yíng)風(fēng)險(xiǎn)；BP神經(jīng)網(wǎng)絡(luò)算法；實(shí)證分析

1 引言

物流企業(yè)業(yè)務(wù)所具有的復(fù)雜性、創(chuàng)新性和獨(dú)特性等特性和這一過(guò)程所涉及的內(nèi)部、外部的許多關(guān)系與變數(shù)，造成在物流企業(yè)經(jīng)營(yíng)過(guò)程中會(huì)存在各種各樣的風(fēng)險(xiǎn)。鄧金娥和周蕘陽(yáng)(2005)認(rèn)為我國(guó)物流企業(yè)面臨制度、法律、合同、投資與融資等方面的主要風(fēng)險(xiǎn)；陳濤燾(2008)針對(duì)物流企業(yè)的特點(diǎn)，從財(cái)務(wù)、環(huán)境、管理和能力四個(gè)方面構(gòu)建物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)評(píng)價(jià)體系；王衛(wèi)友和曾傳華（2009）則參考企業(yè)財(cái)務(wù)預(yù)警指標(biāo)體系，來(lái)分析物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)。

因此在充分識(shí)別物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)的基礎(chǔ)上，需要科學(xué)度量和全面控制這些風(fēng)險(xiǎn)。在物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)管理過(guò)程中，尤其是經(jīng)營(yíng)風(fēng)險(xiǎn)的度量，迄今在業(yè)界已經(jīng)取得了不少成就，如聚類分析法、模糊數(shù)學(xué)法、主成分分析法、層次分析法以及回歸分析法等。如張榮等(2007)基于傳統(tǒng)灰色聚類方法和回歸方法對(duì)研究問(wèn)題進(jìn)行了拓展分析；劉建等(2010)在建立物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系的基礎(chǔ)上，使用聚類分析的方法對(duì)指標(biāo)進(jìn)行篩選和驗(yàn)證，運(yùn)用主成分分析法和回歸分析法確定指標(biāo)權(quán)重，最后應(yīng)用模糊綜合評(píng)判方法對(duì)指標(biāo)進(jìn)行綜合評(píng)價(jià)；陳志剛，陳祥鋒運(yùn)用模糊數(shù)學(xué)和層次分析法相結(jié)合的Fuzzy-AHP綜合評(píng)價(jià)方法，對(duì)物流企業(yè)的經(jīng)營(yíng)風(fēng)險(xiǎn)進(jìn)行評(píng)估。

但這些方法都沒(méi)有考慮投資物流企業(yè)經(jīng)營(yíng)過(guò)程風(fēng)險(xiǎn)非線性的復(fù)雜特點(diǎn)。同時(shí)，現(xiàn)有文獻(xiàn)基本從企業(yè)財(cái)務(wù)能力指標(biāo)、企業(yè)償債能力指標(biāo)、企業(yè)現(xiàn)金流指標(biāo)以及企業(yè)盈利能力指標(biāo)等四個(gè)方面來(lái)構(gòu)建物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)評(píng)估指標(biāo)，未考慮企業(yè)成長(zhǎng)性指標(biāo)和企業(yè)經(jīng)營(yíng)能力指標(biāo)。因此，本文從物流企業(yè)經(jīng)營(yíng)過(guò)程風(fēng)險(xiǎn)的具體情況出發(fā)，采用神經(jīng)網(wǎng)絡(luò)算法，應(yīng)用MATLAB仿真軟件進(jìn)行了實(shí)證分析，并且通過(guò)與多元回歸方法對(duì)比，發(fā)現(xiàn)在具有復(fù)雜特點(diǎn)的物流企業(yè)經(jīng)營(yíng)過(guò)程中，BP神經(jīng)網(wǎng)絡(luò)算法具有很好的預(yù)測(cè)精度，能有效地提高物流企業(yè)經(jīng)營(yíng)績(jī)效，降低經(jīng)營(yíng)過(guò)程中的風(fēng)險(xiǎn)。

2 物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)指標(biāo)體系

物流企業(yè)的各種經(jīng)營(yíng)風(fēng)險(xiǎn)均可通過(guò)財(cái)務(wù)風(fēng)險(xiǎn)反映出來(lái)。因此，在評(píng)估物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)時(shí)，可重點(diǎn)對(duì)財(cái)務(wù)指標(biāo)進(jìn)行計(jì)算與分析。根據(jù)物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系的設(shè)計(jì)原則，物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)指標(biāo)體系主要包括企業(yè)成長(zhǎng)性指標(biāo)、企業(yè)財(cái)務(wù)能力指標(biāo)、企業(yè)償債能力指標(biāo)、企業(yè)現(xiàn)金流指標(biāo)、企業(yè)經(jīng)營(yíng)能力指標(biāo)以及企業(yè)盈利能力指標(biāo)等。

根據(jù)物流企業(yè)經(jīng)營(yíng)本身的目標(biāo)和企業(yè)可以提供的數(shù)據(jù)，初步選取22項(xiàng)統(tǒng)計(jì)指標(biāo)構(gòu)成物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，見(jiàn)表1。

表1 物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)指標(biāo)體系

3 BP神經(jīng)網(wǎng)絡(luò)算法

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是前饋型神經(jīng)網(wǎng)絡(luò)的一種，其建立在梯度下降法的基礎(chǔ)上，學(xué)習(xí)過(guò)程(訓(xùn)練)由正向傳播和反向傳播組成。在正向傳播過(guò)程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出，則轉(zhuǎn)入反向傳播，逐層遞歸地計(jì)算實(shí)際輸入與期望輸入的差(即誤差)。將誤差信號(hào)沿原來(lái)的連接通道返回，通過(guò)修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小，具體如圖1所示。

圖1 三層神經(jīng)網(wǎng)絡(luò)模型

在圖1中，輸入向量為 X=(x1,x2,???,xi,???,xn)T；隱層輸出向量為 Y=(y1,y2,???,yj,???,ym)T；輸出層輸出向量為O=(o1,o2,???,ok,???,ol)T； 期 望 輸 出 向 量 為d=(d1,d2,???,dk,???,dl)T。輸入層到隱層之間的權(quán)值矩陣用V表示，V=(v1,v2,???,vj,???,vm)，其中列向量vj為隱層第j個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量；隱層到輸出層之間的權(quán)值矩陣用W表示，W=(w1,w2,???,wk,???,wl)，其中列向量wk為輸出層第k個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量。各層信號(hào)之間的數(shù)學(xué)關(guān)系如下：

對(duì)于輸出層，有：

對(duì)于隱層，有：

以上兩式中，變換函數(shù) f(x)均為單極性Sigmoid函數(shù)：

f(x)具有連續(xù)、可導(dǎo)的特點(diǎn)，且有：

根據(jù)應(yīng)用需要，也可以采用雙極性Sigmoid函數(shù)（或稱雙曲線正切函數(shù)）。

式（1）-式（5）共同構(gòu)成了三層BP神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型。

由于標(biāo)準(zhǔn)BP算法存在一些缺陷：

（1）易形成局部最小而得不到全局最優(yōu)；

（2）訓(xùn)練次數(shù)多，使學(xué)習(xí)效率低，收斂速度慢；

（3）學(xué)習(xí)過(guò)程出現(xiàn)假飽和。

另外，網(wǎng)絡(luò)隱含層數(shù)及隱節(jié)點(diǎn)的選取缺乏理論指導(dǎo)，網(wǎng)絡(luò)訓(xùn)練時(shí)學(xué)習(xí)新樣本有遺忘舊樣本的趨勢(shì)。因此，采取如下措施進(jìn)行改進(jìn)：

（1）增加動(dòng)量項(xiàng)。令ΔW(t)=ηδX+αΔW(t-1)，α稱為動(dòng)量系數(shù)，一般有α∈(0,1)。

（2）輸入數(shù)據(jù)處理。在輸入數(shù)據(jù)的標(biāo)準(zhǔn)化方面，輸入數(shù)據(jù)太大，容易導(dǎo)致模型無(wú)法收斂，所以將輸入數(shù)據(jù)變換為[0,1]區(qū)間的值，其公式如下：

其中，xi代表輸入數(shù)據(jù)，xmin代表數(shù)據(jù)變化范圍的最小值，xmax代表數(shù)據(jù)變化范圍的最大值。

（3） 學(xué) 習(xí) 速 率 的 調(diào) 整 。 令 η(k+1)=為訓(xùn)練次數(shù)，ERME為網(wǎng)絡(luò)均方根誤差，這樣保證一個(gè)近最優(yōu)的學(xué)習(xí)速率，從而得到比標(biāo)準(zhǔn)BP算法更快的收斂速度。

4 實(shí)證分析

本文采用23家物流企業(yè)數(shù)據(jù)作為實(shí)證對(duì)象，數(shù)據(jù)來(lái)源于和訊網(wǎng)。下面采用BP神經(jīng)網(wǎng)絡(luò)算法和回歸方法對(duì)物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)進(jìn)行分析。

4.1 基于BP神經(jīng)網(wǎng)絡(luò)算法的物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)分析

（1）實(shí)證具體過(guò)程。實(shí)證過(guò)程包括：

①初始化。包括權(quán)值矩陣W、V，誤差E,動(dòng)量系數(shù)α，訓(xùn)練間隔次數(shù)，最大訓(xùn)練次數(shù)，網(wǎng)絡(luò)訓(xùn)練精度Emin；

②采用批（Batch）訓(xùn)練方式，輸入樣本對(duì)，計(jì)算各層輸出及網(wǎng)絡(luò)誤差；

③檢查網(wǎng)絡(luò)總誤差是否達(dá)到精度要求。

若滿足ERME＜Emin，訓(xùn)練結(jié)束，否則E置0，重新訓(xùn)練。

（2）BP算法過(guò)程。樣本一共23組，其中訓(xùn)練樣本15組，測(cè)試樣本8組，利用MATLAB軟件進(jìn)行仿真分析。仿真的初始參數(shù)為：隱層層級(jí)為2，輸出層層級(jí)為1，權(quán)值矩陣W、V賦隨機(jī)數(shù)，誤差E置為0，動(dòng)量系數(shù)α取0.9，學(xué)習(xí)速率因子為1.04，訓(xùn)練間隔次數(shù)為50，最大訓(xùn)練次數(shù)為1 000，網(wǎng)絡(luò)訓(xùn)練精度Emin設(shè)為0.05。

首先對(duì)測(cè)試樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練，成長(zhǎng)性、財(cái)務(wù)能力、償債能力、經(jīng)營(yíng)能力、現(xiàn)金流指標(biāo)、盈利能力等六個(gè)指標(biāo)作為模型的輸入因子。

得到誤差結(jié)果（如圖2所示）。從圖2可以發(fā)現(xiàn)模型經(jīng)過(guò)442步，達(dá)到誤差精度0.001的要求。另外保存訓(xùn)練好的網(wǎng)絡(luò)，輸入測(cè)試樣本集，進(jìn)行仿真測(cè)試，得到結(jié)果見(jiàn)表2。

圖2 誤差曲線

表2 BP算法測(cè)試結(jié)果

從表2可以看出，在綜合評(píng)估物流企業(yè)的成長(zhǎng)性、企業(yè)財(cái)務(wù)能力、企業(yè)償債能力、企業(yè)現(xiàn)金流、企業(yè)經(jīng)營(yíng)能力以及企業(yè)盈利能力等指標(biāo)的基礎(chǔ)上，第五組樣本企業(yè)的評(píng)估值最大，達(dá)到了92.28，說(shuō)明其風(fēng)險(xiǎn)?。欢谝唤M和第四組企業(yè)樣本，其評(píng)估值只有10.96和11.84，說(shuō)明其風(fēng)險(xiǎn)最大。同時(shí)應(yīng)該說(shuō)明的是，以上結(jié)果只是預(yù)測(cè)值，要體現(xiàn)算法的科學(xué)性，需要保證預(yù)測(cè)結(jié)果與實(shí)際情況的相對(duì)吻合，這樣才可以為物流企業(yè)提供較為科學(xué)的依據(jù)，減少物流企業(yè)的經(jīng)營(yíng)風(fēng)險(xiǎn)。本文將進(jìn)一步用多元回歸方法分析物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)。

4.2 利用多元回歸方法度量物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)

多元回歸分析是一種處理變量的統(tǒng)計(jì)相關(guān)關(guān)系的數(shù)理統(tǒng)計(jì)方法，其主要是解決線性回歸問(wèn)題。為了與BP神經(jīng)網(wǎng)絡(luò)算法做比較，引入多元回歸方法。運(yùn)用EVIEWS軟件同樣對(duì)前15組樣本進(jìn)行回歸分析，得到表3。

表3 多元回歸方法結(jié)果

因此回歸模型為（模型通過(guò)置信度檢驗(yàn)）：

Y=0.390 030(X1)+0.364 723(X2)+0.222 463(X3)+0.268 660 (X4)+0.359 174(X5)+0.320 806(X6)-45.051 47

其中：Y表示綜合得分；X1表示成長(zhǎng)性；X2表示財(cái)務(wù)能力；X3表示償債能力；X4表示現(xiàn)金流量；X5表示經(jīng)營(yíng)能力；X6表示盈利能力。

利用回歸模型，輸入測(cè)試樣本進(jìn)行仿真，得到結(jié)果見(jiàn)表4。

表4 回歸算法測(cè)試結(jié)果

從表4可以看出，其預(yù)測(cè)結(jié)果與表2的預(yù)測(cè)結(jié)果相似，即第五組樣本企業(yè)的評(píng)估值最大，說(shuō)明其風(fēng)險(xiǎn)最小，而第一組和第四組樣本企業(yè)評(píng)估值最小，說(shuō)明其風(fēng)險(xiǎn)最大。但其仿真精度差別比較明顯。對(duì)于物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)的分析，BP神經(jīng)網(wǎng)絡(luò)算法與回歸方法的預(yù)測(cè)值、殘差情況見(jiàn)表5和表6。

表5 兩種方法預(yù)測(cè)值對(duì)比情況表

表6 兩種方法殘差比較

實(shí)證分析主要采用處理線性問(wèn)題的回歸方法和可以處理非線性問(wèn)題的BP神經(jīng)網(wǎng)絡(luò)算法對(duì)物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析，可以發(fā)現(xiàn)，對(duì)于預(yù)測(cè)的殘差最大絕對(duì)值，回歸方法達(dá)到了15.41，而BP神經(jīng)網(wǎng)絡(luò)算法只有7.12；對(duì)于殘差最小絕對(duì)值，回歸方法有1.45之多，而BP神經(jīng)網(wǎng)絡(luò)算法只有其1/3；對(duì)于殘差平方和均值，回歸方法更是達(dá)到了55.88，而BP神經(jīng)網(wǎng)絡(luò)算法僅為18.26。因此，不管在殘差最大絕對(duì)值、殘差最小絕對(duì)值方面，還是在殘差平方和均值方面，相比多元回歸算法，BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)精度都是比較高的。目前物流企業(yè)經(jīng)營(yíng)涉及到的各種風(fēng)險(xiǎn)因素都是錯(cuò)綜復(fù)雜的，是一種非線性關(guān)系，利用BP神經(jīng)網(wǎng)絡(luò)算法，并且加以適當(dāng)?shù)母恼?，將能為物流企業(yè)經(jīng)營(yíng)管理帶來(lái)巨大的幫助。

5 研究結(jié)論

人工神經(jīng)網(wǎng)絡(luò)發(fā)展至今，理論正逐漸完善，作為主要網(wǎng)絡(luò)模型之一的BP網(wǎng)絡(luò)，在物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)度量中的應(yīng)用也在逐漸增加。它以成熟的計(jì)算機(jī)技術(shù)為基礎(chǔ)，拋開了先假設(shè)后驗(yàn)證的傳統(tǒng)統(tǒng)計(jì)分析方法，不需要對(duì)研究問(wèn)題提出任何假設(shè)，在物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)度量方面有著廣闊的應(yīng)用前景，特別是在變量較多或關(guān)系不明的情況下。

標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)在很多情況下是發(fā)散的，預(yù)測(cè)值也不是很理想。本文對(duì)BP神經(jīng)網(wǎng)絡(luò)模型采用了附加動(dòng)量法和自適應(yīng)學(xué)習(xí)速率等簡(jiǎn)單切實(shí)有效方法，不但克服了傳統(tǒng)的BP算法收斂速度慢等缺點(diǎn)，大大縮短了學(xué)習(xí)時(shí)間，也由于其易于實(shí)現(xiàn)而有利于在物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)管理中推廣。同時(shí)，與傳統(tǒng)統(tǒng)計(jì)方法相比，BP神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)還不是十分完善，在解決問(wèn)題的模型上沒(méi)有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)，因此BP神經(jīng)網(wǎng)絡(luò)并不能完全取代統(tǒng)計(jì)學(xué)分析，兩者是互相補(bǔ)充的關(guān)系，應(yīng)該將BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)統(tǒng)計(jì)分析結(jié)合起來(lái)應(yīng)用，如BP神經(jīng)網(wǎng)絡(luò)樣本處理時(shí)需要運(yùn)用統(tǒng)計(jì)工具進(jìn)行因子分析。

總之，對(duì)于聚類分析法、模糊數(shù)學(xué)法以及回歸分析法等難以解決的問(wèn)題，利用BP神經(jīng)網(wǎng)絡(luò)能夠反映非線性特征的優(yōu)點(diǎn)，可得到滿意的結(jié)果。例如在實(shí)證研究部分，BP神經(jīng)網(wǎng)絡(luò)模型的擬合和預(yù)測(cè)精度都要優(yōu)于回歸模型，對(duì)于結(jié)果的估計(jì)，BP算法預(yù)測(cè)的誤差平方和均值僅為18.26，而多元回歸算法則高達(dá)55.88。

[1]鄧金娥,周蕘陽(yáng).我國(guó)第三方物流企業(yè)的風(fēng)險(xiǎn)與對(duì)策研究[J].物流技術(shù),2005,(7):21-23.

[2]陳濤燾.物流企業(yè)風(fēng)險(xiǎn)評(píng)價(jià)及對(duì)策研究[D].武漢:武漢理工大學(xué),2008.

[3]王衛(wèi)友,曾傳華.物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系研究[J].物流工程與管理,2009,31(4):51-53.

[4]張榮,劉思峰,劉斌.灰色聚類評(píng)價(jià)方法的延拓研究[J].統(tǒng)計(jì)與決策, 2007,(9):24-26.

[5]劉建,李莉,關(guān)宇航,等.物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)警模型構(gòu)建及其實(shí)證研究[J].物流技術(shù),2010,(12):86-90.

[6]陳志剛,陳祥鋒.基于Fuzzy-AHP的物流企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)評(píng)估[J].物流技術(shù),2006,(7):124-126,147.

[7]Holmstrom L,Koistinen P.Using Additive Noise in Back-Propagation Training[J].IEEE transactions on neural networks,1992,3(1):24-38.

[8]Van Ooyen A,Nienhuis B.Improving the convergence of the backpropagation algorithm[J].Neural Networks,1992,5(3):465-471.

[9]Ng S,Leung S,Luk A,Wu Y.Convergence Analysis of Generalized Back-propagation Algorithm with Modified Gradient Function[A].Vancouver:International Joint Conference on Neural Networks[C].2006.

[10]Fahlmann S.An empirical study of learning speed in back-propagation networks[R].Pittsburgh:Carnegie Mellon University,1988.

[11]Kitano H.Designing neural networks using genetic algorithms with graph generation system[J].Complex Systems Journal,1990,(4):461-476.

[12]Haykin S.Neural Networks and Learning Machines[M].New Jersey: Prentice Hall,2008.

[13]韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京:北京郵電大學(xué)出版社,2007.

[14]周開利,康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB實(shí)證程序設(shè)計(jì)[M].北京:清華大學(xué)出版社,2009.

Study on Operational Risk of Logistics Enterprises Based on BP Neural Network Algorithm

Wang Dong
(Zhengzhou Railway Vocational&Technical College,Zhengzhou 450052,China)

In this paper,on the basis of the BP neural network algorithm and the MATLAB software,we had an empirical analysis of the operational risks of the logistics enterprises,and found that the algorithm was of good accuracy and capable of effectively improving the efficiency of the operation and management of the logistics enterprises.

logistics enterprise;operational risk;BP neural network algorithm;empirical analysis

F253；F224

A

1005-152X(2015)10-0138-04

2015-08-02

河南省科技廳軟科學(xué)項(xiàng)目“河南省第三方物流企業(yè)營(yíng)銷存在的問(wèn)題與對(duì)策研究”（122400440070）

王冬（1968-），女，河南鞏義人，副教授，管理學(xué)碩士，研究方向：企業(yè)管理、物流管理與營(yíng)銷。

10.3969/j.issn.1005-152X.2015.10.038