袁桂英

（鄭州升達(dá)經(jīng)貿(mào)管理學(xué)院 商學(xué)系，鄭州 450000）

0 引言

在市場經(jīng)濟(jì)為中心的營銷體系中，企業(yè)的全部活動均以市場和客戶為主，在此基準(zhǔn)上構(gòu)建讓客戶滿意的商品和服務(wù)才是市場營銷的核心和關(guān)鍵。而市場營銷風(fēng)險則是在企業(yè)運營過程中，基于內(nèi)部和外部條件的改變引發(fā)不可預(yù)期的變化。使企業(yè)營銷的實際和預(yù)期帶來相應(yīng)的偏離，并使得公司處在不尋常的遭受損失的狀況。此外，市場營銷為整個企業(yè)的運行主題部分，處在企業(yè)風(fēng)險的高發(fā)模塊。本文采用ANN結(jié)合Petri法完成市場營銷風(fēng)險預(yù)警方案設(shè)計，對有效地實現(xiàn)市場營銷的風(fēng)險預(yù)警有重要的作用。

1 市場營銷風(fēng)險預(yù)警體系構(gòu)建

1.1 場營銷風(fēng)險狀況劃分

針對各類市場營銷風(fēng)險，采用相應(yīng)的預(yù)警策略才能夠達(dá)到市場營銷的風(fēng)險預(yù)警目標(biāo)。企業(yè)的市場營銷風(fēng)險主要源自于商品、定價、分銷以及促銷。商品風(fēng)險包含設(shè)計風(fēng)險、功能化質(zhì)量風(fēng)險、入市時段風(fēng)險、市場定位以及品牌風(fēng)險；定價風(fēng)險則包括低價、高價以及價位變動風(fēng)險；分銷則包含商業(yè)、存儲、借貸風(fēng)險；促銷則包含廣告、推銷以及營銷風(fēng)險。

1.2 傳統(tǒng)的市場營銷風(fēng)險預(yù)警指標(biāo)模型

市場營銷風(fēng)險估測評判預(yù)警模式，即能夠及時反饋企業(yè)營銷狀況的統(tǒng)一體，因而構(gòu)建市場營銷風(fēng)險預(yù)警指標(biāo)模型時，需滿足靈活、廣泛、測度、獨立以及預(yù)見標(biāo)準(zhǔn)?；诖耍袌鰻I銷風(fēng)險預(yù)警子模型如下：

并假定各個風(fēng)險自模型的預(yù)警參量如下：

（1）商品預(yù)警子系統(tǒng)：營銷利率（k1）；營銷開銷比值（k2）；營銷收益增長比（k3）；營銷數(shù)額增長比（k4）；營銷獲益金額（k5）；收獲賬目周轉(zhuǎn)度（k6）；股市獲益比（k7）。

（2）協(xié)作預(yù)警子系統(tǒng):存款周轉(zhuǎn)比值（k8）；需付賬目比值（k9）。

（3）公共預(yù)警子系統(tǒng):資本凈利益（k10）；資本增長比值（k11）；整體資本增長比值（k12）；現(xiàn)有財產(chǎn)比值（k13）；流動財產(chǎn)比值（k14）；整體資本周轉(zhuǎn)比值（k15）；股東權(quán)值比值（k16）；凈效益增長率（k17）；現(xiàn)金存量（k18）。

（4）競爭預(yù)警子系統(tǒng):市場占有比值（k19）；整體利益位置（k20）；行業(yè)利益位置（k21）；行業(yè)相關(guān)人數(shù)比值（k22）；行業(yè)公司數(shù)目（k23）；行業(yè)虧損公司數(shù)目（k24）；行業(yè)銷售增長比重（k25）。

1.3 傳統(tǒng)市場營銷風(fēng)險預(yù)警指標(biāo)數(shù)學(xué)建模

傳統(tǒng)方法采用上文給出的假定，完成標(biāo)準(zhǔn)化操作，K1,K2,...,Kn轉(zhuǎn)換為g1,g2,...,gn（n≤25）去除標(biāo)準(zhǔn)間的差異，k’為假定參量均值，使標(biāo)準(zhǔn)間能夠?qū)崿F(xiàn)量綱比：

測算標(biāo)準(zhǔn)化之后的各個初始標(biāo)準(zhǔn)的協(xié)方差陣列，O=(oij)n*n，則協(xié)方差的測算模型為：

基于標(biāo)定參量之后的初始信息獲取相關(guān)參量陣列U=(uij)n*n，ki與 kj間的關(guān)聯(lián)參量uij為：

通過給出陣列U的特征值和，即v1,v2,...，vn之和為1，并選取p個主成分特征值可得(v1+v2+...+vp)/(v1+v2+...+vn)累計貢獻(xiàn)參量結(jié)果高于0.86，因而將高于1的vp和相關(guān)的特征參量設(shè)置為p個，則p個主成分為：

1.4 傳統(tǒng)市場營銷風(fēng)險預(yù)警程度

傳統(tǒng)市場營銷風(fēng)險預(yù)警重點在于市場營銷分類裝置設(shè)計，本文采用該分類裝置實現(xiàn)企業(yè)營銷風(fēng)險程度判別，并根據(jù)風(fēng)險種類給出相關(guān)營銷風(fēng)險預(yù)警警示。數(shù)據(jù)擴(kuò)散給出部分即所期待的風(fēng)險水準(zhǔn)，警示程度的分類組合為 R，R={r1,r2,r3,r4,r5}，其中的 r1、r2、r3、r4、r5表述尋常狀況、低風(fēng)險模式、中風(fēng)險模式、較高風(fēng)險模式、高風(fēng)險模式。

2 ANN結(jié)合Petri算法

2.1 ANN算法

2.1.1 ANN算法數(shù)學(xué)模型

人工神經(jīng)網(wǎng)絡(luò)模型（ANN）即采用很多簡約的神經(jīng)單元擬合人類大腦思考模式。該方法能夠充分應(yīng)用各類數(shù)據(jù)并且選取非線性平臺實現(xiàn)給入、給出間的關(guān)聯(lián)，完成前向與后向數(shù)據(jù)傳播間的修正方案。

整體思想如下，即針對鍛煉樣本 M(m1，m2，...，mc，c是樣本數(shù)量)以及已獲取的給出樣本集合 U(U1，U2，...，Uc)，訓(xùn)練目標(biāo)即獲取網(wǎng)絡(luò)擬合給出H(H1，H2，...，Hc)。采用削減U和H簡的偏差實現(xiàn)擬合進(jìn)程中的權(quán)重改變，并且采用網(wǎng)絡(luò)模擬的方式使得給出結(jié)果和實際結(jié)果間的偏差較小。

設(shè)定給入部分為O,給入層級的神經(jīng)單元存在z個，并且隱含e1個神經(jīng)單元，激活解析式是Q1。給出層則包含e2個神經(jīng)單元，相關(guān)激活解析式是Q2，給出結(jié)果是I，目標(biāo)參量為 X，D1、F1、D2、F2是權(quán)重與閾值參量，數(shù)據(jù)的正向傳送方式為：

（1）隱含層中第j個神經(jīng)單元給出結(jié)果為：

（2）輸出層級中的第j個神經(jīng)單元的給出結(jié)果為：

（3）給定偏差解析式為：

采用梯度降低方案獲取權(quán)重參量變換和偏差反向傳輸為：

（1）輸出模塊的權(quán)重變換如下，從第j到第n個輸出權(quán)重狀況為：

（2）隱含層級的權(quán)重變換從第j個給入到第n個給出間的權(quán)重結(jié)果為：

2.1.2 ANN算法網(wǎng)絡(luò)模型

由于人工神經(jīng)網(wǎng)絡(luò)算法對大腦構(gòu)造的擬合，本文給定神經(jīng)網(wǎng)絡(luò)模型為一個五維構(gòu)造單元：ANN=(S,W,α,β,θ)。式中的S為神經(jīng)網(wǎng)絡(luò)給入數(shù)據(jù)組合；W為神經(jīng)網(wǎng)絡(luò)給出數(shù)據(jù)組合；α為神經(jīng)網(wǎng)絡(luò)隱含單元的組合；并且將模型的給入數(shù)據(jù)和給出數(shù)據(jù)依照某種方式組合，β為神經(jīng)網(wǎng)絡(luò)的銜接權(quán)重組合，該值給定各個節(jié)點間關(guān)聯(lián)程度；θ為神經(jīng)單元的閾值組合。如圖1所示。

圖1 ANN算法網(wǎng)絡(luò)模型

2.2 Petri網(wǎng)絡(luò)建模

Petri網(wǎng)絡(luò)即采用圖形化的組合方式應(yīng)用在電腦系統(tǒng)中，實現(xiàn)表述和解析市場營銷模型的并發(fā)處理過程。整個模型劃分為六個單元：

式(12)中的pp為初始數(shù)據(jù)集合，設(shè)定為{pp1,pp2,...,ppn}，表述為標(biāo)準(zhǔn)、給入信息、給入數(shù)據(jù)、需要資源等部分，并用‘0’表述，若數(shù)據(jù)庫中能夠得到全部數(shù)據(jù)則表述為‘Φ’;tt為初始變遷組合，能夠表述為事件、測算步驟、數(shù)據(jù)操作、任務(wù)等因子，并選用‘δ’表述，式(13)則表述petri網(wǎng)絡(luò)的流關(guān)系：

ww為網(wǎng)絡(luò)的權(quán)值解析式；ww(x,y)表述從x到y(tǒng)的權(quán)值參量；kk為網(wǎng)絡(luò)容量解析式；kk(p)是數(shù)據(jù)集合這的p值最大容量；mm為給定標(biāo)識，針對數(shù)據(jù)集合中的p可以獲取其中的Token數(shù)。

若設(shè)定某個Petri網(wǎng)絡(luò)中的(pp,tt,ff,ww,kk,mm)則給定了網(wǎng)絡(luò)中的靜態(tài)機(jī)制，整個Petri網(wǎng)絡(luò)首先采用模型遷移獲取演化參量，進(jìn)而展現(xiàn)Petri網(wǎng)絡(luò)動態(tài)狀況。

2.3 ANN結(jié)合Petri算法

ANN方法實際為采用信息驅(qū)動下的黑盒訓(xùn)練方式，完成給入信息和給出信息間的非線性關(guān)聯(lián)，并且從網(wǎng)絡(luò)訓(xùn)練中獲取相關(guān)狀態(tài)結(jié)合在神經(jīng)單元中。但ANN方法不能給出真實的物理定義，無法和人腦構(gòu)造具有學(xué)習(xí)與記憶的功能，并且能夠補充推理模式相提并論。

Petri算法則從數(shù)學(xué)角度分析圖形，適宜整個體系的變化，其對體系的因果關(guān)聯(lián)能夠補充ANN方法的推理。將ANN方法和Petri算法相互綜合能夠補充兩種方法單獨處理市場營銷風(fēng)險的不足。

將ANN方法與Petri算法結(jié)合即構(gòu)建具有學(xué)習(xí)能力的Petri網(wǎng)絡(luò)，在整個模型這將pp權(quán)值和tt權(quán)重依據(jù)神經(jīng)網(wǎng)絡(luò)偏差矯正，進(jìn)行融合，整體模式如下頁圖2所示。

圖2 ANN結(jié)合Petri算法模型

3 ANN結(jié)合Petri算法的市場營銷風(fēng)險預(yù)警方案

3.1 樣本選擇

本文選取《中國企業(yè)數(shù)據(jù)庫》《中國企業(yè)統(tǒng)籌年鑒》以及國家統(tǒng)計網(wǎng)站發(fā)布的各大上市企業(yè)的財務(wù)統(tǒng)計信息，基于此給出分析市場營銷風(fēng)險的初始信息。本文根據(jù)28家上市企業(yè)的統(tǒng)計信息為案例，采用因子得分協(xié)方差陣列完成上文給出的商品預(yù)警子系統(tǒng)，協(xié)作預(yù)警子系統(tǒng)，公共預(yù)警子系統(tǒng)，競爭預(yù)警子系統(tǒng)下的25個指標(biāo)分析。如表1所示。

表1 因子得分協(xié)方差

進(jìn)一步獲取偏差貢獻(xiàn)率，獲得六個公共因子，其方差累積貢獻(xiàn)程度為0.91683。表2給出樣本數(shù)據(jù)的解釋整體偏差結(jié)果。

表2 本數(shù)據(jù)的解釋整體偏差結(jié)果 （單位：%）

3.2 ANN結(jié)合Petri算法的市場營銷預(yù)警指標(biāo)量化

市場營銷預(yù)警標(biāo)準(zhǔn)能夠劃分為開銷類型、效益類型、適中類型和區(qū)間類型這四種。其中，UU1為開銷預(yù)警子集合；UU2為效益預(yù)警子集合；UU3為適中預(yù)警子集合；UU4為區(qū)間預(yù)警子集合。設(shè)置定義域區(qū)間為[ρ,τ]，代表預(yù)警標(biāo)準(zhǔn)的極小和極大結(jié)果，設(shè)置樣本pp的預(yù)警標(biāo)準(zhǔn)滿意度xxppi，區(qū)間為[0,1]。

（1）開銷類型即值越小越優(yōu)，其預(yù)警標(biāo)準(zhǔn)下的映射解析式為：

（2）效益類型即值越大越優(yōu)，解析式為：

（3）適中類型即值處于適宜的結(jié)果，解析式為：

（4）區(qū)間類型即結(jié)果處在某種范圍之內(nèi)，解析式為：

3.3 ANN結(jié)合Petri算法的市場營銷預(yù)警模型

本文結(jié)合樣本信息和ANN結(jié)合Petri算法給出企業(yè)市場營銷的風(fēng)險估測模型。整個模型給入部分的信息能夠輸入多元影響因素完成解析，同時規(guī)避了數(shù)據(jù)的交叉和重疊以及干擾狀況，此外，也會增快整個算法的訓(xùn)練速度。如圖3所示。

圖3ANN結(jié)合Petri算法的市場營銷預(yù)警模型

3.4 ANN結(jié)合Petri算法的市場營銷預(yù)警步驟

假定某個企業(yè)完成市場營銷風(fēng)險評測預(yù)警，按上文方法構(gòu)建ANN結(jié)合Petri算法預(yù)警體系，解析市場營銷預(yù)警特點，并設(shè)置預(yù)警標(biāo)準(zhǔn)取值區(qū)間，給出的市場營銷風(fēng)險評測方案為：

（1）設(shè)置給入預(yù)警向量區(qū)間：[ρ,τ]；

（2）給入ε個預(yù)警樣本屬性陣列λ以及期望輸出參量ξ；

（3）依照預(yù)警向量區(qū)間中的標(biāo)準(zhǔn)模式，完成預(yù)警樣本屬性陣列的線性轉(zhuǎn)換為μ；

（4）采用ANN結(jié)合Petri算法完成學(xué)習(xí)，關(guān)于∫和μ間實現(xiàn)非線性對應(yīng)，整個模型為：

（5）進(jìn)而采用鍛煉好的ANN結(jié)合Petri算法實現(xiàn)企業(yè)的市場營銷風(fēng)險評估，完成風(fēng)險預(yù)警時，僅需要設(shè)置預(yù)警判別標(biāo)準(zhǔn)權(quán)值屬性參量，即可獲取該企業(yè)的市場營銷風(fēng)險預(yù)警綜合判定指數(shù)參量，進(jìn)而給出相關(guān)預(yù)警數(shù)據(jù)，實現(xiàn)企業(yè)的市場營銷風(fēng)險評判。

3.5 ANN結(jié)合Petri算法的市場營銷預(yù)警誤判與虛警程度解析

測算預(yù)警誤判與虛警程度需要針對繁雜的概率密度解析式實現(xiàn)多元積分，判定步驟如下：

（1）依據(jù)企業(yè)市場營銷風(fēng)險信息獲取N個市場營銷的風(fēng)險預(yù)判斷樣本，并基于此檢驗以上市場營銷預(yù)警模式。獲取誤判以及虛警的樣本數(shù)量是hh1與hh2，則誤判以及虛警的概率為：

（2）若前驗概率給定為kk(Ψ)，則能夠從預(yù)警類別Ψ中獲取N’個營銷模式的預(yù)警樣本，即:

進(jìn)而可得誤判以及虛警的最優(yōu)似然估測結(jié)果為：

4 結(jié)論

市場營銷的狀況繁雜多變，在市場營銷活動中的參與者的決策和行動均會對市場經(jīng)濟(jì)帶來影響。而研究市場營銷的風(fēng)險管理方案，預(yù)測在相關(guān)活動中會帶來的風(fēng)險，能夠減少損失并且創(chuàng)造更大的收益。本文首先介紹了市場營銷風(fēng)險預(yù)警體系構(gòu)建，給出市場營銷風(fēng)險狀況劃分，形成因素，構(gòu)建了預(yù)警指標(biāo)模型，進(jìn)而設(shè)計了ANN結(jié)合Petri算法?；诖怂惴ńo出市場營銷風(fēng)險預(yù)警方案，設(shè)定樣本選擇，完成指標(biāo)量化，搭建預(yù)警模型并給出預(yù)警步驟，最后完成預(yù)警誤判與虛警程度解析。