基于BP神經網絡算法的物流企業(yè)經營風險研究

王冬

（鄭州鐵路職業(yè)技術學院，河南 鄭州 450052）

基于BP神經網絡算法的物流企業(yè)經營風險研究

王冬

（鄭州鐵路職業(yè)技術學院，河南 鄭州 450052）

基于BP神經網絡算法和MATLAB軟件，對物流企業(yè)經營風險進行實證分析。結果顯示，BP神經網絡算法具有很好的預測精度，能有效地提高物流企業(yè)經營管理的效率。

物流企業(yè)；經營風險；BP神經網絡算法；實證分析

1 引言

物流企業(yè)業(yè)務所具有的復雜性、創(chuàng)新性和獨特性等特性和這一過程所涉及的內部、外部的許多關系與變數(shù)，造成在物流企業(yè)經營過程中會存在各種各樣的風險。鄧金娥和周蕘陽(2005)認為我國物流企業(yè)面臨制度、法律、合同、投資與融資等方面的主要風險；陳濤燾(2008)針對物流企業(yè)的特點，從財務、環(huán)境、管理和能力四個方面構建物流企業(yè)經營風險評價體系；王衛(wèi)友和曾傳華（2009）則參考企業(yè)財務預警指標體系，來分析物流企業(yè)經營風險。

因此在充分識別物流企業(yè)經營風險的基礎上，需要科學度量和全面控制這些風險。在物流企業(yè)經營風險管理過程中，尤其是經營風險的度量，迄今在業(yè)界已經取得了不少成就，如聚類分析法、模糊數(shù)學法、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研究問題進行了拓展分析；劉建等(2010)在建立物流企業(yè)經營風險預警指標體系的基礎上，使用聚類分析的方法對指標進行篩選和驗證，運用主成分分析法和回歸分析法確定指標權重，最后應用模糊綜合評判方法對指標進行綜合評價；陳志剛，陳祥鋒運用模糊數(shù)學和層次分析法相結合的Fuzzy-AHP綜合評價方法，對物流企業(yè)的經營風險進行評估。

但這些方法都沒有考慮投資物流企業(yè)經營過程風險非線性的復雜特點。同時，現(xiàn)有文獻基本從企業(yè)財務能力指標、企業(yè)償債能力指標、企業(yè)現(xiàn)金流指標以及企業(yè)盈利能力指標等四個方面來構建物流企業(yè)經營風險評估指標，未考慮企業(yè)成長性指標和企業(yè)經營能力指標。因此，本文從物流企業(yè)經營過程風險的具體情況出發(fā)，采用神經網絡算法，應用MATLAB仿真軟件進行了實證分析，并且通過與多元回歸方法對比，發(fā)現(xiàn)在具有復雜特點的物流企業(yè)經營過程中，BP神經網絡算法具有很好的預測精度，能有效地提高物流企業(yè)經營績效，降低經營過程中的風險。

2 物流企業(yè)經營風險指標體系

物流企業(yè)的各種經營風險均可通過財務風險反映出來。因此，在評估物流企業(yè)經營風險時，可重點對財務指標進行計算與分析。根據(jù)物流企業(yè)經營風險預警指標體系的設計原則，物流企業(yè)經營風險指標體系主要包括企業(yè)成長性指標、企業(yè)財務能力指標、企業(yè)償債能力指標、企業(yè)現(xiàn)金流指標、企業(yè)經營能力指標以及企業(yè)盈利能力指標等。

根據(jù)物流企業(yè)經營本身的目標和企業(yè)可以提供的數(shù)據(jù)，初步選取22項統(tǒng)計指標構成物流企業(yè)經營風險評估指標體系，見表1。

表1 物流企業(yè)經營風險指標體系

3 BP神經網絡算法

BP(Back Propagation)神經網絡是前饋型神經網絡的一種，其建立在梯度下降法的基礎上，學習過程(訓練)由正向傳播和反向傳播組成。在正向傳播過程中，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層。每一層神經元的狀態(tài)只影響下一層神經元的狀態(tài)。如果輸出層得不到期望的輸出，則轉入反向傳播，逐層遞歸地計算實際輸入與期望輸入的差(即誤差)。將誤差信號沿原來的連接通道返回，通過修改各層神經元的權值，使得誤差信號最小，具體如圖1所示。

圖1 三層神經網絡模型

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值矩陣用V表示，V=(v1,v2,???,vj,???,vm)，其中列向量vj為隱層第j個神經元對應的權向量；隱層到輸出層之間的權值矩陣用W表示，W=(w1,w2,???,wk,???,wl)，其中列向量wk為輸出層第k個神經元對應的權向量。各層信號之間的數(shù)學關系如下：

對于輸出層，有：

對于隱層，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)、可導的特點，且有：

根據(jù)應用需要，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）共同構成了三層BP神經網絡的數(shù)學模型。

由于標準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）訓練次數(shù)多，使學習效率低，收斂速度慢；

（3）學習過程出現(xiàn)假飽和。

另外，網絡隱含層數(shù)及隱節(jié)點的選取缺乏理論指導，網絡訓練時學習新樣本有遺忘舊樣本的趨勢。因此，采取如下措施進行改進：

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

（2）輸入數(shù)據(jù)處理。在輸入數(shù)據(jù)的標準化方面，輸入數(shù)據(jù)太大，容易導致模型無法收斂，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 習 速 率 的 調 整 。 令 η(k+1)=為訓練次數(shù)，ERME為網絡均方根誤差，這樣保證一個近最優(yōu)的學習速率，從而得到比標準BP算法更快的收斂速度。

4 實證分析

本文采用23家物流企業(yè)數(shù)據(jù)作為實證對象，數(shù)據(jù)來源于和訊網。下面采用BP神經網絡算法和回歸方法對物流企業(yè)經營風險進行分析。

4.1 基于BP神經網絡算法的物流企業(yè)經營風險分析

（1）實證具體過程。實證過程包括：

①初始化。包括權值矩陣W、V，誤差E,動量系數(shù)α，訓練間隔次數(shù)，最大訓練次數(shù)，網絡訓練精度Emin；

②采用批（Batch）訓練方式，輸入樣本對，計算各層輸出及網絡誤差；

③檢查網絡總誤差是否達到精度要求。

若滿足ERME＜Emin，訓練結束，否則E置0，重新訓練。

（2）BP算法過程。樣本一共23組，其中訓練樣本15組，測試樣本8組，利用MATLAB軟件進行仿真分析。仿真的初始參數(shù)為：隱層層級為2，輸出層層級為1，權值矩陣W、V賦隨機數(shù)，誤差E置為0，動量系數(shù)α取0.9，學習速率因子為1.04，訓練間隔次數(shù)為50，最大訓練次數(shù)為1 000，網絡訓練精度Emin設為0.05。

首先對測試樣本進行網絡訓練，成長性、財務能力、償債能力、經營能力、現(xiàn)金流指標、盈利能力等六個指標作為模型的輸入因子。

得到誤差結果（如圖2所示）。從圖2可以發(fā)現(xiàn)模型經過442步，達到誤差精度0.001的要求。另外保存訓練好的網絡，輸入測試樣本集，進行仿真測試，得到結果見表2。

圖2 誤差曲線

表2 BP算法測試結果

從表2可以看出，在綜合評估物流企業(yè)的成長性、企業(yè)財務能力、企業(yè)償債能力、企業(yè)現(xiàn)金流、企業(yè)經營能力以及企業(yè)盈利能力等指標的基礎上，第五組樣本企業(yè)的評估值最大，達到了92.28，說明其風險小；而第一組和第四組企業(yè)樣本，其評估值只有10.96和11.84，說明其風險最大。同時應該說明的是，以上結果只是預測值，要體現(xiàn)算法的科學性，需要保證預測結果與實際情況的相對吻合，這樣才可以為物流企業(yè)提供較為科學的依據(jù)，減少物流企業(yè)的經營風險。本文將進一步用多元回歸方法分析物流企業(yè)經營風險。

4.2 利用多元回歸方法度量物流企業(yè)經營風險

多元回歸分析是一種處理變量的統(tǒng)計相關關系的數(shù)理統(tǒng)計方法，其主要是解決線性回歸問題。為了與BP神經網絡算法做比較，引入多元回歸方法。運用EVIEWS軟件同樣對前15組樣本進行回歸分析，得到表3。

表3 多元回歸方法結果

因此回歸模型為（模型通過置信度檢驗）：

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表示成長性；X2表示財務能力；X3表示償債能力；X4表示現(xiàn)金流量；X5表示經營能力；X6表示盈利能力。

利用回歸模型，輸入測試樣本進行仿真，得到結果見表4。

表4 回歸算法測試結果

從表4可以看出，其預測結果與表2的預測結果相似，即第五組樣本企業(yè)的評估值最大，說明其風險最小，而第一組和第四組樣本企業(yè)評估值最小，說明其風險最大。但其仿真精度差別比較明顯。對于物流企業(yè)經營風險的分析，BP神經網絡算法與回歸方法的預測值、殘差情況見表5和表6。

表5 兩種方法預測值對比情況表

表6 兩種方法殘差比較

實證分析主要采用處理線性問題的回歸方法和可以處理非線性問題的BP神經網絡算法對物流企業(yè)經營風險預測結果進行對比分析，可以發(fā)現(xiàn)，對于預測的殘差最大絕對值，回歸方法達到了15.41，而BP神經網絡算法只有7.12；對于殘差最小絕對值，回歸方法有1.45之多，而BP神經網絡算法只有其1/3；對于殘差平方和均值，回歸方法更是達到了55.88，而BP神經網絡算法僅為18.26。因此，不管在殘差最大絕對值、殘差最小絕對值方面，還是在殘差平方和均值方面，相比多元回歸算法，BP神經網絡算法預測精度都是比較高的。目前物流企業(yè)經營涉及到的各種風險因素都是錯綜復雜的，是一種非線性關系，利用BP神經網絡算法，并且加以適當?shù)母恼瑢⒛転槲锪髌髽I(yè)經營管理帶來巨大的幫助。

5 研究結論

人工神經網絡發(fā)展至今，理論正逐漸完善，作為主要網絡模型之一的BP網絡，在物流企業(yè)經營風險度量中的應用也在逐漸增加。它以成熟的計算機技術為基礎，拋開了先假設后驗證的傳統(tǒng)統(tǒng)計分析方法，不需要對研究問題提出任何假設，在物流企業(yè)經營風險度量方面有著廣闊的應用前景，特別是在變量較多或關系不明的情況下。

標準BP神經網絡在很多情況下是發(fā)散的，預測值也不是很理想。本文對BP神經網絡模型采用了附加動量法和自適應學習速率等簡單切實有效方法，不但克服了傳統(tǒng)的BP算法收斂速度慢等缺點，大大縮短了學習時間，也由于其易于實現(xiàn)而有利于在物流企業(yè)經營風險管理中推廣。同時，與傳統(tǒng)統(tǒng)計方法相比，BP神經網絡理論基礎還不是十分完善，在解決問題的模型上沒有一個統(tǒng)一的標準，因此BP神經網絡并不能完全取代統(tǒng)計學分析，兩者是互相補充的關系，應該將BP神經網絡與傳統(tǒng)統(tǒng)計分析結合起來應用，如BP神經網絡樣本處理時需要運用統(tǒng)計工具進行因子分析。

總之，對于聚類分析法、模糊數(shù)學法以及回歸分析法等難以解決的問題，利用BP神經網絡能夠反映非線性特征的優(yōu)點，可得到滿意的結果。例如在實證研究部分，BP神經網絡模型的擬合和預測精度都要優(yōu)于回歸模型，對于結果的估計，BP算法預測的誤差平方和均值僅為18.26，而多元回歸算法則高達55.88。

[1]鄧金娥,周蕘陽.我國第三方物流企業(yè)的風險與對策研究[J].物流技術,2005,(7):21-23.

[2]陳濤燾.物流企業(yè)風險評價及對策研究[D].武漢:武漢理工大學,2008.

[3]王衛(wèi)友,曾傳華.物流企業(yè)經營風險預警指標體系研究[J].物流工程與管理,2009,31(4):51-53.

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

[5]劉建,李莉,關宇航,等.物流企業(yè)經營風險預警模型構建及其實證研究[J].物流技術,2010,(12):86-90.

[6]陳志剛,陳祥鋒.基于Fuzzy-AHP的物流企業(yè)經營風險評估[J].物流技術,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.人工神經網絡教程[M].北京:北京郵電大學出版社,2007.

[14]周開利,康耀紅.神經網絡模型及其MATLAB實證程序設計[M].北京:清華大學出版社,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項目“河南省第三方物流企業(yè)營銷存在的問題與對策研究”（122400440070）

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

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