中小物流企業(yè)聯(lián)盟伙伴選擇——基于PCA-BP神經(jīng)網(wǎng)絡(luò)

甘家華，馬 暕，王建偉，荊 瑩

（長(zhǎng)安大學(xué)經(jīng)濟(jì)與管理學(xué)院，陜西 西安 710064）

一、引言

我國(guó)物流市場(chǎng)主體過散、過弱，單個(gè)企業(yè)競(jìng)爭(zhēng)力不強(qiáng)、抗風(fēng)險(xiǎn)能力弱是導(dǎo)致目前物流組織化程度偏低、組織方式落后、總體效率不高、物流成本居高不下等問題的重要原因之一。近年來，物流市場(chǎng)的各類企業(yè)都在探索集約化經(jīng)營(yíng)之道，經(jīng)過不斷的探索和實(shí)踐，整合優(yōu)勢(shì)資源走聯(lián)盟發(fā)展之路漸成大勢(shì)所趨，特別是對(duì)于占物流市場(chǎng)90%以上的中小企業(yè)，不具備相互合并的資金實(shí)力與管理能力來擴(kuò)大規(guī)模，因而結(jié)合企業(yè)核心專長(zhǎng)、互補(bǔ)所短來組建聯(lián)盟已經(jīng)成為企業(yè)快速擴(kuò)張物流網(wǎng)絡(luò)，提升物流服務(wù)能力，降低物流成本的最佳途徑[1]。交通運(yùn)輸部在2013年6月出臺(tái)的《交通運(yùn)輸行業(yè)推進(jìn)物流業(yè)健康發(fā)展的指導(dǎo)意見》中，明確提出“鼓勵(lì)中小企業(yè)聯(lián)盟發(fā)展，扭轉(zhuǎn)市場(chǎng)主體過散、過弱的局面，提高企業(yè)競(jìng)爭(zhēng)力和市場(chǎng)抗風(fēng)險(xiǎn)能力”，形成以區(qū)域性中小企業(yè)聯(lián)盟為主體的物流市場(chǎng)主體結(jié)構(gòu)。

當(dāng)前，我國(guó)中小物流企業(yè)聯(lián)盟發(fā)展總體上還處于探索階段，缺乏成熟的管理經(jīng)驗(yàn)，而很多聯(lián)盟管理的關(guān)鍵問題又與聯(lián)盟的成敗息息相關(guān)。聯(lián)盟伙伴選擇就是聯(lián)盟能否成功組建和順利運(yùn)行的核心問題，合適的聯(lián)盟伙伴可以有效地促進(jìn)和推動(dòng)聯(lián)盟的健康發(fā)展，形成穩(wěn)定持久的聯(lián)盟關(guān)系，而不合適的聯(lián)盟伙伴則可能給聯(lián)盟組織帶來難以預(yù)料的破壞和損失。而我國(guó)中小物流企業(yè)在選擇聯(lián)盟伙伴時(shí)，主要存在著評(píng)價(jià)指標(biāo)體系中戰(zhàn)略兼容性、業(yè)務(wù)協(xié)同性、長(zhǎng)期穩(wěn)定型因素較為缺乏，評(píng)價(jià)模型和方法適用性不強(qiáng)等問題。因此，構(gòu)建科學(xué)合理的評(píng)價(jià)指標(biāo)體系，選擇完善適用評(píng)價(jià)模型方法，是當(dāng)前中小物流企業(yè)聯(lián)盟伙伴的選擇中需要解決的關(guān)鍵問題。

目前國(guó)內(nèi)外對(duì)于中小物流聯(lián)盟伙伴選擇方法的研究還比較少，現(xiàn)有的研究主要是針對(duì)供應(yīng)商的選擇和虛擬物流聯(lián)盟的伙伴選擇問題，雖然這些豐富的研究成果為本研究提供了有益的借鑒，但其與文章的研究對(duì)象有著顯著區(qū)別。在供應(yīng)商選擇中，需求企業(yè)與供應(yīng)商之間的關(guān)系多為單邊協(xié)議，體現(xiàn)為委托代理關(guān)系，相互間為合作關(guān)系，而中小物流企業(yè)聯(lián)盟的合作伙伴間的關(guān)系則根據(jù)不同聯(lián)盟類型包含了單邊、雙邊及多邊協(xié)議，參與主體較多，相互間不僅是合作，而且還有競(jìng)爭(zhēng)關(guān)系。中小物流企業(yè)聯(lián)盟與虛擬聯(lián)盟在伙伴選擇中的主要區(qū)別是中小物流企業(yè)聯(lián)盟更加注重合作的穩(wěn)定性和持久性，不是短期的任務(wù)合作。當(dāng)前關(guān)于聯(lián)盟伙伴選擇的研究集中在兩個(gè)方面：一是針對(duì)聯(lián)盟伙伴選擇的指標(biāo)體系構(gòu)建問題，李強(qiáng)(2007)[2]分別從不同緯度構(gòu)建了較為全面的指標(biāo)體系，但指出具體指標(biāo)，使之后的建模評(píng)價(jià)具有較強(qiáng)的主觀性而不宜應(yīng)用。陳飛兒等(2004)、夏維力等(2006)[3-5]從各自研究視角提出了具體全面的成員考察指標(biāo)，但從中小物流企業(yè)聯(lián)盟發(fā)展要求出發(fā)，未能充分考慮企業(yè)間合作的戰(zhàn)略兼容性、合作過程中的業(yè)務(wù)協(xié)同性及長(zhǎng)期穩(wěn)定性。二是針對(duì)聯(lián)盟伙伴選擇的模型算法研究，常見的相關(guān)研究提出的有線性權(quán)重計(jì)分法、成本估算法、AHP、DEA、TOPSIS、模糊綜合評(píng)價(jià)法等，這些方法在指標(biāo)權(quán)重系數(shù)確定時(shí)具有較多的主觀因素，對(duì)評(píng)價(jià)中不確定和不完備信息的設(shè)計(jì)處理不完善，在處理大量數(shù)據(jù)尤其是涉及存在較大關(guān)聯(lián)性指標(biāo)時(shí)穩(wěn)定性較差，準(zhǔn)確性和效率不高。

基于此，文章構(gòu)建了針對(duì)中小物流企業(yè)聯(lián)盟特性和聯(lián)盟物流業(yè)務(wù)運(yùn)作特點(diǎn)的伙伴選擇評(píng)價(jià)體系，同時(shí)結(jié)合主成分分析(PCA)方法對(duì)復(fù)雜的指標(biāo)體系進(jìn)行降維處理，使得評(píng)價(jià)工作更具有針對(duì)性，可以簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)的輸入，而BP神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)學(xué)習(xí)能力，可以從外界獲取信息進(jìn)行存儲(chǔ)并自動(dòng)提取規(guī)律求解，避免確定權(quán)重過程中的人為主觀因素，從而有效提高中小物流聯(lián)盟伙伴選擇的準(zhǔn)確性與客觀性，因此采用PCA結(jié)合BP神經(jīng)網(wǎng)絡(luò)的方法建立評(píng)價(jià)網(wǎng)絡(luò)模型，利用SPSS和Matlab軟件進(jìn)行數(shù)據(jù)分析和仿真實(shí)現(xiàn)，建立了一種新的中小物流企業(yè)聯(lián)盟伙伴選擇方法體系，并利用企業(yè)的真實(shí)數(shù)據(jù)進(jìn)行方法驗(yàn)證，得到了較為準(zhǔn)確的評(píng)價(jià)結(jié)果。

二、中小物流企業(yè)聯(lián)盟伙伴評(píng)價(jià)指標(biāo)體系

評(píng)價(jià)指標(biāo)的選取需要結(jié)合中小物流企業(yè)聯(lián)盟的特點(diǎn)和發(fā)展要求來進(jìn)行，除了將企業(yè)規(guī)模、業(yè)務(wù)類型、地域分布、企業(yè)聲譽(yù)等作為基本的考核要素外，還需要重點(diǎn)考慮戰(zhàn)略兼容性、合作過程中的業(yè)務(wù)協(xié)同性和聯(lián)盟發(fā)展能力，以此來保證合作的長(zhǎng)期穩(wěn)定和多家企業(yè)完成同一物流業(yè)務(wù)時(shí)的協(xié)調(diào)一致。結(jié)合相關(guān)文獻(xiàn)，文章從物流服務(wù)質(zhì)量、企業(yè)成本、財(cái)務(wù)風(fēng)險(xiǎn)、企業(yè)發(fā)展?jié)摿?、企業(yè)柔性以及兼容性六個(gè)方面建立較為系統(tǒng)全面的評(píng)價(jià)指標(biāo)體系框架。

（1）物流服務(wù)質(zhì)量指標(biāo)。物流服務(wù)質(zhì)量是衡量物流服務(wù)企業(yè)基本業(yè)務(wù)能力的指標(biāo)。當(dāng)前我國(guó)物流市場(chǎng)的競(jìng)爭(zhēng)形勢(shì)已經(jīng)發(fā)生了深刻的變化，高品質(zhì)的物流服務(wù)競(jìng)爭(zhēng)已成為趨勢(shì)，因此對(duì)聯(lián)盟成員企業(yè)物流任務(wù)的完成質(zhì)量進(jìn)行重點(diǎn)考察是提高聯(lián)盟整體物流服務(wù)質(zhì)量的決定因素，主要通過保質(zhì)率、準(zhǔn)時(shí)率和訂單完成率指標(biāo)來反映。

（2）物流成本指標(biāo)。物流服務(wù)價(jià)格是客戶選擇物流服務(wù)商時(shí)所要考慮的重要因素，而聯(lián)盟物流服務(wù)價(jià)格高低的直接影響因素是聯(lián)盟成員自身的服務(wù)成本。因此，成本對(duì)于聯(lián)盟伙伴選擇也至關(guān)重要，若聯(lián)盟中有幾家企業(yè)成本過高，則會(huì)直接影響到整個(gè)聯(lián)盟的服務(wù)價(jià)格，降低聯(lián)盟的市場(chǎng)競(jìng)爭(zhēng)力。主要從物流企業(yè)的服務(wù)成本和成本改善計(jì)劃兩個(gè)指標(biāo)來衡量。

（3）財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)。財(cái)務(wù)穩(wěn)定是一個(gè)企業(yè)健康發(fā)展的重要反應(yīng)指標(biāo)，如果物流聯(lián)盟企業(yè)財(cái)務(wù)方面存在風(fēng)險(xiǎn)，很可能會(huì)給整個(gè)聯(lián)盟帶來不良影響，甚至拖垮聯(lián)盟。主要以總資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)收益率和資產(chǎn)負(fù)債率來衡量。

（4）發(fā)展?jié)摿χ笜?biāo)。作為物流聯(lián)盟候選合作伙伴，必須在具有一定實(shí)力的基礎(chǔ)上還具有發(fā)展?jié)摿?，這是建立長(zhǎng)久合作關(guān)系、保障穩(wěn)定性的基礎(chǔ)。另外，企業(yè)運(yùn)用現(xiàn)代信息技術(shù)的能力也成為提高物流運(yùn)作效率和服務(wù)及時(shí)性的重要競(jìng)爭(zhēng)因素。文章主要從信息化水平、資產(chǎn)經(jīng)費(fèi)投入率以及企業(yè)的人員素質(zhì)三個(gè)指標(biāo)來衡量企業(yè)的未來發(fā)展?jié)摿Α?/p>

（5）企業(yè)柔性指標(biāo)。企業(yè)柔性是指企業(yè)面對(duì)市場(chǎng)需求變化的響應(yīng)能力，表現(xiàn)為可以在客戶需求數(shù)量和時(shí)間不規(guī)則變化的情況下保持較高的服務(wù)水平。隨著經(jīng)濟(jì)社會(huì)發(fā)展，滿足日益增長(zhǎng)和不斷變化的客戶個(gè)性化需求已經(jīng)成為對(duì)物流企業(yè)服務(wù)能力的基本要求，而聯(lián)盟成員企業(yè)柔性的高低直接影響著整個(gè)聯(lián)盟的穩(wěn)定性，若柔性不夠就會(huì)在業(yè)務(wù)協(xié)同運(yùn)作中形成瓶頸，降低整體效率和質(zhì)量。文章主要從時(shí)間柔性和數(shù)量柔性來說明。

（6）合作兼容性指標(biāo)。聯(lián)盟屬于長(zhǎng)期深入的合作，與一次性的市場(chǎng)交易不同，合作企業(yè)之間的相互依存度很大。如果聯(lián)盟企業(yè)內(nèi)部在戰(zhàn)略目標(biāo)、企業(yè)文化以及管理體制等方面存在較大差異，甚至沖突，將會(huì)妨礙溝通，造成信任危機(jī)，可能導(dǎo)致聯(lián)盟的失敗。文章主要從戰(zhàn)略目標(biāo)和企業(yè)文化的兼容性這兩個(gè)指標(biāo)來衡量。

三、基于PCA-BP神經(jīng)網(wǎng)絡(luò)的中小物流企業(yè)聯(lián)盟伙伴選擇分析

1.主成分分析法

主成分分析法(Principal Components Analysis，PCA)是一種基于降維思想的多元統(tǒng)計(jì)分析方法。采用PCA法將中小物流企業(yè)聯(lián)盟伙伴選擇指標(biāo)原始數(shù)據(jù)進(jìn)行降維處理，在盡量減少信息損失的前提下，把具有相關(guān)關(guān)系的指標(biāo)轉(zhuǎn)化為新的相互獨(dú)立的綜合指標(biāo)，使得同一主成分內(nèi)的元素之間盡可能地相似，不同主成分的元素之間的差異盡可能大，因此使得主成分比原始數(shù)據(jù)的性能更優(yōu)越，從而簡(jiǎn)化了復(fù)雜的伙伴選擇指標(biāo)體系，抓住主要矛盾，使原來多維的復(fù)雜問題大大簡(jiǎn)化，提高了分析效率。其主要算法步驟如下：

（2）對(duì)標(biāo)準(zhǔn)化矩陣求相關(guān)系數(shù)矩陣R：

（3）計(jì)算R的特征值和特征向量。設(shè)求出λ1≥λ2≥噎≥λm≥0是 R 的特征值：α1，α2，α3，αm是相對(duì)應(yīng)的特征向量，可得到一組主成分用Zp表示：

其中，‖αi‖＝1，i=1，2，噎，m。

（5）計(jì)算主成分載荷及主成分得分。假設(shè)主成分載荷為?i，主成分得分為 τ1，則

其中，αi(i=1，2，噎，m)為相應(yīng)特征值的特征向量。

其中，xi(i=1，2，噎，m)為各變量的標(biāo)準(zhǔn)化數(shù)值。將計(jì)算出的各主成分的分值作為神經(jīng)網(wǎng)絡(luò)新的訓(xùn)練樣本輸入。

2.BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是采用誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，具有自適應(yīng)、自學(xué)習(xí)和自聯(lián)想等優(yōu)秀特點(diǎn)而得到了廣泛應(yīng)用。文章以BP神經(jīng)網(wǎng)絡(luò)模型來對(duì)聯(lián)盟候選伙伴進(jìn)行評(píng)價(jià)，通過其有規(guī)則的學(xué)習(xí)和訓(xùn)練找出輸入信號(hào)與輸出信號(hào)之間的內(nèi)在聯(lián)系，可以有效弱化在確定指標(biāo)權(quán)重過程中人為因素影響。同時(shí)，由于候選聯(lián)盟伙伴選擇指標(biāo)繁多且相互關(guān)系復(fù)雜，多呈現(xiàn)出非線性關(guān)系，而BP神經(jīng)網(wǎng)絡(luò)處理此類非線性問題較好，通過對(duì)已有樣本的學(xué)習(xí)，利用離線和在線相結(jié)合的方法，獲得評(píng)價(jià)專家的知識(shí)、經(jīng)驗(yàn)、主觀判斷及其重要性的傾向，建立起指標(biāo)間的定量關(guān)系。當(dāng)對(duì)其他候選聯(lián)盟伙伴進(jìn)行評(píng)價(jià)時(shí)，可再現(xiàn)評(píng)價(jià)專家的經(jīng)驗(yàn)、知識(shí)和直覺思維，能夠保證評(píng)價(jià)結(jié)果的客觀性。BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)由輸入層、輸出層和隱含層構(gòu)成。

3.基于PCA-BP神經(jīng)網(wǎng)絡(luò)的聯(lián)盟伙伴選擇

中小物流企業(yè)聯(lián)盟伙伴選擇評(píng)價(jià)指標(biāo)體系包含樣本數(shù)較多，直接作為輸入數(shù)據(jù)會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜，影響模型訓(xùn)練速度和評(píng)價(jià)結(jié)果的準(zhǔn)確性。PCA-BP評(píng)價(jià)利用PCA對(duì)數(shù)據(jù)集進(jìn)行簡(jiǎn)化處理，將復(fù)雜的指標(biāo)體系轉(zhuǎn)化成K維體現(xiàn)原指標(biāo)特點(diǎn)的主成分作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，利用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以符合精度要求的神經(jīng)網(wǎng)絡(luò)進(jìn)行聯(lián)盟伙伴選擇，主要步驟為：第一步，對(duì)訓(xùn)練樣本做標(biāo)準(zhǔn)化處理；第二步，對(duì)神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)做主成分分析，提取主成分并計(jì)算每個(gè)樣本的主成分值；第三步，設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，文章設(shè)計(jì)含有一個(gè)隱含層的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，輸入層神經(jīng)元數(shù)目為主成分的個(gè)數(shù)，隱含層神經(jīng)元數(shù)目經(jīng)過多次訓(xùn)練確定，輸出層節(jié)點(diǎn)為1，設(shè)計(jì)出神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；第四步，將各個(gè)樣本的主成分值作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，將代表綜合評(píng)價(jià)的值作為神經(jīng)網(wǎng)絡(luò)的輸出，運(yùn)用Matlab工具對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；第五步，對(duì)神經(jīng)網(wǎng)絡(luò)的泛化能力進(jìn)行檢驗(yàn)，即誤差比對(duì)。對(duì)訓(xùn)練輸出與期望輸出進(jìn)行誤差比對(duì)，當(dāng)誤差小于設(shè)定值時(shí)，神經(jīng)網(wǎng)絡(luò)所持有的那組權(quán)值和閾值便是網(wǎng)絡(luò)經(jīng)過自適應(yīng)學(xué)習(xí)所得到的正確的內(nèi)部表示；第六步，神經(jīng)網(wǎng)絡(luò)訓(xùn)練成功后，即可作為選擇聯(lián)盟伙伴的有效工具，對(duì)候選聯(lián)盟伙伴進(jìn)行評(píng)價(jià)選擇。

四、實(shí)例分析

1.數(shù)據(jù)源

浙江YL中小物流企業(yè)聯(lián)盟（簡(jiǎn)稱YL聯(lián)盟）是由義烏市15家中小型物流企業(yè)組建而成，目前已經(jīng)發(fā)展成為集集裝箱運(yùn)輸、國(guó)際貨運(yùn)代理、物流場(chǎng)站以及倉(cāng)儲(chǔ)服務(wù)為一體的綜合性物流聯(lián)盟。為進(jìn)一步發(fā)展壯大，公司正在積極吸納聯(lián)盟伙伴，經(jīng)前期調(diào)研收集資料和初步篩選，確定了六家基本符合聯(lián)盟要求的候選企業(yè)，現(xiàn)從中選擇最合適的聯(lián)盟伙伴。根據(jù)PCA-BP神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)方法，在進(jìn)行成員選擇之前，首先要對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，而訓(xùn)練需要與案例數(shù)據(jù)類似的樣本數(shù)據(jù)，依據(jù)前文評(píng)價(jià)指標(biāo)體系，選取YL聯(lián)盟現(xiàn)有15家物流企業(yè)作為訓(xùn)練樣本，具體情況見表1。

2.原始數(shù)據(jù)PCA分析

對(duì)原始數(shù)據(jù)做PCA分析處理，得到小于指標(biāo)數(shù)目的主成分作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。利用SPSS18.0對(duì)樣本數(shù)據(jù)進(jìn)行主成分分析。第一，對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，經(jīng)過KMO檢驗(yàn)顯示樣本數(shù)據(jù)符合主成分分析的要求。第二，求出標(biāo)準(zhǔn)化后數(shù)據(jù)的相關(guān)系數(shù)矩陣并計(jì)算出相關(guān)系數(shù)矩陣額特征值、方差貢獻(xiàn)率和累計(jì)貢獻(xiàn)率。在數(shù)據(jù)處理過程中發(fā)現(xiàn)，前6個(gè)特征值的累計(jì)方差貢獻(xiàn)率已達(dá)到85%，且其特征根都在1以上，選擇F1，F(xiàn)2，…，F(xiàn)6為主成分。第三，選定主成分后，分別利用式(3)、式(4)計(jì)算因子載荷和各主成分的得分值。即得到神經(jīng)網(wǎng)絡(luò)的輸入矩陣，通過主成分分析得出的6個(gè)主成分將作為BP神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元。

3.建立PCA-BP神經(jīng)網(wǎng)絡(luò)的中小物流企業(yè)選擇模型

（1）建立模型。根據(jù)主成分分析的結(jié)果，確定神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元個(gè)數(shù)為6，輸出層個(gè)數(shù)為1，隱含層的個(gè)數(shù)通過對(duì)多次模型訓(xùn)練實(shí)驗(yàn)結(jié)果的比較最終確定為15個(gè)。

（2）神經(jīng)網(wǎng)絡(luò)訓(xùn)練。采用Matlab軟件創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)，設(shè)置網(wǎng)絡(luò)層數(shù)為3層，選用trainlm作為訓(xùn)練函數(shù)，learngdm作為自適應(yīng)學(xué)習(xí)函數(shù)，mse為性能函數(shù)，tansig為激勵(lì)函數(shù)，最大訓(xùn)練次數(shù)為1000次，期望誤差為0.00001。選擇PCA計(jì)算后的前12組樣本作為網(wǎng)絡(luò)的訓(xùn)練樣本，后3組樣本作為網(wǎng)絡(luò)檢測(cè)樣本，對(duì)創(chuàng)建好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。經(jīng)網(wǎng)絡(luò)計(jì)算，當(dāng)訓(xùn)練至第250步時(shí)，網(wǎng)絡(luò)性能達(dá)到期望水平并保持穩(wěn)定，即BP神經(jīng)網(wǎng)絡(luò)收斂，訓(xùn)練結(jié)束，代表訓(xùn)練誤差達(dá)到平穩(wěn)狀態(tài)。

（3）模型檢測(cè)。在樣本數(shù)據(jù)中，選擇第13到第15組數(shù)據(jù)作為檢測(cè)數(shù)據(jù)，對(duì)BP神將網(wǎng)絡(luò)的誤差進(jìn)行檢驗(yàn)。將網(wǎng)絡(luò)實(shí)際輸出與期望輸出進(jìn)行誤差對(duì)比，如表2所示。檢測(cè)結(jié)果表明，實(shí)際網(wǎng)絡(luò)輸出與期望輸出的平均相對(duì)誤差為0.68%，誤差較小，這說明此BP神經(jīng)網(wǎng)絡(luò)具有較好的仿真預(yù)測(cè)功能，因而可以此模型對(duì)候選聯(lián)盟伙伴進(jìn)行評(píng)價(jià)。

4.模型應(yīng)用與結(jié)果分析

利用上述訓(xùn)練成功的BP神經(jīng)網(wǎng)絡(luò)對(duì)YL聯(lián)盟的六家候選伙伴進(jìn)行評(píng)價(jià)。通過對(duì)表1中的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，按照訓(xùn)練樣本提取的主成分因子載荷計(jì)算各主成分值，并作為已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)的輸入值，對(duì)各候選企業(yè)進(jìn)行綜合分析評(píng)價(jià)，得到的仿真結(jié)果如下：Network1_outputs1(testy)：[0.77461 0.59823 0.725640.69304 0.823610.44015]， 輸 出結(jié)果分別依次對(duì)應(yīng)六家候選企業(yè)I、II、III、IV、V、VI，從結(jié)果可知，企業(yè)V是最適宜的候選伙伴，企業(yè)VI是最不適宜的合作伙伴，而企業(yè)I和III則可作為后備伙伴。

五、結(jié)論

在分析當(dāng)前中小物流企業(yè)聯(lián)盟伙伴選擇研究及實(shí)踐中存在的問題基礎(chǔ)上，根據(jù)中小物流企業(yè)聯(lián)盟成員數(shù)量多，影響因素復(fù)雜等特點(diǎn)，在成員選擇中需要重點(diǎn)考慮戰(zhàn)略兼容性、長(zhǎng)期穩(wěn)定性、合作過程中的業(yè)務(wù)協(xié)同性和聯(lián)盟發(fā)展能力，因此從物流服務(wù)質(zhì)量、企業(yè)成本、財(cái)務(wù)風(fēng)險(xiǎn)、企業(yè)發(fā)展?jié)摿Α⑵髽I(yè)柔性和兼容性六個(gè)方面建立較為系統(tǒng)全面的聯(lián)盟伙伴選擇的指標(biāo)體系。根據(jù)PCA和BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用原理和特點(diǎn)，結(jié)合中小物流企業(yè)聯(lián)盟伙伴選擇實(shí)際，建立了基于PCA-BP神經(jīng)網(wǎng)絡(luò)的中小物流企業(yè)聯(lián)盟伙伴選擇模型。利用PCA在保證數(shù)據(jù)信息損失最少的原則下對(duì)數(shù)據(jù)進(jìn)行降維，把多個(gè)指標(biāo)屬性轉(zhuǎn)化為少數(shù)綜合指標(biāo)，避免了屬性之間的共線性問題，將主成分分析的結(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸入層，減少了神經(jīng)網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)，簡(jiǎn)化了網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，加快了計(jì)算速度。結(jié)合BP神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)學(xué)習(xí)能力，可以從外界獲取信息進(jìn)行存儲(chǔ)，自動(dòng)提取規(guī)律進(jìn)行求解，避免了確定權(quán)重過程中的人為主觀因素，可有效改進(jìn)物流聯(lián)盟伙伴選擇的準(zhǔn)確性與客觀性。該方法克服了當(dāng)前聯(lián)盟成員選擇決策方法操作性差的弱點(diǎn)，改進(jìn)的方法更加科學(xué)合理。將該模型在YL聯(lián)盟的伙伴選擇實(shí)例中應(yīng)用，利用SPSS軟件和Matlab軟件對(duì)模型進(jìn)行數(shù)據(jù)處理與仿真的實(shí)現(xiàn)，驗(yàn)證了模型的可行性和有效性，評(píng)價(jià)結(jié)果客觀有效，可以成為中小物流企業(yè)聯(lián)盟伙伴選擇中簡(jiǎn)便靈活、可操作性較強(qiáng)的工具。

表1 YL聯(lián)盟現(xiàn)有成員基本情況

表2 BP神經(jīng)網(wǎng)絡(luò)的模型檢測(cè)結(jié)果

[1]交通運(yùn)輸部道路運(yùn)輸司.貨運(yùn)與物流企業(yè)轉(zhuǎn)型發(fā)展典型案例 [M].北京：人民交通出版社，2013.

[2]李強(qiáng).運(yùn)輸企業(yè)聯(lián)盟組建及其合作伙伴選擇研究 [D].長(zhǎng)春:吉林大學(xué)，2007.

[3]陳飛兒，張仁頤.物流企業(yè)聯(lián)盟伙伴的選擇 [J].上海海事大學(xué)學(xué)報(bào)，2004(3):47-50.

[4]夏維力，楊海光.基于BP神經(jīng)網(wǎng)絡(luò)的虛擬企業(yè)合作伙伴選擇研究[J].科技進(jìn)步與對(duì)策，2006(11)：43-145.

[5]Das TKTeng(B-S).Instabilities ofStrategic Alliances：An Internal Tensions Perspective[J].Organization Science，2000(11)：77-101.