基于神經(jīng)網(wǎng)絡(luò)的卷煙零售戶銷售假煙行為的預(yù)警模型研究

朱衛(wèi)東，孫宜博，吳勇，李礦，杜承勇

1合肥工業(yè)大學(xué)，經(jīng)濟(jì)學(xué)院，安徽省合肥市屯溪路193號(hào) 230009；

2過(guò)程優(yōu)化與智能決策教育部重點(diǎn)實(shí)驗(yàn)室，合肥，230009；

3合肥工業(yè)大學(xué)管理學(xué)院，安徽省合肥市屯溪路193號(hào)230009；

4安徽省煙草公司淮北市公司，淮北，235100

基于神經(jīng)網(wǎng)絡(luò)的卷煙零售戶銷售假煙行為的預(yù)警模型研究

朱衛(wèi)東1,2,3，孫宜博3，吳勇2,3，李礦4，杜承勇3

1合肥工業(yè)大學(xué)，經(jīng)濟(jì)學(xué)院，安徽省合肥市屯溪路193號(hào) 230009；

2過(guò)程優(yōu)化與智能決策教育部重點(diǎn)實(shí)驗(yàn)室，合肥，230009；

3合肥工業(yè)大學(xué)管理學(xué)院，安徽省合肥市屯溪路193號(hào)230009；

4安徽省煙草公司淮北市公司，淮北，235100

在卷煙零售戶銷售假煙驅(qū)動(dòng)因素分析的基礎(chǔ)上，通過(guò)對(duì)安徽某市煙草專賣局的實(shí)地調(diào)研以及所獲得歷史數(shù)據(jù)的系統(tǒng)分析，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的零售戶銷售假煙行為的預(yù)警模型，該模型綜合考慮了零售戶的銷售行為、零售戶自身的特征以及時(shí)間因素等十二個(gè)預(yù)警輸入指標(biāo)。實(shí)證表明所構(gòu)建的模型穩(wěn)健性較好，預(yù)測(cè)準(zhǔn)確率較高。

煙草行業(yè)；BP神經(jīng)網(wǎng)絡(luò)；假煙銷售；預(yù)警模型

煙草行業(yè)是一個(gè)特殊的行業(yè)，它既與政府財(cái)政收入關(guān)系密切，又與政府監(jiān)管行為緊密相關(guān)，同時(shí)又會(huì)對(duì)消費(fèi)者健康造成影響。2012年，煙草行業(yè)實(shí)現(xiàn)工商稅利8649.39億元，上繳國(guó)家財(cái)政7166.62億元，占全國(guó)財(cái)政總收入6.1%[1]。少數(shù)卷煙零售商通過(guò)銷售假煙來(lái)追求自身利益的最大化，這種行為嚴(yán)重的損害了煙草行業(yè)的健康發(fā)展，也對(duì)國(guó)家利益和消費(fèi)者利益造成了危害。然而通過(guò)對(duì)安徽省某市煙草銷售行業(yè)進(jìn)行調(diào)研，發(fā)現(xiàn)該市的煙草專賣局內(nèi)管系統(tǒng)現(xiàn)有的預(yù)警準(zhǔn)確率僅為4%左右，不能為煙草專賣局執(zhí)法部門(mén)提供科學(xué)準(zhǔn)確的執(zhí)法對(duì)象，不能改變當(dāng)前“地毯式”的執(zhí)法方式，同時(shí)也對(duì)卷煙零售戶的日常經(jīng)營(yíng)造成了較大干擾。

市場(chǎng)預(yù)測(cè)是根據(jù)歷史數(shù)據(jù)資料，運(yùn)用科學(xué)的理論方法通過(guò)對(duì)市場(chǎng)的各類行為進(jìn)行研究分析來(lái)判斷市場(chǎng)的發(fā)展趨勢(shì)，預(yù)測(cè)未來(lái)市場(chǎng)的趨勢(shì)變化，為管理者的經(jīng)營(yíng)決策提供科學(xué)合理的依據(jù)。許多學(xué)者對(duì)管理預(yù)測(cè)理論的實(shí)際應(yīng)用進(jìn)行研究：王增民[2]利用灰色加權(quán)馬爾可夫鏈對(duì)移動(dòng)通訊用戶數(shù)進(jìn)行預(yù)測(cè)；趙輝和王輝[3]基于河南某市的卷煙歷史銷售數(shù)據(jù)構(gòu)建了三個(gè)基于時(shí)間序列的卷煙需求模型，并對(duì)比分析了三種模型的適用情況；仲東亭等[4]基于修正的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型利用江蘇某地的銷售數(shù)據(jù)建立了一維時(shí)間數(shù)據(jù)銷售總量的預(yù)測(cè)模型。然而目前的市場(chǎng)預(yù)測(cè)研究中，學(xué)者大都采用定量的歷史數(shù)據(jù)構(gòu)建預(yù)測(cè)模型，很少考慮到預(yù)測(cè)對(duì)象的自身特征，而預(yù)測(cè)對(duì)象的差異會(huì)導(dǎo)致預(yù)測(cè)結(jié)果的差別。

本文通過(guò)對(duì)卷煙零售戶銷售假煙行為的特征以及影響因素進(jìn)行分析，并對(duì)安徽省某市煙草專賣局進(jìn)行實(shí)地調(diào)研，對(duì)傳統(tǒng)的銷量指標(biāo)進(jìn)行細(xì)化，并增加了刻畫(huà)零售商自身特征的定性指標(biāo)和控制時(shí)間效應(yīng)的月份指標(biāo)。在此基礎(chǔ)上，通過(guò)相關(guān)試驗(yàn)確定預(yù)警模型的最優(yōu)參數(shù)，并通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)樣本進(jìn)行自適應(yīng)學(xué)習(xí)完善并確定預(yù)警模型，最后利用所構(gòu)建的預(yù)警模型對(duì)剩余樣本進(jìn)行預(yù)警檢驗(yàn)，對(duì)預(yù)警結(jié)果進(jìn)行分析得到相關(guān)管理啟示。

1 卷煙零售戶銷售假煙行為的相關(guān)分析

1.1 違規(guī)零售戶歷史數(shù)據(jù)的特征分析

通過(guò)對(duì)安徽某市查處的違規(guī)銷售假煙的歷史數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)卷煙零售戶的經(jīng)營(yíng)規(guī)模、經(jīng)營(yíng)業(yè)態(tài)、以及所處的市場(chǎng)位置等特征的不同，會(huì)使零售戶的銷售行為產(chǎn)生較大差異：

在經(jīng)營(yíng)業(yè)態(tài)上，違規(guī)零售戶主要為批零兼營(yíng)雜貨店、一般雜貨店以及中小超市；在所處商圈內(nèi)，其主要分布在居民區(qū)（村）和商業(yè)（集貿(mào)）區(qū)；所處的市場(chǎng)細(xì)分類型上，銷售假煙的零售戶主要分布在農(nóng)村、鄉(xiāng)鎮(zhèn)、市區(qū)和城鄉(xiāng)結(jié)合部。

對(duì)于經(jīng)營(yíng)規(guī)模來(lái)說(shuō)，違規(guī)零售戶主要分布在大型和中型經(jīng)營(yíng)規(guī)模的零售商家內(nèi)，主要原因是小型零售戶的銷售卷煙數(shù)量和種類較少，客戶較為固定，出售假煙會(huì)對(duì)其在消費(fèi)者中的聲譽(yù)造成嚴(yán)重?fù)p害，而對(duì)于大中型零售戶來(lái)說(shuō)，其銷售煙的種類繁多、數(shù)量較大，并且固定客戶較少，客戶流動(dòng)性較大，其出售假煙的聲譽(yù)損傷較小。

1.2 零售戶銷售假煙行為的影響因素分析

（1）利益因素

首先，銷售假煙可以帶來(lái)非常豐厚的利潤(rùn)，由于煙草行業(yè)實(shí)行煙草專賣制度，零售戶所銷售的卷煙是從當(dāng)?shù)責(zé)煵輰Ｙu局獲得，煙草專賣局對(duì)每種品牌的卷煙均有相應(yīng)的指導(dǎo)價(jià)格，而零售戶銷售的假煙從非法途徑獲得，進(jìn)貨成本較低；其次，煙草專賣局對(duì)賣假煙的零售戶處罰較輕，零售戶即使被抓到后的預(yù)期損失遠(yuǎn)遠(yuǎn)小于非法銷售假煙所帶來(lái)的巨額利潤(rùn)。

（2）環(huán)境因素

實(shí)地調(diào)研發(fā)現(xiàn)零售戶銷售假煙與所處的地理環(huán)境有著很大的關(guān)系，當(dāng)周圍的商家銷售假煙較多時(shí)，在從眾心理的影響下零售戶往往會(huì)“隨大流”，進(jìn)入銷售假煙的行列，出現(xiàn)假煙銷售的“扎堆現(xiàn)象”。尤其在零售戶發(fā)現(xiàn)別的商家違法銷售假煙很少被查處時(shí)，就會(huì)產(chǎn)生一定的僥幸心理，認(rèn)為自己銷售假煙也不會(huì)被查處，這更進(jìn)一步的促使零售戶違規(guī)銷售假煙。

2 基于BP神經(jīng)網(wǎng)絡(luò)的零售戶違規(guī)銷售的預(yù)警模型

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)[5-6]也稱誤差反向傳播神經(jīng)網(wǎng)絡(luò)，其學(xué)習(xí)過(guò)程為一個(gè)反復(fù)迭代的過(guò)程，是應(yīng)用得最為廣泛的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[7]。人工神經(jīng)網(wǎng)絡(luò)具有以下特征：（1）具有自學(xué)習(xí)和自適應(yīng)性；（2）容錯(cuò)性以及較強(qiáng)的魯棒性；（3）并行性；（4）復(fù)雜的非線性。由于BP神經(jīng)網(wǎng)絡(luò)以上的優(yōu)良特性，其被廣泛應(yīng)用于圖像識(shí)別[8]，上市公司財(cái)務(wù)預(yù)警[9]、預(yù)測(cè)[10-11]、顧客滿意度以及風(fēng)險(xiǎn)評(píng)價(jià)[12-15]等領(lǐng)域。模型的輸入是利用神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)模型的前提基礎(chǔ)，它與模型預(yù)測(cè)結(jié)果準(zhǔn)確度密切相關(guān)，本文在此重點(diǎn)對(duì)預(yù)警模型的輸入進(jìn)行梳理和選擇。

2.1 零售戶銷售假煙行為的預(yù)測(cè)指標(biāo)的遴選

由于零售戶銷售假煙時(shí)會(huì)導(dǎo)致自身合法的銷售量發(fā)生變化，可以通過(guò)考察零售戶銷售量的變化來(lái)對(duì)零售戶銷售行為進(jìn)行研究[16]。從1.1節(jié)違規(guī)零售戶歷史數(shù)據(jù)的特征分析中發(fā)現(xiàn)不同特征的零售戶的銷售假煙的行為是不同的，基于此，本文在傳統(tǒng)的銷售數(shù)據(jù)的基礎(chǔ)上增加了零售戶的特征指標(biāo)以及時(shí)間指標(biāo)。

2.1.1 銷售類指標(biāo)

通過(guò)調(diào)研發(fā)現(xiàn)僅僅通過(guò)銷售總量的變化有時(shí)不能準(zhǔn)確的反映其銷售行為的規(guī)律，本文通過(guò)在銷售總量的基礎(chǔ)上來(lái)增加更精細(xì)的指標(biāo)。煙草專賣局根據(jù)卷煙的不含稅調(diào)撥價(jià)把卷煙分為五個(gè)價(jià)類，由于各地區(qū)之間的經(jīng)濟(jì)發(fā)展水平和人們生活習(xí)慣的不同，各地區(qū)五類煙的銷售情況不盡相同，本文在考慮銷售總量的基礎(chǔ)上，同時(shí)考慮每類煙的銷售狀況，由此本文預(yù)警指標(biāo)的銷售類指標(biāo)確定如下表所示：

（1）月銷量變化率（A1）表示卷煙零售戶當(dāng)月銷量與上月銷量之間的差異，用來(lái)衡量銷量在一個(gè)相對(duì)長(zhǎng)的時(shí)間內(nèi)的變化規(guī)律；

（2）旬銷量變化率（A2）表示卷煙零售戶旬銷量與前三旬平均銷量之間的差異，用來(lái)衡量零售戶當(dāng)期總銷量的變化；

（3）五類煙銷量變化率（A3-A7）表示各價(jià)類煙的旬銷量與前三旬平均銷量之間的差異，用來(lái)衡量各價(jià)類卷煙的銷量變化。

2.1.2 零售戶的特征指標(biāo)

通過(guò)對(duì)安徽某市實(shí)地調(diào)研以及違規(guī)銷售的歷史數(shù)據(jù)的分析，本文選取經(jīng)營(yíng)規(guī)模、所處的市場(chǎng)細(xì)分類型、經(jīng)營(yíng)業(yè)態(tài)以及所處的商圈類型四個(gè)指標(biāo)來(lái)對(duì)零售戶的特征進(jìn)行衡量，具體指標(biāo)及說(shuō)明如下表所示。

表1 銷售類指標(biāo)及說(shuō)明Tab.1 Sales index and its expalnation

表2 零售戶的特征指標(biāo)及說(shuō)明Tab.2 Retail clients’ characteristics and explanation

2.1.3 時(shí)間因素

通過(guò)對(duì)安徽某市卷煙零售戶的實(shí)地調(diào)研發(fā)現(xiàn)卷煙的銷售量會(huì)因時(shí)間的變化產(chǎn)生波動(dòng)，比如春節(jié)期間的銷售量遠(yuǎn)高于其他月份，而且各月份之間的銷售量也有一定的差異，因此本文選擇“月份（C1）”作為預(yù)警模型的一個(gè)控制時(shí)間因素的輸入。

綜上所述，通過(guò)理論分析和實(shí)地調(diào)研梳理出了預(yù)測(cè)零售戶違規(guī)銷售假煙的十二個(gè)相關(guān)因素，其中主要包括零售戶銷售行為、零售戶自身特征以及時(shí)間因素三個(gè)方面，具體如表3所示。為了方便數(shù)據(jù)處理，本文需將定性指標(biāo)進(jìn)行數(shù)值化，標(biāo)準(zhǔn)見(jiàn)表4。

表3 零售戶銷售假煙預(yù)測(cè)模型的輸入指標(biāo)Tab.3 Indicators of prediction model of counterfeit cigarette sales

2.2 參數(shù)選擇及預(yù)警模型的構(gòu)建

（1）數(shù)據(jù)樣本的選擇

以安徽某市煙草專賣局從2010年1月上旬至2012年9月中旬所有零售戶的銷售數(shù)據(jù)，剔除屬性信息缺失和銷量數(shù)據(jù)缺失的樣本，最后得到用戶銷售假煙的樣本為328個(gè)，正常經(jīng)營(yíng)的用戶樣本為539809個(gè)。由于樣本的比例不平衡，借鑒石曉軍[17]的方法使用1:3的樣本配比，所以本文從正常數(shù)據(jù)樣本中隨機(jī)抽取984個(gè)樣本，與328個(gè)違規(guī)用戶合在一起作為初始樣本，本文設(shè)置訓(xùn)練集、驗(yàn)證集和測(cè)試集的樣本比例分別為6:3:1。

（2）隱含層數(shù)及隱含層節(jié)點(diǎn)數(shù)的確定

Carroll和Dickinson[18]證明了三層BP神經(jīng)網(wǎng)絡(luò)只要隱含層節(jié)點(diǎn)數(shù)足夠多，并擁有足夠的訓(xùn)練數(shù)據(jù)和訓(xùn)練時(shí)間，若其輸出層采用線性轉(zhuǎn)換函數(shù)，隱含層采用Sigmoid轉(zhuǎn)換函數(shù)，可以模擬任意復(fù)雜系統(tǒng)?；诖吮疚乃鶚?gòu)建的模型為三層BP神經(jīng)網(wǎng)絡(luò)（即只含有一個(gè)隱含層），輸入層到隱含層的轉(zhuǎn)移函數(shù)為雙曲正切函數(shù)，隱含層到輸出層的轉(zhuǎn)移函數(shù)為線性傳遞函數(shù)。

通過(guò)2.1節(jié)對(duì)預(yù)測(cè)指標(biāo)的梳理，本文共選取十二個(gè)影響因素對(duì)零售戶銷售假煙行為進(jìn)行預(yù)警，模型的輸出為零售戶銷售假煙的可能性，所以本文構(gòu)建的預(yù)警模型有十二個(gè)輸入、一個(gè)輸出。然而，對(duì)于網(wǎng)絡(luò)隱含層接點(diǎn)數(shù)（m）的確定目前尚無(wú)完整的理論指導(dǎo)，主要根據(jù)經(jīng)驗(yàn)和試湊來(lái)確定，根據(jù)經(jīng)驗(yàn)公式其中模型的輸入n=12，輸出l=1，α為1到10之間的常數(shù)，因此本文所構(gòu)建的預(yù)測(cè)模型初始隱含層節(jié)點(diǎn)數(shù)從5開(kāi)始，逐漸增加隱含層節(jié)點(diǎn)數(shù)，經(jīng)過(guò)多次訓(xùn)練得到本文模型的誤判率在隱含層節(jié)點(diǎn)數(shù)m=6時(shí)最小，因此本文所構(gòu)建的模型隱含層節(jié)點(diǎn)數(shù)為6。

（3）其他參數(shù)的確定

初始權(quán)值決定了神經(jīng)網(wǎng)絡(luò)的初始訓(xùn)練從誤差曲面哪一點(diǎn)開(kāi)始，會(huì)對(duì)神經(jīng)網(wǎng)絡(luò)各神經(jīng)元的學(xué)習(xí)速度產(chǎn)生影響，本文借鑒通常的做法，取初始權(quán)值為(-1,1)之間的隨機(jī)數(shù)。在學(xué)習(xí)過(guò)程中，神經(jīng)網(wǎng)絡(luò)系統(tǒng)的學(xué)習(xí)率與模型穩(wěn)定性關(guān)系密切，在選取隱含層節(jié)點(diǎn)數(shù)的訓(xùn)練中分別設(shè)置0.002、0.004和0.006，經(jīng)過(guò)比較發(fā)現(xiàn)，隱含層節(jié)點(diǎn)數(shù)為6、學(xué)習(xí)率為0.004的網(wǎng)絡(luò)模型誤判率最低，所以預(yù)測(cè)模型學(xué)習(xí)率設(shè)置為0.004。另外，本預(yù)測(cè)模型將沖量系數(shù)設(shè)置為0.001，模型的訓(xùn)練迭代次數(shù)設(shè)置為1500。

綜上所述，該預(yù)警模型主要參數(shù)：十二個(gè)輸入、一個(gè)輸出；一個(gè)隱含層，六個(gè)隱含層節(jié)點(diǎn)；學(xué)習(xí)率為0.004，輸入層到隱含層的轉(zhuǎn)移函數(shù)為雙曲正切函數(shù)，隱含層到輸出層的轉(zhuǎn)移函數(shù)為線性傳遞函數(shù)，初始權(quán)值為(-1,1)之間的隨機(jī)數(shù)，在此基礎(chǔ)上借助SAS軟件構(gòu)建本文所需的BP神經(jīng)網(wǎng)絡(luò)模型（如圖1所示）。

圖1 本文的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Neural network structure of this paper

通過(guò)對(duì)初始樣本自適應(yīng)學(xué)習(xí)得到相應(yīng)參數(shù)，該模型對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行判別的錯(cuò)誤分類率為21.71%，對(duì)檢驗(yàn)數(shù)據(jù)集進(jìn)行判別的錯(cuò)誤分類率為22.80%，兩者相差1.09%，說(shuō)明所建立的模型穩(wěn)健性較好；測(cè)試集誤判率為23.68%，準(zhǔn)確率為76.32%，說(shuō)明該模型預(yù)測(cè)準(zhǔn)確率比較高。

2.3 模擬預(yù)警與結(jié)果分析

為了方便煙草專賣局員工可以直觀的觀察用戶違規(guī)銷售的概率，同時(shí)為了便于煙草公司針對(duì)模型的預(yù)警結(jié)果采取相應(yīng)的管理措施，本文按照違規(guī)可能性的大小將零售戶分為四類，如下表所示。

表5 模型輸出結(jié)果與違規(guī)可能性對(duì)應(yīng)表Tab.5 Corresponding results of model outputs and possibility of irregularities

利用所構(gòu)建的預(yù)警模型對(duì)構(gòu)建模型剩余的538825個(gè)數(shù)據(jù)樣本進(jìn)行模擬預(yù)警，得到其中有29253組數(shù)據(jù)樣本可能為違規(guī)樣本，這些違規(guī)樣本分布在1860個(gè)用戶中，其中13個(gè)違規(guī)可能性大，512個(gè)違規(guī)可能性較大，1335個(gè)違規(guī)可能性一般，通過(guò)模型的模擬預(yù)警所得到的1860個(gè)可能銷售假煙的零售戶特征如圖2所示。通過(guò)對(duì)模型的預(yù)測(cè)結(jié)果進(jìn)行分析發(fā)現(xiàn)：對(duì)于商圈類型來(lái)說(shuō)，1860個(gè)可能銷售假煙的零售戶中57.7%分布在居民區(qū)，34.6%分布在商業(yè)集貿(mào)區(qū)，而煙草專賣局所查處的歷史數(shù)據(jù)中68.9%分布在居民區(qū)，24.39%分布在商業(yè)集貿(mào)區(qū)；對(duì)于經(jīng)營(yíng)規(guī)模來(lái)說(shuō)，預(yù)測(cè)結(jié)果中54.6%為大型零售戶，42.8%為中型零售戶，而已查處銷售假煙的零售戶48.78%為大型零售戶，46.04%為中型零售戶。1860家可能違規(guī)的零售戶的特征與已經(jīng)查處的違規(guī)銷售假煙零售戶的特征較為類似，這進(jìn)一步驗(yàn)證了本文將零售戶的自身特征加入到預(yù)警指標(biāo)的合理性。

在模擬預(yù)測(cè)結(jié)果分析的基礎(chǔ)上并結(jié)合歷史違規(guī)用戶的特征分析，可以發(fā)現(xiàn)由于不同特征的用戶在銷售假煙的行為上有著較大差異，煙草專賣局應(yīng)該對(duì)零售戶進(jìn)行分類管理，針對(duì)不同類型的用戶制定具體的有針對(duì)性的監(jiān)督管理措施。在具體的專賣管理工作中，煙草專賣局可以采取如下措施來(lái)遏制零售戶銷售假煙的行為：在經(jīng)營(yíng)規(guī)模上，煙草專賣局的重點(diǎn)監(jiān)管對(duì)象應(yīng)該主要集中在大型或者中型的零售戶中；在市場(chǎng)細(xì)分類型上，適當(dāng)?shù)膶⒈O(jiān)督力度由市區(qū)向農(nóng)村、鄉(xiāng)鎮(zhèn)等地區(qū)轉(zhuǎn)移，加大對(duì)農(nóng)村、鄉(xiāng)鎮(zhèn)以及縣城城區(qū)的監(jiān)管水平；在經(jīng)營(yíng)業(yè)態(tài)上，要對(duì)中小超市和批零兼營(yíng)雜貨店進(jìn)行重點(diǎn)檢查；在商圈類型上，要經(jīng)常對(duì)處于居民區(qū)和商業(yè)集貿(mào)區(qū)零售戶進(jìn)行檢查。

圖2 可能違規(guī)零售戶的分布特征Fig.2 Distribution characteristics of possible illegal retailers

3 結(jié)論

本模型在對(duì)零售戶的歷史數(shù)據(jù)分析的基礎(chǔ)上，通過(guò)對(duì)零售戶違規(guī)行為驅(qū)動(dòng)因素進(jìn)行分析，綜合考慮零售戶的銷售行為、零售戶所處的地理位置和時(shí)間因素以及零售戶自身的特征等多個(gè)因素來(lái)對(duì)違規(guī)行為進(jìn)行預(yù)測(cè)，改變了以往單純使用銷售數(shù)據(jù)預(yù)測(cè)零售戶銷售違規(guī)行為的方法。對(duì)模型的相關(guān)分析結(jié)果顯示本文所構(gòu)建的預(yù)警模型穩(wěn)健性比較理想，預(yù)測(cè)準(zhǔn)確率比較高。

煙草銷售中零售戶的違規(guī)行為會(huì)對(duì)煙草行業(yè)產(chǎn)生嚴(yán)重的不利影響，而煙草行業(yè)的健康發(fā)展對(duì)國(guó)家財(cái)政收入有重要影響，構(gòu)建預(yù)警模型對(duì)卷煙零售戶違規(guī)銷售假煙進(jìn)行預(yù)測(cè)，首先，可以為煙草專賣的檢查工作提供重要的科學(xué)依據(jù)。通過(guò)本模型可以得到每個(gè)零售戶的違規(guī)概率，為煙草專賣檢查工作提供了依據(jù)，可以根據(jù)違規(guī)概率的大小進(jìn)行針對(duì)性檢查，可以減少撒網(wǎng)式、地毯式的檢查工作，同時(shí)還可以提高煙草公司的精準(zhǔn)化管理水平，降低管理成本，提高經(jīng)濟(jì)效益；其次，可以減少執(zhí)法人員對(duì)零售戶的正常經(jīng)營(yíng)活動(dòng)帶來(lái)的干擾，提高煙草專賣的客戶滿意度；另外，對(duì)零售戶有一定的約束作用，由于本文所構(gòu)建的預(yù)警模型的準(zhǔn)確性較高，對(duì)卷煙零售戶的僥幸心理有一定的影響，從而減少零售戶賣假煙的行為。

由于該市煙草專賣局的數(shù)據(jù)庫(kù)中用戶的部分屬性信息缺失，模型中衡量零售戶個(gè)人特征的部分指標(biāo)（如教育程度）未加入預(yù)測(cè)模型，以后可以在本模型的基礎(chǔ)上增加輸入項(xiàng)，對(duì)所缺失的部分屬性指標(biāo)進(jìn)行的完善，進(jìn)一步提高模型的預(yù)測(cè)精準(zhǔn)度。基于本文梳理出的零售戶銷售假煙預(yù)警指標(biāo)，后續(xù)可以研究各指標(biāo)對(duì)預(yù)警結(jié)果的具體影響路徑及相關(guān)系數(shù)，進(jìn)而有針對(duì)性的制定卷煙零售戶的監(jiān)督管理措施，進(jìn)一步提高煙草專賣的精準(zhǔn)化水平。

[1]數(shù)據(jù)來(lái)源：http://www.tobacco.gov.cn/html/10/1005/1005 01/10050103/4288217_n.html.

[2]王增民,王開(kāi)玨.基于灰色加權(quán)馬爾可夫鏈的移動(dòng)通信市場(chǎng)預(yù)測(cè)[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2012(22):8-15.

[3]趙輝,王輝.基于多種時(shí)序模型的河北省某市卷煙需求預(yù)測(cè)比較[J].經(jīng)濟(jì)研究導(dǎo)刊,2011(08):142-145.

[4]仲東亭,張玥.BP神經(jīng)網(wǎng)絡(luò)對(duì)煙草銷售量預(yù)測(cè)方法的改進(jìn)研究[J].工業(yè)技術(shù)經(jīng)濟(jì),2007(09):115-118.

[5] Rumelhart D E,Hinton G E,McClelland J L,et al.A general framework for parallel distributed processing [J].Parallel distributed processing,1986,1(2).

[6] Syed M N,Pardalos P M.Neural network models in combinatorial optimization [M]Springer,2013:2027-2093.

[7] Vellido A,Lisboa P J,Vaughan J.Neural networks in business: a survey of applications (1992--1998) [J].Expert Systems with Applications,1999,17(1):51-70.

[8]孫亞.基于粒子群BP神經(jīng)網(wǎng)絡(luò)人臉識(shí)別算法[J].計(jì)算機(jī)仿真,2008(08):201-204.

[9]楊淑娥,黃禮.基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財(cái)務(wù)預(yù)警模型[J].系統(tǒng)工程理論與實(shí)踐,2005(01):12-18.

[10]邵惠芳,許自成,李東亮,等.基于BP神經(jīng)網(wǎng)絡(luò)建立烤煙感官質(zhì)量的預(yù)測(cè)模型[J].中國(guó)煙草學(xué)報(bào),2011(01):19-25.

[11]王文波,費(fèi)浦生,羿旭明.基于EMD與神經(jīng)網(wǎng)絡(luò)的中國(guó)股票市場(chǎng)預(yù)測(cè)[J].系統(tǒng)工程理論與實(shí)踐,2010(06):1027-1033.

[12]郭嵐,張祥建.基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)核心競(jìng)爭(zhēng)力評(píng)價(jià)[J].科學(xué)學(xué)研究,2007(01):132-137.

[13]彭黔榮,蔡元青,王東山,等.根據(jù)常規(guī)化學(xué)指標(biāo)識(shí)別煙葉品質(zhì)的BP神經(jīng)網(wǎng)絡(luò)模型[J].中國(guó)煙草學(xué)報(bào),2005(05):19-25.

[14]岑成德,權(quán)凈.服務(wù)屬性對(duì)顧客滿意感影響程度研究——人工神經(jīng)網(wǎng)絡(luò)方法[J].南開(kāi)管理評(píng)論,2005(02):16-22.

[15]Wang R,Zeng J,Feng X,et al.Evaluation of effect of plastic injection molding process parameters on shrinkage based on neural network simulation [J].Journal of Macromolecular Science,Part B,2013,52(1):206-221.

[16]謝星峰.基于神經(jīng)網(wǎng)絡(luò)的卷煙銷售預(yù)測(cè)模型的研究及應(yīng)用[D].昆明理工大學(xué),2005.

[17]石曉軍.Logistic違約率模型最優(yōu)樣本配比與分界點(diǎn)的模擬分析[J].數(shù)理統(tǒng)計(jì)與管理,2006(06):675-682.

[18]Carroll S M,Dickinson B W.Construction of neural nets using the radon transform[C].International Joint Conference on Neural Networks.IEEE,1989: 607-611.

A neural network-based early warning model for counterfeit cigarette traded by retailers

ZHU Weidong1,2,3，SUN Yibo3，WU Yong3，LI Kuang4，DU Chengyong3
1 School of Economics,Hefei University of Technology,Hefei 230009,China;
2 Key Laboratory of Process Optimization and Intelligent Decision-making,Ministry of Education,Hefei 230009,China；
3 School of Management,Hefei University of Technology,Hefei 230009,China;4 Huaibei Municipal Tobacco Company,Huaibei 235100,China

Field study and data analysis were conducted in a city of Anhui province to establish a early warning model of counterfeit cigarette sales based on BP neutral network by analyzing retailer's motivation for counterfeit selling.This model took into account twelve factors such as retailers selling practice,their individual characteristics and time factors.It was proved to have good stability and improved accuracy of early warning.

tobacco industry; BP neural network; sales of counterfeit cigarettes; early warning model

10.3969/j.issn.1004-5708.2014.06.020

TS4-06 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1004-5708（2014）06-0127-06

國(guó)家自然科學(xué)基金項(xiàng)目(NO.71071048)；安徽省煙草公司科技立項(xiàng)項(xiàng)目（NO.HBYC201101）

朱衛(wèi)東，博士，博士生導(dǎo)師，教授，研究方向：決策科學(xué)、決策支持系統(tǒng)、會(huì)計(jì)信息與決策，Email：zhuwd@hfut.edu.cn

2014-01-12