基于DEA和BP神經網(wǎng)絡的物流園區(qū)評價

劉易明

（安徽工業(yè)大學 管理科學與工程學院，安徽 馬鞍山 243002）

德國政府提出“工業(yè)4.0”戰(zhàn)略，并在2013年4月的漢諾威工業(yè)博覽會上正式推出，其目的是為了提高德國工業(yè)的競爭力，在新一輪工業(yè)革命中占領先機。“工業(yè)4.0”項目主要分為三大主題：第一，“智能工廠”；第二，“智能生產”；第三，“智能物流”。智能物流主要通過互聯(lián)網(wǎng)、物聯(lián)網(wǎng)，整合物流資源，充分發(fā)揮現(xiàn)有物流資源供應方的效率，使需求方能夠快速獲得服務匹配，得到物流支持。而作為智能物流的載體，物流園區(qū)的規(guī)劃與建設顯得尤為重要。隨著物流園區(qū)在國外所發(fā)揮的效果越來越顯著，國內各級地方政府也意識到了其重要性，紛紛推出了物流園區(qū)的規(guī)劃方案。但國內對物流園區(qū)的認識還不是很全面，對其經營與運作模式也沒有什么經驗可言，不少地方還存在打著物流地產的招牌，大肆囤積土地卻不以開發(fā)物流項目為目的的現(xiàn)象，造成土地的閑置與浪費。本文通過DEA對物流園區(qū)的效率進行分析，對于分析結果，再利用BP神經網(wǎng)絡的學習能力，先對樣本進行訓練，進而做出預測。

1 模型的選取與構建

1.1 DEA模型

DEA是由查納斯（Charnes）和庫伯（Cooper）等人于1978年創(chuàng)建的。隨后，Charnes、Cooper和魏權齡等人對其進行了進一步完善。

DEA方法的模型是：在基于凸性、錐性、無效性和最小性的公理假設的基礎上，由生產可能集為：

可得到如下的DEA模型（C2R）：

式中，n表示同類決策單元（Decision Making Units，DMU）數(shù)量；m和s分別表示輸入指標和輸出指標的個數(shù)；xij0和yrj0分別表示其中第j0個DMU的第i項輸入和第r項輸出；Sr+和Si-分別表示為松弛變量；ε為非阿基米德無窮小量。

上述模型為C2R模型，它的含義是找n個DMU的某種線性組合，使其產出在不低于第j0個DMU產出的條件下，投入盡可能小。該模型是從產出不變，投入減小的角度構造的，稱為投入的效率評價模型。它主要用于評價DMU同時為規(guī)模有效和技術有效，有如下結論：

（1）若θ0=1，Sr-0=0，Sr+0=0，則DMUj0為DEA有效；

（2）若 θ0＜1，或 Sr-0≠ 0，Sr+0≠ 0，則 DMUj0為非 DEA 有效。

1.2 BP神經網(wǎng)絡模型

BP網(wǎng)絡是一種多層前饋神經網(wǎng)絡，名字源于網(wǎng)絡權值的調整規(guī)則，采用后項傳播學習算法，即BP學習算法。

BP網(wǎng)絡是一種具有3層或3層以上的神經網(wǎng)絡，包括輸入層、中間層（隱層）和輸出層。上下層之間實現(xiàn)全連接，而每層神經元之間無連接。當一對學習樣本提供給網(wǎng)絡后，神經元的激活值從輸入層經各中間層向輸出層傳播，在輸出層的各神經元獲得網(wǎng)絡的輸入響應。接下來，按照減少目標輸出與實際誤差的方向，從輸出層經過各中間層逐層修正各連接權值，最后回到輸入層，這種算法稱為“誤差逆?zhèn)鞑ニ惴ā保碆P算法。隨著這種誤差逆的傳播修正不斷進行，網(wǎng)絡對輸入模式響應的正確率也不斷上升。

1.3 DEA-BP綜合評價模型

進行物流園區(qū)評價時，首先將相關數(shù)據(jù)輸入DEA模型，得出的結果一方面用于效率改進分析，另一方面，將得出的效率評價值作為客觀的輸出值，以指導BP神經網(wǎng)絡進行學習和訓練，并利用訓練好的網(wǎng)絡來做預測，如圖1所示。

圖1 DEA-BP綜合評價模型

1.4 模型的分析與構建

1.4.1 物流園區(qū)評價指標體系的確定

表1為物流園區(qū)評價指標體系表。

表1 物流園區(qū)評價指標體系

1.4.2 BP神經網(wǎng)絡參數(shù)的確定

表2為BP神經網(wǎng)絡訓練參數(shù)表，由表2可知，輸入神經元的個數(shù)為4個，輸出神經元的個數(shù)為1個，并且根據(jù)Kolmogorov引理，初步設定中間層神經元的個數(shù)為9個，具體個數(shù)可以在調試中確定。

表2 BP神經網(wǎng)絡訓練參數(shù)

2 實證分析

實證分析的具體情況和結果如表3和表4所示。

表3 物流園區(qū)投資數(shù)據(jù)表

表4 C2R模型求解結果

本文選取DMU 4和DMU 9作為預測選項，其余的DMU作為訓練樣本。同時，在中間神經元個數(shù)的選取上，依次取值為6個、9個、12個，并作出比較。結果如表5所示。

表5 BP網(wǎng)絡訓練仿真預測結果

通過與實際值相比較，無論中間神經元的個數(shù)是6個、9個還是12個，通過訓練與學習，最終都可獲得一個穩(wěn)定的神經網(wǎng)絡，并且仿真的效果都比較好。但在具體細節(jié)上，當中間神經元個數(shù)為9個時，無論是誤差精確度上，還是誤差曲線的平滑效果上，都要比其他兩個效果要好。由此可知，并非隱含層神經元的個數(shù)越多，網(wǎng)絡的性能就越好。所以，本模型選取9個神經元個數(shù)是可以接受的。

3 結 語

本文將數(shù)據(jù)包絡分析（DEA）與BP神經網(wǎng)絡有機結合，形成DEA-BP神經網(wǎng)絡綜合評價模型，并且通過具體的算例驗證了此模型的有效性。鑒于日本以及歐美國家已經有了幾十年的物流園區(qū)的規(guī)劃與運作經驗，可進一步收集這些國家成功的物流園區(qū)資料，然后運用此模型找出關于建設物流園區(qū)所需考慮的關鍵因素，從而為國內物流園區(qū)建設積累經驗。

但本文在物流園區(qū)評價指標體系的建立上還存在一定缺陷。從日本和德國等發(fā)達國家物流園區(qū)的發(fā)展過程來看，提高物流企業(yè)工作效率和降低物流成本這一單純的經濟效益只是其中一個目標，還應考慮社會效益以及環(huán)境效益。同時，建設物流園區(qū)投資規(guī)模大，建設周期長，投資回報率較低，離不開政府的支持，如日本政府提供長期低息貸款以及土地價格優(yōu)惠政策。綜上所述，在輸入指標上，要考慮政府補貼，在輸出指標上，要考慮社會效益和環(huán)境效益。

［1］陶經輝.物流園區(qū)布局規(guī)劃與運作［M］.北京:中國物資出版社,2009.

［2］熊嬋,買憶媛,何曉斌,等.基于DEA方法的中國高科技創(chuàng)業(yè)企業(yè)運營效率研究［J］.管理科學,2014(2):26-37.

［3］劉天宇,王美強.基于DEA博弈交叉效率模型的運輸型物流上市企業(yè)績效評價［J］.物流技術,2014(15):162-165.

［4］呂晨,曾明彬.基于DEA的中國區(qū)域科技投入產出相對效率研究［J］.科學管理研究,2014(2):101-104.

［5］飛思科技產品研發(fā)中心.神經網(wǎng)絡理論與MATLAB 7實現(xiàn)［M］.北京:電子工業(yè)出版社,2005.

［6］張亞佩.基于BP神經網(wǎng)絡的整車物流銷售模型的統(tǒng)計和預測研究［J］.物流技術,2013(21):284-286.

［7］賈鵬,劉瑞菊,孫瑞萍,等.基于BP神經網(wǎng)絡的郵輪旅游需求預測［J］.科研管理,2013(6):77-83.

［8］李曉利,王澤江.基于BP神經網(wǎng)絡模型的煤炭物流需求預測研究［J］.物流技術,2014(1):145-148.