基于?PCA-BP?神經(jīng)網(wǎng)絡(luò)的無車承運(yùn)人合作伙伴選擇研究

劉 帥，姜 麗

（1.北京物資學(xué)院 商學(xué)院，北京 101149；2.北京物資學(xué)院 信息學(xué)院，北京 101149)

0 引言

根據(jù)2016年《交通運(yùn)輸行業(yè)發(fā)展統(tǒng)計(jì)公報(bào)》顯示，我國擁有貨運(yùn)車輛總計(jì)約為2 787.54萬輛，公路物流企業(yè)約有860萬戶，平均每戶物流企業(yè)僅擁有貨車3.2輛，其中90%的運(yùn)力掌握在個(gè)體司機(jī)或企業(yè)手中。為解決我國物流運(yùn)輸效率低的問題，2016年9月，交通運(yùn)輸部辦公廳制定發(fā)布《關(guān)于推進(jìn)改革試點(diǎn)加快無車承運(yùn)物流創(chuàng)新發(fā)展的意見》，宣布正式開展“無車承運(yùn)人”的試點(diǎn)工作，并且在國內(nèi)各大城市初步推行48個(gè)無車承運(yùn)人試點(diǎn)單位[1]。

無車承運(yùn)人是指不擁有車輛而從事貨物運(yùn)輸?shù)膫€(gè)體或單位，其具有雙重身份，對(duì)于真正的托運(yùn)人來說，其是承運(yùn)方，而對(duì)于實(shí)際承運(yùn)人來說，其又是托運(yùn)方。無車承運(yùn)人業(yè)務(wù)模式如圖1所示。由圖1可知，無車承運(yùn)人承擔(dān)運(yùn)輸安全保障責(zé)任、對(duì)貨損貨差的賠付責(zé)任和對(duì)實(shí)際承運(yùn)人投訴處理的責(zé)任。在接受實(shí)際托運(yùn)人的運(yùn)輸需求后，無車承運(yùn)人選擇匹配度最優(yōu)的實(shí)際承運(yùn)人簽訂運(yùn)輸合同，在此過程中無車承運(yùn)人具有追償?shù)臋?quán)利，承擔(dān)監(jiān)管實(shí)際承運(yùn)人和及時(shí)支付運(yùn)費(fèi)的責(zé)任。對(duì)于無車承運(yùn)人來說，選擇合適的運(yùn)輸伙伴進(jìn)行運(yùn)輸服務(wù)并及時(shí)完成托運(yùn)人的服務(wù)需求，是無車承運(yùn)人持續(xù)發(fā)展的關(guān)鍵。無車承運(yùn)人的合作伙伴，是指與無車承運(yùn)人合作完成運(yùn)輸任務(wù)的運(yùn)輸企業(yè)或物流企業(yè)。

圖1 無車承運(yùn)人業(yè)務(wù)模式Fig.1 Non-car operating carrier business model

目前國內(nèi)外學(xué)者對(duì)無車承運(yùn)人的研究集中在相關(guān)概念、影響因素、組織優(yōu)化等方面。Bock[2]對(duì)無車承運(yùn)人的概念進(jìn)行了界定，對(duì)西歐國家“無車承運(yùn)”模式下多式聯(lián)運(yùn)和多次轉(zhuǎn)運(yùn)的問題，針對(duì)運(yùn)營中出現(xiàn)的問題提出了對(duì)策建議。Shang[3]運(yùn)用結(jié)構(gòu)解釋模型研究無車承運(yùn)人的服務(wù)影響因素。董娜[4]認(rèn)為無車承運(yùn)人具有先進(jìn)的物流信息技術(shù)、資源整合能力和責(zé)任擔(dān)保機(jī)制，能夠有效改善我國貨運(yùn)市場(chǎng)混亂的現(xiàn)狀。吳宏[5]認(rèn)為無車承運(yùn)人與傳統(tǒng)貨運(yùn)人的區(qū)別主要體現(xiàn)在法律地位不同、身份不同、收費(fèi)性質(zhì)不同3個(gè)方面。

綜上所述，目前國內(nèi)外學(xué)者雖然從不同角度對(duì)無車承運(yùn)人進(jìn)行了研究，但對(duì)于無車承運(yùn)人合作伙伴的研究相對(duì)較少，無車承運(yùn)人與客戶簽訂貨運(yùn)協(xié)議后，實(shí)際承運(yùn)是由合作車隊(duì)進(jìn)行，因此，合作車隊(duì)的運(yùn)輸時(shí)效、服務(wù)質(zhì)量等方面就顯得尤為重要。通過構(gòu)建基于PCA-BP神經(jīng)網(wǎng)絡(luò)算法的無車承運(yùn)人合作伙伴選擇評(píng)價(jià)模型，并運(yùn)用SPSS MODELER軟件進(jìn)行求解，以期為我國無車承運(yùn)人選擇適合的合作伙伴提供參考。

1 PCA-BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型

PCA-BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型，是將主成分分析法與BP神經(jīng)網(wǎng)絡(luò)算法結(jié)合的一種智能算法。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法能夠有效處理非線性問題，在對(duì)已有樣本進(jìn)行學(xué)習(xí)的基礎(chǔ)上建立起評(píng)價(jià)指標(biāo)之間的定量關(guān)系，找出輸入信號(hào)與輸出信號(hào)之間的內(nèi)在聯(lián)系，從而在確定權(quán)重過程中有效降低主觀因素的干擾，使評(píng)價(jià)結(jié)果更加客觀與準(zhǔn)確。較多的指標(biāo)會(huì)增加模型復(fù)雜度，直接運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)其進(jìn)行評(píng)價(jià)可能會(huì)降低評(píng)價(jià)結(jié)果的準(zhǔn)確性。因此，借助主成分分析法建立基于PCA-BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型，首先運(yùn)用主成分分析法對(duì)于原始指標(biāo)數(shù)據(jù)進(jìn)行分析，將復(fù)雜的指標(biāo)體系進(jìn)行降維處理，簡(jiǎn)化后更能反映出原指標(biāo)的特點(diǎn)，將處理完成的指標(biāo)數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，再通過BP神經(jīng)網(wǎng)絡(luò)對(duì)指標(biāo)體系進(jìn)行訓(xùn)練。構(gòu)建的PCA-BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型如圖2所示。

PCA-BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型評(píng)價(jià)步驟如下。

（1）數(shù)據(jù)標(biāo)準(zhǔn)化。由于收集的原始數(shù)據(jù)之間存在量綱差別，因此第一步需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，將變量的取值范圍控制在0 ～ 1之間，使有量綱的原始數(shù)據(jù)轉(zhuǎn)化為無量綱數(shù)據(jù)。數(shù)據(jù)標(biāo)準(zhǔn)化處理的轉(zhuǎn)換公式為

圖2 PCA-BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型Fig.2 PCA-BP neural network evaluation model

式中：Yij為經(jīng)過標(biāo)準(zhǔn)化處理后的第i行第j列的數(shù)據(jù)；為原數(shù)據(jù)各維度分量的均值；Sj為原數(shù)據(jù)各維度分量的標(biāo)準(zhǔn)差；Xij為第i行第j列的原始數(shù)據(jù)。

（2）主成分分析。對(duì)BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)進(jìn)行主成分分析，提取主成分并計(jì)算各樣本的主成分值。首先計(jì)算數(shù)據(jù)相關(guān)系數(shù)矩陣R及R的特征值和特征向量，相應(yīng)的計(jì)算公式如下。

其中，|| αi|| = 1 (i = 1，2，…，m)，假設(shè)求得相關(guān)系數(shù)矩陣R的特征值為λ1≥λ2≥…≥0，其對(duì)應(yīng)的特征向量為 (α1，α2，…，αm)，從而根據(jù)公式 ⑶ 得出一組主成分 Zp。

最后計(jì)算主成分的載荷及主成分得分，假設(shè)主成分載荷為ωi，主成分得分為θi，則

式中：αi(i = 1，2，…，m)為特征值的特征向量。

（3）設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。構(gòu)建的無車承運(yùn)人合作伙伴選擇神經(jīng)網(wǎng)絡(luò)模型采用3層結(jié)構(gòu)，包括輸入層、隱含層和輸出層。

①輸入層：根據(jù)原始數(shù)據(jù)主成分分析結(jié)果確定模型輸入神經(jīng)元個(gè)數(shù)，即提取出的主成分個(gè)數(shù)即為神經(jīng)網(wǎng)絡(luò)輸入神經(jīng)元個(gè)數(shù)。

②隱含層：采用經(jīng)驗(yàn)公式，首先確定3個(gè)隱含層節(jié)點(diǎn)個(gè)數(shù)，逐個(gè)代入模型驗(yàn)證預(yù)測(cè)誤差，選擇模型誤差最小的隱層節(jié)點(diǎn)個(gè)數(shù)。經(jīng)過多次調(diào)試確定該模型的隱含層個(gè)數(shù)，其經(jīng)驗(yàn)公式為

式中：m為隱含層節(jié)點(diǎn)個(gè)數(shù)；n為輸入層節(jié)點(diǎn)個(gè)數(shù)；l為輸出層節(jié)點(diǎn)個(gè)數(shù)；α為1 ～ 10之間的常數(shù)。

③輸出層：輸出節(jié)點(diǎn)個(gè)數(shù)為所要評(píng)價(jià)無車承運(yùn)人合作伙伴的評(píng)價(jià)結(jié)果，僅有1個(gè)輸出節(jié)點(diǎn)。

（4）神經(jīng)網(wǎng)絡(luò)訓(xùn)練。目前對(duì)于神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用的軟件主要是MATLAB，但該軟件操作相對(duì)復(fù)雜，不利于企業(yè)實(shí)踐應(yīng)用。SPSS MODELER是一款專門用于數(shù)據(jù)挖掘分析的軟件，包含主成分分析、BP神經(jīng)網(wǎng)絡(luò)等多種數(shù)據(jù)挖掘算法，并且可以和其他數(shù)據(jù)庫進(jìn)行兼容、鏈接，操作也相對(duì)直觀，不需要操作者具有編程基礎(chǔ)，在實(shí)踐應(yīng)用中更容易推廣使用。因此，選用SPSS MODELER軟件進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。將確定的輸入層數(shù)據(jù)進(jìn)行分區(qū)并訓(xùn)練，訓(xùn)練過程中對(duì)神經(jīng)網(wǎng)絡(luò)的泛化能力進(jìn)行檢驗(yàn)，即對(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，此時(shí)，停止訓(xùn)練，輸出模型結(jié)果。

（5）模型檢測(cè)。為了檢驗(yàn)PCA-BP神經(jīng)網(wǎng)絡(luò)模型的有效性，必須對(duì)該模型的泛化推廣能力進(jìn)行檢驗(yàn)。選擇模型輸出結(jié)果對(duì)于BP神經(jīng)網(wǎng)絡(luò)的誤差進(jìn)行檢驗(yàn)，如果實(shí)際網(wǎng)絡(luò)輸出與期望輸出的最大誤差較小，說明模型具有良好的評(píng)價(jià)能力。

2 基于 PCA-BP 神經(jīng)網(wǎng)絡(luò)的無車承運(yùn)人合作伙伴選擇實(shí)證研究

2.1 構(gòu)建無車承運(yùn)人合作伙伴評(píng)價(jià)指標(biāo)體系

構(gòu)建無車承運(yùn)人合作伙伴評(píng)價(jià)指標(biāo)體系，需要全面考慮車隊(duì)的內(nèi)部因素與外部因素，遵循系統(tǒng)性、動(dòng)態(tài)性、全面性等原則[6]。徐新清等[7]主要從企業(yè)的服務(wù)能力、戰(zhàn)略聯(lián)盟、企業(yè)經(jīng)驗(yàn)、綜合實(shí)力及地理位置5個(gè)方面構(gòu)建第三方物流服務(wù)商的評(píng)價(jià)指標(biāo)體系。甘家華等[8]為中小物流企業(yè)選擇合適的企業(yè)聯(lián)盟伙伴形成協(xié)同發(fā)展，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)柔性和合作兼容性6個(gè)方面構(gòu)建中小物流企業(yè)聯(lián)盟伙伴選擇指標(biāo)體系。于朝朝[9]從物流服務(wù)能力、物流服務(wù)成本、物流服務(wù)質(zhì)量、信息技術(shù)水平、合作能力5個(gè)方面構(gòu)建動(dòng)態(tài)物流聯(lián)盟合作伙伴評(píng)價(jià)指標(biāo)體系。綜上所述，以物流服務(wù)質(zhì)量、物流成本、財(cái)務(wù)風(fēng)險(xiǎn)、技術(shù)能力、合作兼容性及企業(yè)柔性等6個(gè)方面，無車承運(yùn)人合作伙伴選擇評(píng)價(jià)指標(biāo)體系如表1所示。

表1 無車承運(yùn)人合作伙伴選擇評(píng)價(jià)指標(biāo)體系Tab.1 Non-car operating carrier partner evaluation index system

2.2 數(shù)據(jù)準(zhǔn)備

A企業(yè)于2013年6月成立于北京市，是一家以整車經(jīng)紀(jì)業(yè)務(wù)為主的運(yùn)輸解決方案服務(wù)商。2016年8月，隨著交通運(yùn)輸部頒布《關(guān)于推進(jìn)改革試點(diǎn)加快無車承運(yùn)物流創(chuàng)新發(fā)展的意見》，A企業(yè)正式發(fā)展為無車承運(yùn)人，其為貨主、中小企業(yè)及貨代企業(yè)尋找最匹配的承運(yùn)商，為車隊(duì)提供貨物運(yùn)輸需求。為進(jìn)一步發(fā)展壯大，該企業(yè)需要與3家車隊(duì)建立合作伙伴關(guān)系，經(jīng)過初步篩選目前候選車隊(duì)總計(jì)有10家，A企業(yè)候選合作伙伴基本情況如表2所示。其中S1至S10分別代表10家不同的運(yùn)輸車隊(duì)，通過實(shí)地調(diào)研以及專家打分法，可得A企業(yè)候選合作伙伴基本情況統(tǒng)計(jì)如表2所示。

2.3 無車承運(yùn)人合作伙伴選擇評(píng)價(jià)

（1）數(shù)據(jù)標(biāo)準(zhǔn)化及主成分分析。根據(jù)公式 ⑴ 對(duì)收集到的原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，標(biāo)準(zhǔn)化處理后的數(shù)據(jù)全部介于0到1之間，具有可比性。根據(jù)公式 ⑵ — ⑸ 運(yùn)用 SPSS MODELER 軟件的主成分分析功能對(duì)標(biāo)準(zhǔn)化之后的樣本數(shù)據(jù)進(jìn)行降維處理和計(jì)算。樣本方差和累計(jì)方差如表3所示。

根據(jù)表3中累計(jì)貢獻(xiàn)率選擇相應(yīng)的主成分，主成分1至主成分5的貢獻(xiàn)率分別為 37.317%，20.610%，14.659%，11.729%，6.411%，累計(jì)貢獻(xiàn)率為 90.726%(大于80%)，因而這5個(gè)主成分能夠表達(dá)相應(yīng)指標(biāo)的全部信息，將其分別定義為：F1，F(xiàn)2，F(xiàn)3，F(xiàn)4 和 F5。

在確定樣本主成分之后，根據(jù)樣本成分矩陣中的因子載荷計(jì)算出各主成分的得分值，樣本成分矩陣如表4所示。

根據(jù)所列的因子載荷及公式θi=ωi，i = 1，2，…，m計(jì)算出各主成分的得分值，即可得到BP神經(jīng)網(wǎng)絡(luò)的輸入矩陣，其中Xin為各變量的標(biāo)準(zhǔn)化數(shù)值，ωi為各變量賦值權(quán)重。

（2）設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。根據(jù)公式 ⑹，可得無車承運(yùn)人合作伙伴選擇神經(jīng)網(wǎng)絡(luò)模型包含輸入層神經(jīng)元個(gè)數(shù)為5個(gè)，隱含層神經(jīng)元個(gè)數(shù)為18個(gè)，輸出層神經(jīng)元個(gè)數(shù)為1個(gè)。

（3）神經(jīng)網(wǎng)絡(luò)訓(xùn)練。將經(jīng)過標(biāo)準(zhǔn)化處理、主成分分析降維處理的數(shù)據(jù)輸入到構(gòu)建的三層BP神經(jīng)網(wǎng)絡(luò)模型中，選用前5組數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本，后5組數(shù)據(jù)作為網(wǎng)絡(luò)的檢測(cè)樣本，對(duì)創(chuàng)建好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練至280步時(shí)，網(wǎng)絡(luò)性能達(dá)到期望水平并保持穩(wěn)定，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)。該模型最大訓(xùn)練次數(shù)為1 200次，期望誤差為0.000 01。

表2 A企業(yè)候選合作伙伴基本情況統(tǒng)計(jì)表Tab.2 Basic situation table of company A’s partner candidates

表3 樣本方差和累計(jì)方差Tab.3 Sample variance and cumulative variance

（4）模型檢測(cè)。為了檢驗(yàn)無車承運(yùn)人合作伙伴選擇BP神經(jīng)網(wǎng)絡(luò)模型的有效性，必須對(duì)該模型的泛化推廣能力進(jìn)行檢驗(yàn)。選擇S6到S10共計(jì)5家企業(yè)的數(shù)據(jù)作為檢測(cè)數(shù)據(jù)，對(duì)于該BP神經(jīng)網(wǎng)絡(luò)的誤差進(jìn)行檢驗(yàn)，得到網(wǎng)絡(luò)輸出與期望輸出誤差比較如表5所示。由表5可知，實(shí)際網(wǎng)絡(luò)輸出與期望輸出的最大誤差不超過0.98%，產(chǎn)生的誤差相對(duì)較小，說明無車承運(yùn)人合作伙伴選擇BP神經(jīng)網(wǎng)絡(luò)模型具有較好的評(píng)價(jià)能力，能夠用于無車承運(yùn)人對(duì)合作伙伴的評(píng)價(jià)分析。

表4 樣本成分矩陣Tab.4 Sample composition matrix

表5 網(wǎng)絡(luò)輸出與期望輸出誤差比較Tab.5 Error comparison between the expected output and network output

2.4 模型輸出結(jié)果分析

利用訓(xùn)練成功的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)A企業(yè)候選的10家合作伙伴進(jìn)行綜合評(píng)價(jià)，10家候選企業(yè)的綜合評(píng)價(jià)結(jié)果S = { 0.790 8，0.809 8，0.740 0，0.830 8，0.901 0，0.841 4，0.834 4，0.829 4，0.891 2，0.902 8}，由網(wǎng)絡(luò)輸出結(jié)果可以看出S10，S5和S9三者的評(píng)價(jià)結(jié)果較其他評(píng)價(jià)結(jié)果更優(yōu)，因而A企業(yè)應(yīng)當(dāng)優(yōu)先選擇S10，S5和S9，而S6和S7可以作為A企業(yè)的備選合作伙伴。

3 研究結(jié)論

從物流服務(wù)質(zhì)量、物流成本、財(cái)務(wù)風(fēng)險(xiǎn)、技術(shù)能力、合作兼容性、企業(yè)柔性6個(gè)方面構(gòu)建無車承運(yùn)人合作伙伴選擇指標(biāo)體系主要研究結(jié)論：首先運(yùn)用主成分分析法，將原樣本數(shù)據(jù)多個(gè)指標(biāo)數(shù)據(jù)轉(zhuǎn)化為能夠反映指標(biāo)特性的少數(shù)綜合性指標(biāo)，避免了運(yùn)算過程中指標(biāo)的共線性；其次，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)于無車承運(yùn)人候選伙伴進(jìn)行評(píng)價(jià)，避免了確定權(quán)重過程中的人為主觀因素，提高了評(píng)價(jià)的客觀性；最后，BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)、聯(lián)想和容錯(cuò)能力，算法求解過程接近于人腦的思維和分析過程，從而使無車承運(yùn)人在進(jìn)行合作伙伴選擇時(shí)不再依靠專家的主觀判斷，為無車承運(yùn)人選擇合作伙伴提供了一種新的思路。