ANN结合Petri法的市场营销风险预警方案设计

袁桂英

（郑州升达经贸管理学院 商学系，郑州 450000）

0 引言

在市场经济为中心的营销体系中，企业的全部活动均以市场和客户为主，在此基准上构建让客户满意的商品和服务才是市场营销的核心和关键。而市场营销风险则是在企业运营过程中，基于内部和外部条件的改变引发不可预期的变化。使企业营销的实际和预期带来相应的偏离，并使得公司处在不寻常的遭受损失的状况。此外，市场营销为整个企业的运行主题部分，处在企业风险的高发模块。本文采用ANN结合Petri法完成市场营销风险预警方案设计，对有效地实现市场营销的风险预警有重要的作用。

1 市场营销风险预警体系构建

1.1 场营销风险状况划分

针对各类市场营销风险，采用相应的预警策略才能够达到市场营销的风险预警目标。企业的市场营销风险主要源自于商品、定价、分销以及促销。商品风险包含设计风险、功能化质量风险、入市时段风险、市场定位以及品牌风险；定价风险则包括低价、高价以及价位变动风险；分销则包含商业、存储、借贷风险；促销则包含广告、推销以及营销风险。

1.2 传统的市场营销风险预警指标模型

市场营销风险估测评判预警模式，即能够及时反馈企业营销状况的统一体，因而构建市场营销风险预警指标模型时，需满足灵活、广泛、测度、独立以及预见标准。基于此，市场营销风险预警子模型如下：

并假定各个风险自模型的预警参量如下：

（1）商品预警子系统：营销利率（k1）；营销开销比值（k2）；营销收益增长比（k3）；营销数额增长比（k4）；营销获益金额（k5）；收获账目周转度（k6）；股市获益比（k7）。

（2）协作预警子系统:存款周转比值（k8）；需付账目比值（k9）。

（3）公共预警子系统:资本净利益（k10）；资本增长比值（k11）；整体资本增长比值（k12）；现有财产比值（k13）；流动财产比值（k14）；整体资本周转比值（k15）；股东权值比值（k16）；净效益增长率（k17）；现金存量（k18）。

（4）竞争预警子系统:市场占有比值（k19）；整体利益位置（k20）；行业利益位置（k21）；行业相关人数比值（k22）；行业公司数目（k23）；行业亏损公司数目（k24）；行业销售增长比重（k25）。

1.3 传统市场营销风险预警指标数学建模

传统方法采用上文给出的假定，完成标准化操作，K1,K2,...,Kn转换为g1,g2,...,gn（n≤25）去除标准间的差异，k’为假定参量均值，使标准间能够实现量纲比：

测算标准化之后的各个初始标准的协方差阵列，O=(oij)n*n，则协方差的测算模型为：

基于标定参量之后的初始信息获取相关参量阵列U=(uij)n*n，ki与 kj间的关联参量uij为：

通过给出阵列U的特征值和，即v1,v2,...，vn之和为1，并选取p个主成分特征值可得(v1+v2+...+vp)/(v1+v2+...+vn)累计贡献参量结果高于0.86，因而将高于1的vp和相关的特征参量设置为p个，则p个主成分为：

1.4 传统市场营销风险预警程度

传统市场营销风险预警重点在于市场营销分类装置设计，本文采用该分类装置实现企业营销风险程度判别，并根据风险种类给出相关营销风险预警警示。数据扩散给出部分即所期待的风险水准，警示程度的分类组合为 R，R={r1,r2,r3,r4,r5}，其中的 r1、r2、r3、r4、r5表述寻常状况、低风险模式、中风险模式、较高风险模式、高风险模式。

2 ANN结合Petri算法

2.1 ANN算法

2.1.1 ANN算法数学模型

人工神经网络模型（ANN）即采用很多简约的神经单元拟合人类大脑思考模式。该方法能够充分应用各类数据并且选取非线性平台实现给入、给出间的关联，完成前向与后向数据传播间的修正方案。

整体思想如下，即针对锻炼样本 M(m1，m2，...，mc，c是样本数量)以及已获取的给出样本集合 U(U1，U2，...，Uc)，训练目标即获取网络拟合给出H(H1，H2，...，Hc)。采用削减U和H简的偏差实现拟合进程中的权重改变，并且采用网络模拟的方式使得给出结果和实际结果间的偏差较小。

设定给入部分为O,给入层级的神经单元存在z个，并且隐含e1个神经单元，激活解析式是Q1。给出层则包含e2个神经单元，相关激活解析式是Q2，给出结果是I，目标参量为 X，D1、F1、D2、F2是权重与阈值参量，数据的正向传送方式为：

（1）隐含层中第j个神经单元给出结果为：

（2）输出层级中的第j个神经单元的给出结果为：

（3）给定偏差解析式为：

采用梯度降低方案获取权重参量变换和偏差反向传输为：

（1）输出模块的权重变换如下，从第j到第n个输出权重状况为：

（2）隐含层级的权重变换从第j个给入到第n个给出间的权重结果为：

2.1.2 ANN算法网络模型

由于人工神经网络算法对大脑构造的拟合，本文给定神经网络模型为一个五维构造单元：ANN=(S,W,α,β,θ)。式中的S为神经网络给入数据组合；W为神经网络给出数据组合；α为神经网络隐含单元的组合；并且将模型的给入数据和给出数据依照某种方式组合，β为神经网络的衔接权重组合，该值给定各个节点间关联程度；θ为神经单元的阈值组合。如图1所示。

图1 ANN算法网络模型

2.2 Petri网络建模

Petri网络即采用图形化的组合方式应用在电脑系统中，实现表述和解析市场营销模型的并发处理过程。整个模型划分为六个单元：

式(12)中的pp为初始数据集合，设定为{pp1,pp2,...,ppn}，表述为标准、给入信息、给入数据、需要资源等部分，并用‘0’表述，若数据库中能够得到全部数据则表述为‘Φ’;tt为初始变迁组合，能够表述为事件、测算步骤、数据操作、任务等因子，并选用‘δ’表述，式(13)则表述petri网络的流关系：

ww为网络的权值解析式；ww(x,y)表述从x到y的权值参量；kk为网络容量解析式；kk(p)是数据集合这的p值最大容量；mm为给定标识，针对数据集合中的p可以获取其中的Token数。

若设定某个Petri网络中的(pp,tt,ff,ww,kk,mm)则给定了网络中的静态机制，整个Petri网络首先采用模型迁移获取演化参量，进而展现Petri网络动态状况。

2.3 ANN结合Petri算法

ANN方法实际为采用信息驱动下的黑盒训练方式，完成给入信息和给出信息间的非线性关联，并且从网络训练中获取相关状态结合在神经单元中。但ANN方法不能给出真实的物理定义，无法和人脑构造具有学习与记忆的功能，并且能够补充推理模式相提并论。

Petri算法则从数学角度分析图形，适宜整个体系的变化，其对体系的因果关联能够补充ANN方法的推理。将ANN方法和Petri算法相互综合能够补充两种方法单独处理市场营销风险的不足。

将ANN方法与Petri算法结合即构建具有学习能力的Petri网络，在整个模型这将pp权值和tt权重依据神经网络偏差矫正，进行融合，整体模式如下页图2所示。

图2 ANN结合Petri算法模型

3 ANN结合Petri算法的市场营销风险预警方案

3.1 样本选择

本文选取《中国企业数据库》《中国企业统筹年鉴》以及国家统计网站发布的各大上市企业的财务统计信息，基于此给出分析市场营销风险的初始信息。本文根据28家上市企业的统计信息为案例，采用因子得分协方差阵列完成上文给出的商品预警子系统，协作预警子系统，公共预警子系统，竞争预警子系统下的25个指标分析。如表1所示。

表1 因子得分协方差

进一步获取偏差贡献率，获得六个公共因子，其方差累积贡献程度为0.91683。表2给出样本数据的解释整体偏差结果。

表2 本数据的解释整体偏差结果 （单位：%）

3.2 ANN结合Petri算法的市场营销预警指标量化

市场营销预警标准能够划分为开销类型、效益类型、适中类型和区间类型这四种。其中，UU1为开销预警子集合；UU2为效益预警子集合；UU3为适中预警子集合；UU4为区间预警子集合。设置定义域区间为[ρ,τ]，代表预警标准的极小和极大结果，设置样本pp的预警标准满意度xxppi，区间为[0,1]。

（1）开销类型即值越小越优，其预警标准下的映射解析式为：

（2）效益类型即值越大越优，解析式为：

（3）适中类型即值处于适宜的结果，解析式为：

（4）区间类型即结果处在某种范围之内，解析式为：

3.3 ANN结合Petri算法的市场营销预警模型

本文结合样本信息和ANN结合Petri算法给出企业市场营销的风险估测模型。整个模型给入部分的信息能够输入多元影响因素完成解析，同时规避了数据的交叉和重叠以及干扰状况，此外，也会增快整个算法的训练速度。如图3所示。

图3ANN结合Petri算法的市场营销预警模型

3.4 ANN结合Petri算法的市场营销预警步骤

假定某个企业完成市场营销风险评测预警，按上文方法构建ANN结合Petri算法预警体系，解析市场营销预警特点，并设置预警标准取值区间，给出的市场营销风险评测方案为：

（1）设置给入预警向量区间：[ρ,τ]；

（2）给入ε个预警样本属性阵列λ以及期望输出参量ξ；

（3）依照预警向量区间中的标准模式，完成预警样本属性阵列的线性转换为μ；

（4）采用ANN结合Petri算法完成学习，关于∫和μ间实现非线性对应，整个模型为：

（5）进而采用锻炼好的ANN结合Petri算法实现企业的市场营销风险评估，完成风险预警时，仅需要设置预警判别标准权值属性参量，即可获取该企业的市场营销风险预警综合判定指数参量，进而给出相关预警数据，实现企业的市场营销风险评判。

3.5 ANN结合Petri算法的市场营销预警误判与虚警程度解析

测算预警误判与虚警程度需要针对繁杂的概率密度解析式实现多元积分，判定步骤如下：

（1）依据企业市场营销风险信息获取N个市场营销的风险预判断样本，并基于此检验以上市场营销预警模式。获取误判以及虚警的样本数量是hh1与hh2，则误判以及虚警的概率为：

（2）若前验概率给定为kk(Ψ)，则能够从预警类别Ψ中获取N’个营销模式的预警样本，即:

进而可得误判以及虚警的最优似然估测结果为：

4 结论

市场营销的状况繁杂多变，在市场营销活动中的参与者的决策和行动均会对市场经济带来影响。而研究市场营销的风险管理方案，预测在相关活动中会带来的风险，能够减少损失并且创造更大的收益。本文首先介绍了市场营销风险预警体系构建，给出市场营销风险状况划分，形成因素，构建了预警指标模型，进而设计了ANN结合Petri算法。基于此算法给出市场营销风险预警方案，设定样本选择，完成指标量化，搭建预警模型并给出预警步骤，最后完成预警误判与虚警程度解析。