唐 诗 颖
(重庆师范大学数学与科学学院,重庆 401331)
在网络高速发展的背景下,电子商务已经融入到社会生活的各个方面,企业希望通过电子商务带来更多客户。相比传统经济活动,电子商务彻底改变了消费者、销售者以及生产者间的关系。电子商务通过不断完善取得了革命性的成功,使得企业的促销成本以及采购成本都得以大大降低,同时通过在线服务以及宣传,有效地树立了企业形象和品牌,提高了企业的生产质量,提高了企业经济效益,对整个经济的发展都产生了深远影响。
支持向量机(SVM)从本质上讲是一种前向神经网络,其通过用内积函数所定义的非线性变换将输入空间变换到一个高维空间,在高维空间中寻找输入变量与输出变量之间的非线性关系[1-2]。本次研究采用支持向量机方法评价电子企业的经济效益,探讨SVM建模过程和评价效果,旨在为SVM模型在电子企业经济效益评价领域提供借鉴。
支持向量机基于统计学习理论,根据结构风险最小化准则,在使训练样本分类误差极小化的同时缩小模型泛化误差的上界,从而提高分类器的泛化推广能力[3]。在很大程度上解决了模型中的非线性、维数等问题。基本思想可以概括为:首先通过事先选择的非线性映射将输入向量映射到一个高维特征空间,然后在该空间中寻找超平面,尽可能地将2类数据点正确划分。支持向量机原理示意图见图1。
图1 支持向量机原理示意图
s.t.yi[(w·xi)+b]≥1-ξi,i=1,2,…,m
式中:w为权向量;b为偏置;ξi为松弛变量;c为控制惩罚程度的常数,c>0,且c越大,惩罚就越大[4]。
利用Lagrange优化方法将问题转化为对偶问题:
最终分类函数也变为:
f(x) =sgn(wx+b)
在市场经济体制下,电子商务作为营利性经济组织,以追求企业价值最大化、取得经济效益为目标,因此构建完善的电子企业经济效益评价指标体系尤其重要。已有学者围绕经济效益评价考核做了大量研究、探讨工作,最终制定了一系列具体的考核指标[5]。本次构建的指标体系如下:
X1:资产贡献率=(利润总额+税金总额+利息支出)/上年同期期末所有者权益
X2:资本保值增值率=报告期期末所有者权益/上年同期期末所有者权益
X3:资产负债率=负债总额/资产总额,负债及资产总额均为报告期期末数
X4:流动资产周转率=销售收入/流动资产平均余额×累计月数
X5:成本费用利润率=利润总额/成本费用总额
X6:全员劳动生产率=工业增加值/全部职工平均人数×累计月数
X7:产品销售率=工业销售产值/工业总产值
研究样本来源于《中国电子统计年鉴》,一共收集了25家电子商务企业数据。在利SVM法处理时将数据分为2组,前15组数据用作学习样本,后10组数据作为检验样本。
由于评价指标体系中,既有绝对化指标又有相对指标,为使各指标在整个系统中具有可比性,必须对各指标进行归一化即标准化处理:
Fj=(xj-xjmin)/(xjmax-xjmin)
式中,Fj——目标值为xj的标准化值;
xjmin——预先确定的第j个指标的最小值;
xjmax——预先确定的第j个指标的最大值;
j——评价指标的数目。
按照有关部门考核企业经济效益及企业家业绩的标准,相关指标及评价等级标准见表1。
核函数采用径向基函数,使用Matlab6.5编程运算,将剩下的10组数据进行分类。同时用BP神经网络处理数据,得分越高则排名越靠前。结果见表2。
以表2中的序号2、8、1为例。可以发现对于序号2,BP神经网络法评价结果为0.616,排名第1,SVM法的分类结果为第Ⅰ类;对于序号8,BP神经网络法评价结果为0.341,排名第2,相应的SVM法将序号8划分为第Ⅱ类;对于序号1,BP神经网络法评价结果为0.126,排名第4,SVM法将序号1划分到第Ⅱ类。可见,2种方法所得评价结果大致相同,但SVM法评价结果更直观、更简洁,更适合企业经济效益的考评。因此认为在评价企业经济效益时,SVM法更具有实用性。
表2 2种方法计算结果对比
支持向量机以统计学理论为基础,具有严格的理论与数学基础,与BP神经网络的学习方法相比,支持向量机具有以下特点:(1) 通过引入核函数,将输入空间中的非线性问题映射到高维特征空间中;(2) 支持向量机主要是针对小样本情况,最优解基于有限样本信息;(3) 有严格的理论与数学基础,避免了神经网络实现中的经验成分。
支持向量机因其特有的优越性必将越来越受到各领域的重视,在企业经济效益评价方面具有很好的应用前景。