基于 PCA-BP 神经网络的无车承运人合作伙伴选择研究

刘 帅，姜 丽

（1.北京物资学院 商学院，北京 101149；2.北京物资学院 信息学院，北京 101149)

0 引言

根据2016年《交通运输行业发展统计公报》显示，我国拥有货运车辆总计约为2 787.54万辆，公路物流企业约有860万户，平均每户物流企业仅拥有货车3.2辆，其中90%的运力掌握在个体司机或企业手中。为解决我国物流运输效率低的问题，2016年9月，交通运输部办公厅制定发布《关于推进改革试点加快无车承运物流创新发展的意见》，宣布正式开展“无车承运人”的试点工作，并且在国内各大城市初步推行48个无车承运人试点单位[1]。

无车承运人是指不拥有车辆而从事货物运输的个体或单位，其具有双重身份，对于真正的托运人来说，其是承运方，而对于实际承运人来说，其又是托运方。无车承运人业务模式如图1所示。由图1可知，无车承运人承担运输安全保障责任、对货损货差的赔付责任和对实际承运人投诉处理的责任。在接受实际托运人的运输需求后，无车承运人选择匹配度最优的实际承运人签订运输合同，在此过程中无车承运人具有追偿的权利，承担监管实际承运人和及时支付运费的责任。对于无车承运人来说，选择合适的运输伙伴进行运输服务并及时完成托运人的服务需求，是无车承运人持续发展的关键。无车承运人的合作伙伴，是指与无车承运人合作完成运输任务的运输企业或物流企业。

图1 无车承运人业务模式Fig.1 Non-car operating carrier business model

目前国内外学者对无车承运人的研究集中在相关概念、影响因素、组织优化等方面。Bock[2]对无车承运人的概念进行了界定，对西欧国家“无车承运”模式下多式联运和多次转运的问题，针对运营中出现的问题提出了对策建议。Shang[3]运用结构解释模型研究无车承运人的服务影响因素。董娜[4]认为无车承运人具有先进的物流信息技术、资源整合能力和责任担保机制，能够有效改善我国货运市场混乱的现状。吴宏[5]认为无车承运人与传统货运人的区别主要体现在法律地位不同、身份不同、收费性质不同3个方面。

综上所述，目前国内外学者虽然从不同角度对无车承运人进行了研究，但对于无车承运人合作伙伴的研究相对较少，无车承运人与客户签订货运协议后，实际承运是由合作车队进行，因此，合作车队的运输时效、服务质量等方面就显得尤为重要。通过构建基于PCA-BP神经网络算法的无车承运人合作伙伴选择评价模型，并运用SPSS MODELER软件进行求解，以期为我国无车承运人选择适合的合作伙伴提供参考。

1 PCA-BP神经网络评价模型

PCA-BP神经网络评价模型，是将主成分分析法与BP神经网络算法结合的一种智能算法。运用BP神经网络算法能够有效处理非线性问题，在对已有样本进行学习的基础上建立起评价指标之间的定量关系，找出输入信号与输出信号之间的内在联系，从而在确定权重过程中有效降低主观因素的干扰，使评价结果更加客观与准确。较多的指标会增加模型复杂度，直接运用BP神经网络算法对其进行评价可能会降低评价结果的准确性。因此，借助主成分分析法建立基于PCA-BP神经网络评价模型，首先运用主成分分析法对于原始指标数据进行分析，将复杂的指标体系进行降维处理，简化后更能反映出原指标的特点，将处理完成的指标数据作为BP神经网络的输入数据，再通过BP神经网络对指标体系进行训练。构建的PCA-BP神经网络评价模型如图2所示。

PCA-BP神经网络评价模型评价步骤如下。

（1）数据标准化。由于收集的原始数据之间存在量纲差别，因此第一步需要对数据进行标准化处理，将变量的取值范围控制在0 ～ 1之间，使有量纲的原始数据转化为无量纲数据。数据标准化处理的转换公式为

图2 PCA-BP神经网络评价模型Fig.2 PCA-BP neural network evaluation model

式中：Yij为经过标准化处理后的第i行第j列的数据；为原数据各维度分量的均值；Sj为原数据各维度分量的标准差；Xij为第i行第j列的原始数据。

（2）主成分分析。对BP神经网络的输入数据进行主成分分析，提取主成分并计算各样本的主成分值。首先计算数据相关系数矩阵R及R的特征值和特征向量，相应的计算公式如下。

其中，|| αi|| = 1 (i = 1，2，…，m)，假设求得相关系数矩阵R的特征值为λ1≥λ2≥…≥0，其对应的特征向量为 (α1，α2，…，αm)，从而根据公式 ⑶ 得出一组主成分 Zp。

最后计算主成分的载荷及主成分得分，假设主成分载荷为ωi，主成分得分为θi，则

式中：αi(i = 1，2，…，m)为特征值的特征向量。

（3）设计神经网络结构。构建的无车承运人合作伙伴选择神经网络模型采用3层结构，包括输入层、隐含层和输出层。

①输入层：根据原始数据主成分分析结果确定模型输入神经元个数，即提取出的主成分个数即为神经网络输入神经元个数。

②隐含层：采用经验公式，首先确定3个隐含层节点个数，逐个代入模型验证预测误差，选择模型误差最小的隐层节点个数。经过多次调试确定该模型的隐含层个数，其经验公式为

式中：m为隐含层节点个数；n为输入层节点个数；l为输出层节点个数；α为1 ～ 10之间的常数。

③输出层：输出节点个数为所要评价无车承运人合作伙伴的评价结果，仅有1个输出节点。

（4）神经网络训练。目前对于神经网络训练采用的软件主要是MATLAB，但该软件操作相对复杂，不利于企业实践应用。SPSS MODELER是一款专门用于数据挖掘分析的软件，包含主成分分析、BP神经网络等多种数据挖掘算法，并且可以和其他数据库进行兼容、链接，操作也相对直观，不需要操作者具有编程基础，在实践应用中更容易推广使用。因此，选用SPSS MODELER软件进行神经网络训练。将确定的输入层数据进行分区并训练，训练过程中对神经网络的泛化能力进行检验，即对训练输出与期望输出进行误差比对，当误差小于设定值时，神经网络所持有的权值和阈值便是网络经过自适应学习所得到的正确的内部表示，此时，停止训练，输出模型结果。

（5）模型检测。为了检验PCA-BP神经网络模型的有效性，必须对该模型的泛化推广能力进行检验。选择模型输出结果对于BP神经网络的误差进行检验，如果实际网络输出与期望输出的最大误差较小，说明模型具有良好的评价能力。

2 基于 PCA-BP 神经网络的无车承运人合作伙伴选择实证研究

2.1 构建无车承运人合作伙伴评价指标体系

构建无车承运人合作伙伴评价指标体系，需要全面考虑车队的内部因素与外部因素，遵循系统性、动态性、全面性等原则[6]。徐新清等[7]主要从企业的服务能力、战略联盟、企业经验、综合实力及地理位置5个方面构建第三方物流服务商的评价指标体系。甘家华等[8]为中小物流企业选择合适的企业联盟伙伴形成协同发展，从物流服务质量、企业成本、财务风险、企业发展潜力、企业柔性和合作兼容性6个方面构建中小物流企业联盟伙伴选择指标体系。于朝朝[9]从物流服务能力、物流服务成本、物流服务质量、信息技术水平、合作能力5个方面构建动态物流联盟合作伙伴评价指标体系。综上所述，以物流服务质量、物流成本、财务风险、技术能力、合作兼容性及企业柔性等6个方面，无车承运人合作伙伴选择评价指标体系如表1所示。

表1 无车承运人合作伙伴选择评价指标体系Tab.1 Non-car operating carrier partner evaluation index system

2.2 数据准备

A企业于2013年6月成立于北京市，是一家以整车经纪业务为主的运输解决方案服务商。2016年8月，随着交通运输部颁布《关于推进改革试点加快无车承运物流创新发展的意见》，A企业正式发展为无车承运人，其为货主、中小企业及货代企业寻找最匹配的承运商，为车队提供货物运输需求。为进一步发展壮大，该企业需要与3家车队建立合作伙伴关系，经过初步筛选目前候选车队总计有10家，A企业候选合作伙伴基本情况如表2所示。其中S1至S10分别代表10家不同的运输车队，通过实地调研以及专家打分法，可得A企业候选合作伙伴基本情况统计如表2所示。

2.3 无车承运人合作伙伴选择评价

（1）数据标准化及主成分分析。根据公式 ⑴ 对收集到的原始数据进行标准化处理，标准化处理后的数据全部介于0到1之间，具有可比性。根据公式 ⑵ — ⑸ 运用 SPSS MODELER 软件的主成分分析功能对标准化之后的样本数据进行降维处理和计算。样本方差和累计方差如表3所示。

根据表3中累计贡献率选择相应的主成分，主成分1至主成分5的贡献率分别为 37.317%，20.610%，14.659%，11.729%，6.411%，累计贡献率为 90.726%(大于80%)，因而这5个主成分能够表达相应指标的全部信息，将其分别定义为：F1，F2，F3，F4 和 F5。

在确定样本主成分之后，根据样本成分矩阵中的因子载荷计算出各主成分的得分值，样本成分矩阵如表4所示。

根据所列的因子载荷及公式θi=ωi，i = 1，2，…，m计算出各主成分的得分值，即可得到BP神经网络的输入矩阵，其中Xin为各变量的标准化数值，ωi为各变量赋值权重。

（2）设计神经网络结构。根据公式 ⑹，可得无车承运人合作伙伴选择神经网络模型包含输入层神经元个数为5个，隐含层神经元个数为18个，输出层神经元个数为1个。

（3）神经网络训练。将经过标准化处理、主成分分析降维处理的数据输入到构建的三层BP神经网络模型中，选用前5组数据作为网络的训练样本，后5组数据作为网络的检测样本，对创建好的BP神经网络进行训练。训练至280步时，网络性能达到期望水平并保持稳定，BP神经网络收敛，训练结束，代表训练误差达到平稳状态。该模型最大训练次数为1 200次，期望误差为0.000 01。

表2 A企业候选合作伙伴基本情况统计表Tab.2 Basic situation table of company A’s partner candidates

表3 样本方差和累计方差Tab.3 Sample variance and cumulative variance

（4）模型检测。为了检验无车承运人合作伙伴选择BP神经网络模型的有效性，必须对该模型的泛化推广能力进行检验。选择S6到S10共计5家企业的数据作为检测数据，对于该BP神经网络的误差进行检验，得到网络输出与期望输出误差比较如表5所示。由表5可知，实际网络输出与期望输出的最大误差不超过0.98%，产生的误差相对较小，说明无车承运人合作伙伴选择BP神经网络模型具有较好的评价能力，能够用于无车承运人对合作伙伴的评价分析。

表4 样本成分矩阵Tab.4 Sample composition matrix

表5 网络输出与期望输出误差比较Tab.5 Error comparison between the expected output and network output

2.4 模型输出结果分析

利用训练成功的BP神经网络模型对A企业候选的10家合作伙伴进行综合评价，10家候选企业的综合评价结果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}，由网络输出结果可以看出S10，S5和S9三者的评价结果较其他评价结果更优，因而A企业应当优先选择S10，S5和S9，而S6和S7可以作为A企业的备选合作伙伴。

3 研究结论

从物流服务质量、物流成本、财务风险、技术能力、合作兼容性、企业柔性6个方面构建无车承运人合作伙伴选择指标体系主要研究结论：首先运用主成分分析法，将原样本数据多个指标数据转化为能够反映指标特性的少数综合性指标，避免了运算过程中指标的共线性；其次，运用BP神经网络对于无车承运人候选伙伴进行评价，避免了确定权重过程中的人为主观因素，提高了评价的客观性；最后，BP神经网络具有较强的学习、联想和容错能力，算法求解过程接近于人脑的思维和分析过程，从而使无车承运人在进行合作伙伴选择时不再依靠专家的主观判断，为无车承运人选择合作伙伴提供了一种新的思路。