大数据时代我国装备制造业转型升级研究

栾世奇

摘 要：BP-神经网络技术能实现100%高精度拟合，但目前，BP-神经网络技术在物流效率评价上的应用较少。通过分析物流效率的影响因素，确定物流业的投入与产出指标，建立基于BP神经网络结构的物流产业GDP预测模型。结合西安市2003—2010年的物流投入产出数据，新模型的预测精度高达99.9%。基于BP-神经网络的物流产业GDP预测模型对货运量、物流产业GDP及货物周转量进行预测，以期为城市物流效率的衡量提供合理的测评方法，为城市流体系建设及物流资源整合提供决策参考。

关键词：BP神经网络;物流效率;物流产业GDP;预测

中图分类号：F252        文献标志码：A      文章编号：1673-291X（2019）06-0029-03

一、物流效率研究现状

目前已有很多学者从事城市物流的研究，尤其是城市货物运输方面，Knemeyer提出物流业效率与顾客之间的沟通、顾客对企业的信任是有关联关系的[1]。Lai从FFD、VAL和TEL三个方面，对物流企业的服务能力及绩效进行了对比分析[1]。陶经辉从企业层面基于DEA方法，对年货物处理能力进行了分析[2]。贺竹磬从省级层面并利用DEA方法，对货运量、货运周转量、物流产值进行了分析[3]。惠玉蓉从行业层面，利用DEA方法研究物流业产值、货运量及周转量变化特征[4]。许多学者从绩效、成本、产值等方面分区域、分产业、分企业对物流企业效率进行了研究[5～9]。刘满芝提出城市物流定量评价，并在此基础上提出了城市物流效率的模型和方法[10]。我国物流业20世纪80年代后期才开始快速发展，起步比较晚，因此对物流效率指标选择以及内容的研究还缺乏先进性与系统性。评价模型大多采用C2R-DEA或BBC-DEA等传统模型，对于货运量及周转量定量预测方法较少。本文旨在研究BP-神经网络的优缺点，率先建立合适的物流效率网络输入输出模型，基于历史数据进行权值训练，对货运量、物流产业GDP及货物周转量进行预测。

二、BP-神经网络算法

1.物流效率评价中的BP神经网络结构。物流效率评价中的BP神经网络通常包含一、二、三层（如下页图1所示）。

其中，第一层为输入层，第二层为隐含层，第三层为输出层。xj为第一层第节点j的输入，j=1，2，…，M，M为正整数;wi，j为第二层节点i到第一层节点j之间的权值;？兹i为第二层节点i的阈值;？准为第二层功能函数;vk，j为第三层节点k到第二层节点i之间的权值，i=1，2，…，q，q取正整数[11]。

2.BP神经网络计算过程。具体计算步骤如下：

从基于物流效率评价的神经网络结构第一层开始计算，结合最速梯度下降理论，计算相关节点处的值及阈值，让经过训练后模拟结果能够与实际期望值尽可能的接近，从而实现新的数据条件下的物流效率评价预测。

三、基于神经网络的物流效率评价

结合实际情况，选择物流投入与产出指标（如下页表1所示）。

基于物流业的投入与产出指标，建立输入输出BP神经网络预测模型。其一，建立输入层指标x1、x2、x3、Y2、Y3（或以投入指标X1、X2、X3进行训练）;其二，建立输出层指标Y1（或以产出指标作为输出进行多输出预测）;其三，引入数据标准化统计模型，将输入指标进行归一化处理，建立归一化数据输入;其四，按照隐含层神经元计算规则，形成网络结构图（见下页图2）;其五，设定网络参数，开展网络训练，确定基于物流业投入与产出历史数据的权值;其六，开展基于网络训练的物流产业GDP预测。

四、实证结果分析

选择某市2003—2010年的物流投入产出数据（如表2所示）。

1.建立基于物流投入—产出的BP神经网络模型（见图2）。

2.设置训练参数。归一化处理后GDP预测值为（0.51621， 0.55348，0.65129，0.74367，0.83886，0.90901，0.95538，0.99735），归一化处理后GDP实际值为（0.5161，0.5536，0.6513，0.7437， 0.8388，0.9093，0.9547，1）。因而，可以利用该网络模型实现99.9%以上的高精度物流GDP单变量预测。利用sim函数还能对不同输入值条件进行预测，这为物流资源有效整合奠定了强有力的理论基础与技术支持。

五、结语

首先，物流业的投入與产出指标、从业人员指标、投资总额指标、线路运输长度与产出指标、物流业GDP、货运量、货物周转量能建立多输入单输出及多输入多输出网络结构;其次，BP神经网络结构适用于物流效率评价，基于BP神经网络的物流产业GDP模型预测精度大于99.9%;最后，高精度投入、产出指标网络预测为城市流体系建设及物流资源整合提供决策参考。

参考文献：

[1]  肖丹.低碳经济下城市物流效率评价研究[D].江门：五邑大学，2012.

[2]  陶经辉.数据包络分析在物流园区规划方案评价中的应用[J].公路交通科技，2005，（2）：139-141.

[3]  贺竹磬.我国区域物流相对有效性分析[J].科研管理，2006，（6）：145-148.

[4]  惠玉蓉.基于数据包络分析（DEA）的物流业可持续发展有效性评价[J].北京交通大学学报，2008，（3）：67-68.

[5]  陈秀山，张可云.区域经济理论[M].北京：商务印书馆，2003：140.

[6]  田宇.物流效率评价方法研究[J].物流科技，2000，（2）：15-19.

[7]  魏权龄.评价相对有效性的DEA方法——运筹学的新领域[M].北京：中国人民大学出版社，1988.

[8]  张竟轶，张竟成.基于三阶段DEA模型的我国物流效率综合研究[J].管理世界，2016，（8）.

[9]  汤志远.基于PCA-DEA模型的在线视频网站效率评价[J].经营与管理，2017，（5）.

[10]  刘满芝.基于DEA的城市物流效率评价模型及实证[J].决策参考，2009，（6）：50-53.

[11]  卢志宏.基于BP神经网络的荒漠啮齿动物群落对气候变化滞后响应[D].呼和浩特：内蒙古农业大学，2016.

[12]  王琴梅，谭翠娥.对西安市物流效率及其影响因素的实证研究——基于DEA模型和Tobit回归模型的分析[J].软科学，2013，（5）：70-74.

[13]  高慕瑾.基于DEA的陕西省物流业效率研究[D].咸阳：西北农林科技大学，2012.

[责任编辑 刘娇娇]