基于DEA和BP神经网络的物流园区评价

刘易明

（安徽工业大学 管理科学与工程学院，安徽 马鞍山 243002）

德国政府提出“工业4.0”战略，并在2013年4月的汉诺威工业博览会上正式推出，其目的是为了提高德国工业的竞争力，在新一轮工业革命中占领先机。“工业4.0”项目主要分为三大主题：第一，“智能工厂”；第二，“智能生产”；第三，“智能物流”。智能物流主要通过互联网、物联网，整合物流资源，充分发挥现有物流资源供应方的效率，使需求方能够快速获得服务匹配，得到物流支持。而作为智能物流的载体，物流园区的规划与建设显得尤为重要。随着物流园区在国外所发挥的效果越来越显著，国内各级地方政府也意识到了其重要性，纷纷推出了物流园区的规划方案。但国内对物流园区的认识还不是很全面，对其经营与运作模式也没有什么经验可言，不少地方还存在打着物流地产的招牌，大肆囤积土地却不以开发物流项目为目的的现象，造成土地的闲置与浪费。本文通过DEA对物流园区的效率进行分析，对于分析结果，再利用BP神经网络的学习能力，先对样本进行训练，进而做出预测。

1 模型的选取与构建

1.1 DEA模型

DEA是由查纳斯（Charnes）和库伯（Cooper）等人于1978年创建的。随后，Charnes、Cooper和魏权龄等人对其进行了进一步完善。

DEA方法的模型是：在基于凸性、锥性、无效性和最小性的公理假设的基础上，由生产可能集为：

可得到如下的DEA模型（C2R）：

式中，n表示同类决策单元（Decision Making Units，DMU）数量；m和s分别表示输入指标和输出指标的个数；xij0和yrj0分别表示其中第j0个DMU的第i项输入和第r项输出；Sr+和Si-分别表示为松弛变量；ε为非阿基米德无穷小量。

上述模型为C2R模型，它的含义是找n个DMU的某种线性组合，使其产出在不低于第j0个DMU产出的条件下，投入尽可能小。该模型是从产出不变，投入减小的角度构造的，称为投入的效率评价模型。它主要用于评价DMU同时为规模有效和技术有效，有如下结论：

（1）若θ0=1，Sr-0=0，Sr+0=0，则DMUj0为DEA有效；

（2）若 θ0＜1，或 Sr-0≠ 0，Sr+0≠ 0，则 DMUj0为非 DEA 有效。

1.2 BP神经网络模型

BP网络是一种多层前馈神经网络，名字源于网络权值的调整规则，采用后项传播学习算法，即BP学习算法。

BP网络是一种具有3层或3层以上的神经网络，包括输入层、中间层（隐层）和输出层。上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这种算法称为“误差逆传播算法”，即BP算法。随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断上升。

1.3 DEA-BP综合评价模型

进行物流园区评价时，首先将相关数据输入DEA模型，得出的结果一方面用于效率改进分析，另一方面，将得出的效率评价值作为客观的输出值，以指导BP神经网络进行学习和训练，并利用训练好的网络来做预测，如图1所示。

图1 DEA-BP综合评价模型

1.4 模型的分析与构建

1.4.1 物流园区评价指标体系的确定

表1为物流园区评价指标体系表。

表1 物流园区评价指标体系

1.4.2 BP神经网络参数的确定

表2为BP神经网络训练参数表，由表2可知，输入神经元的个数为4个，输出神经元的个数为1个，并且根据Kolmogorov引理，初步设定中间层神经元的个数为9个，具体个数可以在调试中确定。

表2 BP神经网络训练参数

2 实证分析

实证分析的具体情况和结果如表3和表4所示。

表3 物流园区投资数据表

表4 C2R模型求解结果

本文选取DMU 4和DMU 9作为预测选项，其余的DMU作为训练样本。同时，在中间神经元个数的选取上，依次取值为6个、9个、12个，并作出比较。结果如表5所示。

表5 BP网络训练仿真预测结果

通过与实际值相比较，无论中间神经元的个数是6个、9个还是12个，通过训练与学习，最终都可获得一个稳定的神经网络，并且仿真的效果都比较好。但在具体细节上，当中间神经元个数为9个时，无论是误差精确度上，还是误差曲线的平滑效果上，都要比其他两个效果要好。由此可知，并非隐含层神经元的个数越多，网络的性能就越好。所以，本模型选取9个神经元个数是可以接受的。

3 结 语

本文将数据包络分析（DEA）与BP神经网络有机结合，形成DEA-BP神经网络综合评价模型，并且通过具体的算例验证了此模型的有效性。鉴于日本以及欧美国家已经有了几十年的物流园区的规划与运作经验，可进一步收集这些国家成功的物流园区资料，然后运用此模型找出关于建设物流园区所需考虑的关键因素，从而为国内物流园区建设积累经验。

但本文在物流园区评价指标体系的建立上还存在一定缺陷。从日本和德国等发达国家物流园区的发展过程来看，提高物流企业工作效率和降低物流成本这一单纯的经济效益只是其中一个目标，还应考虑社会效益以及环境效益。同时，建设物流园区投资规模大，建设周期长，投资回报率较低，离不开政府的支持，如日本政府提供长期低息贷款以及土地价格优惠政策。综上所述，在输入指标上，要考虑政府补贴，在输出指标上，要考虑社会效益和环境效益。

［1］陶经辉.物流园区布局规划与运作［M］.北京:中国物资出版社,2009.

［2］熊婵,买忆媛,何晓斌,等.基于DEA方法的中国高科技创业企业运营效率研究［J］.管理科学,2014(2):26-37.

［3］刘天宇,王美强.基于DEA博弈交叉效率模型的运输型物流上市企业绩效评价［J］.物流技术,2014(15):162-165.

［4］吕晨,曾明彬.基于DEA的中国区域科技投入产出相对效率研究［J］.科学管理研究,2014(2):101-104.

［5］飞思科技产品研发中心.神经网络理论与MATLAB 7实现［M］.北京:电子工业出版社,2005.

［6］张亚佩.基于BP神经网络的整车物流销售模型的统计和预测研究［J］.物流技术,2013(21):284-286.

［7］贾鹏,刘瑞菊,孙瑞萍,等.基于BP神经网络的邮轮旅游需求预测［J］.科研管理,2013(6):77-83.

［8］李晓利,王泽江.基于BP神经网络模型的煤炭物流需求预测研究［J］.物流技术,2014(1):145-148.