基于BP神经网络算法的物流企业经营风险研究

王冬

（郑州铁路职业技术学院，河南 郑州 450052）

基于BP神经网络算法的物流企业经营风险研究

王冬

（郑州铁路职业技术学院，河南 郑州 450052）

基于BP神经网络算法和MATLAB软件，对物流企业经营风险进行实证分析。结果显示，BP神经网络算法具有很好的预测精度，能有效地提高物流企业经营管理的效率。

物流企业；经营风险；BP神经网络算法；实证分析

1 引言

物流企业业务所具有的复杂性、创新性和独特性等特性和这一过程所涉及的内部、外部的许多关系与变数，造成在物流企业经营过程中会存在各种各样的风险。邓金娥和周荛阳(2005)认为我国物流企业面临制度、法律、合同、投资与融资等方面的主要风险；陈涛焘(2008)针对物流企业的特点，从财务、环境、管理和能力四个方面构建物流企业经营风险评价体系；王卫友和曾传华（2009）则参考企业财务预警指标体系，来分析物流企业经营风险。

因此在充分识别物流企业经营风险的基础上，需要科学度量和全面控制这些风险。在物流企业经营风险管理过程中，尤其是经营风险的度量，迄今在业界已经取得了不少成就，如聚类分析法、模糊数学法、主成分分析法、层次分析法以及回归分析法等。如张荣等(2007)基于传统灰色聚类方法和回归方法对研究问题进行了拓展分析；刘建等(2010)在建立物流企业经营风险预警指标体系的基础上，使用聚类分析的方法对指标进行筛选和验证，运用主成分分析法和回归分析法确定指标权重，最后应用模糊综合评判方法对指标进行综合评价；陈志刚，陈祥锋运用模糊数学和层次分析法相结合的Fuzzy-AHP综合评价方法，对物流企业的经营风险进行评估。

但这些方法都没有考虑投资物流企业经营过程风险非线性的复杂特点。同时，现有文献基本从企业财务能力指标、企业偿债能力指标、企业现金流指标以及企业盈利能力指标等四个方面来构建物流企业经营风险评估指标，未考虑企业成长性指标和企业经营能力指标。因此，本文从物流企业经营过程风险的具体情况出发，采用神经网络算法，应用MATLAB仿真软件进行了实证分析，并且通过与多元回归方法对比，发现在具有复杂特点的物流企业经营过程中，BP神经网络算法具有很好的预测精度，能有效地提高物流企业经营绩效，降低经营过程中的风险。

2 物流企业经营风险指标体系

物流企业的各种经营风险均可通过财务风险反映出来。因此，在评估物流企业经营风险时，可重点对财务指标进行计算与分析。根据物流企业经营风险预警指标体系的设计原则，物流企业经营风险指标体系主要包括企业成长性指标、企业财务能力指标、企业偿债能力指标、企业现金流指标、企业经营能力指标以及企业盈利能力指标等。

根据物流企业经营本身的目标和企业可以提供的数据，初步选取22项统计指标构成物流企业经营风险评估指标体系，见表1。

表1 物流企业经营风险指标体系

3 BP神经网络算法

BP(Back Propagation)神经网络是前馈型神经网络的一种，其建立在梯度下降法的基础上，学习过程(训练)由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出，则转入反向传播，逐层递归地计算实际输入与期望输入的差(即误差)。将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小，具体如图1所示。

图1 三层神经网络模型

在图1中，输入向量为 X=(x1,x2,∙∙∙,xi,∙∙∙,xn)T；隐层输出向量为 Y=(y1,y2,∙∙∙,yj,∙∙∙,ym)T；输出层输出向量为O=(o1,o2,∙∙∙,ok,∙∙∙,ol)T； 期 望 输 出 向 量 为d=(d1,d2,∙∙∙,dk,∙∙∙,dl)T。输入层到隐层之间的权值矩阵用V表示，V=(v1,v2,∙∙∙,vj,∙∙∙,vm)，其中列向量vj为隐层第j个神经元对应的权向量；隐层到输出层之间的权值矩阵用W表示，W=(w1,w2,∙∙∙,wk,∙∙∙,wl)，其中列向量wk为输出层第k个神经元对应的权向量。各层信号之间的数学关系如下：

对于输出层，有：

对于隐层，有：

以上两式中，变换函数 f(x)均为单极性Sigmoid函数：

f(x)具有连续、可导的特点，且有：

根据应用需要，也可以采用双极性Sigmoid函数（或称双曲线正切函数）。

式（1）-式（5）共同构成了三层BP神经网络的数学模型。

由于标准BP算法存在一些缺陷：

（1）易形成局部最小而得不到全局最优；

（2）训练次数多，使学习效率低，收敛速度慢；

（3）学习过程出现假饱和。

另外，网络隐含层数及隐节点的选取缺乏理论指导，网络训练时学习新样本有遗忘旧样本的趋势。因此，采取如下措施进行改进：

（1）增加动量项。令ΔW(t)=ηδX+αΔW(t-1)，α称为动量系数，一般有α∈(0,1)。

（2）输入数据处理。在输入数据的标准化方面，输入数据太大，容易导致模型无法收敛，所以将输入数据变换为[0,1]区间的值，其公式如下：

其中，xi代表输入数据，xmin代表数据变化范围的最小值，xmax代表数据变化范围的最大值。

（3） 学 习 速 率 的 调 整 。 令 η(k+1)=为训练次数，ERME为网络均方根误差，这样保证一个近最优的学习速率，从而得到比标准BP算法更快的收敛速度。

4 实证分析

本文采用23家物流企业数据作为实证对象，数据来源于和讯网。下面采用BP神经网络算法和回归方法对物流企业经营风险进行分析。

4.1 基于BP神经网络算法的物流企业经营风险分析

（1）实证具体过程。实证过程包括：

①初始化。包括权值矩阵W、V，误差E,动量系数α，训练间隔次数，最大训练次数，网络训练精度Emin；

②采用批（Batch）训练方式，输入样本对，计算各层输出及网络误差；

③检查网络总误差是否达到精度要求。

若满足ERME＜Emin，训练结束，否则E置0，重新训练。

（2）BP算法过程。样本一共23组，其中训练样本15组，测试样本8组，利用MATLAB软件进行仿真分析。仿真的初始参数为：隐层层级为2，输出层层级为1，权值矩阵W、V赋随机数，误差E置为0，动量系数α取0.9，学习速率因子为1.04，训练间隔次数为50，最大训练次数为1 000，网络训练精度Emin设为0.05。

首先对测试样本进行网络训练，成长性、财务能力、偿债能力、经营能力、现金流指标、盈利能力等六个指标作为模型的输入因子。

得到误差结果（如图2所示）。从图2可以发现模型经过442步，达到误差精度0.001的要求。另外保存训练好的网络，输入测试样本集，进行仿真测试，得到结果见表2。

图2 误差曲线

表2 BP算法测试结果

从表2可以看出，在综合评估物流企业的成长性、企业财务能力、企业偿债能力、企业现金流、企业经营能力以及企业盈利能力等指标的基础上，第五组样本企业的评估值最大，达到了92.28，说明其风险小；而第一组和第四组企业样本，其评估值只有10.96和11.84，说明其风险最大。同时应该说明的是，以上结果只是预测值，要体现算法的科学性，需要保证预测结果与实际情况的相对吻合，这样才可以为物流企业提供较为科学的依据，减少物流企业的经营风险。本文将进一步用多元回归方法分析物流企业经营风险。

4.2 利用多元回归方法度量物流企业经营风险

多元回归分析是一种处理变量的统计相关关系的数理统计方法，其主要是解决线性回归问题。为了与BP神经网络算法做比较，引入多元回归方法。运用EVIEWS软件同样对前15组样本进行回归分析，得到表3。

表3 多元回归方法结果

因此回归模型为（模型通过置信度检验）：

Y=0.390 030(X1)+0.364 723(X2)+0.222 463(X3)+0.268 660 (X4)+0.359 174(X5)+0.320 806(X6)-45.051 47

其中：Y表示综合得分；X1表示成长性；X2表示财务能力；X3表示偿债能力；X4表示现金流量；X5表示经营能力；X6表示盈利能力。

利用回归模型，输入测试样本进行仿真，得到结果见表4。

表4 回归算法测试结果

从表4可以看出，其预测结果与表2的预测结果相似，即第五组样本企业的评估值最大，说明其风险最小，而第一组和第四组样本企业评估值最小，说明其风险最大。但其仿真精度差别比较明显。对于物流企业经营风险的分析，BP神经网络算法与回归方法的预测值、残差情况见表5和表6。

表5 两种方法预测值对比情况表

表6 两种方法残差比较

实证分析主要采用处理线性问题的回归方法和可以处理非线性问题的BP神经网络算法对物流企业经营风险预测结果进行对比分析，可以发现，对于预测的残差最大绝对值，回归方法达到了15.41，而BP神经网络算法只有7.12；对于残差最小绝对值，回归方法有1.45之多，而BP神经网络算法只有其1/3；对于残差平方和均值，回归方法更是达到了55.88，而BP神经网络算法仅为18.26。因此，不管在残差最大绝对值、残差最小绝对值方面，还是在残差平方和均值方面，相比多元回归算法，BP神经网络算法预测精度都是比较高的。目前物流企业经营涉及到的各种风险因素都是错综复杂的，是一种非线性关系，利用BP神经网络算法，并且加以适当的改正，将能为物流企业经营管理带来巨大的帮助。

5 研究结论

人工神经网络发展至今，理论正逐渐完善，作为主要网络模型之一的BP网络，在物流企业经营风险度量中的应用也在逐渐增加。它以成熟的计算机技术为基础，抛开了先假设后验证的传统统计分析方法，不需要对研究问题提出任何假设，在物流企业经营风险度量方面有着广阔的应用前景，特别是在变量较多或关系不明的情况下。

标准BP神经网络在很多情况下是发散的，预测值也不是很理想。本文对BP神经网络模型采用了附加动量法和自适应学习速率等简单切实有效方法，不但克服了传统的BP算法收敛速度慢等缺点，大大缩短了学习时间，也由于其易于实现而有利于在物流企业经营风险管理中推广。同时，与传统统计方法相比，BP神经网络理论基础还不是十分完善，在解决问题的模型上没有一个统一的标准，因此BP神经网络并不能完全取代统计学分析，两者是互相补充的关系，应该将BP神经网络与传统统计分析结合起来应用，如BP神经网络样本处理时需要运用统计工具进行因子分析。

总之，对于聚类分析法、模糊数学法以及回归分析法等难以解决的问题，利用BP神经网络能够反映非线性特征的优点，可得到满意的结果。例如在实证研究部分，BP神经网络模型的拟合和预测精度都要优于回归模型，对于结果的估计，BP算法预测的误差平方和均值仅为18.26，而多元回归算法则高达55.88。

[1]邓金娥,周荛阳.我国第三方物流企业的风险与对策研究[J].物流技术,2005,(7):21-23.

[2]陈涛焘.物流企业风险评价及对策研究[D].武汉:武汉理工大学,2008.

[3]王卫友,曾传华.物流企业经营风险预警指标体系研究[J].物流工程与管理,2009,31(4):51-53.

[4]张荣,刘思峰,刘斌.灰色聚类评价方法的延拓研究[J].统计与决策, 2007,(9):24-26.

[5]刘建,李莉,关宇航,等.物流企业经营风险预警模型构建及其实证研究[J].物流技术,2010,(12):86-90.

[6]陈志刚,陈祥锋.基于Fuzzy-AHP的物流企业经营风险评估[J].物流技术,2006,(7):124-126,147.

[7]Holmstrom L,Koistinen P.Using Additive Noise in Back-Propagation Training[J].IEEE transactions on neural networks,1992,3(1):24-38.

[8]Van Ooyen A,Nienhuis B.Improving the convergence of the backpropagation algorithm[J].Neural Networks,1992,5(3):465-471.

[9]Ng S,Leung S,Luk A,Wu Y.Convergence Analysis of Generalized Back-propagation Algorithm with Modified Gradient Function[A].Vancouver:International Joint Conference on Neural Networks[C].2006.

[10]Fahlmann S.An empirical study of learning speed in back-propagation networks[R].Pittsburgh:Carnegie Mellon University,1988.

[11]Kitano H.Designing neural networks using genetic algorithms with graph generation system[J].Complex Systems Journal,1990,(4):461-476.

[12]Haykin S.Neural Networks and Learning Machines[M].New Jersey: Prentice Hall,2008.

[13]韩力群.人工神经网络教程[M].北京:北京邮电大学出版社,2007.

[14]周开利,康耀红.神经网络模型及其MATLAB实证程序设计[M].北京:清华大学出版社,2009.

Study on Operational Risk of Logistics Enterprises Based on BP Neural Network Algorithm

Wang Dong
(Zhengzhou Railway Vocational&Technical College,Zhengzhou 450052,China)

In this paper,on the basis of the BP neural network algorithm and the MATLAB software,we had an empirical analysis of the operational risks of the logistics enterprises,and found that the algorithm was of good accuracy and capable of effectively improving the efficiency of the operation and management of the logistics enterprises.

logistics enterprise;operational risk;BP neural network algorithm;empirical analysis

F253；F224

A

1005-152X(2015)10-0138-04

2015-08-02

河南省科技厅软科学项目“河南省第三方物流企业营销存在的问题与对策研究”（122400440070）

王冬（1968-），女，河南巩义人，副教授，管理学硕士，研究方向：企业管理、物流管理与营销。

10.3969/j.issn.1005-152X.2015.10.038