基于FA-BP神经网络的城市电子商务物流竞争能力研究

赵文德，胡子瑜，黄丽娟，盛 鑫

（1.广州番禺职业技术学院 管理学院，广东 广州 511483；2.广州大学 工商管理学院，广东 广州 510006）

1 导论

电子商务物流作为战略性新兴产业，在转变经济发展模式中起着重要作用。电子商务物流已经从简单的经营业态发展成为一个市场容量巨大的产业，并逐渐形成电子商务物流产业生态，在城市层面，互联网和电子商务物流已成为决定城市竞争力的重要因素，促进电子商务物流的发展也被视为提高城市综合竞争力水平的有力手段。

电子商务物流作为现代化商业模式的典范，是城市优化产业结构、增强城市服务功能和竞争力的重要手段。目前，有关全面评价城市电子商务物流竞争力的深入研究尚不多见，电子商务物流的研究主要集中在概念界定、内涵和经验[1-2]、影响因素[3]、模式与路径[4-5]、消费者行为[6]上。

Komlosi E和Páger B[7]在应用全球创业和发展指数（GEDI）证明国家级创业绩效之后，采用全球竞争力指数（GCI）构建城市集聚效应指标体系，并利用指标的相关性和聚类分析进行城市集中度对国家竞争力和创业绩效的影响研究。Domareskiruiz T C等[8]运用了竞争力分析模型和规划模型对库里蒂巴公共关系的需求进行调查，分析了城市规划作为旅游目的地的竞争优势对城市旅游形象的贡献，确定了城市规划在城市旅游发展中的重要性和相关性。刘中艳和罗琼[9]运用灰色关联分析法从显示性指标和分析性指标两个角度构建了适合地级城市的旅游竞争力测度指标体系。霍云福和王玉彩[10]从商贸流通的视角研究了城市电子商务物流的综合竞争能力，并从人力资源、基础设施和财政保障等角度构建数据包络分析（DEA）模型进行实证研究，最后给出相适应的对策和建议。杨坚争等[11]在对跨境电子商务运营流程详细梳理的基础上进行了问卷设计，运用因子分析法对我国各地的跨境电子商务应用状况进行了研究分析，针对跨境电子商务发展中存在的困境和痛点问题，给出了具有建设性的对策建议。阿里研究院发布的《2014年中国电子商务示范城市发展指数报告》从电商发展指数和电商服务指数两个层面对中国电子商务示范城市进行综合排名。李征[12]从吸引力、管理力和辐射力3个层面，运用基于AHP的灰色关联评价模型，对城市的电子商务物流影响力进行实证分析。浩飞龙等[13]运用空间分析法和多元线性回归，从省域和城市两个层级分析电子商务物流发展水平的空间分布特征，并探讨其影响因素。

综合国内外研究，其一，过多强调电子商务物流对城市综合能力的经济效应，而忽略了社会、创新、人力等重要要素的影响，因而导致对城市电子商务物流竞争能力的研究存在局限性。其二，以定性研究为主，缺乏可靠的经验证据，尤其是缺乏对城市电子商务物流经济、社会基础以及创新基础的定量分析。因此，本文有两点创新之处：一则剔除传统定性研究的主观因素影响，所构建的城市电子商务物流评价体系能够更加多层次、多视角、全面客观反映城市的综合竞争力水平；二则在遵循评价原则的基础上，提出了基于FA-BP神经网络的城市电子商务物流竞争能力评价模型，以更为全面和客观地评价城市的电子商务物流竞争能力水平，既可推进电子商务物流影响经济社会发展的相关研究，也可为促进我国电子商务物流产业的持续健康发展提供科学依据。

2 城市电子商务物流竞争力评价模型构建

2.1 因子分析（FA）模型的建立

英国心理学家C.Spearman在20世纪初率先提出用于综合评价的因子分析模型，是指研究从变量群中提取共性因子的统计技术。该模型的特点是使用了大量的未知参数，其远远大于在传统的多变量分析中使用模型的未知参数数目。因子分析的基本原理是通过降维的思想把联系相关度较强的研究变量分在同一类中，最终把所有原始指标融合为能够较好解释整体的公共因子[14]。因子分析统计模型建立中的简约性经验原则要求一旦发现不能进一步产生显著效应的拟合指标数据，就立即停止参数数目的增加。通过因子分析模型分析，可以用较少合理数量的公因子反映原始数据的主体信息，在对原始信息有效解释的前提下减少信息的过度丢失，其原理如图1所示。

因子分析在综合评价方面有其他评价方法不可比拟的优点，该方法的成功源于它的探索性，其各种变量之间的数据关系在研究中可以反复检验和论证。首先假设研究对象的个数为p，设定p个变量分别为用F代表多个变量具有相同解释原因的公共因子，两个公共因子的内积等于零，即两两正交。εi代表那些影响其他变量的特殊因素的特殊因子，两者相互独立。于是因子分析的数学模型可表示为：

可以表示为下列矩阵形式：

其中X=(X1,X2,…,XP)T，F表示公共因子，F=(F1,F2,…,Fq)T，ε表示特殊因子，ε=(ε1,ε2,…,εq)T。

这里A=（aij）p×q称为因子载荷矩阵，aij是第i个变量在第j个因子上的负荷。如果把变量Xi看成n维空间上的一点，则aij表示它在坐标轴F上的投影。aij的大小表明了xi对公共因子Fj的依赖程度。

图1 因子分析原理图

2.2 BP神经网络模型的建立

Rumelhart和McClelland在20世纪80年代中提出适用于模拟训练和仿真且具有较小误差效应的BP（Back Propagation）神经网络模型。因为它们的简单性和有效性，能够快速从模式中提取有用的信息。BP模型消除了传统回归方法在变量相互关系映射上的缺陷，准确地建立了输入变量和输出变量之间的映射关系[15-16]。

如图2所示，假设输入层的变量为m，其中m=(X1,X2,...,X18)，输出层的变量为n，其中输出层和变量个数为1，隐藏层的变量为k。隐藏层的输出是bj，其中θj是隐藏层的阈值，θk为输出层的阈值，f1为隐藏层的传递函数，f2为输出层传递函数，wij为从输入层到隐藏层的权重，wjk为从隐藏层到输出层的权重。然后可以得到网络的输出yk，所需的输出tk，具体模型公式如下：

计算输出层的输出yx如下：

通过网络实际输出定义错误函数，如下所示：

图2 BP神经网络结构图

3 实证分析

3.1 评价指标体系的构建与数据来源

3.1.1 城市电子商务物流竞争能力评价指标体系的构建。城市电子商务物流竞争能力评价指标选取应遵循可比性、完整性、易获取性、非重叠性、定量与定性相结合等原则[17-18]。综合以上，结合国内外研究现状，为了能够全面客观的反映城市的电子商务物流竞争能力水平，在参考相关资料的基础上，引入信息基础、人力基础和创新基础等新颖因素，从经济基础、物流基础、信息基础、商业基础、消费基础、人力基础和创新基础等七个层面构建了城市电子商务物流竞争能力评价指标体系，本文构建的评价指标体系见表1。

表1 城市电子商务物流竞争能力评价指标体系

3.1.2 数据来源及说明。国家电子商务示范城市是指电子商务应用较为普及，电子商务年度交易总额较高的城市。其目的是降低能耗，发展绿色经济[12]。第一批国家电子商务示范城市包括上海、北京、广州、深圳在内的23个城市，第二批国家电子商务示范城市包括东莞、长沙、西安在内的30个城市，两批共计53个城市。本文以国家电子商务示范城市名单为研究对象，从中抽取30个城市作为研究样本，运用基于FA-BP神经网络的城市电子商务物流竞争能力评价模型进行评价。

根据所构建的城市电子商务物流竞争能力评价体系，选取城市2015年相关指标数据。所构建的城市电子商务物流竞争能力评价体系中的18个指标数据来源于各城市统计局公布的2015年度统计年鉴、各城市社会经济统计公报等。

3.2 数据分析及结果

3.2.1 因子分析。因子分析的前提条件是原始指标体系中各变量间的联系相关度较强，KMO和Bartlett检验能够有效确定本文中的30个样本数据是否适合因子分析，KMO统计量越接近1，变量相关性越强，因子分析效果越好；Bartlett球形检验结果可以判断显著性是否较好。SPSS的因子分析详细结果见表2。

表2 因子分析的前提条件检验

通过因子分析可以看到，5.815作为第一个主成分特征值，32.303%是其所能够解释的原始变量的变差；32.037%是第二个主成分能够解释的原始变量的变差；第三个主成分能够解释10.332%的原始变量的变差，6.889%是第四个主成分能够解释的原始变量的变差，合计前四个主成分可以解释81.561%的原始变量信息，有较好的代表性，因此提取这4个公因子，见表3。

表3 解释的总方差

由SPSS19.0软件计算得到各城市公因子得分及排名。从表4可以得知，北京、上海、广州、深圳在第l公因子上的得分分别为4.505 2、1.504 0、-1.149 1、1.351 0，远远高于其他城市，这表明在经济能力和消费能力上，这些城市拥有无法比拟的优势；在第2公因子上苏州、南京、广州、深圳得分最高，说明该类地区电子商务的消费能力和创新能力对电子商务物流发展有正面影响；在第3公因子上苏州、哈尔滨、重庆、贵阳的得分较高，说明其电子商务的物流基础和信息基础比较合理；在第4公因子上福州、上海得分最高，说明其人力资源相对充足。以各公因子特征值方差贡献率作为权数反映全国30个城市电子商务物流竞争能力的综合测评得分，测算模型为：F=0.396 1×F1+0.392 8×F2+0.126 7×F3+0.084 4×F4，式中，各城市的公因子得分分别为F1、F2、F3、F4；各城市的综合得分为F。依据SPSS工具测算和合理微调，测算出全国30个样本城市的电子商务物流竞争能力的综合得分和排序。

3.2.2 BP神经网络分析。本文根据BP神经网络工具箱的主要函数，结合已建立的城市电子商务物流竞争能力评价系统和上述因子分析后的样本集，构建三层BP神经网络模型进行综合评价。选取其中30个城市进行样本训练，将构建经济基础、物流基础、信息基础、商业基础、消费基础、人力基础、创新基础等共计18个指标进行因子分析，所得到的因子得分矩阵作为输入层，隐藏层网络结构的神经元节点个数为10，输出层的节点数为1。

用Matlab工具进行BP神经网络训练，可以得到BP模型的训练过程和误差趋势、预测误差图以及BP神经网络曲线拟合结果。测试结果如图3和图4所示。

表4 各城市电子商务物流竞争能力因子得分表

图3 BP模型的训练过程

图4 BP神经网络曲线拟合

由图3和图4分析可知，BP神经网络仿真模拟结果和期望结果误差在较优合理区间内，通过Matlab工具所构建的BP神经网络能够很好的反映输入层指标与输出层结果之间的关系。结合SPSS因子分析（FA）所得到的各城市得分与排名，利用BP神经网络模型对其进行模拟仿真，并进行最终的综合评价。通过对比，前后评价结果的误差在较优的合理区间内，基于FA-BP神经网络的城市电子商务物流评价模型能够进行较为客观、全面的定性分析和验证，不仅使综合评价结果得到了量化分析，同时还保证了评价结果的相对合理性和准确性。

结合上述结果，将各城市的综合得分进行梯队划分，见表5。其中，北京、上海、广州、深圳、杭州电子商务物流竞争能力综合得分排在前五名，分别是1.792 2、1.436 5、0.927 7、0.725 7、0.338 2；长春、太原、呼和浩特电子商务物流竞争能力综合得分排名靠后，分别为-0.513 3、-0.544 8、-0.589 1。根据电子商务物流竞争能力综合得分情况，将30个样本城市划分为三个梯队，其中第一梯队为北京、上海、广州、深圳，该梯队具有雄厚的经济基础和人才支撑，拥有完善的电子商务产业支撑体系、发达的物流体系和信息基础设施。第二梯队包含了杭州、天津、成都、苏州、武汉、重庆、南京、长沙，该梯队的城市在经济上有着实力较强的腹地支撑，交通区位优越，政策和环境支持，与电子商务相配套的基础服务设施齐全，跨境电商贸易繁荣。第三梯队为宁波、西安、合肥、沈阳、泉州、郑州、济南、福州、厦门，该梯队的城市不仅有着便捷的交通区位优势，同时还拥有因为历史积淀形成的特色产业，例如作为海上丝绸之路起点的泉州，不仅拥有悠久灿烂的历史文化底蕴，随着经济的发展目前已经在纺织鞋服、建筑建材、工艺陶瓷制品、电子信息、旅游服务等方面具有众多本地特色和优势的知名品牌，同时还具有浓厚的创业环境和氛围，创业、创新意识与电商结合，经济发展迅速。第四梯队包含哈尔滨、贵阳、南宁、石家庄、昆明、南昌、长春、太原、呼和浩特，该梯队城市的电子商务物流竞争能力相对较弱，不仅缺乏区位和政策上的优势，同时相关的物流基础配套设施不完善，人才资源供给不足，电子商务产业发展后劲不足[19-20]。

表5 因子得分下的城市梯队分类

4 结束语

本文构建了基于FA-BP神经网络的城市电子商务物流发展竞争能力评价模型，利用因子分析方法对全国30个电子商务示范城市进行定量分析，通过所提取的经济与商业基础、创新与消费基础、物流与信息基础、人力基础等因子来深入分析城市电子商务物流发展目前存在的问题以及主要影响因素。在此基础上，将SPSS对城市电子商务原始数据分析所得到的因子得分矩阵进行BP神经网络分析的模拟和仿真，运用训练好的BP神经网络分析方法进行城市电子商务物流竞争能力评价，并将其划分为不同的城市梯队。通过结论给我们的启示如下：

（1）借助不同主体间的协同合作力量，结合城市特色和区位优势，摸索与城市经济发展相匹配的电子商务物流新模式和新路径，以政府为依托和指导，以电商示范基地和电子商务物流龙头企业为载体，深度促进电子商务物流与农业、工业、金融、文化、物流、旅游等具有本地特色优势行业的融合创新。

（2）大力发展与电子商务物流相关的配套服务业，借力互联网新工具实现区域经济创新升级。加强电子商务交易安全认证及信用体系建设，加快电子商务认证应用推广，推动第三方支付平台建设，深化物流配送体系建设。鼓励和支持电子商务相关配套服务企业的成立和发展，逐步建立专业化、多元化的服务体系，促进网商与服务商、服务商与服务商之间的交流与合作，发挥电子商务服务业的集聚效应。

（3）加强电子商务物流人才培养，促进电子商务知识共享。为了实现城市电子商务物流的健康持续、绿色高效发展，充足“造血式”的人力资源支撑保障是关键。建议政府、企业、学校、协会等通力合作，采取多种模式相结合的方式，大力培养电子商务物流人才。同时，通过优秀评选、媒体报道、讲座论坛等方式，促进应用电子商务物流的经验交流和知识共享，营造良好的氛围，支持电子商务人才成长。

（4）鼓励示范城市先行先试，探索制度创新，始终保持领先性电子商务物流迅速发展，不断带来新突破、新需求。建议鼓励示范城市不断追求电子商务物流产业相关制度的创新、电子商务物流相关配套服务的创新、电子商务物流管理体系的创新等，最大限度释放电子商务物流的发展潜力，示范城市由此才能始终保持领先性，从而更好地发挥示范带动作用。

由于研究时间和地域有限，本文存在一定的局限性。具体地，由于城市电子商务物流竞争能力的影响因素众多，在今后的研究中可以考虑加入电子商务物流生态类指标因素，使评价模型得到进一步的完善。另外，在数据分析部分，所选取的30个城市数据可以作为样本代表，但是在一定程度上具有地域局限性。因此，今后的研究可以考虑收集更多地域性的数据进行验证和改进。