基于主成分与BP 神经网络的物流企业即兴能力评价

冯 青，张 洪

（武汉科技大学 恒大管理学院，湖北 武汉 430065）

0 引言

近年来，物流模式、装备、科技、信息技术在不断融合，物流服务的需求及形态也有了质的飞跃。以“日日顺供应链”为代表的物流企业为满足广大客户需求，提出“场景代替产品，生态覆盖行业”的战略构想，在体验迭代基础上共创生态圈层，并向客户推出定制化场景服务[1]，实现与客户的交互，提高客户消费体验。在场景物流模式中，能否有效解决由于外部市场和技术环境的变革、交付风险的增加、改革经验的不足等带来的问题成为场景物流模式能否顺利推进的关键。即兴能力是企业在面临不确定性环境时，保障新产品、新服务顺利开发的关键能力[2]。即兴能力的发挥并不是企业为应对内、外部环境被迫做出的带有随意性的应急反应，而是企业在先前经验和知识的基础上，自发地做出审慎的即时决策，体现出在当前复杂多变的环境下快速决策并重构资源的能力。

由于场景物流的独特性，企业缺乏既有惯例对突发事件做出有效反应。因此，在场景物流模式中，我国物流企业的即兴能力水平如何？如何对其展开科学地测度与评价？对这些问题的研究将有助于准确把握现阶段我国物流企业即兴能力水平，对物流企业提升其战略响应能力和应对能力具有重要的实践意义。

1 相关概念界定

1.1 场景物流

技术的革新提升了物流时效体验，但效率的提高并没有突破物流行业“内卷”的瓶颈[3]。物流企业的竞争力不仅体现在服务质量、配送网络、信息技术水平等基础建设上，更要求企业在新基建的加持下，整合上下游资源提供一体化的解决方案，从而实现生产、流通和消费的无缝对接，提升企业的能力边界。场景物流理念于2018 年由“日日顺供应链”提出，其本质上是基于用户体验的生态共创。品牌方、物流企业、技术服务商等主体协同共创，为用户提供定制化、一体化的场景解决方案[4]。场景物流相对于传统物流的特点在于：交互性、迭代性、开放性、定制化及生态化。场景物流在根本上改变了物流业的竞争思路，物流企业由提升交付服务质量转向探索生态价值，向上聚合各类行业资源，促使资源要素动态流动、合理配置；向下挖掘用户个性化需求、迭代升级用户体验[5]。物流企业基于强大的物流科技与丰富的用户触点，以用户诉求为导向，向用户提供一体化的场景方案，实现生态各方的共创共赢，从而促使物流价值最大化。

1.2 即兴能力概念界定

“即兴”表示未经事先约定、没有事先规划的行动。在复杂多变、高不确定性商业环境中，企业活动表现出计划与创新、开发与探索相融合的特点。Weick 等[6]将即兴能力引入管理领域，并将其定义为企业在高动态环境中快速整合各类资源促进企业价值创新的能力。王军等[7]以组织为切入视角展开探究，将即兴能力定义为组织在面临不可预测的外部环境状况时，能够迅速反应并协同相关主体，整合利用现有资源，创造性地解决问题或把握发展机会的能力。本文针对场景物流情境的特点从组织层面将即兴能力界定为：物流企业在高度竞争与合作的场景生态中，能快速反应，协同相关生态主体自发地整合利用各类资源，把握发展机会，并创造性地解决非预期性问题的能力。

2 物流企业即兴能力评价指标体系构建

2.1 即兴能力维度划分

自发性也称立即反应，是指企业在运营过程中遇到突发事件，能瞬间本能地做出反应，而不是先计划再执行[8]。以用户体验为中心、迭代交互的场景物流是体验经济、共享经济、社群经济迅猛发展下的新尝试，没有足够的惯例得以借鉴[9]。因此，尚在探索阶段的物流企业面对具有不确定性的外部环境时，需要即兴应对、积极探索。创造性或称意图创造，是指企业有意识地通过修正原有的执行方式从而采取新的方式解决问题或提出新方案。用户不断升级的消费水平、日新月异的个性化需求促使物流企业协同生态方根据用户动态需求创造性地开发新的场景方案，从而共创新的体验价值[4]。资源利用是指企业面对突发事件时，能及时识别并拼凑内外部一切有利资源，进行有效整合和利用。在场景物流生态中，资源处于开放状态，用户、物流商、生产商、技术服务商等通过高度链接实现物质资源、社会资源、认知资源与情感资源的协同互动。在此情境下，物流企业进化为聚合信息、技术、产品等资源要素并促进其动态耦合的平台[10]。压力承受是指企业面对突发事件时所承受的迅速变化、难以预测的外部环境压力以及要求计划与行动高度融合的时间压力。在场景物流情境下，企业缺乏时间来规划行动和预测环境发展趋势，这就要求企业能够在高强度压力下自发地利用创造力和专业知识来解决问题或提出新方案。

基于以上分析，本文认为即兴能力是场景物流生态中的核心竞争能力，并将其分为自发性、创造性、资源利用与压力承受四个维度。

2.2 评价指标体系构建

基于即兴能力相关研究及专家访谈，考虑场景物流情境的独特性，本文初步提取出即兴能力的四个维度：自发性、创造性、资源利用与压力承受，并构建出由4 个一级指标以及32 个二级指标组成的物流企业即兴能力评价指标体系。并参考陈洪海等[11]学者提出的基于信息贡献率的评价指标筛选方法对指标进行筛选。

（1）数据来源

为获得物流企业即兴能力评价样本数据，采取网络问卷的方式向物流企业的工作人员展开调研，采用“0～7”分制调查物流企业工作人员对各评价指标的评分。本次调研共收回有效问卷102 份。

（2）基于贡献率的指标筛选步骤

①以关键因子近似反映原始指标集全部信息：

其中：Xi为第i 个指标，aij为指标Xi在第j 个因子Fj的因子载荷。

②确定指标Xi解释因子Fj信息的比率：

其中：ωj为因子Fj的信息占原始指标集全部信息的比例。

③确定指标Xi所承载的信息占原始指标集信息的比例，即指标Xi的信息贡献率Ii：

④确定指标的累计信息贡献率Rs：

其中：Ik是指所有指标即m 个指标按照信息贡献率由大至小排序后第k 个指标的信息贡献率。

⑤基于信息贡献率进行指标筛选

其中：Rs指信息贡献率相对较大的s 个指标的信息贡献率之和占全部原始指标信息贡献率之和的比例。信息贡献率的阈值R0取值为0.7[11]。

（3）基于信息贡献率筛选的评价指标体系

根据指标信息贡献率的计算结果对指标进行筛选，最终保留23 个二级指标，如表1 所示：

表1 基于信息贡献率筛选的评价指标体系

3 物流企业即兴能力评价模型及应用

考虑到物流企业即兴能力是一个非线性问题且涉及到的评价指标较多，因此本文选用主成分分析法和BP 神经网络相结合的方法对物流企业即兴能力进行评价。

3.1 研究对象与数据收集

本文选取物流企业员工作为研究对象，以问卷的方式邀请员工依据其所在企业的实际情况对指标进行打分。本轮数据收集发放问卷160 份，有效回收138 份，问卷有效回收率为86.3%。

3.2 主成分提取

本文运用SPSS23.0 对原始数据进行主成分分析，将前期筛选出的23 个二级指标归纳为少数几个主成分。

（1）数据标准化处理

本文选用z-score 标准化方法对数据进行处理，将各指标值xij转化成标准化指标值：

（2）计算相关矩阵并求特征值

针对标准化后的数据进行因子分析。结果显示，KMO 检验统计量为0.830，Bartlett 球度检验概率为0，说明该指标间存在较强的相关性，适合使用主成分分析。将主成分因子提取条件设置为特征值大于1，析出5 个因子，如表2 所示。

表2 因子特征值及方差贡献率

（3）得出主成分

由主成分分析原理可知，主成分Fk与初始评价指标X1,X2,…,X23之间的关系为：

其中：lki（k=1,2,3,4,5）表示第k 个主成分在第i 个指标上的载荷值。

（4）计算BP 神经网络模型的样本数据

将标准化后的评价样本数据代入式（7）得到主成分F1、F2、F3、F4、F5的样本数据，即BP 神经网络模型的输入值。本文从138 条有效数据中选取120 份作为BP 神经网络模型的训练样本，18 份作为模型测试样本。将5 个主成分各自的方差贡献率占累计贡献率的比重作为该主成分的权重，进行加权计算，综合得分为：

其中：λk为第k 个主成分的方差贡献率，q 为各主成分的累计方差贡献率，Fk为第k 个主成分得分。由计算可得所有主成分的综合得分，即BP 神经网络模型的输出值，表3 为BP 神经网络模型训练样本的输入值与输出值。

表3 BP 神经网络模型的样本输入输出值

3.3 BP 神经网络结构设计

反向传播神经网络（Back Propagation Neural Network）是一种基于误差逆向传播算法的多层前馈网络，一般包括3 层网络结构：输入层、输出层及隐含层。3 层神经网络可以完成大部分复杂非线性关系的映射。因此，本文选择3 层神经网络模型对物流企业即兴能力进行评价。

（1）BP 神经网络层数节点设置

网络输入层即为5 个主成分，因此确定输入层节点为5；输出层是样本最终的评价结果，即物流企业即兴能力综合得分，因此确定输出节点数为1。隐含层的节点数通过公式计算得出，其中n 表示输入层节点数，m 表示输出层节点数，a 的取值范围为［0,1 0 ］。因此，隐含层的节点数取值范围为［3,1 3 ］。

通过MATLAB 对网络进行训练的结果如表4 所示。从迭代次数及训练精度来看，当隐含层节点数为5 时，较优于其他网络，因此确定隐含层节点数为5。

表4 不同隐含节点网络训练效率对比

（2）BP 神经网络模型结构搭建

本文选用tansig 作为隐含层的激励函数，purelin 作为隐含层的传递函数，并使用反向传播算法的trainglm 函数作为BP 神经网络的训练函数。使用MATLABR2018b 进行编程对神经网络进行训练，将训练次数设置为1 000 次，目标收敛精度设定为0.001。

3.4 网络训练

本文采用MATLABR2018b 软件对样本进行网络分析。将已划分的120 份训练样本导入构建好的BP 神经网络模型。如图1 所示，BP 神经网络训练的网络输出与期望输出曲线基本一致，且误差值基本在0.32%～2.5%之间，这表明训练结果较优。

图1 网络输出与期望输出对比

3.5 模型仿真及结果分析

将剩余18 份测试样本导入已构建好的BP 神经网络进行仿真评价。图2 为网络训练误差曲线，可见，均方差随着训练步数的增加而减小，直至达到预期目标收敛精度而停止训练。当训练步数为15 时，网络训练精度达到最优，为3.563e-06，下降到目标值0.001。结果如图3 所示。

图2 训练精度曲线

从图3 可以看出，通过BP 神经网络训练的模型具有较好的拟合性，且相对误差都较小，这说明该模型的泛化能力较好，能够对物流企业即兴能力进行科学准确的评价。表5 为模型输入输出的具体值及误差。

图3 网络输出与期望输出对比

表5 模型输出与模型输入

从结果来看，企业综合得分总体相差较大，最高分与最低分的差距明显，说明目前物流企业即兴能力层次不齐，彼此之间差异较大，且总体水平不是很高，还有较大的提升空间。场景物流模式的提出为中国物流企业的创新发展提供了新思路，物流企业通过为居家生活、出行、健身等具体化场景提供配套服务从而提升自身竞争力。然而以用户诉求为导向的场景物流仍处于探索阶段，面临着资源稀缺、认知局限、环境不确定性等约束，由此更加依赖即兴能力来提高企业的响应速度、创新能力及抗压能力。在场景物流模式中，物流企业急需提高突发事件的响应速度与应对能力，抓住稍纵即逝的发展机会，通过不断变革，从而适应外部发展环境的需要。虽然外部环境的复杂及不确定性对企业的生存和发展带来挑战，但企业大力提升即兴能力，就有可能将危机带来的压力转化成塑造企业核心能力的契机，从而在危机中得以发展。

4 结论

本文在界定物流企业即兴能力内涵的基础上，识别出即兴能力要素，并构建了物流企业即兴能力评价指标体系，进而采用主成分及BP 神经网络模型对物流企业即兴能力进行了实证检验。主要研究结论如下：

首先，本文将即兴能力引入场景物流情境中，基于场景物流独特的情境特征和文献综述，提炼出物流企业即兴能力的四个维度：自发性、创造性、资源利用及压力承受。自发性体现了企业对突发事件响应的即时性，场景物流模式重新定义了“物流”的价值，而“摸着石头过河”的场景物流模式具有较高的不确定性，当面对各类突发状况时，企业的即时决策有利于其把握转瞬即逝的发展机会。创造性体现了企业在产品及解决方案上体现的创新性，在场景物流中，物流企业不再是产品运输者，而是服务打包者、场景设计者及信息收集者，这更要求企业打破惯有思维，采用新的方式、方法满足用户不断升级的体验需求。资源利用体现了企业对物流资源的有效整合，物流企业在获取终端用户对于场景的个性化需求后，通过合作方对产品及服务资源加以整合并有效利用。压力承受体现了物流企业在竞争日益加剧的市场环境中的抗压能力，在物联网时代，用户的个性化需求对物流行业提出了更高的要求，物流企业的竞争力不仅体现在基础服务的质量上，更要求企业提供具体场景的一体化解决方案。

其次，本文根据文献研究及专家访谈，构建了物流企业即兴能力评价体系，并基于信息贡献率的方法进行了指标构建合理性判断。本文筛选的指标体系能够反映初始指标70%的信息量，表明评价指标体系的有效性。并使用主成分-BP 神经网络模型对物流企业即兴能力水平进行评价。检验结果表明，网络模型的结果均达到预期，证明主成分-BP 神经网络组合评价模型应用于即兴能力评价具有较好的可行性。