基于BP神经网络的企业物流服务外包风险预警系统

基于BP神经网络的企业物流服务外包风险预警系统
李晓青洪怡恬
厦门理工学院管理科学系厦门361024
摘要：物流外包已经成为现代物流发展的主流，日益受到企业界与物流学术界的青睐。

然而，国内外物流外包实践的复杂性和高失败率表明企业物流外包的风险性不容忽视。

为防范物流外包风险的发生，企业需要在进行物流外包决策前建立有效的风险预警系统。

首先，运用文献研究法、专家调查法，从管理风险、信息风险、信用及财务风险、市场风险这几个方面构建企业物流外包风险预警指标体系；其次，依据BP神经网络原理，建立用于评估企业物流外包风险水平的BP神经网络风险预警系统，并结合算例进行仿真模拟，证明该模型具有良好的预警精度。

此系统可以考虑大量复杂影响因素，发挥人工智能的学习功能，解决了常用方法难以克服的实时性、敏捷性差的弱点，并能用计算机进行学习训练，大大减少了计算的繁杂程度，提高了运算的精确度，适用性强，具有较强的现实意义。

关键词：物流服务外包风险评价指标体系 BP神经网络
一、引言
20世纪80年代以来，顾客消费需求的多样化和个性化，市场竞争的日趋激烈化，企业内外环境的日益复杂化迫使资源有限的企业越来越重视集中自己的主要资源与核心业务，将非核心的资源与业务外部化。

而不少行业，如生产与制造业，物流活动一般被认为是辅助性、支持性、非核心的业务范围，越来越多的企业选择放弃自营物流或不再自建物流能力，而将物流业务外包给第三方物流企业（Third Party Logistics,TPL），以提高生产效率，降低经营成本，增加企业利润。

物流外包已成为21世纪国际物流发展的主流，国内外物流外包实践的复杂性和高失败率，表明企业物流外包的风险性不容忽视，外包物流给企业带来诸多利益的同时也存在风险，物流外包风险的存在不仅可能导致成本上升，还危及企业物质资源的安全，甚至导致企业发展战略的彻底失败［1］。

因此，为防范物流外包风险的发生，企业需要在进行物流外包决策前建立有效的风险预警系统，对物流风险水平进行对企业物流外包风险的风险预警与防范机制进行研究势在必行。

物流外包是新经济的产物，近年来国内外关于业务外包的研究文献开始增多，但重点研究物流外包风险的文献仍然很少，主要侧重于研究物流外包风险的关键因素和形成机理［2～4］；
国内关于物流外包风险的研究的热点也是物流外包风险的风险分析、形成机理和管理策略，且大多是定性分析，关于企业物流外包风险的预警评价体系建设与风险定量分析方面的研究并不多，刘联辉（2005）［5］
构建物流外包风险预警指标体系，用模糊综合评价方法建立了企
业物流外包风险预警系统；许国兵（2007）［6］
提出一种基于案例推理的物流外包风险预警管
理系统。

从目前的研究现状来看，物流外包风险的研究仍处于起步阶段，本文考虑到物流外包风险形成机理的复杂性，传统的模糊综合评价的隶属度和权重分配不易准确确定，具有一定的局限性，案例推理法过于强调主观经验和经历，为了提高预警精度和可靠性，将创新性地引入人工神经网络方法，建立一种企业物流外包风险预警模型——基于BP 神经网络（back-propagation NN ）的企业物流外包风险预警系统。

二、企业物流外包风险预警指标体系
国内学者魏众等（2005）［8］
主要从物流外包管理与运行机制等方面对企业物流外包中面临的管理风险、信息风险、财务风险和市场风险这四种风险进行了深入的分析；刘联辉（2005）
［5］
从外部环境、企业内部、管理过程、信息传递四个方面设计了物流外包风险预警指标体系；
刘志学等（2007）［8］从战略风险、市场风险、交易风险、管理风险、财务风险和信用风险的角度对物流外包风险进行了论述；徐娟等（2007）［9］从物流界面、信息界面和管理界面识别
物流外包风险。

建立物流外包预警系统的关键在于物流外包风险的评价指标体系，目前并没有一套成熟通用的综合评价企业物流外包风险的指标体系，本文在前人研究的基础上，根据指标体系的真实性、全面性、科学性、公正性、可操作性原则，考虑到指标的敏感性和动态性，尝试建立如下企业物流外包风险预警指标体系。

图1：企业物流外包风险预警指标体系
对第三方物流服务商失控（x 2） 合作不稳定（x 3） 文化冲突（x 4）
信息不对称或不完全（x 5）
信息泄露（x 6）
信息沟通机制不完善（x 7） 第三方物流服务商财务状况（x 8）
第三方物流服务商行业信誉（x 9） 外包隐含成本估计不足（x 10） 物流服务市场价格波动（x 11）
物流服务市场竞争性（x 12） 外包方失去物流创新能力可能性（x 13） 外包业务对主营业务的影响力（x 14）
外包契约不规范（x 1）
三、BP 神经网络结构与算法
人工神经网络是由大量模拟生物神经元的人工神经元广泛互连而成的网络，是一种模仿和延伸人类脑功能的新型信息处理系统，由大量的简单处理单元连接而成的自适应非线性系统。

目前应用最广泛的是BP 神经网络（back-propagation NN ）——误差反向传播多层前馈网络，1986年由Rumelhart 和McCelland 为首的科学家小组提出［10］。

BP 算法由数据流的前向计算（正向传播）和误差信号的反向传播两个过程构成。

正向传播时，传播方向为输入层→隐层→输出层，每层神经元的状态只影响下一层神经元。

若在输出层得不到期望的输出，则转向误差信号的反向传播流程。

通过这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程。

本文采用最简单实用的三层网络，分别为输入层、隐层和输出层。

设各层神经元节点个数分别为m q n ,,；其中n i x x x x ,,,,,21 分别代表来自神经元1、2…i…n 的输入；
jn
ji j j w w w w ,,,,,21 则分别表示神经元1、2…i…n 与第j 个神经元的连接强度，即权值；
b j 为阈值；f(·)为传递函数。

节点j 的净输入
可表示为：
X W x w
b x w
S
j i n
i ji
j n
i i ji
j
=⋅=
+⋅=
∑∑==0
1
（将阈值写入求和项中）
1.信息正向传播。

进一步，这里具体假设输入层与隐层之间的权值为，隐层与输出层
之间的权值为jk w ，隐层的传递函数为f 1(·)，输出层的传递函数为f 2(·)。

则隐层节点的输
出为（将阈值写入求和项中）： )(0
1i n
i ki k x v f z ∑== k=1,2,……q
输出层节点的输出为： )(0
2k q
k jk j z w f y ∑== j=1,2,……m
至此B-P 网络就完成了n 维空间向量对m 维空间的近似映射。

2．误差反向传播。

利用BP 算法可以使性能指标最小化，为了保证全局的稳定性，我们将期望输出结果作为反馈信号，把模型输出结果与之比较，使得ε E ，其中ε是一个很小的数，如果不满足要求，则不断调整权系数，以达到期望要求。

输入
个学习样本，用
来表示。

第个样本输入到网络后得到输出p
j y （j=1,2,…m ）。

采用平方型
误差函数，于是得到第p 个样本的误差p E ：
()
2
1
2
1
∑=-=
m
j p
j
p j
p y t E 式中：
为期望输出。

对于P 个样本，全局误差为： ()∑∑∑====-=
P
P p
p p m
j p
j
p j
E
y t E
1
2
11
2
1
根据反向传播计算公式，可以得到权系数学习规律：
其中，η为网络学习率。

实际运用中，BP 算法有很多改进算法，这里不一一赘述。

四、基于BP 神经网络的企业物流外包风险预警系统设计实例分析
本文根据15家企业的物流外包情况，运用专家调查法，将图1中评价指标的取值范围定为[0，9]，获得15个样本企业的物流外包风险指标评价值（因篇幅所限未列出）。

采用MATLAB6.5软件，取样本1～12作为训练样本，样本13～15作为验证样本来验证网络训练的效果。

1989年Robert Hecht-Nielsen 证明了对于任何闭区间的一个连续函数都可以用一个隐层的BP 网络来逼近，因而一个3层的BP 神经网络可以可完成任意的n 维到m 维的映射［10］。

因此本文采用单隐层BP 网络。

我们将企业物流外包风险评价指标作为输入变量，输入向量为
()1421,,,x x x X =，输入节点数（n ）为14；输出节点数取决于反映企业物流外包风险程度的
指标，本文拟采用企业物流外包风险等级系数作为输出信号，取值范围也定为[0，9]，m=1,作为反馈信号输入模型时进行归一化处理。

本文对企业物流外包风险等级进行如表1划分，根据待判企业物流外包风险的输出结果与标准值的贴近程度来判别其隶属等级。

表1 企业物流外包风险等级系数表
隐层节点数目对神经网络的性能有一定影响。

隐层节点个数过少，学习容量有限，不足以存储训练样本中蕴涵的所有规律；隐层节点过多不仅增加网络训练时间，而且会将样本中
非规律性的内容如干扰和噪声存储进去，反而降低泛化能力。

本文首先根据经验公式
α
++=
m n q （101≤≤α）来初定隐层节点个数，然后根据不同的隐层神经元数目的模型
分别进行仿真和比较，从而确定合适的隐层神经元个数。

经过比较，最终确定15=q 。

因此，采用三层BP 神经网络对企业物流外包风险建立预警系统，输入层、隐层和输出层的节点数分别为11514⨯⨯。

企业物流外包风险预警系统的神经网络模型如图2。

图2 企业物流外包风险预警系统的神经网络模型
在训练网络之前，必须对网络的权值和阀值进行初始化，建立网络的命令newff 会在建立网络时直接对网络的权值和阀值进行初始化。

训练函数采用tansig 型传递函数（双曲正切型S 函数）,并采用Levernberg-Marquardt 算法（trainlm ），误差精度定为0.001。

训练过程如图3：
图3 神经网络训练过程
如上图，经过8次训练后，网络目标误差即可达到要求。

网络训练完成后，输入验证样本数据，验证网络的适应性。

MATLAB 程序运行结果进行反归一化后得到验证样本企业物流外包风险模拟值。

网络模拟结果的误差如表3所示：
输入层（14）
隐层（15）
输出层（1）
表2 网络测试误差
可以看出，对于三家样本企业，网络模型输出结果已经分别显示出风险级别：“较低风险”、“较高风险”、“较高风险”。

误差率不超过5%，也就是说，该模型能较为准确地根据指标体系进行物流外包风险预警。

一般精确模型需要更多的训练样本，以便于网络学习，这会使系统有更强的容错性，最大不超过10%的误差可以满足实际应用对精度的要求。

五、结语
建立一种企业物流外包风险预警系统模型，对于有效防范物流外包风险具有重要意义。

本文应用ＢＰ神经网络构建企业物流外包风险预警系统，可以考虑大量复杂影响因素，发挥人工智能的学习功能，解决了常用方法难以克服的实时性、敏捷性差的弱点，并能在计算机上利用Ｍatlab进行学习训练，大大减少了计算的繁杂程度，并提高了运算的精确度。

而且，学习样本来源于实际企业，一定程度避免了主观因素的影响，而且随着学习样本的增加，还可以进一步提高预警准确度，适用性强，具有较强的现实意义。

参考文献：
[1]魏晓玲,张志清.物流外包风险管理与控制策略研究[J].商业研究,2006(24):49-52.
[2]Bardi E.J,Tracey M. Transportation outsourcing: a survey of US practices〔J〕.International Journal of Physical Distribution & Logistics Management.1991(3):15一21
[3] Bowman R.J. A high一wire act. Distribution[J]，1995(10):36一9
[4]Lynch M.E，Imada S.J.The future of logistics in Canada: a Delphi一based forecast. Logistics and Transportation Review[J].1994(1):95一112
[5]刘联辉.企业物流外包风险预警系统的设计与评价[J].物流技术，2005(9):107-109.
[6]许国兵.基于案例推理的企业物流外包风险预警系统[J].物流技术，2007(1):22-24.
[7]魏众，申金升，陈继军等.企业物流外包风险形成机理及防范研究[J].中国安全科学学报，2005(1):55-58.
[8]刘志学，杨国军.企业物流外包的风险分析与控制[J].统计与决策，2007(1):149-151.
[9]徐娟，刘志学.基于界面管理的物流外包风险识别[J].物流技术，2007(3):14-17.
[10]朱大奇，史慧. 人工神经网络原理及应用[M].北京：科学出版社，2006,33-63
[11]徐金明.MATLAB实用教程[M]．北京：清华大学出版社，2005:180-187.。