物流物流论文范文-浅谈基于DEA和BP神经网络的城市物流能力评价word版下载

1、物流物流论文范文:浅谈基于dea和bp神经网络的城市物流能力评价word版下载导读：本论文是一篇关于基于dea和bp神经网络的城市物流能力评 价的优秀论文范文,对正在写有关于物流论文的写作者有一定的参考 和指导作用，论文片段：摘要本文提出dea和bp神经网络组合模型的新策略和建立了 城市物流能力识别的指标体系，对12个城市物流能力进行评价与分 析，并探讨了不同规模收益情况下，各个城市应该如何决策应对改善 现有情况，为各城市物流发展提供了决策依据而且为评价其他城市的 物流能力提供了简便的策略。关键词城市物流能力；dea； bp神经网络；组合模型a 文章编号1005-6432 (2011) 28-

2、0021-02一个城市要想提高它的竞争力必须重视城市物流管理。为了实 行城市物流管理，需先评价一个城市物流能力。针对不同的物流城市 能力,提出不同的物流管理策略。本文通过对国内城市物流理论及和关理论的研究，认为城市物 流能力主要表现在物流投入产岀的效率上，并以12个城市为研究对 象构建了物流能力评价指标体系，通过dea和bp神经网络组合模型 对物流能力进行测算评价，应用到城市物流能力的识别中，并取得了 比较理想的实证结果，为物流振兴提供决策支持。1 dea和bp神经网路组合模型目前,对城市物流能力评价的研究很少，在评价城市物流能力策 略有层次分析法、因子分析法、数据包络策略(dea)、遗传算法

3、等。 每个策略各有优缺点，仅仅只选用一种策略得到的评价结果不能让人 信服，所以本文采用了组合评价研究思路。(1) dea在城市物流能力中的应用。数据包络策略是对多指标投 入和多指标产出的相同类型部门进行相对有效性综合评价的策略。 dea屮非阿基米德无穷小£的ccr模型：判断标准：当。二1,表示决策单元jo为弱dea有效。当0二1,并且s-=0, s+二0时,表示决策单元jo为dea有效。当9 l则决策单元jo规模收益递减，表明决策单元jo对投 入量的增加，不会带来产出更高比例的增加，反而使投入产出比例减 少；若1/ 0 x *ji表示决策单元jo规模收益递增，表明若对决策 单元j0在

4、原有投入的基础上增加适当投入量会带來产出更高比例的 增加。但dea策略存在一些局限性：要求指标之间具有低相关性。 要求较少的指标个数。dea策略的ccr模型是基于线性规划的理 论而实现的，对非线性的现实世界理由的解释会存在较大的偏差。(2) bp神经网络。bp神经网络是指基于误差反向传播(backpropagation)算法的多层前馈人工神经网络。bp神经网络的局限性：目标输出的确定对bp神经网络至关重 要。因为bp神经网络是“有教师学习”型网络，耍求“教师”给出与 所有输入模式对应的输出的止确答案，但目标的输出是十分难确定的, 有时带有主观性和随意性，所以本文用dea的输出结果作为目标输出

5、更加具有客观性。（3）dea和bp组合模型的构建思想。首先用因了分析法对输入 和输出指标选取公共因子指标，带入ccr模型求解，得出各个城市物 流能力所属的规模收益状态。选取原始数据的投入产出指标作为输入, 把dea得到的结果为目标输岀，构成训练样本集,最后将其带入bp神 经网络模型，对网络进行反复训练仿真，得到一个可以对城市物流能 力进行识别的网络。dea和bp神经网络的组合可以充分发挥各自的 优点。2指标体系的建立建立有效的评价指标体系要遵循指标的代表性、可比性和稳定 性。本文构建城市物流能力评价指标休系为3级指标，输入指标为经 济基础指标（全社会固定资产投资），物流基础指标（交通运输固定资

6、 产投资，铁路营业里程、公路里程），支持指标（物流从业人员、公路营 运汽车拥有量）；输出指标为直接产量（货运量、客运量），间接产量（邮 政业务量）。见表1。3各城市物流能力实证研究在东西中部地区分别选取4个城市，东部北京、河北、福建、浙 江，西部内蒙古、甘肃、云南、重庆，中部湖北、湖南、江西、安徽，分析它们的物流能力。业里程、物流从业人员、公路营运汽车拥有量组合成两个公共 因子fac1_1、fac2_1为输入指标，货运量、客运量、邮政业务量组合 成一个公共因子fac3j为输出指标。因为公共因子得分存在负值, 不能直接用dea策略，将数据进行无量纲化处理，无最纲处理策略如 下：设xinax为公共

7、因了指标中的最大值,xmin为公共因了指标中 的最小值。x' =0. 1+0. 9 x (x-xmin ) / (xmax -xmin ), x? w 0. 1, 1(2) dea模型求解。把因子分析法分析出来的公共因子当做dea 模型的输入和输出,mat lab计算1/ b x *j结果为北京1. 0000,河北 1. 2319,福建 0. 7015,浙江 1. 0000,内蒙古 0. 9903,甘肃 0. 1686,云南 0.7134,重庆 0. 6526,湖北 0. 9140,湖南 0. 9679,江西 0. 5869,安徽 l.ooooo从结果可以看岀，北京市为dea有效；浙江

8、、安徽为弱dea 有效；福建、内蒙古、廿肃、云南、重庆、湖北、湖南、江西为规模 收益递增；河北为规模收益递减。(3) bp神经网络。首先对初始数据及参数处理，针对bp网络木 身的特性采用标准化处理,先将样本集数据的均值和方差作标准化处 理，使均值为0,方差为1,变换式为：xi=(xi-u)/5，在matlab中使用pn, meanp, stdp=prestd (p)语句来标准化，然后将dea结果进行编 码把最佳规模收益编为100,规模收益递增编为010,规模收益递减编 为001作为目标(t)输出，形成神经网络的训练样木对，针对本例，设 隐含层和输出层的节点数分别为64、3,最大训练步长为100

9、0,期望误差为o.olo使用matlab中bp神经网络工具对dea模型进行预测，结果显示 为北京100,河北001,福建010,浙江100,内蒙古010,甘肃010,云南 010,重庆010,湖北010,湖南010,江西010,安徽100o4结论从dea和bp神经网络的组合模型得出的结果，我们对各个省市 的物流能力有了一些认识：福建、内蒙古甘肃、云南、重庆、湖北、 湖南、江西对于区域内各要素的配置基本合理,但仍有改善的余地。 进一步优化区城市物流资源的配置水平，提升物流能力。目前北京市对城市物流各要素的配置已经达到最优，模型考虑 到的各投入产出要素中不存在投入过多和产出不足的情况。因此北京 市应密切监测各投入产出耍素配置状况,实时掌握影响城市物流发展 的外部影响因素,如政策变化、口然灾害、意外事故发生的影响等, 把握开发的机遇，保持北京市物流能力核心竞争力的同时，注意发掘 新的优势，推动北京物流向更高水平发展。河北物流能力要素的配置是不合理的，且对外表现为产出不足。 说明投资的成效不明显，导致物流运作效率不高，而口该区域对资源 配置的无效率，导致各投资不能有效发挥作用，而未能实现