一、引言
我国物流市场主体过散、过弱，单个企业竞争力不强、抗风险能力弱是导致目前物流组织化程度偏低、组织方式落后、总体效率不高、物流成本居高不下等问题的重要原因之一。近年来，物流市场的各类企业都在探索集约化经营之道，经过不断的探索和实践，整合优势资源走联盟发展之路渐成大势所趋，特别是对于占物流市场 90%以上的中小企业，不具备相互合并的资金实力与管理能力来扩大规模，因而结合企业核心专长、互补所短来组建联盟已经成为企业快速扩张物流网络，提升物流服务能力，降低物流成本的最佳途径。
交通运输部在2013年6月出台的《交通运输行业推进物流业健康发展的指导意见》中，明确提出“鼓励中小企业联盟发展，扭转市场主体过散、过弱的局面，提高企业竞争力和市场抗风险能力”，形成以区域性中小企业联盟为主体的物流市场主体结构。
当前，我国中小物流企业联盟发展总体上还处于探索阶段，缺乏成熟的管理经验，而很多联盟管理的关键问题又与联盟的成败息息相关。联盟伙伴选择就是联盟能否成功组建和顺利运行的核心问题，合适的联盟伙伴可以有效地促进和推动联盟的健康发展，形成稳定持久的联盟关系，而不合适的联盟伙伴则可能给联盟组织带来难以预料的破坏和损失。而我国中小物流企业在选择联盟伙伴时，主要存在着评价指标体系中战略兼容性、业务协同性、长期稳定型因素较为缺乏，评价模型和方法适用性不强等问题。因此，构建科学合理的评价指标体系，选择完善适用评价模型方法，是当前中小物流企业联盟伙伴的选择中需要解决的关键问题。
目前国内外对于中小物流联盟伙伴选择方法的研究还比较少，现有的研究主要是针对供应商的选择和虚拟物流联盟的伙伴选择问题，虽然这些丰富的研究成果为本研究提供了有益的借鉴，但其与文章的研究对象有着显着区别。在供应商选择中，需求企业与供应商之间的关系多为单边协议，体现为委托代理关系，相互间为合作关系，而中小物流企业联盟的合作伙伴间的关系则根据不同联盟类型包含了单边、双边及多边协议，参与主体较多，相互间不仅是合作，而且还有竞争关系。
中小物流企业联盟与虚拟联盟在伙伴选择中的主要区别是中小物流企业联盟更加注重合作的稳定性和持久性，不是短期的任务合作。当前关于联盟伙伴选择的研究集中在两个方面：一是针对联盟伙伴选择的指标体系构建问题，李强(2007)分别从不同纬度构建了较为全面的指标体系，但指出具体指标，使之后的建模评价具有较强的主观性而不宜应用。陈飞儿等(2004)、夏维力等(2006)从各自研究视角提出了具体全面的成员考察指标，但从中小物流企业联盟发展要求出发，未能充分考虑企业间合作的战略兼容性、合作过程中的业务协同性及长期稳定性。
二是针对联盟伙伴选择的模型算法研究，常见的相关研究提出的有线性权重计分法、成本估算法、AHP、DEA、TOPSIS、模糊综合评价法等，这些方法在指标权重系数确定时具有较多的主观因素，对评价中不确定和不完备信息的设计处理不完善，在处理大量数据尤其是涉及存在较大关联性指标时稳定性较差，准确性和效率不高。
基于此，文章构建了针对中小物流企业联盟特性和联盟物流业务运作特点的伙伴选择评价体系，同时结合主成分分析(PCA)方法对复杂的指标体系进行降维处理，使得评价工作更具有针对性，可以简化神经网络的输入，而BP 神经网络具有自适应学习能力，可以从外界获取信息进行存储并自动提取规律求解，避免确定权重过程中的人为主观因素，从而有效提高中小物流联盟伙伴选择的准确性与客观性，因此采用PCA 结合BP 神经网络的方法建立评价网络模型，利用 SPSS 和 Matlab 软件进行数据分析和仿真实现，建立了一种新的中小物流企业联盟伙伴选择方法体系，并利用企业的真实数据进行方法验证，得到了较为准确的评价结果。
二、中小物流企业联盟伙伴评价指标体系
评价指标的选取需要结合中小物流企业联盟的特点和发展要求来进行，除了将企业规模、业务类型、地域分布、企业声誉等作为基本的考核要素外，还需要重点考虑战略兼容性、合作过程中的业务协同性和联盟发展能力，以此来保证合作的长期稳定和多家企业完成同一物流业务时的协调一致。结合相关文献，文章从物流服务质量、企业成本、财务风险、企业发展潜力、企业柔性以及兼容性六个方面建立较为系统全面的评价指标体系框架。
（1） 物流服务质量指标。物流服务质量是衡量物流服务企业基本业务能力的指标。当前我国物流市场的竞争形势已经发生了深刻的变化，高品质的物流服务竞争已成为趋势，因此对联盟成员企业物流任务的完成质量进行重点考察是提高联盟整体物流服务质量的决定因素，主要通过保质率、准时率和订单完成率指标来反映。
（2） 物流成本指标。物流服务价格是客户选择物流服务商时所要考虑的重要因素，而联盟物流服务价格高低的直接影响因素是联盟成员自身的服务成本。因此，成本对于联盟伙伴选择也至关重要，若联盟中有几家企业成本过高，则会直接影响到整个联盟的服务价格，降低联盟的市场竞争力。主要从物流企业的服务成本和成本改善计划两个指标来衡量。
（3） 财务风险指标。财务稳定是一个企业健康发展的重要反应指标，如果物流联盟企业财务方面存在风险，很可能会给整个联盟带来不良影响，甚至拖垮联盟。主要以总资产周转率、总资产收益率和资产负债率来衡量。
（4） 发展潜力指标。作为物流联盟候选合作伙伴，必须在具有一定实力的基础上还具有发展潜力，这是建立长久合作关系、保障稳定性的基础。另外，企业运用现代信息技术的能力也成为提高物流运作效率和服务及时性的重要竞争因素。文章主要从信息化水平、资产经费投入率以及企业的人员素质三个指标来衡量企业的未来发展潜力。
（5） 企业柔性指标。企业柔性是指企业面对市场需求变化的响应能力，表现为可以在客户需求数量和时间不规则变化的情况下保持较高的服务水平。随着经济社会发展，满足日益增长和不断变化的客户个性化需求已经成为对物流企业服务能力的基本要求，而联盟成员企业柔性的高低直接影响着整个联盟的稳定性，若柔性不够就会在业务协同运作中形成瓶颈，降低整体效率和质量。文章主要从时间柔性和数量柔性来说明。
（6） 合作兼容性指标。联盟属于长期深入的合作，与一次性的市场交易不同，合作企业之间的相互依存度很大。如果联盟企业内部在战略目标、企业文化以及管理体制等方面存在较大差异，甚至冲突，将会妨碍沟通，造成信任危机，可能导致联盟的失败。文章主要从战略目标和企业文化的兼容性这两个指标来衡量。
三、基于 PCA- BP 神经网络的中小物流企业联盟伙伴选择分析
中小物流企业联盟伙伴选择
1.主成分分析法
主成分分析法(Principal Components Analysis，PCA)是一种基于降维思想的多元统计分析方法。采用 PCA 法将中小物流企业联盟伙伴选择指标原始数据进行降维处理，在尽量减少信息损失的前提下，把具有相关关系的指标转化为新的相互独立的综合指标，使得同一主成分内的元素之间尽可能地相似，不同主成分的元素之间的差异尽可能大，因此使得主成分比原始数据的性能更优越，从而简化了复杂的伙伴选择指标体系，抓住主要矛盾，使原来多维的复杂问题大大简化，提高了分析效率。其主要算法步骤如下：
（1） 原始指标数据标准化。利用公式 Yij=(Xij-X军j)/Sj(i=1，2，噎，n；j=1，2，噎，m)对原始数据标准化处理，消除原变量量纲不同造成的影响，使单位不同的各项指标之间具有可比性，其中，X军j和Sj分别是各维分量的均值和标准差。
（2） 对标准化矩阵求相关系数矩阵 R：【1-4】
其中，xi(i=1，2，噎，m)为各变量的标准化数值。将计算出的各主成分的分值作为神经网络新的训练样本输入。
2. BP神经网络BP
神经网络是采用误差逆传播算法训练的多层前馈神经网络，具有自适应、自学习和自联想等优秀特点而得到了广泛应用。
文章以BP神经网络模型来对联盟候选伙伴进行评价，通过其有规则的学习和训练找出输入信号与输出信号之间的内在联系，可以有效弱化在确定指标权重过程中人为因素影响。
同时，由于候选联盟伙伴选择指标繁多且相互关系复杂，多呈现出非线性关系，而 BP 神经网络处理此类非线性问题较好，通过对已有样本的学习，利用离线和在线相结合的方法，获得评价专家的知识、经验、主观判断及其重要性的倾向，建立起指标间的定量关系。当对其他候选联盟伙伴进行评价时，可再现评价专家的经验、知识和直觉思维，能够保证评价结果的客观性。BP网络的拓扑结构由输入层、输出层和隐含层构成。
3.基于PCA-BP神经网络的联盟伙伴
选择中小物流企业联盟伙伴选择评价指标体系包含样本数较多，直接作为输入数据会导致神经网络结构过于复杂，影响模型训练速度和评价结果的准确性。PCA- BP评价利用PCA对数据集进行简化处理，将复杂的指标体系转化成K维体现原指标特点的主成分作为BP 神经网络的输入数据，利用 BP 神经网络模型进行训练，以符合精度要求的神经网络进行联盟伙伴选择，主要步骤为：第一步，对训练样本做标准化处理；第二步，对神经网络输入数据做主成分分析，提取主成分并计算每个样本的主成分值；第三步，设计神经网络结构，文章设计含有一个隐含层的三层BP 神经网络结构，输入层神经元数目为主成分的个数，隐含层神经元数目经过多次训练确定，输出层节点为1，设计出神经网络拓扑结构；第四步，将各个样本的主成分值作为神经网络的输入数据，将代表综合评价的值作为神经网络的输出，运用 Matlab 工具对神经网络进行训练；第五步，对神经网络的泛化能力进行检验，即误差比对。对训练输出与期望输出进行误差比对，当误差小于设定值时，神经网络所持有的那组权值和阈值便是网络经过自适应学习所得到的正确的内部表示；第六步，神经网络训练成功后，即可作为选择联盟伙伴的有效工具，对候选联盟伙伴进行评价选择。
四、实例分析
1.数据源浙江 YL中小物流企业联盟 （简称 YL联盟） 是由义乌市 15家中小型物流企业组建而成，目前已经发展成为集集装箱运输、国际货运代理、物流场站以及仓储服务为一体的综合性物流联盟。为进一步发展壮大，公司正在积极吸纳联盟伙伴，经前期调研收集资料和初步筛选，确定了六家基本符合联盟要求的候选企业，现从中选择最合适的联盟伙伴。根据 PCA- BP 神经网络的评价方法，在进行成员选择之前，首先要对神经网络进行训练，而训练需要与案例数据类似的样本数据，依据前文评价指标体系，选取 YL联盟现有 15 家物流企业作为训练样本，具体情况见表 1。【表略】
2.原始数据PCA分析对原始数据做 PCA 分析处理，得到小于指标数目的主成分作为神经网络的输入数据。利用 SPSS18.0 对样本数据进行主成分分析。第一，对原始数据进行标准化处理，经过 KMO 检验显示样本数据符合主成分分析的要求。 第二，求出标准化后数据的相关系数矩阵并计算出相关系数矩阵额特征值、方差贡献率和累计贡献率。在数据处理过程中发现，前 6 个特征值的累计方差贡献率已达到 85%，且其特征根都在 1 以上，选择 F1，F2，…，F6为主成分。第三，选定主成分后，分别利用式(3)、式(4)计算因子载荷和各主成分的得分值。即得到神经网络的输入矩阵，通过主成分分析得出的6 个主成分将作为 BP 神经网络的输入神经元。
3.建立PCA-BP神经网络的中小物流企业选择模型
（1） 建立模型。根据主成分分析的结果，确定神经网络的输入神经元个数为6，输出层个数为1，隐含层的个数通过对多次模型训练实验结果的比较最终确定为15个。
（2） 神经网络训练。采用Matlab软件创建BP神经网络，设置网络层数为3层，选用trainlm作为训练函数，learngdm作为自适应学习函数，mse 为性能函数，tansig为激励函数，最大训练次数为 1000 次，期望误差为 0.00001。选择PCA 计算后的前 12 组样本作为网络的训练样本，后3 组样本作为网络检测样本，对创建好的BP 神经网络进行训练。经网络计算，当训练至第250 步时，网络性能达到期望水平并保持稳定，即 BP 神经网络收敛，训练结束，代表训练误差达到平稳状态。
（3） 模型检测。在样本数据中，选择第13 到第 15 组数据作为检测数据，对BP 神将网络的误差进行检验。将网络实际输出与期望输出进行误差对比，如表 2所示。检测结果表明，实际网络输出与期望输出的平均相对误差为 0.68%，误差较小，这说明此BP 神经网络具有较好的仿真预测功能，因而可以此模型对候选联盟伙伴进行评价。【表2】
4.模型应用与结果分析
利用上述训练成功的 BP 神经网络对 YL联盟的六家候选伙伴进行评价。通过对表 1 中的数据进行标准化，按照训练样本提取的主成分因子载荷计算各主成分值，并作为已经训练好的BP 神经网络的输入值，对各候选企业进行综合分析评价，得到的仿真结果如下：Network1_outputs1(testy)： [0.77461 0.59823 0.725640.69304 0.82361 0.44015]， 输 出结果分别依次对应六家候选企业 I、II、III、IV、V、VI，从结果可知，企业V 是最适宜的候选伙伴，企业VI 是最不适宜的合作伙伴，而企业I 和 III 则可作为后备伙伴。
五、结论
在分析当前中小物流企业联盟伙伴选择研究及实践中存在的问题基础上，根据中小物流企业联盟成员数量多，影响因素复杂等特点，在成员选择中需要重点考虑战略兼容性、长期稳定性、合作过程中的业务协同性和联盟发展能力，因此从物流服务质量、企业成本、财务风险、企业发展潜力、企业柔性和兼容性六个方面建立较为系统全面的联盟伙伴选择的指标体系。根据 PCA 和 BP 神经网络的应用原理和特点，结合中小物流企业联盟伙伴选择实际，建立了基于PCA- BP 神经网络的中小物流企业联盟伙伴选择模型。利用 PCA 在保证数据信息损失最少的原则下对数据进行降维，把多个指标属性转化为少数综合指标，避免了属性之间的共线性问题，将主成分分析的结果作为神经网络的输入层，减少了神经网络的神经元个数，简化了网络拓扑结构，加快了计算速度。结合 BP 神经网络具有自适应学习能力，可以从外界获取信息进行存储，自动提取规律进行求解，避免了确定权重过程中的人为主观因素，可有效改进物流联盟伙伴选择的准确性与客观性。该方法克服了当前联盟成员选择决策方法操作性差的弱点，改进的方法更加科学合理。将该模型在 YL 联盟的伙伴选择实例中应用，利用 SPSS软件和 Matlab 软件对模型进行数据处理与仿真的实现，验证了模型的可行性和有效性，评价结果客观有效，可以成为中小物流企业联盟伙伴选择中简便灵活、可操作性较强的工具。
【参考文献】
[1] 交通运输部道路运输司. 货运与物流企业转型发展典型案例 [M].北京：人民交通出版社，2013.
[2] 李强. 运输企业联盟组建及其合作伙伴选择研究 [D].长春: 吉林大学，2007.
[3] 陈飞儿，张仁颐. 物流企业联盟伙伴的选择 [J].上海海事大学学报，2004(3): 47- 50.
[4]夏维力，杨海光.基于BP神经网络的虚拟企业合作伙伴选择研究[J].科技进步与对策，2006(11)：43- 145.
