基于BP神经网络品牌竞争力评估探究.docVIP

基于BP神经网络品牌竞争力评估探究摘要：文章在综合考虑品牌的顾客价值和企业价值的基础上，从四个维度建立品牌竞争力评估的指标体系，并运用BP神经网络模型预测目标品牌的竞争力。该方法通过样本的品牌数据训练BP神经网络的学习功能，再将目标品牌的指标值输入训练后的BP神经网络，评估目标品牌的竞争力大小。 关键词：品牌竞争力；BP神经网络；评估指标 一、前言 竞争是市场经济的本质，企业作为市场经济的主体也处在各种竞争中。当市场经历单一的产品竞争、质量竞争、价格竞争、广告竞争等等之后，以品牌为核心的竞争模式将会成为引领市场的主要形式。企业如果成功塑造了市场领导者品牌，就会形成持续有效的、创造无限价值的竞争力。 品牌竞争力是企业在市场决战中最重要的能力，用通俗的话说，如果你的产品比其他牌子的同类产品卖得好、卖得快、卖得贵、卖得久，就说明你的品牌竞争力强；反之，就说明你的品牌竞争力弱。因此，评估企业自身品牌的竞争实力成为摆在企业前的一个迫切议题。国内外的一些学者已从不同角度提出科学定量评估品牌竞争力的许多方法：市场表现评估法主要从品牌竞争力的表象方面进行评估；品牌综合管理能力指标评估法、品牌竞争力基础工作评估法都只单方面考虑从企业因素来衡量竞争力的强弱，未考虑品牌的顾客因素；与之相对应的基于顾客价值的品牌竞争力评估则没有考虑品牌对企业的价值体现。因此，本文基于品牌的顾客价值和企业价值的双重角度，从四个维度建立品牌竞争力评估的指标体系，并运用BP神经网络模型预测目标品牌的竞争力。 二、品牌竞争力的评估指标体系 由于前述评估方法的片面性，其指标体系必然体现着不完善性。品牌竞争力的评估体系应综合体现品牌的顾客价值和品牌所反映企业的各方面能力的综合，基于顾客价值我们建立准则层——顾客的忠诚度，基于企业的品牌竞争力我们建立三个准则层——品牌市场能力、品牌管理能力和品牌基础能力。对于各个子准则层体现的具体因素内容如表1所示。 三、基于BP神经网络的品牌竞争力评估模型 近年来，众多学者量化评估品牌竞争力的方法主要有层次分析法、线性回归分析法、第二代回归分析方法、模糊综合评判法等。神经网络的出现给多指标的系统评价提供了新思路，特别是BP神经网络强大的自学自适应能力，在很多行业得到不同程度的成功应用，非常适用于对矛盾复杂的、近似的、不确定的知识环境做决策，能成功解决相关因素人为权重设计的主观性及相关系数的复杂计算。 （一）BP人工神经网络基本原理 BP网络是一种反向传递并能修正误差的多层反馈型网络，其结构一般由输入层、输出层和隐含层构成，层与层之间的神经元通过相应的网络权系数完全互连；同层内的神经元则无关联。神经网络在外界输入样本的刺激下不断改变网络的连接权值，将网络输出值和期望输出值的误差由输出层、隐含层、输入层的反向传递，以使网络的输出不断地接近实际的输出。 （二）基于BP神经网络的品牌竞争力评估模型 1.人工神经网络模型结构的确定。根据自变量一般为BP神经网络模型的输入层，因变量一般为输出层的原则，品牌竞争力的BP神经网络模型中，指标体系中目标层品牌竞争力的大小为输出层，设强、中、弱三个判定层次；子准则层作为品牌竞争力的影响因子，其14个指标为输入层，分别为X（C1）-X（C14）。 为达到BP神经网络容量大小和网络训练时间的良好效果，本模型中训练层的节点数取29个为最佳（隐含层的节点数=2倍输入节点数+1）。 2.样本选择与组织。在样本的选择中，应选择有显著代表性且分布均匀的、足够数量的样本。为评估目标品牌竞争力大小，可先选取一些本企业已开发的品牌或可获取的其他品牌产品的实际经营数据作为训练、测试样本。 3.输入层的确定。在表1提出的14个指标中，由于不同指标是从不同的角度反映品牌竞争力，指标之间又由于量纲不同，所以无法进行比较。因此，从最终评价值的确定和神经网络训练的收敛性考虑，需要对指标先进行无量纲化处理。 （1）定性指标：这些指标的评价值采用专家打分法进行评价，取值为0.0-1.0之间。 （2）定量指标：定量指标又分为正向指标，逆向指标和适度指标。 正向指标一般采用下面的线性递增函数进行描述： yi=0 x（c）≤x（c） x（c）≤x（c）≤x（c）1　　　　　　 x（c）≥x（c） 逆向指标一般采用下面的无量纲化标准函数： yi=0 x（c）≤x（c） x（c）≤x（c）≤x（c）1　　　　　　 x（c）≥x（c） 适度指标一般采用下面的函数进行无量纲化处理： yi= 其中，q为该指标的最适合值。 4．训练函数的选择。由于输入层变量和输出层变量不成线性关系，所以隐含层一般选择Sigmoid函数为激励函数，即ｆ（ｘ）=，实现输入层和输出层的非线性