朱衛(wèi)東，孫宜博，吳勇，李礦，杜承勇

1合肥工業(yè)大學(xué)，經(jīng)濟學(xué)院，安徽省合肥市屯溪路193號 230009；

2過程優(yōu)化與智能決策教育部重點實驗室，合肥，230009；

3合肥工業(yè)大學(xué)管理學(xué)院，安徽省合肥市屯溪路193號230009；

4安徽省煙草公司淮北市公司，淮北，235100

基于神經(jīng)網(wǎng)絡(luò)的卷煙零售戶銷售假煙行為的預(yù)警模型研究

朱衛(wèi)東1,2,3，孫宜博3，吳勇2,3，李礦4，杜承勇3

1合肥工業(yè)大學(xué)，經(jīng)濟學(xué)院，安徽省合肥市屯溪路193號 230009；

2過程優(yōu)化與智能決策教育部重點實驗室，合肥，230009；

3合肥工業(yè)大學(xué)管理學(xué)院，安徽省合肥市屯溪路193號230009；

4安徽省煙草公司淮北市公司，淮北，235100

在卷煙零售戶銷售假煙驅(qū)動因素分析的基礎(chǔ)上，通過對安徽某市煙草專賣局的實地調(diào)研以及所獲得歷史數(shù)據(jù)的系統(tǒng)分析，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的零售戶銷售假煙行為的預(yù)警模型，該模型綜合考慮了零售戶的銷售行為、零售戶自身的特征以及時間因素等十二個預(yù)警輸入指標(biāo)。實證表明所構(gòu)建的模型穩(wěn)健性較好，預(yù)測準(zhǔn)確率較高。

煙草行業(yè)；BP神經(jīng)網(wǎng)絡(luò)；假煙銷售；預(yù)警模型

煙草行業(yè)是一個特殊的行業(yè)，它既與政府財政收入關(guān)系密切，又與政府監(jiān)管行為緊密相關(guān)，同時又會對消費者健康造成影響。2012年，煙草行業(yè)實現(xiàn)工商稅利8649.39億元，上繳國家財政7166.62億元，占全國財政總收入6.1%[1]。少數(shù)卷煙零售商通過銷售假煙來追求自身利益的最大化，這種行為嚴(yán)重的損害了煙草行業(yè)的健康發(fā)展，也對國家利益和消費者利益造成了危害。然而通過對安徽省某市煙草銷售行業(yè)進(jìn)行調(diào)研，發(fā)現(xiàn)該市的煙草專賣局內(nèi)管系統(tǒng)現(xiàn)有的預(yù)警準(zhǔn)確率僅為4%左右，不能為煙草專賣局執(zhí)法部門提供科學(xué)準(zhǔn)確的執(zhí)法對象，不能改變當(dāng)前“地毯式”的執(zhí)法方式，同時也對卷煙零售戶的日常經(jīng)營造成了較大干擾。

市場預(yù)測是根據(jù)歷史數(shù)據(jù)資料，運用科學(xué)的理論方法通過對市場的各類行為進(jìn)行研究分析來判斷市場的發(fā)展趨勢，預(yù)測未來市場的趨勢變化，為管理者的經(jīng)營決策提供科學(xué)合理的依據(jù)。許多學(xué)者對管理預(yù)測理論的實際應(yīng)用進(jìn)行研究：王增民[2]利用灰色加權(quán)馬爾可夫鏈對移動通訊用戶數(shù)進(jìn)行預(yù)測；趙輝和王輝[3]基于河南某市的卷煙歷史銷售數(shù)據(jù)構(gòu)建了三個基于時間序列的卷煙需求模型，并對比分析了三種模型的適用情況；仲東亭等[4]基于修正的神經(jīng)網(wǎng)絡(luò)預(yù)測模型利用江蘇某地的銷售數(shù)據(jù)建立了一維時間數(shù)據(jù)銷售總量的預(yù)測模型。然而目前的市場預(yù)測研究中，學(xué)者大都采用定量的歷史數(shù)據(jù)構(gòu)建預(yù)測模型，很少考慮到預(yù)測對象的自身特征，而預(yù)測對象的差異會導(dǎo)致預(yù)測結(jié)果的差別。

本文通過對卷煙零售戶銷售假煙行為的特征以及影響因素進(jìn)行分析，并對安徽省某市煙草專賣局進(jìn)行實地調(diào)研，對傳統(tǒng)的銷量指標(biāo)進(jìn)行細(xì)化，并增加了刻畫零售商自身特征的定性指標(biāo)和控制時間效應(yīng)的月份指標(biāo)。在此基礎(chǔ)上，通過相關(guān)試驗確定預(yù)警模型的最優(yōu)參數(shù)，并通過BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)樣本進(jìn)行自適應(yīng)學(xué)習(xí)完善并確定預(yù)警模型，最后利用所構(gòu)建的預(yù)警模型對剩余樣本進(jìn)行預(yù)警檢驗，對預(yù)警結(jié)果進(jìn)行分析得到相關(guān)管理啟示。

1 卷煙零售戶銷售假煙行為的相關(guān)分析

1.1 違規(guī)零售戶歷史數(shù)據(jù)的特征分析

通過對安徽某市查處的違規(guī)銷售假煙的歷史數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)卷煙零售戶的經(jīng)營規(guī)模、經(jīng)營業(yè)態(tài)、以及所處的市場位置等特征的不同，會使零售戶的銷售行為產(chǎn)生較大差異：

在經(jīng)營業(yè)態(tài)上，違規(guī)零售戶主要為批零兼營雜貨店、一般雜貨店以及中小超市；在所處商圈內(nèi)，其主要分布在居民區(qū)（村）和商業(yè)（集貿(mào)）區(qū)；所處的市場細(xì)分類型上，銷售假煙的零售戶主要分布在農(nóng)村、鄉(xiāng)鎮(zhèn)、市區(qū)和城鄉(xiāng)結(jié)合部。

對于經(jīng)營規(guī)模來說，違規(guī)零售戶主要分布在大型和中型經(jīng)營規(guī)模的零售商家內(nèi)，主要原因是小型零售戶的銷售卷煙數(shù)量和種類較少，客戶較為固定，出售假煙會對其在消費者中的聲譽造成嚴(yán)重?fù)p害，而對于大中型零售戶來說，其銷售煙的種類繁多、數(shù)量較大，并且固定客戶較少，客戶流動性較大，其出售假煙的聲譽損傷較小。

1.2 零售戶銷售假煙行為的影響因素分析

（1）利益因素

首先，銷售假煙可以帶來非常豐厚的利潤，由于煙草行業(yè)實行煙草專賣制度，零售戶所銷售的卷煙是從當(dāng)?shù)責(zé)煵輰Ｙu局獲得，煙草專賣局對每種品牌的卷煙均有相應(yīng)的指導(dǎo)價格，而零售戶銷售的假煙從非法途徑獲得，進(jìn)貨成本較低；其次，煙草專賣局對賣假煙的零售戶處罰較輕，零售戶即使被抓到后的預(yù)期損失遠(yuǎn)遠(yuǎn)小于非法銷售假煙所帶來的巨額利潤。

（2）環(huán)境因素

實地調(diào)研發(fā)現(xiàn)零售戶銷售假煙與所處的地理環(huán)境有著很大的關(guān)系，當(dāng)周圍的商家銷售假煙較多時，在從眾心理的影響下零售戶往往會“隨大流”，進(jìn)入銷售假煙的行列，出現(xiàn)假煙銷售的“扎堆現(xiàn)象”。尤其在零售戶發(fā)現(xiàn)別的商家違法銷售假煙很少被查處時，就會產(chǎn)生一定的僥幸心理，認(rèn)為自己銷售假煙也不會被查處，這更進(jìn)一步的促使零售戶違規(guī)銷售假煙。

2 基于BP神經(jīng)網(wǎng)絡(luò)的零售戶違規(guī)銷售的預(yù)警模型

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)[5-6]也稱誤差反向傳播神經(jīng)網(wǎng)絡(luò)，其學(xué)習(xí)過程為一個反復(fù)迭代的過程，是應(yīng)用得最為廣泛的神經(jīng)網(wǎng)絡(luò)預(yù)測模型[7]。人工神經(jīng)網(wǎng)絡(luò)具有以下特征：（1）具有自學(xué)習(xí)和自適應(yīng)性；（2）容錯性以及較強的魯棒性；（3）并行性；（4）復(fù)雜的非線性。由于BP神經(jīng)網(wǎng)絡(luò)以上的優(yōu)良特性，其被廣泛應(yīng)用于圖像識別[8]，上市公司財務(wù)預(yù)警[9]、預(yù)測[10-11]、顧客滿意度以及風(fēng)險評價[12-15]等領(lǐng)域。模型的輸入是利用神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測模型的前提基礎(chǔ)，它與模型預(yù)測結(jié)果準(zhǔn)確度密切相關(guān)，本文在此重點對預(yù)警模型的輸入進(jìn)行梳理和選擇。

2.1 零售戶銷售假煙行為的預(yù)測指標(biāo)的遴選

由于零售戶銷售假煙時會導(dǎo)致自身合法的銷售量發(fā)生變化，可以通過考察零售戶銷售量的變化來對零售戶銷售行為進(jìn)行研究[16]。從1.1節(jié)違規(guī)零售戶歷史數(shù)據(jù)的特征分析中發(fā)現(xiàn)不同特征的零售戶的銷售假煙的行為是不同的，基于此，本文在傳統(tǒng)的銷售數(shù)據(jù)的基礎(chǔ)上增加了零售戶的特征指標(biāo)以及時間指標(biāo)。

2.1.1 銷售類指標(biāo)

通過調(diào)研發(fā)現(xiàn)僅僅通過銷售總量的變化有時不能準(zhǔn)確的反映其銷售行為的規(guī)律，本文通過在銷售總量的基礎(chǔ)上來增加更精細(xì)的指標(biāo)。煙草專賣局根據(jù)卷煙的不含稅調(diào)撥價把卷煙分為五個價類，由于各地區(qū)之間的經(jīng)濟發(fā)展水平和人們生活習(xí)慣的不同，各地區(qū)五類煙的銷售情況不盡相同，本文在考慮銷售總量的基礎(chǔ)上，同時考慮每類煙的銷售狀況，由此本文預(yù)警指標(biāo)的銷售類指標(biāo)確定如下表所示：

（1）月銷量變化率（A1）表示卷煙零售戶當(dāng)月銷量與上月銷量之間的差異，用來衡量銷量在一個相對長的時間內(nèi)的變化規(guī)律；

（2）旬銷量變化率（A2）表示卷煙零售戶旬銷量與前三旬平均銷量之間的差異，用來衡量零售戶當(dāng)期總銷量的變化；

（3）五類煙銷量變化率（A3-A7）表示各價類煙的旬銷量與前三旬平均銷量之間的差異，用來衡量各價類卷煙的銷量變化。

2.1.2 零售戶的特征指標(biāo)

通過對安徽某市實地調(diào)研以及違規(guī)銷售的歷史數(shù)據(jù)的分析，本文選取經(jīng)營規(guī)模、所處的市場細(xì)分類型、經(jīng)營業(yè)態(tài)以及所處的商圈類型四個指標(biāo)來對零售戶的特征進(jìn)行衡量，具體指標(biāo)及說明如下表所示。

表1 銷售類指標(biāo)及說明Tab.1 Sales index and its expalnation

表2 零售戶的特征指標(biāo)及說明Tab.2 Retail clients’ characteristics and explanation

2.1.3 時間因素

通過對安徽某市卷煙零售戶的實地調(diào)研發(fā)現(xiàn)卷煙的銷售量會因時間的變化產(chǎn)生波動，比如春節(jié)期間的銷售量遠(yuǎn)高于其他月份，而且各月份之間的銷售量也有一定的差異，因此本文選擇“月份（C1）”作為預(yù)警模型的一個控制時間因素的輸入。

綜上所述，通過理論分析和實地調(diào)研梳理出了預(yù)測零售戶違規(guī)銷售假煙的十二個相關(guān)因素，其中主要包括零售戶銷售行為、零售戶自身特征以及時間因素三個方面，具體如表3所示。為了方便數(shù)據(jù)處理，本文需將定性指標(biāo)進(jìn)行數(shù)值化，標(biāo)準(zhǔn)見表4。

表3 零售戶銷售假煙預(yù)測模型的輸入指標(biāo)Tab.3 Indicators of prediction model of counterfeit cigarette sales

2.2 參數(shù)選擇及預(yù)警模型的構(gòu)建

（1）數(shù)據(jù)樣本的選擇

以安徽某市煙草專賣局從2010年1月上旬至2012年9月中旬所有零售戶的銷售數(shù)據(jù)，剔除屬性信息缺失和銷量數(shù)據(jù)缺失的樣本，最后得到用戶銷售假煙的樣本為328個，正常經(jīng)營的用戶樣本為539809個。由于樣本的比例不平衡，借鑒石曉軍[17]的方法使用1:3的樣本配比，所以本文從正常數(shù)據(jù)樣本中隨機抽取984個樣本，與328個違規(guī)用戶合在一起作為初始樣本，本文設(shè)置訓(xùn)練集、驗證集和測試集的樣本比例分別為6:3:1。

（2）隱含層數(shù)及隱含層節(jié)點數(shù)的確定

Carroll和Dickinson[18]證明了三層BP神經(jīng)網(wǎng)絡(luò)只要隱含層節(jié)點數(shù)足夠多，并擁有足夠的訓(xùn)練數(shù)據(jù)和訓(xùn)練時間，若其輸出層采用線性轉(zhuǎn)換函數(shù)，隱含層采用Sigmoid轉(zhuǎn)換函數(shù)，可以模擬任意復(fù)雜系統(tǒng)。基于此本文所構(gòu)建的模型為三層BP神經(jīng)網(wǎng)絡(luò)（即只含有一個隱含層），輸入層到隱含層的轉(zhuǎn)移函數(shù)為雙曲正切函數(shù)，隱含層到輸出層的轉(zhuǎn)移函數(shù)為線性傳遞函數(shù)。

通過2.1節(jié)對預(yù)測指標(biāo)的梳理，本文共選取十二個影響因素對零售戶銷售假煙行為進(jìn)行預(yù)警，模型的輸出為零售戶銷售假煙的可能性，所以本文構(gòu)建的預(yù)警模型有十二個輸入、一個輸出。然而，對于網(wǎng)絡(luò)隱含層接點數(shù)（m）的確定目前尚無完整的理論指導(dǎo)，主要根據(jù)經(jīng)驗和試湊來確定，根據(jù)經(jīng)驗公式其中模型的輸入n=12，輸出l=1，α為1到10之間的常數(shù)，因此本文所構(gòu)建的預(yù)測模型初始隱含層節(jié)點數(shù)從5開始，逐漸增加隱含層節(jié)點數(shù)，經(jīng)過多次訓(xùn)練得到本文模型的誤判率在隱含層節(jié)點數(shù)m=6時最小，因此本文所構(gòu)建的模型隱含層節(jié)點數(shù)為6。

（3）其他參數(shù)的確定

初始權(quán)值決定了神經(jīng)網(wǎng)絡(luò)的初始訓(xùn)練從誤差曲面哪一點開始，會對神經(jīng)網(wǎng)絡(luò)各神經(jīng)元的學(xué)習(xí)速度產(chǎn)生影響，本文借鑒通常的做法，取初始權(quán)值為(-1,1)之間的隨機數(shù)。在學(xué)習(xí)過程中，神經(jīng)網(wǎng)絡(luò)系統(tǒng)的學(xué)習(xí)率與模型穩(wěn)定性關(guān)系密切，在選取隱含層節(jié)點數(shù)的訓(xùn)練中分別設(shè)置0.002、0.004和0.006，經(jīng)過比較發(fā)現(xiàn)，隱含層節(jié)點數(shù)為6、學(xué)習(xí)率為0.004的網(wǎng)絡(luò)模型誤判率最低，所以預(yù)測模型學(xué)習(xí)率設(shè)置為0.004。另外，本預(yù)測模型將沖量系數(shù)設(shè)置為0.001，模型的訓(xùn)練迭代次數(shù)設(shè)置為1500。

綜上所述，該預(yù)警模型主要參數(shù)：十二個輸入、一個輸出；一個隱含層，六個隱含層節(jié)點；學(xué)習(xí)率為0.004，輸入層到隱含層的轉(zhuǎn)移函數(shù)為雙曲正切函數(shù)，隱含層到輸出層的轉(zhuǎn)移函數(shù)為線性傳遞函數(shù)，初始權(quán)值為(-1,1)之間的隨機數(shù)，在此基礎(chǔ)上借助SAS軟件構(gòu)建本文所需的BP神經(jīng)網(wǎng)絡(luò)模型（如圖1所示）。

圖1 本文的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Neural network structure of this paper

通過對初始樣本自適應(yīng)學(xué)習(xí)得到相應(yīng)參數(shù)，該模型對訓(xùn)練數(shù)據(jù)集進(jìn)行判別的錯誤分類率為21.71%，對檢驗數(shù)據(jù)集進(jìn)行判別的錯誤分類率為22.80%，兩者相差1.09%，說明所建立的模型穩(wěn)健性較好；測試集誤判率為23.68%，準(zhǔn)確率為76.32%，說明該模型預(yù)測準(zhǔn)確率比較高。

2.3 模擬預(yù)警與結(jié)果分析

為了方便煙草專賣局員工可以直觀的觀察用戶違規(guī)銷售的概率，同時為了便于煙草公司針對模型的預(yù)警結(jié)果采取相應(yīng)的管理措施，本文按照違規(guī)可能性的大小將零售戶分為四類，如下表所示。

表5 模型輸出結(jié)果與違規(guī)可能性對應(yīng)表Tab.5 Corresponding results of model outputs and possibility of irregularities

利用所構(gòu)建的預(yù)警模型對構(gòu)建模型剩余的538825個數(shù)據(jù)樣本進(jìn)行模擬預(yù)警，得到其中有29253組數(shù)據(jù)樣本可能為違規(guī)樣本，這些違規(guī)樣本分布在1860個用戶中，其中13個違規(guī)可能性大，512個違規(guī)可能性較大，1335個違規(guī)可能性一般，通過模型的模擬預(yù)警所得到的1860個可能銷售假煙的零售戶特征如圖2所示。通過對模型的預(yù)測結(jié)果進(jìn)行分析發(fā)現(xiàn)：對于商圈類型來說，1860個可能銷售假煙的零售戶中57.7%分布在居民區(qū)，34.6%分布在商業(yè)集貿(mào)區(qū)，而煙草專賣局所查處的歷史數(shù)據(jù)中68.9%分布在居民區(qū)，24.39%分布在商業(yè)集貿(mào)區(qū)；對于經(jīng)營規(guī)模來說，預(yù)測結(jié)果中54.6%為大型零售戶，42.8%為中型零售戶，而已查處銷售假煙的零售戶48.78%為大型零售戶，46.04%為中型零售戶。1860家可能違規(guī)的零售戶的特征與已經(jīng)查處的違規(guī)銷售假煙零售戶的特征較為類似，這進(jìn)一步驗證了本文將零售戶的自身特征加入到預(yù)警指標(biāo)的合理性。

在模擬預(yù)測結(jié)果分析的基礎(chǔ)上并結(jié)合歷史違規(guī)用戶的特征分析，可以發(fā)現(xiàn)由于不同特征的用戶在銷售假煙的行為上有著較大差異，煙草專賣局應(yīng)該對零售戶進(jìn)行分類管理，針對不同類型的用戶制定具體的有針對性的監(jiān)督管理措施。在具體的專賣管理工作中，煙草專賣局可以采取如下措施來遏制零售戶銷售假煙的行為：在經(jīng)營規(guī)模上，煙草專賣局的重點監(jiān)管對象應(yīng)該主要集中在大型或者中型的零售戶中；在市場細(xì)分類型上，適當(dāng)?shù)膶⒈O(jiān)督力度由市區(qū)向農(nóng)村、鄉(xiāng)鎮(zhèn)等地區(qū)轉(zhuǎn)移，加大對農(nóng)村、鄉(xiāng)鎮(zhèn)以及縣城城區(qū)的監(jiān)管水平；在經(jīng)營業(yè)態(tài)上，要對中小超市和批零兼營雜貨店進(jìn)行重點檢查；在商圈類型上，要經(jīng)常對處于居民區(qū)和商業(yè)集貿(mào)區(qū)零售戶進(jìn)行檢查。

圖2 可能違規(guī)零售戶的分布特征Fig.2 Distribution characteristics of possible illegal retailers

3 結(jié)論

本模型在對零售戶的歷史數(shù)據(jù)分析的基礎(chǔ)上，通過對零售戶違規(guī)行為驅(qū)動因素進(jìn)行分析，綜合考慮零售戶的銷售行為、零售戶所處的地理位置和時間因素以及零售戶自身的特征等多個因素來對違規(guī)行為進(jìn)行預(yù)測，改變了以往單純使用銷售數(shù)據(jù)預(yù)測零售戶銷售違規(guī)行為的方法。對模型的相關(guān)分析結(jié)果顯示本文所構(gòu)建的預(yù)警模型穩(wěn)健性比較理想，預(yù)測準(zhǔn)確率比較高。

煙草銷售中零售戶的違規(guī)行為會對煙草行業(yè)產(chǎn)生嚴(yán)重的不利影響，而煙草行業(yè)的健康發(fā)展對國家財政收入有重要影響，構(gòu)建預(yù)警模型對卷煙零售戶違規(guī)銷售假煙進(jìn)行預(yù)測，首先，可以為煙草專賣的檢查工作提供重要的科學(xué)依據(jù)。通過本模型可以得到每個零售戶的違規(guī)概率，為煙草專賣檢查工作提供了依據(jù)，可以根據(jù)違規(guī)概率的大小進(jìn)行針對性檢查，可以減少撒網(wǎng)式、地毯式的檢查工作，同時還可以提高煙草公司的精準(zhǔn)化管理水平，降低管理成本，提高經(jīng)濟效益；其次，可以減少執(zhí)法人員對零售戶的正常經(jīng)營活動帶來的干擾，提高煙草專賣的客戶滿意度；另外，對零售戶有一定的約束作用，由于本文所構(gòu)建的預(yù)警模型的準(zhǔn)確性較高，對卷煙零售戶的僥幸心理有一定的影響，從而減少零售戶賣假煙的行為。

由于該市煙草專賣局的數(shù)據(jù)庫中用戶的部分屬性信息缺失，模型中衡量零售戶個人特征的部分指標(biāo)（如教育程度）未加入預(yù)測模型，以后可以在本模型的基礎(chǔ)上增加輸入項，對所缺失的部分屬性指標(biāo)進(jìn)行的完善，進(jìn)一步提高模型的預(yù)測精準(zhǔn)度?；诒疚氖崂沓龅牧闶蹜翡N售假煙預(yù)警指標(biāo)，后續(xù)可以研究各指標(biāo)對預(yù)警結(jié)果的具體影響路徑及相關(guān)系數(shù)，進(jìn)而有針對性的制定卷煙零售戶的監(jiān)督管理措施，進(jìn)一步提高煙草專賣的精準(zhǔn)化水平。

[1]數(shù)據(jù)來源：http://www.tobacco.gov.cn/html/10/1005/1005 01/10050103/4288217_n.html.

[2]王增民,王開玨.基于灰色加權(quán)馬爾可夫鏈的移動通信市場預(yù)測[J].數(shù)學(xué)的實踐與認(rèn)識,2012(22):8-15.

[3]趙輝,王輝.基于多種時序模型的河北省某市卷煙需求預(yù)測比較[J].經(jīng)濟研究導(dǎo)刊,2011(08):142-145.

[4]仲東亭,張玥.BP神經(jīng)網(wǎng)絡(luò)對煙草銷售量預(yù)測方法的改進(jìn)研究[J].工業(yè)技術(shù)經(jīng)濟,2007(09):115-118.

[5] Rumelhart D E,Hinton G E,McClelland J L,et al.A general framework for parallel distributed processing [J].Parallel distributed processing,1986,1(2).

[6] Syed M N,Pardalos P M.Neural network models in combinatorial optimization [M]Springer,2013:2027-2093.

[7] Vellido A,Lisboa P J,Vaughan J.Neural networks in business: a survey of applications (1992--1998) [J].Expert Systems with Applications,1999,17(1):51-70.

[8]孫亞.基于粒子群BP神經(jīng)網(wǎng)絡(luò)人臉識別算法[J].計算機仿真,2008(08):201-204.

[9]楊淑娥,黃禮.基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財務(wù)預(yù)警模型[J].系統(tǒng)工程理論與實踐,2005(01):12-18.

[10]邵惠芳,許自成,李東亮,等.基于BP神經(jīng)網(wǎng)絡(luò)建立烤煙感官質(zhì)量的預(yù)測模型[J].中國煙草學(xué)報,2011(01):19-25.

[11]王文波,費浦生,羿旭明.基于EMD與神經(jīng)網(wǎng)絡(luò)的中國股票市場預(yù)測[J].系統(tǒng)工程理論與實踐,2010(06):1027-1033.

[12]郭嵐,張祥建.基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)核心競爭力評價[J].科學(xué)學(xué)研究,2007(01):132-137.

[13]彭黔榮,蔡元青,王東山,等.根據(jù)常規(guī)化學(xué)指標(biāo)識別煙葉品質(zhì)的BP神經(jīng)網(wǎng)絡(luò)模型[J].中國煙草學(xué)報,2005(05):19-25.

[14]岑成德,權(quán)凈.服務(wù)屬性對顧客滿意感影響程度研究——人工神經(jīng)網(wǎng)絡(luò)方法[J].南開管理評論,2005(02):16-22.

[15]Wang R,Zeng J,Feng X,et al.Evaluation of effect of plastic injection molding process parameters on shrinkage based on neural network simulation [J].Journal of Macromolecular Science,Part B,2013,52(1):206-221.

[16]謝星峰.基于神經(jīng)網(wǎng)絡(luò)的卷煙銷售預(yù)測模型的研究及應(yīng)用[D].昆明理工大學(xué),2005.

[17]石曉軍.Logistic違約率模型最優(yōu)樣本配比與分界點的模擬分析[J].數(shù)理統(tǒng)計與管理,2006(06):675-682.

[18]Carroll S M,Dickinson B W.Construction of neural nets using the radon transform[C].International Joint Conference on Neural Networks.IEEE,1989: 607-611.

A neural network-based early warning model for counterfeit cigarette traded by retailers

ZHU Weidong1,2,3，SUN Yibo3，WU Yong3，LI Kuang4，DU Chengyong3
1 School of Economics,Hefei University of Technology,Hefei 230009,China;
2 Key Laboratory of Process Optimization and Intelligent Decision-making,Ministry of Education,Hefei 230009,China；
3 School of Management,Hefei University of Technology,Hefei 230009,China;4 Huaibei Municipal Tobacco Company,Huaibei 235100,China

Field study and data analysis were conducted in a city of Anhui province to establish a early warning model of counterfeit cigarette sales based on BP neutral network by analyzing retailer's motivation for counterfeit selling.This model took into account twelve factors such as retailers selling practice,their individual characteristics and time factors.It was proved to have good stability and improved accuracy of early warning.

tobacco industry; BP neural network; sales of counterfeit cigarettes; early warning model

10.3969/j.issn.1004-5708.2014.06.020

TS4-06 文獻(xiàn)標(biāo)志碼：A 文章編號：1004-5708（2014）06-0127-06

國家自然科學(xué)基金項目(NO.71071048)；安徽省煙草公司科技立項項目（NO.HBYC201101）

朱衛(wèi)東，博士，博士生導(dǎo)師，教授，研究方向：決策科學(xué)、決策支持系統(tǒng)、會計信息與決策，Email：zhuwd@hfut.edu.cn

2014-01-12