[摘要] 本文在建立百货业竞争效果评价指标体系基础上，运用主成分分析法和BP神经网络方法建立模型，对其进行了模拟综合评价。
　　[关键词] 百货业 主成分分析法 神经网络 评价
　　
　　本文在波特五种力量竞争模型，并结合当前百货业竞争实际情况，从百货业外部环境和内部环境进行详细分析的基础上，建立竞争效果评价指标体系后，用主成分分析对原始指标进行筛选，然后通过BP神经网络建立评价模型的方法上最大程度开发竞争评價模型。
　　一、数据的预处理
　　即将各种数据和非数据资料转化为正向数据指标，根据指标性质的不同，采用不同的转化方法。
　　二、定性指标的处理
　　对于一些定性指标，数据的收集采用问卷调查的方法，问卷采用（好，较好，一般，不好）的模式让被调查者选择，然后利用被调查者选择每一项的比率和权重相乘的综合得分作为这一项的得分。
　　三、用主成分分析法筛选主成分
　　1.原始指标数据的标准化。
　　2.求指标数据的相关矩阵。,其中,rjk是指标j与指标k的相关系数。
　　3.求相关矩阵Ｒ的特征根和特征向量,确定主因子。由特征根方程可求得的ｐ个特征根,它是主因子的方差,它的大小描述了各个主因子在描述被评价对象上所起的作用的大小,对其从大到小进行排列:。由特征根方程可知,每一个特征根对应一个特征向量,将标准化后的指标变量转换为主因子:
　　
　　F1称为第一主因子,F2称为第二主因子,依次类推,Fp称为第p主因子。
　　4.求方差贡献率,确定主因子个数。一般而言,主因子个数等于原始指标个数,但如果原始指标个数较多时,进行综合评价的工作量就很大也比较麻烦。主因子分析法就是选取尽量少的Ｋ个主因子来进行综合评价,同时尽量不丢失信息量。Ｋ值由方差贡献率决定,一般地说,Ｋ不应小于85%。
　　5.对Ｋ个主因子进行综合评价。先求每一个主因子的线性加权值,即第3个步骤中的,再以方差贡献率为权重,对这Ｋ个主因子进行加权求和,即得最终评价值Ｖ:
　　
　　四、BP神经网络评价模型
　　1.网络结构设计。根据评价对象的特点采用三层（输入层、中间层、输出层）神经网络模型，输入层的输入为主成份分析的结果，输出层的输出为预先设定值。
　　2.各层参数的确定。输入层的输入：;输出层的希望输出：;中间层的输入：;中间层的输出：;输出层的输入：;输出层的实际输出：;中间层神经元的阈值:;输出层的阈值：;输入层与中间层的连接权值:中间层与输出层的连接权值:。
　　3.BP学习算法流程。第一,初始化，赋予（-1.1）的随机值。第二，随机选取学习样本模式对进行操作。第三步，计算中间层单元输入和输出，式中。第四步,计算输出层单元的输入输出，。第五步，计算输出层各单元的一般误差，。第六步，计算中间层各单元一般误差，。第七步，权值修订。首先取，为（0，1）内较大的数（例如0.6），循环计算多次后（例如50次），如果误差仍没有达到精度要求，则逐渐减少的取值。,第八步，计算误差。首先，定义误差式中k为第k个样本。当时训练结束，否则返回第二步，式中m为训练样本数，为事先确定值。第九步，确定各个权值之后模型确定。最后将百货业数据输入模型即可应用。
　　
　　参考文献：
　　[1]韩力群:人工神经网络理论设计及应用[M].北京：化学工业出版社,2002.1-193
　　[2]卢纹岱:SPSS for Windows统计分析[M].北京:电子工业出版社,2000. 414—417
　　[3]迈克尔.波特著陈小悦译:《竞争战略》第一版，华夏出版社，北京，1997年版
　　[4]于秀林任雪松:多元统计分析[M].北京:中国统计出版社,1999
　　注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。