文摘
电子商务国际贸易的迅速发展,促进了经济的迅猛发展的经济体系的国际贸易企业。这也意味着,行业竞争逐渐加剧,这也使得绩效评估跨境电子商务国际贸易的关键。目前,我国的绩效评估研究跨境电子商务国际贸易处于一个空白的状态。因此,本文以国际贸易跨境电子商务绩效评价为研究对象,基于深层神经网络模型,开发了跨境国际贸易绩效评估模型,改变贸易战略,提高贸易表现。本文首先分析各种神经网络模型,如人工神经网络、“英国石油公司”神经元模型,LSTM神经网络。本文总结了深神经网络模型,有利于跨境电子商务的发展,指出在当前绩效评估存在的问题跨境电子商务国际贸易:电子商务市场监督制度并非完美无缺;第二个是不一致的评价指标;第三是评价系统。与实际有一些差异。最后,本文提出了相关建议的绩效评估跨境电子商务国际贸易和指出了各种神经网络的优缺点,以及他们的角色在跨境电子商务绩效评估,并比较这些神经网络通过实验。 Experiments show that among these neural network models, the deep neural network model is the best and has the highest accuracy and stability in e-commerce trade performance evaluation. In the later stage, we will improve the global logistics system, strengthen the application of big data technology, and improve the overall performance of global operations. First, a set of indicators is designed to evaluate the performance of e-commerce systems, using the enterprise key factor model concept. In addition, this evaluation method is different from the commonly used expert evaluation method and physical evaluation method in evaluating the construction quality, cost, education and growth ability, and performance level of the international business system of cross-border e-commerce.
1。介绍
本研究的目的是开发一个深层神经网络模型来评估性能的跨境电子商务贸易,将用于亚洲和欧洲的贸易环境。模型使用图像数据进行分析评估常见类型的跨境电子商务的发展前景。此外,模型功能高效学习,两级匹配,和多个平行水平的快速链接准确定位判断标准(1]。每隔一段时间,研究人员让深度学习模型的改进模型。目前,这些模型在商业变得更受欢迎,公平是一个主要挑战深度学习模型。本文主要分析模型的公平解决模型的公平判断。本文认为深层神经网络优化算法和模型并选择一个混合方法来解决优化问题(2]。通过研究神经网络学习的抽样问题,提出了一种选择性学习方法使用多级表,建立BP神经网络模型,模型修改和优化。经过一系列的实验,实验表明,该方法的计算过程更简单,更快捷、更准确的比其他模型(2]。在本文中,我们提出一种新颖的图像画框架,深层神经网络用于绘制网络。我们的方法使用图像卷积网络学习模式3]。分析证实distance-related交易成本远低于直接交易相同的产品;然而,语言学习业务成本增加。我们正在探索选择欧盟决策者促进跨境电子商务数码市场(4]。本文提供了一个技术总结的最新经济研究跨境电子商务在欧洲,包括结果的话题。它比较了跨境贸易地理上和性能的差异。它还探讨了经济效益的逐步转变从线下购物网上购物和探索潜在来源这一变化造成的增加客户服务(5]。在这个阶段,电子商务的国际贸易发展迅速,物流和运输行业逐渐优化跨境电子商务的发展。目前,跨境商品运输的主要方式包括国际运输船只、国际紧急转运站,沿海仓库、国际物流线,边境仓库、相互联系的地区,和相互关联的物流设施。促进跨境物流在未来的发展,有必要促进区域电子商务的集成开发和跨境物流和使用跨境整合模型更新物流(6]。本文解决了一般的盈利性业务和简单的一般形式。公司内创业是由一个大的经济体。由于经济的规模,市场不是很有竞争力。然而,它可以证明,甚至国家的口味,技术和产品可用性、贸易和商业利益出现(7]。本文侧重于差异化生产资料和构建模型,产生国际回报规模和使用这个模型来探索国际回报之间的关系,传统的国家回到国际贸易的规模和要素禀赋理论(8]。40多年来,全球贸易流动的跨国实证分析表明,相当于物流是电子商务。特别是,自由贸易协定(fta)的影响在贸易流动导致了电子商务的快速发展。然而,跨境电子商务面临着相同的经济约束税务行业的先前的研究。但在潜力方面,两国之间的贸易跨境电子商务我们看到将双经过十年的自由贸易协定9]。这本书地址贸易理论,强调贸易平衡通用建模而不是地方,通常最好使用双重或包络函数。这导致了一个简洁的治疗标准的理论,澄清了一些错误和混淆,产生了一些新的偏差(10]。价值取向的深层结构是地方政府绩效评估体系和地方政府绩效评估的精神。它有重大影响的稳定和改革地方政府绩效评估体系,以及地方政府绩效评估实践的指导和指导。制定地方政府绩效评估系统,重要的是要有一个清晰的理解的方向改变成本评估的方向。也有必要建立、改进和集成评级指标体系根据新的估值方向(11]。在实践中,一些公司仍在使用作业完成作为唯一衡量项目的性能。这种做法可能会对一些公司使用作业完成测量性能,但对另一些人来说,使用作业完成作为唯一衡量项目绩效可以导致超支和overbudgets工业项目(12]。本文描述了计算机性能评价体系由美国对外贸易学院。描述了系统开发的背景和经验研究,参照许多实验研究证明其是否适合各种研究目的(13]。自1980年代以来,跨境贸易增加了使用性能指标,因此,国家创造了一种更有效的,有效的和负责任的公共部门更好的监督和管理。因此,多维、包容性能测量系统提出了基于组织战略如平衡分数,超越了传统的金融措施。绩效评估系统也被认为是一个独特的新综合系统[14]。
2。深层神经网络
2.1。深层神经网络类型
神经网络是强大的深度学习模型在几秒钟内合成大量数据的能力。有许多类型的神经网络,帮助我们在我们的日常活动。常用的包括感知器神经网络模型,递归神经网络(RNN)、人工神经网络、BP神经网络和LSTM神经网络结构。其中,perceptone是最简单的神经网络结构。这个模型也被称为单层神经网络,只有两层:隐藏层和产品层,而递归神经网络包含两种类型的神经网络:一个是神经网络;另一个是重复的神经网络,它使用相同的网络结构,形成了一个越来越深的网络。RNNs可以处理循环时间序列等问题。RNNs有“记忆”的“结束”基于它们之间的数据;交换网络的本质是,它们适合于结构化数据处理。BP神经网络是一个学习的过程,其中包含两个键:preinformation和preinformation传播。其次,BP神经网络有多个神经元。 These neurons are responsible for receiving information in its accumulation layer and passing it to the middle layer. This process is called preinformation; the middle layer summarizes the received information and transmits it to the middle layer. Responsible for information processing and exchange, this process is called preinformation dissemination. The information transmitted by the middle layer to each neuron is further processed to complete the learning forward propagation process, and then, the information processing results are adjusted by gradually reducing the error of the weight of each layer until the set standard value is reached and then presented to the outside world. Among them, the process of adjusting the weight of each layer is also the process of optimizing the neural network. It is a multilayer deep neural network with a recurrent algorithm that can loop over the input information when needed until a set value is reached. At present, it is one of the commonly used neural network models and one of the most classic traditional neural network algorithms. It has certain limitations, but BP networks can learn and store large amounts of input and output sample data without executing mathematical equations that have already been processed. Secondly, the BP neural network can perform error analysis according to the results obtained from the training and the expected results and then gradually adjust to a model whose product is consistent with the expected results.
2.2。人工神经网络
人工神经网络是指人类的大脑网络信息的建模处理。通过整合大量的神经网络,它有智能等功能相互理解、记忆的朋友,和组织信息。人工神经网络的基本组成部分是机械单位,神经元,它有两个功能:激发和抑制,学习和健忘,所有算法机制的特征。具体结构如图1。
在图1,代表了神经元的输入信息,代表了激活功能,代表神经元的信息传播到下一个神经元,也就是说,当前神经元输出。神经元的工作原理一样
2.3。“英国石油公司”神经元模型
神经元模型是最简单的神经网络。其特点和好处往往体现在几个方面:首先,是一个很好的自我意识和适应活动。根据神经网络的输入网络,经过一段时间的培训和教育,网络结构维度可以自动调整生产所需的产品。培训和改进神经网络的自组织和适应性的体现。第二,找到最好的高速解决方案。神经网络具有大规模比较系统和非常快。第三是存储和组织工作。结构计算使神经网络来存储各种信息分布在所有的网络连接。当它需要访问存储知识,它使用一个关联方法召回信息的激励。第四个是间接映射的力量。 Logically designed neural networks can automatically generate basic rules by studying the input and output samples of the system to measure any complex and indirect mapping of random objects. In conclusion, the comprehensive evaluation is often very complex and dynamic, and the interaction between the various indicators points to a strong and indirect relationship. Given the above cognitive features and the capabilities of artificial neural networks, it provides a powerful tool to solve indirect problems and therefore provides a comprehensive index evaluation process based on artificial neural networks.
2.4。RNN递归神经网络
传统的人工网络有许多问题,因为不同的一系列输入和输出可以有不同的长度;人工网络的层是分开的,也就是说,不同位置的序列不能共享属性。为了解决这些问题,提出了递归神经网络,数字2显示了RNN的基本结构。
其中,代表输入层,用于存储时间信息的输入序列。的计算公式和如下:
在哪里是活跃的函数。因为是一个产品序列,其价值是由隐层在这个时候,是由当前输入和前一个隐层 ,和它可以推断出,当前输出存在。是由前面的序列,共同决定了所有隐藏层,可以理解为RNN的记忆功能在前面的输入。
3所示。构建神经网络算法和性能评价模型
3.1。LSTM神经网络算法
LSTM网络信息传输通常是通过正向传播和反向传播。细节如下:(1)最初的传播,计算门三角形,细胞状态向量,每个神经元的输出:(1)的信息 (2)输入门决定了细胞状态更新: (3)更新单元内存状态实现集成的长期记忆和当前内存: (4)输出门输出结果: (2)反向传播,包括两个特点:一是时间的传播,也就是说,这个词错误计算每分钟从当前时刻,另一个是错误的传播话语在上层。最后,计算每个规模的大小根据相应的错误的单词:(1)计算每个神经元的误差项: (2)得到更新后的重量梯度误差项,作为一个例子,其余的都是一样的 :
3.2。人工蜂群算法
人工蜂群(ABC)算法基于蜜蜂殖民地社会群体的行为,这通常包括两个核心元素,蜜蜂环境和食物来源(花蜜源)。花蜜的花蜜量源用于表示解决方案的最优值,因此花蜜源有花蜜量意味着效率高、和相应的解决方案很好。花蜜的位置源(可行解)可以表示为一个向量 ,和每个蜜源代表的健身价值的质量解决方案。当搜索蜜蜂的数量和相应的蜜蜂花蜜来源的数量是一致的,该算法生成一个初始解,计算价值的解决方案
在哪里和代表的上下界空间; 和 是一个随机值在吗 。
启动后,导游蜜蜂开始寻找花蜜的来源循环,直到条件满足,也就是说,错误设置或最大频率的准确性。首先,引导蜜蜂搜索附近地区随机花蜜,搜索过程是根据执行
当最优值对应于新空间比历史最优解,领袖蜜蜂将使用贪婪算法来更新内存解决方案,保持最优的解决方案。的计算值(解决方案质量)的运动
的公式, ,在哪里 是随机生成的; , 随机数均匀分布在 ,确定扰动振幅;和是一个目标函数来解决这个问题吗 。
3.3。评价模型建设
LSTM的基本网络结构的基础上,本文运用上述人工蜜蜂蚂蚁算法优化神经网络,然后获得最优值的全球维度根据目标函数设置和分配神经元。该神经网络模型可以提高整体评估获得的准确评估跨境电子商务的国际贸易表现。目标函数公式如下:
其中,模型评估价值,是实际的价值,是目标损失价值,是样本容量。方程(21)表明,价值越低,更准确的结果值增加,这意味着样本值高得多。关键网络业务性能评价方法的实现步骤如下:(1)数据准备,样本数据训练,和实验数据,(2)LSTM在线神经网络,(3)介绍人工殖民算法,和(4)食物来源,计算每个随机食物源运动的价值。适应度函数的公式如下:
算法迭代优化:(6)保存最佳网络参数,确定最终评估结构、复制和评价企业绩效,并提供结果。LSTM神经网络由三部分组成:(1)忘记门层:决定哪些信息丢弃从细胞状态,这是由输入当前时刻和前一时刻的输出;(2)细胞状态:确定和更新新的信息到细胞状态在当前时刻;和(3)输出门层:此刻确定输出基于当前电池状态。LSTM是一个相对大的神经元。
3.4。模型评价
神经系统测量精度的方法是教网络模型和训练模型数据,然后使用训练方法计算样本数据获取网络评估值和比较评估值与模型误差。有许多误差评价方法为本文的结果,如相对误差、平均误差、根平均误差。本文使用以下错误来表示数据的速度变化;公式如下:(一)平均绝对误差 (b)平均偏差错误 (c)均方根误差:
在上面的公式中,代表网络的产品价值,代表每个事务的深度的真正价值,代表整个数据,代表了样本。
4所示。绩效评价模型的应用
4.1。选择评价对象和评价指标
本文随机选择的跨境电子商务企业,几年来一直在某个地方上市为研究对象。为了验证评价结果的比较,消除企业与不完整的索引数据,这个列表中的10家公司最后选为样本数据,如表所示1。
如上表所示,我们已经开发出一种商业经济盈利能力评估体系,建立现代企业制度的要求。基于研究跨境电子商务性能指标,结合数据的完整性和可访问性,终于选为原来的11个指标评价数据和分类根据利润,性能,分别和增长。跨境电子商务业务中列出的经营管理绩效考核系统已经建立,它可以完全反映企业的经营业绩水平,如表所示2。
4.2。数据来源和处理
本文的研究对象是跨国电子商务交易列表中的中国企业近年来,和数据来自公开数据和企业网络数据。其中,2016年的一些原始数据如表所示3。
数据比较的样本数据在平等的方向一致,平衡和消除测量的指标是安排的数量级,其次是因果分析。图3显示了一些2019年后的原始数据标准化。
结合表1和图1,我们可以发现能力点的分布在每一个10家公司非常不同。除了六公司,很少有公司相比,性能有显著的和平衡的四个能力水平,并低于一般强度或特殊能力也有弱点。高分也有些公司与低性能的能力。这充分表明,排名前十的跨境电子商务企业不平等的发展能力,显著差异和性能缺陷的能力。
编译的数据后,四个能力分数和完整的分数为每个公司获得。分数和能力得分排名前十位的跨国企业电子商务在2016年图所示4。
由于不同的评价数据,它分为多个级别,所以跨境电子商务在图的评价指标4有积极和消极的结果。不难看到,许多公司都在较低的位置,这也表明,有许多问题在当前跨境电子商务。本文通过绩效评估系统将逐步改善。
4.3。温和性测试
为了测试因素分析是否可以执行,KMO和Bartlett测试进行编译后的数据。测试结果如表所示4。1、2、3和4在桌子上3代表四种元素的跨境电子商务上市公司绩效评价指标体系。其中,1代表盈利能力,2代表偿债能力,3代表操作能力,和4代表经济增长的能力。通过计算在这个表,测试因子分析的适用性评价体系。
从表可以看出4方差解释率越低,其积累就越高。这表明这四个元素是温和的测试下KMO Bartlett。根据测试结果,我们可以得到结果如图5在下面。
从图中描述的方差之和2因子分析,减少了数据量。除了方差之和,常见的因素可以确定合理的数量结合碎石图。图6显示了特定的碎石图一般问题。
很明显,从图的曲线变化趋势特征根的前四个因素相对陡峭,从第5点,特征值也变化很大,下一个值都小于1。改变变得非常平等的。因此,总之,提出点显示大量的原始数据,和有信息丢失;这四个要素可以用来替换原来的业务性能指标。
4.4。神经网络性能评估
神经网络的内部结构的影响在输入层的对象数。如果对象的数量很大,网络结构将变得更加严格,从而增加了压缩压力。因此,本文采用点分析的方法以减少原始数据的大小,得到几个完整的指标,并使用了电力网络的输入值和完整的网络性能的结果输出目标实现简化网络计算的目的。使用因子分析,发现盈利能力、解决方案、业务和增长的10分2016电子商务列表(40功率点取而代之的是训练有素的电子商务跨功能性能)和分析2016年10家公司运营绩效评估框架。图7显示了完整的分数10家公司的能力和网络产品评估4分。
根据图的结果110个样本公司中,虽然选择本文的总体性能结果4公司大于0,其余6个公司的总体性能结果小于0,只有三家公司。为公司更好的操作性能,一般来说,大多数公司的综合得分不高。我们排名列出的10跨境电子商务企业,上市和细节如表所示5。
在上面的绩效评估中,可以看出,绩效得分有显著差异的公司和尾部的公司。与行业的平均水平相比的性能,这也充分体现了存在的跨境电子商务企业,其整体性能水平明显低于或高于平均水平。一般来说,中国跨境电子商务业务的整体操作性能适中在目前的阶段,仍有许多发展地区。
4.5。绩效评估的比较在不同的神经网络
在本文中,我们提供了一个高性能的技术管理绩效评估系统基于神经网络;采用深层神经网络、人工神经网络和BP神经网络综合评价管理绩效5随机公司在上述10家公司;然后比较了神经网络的三个优点和缺点。以上述10家公司为分析样本,随机选择5科技公司的整体业务性能评估。具体评价结果如下:1,2,3,4,5图8代表了五家公司的研究数据,分别。1代表苏宁特易购,2代表重庆百货公司,4代表华茂物流,5代表巨星技术。
从上面的图中,可以看出,人工神经网络的波动和BP神经网络是相对较大的,和深层神经网络是相对稳定的,BP算法是一个典型的传统算法训练的多层网络。事实上,这种方法并不理想。深层结构(涉及多个层的非线性处理单元)是无处不在的非凸目标成本函数。此外,可以看出,测量深度网络的准确率相对较高且稳定,评价结果基本上是客观和准确,这是最适合的绩效评估跨境电子商务国际贸易在这个研究。
总之,在实际操作中,通过确定评价标准和选择最佳的价值,可以比较和分析类似企业确定的业务性能水平。深层神经网络方法避免了主题的影响,自然决定了标准的价值和规模评估过程,建立一个全面和客观的企业绩效评价体系通过自学和self-efficacy-experience和强大的宽容。深层神经网络评价结果是精确的。与其他方法相比,深层神经网络系统具有以下优点:(1)神经网络的结构可以由自学在实验室参与的比较,并根据最优重复培训需求,以及神经网络的结构不断改善,直到达到一个稳定的相对条件;因此,使用这种方法可以消除许多人为因素和适用于验证经济效益的目的。(2)误差小,系统误差可以满足任何正确的标准。(3)动态性能好。它可以改善随着时间的推移,导致样品增长比较,,它可以进一步学习并积极跟比较。因此,该方法具有独特的应用价值。
5。结论
通过数据收集和逻辑分析,本文发现,经济能力,教育和创造性潜力的跨境电子商务,和产品竞争对跨境电子商务性能产生重大影响。本文收集到的信息来自于快速发展的电子商务行业,如化妆品和母亲和婴儿。随着跨境电子商务如火如荼的发展,本文提出了以下两个建议提高跨境电子商务的性能:(1)政府应该大力支持业务发展。必须提高跨境电子商务相关法律法规,为跨境电子商务企业提供支持。因为跨境电子商务涉及不同的国家和地区,如果假冒商品都包含在跨境电子商务的供应,它将对跨境电子商务产生负面影响,甚至影响到各个行业。因此,政府应该加快国际发展的步伐和检查性能评价系统,以创建一个更具竞争性的市场环境。(2)国际贸易电子商务运营商应该开发自己的财务能力,创新潜力,和良好的性能。跨境电子商务国际贸易绩效评估在未来的国际战略选择具有指导作用。有必要不断提高企业的生产率,积极与其他企业合作,并运营糟糕的竞争产品,积极创造一个教育和创造性的工作环境,培养员工的热情。跨境电子商务应该制定业务发展战略是基于整个供应链,不断提高业务绩效考核流程。 The study found that performance evaluation in this aspect has prospects for expansion in the research direction: first, for some qualitative indicators, this paper still relies on expert scoring and other methods. Logical results of quantitative indicators are obtained. Second, this method considers each element in the system in a model, which cannot reflect that the system performance is the result of a comprehensive balance of the performance of multiple elements, that is, the result may reflect the local efficiency of the system but cannot reflect the system performance. The defects are to be improved. (3) The method relies on a large number of training samples, and how it can be applied to small-sample systems remains to be considered.
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称,他/她没有关于这项工作的利益冲突。