城市物流竞争力分析DAE-WMA优化算法
李 楠1，2，侯 旋3
1.中国（西安）丝绸之路研究院，西安710100
2.西安财经学院 管理学院，西安710100
3.空军工程大学 航空工程学院，西安710038
摘 要： 深入分析了城市物流竞争力的研究现状，结合深度学习相关理论，以深层自编码器（Deep Auto Encoder，DAE）标准模型与标准算法为基础，提出了基于Widrow函数的深层自编码器动量更新算法（DAE-WMA）。依据城市物流竞争力分析数据量特点，选取三种UCI数据集，对基于误差函数的标准算法（DAE-ESA）、基于交叉熵的标准算法（DAE-CSA）以及DAE-WMA的模式分类能力进行仿真，仿真结果表明后者的性能优于前两者。依据物流竞争实力与竞争潜力，基于层次分析法（Analytic Hierarchy Process，AHP）通过选取7个评估维度与19个评价指标构建城市物流竞争力指标体系，利用DAE-WMA方法与社会网络分析（Social Network Analysis，SNA）方法，对我国西北五省区13个主要城市的物流竞争力进行聚类分析与实证研究，仿真结果表明DAE-WMA方法相对于SNA方法，对核心节点城市的分类结果更加合理，更有利于对问题的分析。研究结果为确定新丝绸之路经济带沿线城市物流发展策略，促进国内物流业未来的协作与发展奠定了研究基础。
关键词： 物流竞争力；社会网络分析；深度学习；深层自编码器；动量
1 引言
新丝绸之路经济带建设是我国经济发展中的一个重大举措，需要以一定的区域交通干线为基础，并以此干线为联系纽带，利用纽带上经济发达的一个或几个核心城市作为发展引擎，发挥其经济辐射和集聚作用，带动周边不同等级规模城市的发展，从而形成节点密集和呈现面状辐射、线状延伸的集生产、贸易和流通于一体的带状经济区域。城市物流竞争力是指由物流产业竞争实力与竞争潜力共同构成的城市在物流活动中相对的竞争能力，反映了城市物流业发展水平的高低与物流服务能力的大小，取决于城市整合内、外部各种物流资源的能力。推动新丝绸之路经济带的发展就必须以核心城市为增长极，通过提升核心城市的物流竞争力，增强城际间的经济联系，加快城市集群网络构建，促进城市群之间的互动、整合与一体化发展，从而将新丝绸之路经济带打造成一条交通物流经济网络与城市区域一体化相互协调、相互促进的流域合作经济带。因此，分析并准确地判断新丝绸之路经济带沿线城市的物流竞争力，对于把握城市竞争优势，实现优势互补与协同发展，缩小中西部地区在30 多年改革开放中的差距具有重要的战略意义。
通过梳理国内外相关文献可知，国外研究中多把城市物流竞争力问题纳入区域物流领域。如Binder 等从城市经济与环境角度出发，分析了经济增长和运输需求之间的关系[1]；Skjott-Larsen等通过建立多层DECD模型，研究了地区性物流基础设施对区域经济的发展作用[2]。还有一些外国学者尝试从区域商业分布[3]、法律协调[4]和文化合作[5]等角度研究城市物流。国内对于城市物流竞争力的研究以国外物流发展经验为基础，多数研究集中于城市物流系统规划和城市物流发展策略。如吴昱璟等基于对山西省城市物流节点研究，提出了空间布局优化等建议[6]；杨艳萍等通过分析河南省城市物流竞争力差异，提出了城市的多层次功能定位[7]。此外，学者们还从不同视角提出了多种城市物流竞争力评价指标体系。如吕璞等提出应从城市物流发展能力、城市物流发展环境、城市能源消耗与环境污染等方面对城市物流竞争力进行分析[8]；薛东前等认为评价指标体系应包括城市物流基础设施状况、城市区位条件、人力资源情况、物流信息技术等方面[9]；吴竞鸿等从科研创新能力、产业基础设施、产业总体规模、产业发展潜力、经济发展水平以及产业发展水平等六个维度建立了城市物流竞争力评价指标体系[10]。对于城市物流竞争力分析，现有的方法包括社会网络分析法（Social Network Analysis，SNA）、因子分析法、多层次模糊判断与层次分析法（Analytic Hierarchy Process，AHP）等。如谭观音等、金芳芳等分别运用因子分析法对海峡西岸经济区和长三角城市群的物流竞争力进行了动态分析与评价[11-12]；贾冀南等通过实证分析证明了直觉模糊层次分析法在对城市物流竞争力评价方面是合理有效的[13]；宗会明等通过构建AHP模型分析了西部地区物流节点的城市物流竞争力[14]。
综上所述，我国西部大开发的需求、紧邻中亚的地理优势以及与中西亚地区密切的贸易基础，都使得丝绸之路国内段的重点主要在大西北，覆盖陕西、甘肃、青海、宁夏、新疆等五省区。它们肩负着促进西部大开发的重任，是促进建设丝绸之路经济带国内段建设的关键。但现有文献主要集中在研究新丝绸之路经济带中的个别城市或部分地区，而以丝绸之路经济带国内西北段作为研究对象并定量评价其城市交通物流竞争力的研究较少。此外，城市物流竞争力评价指标的选取缺乏多角度的判断，较少考虑到物流竞争潜力指标。若主要使用单一的评价方法，缺乏对数据之间内在联系的研究，不能克服评价方法本身的缺陷，易导致对物流竞争力缺乏客观的认识。
社会网络分析是一套规范的对社会关系与结构进行分析的方法。社会网络分析的对象是不同的社会行动者内在联系而构成的网络结构，它通过对网络中各种关系进行客观的定量分析为实证研究提供量化的检验工具，是对研究对象定性与定量的桥梁[13，15]。深度学习（Deep Learning）具有良好的目标信息表示能力与泛化能力，能够实现复杂函数逼近，近年来在众多领域展开研究并取得突破性进展。深度学习是机器学习研究的新领域，它是一种通过多层表示对数据之间复杂关系进行建模的算法。自编码器（Auto Encoder，AE）是一种典型的深度学习网络，网络采用无监督学习机制（Unsupervised Learning Mechanism）与反向传播算法（Back Propagation Algorithm，BPA），前者是对目标特征学习的过程，后者是通过期望输出与实际输出的误差，对网络权值进行微调[16-18]。
本文针对新丝绸之路经济带国内西北段所涉及城市的物流竞争力问题，以深层自编码器标准模型与标准算法为基础，提出基于Widrow 函数的深层自编码器动量更新算法（Deep Auto Encoder Widrow Function Momentum Update Optimization Algorithm，DAE-WMA）。优化算法在自编码器无监督预训阶段充分学习目标特征的前提下，在有监督调优阶段构建一个单隐层前馈网络，利用Widrow 函数建立性能函数MSˆEWidrow作为均方误差函数的估计函数，同时引入动量（Momentum）原理动态地更新学习速率，从而加速网络收敛，达到提高网络收敛速度的目的。
通过多个UCI 数据集，对基于误差函数的深层自编码器标准算法（Deep Auto Encoder Error Function Standard Algorithm，DAE-ESA）、基于交叉熵函数的深层自编码器标准算法（Deep Auto Encoder Cross Entropy Function Standard Algorithm，DAE-CSA）与DAE-WMA进行仿真，结果显示DAE-WMA的性能优于前两者。通过构建城市物流竞争力指标体系，利用DAE-WMA 方法与SNA方法对我国西北五省区主要城市的物流竞争力进行实证研究，以期促进新丝绸之路经济带核心区城市间联动、协调发展提供科学参考。研究表明，DAEWMA 方法将城市物流竞争力分析问题转变为模式分类问题进行研究，其结果相对SNA方法，对核心节点城市的分类结果更加合理，更有利于对问题的分析。
2 深层自编码器的标准模型与算法
与国内工程相比，政治风险可能是国际工程项目所面临的差别最大的风险。政治风险是指承包市场所处的不稳定的国家和地区的政治背景可能给承包商造成的严重损失。承包商所在的国家可能会发生战争，政局动荡，或者政府当局干预，比如在施工过程中提出各种要求，这些行为都可能影响工期和进度，甚至直接造成已经建设好的部分全部毁灭或者整个项目直接取消。目前我国企业承包的国际工程项目处于政局动荡，具有发生战争，恐怖份子活动等可能性，一旦发生势必会造成企业在承包国际工程项目时的面临重大损失。
图1 深度自编码器标准模型
深层自编码器标准算法由基于无监督学习机制的预训阶段和基于监督学习机制的调优阶段组成。预训阶段对网络进行逐层预训练，同时可进行反向堆叠；调优阶段采用误差反向传播算法对网络参数进行优化，一般情况下选取均方误差函数或交叉熵函数作为误差函数的估计函数[22-23]，分别如式（1）和式（2）所示，网络权值更新方式如式（3）和式（4）所示。
其中，t 为期望输出，E 为输出误差。
3 DAE-WMA优化算法
3.1 Widrow函数
标准深层自编码器算法选取均方误差函数或交叉熵作为网络的误差函数[24-25]。Widrow 函数[26]是一种典型的性能函数，利用单个学习模式激励下神经网络响应误差的平方作为对均方误差的估计，函数可描述为：
深层自编码器利用Widrow 函数建立性能函数
作为均方误差函数的估计函数，网络每次学习所有训练样本中的一个样本。
3.2 动量
在网络中引入动量的目的在于更新权值向量时增加特定的惯量，避免在网络训练过程中权值向量发生持续振荡的现象，提高网络的收敛性[27-28]。在网络权值更新中增加一个权值向量w 的动量项，表示权值向量的当前值w(k )与其前一时刻值w( k-1) 的差值，即：
其中0 ＜μ ＜1 为动量参数。
2.4.3 固定不牢。导管安置后,固定胶布因患者的汗液和分泌物污染而失去粘性,护士未及时更换,导致管道滑脱。
3.3 DAE-WMA
3.3.1 网络结构
在调优阶段采用Widrow函数作为误差函数的估计函数，并引入动量项μ 以加速网络学习，创建DAEWMA。如图2所示，网络具有1个输入层、r+1 个隐层和1个输出层，每相邻两层构建一个RBM自编码块。
（1）输入层x：训练样本集{ xi, 1 ≤i ≤s} ，单个样本为输入向量
（2）输出层o：网络输出
期望输出
利用DAE-WMA 对数据进行归一化处理与深层自编码器分析。构建由5个隐层构成的深层自编码器，根据19个评价指标，设置网络输入层神经元数为19；网络输出层神经元数为2，分别表示竞争实力与竞争潜力值；第一隐层至第五隐层神经元数依次为500、250、125、65、5，如图7所示。参照前述实验结果，分别设置其他相关参数为α=0.65,β=0.7,μ=0.5。选取西北五省13 个核心节点城市为研究对象，利用2003 年至2015 年的物流运行效率进行学习估算，将数据归一化处理后带入网络进行分析计算，核心节点城市物流竞争实力与竞争潜力值如表6所示，分类结果如图8所示。
（4）权值矩阵W：x 层至h1层为W1,h1层至h2层为W2,…,hr-1层至hr层为Wr，hr 层至o 层为W。
基于绿色理念下水泥混凝土路面加铺沥青混凝土面层的技术…………………………………………… 何玉枝，王乃勇（12-214）
（5）偏置b：输入层x 偏置为b0，隐层h1至hr的偏置分别为b1,b2,…,br，输出层o 偏置为b。
3.3.2 算法描述
从图4可知,对于扁锥腔体的气体传感器,在4 cm～20 cm的腔长范围内,随着腔长L的增加,CO2气体的红外辐射吸收效率η均呈现出先增大后减小的趋势,峰位位于8 cm腔长附近。该研究结果表明当扁锥腔体的锥角和内壁反射率确定时,扁锥腔体存在一个最佳腔长,使得CO2气体传感器的红外吸收效率达到峰值。因此,本文选用8 cm腔长的扁锥腔作为CO2气体传感器的光学气室。
争取政府土地资源，争当城市土地储备开发的主体.资产注入的益处，主要在于融资，在于盈利.而土地的注入，带来的是更深层次和更长远的发展可能.土地可以拍卖，可以经营，可以自主开发.通过注入或者拍卖增加土地资产后，国内城投公司主要是将土地资产用于经营与自营开发，创造新的利润增长点.
（1）预训阶段
图2 DEA-WMA模型
其中
。
步骤 1.1 训练集{( xi, ti),1 ≤i ≤s}。
步骤 1.2 设置网络权值矩阵W1,W2,…,Wr,Wr+1,Wr+2与偏置向量b1,b2,…,br,br+1,br+2的各个元素为趋于0的随机值。
步骤 1.3 设置网络迭代次数初始值k=1，网络训练误差ε ＞0，预训练学习速率α()k 与反向调优学习速率β()
k 初始值，以及动量参数μ。
基于上述城市物流竞争实力与竞争潜力分析，可将13座城市划分为4个类别，结果如表7所示。
1）北京市渗沥液原液中基本化学特性随着季节变化有着一定变化，主要是不同季节垃圾的种类数量有变化，尤其夏天COD、BOD等指标明显高于其他季节，说明渗沥液处理设施在夏季达到最高负荷，在不同季节处理渗沥液的压力不同。
依据CD-k 算法，利用训练样本对网络输入层x 至隐层hr进行逐层预训练，且h0=x,q=1,2,…,r：
深层自编码器是一种采用无监督学习机制的非线性特征提取模型[19-21]，从输入层起每两层形成一个受限玻尔兹曼机（Restricted Boltzmann Machine，RBM），其标准模型如图1 所示。其中
为网络实际输入；
为网络实际输出；b0b1…br…b2r为各层偏置值；w1w2…w2r为网络各权值矩阵；h1h2…hr…h2r-1为各隐层，其中隐层hr 至输出层o 之间的隐层数量，根据需要可以设置为一个或多个。
其中，Edata为样本空间中样本数据期望；hq是在给定hq-1之后在模型上的采样；Emodel 可利用对比散度（Contrastive Divergence，CD）算法近似计算。
（2）调优阶段
步骤 3 计算：
总体上看，武进少体校的绝大多数的运动员对于文化学习较为重视，学习态度较为端正，能够认识到文化学习对运动训练的迁移作用，能够认识到文化学习对于的人的发展、就业、工作的重要性，但是在主动性学习方面有待改进。
步骤 4 计算误差：
步骤 5 计算前k+1 次迭代学习误差函数梯度值：
步骤 1 初始化。
步骤 6 权值更新：
其中，v=r+1,r+2。
（3）计算各城市竞争力得分。
步骤 8 停机：当E ≤ε，停止训练。
DAE-WMA算法流程如图3所示。
4 仿真实验
利用glass、seeds 与wine 三种数据集，选取DAEESA、DAE-CSA与DAE-WMA三种算法进行对比，算法对应的深层自编码器模型与参数如表1 所示。深层自编码器均设置为5 个隐层，依据数据集各自特点，确定网络参数。将数据集平均分为两部分，分别作为训练数据集与测试数据集，利用训练数据集，根据限定误差ε对三种算法进行20 次训练仿真，获取最佳学习速率与最佳动量参数。利用测试数据集进行测试，对比不同算法的分类精度。
图3 DAE-WMA算法流程图
表1 深层自编码器仿真网络参数设置
图4 glass数据集训练结果(αopt=0.65,μopt=0.5)
图5 seeds数据集训练结果(αopt=0.60,μopt=0.5)
图6 wine数据集训练结果(αopt=0.65,μopt=0.5)
依据所设置的限定误差，利用三个数据集的训练样本分别对三种算法进行训练，结果如图4至图6以及表2所示。对于glass 数据集与wine 数据集，各算法的预训练学习速率最优值αopt=0.65，对于seeds 数据集αopt=0.60；三种算法中只有WMA 具有动量参数，其最优值在三个数据集中均为μopt=0.5。在对三个数据集训练的过程中，对于DAE-ESA 的反向调优学习速率最优值βopt 为0.80 与0.75，DAE-CSA 的βopt 为0.65 与0.60，DAE-WMA的βopt 为0.70与0.65。在收敛速度方面，相对于glass、seeds 与wine 三个数据集，DAE-WMA 的网络训练最小迭代次数分别为35、32、34，整体优于DAEESA的49、43、46与DAE-CSA的47、43、42。
按照上述最优学习速率对三种算法进行参数设置，分别利用三种数据集的测试样本对三种算法进行测试，如表3所示。对于不同的数据集，DAE-WMA的正确率分别为98.13%、96.19%、97.75%，整体优于DAE-ESA的94.39%、94.29%、94.38%与DAE-CSA的97.20%、96.19%、96.63%。
表2 不同算法最优参数
表3 测试样本分类结果
5 西北五省若干城市物流竞争力分析
5.1 评价指标体系设计
新丝绸之路经济带中国区域西北段主要包括陕西、甘肃、青海、宁夏、新疆五省区，其不但地域辽阔，蕴含丰富的自然资源、矿产资源、能源资源、土地资源和宝贵的旅游资源，更是因为地处西部大开发的腹地、紧邻中亚的地理优势，以及与中西亚地区密切的贸易基础，使得它们肩负着促进西部大开发的重任，是促进建设丝绸之路经济带国内段建设的关键[29]。由于地理环境因素的制约，西北段城市的物流活动主要依靠铁路运输。因此，本文选取陇海线、宝中、包兰等铁路沿线地级以上城市为研究对象，包括西安、咸阳、宝鸡、兰州、天水、武威、白银、酒泉、西宁、银川、固原、乌鲁木齐、克拉玛依等13个城市。
现有的对新丝绸之路经济带物流效率评价的研究多以定性分析为主，且不同的研究视角与研究对象，所构建的评价指标体系存在较大差异。综合以往研究成果，基于数据的功能性、可操作性和客观性原则，本文从物流竞争实力与物流竞争潜力两个角度出发，选取7个评估维度与19 个评价指标，即总体规模、基础设施、物流业绩效、物流业增长势头、经济发展条件、支持产业以及信息与人才环境，如表4所示。
5.2 SNA方法
利用SNA 方法对数据进行归一化处理、SPSS 主成分分析（降维处理）以及Ucinet分析[30]。
目前市场上也已催生出多种多样的教育移动应用APP，其大致可以被分为三类[1]：一类是适合自学的移动应用APP，如各种背单词、电子书阅读、教育类微课视频等软件；一类是记录存储式学习软件，如印象笔记、EasyNote等学习工具；一类是学习计划、监督等学习管理软件，如我要当学霸、番茄土豆等。这些移动APP帮助学习者在网络技术的支持下，实现随时随地的无障碍学习，提高学习效率。
腰椎间盘突出症患者多为腰5～骶1、腰4～5处发病，以下肢放射性疼痛、腰痛为主要表现，在腰2～3、腰3～4处发生腰椎间盘突出的情况较少，患者主要存在下肢不完全性瘫痪、大小便失控等问题。现如今，由于我国人们工作与生活压力的不断增加，使得腰椎间盘突出症患病率逐渐上升，严重损害人们身体健康。并且，在腰椎间盘突出症病情日益加重的同时，一些并发症也悄然出现，如椎管狭窄。腰椎间盘突出症并发椎管狭窄会增加患者身体疼痛，严重影响其活动能力，不利于正常生活与工作的开展。对于该疾病患者而言，有效和及时的治疗极为重要，故需通过有效的诊断方式以明确患者疾病类型与病情程度[2-3]。
（1）采用标准差标准化方法对数据进行处理。
独立学院是本科办学层次，高职高专是专科办学层次，二者办学规格截然不同。许多独立学院法学专业在人才培养中将办学规格与高职高专混同，这是十分错误的。独立学院法学本科教育与高职高专的法律教育相比，知识基础要求必须达到普通本科的文化层次，理论体系也应达到一定的广度和深度，以使学生的专业能力有足够的理论支撑。
其中，x′为指标标准化数据，x 为原始数据，
为均值，σ 为标准差，n 为城市数[30]。
（2）采用因子分析法进行主成分分析。
山西矽卡岩型铁矿床多为燕山期中酸性岩浆如闪长岩或闪长斑岩、二长岩或二长斑岩、正长岩或正长斑岩类侵入到碳酸盐岩中发生矽卡岩化而成铁矿。其成矿围岩主要是奥陶系中统碳酸盐岩的白云质灰岩或灰岩类。
选取最大方差旋转法，提取4 个主成分，累积贡献率达90.952%，如表5所示。
步骤 7 条件转移：返回步骤3，设置k=k+1。
表4 物流竞争力评价指标体系
其中，A 为城市竞争力得分，Bi 为第i 个主成分得分，wi 为第i 个主成分权重，n 为所提取主成分个数，λ 为主成分特征根[30]。城市竞争力得分如表6所示。
5.3 DAE-WMA方法
（3）隐层h1,h2,…,hr。
表5 方差分析
图7 DEA-WMA模型
表6 城市物流竞争实力与竞争潜力值
图8 核心节点城市竞争实力与竞争潜力
5.4 案例分析
步骤 2 网络预训。
（1）一类核心节点城市
1)组合惯导在防爆外壳里的累积误差测试试验。将组合惯导安装防爆壳里面，并将防爆组合惯导固定在掘进机司机后面。掘进机试验平台平放在水平地面上，即3个方向姿态角接近0°。运用组合惯导进行2 h的姿态角静态测试试验，测试结果如图7所示，航向角随时间变化误差为0.08°，仰俯角和横滚角随时间变化误差小于0.01°。试验结果表明基于惯导与地磁融合的组合惯导信号不会被防爆外壳屏蔽，航向角2 h静态特性测试误差为0.08°，惯导通过与地磁融合处理后具有较高的稳定性。
此类城市不仅应具有货运总量以及货物周转量较大的特征，而且对其他城市还要有较强的辐射带动作用。西安凭借全国铁路、公路网的核心枢纽，国内第四大国际航空港，欧洲与中亚国家客流、物流进人中国的出入口和集散地，完善的港务区和保税区对外开放平台，还有较强的科研事业和高新技术产业等，具有绝对优势，其城市影响力、经济实力以及城市物流基础设施建设等方面在丝路经济带西北五省区中毋庸置疑都处于首位。另一方面，西安作为西北地区的窗口城市，与西北其他省区城市间的经济联系强度远超其他城市，经济辐射能力和经济辐射范围在西北五省区城市中是最强和最大的。因此，西安应被划分为一类核心节点城市。
从上述民间武术拳种的继承者——民间武术家们对上代宗师的技艺传承来看，武术套路成为其把玩身体的工具，在精神上，他们没有全部投入武术的发展中；表面上他们被关注，实际上仍不被重视而处于底层，这就是民间武术的现实也是民间武术家的现状。作为民间武术家中的流浪者，他们为生计四处奔波，看似可以四处流动，却无法逃离穷困潦倒的现实，武术在他们手中并没有成为产品而发挥出应有的意义[11]。
表7 核心节点城市分类对比
乌鲁木齐作为新疆首府，不仅承担着西部地区重要的物资集散地和交通枢纽的作用，而且还充当了我国与中亚、西亚货物流通的要道，这都致使乌鲁木齐市的运输业和仓储业需求旺盛，货运总量及周转量连创新高。但是新疆地区面积广大而且远离内地的区位特点，极大地限制了乌鲁木齐对其他城市的辐射带动作用。另一方面，由于地理条件与经济发展的限制，兰州在西北五省区中的主要角色是凭借陇海线、宝中、包兰、兰渝、成兰等铁路作为中东部与西部的“中转站”和“连接点”，联系西安、乌鲁木齐、成都、重庆以及呼和浩特等城市，其单一的交通形式更是进一步制约了货运总量与周转量的增长。因此，SNA方法中将兰州、乌鲁木齐与西安同置于一类核心城市显然是不合理的。
（2）二类核心节点城市
此类城市应具有良好的物流供给能力。兰州、乌鲁木齐作为所在省份的首府，在物流基础设施建设投入力度上近似。乌鲁木齐有铁路干线兰新线、南疆线、北疆线，其国际机场连接西亚、中亚以及欧洲，是中国两大国家门户枢纽机场之一。兰州则是我国西北地区重要的交通枢纽，有陇海线、包兰线、兰新线、兰青线等铁路干线，其中川国际机场是西北地区主干机场之一，国际备降机场。此外，同为新丝路经济带西北段的核心交通枢纽的兰州和乌鲁木齐，它们在城市实力、物流业增长势头、经济发展条件等指标上的取值较近似，说明它们在物流产业竞争潜力方面旗鼓相当，故将它们划分为二类核心节点城市较为适宜。
（3）三类核心节点城市
此类城市应具有相似的物流产业发展状态。对同处于新丝绸之路经济带中部、具有相近的辐射带动能力的西宁和银川，由于较为薄弱的经济基础和基础设施建设的限制，在经济带内发挥的作用都小于其相应实力，致使物流业发展势头不强。而咸阳、宝鸡、天水虽不属于省会城市，但它们是关中-天水经济圈的领头羊，交通便利，且3个城市间的可达性较高，与西宁、银川在物流业发展上势头相当。因此这5个城市应划分为第三类。
（4）四类核心节点城市
此类城市应具有以货物中转为主的特征。对于克拉玛依、白银、酒泉、武威、固原等工矿业城市和经济落后城市，它们在丝路经济带上的地理位置类似，都属于以货物中转为主的节点城市，城市外向服务规模小，基本上只能服务于城市自身，城市竞争力得分也相对近似。因此在DAE-WMA方法中将其归为同一类更为合理。
从新丝绸之路经济带国内西北段13个节点城市的物流竞争力实证分析来看，这些节点城市的物流实力参差不齐，各有侧重点。为了实现各节点城市间优势互补，与经济带建设协同发展，就必须打破现有的行政区划限制，以一类核心节点城市为中心，构建多个城市群和城市带，以此带动二、三、四类节点城市共同发展，最终使西北段的这些节点城市成为新丝绸之路经济带崛起的战略支点。
6 结束语
本文针对新丝绸之路经济带国内西北段所涉及城市的物流竞争力问题，通过研究深度自编码器的标准模型与标准算法，提出了基于Widrow 函数的深层自编码器动量更新算法（DAE-WMA）。通过选取多个UCI数据集对深层自编码器进行仿真，将DAE-ESA、DAE-CSA与DAE-WMA 三种算法进行性能对比，DAE-WMA 的正确率为98.13%、96.19%、97.75%，优于DAE-ESA 的94.19%、94.29%、94.38%与DAE-CSA的97.20%、96.19%、96.13%。通过选取7 个评估维度与19 个评价指标构建城市物流竞争力指标体系，利用DAE-WMA 方法与SNA 方法，对我国西北五省区13 个主要城市的物流竞争力进行实证研究。研究表明，DAE-WMA方法将西安单独归为一类核心节点城市更为合理，因为其具有最强辐射带动作用；将乌鲁木齐与兰州归为二类核心节点城市，其特点在于共同拥有良好物流供给能力；将西宁、银川、咸阳、宝鸡与天水归为三类核心节点城市，其特点在于具有相似物流产业发展状态；将克拉玛依、白银、酒泉、武威与固原归为四类核心节点城市，其以货物中转为主要特征。上述结论相对于SNA方法的研究结果更具合理性，更有利于对问题的分析。
参考文献：
[1]Binder S J，Smith T M.The linkage between transportation infrastructure investment and productivity：a U.S.federal research perspective[M]//Infrastructure and the complexity of economic development.Berlin，Heidelberg：Springer，1996：49-60.
[2] Skjott-Larsen T，Paulsson U，Wandel S.Logistics in the Oresund region after the bridge[J].European Journal of Operational Research，2003，144（2）：247-256.
[3]Kjaersgaard S，Jensen H E.Sustainable city logistic solutions[C]//3rd International Conference on City Logistics，2004.
[4] Munuzuri J.City logistics in Spain：why it might never work[J].Citys，2012，29（2）：133-141.
[5] Zunder T H，Aditjandra P T，Carnaby B.Developing a local research strategy for city logistics on an academic campus[J].International Journal of Urban Sciences，2014，18（2）：262-277.
[6]吴昱璟，黎明，孟祥东.城市物流节点空间布局优化研究——以山西省为例[J].西南师范大学学报（自然科学版），2016，41（2）：78-84.
[7]杨艳萍，刘辉.论河南省城市物流竞争力的空间差异与功能定位[J].河南工业大学学报（社会科学版），2016，12（4）：46-51.
[8]吕璞，王杨，徐丰伟.城市物流发展水平评价指标体系研究[J].中国市场，2009（6）：13-15.
[9]薛东前，郭晶，党淑英.中国内陆中心城市物流竞争力比较研究——以西安与郑州为例[J].地域研究与开发，2012（2）：59-61.
[10]吴竞鸿，吕能芳.皖江城市带城市物流竞争力评价与提升策略[J].长春理工大学学报（社会科学版），2014（1）：103-107.
[11]谭观音，左泽平.海峡西岸经济区域城市物流竞争力的动态比较[J].经济地理，2012，32（3）：109-115.
[14]宗会明，冶建辉，蔡冰洁.西部地区物流节点城市物流竞争力评价[J].西南师范大学学报（自然科学版），2017，42（2）：64-69.
[12]金芳芳，黄祖庆，虎陈霞.长三角城市群物流竞争力评价及聚类分析[J].科技管理研究，2013（9）：183-187.
[13]贾冀南，郑岩，孙思思.基于直觉模糊层次分析法的城市物流竞争力评价[J].物流技术，2015（10）：105-107.
[15]王文铭，高艳艳.“一带一路”内陆节点城市物流产业竞争力评价及建议[J].商业经济研究，2016（4）：92-93.
[16]阮红伟，李晓静，赖秀云.“一带一路”沿线十五个沿海港口城市竞争力比较研究[J].东方论坛，2016（5）：77-84.
[17]焦李成，杨淑媛，刘芳，等.神经网络七十年：回顾与展望[J].计算机学报，2016，39（8）：1697-1716.
[18]Sun Y，Wang X G，Tang X O.Deep convolutional network cascade for facial point detection[C]//26th IEEE Conference on Computer Vision and Pattern Recognition，Portland，2013：3476-3483.
[19]Zhang J，Shan S G，Kan M N，et al.Coarse-to-fine autoencoder networks（CFAN）for real-time face alignment[C]//13th European Conference on Computer Vision，Zurich，2014：1-16.
[20]Wu Y，Wang Z，Ji Q.Facial feature tracking under varying facial expressionsand face poses based on restricted boltzmann machines[C]//26th IEEE Conference on Computer Vision and Pattern Recognition，Portland，2013：3452-3459.
[21]徐毅，董晴，戴鑫，等.ELM优化的深度自编码分类算法[J].计算机科学与探索，2018，12（5）：820-827.
[22]Cao Meng，Li Hongyan，Zhao Rongrong.A pitch detection method based on deep neural network[J].Microelectronics&Computer，2016，33（6）：143-146.
[23]Shin H C，Orton M R，Collins D J，et al.Stacked autoencoders for unsupervised feature learning and multiple organ detection in a pilot study using 4D patient data[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2013，35（8）：1930-1943.
[24]Hu Shuai，Yuan Zhiyong，Xiao Ling，et al.Stacked denoising autoencoders applied to clinical diagnose and classification[J].Application Research of Computers，2015，32（5）：1417-1420.
[25] Tissera M D，McDonnell M D.Deep extreme learning machines：supervised autoencoding architecture for classification[J].Neurocomputing，2015，174：42-49.
[26]Hou Xuan，Wan Shangsong，Liu Rui.Quantum gate circuit neural network optimization algorithm based on performance function[C]//2018 International Conference on Communication，Network and Artificial Intelligence，Beijing，2018：309-314.
[27]李楠，侯旋.自适应量子前向对传算法研究[J].电子与信息学报，2013，35（11）：2778-2783.
[28]侯旋.量子门线路神经网络及其改进学习算法研究[J].计算机工程与应用，2014，50（6）：213-218.
[29]李楠.城市物流效率分析自适应DBN 算法研究[J].计算机工程与应用，2017，53（12）：9-15.
[30]王圣云，翟晨阳.长江经济带城市集群网络结构与空间合作路径[J].经济地理，2015，35（11）：61-70.
Urban Logistics Competitiveness Analysis on DAE-WMA Optimization Algorithm
LI Nan1，2,HOU Xuan3
1.China（Xi’an）Institute for Silk Road Research,Xi’an 710100,China
2.School of Management,Xi’an University of Finance and Economics,Xi’an 710100,China
3.College of Aeronautics Engineering,Air Force Engineering University,Xi’an 710038,China
Abstract： This paper analyzes the situation of urban logistics competitiveness deeply,constructs a Deep Auto Encoder Momentum Update Algorithm based on Widrow Function（DAE-WMA）,combined with the relevant theory of deep learning and the standard model and standard algorithm of Deep Auto Encoder（DAE）.According to the data volume characteristics of urban logistics competitiveness,this paper selects three types of UCI datasets to simulate the Standard Algorithm based on Error Function（DAE-ESA）,the Standard Algorithm based on Cross Entropy Function（DAE-CSA）,as well as the recognition ability of DAE-WMA.The simulation results show that the performance of the latter is better than the first two.Secondly,according to the competitive strength and competitive potential of logistics,based on Analytic Hierarchy Process（AHP）,the paper constructs the index system of city logistics competitiveness with 7 dimensions and 19 indicators,carries on cluster analysis and empirical research on logistics competitiveness of 13 core cities in our northwest country,using DAE-WMA and Social Network Analysis（SNA）.Simulation results show that DEA-WMA is more effective than SNA,the classification results of the core node cities are more reasonable and more conducive to analyzing problems.The research results lay the foundation for determining the developing strategy on logistics of cities along the New Silk Road and promoting the future cooperation and development of the domestic logistics industry.
Key words： logistics competitiveness;social network analysis;deep learning;Deep Auto Encoder（DAE）;momentum
文献标志码： A
中图分类号： TP183
doi： 10.3778/j.issn.1002-8331.1812-0156
李楠，侯旋.城市物流竞争力分析DAE-WMA优化算法.计算机工程与应用，2019，55（16）：246-254.
LI Nan,HOU Xuan.Urban logistics competitiveness analysis on DAE-WMA optimization algorithm.Computer Engineering and Applications,2019,55（16）：246-254.
基金项目： 中国（西安）丝绸之路研究院基金项目（No.2018SY08）；陕西省教育厅专项科研基金项目（No.18JK0302）。
作者简介： 李楠（1981—），女，博士，副教授，研究方向为物流管理研究、深度学习，E-mail：linan369.com@126.com；侯旋（1979—），男，博士，副教授，研究方向为深度学习、信号处理。
收稿日期： 2018-12-13 修回日期：2019-02-21
文章编号： 1002-8331（2019）16-0246-09
CNKI网络出版：2019-03-28,http://kns.cnki.net/kcms/detail/11.2127.TP.20190326.1832.035.html
标签：物流竞争力论文; 社会网络分析论文; 深度学习论文; 深层自编码器论文; 动量论文; 中国(西安)丝绸之路研究院论文; 西安财经学院管理学院论文; 空军工程大学航空工程学院论文;