基于BP神经网络的零售户销售假烟行为的预警模型

1、 基于BP神经网络的零售户销售假烟行为的预警模型 郭军 禄蕾 张艳Summary本文从卷烟零售户销售假烟的驱动因素考虑，在结合某市烟草专卖局的实地调研，参照相关调研的历史数据，以BP神经网络为基础，构筑了研究零售户销售假烟行为的预警模型。该模型在原基础指标的基础之上，新增了零售户自身特征、时间因素等12项指标。经试验表明，该预警模型有着良好的稳健性能，能较为准确的预测假烟销售的有关信息。【Key】烟草行业 BP神经网络 假烟销售预警模型在某市烟草专卖局的实地调研的基础之上，本文结合卷烟零售户销售假烟的驱动因素，构建了以BP神经网络为基础的零售户销售假烟行为的预警模型，并对其进行样本检验，旨在为

2、相关管理提出可供参考的价值。1 违规零售户历史数据的特征分析以某市在违规销售假烟方面的调研历史数据为基础，对其进行细致深入的分析，销售假烟的情况与该商户的经营规模、经营状态有着极大的关系。另外，商店所处的地理位置也会影响假烟的销售行为。首先，从经营业态上讲，违规销售假烟的一般是规模较小的零杂货店或者是中小型超市居多，其次就其所处的商圈来看，主要还是以居民区或商业区为主，再次就其市场分布来看，假烟销售商一般都分布在农村、乡镇或城镇边缘地带。一般说来，小型零售商或销售卷烟的数量和种类少，顾客群是一定的，在这种情况下销售假烟，会影响其销售信誉，因此违规销售烟草的商家开店的规模大都以中大型超市为主。这

3、里罗列着卷烟的种类繁杂，流动型的顾客人数较多，固定用户群少，不存在声誉受损的威胁。2 零售户销售假烟行为的影响因素分析2.1 利益因素销售假烟最重要的一个因素就是可以给商家带来丰厚的利润。烟草专卖是烟草行业的主要特征，因此所有零售商的烟草都是从当地的烟草专卖局取得的，有正规的批售指导价格以及零售价格。但反观假烟，获取的渠道则是从非法途径获得的，进货成本较低，以市场指导零售价卖出，商家可获取巨大的利润。再加之烟草专卖局对贩卖假烟的零售用户没有行之有力的处罚措施，因此在巨大的利益面前，很多零售商户都选择销售假烟。2.2 环境因素就某市的烟草销售假烟实地调查显示，商户所处的地理环境也是影响假烟销售的

4、相关因素。从经济学角度来讲消费者、经营者也会有从众的心理。若一个地方有一家销售假烟，就会有其它零售商户随之跟随，往往会出现扎堆的现象。尤其是对假烟的销售目前处于惩处较轻的情况下，商户往往会存在侥幸的心理。3 基于BP神经网络的零售户违规销售的预警模型BP神经网络系统是一种误差反向传播的神经网络，它具有以下四种特性：一是该系统具有自学习和自适应性，二是该系统具有容错性，三是该系统具有并发性，四是该系统的构成是复杂的非线性。因此该系统多数情况下会应用于图像的识别，用于预测、预警等领域。3.1 零售户销售假烟行为的预测指标的遴选零售商的合法销售量会因为其销售假烟而有所不同，因此在对相关销售行为进行研

5、究时，可以从零售商销量的变化来考虑。从第一节零售假烟商户的历史数据，不难发现不同特征的零售商戶销售假烟的行为是不一样的，鉴于此，本文在传统销售假烟数据的基础之上，增加了零售户的特征指标以及时间指标。3.1.1 销售类指标根据调查结果显示，单单从销售总量来观察销售假烟零售户的行为，反映的结果并不全面，有时并不能反映出销售行为的规律。因此本文在传统研究结果之上，又更详细的增加了新的指标内容。当地烟草专卖局调配五种类型的卷烟价格是根据当地的经济发展水平和人们的消费水平来定的。因此不同地区卷烟的销售情况并不一样。3.1.2 零售户的特征指标通过对某市违规烟草销售实际调研所留存下来的历史数据来分析，特选

6、定以下四个指标来归纳总结零售户的特征。详见表1。3.1.3 时间因素根据某市烟草销售实际调研数据显示，烟草的销量也会因为时间的变化而发生变化，主要体现在两方面，一是节假日烟草的销量要比平常稍高一些，其中最为典型的是春节期间，烟草的销售量要远远高于平常销量;每个月份烟草销量的高峰期均不相同。综合以上考虑本文选择某月份作为预警模型的一个时间指标，并将该月份输入到预警模型系统中。3.2 预警模型的构建以某市烟草专卖局从2018年1月中旬到2018年7月中旬的销售数据为选择研究对象，剔除掉该选项没有商店属性信息的零售户或者销量信息不全的销售数据，筛选之后得到销售假烟的零售户为62个，正常经营的用户可达

7、25000个。按照1：1的比例来分配数据并不平衡，因此研究决定选用1：3的配比来研究数据。初始样本是从研究对象中随机抽取的，它的构成有两部分。本研究中训练集样本比例占6成，验证集样本比例占3成，测试集的样本比例占1成。梳理前文可知，本文选取了12个驱动因素作为零售户销售假烟预警的指标因素，预警模型输出数据则为零售户销售假烟的可能性。反复试验之后，该模型中最优参数已被确定，如下所示：该模型中包含着6个隐含层，学习率是0.004，从输入层到隐含层，从隐含层到输出层选用的函数是不同的，前者使用的是双曲正切函数，后者使用的是线性传递函数，初始权值设定范围为（-1，1）之间的随机数字。如图1所示。初始样

8、本经过预警模型的自适应学习的功能模拟，取得相关参数经计算之后，结果如下所示：该模型中训练集的数据判别错误的分类率可以达到21.71%，检验集中的错误分类率可以达到22.80%，仅仅相差1.09%，这一结果说明该模型在稳定性上性能是十分良好的。该模型中总体错误判别率可达22.68%，准确率高达78.32%，这一结果说明该模型具有较高的准确率。3.3 模拟预警与结果分析根据其数据结果，本文对零售户的类型做了如下划分，并记录下了所涉及到的商户类型违规销售烟草的可能性。详情参照表2.紧接着对剩余所有的数据样本进行预警模拟检测，发现有30102组数据可能是违规样本，这些数据对应的零售商户数量为1901，

9、其中14个商户违规售卖烟草可能性大，524个商户违规售卖烟草可能性比较大，剩余商户违规可能性一般。通过对上述538个违规可能性较大的样本数据进行分析，这些违规用户的特征与上述3.1节中分析中的特征基本类似。这一结果进一步验证了该模型中加入细分指标的正确性。综上所述，本文得出如下启示：烟草专卖局监管对象要符合如下特征，一是规模较大的零售商户;二是分布在农村乡镇;三是品种杂乱的中小型批零、杂货店;四是居民区或商业区的零售商户。4 结论鉴于上述分析，通过对该预警模型的指标分析，可继续开展预警结果的影响数据分析，以便于为烟草局监管人员方便查阅相关数据，制定出合理的监管策略，进一步规范烟草市场。Reference1朱卫东.基于神经网络的烟草零售户销售假烟行为的预警模型研究A.中国烟草学会2