余凡+余紅偉+許偉

余凡、余紅偉、許偉，武漢大學質(zhì)量發(fā)展戰(zhàn)略研究院。本文為國家社科基金重大項目 （11&ZD158）、“十二五”國家科技支撐計劃項目（2011BAK06B06）和科技部質(zhì)檢公益性行業(yè)科研專項（201210117）的階段性成果。衷心感謝研究院所有的研究人員對本文提出的寶貴意見。感謝匿名審稿人，文責自負。

摘 要：針對目前產(chǎn)品網(wǎng)絡質(zhì)量安全事件頻發(fā)的現(xiàn)狀，本文以“天涯”論壇中“圣元”奶粉的所有帖子為數(shù)據(jù)源，構建了一個包括輸入層、隱含層和輸出層的三層BP神經(jīng)網(wǎng)絡。通過篩選，選取發(fā)帖單位量、發(fā)帖累計量、發(fā)帖單位頻度、發(fā)帖累計頻度、回復單位量、回復累計量、回復單位頻度、回復累計頻度8個指標作為輸入層參數(shù)，選取安全、輕警、中警、重警、嚴重警5個預警等級作為輸出層參數(shù)，利用隱含層的BP神經(jīng)網(wǎng)絡對輸入層的質(zhì)量信息進行計算，得到預警等級。實驗證明，BP神經(jīng)網(wǎng)絡能夠有效地進行預警，預警結果略低于期望值，預警敏感度還有待加強。

關鍵詞：BP神經(jīng)網(wǎng)絡；網(wǎng)絡質(zhì)量安全；預警

一、問題的提出

質(zhì)量安全信息出現(xiàn)后，會產(chǎn)生相應的負面結果。將這些事件背后的因果關系提煉出來，應用到現(xiàn)有的質(zhì)量安全信息，能夠推測出可能性結果。質(zhì)量安全信息預警是政府有效預測質(zhì)量安全事件并成功阻止其大規(guī)模爆發(fā)的重要手段（程虹，2013）。想要得到準確、科學的預警結果，必須要有客觀、迅速、全面的質(zhì)量信息源。面對近年來質(zhì)量安全事件頻發(fā)的現(xiàn)狀，政府除了采取諸如制定更加嚴格的標準，加大處罰質(zhì)量違規(guī)人員的力度等措施外，對產(chǎn)品從生產(chǎn)、流通到交易的全過程也進行了嚴密地監(jiān)管（李酣，2013）。然而由于信息不對稱造成的政府監(jiān)管部門人員的有限性與需要監(jiān)管產(chǎn)品種類的無限性之間的矛盾，政府監(jiān)管技術的滯后性與產(chǎn)品技術發(fā)展的先進性之間的矛盾，證明無論從信息的客觀性、及時性還是全面性，利用監(jiān)管獲取的信息源都難以進行有效地預警（羅英，2013）。大數(shù)據(jù)時代的到來，為政府有效預警帶來了契機。

網(wǎng)絡的便捷性、普遍性促使其能夠成為質(zhì)量預警的數(shù)據(jù)平臺。作為大數(shù)據(jù)時代信息傳播的主要平臺，網(wǎng)絡已經(jīng)進入了人們的日常生活中。2013年7月發(fā)布的第32次《中國互聯(lián)網(wǎng)發(fā)展狀況統(tǒng)計報告》顯示，截至2013年6月底，我國網(wǎng)民規(guī)模達到591億，較2012年底增加2 656萬人。互聯(lián)網(wǎng)普及率為441%，較2012年底提升2%資料來源：中國互聯(lián)網(wǎng)絡信息中心，2013：《第32次中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》。。平均不到3人就有1人能夠上網(wǎng)，加之手機等移動設備與互聯(lián)網(wǎng)相連，我們已經(jīng)生活在一個布滿網(wǎng)絡的世界。與互聯(lián)網(wǎng)的緊密聯(lián)系，使得人們更加傾向于在網(wǎng)絡上進行交流和溝通。2013年5月發(fā)布的《2012年中國人權事業(yè)的進展》白皮書指出，截至2012年底，中國網(wǎng)絡微博用戶規(guī)模為3.09億。據(jù)對中國最有影響的10家網(wǎng)站統(tǒng)計，網(wǎng)民每天發(fā)表的論壇帖文和新聞評價達300多萬條，微博客每天發(fā)布和轉發(fā)的信息超過2億條資料來源：中國人大網(wǎng)，2013：《2012年中國人權事業(yè)的進民》白皮書。。頻繁的信息交流讓人們把信息發(fā)布到網(wǎng)上當成一種習慣。當人們習慣于把每天經(jīng)歷、遇到的事情發(fā)布到微博和論壇上時，質(zhì)量安全信息一定也會成為人們討論的重點之一。當消費者使用過有質(zhì)量問題的產(chǎn)品后，這些經(jīng)歷都有可能出現(xiàn)在網(wǎng)絡上成為質(zhì)量安全信息。這些質(zhì)量安全信息不僅全面反映了種類繁多的產(chǎn)品質(zhì)量問題，而且能夠第一時間在網(wǎng)絡上發(fā)布，是任何其它平臺無法比擬的。網(wǎng)絡質(zhì)量安全信息是能夠對產(chǎn)品質(zhì)量進行預警的非常寶貴的數(shù)據(jù)。

網(wǎng)絡的虛擬性、完全自由性導致消費者對于網(wǎng)絡質(zhì)量信息的真實性產(chǎn)生懷疑。甚至還有專門從事網(wǎng)絡造謠的炒作公司每天散播虛假信息。但是，消費者每次網(wǎng)購時會把其他消費者的評價信息作為衡量產(chǎn)品質(zhì)量好壞的重要標準。評價信息千差萬別，但當某件產(chǎn)品銷售量非常大時，個別不同觀點的評價會被大數(shù)據(jù)淹沒，主流的評價會成為影響消費者購買動機的直接推動力。對點擊率、回復率非常高的帖子進行分析，發(fā)現(xiàn)它們具有一個共性：提供大量的諸如圖片、新聞鏈接、視頻等能夠證明信息真實性的材料。以蒙牛關于“出口比內(nèi)地產(chǎn)品質(zhì)量更好”的言論發(fā)帖為例，由于樓主提供了新聞截圖，引發(fā)了接近25萬人的點擊和3000人的回復。如果說點擊量只能說明消費者對此事比較關注，那么回復量則能說明消費者群體之間產(chǎn)生了共鳴。大量點擊率和回復率為零的帖子沒有提供能夠證明其真實性的材料，其信息真實性存在問題，消費者不關注說明帖子發(fā)布的內(nèi)容并不重要。從兩個例子中不難發(fā)現(xiàn)，一方面消費者非常信賴網(wǎng)絡上的質(zhì)量評價信息，一方面在網(wǎng)絡上發(fā)表言論并且想到得到關注時，一定會引用真實材料做信息支撐。同時大數(shù)據(jù)的特性幫助消費者過濾掉非主流信息和不值得關注的信息。綜合三方面的因素可以推出，通過消費者對于網(wǎng)絡質(zhì)量信息的自由發(fā)布和選擇，形成網(wǎng)絡質(zhì)量大數(shù)據(jù)，大數(shù)據(jù)會將真實的、值得關注的質(zhì)量信息提供給消費者，將虛假的、不值得關注的質(zhì)量信息淘汰。

網(wǎng)絡信息傳播的迅猛性、無邊界性使得網(wǎng)絡質(zhì)量信息產(chǎn)生的負面效應不亞于質(zhì)量事件本身造成的后果，甚至更為嚴重。網(wǎng)絡上存在大量的諸如新浪微博、天涯論壇的虛擬社區(qū)。同一位用戶可以注冊多個虛擬社區(qū)，用戶在不同的社區(qū)擁有不同的網(wǎng)絡關系。整個網(wǎng)絡由錯綜復雜的不同關系疊加交織在一起。當用戶的網(wǎng)絡關系越多時，質(zhì)量信息一經(jīng)發(fā)布，會在最短的時間內(nèi)通過轉載、關注的方式無限擴散，醞釀成為網(wǎng)絡質(zhì)量事件。2008年9月16日的三聚氰胺事件一經(jīng)報導，僅圣元奶粉在天涯論壇的發(fā)帖數(shù)和回復數(shù)分別由前一天的3和16個上升到12和306個，可見網(wǎng)絡質(zhì)量信息傳播速度之快難以想象。網(wǎng)絡使得質(zhì)量信息不對稱最小化，消費者掌握的信息越多，企業(yè)面臨的風險越大（中國質(zhì)量觀測課題組，2013）。因此網(wǎng)絡質(zhì)量信息的迅速傳播對于企業(yè)造成的后果是毀滅性的。三聚氰胺事件通過網(wǎng)絡平臺讓消費者了解到國內(nèi)奶粉存在嚴重的質(zhì)量問題后，全國各地的年輕媽媽們通過網(wǎng)絡交流奶粉經(jīng)驗，共享使用奶粉過程中出現(xiàn)的各種問題，最后都義無反顧地選擇國外奶粉。經(jīng)過幾年的質(zhì)量建設工作，國內(nèi)奶粉市場仍然沒有太大的起色。endprint

綜上所述，消費者在網(wǎng)絡上發(fā)布的信息能夠第一時間全面、真實、迅速地反映不同產(chǎn)品的質(zhì)量，我們能夠利用網(wǎng)絡質(zhì)量信息預警。同時由于網(wǎng)絡傳播的巨大負面效應也要求我們對其預警。因此，消費者在網(wǎng)絡平臺發(fā)布質(zhì)量信息之時進行嚴密監(jiān)控，掌握信息的傳播和發(fā)展趨勢，提前做好預警工作，避免釀成巨大損失，是十分迫切和必要的。然而，由于網(wǎng)絡質(zhì)量信息紛繁復雜，平臺和語言各異，傳播迅速，很難找到質(zhì)量信息的傳播發(fā)展規(guī)律和預警的關鍵節(jié)點，這也是目前關于利用消費者網(wǎng)絡質(zhì)量信息進行預警研究非常少的原因。本文將以消費者的網(wǎng)絡質(zhì)量信息為研究數(shù)據(jù)，通過預警指標的構建，嘗試利用BP神經(jīng)網(wǎng)絡形成預警模型，對網(wǎng)絡質(zhì)量信息進行預警，減少其帶來的負面影響。

二、文獻回顧

按照預警依托的不同平臺，可以把預警分為網(wǎng)上預警和網(wǎng)下預警兩塊。網(wǎng)下預警的出現(xiàn)、發(fā)展、應用都早于網(wǎng)上預警，預警主要涉及安全性要求比較高的領域。具體而言，預警主要包括以下幾個方面：金融風險預警，研究者運用不同的數(shù)學模型對存在的財務危機進行預測。Fitzpatrick（1932）利用財務指標進行單變量預測分析。Altman（1968）利用多變量分析模型對財務危機進行預測。黃福員（2013）提出一種基于粗糙集理論的模糊神經(jīng)網(wǎng)絡模型，用于金融風險預警。環(huán)境預警，研究者對土地、水等環(huán)境的惡化、污染進行預警。Herrick（2002）對耕地進行監(jiān)測預警。Katlan（1999）對土地的荒漠化進行預警研究。羅艷（2013）采用生態(tài)風險預警評估法評估遵義東南部地區(qū)農(nóng)業(yè)土地的重金屬含量。張立輝（2013）基于韋伯-費希納定律建立水庫水環(huán)境預警評價模型。危險工作場所預警，研究者對存在重大安全隱患的場所進行預警。Lee（1992）利用神經(jīng)網(wǎng)絡算法對設備的使用情況進行預測，預防安全事件發(fā)生。馬建（2013）通過多種地壓監(jiān)測方式對某礦綜放工作面形成綜合監(jiān)測預警系統(tǒng)。疾病預警，研究者對高發(fā)且危險的疾病進行預警。盛靜宇（2013）探討了心率減速力在評價肥厚型心肌病患者自主神經(jīng)功能方面的應用以及對高?；颊哌M行預警方面的臨床價值。食品安全預警，研究者對食品生產(chǎn)到銷售各個環(huán)節(jié)中存在的安全問題進行預警。陳璐（2013）探索建立江蘇省昆山市餐飲食品安全風險監(jiān)測三級網(wǎng)絡和預警信息平臺。

網(wǎng)上預警的興起相對較晚，預警主要集中在網(wǎng)絡輿情控制方面。丁菊玲（2011）利用BP神經(jīng)網(wǎng)絡進行網(wǎng)絡輿情的預警，對網(wǎng)絡輿情的發(fā)展趨勢進行評價和預測。姚福生（2013）認為主題演化是網(wǎng)絡輿情演化的重要形式，構建了包括信息捕獲與提取模塊、分析評估模塊和結論通報模塊的網(wǎng)絡輿情主題演化預警信息工作系統(tǒng)。王鐵套（2012）在詳細分析網(wǎng)絡輿情影響因素和自身屬性的基礎，依據(jù)模糊綜合評價法構建了網(wǎng)絡輿情預警模型，并用實例證明了該模型的有效性和準確性。劉毅（2012）利用基于三角模糊數(shù)的模糊德爾菲法和模糊層次分析法，對網(wǎng)絡輿情指標進行了再次篩選和權重的確定，得到了面向于某一具體公共事務或熱點話題的網(wǎng)絡輿情預警指標體系。丁菊玲（2011）實現(xiàn)對網(wǎng)絡論壇網(wǎng)帖中網(wǎng)民觀點極性和觀點強度的挖掘，構建基于三粒度挖掘結果的觀點樹，建立基于觀點樹的網(wǎng)絡輿情危機預警架構，最后通過實驗驗證其可行性。王青（2011）對現(xiàn)有網(wǎng)絡輿情監(jiān)測指標體系進行整理與歸納，通過E-R模型系統(tǒng)分析主題輿情的屬性特征，從輿情熱度、輿情強度、輿情傾度、輿情生長度四個維度進行預警。曾潤喜（2010）在問卷調(diào)查的基礎上利用層次分析法構建了警源、警兆、警情三類因素和現(xiàn)象的網(wǎng)絡輿情突發(fā)事件預警指標體系。

雖然網(wǎng)下、網(wǎng)上預警的側重點不同，但基本上都采用構建評價指標、計算評價結果、劃分預警等級、判斷預警結果的步驟進行預警。評價方法已經(jīng)非常成熟，因此預警的關鍵在于如何構建科學的評價指標。將網(wǎng)下、網(wǎng)上預警的文獻對比，可以發(fā)現(xiàn)網(wǎng)下預警指標的領域區(qū)分性非常強，比如金融預警的常用指標有凈資產(chǎn)收益率、主營業(yè)務利潤率、資產(chǎn)負債率等，生態(tài)環(huán)境預警的常用指標有溫度、濕度、風速、光照度等。之所以不同領域可以構建適應于該領域的指標，是因為網(wǎng)下預警的數(shù)據(jù)來源更加多樣化。研究者可以通過精密的儀器設備、抽查、調(diào)查問卷等方式主動收集評價指標對應的數(shù)據(jù)。與網(wǎng)下相比，網(wǎng)上預警的數(shù)據(jù)來源更加單一化，只能通過互聯(lián)網(wǎng)獲取信息?；ヂ?lián)網(wǎng)能夠提供什么樣的信息，我們就只能被動地獲取什么樣的信息；因此，根據(jù)網(wǎng)上的信息設計的評價指標具有很大的局限性，無法主動設計指標，只能被動地接收指標。

另外，網(wǎng)下、網(wǎng)上預警的關注點也是不一樣的。網(wǎng)下收集信息的手段豐富，能夠準確獲取產(chǎn)品相關安全指標的信息，因此網(wǎng)下預警主要對產(chǎn)品進行安全性預警分析。比如金融預警中的凈資產(chǎn)收益率就是金融領域一個非常具體的指標，當凈資產(chǎn)收益率達到某個值時，能夠從一個側面反映出該企業(yè)的財政狀況處于何種狀態(tài)。相反，網(wǎng)上提供的信息與產(chǎn)品的相關性不高，與信息傳播的相關性非常高，原因在于信息在網(wǎng)絡上傳播所帶來的負面效應大于信息本身的負面效應，因此網(wǎng)上預警主要對質(zhì)量事件的傳播進行預警分析，更加關注事件的信息傳播狀態(tài)。預警的指標也主要集中在信息傳播的指標上，比如：帖子點擊數(shù)、回復數(shù)、參與討論人數(shù)等。

本文主要研究消費者的網(wǎng)上質(zhì)量信息。根據(jù)上文的分析，本文將使用網(wǎng)上預警指標的構建方法構建消費者網(wǎng)絡質(zhì)量信息的預警指標。

三、預警指標

本文選取的預警指標遵循以下幾個原則：可獲取性、客觀性、可用性。

由于網(wǎng)上的預警指標是根據(jù)網(wǎng)上信息制定的，而不同的網(wǎng)絡虛擬社區(qū)提供的信息不同，因此首先需要確定待研究的網(wǎng)絡虛擬社區(qū)，查看該虛擬社區(qū)能夠提供哪些信息，然后根據(jù)信息確定預警指標。本文選取國內(nèi)知名論壇——天涯論壇作為預警的實驗數(shù)據(jù)來源。通過對天涯論壇中帖子相關屬性進行分析，發(fā)現(xiàn)論壇能夠提供的信息有發(fā)帖數(shù)量、帖子標題、樓主昵稱、發(fā)布時間、點擊數(shù)量、回復數(shù)量、帖子內(nèi)容、回復作者昵稱、回復時間、回復內(nèi)容10個帖子屬性。endprint

在網(wǎng)上預警的文獻中，研究者除了使用網(wǎng)上提供的客觀信息外，還會在預警指標中加入一些主觀信息，比如：帖子真實性、敏感度、主題參與度。這類指標都是用問卷調(diào)查、專家打分的方法獲取。還有一類諸如主題觀點傾向的指標數(shù)據(jù)會使用情感詞匹配的方法從帖子內(nèi)容、回復內(nèi)容中獲取。筆者認為采用問卷調(diào)查、專家打分的方法獲取的指標數(shù)據(jù)可能會受到調(diào)查對象、專家個人經(jīng)驗、偏好的影響。對于情感詞匹配方法，由于來自于不同地區(qū)的消費者在討論的時候會使用本地的語言，加上中文存在一詞多義、多詞一義、一詞多性的現(xiàn)象，這些因素都會降低匹配的精度，影響最后的預警結果，而采用論壇提供的客觀數(shù)據(jù)能夠更加真實地反映質(zhì)量信息的傳播規(guī)律；因此本文將從10個帖子屬性中選擇預警指標。

考慮到預警主要觀察單位時間質(zhì)量信息傳播的數(shù)量，帖子標題、樓主昵稱、帖子內(nèi)容、回復作者昵稱、回復內(nèi)容無法使用，而論壇沒有提供點擊數(shù)量隨時間變化的量，因此選取發(fā)帖數(shù)量、發(fā)布時間、回復數(shù)量、回復時間4個指標作為原始指標。對原始指標擴展，最終得到發(fā)帖單位量、發(fā)帖累計量、發(fā)帖單位頻度、發(fā)帖累計頻度、回復單位量、回復累計量、回復單位頻度、回復累計頻度8個指標。其中，單位量和累計量分別指發(fā)帖和回復單位時間和累計時間的數(shù)量，單位頻度和累計頻度分別指單位時間和累計時間帖子和回復的變化數(shù)量。

四、BP神經(jīng)網(wǎng)絡預警及結果分析

BP（BackPropagation）神經(jīng)網(wǎng)絡的前身是誤差反向傳播。誤差反向傳播經(jīng)由Bryson的提出和Werbos、Parker等研究者的運用，反向傳播開始引起廣泛的關注，并被逐步引入到人工神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡具有簡單的結構、較強的可執(zhí)行性、較好的自學習性，并且能夠有效地解決非線性問題。因此，在眾多人工神經(jīng)網(wǎng)絡的模型中，以BP神經(jīng)網(wǎng)絡作為研究方法的論文占了最大的比重。

（一） BP神經(jīng)網(wǎng)絡算法和模型

BP神經(jīng)網(wǎng)絡包括輸入層、隱含層和輸出層（王鈺，2005）。輸入層和輸出層分別負責接收輸入值和產(chǎn)生輸出值。隱含層負責將輸入層的值計算得出輸出期望值以及反向傳播輸出值。BP神經(jīng)網(wǎng)絡算法是一個誤差反向傳播的循環(huán)學習過程。其基本思想為，輸入層接受輸入值后，傳播給隱含層處理，隱含層將處理結果傳播給輸出層。這個傳播過程稱為正向傳播。如果輸出結果與期望值的誤差過大，則進入反向傳播階段。誤差反向傳播階段，將輸出誤差反向傳播給隱含層，隱含層各神經(jīng)元都將接收到一部分輸出誤差，神經(jīng)元根據(jù)輸出誤差調(diào)整權值。通過不斷地學習和調(diào)整，輸出值將無限接近期望值。直到神經(jīng)網(wǎng)絡學習次數(shù)達到預定的閾值，神經(jīng)網(wǎng)絡才會停止。

yj=11+e-xj（1）

xj=∑iyiwji（2）

BP神經(jīng)網(wǎng)絡模型主要由公式1、2、3、4構成（李萍，2008）。公式1為神經(jīng)網(wǎng)絡的Sigmoid激活函數(shù)，激活函數(shù)用于輸入和輸出值的非線性映射轉換。公式2為神經(jīng)網(wǎng)絡的輸出值。神經(jīng)網(wǎng)絡中的神經(jīng)元接收激活函數(shù)的值yj，激活公式2，公式2乘以權重，得到神經(jīng)元的值xj，xj代入激活函數(shù)，激活函數(shù)激活下一個神經(jīng)元，依次循環(huán)，直到激活所有神經(jīng)元，形成神經(jīng)網(wǎng)絡。

ΔW=-lEw（3）

Ejwji=yj（1-yj）（yj-dj）yi（4）

當輸出值誤差大于期望誤差時，神經(jīng)網(wǎng)絡利用反饋機制修正神經(jīng)元權重。神經(jīng)元權重的修正模型如公式3所示，Ew為權重的誤差量，l為學習率，負號表示權重朝負方向調(diào)整。通過公式運算，權重誤差量可以由公式4表示，其中dj為期望輸出值。權重的修正是一個迭代的過程，當權重小于設定閾值，停止修正。

（二）基于BP神經(jīng)網(wǎng)絡的預警結構

通過以上算法和模型的描述不難發(fā)現(xiàn)，本文的研究可以基于BP神經(jīng)網(wǎng)絡進行消費者網(wǎng)絡質(zhì)量信息的預警。將上文提出的8個指標作為神經(jīng)網(wǎng)絡的輸入層，預警等級為輸出期望，利用一段時間內(nèi)的輸入和輸出值訓練并搭建起B(yǎng)P神經(jīng)網(wǎng)絡，最后利用BP神經(jīng)網(wǎng)絡對未來的消費者網(wǎng)絡質(zhì)量信息進行預警。預警框架如圖1所示。預警等級分為安全、輕警、中警、重警、嚴重警。

圖1 基于BP神經(jīng)網(wǎng)絡的預警結構

（三）預警流程

本文將使用Matlab工具進行預警實驗。預警流程細分為10個步驟，實驗結果將在對應的步驟中展示。

1.選定數(shù)據(jù)源

選定國內(nèi)知名論壇——“天涯”中與圣元奶粉質(zhì)量有關的所有帖子作為數(shù)據(jù)源。數(shù)據(jù)時間從2004年11月29日到2013年8月30日。

2.獲取輸入指標數(shù)據(jù)和輸出預警等級

通過對原始帖子的預處理，將原始數(shù)據(jù)以時間為軸統(tǒng)計到8個輸入指標中。同時，設定輸出預警等級。預警的五個等級從安全和嚴重分別對應10000、01000、00100、00010、00001五個數(shù)字，方便計算。

3.訓練樣本輸入值歸一化

將所有數(shù)據(jù)分為訓練樣本和測試樣本兩個部分。首先利用訓練樣本構建BP神經(jīng)網(wǎng)絡，然后利用測試樣本檢驗BP神經(jīng)網(wǎng)絡，查看神經(jīng)網(wǎng)絡的預警準確率。為了降低輸入值帶來的誤差，提高神經(jīng)網(wǎng)絡的精度，需要對輸入值進行歸一化處理。本文使用“premnmx”進行歸一化處理。歸一化前后的輸入值如表1、2所示。BP神經(jīng)網(wǎng)絡的核心函數(shù)如表3所示。

表1 訓練樣本的部分輸入值表2 訓練樣本的歸一化值表3 BP神經(jīng)網(wǎng)絡中的核心函數(shù) 表1中，x5、x7的值明顯大于其他值，利用這些原始值構建神經(jīng)網(wǎng)絡，會影響神經(jīng)網(wǎng)絡的精度。歸一化后所有的值均處在[-1，1]之間，方便神經(jīng)網(wǎng)絡的搭建。

4.創(chuàng)建神經(jīng)網(wǎng)絡

使用“newff”創(chuàng)建神經(jīng)網(wǎng)絡。本文構建三層神經(jīng)網(wǎng)絡，隱含層只有一層。隱含層的節(jié)點數(shù)通常通過反復測試確定。通過反復測試，確定隱含層的節(jié)點數(shù)為10。隱含層的激活函數(shù)選用雙曲正切函數(shù)“tansig”。輸出層的激活函數(shù)選用線性函數(shù)“purelin”。訓練函數(shù)選用梯度下降自適應學習率訓練函數(shù)“traingdx”。endprint

5.設置網(wǎng)絡參數(shù)

BP神經(jīng)網(wǎng)絡的常用配置參數(shù)如表2所示。通過反復測試，本文選定訓練次數(shù)顯示間隔為100，網(wǎng)絡學習速率為005，最大網(wǎng)絡訓練次數(shù)為10000，網(wǎng)絡允許誤差為005。表4 BP神經(jīng)網(wǎng)絡的配置參數(shù)6.訓練神經(jīng)網(wǎng)絡

使用“train”開始訓練神經(jīng)網(wǎng)絡，Matlab將彈出訓練監(jiān)控窗口，并實時反饋誤差信息。當誤差小于配置值時，訓練過程結束，神經(jīng)網(wǎng)絡形成。表5 從輸入層到隱含層的神經(jīng)元權值表6 從隱含層到輸出層的神經(jīng)元權值表5、表6為形成三層神經(jīng)網(wǎng)絡后，神經(jīng)元的權值。表5為輸入層到隱含層的神經(jīng)元權值。輸入層8個神經(jīng)元，隱含層10個神經(jīng)元，因此得到一個10行8列的權值矩陣。表6為隱含層到輸出層的神經(jīng)元權值。隱含層10個神經(jīng)元，輸出層5個神經(jīng)元，因此得到一個5行10列的權值矩陣。

7.測試樣本輸入值歸一化

將測試樣本同樣用“premnmx”進行歸一化處理。

8.神經(jīng)網(wǎng)絡仿真

將歸一化的值輸入到神經(jīng)網(wǎng)絡，檢驗神經(jīng)網(wǎng)絡的準確率。仿真函數(shù)為“sim”。

9.仿真結果反歸一化

仿真后的結果是歸一化后的值，無法與期望值比較，因此使用“postmnmx”函數(shù)對結果進行反歸一化處理。

10.結果與期望值比較

將反歸一化后的結果與期望值比較，查看神經(jīng)網(wǎng)絡的效果。比較結果如表7所示。表7 測試樣本輸出值從測試的結果來看，BP神經(jīng)網(wǎng)絡具有比較好的預警作用，預警級別略低于期望。2010年8月8日和2010年8月15日的預警結果與期望值是完全一樣的。從2010年8月9日到14日，BP神經(jīng)網(wǎng)絡的預警結果均為重警，期望值是嚴重警，測試結果比期望值低了一個等級。8月6日、8月16日、8月19日、8月27日和8月28日的預警結果比期望值低一個等級。剩下的預警結果均比期望值低兩個等級。總的來看，當出現(xiàn)質(zhì)量危機時，基于BP神經(jīng)網(wǎng)絡的預警模型能夠預測到危機，但低于期望結果，預警敏感度有待加強。

五、研究結論、建議與展望

大數(shù)據(jù)時代，基于互聯(lián)網(wǎng)的產(chǎn)品質(zhì)量安全事件頻發(fā)，利用產(chǎn)品網(wǎng)絡質(zhì)量安全信息進行預警能夠有效避免大規(guī)模質(zhì)量安全事件的爆發(fā)，最大程度地減少消費者、企業(yè)的損失。本文嘗試利用BP神經(jīng)網(wǎng)絡對網(wǎng)絡消費者產(chǎn)品質(zhì)量信息進行預警。通過對圣元奶粉質(zhì)量安全信息預警的實證測試，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡具有比較好的預警作用，但預警結果低于期望值，預警敏感度有待加強。本文僅是對一個品牌的奶粉進行BP神經(jīng)網(wǎng)絡預警，今后的工作將集中在利用BP神經(jīng)網(wǎng)絡進行多產(chǎn)品的預警，將BP神經(jīng)網(wǎng)絡應用到產(chǎn)品質(zhì)量大數(shù)據(jù)中。

參考文獻：

[1] 陳璐、朱振華，2013：《昆山市餐飲食品安全風險監(jiān)測三級網(wǎng)絡和預警信息平臺建立及應用效果評價》，《中國食物與營養(yǎng)》第11期。

[2] 程虹，2013：《2012年中國質(zhì)量狀況——消費者感知與模型構建》，《宏觀質(zhì)量研究》第1期。

[3] 丁菊玲、勒中堅，2011：《基于觀點樹的網(wǎng)絡輿情危機預警方法》，《計算機應用研究》第9期。

[4] 丁菊玲、勒中堅，薛圈圈，2011：《定量網(wǎng)絡輿情危機預警模型構建》，《圖書情報工作》第20期。

[5] 黃福員，2013：《金融風險預警的RST-FNN模型研究》，《電腦知識與技術》第9期。

[6] 李酣，2013：《從市場失靈到政府失靈——政府質(zhì)量安全規(guī)制的國外研究綜述》，《宏觀質(zhì)量研究》第2期。

[7] 李萍，2008：《基于MATLAB的BP神經(jīng)網(wǎng)絡預測系統(tǒng)的設計》，《計算機應用與軟件》第4期。

[8] 劉毅，2012：《基于三角模糊數(shù)的網(wǎng)絡輿情預警指標體系構建》，《統(tǒng)計與決策》第2期。

[9] 羅英，2013：《共享與善治：質(zhì)量公共服務對質(zhì)量監(jiān)管效果的影響——基于我國宏觀質(zhì)量觀測數(shù)據(jù)的實證分析》，《宏觀質(zhì)量研究》，第1期。

[10]羅艷、何錦林、許錫娟，等，2013：《遵義東南部地區(qū)農(nóng)業(yè)土壤重金屬污染生態(tài)風險預警研究》，《貴州科學》第6期。

[11]馬建、王震，2013：《煤礦工作面動力災害綜合預警方式》，《科技創(chuàng)新與應用》第35期。

[12]盛靜宇等，2013：《心率減速力預警高危肥厚型心肌病患者的臨床價值》，《江蘇實用心電學雜志》第6期。

[13]王青、成穎、巢乃鵬，2011：《網(wǎng)絡輿情監(jiān)測及預警指標體系構建研究》，《圖書情報工作》第8期。

[14]王鐵套、王國營、陳越，2012：《基于模糊綜合評價法的網(wǎng)絡輿情預警模型》，《情報雜志》第6期。

[15]王鈺，2005：《基于改進BP神經(jīng)網(wǎng)絡的預測模型及其應用》，《計算機測量與控制》第1期。

[16]武漢大學質(zhì)量發(fā)展戰(zhàn)略研究院中國質(zhì)量觀測課題組，2013：《2012年中國質(zhì)量發(fā)展報告》，《宏觀質(zhì)量研究》第1期。

[17]姚福生、錢芳、蘇暢，2013：《大學生網(wǎng)絡輿情主題演化探究及其預警指標設計》，《學術論壇》第2期。

[18]曾潤喜，2010：《網(wǎng)絡輿情突發(fā)事件預警指標體系構建》，《情報理論與實踐》第1期。

[19]張立輝，2013：《基于韋伯—費希納定律的淺水水庫水環(huán)境預警評價》，《現(xiàn)代農(nóng)業(yè)科技》第22期。

[20]Altman，E. I.，1968， “Financial Ratios，Discriminant Analysis，and the Prediction of Corporate Bankruptcy”，The Journal of Finance.

[21]Fitzpatrick，P. J.，1932， “A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Firms”，The Accountants Publishing Company.endprint

[22]Herrick，J. E.，Brown，J. R.，Trugel，A. J.，et al.，2002， “Application of Soil Quality to Monitoring and Management Paradigms from Range Land Ecology”，Agronomy Journal.

[23]Katlan，B.，Sayyed，M. A.，1999， Regionnal Study on Use of Geograohical Information System and Early Warning in Desertification Control and Movement of Schistocerca Gergana，MAAR Press.

[24]Lee，J.，Kramer B. M.，1992， “Analysis of Machine Degradation using a Neural Networks Based Pattern Discrimination Model”，Manufacturing Systems.

An Empirical Study Earlywarning for Network Quality Safety of

Consumer Based on BP Neutral Network Information

Yu Fan，Yu Hongwei and Xu Wei

（Institute of Quality Development Strategy，Wuhan University）

Abstract：To Cope with frequently occurred issues of network quality safety，this paper aims to study information earlywarning for network quality safety by using BP neutral network. Data source is all posts about Shengyuan milk powder downloaded from Tianya forum. BP neutral network includes three layers： input layer，hidden layer，and output layer.Eight indicators includes posts per unit，cumulative posts，posting frequency per unit，cumulative posting frequency，reply per unit，cumulative reply，reply frequency per unit，cumulative reply frequency are constructed，so as to five earlywarning levels including safety and mild warning，middle warning，serious warning，very serious warning. The empirical study finds out that taking advantage of BP neutral network has an efficient impact on earlywarning. However，the earlywarning results are lower than expected.And the earlywarning sensitivity is to be strengthened.

Key Words：BP Neutral Network； Network Quality Safety； Information Earlywarning

責任編輯 李酣endprint

[22]Herrick，J. E.，Brown，J. R.，Trugel，A. J.，et al.，2002， “Application of Soil Quality to Monitoring and Management Paradigms from Range Land Ecology”，Agronomy Journal.

[23]Katlan，B.，Sayyed，M. A.，1999， Regionnal Study on Use of Geograohical Information System and Early Warning in Desertification Control and Movement of Schistocerca Gergana，MAAR Press.

[24]Lee，J.，Kramer B. M.，1992， “Analysis of Machine Degradation using a Neural Networks Based Pattern Discrimination Model”，Manufacturing Systems.

An Empirical Study Earlywarning for Network Quality Safety of

Consumer Based on BP Neutral Network Information

Yu Fan，Yu Hongwei and Xu Wei

（Institute of Quality Development Strategy，Wuhan University）

Abstract：To Cope with frequently occurred issues of network quality safety，this paper aims to study information earlywarning for network quality safety by using BP neutral network. Data source is all posts about Shengyuan milk powder downloaded from Tianya forum. BP neutral network includes three layers： input layer，hidden layer，and output layer.Eight indicators includes posts per unit，cumulative posts，posting frequency per unit，cumulative posting frequency，reply per unit，cumulative reply，reply frequency per unit，cumulative reply frequency are constructed，so as to five earlywarning levels including safety and mild warning，middle warning，serious warning，very serious warning. The empirical study finds out that taking advantage of BP neutral network has an efficient impact on earlywarning. However，the earlywarning results are lower than expected.And the earlywarning sensitivity is to be strengthened.

Key Words：BP Neutral Network； Network Quality Safety； Information Earlywarning

責任編輯 李酣endprint

[22]Herrick，J. E.，Brown，J. R.，Trugel，A. J.，et al.，2002， “Application of Soil Quality to Monitoring and Management Paradigms from Range Land Ecology”，Agronomy Journal.

[23]Katlan，B.，Sayyed，M. A.，1999， Regionnal Study on Use of Geograohical Information System and Early Warning in Desertification Control and Movement of Schistocerca Gergana，MAAR Press.

[24]Lee，J.，Kramer B. M.，1992， “Analysis of Machine Degradation using a Neural Networks Based Pattern Discrimination Model”，Manufacturing Systems.

An Empirical Study Earlywarning for Network Quality Safety of

Consumer Based on BP Neutral Network Information

Yu Fan，Yu Hongwei and Xu Wei

（Institute of Quality Development Strategy，Wuhan University）

Abstract：To Cope with frequently occurred issues of network quality safety，this paper aims to study information earlywarning for network quality safety by using BP neutral network. Data source is all posts about Shengyuan milk powder downloaded from Tianya forum. BP neutral network includes three layers： input layer，hidden layer，and output layer.Eight indicators includes posts per unit，cumulative posts，posting frequency per unit，cumulative posting frequency，reply per unit，cumulative reply，reply frequency per unit，cumulative reply frequency are constructed，so as to five earlywarning levels including safety and mild warning，middle warning，serious warning，very serious warning. The empirical study finds out that taking advantage of BP neutral network has an efficient impact on earlywarning. However，the earlywarning results are lower than expected.And the earlywarning sensitivity is to be strengthened.

Key Words：BP Neutral Network； Network Quality Safety； Information Earlywarning

責任編輯 李酣endprint