发布时间：2023-10-02 17:24:08
绪论：一篇引人入胜的网络经济的功能，需要建立在充分的资料搜集和文献研究之上。搜杂志网为您汇编了三篇范文，供您参考和学习。
城镇在文化交流中发挥的作用是不断变化的，它不仅因城镇的大小和功能的不同而不同，而且还随时间的迁移而变化。在创造文化交流的有利条件方面，某些城镇远较其它城镇成功。然而，特定城市有利于文化交流的条件却不能一直存在下去。在欧洲，很少有城镇会一如既往地保持同等地重要性。在1400-1700年的三个世纪中，主要城镇的特性随着国际贸易路线、商业组织和政治组织等发生的重要变化而变化。15世纪的布鲁日、日内瓦和威尼斯，16世纪西班牙城市塞维利亚和安特卫普，17世纪的伦敦、巴黎和阿姆斯特丹等的起落沉浮，便是很好的说明。即使每个城市都曾有过黄金时期，但在两、三代人的时间内，它便会因新中心的出现而黯然失色。例如，安特卫普在15世纪末取代了布鲁日作为低地国家主要商业中心的地位，但随着斯海尔德河在1585年开始受到封锁，它也丧失了这一地位。(2)
城镇的经济职能有利于为其在某一段时间内作为文化交流中心而繁荣创造有利的环境，因为贸易是促使人员、货物和观念流动的重要原动力之一。但是，如果因此而认为特定的城市职能必然促进文化交流，并且这些交流仅限于有限的重要的城市中心，或者认为这些文化交流一旦发生，它们的文化影响力就会完全保留在城镇之内，那么这种看法便是愚蠢的。相反，尽管在欧洲的个别地区，某些重要的城镇中心确实较其它一些中心发挥了更为重要的作用，而且它们中的许多成为个案研究的基础，但是，文化交流的过程却发生在更为广阔的环境中。(3)
城镇并非孤立地存在，而是与其它城镇和地区一起，形成了一个网络，从而为文化交流提供了更为广阔的环境。每一个城镇中心文化交流的个别环境都得益于将它是更广阔的网络中的组成部分这样一个事实。各种城镇和都市都属于许多不同类别的网络的节点。欧洲范围的城市网络包括：水上国际贸易网络；路上国际贸易网络；行政中心间的主要交通路线；宗教中心间的主要交通路线；教育中心间的路线。很明显，其中的许多城镇是重叠的，特别是在城市集多种功能于一身时，如当城市集贸易这一主要职能与行政、教育和宗教中心等于一身时，情况更是如此。巴黎便是一个典型的例子。从16世纪初起，它既是法国的首都和皇室宫廷所在地，也是水路和陆上贸易的重要场所，同时还是宗教和文化中心。巴黎圣母院是朝圣者的目的地。索邦神学院则吸引着欧各地的学者。外部的文化刺激和多功能性结合在一起，让巴黎人充满了新鲜事物，也就不足为怪了。(4)
作为全欧城镇网络节点的城镇对次一级的城镇网络来说同样是关键，小一些的城镇作为供应者和消费者而这些节点密切相连，因而在一个地区、甚至在一个国家发挥补充作用。虽然这些地位较低一些的城镇能在多大程度上被确认为文化交流的场所是可以探讨的，但它们确实在传播文化新事物和文化调试方面发挥了重要作用。报纸及欧陆文学小册子的译本沿着主要的贸易通道——沿途散布着喜欢读书刊报的人们得以碰面并发挥着教育功能的客栈——从伦敦向更小一些的中心的发行便是左证。(5)
二、城镇传播文化的模式
现代商界的竞争已从企业之间的竞争转变为供应链之间的竞争，而近二十年以来，关于供应链的研究逐渐升级为供应链网络的研究。目前已有的关于供应链网络的研究主要集中在供应链网络的定义、供应链网络成员的关系、供应链网络的结构模型等方面，对于供应链网络竞争优势的来源的研究几乎是空白，竞争优势来源究竟是什么，非常值得研究。
本文在对研究供应链网络已有文献梳理的基础上，可以看到对于供应链网络结构模型研究中，单核的“核心型网络”结构是主流，但是对于“核心型网络”中的核心企业的研究中，更多的关注了核心企业本身给供应链网络带来的竞争优势。
一、动态能力观研究基础
Prahalad和Hamel（1990）通过对比分析代表日本公司的NEC和代表欧美公司的GTE，指出企业获得竞争优势的根源已经发生改变，从简单的产品性价比转为了企业能否以比对手更低的成本和更快的速度构建核心竞争力，使各项业务能够及时把握不断变化的机遇。Teece（1997）提出动态能力观，认为企业的战略能力是不能通过市场交易而获得，是企业通过整合、建构和重置内外部才能以适应快速变化的外部环境的能力。
二、供应链网络成员关系研究基础
由于供应链成员的数量一般都极为庞大，比如利丰公司在全球仅供应商网络就达数千家企业；成员的范围又很广泛，既有上游的供应商，甚至供应商的供应商，又有下游的经销商、零售商等；成员分布的地域也很广。由此供应链网络成员之间形成了错综复杂的网络关系，形成了复杂的系统。如果管理新型的供应链关系成为供应链管实践中的挑战，对于关系的研究逐渐成为一个热点。对于供应链成员关系的观点逐渐从单纯的竞争观、合作观发展为竞合论。另一方面，关于供应链网络成员的复合联结关系也有一些研究。
（一）合作关系
早期的研究强调的是供应链成员的合作。从现有的文献来看，大量的研究集中在供应链成员的合作及伙伴关系方面。
国外的一系列研究集中在供应链伙伴关系管理的几个关键方面，包括紧密伙伴关系的利益特征、选择伙伴关系的准则以及关系的管理与实施。Michael等（1997）分析了买房---供应商伙伴关系的利益、风险以及实施的关键因素，并提出应更多地拆去运筹学的方法来定量研究伙伴关系。
Cooper 等（1998）认识到供应链网络的动态网络特性，并十分重视企业行为对供应链网络的影响，提出了供应链网络结构、供应链网络流程和供应链网络管理要素的分析框图，剖析了纵向一体化战略对核心企业在供应链网络中水平定位的影响。Christopher等（2003）通过对供应链关系中存在有问题行为的研究，评估了有问题行为的频率与供应链关系中信任与承诺水平的关系，发现任何破坏信任和承诺的行为都将会影响关系的力量和质量，从而导致供应链管理的低效率。
（二）竞合关系
竞合论的研究主要集中在横向关系企业间的同时竞争与合作，而对供应链企业的竞合关系研究相对还比较匮乏。
Maria等（2000）采用全新的案例---存在竞合关系的两个瑞典和一个芬兰的行业---进行实证研究，提出竞合关系中的竞争和合作关系是能够同时存在并被管理。结果发现企业的行为与消费者越远越表现出合作，越近越表现出竞争。原因是资源的独特性，离消费者越远，企业间可以通过合作产生资源的最佳利用效果。从战略的角度看，即在研发上与竞争者合作。
纵观供应链成员关系的研究可以发现，已经从20世纪80年代基于交易成本理论的研究转向基于委托理论、博弈论、企业资源论等，更深入地刻画出成员之间竞争与合作并存的本质。
三、供应链结构研究基础
Fu R.L.和Michael J.S（1998）给出了一般供应链网络结构模型，其中有一个核心企业，其他一系列企业围绕核心企业展开业务。
于海生和龙迎红（2011）基于供应链网络的层次性、双向性、多级性、动态性和跨地区的特征提出“立体多核”结构的结构特征，以及小世界和无标度特性，考虑供应链网络成员连接关系的强度和外部环境的不确定性，以及供应链网络种不同成员的特性，构建了供应链网络拓扑结构模型，得出供应链网络结构模型的度分布、节点强度分布和边权分布都是幂率分布的结论。
综上所述，对于供应链的结构，多数学者认为是具有一个核心企业的网络结构，也有学者提出多核的结构。
四、研究启示
对于企业竞争优势的研究，已经有资源观、知识观、能力观、制度观，但是对于供应链网络---非一般意义的企业---竞争优势的研究几乎没有。本文从能力观的企业理论入手，探究供应链网络的竞争优势来源，将企业理论移植到供应链网络中，这种尝试可能是对供应链研究的一种拓展。
参考文献：
[1]Christopher J.C.， Suvir V. Strategic Risk Management： The New Competitive Edge [J]. Long Range Planning， 1999（4）.
[2] Cooper M.C.， Lambert D.M.， Pagh J.D. Supply chain management： implementation issues & research opportunities. The International Journal of Logistics Management， 1998，9（2）：1-19.
[3] 焦志莹，张文彬 ，焦志敏 .供应链成员竞争合作关系研究[J].铁道货运，2005（2）：15-17.
[4] 王永平，孟卫东.供应链企业合作竞争机制的演化博弈分析[J].管理工程学报，2004，18（2）：96-98.
1bp 神经网络模型
bp 神经网络模型由一个输入层、一个输出层以及一个或多个隐含层构成，同一层中各神经元之间相互独立。输入信号从输入层神经元开始依次通过各个隐含层神经元，最后传递到输出层神经元， 图1给出了包含一个隐含层的bp网络模型结构，隐含层神经元个数为m。理论研究表明：具有一个输入层，一个线性输出层以及sigmoid 型激活函数的隐含层bp 网络能够以任意精度逼近任何连续可微函数［3］。
三层感知器中，输入向量为x=（x1,x2…xi…xn）t，图1中x0=-1是为隐层神经元引入阈值而设置的，隐层输入向量为y=（y1,y2…yj…ym,）t，图中y0=-1是为输出层神经元引入阈值而设置的；输出层输出向量o=（o1,o2, …,ok,ol）t，期望输出向量为d=（d1,d2, …,dk,dl）t,输入层到隐层之间的权值矩阵用v表示，v=（v1,v2, …,vj, …vm）t，隐层到输入层之间的权值矩阵用w表示，w=（w1,w2, …,w,k …wl）t，下面分析各层信号之间的关系［4］。
图1三层bp网络
对于输入层：
ok=f（netk） k=1,2, …，l，netk=∑mj=0wjkyj k=1,2, …，l；
对于隐层：
yj=f（netj）j=1,2, …,m，netj=∑ni=0vijxij=1,2, …,m；
以上两式中，激活函数都是sigmoid函数。
f（x）=11+e－x，f（x）具有连续、可导的特点且f’（x）= f（x）［1- f（x）］。
根据以上公式，我们可以推导出权值调整量δwjk和δvjk分别是：
δwjk=ηδokyj=η（dk-ok）ok（1-ok）yj，δvij=ηδyjxi=η（∑lk=1δokwjk）yj（1-yj）xi
2智能公交实时调度模型总体设计
公交公司的行车计划一般在年初就制定完成，调度员根据行车计划进行调度，遇到节假日、雨天等突况时，就凭调度员的工作经验调度。因此，可以考虑使用bp神经网络算法，在智能公交实时调度中加入误差反向传播算法，利用误差反向传播算法超强的学习能力和泛化能力，通过对公交海量历史调度数据的学习，建立公交车到达目的站点的预测模型。通过实时gps数据，就可以预测车辆到达目的地的大概时间，为建立智能公交调度提供极大的方便。智能公交实时调度模型如图2所示。
图2智能公交实时调度模型
从图2可以看出，智能公交实时调度模型分为3个主要模块。
(1)数据处理分析模块。智能公交实时调度模型的基础模块，数据来源于两个部分：一是公交历史行车数据，包括发车时间、天气等数据；二是gps定位系统采集的实时数据，主要是各个时刻采集的运行数据。该模块根据各预测模型的需要，选择合理的数据输入，并对数据进行处理。
(2)预测模型模块。通过对现有数据的分析、预测，得到车辆到达调度站的运行时间预测结果。
(3)智能实时调度模块。输入预测模型可以得到车辆运行时间，根据公交历史调度计划以及公交客流数据，可以适当改变当前调度计划，临时下达调度指令，为建立与实际客流相结合的调度方法提供决策支持。
(4)基于bp神经网络的预测模型。公交车辆的运行时间总的来说还是比较固定的，但是有时候会随着道路拥挤情况、节假日、天气情况等有所改变。由于神经网络具备以任意精度逼近连续函数功能，具有较强的自我学习能力和泛化能力，能够充分体现输入数据与输出数据之间复杂的映射关系。因此，本文采用bp神经网络来预测车辆到达时间。
2.1输入变量对公交运行时间的影响
把公交车运行时间分
为几个阶段，车辆到达目的地所需要的时间往往与该公交车处于的阶段有着某种必然的联系，根据车辆实时gps数据及车辆运行过程中所处的时间，设ti为公交车实时时间，所以ti在那个阶段对车辆运行有直接影响， ti可以根据gps数据实时取得。
车辆位置：车辆在运行过程中所处的位置对公交车到达目的站有着一定的影响，根据gps实时数据，可以计算出车辆离终点站有多少距离，将车辆在ti时刻距调度站的距离作为影响因素。
天气情况：天气的好坏对公共汽车的运行产生比较大的影响，一般情况下，公交车在晴天的运行时间要比雨天少，车速比雨天快。
星期情况：从周一到周日，不同日子有着不同的客流，所以星期情况对公交的运行产生一定的影响。
节日：重大节日客流量明显增多，车辆的运行时间也会有所延长。
2.2变量获取
bp神经网络需要大量数据作为输入、输出样本，因此在构建bp神经网络前，首先要做的工作就是获取这些数据。利用先进的信息技术，可以获取公交车辆运行的gps数据，而天气、星期情况、是否节假日这些变量则可以在大量的历史数据中获得。
2.3基于神经网络的车辆预测模型
预测模型将采用三层bp神经网络，即一个输入层，一个隐层以及一个输出层，输入层一共有5个变量，分别是时间、车辆位置、天气情况、星期情况以及节假日。隐含层节点数目一共有11个节点。输出层为1个节点，采用有导师的学习方法。至此本文建立的bp网络结构为5×11×1，bp网络结构如图3所示。
图3bp神经网络结构
bp神经网络的车辆运行时间测算模型如图4所示。
其中：t 为当前时刻，w(t-t)，当前时刻t之前t时刻神经网络输入层与隐层以及隐层与输出层之间的权值矩阵。
f(t):车辆从起始站到当前时刻车辆的运行时间。
f’(t):预测样本的输出时间。
xi(t):t时刻的第i个输入向量，i∈［0，1］，其中xi为车辆在t时刻到达调度站的距离的输入向量，x2为天气情况输入向量，x3为车辆运行所处的星期输入向量，x4为车辆运行当天是否节日的输入向量，x5为gps采集数据的时刻向量。
图4bp神经网络的车辆运行时间测算模型
2.4样本数据取值及归一化方法
（1）gps定位数据。在车辆运行过程中，对车载gps数据进行采集，采集完成后通过一定的方法进行计算，从而得出车辆离到达站的距离，设该距离为一对一使用归一化处理，使得转换后的数值就落在（0，1）上。
（2）天气情况。在一段时间内，公交车会碰到不同的天气，不同的天气对公交的运行产生不同的影响。我们把天气进行分类，一共分为7种状况，分别是大雨、小雨、雪、大雾、小雾、晴天和阴天，用不同的数字来表示这7种天气情况。
（3）星期情况。对于不同的星期采用不同的分类方法表示，从星期一到星期日也采用不同的数字表示。
（4）节假日。节假日可以用布尔变量来表示，true是节假日，false为非节假日。
3结语
国内大多数公交调度优化研究都是着眼于静态调度，而本文将研究重点放在了实时调度方面，在智能公交实时调度中加入bp神经网络技术，用误差反向传播算法超强的学习能力和泛化能力，通过对公交海量历史调度数据的学习，建立公交车到达目的站点的预测模型。通过实时gps数据，就可以预测车辆到达目的地的大概时间，为建立智能公交调度提供极大的方便。
参考文献参考文献：
