摘" 要：针对近年来共享经济和商业模式快速度发展的情况，文章分析了如何利用物联网的大数据来实现共享经济的增长和商业模式的创新，提出了一种基于物联网大数据的BP神经网络算法，该算法不仅可以有效地对共享经济中的大量数据进行分类，还可以预测共享经济的发展方向和新的商业模式。实验结果表明，共享经济给国家带来的经济效益非常高，也有很大的增长空间。因此，基于物联网、大数据的背景下的共享经济和新商业模式发展研究非常必要。
关键词：物联网大数据；BP神经网络；商业模式；共享经济
中图分类号：TP39 文献标识码：A 文章编号：2096-4706（2024）21-0124-06
Research on Sharing Economy and New Business Model Development Based on IoT Big Data Analysis
WANG Jianzhong， WANG Bo
（Aviation and Automobile School， Chongqing Youth Vocational and Technical College， Chongqing" 401320， China）
Abstract： Aiming at the rapid development situation of the sharing economy and business model in recent years， this paper analyzes how to use the Big Data of the Internet of Things to achieve the growth of the sharing economy and the innovation of business model， and proposes a BP Neural Network algorithm based on the IoT Big Data. This algorithm can not only effectively classify a large amount of data in the sharing economy， but also predict the development direction and new business model of the sharing economy. The experimental results show that the economic benefits brought by the sharing economy to the country are very high， and there is also a lot of room for growth. Therefore， it is necessary to study the development of sharing economy and new business model based on the background of IoT and Big Data.
Keywords： Internet of Things Big Data; BP Neural Network; business model; sharing economy
0" 引" 言
随着互联网、大数据技术、人工智能、信息通信等新技术的变革，信息技术日新月异，新的商业模式应运而生。在当前经济变革升级和互联网革命的背景下，共享经济作为一种新的经济模式正在蓬勃发展。如今，共享经济与新型的商业模式快速发展，从原材料生产到销售、消费各环节，推动了行业的转型升级，也加强了行业之间的紧密联系。随着物联网、移动终端和云计算的发展，共享模式创新和应用的可能性也在扩大。对于战略性新兴产业要充分应用共享模式实施商业模式创新，战略和研究的价值是非常重要的，通过引入物联网、大数据和共享经济的概念，以及共享经济的意义和新的商业模式，并对几种新业务模式进行了详细的探索和研究，提出采用BP神经网络算法数据分类和数据预测。
1" 研究内容
在当今，绿色低碳、节能减排、环境保护是未来发展的重点，尤其是共享经济将成为新的商业发展模式，许多学者对该领域进行了深入的探索和研究。在国外，Narasimhan等人发现，共享经济引起了人们的极大兴趣，共享经济的快速增长使他提出了几个需要研究的有趣问题，为未来的研究方向提供了一些理论知识[1]。Acquier等人评估了共享经济的矛盾和竞争，强调了共享经济的矛盾性，并为这些矛盾提供了缓解它们的解决方案[2]。Ferrari等人发现，共享经济现象预计将在未来几年稳步发展，但是该行业缺乏可靠的监管，引发了人们对共享经济潜在风险的担忧，同时发现了共享经济的风险，并试图找到相应的解决方案[3]。Munoz等人发现，共享经济业务已经成为传统规划、建模和做生意的颠覆性方法，这一现象在创新技术和管理等广泛领域引起了关注，但共享经济商业模式的可持续性仍有待研究[4]。Teubner等人发现，信任是共享租赁的关键条件，运营商实现了许多建立信任的机制、用户界面和信誉系统，采用享乐价格回归模型来分析新用户的信任度与共享经济之间的关系[5]。Gou等人发现，在共享经济中，人们与他人共享他们多余的社会资源。那些提供服务的人可以通过基于社区的在线平台赚取佣金，而其他人可能会受益[6]。
物联网和大数据是近年来最热门的话题。在物联网概念中，打开和关闭网络的设备是相互连接的。物联网是当今大数据市场的最新趋势，预计在未来10年内，将有约250亿台设备连接到网络，远远超过了个人电脑、手机和平板电脑的总数。物联网的影响因素之一是数据的管理和使用。物联网和大数据正在随时随地影响人们的生活和经济。尽管共享经济和新的商业模式给人们带来了很多便利，但也需要不断创新。传统的共享经济和新的商业模式分析方法已经无法跟上时代的步伐，无法处理共享经济中的大量数据。因此，有必要利用物联网和大数据对共享经济和新商业模式的发展进行研究。
2" 基于物联网大数据的BP神经网络算法
2.1" 共享经济的发展和新的商业模式
在创新引领的今天，中国更加注重加强技术创新、高科技发展和工业化。共享经济在中国保持着快速增长的趋势，在促进就业、创新应用模式、促进企业生态系统扩张等方面发挥了重要作用。共享经济实践可以解决一些传统领域的问题，发现新的市场机会，甚至颠覆传统的商业结构。对于过去的企业来说，一些新的共享经济实践模式具有颠覆性，影响巨大[7]。
近年来，参与共享经济的各种商业模式层出不穷，不仅吸引了许多企业家，还引发了投资热潮和资本市场的扩张。在积极参与经济共享后，大多数企业家和投资者已经成为失败者，但仍有许多继任者[8]。
新商业模式的类型包括P2P模式、B2C模式和B2B模式。在P2P模式中，需求方和供给方都是个人或企业。企业提供给个人使用，个人同时与企业共享。在B2C模式中，企业是供应商，个人是需求者。通过第三方平台，需求方和供应商共享资源，消费者可以轻松使用社区所需的资源[9]。在B2B模式中，供需双方都是企业，企业可以通过共享平台共享和交换企业的闲置状态或剩余资源。
共享经济的快速发展催生了新的发展模式，改变了传统的消费习惯和生活方式。随着互联网、智能设备、共享经济时代的到来，企业需要积极探索自身发展和转型新方向[10]。共享经济的理念和模式为企业的发展和创新带来了广阔的空间。
共享经济正迎来最佳发展机遇，但一些公司参与共享经济的动机并不明确。再加上共享概念的滥用和理论分析框架的缺乏，一些共享经济实践无法可持续发展[11]，通过分析当前中国共享经济重点领域的市场规模，根据《全球及中国共享经济发展模式与典型案例分析报告》数据显示，2021—2022年中国共享经济市场发展规模如表1所示。
通过近两年数据统计分析，知识技能、生活服务、共享医疗、生产服务、共享交通、共享住宿、共享办公。因近两年新冠疫情对该行业影响较大，根据2023年预测将超过市场预期。可以看出，共享经济为用户市场提供了一种互利共赢的运营模式，共享领域变得更大更广[12]。随着现代用户信息获取方式不断变化，适应和满足用户日益复杂的信息需求。
2.2" 发展共享经济和新商业模式的意义
个体和细微的变化最终会通过积累和融合导致大的商业和社会变化。共享经济的发展在这里有几个重要意义，共享经济增加了交易主体的数量，发展共享经济和新商业模式的意义如下：
1）在旧的商业模式中，人们被动地接受商家提供的商品信息，商品的评价和反馈不及时，辐射的范围较小，社会影响力不强，交易的成本较高，社会监督力不够，商品交易效率和成本较高。
2）共享经济使传统产业的经营环境发生了变化。通过一种新的供应模式，它开发了一种交易连接。企业家会组织生产变量，以提供先前生产方法中的项目，生产过程非常有组织，消费者通常分布在众多客户中。根据组织程度的不同，共享经济可能会减少整体社会供给。
2.3" BP神经网络分类算法
在移动网络、无线网络等通信技术高速发展背景下，移动互联、大数据、物联网和智能设备的广泛应用，更多的数据交互和巨大信息获取，给数据处理和数据传输带来了新的挑战。
智能处理是指利用云计算、人工智能、神经网络等计算技术，实现对互联网上大量高水平原始数据信息的智能处理。
首先，通过分类汇总，建立数据分析模型，并对未知数据按照数据处理方式分类处理，最终达到数据处理目标。其次，分类算法的建立，提高分类选择的效率性、准确性、扩招性。
2.3.1" 贝叶斯分类
设每个数据样本用一个n维特征向量来描述n个属性的值，即：X = {x1，x2，…，xn}，假定有m个类，分别用C1，C2，…，Cm表示，将未知的样本X分配给类Ci，则一定是：
（1）
式（2）的Bayes定理：
（2）
使用式（3）计算天真假设：
（3）
2.3.2" 前馈神经网络分类
对于学习误差，前馈神经网络分类是一种基于逆属性算法的数据分类方法，基本前提是训练样本集中的每个样本都被馈送到前馈神经网络的输入层，连接层的权重计算神经元每层的输出。输入层传输原始数据，然后由隐藏层中的神经元进行判断和处理，然后输出层生成数据。在正向数据传输过程中，BP神经网络层之间的连接权重不会改变。
在理解了算法的基本原理后，推导中使用的能量函数为误差均方误差，计算式为：
（4）
按照式（5）调整神经网络的权重：
（5）
神经网络误差的局部极小值如图1所示，全局极小值如图2所示。
通过图1、图2分析非常复杂的网络情况，考虑到权重训练时间，误差函数是多维的。
2.4" 改进的BP算法
目前，前馈神经网络仅限于用于复杂系统建模的中小型系统，主要原因是现有的神经网络学习算法在遇到大规模问题时收敛速度太慢或太难。在物联网系统中，神经网络必须适应各种各样的大规模系统。
2.4.1" 可变学习率
可变学习率的范围设置通过BP算法，尤其是选取收敛区间，以达到最优。因此，采用BP算法要达到收率的速率时间较长。使用BP算法的起始输出和式（6）的误差计算将新的误差与先前的误差进行比较：
（6）
其中，如果学习速率过大，如果收敛速度增加，可能导致权重较大波动，如式（7）：
（7）
时间n处的负梯度如式（8）：
（8）
通过以上学习率和误差函数获得新的权重时，误差未修正前不能更新，如果对比度值大于设定值，则误差变换过大，此时人们必须将学习最小化，如式（9）：
（9）
2.4.2" 添加动量项
本文提出在权重调整公式中增加一个动量项，每个权重的调整量如式（10）：
（10）
其中，α为动量系数，通常在0.9左右。在引入动量项之后，则平均值∆w可以近似地表示如式（11）：
（11）
其中，为比例系数。在加入动量项后，比例系数可以使权重修正过程摆脱局部饱和区域。
如果∆wij为权重变量，则式（11）可以变换为以下形式，即式（12）：
（12）
本文提出将可变学习率与动量项的增加相结合，使网络不会陷入局部极小值，还能有效提高训练收敛速度，误差不会在同一区域振荡。
2.5" 基于BP神经网络的共享经济预测
BP网络具有自组织、自学习和自适应能力，原理简单，易于实现，在经济和环境领域的预测研究中得到了广泛应用，其可靠性已得到验证。在不断的应用和改进中，BP神经网络已经成为一种相对成熟的预测方法，如图3所示，对输出层节点进行处理，得到网络输出结果。比较输出结果和期望值之间的差，如果不满足标准，则通过网络向后传输错误。在传播期间，误差被传递到每个层的每个节点，以便改变每个层的权重。
图3" "BP算法的神经网络信号流
2.5.1" BP神经网络的原理
前级传播。在这个阶段，输入样本从输入层发送到每个隐藏层，然后逐层处理，然后发送到输出层。如果输出层的实际输出与预期输出不同，则进入第二阶段，并且该级别的数学公式如式（13）：
（13）
输出层中第n个神经元的输出如式（14）：
（14）
激活功能用于激活网络中的神经元，激活函数的要求是必须将它们导出到任何地方。最常见的激活函数是Sigmoid函数。Sigmoid函数是简单且具有极好的非线性映射函数。
对隐层节点数量的确定，目前还没有成熟的理论。确定隐藏节点数量最常用的方法是试错法，通过多次修改隐藏层中的节点数量来确定最佳网络结构。隐藏节点数量的初始值可以由式（15）确定：
（15）
将隐藏层的权重调整如式（16）：
（16）
2.5.2" 数据预处理
数据归一化是在神经网络预测之前比较数据的一种方法。数据规范化将所有数据转换为[0，1]之间的值。其目的是避免不同维度的数据之间的差异，避免网络的预测误差较大，从而提高神经网络的收敛速度。本文使用以下公式对样本数据进行归一化，即式（17）：
（17）
然而，如果归一化后该值接近0或1，则其在训练期间的效果将显著降低。即使增加训练次数，也可能达不到网络设定的标准。因此，这些数据需要进一步修正才能达到最佳训练效果，即式（18）：
（18）
其相应的反规范化函数为式（19）：
（19）
人工神经网络的研究方法可以大规模并行处理信息。具有较强的容错能力，具有感知、记忆、思维、推理能力，具有较强的自学习能力和自适应能力。通过分析统计数据提取宏观统计规则。因此，利用人工神经网络进行经济预测，可以正确评估经济发展水平，准确预测未来经济发展趋势，在及时反映宏观经济监管效果方面发挥重要作用。
3" BP神经网络的分类和预测性能实验
3.1" BP神经网络分类性能实验
在共享经济和新商业模式的发展中，许多数据非常混乱。如果想准确地分析共享经济新商业模式的发展，应该准确地对数据进行分类。因此，需要对BP神经网络在共享经济和新商业模式中的分类精度进行实验。
通过以上分析不同数量隐藏层节点的网络收敛速度和分类误差，可以预测理想的网络布局。实验系统还需要用户在开始训练之前输入目标网络精度和最大训练次数。当训练的BP神经网络达到这两个标准之一时，整个训练将结束。在本实验中，网络精度设置为0.1，最大训练周期数设置为100。点击训练BP网络按钮，系统开始训练通过设置BP完成的网络。
训练后的收敛图分析，训练迭代次数小于100时，改进前BP网络训练收敛图无法达到目标网络的精度，通过改进后BP网络训练收敛图更平滑，精度更高。此外，从训练结果可以知道，当训练迭代次数超过50次后，达到BP网络的目标精度。通过改进前BP网络训练收敛图如图4所示。
通过改进后BP网络训练收敛图如5所示。
为了更好地描述网络训练环境，本研究采用经典方法和改进技术进行多次训练。训练目标网络的精度保持恒定在0.1，并且迭代次数稳步增加。
如表2所示，两种训练结果都表明，神经网络在训练开始时收敛得更快，并且随着训练时间的增长而减慢。分类在本试验中表现良好。
在本实验中，通过网络在测试集上的分类结果的均方误差来衡量网络在不同结构下的分类性能。隐藏层节点数与方差之间的关系如图6所示。
隐藏层节点的数量和训练次数之间的关系如图7所示。
实验结果表明，增加神经网络隐藏层中的节点数量可以在特定范围内降低分类的均方误差。事实上，各种结构获得相同网络精度所需的训练时间框架反映了不同网络架构收敛的速度。在训练时间上，隐藏层节点的数量呈指数级增长。可以看出，这是一个很好的选择。
如表3所示，在相同的测试集数据下，改进前有88个数据被BP神经网络算法正确分类，分类准确率为58.6%。
3.2" BP网络在共享经济中的预测实验
通过使用BP网络对归一化样本数据进行实验，将前2年的样本数据用作输入向量。以2022—2023年的共享经济数据为测试样本，创建的模型最好，效果最好。分析2022—2023年通过BP神经网络建模获得的共享经济预测值与实际值之间的误差。可以看出，BP神经网络的拟合效果相对较好，因此使用该模型进行训练和预测的结果在理论上是可行的。通过以上分析，我们可以知道，BP神经网络具有良好的泛化和短期扩展效果，因此将BP神经网络模型用于预测经济发展。分析2022年共享经济数据实际和预测情况如图7所示。
2023共享经济数据实际和预测情况如图8所示。
4" 结" 论
共享经济作为一种未来发展的新业态，随着技术的更新和发展，依托共享经济交易平台，以及广大用户的参与，降低了交易成本和时间成本，提高了社会资源的配置率和利用率。这种经济受到企业和用户的欢迎，但在共享经济和新商业模式的发展中，有很多数据需要处理。因此，通过基于物联网、大数据的应用，提出了一种BP神经网络算法来有效地对这些数据进行分类，以及分析了共享经济和新的商业模式，提出了BP神经网络算法的改进算法，通过实验表明，对改进前后的BP神经网络进行了比较和分析，改进后的BP神经网络算法不仅具有更强的收敛性能，具有更高的分类速度和精度。同时，验证了该算法的预测函数、预测功能。下一步，将题高BP神经网络模型的更好用于共享经济的预测的准确性和商业性。
参考文献：
[1] NARASIMHAN C，PAPATLA P，JIANG B，et al. Sharing Economy： Review of Current Research and Future Directions [J].Customer Needs and Solutions，2018（2）：93-106.
[2] ACQUIER A，DAUDIGEOS T，PINKSE J. Promises and Paradoxes of the Sharing economy： An Organizing Framework [J].Technological Forecasting and Social Change，2017，125：1-10.
[3] FERRARI，Z M. Special Issue on The Risks and Opportunities of the Sharing Economy ∙ Beyond Uncertainties in the Sharing Economy： Opportunities for Social Capital [J].European Journal of Risk Regulation，2017，7（4）：664-674.
[4] MUNOZ P，COHEN B. Mapping out the Sharing Economy： A configurational Approach to Sharing Business Modeling [J].Technological Forecasting and Social Change，2017（12）：21-37.
[5] TEUBNER T，HAWLITSCHEK F，DANN D. Price Determinants on Airbnb： How Reputation Pays Off in the Sharing Economy [J].Journal of Self-Governance and Management Economics，2017，5（4）：53-80.
[6] GUO L，NING Z L，HOU W G，et al. Quick Answer for Big Data in Sharing Economy： Innovative Computer Architecture Design Facilitating Optimal Service-Demand Matching [J].IEEE Transactions on Automation Science and Engineering，2018，15（4）：1494-1506.
[7] 张奕文.基于“大数据+区块链”技术的共享经济模式构建探析 [J].商展经济，2023（7）：22-24.
[8] 叶振宇，李峰波，王宁.我国区域经济高质量发展的阶段成效与难题攻坚 [J].区域经济评论，2022（1）：52-58.
[9] 叶瑞锋，欧展华，李蓬煌，等.共享经济背景下共享雨伞项目发展现状及存在问题研究——以深圳、广州为例 [J].中国市场，2017（36）：244-245.
[10] 王丽琼，王铁骊.中国会展经济的现状与SWOT分析 [J].科技情报开发与经济，2008（1）：116-117.
[11] 信息化和产业发展部分享经济研究中心.中国共享经济发展报告（2023） [R/OL].国家信息中心，2023.[2024-09-18].http：//www.sic.gov.cn/sic/93/552/557/0223/10741.pdf.
[12] 汤志华.基于大数据和区块链的共享经济模式探索 [J].中国统计，2023（12）：23-24.
作者简介：王建中（1979—），男，汉族，四川蓬安人，教授、高级工程师，硕士研究生，主要研究方向：信息技术、惯性导航方向；王博（1986—），男，汉族，四川蓬安人，工程师，工学学士，本科，主要研究方向：EMC电磁兼容。
基金项目：重庆市教科委青年项目（KJQN202104103）；重庆市教科委重点项目（KJZD-K202404103）；重庆市教改重点项目（GZ222048）；重庆市教改项目（Z233261，14069JG2023006）；重庆市高等教育研究会重点项目：“一站式”学生社区综合管理应用系统建设思考与实践
