基于LS-SVM的消费电子供应链增值模型

基于最小二乘支持向量机的消费国电子产品供应链交互式增值数据驱动模型探索

万晓乐，1,2张震，3荣晓霞，3和孟庆春1,2
1山东大学管理学院，济南250100，中国
2山东大学价值共创网络研究中心，济南 250100，中国
3山东大学数学学院，济南250100，中国
通讯请联系孟庆春；meqich@sdu.edu.cn
2016年5月18日收到；2016年7月17日接受
学术编辑：阮俊虎
©2016万晓乐等。本文是一篇开放获取文章，遵循知识共享署名许可协议发布，允许在任何媒介中不受限制地使用、分发 和复制，只要正确引用原始作品。

1. 引言

近年来信息技术的不断发展，在技术创新的社会背景下推动了消费电子行业持续进步。消费电子行业已成为全球最大规模、增长最快的制造业[1]。经过10年的快速发展，中国消费电子市场规模在2014年达到4.05901万亿美元；该数值占全球份额的54.1%[2]。中国已成为电子产品最大的生产者和消费国。中国消费电子行业的产出值保持在万亿元人民币以上，已成为国民经济的重要高技术产业之一。该行业在提升社会信息化发展水平以及促进信息化与工业化融合方面也发挥了积极作用。

然而，“互联网+”战略与移动互联网、无线传感网络、物联网和云计算等先进信息技术的广泛融合，对消费者行为产生了前所未有的影响，催生了新的用户需求，进而推动了新产品类型的出现并加剧了市场竞争。此外，高新技术促进了新型消费电子产品的快速涌现。智能生产使得在线生产能够与离线生产同步发展，使传统消费电子行业面临鲶鱼效应，并加剧了消费电子行业的全球竞争。因此，消费电子企业及国际的核心竞争优势必须得到提升。

消费国电子企业之间的竞争围绕着供应链展开。从绩效角度来看，供应链竞争优势的形成与来源取决于供应链的运营效率和有效性，其本质是供应链价值创造系统。不同供应链及其竞争力的差异取决于供应链价值创造系统的差异[3]。

传统价值创造理论认为，价值由企业独立创造，而客户则是价值的消费者[4, 5]。然而，价值共创理论从根本上颠覆了传统的价值创造逻辑，指出生产者并非唯一的价值创造者，即消费者也可以创造价值[6, 7]。消费者可以在生产和消费过程中创造价值[7]。但在实践中，价值共创理论不断向供应链的外围扩展，一些原本被排除在供应链之外的主要价值创造主体倾向于以不同形式参与供应链价值创造，并产生意想不到的影响；具体而言，这些价值创造主体参与开放式创新[8],、政府政策与监管[9, 10],以及行业协会的指导[11]。

从供应链结构的角度来看，不同的价值创造主体代表了传统价值创造理念与广义或狭义的价值共创理论之间的矛盾。价值共创理论是对原有供应链价值创造主体的重构，即将原本的单一价值创造企业转变为由企业与消费者两个价值创造者，或多个价值创造者共同参与的价值创造模式。因此，价值创造者的改变不可避免地导致对价值创造方式的不同看法，这些变化也引发了供应链价值创造系统的差异。

许多学者将消费者视为供应链价值的创造者。肖等人[12]认为，在电子商务环境下，基于合作伙伴的供应链应转变为以消费者为导向的供应链；他们还指出，消费者是供应链价值创造的未来和终点。孟等人[13, 14]采用新型产消者模型和数学模型进行了一系列研究，确定了企业和消费者的联盟能够提升供应链价值。黄等人[15],、卡瓦列里和佩佐塔[16],以及甄[17]将消费者引入服务导向型制造供应链管理体系中，并将其转变为“共同生产者”；具体而言，他们提供生产性服务和服务导向型生产活动，以最大化并提升客户价值和企业价值。

沈[3]指出，供应链的整体价值是由供应商、制造商、分销商和消费者的共同努力所创造的。此外，一些链外价值创造者（如开放式创新主体）也被纳入供应链价值创造系统中，这在一些初步的理论研究和实践中已有描述。牛[18]运用模糊数学理论，建立了因子分析模型，并确定开放式创新对集群供应链的发展具有关键影响。坂本等人[8]认为，企业应将开放式创新作为提升供应链竞争力和增加价值的关键因素。IBM在中国建立了首个供应链创新中心，通过协助全球企业[19]整合并转型该国的全球供应链能力。上述研究基于供应链价值最大化，并将消费者或其他相关参与者纳入供应链价值共创系统中。然而，这些研究未能解释在解构后供应链价值创造者的微观机制。

由于先进信息技术的发展，智能化的融合与互联互通凸显了消费者在消费电子产品领域日益重要的作用，包括移动互联网、无线传感网络、物联网和云计算。越来越多的消费者参与到价值创造过程中，已成为消费电子供应链中最重要的价值创造者。例如，小米代表了消费电子供应链中典型的价值共创模式；该公司仅用四年时间便成为全球第五大手机供应商（IDC报告，2015年）。此外，开放式创新逐渐缩小了企业与外部之间的互动距离，因此企业的大多数创新想法来源于外部力量。例如，消费电子供应链品牌海尔和美的已成功转向开放式创新。

显然，传统的以企业为中心的供应链创建模式已无法有效解释消费电子供应链的价值创造问题。因此，价值共创已成为创造供应链价值的新方式。

从深层次来看，价值共创理论的核心在于，价值创造者通过异质性互动完成价值共创行为；互动为价值创造者提供了实现价值共创的途径[7, 20]。技术创新模糊了企业与个人之间的界限，为企业与消费者之间以及消费者之间的互动提供了越来越多的机会[21]。消费者通过自身的消费实践或企业提供的互动机会来创造价值[22]。互动是一种服务体验和用户价值创造模型[23]。它也代表着企业和消费者获取有用信息并有效、持续地实现价值的能力[24]。因此，互动可被视为企业的竞争优势以及提升价值创造能力的异质资源[24, 25]。

最小二乘支持向量机（LS‐SVM）基于等式约束和最小二乘损失函数，是支持向量机的一种扩展[26]。LS‐SVM也用于解决模式识别、图像分类和非线性函数估计问题[27, 28]。Lan‐gone等人[29]将LS‐SVM方法结合谱聚类和回归用于预测工业机械的维护。张和谢蒂[30]采用LS‐SVM方法预测加工表面的表面粗糙度。袁等人[31]构建了LS‐SVM模型以预测短期风力发电。余等人[32]使用LS‐SVM预测中国太阳能温室内的温度。LS‐SVM方法在回归预测中表现出良好的预测性能。尽管LS‐SVM方法已在工程、化学、气象学和环境问题等多个学科的回归预测中得到广泛应用，但其在供应链价值预测方面的应用尚未被深入研究。供应链价值创造问题具有行业特定特征，并涉及由上下游企业、消费者及其他相关方共同构成的复杂非线性问题[33]。当聚焦于特定产业供应链的价值创造问题时，样本量有限的问题（如消费电子产品供应链）不可避免地出现。LS‐SVM方法针对这两个特点表现出良好的适应性：LS‐SVM方法在预测中具有显著的非线性映射能力[34],，且LS‐SVM方法通常在样本量较小的情况下仍表现出良好的泛化能力[35]。

在本研究中，我们首先考虑价值共创理论，以探讨消费电子供应链的内部价值创造机制。本研究还考虑了消费者、开放式创新主体以及包含在消费电子供应链价值创造系统中的其他内部和链外主体。所建立的消费电子供应链价值创造系统符合消费电子行业的实际发展状况和现状。研究创新性地将最小二乘支持向量机引入消费电子供应链的研究中，构建了一个交互式增值数据驱动模型，并对该方法的参数和核函数进行优化与选择，以提高其预测能力。准确性。最后，将LS‐SVM模型与其他预测方法进行比较，并结合实证数据对结果进行分析。

本文其余部分安排如下。第2节建立消费电子供应链的价值创造系统。第3节提出基于最小二乘支持向量机的消费电子供应链数据驱动模型，并设计相关算法。第4节对中国智能手机供应链进行实证分析，并提出初步政策建议。第5节讨论四种不同预测模型与常见核函数的比较研究。第6节给出结论。

2. 基于互动的供应链价值创造系统

根据价值共创的观点，供应链价值（系统输出）过程建立在供应链价值创造者（系统输入）独立创造价值的基础上。该过程由各类价值创造者通过异质互动及其他非交互式价值行为共同实现（图1）。

供应链价值创造过程可分为两个有机阶段。第一阶段是供应链的基础价值创造过程。波特价值链理论指出，企业和消费者能够创造自身的价值，将此价值作为初始的供应链价值，输入到供应链价值创造的基础过程子系统中，通过一系列非交互式价值创造行为，输出供应链基础价值。第二阶段是交互式增值供应链过程。自我创造的价值在交互式价值创造中起着关键作用[36]。供应链基础价值是价值创造子系统的输入值；供应链附加值则通过异质性不同价值创造者之间的互动。这两个阶段同时发生，并在持续动态的价值创造过程中互为初始值。这些过程也相互反映和增强，促进和谐。

在供应链附加值创造过程中，互动有效提升了价值，并作为供应链增值因素的主要载体。互动主要来源于供应链价值创造者之间的相互作用。价值共创理论主要指企业与消费者之间的价值共创或互动。然而，Payne等人[37]认为，价值共创活动的主体部分包括客户价值创造、供应商价值创造以及接口。Saarijärvi等人[38]强调，“价值”、“共创”和“创造”意味着企业价值或消费者价值由不同主体通过不同形式的活动（B2C、B2B、C2B或C2C）所创造。此外，互动发生在消费者与产品（或服务）提供者之间，以及价值网络[39]中所有主体之间。然而在实践中，互动存在于供应链各主体的所有共创行为之中。进一步地，共创行为构成了供应链的互动增值结构。

本研究不关注供应链的基础价值创造过程，而是主要探讨在增值过程中互动式共创行为对供应链价值的影响。报告[40]通过文献综述和定性研究，从企业、消费者、其他参与者及主体之间的互动与共同创造出发，采用德尔菲‐层次分析法（Delphi‐AHP）构建了供应链交互式增值指标体系（表1）。该体系包括4个一级指标、14个二级指标和44个三级指标，刻画了消费电子供应链的特征。任一指标的变化都会引起交互价值增值系统产出值的变化。

3. 基于最小二乘支持向量机的消费电子供应链数据驱动模型

3.1. 数据收集

根据表1中消费电子供应链的交互式增值指标体系，邀请了消费电子行业的资深供应链专家参与。此外，采用五点李克特量表，对N条供应链的第v个（V= 1，2，3）指标进行量化并评分，得到第l个互动增值电子供应链系统xV l 的输入向量。第l个互动。由此，获得消费电子供应链数据驱动模型的原始数据集{x V l ,yl} N l=1 。

3.2. 模型构建

选择训练集 {x V k ,yk }， k=1,2,...,n, 1<n ≤N ；其中，xV k ∈Rd k 表示影响价值的第V项指标的变量消费电子产品，V=1,2,3和yk 指的是消费电子供应链的价值。基于最小二乘支持向量机的消费电子供应链第V项指标驱动模型假设如下：

$$
yCVESC(xV)=(GV)^Tφ(xV)+bV, \quad (1)
$$

其中yV CESC是第V项指标的模型预测价值，(GV)^T是权重向量，φ(xV)表示从输入空间到高维特征空间的非线性映射，bV是一个偏置向量[41]。

根据最小二乘支持向量机方法，引入误差损失函数e2 Vk和误差惩罚因子 γ 。上述问题(1)可转化为如下模型(2)：

$$
\min J(GV,eV)=\frac{1}{2}(GV)^TGV+\frac{\gamma}{2} \sum_{k=1}^{n} e^2_{Vk}
$$
$$
\text{s.t. } y_k=(GV)^Tφ(xV_k)+bV+eV_k, \quad k=1,…,n
$$

拉格朗日函数定义为

$$
L(GV,\gamma_V,eV,aV,bV) =\frac{1}{2}(GV)^TGV + \sum_{k=1}^{n} \left( \frac{\gamma}{2}e^2_{Vk} -aV_k((GV)^Tφ(xV_k)+bV+eV_k -yk)\right). \quad (3)
$$

根据MP的KKT条件，问题(2)的求解等价于求解以下方程：

$$
GV= \sum_{k=1}^{n} aV_kφ(xV_k),
$$
$$
\sum_{k=1}^{n} aV_k=0, \quad aV_k=\gamma_V eV_k, \quad k=1,…,n,
$$
$$
(GV) \cdot φ(xV_k)+bV+eV_k -yk=0, \quad k=1,…,n. \quad (4)
$$

核函数定义为 K(xi,xV j)=φ(xVi)⋅φ(xVj)。令 K(xV_i,xV_j)=exp(-||xV_i -xV_j||^2/(2(δV)^2))。求解可得：

$$
\begin{pmatrix}
0 & (I_n)^T \
I_n & K + \frac{1}{\gamma}I_n
\end{pmatrix}
\begin{pmatrix}
bV \
aV
\end{pmatrix}
=
\begin{pmatrix}
0 \
yV_{CESC}
\end{pmatrix}. \quad (5)
$$

计算得到解aV和bV。因此，基于最小二乘支持向量机的数据驱动模型yV如下：

$$
yV_{CESC}(xV)= \sum_{k=1}^{n} aV_k K(xV,xV_k)+bV. \quad (6)
$$

在预测模型中，常用的核函数包括多项式核函数（POLY；K(xi,xj)=(xi,xj+ b)^d）、线性核函数（LINEAR；K(xi,xj)=(xi,xj)^d）和Sigmoid核函数（K(xi,xj)= tanh[c1(xi,xi)+c2]）。在这些核函数中，径向基核函数（RBF核）的形式如下：

$$
K(xV_i,xV_j)= \exp\left( -\frac{||xV_i -xV_j||^2}{(2(\delta V)^2)} \right). \quad (7)
$$

POLY中的b和d必须进行调整和优化。因此，Sigmoid核函数中的c1和 c2具有不确定性，而线性核是径向基函数核的一种特殊情况。RBF核仅包含一个核参数δ，这种简单的结构使其在研究中被广泛使用。本研究基于不同的核函数建立LS‐SVM模型，以比较RBF核与其他核函数的性能。此外，本研究还对核函数对模型精度的影响进行了对比分析。

3.3. 模型求解

3.3.1. 模型参数优化

第3.1节的分析表明，数据驱动模型的学习和泛化能力在很大程度上取决于惩罚系数γ和核函数参数δ。网格搜索算法（GSA）是一种用于获取 (γ,δ)[42]最优解的常用方法。因此，本研究采用GSA来确定每组参数进行k‐折交叉验证的两个参数。然而，在使用MATLAB LS‐SVM工具箱（版本1.8）中嵌入的GSA时，不同的初始搜索区域会导致误差。因此，本研究对一级指标的组合进行了m次测试，以确保所选参数具有良好的适应性。平均相对误差被视为指标层面的模型误差。考虑到指标体系由三个层次构成，模型最终误差被定义为不同层次上指标模型的平均误差，以确保模型的一致性。

如果有 h 个测试样本属于第V级指标，则前一节假设训练集中存在 n 个样本；因此，存在 Cn h+n 种组合。在第 s 种组合中，相应训练集的平均相对误差为

$$
etrain_s =\frac{1}{m} \sum_{j=1}^{m} \sum_{V=1}^{3} \sum_{i=1}^{n} \frac{|y_i -(\sum_{k=1}^{n} aV_k K(xV_k)+bV)|}{y_i}. \quad (8)
$$

总误差评价函数是

$$
es= \frac{etrain_s}{3(h+n)}. \quad (9)
$$

3.3.2 训练集与测试集的比较与优化

LS‐SVM模型的鲁棒性和泛化能力受训练集数量的影响。本研究针对测试集与训练集之比的每种比例进行优化设计，以确定最优训练集数量。首先，定义与比例相关的平均相对误差为 Eℎ=(1/Cℎ h+n) ∑ Cℎ h +n s=1 es。然后，观察测试集数量 较小且标准差较小的测试集样本 h∗。最后，根据公式 (9)，选取“训练集‐测试集”组合中最小的所有组合。依据对应指标计算样本γV的惩罚系数和核函数宽度δV。

3.3.3. 适用于有限样本的最小二乘支持向量机算法

通过上述分析，得到了适用于有限样本的消费电子供应链的最小二乘支持向量机算法。

如果测试集样本数量为h，则训练集样本数量为n，样本总数为N= h+n。对于每个h，训练集组合的总数为pℎ=Cℎ N。m是重复测试次数。V（V=1，2,3） 是指标层级。

步骤1。 对N的所有第V级指标进行量化并评分，得到{xV l,yl} N l=1，即消费国电子产品供应链数据驱动模型的原始数据集。

步骤2. 对于所有 h = 1, …,N − 1，采用网格五折交叉验证法计算所有相应的参数组合 (γ1,δ1), …, (γ p ℎ,δpℎ )，对应组合 S1, …, Spℎ 。该计算重复 m 次。根据公式(8)‐(9)，计算三级指标 e1,…, es p ℎ 的总平均误差。然后， Eℎ=e1+ ⋅ ⋅ ⋅+es p ℎ，并得到总平均相对误差。

步骤3. 根据关系 h −E ℎ，考虑Eℎ的低值以及多个选定的测试集，选择最优的h∗。

步骤4. 对于最优的 h∗，计算所有相应的参数组合 (γ1 ,δ1) , … , (γpℎ,δpℎ )，对应组合 S1 , …, Spℎ 。该计算重复 m 次。根据公式(8)‐(9)，计算三级指标 e1 ,…,es p ℎ 的总平均误差，并选择最小误差记录为 es∗ 。对应的最优组合为 Ss∗ 。

步骤5。 采用网格五折交叉检验法分析Ss∗ 。计算各级指标 （γ∗,δ∗）。

步骤6。 将参数组合(γ ∗,δ∗ )代入公式(5)，得到解(a V,bV )。根据公式(6)，可计算出各级指标的基于最小二乘支持向量机的数据驱动模型。

4. 智能手机供应链实证分析

4.1. 数据来源与预处理

本研究选取了2015年第三季度中国市场十大消费电子产品品牌的市场份额数据；数据来源于HIS技术[43]发布的报告（表2）。

本研究从实际角度出发。市场份额代表了供应链的价值创造水平。因此，消费电子供应链价值创造系统的实际价值可近似等于其市场份额，并用 Y⃗表示。然后，

Y⃗=(y1,y2, …, y10) τ=(0.164, 0.162, 0.121, 0.102, 0.1, 0.088, 0.067, 0.048, 0.044, 0.027, 0.076)。邀请上述十大品牌的高级管理代表使用五点李克特量表对供应链的互动增值指标体系进行评分。这些得分构成了系统的输入向量xV k，V=1,2,3。

本研究对样本的所有自变量和因变量进行 z‐分数标准化，以实现良好的模型拟合（将每一维度的数据转换为平均值为0、方差为1的数据）。

4.2. 训练集与测试集的最优比例

根据公式(8)‐(9)计算每个n的所有可能组合ei(γ ,δ)的平均值，以确定最优训练集数量n(n=2, 3, …, 9)。得到各层级指标的h −E ℎ关系图。

如图2‐4所示，横坐标表示测试集的数量，纵坐标表示平均相对误差。随着测试集数量的增加，训练集数量逐渐减少，平均相对误差和方差随之增大。因此，在训练集与测试集比例为7:3时，考虑了样本总数和测试集数量增加所引起的误差波动。此时模型的平均相对误差和方差均达到可接受范围，能够较好地检验模型的有效性，当测试集数量为三个时

保留了测试集。此外，所选择的最佳比例 h∗ 可以证明文献 [30] 将训练集与测试集的比例设置为 3:1；并提供了证据和实际实验方法。

4.3. 建模参数的确定

根据第4.2节确定的“训练集–测试集”比例，从10个样本中随机选取7个作为训练集，剩余3个样本设为测试集，从而形成 C³₁₀ “训练集–测试集”组合。本研究利用MATLAB LS‐SVM工具箱（版本1.8）程序和五折交叉验证方法，确定最优惩罚系数γ和宽度值 δ 。然而，分配LS‐SVM工具箱（版本1.8）会导致γ和δ区间不确定。因此，本研究将C³₁₀ “训练集–测试集”组合运行50次（m= 50），以确保所选训练集的通用性。从运行结果中选择一组在测试集 yV 智能手机的预测值与实际值yi之间相对误差最小的训练集，并将其设定为模型的训练集。计算该训练集的γ、 δ、 a⃗和b。

4.4. 模型构建

本研究根据上述算法检验一级指标，并计算模型参数；即 γ₁= 6688.5436, δ₁= 9.3824, a₁=(−1.410, 3.713, −0.1716, 0.7713, −3.6011, 1.1173, −0.4185)ᵀ，以及b₁=0.0904，将这些参数代入公式(6)后，可得模型(10)如下：

$$
y¹_{\text{smartphone}}(x¹)= \sum_{k=1}^{n} a¹_k K(x¹,x¹_k)+b¹. \quad (10)
$$

同样地，对二级指标进行检验，并将得到的模型参数值γ₂=42.2070、δ₂=94.4815、a₂=(3.1259, 9.3600, −3.4464, −6.3903, −4.0192, 4.8775, −3.5075)ᵀ 和b₂=0.3462代入公式(6)，可得模型(11)如下：

$$
y²_{\text{smartphone}}(x²)= \sum_{k=1}^{n} a²_k K(x²,x²_k)+b². \quad (11)
$$

同样地，对三级指标进行测试，当将其代入公式(6)时，得到模型参数值，即γ₃= 395.1913、δ₃= 315.5547、 a₃=(−2.3749, 21.1087, −11.0490, −3.6557, −7.9159, 7.2021,−3.3873)ᵀ和b₃= 0.2903。由此可得模型(12)如下：

$$
y³_{\text{smartphone}}(x³)= \sum_{k=1}^{n} a³_k K(x³,x³_k)+b³. \quad (12)
$$

4.5. 结果分析

根据模型(10)–(12)，不同层次指标的输出值（预测值）与实际值的比较如图5–7所示。

在图5–7中，纵坐标表示市场份额，而横坐标表示样本。在测试集中

基于一级、二级和三级指标的智能手机数据驱动模型，其预测值与实际值之间的平均相对误差分别为3.76%、5.36%和2.42%。从这个角度来看，智能手机交互式增值系统的数据驱动模型(10)–(12)表现出较高的预测精度。

关于第4.3节确定的最优组合，测试集由OPPO、三星和魅族组成，而其余七个品牌构成训练集。

鉴于该模型有效，本研究提取和构建的消费国电子产品供应链价值增值影响因素及指标体系均具有科学性和有效性。它们也

恰当地反映特定工业供应链的价值创造系统。在预测精度方面，分析消费国电子产品企业的市场份额时应采用基于三级指标的模型，因为该模型具有最高的预测精度。在便捷性方面，基于一级指标的模型是最优选择，因为该模型包含的指标较少且数据易于获取。

科学指标体系对消费国电子企业价值创造系统进行细分，并阐明了增值机制。该系统可帮助消费国电子企业准确确定增值点。消费国电子企业还可借鉴标杆企业，对比其互动式增值系统的投入情况，对其差异进行科学分析，以选择投资策略，提升经营产出并降低投资。

5. 对比分析

5.1. 不同模型精度的比较

本研究结合第4.3节确定的训练集和测试集，对最小二乘支持向量机与其他预测方法的优劣进行比较。同时建立了基于支持向量机、极限学习机（ELM）和反向传播（BP）的预测模型。不同模型在测试集上的预测值及其相对误差如表3所示。

表3显示了基于不同层次指标数据和不同核函数的各个最小二乘支持向量机模型在测试集上的预测值的平均误差和标准差。它们按升序排列如下：最小二乘支持向量机 < 支持向量机 < BP < ELM。基于最小二乘支持向量机方法的数据驱动模型表现出最低的平均误差

误差和标准差更小，因此优于其他模型。

5.2. 核函数选择对LS-SVM模型精度的影响

本节调试了常用的RBF核、线性（LINEAR）和多项式（POLY），这些均为LS‐SVM模型的构造部分，以研究核函数选择对数据驱动模型的影响（图8–10和表4）。

图8–10显示，基于RBF核的LS‐SVM模型的预测值与实际值具有最佳的拟合效果、最小的平均误差和最高的性能。

如表4所示，当模型基于一级指标数据时，基于三种核函数的LS‐SVM模型预测值的平均相对误差按升序排列如下：RBF < POLY < LINEAR（全集）；RBF < POLY = LINEAR（测试集）。当模型基于二级指标数据时，预测值的平均相对误差按升序排列为RBF < LINEAR < POLY（全集）和RBF < POLY < LINEAR（测试集）。当模型基于三级指标数据时，全集和测试集中预测值的平均相对误差均按升序排列为：RBF < LINEAR < POLY。因此，基于RBF核的 LS‐SVM模型的训练集表现出比其他核函数更好的拟合程度。无论在全集还是测试集的预测精度方面，RBF核的表现均优于其他核函数。

6. 结论

本研究基于价值共同创造理论和互动增值机制，建立了消费电子供应链的价值创造系统和供应链中价值创造者之间的关系。因此，本研究采用最小二乘支持向量机方法构建消费电子供应链的数据驱动模型，并提出适用于消费电子供应链有限样本的最小二乘支持向量机算法。在此算法和边际效应的基础上，本研究在数据样本较少的情况下，提出了训练集与测试集的良好比例。最后，本研究对中国市场的十大智能手机供应链进行了实证分析。结果表明，该模型具有良好的预测精度。本研究可帮助消费电子企业准确识别增值点并开展市场分析，对于提升这些企业消费电子供应链的竞争力具有重要实际价值。

后续研究将对消费电子供应链的价值创造机制进行深入分析。将根据已建立的指标体系和数据驱动模型选取特征，并确定消费电子供应链投资的最优投资策略。

利益冲突
作者声明，本文的发表不存在利益冲突。

致谢
本研究受到国家自然科学基金（NSFC）（项目编号：71572096）的资助。