基于BP神經網絡的房地產業顧客滿意度測評研究

(河北工程大學經濟管理學院，河北 邯鄲 056038)

住房問題是一個關系國計民生的大問題。最近幾年，國家為遏制房價上漲相繼出臺了的一系列的政策，每一次政策的出臺都牽動著億萬國民的心，由此可見房地產業的重要性。在房價飆升、住房需求卻處于供大于求的背景下，如何提高顧客滿意度不僅僅是房地產企業提高自身競爭力需要迫切解決的問題，更關系到社會經濟的持續健康發展和社會的和諧穩定。

現在企業管理理論將提升顧客滿意度視為企業營銷戰略的一個重要部分。顧客滿意是指顧客通過對一種產品或服務的可感知效果（結果）與他們的期望值相比較后，所形成的愉悅或失望的感覺狀態。如果可感知效果低于期望，顧客就不滿意；如果可感知效果與期望相匹配，顧客就會滿意；如果可感知效果超過期望，顧客就會高度滿意或欣喜[1]。

顧客滿意度來源于顧客的評價，但不能被直接觀測和計量。目前學術界對顧客滿意度這類多指標、多方案問題進行綜合測評的方法有很多。林盛、劉金蘭等（2005）指出利用基于 PLS的結構方程模型，可以有效解決在構造客戶滿意度模型中所遇到的變量非正太問題[2]；李峰平、薛偉等（2006）

在建立顧客滿意度層次分析結構模型的基礎上，利用模糊數學理論確定滿意度定性指標權重[3]；溫阿莉、周黎等（2009）基于BP神經網絡，利用一種權值譜分析方法，分析了超市顧客滿意度和各個結構變量之間的關系，得出影響超市滿意度的各個指標因素的排序[4]；王娟麗、熊偉等（2010）在QFD的基礎上，對KAND中的魅力質量進行明確的定義，從而提出顧客滿意度定量分析模型[5]；趙富強、王荃等（2011）利用 RBF神經網絡構建了農機企業顧客滿意度測評模型，可以快速完成對樣本的學習與擬合，對于數據較多的農機企業非常適用[6]；姚恒、劉敏等（2013）借鑒ACSI和CCSI的基礎上，基于結構方程和偏最小二乘 PLS路徑建模技術構建了施工企業顧客滿意度評價模型，對提高建筑施工企業顧客滿意度有一定的借鑒意義[7]。但是目前所提到的測評方法沒有專門的針對房地產業顧客滿意度進行研究。因此本文參考ACSI中建立的評價指標體系，結合我國房地產業的行業特點，提出了基于BP神經網絡的房地產業顧客滿意度測評模型。通過實例驗證了該模型的有效性和實用性，對研究房地產業顧客滿意度有一定的現實意義。

1 BP神經網絡基本理論

BP神經網絡模型的處理信息的基本原理是：輸入信息xi(i=1,2,…,n)通過隱含層作用于輸出層，經過非線性變換，產生輸出值yj（k=1,2,…,m），網絡訓練的每個樣本包括輸入向量和期望輸出向量，網絡輸出值與期望輸出值ok（k=1,2,…,m）之間的偏差，則會沿原來連接通路反向傳播，通過調節輸入層神經元與隱含層神經元之間的權重Wij(i=1,2,…,n;j=1,2,…,p)和隱含層神經元與輸出層神經元之間的權重Wjk(j=1,2,…,p;k=1,2,…,m)以及閥值Tij、Tjk(j=1,2,…,p;k=1,2,…,m)，使誤差沿梯度方向下降，經過反復學習訓練，直到網絡輸出誤差達到訓練精度要求。此時經過訓練的神經網絡可以對類似樣本的輸入信息自行處理。以一個三層神經網絡為例，網絡結構如圖1所示。

圖1 單隱層結構的BP神經網絡

2 基于 BP神經網絡的房地產業顧客滿意度測評研究

在社會主義市場經濟體制下，國家宏觀調控在房地產業的發展中發揮著重要的作用，其調控手段主要包括經濟手段、行政手段、法律手段和道德手段等。國家繼2008年出臺“國十條”，又相繼出臺了為遏制房價上漲的“新國十條”、“新八條”、“國五條”和限購令。這些政策的出臺是國家宏觀調控的直接表現，其中經濟手段最為主要。本文在ACSI模型的基礎上，增加經濟政策這一動態變量，提出了房地產業顧客滿意度測評模型，如圖 2所示。國家提出的每一項經濟政策，不僅直接影響房地產企業的經營戰略，同時也對購房者以及顧客滿意度有直接的影響。

圖2 房地產業顧客滿意度測評模型

2.1 建立房地產業顧客滿意度指標體系

要科學地對房地產業顧客滿意度進行評價，必須有一套適合房地產業的評價指標體系。

輸入指標共有15個：企業形象（企業信譽x1、企業實力x2）；經濟政策（利率x3、稅收x4、價x5）；質量感知（工程質量x6、配套設施的健全程度x7、建筑規劃設計的合理程度x8、服務質量x9）；顧客期望（房屋的增值空間x10、房屋功能的齊全程度x11、服務人員專業知識的掌握程度x12、交通便捷性x13）；價值感知（房價和房屋價值是否相等x14、促銷活動的優惠程度x15）。

2.2 BP神經網絡學習過程

Kolmogorov定理證明對于任何在閉區間的一個連續函數都可以用一個三層的BP神經網絡來逼近，因此結合房地產業的行業特點，建立一個三層BP神經網絡模型。輸入層神經元個數根據評價指標體系確定，為15個。輸出層輸出結果應為顧客滿意度所處等級。為了細化滿意度的等級，分為非常滿意y1、滿意y2、不滿意y3，目標輸出模式為（1,0,0）、（0,1,0）、（0,0,1）。隱含層神經元的個數根據嚴太山提出的經驗公式(1-1)，并經多次試算確定為11個。本文的BP神經元網絡結構是15×11×3。

其中m代表輸入層的節點數，n代表輸出層的節點數，p代表隱含層的節點數，q為訓練樣本數。

BP算法的神經元所用的轉換函數必須是處處可導的。一般使用log-sigmoid函數和tan-sigmoid函數，能將 , )(-∞ +∞的輸入分別映射在區間(0,1)和（-1,+1)中。因此以log-sigmoid函數作為隱含層神經元的傳遞函數，以tan-sigmoid函數作為輸出層神經元的傳遞函數。由于輸入層各指標沒有統一的度量標準，必須將其歸一化到[0,1]中。這里采用如下公式(1-2)：

其中xi為樣本輸入值，xmin、xmax的最大值和最小值為處理后的輸入樣本值，d1取值0.997，d2取值0.001。

3 實例分析

根據構建的房地產業顧客滿意度測評模型，利用MATLAB的神經網絡工具箱建立一個輸入層、隱含層和輸出層的節點數分別為15、11、3的BP神經網絡模型，進行網絡訓練和檢驗。評價值在(0.8,1.0]為非常滿意，(0.6,0.8]為滿意，(0,0.6]為不滿意。

本文選取某市 8家房地產企業作為樣本進行顧客滿意度評價。通過對這 8家企業已經買房或者是打算買房的顧客進行問卷調查的結果作為訓練網絡的樣本集。由于評價指標體系中，既有定性指標，又有定量指標，為使各指標在整個系統中具有可比性，對各指標進行歸一化處理如表1所示。

表1 樣本數據表

（1）網絡創建

（2）網絡訓練

隨機選取其中的5組數據進行BP網絡訓練，最大訓練步數為1000，目標誤差為0.0001，其它參數均為默認。運行網絡進行訓練，通過不斷迭代，直到網絡訓練終止。

（3）訓練結果

為了檢驗訓練之后的BP神經網絡能否解決實際問題，本文將剩下的3組數據作為測試樣本帶入訓練好的BP神經網絡中，得到的輸出結果和預期評價結果如表2所示。

表2 網絡評價驗證結果

從驗證和比較結果可以看出，網絡評價的結果和實際評價的結果基本上是一致的，這標志著基于BP神經網絡的房地產顧客滿意度測評模型的建立是成功的。因此，本文提出的用于房地產業顧客滿意度評價的方法是可行的。

4 結術語

本文基于BP神經網絡算法建立了房地產顧客滿意度測評模型，由于該算法具有很強的自我學習能力、自適應能力以及容錯能力等優點，使其能在一定條件下對房地產顧客滿意度進行綜合測評。但是由于房地產業是一個相對不穩定的非線性動態變化的“復雜系統”，且影響顧客滿意度的部分指標無法完全定量分析，所以只借助BP神經網絡一種算法實現顧客滿意度測評的精度有限，還需要加入其它數學方法以提高測評的精準度。

[1]Fornell,C.,Johnson,M.D.,Anderson,E.W.,Cha,J.&Bryant,B.EThe American customer Satisfaction Index: Nature, Purpose and Fingdings.Journal of Marketing,1996.

[2]林盛,劉金蘭.基于 PLS-結構方程的顧客滿意度評價方法[J].系統工程學報,2005,20(6):653-656.

[3]李峰平,薛偉.基于fuzzy AHP的顧客滿意度權重計算方法的研究[J].計算機工程與應用,2006,3:100-102.

[4]溫阿莉,周黎.基于BP神經網絡的超市顧客滿意度研究[J].商場現代化,2009,567:115-116.

[5]王麗娟,熊偉.基于QFD的顧客滿意度定量分析研究[J].現代管理科學,2010,4:93-95.

[6]趙富強,王荃.基于 RBF神經網絡的農機企業顧客滿意度測評研究[J].中國農機化,2011,235(3):32-34.

[7]姚恒,趙敏.基于結構方程和 PLS的建筑施工企業顧客滿意度評價模型研究[J].工程管理學報,2013,27(1):93-97.