基于BP神经网络的房地产业顾客满意度测评研究

(河北工程大学经济管理学院，河北 邯郸 056038)

住房问题是一个关系国计民生的大问题。最近几年，国家为遏制房价上涨相继出台了的一系列的政策，每一次政策的出台都牵动着亿万国民的心，由此可见房地产业的重要性。在房价飙升、住房需求却处于供大于求的背景下，如何提高顾客满意度不仅仅是房地产企业提高自身竞争力需要迫切解决的问题，更关系到社会经济的持续健康发展和社会的和谐稳定。

现在企业管理理论将提升顾客满意度视为企业营销战略的一个重要部分。顾客满意是指顾客通过对一种产品或服务的可感知效果（结果）与他们的期望值相比较后，所形成的愉悦或失望的感觉状态。如果可感知效果低于期望，顾客就不满意；如果可感知效果与期望相匹配，顾客就会满意；如果可感知效果超过期望，顾客就会高度满意或欣喜[1]。

顾客满意度来源于顾客的评价，但不能被直接观测和计量。目前学术界对顾客满意度这类多指标、多方案问题进行综合测评的方法有很多。林盛、刘金兰等（2005）指出利用基于 PLS的结构方程模型，可以有效解决在构造客户满意度模型中所遇到的变量非正太问题[2]；李峰平、薛伟等（2006）

在建立顾客满意度层次分析结构模型的基础上，利用模糊数学理论确定满意度定性指标权重[3]；温阿莉、周黎等（2009）基于BP神经网络，利用一种权值谱分析方法，分析了超市顾客满意度和各个结构变量之间的关系，得出影响超市满意度的各个指标因素的排序[4]；王娟丽、熊伟等（2010）在QFD的基础上，对KAND中的魅力质量进行明确的定义，从而提出顾客满意度定量分析模型[5]；赵富强、王荃等（2011）利用 RBF神经网络构建了农机企业顾客满意度测评模型，可以快速完成对样本的学习与拟合，对于数据较多的农机企业非常适用[6]；姚恒、刘敏等（2013）借鉴ACSI和CCSI的基础上，基于结构方程和偏最小二乘 PLS路径建模技术构建了施工企业顾客满意度评价模型，对提高建筑施工企业顾客满意度有一定的借鉴意义[7]。但是目前所提到的测评方法没有专门的针对房地产业顾客满意度进行研究。因此本文参考ACSI中建立的评价指标体系，结合我国房地产业的行业特点，提出了基于BP神经网络的房地产业顾客满意度测评模型。通过实例验证了该模型的有效性和实用性，对研究房地产业顾客满意度有一定的现实意义。

1 BP神经网络基本理论

BP神经网络模型的处理信息的基本原理是：输入信息xi(i=1,2,…,n)通过隐含层作用于输出层，经过非线性变换，产生输出值yj（k=1,2,…,m），网络训练的每个样本包括输入向量和期望输出向量，网络输出值与期望输出值ok（k=1,2,…,m）之间的偏差，则会沿原来连接通路反向传播，通过调节输入层神经元与隐含层神经元之间的权重Wij(i=1,2,…,n;j=1,2,…,p)和隐含层神经元与输出层神经元之间的权重Wjk(j=1,2,…,p;k=1,2,…,m)以及阀值Tij、Tjk(j=1,2,…,p;k=1,2,…,m)，使误差沿梯度方向下降，经过反复学习训练，直到网络输出误差达到训练精度要求。此时经过训练的神经网络可以对类似样本的输入信息自行处理。以一个三层神经网络为例，网络结构如图1所示。

图1 单隐层结构的BP神经网络

2 基于 BP神经网络的房地产业顾客满意度测评研究

在社会主义市场经济体制下，国家宏观调控在房地产业的发展中发挥着重要的作用，其调控手段主要包括经济手段、行政手段、法律手段和道德手段等。国家继2008年出台“国十条”，又相继出台了为遏制房价上涨的“新国十条”、“新八条”、“国五条”和限购令。这些政策的出台是国家宏观调控的直接表现，其中经济手段最为主要。本文在ACSI模型的基础上，增加经济政策这一动态变量，提出了房地产业顾客满意度测评模型，如图 2所示。国家提出的每一项经济政策，不仅直接影响房地产企业的经营战略，同时也对购房者以及顾客满意度有直接的影响。

图2 房地产业顾客满意度测评模型

2.1 建立房地产业顾客满意度指标体系

要科学地对房地产业顾客满意度进行评价，必须有一套适合房地产业的评价指标体系。

输入指标共有15个：企业形象（企业信誉x1、企业实力x2）；经济政策（利率x3、税收x4、价x5）；质量感知（工程质量x6、配套设施的健全程度x7、建筑规划设计的合理程度x8、服务质量x9）；顾客期望（房屋的增值空间x10、房屋功能的齐全程度x11、服务人员专业知识的掌握程度x12、交通便捷性x13）；价值感知（房价和房屋价值是否相等x14、促销活动的优惠程度x15）。

2.2 BP神经网络学习过程

Kolmogorov定理证明对于任何在闭区间的一个连续函数都可以用一个三层的BP神经网络来逼近，因此结合房地产业的行业特点，建立一个三层BP神经网络模型。输入层神经元个数根据评价指标体系确定，为15个。输出层输出结果应为顾客满意度所处等级。为了细化满意度的等级，分为非常满意y1、满意y2、不满意y3，目标输出模式为（1,0,0）、（0,1,0）、（0,0,1）。隐含层神经元的个数根据严太山提出的经验公式(1-1)，并经多次试算确定为11个。本文的BP神经元网络结构是15×11×3。

其中m代表输入层的节点数，n代表输出层的节点数，p代表隐含层的节点数，q为训练样本数。

BP算法的神经元所用的转换函数必须是处处可导的。一般使用log-sigmoid函数和tan-sigmoid函数，能将 , )(-∞ +∞的输入分别映射在区间(0,1)和（-1,+1)中。因此以log-sigmoid函数作为隐含层神经元的传递函数，以tan-sigmoid函数作为输出层神经元的传递函数。由于输入层各指标没有统一的度量标准，必须将其归一化到[0,1]中。这里采用如下公式(1-2)：

其中xi为样本输入值，xmin、xmax的最大值和最小值为处理后的输入样本值，d1取值0.997，d2取值0.001。

3 实例分析

根据构建的房地产业顾客满意度测评模型，利用MATLAB的神经网络工具箱建立一个输入层、隐含层和输出层的节点数分别为15、11、3的BP神经网络模型，进行网络训练和检验。评价值在(0.8,1.0]为非常满意，(0.6,0.8]为满意，(0,0.6]为不满意。

本文选取某市 8家房地产企业作为样本进行顾客满意度评价。通过对这 8家企业已经买房或者是打算买房的顾客进行问卷调查的结果作为训练网络的样本集。由于评价指标体系中，既有定性指标，又有定量指标，为使各指标在整个系统中具有可比性，对各指标进行归一化处理如表1所示。

表1 样本数据表

（1）网络创建

（2）网络训练

随机选取其中的5组数据进行BP网络训练，最大训练步数为1000，目标误差为0.0001，其它参数均为默认。运行网络进行训练，通过不断迭代，直到网络训练终止。

（3）训练结果

为了检验训练之后的BP神经网络能否解决实际问题，本文将剩下的3组数据作为测试样本带入训练好的BP神经网络中，得到的输出结果和预期评价结果如表2所示。

表2 网络评价验证结果

从验证和比较结果可以看出，网络评价的结果和实际评价的结果基本上是一致的，这标志着基于BP神经网络的房地产顾客满意度测评模型的建立是成功的。因此，本文提出的用于房地产业顾客满意度评价的方法是可行的。

4 结术语

本文基于BP神经网络算法建立了房地产顾客满意度测评模型，由于该算法具有很强的自我学习能力、自适应能力以及容错能力等优点，使其能在一定条件下对房地产顾客满意度进行综合测评。但是由于房地产业是一个相对不稳定的非线性动态变化的“复杂系统”，且影响顾客满意度的部分指标无法完全定量分析，所以只借助BP神经网络一种算法实现顾客满意度测评的精度有限，还需要加入其它数学方法以提高测评的精准度。

[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,刘金兰.基于 PLS-结构方程的顾客满意度评价方法[J].系统工程学报,2005,20(6):653-656.

[3]李峰平,薛伟.基于fuzzy AHP的顾客满意度权重计算方法的研究[J].计算机工程与应用,2006,3:100-102.

[4]温阿莉,周黎.基于BP神经网络的超市顾客满意度研究[J].商场现代化,2009,567:115-116.

[5]王丽娟,熊伟.基于QFD的顾客满意度定量分析研究[J].现代管理科学,2010,4:93-95.

[6]赵富强,王荃.基于 RBF神经网络的农机企业顾客满意度测评研究[J].中国农机化,2011,235(3):32-34.

[7]姚恒,赵敏.基于结构方程和 PLS的建筑施工企业顾客满意度评价模型研究[J].工程管理学报,2013,27(1):93-97.