基于BP神經網絡的在線旅游服務創新評價

賴玲玲， 彭麗芳

（1．廈門城市職業學院 中小企業電子商務化服務和發展研究所，福建 廈門361008；2．廈門大學 管理學院，福建 廈門361005）

一、引言

隨著在線規模和旅游需求量的不斷增長，在線旅游行業迅速發展，競爭也越來越激烈。在線旅游服務提供商為了提高競爭力，需要依托信息技術和現代化管理理念，進一步提高企業的服務質量和創新能力。但是在發展過程中仍然有各種問題存在，例如服務內容和類型不夠多樣化，消費者的個性化需求得不到很好的滿足［1］，缺乏很好的人機結合系統，應急服務能力不足，客戶關系管理有待進一步改進等?；诖?，在線旅游服務商需要通過改變方式、優化流程、拓寬范圍、創新模式等手段不斷進行服務要素的創新，以提高服務質量。

對在線旅游服務提供商的服務創新進行評價可以保證服務創新的質量。電子商務的服務創新與顧客滿意、顧客忠誠、經營績效等有著密切的關系，文章的研究目的是通過文獻研究，項目實踐經驗以及數據收集分析，來探究適合于在線旅游服務行業的評價模型，對我國的在線旅游服務提供商的服務創新能力進行評價。主要的研究問題包括以下三個：第一，如何選擇適合評價在線旅游行業服務創新效果的方法；第二，怎樣構建在線旅游服務創新效果的評價指標體系；第三，如何應用BP神經網絡來評價在線旅游服務創新效果。

二、文獻回顧和理論基礎

在早期研究中，技術創新在服務創新研究中占主導地位。Barras提出技術創新可以引發服務流程創新進而觸發服務創新［2］。隨著服務創新概念的發展，其范圍也在不斷擴展，延伸到服務渠道創新、服務創新管理、服務體系創新、服務組織創新等方面。Normann對服務創新管理進行研究，得出服務創新包括服務理念創新、服務傳遞系統創新的結論［3］。Bilderbeed提出四維度服務創新模型，包括顧客服務界面創新、服務傳遞系統創新、服務理念創新和服務技術創新四個方面［4］?；诜盏奶攸c，Miles將服務創新分為服務內容創新、服務流程創新和服務組織創新［5］。

國外的服務創新調查項目如意大利的IIS項目、澳大利亞的ABI調查項目、歐盟的SI4S調查項目、德國和瑞士等學者開展的服務創新調查，都是采用統計分析法［6］。統計分析法是依托調查的數據，對服務創新活動的引入和基本特征進行系統描述。國外學者Allard等在通信行業進行服務創新的研究，通過回歸統計的方法，間接評價企業服務創新效率。以企業運營效率對新產品進入市場的分析，計算創新效率對企業運營狀態的影響［7］。Minna等通過HR、技術、商務、知識等多個維度構建服務創新評價體系，使用最小最大化方法將數據進行標準化處理，以便于消除絕對數值的影響，對不同國家服務部門的創新效率進行評價對比［8］。國內學者杜棟利用DEA方法對企業技術創新進行評價，通過數學模型比較決策單元之間的相對效率，對決策單元做出評價。如何獲得每個決策單元的綜合評價指標，進而得出評價結果。DEA方法主要對決策單元的輸入數據和輸出數據進行對比，綜合分析來解決問題［9］。常玉和劉顯東在研究中利用層次分析法（AHP）來進行評價。層次分析法是常用的一種評價方法，以標度為依據分層次進行。首先，由專家對當前層次中的各個因素相對于上一層次的重要性進行評價，從而得出評價矩陣；第二，依據評價矩陣計算當前層次的權重向量；然后，進行校驗，如果結果滿意則繼續，若不滿意需要進行改進；最后，計算結果值［10］。姜炳麟等提出運用模糊加權評價方法對企業技術創新能力進行評價，由技術創新領域的學者或行家對評價指標進行評分，獲得企業技術創新指標的評價矩陣，通過運算建立模糊關系矩陣，得到企業技術創新的評價結果［11］。邵汝軍和胡斌則采用灰色模糊理論評價模型對企業創新活力進行評價。由于評價指標體系的模糊性和灰色性并存的特點，綜合灰色理論與模糊數學理論，可以將隸屬度和灰色綜合起來表示灰色模糊數，建立多級灰色模糊綜合評價模型［12］。胡瓏瑛和蔣樟生采用基于BP神經網絡的方法來評價企業創新。在研究中發現由于很多時候創新評價指標之間并非是相互獨立的，而且受到復雜因素的因素，可以通過BP神經網絡學習能力強的特點進行數據訓練，獲得評價指標之間的關系結果。通過訓練可以把專家的評價理念和神經網絡自身進行融合，建立一個兼具定性和定量評價方法的企業創新評價模型，這樣的評價系統不僅可以模擬人的思維進行工作，還可以避免人為評價的誤差［13］。

統計分析方法采用基于調查數據的方式對服務創新的基本特征進行描述，這種方法不能形成服務創新的綜合評價結果。DEA方法可以用來評價多輸入和多輸出的決策單元，因為它具有單位不變性的優點。然而，生產函數的邊界是確定的，并且它以隨機干擾項作為效率的影響因素，所以DEA方法無法避免評價隨機性。在評價過程中的層次分析法，評價指標權重由專家來設置，不能回避專家的主觀看法，模糊加權評價方法與層次分析法存在同樣的問題，因為評價矩陣是由專家給出的。當評價指標體系具有灰色性和模糊性的特點，灰色模糊評價模型適用于評價創新。然而，本文的評價指標體系并沒有這些特點。在線旅游服務創新是一個復雜的過程，有眾多因素決定著服務創新的成敗。對復雜系統進行綜合評價的方法很多，比如模糊綜合評價方法就是常用的模型之一，但很多評價方法會受到評價專家的主觀性影響，難免會出現評價結果的隨機性和不確定性。而基于BP神經網絡的綜合評價模型既能充分應用評價專家的經驗和思維模式，又能降低綜合評價過程中的隨機性，同時具有綜合創新評價模型的規范性和問題求解的高效率等特性。另外，基于BP神經網絡的評價方法也是在服務企業中應用比較成熟的方法。所以，本文選擇基于BP神經網絡模型對在線旅游服務創新進行評價。

三、在線旅游服務創新評價指標體系的構建

（一）在線旅游創新評價體系構建要求

構建在線旅游服務創新評價指標體系應該遵循本質性原則、系統性原則、可比性原則、多目標原則以及可操作性原則［14］。本質性原則意味著構建評價指標體系應側重于創新的本質，評價指標的定義必須明確。因此，指標體系設計應考慮服務創新的影響要素，這些要素必須是可靠的、有代表性的以及可統計的，確保指標體系結構合理，可以從不同的角度反映服務創新的情況。系統性原則要求評價指標體系應是系統的，整個體系邏輯清晰，而不是各種指標的簡單積累?？杀仍瓌t意味著所選指標在同類企業中應具有相同的內涵。由于不同企業的規模、容量和操作方法是不同的，所以，絕對值有時是不可比的。在這一點上，指標體系應確保所有企業利用相對價值，消除各企業之間差異性造成的不可比性?？刹僮餍栽瓌t要求評價指標體系不應過于復雜，指標數據容易搜集。例如，硬指標應利用公共統計數據，軟指標應轉化為硬指標，以方便計算和比較。

（二）在線旅游服務創新評價指標

創新評價指標體系主要分為投入產出指標體系和系統產出指標體系，投入產出體系的指標都是硬性指標，而系統的評價指標有很多是軟性指標，不能直接用數據替代。研發費用作為創新投入最重要的組成部分，需要作為輸入指標，服務創新特別依賴信息通信技術投資，信息通信技術成本應該計入創新的輸入指標［15］。產出指標體系是指服務創新所形成的結果，例如IBM提出服務創新的輸出應包括服務產品創新產出、服務模式和服務流程的創新輸出。在現代服務創新的評價中，提出產出指標包括客戶滿意度、銷售情況、盈利情況、市場情況等。輸入和輸出指標應該是硬指標，但許多創新評價指標是軟指標，不能通過數據直接表達，需要經過轉換變為硬指標。另外，服務創新是一個系統的過程，它不僅涵蓋了輸入和輸出指標，還應該包括整個創新過程。例如Robert和Porter認為，在評價服務創新效能時，應該從服務內容創新、創新環境和創新價值三個維度進行評價［16］。Gallouj指出創新評價維度應包括創新投入能力、創新管理能力、研發能力、創新營銷能力和創新產出能力［17］。根據服務創新的理論分析，服務創新是一個系統的過程，僅從投入產出來衡量創新是不夠全面的，應該從系統的觀點來對服務創新進行評價，另外，為了評價更為客觀，應將軟指標轉為可以替代的硬性指標。旅游電子商務服務創新是一個綜合性的創新過程，包括多個方面。這些方面都包含了不同的信息。因此，旅游電子商務服務創新是一個多層次的系統，有必要從不同的角度和層次去建立評價指標體系，以確保準確的評估。

以中國旅游電子商務服務業的發展為特征，對服務創新的評價指標體系進行了改進和完善。評價指標包括以下內容：（1）創新環境方面，包括產學研合作環境。它為在線旅游服務提供商創造了良好的創新氛圍。由于在線旅游服務創新的前行者往往是高校和科研院所，創新環境應該包括與高校和研究機構的協作關系。（2）創新投入方面，包括研發資金投入和信息化投入費用。創新投入是創新的重要因素，它為服務創新提供了必要條件。在線旅游服務創新中，信息系統是最重要的推動者，因此，它包括研發投資和信息投入。（3）創新過程方面，包括合作者數量、銷售渠道的利用數量和流程整合效率。旅游電子商務服務創新過程主要是指旅游服務流程優化和旅游服務渠道拓展、旅游服務模式創新，從而提高旅游電子商務服務運營效率。這個過程包括一系列創新的合作伙伴，服務渠道整合和服務模式創新程度。（4）技術支持方面，在電子商務環境下，網站是服務的關鍵。因此，旅游電子商務服務提供商應該利用先進的信息技術來創新網絡服務系統。技術支持包括網絡覆蓋、先進的網絡技術、網絡訪問響應以及網站的交互。（5）創新產出反映服務創新績效的一系列量化指標。它通常包括顧客滿意度、銷售、市場占有率、利潤、成本降低和銷售增長。根據以上內容構建在線旅游服務提供商的創新評價指標體系，如表1所示。

四、基于BP神經網絡的服務創新評價分析

（一）BP神經網絡原理及其模型

人工神經 網 絡 （Artificial Neural Networks，ANN），是對人腦的模擬、抽象和簡化，由大量神經元相連構成一個網絡，這些神經元就是一個個處理問題的單元。人工神經網絡是基于數學、統計學、神經科學、物理學、計算機科學以及工程等學科的綜合網絡。國際著名的神經網絡研究專家Hecht Nielsen認為人工神經網絡通過對離散的或連續的輸入信息進行相應的信息處理，是一個以有向圖為網絡結構的人工建立的動態網絡［18］。雖然人工神經網絡只是對人腦的簡化模擬，但是由于其強大的學習能力和適應能力，同時具有很好的容錯性，善于概括、類比和推廣，所以在很多領域內都已經有廣泛的應用，其應用領域主要包括建模、時間序列分析、模式識別和控制等。

BP神經網絡（Back Propagation Neural Networks，BPNN）是一種按照誤差逆向傳播算法訓練的多層前饋型神經網絡，應用范圍非常廣，在很多商業和科學中進行應用。BP神經網絡是普遍包括三層及以上神經元的神經網絡，其拓撲結構包括輸入層、隱含層和輸出層，其網絡拓撲圖如圖1所示［17］。神經網絡算法的流程如下：首先是神經網絡初始化，確保網絡處于基準狀態；然后向神經網絡中輸入數據信息和目標輸出內容，確定隱含層和輸出層的神經元輸出，得到目標值與實際輸出值之間的誤差；接著，判斷結果誤差是否符合網絡模擬精度的要求，如果符合要求則網絡訓練結束；如果不符合則計算隱含層處理單元的差距，得出誤差范圍，繼續學習權重，再重新進入新一輪的神經元模型訓練。

表1 在線旅游服務創新評價指標體系Tab．1 Evaluation index system of online tourism service innovation

圖1 BP神經網絡拓撲圖Fig．1 BP neural network topology diagram

（二）數據搜集及預處理

按照所構建的評價指標體系來獲取相關數據。在中國，旅游電子商務服務的市場占有率是相對集中的，選取占據在線旅游服務大部分市場份額的十個在線旅游服務供應商，它們是攜程旅行網、去哪兒網、酷訊網、同程網、藝龍旅行網、芒果網、樂途網、通用旅游、旅游聯盟和信天游。樣本具有一定的普遍性和代表性。

1．數據來源

投入高校和科研院所科技活動的經費（x1）、投入研發的費用（x2）、信息化的投入費用（x3）、創新過程中合作者的數量（x4）、銷售渠道的利用數量（x5）、成本降低率（x15）這幾項指標的數據來源于第三方機構主要是電子商務咨詢公司的數據和新聞資料等。在線平臺的覆蓋率（x7）、網站的接入速度（x9）以及網站的交互程度（x10）數據來源于專門發布網站世界排名的Alexa網站?？偸杖耄▁12）、市場占有率（x13）、凈利潤（x14）、利潤增長率（x16）來源于證券交易所的財務報表和第三方咨詢、調查機構數據。業務流程的整合效率（x6）、采用技術的先進程度（x8）和顧客對該服務提供商的滿意度（x11）數據來源于專家評價和文獻資料。

2．數據處理

首先，定性指標定量化。如業務流程的整合效率（x6）、采用技術的先進程度（x8）兩個定性指標采取專家評價來獲得數據。其次，定量指標歸一化處理。為使各種指標之間具有可比性，需要對各個指標進行標準化處理。本文采用歸一化處理，把各個xi的值按照一定的函數歸一到［0～1］范圍內的無量綱區間。設maxj、minj分別表示第j個指標的最大值和最小值。當指標值越大越好時，令αij＝（xij－minj）／（maxj－minj）；當指標值越小越好時，令αij＝（maxj－xij）／（maxj－minj）。通過歸一化處理后得到數據樣本如表2所示。

通過專家訪談得到上述十個在線旅游服務提供商的評價結果，如表3所示。

表2 處理后的數據樣本Tab．2 Processed data samples

表3 專家評價結果Tab．3 Expert evaluation results

（三）確定訓練樣本

依據BP神經網絡評價流程，需要進行樣本的訓練自學習，評價模型才能確定輸入信息和輸出結果之間的非線性結構聯系。所以，確定訓練樣本是利用BP神經網絡模型進行評價的重要部分。首先，選取的樣本要具有一定的范圍，能覆蓋到從好到差的不同級別樣本；其次，要選取足夠數量的樣本，這樣才能保證模型訓練學習的效果［19］。因此，本文從專家評價的10個樣本中選取6家不同級別的在線旅游服務商作為訓練樣本，另外4家在線旅游服務商作為訓練模型的測試樣本。結合在線旅游行業發展狀況，在表3的樣本數據中，選取了攜程、酷訊、藝龍、芒果、樂途、信天游共6個在線旅游服務商數據作為模型訓練樣本，去哪兒、同程、通用旅游、旅游聯盟4家在線旅游服務商數據作為測試樣本。

（四）實驗仿真過程及其結果

在該評價模型中網絡層數選擇三層，第一層為輸入層，輸入參數，即表1中的16個指標值，第二層為隱含層，設置為11，第三層為輸出層，其節點數設置為1。其中，輸入層到隱含層之間的傳遞函數為“TANSIG”，隱含層到輸出層間傳遞函數為“LOGSIG”，訓練函數為“TRAINGDX”，對訓練樣本數據進行網絡模型訓練，應用Matlab神經網絡工具箱構建BP神經網絡仿真模型結構如圖2所示。訓練結果如表4所示。

圖2 基于BP神經網的評價模型Fig．2 Evaluation model based on BP neural network

表4 訓練結果Tab．4 Training results

從表4中可以看出，利用BP神經網絡擬合的最大誤差為0．01956，最小誤差為0．00007，平均誤差為0．00721，因此，評價誤差較小，達到評價要求。利用剩余的4個樣本數據作為測試數據得到結果如表5所示。

表5 仿真實驗測試結果Tab．5 Simulation test results

從測試結果可以看出，B、D、H、I四家企業的排名與專家對其評價排名一致，而且其訓練值與專家評價的期望值也很接近，誤差較小，證明了該評價模型的可用性與準確性。

五、結論及建議

（一）結論

從實證分析中可以看出，經過訓練后的神經網絡其輸出值與期望值誤差小，準確性高。研究的評價模型所得到的結果和評價框架，在理論和實踐上都有一定的意義。首先，該在線旅游的服務創新評價框架，豐富了旅游電子商務服務業的服務創新評價理論研究。其次，服務創新的評價指標體系為旅游電子商務服務提供商提供了清晰而詳細的測量指標，克服了評價指標模糊性的問題。最后，基于神經網絡的評價模型可以提供一個定量的方法，彌補了對服務創新定性評價的不足，并通過仿真實驗和實證分析，驗證了該評價模型的有效性和準確性。

（二）建議

第一，我國在線旅游服務商經常獲得先進技術公司和有實力的旅游機構的支持，并與中國企業集團合作，再加上中國經濟的快速增長，中產階級家庭的數量繼續上升，旅游預訂量將持續增加。在旅游電子商務的早期階段，中國的網絡用戶對價格非常敏感，其次，獨特的商品是在線購買的第二因子。然而，現在中國的客戶也表達了對服務質量的關注，誠信的零售商、交易安全、便捷等。所以，在創新角度上要以服務創新評價框架為基準，不僅要關注企業本身的收益，也要關注消費者的感受和滿意度。

第二，電子商務的快速發展導致許多國家包括中國在內的旅游服務行業發生很大的變化，在線旅游的發展非常迅速，然而，大多數旅游電子商務服務商采用同樣的服務模式，在服務創新上并無明顯的優勢。創新包括服務內容創新、服務模式創新、服務傳遞體系創新、客戶服務創新等，當然除了關注創新過程本身，還要考慮投入產出等要素。所以，建議在線旅游服務商在進行服務創新的時候要從創新環境、創新投入、創新過程、技術支持、創新產出等要素進行考慮。

第三，鑒于在中國電子商務市場不斷發展的情況下，引進和應用服務創新評價模型對在線旅游服務行業是至關重要的。如果只是注重服務創新，而不進行創新評價，則無法了解服務創新的程度和效果。根據上述的分析過程，旅游電子商務服務提供商希望評價創新效果，可以按照需要找出各評價指標值，然后利用已經訓練好的BP神經網絡評價模型，即可得出評價結果。

［參 考 文 獻］

［1］Helmut B．Opening New Dimensions for E－tourism［J］．Virtual Reality，2007，11（5）：75－87．

［2］Barras R．Towards a Theory of Innovation in Services［J］．Research Policy，1986，15（6）：161．

［3］Normann R．Service Management［M］．Strategy and Leadership in Service Business．Chichester：John Wiley，1991．

［4］Bilderbeed P，Hertoy R，Marklund G，et al．Services in Innovation：Knowledge Intensive Business Services（KIBS）as Co－Producers of Innovation ［R］．SI4SPaper No．3，Published by STEP，Oslo，1998．

［5］Miles L．Patterns of Innovation in Service Industries［J］．IBM Systems Journal，2015，47（1）：115－128．

［6］原毅軍，劉浩．服務創新衡量研究綜述［J］．科技進步與對策，2010，27（3）：153－156．

［7］Allard R，Jos L，Hans O．High－Technology Service Innovation Success：A Decision－Making Perspective［J］．Product Innovation Management，2015，21（5）：348－359．

［8］Minna K，Hugo H，Anthony A．Can We Measure and Compare Innovation in Services？［R］．Trend Chart Report，2016．

［9］杜棟．企業技術創新評價的DEA［J］．系統工程理論方法應用，2001，10（1）：82－84．

［10］常玉，劉顯東．層次分析、模糊評價在企業技術創新能力評估中的應用［J］．科技進步與對策，2012，19（9）：125－127．

［11］姜炳麟，謝廷宇．技術創新能力指標體系及其多級模糊評價方法［J］．商業研究，2014，7（18）：77－79．

［12］邵汝軍，胡斌．基于灰色模糊理論的企業創新活力評價研究［J］．科技管理研究，2013，6（4）：131－136．

［13］胡瓏瑛，蔣樟生．基于BP神經網絡的創新型企業評價研究［J］．創新研究，2014，8（10）：116－127．

［14］Patier D，Browne M．A Methodology for the Evaluation of Urban Logistics Innovations［J］．Procedia －Social and Behavioral Sciences，2013，2（3）：6229－6241．

［15］Djellal F，Gallouj F．Patterns of Innovation Organization in Service Firms：Portal Survey Results and Theoretical Models［J］．Science and Public Policy，2014，5（28）：57－67．

［16］Robert J，Porter L．Innovation Forecasting［J］．Technological Forecasting and Social Change，2015，56（1）：25－47．

［17］Gallouj F．Innovating in Reverse：Services and the Reverse Product ［J］．European Journal of Innovation Management，1998，13（8）：123－138．

［18］Hecht－Nielsen R．Counter Propagation Networks［J］．Applied Optics，1987，7（6）：4979－4984．

［19］易亞將．基于快速模擬退火神經網絡的電子政務績效評價研究［D］．廈門：廈門大學，2007．