保障房社區居家養老服務中心滿意度模型研究

雒香云 袁競峰 谷甜甜

摘要：隨著老齡化社會的到來，我國的養老形勢十分嚴峻，而保障房社區養老問題更加凸顯。保障房社區居家養老服務中心是保障房社區老人養老服務的重要組成部分，目前關于保障房社區居家養老服務中心滿意度研究較少。在建立保障房社區居家養老服務中心滿意度評價指標的基礎上，采用BP神經網絡構建滿意度模型。經檢驗，模型擬合效果良好，能較好地描述相關指標與使用滿意度的關系。

關鍵詞：社區居家養老服務中心;滿意度;BP神經網絡

中圖分類號：C939 文獻標識碼：B

文章編號：1001-9138-（2019）10-0056-63 收稿日期：2019-08-30

1引言

2019年兩會政府工作報告指出：加大保障性安居工程建設力度，加強配套設施建設，大力發展老齡事業?？梢?，保障房建設、養老保障是我國未來政策的重要著力點。住房與養老是壓在國民身上的兩座“大山”，而保障房社區養老問題是這兩項社會問題的“疊加”，產生影響“共振”，進而影響社會的穩定。

我國社區居家養老服務體系的建設仍在起步階段，無法適應當前老齡化程度的快速加劇，新的養老需求不斷出現。主要表現在：社區養老服務和養老機構配置數量不足，提供的服務項目較少，無法滿足社區老年人不斷變化的養老需求;設施使用率低、功能單一、收費較高、服務質量不高;布局不合理，區域發展不平衡等。

保障房住區一般位于城鄉結合部，存在設施配套不完善、資源可接近性差等特點，而保障房住區的老年人口比例較高（根據調研顯示，南京市上坊保障房片區老年人比例達30%，高于江蘇省平均水平20.57%），其中又有相當一部分是低收入老年群體，住房保障和養老保障在此處疊加，需要重點關注和解決。另一方面，由于保障房住區遠離市中心，超出市級、市轄區級公共服務設施的覆蓋范圍，因此社區居民很大程度上依靠社區本身的公建配套。對社區老年居民來說，養老設施是否有效供應、分配及使用，直接影響其在社區獲得養老服務的便利性，進而影響其居住滿意度及晚年生活質量。而居家養老服務中心是保障房養老設施的重要組成部分，在保障房社區老人的養老服務中扮演重要的角色。

2BP神經網絡應用

BP（Back Propagation）神經網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，也是應用最廣泛的神經網絡模型之一。BP神經網絡最廣泛的應用是在經濟預測、風險分析等方面。吳微（2001）等人將BP神經網絡應用于股票指數的預測，效果良好。孫偉、李柏年（2009）采用三層BP網絡，用安徽省1989年至2007年的GDP數據來訓練神經網絡以預測2008年的GDP。周潮（2010）利用對1978年至2009年的中國居民消費價格指數（CPI）建立了基于BP神經網絡的中國CPI預測的數學模型。該模型的預測值與歷史值的系統總誤差只有0.035%。楊淑娥（2005）、楊兆升（1999）、朱祖平（2003）等一大批學者在宏觀經濟、微觀經濟、社會學、管理學、工程學等方面應用BP神經網絡取得較好的效果。

BP神經網絡的廣泛應用得益于其具有非線性映射、自學習和自適應、泛化、容錯能力。BP神經網絡能夠以任意精度逼近任何非線性連續函數，這使得其適合于求解內部機制復雜的問題，能夠通過學習自動提取輸人、輸出數據間的“合理規則”，并自適應地將學習內容記憶于網絡的權值中。同時，BP神經網絡具有將學習成果應用于新知識的能力。另外，BP神經網絡在局部神經元受到破壞后對全局的訓練結果不會造成很大的影響，也就是說即使系統在受到局部損傷時還是可以正常工作的。因此，BP神經網絡能夠滿足本文中保障房社區居家養老服務中心滿意度模型構建的要求。

3保障房社區居家養老服務中心滿意度指標構建

國內外學者將BP神經網絡運用于滿意度模型的構建，研究對象主要有消費者、企業員工、公共設施服務使用者三類。

第一類研究對象是消費者顧客。鄭校飛（2012）綜合粗集和BP神經網絡分析了木地板企業顧客滿意度，對普遍影響木地板企業顧客滿意的要素進行了分析。薛紅（2008）對北京某大型超市的顧客滿意度進行了調研，在對調查問卷分析處理的基礎上，建立了基于BP神經網絡的超市顧客滿意度評價模型，并對該超市的顧客滿意度進行了深入分析。溫阿莉（2009）同樣將BP神經網絡用于顧客滿意度的綜合評價，認為BP神經網絡既可擺脫人為因素及模糊隨機性的影響，又能保證評價的準確性。毛志勇（2008）、楊玉香（2006）、趙躍平（2011）等人對B2C網絡購物、物流企業客戶等消費者構建了滿意度模型。

第二類研究對象是企業員工。李楊（2012）將BP神經網絡應用于企業員工滿意度評價，全面高效評價員工滿意度水平，了解該組織員工在同行業員工中滿意度的具體情況，提供了一種客觀、科學的衡量標準。鄭澤惠（2009）利用新進職工的歷史數據，建立了離職風險的BP神經網絡模型，系統地考慮了管理、心理、薪資等多方面因素。員工滿意度評價的對象大部分是某企業員工，故研究對象的范圍較為明確和具體，建模結果較好。

另外一些研究對象是公共設施服務使用人群。孫倩（2012）定量評價的城市道路交通滿意度三級指標評價體系。通過開展實際調查，獲得城市道路利用者對城市道路滿意度指標體系中各指標重要度的評價數據。依據顧客滿意度等相關管理學理論，建立了城市道路交通滿意度評價模型。鞠建偉（2004）在研究用戶滿意度指標體系的基礎上，建立適合定性、定量評估高校圖書館讀者滿意程度的BP神經網絡模型。段文娟（2008）同樣以高校圖書館為對象構建了讀者滿意度模型。本文在梳理上述文獻的基礎上，構建了保障房社區居家養老服務中心滿意度指標，見表1。

4數據搜集

本文通過對南京市保障房住區137位老年的問卷調查搜集數據。按照表1調查搜集各指標及社區居家養老服務中心使用滿意度的數據。問卷采用5級李克特量表的形式，滿意程度：1=非常不滿意，2=比較不滿意，3=一般，4=滿意，5=非常滿意。

5BP神經網絡建模

通過對BP神經網絡模型參數設置來構建模型，主要包括樣本劃分、節點數量、函數設置、訓練算法等。

5.1樣本劃分

選取樣本137個，訓練集（Train set）占70%，驗證集（Validation set）占15%，測試集（Test set）占15%。

5.2輸人層節點數

在前期的運算中，第7項和第1l項指標效度不滿足要求，故舍去。剩余的指標共23項，所以輸入層節點數設置為23。

5.3隱層節點數

在幾乎所有的BP網絡建模的過程中，隱含層節點數的確定都可以說是比較難解決的一個環節，它很大程度上影響著整個網絡的性能。若數目太少，則會導致網絡獲得用以解決問題的信息不足;若數目過大，則在增加訓練時間的同時，還可能導致網絡容錯性能下降等問題。盡管合理的隱含層節點數與輸入輸出單元的數目有著千絲萬縷的聯系，但到目前為止仍未提出一個較為理想的表達式來確定二者的聯系。所以，隱含層節點數的確定工作往往都是在借鑒已有經驗的基礎上，通過多次的反復試驗來完成的。

5.5輸出層函數

選取線性函數，線性函數導數為常數。

5.6其他參數設置

BP算法的其他參數設置采用Matlab默認設置，最大運算次數為1000 0：;最大運算時間沒有限制;優化目標誤差為0，在此0只是一個很小的數，因為超過計算機顯示的位數顯示為0;最小優化梯度為le-07;驗證集最大無效數為0;Mu的初始值為0.005;增長率為10，減少率為0.1，Mu最大值為10000000000。

6研究結果

6.1模型檢驗

運用Matlab對模型進行計算，結果顯示：訓練樣本的擬合優度為0.97834，見圖1;檢驗樣本的擬合優度為0.95533，見圖2;所有樣本的擬合優度為0.97303，見圖3。圖4表示模型能夠很好地描述各指標與滿意度之間的關系。

6.2 BP神經網絡模型

該BP神經網絡的隱層權值如表2，隱層閾值如表3，輸出層權值如表4，輸出層神經元閾值θ1⁰=0.256182542272510。依據表5中BP模型輸出值與實際值誤差比較，將BP模型的輸出值四舍五人取整之后，137各樣本的輸出值與實際值的誤差為0，表明模型效果良好。

7結論與不足

本文通過文獻檢索法構建了保障房住區老年人社區居家養老服務中心滿意度指標，通過南京市保障房住區老年人社區居家養老服務中心滿意度的調查獲得數據。采用三層BP神經網絡，構建了滿意度指標和滿意度之間的關系。通過BP神經網絡訓練確定模型的權值與閾值，利用貝葉斯算法避免了過擬合，模型擬合效果良好。保障房住區老年人對滿意度各項指標進行打分，運用上述構建的模型，能夠得到老年人的最終滿意度。本文存在一些不足。首先，BP神經網絡作為黑箱模型，對各項指標之間的關系缺乏考量。其次，所采用數據不存在量綱及數量級差別的問題，故沒有對數據進行歸一化。最后，輸入神經元數量一般不應過多，后續研究將考慮簡化指標體系。模型推廣應用仍需對上述模型進行優化調整。