基于BP神經網絡的政府在線審批服務便利度評價研究

文/湯弘昊 肖博

一、政府在線審批服務現狀分析

政府的傳統執政方式逐步顯示出其不合理之處，越來越無法滿足于當前信息時代發展的要求。2018年6月發布的《進一步深化“互聯網+政務服務”推進政務服務“一網、一門、一次”改革實施方案》（國辦發〔2018〕45號）[1]提出了“一網通辦”的服務目標，為進一步推進政務服務建設，《國務院關于加快推進全國一體化在線政務服務平臺建設的指導意見》（國發〔2018〕27號）[2]提出了加強在線動態評估，以評估強化常態化監督，實現全流程動態精準監督的任務要求。

政府在線審批服務是在線政務服務的重要環節，而便利度是評價在線政務工作的重要標準之一，經過了較長時間的基礎建設，我國政府在線審批工作取得了不小的進步，目前已經進入到了快速發展的階段。當前在線審批實施過程中仍然存在一些問題，如建設標準不一致等，政府應該采取措施有效解決問題，在調查公眾滿意度的基礎上對政府網上行政審批的效率及質量進行評估研究，以促進政府在決策能力、服務質量等方面進一步提升[3]。

通過文獻回顧發現，關于政府在線審批相關的研究比較廣泛，只是出發點和側重的角度有所不同，總的來說，大多數學者認為政府信息化建設提高了政府的辦事效率，增強了公眾的滿意度，但是關于政府在線審批服務便利度評價的研究相對較少。因此，本文將對政府在線審批服務便利度評價這一問題展開具體而深入的分析和探討，提出基于BP神經網絡算法構建政府在線審批便利度評價模型，期望為提高政府治理水平提供參考。

二、政府在線審批便利度評價指標體系設計

在數字政務環境下，“互聯網+政務服務”的服務模式逐步完善，電子政務的便利度逐漸提升。便利度是指公眾獲得某種高質量產品或服務的容易程度，既是建立在政務服務平臺建設和政務服務流程成熟度基礎上的政務服務目標，又需要使公眾滿意。本文主要使用文獻分析法和文獻計量法選取便利度評價指標，主要查詢了2010年至2020年關于政府在線審批的已發表的相關論文，通過對138篇文獻中信息質量、服務質量、網站質量和用戶感知的評價指標體系進行分解并匯總統計，將具有相同特征的指標進行合并和歸類整理，以頻次5次以上為選擇標準，最后篩選出政府在線審批便利度評價指標16個：信息質量（完整性、一致性、安全性）；業務辦理（業務咨詢、流程指引、登記提交、審批查詢、反饋時效、訪問速度）；平臺建設（訪問速度、平臺功能、設計風格、移動平臺）；公眾感知（服務滿意度、感知有用性、感知易用性）。

三、模型構建

（一）BP神經網絡結構的建立

BP神經網絡的層數決定了模型的規模，假設自變量與因變量在任意一個封閉區間內形成了連續函數，那么這種線性或非線性的映射可以在具有隱藏層的BP神經網絡中實現，基于此定理，學者們認為對于BP神經網絡而言，一層隱藏層與多層隱藏層的表達能力是一樣的，而多層隱藏層反而增加了過度擬合的風險，因此采用包含一個隱藏層的BP神經網絡可滿足研究需要。

1.輸入層。應用神經網絡進行對象評價時，輸入層神經元的數量是根據評價指標（自變量）的數量決定的，基于前文所述的評價體系具體內容，本評價體系共有16個評價指標，因此輸入層的神經元個數可設定為16個。

2.輸出層。應用神經網絡進行對象評價時，輸出層的神經元數量需要依據評價對象的具體情況進行確定。輸出層輸出的是便利度綜合等級結果，該結果分別對應便利度優秀、良好、一般、較差、很差五個等級，因此該模型輸出層神經元個數可設定為5個。

3.隱含層。研究構建的BP神經網絡政府在線審批服務便利度評價模型，其輸入層有16個神經元，輸出層有5個神經元。依據經驗公式的綜合分析，可以得到隱藏層神經元數量的取值范圍在[6，18]區間。

（二）學習算法的確定

本文建立的政府在線審批便利度評價BP神經網絡從本質上來說是一個模式識別問題，而模型本身的網絡層次較少、網絡規模較小、樣本數量有限，對于這種情況本研究選擇使用RMSProp算法。當誤差逐漸減小并接近目標值時，說明應該增加學習率，使其沿著算法修正的方向繼續訓練；當誤差逐漸增大，并超過了預設的目標值時，說明應該調整修正的方向，減小學習率。

（三）模型參數的確定

1.初始權值的確定。以有效提高網絡訓練效率為目的，根據實際的研究經驗可知，神經網絡模型的初始值通常是一個在[-1，1]區間的隨機數值，根據初始值的情況，需要對網絡進行訓練，從而在這個訓練過程中不斷調整神經元彼此之間的連接權重。

2.傳遞函數的確定。BP神經網絡通常使用的TF傳遞函數分為兩種：線性傳遞函數(Purelin)和非線性傳遞函數（Sigmoid），而Sigmoid函數又分為對數型Log-Sigmoid函數和正切型Tan-Sigmoid函數，其值域分別在[0，1]和[-1，1]的范圍內，結合本文研究的政府在線審批服務便利度評價指標，并借鑒之前學者針對政務服務評價、政府在線平臺測評研究中對于傳遞函數的選取方法，在網絡模型中輸入層到隱藏層采用正切型Tan-Sigmoid函數作為傳遞函數，而為了不限制輸出結果的范圍，隱藏層到輸出層則采用Purelin函數作為傳遞函數。

3.訓練函數的確定。BP神經網絡實證中的樣本訓練是模型初步形成的重要環節，選擇合適的訓練函數通常需要依據研究問題的具體情況、訓練樣本集的大小等具體要求決定，由于研究采用的是網絡問卷調查法進行數據搜集，采集到的訓練樣本有限，因此，采用梯度下降算法自適應調整學習率。

四、實例計算

G市具有較強的經濟實力，是我國最早開始信息化發展建設的一批城市之一，其在2000年9月即成為全國信息化試點城市之一，信息化水平全國領先。由于G市的政府在線平臺建設和政務在線服務水平在全國具有領先性和代表性，因此，將其作為研究對象。

（一）數據源說明

為了對G市政府在線審批的便利度進行評價，本文設計調查問卷收集對G市政府在線審批便利度評價的數據，對每個指標采用李克特量表的形式進行評分。通過在線審批平臺隨機發放800份電子調查問卷，回收754份數據，回收率為94.25%，剔除有漏選問題以及一個題項勾選了多個答案的問卷，共有728份有效問卷，問卷的有效率為91%。

（二）數據處理

在構建BP神經網絡前，需要對數據進行歸一化處理，避免樣本中的分值差距較大，對模型結果造成影響，本文采用公式（1）對數據進行歸一化處理。

其中，xmax是樣本中的最大值，xmin是樣本的最小值。

為了測試基于BP神經網絡的評價模型，將樣本數據拆分為訓練集合和測試集合。將樣本數據進行隨機劃分，樣本集分為訓練集和測試集，其中訓練集包含582個樣本，測試集包含146個樣本。

（三）BP神經網絡參數設計

1.輸入層以及輸出層神經單元個數。首先確定輸入層的神經單元個數，由于本文使用的指標有16個，因此輸入層的神經單元個數為16個。對于輸出層而言，共有5種不同的便利度類型，因此輸出層的神經單元個數為5個。

2.隱藏層神經單元個數。采用公式（2）初步確定隱藏層神經單元的個數：

本模型的input值為16，output值為5，按照公式（2）計算，則隱藏層神經單元的個數的初步取值為9，為了進一步考察隱藏層神經單元變化對評價準確率的影響，在9個神經元的基礎上，向下浮動6個神經元，向上浮動12個神經元，當隱藏層神經單元的個數為13時，模型的準確率最高，并且曲線最為平緩，因此，將隱藏層神經單元個數取值為13。

3.學習率參數。學習率參數對模型的收斂具有重要影響。學習率的默認值為0.01，通過測試學習率在[0.005，0.040]范圍內，變動步長為0.005所對應的準確率來對該參數進行優化，其中，隱藏層個數取值為13，其余參數為默認值，當學習率取值為0.035時，模型的效果最好，因此，選擇學習率的值為0.035。

4.激勵函數。為了選擇最優的激勵函數，本文使用不同的激勵函數進行學習，并測試其準確率，其中隱藏層神經單元個數取值為13，學習率參數設置為0.035，其余參數為默認參數，不同激勵函數下的誤差率分別為0.71（Purelin函數）、0.77（Log-Sigmoid函數）、0.83（Tan-Sigmoid函數）因此，隱藏層選擇Tan-Sigmoid函數時效果最好。

（四）評價結果分析

通過參數構建神經網絡模型后，對比樣本中對政府在線審批平臺的評分等級與模型輸出結果，可以驗證模型的效果，綜合以上分析得出，BP神經網絡評價模型的綜合準確率為91.78%，可以認為通過BP神經網絡模型能夠對政府在線審批平臺的便利度做出較為準確的評價。

五、結論

將BP神經網絡理論方法的優勢充分應用到政府在線審批服務便利度評價研究中，能夠使評價過程和評價結果更具有客觀性和科學性。能夠有效汲取專家的經驗，深入了解實際工作的需求，提高在線審批服務便利度評價的效率。