雒香云 袁竞峰 谷甜甜
摘要:随着老龄化社会的到来,我国的养老形势十分严峻,而保障房社区养老问题更加凸显。保障房社区居家养老服务中心是保障房社区老人养老服务的重要组成部分,目前关于保障房社区居家养老服务中心满意度研究较少。在建立保障房社区居家养老服务中心满意度评价指标的基础上,采用BP神经网络构建满意度模型。经检验,模型拟合效果良好,能较好地描述相关指标与使用满意度的关系。
关键词:社区居家养老服务中心;满意度;BP神经网络
中图分类号:C939 文献标识码:B
文章编号:1001-9138-(2019)10-0056-63 收稿日期:2019-08-30
1引言
2019年两会政府工作报告指出:加大保障性安居工程建设力度,加强配套设施建设,大力发展老龄事业。可见,保障房建设、养老保障是我国未来政策的重要着力点。住房与养老是压在国民身上的两座“大山”,而保障房社区养老问题是这两项社会问题的“叠加”,产生影响“共振”,进而影响社会的稳定。
我国社区居家养老服务体系的建设仍在起步阶段,无法适应当前老龄化程度的快速加剧,新的养老需求不断出现。主要表现在:社区养老服务和养老机构配置数量不足,提供的服务项目较少,无法满足社区老年人不断变化的养老需求;设施使用率低、功能单一、收费较高、服务质量不高;布局不合理,区域发展不平衡等。
保障房住区一般位于城乡结合部,存在设施配套不完善、资源可接近性差等特点,而保障房住区的老年人口比例较高(根据调研显示,南京市上坊保障房片区老年人比例达30%,高于江苏省平均水平20.57%),其中又有相当一部分是低收入老年群体,住房保障和养老保障在此处叠加,需要重点关注和解决。另一方面,由于保障房住区远离市中心,超出市级、市辖区级公共服务设施的覆盖范围,因此社区居民很大程度上依靠社区本身的公建配套。对社区老年居民来说,养老设施是否有效供应、分配及使用,直接影响其在社区获得养老服务的便利性,进而影响其居住满意度及晚年生活质量。而居家养老服务中心是保障房养老设施的重要组成部分,在保障房社区老人的养老服务中扮演重要的角色。
2BP神经网络应用
BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,也是应用最广泛的神经网络模型之一。BP神经网络最广泛的应用是在经济预测、风险分析等方面。吴微(2001)等人将BP神经网络应用于股票指数的预测,效果良好。孙伟、李柏年(2009)采用三层BP网络,用安徽省1989年至2007年的GDP数据来训练神经网络以预测2008年的GDP。周潮(2010)利用对1978年至2009年的中国居民消费价格指数(CPI)建立了基于BP神经网络的中国CPI预测的数学模型。该模型的预测值与历史值的系统总误差只有0.035%。杨淑娥(2005)、杨兆升(1999)、朱祖平(2003)等一大批学者在宏观经济、微观经济、社会学、管理学、工程学等方面应用BP神经网络取得较好的效果。
BP神经网络的广泛应用得益于其具有非线性映射、自学习和自适应、泛化、容错能力。BP神经网络能够以任意精度逼近任何非线性连续函数,这使得其适合于求解内部机制复杂的问题,能够通过学习自动提取输人、输出数据间的“合理规则”,并自适应地将学习内容记忆于网络的权值中。同时,BP神经网络具有将学习成果应用于新知识的能力。另外,BP神经网络在局部神经元受到破坏后对全局的训练结果不会造成很大的影响,也就是说即使系统在受到局部损伤时还是可以正常工作的。因此,BP神经网络能够满足本文中保障房社区居家养老服务中心满意度模型构建的要求。
3保障房社区居家养老服务中心满意度指标构建
国内外学者将BP神经网络运用于满意度模型的构建,研究对象主要有消费者、企业员工、公共设施服务使用者三类。
第一类研究对象是消费者顾客。郑校飞(2012)综合粗集和BP神经网络分析了木地板企业顾客满意度,对普遍影响木地板企业顾客满意的要素进行了分析。薛红(2008)对北京某大型超市的顾客满意度进行了调研,在对调查问卷分析处理的基础上,建立了基于BP神经网络的超市顾客满意度评价模型,并对该超市的顾客满意度进行了深入分析。温阿莉(2009)同样将BP神经网络用于顾客满意度的综合评价,认为BP神经网络既可摆脱人为因素及模糊随机性的影响,又能保证评价的准确性。毛志勇(2008)、杨玉香(2006)、赵跃平(2011)等人对B2C网络购物、物流企业客户等消费者构建了满意度模型。
第二类研究对象是企业员工。李杨(2012)将BP神经网络应用于企业员工满意度评价,全面高效评价员工满意度水平,了解该组织员工在同行业员工中满意度的具体情况,提供了一种客观、科学的衡量标准。郑泽惠(2009)利用新進职工的历史数据,建立了离职风险的BP神经网络模型,系统地考虑了管理、心理、薪资等多方面因素。员工满意度评价的对象大部分是某企业员工,故研究对象的范围较为明确和具体,建模结果较好。
另外一些研究对象是公共设施服务使用人群。孙倩(2012)定量评价的城市道路交通满意度三级指标评价体系。通过开展实际调查,获得城市道路利用者对城市道路满意度指标体系中各指标重要度的评价数据。依据顾客满意度等相关管理学理论,建立了城市道路交通满意度评价模型。鞠建伟(2004)在研究用户满意度指标体系的基础上,建立适合定性、定量评估高校图书馆读者满意程度的BP神经网络模型。段文娟(2008)同样以高校图书馆为对象构建了读者满意度模型。本文在梳理上述文献的基础上,构建了保障房社区居家养老服务中心满意度指标,见表1。
4数据搜集
本文通过对南京市保障房住区137位老年的问卷调查搜集数据。按照表1调查搜集各指标及社区居家养老服务中心使用满意度的数据。问卷采用5级李克特量表的形式,满意程度:1=非常不满意,2=比较不满意,3=一般,4=满意,5=非常满意。
5BP神经网络建模
通过对BP神经网络模型参数设置来构建模型,主要包括样本划分、节点数量、函数设置、训练算法等。
5.1样本划分
选取样本137个,训练集(Train set)占70%,验证集(Validation set)占15%,测试集(Test set)占15%。
5.2输人层节点数
在前期的运算中,第7项和第1l项指标效度不满足要求,故舍去。剩余的指标共23项,所以输入层节点数设置为23。
5.3隐层节点数
在几乎所有的BP网络建模的过程中,隐含层节点数的确定都可以说是比较难解决的一个环节,它很大程度上影响着整个网络的性能。若数目太少,则会导致网络获得用以解决问题的信息不足;若数目过大,则在增加训练时间的同时,还可能导致网络容错性能下降等问题。尽管合理的隐含层节点数与输入输出单元的数目有着千丝万缕的联系,但到目前为止仍未提出一个较为理想的表达式来确定二者的联系。所以,隐含层节点数的确定工作往往都是在借鉴已有经验的基础上,通过多次的反复试验来完成的。
5.5输出层函数
选取线性函数,线性函数导数为常数。
5.6其他参数设置
BP算法的其他参数设置采用Matlab默认设置,最大运算次数为1000 0:;最大运算时间没有限制;优化目标误差为0,在此0只是一个很小的数,因为超过计算机显示的位数显示为0;最小优化梯度为le-07;验证集最大无效数为0;Mu的初始值为0.005;增长率为10,减少率为0.1,Mu最大值为10000000000。
6研究结果
6.1模型检验
运用Matlab对模型进行计算,结果显示:训练样本的拟合优度为0.97834,见图1;检验样本的拟合优度为0.95533,见图2;所有样本的拟合优度为0.97303,见图3。图4表示模型能够很好地描述各指标与满意度之间的关系。
6.2 BP神经网络模型
该BP神经网络的隐层权值如表2,隐层阈值如表3,输出层权值如表4,输出层神经元阈值θ10=0.256182542272510。依据表5中BP模型输出值与实际值误差比较,将BP模型的输出值四舍五人取整之后,137各样本的输出值与实际值的误差为0,表明模型效果良好。
7结论与不足
本文通过文献检索法构建了保障房住区老年人社区居家养老服务中心满意度指标,通过南京市保障房住区老年人社区居家養老服务中心满意度的调查获得数据。采用三层BP神经网络,构建了满意度指标和满意度之间的关系。通过BP神经网络训练确定模型的权值与阈值,利用贝叶斯算法避免了过拟合,模型拟合效果良好。保障房住区老年人对满意度各项指标进行打分,运用上述构建的模型,能够得到老年人的最终满意度。本文存在一些不足。首先,BP神经网络作为黑箱模型,对各项指标之间的关系缺乏考量。其次,所采用数据不存在量纲及数量级差别的问题,故没有对数据进行归一化。最后,输入神经元数量一般不应过多,后续研究将考虑简化指标体系。模型推广应用仍需对上述模型进行优化调整。