基于AHP法和BP神经网络的城市综合体营销绩效评价研究

李俊鹏

(兰州理工大学 设计艺术学院,甘肃 兰州 730050)

0 引言

作为综合密集型商业发展的重要内容，城市综合体的项目数量随着城市经济的发展不断增多。为了实现持续有效的运营效益，各城市综合体企业的营销推广投入不断增加，营销策略层出不穷，出现了因商业资源的规划不合理而造成的浪费现象。因此，城市综合体企业面临的首要问题就是如何提高营销效率，而建立有效的营销绩效评价体系则是解决这一问题的关键。营销绩效评价体系可以帮助城市综合体企业判断营销活动的重点，进而有针对性地开展营销活动，实现资源的高效利用[1-2]。

目前，针对营销绩效评价的研究方法有很多，比如层次分析法(AHP)、模糊综合评价法、FTA因素分析法和BP(Back Propagation)神经网络等方法都可用于营销绩效的评估，既有关于网络营销等不同营销策略的绩效评价，也有涉及不同行业的营销绩效评价研究。例如，陈舒提出基于BP神经网络的高校事业资产管理绩效评价方法，将事业资产管理绩效评价的研究思路、指标体系、评价方法和运行机制等结合起来，实现高校事业资产管理绩效的等级评价，并以某高校进行实例应用分析，验证了模型的准确性和可靠性[3-4]。

在营销绩效评价中应该选择适宜的评价方法来达到评价目标。其中，层次分析法是美国教授萨蒂于20世纪70年代初，提出的一种层次权重决策分析方法。能够实现复杂问题的分层次、条理化处理，从而简化问题[5]。BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的一种多层前馈神经网络算法，优点是输入输出映射能力强，自适应能力突出，容错出色，适合营销绩效评价的系统分析。本文结合AHP法和BP神经网络的优缺点，首先采用AHP法对城市综合体营销绩效进行评价，然后将AHP法的计算数据当做BP神经网络训练的目标值，运用BP神经网络对专家在城市综合体营销绩效的评估过程进行学习，从而建立基于BP神经网络的营销绩效评价模型，以克服人为确定权重的模糊性及随机性的影响，保证营销绩效评价的客观性和科学性[6-7]。

1 基于AHP法的城市综合体营销绩效评价体系建立

1.1 城市综合体营销绩效分层体系的构建

本文采用AHP法来构建城市综合体营销绩效的评价体系，将系统分为目标层、准则层和指标层，并依次将其优先级定为高、中、低。目标层只包含一个要素，称之为课题研究的基本目标，即达成对城市综合体营销绩效的评价。准则层包含了对城市综合体进行绩效评价的4个大类评价指标，而指标层则分为14类，针对营销绩效的准则层从更加具体的角度进行表达。

1.2 城市综合体营销绩效评价指标的选择

根据城市综合体营销绩效的影响因素分析，将城市综合体的营销绩效评价指标分为4类，分别描述如下。

1.2.1 财务绩效指标

财务绩效指标主要包括了城市综合体开发企业资金投入与产出活动所产生的财务数据，能够为企业发展规划的制定，营销策略的选择以及营销活动的开展提供有价值的参考，同时也是该企业营销成效的直观反映。财务绩效指标具体包括净资产收益率，营销成本以及销售利润增长率。

1.2.2 竞争绩效指标

竞争绩效指标是一种综合性的评价指标，一般体现在与竞争对手的对比过程中在竞争力方面展现出的优势条件。对于城市综合体的竞争绩效评价，本文选取了以下几个要素指标：首先是品牌入驻率，其次是商品的价格优势，再次是消费者忠诚度，最后是品牌吸引力。

1.2.3 影响力绩效指标

影响力绩效指标主要贯穿于城市综合体各种商业活动开展的过程中，直接体现了该企业在各个方面的影响力。本文选取的评价指标为：客户的满意度、城市综合体的知名度、市场占有率以及营销的整体性。

1.2.4 网络营销绩效指标

网络营销绩效指标主要是评估城市综合体企业在利用互联网进行产品推广过程中的业绩指标，网络营销的开展应与城市综合体自身的经济实力相匹配，并且符合自身的市场定位和品牌形象。本文选取的网络营销绩效指标的评价要素包括网络媒体的知名度、网络客户的接受度以及网络的好评率。

1.3 城市综合体营销绩效评价指标体系的建立

本文使用AHP法，结合城市综合体的营销行为特点，主要从财务、企业竞争力、影响力和网络营销这4个因素来考虑评价体系。该评价体系首先将评价指标按照性质的不同进行分类，然后对每个大类的指标根据其特点进行量化，并结合该指标对整体营销绩效评价结果的影响大小来赋予合适的权重，再依据权重的大小进行指标的排序，反映各项指标对城市综合体营销绩效的贡献大小，从而达到营销绩效评价的目的。依据城市综合体营销绩效评分方法，本文设计的营销绩效评价体系如图1所示。

图1 城市综合体营销绩效评价体系

2 基于AHP法的城市综合体营销绩效评价应用

2.1 城市综合体营销绩效各指标权重的确定及校验

首先根据图1构建的结构层次模型指标评价体系，选取城市综合体内部分经营业主和消费者以及一些行业内专家进行200份问卷调查，将收集到的问卷打分通过matlab软件的层次分析模块对数据进行处理，计算判断矩阵的最大特性值和归一化特征向量，检验判断矩阵的一致性。这一部分的主要步骤如下。

2.1.1 根据层次模型建立判断矩阵

该步骤中，系统将各层次的组成元素每两者之间进行相互比较，然后评价不同元素的重要性，并通过1-9分之间的打分规则对各元素的重要性进行打分，从而形成判断矩阵。根据收回的182份有效问卷进行判断矩阵分析，得出的具体结果如表1—表5所示。

表1 营销绩效评价(A)与准则层(B)的判断矩阵

表2 财务绩效(B1)与指标层(C1—C3)的判断矩阵

表3 竞争绩效(B2)与指标层(C4—C7)的判断矩阵

表4 影响力绩效(B3)与指标层(C8—C11)的判断矩阵

表5 网络营销绩效(B4)与指标层(C12—C14)的判断矩阵

2.1.2 校验判断矩阵

在建立完成层次分析法判断矩阵后，还要对该结果进行校验，从而判断其是否科学，主要措施是对建立的判断矩阵进行一致性检验。具体实施方法如下。

(1)核算指标CI(一致性指标),如式(1)。

CI=(λmax-n)/(n-1)

(1)

式中，λmax为矩阵的特征根极值;n为矩阵的阶数。

(2)确定指标RI(平均随机一致性指标)

该指标可以通过查表的方式确认。

(3)计算指标CR(一致性比例指标)

一致性比例指标如式(2)。

CR=CI/RI

(2)

并且针对上述计算式进行规定，将一致性标准定在0.1，即当检测到CR低于0.1时，认为一致性检验合格，否则需要对判断矩阵进行适当的修正，从而保证其具有较好的一致性。

通过Matlab软件和上述所列计算过程，表1的成对比较矩阵最大特征值λ=4.071 0，计算CI=0.023 7，RI=0.89，故CR=0.026 6<0.1，证明表1矩阵通过一致性检验。也即对表2-5矩阵进行一致性检验。如表6所示。

表6 指标层一致性比率值

由表6中的CRt可知，一致性比率均小于0.1，则都通过一致性检验。

2.2 确定城市综合体不同性质指标的评价标准

城市综合体营销绩效的各项评价指标间无论是衡量标准还是评价单位都存在一定差异，因此本文将这些指标分为两大类别，一类是定性指标，另一类是定量指标。根据评价标准，邀请部分专家及城市综合体内的经营业主和消费者进行打分，通过评分的形式对这些指标进行量化处理。

2.2.1 定性指标处理方法

城市综合体营销绩效评价体系中的定性指标具体是指商品的价格优势、消费者忠诚度、品牌吸引力、客户的满意度、城市综合体的知名度、营销的整体性、网络媒体的知名度和网络客户的接受度。对于这些定性指标，由于缺乏有效的数据来源，因此本文采取问卷调查打分的方式进行评价，通过组织一定数量专家来对各项指标进行打分。

2.2.2 定量指标处理方法

城市综合体营销绩效评价体系中的定量指标具体包括：净资产收益率、营销成本、销售利润增长率、品牌入驻率、市场占有率和网络的好评率。这些定量指标可以通过该企业发布的相关新闻和部分公开的财务报表来获取。这些获取的财务数据指标虽然是量化的，但还是不能直接反映城市综合体的营销绩效，因此还需要对这些量化的财务数据进行评分。

2.3 城市综合体营销绩效综合评价

要对具体的城市综合体营销绩效进行评价，首先，利用指标的权重值对目标城市综合体各项营销绩效评价指标的打分进行加权处理，求出城市综合体营销绩效综合得分P，计算如式(3)。

P=(C1*W1+C2*W2+…+C14*W14)/14

(3)

通过对城市综合体的全面了解，结合部分专家给出的建议，本文最终建立的营销绩效综合评语表如表7所示。

表7 城市综合体营销绩效评语表

2.4 基于AHP法的城市综合体营销绩效评价应用

本文以某大型商业地产经营企业在甘肃兰州市的A城市综合体(后文简称A公司)为样本对AHP法进行实例研究。根据本文基于AHP法建立的城市综合体营销绩效评价体系，通过收回的182份有效问卷来对判断矩阵中的值进行确认，通过一致性校验后，计算得到评价指标权重数据如表8所示。

表8 A公司营销绩效评价指标权重表

以2019年度为例，通过A公司的年度财务报表和数据资料，并结合问卷调查结果，根据本文制定的指标评价标准，请出10位专家及部分经常光顾的客户和常驻商家对指标进行评分，选取40份打分评价问卷并对各项得分求和后计算算术平均值，以达到降低误差的目的，提高问卷调查结果的科学性，最终得到评价系统指标的单项评价分数Ci，结合城市综合体营销绩效各项指标的权重值Wi，可以计算出A公司各项营销绩效评价指标的加权评价分数Pi，再将所有的Pi求和并取平均值，得到A公司营销绩效的综合评分，如表9所示。

表9 A公司2019年度营销绩效评价表

根据上一节中的营销绩效评语表，可以看出，2019年度A公司的营销绩效得分为5.21分，只能得到一般的评价。

3 基于BP神经网络的营销绩效评价方法

3.1 神经网络构建

首先，运用matlab软件中的BP神经网络包搭建BP神经网络的仿真模型。本文构建3层BP神经网络对A公司的营销绩效水平进行拟合，分别是输入层，输出层和隐含层。根据前面章节构建的基于AHP法的A公司营销绩效评价体系，可以获得输入层的指标节点数为14，即那些单项指标评价，输出层节点数为1个，即A公司营销绩效的综合评价得分。根据输入层和输出层的节点数，通过经验公式选取隐含层节点数为14。构建的神经网络如图2所示。

图2 BP神经网络模型图

3.2 样本训练流程

本文前一章节中已知拥有40份A公司2019年营销绩效打分评价问卷，将其中80%的数据作为BP神经网络的训练样本，而将20%的营销绩效评价数据作为检验样本，来检验训练出来的模型是否满足要求。仿真模型中选择tansig函数来作为隐含层的传递函数，purelin函数作为输出层的传递函数，选择trainlm函数作为隐含层的训练函数。将32份样本数据输入到神经网络模型中进行训练，每个样本点包含输入层的14个指标评价值和输出层的期望输出，也就是层次分析法计算的综合评价得分。根据需要，将预期误差设置为0.000 1，学习率0.002，仿真训练的显示间隔为0.5，最大允许的训练次数为1 000次。实际仿真过程中，当达到目标误差在预期误差范围内时，网络模型训练结束，仿真训练路径如图3所示。

图3 BP神经网络训练图

3.3 样本训练结果

当训练误差达到规定误差范围内时，说明训练满足了预设目标的要求，此时得到的训练样本输出结果与期望输出结果的对比如图4所示。

图4 训练样本实际输出和理想输出矢量

训练样本实际输出和理想输出线性回归分析如图5所示。

图5 训练样本实际输出和理想输出线性回归分析

从图中可以看出，A公司的营销绩效神经网络实际输出值和期望输出值比较接近，均方根误差0.032 368，回归线基本重合，仿真模型性能良好。

3.4 BP神经网络模型检验

为进一步验证BP神经网络模型的准确性，接下来将预留的8份样本数据输入到仿真模型的输入层，通过仿真得到结果如表10所示。

表10 检验样本误差分析

综上所述，A公司营销绩效评价系统的BP神经网络的训练结果与层次分析法评价结果接近，最大误差-0.05，能够通过验证，说明训练好的BP神经网络模型能够对专家的打分和评价过程进行学习和归纳，并形成数学规律以供后续城市综合体营销绩效评价参考和使用。

4 总结

对城市综合体营销绩效进行评价是一个比较复杂的问题,涉及到很多方面因素，本文通过对城市综合体营销绩效的特点分析，建立营销绩效评价的4大指标体系和14个具体评价指标。并且以A公司为例，利用AHP法计算指标权重并建立评价标准，实现对A公司营销绩效评价体系的综合评分。

然后结合AHP法和BP神经网络的优缺点，将AHP法的计算数据当做BP神经网络训练的目标值，运用BP神经网络法对专家在A公司营销绩效评估中的经验、知识、主观判断及对指标重要性的倾向进行学习，得到基于BP神经网络的A公司营销绩效评价仿真模型，并且根据检验样本数据对模型进行了验证。该方法能够避免人为评分带来的不确定性和模糊性，保证对城市综合体营销绩效评价的客观性与一致性。在后期，当评价指标的数值发生变化时，只要在BP神经网络仿真模型中输入神经网络变化的数值，就能够对城市综合体的营销绩效进行评价，因此该模型具有较好的适用性，能够为其他城市综合体的营销绩效评价提供参考借鉴。