网络汽车售后探讨

作者：戴静晖 蒋艳 单位：上海理工大学管理学院

求解指标权重可以采用主成分分析、层次分析法等［3－4］，本文采用层次分析法(AHP)进行求解，根据Saaty给出的属性间相对重要性等级表［5］，由专家打分法可建立一级指标的判别矩阵A。求出判别矩阵的最大特征根λmax=5．1249，小于5阶矩阵的临界值λ'max=5．45，满足一致性检验。特征向量即为一级指标的权重，ωi=(0．2124，0．3867，0．0693，0．2124，0．1192)T，i=1，2，3，4，5。同理可以得到各个二级指标的权重。ω1j=(0．1464，0．4393，0．3107，0．1036)T，j=1，2，3，4。ω2j=(0．6，0．4)T，j=1，2．ω3j=(0．1429，0．7143，0．1429)T，j=1，2，3．ω4j=(0．6482，0．2297，0．1220)T，j=1，2，3．ω5j=(0．5303，0．3061，0．0985，0．0678)T，j=1，2，3，4．本文选取国内某汽车品牌的15家4S店，作为研究对象，针对上述指标进行调查，取得原始数据。将各指标原始数据进行平均化处理，同时将各指标数据标准化。得出4S店各指标标准化评分表。结果见表3。根据指标权重计算出各4S店的综合得分，见表4所示。根据顾客满意度级度和本文实际问题，把满意度分为五个级别:很满意(评分在［0．9－1］内)、满意(评分在［0．8－0．9］内)、一般(评分在［0．7－0．8］内)、不满意(评分在［0．6－0．7］内)、很不满意(评分0．6以下)。由于层次分析法要靠专家打分来确定权重，因此评价结果存在一定的片面性。如果引入神经网络的开放性，让网络自由地调整权值和阈值，可获得更好的效果［6］。建立BP评价网络模型本文应用BP神经网络工具箱的主要函数，建立BP神经网络［7］。根据已建立的汽车售后服务评价指标体系，采用三层BP神经网络进行评价。隐含层神经元节点数的选取目前尚无理论上的指导，一般通过检验模型评价能力来确定［8］。输出神经元节点即评价指标体系的第三层指标数为16，隐含层神经元节点数为16，输出层神经元节点数为1，该网络的拓扑结构为16－16－1，网络模型示意图如（图略）。

针对汽车售后服务评价指标体系，隐含层激活函数选用tansig函数，输出层激活函数选用purelin线性变换函数，训练函数选用贝叶斯归一化法训练网络以提高网络的泛化性能，运用函数trainbr［9］。选取P1={S1，S2，…，S10}作为网络训练样本，P2={S11，S12，…，S15}作为网络仿真样本。分别在goal=0;goal=0．0001;goal=0．0002三种误差目标要求下，进行网络训练，未训练的5个测试集进行网络仿真，结果见表6所示。三种误差条件下的仿真结果与专家预测结果的对比。在不同精度要求的情况下，运算结果都符合要求，说明该网络模型可以用于4S店的汽车售后服务质量评。

汽车4S店作为汽车工业产业链的终端，作为销售和服务的前沿。其顾客的满意度直接决定了其经济效益和企业竞争力。本文提出了一种基于AHP评价的BP神经网络汽车售后服务评价方法。通过参与评价的4S店样本的训练确定BP神经网络模型的结构，而且BP神经网络对参与评价的样本不断学习，能使系统误差达到任意精度。同时，随着参与样本的增加和时间的演进，能够实现动态跟踪评价。从训练结果与仿真结果来看，说明该模型具有很高的正确性，可以用于汽车4S店售后服务质量评价工作，同时也说明这是一种可行而有效的方法。虽然该模型通过神经网络的优良特性，可以模拟专家对汽车售后服务质量进行评价，但是往往需要大量的数据样本。