类神经网路於服务品质衡量模式之构建

類神經網路於服務品質衡量模式之構建－以電信業為例147類神經網路於服務品質衡量模式之構建－以電信業為例AnApplicationofArtificialNeuralNetworkforConstructingServiceQualityEvaluationModel－TelecommunicationIndustry杜壯*郭人介吳永宏ChuangTu*R.J.KuoYung-Hungwu國立臺北科技大學工業工程系摘要我國經濟發展之趨勢，已經由製造業轉向服務業，服務業就業人口也呈穩定成長之現象。加入世界貿易組織（WTO）之後，服務業必將面臨激烈之競爭，服務品質將成為企業經營成功的主要關鍵所在。但是，過去服務業所得到的服務品質構面，未必適用於現今的產業環境。再者，SchafferandGreen指出對變數作因素分析，可能會扭曲資料的原始型態。本研究以不經因素分析及經過因素分析後萃取之構面，分別利用統計和類神經網路方法來探討。結果發現，不經過原始問項配合一般迴歸神經網路的效果較佳，所以便以此為模式架構，針對四家電信業者之服務品質進行調查，並分別提出建議以供參考。關鍵詞：服務品質﹑統計方法﹑類神經網路﹑電信業。1類神經網路於服務品質衡量模式之構建－以電信業為例148投稿受理時間：91年3月17日審查通過時間：91年5月10日ABSTRACTServicequalityisthekeyfactorforthesuccessfulcorporate.However,someissuesaboutthedevelopmentofservicequalityevaluationmodelstillshouldbeconcerned.AccordingtoSchafferandGreenresearch,theypointedoutthatitmayreversetheoriginalpatternfromadoptingfactoranalysis,anditisnotnecessarythattheresultsfromfactoranalysisontheoriginalpatternaregained.Thus,thestatisticalmethodandtheneuralnetworkmethodonoriginaldimensionswithoutfactoranalysisandonservicequalitydimensionswithfactoranalysisareemployedinthisstudy.ThecomputationalresultsshowedthatGRNN（GeneralRegressionNeuralNetwork）withtheoriginaldimensionshasthebetterlearningeffects.Keywords:ServiceQuality,StatisticalMethod,NeuralNetwork,TelecommunicationIndustry.壹、緒論一、研究背景與動機根據國內學者翁崇雄（1996）指出，企業成功的主要關鍵在於服務品質，不過，以服務品質評估模式的發展來看，仍有其必須注意的問題。首先，必須瞭解是否能將傳統服務業所得到的構面，用於現今的資訊產業環境。再者，以往所採用的方法是以皮爾遜相關、變異數分析、卡方檢定、因素分析及迴歸分析等統計方法進行資料分析工作。然而，以統計方法進行分析未必是最好的方式，且根據學者SchafferandGreen（1998）指出對變數作因數分析可能會扭曲資料的原始型態，沒有經過因素分析縮減變數的步驟，在原始構面上所得到的結果未必不佳。因此，本研究將嘗試將資料分為原始資料與未經因素分析後的資料，分別利用統計方法和類神經網路方法來加以探討，並期望能構建較適合的服務品質評估模式。二、研究目的本研究主要目的，在於探討國內行動通信業服務品質衡量模式的建構，並重新思考Parasuramanetal.（1985,1988）所提出的服務品質評估模式，利用統計方法及類神經網路方法比較分析以期達到以下目的：(一)瞭解行動通信用戶，對各行動通信業服務績效之認知水準。(二)探討變項經過因素分析後之服務品質評估模式是否較佳。(三)建立行動通信服務品質評估模式。三、研究步驟與流程本研究的內容主要可分為兩部份，一為「服務品質評估構面之驗證與建構」；另一為「服務品質衡量模式之評估與構建」，如圖一2類神經網路於服務品質衡量模式之構建－以電信業為例149所示。貳、文獻探討一、服務品質服務品質是一種概念，也是一種讓人難以理解的概念，因為其具有：無形性、同時性、變異性及易滅性，使得服務品質不易清楚的界定和控制，本研究將各學者對服務品質之看法彙整後，認為服務品質是「消費者對一產品或服務主觀的知覺，其品質是發生在相對的比較上」。Parasurama、Zeithamel、和Berry三人提出的SERVQUAL量表雖然被學者廣泛運用於各服務業，但其也有來自不同方面的批評，若依據學者的實證，顯示了服務品質構面會依據服務形態的不同和社會經濟型態的轉變而有所變化。所以，本研究以為應依服務形態的不同並參考Parasuramanetal.的十個構面進行發展評估項目，並重新修正服務品質構面。YN文獻蒐集及探討問卷發放、回收與整理因素分析建立服務品質評估模式萃取服務品質構面結論與建議選定研究主題設計分析均方差問卷迴歸分析與類神經網路之比較專家訪談服務品質評估構面之驗證與建構服務品質衡量模式之評估與構建圖一研究步驟與流程圖3類神經網路於服務品質衡量模式之構建－以電信業為例150二、類神經網路類神經網路（ArtificialNeuralNetworks）它是由人類心智和腦部活動所發展出來的一種模型，包括軟體與硬體，其使用大量簡單的相連人工神經元來模仿生物神經網路能力，人工神經元是生物神經元的簡單的運算，並輸出結果到外界環境或其他人工神經元（葉怡成，1995，1999）；其後經多位專家學者的不斷研究開發，至今類神經網路已發展出多種的型態，其可用於推估、預測、決策、診斷。三、相關文獻彙整自民國87年國內陸續有學者進行行動電信服務品質的相關研究，綜合國內學者所做的研究，可以發現目前對於服務品質研究的內容大都根據Parasuramanetal.三位學者於1988年所提出的服務品質量表（SERVQUAL），五大構面和二十二個問項作為研究架構。利用因素分析萃取服務品質構面，以迴歸分析建立評估法則；但根據學者Carman（1990）、BabakusandBoller（1992）及CroninmandTaylor（1992）的研究SERVQUAL的五大構面並足以代表現今的產業特性。所以，本研究以服務形態的不同並參考PZB(1985)的十個構面進行發展評估項目，並重新修正服務品質問項。再者，根據學者SchafferandGreen（1998）指出對變數作因數分析可能會扭曲資料的原始型態，沒有經過因素分析縮減變數的步驟，在原始構面上所得到的結果未必不佳。因此，本研究以未經因素分析及已經因素分析兩種類型的設計，並運用不同於傳統統計方法的類神經網路，來建立服務品質評估模式。參﹑研究方法本研究主要的研究方法是以驗證學者SchafferandGreen指出，沒有經過因素分析縮減變數的步驟，在原始構面上所得到的結果未必不佳。並利用迴歸分析和類神經網路的比較建立服務品質評估模式，其架構如圖二所示。一、研究設計在問卷設計上，除了蒐集相關文獻探討外並和國內較具規模之行動電信業者包括：中華電信、和信電訊、遠傳電信及台灣大哥大等四家系統業者及其用戶，做深度訪談。藉由專家深度訪談蒐集其意見；針對行動電信服務品質的特性，設計了28個問項以代表學者Parasuramanetal.於1985年所提出的十個構面之要素，並確定本研究問卷架構、內容與要素。（一）因素分析4類神經網路於服務品質衡量模式之構建－以電信業為例151因素分析（factoranalysis）是研究一群觀察變數之間的相互關係的一種多變量統計方法。因素與每個觀察變數的相關係數稱為因素負荷量（factorloading），將每個因素負荷量平方後加總，可以得到此因素之特徵值，因素萃取數目之決定標準根據Kaiser（1974）所主張，取特徵值大於1之因素，將其保留。本研究為建立行動電話服務品質的構面及項目，以主成份（principlecomponent）因素分析及最大變異數（varimax）旋轉法，萃取出行動電話服務品質的構面及項目。（二）信度與效度一個良好的衡量工具應該具有足夠的信度（reliability）與效度（validity）。信度是指衡量工具的正確性（accuracy）或精確性（precision）；而所謂效度是指一種衡量工具真正能夠測出所想要衡量之事物的程度（黃俊英，1992）。本研究應用統計軟體SPSS9.0求取。二、網路分析（一）迴歸分析迴歸分析模式(RegressionModel)為計量預測最常見的方法之一，主要是探討兩個或兩個以上變數之間的關係。其原理是找出影響應變數的各種因素（自變數），設計參數（自變數種類和數量），根據所收集之資料建立應變數與自變數間之關係式，再依據最小平方誤差(LeastSquaresErrorCriterion)求取各自變數之迴歸係數，並將自變數未來之估計值帶入迴歸關係式，即可預測其應變數值。本研究以案例問卷之28項服務品質滿意度問項為自變數，作為學習及測試的依據，依變數之設計採用問卷整體滿意度。（二）倒傳遞網路倒遞類神經網路（Back-propagationneuralnetwork,BPN）屬於監督式學習網路，包含了輸入層、隱藏層及輸出層，在網路中某一個神經元的的基本架構，每一個神經元的輸出，都乘上其相對應的加權連結值（weights）再加總，此相加的總和稱為神經元的淨輸入，網路中的每一個神經元都必須先產生淨輸入，此淨輸入的值在透過激發函數（activationfunction）的計算產生輸出訊號。迴歸分析半徑式函數網路倒傳遞網路統計、分析均方差建立服務品質評估模式小大捨棄萃取服務品質構面問卷回收與彙整因素分析一般迴歸神經網路圖二研究架構圖5類神經網路於服務品質衡量模式之構建－以電信業為例152網路運作方式分為訓練和測試兩個階段，訓練階段網路必須藉由誤差的回饋與連結權重的調整以記憶學習資料，訓練範例必須具有輸入向量及輸出向量，而輸入及輸出向量之間存在著一種對應關係。在測試過程中，輸入向量經由網路的執行便可得到所對應的輸出決策（方劍虹，1999；葉怡成，1999）。（三）一般迴歸神經網路一般迴歸神經網路（GeneralRegressionNeuralNetwork,GRNN），是由Dr.DonaldSpecht（1991）從機率神經網路（ProbailisticNeurlNetwork,PNN）衍生出來的。這種網路的特性是學習速度快，但所須的電腦記憶體較大，且回想速度較慢。其基本原理是由機率模式所啟發的，一群具有M維輸入向量的訓練範例可視為一M維空間中的一群樣本點，一般迴歸神經網路藉這些樣本點來估計一個未知樣本點的函數值（葉怡成，1999）。（四）半徑式函數網路半徑式函數網路（RadialBasisFunctionNetwork,RBFN），是結合無監督式學習的「自組織映射圖網路」及監督式學習的「倒傳遞網路」。也就是網路的輸入層與隱藏層間使永無監督式學習，而隱藏層與輸出層間則使用監督式學習。本研究為行動通信業的整體滿意度。網路的學習過程可分成二個階段，通常是先執行第一階段直到收斂，或執行到一個固定的學習循環數目，在執行第二階段直到收斂或執行到一個固定的學習循環數目。三、網路參數設計由於，目前國內外並無明確的法則，定義類神經網路參數的設定並規範，方能找到最佳的網路形態，所以本研究以試誤法訂定幾組實驗嘗試找到較佳的參數組合，如表一所示。在訓練上，本研究以500次為一個學習循環，每次循環有385個範例，共訓練192,500