基于主成分分析和BP神经网络的网约车服务质量评价

引用本文

邵春福, 王菁, 彭金栓. 基于主成分分析和BP神经网络的网约车服务质量评价[J]. 北京交通大学学报, 2018,42(3): 10-15.
SHAO Chunfu, WANG Jing, PENG Jinshuan. Internet private hire vehicle service quality evaluation based on principal component analysis and BP neural network[J]. JOURNAL OF BEIJING JIAOTONG UNIVERSITY, 2018,42(3): 10-15.
Doi:10.11860/j.issn.1673-0291.2018.03.002 复制到剪切板

Permissions

北京交通大学学报编辑部所有

基于主成分分析和BP神经网络的网约车服务质量评价

邵春福¹, 王菁¹, 彭金栓²

1.北京交通大学交通运输学院,北京 100044

2.重庆交通大学交通运输学院,重庆 400074

第一作者:邵春福(1957—),男,河北沧县人,教授,博士,博士生导师.研究方向为交通规划、交通管理和智能交通. email: cfshao@bjtu.edu.cn.

收稿日期: 2017-11-15

基金: 国家自然科学基金 (51338008)

摘要

为客观、科学评价网约车服务质量,从顾客满意度角度出发,通过分析网约车服务过程,建立网约车服务质量评价指标体系;为消除指标间的相关性,利用主成分分析法提取累计贡献率超过85%的主成分作为BP神经网络模型输入;通过分析BP神经网络模型的原理构建具体BP神经网络拓扑结构;以网约车乘客满意度调研问卷为数据基础,对BP神经网络模型进行训练、仿真,并与传统BP神经网络模型及SERVQUAL模型评价结果进行对比.结果表明: 本文构建模型收敛效率高、评价误差小,能够反映网约车服务质量的水平,可以为评价网约车服务质量提供有效理论支撑.

关键词: 城市交通; 服务质量; 主成分分析; BP神经网络模型; 网约车

中图分类号:U491 文献标志码:A 文章编号:1673-0291(2018)03-0010-06

Internet private hire vehicle service quality evaluation based on principal component analysis and BP neural network

SHAO Chunfu¹, WANG Jing¹, PENG Jinshuan²

1.School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044, China

2. School of Traffic and Transportation, Chongqing Jiaotong University, Chongqing 400074, China

Fund:National Natural Science Foundation of China (51338008)

Abstract

In order to objectively and accurately evaluate the quality service of internet private hire vehicle, the evaluation index system of service quality is established by analyzing the service process from the perspective of customer satisfaction. Then, in order to eliminate the correction among indexes, the principal components of cumulative contribution rate over 85% are selected as the input of BP neural network model by principal component analysis. Further, by analyzing the principle of BP neural network model, a specific BP neural network topology is constructed. Finally, the BP neural network model is trained and simulated based on the data of passenger satisfaction questionnaire and compared with the evaluation results of traditional BP neural network model and SERVQUAL model. The results show that the proposed model is high, and the evaluation error is small which can well reflect the service quality of internet private hire vehicle and provide a theoretical basis to evaluate the service quality of internet private hire vehicle.

Keyword: urban traffic; service quality; principal component analysis; BP neural network model; internet private hire vehicle

文章图片

网约车作为“ 互联网+交通” 环境下的新型出租车服务业态, 其健康运营对我国交通运输行业的发展具有重要意义.然而, 自网约车出现伊始, 社会各界对其监管制度便存在较大争议, 明确的网约车服务质量管理内涵难以形成, 导致行业缺乏科学的管理体系和评价依据^[1].因此, 需要科学构建网约车服务质量评价体系.

国内外学者对于网约车服务质量评价的研究尚较少, 大多仍停留在对传统出租车服务质量的研究.Bruce Schaller讨论了出租车数量管制对其服务质量的影响, 提出取消出租车数量管制会造成出租车质量和驾驶人员质量下降, 进而导致出租车服务质量下降^[2]; 文献[3]根据波尔图的出租汽车数据提出了一种基于出租汽车网络的出租汽车乘客需求预测模型, 从分析出租汽车乘客需求视角提出了提高出租车服务质量的策略.文献[4, 5]以杭州出租车为研究对象, 以有形性、保证性、可靠性和关怀性4个维度构建乘客服务质量评价指标体系, 同时根据 SERVPERF 模型结合区间估计法建立了服务质量的重要度-绩效分析矩阵; 文献[6]在基于马斯洛需求理论的基础上, 提出快速乘车、安全乘车、舒适乘车、满意乘车4个层面的城市出租车系统服务评价体系; 文献[7]根据网约车运营的特点, 基于乘客视角从有形性、可靠性、响应性、保证性、移情性5方面构建了网约车服务质量评价指标体系, 并应用SERVQUAL模型对网约车服务质量进行评价.

本文作者在分析网约车服务质量影响因素的基础上构建网约车服务质量评价体系, 利用主成分分

析法对原始样本进行特征提取以消除评价指标间的相关性, 选用BP神经网络模型对网约车服务质量进行评价, 以克服评价过程中的主观性和模糊性, 提高评价的客观性、准确性及科学性.

1 网约车服务质量评价指标体系

1.1 网约车服务过程

完整的网约车服务过程包括如图1所示的7个步骤.本文选取网约车服务的安全效度、时间效度、费用效度、可靠效度、移情性效度^[8]5个维度, 构建网约车评价一级指标体系.其中安全效度评价乘客在乘车期间不受到损害的保障程度; 时间效度指乘客从发出网约车乘车需求到目的地的总用时是否存在用时浪费; 费用效度考量乘客花费的乘车费用是否经济、实惠, 在遇到违约情况下是否得到经济赔偿; 可靠效度检验网约车服务的诚信度, 是否存在爽约、拒载以及迟到或就地下客的情况; 移情性效度检验驾驶员是否设身处地为乘客着想.

	Figure Option View Download New Window
	图1 网约车服务过程Fig.1 Service process of internet private hire vehicle

1.2 评价指标体系

通过对网约车服务中5个维度的分析, 选取12项二级指标, 构建网约车服务质量评价体系, 见表1.

表1 网约车服务质量评价指标体系 Tab.1 Evaluation index system for service quality of internet private hire vehicle

1.3 样本数据的获取

为获得网约车服务质量评价样本数据, 采取网络问卷与纸质问卷并行的方式面向全国各地网约车用户及其行业专家进行了网约车服务质量满意度调研.本次问卷分为对用户基础信息的调查和问卷主体两部分, 根据表1, 采用“ 0~10” 分制调查用户对各评价指标的评分.本次调研共收集整理到192份有效问卷, 有效回收率为87.3%, 其中男性用户占48.2%, 女性用户占51.8%, 18~50岁用户占83.9%.

1.4 主成分提取

为使评价结果更科学、可靠, 根据主成分分析原理^[9], 运用SPSS 20.0的主成分分析功能对原始样本数据进行特征值提取, 以消除指标之间的相关性.

1)样本数据标准化.原始指标体系之间存在量纲、数量级不同的问题, 首先对原始数据进行标准量化.由于原始指标都是正向指标(即得分越高表示服务质量越好), 因此均采用r_i=(x_i-x_i_min)/(x_i_max-x_i_min)对数据进行规范化处理.

2)主成分分析条件判断.由主成分分析结果可知各变量之间的相关系数大部分大于0.5, 说明各指标间相关性强; KMO检验统计量为0.79, 接近于1, Bartlett’ s球度检验的统计量数值为1 809.601, 小于显著水平.综上说明原始数据适合做主成分分析.

3)主成分分析结果.采用SPSS 20.0对评价指标数据进行主成分分析, 提取得到累计方差贡献率超过85%的前6个主成分^[9].由表2主成分方差贡献率及表3因子定义得, 主成分X₁贡献方差率为60.349%, 在c₇~c₁₂上载荷较大, 是反应时间效度、可靠效度和移情效度的重要指标; X₂在c₁、c₄~c₆上的载荷较大, 主要是反应费用效度的指标; 同样, X₃, X₅主要是反应费用效度的指标; X₄主要是反应安全效度的指标; X₆主要反应时间效度的指标.

表2 主成分特征值及方差贡献率 Tab.2 Eigenvalues of principal components and variance contribution rate

表3 因子载荷矩阵 Tab.3 Factor load matrix

2 基于主成分分析BP神经网络模型

BP神经网络模型优点在于可以处理大量数据且尤其适用于非线性问题^[10].考虑到网约车服务质量评价是一个非线性问题且涉及到的评价指标较多、评价数据复杂.因此, 本文选择BP神经网络模型求解网约车服务质量评价问题.

2.1 BP神经网络模型训练样本及检验样本确定

由主成分分析原理^[9]可知, 主成分X_i与原评价指标c₁, c₂, …, c₁₂之间的关系为

$\begin{array}{l} X_{i} = l_{i 1} c_{1} + l_{i 2} c_{2} + l_{i 3} c_{3} + l_{i 4} c_{4} + l_{i 5} c_{5} + l_{i 6} c_{6} + \\ l_{i 7} c_{7} + l_{i 8} c_{8} + l_{i 9} c_{9} + l_{i 10} c_{10} + l_{i 11} c_{11} + l_{i 12} c_{12} (1) \end{array}$

其中, l_ij(i, j=1, 2, 3, …, 6)表示第i个主成分在第j个指标上的载荷值, 如表3所示.

综上可得

X₁=0.562c₁+0.696c₂+0.753c₃+0.672c₄+

0.678c₅+0.675c₆+0.864c₇+0.887c₈+

0.878c₉+0.896c₁₀+0.851c₁₁+0.823c₁₂,

X₂=0.518c₁+0.288c₂+0.286c₃+0.395c₄+

0.369c₅-0.306c₆-0.207c₇-0.184c₈-

0.115c₉-0.235c₁₀-0.192c₁₁-0.241c₁₂,

X₃=0.253c₁-0.490c₂-0.349c₃+0.366c₄+

0.141c₅+0.396c₆+0.085c₇+0.035c₈-

0.055c₉+0.022c₁₀-0.134c₁₁-0.132c₁₂,

X₄=-0.516c₁+0.002c₂+0.198c₃+0.074c₄+

0.465c₅+0.245c₆-0.053c₇-0.082c₈-

0.106c₉-0.093₁₀+0.067c₁₁+0.046c₁₂,

X₅=0.273c₁-0.185c₂+0.098c₃-0.440c₄+

0.244c₅+0.132c₆-0.148c₇-0.059c₈-

0.036c₉-0.086₁₀+0.162c₁₁+0.113c₁₂,

X₆=0.093c₁+0.246c₂+0.134c₃-0.104c₄-

0.233c₅+0.440c₆+0.025c₇-0.098c₈+

0.058c₉-0.096₁₀-0.180c₁₁-0.170c₁₂ (2)

将标准化后的评价样本数据代入式(2)得到主成分X₁, X₂, …, X₆的样本数据, 即BP神经网络模型输入, 见表4.由1.3节中所述, 调查共得到192份有效数据, 本文选取其中180份作为BP神经网络模型训练样本, 12份作为模型检验样本.

表4 BP神经网络模型样本数据 Tab.4 Sample data of BP neural network model

2.2 BP神经网络建模

BP神经网络由输入层、输出层及隐含层组成.通过比较期望输出与实际输出之间的误差值达到模型的训练目的, 若训练样本的误差均达到允许范围, 则学习过程结束; 否则, 进行网络的反向传递, 修改网络之间的连接权重, 最后实现网络输出与期望输出误差最小.据调查^[11], 3层BP神经网络模型即可解决大部分评价问题, 过高的层数反而会影响模型的精度.因此, 本文采用3层神经网络模型求解进行网约车服务质量评价.

1)网络输入层即为6个主成分, 因此确定输入层节点为6; 2)网络输出关注每个样本最终的整体评价结果, 因此输出节点数设置为1; 3)学习函数选择.常用于BP神经网络模型的传递函数有logsig、tansig和purelin.研究表明^[12]:对于一个3层神经网络模型, 使用“ logsig+purelin” 作为传递函数就能对任意连续有界的函数进行模拟.因此, 本文选取logsig作为输入层及隐含层的传递函数, purelin作为隐含层及输出层的传递函数.Matlab中常用的训练函数有^[13]TRAINGLM, TRAINGDX, TRAINGDA, TRAINGD.为了选取合适的训练函数, 本文通过输入训练样本, 设定参数为:6个输入神经元、9个隐含神经元、1个输出神经元、最大训练次数为2 000次、训练精度为0.01, 比较不同算法的训练结果以选取最优的训练函数.如表5所示, 通过多次训练, TRAINGLM仅通过23次迭代精度达到0.009 938 6, 其无论在迭代效率或迭代精度上均优于其他函数, 因此, 选取TRAINGLM为BP神经网络的训练函数.

4)隐含层神经元数的计算还没有确定的公式, 大多采用理论推导和试错结合的方法选择的合适的节点数^[14], 在此基础上加上一个常量.具体如下:

①隐含层节点数范围确定.

$a = \frac{I + J}{2} \leq L \leq \sqrt[]{I + J} + c = b (3)$

式中:I表示输入层节点数; J输出层节点数; L表示隐含层节点数; c为1~10间的常数, 本文中I=6, J=1, 则通过计算可得L在4~12之间.

②试错比较.

$\begin{array}{l} \{\begin{array}{l} g_{1} = 0.618 \cdot (b - a) + a \\ g_{2} = 0.382 \cdot (b - a) + a \end{array} (4) \\ [a^{'}, b^{'}] = \{\begin{array}{l} [a, g_{1}], E (g_{1}) > E (g_{2}) \\ [g_{1}, b], E (g_{1}) < E (g_{2}) \\ [g_{1}, g_{2}], E (g_{1}) = E (g_{2}) \end{array} (5) \end{array}$

式中:E(g₁)、E(g₂)表示g₁、g₂的均方差.

③不断重复②中的步骤, 直到无法得到更小的g₁、g₂为止.最后选取

$\begin{array}{l} E (L) = \\ \min \{E (a), E (g_{1}), E (g_{2}), E (a^{'}), E (b^{'}), \dots\} (6) \end{array}$

L即为最终的理想隐含层节点数, 求解步骤结束.

表5 各训练函数训练效果对比 Tab.5 Performance comparison of different training function

如表6所示, 通过输入训练样本, 使用Matlab循环模式对网络进行训练, 设置最高训练的次数为2 000次, 目标精度设定为 0.01, 可得9个BP神经网络训练模型中, 当隐含层数为10时, 无论是在迭代效率或是训练精度中均优于其他网络, 因此确定隐含层节点数为10.

表6 不同隐含节点网络训练效率对比 Tab.6 Performance comparison of different hidden layer nodes network

2.3 训练结果

将180份训练样本输入构建好的BP神经网络拓扑结构, 由图2所示, 训练5步后, 网络训练精度达到0.0 073 438, 下降到目标值0.01.如图3所示, 网络训练输出结果曲线与期望输出曲线基本一致.

	Figure Option View Download New Window
	图2 训练精度曲线Fig.2 Precision curves of training

通过计算, 180份训练样本中网络输出与期望输出的误差在0.04%~4.79%之间, 训练结果较好.

	Figure Option View Download New Window
	图3 网络输出与期望输出对比Fig.3 Comparison of network output and expected output

2.4 模型仿真及结果分析

为探究模型的适应性, 对剩余12份检验样本进行仿真评价.对比表7中12份检验样本在不同评价模型下的结果可知, 3种评价模型中, 本文模型评价结果相对误差在0.01%~4.20%, 误差最小.12份样本中本文模型评价误差均小于SERVQUAL模型, 有效克服了SERVQUAL模型评价指标权重难以确定, 随着样本的增大误差增大的缺点^[15]; 同时, 本文模型在收敛速度及模型精度上均优于传统BP神经网络模型, 即进行主成分提取后的BP神经网络模型能提高传统BP神经网络模型的收敛效率, 降低由原有评价指标间的耦合性带来的对模型评价精度的影响, 使评价结果更为科学、可靠.

表7 不同模型评价结果 Tab.7 Evaluation results of different models

3 结论

1)从顾客满意度出发, 建立网约车服务质量评价指标体系.为消除指标间的耦合性, 利用主成分分析法将原有指标变为6个互不相关的综合指标.构建了合理的BP神经网络拓扑结构, 并利用调研数据对网约车服务质量进行评价分析.通过与传统BP神经网络模型及SERVQUAL模型对比可知, 本文构建模型能够有效提高传统BP神经网络模型的收敛效率及运算精度, 评价结果更为科学、可靠, 能为实际网约车服务质量评价提供有效依据.

2)我国的网约车监管制度在不同地区采取不同的管理措施, 而本文选取了来自全国各地网约车专家及用户对网约车服务质量的打分数据作为训练样本及检验样本, 忽略了政策影响下用户感知网约车服务质量的差异性对评价结果的影响, 下一步将对不同政策影响下的网约车服务质量进行评价分析.

The authors have declared that no competing interests exist.

参考文献

文献列表

[1]	侯登华. 网约车规制路径比较研究[J]. 北京科技大学学报(社会科学版), 2015, 31(6): 96-103. HOU Denghua. Legitimacy and supervision system of Internet private hire vehicles[J]. Journal of University of Science and Technology Beijing (Social Sciences Edition), 2015, 31(6): 96-103. (in Chinese) [本文引用:1]
[2]	薛志远. 网约车数量管制问题研究[J]. 理论与改革, 2016, 29(6): 108-114. XUE Zhiyuan. Research on regulating amount of internet private hire vehicles[J]. Theory and Reform, 2016, 29(6): 108-114. (in Chinese) [本文引用:1]
[3]	MOREIRA-MATIAS L, GAMA J, FERREIRA M, et al. A predictive model for the passenger demand on a taxi network[C] // IEEE Conference on Intelligent Transportation Systems, 2012: 1014-1019. [本文引用:1]
[4]	姚志刚. 客运出租汽车服务质量的重要度-绩效分析[J]. 交通运输系统工程与信息, 2011, 11(5): 181-186. YAO Zhigang. Importance-performance analysis of taxi service quality[J]. Journal of Transportation Systems Engineering and Information Technology, 2011, 11(5): 181-186. (in Chinese) [本文引用:1]
[5]	姚志刚, 裘爱红, 袁球明, 等. 城市出租汽车客运服务质量的乘客感知特性分析[J]. 长安大学学报(社会科学版), 2011, 13(2): 35-39. YAO Zhigang, QIU Aihong, YUAN Qiuming, et al. Characteristics of passengers’ perception of taxi service quality[J]. Journal of Chang’ an University (Social Science Edition), 2011, 13(2): 35-39. (in Chinese) [本文引用:1]
[6]	张绍阳, 焦红红, 赵文义, 等. 面向出行者的城市出租汽车服务水平评价体系及指标计算[J]. 中国公路学报, 2013, 26(5): 148-158. ZHANG Shaoyang, JIAO Honghong, ZHAO Wenyi, et al. Traveler-oriented service level evaluation system for urban taxis and its indexes calculation[J]. China Journal of Highway and Transport, 2013, 26(5): 148-158. (in Chinese) [本文引用:1]
[7]	任其亮, 王磊. 网约车服务质量评价研究[J]. 公路与汽运, 2017, 33(2): 44-49. RENG Qiliang, WANG Lei. Research on service quality evaluation of internet private hire vehicles[J]. Highways & Automotive Applications, 2017, 33(2): 44-49. (in Chinese) [本文引用:1]
[8]	李春丽. 顾客满意度指数测评研究[D]. 呼和浩特: 内蒙古工业大学, 2005. LI Chunli. A study of testing and assessing about customer satisfaction index[D]. Hohhut: Inner Mongolia University of Technology, 2005. (in Chinese) [本文引用:1]
[9]	罗志忠, 张丰焰. 主成分分析法在公路网节点重要度指标权重分析中的应用[J]. 交通运输系统工程与信息, 2005, 5(6): 78-81. LUO Zhizhong, ZHANG Fengyan. Application of principal component analysis method in calculating the weights of the indexes of the highway nodes’ importance[J]. Journal of Transportation Systems Engineering and Information Technology, 2005, 5(6): 78-81. (in Chinese) [本文引用:3]
[10]	聂昌成. 基于多元数据的出租车信息化服务质量评价研究[D]. 西安: 长安大学, 2016. NIE Changcheng. Research on evaluation of taxi informatization service quality based on multivariate data[D]. Xi’an: Chang’an University, 2016. (in Chinese) [本文引用:1]
[11]	王永骥, 涂键. 神经元网络控制[M]. 北京: 机械工程出版社, 1998. WANG Yongji, TU Jian. Neuron network control[M]. Beijing: Mechanical Engineering Press, 1998. (in Chinese) [本文引用:1]
[12]	张文鸽, 吴泽宁, 逯洪波. BP神经网络的改进及其应用[J]. 河南科学, 2003, 21(2): 2-6. ZHANG Wenge, WU Zening, LU Hongbo. Improvement and application to BP neural network[J]. HENAN Science, 2003, 21(2): 2-6. (in Chinese) [本文引用:1]
[13]	ROBERT L, JULES T, JACQUES L. Process modeling with neural networks using small experimental datasets[J]. Computers & Chemical Engineering, 1999, 23(9): 1167-1176. [本文引用:1]
[14]	杨国元, 史天运, 张秋亮. 基于BP神经网络的铁路客运服务质量评价研究[J]. 交通运输系统工程与信息, 2016, 16(5): 33-39. YANG Guoyuan, SHI Tianyun, ZHANG Qiuliang. Railway passenger service quality evaluation based on BP neural network[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(5): 33-39. (in Chinese) [本文引用:1]
[15]	李鹏. 服务质量评价SERVQUAL模型比较及其修正[J]. 统计与决策, 2007, 23(21): 33-35. LI Peng. Comparison and correction of service quality evaluation models[J]. Statistics & Decision, 2007, 23(21): 33-35. (in Chinese) [本文引用:1]

2015

0.0

... 然而,自网约车出现伊始,社会各界对其监管制度便存在较大争议,明确的网约车服务质量管理内涵难以形成,导致行业缺乏科学的管理体系和评价依据^[1] ...

2016

0.0

薛志远. 网约车数量管制问题研究[J]. 理论与改革, 2016, 29(6): 108-114.

XUE

Zhiyuan

. Research on regulating amount of internet private hire vehicles[J]. Theory and Reform, 2016, 29(6): 108-114. (in Chinese)

自《网络预约出租汽车经营服务管理暂行办法》于2016年7月颁布后,北上广深等地的实施细则征求意见稿也陆续出台。其中,应否对网约车进行数量管制成为争议焦点之一。评析数量管制的相关规定,反思传统出租车业实行数量管制后的实践效果,探究网约车数量管制的央地样态,有利于该问题的系统研究。而逐步取消数量管制,循序渐进改革,规制政府权力,适时启动立法后评估,转变治理理念,赋权企业与市场则将助益于网约车这一"互联网+出行"新业态的良性发展。

... Bruce Schaller讨论了出租车数量管制对其服务质量的影响,提出取消出租车数量管制会造成出租车质量和驾驶人员质量下降,进而导致出租车服务质量下降^[2] ...

2012

0.0

... 文献[3]根据波尔图的出租汽车数据提出了一种基于出租汽车网络的出租汽车乘客需求预测模型,从分析出租汽车乘客需求视角提出了提高出租车服务质量的策略 ...

2011

0.0

姚志刚. 客运出租汽车服务质量的重要度-绩效分析[J]. 交通运输系统工程与信息, 2011, 11(5): 181-186.

YAO

Zhigang

. Importance-performance analysis of taxi service quality[J]. Journal of Transportation Systems Engineering and Information Technology, 2011, 11(5): 181-186. (in Chinese)

为了明确客运出租汽车服务质量管理的重点,根据SERVPERF模型将客运出租汽车服务质量划分为22个构成要素.以杭州市为例进行乘客调查,采用区间估计法计算各服务质量构成要素的重要度和绩效均值及其置信区间,建立服务质量的重要度-绩效分析四象限矩阵,在95%置信水平下从12个构成要素中获得客运出租汽车服务质量重点改善的5方面内容.结果表明,客运出租汽车服务质量管理应从提高车辆档次、外观和加强安全设施配置转向改善车内卫生、治理驾驶员拒载绕道和规范驾驶员行为;采用区间估计修正传统重要度-绩效分析法,可减少问卷调查的统计误差,使客运出租汽车服务质量评价结果更加可信.

... 文献[4,5]以杭州出租车为研究对象,以有形性、保证性、可靠性和关怀性4个维度构建乘客服务质量评价指标体系,同时根据 SERVPERF 模型结合区间估计法建立了服务质量的重要度-绩效分析矩阵 ...

2011

0.0

姚志刚, 裘爱红, 袁球明, 等. 城市出租汽车客运服务质量的乘客感知特性分析[J]. 长安大学学报(社会科学版), 2011, 13(2): 35-39.

YAO

Zhigang

, QIU

Aihong

, YUAN

Qiuming

, et al. Characteristics of passengers’ perception of taxi service quality[J]. Journal of Chang’ an University (Social Science Edition), 2011, 13(2): 35-39. (in Chinese)

采用SERVPERF模型从可感知性、保证性、可靠性、响应性和关怀性5个维度度量客运出租汽车乘客的感知服务质量，通过计算各维度的重要程度和服务感知绩效值，发现服务感知绩效中保证性最好、响应性最差，重要程度评价中可靠性最高、关怀性最差。研究表明，出租汽车客运服务的可靠性是质量管理的重点、响应性是出租汽车客运服务质量管理的难点；同时，乘客个体特征与出租汽车服务质量之间的不显著相关表明出租汽车乘客的个性化服务需求不明显，这一结果为实施标准化的出租汽车客运服务提供了理论依据。

2013

0.0

张绍阳, 焦红红, 赵文义, 等. 面向出行者的城市出租汽车服务水平评价体系及指标计算[J]. 中国公路学报, 2013, 26(5): 148-158.

ZHANG

Shaoyang

, JIAO

Honghong

, ZHAO

Wenyi

, et al. Traveler-oriented service level evaluation system for urban taxis and its indexes calculation[J]. China Journal of Highway and Transport, 2013, 26(5): 148-158. (in Chinese)

Based on the analysis of the domestic and foreign researches on taxi service evaluation and the needs theory of Maslow, a hierarchical evaluation system oriented to travelers, including rapid taking, safe taking, comfortable taking and satisfactory taking, and their representative indexes were presented. The definitions of the indexes, such as average wait time (AWT) index for rapid taking, safe taking coefficient (STC) index for safe taking, comfortable service grade rate index for comfortable taking and satisfactory service grade rate index for satisfactory taking were given, as well as the service level classification methods based on the indexes. With the data in Urban Taxi Service and Management Information System, which was developed by the Ministry of Transport, the taxi taking process was abstracted into a queue model and the AWT was estimated based on stochastic service system. The results show that the service level evaluation system for urban taxis and indexes calculation can provide effective reference for urban taxis quantitative management.

在分析国内外出租汽车服务评价的基础上,基于马斯洛需求理论,从出行者角度出发,提出构建包含快速乘车、安全乘车、舒适乘车和满意乘车4个层次的城市出租汽车服务水平指标体系,并建立各层次对应的表征指标,分别为平均等待时间、出租汽车安全系数、舒适乘车服务等级比率和满意乘车服务等级比率,给出了指标的定义和基于指标的服务水平分级方法;利用交通运输部推行的“城市出租汽车服务管理信息系统”中的数据,采用随机服务系统理论,将出租汽车服务过程抽象为排队模型,实现了平均等待时间指标的自动推算,并进行了实例验证。结果表明:提出的出租汽车服务水平评价方法及计算指标能够为城市的出租汽车定量管理提供有效参考。

... 文献[6]在基于马斯洛需求理论的基础上,提出快速乘车、安全乘车、舒适乘车、满意乘车4个层面的城市出租车系统服务评价体系 ...

2017

0.0

任其亮, 王磊. 网约车服务质量评价研究[J]. 公路与汽运, 2017, 33(2): 44-49.

RENG

Qiliang

, WANG

Lei

. Research on service quality evaluation of internet private hire vehicles[J]. Highways & Automotive Applications, 2017, 33(2): 44-49. (in Chinese)

摘　要：服务质量是网约车平台公司生存发展的保证,优质的服务有利于网约车行业健康持续发展。为科学评价网约车服务质量,文中根据网约车的特点,基于乘客视角,从有形性、可靠性、响应性、保证性、移情性五方面构建网约车服务质量评价指标体系,应用SERVQUAL评价模型对重庆市网约车服务质量进行评价,并以此为依据提出了服务质量改进措施。

... 文献[7]根据网约车运营的特点,基于乘客视角从有形性、可靠性、响应性、保证性、移情性5方面构建了网约车服务质量评价指标体系,并应用SERVQUAL模型对网约车服务质量进行评价 ...

2005

0.0

李春丽. 顾客满意度指数测评研究[D]. 呼和浩特: 内蒙古工业大学, 2005.

Chunli

. A study of testing and assessing about customer satisfaction index[D]. Hohhut: Inner Mongolia University of Technology, 2005. (in Chinese)

在全球经济一体化、市场竞争日益激烈的今天,产品严重供大于求,消费者购买行为也日趋理性化,买方市场越来越占据着主导地位,企业的竞争方式也正在从产品竞争过渡到顾客满意的竞争,2000版质量体系标准强调以顾客为关注焦点,顾客满意已经成为新世纪的质量观。因此,客观、系统的测量顾客满意程度已经成为企业必须开展的重要工作之一。本文从四个部分进行了论述,首先,介绍了顾客满意度测评的研究背景、国内外研究现状及意义;其次,论述了顾客满意度的内涵、特性及理论模型,在此部分重点分析了顾客满意与顾客忠诚的关系,并指出它们之间的关系受各种约束条件(如竞争环境、转换成本、方便性等)的影响,根据约束条件的强弱,它们表现出完全无关、弱相关、相关、强相关关系;第三部分,详细介绍了国内外顾客满意度测评模型,并进行了对比分析,在总结现有模型优点及缺陷的基础上,提出了改进的模型;最后,对顾客满意度测评从信度检验、效度检验、常规控制图及灰色关联分析四个方面进行了探讨。

... 本文选取网约车服务的安全效度、时间效度、费用效度、可靠效度、移情性效度^[8]5个维度,构建网约车评价一级指标体系 ...

2005

0.0

罗志忠, 张丰焰. 主成分分析法在公路网节点重要度指标权重分析中的应用[J]. 交通运输系统工程与信息, 2005, 5(6): 78-81.

LUO

Zhizhong

, ZHANG

Fengyan

. Application of principal component analysis method in calculating the weights of the indexes of the highway nodes’ importance[J]. Journal of Transportation Systems Engineering and Information Technology, 2005, 5(6): 78-81. (in Chinese)

... 4 主成分提取为使评价结果更科学、可靠,根据主成分分析原理^[9],运用SPSS 20 ...

... 0对评价指标数据进行主成分分析,提取得到累计方差贡献率超过85%的前6个主成分^[9] ...

... 1 BP神经网络模型训练样本及检验样本确定由主成分分析原理^[9]可知,主成分X_i与原评价指标c₁,c₂,…,c₁₂之间的关系为 ...

2016

0.0

聂昌成. 基于多元数据的出租车信息化服务质量评价研究[D]. 西安: 长安大学, 2016.

NIE

Changcheng

. Research on evaluation of taxi informatization service quality based on multivariate data[D]. Xi’an: Chang’an University, 2016. (in Chinese)

随着社会的发展和科学技术水平的提高,生活信息化水平也逐步提高。信息化给我们的生活带来各种便利。出租车作为城市公共交通的重要补充,能够给人们出行带来极大的便利,但出租车行业自身存在的发展不规范问题给城市稳定发展带来了一定的隐患。随着信息化服务在出租车行业得到广泛应用,行业的整体服务质量得到了极大的提高。因此,对出租车信息化服务质量评价的研究非常必要且意义重大。本文从客户满意度的角度建立出租车信息化服务质量评价体系并构建BP神经网络评价模型。首先,通过对宁波市出租车行业发展程度及信息化水平进行调研和分析,了解涉及服务质量的相关客户群体以及信息化能够为行业发展带来的有效助力。然后,从客户满意的角度分析出租车信息化服务质量评价指标,并建立最终的评价模型和满意度调查方案。进一步地,通过比较分析选取基于LM优化算法的BP网络计算评价模型。同时对相关人员进行的满意度调查为模型计算提供了数据支持,以MATLAB2012为运行平台,对服务质量满意度进行训练及仿真,通过所得结果与预期结果之间的对比分析得出LM优化算法的BP神经网络能够很好地计算该模型的结论。最后,通过对数据的分析发现宁波市出租车信息化服务存在的一些问题,并提出一些建设性的意见来提高信息化的服务水平。

... 2 基于主成分分析BP神经网络模型BP神经网络模型优点在于可以处理大量数据且尤其适用于非线性问题^[10] ...

1998

0.0

... 据调查^[11],3层BP神经网络模型即可解决大部分评价问题,过高的层数反而会影响模型的精度 ...

2003

0.0

张文鸽, 吴泽宁, 逯洪波. BP神经网络的改进及其应用[J]. 河南科学, 2003, 21(2): 2-6.

ZHANG

Wenge

, WU

Zening

, LU

Hongbo

. Improvement and application to BP neural network[J]. HENAN Science, 2003, 21(2): 2-6. (in Chinese)

在分析BP神经网络建模步骤的基础上,针对BP神经网络某些不足,提出了几点改进措施。首先对原始数据进行了非线性规格化;其次,提出了记忆式初始权值和阀值;最后以确定性系数最大为依据进行参数优选,并将改进后的BP神经网络应用于需水量预测。结果表明,改进后的BP神经网络不仅提高了BP神经网络预测的精度,而且加快了BP网络运行时的收敛速度。

... 研究表明^[12]:对于一个3层神经网络模型,使用#cod#x0201c ...

1999

0.0

... Matlab中常用的训练函数有^[13]TRAINGLM,TRAINGDX,TRAINGDA,TRAINGD ...

2016

0.0

杨国元, 史天运, 张秋亮. 基于BP神经网络的铁路客运服务质量评价研究[J]. 交通运输系统工程与信息, 2016, 16(5): 33-39.

YANG

Guoyuan

, SHI

Tianyun

, ZHANG

Qiuliang

. Railway passenger service quality evaluation based on BP neural network[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(5): 33-39. (in Chinese)

摘　要：为了客观、准确地评价铁路客运服务质量,从旅客感知角度出发,构建了评价指标体系,建立了BP神经网络求解模型,提出了基于BP算法的铁路客运服务质量评价算法.通过对网络的训练,使得网络输出达到了期望的精度,满足了客运服务质量评价的要求.最后通过对铁路旅客的调查问卷实例,从均方误差、统计识别率方面进行了分析、仿真,对客运服务质量进行综合评价,并与模糊综合评价法进行了对比.实验结果表明,本文构建的评价指标体系科学、合理,提出的评价算法收敛速度快、误差小,评价结果能够有效地反映客运服务质量水平,为提高和改进铁路客运服务质量提供参考依据.

... 4)隐含层神经元数的计算还没有确定的公式,大多采用理论推导和试错结合的方法选择的合适的节点数^[14],在此基础上加上一个常量 ...

2007

0.0

李鹏. 服务质量评价SERVQUAL模型比较及其修正[J]. 统计与决策, 2007, 23(21): 33-35.

Peng

. Comparison and correction of service quality evaluation models[J]. Statistics & Decision, 2007, 23(21): 33-35. (in Chinese)

... 12份样本中本文模型评价误差均小于SERVQUAL模型,有效克服了SERVQUAL模型评价指标权重难以确定,随着样本的增大误差增大的缺点^[15] ...