基于乘客感知的城市軌道交通客運服務質量綜合評價

樊茜琪 蒲 琪 尹聰聰

（同濟大學鐵道與城市軌道交通研究院，201804，上海∥第一作者，碩士研究生）

隨著經濟的快速發展，城市軌道交通運營里程和客流量的迅速增長，乘客對舒適、經濟、快速的要求也不斷提高。運營商們為了提高競爭力，在保證運營安全的同時也更加重視乘客的出行體驗。基于乘客感知的城市軌道交通客運服務水平，是客運服務質量評價中至關重要的一環，同時也是提高客運服務質量的重要依據。城市軌道交通客運服務質量評價，按評價主體可分為三類——服務企業自評價，社會評價（第三方評價），乘客評價［1－2］。其中，乘客評價是從乘客的主觀感受出發，以乘客體驗為中心的滿意度評價。

1 服務質量和乘客滿意度

服務質量是指服務工作能夠滿足被服務者需求的程度。乘客滿意度是乘客的需求被滿足后的愉悅感，是乘客對產品或服務的事前期望與實際使用產品或服務后所得到實際感受的相對關系。隨著顧客導向服務質量的興起，管理者認識到，從乘客角度評價服務質量，提出符合乘客需求的管理措施，才能真正提高城市公交的服務質量和乘客滿意度。

對于乘客滿意度與服務質量之間的關系，現有研究結果不一。有些研究者認為服務質量的概念大于乘客滿意度，乘客滿意度只是服務質量內涵中的一個子維度；有些研究者［3］認為，服務質量與乘客滿意度這兩個概念不可直接等同，但可用轉化公式轉換。

本文認為：服務質量和乘客滿意度是兩個概念，但又直接相關。服務質量包含與乘客感受相關的服務和運營方服務管理水平、服務提供能力等方面，乘客滿意度涉及乘客關注的所有方面包括客運服務質量和運營方公眾形象等內容；衡量服務質量與乘客滿意度的評價指標相互滲透重疊，形成基于乘客感知的服務質量，如圖1所示。

圖1 服務質量與乘客滿意度的關系圖

2 基于乘客感知的服務質量評價指標體系

在進行基于乘客感知的城市軌道交通客運服務質量指標的篩選和制定時，著重從乘客感知出發，并依據城市軌道交通客運服務內容，綜合考慮乘客和城市軌道交通環境、乘客和服務人員之間的交互作用。對比既有文獻中對于客運服務評價指標體系的研究結果，結合實際情況來確定適合考量我國城市軌道交通客運服務質量水平的評價指標［4］。

基于乘客感知的城市軌道交通客運服務質量指標體系如表1所示。

表1 城市軌道交通客運服務乘客滿意度評價指標

3 基于乘客感知的服務質量綜合評價

3.1 調查問卷的設計與調查

鑒于現有的服務質量綜合評價各指標權重的主觀性，考慮以乘客感知的指標內容為核心，進行了兩項調查問卷：城市軌道交通客運服務評價指標重要度調查和客運服務質量滿意度調查。其中，城市軌道交通客運服務評價指標重要度調查，是通過調查乘客的主觀乘車感受和對客運服務的理解，來得到他們對服務質量評價指標重要度的判斷結果。

問卷內容分為兩部分：第一部分是指標判定部分，在乘客感知的城市軌道交通客運服務質量評價指標的基礎上，以第三層指標作為調查項目，采用李克特5級量表讓被調查者對其重要程度和滿意度分別做出判斷；第二部分是乘客信息，包括性別、年齡、受教育程度、月收入、乘坐頻率、出行目的、職業等，便于對樣本構成進行分析。另外，根據問卷設計應該滿足信度檢驗要求，第一部分指標判定部分共分為兩級，第一級為第三層指標，第二級為第二層指標。其中第二級指標結合權重對問卷進行信度檢驗。經檢驗，問卷信度在可接受范圍（即克朗巴哈系數克朗巴哈系數是目前估計李克特量表信度系數最常用的檢驗方法.在0.8～0.9的范圍內）。

3.2 綜合評價模型的建立

目前，乘客滿意度評價多采用多元回歸分析、模糊綜合評價和灰色關聯分析等方法。然而，實際中不同出行頻率和出行目的的乘客對服務質量的感知存在著個體差異，難以用統一標準來衡量不同出行需求乘客的滿意度。因此這些模型和方法不能解決評價過程中存在的評價者認知的主觀不確定性和模糊性問題。

人工神經網絡具有學習的能力，可以經過訓練來處理復雜的信息關系。將服務質量評價的中下層元素的已知狀態作為神經網絡的輸入，而將相應條件下乘客對上一層元素性態的綜合評價結果作為期望輸出時，網絡在訓練中為降低其輸出與期望輸出間的誤差而不斷地調整各通路的權值和各神經元的閾值，最后可使誤差小于規定的限值。這時經過訓練的網絡在其輸入輸出的映射中，吸收了學習樣本中的評價者思維，實現了給定的學習樣本的輸入輸出映射關系［5］。人工神經網絡還具備評價方法的規范性、較高的抗噪聲干擾能力和容錯性，以及一定的自組織、自適應性，具有較高的求解效率，表現出多種優越性能，因此這一方法為服務質量綜合評價提供了新的技術途徑。

基于BP（按誤差逆傳播算法訓練的多層前饋網絡）神經網絡的乘客滿意度評價模型，是將規范化處理的滿意度評價指標屬性值作為BP神經網絡的輸入向量，評價結果作為輸出。網絡訓練得到評估者的知識、經驗、主觀判斷，以及指標重要性的足夠樣本。受過訓練的BP神經網絡可以得到乘客滿意度的評價結果。它實現了評價內容定性和定量的有效結合，并確保評價結果的客觀性和一致性。

建立BP神經網絡綜合評價模型的流程如圖2所示。

圖2 BP神經網絡綜合評價模型流程圖

基于以上建立的模型，可以借助MATLAB神經網絡工具箱對調查結果進行訓練和測試。

3.3 上海市城市軌道交通服務質量的綜合評價實例

本文以上海市城市軌道交通服務質量調查為例，結合指標體系，建立了一個包含一個隱藏層的神經網絡模型。調查共回收有效問卷240份，其中訓練樣本208個，測試樣本32個。

3.3.1 確定輸入神經元

輸入層描述了影響城市軌道交通服務質量的指標。本文選擇基于乘客感知的服務質量評價指標體系中的第三層指標作為輸入層神經元。共計37項指標，故輸入神經元的個數為37個。在輸入具體數據前，先將輸入數據歸一化。在本文中將分值數據歸一化為0—1之間的數據，故輸入層為一個37×208的矩陣。

3.3.2 確定隱藏層神經元個數

隱藏層是內部信息處理層，負責信息變換。根據信息變化能力的需求，隱藏層可以設計為單隱藏層或者多隱藏層結構。每個隱藏層節點有一些權重，每個權重是一個增強網絡映射能力的參數。如果隱藏層節點缺乏數字，它將不能很好地反映樣本規則；如果它有過多數字，它會記住無序化規則，增加訓練時間。

隱藏層節點的數目一般是通過反復試驗得到。根據經驗公式，即（其中m為隱藏層神經元個數，n為輸入層個數，l為輸出層個數，α為1～10之間的常數）［6］得到隱藏層節點的個數為7。

3.3.3 確定輸出神經元

輸出層輸出的是系統的目標。服務質量評價的輸出結果只有1個，即綜合評價值，故輸出層的神經元只有1個。而訓練時輸出的目標函數值可以根據信度檢驗的有效性，可采用以乘客重要度調查結果，將指標權重線性加權處理后作為各個獨立樣本的目標值。

建立的BP神經網絡結構如圖3所示。

圖3 BP神經網絡結構圖

3.3.4 訓練神經元

在本文的模型中，選擇的學習函數為梯度下降動量函數（LEARNGDM），訓練函數為誤差達到目標要求的優化函數（TRAINLM）［7－9］，性能函數為均方誤差函數（MSE），隱藏層神經元采用的傳遞函數為S型的正切函數（TANSIG），輸出的神經元使用的傳遞函數為S函數（SIGMOD）。一旦訓練得到最大訓練次數或網絡誤差低于預期，則流程結束任務。

根據以上確定的傳遞函數，則本文使用從輸入到輸出的權重迭代計算方法如下：

或

非物質文化遺產蘊藏了豐富多彩的原生態民俗文化，是提供多元化具有文化歷史價值藝術的寶庫，維護了世界文化的多樣性，對于傳統文化的傳承有著不可或缺的作用。此外，非物質文化遺產所具有的取之不盡的藝術元素，啟示著現代民間藝術的創作，激發了現代藝術的發展與創新，維系了人類藝術的創造力，對促進社會的可持續發展起著源流性的作用。

式中：

l——BP神經網絡的層數（輸入層不算做第一層，第一隱藏層作為第一層）；

P——迭代的次數

αl－1，p（j）——第l－1層第j個神經元第p 次迭代輸出的結果，其中α0（j）表示初始輸入的數據；

ul，p（i）——第l層第i個神經元第p 次迭代時所接收的信息；

Wl，p（i，j）——從第l－1層第j個神經元到第l層第i個神經元的權重；

τ——學習的速率；

f（x）——傳遞函數；

ti——輸出中第i個神經元輸出的目標值。

本文中最大訓練次數為1 000次，訓練精度為0.002，學習速率為0.05。訓練結果如圖4所示。

圖4 BP神經網絡訓練誤差梯度變化

3.3.5 測試神經元

導入訓練好的神經網絡，并導入待測試的數據，最終得到測試結果如圖5所示。

圖5 測試結果與目標對比

訓練誤差的均值為0.005 5，測試結果和目標結果之間的誤差均值為0.001 9，達到了精度要求，證明了用該方法來衡量不同出行目的不同出行頻次乘客的滿意度具有可行性。

3.3.6 評價結果的分析

本文中測試樣本共32個，將其導入后計算的仿真結果和目標結果如表2所示。根據以上典型測試結果，可以看出上海市城市軌道交通服務質量的總體滿意度約為0.718。按照《城市公共汽電車客運服務》乘客滿意度分級，上海市基于乘客感知的城市軌道交通客運服務質量滿意度為合格。

表2 BP神經網絡綜合評價訓練結果

通過對訓練指標權重的分析，得出在基于乘客感知的各項指標中，影響服務質量滿意度的前7項指標如表3所示。

表3 影響綜合評價值的7項重要指標

由此分析可以看出，要提高基于乘客感知的服務質量，應該在安全運營的前提下，提高表3中7個指標的服務質量，以保障這些指標涉及的工作內容具有較高的服務水平。

4 結語

基于乘客感知的城市軌道交通服務質量評價對提高服務質量具有重要的意義。基于該指標體系借助BP神經網絡對乘客滿意度進行了綜合評價，以上海市軌道交通服務質量綜合評價為例驗證了該方法的可行性，并且分析得出了提高服務質量的7項關鍵指標。該方法同樣適用于不同出行目的或出行頻次的分類單項評價。對于受干擾（數據噪聲）較大的數據，該方法更能體現出其優越性。

［1］陸衛，張寧，陳暉，等.城市軌道交通出行者信息服務水平評價［J］.城市軌道交通研究，2010（3）：31.

［2］劉正，李衛軍.淺談重要度在城市軌道交通服務評價中的應用［J］.現代城市軌道交通，2010（2）：53.

［3］武慧榮，崔淑華，張海松.基于乘客感知的城市公交服務質量評價研究［J］.重慶交通大學學報：自然科學版，2012（5）：1027.

［4］尹聰聰.基于乘客感知的城市軌道交通客運服務質量評價指標研究［D］.上海：同濟大學，2013.

［5］吳云芳，李珍照，徐帆.BP神經網絡在大壩安全綜合評價中的應用［J］.河海大學學報：自然科學版，2003（1）：35.

［6］Lei S A.Evaluation model of passenger satisfaction degree of service quality for urban rail transit［C］∥International Conference of Chinese Transportation Professionals.Beijing：Beijing University of Technology，2010：1464.

［7］Wei H.Design theory and method of neural network structure［M］.National Defense Industry Press，2005.

［8］Wu R.Evaluation model of satisfaction degree for urban public transit service［J］.Journal of Traffic and Transportation Engineering，2009（4）：65.

［9］Zhang Q.Comprehensive evaluation of the degree of railway passenger satisfaction based on fuzzy factors［J］.Journal of the China Railway Society，Feb.2006（4）：22.