基于貝葉斯網絡的公交停靠站服務質量改善策略研究

劉建榮

(華南理工大學土木與交通學院 廣州 510640)

0 引 言

隨著經濟的發展，我國城鎮化和機動化快速發展，城市越來越擁堵，根據高德地圖，2017年第一季度，我國已有28個城市的延時指數超過1.5.機動化的發展造成了交通擁堵、溫室效應、空氣污染等大量問題.為緩解此類問題，迫切需要發展公共交通.根據文獻[1]可知，乘客對于公共交通的滿意度與公交分擔率之間正相關，即乘客對公交滿意度的提升能夠促進公交分擔率的增長.作為公交系統的重要組成部分，公交站臺的滿意度對公交服務的整體滿意度有顯著影響[2]，而公交站臺的滿意度與公交站臺服務質量顯著相關[3-5].

由于服務的無形性、服務的生產與消費同時進行等特點，服務質量與有形的產品質量之間存在巨大的差異[6]，因此，盡管存在公交服務質量應該從乘客的主觀感知還是利用公交的客觀指標進行評價的爭論，從研究現狀來看，大部分關于站臺服務質量的研究基于乘客的主觀感知展開的.文獻[7-11]均是從乘客的主觀感知研究車站服務質量.此外，文獻[12-14]采用站點覆蓋率、等待時間等客觀指標研究站臺服務質量.從站點類型來看，大部分研究涉及到的是鐵路站點、地鐵站點，涉及到公交站點服務質量的文章極少.對于車站服務質量的影響因素，大部分研究認識應包括時間特性、環境、時間特性、安全性等特征.

總體而言，目前對于公共交通站點服務質量的研究存在以下幾個問題：①對于站點服務質量影響因素與公交站點滿意度的關系尚不明確，即不清楚滿意度的各個影響因素的權重；②服務質量影響因素眾多，為改進公交站點滿意度，應如何確定各個影響因素的優先次序，目前尚不明確.基于以上背景，本文基于貝葉斯網絡，對常規公交服務質量進行研究，以確定常規公交滿意度的各個影響因素對乘客滿意度的影響大小，在此基礎上，基于乘客評價，確定公交服務質量的改善策略.

1 貝葉斯網絡

貝葉斯網(Bayesian networks)將復雜的聯合概率分布分解為一系列相對簡單的模塊，從而大大降低概率推理的復雜性.作為標準樸素貝葉斯模型的改進樹擴展樸素貝葉斯模型(TAN)允許每一個預測變量除了依賴于目標變量之外，還依賴于其他預測變量，由此增加分類的準確度.在TAN模型中，聯合概率分布為

(1)

式中：屬性變量Ai的父節點π(Ai)不僅包括類別變量C，也可能包括其他屬性變量.

由于TAN模型不要求局部獨立假設成立，因此模型的分類效果一般比樸素貝葉斯網絡更好，能夠增加分類的準確性[15].

2 問卷設計

分析已有論文對于各種類型站點、停靠站的服務質量影響因素，結合公交停靠站的特點，本文將公交停靠站服務質量分為可達性、信息、時間、環境、投訴等幾大類，每一類中分別包含若干影響因素.具體見表1.

表1 公交停靠站服務質量影響因素

此外，為分析出行者的個人屬性對公交停靠站總體滿意度的影響，還調查了出行者的使用公交頻率、收入、出行目的、性別、對所要乘坐的公交線路熟悉與否、到達公交站點的方式、是否使用智能手機搜尋車輛信息、是否擁有私家車等基本信息.其中使用公交車頻率分為2次及以下/周、3次及以上/周兩種情形；出行目的分為回程、日常需要、娛樂、上班四種情形；收入以5 000元/月為界限，分為兩類；到達公交站方式分為：步行、自行車、公交、地鐵、其他等類型.調查于2017年5—7月進行，調查選擇在天氣良好的工作日，共調查得到有效樣本596份.

3 數據分析

3.1 影響因素相對權重分析

為分析表 1中所列的15個影響因素和出行者的個人屬性對出行者的影響，在貝葉斯網絡分析中，影響因素包括1～14和出行者的個人屬性.貝葉斯網絡采用TAN模型，參數學習方法中的，對于較小的數據集，存在模型過度擬合的風險以及出現大量零計數的可能性，因此，本文對小單元格計數進行貝葉斯調整，通過應用平滑來減少任何零計數以及不可靠的估計結果帶來的影響，從而解決過度擬合的風險等問題.通過TAN學習，得到模型的總體的總體正確率為81.04%，模型的整體擬合度較好.根據TAN模型分析，各影響因素的相對權重見表 2.其中相對權重為歸一化的權重，即各影響因素的相對權重之和為1.

表2 影響因素權重

注：使用公交出行的頻率，分為高頻率(3次/周及以上)和低頻率(2次/周及以下)；收入，分為低收入(5 000元/月以下)和中高收入(5 000元/月以上)；出行目的，分為回程、日常需要、娛樂、上班；職業，分為學生和工作群體；熟悉程度為是否熟悉所要乘坐的公交線路；方式為到達公交站臺的方式，分為步行、自行車、公交、地鐵、其他；APP為是否使用智能手機APP獲取實時信息；私家車為是否擁有私家車.

由表2可知，僅使用公交出行的頻率對公交站臺總體滿意度有較大影響.有鑒于此，有必要根據使用公交頻率，對出行者進行分類.針對高頻率公交使用者和低頻率公交使用者，分別利用貝葉斯網絡進行數據分析.對低頻率組和高頻率組出行者分別利用TAN進行數據分析，得到低頻率組、高頻率組的整體正確率分別為87.5%和83.5%，正確率高.低頻組和高頻組中各影響因素的相對權重見表 3.

表3 低頻率組和高頻率組影響因素相對權重對比

由表3可知，逆序表示影響因素的相對權重是從大到小排列，即1表示相對權重最大.根據表3數據，對于低頻率組乘客而言，最重要的4個影響因素分別是 12(擋雨、遮陽設施、座位等設施)、 6(等車時間)、 7(可靠性)和 1(站臺周邊步行環境)；對于高頻率而言，最重要的4個影響因素是 13(站臺安全)、 9(站臺噪聲)、 8 (換乘便捷性)、 4 (公交車到達實時信息).從相對權重來看，低頻率組和高頻率組對于站臺影響因素權重的評價有較大不同.

3.2 影響因素滿意度分析

為分析公交乘客對于1～14的每一個影響因子的評價，對于低頻組和高頻組，分別計算每一個影響因子的平均滿意度，具體見表 4.

表4 影響因素滿意度

由表 4可知，順序表示滿意度按從小到大順序排列.低頻率組最不滿意的4個影響因素依次是：4(公交車到達實時信息)、9(站臺噪聲)、14(投訴系統)、6(等車時間).高頻組與低頻組類似，也是對這4個影響因素最不滿意.

3.3 IPA模型

為綜合分析應如何改善共享自行車服務質量，應綜合考慮服務質量中各影響因子的權重以及滿意度.根據表 3～表4的相關數據可知，權重的變化范圍為0～0.11，而影響因子滿意度從2.5～3.8，二者的范圍差異較大.為此，為消除數據變化范圍導致的差異，需要對二者進行歸一化處理.在不滿意度歸一化及相對權重歸一化的基礎上，建立綜合考慮滿意度及權重的IPA(importance performance analysis)模型：

(2)

式中：IPi為第i個影響因子的綜合評價指數；Si為第i個影響因子的平均滿意度.

由式(2)可知，綜合評價指數即考慮了權重，也考慮了不滿意度，而且消除了權重和不滿意度量綱的影響.IPi的數值越大，表明使用者認為影響因子i越重要，或者對影響因子i越不滿意.綜合表 3～4的數據以及式(2)，可以得到低頻率組、高頻率組和樣本整體的IP值見表 5.

表5 影響因素IP值對比

由表5可知，IP逆序是指IP按從大到小順序排序，順序越靠前，表明越需要改進.對于低頻率組，最需要改進的6個影響因素分別是： 12(擋雨、遮陽設施、座位等設施)、 6(等車時間)、 4(公交車到達實時信息)、 7(可靠性)、 1(站臺周邊步行環境)、 13(站臺安全)；而對于高頻率組而言，最需要改進的6個因素分別是： 9(站臺噪聲)、 13(站臺安全)、 4(公交車到達實時信息)、 8(換乘地鐵便捷性)、 14(投訴系統)、 12(擋雨、遮陽設施、座位等設施).

低頻率組乘客與高頻率組乘客均認為擋雨、遮陽設施、座位等設施、公交車到達實時信息、站臺安全需要改進，因此在提高公交服務質量中，應首先關注站點實時信息板的安裝、遮陽擋雨棚的安裝、座位的安裝以及改善公交站臺的安全性，如不能將站臺與機動車道設置于同一水平面，站臺寬度應當得到保證等.此外，低頻率組與高頻率組對公交滿意度影響因素的關注重點也有部分不同，低頻率組乘客認為等車時間、可靠性、站臺周邊步行環境需要改進.高頻率組認為站臺噪聲、換乘地鐵便捷性、投訴系統需要改進.鑒于站臺噪聲、換乘地鐵便捷性一般較難改善，因此著眼于改善公交的投訴系統.

4 結 束 語

本文利用貝葉斯網絡研究了公交站臺滿意度的影響因素，根據分析發現出行者使用公交頻率對公交站臺滿意度有較大影響.為此，將出行者分為低頻率組與高頻率組，分別分析兩個群組的公交站臺影響因素的權重及滿意度.分析發現，對于低頻率組乘客而言，最重要的4個影響因素分別是擋雨、遮陽設施、座位等設施、等車時間、可靠性、站臺周邊步行環境；對于高頻率而言，最重要的4個影響因素是站臺安全、站臺噪聲、換乘便捷性、公交車到達實時信息.而兩個群組均對公交車到達實時信息、站臺噪聲、投訴系統、等車時間最不滿意.基于影響因素的權重以及滿意度，本文建立了IPA模型，通過IPA模型發現，在公交服務滿意度的改善中，應優先改善擋雨、遮陽設施、座位等設施、公交車到達實時信息、站臺安全.

本文主要利用調查地點為廣州市中心區，調查時間為天氣良好的工作日.由于廣州地處華南地區，高溫多雨天氣所占比例較大，因此在未來的研究中，可考慮分析不利天氣情況下，出行者滿意度的影響因素對滿意度的影響，并與天氣良好情況下進行對比分析，以提高不利天氣情況下，出行者的使用公家的滿意度.