基于BP神經(jīng)網(wǎng)絡的網(wǎng)約車服務質量研究

中圖分類號：F572 文獻標志碼：A DOI： 10.13714/j.cnki.1002-3100.2025.12.014

Abstract：Toexplorethekeyfactorsafecting thequalityofonlineride-haiingservices，aBPneuralnetworkisusedto construct anonlineride-hailing servicequality model.The paperuses MIVtoanalyzetheimportanceof influencing factorsand appliesK-meansclusteringmethodtoanalyzetheheterogeneityofonlineride-hailingpassengers.Theresultsindicatethat factorssuchasdriversatisfaction，travelcosts，traveltime，operatingtimerange，andtraficsafetyplayakeyoleintheoeall servicesatisfactionofonlineride-halingservices，andthecorrespondingcountermeasuresareproposedbasedontheimportance of above-mentionedfactors.Usingpassngergender，age，averagemonthlyhouseholdincome，andfrequencyofonlineridehailing usageasclusteringvariables，fourdiferentcharacteristicsofolieridehailingpasengergroupsareidentified.Thepaperprovides a theoretical basis and practical guidance for improving the quality of online ride-hailing services.

Key Words： online ride-hailing; service quality; BP neural network; MIV; K-means

0引言

隨著Uber、Lyft、滴滴出行、Grab各種網(wǎng)約車平臺的興起，網(wǎng)約車逐漸成為人們日常出行的重要組成部分。截至2024年6月，中國網(wǎng)約車用戶規(guī)模達5.03億人，占網(wǎng)民整體的 45.7%^[1] 。憑借其舒適、快捷、方便和安全的特點，網(wǎng)約車彌補了公共交通的不足，迅速在全球范圍內普及，并成為許多市民出行的首選方式。雖然網(wǎng)約車具有技術創(chuàng)新、用戶體驗和運營效率方面的優(yōu)勢，但是隨著交通市場競爭的加劇，網(wǎng)約車平臺需要不斷提升網(wǎng)約車服務質量，才能保持持續(xù)的競爭力，吸引并留住新老用戶[2]?？茖W系統(tǒng)地對網(wǎng)約車服務進行評價，有助于了解服務質量現(xiàn)狀，發(fā)現(xiàn)服務過程不足，進而采取有效措施促進網(wǎng)約車服務質量的提升。因此研究并探討如何提高網(wǎng)約車的服務質量，對于網(wǎng)約車行業(yè)的健康發(fā)展，優(yōu)化城市公共交通服務，提高乘客滿意度具有重要的理論與現(xiàn)實意義。

以往網(wǎng)約車服務質量研究主要采用計量經(jīng)濟學方法。任其亮等運用SERVQUAL評價模型對重慶市的網(wǎng)約車服務水平進行評價，并以此為依據(jù)提出了服務質量改進措施。Kumar et al4通過結構方程模型（Structural Equation Modellng，SEM）探究了發(fā)展中國家網(wǎng)約車服務質量如何影響乘客的行為與態(tài)度。楚金橋等采用SEM和因子分析法相結合，探索了乘客忠誠度與網(wǎng)約車服務質量之間相互作用關系。

以上這些計量經(jīng)濟學模型是以因變量和自變量之間預先建立關系為條件，并伴隨著樣本服從正態(tài)分布、變量之間的線性關系等假設。同時應該注意到，在乘客滿意度研究的背景下，這些假設不一定得到滿足。因此，機器學習成為解決此類問題的有效方法之一。Ruiz et al.使用四種不同的機器學習模型對公共交通的服務質量進行評價，驗證機器學習模型在公共交通服務質量評價方面的性能，為公共交通服務質量滿意度領域的方法論進步做出貢獻。Peng et al.8通過將服務利潤鏈（Service Profit Chain，SPC）與流程鏈網(wǎng)絡（Process Chain Network，PCN）相結合，構建一種新型的SPC-PCN網(wǎng)約車服務系統(tǒng)對網(wǎng)約車的服務質量進行優(yōu)化。本文使用機器學習方法中的反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡進行網(wǎng)約車服務質量模型的構建，利用平均影響值（Mean ImpactValue，MIV）方法分析輸出指標變量的重要性。引人K-means聚類方法，識別網(wǎng)約車乘客群體的異質性。通過三種方法的結合，可以準確評估網(wǎng)約車的服務質量，提供針對性的改進建議，細分不同類型的乘客群體，未來為網(wǎng)約車不同群體設計更有針對性的服務政策提供研究依據(jù)。

1研究方法

1.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種基于誤差反向傳播算法的人工神經(jīng)網(wǎng)絡模型，已成為應用最廣泛的神經(jīng)網(wǎng)絡模型之一。它具有信息正向傳遞、誤差反向傳播、自動適應調整權值以達到訓練精度的優(yōu)點。BP神經(jīng)網(wǎng)絡通常由輸入層、輸出層和隱含層構成，層與層之間的神經(jīng)元采用全互連的連接方式，每層內的神經(jīng)元之間不連接，具有良好的非線性和靈活性，可以學習和存儲大量的輸入輸出模式的映射關系，而無需描述映射關系的數(shù)學方程[]。本文利用MATLAB實現(xiàn)BP神經(jīng)網(wǎng)絡的具體過程如下。

1.1.1選擇網(wǎng)絡傳遞函數(shù)與訓練函數(shù)

選擇隱含層的傳遞函數(shù)為tansig函數(shù)，輸出層的傳遞函數(shù)為purelin函數(shù)。選擇迭代效率最高的 trainglm 函數(shù)作為BP神經(jīng)網(wǎng)絡的訓練函數(shù)。

1.1.2設置訓練參數(shù)

最大訓練次數(shù)設為 1 000 次，目標最小均方誤差為 1×10^-6 ，最小允許梯度值為 1×10^-6 ，學習速率為0.1，訓練動量因子為0.01，最高失敗次數(shù)為6次。

1.1.3確定隱含層神經(jīng)元數(shù)目

隱含層神經(jīng)元個數(shù)的選擇是人工神經(jīng)網(wǎng)絡設計中最為關鍵的步驟，它直接影響網(wǎng)絡的映射能力。多數(shù)情況下在利用經(jīng)驗公式的前提下采用試湊法。

m=log₂n

式中： m 為BP神經(jīng)網(wǎng)絡中隱含層神經(jīng)元的個數(shù)； n 為 BP 神經(jīng)網(wǎng)絡中輸入層神經(jīng)元的個數(shù)； l 為 BP 神經(jīng)網(wǎng)絡輸出層神經(jīng)元個數(shù)； α 為1～10之間的常數(shù)；k為樣本數(shù)； i 為[0， n] 之間的常數(shù)。

利用公式（1）一（3）計算出隱含層神經(jīng)元的數(shù)目在5～14之間。通過模型迭代，當隱含層神經(jīng)元數(shù)目為10時，誤差達到最小。因此確定隱含層神經(jīng)元數(shù)目為 10 □

1.2 MIV方法

在神經(jīng)網(wǎng)絡中，MIV這一指標最能準確反映變量之間的關系。該方法可用于評估輸入神經(jīng)元對輸出神經(jīng)元的重要性[]MIV方法的具體實現(xiàn)過程如下。a.神經(jīng)網(wǎng)絡訓練終止后，訓練樣本 x 在其原值的基礎上分別加和減 10% ，構成兩個新的訓練樣本 Q₁ ， Q_2^° b. Q₁ ， Q₂ 分別作為仿真用樣本，利用訓練好的網(wǎng)絡進行仿真，得到兩個仿真結果 A₁ ， A_2^° （204號c. E=A₁-A₂ ，即為變動自變量后對輸出結果產(chǎn)生的影響變化值。將E按照樣本的個數(shù)進行平均，即為 MIV 。

2調查設計與數(shù)據(jù)分析

本研究所用數(shù)據(jù)來源于網(wǎng)約車乘客的利用情況調查。調查采用面對面的方式，在大連市主要商圈收集了1117個樣本，經(jīng)過數(shù)據(jù)處理，最終篩選出900個有效樣本。本研究所用內容來自問卷中乘客對網(wǎng)約車各方面的服務質量滿意度評價部分，具體包括了出行費用、出行時間、車內環(huán)境、交通安全、人身安全、信息安全、營運時間范圍、營運地域范圍、空氣污染、噪聲污染、交通擁堵以及司機滿意度12個指標變量，以及網(wǎng)約車總體服務滿意度。這些變量均采用5點李克特量表進行測量，其中1代表“非常不滿意”，5代表“非常滿意”。

3模型結果與分析

3.1BP神經(jīng)網(wǎng)絡模型

12個網(wǎng)約車服務指標變量作為BP神經(jīng)網(wǎng)絡的輸入變量，網(wǎng)約車總體服務滿意度作為輸出變量，以 90：10 的比例劃分訓練集和測試集，進行BP神經(jīng)網(wǎng)絡模型的訓練。BP神經(jīng)網(wǎng)絡模型誤差分析結果中，平均絕對誤差為0.450，均方誤差為0.431，均方根誤差為0.657，平均絕對百分比誤差為 14.26% 。

3.2基于MIV的網(wǎng)約車服務政策分析

在上述BP神經(jīng)網(wǎng)絡訓練模型中進行MIV影響因子（指標變量）權重分析，得到如圖1所示的網(wǎng)約車服務質量指標變量權重排序。其中，“司機滿意度”“出行費用”“出行時間”的權重值最高，在 0.145～0.167 之間，是影響網(wǎng)約車總體服務滿意度的關鍵指標。從網(wǎng)約車總體服務滿意度角度，研究發(fā)現(xiàn)網(wǎng)約車乘客對司機服務質量高度關注。司機的服務態(tài)度和專業(yè)性直接影響乘客的乘車體驗。因此，網(wǎng)約車平臺應加強對司機的培訓和激勵，提升司機的服務意識和專業(yè)技能，以提高乘客的滿意度。出行費用也是乘客評價網(wǎng)約車服務質量時考慮的重要因素之一。網(wǎng)約車平臺應通過合理的定價策略和動態(tài)定價機制，確保價格的公平性和透明度，同時提供多樣化的優(yōu)惠和促銷活動，以提升乘客對網(wǎng)約車的滿意度，從而達到吸引和保留新老用戶的目的。出行時間直接影響乘客的出行效率和出行滿意度。網(wǎng)約車平臺應通過優(yōu)化調度系統(tǒng)和路線規(guī)劃，減少乘客的等待時間和行程時間，提高出行效率。

“營運時間范圍”“交通安全”“營運地域范圍”在MIV影響因子權重分析中也占據(jù)較大的比重。營運時間范圍的擴大有助于滿足乘客的多樣化出行需求，特別是在夜間或節(jié)假日等特殊時段。交通安全的重要性是網(wǎng)約車服務的基本要求，可能由于當前廣泛運營“單證”網(wǎng)約車等原因，乘客比較關注網(wǎng)約車的交通安全性。加強網(wǎng)約車交通安全管理，降低交通事故發(fā)生率，是提升服務質量的重要保障。網(wǎng)約車營運地域的廣泛性是對公共交通網(wǎng)絡覆蓋的重要補充，居中的影響因子權重也印證了這一點。

“噪聲污染”“空氣污染”“信息安全”在MIV影響因子權重分析中相對較小。噪聲和空氣污染主要指網(wǎng)約車對外部環(huán)境的影響，可以看出乘客從環(huán)境意識角度對網(wǎng)約車的外部影響有一定關注。隨著網(wǎng)約車的廣泛使用，信息安全問題日益凸顯。保護乘客個人信息，防止信息泄露，也逐漸成為提升服務質量的關注點。

4K-means聚類分析

單一的服務質量提升策略很難滿足廣大乘客的個性化出行需求。不同類型的用戶群體可能因其不同的社會經(jīng)濟屬性、出行偏好等對網(wǎng)約車有不同的服務需求。本節(jié)采用K-means聚類分析方法識別網(wǎng)約車用戶中可能存在的異質性群體，為未來不同網(wǎng)約車乘客群體的服務政策制定與執(zhí)行提供基礎。

選取性別、年齡、家庭平均月收入和網(wǎng)約車使用頻率作為分類變量，取 K=4 對網(wǎng)約車數(shù)據(jù)進行聚類分析，得到4個具有明顯特征的聚類結果。乘客群體劃分以網(wǎng)約車使用頻率的低頻和高頻兩類網(wǎng)約車用戶為主，其中低頻群體以性別和家庭平均月收人進一步細分為兩類群體，分別為聚類1和聚類2；高頻群體以家庭平均月收入進一步細分為兩類群體，分別為聚類3和聚類4。所選分類變量的描述性統(tǒng)計分析如表1所示，聚類后各群體占比如圖2所示。

聚類1代表了大約每月使用網(wǎng)約車 1～2 次的男性乘客群體，這類群體年齡在 21～30 歲之間，家庭平均月收入水平在 11 000～13 000 元之間。調查結果顯示這類群體中的已婚人士占比 52.8% ，有車個體占比 69.2% 。這一群體在出行時可能更傾向于使用私家車或其他交通方式，網(wǎng)約車可能只是一種偶爾的出行選擇。

聚類2代表每月乘坐1～2次網(wǎng)約車的女性乘客群體，這類群體年齡在 21～30 羅之間，家庭平均月收入水平較低，在5000～7000元之間。調查結果顯示這類群體以學生為主，占比42.1% ， 61.2% 的個體家庭中沒有私家車。通常女性相較于男性更注重安全性和經(jīng)濟性，這類群體在出行時可能更傾向于使用公共交通、步行、自行車等交通方式，網(wǎng)約車可能是一種有益的補充。

聚類3代表每周乘坐3～4次網(wǎng)約車的男性乘客群體，這類群體年齡在 21～30 歲之間，家庭平均月收入在 5000～7000 元之間。此群體未婚比例高達 77.3% ，無車個體占比 61.1% ，側面顯示出以年輕未婚男性為主的群體在考慮出行方式時可能更注重出行效率，更加依賴于網(wǎng)約？

聚類4代表每周乘坐3～4次網(wǎng)約車的男性乘客群體，年齡在21～30歲之間，家庭平均月收入在 11 000～13 000 元之間。此群體未婚個體占比 58.7% ，有車個體占比 59.9% 。這類收人相對較高群體可能對私家車和網(wǎng)約車都有較高需求，相對于大運量公共交通，網(wǎng)約車可以作為這類群體的高品質多元化的出行選擇。

5結論

本研究采用BP神經(jīng)網(wǎng)絡構建了網(wǎng)約車服務質量模型，結合MIV方法對網(wǎng)約車服務質量影響因素重要性進行分析，并利用K-means聚類分析對網(wǎng)約車乘客群體進行分類。主要結論如下。

第一，結合MIV的BP神經(jīng)網(wǎng)絡可以較好地構建網(wǎng)約車服務質量模型，并給出影響總體服務滿意度的影響因素排序。第二，依據(jù)影響因素重要性分析，提出加強對司機服務意識和專業(yè)技能的培訓，優(yōu)化定價策略和機制，優(yōu)化調度系統(tǒng)等政策，以提高網(wǎng)約車乘客的總體服務滿意度。第三，利用K-means聚類分析細化四類不同特征的網(wǎng)約車用戶群體，為網(wǎng)約車平臺制定差異化的服務策略提供基礎。

參考文獻：

[1]第54次《中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》發(fā)布[J].傳媒論壇，2024，7（17）：121.

[2]NGUYEN-PHUOCDQ，SUDN，TRANPTK，etal.Factorsinfluencingcustomer'sloyaltytowardsride-hailingtaxi services—A case study of Vietnam[J]. Transportation Research PartA：Policy and Practice，2020，134：96-112.

[3] 任其亮，王磊．網(wǎng)約車服務質量評價研究[J].公路與汽運，2017（2）：44-48.

[4] KUMARA，GUPTAA，PARIDAM，etal.Servicequalityassessmentofride-sourcingservices：Adistinction betwenride hailing and ride-sharing services[J]. Transport Policy，2O22，127：61-79.

[5] 楚金橋，馬田園．網(wǎng)約車服務質量與顧客忠誠度關系研究[J].中國物價，2017（12）：95-98.

[6] TAYLORSA.Assessingregression-basedimportance weights forqualityperceptionsand satisfaction judgementsinthe presence of higher order and/or interaction efects[J].Journal of Retailing，1997，73（1）：135-159.

[7] RUIZE，YUSHIMITOWF，ABURTOL，etal.Predicting passengersatisfactionin publictransportationusing machine learningmodels[J/OL].TransporationResearchPartA：PolicyandPractice，2024，181.[2024-10-16].htps：//oiorg/10.1016/ j.tra.2024.103995.

[8]PENGYong，ZHANGYali，HOU Yaping，etal.Servicequalityimprovementstrategiesofonlinecar-hailing basedon SPCPCNmethod[J].ElectronicCommerceResearchandApplications，2024，65.[2024-10-16].htps：/doi.org/10.1016/j.elerap.2024.101409.

[9]王春生，何文龍，張文婷，等．基于改進BP神經(jīng)網(wǎng)絡的斜拉橋靜力體系可靠度分析[J].交通運輸工程學報，2024（5）：86-100.

[10]LIUDan，SU Chengguang，YANGRongshan，etal.Temperature field testandpredictionusingaGA-BPneural network for CRTS II slab tracks[J].Railway Engineering Science， 2023（31）：381-395.

[11]WU Siping，LUJunjie，LIULang.Interval pricepredictionsforcoalusinganewmulti-scaleensemblemodelJ/OL].Energy， 2024，313. [2024-10-20]. https：/doi.0rg/10.1016/j.energy.2024.133678.