英语原文共 7 页
中国常州公交快速客运满意度建模
摘要：为了建立快速公交的乘客满意度模型，以乘客的社会经济特性和出行特征作为自变量，选取常州快速公交作为案例开展车内问卷调查以获取建模所需数据，采用有序Logistic回归作为建模方法。提出了基于有序Logistic回归建模乘客满意度的一般性方法，并在此基础上建立了常州快速公交的乘客满意度模型。通过对所建模型的分析发现：等车过程对乘客满意度的影响最大，其次是乘车过程，到站过程的影响相对最小;站点设施，如是否配备遮挡物和座椅等，对乘客满意度有较大影响;乘客的社会经济特性对乘客满意度有很大影响。
关键词：乘客满意度; 快速公交; 建模; 社会经济特性; 出行特征
更多城市正在发展快速公交（BRT），以此作为经济有效扩张的一种方式公共交通服务，以缓解交通拥堵，减少燃料消耗和碳排放，并增加穷人的流动选择[1]。在中国，BRT在过去五年中的扩张速度超过了世界上任何其他地区[2]。截至2015年底，BRT已在中国22个城市实施[3]。
客户满意度是影响旅行模式选择的一个方面。为了保持和吸引更多乘客，BRT服务必须具有高服务质量，以满足和满足更广泛的不同客户需求[4]。也就是说，BRT服务的客户满意度的提高可以转化为保留的受众，新吸引的客户以及更积极的公众形象。要实现这些目标，重要的是要探索衡量客户满意度的有效方法，并总结有关推动BRT服务客户满意度的知识。
到目前为止，已经开发了许多方法来衡量客户满意度。这些方法涉及双变量（Pearson）相关，多元回归分析，因子分析，组合因子分析和多元回归分析，象限分析和影响评分方法[5]。另一种方法是瑞典客户满意度晴雨表（SCSB）和美国客户满意度指数（ACSI）[6]。ACSI模型衡量从客户满意度（客户期望，感知服务质量和感知价值）的前因到其后果（客户投诉和客户忠诚度）的因果关系。ACSI是研究中国过境客户满意度的最广泛应用的方法[7-9]。衡量客户满意度的更直接方法是客户满意度指数（CSI）。CSI表示基于客户对满意率表示的服务属性的感知来衡量服务质量，与根据重要性率表达的客户期望[10]进行比较。CSI没有考虑用户判断之间的异质性。为了克服这种不足，通过引入用户之间的重要性和满意度的分散[11]，提出了一种称为异构客户满意度指数（HCSI）的新指数。
现有方法主要以分析角度来研究客户满意度，而本文试图通过建模来解决它。本文的目的是为中国的BRT服务开发一个客户满意度模型，并从该模型中获得一些有用的结论。
1 方法
1.1 客户满意度的定义和影响因素
文中的客户满意度被定义为乘客根据其对BRT服务的期望和期望进行比较而评定的主观感受（非常满意，满意，不满意和非常不满意）。旅行情况会影响客户满意度，乘客在整个巴士旅程中遇到的情况。对于从起点到登机站，从下车站到目的地，到达时间或出发时间的子行程，人行道的物理条件和清洁度对客户满意度有影响。在车站等候时，客户满意度受诸如等待时间，住房和长凳的可用性，物理条件，清洁度和地图可用性等因素的影响。对于乘坐公共汽车的次级旅程，车辆时间，拥挤，清洁，座椅舒适度和驾驶员态度等因素对客户满意度产生影响。此外，客户满意度还受到乘客的社会经济特征的影响，例如性别，年龄，教育，职业，旅行目的，私家车的存在和收入。
对于上述因素，有些难以量化（例如人行道和车站的清洁度，座椅舒适度和驾驶员态度），有些人难以获得数据（如身体状况和收入）。因此，我们选择可用于建立客户满意度模型的数据的因素。选定的因素包括两种类型：1）旅行特征，如到达时间，潜在等待时间，住房和长凳的可用性，车内时间，车内拥挤和旅行目的;2）社会经济特征，如性别，年龄，教育，职业和汽车所有权。
1.2 数据采集
问卷设计是数据收集的第一步。调查问卷包括三个部分：1）乘客的社会经济特征;2）乘客的旅行特征;3）对BRT服务的个人满意度，即乘客需要根据他们的旅行感知从非常满意，满意，不满意和非常不满意中选择一个。
船上调查是在中国常州BRT进行的。具体而言，B1号线和B11号线是进行调查的主要途径。这些调查于2012年12月12日7：30-18：00进行。为了收集可靠的数据，调查员在船上面对面访问了乘客并询问了调查问卷中的项目。我们随机选择乘客进行采访，总共采访了300位乘客。最后，在消除了不可靠的数据后，选择了251个问卷进行建模。
1.3 序数逻辑回归
在建模客户满意度时，客户满意度是因变量。本文将客户满意度分为四类（非常满意，满意，不满意和非常不满意）。因此非常满意比满意更好，满意比不满意更好等等。
客户满意度是一个离散的，有序的因变量。序数逻辑回归（OLR）是一种适用于处理离散和有序因变量的回归模型。因此，为了考虑数据的离散性和有序性，OLR用于建立客户满意度模型。
OLR可以被认为是多元线性回归或二项Logistic回归的推广。OLR的模型表格是[ 12-13]
其中y代表因变量，它被分为J类;xk代表第k个独立变量;beta;k代表x的系数k;beta;0j代表第j个截距;K表示独立变量的数量。j = 1,2，，J - 1;也就是说，方程（logit）的数量等于de-中的类别数量。
1.4 分析自变量
在为客户满意度建模选择的所有因素中，到达时间，潜在等待时间，车内时间和车内拥挤是连续变量。住房和长凳，旅行目的，性别和汽车所有权的可用性是二元变量。年龄，教育和职业是分类变量。
通常，处理分类变量的方法是为它们创建虚拟变量。如果分类变量有m个类，则需要创建m个1个虚拟变量。省略的类是参考类别[ 13]。年龄的虚拟变量是age1，age2和age3参考类别是年龄为6至29岁的乘客。教育的虚拟变量是edu1，edu2和edu3，参考类别是持有学士学位的乘客。占用的虚拟变量是occ1，occ2，occ3和occ4，参考类别是公司职员的乘客。
所有自变量的定义，值和相应的数字标记（共18个）显示在表格中。
2 客户满意度建模过程
我们总结了使用OLR建模客户满意度的一般程序（见图1）。首先，建立了所有考虑的自变量的客户满意度模型。然后，逐步消除与客户满意度无显着关联的自变量，并使用剩余的自变量对其进行建模。迭代终止，直到模型中包含的自变量都与客户满意度显著相关。
如图1所示，我们逐个删除不具有统计意义的独立变量，而不是同时删除所有变量。我们这样做是因为从数据样本中删除变量后，某些变量可能会发生变化，从而变得具有统计意义。首先要消除的是根据系数显着性的检验确定的（Wald chi;2) .应首先消除具有最大p值Waldchi;2的自变量。如图1所示，我们首先建立考虑所有独立变量的客户满意度模型，称为模型1.模型1的输出使用OLR在Tab中。模型2比例赔率假设检验的p值为0. 813 1，大于0.05，表明该假设不能被拒绝， OLR适用于样本数据。的p值整体模型试验的0. 000 1小于0.05是，模型1中包含的变量可以解释客户满意度，模型1优于对应于零假设的模型。Waldchi;2反映了系数显着性的检验。基于p值Waldchi;2，我们发现到达时间，潜在等待时间，车内时间和edu2与客户满意度显着相关，可信水平为0. 05.车内拥挤，住房和长椅，车辆拥有和年龄2的可用性具有统计显着性，置信水平为0.1。但是，性别，旅行目的，occ1，occ2，occ3和occ4对客户满意度没有统计学上的显著影响，可能会逐渐从模型1中删除。
图1 用OLR建立顾客满意模型的一般过程
性别系数为正（0.020 8）和男性是一个参考类别，这意味着在控制其他变量时，女性更容易对中国的BRT服务感到满意。旅行目的系数为负（-0。102 9），因此乘坐娱乐的乘客对于BRT服务的满意度低于通勤（通勤是参考类别）。occ1，occ2和occ3的系数分别为-1.053 4，-0.083和0.738。在所有类型的职业中，教师或政府官员（occ1）对BRT服务的满意度最高。一个有趣的发现是，学生（occ2）的满意度低于公司职员，这可能与中国的独生子女政策有关。大多数受访学生来自独生子女家庭，他们在富裕的条件下长大，因此他们往往享有更高的过境服务质量。自雇乘客（occ3）表现出比公司职员更高的满意度。
我们从自变量集中逐一删除性别，职业和旅行目的，并随后建立客户满意度模型
自变量。基于对系数显著性的测试（Waldchi;2的p值），所有自变量在以下情况下变得具有统计显着性 -只有在删除所有三个变量后才能与客户满意度相关联。在消除了性别，职业和旅行目的后，客户对其余自变量满意度的模型称为模型2，它就是显示在Tab。3.模型2的比例赔率假设检验的p值为0.4458，大于0.05.因此，这个假设不能成立，OLR适合于删除这三个变量的数据集。模型2的整体模型试验的p值为0. 000 1小于0.05，这使得模型2可以用于预测客户满意度。在模型2中，age1，age3，edu1和edu3没有统计学意义，但我们不能继续根据必须同时输入或删除模型中的虚拟变量的原则将其删除。
3 顾客满意度模型
根据图1，模型2中建模客户满意度的一般程序，其中所有自变量在统计上显着相关
与客户满意，是正确的模型所需。根据Tab3中模型2的输出，我们在中国常州建立BRT服务的客户满意度模型。
其中P1代表客户满意度非常满意的概率;P2表示满足客户满意度的概率;P3表示客户满意度不满意的概率;P4代表客户满意度非常不满意的概率;P1 P2 P3 P4= 1;arr表示到达时间，min;pwt代表潜在的等待时间。分钟;ivt表示车内时间，min;ivc表示车内拥挤，乘客/米2;asb代表住房和长凳的可用性（是的，asb = 1;否则，asb = 0）;汽车代表汽车所有权（是的，汽车= 1;否则，汽车= 0）;age2表示乘客的年龄为40-59岁（是的，年龄2 = 1;否则，年龄2 = 0）;edu2表明乘客完成职业学校（是的，edu2 = 1;否则，edu2 = 0）。
对于某些自变量组合，我们可以计算P1 ,P2，P3和P4的值。上面的模型，具体的客户满意度是P1 ,最大值的对应类别是P1,P2,P3,P4.
4 顾客满意度模型分析
4.1 基于系数的正负分析
客户满意度分类非常满意1），满意（2），不满意（3）和非常不满意（4）。因此，正系数增加了作为编号较低的类别的可能性（即，较高级别的满意度）。相反，负系数降低了编号较低的类别的可能性。估计到达时间，潜在等待时间，车内时间和车内拥挤的系数是负的，这意味着它们的增加将降低更高级别满意度的可能性（即，它们的值越大，乘客满意的可能性越小。估计住房和长凳可用性的参数是积极的，这意味着配备住房和长凳的车站将增加乘客满意的可能性。汽车保有量的负系数表明拥有汽车的乘客比没有汽车的乘客更不满意BRT服务。年龄2的正系数意味着年龄为40-59岁的乘客与6-29岁的乘客相比，更有可能对BRT服务感到满意。这一发现有些令人惊讶，原因可能是40-59岁的乘客遭受了生活的艰辛并变得更加宽容。edu2的系数也是正的，这告诉我们完成职业学校的乘客与拥有学士学位的人相比，具有更高的满意度的可能性更高。
4.2 基于系数值的分析
通过分析客户满意度模型中变量系数的绝对值，我们可以得到客户满意度因素的影响等级，在表格中进行了总结。表4.对每个发现的解释如下。
在客户满意度模型中的自变量中，到达时间，潜在等待时间和车内时间是与行程时间相关的变量。它们的系数分别为-0.33，-0.61和-0.40。根据系数的绝对值对它们进行排名：潜在的等待时间，车内时间和到达时间。因此，潜在的等待时间影响最大关于客户满意度，而抵达时间则相关影响最小。潜在的等待时间，车内时间和到达时间可分别作为等待子行程，乘车子行程和到达站子行程的代表。从这个角度推断，等待的子旅程最能影响顾客的满意度，乘坐的次旅行是次要的，而到达的子旅程则影响最小。车载拥挤也是骑行次级旅行的一个属性，其系数（-0.39）非常接近车内时间。因此，车载拥挤也支持上述推断。
到达时间，潜在的等待时间，车内时间，车内拥挤以及避难所和工作台的可用性是出行特征。住房和长凳的可用性具有最大的系数（0.79）。这表明车站的设备水平对乘客的感知影响相当大，甚至比旅行时间更大。这种说法是有道理的，因为乘客更加注重舒适和享受，并改善了中国的生活质量。这也意味着运输机构应在车站提供更高质量的设施，以提高运输服务质量。
我们根据系数的绝对值对所有自变量进行排序：age2（1. 21），edu2（1.17），汽车所有权（0.89），住房和长凳的可用性（0.79），潜在的等待时间（0. 61），车内时间（0.40），车内拥挤（0.39）和到达时间（0.33）。前三个（age2，edu2和汽车所有权）是社会经济特征，最后五个是旅行特征。从系数的大小可以得出结论，社会经济特征对BRT服务的客户满意度的影响远大于常州的出行特征。也就是说，乘客主要依靠其内在特征来评价满意度或服务质量。
5 结论
根据常州BRT车载调查收集的数据，利用OLR建立了BRT服务的客户满意度模型。
现有方法从分析角度审视客户满意度，而本文研究在建模方面对其进行控制。现有方法依赖于乘客对Likert类型量表的服务质量属性的重要性和满意度来评估客户满意度，而本文基于识别自变量并查询其实际值。另一个亮点是社会经济特征被用作模型客户满意度的独立变量，这可以反映个体差异，因为
资料编号：[3816]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
