基于乘客感知的城市轨道交通客运服务质量综合评价

樊茜琪 蒲 琪 尹聪聪

（同济大学铁道与城市轨道交通研究院，201804，上海∥第一作者，硕士研究生）

随着经济的快速发展，城市轨道交通运营里程和客流量的迅速增长，乘客对舒适、经济、快速的要求也不断提高。运营商们为了提高竞争力，在保证运营安全的同时也更加重视乘客的出行体验。基于乘客感知的城市轨道交通客运服务水平，是客运服务质量评价中至关重要的一环，同时也是提高客运服务质量的重要依据。城市轨道交通客运服务质量评价，按评价主体可分为三类——服务企业自评价，社会评价（第三方评价），乘客评价［1－2］。其中，乘客评价是从乘客的主观感受出发，以乘客体验为中心的满意度评价。

1 服务质量和乘客满意度

服务质量是指服务工作能够满足被服务者需求的程度。乘客满意度是乘客的需求被满足后的愉悦感，是乘客对产品或服务的事前期望与实际使用产品或服务后所得到实际感受的相对关系。随着顾客导向服务质量的兴起，管理者认识到，从乘客角度评价服务质量，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务质量和乘客满意度。

对于乘客满意度与服务质量之间的关系，现有研究结果不一。有些研究者认为服务质量的概念大于乘客满意度，乘客满意度只是服务质量内涵中的一个子维度；有些研究者［3］认为，服务质量与乘客满意度这两个概念不可直接等同，但可用转化公式转换。

本文认为：服务质量和乘客满意度是两个概念，但又直接相关。服务质量包含与乘客感受相关的服务和运营方服务管理水平、服务提供能力等方面，乘客满意度涉及乘客关注的所有方面包括客运服务质量和运营方公众形象等内容；衡量服务质量与乘客满意度的评价指标相互渗透重叠，形成基于乘客感知的服务质量，如图1所示。

图1 服务质量与乘客满意度的关系图

2 基于乘客感知的服务质量评价指标体系

在进行基于乘客感知的城市轨道交通客运服务质量指标的筛选和制定时，着重从乘客感知出发，并依据城市轨道交通客运服务内容，综合考虑乘客和城市轨道交通环境、乘客和服务人员之间的交互作用。对比既有文献中对于客运服务评价指标体系的研究结果，结合实际情况来确定适合考量我国城市轨道交通客运服务质量水平的评价指标［4］。

基于乘客感知的城市轨道交通客运服务质量指标体系如表1所示。

表1 城市轨道交通客运服务乘客满意度评价指标

3 基于乘客感知的服务质量综合评价

3.1 调查问卷的设计与调查

鉴于现有的服务质量综合评价各指标权重的主观性，考虑以乘客感知的指标内容为核心，进行了两项调查问卷：城市轨道交通客运服务评价指标重要度调查和客运服务质量满意度调查。其中，城市轨道交通客运服务评价指标重要度调查，是通过调查乘客的主观乘车感受和对客运服务的理解，来得到他们对服务质量评价指标重要度的判断结果。

问卷内容分为两部分：第一部分是指标判定部分，在乘客感知的城市轨道交通客运服务质量评价指标的基础上，以第三层指标作为调查项目，采用李克特5级量表让被调查者对其重要程度和满意度分别做出判断；第二部分是乘客信息，包括性别、年龄、受教育程度、月收入、乘坐频率、出行目的、职业等，便于对样本构成进行分析。另外，根据问卷设计应该满足信度检验要求，第一部分指标判定部分共分为两级，第一级为第三层指标，第二级为第二层指标。其中第二级指标结合权重对问卷进行信度检验。经检验，问卷信度在可接受范围（即克朗巴哈系数克朗巴哈系数是目前估计李克特量表信度系数最常用的检验方法.在0.8～0.9的范围内）。

3.2 综合评价模型的建立

目前，乘客满意度评价多采用多元回归分析、模糊综合评价和灰色关联分析等方法。然而，实际中不同出行频率和出行目的的乘客对服务质量的感知存在着个体差异，难以用统一标准来衡量不同出行需求乘客的满意度。因此这些模型和方法不能解决评价过程中存在的评价者认知的主观不确定性和模糊性问题。

人工神经网络具有学习的能力，可以经过训练来处理复杂的信息关系。将服务质量评价的中下层元素的已知状态作为神经网络的输入，而将相应条件下乘客对上一层元素性态的综合评价结果作为期望输出时，网络在训练中为降低其输出与期望输出间的误差而不断地调整各通路的权值和各神经元的阈值，最后可使误差小于规定的限值。这时经过训练的网络在其输入输出的映射中，吸收了学习样本中的评价者思维，实现了给定的学习样本的输入输出映射关系［5］。人工神经网络还具备评价方法的规范性、较高的抗噪声干扰能力和容错性，以及一定的自组织、自适应性，具有较高的求解效率，表现出多种优越性能，因此这一方法为服务质量综合评价提供了新的技术途径。

基于BP（按误差逆传播算法训练的多层前馈网络）神经网络的乘客满意度评价模型，是将规范化处理的满意度评价指标属性值作为BP神经网络的输入向量，评价结果作为输出。网络训练得到评估者的知识、经验、主观判断，以及指标重要性的足够样本。受过训练的BP神经网络可以得到乘客满意度的评价结果。它实现了评价内容定性和定量的有效结合，并确保评价结果的客观性和一致性。

建立BP神经网络综合评价模型的流程如图2所示。

图2 BP神经网络综合评价模型流程图

基于以上建立的模型，可以借助MATLAB神经网络工具箱对调查结果进行训练和测试。

3.3 上海市城市轨道交通服务质量的综合评价实例

本文以上海市城市轨道交通服务质量调查为例，结合指标体系，建立了一个包含一个隐藏层的神经网络模型。调查共回收有效问卷240份，其中训练样本208个，测试样本32个。

3.3.1 确定输入神经元

输入层描述了影响城市轨道交通服务质量的指标。本文选择基于乘客感知的服务质量评价指标体系中的第三层指标作为输入层神经元。共计37项指标，故输入神经元的个数为37个。在输入具体数据前，先将输入数据归一化。在本文中将分值数据归一化为0—1之间的数据，故输入层为一个37×208的矩阵。

3.3.2 确定隐藏层神经元个数

隐藏层是内部信息处理层，负责信息变换。根据信息变化能力的需求，隐藏层可以设计为单隐藏层或者多隐藏层结构。每个隐藏层节点有一些权重，每个权重是一个增强网络映射能力的参数。如果隐藏层节点缺乏数字，它将不能很好地反映样本规则；如果它有过多数字，它会记住无序化规则，增加训练时间。

隐藏层节点的数目一般是通过反复试验得到。根据经验公式，即（其中m为隐藏层神经元个数，n为输入层个数，l为输出层个数，α为1～10之间的常数）［6］得到隐藏层节点的个数为7。

3.3.3 确定输出神经元

输出层输出的是系统的目标。服务质量评价的输出结果只有1个，即综合评价值，故输出层的神经元只有1个。而训练时输出的目标函数值可以根据信度检验的有效性，可采用以乘客重要度调查结果，将指标权重线性加权处理后作为各个独立样本的目标值。

建立的BP神经网络结构如图3所示。

图3 BP神经网络结构图

3.3.4 训练神经元

在本文的模型中，选择的学习函数为梯度下降动量函数（LEARNGDM），训练函数为误差达到目标要求的优化函数（TRAINLM）［7－9］，性能函数为均方误差函数（MSE），隐藏层神经元采用的传递函数为S型的正切函数（TANSIG），输出的神经元使用的传递函数为S函数（SIGMOD）。一旦训练得到最大训练次数或网络误差低于预期，则流程结束任务。

根据以上确定的传递函数，则本文使用从输入到输出的权重迭代计算方法如下：

或

非物质文化遗产蕴藏了丰富多彩的原生态民俗文化，是提供多元化具有文化历史价值艺术的宝库，维护了世界文化的多样性，对于传统文化的传承有着不可或缺的作用。此外，非物质文化遗产所具有的取之不尽的艺术元素，启示着现代民间艺术的创作，激发了现代艺术的发展与创新，维系了人类艺术的创造力，对促进社会的可持续发展起着源流性的作用。

式中：

l——BP神经网络的层数（输入层不算做第一层，第一隐藏层作为第一层）；

P——迭代的次数

αl－1，p（j）——第l－1层第j个神经元第p 次迭代输出的结果，其中α0（j）表示初始输入的数据；

ul，p（i）——第l层第i个神经元第p 次迭代时所接收的信息；

Wl，p（i，j）——从第l－1层第j个神经元到第l层第i个神经元的权重；

τ——学习的速率；

f（x）——传递函数；

ti——输出中第i个神经元输出的目标值。

本文中最大训练次数为1 000次，训练精度为0.002，学习速率为0.05。训练结果如图4所示。

图4 BP神经网络训练误差梯度变化

3.3.5 测试神经元

导入训练好的神经网络，并导入待测试的数据，最终得到测试结果如图5所示。

图5 测试结果与目标对比

训练误差的均值为0.005 5，测试结果和目标结果之间的误差均值为0.001 9，达到了精度要求，证明了用该方法来衡量不同出行目的不同出行频次乘客的满意度具有可行性。

3.3.6 评价结果的分析

本文中测试样本共32个，将其导入后计算的仿真结果和目标结果如表2所示。根据以上典型测试结果，可以看出上海市城市轨道交通服务质量的总体满意度约为0.718。按照《城市公共汽电车客运服务》乘客满意度分级，上海市基于乘客感知的城市轨道交通客运服务质量满意度为合格。

表2 BP神经网络综合评价训练结果

通过对训练指标权重的分析，得出在基于乘客感知的各项指标中，影响服务质量满意度的前7项指标如表3所示。

表3 影响综合评价值的7项重要指标

由此分析可以看出，要提高基于乘客感知的服务质量，应该在安全运营的前提下，提高表3中7个指标的服务质量，以保障这些指标涉及的工作内容具有较高的服务水平。

4 结语

基于乘客感知的城市轨道交通服务质量评价对提高服务质量具有重要的意义。基于该指标体系借助BP神经网络对乘客满意度进行了综合评价，以上海市轨道交通服务质量综合评价为例验证了该方法的可行性，并且分析得出了提高服务质量的7项关键指标。该方法同样适用于不同出行目的或出行频次的分类单项评价。对于受干扰（数据噪声）较大的数据，该方法更能体现出其优越性。

［1］陆卫，张宁，陈晖，等.城市轨道交通出行者信息服务水平评价［J］.城市轨道交通研究，2010（3）：31.

［2］刘正，李卫军.浅谈重要度在城市轨道交通服务评价中的应用［J］.现代城市轨道交通，2010（2）：53.

［3］武慧荣，崔淑华，张海松.基于乘客感知的城市公交服务质量评价研究［J］.重庆交通大学学报：自然科学版，2012（5）：1027.

［4］尹聪聪.基于乘客感知的城市轨道交通客运服务质量评价指标研究［D］.上海：同济大学，2013.

［5］吴云芳，李珍照，徐帆.BP神经网络在大坝安全综合评价中的应用［J］.河海大学学报：自然科学版，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.