基于三角模糊数AHP-BP的铁路货运服务质量评价研究

许晓伟，孟楠，侯维磊，康斌

（1.石家庄邮电职业技术学院，河北石家庄050021；2.中国铁建大桥工程局集团有限公司，天津300300）

我国经济的稳步增长与“一带一路”战略带动了铁路建设的发展，铁路运输货物量不断增加，货运行业中铁路运输的作用越来越突出。但是在货运变革背景下各种运输方式竞争激烈，客户对服务的要求提高使得服务质量水平对其业务发展至关重要，为增长市场份额货运企业逐渐重视自身的服务质量[1]。因此，需要客观评价铁路货运的服务质量，以期能够增强铁路货运的竞争力。已经有学者在该方面进行了研究与探讨。刘源建立了铁路货运服务质量的评价指标体系，并提出了一些改善措施[2]；冯芬玲利用粗糙集与SERVQUAL对其进行评价，通过案例验证了该方法的可行性[3]；马晓晨等从多角度出发使用灰色关联度构建了评价模型，并通过实例验证认为该方法在实际应用中的可行性[4]等。而影响其服务质量的因素很多，实际应用中计算量较大，因此需要借助计算机技术，采用人工智能的评价方法为决策者制定有针对性的管理措施提供依据。

1 铁路货运服务质量评价指标体系

1.1 传统铁路货运服务质量评价存在的不足

传统铁路货运服务质量评价的不足在于没有充分考虑客户在质量评价中的作用，主要表现在：侧重于内部运营管理与提高运输能力，评价指标体系缺少系统性，无法全面反映客户的市场需求；原有指标多为反映铁路运输的生产能力，在进行比较时可比性较差，很难直接体现货运的服务质量；铁路货运是为客户提供服务的，以往评价没有综合考虑托运人，一般是在铁路货运企业内部进行评价，无法及时了解客户需求的变化，使评价结果的可靠性较低。

1.2 评价指标体系的构建

铁路货运服务是一种典型的服务行业，综合铁路货运自身特点以及铁路货运改革后的新特点，借鉴PZB提出的SERVQUAL量表，及已有学者建立的评价指标体系，根据评价指标选取原则，通过专家调查法、打分等方法对评价指标进行筛选、优化，最终确定铁路货运服务质量评价指标体系，如表1所示。

2 建立铁路货运服务质量评价模型

2.1 三角模糊数AHP

2.1.1 方法简介

层次分析法最初由Saaty TL教授等人提出，凭借其计算简单、准确实用、对数据要求低等特点被广泛应用于生产决策、安全管理等多领域的评价与分析中，并具有较好的应用效果，但是由于该方法具有模拟人脑进行决策的特点，因此存在主观性太强、定性成分较多的缺点。Van Laargoven认为可用三角模糊数进行模糊判断，计算后得到不同元素的排序。目前三角模糊数常用来解决非确定环境下的问题，主要用在绩效评价、多指标多属性的决策中。本文将AHP与三角模糊数结合起来，考虑主观与客观因素对各评价指标权重的影响，使计算结果更加准确。

2.1.2 权重计算过程

运用该方法计算时的具体过程如下：

表1 铁路货运服务质量评价指标体系

②接着构建三角模糊数的判断矩阵，请专家根据评价指标体系和表2，两两比较各指标。

表2 铁路货运服务质量评价指标体系

并采用三角模糊数打分，即可得到三角模糊数的判断矩阵

③对三角模糊数的判断矩阵A进行排序，主要根据可能度，可能度的定义为[5]

假设两个三角模糊数P1=(l1,m1,u1)与P1=(l2,m2,u2)，则

为 P1≥P2的可能度。

设n个三角模糊数构成集合{P1,P2,…,P3}，则P1≥P2,P3…,Pn的可能度为 Q=(P1≥P2,P3,…,Pn)=min{Q(P1≥P2),Q(P1≥P3),…,Q(P1≥Pn)}。

计算指标权重时需先将三角模糊数判断矩阵按行累加求和，然后将其作归一化处理，得到三角模糊数的权重向量

两两比较三角模糊数的权重向量wi，根据可能度定义，计算相应的可能度，其中，求得可能度矩阵

2.2 BP神经网络评价模型

2.2.1 BP神经网络简介

1986年是一种前馈性神经网络，由Rumelhart等人提出，基本原理是模拟人的思维方式，采用误差逆向传播对网络模型进行训练；能够自动调整网络模型中的权重，从而提高预测准确性。该方法属于非线性动力学系统智能算法中的一种，具有容错性好、系统性、高度非线性等优点，目前有较为广泛的应用领域。

2.2.2 BP神经网络评价过程

铁路货运的服务质量受多重因素影响，且这些因素间多为非线性关系，因此可采用BP神经网络进行评价，评价过程具体为：

本文以26家典型的铁路货运站为研究对象，将收集到的数据整理后，即可输入到网络模型中进行训练与检验。

①建立模型。BP神经网络模型包括三层：输入层、隐含层、输出层，隐含层个数根据需要设定，可为一个或多个，已经有理论证明三层神经网络模型已经能够满足任何的连续影响，满足使用需求。因此本文中将模型层数设定为三层，结点变换函数选择Sigmoid函数，由于评价指标体系中共有29个评价指标，模型的输入单元也为29个；隐含层节点个数的确定方法尚缺少理论依据，确定方法主要有：有；其中n代表输入节点的个数，m代表输出节点的个数，a一般取1～10间的常数，本文根据经验将隐含层个数取为9[6]；含有1个输出单元，表示铁路货运站的服务质量综合值。

②训练与检验模型。将数据分为训练组与检验组，本文第1～23组数据为训练样本，第24～26组数据作为检验样本，训练过程中比较输出值与期望值，当误差较大时通过调整迭代次数、隐含层个数等提高精度，直到误差在5%以内，停止训练。

③训练结束后，通过使用已经发生收敛的神经网络来预测待评价的铁路货运站的服务质量状况，从而得到服务质量评价的预测结果。

3 铁路货运服务质量评价实证研究

3.1 三角模糊数AHP计算评价指标权重

根据前文所述，本文通过采用随机抽取方式邀请20名经常使用铁路办理货物配送的客户与货运站管理相关人员，由他们根据表1评价指标体系对各指标进行打分，进而得到各层次的三角模糊数判断矩阵，下面以9个二级指标的判断矩阵为例，如表3所示。

表3 二级指标三角模糊数判断矩阵

按照计算步骤得到三角模糊数的权重向量分别为：

w1=(0.082 25,0.108 53,0.160 12)

w2=(0.101 73,0.144 7,0.190 33)

......

w9=(0.069 26,0.095 61,0.135 95)

两两比较三角模糊数中的数值，可得对应的可能度矩阵，在此省略，进而得到可能度矩阵Q排序后的向量：w=(0.535,0.611,0.520,0.492,0.594,0.545,0.452,0.432,0.406)，对其作归一化处理后得到9个二级指标的权重，分别为：w=(0.116 6,0.133 2,0.113 3,0.107 2,0.129,0.119,0.098,0.094,0.089)。

按照同样方法计算各三级指标的权重，可以得到可靠性下的3个指标权重分别为：w1=(0.360 3,0.336 1,0.303 5)。同样可得到其他二级指标下的各个三级指标权重。至此，根据计算结果，对二级指标与三级指标的权重进行加权平均，求得各评价指标的综合权重，如表4所示。

表4 铁路货运服务质量评价各指标综合权重

3.2 利用BP神经网络模型评价

以上述计算结果为基础，对铁路货运服务质量进行评价。评价指标体系中既有定性指标，也有定量指标，因此通过随机抽取铁路货运站内部的管理人员与货运办理客户共20名进行访谈，邀请他们根据评价指标体系对各评价指标采用五分制打分，1～5代表服务质量水平逐渐递增，之后取20名受访者打分的平均值，按下列公式对指标得分进行标准化处理：

可得到样本铁路货运站的服务质量综合评价值。在利用BP神经网络模型训练与仿真时只需将这26个铁路货运站的初始分值与输出值输入就能得到检验值。限于篇幅在此仅列出第1～26组样本货运站的数据，如表5所示。

表5 样本铁路货运站服务质量评价指标数据

通过公式Y=W×X可以得到26个铁路货运站的服务质量综合评价值，其中W表示各服务质量评价指标的权重，X表示受访者打分平均值，评价结果分别为（0.568 44,0.589 06,0.600 14,0.632 18,0.565 14,0.582 85,0.617 27,0.624 67,0.659 94,0.585 28,0.631 62,0.591 07,0.657 05,0.588 59,0.629 22,0.603 35,0.573 32,0.632 67,0.599 15,0.677 29,0.621 93,0.600 98,0.560 21,0.626 91,0.611 01,0.576 75）。

将26个样本铁路货运站的相关数据按照BP神经网络模型的进行训练与检验，第1～23组数据作为训练样本，第24～26组数据作为检验样本，训练时的BP神经网络模型如图1所示。参数设置如下：精度要求为10^(-10)，性能函数选用MSE，训练过程中每经过50次显示1次训练结果，网络最大迭代次数为5 000次，经过8次的运行，精度已满足要求，训练完成，训练结果如图2所示。此时，网络的期望值与输出值已非常接近，最大误差仍可以接受，表明该网络模型已经可以用于仿真与模拟，在对铁路货运站的服务质量进行评价时可以使用。作为检验样本的第24～26组数据期望值与MATLAB2016a模拟值进行对比，如表6所示。

图1 构建的BP神经网络模型

表6 BP神经网络检验结果

图2 BP神经网络训练结果

可以看出，第24～26组数据的仿真结果中，期望值与模拟值的最大相对误差为0.035 78，仍满足铁路货运站的质量评价要求，根据仿真结果认为可以利用BP神经网络评价铁路货运站的服务质量。将训练完成的神经网络数据保存，在评价其他铁路货运站的服务质量时只需将该铁路货运站的相关指标初始评价值输入到模型中，运行网络就可以得到该铁路货运站的服务质量综合值。

4 结论

本文利用三角模糊数AHP方法计算各评价指标的权重，将模糊性较强的问题具体化，同时兼顾主观与客观因素对指标权重的影响，具有可靠性较高，计算过程易于操作的优点；利用BP神经网络模型来评价铁路货运站的服务质量水平，通过调整参数来提高模型输出的精度，直到达到使用要求，好处是对搜集到的大量历史数据建立数据库，在评价时只需输入原始数据启动网络就可得到预测值，即待评价铁路货运站服务质量水平，误差较小，因此可将该评价方法用于服务质量评价中。