考虑乘客感知差异的多模式公交满意度评价

罗丽朝

（新疆农业大学交通与物流工程学院，新疆 乌鲁木齐 830052）

1 引言

城市公交服务作为公共交通系统的关键组成要素，具有改善城市交通拥堵、缓解环境污染、减少资源占用等诸多优势。然而在居民多样化的公共交通需求背景下，单一的公交模式逐渐无法应对其他交通方式带来的冲击挑战，多种模式组成的立体化公交系统受到各大城市的推崇与政府的大力支持，其设施完善程度和服务品质决定了能否给乘客提供优质的乘坐体验。因此，以乘客感知的视角对各模式公交开展服务质量评价有助于掌握乘客对不同公交模式的实际需求和满意程度，引导城市公共交通可持续发展，促使管理部门制定出有效的改善措施，提升公交服务质量与吸引力。

关于满意度的研究最早源起于20世纪中后期的顾客满意度分析，1989 年瑞典建立了世界上第一个顾客满意度指数体系（SCSB），之后各国陆续建立了属于自己国家或地区的顾客满意度指数模型，例如美国的ACSI，韩国的KCSI，欧洲的ECSI[1-3]等。国内对于满意度的研究虽然起步较晚，但近年来在乘客满意度评价方面的研究已有大量成果。关于不同模式的公共交通满意度评价，以常规公交、快速公交、定制公交等模式的公交最为普遍，在公交指标元素与乘客满意度之间的网络关系方面，吴静娴等[4]得出在众多影响因素中候车时间的负效应最显著的结论；从乘客感知角度出发，吕慎[5]对接运公交的服务质量进行评估，认为亟待改善其可靠性与提升其可用性和舒适性；李睿等[6]定量分析了定制公交满意度的影响因素，结果表明乘客期望对乘客满意度具有负向直接影响；李林波等[7]通过建立快速公交竞争力模型，强调提高乘客满意度是提高竞争力的关键。此外，乘客满意度评价方法也有不少学者研究。如王蓉等[8]基于偏最小二乘法的结构方程模型评价公交换乘政策的满意度，并结合四象限分析图进一步发现服务质量中的薄弱环节；武荣桢等[9]系统地采用了模糊综合评价法，利用层次分析法和公交乘客调查法计算各指标权重值；李林波等[10]考虑了指标间的相关性，在CRITIC 法确定指标权重的基础上提出利用云模型进行乘客满意度的综合评价；刘莹等[11]基于专家权重和各指标的综合权重构建AHP-BP 神经网络模型进行公交线路服务质量的评估；吴静娴等[4]通过对比贝叶斯网络和传统离散选择模型，发现贝叶斯网络优势更为显著。

基于上述研究，国内对于公交满意度评价的既有研究对象大多是单一的公交模式，缺乏对多种公交模式的对比分析，且评价方法大多难以同时研究整体评价结果和内部影响因素，对于实际的满意度提升缺乏有效的理论支撑和策略方法。综上，本文从乘客的视角构建一个以云模型-结构方程为基础的公交满意度测度模型，对某市各模式公交进行满意度综合评价并对比分析满意度影响因素，深层次探讨各模式公交近年来持续存在的薄弱环节，使城市公共交通系统朝着高效率、高水准方向发展。

2 数据来源与处理

2.1 问卷设计与调查过程

基于相关文献中具有信效度良好的问卷构建本次研究中的问卷量表，并结合实际的公交运行环境进行设计，包括乘客基本特征信息和乘客满意度评价两个部分，样本的基本特征信息见表1，满意度评价部分采用李克特（Likert）五点量表测度方法，以“非常不满意～非常满意”分别由低到高赋值1分～5分，乘客根据自己的乘坐感知选择每个题项对应的分值。此次调查时间跨度为2015 年～2018 年，选取每年的11 月进行为期一个月的调查，分别选取各模式公交的代表性线路，问卷的发放选取站点发放和跟车发放两种方式。调查回收所得问卷总数约44500 份，将答案不完整、所有题项选择答案相同或呈现特定分布、题项答案前后矛盾等不符合要求的问卷予以删除[12]，保留各模式公交问卷共计43610份，调查问卷回收有效率为98%。利用SPSS 20.0软件，对问卷内容进行一致性检验，结果表明三种公交模式的Cronbach’s Alpha值在0.701～0.871之间，属于非常可信；KMO 值在0.705～0.842 之间，Bartlett 球性检验均拒绝单位相关阵的原假设，样本较为显著，表明适合作因子分析。

表1 乘客基本特征信息表

2.2 评价指标体系构建

在对问卷数据进行信效度检验的基础上，采用探索性因子分析进行特征值大于1.0的因素提取，多次正交旋转后对于因子载荷小于0.5的题项作删除处理，同时一个公因子只含一个题项的也予以删除，经过反复比较后，各模式公交共计删除14 个题项。根据探索性因子分析结果，各模式公交满意度评价体系从行车安全、车内舒适度、人性化设施、可靠性、整洁性和硬件设施等维度确定6个一级评价指标，乘客满意度评价指标体系见表2。

表2 乘客满意度评价指标体系表

表2 乘客满意度评价指标体系表（续表）

3 公交满意度测评模型构建

3.1 基于CRITIC-云模型的满意度评价流程

云模型是基于云发生器完成定性到定量之间的映射，定量的表达根据云数字特征（期望Ex、熵En和超熵He）来展现，利用逆向云发生器或指标近似法确定云的数字特征[13-15]。基于云模型原理，公交满意度评价指标体系即为论域，每位乘客即为云滴，利用所有乘客的评价结果所形成的云团反映公交服务质量满意度。具体的评价流程设计如下：

①确定指标论域，见表2。

②建立评价论域和评价云，根据调查情况将公交满意程度划分为5 个语言等级，则评价论域表现为，若将满意度定性评语的上限记为tmax，下限记为tmin，每个满意度评语的云数字特征计算公式为：

式中，k为根据模糊程度确定的常数，常取0.1。

③确定权重集W，基于真实问卷调查数据，利用CRITIC法计算评价指标体系中各维度权重以及各指标的权重，所得评价指标体系权重集为：

④确定评价结果云，根据实际调查数据计算各指标实际的云数字特征，利用逆向云发生器法，生成指标集对应的云参数矩阵Z如下：

根据所得的权重集W和指标云参数矩阵Z，计算各模式公交满意度评价的结果云模型，表述为：

由于该运算过程涉及云参数和常规参数间的混合运算，根据云模型的运算规则和模糊运算规律，各项云参数的具体计算过程如下：

据此，可以计算出各个维度以及整体乘客满意度的评价云。

⑤比较与评价结果确定。利用正向云发生器将整体乘客满意度的评价云参数生成正态云图，与评价云图比较，根据正态云在评价云图中所处的范围和形态，可以得出各模式公交的评价结果。

3.2 基于结构方程的乘客满意度影响因素测评模型

3.2.1 结构方程

结构方程模型是通过线性方程表示可测变量与潜变量之间以及潜变量内部之间关系的一种统计方法，主要包括测量模型和结构模型两种关系模型。

测量模型主要反映了潜变量和其对应的显变量之间的因果关系，方程式如下：

式中，x 和y 分别表示外生和内生观测变量向量；ξ和η 分别表示外生和内生潜在变量向量；Λx和Λy分别表示x的因子载荷量和y的因子载荷量；δ和ε分别表示外生和内生观测变量的残差项向量。

结构模型主要用于处理潜变量之间的线性关系，方程式如下：

式中，η表示内生潜在变量向量；B和Γ表示路径系数；B表示内生潜变量之间的关系；Γ表示外生潜变量对于内生潜变量的影响关系；ζ表示结构方程的误差项。

3.2.2 模型假设

在考虑各模式公交的影响因素基础上，构建本文模型结构，其中满意度为内生潜变量，行车安全、车内舒适性、硬件设施、人性化、时间可靠性、整洁性为外生潜变量。提出研究假设如下，H1：可靠性对乘客满意度有直接正向影响；H2：人性化对乘客满意度有直接正向影响；H3：车内舒适性对乘客满意度有直接正向影响；H4：整洁性对乘客满意度有直接正向影响；H5：行车安全对乘客满意度有直接正向影响；H6：硬件设施对乘客满意度有直接正向影响。模型框架如图1所示。

图1 公交满意度假设模型框架

4 实例分析

4.1 基于云模型的满意度评价结果分析

以某市三种公交模式乘客满意度为例，按照云模型的方法进行综合评价。将评价集转化为正向分数，根据式（1）得到各等级评价云为非常满意（4.50，0.17，0.10）、比较满意（3.50，0.17，0.10）、一般（2.50，0.17，0.10）、较不满意（1.50，0.17，0.10）、非常不满意（0.50，0.17，0.10）。在用CRITIC 法计算出各指标权重的基础上，用逆向云发生器依次生成各评价指标所对应的云参数（表3），据此得出常规公交、快速公交、定制公交的乘客满意度评价结果云参数分别为C（4.23，0.89，0.30）、B（4.25，0.79，0.32）、D（4.06，0.85，0.43）。

表3 各评价指标云参数

根据云模型基本理论，取云滴数为2000 生成正态云图使误差低于0.01，通过正向云发生器将各模式公交的结果云参数生成结果云图并将其置于评价云图中，如图2所示。

图2 各公交模式评价结果云图

由Matlab 可视化[16]图2可知，三种公交模式结果云的期望值Ex在4.06～4.25之间，满意度评价结果均落在了评价云图中的“比较满意”和“非常满意”之间，较为偏向“比较满意”的评价云，满意度评价由高到低分别为快速公交、常规公交、定制公交。就云的熵值而言，熵值En 在0.79～0.89 之间，远大于评价云的熵值0.17，反映出不同乘客群体对于公交服务的满意度存在着较大的认知差异，并且常规公交的熵值最大，说明常规公交的满意度评价结果受个体的影响最大且最不稳定。除此之外三种公交模式结果云的超熵值He也较大，在0.30～0.43 之间，说明结果云的厚度和离散程度都远大于评价云的超熵值0.10，尤其是定制公交的随机性最大，可知乘客对于公交满意度还没有达成共识。评价结果发现，各模式公交满意度评价云图代表其服务水平基本上满足了乘客的基本期望需求，其中定制公交的整体服务水平有待提高。

4.2 基于结构方程的满意度影响因素分析

运用AMOS21.0 软件对提出的结构方程模型和假设进行验证。通过绝对适配统计量和增值适配度统计量进行模型拟合度检验，结果表明模型1～模型3所有判别指标均在标准范围内。运用最大似然法估计结构模型参数，最终得到各模型的潜变量对应显变量间的载荷系数以及潜变量间的标准化路径系数，如图3 所示，由图可知假设H1～H6成立。

图3 各模式公交模型标准化路径图

根据结构关系模型路径系数的大小[17]，可见各模型中潜变量对于满意度的影响具有差异性。根据分析结果，在常规公交乘客满意度的影响因子中，车内舒适性因子的荷载高于其他因子，表明其乘客满意度主要受车内舒适性的影响，车内拥挤度对于舒适性维度的影响最大，其因子负荷为0.39；在快速公交乘客满意度的影响因子中，可靠性因子的荷载为0.38，远高于其他因子，表明快速公交的乘客满意度主要受可靠性的影响，换乘便利性对于可靠性维度的影响最大；在定制公交乘客满意度的影响因子中，人性化的因子荷载为0.57，远高于其他因子，且到站步行时间对于人性化维度的影响最大，因此当前对于定制公交乘客满意度提升的贡献角度而言，首先要改善人性化相关设施。综上所述，模型结果基本符合各模式公交的服务特性以及主要服务人群现状。

4.3 基于时间维度的各模式公交满意度评价

在不同时间维度上对各模式公交满意度和指标重要性进行集成分析，深层次确定各模式公交乘客满意度提升的优先级，为管理者提供直观且有效的改进措施。基于重要性-绩效分析法（IPA），将不同时间维度上的各公交模式乘客满意度进行指标上的深层次探讨。将2015 年～2018 年中各模式公交满意度评价体系中的指标权重平均值和满意度平均值作为Y 轴和X 轴分割点[18]，位于象限Ⅳ中的元素为重要性较高但满意度较低的指标，其表现未能达到乘客的期望要求，是造成满意度低的主要原因，应予以重视。

由图4发现，各模式公交在时间维度上优先改善的因子呈现显著的差异性。对于常规公交，4年里都需要优先改善的指标为H18；对于快速公交，4年里都需要优先改善的指标为C7；对于定制公交，4 年里都需要优先改善的指标为S1、S2、C7、F10、R13、R14、H18、H19。定制公交和常规公交都需要改善到站步行时间，快速公交和定制公交都需要改善车内拥挤度，并且常规公交需要改善的指标元素最多，由此可见乘客对于常规公交的相关设施条件满意度最差，尤其是可靠性和人性化设施方面。

图4 时间维度上不同模式公交四分图

5 结语

研究以乘客感知为中心，以某市三种公交模式为研究对象，通过云模型-结构方程测评模型，得出以下结论：

①从乘客感知和各模式公交的服务特色出发，利用探索性因子分析对各模式公交的初始指标集进行了调查筛选得到其维度与所属指标。通过CRITIC法计算指标权重与维度权重，充分考虑了指标间数据的相关性。

②采用云模型定量分析了乘客对不同公交模式的满意程度，将乘客满意度评价结果的随机性、模糊性和差异性直观表现出来。三种模式的公交评价结果偏向“较为满意”，满意度由大到小为：快速公交＞常规公交＞定制公交。

③应用结构方程模型路径系数明确车内舒适性、可靠性、人性化设施分别是决定常规公交、快速公交和定制公交乘客满意度的关键因素。同时从时间维度上绘制了四象限分析图，发现各模式公交服务质量中的薄弱环节，为进一步明确提升服务质量提供参考。