امروز : یکشنبه, ۲۷ خرداد , ۱۴۰۳
پایداری | متن کامل رایگان | رضایت مسافر پیمایش: مدلسازی معادلات ساختاری – رویکرد شبکه عصبی مصنوعی به خدمات اتوبوس بین شهری
۱٫ معرفی در جستوجوی راهحلهای حملونقل پایدار، حملونقل اتوبوس بینشهری بهعنوان جایگزینی برای پر کردن شکاف بین مناطق شهری و روستایی، بهویژه در مناطقی که از شبکههای ریلی برخوردار نیستند، ظاهر میشود. این شیوه حملونقل نه تنها به دلیل کارایی زیستمحیطی و کمک به کاهش انتشار کربن، بلکه به دلیل توانایی منحصربهفردش در ارائه اتصال […]
۱٫ معرفی
این مطالعه از یک رویکرد روششناختی استفاده میکند: مدلسازی معادلات ساختاری (SEM) همراه با شبکههای عصبی مصنوعی (ANN). این رویکرد SEM-ANN به ما اجازه میدهد تا روابط پیچیده و غیرخطی بین ویژگیهای خدمات، کانالهای اطلاعاتی و رضایت مسافران را به تصویر بکشیم. تکنیکهای سنتی ممکن است این تعاملات پیچیده را از دست بدهند. با استفاده از SEM-ANN، ما درک عمیق تری از عوامل مؤثر بر رضایت مسافران در مسیرهای اتوبوس بین شهری به دست می آوریم و بینش های ارزشمندی را برای اپراتورهای اتوبوس ارائه می کنیم تا تجربه مسافران را افزایش دهیم. علیرغم کاربردهای گسترده SEM در زمینههای مختلف، ادغام آن با شبکههای عصبی مصنوعی در تحقیقات حملونقل عمومی، بهویژه در ارزیابی خدمات اتوبوسهای درون شهری، کمک جدیدی را نشان میدهد. برای این منظور از رویکرد دو مرحله ای استفاده شد. اول، SEM برای تعیین اینکه کدام ویژگیها (کانال اطلاعات و خدمات) از نظر آماری به طور قابلتوجهی بر رضایت کلی مسافران از خدمات اتوبوس راه دور تأثیر میگذارد، استفاده شد. دوم، مدلهای ANN برای رتبهبندی تأثیر نسبی پیشبینیکنندههای مهم بهدستآمده از SEM استفاده شد.
۲٫ بررسی ادبیات
مطالعه رضایت مسافران در بخش حمل و نقل عمومی به طور قابل توجهی تکامل یافته است که منعکس کننده نیازهای اجتماعی در حال تغییر، پیشرفت فناوری و سیاست حمل و نقل است. این مرور ادبیات، یافتههای کلیدی تحقیق قبلی را با تمرکز بر کیفیت خدمات، رضایت مسافران و نقش جدید کانالهای اطلاعاتی خلاصه میکند. همچنین کاربرد جدید روشهای SEM و ANN در این زمینه را برجسته میکند و اساس این مطالعه را تشکیل میدهد.
۲٫۱٫ رضایت مسافر
۲٫۲٫ کانال های اطلاعات دیجیتال
۲٫۳٫ استفاده از SEM برای ارزیابی رضایت مسافران از اتوبوس های بین شهری
بخش روش شناسی فرضیه های این مطالعه را که بر اساس تحقیقات قبلی در مورد بررسی SEM از منظر رضایت بود، ترسیم کرد.
۲٫۴٫ استفاده از ANN برای ارزیابی رضایت مسافران از خدمات حمل و نقل
شبکههای عصبی مصنوعی (ANN) سیستمهای پردازش اطلاعات هستند که از عملکرد مغز انسان الهام گرفتهاند. آنها یک جنبه اساسی از هوش مصنوعی (AI) را نشان می دهند که قادر به ارزیابی یا پیش بینی تقریبی نتایج بر اساس عوامل ورودی متعدد با خروجی های نامشخص است. ANN ها در مدیریت مجموعه داده های کوچک از طریق روش یادگیری مرسوم خود که با پیچیدگی ها و توانایی های ساده سازی کمتر مشخص می شود، برتری دارند. علاوه بر این، شبکه های عصبی مصنوعی را می توان یک ابزار مدل سازی تعاملی در نظر گرفت زیرا آنها می توانند با موجودیت های غیرخطی و الگوریتم های پردازش بدون مشکل تعامل داشته باشند. در یک ANN، نورون ها با مقادیر صحیح به جای متغیرهای دودویی نشان داده می شوند و از نمایش مجموعه داده جامع اطمینان حاصل می کنند.
۲٫۵٫ SEM-ANN
ادبیات موجود مطمئناً پایه محکمی برای درک رضایت مسافران فراهم می کند. با این حال، هنوز یک شکاف مهم در بررسی چگونگی تعامل عوامل کیفیت خدمات سنتی با کانال های اطلاعاتی مدرن برای شکل دادن به تجربه کلی مسافران وجود دارد. هدف این مطالعه بررسی این شکاف با بررسی یک سرویس اتوبوس بین شهری نماینده اسپانیا است. به طور خاص، بررسی می کند که چگونه ویژگی های خدمات منتقل شده از طریق کانال های اطلاعاتی (مثلاً برنامه های تلفن همراه یا وب سایت ها) بر رضایت مسافران تأثیر می گذارد. برای این کار، ادغام SEM با رویکرد ترکیبی ANN، قابلیت SEM برای آزمایش فرضیه و اعتبار سنجی چارچوب نظری را با قدرت ANN در شناسایی الگوهای غیرخطی و روابط پیچیده ترکیب میکند. در نتیجه، مدل SEM-ANN دقت و عمق تجزیه و تحلیل دادهها را افزایش میدهد و به درک دقیقتری از رضایت مسافران اجازه میدهد.
۳٫ روش شناسی
۳٫۱٫ چارچوب پیشنهادی
چارچوب پیشنهادی برای پیشبینی رضایت مسافران شامل چهار مرحله است:
اولین گام شامل انجام یک تحلیل عاملی اکتشافی (EFA) با استفاده از نرم افزار SPSSv24 برای شناسایی عوامل زمینه ای موثر بر رضایت مسافران بود. EFA به دلیل توانایی آن در کاهش مجموعه بزرگی از متغیرها به عوامل قابل تفسیر کمتر انتخاب شد. متغیرها برای EFA بر اساس بررسی کامل ادبیات و ارتباط آنها با زمینه این مطالعه انتخاب شدند.
به طور خلاصه:
-
EFA و بررسی رضایت مسافران را طبق برنامه انجام دهید.
-
یک مدل SEM با استفاده از داده های نظرسنجی برای درک روابط بین متغیرها و شناسایی عوامل مهم مؤثر بر رضایت مشتری بسازید. SEM بینش هایی را در مورد “چرا” پشت رضایت مشتری ارائه می دهد.
-
برای پیش بینی رضایت مشتری، یک مدل ANN جداگانه با استفاده از همان داده های نظرسنجی (متغیرهای مستقل-X و رضایت-Y) بسازید.
-
این از متغیرهای مهم شناسایی شده (از SEM) برای پیش بینی استفاده می کند.
-
آموزش و به روز رسانی مدل ANN با داده های مسافران جدید برای بهبود دقت پیش بینی آن. ANN بر روی “چگونه” برای پیش بینی رضایت مشتری با دقت بهبود یافته در طول زمان تمرکز می کند.
۳٫۲٫ طراحی نظرسنجی
بخش B – ویژگی های سفر در این بخش، شش سوال از جمله حالت مورد استفاده برای رسیدن به ایستگاه/خروج از ایستگاه، مبدأ، دفعات سفر و هدف سفر مطرح شد. همانطور که در بخش A، گونهشناسی سؤالات مختلف اعمال شد.
بخش C – ویژگی های مربوط به خدمات. رضایت از صفات مختلف در این بخش، کاربر ویژگی های مربوط به خدمات را در مقیاس لیکرت از ۱ تا ۵ (۱ = “کاملا ناراضی” و ۵ = “کاملا راضی”) رتبه بندی کرد.
بخش D- کانال های اطلاعاتی. دو نوع کانال اطلاعاتی مورد بررسی قرار گرفت: وب و اپلیکیشن موبایل. مسافران اتوبوس قابلیت اطمینان و سهولت استفاده از هشت برنامه تلفن همراه و ویژگی وب را در مقیاس لیکرت، از ۱ تا ۵، رتبهبندی کردند تا موافقت خود را با اظهارات مختلف در مورد ویژگیها مشخص کنند (۱ = “کاملاً مخالفم” و ۵ = “کاملاً” موافق”).
۳٫۳٫ جمع آوری داده ها و نمونه
۳٫۴٫ تحلیل داده ها
SEM در این مطالعه برای بررسی اینکه چگونه پروفایل های کاربر – مانند سن و تجربه – بر ترجیحات کانال های اطلاعاتی و به نوبه خود، رضایت مشتری از ویژگی های خدمات تأثیر می گذارد، استفاده شد. این یک رابطه علی را مدل می کند که هم عوامل قابل مشاهده و هم عوامل پنهان را در نظر می گیرد. داده ها با استفاده از روش های مختلف آماری از جمله تحلیل عاملی، تحلیل مسیر و مدل های رگرسیون مورد تجزیه و تحلیل قرار گرفت. دو جزء SEM عبارتند از (۱) یک مدل ساختاری که قدرت پیوندهای علی بین متغیرهای پنهان را ارزیابی می کند و (۲) یک مدل اندازه گیری که تعامل بین متغیرهای پنهان و قابل مشاهده را به تصویر می کشد.
مدلسازی معادلات ساختاری (SEM) مزایای قابلتوجهی از جمله بارگذاری عاملی، قابلیت اطمینان ترکیبی، میانگین واریانس استخراجشده و چندین شاخص برازش را ارائه میدهد. بارهای عاملی نشان می دهد که هر سوال چقدر مفهوم اساسی خود را نشان می دهد. مقادیر بالا نشان دهنده نمایش خوب است. شاخص هایی مانند شاخص Tucker–Lewis (TLI) و شاخص تناسب هنجار (NFI) باید مقادیر بالاتر از ۰٫۹ داشته باشند تا برازش خوب را نشان دهند. به طور مشابه، RMSEA (ریشه میانگین مربعات خطای تقریب) اگر مقادیر کمتر از ۰٫۰۸ باشد، برازش خوبی را نشان می دهد. با استفاده از این نشانهها، محققان میتوانند مسائل مشکلساز را که نیاز به بهبود دارند پیدا کنند و صحت نتایج خود را با استفاده از SEM تأیید کنند. طراحی تحقیق توسط این رویکرد تکراری پشتیبانی میشود که نتایج قابل اعتمادتری را نیز ارائه میدهد.
سپس، تکنیک مدلسازی ترکیبی، ترکیبی از شبکههای عصبی مصنوعی و SEM، برای ارزیابی رضایت مشتری از خدمات اتوبوسهای درون شهری استفاده شد. SEM اطلاعات روشنگری در مورد ارتباطات علی بین عناصر مختلف مؤثر بر رضایت مسافران ارائه می دهد. سپس ANN ها از این بینش ها برای ایجاد مدل های پیش بینی دقیق تر استفاده می کنند. ANN ها ابزار قدرتمندی برای پیش بینی رضایت مسافران در صنعت حمل و نقل هستند. آنها داده های دنیای واقعی، از جمله عواملی مانند راحتی و تمیزی صندلی را تجزیه و تحلیل می کنند تا روابط پنهان را آشکار کنند. ANN ها می توانند رضایت را برای سناریوهای جدید پیش بینی کنند و به اپراتورها اجازه می دهند منابع را به طور موثر تخصیص دهند. آنها میتوانند عوامل مؤثر بر رضایت را برجسته کنند و به آنها اجازه میدهند پیشرفتهایی مانند سفرهای راحت یا برنامههای سختگیرانهتر رسیدن به موقع را در اولویت قرار دهند. این فرآیند دو مرحلهای ارزیابی دقیقتری از اهمیت نسبی عوامل مهم مؤثر بر رضایت مسافران را امکانپذیر میسازد و دانش عمیقتری از آن عوامل ارائه میدهد. با استفاده از این روش، اپراتورهای اتوبوس ممکن است تجارب مسافران را با استفاده از بینش های مهم داده محور برای اطلاع رسانی عملکرد و برنامه ریزی خدمات بهبود بخشند.
۳٫۵٫ ایجاد فرضیه هایی در مورد عوامل تعیین کننده رضایت مسافر
تجزیه و تحلیل داده ها با استفاده از تکنیک های آماری مانند تحلیل عاملی، تحلیل مسیر و مدل های رگرسیون مزایایی مانند درک اطلاعات پیچیده، شناسایی عوامل زمینه ای و پیش بینی فرضیه ها را ارائه می دهد. این تکنیکها نتایج را تأیید میکنند، پیچیدگی را مدیریت میکنند، از توسعه تکراری پشتیبانی میکنند و کاربردهای دنیای واقعی دارند. ترکیب روشهایی مانند شبکههای عصبی مصنوعی، مدلسازی معادلات ساختاری و تحلیل عاملی اکتشافی امکان تجزیه و تحلیل دقیق عوامل رضایت مسافران را فراهم میکند.
مانند سایر محققان در این زمینه، ما گروه هایی از ویژگی ها را در نظرسنجی ایجاد کردیم تا درک آن آسان شود. به عنوان مثال، بلیط فروشی شامل قیمت بلیط، انواع کرایه ها و سهولت در خرید بلیط است. تجربه سفر مقوله دیگری است که ویژگی هایی مانند اطلاعات داخل اتوبوس، دسترسی، گرمایش و تهویه مطبوع، اطلاعات صحیح و کافی، ظاهر و تصویر راننده و غیره را نشان می دهد. جدول ۶ این دسته از ویژگی ها را نشان می دهد.
بنابراین، فرضیه های زیر مطرح می شود:
کانال های اطلاعاتی ارتباط مثبتی با رضایت کلی دارند.
کانال های اطلاع رسانی ارتباط مثبتی با قیمت بلیط دارند.
کانال های اطلاعات ارتباط مثبتی با تجربه سفر دارند.
بر اساس گفته های قبلی، فرضیه های زیر برای این کار پژوهشی پیشنهاد شده است:
تجربه سفر رابطه مثبتی با رضایت کلی اتوبوس دارد.
تجربه سفر رابطه مثبتی با قیمت بلیط دارد.
قیمت بلیط با رضایت کلی اتوبوس رابطه مثبت دارد.
۴٫ مطالعه موردی
این بخش به مطالعه موردی می پردازد: خدمات اتوبوس بین شهری بین مادرید، پایتخت اسپانیا، و بیلبائو، پنجمین منطقه بزرگ شهری آن. این مسیر با سفرهای روزانه متعدد از ایستگاه مبادله Avenida America مادرید به بیلبائو، نمونه بارز خدمات اتوبوس بین شهری است. آلسا، یکی از شرکت های پیشرو در این بخش، در این مسیر فعالیت می کند. در سال ۲۰۲۴، قیمت بلیط برای یک سفر اتوبوس یک طرفه بین این دو شهر ۳۵-۶۵ یورو و زمان سفر حدود ۴:۳۰ است. انتخاب این مسیر برای تحلیل ما به دلیل موارد زیر قابل توجه است:
مسیر بین شهری نماینده: فاصله ۳۹۸ کیلومتری بین مادرید و بیلبائو در محدوده معمولی مسیرهای اتوبوس بین شهری اسپانیا قرار دارد. با مطالعه الگوهای سواری و گزینههای خدماتی در این مسیر، میتوانیم به بینشهای ارزشمندی دست پیدا کنیم که احتمالاً در بخش قابلتوجهی از شبکه اتوبوسهای بین شهری در اسپانیا اعمال میشود.
دنیای کوچکی از سفرهای بین شهری: مادرید و بیلبائو، به عنوان مراکز اصلی جمعیت، پتانسیل بالایی برای مسافرت های بین شهری ایجاد می کنند. تجزیه و تحلیل سواری در این مسیر بینش هایی را در مورد عواملی که بر انتخاب ها و ترجیحات مسافران در مقایسه با گزینه های سفر جایگزین تأثیر می گذارد، ارائه می دهد. این درک می تواند برای برون یابی یافته ها به مسیرهای بین شهری دیگر استفاده شود.
توپوگرافی متنوع: مسیر از میان دو رشته کوه بزرگ می گذرد: کوه های سیرا مرکزی و کانتابریا. مناطقی که از چالشها و فرصتهای منحصربهفرد برای توسعه زیرساخت اتوبوسهای راه دور عبور کردند.
- (من)
-
منظره کوهستانی: این توپوگرافی ممکن است برای حمل و نقل اتوبوس ایمن و کارآمد نیاز به تعمیر و نگهداری بیشتر جاده ها داشته باشد. به عنوان مثال، مناظر کوهستانی با شیب و نزول تند، به طور قابل توجهی بر زمان سفر تأثیر می گذارد و پیش بینی زمان سفر را دشوار می کند. جاده های پر پیچ و خم در رشته کوه ها نیز زمان سفر را افزایش می دهند و به سرعت کمتری نسبت به مناظر مسطح نیاز دارند.
- (II)
-
آب و هوا: آب و هوای طوفانی مانند برف و مه می تواند دسترسی به جاده ها را تحت تاثیر قرار دهد. پرداختن به این مسائل مستلزم سرمایهگذاری استراتژیک در زیرساختها، از جمله بهبود علائم، سیستمهای پایش آب و هوا، و کارهای تثبیت شیب است. این نوع آب و هوا نیز می تواند غیرقابل پیش بینی باشد و باعث تاخیر و اختلال در برنامه شود.
- (III)
-
برنامهریزی مسیر: رشتهکوهها میتوانند با تأثیر بر تغییرات قله، پیچهای جاده و مشکلات احتمالی مرتبط با آبوهوا، بر برنامهریزی مسیر تأثیر بگذارند.
زیرساخت ترمینال اتوبوسرانی: در دسترس بودن و دسترسی به پایانه های اتوبوسرانی نقش بسزایی در جابجایی و جابجایی مسافران دارد. سرمایهگذاری در ترمینالهای مدرن با قسمتهای انتظار، سرویسهای بهداشتی، و امکانات تهیه بلیط، تجربه مسافران را افزایش میدهد.
۵٫ نتایج
بررسی ما بینش هایی را در مورد رضایت مسافران در صنعت خدمات اتوبوس بین شهری نشان می دهد و اطلاعات قابل توجهی فراتر از مسیر مادرید-بیلبائو ارائه می دهد. جمعیت شناسی مشتریانی که از خدمات اتوبوس بین شهری استفاده می کنند به سمت افراد جوان تر است که قیمت و راحتی این سفرها را بالاتر از رفت و آمدهای روزانه در اولویت قرار می دهند. بخش قابل توجهی از مسافران اتوبوس بین شهری را افراد طبقه متوسط تشکیل می دهند که نشان دهنده دسترسی این بخش به طیف گسترده ای از مقوله های اجتماعی و اقتصادی است. برخی از نتایج، همانطور که قبلا ذکر شد، یافتههایی را از طریق خدمات بین شهری با فاصله کیلومتر استاندارد نشان میدهند و میتوانند نمای کلی تری از اکثر سرویسهای اتوبوس درون شهری و اپراتور آنها برای یافتن عناصر کلیدی برای بهبود رضایت مسافران نشان دهند.
این بخش تجزیه و تحلیل نتایج مراحل مختلف تحقیق را ارائه می دهد.
۵٫۱٫ مشخصات کاربر
۵٫۲٫ ویژگی های سفر
۵٫۳٫ رتبه بندی رضایت کاربر
۵٫۴٫ رضایت مسافران از ویژگی های مرتبط با خدمات
جدول ۶٫
رضایت مسافران از ویژگی های مختلف مربوط به خدمات.
جدول ۶٫
رضایت مسافران از ویژگی های مختلف مربوط به خدمات.
ویژگی ها (مقیاس لیکرت ۱-۵) | منظور داشتن | Std. توسعه دهنده |
---|---|---|
تهیه بلیط | ||
قیمت بلیط | ۳٫۳ | ۱٫۰۳ |
انواع کرایه ها | ۳٫۰ | ۱٫۱۶ |
سهولت در خرید بلیط | ۳٫۰ | ۱٫۸۵ |
تجربه سفر | ||
اطلاعات داخل اتوبوس | ۳٫۵ | ۱٫۲۸ |
دسترسی | ۳٫۵ | ۱٫۲۸ |
گرمایش و تهویه مطبوع | ۳٫۸ | ۰٫۹۸ |
اطلاعات صحیح و کافی | ۳٫۸ | ۱٫۱۳ |
ظاهر و تصویر راننده | ۴٫۱ | ۱٫۱۹ |
نرمی در رانندگی (منحنی، ترمز) | ۴٫۳ | ۰٫۷۷ |
احساس امنیت در طول سفر | ۴٫۳ | ۰٫۸۳ |
مدت زمان سفر | ۳٫۷ | ۱٫۰۶ |
زمان دسترسی به اتوبوس | ۴٫۰۸ | ۰٫۸۶ |
وقت شناسی حرکت | ۴٫۳ | ۰٫۹۰ |
خدمات کمکی شرکت | ۳٫۳۷ | ۱٫۵۶ |
اطلاعیه حوادث در سرویس | ۲٫۳۳ | ۱٫۹۴ |
سرویس گم شده/پیدا شده | ۱٫۱ | ۱٫۷۹ |
سهولت در تماس با شرکت | ۲٫۳ | ۱٫۹۱ |
امنیت و کنترل چمدان | ۳٫۶ | ۱٫۳۲ |
۵٫۵٫ ارزیابی ویژگی های کانال اطلاعاتی از نظر کاربران
بخش D این نظرسنجی بر ارزیابی کیفیت درک شده از کانال های اطلاعاتی شرکت (وب و اپلیکیشن موبایل) متمرکز بود. در این نظرسنجی، مسافران باید نوع کانال اطلاعاتی را که بیشتر برای سفر خود استفاده میکنند، از بین سه گزینه انتخاب میکردند: وبسایت، اپلیکیشن موبایل و موارد دیگر. از بین تمامی پاسخ دهندگان، ۱۶۰ نفر (۳۴%) از اپلیکیشن موبایل استفاده می کنند و ۲۷۲ نفر (۵۹%) بقیه از این وب سایت برای برنامه ریزی سفرهای خود استفاده می کنند. در میان کاربران اپلیکیشن موبایل، ۶۸ درصد زن و ۳۰ درصد مرد هستند، در حالی که کاربران وب سایت با ۵۸ درصد زن و ۴۲ درصد مرد، درصد بیشتری از مردان دارند. از نظر سنی، افراد بین ۱۸ تا ۲۵ سال (۳۹%) بیشترین درصد کاربران اپلیکیشن موبایل را تشکیل می دهند، در حالی که افراد بین ۳۶ تا ۶۰ سال (۳۶%) بیشترین سهم کاربران وب را دارند. با توجه به اینکه دفعات سفر می تواند بر پلتفرم انتخاب شده تأثیر بگذارد، برنامه موبایل و وب به طور جداگانه تجزیه و تحلیل شدند. در میان کاربران اپلیکیشن، ۳۵ درصد مسافرانی هستند که چند بار در ماه به سفر می روند و ۵۹ درصد نیز گهگاهی سفر می کنند. از سوی دیگر، ۸۲ درصد از کاربران وب گاهی اوقات سفر می کنند.
۵٫۶٫ تحلیل عاملی اکتشافی (EFA)
۵٫۷٫ مدل سازی معادلات ساختاری برای آزمون فرضیه ها
تجربه سفر و قیمت بلیط (H5)، تجربه سفر و رضایت کلی (H4)، کانال های اطلاعاتی و رضایت کلی (H1)، کانال های اطلاعاتی و قیمت بلیط (H2) و قیمت بلیط و رضایت کلی (H6) رابطه معنی داری دارند.
علاوه بر این، ریشه استاندارد شده میانگین مربع باقیمانده (SRMRs) و شاخص برازش مقایسه ای (CFI) برآورد شد. برازش کلی مدل رضایتبخش بود (RMSE = 0.06؛ SRMR = 0.04؛ و CFI = 0.9).
۵٫۸٫ SEM-ANN
۵٫۹٫ تجزیه و تحلیل حساسیت ANN
۶٫ بحث
ویژگی های جمعیت شناختی و سفر مسافران برای برآوردن نیازهای مسافران ضروری است. اگرچه مسیر مادرید-بیلبائو در مرکز تحقیقات ما بود، اما همین روند را می توان در سایر خدمات اتوبوس بین شهری مشاهده کرد. اپراتورها می توانند با درک نمایه های کاربر و تأثیر آنها بر رضایت، منابع را به طور مؤثرتری برای رفع نیازهای مسافران تخصیص دهند. سرمایه گذاری در پلتفرم های دیجیتال کاربر پسند می تواند تجربه مسافران را با ارائه کانال های اطلاعاتی به طور قابل توجهی افزایش دهد. اپراتورها می توانند از رابط های دیجیتال برای انتشار اطلاعات و افزایش ارزش خدمات استفاده کنند. این را می توان با اولویت بندی بهبود در وب سایت و خدمات برنامه به دست آورد.
نتایج تجزیه و تحلیل SEM اعتبار پرسشنامه مورد استفاده در این مطالعه را تایید می کند. بارهای عاملی بالا (برای مثال بالای ۰٫۷) نشان می دهد که سؤالات نظرسنجی ساختارهای مورد نظر را به خوبی دریافت کرده اند. مقادیر خوب SRMR (زیر ۰۸/۰) نشان می دهد که مفاهیم مورد نظر به طور موثر در سوالات اندازه گیری شده اند. در نهایت، شاخص های برازش، از جمله CFI (به عنوان مثال، بالای ۰٫۹)، سازگاری مدل عمومی SEM با داده های جمع آوری شده را تایید می کند.
۶٫۱٫ نمایه های کاربر برای خدمات اتوبوس بین شهری
هنگام بررسی خدمات اتوبوس های بین شهری، عواملی مانند ایمنی، قیمت بلیط، وقت شناسی/قابلیت اطمینان و دسترسی مهم تر از مسافران کم تحرک (RMPs) در نظر گرفته شده اند. این رتبهبندی پایینتر نشان میدهد که مسافران به ویژگیهایی اهمیت میدهند که مستقیماً بر تجربیات سفر منحصربهفردشان تأثیر میگذارد، مانند مقرون به صرفه بودن و وقتشناسی، بیش از دسترسی و اتصال چندوجهی. این می تواند نشان دهد که مردم معتقدند دسترسی به RMP در حال حاضر کافی است یا به سایر عناصری که تأثیر مستقیم مهم تری بر راحتی عمومی و کیفیت سفر با اتوبوس دارند اهمیت کمتری داده می شود.
در مقایسه، اهمیت اتصالات با سایر حالتها کمتر رتبهبندی میشود، که نشان میدهد اجزای اصلی سفر در اولویت قرار دارند. این میتواند نشاندهنده این باشد که مسافران فکر میکنند وضعیت موجود اتصال میانوجهی کافی است، یا میتواند نتیجه سوگیری نمونهای باشد که در آن برخی از دیدگاههای مسافران کمتر ارائه میشوند، مانند کسانی که به ویژگیهای دسترسی نیاز دارند یا برای سفرهای طولانیتر به ارتباطات وابسته هستند. با اذعان به اینکه، حتی اگر به عنوان “کمتر مهم” برچسب گذاری شده اند، برخی از عناصر برای گروه های مسافری خاص یا موقعیت های مسافرتی مهم هستند، این را نباید به سادگی گرفت.
از نظر نوع بلیط، بلیط های رفت و برگشت و یک طرفه بیشترین استفاده را با سهام مشابه دارند. نتایج ANOVA یک طرفه نشان می دهد که هیچ رابطه آماری معنی داری بین ویژگی های سفر مسافر و اهمیت ویژگی های مختلف برای استفاده از اتوبوس وجود ندارد. از سوی دیگر، سن، جنسیت، شغل و درآمد با اهمیت حداقل یکی از ویژگی های در نظر گرفته شده مرتبط است.
۶٫۲٫ رضایت از ویژگی های مختلف مرتبط با خدمات
نتایج نشان میدهد که رضایت مسافران از هشت ویژگی از هجده ویژگی خدماتی ارزیابیشده به سن، درآمد، یا دفعات و هدف سفر آنها مربوط میشود. رضایت از سهولت خرید بلیط مربوط به سن مسافران است که به پشتوانه شکایت مسافران مسن که خواستار خدمات فروش حضوری بودند، می باشد. با توجه به ویژگیهای سفر، هم تعداد و هم هدف سفر با رضایت مسافران از مدت زمان سفر و وقتشناسی خدمات مرتبط است. همانطور که انتظار می رود، مسافران مکرر نسبت به مسائل زمان بندی انعطاف کمتری دارند. در نهایت، درآمد مسافران مربوط به رضایت آنها از خدمات تکمیلی مانند گم شدن/پیدا شدن و اطلاع رسانی حوادث است. مشاهده شده است که مسافران با درآمد بالاتر با این نوع خدمات مشتری، انتخابکنندهتر هستند.
۶٫۳٫ ارزیابی ویژگی های کانال اطلاعات
ارزش کانال های اطلاع رسانی شرکت (وب و اپلیکیشن موبایل) ارزیابی شد. از مسافران خواسته شد تا بگویند تا چه حد با هشت بیانیه مربوط به عملکرد کانالی که اغلب استفاده می کنند موافق هستند. قابلیت اطمینان داده ها به عنوان بهترین ویژگی برنامه و وب شناخته می شود. علاوه بر این، مسافران هر دو کانال را «آسان برای استفاده» و «همیشه بهروز» در نظر میگیرند، که با نمرات بالا برای این دو ویژگی پشتیبانی میشود. در طرف مقابل، ویژگی با بدترین امتیاز نیز برای هر دو کانال همزمان است و به سرعت واکنش شرکت در صورت بروز حادثه مربوط می شود.
جالب اینجاست که آمارها نشان می دهد که زنان بیشتر از مردان کاربران اپلیکیشن موبایل را تشکیل می دهند—۶۸ درصد در مقابل ۳۰ درصد. از سوی دیگر، ۵۸ درصد از بازدیدکنندگان وب سایت را مردان و ۴۲ درصد را زنان تشکیل می دهند. در زمینه تحلیل واریانس یک طرفه، نتایج نشان میدهد که ارزش تمامی ویژگیهای وبسایت تنها به دفعات و هدف سفر مرتبط است. در رابطه با اپلیکیشن موبایل، جنسیت مسافر و تعداد دفعات سفر آنها به پنج ویژگی از هشت ویژگی آن مرتبط است. علاوه بر این، مشاهده می شود که فرکانس سفر با سهولت استفاده، قابلیت اطمینان داده ها و امکان تعریف هزینه بلیط برای هر دو کانال مرتبط است. با توجه به نتایج SEM مطالعه ما، کانال های اطلاعاتی به طور قابل توجهی بر رضایت کلی تأثیر می گذارد.
تأثیر مستقیم کانالهای اطلاعاتی بر رضایت، به واسطه درک قیمت بلیط، بینش جدیدی را در مورد نقش رابطهای دیجیتال در تجربه مسافر معرفی میکند. این یافته به ادبیات رو به رشد در مورد تحول دیجیتال خدمات حمل و نقل عمومی کمک می کند و نشان می دهد که کانال های اطلاعاتی به عنوان ابزاری برای انتشار اطلاعات و به عنوان اجزای جدایی ناپذیر ارزش خدمات عمل می کنند.
۶٫۴٫ مدل SEM-ANN
این مدل نشان میدهد که ویژگیهای تجربه سفر، کانالهای اطلاعاتی و قیمت بلیط به طور مثبت بر رضایت مسافران تأثیر میگذارد. در میان متغیرهای پنهانی که به طور قابلتوجهی بر رضایت کلی در مدل SEM تأثیر میگذارند، قیمت بلیط قویترین پیشبینیکننده رضایت کلی در مدل ANN است. این نشان می دهد که رضایت مسافران زمانی افزایش می یابد که آنها درک کنند که کرایه برای خدمات دریافتی کافی است.
این یافته ها پیامدهای عملی برای اپراتورهای اتوبوس و سیاست گذاران دارد. تأثیر واضح قیمت بلیط بر رضایت نشان می دهد که استراتژی های قیمت گذاری باید به دقت مورد توجه قرار گیرند و به طور بالقوه مدل های قیمت گذاری انعطاف پذیر یا تخفیف هایی را برای افزایش ارزش درک شده در نظر بگیرند.
از آنجایی که متغیر پنهان کانال های اطلاعاتی و استفاده از روش ترکیبی SEM-ANN برای هیچ مطالعه ای در مورد رضایت مسافران از خدمات اتوبوس های بین شهری اعمال نشده است، هر مسیر در مدل SEM و عملکرد پیش بینی آن در SEM-ANN در زیر مورد بحث قرار گرفته است. :
۷٫ نتیجه گیری
یافته های ما رویکردی جامع برای ارائه اطلاعات مهم برای اپراتورها و سیاست گذاران ارائه می دهد. هدف این است که یک سرویس اتوبوس بین شهری رضایت بخش تر و رقابتی تر را ایجاد کند که نیازهای فوری مشتری را در نظر بگیرد و با معیارهای زیست محیطی، اجتماعی، اقتصادی و پایداری همسو باشد.
- –
-
توسعه و اجرای دستورالعملهای قیمتگذاری منصفانه: این مطالعه بر تأثیر قیمت بلیط بر رضایت مسافران تأکید میکند. برای حل این مشکل و در نظر گرفتن درآمد شرکت، باید مکانیسمهای قیمتگذاری پویا عادلانه را در نظر بگیریم. این میتواند مستلزم قوانین خاصی باشد که دقیقاً ارزش ارائهشده را نشان میدهد، مانند سقف قیمت، تخفیفهای اولیه، و قیمتگذاری سطحی برای گروههای مشتری خاص.
یافتههای ما بر ماهیت چندوجهی عوامل تعیینکننده رضایت تأکید میکند و به ما کمک میکند تا بینشهای استراتژیک زیر را برای افزایش خدمات ارائه کنیم:
- –
-
سرمایه گذاری در بهبود کیفیت در تجربه سفر: ما مشاهده کرده ایم که ویژگی های تجربه سفر مانند وقت شناسی، ایمنی و خدمات مشتری تأثیر قابل توجهی بر رضایت مسافران دارد و نیاز به سرمایه گذاری اضافی در این زمینه ها را نشان می دهد. اپراتورها ممکن است نیاز به ایجاد استانداردهایی برای اندازه گیری و نظارت بر این ویژگی ها داشته باشند تا از معیارهای معینی فراتر روند تا انتظارات مسافران برآورده شود.
- –
-
تقویت تحول دیجیتال در خدمات: مطالعه ما بر نقش محوری پلت فرم های دیجیتال در افزایش رضایت مسافران تاکید می کند. تصمیم گیرندگان باید ابتکارات مالی یا مشوق هایی را برای اپراتورها برای ارتقای زیرساخت دیجیتال خود ترویج کنند. این نسخه ارتقا یافته حداقل باید گزینه های خرید بلیط را ارائه دهد، اطلاعات بلادرنگ را ارائه دهد و تعامل مشتری-شرکت را تسهیل کند. این فناوریها باید بتوانند خدمات را از طریق پلتفرمهای کاربر پسند طراحی شده بر اساس نیازهای کاربران، قابل دسترستر و قابل اعتمادتر کنند.
- –
-
شکافهای کیفیت خدمات آدرس: بهبودهای هدفمند در زمینههایی مانند خدمات گمشده/پیدا شده، حمل بار و سهولت تعامل با مشتری مورد نیاز است. اپراتورها باید مکانیسم های بازخورد را برای شناسایی نقاط ضعف خدمات پیاده سازی کنند. نظارت منظم همراه با این بازخورد می تواند تضمین کند که حداقل استانداردهای خدمات انجام می شود.
مشارکت های نویسنده
مفهوم سازی، SR و AM. روش، SR و AM. نرم افزار، SR; تجزیه و تحلیل رسمی، AC; بررسی، SR و AC. مدیریت داده، AC; نوشتن-پیش نویس اصلی، SR; نوشتن – بررسی و ویرایش، SR، AC و AM. نظارت، AM; کسب بودجه، AM همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.
منابع مالی
این تحقیق از حمایت مالی وزارت علوم و نوآوری اسپانیا (MCIN/AEI/10.13039/501100011033) از طریق پروژه TrackBest-3S (RTC2019-007041-4) برخوردار بود.
بیانیه هیئت بررسی نهادی
قابل اجرا نیست.
بیانیه رضایت آگاهانه
قابل اجرا نیست.
بیانیه در دسترس بودن داده ها
داده های ارائه شده در این مطالعه به درخواست نویسنده مسئول در دسترس است.
قدردانی ها
نویسندگان می خواهند از اپراتور اتوبوس ALSA (مادرید، اسپانیا) برای همکاری فعال خود برای عملکرد نظرسنجی و داده های ارائه شده در خدمات اتوبوس قدردانی کنند.
تضاد علاقه
نویسندگان هیچ تضاد منافع را اعلام نمی کنند.
پیوست اول
منابع
- چانگ، Y.-H. بله، سی.-اچ. مسئولیت اجتماعی شرکت و وفاداری مشتری در خدمات اتوبوسرانی بین شهری. ترانسپ خط مشی ۲۰۱۷، ۵۹، ۳۸-۴۵٫ [Google Scholar] [CrossRef]
- جاوید، ر. صادق وزیری، ه.. بررسی رابطه بین دسترسی به حمل و نقل اتوبوس بین شهری و سهام عدالت. ترانسپ Res. ضبط J. Transp. Res. هیئت مدیره ۲۰۲۲، ۲۶۷۶، ۷۱۱-۷۱۹٫ [Google Scholar] [CrossRef]
- Czepiel، JA خدمات و روابط خدمات: مفاهیم برای تحقیق. اتوبوس جی. Res. 1990، ۲۰، ۱۳-۲۱٫ [Google Scholar] [CrossRef]
- اینگواردسون، جی بی. نیلسن، OA رابطه بین هنجارها، رضایت و استفاده از حمل و نقل عمومی: مقایسه ای در بین شش شهر اروپایی با استفاده از مدل سازی معادلات ساختاری. ترانسپ Res. بخش A سیاست سیاست. ۲۰۱۹، ۱۲۶، ۳۷-۵۷٫ [Google Scholar] [CrossRef]
- ابولی، ال. Mazzulla، G. شاخص های عملکرد برای یک اندازه گیری عینی کیفیت خدمات حمل و نقل عمومی. یورو ترانسپ ۲۰۱۲، ۱-۲۱٫ [Google Scholar]
- ژانگ، سی. لیو، ی. لو، دبلیو. Xiao, G. ارزیابی شاخص رضایت مسافر بر اساس مدل PLS-SEM: شواهدی از خدمات حمل و نقل عمومی چین. ترانسپ Res. بخش A سیاست سیاست. ۲۰۱۹، ۱۲۰، ۱۴۹-۱۶۴٫ [Google Scholar] [CrossRef]
- د اونا، جی. د اونا، آر. ابولی، ال. Mazzulla، G. کیفیت خدمات درک شده در سرویس حمل و نقل اتوبوس: یک رویکرد معادله ساختاری. ترانسپ خط مشی ۲۰۱۳، ۲۹، ۲۱۹-۲۲۶٫ [Google Scholar] [CrossRef]
- دل اولیو، ال. ایبیاس، ا. Cecin، P. کیفیت خدمات مورد نظر کاربران حمل و نقل عمومی. ترانسپ خط مشی ۲۰۱۱، ۱۸، ۲۱۷-۲۲۷٫ [Google Scholar] [CrossRef]
- آلن، جی. مونوز، جی سی. Ortúzar، J. de D. مدلسازی خدمات خاص و رضایت حمل و نقل جهانی تحت سفر و ناهمگونی کاربر. ترانسپ Res. بخش A سیاست سیاست. ۲۰۱۸، ۱۱۳، ۵۰۹-۵۲۸٫ [Google Scholar] [CrossRef]
- Carman، JM ادراکات مصرف کننده از کیفیت خدمات: ارزیابی ابعاد SERVQUAL. J. خرده فروشی. ۱۹۹۰، ۶۶، ۳۳-۵۵٫ [Google Scholar]
- Oboknb، دی جی; کلارک، ام جی توسعه پرسشنامههای نظرسنجی برای بررسی آسایش مسافران. ارگونومی ۱۹۷۳، ۶، ۸۵۵-۸۶۹٫ [Google Scholar] [CrossRef]
- ابولی، ال. Mazzulla، G. یک شاخص جدید رضایت مشتری برای ارزیابی کیفیت خدمات حمل و نقل. J. Public Transp. 2009، ۱۲، ۲۱-۳۷٫ [Google Scholar] [CrossRef]
- منگ، ام. راو، ا. Mahardhika، H. حمل و نقل عمومی درک زمان سفر: اثرات ویژگی های اجتماعی و اقتصادی، ویژگی های سفر و استفاده از تسهیلات. ترانسپ Res. بخش A سیاست سیاست. ۲۰۱۸، ۱۱۴، ۲۴-۳۷٫ [Google Scholar] [CrossRef]
- ابولی، ال. Mazzulla, G. روشی برای ارزیابی کیفیت خدمات حمل و نقل بر اساس معیارهای ذهنی و عینی از دیدگاه مسافر. ترانسپ خط مشی ۲۰۱۱، ۱۸، ۱۷۲-۱۸۱٫ [Google Scholar] [CrossRef]
- رزا، ع. کریم، آقا؛ Rusli، AN; Rusli، AM درک متغیرهای مهم برای ترجیح حالت: مطالعه موردی حالت زمین بین شهری. IOP Conf. سر. محیط زمین. علمی ۲۰۲۱، ۷۰۸۰۱۲۰۴۰٫ [Google Scholar] [CrossRef]
- وو، جی. یانگ، م. رسولی، س. Xu, C. بررسی ارزیابیهای مسافران از کیفیت خدمات اتوبوس با استفاده از شبکههای بیزی. J. Public Transp. 2016، ۱۹، ۳۶-۵۴٫ [Google Scholar] [CrossRef]
- گنجی، س.س. آهنگر، AN; آواستی، ع. جمشیدی بندری، س. تحلیل روانشناختی رضایت مسافران اتوبوس بین شهری با استفاده از روش کیو. ترانسپ Res. بخش A سیاست سیاست. ۲۰۲۱، ۱۵۴، ۳۴۵-۳۶۳٫ [Google Scholar] [CrossRef]
- رودریگز-والنسیا، آ. Ortiz-Ramirez، HA; سیمانکاس، دبلیو. درک رضایت کاربر ترانزیت با سیستم اتوبوس یکپارچه Vallejo-Borda، JA. J. Public Transp. 2022، ۲۴، ۱۰۰۰۳۷٫ [Google Scholar] [CrossRef]
- آموا، اف. ون ایک، م. یولوکازی، ام. پیشبینیکنندههای رضایت مسافران از کشتیهای مسافربری راه دور در آفریقای جنوبی. اس افر. جی. اکون. مدیریت علمی ۲۰۲۲، ۲۵، ۱-۱۰٫ [Google Scholar] [CrossRef]
- قوش، ر. پراگاتی، ر. اولاس، اس. بورا، اس. سیستم های حمل و نقل هوشمند: یک بررسی. در مجموعه مقالات دومین کنفرانس بین المللی مدارها، کنترل ها و ارتباطات، CCUBE 2017 — مجموعه مقالات، بنگلور، هند، ۱۵-۱۶ دسامبر ۲۰۱۷؛ صص ۱۶۰-۱۶۵٫ [Google Scholar] [CrossRef]
- شلغم، ا. شلغم، م. دارما، ا. پانینساری، دی. نبابان، ت. Novalinda Ginting، C. کاربرد سیگنال های الکتروکاردیوگرام جنینی الگوریتم فیلتر اصلاح شده با موضوعات مختلف. بین المللی جی آرتیف. اینتل. ۲۰۲۰، ۱۸، ۲۰۷-۲۱۷٫ [Google Scholar]
- لی، جی. جیا، اس. ژانگ، اس. وانگ، ی. مدلسازی و تحلیل انتخاب کانال بلیط برای مسافران اتوبوس بین شهری: مطالعه موردی در پکن، چین. J. Adv. ترانسپ ۲۰۱۹، ۲۰۱۹، ۸۱۹۸۳۴۶٫ [Google Scholar] [CrossRef]
- مونزون، آ. هرناندز، اس. Cascajo, R. سیستمهای اطلاعات مسافران و کیفیت خدمات اتوبوسرانی. در مجموعه مقالات دوازدهمین کنفرانس بین المللی “قابلیت اطمینان و آمار در حمل و نقل و ارتباطات”، ریگا، لتونی، ۱۷-۲۰ اکتبر ۲۰۱۲٫ صص ۱-۱۰٫ [Google Scholar]
- رومرو، سی. مونزون، آ. آلونسو، آ. جولیو، R. تقاضای بالقوه برای سفرهای رفت و آمد با اتوبوس در راهروهای شهری از طریق استفاده از ابزارهای اطلاعات بلادرنگ. بین المللی J. Sustain. ترانسپ ۲۰۲۲، ۱۶، ۳۱۴-۳۲۵٫ [Google Scholar] [CrossRef]
- جاوید، MA; علی، ن. حسین شاه، س. عبدالله، م. نگرش مسافران نسبت به خدمات حمل و نقل عمومی مبتنی بر برنامه تلفن همراه در لاهور. سیج باز ۲۰۲۱، ۱۱، ۲۱۵۸۲۴۴۰۲۰۹۸۸۷۰۹٫ [Google Scholar] [CrossRef]
- رومرو، سی. مونزون، آ. آلونسو، آ. Julio, R. ارزش افزوده شده یک برنامه حمل و نقل سفارشی برای سفرهای اتوبوس شهری. ترانسپ هیچ چی. ادامه داد ۲۰۲۰، ۴۷، ۵۱۳–۵۲۰٫ [Google Scholar] [CrossRef]
- Wen, C.-H.; Lan، LW; چنگ، اچ.-ال. مدل سازی معادلات ساختاری برای تعیین وفاداری مسافران نسبت به خدمات اتوبوس بین شهری. ترانسپ Res. ضبط J. Transp. Res. هیئت مدیره ۲۰۰۵، ۱۹۲۷، ۲۴۹-۲۵۵٫ [Google Scholar] [CrossRef]
- فریتاس، ALP ارزیابی کیفیت حمل و نقل جاده ای بین شهری مسافران: یک مطالعه اکتشافی در برزیل. ترانسپ Res. بخش A سیاست سیاست. ۲۰۱۳، ۴۹، ۳۷۹-۳۹۲٫ [Google Scholar] [CrossRef]
- Jöreskog، KG تجزیه و تحلیل ساختارهای کوواریانس. که در تجزیه و تحلیل چند متغیره – III; الزویر: آمستردام، هلند، ۱۹۷۳; ص ۲۶۳-۲۸۵٫ [Google Scholar]
- Wiley, DE مسئله شناسایی برای مدل های معادلات ساختاری با متغیرهای اندازه گیری نشده. که در مدل های معادلات ساختاری در علوم اجتماعی; انتشارات سمینار: نیویورک، نیویورک، ایالات متحده آمریکا، ۱۹۷۳; صص ۱۰۰-۱ ۶۹-۸۳٫ [Google Scholar]
- وان، دی. کامگا، سی. هائو، دبلیو. سوگیورا، ا. بیتون، رضایت مشتری EB با حمل و نقل سریع اتوبوس: مطالعه خدمات اتوبوس انتخابی شهر نیویورک با استفاده از مدلسازی معادلات ساختاری. ترانسپ عمومی ۲۰۱۶، ۸، ۴۹۷-۵۲۰٫ [Google Scholar] [CrossRef]
- Wallin Andreassen، T. (عدم)رضایت از خدمات عمومی: مورد حمل و نقل عمومی. J. Serv. علامت گذاری. ۱۹۹۵، ۹، ۳۰-۴۱٫ [Google Scholar] [CrossRef]
- کارلافتیس، م. گلیاس، ج. Papadimitriou، E. کیفیت حمل و نقل به عنوان یک استراتژی مدیریت ترافیک یکپارچه: اندازه گیری خدمات درک شده. J. Public Transp. 2001، ۴، ۲۷-۴۴٫ [Google Scholar] [CrossRef]
- لای، W.-T. چن، سی.-ف. نیات رفتاری مسافران حمل و نقل عمومی – نقش کیفیت خدمات، ارزش درک شده، رضایت و مشارکت. ترانسپ خط مشی ۲۰۱۱، ۱۸، ۳۱۸-۳۲۵٫ [Google Scholar] [CrossRef]
- یان، اچ. وانگ، ایکس. لیانگ، دبلیو. کنگ، L. انتخاب حالت ترافیک رفت و آمد بر اساس مدل معادلات ساختاری. دانشگاه پکن تکنولوژی ۲۰۱۵، ۴۱، ۵۹۰–۵۹۶٫ [Google Scholar]
- ابولی، ال. فورسینیتی، سی. مدلهای اندازهگیری شکلدهنده و انعکاسی برای تحلیل کیفیت خدمات حملونقل مازولا، جی. ترانسپ عمومی ۲۰۱۸، ۱۰، ۱۰۷-۱۲۷٫ [Google Scholar] [CrossRef]
- گاریدو، سی. د اونا، آر. دی اونا، جی. شبکه های عصبی برای تجزیه و تحلیل کیفیت خدمات در حمل و نقل عمومی. سیستم خبره Appl. 2014، ۴۱، ۶۸۳۰–۶۸۳۸٫ [Google Scholar] [CrossRef]
- ابراهیم، ANH; برهان، من. عثمان، م.ح. مت یزید، آقا؛ دکتر روحانی، م. تأثیر کیفیت خدمات بر رضایت درک شده کاربر از خدمات حمل و نقل ریلی سبک در دره کلانگ، مالزی. ریاضیات ۲۰۲۲، ۱۰، ۲۲۱۳٫ [Google Scholar] [CrossRef]
- صیاد، گ. سریواستاوا، م. Rathwa، D. بررسی عوامل تعیین کننده رفتار انتخاب حالت تغذیه کننده با استفاده از شبکه عصبی مصنوعی: شواهدی از متروی دهلی. فیزیک یک آمار مکانیک. برنامه آن است. ۲۰۲۲، ۵۹۸، ۱۲۷۳۶۳٫ [Google Scholar] [CrossRef]
- استرناد زابوکوفسک، اس. کالینیچ، ز. بابک، اس. Tominc، P. SEM-ANN بر اساس تحقیقات تاثیر عوامل بر استفاده گسترده از سیستم های ERP. سنت. یورو جی. اوپر. Res. 2019، ۲۷، ۷۰۳-۷۳۵٫ [Google Scholar] [CrossRef]
- چونگ، AY-L. یک رویکرد شبکه عصبی دو مرحلهای SEM برای درک و پیشبینی عوامل تعیینکننده پذیرش تجارت الکترونیکی. سیستم خبره Appl. 2013، ۴۰، ۱۲۴۰-۱۲۴۷٫ [Google Scholar] [CrossRef]
- اسکات، جی. Walczak، S. تعامل شناختی با ابزار آموزشی ERP چند رسانه ای: ارزیابی خودکارآمدی رایانه و پذیرش فناوری. Inf. مدیریت ۲۰۰۹، ۴۶، ۲۲۱-۲۳۲٫ [Google Scholar] [CrossRef]
- دیویس، اف. گود، ام. مازانک، ج. موتینیو، L. LISREL و مدل سازی شبکه عصبی: دو مطالعه مقایسه ای. J. خرده فروشی. مصرف کنید. خدمت ۱۹۹۹، ۶، ۲۴۹-۲۶۱٫ [Google Scholar] [CrossRef]
- چان، FTS; Chong, AYL یک رویکرد شبکه عصبی SEM برای درک عوامل تعیین کننده پذیرش استاندارد سیستم بین سازمانی و عملکرد. تصمیم می گیرد. سیستم پشتیبانی ۲۰۱۲، ۵۴، ۶۲۱-۶۳۰٫ [Google Scholar] [CrossRef]
- آهنی، ع. رحیم، NZA; نیلاشی، م. پیش بینی پذیرش CRM اجتماعی در SMEs: یک روش ترکیبی SEM-شبکه عصبی. محاسبه کنید. هوم رفتار ۲۰۱۷، ۷۵، ۵۶۰–۵۷۸٫ [Google Scholar] [CrossRef]
- گارسون، جی دی شبکه های عصبی: راهنمای مقدماتی برای دانشمندان علوم اجتماعی; انتشارات سیج: لندن، انگلستان، ۱۹۹۸٫ [Google Scholar]
- دومیترو، سی. ماریا، وی. مزایا و معایب استفاده از شبکه های عصبی برای پیش بینی. دانشگاه اویدیوس ان سر. اقتصاد بدانید ۲۰۱۳، ۱۳، ۴۴۴٫ [Google Scholar]
- صهیب، ا. حسین، دبلیو. آصف، م. احمد، م. Mazzara، M. یک رویکرد شبکه عصبی PLS-SEM برای درک پذیرش ارزهای دیجیتال. دسترسی IEEE 2020، ۸، ۱۳۱۳۸–۱۳۱۵۰٫ [Google Scholar] [CrossRef]
- هاکل، پی. Westlund، AH در مورد مدل سازی معادلات ساختاری برای اندازه گیری رضایت مشتری. کیفیت کل مدیریت ۲۰۰۰، ۱۱، ۸۲۰–۸۲۵٫ [Google Scholar] [CrossRef]
- ژو، ی. ژانگ، ال. Chiaradia، AJF اقتباسی از پیشبینی کلاس مرجع برای ارزیابی چشمانداز برنامهریزی شهری در مقیاس بزرگ، یک رویکرد SEM-ANN در مورد فردای هنگ کنگ Lantau. سیاست کاربری زمین ۲۰۲۱، ۱۰۹، ۱۰۵۷۰۱٫ [Google Scholar] [CrossRef]
- ابراهیم، ANH; برهان، من. مت یزید، آقا؛ حسن، س. آرهام، AF; هاشم، اس. مدل سازی رضایت مسافر و قصد استفاده مجدد با خدمات مونوریل در کوالالامپور، مالزی: یک رویکرد ترکیبی SEM-ANN. ریاضیات ۲۰۲۳، ۱۱، ۳۳۶۱٫ [Google Scholar] [CrossRef]
- فلسوک، تی. ویپولانوسات، دبلیو. ثمستیتدژ، پ. رامجان، س. سانکفو، جی. Ratanavaraha, V. یک رویکرد ترکیبی سه مرحله ای SEM-BN-ANN برای تجزیه و تحلیل کیفیت خدمات فرودگاهی. پایداری ۲۰۲۳، ۱۵، ۸۸۸۵٫ [Google Scholar] [CrossRef]
- وانگ، ی. یان، ایکس. ژو، ی. Xue, Q. تأثیر مکانیسم عوامل بالقوه در انتخاب حالت سفر در مسافت طولانی مسافران بر اساس مدل سازی معادلات ساختاری. پایداری ۲۰۱۷، ۹، ۱۹۴۳٫ [Google Scholar] [CrossRef]
- ون آکر، وی. کسلز، آر. پالهازی کوئروو، دی. لانو، س. Witlox، F. ترجیحات برای حمل و نقل با قطار از راه دور: شواهدی از یک آزمایش انتخاب گسسته. ترانسپ Res. بخش A سیاست سیاست. ۲۰۲۰، ۱۳۲، ۷۵۹-۷۷۹٫ [Google Scholar] [CrossRef]
- مونزون، آ. خولیو، آر. گارسیا مارتینز، A. روش ترکیبی برای بهبود نرخ پاسخ و کیفیت داده ها در بررسی های تحرک. رفتار سفر. Soc. 2020، ۲۰، ۱۵۵-۱۶۴٫ [Google Scholar] [CrossRef]
- معماریان، بی. جئونگ، DHS؛ اوهم، دی. اثرات تکنیکهای نظرسنجی بر عملکرد نظرسنجی در هیئت مدیره. ترانسپ خط مشی ۲۰۱۲، ۲۱، ۵۲-۶۲٫ [Google Scholar] [CrossRef]
- د اونا، آر. ماچادو، جی ال. de Oña، J. کیفیت خدمات ادراک شده، رضایت مشتری، و نیات رفتاری. ترانسپ Res. ضبط J. Transp. Res. هیئت مدیره ۲۰۱۵، ۲۵۳۸، ۷۶-۸۵٫ [Google Scholar] [CrossRef]
- بولن، KA معادلات ساختاری با متغیرهای پنهان. در دسترس آنلاین: https://books.google.es/books?hl=en&lr=&id=4a3UDwAAQBAJ&oi=fnd&pg=PA1&dq=Bollen,+KA,+1989.+Structural+Equations+with+Latent+Variables.+Wiley,+New+York&ots =znPU4yJyuX&sig=mgw8fJbPilQEjmAD2tM1eXtj11Q&redir_esc=y#v=onepage&q=Bollen%2C%20K.A.%2C%201989.%20Structural%20Equations%20Stuctural%20Equations%20Variiable%With%20With%20With%20. ew%20York&f=false (دسترسی در ۲۶ سپتامبر ۲۰۲۲).
- Golob, T. مدل سازی معادلات ساختاری. که در برنامه ریزی سیستم های حمل و نقل: روش ها و کاربردها; Routledge: لندن، انگلستان، ۲۰۰۳٫ [Google Scholar]
- Preciado-Ortiz، CL کیفیت و استفاده از برنامه های کاربردی موبایل برای خدمات حمل و نقل: تأثیر بر رضایت. مرسی منفی ۲۰۲۱، ۲۲، ۲۱-۴۲٫ [Google Scholar] [CrossRef]
- واتکینز، KE; فریس، بی. بورنینگ، ا. رادرفورد، جی اس. لیتون، دی. اتوبوس من کجاست؟ تأثیر اطلاعات بیدرنگ موبایل بر زمان انتظار درک شده و واقعی سواران حمل و نقل. ترانسپ Res. بخش A سیاست سیاست. ۲۰۱۱، ۴۵، ۸۳۹-۸۴۸٫ [Google Scholar] [CrossRef]
- چوی، ک. وانگ، ی. Sparks، B. اهداف استفاده مداوم کاربران برنامه سفر: این یک مسئله ارزش و اعتماد است. تور مسافرتی جی. علامت گذاری. ۲۰۱۹، ۳۶، ۱۳۱-۱۴۳٫ [Google Scholar] [CrossRef]
- برژنی، آر. Konečný, V. تأثیر کیفیت خدمات حمل و نقل بر تقاضای مسافر در حمل و نقل اتوبوسی حومه شهر. مهندسی پروسه ۲۰۱۷، ۱۹۲، ۴۰-۴۵٫ [Google Scholar] [CrossRef]
- د اونا، جی. de Oña, R. کیفیت خدمات در حمل و نقل عمومی بر اساس نظرسنجی های رضایت مشتری: بررسی و ارزیابی رویکردهای روش شناختی. ترانسپ علمی ۲۰۱۵، ۴۹، ۶۰۵-۶۲۲٫ [Google Scholar] [CrossRef]
- قاسم، ن. آسیاه عبدالله، ن. تأثیر ابعاد کیفیت خدمات ادراک شده بر رضایت مشتری، اعتماد و وفاداری در تنظیمات تجارت الکترونیک: یک تحلیل متقابل فرهنگی. آسیا پک جی. مارک. تدارکات. ۲۰۱۰، ۲۲، ۳۵۱-۳۷۱٫ [Google Scholar] [CrossRef]
- د اونا، جی. د اونا، آر. ابولی، ال. فورسینیتی، سی. Mazzulla، G. مقاصد رفتاری مسافران ترانزیت: تأثیر کیفیت خدمات و رضایت مشتری. ترانسپ ترانسپ. علمی ۲۰۱۶، ۱۲، ۳۸۵-۴۱۲٫ [Google Scholar] [CrossRef]
- اسلام، ر. محمد، SC; محمد، اس.اس. صلاح الدین، الف. اندازه گیری رضایت مشتری در حمل و نقل اتوبوسی. صبح. جی. اکون. اتوبوس. ادم ۲۰۱۴، ۶، ۳۴-۴۱٫ [Google Scholar] [CrossRef]
- فیلد، ا. زوئی، اف. جرمی، ام. کشف آمار با استفاده از R; انتشارات SAGE: Thousand Oaks، CA، USA، ۲۰۱۲٫ [Google Scholar]
- Uluskan، M. مدلسازی معادلات ساختاری-رویکرد ترکیبی مبتنی بر شبکه عصبی مصنوعی برای ارزیابی کیفیت خدمات کافه تریا دانشگاه. TQM J. 2023، ۳۵، ۱۰۴۸-۱۰۷۱٫ [Google Scholar] [CrossRef]
- لوپز-کاریرو، آی. مونزون، آ. لوئیس، دی. لوپز-لامباس، من آیا مسافران مایل به پذیرش MaaS هستند؟ بررسی عوامل نگرشی و شخصیتی در مورد مادرید، اسپانیا. رفتار سفر. Soc. 2021، ۲۵، ۲۴۶-۲۶۱٫ [Google Scholar] [CrossRef]
- مهدینتو، ع. Soava, G. مدلسازی ترکیبی SEM-شبکه عصبی کیفیت خدمات تجارت M تحت تأثیر همهگیری COVID-19. الکترونیک ۲۰۲۲، ۱۱، ۲۴۹۹٫ [Google Scholar] [CrossRef]
- Vărzaru، AA; Bocean، CG تجزیه و تحلیل شبکه عصبی مصنوعی دو مرحلهای SEM-تجارت موبایل و محرکهای آن. جی. تئور. Appl. الکترون. بازرگانی Res. 2021، ۱۶، ۲۳۰۴-۲۳۱۸٫ [Google Scholar] [CrossRef]
- توفیق- تگرگ، ج.ا. ساره، ع. هاوالدار، فناوری اطلاعات تأثیر خودکارآمدی بر احساسات و عملکرد وظایف کارکنان دانشگاهی و آموزشی در بحرین در طول COVID-19: تجزیه و تحلیل توسط SEM و ANN. J. Open Innov. تکنولوژی علامت گذاری. مجتمع. ۲۰۲۱، ۷، ۲۲۴٫ [Google Scholar] [CrossRef]
- استرناد زابوکوفسک، اس. بابک، اس. Zabukovšek، U. کالینیچ، ز. Tominc، P. افزایش تحقیقات PLS-SEM-Enabled با ANN و IPMA: مطالعه تحقیقاتی پذیرش سیستم های برنامه ریزی منابع سازمانی (ERP) بر اساس مدل پذیرش فناوری (TAM). ریاضیات ۲۰۲۲، ۱۰، ۱۳۷۹٫ [Google Scholar] [CrossRef]
- مولیل، جی. Keras را برای شبکه های عصبی عمیق بیاموزید; Apress: برکلی، کالیفرنیا، ایالات متحده آمریکا، ۲۰۱۹؛ شابک ۹۷۸-۱-۴۸۴۲-۴۲۳۹-۱٫ [Google Scholar]
- ابیرمی، س. Chitra، P. سیستم پشتیبانی مراقبت های بهداشتی در زمان واقعی مبتنی بر لبه انرژی کارآمد. که در پیشرفت در کامپیوتر; الزویر: آمستردام، هلند، ۲۰۲۰؛ جلد ۱۱۷، ص ۳۳۹–۳۶۸٫ [Google Scholar]
- لی، سی. لی، دبلیو. تجزیه و تحلیل در مسیر نفوذ عدم دانش کاربر در جامعه دانشگاهی مجازی – بر اساس روش معادلات ساختاری – مدل شبکه عصبی مصنوعی. جلو. روانی ۲۰۲۲، ۱۳، ۷۶۴۸۵۷٫ [Google Scholar] [CrossRef] [PubMed]
- لاپامونپینیو، پ. دریبل، اس. Corman, F. پیشبینی تاخیر قطار مسافری در زمان واقعی با استفاده از یادگیری ماشین: مطالعه موردی با مسیرهای قطار مسافری Amtrak. IEEE Open J. Intell. ترانسپ سیستم ۲۰۲۲، ۳، ۵۳۹–۵۵۰٫ [Google Scholar] [CrossRef]
- لئونگ، LY; Hew، TS; لی، وی اچ. Ooi، KB تجزیه و تحلیل شبکه عصبی مصنوعی SEM از روابط بین SERVPERF، رضایت مشتری و وفاداری در میان خطوط هوایی کم هزینه و خدمات کامل. سیستم خبره Appl. 2015، ۴۲، ۶۶۲۰–۶۶۳۴٫ [Google Scholar] [CrossRef]
- سینگ، بی. پیش بینی وفاداری مسافران خطوط هوایی با استفاده از نظریه شبکه عصبی مصنوعی. J. Air Transp. مدیریت ۲۰۲۱، ۹۴، ۱۰۲۰۸۰٫ [Google Scholar] [CrossRef]
- شمولی، جی. کوپیوس، یا تحلیل پیشبینیکننده در تحقیقات سیستمهای اطلاعاتی. MIS Q. 2010، ۵۵۳-۵۷۲٫ [Google Scholar] [CrossRef]
- مو، ج. بلک، دبلیو. ببین، بی. اندرسون، آر. تاتهام، آر. تجزیه و تحلیل داده های چند متغیره، ویرایش هفتم؛ Prentice-Hall: Upper Saddle River، NJ، ایالات متحده آمریکا، ۲۰۰۶٫ [Google Scholar]
- چین، دبلیو. مارکولیدس، جی. رویکرد حداقل مربعات جزئی به مدلسازی معادلات ساختاری. که در روشهای نوین برای تحقیقات تجاری; Routledge: لندن، انگلستان، ۱۹۹۸; جلد ۸٫ [Google Scholar]
- گوئل، آ. گوئل، آ.ک. Kumar, A. نقش شبکه عصبی مصنوعی و یادگیری ماشینی در استفاده از اطلاعات فضایی. تف کردن Inf. Res. 2023، ۳۱، ۲۷۵-۲۸۵٫ [Google Scholar] [CrossRef]
- اسپری، BR; وارنر، جی. پیرسون، RG بررسی ویژگی های مسافران اتوبوس بین شهری در میشیگان. ترانسپ Res. ضبط ۲۰۱۴، ۲۴۱۸، ۱۱۶-۱۲۲٫ [Google Scholar] [CrossRef]
- Wróblewski، Ł. Dacko-Pikiewicz، Z. رفتار مصرف کننده پایدار در بازار خدمات فرهنگی در کشورهای اروپای مرکزی: نمونه لهستان. پایداری ۲۰۱۸، ۱۰، ۳۸۵۶٫ [Google Scholar] [CrossRef]
- سام، EF; Adu-Boahen، K. Kissah-Korsah، K. ارزیابی عواملی که بر ترجیح و حمایت از حالت حمل و نقل عمومی تأثیر میگذارند: دیدگاههای دانشجویان دانشگاه کیپ کوست (UCC)، غنا. بین المللی جی. دیو. حفظ کنید. ۲۰۱۴، ۳، ۳۲۳-۳۳۶٫ [Google Scholar]
- آنتونوچی، ال. کروستا، سی. D'Ovidio، FD; توما، ای. رضایت مسافر: تحلیل چند گروهی. که چقدر. ۲۰۱۴، ۴۸، ۳۳۷-۳۴۵٫ [Google Scholar] [CrossRef]
- قدوس، م. رحمان، ف. مونسور، اف. دی اونا، جی. انوک، ام. تحلیل رضایت مسافران اتوبوس در داکا با استفاده از مدلهای انتخاب گسسته. ترانسپ Res. ضبط ۲۰۱۹، ۲۶۷۳، ۷۵۸-۷۶۸٫ [Google Scholar] [CrossRef]
- Zongo، NK; Nasse، TB بلیط آنلاین و تجزیه و تحلیل رضایت مشتری: یک تحقیق اکتشافی در مورد مشتریان در زمینه بورکینافاسو. بین المللی جی. مناگ. انترپ Res. 2020، ۱، ۱۵۱-۱۶۵٫ [Google Scholar] [CrossRef]
- عباسپور، ب. Hazarinahashim, N. تأثیر ابعاد کیفیت وب سایت بر رضایت مشتری در وب سایت سفر. بین المللی J. Sci. بازرگانی انسانی. ۲۰۱۵، ۵، ۶-۱۷٫ [Google Scholar]
- Ojo, T.K.; Okoree, D.; کیفیت خدمات و رضایت مشتری از حمل و نقل عمومی در مسیر کیپ کوست-آکرا، غنا; دانشگاه کیپ کوست: کیپ کوست، غنا، ۲۰۱۴; جلد ۴٫ [Google Scholar]
- لی، ایکس. فن، جی. وو، ی. چن، جی. دنگ، ایکس. بررسی عوامل مؤثر بر رضایت مسافران نسبت به حمل و نقل اتوبوس در شهرهای کوچک و متوسط در چین. محتاطانه دین نات. Soc. 2020، ۲۰۲۰، ۸۸۷۲۱۱۵٫ [Google Scholar] [CrossRef]
- آمار حمل و نقل اتحادیه اروپا – دستورالعمل های یوروستات در مورد آمار تحرک مسافر; آژانس محیط زیست اروپا: کپنهاگ، دانمارک، ۲۰۱۸٫
- سهو، س. یانگ، ی. Blaabjerg، F. استراتژی همگام سازی انعطاف پذیر برای ریزشبکه های AC تحت حملات سایبری. IEEE Trans. الکترون قدرت. ۲۰۲۱، ۳۶، ۷۳-۷۷٫ [Google Scholar] [CrossRef]
شکل ۱٫
مروری بر چارچوب تحقیق.
شکل ۱٫
مروری بر چارچوب تحقیق.
![پایداری 16 04363 g001](https://shahrsaz.ir/wp-content/uploads/2024/05/sustainability-16-04363-g001.png)
شکل ۲٫
ساختار SEM پیشنهادی
شکل ۲٫
ساختار SEM پیشنهادی
![پایداری 16 04363 g002](https://shahrsaz.ir/wp-content/uploads/2024/05/sustainability-16-04363-g002.png)
شکل ۳٫
مدل تحلیل مسیر مرتبط با رضایت کلی (وزن رگرسیون استاندارد).
شکل ۳٫
مدل تحلیل مسیر مرتبط با رضایت کلی (وزن رگرسیون استاندارد).
![پایداری 16 04363 g003](https://shahrsaz.ir/wp-content/uploads/2024/05/sustainability-16-04363-g003.png)
شکل ۴٫
مدل ANN پیشنهادی
شکل ۴٫
مدل ANN پیشنهادی
![پایداری 16 04363 g004](https://shahrsaz.ir/wp-content/uploads/2024/05/sustainability-16-04363-g004.png)
میز ۱٫
ویژگی های اجتماعی-اقتصادی مادرید-بیلبائو مسافران مورد بررسی.
میز ۱٫
ویژگی های اجتماعی-اقتصادی مادرید-بیلبائو مسافران مورد بررسی.
ویژگی های | دسته بندی | درصد کل نمونه |
---|---|---|
جنسیت | مونث | ۶۱% |
نر | ۳۷% | |
سن (سال) | ˂۱۸ | ۳% |
۱۸-۲۵ | ۳۲% | |
۲۶-۳۵ | ۲۵% | |
۳۶-۶۰ | ۳۴% | |
> ۶۰ | ۶% | |
سطح مطالعات | اولیه | ۱% |
مدرک دبیرستان | ۶% | |
عزب | ۲۸% | |
مدرک دانشگاهی | ۶۰% | |
دیگران | ۵% | |
اشتغال | دانشجو | ۲۹% |
کارگر (کارمند/کارفرما) | ۵۱% | |
کارگر خانگی | ۳% | |
بیکار | ۸% | |
بازنشسته | ۵% | |
دیگر | ۴% | |
در دسترس بودن روش های حمل و نقل | گواهینامه رانندگی | ۶۷% |
ماشین شخصی | ۳۵% | |
موتور سیکلت یا موتور سیکلت | ۵% | |
دوچرخه خود را | ۲۶% | |
کارت حمل و نقل عمومی | ۶۴% | |
هیچکدام از آن ها | ۶% | |
درآمد | ۱۳۰۰ یورو | ۳۶% |
۱۳۰۰-۲۵۰۰ یورو | ۴۱% | |
> ۲۵۰۰ یورو | ۲۳% |
جدول ۲٫
ویژگی های سفر خدمات مربی مادرید – بیلبائو (منبع: نظرسنجی).
جدول ۲٫
ویژگی های سفر خدمات مربی مادرید – بیلبائو (منبع: نظرسنجی).
ویژگی های | دسته بندی | درصد کل نمونه |
---|---|---|
دفعات سفر | ۱ یا ۲ بار در هفته | ۴% |
چند بار در ماه | ۲۲% | |
گاه و بیگاه | ۷۴% | |
هدف سفر | کار کنید | ۱۵% |
مطالعه | ۵% | |
اوقات فراغت | ۶۱% | |
دیگر | ۱۹% | |
نوع بلیط | تنها | ۴۵% |
رفت و برگشت | ۵۱% | |
کوپن مکرر | ۲% | |
دیگر | ۲% |
جدول ۳٫
حالت های دسترسی و خروج.
جدول ۳٫
حالت های دسترسی و خروج.
حالت | حالت دسترسی مادرید (%) | حالت خروج بیلبائو (%) |
---|---|---|
مترو | ۶۲% | ۳۴% |
راه آهن حومه ای | ۵% | ۴% |
اتوبوس بین شهری | ۷% | ۷% |
اتوبوس شهری | ۵% | ۷% |
تاکسی | ۱۲% | ۸% |
ماشین به عنوان راننده | ۰% | ۳% |
ماشین به عنوان مسافر | ۱۵% | ۲۵% |
موتور | ۰% | ۰% |
دوچرخه | ۱% | ۰% |
پیاده روی | ۱۲% | ۲۱% |
جدول ۴٫
اهمیت ویژگی های مختلف برای استفاده از اتوبوس های بین شهری
جدول ۴٫
اهمیت ویژگی های مختلف برای استفاده از اتوبوس های بین شهری
ویژگی های سفر (مقیاس لیکرت ۱-۵) | منظور داشتن | Std. توسعه دهنده |
---|---|---|
وقت شناسی/قابلیت اطمینان | ۴٫۷۳ | ۰٫۶ |
مدت زمان سفر | ۴٫۴۱ | ۰٫۷۷ |
قیمت بلیط | ۴٫۴۸ | ۰٫۷۶ |
ارتباط با سایر حالت ها | ۳٫۹۳ | ۱٫۰۳ |
ایمنی | ۴٫۴۶ | ۰٫۷۷ |
دسترسی برای مسافران کم تحرک (RMPs) | ۳٫۹۴ | ۱٫۲۵ |
جدول ۵٫
رابطه بین مشخصات مسافران و دلایل استفاده از اتوبوس برای سفرهای بین شهری.
جدول ۵٫
رابطه بین مشخصات مسافران و دلایل استفاده از اتوبوس برای سفرهای بین شهری.
ویژگی های سفر | ویژگی های اجتماعی و اقتصادی مسافران | اف | پ < 0.05 |
---|---|---|---|
مدت زمان سفر | اشتغال | ۱۰٫۶۴ | ۰٫۰۰ |
سن | ۹٫۳۴ | ۰٫۰۰ | |
جنسیت | ۶٫۹۴ | ۰٫۰۰ | |
قیمت بلیط | اشتغال | ۶٫۷۴ | ۰٫۰۰ |
درآمد | ۱۰٫۸۴ | ۰٫۰۰ | |
ارتباط با سایر روش های حمل و نقل | سن | ۳٫۵۶ | ۰٫۰۲ |
ایمنی | جنسیت | ۱۱٫۴۹ | ۰٫۰۰ |
سن | ۳٫۹۶ | ۰٫۰۱ | |
دسترسی برای مسافران کم تحرک (RMPs) | جنسیت | ۱۵٫۱۲ | ۰٫۰۰ |
سطح مطالعات | ۱۶٫۴۰ | ۰٫۰۰ | |
درآمد | ۵٫۱۵ | ۰٫۰۰ |
جدول ۷٫
تست ANOVA برای رضایت از ویژگی های مربوط به خدمات و مشخصات کاربر.
جدول ۷٫
تست ANOVA برای رضایت از ویژگی های مربوط به خدمات و مشخصات کاربر.
ویژگی های | ویژگی های اجتماعی-اقتصادی و سفر مسافران | اف | پ < 0.05 |
---|---|---|---|
سهولت در خرید بلیط | سن | ۱۸٫۱۶ | ۰٫۰۰ |
مدت زمان سفر | فرکانس | ۴٫۱۷ | ۰٫۰۴ |
زمان دسترسی به اتوبوس | هدف سفر | ۷٫۰۸ | ۰٫۰۰ |
وقت شناسی حرکت | فرکانس هدف سفر |
۵٫۰۲ ۱۰٫۲۹ |
۰٫۰۲ ۰٫۰۰ |
خدمات کمکی شرکت | هدف سفر درآمد |
۴٫۶۷ ۵٫۶۶ |
۰٫۰۳ ۰٫۰۰ |
اطلاعیه حوادث در سرویس | درآمد | ۵٫۰۸ | ۰٫۰۰ |
سرویس گم شده/پیدا شده | درآمد | ۷٫۲۴ | ۰٫۰۰ |
امنیت و کنترل چمدان | هدف سفر | ۵٫۴۱ | ۰٫۰۲ |
جدول ۸٫
ارزش کاربران از ویژگی های کانال اطلاعاتی (برنامه وب و موبایل).
جدول ۸٫
ارزش کاربران از ویژگی های کانال اطلاعاتی (برنامه وب و موبایل).
ویژگی های کانال اطلاعات | وب | اپلیکیشن موبایل | ||
---|---|---|---|---|
منظور داشتن | Std. توسعه دهنده | منظور داشتن | Std. توسعه دهنده | |
آسان برای استفاده | ۴٫۰ | ۰٫۸۴ | ۴٫۳ | ۰٫۷۷ |
داده های قابل اعتماد ارائه شده توسط برنامه تلفن همراه یا وب | ۴٫۲ | ۰٫۸۷ | ۴٫۴ | ۰٫۷۵ |
همیشه به روز | ۴٫۰ | ۰٫۸۶ | ۴٫۱ | ۰٫۸۴ |
اطلاعات لحظه ای در مورد اشغال اتوبوس را به دست آورید | ۳٫۴ | ۱٫۰۸ | ۳٫۵ | ۱٫۱۵ |
دسترسی به اطلاعات مربوط به خرید بلیط | ۳٫۸ | ۱٫۰۴ | ۴٫۰ | ۱٫۰۶ |
واکنش فوری به حوادث | ۳٫۱ | ۱٫۰۴ | ۳٫۲ | ۱٫۱۳ |
ترجیحات مربوط به هزینه سفر من را تعریف کنید | ۳٫۹ | ۱٫۰۶ | ۳٫۸ | ۱٫۰۴ |
ترجیحات مربوط به مدت سفر من را تعریف کنید | ۳٫۶ | ۱٫۲۲ | ۳٫۶ | ۱٫۱۱ |
جدول ۹٫
ANOVA از ویژگی ها در کانال های اطلاعاتی و پروفایل های کاربر.
جدول ۹٫
ANOVA از ویژگی ها در کانال های اطلاعاتی و پروفایل های کاربر.
ویژگی های کانال اطلاعات | صفت | فاکتور بارگذاری | پ < 0.05 | |||
---|---|---|---|---|---|---|
وب | اپلیکیشن موبایل | وب | اپلیکیشن موبایل | وب | اپلیکیشن موبایل | |
آسان برای استفاده | فرکانس | فرکانس | ۱۷٫۴۲ | ۲۳٫۵۲ | ۰٫۰۰ | ۰٫۰۰ |
داده های قابل اعتماد ارائه شده توسط برنامه تلفن همراه یا وب | فرکانس | جنسیت فرکانس |
۲۱٫۸۶ | ۵٫۹۷ ۲۱٫۰۳ |
۰٫۰۰ | ۰٫۰۰ ۰٫۰۰ |
همیشه به روز | فرکانس | – | ۲۰٫۷۹ | – | ۰٫۰۰ | – |
اطلاعات لحظه ای در مورد اشغال اتوبوس را به دست آورید | فرکانس هدف سفر |
جنسیت | ۱۸٫۱۷ ۴٫۱۴ |
۶٫۸۰ | ۰٫۰۰ ۰٫۰۴ |
۰٫۰۰ |
دسترسی به اطلاعات مربوط به خرید بلیط | فرکانس | – | ۱۹٫۰۸ | – | – | |
واکنش فوری به حوادث. | فرکانس هدف سفر |
جنسیت | ۲۱٫۹۰ ۴٫۶۲ |
۹٫۴۸ | ۰٫۰۰ ۰٫۰۳ |
۰٫۰۰ |
ترجیحات مربوط به هزینه سفر من را تعریف کنید | فرکانس | فرکانس | ۲۱٫۸۱ | ۱۳٫۵۹ | ۰٫۰۰ | ۰٫۰۰ |
ترجیحات مربوط به مدت سفر من را تعریف کنید | فرکانس | – | ۱۹٫۰۶ | – | ۰٫۰۰ | – |
جدول ۱۰٫
تحلیل عاملی اکتشافی برای ویژگیهای کانال اطلاعات و ویژگیهای مربوط به خدمات.
جدول ۱۰٫
تحلیل عاملی اکتشافی برای ویژگیهای کانال اطلاعات و ویژگیهای مربوط به خدمات.
نام عامل آلفای کرونباخ (α) | بارگذاری عاملی |
---|---|
کانال های اطلاع رسانی (۰٫۸۴) | |
آسان برای استفاده | ۰٫۷۲ |
داده های قابل اعتماد ارائه شده توسط برنامه تلفن همراه یا وب | ۰٫۷۱ |
همیشه به روز | ۰٫۶۹ |
اطلاعات لحظه ای در مورد اشغال اتوبوس را به دست آورید | ۰٫۶۶ |
دسترسی به اطلاعات مربوط به خرید بلیط | ۰٫۶۲ |
ترجیحات مربوط به هزینه سفر من را تعریف کنید | ۰٫۵۸ |
ترجیحات مربوط به مدت سفر من را تعریف کنید | ۰٫۵۶ |
تجربه سفر (۰٫۸۳) | |
اطلاعات داخل اتوبوس | ۰٫۶۴ |
دسترسی | ۰٫۶۳ |
گرمایش و تهویه مطبوع | ۰٫۶۱ |
اطلاعات صحیح و کافی | ۰٫۵۷ |
سهولت در ارتباط با شرکت | ۰٫۵۴ |
نرمی در رانندگی (منحنی، ترمز) | ۰٫۵۲ |
احساس امنیت در طول سفر | ۰٫۷۸ |
مدت زمان سفر | ۰٫۷۳ |
زمان دسترسی به اتوبوس | ۰٫۷۰ |
وقت شناسی حرکت | ۰٫۵۲ |
خدمات کمکی شرکت | ۰٫۷۱ |
قیمت بلیط (۰٫۶۹) | |
قیمت بلیط | ۰٫۷۴ |
انواع کرایه ها | ۰٫۷۳ |
سهولت در خرید بلیط | ۰٫۷۳ |
جدول ۱۱٫
نتایج آزمون فرضیه.
جدول ۱۱٫
نتایج آزمون فرضیه.
جدول ۱۲٫
مقادیر RMSE برای مدل ANN.
جدول ۱۲٫
مقادیر RMSE برای مدل ANN.
شبکه | ورودی: تجربه سفر، قیمت بلیط، و کانال های اطلاعاتی خروجی: رضایت کامل |
|||
---|---|---|---|---|
آموزش | اندازهی نمونه | آزمایش کردن | اندازهی نمونه | |
۱ | ۰٫۱۳ | ۳۴۲ | ۰٫۱۲ | ۹۱ |
۲ | ۰٫۱۳ | ۳۵۰ | ۰٫۱۲ | ۸۳ |
۳ | ۰٫۱۲ | ۳۵۲ | ۰٫۱۳ | ۸۱ |
۴ | ۰٫۱۳ | ۳۴۲ | ۰٫۱۳ | ۹۱ |
۵ | ۰٫۱۳ | ۳۵۸ | ۰٫۱۱ | ۷۵ |
۶ | ۰٫۱۲ | ۳۴۶ | ۰٫۱۳ | ۸۷ |
۷ | ۰٫۱۳ | ۳۳۶ | ۰٫۱۳ | ۹۷ |
۸ | ۰٫۱۲ | ۳۵۴ | ۰٫۱۳ | ۷۹ |
۹ | ۰٫۱۲ | ۳۲۶ | ۰٫۱۴ | ۱۰۷ |
۱۰ | ۰٫۱۳ | ۳۵۰ | ۰٫۱۲ | ۸۳ |
منظور داشتن | ۰٫۱۳ | ۰٫۱۳ | ||
SD | ۰٫۰۰۲ | ۰٫۰۰۸ |
جدول ۱۳٫
اهمیت هر متغیر ورودی
جدول ۱۳٫
اهمیت هر متغیر ورودی
شبکه | کانال های اطلاع رسانی | قیمت بلیط | تجربه سفر |
---|---|---|---|
۱ | ۰٫۱۱ | ۰٫۹۵ | ۰٫۳۶ |
۲ | ۰٫۵۵ | ۰٫۹۸ | ۰٫۵۱ |
۳ | ۰٫۹۸ | ۰٫۸۳ | ۰٫۳۴ |
۴ | ۰٫۹۸ | ۰٫۵۵ | ۰٫۷۲ |
۵ | ۰٫۲۵ | ۰٫۹۳ | ۰٫۲۳ |
۶ | ۰٫۸۷ | ۰٫۹۰ | ۰٫۷۳ |
۷ | ۰٫۹۷ | ۰٫۹۷ | ۰٫۴۲ |
۸ | ۰٫۱۸ | ۰٫۹۵ | ۰٫۳۸ |
۹ | ۰٫۹۶ | ۰٫۵۷ | ۰٫۶۰ |
۱۰ | ۰٫۹۶ | ۰٫۳۹ | ۰٫۹۵ |
اهمیت عادی % | ۸۴% | ۱۰۰% | ۶۵% |
سلب مسئولیت/یادداشت ناشر: اظهارات، نظرات و داده های موجود در همه نشریات صرفاً متعلق به نویسنده (ها) و مشارکت کننده (ها) است و نه MDPI و/یا ویرایشگر(ها). MDPI و/یا ویراستار(های) مسئولیت هرگونه آسیب به افراد یا دارایی ناشی از هر ایده، روش، دستورالعمل یا محصولات اشاره شده در محتوا را رد می کنند. |
منبع:
۱- shahrsaz.ir , پایداری | متن کامل رایگان | رضایت مسافر پیمایش: مدلسازی معادلات ساختاری – رویکرد شبکه عصبی مصنوعی به خدمات اتوبوس بین شهری
,۲۰۲۴-۰۵-۲۲ ۰۳:۳۰:۰۰
۲- https://www.mdpi.com/2071-1050/16/11/4363
اتوبوس , به , بین , پایداری , پیمایش , خدمات , رایگان , رضایت , رویکرد , ساختاری , شبکه , شهری , عصبی , کامل , متن , مدلسازی , مسافر , مصنوعی , معادلات
- دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
- پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
- پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.