بهترین آموزش های کاربردی در شهرسازی
بهترین آموزش های کاربردی در شهرسازی را از Urbanity.ir بخواهید
اهمیت توسعه صادرات مصالح ساختمانی در اقتصاد ملی
اهمیت توسعه صادرات مصالح ساختمانی در اقتصاد ملی
ادامه ...
خبر مهم: آخرین تمدید مهلت ارسال مقالات و اخذ امتیازات کامل پژوهشی فقط تا ۳۱خرداد…
خبر مهم: آخرین تمدید مهلت ارسال مقالات و اخذ امتیازات کامل پژوهشی فقط تا ۳۱خرداد…
ادامه ...
Sunday, 16 June , 2024
امروز : یکشنبه, ۲۷ خرداد , ۱۴۰۳
آخرین اخبار »
شناسه خبر : 16270
  ارسال
  پرینتخانه » مقالات تاریخ انتشار : 22 می 2024 - 3:30 | 11 بازدید | ارسال توسط :

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 […]

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 حیاتی به مناطق خارج از دسترس خدمات ریلی معمولی شناخته شده است. بنابراین اتوبوس های بین شهری نقش کلیدی در افزایش دسترسی و تحرک در مناطق مختلف جغرافیایی ایفا می کنند و جایگزینی اقتصادی و سازگار با محیط زیست برای مسافران ارائه می دهند. [۱,۲]. اهمیت آنها در زمینه اهداف حمل و نقل پایدار برجسته می شود، زیرا آنها مزایای حمل و نقل عمومی را به جوامعی که ممکن است به دلیل عدم وجود گزینه های ریلی به وسایل نقلیه شخصی متکی باشند، گسترش می دهند. راحتی سفر یک اندازه نیست. حمل و نقل جاده ای غالب است و انعطاف پذیری را ارائه می دهد، اما ترافیک و مسافت می تواند مانع آن شود. از سوی دیگر، اتوبوس های بین شهری هنگام سفر از شهری به شهر دیگر و در حومه شهر می درخشند و اغلب ثابت می کنند که پایدارتر و راحت تر هستند. [۱,۲].
جذابیت خدمات اتوبوس بین شهری به عنوان یک انتخاب پایدار، ارتباط نزدیکی با توانایی آنها در برآوردن و فراتر از انتظارات مسافران دارد، جایی که عواملی مانند وقت شناسی، ایمنی و کیفیت خدمات کلی در اولویت هستند. این عناصر در تأثیرگذاری بر رضایت مسافران و در نتیجه تمایل به انتخاب اتوبوس به جای روش‌های حمل‌ونقل با کربن بسیار مهم هستند. [۳,۴]. علاوه بر این، تکامل کانال های اطلاعات دیجیتال به طور قابل توجهی تجربه سفر مسافران را شکل داده است. پلتفرم‌های دیجیتال مدرن، از جمله وب‌سایت‌ها و برنامه‌های تلفن همراه، ادراک خدمات را از طریق اطلاعات بی‌درنگ، سهولت خرید بلیط و ارتباطات بهبود یافته، افزایش می‌دهند و استفاده از خدمات اتوبوس بین‌شهری را تشویق می‌کنند. [۵,۶].
علاوه بر این، کیفیت خدمات (SQ) بر اساس نحوه درک مشتریان از ویژگی های مختلفی است که خدمات را تعریف می کند [۷]. برای این کار، اطمینان از کیفیت بالای خدمات بسیار مهم است، زیرا کاربران بیشتری را به استفاده از سیستم تشویق می کند. همانطور که گفته شد، رضایت مشتری و کیفیت خدمات درک شده ارتباط نزدیکی با هم دارند. مطابق با [۸,۹]، SQ بر اساس نحوه درک مشتریان از سفرهای خود است. به عبارت دیگر، برای افزایش کیفیت یک سرویس، باید با توجه به ویژگی‌های مختلف خدمات، مانند فرکانس، راحتی و ایمنی و غیره، متناسب با نیاز مشتریان تنظیم شود.
روش‌های مختلفی برای ارزیابی اهمیت این ویژگی‌ها بر رضایت کلی کاربران استفاده شده است، مانند رگرسیون خطی، لاجیت سفارش و رگرسیون پروبیت. در این میان، مدل‌سازی معادلات ساختاری (SEM) یک روش پرکاربرد در مطالعات حوزه‌های مختلف از جمله حمل و نقل است. این به این دلیل است که برخی از ویژگی های سرویس مفهومی انتزاعی، با تعریف ضعیف و پیچیده هستند که به چندین متغیر شناخته شده و ناشناخته بستگی دارد. [۱۰]. علاوه بر این، در میان روش‌های موجود برای تعیین عواملی که به رضایت مسافران کمک می‌کنند، شبکه‌های عصبی به دلیل توانایی آن‌ها در درک روابط پیچیده و غیرخطی و تعاملات میان طیف وسیعی از عوامل مؤثر بر رضایت، پیش‌بینی‌کننده‌های دقیق‌تری نسبت به تکنیک‌های رگرسیون مرسوم هستند. علیرغم اهمیت تأیید شده این عوامل، شکاف تحقیقاتی قابل توجهی در مورد خدمات اتوبوس بین شهری وجود دارد، به ویژه در درک اینکه چگونه کانال های اطلاعات دیجیتال و ویژگی های کیفیت خدمات به طور جمعی بر رضایت مسافران تأثیر می گذارد. این مطالعه به دنبال بررسی این شکاف با بررسی تعامل بین ویژگی‌های خدمات و کانال‌های اطلاعاتی و تأثیر جمعی آنها بر رضایت مسافران در زمینه مسیر اتوبوس بین شهری مادرید-بیلبائو در اسپانیا است.

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.

این مقاله به هفت بخش تقسیم شده است. در ادامه مقدمه، بخش ۲ بررسی ادبیات مختصری از تحقیقات قبلی را ارائه می دهد که رضایت مشتری از حمل و نقل عمومی را بررسی می کند و رویکردهای مختلف به کار گرفته شده را در بر می گیرد. بخش ۳ مطالعه موردی مدل ما را ارائه می دهد. بخش ۴ روش شناسی مدل پیشنهادی را ارائه می دهد. که در بخش ۵، نتایج تجزیه و تحلیل داده ها را ارائه می کنیم. بعد، بخش ۶ بحث مختصری از یافته های تحقیق ارائه می دهد. سرانجام، بخش ۷ نتیجه گیری کلی این کار را ارائه می دهد.

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

بسیاری از محققان از دهه ۱۹۷۰ بر رضایت مسافران از حمل و نقل عمومی تمرکز کرده اند و توسعه مدل ها و پرسشنامه ها قابل توجه است. [۱۱]. نظرسنجی های رضایت کاربران کیفیت خدمات ارائه شده توسط یک شرکت دولتی یا خصوصی را با در نظر گرفتن دیدگاه مشتری ارزیابی می کند. [۱۲]. مطالعات قبلی در مورد رضایت حمل‌ونقل عمومی شامل ویژگی‌های خدمات مختلفی است که بسته به اینکه به تجربه سفر، مسائل مربوط به بلیط‌فروشی یا کانال‌های اطلاعات مربوط می‌شوند، می‌توانند گروه‌بندی شوند.
بیشتر ویژگی‌هایی که بر رضایت کلی مسافران تأثیر می‌گذارند به تجربه سفر آنها مربوط می‌شود. در این راستا، مطالعات متعددی بر ارزیابی این ویژگی‌ها برای اتوبوس‌های درون شهری متمرکز شده است. منگ، راو و ماهاردیکا [۱۳] اشاره کرد که تفاوت در درک حمل و نقل عمومی را می توان به ویژگی های قابل مشاهده و اندازه گیری مانند زمان انتظار مرتبط دانست. تحقیقات ابولی و مازولا بر اهمیت برنامه‌ریزی‌ها، سرپناه‌ها، دفعات خدمات و وقت‌شناسی در افزایش رضایت مسافران تاکید کرد. [۱۴]. مطالعه رزا و همکاران [۱۵] نشان داد که زمان سفر، دسترسی، دفعات حرکت، و در دسترس بودن عوامل کلیدی موثر بر ترجیحات کاربران اتوبوس بین شهری هستند. وو و همکاران میزان رضایت کلی مسافران از ویژگی های سرویس اتوبوس معمولی را تعیین کرد. این تجزیه و تحلیل شامل ۶۰۹ مسافر مورد بررسی در نانجینگ، چین بود. نتایج آنها نشان داد که رضایت مشتری تحت تأثیر وقت شناسی، زمان انتظار کوتاه، در دسترس بودن صندلی، محیط تمیز داخل هواپیما، محیط ایستگاه دلپذیر، جابجایی راحت، و تهویه مطبوع است. [۱۶]. علاوه بر این، گنجی و همکاران [۱۷] بررسی نشان داد که روش رزرو بلیط (نقدی، آنلاین یا تلفنی) یکی از مهمترین ویژگی های تأثیرگذار بر رضایت مسافران اتوبوس است.
ابولی و مازولا روشی را برای اندازه گیری کیفیت خدمات حمل و نقل با استفاده از ادراک مسافران و معیارهای عملکرد آژانس حمل و نقل پیشنهاد کردند. این رویکرد ابزار قابل اعتمادی برای ارزیابی عملکرد خدمات حمل و نقل فراهم می کند. ادراک مشتری و اندازه گیری های عینی ارائه شده توسط آژانس حمل و نقل را در نظر می گیرد. این روش برای مطالعه موردی خط اتوبوس حومه شهری، محاسبه شاخص های ذهنی و عینی استفاده شد [۱۴].
رودریگز والنسیا و همکاران [۱۸] رضایت کاربر را در سه زیرسیستم اتوبوس حمل و نقل عمومی در بوگوتا، کلمبیا تحلیل کرد. این مطالعه از مدل‌های SEM-MIMIC برای شناسایی سه متغیر پنهان استفاده کرد: شرایط، خدمات، و ایمنی/امنیت. یافته‌ها نشان داد که رضایت تحت تأثیر ادراک فرد از شرایط و خدمات زیرسیستم است که میانجی رضایت از ایمنی و خدمات است. این تحقیق به تصمیم گیرندگان درک بهتری از چگونگی تأثیر زیرساخت ها، وسایل نقلیه، ویژگی های عملیاتی و فرآیندهای مقررات بر رضایت و بهبود خدمات حمل و نقل عمومی می دهد. آموا، ون ایک و همکاران. [۱۹] بررسی کرد که چه چیزی باعث خوشحالی مردم آفریقای جنوبی می شود که با اتوبوس های مسافربری مسافت طولانی سفر می کنند. نگرانی هایی در مورد تأخیر، ایمنی و قابلیت اطمینان وجود دارد، حتی اگر این اتوبوس ها برای اقتصاد و زندگی بسیاری از مردم حیاتی هستند. این مطالعه نشان داد که کارایی (رسیدن و خروج به موقع) و آرامش خاطر (احساس امنیت و امنیت) دو عنصر بسیار مهم برای شادی مسافران هستند. آنها به شرکت های اتوبوسرانی توصیه کردند که برای افزایش رضایت مشتری روی این زمینه ها تمرکز کنند. ظهور فناوری دیجیتال نحوه تعامل مسافران با خدمات حمل و نقل عمومی را تغییر داده است. قوش و همکاران [۲۰] بر روی بهبود کارایی و ایمنی سیستم های حمل و نقل عمومی با ارائه یک نمای کلی از سیستم های هوشمند موجود کار کرد. سیستمی را پیشنهاد می‌کند که اطلاعات لازم را درباره زمان‌های ورود/خروج اتوبوس، مکان واقعی، در دسترس بودن صندلی، تشخیص تصادف/خرابی و سیستم‌های هشدار را جمع‌آوری، پردازش و ارائه می‌کند. این داده ها را می توان از طریق یک سیستم بی سیم با استفاده از مدل GSM، رضایت کاربران و بهبود استفاده از حمل و نقل عمومی برقرار کرد.

۲٫۲٫ کانال های اطلاعات دیجیتال

تحولات امروزی محققان و دست اندرکاران را بر آن داشته است تا در زمینه کیفیت خدمات در زمینه فناوری اطلاعات تجدید نظر کنند. در سال‌های اخیر، اپلیکیشن‌های مبتنی بر وب یا موبایل تقریباً در همه فعالیت‌ها بسیار محبوب شده‌اند [۲۱]. در مورد خدمات اتوبوس، کانال های ارتباطی فناوری اطلاعات به مشتریان اجازه می دهد تا به صورت دو طرفه با شرکت ارتباط برقرار کنند [۲۲]. شلغم و همکاران [۲۱] یک برنامه تلفن همراه توسعه داده است که به مشتریان امکان خرید بلیط را می دهد و زمان انتظار را کاهش می دهد.
علاوه بر این، مونزون و همکاران. [۲۳] مشاهده کردند که ارائه اطلاعات در زمان واقعی به بهبود تصویر اپراتورهای حمل و نقل عمومی در بین مسافران کمک می کند. رومرو و همکاران [۲۴] استفاده از اطلاعات بلادرنگ از برنامه های تلفن همراه توسط مسافران اتوبوس را مطالعه کرد. یافته‌ها نشان می‌دهد که مسافران مکرر از برنامه‌هایی با اطلاعات کامل‌تر و به‌روزتر استفاده می‌کنند، در حالی که گاه به گاه از برنامه‌های عمومی‌تر مانند Google Maps استفاده می‌کنند. MA جاوید و همکاران. [۲۵] مشخص کرد که ویژگی‌های دسترسی، زمان‌بندی و جذب خدمات به طور قابل توجهی نگرش مسافران را نسبت به خدمات حمل‌ونقل عمومی مبتنی بر اپلیکیشن تعیین می‌کند. در مطالعه دیگری رومرو و همکاران. [۲۶] روی یک برنامه حمل و نقل توسعه یافته در منطقه مادرید برای بهبود اطلاعات اتوبوس های شهری کار کرد. بر اساس این مطالعه، ارائه دو سطح اطلاعات ممکن است سودمند باشد. سطح اول اطلاعات کلی را ارائه می دهد که به مسافران امکان می دهد حالت ها و مسیرهای حمل و نقل را انتخاب کنند. سطح بعدی به کاربران عادی اجازه می دهد تا اطلاعات دقیقی در مورد مسیرها و خطوط خاص دریافت کنند. دو سطح اطلاعات، عملکرد و تأثیرات ارتباط دو طرفه بین اپراتورهای حمل و نقل و مسافران را بهبود می بخشد.

۲٫۳٫ استفاده از SEM برای ارزیابی رضایت مسافران از اتوبوس های بین شهری

شناسایی عوامل موثر بر رضایت کلی مسافران می تواند به اپراتورهای اتوبوس کمک کند تا کیفیت خدمات را در زمینه های مختلف بهتر درک کنند. برخی از تحقیقات بر ارزیابی کیفیت خدمات اتوبوس بین شهری، شناسایی ویژگی های مشترکی که باید در هنگام تجزیه و تحلیل خدمات اتوبوس در نظر گرفته شود، متمرکز شده است. [۱,۲۷,۲۸]. این یافته‌ها نشان می‌دهد که یک شرکت باید تلاش‌های خود را برای ارتقای کیفیت خدمات و اطمینان از رضایت کاربر در کجا متمرکز کند.
از دهه ۱۹۷۰، SEM در زمینه های مختلف از جمله علوم اجتماعی، روانشناسی، بازاریابی، مدیریت، تحقیقات اقتصادی و سایر علوم طبیعی برای اندازه گیری ارتباط بین متغیرهای آشکار و پنهان استفاده شده است. [۲۹,۳۰]. SEM تجزیه و تحلیل عاملی و مدل سازی معادلات همزمان را ترکیب می کند و می تواند چندین متغیر برون زا و درون زا و متغیرهای پنهان مشخص شده به عنوان ترکیبات خطی (میانگین وزنی) را مدیریت کند. SEM برای شبیه سازی سایر حوزه های حمل و نقل فراتر از رضایت مشتری از حمل و نقل عمومی، مانند تقاضای سفر، رفتار سازمانی و رفتار راننده استفاده شده است. [۳۱]. به طور خاص، SEM برای توصیف رضایت مسافران از خدمات حمل و نقل عمومی توسعه یافته است [۳۲,۳۳].
نتایج حاصل از SEM می تواند ارائه دهندگان خدمات را در اولویت بندی ویژگی های خدمات راهنمایی کند تا اطمینان حاصل شود که SQ انتظارات مسافران را برآورده می کند یا از آن فراتر می رود. [۳۴]. به عنوان مثال، ون، لان و چنگ [۲۷] وفاداری مسافران اتوبوس بین شهری را مورد مطالعه قرار داد، در ابتدا یک تحلیل عاملی اکتشافی (EFA) انجام داد که کیفیت خدمات را می‌توان با ۱-امکانات داخل هواپیما، ۲-نگرش خدمه، ۳-عملکرد ایستگاه و ۴-عملکرد عملیاتی توضیح داد. سپس با استفاده از نتایج EFA، نویسندگان SEM را اعمال کردند که نشان داد رضایت بیشترین تأثیر را بر وفاداری مسافران دارد. علاوه بر این، نویسندگان مشاهده کردند که ارزش خدمات، هزینه‌های تعویض و اعتماد تأثیر مستقیم و مثبتی بر وفاداری دارند، در حالی که جذابیت رقبا تأثیر منفی دارد. در مطالعه دیگری، یان و همکاران. [۳۵] از SEM برای بررسی رابطه بین ویژگی‌های اجتماعی-اقتصادی و سفر و میزان تأثیر بر تمایل به سفر با اتوبوس استفاده کرد، و دریافت که وضعیت اقتصادی یک فرد نقش مهمی در انتخاب نوع حمل‌ونقل ترجیحی دارد. به عنوان مثال، اگر افراد بتوانند اتومبیل خود را به راحتی، سریع و مقرون به صرفه پارک کنند، احتمال بیشتری دارد که رانندگی کنند. برعکس، اگر مردم بتوانند زمان انتظار و انتقال خود را به حداقل برسانند و سیستم سریعتر عمل کند، احتمال بیشتری دارد که حمل و نقل عمومی را انتخاب کنند. کیفیت خدمات حمل و نقل مفهومی پیچیده است که تحت تأثیر جنبه های مختلف مانند فراوانی، وقت شناسی، راحتی، تمیزی و اطلاعات است. مدل‌های معادلات ساختاری به کشف روابط بین این جنبه‌ها و کیفیت خدمات کمک می‌کنند. با این حال، این مقاله با استفاده از متغیرهای سازنده برای مدل‌سازی رابطه بین ویژگی‌های کیفیت خدمات بررسی می‌کند. نتایج نشان می دهد که مدل بازتابی برای توصیف رضایت مسافران از کیفیت خدمات حمل و نقل مناسب تر است. با این حال، برخی از جنبه های خدمات می تواند از یک رویکرد سازنده برای بررسی بهتر بهره مند شود [۳۶].

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.

در زمینه حمل و نقل، گاریدو و همکاران. [۳۷] از شبکه های عصبی مصنوعی برای تجزیه و تحلیل کیفیت خدمات در سیستم های حمل و نقل عمومی استفاده کرد. با استفاده از داده‌های یک نظرسنجی رضایت مشتری در سال ۲۰۰۷، تحقیقات آنها تفاوت‌های قابل توجهی را در اهمیت درک ویژگی‌ها، مانند فرکانس، سرعت، اطلاعات و نزدیکی نشان داد. این بینش ها اهمیت درک و پرداختن به کیفیت خدمات در بخش حمل و نقل را برجسته می کند. اخیراً ابراهیم و همکاران. [۳۸] تحلیل عاملی اکتشافی، آزمون‌های همبستگی و شبکه‌های عصبی مصنوعی را برای شناسایی متغیرهای خدمات مؤثر بر رضایت کاربر، آشکار کردن علائم، امکانات و عرضه اطلاعات به عنوان عوامل اولیه به کار برد. به همین ترتیب، صیاد و همکاران. [۳۹] از شبکه‌های عصبی مصنوعی برای بررسی نحوه انتخاب روش‌های حمل‌ونقل تغذیه‌کننده توسط مردم هنگام استفاده از متروی دهلی استفاده کرد. نتایج حاکی از آن است که شبکه های عصبی مصنوعی به ویژه در یادگیری و شناسایی روابط بین پارامترها برای پیش بینی نتیجه بهینه موثر هستند.

۲٫۵٫ SEM-ANN

همانطور که قبلا ذکر شد، SEM یک روش پرکاربرد و موثر برای شناسایی پیش بینی کننده های موثر بر متغیرهای وابسته است. [۴۰]. با این حال، مانند سایر روش‌های آماری سنتی، مانند تجزیه و تحلیل رگرسیون چندگانه، تنها می‌تواند ارتباط‌های خطی را تشخیص دهد و بنابراین، معمولاً برای درک پیچیدگی فرآیند تصمیم‌گیری انسانی کافی نیست. این محدودیت باعث شده است تا محققان به دنبال تکنیک های تحلیلی پیچیده تری باشند که قادر به توضیح دینامیک غیرخطی ذاتی در چنین فرآیندهایی هستند.
محققان برای اعتبارسنجی روابط فرضی بین متغیرها بر مدل سازی معادلات ساختاری (SEM) تکیه کرده اند. [۴۱]. با این حال، در سال های اخیر، ترکیب SEM با قابلیت های شبکه های عصبی مصنوعی (ANN) افزایش یافته است. این رویکرد یکپارچه درک عمیق تری از پدیده های پیچیده را امکان پذیر می کند.
اولین کاربرد مستند این روش ترکیبی به کار برمی گردد [۴۲]. با این حال، مطالعات قبلی پایه و اساس را گذاشته است [۴۳]. این رویکرد ترکیبی، یک طرح تحقیق چند روشی منظم، به طور فزاینده ای برای به دست آوردن تصویر جامع تری از موضوع تحقیق مورد توجه قرار می گیرد. [۴۰].
این روش کار می کند: SEM ابتدا برای آزمایش دقیق مدل تحقیق و فرضیه های مرتبط استفاده می شود. یافته‌های حاصل از این تحلیل سپس به عنوان ورودی ارزشمند برای روش ANN عمل می‌کنند [۴۴,۴۵]. اساساً عوامل شناسایی شده توسط SEM برای آموزش ANN استفاده می شود که منجر به تولید برآوردگرها می شود.
در حالی که عملکرد درونی یک شبکه عصبی ممکن است پیچیده باشد [۴۱]، هدف واقعی استفاده از قابلیت های آن برای بهبود قدرت پیش بینی مدل با ایجاد دانش به دست آمده از SEM است. [۴۶]. شبکه های عصبی مصنوعی در مقابله با مشکلات پیچیده عالی هستند و اغلب به دقت بالاتری در کارهای پیش بینی نسبت به سایر روش ها دست می یابند. [۴۷]. مطالعات نشان داده اند که ANN ها می توانند از نظر پیش بینی های دقیق بهتر از SEM عمل کنند [۴۸].
ANN ها برای استنتاج آماری مانند SEM که بر آزمون های اهمیت دقیق یا تبدیل داده های دقیق متکی است، طراحی نشده اند. در عوض، هدف آنها کاهش خطای اندازه گیری و نویز در داده ها است. ANN ها روابط علی را به طور متفاوتی مدیریت می کنند، بر خلاف SEM، که به دنبال یک جریان یک طرفه از ورودی ها به لایه ها و خروجی های پنهان است، که امکان ایجاد روابط بین متغیرهای پنهان را فراهم می کند. [۴۳].
ظهور تکنیک دو مرحله‌ای ANN-SEM با امکان اندازه‌گیری روابط غیرخطی از طریق استفاده از توابع فعالیت متنوع و لایه‌های گره‌های پنهان، بهبود قابل توجهی را نسبت به روش‌های SEM معمولی نشان می‌دهد. [۴۹]، درک دقیقی را ارائه می دهد که مدل های خطی نمی توانند. علاوه بر این، این تکنیک ارزیابی تخمین معادلات ساختاری را حتی تحت تحقق جزئی مفروضات مدل تسهیل می‌کند، همانطور که چان و چونگ نشان می‌دهند. [۴۴] در کاربرد نوآورانه شبکه های عصبی مصنوعی برای رفع این محدودیت ها.
ژو و همکاران [۵۰] این گفتمان را از طریق ادغام دو مرحله‌ای SEM و ANN با هدف ارزیابی دیدگاه‌های برنامه‌ریزی شهری استراتژیک پیش برد. روش آنها در Lantau Tomorrow Vision در هنگ کنگ، یک جزیره بزرگ و احیا شده به کار گرفته شد. نتایج نشان داد که افزایش دسترسی به زیرساخت های حمل و نقل باید به دستیابی به هدف شغل/جمعیت کمک کند. به طور کلی، به عنوان اقتباسی از پیش‌بینی کلاس مرجع، روش SEM-ANN به ویژه در ارزیابی‌های چشم‌انداز برنامه‌ریزی شهری در مقیاس بزرگ جالب توجه است. مطالعه دیگری مدل شاخص رضایت مشتری آمریکایی را برای بررسی عوامل موثر بر رضایت مسافران از خدمات مونوریل در کوالالامپور، مالزی، با استفاده از روش ترکیبی SEM و ANN بر روی داده های جمع آوری شده از ۴۱۷ مسافر، به کار برد. این یافته ها نشان داد که مدل پیشنهادی به ترتیب ۷۰٫۴ و ۵۹٫۵ درصد از رضایت مسافر و قصد استفاده مجدد را توضیح می دهد. هر دو کیفیت درک شده و ارزش درک شده به طور قابل توجهی بر رضایت تأثیر می گذارند، با ANN کیفیت درک شده را به عنوان مهم ترین پیش بینی کننده رضایت شناسایی می کند. [۵۱].
مطالعه از Pholsook و همکاران. [۵۲] یک رویکرد سه مرحله‌ای ترکیبی پیشنهاد کرد که مدل‌سازی معادلات ساختاری، شبکه‌های بیزی (BNs) و شبکه‌های عصبی مصنوعی را برای بهبود رضایت مسافران ترکیب می‌کند. SEM برای آزمون فرضیه ها و شناسایی ابعاد کیفیت خدمات فرودگاهی (ASQ) موثر بر رضایت استفاده شد. BN برای طبقه بندی این ابعاد به سه دسته بر اساس احتمال وقوع در هر ایالت استفاده شد. ANN برای شناسایی حیاتی ترین بعد خدمات برای بهبود رضایت استفاده شد. نتایج ابعاد ASQ قابل اعتماد مطابق با معیارها و استانداردهای بین‌المللی را ارائه کردند. در این مطالعه همچنین عوامل اولویت برای بازیابی رضایت مسافران، افزایش قابلیت اعتماد و حفظ کارایی خدمات فرودگاهی در طول شیوع کووید-۱۹ و خدمات طولانی مدت مورد بحث قرار گرفت.

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 دنبال EFA، مدل‌سازی معادلات ساختاری برای مدل‌سازی رابطه بین عوامل شناسایی‌شده و رضایت کلی استفاده شد. SEM به دلیل استحکام آن در مدیریت ساختارهای پیچیده و چند بعدی و توانایی ارزیابی اثرات مستقیم و غیر مستقیم انتخاب شد. متغیرهای وارد شده به SEM آنهایی بودند که از طریق EFA به‌عنوان مهم شناسایی شدند و از بررسی متمرکز تأثیرگذارترین عوامل بر رضایت مسافران اطمینان حاصل کردند. در مرحله سوم، یک تحلیل ANN از عوامل تعیین کننده از تجزیه و تحلیل SEM به عنوان متغیرهای ورودی استفاده کرد. رضایت مشتری را با استفاده از وزن ها بر اساس پاسخ های پرسشنامه مسافر پیش بینی می کند. در نهایت، گام چهارم وزن را از ANN به‌روزرسانی کرد و دقت پیش‌بینی رضایت را با داده‌های بیشتر مسافران بهبود بخشید و مدل‌های SEM و ANN را برای داده‌کاوی ترکیب کرد. شکل ۱ طرح کلی روش شناختی این کار پژوهشی را ارائه می دهد.

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

این نظرسنجی با هدف ارزیابی رضایت کاربران اتوبوس های بین شهری از ویژگی های مختلف سرویس اتوبوس بین شهری با تمرکز ویژه بر کانال های اطلاع رسانی انجام شد. موضوعات نظرسنجی بر اساس مرور ادبیات تعریف شد (بخش ۲). این پرسشنامه به زبان اسپانیایی، زبان محلی، و در چهار بخش زیر ساخته شده است (نگاه کنید به پیوست اول):
قسمت A—نمایه کاربر. بخش اول شامل سوالات اجتماعی-اقتصادی: وضعیت کار، سطح تحصیلات، سن و جنسیت بود. سپس گروهی از سوالات اهمیت شش عامل برای استفاده از اتوبوس در سفرهای بین شهری از بررسی ادبیات موضوع انتخاب شد. [۵۳,۵۴]. سوالاتی که برای انواع مختلف پاسخ‌ها پرسیده می‌شوند: متغیرهای طبقه‌بندی، کادر نظر، و چند گزینه‌ای.

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

این نظرسنجی از یک روش ترکیبی استفاده کرد که توسط [۵۵]. این استراتژی پلت‌فرم‌های فناوری پیشرفته را با تکنیک‌های مرسوم نظرسنجی ترکیب می‌کند. این ترکیبی از تماس چهره به چهره برای انگیزه و اطلاعات پروژه، ارائه کارت با دسترسی فردی به نظرسنجی وب است. پلتفرم SurveyMonkey به دلیل رابط کاربری آسان و ویژگی های کاربردی مدیریت داده آن انتخاب شد. علاوه بر این، توزیع کارت‌های حاوی داده‌های پروژه و اعتبارنامه ورود به سیستم، دسترسی به نظرسنجی وب را تضمین می‌کند و نرخ پاسخ را بهبود می‌بخشد. یک قرعه کشی جوایز به همه پاسخ دهندگانی که نظرسنجی را تکمیل کردند برای بهبود نرخ پاسخ ارائه شد [۵۶]. کارت های نظرسنجی برای خدمات اتوبوس های بین شهری منتخب بین مسافران در مکان های سواری توزیع شد. برای این مطالعه، آنها در مبادله Avenida America در مادرید، مبدا خدمات اتوبوس مادرید-بیلبائو، توزیع شدند. نظرسنجی ها بدون در نظر گرفتن نوع مسافران و وضعیت اجتماعی-اقتصادی و قومی آنها اما با رعایت سهمیه های جنسیتی و سنی به صورت تصادفی توزیع شد. این نظرسنجی در دو مرحله هفت روزه مختلف در سال ۲۰۲۱ انجام شد: (۱) در اواسط تعطیلات تابستانی (آگوست) و (۲) در ماه اکتبر در روزهای هفته برای جذب کاربران گاه به گاه و مکرر. نظرسنجی ها بین مسافران ۲۵ اکسپدیشن در هر مرحله توزیع شد. در مجموع ۲۰۰۰ کارت نظرسنجی توزیع شد که ۴۵۹ پاسخ معتبر جمع آوری شد. این نرخ پاسخ قوی بر قابلیت اطمینان و اعتبار مجموعه داده ما تأکید می کند.

۳٫۴٫ تحلیل داده ها

ANOVA می تواند تفاوت های قابل توجهی را در بین متغیرها تشخیص دهد اما نمی تواند این اختلافات را توضیح دهد. مدل‌سازی معادلات ساختاری (SEM) یک روش جامع‌تر را اتخاذ می‌کند. برای درک روابط علی بین متغیرهای مختلف، از جمله آنهایی که اندازه گیری مستقیم آنها دشوار است مفید است. [۵۷]. از آنجایی که SEM هر دو ویژگی قابل مشاهده و پنهان را در نظر می گیرد، نسبت به رویکردهای آماری استاندارد دارای مزایایی است.

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.

برای تخمین SEM، از تکنیک حداکثر احتمال (ML) با نرم افزار AMOS26 استفاده کردیم که بر اساس میزان تناسب آن با اهداف مطالعه و ویژگی های داده ها انتخاب کردیم. روش‌های دیگر، مانند حداقل مربعات وزنی بدون توزیع مجانبی (ADF-WLS) و حداقل مربعات تعمیم‌یافته (GLS)، نیز می‌توانند برای تخمین پارامترهای SEM استفاده شوند. [۵۸,۵۹]. به گزارش گلوب [۵۹]انتخاب مناسب ترین روش تخمین به چندین فرض از جمله حجم نمونه، مقیاس متغیرها و توزیع احتمال بستگی دارد.

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.

Preciado-Ortiz [60] تاثیر یک اپلیکیشن حمل و نقل سیار بر رضایت دانشجویان دانشگاه را مورد بررسی قرار داد. اعتبار سنجی مدل با استفاده از مدل سازی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) انجام شد. آنها مشاهده کردند که طراحی، اطلاعات و کیفیت سیستم پیش بینی کننده رضایت هستند. مطالعه واتکینز و همکاران. [۶۱] نشان داد که اطلاعات لحظه‌ای موبایل از وب‌سایت‌ها، تلفن‌های همراه، پیام‌های متنی و گوشی‌های هوشمند تأثیر قابل‌توجهی بر درک مسافران از زمان انتظار ندارد. چوی و همکاران [۶۲] تمایل افراد برای ادامه استفاده از اپلیکیشن‌های موبایل برای سفر و عواملی که بر این تصمیم تاثیر می‌گذارند را مورد مطالعه قرار داد. با استفاده از چارچوب مدل تأیید انتظار و مصاحبه، نویسندگان مدلی را پیشنهاد کردند که ارتباط بین ارزش عملکردی، ارزش لذت‌جویی، رضایت و اعتماد را توضیح می‌دهد. علاوه بر این، نحوه تأثیر آشنایی، هدف سفر، نوع برنامه سفر و مهارت فنی بر تعداد دفعات استفاده را پوشش می دهد.

بنابراین، فرضیه های زیر مطرح می شود:

H1.

کانال های اطلاعاتی ارتباط مثبتی با رضایت کلی دارند.

H2.

کانال های اطلاع رسانی ارتباط مثبتی با قیمت بلیط دارند.

H3.

کانال های اطلاعات ارتباط مثبتی با تجربه سفر دارند.

کیفیت خدمات ارتباط تنگاتنگی با رضایت مسافران دارد که عامل تعیین کننده قابل توجهی در تقاضای حمل و نقل است [۶۳]. عوامل مؤثر بر عملکرد کیفیت سرویس اتوبوس اخیراً مورد توجه قرار گرفته است. در حالی که ارزیابی عملکرد حمل و نقل اتوبوسی برای اپراتورها اساسی بوده است، تاکید فزاینده ای بر درک بهتر ویژگی های کیفیت خدمات مربوط به نیازهای مشتریان وجود دارد. [۶۴]. این به این دلیل است که ارتباط قوی بین کیفیت ویژگی خدمات و رضایت مشتری برقرار شده است. ارائه دهندگان خدمات مایل به درک بهتر عوامل موثر بر رضایت مشتری برای تقویت تحرک پایدار هستند [۶۵]. در تحقیقات دیگر، J. de Oña و همکاران. [۶۶] تمرکز بر نیات رفتاری مسافران برای استفاده از خدمات حمل و نقل. آنها یک متغیر پنهان به نام «منافع درک شده» را شناسایی کردند که توسط تجربیات مختلف سفر شکل می گیرد و نشان داده شد که تأثیر زیادی بر نیات رفتاری دارد. علاوه بر این، این مفهوم نهفته تحت تأثیر نگرش نسبت به حمل و نقل و هزینه های درک شده است. بنابراین، مدیریت حمل و نقل می تواند با کاهش هزینه های درک شده و ترویج نگرش مثبت نسبت به حمل و نقل (به عنوان مثال، وفاداری و ارجاع) به اهداف رفتاری کاربر مورد نظر دست یابد.

بر اساس گفته های قبلی، فرضیه های زیر برای این کار پژوهشی پیشنهاد شده است:

H4.

تجربه سفر رابطه مثبتی با رضایت کلی اتوبوس دارد.

H5.

تجربه سفر رابطه مثبتی با قیمت بلیط دارد.

اسلام و همکاران [۶۷] بررسی عوامل سنجش رضایت مشتری آنها مشاهده کردند که قیمت بلیط، نحوه رانندگی رانندگان، خدمات داخل و خارج از اتوبوس، چیدمان ایستگاه ها و ایمنی مسیر بیشترین میزان پاسخ (۹۵٫۸٪) را در بین عوامل مختلف در نظر گرفته شده برای ارزیابی مشتری دارند. رضایت. دسترسی به ایستگاه ها و قیمت بلیط از نظر رضایت مشتری در رتبه دوم قرار دارد (۹۰٫۶%). بنابراین، فرضیه زیر پیشنهاد می شود:
H6.

قیمت بلیط با رضایت کلی اتوبوس رابطه مثبت دارد.

مدل ساختاری نشان داده شده در شکل ۲ به دنبال این فرضیه ها با استفاده از تکنیک SEM-ANN پیشنهاد و آزمایش می شود.

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

ویژگی های اجتماعی-اقتصادی نمونه تنظیم شده برای وزن نمونه در نشان داده شده است میز ۱. همانطور که قبلا ذکر کردیم، ۴۵۹ پاسخ معتبر از مجموع ۲۰۰۰ کارت توزیع شده جمع آوری شد. بیشتر از زنان (۶۱ درصد) از مردان (۳۷ درصد) و بقیه (۲ درصد) تشکیل شده است. اکثر پاسخ دهندگان بین ۳۶ تا ۶۰ سال (۳۴ درصد) و بزرگترین گروه های زیر ۱۸ تا ۲۵ سال (۳۲ درصد) و ۲۶ تا ۳۵ سال (۲۵ درصد) هستند. گروه های کمتر از ۱۸ سال و مسن تر از ۶۰ سال کمتر حضور دارند (به ترتیب ۳ و ۶ درصد). کاربران عموما دارای مدرک دانشگاهی (۶۰%) یا مدرک لیسانس (۲۸%) هستند، اما گروه کوچکی نیز دارای مدرک دبیرستان (۶%) هستند. مشاغل اصلی مسافران شاغل و دانشجو (به ترتیب ۵۱ درصد و ۲۹ درصد) هستند. در مجموع ۶۷ درصد از مسافران گواهینامه رانندگی دارند و تنها ۳۵ درصد صاحب خودرو هستند. همچنین ۶۴ درصد مسافران دارای کارت حمل و نقل عمومی هستند. اکثر پاسخ دهندگان درآمد متوسطی دارند (۱۳۰۰-۲۵۰۰ یورو).

۵٫۲٫ ویژگی های سفر

تجزیه و تحلیل ویژگی های سفر مانند فرکانس و هدف می تواند به اپراتور کمک کند تا رفتار مسافر را درک کند. جدول ۲ ویژگی های سفر مسافران را نشان می دهد. می توان مشاهده کرد که دلایل اصلی سفر تفریحی (۶۱ درصد) و کار (۱۵ درصد) است. تنها ۴ درصد از مسافران یک یا دو بار در هفته سفر می کنند، در حالی که اکثریت (۷۴ درصد) مسافران گاه به گاه هستند. در مورد نوع بلیت استفاده شده، توزیع مشابهی بین مسافرانی که بلیط رفت و برگشت (۵۱ درصد) و خریدار بلیط یک طرفه (۴۵ درصد) خریداری کرده اند وجود دارد.
حالت اصلی دسترسی به ایستگاه مبدا Avenida America در مادرید، مترو است و همچنین حالت اصلی پراکندگی در بیلبائو برای رسیدن به مقصد نهایی است. به ترتیب ۶۲% و ۳۴% از مسافران را تشکیل می دهد.جدول ۳). پیاده روی در مادرید و بیلبائو به ترتیب با ۱۲ درصد و ۲۱ درصد سهم مرتبط دارد. تاکسی و ماشین به عنوان مسافر در مادرید ۱۲ و ۱۵ درصد و در بیلبائو ۸ و ۲۵ درصد است. همانطور که انتظار می رود، تعداد رانندگی به هر دو ایستگاه به دلیل مشکلات پارکینگ بسیار کم است. این یک عامل بازدارنده آشکار در مادرید است (۰٪ یا ماشین به عنوان یک راننده)، در حالی که در بیلبائو تنها ۳٪ است.

۵٫۳٫ رتبه بندی رضایت کاربر

از همه پاسخ دهندگان خواسته شد تا اهمیت شش ویژگی را برای استفاده از اتوبوس ارزیابی کنند (جدول ۴). نتایج نشان می‌دهد که ویژگی‌های اصلی که مسافران را به استفاده از اتوبوس تشویق می‌کند، وقت‌شناسی/قابلیت اطمینان (۴٫۷۳) و پس از آن قیمت بلیط (۴٫۴۸) و ایمنی (۴٫۴۶) است. از سوی دیگر، دسترسی برای RMP (3.94) و اتصال با سایر حالت ها (۳٫۹۳) اهمیت کمتری دارد.
همبستگی بین اهمیت ویژگی‌های مختلف برای انتخاب اتوبوس‌های درون شهری و ویژگی‌های اجتماعی-اقتصادی مسافری با استفاده از آنالیز واریانس یک طرفه ارزیابی شد. نتایج حاصل از جدول ۵ به ما اجازه می دهد تا ارزیابی کنیم که آیا رابطه ای بین اهمیت عوامل مختلف برای استفاده از اتوبوس و ویژگی های اجتماعی-اقتصادی وجود دارد یا خیر. مشاهده می شود که اهمیت وقت شناسی/قابلیت اطمینان به ویژگی های اجتماعی-اقتصادی مسافران ارتباطی ندارد. با این حال، پنج ویژگی سفر باقی‌مانده حداقل به یک ویژگی اجتماعی-اقتصادی مربوط می‌شود که جنسیت رایج‌ترین آن‌ها است.

۵٫۴٫ رضایت مسافران از ویژگی های مرتبط با خدمات

ما رضایت مسافران را با هجده ویژگی خدمات ارزیابی کردیم. میانگین نرخ آنها در ارائه شده است جدول ۶. همانطور که در فرضیه ما ذکر شد، ویژگی ها در دو دسته برای توصیف بهتر جمع آوری می شوند. همانطور که مشاهده می شود، وقت شناسی، “نرم بودن در رانندگی” و احساس ایمنی در طول سفر با میانگین نرخ ۴٫۳/۵ و پس از آن ظاهر و تصویر راننده (۴٫۱/۵) دارای بهترین امتیاز هستند. این نشان می دهد که رضایت از ویژگی های ایمنی خدمات در مجموع بالا است. از سوی دیگر، قیمت بلیط و انواع کرایه های مختلف، بدترین ویژگی ها هستند. در نهایت ذکر این نکته ضروری است که اکثر مسافران ویژگی های مربوط به تعامل با شرکت (اعلان حوادث در سرویس و سهولت تماس با شرکت) و سرویس گم شده/یافت شده را رتبه بندی نکرده اند.

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
رابطه بین ویژگی‌های اجتماعی-اقتصادی، سفر، و رضایت مسافر با ویژگی‌های مختلف مرتبط با خدمات مورد بررسی قرار گرفت. جدول ۷ نشان می دهد که رضایت از ۸ ویژگی از ۱۸ ویژگی مرتبط با خدمات، برای سن و درآمد مسافر و دفعات و هدف سفر تفاوت معنی داری دارد.

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.

از مسافران خواسته شد تا ارزیابی کنند که تا چه حد با هشت بیانیه مربوط به عملکرد کانال های اطلاعاتی (وب/برنامه موبایل) که بیشتر برای برنامه ریزی سفر استفاده می کنند، موافق هستند. جدول ۸ میانگین نرخ هر ویژگی را نشان می دهد. داده های وب و برنامه تلفن همراه با بالاترین امتیاز توافق کل (به ترتیب ۴٫۲ و ۴٫۴) قابل اعتماد تلقی می شوند. در وهله دوم، کاربران موافق هستند که اپلیکیشن موبایل و وب «آسان برای استفاده» و «همیشه به‌روز» هستند، با میانگین نرخ‌های برابر یا بیشتر از ۴٫ از سوی دیگر، تعامل با شرکت و دریافت فوری پاسخ به حوادث مختلف بدترین ویژگی درک شده از اپلیکیشن موبایل و وب است.
ANOVA برای بررسی اینکه آیا رابطه معنی‌داری بین درک ویژگی‌های مختلف وب، برنامه تلفن همراه و نمایه کاربر وجود دارد یا خیر استفاده شد. تمامی ویژگی های در نظر گرفته شده در بخش های الف و ب نظرسنجی در نظر گرفته شد. جدول ۹ نشان می دهد که فراوانی سفر، هدف سفر و جنسیت عواملی هستند که با درک کاربران از ویژگی های کانال های اطلاعاتی رابطه آماری معناداری دارند.

۵٫۶٫ تحلیل عاملی اکتشافی (EFA)

یک تحلیل عاملی اکتشافی (EFA) برای بررسی ارتباط بین موارد (ویژگی‌های کانال اطلاعات و ویژگی‌های خدمات) و سازه مهم (متغیر) انجام شد. جدول ۱۰ سه عامل شناسایی شده و بارگذاری هر ۲۴ مورد را ارائه می دهد. واریانس توضیح داده شده توسط عوامل ۷۴٪ است که با توصیه فیلد و همکاران همسو است. [۶۸]، که نشان می دهد واریانس توضیح داده شده توسط همه مؤلفه ها باید بین ۷۰٪ و ۸۰٪ باشد. برای ارزیابی پایایی عوامل به دست آمده از مقدار آلفای کرونباخ از ۰ تا ۱ استفاده شد. همانطور که مشاهده می شود در جدول ۱۰سه عامل شناسایی شده را می توان با رعایت معیارهای اولوسکان قابل اعتماد دانست [۶۹]، که نشان می دهد آلفای کرونباخ بزرگتر از ۰٫۶ نشان دهنده پایایی کافی است. این عوامل بسته به مواردی که آنها را تشکیل می‌دهند نام‌گذاری شدند: کانال‌های اطلاعاتی، تجربه سفر و قیمت بلیط. مدل های توسعه یافته در بخش های بعدی از این عوامل استفاده کردند.

۵٫۷٫ مدل سازی معادلات ساختاری برای آزمون فرضیه ها

نرم افزار IBM AMOS 27 برای آزمایش مدل مسیر پیشنهادی استفاده شد (نگاه کنید به شکل ۳). تحلیل اول مسیرهای زیر را نشان داد:

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.

پس از ترسیم مجدد مدل مسیر در AMOS، شاخص های برازش مدل مورد تجزیه و تحلیل قرار گرفت. نتایج نشان‌دهنده شاخص‌های برازش مدل و آستانه‌های پیشنهادی آن‌ها است. جدول ۱۱ مسیر استاندارد شده و ضرایب تعیین (پ < 0.001). به دنبال کار Lopez-Carreiro و همکاران. [۷۰]ما خوب بودن برازش مدل را با استفاده از ریشه میانگین مربعات خطا (RMSE) بررسی کردیم که تفاوت بین مقادیر واقعی و پیش بینی شده متغیرهای خروجی است و معمولاً برای ارزیابی دقیق بودن مدل شبکه عصبی استفاده می شود. [۷۱].

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).

جدول ۱۱ و شکل ۳ نشان می دهد که مدل نهایی سه رابطه مستقیم و دو رابطه غیرمستقیم با وزن رگرسیون استاندارد شده آنها دارد. تجربه سفر، کانال اطلاعاتی و قیمت بلیط به طور مستقیم بر رضایت کلی از خدمات اتوبوس بین شهری تأثیر می گذارد. علاوه بر این، کانال های اطلاعاتی و تجربیات سفر بر قیمت بلیط تاثیر می گذارد.

۵٫۸٫ SEM-ANN

رویکرد هم افزایی ارائه شده توسط تجزیه و تحلیل ترکیبی SEM و ANN به محدودیت های هر تکنیک به تنهایی می پردازد. تعاملات پیچیده بین متغیرها را می توان به خوبی توسط SEM مدل کرد. با این حال، ممکن است به کمک در گرفتن ظرافت های تصمیم گیری انسانی نیاز داشته باشد. استراتژی ترکیبی با گنجاندن یک ANN، که در مدیریت الگوهای پیچیده و تعاملات غیرخطی برتری دارد، نارسایی‌های SEM را به حداقل می‌رساند. با استفاده از تعیین کننده های آماری معنی دار یافت شده توسط SEM به عنوان متغیرهای ورودی برای تحلیل ANN، این ادغام دقت و انعطاف پذیری مدل پیش بینی را بهبود می بخشد. [۷۱,۷۲,۷۳,۷۴]. پتانسیل پیش‌بینی با این تحقیق یکپارچه افزایش می‌یابد، به ویژه هنگام پیش‌بینی رضایت کلی، بسته به عواملی مانند تجربه سفر، هزینه بلیط و منابع اطلاعاتی. پرسپترون‌های چندلایه (MLPs) یک شکل رایج از ANN هستند که به دلیل انعطاف‌پذیری، سازگاری و مصونیت در برابر نویز برای جمع‌آوری الگوهای پیچیده و تعمیم داده‌ها مفید هستند. با استفاده از مزایای هر دو SEM و ANN، تجزیه و تحلیل ترکیبی به طور کامل پدیده های پیچیده، از جمله رضایت مصرف کننده در تجارب سفر را درک می کند. این اطلاعات روشنگری را برای تدوین استراتژی ها و تصمیم گیری ارائه می دهد.
سه مولفه اساسی یک ANN ضروری را تشکیل می دهند: یک لایه ورودی، پنهان و خروجی.شکل ۴). MLP، یک ANN پیچیده تر، شامل چندین لایه پنهان است [۷۵]. یک نوع رایج ANN مورد استفاده MLP است. برای کاربردهایی که شامل شناسایی و طبقه بندی الگو هستند، MLP ها به ویژه مفید هستند. MLPها ابزارهای قوی هستند که اغلب به دلیل سازگاری و ظرفیت آنها برای یادگیری الگوهای پیچیده مورد استفاده قرار می گیرند. یک ANN از MLPها استفاده می کند زیرا به حل مسائل غیرخطی با تقریب توابع غیرخطی کمک می کند. علاوه بر این، MLP ها می توانند داده های جدید را به طور موثر تعمیم دهند و در برابر نویز مقاوم هستند.
در MLP ها اطلاعات از لایه ورودی به لایه خروجی منتقل می شود. لایه ورودی داده های خام یا سیگنال ورودی را به فرآیند دریافت می کند. در حالی که لایه های پنهان محاسبات را انجام می دهند، لایه خروجی پیش بینی ها یا طبقه بندی ها را ارائه می دهد [۷۶].
مدل مورد استفاده در این مطالعه شامل یک لایه پنهان است که تعداد نورون ها به طور خودکار توسط نرم افزار SPSS 29 تعیین می شود. [۷۷]. علاوه بر این، اعتبارسنجی متقاطع ده برابری در طول آموزش برای جلوگیری از برازش بیش از حد شبکه عصبی انجام شد [۳۸]. به طور کلی، ۲۰٪ از داده ها برای آزمایش و ۸۰٪ باقی مانده برای آموزش شبکه استفاده شد [۷۸]. تابع sigmoid برای خروجی و تابع مخفی استفاده شد.
مقادیر RMSE برای نظارت بر دقت و عملکرد مدل‌های شبکه عصبی برای هر برابر استفاده شد. جدول ۱۲ این مقادیر را برای مجموعه داده های آموزشی و آزمایشی مدل ها (هر کدام با ده تکرار) با میانگین ۰٫۱۳ نشان می دهد. مقادیر کوچک میانگین RMSE مجموعه داده های آموزشی و آزمایشی نشان می دهد که مدل پیش بینی های دقیقی را ارائه می دهد [۴۰,۷۹]. همچنین می توان مشاهده کرد که مقادیر RMSE مجموعه های تست کوچکتر از مجموعه های آموزشی است. برای جزئیات بیشتر در مورد نحوه استفاده از مجموعه داده آموزشی به عنوان پیش‌بینی بهبود یافته مرجع، مدل ANN برازش عالی داده، دقت پیش‌بینی خوب و حداقل خطا را به لطف مقادیر متوسط ​​RMSE پایین ارائه می‌دهد.

۵٫۹٫ تجزیه و تحلیل حساسیت ANN

برای ارزیابی اهمیت نسبی متغیرهای ورودی به عنوان پیش‌بینی‌کننده از تحلیل حساسیت استفاده شد [۸۰]. بر اساس ابراهیم و همکاران [۳۸]، میزان تفاوت مقدار خروجی مورد انتظار برای مقادیر مختلف متغیرهای ورودی با اهمیت نسبی هر متغیر ورودی تعیین می شود. ما از تحلیل حساسیت استفاده کرده ایم (نگاه کنید به جدول ۱۳) برای تعیین اهمیت نرمال شده این نورون ها با تقسیم مقدار نسبی آنها بر مهم ترین اهمیت و نمایش آن به صورت درصد برای ارزیابی قدرت پتانسیل پیش بینی هر یک از نورون های ورودی.
جدول ۱۳ اهمیت نسبی و نرمال شده هر متغیر ورودی را برای همه مدل ها ارائه می دهد. بر اساس تحلیل حساسیت ANN، قیمت بلیط مهم‌ترین پیش‌بینی‌کننده رضایت است و پس از آن کانال‌های اطلاعاتی (۸۴ درصد) و تجربه سفر (۶۵ درصد) قرار دارند.

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.

پایداری روش SEM-ANN در نمونه های مختلف شایستگی توجه دارد [۸۱]. SEM می تواند به اندازه نمونه حساس باشد و به طور بالقوه نتایج متغیری را با مجموعه داده های کوچکتر به همراه داشته باشد [۸۲]. علاوه بر این، کیفیت پرسشنامه مورد استفاده در تجزیه و تحلیل SEM بر ثبات تأثیر می گذارد [۸۳]. شبکه های عصبی مصنوعی، که به دلیل ماهیت داده محور خود شناخته می شوند، مستعد تغییرات در داده های آموزشی هستند. تفاوت های قابل توجه بین آموزش و داده های جدید می تواند منجر به پیش بینی های ناپایدار شود [۸۴]. ترکیب SEM-ANN این نگرانی های پایداری را به ارث می برد، زیرا ANN بر روابط شناسایی شده توسط SEM متکی است.

۶٫۱٫ نمایه های کاربر برای خدمات اتوبوس بین شهری

ویژگی‌های اجتماعی-اقتصادی و سفر مسافران برای شناسایی پروفایل‌های کاربر مورد تجزیه و تحلیل قرار گرفت. همانطور که قبلا توسط [۸۵,۸۶]، کاربران اتوبوس بین شهری درصد بیشتری از زنان با درآمد متوسط ​​را دارند. مهمترین ویژگی برای استفاده از اتوبوس وقت شناسی است که قبلاً توسط آن رعایت می شد [۸۷]و به دنبال آن ایمنی سفر. در مقابل، به نظر می رسد مکاتبه با سایر روش های حمل و نقل کم اهمیت ترین عامل در انتخاب اتوبوس های بین شهری باشد. اکثر مسافران فقط گهگاهی سفر می کنند و دلیل اصلی آن تفریح ​​و به دنبال آن کار است [۸۵].

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

ما رضایت مسافران را از ۱۸ ویژگی مرتبط با خدمات ارزیابی کردیم و بررسی کردیم که آیا به ویژگی های اجتماعی-اقتصادی و سفر آنها مربوط می شود یا خیر. ویژگی های مربوط به ایمنی دارای بهترین امتیاز هستند، همراه با وقت شناسی خدمات، که قبلاً توسط [۸۸]. از سوی دیگر، ویژگی های گروه بندی شده به عنوان “تجربه سفر” به دلیل رتبه بندی پایین آنها به عنوان نقاط ضعف شناسایی می شوند، به ویژه موارد گم شده/ یافت شده که دارای رتبه ۱٫۱/۵ است. در همین راستا، ویژگی‌های مربوط به فروش بلیط مانند قیمت بلیط، تنوع کرایه و گزینه‌های خرید نسبت به سایر دسته‌ها نسبتاً رتبه‌بندی می‌شوند، که توسط آن نیز مشاهده شد. [۸۹].

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.

جالب اینجاست که این نتیجه با نتایج از همخوانی دارد [۹۰,۹۱]، که مشاهده کردند که طراحی وب سایت، قابلیت اطمینان وب سایت و پاسخگویی بر رضایت مسافران (وب سایت مسافرتی و صنعت هواپیمایی) در مطالعه خود بر رابطه بین ابعاد کیفیت وب سایت بر رضایت مسافر تأثیر می گذارد. همچنین، نتایج ما نشان می دهد که بهبود کیفیت وب سایت و برنامه بر رضایت کلی تأثیر می گذارد. مشاهده می شود که وقتی رابطه بین قیمت بلیط و کانال های اطلاعاتی (به عنوان واسطه) در نظر گرفته شود، برازش مدل افزایش می یابد.

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.

تجزیه و تحلیل نتایج ANN نشان می دهد که قیمت بلیط مهم ترین پیش بینی کننده رضایت مسافران است. با این حال، نظرات دوگانه ای در ادبیات وجود دارد که برخی نشان دهنده اهمیت قیمت بلیط بر رضایت مسافران است. [۲۷,۲۸]، در حالی که دیگران تأثیر کمی یا بدون اثر را گزارش می کنند [۱۷]. برخلاف مطالعات قبلی که هیچ تاثیری یا اندکی نداشتند، در این مطالعه نشان می‌دهیم که کرایه اتوبوس بین‌شهری به‌عنوان مهم‌ترین پیش‌بینی‌کننده، تأثیر قابل‌توجهی بر رضایت مسافران دارد. این ممکن است با تنوع کرایه های موجود توضیح داده شود که به خدمات ارائه شده بستگی دارد. داشتن امکان انتخاب بین کرایه های مختلف به همراه احساس دریافت خدمات منصفانه نسبت به قیمت، رضایت مسافران را تحت تاثیر قرار می دهد.

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. :

نتایج SEM نشان می دهد که کانال های اطلاعاتی بر رضایت مشتری تأثیر می گذارد. نتایج ما نشان می دهد که خدمات وب سایت و اپلیکیشن برای رضایت مسافران بسیار مهم است. نتایج تحلیل ANN نشان می‌دهد که کانال اطلاعات دومین پیش‌بینی‌کننده رضایت است و تجربه سفر سومین پیش‌بینی‌کننده رضایت است. این نتیجه مطابق با تحقیقات قبلی است که نشان می دهد تجربه سفر تأثیر مثبتی بر رضایت مسافران دارد [۹۲,۹۳]. یک نکته قابل توجه این است که از آنجایی که این مطالعات قبلی نتوانستند سطوح اهمیت نسبی متغیرهای ورودی پیش‌بینی‌کننده را رتبه‌بندی کنند، این تحقیق نشان می‌دهد که اگرچه تجربه سفر در رضایت مسافران بسیار مهم است، اما بعد از قیمت بلیط می‌آید.

۷٫ نتیجه گیری

رضایت مسافران در بخش خدمات اتوبوسرانی بسیار مهم است، زیرا شرکت ها به طور مداوم کیفیت خدمات را بهبود می بخشند و رابطه بین رضایت و ویژگی های خدمات را برای شناسایی عوامل کلیدی ارزیابی می کنند. این مطالعه از یک روش ترکیبی SEM-ANN برای بررسی رضایت مسافران در بخش خدمات اتوبوس بین شهری، با تمرکز بر مسیر مادرید – بیلبائو استفاده می‌کند و درک جامعی از پویایی رضایت مسافران ارائه می‌کند. فاصله ۳۹۸ کیلومتری بین دو شهر در محدوده معمولی مسیرهای اتوبوس بین شهری در اسپانیا و اروپا قرار دارد (فاصله متوسط [۳۰۰–۱۰۰۰ km]) [94]، اجازه می دهد تا مشاهدات این مطالعه به مسیرهای اتوبوس مختلف تعمیم داده شود.

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.

تحقیقات آینده باید ویژگی‌های اجتماعی-اقتصادی، کانال‌های اطلاعاتی، استراتژی‌های تجربه سفر، ترجیحات بین فرهنگی، فن‌آوری‌های جدید و یک مدل رضایت جامع را بررسی کند. اگرچه این تحقیق بر استفاده از ANN برای افزایش رضایت مشتری در حمل و نقل عمومی متمرکز است، استراتژی‌های مبتنی بر هوش مصنوعی مانند ریزشبکه‌های AC را می‌توان برای بهبود انعطاف‌پذیری زیرساخت‌های ضروری مورد بررسی قرار داد. مطالعه انجام شده توسط ساهو و همکاران. [۹۵] یک تکنیک رویداد محور را ارائه می دهد که نشان می دهد چگونه می توان از هوش مصنوعی (AI) برای شناسایی ناهنجاری ها و پاسخ های تطبیقی ​​استفاده کرد.

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

پایداری 16 04363 g0a1cپایداری 16 04363 g0a1dپایداری 16 04363 g0a1eپایداری 16 04363 g0a1fپایداری 16 04363 g0a1gپایداری 16 04363 g0a1hپایداری 16 04363 g0a1iپایداری 16 04363 g0a1j

منابع

  1. 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]
  2. 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]
  3. Czepiel، JA خدمات و روابط خدمات: مفاهیم برای تحقیق. اتوبوس جی. Res. 1990، ۲۰، ۱۳-۲۱٫ [Google Scholar] [CrossRef]
  4. 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]
  5. 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]
  6. 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]
  7. 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]
  8. 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]
  9. 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]
  10. Carman، JM ادراکات مصرف کننده از کیفیت خدمات: ارزیابی ابعاد SERVQUAL. J. خرده فروشی. ۱۹۹۰، ۶۶، ۳۳-۵۵٫ [Google Scholar]
  11. Oboknb، دی جی; کلارک، ام جی توسعه پرسشنامه‌های نظرسنجی برای بررسی آسایش مسافران. ارگونومی ۱۹۷۳، ۶، ۸۵۵-۸۶۹٫ [Google Scholar] [CrossRef]
  12. 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]
  13. 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]
  14. 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]
  15. 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]
  16. 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]
  17. 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]
  18. 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]
  19. 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]
  20. 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]
  21. 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]
  22. 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]
  23. 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]
  24. 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]
  25. 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]
  26. 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]
  27. 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]
  28. 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]
  29. Jöreskog، KG تجزیه و تحلیل ساختارهای کوواریانس. که در تجزیه و تحلیل چند متغیره – III; الزویر: آمستردام، هلند، ۱۹۷۳; ص ۲۶۳-۲۸۵٫ [Google Scholar]
  30. 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]
  31. 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]
  32. Wallin Andreassen، T. (عدم)رضایت از خدمات عمومی: مورد حمل و نقل عمومی. J. Serv. علامت گذاری. ۱۹۹۵، ۹، ۳۰-۴۱٫ [Google Scholar] [CrossRef]
  33. 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]
  34. 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]
  35. 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]
  36. 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]
  37. 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]
  38. 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]
  39. 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]
  40. 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]
  41. 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]
  42. 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]
  43. 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]
  44. 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]
  45. 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]
  46. گارسون، جی دی شبکه های عصبی: راهنمای مقدماتی برای دانشمندان علوم اجتماعی; انتشارات سیج: لندن، انگلستان، ۱۹۹۸٫ [Google Scholar]
  47. 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]
  48. 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]
  49. 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]
  50. 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]
  51. 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]
  52. 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]
  53. 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]
  54. 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]
  55. 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]
  56. 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]
  57. 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]
  58. 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).
  59. 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]
  60. 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]
  61. 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]
  62. 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]
  63. 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]
  64. 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]
  65. 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]
  66. 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]
  67. 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]
  68. فیلد، ا. زوئی، اف. جرمی، ام. کشف آمار با استفاده از R; انتشارات SAGE: Thousand Oaks، CA، USA، ۲۰۱۲٫ [Google Scholar]
  69. 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]
  70. 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]
  71. 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]
  72. 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]
  73. 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]
  74. 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]
  75. 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]
  76. 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]
  77. 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]
  78. 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]
  79. 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]
  80. 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]
  81. شمولی، جی. کوپیوس، یا تحلیل پیش‌بینی‌کننده در تحقیقات سیستم‌های اطلاعاتی. MIS Q. 2010، ۵۵۳-۵۷۲٫ [Google Scholar] [CrossRef]
  82. 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]
  83. 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]
  84. 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]
  85. 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]
  86. 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]
  87. 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]
  88. آنتونوچی، ال. کروستا، سی. D'Ovidio، FD; توما، ای. رضایت مسافر: تحلیل چند گروهی. که چقدر. ۲۰۱۴، ۴۸، ۳۳۷-۳۴۵٫ [Google Scholar] [CrossRef]
  89. 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]
  90. 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]
  91. 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]
  92. 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]
  93. 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]
  94. آمار حمل و نقل اتحادیه اروپا – دستورالعمل های یوروستات در مورد آمار تحرک مسافر; آژانس محیط زیست اروپا: کپنهاگ، دانمارک، ۲۰۱۸٫
  95. 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

شکل ۲٫
ساختار SEM پیشنهادی

شکل ۲٫
ساختار SEM پیشنهادی

پایداری 16 04363 g002

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

شکل ۴٫
مدل ANN پیشنهادی

شکل ۴٫
مدل ANN پیشنهادی

پایداری 16 04363 g004

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

برچسب ها
, , , , , , , , , , , , , , , , , ,
به اشتراک بگذارید
پایداری | متن کامل رایگان | مکانیسم میکروسکوپی و تجزیه و تحلیل عملکرد جاده کربناته شدن MgO-انجماد رسوب لایروبی
پایداری | متن کامل رایگان | تحول دیجیتال و عملکرد غیر مالی در تولید
پایداری | متن کامل رایگان | تجزیه و تحلیل ساختار Boss از نوع Ⅳ مخزن کامپوزیت برای یک تریلر لوله هیدروژنی با فشار بالا
پایداری | متن کامل رایگان | بررسی پتانسیل انرژی و سینتیک تخریب نه بستر آلی: ترویج پایداری در اقتصادهای در حال توسعه
پایداری | متن کامل رایگان | ادغام فناوری شهر هوشمند و نوآوری مدل کسب و کار
تعداد دیدگاه : 0
  • 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.