基于BN和PLS-SEM的大學生網約車忠誠度研究

李綱　徐偉

摘要：為分析大學生網約車乘客忠誠度及其影響因素的作用機制，將貝葉斯網絡（Bayesian networks，BN）和偏最小二乘法結構方程模型（partial least squares structural equation modelling，PLS-SEM）結合，以2019年大連市大學生網約車乘客為例，分析大學生網約車乘客的負面體驗、運營服務、環境滿意、乘客滿意度和忠誠度的關系。在BN中采用基于約束的自動學習方法學習因子間的作用關系，獲得不同影響因素間相關關系的網絡結構。通過PLS-SEM測試和分析BN結構，建立乘客忠誠度模型。結果表明：乘客滿意度是影響忠誠度的最大因素，總效應為0.508；負面體驗是影響忠誠度的最小因素，總效應為-0.146。乘客滿意度是提高大學生網約車忠誠度的關鍵指標，網約車平臺應通過優化車內環境、縮短出行時間、規范司機行為、升級應用軟件等措施提升大學生的乘車體驗，提高大學生網約車乘客的忠誠度?；贐N和PLS-SEM的大學生網約車忠誠度研究可豐富網約車乘客的決策行為機制與研究方法，為相關部門和網約車平臺提供管理決策依據。

關鍵詞：網約車；乘客忠誠度；乘客滿意度；BN；PLS-SEM

中圖分類號：U491.1+7文獻標志碼：A文章編號：1672-0032（2024）01-0056-08

引用格式：李綱，徐偉.基于BN和PLS-SEM的大學生網約車忠誠度研究［J］.山東交通學院學報，2024，32（1）：56-63.

LI Gang， XU Wei. Study on college students′ loyalty of online ride-hailing based on BN and PLS-SEM［J］.Journal of Shandong Jiaotong University，2024，32（1）：56-63.

0 引言

近年來我國大力支持公共交通發展，網約車作為公共交通中提供門到門服務、便捷、舒適的新興交通方式，可有效緩解乘客打車難等問題[1]。根據全國網約車監管信息交互平臺的數據，截至2022年10月，全國已有325個地級以上城市運營網約車，全國網約車日均訂單超2 000萬單，月均訂單5.95億單[2]。網約車已成為我國城市交通的重要組成部分。

科學評價網約車的服務質量是網約車發展的關鍵。邵春福等[3]結合主成分分析和誤差逆傳播（back propagation，BP）神經網絡算法評價網約車的服務質量。左文明等[4]采用修正后的SERVQUAL模型從差異性、重要性、關聯性和滿意度4方面評價網約車的服務質量。服務質量對乘客的忠誠度有顯著影響，乘客忠誠度在維持和提高網約車利用率方面的作用至關重要，是長期財務業績的主要指標之一[5]。Nguyen-Phuoc等[6]以越南為例，分析感知服務質量、感知利益和感知促銷對乘客滿意度和忠誠度的影響。在網約車背景下，探索乘客忠誠度與其影響因素間作用關系的研究仍較少。

近年來，大學生的出行受到越來越多的關注，大學生的出行行為可作為評估長期生活決策對近期交通場景及未來交通規劃和法規影響的重要內容[7]。在出行需求分析方面，大學生出行決策機制的認識有待進一步明確[8]。與其他居民相比，大學生的流動性較強，在選擇交通方式方面比其他年齡組更靈活，他們通常選擇更便捷的共享出行模式[9-10]。大學生在校期間的出行行為模式正在形成并會影響其未來的出行方式，進而影響周圍的人[11]。分析大學生的出行行為，可為實施適當的交通政策，促進大學生乃至他們未來選擇可持續的交通方式出行，提高城市交通系統的健康發展提供參考[12]。目前仍缺乏對網約車乘客，尤其是年輕乘客選擇網約車出行決策機制的研究[13]。大學生作為年輕網約車乘客的重要組成部分，截至2022年已達2.93億人[14]。每月多次使用網約車的大學生占總人數的比例超過60%[15]。

考慮到2020—2022年疫情防控常態化政策對高校學生出行的影響，本文以2019年大連市大學生出行數據為分析實例，采用貝葉斯網絡（Bayesian networks，BN）與偏最小二乘法結構方程模型（partial least squares structural equation modelling，PLS-SEM）相結合的建模方法，探索網約車服務質量、大學生乘客的滿意度與忠誠度的作用關系，分析服務質量（負面體驗、運營服務和環境滿意）所體現的指示變量對乘客滿意度與忠誠度的影響，揭示大學生網約車乘客忠誠度及其影響因素的作用機制，豐富對網約車乘客，尤其是對年輕乘客滿意度和忠誠度的認識，保持并吸引大學生理性采用網約車并引導他們未來的出行行為，促進城市公共交通系統的可持續發展。

1 基本理論

結構方程模型（structural equation modelling，SEM）是研究交通行為決策機制的有效方法之一，學者需結合以往的研究成果與主觀判斷提出研究假設[5-6]。Mandhani等[16]將BN與PLS-SEM相結合檢驗和分析乘客服務質量影響因素的相互作用。BN采用數據挖掘技術分析各潛在重要因素的作用關系，減少學者在建模前的主觀判斷和研究假設，采用SEM探索與驗證，該綜合方法已應用在醫學和軌道交通中，并取得顯著效果。

1.1 BN模型

BN源自概率圖形模型，采用概率論、圖論和數據挖掘理論，研究變量間的相互關系，通過表示不確定的相互關系使復雜問題變得直觀清晰，便于理解。

BN模型由2部分組成，第1部分是模型的定量部分，通過分解條件概率分布計算聯合概率分布（joint probability distribution，JPD），以有向無環圖（directed acyclic graph，DAG）結構形式表示。設n個變量的集合V={X X2，…，Xn}，BN為V的網絡結構，表示為該組變量上DAG對應每個節點的條件概率

BN模型的第2部分是定性部分，采用圖形模型結構，通常稱為DAG，允許對變量集上計算的JPD進行圖形說明。

1.2 PLS-SEM

SEM是結合回歸分析、因子分析和方差分析，估計相關依賴關系的多元技術。SEM由2部分組成，第1部分為結構模型，描述內生潛變量和外生潛變量間的關系，顯示各潛變量間關系的方向和強度。第2部分為測量模型，評估潛在變量和觀測變量間的關系。PLS-SEM是用偏最小二乘法估計參數的結構方程模型。

式中：η為內生潛變量；B為η的參數系數矩陣，描述η間的相互影響；ξ為外生潛變量；Γ為ξ的參數系數矩陣，描述ξ對η的影響；ζ為方程的殘差項，表示模型中無法解釋的部分。

式中：x為外生顯變量，是ξ的觀測指標；Λx為x與ξ間關系的因子載荷矩陣；δ為x的測量誤差；y為內生顯變量，是η的觀測指標；Λy為y與η間關系的因子載荷矩陣；ε為y的測量誤差。

網約車服務質量評價數據具有非正態性，采用PLS-SEM分析數據時，數據無須服從正態分布；采用PLS-SEM探索和預測網約車服務質量影響因素與乘客忠誠度間的相互關系，可較好地測試模型的解釋能力和預測相關性。因此，采用PLS-SEM分析從BN中提取的模型是合理的且可行性的。本文采用軟件Smart PLS 3.0實現PLS-SEM分析。

2 數據收集與分析

2.1 調查問卷設計與實施

為分析大學生選擇網約車出行的滿意度與忠誠度，收集、整理相關文獻資料，設計大學生網約車出行調查問卷。問卷由4部分組成：第1部分調查大學生日常出行中網約車的總體利用情況，主要包括網約車使用頻率、典型單次出行時間和出行費用等；第2部分是大學生在不同假設場景下的出行方式選擇行為的意向調查（stated preference，SP）；第3部分是根據影響忠誠度的相關因素，采用5級李克特量表，設計大學生對網約車各項服務水平的評價指標，參考負面體驗[17]、運營服務[18]、環境滿意[19]、乘客滿意度[6]對忠誠度的影響，負面體驗[20]、運營服務[21]、環境滿意[22]對乘客滿意度的影響；第4部分是大學生的個人情況。

本文主要根據調查問卷第3、4部分的數據進行分析。此次問卷調查共回收問卷1 651份，經數據處理有效問卷1 199份，有效率為72.62%。

2.2 描述性統計分析

被調查者的個人社會經濟屬性如表1所示。

被調查的男性大學生和女性大學生比例接近；在專業方面，理工類大學生人數占總樣本比例最大，為58.2%；在年級方面，大學一、二年級的大學生占39.2%，大學三、四、五年級的大學生占46.5%，碩士研究生及以上的被調查者占比最小，為14.3%；經濟屬性方面，被調查者的家庭月收入主要集中在>5 000～6 000、>6 000～7 000、>7 000～8 000元3個區間，分別占總樣本的16.8%、14.1%和13.9%；在私家車方面，家庭中有私家車的大學生占被調查者的65.9%，表明采用網約車的大學生群體與其私家車使用經歷有較高的相關性。

2.3 數據處理

采用軟件SPSS 26中的KMO（Kaiser-Mayer-Olkin）檢驗和巴特利特球形度檢驗初步分析數據的適用性。KMO檢驗結果為0.865，大于閾值0.600[5]。巴特利特檢驗的結果也滿足要求，近似卡方值為10 470.548（顯著性檢驗結果p<0.000）。二者結果表明，調查問卷的數據可進行因子分析。

采用主成分分析法對數據進行降維處理，將多個具有一定相關性的調查指標變量，重新組合成1組新的綜合指標（因子）代替原指標。從18個指標中提取負面體驗、運營服務、環境滿意、乘客滿意度和忠誠度5個因子，5個因子（潛變量）及其相關指標變量（顯變量）的主成分分析結果如表2所示。由表2可知：指標變量的因子載荷均大于0.500，滿足閾值要求[16]。

3 結果分析

3.1 BN分析結果

采用軟件R中的bnlearn包，對5個因子采用自動學習方法中基于約束的方法建立探索性模型。在學習結構前，將忠誠度與其他因子（潛變量）直接關聯。

5個因子的BN結構如圖1所示，經皮爾遜相關性檢驗和蒙特卡洛置換檢驗（圖1括號中的數值）2種方法確定的變量間的相關系數的正負符號與顯著性均一致，據此可判別2個因子間的正負相關關系。由圖1可知：負面體驗與運營服務、滿意度和忠誠度均為負相關關系，其余潛變量間為正相關關系，且均在99.9%的置信水平上顯著。以圖1中的BN結構作為理論框架，采用PLS-SEM檢驗測量模型是否合理可行。

3.2 PLS-SEM分析結果

3.2.1 測量模型結果

通過信度和效度評估評價測量模型。計算測量模型中變量的載荷系數、綜合信度（composite reliability，CR）RCR、克朗巴哈系數（Cronbach′s alpha）α和平均方差提?。╝verage variance extracting，AVE）SAVE，結果如表3所示。由表3可知：各指標變量的因子載荷系數大于0.600（p<0.001）；各潛變量的RCR為0.806～0.925，均大于基準0.700[23]；各潛變量的α為0.681～0.790，除運營服務的α外均大于閾值0.700，運營服務的α為0.68 略小于閾值，仍可接受，說明模型通過一致性檢驗[24]；各潛變量的SAVE均大于0.500[25]。綜上結果表明測量模型有滿意的收斂效度。

采用弗耐爾-拉克準則檢驗量表的判別效度，結果如表4所示。表4中的粗體為SAVE的平方根，其他為潛變量間的相關系數。由表4可知：與其他潛變量的相關系數相比，各潛變量的SAVE的平方根均最大，判別效度滿足要求。建立的測量模型滿足效度和信度的所有要求。

3.2.2 結構模型結果

通過Bootstrapping方法，自舉檢驗5 000個子樣本的潛變量間的直接效應，結果如圖2所示。由圖2可知：在BN分析的9個直接關系中，有7個直接關系得到實證支持，有2個直接關系被拒絕，即負面體驗與運營服務、滿意度，環境滿意與運營服務、滿意度、忠誠度，運營服務與滿意度，及滿意度與忠誠度間的關系得到支持；運營服務與忠誠度，負面體驗與忠誠度間的關系（統計上不顯著）被拒絕。模型整體的標準化均方根殘差（standardized root mean square residual，SRMR）δSRMR=0.066，小于閾值0.080，規范擬合指數（normed fit index，NFI）INFI=0.804，超過閾值0.800，可接受[24]；δSRMR和INFI均滿足擬合準則要求，說明結構方程模型擬合程度良好。

3.2.2.1 間接效應

潛變量間的間接效應結果如表5所示。在由BN得出的9種間接路徑關系中，有7種路徑得到實證支持。負面體驗通過滿意度的中介作用（路徑系數為-0.104，p<0.001）對忠誠度產生顯著的負向影響，即降低司機拒載、拼車、駕車不專心和態度不好等行為的發生頻率，減少司乘糾紛，會顯著提升乘客的乘車體驗和對司機服務的評價，促進乘客未來繼續使用網約車并向他人推薦。負面體驗還通過運營服務和滿意度的中介作用影響忠誠度，對忠誠度產生顯著負向作用，同時運營服務在負面體驗和滿意度間起中介作用。運營服務雖對大學生乘客的忠誠度無直接影響，但可通過乘客滿意度對忠誠度起正向作用。說明通過減少乘客出行時間和出行費用，擴大網約車的營運時間范圍和營運地域范圍等措施，會顯著提升大學生乘客在乘車過程中的滿意度，從而提升大學生對網約車的忠誠度。環境滿意通過滿意度的中介作用或通過運營服務和滿意度的中介作用影響忠誠度。

3.2.2.2 總效應

各潛變量對忠誠度的總效應如表6所示。結合表5和表6可知：大學生乘客滿意度對忠誠度的總效應最大，為0.508，說明乘客滿意度是提高大學生網約車忠誠度的關鍵指標。網約車平臺應從車內環境、出行時間等方面提升大學生的乘車體驗，規范司機行為，提升司機的服務質量，升級優化移動應用軟件的安全性與易用性，提高大學生網約車的忠誠度。其余潛變量對大學生忠誠度的總效應從大到小依次為：環境滿意、運營服務和負面體驗，其中大學生對網約車造成的環境影響的關注程度高于其他二者，可能是因為他們對網約車的出行時間、出行費用等運營服務及負面體驗相對滿意；同時，隨城市居民環保意識的增強，對網約車可能造成的環境影響，如交通擁堵、噪聲污染、空氣污染等的感受與擔憂更敏銳[26]，這一結果也從側面揭示大學生乘客使用網約車的決策特點。因此，網約車平臺應充分發揮科技優勢，減少網約車運營對城市交通擁堵的影響，同時通過宣傳和補貼等手段，鼓勵和積極推進新能源網約車的應用，減少環境污染。有關部門應更全面地發展可持續的城市公共交通系統，優化出行方式結構，為新能源網約車的廣泛應用提供相應的政策引導和支持[26]。

運營服務和負面體驗雖對大學生網約車忠誠度沒有直接影響，但二者可通過大學生乘車滿意度的中介作用對忠誠度分別產生顯著的正向和負向作用。說明運營服務評價越高，大學生滿意度越高，忠誠度越高；負面體驗越多，大學生滿意度越低，忠誠度越低。因此，網約車平臺在運營服務方面應采取策略鼓勵網約車司機擴大營運時間和地域范圍，尤其是公共交通發展薄弱的地域；同時利用技術優勢優化路徑，減少出行時間，結合節假日等進行優惠派單，適量發放優惠券等方式，鞏固既有乘客，吸引潛在乘客，擴大服務范圍與影響力。在降低大學生負面體驗方面，網約車平臺要加大對司機隱性拒載、隨意拼車和態度不友好等行為的監督與處罰力度；同時，平臺要妥善處理乘客與司機間的糾紛；利用高科技手段監督并規范司機的駕駛行為，提高大學生乘客使用網約車的忠誠度。

3.2.3 預測能力評估

為檢驗模型的預測精度和預測相關性，計算潛變量的預測精度R2和預測相關性Q2。R2∈[0，1]，R2越大，模型的預測精度越高；Q2為正，表明模型預測能力的相關性得到確認。經計算忠誠度、乘客滿意度和運營服務的R2分別為0.350、0.314和0.182，Q2分別為0.254、0.211和0.092。忠誠度的預測準確性為中等水平（R2>0.330），滿意度的預測準確性接近中等水平[26]。忠誠度和滿意度的預測相關性為中等水平（Q2>0.150）[27]。因此，所提出的模型對潛變量忠誠度和滿意度具有適當的預測精度。

4 結論

本文綜合貝葉斯網絡和偏最小二乘法結構方程模型構建大學生網約車忠誠度的決策行為模型，以大連市2019年大學生網約車乘客為例，探索分析負面體驗、運營服務、環境滿意、乘客滿意度與忠誠度的相互作用關系。研究結果表明：該綜合方法可較好地反映各潛變量間的作用規律，乘客滿意度對忠誠度的總效應最大，為0.508，負面體驗對忠誠度的總效應最小，為-0.146。在理論方面，本文補充了公共交通領域，特別是網約車服務中大學生乘客滿意度與忠誠度間的相互作用機制，強化對年輕網約車乘客滿意度和忠誠度影響因素的認識。在實踐方面，量化各潛變量對乘客忠誠度的間接效應和總效應，為有關部門制定引導大學生可持續出行行為的交通政策和網約車平臺實施針對年輕乘客的乘車措施提供依據。

未來可更新調查數據，對比分析大學生與其他人群采用網約車出行決策機制的特點與異同，更好地提供精準化與差異化的網約車服務。

參考文獻：

[1]陳喜群.網約共享出行研究綜述[J].交通運輸系統工程與信息，202 21（5）：77-90.

[2]中國互聯網絡信息中心.第51次中國互聯網絡發展狀況統計報告[R].北京：中國互聯網絡信息中心， 2022.

[3]邵春福，王菁，彭金栓.基于主成分分析和BP神經網絡的網約車服務質量評價[J].北京交通大學學報， 2018，42（3）： 10-15.

[4]左文明，朱文鋒.分享經濟下基于SERVQUAL的網約車服務質量管理研究：以滴滴出行和優步為例[J].管理案例研究與評論，2018，11（4）：349-367.

[5]NGUYEN-PHUOC D Q， OVIEDO-TRESPALACIOS O，VO N S， et al. How does perceived risk affect passenger satisfaction and loyalty towards ride-sourcing services？[J].Transportation Research Part D：Transport and Environment， 202 97：102921.

[6]NGUYEN-PHUOC D Q， SU D N， TRAN P T K， et al. Factors influencing customer′s loyalty towards ride-hailing taxi services：a case study of Vietnam[J].Transportation Research Part A：Policy and Practice， 2020，134：96-112.

[7]ZHOU J P. Sustainable commute in a car-dominant city： factors affecting alternative mode choices among university students[J].Transportation Research Part A：Policy and Practice， 2012，46：1013-1029.

[8]KHATTAK A， WANG X， SON S， et al. Travel by university students in Virginia： is this travel difffferent from travel by the general population？[J].Transportation Research Board， 201 2：137-145.

[9]BAGDATLI M E C， IPEK F. Transport mode preferences of university students in post-COVID-19 pandemic[J].Transport Policy，2022，118：20-32.

[10]DELMELLE E M， DELMELLE E C. Exploring spatiotemporal commuting patterns in a university environment[J].Transport Policy，2012，21：1-9.

[11]MALJAEE S S， SAMENI M K. Investigating factors affecting university students′ use of subway before and after COVID-19 outbreak： a case study in Tehran[J].Journal of Transport Geography， 2022，105：103461.

[12]MOHAMMADZADEH M. Exploring tertiary students′ travel mode choices in Auckland： insights and policy implications[J].Journal of Transport Geography 2020，87：102788.

[13]SHEN H， ZOU B， LIN J ， et al. Modeling travel mode choice of young people with differentiated E-hailing ride services in Nanjing China[J].Transportation Research Part D：Transport and Environment， 2020，78：102216.

[14]教育部發展規劃司.2022年全國教育事業發展基本情況[EB/OL].（2023-03-23）[2023-03-23].http：//www.moe.gov.cn/fbh/live/2023/55167/sfcl/202303/t20230323_1052203.html.

[15]人民資訊.《大學生順風出行研究報告》：每月搭乘出租車/網約車1-10次的大學生占比超六成[EB/OL].（2021-08-28） [2023-03-23].https：//baijiahao.baidu.com/s？id=1709293988796168706&wfr=spider&for=pc.

[16]MANDHANI J， NAYAK J K， PARIDA M. Interrelationships among service quality factors of metro rail transit system： an integrated Bayesian networks and PLS-SEM approach[J].Transportation Research Part A：Policy and Practice， 2020，140：320-336.

[17]TRI B J， HISASHI K. Exploring negative experiences and user loyalty in paratransit[J].Transportation Research Record： Journal of the Transportation Research Board， 2007，2034：134-142.

[18]LAI W T， CHEN C F. Behavioral intentions of public transit passengers：the roles of service quality， perceived value， satisfaction and involvement[J].Transport Policy，201 18（2）：318-325.

[19]VICENTE P， SAMPAIO A， REISE E. Factors influencing passenger loyalty towards public transport services： does public transport providers′ commitment to environmental sustainability matter？[J].Case Studies on Transport Policy， 2020， 8（2）：627-638.

[20]SUH-HEE C， LIPING C. Tourist attribution and the moderating role of loyalty[J].Tourism Analysis 2010，15（6）：729-734.

[21]YUAN Y L， YANG M， FENG T， et al. Analyzing heterogeneity in passenger satisfaction， loyalty， and complaints with air-rail integrated services[J].Transportation Research Part D：Transport and Environment， 202 97：102950.

[22]DEZ-MESA F， OA R D， OA J D. Bayesian networks and structural equation modelling to develop service quality models： metro of Seville case study[J].Transportation Research Part A：Policy and Practice， 2018，118（C）：1-13.

[23]FORNELL C， LARCKER D. Structural equation models with unobservable variables and measurement error： algebra and statistics[J].Journal of Marketing Research 198 18：382-388.

[24]SANTOS J R A. Cronbach′s alpha： a tool for assessing the reliability of scales[J].Journal of Extension， 1999，37（2）：1-5.

[25]HENSELER J， RINGLE C M， SINKOVICS R. The use of partial least squares path modeling in international marketing[J].New Challenges to International Marketing， 2009，20：277-319.

[26]LI G， ZHANG R N， GUO S J， et al. Analysis of ride-hailing passenger satisfaction and life satisfaction based on a MIMIC model[J].Sustainability， 2022，14（17）：10954.

[27]HAIR J F， HULT G T M， RINGLE C M， et al. A primer on partial least squares structural equation modeling （PLS-SEM）[M].London：Sage publications， 2016.

Study on college students′ loyalty of online ride-hailing based on

BN and PLS-SEM

LI Gang， XU Wei

Abstract：In order to analyze the mechanism of college student online ride-hailing passenger loyalty and its influencing factors， Bayesian networks （BN） and partial least squares structural equation modeling（PLS-SEM） is combined to analyze the relationship between negative experiences， operational services， environmental satisfaction， passenger satisfaction， and loyalty of college student online ride-hailing passengers in Dalian in 2019. Constraint-based automatic learning methods are used in BN to learn the relationship between factors and obtain the network structure of the correlation between different influencing factors. Through PLS-SEM testing and analyzing the BN structure， a passenger loyalty model is established. The results showed that passenger satisfaction is the largest factor affecting loyalty， with a total effect of 0.508; negative experience is the smallest factor affecting loyalty， with a total effect of -0.146. Passenger satisfaction is a key indicator to improve college student online ride-hailing loyalty. The online ride-hailing platform should improve college students′ ride experience and loyalty by optimizing the in-car environment， shortening travel time， regulating driver behavior， upgrading application software， and other measures. The study of college student online ride-hailing loyalty based on BN and PLS-SEM can enrich the decision-making behavior mechanism and research methods of online ride-hailing passengers， and provide management decision-making basis for relevant departments and online ride-hailing platforms.

Keywords：online ride-hailing; passenger loyalty; passenger satisfaction; BN; PLS-SEM

（責任編輯：趙玉真）

收稿日期：2023-03-24

基金項目：遼寧省社會科學規劃基金項目（L21BGL009）

第一作者簡介：李綱（1982—），男，沈陽人，副教授，工學博士，主要研究方向為出行行為、交通與生活質量，E-mail：LIGangPE2012@hotmail.com。