采用模糊综合评价法与神经网络评价铁路客运服务质量

季海燕¹，邢宗义¹，秦勇²，贾利民²，吴国军³

(1. 南京理工大学 机械工程学院，江苏 南京，210094;

2. 北京交通大学 轨道交通控制与安全国家重点实验室，北京，100044；

3. 上海铁路局南京客运段，江苏 南京，210094)

摘要：为客观地评价准确地评价铁路客运服务质量，通过分析铁路客运服务质量的影响因素，从安全性、及时性、经济性、便捷性和舒适性等几个方面构建铁路客运服务质量评价指标体系。采用模糊综合评价方法和神经网络，分别建立铁路客运服务质量评价模型。最后通过铁路旅客调查问卷实例，对南京站客运服务质量进行综合评价。研究结果表明：本文构建的评价指标体系和评价方法能够有效地反映客运服务质量水平，为提高和改进铁路客运服务质量提供参考依据。

关键词：铁路客运服务；服务质量评价；模糊综合评价；神经网络

中图分类号：U239          文献标志码：A         文章编号：1672-7207(2011)S1-0072-07

Evaluation on railway passenger service quality using comprehensive fuzzy evaluation model and neural network

JI Hai-yan¹, XING Zong-yi¹, QIN Yong², JIA Li-min², WU Guo-jun³

(1. School of Mechanical Engineering, Nanjing University of Science and Technology, Nanjing 210094, China;

2. State Key Lab of Traffic Control and Safety, Beijing Jiaotong University, Beijing 100044, China;

3. Passenger Transport Department of Shanghai Railway Bureau, Nanjing 210094, China)

Abstract: To evaluate railway passenger service quality objectively and precisely, an evaluation index system was established based on analysis of the relevant factors, i.e., security, punctuality, economy, convenience and comfort. Then two evaluation approaches were proposed based on the comprehensive fuzzy evaluation model and neural network. Finally the proposed approaches were illustrated to evaluate the service quality in Nanjing Station based on questionnaire investigation. The results show that the proposed methods can evaluate service quality effectively and successfully, and that the approaches can provide theoretical basis for improving and enhancing railway passenger service quality.

Key words: railway passenger services; service quality evaluation; comprehensive fuzzy evaluation; neural network

随着我国铁路建设的飞速发展和人们生活水平的不断提高，旅客对铁路客运服务质量提出了更高的要求；同时，铁路面临航空、公路和水运等其他运输方式的激烈竞争，只有以高品质的服务，才能赢得旅客的信赖，争取更多的客源。近年来，如何提升铁路客运服务水平，已成为国内外学者研究的重点和热点问题，因此对铁路客运服务质量进行合理评价具有重要意义。目前，国内外部分学者已经对铁路客运服务质量评价问题进行了大量的研究。Lapierre等^[1]概述了服务质量及其具体的评价指标，并提出了基于经验性工作的系统评价准则的方法论；Chang等^[2]运用多目标规划模型与模糊数学理论，对台湾高速铁路的服务质量问题进行了深入研究；Maruvada等^[3]基于SERVQUAL模型和铁路客运的特性，提出了RAILQUAL模型，并采用模糊理论对印度铁路客运服务质量进行综合评价；张秀敏等^[4]在分析铁路旅客心理因素的基础上，采用随机与模糊数学的评价分析方法，对铁路客运服务指标进行综合评价分析；姚建明等^[5]提出一种综合评价铁路客运服务方法，其特点是将评价对象定位于一定时期客运服务质量改善程度。金涛等^[6]从旅客需求的角度出发，以定量分析为基础，建立一个较全面的、有针对性和易操作的铁路客运服务质量评价体系。

由于铁路客运服务质量是众多因素相互影响作用的结果，为全面衡量铁路客运服务质量，需构建其质量评价指标体系。本文针对铁路客运的特殊性，确定了铁路客运服务质量评价体系指标，分别采用模糊综合评价方法和神经网络评价方法，针对南京站某调查问卷实例，对铁路客运服务质量进行综合评价。

1  铁路客运服务质量评价指标体系

铁路客运服务质量评价指标体系是以提高铁路客运服务水平为目标，运用系统观点把铁路客运服务系统中影响铁路客运服务质量的主要因素相结合，形成的一个具有层次性和综合性的评价指标体系。铁路客运具有无形性、旅客需求的个体差异性和市场多变性等特点，影响铁路客运服务质量的因素具有复杂性、多样性。因此，确定铁路客运服务质量评价指标的关键，是选择能够较全面地反映铁路客运服务状况与特性的因素，一般可以通过旅客问卷调查、征求专家意见或相结合的方式选取和建立^[7]。

1.1  铁路客运服务质量

一般认为，客运服务质量是指客运服务对规定的程序和要求的满足程度，或指旅客所付出的货币、时间和获得利益的统一程度。铁路客运服务系统是一个复杂的系统，服务质量的优劣是众多因素相互影响、相互作用的结果，是铁路各部门工作质量的综合体现。要使旅客对服务质量感到满意，必须使旅客在旅行前、旅行中和旅行后直接受到全方位的优质服务。在旅行前主要是购票要便捷，在旅行中主要是指在列车上服务方式要多样化，对不同层次的旅客提供不同需求的服务，最大限度地满足旅客的要求。旅行后要考虑不同客运方式的衔接方便，组织不同方式的联运，与旅行社服务的衔接等等。因此，铁路运输业产品的基本质量特征应该包括安全、及时、经济、便捷、舒适等。具体说来：

(1) 安全性。安全性是对铁路客运的基本要求之一，也是铁路客运服务质量的首要特性。运输对象即旅客在全部运输过程中，在发生位置变化的同时，除了由于不可抗拒的天灾及由于旅客本身的机能无法防止的以外，不能出现其种形式的不安全因素。

(2) 及时性。及时性是铁路客运服务质量的时间特性，是指列车按照列车运行图和旅客列车时刻表的规定正点运送旅客。

(3) 经济性。就铁路旅客运输业而言，在完成同样运输任务的条件下，应尽量节约运输过程中的物化劳动和活劳动，以减少旅客的费用支出。在其他质量特性大致相同的条件下，旅客对不同客运方式的选择主要考虑的是经济性问题。

(4) 便捷性。便捷也是衡量铁路客运服务必要因素，它一方面要求旅客在办理旅行方面方便、简易，另一方面就要求铁路旅客运输企业尽可能优化列车开行方案，提倡列车高密度，多等级，随时满足不同层次不同需求的旅客乘车要求。

(5) 舒适性。随着人民物质文化生活水平的提高和交通运输业的发展，旅客对铁路运输过程中舒适性的要求不断提高，舒适性已成为旅客选择某种交通工具一个很重要的判断条件^[8]。

1.2  铁路客运服务质量的主要评价指标

根据铁路客运需求结构具有功能需求和外延需求的多层次特征，结合铁路客运服务质量的以上特性，考虑到影响铁路客运服务水平的主要因素，确定铁路客运服务质量指标体系如表1所示。

表1  铁路客运服务质量指标体系

Table 1  Index system of railway passenger service quality

2  铁路客运服务质量评价基本模型

2.1  模糊综合评价法

由于运输过程的复杂性、运输需求的多样性以及旅客主观态度的存在，铁路客运服务质量的某些评价指标不能进行明确地描述，而只能用相对模糊的设计原则进行表达，因此，本文采用模糊模型评判方     法^[9-10]。模糊综合评价法就将因素集合V按某些属性分成几类，先对每一类作综合评价，然后对评价结果进行“类”之间的高层次综合评价，最后利用最大隶属度原则评出最佳方案。建立模糊综合评价模型的步骤如下。

(1) 建立因素集。将因素集U={u₁, u₂, …, u_n}分为第一级因素集U和第二级因素集U_i：第一级U=

{U₁, U₂, …, U_s}，其中,  ；第二级因素集(i=1, 2, …, s)。其中，。

    (2) 建立评价集。评价集是评价者对评价对象可能做出的各种总的评价结果组成的集合，用V表示：V={v₁, v₂, …, v_m}。

(3) 建立权重集。为了反映各因素的重要程度，对各个因素应分配一个相应的权数，设第二级因素集

U_i中各个因素的权重集。其中：；第一级因素集U={U₁, U₂, …, U_s}的权

重集A={a₁, a₂, …, a_s}。为快速有效地评价客运服务质量，本文采用加权统计法计算评价指标的权重。

(4) 进行模糊综合评价。首先对第二级因素集的n_i个因素进行单因素评价：

；然后，对第二级因素集综合评

价：。式中：i=1, 2, …, s；“”为模糊算子。最后，对第一级因素集U进行综

合评价：，其中。

2.2  神经网络评价法

神经网络可逼近任意非线性关系且具有很强的自学习能力和容错能力，已广泛应用于复杂系统的建模、控制、预测和故障诊断等领域^[11]。本文利用BP神经网络建立铁路客运服务质量评价体系，并采用LM算法进行训练，以达到对铁路客运服务质量进行准确评价的目的^[12]。

BP神经网络是一种典型的多层前向神经网络，由输入层、隐层和输出层组成，层与层之间采用全部连接方式，同层节点之间不存在相互连接^[13]，其中输入层节点仅起信号输入作用，输出层节点起线性加权作用，隐层节点负责对信息进行最主要的数学处理。不失一般性，设输入层有M个节点，隐层有L个节点，输出层有P个节点，样本数为N，输入向量为[x₁, x₂, …, x_M], w_ji为隐层节点与输入层节点的连接权值，则隐层节点的输入和输出分别为：

，

隐层节点的激励函数f₁一般选取双曲正切函数或S型函数等非线性函数，而输出层节点的激励函数一般选取等比输出的线性函数。设输出层节点k与隐层节点j的连接权值为w_kj，则输出层节点的输出为：

本文采用LM算法对BP网络进行训练。LM算法是非线性最小二乘无约束优化算法，其本质是高斯-牛顿法的改进形式，具有二阶收敛速度，既具有高斯-牛顿法的局部收敛特性，又具有梯度下降法的全局收敛特性^[14]。

基于前面所确定的主要评价指标，本研究在南京站对200位旅客进行问卷调查，问卷中选取了旅客最关注的部分因子。

(1) 安全性指标：旅客乘车人身安全；旅客乘车行包安全；车站及列车治安秩序。

(2) 舒适性指标：列车运行平稳；列车设备齐全、性能良好、卫生良好；列车乘务员人性化服务。

(3) 及时性指标：准时发车；准时到站；及时报站。

(4) 经济性指标：票价合理；行包托运价格合理；餐饮质价相符。

本文在进行铁路客运服务质量评价时，将评价等级综合为4个：V ={很好, 好, 一般, 差}。在问卷调查中，旅客将对以上4类评价指标中的12项分别进行打分评价，总分为10分。评价集V中各个等级的分值对应如下：很好为9~10分，好为8~9分，一般为6~8分，差为0~6分。

3  铁路客运服务质量评价实例分析

3.1  模糊综合评价模型仿真实例

(1) 建立因素集。第1级因素集U={U₁, U₂, U₃, U₄}={安全性, 舒适性, 及时性, 经济性}。

第2级因素集U₁={旅客乘车人身安全；旅客乘车行包安全；车站及列车治安秩序}；U₂={列车运行平稳；列车设备齐全、性能良好、卫生良好；列车乘务员人性化服务}；U₃={准时发车；准时到站；及时报站}；U₄={票价合理；行包托运价格合理；餐饮质价相符}。

(2) 建立评价集。评价集V ={很好, 好, 一般, 差}。其中：v₁=很好，v₂=好，v₃=一般，v₄=差。

(3) 建立权重集。本文采用加权统计法计算各个评价指标的权重，以因素集U₁为例。首先对每个因素预先设定权重，本例中权重等级间隔为0.05，其中预设权重为0.35，0.40，0.45和0.50；预设权重为0.25，0.30，0.35和0.40；预设权重为0.15，0.20，0.25和0.30。

本例中邀请10名专家对U₁中的3个因素进行相对重要程度评估。10位专家根据预设权重选出自己认为合适的权重，要求每位专家选出的3个因素所分配的权重总和为1，第i位专家给出的权重为。10位专家选出的结果如表2所示。

因素的权重为(k=1, 2, 3)。其中：x_i为预设权重；w_i为频率，即选择x_i为权重的专家数占专家总数的百分比，安全性指标评估结果如表3所示。由表3可知：U₁中的3个因素的权重为A₁=(0.455, 0.320, 0.225)。类似可得U₂，U₃和U₄的权重分别为A₂=(0.470, 0.310, 0.220)，A₃=(0.400, 0.400, 0.200)，A₄= (0.500, 0.250, 0.250)。同理可得第一级元素集U={U₁, U₂, U₃, U₄}的权重集A=(0.325, 0.275, 0.200, 0.200)。

表2  专家安全性指标权重选择

Table 2  Weight choice of experts safety index

表3  安全性指标评估结果

Table 3  Evaluation results of safety index

(4) 进行模糊综合评价。首先依据调查问卷结果，对第二级因素集中的每一个因素进行单因素评价，以U₁中的3个因素评价为例，调查问卷结果如表4所示。

表4  安全性指标调查问卷结果

Table 4  Questionnaire result of safety index

由表3可知：因素集U₁的单因素评判矩阵为，类似可以得到其他3个因素集的单因素评判矩阵分别为：，，。

然后，对第二级因素集作综合评判，由可得：B₁=(0.823 0，0.122 5，0.032 0，0.022 5)；B₂=  (0.778 0，0.120 0，0.053 0，0.047 0)；B₃=(0.820 0，  0.140 0，0.020 0，0.020 0)；B₄=(0.750 0，0.175 0，   0.050 0，0.025 0)。

最后，对第一级元素集进行综合评判。总评判矩阵R是以B₁，B₂，B₃和B₄为行的模糊矩阵，即：

由得出B=(0.795，0.136，0.039，0.030)。

对上述综合评价结果进行分析可知，该调查问卷的旅客对铁路服务质量评价有79.5%是“很好”，13.6%是“好”，3.9%是“一般”，3.0%是“差”。根据最大隶属度原则，由综合评价结果可以看出，该实例中的客运服务质量应属“很好”。为了进一步提高服务质量，对第一级因素集中的安全性、舒适性、及时性、经济性评价进行进一步分析，由B₁，B₂，B₃和B₄可知，2.25%旅客对安全性的评价是“差”，4.70%旅客对舒适性的评价是“差”，2.00%旅客对及时性的评价是“差”，2.50%的旅客对经济性的评价是“差”。由此可见：部分旅客对舒适性存在较大意见，因此，铁路相关应将提高舒适性作为客运服务改善的重点。

3.2  神经网络评价模型仿真实例

在此次的南京站旅客调查问卷中设计了旅客乘车人身安全，旅客乘车行包安全，车站及列车治安秩序，列车运行平稳，列车设备齐全、性能良好、卫生良好，列车乘务员人性化服务，准时发车，准时到站，及时报站，票价合理，行包托运价格合理，餐饮质价相符等12个评价指标，200名参加调查问卷的旅客分别对这12个评价指标进行打分，分值范围是0~10。本文随机在200名调查者中抽取20名，作为神经网络评价模型的输入输出样本。

该神经网络评价模型采用三层BP神经网络结构，由于本调查问卷中设计了12个评价指标，所以，其输入层神经元数目为12。因为该评价模型是依据旅客对12个评价指标分别进行评分，而最终得到一个综合评分，因此，其输出层神经元个数为1。隐层神经元数目的确定至今没有公认的推导方法，本文依据经验确定隐层神经元数目为15。由于LM算法是非线性最小二乘无约束优化算法，其既有高斯-牛顿法的局部收敛特性，又有梯度下降法的全局收敛特性，因此，本文选取LM算法为该神经网络评价模型的训练算法。

在调研获得的南京站曾经进行客运服务质量评价的数据中，选取25组作为该神经网络评价模型的训练数据，5组作为检验数据。该神经网络模型中间层神经元函数选用S型正切函数，输出层神经元传递函数选为线性函数。训练过程中设置训练精度为0.001，学习速率设为0.01，整个训练过程如图1所示，由图可知，该神经网络评价模型经过44次训练，网络性能达到预定要求。25组训练样本的目标输出与神经网络输出结果对比如图2所示，由图2可见：神经网络模型训练输出与目标输出具有很好的一致性，只在第3个、第4个、第21个和第23个样本处，偏差稍大，其余样本处符合程度均很好。图3所示为训练样本的目标输出与神经网络输出的回归分析图，二者的相关系数高达0.999 26，证明该神经网络模型的训练效果显著，该模型已具有较好评价能力。

图1  神经网络训练误差曲线

Fig.1  Training error curve of neural network

图2  神经网络训练结果对比

Fig.2  Training results of neural network

图3  神经网络训练结果回归分析图

Fig.3  Regression analysis of results of neural network

利用训练完成的神经网络评价模型，输入5组检验数据样本，对该模型的有效性进行检验，检验结果如表5所示。从表中可以看出，只要检验样本4的误差偏大，达到了5.32%，其余样本的误差均较小，其中检验样本2的误差只有0.60%，由此可知：经过训练的该神经网络评价模型是有效的，可用于铁路客运服务质量的综合评价。

表5  神经网络检验结果

Table 5  Test results of neural network

最后，结合调查问卷结果，将20名旅客对12个评价指标给出的分数作为20组输入数据，利用经过训练和检验的神经网络评价模型，对南京站的铁路客运服务质量进行评价，评价结果如表6所示。对结果进行分析可知，网络输出的20名旅客对客运服务质量的综合评分在9~10分范围内的有14个，占总体的70%；在8~9分范围内的有3个，占总体的15%；在6~8分范围内的有2个，占总体的10%；在0~6分范围内的有1个，占总体的5%。根据最大隶属度原则可知，该实例中的客运服务质量综合评价得分为9~10分，为“很好”。

表6  评价结果

Table 6  Evaluation results

综上所述，针对同一调查问卷，分别采用二级模糊综合评价法和神经网络评价法，对客运服务质量进行评价，其评价结果一致，证明了2种方法的有效性。可见，神经网络评价法只能对客运服务质量总体进行评价，然而，二级模糊综合评价法不仅可对客运服务质量总体进行评价，还能对不同评价指标分别进行评价，使得评价更加全面，更加深入。

4  结论

客运服务质量评价作为铁路科学管理的一个重要组成部分，将对提升客运服务和改善铁路客运状况起着重要作用，并可为提高铁路在日益激烈的客运市场竞争中的适应性提出指导意见。本文针对铁路客运的特殊性，确定了铁路客运服务质量评价体系指标，分别采用模糊综合评价方法和神经网络评价方法，结合铁路旅客问卷调查结果，对铁路客运服务质量进行综合评价。结果表明：这2种方法的评价结果是一致的，证明了2种评价方法的有效性。下一步研究是对模糊综合评价方法和神经网络评价方法进行改进，提高评价方法对模糊不确定信息的处理能力，以更准确地对铁路客运服务质量进行评价。

参考文献：

[1] Lapierre J, Filiatrault P, Perrien J. Research on service quality evaluation: Evolution and methodological issues[J]. Journal of Retailing and Consumer Services, 1996, 3(2): 91-98.

[2] Chang Y H, Yeh C H, Shen C C. A multi-objective model for passenger train services planning: Application to Taiwan’s high-speed rail line[J]. Transportation Research Part B, 2000, 34(2): 91-106.

[3] Maruvada D P, Bellamkonda D R S. Analyzing the passenger service quality of the Indian railways using railqual: Examining the applicability of fuzzy logic[J]. International Journal of Innovation, Management and Technology, 2010, 1(5): 478-482.

[4] 张秀敏, 姚建明. 基于旅客心理需求的铁路客运服务综合评价模型研究[J]. 铁道运输与经济, 2005, 27(9): 79-81.
ZHANG Xiu-min, YAO Jian-ming. Study on the comprehensive service evaluation model of railway passenger transport based on passenger psychological needs[J]. Railway Transport and Economy, 2005, 27(9): 79-81.

[5] 姚建明, 刘丽文. 铁路客运服务质量改善程度的综合评价方法[J]. 科技管理研究, 2007, 27(6): 83-84.
YAO Jian-ming, LIU Li-wen. Comprehensive evaluation method of railway passenger service quality improve degree[J]. Science and Technology Management Research, 2007, 27(6): 83-84.

[6] 金涛, 杜文. 铁路客运服务质量评价体系研究[J]. 铁道运输与经济, 2005, 27(5): 76-78.
JIN Tao, DU wen. Research on quality evaluation system of railway passenger service[J]. Railway Transport and Economy, 2005, 27(5): 76-78.

[7] 张琦, 杨浩. 基于模糊因素的铁路旅客满意度的综合评价[J]. 铁道学报, 2006, 28(1): 22-25.
ZHANG Qi, YANG Hao. Comprehensive evaluation of the degree of railway passenger satisfaction based on fuzzy factors[J]. Journal of the Railway Society, 2006, 28(1): 22-25.

[8] Harvey J. Service quality: A tutorial[J]. Journal of Operations Management, 1998, 16(5): 583-597.

[9] 郭倩倩, 李成兵, 都国报. 基于模糊综合评价的铁路客运服务质量研究[J]. 铁道运输与经济, 2008, 30(12): 32-34.
GUO Qian-qian, LI Cheng-bing, DU Guo-bao. Study on railway passenger transport service quality based on fuzzy and comprehensive evaluation[J]. Railway Transport and Economy, 2008, 30(12): 32-34.

[10] 张琦, 杨浩. 基于模糊因素的铁路旅客满意度的综合评价[J]. 铁道学报, 2006, 28(1): 22-25.
ZHANG Qi, YANG Hao. Comprehensive evaluation of the degree of railway passenger satisfaction based on fuzzy factors[J]. Journal of the Railway Society, 2006, 28(1): 22-25.

[11] 韩力群. 人工神经网络教程[M]. 北京: 北京邮电大学出版社, 2006: 5-6.
HAN Li-qun. Artificial neural network tutorial[M]. Beijing: Beijing University of Posts and Telecommunications Press, 2006: 5-6.

[12] 刘舰. 基于神经网络方法的铁路客运站服务水平评价[J]. 铁道运输与经济, 2008, 30(2): 21-24.
LIU Jian. Evaluation of service level based on neural network in railway passenger station[J]. Railway Transport and Economy, 2008, 30(2): 21-24.

[13] 李晶, 袁峰, 丁振良. 基于BP神经网络的外姿态测量系统线阵CCD标定[J]. 仪器仪表学报, 2010, 31(5): 1138-1141.
LI Jing, YUAN Feng, DING Zhen-liang. Calibration of linear CCD of an exterior attitude measurement system based on BP neural network[J]. Chinese Journal of Scientific Instrument, 2010, 31(5): 1138-1141.

[14] Jang J S R, Sun C T, Mizutani E. Neuro-fuzzy and soft computing: A computational approach to learning and machine intelligence[M]. New Jersey: Prentice Hall, 1997: 34-36.

(编辑 陈灿华)

收稿日期：2011-04-15；修回日期：2011-06-15

基金项目：国家自然科学基金资助项目(61074151)；北京交通大学轨道交通控制与安全国家重点实验室开放课题资助项目(SKL2009K010)；南京理工大学自主科研计划-紫金之星资助项目(2010GJPY007)

通信作者：邢宗义(1974-)，男，山东临沂人，博士，副教授，从事智能控制、交通信息工程研究；电话：025-84315417；E-mail: xingzongyi@gmail.com