基于BN和PLS-SEM的大學(xué)生網(wǎng)約車忠誠度研究

李綱　徐偉

摘要：為分析大學(xué)生網(wǎng)約車乘客忠誠度及其影響因素的作用機(jī)制，將貝葉斯網(wǎng)絡(luò)（Bayesian networks，BN）和偏最小二乘法結(jié)構(gòu)方程模型（partial least squares structural equation modelling，PLS-SEM）結(jié)合，以2019年大連市大學(xué)生網(wǎng)約車乘客為例，分析大學(xué)生網(wǎng)約車乘客的負(fù)面體驗(yàn)、運(yùn)營服務(wù)、環(huán)境滿意、乘客滿意度和忠誠度的關(guān)系。在BN中采用基于約束的自動(dòng)學(xué)習(xí)方法學(xué)習(xí)因子間的作用關(guān)系，獲得不同影響因素間相關(guān)關(guān)系的網(wǎng)絡(luò)結(jié)構(gòu)。通過PLS-SEM測試和分析BN結(jié)構(gòu)，建立乘客忠誠度模型。結(jié)果表明：乘客滿意度是影響忠誠度的最大因素，總效應(yīng)為0.508；負(fù)面體驗(yàn)是影響忠誠度的最小因素，總效應(yīng)為-0.146。乘客滿意度是提高大學(xué)生網(wǎng)約車忠誠度的關(guān)鍵指標(biāo)，網(wǎng)約車平臺(tái)應(yīng)通過優(yōu)化車內(nèi)環(huán)境、縮短出行時(shí)間、規(guī)范司機(jī)行為、升級應(yīng)用軟件等措施提升大學(xué)生的乘車體驗(yàn)，提高大學(xué)生網(wǎng)約車乘客的忠誠度。基于BN和PLS-SEM的大學(xué)生網(wǎng)約車忠誠度研究可豐富網(wǎng)約車乘客的決策行為機(jī)制與研究方法，為相關(guān)部門和網(wǎng)約車平臺(tái)提供管理決策依據(jù)。

關(guān)鍵詞：網(wǎng)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(xiàn)標(biāo)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(xué)生網(wǎng)約車忠誠度研究［J］.山東交通學(xué)院學(xué)報(bào)，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(fā)展，網(wǎng)約車作為公共交通中提供門到門服務(wù)、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(jù)全國網(wǎng)約車監(jiān)管信息交互平臺(tái)的數(shù)據(jù)，截至2022年10月，全國已有325個(gè)地級以上城市運(yùn)營網(wǎng)約車，全國網(wǎng)約車日均訂單超2 000萬單，月均訂單5.95億單[2]。網(wǎng)約車已成為我國城市交通的重要組成部分。

科學(xué)評價(jià)網(wǎng)約車的服務(wù)質(zhì)量是網(wǎng)約車發(fā)展的關(guān)鍵。邵春福等[3]結(jié)合主成分分析和誤差逆?zhèn)鞑ィ╞ack propagation，BP）神經(jīng)網(wǎng)絡(luò)算法評價(jià)網(wǎng)約車的服務(wù)質(zhì)量。左文明等[4]采用修正后的SERVQUAL模型從差異性、重要性、關(guān)聯(lián)性和滿意度4方面評價(jià)網(wǎng)約車的服務(wù)質(zhì)量。服務(wù)質(zhì)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(wǎng)約車?yán)寐史矫娴淖饔弥陵P(guān)重要，是長期財(cái)務(wù)業(yè)績的主要指標(biāo)之一[5]。Nguyen-Phuoc等[6]以越南為例，分析感知服務(wù)質(zhì)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(wǎng)約車背景下，探索乘客忠誠度與其影響因素間作用關(guān)系的研究仍較少。

近年來，大學(xué)生的出行受到越來越多的關(guān)注，大學(xué)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(guī)劃和法規(guī)影響的重要內(nèi)容[7]。在出行需求分析方面，大學(xué)生出行決策機(jī)制的認(rèn)識(shí)有待進(jìn)一步明確[8]。與其他居民相比，大學(xué)生的流動(dòng)性較強(qiáng)，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(xué)生在校期間的出行行為模式正在形成并會(huì)影響其未來的出行方式，進(jìn)而影響周圍的人[11]。分析大學(xué)生的出行行為，可為實(shí)施適當(dāng)?shù)慕煌ㄕ撸龠M(jìn)大學(xué)生乃至他們未來選擇可持續(xù)的交通方式出行，提高城市交通系統(tǒng)的健康發(fā)展提供參考[12]。目前仍缺乏對網(wǎng)約車乘客，尤其是年輕乘客選擇網(wǎng)約車出行決策機(jī)制的研究[13]。大學(xué)生作為年輕網(wǎng)約車乘客的重要組成部分，截至2022年已達(dá)2.93億人[14]。每月多次使用網(wǎng)約車的大學(xué)生占總?cè)藬?shù)的比例超過60%[15]。

考慮到2020—2022年疫情防控常態(tài)化政策對高校學(xué)生出行的影響，本文以2019年大連市大學(xué)生出行數(shù)據(jù)為分析實(shí)例，采用貝葉斯網(wǎng)絡(luò)（Bayesian networks，BN）與偏最小二乘法結(jié)構(gòu)方程模型（partial least squares structural equation modelling，PLS-SEM）相結(jié)合的建模方法，探索網(wǎng)約車服務(wù)質(zhì)量、大學(xué)生乘客的滿意度與忠誠度的作用關(guān)系，分析服務(wù)質(zhì)量（負(fù)面體驗(yàn)、運(yùn)營服務(wù)和環(huán)境滿意）所體現(xiàn)的指示變量對乘客滿意度與忠誠度的影響，揭示大學(xué)生網(wǎng)約車乘客忠誠度及其影響因素的作用機(jī)制，豐富對網(wǎng)約車乘客，尤其是對年輕乘客滿意度和忠誠度的認(rèn)識(shí)，保持并吸引大學(xué)生理性采用網(wǎng)約車并引導(dǎo)他們未來的出行行為，促進(jìn)城市公共交通系統(tǒng)的可持續(xù)發(fā)展。

1 基本理論

結(jié)構(gòu)方程模型（structural equation modelling，SEM）是研究交通行為決策機(jī)制的有效方法之一，學(xué)者需結(jié)合以往的研究成果與主觀判斷提出研究假設(shè)[5-6]。Mandhani等[16]將BN與PLS-SEM相結(jié)合檢驗(yàn)和分析乘客服務(wù)質(zhì)量影響因素的相互作用。BN采用數(shù)據(jù)挖掘技術(shù)分析各潛在重要因素的作用關(guān)系，減少學(xué)者在建模前的主觀判斷和研究假設(shè)，采用SEM探索與驗(yàn)證，該綜合方法已應(yīng)用在醫(yī)學(xué)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(shù)據(jù)挖掘理論，研究變量間的相互關(guān)系，通過表示不確定的相互關(guān)系使復(fù)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(jì)算聯(lián)合概率分布（joint probability distribution，JPD），以有向無環(huán)圖（directed acyclic graph，DAG）結(jié)構(gòu)形式表示。設(shè)n個(gè)變量的集合V={X X2，…，Xn}，BN為V的網(wǎng)絡(luò)結(jié)構(gòu)，表示為該組變量上DAG對應(yīng)每個(gè)節(jié)點(diǎn)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(jié)構(gòu)，通常稱為DAG，允許對變量集上計(jì)算的JPD進(jìn)行圖形說明。

1.2 PLS-SEM

SEM是結(jié)合回歸分析、因子分析和方差分析，估計(jì)相關(guān)依賴關(guān)系的多元技術(shù)。SEM由2部分組成，第1部分為結(jié)構(gòu)模型，描述內(nèi)生潛變量和外生潛變量間的關(guān)系，顯示各潛變量間關(guān)系的方向和強(qiáng)度。第2部分為測量模型，評估潛在變量和觀測變量間的關(guān)系。PLS-SEM是用偏最小二乘法估計(jì)參數(shù)的結(jié)構(gòu)方程模型。

式中：η為內(nèi)生潛變量；B為η的參數(shù)系數(shù)矩陣，描述η間的相互影響；ξ為外生潛變量；Γ為ξ的參數(shù)系數(shù)矩陣，描述ξ對η的影響；ζ為方程的殘差項(xiàng)，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(biāo)；Λx為x與ξ間關(guān)系的因子載荷矩陣；δ為x的測量誤差；y為內(nèi)生顯變量，是η的觀測指標(biāo)；Λy為y與η間關(guān)系的因子載荷矩陣；ε為y的測量誤差。

網(wǎng)約車服務(wù)質(zhì)量評價(jià)數(shù)據(jù)具有非正態(tài)性，采用PLS-SEM分析數(shù)據(jù)時(shí)，數(shù)據(jù)無須服從正態(tài)分布；采用PLS-SEM探索和預(yù)測網(wǎng)約車服務(wù)質(zhì)量影響因素與乘客忠誠度間的相互關(guān)系，可較好地測試模型的解釋能力和預(yù)測相關(guān)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(shí)現(xiàn)PLS-SEM分析。

2 數(shù)據(jù)收集與分析

2.1 調(diào)查問卷設(shè)計(jì)與實(shí)施

為分析大學(xué)生選擇網(wǎng)約車出行的滿意度與忠誠度，收集、整理相關(guān)文獻(xiàn)資料，設(shè)計(jì)大學(xué)生網(wǎng)約車出行調(diào)查問卷。問卷由4部分組成：第1部分調(diào)查大學(xué)生日常出行中網(wǎng)約車的總體利用情況，主要包括網(wǎng)約車使用頻率、典型單次出行時(shí)間和出行費(fèi)用等；第2部分是大學(xué)生在不同假設(shè)場景下的出行方式選擇行為的意向調(diào)查（stated preference，SP）；第3部分是根據(jù)影響忠誠度的相關(guān)因素，采用5級李克特量表，設(shè)計(jì)大學(xué)生對網(wǎng)約車各項(xiàng)服務(wù)水平的評價(jià)指標(biāo)，參考負(fù)面體驗(yàn)[17]、運(yùn)營服務(wù)[18]、環(huán)境滿意[19]、乘客滿意度[6]對忠誠度的影響，負(fù)面體驗(yàn)[20]、運(yùn)營服務(wù)[21]、環(huán)境滿意[22]對乘客滿意度的影響；第4部分是大學(xué)生的個(gè)人情況。

本文主要根據(jù)調(diào)查問卷第3、4部分的數(shù)據(jù)進(jìn)行分析。此次問卷調(diào)查共回收問卷1 651份，經(jīng)數(shù)據(jù)處理有效問卷1 199份，有效率為72.62%。

2.2 描述性統(tǒng)計(jì)分析

被調(diào)查者的個(gè)人社會(huì)經(jīng)濟(jì)屬性如表1所示。

被調(diào)查的男性大學(xué)生和女性大學(xué)生比例接近；在專業(yè)方面，理工類大學(xué)生人數(shù)占總樣本比例最大，為58.2%；在年級方面，大學(xué)一、二年級的大學(xué)生占39.2%，大學(xué)三、四、五年級的大學(xué)生占46.5%，碩士研究生及以上的被調(diào)查者占比最小，為14.3%；經(jīng)濟(jì)屬性方面，被調(diào)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(gè)區(qū)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(xué)生占被調(diào)查者的65.9%，表明采用網(wǎng)約車的大學(xué)生群體與其私家車使用經(jīng)歷有較高的相關(guān)性。

2.3 數(shù)據(jù)處理

采用軟件SPSS 26中的KMO（Kaiser-Mayer-Olkin）檢驗(yàn)和巴特利特球形度檢驗(yàn)初步分析數(shù)據(jù)的適用性。KMO檢驗(yàn)結(jié)果為0.865，大于閾值0.600[5]。巴特利特檢驗(yàn)的結(jié)果也滿足要求，近似卡方值為10 470.548（顯著性檢驗(yàn)結(jié)果p<0.000）。二者結(jié)果表明，調(diào)查問卷的數(shù)據(jù)可進(jìn)行因子分析。

采用主成分分析法對數(shù)據(jù)進(jìn)行降維處理，將多個(gè)具有一定相關(guān)性的調(diào)查指標(biāo)變量，重新組合成1組新的綜合指標(biāo)（因子）代替原指標(biāo)。從18個(gè)指標(biāo)中提取負(fù)面體驗(yàn)、運(yùn)營服務(wù)、環(huán)境滿意、乘客滿意度和忠誠度5個(gè)因子，5個(gè)因子（潛變量）及其相關(guān)指標(biāo)變量（顯變量）的主成分分析結(jié)果如表2所示。由表2可知：指標(biāo)變量的因子載荷均大于0.500，滿足閾值要求[16]。

3 結(jié)果分析

3.1 BN分析結(jié)果

采用軟件R中的bnlearn包，對5個(gè)因子采用自動(dòng)學(xué)習(xí)方法中基于約束的方法建立探索性模型。在學(xué)習(xí)結(jié)構(gòu)前，將忠誠度與其他因子（潛變量）直接關(guān)聯(lián)。

5個(gè)因子的BN結(jié)構(gòu)如圖1所示，經(jīng)皮爾遜相關(guān)性檢驗(yàn)和蒙特卡洛置換檢驗(yàn)（圖1括號中的數(shù)值）2種方法確定的變量間的相關(guān)系數(shù)的正負(fù)符號與顯著性均一致，據(jù)此可判別2個(gè)因子間的正負(fù)相關(guān)關(guān)系。由圖1可知：負(fù)面體驗(yàn)與運(yùn)營服務(wù)、滿意度和忠誠度均為負(fù)相關(guān)關(guān)系，其余潛變量間為正相關(guān)關(guān)系，且均在99.9%的置信水平上顯著。以圖1中的BN結(jié)構(gòu)作為理論框架，采用PLS-SEM檢驗(yàn)測量模型是否合理可行。

3.2 PLS-SEM分析結(jié)果

3.2.1 測量模型結(jié)果

通過信度和效度評估評價(jià)測量模型。計(jì)算測量模型中變量的載荷系數(shù)、綜合信度（composite reliability，CR）RCR、克朗巴哈系數(shù)（Cronbach′s alpha）α和平均方差提取（average variance extracting，AVE）SAVE，結(jié)果如表3所示。由表3可知：各指標(biāo)變量的因子載荷系數(shù)大于0.600（p<0.001）；各潛變量的RCR為0.806～0.925，均大于基準(zhǔn)0.700[23]；各潛變量的α為0.681～0.790，除運(yùn)營服務(wù)的α外均大于閾值0.700，運(yùn)營服務(wù)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(yàn)[24]；各潛變量的SAVE均大于0.500[25]。綜上結(jié)果表明測量模型有滿意的收斂效度。

采用弗耐爾-拉克準(zhǔn)則檢驗(yàn)量表的判別效度，結(jié)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(guān)系數(shù)。由表4可知：與其他潛變量的相關(guān)系數(shù)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(jié)構(gòu)模型結(jié)果

通過Bootstrapping方法，自舉檢驗(yàn)5 000個(gè)子樣本的潛變量間的直接效應(yīng)，結(jié)果如圖2所示。由圖2可知：在BN分析的9個(gè)直接關(guān)系中，有7個(gè)直接關(guān)系得到實(shí)證支持，有2個(gè)直接關(guān)系被拒絕，即負(fù)面體驗(yàn)與運(yùn)營服務(wù)、滿意度，環(huán)境滿意與運(yùn)營服務(wù)、滿意度、忠誠度，運(yùn)營服務(wù)與滿意度，及滿意度與忠誠度間的關(guān)系得到支持；運(yùn)營服務(wù)與忠誠度，負(fù)面體驗(yàn)與忠誠度間的關(guān)系（統(tǒng)計(jì)上不顯著）被拒絕。模型整體的標(biāo)準(zhǔn)化均方根殘差（standardized root mean square residual，SRMR）δSRMR=0.066，小于閾值0.080，規(guī)范擬合指數(shù)（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(zhǔn)則要求，說明結(jié)構(gòu)方程模型擬合程度良好。

3.2.2.1 間接效應(yīng)

潛變量間的間接效應(yīng)結(jié)果如表5所示。在由BN得出的9種間接路徑關(guān)系中，有7種路徑得到實(shí)證支持。負(fù)面體驗(yàn)通過滿意度的中介作用（路徑系數(shù)為-0.104，p<0.001）對忠誠度產(chǎn)生顯著的負(fù)向影響，即降低司機(jī)拒載、拼車、駕車不專心和態(tài)度不好等行為的發(fā)生頻率，減少司乘糾紛，會(huì)顯著提升乘客的乘車體驗(yàn)和對司機(jī)服務(wù)的評價(jià)，促進(jìn)乘客未來繼續(xù)使用網(wǎng)約車并向他人推薦。負(fù)面體驗(yàn)還通過運(yùn)營服務(wù)和滿意度的中介作用影響忠誠度，對忠誠度產(chǎn)生顯著負(fù)向作用，同時(shí)運(yùn)營服務(wù)在負(fù)面體驗(yàn)和滿意度間起中介作用。運(yùn)營服務(wù)雖對大學(xué)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(shí)間和出行費(fèi)用，擴(kuò)大網(wǎng)約車的營運(yùn)時(shí)間范圍和營運(yùn)地域范圍等措施，會(huì)顯著提升大學(xué)生乘客在乘車過程中的滿意度，從而提升大學(xué)生對網(wǎng)約車的忠誠度。環(huán)境滿意通過滿意度的中介作用或通過運(yùn)營服務(wù)和滿意度的中介作用影響忠誠度。

3.2.2.2 總效應(yīng)

各潛變量對忠誠度的總效應(yīng)如表6所示。結(jié)合表5和表6可知：大學(xué)生乘客滿意度對忠誠度的總效應(yīng)最大，為0.508，說明乘客滿意度是提高大學(xué)生網(wǎng)約車忠誠度的關(guān)鍵指標(biāo)。網(wǎng)約車平臺(tái)應(yīng)從車內(nèi)環(huán)境、出行時(shí)間等方面提升大學(xué)生的乘車體驗(yàn)，規(guī)范司機(jī)行為，提升司機(jī)的服務(wù)質(zhì)量，升級優(yōu)化移動(dòng)應(yīng)用軟件的安全性與易用性，提高大學(xué)生網(wǎng)約車的忠誠度。其余潛變量對大學(xué)生忠誠度的總效應(yīng)從大到小依次為：環(huán)境滿意、運(yùn)營服務(wù)和負(fù)面體驗(yàn)，其中大學(xué)生對網(wǎng)約車造成的環(huán)境影響的關(guān)注程度高于其他二者，可能是因?yàn)樗麄儗W(wǎng)約車的出行時(shí)間、出行費(fèi)用等運(yùn)營服務(wù)及負(fù)面體驗(yàn)相對滿意；同時(shí)，隨城市居民環(huán)保意識(shí)的增強(qiáng)，對網(wǎng)約車可能造成的環(huán)境影響，如交通擁堵、噪聲污染、空氣污染等的感受與擔(dān)憂更敏銳[26]，這一結(jié)果也從側(cè)面揭示大學(xué)生乘客使用網(wǎng)約車的決策特點(diǎn)。因此，網(wǎng)約車平臺(tái)應(yīng)充分發(fā)揮科技優(yōu)勢，減少網(wǎng)約車運(yùn)營對城市交通擁堵的影響，同時(shí)通過宣傳和補(bǔ)貼等手段，鼓勵(lì)和積極推進(jìn)新能源網(wǎng)約車的應(yīng)用，減少環(huán)境污染。有關(guān)部門應(yīng)更全面地發(fā)展可持續(xù)的城市公共交通系統(tǒng)，優(yōu)化出行方式結(jié)構(gòu)，為新能源網(wǎng)約車的廣泛應(yīng)用提供相應(yīng)的政策引導(dǎo)和支持[26]。

運(yùn)營服務(wù)和負(fù)面體驗(yàn)雖對大學(xué)生網(wǎng)約車忠誠度沒有直接影響，但二者可通過大學(xué)生乘車滿意度的中介作用對忠誠度分別產(chǎn)生顯著的正向和負(fù)向作用。說明運(yùn)營服務(wù)評價(jià)越高，大學(xué)生滿意度越高，忠誠度越高；負(fù)面體驗(yàn)越多，大學(xué)生滿意度越低，忠誠度越低。因此，網(wǎng)約車平臺(tái)在運(yùn)營服務(wù)方面應(yīng)采取策略鼓勵(lì)網(wǎng)約車司機(jī)擴(kuò)大營運(yùn)時(shí)間和地域范圍，尤其是公共交通發(fā)展薄弱的地域；同時(shí)利用技術(shù)優(yōu)勢優(yōu)化路徑，減少出行時(shí)間，結(jié)合節(jié)假日等進(jìn)行優(yōu)惠派單，適量發(fā)放優(yōu)惠券等方式，鞏固既有乘客，吸引潛在乘客，擴(kuò)大服務(wù)范圍與影響力。在降低大學(xué)生負(fù)面體驗(yàn)方面，網(wǎng)約車平臺(tái)要加大對司機(jī)隱性拒載、隨意拼車和態(tài)度不友好等行為的監(jiān)督與處罰力度；同時(shí)，平臺(tái)要妥善處理乘客與司機(jī)間的糾紛；利用高科技手段監(jiān)督并規(guī)范司機(jī)的駕駛行為，提高大學(xué)生乘客使用網(wǎng)約車的忠誠度。

3.2.3 預(yù)測能力評估

為檢驗(yàn)?zāi)Ｐ偷念A(yù)測精度和預(yù)測相關(guān)性，計(jì)算潛變量的預(yù)測精度R2和預(yù)測相關(guān)性Q2。R2∈[0，1]，R2越大，模型的預(yù)測精度越高；Q2為正，表明模型預(yù)測能力的相關(guān)性得到確認(rèn)。經(jīng)計(jì)算忠誠度、乘客滿意度和運(yùn)營服務(wù)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(yù)測準(zhǔn)確性為中等水平（R2>0.330），滿意度的預(yù)測準(zhǔn)確性接近中等水平[26]。忠誠度和滿意度的預(yù)測相關(guān)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(dāng)?shù)念A(yù)測精度。

4 結(jié)論

本文綜合貝葉斯網(wǎng)絡(luò)和偏最小二乘法結(jié)構(gòu)方程模型構(gòu)建大學(xué)生網(wǎng)約車忠誠度的決策行為模型，以大連市2019年大學(xué)生網(wǎng)約車乘客為例，探索分析負(fù)面體驗(yàn)、運(yùn)營服務(wù)、環(huán)境滿意、乘客滿意度與忠誠度的相互作用關(guān)系。研究結(jié)果表明：該綜合方法可較好地反映各潛變量間的作用規(guī)律，乘客滿意度對忠誠度的總效應(yīng)最大，為0.508，負(fù)面體驗(yàn)對忠誠度的總效應(yīng)最小，為-0.146。在理論方面，本文補(bǔ)充了公共交通領(lǐng)域，特別是網(wǎng)約車服務(wù)中大學(xué)生乘客滿意度與忠誠度間的相互作用機(jī)制，強(qiáng)化對年輕網(wǎng)約車乘客滿意度和忠誠度影響因素的認(rèn)識(shí)。在實(shí)踐方面，量化各潛變量對乘客忠誠度的間接效應(yīng)和總效應(yīng)，為有關(guān)部門制定引導(dǎo)大學(xué)生可持續(xù)出行行為的交通政策和網(wǎng)約車平臺(tái)實(shí)施針對年輕乘客的乘車措施提供依據(jù)。

未來可更新調(diào)查數(shù)據(jù)，對比分析大學(xué)生與其他人群采用網(wǎng)約車出行決策機(jī)制的特點(diǎn)與異同，更好地提供精準(zhǔn)化與差異化的網(wǎng)約車服務(wù)。

參考文獻(xiàn)：

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

[2]中國互聯(lián)網(wǎng)絡(luò)信息中心.第51次中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告[R].北京：中國互聯(lián)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的網(wǎng)約車服務(wù)質(zhì)量評價(jià)[J].北京交通大學(xué)學(xué)報(bào)， 2018，42（3）： 10-15.

[4]左文明，朱文鋒.分享經(jīng)濟(jì)下基于SERVQUAL的網(wǎng)約車服務(wù)質(zhì)量管理研究：以滴滴出行和優(yōu)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(fā)展規(guī)劃司.2022年全國教育事業(yè)發(fā)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(xué)生順風(fēng)出行研究報(bào)告》：每月搭乘出租車/網(wǎng)約車1-10次的大學(xué)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(zé)任編輯：趙玉真）

收稿日期：2023-03-24

基金項(xiàng)目：遼寧省社會(huì)科學(xué)規(guī)劃基金項(xiàng)目（L21BGL009）

第一作者簡介：李綱（1982—），男，沈陽人，副教授，工學(xué)博士，主要研究方向?yàn)槌鲂行袨椤⒔煌ㄅc生活質(zhì)量，E-mail：LIGangPE2012@hotmail.com。