Public Transit Loyalty Modeling Considering the Effect of Passengers’ Emotional Value: A Case Study in Xiamen, China
Notice bibliographique
Résumé
To better sustain passengers’ loyalty towards bus service, this paper addressed the modeling of the public transit loyalty by the use of structural equation model. As a novel hypothesis, the emotional value was considered to have effects on the perceived value of bus services in this study, which reflected the degree of passengers’ emotional dependence on the public transit. Specifically, in order to better assess the loyalty, seven unobserved variables were measured to construct the structural model, namely, “service guarantee,” “operational services and efficiency,” “emotional value,” “perceived value,” “expectation,” “satisfaction,” and “loyalty.” The goodness-of-fit of the model was estimated and evaluated by using the survey data harvested from Xiamen, China. Besides, the index score of variables was also computed to help determine targeted approaches to better improve the level of bus service. The results indicated that the time cost and the monetary cost actually had no effects on the perceived value of users in the case study. At the same time, however, it also proved that passengers’ emotional value towards the public transit indeed affected passengers’ perception of the service value. In addition, whether users’ perceived value was as expected determined how much passengers satisfied with the service. Regarding the index score of variables, it indicated a great dissatisfaction of passengers towards the current bus service. Unexpectedly, the score of loyalty even still retained a relatively high level, which reflected continue-to-use willingness of passengers. It implied that being subject to economic conditions and other factors, passengers were captive and had to continue relying on the public transit, in spite of their dissatisfaction. As for the improvement direction of bus services, targeted approaches should be determined to improve the quality of bus service, regarding the aspects of “condition of facilities in the bus,” “driving stability and comfort,” “vehicle speed,” and “safety.”
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».