原创《基于决策树共享单车满意度影响因素分析》：本论文为免费优秀的关于单车论文范文资料，可用于相关论文写作参考。
[摘 要]共享单车作为新型的绿色出行方式,受到广泛关注和热议.目前,关于共享单车顾客满意度影响因素的研究大多采用因子分析和多元回归法.基于此,以北京地区ofo共享单车的使用者为调查對象,创新性地采用决策树方法归纳出车体外形设计及颜色、制动效果及车座可调舒适度和定位系统的准确度等五个主要影响因素,并提出以顾客需求为中心、差异化营销、关注消费者的消费体验和适度降低顾客成本,提升便利性的合理建议.
[关键词]共享单车；顾客满意度；决策树；对策分析
[DOI]10.13939/j.cnki.zgsc.2017.28.118
1 引 言
共享单车自2016年被投放使用以来,在短时间内迅速成为居民出行必选的交通工具之一.不仅是因为它解决了“最后一公里”的城市出行问题,还因为其倡导了一种更环保、更健康的生活理念.其中,ofo共享单车企业已经拥有超过1000万名的用户,成为业内覆盖城市数量最多、范围最广的共享单车品牌.但是单车的质量问题、竞争者数量的增加也使ofo共享单车企业面临危机.在大数据时代,企业应该及时挖掘影响顾客满意度的重要因素并加以改进,才能保持其业内的领先地位.因此,ofo共享单车企业应了解提升顾客满意度的因素,并且对其改进和创新.本文对具有代表性的北京市地区使用者进行随机抽样调查,研究ofo共享单车顾客满意度的影响因素,对提高ofo共享单车使用率及满意度都有一定现实意义.
2 文献综述
共享单车出现之前,公共自行车发挥着和其相似的功能.因此,对公共自行车的研究可以对共享单车的进一步了解具有启发意义.Maria Bordagaray等（2012）[1]通过建立有序的probit模型,认为公共自行车的安全性和信息量全面是提高居民对公共自行车满意度的两大显著因素.Shaheen等（2015）[2]对杭州市公共自行车使用者和非使用者进行了调查对比,研究表明增加自行车站点数量、随时定位自行车的停放情况、加强自行车维护和开锁解锁机制,以及延长运营时间可以增加顾客对公共自行车满意度.国内也有不少学者对公共自行车展开研究.王炜[3]等从新的视角将公共自行车的运营模式系统性地分为私企运作、政府和私企结合、政府组建国企直接运作这三种模式,并比较它们的优势和缺陷,提出一些优化建议.钱佳[4]等以苏州公共自行车为研究对象,构建了结构方程假设模型,通过验证性因子分析,认为灵活便捷、设计布局、舒适环保和安全是居民使用公共自行车满意度的影响因素.
鉴于国内对共享单车这种新形式的公共自行车的研究较少,并且以往研究采用的是回归分析、因子分析等传统方法.本文创新性地通过调查问卷法和决策树法,对影响共享单车顾客满意度的因素进行分析,为提高共享单车满意度提供数据支持.
3 调查问卷设计
本文在回顾国内外相关文献的基础上,以市场营销领域著名的4C理论为框架,每个维度设立3～5个具体的测度指标,初步罗列了15个影响共享单车顾客满意度的因素,并按照易于理解和避免歧义的原则,修改得到15个题项.4C理论是由美国市场营销专家劳特朋教授于1990年提出的,它主要以消费者需求为导向,设定了顾客、成本、便利和沟通四大基本要素,具体内容见表1.针对每个问题,采用李克特5级量表形式,分别由低到高赋值为1～5分.同时统计了被调查者的基本情况,包括性别、年龄、职业和ofo共享单车使用频率共4个题项.关于顾客满意度,同样设立了5个不同程度的选项,代表5个等级的分数.在正式进行问卷调查之前,笔者进行了预调研.其目的是发现问卷中不清楚的表达和有重复性或遗漏的问题和选项,并对信度和效度进行小范围的检验.笔者首次发放50份调查问卷,其中有效问卷45份,回收率达到90%.根据预调研的结果再次修改问卷,并且对收集到的数据进行电话回访,通过了信度和效度的检验.
4 实证分析
4.1 数据准备——创建随机的训练数据集和测试数据集
将数据分为用来建立决策树的训练数据集（占全部数据的75%）和用来评估模型性能的测试数据集（占全部数据的25%）.通过计算机生成分布对比图,观察到总样本集的使用者满意度分布特征和训练集和测试集的分布特征基本一致.这说明分割平衡,可以建立决策树.
4.2 基于训练数据建立决策树模型
用R语言编写建立决策树的语句,得到初步建立的决策树模型,其节点数为27.初步建立的决策树模型结果表明,对ofo共享单车顾客满意度影响较大的指标是车体外形设计及颜色、制动效果及车座可调舒适度、定位系统准确度、App操作流畅度和灵敏度、“红包”等优惠活动的力度.由C5.0初步建立的决策树模型对训练集和测试集数据进行分类的结果如表2所示.训练集的拟合度是可以接受的,但是测试集的拟合度仍有进一步调整和改进的空间.我们需要通过Boosting算法来对模型进行进一步的修正,以更好满足预测ofo共享单车使用者满意度的需求.
4.3 应用Boosting技术的决策树优化
Boosting算法的叠代次数设置为默认的10次.经过10次叠代后,各指标对顾客满意度的贡献率产生变化,具体信息见表3.经过模型优化后,对ofo共享单车顾客满意度影响最为显著的五个指标是节省时间及体力、车体外形设计及颜色、制动效果及车座可调舒适度、App操作流畅度和灵敏度和定位系统的准确度.
在使用Boosting算法之后,决策树的平均节点数为22.5,训练集的准确率从86.5%上升到99.5%,并且测试集的准确率从57.14%上升到60.1%,具体信息见表4.虽然Boosting算法对测试样本集数据的分类精度的改善幅度较小,但是训练集的分类准确率大幅度提升,说明Boosting算法有效提升了决策树模型的拟合程度.由于最终的决策树较大,我们选取部分决策树对影响顾客满意度的因素进行分析,所选取的决策树如下图所示.
单车论文参考资料：
结论：基于决策树共享单车满意度影响因素分析为关于对写作单车论文范文与课题研究的大学硕士、相关本科毕业论文单车歌词论文开题报告范文和相关文献综述及职称论文参考文献资料下载有帮助。
