مقایسه رویکرد مدل سازی پروبیت با لوجیت در اولویت بندی ویژگی های تاکسی اینترنتی: مقیاس بندی بهترین –بدترین نوع ۱

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 89

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ROAD-32-121_009

تاریخ نمایه سازی: 28 آبان 1403

چکیده مقاله:

گسترش اینترنت و تحولات در دنیای کسب وکار، به ظهور کسب وکارهای جدید، از جمله تاکسی اینترنتی منجر شده است. این خدمت، امکان سفارش تاکسی از طریق اپلیکیشن تلفن همراه را، همراه با امکاناتی مانند پرداخت برخط و ارزیابی رانندگان فراهم می کند. رقابت در این زمینه، تاکسی های اینترنتی را به بهبود خدمات و جلب مشتریان بیشتر، مثلا از طریق درک ترجیحات مشتریان و ارائه ویژگی هایی که بهترین تجربه را برای آنها فراهم می کند، سوق داده است. هدف این مطالعه بررسی این ویژگی ها (که در این جا ۱۰ ویژگی انتخاب شده) و اولویت بندی آنان است. در این مطالعه برخلاف شیوه سنتی پرداختن به مدل های انتخاب گسسته که تمرکز بر انتخاب بهترین (با اهمیت ترین) گزینه در میان انتخابها است، نقش بدترین (کم اهمیت ترین) گزینه نیز مورد توجه قرار می گیرد. از روش پروبیت برای مدل سازی استفاده شده و نتایج آن با روش لوجیت مورد مقایسه قرار گرفته اند. نتایج این پژوهش نشان می دهد که اگرچه ضرایب ویژگی ها در دو مدل سازی با هم یکسان نیستند، و معیارهای ارزیابی برتری عملکرد مدل پروبیت را نسبت به مدل لوجیت نشان می دهد، ولی نتیجه کلی در رتبه بندی ویژگی ها با هم تفاوتی ندارند. در مواجهه با خدمات تاکسی اینترنتی، مسائل مرتبط با امنیت و اطمینان خاطر از اهمیت بیشتری برخوردار هستند. به عبارت دیگر، کاربران در انتخاب خدمات تاکسی اینترنتی بیشترین توجه را به جنبه هایی می پردازند که احساس امنیت و رضایت ذهنی را برای آن ها به ارمغان می آورد. همچنین، این مطالعه نشان می دهد که مسائل بهداشتی و فاصله گذاری اجتماعی در زمره کم اهمیت ترین ویژگی ها قرار دارند.

کلیدواژه ها:

پروبیت ، لوجیت ، مقیاس بندی بهترین- بدترین نوع ۱ ، ویژگی های تاکسی اینترنتی

نویسندگان

محسن مکارمی شریفی

دانش آموخته دکتری، گروه برنامه ریزی حمل و نقل، دانشکده فنی مهندسی، انشگاه بین المللی امام خمینی، قزوین، ایران

امیرعباس رصافی

استاد، گروه برنامه ریزی حمل و نقل، دانشکده فنی مهندسی، دانشگاه بین المللی امام خمینی، قزوین، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Ahmad, H., & Halim, H. (۲۰۱۷). Determining sample size for ...
  • Aizaki, H., & Fogarty, J. (۲۰۲۳). R packages and tutorial ...
  • Akbari, M., Amiri, N. S., Zúñiga, M. Á., Padash, H., ...
  • Alemi, F., Circella, G., Handy, S., & Mokhtarian, P. (۲۰۱۸). ...
  • Assele, S. Y., Meulders, M., & Vandebroek, M. (۲۰۲۳). Sample ...
  • Burton, N., Burton, M., Rigby, D., Sutherland, C. A., & ...
  • Chen, Y., Mahmassani, H. S., & Frei, A. (۲۰۱۸). Incorporating ...
  • Choe, C., Jung, S., & Oaxaca, R. L. (۲۰۲۰). Identification ...
  • Dow, C. R., Nguyen, D. B., Wang, S. C., Hwang, ...
  • Flynn, T. N., Louviere, J. J., Peters, T. J., & ...
  • Guo, Q., & Shen, J. (۲۰۱۹). An Empirical Comparison Between ...
  • Hollis, G., & Westbury, C. (۲۰۱۸). When is best-worst best? ...
  • Jing, P., Chen, Y., Wang, X., Pan, K., & Yuan, ...
  • Koob, C. (۲۰۲۳). Consumers’ Preferences for Digital Corporate Content on ...
  • Lancsar, E., Fiebig, D. G., & Hole, A. R. (۲۰۱۷). ...
  • Li, H.-r. (۲۰۱۶). Taxi Positioning in the New Age of ...
  • Louviere, J., Lings, I., Islam, T., Gudergan, S., & Flynn, ...
  • Louviere, J. J., Flynn, T. N., & Marley, A. A. ...
  • [Record ۱۱ is using a reference type undefined in this ...
  • Mjahed, L. B., Mittal, A., Elfar, A., Mahmassani, H. S., ...
  • Thompson, S. K. (۱۹۸۷). Sample Size for Estimating Multinomial Proportions. ...
  • Walaza, S., Onderwater, P., & Zuidgeest, M. (۲۰۲۳). Best-worst scaling ...
  • White, M. H. (۲۰۲۱). bwsTools: An R package for case ...
  • Yi, C., & Xia, L. (۲۰۱۵). A Forecasting model of ...
  • نمایش کامل مراجع