Исследование влияния параметров сервисного обслуживания на степень удовлетворенности пассажиров на базе применения аппарата нейронных сетей

На основе анализа преимуществ и недостатков различных методических подходов к поиску путей роста качества обслуживания, существующих в маркетинговой практике пассажирского комплекса, выявлена и обоснована необходимость дальнейшего развития таких робастных непараметрических механизмов построения прогнозных моделей оценки, которые бы могли применяться при ориентации менеджмента на реализацию нескольких направлений совершенствования обслуживания одновременно, а также позволяли бы эффективно принимать решения в условиях возможной синергии между многочисленными исследуемыми аспектами сервиса в их влиянии на уровень удовлетворенности клиентов. Предложены методические и практические подходы к выявлению и сравнительной оценке влияния параметров сервисного обслуживания на уровень удовлетворенности пассажиров на основе моделирования с использованием аппарата нейронных сетей для условий, когда применение корреляционнорегрессионного анализа методом наименьших квадратов и механизмов порядковой логистической регрессии является прогностически неэффективным либо избыточно трудоемким в аналитической работе. Изложены результаты апробации аппарата нейронных сетей на массивах маркетинговых данных, касающихся различных аспектов обслуживания пассажиров на вокзалах и в поездах, а также представлена оценка эффективности использования нейронных сетей в сравнении с алгоритмами порядковой логистической и линейной регрессии. В итоге для получения максимума объективной информации, необходимой при выработке решений в области управления качеством транспортных услуг пассажирского комплекса, предложено использование новой модификации универсального комплексного механизма изучения влияния различных параметров сервиса на уровень удовлетворенности клиентов, включающей совокупность регрессионных алгоритмов, аппарат нейронных сетей, а также инструментарий непараметрической статистики.

пассажирский комплекс, транспортный сервис, качество обслуживания, анкетный опрос, экономикостатистические модели, нейронные сети

1. Стратегия управления качеством в холдинге «РЖД». Стратегия ОАО «РЖД» от 16.03.2016 № 224. Екатеринбург: УралЮрИздат, 2017. 112 с.

2. Мирошниченко О.Ф., Милевская В.А., Пастухов С.С. Информационные технологии в маркетинговых исследованиях пассажирских железнодорожных перевозок // Экономика железных дорог. 2007. № 8. С. 71-80.

3. Мирошниченко О.Ф., Милевская В.А., Пастухов С.С. Комплексная система маркетинговых исследований рынка пассажирских перевозок дальнего следования // Экономика железных дорог. 2008. № 3. С. 41-58.

4. П а с т у х о в С. С. Разработка методов исследования качества транспортного обслуживания населения в сфере железнодорожных пассажирских перевозок дальнего следования: дис.. канд. экон. наук: 08.00.05. М., 2011. 204 с.

5. П а с т у х о в С. С. Определение приоритетов пассажиров при оценке качества и выявление наиболее эффективных направлений улучшения качества транспортной услуги и сопутствующего ей сервиса в фирменных поездах (методология и результаты) // Вестник ВНИИЖТ. 2008. № 1. С. 23-27.

6. П а с т у х о в С. С Определение приоритетных направлений улучшения качества транспортного обслуживания пассажиров в условиях неизвестности реального закона распределения изучаемых данных // Вестник ВНИИЖТ. 2009. № 2. С. 22-25.

7. П а с т у х о в С.С. Изучение влияния параметров транспортного сервиса на уровень удовлетворенности пассажиров на основе моделирования методами порядковой логистической регрессии // Вестник ВНИИЖТ. 2016. Т. 75. № 2. С. 108-115.

8. Елизарьев Ю.В., Сенцова К.А. Оценка предпочтений потребителей транспортных услуг населению на рынке пассажирских перевозок // Экономика железных дорог. 2000. № 11. С. 28-32.

9. С е н ц о в а К. А. Применение многофакторных моделей к изучению отношений потребителей транспортных услуг // Экономика железных дорог. 2000. № 10. С. 67-69.

10. П а с т у х о в С. С. Определение основных путей повышения эффективности работы вагонов-ресторанов на основе маркетингового анализа // Вестник ВНИИЖТ. 2008. № 2. С. 42-47.

11. Х а й к и н С. Нейронные сети: полный курс: пер. с англ. 2-e изд. М.: Вильямс, 2006. 1104 с.

12. Нейронные сети. Statistica Neural Networks: методология и технологии современного анализа данных / под ред. В. П. Боровикова. М.: Горячая линия - Телеком, 2008. 392 с.

13. S w i n g l e r K. Applying Neural Networks. A Practical Guide. London: Academic Press, 1996. 303 p.

14. T e r r e n c e L. F. Feedforward Neural Network. Methodology. New York: Springer, 1999. 340 р.

15. Hagan M.T., Demuth H.B., Beale M.H., De Jesús O. Neural Network Design. New York, 2014. 1012 p.

16. N o c e d a l J.,W r i g h t S. Numerical Optimization. 2nd edition. New York: Springer, 2006. 634 p.

17. Press W., Teukolsky S., Vetterling W., Flannery B. Numerical Recipes: The Art of Scientific Computing. 3th ed. Cambridge: Cambridge University Press, 2007. 1235 p.

18. T o r g o L. Data Mining with R: Learning with Case Studies. 2nd ed. London: Taylor & Francis; Chapman and Hall, 2017. 426 p.

19. L e w i s N. D. 92 Applied Predictive Modeling Techniques in R: With step by step instructions on how to build them FAST! North Charleston: CreateSpace Independent Publishing Platform, 2015. 598 p.

20. W i l l i a m H. Greene Econometric analysis. 7th ed. Upper Saddle River (NJ): Prentice Hall, 2012. 1232 p.

21. Matsumoto M., Nishimura T. Mersenne twister: A 623-dimensionally equidistributed uniform pseudorandom number generator // ACM Transactions on Modeling and Computer Simulations. 1998. No. 8 (1). P. 3-30.

22. К о б з а р ь А. И. Прикладная математическая статистика: для инженеров и научных работников. М.: Физматлит, 2006. 816 с.