公交专用道与普通公交乘客满意度与延误对比研究

[32]，乘客根据主观感受评价延误对自身的影响程度。乘客满意度量级划分为：1.非常不满意，2.比较不满意，3.一般满意，4.比较满意，5.非常满意，该部分包括乘客满意度、乘客忠诚度、推荐意愿，全面反映乘客对公交车的总体满意度。问卷描述性分析调查回收所得问卷总数约400份，将答案不完整、所有题目选择答案相同或呈现特定分布、题项答案前后矛盾等不符合要求的问卷予以删除，保留各模式公交问卷各180份，共计360份，调查问卷回收有效率为90%。乘客基本信息的描述性统计分析表4.SEQ表4.\*ARABIC1普通公交乘客基本信息描述性统计分析变量选项频率百分比年龄18岁以下4323.90%18-25岁4223.30%续表4.1普通公交乘客基本信息描述性统计分析变量选项频率百分比26-35岁2614.40%36-50岁2111.70%51岁及以上4826.70%性别男8547.20%女9552.80%单次乘坐公交的平均时长<15分钟2614.40%15-30分钟11362.80%30-45分钟3016.70%45分钟以上116.10%平均每周乘坐公交车的频率1-3次9955.00%4-6次6335.00%7次及以上1810.00%平均每次延误时间不延误158.30%<5分钟8748.30%5-10分钟4625.60%10-20分钟2916.10%>20分钟31.70%表4.SEQ表4.\*ARABIC2公交专用道乘客基本信息描述性统计分析变量选项频率百分比年龄18岁以下1910.60%18-25岁4826.70%26-35岁6335.00%36-50岁3217.80%51岁及以上1810.00%性别男9050.00%女9050.00%单次乘坐公交的平均时长<15分钟3821.10%15-30分钟9150.60%30-45分钟3620.00%45分钟以上158.30%平均每周乘坐公交车的频率1-3次7038.90%4-6次8245.60%7次及以上2815.60%平均每次延误时间不延误1810.00%<5分钟4927.20%5-10分钟8848.90%续表4.SEQ表4.\*ARABIC2公交专用道乘客基本信息描述性统计分析变量选项频率百分比10-20分钟1910.60%>20分钟63.30%年龄图4.SEQ图4.\*ARABIC1乘客年龄对比图对于普通公交，51岁及以上乘客占比最高（26.7%），中青年群体（26-50岁）占比合计仅26.1%，显著低于其他年龄段。51岁及以上人群可能退休或工作相对轻松，有更多时间乘坐普通公交，且实施的老年人优惠乘车政策显著降低了出行成本，乘坐公交车是老年人出行选择的主要交通工具。而36-50岁人群处于事业上升期或家庭责任较重阶段，对于时间有更高的要求，可能更多依赖私家车等交通工具。对于公交专用道，18-35岁乘客占比超过50%，表明选取线路的公交服务对象主要为青年及年轻工作者。51岁及以上群体占比10.00%，可能由于老年人退休后无需固定通勤，日常出行频率显著低于工作人群，或该年龄段人群会选择非高峰时期出行。性别两种公交比例均衡，反映性别对所选取公交线路无显著差异。单次乘坐公交的平均时长图4.SEQ图4.\*ARABIC2单次乘坐平均时长对比图以中短途为主导，大多数乘客单次乘车时长为15-30分钟，说明所选取路线主要服务于中短途出行需求，符合城市公交中短途接驳的功能定位。45分钟以上占比最小，可能与长距离通勤者更倾向于地铁或自驾有关，当高峰期时段长时间站立、拥挤等问题加剧疲劳感，说明公交在长距离出行中竞争力较弱。平均每周乘坐公交车的频率大多数的乘客每周乘车1-6次，可能因为部分“上班族”每周3-4天使用公交，体现出了公交作为补充性交通工具，是部分人群的核心通勤工具。仅极少数乘客每周乘车≥7次，说明公交尚未成为高频刚需出行方式。平均每次延误时间图4.SEQ图4.\*ARABIC3延误情况延误具有普遍性，表格显示仅不超过10%乘客未经历延误，超90%乘客遭遇不同程度延误。其中，短时较延误集中，延误5-10分钟占比最大，反映公交调度系统应对常规波动能力有限；>10分钟延误虽占比低，但更易引发乘客流失，根据相关研究显示若公交准点率低于80%，高频用户流失风险将会增加35%。观测变量的描述性统计分析表4.SEQ表4.\*ARABIC3普通公交观测变量的描述性统计分析潜变量观测变量N最小值最大值均值标准偏差方差乘客期望W1180153.781.4322.051W2180153.751.2091.462W3180153.631.3201.742W4180153.581.3701.877延误感知X1180153.65.989.977X2180153.701.0881.183X3180153.661.1051.221延误影响度Y1180153.541.0271.054Y2180153.471.1211.256Y3180153.761.1021.214Y4180153.731.1761.384Y5180153.661.0271.054Y6180153.461.1351.289Y7180153.29.977.955乘客满意度Z1180152.171.2181.484Z2180152.461.1251.266Z3180152.371.1191.252表4.SEQ表4.\*ARABIC4公交专用道观测变量的描述性统计分析潜变量观测变量N最小值最大值均值标准偏差方差乘客期望W1180154.081.2531.569W2180153.961.1761.383W3180154.131.1091.229W4180153.941.1971.432延误感知X1180153.801.1211.256X2180153.831.0701.145X3180153.711.1121.237延误影响度Y1180153.931.2731.620Y2180153.821.2441.547续表4.SEQ表4.\*ARABIC4公交专用道观测变量的描述性统计分析潜变量观测变量N最小值最大值均值标准偏差方差Y3180153.34.917.842Y4180153.471.1551.334Y5180153.471.1501.323Y6180153.871.1581.341Y7180153.541.0101.021乘客满意度Z1180152.80.994.988Z2180152.73.979.959Z3180152.78.849.721对比表格4.3、4.4可以得出以下结论：乘客对公交专用道的服务期望普遍高于乘客对普通公交服务的期望，这可能主要体现在乘客对公交专用道的运行效率、准点率及舒适度等方面都提出了更高的要求。公交专用道乘客和普通公交乘客对于不同方式对延误的感知程度差距较小，表明无论是选择公交专用道还是普通公交的乘客，对于行程延误的敏感度较为接近。相对于公交专用道，普通公交乘客认为在延误时社会车辆违规停车导致的时间损失、社会车辆突然变道导致的时间损失和交叉口处信号配时不合理导致的时间损失对自身的影响程度更大，这反映出公交专用道有效减少了混合交通流中社会车辆引起的干扰。相较于普通公交，公交专用道的乘客满意度水平显著更高。信度检验与效度检验信效度检验是量化研究的核心环节，通过科学方法确保数据质量，为理论构建和实践应用提供可靠支撑。研究者需根据测量目标和工具特点选择合适方法，并在研究报告中详细说明检验结果。信效度检验的作用确保测量工具质量：评估问卷、量表或测试的可靠性和有效性，保证其能够稳定、准确地反映研究目标。验证数据的可信度：确认研究数据是否具有一致性（信度）和真实性（效度），避免因工具缺陷导致结果偏差。支持研究结论的科学性：为研究结果提供统计依据，增强结论的可信度和学术价值。指导工具优化：在预测试阶段发现问题（如模糊题项、结构不合理），改进测量工具的设计。信效度检验的重要性学术研究的基石。缺乏信效度的研究可能被质疑数据的可靠性，影响论文发表和学术认可。实践应用的前提。教育、心理学、医学等领域中，低信效度的工具可能导致错误决策。理论验证的关键。结构效度检验直接关联理论模型的合理性，支撑或修正现有理论。资源效率的保障。避免因测量工具缺陷浪费研究时间和经费。信效度检验信度检验是问卷的可靠性检验,主要有以下几种方法，如表4.5所示。表4.SEQ表4.\*ARABIC5信度检验的方法信度检验检验内容重测信度（Test-RetestReliability）同一工具在不同时间对同一群体重复测量，计算两次结果的相关系数（如Pearson

r）。复本信度（Parallel-FormsReliability）设计内容等效的两种版本工具，比较两组结果的相关系数。克伦巴赫α系数（Cronbach’sAlpha）克伦巴赫α系数（Cronbach＇sAlpha）：评估题项间相关性（α≥0.7为可接受）折半信度（Split-HalfReliability）将量表分为两半计算相关系数，常用Spearman-Brown公式评分者信度（Inter-RaterReliability）用于主观评分场景，计算Kappa系数或组内相关系数（ICC）。本研究采用克伦巴赫α系数（Cronbach＇sAlpha）作为量表信度的核心检验指标。克伦巴赫α系数是基于题项间协方差计算的内部一致性指标，其取值范围为0至1，若低于0.6，则需考虑删除或修正题项以优化量表结构。数值越高表明量表各题项之间的关联性和同质性越强，即问卷的可信度越高（Cortina,1993）。本研究基于SPSS27.0统计软件对量表的潜变量数据进行信度检验，最终筛选出具有高内部一致性的测量工具，为后续效度检验与假设验证奠定数据质量基础。结果见表4.6普通公交数据可靠性分析、表4.7专用道公交可靠性分析。表4.SEQ表4.\*ARABIC6普通公交数据可靠性分析潜变量克隆巴赫Alpha项数乘客期望0.9334延误感知0.8523站台延误影响度0.8182路段延误影响度0.8612交叉口延误影响度0.8213延误影响度0.8977乘客满意度0.8223表4.SEQ表4.\*ARABIC7公交专用道数据可靠性分析潜变量克隆巴赫Alpha项数乘客期望0.9324延误感知0.8623站台延误影响度0.8482路段延误影响度0.8242交叉口延误影响度0.7953延误影响度0.9057乘客满意度0.8693由表4.6、表4.7可以看出，所有潜变量的克伦巴赫α系数均高于0.7（范围：0.818-0.933），说明各个维度的信度良好。且延误影响度内部的α系数均在0.8以上，量表具有较高的内部一致性，本问卷具有可靠性。效度检验效度是用来检验问卷量表测量结果反映实际情况的准确程度的，效度越高，说明测量效果越佳，效度检验主要有以下几种方法，如表4.8所示：表4.SEQ表4.\*ARABIC8效度检验方法效度检验检验内容内容效度（ContentValidity）通过专家评审（如德尔菲法）判断题项是否全面覆盖目标概念。探索性因子分析（EFA）提取潜在因子，检验题项结构是否符合理论预期。验证性因子分析（CFA）验证预设因子模型的拟合度（如CFI、RMSEA等指标）。续表4.SEQ表4.\*ARABIC8效度检验方法效度检验检验内容同时效度（ConcurrentValidity）与现有成熟工具的结果进行相关性分析预测效度（PredictiveValidity）检验工具对未来结果的预测能力本文采用结构性因子分析法，KMO检验（Kaiser-Meyer-OlkinMeasure）用来评估数据是否适合进行因子分析，反映变量间的偏相关性。KMO≥0.9非常适合；0.8≤KMO<0.9适合；0.7≤KMO<0.8一般；KMO<0.6不适合。Bartlett球形检验（Bartlett＇sTestofSphericity）用来检验变量间是否存在显著相关性。当P值<0.05时，数据适合因子分析。问卷信度检验结果见表4.9、表4.10。表4.SEQ表4.\*ARABIC9普通公交问卷效度检验潜变量KMOBartlett球形检验的

近似卡方值P值乘客期望0.860595.2580.000延误感知0.729233.8690.000延误影响度0.873710.1080.000乘客满意度0.721192.8550.000表4.SEQ表4.\*ARABIC10专用道公交问卷效度检验潜变量KMOBartlett球形检验的

近似卡方值P值乘客期望0.854591.7290.000延误感知0.736247.7720.000延误影响度0.880718.3340.000乘客满意度0.724273.2290.000由表4.9、表4.10可知，普通公交和专用道公交的问卷的各个维度的KMO值都在0.7以上，且所有潜变量的Bartlett检验P值均为0.000，显著拒绝原假设，说明问卷具有较好的效度，进一步支持因子分析的适用性。验证性因子分析验证性因子分析的作用验证理论模型的结构效度：检验研究者预先定义的因子结构（如潜变量与观测题项的对应关系）是否与数据匹配。评估模型的拟合优度：通过统计指标量化模型与数据的匹配程度，检验因子载荷的显著性：验证每个观测题项是否对预设潜变量有显著贡献（载荷值是否显著≠0）。比较竞争模型的优劣：通过对比不同模型（如单因子vs.多因子）的拟合指标，选择最优结构。验证区分效度与聚合效度：同一潜变量的题项应高度相关（因子载荷>0.7，AVE>0.5）。不同潜变量的题项应低相关（潜变量间相关系数的平方<AVE）。用来确保量表既能准确测量目标概念，又能区分不同概念。优化量表设计：通过修正指数（ModificationIndices,MI）识别模型中的问题，删除或调整低效题项。结合标准化载荷值和误差方差，优化题项表述或增加高质量题项，提高测量精度。支持后续分析：CFA为结构方程模型（SEM）的测量模型部分提供基础，确保潜变量关系分析的可靠性。示例：在分析“延误感知→乘客满意度”的路径效应前，需先通过CFA验证两个潜变量的测量模型是否有效。验证性因子分析结果如表4.11为普通公交初始观测指标，表4.12为公交专用道初始观测指标。其中，Estimate反映观测指标与潜变量之间的关系强度，首个指标固定为1以设定潜变量尺度；S.E.衡量估计值的精确性，值越小越稳定；而C.R.作为临界比值，其数值越大，表明该路径系数的显著性越高；P值表示显著性水平。表4.SEQ表4.\*ARABIC11普通公交初始观测指标路径EstimateS.E.C.R.P乘客期望>W11>W30.7950.04717.094p<0.01>W20.8920.04918.142p<0.01>W40.9410.04919.169p<0.01延误感知>X11>X21.1250.09511.905p<0.01>X31.1590.09112.778p<0.01延误影响度>Y71>Y61.2390.1349.251p<0.01>Y51.3820.12610.948p<0.01>Y41.2780.1488.662p<0.01续表4.SEQ表4.\*ARABIC11普通公交初始观测指标路径EstimateS.E.C.R.P>Y31.0630.1139.368p<0.01>Y21.2180.1349.123p<0.01>Y11.210.1210.07p<0.01乘客满意度>Z31>Z21.2730.1448.845p<0.01>Z11.3170.1459.075p<0.01普通公交所有观测指标的因子载荷均达到统计显著水平（p<0.01），表明各指标能有效反映对应潜变量，标准误（S.E.）普遍较小，C.R.值较高，表明估计值精确且显著。可以得出以下信息：乘客期望潜变量的W4的因子载荷最高（0.941），表明实时信息发布在乘客期望中贡献最大。后续研究需要进一步提升公交信息系统的准确性，或者探讨信息对其他指标的影响。延误感知潜变量的X3指标载荷最大（1.159），这表明乘客之间的信息交流对延误感知有重要影响，可能需要研究信息传播的机制，或者如何通过沟通管理来减少乘客的延误感知。延误影响度潜变量的Y5的因子载荷显著高于其他指标（1.382），表明交叉口处信号配时不合理导致的时间损失对延误影响的测量贡献最大。后续可能需要优化信号配时方案，或者研究不同交通管理措施对交叉口延误的影响。乘客满意度潜变量的Z1指标载荷最大（1.317），说明对公交服务的整体满意度对普通公交乘客满意度的解释作用更为突出。表4.SEQ表4.\*ARABIC12公交专用道初始观测指标路径EstimateS.E.C.R.P乘客期望>W11>W20.9060.05117.899p<0.01>W30.8610.04419.627p<0.01>W40.8960.05316.819p<0.01延误感知>X11>X20.9010.07312.34p<0.01>X30.9880.07413.286p<0.01延误影响度>Y71>Y61.3960.13510.372p<0.01>Y51.0870.1218.982p<0.01续表4.SEQ表4.\*ARABIC12公交专用道初始观测指标路径EstimateS.E.C.R.P>Y42p<0.01>Y31.2770.1379.305p<0.01>Y21.5140.1579.65p<0.01>Y11.5940.1719.295p<0.01乘客满意度>Z31>Z20.9610.06814.181p<0.01>Z11.1530.08413.675p<0.01公交专用道所有观测指标的因子载荷均达到统计显著水平（p<0.01），表明各指标能有效反映对应潜变量，标准误（S.E.）普遍较小，C.R.值较高，表明估计值精确且显著。可以得出以下信息：乘客期望中W2的贡献最大（0.906），这说明乘客特别在意拥挤问题，可能后续需要研究如何缓解拥挤情况。延误感知中X3的载荷接近1（0.988），表明社交信息传播在延误感知中的作用很大，与普通公交的结论相同，强调需要研究如何通过信息透明化来减少这种社交传播带来的负面影响。延误影响度中Y1的载荷最高（1.594），表明站台处车辆进站排队导致的时间损失是主要问题，可能需要优化站台设计或上下客流程。乘客满意度中Z1的载荷最高（1.153），表明公交专用道乘客对本线路公交服务的整体满意度对乘客满意度的解释作用更强，与普通公交结论相同。独立样本的差异显著性及效应量分析采用莱文检验评估方差齐性，随后通过独立样本T检验比较普通公交与公交专用道在各观测变量评分上的差异，再用Cohen＇sd效应量以量化差异程度。莱文检验莱文检验（Levene'sTest）是一种用于检验多组数据方差是否相等（方差齐性）的统计方法，其核心作用包括：验证参数检验的前提条件。在独立样本T检验、方差分析（ANOVA）等参数检验前，需确保各组数据方差齐性。若方差差异显著，需采用校正方法（如Welch'sT检验）。提高统计结论的可靠性。方差不齐可能导致I类错误（假阳性）或II类错误（假阴性），莱文检验帮助规避此类风险。支持数据分析方法选择。根据方差齐性结果，决定是否需要对数据进行转换或改用非参数检验。检验步骤提出假设检验方差齐性。使用Levene检验判断两组的方差是否齐性，若P值>0.05，接受方差齐性假设，采用Student＇st-test；若P值≤0.05，拒绝方差齐性假设，采用Welch＇st-test。计算t值与自由度。通过Levene方差齐性检验判断等方差假设，再选择相应t检验结果（等方差或Welch校正）。Student＇st-test公式：t=自由度：df=n1+n2−2Welch＇st-test公式：t=自由度：ⅆf=其中，x1、x2分别表示第一个样本和第二个样本的平均值，n1、n2分别表示第一个样本和第二个样本的样本量,S12、S2确定显著性水平（α）。通常设定α=0.05（双侧检验）或α=0.025（单侧检验）。计算P值并得出结论。根据t值和自由度查t分布表，或通过统计软件SPSS直接获取P值。若P≤α，拒绝H₀，认为两组均值差异显著；若P>α，不拒绝H₀，认为无显著差异。计算效应量。使用Cohen＇sd评估差异的实际意义。d=S|d|≥0.2为小效应，≥0.5为中等效应，≥0.8为大效应。检验关键指标t值。检验统计量，绝对值越大差异越显著。自由度（df）。整数表示Student'st检验，小数表示Welch'st检验（方差不齐）显著性（双尾）。p值，判断差异是否具有统计学意义（<0.05为显著）。平均值差值（MD）。表示两个独立样本或两组数据的平均值之间的差异，MD=组1均值—组2均值。标准误差差值（SD）。衡量两个样本平均值差异的估计值的变异性或精确度的一个统计量，反映了样本平均值差值的估计的可靠性和精确度。95%置信区间。均值差值的可信范围，若区间不包含0，则差异显著。结合效应量（Cohen'sd）。表示两组间差异或变量间关联的实际强度，并说明方向性意义。独立样本T检验结果使用SPSS软件，以普通公交为组1，公交专用道为组2。如表4.13所示，为莱文检验结果。表4.SEQ表4.\*ARABIC13莱文检验变量莱文检验P值方差齐性W10.002不齐W20.041不齐W30.001不齐W40.000不齐X10.360齐X20.141齐续表4.SEQ表4.\*ARABIC13莱文检验变量莱文检验P值方差齐性X30.600齐Y10.005不齐Y20.145齐Y30.028不齐Y40.996齐Y50.101齐Y60.336齐Y70.132齐Z10.009不齐Z20.004不齐Z30.000不齐满足方差齐性（p＞0.05）的变量采用假定等方差t检验，不满足方差齐性（p＜0.05）采用不假定等方差的Welcht检验。独立样本t检验结果如表4.14所示：表4.SEQ表4.\*ARABIC14独立样本t检验结果变量tdfPMDSD95%CIW1-2.115351.7760.035-0.3000.142-0.579-0.021W2-1.635357.7260.103-0.2060.126-0.4530.042W3-3.848347.6570.000-0.4940.128-0.747-0.242W4-2.664351.6500.008-0.3610.136-0.628-0.094X1-1.3473580.179-0.1500.111-0.3690.069X2-1.1723580.242-0.1330.114-0.3570.090X3-0.4283580.669-0.0500.117-0.2800.180Y1-3.145342.6220.002-0.3830.122-0.623-0.144Y2-2.7603580.006-0.3440.125-0.590-0.099Y33.847346.6400.0000.4110.1070.2010.621Y42.1253580.0340.2610.1230.0190.503Y51.6443580.1010.1890.115-0.0370.415Y6-3.4013580.001-0.4110.121-0.649-0.173Y7-2.3863580.018-0.2500.105-0.456-0.044Z1-5.357344.1200.000-0.6280.117-0.858-0.397Z2-2.448351.3060.015-0.2720.111-0.491-0.054Z3-3.874333.8680.000-0.4060.105-0.612-0.200乘客期望证实了表4.3、4.4对比所得结论：相较于普通公交乘客，公交专用道乘客群体对服务要素的期望阈值更高。在公交乘客期望维度的实证研究中，延误场景下的W1（车辆行驶安全性）、W3（公交准时到站）及W4（实时信息发布）三个指标均呈现显著的负向均值差异（MD为负值，P<0.05）。这一现象可从以下方面进行专业阐释：①公交专用道是为了保障公交车辆能够顺畅行驶而设置的，但在延误情况下，可能意味着道路状况复杂，乘客会更加关注车辆在公交专用道上的安全性，担心发生交通事故等意外情况，从而对车辆行驶安全性有更高的期待。②公交专用道的乘客对时间要求较高，在公交延误的情况下，乘客对准时到站的期待会变得更高，因为他们需要尽可能地保证自己能够按时到达目的地，避免因公交延误而造成更大的时间损失和不便。③当公交延误时，乘客最迫切的需求之一就是获取准确、及时的信息。实时信息发布能够有效减少乘客对行程的不确定感。延误感知在延误感知中，各观测变量的差异不显著（P>0.05），证实了表4.3、4.4对比所得结论：公交专用道乘客和普通公交乘客对于不同方式对延误的感知程度差距较小。延误影响度证明了表4.3、4.4对比所得结论，公交专用道有效减少了了混合交通流中社会车辆引起的干扰，具体表现为：Y3（社会车辆违规停车导致的时间损失）、Y4（社会车辆突然变道导致的时间损失）两个指标均呈现显著的正向均值差异（MD为正值，P<0.05），反映出公交专用道通过物理隔离或法规限制减少了社会车辆对公交运行的冲击。乘客满意度统计结果证明了表4.3、4.4对比所得结论，公交专用道在乘客满意度各维度上均显著优于普通公交。具体表现在：Z1（对本线路公交服务的整体满意度）、Z3（愿意继续选择公交作为主要出行方式）组间差异显著,均值差异为负，表明专用道服务对乘客的长期出行决策具有积极影响。专用道通过降低出行时间不确定性，增强了公交出行的吸引力。（Z2）愿意向他人推荐乘坐本线路公交车组间差异显著，但其效应量较小，可能受乘客个体差异或偶然体验影响。效应量分析T检验的p值仅说明差异是否显著，但无法体现差异大小。样本中，即使微小差异也可能显著（p<0.05），但效应量可能极小，实际意义有限。效应量标准化了差异度量，使不同研究的结果可直接比较。表4.15为以T检验数据为基础，代入相关公式计算所得d值和对应效应量解释。表4.SEQ表4.\*ARABIC15效应量分析观测变量ssspooledxxd效应量W11.4321.2531.3423.7804.080-0.223小效应W21.2091.1761.1933.7503.960-0.176极小效应W31.3201.1091.2143.6304.130-0.412小-中等效应W41.3701.1971.2833.5803.940-0.281小效应X10.9891.1211.0553.6503.800-0.142极小效应X21.0881.0701.0793.7003.830-0.120极小效应X31.1051.1121.1093.6603.710-0.045无实际效应Y11.0271.2731.1503.5403.930-0.339小效应Y21.1211.2441.1823.4703.820-0.296小效应Y31.1020.9171.0103.7603.3400.416小-中等效应Y41.1761.1551.1663.7303.4700.223小效应Y51.0271.1501.0883.6603.4700.175极小效应Y61.1351.1581.1473.4603.870-0.358小效应Y70.9771.0100.9943.2903.540-0.252小效应Z11.2180.9941.1062.1702.800-0.570中等效应Z21.1250.9791.0522.4602.730-0.257小效应Z31.1190.8490.9842.3702.780-0.417小-中等效应结合表格内容得出以下结论：总体情况独立样本t检验显示，多数观测变量在实验组与对照组间存在显著差异（P<0.05）。但效应量分析表明，部分变量如Z1、Y3具有中等实际影响（Cohen＇sd>0.4），其余变量多为小效应，还存在无实际效应变量。乘客期望借助结构方程模型进行标准化均值差分析可知，公交专用道组乘客在出行期望维度的四个观测变量，即W1-W4，都呈现出负向效应，效应值范围在Cohen＇sd=-0.412至-0.176之间，这一统计特征再次证实，公交专用道使用群体的服务期望基准值在系统层面高于普通公交组乘客，与表4.14的结果一致。在W3，也就是车辆准时到站这个维度，呈现出最大效应量，d值为-0.412，其标准化均值差的绝对值大于0.4，几乎达到中等效应水平，这一量化结果说明，公交专用道乘客群体对时间价值有更敏感的感知特征，与混合路权运营的普通公交相比，在专用路权条件下，乘客对行车准点性的心理预期明显提高，对时刻表偏差的容忍阈值降低。这一发现从行为心理学角度指出公交专用道运营中存在的“服务质量期望悖论”，即专用道带来的速度优势反而提高了乘客对运行高效性的要求，这也为专用道时段配置、实时信息推送系统以及应急调度预案的设计给予了新的思考。延误感知延误感知维度（x1-x3）虽均呈现一致性负向效应趋势（Cohen'sd=-0.142~-0.045），但所有观测变量的效应量均未突破小效应阈值（|d|<0.2），且x3维度未通过显著性检验（p=0.669）。该统计特征表明，在对延误的多维感知方面，不同类型公交系统的乘客群体尚未呈现统计学意义上的显著分离，暗示乘客对延误源头的认知更多受个体出行经验、信息透明度等共性因素影响，而非由单独因素决定。延误影响度Y3也就是社会车辆违规停车所造成的时间损失，呈现出十分突出的正向效应，具体数据为Cohen'sd等于0.416，这样的结果意味着，在普通公交系统里，社会车辆违规停车致使的时间损失给乘客出行带来的负面作用被放大了，普通公交大多依靠固定的发车间隔，调度方面缺乏弹性，违规停车引发的随机延误没办法借助实时调度来弥补，容易造成延误的累积。普通公交线路一般比较长，停靠的站点也更多，单次违规停车产生的干扰有可能会引发全程多个节点的延误叠加，相关研究说明，上海浦东的某条线路在早高峰时段因为违规停车，使得全程耗时增加了25%，这一比例远远高于专用道公交的8%。乘客满意度Z1-Z3的所有观测变量呈现为负值，范围在d=-0.570至-0.257之间，证明了公交专用道的乘客满意度普遍高于普通公交，其中Z1说明公交专用道的乘客对线路公交服务的整体满意度明显更高，这显示出专用道的设置对提升乘客满意度有着关键作用，Z3体现出，愿意继续将公交专用道线路作为主要出行方式的意向更为强烈，专用道凭借降低行程的不确定性，提高了乘客黏性，这本质上是其服务效能与乘客需求高度契合的结果。Z2属于小效应，推荐行为取决于服务满意度，还需要乘客有主动分享的社交动力，要是乘客在社交中较少讨论交通选择，或者担心推荐后他人体验不好，就可能选择保持沉默，即便服务有所改善，推荐意愿依然会受到限制，另一方面，乘客的推荐意愿可能会受到城市其他交通方式的影响，比如地铁、网约车。即便公交专用道优化了服务，但如果替代方式更加便捷或者更具吸引力，乘客可能仍会在推荐公交时有所犹豫。本章小结本章围绕着数据收集以及分析来展开系统研究工作的。首先，依据研究目标以科学的方式来选取数据收集路线，并且按照严谨性的原则完成问卷的设计以及优化工作，明确了乘客基本信息以及观测变量的核心内容部分，借助描述性统计分析，初步把样本的人口学特征分布规律以及关键观测指标的集中与离散趋势指出出来，为后续的研究奠定相应的数据基础。针对问卷开展信度与效度检验，对量表内部一致性以及结构效度进行了验证，以此保证数据的可靠性以及理论模型的适配性，运用验证性因子分析，对潜变量与观测变量之间的路径关系进行量化检验，证实了研究模型是有合理性的，采用独立样本T检验以及效应量分析，去剖析不同群体在关键变量上的差异较大性以及实际影响程度，为差异化策略提供实证方面的依据。这一章节借助多维度分析方法，构建起了完整的数据质量评估体系，保障了研究结论的科学性，同时也为后续模型构建以及假设检验提供了扎实的数据支撑。

模型拟合与优化模型拟合通过Amos软件建立结构方程初始模型图，如图5.1所示椭圆代表潜在变量，矩形代表观测变量，圆形代表残差，箭头代表各变量间的关系。在结构方程模型检验中，参数显著性通过标准误（S.E.）、临界比（C.R.>1.96，P<0.05）判定，模型整体适配度通过卡方自由度比（CMIN/DF<3）、近似误差均方根（RMSEA<0.08）、适配度指数（GFI>0.90）、比较适配指数（CFI>0.90）及递增适配指数（IFI>0.90）等指标综合评估。图5.SEQ图5.\*ARABIC1结构方程初始模型图普通公交的模型检验与拟合将从普通道路环境下重庆178路公交调查获得的180份问卷的数据进行整理，代入Amos24.0中构建的公交乘客满意度与延误关系模型，输出的普通公交环境下的公交乘客满意度与延误关系初始模型标准化路径系数见图5.2，潜变量与观测变量相关参数分别见表5.1和表5.2，模型的拟合检验情况见表5.3。图5.SEQ图5.\*ARABIC2普通公交初始模型标准化路径系数图表5.SEQ表5._\*ARABIC1普通公交潜变量参数路径EstimateS.E.C.R.P延误影响度<乘客期望0.4810.04610.375***延误感知<乘客期望0.5880.04214.023***乘客满意度<乘客期望0.3810.3091.2350.217乘客满意度<延误感知-0.7110.452-1.5750.115乘客满意度<延误影响度-0.620.223-2.780.005表5.SEQ表5._\*ARABIC2普通公交观测变量参数路径EstimateS.E.C.R.PW1<乘客期望1W2<乘客期望0.7950.04717.094***W3<乘客期望0.8920.04918.142***W4<乘客期望0.9410.04919.169***X1<延误感知1X2<延误感知1.1250.09511.905***X3<延误感知1.1590.09112.778***Y7<延误影响度1Y6<延误影响度1.2390.1349.251***续表5.SEQ表5._\*ARABIC2普通公交观测变量参数路径EstimateS.E.C.R.PY5<延误影响度1.3820.12610.948***Y4<延误影响度1.2780.1488.662***Y3<延误影响度1.0630.1139.368***Y2<延误影响度1.2180.1349.123***Y1<延误影响度1.2100.12010.070***Z3<乘客满意度1Z2<乘客满意度1.2730.1448.845***Z1<乘客满意度1.3170.1459.075***表5.SEQ表5._\*ARABIC3普通公交模型初始拟合度指标检验指标CMIN/DFRMSEAGFICFIIFI标准值<3.00<0.05>0.90>0.90>0.90实际值1.7250.0640.8710.5540.601从表5.1变量间路径的显著关系来看，普通道路环境下（178路公交）的H3、H4路径的P值均大于0.05，路径关系不显著。从表5.3的模型拟合检验情况来看，RMSEA、GFI、CFI、IFI均不符合标准值，说明模型和普通公交数据的配适度较低，必须对模型做进一步的调整。专用道公交的模型检验与拟合将从专用道公交重庆10路公交调查获得的180份问卷的数据进行整理，代入Amos24.0中构建的公交乘客满意度与延误关系模型，输出的公交专用道环境下的公交乘客满意度与延误关系初始模型标准化路径系数见图5.3，潜变量与观测变量相关参数分别见表5.4和表5.5，模型的拟合检验情况见表5.6。图5.SEQ图5.\*ARABIC3公交专用道初始模型标准化路径系数图表5.SEQ表5._\*ARABIC4公交专用道潜变量参数路径EstimateS.E.C.R.P延误影响度<乘客期望0.5680.05610.201***延误感知<乘客期望0.770.05613.779***乘客满意度<乘客期望-0.210.375-0.5610.575乘客满意度<延误感知-0.5180.212-2.4510.014乘客满意度<延误影响度-0.2540.511-0.4960.620表5.SEQ表5._\*ARABIC5公交专用道观测变量参数路径EstimateS.E.C.R.PW1<乘客期望1W2<乘客期望0.9060.05117.899***W3<乘客期望0.8610.04419.627***W4<乘客期望0.8960.05316.819***X1<延误感知1X2<延误感知0.9010.07312.34***X3<延误感知0.9880.07413.286***Y7<延误影响度1Y6<延误影响度1.3960.13510.372***续表5.SEQ表5._\*ARABIC5公交专用道观测变量参数路径EstimateS.E.C.R.PY5<延误影响度1.0870.1218.982***Y4<延误影响度42***Y3<延误影响度1.2770.1379.305***Y2<延误影响度1.5140.1579.65***Y1<延误影响度1.5940.1719.295***Z3<乘客满意度1Z2<乘客满意度0.9610.06814.181***Z1<乘客满意度1.1530.08413.675***表5.SEQ表5._\*ARABIC6公交专用道模型初始拟合度指标检验指标CMIN/DFRMSEAGFICFIIFI标准<3.00<0.05>0.90>0.90>0.90实际值1.3580.0450.8980.6870.732从表5.4各变量间路径的显著关系来看，公交专用道环境下（10路公交）的H3、H5路径的P值均大于0.05，路径关系不显著。从表5.6的模型拟合检验情况来看，GFI、CFI、IFI均不符合标准值，说明模型和公交专用道数据的配适度较低，必须对模型做进一步的调整。模型优化在模型优化过程中，通过Amos输出的修正指标（ModificationIndices,MI）和参数变化值（ParChange）指导调整。MI值反映新增路径对模型卡方值的潜在降低幅度（MI越高表示修正效果越显著），ParChange值则量化参数调整对协方差结构的预期影响。优先释放高MI且理论合理的路径（如MI>10），逐步迭代优化直至卡方自由度比（CMIN/DF）、RMSEA等核心适配指标达标，同时确保参数调整符合理论逻辑以避免过度拟合。普通公交的模型优化根据表5.7的修正指标分析，若在模型中允许误差变量e1与e20建立协方差关系（即双向关联），预计模型整体卡方值将减少11.547，同时二者协方差降低0.064。最终应通过对比修正前后适配指标（如RMSEA、CFI）的变化验证优化的有效性。表5.SEQ表5._\*ARABIC7普通公交初始修正指标路径M.I.ParChangee17<>e194.379-0.032e9<>e155.9850.084e9<>e84.1890.064e11<>e106.1730.057e7<>e127.621-0.081e5<>e126.6090.067e3<>e124.880.061e3<>e75.0810.062e3<>e54.667-0.056e2<>e184.697-0.032e2<>e207.3310.050e2<>e175.4940.058e2<>e65.510.065e1<>e2011.547-0.064e1<>e154.746-0.063e1<>e126.076-0.071e1<>e75.095-0.066重复以上步骤对模型进行优化，最终得到优化后的普通公交模型拟合指标，如表5.8所示，所有指标均符合标准值范围。表5.SEQ表5._\*ARABIC8优化后普通公交模型拟合指标检验指标CMIN/DFRMSEAGFICFIIFI标准值<3.00<0.05>0.90>0.90>0.90实际值1.1170.0260.9190.9300.939公交专用道的模型优化根据表5.9的修正指标分析，若允许公交专用道模型中误差变量e10与e15建立协方差关系（双向关联），模型整体卡方值预计减少7.737，表明该修正可显著提升模型适配度。ParChange值表示e1和e20之间的协方差预计将减少0.085，从而改变模型的拟合度。表5.SEQ表5._\*ARABIC9公交专用道初始模型修正指标路径M.I.ParChangee16<-->e155.663-.076e17<-->e166.332.074e10<-->e206.977.060e10<-->e157.737.085e10<-->e95.271-.082e11<-->e107.412.086e12<-->e114.372-.077e13<-->e84.615-.073e13<-->e105.423-.074e14<-->e186.990.040e14<-->e105.373.081e14<-->e115.548-.087e14<-->e134.985.076e2<-->e34.992-.051e1<-->e194.435-.044重复以上步骤对模型进行优化，最终得到优化后的公交专用道模型拟合指标，如表5.10所示，所有指标均符合标准值范围。表5.SEQ表5._\*ARABIC10优化后公交专用道模型拟合指标检验指标CMIN/DFRMSEAGFICFIIFI标准值<3.00<0.05>0.90>0.90>0.90实际值1.0950.0230.9210.920.933假设验证分析根据标准化路径系数值对所提出的假设进行验证。普通公交各潜变量间的路径系数及假设验证分析结果如表5.11和5.12所示。普通公交路径假设验证分析表5.SEQ表5._\*ARABIC11普通公交非标准化路径参数路径EstimateS.E.C.R.P延误影响度<乘客期望0.5040.04810.604***延误感知<乘客期望0.6110.04314.283***乘客满意度<乘客期望0.7870.4871.6150.106乘客满意度<延误影响度-0.8560.294-2.9130.004乘客满意度<延误感知-1.1150.715-1.5610.119表5.SEQ表5._\*ARABIC12普通公交路径假设结果假设假设内容结果H1乘客期望对延误影响度有正向的直接影响成立H2乘客期望对延误感知有正向的直接影响成立H3乘客期望对乘客满意度有负向的直接影响不成立H4延误影响度对乘客满意度有负向直接影响成立H5延误感知对乘客满意度有负向直接影响不成立普通公交各潜变量间的路径系数及假设验证分析如表5.12所示。H1、H2假设在统计上非常显著，表明乘客期望对延误影响度和延误感知有显著的正向影响。H4假设也显著，表明延误影响度对乘客满意度有负向直接影响。H3和H5假设在统计上不显著，表明乘客期望和延误影响度对乘客满意度没有显著影响。普通公交乘客满意度与延误模型中各变量间的关系如图5.4所示。图5.SEQ图5.\*ARABIC4修正后普通公交模型标准化路径系数修正后的普通公交模型反映出以下信息：乘客期望对于延误感知所产生的直接影响，在模型里是最为突出的，其标准化路径系数达到了0.97，这也就证实了H2路径是成立的，这意味着乘客期望每提升1个标准差，那么延误感知就会相应地增加0.97个标准差，在优化过后的测量模型当中，W3在乘客期望方面的因子载荷是最高的，其值为β=0.92，且p<0.001，车辆准时到站乃是乘客期望的核心测量指标。和初始模型里的W4，也就是实时信息发布相比较而言，因子载荷以及路径系数的变化体现出了模型从侧重于“信息透明度”转变为侧重于“服务准时性”的优化进程，这样的一种调整或许更加契合实际的乘客行为逻辑，即准时到站属于基础需求，而实时信息则是辅助工具。X1在延误感知潜变量上的因子载荷最高（β=0.85,p<0.001），说明地图显示拥堵感知到延误是延误感知的主要方式。从初始模型中X3（听同车乘客谈论感知到延误）的转变，反映了乘客延误感知方式从社会互动驱动转向数据驱动的优化过程。这一变化符合数字化出行趋势，也提示公共交通服务应更注重与数字化软件的协同。延误影响度对乘客满意度有负向的直接影响，标准化系数为-1.00（证实H4路径成立）。表明当延误对乘客的行程安排、工作或生活计划等造成的影响越大，乘客的满意度显著降低。Y5的因子载荷最大（与初始模型相同），为0.86。强调了交叉口处信号配时不合理导致的时间损失对普通公交乘客确实产生了严重影响。e1和e20二者之间的相关系数是-0.71，这意味着在出现延误的情形下，乘客对于安全性的期望跟最终的乘客满意度之间呈现出负向联系，展开来说，当乘客在公交出现延误状况时对安全性期望比较高，那么他们对整体旅行体验的满意度一般就比较低，这种现象或许是因为高期望没有得到充分契合而产生失望情绪，又或者是在延误状态下，乘客对安全性的高度关注使得其他服务或者流程中的不足更加明显，对他们的整体满意度造成了影响。公交专用道路径假设验证分析表5.SEQ表5._\*ARABIC13公交专用道非标准化路径参数路径EstimateS.E.C.R.P延误影响度<乘客期望0.5280.0569.377***延误感知<乘客期望0.7640.05613.759***乘客满意度<乘客期望0.0190.2840.0670.947乘客满意度<延误影响度-0.7160.389-1.8410.066乘客满意度<延误感知-0.5030.21-2.3930.017表5.SEQ表5._\*ARABIC14公交专用道路径假设结果假设假设内容结果H1乘客期望对延误影响度有正向的直接影响成立H2乘客期望对延误感知有正向的直接影响成立H3乘客期望对乘客满意度有负向的直接影响不成立H4延误影响度对乘客满意度有负向直接影响不成立H5延误感知对乘客满意度有负向直接影响成立公交专用道各潜变量间的路径系数及假设验证分析如表5.13所示。H1、H2假设在统计上非常显著，表明乘客期望对延误影响度和延误感知有显著的正向影响。H5假设也显著，表明延误感知对乘客满意度有负向直接影响。H3和H4假设在统计上不显著，表明乘客期望对乘客满意度没有显著影响，延误影响度对乘客满意度的影响接近显著，但可能因为样本数量偏少，没有足够证据。公交专用道乘客满意度与延误模型中各变量间的关系如图5.5所示。图5.SEQ图5.\*ARABIC5修正后公交专用道模型标准化路径系数图修正后的公交专用道模型说明以下信息：乘客期望对于延误影响度所产生的直接影响，在模型里表现得极为突出，标准化路径系数为0.98，这证实了H1路径是成立的，也就意味着乘客期望每提高1个标准差，延误感知会相应地增加0.98个标准差，W1在乘客期望方面的因子载荷是最高的，其值为β=0.92，p<0.001，从“车内拥挤程度”至“延误时安全性”的权重出现了变化，这种转变揭示出乘客心理预期有情境依赖性，日常服务质量是由基础体验占据主导地位的，而在异常状态下，安全需求则成为了核心诉求。延误感知对顾客满意度有负向影响（证实H5路径成立），标准化路径系数为-0.51。X1在延误感知潜变量上的因子载荷最高（β=0.85,p<0.001），说明地图显示拥堵感知到延误是延误感知的主要方式（普通公交相同）。延误影响度对乘客满意度有负向的直接影响（证实H4路径成立），标准化系数为-0.48。Y1的因子载荷最大（与初始模型结果一致），为0.86，强调需要对站台进行优化，减少因站台处车辆进站排队导致的时间损失。e14与e18之间的相关系数为0.62，反映出在面对延误情况时，交叉口处行人抢红灯过斑马线所引起交叉口处行人抢红灯过斑马线导致的行车时间损失与延误影响度之间展现出显著的正相关性。具体从交通系统角度看，交叉口处行人抢红灯导致的行车时间损失可能会引发其他延误情况，干扰本就因延误而紧张的交通流，进而使延误的影响在交通网络中进一步扩散和加剧。本章小结本章聚焦于模型拟合与优化展开论述，针对普通公交以及专用道公交系统，分别开展模型检验与拟合工作，借助拟合优度指标，例如RMSE、R²，以及统计检验方法，验证了两类模型的适配性以及预测能力，揭示出不同公交系统的运行特征以及关键影响因素，为后续的优化工作提供了基准框架。依据拟合结果对两类模型实施针对性优化，依靠参数调校、变量筛选以及算法改进，提升了普通公交模型的泛化能力，同时优化了专用道公交模型在复杂路况下的动态响应精度，保证模型更符合实际运营需求，结合研究假设开展路径验证分析，运用统计检验方法，对普通公交与专用道公交的路径假设进行实证检验，量化评估不同路径对运营效率的影响。结果显示，两类公交系统的核心假设均获得数据支持，明确了优化路径的优先级以及实施方向，借助系统化的模型构建与优化，提高了研究结论的可信度，还为公交运营策略的制定提供了科学的理论依据与技术支撑。

结论与建议对比分析公交乘客满意度评价公交乘客满意度是衡量公共交通服务质量的核心依据。如图6.1为本研究乘客满意度情况对比图：图6.SEQ图6.\*ARABIC1乘客满意度对比与普通公交相比，公交专用道的满意度、忠诚度、推荐意愿三个纬度都显著高于普通公交，证实了公交专用道的设置有效增强了乘客满意度。乘客期望对比分析图6.SEQ图6.\*ARABIC2乘客期望对比乘客对公交服务的整体期望较高。公交专用道有效满足了乘客对准时性的期望，且信息系统更加透明化。公交专用道需要重视乘客对安全性的诉求。延误感知对比图6.SEQ图6.\*ARABIC3延误感知对比公交专用道乘客和普通公交乘客对于不同方式对延误的感知程度差距较小，证实了4.3.2、4.6.4所得结论。延误影响度对比图6.SEQ图6.\*ARABIC4延误影响度对比交叉口处信号配时不合理是所研究普通公交线路最突出的问题，且显著高于公交专用道。公交系统管理建议根据上文分析结果，所研究公交系统还存在一些问题有待解决，如表6.1对本研究发现的问题进行了总结，并提出有效建议：表6.SEQ表6.\*ARABIC1结论与建议序号结论建议1普通公交受社会车辆影响显著（由4.3.2、4.6.4）在交通流量大的主干道或公交高频路段设置全时段或高峰时段公交专用道，通过物理隔离（如护栏）或标线明确专用路权，避免社会车辆占用。结合智能监控（如电子警察）对违规占用车道的社会车辆自动抓拍处罚。续表6.SEQ表6.\*ARABIC1结论与建议2乘客希望提高普通公交的准时性，交叉口处信号配时不合理（由5.3.1）智能信号控制：通过GPS或车载设备实时监测公交车位置，在接近路口时动态延长绿灯时间或缩短红灯时间，减少公交车的等待延误。在交通拥堵区域（如商圈、学校）设置短途接驳公交，减少主干线压力。3公交专用道车辆进站排队（由5.3.2）将传统直线式站台改为内凹式港湾站台，减少公交车停靠时对专用道的占用，避免后续车辆排队等待。利用GPS和客流监测数据动态调整发车间隔，避免多车集中到站。高峰时段通过后台算法延长或缩短发车间隔，平衡车距。部分车辆跳过排队严重的站点，或开通仅停靠大站的直达车，缓解车流堆积。4乘客期待得到实时信息发布、依赖地图软件（由4.5.2、5.3.1、5.3.2）通过车载GPS及交通大数据平台，实时采集车辆位置、行驶速度、拥堵路段信息，结合路况算法预测到站时间。与主流地图服务商合作，提供实时分析数据，标注延误原因（如“前方进站排队”“路口信号延迟”），而非仅显示“拥堵”，减少乘客误解。借助历史数据以及AI预测模型，可向乘客呈现出不同时段的典型延误概率，以此辅助乘客提前做好行程规划。于公交站台处或者车内屏幕呈现实时进站排队的长度以及预计等待的时间，例如会显示“前方有3辆公交车正在排队进站，预计等待时长为5分钟”。5普通公交和专用道公交的乘客都重视延误时行车安全性（由5.3.1）推行“安全服务日志”公示举措，借助车载屏幕等设备来显示当日车辆消毒的具体记录、司机岗前安检所得到的结果以及紧急设备检测呈现出的状态等一系列可量化的数据。强化针对驾驶员的安全行车培训工作，培训内容囊括防御性驾驶技巧、恶劣天气下的应对方法以及紧急情况的处置措施等方面，同时注重关注驾驶员的身心健康状况。需定期开展检修保养工作，严格依照相关标准实施车辆年检以及日常维护，其中要着重检查刹车系统、轮胎磨损状况、灯光以及转向系统等关键部件，针对智能化监测防抱死系统、电子稳定系统等，进行实时监控车辆状态的操作，可提前发出故障预警。借助过往的历史事故数据来辨认出高风险路段以及时段，对行车路线给予优化。研究局限与展望研究局限性研究地域仅为重庆，而重庆因山地地形、道路结构（如坡道、桥梁）和交通管理政策具有特殊性，结论可能不适用于平原城市或交通模式差异较大的地区。由于本人科研能力有限，研究只选取了两条线路，未能涵盖所有线路进行深入调查与对比分析，因此所得结论可能无法全面代表所有公交线路的实际情况。乘客满意度依赖问卷调查，易受即时情绪、个人偏好等影响，存在主观偏差。缺乏长期跟踪，数据收集周期短，这使得所收集的数据难以全面、客观地反映公交运营的真实情况及其随时间的变化趋势。未来研究方向选取不同地形与交通结构的城市，进一步分析普通公交与公交专用道在多样化城市环境中的乘客满意度与延误关系对比分析。增加研究线路数量并扩大样本规模，涵盖更多样本以提升数据的丰富性和代表性，从而增强研究结论的普适性和说服力。借助将问卷调查与客观行为数据进行综合运用，像公交GPS轨迹所计算得出的实际延误时间这类数据，让二者相互起到印证的作用，降低因单一主观数据而产生的偏差，促使研究结果可更加精准且可靠。将数据采集周期延长至1年多，使其涉及不同季节、节假日以及极端天气等情况，对公交服务质量的动态变化展开分析，以此可全面且客观地评估公交服务水平，为城市公交规划与管理提供更有价值的决策依据。本章小结本章借助全面且深入的对比分析以及相应的策略研究工作，可为公交服务的优化进程以及学术层面的探索活动，提供有较高价值的参考内容，起初会从多个不同维度出发，对普通公交和专用道公交之间存在的差异展开对比分析，紧接着，会针对公交系统的管理工作，提出有差异化特点的相关建议。会对当前所存在的局限性展开研究与反思，并对未来的发展方向进行展望，如此一来，可为公交服务的优化工作提供有可操作性的具体路径，还可为交通管理领域的学术研究工作开辟全新的探索空间。

参考文献WahabNS,HamzahIM,SukiMN,etal.Unveilingpassengersatisfactioninrailtransitthroughaconsumptionvaluesperspective[J].MultimodalTransportation,2025,4(1):100196-100196.SaeidiT,MesbahM,HabibianM,etal.PassengerSatisfactionacrossMultiplePublicTransitModes[J].TransportationResearchProcedia,2025,821637-1653.AlatiyyahM.OptimizingLong-DistanceElectricVehicleRoutesBasedonPassengerSatisfactionModel[J].WorldElectricVehicleJournal,2024,16(1):3-3.LodhiSA,JaiswalA,SharmaNS.Assessingbususerssatisfactionusingdiscretechoicemodels:acaseofBhopal[J].InnovativeInfrastructureSolutions,2024,9(11):437-437.AnwerI,JavidAM,YousufIM,etal.Travelers’PropensitytoUseIntercityRailwayServicesinEmergingEconomies:SignificanceofPassengers’SatisfactionandCommunicationTechnologies[J].Sustainability,2024,16(20):8921-8921.IbrahimHNA,BorhanNM,YazidMRM,etal.ModellingofPassengerSatisfactionandReuseIntentionwithMonorailServicesinKualaLumpur,Malaysia:AHybridSEM-ANNApproach[J].Mathematics,2023,11(15):ZefrehMM,HussainB,SiposT.In-DepthAnalysisandModelDevelopmentofPassengerSatisfactionwithPublicTransportation[J].KSCEJournalofCivilEngineering,2020,24(10):1-10.XinhuanZ,HongjieL,MingmingX,etal.Evaluationofpassengersatisfactionofurbanmulti-modepublictransport.[J].PloSone,2020,15(10):e0241004-e0241004.ShangH,HuangH,WuW.Bustimetablingconsideringpassengersatisfaction:Anempiricalstud