《Sustainability》:Customer Satisfaction in City Delivery Systems and Its Implications for Delivery Efficiency and Environmental Impacts: A Machine Learning Analysis
编辑推荐:
电子商务的快速增长加剧了城市地区的最后一公里配送(Last-Mile Delivery)活动,给城市物流系统带来了运营效率、拥堵和环境影响方面的挑战。在此背景下,理解影响顾客对物流运营商满意度的因素变得日益重要,因为顾客期望与配送服务特征之间的不匹配可能导致运
电子商务的快速增长加剧了城市地区的最后一公里配送(Last-Mile Delivery)活动,给城市物流系统带来了运营效率、拥堵和环境影响方面的挑战。在此背景下,理解影响顾客对物流运营商满意度的因素变得日益重要,因为顾客期望与配送服务特征之间的不匹配可能导致运营效率低下,如配送失败尝试和重复配送轮次。本研究提出了一种机器学习(Machine Learning, ML)框架,利用关于顾客特征、偏好和服务感知的调查数据,预测城市配送系统中顾客对邮政和物流运营商的满意度。研究人员开发并评估了多种机器学习算法,以识别顾客满意度的关键决定因素并评估其预测性能。除了预测准确性,本研究还将顾客满意度解释为顾客期望与配送服务配置之间对齐程度的指标。改进的对齐可能支持减少配送失配和重复配送尝试的服务配置,这些被认为是城市货运系统中额外运输活动的重要来源。通过识别其期望未被现有配送服务充分满足的顾客群体,所提出的框架可以支持更明智的服务设计和运营决策。从城市物流的角度来看,失败配送和重复配送轮次的潜在减少可能有助于降低与城市货运相关的车辆行驶公里数、拥堵、能耗和排放,尽管这些运营和环境指标未在本研究中直接测量。因此,所提出的方法提供了一种数据驱动的决策支持工具,可帮助运营商提高服务质量,并为未来在可持续最后一公里配送规划中与运营和环境指标相结合奠定基础。
**论文解读文章**
**研究背景与问题**
随着电子商务的迅猛增长,城市地区最后一公里配送(Last-Mile Delivery)活动显著增加,给城市物流系统带来了运营效率、交通拥堵和环境压力的多重挑战。失败配送尝试和重复配送轮次是运营低效的主要来源,不仅增加运营成本,还导致额外的车辆行驶公里数(Vehicle Kilometers Travelled, VKT)、能耗与排放。然而,现有研究对顾客行为如何影响配送效率与环境影响的认识仍不充分,顾客满意度作为连接需求与服务的核心变量,尚未被系统性地整合到预测性分析框架中。因此,本研究旨在开发一种基于机器学习的框架,通过预测顾客满意度来支持运营商选择,并探讨其潜在的对配送效率与环境改善的间接作用。该论文发表在《Sustainability》。
**关键技术方法**
该研究基于2023年2月至10月期间通过Google Forms收集的1239份有效问卷数据,样本来自城市密集区域的邮政与物流服务用户。主要方法包括:构建形式化的顾客画像(Customer Profile),整合人口统计学(Demographic)、地理人口统计学(Geodemographic)和偏好相关变量;采用线性回归(Linear Regression, LR)、随机森林(Random Forest, RF)和梯度提升(Gradient Boosting, GB)三种回归算法,在原始数据集及经过重采样(Resampling)扩展的数据集上分别训练并评估预测性能;通过五折交叉验证(5-Fold Cross-Validation)和网格搜索(GridSearchCV)优化超参数,使用平均绝对误差(Mean Absolute Error, MAE)、均方误差(Mean Squared Error, MSE)和决定系数(R2)评估模型,并采用Friedman检验进行统计比较,以及交叉验证的置换重要性(Permutation Importance)分析识别关键预测因子。
**研究结果**
**4.1 对运营商1的满意度预测**
通过对比分析,RF模型在预测运营商1的顾客满意度时表现最佳,对高评分(4和5)的准确率分别达到97.78%和78.13%,而LR和GB模型在低评分样本上预测能力有限。该结果表明RF能有效捕捉顾客特征与满意度之间的非线性关系。
**4.2 对运营商2的满意度预测**
对于运营商2,RF模型再次展现最高精度,对评分5的准确率为85.19%,对评分4的准确率达100%,显著优于LR和GB。LR对中低评分预测准确率为0%,GB预测曲线偏差较大。
**4.3 对运营商3的满意度预测**
运营商3的数据集上,RF模型同样表现最优,对评分4和5的预测精度很高,GB模型仍存在较大偏差,LR模型对中等及以上评分表现稳定但低于RF。
**4.4 扩展数据集上的满意度预测**
通过重采样平衡目标变量分布后,RF和GB模型均大幅提升,RF对评分1至5的准确率分别为100%、88.57%、88.25%、92.11%和82.11%,GB与之接近,而LR表现较差,仅对评分1和4有中等精度。
**4.5 模型性能评估与验证**
基于MAE、MSE和R2指标,RF在所有原始数据集上均最优(例如运营商1:MAE=0.264,MSE=0.113,R2=0.791),扩展数据集上RF进一步改善(MAE=0.159,MSE=0.100,R2=0.936)。Friedman检验证实模型间差异具有统计显著性(p<0.001),RF在四个数据集上均获得最低中位绝对误差。
**4.5.1 预测因子重要性分析**
交叉验证的置换重要性分析显示,预测因子重要性因运营商而异:对运营商1,顾客类别(Customer Category)是最稳定且最重要的预测因子;对运营商2,无单一主导因子;对运营商3,期望配送时间(Expected Delivery Time)是最突出的预测因子;扩展数据集上,期望配送时间和顾客类别均为稳定预测因子。
**4.6 基于顾客偏好的运营商选择**
RF模型被应用于三个顾客画像,为每位顾客预测三家运营商的满意度,并推荐最高分运营商。例如,顾客1(女性个人,18-25岁,偏好按件定价和速度)被推荐给运营商1(预测评分4.13),而顾客3(企业用户,6-10年运营,偏好价格)被推荐给运营商2(预测评分4.78)。
**讨论与结论**
讨论部分指出,本研究将顾客满意度从短期服务结果提升为影响需求分配和运营商定位的系统性变量,并构建了形式化顾客画像与预测模型的整合框架,弥补了现有文献中顾客画像缺乏数学形式化、满意度预测与运营商选择脱节的空白。研究结果表明,RF模型在预测精度和稳定性上优于LR和GB,且预测因子重要性呈现运营商特异性,提示运营商应针对不同顾客群体调整服务策略。从城市物流视角,该框架通过预测性建模支持更合理的服务配置,有望减少失败配送和重复配送,从而间接降低城市货运的环境压力。
研究结论部分翻译如下:电子商务的快速扩张和包裹配送需求的增长显著改变了城市物流系统,加剧了最后一公里配送活动,并带来了拥堵、运营效率和环境压力等新挑战。在此背景下,理解行为需求模式和顾客期望对于改善城市包裹配送服务的组织变得越来越重要。本文通过开发并实证评估一个基于机器学习的框架来预测顾客对邮政和物流运营商的满意度,解决了这些挑战。所提出的比较建模方法评估了线性回归、随机森林和梯度提升算法,以分析顾客特征和服务感知如何影响满意度结果和运营商偏好。实证结果表明,机器学习技术能够有效捕捉顾客属性与满意度之间的复杂关系。在评估的方法中,随机森林模型实现了最高的预测精度和稳定性。在真实数据集上,RF模型对运营商1的MAE=0.264,MSE=0.113,R2=0.791;对运营商2的MAE=0.264,MSE=0.116,R2=0.714;对运营商3的MAE=0.317,MSE=0.246,R2=0.769。在通过合成重采样生成的扩展数据集上,预测性能进一步提高(MAE=0.159,MSE=0.100,R2=0.936),表明在更平衡的目标变量条件下,基于集成学习的预测稳定性得到改善。除了预测性能,结果还表明,行为顾客数据可以为影响城市配送服务使用的需求模式提供有价值的见解。通过建模不同运营商的满意度,该框架能够识别期望与特定服务特征更为匹配的顾客群体,这可能支持城市包裹配送系统组织中更明智的决策。本研究提供了多项相互关联的科学贡献。首先,它引入了一种结构化的顾客画像分析表示,将人口统计、地理人口统计和服务相关属性整合到一个适用于预测分析的统一建模框架中。其次,它开发并实证评估了基于LR、RF和GB算法的比较机器学习框架,用于预测顾客满意度并支持邮政和物流市场中的运营商选择。第三,该研究通过明确将顾客满意度视为连接顾客特征与物流服务绩效的可量化结果变量,为将行为需求分析与物流系统建模相结合的研究体系做出了贡献。预测误差的统计比较进一步强化了方法学贡献,确认了模型间观察到的差异不仅具有描述性,而且具有统计显著性。此外,预测因子重要性分析通过对所有分析运营商中贡献最一致的顾客和服务属性进行识别,扩展了模型的解释能力。从城市物流系统的角度来看,该研究的更广泛贡献在于强调了行为需求模式在塑造城市货运活动组织中的作用。与配送速度、灵活性和服务质量相关的顾客偏好日益影响着城市中包裹配送需求在物流运营商之间的分布。通过建模多个运营商的顾客满意度,所提出的框架为城市配送市场中这些需求模式的结构化提供了分析见解。尽管环境指标并未直接嵌入预测模型,但该框架建立了一个行为分析层,可以支持更全面的城市物流分析。在这个意义上,该模型有助于连接微观层面的顾客行为与城市货运系统的更广泛组织,为未来与运营物流数据和面向可持续性规划方法的整合奠定了基础。除了理论和方法的关联性,该模型还为物流运营商和城市货运系统利益相关者提供了多项实际意义。对于物流运营商,顾客满意度的预测建模能够更详细地理解顾客细分,识别影响满意度水平的服务维度,并制定更符合顾客期望的配送策略。这些见解可能支持竞争性城市物流市场中更好的服务差异化和更具适应性的配送规划。从更广泛的城市物流角度来看,更好地理解行为需求模式也可能帮助城市规划者和政策制定者分析顾客期望如何影响城市地区包裹配送活动的分布和强度。当与运营物流数据相结合时,这些行为见解可能有助于制定更具数据驱动性和适应性的城市货运管理策略。尽管研究做出了贡献,但仍需承认若干局限性。所提出的框架在方法上具有可转移性,因为相同的建模过程可以应用于其他国家、运营商和时间段,前提是收集新的特定情境数据并相应重新训练和验证模型。然而,本研究中获得的实证结果应在调查进行的具体国家和时间背景下进行解释。由于数据仅在一个国家和一个时间段内收集,所获得的模型性能和识别的满意度模式不能在没有额外外部验证的情况下假设为普遍可推广。实证分析依赖于描述顾客特征和感知的调查数据,而运营配送数据和环境绩效指标未直接纳入预测建模框架。因此,所提出的顾客满意度、配送效率和环境绩效之间的关系仍然是概念性的,而非经过实证验证的。本研究中未包括任何物流绩效指标、失败配送数据、配送成功率、运输活动或环境指标,因此可持续性贡献应被理解为间接的。未来的研究应侧重于将行为预测模型与运营物流数据集整合,包括首次配送成功率、失败配送率、配送频率、行驶距离、路线特征、车辆类型、能耗、排放及其他环境绩效指标。这种整合将能够更全面地检验顾客驱动的需求模式如何影响城市货运系统的效率和环境绩效,从而加强行为建模与城市环境交互之间的分析联系。此外,未来的研究可以将所提出的基于回归的方法与有序回归和有序分类模型进行比较,以评估替代建模公式下预测性能和运营商排名的稳健性。未来研究还应包括跨国和纵向数据集,以检验所提出建模框架的时间稳定性、外部有效性和更广泛的可转移性。