Request Acceptance Prediction and Couriers’ Continued Participation Models in Crowdsourced Last-Mile Logistics in Saudi Arabia. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Submitted Thesis file to library and dgs(Mohammed Alromema).pdf Restricted to Repository staff only until 25 December 2025. Download (4MB)

Arabic Abstract

تعالج الخدمات اللوجستية للتوصيل الجماعي تحديات تسليم الطلبات في المناطق الحضرية، معتمدة على مشاركة السائقين المستمرة لقبول الطلبات لتحقيق النجاح. تسعى هذه الدراسة إلى فهم وتوقع العوامل التي تؤثر على قبول السائق لطلب توصيل جديد في تسليم الطلبات كمرحلة أخيرة بالاعتماد على المساهمة الجماعية. حاليًا يوجد دراسات محدودة حول نماذج التنبؤ للأفراد لاستمرار المشاركة كسائقين في قبول مهام التوصيل. لهذا تسهم دراستنا بشكل كبير في فهم العوامل التي تؤثر على سلوك السائقين لمواصلة المشاركة في توصيل الطلبات بالاعتماد على المساهمة الجماعية وتوقع احتمال قبول الطلبات في المملكة العربية السعودية. أولاً، نقترح نموذجًا متكاملاً (SETM-UTAUT2) يجمع بين نموذج التبادل الاجتماعي (SETM) والنظرية الموحدة والموسعة لقبول واستخدام التكنولوجيا (UTAUT2). يهدف هذا النموذج المتكامل إلى استكشاف هذا الموضوع وتوفير إطار لفهم الخصائص الديموغرافية والمتغيرات السلوكية التي تؤثر على قرارات السائقين لمواصلة المشاركة في توصيل الطلبات كمرحلة أخيرة بالاعتماد على المساهمة الجماعية. يتم استخدام أدوات التعلم الآلي وبرنامج SPSS لتحليل البيانات لضمان النتائج القوية. لقد استخدمنا نهج استطلاع مختلط، يجمع بين الاستبيانات الورقية وعبر الإنترنت. حيث تم جمع عينة الاستبانة والتي تضم 345 مشاركًا وتم تحليل نتائجها باستخدام نمذجة المعادلات الهيكلية IBM SPSS Amos 26.0)). تشير النتائج إلى أن توقعات الجهد (EE)، الدافع الحسي (HM)، والحرية في العمل (WA) تؤثر على استعداد السائقين للاستمرار في توصيل الطلبات في الخدمات اللوجستية للتوصيل الجماعي. ومع ذلك، فإن عامل التقدير (EI)، والفائدة الاقتصادية (EB)، والمخاطر المدركة (PC) ليس لها تأثير كبير. كما أكددت الدراسة من خلال النتائج أن نية البقاء في الوظيفة تتأثر بالفروقات الحفزية بين سائقي التوصيل العرضيين والملتزمين. على الرغم من أن الفائدة الاقتصادية (EB) لا تؤثر بشكل ملحوظ على نية الاستمرار في توصيل الطلبات بشكل مباشر، إلا أنها تؤثر بشكل إيجابي وغير مباشر على سائقي التوصيل الذكور والملتزمين. ثانياً، من خلال دراستنا، قمنا بتحديد متغيرات التحكم (الجنس ونوع الوظيفة) المؤثرة على استمرارية قبول الطلبات مع العوامل الكمية مثل التعويض والمسافة والوقت في بعض سيناريوهات الاستطلاع لتطوير نموذج توقعي للتنبؤ باحتمالية قبول السائق لطلب معين باستخدام تقنيات التعلم الآلي مثل نماذج التعلم التجميعي (XGBoost, RF, and Soft Voting)، ونماذج التعلم العميق (ANN, GRU, LSTM, and AlexNet)، ونماذج التعلم الآلي التقليدية (DT, SVM, and LR)، حيث تم تقييم أدائها عبر معايير متعددة مثل معيار الدقة الشاملة (Accuracy)، و نسبة الدقة (Precision)، و مؤشر الاستدعاء (Recall) ، ودرجة (F1-score) . لقد أظهرت نماذج التعلم التجميعي والعميق أداءً متميزًا، حيث حقق كل من XGBoost وANNأعلى معدلات الدقة الشاملة (Accuracy) بلغت 91.06% وبلغت نسبة الدقة (precision) بحوالي89.97%. أما بالنسبة لقياس مؤشر الاستدعاء (recall) بلغت كل من XGBoost بمقدار 96.70%، وANN بحوالي 93.09%. بالمثل أشارت نتائج درجة (F1-score) في XGBoost بمقدار 91.43%،وANN بمقدار 91.46%. إضافة لذلك أظهرت نتائج تحليل الحساسية - بإضافة بيانات أكثر-الأداء الفائق لنموذج RFوXGBoost حقق نموذجا RF و XGBoost دقة شاملة (Accuracy) بنسبة 95.60% و95.49%، ودقة التنبؤ (Precision) بنسبة 95.79% و95.74%، واستدعاء (Recall) بنسبة 95.45% و96.35%، وقيم (F1-score) بنسبة 95.63% و95.50% على التوالي. تعكس هذه النتائج مستوى الإتقان والفعالية العالية للنماذج المستخدمة في الدراسة، مما يؤكد على قوة وموثوقية تقنيات التعلم الآلي في التنبؤ والتصنيف الدقيق. كما تسهم الدراسة على الدور الحيوي لاختيار السمات وضبط النماذج في تحقيق أداء تنبؤي قوي، وتحسين العمليات وفقًا للمتطلبات اللوجستية المتغيرة مع الوقت، مما يعزز كفاءة فعالية منصات الخدمات اللوجستية للتوصيل الجماعي في جذب والاحتفاظ بالسائقين

English Abstract

Crowdsourcing logistics addresses urban last-mile delivery challenges, relying on sustained couriers' participation for success. This study seeks to understand and predict factors influencing (i) individuals to continue participating as crowdsourced couriers and (ii) courier acceptance of a new delivery request in crowdsourced last-mile delivery in Saudia Arabia. Firstly, we propose an integrated model (SETM-UTAUT2) that combines the Social Exchange Theory Model (SETM) and extended the Unified Theory of Acceptance and Use of Technology (UTAUT2). This integrated model aims to explore this topic and provide framework for understanding demographic characteristics and the behavioral variables that influence couriers' decisions to continue participating in crowdsourcing last-mile delivery. We utilized a mixed-mode survey approach, incorporating paper and online questionnaires. A survey of 345 participants used structural equation modeling with IBM SPSS Amos 26.0 to analyze data. Findings indicate that Effort Expectancy (EE), Hedonic Motivation (HM), and Work Autonomy (WA) influence couriers' willingness to continue in crowdsourced delivery. However, Esteem Influence (EI), Economic Benefit (EB), and Perceived Concerns (PC) have no significant impact. The intention to stay on the job is influenced by the motivational differences between occasional and committed couriers. Although Economic Benefit (EB) does not significantly affect intentions to stay in crowd logistics overall, it positively influences male and committed couriers. Secondly, through an empirical study, we identify key control factors (gender and type of job) alongside quantitative factors such as compensation, driving distance, and time on the courier acceptance of a new delivery request. Using feature selection through a Binary Logit Model and comparing ten predictive Machine Learning (ML) models, including ensemble learning models (XGBoost, RF, and Soft Voting), deep learning models (ANN, GRU, LSTM, and AlexNet), and classic machine learning models (DT, SVM, and LR), we evaluate their performance across multiple metrics (Accuracy, Precision, Recall, and F1-score). Ensemble and deep learning models performed exceptionally well, with XGBoost and ANN both achieving the highest accuracy (91.06%), precision (89.97%), recall (96.70% for XGBoost, 93.09% for ANN), and F1-score (91.43% for XGBoost, 91.46% for ANN). Further sensitivity analysis using extended data highlighted that both RF and XGBoost demonstrated exceptional predictive capabilities. RF and XGBoost achieved an accuracy of 95.60% and 95.49%, precision of 95.79% and 95.74%, recall of 95.45% and 96.35%, and F1-score of 95.63% and 95.50%, respectively. These models optimize task acceptance predictions by considering time-sensitive logistic requirements, thereby enhancing the efficiency of last-mile delivery operations. The research also underscores the critical role of feature selection and model tuning in achieving robust prediction performance, ultimately contributing to more effective crowdsourcing platforms and improved courier participation.

Item Type:	Thesis (Masters)
Subjects:	Systems Engineering Research > Management
Department:	College of Computing and Mathematics > lndustrial and Systems Engineering
Committee Advisor:	Al Hanbali, Ahmad
Committee Members:	Baubaid, Ahmad and AlGhazi, Anas
Depositing User:	MOHAMMED AL-ROMEMA (g202113970)
Date Deposited:	26 Dec 2024 06:26
Last Modified:	26 Dec 2024 06:26
URI:	http://eprints.kfupm.edu.sa/id/eprint/143167