關(guān)于服務(wù)質(zhì)量屬性水平與顧客滿意度的非線性模型

1、關(guān)于效勞質(zhì)量屬性水平與顧客滿意度的非線性、非對稱性關(guān)系的研究很多，其中以Kano模型應(yīng)用最為廣泛，是其他研究的理論根底。下面將介紹Kano模型的內(nèi)容以及質(zhì)量屬性類別歸屬識別方法。2.2.3.1 Kano模型受行為科學(xué)家赫茲伯格的雙因素理論的啟發(fā)，Kano等(1984)44在對大量的問卷的分析根底上，發(fā)現(xiàn)單維度的質(zhì)量認(rèn)知方法并不能充分揭示出顧客的偏好和行為，進一步通過大量的理論和實證研究，建立起對質(zhì)量屬性滿足狀況和滿意程度的雙維度認(rèn)知，如圖5所示。圖 1 Kano模型根據(jù)不同類型的質(zhì)量屬性與顧客滿意度之間的關(guān)系，Kano將產(chǎn)品/效勞的質(zhì)量屬性分為五類 ：1 魅力屬性(Attractive qua

2、lity)：魅力質(zhì)量屬性可以被描述為驚奇或驚喜的屬性。這類屬性對顧客滿意狀況具有很強的正面影響。一旦得到滿足，將會對顧客的滿意狀況產(chǎn)生超比例的提升，并有利于培養(yǎng)顧客的忠誠度。反過來，這類屬性即使沒有得到滿足，顧客的滿意狀況也不會明顯下降。2 必備屬性(Must-be quality)：必備質(zhì)量屬性是顧客對產(chǎn)品或效勞的根本需求。不滿足時會引起不滿，但滿足不會帶來更高的顧客滿意度，因為顧客認(rèn)為那是理所當(dāng)然的。3 線性屬性(One dimensional quality)：線性質(zhì)量屬性是指顧客滿意狀況與屬性的滿足程度成比例關(guān)系的屬性。滿足時會導(dǎo)致滿意，不滿足時會引起不滿。4 無差異屬性(Indiff

3、erent quality)：是質(zhì)量中既不好也不壞的方面，它們不會導(dǎo)致顧客滿意或不滿意。5 逆向?qū)傩?Reverse quality)：逆向?qū)傩灾敢饛娏也粷M的質(zhì)量特性和導(dǎo)致低水平滿意的質(zhì)量屬性，因為并非所有的消費者都有相似的喜好。Kano模型給顧客滿意度理論帶來的新鮮思想是不同質(zhì)量屬性對顧客滿意度影響的機制是不同的，因此在制定質(zhì)量改良策略時需要考慮這個因素。2.2.3.2 質(zhì)量屬性類別歸屬識別方法質(zhì)量屬性類別歸屬的識別方法即是如何識別出每一個特定質(zhì)量屬性歸屬于哪一個類別的問題。1) Kano問卷法(Kano questionnaire)Kano開發(fā)了一個結(jié)構(gòu)型客戶問卷法來幫助確認(rèn)不同功能的質(zhì)

4、量屬性，以消除客戶調(diào)查中的模糊性，這個方法比擬直觀，根本步驟如下: 從質(zhì)量特性滿足與否兩個角度設(shè)計問卷，如表7所示。針對每一屬性的配對問題,每個被訪者可得到5×5種可能的答復(fù)組合, Kano給出了典型的屬性分類,如表8所示,表中,“A表示魅力質(zhì)量,“M表示必備質(zhì)量,“O表示線性質(zhì)量,“I表示無差異質(zhì)量,“R表示逆向質(zhì)量,“Q表示有問題的答復(fù)。最后，將所有被訪者對每個屬性的歸類進行匯總，選擇頻數(shù)最大的一類作為該屬性最終的類別歸屬。如表9所示，針對屬性“護士的效勞態(tài)度，總體樣本922人中認(rèn)為該屬性應(yīng)該歸為線性質(zhì)量的人數(shù)最多，因此該屬性被判定為線性質(zhì)量。表 1 Kano問卷的數(shù)據(jù)采集格式如

5、果護士的效勞態(tài)度較好，您會如果護士的效勞態(tài)度不好，您會(1)我喜歡(1)我喜歡(2)理應(yīng)如此(2)理應(yīng)如此(3)無所謂(3)無所謂(4)我能忍受(4)我能忍受(5)我不喜歡(5)我不喜歡表 2 Kano模型分析的質(zhì)量屬性分類產(chǎn)品或效勞提供此功能產(chǎn)品或效勞不提供此功能喜歡理應(yīng)如此無所謂能忍受不喜歡喜歡QAAAO理應(yīng)如此RIIIM無所謂RIIIM能忍受RIIIM不喜歡RRRRQ表 3 質(zhì)量屬性歸類匯總及判別舉例質(zhì)量屬性魅力(A)必備(M)線性(O)無差異(I)逆向(R)其他質(zhì)量屬性歸屬類護士的效勞態(tài)度1237749922111線性O(shè)2) 關(guān)鍵事件法(Critical incident techni

6、que,CIT)關(guān)鍵事件法最早由Flanagan(1954)47提出。很多的學(xué)者將其應(yīng)用于效勞質(zhì)量領(lǐng)域來確定滿意度影響因素48,49,50。這個方法潛在的思想是有些事件只會導(dǎo)致不滿，而不會與滿意相關(guān)，而有些事件那么只會讓人滿意，而不會引起人們的不滿，還有些事件既可能帶來不滿也可能帶來滿意。這三類事件分別對應(yīng)于必備屬性、魅力屬性和線性屬性。根據(jù)這個方法，顧客將會被詢問，一方面想想他們感覺滿意的時候并描述為什么他們感覺很快樂，另一方面，讓他們想想他們感覺不滿意的時候并描述為什么他們感覺這么不快樂。將這些細節(jié)總結(jié)成關(guān)鍵詞并最終關(guān)聯(lián)到一系列的屬性。通過比擬每個屬性在滿意情境和不滿意情境中被提到的頻次，

7、得到滿意度組成的因素結(jié)構(gòu)。例如圖6顯示的Johnston(1995) 49年對銀行業(yè)滿意度因素的研究,attensiveness/helpfulness主要出現(xiàn)在滿意情境中，而很少出現(xiàn)在不滿意情境中，說明這個屬性是屬于魅力質(zhì)量；Integrity主要出現(xiàn)在不滿意情境中，而幾乎沒在滿意情境中出現(xiàn)，說明這個屬性是必備質(zhì)量；而commnunication這個屬性引起滿意與不滿意的頻次差不多，說明這是一個線性屬性。圖 2 將關(guān)鍵事件法應(yīng)用于確定滿意因素與不滿意因素的舉例3) 多元虛擬變量回歸分析法(Regression analysis with dummy variables)Brandt (198

8、7)51, Mittal et al. (1998)46 and Anderson and Mittal (2000)52等使用多元虛擬變量回歸分析法來確定質(zhì)量屬性對顧客總體滿意度的非線性、非對稱性影響。傳統(tǒng)的回歸方程用質(zhì)量屬性水平作自變量、顧客滿意度為應(yīng)變量做多元線性回歸，得到各個屬性對顧客滿意度的影響，是基于屬性在不同水平上對顧客滿意度的影響是相同的。多元虛擬變量回歸分析法那么認(rèn)為一個屬性它的質(zhì)量水平處于低值和高值時，對顧客滿意度的影響是不同的。在這個方法里，屬性水平用虛擬變量(高水平狀態(tài)，低水平狀態(tài))來表示。例如當(dāng)屬性水平表現(xiàn)較高時，那么對應(yīng)的虛擬變量為(1,0)；當(dāng)屬性水平表現(xiàn)較低時，

9、那么對應(yīng)的虛擬變量為(0,1)；當(dāng)屬性水平處于中間值時，那么對應(yīng)的虛擬變量為(0,0)。至于怎么界定屬性水平的上下，不同學(xué)者有不同的界定標(biāo)準(zhǔn)。通常是通過Likert5點或7點量表來測量原始屬性水平，中值(3或4)以下的為低水平，以上的為高水平。應(yīng)用虛擬變量回歸分析法，每個屬性將得到對應(yīng)于高水平和低水平的兩個系數(shù)，反映了屬性在不同水平時對顧客滿意度的影響。通過比擬高水平狀態(tài)系數(shù)和低水平狀態(tài)系數(shù)的符號正負(fù)、絕對值大小和是否顯著來判定每個屬性屬于哪一類Kano屬性。4) 重要度晶格分析法(Importance Grid Analysis,IGA)重要性晶格起源于IBM咨詢公司，它是一個二維矩陣，一維

10、是屬性的顯性重要度(顧客評定的重要度)，另一維是隱性重要性(統(tǒng)計得到的重要度)，主要用來確定顧客滿意度的因素結(jié)構(gòu)53。該方法的根本原理如下：必備屬性是產(chǎn)品或效勞的核心特征，因此顧客在評定其重要度時會給予一個很高的值，但由于必備屬性是不滿意的來源，它們不會顯著地影響顧客的總體滿意度，因此經(jīng)過統(tǒng)計得到的隱性重要度將會較低；而由于魅力屬性是顧客沒有想到的屬性，因此顧客在評定其重要度時會給予其較低的值，但由于魅力屬性是滿意的來源，它們對顧客的總體滿意度會有顯著影響，亦即隱性重要度較高；而線性屬性既是滿意又是不滿意的來源，當(dāng)顧客評定其重要度高時，其對總體滿意度將會有較大的影響，當(dāng)顧客評定其重要度低時，其

11、對總體滿意度的影響較小。將顯性重要度和隱性重要度結(jié)合起來組成的二維重要度晶格，可以確定三類質(zhì)量屬性(如圖7所示)。圖 3 重要度晶格5) 質(zhì)量屬性水平于顧客總體滿意度的非線性回歸分析法Eskildsen and Kristensen (2006)54 和 Otani, Harris and Tierney (2003)55使用二次函數(shù)模型來檢驗質(zhì)量屬性對總體滿意度是否有非線性影響。非線性模型如下：其中Y是預(yù)測的顧客總體滿意度，是屬性的表現(xiàn)水平，是截距，和分別為一次項系數(shù)和二次項系數(shù)。當(dāng)為正數(shù)時，如果也為正，那么這是一個邊際遞增的函數(shù)，意味著屬性為魅力屬性；為負(fù)值時，那么這是一個邊際遞減的函數(shù)，

12、意味著屬性為必備屬性；當(dāng)為0時，那么屬性是線性屬性?？v觀這些方法，Kano問卷法和關(guān)鍵事件法采用主觀提問的方法，簡單易操作，但是都需要被提問人回憶或者想象某種情景下自己的感受，具有很大的主觀性和不確定性。學(xué)者們在同時測試虛擬變量回歸分析法和重要度晶格分析法時，大都認(rèn)為前者優(yōu)于后者56,57。重要度晶格法，一方面是因為這種方法缺乏具有說服力的理論依據(jù)；另一方面該方法中通過統(tǒng)計回歸得到的隱性重要度是一個靜態(tài)的平均值，而Kano模型認(rèn)為屬性重要度時隨著屬性水平的變化而變化的。從這個角度上看，虛擬變量回歸分析法和非線性回歸分析法是更適宜的方法，因為這兩種方法是通過分析質(zhì)量屬性處在不同水平上對總體滿意度的影響不同來表達幾類Kano屬性的存在。在本文中，我們采取前者而沒有用后者，有兩方面的原因：1.兩種方法所需估計的系數(shù)都是屬性個數(shù)的兩倍，但是由于后者是非線性回歸，對樣本數(shù)據(jù)量要求更高；2.由于屬性水平測量時采用的是Likert7點量表，僅有7個離散值，非線性回歸結(jié)果不顯著。of rural drinki