关于服务质量属性水平与顾客满意度的非线性模型

1、关于效劳质量属性水平与顾客满意度的非线性、非对称性关系的研究很多，其中以Kano模型应用最为广泛，是其他研究的理论根底。下面将介绍Kano模型的内容以及质量属性类别归属识别方法。2.2.3.1 Kano模型受行为科学家赫兹伯格的双因素理论的启发，Kano等(1984)44在对大量的问卷的分析根底上，发现单维度的质量认知方法并不能充分揭示出顾客的偏好和行为，进一步通过大量的理论和实证研究，建立起对质量属性满足状况和满意程度的双维度认知，如图5所示。图 1 Kano模型根据不同类型的质量属性与顾客满意度之间的关系，Kano将产品/效劳的质量属性分为五类 ：1 魅力属性(Attractive qua

2、lity)：魅力质量属性可以被描述为惊奇或惊喜的属性。这类属性对顾客满意状况具有很强的正面影响。一旦得到满足，将会对顾客的满意状况产生超比例的提升，并有利于培养顾客的忠诚度。反过来，这类属性即使没有得到满足，顾客的满意状况也不会明显下降。2 必备属性(Must-be quality)：必备质量属性是顾客对产品或效劳的根本需求。不满足时会引起不满，但满足不会带来更高的顾客满意度，因为顾客认为那是理所当然的。3 线性属性(One dimensional quality)：线性质量属性是指顾客满意状况与属性的满足程度成比例关系的属性。满足时会导致满意，不满足时会引起不满。4 无差异属性(Indiff

3、erent quality)：是质量中既不好也不坏的方面，它们不会导致顾客满意或不满意。5 逆向属性(Reverse quality)：逆向属性指引起强烈不满的质量特性和导致低水平满意的质量属性，因为并非所有的消费者都有相似的喜好。Kano模型给顾客满意度理论带来的新鲜思想是不同质量属性对顾客满意度影响的机制是不同的，因此在制定质量改良策略时需要考虑这个因素。2.2.3.2 质量属性类别归属识别方法质量属性类别归属的识别方法即是如何识别出每一个特定质量属性归属于哪一个类别的问题。1) Kano问卷法(Kano questionnaire)Kano开发了一个结构型客户问卷法来帮助确认不同功能的质

4、量属性，以消除客户调查中的模糊性，这个方法比拟直观，根本步骤如下: 从质量特性满足与否两个角度设计问卷，如表7所示。针对每一属性的配对问题,每个被访者可得到5×5种可能的答复组合, Kano给出了典型的属性分类,如表8所示,表中,“A表示魅力质量,“M表示必备质量,“O表示线性质量,“I表示无差异质量,“R表示逆向质量,“Q表示有问题的答复。最后，将所有被访者对每个属性的归类进行汇总，选择频数最大的一类作为该属性最终的类别归属。如表9所示，针对属性“护士的效劳态度，总体样本922人中认为该属性应该归为线性质量的人数最多，因此该属性被判定为线性质量。表 1 Kano问卷的数据采集格式如

5、果护士的效劳态度较好，您会如果护士的效劳态度不好，您会(1)我喜欢(1)我喜欢(2)理应如此(2)理应如此(3)无所谓(3)无所谓(4)我能忍受(4)我能忍受(5)我不喜欢(5)我不喜欢表 2 Kano模型分析的质量属性分类产品或效劳提供此功能产品或效劳不提供此功能喜欢理应如此无所谓能忍受不喜欢喜欢QAAAO理应如此RIIIM无所谓RIIIM能忍受RIIIM不喜欢RRRRQ表 3 质量属性归类汇总及判别举例质量属性魅力(A)必备(M)线性(O)无差异(I)逆向(R)其他质量属性归属类护士的效劳态度1237749922111线性O2) 关键事件法(Critical incident techni

6、que,CIT)关键事件法最早由Flanagan(1954)47提出。很多的学者将其应用于效劳质量领域来确定满意度影响因素48,49,50。这个方法潜在的思想是有些事件只会导致不满，而不会与满意相关，而有些事件那么只会让人满意，而不会引起人们的不满，还有些事件既可能带来不满也可能带来满意。这三类事件分别对应于必备属性、魅力属性和线性属性。根据这个方法，顾客将会被询问，一方面想想他们感觉满意的时候并描述为什么他们感觉很快乐，另一方面，让他们想想他们感觉不满意的时候并描述为什么他们感觉这么不快乐。将这些细节总结成关键词并最终关联到一系列的属性。通过比拟每个属性在满意情境和不满意情境中被提到的频次，

7、得到满意度组成的因素结构。例如图6显示的Johnston(1995) 49年对银行业满意度因素的研究,attensiveness/helpfulness主要出现在满意情境中，而很少出现在不满意情境中，说明这个属性是属于魅力质量；Integrity主要出现在不满意情境中，而几乎没在满意情境中出现，说明这个属性是必备质量；而commnunication这个属性引起满意与不满意的频次差不多，说明这是一个线性属性。图 2 将关键事件法应用于确定满意因素与不满意因素的举例3) 多元虚拟变量回归分析法(Regression analysis with dummy variables)Brandt (198

8、7)51, Mittal et al. (1998)46 and Anderson and Mittal (2000)52等使用多元虚拟变量回归分析法来确定质量属性对顾客总体满意度的非线性、非对称性影响。传统的回归方程用质量属性水平作自变量、顾客满意度为应变量做多元线性回归，得到各个属性对顾客满意度的影响，是基于属性在不同水平上对顾客满意度的影响是相同的。多元虚拟变量回归分析法那么认为一个属性它的质量水平处于低值和高值时，对顾客满意度的影响是不同的。在这个方法里，属性水平用虚拟变量(高水平状态，低水平状态)来表示。例如当属性水平表现较高时，那么对应的虚拟变量为(1,0)；当属性水平表现较低时，

9、那么对应的虚拟变量为(0,1)；当属性水平处于中间值时，那么对应的虚拟变量为(0,0)。至于怎么界定属性水平的上下，不同学者有不同的界定标准。通常是通过Likert5点或7点量表来测量原始属性水平，中值(3或4)以下的为低水平，以上的为高水平。应用虚拟变量回归分析法，每个属性将得到对应于高水平和低水平的两个系数，反映了属性在不同水平时对顾客满意度的影响。通过比拟高水平状态系数和低水平状态系数的符号正负、绝对值大小和是否显著来判定每个属性属于哪一类Kano属性。4) 重要度晶格分析法(Importance Grid Analysis,IGA)重要性晶格起源于IBM咨询公司，它是一个二维矩阵，一维

10、是属性的显性重要度(顾客评定的重要度)，另一维是隐性重要性(统计得到的重要度)，主要用来确定顾客满意度的因素结构53。该方法的根本原理如下：必备属性是产品或效劳的核心特征，因此顾客在评定其重要度时会给予一个很高的值，但由于必备属性是不满意的来源，它们不会显著地影响顾客的总体满意度，因此经过统计得到的隐性重要度将会较低；而由于魅力属性是顾客没有想到的属性，因此顾客在评定其重要度时会给予其较低的值，但由于魅力属性是满意的来源，它们对顾客的总体满意度会有显著影响，亦即隐性重要度较高；而线性属性既是满意又是不满意的来源，当顾客评定其重要度高时，其对总体满意度将会有较大的影响，当顾客评定其重要度低时，其

11、对总体满意度的影响较小。将显性重要度和隐性重要度结合起来组成的二维重要度晶格，可以确定三类质量属性(如图7所示)。图 3 重要度晶格5) 质量属性水平于顾客总体满意度的非线性回归分析法Eskildsen and Kristensen (2006)54 和 Otani, Harris and Tierney (2003)55使用二次函数模型来检验质量属性对总体满意度是否有非线性影响。非线性模型如下：其中Y是预测的顾客总体满意度，是属性的表现水平，是截距，和分别为一次项系数和二次项系数。当为正数时，如果也为正，那么这是一个边际递增的函数，意味着属性为魅力属性；为负值时，那么这是一个边际递减的函数，

12、意味着属性为必备属性；当为0时，那么属性是线性属性。纵观这些方法，Kano问卷法和关键事件法采用主观提问的方法，简单易操作，但是都需要被提问人回忆或者想象某种情景下自己的感受，具有很大的主观性和不确定性。学者们在同时测试虚拟变量回归分析法和重要度晶格分析法时，大都认为前者优于后者56,57。重要度晶格法，一方面是因为这种方法缺乏具有说服力的理论依据；另一方面该方法中通过统计回归得到的隐性重要度是一个静态的平均值，而Kano模型认为属性重要度时随着属性水平的变化而变化的。从这个角度上看，虚拟变量回归分析法和非线性回归分析法是更适宜的方法，因为这两种方法是通过分析质量属性处在不同水平上对总体满意度的影响不同来表达几类Kano属性的存在。在本文中，我们采取前者而没有用后者，有两方面的原因：1.两种方法所需估计的系数都是属性个数的两倍，但是由于后者是非线性回归，对样本数据量要求更高；2.由于属性水平测量时采用的是Likert7点量表，仅有7个离散值，非线性回归结果不显著。of rural drinki