公交满意度改善策略DIPA排序法

罗丽群，李佳玉，李 琼，王 红，朱顺应

（武汉理工大学，湖北 武汉 430063）

公交满意度改善策略DIPA排序法

罗丽群，李佳玉，李 琼，王 红，朱顺应

（武汉理工大学，湖北 武汉 430063）

为提高乘客对公交服务质量的满意度，将乘客分为不满意群体和满意群体，不满意群体是公交出行的不稳定客源，针对该群体提出改进措施，对满意度的提高更具有针对性、科学性。另外，针对目前措施排序IPA方法中分区粗略、缺乏操作性的问题，将不满意群体与满意群体进行对比研究，提出三维排序方法（DIPA），使改进措施更加精准。

公交服务质量；满意度；改进措施；IPA；DIPA

1 引言

随着经济及机动化水平的提高，交通拥堵状况日益严重。公交作为运能大、占地少的绿色交通工具，提高其出行比率是减少交通拥堵的重要手段。目前，我国的城市公交机动化出行分担率普遍不足60%，究其原因是城市公交服务质量不高，吸引力不强[1]。在公交服务的过程中采取哪些措施才能有效改善服务质量，提升公交出行分担率，正在逐步受到政府监管部门与公交营运企业的广泛关注与高度重视[2]。公交满意度直观地反映了乘客对公交服务质量的态度[3]，被广泛认为是影响公众行为选择的最重要因素。公交的服务质量是影响公交出行者继续选择公交出行的主要因素，要维护“既有客户”，挖掘公交的“潜在客户”，就需要提高乘客满意度，减少不满意率，因此针对不满意群体提出改善公交服务质量的措施，对于降低不满意率更有效。

国内对于公交满意度的研究较多，但均以满意度调查的所有数据作为研究对象[4-5]，未分群体进行分析，不具有针对性。另外，公交满意度改进策略排序采用较多的是重要性－绩效分析方法（Importance-Performance Analysis，IPA）[6-7]，以“重要性”、“绩效”作为参数，以矩阵形式来确定各项指标的改进策略优先级。其中，“重要性”为各个满意度指标对总体满意度的影响程度，即每个指标的“权重”。结构方程式（Structural equation modeling，SEM）依托乘客评价数据将指标路径系数作为客观权重，是目前确定满意度指标权重较为广泛的一种方法[8]，例如，陈坚[9]利用SEM模型对公交出行影响因素大小进行了研究；绩效则用乘客对于满意度各指标的评分作为代表。

但IPA方法中，以结构方程式标定的作用系数作为重要性，只反映了指标改善难度，未考虑把某个指标从不满意改善成满意状态的差距。实际上不同满意程度的群体对于公交提供的同一服务质量的感知程度是不同的，不满意群体感知程度越接近满意群体，那么不满意群体对该指标越敏感，改善该指标对不满意群体越容易接近满意状态；其次改善策略优先级分为四个区，分级欠精准，操作性较差。因此考虑加入指标相对敏感度的三维IPA矩阵（Three-Dimensional Importance Performance Analysis，DIPA），使改进措施更精确。

本文以武汉市公交满意度调查数据为研究对象，将总体满意度评价中的乘客划分为不满意群体（包括非常不满意、不满意、基本满意）及满意群体（满意、非常满意）两类。分别通过结构方程式模型得到两类群体各指标对总体满意度的作用系数，以不满意感知程度与满意感知程度差值作为指标敏感度，利用重要性-敏感度-绩效建立DIPA矩阵，制定更有效、更精确的提高公交满意度的措施。

2 数据采集与分析方法

2.1 公交满意度调查指标

公交满意度调查问卷设计见表1。其内容包括三个部分：（1）乘客属性信息，主要包括个人属性特征（性别、年龄、职业、家庭收入）和出行特征（公交乘坐频率、换乘次数和全程花费时间）；（2）公交满意度评价指标，包括安全感、舒适感、便利性、快速性等四类指标。

表1 公交服务质量指标体系

2.2 调查问卷设计及实施

问卷中乘客对各个指标的满意程度采用10级李克特量表(Likert)，10分为最满意，1分为最不满意。

2015年11月11-21日，联合武汉公共交通管理办公室对现有一至六公司等12个公交企业的365条公交线路（主城区及跨远城区线路，不包括远城区区域线路），采取分层（线路）随机抽样方法，调查员按线路分层随机选择乘客进行一对一的问卷调查，每日调查时间覆盖整个运营时间，持续10天，包括工作日和休息日。

2.3 调查样本量确定及检验

本次调查共发放问卷20 000份，获取有效问卷18 378份，有效回收率为91.89%、达到了置信95%，相对误差1%的要求。利用SPSS19.0进行问卷的效度和信度检验，结果表明此次调查克朗巴哈α信度系数为0.933，各指标调查问卷内在信度很高；各调查指标的共同度均大于0.4，调查问卷的指标体系合理。

为实现研究目标，根据公交总体满意度将乘客分为满意群体和不满意群体。提取满意群体（非常满意、满意）共7 615份问卷，不满意群体（基本满意、不满意、非常不满意）共10 763份作为分析对象。

2.4 数据分析方法

（1）结构方程式模型（Structural Equation Modeling-SEM）。结构方程式[10-11]能处理不可直接观测变量、多个复杂观测变量交互因果关系，潜变量与观测变量是一种线性因果关系。利用结构方程式能够确定指标对总体满意度的影响大小（感知程度），图1表示存在中介变量Y1与Y2的X→Y的结构方程式模型关系。

图1 SEM因果模型

其结构方程式表示如下：

以矩阵表示为：

其中Y为潜变量，X为观测变量，β和γ为观测变量与潜变量以及潜变量与潜变量间的标准化路径系数，ξ为回归残差。Y的总效应是X1、X2、X3的直接效应与Y1，Y2的间接效应总和，标准化总效用表达了观测变量对潜变量、潜变量对潜变量的作用大小。

本研究基于13个满意度指标分别建立不满意群体与满意群体的结构方程模型，得到各指标的总效用（包括指标的直接效应及间接效应）。

（2）重要性-绩效矩阵法（Importance Performance Analysis，IPA）。由结构方程式中指标与总体满意度间的关系方程可简化以下公式：

Yi-第i指标的总体满意度；

ki-第i指标的综合效应系数，反映贡献度感知敏感程度；

Xi-第i指标的满意度得分值。

第i指标改善对总体满意度的增长率，即影响程度，反映绩效，ki越大绩效越高；Xi考虑了改善的难易程度，即顾客评价，顾客评价越小越容易改善。据此做出IPA矩阵，如图2所示。

图2 IPA矩阵分区

IPA矩阵中，利用影响程度与顾客评价分界点将坐标系划分为4个区域，“优先改进”区域是顾客评价低、影响程度高的指标；“其次改进”区域是顾客评价低、影响程度低的指标；“保持现状”区域是顾客评价高、影响程度低的区域；“影响优势”区域是顾客评价高、影响程度高的区域。措施排序中隐含着改进顺序中，顾客评价优于指标影响程度。然而，在二维的IPA改进措施矩阵中缺少考虑不满意群体各指标改善到满意状态的敏感度，且矩阵分区粗略，缺乏操作性。

（3）重要性-敏感度-绩效矩阵法（Three-Dimensional Importance Performance Analysis，DIPA）。根据公式（4）的理论思想，可以得到满意群体及不满意群体的总体满意度公式，不满意群体相对满意群体的总体满意度差异为ΔYi。

ki满意是满意乘客对i指标的感知程度，满意是不满意对指标感知程度的参照系。对于指标i要缩小满意与不满意的差距，需要减小Δki。定义相对敏感度Δki为第i指标从不满意状态改善成满意状态的满意度指标的差距，即相对敏感度越小，不满意群体变为满意群体的可能性更大。

DIPA是在绩效和改善难易程度作为分析视角建立矩阵的基础上，加入不满意群体与满意群体的指标相对敏感度，从而建立三维矩阵，得到更精确的优先改进、其次改进策略。

3 数据分析与结果

3.1 数据统计

3.1.1 乘客基本信息统计。

表2 武汉市公交满意度问卷调查乘客基本情况（n=18 378）

乘客的基本信息统计情况见表2。有效样本中，52.0%为男性，48.0%为女性；年龄主要集中在18-40岁，此年龄段的人群为出行主体，出行活动较为活跃，具有较好的代表性；出行群体中，学生、企事业职员较多，是公交通勤出行的主体，家庭月收入小于4 000元的乘客接近80%，低收入群体是公交的主流乘客，公交乘坐频率每日1次及以上的群体大约50%，通勤与非通勤乘客占比相当。

3.1.2 满意度指标得分。根据满意度各指标得分统计调查结果，得到不满意群体、满意群体以及所有乘客群体的“策略层”12个服务质量满意度指标的得分，见表3。

表3 不满意群体、满意群体及所有乘客满意度评价

由不满意群体及满意群体的指标满意度均值结果可知，不满意群体的各项指标评分最低，满意群体的各项指标均值最高。所有乘客综合评价值处于满意与不满意之间。说明总体满意度表现为不满意状态的群体对公交服务质量的其他指标评分低于满意群体的评价。

3.2 指标重要度分析

采用AMOS计算软件中极大似然法对结构方程式模型（SEM）参数进行估计。武汉市公交乘客满意度12个“策略层”满意度指标与总体满意度的结构方程模型参数估计和效果检验见表4、图3，常用5个模型拟合指标[12]均满足判别标准，说明模型和观测数据拟合程度良好。

表4 SEM模型的拟合指标与检验

图3 不满意、满意及所有乘客群体结构方程式模型

图4 不满意、满意及所有乘客群体综合作用系数

图4 显示，不满意群体、满意群体、所有乘客群体对于不同指标的感知程度不同，其中，在车容车况、舒适性、司机驾驶行为、安全性这几类指标上的差距较大。不满意群体对全程花费时间、非高峰候车时间、高峰候车时间、站点候车条件、首末班时间、信息服务的感知度较高，其作用系数分别为0.648、0.6、0.596、0.578、0.629、0.567，同时满意群体的相对敏感度也较高。除此之外，不满意群体在舒适性方面与满意群体的感知度基本相同，其作用系数为分别为0.638和0.657，敏感度最高。

3.3 相关敏感度计算

通过公式（6）相对敏感度的计算公式，计算Δki，计算结果见表5。

表5 指标相对敏感度

3.4 DIPA矩阵

根据表3满意度评价及表5不满意群体指标感知度及相对敏感度，建立DIPA改进措施矩阵。在DIPA矩阵中，指标难易程度的改进顺序优于指标绩效，绩效的改进顺序优于相对敏感度。为了简化矩阵，更清楚地观测矩阵中处于不同区域的指标，将三维矩阵简化成2个2X2矩阵。首先是乘客评价与指标感知程度的IPA改进措施矩阵，按照改进的优先顺序，挑选出乘客评价低的指标，即优先改进与其次改进的指标，然后再做指标感知程度与敏感度的改进措施IPA矩阵，将优先改进与其次改进的指标进行细化分区，重新定义各分区。相对敏感度低、感知程度高的指标处于“最优先改进”区域；相对敏感度高、感知程度高的指标处于“其次改进”区域；相对敏感度低、感知程度低的指标处于“再次改进”区域；相对敏感度高、感知程度低的指标处于“最后改进”区域。根据这一思路得到两个矩阵，如图5和图6。

图5 不满意群体IPA改进措施矩阵

图6 不满意群体DIPA改进措施矩阵

由图5可以知道，舒适性（x3）、车容车况（x4）、全程花费时间（x12）处于优先改进的区域，非高峰候车时间（x11）、高峰候车时间（x10）、站点候车条件（x6）处于其次改进的区域。图6将图5中改进区域进行进一步的细分，得到对于不满意群体而言，应该最优先改进的策略为公交舒适性（x3）和公交车容车况（x4）。其次应该改进的是公交出行的全程花费时间（x12），再次改进区域没有分配到指标，最后改进的指标有高峰候车时间（x10）、非高峰候车时间（x11）、站点候车条件（x6）。通过DIPA的改进措施矩阵的构造，能够更精确地对改进措施进行排序。公共交通事业作为公益性的交通工具，运营资金有限，要提高其服务质量，应该将有限的资源运用到最需要改进的地方，实现资源的最大化利用。同时，更精细的改进措施排序也有助于政府及公交企业实施。

4 讨论与结论

同一结构方程式标定不满意群体和满意群体以及所有问卷调查乘客的指标感知程度是有差别的，因此针对不满意群体及所有乘客的改进措施策略是不同的。不满意群体是公交出行的不稳定客源，针对该群体提出改进措施，更具有针对性、科学性。本文将调查问卷分为不满意群体及满意群体，针对不满意群体进行改善措施的研究，更具针对性，由此制定的改善措施更有效。通过对比不满意群体和所有乘客（如图7）的改进措施策略可以知道，针对所有群体提出的改进措施与不满意群体的改进措施项相同，但针对所有乘客的优先改进策略有5个，其次改进的有1个；针对不满意群体的优先改进措施有3个，其次改进措施有3个。但是排序顺序有较大差别，不满意群体的排序改进顺序更明晰，更有层次性。

图7 所有乘客群体IPA矩阵

本文不仅针对不满意群体提出了相应的改进措施，同时对不满意群体指标达到满意状态的相对敏感度进行定义。针对以往IPA矩阵分区粗略、缺乏操作性的缺陷，加入不满意群体相对敏感度因素，构造DIPA矩阵，将矩阵分区为8个，进一步细分改进措施的优先顺序，寻求最优先解决的问题，其中最优先改善的措施是公交舒适性及公交车容车况，其次是公交出行的全程花费时间，最后改进的是高峰候车时间，非高峰候车时间、站点候车条件。

综上所述，针对不满意群体的改进措施更具科学性和有效性。另外，以往利用 IPA矩阵制定改进措施时，其矩阵分区粗略，得到的改进措施较为笼统，对政府及公交企业缺乏实践指导意义。考虑不满意乘客转变为满意乘客的敏感度，增加不满意群体相对敏感度因素，构造DIPA矩阵，有利于进一步对改进措施的排序。相比IPA矩阵下的改进措施更具操作性及指导性。但本文仍有不足，虽然DIPA矩阵能够进一步排序，但是仍然不能做到单一策略的排序。

[1]马莉莉,孟祥辉,张广娟.我国公共交通存在问题及对策分析[J].中国科技论文在线,2010,(9):1-6.

[2]杨晓光,安健,刘好德,等.公交运行服务质量评价指标体系探讨[J].交通运输系统工程与信息,2010,(4):13-21.

[3]刘武,李文.城市公交服务乘客满意度指数模型[J].城市交通, 2007,(6):65-69.

[4]张栋,杨晓光,安健,等.基于乘客感知的常规公交服务质量评价方法[J].城市交通,2012,10(4):73-78.

[5]赵琳娜,王炜,季彦婕,等.乘客差异化需求对公交出行满意度的影响[J].城市交通,2014,(4):65-71.

[6]Martilla J A,James J C.Importance-performance analysis[J]. Journal of Marketing,1977,(9):77-99.

[7]Oh H.Revisiting importance-performance analysis[J].Tourism Management,2001,22:617-627.

[8]Weiwei Shen,Weizhou Xiao,Xin Wang.Passenger satisfaction evaluation model for Urban rail transit:A structural equation modeling based on partial least squares[J].Transport Policy, 2016,(46):20-31.

[9]陈坚,杨亚璪,李小兵,等.基于SEM的城市公交方式选择行为模型[J].交通运输系统工程与信息,2014,(5):202-208.

[10]Paul Barrett.Structural equation modelling:Adjudging model fit[J].Personality and Individual Differences,2007,42(5):815-824.

[11]易丹辉.结构方程式模型与应用[M].北京:中国人民出版社, 2008.

[12]吴明隆.结构方程式模型—Amos的操作与应用[M].重庆:重庆大学出版社,2009.

DIPA Sequencing Method in Improving Bus Passenger Satisfaction

Luo Liqun,Li Jiayu,Li Qiong,Wang Hong,Zhu Shunying
(Wuhan University of Technology,Wuhan 430065,China)

In this paper,in order to improve the satisfaction of the passengers toward the bus service,we divided the passengers into the contented group and discontented group,the latter being an unstable source of travelers by bus,for which we proposed the measures of improvement to render the effort at increasing the passenger satisfaction more clear-targeted and scientific.Next,in view of the inadequacy of the current IPA sequencing method,we compared the satisfaction of the two groups and proposed the DIPA sequencing method to make the improvement measures more accurate.

bus service quality;satisfaction;improvement measure;IPA;DIPA

U469.13;F224.0

A

1005-152X(2016)12-0079-06

10.3969/j.issn.1005-152X.2016.12.019

2016-10-24

罗丽群（1991-），女，四川内江人，硕士研究生，主要研究方向：交通运输规划与管理;朱顺应（1967-），通讯作者,男，安徽安庆人，博士，教授，博士生导师，主要研究方向：交通运输系统规划、交通运营管理、交通安全、智能交通基础理论。