基于马田系统的高速铁路客运服务质量评价

刘何栋，李海军，马昌喜，方燕楠，王 蕾

（兰州交通大学 交通运输学院，兰州 730070）

截至2021年底，中国高速铁路运营里程达到4.1万km，居世界首位.我国高铁网覆盖了95%的人口超过100万的城市，高速铁路已经成为旅客出行的重要选择.随着社会经济水平的发展，高铁出行旅客的增加导致高铁客运服务质量受到更为广泛的关注.国内外学者关于高速铁路客运服务质量评价指标体系构建和评价方法应用方面作了大量的研究，取得了丰富的研究成果.

在高速铁路客运服务质量评价体系构建的研究方面，吕笑媛等［1］采用定性与定量相结合的方法，从经济性、便捷性、设备设施和人员服务四个方面对高速铁路旅客满意度进行评价，建立了高速铁路客运服务质量评价指标体系.李致萱等［2］通过服务接触理论划分服务环节、情感曲线量化旅客服务评价，得出旅客服务需求差异，在此基础上设计个性化服务评价权重.牟能冶等［3］以马斯洛需求理论为基础，针对高速铁路旅客需求和感知建立三级评价指标体系.崔袁丁等［4］采用贝叶斯网络分析，运用树模型构建评价体系，得到作为顶层指标的旅客服务质量的评价结果.Eboli等［5］基于模糊理论，建立了铁路服务质量多级模糊综合评价模型，通过三级评价指标体系结合受访乘客的意见确定其权重.田志强等［6］在分析铁路客运站相关服务的基础上，建立了铁路客运站旅客服务质量评价体系，通过实例验证了方法的可行性与有效性.刘舰［7］从消费者行为学的角度系统分析了铁路客运站服务水平的主要内容，建立了基于旅客满意的客运站服务水平评价体系.

在高速铁路客运服务质量评价方法的研究方面，吴刚等［8］基于服务接触理论形成高速铁路客运服务接触链，从理论上构建高速铁路旅客满意度模型，研究影响旅客满意度的关键接触点.徐春婕等［9］通过融合模糊评价方法和粗糙集理论，提出客运站服务质量评价模型.Bakti等［10］通过整合效用维度、享乐维度和影响感知服务质量的“过滤”变量，建立了一个不同于现有铁路旅客感知服务质量模型的感知服务质量模型.尹冰［11］利用结构方程模型，提出高速铁路民众满意度测评方法，针对7条高速铁路线路进行调研分析，得出高速铁路运营服务的优势和短板.Jomnonkwao等［12］采用聚类分析、因子分析和重要性绩效分析，为改善泰国城际铁路服务的精准服务质量提出建议.

既有研究对高速铁路客运服务质量的评价具有重要的借鉴意义，但是在建立评价体系的过程中存在评价指标冗余的问题，在评价方法上存在指标权重的主观性误差，对评价结果的客观性和准确性有一定的影响.

综上所述，本文在借鉴既有研究关于高速铁路客运服务质量评价指标体系选取的基础上，约简初始评价指标，从乘客接受服务流程的角度出发，运用马田系统（mahalanobis-taguchi system，MTS）评价方法对数据进行处理，并对结果进行分析验证.避免了权重问题对于评价体系的影响，克服了评价过程中的主观性和不确定性，提高评价的准确性和科学性.

1 高速铁路客运服务质量评价指标体系的构建

1.1 初始评价指标体系的建立

基于服务接触理论和乘客参与高速铁路客运服务的流程，结合规范［13］建立初始评价指标体系，由票务环节、进站环节、候车环节、乘车环节、出站环节共同构成一个完整的服务接触链（service contact chain，SCC）.高速铁路客运服务质量初始评价指标体系如表1所列.

表1 高速铁路客运服务质量初始评价指标体系Tab.1 Initial evaluation index system of passenger service quality of high-speed railway

1.2 高铁客运服务质量评价数据

根据高速铁路客运服务质量初始评价指标体系设计测定各变量的具体问项生成调查问卷.问卷第一部分是旅客背景信息，主要包括人口统计特征变量、常购坐席类别、出行目的、年乘坐高铁次数.第二部分是感知服务量表包含31个指标，并使用Likert 5级量表来记录受访乘客对各个问项从“很不满意”到“很满意”的评价态度.1～5表示感知服务水平的高低，数字越大，代表服务水平越高.以兰州西站候车及乘车旅客作为研究对象，发放并回收问卷452份，其中有效问卷430份，有效回收率95.1%.

1.2.1 数据整理

对问卷调查获取到的数据做描述性统计分析，人口统计特征变量如表2所列.

表2 旅客人口统计特征变量Tab.2 Passenger demographic characteristic variables

通过对旅客背景信息的分析，乘客常购坐席类别中二等座占比接近65%，年乘坐高铁次数集中在10次以内，出行目的前三位分别是观光旅游、探亲访友和城市通勤，常用购票方式主要是网络购票占比接近84%.

1.2.2 信度检验

信度即可靠性，体现变量的稳定性和一致性程度，量表的信度和其测量误差成反比.研究采用SPSS26.0软件，通过Cronbach'sα系数进行内部一致性检验，当α系数在0.8以上，则表明调查表有较好的内在一致性.经过计算信度检验结果如表3所列，量表整体的α系数达到0.844，表明此量表结果可靠.

表3 信度检验表Tab.3 Reliability test table

1.2.3 效度分析

效度即有效性，是指样本数据与期望目标的接近程度，效度越高越能体现测量内容的一致性.采用KMO测度和Bartlett球体检验法对数据进行相关性分析，KMO值越接近1，说明变量间相关性程度越高.采用因子分析法经过计算效度分析结果如表4所列，样本数据的KMO值大于0.900，且巴特利特球形度检验的显著性水平（Sig）为0.000，认为问卷量表效度较高.

表4 KMO和巴特利特检验Tab.4 KMO and Bartlett test

2 马田系统评价方法

2.1 马田系统简介

马田系统［14］是由田口玄一提出的一种面向不平衡数据的模式识别方法，由马氏距离（mahalanobis distance，MD）和田口方法（taguchi’s design of experiment，DOE）整合而来.该方法采用马氏距离构建基准空间，使用正交表合理安排选择特征的试验，结合信噪比提取特征变量，从而能够在不平衡数据环境中进行异常值识别和特征选择.并且不需要任何数据分布假设，具有样本需求量小、原理简单和易于操作等优点.

将马田系统方法应用于高速铁路客运服务质量评价中，提供了一种新的方式完成对既有评价指标的有效约简，在一定程度上避免了指标权重等主观性误差的影响，并且量化了高速铁路客运服务质量评价结果，可用于线路、车站以及列车客运服务质量的对比.

2.2 马田系统基本步骤

运用马田系统评价方法，将定性与定量分析相结合，提供一种新的研究用户体验的平台.基于马田系统评价方法对高速铁路客运服务质量进行评价分析的具体步骤如图1所示.

图1 马田系统评价流程Fig.1 Evaluation process of Mahalanobis-Taguchi system

3 基于马田系统的高速铁路客运服务质量评价

3.1 观测变量的均值计算

本问卷包含31个测评指标，指标分值由低到高依次为1～5分.由SPSS计算得到每个观测指标的得分均值如表5所列.

表5 观测指标均值Tab.5 Mean value of observation index

3.2 选取正交表

正交表一般用Ln（m＾k）表示，L为正交表，n表示正交表的行数，m表示各变量的水平数，k表示正交表的列数即变量，且有n=k*（m-1）+1，即行数=变量*（变量水平数-1）+1.马田系统的正交表根据初始指标变量个数，选择L32（231）正交表.其中变量水平数m为2，代表有两种水平1（选取该指标）和2（舍弃该指标），通过Minitab20.0得到可行方案均值和均值响应水平如表6～7所列.

表6 可行方案均值表Tab.6 Mean value of feasible schemes

3.3 构建基准空间

构建基准空间是计算马氏距离的必要步骤，马氏距离用于确定测量表的基础和参考点，以及测量观测值与参考点的距离.采用正交表和信噪比来进行指标的筛选，Likert5级量表中5分表示乘客对高速铁路客运服务质量评价最理想的状态.因此，依据TOPSIS法原理，即根据有限个评价对象与理想化目标的接近程度进行排序，对正交表每一个方案分别构建基准空间：Gi=（5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5）i=1，2，3......32.

3.4 计算信噪比

信噪比按特性分为望目、望小、望大，评价指标分值高低反映其服务水平程度，故本文选取望大信噪比来度量高速铁路客运服务质量.望大信噪比计算公式如式（1）所示.

式中：ηm为第m个方案的信噪比；di为第i个在每一行为“1”水平下所求的n个样本数据的马氏距离.

通过Minitab软件计算每种可行方案的测评值到其基准空间的信噪比，如表8所列.

表8 可行方案信噪比Tab.8 Signal to noise ratio of feasible schemes

3.5 基准空间指标优化

马田系统方法可以对基准空间中的初始指标加以筛选，保留有效指标，剔除无效指标，从而优化基准空间［15］.通过Minitab软件计算得到各方案信噪比响应表如表9所列，信噪比主效应图如图2所示.

图2 信噪比主效应图Fig.2 Main effect diagram of signal-to-noise ratio

表7 均值响应水平表Tab.7 Mean response level

表9 信噪比响应表Tab.9 SNR response table

通过信噪比响应表结合主效应图可以看出，X7、X12、X21三项指标在信噪比响应表中排秩处于后三位，对应数据均值在主效应图中趋于水平，即这三项指标对评价体系总体不敏感，予以剔除.优化后的评价指标体系为：X（X1，X2，X3，X4，X5，X6，X8，X9，X10，X11，X13，X14，X15，X16，X17，X18，X19，X20，X22，X23，X24，X25，X26，X27，X28，X29，X30，X31）.对应最优化的基准空间为G（5，5，5，5，5，5，5，5，5，5，5，5，5，5，5，5，5，5，5，5，5，5，5，5，5，5，5，5）.

3.6 阈值确定

最优化的基准空间对每个有效指标的最高分赋值为5分.若各项指标得分均为4.5分，设此样本到最优化基准空间G的马氏距离是D1，则D1为优秀阈值.如果该测量样本均值到基准空间G的马氏距离D∈［0，D1），则称为优秀样本.阈值判定规则如表10所列，区域划分如图3所示.

图3 区域划分图Fig.3 Area division

表10 阈值划分表Tab.10 Threshold division table

3.7 马氏距离计算

马氏距离是由印度学者Mahalanobis提出计算数据协方差距离的方法［16］.兼顾变量之间的相关性和差异性，计算公式见式（2）.

式中：k为优化后基准空间的维数；Y为参考对象矩阵；μ为基准空间矩阵；∑-1为对象协方差矩阵；（Y-μ）T为（Y-μ）的转置矩阵.

按照优化后的基准空间G和有效指标的均值得到：

根据式（2）分别计算样本到优化后基准空间的马氏距离和阈值：

结果表明：总体样本到基准空间G的马氏距离D为2.680 4∈［D2，D3）=［2.565 4，3.848 1），即案例中的高速铁路客运服务质量评价整体结果为中等.

4 结论

客运服务质量评价是促进高速铁路客运发展的重要环节，本文通过分析乘客参与服务流程，建立高速铁路客运服务质量初始评价指标体系.引入质量工程学领域马田系统（MTS）评价方法，对高速铁路客运服务各个环节进行数据分析，对服务水平整体进行评价，为改进现有服务质量提供理论依据.通过实例验证了马田系统在高速铁路客运服务质量评价中的适用性和有效性，结合案例信噪比响应表以及信噪比主效应图可以得出：

1）在票务环节，报销凭证获取的便利程度对信噪比效应最大，退改签服务次之，这两项内容属于一次购票的售后服务，应该保持较高的服务水平.购票便利程度很高，但是票价可接受度有待提升，建议小范围试行动态定价.

2）在进站环节，进站引导标识清晰易懂程度对信噪比效应最大，身份核验便捷程度次之，这两项内容服务水平较好，建议进一步提高行李安检服务效率.

3）在候车环节，无线网络和共享电源覆盖率对信噪比效应最大，候车厅饮用水供应情况次之，这两项内容对服务水平的敏感度较高.建议进一步提高车站大屏信息获取（车次/时间/正晚点）的及时性和准确性，以及保证候车大厅座椅数量和舒适度.

4）在乘车环节，列车准点率对信噪比效应最大，组织旅客上下车情况次之，这两项内容是乘客乘车最关注的部分，应保持较好的服务状态.在不影响行车安全的前提下建议增加车载电源充电口数量，提高列车座椅舒适度以及列车卫生间卫生干净程度.

5）在出站环节，出站引导标识清晰明了程度对信噪比效应最大，应尽量减少出站旅客在站内不必要的停留时间，并且保证出站身份核验高效以及公共交通的换乘便利性.

由于数据采集是针对局域案例进行，在样本数量、调查范围、分析深度等方面还有待加强.如果考虑马田系统方法在高速铁路客运服务质量评价方面的深入应用，则需要根据评价对象和范围进一步调整.