数据驱动的政务服务高满意度交付模式研究*

■ 唐家蕙 郑毅 李晓轩

1 中国科学院科技战略咨询研究院 北京 100190

2 中国科学院大学公共政策与管理学院 北京 100049

1 引言

自《国务院关于加快推进“互联网+政务服务”工作的指导意见》（国发〔2016〕55 号）出台以来，提出加快推进“互联网+政务服务”建设要求以来，以法制化、规范化、信息化、治理化为主要特征的我国新时期政务服务体系蓬勃发展，诸如“一门受理、一窗办理”“不见面审批”“最多跑一次”等概念为社会所熟知。政务服务体系以其便利企业和群众生产经营与办事创业、畅通国民经济循环、支撑新发展格局加速构建的功能，在国家治理体系和治理能力现代化过程中发挥着重要作用[1]。

2022 年，党中央、国务院在《数字中国建设整体布局规划》《国务院关于加强数字政府建设的指导意见》等文件中要求各部门善用大数据、人工智能等技术，开展个性化精准服务模式创新，增强人民群众满意度和获得感。数据驱动的政务服务交付模式创新可精准弥合服务供需间偏差，避免政务服务资源在“攀比式”高标准建设中空耗，精准提升企业、群众的服务满意度和获得感。特别是在当前政府“过紧日子”背景下，提升服务资源配置合理性，向数据和技术要效率的创新探索具有特殊的现实意义。

然而，国内外文献中基于实证数据的政务服务交付模式研究相对有限，立足我国政务服务特点的本地化研究成果尚不多见，数据赋能政务服务高质量发展亟需可参考的操作性案例。因此，本文从智库研究视角出发，基于北京市政务服务领域实证数据，对符合我国当前政务服务发展特征的高满意度服务交付模式开展研究，对政务服务资源的精准配置提出优化建议。

2 研究综述

服务对象异质性是组织在提供服务过程中面临的基本前提，不同用户群体由于需求、偏好、关系、知识、容忍度等存在差异，对相同服务行为的感受和反馈存在显著不同[2-3]。服务交付模式正是在考虑群体差异前提下，采用不同流程、方法和策略精准满足各类群体的需求和期望，提高服务资源配置效率，以获得更高的满意度、忠诚度和长期价值[4-5]。

在私营部门中，服务交付模式设计一般通过客户细分[6]、满意度要素识别[7-8]、服务策略定制[9]、服务策略优化[10]等一个或多个环节加以实现，并在客户关系管理（customer relationship management）框架下持续动态优化服务交付模式，以确保其对组织竞争战略的支撑效果[11]。然而，由于公共部门的非营利性、非歧视性、高合规性等特征，私营部门在服务交付模式设计和优化中的理论方法和实践经验并不能简单地迁移到公共部门中[12-13]。进入21 世纪之后，随着线上服务的普及，公私部门在服务交付设计和管理中的可类比性进一步提升，催生了以“公民关系管理”（citizen relationship management）为代表的公共服务优化和管理理论。公民关系管理强调通过技术手段帮助政府与公民开展更有效的沟通与互动，提高政府对公民需求的响应速度，进而提升各级政府的声誉、效率与合法性[14]。

近年来，国内外在公民关系管理框架下涌现了一批公共服务交付领域的案例。英国政府将“使用客户数据来预测服务需求并定制服务交付”纳入其公民关系管理框架中，并作为公共服务信息化平台设计的重要原则[15]。美国纽约市“311 热线”通过客制化供给，为市民精准提供各类公共信息的查询服务[16]。荷兰阿姆斯特丹“City of Amsterdam”（阿姆斯特丹城市门户）、澳大利亚“Centrelink”（社会福利联络中心）等项目通过“市民点菜”的方式，依托政府一体化门户提供差异化公共信息查询服务。我国众多省份也在社会治理、疫情防控、政策宣讲等领域开展了基于“对象-信息-渠道”匹配的公共服务交付模式差异化探索[17]。然而，在现有公共服务交付实践案例中，主要是以“便捷度”“时长缩减”等概念作为优化目标，其与公共服务对象“满意度”这一顶层目标间并不必然匹配。此外，现有案例集中于公共信息查询服务，属于供需方互动标准化程度较高的服务类型，在类似政务服务这类非结构化服务情境下的研究尚不多见。

在方法层面，以KANO 模型（KANO model）和IPA 分 析 法（important-performance analysis）为代表的客户需求定性分类方法在实践中应用较为广泛[18-19]，但上述方法受调查样本量、被试者对调查规则的理解程度以及社会期望效应等因素的影响较大，往往需要与专家知识以及更多定量证据相结合使用[20]。而诸如结构方程模型[21]、潜在类别模型[22]、自组织映射神经网络[23]、K-means聚类方法[24]等定量工具也可见于服务交付相关研究中。上述定量方法无法解释输入输出关系，且在样本量不足的情况下容易产生过拟合等问题。

从现有研究来看，对公共服务交付模式的探索体现着新公共管理运动中“视公民为顾客”的价值原则，且当前已存在一些具有启发性和借鉴性的研究成果。总体而言，现有研究尚存在3 类不足。一是反映公共服务价值特征的服务交付模式研究较少。现有研究主要聚焦于“便捷度”“时长缩减”等效率目标，而针向“公众满意”这一顶层价值目标开展的研究相对不足。二是现有研究通常集中于服务模式结构化程度较高的信息查询服务，针对行政审批、依申请服务等政务领域实质性内容的非结构化服务交付研究尚不多见。三是单纯使用定性或定量方法开展的服务交付模式研究存在方法局限，一种兼容多类型数据且能准确反映输入和输出间因果关系的模式识别方法尚需探索。因此，本文从智库DIIS（data-information-intelligence-solution）理论[25]视角出发，基于北京市在2019—2021 年期间政务服务满意度“好差评”数据和办件数据，利用证据推理规则方法对各类典型服务对象的高满意度服务交付模式进行研判，从而有针对性地对政务服务资源配置效率和服务质量的提升提出建议。

3 研究设计

3.1 研究框架

智库DIIS 理论方法是基于对智库研究全过程进行系统性思考所提出的智库研究一般性方法论，DIIS 过程包括收集数据（data）-揭示信息（information）-综合研判（intelligence）-形成方案（solution）4 个环节[25-27]。本文基于DIIS 理论框架，首先，明确政务服务一般流程中的关键要素进，开展针对性数据收集和整理；其次，利用证据推理规则方法识别出多条高满意度服务交付模式信息，进一步将高满意度服务交付模式与其所对应的典型服务群体进行匹配，综合研判出符合若干典型服务群体需求的服务交付模式；最后，针对不同类型群体提出差异化服务建议，从而提升供需匹配精准性，优化资源配置。基于DIIS 理论的研究框架见图1。

图1 基于DIIS 理论的研究框架Figure 1 Research framework based on DIIS theory

3.2 指标遴选

本文通过梳理《北京市政务服务标准化管理办法》《关于建立政务服务“好差评”制度 提高政务服务水平的意见》《政务大厅服务第三方评估通则》《“互联网+政务服务”技术体系建设指南》等文件中典型政务服务流程涉及的关键服务要素，分别从政策知悉、办事指南、服务流程、信息平台、监督反馈、综合满意度等维度设置测量指标。典型政务服务流程见图2。

图2 典型政务服务流程Figure 2 Typical administrative service process

基于典型政务服务流程，进一步明确各维度关键服务要素及测量指标，如表1 所示。

表1 典型政务服务流程关键服务要素测量指标Table 1 Indicators of key service elements in typical administrative service process

3.2.1 政策知悉 政策知悉是指公众对所办理事项相关政策内容和具体流程的先期了解情况。不同政策知悉度会导致不同的办事预期和办事体验。该维度下设置“政策知悉度”综合性评判指标。

3.2.2 办事指南 办事指南是公众获得办事指导、了解事项办理流程和材料要求等信息的重要渠道。政府应为服务对象提供完整、准确、实用的办事指南。该维度包括“办事指南渠道便捷度”和“办事指南内容满意度”2 项指标。前者用于衡量公众是否能够方便、快捷和准确地找到办事指南；后者用于衡量办事指南公布的相关要素信息的准确性和易懂性。

3.2.3 服务流程 公众进入各类服务入口后所体验的服务环境、服务态度以及所花费的时间等要素，往往会影响公众对服务整体办事体验。结合国务院和北京市在服务流程标准化管理方面的要求，该维度包括“大厅环境满意度”“服务态度满意度”“排队等候时长”“整体办事时长”4 项指标。

3.2.4 信息平台 信息平台是指公众在接受窗口服务前，以及完成窗口服务之后，通过政务服务网站、移动端政务APP、自助服务终端等渠道，进行办件进度查询或最终结果获取的辅助性过程。该维度包括“自助服务满意度”和“网上服务满意度”2项指标，主要用于测量公众在使用各类信息化服务渠道时的满意度水平。

3.2.5 监督反馈 监督反馈是指公众通过热线电话等投诉渠道表达自身诉求，政府对公众反映的负面情形进行核实整改，并及时向公众进行反馈的过程。该维度包括“投诉渠道满意”和“投诉反馈质量满意度”2 项指标。前者用于测量公众对投诉反馈渠道的直接使用感受；后者用于测量公众对所获得反馈质量的体验。

3.2.6 综合满意度 综合满意度是指公众在办事过程中的综合体验。政务服务过程中所有变化因素均有可能对公众最终感受产生影响。

3.3 模式识别方法

证据推理规则是在D-S 证据理论（Dempster-Shafer theory）、模糊推理的基础上发展而来的，是一种融合多源信息，将专家知识与定量数据相结合的一种典型半定量信息方法，其具有处理用户行为不确定性的关键优势。证据推理已被应用到科研资助决策、风险评估、企业管理、供应链管理等众多复杂决策领域[28]。

首先，证据推理规则将N个两两互斥的假设构建为识别框架集合Θ，P(Θ)则是由Θ及其所有子集构成的集合[29]，每条证据可以转化为相对应的信度分布公式，即式(1)。

其中，βθ,i表示证据ei对命题θ的支持程度。

其次，在式(1)中引入证据ei的可靠性因子ri和重要性权重wi（∑Li=1wi=1），形成考虑到证据信息可靠性和重要性的新信度分布公式，即式(2)。其中，ri表示证据ei的可靠性因子；wi表示证据ei的重要性权重；crw,i表示归一化因子。

最后，在考虑了证据的可靠性ri后，其剩余信度被称为证据的不可靠性，并定义为（1-ri）。在多证据融合判断的情况下，剩余信度由多证据的信度分布情况共同决定。利用上述证据推理规则，可以进一步利用多证据进行融合推理。假设有相互独立的两证据e1和e2，其对命题θ的联合信度函数为βθ,e(2)，即式(4)。

利用式(4)和式(5)中的联合信度函数进行递归计算，则可以将多条服务获取证据中的信息进行整合，继而对与政务服务高满意度服务交付模式相关的初始命题θ进行推理。

4 政务服务交付数据收集与信息揭示

4.1 数据搜集

为了更好地建设有效的公众参与政务服务评价机制，帮助各政府部门明确定位其日常工作中存在的弱点、盲点和痛点，更有效地纠正政务服务供给侧与消费侧间的偏差，北京市政务服务管理局自2018 年起委托中国科学院管理创新与评估研究中心连续开展了以窗口评价器、网上评价页面、问卷调查、办件大数据分析等方式相结合的政务服务“好差评”研究[30]。

本文的研究数据来源于2019—2021 年期间北京市政务服务“好差评”评价数据和后台办件数据。其中，包含对北京市政务服务对象开展的有效公众调查问卷21,079 份，与有效问卷相对应的办件库字段36 个，有效数据1,096,108 条。在21,079 位受访者中，男性占比54.68%，女性占比45.32%。在年龄方面，30～50 岁群体占比最高，占总样本的63.93%；50～70 岁群体次之，占比23.94%；18～30 岁群体占比9.83%；70 岁以上群体最少，占比2.3%。在事项类型方面，个人事项办理者和法人事项办理者占比基本一致（表2）。

表2 调查样本情况Table 2 Description of survey sample

4.2 证据推理参数设置

为了有效地开展证据推理计算，需要确定各数据源的可靠性系数R和测量指标的权重W。

问卷渠道的可靠性系数可以通过测量问卷调查的重测信度加以明确。从21,079 位答题人中分层随机抽取3%的答题人，在其接受第一次调查后的2～3 周内，对问卷部分题项进行乱序处理后，开展第二次问卷调查，并计算研究所涉及的10 道题项的重测信度。最终重测有效样本数为640 份，前后测相关性为0.872，结果双尾显著性水平为0.000＜0.001。因此，将R1=0.872 作为问卷调查数据源的可靠性系数。对于办件库定量数据，根据政务办件数据入库质控标准的下限准确率99.80%，将R2=0.998 作为事项库数据源的可靠性系数。

由于本文的探索性定位，定量判别或主观判别各指标的权重可能会导致结果的主观偏差，因此，本文赋予11 个测量指标以相同权重，即W1-11=1。

4.3 高满意度服务交付信息揭示

通过构建11 项自变量与因变量间的频数表（表3），并依照式(1)～式(5)步骤进行迭代计算，最终得出服务要素与满意度得分间的联合信度分布。

表3 指标F2.2“服务获取-满意度”得分频数表Table 3 Indicator F2.2 “service acquisitionsatisfaction” score frequency table

由于最终联合信度分布表篇幅较大，因此，本文仅对高可靠模式进行展示和分析（表4）。通过查询最终联合信度矩阵，本文列出了似然值90%以上的6 种高满意度服务交付模式。例如，在模式H1 中，当某办事人11 项指标得分组合为{4,5, 4, 5, 5, 5, 5, 5, 4, 5, 5}时，其政务服务交付体验得分为“5-非常满意”的似然值为97.82%。

从表5 中可以看到，证据F3.4、F3.2、F3.1 对服务交付满意度的整体影响最为显著，不同服务群体对整体办事时长、服务态度、大厅环境的要求均较高。在政务服务优化过程中，应优先缩短办事时限，提高办事效率，并进一步提升工作人员服务态度，改善大厅服务环境。与此同时，证据F2.1、F2.2、F4.2、F5.2、F3.3 在不同服务交付模式间存在差异明显，不同类型服务群体对办事指南、网上服务渠道、投诉反馈质量、排队等候时长等指标的敏感性不同，应结合具体服务场景，有针对性地优化此类要素。

5 服务交付模式综合研判

通过对比表6 中落入各模式的群体比例和其在总体中的比例可以看出，模式H1、模式H2、模式H6 中各样本分布与其在总体中的分布差异较小，这类服务模式具有相对普适性。而在模式H3、模式H4、模式H5 中，特定群体占比显著高于其在总体样本中的比例。

具体而言，在模式H3 中，18～30 岁青年人比例（50.96%）较其在总体中的比例（9.83%）高41.13%；模式H4 中，办理法人事项群体比例（90.77%）较其在总体样本中的比例（50.06%） 高40.71%； 模 式H5 中，50～70岁中老年人比例（63.45%）较其在总体样本中的比例（23.94%）高39.51%。结合上述模式中各指标得分特征（图3），并对部分受访者进行电话回访，上述各服务交付模式特征的内在机理总结如下。

图3 面向不同服务群体的三类服务交付模式Figure 3 Three service delivery patterns for different customer segmentations

模式H3 中，年龄处于18～30 岁的青年群体对政务服务中信息平台的需求较高，若能在服务过程中提供自助终端、材料在线预审等服务，则将显著提升其办事满意度。与此同时，青年群体对办事指南服务期望较低，相较于了解并依照指南流程接受服务，其更倾向于在信息化平台上自主探索。

模式H4 中，法人事项办理者对政策知悉的需求最高，其希望及时了解各类利企新政，因此，加强政策宣讲能够有效提升其办事整体体验。此外，法人事项办理者往往为高频办事的“专家型”群体，熟悉办事流程，对办事指南需求较低，投诉情况相对较少，因此，对指南内容、投诉反馈渠道、排队时长的等服务要素的敏感度较低。

模式H5 中，50～70 岁的中老年群体对线下服务流程和投诉反馈质量较为敏感，针对此类群体，优化其窗口服务体验并对负面投诉及时处理反馈可显著提升其整体满意度。此外，中老年群体对办事指南和线上信息平台服务的敏感度较低，其更倾向于直接咨询工作人员相关办事信息并面对面办理业务。

6 政务服务交付模式优化建议

6.1 优化建议

基于当前北京市政务服务公众侧“好差评”数据和办件数据分析，不同类型办件人对不同服务要素的感知度和需求度存在模式性差异。因此，结合各类办事群体特征，开展差异化的服务交付模式识别和优化，可在降低整体投入的基础上精准提升各类服务群体的满意度水平，从而实现服务成本下降和公众满意提高的双赢目标。为此，本文在具体举措上提出如下建议。

一是聚焦政务服务过程中各类群体均高度关注的基础性服务要素，持续推进政务服务大厅标准化建设，完善大厅软硬件设施。重点推进政务服务“减时长”改革提高办件效率。同时，建议增强窗口人员服务意识和专业素养，提升窗口办事体验。

二是针对青年服务对象，建构以信息化为核心的服务交付模式。考虑到青年群体对政务服务过程中的信息化要素需求强烈，对于租房公积金、生育服务、暂住证办理等主要面向中青年服务对象的事项，建议进一步推进全程网办和掌上办理。在青年群体较为集中的写字楼、产业园区、高校等位置投放24 小时自助办事终端，在上述地点附近的政务服务大厅增量配置自助电脑等设备。通过上述举措，着力将这一学习能力强、互联网生活经验丰富的群体从线下引流到线上，在节省大厅政务服务资源的同时有效提升其办事满意度。

三是面向法人事项办理群体，建构以事前告知为核心的服务交付模式。可从各类企业的行业属性、地理分布、生命周期特征入手，依托行业组织、产业园区来定位同质服务群体，精准开展惠企新政宣讲和办事流程培训工作。通过做好服务过程中“最初一公里”，提升法人事项专家型办件人事前知悉度，确保涉企复杂事项快捷办、便利办，提升法人办事群体的办事效率和营商感受。

四是关注中老年服务对象需求，建构以暖心沟通为核心的服务交付模式。针对中老年群体对办事指南和信息化工具的使用率较低，但对服务态度、投诉反馈质量等涉情感类服务要素敏感度较高的特征，建议在北京市中老年服务对象比例较高的天坛街道、什刹海街道、月坛街道等政务服务大厅增加帮办代办资源，增量配置休息区、老花镜等便民设施。通过人工引导和全程陪护办件，力求让其体验“最多跑一次”服务以提升满意度。与此同时，可适度降低大厅非强制性信息化服务设施配置量，提高服务资源配置效率。

6.2 结论与展望

当前，由政务服务信息化环境中各类服务设备、环境传感器、办件系统生成的政务服务行为化大数据正不断积累，但由于数据源间格式、标准间的兼容性问题，尚难开展大规模融合性挖掘。未来，将不断关注上述底层大数据质量的改善进程，以期进一步开展基于服务行为化大数据的高满意度模式归纳、分析研究。此外，由于篇幅所限，本文仅探索了利用证据推理规则方法的模式归纳分析研究，验证了整体研究思路的可行性。随着各类数据的不断丰富，后续研究将进一步对其他人工智能方法在政务服务领域应用的可行性和局限性开展探索和比较，以期为高效推进“放管服”改革、精准弥合政务服务供给侧与需求侧间偏差提供参考。