本文摘选于《智慧出行服务技术与方法》一书

长期以来，作为交通产业的重要组成，出行服务提供者更关注公共交通服务效益和运营效率， 出行服务的评价往往从服务管理者的角度出发， 忽视了乘客的出行体验。但随着生活水平的提升，乘客对出服务质量提出了更高的要求，推动交通产业发展质量不断提升。随着MaaS这一概念的出现， 出行服务迅速成为当下的热点与发展趋势。

在过去的几年里，服务质量已经成为从业人员、 管理人员和研究人员关注的主要领域， 乘客的出行体验取代效益和运营效率成为出行评价的重点。随着出行产业的发展，交通行业的研究人员和管理人员不断优化所提供的出行服务相关细节， 优化顾客出行体验， 增加利润率。同时，不断提高的服务质量也是出行服务厂商和交通规划者吸引和保留更多的乘客的重要工具， 对提高市场份额有着重要意义。

此外，高质量的交通服务也将鼓励人们转向公共交通服务， 对碳中和进程也有着一定推动作用。出行服务的优化将促进交通产业和现代城市的可持续发展， 评价技术可以帮助交通参与者优化战略目标，并确定筹资决策。

在出行评价不断发展的背景下，模型的重要性逐渐凸显， 出行服务评价模型有助于从业者了解与服务质量相关的因素， 为其提供服务产品的改进方向。近年来，许多研究者从不同的角度，使用一系列不同的方法来研究交通部门的服务质量。由于出行服务质量概念的复杂性、用于评估服务质量属性的多样性、用于分析服务质量的数据不精确性和主观性以及乘客感知的异质性， 目前发展的基于乘客满意度调查方法繁多且没有统一的标准。

目前，较多的研究基于陈述偏好调查的离散选择模型分析公共交通服务质量。这种方法是基于这样的假设：尽管某些方面，乘客对服务质量的满意度可能是特别积极或消极的，但乘客满意度的总体水平由个人对所提供的全部服务的评价来衡量。尽管运输部门使用了各种复杂的评价方法，其测量也具有特殊性， 但基于乘客满意度的模型正在被最广泛地用于分析交通部门的服务质量， 基于乘客满意度调查的交通服务质量分析也是出行领域的主要分析方法。

出行服务评价策略

出行服务质量的概念是复杂、模糊和抽象的，主要是因为服务的三个特性：

无形性、异质性和不可分割性。许多研究者认为，服务质量的感知是消费者期望与实际服务感知比较的结果。基于这种思路，模型将期望解释为对服务的预测， 作为一个理想的标准或足够或可容忍的质量属性与顾客的实际感知相比较。当分析公共交通行业的服务质量时，许多研究者用重要性测量来代替期望， 尽管这并没有理论基础， 然而， 衡量哪些服务属性对顾客来说是重要的可能比衡量顾客期望值对管理者来说更有意义。服务质量和满意度两个变量的性质相似，都来自于不确认理论，二者的关系并不明确。

近年来，关于 “服务质量 － 满意度 － 忠诚度／行为意向”范式有很多研究， 这个范式认为， 满意度是服务质量和忠诚度或行为意向之间的联系。但也有研究者认为，虽然服务质量与满意度这两个概念在很多文献中被交替使用， 但它们本质上是相异的。服务质量是一种认知判断（思考／ 判断）， 总结了服务中特别好 （或坏） 的元素， 特别是与其他直接替代方案相比；而与此相反，乘客的满意度是一种纯粹体验式的情感判断（喜欢／愉悦）， 是消费者的满足反映。

在实际研究中，大量的属性被用来评估服务质量， 许多研究甚至考虑了超过100个属性， 这些属性也通常被归纳为数量更少的维度。尽管对服务质量维度的性质没有普遍的共识，但人们普遍认为服务质量是一个多维度的构造， 并且是多层次或分层的。在出行评价调查中，调查中包括的属性维度必须根据每个具体案例进行选择。

然而，在实际分析中许多属性是重复的， 无论考虑的是什么类型的服务和环境， 通用属性的归纳尤为重要。对于交通服务来说，服务的频率、 准时性、 舒适性和清洁度、 安全性、 信息的可用性、 工作人员提供的服务、 票价等项目有着更突出的意义。除了这些项目，还应该考虑每个特定环境下支撑服务的其他方面， 因为不同用户的体验在很大程度上取决于用户的社会和人口特征、 所处的环境 （地理区域、 社会阶层和服务类型）、出行的原因以及使用的交通方式， 不同服务评价特异性的选择通常是在详尽研究属性对服务评价重要性的基础上进行的。

在实际应用中，为达成上述目的， 文献调查、服务商调查、 试点用户调查、 统计测试等方法往往被组合使用， 以确定是否应该考虑某个属性；此外，通过重要性分析， 这些方法也被用来通过减少属性的数量以简化数据收集。一般而言，存在几类对服务质量和满意度有着重要影响的属性， 即核心属性或关键属性。

UNE-EN 13816:2003标准对服务特性进行了分类，根据遵守和不遵守对顾客满意度的影响， 分为基本因素 （如准时性、 安全性）、 比例因素 （如舒适性、清洁度） 和吸引力因素 （如非接触式服务、 高效引导）。美国交通研究委员会《公交能力和服务质量手册》将属性分为可用性、 舒适性和便利性因素， 第一种因素涵盖时间表、 服务覆盖面、 信息提供等关键因素， 对乘客来说比较重要，而后两者对乘客来说不太重要 （如服务外观、 过度拥挤、 票价等）。这两类因素也被称为基本属性和非基本属性，基本属性在其水平较低时损害了服务质量（如准时性、 频率、 服务覆盖面）， 而非基本属性 （如清洁度、 驾驶员是否礼貌） 被认为是次要的服务特征， 非基本属性的存在在一定程度上会提高服务质量， 但非基本属性的缺失却不会对服务质量有明显损害。

在客运服务中，服务质量是乘客的感知与期望相比较的结果。其概念往往具有主观性，因此评价过程通常涉及主观评估，导致不精确的数据。模糊理论等方法可以处理评估服务质量的数据中固有的主观、定性和不精确信息问题。但这一概念的主观性也使用户对服务不同特点的看法有很大差异。不同用户的社会经济特征，以及对公共服务的态度具有多样性， 用户的感知也往往是异质的。为了分析这种异质性，一种可能性是对样本在人口的社会经济和人口统计方面的特征 （收入、 性别、 汽车可用性、 频率等） 进行分层， 以此建立特定的模型。近年来，关于主观数据 （乘客的意见） 是否可以与服务性能的客观数据 （技术数据） 相结合来评价公共交通整体质量的争论不断出现。

一方面，服务质量是乘客主观所认为的质量， 主观评价显示出用户评价之间的高标准偏差， 而客观数据的这种异质性较低。大多数服务属性评价调查获得的客观值高于用户表达的平均满意率，只有少数主观指标达到的值高于客观值， 如果用户认为某个服务方面是令人满意的， 但客观上却没有达到适当的质量标准，那么交通机构可能就不会投入更多的资源来改善这个方面。

但另一方面，客观指标可以提供更清晰、 更少偏差的信息， 如果用户对某个服务方面不满意， 但这个方面已经提供了良好的质量标准， 那么为满足客户要求而分配的额外资源将被浪费。此外，主观因素的测量方法有很强的主观性，如果受访者的抽样不正确， 或者用户的判断过于异质， 在分析服务质量时可能会出现相当大的统计误差。

在出行服务评价策略中，用户调查是收集用于分析质量信息的一个重要工具。乘客满意度调查问卷要求客户对每个关键的服务属性进行满意度或性能感知的评价， 其分析结果被应用到出行总体评价中。在调查问卷中， 乘客被要求对每个属性的重要性进行评价，或者对不同属性进行排名， 以及对整体的服务满意度进行评价；在某些情况下， 乘客被要求从感知和期望两个方面对每个属性进行评价， 或者从感知和期望两个方面对总体服务进行评价。以欧盟 MaaS 出行应用 MaaS4EU 的乘客满意度调查问卷为例， 研究者调查了使用者对出行服务体验和满意度的评价， 并分析了影响乘客使用出行平台的三个最主要因素， 同时调查了出行服务的使用对用户出行和生活的影响。此外， 作为线上应用程序，MaaS4EU 还调查了乘客对服务平台的使用感受。在分析形式中， 数字量表的使用最为广泛， 范围也更大；而语言量表使用较少， 范围较窄。

出行服务评价指标体系及测算方法

服务质量分析有两种主要的理论方法， 一是乘客服务感知方法， 二是结合了乘客对服务期望的感知方法。根据服务质量是通过分解 （服务属性被单独分析） 还是聚合 （属性的聚合分析被用来获得整体的服务质量指数或乘客满意度指数） 的差异， 服务质量分析在方法学上也有两种模型。

分解模型有助于从一系列繁多的服务属性中确定改善服务的优先次序， 而综合模型则提供了一个服务质量指数， 可以更有效地对服务进行长期分析， 并对不同的服务进行比较（如地域范围、 供应商等）。

在某些情况下，两种方法同时使用能取得更好的效果：分解模型帮助管理者更优化地集中他们组织的注意力和资源， 而聚合模型在整体上分析服务质量的水平， 并确定服务对乘客的整体感知产生的影响。下面将基于两种理论和两种方法论， 对分解模型和聚合模型下的服务感知方法、服务感知 － 期望方法进行介绍。

服务感知 -期望聚合模型

从客户的角度来看， 服务质量 (Service Quality, SQ) 是反映期望服务和实际服务之间差异的函数。聚合的表现 － 期望模型被定义为

式中， k为属性的数量；为刺激因素 ｉ 对属性 ｊ 的性能感知；为关于刺激因素 i 对属性 j 的服务质量期望。

几十年来， 这一模型一直作为服务质量分析的起点， 因为它提供了一个整体的服务质量指数， 可以在一段时间内进行分析或比较不同的服务， 但这种方法并不能帮助确定服务属性改进的优先次序。另外， 式 （８-１） 意味着所有的属性在服务质量中都是同等重要的， 但事实并非如此， 考虑不同属性的重要程度， 加权后的服务质量可能会有更好的评价效果。

乘客满意度指数 (Customer Satisfaction Index, CSl)考虑了属性的重要性和满意率， 可以更好地反映服务质量， 表达式为

式中，为用户对服务质量 k 属性表达的满意率的平均值；为 k属性的权重， 根据用户表现的重要率计算， 具体来说， 它是用户对k属性所表达的重要率的平均值与所有服务质量属性的平均重要率之和的比率。

乘客满意度指数代表对整体满意度的良好衡量， 因为它将顾客对几个服务属性的判断总结为一个单一的分数。然而， 顾客的满意率在用户之间可能是非常异质的。这些异质性不能被乘客满意度指数所考虑。为了克服这一不足， 重要率权重和满意率可以根据其分散性进行修正。异质乘客满意度指数(Heterogeneous Customer Satisfaction Index, HCSl ) 改进了乘客满意度指数， 有更好的表达效果， 即

式中，为根据距平均值偏差修正后用户对 ｋ 属性的满意率；为根据满意率的分散度修正后用户表现的 ｋ 属性权重。异质乘客满意度指数将异质性引入用户的判断中， 同质化属性的重要性也得到了突出。

服务感知聚合模型

一些研究者认为， 表现感知已经是顾客对预期和实际服务的比较， 因而只基于表现的感知模型比表现感知 － 期望的综合模型要好。仅基于乘客实际服务感知的测量方法一般可表述为

式中，k为属性的数量；为刺激因素 ｉ 对属性 ｊ 的性能感知。

服务感知分解模型

基于象限分析方法， 表现分解模型广泛应用于服务质量评估中。在实际应用中，ｘ 轴和ｙ轴分别代表乘客对出行服务某一属性的评价排序和重要性， ｘ -ｙ轴分割的四象限图为研究者提供了可视化的量化分析工具。相对而言， 表现分解模型直观而简单， 广泛应用于交通运输行业。但这种量化仍然是模糊的， 不同出行服务指标的优先级仍是不确定的。

服务感知 -期望分解模型

容忍区(Zone of Tolerance，ZOT)等概念的提出为基于期望的表现分解模型提供了理论基础。假设乘客对出行服务的期望可以分为两个层次，即期望服务(Desired Service，DS)和充分服务(Adequate Service，AS)。容忍区定义为期望服务和充分服务之间的差异，服务优越性(Service Superiority，Ss)定义为期望服务和感知服务(Perceived Service，Ps)之间的差异，服务适当性(Service Adequacy，SA)定义为感知服务和充分服务之间的差异。一般而言期望服务是乘客希望得到的服务，是乘客认为“可以”和“应当”的组合，而充分服务是顾客认为可以接受的出行服务，二者之差即容忍区可以很好地反映乘客的出行满意度:事实上，ZOT可以更直观地对服务质量的期望进行分析通过定义一个基于客户满意度性能比(ZOT Service Quality，ZSQ)的概念，服务质量实现了从定性分析到量化分析的过程：

在式 （８-５） 中， DS、AS、PS分别代指期望服务、 充分服务及感知服务，ZSQ代表根据顾客期望的服务质量的性能比。某一服务属性的ZSQ值越小， 意味着性能越差， 因此应该有更高的优先级来进行改进。一般地， 在出行服务指标的评价过程中， 管理者仅需考虑不同属性的ZSQ值， 通过值的大小判断所考虑属性的重要性和优先级。在特殊情况下， 如果ZSQ值大于１， 表明乘客当前接受的服务高于期望服务， 不需要改进；而如果ZSQ值小于０， 表明当前服务已经低于乘客所容忍的服务， 则必须立即改进该属性。

 出行服务评价反馈机制

出行服务评价反馈为交通部门 MaaS 系统提供了支撑， 也是出行服务平台应用功能优化的关键。在实际应用过程中， 出行服务完成后， 乘客往往被要求填写满意度调查问卷， 而基于 MaaS 的线上评价模式可以实现平台与乘客用户间的实时交互反馈， 形成一个闭环反馈系统， 如图 ８-１所示。

在出行服务评价反馈体系中， 乘客或用户是参与出行的主体， 是 MaaS 出行平台服务的对象， 而在反馈体系中， 乘客的评价体验也是 MaaS 服务商和交通系统优化的重要参考；MaaS 平台为乘客提供多样的出行方案， 也为乘客提供其他用户的出行评价参考，在此基础上， MaaS 平台整合服务评价数据， 参与到交通管理部门的系统优化和服务改善中；政府管理部门作为监管机构， 是反馈体系框架的制定者和实际出行运营过程的监督者，现阶段我国出行服务体系建设仍处在起步阶段，而出行服务评价指标、 计算方法等国家标准的建设需要交通部门的指导，在一站式出行服务中， 各项权力责任的划分也需要法律法规的健全和完善，作为顶层设计者， 交通管理者也需要与 MaaS 平台通力合作， 在实际应用与反馈中不断完善出行服务评价反馈机制。

赛文荐书：本文摘选于《智慧出行服务技术与方法》一书。本书由“十三五”国家重点研发计划项目“城市智慧出行服务系统技术集成应用”的技术成果凝练而成，系统介绍全方式出行特征和精准用户出行需求，并以出行需求全链条响应和出行资源一体化配置为主线，讨论全方式、全链条、一站式的交通出行服务技术，形成出行即服务新模式；同时，面向政府治理侧论述交通供需预测、资源优化配置、多方式交通协同管控、智能推荐诱导服务等技术，形成管控促服务新模式，最终实现交通出行品质和资源利用效率双提升。本书适用于智能交通相关行业的研究机构、管理机构和出行服务企业的管理者和技术研发人员阅读，也可为我国出行服务系统的革新提供一些思路和方法。