斜線型IPA改進方法的分析

陳日光

摘 要：本研究提出斜線型“重要性-表現程度”分析法（Importance-Performance Analysis，IPA）的改進方法，采用要素績效與總體滿意度的常用對數轉換值相對應的偏相關系數作為引申重要度，并且以要素對總體滿意度平均影響性所獲得的斜線斜率，取代傳統45度斜線的區隔線，使分析結果更為精確。本文以廣東省肇慶市七星巖旅游區的游客滿意度為實證案例，驗證此改進方法的可用性。

關鍵詞：重要性-表現程度分析法；斜線型IPA；游客滿意度

中圖分類號：F592.7 文獻標識碼：A

引言

原始的“重要性-表現程度”分析法（Importanceperformance Analysis，IPA）由Martilla和James（1977）所提出，而斜線型重要度―績效（IPA）模型由Hawes與Rao（1985）首先提出，其以I=P的45度斜線區分要素為兩個區域：45度斜線上方為市場機會與45度斜線下方為滿足需要兩部分，作為營銷決策的依據[1]。Pi eiro等人（2006）將45度斜線模型區分成4個象限，包括45度斜線上方的聚焦改善，45度斜線下方進一步區分的低績效且低重要度的低順位，高績效且高重要度的繼續保持，及高績效但低重要度的努力過度，共4個區域[2]。Biesok與Wyród-Wróbel（2015）更進一步將Pi eiro等人的模型斜線上方的聚焦改善區進一步劃分為警示、改善區域，共6個區域模型，如圖1所示[3]。

一、研究背景

許多研究指出IPA的重要度采間接量測法是優于直接量測法的，然而斜線型IPA模型皆為采用直接量測法。且斜線型IPA模型皆采用45度的斜線為區隔線。但本研究認為因重要度與績效是要素不同的變量，僅以兩者相等的45度斜線作為區分改善優先度的原理太過簡略。

二、斜線型IPA的改進方法

（一）改進重要度計算方法

以往研究中，重要度計算方法采用間接量測法，常見做法是將整體滿意度與個別要素的多元回歸系數視為要素的重要度，然而變數間可能存在多元共線性的問題，以及非線性的可能性。因此本文以總體滿意度分值的常用對數轉換，以解決總體滿意度與要素之間潛在的非線性關系，并以偏相關系數取代回歸系數來避免共線性問題。

（二）斜線的斜率

大多數研究學者對45度斜線為區格線的概念沒有解釋清楚，或過于簡略。本文采用各要素的引申重要度與個別績效的比值，透過反正切函數表示此要素在IPA圖上所表示的斜率，并以所有要素的平均斜率為此斜線的斜率，代表此條斜線的區隔線由要素對整體滿意度的平均影響度所決定，而非傳統方法簡單地以45度斜線區分。詳細步驟如下。

（1）將整體滿意度值（y）以常用對數做轉換（logy）；

其中，xm表第m個要素的績效值；

（3）計算出每一要素與整體滿意度的偏相關系數，即得到各要素的引申重要度；

三、實例驗證

本文以廣東肇慶七星巖景區的游客滿意度為驗證案例，采用最新的6區域的斜線型IPA改進的方法，分析出景區針對游客滿意度須采取的策略。

（一）問卷設計、發放與回收

參考相關旅游景區游客滿意度的研究，筆者匯整出4個維度、21個要素題項。問卷由基本資料問題及21題項分別詢問游客感知的重要度與滿意度，采從不重要（不滿意）至非常重要（非常滿意）的李克特5等量表，分別以0.2，0.4，0.6，0.8及1計分。最后一題請游客填寫總體滿意度分數（0～10分）。筆者通過走訪調研的形式，在七星巖景區內部及出入口隨機邀請游客填寫。一共調研訪問了300位游客，剔除42份無效問卷，有效問卷回收率為85.3%。運用SPSS 20.0分析得到Cronbachs α值為0.856，可知本次問卷的總體信度是足夠的。另外采用抽樣適合性檢驗（Kaiser-Meyer-Olkin，KMO）與Bartlett球形檢驗統計量檢驗效度，其中KMO值皆達0.856，Bartlett球形檢驗統計量的顯著值為0.000 2，小于顯著性水平0.05，說明適合作因子分析。之后基于主成分和方差最大的正交旋轉分析，得到3個主成分，其累計解釋總方差為68.234%，說明本問卷的結構效度良好。

（二）引申重要度與斜線斜率計算

本研究就回收后的有效問卷，統計出每一要素的直接重要度與滿意度，然后將每一個總體滿意度的分數用對數轉換后，與各題的滿意度建立多元回歸模型，以計算出各要素的偏相關系數，并視各要素的偏相關系數為引申重要度，然后根據各要素的引申重要度與個別滿意度的比值（I/P）求算出反正切函數，即為各要素對應的斜線斜率，再進一步求算出平均的斜線斜率為30.63度，如表1所示。

（三）斜線型IPA改進方法的分析結果