基于结构方程模型的云闪付现实用户粘性分析

结构方程模型用于顾客满意度测评之实际应用顾客满意度一直是企业经营中极为重要的指标之一，了解顾客的需求并提供满足这些需求的产品和服务，对于企业的长期发展和竞争力至关重要。

为了评估顾客满意度，研究人员一直在探索使用各种模型和方法。

其中，结构方程模型（Structural Equation Modeling，简称SEM）已经成为一种广泛应用的测评方法。

结构方程模型是一种多变量分析技术，可以同时考虑多个构念（构念指的是观察不到的概念，比如顾客满意度）之间的因果关系及其度量关系。

通过建立测量模型和结构模型来评估变量之间的关系，可以帮助研究人员更全面、准确地了解顾客满意度的形成机制以及对企业绩效的影响。

在进行结构方程模型的实际应用时，研究人员需要经过以下几个步骤：第一步，确定研究目的和构念。

研究人员需要明确研究的目的是什么，以及需要考虑哪些构念。

对于顾客满意度，常用的构念包括产品质量、服务质量、价格感知等。

第二步，设计测量工具和采集数据。

研究人员需要根据选定的构念，设计相应的问卷或评估表，并通过问卷调查或实地观察等方式采集数据。

确保测量工具的有效性和可靠性对于后续的分析结果至关重要。

第三步，构建测量模型。

在这一步骤中，研究人员需要基于测量工具的数据，通过结构方程模型软件进行数据分析。

他们需要进行探索性因子分析，确定变量之间的关系，并且进行确认性因子分析，验证模型的拟合度，以保证模型的可靠性和有效性。

第四步，构建结构模型。

基于测量模型的分析结果，研究人员需要进一步构建结构模型，通过评估构念之间的因果关系，来解释顾客满意度的影响机制。

结构模型的构建需要参考理论框架和先前的研究成果，采用路径系数、效应大小等指标来评估变量之间的关系。

第五步，解释和解读分析结果。

研究人员需要解释和解读结构方程模型的分析结果，并确定对企业经营和管理的启示。

他们需要评估各个变量对顾客满意度的影响程度和方向，并提出相应的改进措施。

通过结构方程模型的实际应用，企业可以更准确地了解顾客满意度的形成机制，并有针对性地改进产品和服务。

基于结构方程模型的拉萨市网约车满意度研究
杨静怡;李欣益;梁财祎;王宇涵
【期刊名称】《科学技术创新》
【年(卷),期】2024()1
【摘要】本文基于结构方程模型,以拉萨市为研究对象,探究网约车服务质量对顾客满意度的影响。

在对拉萨市网约车用户进行问卷调查的基础上,通过构建包含安全性、可靠性、舒适性、便捷性、经济性等多项指标的结构方程模型,分析了这些指标对用户满意度的影响及其标准化路径。

研究结果表明,网约车服务的安全性、可靠性、舒适性、便捷性对用户满意度具有较大的相关性。

这些研究结果为提高网约车服务质量、提升用户满意度提供了重要的理论和实践参考,并在此基础上提出建议。

【总页数】4页(P151-154)
【作者】杨静怡;李欣益;梁财祎;王宇涵
【作者单位】西藏大学
【正文语种】中文
【中图分类】U491.1
【相关文献】
1.基于结构方程模型的网约车顾客满意度研究——以南京市为例
2.基于ACSI模型的网约车服务顾客满意度研究
3.网约车司机过劳问题形成机制的质性研究——基于上海市S区网约车司机的劳动过程分析
4.基于结构方程模型的拉萨市公交满意
度研究5.网约车平台下的劳动参与意愿与运力利用率——基于上海网约车与巡游车行程大数据的研究
因版权原因，仅展示原文概要，查看原文内容请购买。

作者： 赵青[1] 张利[2] 薛君[2]
作者机构： [1]西北工业大学管理学院,陕西西安710072 [2]西安邮电学院,陕西西安710061出版物刊名： 情报理论与实践
页码： 25-29页
年卷期： 2012年 第10期
主题词： 网络用户 粘性行为 形成机理 实证分析
摘要：文章在文献回顾的基础上，分析网络用户粘性行为产生机理，并提出网络用户粘性概念模型。

运用结构方程模型，对网络用户粘性行为形成机理概念模型进行实证分析。

实证结果显示，网络粘性行为是用户在持续使用基础上形成的一种伴随心理变化的过度使用行为，该种行为受到主客观等多种因素的影响。

结构方程模型在企业客户忠诚度研究中的应用企业客户忠诚度是企业长期发展和竞争力的重要保障。

在市场竞争激烈的今天，企业需要建立稳固的客户群体，提高客户忠诚度成为了他们的重要目标。

为了理解和预测客户忠诚度，研究者们借助了结构方程模型（Structural Equation Modeling，简称SEM）这一强大的分析工具。

结构方程模型是一种多变量分析方法，它将观察变量间的关系和潜变量之间的关系统一起来，能够检验研究假设、解释复杂的关系结构，并提供模型拟合度的评价。

在企业客户忠诚度研究中，结构方程模型可以帮助研究者构建和验证影响客户忠诚度的关键因素。

首先，在应用结构方程模型进行企业客户忠诚度研究时，需要确定适当的潜变量和观察变量。

潜变量是无法直接观察到的，代表了研究者感兴趣的概念。

观察变量则是潜变量的表征，是可以直接测量和观察的变量。

例如，在客户忠诚度研究中，潜变量可以是客户满意度、品牌认知、服务质量等，而观察变量可以是客户反馈的满意度评分、对品牌的认知水平等。

其次，在结构方程模型中可以探究不同变量之间的关系，并通过参数估计来检验和指导研究假设。

例如，我们可以研究客户满意度对客户忠诚度的影响，通过测量两者之间的关系强度，进而研究如何提高满意度以增加忠诚度。

结构方程模型还可以帮助研究者考察影响客户忠诚度的潜在因素，例如品牌认知、服务质量等，进一步揭示潜在的影响机制。

此外，结构方程模型还能够评估模型的拟合度。

模型拟合度是检验观察数据与模型之间的一致性程度，反映了模型的解释效力和预测能力。

通过拟合度评估，研究者可以判断所建立的模型是否能够很好地解释和预测客户忠诚度，从而指导进一步的研究和决策。

然而，结构方程模型在企业客户忠诚度研究中的应用也面临一些挑战和限制。

首先，数据的采集和样本的选择对研究结果的可靠性影响较大。

研究者需要确保所获得的数据质量良好，并且样本具有代表性，以保证结构方程模型的结果具有一定的推广性。

2009年6月第32卷第2期 湖南师范大学自然科学学报J o u r n a l o f N a t u r a l S c i e n c eo f H u n a nN o r m a l U n i v e r s i t yV o l.32　N o.2J u n.,2009基于结构方程模型的客户满意度建模及参数估计方法＊向坚持1,2,陈晓红1(1.中南大学商学院,中国长沙　410083;2.湖南师范大学计算机教学部,中国长沙　410081)摘　要　客户满意度是客户关系管理研究的重要内容之一.客户满意度模型和模型参数估计是客户满意度研究的重点和难点问题.从客户关系管理视角结合结构方程模型理论,提出了一种新的客户满意度结构方程模型并进行了实证检验,并对模型常用参数估计方法进行了探讨.关键词　客户关系管理;客户满意度;结构方程模型;参数估计中图分类号　F830 文献标识码　A 文章编号　1000-2537(2009)02-0031-06R e s e a r c h o n C u s t o m e r S a t i s f a c t i o nM o d e l i n g a n dP a r a m e t e r E s t i m a t i o nM e t h o dB a s e do nS t r u c t u r a l E q u a t i o n M o d e lX I A N GJ i a n-c h i1,2,C H E NX i a o-h o n g1(1.S c h o o l o f B u s i n e s s,C e n t r a l S o u t h U n i v e r s i t y,C h a n g s h a410083,C h i n a;2.D e p a r t m e n t o f C o m p u t e r E d u c a t i o n,H u n a nN o r m a l U n i v e r s i t y,C h a n g s h a410081,C h i n a)A b s t r a c t　C u s t o m e r s a t i s f a c t i o n i s o n e o f t h e i m p o r t a n t f i e l d s o f c u s t o m e r r e l a t i o n s h i p m a n a g e m e n t r e s e a r c h.C u s t o m e r s a t i s f a c t i o n m o d e l a n d t h e m o d e l p a r a m e t e r s e s t i m a t i o na r e t w o i m p o r t a n t a n d d i f f i c u l t p r o b l e m s f o r c u s-t o m e r s a t i s f a c t i o n s t u d y.F r o mt h e p e r s p e c t i v e o f c u s t o m e r r e l a t i o n s h i p m a n a g e m e n t,c o m b i n e d w i t h s t r u c t u r a l e q u a-t i o n m o d e l i n g t h e o r y,a n e wc u s t o m e r s a t i s f a c t i o n s t r u c t u r a l e q u a t i o n m o d e l i s p r e s e n t e d a n d t e s t e d,t h e n c o m m o n l y u s e d o f p a r a m e t e r e s t i m a t i o n m e t h o d s f o r m o d e l s i s s t u d i e d.K e y w o r d s　c u s t o m e r r e l a t i o n s h i p m a n a g e m e n t;c u s t o m e r s a t i s f a c t i o n;s t r u c t u r a l e q u a t i o n m o d e l;p a r a m e t e r e s t i m a t i o n著名管理大师彼德·德鲁克(P e t e r D r u c k e r)说过:“企业经营的真谛是获得并留住顾客”.客户是企业最重要的资源,客户关系管理(C u s t o m e r R e l a t i o n s h i p M a n a g e m e n t,C R M)已成为企业获取竞争优势的法宝.客户满意度研究是客户关系管理研究的重要内容之一,提高客户满意度也是客户关系管理的重要目标之一.客户满意度研究兴起于20世纪70年代,最早的文献可追溯到1965年C a r d o z o发表的“顾客的投入、期望和满意的实验研究”[1].客户满意度理论被誉为20世纪90年代现代管理科学的最新发展之一,它抓住了管理科学以人为本的本质.很多企业需要定期进行客户满意度调研,并将其结果作为客户关系管理和全面质量管理的重要信息来源,以获取市场竞争优势.客户满意度研究最重要的工作是建立科学的客户满意度模型,并对模型进行准确地估计后,才能进一步研究模型中影响客户满意度各因素之间的关系,并准确地计算出客户满意度指数.其中模型的创建和模型的参数估计是研究的关键问题,但是,从文献检索情况来看,目前＊收稿日期:2009-01-12基金项目:湖南省科技厅科研资助项目(2008F J3055)作者简介:向坚持(1971-),男,湖南桑植人,湖南师范大学副教授,中南大学商学院博士研究生,主要研究方向为管理信息系统,客户关系管理,WE B挖掘等.32 湖南师范大学自然科学学报 第32卷国内外学者从客户关系视角研究创建客户满意度模型并对模型参数估计方法适用性的研究还很少.因此,本文试图在现有客户满意度模型及参数估计方法的基础上,从客户关系管理视角,结合结构方程理论和企业客户关系管理实际应用情况,提出一种新的客户满意度结构方程模型,并对常用软件中提供的各种参数估计方法进行探讨,以便在今后满意度测评中,针对不同的客户满意度模型和实际调研数据情况,选择合适的参数估计方法.1　结构方程模型1.1　结构方程模型结构方程模型(S t r u c t u r a l E q u a t i o n M o d e l,S E M)是一种建立、估计和检验因果关系模型的多元统计分析技术,整合了因子分析、路径分析和多重线性回归分析等方法[2].结构方程模型可分为结构模型(S t r u c t u r a l M o d e l)和测量模型(M e a s u r e m e n t M o d e l)2部分.结构模型反映潜变量(L a t e n t V a r i a b l e)之间的结构关系,测量模型描述潜变量与显变量(M a n i f e s t V a r i a b l e,观测变量)之间的关系.显变量(观测变量)含有随机误差和系统误差,前者指测量上的不准确性行为,后者反映指标同时测量潜变量以外的特性,随机误差和系统误差统称为测量误差,但潜变量不含这些误差.(1)结构模型对于潜变量之间的关系,可写成如下结构方程: η=Bη+Γξ+ζ,(1)其中,η是内生潜变量(E n d o g e n o u s O b s e r v a b l e,模型中受到其他变量的影响),ξ是外生潜变量(E x o g e n o u s O b s e r v a b l e,模型中自身不受其他变量影响,只影响其他变量);B为内生潜变量系数矩阵,描述了内生潜变量η之间的关系;Γ为外生潜变量系数矩阵,描述了外生潜变量ξ对内生潜变量η的影响;ζ为结构方程的残差项,反映了η在方程中未能被解释的部分.(2)测量模型对于指标与潜变量之间的关系,通常写成如下测量方程: X=Λxξ+δ,Y=Λyη+ε.其中X是外生潜变量ξ的观测变量;Λx为观测变量X与外生潜变量ξ之间的关系矩阵,由X在ξ上的因子载荷矩阵构成;δ是X的测量误差;Y是内生潜变量η的观测变量;Λy为观测变量Y与内生潜变量η之间的关系矩阵,由Y在η上的因子载荷矩阵构成;ε是Y的测量误差.1.2　结构方程模型的构建结构方程模型的建立过程一般有5个主要步骤,即模型设定(M o d e l S p e c i f i c a t i o n)、模型识别(M o d e l I-d e n t i f i c a t i o n)、模型参数估计(M o d e l P a r a m e t e r E s t i m a t i o n)、模型评价(A s s e s s m e n t o f M o d e l F i t)和模型修正(M o d e l M o d i f i c a t i o n)[3].①模型设定.根据已有的理论知识、经验和研究主题,构建理论模型.首先是潜变量的确定和可测变量的选择,然后分别构建结构模型和测量模型,包括明确各潜变量与潜变量之间的关系,各个潜变量与可测变量之间的作用方向等.②模型识别.模型识别是判定模型中每一个待估计的参数是否能由观测数据求出唯一的估计值.如果方程中的自由参数有一个不能由观测数据估计得到,则方程不可识别,否则,模型可以识别.结构方程模型常用的识别法则有t规则、两步规则和M I M I C规则等.③模型参数估计.模型参数估计通过对样本统计量的计算得到总体待估参数的估计值.模型参数估计有多种方法,常用的有极大似然法、非加权最小二乘法、广义最小二乘法、主成分回归分析法、偏最小二乘法等.④模型评价.考察模型是否能充分地对观测数据进行解释,评价模型是否是一个理想的模型相当复杂,整个过程需要进行多种检验.既需要对模型中的参数进行检验,又需要对测量方程和结构方程进行检验,还需要考虑整个模型的拟合程度(M o d e l F i t).⑤模型修正.如果模型效果不理想,就需要对模型进行修正,模型修正后,再对修正的模型进行检验,根据检验结果判断是否还需要进一步调整模型.模型修正包括提出先验模型,建立测量方程模型,并对模型检查标准误差、标准化残差、修正指数、参数期望改变值、χ2及各种拟合指数等.本文拟在结构方程模型理论基础上,重点对客户满意度的理论模型构建和模型参数估计方法进行深入探讨.2　客户满意度结构方程模型学者对客户满意度进行了广泛研究,提出了不同的客户满意度模型.O l i v e r R i c h a r d (1980)提出的“期望-不一致(E x p e c t a t i o n -D i s c o n f i r m a t i o n )”模型[4],该模型认为,客户在消费过程中或结束后,会根据自身的期望,以及所感知到的产品或服务的实际表现与期望的不一致情况进行评价.如果产品或服务的实际表现超过期望,客户就会满意,反之客户就会不满意.C h u r c h i l l (1982)等人[5]在此基础上进一步提出,客户的感知表现也将直接影响客户满意度.O l i v e r R i c h a r d (1993)[6]在此前研究基础上进一步将客户的情感因素纳入到客户满意度模型,提出了“联合认知和增补情感的客户满意/不一致(C o m b i n e dC o g n i t i v e a n dA f f e c t -A u g m e n t e d C S /DM o d e l )”模型.在对客户满意度理论模型定性研究的基础上,学者开始对客户满意度模型进行定量研究,其主要研究影响客户满意度的因素,即通过构建客户满意度模型,选择合适的定量方法,生成客户满意度指数(C u s t o m e r S a t i s f a c t i o n I n d e x ,C S I ).1989年,瑞典建立了世界上第1个客户满意度模型:瑞典客户满意度指数模型(S C S B ).该模型将客户期望、质量感知、客户满意度、客户抱怨和客户忠诚5个潜变量组成一个计量经济学模型[7].之后,美国、德国、加拿大、日本、欧盟等纷纷建立具有自己特色的客户满意度模型.美国客户满意度指数模型(A C S I )是在瑞典客户满意指数模型的基础上由美国密歇根大学商学院质量研究中心和美国质量协会共同研究并于1994年提出[8],如图1所示.该模型由6个潜变量和14个观测变量(显变量)组成,6个潜变量分别为:客户期望、质量感知、价值感知、客户满意度、客户抱怨和客户忠诚.14个观测变量如下:客户期望潜变量由总体质量的期望、可靠性的期望和对满足需求的期望3个观测变量测量;质量感知潜变量由总体质量、可靠性和满足需求的能力3个观测变量测量;价值感知由给定价格下对质量的感知和给定质量下对价格的感知2个观测变量测量;客户满意度有3个观测变量:总体满意度、对预期的满足和与理想的差距;客户抱怨由客户投诉或客户抱怨测量;客户忠诚包含2个观测变量即对价格的承受能力和再购买意愿.A C S I 模型各组成变量之间的联系呈现因果关系,不仅可以总结客户对以往消费经历的满意程度,还可以通过评价客户的购买态度,预测企业长期的经营业绩.图1　美国客户满意度指数模型根据客户满意度测评的基本原理和客户关系管理基本理论,结合国内外客户满意度指数模型,本文提出了如图2所示的客户满意度结构方程模型.本模型由6个潜变量和18个观测变量构成.6个潜变量即客户期望、客户感知、客户细分、客户满意度、客户忠诚和客户流失.客户细分为外生潜变量,客户价值可分为高价值客户、中价值客户、低价值客户和负价值客户4个观测变量;客户期望、客户感知、客户满意度、客户忠诚和客户流失均为内生潜变量.减低客户期望,提高客户感知可以有效提高客户满意度.影响客户期望的因素除了客户细分结果外,还有客户经验、竞争者水平、口碑效应和突发事件影响,将这4个因素作为潜变量“客户期望”的观测变量;客户感知包括客户感知利得和客户感知成本2个观测变量,当客户感知利得大于客户感知成本时,会提高客户满意度;客户满意度包括3个观测变量即单项满意度、总体满意度和理想的差距;客户流失由客户挽回率和客户流失率2个观测变量测量;客户忠诚包括重复购买、价格承受能力和口碑推荐3个观测变量.33第2期 向坚持等:基于结构方程模型的客户满意度建模及参数估计方法 34 湖南师范大学自然科学学报 第32卷图2　客户满意度结构方程模型本模型引入客户细分潜变量,大量的实践表明不同类型的客户对客户期望有着显著的区别,不同类型的客户对客户感知同样有着显著的差异,客户细分的结果对客户感知、客户期望和客户满意度有着直接的影响.客户满意度直接影响客户忠诚和客户流失,高满意度的客户更有可能成为忠诚的客户,不满意的客户更有可能导致客户抱怨或者客户投诉,导致客户流失.忠诚的客户具有更高的价格忍耐力和客户保持,有效降低客户流失.3　客户满意度模型参数估计方法3.1　结构方程模型的参数估计结构方程模型的参数分为3类:自由参数、固定参数和限制参数.自由参数是未知的且需要估计的参数,模型能否识别和自由参数的个数密切相关.在实际应用中,为保证模型是可识别的,通常尽量减少自由参数,只保留必须的自由参数.固定参数的值是预先设定的,过程设定固定参数以减少自由参数的个数.限制参数是未知的,可用来设定等于其他参数的值,以减少自由参数的个数,使模型可以识别.结构方程模型的参数估计过程与传统统计方法有所不同.传统统计方法进行参数估计时,是以实际观测值与模型估计值之间的差值最小化为目标;结构方程模型参数估计是从∑=∑(θ)出发,∑是观测变量之间的总体协方差矩阵,∑(θ)是假设含有参数θ的协方差矩阵.被观测的协方差(即样本协方差)减去被预测的协方差,得到残差,参数估计过程就是使用特殊的拟合函数使该残差很小.以样本协方差S代替总体协方差∑,使由假设模型得到的协方差矩阵∑(θ)与S尽可能接近,其接近程度可以用拟合函数F(S,∑(θ))表示.选择不同的参数估计方法,其使用的拟合函数不同,得到的结果也可能不一样.3.2　结构方程模型常用的参数估计方法结构方程模型的参数估计方法很多,在实际应用中可以借助一些软件来实现,目前流行的结构方程软件有A M O S、L I S R E L等.A M O S提供的参数估计方法有最大似然估计法(M a x i m u mL i k e l i h o o d,M L)、非加权最小二乘法(U n w e i g h t e d L e a s t S q u a r e s,U L S)、广义最小二乘法(G e n e r a l i z e d L e a s t S q u a r e s,G L S)、渐进自由分布(A s y m p t o t i c a l l y D i s t r i b u t i o n-F r e e,A D F)标准法和自由尺度最小二乘法(S c a l e-F r e e L e a s t S q u a r e s,S F L S). L I S R E L提供了最大似然估计法(M L)、非加权最小二乘法(U L S)、广义最小二乘法(G L S)、广义加权最小二乘法(We i g h t e d L e a s t S q u a r e s,WL S)和对角加权最小二乘法(D i a g o n a l l y W e i g h t e d L e a s t S q u a r e s,D W L S).在实际应用中,很多人选择如A M O S软件默认的最大似然估计法(M L)进行参数估计,对于不同方法的优劣缺乏研究.本文对A M O S和L I S R E L软件中最常用的3种方法:最大似然估计法(M L)、非加权最小二乘法(U L S)和广义最小二乘法(G L S)进行探讨,研究不同估计方法优缺点和适用性,以得到使拟合函数值最优的参数估计,提高模型的拟合度.(1)最大似然估计法(M L)最大似然估计法的拟合函数为: F M L=l o g∑(θ)+t r[S∑-1(θ)]-l o g S-(p+q),(2)其中,t r[S∑-1(θ)]是矩阵[S∑-1(θ)]的对角线元素之和;l o g∑(θ)是矩阵∑(θ)的行列式的对数;l o g S 是矩阵S 的行列式的对数;p 、q 分别是内生和外生观测变量的个数.矩阵∑(θ)和S 越接近,则l o g ∑(θ) 和l o g S 越接近,t r [S ∑-1(θ)]则越接近t r [I ],即越接近p +q ,从而使F M L 逼近最小.采用最大似然估计法要求观测变量为连续变量且服从正态分布,偏态分布会导致参数估计效果很差以及错误的标准误差和偏高的值.要使矩阵∑(θ)和S 更接近,需要大样本且∑(θ)存在逆矩阵,如果∑(θ)不存在则无法求解.(2)非加权最小二乘法(U L S )非加权最小二乘估计法的拟合函数为: F U L S =12t r [(S -∑(θ))2],(3)其中,S -∑(θ)为残差矩阵.使F U L S 达到最小的估计称为非加权最小二乘估计.要使F U L S 达到最小,必须使(S -∑(θ))2最小,也就是使矩阵∑(θ)中的每一个元素与矩阵S 中对应的元素差距最小.非加权最小二乘估计对观测变量的分布不作限定,不要求观测变量总体服从正态分布,因而一般情况下得不到参数估计的标准误差,无法进行参数的显著性检验.U L S 估计方法不具有量纲不变性,并非总体真值的渐近有效估计,有的软件给出U L S 估计的误差,是假定服从正态分布下的渐近标准误差.(3)广义最小二乘法(G L S )广义最小二乘估计法的拟合函数为: F G L S =12t r {[S-∑(θ)]W -1}2,(4) F G L S =12t r [I -∑(θ)S -1]2,(5)其中,S -∑(θ)为残差矩阵,W 是一个加权矩阵,是一个正定矩阵或依概率收敛于正定矩阵的随机矩阵.使F G L S 达到最小的估计称为广义最小二乘估计.实际应用中通常取W -1=S -1(S -1为样本协方差矩阵),使广义最小二乘估计法的拟合函数变为如式(5)所示,即F G L S 以S -1为加权矩阵.广义最小二乘法的观测变量服从多元正态分布,具有量纲不变性.在大样本下,G L S 估计是一致估计,且渐近有效,当加权矩阵W =I ,M L 估计成为G L S 估计的特例,F G L S 与F M L 很接近,估计的结果也很接近.3种参数估计方法都是通过构造一个模型估计协方差与样本协方差的拟合函数,然后采用迭代方法得到使拟合函数值最优的参数估计.3种方法的估计都具有一致性,但不同的方法适用于不同的情况.当多元正态性假设不成立或变量分布具有偏度时,M L 和G L S 方法的估计是近似有效的.可以采用2种处理方法,一是首先对观测变量的抽样数据进行变换,使其近似于正态分布,然后用M L 和G L S 方法处理;二是采用有偏参数估计方法,如U L S 方法,但需要大样本以得到一致估计.也可采用偏最小二乘法(P a r t i a l L e a s t -S q u a r e s M e t h o d ,P L S )处理.偏最小二乘法(P L S )也是一种流行的结构方程模型参数估计方法,具有收敛速度快,可以处理非线性关系、非正态分布、小样本指标[9],是将主成分分析与多元回归相结合进行迭代估计的一种多元数据分析方法.4　应用案例本文以某小型零售企业为实证对象,通过在该企业网站上发放客户满意度调查问卷表采集数据.共收集问卷248份,通过有效性筛选,确定样本数据231份.采用A M O S 7进行模型设定、模型估计和模型评价,建立了图3所示的模型路径图.从信度检验来看,各潜变量C r o n b a c h α系数的值均大于0.7,模型的整体C r o n b a c h α系数的值为0.926,说明模型中各结构变量的观测变量具有很好的一致性,模型具有可靠性.从效度分析来看,样本充分性K M O 测试系数为0.718,样本额分布的B a r t l e t t 球形检验卡方值为224.252,显著性水平为0,表明适合做因子分析.由于观测变量为连续变量且数据分布近似正态分布,模型参数估计方法选择最大似然估计.从客户满意度结构方程模型的拟合指数来看,拟合优度指数G F I 的值是0.952,大于参考值0.9;调整的拟合优度指数35第2期 向坚持等:基于结构方程模型的客户满意度建模及参数估计方法 A G F I 的值是0.937,远高于0.8的最低要求;规范拟合指数N F I 为0.975,大于参考指数0.9,比较拟合指数C F I 是0.985,高于参考值0.9;近似误差均方根R M S E A 为0.039,小于0.05的标准值.以上各项指标显示,该模型拟合程度较好.图3　客户满意度结构方程模型路径图5　结束语本文根据客户满意度基本原理和客户关系管理基本理论,结合国内外客户满意度指数模型研究,提出了由客户细分、客户期望、客户感知、客户满意度、客户忠诚和客户流失6个潜变量18个观测变量构成的客户满意度结构方程模型.在对客户满意度模型进行检验时,需要选择相关软件进行模型参数估计、模型评价和模型修正等数据分析工作.参数估计方法的选择对模型检验影响很大,通过对常用模型参数估计方法的探讨,提出应针对实际问题和数据特征,选用合适的参数估计方法或方法组合,提高模型拟合的精度,为企业提高客户满意度战略提供更准确、科学的有价值信息.本文最后将该结构方程模型进行一个实例验证,证明该模型是可行的.参考文献:[1]　D I A M A N T O P O U L O S A ,S I G U A W J A.I n t r o d u c i n gL I S R E L :ag u i d ef o r t h eu n i n i t i a t e d [M ].L o n d o n :S a g e P u b l i c a t i o n s (C A ),2000.[2]　柯惠新,沈　浩.调查研究中的统计分析方法[M ].北京:中国传媒大学出版社,2005.[3]　易丹辉.结构方程模型方法与应用[M ].北京:中国人民大学出版社,2008.[4]　O L I V E RRL .Ac o g n i t i v em o d e l o f t h ea n t e c e d e n t s a n dc o n s e q u e n c e s o f s a t i s f a c t i o nd e c i s i o n s [J ].J o u r n a l o f M a r k e t i n gR e -s e a r c h ,1980,X V Ⅱ,460-469.[5]　C H U R C H I L LGA ,S U R P R E N A N TC .A n i n v e s t i g a t i o n i n t o t h e d e t e r m i n a n t s o f c u s t o m e r s a t i s f a c t i o n[J ].J o u r n a l o f M a r k e t i n gR e s e a r c h ,1982,X I X ,491-504.[6]　O L I V E RRL .C o g n i t i v e ,a f f e c t i v e a n d a t t r i b u t e b a s e s o f t h e s a t i s f a c t i o n r e s p o n s e [J ].J o u r n a l o f C o n s u m e r S a t i s f a c t i o n ,1993,20(D e c ):418-430.[7]　F O R N E L LC ,J O H N S O NM D .An a t i o n a l c u s t o m e r s a t i s f a c t i o n b a r o m e t e r :t h e S w e d i s he x p e r i e n c e [J ].J o u r n a l o f M a r k e t i n g ,1992,56(J a n ):6-21.[8]　F O R N E L LC ,M I C H A E LD ,J O H N S O N EW,e t a l .T h e a m e r i c a nc u s t o m e r s a t i s f a c t i o ni n d e x :n a t u r e ,p u r p o s ea n df i n d i n g s[J ].J o u r n a l o f M a r k e t i n g ,1996,60:7-18.[9]　张　军.结构方程模型构建方法比较[J ].统计与决策,2007,(9):137-139.36 湖南师范大学自然科学学报 第32卷。

基于结构方程模型自营物流顾客满意度研究
詹庆泽;张运
【期刊名称】《物流科技》
【年(卷),期】2024(47)7
【摘要】自营物流目前是速度较快、效率较高的物流服务,“次日达、当日达”的宣传口号为自营物流企业在顾客心中树立了良好的企业形象,吸引了大量的顾客,但
随着电子商务行业的迅速发展,企业急需通过维护企业形象,来维持提高顾客满意度。

文章通过结合国内外顾客满意度评价体系以及我国自营物流发展现状,以自营物流
企业为研究对象,建立自营物流服务满意度评价模型,通过SPSS软件AMOS软件对收集到的320份调查数据进行分析,得到影响顾客满意度最关键的因素为企业形象
的结论。

最后提出加强自营物流企业服务质量的策略。

【总页数】3页(P23-25)
【作者】詹庆泽;张运
【作者单位】湖南工业大学商学院
【正文语种】中文
【中图分类】F252
【相关文献】
1.基于结构方程模型的第三方物流企业顾客满意度研究
2.基于多群组结构方程模型的第三方物流顾客满意度研究
3.基于结构方程模型的网约车顾客满意度研究——
以南京市为例4.基于结构方程模型的冷链物流企业顾客满意度研究5.基于结构方程模型的京东自营物流服务满意度研究
因版权原因，仅展示原文概要，查看原文内容请购买。

基于ECM-ISC模型的健康管理类APP用户粘性形成及强化研究侯贵生;曲薪池;王鹏民;杨磊【摘要】在实证调研的基础上,基于改进的ECM-ISC模型构建了健康管理类APP 用户粘性形成及强化机理模型,并利用结构方程模型对研究假设进行了检验,探究了健康管理类APP用户粘性的形成过程和强化机理.研究结果表明,感知价值的分层现象在用户粘性的形成及强化过程中表现明显;用户感知风险对用户粘性的形成及强化均有显著负向影响;游戏化参与不仅直接影响强用户粘性的形成,还会通过弱用户粘性间接影响强用户粘性.那么,提升用户感知价值,降低用户感知风险以及合理利用游戏化参与,能够促进健康管理类APP用户粘性的形成与强化.【期刊名称】《山东科技大学学报（社会科学版）》【年(卷),期】2018(020)003【总页数】8页(P92-99)【关键词】ECM-ISC模型;健康管理类APP;用户粘性;感知价值;游戏化参与【作者】侯贵生;曲薪池;王鹏民;杨磊【作者单位】山东科技大学经济管理学院,山东青岛266590;山东科技大学经济管理学院,山东青岛266590;山东科技大学经济管理学院,山东青岛266590;山东科技大学经济管理学院,山东青岛266590【正文语种】中文【中图分类】G250一、引言生态环境恶化和生活习惯失衡使得慢性病与亚健康成为影响我国居民健康的主要原因，这使得居民更加关注个人健康。

同时，随着移动互联网的迅速发展，基于移动终端的个性化、智能化健康管理服务成为民众的普遍需求，众多健康管理类应用(Application，简称“APP”)应运而生。

然而由于移动健康管理服务内容同质化严重也使得健康管理类APP用户容易出现转移和流失，因此如何形成稳定的用户粘性已经成为影响健康管理类APP发展的关键问题。

在此背景下，本文基于实证调研对健康管理类APP用户粘性的形成及强化机理展开研究，以期为健康管理类APP提供商建立和强化用户粘性提供有益帮助。

互联网行业中的用户黏性分析随着互联网的快速发展，用户黏性成为衡量互联网产品或服务吸引力的重要指标。

用户黏性指的是用户对某个互联网产品的粘性、粘附度，即用户对产品的喜好程度和对产品的依赖程度。

优秀的互联网产品往往拥有较高的用户黏性，有效提升产品的用户活跃度和买家忠诚度。

本文将分析用户黏性的重要性，以及在互联网行业中衡量和提升用户黏性的一些常用方法。

一、用户黏性的重要性用户黏性是衡量互联网产品或服务成功与否的重要指标，它直接影响着用户在产品上的停留时间、使用频率以及产品的盈利能力。

较高的用户黏性可以有效提升用户的使用频率，增加用户的留存率，进而提高产品的用户活跃度和用户的忠诚度。

同时，用户黏性还能为互联网企业带来更多的商业机会，增加产品销量和广告收入。

因此，提升用户黏性在互联网行业中具有非常重要的意义。

二、衡量用户黏性的指标衡量用户黏性的指标有很多，下面介绍几个常用的指标。

1. 日活跃用户（DAU）：DAU指的是在某个特定时间段内（一般是24小时），使用特定互联网产品或服务的用户数量。

DAU可以反映用户对产品的使用频率和黏性程度。

2. 月活跃用户（MAU）：MAU指的是在某个特定时间段内（一般是一个月），使用特定互联网产品或服务的用户数量。

MAU可以反映用户对产品的长期黏性和忠诚度。

3. 用户留存率：用户留存率指的是在某个特定时间段内，用户仍然在使用特定产品或服务的比例。

较高的用户留存率表示用户更愿意长期使用该产品，说明产品的用户黏性较高。

4. 使用时长：使用时长是指用户在使用互联网产品或服务时的持续时间。

较长的使用时长表示用户对产品的粘性较强。

三、提升用户黏性的方法在互联网行业中，提升用户黏性的方法有很多，以下列举几种常见的方法。

1. 个性化推荐：通过分析用户的兴趣和行为，为用户量身定制推荐内容，使用户获得更有针对性的服务。

个性化推荐能够提高用户体验，增加用户对产品的依赖和留存率。

2. 社交化互动：引入社交化互动机制，如评论、点赞和分享功能，鼓励用户在产品上进行互动。