基于网络评价的高星级酒店顾客服务质量感知研究（师大学旅游与环境学院师大学长安校区 710062）摘要：随着信息时代的到来和互联网的快速发展，越来越多的人开始通过网络渠道来进行信息交流，包括信息的获取和传递。
在这种背景下，各大旅游电商和一些酒店都推出了酒店在线预订平台，平台上的网络点评为顾客提供了选择酒店的依据，也使得顾客可以进行信息交流，同时让酒店及时发现顾客需求，了解顾客意见和建议，进而不断进行完善。
本文借鉴己有研究成果,选择booking在线点评数据,使用相关分析、因子分析、回归分析和文本挖掘等方法对所收集到的600条数据进行分析研究，构建出一个衡量酒店顾客服务质量感知的指标体系。
最终得出了以下结论：（1）消费者感知酒店服务质量主要集中在硬件设施、软性服务、地理位置、早餐、卫生状况、性价比、景观环境、预订服务这八个指标上。
（2）硬件设施、软性服务、地理位置是评价酒店顾客服务质量感知的最主要的三大因素。
（3）建立了衡量酒店顾客服务质量感知的评价指标体系。
关键词：网络评价；服务质量感知；文本挖掘；回归分析1 引言根据中国互联网网络信息中心(CNNIC)发布的第35次《中国互联网络发展状况统计报告》报道,截至2014年12月，我国网民规模达6.49亿，全年共计新增网民3117万人。
互联网普及率为47.9%，较2013年底提升了2.1个百分点。
“互联网的作用已从一个信息交流工具扩展到数据与观点来源、公共话语空间乃至具有重要现实影响的社交空间”现在，更多的人选择通过网络获取所需信息，并且在网上分享自己的体验与感受，线上网络评价也成为酒店顾客服务质量感知评价的一大组成部分。
网络评价的真实性、及时性、全面性不仅为顾客选择酒店提供了依据，而且有利于酒店进行有效地服务质量管理，不断提高其竞争力。
五星级酒店作为现代酒店业的重要组成部分，在我国经济发展过程中发挥着重要作用。
随着经济和社会的快速发展，我国五星级酒店成长迅速，总体规模不断扩大。
根据中国旅游饭店业协会五星级饭店名录统计，截至2013年3月1号之前挂牌五星级饭店共758家，与2001年的129家相比，已经增长了近5倍[1]。
同时，在设施设备、产品功能方面的发展进步明显。
在激烈的市场竞争中，我国五星级酒店越来越关注顾客的感受，坚持以顾客为导向。
顾客服务质量感知是顾客的一种主观评估，是顾客对服务期望与感知服务绩效间的差异比较[2]，对酒店品牌的形象提升以及竞争力的可持续发展有着巨大的影响。
如何从顾客角度有效的评估酒店的服务质量,是提升酒店服务质量的关键,也是很多管理者面临的难题。
美国著名质量管理大师朱兰曾经说过:“20世纪是生产力的世纪,21世纪是质量的世纪,质量问题将成为关系一个国家和企业生存与发展的重大问题”[3]。
国外学术界构建了很多测量顾客服务质量感知的量表,如Parasuraman,Zeilhaml 和 Berry 三位学者(简称 PZB)的 SERVQUAL 模型[4]，Keniitson 和 Stevens的LODGSERV模型,Mei和Dean等人开发了 HOLSERV量表,Getty和Thompson (1993; 2003)等人开发LODGQUAL量表和酒店质量指数(Lodging Quality Index)量表等,都是该领域的杰出代表。
但是我国目前的在线点评体系并不完善，点评容比较单一，而LODGSERV、LODGQUAL和HOLISERV三个模型的指标都超过20个(其中LODGQUAL量表22个,LODGSERV量表和HOLISERV 量表各27个),其涉及指标太多,与我国酒店预订的实际情况不符，且影响了顾客点评的积极性和点评的质量。
国在服务质量评价方面也有相应的的研究：王文君等[5]和志平 [6] 分别利用SERVQUAL量表对影响酒店服务质量的因素进行了实证研究。
而温碧燕所采用的约翰斯顿（Johnston）的软硬质量模型在计量顾客感知的服务质量时，不仅涵盖了SERVQUAL量表的所有容，还包括了没有涉及的因素，如敬业、友好、美观等因素 [7]。
但是目前国酒店点评的点评指标,并没有形成一个统一的评价体系。
而学术界比较推崇的服务质量测量量表[8]由于其理论性太强、问项较多等问题,其结果无法直接运用于网络点评。
因此,构建一套适用于网络点评的评价指标体系显得十分必要。
在这种背景下，本文通过对booking网上抽取的600条顾客点评意见进行逐条分析和编码,进而对数掘进行统计分析,力图构建出一个衡量高星级酒店顾客服务质量感知的指标体系，并验证各个要素对顾客服务质量感知评价的影响程度，通过对该选题的研究，本文希望可以达到以下两个目的：首先，从顾客角度度出发,构建一套精简而又全面、适用于网络点评的酒店服务质量评价指标体系。
其次，根据本文的结论，为酒店进行科学的服务质量管理建议。
2 案例选取2.1 数据采集本文选取了booking网上三家五星级酒店的六百条网络评价作为数据样本。
Booking网作为一家可以预订世界各地酒店的，相比于携程网、去哪儿网等有更多地外国游客进行了酒店评价，可以综合反映中外顾客对中国高星级酒店的评价。
同时，booking网可以反映酒店的综合总评分，对顾客类型、顾客国籍、出行性质、正负评价方面做了明确的划分。
例如，来自英国的Ling对瑞颐大酒店的评分为5.8分，他对酒店的积极评价主要设计员工的服务态度和素质、酒店景观环境。
对酒店的消极评价主要是洗手间配套设施简单、窗户不干净。
在选取酒店上，选择了三家五星级酒店。
不仅是典型的旅游城市，而且是闽南的经济重心，隔金门与相望，有大量的港澳台胞、东南亚国家游客聚集在。
高星级酒店的服务接待能力可以在一定程度上反映我国高星级酒店的整体服务质量和接待能力。
选取的三家酒店分别是：海景千禧大酒店、瑞颐大酒店、日航酒店。
这三家五星级酒店均为商务休闲综合型酒店，在2014年1月1日到2014年12月31日之间，每家酒店的网络评论数都达到二百条左右。
评论全面涉及到了顾客感知酒店服务质量的各项要素。
2.2数据编码为了便于定量分析和研究,需要对各指标进行编码,编码时,采用里克特五点量表[9],根据点评者的文本容,对在点评中出现的项目进行编码,1代表“很差”、2代表“差”、3代表“一般”、4代表“好”、5代表“很好”。
下表是所设计的酒店顾客感知质量的评价指标体系及其编码。
表1 评价指标体系编码Table 1 The code of evaluation index system 类别一级指标二级指标编码顾客服务质量感知评价指标体系综合总评价地理位置景观环境卫生状况软性服务硬件设施 1=很差；2=差；3=一般；4=好；5=很好早餐预订服务性价比评价指标编码标推：（1）评论中有很明显的“很好”“好”“一般”“差”“很差”等字样。
（2）对评论中出现的其他字样进行判断并归类：非常满意、非常不错、很喜欢、超级好等归类为“很好”一类；挺好、挺满意、不错、挺喜欢等归为“好”一类；一般、满意、还好、还行、还可以归为“一般”一类；差、不满意、不喜欢等归为“差”一类；很差、很不满意、很不喜欢等归为“很差”一类。
（3）利用自身专业知识对评论中表现出的情绪进行把握。
3 数据分析3.1相关分析相关分析是研究变量之间的密切程度，根据样本成分资料来判定总体的相关性[10]。
应用SPSS19. 0统计软件对所收集的酒店综合总评价与地理位置（X1）、景观环境（X2）、卫生状况（X3）、软性服务（X4）、硬件设施（X5）、早餐（X6）、预订服务（X7）、性价比（X8）之间分别进行简单线性相关分析,得出相应的单相关系数ｒ值和显著性Ｐ值（见表2）。
表2相关分析结果Table 2 Correlation analysisX1X2X3X4X5X6X7X8r p 0.5400.0060.4890.0150.5230.0090.6970.0000.9020.0000.5230.0090.1670.4360.5570.005注：P<0.01表示相关性很显著；0.01< P<0.05表示相关性显著；P> 0.05说明相关性不显著。
由表3可知，在8项指标中地理位置（X1）、卫生状况（X3）、软性服务（X4）硬件设施（X5）、早餐（X6）和性价比（X8）和的P<0.01,说明其与综合总评价的相关性很显著。
景观环境（X2）P值满足0.01<P<0.05,说明其与综合总评价的相关性显著。
预订服务（X7）的P>0.05，说明其与综合总评价的相关性不显著。
由此可见，这八个指标对综合总评价的影响程度从大到小依次为：软性服务/硬件设施、性价比、地理位置、卫生状况/早餐、景观环境、预订服务。
3.2因子分析因子分析是指研究从变量群中提取共性因子的统计技术。
因子分析可在许多变量中找出隐藏的具有代表性的因子。
将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设[11]。
本研究使用主成分分析法提取累计贡献率大于85%的公因子，来研究酒店综合总评价与各项评价指标之间的关系。
3.2.1 主成分提取[12]应用SPSS19.0对地理指标——地理位置（X1）、景观环境（X2）、卫生状况（X3）、软性服务（X3）、硬件设施（X5）、早餐（X6）、预订服务（X7）、性价比（X8）8项指标进行主成分提取，获得主成分的统计信息结果（见表3）。
表3总方差解释Table 3 Variable Explanation成分贡献率（%）累计贡献率（%）1 2 3 4 5 6 7 8 46.40718.00711.4579.0025.9145.2472.9731.99345.40763.41474.87083.87289.78695.03498.007100.000由表中可以看出，第五主成分的累计贡献率达到了89.786%，大于85%。
由此我们可以提取出五个公因子。
3.2.2 主成分表达式通过主成分分析，可以得到综合总评价的因子得分系数矩阵。
（见表4）表4 主成分得分系数矩阵Table 4 Coecient matrix of principal component scores评价指标X1X2X3X4X5X6X7X8主成分序列号10.1760.1490.1790.2020.2430.2200.0740.1912-0.2810.153-0.437-0.1740.0810.0780.4830.35430.1430.8340.077-0.5450.000-0.105-0.239-0.06940.6020.0590.1720.014-0.314-0.3360.828-0.3115-0.9560.3520.5730.2450.1100.1800.401-0.694根据表4的因子得分系数可以将主成分各个评价指标的原始变量表示为五个变量的线性组合，其方程如下（公式1）：Z2=-0.281 stdX1+0.153 stdX2-0.437 stdX3.-0.174stdX4+0.081stdX5+0.078stdX6+0.483 stdX7+0.354 stdX8Z3=-143stdX1+0.834stdX2+0.077stdX3-0.545 stdX4+0.000stdX5-0.105stdX6-0.239stdX7-0.069 stdX8Z 4 =0.602stdX1+0.059stdX2+0.172 stdX3+0.014 stdX4-0.314 stdX5-0.336stdX6+0.828stdX7-0.311 stdX8Z5=-0.956stdX1+0.352stdX2+0.573 stdX3+0.245 stdX4+0.110 stdX5+0.180stdX6+0.401stdX7-0.694 stdX8其中stdXi（i=1，2，3，4，5，6，7，8）表示标准指标变量。