624 电子商务物流质量测量模型的构建及运用研究.docx

624 电子商务物流质量测量模型的构建及运用研究.docx

《624 电子商务物流质量测量模型的构建及运用研究.docx》由会员分享，可在线阅读，更多相关《624 电子商务物流质量测量模型的构建及运用研究.docx（25页珍藏版）》请在冰豆网上搜索。

624电子商务物流质量测量模型的构建及运用研究

基于SERVQUAL理论的B2C电商物流质量评价模型构建研究

摘要：

物流质量是电子商务业务质量的重要内容。

通过专家访谈等方式，对各要素信息进行筛选，构建电子商务物流服务质量测度理论模型。

在大量调研数据的基础上，通过维度探索性因子分析，对所有指标进行纯化和调整，完成信度与效度检验；在分析各维度与指标重要性之后，为各维度和指标赋予权重，形成最终测度模型。

结果表明，该模型能够对B2C电子商务整体物流服务质量进行可靠有效地测度。

本研究对提高B2C电子商务物流服务质量有积极参考价值。

关键词：

电子商务；B2C模式；物流服务；物流质量；测量模型

ResearchontheconstructionoflogisticsqualityevaluationmodelofB2Ce-commercebasedonSERVQUALtheory

Abstract:

Logisticsqualityisanimportantpartofthequalityofe-commercebusiness.Throughthewayofexpertinterview,theinformationofeachfactorisscreened,andthetheorymodelofe-commercelogisticsservicequalitymeasurementisconstructed.Onthebasisofalargenumberofresearchdata,throughthedimensionsandexplorationfactoranalysis,ofalltheindicatorswerepurifiedandadjustment,completionofthetestthereliabilityandvalidityofthe;aftertheanalysisofthedimensionsandindicatorsoftheimportance,forthedimensionsandindicatorsgiveweighttoformthefinalmeasurementmodel.TheresultsshowthatthemodelcaneffectivelymeasuretheoveralllogisticsservicequalityofB2Ce-commerce.ThisstudyhasapositivereferencevalueforimprovingthequalityofB2Ce-commercelogisticsservice.

Keywords:

electroniccommerce;B2Cmodel;logisticsservice;logisticsquality;measurementmodel

0引言

物流服务质量对B2C电子商务高效运作至关重要。

美国学者Russ（1974）率先提出物流服务质量的理念。

经过发展，Parasuraman、Zeithaml以及Berry（1994）提出权威的物流服务质量测度量表，得到广泛认同。

Tennessee（2001）通过大量实证研究，提出包含9个指标的B2C物流服务评价体系。

王之泰（1995）从物流企业的角度提出物流质量评估模型。

随着市场经济概念不断外延，后学研究人员将顾客满意度视作物流质量评估的核心。

2002年后，随着电子商务快速发展，学者们提出许多物流服务质量评估模型。

其中，比较权威的包括ABC成本法、AHP层次分析法、TOPSIS法以及模糊神经网络法等。

基于SERVQUAL理论，在已有研究成果基础上，本文将尝试构建B2C电商物流质量评价模型，希望对提升相关物流服务质量评估科学性、促进BEC电商物流水平改善有积极作用。

1电商物流服务质量测度理论模型

1.1模型的构建

1.1.1构建思路

如图1所示，在构建电商物流服务质量测度模型时，包含如下4个基本步骤：

其一，构建基础模型。

包括SERVQUAL模型、LSQ模型。

在构建SERVQUAL模型时，须以顾客期望和顾客感知为基础。

在构建LSQ模型时，须构建包含多个维度的指标体系。

需指出的是，该指标体系须围绕B2C电子商务特点、B2C物流流程、物流能力以及物流效果展开。

其二，问卷设计及数据调研。

根据调查目标，设计问题量表；基于问题量表，向B2C电子商务物流相关人员发放问卷，并做好问卷回答引导及收回工作。

其三，数据分析。

首先，须做好数据相关性分析，以对指标进行纯化处理。

其次，须做好因子分析，对指标维度进行调整。

最后，进行回归分析，对各指标赋予适当权重。

其四，确立模型，并对电商物流服务质量进行测度。

图1模型的构建思路示意图

1.1.2维度及指标确定

如图2所示，本研究构建如下B2C电商物流服务质量测量维度：

（1）可靠性。

B2C电商物流公司及其职员在为顾客提供物流服务过程中，须对顾客做出承诺并保证其感到可以信赖。

在分析时，须从配送范围、货物完整性、货物准确性、物流人员操作规范性等方面进行细分。

（2）时间性。

物流服务能够对顾客需求做出及时反应，并对其中所存在的问题及时处理。

在分析时，须从需求响应时间、送货周期、退货时间、退货/换货周期、物流高峰延迟时间性等方面进行细分。

（3）灵活性。

物流服务能够对顾客多样化需求做出多种形式的响应。

在分析时，须从取货方式种类、配送方式种类以及换货/退货方式种类等方面进行细分。

（4）怡情性。

顾客从物流服务中所感受到的关心、友好及专业性等。

在分析师，须从服务态度、工作人员沟通意愿、错误/误差应对积极性以及服务人性化等方面进行细分。

（5）信息性。

顾客须有效了解货物物流信息状态。

具体来讲，需要从信息及时性、信息充足性、信息准确度以及信息误差处理程序等方面进行指标细化。

（6）经济性。

顾客为物流服务所支付费用的性价比。

在构建指标时，须从正常物流费用、退货/换货费用以及性能-价格比。

图2B2C电子商务物流服务质量测度理论模型

1.2模型假设

1.2.1基本假设

在构建B2C电商物流服务质量测度模型时，须首先建立如下基本假设：

其一，各顾客对服务质量的感知是相互独立的，相互之间不受影响；

其二，对所有B2C电商企业，物流服务质量外其他因素的影响方式和程度一致。

1.2.2验证假设

假设：

可靠性、时间性、经济性、怡情性、信息性以及经济性等维度对服务质量的影响都呈正向特征。

该假设主要用于检验各维度解释B2C电商物流服务质量的能力。

若个维度得分越高，则表明所评价B2C电商物流服务更理想。

需指出的是，各维度相互差异显著，与B2C电商物流服务质量的相关性及重要性亦存在差异。

1.3模型函数表达

基于SERVQUAL理论，B2C电商物流服务质量可由下式表达：

（1）

式中，QSER表示物流服务质量得分；P表示顾客感知分数；E表示顾客期望分数。

式

（1）的成立须基于如下假设：

顾客对物流服务质量怡情性、可靠性、时间性等维度的重要性感知一致。

然而，这与实际情况存在差异。

比如，部分顾客更看重物流服务质量时间性，而另外一些顾客则可能更重视送货服务可靠性。

因此，本研究构建如下B2C电商物流服务质量修正表达式：

（2）

式中，BLQ——B2C电商物流服务质量总得分；

Pi——客户对第i指标的感知得分；

Ei——客户对第i指标的期望得分；

Wj——各维度权重值；

Wij——i指标对j维度的权重值；

n——维度数量；

R——各维度所含指标数量。

2B2C电商物流服务质量测度模型校验

2.1描述性统计

经过专家访谈，本研究所构建B2C电商物流服务质量量表如表1所示。

表1B2C电商物流服务质量测度量表

维度

二级指标

编号

描述

可靠性

覆盖范围

RQ1

满足多地区不同客户需求的能力

收/送货准确度

RQ2

送货/收货地点准确与否

货物准确度

RQ3

客户收到货物数量、颜色等是否准确

货物完好性

RQ4

货物内容、包装是否完好

操作规范性

RQ5

收货、送货、签收等是否专业

换/退货保障能力

RQ6

相关服务是否完善

时间性

需求响应时间

TQ1

确认新订单所需时间

发货速度

TQ2

确认后发货所需时间

收货时间

TQ3

客户订货后等待时间

取货速度

TQ4

到达后客户等待时间

退换货速度

TQ5

申请提出后的响应时间

错误/误差处理时间

TQ6

新货发出、退款处理所需时间

高峰期延迟时间

TQ7

相比正常时期的收货延迟时间

灵活性

送货方式可选择性

FQ1

能否提供普通邮递、邮政特快、普通速递、加急速递

收货方式可选择性

FQ2

能否提供自提、到指定网点、送货上门等取货方式

退换货方便性

FQ3

能否上门取货、及时退款

怡情性

服务人员形象

SQ1

形象、着装等是否规范

服务态度

SQ2

服务过程是否真诚、有耐心等

错误及误差处理状态

SQ3

能否积极回应误差及错误

沟通良好度

SQ4

——

服务个性化

SQ5

针对客户提供预约等服务

信息性

信息充足度

IQ1

能否提供价格、配送方式等信息

信息及时性

IQ2

能否提供物流进度追踪

信息准确度

IQ3

信息是否准确

信息误差反馈

IQ4

产生误差后及时告知客户

经济性

服务费用

EQ1

物流直接支付成本

性价比

EQ2

费用和服务相符的程度

退换货成本

EQ3

是否有顾客承担费用

本研究中，通过“知己知彼网”、微信、QQ等网络平台，向B2C电商购物人员共发放问卷302份，收回294份，有效问卷274份，有效率为93.197%，符合问卷有效性要求。

如表2所示，为样本基本描述性统计结果。

表2样本基本特征统计表

指标

选项

人数

占比（%）

累积占比（%）

性别

男

136

48.06%

48.60%

女

147

51.94%

100.00%

年龄

小于18岁

14

4.95%

4.95%

18-24岁

111

39.22%

44.17%

25-30岁

99

34.98%

79.15%

31-35岁

50

17.67%

96.82%

36-40岁

7

2.47%

99.29%

46-50岁

2

0.71%

100.00%

大于50岁

0

0.00%

100.00%

学历

初中以下学历

3

1.06%

1.06%

高中

12

4.24%

5.30%

大专

4

1.41%

6.71%

本科

135

47.70%

54.42%

硕士

122

43.11%

97.53%

博士及以上

7

2.47%

100.00%

职业

求学

186

65.72%

65.72%

任教

33

11.66%

77.39%

公务员

28

9.89%

87.28%

普通企业职员

22

7.77%

95.05%

技术职员

6

2.12%

97.17%

企业主

4

1.41%

98.59%

一线操作工

2

0.71%

99.29%

其它

2

0.71%

100.00%

月收入

小于1000元

186

65.72%

65.72%

100-1999元

15

5.30%

71.02%

2000-2999元

34

12.01%

83.04%

3000-3999元

25

8.83%

91.87%

4000-4999元

14

4.95%

96.82%

5000-6999元

6

2.12%

98.94%

大于7000元

3

1.06%

100.00%

如表3所示，为样本行为特征统计结果。

表3样本行为特征统计表

指标

选项

人数

占比（%）

累计占比（%）

网龄（年）

小于1年

1

0.4%

0.4%

1-2

1

0.4%

0.7%

2-3

3

1.1%

1.8%

3-4

6

2.1%

3.9%

大于4年

270

96.1%

100.0%

网购经历（年）

小于1年

20

7.1%

7.1%

1-2

74

26.3%

33.5%

2-3

104

37.0%

70.5%

3-4

60

21.4%

91.8%

大于4年

23

8.2%

100.0%

每季度网购次数

小于一次

10

3.6%

3.6%

2-4次

49

17.4%

21.0%

5-10次

97

34.5%

55.5%

大于10次

125

44.5%

100.0%

主要网购类型

日常生活用品

137

48.8%

48.8%

图书学习用品

90

32.0%

80.8%

电子类产品

32

11.4%

92.2%

大宗产品

19

6.8%

98.9%

其它

3

1.1%

100.0%

最常用网购平台

淘宝网站

101

35.9%

35.9%

当当网

48

17.1%

53.0%

京东网站

55

19.6%

72.6%

凡客网站

36

12.8%

85.4%

亚马逊网站

22

7.8%

93.2%

其它

19

6.8%

100.0%

2.2测度指标纯化及调整

2.2.1可靠性维度纯化

如表4所示，可靠性维度纯化前Cronbach'sα系数为0.653。

如表5所示，除“换/退货保障能力”指标外，其它各指标的校正总计相关性系数都在0.40以上。

因此，须删除该指标。

如表6所示，纯化后的Cronbach'sα系数增加为0.681。

如表7所示，为纯化后可靠性维度相关系数表，各指标总计相关性系数都大于0.40，纯化过程完成。

表4可靠性维度纯化前Cronbach'sα系数表

Cronbach'sα

标准化Cronbach'sα

项数

0.653

0.660

6.0

表5可靠性维度纯化前各指标总体相关系数表

删除指标均值

删除指标方差

校正总计相关性

覆盖范围

10.27

4.100

0.487

收/送货准确度

11.55

4.916

0.513

货物准确度

11.14

4.325

0.475

货物完好性

12.24

3.653

0.531

操作规范性

10.75

3.325

0.467

换/退货保障能力

10.16

3.604

0.395

表6可靠性维度一次纯化后Cronbach'sα系数表

Cronbach'sα

标准化Cronbach'sα

项数

0.681

0.712

5.0

表7可靠性维度一次纯化后各指标总体相关系数表

删除指标均值

删除指标方差

校正总计相关性

覆盖范围

9.63

4.152

0.492

收/送货准确度

9.16

4.984

0.522

货物准确度

9.88

4.325

0.487

货物完好性

8.72

3.824

0.586

操作规范性

8.55

3.721

0.427

2.2.2时间性维度纯化

按照类似方法对时间性维度进行纯化。

如表8、表9和表10所示，剔除“高峰期延迟时间”指标，对时间性维度进行一次纯化后，其Cronbach'sα为0.678。

然而，“发货速度”指标的总计相关性系数为0.385，因此，须继续将该项剔除。

表8时间性维度一次纯化前Cronbach'sα系数表

Cronbach'sα

标准化Cronbach'sα

项数

0.678

0.684

6.0

表9时间性维度一次纯化后项目总体相关系数表

删除指标均值

删除指标方差

校正总计相关性

需求响应时间

9.34

4.832

0.482

发货速度

0.27

3.527

0.385

收货时间

10.35

4.968

0.588

取货速度

9.77

4.892

0.446

退换货速度

9.84

3.740

0.493

错误/误差处理时间

10.11

4.952

0.531

二次纯化后，Cronbach'sα系数增加为0.686。

如表10所示，经过二次纯化，各指标总计相关性系数都大于0.40，纯化过程完成。

表10时间性维度一次纯化后Cronbach'sα系数表

Cronbach'sα

标准化Cronbach'sα

项数

0.686

0.691

5.0

表11时间性维度二次纯化后项目总体相关系数表

删除指标均值

删除指标方差

校正总计相关性

需求响应时间

9.17

4.863

0.482

收货时间

9.85

5.126

0.583

取货速度

9.88

5.541

0.461

退换货速度

9.44

4.071

0.472

错误/误差处理时间

9.65

5.412

0.556

2.2.3灵活性维度纯化

如表12、表13所示，未纯化处理前灵活性维度的Cronbach'sα系数为0.629，各指标总计相关性系数皆在0.40以上。

因此，不需要对该维度进行纯化。

表12灵活性维度纯化前Cronbach'sα系数表

Cronbach'sα

标准化Cronbach'sα

项数

0.629

0.684

3.0

表13灵活性维度纯化前各指标总体相关系数表

删除指标均值

删除指标方差

校正总计相关性

送货方式可选择性

10.20

4.335

0.481

收货方式可选择性

10.64

4.131

0.486

退换货方便性

9.82

3.544

0.431

2.2.4怡情性维度纯化

如表14、表15所示，一次纯化前Cronbach'sα系数为0.672，“服务人员形象”指标相关性系数为0.374，须予以剔除。

如表15

表14怡情性维度纯化前Cronbach'sα系数表

Cronbach'sα

标准化Cronbach'sα

项数

0.676

0.702

5.0

表15移情性维度纯化前维度总体相关系数表

删除指标均值

删除指标方差

校正总计相关性

服务人员形象

11.01

7.833

0.374

服务态度

10.56

8.128

0.533

错误及误差处理状态

11.22

7.316

0.632

沟通良好度

11.08

9.044

0.661

服务个性化

10.77

8.467

0.455

如表16、表17所示，经过纯化，Cronbach'sα系数增加为0.678，且各指标相关性系数都大于0.40。

至此，纯化过程完成。

表16怡情性维度一次纯化后Cronbach'sα系数表

Cronbach'sα

标准化Cronbach'sα

项数

0.678

0.704

4.0

表17移情性维度一次纯化后指标总体相关系数表

删除指标均值

删除指标方差

校正总计相关性

服务态度

9.85

8.737

0.577

错误及误差处理状态

10.51

8.124

0.683

沟通良好度

10.34

9.850

0.691

服务个性化

10.12

8.175

0.536

2.2.5信息性维度纯化

如表18、表19所示，该维度纯化前的Cronbach'sα系数为0.588，且各指标总计相关性都大于0.40。

因此，无需对该维度剔除指标。

表18信息性维度纯化前Cronbach'sα系数表

Cronbach'sα

标准化Cronbach'sα

项数

0.588

0.598

4.0

表19信息性维度纯化前各指标总体相关系数表

删除指标均值

删除指标方差

校正总计相关性

信息充足度

6.30

2.186

0.474

信息及时性

6.42

2.554

0.573

信息准确度

5.34

2.835

0.467

信息误差反馈

5.92

2.972

0.432

2.2.6经济性维度纯化

如表20、表21所示，该维度纯化前Cronbach'sα系数为0.758，且且各指标总计相关性都大于0.40。

因此，该维度无需剔除指标。

表20经济性维度纯化前Cronbach'sα系数表

Cronbach'sα

标准化Cronbach'sα

项数

0.758

0.795

3.0

表21经济性维度纯化前各指标总体相关系数表

删除指标均值

删除指标方差

校正总计相关性

服务费用

9.80

7.896

0.427

性价比

8.53

3.247

0.536

退换货成本

9.32

8.875

0.488

2.3探索性因子分析

在探讨公共因子、观测变量之间的关系时，须按下式进行：

（3）

式中，

表示公共因子；xi表示观测变量；

表示误差。

通过探索因子分析，能够对理论模型与实际分析结果之间的拟合度进行计算，并进一步对模型进行调整。

运用SPSS19.0软件，对B2C电商物流服务质量问卷所得数据进行因子分析。

如表21所示，为6个主因子与各指标旋转载荷矩阵计算结果。

在判断各指标与主因子是否存在隶属关系时，须判断该指标是否在该主因子上拥有大于0.5的载荷量。

由表22可知，各指标在其所属主因子上的旋转载荷量皆在0.5以上。

因此，不需要剔除指标，理论模型的合理性通过探索因子检验。

表22旋转载荷矩阵表

指标编号

主成分

1

2

3

4

5

6

RQ1

0.780

0.403

0.154

0.397

0.172

0.372

RQ2

0.513

0.376

0.222

0.251

0.270

0.377

RQ3

0.740

0.272

0.203

0.434

0.213

0.230

RQ4

0.684

0.175

0.279

0.433

0.164

0.371

RQ5

0.509

0.294

0.379

0.313

0.181

0.181

TQ1

0.292

0.585

0.251

0.296

0.254

0.354

TQ3

0.211

0.755

0.206

0.227

0.255

0.244

TQ4

0.378

0.543

0.336

0.295

0.344

0.427

TQ5

0.202

0.550

0.178

0.248

0.176

0.