影響範圍－績效分析法與影響非對稱－績效分析法

一、影響範圍－績效分析法(IRPA)介紹

提出一套整合性分析法，影響範圍－績效分析法(impact range performance analysis, IRPA) 以及 影響 非對 稱－績效分 析法(impact asymmetry analysis,

IAA)，前者是利用服務品質屬性滿意度的原始資料產生的，後者則是經由前者 資料而產生的。品質屬性的重要性是IPA的分析重點，然而，重要性有其認定 與測量上的問題，因此，在IRPA與IAA的分析中，僅針對品質屬性的績效表現 與整體滿意度進行討論。

IRPA 最 先 要 解 決 問 題 是 品 質 屬 性 績 效 表 現 與 整 體 顧 客 滿 意 度 (overall customer satisfaction, OCS)的非對稱性關係，Mikulić 與 Prebežac (2008)將品質 屬性歸納為兩種：

(一) 滿意屬性(satisfiers)

滿意屬性是該屬性績效表現好時所創造出的滿意度，高於績效表現差時所 創造的不滿意度；

(二) 不滿意屬性(dissatisfiers)

不滿意屬性是該屬性績效表現差時所創造的不滿意度，高於績效表現好時 所創造的滿意度。

圖2-9 IRPA 應用在檢視服務品質的表現，並將績效表現與影響範圍的帄 均得分製於一個二維矩陣圖(Mikulić & Prebežac, 2008)：

圖 2-9 影響範圍及績效表現分析矩陣圖 資料來源：Mikulić 與 Prebežac (2008)

績效表現(高) 高

影響範圍(低) 高

影響範圍(高) 高

績效表現(低) 高

第二象限 過度重視區

第四象限 優先改善區 第三象限

次要改善區

第一象限 繼續保持區

以橫軸表示顧客對服務的影響範圍，縱軸表示顧客對服務的績效表現，而 影響範圍與績效表現之總帄均數則被視為此策略矩陣之中心座標，以利將座標 矩陣畫分為四個 象限，藉 此將各評估 屬 性依其評估值歸 納 至所屬 象限中 (Mikulić & Prebežac, 2008; 引自林鴻銘、石珮吟、王姿頤、陳育華、彭富偵、

王俞晰，2014)：

(一) 繼續保持區：顧客對此象限服務屬性之影響範圍與績效表現皆高，乃企業 之主要競爭力來源，落在此象限之服務屬性應該繼續保持。

(二) 過度重視區：表示顧客對服務的影響範圍不高，但績效表現卻很高，落在 此象限之服務屬性有供過於求之虞慮，企業應節省資源不必過分強調與投 入。

(三) 次要改善區：表示顧客對此象限服務屬性的影響範圍與績效表現均不高，

落在此象限之服務屬性優先順序較低。

(四) 優先改善區：表示顧客對此象限服務屬性的影響範圍高，但績效表現不高，

為企業的主要劣勢來源，落在此象限之服務屬性具有企業未來發展的決定 性關鍵因素，因此應加強改善之重點項目。

二、影響非對稱－績效分析法(IAA)介紹

Mikulić 與 Prebežac (2008) IAA圖是以二維品質分析(Kano)為基礎，並藉 由IRPA矩陣的延伸而產生的，IAA矩陣圖是服務品質決策的重要參考依據。IAA 指數值的範圍從-1~+1，如圖2-10所示：

(一) -1的值表示屬性是一個「不滿意屬性」，指該屬性產生不滿的潛力。

(二) 0的值表示屬性是一個完美的「混合屬性」，指該屬性有滿意和不滿意互相 帄等的潛力

(三) +1的值表示屬性是一個「滿意屬性」，指該屬性產生滿意的潛力。

圖 2-10 影響範圍及影響非對稱圖 資料來源：Mikulić 與 Prebežac (2008)

Mikulić 與 Prebežac (2008)所提出的IRPA與IAA服務品質分析法，強調品 質屬性的非對稱性(不滿意屬性與滿意屬性)以及對顧客整體滿意度的影響範 圍，較IPA更能貼近管理實務與反應品質屬性的特性。

綜合上述，雖然許多研究學者廣泛使用IPA在他們的研究上，並且提供經 營者來決定滿意度和品牌忠誠度的決策(e.g., Evans & Chon, 1989; Aigbedo &

Parameswaran, 2004; Pritchard & Havitz, 2006; Liu & Jang, 2009 )，但是後來陸續 被學者發現IPA運用有缺失，導致經營者提出的決策無法有效解決問題(e.g., Hollenhorst et al., 1992; Oliver, 1997; Bacon, 2003; Yi and La, 2003)，為了改善這 些缺失，Mikulić 與 Prebežac在2008年提出了IRPA與IAA分析法加以改善IPA 多年來的問題。

低影響 中影響 高影響

愉悅屬性

挫敗因素 不滿因素 滿意屬性

影響範圍 影

響 非 對 稱

0.6

0.0 -0.2 -0.4 -0.6 -0.8 0.2 0.4 0.8 1.0

0.00 0.05 0.10 0.15 0.20 0.25 0.30 -1.0

混合屬性

本研究為了要改善IPA使用的缺失，提出了動態IPA分析法來解決與會者對 於城市舉辦會議展覽之重要性跟出發後對於目的地之滿意度兩者之間變化過 程之關係研究，並且提供經營者或政府部門如何做出策略來加以改善這兩者之 間的落差。

三、影響範圍－績效分析法與影響非對稱－績效分析法相關研究實例

(一) Mikulić 與 Prebežac (2011)探討評估在地中海度假村飯店的人氣節目：影 響非對稱－績效分析法，運用IAA來量化具潛力的特定服務屬性以產生滿 意和不滿意，研究結果發現，根據住宿類型和遊客選擇的人口統計特徵在 總體客戶滿意度中，形成若干顯著的不對稱以及差異。

(二) Back (2012)探討運用影響範圍－績效分析法與影響非對稱－績效分析法 改善韓國料理品質屬性，運用IRPA與IAA在美國南部韓國料理餐廳評估饕 客滿意度表現程度，研究結果證實，利用IRPA和IAA方法克服了韓國餐廳 設置在IPA之局限性，經營者應仔細監測，以提高客戶的總體滿意度。

(三) 劉美妏（2014）探討應用IRPA與IAA分析台灣高鐵服務品質之研究，研究 採用Mikulić 與 Prebežac (2008)所提出的IRPA與IAA進行分析，並且提供 臺灣高鐵公司進而改善或加強及擬定經營策略管理。

(四) 林鴻銘等人（2014）探討IRPA與IAA服務品質分析法之應用-以海都宴會 館為例，透過IRPA與IAA所繪之矩陣分析圖，可以讓海都宴會館瞭解顧客 對此餐廳的服務品質是否良好，使得餐廳有繼續保持和改善的空間。

綜合上述影響範圍－績效分析法與影響非對稱－績效分析法相關研究實 例可發現運用IRPA與IAA來量測品質屬性及總體滿意度，進而改善IPA的缺 失，由於目前大部分都以IPA為主要分析方法，運用此方法較優於IPA的說詞尚 且薄弱，因此本研究將採用此兩種分析法進行分析，以增加IRPA與IAA的研究 實例。