首页 > 文章中心 > 正文

高职教育服务营销论文

高职教育服务营销论文

一、数据结果分析

在构建了高职教育服务质量标准体系逻辑架构的基础上,运用SERVPERF量表进行数据结果分析,从而导出高职教育服务质量测评模型。项目组成员通过选择重庆某高职院校市场营销专业三个年级的学生进行问卷调查,运用统计软件SPSS13.0进行数据分析。问卷设计30个题项,内容涉及服务质量的测评以及学生对服务质量的满意度。本次调查共发放问卷440份,收回有效问卷413份,有效回收率达到93.8%。

1.相关性分析

根据皮尔逊相关系数来看,各维度与服务质量之间存在显著的正相关性,各个维度能够相互独立的解释变量,即服务质量;各维度与服务质量之间的Sig.值均小于0.05,达到显著性水平,这与影响服务质量因素的认识是一致的,同时验证了服务质量评价维度与服务质量之间的相关关系假设。问卷设计的后两个题项为“服务质量感知”和“满意度”,运用相关检验进行分析,皮尔逊相关系数为0.825,“服务质量感知”与“满意度”显著正相关。将学生的性别和年级作为自变量,对样本数据进行双因素方差分析,P1、P2>0.05,F1、F2<10,无显著影响,可以剔除性别和年级这两个变量。

2.服务质量维度分析

在进行因子分析前,需要用KMO样本测度来检验数据是否适合做因子分析。KMO是Kaiser-Meyer-Olkin的取样适当性指标,KMO越接近1,表明变量间的共同因素越多,数据越适合做因子分析。Bartlett球形检验用于检验整个评价指标相关矩阵是否为单位矩阵,如果是单位矩阵,则不适合作因子分析。本研究中KMO和Bartlett球形检验的结果为KMO值为0.867,Bartlett球体检验的显著性概率是0.000<0.01,说明数据适宜做因子分析,问卷设计有30个题项评价服务质量,以因子分析的主成份分析法萃取出7个共同因子。为了方便共同因子的辨认和命名,使用最大方差转轴法进行正交旋转,优点在于各因子仍然保持正交的状态,但尽量使各因子的方差差异达到最大,从而方便对因子的解释,建立高职教育服务质量评价维度及项目。因子选择的标准是删除因子载荷小于0.5的问项;排除只有单一问项的因素。为了便于观察,在运用因子分析过程中已设定将因子载荷小于0.5的载荷值都省略不显示。通过因子分析的结果可以看出,余下28个指标的因子载荷均超过0.51,问项的分布呈现出很明显的7个成分结构模式,将它们分别命名为:课堂教学质量、基础服务质量、人才培养质量、校园环境、学校品牌形象、安全管理、学生个人发展,

3.信度与效度分析

信度是指问卷的可靠性和稳定性,是指一群被访问者在同一份问卷上测试结果的一致性。调查时使用的Cronbachα系数衡量信度,数据见表3的α系数,该系数越大不同受测者之间的一致性越高。说明问卷信度符合要求,这也是应用最广的衡量信度的方法,α系数越高,说明各题项的结果越趋于一致,问卷的信度越高。当α值介于0.7~0.8时,表明问卷的信度相当高,问卷设计合理。总量表的α值为0.9286,有六个因子的α值均大于0.7,第四个因子的α值0.6979也大于0.6,该量表信度较高。效度表示一种测验或量表能够用来测量目标的准确程度。效度的研究意义在于实际测量与所要研究的问题的概念是否一致,并且概念是否被准确测量,公共因子的“方差贡献率”能够反映效度。本文研究中由7个维度和28个指标所组成的量表,其累积方差贡献率达到66.468%(如表3所示),说明评价量表是有效的。

二、服务质量测评模型的建立

1.回归分析

以服务质量为因变量,7个维度为自变量,利用回归分析来获得总体的显著性检验结果。多元回归方程确定后,需对回归方程进行检验,以确定建立的数学模型是否很好的拟合了原始数据。多元回归采用方差分析法对回归方程进行检验,检验的假设是总体的回归系数均为0或不都为0,使用统计量F进行检验,结果为70.314,显著性水平为0.000(<0.050),即该回归方程是有意义的。如表4所示,相关系数显示,7个变量的相对重要性由高到低依次为课堂教学质量、基础服务质量、人才培养质量、校园环境、学校品牌形象、安全管理和学生个人发展。

2.高职教育服务质量测评模型的建立

综合上述分析结果,高职教育服务质量测评包括7个维度、28个指标。通过对服务质量各要素重要性影响程度进行排序,得到高职教育服务质量测评模型,其中有20个关键指标。因此,本文以SERVPERF量表为基础,通过因子分析提取了影响学生评价高职教育服务质量的7个维度,并通过回归分析得出了7个维度对总体服务质量的影响程度。通过实证研究,最终建立了高职教育服务质量测评模型。对数据进行的因子分析与多元线性回归分析,对于原先提出的假设做出了验证。7个维度及28个指标对学生感知高职教育服务质量有显著的影响,结论成立。

作者:童文军单位:重庆工商职业学院