论文部分内容阅读
摘 要: 航班延误一直影响航空运输服务的重要因素,通过研究航班延误后旅客的行为特征并找到影响旅客行为的因素将有助于航空公司、机场等有针对性地提出航班延误补救措施。本文通过调查问卷及实地调查等两种手段对航班延误下旅客的行为特征及影响因素进行了分析,通过结构方程模型,探寻出航班延误后对旅客行为特征产生影响的因素,从而为航空公司有针对性的采取延误后服务补救措施提供依据。
关键词: 民航旅客;航班延误;旅客行为;结构方程模型
本文以大学生创新创业训练计划项目 项目编号:IECAUC2017063
0 引言
据民航局统计,2017年我国民航运输机场旅客吞吐量超过11亿人次,完成飞机起降1024.9万架次,航空运输业务规模稳步扩大,而平均航班正常率仅为71.67%,航班延误已成为影响旅客对航空公司的满意度和忠诚度的重要因素,延误补救不到位将极大削减航空公司的竞争力。通过研究航班延误下旅客的行为特征及影响因素可以使航空公司预估旅客行为并针对不同类型的旅客做出相应的服务补救措施,这对提高航空公司的服务质量并提升旅客的满意度是十分有益的。
在研究航班延误的相关文献中, 有些学者在我国航班延误的诱因和相关法律的论述基础上,提出航班延误后的补救措施。如李宏分析各国司法判例,探讨合理延误与不合理延误的区分标准以及法律责任明确;姚韵等通过对国内航班服务中存在的三大类服务失误的原因分析,并针对航班延误的特点提出事件驱动的即时服务理念,提供航班延误服务补救系統框架建议,为航空公司提供服务参考。
在研究旅客行为影响因素的文献中,学者们从不同角度将行为进行细分,通过多种手段来表现影响因素与出行行为之间的关系。季彦婕等以城市交通为例,运用结构方程模型探究旅客个人属性、出行特征、服务质量对旅客满意度和乘坐意向的作用关系,寻找服务缺陷并提出相应改善建议。齐晓云等从微观心理视角剖析旅客行为,探索人格特质、情境因素、旅客需求对航班延误情况下旅客情绪生成的影响作用。因此,本文基于结构方程模型重点分析航班延误下旅客行为特征及其影响因素,找出它们之间可能存在的因果关系及关系强弱,为基于旅客行为特征提升民航运输服务质量及效率提供依据。
1.结构方程模型
结构方程模型是一门基于统计分析技术的研究方法学,它主要用于解决社会科学研究中的多变量问题,用来处理复杂的多变量研究数据的探究与分析。结构方程模型最突出的特点是其能够对抽象的概念进行估计与检定,而且能够同时进行潜在变量的估计与复杂自变量/因变量预测模型的参数估计。
结构方程模型包括测量方程、结构方程,测量模型研究的是潜变量和显变量的关系,而结构模型是研究潜变量之间或者说因子之间关系的。
测量方程:
结构方程:
上式中:x为外生显变量组成的向量;y为内生显变量组成的向量; 为y在η上的因子负荷矩阵; 为x在ξ上的因子负荷矩阵; ε为内生显变量的误差项; 为外生显变量的误差项; B为系数矩阵,描述了内生潜变量η之间的相互影响; 为系数矩阵,描述了外生变量ξ对内生变量η的影响; 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.航班延误下旅客行为结构方程模型构建
2.1 模型变量选择
结构方程模型可以对不可直接观测的变量即潜变量进行测量,且可以同时处理多个内生变量和外生变量关系,对于航班延误条件下旅客的行为特征,本文主要用航班延误后旅客行为倾向和航班延误后旅客行为两个变量体现;对于航班延误下影响旅客行为特征的影响因素,主要从旅客基本属性、对延误信息的态度、航班延误情况、外界环境四个方面入手,并选取了相应27个观测变量,变量描述如下所示:
Ⅰ旅客基本属性,包括性别取值 1~2,1:男;2:女,年龄取值 1~7,1:18岁以下;2:18-25岁;3:26-30岁;4:31-40岁 ;5:41-50岁;6:51-60岁;7:60岁以上,学历水平取值 1~4,1:高中及以下;2:专科;3:本科;4:研究生及以上,职业取值 1~6,1:学生 ;2:公务员或事业单位 ;3:国有企业;4:民营或私有企业;5:外企;6:其他、月收入水平取值 1~5,1:1000元及以下;2:1001-3000元;3:3001-5000元 ;4:5001-10000元;5:10000元以上,乘坐飞机频率取值 1~3,1: 2次及以下;2:3-6次;3:7-10次;4:11次以上,出行目的取值 1~4,1:上学 ;2:公务出差 ;3:休闲度假;4:探亲访友,托运行李习惯取值 1~3,1:基本上都会托运;2:情况而定;3:一般不会托运
Ⅱ旅客对信息的态度:关注航班延误信息取值 1~3,1:从不关注 ;2:偶尔会看看;3:极为关注,查询航班动态信息时间取值 1~4,1:在家出发前;2:值机前 ;3:候机时;4:航班延误已发生时,对航班动态及延误信息的信赖程度取值 1~3,1:十分相信;2:半信半疑;3:不太相信
Ⅲ航班延误情况:航班所在的时段、预计的航班延误时间、航班延误的原因、航班延误的规模、同方向航班的延误情况对航班延误后旅客行为的影响程度,取值 1~5,1:很大;2:大 ;3:一般;4:小;5:很小
Ⅳ外界环境:周边旅客行为、航班延误信息的推送的及时性、航班延误信息的准确度、航空公司或机场的服务补救措施、机场服务设施及环境、换乘高铁等其他运输方式的便捷程度、高铁的便捷性、随行人员的人数、随行人员中是否老人或孩子、行李、随行同伴的决定对航班延误后旅客行为的影响程度,取值 1~5,1:很大;2:大 ;3:一般;4:小;5:很小
2.2 模型假设
根据外生变量、内生变量及相互间的关系,本文提出以下假设: H1:旅客基本属性对航班延误下旅客行为特征有显著直接影响;H2:旅客对延误信息的态度对航班延误下旅客行为特征有显著直接影响;H3:航班延误情况对航班延误下旅客行为特征有显著直接影响;H4:外界环境对航班延误下旅客行为特征有显著直接影响;H5:旅客基本属性与旅客对延误信息的态度有显著直接关系;H6:旅客基本属性与航班延误情况有显著直接关系;H7:旅客基本属性与外界环境有显著直接关系;H8:旅客对延误信息的态度与航班延误情况有显著直接关系;H9:旅客对延误信息的态度与外界环境有显著直接关系;H10:航班延误情况与外界环境有显著直接关系。
2.3 结构方程模型路径图
应用结构方程的路径分析软件 AMOS,将各种变量及其关系绘制路径图,如圖1所示。
3. 变量分析及假设检验
3.1 变量的探索性因子分析
本文通过网络及实地调查,共收集730份问卷,通过填写时间长短等因素进行筛选,剔除88份无效问卷,共获得有效样本 642 份。Mueller[3]认为,样本量若能达到 200个,则模型的统计检验力较好。Thompson[4]研究发现,在运用 SEM方法时,样本数与观测变量的比例至少为 10:1 至 15:1之间。据上,本次研究在样本量上达到 SEM 方法的统计要求。
运用 SPSS16.0 进行探索性因子分析,各变量相关系数大部分都在 0.2~0.8 之间,说明进行因子分析的必要性。效度检验结果见表2。根据 Kaiser 给出的标准 KMO 取值大于 0.7,适合进行因子分析 ;同时,由SPSS检验结果显示sig值=.000<0.05(即p值<0.05),说明各变量间具有相关性,因子分析有效,通过了Bartlett 球形检验。
3.2 模型验证性分析及修正
对初始模型进行拟合度检验,拟合指数中 NFI、CFI、IFI、RFI 的检验值不是特别理想,概念模型还需进一步修正。在理论模型中,各观测变量的误差之间均没有相关,但在修正中,e3和e4、e5和e6、e13和e5、e20和e21、e22和e23、e31和e32、e31和e34、e34和e25间的修正指数值较大,且各观测变量均同属相同的潜变量,其误差间存在一定的相关性在理论上是合理的,故增加相互间关联。
按照每次释放一个参数的原则,逐次进行假设模型的修正,并得到最终模型,修正后模型的拟合度指标如下所示,总体而言,修正后的模型与数据的拟合度更好,所拟合的模型是一个较好模型。通过对模型的修正,标准化模型参数估计结果,如下所示。
绝对适配度指标:卡方值/自由度标准值1~3,检验值2.384,适配度指数(GFI)标准值>0.9,检验值0.919,调整适配度指数(AGFI)标准值>0.9,检验值0.900,近似均方根误差(RMSEA)标准值<0.08,检验值0.046,均符合。
相对适配度指标:标准适配指数(NFI)标准值>0.9,检验值0.602,比较适配指数(CFI)标准值>0.9检验值0.714,递增适配指数(IFI)标准值>0.9检验值0.723,基本符合。
简约适配度指标:调整后规准适配指数(PNFI)标准值>0.50,检验值0.526简约适配度指数(PGFI)标准值>0.50,检验值0.743,均符合。
3.3 假设检验及结果
标准化的路径系数代表的是共同因素对测量变量的影响。有三个外生潜变量旅客基本属性、航班延误情况、外界环境对内生潜变量航班延误下旅客行为特征的标准化负荷系数均为正,可见这三个外生潜变量对内生潜变量具有显著的正向影响 ;另一个外生潜变量即旅客对延误信息的态度对内生潜变量航班延误下旅客行为特征的标准化负荷系数均为负,可见此外生潜变量对内生潜变量具有显著的负向影响。旅客基本属性与旅客对延误信息的态度、旅客基本属性与航班延误情况以及航班延误情况与外界环境三组内生潜变量内部之间标准化负荷系数显著不等于0,表明三组内生潜变量分别存在显著的共变关系;而通过模型的计算可以发现,旅客基本属性与外界环境、旅客对延误信息的态度与航班延误情况以及旅客对延误信息的态度与外界环境之间不存在关联。即,假设 1、2、3、4、5、6 、10获得支持,而假设 7、8、9受到否定。
3.4 结论及建议
3.4.1外界环境和航班延误情况对旅客出行行为影响显著
航班延误下旅客行为是受多因素影响的决策过程,在进行分析时需要考虑旅客基本属性、旅客对延误信息的态度、航班延误情况和外界环境等多因素的影响。在这四个因素中,外界环境和航班延误情况对旅客行为特征影响更为显著。具体而言,外界因素受到航班延误信息推送信息的准确度和及时性、航空公司或机场的服务补救措施等因素影响较大;航班延误情况受到航班延误的规模、同方向航班延误情况、航班延误的原因三个因素影响较大。
对于航空公司与机场而言,航空公司在延误后做出的信息推送的及时性很受旅客关注,因此航空公司和机场应该及时准确地推送航班延误规模、同方向航班延误情况以及航班延误原因等延误信息,以诱导旅客进行行为决策,减轻延误后的运营压力,有助于提高旅客的出行体验;同时旅客对航班延误后的服务补救措施十分重视,航空公司和机场应该提升服务补救措施质量,稳定旅客情绪,减少旅客流失率,提高旅客满意度进而提高旅客对航空公司或机场的忠诚度。
3.4.2 旅客基本属性和旅客对延误信息态度对旅客行为具有一定影响
旅客基本属性和旅客对延误信息态度对旅客行为具有一定影响,但影响不大。旅客关注航班信息推送软件程度对其在延误后的态度影响较大,类似“飞常准”、“航旅纵横”等APP会实时更新航班动态,对旅客采取行为具有较大参考意义,航空公司有必要加强各大航班动态平台的信息传递速度与质量。就旅客基本属性而言,年龄和和职业对其影响较大。航空公司可就旅客年龄和职业差异将旅客进行分类,预判不同类别旅客的行为极其服务偏好,以在最佳时间采取针对性措施
4 结语
本文通过发放调查问卷及实地考察获得航班延误下旅客行为特征及影响因素的调查数据,经处理得到有效数据,并在旅客基本属性、航班延误情况、外界环境、旅客对航班延误信息的态度、延误后旅客行为特征五个维度基础上设立内生变量和外生变量,建立结构方程模型,进而对模型进行验证性分析及修正,最终通过假设检验得出变量间的相关关系,对航班延误下影响旅客行为的因素进行了分析,为航空公司在航班延误后对有不同行为特征的旅客采取针对性的服务补救措施提供一定帮助。
参考文献
[1]江红,周夕钰.基于结构方程模型的民航旅客出行行为特征影响因素分析——以天津机场出港旅客为例[J].综合运输,2017,39(03):47-52+67.
[2] 动与出行的结构方程建模 [J]. 长安大学学报(自然科学版), 2015, 35(1): 111-118.
[3] Ralph O. Muller. Structural equation modeling: Back to basics[J]. Structural Equation modeling, 1997(4): 353-369
[4] Thompson Laurence G Grimm, Paul R Yarnold. Ten commandments of structural equation modeling [J]. American Psychological Association, 2000: 261-283.
关键词: 民航旅客;航班延误;旅客行为;结构方程模型
本文以大学生创新创业训练计划项目 项目编号:IECAUC2017063
0 引言
据民航局统计,2017年我国民航运输机场旅客吞吐量超过11亿人次,完成飞机起降1024.9万架次,航空运输业务规模稳步扩大,而平均航班正常率仅为71.67%,航班延误已成为影响旅客对航空公司的满意度和忠诚度的重要因素,延误补救不到位将极大削减航空公司的竞争力。通过研究航班延误下旅客的行为特征及影响因素可以使航空公司预估旅客行为并针对不同类型的旅客做出相应的服务补救措施,这对提高航空公司的服务质量并提升旅客的满意度是十分有益的。
在研究航班延误的相关文献中, 有些学者在我国航班延误的诱因和相关法律的论述基础上,提出航班延误后的补救措施。如李宏分析各国司法判例,探讨合理延误与不合理延误的区分标准以及法律责任明确;姚韵等通过对国内航班服务中存在的三大类服务失误的原因分析,并针对航班延误的特点提出事件驱动的即时服务理念,提供航班延误服务补救系統框架建议,为航空公司提供服务参考。
在研究旅客行为影响因素的文献中,学者们从不同角度将行为进行细分,通过多种手段来表现影响因素与出行行为之间的关系。季彦婕等以城市交通为例,运用结构方程模型探究旅客个人属性、出行特征、服务质量对旅客满意度和乘坐意向的作用关系,寻找服务缺陷并提出相应改善建议。齐晓云等从微观心理视角剖析旅客行为,探索人格特质、情境因素、旅客需求对航班延误情况下旅客情绪生成的影响作用。因此,本文基于结构方程模型重点分析航班延误下旅客行为特征及其影响因素,找出它们之间可能存在的因果关系及关系强弱,为基于旅客行为特征提升民航运输服务质量及效率提供依据。
1.结构方程模型
结构方程模型是一门基于统计分析技术的研究方法学,它主要用于解决社会科学研究中的多变量问题,用来处理复杂的多变量研究数据的探究与分析。结构方程模型最突出的特点是其能够对抽象的概念进行估计与检定,而且能够同时进行潜在变量的估计与复杂自变量/因变量预测模型的参数估计。
结构方程模型包括测量方程、结构方程,测量模型研究的是潜变量和显变量的关系,而结构模型是研究潜变量之间或者说因子之间关系的。
测量方程:
结构方程:
上式中:x为外生显变量组成的向量;y为内生显变量组成的向量; 为y在η上的因子负荷矩阵; 为x在ξ上的因子负荷矩阵; ε为内生显变量的误差项; 为外生显变量的误差项; B为系数矩阵,描述了内生潜变量η之间的相互影响; 为系数矩阵,描述了外生变量ξ对内生变量η的影响; 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.航班延误下旅客行为结构方程模型构建
2.1 模型变量选择
结构方程模型可以对不可直接观测的变量即潜变量进行测量,且可以同时处理多个内生变量和外生变量关系,对于航班延误条件下旅客的行为特征,本文主要用航班延误后旅客行为倾向和航班延误后旅客行为两个变量体现;对于航班延误下影响旅客行为特征的影响因素,主要从旅客基本属性、对延误信息的态度、航班延误情况、外界环境四个方面入手,并选取了相应27个观测变量,变量描述如下所示:
Ⅰ旅客基本属性,包括性别取值 1~2,1:男;2:女,年龄取值 1~7,1:18岁以下;2:18-25岁;3:26-30岁;4:31-40岁 ;5:41-50岁;6:51-60岁;7:60岁以上,学历水平取值 1~4,1:高中及以下;2:专科;3:本科;4:研究生及以上,职业取值 1~6,1:学生 ;2:公务员或事业单位 ;3:国有企业;4:民营或私有企业;5:外企;6:其他、月收入水平取值 1~5,1:1000元及以下;2:1001-3000元;3:3001-5000元 ;4:5001-10000元;5:10000元以上,乘坐飞机频率取值 1~3,1: 2次及以下;2:3-6次;3:7-10次;4:11次以上,出行目的取值 1~4,1:上学 ;2:公务出差 ;3:休闲度假;4:探亲访友,托运行李习惯取值 1~3,1:基本上都会托运;2:情况而定;3:一般不会托运
Ⅱ旅客对信息的态度:关注航班延误信息取值 1~3,1:从不关注 ;2:偶尔会看看;3:极为关注,查询航班动态信息时间取值 1~4,1:在家出发前;2:值机前 ;3:候机时;4:航班延误已发生时,对航班动态及延误信息的信赖程度取值 1~3,1:十分相信;2:半信半疑;3:不太相信
Ⅲ航班延误情况:航班所在的时段、预计的航班延误时间、航班延误的原因、航班延误的规模、同方向航班的延误情况对航班延误后旅客行为的影响程度,取值 1~5,1:很大;2:大 ;3:一般;4:小;5:很小
Ⅳ外界环境:周边旅客行为、航班延误信息的推送的及时性、航班延误信息的准确度、航空公司或机场的服务补救措施、机场服务设施及环境、换乘高铁等其他运输方式的便捷程度、高铁的便捷性、随行人员的人数、随行人员中是否老人或孩子、行李、随行同伴的决定对航班延误后旅客行为的影响程度,取值 1~5,1:很大;2:大 ;3:一般;4:小;5:很小
2.2 模型假设
根据外生变量、内生变量及相互间的关系,本文提出以下假设: H1:旅客基本属性对航班延误下旅客行为特征有显著直接影响;H2:旅客对延误信息的态度对航班延误下旅客行为特征有显著直接影响;H3:航班延误情况对航班延误下旅客行为特征有显著直接影响;H4:外界环境对航班延误下旅客行为特征有显著直接影响;H5:旅客基本属性与旅客对延误信息的态度有显著直接关系;H6:旅客基本属性与航班延误情况有显著直接关系;H7:旅客基本属性与外界环境有显著直接关系;H8:旅客对延误信息的态度与航班延误情况有显著直接关系;H9:旅客对延误信息的态度与外界环境有显著直接关系;H10:航班延误情况与外界环境有显著直接关系。
2.3 结构方程模型路径图
应用结构方程的路径分析软件 AMOS,将各种变量及其关系绘制路径图,如圖1所示。
3. 变量分析及假设检验
3.1 变量的探索性因子分析
本文通过网络及实地调查,共收集730份问卷,通过填写时间长短等因素进行筛选,剔除88份无效问卷,共获得有效样本 642 份。Mueller[3]认为,样本量若能达到 200个,则模型的统计检验力较好。Thompson[4]研究发现,在运用 SEM方法时,样本数与观测变量的比例至少为 10:1 至 15:1之间。据上,本次研究在样本量上达到 SEM 方法的统计要求。
运用 SPSS16.0 进行探索性因子分析,各变量相关系数大部分都在 0.2~0.8 之间,说明进行因子分析的必要性。效度检验结果见表2。根据 Kaiser 给出的标准 KMO 取值大于 0.7,适合进行因子分析 ;同时,由SPSS检验结果显示sig值=.000<0.05(即p值<0.05),说明各变量间具有相关性,因子分析有效,通过了Bartlett 球形检验。
3.2 模型验证性分析及修正
对初始模型进行拟合度检验,拟合指数中 NFI、CFI、IFI、RFI 的检验值不是特别理想,概念模型还需进一步修正。在理论模型中,各观测变量的误差之间均没有相关,但在修正中,e3和e4、e5和e6、e13和e5、e20和e21、e22和e23、e31和e32、e31和e34、e34和e25间的修正指数值较大,且各观测变量均同属相同的潜变量,其误差间存在一定的相关性在理论上是合理的,故增加相互间关联。
按照每次释放一个参数的原则,逐次进行假设模型的修正,并得到最终模型,修正后模型的拟合度指标如下所示,总体而言,修正后的模型与数据的拟合度更好,所拟合的模型是一个较好模型。通过对模型的修正,标准化模型参数估计结果,如下所示。
绝对适配度指标:卡方值/自由度标准值1~3,检验值2.384,适配度指数(GFI)标准值>0.9,检验值0.919,调整适配度指数(AGFI)标准值>0.9,检验值0.900,近似均方根误差(RMSEA)标准值<0.08,检验值0.046,均符合。
相对适配度指标:标准适配指数(NFI)标准值>0.9,检验值0.602,比较适配指数(CFI)标准值>0.9检验值0.714,递增适配指数(IFI)标准值>0.9检验值0.723,基本符合。
简约适配度指标:调整后规准适配指数(PNFI)标准值>0.50,检验值0.526简约适配度指数(PGFI)标准值>0.50,检验值0.743,均符合。
3.3 假设检验及结果
标准化的路径系数代表的是共同因素对测量变量的影响。有三个外生潜变量旅客基本属性、航班延误情况、外界环境对内生潜变量航班延误下旅客行为特征的标准化负荷系数均为正,可见这三个外生潜变量对内生潜变量具有显著的正向影响 ;另一个外生潜变量即旅客对延误信息的态度对内生潜变量航班延误下旅客行为特征的标准化负荷系数均为负,可见此外生潜变量对内生潜变量具有显著的负向影响。旅客基本属性与旅客对延误信息的态度、旅客基本属性与航班延误情况以及航班延误情况与外界环境三组内生潜变量内部之间标准化负荷系数显著不等于0,表明三组内生潜变量分别存在显著的共变关系;而通过模型的计算可以发现,旅客基本属性与外界环境、旅客对延误信息的态度与航班延误情况以及旅客对延误信息的态度与外界环境之间不存在关联。即,假设 1、2、3、4、5、6 、10获得支持,而假设 7、8、9受到否定。
3.4 结论及建议
3.4.1外界环境和航班延误情况对旅客出行行为影响显著
航班延误下旅客行为是受多因素影响的决策过程,在进行分析时需要考虑旅客基本属性、旅客对延误信息的态度、航班延误情况和外界环境等多因素的影响。在这四个因素中,外界环境和航班延误情况对旅客行为特征影响更为显著。具体而言,外界因素受到航班延误信息推送信息的准确度和及时性、航空公司或机场的服务补救措施等因素影响较大;航班延误情况受到航班延误的规模、同方向航班延误情况、航班延误的原因三个因素影响较大。
对于航空公司与机场而言,航空公司在延误后做出的信息推送的及时性很受旅客关注,因此航空公司和机场应该及时准确地推送航班延误规模、同方向航班延误情况以及航班延误原因等延误信息,以诱导旅客进行行为决策,减轻延误后的运营压力,有助于提高旅客的出行体验;同时旅客对航班延误后的服务补救措施十分重视,航空公司和机场应该提升服务补救措施质量,稳定旅客情绪,减少旅客流失率,提高旅客满意度进而提高旅客对航空公司或机场的忠诚度。
3.4.2 旅客基本属性和旅客对延误信息态度对旅客行为具有一定影响
旅客基本属性和旅客对延误信息态度对旅客行为具有一定影响,但影响不大。旅客关注航班信息推送软件程度对其在延误后的态度影响较大,类似“飞常准”、“航旅纵横”等APP会实时更新航班动态,对旅客采取行为具有较大参考意义,航空公司有必要加强各大航班动态平台的信息传递速度与质量。就旅客基本属性而言,年龄和和职业对其影响较大。航空公司可就旅客年龄和职业差异将旅客进行分类,预判不同类别旅客的行为极其服务偏好,以在最佳时间采取针对性措施
4 结语
本文通过发放调查问卷及实地考察获得航班延误下旅客行为特征及影响因素的调查数据,经处理得到有效数据,并在旅客基本属性、航班延误情况、外界环境、旅客对航班延误信息的态度、延误后旅客行为特征五个维度基础上设立内生变量和外生变量,建立结构方程模型,进而对模型进行验证性分析及修正,最终通过假设检验得出变量间的相关关系,对航班延误下影响旅客行为的因素进行了分析,为航空公司在航班延误后对有不同行为特征的旅客采取针对性的服务补救措施提供一定帮助。
参考文献
[1]江红,周夕钰.基于结构方程模型的民航旅客出行行为特征影响因素分析——以天津机场出港旅客为例[J].综合运输,2017,39(03):47-52+67.
[2] 动与出行的结构方程建模 [J]. 长安大学学报(自然科学版), 2015, 35(1): 111-118.
[3] Ralph O. Muller. Structural equation modeling: Back to basics[J]. Structural Equation modeling, 1997(4): 353-369
[4] Thompson Laurence G Grimm, Paul R Yarnold. Ten commandments of structural equation modeling [J]. American Psychological Association, 2000: 261-283.