A totally non-compensatory multi-criteria method for evaluating and improving level of satisfaction (LoS): proposal and application on Airport Terminal of Passengers

想象一下你正在给学校食堂的午餐打分。在那种老派的做法中，你可能会使用数学平均值：如果披萨是10/10分，而沙拉是1/10分，那么最终成绩就会变成“5”（平均值）。这被称为**补偿性（compensatory）方法，即一个极好的事物可以“补偿”一个糟糕的事物。但这在现实生活中并不总是感觉对劲。如果食物吃起来像纸板一样，那么无论盘子装饰得多么漂亮，这顿饭仍然是一场灾难。这就是多准则决策分析（MCDA）*的核心——这是一个帮助我们通过权衡许多不同因素来做出艰难选择的科学分支。通常，这些工具假设每个人都看同样的因素列表（如口味、价格和速度），并且一个领域的高分可以弥补另一个领域的低分。但如果人们的优先级完全不同呢？如果一个人关心的是商店里的音乐，而另一个人只关心结账速度呢？如果一个领域的高分不应该*被允许用来掩盖另一个领域的失败呢？这篇论文正是针对这种混乱的人类现实展开研究的。

作者 Phelipe Medeiros da Rocha 和 Helder Gomes Costa 正在解决一个感觉像是一个巨大且混乱的拼图的问题：当每个人都在使用不同的规则书时，你该如何衡量人们对一项服务的满意度？他们将这种新方法应用于巴西的 15 个主要国际机场，分析了 19,240 名乘客的数据。研究人员并没有强迫每位乘客对完全相同的 37 项内容（如“洗手间的清洁度”或“安检速度”）进行评分，而是让每位乘客选择他们关心的特定事项。一个人可能会评价“Wi-Fi”和“食品价格”，而另一个人可能只评价“安检人员的友好程度”和“行李提取速度”。

这里的关键在于：研究人员使用了一种“完全非补偿性（totally non-compensatory）”的方法。把它想象成一个严格的夜店保镖。如果你缺少一张门票（在一个准则上得分较低），你不能仅仅因为戴了一顶很酷的帽子（在另一个准则上得分很高）就得以进入。在旧的数学模型中，一顶好帽子可以“补偿”缺失的门票。而在这种新模型中，如果一个机场在某个关键点上失败了，那么对于该乘客来说，其体验就会被标记为差，无论其他方面表现得多么出色。这防止了“平均值”掩盖掉某些环节实际上已经损坏的事实。

团队将这个庞大且杂乱的数据集输入到一个名为 ELECTRE TRI ME 的特殊算法中。这不仅仅是一个简单的计算器；它是一个分类机器，用于观察一个机场符合不同满意度类别（如“非常好”、“好”、“一般”、“差”或“非常差”）的“可信度”。由于乘客使用的准则各不相同，该算法必须足够聪明，能够处理这些差距，而不会用虚假的“平均”数字来填补空白。

结果非常引人入奇。这 15 家机场不仅仅得到了一个单一的分数；它们根据表现的一致性被分成了四个不同的组别：

• A 组（顶层）包括维拉科蓬斯机场 (VCP) 和阿方索·佩纳机场 (CWB)。这些地方在各个方面普遍表现为“非常好”。
• D 组（底层）包括雷西费机场 (REC)、萨尔瓦多机场 (SSA) 和贝伦机场 (BEL)。这些机场在表现方面存在显著的短板。

这项研究并不仅仅停留在排名上；它像侦探一样去寻找底层组别表现不佳的原因。他们发现，虽然大多数机场在“安检人员礼貌程度”和“等待时间”等方面做得很好，但几乎所有人都对同样的两件事感到困扰：食品价格和购物价格。在所有组别中，乘客对餐厅和商店的“性价比”评价仅为“一般”（5 分制下的 3 分）。

对于 D 组的机场，论文建议他们需要关注特定的“扣分项（deal-breakers）”以提升等级。这些包括指示和标识、航班信息显示屏、互联网接入以及停车可用性。作者认为，如果 D 组机场能解决这些具体问题，他们就能跃升到更高的满意度水平。然而，对于顶层机场，建议是“保持”其高标准，因为它们已经在大多数领域达到了顶尖水平。

论文谨慎地指出，这是一种看待问题的新方式。它明确排除了通过简单平均分数来获得真实满意度画像的想法。它还承认了一个局限性：他们使用的数据并未询问乘客每个项目对他们的重要性（每个人的准则都被视为同等重要）。尽管如此，作者仍表示，他们的方法是一个强大的新工具。它允许我们看到服务链中的“薄弱环节”，而不让强力环节掩盖它们，从而为机场管理者提供了一条更清晰的路径来真正改善乘客体验。这是一种从问“平均分是多少？”到问“我们在哪里失败了，以及谁注意到了？”的转变。