智能网联汽车用户使用满意度影响因素研究

[摘要]为研究智能网联汽车用户的使用满意度影响因素，灵活探索用户个性需求，以现有智能网联汽车用户为研究对象，结合顾客满意度理论，建立了智能网联汽车用户的满意度模型，利用神经网络思想在结构方程基础上建立BP神经网络，以优化满意度模型;通过问卷调查方式采集数据，对数据进行检验分析，验证智能网联汽车用户满意度优化模型。验证结果表明，优化模型能够定量地分析出各因素之间的相互影响关系，影响用户满意度的主要路径是使用态度，重要路径是感知风险。

[关键词]智能网联汽车;用户满意度;结构方程;BP神经网络

一、 引言

“十四五”是实现制造强国的关键阶段，汽车产业的壮大变强是实现制造强国的重要支撑。在汽车产业领域里，有8个重点领域：汽车市场、中国品牌、新能源产业、智能网联、产业链、协调发展、治理水平、全球化1。在未来的时间里，智能网联相关联领域市场也会越来越大。智能网联汽车有着与传统汽车不同的特点。针对网联化、智能化等特点，要充分研究用户在使用过程之中的感知体验，增强和消费者之间的交流互动，了解消费者需求并结合消费者的个性需求进行营销，为消费者提供更好的服务，推出更多更满意的高品质的汽车产品。

汽车行业紧跟互联网的发展而不断转型升级，营销模式也在不断发展更迭，制定良好的营销策略对消费者满意度有一定影响。不少车企对汽车行业的市场进行细分和合理的划分[1]，在找到目标市场后，以市场为导向提高研发地位，深度挖掘产品特点，针对特点优化营销方案[2]。面对汽车行业的转型升级，各车企都在加快产品开发和布局，提升用户服务水平，提高产品竞争力[3]，分别从产品、价格、渠道、促销等方面提出对应策略，提出了丰富产品线及迭代策略、打造产品竞争力、灵活调整价格、增加经销商多种获利机会、线上线下等营销策略建议[4]。

而消费者是营销的主体，企业应该通过现代化信息技术准确把握消费者的个性化需求，了解消费者的自身偏好，进而提升消费者对产品的满意度。Sheth等人提出了以客户为中心的营销分析框架，解释了以客户为中心的营销的前因、后果和边界条件[5]。用户的个性化需求会使得他们的消费有着明显的偏好，了解自己偏好的消费者在购买定制系统后对供应商的回购意愿和满意度更高[6]。同时，了解消费者的使用体验与偏好[7]和购买意向影响因素[8]有助于企业开发新产品，但是通常由于信息不对称，用户会对购买行为所产生的后果难以有准确的判断[9，10]，这些后果将会影响用户对产品的持续使用意愿[11]。王学东运用偏最小二乘结构方程模型的方法构建了新能源汽车用户的持续使用意愿模型[12]，分析了满意度对持续使用的影响;Fogliatto等人基于顾客对服务或产品属性既定偏好的分析提出了一种MC环境下的选择菜单设计方法[13]，以改善用户的满意度。

但因为数据内在属性分析不充分，使得以结构方程为基础建立的用户模型难以正确描述用户的使用感知[14-15]，变量之间的交互影响和非线性关系难以分析，从而引入神经网络思想来解决感知间的非线性关系。邵宏宇等构建了产品结构配置和实际使用工况向性能满意度映射的BP神经网络模型，分析使用工况作用下的性能满意度影响因素及其影响方式以及关键因子和因子间的交互作用[16]。张凌等人提出基于卷积神经网络的物流服务业顾客满意度评价方法，分析了在网络生鲜产品物流服务特征中，便利性、可靠性、及时性、完整性和友好性在消费者关注的服务特征中的重要性[17]。

随着数字化的发展，已有的研究，大多从技术角度和战略布局角度出发，缺乏对智能网联汽车的用户使用满意度影响因素的研究，对用户个性需求研究不充分、不灵活，针对性营销服务模式研究不足。本文以技术接受模型和期望确认理论[18]为基础，使用结构模型建立用户使用满意度模型，利用神经网络的思想进行模型优化，并根据优化后的结果进行智能网联汽车用户满意度影响因素分析，提出相关的建议策略。本文创新处在于通过神经网络优化满意度模型，灵活探索用户的个性需求因素，并探索适合智能网联汽车的营销服务模式。

二、 用户满意度模型构建

1. 用户满意度结构模型

智能网联汽车是新技术综合应用的产品，适合用技术接受模型研究。结合智能网联汽车使用感知研究的具体问题，把技术接受模型的外部变量细化为：服务感知和体验感知。服务感知主要指用户购车前后对整个购买过程服务的评价，主要从获得产品宣传的体验感知一直到售前的相关服务以及售后服务整个过程的体验;体验感知主要指用户个人通过使用智能网联汽车后相关价值感受的评价，主要包括产品的使用性能、驾驶体验，以及智能网联汽车给用户带来的自我价值感。

用户在使用过程中会对智能网联汽车产生很强的主观使用意愿，为对这种意愿进行解释，引入了用户满意度模型。感知风险主要用来评价用户在使用相关功能过程中对产品性能不确定性的感知，主要包括产品安全性、实用性、使用成本等;感知质量主要描述智能网联汽车用户在使用智能网联汽车过程中获得的价值感以及对智能网联汽车相关产品的认可度。结合已有的因素研究成果，智能网联汽车用户使用感知的各研究变量以及对应的测量指标如表1所示。

构建的智能网联汽车用户满意度的结构方程模型见图1。结构方程可以把无法测量的变量和一些可测量的变量综合在一起，分析出变量之间的因果关系。结构方程模型的优势在于可以通过假设的方式建立起变量之间的联系，同时还允许变量之间存在误差。结构方程模型由两部分组成：结构模型和测量模型，其中变量由可以直接观测的测量变量和不可直接观察的潜变量组成。测量模型：

[X=ΛXξ+δ]  （1）

[Y=ΛYη+ε] （2）

式中：[ΛX]和[ΛY]是X，Y对[ξ，η]的因子载荷矩阵;[δ和ε]为外生测量变量的误差;[ξ和η]是潜在变量。结构模型：

[η=Βη+Γξ+ζ]  （3）

式中：B是内生变量间的路径系数;[Γ]是外源变量和内生变量间路径系数;[ζ]是结构方程残差项。

2. 构建优化模型

由于用户感知是一种受主观影响的心理变化过程，结构方程虽然能对多因素进行假设并测量，但是部分非线性的变量，会受到这种非线性的局限，而神经网络模型能够在众多数据之中通过拓扑结构找寻到变量间的非线性关系，增强假设的可信度。故结合两个模型的优点，以结构方程模型为基础，探索出变量之间的因果关系，再用神经网络思想来优化模型。

传统神经网络拓扑结构大多是依靠经验确定的，本文以结构方程的各变量之间的相互影响为基础来构建拓扑结构，如图2所示。在采用神经元全连接的基础上根据结构方程的分析结果，可以清楚地得到各个变量之间的影响路径和影响程度。基于各变量之间的拟合结果，依据神经网络结构，外源测量变量作为输入端点，变量个数代表输出节点数，假定外源测量变量的个数为N，用[xn]表示外源测量变量（n=1，2，[…]，[N]）;外源潜在变量和内生潜在变量的个数作为隐藏层的层数和神经元数，假定外源潜在变量和内生潜在变量数量分别为B和V，分别用[ξb]（[b]=1，2，[…]，[B]）和[ηv]（[v]=1，2，[…]，[V]）表示;内生测量变量的数量作为输出神经元的个数，假定内生测量变量数量为O，用[yo]（[o]=1，2，[…]，[O]）表示变量的输出。网络之间的连接方式根据测量变量与潜在变量以及潜在变量之间的相互作用关系连接而成，节点间连接权值与结构方程中的因子载荷和路径系数相对应。

输入层网络节点和隐藏层神经元节点之间的连接权重为[B×N]维向量，定义为[Win];隐藏层神经元节点之间的连接权重为[V×]（[B×V]）维向量，定义为[Whid];隐藏层神经元节点与输出层神经元节点之间的连接权重为[O×V]维向量，定义为[Wout]。神经网络中每个神经元都需要用一个激活函数激活，本文所有神经元的激活函数为非线性的sigmoid函数，公式如下：

[sigmoidx=11+e-x]  （4）

三、 数据采集与分析

1. 数据收集

针对研究目的，调查对象为智能网联汽车驾驶者。智能网联汽车用户的使用感知数据主要通过问卷调查的方法获取，分别按照模型假设设计相关的问题，各测量变量根据Likert 5级量表进行测量。问卷采用在线发放收集，问卷在全国范围内发放，一共发放正式问卷316份，回收316份。除去不合理20份，有效回收296份，有效回收率为93.6%。

2. 信度效度分析

为保证问卷收集的原始数据有效可靠，需要对收集的数据经过信度和效度分析检验，原始数据的可靠性主要观测指标为克朗巴哈系数（Cronbach’s [α]）。一般情况下，当克朗巴哈系数大于0.7及以上时，认为样本数据可靠性良好。问卷收集的原始数据用SPSS 22处理，分析得到结果如表2所示。由表2可知各潜变量克朗巴哈系数均大于0.7，原始数据有效、可靠，可进行下一步效度检验。

效度分析主要采用验证性因子分析法，对所收集的原始数据使用SPSS-AMOS 24分析处理，进行聚敛效度和区分效度检验。组合信度和平均方差抽取值（AVE）检验结果的标准范围分别是大于0.7和大于0.5，检验结果如表3、表4所示。由表4可得，组合信度大于0.7，各测量变量因子载荷均大于0.6，平均方差抽取值（AVE）基本大于0.5，表明原始数据的区分度和聚合度较高，可以进行结构方程路径分析。

3. 结构方程路径分析

运用SPSS-Amos 24软件对原始数据做结构方程模型进行拟合优度检验和路径检验分析。结构方程最后的拟合结果如图3所示。模型的拟合优度检验结果如表5所示，通常来说，规范拟合指数（NFI）和相对拟合指数（RFI）的标准范围是大于0.9，可接受值范围是大于0.8，拟合结果是0.863和0.844，在可接受范围内。一般来说卡方自由度比值标准值是要小于3，测量结果是2.5，在标准范围内。近似误差均方根（RMSEA）反映的是近似误差的大小，值越小越好，测量值是0.071值小于0.08，在接受范围内;其余指标都大于0.9，在标准范围之内，总体上来看，模型的拟合优度较好;路径检验结果如表6所示，各路径之间的影响在95%的置信区间显著。

4. 模型优化与验证

基于结构方程路径检验的结果建立相应的拓扑结构，采用全连接形式建立神经网络模型，利用BP（Back-Propagation）算法训练模型，使用python编写相应算法，数据的80%用于模型训练，20%用于模型检测，学习率为0.1，迭代次数2000次，均方根误差（RMSE）（越接近0越好）和判定系数[R2]（越接近1越好）来评价模型的优化效果，结果如表7所示，由表中数据可知，经过神经网络模型2000次训练后，均方根误差在0.1左右，模型收敛性较好;根据表8可知，优化后的判定系数[R2]的值变大，拟合效果较好，模型的确得到优化;优化后的各变量之间的影响路径系数的情况如表9所示，由表9可知，优化前后的路径差异性不大，说明整体路径假设是合理的。

四、 结果分析

1. 影响因素分析

由表9可知，在优化前感知风险和使用态度的路径系数分别为0.660和0.652，对用户使用满意度影响的差异并不大，通过优化后出现了差异，分别为0.583和0.702。通过路径系数大小来看使用态度影响略大一些。在使用态度这条路径下，服务感知路径系数为0.897，明显大于其余两条路径。对比优化后结果，服务感知路径系数依然较大，说明用户更加注重购车前后整个过程的服务体验;而体验感知系数路径由0.316变为0.421，说明用户在使用过程中，更在乎使用的价值感。由此可以分析出服务感知是主要影响使用态度的因素，其次是体验感知因素。