智能網聯汽車用戶使用滿意度影響因素研究

張國方 李孟凱

[摘要]為研究智能網聯汽車用戶的使用滿意度影響因素，靈活探索用戶個性需求，以現有智能網聯汽車用戶為研究對象，結合顧客滿意度理論，建立了智能網聯汽車用戶的滿意度模型，利用神經網絡思想在結構方程基礎上建立BP神經網絡，以優化滿意度模型;通過問卷調查方式采集數據，對數據進行檢驗分析，驗證智能網聯汽車用戶滿意度優化模型。驗證結果表明，優化模型能夠定量地分析出各因素之間的相互影響關系，影響用戶滿意度的主要路徑是使用態度，重要路徑是感知風險。

[關鍵詞]智能網聯汽車;用戶滿意度;結構方程;BP神經網絡

一、 引言

“十四五”是實現制造強國的關鍵階段，汽車產業的壯大變強是實現制造強國的重要支撐。在汽車產業領域里，有8個重點領域：汽車市場、中國品牌、新能源產業、智能網聯、產業鏈、協調發展、治理水平、全球化1。在未來的時間里，智能網聯相關聯領域市場也會越來越大。智能網聯汽車有著與傳統汽車不同的特點。針對網聯化、智能化等特點，要充分研究用戶在使用過程之中的感知體驗，增強和消費者之間的交流互動，了解消費者需求并結合消費者的個性需求進行營銷，為消費者提供更好的服務，推出更多更滿意的高品質的汽車產品。

汽車行業緊跟互聯網的發展而不斷轉型升級，營銷模式也在不斷發展更迭，制定良好的營銷策略對消費者滿意度有一定影響。不少車企對汽車行業的市場進行細分和合理的劃分[1]，在找到目標市場后，以市場為導向提高研發地位，深度挖掘產品特點，針對特點優化營銷方案[2]。面對汽車行業的轉型升級，各車企都在加快產品開發和布局，提升用戶服務水平，提高產品競爭力[3]，分別從產品、價格、渠道、促銷等方面提出對應策略，提出了豐富產品線及迭代策略、打造產品競爭力、靈活調整價格、增加經銷商多種獲利機會、線上線下等營銷策略建議[4]。

而消費者是營銷的主體，企業應該通過現代化信息技術準確把握消費者的個性化需求，了解消費者的自身偏好，進而提升消費者對產品的滿意度。Sheth等人提出了以客戶為中心的營銷分析框架，解釋了以客戶為中心的營銷的前因、后果和邊界條件[5]。用戶的個性化需求會使得他們的消費有著明顯的偏好，了解自己偏好的消費者在購買定制系統后對供應商的回購意愿和滿意度更高[6]。同時，了解消費者的使用體驗與偏好[7]和購買意向影響因素[8]有助于企業開發新產品，但是通常由于信息不對稱，用戶會對購買行為所產生的后果難以有準確的判斷[9，10]，這些后果將會影響用戶對產品的持續使用意愿[11]。王學東運用偏最小二乘結構方程模型的方法構建了新能源汽車用戶的持續使用意愿模型[12]，分析了滿意度對持續使用的影響;Fogliatto等人基于顧客對服務或產品屬性既定偏好的分析提出了一種MC環境下的選擇菜單設計方法[13]，以改善用戶的滿意度。

但因為數據內在屬性分析不充分，使得以結構方程為基礎建立的用戶模型難以正確描述用戶的使用感知[14-15]，變量之間的交互影響和非線性關系難以分析，從而引入神經網絡思想來解決感知間的非線性關系。邵宏宇等構建了產品結構配置和實際使用工況向性能滿意度映射的BP神經網絡模型，分析使用工況作用下的性能滿意度影響因素及其影響方式以及關鍵因子和因子間的交互作用[16]。張凌等人提出基于卷積神經網絡的物流服務業顧客滿意度評價方法，分析了在網絡生鮮產品物流服務特征中，便利性、可靠性、及時性、完整性和友好性在消費者關注的服務特征中的重要性[17]。

隨著數字化的發展，已有的研究，大多從技術角度和戰略布局角度出發，缺乏對智能網聯汽車的用戶使用滿意度影響因素的研究，對用戶個性需求研究不充分、不靈活，針對性營銷服務模式研究不足。本文以技術接受模型和期望確認理論[18]為基礎，使用結構模型建立用戶使用滿意度模型，利用神經網絡的思想進行模型優化，并根據優化后的結果進行智能網聯汽車用戶滿意度影響因素分析，提出相關的建議策略。本文創新處在于通過神經網絡優化滿意度模型，靈活探索用戶的個性需求因素，并探索適合智能網聯汽車的營銷服務模式。

二、 用戶滿意度模型構建

1. 用戶滿意度結構模型

智能網聯汽車是新技術綜合應用的產品，適合用技術接受模型研究。結合智能網聯汽車使用感知研究的具體問題，把技術接受模型的外部變量細化為：服務感知和體驗感知。服務感知主要指用戶購車前后對整個購買過程服務的評價，主要從獲得產品宣傳的體驗感知一直到售前的相關服務以及售后服務整個過程的體驗;體驗感知主要指用戶個人通過使用智能網聯汽車后相關價值感受的評價，主要包括產品的使用性能、駕駛體驗，以及智能網聯汽車給用戶帶來的自我價值感。

用戶在使用過程中會對智能網聯汽車產生很強的主觀使用意愿，為對這種意愿進行解釋，引入了用戶滿意度模型。感知風險主要用來評價用戶在使用相關功能過程中對產品性能不確定性的感知，主要包括產品安全性、實用性、使用成本等;感知質量主要描述智能網聯汽車用戶在使用智能網聯汽車過程中獲得的價值感以及對智能網聯汽車相關產品的認可度。結合已有的因素研究成果，智能網聯汽車用戶使用感知的各研究變量以及對應的測量指標如表1所示。

構建的智能網聯汽車用戶滿意度的結構方程模型見圖1。結構方程可以把無法測量的變量和一些可測量的變量綜合在一起，分析出變量之間的因果關系。結構方程模型的優勢在于可以通過假設的方式建立起變量之間的聯系，同時還允許變量之間存在誤差。結構方程模型由兩部分組成：結構模型和測量模型，其中變量由可以直接觀測的測量變量和不可直接觀察的潛變量組成。測量模型：

[X=ΛXξ+δ]? （1）

[Y=ΛYη+ε] （2）

式中：[ΛX]和[ΛY]是X，Y對[ξ，η]的因子載荷矩陣;[δ和ε]為外生測量變量的誤差;[ξ和η]是潛在變量。結構模型：

[η=Βη+Γξ+ζ]? （3）

式中：B是內生變量間的路徑系數;[Γ]是外源變量和內生變量間路徑系數;[ζ]是結構方程殘差項。

2. 構建優化模型

由于用戶感知是一種受主觀影響的心理變化過程，結構方程雖然能對多因素進行假設并測量，但是部分非線性的變量，會受到這種非線性的局限，而神經網絡模型能夠在眾多數據之中通過拓撲結構找尋到變量間的非線性關系，增強假設的可信度。故結合兩個模型的優點，以結構方程模型為基礎，探索出變量之間的因果關系，再用神經網絡思想來優化模型。

傳統神經網絡拓撲結構大多是依靠經驗確定的，本文以結構方程的各變量之間的相互影響為基礎來構建拓撲結構，如圖2所示。在采用神經元全連接的基礎上根據結構方程的分析結果，可以清楚地得到各個變量之間的影響路徑和影響程度。基于各變量之間的擬合結果，依據神經網絡結構，外源測量變量作為輸入端點，變量個數代表輸出節點數，假定外源測量變量的個數為N，用[xn]表示外源測量變量（n=1，2，[…]，[N]）;外源潛在變量和內生潛在變量的個數作為隱藏層的層數和神經元數，假定外源潛在變量和內生潛在變量數量分別為B和V，分別用[ξb]（[b]=1，2，[…]，[B]）和[ηv]（[v]=1，2，[…]，[V]）表示;內生測量變量的數量作為輸出神經元的個數，假定內生測量變量數量為O，用[yo]（[o]=1，2，[…]，[O]）表示變量的輸出。網絡之間的連接方式根據測量變量與潛在變量以及潛在變量之間的相互作用關系連接而成，節點間連接權值與結構方程中的因子載荷和路徑系數相對應。

輸入層網絡節點和隱藏層神經元節點之間的連接權重為[B×N]維向量，定義為[Win];隱藏層神經元節點之間的連接權重為[V×]（[B×V]）維向量，定義為[Whid];隱藏層神經元節點與輸出層神經元節點之間的連接權重為[O×V]維向量，定義為[Wout]。神經網絡中每個神經元都需要用一個激活函數激活，本文所有神經元的激活函數為非線性的sigmoid函數，公式如下：

[sigmoidx=11+e-x]? （4）

三、 數據采集與分析

1. 數據收集

針對研究目的，調查對象為智能網聯汽車駕駛者。智能網聯汽車用戶的使用感知數據主要通過問卷調查的方法獲取，分別按照模型假設設計相關的問題，各測量變量根據Likert 5級量表進行測量。問卷采用在線發放收集，問卷在全國范圍內發放，一共發放正式問卷316份，回收316份。除去不合理20份，有效回收296份，有效回收率為93.6%。

2. 信度效度分析

為保證問卷收集的原始數據有效可靠，需要對收集的數據經過信度和效度分析檢驗，原始數據的可靠性主要觀測指標為克朗巴哈系數（Cronbach’s [α]）。一般情況下，當克朗巴哈系數大于0.7及以上時，認為樣本數據可靠性良好。問卷收集的原始數據用SPSS 22處理，分析得到結果如表2所示。由表2可知各潛變量克朗巴哈系數均大于0.7，原始數據有效、可靠，可進行下一步效度檢驗。

效度分析主要采用驗證性因子分析法，對所收集的原始數據使用SPSS-AMOS 24分析處理，進行聚斂效度和區分效度檢驗。組合信度和平均方差抽取值（AVE）檢驗結果的標準范圍分別是大于0.7和大于0.5，檢驗結果如表3、表4所示。由表4可得，組合信度大于0.7，各測量變量因子載荷均大于0.6，平均方差抽取值（AVE）基本大于0.5，表明原始數據的區分度和聚合度較高，可以進行結構方程路徑分析。

3. 結構方程路徑分析

運用SPSS-Amos 24軟件對原始數據做結構方程模型進行擬合優度檢驗和路徑檢驗分析。結構方程最后的擬合結果如圖3所示。模型的擬合優度檢驗結果如表5所示，通常來說，規范擬合指數（NFI）和相對擬合指數（RFI）的標準范圍是大于0.9，可接受值范圍是大于0.8，擬合結果是0.863和0.844，在可接受范圍內。一般來說卡方自由度比值標準值是要小于3，測量結果是2.5，在標準范圍內。近似誤差均方根（RMSEA）反映的是近似誤差的大小，值越小越好，測量值是0.071值小于0.08，在接受范圍內;其余指標都大于0.9，在標準范圍之內，總體上來看，模型的擬合優度較好;路徑檢驗結果如表6所示，各路徑之間的影響在95%的置信區間顯著。

4. 模型優化與驗證

基于結構方程路徑檢驗的結果建立相應的拓撲結構，采用全連接形式建立神經網絡模型，利用BP（Back-Propagation）算法訓練模型，使用python編寫相應算法，數據的80%用于模型訓練，20%用于模型檢測，學習率為0.1，迭代次數2000次，均方根誤差（RMSE）（越接近0越好）和判定系數[R2]（越接近1越好）來評價模型的優化效果，結果如表7所示，由表中數據可知，經過神經網絡模型2000次訓練后，均方根誤差在0.1左右，模型收斂性較好;根據表8可知，優化后的判定系數[R2]的值變大，擬合效果較好，模型的確得到優化;優化后的各變量之間的影響路徑系數的情況如表9所示，由表9可知，優化前后的路徑差異性不大，說明整體路徑假設是合理的。

四、 結果分析

1. 影響因素分析

由表9可知，在優化前感知風險和使用態度的路徑系數分別為0.660和0.652，對用戶使用滿意度影響的差異并不大，通過優化后出現了差異，分別為0.583和0.702。通過路徑系數大小來看使用態度影響略大一些。在使用態度這條路徑下，服務感知路徑系數為0.897，明顯大于其余兩條路徑。對比優化后結果，服務感知路徑系數依然較大，說明用戶更加注重購車前后整個過程的服務體驗;而體驗感知系數路徑由0.316變為0.421，說明用戶在使用過程中，更在乎使用的價值感。由此可以分析出服務感知是主要影響使用態度的因素，其次是體驗感知因素。

在感知風險路徑下，優化前感知質量和感知便利性路徑系數分別為0.773和0.657，對比優化后的路徑系數來看，比重都大于0.6，說明用戶在使用過程中都很重視產品的實際使用效果和性能。由此可分析出感知質量和感知便利性都是影響感知風險的重要因素。

從建立的模型可以看出，影響用戶滿意度的兩條路徑都具有正向影響，反映了對于當下的智能網聯汽車而言，用戶更注重智能網聯產品的各種性能與安全性。綜合以上分析來看，影響用戶滿意度的主要路徑是使用態度，重要路徑是感知風險。結合實際購車使用過程來看，智能網聯汽車用戶在計劃購買智能網聯汽車時，首先是受到相關的宣傳影響，對智能網聯汽車產生興趣，然后到線下店里實際體驗，感受相關銷售服務體驗，然后再是試乘試駕后以及購買后的駕駛體驗，說明優化后的模型更加符合實際情況。

2. 存在問題分析

測量變量在各感知維度中的載荷大小反映了各測量變量對各感知維度的影響程度，影響程度的大小反映了各測量變量的相對重要度，表明了滿意度模型和優化模型在解釋各感知維度與其測量變量之間的關系能力。所建模型各感知維度下的測量變量優化前后載荷大小如表10所示。

在使用態度的路徑下，各維度的測量變量的載荷值如表11所示，服務感知這個變量下的4個因素載荷系數都大于0.6，占比較大，但是I2、I3相比I1、14兩個變量，載荷值變小，影響程度變小。I2、I3變量衡量的是價格對滿意度的影響，反映用戶對部分功能的使用成本有擔憂，一方面是因為部分智能網聯功能價格本身就偏高，另一方面是由于用戶會擔心各種功能的后期維護成本;優化前體驗感知變量下的3個測量變量載荷系數也較大，優化后各個變量的載荷值都變小，影響程度變小，3個變量衡量的是用戶使用價值感對滿意度的影響，反映用戶在使用過程中價值感不是太高，很大可能是目前用戶缺乏對相關產品功能的了解，使得體驗感知不高;感知有用性下的3個測量變量載荷在優化后載荷值變小，影響程度變低，3個變量衡量的是相關智能網聯功能的使用對滿意度的影響，反映用戶對車載導航等部分功能不認可，這說明智能網聯汽車的部分功能不能滿足用戶的需求，一方面可能是因為用戶對一些產品的使用操作過程不熟悉，另一方面可能是由于設計、技術等，產品本身就存在一定的問題。

在感知風險的路徑下，各維度的測量變量的載荷值如表12所示，對比優化前后載荷值，B1、B4載荷值變大，影響程度變高;B2、B3載荷值變小，影響程度變低，B1、B4衡量的是智能網聯汽車多媒體功能的使用對滿意度的影響，B2、B3衡量的是智能網聯輔助駕駛功能使用對滿意度的影響。對比來看用戶對車內多媒體功能使用效果滿意度要好于部分輔助駕駛功能，反映智能網聯汽車的娛樂功能是大部分用戶所接受認可的，多數的消費者選擇智能網聯汽車更偏向于駕乘的舒適體驗;對比感知質量下的5個變量優化前后載荷值，C2，C3載荷值在優化前后都相對較小，影響程度低，比較其他因素，輔助駕駛和車內語音系統等功能使用效果滿意度還有待提升，反映了目前的部分產品在技術上還需要升級，針對用戶的需求分析還要更加細致。

綜合來看，當下的智能網聯汽車市場存在著如下的問題：部分功能的使用效果并不如意，一些功能在宣傳和使用時有一定的差異，使得產品認可度不高;智能網聯汽車用戶在使用過程中的自我價值感，以及對新產品的使用服務等方面體驗還不夠好;用戶對于部分功能價格以及后期升級成本有一定的顧慮，說明在價格端還需要做相應的調整。

五、 建議及結論

根據優化前后的影響因素的分析，以及針對當前智能網聯汽車所存在的問題，本文基于模型優化前后的分析結果，綜合具體的影響因素，并結合4P（Product，Price，Place，Promotion）理論，提出對應的建議。

1. 貼近用戶優化產品質量

針對用戶對部分產品認可度的問題，從4P理論的產品角度做出相關的應對策略：抓住用戶消費需求，準確提供用戶需求產品。研發時在用戶調研環節需要更加貼近消費者，充分利用大數據技術，清晰、準確地抓住用戶的消費需求和習慣。同時也要及時獲取產品的市場反饋，根據市場動態及時分析消費者需求和產品的特點，調整產品屬性，提供更多適用、有效的產品;要提高用戶對智能網聯產品的認知，把產品的功能、特點清楚地展現給消費者，給予相關的使用說明和培訓指導;建立并完善消費者和車企的交流互動平臺，讓消費者更大可能地參與相關產品的開發制造，增強用戶的參與感、價值感。

2. 利用不同渠道增強宣傳

針對用戶對部分功能宣傳不夠了解的問題，結合4P理論，從宣傳和渠道角度做出相關的應對策略：在線上要充分利用各種宣傳渠道。利用直播、短視頻等各種新媒體將產品的一些設計理念、設計細節準確、清楚地傳達給消費者，凸顯產品的賣點，提高產品的品牌影響力;利用相關的APP建立消費者用戶社群，讓用戶分享自己的使用體驗，增強用戶之間的互動交流。打造新的賣點，充分調動消費者的好奇心與消費積極性，運用大數據針對不同類型消費者定點投放廣告，同時做好老用戶的相關服務，組織相關活動維護好用戶口碑，優化品牌的形象。拓展宣傳渠道，通過與不同企業、行業或者相關部門合作，向用戶傳遞智能網聯汽車的發展趨勢，以及相關的功能特點和相關服務。

在線下要繼續做好各種店內宣傳推廣。在售前的試乘試駕環節，要多向消費者詳細介紹相關產品的特點與性能，讓消費者在試駕過程中去真切感受產品性能，提升消費者的認可度，增強消費者的消費信心。多提供一些個性化的功能設定，滿足不同地域、不同消費能力的消費者需求。

3. 靈活定價做好后端服務

對于用戶擔憂的成本問題，結合4P理論，從價格角度做出應對策略：在銷售價格方面，根據用戶的不同需求提供不同的產品組合，使得消費者能根據自身的實際情況選擇需要的產品，在滿足消費者需求上，盡可能使產品性價比最大;靈活使用促銷手段，通過公眾號、官網、手機APP客戶端等渠道發放促銷信息，可以利用知識問答、積分兌換、小游戲闖關等方式讓用戶通過參與促銷活動獲得不同的折扣;在售后服務方面，依托5G技術的發展，建立智慧化的后端服務中心，建立健全相關的智能網聯汽車用戶的資料，并結合大數據技術在相關的產品升級維護時及時為用戶預約相關的服務中心，減輕用戶后期的維護壓力，減少用戶后期維護成本。

本文運用神經網絡思想優化用戶滿意度模型，通過對比優化前后的影響因素，能夠靈活地分析影響用戶使用感知的原因，探索出影響用戶滿意度的因素：（1）在使用態度路徑下，服務感知是影響使用態度的主要因素，其次是體驗感知因素。（2）在感知風險路徑下，感知質量和感知便利性都是影響感知風險的重要因素。

本文在建立用戶滿意度模型時選取的指標還不夠全面，維度比較簡單，后續研究應盡可能多地增加變量因素;同時由于時間的原因，調查問卷收集的樣本量相對有限，后期還需要更多樣本來驗證，使得模型更加準確、客觀。

參考文獻

[1] 金安琪.上汽斯柯達汽車營銷策略研究[D].蘭州：蘭州大學，2020.

[2] 武佳寧.一汽轎車股份有限公司奔騰汽車營銷策略研究[D].長春：吉林大學，2019.

[3] 方珊.蔚來新能源汽車營銷策略研究[D].廣州：華南理工大學，2020.

[4] 丁孝章.上汽大通定制化乘用車營銷策略研究[D].哈爾濱：哈爾濱工業大學，2020.

[5] Sheth J N， Sisodia R S， Sharma A. The Antecedents and Consequences of Customer-centric Marketing[J]. Journal of the Academy of Marketing Science，2000，7（1）28：55-66.

[6] Bharadwaj N， Naylor R W， Hofstede F T. Consumer Response to and Choice of Customized Versus Standardized Systems[J].International Journal of Research in Marketing，2009，26（3）：216-227.

[7] 張妍，龐有俊，王鐳.車載信息娛樂系統用戶體驗與偏好研究[J].時代汽車，2020（21）：179-180.

[8] 陳國慶.基于技術接受模型的電動汽車購買意向影響因素研究[D].昆明：云南財經大學，2020.

[9] Paul P J， Michael J R. An Investigation of Perceived Risk at the Brand Level[J].Journal of Marketing Research，1976，13（2）：184-188.

[10] Bauer R A，Hancock R S.Consumer Behavior as Risk Taking[C].Dynamic Marketing for a Changing World： proceedings of the 43rd National Conference of the American Marketing Association，1960：389-398.

[11] Sandra F， Chuanlan L， David S，et al. Development of Acale to Measure the Perceived Benefits and Risks of Online Shopping[J].Journal of Interactive Marketing，2006，20（2）：55-75.

[12] 王學東，李金鑫，汪園.新能源汽車用戶持續使用意愿研究[J].信息資源管理學報，2017，7（2）：40-49.

[13] Fogliatto F S，Silveira G.Mass Customization：A Method for Market Segmentation and Choice Menu Design[J].International Journal of Production Economics，2008，111（2）：606-622.

[14] 顏波，褚學寧，張磊.結構方程模型與人工神經網絡結合的用戶感知建模方法[J].上海交通大學學報，2019，53（7）：830-837.

[15] 趙海峰，萬迪昉.結構方程模型與人工神經網絡模型的比較[J].系統工程理論方法應用，2003（3）： 262-269.

[16] 邵宏宇，孟琦，趙楠，等.基于BP神經網絡的產品性能滿意度預測分析[J].天津大學學報（自然科學與工程技術版），2019，52（9）：932-940.

[17] 張凌，程聰，朱禮軍.基于卷積神經網絡的物流服務業顧客滿意度評價方法研究[J].情報工程，2021，7（1）：93-102.

[18] 李睿，陳堅，傅志妍，等.基于結構方程模型的定制公交乘客滿意度分析[J].科學技術與工程， 2020，20（25）：10499-10503.

作者簡介：張國方（1965-），男，碩士，武漢理工大學汽車工程學院教授，碩士生導師，研究方向為汽車市場營銷，汽車產業經濟;李孟凱（1995-），男，碩士，武漢理工大學汽車工程學院碩士研究生，研究方向為汽車市場營銷。

（收稿日期：2021-12-26 責任編輯：顧碧言）