智能网联汽车用户使用满意度影响因素研究

张国方 李孟凯

[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獲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及以上時，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。

在感知风险路径下，优化前感知质量和感知便利性路径系数分别为0.773和0.657，对比优化后的路径系数来看，比重都大于0.6，说明用户在使用过程中都很重视产品的实际使用效果和性能。由此可分析出感知质量和感知便利性都是影响感知风险的重要因素。

从建立的模型可以看出，影响用户满意度的两条路径都具有正向影响，反映了对于当下的智能网联汽车而言，用户更注重智能网联产品的各种性能与安全性。综合以上分析来看，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。结合实际购车使用过程来看，智能网联汽车用户在计划购买智能网联汽车时，首先是受到相关的宣传影响，对智能网联汽车产生兴趣，然后到线下店里实际体验，感受相关销售服务体验，然后再是试乘试驾后以及购买后的驾驶体验，说明优化后的模型更加符合实际情况。

2. 存在问题分析

测量变量在各感知维度中的载荷大小反映了各测量变量对各感知维度的影响程度，影响程度的大小反映了各测量变量的相对重要度，表明了满意度模型和优化模型在解释各感知维度与其测量变量之间的关系能力。所建模型各感知维度下的测量变量优化前后载荷大小如表10所示。

在使用态度的路径下，各维度的测量变量的载荷值如表11所示，服务感知这个变量下的4个因素载荷系数都大于0.6，占比较大，但是I2、I3相比I1、14两个变量，载荷值变小，影响程度变小。I2、I3变量衡量的是价格对满意度的影响，反映用户对部分功能的使用成本有担忧，一方面是因为部分智能网联功能价格本身就偏高，另一方面是由于用户会担心各种功能的后期维护成本;优化前体验感知变量下的3个测量变量载荷系数也较大，优化后各个变量的载荷值都变小，影响程度变小，3个变量衡量的是用户使用价值感对满意度的影响，反映用户在使用过程中价值感不是太高，很大可能是目前用户缺乏对相关产品功能的了解，使得体验感知不高;感知有用性下的3个测量变量载荷在优化后载荷值变小，影响程度变低，3个变量衡量的是相关智能网联功能的使用对满意度的影响，反映用户对车载导航等部分功能不认可，这说明智能网联汽车的部分功能不能满足用户的需求，一方面可能是因为用户对一些产品的使用操作过程不熟悉，另一方面可能是由于设计、技术等，产品本身就存在一定的问题。

在感知风险的路径下，各维度的测量变量的载荷值如表12所示，对比优化前后载荷值，B1、B4载荷值变大，影响程度变高;B2、B3载荷值变小，影响程度变低，B1、B4衡量的是智能网联汽车多媒体功能的使用对满意度的影响，B2、B3衡量的是智能网联辅助驾驶功能使用对满意度的影响。对比来看用户对车内多媒体功能使用效果满意度要好于部分辅助驾驶功能，反映智能网联汽车的娱乐功能是大部分用户所接受认可的，多数的消费者选择智能网联汽车更偏向于驾乘的舒适体验;对比感知质量下的5个变量优化前后载荷值，C2，C3载荷值在优化前后都相对较小，影响程度低，比较其他因素，辅助驾驶和车内语音系统等功能使用效果满意度还有待提升，反映了目前的部分产品在技术上还需要升级，针对用户的需求分析还要更加细致。

綜合来看，当下的智能网联汽车市场存在着如下的问题：部分功能的使用效果并不如意，一些功能在宣传和使用时有一定的差异，使得产品认可度不高;智能网联汽车用户在使用过程中的自我价值感，以及对新产品的使用服务等方面体验还不够好;用户对于部分功能价格以及后期升级成本有一定的顾虑，说明在价格端还需要做相应的调整。

五、 建议及结论

根据优化前后的影响因素的分析，以及针对当前智能网联汽车所存在的问题，本文基于模型优化前后的分析结果，综合具体的影响因素，并结合4P（Product，Price，Place，Promotion）理论，提出对应的建议。

1. 贴近用户优化产品质量

针对用户对部分产品认可度的问题，从4P理论的产品角度做出相关的应对策略：抓住用户消费需求，准确提供用户需求产品。研发时在用户调研环节需要更加贴近消费者，充分利用大数据技术，清晰、准确地抓住用户的消费需求和习惯。同时也要及时获取产品的市场反馈，根据市场动态及时分析消费者需求和产品的特点，调整产品属性，提供更多适用、有效的产品;要提高用户对智能网联产品的认知，把产品的功能、特点清楚地展现给消费者，给予相关的使用说明和培训指导;建立并完善消费者和车企的交流互动平台，让消费者更大可能地参与相关产品的开发制造，增强用户的参与感、价值感。

2. 利用不同渠道增强宣传

针对用户对部分功能宣传不够了解的问题，结合4P理论，从宣传和渠道角度做出相关的应对策略：在线上要充分利用各种宣传渠道。利用直播、短视频等各种新媒体将产品的一些设计理念、设计细节准确、清楚地传达给消费者，凸显产品的卖点，提高产品的品牌影响力;利用相关的APP建立消费者用户社群，让用户分享自己的使用体验，增强用户之间的互动交流。打造新的卖点，充分调动消费者的好奇心与消费积极性，运用大数据针对不同类型消费者定点投放广告，同时做好老用户的相关服务，组织相关活动维护好用户口碑，优化品牌的形象。拓展宣传渠道，通过与不同企业、行业或者相关部门合作，向用户传递智能网联汽车的发展趋势，以及相关的功能特点和相关服务。

在线下要继续做好各种店内宣传推广。在售前的试乘试驾环节，要多向消费者详细介绍相关产品的特点与性能，让消费者在试驾过程中去真切感受产品性能，提升消费者的认可度，增强消费者的消费信心。多提供一些个性化的功能设定，满足不同地域、不同消费能力的消费者需求。

3. 灵活定价做好后端服务

对于用户担忧的成本问题，结合4P理论，从价格角度做出应对策略：在销售价格方面，根据用户的不同需求提供不同的产品组合，使得消费者能根据自身的实际情况选择需要的产品，在满足消费者需求上，尽可能使产品性价比最大;灵活使用促销手段，通过公众号、官网、手机APP客户端等渠道发放促销信息，可以利用知识问答、积分兑换、小游戏闯关等方式让用户通过参与促销活动获得不同的折扣;在售后服务方面，依托5G技术的发展，建立智慧化的后端服务中心，建立健全相关的智能网联汽车用户的资料，并结合大数据技术在相关的产品升级维护时及时为用户预约相关的服务中心，减轻用户后期的维护压力，减少用户后期维护成本。

本文运用神经网络思想优化用户满意度模型，通过对比优化前后的影响因素，能够灵活地分析影响用户使用感知的原因，探索出影响用户满意度的因素：（1）在使用态度路径下，服务感知是影响使用态度的主要因素，其次是体验感知因素。（2）在感知风险路径下，感知质量和感知便利性都是影响感知风险的重要因素。

本文在建立用户满意度模型时选取的指标还不够全面，维度比较简单，后续研究应尽可能多地增加变量因素;同时由于时间的原因，调查问卷收集的样本量相对有限，后期还需要更多样本来验证，使得模型更加准确、客观。

参考文献

[1] 金安琪.上汽斯柯达汽车营销策略研究[D].兰州：兰州大學，2020.

[2] 武佳宁.一汽轿车股份有限公司奔腾汽车营销策略研究[D].长春：吉林大学，2019.

[3] 方珊.蔚来新能源汽车营销策略研究[D].广州：华南理工大学，2020.

[4] 丁孝章.上汽大通定制化乘用车营销策略研究[D].哈尔滨：哈尔滨工业大学，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] 张妍，庞有俊，王镭.车载信息娱乐系统用户体验与偏好研究[J].时代汽车，2020（21）：179-180.

[8] 陈国庆.基于技术接受模型的电动汽车购买意向影响因素研究[D].昆明：云南财经大学，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] 王学东，李金鑫，汪园.新能源汽车用户持续使用意愿研究[J].信息资源管理学报，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] 颜波，褚学宁，张磊.结构方程模型与人工神经网络结合的用户感知建模方法[J].上海交通大学学报，2019，53（7）：830-837.

[15] 赵海峰，万迪昉.结构方程模型与人工神经网络模型的比较[J].系统工程理论方法应用，2003（3）： 262-269.

[16] 邵宏宇，孟琦，赵楠，等.基于BP神经网络的产品性能满意度预测分析[J].天津大学学报（自然科学与工程技术版），2019，52（9）：932-940.

[17] 张凌，程聪，朱礼军.基于卷积神经网络的物流服务业顾客满意度评价方法研究[J].情报工程，2021，7（1）：93-102.

[18] 李睿，陈坚，傅志妍，等.基于结构方程模型的定制公交乘客满意度分析[J].科学技术与工程， 2020，20（25）：10499-10503.

作者简介：张国方（1965-），男，硕士，武汉理工大学汽车工程学院教授，硕士生导师，研究方向为汽车市场营销，汽车产业经济;李孟凯（1995-），男，硕士，武汉理工大学汽车工程学院硕士研究生，研究方向为汽车市场营销。

（收稿日期：2021-12-26 责任编辑：顾碧言）