考虑心理因素及社会网络影响的电动汽车购买意愿研究

陆 欢，干宏程，王馨玉，黄 玥，王雯静

（1.上海理工大学 管理学院，上海 200093；2.上海理工大学 超网络研究中心，上海 200093）

0 引言

在全球倡导节能减排的背景下，发展以电动汽车为主的新能源汽车将成为汽车工业转型升级的重要方向，同样也是我国实现“碳达峰”与“碳中和”目标的重要抓手之一[1]。国务院办公厅印发的《新能源汽车产业发展规划（2021—2035年）》提出“到2025 年我国新能源汽车销量达20%”的目标[2]，但目前新能源汽车市场份额仅为8%[3]，说明公众对于电动汽车的购买意愿仍相对较低，这一现象引起了政府决策者、汽车企业以及学术研究人员的广泛关注。因此，当前必须充分了解消费者对电动汽车的态度及认知程度，确定影响其购买电动汽车的关键因素，从而制定更具针对性与合理性的电动汽车发展策略。

消费者对于是否购买电动汽车存在许多顾虑，比如认为电动汽车的售价过高、担心充电基础设施不足、续航里程低或对其技术缺乏信任等。基于此，已有学者开展相关研究，主要考虑的是消费者个体属性特征及车辆属性特征等对消费者购买电动汽车的影响。在个体属性特征方面，已有研究表明消费者的性别、收入、年龄、受教育程度、家庭车辆拥有数等会影响其购买电动汽车的意愿[4-5]。在车辆属性方面，现有研究主要分析了电动汽车的销售价格、续航里程、充电费用等对消费者购买意愿的影响[4-5]。在销售价格方面，也有研究考虑了政府补贴及激励政策的影响[5]。此外，还有研究发现电动汽车充电设施的使用安全性及便捷性也是重要的影响因素[6]。

与此同时，通过总结现有研究发现，心理因素同样会影响消费者的选择偏好，主要体现在消费者对于电动汽车的态度，包括其对电动汽车种类的熟悉程度、对补贴政策的了解程度、对电动汽车环保性的认识程度[7-9]以及对电动汽车技术的信任程度，比如对电动汽车技术成熟性、先进性及安全性的信任度[8-10]。此外，考虑到消费者身处社会群体中，其购买选择行为也会受所处的社会环境影响[11]。有研究加入社会网络影响因素来探究电动汽车的购买意愿，发现人们更倾向于在社会大众评价积极性较高、家人或朋友购买使用电动汽车的比例超过1/2时，选择购买电动汽车[12]。

综上，虽然目前针对电动汽车购买意愿的研究较多，但仍缺乏文献综合考虑消费者的心理因素和社会网络的影响，使得在研究消费者购买意愿的影响因素时无法从外部特征层面（个人和车辆属性特征）和内部心理层面（心理因素和社会网络影响）同时展开综合分析，从而得出更全面的结论。此外，目前对于电动汽车购买意愿的研究建模方法大部分基于结构方程模型或以混合Logit 模型[13]为代表的离散选择模型。鉴于此，本研究通过构建结合结构方程模型和离散选择模型的混合选择模型（Hybrid Choice Model,HCM）探究消费者个体属性、车辆属性、心理潜变量及社会网络影响对其电动汽车购买意愿的影响，以期为政府制定电动汽车发展政策提出合理和有针对性的建议，也为汽车企业转型和技术研发提供参考。

1 模型构建

1.1 变量选取

通过总结现有研究发现，消费者购买电动汽车的意愿既与个人属性变量有关，也与电动汽车的属性如车辆售价、充电时间、行驶里程等有关[4-6]。同时消费者行为理论认为，消费者的购买意愿会受其所处的社会网络环境的影响[11-12]，故本研究将其纳入考虑，这有助于更全面地分析消费者电动汽车购买意愿的影响因素。因此，在选择显变量时，本研究主要考虑消费者个体属性、车辆属性和社会网络影响3 类显变量。其中，个体属性中设置的变量包括消费者的年龄、性别、教育程度、月收入和家庭车辆数；车辆属性中的变量包括电动汽车的购买价格、政府补贴、续航里程、充电时间及充电桩距离。在社会网络影响方面，在借鉴相关研究的基础上[11-14]，本研究以调查问卷的形式向受访者提出表1 所示的3 个调查问题。

有研究发现，不可观测的潜变量也会影响消费者购买电动汽车的意愿[15]。消费者在商品选择过程中会依赖自身对属性级别的感知，所以其偏好会受到认知和态度的影响，同时消费者的态度与消费者个体的喜好差异有关。因此，在借鉴相关研究的基础上[16]，本研究在潜变量模型中设置两个潜变量，分别为认知程度和技术信任。认知程度表示的是消费者对电动汽车的了解、熟悉程度、整体印象等，技术信任表示的是消费者对电动汽车关键技术的信任程度。针对每一类潜变量设计4 个测量问题，选项采用5 分李克特量表进行设计。为保证潜变量量表的有效性，于2017年8月底在上海市进行了预调查，共发放问卷50份，其中有效问卷42份。通过对预调查数据进行可靠性分析，进一步优化初始量表的测量项，最终形成了包含8个测量项的正式量表，如表2所示。

表2 潜变量选取结果及对应测量项

1.2 HCM模型构建

目前，用于研究电动汽车购买意愿的模型主要有离散选择模型和结构方程模型。传统的离散选择模型在解释消费行为选择上具有一定的局限性，而结构方程模型在揭示不可观测的潜变量对消费者意愿的影响上具有明显优势。在此背景下，将结构方程模型和离散选择模型结合起来的HCM 模型逐渐成为消费者购买意愿研究的热点[16-19]。本研究依据Ben-Akiva 等人[18]和Vij等人[19]提出的理论框架，构建了电动汽车购买意愿的HCM模型，如图1所示。

图1 电动汽车购买意愿的HCM模型

1.2.1 模型定义

结构方程模型一般由测量模型和结构模型两部分组成。测量模型用来描述测量变量和对应的潜变量之间的因果关系，本研究的潜变量与测量变量之间的关系可以表示为：

式（1）中：xi为潜变量；In为测量变量；n为测量变量的编号；Λ为待估参数；εi为随机误差，服从均值为0的正态分布[16]。

结构模型则用来描述潜变量之间、潜变量与显变量之间的因果关系，本研究中消费者的个体属性与潜变量的结构关系为：

式（2）～式（3）中：w为消费者的个体属性，下标表示个体属性编号；B为待估参数，下标由消费者个体属性和潜变量的编号组合而成；ξ1和ξ2均为随机误差项，服从均值为0的正态分布[17-18]。

在获取变量间因果关系的基础上，根据随机效用理论的效用最大化原则，进一步获取消费者的选择结果，可得消费者选择购买电动汽车的效用函数U为：

1.2.2 模型检验与估计

首先测量潜变量的因子，检验相关测量模型，当测量模型满足拟合指标时，方可将其整合入潜变量模型中进行分析。潜变量的信度效度分析主要有以下几个判断标准。

（1）利用验证性因子分析（Confirmatory Fac⁃tor Analysis,CFA）法检验结构方程模型中测量模型的可识别性。首先，检验测量指标与潜变量间的路径是否显著，即显著性水平P小于0.05 是进行CFA 首先需要考虑的；然后，判断因子系数是否大于0.5，满足这两个标准的测量指标方可进入模型。

（2）当潜变量指标的路径系数与显著性满足要求时，需判断模型的近似误差均方根（Root-Mean-Square Error of Approximation,RMSEA）、标准化残差均方根（Standardized Root Mean Square Residual,SRMR）是否满足拟合度要求。统计学认为，RMSEA 值越接近0，表示拟合度越好；SRMR值小于0.05时，表示模型拟合度较好。

（3）克朗巴赫系数值（Cronbach′s α）可用作信度指标，该值在0.70以上为佳。

（4）计算收敛效度，其一般由平均方差提取值（Average Variance Extracted,AVE）表示。为表示潜变量有较好的收敛效度，AVE 值需大于0.50。

（5）测量建构信度（Construct Reliability,CR），以确保模型结构的严谨性。当CR 值大于0.70时，可认为模型的潜变量有较好的建构信度。

考虑到样本数据的峰度和偏度值均在标准值范围内，使用极大似然估计法（Maximum Like⁃hood,ML）进行模型估计[17-19]。似然函数表示为：

式（5）中：σ为模型的误差项；Φ 为统计学中的求积符号；其余参数的含义同前。

最后，在参数估计和检验的过程中，采用T值检验法进行显著性检验，去掉T检验达不到显著性水平的变量。经多次试验，可得到HCM模型的参数估计及检验结果。

2 数据收集

上海市是我国电动汽车普及和使用率最高的城市之一，本研究选择上海市展开调查，具有一定的代表性。数据收集时间段为2017 年10 月22日—10月25日，重点选取居民住宅区、商业、办公地以及加油站等人流密集地，以主动询问的方式开展问卷调查，共发放问卷400 份，通过对问卷的筛选，剔除了有缺失数据的问卷，最终获取294份有效问卷，问卷有效率为73.5%。研究样本个体属性特征如表3所示。

表3 研究样本特征

表3（续）

3 结果分析

3.1 模型检验

在对模型进行求解时，要进行信度和效度检验。结果显示，各潜变量的Cronbach′s α 值均超出临界值0.70；CR 值为0.905 和0.869，超出了临界值0.70；AVE 值分别为0.705 和0.625，都大于临界值0.5。以上数据表明测量指标具有良好的内部一致性，收敛度和建构信度良好，潜变量之间具有较强的聚合效度和区分效度，因此，量表通过信度与效度检验。本研究采用极大似然估计法得到模型的拟合指标，其中RMSEA 值为0.086，SRMR 值为0.028，经验证这两项数值均表明模型拟合度较好；同时，相对拟合指数（Comparative Fit Index,CFI）值为0.956，统计学认为，CFI≥0.9时表明模型拟合较好。综上，可以看出各项指标值均在可接受范围内，说明本研究的潜变量模型的拟合优度可以接受。

3.2 估计结果

HCM 模型估计结果如表4 所示，分析后得出如下结论：

表4 HCM模型参数估计结果

表4（续）

（1）模型中的心理潜变量——认知程度对消费者的电动汽车购买意愿没有显著影响，但技术信任（估计值为-0.035,P<0.01）会显著影响消费者的电动汽车购买意愿，且技术信任系数为负，结合技术信任的测量指标可发现，消费者不信任电动汽车技术时购买电动汽车的意愿不强。

（2）在社会网络影响方面，家人、朋友的分享（估计值为0.426,P<0.01）、新媒体途径分享（估计值为0.256,P<0.01）、公众评价的积极性（估计值为0.226,P<0.01）这3 个属性均显著影响消费者的电动汽车购买意愿，且系数均为正，说明社会网络影响属性正向显著影响消费者的决策。尤其，家人、朋友的分享这一变量的估计值和T值最大，说明消费者在决策时会更信赖家人、朋友。

（3）消费者个体属性中，只有教育程度（估计值为0.056,P<0.01）、家庭汽车数（估计值为0.054,P<0.01）两个变量显著影响购买意愿，且系数均为正，说明受教育程度越高，家庭汽车数越多的消费者越倾向选择购买电动汽车。

（4）车辆特征属性中，除了充电桩距离这个属性外，车辆价格（估计值为0.221,P<0.01）、政府补贴（估计值为0.100,P<0.01）、续航里程（估计值为0.170,P<0.01）、充电时间（估计值为-0.001,P<0.01）4个属性均具有显著影响。其中，价格的系数为正，说明消费者倾向于购买补贴前价格较高的电动汽车；政府补贴和续航里程估计值的系数也为正，说明越高的政府补贴、越长的续航里程对消费者的购买意愿有越强的正向影响；充电时间的估计值系数为负，表明充电时间对消费者的购买意愿有负向影响，充电时间越长，消费者的购买意愿越弱。

同时，为探究消费者个体属性对潜变量的影响，本研究选取显著影响消费者电动汽车购买意愿的技术信任潜变量进行潜变量模型的结构关系参数估计，结果如表5 所示。可得出如下结论：除性别这一变量外，月收入（估计值为0.053,P<0.01）、年龄（估计值为0.048,P<0.05）、受教育程度（估计值为-0.146,P<0.01）和家庭车辆数（估计值为0.078,P<0.01）对技术信任均具有显著影响。月收入、年龄和家庭车辆数的系数均为正，说明年龄越大、收入越高、家庭车辆越多的消费群体对电动汽车的技术期待相对更强烈；受教育程度的系数为负，结合技术信任测量指标可知，学历高的消费者会更加信任电动汽车的技术。

表5 潜变量模型结构关系的参数估计结果

3.3 对策建议

结合上述研究结果，本研究从完善政策、加强技术研发、加大宣传等方面提出相应的对策建议。

（1）拥有一辆及以上汽车的消费者，会由于电动汽车的政策福利选择购买电动汽车。建议政府和汽车企业采取公共停车场减免电动汽车停车费和充电价格优惠等措施吸引更多消费者购买电动汽车。

（2）消费者的购买意愿受其对电动汽车技术信任的影响。建议电动汽车生产商和相关技术研发团队加强核心技术创新，努力突破研发瓶颈。

（3）消费者希望享受更安全与便捷的电动汽车技术，建议电动汽车生产商和相关技术研发团队积极改善充电技术，研发安全性高、可随车携带的蓄电池，提升消费者的充电便捷性。

（4）当电动汽车的续航里程接近传统燃油车且能满足快速充电需求时，消费者的购买意愿会相对强烈。建议加大力度推进电动汽车基础设施建设，充分了解消费者的充电需求，增加充电桩数量、加大充电桩密度，尤其是在居民区、商务区等区域。

（5）在社会网络影响下，相比于公众平台、新媒体发布的信息，消费者的购买意愿受自己家人、朋友分享信息的影响更大。建议鼓励电动汽车车主通过线上社交平台（如微信的朋友圈或抖音、微信视频号等）向亲朋、好友等积极宣传电动汽车的优势；特别应鼓励受教育程度较高、对新技术认同感较强、比较容易接受新事物的群体向亲朋、好友推荐购买电动汽车。

4 结语

本文在考虑消费者心理因素和社会网络影响的基础上，通过采集数据并建立HCM模型获取关键影响因素来探究消费者的电动汽车购买意愿。研究发现：技术信任心理潜变量和社会网络会影响消费者的购买意愿，技术信任的影响因消费者的月收入、年龄、受教育程度和家庭车辆数的不同而异；相比于公众平台和新媒体发布的信息，消费者购买电动汽车的意愿更容易受家人、朋友的影响。本研究的案例分析城市为上海，在后续研究中，可考虑在全国多个城市开展调查，逐步扩大样本数据，丰富样本多样性，从而对不同城市的消费者购买意愿的影响因素进行比较分析。