大数据环境下车联网用户信息行为的影响因素分析

　　第 3  章 大数据环境下车联网用户信息行为的影响因素分析

　　3.1 大数据环境下车联网用户信息行为及其研究意义。

　　3.1.1 车联网用户信息行为。

　　车联网用户是指加入车联网的汽车用户，而加入车联网的汽车用户中，除乘用车外，还有监管车辆、政府公务用车等。本文主要的研究的是乘用车领域，所以本文的车联网用户指的是加入车联网的乘用车车主。车联网用户无论是想要提高驾驶过程中的安全性，或是想要顺利地达目的地的。都离不开信息的获取与交流。车联网用户的个性化信息服务需求不同，其在驾驶过程中会产生不同的信息行为，不同的信息行为导致车联网用户对信息的接受、分析、处理的方式也有着不同的变化，因此，只有充分掌握了影响这些信息行为的因素，才能在信息管理有所体现，提高服务质量，满足车联网用户个性化需求的信息服务。

　　（1）车联网用户信息行为的定义。

　　从车联网用户的角度出发，车联网用户不但需要时刻掌握车在各种情况下的各项性能指标信息，还需要时刻掌握自身的位置，以及周边道路交通情况，对得到的车身信息和位置信息等进行加工和处理后，作出相应的决策。车联网用户的信息行为具体体现在用户对汽车本身运行状态等信息的查询，对想要获得的资讯等信息的分类，对其驾驶的车辆所处位置等信息的搜索、选择等加工处理工作。

　　车联网用户信息行为的主要作用可以分为三个种类，即车身信息、资讯信息和位置信息，只有提供给车联网用户查询信息的功能越完善，获得的信息内容越齐备对信息的处理越得当，才越有可能使车联网用户做出满足自己需要的决策。

　　（2）车联网用户信息行为的基本特征。

　　车联网用户对信息的查询行为、选择行为和使用行为是车联网用户主要的信息行为。车联网用户的信息行为与车联网用户的需求有着直接的联系，同时车联网用户的个体情况也在其中扮演着重要的角色。因此，构建车联网个性化信息服务理论研究的一个重要基础就是对车联网用户信息行为的研究。车联网用户信息行为的特征有，第一，信息行为的普遍性，信息的作用在于消除事物的不确定性[31],所以，车联网用户利用信息消除车辆本身和周边道路交通情况的不确定性是普遍存在的。例如汽车用户发现车辆有异常，会对车身信息进行查询，选择是否进行维修或保养，在驾驶过程中又会使用导航信息服务，到达目的地后，车联网用户会确定其所在位置，和周边情况等信息。其次是信息行为的社会性，社会性存在于车联网用户的主观本身和客观世界，人类科技的发展，生活的进步都不能脱离社会环境，同样的，社会环境也制约着车联网用户对于信息的获取和使用过程。因此，车联网用户的信息行为是具有社会性的。第三，信息行为是具有随机性和选择性的，随机性和选择性体现在车联网用户随机在内容、时间、方式等方面产生信息需求，同时在车身信息和位置信息方面，车联网用户具有选择权，因此车联网用户的信息行为是具有随机性和选择性的。近年来，随着信息爆炸式的增长，无时无刻不处在网络信息环境下的车联网用户的信息行为，在随机性和选择性两个方面有着更加突出的表现。不同的人对信息的接受能力和理解程度的不同，这也就造成了不同的选择。对于车联网用户而言，不同的信息接受能力和对信息的不同理解，也会让用户对信息服务商有了更多的选择。最后，信息行为是具有主动性。车联网用户信息行为的主动性是指车联网用户主动地去查询车身及道路交通情况有关的信息。首先，车联网用户需要时刻掌握车辆的车身性能指标，他们会主动去查询、探知车辆性能。其次，在一次驾驶过程中，道路交通情况是时刻变化的，为了更快、更省时间的到达目的地，车联网用户也会主动查询实时交通状况，规划最优路线。

　　3.1.2 车联网用户的决策过程。

　　车联网用户的决策离不开对信息的掌握，用户的决策过程是在其分析处理获得的信息后采取的一系列行动的过程。这个过程包括：车联网用户根据自己的需求，收集并加工有关的车身信息或者交通信息，判断、选择相应的行动方案，并把选择的方案付诸行动。

　　车联网用户的任何行为与心理，都与他接受的信息、选择处理信息的方式等等有着密切的联系。车联网用户的决策过程，就是在行动的过程中把自身内在的心理需求表达出来的一系列活动。这个过程中，车联网用户接受的信息和处理信息的方式起到了关键性作用。车联网用户做出决策中信息处理的方式。

　　3.1.3 车联网用户信息行为的研究意义。

　　随着大数据、云计算等先进的信息技术的不断完善，车联网的信息服务行业也得到了迅速的发展。大数据环境下，车联网用户逐渐对信息服务的需求与要求也越来越高，随之而来的是其信息行为也在逐渐的发生着潜移默化的变化。在大数据时代车联网用户会以更快的速度和更少的时间来获得有用信息。并且车联网信息服务平台对信息整合的速度也会变得越来越快，使得车联网用户能够在更短的时间内得到所需信息。车联网用户因不同的个性化信息服务需求而产生不同的信息行为。而车联网想要得到更快的发展，则需要通过车联网个性化信息服务来满足不同汽车用户的个性化信息服务需求，通过更具个性化的信息服务来吸引更多汽车用户加入到车联网当中。再通过车联网信息平台利用车联网用户的信息为服务商的决策提供支持。系统地分析和讨论车联网用户的信息行为影响因素，一方面可以提供新的理论来完善对车联网用户的行为研究，另一方面，也会为车联网信息服务商改进其信息服务的方式、管理服务的流程提供借鉴和参考。

　　3.2 大数据环境下车联网用户信息行为影响因素的理论模型。

　　3.2.1 大数据环境下车联网用户信息行为影响因素的理论模型。

　　本研究的主要内容是对大数据环境下车联网用户信息行为的各种影响因素的研究，以及这些影响因素会产生怎样的作用。本文所涉及的变量主要是以国内外学者对车联网用户信息行为的影响因素研究为基础而确定的。其中的变量包括：个人因素、绩效期望、努力期望、感知风险等四个变量，变量内容及变量所包含的主要维度的出处。

　　在前一节对车联网用户的信息行为以及车联网用户在决策过程中的信息处理方式的研究基础上，建立了汽车用户信息行为影响因素的理论模型。

　　3.2.2 研究假设。

　　（1）个人因素。

　　用户的个人因素指的是车联网用户的收入水平，用户本身对车联网个性化信息服务的认知和社会影响。其中社会影响是指用户把周围的其他某人或团体视为自己某一方面的思维准绳或者行动的榜样，在本研究中，用户的个人因素除去收入水平外和认知能力外，把周围的个人或团体对车联网用户兴趣的激发和其在这方面的需求的刺激一并纳入影响因素中。所以，用户的个人因素在模型中由主观规范、收入水平和社会影响这三点来决定。

　　首先，根据国外学者大量的研究发现，收入水平高于社会平均水平的人群比别人更容易使用车联网个性化信息服务。通常来讲，高收入群体相比于其他人而言，风险承受能力更高。同时，收入水平较高的人群更容易接受新鲜事物，更注重商品或服务的质量，同时也更倾向于选择个性化的商品或服务。收入水平不同的用户对于车联网个性化信息服务的使用态度也不同。所以本文提出假设 H1:车联网用户收入水平会影响用户对车联网个性化信息服务的需求，收入水平越高，越容易产生信息服务需求。

　　其次，主观因素是指车联网用户认为，对其重要的人或有影响的人认为他需要使用车联网个性化信息服务；根据 Venkatesh 和 Boonchai&Supasit[35]的研究发现，对汽车用户而言，重要的人往往会对汽车用户产生影响。例如，家人、朋友等向车联网用户的推荐车联网个性化信息服务产品会让车联网用户对车联网个性化信息服务产生好奇。另外，主观因素包含社会影响。社会影响是指于车联网用户的朋友圈中，或他身边的同事、同学等使用车联网个性化信息服务的人会影响到车联网用户对车联网个性化信息服务的看法和态度。因此本文提出假设H2:向车联网用户推荐车联网个性化信息服务产品的人中，对车联网用户有影响或者重要的人越多，越会使车联网用户对车联网个性化信息服务产生需求。

　　（2）绩效期望。

　　绩效期望指的是车联网用户认为车联网个性化信息服务能够为他们提供满足他们需求的服务，并且为其驾驶提供便利与帮助。其中包括感知有用性、工作适用性、相对优势。

　　首先是感知有用性，很多报告都指出影响车联网用户信息需求的一个重要因素就是感知有用性，感知有用性指的是车联网用户认为使用车联网个性化信息服务能够解决在驾车过程中遇到的问题，为自己的驾驶提供帮助。因此本文提出假设 H3:车联网个性化信息服务平台的感知有用性会影响用户的信息需求。

　　第二，工作适用性。工作适用性指的是车联网用户使用车联网个性化信息服务能够提高整个驾驶的绩效。比如车联网用户会认为使用车联网信息服务平台设计驾车出行路线可以节约时间，更快地到达目的地。因此本文提出假设 H4:车联网个性化信息服务平台的工作适用性会影响用户的信息需求。

　　第三，相对优势。目前，车联网用户获得车辆信息和交通信息的途径有很多，相较于其他的信息服务方式，车联网个性化信息服务具有相对优势，使车联网用户使用车联网个性化信息服务更加方便。据此本文提出假设 H5:车联网个性化信息服务相较于其他的信息服务产品所具有的优势会影响用户的信息需求。

　　（3）努力期望。

　　努力期望指的是车联网用户感知车联网个性化信息服务是否易用的程度，由感知易用性和复杂度共同决定。

　　其中，感知易用性是指车联网用户觉得车联网个性化信息服务是否简单易懂，是否容易操作，是否容易查找信息等；根据 Cheng&Liu[40]的研究发现，感知易用性直接影响用户的使用需求。因此本文提出假设 H6:感知易用性越高，越有利于车联网用户使用车联网个性化信息服务。

　　而复杂度是指车联网用户认为车联网个性化信息服务理解和使用的难易程度。Neeraj Kumar[43]在其研究中发现信息服务平台的使用过程越简单容易掌握，就越受欢迎。因此本文对车联网个性化信息服务的复杂度出假设 H7:车联网个性化信息服务的复杂度也是影响车联网用户信息需求的因素之一，即复杂度低有利于车联网用户使用车联网个性化信息服务。

　　（4）感知风险。

　　感知风险指的是主要指的是心里风险、经济风险和功能风险。

　　感知风险中的心里风险指的是车联网用户在使用车联网个性化信息服务过程当中，担心可能存在的风险，例如失去隐私保护，摄入舆论争执等方面的压力。因此本文提出假设 H8:心理风险会影响车联网用户的个性化信息服务需求。

　　经济风险从一般意义上而言指的是在车联网个性化信息服务的过程中，车联网用户可能遭受的经济风险。例如在用户不知情的情况下收取大量的信息费用，或是用户担心会有车联网个性化信息服务使自己网用户掉入"消费陷阱"的情况发生。因此本文提出假 H9:经济风险会影响车联网个性化信息服务需求。

　　最后，功能风险指的是使用的车联网个性化信息服务可能与汽车用户的预期不符，特别是某些预期的功能不能达到完善的效果。据此本文提出假设 H10:车联网个性化信息服务平台的功能风险越低，越有利于车联网用户选择个性化信息服务。

　　（5）信息服务需求。

　　信息服务需求，即车联网用户对不同的信息服务产生的需求，车联网用户的信息服务需求会直接影响其信息行为。同时，车联网用户面对个性化信息服务的所采取的不同的态度也会使其有着不同的信息需求。如果车联网用户对车联网个性化信息服务产生了信息需求，那么其越有可能采取相应的信息行为。据此本文提出假设 H11: 车联网用户的信息行为受其信息需求所影响，信息服务需求越高，越能够使车联网用户产生信息行为。

　　3.2.3 调查问卷设计的与构成。

　　本研究的问卷调查是以阅读大量的相关文献为基础，通过阅读国内外学者对车联网和个性化信息服务已做出的研究，归纳总结了车联网用户的信息行为影响因素，其中包含影响车联网用户信息行为的社会影响、绩效期望、努力期望和感知风险等相关因素。通过与教授和相关学者的探讨和学习，设计了问卷的各个题项，最后形成了在大数据环境下，影响车联网用户信息行为的问卷调查。

　　本次的问卷主要有包括三个部分，分别是介绍问卷、问卷调查对象的基本信息和问卷题目三个部分。第一部分介绍问卷是为了向调查对象解释问卷调查的目的，同时对关于车联网个性化信息服务的一些基本的概念向调查对象进行了解释。第二部分基本信息指的是调查对象基本个人信息，包括调查对象的年龄、性别、受教育程度、工作职业和收入水平等几个部分。第三部分是问卷的主要题目，问卷题目主要分为六个量表，分别是信息需求、个人因素、绩效期望、努力期望、感知风险和信息需求。本次问卷调查将采用 Likert7 级量表。表 3.3 列出了具体的题项。

　　3.3 大数据环境下车联网用户信息行为影响因素的实证分析。

　　3.3.1 数据收集。

　　（1）调查对象和样本容量。

　　根据艾媒咨询发布的中国"互联网+"出行研究报告显示[8],2015 年，中国车联网市场规模达到了 1550 亿元，相比于 2014 年增长了 40.9%,今年来呈现出持续增长的趋势。另外，国家统计局发布的 2015 年汽车服务消费总额数据中显示，车联网的份额已经占全国汽车服务消费总额的 10.7%.而在车联网的份额中监管车辆，即货运用车、公务用车等占据了绝大部分比例。乘用车仅仅占了其中很小的一部分。由于本文的研究对象是普通的车联网用户，所以为保证本调查结果的准确性，将调查对象范围界定为所有了解车联网的乘用车车主。

　　（2）发放和回收情况。

　　本次调查问卷的调查对象主要来是各大汽车 4S 店的客户，通过纸质问卷、和电话交流这两种方式进行问卷的发放，为了保证问卷发放的数量和问卷回收的质量，作者在汽车 4S 经理的帮助下将问卷发放给被调查者。在 2015 年 11 月至2016 年 1 月之间，总共发放出 500 份问卷调查，其中有 410 份问卷得以成功回收。在回收的 410 份问卷中，不合格的问卷有 4 份，记为无效问卷。所以，整体的问卷反馈率为 81.2%,共有 406 份问卷被成功收回。

　　3.3.2 样本分析。

　　本次调查的样本主要是乘用车领域的汽车用户，其中男性车主所占比例比女性车主大。所以被调查者男性个体数量大幅度大于女性。并且由于法律法规等对于汽车用户年龄的限制，问卷结果显示调查者的年龄集中在 30-40 岁之间。

　　本问卷的调查对象中男性居多，有 288 人，而女性则有 118 人。男性人数所占总调查对象的比例为 70.9%,而问卷调查中女性人数所占比例则为 29.1%;在所有的调查对象中有 48.0%的人有着了本科及以上的文化程度，在总体样本中所占的比例最高，另外调查对象中有25.7%的人接受过硕士及以上的教育；在调查对象的工作职业方面，根据调查的结果显示，调查中企业职工有 148 人，占总体样本比例的 36.5%,其次机关单位职工占总样本比比例的 17.7%;在收入水平方面，根据上表中调查对象的收入水平显示，月收入在 4000-5000 元的人数为 140 人，所占比例为为 34.5%,其次月收入在 3000-4000 元的调查对象占总体样本的 27.1%.

　　3.3.3 样本的信度分析和效度分析。

　　对于样本的可靠程度的分析，是问卷调查分析的基础，利用信度分析的方法是分析样本的可靠性，主要有四种方法来对样本量表的可靠性进行分析，即重复本信度法、测信度法、折半信度法、α信度系数法和折半信度法。通常情况下，量表信度系数可以使用 Cronbach α信度系数的方法进行测量，当其数值介于 0-1 区间时，量表的信度越高，其数值就越趋近于 1.如果 Cronbach α信度系数介于 0.8-0.9 时，说明量表的信度非常高；如果 Cronbach α信度系数达到0.7-0.8 时，则表示量表具有相当的信度；若 Cronbach α信度系数值低于 0.6,则说明量表的信度水平比较差，这也表示量表的题项需要我们再进行修正。本研究对调查所得数据是利用了 SPSS Statistics 进行的信度分析。

　　所有变量的 Cronbach α系数均在 0.75 以上，说明本量表设计的题项的信度达到了较高的水平，并且量表整体的信度也达到了0.901,因此可以进一步对量表的效度进行分析。

　　通过测量方法计算出事物的程度，也称为效度分析。效度的高低代表着被测事物吻合度的高低，而吻合度与调查效果有着直接的联系，调查效果越好则吻合度越高。通常我们将效度分析分为三种类型，其中包括准则效度、结构效度和内容效度。准则效度是指量表所得到的数据和其他被选择的变量（准则变量）的值相比是否有意义。根据时间跨度的不同，准则效度可分为同时效度和预测效度；结构效度是指测量结果体现出来的某种结构与测值之间的对应程度，通过结构效度可以对结构进行分析；而内容效度则又称逻辑效度，是指项目对欲测的内容或行为范围取样的适当程度。本研究使用 KMO（Kaiser-Meyer-Olkin）样本测度和SPSS Statistics17.0 软件的的累计方差贡献率这两种方法对样本进行效度分析。检验统计量数值是取值在 0 和 1 之间，检验统计量数值越接近于 1,意味着变量间的相关性越强，原有变量越适合作效度分析；当检验统计量数值越接近于0,意味着变量间的相关性越弱，原有变量越不适合作效度分析。如果检验统计量数值刚好为 0.5,则意味着某一变量只有两个题项。综上所述，本次问卷调查设的效度标准为变量的累计方差贡献率不低于 60%,具体的效度分析结果。

　　由于车联网用户的个人因素中的收入水平、绩效期望中的感知有用性和工作适用性、经济风险这四个变量的检验统计量数值均为 0.5.代表其均只有两个题项。其他 8 个变量的检验统计量数值都比 0.7 要高，而且所有变量的累计方差贡献率均高于 60%,其中，最少功能风险的累积方差贡献率最低，其累计方差贡献率为 66.553%同样高于 60%.结果证明在此问卷中，各个变量的效度很好，数据的有效性，和数据间的相关性很强。

　　3.3.4 结构方程的检验与修正。

　　本文在对模型的检验与修正方面主要是使用 AMOS 21 软件，对信息服务需求以及影响信息服务需求的四个变量的研究主要是利用 SEM 模型，利用 SEM 模型分析研究个人因素、绩效期望、努力期望和感知风险之间关系的情况，以及信息行为是如何被信息服务需求所影响的。首先提出本研究的模型结构，然后对各个指标进行检验，查看各个指标是否满足要求。利用软件得出结论，并在此基础上结合 AMOS 21 软件推荐的修正指标对模型进行最后修正，通过以上的研究最终获得的研究模型是最为合理的研究模型。最后，要验证本研究中做出的每一条假设，本小节一共由 3 个小部分组成。

　　（1）构建整体结构方程模型。

　　首先，在前几章的研究基础上，以及提出的假设对结构方程模型进行建模，模型主要体现在于个人因素，绩效期望，努力期望和感知风险这四个主要变量每个变量中的下属维度，其中个人因素的下属维度为收入水平和主观因素；绩效期望的下属维度为感知有用性、工作适用性和相对优势；努力期望的下属维度为感知易用性和复杂度；感知风险的下属维度为心理风险、经济风险和功能风险。信息服务需求会被这些变量的下属维度所影响；而且信息服务需求也会对信息行为产生影响。

　　（2）整体模型拟合度评价。

　　下面将汇总最终模型指标结果，并详细的分析说明最终模型指标。

　　模 型 汇 总 的 结 果 我 们 可以得出 , 在最后模型中 χ2/df=1792.321/584= 3.069<5,这说明观测数据与模型基本拟合，模型可以接受；标准化均方根残差和近似均方根误差介于 0-l 之间的变化范围，数值越接近于 0,说明模型整体拟合度越好，当标准化均方根残差数值小于 0.1 时，则说明模型具有较好的拟合度。在本文所研究的模型中，近似均方根误差指标为 0.065<0.1,说明模型具有较好的拟合度；残差均方根指数和标准化均方根残差的变化范围相同，其数值介于 0-l,越接近于 0,则说明模型具有较高的拟合度。如表 3.8 所示，本研究模型的 RMR 数值是 0.059,即残差均方根为 0.59.因此可以认为模型具有较好的拟合度。其他的拟合指数 CFI（比较拟合指数）、IFI（增值拟合指数）、TLI（正态拟合指数）和 NFI（非正态拟合指数）的取值范围也都介于 0-1,这些拟合指数的数值与 1 越接近就说明模型的拟合度越好，当数值在 0.90 以上时，可以认为研究模型具有较高的拟合度。在本研究的模型其他拟合指数均在 0-1 之间。

　　其中，CFI 数值和 IFI 数值均为 0.93>0.9,TLI 数值为 0.931>0.9,NFI 数值为0.923>0.9.这说明本次研究所建立模型从整体上来说拥有较好的拟合度，所有的指标都没有脱离标准值的范围，因此可以认为本研究所建立模型为最终的分析模型。

　　（3）检验结果分析。

　　基于上述分析，本研究的最终模型得以确立，图 3.5 是各变量的标准化路径系数图。之后要对变量之间的关系进行具体详细的分析，经过对各个变量的标准化路径系数的整理，列出各变量之间的最终结果表，变量间的详细关系。

　　本次研究总共有 10 个方面对于信息服务需求产生影响。

　　其中，功能风险对应信息服务需求的 P 值为 0.063,而 0.063>0.05 说明显著性呈现出 0.05 水平以上。同时，功能风险的标准化路径系数值为 0.029,因此功能风险对信息需求产生的正向影响是显著的，说明本研究的假设成立。其余的 8个维度中，收入水平，主观因素，感知有用性，工作适用性，相对优势，感知易用性，复杂度，心理风险和经济风险均拥有大于 0 的标准化路径系数值，且其余8 个维度的 P 值均在 0.001 以上呈现出显著性。因而说明信息服务需求会被本文假设的四个变量包含的 10 个维度，即收入水平、主观因素、感知有用性、工作适用性、相对优势、感知易用性、复杂度、心理风险、经济风险和功能风险所影响，且受到的影响是显著的。在这 10 个维度种，例如收入水平越高，主观因素对车联网信息服务的认可情况越高，工作适用性越好，越具有感知有用性和相对优势，复杂度程度越简便，抗风险能力越高，那么信息服务需求也就越强烈。这也说明前文提出的 10 个假设经验证全部成立。另外根据标准化路径指数我们可以获知，相对其它维度的影响情况来说，信息服务需求被收入水平和主观因素这两个方面对的影响要更大一些。

　　另外：信息服务需求对于信息行为的标准化路径系数值为 0.195,也呈现出0.001 水平上的显著性，因而说明信息服务需求对信息行为的影响也是正向的。当用户有了更高的信息服务需求时，将更可能采取信息行为，经验证假设成立。本小节中，首先构建了结构方程模型，再结合 AMOS 21 提供的 MI 指标简单的修正了模型，各项常见模型衡量指标经过一定的调整后，均达到标准范围之内。因此证明了本文所建立的模型的可取性及合理性。在确立了模型的基础上，验证本文所提出的假设，即通过使用结构方程模型的标准化路径系数值对假设进行验证。经研究发现，本文在信息需求及信息行为方面所提出的 11 个假设全部成立。

　　最后将假设的验证情况归纳汇成表格。

　　3.4 结论。

　　在本章中，以前文车联网用户的信息行为的研究为基础，采用调查问卷的方式分析了影响车联网用户使用车联网信息服务的因素，利用 SPSS Statistics软件考证了调查得到的数据，最后，为证实结构模型，本文采用了 AMOS 软件进行验证。并总结出大数据环境下车联网个性化信息服务的发展趋势。在信度分析方面，量表整体的内部信度很高，在效度分析方面有着较好的结果，各变量的数据有效性和变量之间的相关性都比较好。本文共提出的 11 个假设，结果证明 11个假设全部成立，由此得出最终模型见图。