结合分析在汽车市场研究中的应用
黄晓兰 沈 浩 北京广播学院, 北京 100024
摘要：结合分析是一种非常流行和有效的市场研究技术，主要用来分析消费者对产品/服务的偏好和模拟消费者的购买行为。本文通过对上海通用汽车—赛欧轿车的市场研究案例，介绍了采用部分因子设计估计主效应的全轮廓结合分析法计算属性水平的效用值和最大效用模型估计市场占有率的基本概念、步骤和方法。 关键词：属性、水平、全轮廓、效用、属性的相对重要性、最大效用模型
结合分析（Conjoint Analysis）是一种应用广泛，非常流行和有效的市场研究技术。近些年来，结合分析广泛地应用在消费品、工业产品和商业服务等相关领域的市场研究中，在我国越来越受到市场研究公司和企业的重视，尤其是在汽车行业的市场研究领域，结合分析在汽车的新产品开发、市场占有率分析、竞争分析、市场细分和价格策略等方面都发挥了积极而有效的作用。本文通过对上海通用汽车赛欧轿车上市前的市场分析，阐述了结合分析在汽车市场的应用，以及采用一般最小二乘法（OLS）回归估计主效应的全轮廓结合分析法的基本概念、原理、步骤和方法。
一、 结合分析的基本概念
结合分析适用于测量消费者的心理判断，如理解(Perceptions)和偏好(Preferences)。在结合分析中，产品/服务被描述为“轮廓”（Profiles），每一个轮廓是由能够描述产品/服务重要特征的属性(Attributes)以及赋予每一个属性的不同水平的组合构成的。结合分析的一个重要的基本假定是：消费者是根据构成产品/服务的多个属性来进行理解和作偏好判断；也就是说，消费者对产品/服务的偏好每次并不是基于一个因素而是基于几个因素的结合来判断的，消费者对某一轮廓的偏好可以分解成构成该轮廓的多个属性的偏好得分(Preference Scores)。在结合分析中用效用值（utilities）来描述。
结合分析是一种多元统计分析方法。其因变量是消费者对某一轮廓的整体偏好评价。某一轮廓的整体也称为全轮廓（full profiles），是由全部属性的各个水平组合构成的。自变量是组成各轮廓的不同属性（因子）水平。因此，结合分析是在已知消费者对全轮廓的评价结果（overall evaluations）的基础上，经过分解的方法（decompositional approach）去估计其偏好结构的一种分析法。
在结合分析中，轮廓是由研究人员事先按照某种因子结构（factorial structure）采用部分因子正交实验加以设计的。结合分析有三个主要目的：（1）确定消费者赋予某个预测变量（水平）的贡献和效用（utilities）以及属性的相对重要性（2）寻找消费者可接受的某种产品的最佳市场组合，这种组合最初可能并没有被消费者所评价（3）模拟市场，估计市场占有率和市场占有率变化。为了达到这些研究目的，首先要估计不同属性水平的效用，进一步计算出属性的相对重要性（Attributes relative importance）和轮廓效用（profile utilities），以便定量化地测量消费者的偏好，然后基于消费者的偏好采用最大效用模型或者Bradley-Terry-Luce(BTL)模型和logit模型估计市场占有率。
1． 水平效用：
水平效用描述消费者赋予每个属性的各个水平的重要性。每个水平效用由结合分析模型估计得到。一般根据消费者对全轮廓的偏好或评价（因变量），分解成为所有属性水平
的效用值，水平作为预测变量（自变量），采用哑变量的OLS回归得到回归系数（效用值）。常规的或传统的全轮廓结合分析模型可以用下面的公式表示：
Y?a??vx其中：Y= 全轮廓的偏好得分 a= 截距
v= 估计的效用 如果某个属性的水平出现 ?1x?? x= 指定不同属性水平的哑变量 其它 ?0
2． 属性相对重要性：
属性的相对重要性的计算，基于这样一个假定：差值越大表示该属性在整体轮廓中的重要性越高，差值越小表示越不重要。一般用百分比来表示属性的相对重要性，计算公式如下：
Wj?Max(vij)?Min(vij)?[Max(vj?1J?100%ij)?Min(vij)] 其中：Wj= 第j个属性的相对重要性
Max(vij)= 第j个属性的最大水平效用值 Min(vij)= 第j个属性的最小水平效用值
3． 轮廓的效用：
计算结合分析模型的整体轮廓效用，一般最常用和最基本的模式是加法模式（additive model）。它认为消费者只是把每个属性的价值（效用值）相加起来就得到某种属性组合（产品/服务）的总价值（轮廓效用）。因此，可以通过计算轮廓效用来比较消费者对不同轮廓（产品/服务的组合形式）的偏好。轮廓效用的计算公式如下：
Uk(x)???vijkxijkjiJI
其中： Uk(x)= 第k种轮廓的总效用
如果第k个轮廓的第j个属性的第i个水平出现 ?1xijk??其它 ?0 vijk= 第k个轮廓的第j个属性（j=1,2,…,J）的第i个水平（i=1,2,…,I）的效用值
4． 模拟估计市场占有率 在许多结合分析研究中，获得属性水平的效用值往往并不是市场研究的最终目的，更主要的是寻找产品/服务的最佳市场组合，模拟消费者的市场选择和估计市场占有率，这种市场占有率是基于消费者偏好的市场份额。同时也可以模拟一种新产品进入市场以后，市场占有率的变化。
最普遍使用的模拟市场占有率的方法是最大效用模型（Maximum Utility Model）。它假定每一个消费者总是购买他或她认为具有最大轮廓效用的产品，不同消费者选择每一种产品的概率平均，可以得到预测的市场份额（占有率）。
其它模拟市场占有率的方法有Bradley-Terry-Luce (BTL)模型和logit模型。在BTL模型中，选择概率是效用的线性函数；在logit模型中，选择概率是效用的logit函数，logit函数是非线性的严格单调递增的函数。三种模型的概率计算如下：
最大效用模型：pk?1.00当Uk?MAX(Uk(x))BTL模型： pk?Uk/否则Pk?0.00
?Uk?1Kk(x) K：轮廓数
KLogit模型： pk?exp(Uk)/?exp(Uk?1k(x))
全轮廓结合分析是一种常规的、传统的结合分析，可以采用纸笔的方式进行调查和收集数据。全轮廓结合分析的数据要求是要得到被访者对全轮廓偏好估计的评分。一般在部分因子正交实验设计的基础上，要求消费者针对属性水平所构造的每一个轮廓进行评分，消费者对每一个轮廓的评分，表明了其购买意向或购买的可能性大小，例如：可以要求消费者在指定的1到9的数字上，依次对每一个轮廓给出他的评分，数值越大表示越偏好。流行的统计软件SPSS for Windows8.0和SAS Market模块都可以用来进行部分因子正交实验设计和结合分析得到上述结果。
二、 结合分析的主要步骤
全轮廓结合分析需要复杂的实验设计和计算，需要借助专用的分析软件来实现。任何一项采用结合分析进行的市场研究，都包括了从确定研究目的、实验设计、数据收集、分析和计算、检验与应用、模拟市场、撰写研究报告的市场研究全过程。采用全轮廓结合分析模型的主要步骤如下：
第一阶段：轮廓和变量设计 1． 决定属性和水平
决定能描述产品/服务特征的重要属性是结合分析的最重要的一步。所有正面和反面的因素都要考虑，而且要包括所有决定性的关键属性在内。当属性决定之后，还要选择每个属性的水平。各属性所含的水平数目应尽可能平衡，研究表明：一个属性的水平数目增加时，即使起点保持不变，该属性的相对重要性也会提高。水平的范围（从低到高）可以比实际范围低一些或高一些，但不能设定得太离谱，脱离了消费者的真实偏好和理解。
2． 决定基本的组合模式
决定消费者对产品/服务的某种属性组合的总效用如何计算，也就是要决定不同属性间是如何关联的。最常用和最基本的法则是加法模式（additive model），它认为消费者只是把每个属性的水平效用值相加起来就可以得到某种产品/服务的总效用。采用加法模式时，消费者需作的评估较少，也容易获得效用值的估计值。 在选择了属性间的关联模式后，我们还要着眼于每个属性的水平的关联模式，即效用值关系。水平因子可以有四种不同的基本关联类型；离散模式（discrete model）、线性模式（linear model）、理想模式(ideal model)和反理想模式(antiideal model)。离散模式是限制最少的模式，它假定水平因子与数据之间不存在相关关系；线性模式是最简单但限制最多的模式，它表明了水平因子与数据存在着线性关系，同时我们也要明确线性关系的方向，例如：价格是一个典型的线性模式因子，因为消费者常常偏好较低的价格。理想和反理想模式有时也称为二次函数模式，它表明了水平因子与数据呈现一种简单的曲线关系，曲线可以向上或向下，拐点即是消费者的理想点或反理想点。在一项产品/服务的结合分析研究中，不同属性可以选择不同的关联模式。
3． 创造轮廓组合形式
当选定了属性和水平之后，我们就要去创造轮廓，即构造不同属性和水平的组合方式。当属性和水平的数目都不多的时候，我们可以把属性和水平的所有组合视为轮廓集合，让消费者去评价，这种方法称为全因子设计（full-factorial design）。但如果属性和水平的数目增加了，而用全轮廓法收集资料时，让消费者评估所有的组合，因子设计就不切实际了。这时候我们可采用部分因子设计（fractional factorial design），只让消费者选择所有组合中的一部分来评价。最常用的是正交排列法（orthogonal array）。
第二阶段：数据资料收集
1． 选择轮廓展示方法
由于全轮廓法可以利用部分因子设计减少消费者评价的数目，因此全轮廓法是最主要和最常用的方法，它要求被访者每次针对产品/服务的所有属性进行评价。轮廓可以完全用文字描述，也可以辅助于图片或实物模型，一般需要将轮廓制作成卡片。
2． 偏好的测量方法
偏好的测量方法也决定了我们输入数据的形式，最主要的测量方法有：排序法（非
定量的）和评分法（定量的）。全轮廓法可利用排序法，也可利用评分法，评分法是比较常用的方法。
排序法的主要优点是可能比较可靠，当轮廓的数目不多，例如少于20个的时候，排序法要比评分法容易；缺点是比较难以执行，因为排序法就是将所有的轮廓制成卡片，让消费者依偏好排列顺序，卡片的编号从1到n，n是轮廓总数，编号越小表示越偏好。而且排序只能在个人面访的时候才有可能。评分法要求消费者在一个等级量表上，给出偏好得分。定量的评分比较容易分析和执行，但消费者采用评分法做判断时，区别能力较排序法差。常用的评分方法是从1到9的量表偏好得分，也可以用百分制，数字越大表示越偏好。
第三阶段：估计和验证 1． 选择效用计算方法
前面我们已经提到了一般最小二乘法（OLS）回归，此外还有其它几种方法：例如MONANOVA和LOGIT模型等。最近的研究表明，OLS回归估计效用值同其它模型的估计一样有效，也是最容易理解的方法。因此，用哑变量OLS回归的结合分析研究更多，也更普遍。例如：SPSS的Categories模块结合分析就是用OLS回归估计的，而且它能处理排序和评分两种数据。
2． 验证效度
结合分析的结果必须加以检验和评估，目的是为了评价在消费者个体层次和消费者群体层次上结合分析模型的正确性。结合分析模型正确预测消费者偏好的能力也可以评估。对于排序和评分数据，可以计算消费者的实际值与预测值的相关系数，例如Pearson's的积矩相关系数(product moment) 和Spearman's的等级相关系数，并用R2作进一步检验其统计显著性。验证效度包括内部效度(internal validity)和外部效度(external validity)两部分，内部效度是验证模型的拟合优度（goodness-of-fit），以及轮廓效用的组合法则是否合适；外部效度是验证样本对总体的代表性。
第四阶段：解释与应用 1． 解释结果
结合分析的结果可以在消费者个体层次上进行解释，也就是对每一个消费者的偏好计算不同属性水平的效用值和属性的相对重要性，并且分析个体对产品/服务的不同组合的偏好反应；也可以对结果在消费者群体层次上进行解释，获得整个群体消费者不同属性水平的效
用值和属性的相对重要性；也可以按照某种属性将消费者进行分类，例如认为价格属性最重要的或者效用值相似的消费者归成一类（集合），然后分析其与整个群体或不同类之间的偏好反应；寻找市场最佳组合和模拟市场占有率有时候是采用结合分析的最主要目的，研究人员应根据不同的研究目的来确定进行分析的层次。
2． 应用结果
结合分析可以在个体和群体层次上决定不同属性在消费者选择产品/服务时的相对重要性，所以可以应用于以下几个市场研究领域：
? 新产品/服务开发和设计：寻找产品/服务的最佳配置和市场组合，开发出消费者最偏好 的产品。
? 市场细分：将重要性或效用值相似的消费者聚类，以找出市场划分，估计不同目标市 场的市场占有率。
? 利润分析：对产品/服务的利润进行分析，这个过程中可能会找出某一属性的组合，虽 然市场占有率较小，但可能是最有利可图的组合。
? 竞争分析：可以用结合分析的模拟操作预测某种产品/服务的组合在各种竞争情景下可 能获取的市场占有率。这种组合可能是市场上实际存在的，也可能是虚拟 的。根据可能的竞争情景构造组合（轮廓）投入到结合分析模型中，估计 所有被调查的消费者的选择行为，预测各模拟组合的市场占有率。
三、 正交实验设计
全轮廓法是将产品/服务（轮廓）的每一个属性同时展现给消费者，较接近事实。调查样本量应根据研究问题目的不同、市场目标不同来确定。一般有关消费者的研究样本大小在100到400之间，通常采用派调查员面访（face to face）的形式收集资料。当产品/服务的属性和水平数目不太多时（一般少于20个），可以将所有的轮廓展现给消费者，即采用全因子设计。但是当属性和水平数目较多，也就是消费者所需评估的轮廓太多时，就会超出消费者理性所能负担的范围，例如：有六个属性，每个属性有4个水平，将会有4?4?4?4?4?4=4096个不同组合轮廓。同时当属性较多时，消费者也难以同时考虑太多的属性，可能会自我忽略某些次要属性的差异，或简化属性的水平。
在全轮廓法下如何处理太多的组合，构造适当的组合轮廓，使之既有代表性又在消费者评估能力范围内，就变得格外重要。一般采用实验设计方法，也就是部分因子正交实验设计方法来减少组合轮廓数目到一可处理的范围之内，同时又保持属性间的正交性。这种设计假设属性间只存在主效应（main effect），而忽略或排除交互作用（interaction effect）。当属性的个数较少（<8个），或者每个属性的水平数较少（<4个）时，采用正交排列法（orthogonal arrays）估计主效应的部分因子设计，可以获得正交的、平衡的轮廓数，也就是所有的属性水平在全轮廓中出现的次数相等。SPSS和SAS软件都有特定的模块可以生成部分因子的正交排列。但是，在实际应用中，往往有时候无法获得正交、平衡的部分因子组合，例如：存在着市场无法接受的组合，要求的正交排列、平衡的轮廓数不存在，部分属性之间存在着交互作用。这时候研究人员必须做出一定的选择，考虑采用非正交的实验设计方法，SAS8.1 for Windows的宏：%MKTRUNS ( )和%MKTDES( )可以用来帮助实现正交或非正交实验设计。
四、 全轮廓法的应用实例
为了说明全轮廓结合分析的应用，作者利用给MBA学生授课的机会作了上海通用汽车赛欧轿车市场的结合分析案例研究。当时，赛欧轿车即将面世，市场公布了赛欧轿车基本型