基于随机Kriging的汽车品牌质量序贯主题比较研究

doi:10.16381/j.cnki.issn1003-207x.2021.0446

摘要/Abstract

摘要：

汽车产业是国民经济的主导和支柱产业之一，汽车质量安全问题备受关注。现有研究主要探索汽车质量的召回制度、召回产生的影响以及缺陷产品的发现，未发现从大规模质量缺陷的文本中挖掘汽车召回主题并指导实践的研究。本文从消费者投诉和汽车召回两个角度研究合资背景下汽车质量差异及不同汽车品牌在汽车质量各个维度的优劣势。本研究使用潜在狄利克雷分配（latent Dirichlet allocation， LDA）模型对汽车召回文本进行分析，由于消费者投诉文本呈现出较强的序贯相关性，本文基于序贯潜在狄利克雷分配（sequential latent Dirichlet allocation， SeqLDA）模型研究该类文本。考虑到SeqLDA具有较多影响拟合效果的输入参数，本研究提出随机Kriging（SK）和SeqLDA相结合的主题优化模型（SK-SeqLDA）对消费者投诉文本进行分析。研究结果表明：LDA适合于汽车召回文本，而SeqLDA适合于消费者投诉文本，SK-SeqLDA能较大幅度地增强序贯主题模型的拟合效果。另外，消费者投诉中多个主题涉及车身附件及内饰，汽车召回中多个主题涉及制动问题；进口汽车品牌召回主动性较强，主要集中于发动机；合资汽车品牌召回主要集中于车辆控制和制动踏板；自主汽车品牌各主题占比均衡。该研究方法和研究结论可为汽车制造商进行召回管理决策和进行消费权益保护等提供理论参考和方法支持。

关键词: 消费者投诉, 汽车召回, SK-SeqLDA模型, 非参Bootstrap检验

Abstract:

The automobile industry is the leading and pillar industry of the national economy， and the quality and safety of cars have aroused broad public concern. Most of the research has been conducted from the aspects of the automobile recall system， its impact， and the discovery of defective products. However， no investigations are found to mine the topics of automobile recalls from large-scale text data of quality defects. The differences and the advantages and disadvantages of different automobile brands in each dimension of automobile quality under the joint venture background are studied from the perspectives of consumer complaints and automobile recalls. Since the texts of automobile recalls do not show a strong sequential correlation， the latent Dirichlet allocation （LDA） model is used to analyze it. Due to the strong sequential correlation in the texts of consumer complaints， such texts are studied based on the sequential latent Dirichlet allocation （SeqLDA） model. Considering that the SeqLDA model has more input parameters that affect the effect of model fitting， the optimized model （SK-SeqLDA）， which combines stochastic Kriging （SK） and the SeqLDA model， is proposed to analyze the texts of complaints.Research shows that LDA is suitable for the texts of automobile recalls， and SeqLDA is suitable for consumer complaints. The SK-SeqLDA model can significantly enhance the fitting effect of the sequential latent Dirichlet allocation model. In addition， body accessories and upholsteries are involved in many topics in the dataset of consumer complaints. A number of topics relate to the problems of braking in the automobile recalls dataset. The recalls of imported automobiles are more proactive， mainly focused on engines； the recalls of joint venture automobiles are primarily focused on vehicle controls and brake pedals， and the proportions of topics in self-owned brands are balanced. The results provide theoretical references for automobile manufacturers in management decisions， relevant government departments in defect investigation， and consumers in purchase and vehicle maintenance.

Key words: consumer complaints, automobile recalls, SK-SeqLDA model, nonparametric bootstrap test

中图分类号:

C913

施文,渠玉杰,蒋国银. 基于随机Kriging的汽车品牌质量序贯主题比较研究[J]. 中国管理科学, 2023, 31(11): 114-127.

Wen SHI,Yu-jie QU,Guo-yin JIANG. Comparative Study on Sequential Topics of Automobile Brand Quality Based on Stochastic Kriging[J]. Chinese Journal of Management Science, 2023, 31(11): 114-127.

图/表 13

图1

表1

SeqLDA模型生成算法"

算法1 SeqLDA生成过程
1.对于每个主题 $k ∈ {1, . . ., K}$ ：
抽取主题词分布 $β k$ ： $β k ~ D i r i c h l e t (η)$
2.对于每个文档 $d ∈ {1, . . ., D}$ ：
抽取文档 $d$ 的主题分布 $μ d, 0$ ： $μ d, 0 ~ D i r i c h l e t (α)$
对于文档 $d$ 的第 $s ∈ {1,2, . . ., S}$ 段：
抽取段落 $s$ 的主题分布 $μ d, s$ ： $μ d, s ~ P D P (a d, b d, μ d, s - 1)$
对于段落 $s$ 中第 $l ∈ {1,2, . . ., L d, s}$ 个词语 $w d, s, l$ 生成：
抽取词语 $w d, s, l$ 的主题 $z d, s, l$ ： $z d, s, l ~ M u l t i n o m i a l (μ d, s)$
抽取词语 $w d, s, l$ ： $w d, s, l ~ M u l t i n o m i a l (β z d, s, l)$

表1

表2

图2

图3

表3

图4

表4

消费者投诉数据集主题内容及主题概率的均值和标准差（K=10）"

类型	主题	主题内容	前20个单词	均值	标准差
核心部件	Topic1	悬挂系统	悬架、后部、系统、前部、轴、车轴、减振器、减振、桥、臂、纵向、断裂、隐藏、危险、底盘、异常、噪音、偏差、系统、车轮	0.1157	0.1487
	Topic2	变速器和发动机	变速箱、发动机、异常、声音、失效、故障、抖动、光、噪音、离合器、顿挫、挫、移位、气门、速度、电脑、阀芯、板、摇动、怠速	0.1090	0.1203
	Topic3	系统异常	系统、异常、声音、制动、转向、故障、噪音、传动、发动机、故障、泵、离合器、桥、抖动、重、车轮、灯、制动	0.1055	0.1066
	Topic4	发动机	发动机、机油、泄漏、噪音、功率、故障、燃料、高、原因、不足、增加、消耗、抖动、防冻剂、增加、召回、泄漏、燃烧、计划、抖动	0.0919	0.1190
车身附件	Topic5	车内异味	车身、配件、电气、问题、空气、空调、汽车、气味、内部、导航、异常、电动、原因、轮、室内、火车、泄漏、异味、味道、钥匙	0.1209	0.1545
	Topic6	门窗和音响	车身、电气、配件、故障、异常、声音、窗口、门、系统、音频、视频、管道、排气、生锈、控制台、油箱、控制、燃料、附件、中心	0.1026	0.1158
	Topic7	车身附件	车身、电气、配件、故障、后备箱、设计、泵、缺陷、电池、汽油、生锈、车辆、音响、自发、燃烧、视频、座椅、附件、灯、模块	0.0951	0.1151
	Topic8	板和油漆开裂	车身、电气、破裂、配件、附件、仪器、面板、油漆、铁锈、起泡、零件、失败、轮胎、玻璃、水泡、压力、颜色、差异、监控、组件	0.0913	0.1024
	Topic9	车身生锈	车身、配件、电气、电器、泄漏、生锈、防冻、窗口、噪音、门、灯、钢、碰撞、后方、梁、密封件、水、损坏、控制、异常	0.0750	0.0992
服务水平	Topic10	服务态度	服务、态度、人员、销售、问题、欺诈、技术、承诺、技能、荣誉、解决、争议、荣幸、原因、销售、收费、汽车、承诺、诺言、要求	0.0929	0.0898

表4

表5

汽车召回数据集主题内容及主题概率的均值和标准差（K=10）"

类型	主题	主题内容	前20个单词	均值	标准差
核心部件	Topic1	车辆控制	控制、车辆、召回、车、转向、模块、单位、软件、功率、电子、制造、电路、原因、造成、预计、手臂、范围、特定、问题、线圈	0.1106	0.0965
	Topic2	制动系统	预计、后方、车辆、过程、气缸、压力、高、袋子、损坏、磨损、装配、条件、制动器、外部、内部、车辆、环、密封、天窗、生产	0.1004	0.0896
	Topic3	燃油系统	燃料、机油、管道、泵、油箱、危险、压力、车辆、展开、安全、泄漏、损坏、接头、原因、产生、安全气囊、容器、情况、原因、表面	0.1004	0.1068
	Topic4	制动踏板	预计、车辆、踏板、制动器、系统、警告、转向、门、灯、召回、支架、情况、开始、功能、后部、辅助、发生、返回、程序、信号	0.1001	0.0856
	Topic5	发动机	发动机、预计、线束、车辆、盖子、极端、车辆、松动、原因、驾驶员、设计、变速、管道、热量、拧紧、接触、车轮、螺母、传动、安全	0.0985	0.0951
	Topic6	制动器	制动器、车辆、结果、原因、轴、引起、车辆、开关、位置、召回、驱动、接触、焊接、不足、前部、制造、零件、转向、安全、高	0.0978	0.0826
车内部件	Topic7	阀门	召回、到期、范围、不足、界限、长期、原因、制造、发动机、结果、车辆、车、流动、发现、法兰、电阻、阀门、过程、损坏、制造商	0.0954	0.0842
	Topic8	泵	车辆、转向、原因、泵、召回、系统、驾驶、传感器、情况、光、皮带、控制、吸收、安全、差、符合、制动、燃料、条件、螺栓	0.0950	0.0748
	Topic9	安全气囊	气体、气囊、发电机、正面、温度、空气、展开、到期、生产、侧面、硝酸盐、铵、配备、损坏、湿度、高田、干燥剂、乘客、膨胀、变化	0.1104	0.1575
车身附件	Topic10	车内装饰及附件	座椅、车辆、前部、代理、电动机、到期、车辆、引起、内部、产生、侧面、碰撞、安全气囊、召回、乘客、雨刷、安全带、原因、引起、乘客	0.0914	0.0816

表5

表6

表7

表8

表9

参考文献 48

1	Cachon G P， Olivares M. Drivers of finished-goods inventory in the U.S. automobile industry［J］. Management Science， 2010， 56（1）： 202-216.
2	ACEA. The automobile industry pocket guide 2019［R］. ACEA Communications Department， Brussels， 2019.
3	Tang R. The rise of China's auto industry and its impact on the US motor vehicle industry［R］. Federal Publications， Congressional Research Service， 2009.
4	Tribune C. Why are automakers recalling so many cars？［EB/OL］．（2014-03-28）［2020-12-15］. .
5	谢滨，吕春燕，荣立松. 中国汽车召回体系中检测机构的优化分析［J］. 科研管理， 2011， 32（10）： 151-160.
	Xie Bin， Lv Chunyan， Rong Lisong. The optimal analysis on the testing organizations related to the auto recall system in China［J］. Science Research Management， 2011， 32（10）： 151-160.
6	谢滨，吕春燕. 日美英交通事故信息搜集、汽车召回制度及对中国的启示［J］. 中国软科学， 2010（4）： 101-105.
	Xie Bin， Lv Chunyan. Implications for China from systems of accident information collection and auto recall in Japan， US and UK［J］. China Soft Science， 2010（4）： 101-105.
7	Colak A， Bray R. Why do automakers initiate recalls？ A structural econometric game［R］. Working Paper， Social Science Research Network， 2019.
8	谢滨，吕春燕，侯晓朦. 从汽车安全标准反思国家标准体制的建立［J］. 中国软科学， 2011（8）： 33-40.
	Xie Bin， Lv Chunyan， Hou Xiaomeng. Reflections on establishment of national standard system from auto safety standards［J］. China Soft Science， 2011（8）： 33-40.
9	Chen Yubo， Ganesan S， Liu Yong. Does a firm's product-recall strategy affect its financial value？ An examination of strategic alternatives during product-harm crises［J］. Journal of Marketing， 2009， 73（6）： 214-226.
10	Cleeren K， Van Heerde H J， Dekimpe M G. Rising from the Ashes： how brands and categories can overcome product-harm crises［J］. Journal of Marketing， 2013， 77（2）： 58-77.
11	Hora M， Bapuji H， Roth A V. Safety hazard and time to recall： the role of recall strategy， product defect type， and supply chain player in the U.S. toy industry［J］. Journal of Operations Management， 2011， 29（7-8）： 766-777.
12	Thirumalai S， Sinha K K. Product recalls in the medical device industry： an empirical exploration of the sources and financial consequences［J］. Management Science， 2011， 57（2）： 376-392.
13	Haunschild P R， Rhee M. The role of volition in organizational learning： the case of automotive product recalls［J］. Management Science， 2004， 50（11）： 1545-1560.
14	施文，刘玉翠，李雪娇，等.中国汽车召回现状、问题及趋势［J］. 科研管理， 2017， 38（5）： 87-97.
	Shi Wen， Liu Yucui， Li Xuejiao， et al. Trends，patterns and emerging issues of Chinese automobile recalls［J］. Science Research Management， 2017， 38（5）： 87-97.
15	Suresh G， Bikki J， Lin Beixin. Market overreaction to product recall revisited——the case of firestone tires and the Ford explorer［J］. Review of Quantitative Finance and Accounting， 2004， 23（1）： 31-54.
16	Rhee M， Haunschild P R. The liability of good reputation： a study of product recalls in the U.S. automobile industry［J］. Organization Science， 2006， 17（1）： 101-117.
17	Bates H， Holweg M， Lewis M， et al. Motor vehicle recalls： trends， patterns and emerging issues［J］. Omega， 2007， 35（2）： 202-210.
18	Rupp N G， Taylor C R. Who initiates recalls and who cares？ Evidence from the automobile industry［J］. Journal of Industrial Economics， 2002， 50（2）： 123-149.
19	Abrahams A S， Jiao Jian， Wang G A， et al. Vehicle defect discovery from social media［J］. Decision Support Systems， 2012， 54（1）： 87-97.
20	Winkler M， Abrahams A S， Gruss R， et al. Toy safety surveillance from online reviews［J］. Decision Support Systems， 2016，90： 23-32.
21	Abrahams A S， Fan Weiguo， Wang G A， et al. An integrated text analytic framework for product defect discovery［J］. Production and Operations Management， 2015， 24（6）： 975-990.
22	蒋翠清，王齐林，刘士喜，等. 中文社会媒体环境下半监督学习的汽车缺陷识别方法［J］. 中国管理科学， 2014， 22（S1）： 677-685.
	Jiang Cuiqing， Wang Qilin， Liu Shixi， et al. Semi-supervised learning for automobile defect identification in the context of Chinese social media［J］. Chinese Journal of Management Science， 2014， 22（S1）： 677-685.
23	沈超，王安宁，方钊，张强. 基于在线评论数据的产品需求趋势挖掘［J］. 中国管理科学， 2021， 29（5）： 211-220.
	Shen Chao， Wang Anning， Fang Zhao， et al. Trend mining of product requirements from online reviews［J］. Chinese Journal of Management Science， 2021， 29（5）： 211-220.
24	孙冰，沈瑞. 基于在线评论的产品需求偏好判别与客户细分——以智能手机为例［J］. 中国管理科学， 2023， 31（3）： 217-227.
	Sun Bing， Shen Rui. Online reviews for product demand preference discrimination and customer segmentation： a case study of the smart phone data［J］. Chinese Journal of Management Science， 2023， 31（3）： 217-227.
25	Blei D M， Ng A Y， Jordan M I. Latent Dirichlet allocation［J］. Journal of Machine Learning Research， 2003， 3（1）： 993-1022.
26	Blei D M， Lafferty J D. Dynamic topic models［C］//Proceedings of the 23rd International Conference on Machine Learning， ACM Press， 2006： 113-120.
27	Blei D M， Griffiths T L， Jordan M I. The nested chinese restaurant process and bayesian nonparametric inference of topic hierarchies［J］. Journal of the ACM， 2010， 57（2）： 1–30.
28	Shafiei M M， Milios E E. Latent Dirichlet co-clustering［C］. //Proceedings of the Sixth International Conference on Data Mining （ICDM’06），2006： 542-551.
29	Du Lan， Buntine W， Jin Huidong， et al. Sequential latent Dirichlet allocation［J］. Knowledge and Information Systems， 2012， 31（3）： 475-503.
30	Archak N， Ghose A， Ipeirotis P G. Deriving the pricing power of product features by mining consumer reviews［J］. Management Science， 2011， 57（8）： 1485-1509.
31	冯坤，杨强，常馨怡，等. 基于在线评论和随机占优准则的生鲜电商顾客满意度测评［J］. 中国管理科学， 2021， 29（2）： 205-216.
	Feng Kun， Yang Qiang， Chang Xinyi， et al. Customer satisfaction evaluation method for fresh E-commerce based on online reviews and stochastic dominance rules ［J］. Chinese Journal of Management Science， 2021， 29（2）： 205-216.
32	Villarroel Ordenes F， Ludwig S， De Ruyter K， et al. Unveiling what is written in the stars： analyzing explicit， implicit， and discourse patterns of sentiment in social media［J］. Journal of Consumer Research， 2017， 43（6）： 875-894.
33	Zhang Xuan， Qiao Zhilei， Ahuja A， et al. Discovering product defects and solutions from online user generated contents［C］//Proceedings of the World Wide Web Conference， 2019： 3441-3447.
34	曹丽娜，唐锡晋. 基于主题模型的BBS话题演化趋势分析［J］. 管理科学学报， 2014， 17（11）： 109-121.
	Cao Lina， Tang Xijin. Trends of BBS topics based on dynamic topic model［J］. Journal of Mangement Science in China， 2014， 17（11）： 109-121.
35	Shi Wen， Leng Kaijun， Van Nieuwenhuyse I， et al. Vehicle recalls performance in an emerging market： evidence from the comparison between China and U.S［J］. Transportation Research Part A： Policy and Practice， 2020， 132： 290-307.
36	Du Lan， Buntine W， Jin Huidong. A segmented topic model based on the two-parameter Poisson-Dirichlet process［J］. Machine Learning， 2010， 81（1）： 5-19.
37	Puranam D， Narayan V， Kadiyali V. The effect of calorie posting regulation on consumer opinion： a flexible latent dirichlet allocation model with informative priors［J］. Marketing Science， 2017， 36（5）： 726-746.
38	Lim K W， Buntine W， Chen Changyou， et al. Nonparametric Bayesian topic modelling with the hierarchical Pitman-Yor processes［J］. International Journal of Approximate Reasoning， 2016，78， 172-191.
39	Liu Jia， Toubia O. A semantic approach for estimating consumer content preferences from online search queries［J］. Marketing Science， 2018， 37（6）： 930-952.
40	Kleijnen J P C. Design and analysis of simulation experiments［M］. 2th ed. New York： Springer， 2015.
41	Kleijnen J P C. Regression and Kriging metamodels with their experimental designs in simulation： a review［J］. European Journal of Operational Research， 2017， 256（1）： 1-16.
42	Sacks J， Welch W J， Toby J M， Wynn H P. Design and analysis of computer experiments［J］. Statistical Science， 1989， 4（4）： 409-423.
43	Kleijnen J P C， Van Beers W C M. Application-driven sequential designs for simulation experiments： Kriging metamodelling［J］. Journal of the Operational Research Society， 2004， 55（8）： 876-883.
44	Ankenman B E， Nelson B L， Staum J. Stochastic Kriging for simulation metamodeling［J］. Operations Research， 2010， 58（2）： 371-382.
45	MacKinnon J G. Bootstrap hypothesis testing［M］. United King： John Wiley & Sons Ltd， 2009.
46	Shi Wen， Chen Xi， Shang J. An efficient Morris method-based framework for simulation factor screening［J］. INFORMS Journal on Computing， 2019， 31（4）： 745-770.
47	Efron B， Tibshirani R J. An introduction to the bootstrap［M］. New York： Chapman & Hall， 1993.
48	Guo Yue， Barnes S J， Jia Qiong. Mining meaning from online ratings and reviews： tourist satisfaction analysis using latent Dirichlet allocation［J］. Tourism Management， 2017，59， 467-483.

类别	内容	来源	网址
消费者投诉	2011-2018年投诉内容	车质网	http://www.12365auto.com/
汽车召回	2009-2018年召回公告	汽车召回网	http://www.qiche365.org.cn/
汽车召回	2009-2018年召回公告	质检总部官网	http://www.dpac.gov.cn/
汽车制造商	性质	各车企官网（如北京现代）	https://www.beijing-hyundai.com.cn/

数据集	统计量	最大值	最小值	平均值	标准差
消费者投诉数据集	单个文档单词总量	96683	2	3861	12847
	单个文档段落数	17614	1	638	2175
	每段单词数	83	1	6	—
汽车召回数据集	单个文档单词总量	1723	5	289	349
	单个文档段落数	78	1	13	15
	每段单词数	122	2	21	—

	类别	主题	投诉概率和统计检验p值
合资	核心部件	制动系统p值	一汽大众>东风标致>长安福特>上汽通用 [0.9840, 0.8736, 0.7108, 0.1922, 0.1492, 0.3552]
		燃油系统p值	一汽大众>东风标致>长安福特>上汽通用 [0.9746, 0.8684, 0.6672, 0.3678, 0.1852, 0.2960]
		发动机p值	东风标致>一汽大众>长安福特>上汽通用 [0.0946, 0.9672, 0.0558, 0.9960, 0.3984, 0.0022]
	车内部件	安全气囊p值	一汽大众>东风标致>长安福特>上汽通用 [0.0948, 0.0422, 0.8652, 0.3906, 0.9846, 0.9930]
	车身附件	车内装饰及附件p值	一汽大众>东风标致>长安福特>上汽通用 [0.0942, 0.1100, 0.3670, 0.4542, 0.8308, 0.8200]
自主	核心部件	制动系统p值	江淮汽车>上汽集团>奇瑞汽车>长城汽车>长安汽车 [0.0406, 0.1166, 0.4594, 0.0466, 0.8356, 0.9076, 0.5642, 0.8080, 0.2074, 0.1030]
		燃油系统p值	江淮汽车>上汽集团>奇瑞汽车>长城汽车>长安汽车 [0.9716, 0.9800, 0.9134, 0.7960, 0.8092, 0.6154, 0.6134, 0.4048, 0.4006, 0.5288]
		发动机p值	江淮汽车>上汽集团>奇瑞汽车>长城汽车>长安汽车 [0.9486, 0.9388, 0.8672, 0.7230, 0.6800, 0.6180, 0.7122, 0.4864, 0.6594, 0.6414]
	车内部件	安全气囊p值	江淮汽车>上汽集团>奇瑞汽车>长城汽车>长安汽车 [0.2778, 0.0618, 0.0218, 0.0558, 0.1548, 0.0254, 0.1498, 0.0548, 0.4662, 0.8698]
	车身附件	车内装饰及附件p值	江淮汽车>奇瑞汽车>上汽集团>长城汽车>长安汽车 [0.8094, 0.9706, 0.1280, 0.8758, 0.9282, 0.0222, 0.8334, 0.0098, 0.5870, 0.9228]

[1]	邢根上, 鲁芳, 周忠宝, 叶锦龙. 数据可携权能否治理“大数据杀熟”？[J]. 中国管理科学, 2022, 30(3): 85-95.
[2]	杨一帆, 周伟岷. 基本养老保险系统集成度的演化博弈分析及仿真研究[J]. 中国管理科学, 2018, 26(4): 131-138.
[3]	周子康, 杨春鹏. 实施债转股国有企业的一个量化选择标准[J]. 中国管理科学, 2000, (4): 7-9.
[4]	王成恩. 供应链中物流及信息流管理[J]. 中国管理科学, 2000, (4): 17-24.
[5]	丁嘉莉. 业务流程再造的职位-活动-人员规划模型[J]. 中国管理科学, 2000, (4): 30-36.