程永胜，徐骁琪

(厦门大学嘉庚学院 设计与创意学院，福建 漳州 363105)

在世界能源转型背景下，2020年国务院颁布了《新能源汽车产业发展规划》，表明汽车消费市场正逐渐从燃油汽车向电动汽车转移，这一变革也促使汽车设计理论和研究方法都将发生变化。电动汽车相较传统燃油汽车而言，受发动机、变速箱、底盘等汽车原始技术影响相对较小。这就导致了电动汽车造型设计从最初的目标用户、产品定位、设计意图到最后的造型表达，都呈现出与传统汽车不一样的设计思路。同时，国内外电动汽车品牌在加工质量和技术配置方面的差异并不大，这也促使造型设计成为了各电动汽车品牌之间最重要的区分标准，构成影响目标用户偏好和购买决策的重要因素[1-2]。因此，如何根据电动汽车产业发展趋势以及具体用户需求，探寻科学有效的电动汽车设计方法，成为当前电动汽车企业所面对的关键问题之一。

当前，国内外学者针对这一问题进行了广泛研究，现阶段电动汽车造型研究主要集中在设计方法、评价研究及特征研究三个维度。1) 设计方法。KUO et al[3]将科学、技术、工程和数学四种设计理念融入到电动汽车工程设计中，提出了一种系统创新的STEM设计方法。卢兆麟等[4]基于自然语言处理的产品语义表征方法，通过社会、经济和技术三因素，分析了电动汽车的产品机会，提出了“语义分析→造型设计→工程设计”产品语义分析在新能源汽车造型设计方法。2) 评价研究。崔宜若等[5]运用感性工学设计理论应用于微型电动汽车前脸造型设计的方法，并结合模糊评价法设计出一款满足女性用户感性需求的微型电动汽车。李勇等[6]运用感性工学方法对纯电动汽车感性意向和设计要素关系进行了研究，根据用户意象感知特征提出SPSD评价标准，改进了纯电动汽车造型设计方法。程永胜等[7]提出了一种基于感性工学和层次分析法的汽车造型意象评价方法，有效协助设计人员通过造型意象评价对3款电动汽车设计方案进行筛选。3) 特征研究。程永胜等[8]提出一种基于神经网络的电动汽车造型意象预测模型，有效地解决造型意象研究当中造型特征和感性意象之间的匹配问题。赵静等[9]基于形状文法理论，将提取出的品牌造型特征通过一定的变化规则进行推演，演化出大量满足品牌继承性要求的全新电动汽车造型。基于上述研究，从时间维度上来看，国内针对电动汽车造型研究开展较晚，从侧面反映了国内学术界对此问题的研究还处在初期阶段。从内容维度来看，现阶段研究主要集中在电动汽车造型设计方法、造型评价和造型特征三个方面。而关于电动汽车造型意象的研究还相对较少，缺乏从宏观到微观的系统性分析，还未形成较为完整的电动汽车造型意象研究体系。而在电动汽车造型意象研究的过程中，用户作为电动汽车最终的使用者，其对于造型意象的认知对设计决策具有重要影响；因此针对该问题的研究其关键在于如何准确获取用户对电动汽车造型意象的感性认知知识。

现阶段有关汽车造型意象研究大多是基于各类语义评价量表获取用户的感性意象认知数据，但该方法存在较多不足之处：语义评价量表当中的意象词汇大多是通过专家学者和设计人员进行筛选和确定，而消费者作为最终评价用户，能否准确感知意象词汇是影响最终评价数据有效性的关键点。同时，考虑到电动汽车造型相较一般工业产品而言，其造型复杂度较高，所呈现出多维度的造型意象特征；而语义评价量表受评价用户专业能力、认知维度和审美偏好等差异影响较大，极易影响最终评价数据的准确性。此外，在评价过程中较难组织大量评价用户进行统一测试，容易导致评价数据获取周期较长，数量较少等问题，导致评价数据缺乏权威性。基于以上问题，近年来开始有学者将用户评价数据引入造型意象研究之中。张国方等[10]利用自然语言处理技术对评论数据进行用户需求分析，并通过QFD将用户需求转化为设计问题，从而获得最佳的产品设计方向。林丽等[11]为解决传统感性意象研究中真实用户信息极少及需案例推理的问题，提出了基于网络评价数据的产品感性意象无偏差设计方法。宋君等[12]利用网络产品评论数据，通过文本挖掘、情感倾向分析、LDA主题建模等技术构建了产品评价模型。

上述文献的研究主要集中在对评价数据的处理及用户知识的挖掘，缺乏将分析结果应用到实际的造型意象决策之中。目前，各大汽车平台积累了大量的用户评价数据，该数据成为获取用户知识的重要资源。为此，本文构建了一种基于用户评价数据驱动下的电动汽车造型意象决策模型，将分析结果应用到电动汽车实际设计案例中，辅助设计人员在进行设计决策时获取最佳设计方案，进而缩短产品研发周期，降低企业研发风险。

1 基于用户评价数据的造型意象决策模型

本文主要基于用户评价数据对电动汽车造型意象进行设计决策研究，共分为五个阶段展开：第一阶段，研究样本筛选确定与爬取用户评价数据；第二阶段，评价数据预处理及情感分析；第三阶段，研究样本造型特征划分及要素编码；第四阶段，构建造型要素与用户情感之间的映射关系；第五阶段，造型意象决策模型案例应用。具体研究流程如图1所示。

图1 研究流程Fig.1 Research process

1.1 评价数据获取及参数化

自然语言处理(NLP)是人与计算机间建立有效沟通的重要媒介。人机间的通信不仅要求计算机能理解用户信息，还要求计算机能对用户意图作出回应。其核心在于将用户信息(文本数据)转化成计算机能读懂的二进制表达，其中转化过程主要有文本分类、情感分析和意图识别等内容。在采用自然语言处理技术对文本数据进行处理前，本文使用Python软件爬取研究对象所需要的文本数据。当前，各大汽车网站中的网络评价数据包含了非常丰富的用户知识，其中也包括了用户对于汽车造型意象的心理感受和大量相关语义表征内容。但用户评价数据具有一定的差异性，同一类型产品不同用户可能存在不同的意象认知。因此，在面对庞大的用户评价数据时，则需要对爬取的评价数据进行数据清理与预处理，如剔除语料中特殊符号，将繁体字转换为简体字，对评价数据进行分词、词性标注和文本表征等处理，以此来解决评价数据中语义空间高维性、语义相关性和特征分布稀疏等问题。

为进一步获取评价数据中用户对造型意象需求项，本文采用TF-IDF(term frequency-inverse document frequency)算法获取评价数据当中的造型语义特征，依据词汇的数量阈值来量化评价数据当中的关键词汇。TF-IDF是一种用于信息检索与文本挖掘的常用加权技术，主要用以评估词汇在语料库中的重要程度。TF-IDF实际上是由TF和IDF两部分组成，TF统计词汇在单一评价语料内的出现频率，出现频率越高则表明该词汇越能反映该评价语料的语义特征；IDF则统计词汇在整个评价语料集合中出现的频率，频率越低则表明该词汇在整体评价语料集中更具区分性。因此，TF-IDF算法将两者结合，可过滤掉评价数据中通用词汇，从而保留评价数据当中的关键词汇。其具体计算公式如下：

(1)

(2)

w(FT,ij-FID)=FT×FID .

(3)

式中：FT,ij为词汇i在评价语料j中的FT值；nij为词汇i在评价语料j中出现的次数；∑knk为评价语料中所有词汇出现的总和；FID,i为词汇i的FID值；|D|为评价语料中的文档总数；|{j∶ti∈dj}|为评价语料j中包含词汇ti的文档数目。

1.2 评价数据情感分析

情感分析(sentiment analysis)是自然语言处理中针对文本数据倾向性分析和意见挖掘的应用场景。它可以对带有情感色彩的用户评价数据进行分析、处理、归纳和推理，对于指导产品更新迭代具有关键性作用。情感分析包括了对情感倾向分析、情感程度分析、主客观分析等。现阶段情感分析方法大致可以分为两类：基于情感词典方法和基于机器学习方法。基于情感词典方法是通过制定一系列的情感词典和规则，对文本进行拆解、句法分析并计算情感值，将情感值作为文本的情感倾向依据。基于机器学习的方法是将问题转化为一个分类问题来看待，将目标情感分为正面或负面，进而对评价文本情感极性进行判断。通过情感分析可以有效挖掘产品在不同维度的用户情感特征，从而为设计实践提供指导意见。

本文采用情感词典的方法，对评价数据进行情感分析。将上述通过TF-IDF算法获取到的关键词补充到情感词典当中，构建适合本文研究领域的情感词库；然后根据属性词典、情感词典等匹配每个评价语料的关键词，以及关键词附加的情感词，并用程度副词和否定词调整情感强度，每个评价语料中的关键词的情感值计算公式[13]如下：

f(yi)=s(yi)*s(e)*s(not)k*s(adv) .

(4)

式中：f(yi)为每一个评价语料中关键词的情感值；s(yi)为关键词初始值；s(e)为情感词的值；s(not)k=-1为否定词的值，k为情感词前面的否定词数量；s(adv)为程度副词的值。

1.3 造型特征划分及要素编码

用户对于电动汽车造型意象认知是由多维造型特征从整体视角进行呈现，根据已有文献与研究[14-16]多维造型特征主要可分为主特征、附加特征、过渡特征及相关特征。主特征一般为车身结构的主要拉制特征，例如车身尺寸、比例和形态等特征，其中在用户认知过程中对整体造型意象的形成具有重要作用。过渡特征则用于处理主特征当中各造型要素之间的连接关系，对整体意象的形成具有辅助作用。在主造型特征和过渡特征之外，还存在汽车造型附加特征，一般指主特征当中独立存在的关键部件，如进气格栅、水箱罩和后视镜等，是通过裁减和添加手法形成的局部造型区域[17]。相关特征则体现了汽车外观造型中不同造型要素之间的位置关系。然而，评价用户大多都是非专业人士，对于电动汽车造型特征的关注点相比专业人士而言不可能这么全面。因此，本文将电动汽车造型特征降低维度，划分为主体特征、次要特征和辅助特征三类。

1.4 造型要素与用户情感映射关系的构建

(5)

假定因变量和各项目、类目之间存在线性关系，则可建立数学模型[15]：

(6)

式中：bij为仅依赖于i项目之j类目的系数；εm为第k次抽样中的随机误差；Im为第m个研究样本用户认知情感值。

2 案例研究

2.1 研究样本筛选确定

由于不同车型在车身尺寸、比例、形态和空间等主体特征存在较大差异，会直接影响用户评价标准。为使本研究更具针对性，本文选择以微型电动汽车为研究对象展开科学研究。通过车企网站、实地拍摄、宣传资料等方式大量搜集研究样本。同时，为保证每个研究样本造型特征展示的完整性，每个样本选取前脸、尾部和侧面3个视角作为研究样本视图。并对研究样本图片按照统一比例修改车身尺寸，去除样本背景和灰度处理，制作成统一规格研究样本图片，便于清晰辨认研究样本的具体造型特征。最终，邀请设计领域专家、学者采用德尔菲法进行讨论，先向专家学者介绍研究目的，举例说明影响微型电动汽车外观设计的主要造型特征和要素；通过反复征询、归纳、修改，剔除造型特征模糊、造型相似度较高、视图角度较差和车型老旧等研究样本，得到专家小组一致意见，确定20款微型电动汽车作为研究样本，如图2所示。研究样本基本上覆盖了当前市场主流汽车品牌的微型电动车型，具有一定的代表性。

2.2 评价数据预处理及情感分析

2.2.1获取用户评价数据

当前大多数汽车网站已将用户评价按动力、油耗、外观和内饰等不同属性做了详细划分。其中汽车之家和太平洋汽车网作为中国目前最全面的汽车垂直网站之一，其用户活跃量常年位居汽车门户网站第一队列，其中有关汽车外观造型的用户评价数据也最为丰富。因而，本文以汽车之家网和太平洋汽车站作为用户评价数据采集对象，运用Python软件对用户评价数据进行爬虫，定向抓取上述20款微型电动汽车研究样本的外观造型评论数据共计4 053条，表1为部分研究样本的用户评价数据展示。

图2 研究样本三视图Fig.2 Research sample

表1 用户评价数据集(部分车型)Table 1 User evaluation data set (some models)

2.2.2评价数据分词

在自然语言处理领域，中文语言和绝大多数西方语言不同，词语与词语之间没有区分符号。本阶段采用Python软件中的Jieba模块对上述研究样本的用户评价数据进行分词和词性标注，同时，分词之后的用户评价数据中还存在大量出现频率高却不影响文本语义的停用词，故需对评价数据进行清洗，从而过滤掉与造型意象语义无关的包括停用词和特殊标点符号等。

2.2.3评价数据关键词提取

关键词可以准确地反映出评价数据当中用户的关注点，本文以TF-IDF算法对20款研究样本评价数据进行计算。即评价数据中关键词的词频越大，同时该关键词在其他评价文本中出现的频率越低，证明该关键词对于该评价数据的重要程度越高，越能表明评价语料的语义特征。通过计算得到20款研究样本评价数据中的关键词，并根据关键词出现的频率及词性特点，选择名词及形容词排名前十的关键词进行汇总，如表2所示。

根据获取的关键词及词频可以发现，20款研究样本中“外观”关键词大多排在第一位，证明该用户评价数据的关注点集中在微型汽车整体外观造型上，结果具有较强的针对性。同时，对获取的关键词做进一步划分，可将其划分为描述造型特征与造型意象两类词汇。例如外观、车身、线条、轮毂和大灯等造型特征的频繁出现，表明用户对于微型电动汽车相关造型要素关注度较高，可为后续造型特征划分及要素提取提供相应参考。而对描述造型意象相关词汇进行分析可以发现，20款研究样本评价数据当中小巧、时尚、或与描述颜值相关的近义词汇出现频繁较高。因此，本文最终确定以小巧、时尚和颜值3个词汇作为微型电动汽车代表性造型意象关键词，进行后续研究。

表2 20款研究样本关键词及词频Table 2 The keywords and word frequency for 20 samples

2.2.4评价数据情感分析

评价数据中包含了丰富的用户情感知识，为此针对评价数据的情感分析本文利用情感词典的方法获取评价数据中属性词的情感值与情感倾向。首先，需要确定情感词典，当前国内外较为权威的情感词库有知网发布的HowNet情感词典、台湾大学的NTUSD中文情感词典、大连理工的中文情感词本体库等资源[20]。本文选择情感词汇更加丰富的大连理工的中文情感词本体库，并结合本文评价数据筛选出来的情感词，构成情感词典。将正负情感词的情感值设定为1和-1.本文采用Python软件中SnowNLP模块并根据1.2节公式(4)计算评价数据中关键词的情感值进行分析。情感分析数据可以准确地反映评价用户对该研究样本的认知程度，表5为研究样本情感分析结果。

2.3 研究样本造型要素编码

由于电动汽车造型特征与传统汽车燃油汽车存在较为明显差异，而造型意象的传递主要是通过汽车车身不同造型特征之间相互组合向用户传递感性意象信息，为了更好地建立电动汽车造型意象传递过程，需要重新对电动汽车造型特征中造型要素进行编码。考虑到用户对造型特征的关注度及不同造型特征中所展示的造型要素丰富程度，并根据汽车造型特征线认知实验得出的主特征线、过渡特征线和附加特征线分类依据[21]，将微型电动汽车造型特征划分范围分为主要特征、次要特征和辅助特征3类。其中，主体特征项目包括尺寸、比例、姿态与空间四类造型特征项目；次要特征包括顶线、腰线、裙线和轮眉4类造型特征项目；辅助特征主要包括前格栅、前灯组、后灯组等3类造型特征项目。根据微型电动汽车研究样本确定每一类造型特征项目所包含的造型要素类目，并对其进行编码，如表3所示。

表3 造型要素编码Table 3 Coding of modeling elements

2.4 电动汽车造型意象决策模型构建

以表4中研究样本造型特征作为项目，造型要素作为类目，将“小巧”“时尚”“颜值”3个造型意象关键词的情感值作为因变量，根据公式(6)将20个电动汽车研究样本进行参数化表达，构建造型意象评价矩阵，如表4所示。然后，利用SPSS统计软件采用多元回归模型将电动汽车造型要素类目作为自变量，用户认知情感值作为因变量，根据公式(7)建立数学模型进行数据分析，得出电动汽车造型特征中各个造型要素对关键词情感值的显著性，以“Y2时尚”关键词为例，模型分析结果摘要如表5所示。

模型中R2代表该模型中自变量对因变量的解释度，数据越接近1说明模型的解释力较强。分析结果显示该模型R2为0.917，证明该多元回归模型拟合度较强。此外，分析结果中显著性(sig)值小于0.05则代表该自变量对因变量的具有显著影响；若显著性(sig)值大于0.05则说明该自变量对因变量没有不具有显著影响。表5中显著性(sig)为0.028，说明造型要素类目(自变量)能够显著预测用户认知情感值(因变量)。

表4 研究样本造型意象矩阵Table 4 Modeling image matrix of research samples

表5 模型分析结果摘要Table 5 Summary of model analysis results

回归系数则反映了该模型中自变量显著性(sig)值小于0.05的具体数量，具体分析结果如表6所示。通过分析结果可以得知：主体特征A中尺寸、比例、姿态和空间造型特征对微型电动汽车“时尚”造型意象影响并不明显，也在一定程度上证明了微型电动汽车由于车身尺寸较为小巧，因此在比例、姿态和空间上的差异并不明显。其中B21上扬腰线、C21几何形前灯组、C33异形后灯组共3个造型要素显著性(sig)值小于0.05，表明其对微型电动汽车“时尚”造型意象影响最为显著，也说明了用户对于“时尚”造型意象的关注点在于车身的次要特征和辅助特征上。这也说明车身细节可以很好地区分用户认知知识，构成造型意象差异化。

表6 回归系数分析结果Table 6 Regression coefficient analysis results

根据上述方法，对“小巧”“颜值”两个意象词汇进行多元回归分析，得出不同意象关键词与造型要素之间的相关性，具体分析结果如表7所示。每个意象词汇中选取显著值小于0.05的造型要素作为该造型设计参考元素，其中“小巧”的造型意象主要受到A42紧凑空间、B12平缓的顶线、B32平缓的裙线、C12封闭的前格栅、C21几何形前灯组和C33异形后灯组等造型要素影响；而“颜值”的造型意象则受到A22夸张的车身比例、B21上扬的腰线、B42分体式轮眉、C22多边形前灯组、C31几何形或C33异形后灯组等造型要素的影响。

表7 “小巧”“颜值”意象词汇分析结果Table 7 Analysis results of “compact” and “appearance level” image vocabulary

2.5 案例应用

针对电动汽车造型意象的应用研究应处于汽车造型设计过程中的最前端，这样不仅可以降低汽车开发风险及成本，同时又可以提升设计人员对于整体造型意象地把控。因此，为验证上述决策模型的可行性，同时基于上述研究本文邀请专业汽车设计师以因变量“Y2时尚”造型意象关键词为设计目标，从造型特征项目中挑选显著性(sig)值偏向“时尚”造型要素类目B21上扬腰线、C21几何形前灯组、C33异形后灯组，以此为设计基础进行全新的微型电动汽车设计方案，如图3所示。

图3 微型电动汽车设计方案Fig.3 Miniature electric Vehicle design scheme

设计方案分为4个阶段：1) 前期草图阶段，主要是将造型要素进行创新整合，尽可能将“时尚”的造型意象主题表达出来；2) 中期草图阶段，对前期草图设计当中的不足进行优化，并通过不同视角展示造型特征及造型要素；3) 方案效果图阶段，采用PS软件对微型电动汽车整体造型效果进行绘制，更加清晰地展示C21几何形前灯组、C33异形后灯组造型要素。4) 方案胶带图阶段，根据B21上扬腰线造型要素，对车身侧面造型特征进行准确表达，为后续企业专家进行造型意象评审及设计人员后期制造油泥模型使用。

由于需要验证案例是否符合用户对“时尚”的感性认知，将设计方案图制作成“-3，-2，-1，0，1，2，3”语义评价量表进行调研。受试者选择具有电动汽车驾驶经验用户或潜在购买用户，共26人，其中男性用户 17人，女性用户9人，最终该设计案例得分均值为1.76，表明该案例设计基本符合用户对于“时尚”的造型意象认知。

3 结论

本文面向电动汽车造型意象，基于用户网络评价数据和数量化理论I类理论，获取了关键词情感值与造型特征要素编码，以此为基础建立了用户认知情感与造型特征要素两者之间的数学模型，并通过元回归分析对模型进行了分析，得出如下结论：

1) 将用户评价数据引入到电动汽车造型意象研究中，通过网络爬虫、关键词提取与情感分析，可在短时间内获取大量用户需求信息和情感数据；相比传统语义量表方法，网络评价数据具有主观性弱、时效性高和数据量大等特点，获取的关键词和情感值更加准确。

2) 设计方案评估作为设计流程中具有决策性的一个环节，将网络评价数据算法与统计学方法相结合，为衡量电动汽车造型意象是否能够满足用户预期的情感需求提供了一种决策方法，也为相关电动汽车前端设计中造型意象研究提供了理论参考。

3) 研究尚存在一些不足之处，如对评价数据关键词提取仅考虑了词频及词性特点，未考虑单个关键词与具体造型特征之间的隐性关联，获取的用户需求信息存在一定的片面性；同时，随着电动汽车车型的持续更新，造型要素划分范围必然越加丰富，这样才能构建更加系统的电动汽车造型意象决策模型，这些都是后续研究中有待解决的问题。