汽车召回分析技术的研究现状

与汽车召回有关联的数据可以分为几个部分： 一是汽车召回的历史数据； 二是与汽车召回有关的交通事故的历史数据； 三是与汽车有关的投诉历史数据； 四是汽车的销售或者检测数据。 从汽车召回关联数据的联合分析， 可以获得汽车召回发生的特性或规律， 从而获得汽车召回决策服务的有用信息。 例如， 对汽车召回历史数据和汽车制造商的市场份额的占有情况的数据分析， 可以得出汽车召回对汽车制造商市场份额的影响。 利用对召回数据的分析可以得出影响召回响应率的因素， 对这些因素进行人为控制， 就可以提高汽车召回响应率等。 下面对目前国内外所用的汽车召回数据的分析技术简要做一介绍。

（1）事件分析理论的应用

在对汽车召回的数据分析研究中， 事件分析理论是一种比较常见的方法。 事件研究理论 （Event Study） 是一种基于事件研究的思想， 它被广泛地应用于由事件产生的经济效果的影响和评价体系中［86］。Jarrell和Pelzman （1985） 则是利用事件研究理论在汽车召回对经济领域的影响研究方面开了先河［26，87］。Jarrell和Pelzman利用事件研究理论得出结论：汽车召回运动在资本市场中对持股人的恶性影响比汽车召回的直接成本大， 而且也给同行业竞争者带来损失。 而Hoffer和Reilly （1988） 也利用事件研究方法对Jarrell等的结论加以修正， 并验证其结论的正确性，从而得到了不一样的结论： 汽车召回对汽车制造商以及对同行业的竞争者的持股人都没有明显的影响［26］。在此之后，基于这种方法对汽车召回在经济领域的研究在国外广泛开展和应用， 而国内还没有利用这一理论进行相关研究。

（2）统计学原理和数据挖掘算法的应用

利用统计学原理和挖掘算法来进行汽车召回案例分析的研究是进行汽车召回数据分析和召回特性研究更普遍的方法之一。 这种方法在国内外学者中应用很广泛。 有些学者单纯利用汽车召回的历史数据进行研究， 有些利用车辆的销售信息和汽车故障信息进行联合分析， 有些把交通事故的数据和召回数据进行联合分析。

在众多的汽车召回案例中， 国内外的学者都从这些召回的案例分析入手， 欲通过有效分析研究与汽车召回的经济领域或技术领域相关的诸多问题。

Crafton、Hoffer和Reilly （1981）［29］，Reilly、Hoffer （1983）［88］利用历史的汽车召回数据进行统计分析， 进行汽车召回对汽车市场需求影响的研究。 Jarrell、 Peltzman（1985） 利用美国1975—1981年的召回数据进行统计分析［87］。Hoffer、Reilly （1988） 利用美国1975—1981年的召回数据并重新修正了一些数据，通过统计分析［26］，进行汽车召回运动在资本市场中对持股人的影响的研究。 Hoffer等人 （1994） 用1984—1986年的汽车召回数据分析了影响召回响应率的原因， 对车辆车型的年限、 召回事件的严重程度、 召回车辆的国籍、 召回的公开程度、 召回车的数量的影响进行统计分析［45］。Barber、Darrough （1996） 用1973—1992年这20年的汽车召回数据 （包括美国三大公司和日本三大公司）进行统计分析， 来研究汽车召回对汽车制造商的竞争对手的股票市场的影响［89］。Rupp Nicholas G（2001） 利用26年 （1973—1998）［7］的美国汽车召回的历史数据进行统计分析， 研究召回中政府和汽车制造商两个主体进行汽车召回对股票市场的影响［90］。 Rupp Nicholas G （2002） 用了19年（1980—1998）［91］的美国汽车召回的历史数据进行统计分析，对召回中政府和汽车制造商两个主体的主动召回性和汽车召回中的召回响应率的影响因素进行了研究［92］。Rupp Nicholas G（2004） 用了26年（1973—1998）［38］的美国汽车召回的历史数据进行了统计分析，研究严重召回的属性特征， 并得出了汽车召回的间接损失要远大于直接损失。美国Hoffer、Pruitt、Reilly［29，93，94］等学者对美国汽车召回情况进行了统计分析， 对影响汽车召回的影响因素进行了研究。

中国的国家质检总局的郑卫华、 王赟松等人也利用数据统计分析的方法对美国1973—1998年间的克莱斯勒、 本田、 丰田、 日产等汽车公司在主动召回和政府指令召回两种形式下的反常收益进行估计， 得出结论：市场对高度危险性的企业召回和政府召回的反应并无不同［33］。

在经济领域的影响之外， 国外的学者还利用统计分析技术对汽车召回的关联数据进行了其他方面的研究。 但是中国在汽车召回相关方面的研究还处于起步阶段， 有些甚至都没有开展。

Hilary等人 （2007） 使用英国1992—2002年的汽车召回数据和此阶段的注册车辆数据进行统计分析， 研究了英国汽车召回的车辆数量和召回次数的发展趋势［31］。

美国的学者Hubele、 Arndt （1996） 还利用1973—1987年15年的交通事故的数据来分析通用汽车在召回轻型载客C／K汽车翻车的原因，研究汽车缺陷和不合理的汽车安全风险之间的关系。 得出结论： 此款载客汽车的油箱位置设计不合理是造成汽车翻车交通事故的原因［95］。因此， 于1994年发布了此类车型的召回通告， 避免了由于油箱位置设计不妥而导致交通事故的再次发生。

Yong⁃Kyun Bae、 Hugo Benitez⁃Silva则通过引进交通事故数据与汽车召回的历史数据进行横截面数据分析， 研究发现， 汽车召回对交通事故数量的减少和交通事故严重性的降低有着明显的影响［64，65］。 Sureka等人采用数据挖掘方法对汽车缺陷的文本投诉数据进行挖掘， 以更快地发现汽车的缺陷［96］；利用保修记录数据进行汽车缺陷情况的分析。但是目前国内外的学者还没有利用其他挖掘理论来分析汽车投诉数据， 对交通事故和缺陷的关联分析方面的研究不多。

目前在国内， 利用数据挖掘方法对汽车召回数据进行分析研究和对交通事故与缺陷的关联分析鲜少有学者涉及。 同时， 利用交通事故对召回的预测研究在国内外的文献中也鲜少有人涉及。

（3）经济学理论和博弈理论的应用

在分析汽车召回特性时， 先利用经济学理论、 博弈理论等建立模型， 进而进行数据验证， 这是另一种被一些学者和研究人员采用的方法。

1998年， Robert和David利用微观经济学理论， 基于召回事件建立实验车辆的成本效益模型。 用此模型来预测未来车辆项目中的平均车辆保险成本和未来车辆召回的可能性、 召回车辆数量、 召回的失败率和召回缺陷的严重性［97］。

在研究哪个主体 （政府还是企业） 更会发起主动召回时， 美国的Rupp利用博弈论建立了博弈模型， 其建立的是两阶段的不完全信息的多人博弈模型， 剖析了影响双方策略选择的因素为： 召回产品质量缺陷严重性、 召回产品的数量、 召回产品的维修费用以及召回产品投入市场时间的长短等［98］， 并利用消费者的召回成本反推制造商的召回概率。郑国辉也开展了这方面的研究， 建立了缺陷汽车产品召回的静态博弈模型［16，51］，并利用效用最大化方法求取政府和制造商的主动召回概率。

数据分析方法还有很多， 如模糊理论、 聚类分析、 决策树、 神经网络等。 但是， 目前这类方法在国内外的文献中鲜少被应用到对汽车召回的相关分析上来。

综上的汽车召回相关理论和分析技术的现状， 可知：

①模糊理论的应用目前比较少。

②神经网络还没有被引入到汽车召回的分析和应用中。

③最优化理论在汽车召回决策方面的应用也较少。