居民主观感知视角的数字化社区运行影响因素分析

宋丽娜 潘雯秋 刘羽洋 李莉 宣欣祎

摘要：数字化改革的浪潮促进了数字化社区的发展，其绩效评价也成了当务之急。本文以杭州市为例，针对居民对所在社区数字化建设的主观感知进行问卷调查。利用社会网络图从网络密度、节点度和模块度三个角度分析影响居民主观感知的外部因素，探究各变量之间的关系。并构建结构方程模型从潜变量角度进行分析，对社会网络分析的结果进行验证。结果表明居民整体主观感知较好，其认知水平等对其主观感知有影响。最终本文提出了相应的建议。

关键词：数字化社区；居民主观感知；社会网络分析；结构方程模型

中图分类号：F27文献标识码：Adoi：10.19311/j.cnki.1672-3198.2022.21.028

0引言

伴随着现代科学信息技术的迅猛发展，人们对居住环境的要求不断提高，社区的数字化建设成为最贴近居民生活需求的举措，数字化社区应运而生。本文从侧面探究数字化社区建设情况，引入居民态度和意愿度两个指标，将研究视角从居民满意度拓展至包含居民满意度、居住意愿和支付意愿、态度等主观感知。以杭州市为调查地点，通过对杭州市居民进行抽样调查，以居民文化程度、对数字化社区的了解程度和对社区建设各方面认同度作为影响因素，利用社会网络分析和结构方程模型探究其对居民主观感知的影响，以此为数字化社区建设建言献策。

1研究方法

1.1社会网络分析

社会网络分析方法是基于图论和数学方法发展起来的定量分析方法，用以刻画网络的关系、形态和类型，测度网络的各种结构性特征。本文利用社会网络分析从网络密度、节点度和模块度3个角度，探究杭州市居民对数字化社区的主观感知与文化程度、对数字化社区的了解程度、对数字化社区的建设持有的不同认同度之间的关系。本文利用Gephi软件构建认知水平—主观感知、认同度—主观感知两个社会网络图。

1.1.1网络密度

网络密度可用于刻画网络中节点相互连边的密集程度，通常当网络密度大于0.3时，该网络联系紧密，即进行下一步的研究是有意义的。一个具有N个节点和L条实际连边的网络，网络密度的计算公式为：

dG=2LNN－1（1）

计算可得，认知水平—社会网络的网络密度为0456，认同度—社会网络的网络密度为0418，均大于03，因此本文构建的社会网络可行且有意义。

1.1.2节点度

节点度指与该节点相关联边的条数，是在社会网络分析中刻画节点中心性最直接的度量指标。本文采用节点加权度来刻画这一性质，利用Gephi得出两个网络各变量的节点度如表1和表2所示。

1.1.3模块度

模块度反映社会网络的聚集程度，同一模块内部的点之间连接相对稠密。定义Q为模块度，则

Q=12m∑ijAij-kikj2msisj+12

=12m∑ijAij-kikj2mδi，j（2）

其中，δ（i，j）表示节点i和j在同一个社团。Aij表示节点i和节点j之间边的数目。∑ijkikj2m表示随机放置边的情况下，结点i和结点j之间边数的期望值。

利用Gephi对两个社会网络进行模块划分，最终可得认知水平-主观感知网络分为表3的3个模块。

认同度-主观感知网络分为了表4的2个模块。

1.2结构方程模型

结构方程模型是应用线性方程表示观测变量与潜变量之间，以及潜在变量之间关系的多元统计方法，其实质是一种广义的一般线性模型，通过对变量之间路径系数的估计和检验可以得到各变量之间隐含的关系。

居民的文化程度和对数字化社区的了解程度可以反映居民对数字化社区的认知水平，居民对社区数字化建设的认同可根据不同方面分为安全认同、设备认同、生活认同和管理认同，基于此抽象出如表5所示的各观测变量背后相应的潜变量，构建结构方程模型对各潜变量进行探究。

1.2.1信度效度分析

（1）信度分析。对问卷数据进行可靠性分析，计算得到克朗巴哈系数为0.736>0.7，量表内在信度较高，测量结果内部一致性较强。

（2）效度分析。计算可得KMO值为0.738>0.7，表明每个变量之间相关性较强。

通过信度和效度分析可知，变量支持建立验证性因素分析模型的需求。

1.2.2模型假设

根据社会网络分析的结果，本文作出以下假设：

居民对数字化社区建设的主观感知水平，受居民认知水平、对数字化社区提升安全层面认同度、提供设备层面认同度、使生活更便捷认同度、提高管理效率认同度的正相关影响。

1.2.3模型建立

结构方程模型涉及观测变量和潜变量两类变量，模型包括两部分，其一是描述观测变量与潜变量之间关系的测量模型，其二是描述各潜变量之间关系的结构模型。其中测量模型方程为：

xjh=λjhξj+δjh（3）

结构方程为：

ξj=∑j≠iβjiξi+ζj（4）

式中ξj表示潜变量j，xjh表示潜变量ξj的第h个观测变量，λjh表示观测变量与对应潜变量之间的关系，即因子载荷；βji表示潜变量i和潜变量j之间的路径系数，δjh和ξj为误差项，均值为0，且与预测变量不相关。

1.2.4模型求解

本文采用偏最小二乘（PLS）对結构方程模型进行估计，采用PLS估计可以避免对潜变量和误差项进行正态性假定，得到更加稳健的结果。

由于观测变量为二分类变量和五分类变量等不同测量尺度的变量，故采用非度量偏最小二乘法（Non-Metric PLS）进行估计。该方法将PLS方法的适用性扩展到不同测量尺度上的测量数据以及与非线性关系相关的变量，其显著特点是为非度量变量和度量变量提供了新的度量，且此度量不依赖于原始数据的度量属性，可同时处理不同测量尺度的观测变量。本文使用R语言中的“plspm”程序实现模型估计和评价。

1.2.5模型评估

（1）测量模型的估计和评价。测量模型的估计指标结果如表5所示。

因子载荷即观测变量的变化能被潜变量解释的比重，该值越高，测量模型内部一致性越好。该模型大部分观测变量的载荷均大于0.7，说明该测量模型具有较高的一致性。复合信度系数衡量测量模型的单维性，由表5可知，每个观测变量的复合信度系数均大于0.7，根据经验法则，可认为每个潜变量内的观测指标具有单维性。平均方差提取率表示一个潜变量能解释其所反映的观测变量方差总和。该模型潜变量的平均方差提取率大部分均大于0.5，即潜变量的解释效果均较好。

（2）结构模型的估计和评价。根据潜变量和观测变量的直接路径系数，绘制出最终结构方程模型如图1所示。由图1可知，居民关于数字化社区建设能提高社区安全性等方面的认同度对其主观感知有直接影响，其中居民的主观感知这一潜变量受其居住意愿的解释影响最大；除此之外，居民的设备认同和生活认同对其主观感知也有直接影响，直接影响路径系数分别为0.204和0.141。

2结论

2.1居民对数字化社区的整体主观感知较好

由社会网络分析节点度结果可知，建设态度乐观、非常满意、非常愿意居住在数字化社区的节点度最高，说明大部分居民都较支持数字化社区建设。

2.2认知水平对居民的主观感知有直接影响

由社会网络分析结果可知，居民文化程度及其对数字化社区了解程度越高，其对建设数字化社区的态度、意愿和满意度也更好；根据结构方程模型的结果，认知水平对居民主观感知的直接路径系数为0.468，说明认知水平对居民主观感知有直接影响。

2.3安全认同对居民的主观感知有重要影响

由社会网络分析结果可知，数字化社区建设能提高社區安全、个人信息安全能得到保障、态度乐观等变量在同一模块；此外，根据结构方程模型结果，安全认同对主观感知总路径系数为0.461，说明安全认同对居民主观感知有重要影响。

2.4生活认同和设备认同对居民主观感知有一定影响

由社会网络分析结果可知，认为数字化社区能使生活更加便捷、同时设备使用简单高效、维护成本低与态度乐观等变量在同一模块；同时，根据结构方程模型结果，生活认同和设备认同对居民主观感知有一定的影响。

3建议

（1）积极落实数字化建设。

政府应积极响应国家政策号召，提高数字化覆盖率，给予数字化技术发展资金保障，提高各建设主体积极性。社区居委会及物业要整合社会资源，加强数字化设备建设，提高服务管理质量水平。

（2）提高居民认知水平。

数字化社区建设应力求惠及全体人群，兼顾老幼特殊人群及低学历人群，简化设备使用。鼓励政府对社区主体开展培训。社区负责人以横幅、讲座、宣传单等创新形式，营造数字化氛围。

（3）提高社区安全性能。

政府和社区在数字化建设过程中，应加强社区安全和个人信息安全的相关建设，如完善数字监控系统、完善小区人脸识别门禁系统等，打造智慧安防系统，通过数字赋能切实保障社区安全。

（4）加强便民服务建设。

社区数字化应注重落实提供智能水表、智能快递柜等社区日常便民服务建设，降低数字化使用门槛；政府应加大人、财、物供给，降低建设、维修成本。

参考文献

［1］李天籽，陆铭俊.中国人口流动网络特征及影响因素研究——基于腾讯位置大数据的分析[J/OL].当代经济管理，1-12[2022-02-02].

[2]尹慧.基于社会网络分析的高校菜鸟驿站用户满意度研究[D].深圳：深圳大学，2019.

[3]Sun J，Tang J.A survey of models and algorithms for social influence analysis[M]//Social network data analytics.Springer，Boston，MA，2011：177-214.

[4]程开明.结构方程模型的特点及应用[J].统计与决策，2006，（10）：22-25.

[5]Petrarca F.Non-Metric PLS Path Modeling：Integration into the Labour Market of Sapienza Graduates[J].Departmental Working Papers of Economics-University 'Roma Tre'，2013.

[6]Giorgio Russolillo.Non-Metric Partial Least Squares[J].Electronic Journal of Statistics，2012，（6）：1641-1669.