普通人群对智能调查的看法

《Journal of Official Statistics》：How Does the General Population Think About Smart Surveys?

　　

新的测量方式（NWM）或"智能感知"调查于2023年9月至2024年2月期间在三个国家（意大利、荷兰和斯洛文尼亚）开展。该调查旨在为改进"助推智能实地调查"策略寻找线索，为法律官员提供信息，并了解各国在此方面的差异。NWM采用两步法，包括一份关于数字技能、假设意愿和相应感知的问卷，以及一项包含四个智能特征的"智能"调查。研究人员发现国家之间和特征类型之间均存在差异，但也存在共性。研究人员讨论了调查结果，并为未来的智能调查提供了建议。

# 论文解读：普通人群对智能调查的感知——来自意大利、荷兰和斯洛文尼亚的跨国比较研究

## 一、研究背景

随着移动设备和传感器技术的普及，官方统计机构开始探索将智能功能整合进传统调查流程，形成了所谓"智能调查"（smart surveys）的新模式。智能调查被定义为使用一个或多个智能特征的调查，智能特征则是通过受访者拥有或由调查方提供的智能设备的一项或多项功能来执行的数据采集操作。这类调查在测量认知要求高、负担重、对受访者而言非核心、或调查问题与目标概念之间存在较大代理偏差的主题时展现出显著优势，其应用场景涵盖了时间使用调查中的位置追踪、健康与休闲调查中的活动追踪器部署、以及消费调查中的收据扫描上传等。智能调查通过混合主动与被动数据采集方式，辅以机器学习方法进行实时分类，试图让受访者始终处于数据采集的核心地位。

尽管智能调查在诸多应用场景中展现出巨大潜力，其前提条件是受访者愿意且有能力使用相应的智能功能。近年来，多项研究发现智能调查可能因隐私担忧或技术使用能力不足而产生较低的回答率，进而导致分析结果偏差。已有研究表明，受访者对智能调查的参与意愿与任务类型密切相关——当受访者对数据收集有更多控制权时，其参与意愿显著高于数据收集自动化的任务。此外，隐私关注度较高和对机构数据保护能力信任度较低的人群，参与意愿也较低。研究赞助方性质（大学赞助通常高于政府资助或市场研究）、调查持续时间、激励机制、智能手机使用经验等因素，也都会影响参与意愿。然而，以往研究多集中于特定情境或单一国家，跨国、跨文化的一般人口研究相对匮乏。在此背景下，由欧盟统计局（Eurostat）资助的"智能调查实施"（Smart Survey Implementation, SSI）项目应运而生。

## 二、研究内容与目的

该研究旨在调查意大利（由ISTAT执行）、斯洛文尼亚（由SURS执行）和荷兰（由CBS执行）三国普通公众对使用智能特征的调查的感知、动机和犹豫，为智能调查的实地策略设计、法律伦理决策和跨国可比性提供理论依据。研究时间跨度为2023年9月至2024年2月。作者将这一调查缩写为NWM（New Ways of Measuring survey）。NWM调查采用两步法设计：首先完成纸质问卷（NWM-G），随后进行在线智能问卷（NWM-S）。NWM-G包含关于设备拥有与使用、对调查中智能特征使用的感知与要求、以及七个假想让渡智能特征的问题；NWM-S则包含四个实际智能特征——位置追踪（location tracking）、步数数据捐赠（step count data donation）、购物收据照片或上传、以及电/气/水表照片。四个实际特征在NWM-S中随机排序以消除顺序效应。三国抽样设计有所区别：意大利为分层两阶段随机抽样（样本量4000），荷兰为简单随机抽样（样本量4000），斯洛文尼亚为分层两阶段抽样（样本量2000）；意大利和斯洛文尼亚采用访员递送+面对面提醒策略，荷兰仅通过邮寄邀请函开展。

## 三、主要技术方法

作者为开展研究采用了如下几个关键方法：（1）开发了一套智能调查分类体系，基于六个标准对智能特征进行归类：数据是否存在、测量类型、智能数据的精度缺口（accuracy gap，即无误差智能数据与实际收集智能数据之间的距离）、是否在设备内处理、智能数据相对输出需求的输出缺口（output gap，即输出需求与无误差智能数据之间的距离）、以及非智能替代方案的存在性；（2）对NWM-G中的七个假想想智能特征的"是"响应（合并"否""也许""不知道"为对照）进行了k-medoids划分聚类分析以识别受访者剖面；（3）逐步逻辑回归（logistic regression）预测假想与实际意愿，采用AIC（Akaike information criterion，赤池信息准则）进行变量选择；（4）将NWM-G与NWM-S嵌套数据关联，通过交叉列表和逻辑回归分析考察假想意愿对实际行为的一致性与预测能力；（5）三国独立建模以考察国家差异。

## 四、研究结果

### 4.1 总体结果（Section 4）

NWM-G（常规问卷）回答率在三国间差异显著：意大利最高为68%，荷兰最低为23%，斯洛文尼亚为50%，这主要归因于招募模式的差异（意大利为访员辅助+按需家访，荷兰为纯邮寄自填，斯洛文尼亚为邮寄+访员跟进）。然而，NWM-S（智能问卷）回答率在三国间差异较小（意大利23%、荷兰18%、斯洛文尼亚17%），表明前置访员介入并未显著提升在线智能调查的参与率。NWM-S中断率方面，意大利最低（8%），荷兰最高（16%）。

### 4.2 假设性意愿与受访者特征（Section 5）

**（1）何类人群表达使用智能特征的假设性意愿？** 大约一半的受访者愿意使用至少一个特征，但几乎没人愿意使用全部特征；拒绝使用任何特征的人群比例从荷兰的12%到意大利和斯洛文尼亚的约30%不等。聚类分析识别出六种跨三国一致的受访者类型，包括"始终顺从型"和"从不顺从型"两个极端类型；另外四种类型均聚焦于健康和生活条件相关的智能特征。条件于至少一次同意的情况下，这四种中等类型合计占50%到60%，说明公众意愿明显向外部传感器系统产生、精度缺口较小的智能数据聚集。

**（2）意愿如何随智能特征类型变化？** 假想意愿因特征类型差异悬殊：安装室内空气质量监测系统（IAQ）在三国均为最受欢迎特征（意大利28.8%、荷兰47.4%、斯洛文尼亚32.7%），而拍摄住房状况照片为最不受欢迎（意大利7.1%、荷兰11.8%、斯洛文尼亚7.4%）。基于分类框架，精度缺口和/或输出缺口较大的智能特征（如住房照片、收据上传）的意愿率较低。此外，20%到25%的受访者回答"也许"或"不知道"，表明存在相当规模的潜在可转化人群。

**（3）国家/NSI依赖如何体现？** 三国假想意愿率差异巨大，但各特征的相对偏好模式相似。不同国家的智能特征实施将导致不同的采纳率，这将内在性地造成跨国产出差异。

### 4.3 实际意愿（Section 6）

**（1）实际使用智能特征的人群特征如何？** 基于行政数据和抽样框背景变量的逻辑回归模型中，Nagelkerke R2分别为：意大利0.12，荷兰0.08，斯洛文尼亚0.12。三国中，较高收入和较高教育水平是较高参与意愿的预测因子；在意大利和斯洛文尼亚，25岁以下或65岁以上是参与意愿降低的显著预测因子，但在荷兰这一效应并不明显。

**（2）假设意愿能在多大程度上预测实际意愿？** 整体上，假设意愿与实际意愿存在正相关关系，但关系强度因国别和特征类型而异。荷兰所有特征均呈现正相关，但仅位置追踪在三国都表现出清晰的模式。部分模糊性来自受访者声称"无法使用"该特征——特别是步数、收据和电表数据的场景，而在位置追踪方面，存在受访者以"无法使用"为借口隐藏拒绝的可能性。

**（3）不使用智能特征的主要原因是什么？** 感知层面的数据安全担忧（NWM-G Q2.2和Q2.3）、数据控制重要性（Q2.6）和信息沟通重要性（Q2.5）是实际使用智能特征的关键预测变量，并结合数字技能自我评估。数据安全担忧是与不使用智能特征关联最强的因素，三国呈现一致模式，但荷兰的反差最为显著——当CBS被明确提及为数据收集方时，数据安全担忧反而上升；而在意大利，当ISTAT被提及为收集方时担忧下降；斯洛文尼亚则无显著差异。受访者对知道收集内容和能够控制数据普遍认为重要（"相当"到"非常"），但NWM-S参与者和非参与者在此维度上的差异相对较小。

**（4）犹豫可在多大程度上从已知特征中预测？** 除自我评价的数字技能外，背景特征对这些关键感知的预测能力普遍较弱。意大利的预测模型相对较强，表明在意大利提前预测影响智能意愿的感知相对更容易。

**（5）国家/NSI依赖如何体现？** 实际意愿与假设意愿的图景大体一致：即使控制智能特征的可用性/可及性，各特征同意率仍存在明显的国家差异。感知与意愿的关系在各国基本一致，但荷兰更强。意大利的犹豫更突出且更可预测。

## 五、讨论与结论

作者指出，本文的新颖之处在于评估智能特征的多样性以及跨国官方统计的一般人群背景。研究结果表明：第一，不同智能特征之间以及不同国家之间的意愿存在明显差异，强调了在特定调查应用中解释智能特征逻辑和背景的重要性，以及在可比性成为关键要求时统一各国设计的必要性。第二，犹豫通常难以通过调查开始时的辅助变量预测，这凸显了与受访者保持互动以及针对个体定制招募和激励策略的必要性。第三，数据控制虽被评为重要，但缺乏数据控制并非拒绝智能特征的主要理由；而智能特征使用者的控制需求反而更高。第四，来访者常建议替代方式，智能功能应作为可选项而非强制项。第五，不同国家的意愿率存在显著差异（意大利最迟疑、荷兰最愿意），但特征间的相对差异较为稳定。

关于受访者旅程的主要结论包括：考虑到背景和逻辑的重要性，智能调查招募最好在相关现有调查的背景下进行；考虑到受访者可能存在的微妙反对意见和犹豫，提供个人动机和协助的选择是关键；应提供非智能替代方案，除非数据质量会因此低至不可接受的程度——实际上，非智能方案的数据质量越低，越容易推动受访者转向智能方案。

本研究的局限性包括：实验性质使受访者可能察觉出多种主题和相对简单的智能特征实施方式；缺乏对更长时间内使用智能特征意愿（例如日记法）的考察；三国调查气候虽各不相同，但不能代表所有国家，向欧洲及更广泛地区的推断需谨慎。尽管如此，本研究为理解受访者在决定是否参与以及实际参与智能调查过程中的旅程提供了综合性视角，并为未来端到端智能调查解决方案的设计提供了实证依据。