第 38 卷第 1 期__________________________________Journal of Modem Information__________________________________Vol. 38 No. 1
•理论探索•
移动社交媒体用户持续使用行为硏究
孟猛朱庆华
S
(南京大学信息管理学院，江苏南京210023)
〔摘
要
〕[目的/意义]文章旨在探究移动社交媒体用户持续使用行为的影响因素及其相互关系，为移动社交媒体运营商提
[方法/过程]本文整合
高用户满意度和忠诚度，增强用户黏性，洞察用户真正兴趣和心理需求，培养用户习惯等提供决策参考。
扩展的ECM-ISC模型、自我决定理论及习惯，构建移动社交媒体用户持续使用行为概念模型，提出研究假设并设计调查问卷；针 对微信用户进行纸质问卷调查，共回收234份有效问卷，采用偏最小二乘法分析数据，在排除共同方法变异的影响下，对测量模型 和结构模型进行评估，并对研究假设和调节效应进行验证。[结果/结论]结果显示，持续使用意愿和习惯直接影响移动社交媒体 用户持续使用行为，习惯对持续使用意愿和行为之间有负向的调节作用；使用后感知有用性、满意度及自我功效正向显著影响持续 使用意愿；期望确认度对使用后感知有用性和满意度产生直接影响；感知关系性和感知胜任性正向显著影响内在动机，内在动机对 满意度正向影响显著，满意度对习惯产生直接影响。根据研究结论，对移动社交媒体（微信）运营商提出管理建议。
〔关键词〕用户；移动社交媒体；持续使用行为；概念模型；扩展的ECM-ISC;自我决定理论；微信；习惯；偏最小二乘法
DOI ：10.3969/j.issn.1008-0821.2018.01.001〔中图分类号〕C931.6 〔文献标识码〕A
〔文章编号〕1008-0821 (2018) 01-0005-14
Study on Mobile Social Media Users? Continuous Usage Behavior
Meng Meng Zhu Qinghua
(School of Information Management， Nanjing University， Nanjing 210023， China)
[Abstract〕[ Purpose/Significance] The paper aimed to explore the influence factors of mobile social media users，
continuous usage behavior and their mutual relationship， and provided a reference decision-making reference for mobile social media operators to improve users? satisfaction and loyalty， enhance users’ stickiness，insight into the user?s real interests and psychological needs， and cultivate users’ habits and so on.
[ Method/Process] The paper integrated the extended
ECM-ISC model， Self-determination Theory and Habit，constructed the conceptual model of mobile social media users’ continuous usage behavior， and proposed the hypotheses and designs the questionnaires； The research data was collected through the paper questionnaire survey of WeChat users，and 234 valid questionnaires had been collected. The paper used partial least squares
( PLS) to analyze the collected data， evaluated the measurement model and the structure model，and
[ Result/
validated the hypothesis and the moderating effect under the influence of excluding common methods of variation.
Conclusion] The results showed that Continuous Usage Intention and Habit had direct influence on mobile social media users? Continuous Usage Behavior， and Habit had negative moderating effect on Continuance Usage Intention and Continuance Usage Behavior； Post-Usage Usefulness， Satisfaction and Self-Efficacy had a significant positive effect on Continuance Usage Intention； Expectation Confirmation had a direct impact on Post-Usage Usefulness and Satisfaction； Perceived Relatedness and Perceived Competence positively affected Intrinsic Motivation， and Intrinsic Motivation had a significant positive impact on Satisfaction which had a direct impact on Habit. According to the research conclusions， management Suggestions for mobile social media
( WeChat) operators were proposed.
[Key words〕 user； mobile social media； continuous usage behavior； conceptual model； extended ECM-ISC； self
-determination theory; WeChat； habit； partial least squares
收稿日期：2017-09-19
基金项目：国家社会科学基金重大项目“面向大数据的数字图书馆移动视觉搜索机制与应用研究”（项目编号：15ZDB126)作者简介：孟猛（ 1977-),男，副研究员，博士研究生，研究方向：互联网用户行为，信息安全风险管理。通讯作者：朱庆华（ 1963-),男，教授，博士生导师，研究方向：社会化媒体，互联网用户行为，信息政策与法规。
5 —
2018年1月
移动社交媒体用户持续使用行为研究
Jan., 2018第38卷第1期
社交媒体（Social Media)是以Web2.0的思想和技术 为基础并允许用户创造和分享内容的一组互联网应用程 序⑴，如Twitter、Facebook、Google+等。而移动社交媒体 (Mobile Social Media)是以移动终端设备（如智能手机等） 为载体，通过“移动社交APP”实现社交媒体功能[2]。随 着移动互联网、移动终端以及移动APP的日益发展，移动 社交媒体用户数量越来越多。据中国互联网络信息中心 (CNNIC) 2017年8月发布的《第40次中国互联网络发展 状况统计报告》显示，截至2017年6月，中国网民规模达 到7. 51亿，手机网民规模达7. 24亿，各类手机应用的用 户规模不断上升，场景更加丰富[3]。由于移动社交类APP 具有较高的同质性，移动社交类APP运营商之间的竞争十 分激烈[4]。用户在移动社交类APP之间使用切换成本比较 低，使得用户几乎无需花费任何成本便可使用另一款移动 社交APP。因此，如何提高用户满意度和忠诚度，增强用 户黏性，洞察用户真正兴趣和心理需求，培养用户习惯等， 确保用户在初次使用后并保持持续使用，对移动社交类 APP运营商来说尤为重要。
然而，信息系统的最初接受是实现信息系统成功的第 一步，信息系统的长期存活和最终的成功取决于它的持续 使用，而不是第一次使用[5]。从近几年来国内外学者关于 信息系统用户持续使用的研究来看，主要集中在两个方面: 一是信息系统用户持续使用意愿，主要以ECM-ISC模型或 通过理论整合构建模型为基础进行研究。赵英等[6]通过梳 理和分析动机理论、使用与满足理论、信息系统成功模型、 期望确认理论，构建大学生持续使用社交媒体的影响因素 概念模型，并采用同一测量量表对微信、微博和人人网进 行实证研究，提出3种不同社交媒体的影响因素模型，为 高校相关部门利用社交媒体提供依据和参考；陈明红等[7] 基于感知价值理论、信息质量理论和沉浸理论，研究了移 动社交媒体用户持续共享信息的影响因素和机制。类似的， 其他学者[8—13]也开展了相关研究。除社交媒体（网络） 外，学者们还研究了其它主题，比如移动即时通讯[14-|5]、 位置分享[16-|7]、移动阅读[18-叫、移动图书馆[20]、网络图 书馆[21]、社会化阅读[22]、社交问答平台[23]、移动社交支 付[24]以及网上团购[25]等。二是信息系统用户持续使用行 为，主要以ECM-ISC模型或以扩展的ECM-ISC模型为基 础进行研究。刘人境等[26]以ECM-ISC基础，整合计划行 为理论（Theory of Planned Behavior，TPB)，引人感知娱 乐、感知信任和习惯建立研究模型。研究发现，ECM-ISC 与TPB集成在解释SNS的持续使用方面具有良好的适用 性，并且该模型的整体解释能力得到了增强。期望确认度 对感知有用和满意度影响显著，满意度对持续使用意向直 接产生影响；王哲[27]以ECM-ISC模型为基础，新增自变 量（感知易用性、感知愉悦度和感知信任度），引人习惯 作为调节变量，构建社会化问答社区知乎用户持续使用行 为理论模型并实证研究。刘鲁川等[28]以扩展的ECM-ISC 模型为理论依据，结合移动搜索信息系统的特点，构建并
一 6 —
Vol. 38
No. 1
实证了移动搜索用户持续使用的理论模型；杨文正等[29]以 扩展的ECM-ISC模型为基础，对数字教育资源用户持续使 用行为进行研究；类似的，杨甜[30]和李宗富等[31]也做了 相关研究。
综上所述，国内外学者较多地关注以ECM-ISC模型或 整合理论构建模型为基础的用户持续使用意愿研究，用户 持续使用行为研究相对较少。用户持续使用行为研究主要 以ECM-ISC模型或扩展ECM-ISC模型为基础进行分析， 而且在以ECM-ISC模型为基础的用户持续使用行为研究方 面，主要将习惯作为持续使用意图和行为之间的调节变量， 延伸至用户持续使用行为的研究。整合扩展的ECM-ISC模 型、自我决定理论（Self-determination Theory，SDT)及习 惯研究移动社交媒体用户持续使用行为尚未发现。尽管已 有研究为本文提供了有益借鉴，但是仍然存在一些问题和 不足。一是扩展ECM-ISC模型仅从心里认知视角分析IS 用户持续使用行为，从内在动机视角分析IS用户持续使用 行为尚存不少空白；二是持续使用行为包括有意识的持续 使用行为和习惯性使用行为，有意识的持续使用行为通过 “持续使用意向”来解释，在扩展ECM-ISC模型中习惯性 使用行为并未得到解释。 鉴于此， 本文在借鉴上述国内外 学者研究成果的基础上，整合扩展的ECM-ISC模型和自我 决定理论，从心理认知与内在动机的双重视角分析移动社 交媒体用户持续使用行为，引人习惯以便能够更好地解释 移动社交媒体用户持续使用行为。这也是本研究的创新之 处，以期得到与以往不同且更加合理的解释，为移动社交 媒体（微信）运营商提供决策参考。
1理论背景
1. 1
扩展的ECM-ISC模型
Oliver R L[32]于1980年提出期望确认理论（Expecta
tion-Confirmation Theory， ECT) ， 该理论是研究消费者满意 度的基本理论。在此基础上，BhattacherjeeA (2001)[33]提 出了信息系统持续使用模型（Expectation - Confirmation Model of IS Continuance，ECM-ISC)，并米用对在线银行用 户的实地调查验证该模型的假设。该模型由4个要素构成： 感知有用性、期望确认度、满意度和信息系统持续意向。 Limayem M ( 2007)[34]整合习惯和 ECM-ISC 模型，对 ECM -ISC模型进一步扩展，将最终因变量扩展到信息系统持续 使用。随后，为了提高ECM-ISC模型的鲁棒性和预测能力， BhattacherjeeA (2008)等[35]对该模型提出了一些修改和扩 展，删除了使用后感知有用性和满意度之间的关系。然而， 任何人类行为理论模型的目标是预测行为而非意图，比如理 性行为理论（Theory of Reasoned Action，TRA)和计划行为 理论（TPB)。信息技术使用意向和行为之间的正向联系已 经在科技接受模型（Technology Acceptance Model，TAM)和 技术接受使用统一■理论（Unified Theory of Acceptance and Use of Technology，UTAUT)得到扩展。IT持续使用意愿是
2018年1月 现代情板
Journal of Modem Information
Jan.，2018Vol. 38
No. 1
第 38 卷第 1 期
IT持续使用行为的必要非充分条件，如果用户缺少访问IT 的资源或使用IT的技能，意愿可能无法转化为实际行为。 因而，Bhattacherjee A ( 2008 )等[35]引人感知行为控制 (Perceived Behavior Control，PBC)，增添信息技术自我功效 和可控制性（也称促成因素）两个变量到ECM-ISC模型， 即为扩展的ECM-ISC模型，增强了模型的解释力[36]。1.2
持续地执行，同时行为意愿和实际使用之间的关系明显减 弱，习惯和实际使用之间的关系显著增强。然而，多年以 来习惯在其它学科已被广泛地进行研究，尤其是社会心理 学，然而信息系统领域的文献很少关注[34]。在不同学科 中，习惯通常被理解为“习得的行为序列自动地对特定的 情况做出反应，这些特定的情况可能在获得某些目标或结 束状态时起作用，’[46]。本研究采用Limayem M等[34]对IS 习惯的定义“IS习惯是指人们由于学习，倾向于自动地执 行行为（使用IS)的程度”。根据该定义，习惯与意愿在 概念上有相对较少的重叠，因此可以在解释IS使用时提供 额外的解释力。
自我决定理论
美国心理学家Deci E L和Ryan R M[37]于1985年提出 自我决定理论（Self-determination Theory，SDT)，它的核 心要素是内在动机和外在动机，以及构成动机的一系列基 本心理需求[38]。内在动机是指自己因为享受该活动过程， 有意识地去做这件事。外在动机是指从事结果与活动本身 相背离的活动，如追求奖励或避免惩罚[39]。该理论还提出 内在动机的采纳或较多自我决定类型外在动机的内化，取 决于3个基本心理需求的满足：自主需求（Autonomy)、关 系需求（Relatedness)和胜任需求（Competence)[40]。研 究表明，在满足这些需求的活动上人们更有可能坚持并有 更好的定性表现。自主性是指个体渴望自我发起并自我调 节行为；关系性是指个体渴望感受到与他人或群体有联系； 胜任性是指个体渴望在获得有价值的结果时感觉到有 效[41]，类似自我效能感。1.3
2概念模型与研究假设
概念模型
本研究概念模型主要基于上述扩展的ECM-ISC模型、
2. 1
自我决定理论及习惯进行设计构建，如图1所示。其中扩 展的ECM-ISC模型作为本研究概念模型的基础，由于扩展 的ECM-ISC模型是从心理认知视角解释“持续使用意愿” 对“持续使用行为”的影响，“满意度”变量主要通过 “期望确认度”的短期影响来解释，未能从用户“内在动 机”视角去解释用户“满意度”和“持续使用意愿”。因 此，本研究引人自我决定理论，从用户内在动机的角度研 究用户长期稳定的使用移动社交媒体的心理动机及对“满 意度”和“持续使用意愿”的影响。然而，刘人境等[26] 认为“持续使用行为”包括有意识和无意识的持续使用行 为，而“持续使用意向”不能解释无意识持续使用行为， 即习惯性持续使用行为。 基于此， 本研究引人习惯变量， 开展移动社交媒体用户习惯性持续使用行为的研究，以期 得到与以往不同且更加合理的解释。
习惯
行为被习惯影响，但习惯与行为是有区别的。AartsH
和Dijksterhuis A[42]指出习惯是一种目标导向的自动行为形 式，它代表了一个目标和有助于实现这个目标的行动之间 的联系。Triandis H C[43]和Kim B[44]认为习惯是指不假思 索地自动发生的重复行为模式，因此它有助于保持习惯性 行为。Ouellette J A和Wood W[45]发现过去行为对未来行为 的直接影响最为显著，因为在稳定的环境中行为会频繁且
图1概念模型
2. 2研究假设
扩展的ECM-ISC模型是本研究概念模型的基础，期望
交媒体越有用，对使用移动社交媒体越满意。使用后感知 有用性（Post-Usage Usefulness，PU)是指用户在使用移动 社交媒体后，从先前有用性认知中聚合而来形成一种长期 不变的信念，它区别于TAM模型中的感知有用性。Bhat- tacherjee A (2008)等[35]根据 TRA、TBP 和 EDT 等理论， 在论证了长期信念与持续使用意图之间的关系后，认为使
确认度（Expectation Confirmation，EC)是指用户对移动社 交媒体的初始期望与使用后实际体验感受之间差距的程度。 期望确认度正向影响使用后感知有用性和满意度。一般而 言，用户对移动社交媒体的期望确认度越高，认为移动社
—7 —
2018年1月
移动社交媒体用户持续使用行为研究
Jan., 2018第38卷第1期
用后的感知有用性对用户的持续使用意图产生直接影 响[47]。满意度（Satisfaction，ST)是指用户对比移动社交 媒体使用前初始期望与使用后实际体验感受而产生的心理 状态的总和，即用户需求被满足的程度。Bhattacherjee A (2008)等[35]的研究显示满意度正向影响用户IS持续使用 的意愿。持续使用意愿（Continuance Usage Intention，CUI) 是指已经使用过移动社交媒体的用户认为自己未来持续使 用移动社交媒体的可能性或意愿[27]。持续使用行为（Continuance Usage Behavior， CUB) 是指用户持续不断地使用 移动社交媒体的实际行为。根据理性行为理论（TRA)，用 户使用移动社交媒体的意愿直接影响其持续使用行为。然 而，IT持续使用意愿是IT持续使用行为的必要非充分条 件，如果用户缺少访问IT的资源或使用IT的技能，意愿 可能无法转化为实际行为。因而，BhattacherjeeA (2008) 等[35]引人感知行为控制（PBC)，增添两个截然不同但又 相互联系的变量：自我功效（Self-Efficacy，SE)和可控制 性（Controllabilit)，）。自我功效反映个体有能力独立地完成 预定行为的信念，关注的是个人技能和能力。如果用户在 使用移动社交媒体后，认为自己没有能力使用，自然会产 生放弃继续使用的意愿。可控制性反映个体对执行该行为 所需外部资源的控制感，也称促成因素（Facilitating Condi- tions，FC)。与自我功效不同，促成因素正向影响用户持 续使用行为。如果用户缺乏智能手机（终端），或者不在 无线网络覆盖范围，即便用户有持续使用移动社交媒体的 意愿，也必须中断持续使用的行为。由于扩展的ECM-ISC 模型是本研究的理论基础之一，该模型的提出者BhattacherjeeA (2008) 等[35] 以乌克兰政府机构的管理和工作 人员使用文件管理系统为背景，验证了扩展的ECM-ISC模 型7个假设；刘鲁川等[28,47]以扩展的ECM-ISC模型为基 础，引进信息质量、系统质量和服务质量等变量，构建移 动搜索用户持续使用理论模型并提出研究假设，研究表明 扩展的ECM-ISC模型7个假设均成立。鉴于此，本文提出 研究假设如下：
H1a:移动社交媒体用户的期望确认度正向影响使用 后感知有用性。
H1b:移动社交媒体用户的期望确认度正向影响满意度。H1c:移动社交媒体用户使用后感知有用性正向影响 持续使用意愿。
H1d:移动社交媒体用户使用后满意度正向影响持续 使用意愿。
H1e:移动社交媒体用户的持续使用意图正向影响持 续使用行为。
H1f:移动社交媒体用户的自我功效正向影响持续使用意愿。
H1g:移动社交媒体用户的促成因素正向影响持续使 用行为。
根据自我决定理论，感知自主性（Perceived Autono
一 8 —
Vol. 38
No. 1
my，PA)是指用户在使用移动社交媒体时对自主性的需 要，即自我调节他们参与使用自己选择的移动社交媒体的 渴望。自我决定理论中的一个重要假设是与活动有关的感 知自主性会增加内在动机。用户根据自己的兴趣，结合活 动主题自主发表言论，主动建立好友关系，让用户感受到 活动有感知自主性，从而会增加自我决定的内在动机。感 知关系性 (Perceived Relatedness， PR) 是指用户使用移动 社交媒体时渴望能够感受到与他人或群体联系及关心和支 持，从中体验到一种归属感。用户通过移动社交媒体能够 很方便地与他人或群体建立联系，能得到他们关心和支持， 满足内心的归属感，进而影响内在动机。感知胜任性 (Perceived Competence，PC)是指用户在使用移动社交媒 体时想要有效的渴望。自我决定理论认为，满足这一显著 需要将影响内在动机。原因在于当移动社交媒体胜任性的 需要被满足时，用户感觉到有能力使用移动社交媒体。生 活中人们都希望被大家的认可和关注，用户通过移动社交 媒体发布自己感兴趣的或分享有价值的信息，好友给予点 赞或好评，用户从中获取成就感，进而影响内在动机。内 在动机（Intrinsic Motivation，IM )是指一■项活动的表现， 没有明显的原因除了对它的真正兴趣或享受执行过程之 外[38,41]。对移动社交媒体有兴趣的用户更有可能对他们实 际使用移动社交媒体感到满意[4M8]。Sorebo 0等[41]以自我 决定理论为基础，在教师利用在线学习技术与现场课程相 结合的背景下，提出一个扩展的信息系统延续理论，研究 表明感知自主性、感知关系性、感知胜任性对内在动机产 生正向影响，内在动机正向影响用户满意度和持续使用意 愿。鉴于此，本文提出研究假设如下：
H2a:用户使用移动社交媒体时的感知自主性正向影 响内在动机。
H2b:用户使用移动社交媒体时的感知关系性正向影 响内在动机。
H2c:用户使用移动社交媒体时的感知胜任性正向影 响内在动机。
H2d:用户使用移动社交媒体时的内在动机正向影响满意度。
H2e:用户使用移动社交媒体时的内在动机正向影响持续使用意愿。
如上所述，习惯（HABIT)有很大的潜力去解释与IS 相关的行为，这些行为可能不会再是个人完全有意识的控 制。Limayem M等[34]研究发现习惯对IS持续使用意愿与行 为之间的关系起负向调节作用，对IS持续使用行为有直接 效应。肖怀云[49]根据持续使用行为产生的原因，它被分为 有意识的持续使用行为和习惯使用行为。刘人境等[50]认为 有意识的持续使用行为是用“持续使用意图”来解释的， 习惯性使用行为是用“习惯”来解释的。然而，Aarts H 等[51]认为当行动与个人最初希望获得的目标密切相关时， 令人满意的经验可能是重复同样的动作。如果移动社交媒
2018年1月第38卷第1期
现代情板
Journal of Modern Information
Jan.， 2018 Vol. 38 No. 1
体用户成功获得他们意向的目标，在相同的情境线索和相 关目标下，他们倾向于重复使用移动社交媒体。因此，移 动社交媒体用户的满意度与习惯性使用的形成密切相关是 可期待的[44]。基于上述分析，本文假设如下：
H3a:移动社交媒体用户的满意度正向影响习惯。H3b:移动社交媒体用户的习惯对持续使用意愿和持 续使用行为的关系有负向的调节作用。
H3c:移动社交媒体用户的习惯正向影响持续使用行 为。
熟量表，对国外相关研究量表，进行双向翻译法翻译，并 根据移动社交媒体的主题特性做出相应调整设计问卷，其 中感知信任（Perceived Trust，PT)为标记变量（Marker Variable)用于共同方法变异（Common Method Variance， CMV)检验。为确保问卷的有效性和可靠性，在正式问卷 调查之前选取小部分移动社交媒体（微信）用户进行预调 查，根据预调查结果修改相关题项，最终问卷由两部分构 成：第一部分是用户基本信息；第二部分是移动社交媒体 (微信）用户行为的测量，如表1所示。除持续使用行为 外，其它潜变量的测量均采用李克特（Likert)七级等距量 表[52]，其中“1”为完全不同意、“2”为不同意、“3”为 比较不同意、“4”为不确定、“5”为比较同意、“6”为同 意、“7”为完全同意，移动社交媒体（微信）用户根据实 际使用经历进行选择。
3
3. 1
研究方法与数据分析
研究方法 量表设计
3. 1. 1
本研究所使用的量表均借鉴国内外相关文献中已有成
表1
潜变量
编码PL1
使用后感知有用性(PL)
PL3PL4EC1
期望确认度
(EC)
EC2EC3EC4ST1
满意度
ST2ST3ST4
持续使用意愿((丄丄）
CLI1CLI2CLI3PL2
移动社交媒体（微信）用户行为概念模型变量选项
测
量
题
目
文
献
来
源
使用微信会有助于我和好友之间的相互了解使用微信会方便我和好友进行网上交流
Bhattacherjee A et al.， 2008[35].
使用微信会有助于我和好友之间的信息分享
使用微信会促进我和好友之间的联系使用微信的收获比我预期的要大微信所提供的功能比我预期的要多微信所提供的功能比我预期的要强使用微信的体验大大超过了我的期望
使用微信让我感到非常满意使用微信让我感到非常高兴使用微信让我感到非常满足使用微信让我感到非常愉快在未来我打算继续使用微信在未来我愿意继续使用微信在未来我会经常使用微信
你目前每天使用微信的时间（小时）：
Bhattacherjee A， 2001[33]；Bhattacherjee A et al. ， 2008[35]；
陈瑶等（
Bhattacherjee A， 2001[33]；Bhattacherjee A et al. ， 2008[35]；
陈瑶等（
Bhattacherjee A，
2001[33]；
Bhattacherjee A et al. ， 2008[35]；
陈瑶等（
2011)[53]
2011)[53]
2011)[53];
MengHsiang Hsu et al.，2004[54]
CLB10|1〜2(不含2)
4〜5 (不含5)
|2〜3(不含3) | 5〜6 (不含
|3〜4(不含4) |其它：
1
6)
持续使用行为(CLB)
CLB2
你目前使用微信功能的数量：
0|1|2|3|4|5| 其它.你目前通过微信与好友联系的百分比：
CLB3
0% | 1%~10% | 11%~20% | 21%~30% | 31%~40% |
41%〜50%|其它：
SE1
自我功效(SE)
SE2SE3
促成条件(FC)
FCFC
即使没人帮我，我能够使用微信通过在线帮助作为参考，我能够使用微信
我对使用微信的能力充满信心我可以随时随地使用微信我完全控制我使用或不使用微信
Limavem M et al.， 2007[34]；Bhattacherjee A et al.， 2008[35]；Thompson R L et al. ， 1991[55]
Venkatesh V et al.，2003[56]
1
Bhattacherjee A et al.， 2008[35]；
Tavlor S et al.，1995[57]
2
一 9 一
2018年1月
第38卷第1期
移动社交媒体用户持续使用行为研究
表1 (续）
Jan., 2018Vol. 38
No. 1
潜变量编码PA1PA2
测 量题 目文献来源
我可以自主决定什么时间使用微信我可以自主决定什么地点使用微信我可以自主决定什么事情使用微信我可以自主决定与什么人使用微信
使用微信时，我可以自主表达我的想法和意见使用微信时，我可以自主选择微信的各种功能
我和微信好友相处很融洽我视微信好友为朋友微信好友对我很友好微信好友对我很关心
大多数时候，好友对我发布的信息点赞或好评 大多数时候，我感觉使用微信很有成就感
我使用微信是因为兴趣我使用微信是因为喜欢
使用微信对于我而言是自然而然的事 使用微信对于我而言已经成为生活中的一部分
使用微信对我而言已经变成了习惯我相信网商能够提供与其承诺一致的产品 我相信我选择的网商能够提供优质的服务
我相信网商会考虑消费者的利益
自定义标记变量(Marker Variable)Roca J C et al.，2008[40]； Sorebo 0 etal.，2009[41]； Roca J C et al., 2008[40]； Sorebo 0 etal., 2009[41]； Roca J C et al., 2008[40];
感知自主性
(PA)
PA3PA4PA5PA
1
Sorebo 0 etal., 2009[4I];
杨根福（2016)[48]
6
PR1
感知关系性
(PR)
PR2PR3PR4
感知胜任性
(PC)
PC1PC21M11M2UABT
习
惯
杨根福（2016)[48]
杨根福（2016)[48]Roca J C et al.，2008[40]； Sorebo 0 etal.，2009[41]；
杨根福（2016)[48]Limavem M et al., 2007[34]； Limavem M et al., 2008[^8]；
内在动机(1M)
11
(HABIT)
HAB1T2HAB1T3PT
Green D, 2004[59]；
Cheung C M K et al., 2005[60]；
He W et al., 2009[61]
1
感知信任 (FT)
FT2FT3
3. 1.2数据收集与样本构成
截止到2017年第二季度，微信和WeChat的合并月活 跃账户数达到9. 63亿[62]。据此，本研究选取微信作为移 动社交媒体平台，以此为研究对象具有一定的代表性。此 外，据中国互联网络信息中心（CNN1C) 2017年8月发布 的《第40次中国互联网络发展状况统计报告》显示，截 至2017年6月，中国手机网民规模达7.24亿。从年龄结 构来看，20~29岁年龄段的网民占比最高，达29. 7%; 30 ~39岁群体占比为23.0%。从职业结构来看，学生群体占 比仍然最高，为24.8%[3]。另外，洪红等[9]、陈昊等[11] 及梁栩彬等[13]选取在校大学生进行问卷调查，开展移动社 交媒体的相关研究。因此，本研究认为在校大学生样本在 一定程度上可以代表总体。
本研究问卷调查时间为2017年3~4月，调查对象为 南京大学在校本生，采用便利抽样法，发放300份纸质调 研问卷，回收问卷279份，回收率为93%，剔除全部选” 1\"或” 7”及其它无效问卷45份，有效问卷234份，有 效率为78%。在有效样本的人口统计学特征中，男生129 人（55. 10%),女生105人（44.90%);年龄范围为16 ~ 22 岁 102 人（43. 60%)，23~ 30 岁 105 人（44. 90%)，31 —
10 —
~35岁9人（3.80%)，36岁以上18人（7.70%);学历 构成分别是本科117人（50.00%)，硕士 93人 (39.70%)，博士及以上24人（10.30%);移动社交媒体 (微信）使用经验为1 ~ 2年（不含2年）30人 (12. 80%)，2~3 年（不含 3 年）87 人（37. 20%)，3~4 年（不含4年）60人（25. 60%)，4年及以上57人 (24.40%)。3. 1. 3
样本量评估
为了确保本研究样本估计的稳健性，作为流行的经验 法则，Barclay D W等[63]建议最小样本量应为测量模型最 大题目数的10倍或结构模型最大路径关系数的10倍。在 本研究的概念中，测量模型最大题目数为6,结构模型最 大路径关系数为4,最小样本量至少应为60个或40个。因 此，本文研究的样本数为234个，满足Barclay D W等关于 采用PLS数据分析最小样本数的建议准则。3. 2
数据分析
本研究米用偏最小二乘法（Partial Least Squares，
PLS)分析样本数据，软件工具包为Smart PLS 2.0, PLS 属于第二代统计学范畴的分析方法[64]。采用PLS理由在 于：①PLS特别适合于预测[65];②
PLS可以处理反映型
2018年1月
现代情板
Journal of Modem Information
Jan., 2018Vol. 38
No..
第38卷第1期
(Reflective)和形成型（Formative)测量模型[6r>];③PLS 可以最大限度地解释方差[66];④PLS适合探索式研究和理 论发展以及复杂的模型，而且与研究的目标更接近[67];⑤ PLS容易用于测试调节效应[65’68]。由于PLS并没有提供一 个既定的全局拟合优度准则，通常评估模型分两个阶段进 行：测量模型评估和结构模型评估，模型评估是指系统地 评估结构模型所表达的假设是否被数据所支持[w，70]。同 时，在运用SmartPLS计算时，估计方法选用路径加权方案 (Path Weighting Scheme)[71]，最大迭代次数为300;显著性 计算选用自助法（Bootstrapping)抽样为5 000次[72]。3. 2. 1
共同方法变异检验
显著，由于标记变量是理论上不相关的变量，说明受到 CMV的影响，然后通过标记变量排除多余的相关性[78]。经 计算，感知信任（P = 0. 181，T = 3. 453)对使用后感知有用 性（PU)正影响且显著；感知信任〇 = -0.216, T = 4.91) 对内在动机（IM)负影响且显著，说明该研究受CMV的影响。因此，该研究米用标记变量---感知信任（PerceivedTrust，PT)，在排除CMV的影响下进行数据分析。3.2.2测量模型评估
本文通过验证性因子分析验证测量模型的有效性和可 靠性，Hair J F 等[72]及 Fornell C 和 Larcker D F[79]建议反映 型测量模型的内部一■致性：Cronbach’s Alpha>0. 70 (在探 索性研究中，0. 60矣Cronbach’s Alpha矣0. 70被认为是可以 接受的），Nunnally J和Bernstein I[80]建议组成信度CR> 0.70;测量题目可靠性：因子载荷值大于0.70,且大于交 叉因子载荷值；收敛效度：平均方差萃取量AVE>0.50。 从表2可知，在排除CMV的影响下，除促成因素（FC) 的Cronbach’s Alpha=0. 575不符合标准外，其它均符合标 准，说明该测量模型的其它构念具有内部一致性、测量题 目可靠性及收敛效度。另外，区别效度分析用于验证模型 潜变量之间相关性在统计上是否有差异。Bagozzi R P和Yi Y[8I]认为AVE的算术平方根应大于构念之间Pearson相关 数的绝对值，说明该测量模型的构念之间有较好的区分效度。从表3可知，在排除CMV的影响下，对角线粗体字为AVE的算术平方根，下:三角为构念之间的Pearson相关系数，符合Bagozzi RP和YiY的标准，说明该测量模型具有区别效度。
在问卷调查时，由于所有测量题目均由同一被调查者 填写，就容易产生共同方法变异（CMV)的问题[73]。根 据Podsakoff. P M等[74]建议，在问卷设计过程中，为了确 保问卷质量，对问卷进行两次前测，并根据被调查者反馈 信息修正问卷语义。在问卷调查过程中，采用被调查者信 息匿名法[75]。同时，在数据分析前，使用Harman单因子 鉴定法检验共同方法变异[76]，将该研究所有测量题目进行 探索式因素分析，判断标准为特征值是否大于1，在未旋 转时提取9个主成分共解释总方差的73.2%，其中第一主 成分解释了总方差的31. 6%，略高于解释总方差的30%， 显示可能受CMV的影响。另外，根据Lindell等[77]的建议，米用标记变量技术（Marker Variable Technique)进行CMV检验，首先定义一个理论上与该研究无关的变量为标记变量----感知信任（Perceived Trust，PT)， 计算该变量与结构模型内生变量之间的相关性。如果存在一定的相关性且
表
Construct
Continuance Usage Intention
(Reflective)
Loading0.9560.9320.9050.752
Expectation Confirmation
(Reflective)
0. 845
2
信度及收敛效度分析Weight
Cronbach’s Alpha
CR
AVE
0. 9230. 9510. 867
0. 843
0. 8490. 850
0. 895
0. 681
Facilitating Conditions
(Reflective)Intrinsic Motivation
(Reflective)
0.961
0.575
0.6420.916
0.795
0.9060.680
0. 907
0. 830
0. 794
0. 667
0. 826
Perceived Autonomy
(Reflective)
0. 859
0. 883
0.790
0.906
0. 618
0. 818
0.728
Perceived Competence
(Reflective)
0.769
0.610
0.912
0. 830
0. 712
一 11 一
2018年1月
第38卷第1期
移动社交媒体用户持续使用行为研究
表2 (续）
Jan., 2018Vol. 38
No. 1
ConstructLoading0.735
WeightCronbach’s AlphaCRAVE
Perceived Relatedness
(Reflective)
0.717
0.711
0.7190.7450. 850
0. 819
0. 531
Post-Lsage Usefulness
( Reflective)
0. 883
0. 903
0. 8890. 897
0. 932
0. 774
Self-Efficacy (Reflective)
0. 816
0.684 0. 8760.702
0.722
0. 837
0. 633
Satisfaction(Reflective)
0. 898
0. 888
0.9050.767
0. 8710.9130. 727
HABIT(Reflective)
0.9180.9130. 876
0. 8410. 9020. 755
Perceived Trust
(Reflective/ Marker Variable)
0.900 0. 855
0. 396
0. 8500. 9090. 769
Continuance Lsage Behavior
(Formative)
0. 420 0. 500
表3
VariableCLIECFCHABITIMPAPCPRPLSEST
AVE0. 867
区别效度分析5
1
0.931
0. 4270. 4610. 6400.2890.3860.3500.3980.5630.4140.480
2
0.825
34
6
7
8
9
1011
0. 681
0.6670. 7550. 830.6180.7120. 5310. 7740. 6330. 727
0. 268
0. 3260. 3720. 2070. 4780. 4360. 6330. 3380. 633
0.817
0. 367
0.869
0.531 0. 399 0. 485 0. 399 0. 544 0. 503 0. 462
0. 126
0. 4540. 2340. 4480.3160. 5940. 169
0.911
0. 2310. 5480. 4740. 3490. 2390. 502
0.786
0.3510.4160.3540. 4290. 27
0.844
0. 7360. 358
0.729
0.4380.3670.527
0.880
0. 4540. 532
0. 262
0. 537
0.796
0. 183
0.852
本研究概念模型中持续使用行为（Continuance Usage Behavior, CUB)为形成型测量模型，该模型的评估方法与 反映型测量模型的评估方法不同，评估可靠性没有意 义[70,82]。Diamantopoulos A[83]认为评估形成型测量模型主 要评估有效性，而非可靠性。HenselerJ等[84]建议从指标 和结构（潜变量之间的关系）两个层面评估形成型测量模 型有效性。对于指标有效性的评估，Efron B[85]建议采用 Bootstrapping 及 Miller R G[86]建议米用Jackknifing检验指标 —
12 —
权重是否在 p<0. 05 显著[70]，Fomell C 和 Bookstein F L[87] 建议通过方差膨胀因子（Variance Inflation Factor，VIF)评 估形成型指标之间的多重共线性程度，Neter J等[88]认为 VIF<4及Hair J F等[72]认为VIF<5显示多重共线性并不是 一个问题。对于结构效度（潜变量之间的关系有效性）的 评估，Straub D等[89]认为潜变量和其他潜变量之间的关系 在以前的文献中已经被充分提及并且具有显著意义，Brnhn M等[90]认为形成型潜在变量与其它潜在变量之间的相关性
2018年1月 现代情板
Journal of Modem Information
Jan.，2018Vol. 38
No. 1
第 38 卷第 1 期
小于0.700，表明有足够的区别效度，而且LohmHllerJ- B[9I]建议路径系数应大于0. 100。经计算，在排除CMV的 影响下，除 CUB1 (p = 0. 396，p = 0. 093)对 CUB 影响不 显著外，CUB2 〇 = 0.420，p = 0.001)和 CUB3 〇 =0.500，p = 0. 001)对CUB影响均显著且符合Efron B和 Miller R G 建议标准；CUB1 的 VIF= 1. 175，CUB2 的 VIF = 1.257，CUB3的VIF=1. 367，符合Neter J等建议标准；形 成型潜在变量CUB与其它潜在变量的关系均来自以前的文 献回顾，而且相关性均小于0. 700且符合Brnhn M等建议 标准；除FC—CUB的路径系数小于0.100外，其它路径系 数均大于0. 100且符合Lohm9llerJ-B。因此，为确保形成
型潜在变量CUB有效性及区别效度，考虑删除指标CUB1 及路径FC—CUB (H1g)，同时不在共线性问题得到验证。 3.2.3研究假设验证
在排除CMV的影响下，删除指标CUB1及路径FC— ⑶
B (H1g)，采用PLS对该模型的路径关系进行分析，除 PA ( P = 0. 027，T = 0. 421 ) — IM ( H2a )及 IM ( P = -0.014，T = 0.245)—CUI (H2e)的路径系数不显著外， 其它均显著。删除路径PA —IM (H2a)及IM —CUI (H2e)，对研究假设进一步分析，检验结果全部显著，该 模型标准化路径系数PLS分析结果如图2所示。
注：*: P<0. 05，**: P<0. 01，***: P<0. 001，n.s. : insignificance.
图2概念模型路径PLS分析结果
3. 2. 4调节效应验证表4习惯调节作用的层次回归分析
Model1
Model20.285 _0」95“-0」58“
35.864 …0.237 _
26.
由于自变量CUI、调节变量HABIT、因变量CUB均为 潜变量，采用 SPSS24. 0 分析 HABIT 对 CUI—CUB ( H1e) 之间的调节效应之前，该研究采取对3个潜变量分别求和 再计算，对自变量CUI和调节变量HABIT做中心化变 换[93]，再做 CUB = axCUI+bxHABIT+cxCUIxHABIT+e 的层 次回归分析，若CUIxHABIT的回归系数c检验显著，则调 节效应显著，分析结果如表4所示。由表4知，CUIxHAB-
注：
CLIHABITCIxHABITModel F
0.281 _0.258 _
699 …
2
AR2
R
*: P<0. 05，
**: P<0. 01，
0.258 “
0.021 “
***: P<0. 001，N = 234
IT的回归系数c = -0. 158且显著，AR2 = 0.021且显著。表 明HABIT对CUI—CUB (H1e)之间有负调节效应，即当 调节变量HABIT每增加一个标准差，自变量CUI对因变量 ⑶B的斜率减少0. 158个标准差。另外，采用PLS分析 HABIT对CUI—CUB (H1e)之间的调节效应，调节效应 〇 = -0. 172, T = 3.957)—CUB的路径系数显著。通过两 种方式分析HABIT对CUI—CUB (H1e)之间的调节效应， 回归系数（c = -0. 158)与路径系数（p = -0. 172)相差甚 微，HABIT对CUI—CUB (H1e)之间的负调节效应得到 验证。3. 2. 5
结构模型评估
评估结构模型中潜变量之间的路径系数，Huber F等[94]认 为潜变量之间的路径系数应该大于0. 100,且在P<0. 05显 著[7°]。另外，ChinWW[93]和CohenJ[95]认为可以根据Co- hen J的/值评估结构方程模型中每条路径的影响大小 (Effect Size)，0. 020 < / < 0. 150，0. 150 < / < 0. 350, / >0.350分别表示外生变量对内生变量的影响力低、中、高。 对于结构模型的预测相关性评估，可以采用非参数Stone- Geisser检验[96-97]，该检验采用一个样本重用技术Blindfolding 程序创建残差估计。 Hair J F 等[72] 认为结构模型的预 测相关性Q2应该大于0,而且被检验模型预测相关性越 好，Q2就越大[71,’98]。经计算，在排除CMV的影响下，决 定系数（根据Chin W W[93]的标准）：0.214矣R2(CUB、 ⑶I、IM、PU、ST、HABIT)矣0.483表示具有中度解释能 力；路径系数（根据Huber F等[94]的标准）：从表3知，
对于结构模型的评估主要看每个内生潜在变量的决定 系数R2。Chin W W[93]认为内生潜在变量的决定系数R2近 似为0. 670表示实务上解释能力，R2约为0. 333表示中度 解释能力，R2约为0.190表示解释能力薄弱。同时，还要
—13 —
2018年1月
移动社交媒体用户持续使用行为研究
Jan., 2018第38卷第1期
潜变量之间的路径系数均大于0.100且显著；影响大小（根 据 Chin W W[93]和 Cohen J[95]的标准）：/( CUI —CUB)= 0.099 (低）、/(HABIT— CUB)= 0.021 (低），/(PU — CUI)= 0.1 (低）、/(SE—CUI)= 0.063 (低）、/(ST— CUI)= 0.086 (低），/(PC—IM)= 0. 12 (低）、/(PR— IM)= 0.034 (低），/(ST— HABIT)= 0.272 (中），/(EC —PU)= 0.599 (高），/(EC—ST)= 0.447 (高）、/(IM— ST)= 0. 159 (中）；预测相关性（根据HairJF等[72]及For- nellC 等[98]的标准）：0. 148矣Q2(CUB、CUI、IM、PU、ST、 HABIT)矣0. 327表示内生潜在变量有较好的预测相关性。
4讨论与结论
4. 1
结果讨论
本研究在借鉴国内外学者研究成果的基础上，整合扩 展的ECM-ISC模型、自我决定理论及习惯，构建移动社交 媒体用户持续使用行为概念模型。根据本研究概念模型， 提出研究假设和问卷设计并以微信为例收集样本数据，采 用PLS分析数据，在排除CMV的影响下，对测量模型和 结构模型进行评估，并对研究假设和调节效应进行验证， 主要有以下研究发现：
1)
持续使用意愿和习惯对移动社交媒体用户持续使
用行为产生直接影响，共同解释23. 2%持续使用行为的方 差变异。相对于习惯（P = 0. 165, p<0. 05)而言，持续使 用意愿0 = 0.359, p<0.001)的影响更大，该结果与Li- mayem M等[34] 2007年在MIS Quarterly发表的文章研究结 果相近。从影响效应大小来看，/(CUI— CUB) = 0.099、 /(HABIT—CUB) = 0.021，说明持续使用意愿大于习惯对 持续使用行为的解释能力。而且，习惯（P = -0. 172, T = 3.957)对持续使用意愿和持续使用行为的关系有负向的 调节作用，这一结果与LimayemM等[34]、刘人境等[26]研 究相一致。但是，本研究促成条件对持续使用行为影响不 显著，可能原因是随着移动互联网和移动智能终端的普及， 对移动社交媒体（微信）用户来说，使用移动社交媒体 (微信）的促成条件已不成问题。然而，前人的研究对象 大多是功能型信息系统，如数字资源教育系统[29]、文件管 理系统[35]等，促成条件是必须的，进而对持续使用行为产 生直接影响。因此，本研究移动社交媒体（微信）用户持 续使用行为受到有意识的使用行为和习惯性使用行为的双 重作用。这一结果表明，用户使用移动社交媒体（微信） 强烈意愿和习惯可以直接促使用户使用移动社交媒体（微 信）行为的发生。
2)
使用后感知有用性、满意度及自我功效正向显著
影响持续使用意愿，共同解释40.0%持续使用意愿的方差 变异。就路径系数而言，使用后感知有用性（P = 0.321，p <0.001)对持续使用意愿的影响要大于满意度（p = 0.269, p<0. 001)及自我功效 〇 = 0.219，p<0. 001)，这 一结果与Bhattacheqee A等[35]、刘鲁川等[28]等研究一致。
—14 —
Vol. 38
No. 1
从影响效应大小来看，/(PU—CUI)= 0. 1、/(ST—CUI) =0. 086、/(SE—CUI)= 0.063,说明使用后感知有用性对持 续使用意愿的解释能力要大于满意度和自我功效。这一结 果表明用户只有在实际生活中通过使用移动社交媒体（微 信），感觉对自己有用，对整个使用过程和结果满意，自 己有能力使用，才会产生后续持续使用的意愿。
3)
期望确认度对使用后感知有用性和满意度产生直
接影响，期望确认度解释43. 1%使用后感知有用的方差变 异，期望确认度和内在动机共同解释48. 3%满意度的方差 变异，并通过他们对移动社交媒体（微信）用户持续使用 意愿和行为产生间接影响。就路径系数而言，期望确认度 0 = 0.597，p<0. 001; ^ = 0.518，p<0.001)对使用后感 知有用性的影响略大于对满意度的影响，这一结果与Bhat- tacheqee等[35]、杨文正等[29]等研究一致。从影响效应大小 来看，/(EC—PU)= 0.599、/(EC—ST)= 0.447，说明期 望确认度对使用后感知有用性的解释能力略大于满意度。 这一结果表明，扩展的ECM-ISC模型中期望确认度对使用 后感知有用性和满意度具有较稳健的解释力。在使用移动 社交媒体（微信）后，用户的期望确认度越高，认为移动 社交媒体（微信）越有用，对使用移动社交媒体（微信）
越满意。4) 感知关系性和感知胜任性正向显著影响内在动机，
共同解释35. 7%内在动机的方差变异，感知自主性对内在 动机正向影响不显著。就路径系数而言，感知胜任性（P =0.412, p<0. 001)对内在动机的影响大于感知关系性〇 = 0.225, p<0.05)。从影响效应大小来看，/(PC—IM) =0. 12、/(PR—IM)= 0.034，说明感知胜任性对内在动机 的解释能力略大于感知关系性。这一结果与Sorebo 0等[4|] 略有不同，Sorebo 0等的研究结果是感知自主性和感知胜 任性正向显著影响内在动机。进一步研究发现，SoreboO 等的研究对象是在线学习系统，非社会化媒体系统，感知 关系性并不是内在动机的充分条件，感知自主性和感知胜 任性才是最重要的因素。本研究对象为移动社交媒体（微 信），是一种社会化媒体平台，感知关系性是影响内在动 机的因素之一。因此，用户通过使用移动社交媒体（微 信）与他人或群体建立联系，扩大他们的交际圈，发布自 己感兴趣的或分享有价值的信息，好友给予点赞或好评， 从中获取成就感，进而增强用户使用移动社交媒体（微 信）的内在动机。然而，用户虽然感知到自主性对他们很 重要，但是移动社交类APP有较多的选择性，用户对自主 性的敏感性就会降低，进而降低用户使用移动社交媒体
(微信）的内在动机。5)
内在动机对满意度正向影响显著，内在动机和期
望确认度共同解释48. 3%满意度的方差变异。就路径系数 而言，期望确认度（P = 0.518, p<0.001)对满意度的影 响大于内在动机（P = 0.309, p<0.001)。从影响效应大小 来看，/(EC—ST)= 0.447、/(IM—ST)= 0.159，说明期
2018年1月
现代情板
Journal of Modem Information
Jan., 2018Vol. 38
No. 1
第38卷第1期
望确认度对满意度的解释能力大于内在动机。这一结果与 SoreboO等[41]研究一致，移动社交媒体（微信）用户使用 前的预期在使用后得到确认的程度将对用户满意度产生重 要影响，同时对移动社交媒体（微信）正真有兴趣的用 户，他们对实际使用移动社交媒体（微信）也会感到满 意。但是，内在动机对持续使用意愿不具有显著影响关系， 这说明用户兴趣与持续使用移动社交媒体（微信）的关系 不太明显，并不是持续使用移动社交媒体（微信）的充分 条件，使用后感知有用才是最重要的因素。
6)满意度对习惯产生直接影响，解释21.4%习惯的 方差变异。从路径系数和影响效应大小来看，满意度对习 惯影响的路径系数P = 0.462且p<0.001，/(ST—HABIT) =0.272,说明满意度对习惯正向影响非常稳健，这一结 果与Kim B[44]研究一致。因此用户使用移动社交媒体（微 信）一旦达到目的，他们就会感到满意。在相同的情境线 索和相关目标下，他们倾向于重复使用移动社交媒体（微 信）进而形成习惯，并通过习惯间接影响持续使用行为。4. 2 结论及启示
4. 2. 1研究结论
本研究通过整合扩展的ECM-ISC模型、自我决定理论 及习惯，构建移动社交媒体用户持续使用行为概念模型， 以微信用户为实证对象，采用PLS对该模型进行了验证， 探究了移动社交媒体用户持续使用行为的影响因素及其相 互关系。在排除CMV的影响下，本研究测量模型具有较好 的信度和效度，结构模型中12假设（共15个）得到验证， 概念模型整体具有较强的解释能力及较好的预测能力，假 设检验结果形成了以下的研究结论：①从心理认知角度来 看，在扩展的ECM-ISC模型中，诸如期望确认度、使用后 感知有用性、满意度、持续使用意愿等变量是影响用户持 续移动社交媒体的关键因素。②从内在动机角度来看，自 我决定理论SDT中感知关系性和感知胜任性是影响移动社 交媒体用户内在动机的关键因素。同时突破了扩展的ECM -ISC模型中满意度仅受到期望确认度的正向影响的局限， 揭示了满意度还受到内在动机的正向影响。③本研究引人 习惯这一变量，分析了满意度对习惯的正向影响及习惯对 持续使用行为的正向影响，并分析了习惯对持续使用意向 和行为的关系有负向调节作用的机理，扩展了解释持续使 用行为的影响因素，弥补了现有研究的不足。4.2.2研究启示
根据本研究结论，对移动社交媒体（微信）运营商给 出管理建议如下：1)扩展的ECM-ISC模型中，期望确认 度对使用后感知有用性和满意度均正向显著影响。因此， 移动社交媒体（微信）运营商应合理塑造用户期望，期望 过高或过低都会影响用户的持续使用意愿和行为，同时增 强移动社交媒体（微信）的实用性，不断开发新功能，增 强用户使用后有用性感知，提高用户对产品的满意度和忠 诚度，确保用户在初次使用后并保持持续使用。2)移动
社交媒体（微信）运营商应从内在动机角度洞察用户的真 正兴趣和心理需求，从感知关系性和感知胜任性两个方面 强化用户的内在动机。因此，移动社交媒体（微信）运营 商应增强用户社交功能，鼓励朋友圈相互关心和支持，提 醒朋友圈定期沟通联系等，让用户切实感受到移动社交媒 体（微信）能够帮助自己管理人际关系。同时增强用户自 我展示功能，对用户在朋友圈等发布自己感兴趣的或分享 有价值的信息，除好友给予点赞或好评外，移动社交媒体 (微信）可以建立声誉跟踪机制，用户从中获取成就感。3)移动社交媒体（微信）应加强用户使用习惯的培养， 可根据用户每天上线的次数、停留时间的长短、与好友互 动的次数以及用户发布感兴趣的或分享有价值的信息数量， 对用户给予不同形式不同级别的奖励，鼓励用户持续使用， 培养用户的习惯性使用行为。另外，虽然本研究以微信为 例，但是研究结论和启示亦可广泛适用于各大移动社交媒 体平台。4. 3
研究意义与局限性
本研究的目的是探讨如何提高对移动社交媒体（微
信）用户忠诚度及增强用户黏性，确保用户在初次使用后 并保持持续使用，稳定和吸收更多用户群体，促进移动社 交媒体（微信）稳定持续发展。基于此，本研究通过整合 扩展的ECM-ISC模型、自我决定理论及习惯，构建移动社 交媒体用户持续使用行为概念模型，试图从心理认知与内 在动机的双重视角分析移动社交媒体用户持续使用行为， 引人习惯以便能够更好地解释移动社交媒体用户持续使用 行为，这是本研究的创新之处，以期得到与以往不同且更 有力的理论解释。本研究的意义包括两个方面：1)理论 方面：从国内外学者研究成果来看，主要以ECM-ISC模型 或以扩展的ECM-ISC模型为基础，开展信息系统用户持续 使用行为研究，还未发现整合扩展的ECM-ISC模型、自我 决定理论（Self-determination Theory, SDT)及习惯构建概 念模型，开展移动社交媒体用户持续使用行为研究。未来 的研究者可考虑采用本研究概念模型或在本研究概念模型 的基础上引人新的变量等，对如何提高对移动社交媒体 (微信）用户忠诚度及增强用户黏性做进一步的探索。2) 实践方面：本研究对移动社交媒体（微信）运营商提高用 户忠诚度及增强用户黏性具有一定的实践指导意义，移动 社交媒体（微信）运营商可根据本研究结论开展相应的工 作。
当然，本研究也存在一定局限性。主要集中在3个方 面：1)本研究调查样本主要来自在校大学生，未考虑其 它移动社交媒体（微信）用户，虽然在校大学生群体具有 一定的代表性，但选择更广泛的用户群体作为研究对象， 本研究概念模型的通用性会更好。2)本研究所采用的数 据为横截面数据，不能反映各潜变量之间相互关系的动态 变化，未来可考虑在移动社交媒体（微信）终端安装数据 采集器获取用户行为数据，做进一步的研究。3)本研究
—15 —
2018年1月
移动社交媒体用户持续使用行为研究
Jan., 2018第38卷第1期
持续使用意愿和习惯共同解释23. 2%持续使用行为的方差 变异，该结果与Limayem M等[34]研究结果（R2 = 0. 211) 相近。笔者通过便利抽样访谈，总结发现用户使用移动社 交媒体（微信）主要受亲朋好友、同学同事等在用或业务 往来、工作需要使用等的影响，这与计划行为理论（Theory of Planned Behavior， TPB) 中“ 主观规范，’的相符合。 此外，移动社交媒体（微信）平台的友好性、便捷性等直 接影响用户的行为控制感知，进而对用户持续使用意愿和 行为产生影响。因此，下一步考虑在本研究概念模型中引 人TPB中的“主观规范”和“感知行为控制”这两个潜 变量，以期对用户持续使用移动社交媒体（微信）得到更 好的解释。
参考文献
[1] Kaplan A M, Uaenlein M. Lsers of the World, Lnite| The Chal
lenges and Opportunities of Social Media [ J ]. Business Horizons,53 ( 1): 59-68.
[2] 赵宇翔，张轩慧，宋小康.移动社交媒体环境下用户错失焦
虑症（FoMO)的研究回顾与展望[J].图书情报工作， 2017，（8)： 133-144.
[3] 中囯互联网络信息中心.第40次《中囯互联网络发展状况统
计报告》
[EB/OL] . http ://www.cnnic.net.cn/hlwfzyj/hlwxzbg/
hlwtjbg/201708/P020170807351923262153.pdf, 2017-08-04.[4] 黄柏淅，朱小栋.移动社交类APP用户持续使用意愿的影响
因素研究[J].现代情报，2016，（12): 57-64.[5] 刘莉.社交网站用户持续使用行为研究—
基于信息获取和人
际交互的视角[J].情报理论与实践，2012，35 (11): 1722.
[6] 赵英，范娇颖.大学生持续使用社交媒体的影响因素对比研
究-------以微信、微博和人人网为例[J ].情报杂志，2016，( 1): 188-195.
[7] 陈明红，郑洁萍，漆贤军.移动社交媒体用户信息共享持续
意愿研究[J].情报理论与实践，2017，（4): 37-43.
[8] 曹欢欢，姜锦虎，胡立斌.社交网络持续使用：从众行为和
习惯调节作用[J].华东经济管理，2015，（4): 156-162.[9] 洪红，徐迪.移动社交应用的持续使用意愿影响因素研究
—
探讨网络外部性和羊群行为的共同作用[J].经济管理，
2015， （5): 40-50.[10]
葛仲夏，顾东晓，顾佐佐.社交网络工具持续使用影响因的实证研究[J].图书馆学研究，2015，（1): 34-40.[11]
陈昊，李文立，柯育龙.社交媒体持续使用研究：以情感应为中介[J].管理评论，2016，（9): 61-71.
[12] 黄柏淅，朱小栋.移动社交类APP用户持续使用意愿的影响
因素研究[J].现代情报，2016，（12): 57-64.[13]
梁栩彬，甘春梅.移动社交媒体沉迷的影响因素研究：以信为例[J].情报理论与实践，2017，（ 1): 93-97.
[14] Oghuma A P， Chang Y，Libaque - Saenz C F， et al. Benefit -
confirmation model for post - adoption behavior of mobile instant messaging applications [ J ]. Telecommunications Policy， 2015，
一 16 —
Vol. 38
No. 1
39 (8): 658-677.
[15] Oghuma A P，Libaque-Saenz C F，W'ong S F， et al. An expec
tation-confirmation model of continuance intention to use mobile instant messaging [ J ]. Telematics & Informatics，2016，33 ( 1): 34-47.
[16] 周涛，方文侃.移动社交APP位置分享服务持续使用研究
[J].杭州电子科技大学学报：社会科学版，2016，（3): 17.
[17] 陈明红，孙顺，漆贤军.移动社交媒体位置信息分享持续意
愿研究—隐私保护视角[J].图书馆论坛，2017，（4): 58
-67.
[18] Hu J，Zhang Y. Lnderstanding Chinese Lndergraduates5 Continu
ance Intention to Lse Mobile Book-Reading Apps: An Integrated Model and Empirical Study [J]. Libri，2016，66 (2): 85-99.
[19] 赵婉颖.社交因素对用户移动阅读持续使用的影响研究[J].
图书馆学研究，2016，（20): 87-95.
[20] Zhao Y， Deng S，Zhou R. Lnderstanding Mobile Library Apps
Continuance Lsage in China: A Theoretical Framework and Empirical Study [J]. Libri， 2015， 65 (3).
[21] Joo S， Choi N. Lnderstanding users5 continuance intention to use
online library resources based on an extended expectation-confirmation model [J]. Electronic Library，2016，34 (4): 554-571.[22] 李武，赵星.大学生社会化阅读APP持续使用意愿及发生机
理研究[J].中囯图书馆学报，2016，（ 1): 52-65.
[23] 赵文军，易明，王学东.社交问答平台用户持续参与意愿的
实证研究—感知价值的视角[J].情报科学，2017，（2):
69-74，91.
[24] 赵延昇，高佳.移动社交支付APP用户持续使用意愿研究
—
主观参照的调节作用[J].大连理工大学学报：社会科
学版，2015，（4): 47-52.
[25] Hsu M H，Chang C M， Chuang L W. Lnderstanding the Deter
minants of Online Repeat Purchase Intention and Moderating Role of Habit: The Case of Online Group-buying in Taiwan [ J ]. Intema- tional Journal of Information Management，2015，35 ( 1 ): 45- 56.
[26] 刘人境，柴婧，张莉莉.综合类SNS社交网络个人用户持续
使用行为的影响因素研究[J].知识管理论坛，2013，（5): 25-37.
[27] 王哲.社会化问答社区知乎的用户持续使用行为影响因素研
究[J].情报科学，2017，（ 1): 78-83，143.
[28] 刘鲁川，孙凯，王菲，等.移动搜索用户持续使用行为实证
研究[J].中囯图书馆学报，2011，（6): 50-57.
[29] 杨文正，张静，刘敏昆，等.数字教育资源用户持续使用行
为实证研究—
基于扩展的ECM-1SC模型[J].中囯电化教
育，2015，（11): 54-61.
[30] 杨甜.高校图书馆微信公众平台用户持续关注行为影响因素
研究[J].情报探索，2017，（2): 95-103.
[31] 李宗富，郭顺利.档案微信公众号用户持续使用的理论模型
及实证研究[J].档案学研究，2017，（2):80-88.
[32 ] Oliver R L. A Cognitive Model of the Antecedents and Conse
素
响
微 2018年1月 现代情掖
Journal of Modem Information
Jan., 2018Vol. 38
No. 1
第 38 卷第 1 期
quences of Satisfaction Decisions [ J ]. Journal of Marketing Research, 1980, 17 (4)： 460-469.
[33] Bhattacherjee A. Lnderstanding Information Systems Continuance:
An Expectation - Confirmation Model [ J ]. Mis Quarterly, 2001 , 25 (3)： 351-370.
[34] Limayem M, Uirt S G, Cheung C M K. Uow Habit Limits the
Predictive Power of Intentions ： The Case of IS Continuance [ J ]. Mis Quarterly, 2007, 31 (4): 705-737.
[35] Bhattacherjee A, Perols J, Sanford C. Information Technology
Continuance ： A Theoretic Extension and Empirical Test [ J ]. Journal of Computer Information Systems, 2008, 49 ( 1 ): 1726.[36]
曹园园，李君君，秦星红.SNS采纳后阶段用户持续使用为研究—基于情感依恋与ECM-IS的整合模型[J].现代情
报，2016, 36 ( 10): 81-88.
[37] Deci E L, Ryan R M. Intrinsic Motivation and Self-Determina
tion in Human Behavior [ M]. Springer LS, 1985.
[38] Gagne M, Deci E L. Self-determination theory7 and work motiva
tion [J ]. Journal of Organizational Behavior, 2005, 26 (4 )： 331-362.
[39] Ryan R M, Deci E L. Intrinsic and Extrinsic Motivations ： Clas
sic Definitions and New Directions [J]. Contemporary Educational Psychology, 2000, 25 (1): 54.
[40] Roca J C, Gagne M. Lnderstanding e-learning continuance in
tention in the workplace： A self- determination theory perspective [J ]. Computers in Human Behavior, 2008, 24 ( 4 )： 1585 - 1604.
[41] Sorebo O, Halvari H, Gulli V F, Kristiansen R. The role of self
-determination theory in explaining teachers’ motivation to continue to use e-learning technology [ J]. Computers & Education, 2009, 53 (4) ： 1177-1187.
[42] Aarts H, Dijksterhuis A. Habits as knowledge structures： auto-
maticity in goal - directed behavior [ J]. Journal of Personality & Social Psychology, 2000, 78 ( 1): 53-63.
[43] Triandis H C. Attitude and attitude change. New York: Wiley,
1971.
[44] Kim B. The diffusion of mobile data services and applications:
Exploring the role of habit and its antecedents [ J ]. Telecommunications Policy, 2012, 36 ( 1): 69-81.
[45] Ouellette J A, W’ood W’. Habit and Intention in Everyday Life:
The Multiple Processes by Which Past Behavior Predicts Future Behavior [J]. Psychological Bulletin, 1998, 124 (124): 54-74.[46] Verplanken B, Aarts H, Knippenberg A V. Habit, information
acquisition, and the process of making travel mode choices [ J ]. European Journal of Social Psychology, 1997 , 27 ( 5 ): 539 - 560.
[47] 刘鲁川，孙凯.基于扩展ECM-ISC的移动搜索用户持续使用
理论模型[J].图书情报工作，2011, 55 (20): 134- 137, 148.
[48] 杨根福.MOOC用户持续使用行为影响因素研究[J].开放
教育研究，2016, (1): 100-111.[49]
肖怀云.MC消费者持续使用行为演化分析[J].西安电子
科技大学学报：社会科学版，2011，21 (6): 49-54.
[50] 刘人境，柴婧.SNS社交网络个人用户持续使用行为的影响
因素研究[J].软科学，2013，（4): 132-135，140.
[51] Aarts H， Verplanken B, Knippenberg A V. Predicting Behavior
From Actions in the Past: Repeated Decision Making or a Matter of Habit?
[ J ]. Journal of Applied Social Psychology，1998，28
(15): 1355-1374.
[52] Finn R H. Effects of Some Variations in Rating Scale Characteris
tics on the Means and Reliabilities of Ratings [ J ]. Educational & Psychological Measurement，1972，32 (2): 255-265.
[53] 陈瑶，邵培基.社交网站持续使用的实证研究—
基于改进
的期望确认模型[J].信息系统学报，2011，（1): 23-34.[54] MengHsiang Hsu，ChaoMin Chiu. Predicting electronic service
continuance with a decomposed theory of planned behaviour [ J ]. Behaviour & Information Technology，2004，23 (5): 359-373.[55] Thompson R L， Higgins C A，Howell J M. Personal Computing:
Toward a Conceptual Model of Ltilization [ J ]. Mis Quarterly， 1991， 15 (1): 125-143.
[56] Venkatesh V， Morris M G， Davis G B， et al. Lser Acceptance
of Information Technology: Toward a Lnified View [ J]. Mis Quarterly， 2003， 27 (3): 425-478.
[57] Taylor S，Todd P A. Lnderstanding Information Technology Ls-
age: A Test of Competing Models [ M ] . Information Systems Research (6: 2)，1995: 144-176.
[58] Limayem M，Cheung C M K. Lnderstanding information systems
continuance: The case of Internet - based learning technologies [J]. Information & Management， 2008， 45 (4): 227-232.[59] Green D. TAM or Just Plain Habit [ J]. Advanced Topics in End
Lser Computing，2004，3 (3): 1-2.
[60] Cheung C M K， Limayem M. The Role of Habit in Information
Systems Continuance: Examining the Evolving Relationship Between Intention and Lsage [C]. ICIS 2005 Proceedings. Caen，France， 2005: 39.
[ 61 ] He W ， Wei K K. What drives continued knowledge sharing? An
investigation of knowledge-contribution and - seeking beliefs [ J ]. Decision Support Systems，2009，46 (4): 826-838.
[62]腾讯.腾讯2017年第二季度及中期业绩[EB/OL]. https://
www.tencent.com/zh-cn/articles/8003451502937229.pdf，2017- 08-16.
[ 63 ] Barclay D W ， Thompson R L， Higgins C. The Partial Least
Squares ( PLS) Approach to Causal Modeling: Personal Computer Lse as an Illustration [J]. Technology Studies， 1995， 2 (2): 285 - 309.
[64] Fornell C. A Second generation of multivariate analysis : classifi
cation of methods and implications for marketing research [ C ] . Review of Marketing， M. J. Houston， Chicago， American Marketing Association， 1985.
[65] Ringle C. M， Sarstedt M， Straub D. W. A critical look at the use
一 17 —
行 2018年1月
移动社交媒体用户持续使用行为研究
Jan., 2018第38卷第1期
of PLS - PM in MIS quarterly [ J ]. MIS Quarterly, 2012, 36 ⑴
：3 - 14.
[66] Teo li li, Wei K K, Benbasat
Predicting Intention to Adopt
Interorganizational Linkages ： An Institutional Perspective. [ J ].
Mis Quarterly, 2003, 27 ( 1)： 19-49.
[67] lair J F, Sarstedt M, Ringle CM, et al. An assessment of the
use of partial least squares structural equation modeling in marketing research [ J ]. Journal of the Academy of Marketing Science, 2012, 40 (3)： 414-433.
[68] luang Q, Chen X, Ou C X, et al. Understanding buyers5 loyal
ty to a C2C platform： the roles of social capital, satisfaction and perceived effectiveness of e - commerce institutional mechanisms [J]. Information Systems Journal, 2017, 27 ( 1)： 91-119.[69] Anderson J C, Gerbing D W. Structural equation modeling in
practice : A review and recommended two - step approach [ J ]. Psychological Bulletin, 1988, 103 (3)： 411-423.
[70] Lrbach N , Ahlemann F. Structural equation modeling in informa
tion systems research using Partial Least Squares [ J]. Jitta Journal of Information Technology Theory & Application, 2010, 11.[71] lenseler J. On the convergence of the partial least squares path
modeling algorithm [ M] . Kluwer Academic Publishers, 2010.[72] lair J F, Ringle C M, Sarstedt M. PLS-SEM： Indeed a Silver
Bullet [J]. Journal of Marketing Theory & Practice, 2011, 19 (2) ： 139-152.
[73] 吴寿进，方文昌，黄恒奖.虚拟社群成员识别匿名性与群体
规范之研究：外在自我觉察与社群认同之中介效果[J].资 讯管理学报，2012, 19 ( 2): 315-347.
[74] Podsakoff P. M, MacKenzie S. B, Lee J. Y , Podsakoff N. P.
Common method biases in behavioral research： a critical review of literature and recommended remedies [J]. Journal of Applied Psychology^, 2003, 88 ( 5)： 879-903.
[75] 赵卫东，吴继红，王颖.组织学习对员工一组织匹配的影响
—
知识惯性调节作用的实证研究[J].管理工程学报，
2012， 26 (3)： 7-14.
[76] Podsakoff P M, Organ D W. Self-Report in Organizational Re
search [J]. Journal of Management， 1986， 12 (4)： 531-544.[77] Lindell M K，W'hitney D J. Accounting for common method vari
ance in cross-sectional research designs [J]. Journal of Applied Psychology，2001，86 (1)： 114-21.
[78] Ylitalo J. Controlling for Common Method Variance with Partial
Least Squares Path modeling ： A Monte Carlo Study [ J ]. Research Project， 2009.
[79] Fornell C，Larcker D F. Evaluating structural equation models
with unobservable variables and measurement error [J]. Journal of Marketing Research，1981，18 (1)： 39—50.
[80] Nunnally J. and Bernstein 1. Psychometric Theory，3rd edn，
New York ： McGraw-lill， 1994.
[ 81 ] Bagozzi R P, Yi Y. On the evaluation of structural equation mod
els [J]. Journal of the Academy of Marketing Science， 1988， 16
一 18 —
Vol. 38
No. 1
(I) ： 74-94.
[82] Bollen K A. Structural equations with latent variables [ J ]. New
York： John Wiley & Sons， 1989， 35 (7)： 289-308.
[83] Diamantopoulos A. The error term in formative measurement mod
els ：interpretation and modeling implications [ J ]. Journal of Modelling in Management ，
2006， 1 (1)： 7-17.[84] lenseler J， Ringle C. M， Sinkovics R. R. The use of partial least
squares path modeling in international marketing [ J ]，Advances in international Marketing， 2009， 20： 277 - 320.
[85] Efron B. Bootstrap Methods ： Another Look at the Jackknife
[M ]. Breakthroughs in Statistics，Springer New York， 1992： 1 - 26.
[86] Miller R G. The jackknife -a review [ J ]. Biometrika， 1974，
61 (1)： 1-15.
[87 ] Fornell C， Bookstein F L. Two structural equation models ： LiS-
REL and PLS applied to consumer exit-voice theory [J]. Journal of Marketing Research， 1982， 19 (4)： 440-452.
[88] Neter J，W'asserman W， Kutner M l. Applied linear regression
models [ M] . lomewood illinois： Richard D, irwin inc, 1983.[89] Straub D，Boudreau M C，Gefen D，et al. Validation guidelines
for iS positivist research [ J ]. Communications of the Association for information Systems，2004，3 (1).
[90] Bruhn M， Georgi D，ladwich K. Customer equity management
as formative second-order construct [ J ]. Journal of Business Research， 2008， 61 (12)： 1292-1301.
[91] Lohmoller J - B. Latent variable path modeling with partial least
squares [ M]. Heidelberg： Physica-Verlag， 1989.
[92] 温忠麟，侯杰泰，张雷.调节效应与中介效应的比较和应用
[J] .心理学报，2005，37 (2)： 268-274.
[93 ] Chin W W. The partial least squares approach for structural equa
tion modeling [ J ]. in Modem Methods for Business Research， Marcoulides， G. A. ( ed.)， Lawrence Erlbaum Associates，Mah- wah, NJ, 1998b, 295： 295-336.
[94] liuber F，lerrmann A， Meyer F， et al. Kausalmodellierung mit
partial least squares ： eine anwendungsorientierte Einfuhrung [M]. Gabler，2007.
[95 ] Cohen J. Statistical power analysis for the behavioral sciences
[M]. lillsdale, NJ ： Lawrence Erlbaum ： 1988.
[96] Stone M. Cross - Validatory Choice and Assessment of Statistical
Predictions [J]. Journal of the Royal Statistical Society，1974, 36 (2) ： 111-147.
[97 ] Seymour Geisser. The Predictive Sample Reuse Method with Ap
plications [J ]. Journal of the American Statistical Association，1975， 70 (350)： 320-328.
[98 ] Fornell C，Cha J. Partial Least Squares [ M ]. in Advanced
Methods of Marketing Research， Bagozzi， R. P. (ed.)，Black- well， Cambridge， 1994 ： 152 - 178.
(责任编辑：马卓）
因篇幅问题不能全部显示，请点此查看更多更全内容