旅游App用戶粘性與購買意向：互動性視角

張初兵++李義娜++吳波++李東進

[摘 要]旅游App間的激烈競爭不斷升級。如何提高旅游App用戶粘性與購買意向是企業亟須解決的重要問題。文章以“信念→態度→行為”為框架，綜合運用互動性理論與流體驗理論，構建旅游App互動性影響用戶粘性與購買意向的路徑模型。采用問卷調查法，收集211份有效樣本，執行偏最小二乘估計法，研究發現：預期互動性會正向影響感知互動性，但對用戶滿意沒有直接影響；感知互動性不僅會直接影響而且還會通過流體驗間接作用于用戶滿意；流體驗和用戶滿意不僅會直接影響而且還會通過用戶粘性間接影響購買意向；感知互動性和流體驗對用戶粘性與購買意向影響的總效應都很強。在理論上，發展了旅游App使用行為理論，豐富了互動性理論的應用范圍；在實踐上，提出時刻關注用戶對互動性的預期與著力強化旅游App互動性體驗兩點建議。

[關鍵詞]旅游App；預期互動性；感知互動性；流體驗；用戶粘性

[中圖分類號]F59

[文獻標識碼]A

[文章編號]1002-5006（2017）06-0109-10

Doi： 10.3969/j.issn.1002-5006.2017.06.015

引言

隨著移動互聯技術的發展與智能手機的全球普及，人們越來越青睞使用手機來查閱旅游信息、分享旅游體驗、購買旅游產品。截至2015年12月，我國有超過2.10億網民通過手機預訂機票、酒店、火車票或旅游度假產品，較2014年12月底增長7569萬人，增長率為56.4%，其中，使用手機在線旅游預訂的比例由24.1%提升至33.9%[1]。同時，政府積極推動“互聯網+旅游”，在線旅游移動化趨勢加劇，旅游企業競爭開始逐漸由PC端轉向移動端，旅游App由此應運而生，并成為企業爭奪的焦點。2016年2月，國內旅游App下載量排名前三的依次為攜程旅行、去哪兒旅行與同程旅游[2]。企業確要關注旅游App的下載量，但更要提高用戶粘性與購買意向，因為它們決定活躍度與流量變現。

近年來，國內外僅有少數學者探討旅游App使用行為。這些研究主要是基于計劃行為理論與 技術接受模型來剖析人們為何會采納和使用旅游App[3-4]。當前，各種旅游App都積累了大量用戶，面對同類App的激烈競爭，如何提高用戶粘性與購買意向成為難題。在實踐中，企業做法之一就是想方設法提高用戶的互動性體驗。比如，優化用戶界面、提供個性化內容。然而，并未有學者探討旅游App互動性會如何影響用戶粘性與購買意向。本文以“信念→態度→行為”為框架，綜合運用互動性理論與流體驗理論，從互動性視角揭示旅游App用戶粘性與購買意向的形成機制，具有重要的理論與現實意義。

1 相關文獻分析

1.1 旅游App使用行為

App的英文全稱為Application，其在漢語中常被翻譯為應用、應用服務、應用程序或應用軟件等。本文將旅游App定義為在手機與平板電腦等移動終端上安裝的與旅游相關的應用程序或軟件，如攜程旅行、途牛旅游等。

近年來，有學者開始對旅游App使用行為進行探索。Morosan和DeFranco以美國酒店顧客為被試，通過模擬酒店App使用情境，研究發現顧客之所以會在酒店App上公開個人信息，主要是源于他們信任該系統且認為能從中獲得價值[5]?；谟媱澬袨槔碚?，Chang等解析了中國游客為何會使用臺灣醫療旅游App，結果表明游客對App卷入、易用性與有用性的評價越高，就越會對App產生積極的態度，從而更愿意使用它[3]。他們還發現來自親朋好友的影響會直接強化游客的使用意愿，而自我效能會通過感知行為控制間接作用于使用意愿。李東和與張鷺旭修改了技術接受模型，以中國游客為樣本，檢驗發現高自我效能者會覺得旅游App更易用/有用，因而會更愿意下載使用。雖然高自我效能者會感到更低的風險，但這并不會對下載使用行為產生消極影響[4]。

總體上看，上述研究主要是以計劃行為理論和技術接受模型為理論基礎，并且主要是以下載和使用意愿為結果變量。然而，學者們卻沒有回答用戶為何會持續使用旅游App，甚至會購買其推薦的產品。顯然，促使人們下載和使用旅游App只是第一步，而如今多數旅游App都擁有大量的用戶，為此，企業尤為關注兩個問題，即在激烈的市場競爭中，如何保留住用戶并提高其使用頻率，以及如何促使用戶購買其推薦的產品。因而，本文擬研究旅游App用戶粘性與購買意向的形成機制。

1.2 預期與感知互動性

互動性是互聯網的核心特征[6]，甚至有人將其視為互聯網的本質。顯然，互動性必然是以移動互聯網為基礎App的關鍵特征。然而，目前關于App互動性的研究卻非常少見。為探究旅游App的互動性，下文對預期與感知互動性研究中的主要觀點進行歸納。

預期互動性（expected interactivity）是指個體擬與某種信息工具（如網站）互動時，他們期望體驗到的互動程度[7]。根據預期的形成方式，學者們將預期分為兩種類型：偶然預期（contingent expectation）和蓄意預期（intentional expectation）[8]。前者是指對那些超出人們控制范圍之外事件（如自然災害）的預測。當人們的預測不符合現實時，他們會立刻對其做出調整。后者是指基于不斷試錯的重復學習形成的信念。這種習得信念至少部分被自己掌控，并會保持很長一段時間。即使出現一些反面事例，它們也不會被輕易改變。Sohn等認為預期互動性屬于蓄意預期而非偶然預期[7-8]。也就是說，個體會從類似的重復互動中學習，進而產生對互動性的穩定信念。比如，個體對旅游App互動性的預期取決于他們先前與相似App的互動體驗。

Newhagen等于1995年首次提出感知互動性（perceived interactivity）[9]。此后，研究者的興趣主要集中于網站感知互動性。它被定義為個體在與網站互動過程中體驗到的一種心理狀態[10]。網站感知互動性是一個多維構念，其維度主要包括可控性、響應性和個性化[11]。大量研究表明，個體對網站互動性感知越好，他們就越會表現出更加積極的情感與行為。其背后的機制主要有三種觀點。首先，感知互動性具有直接效應。據Song和Zinkhan的觀點，網站感知互動性會提高滿意度、正面口碑相傳與重復購買意向[12]。Kim等還發現網站感知互動性會積極影響對網站的信任與態度[13]。其次，以感知價值為中介變量。Coursaris等都認為感知互動性會通過娛樂性、有用性等感知價值維度間接作用于忠誠度[14-15]。然而，Park等在研究對滿意度的影響時卻得出相悖的結論[16-17]。比如，前者認為可控性會增加功能價值，而后者卻發現二者關系不顯著。最后，以流體驗為中介變量。Van Noort等證實流體驗會中介感知互動性與情感變量（對網站和品牌的態度）/行為變量（推薦意向、再瀏覽意向和購買意向）之間的關系[18]。

綜上可見，預期互動性與感知互動性是兩個不同的構念，但鮮有學者探討預期互動性與感知互動性的關系。此外，學者們都認為網站感知互動性會積極影響重復使用意向與購買意向，并且感知價值與流體驗會對這種影響起著中介作用。這啟發我們可以從互動性視角來探討預期和感知互動性如何影響旅游App用戶粘性與購買意向。進一步，之所以選取流體驗作為關鍵的中間變量，是因為它是一種最優的、令人愉快的體驗，對粘性等行為變量有很強的解釋力[19]。

2 模型與假設

計劃行為理論認為信念決定態度，而態度又影響行為。本文以旅游App為研究對象，以“信念→態度→行為”為框架，綜合運用互動性理論與流體驗理論，設計出旅游App互動性影響用戶粘性與購買意向的路徑模型，見圖1。

2.1 預期、感知互動性與用戶滿意

個體預期對其評價的影響存在兩種相對立的機制[7]。一種是期望不一致，即正向不一致（比預期好）會導致積極評價，而負向不一致（比預期差）會導致消極評價。以產品購買為例，消費者對所購產品的評價取決于他們在購買前對產品的預期以及在購買后對績效的實際感知。當預期結果小于感知績效時，消費者會給予產品積極評價。反之，當預期結果大于感知績效時，他們會給予產品消極評價。

另一種是一致性原則，即個體不論績效比預期好還是差，在評價時都會盡力保持與最初預期一致，因為他們不喜歡超出預期的結果。這種機制也可以用社會心理學中的同化理論加以解釋[20]。預期結果與感知績效不一致會使得個體產生消極情緒。為降低甚至消除這種消極情緒，當二者的差距不大時，個體會更傾向于調整感知績效以達到自己的預期。Sohn等指出期望不一致更適合解釋偶然預期，而一致性原則更適合解釋蓄意預期[7]。

由于預期互動性屬于蓄意預期[7-8]，所以預期互動性與感知互動性及用戶滿意的關系符合一致性原則。具體來看，用戶對旅游App互動性的預期越高，他們對其互動性感知的評價就會越好，也會感到更加滿意。在美國顧客滿意度指數模型中，也存在類似的邏輯，即顧客預期對感知價值與顧客滿意均有積極的影響。據此，提出如下假設：

H1：預期互動性會正向影響感知互動性（H1a）與用戶滿意（H1b）

2.2 感知互動性、流體驗與用戶滿意

現有研究并未檢驗旅游App感知互動性對流體驗與用戶滿意的影響。不過，有關感知互動性的研究成果為推演三者之間的關系提供了理論基礎。Song和Zinkhan執行多次實驗研究都發現消費者對購物網站互動性的評價越高，他們就會表現出更高的滿意度[12]。Zhao和Lu以微博用戶為研究對象，基于問卷調查數據，已證實微博感知互動性與滿意度之間存在正向關系[21]。Yoo等采用問卷調查數據，驗證電子口碑系統感知互動性會積極影響消費者決策支持滿意度[22]。這些研究一致地肯定了感知互動性與滿意度正相關。本文將該結論延伸至旅游App使用情境。據此，提出如下假設：

H2a：感知互動性會正向影響用戶滿意

個體能否進入流體驗狀態主要取決于技能與挑戰[23]。技能是指個體成功完成既定任務的能力，而挑戰是指完成任務需要的所有努力。流體驗只會發生在技能與挑戰水平都高時，即個體擁有高的技能以完成高挑戰性的任務。以旅游App為例，如果用戶不能從中找到想要的信息，或是它給予用戶的輸入反饋很慢，就很可能是用戶掌握的技能很難滿足旅游App使用要求，即技能與挑戰不匹配。反過來說，用戶對旅游App互動性的評價越高，就能越好地實現技能與挑戰的平衡，進而就會越容易進入流體驗狀態。Van Noort等和Zhang等都驗證網站感知互動性與流體驗正相關[18，24]。據此，提出如下假設：

H2b：感知互動性會正向影響流體驗

2.3 流體驗、用戶滿意/粘性與購買意向

流體驗會影響個體的態度與行為[25]。OCass和Carlson認為流體驗是個體對先前體驗進行認知加工之后形成的積極結果，并發現處于流體驗狀態的消費者會對網站更加滿意[26]。流體驗與滿意度之間的正向關系也在虛擬旅游社區[19]、移動支付服務[27]、網上銀行[28]、移動商務[29]等背景下得到了多次驗證。為此，筆者有理由相信流體驗會提高滿意度。據此，在旅游App背景下，提出如下假設：

H3a：流體驗會正向影響用戶滿意

當個體進入流體驗狀態時，他們會感到非常享受，并希望再次獲得這種體驗。在互聯網背景下，諸多研究都表明流體驗會帶來積極的行為（如粘性或忠誠），甚至有學者發現流體驗對行為的預測力強于滿意度[19，29]。因而，當旅游App用戶進入流體驗狀態時，他們會感到時間過得很快，進而會在其上花費更多的時間。同時，他們會感到非常享受，并希望再次獲得這種體驗，所以會增加對其的使用頻率。此外，研究者還發現流體驗會提高網絡購物意向[30]、移動支付意向[31]。那么，高流體驗者就會更愿意購買旅游App中的產品。據此，提出如下假設：

H3b：流體驗會正向影響用戶粘性

H3c：流體驗會正向影響購買意向

滿意會引發積極的行為。以虛擬社區為研究對象，Gao等、Elliot等與Li等都證實社區成員越滿意，他們對社區的粘性就越強[19，32-33]。此外，Gao等用來自中國的數據統計檢驗發現移動購物滿意度會提高持續使用意向[29]。Ha和Stoel研究發現美國大學生從網上購買服裝的滿意度會提高他們的網絡購物意向[34]。因而，如果用戶對旅游App不滿意，那么就很難增加使用頻率和時間，就更不可能購買其中的產品。也就是說，用戶滿意與用戶粘性、購買意向均正相關。進一步，陳曄等指出旅游網站粘性會提高購買意向[35]。基于上述分析，提出如下假設：

H4a：用戶滿意會正向影響用戶粘性

H4b：用戶滿意會正向影響購買意向

H5：用戶粘性會正向影響購買意向

3 研究設計

3.1 變量測量

為測量概念模型中的6個變量，選取已有研究中的成熟量表，翻譯并修改問項以符合旅游App使用情境。所有變量均采用Likert 7點量表，1表示“非常不同意”，7表示“非常同意”。問項具體內容見表1。

預期互動性是指個體在使用某旅游App之前期望體驗到的互動程度。針對預期互動性的測量很少見，只有Sohn和Choi從知覺、語義和行為三方面設計開發出預期互動性量表[8]。據此，通過修改并執行預調查得到旅游App預期互動性量表。

感知互動性是指用戶在與某旅游App互動過程中體驗到的心理狀態。綜合借鑒Song和Zinkhan、Lee等、Chu和Yuan對網站感知互動性的測量[12，36-37]，基于可控性、響應性和個性化3個維度，設計出旅游App感知互動性量表。

流體驗是指某旅游App用戶以完全卷入的方式采取行動所體驗到的整體感受，而購買意向是指用戶對購買某旅游App推薦產品可能性的評價。流體驗與購買意向量表來源于Kim和Han研究智能手機網站廣告時使用的量表[38]。

滿意是指某旅游App用戶通過對比預期與實際感知后得到的情感狀態，而粘性是指用戶經常使用某旅游App或延長持續停留時間的意愿。根據Gao及其合作者研究中使用的量表[19，29]，測評旅游App用戶滿意與粘性。

3.2 數據收集

關于樣本量，社會科學研究所需樣本量應大于預測因子數的15倍[29]。本模型中有6個預測因子，所以樣本量至少要達到90。此外，結構方程模型法要求樣本量必須超過200[39]。因此，本文設定的最小樣本量為200。

本研究委托國內專業的在線調查公司（問卷星）在其樣本庫中進行隨機抽樣調查。問卷星有超過260萬樣本庫成員，其樣本服務已得到知名高校與企業的信賴，如北京大學、神戶大學、阿里巴巴、奔馳等。在具體執行時，以智能手機用戶為調研對象，只有那些安裝并使用過旅游App的用戶才能填答問卷，要求選出最近一次使用的旅游App，并對與該旅游App直接相關的問題給予評價。據此，2016年5月16日至21日，問卷星隨機發放并回收答卷293份。剔除答題時間過長/過短以及前后不一致等無效問卷，共得到有效答卷211份，有效率為72%，滿足上述提及的最小樣本量要求。

在被調查者中，45.97%的是男性；年齡主要集中于26至40歲（85.78%）；絕大多數擁有本科學歷（78.20%）；過半工作類型為公司職員（65.40%）；月收入處于4000～6000元、6001～8000元、8001～10000元的占比，依次為27.01%、23.22%、26.54%；年旅游消費支出額超5000元的占比最高，為44.55%，其次為4001～5000元（29.86%）；過去一年旅游次數為2次（29.86%）和3次（23.22%）的居多；最近一次使用旅游App排列前三的依次為攜程旅行（35.07%）、去哪兒旅行（18.48%）和途牛旅游（15.17%）。

3.3 分析方法

為統計檢驗結構方程模型，研究者通常會采用兩種方法：基于協方差分析法與基于方差偏最小二乘法。首先，前者要求大樣本且數據至少要服從近似正態分布，但后者對這兩點都不十分敏感[40]。其次，后者比前者更適用于理論發展與探索性調查[41]。最后，后者比前者有更強的統計功效，尤其是針對小樣本[42]。基于這些差異，本文將使用基于方差偏最小二乘法。一方面是因為本文收集的數據相對較少且很難服從多元正態分布，另一方面是因為本研究目的是剖析旅游App互動性如何影響用戶粘性與購買意向，這是對已有理論的發展。此外，分析軟件使用SmartPLS 2.0。

4 數據分析

4.1 測量模型分析

根據Henseler等提出的標準[43]，對測量模型的信度（指標信度和內部一致性信度）與效度（收斂效度和判別效度）進行評價。

從表1可知，所有觀測指標的載荷系數都大于0.7，并都在0.001水平下顯著。這表明指標信度是令人滿意的[44]。此外，各變量的Cronbachs α均在0.8以上。同時，組合信度（CR）的最小值為0.879。為此，內部一致性信度都達到標準[45]。最后，平均方差萃取量（AVE）都超過臨界值0.5（AVEmin=0.569）?？梢?，量表具有較好的收斂效度[46]。

判別效度檢驗目的在于揭示各變量之間的差異程度。本文采用Fornell和Larcker給出的標準[46]，即要求AVE算術平方根要大于變量之間相關系數絕對值。從表2可知，對角線上的AVE算術平方根都大于對角線左下方的相關系數值，說明判別效度滿足要求。

4.2 結構模型分析

在SmartPLS 2.0中，設定211個樣本，5000次抽樣，執行非參數Bootstrapping檢驗，得到直接效應與總效應及其顯著性水平。

從擬合效果看，內生變量感知互動性、流體驗、用戶滿意、用戶粘性與購買意向的R2依次為26.5%、47.9%、60.8%、65.3%、26.5%。顯然，這些R2都大于臨界值0.1[47]，表明數據與模型的擬合度高，模型具有較好的預測力。

從直接效應看，預期互動性對感知互動性有積極的影響（β = 0.514，p < 0.001），但它不會直接影響用戶滿意（β = 0.003，n.s.），而會通過感知互動性的傳遞才能發揮作用。感知互動性不僅會直接正向影響用戶滿意（β = 0.433，p < 0.001），而且還會通過流體驗間接作用于用戶滿意，即感知互動性先影響流體驗（β=0.692，p<0.001），繼而流體驗再影響用戶滿意（β=0.413，p<0.001）。此外，流體驗還會正向影響用戶粘性（β=0.432，p<0.001）和購買意向（β=0.265，p<0.001）。用戶滿意也會正向影響用戶粘性（β=0.441，p<0.001）和購買意向（β=0.261，p<0.001）。用戶粘性會提高購買意向（β=0.319，p<0.001）。邏輯關系見圖2。

從總效應看，感知互動性對流體驗的影響強于預期互動性（0.692>0.356）。用戶滿意影響因素對其作用強度從大到小依次為感知互動性、流體驗與預期互動性（0.719>0.413>0.373）。感知互動性（0.616）和流體驗（0.614）對用戶粘性的影響差異不大，但它們都強于預期互動性（0.318）和用戶滿意（0.441）。按照總效應從大到小排序，影響購買意向的因素依次為流體驗、感知互動性、用戶滿意、用戶粘性與預期互動性（0.569>0.567>0.401>0.319>0.293）。

5 討論

5.1 主要結論

基于“信念→態度→行為”框架，本文對互動性理論與流體驗理論進行整合，構建并檢驗旅游App互動性影響用戶粘性/購買意向的路徑模型，研究發現除預期互動性不會直接影響用戶滿意之外，其他所有路徑關系均在0.001水平上顯著。具體來看：預期互動性會正向影響感知互動性，但對用戶滿意沒有直接影響；感知互動性不僅會直接影響而且還會通過流體驗間接作用于用戶滿意；流體驗和用戶滿意不僅會直接影響而且還會通過用戶粘性間接影響購買意向；感知互動性和流體驗對用戶粘性與購買意向影響的總效應都很強。

此外，預期互動性之所以不會直接影響用戶滿意，可能是因為期望不一致與一致性原則兩種相對立機制同時在起作用。具體來看，期望不一致機制認為預期互動性與用戶滿意負相關，而一致性原則卻認為預期互動性與用戶滿意正相關。當上述兩種機制下的正負效應強度相差不大時，預期互動性與用戶滿意的直接關系就會不顯著。S?derlund指出消費者對高/低熟悉服務有不同的評價框架，即當高熟悉服務時，他們更傾向于采用期望不一致評價機制，反之，當低熟悉服務時，他們更傾向于一致性原則評價機制[48]。由此，我們可以推測，在當前階段，用戶對旅游App互動性的預期處在中等水平，所以上述兩種對立機制都起作用但相互抵消。

5.2 理論貢獻

本文首次從互動性視角對旅游App用戶粘性與購買意向的形成機制進行探索，研究發現具有重要的理論貢獻，主要體現在下述三點：

首先，使用互動性理論研究旅游App使用行為。以往互動性研究多關注網站互動性，但卻較少探究旅游App等新媒體的互動性。另外，學者們對旅游App使用行為研究依然不夠，已有文獻主要是基于計劃行為理論與技術接受模型來建構理論解釋[3-4]，但并未剖析旅游App特征（如互動性）對其使用行為的影響。為此，本文以預期/感知互動性為起點以揭示其對旅游App用戶粘性與購買意向的影響，有助于拓展互動性理論的應用范圍，也為解釋旅游App使用行為提供新的視角。

其次，檢驗預期與感知互動性的關系及其影響。雖然有關感知互動性的研究成果十分豐富，也有學者提及預期互動性會影響感知互動性[8]，但是對于二者關系及其影響的實證研究卻非常少見。本研究發現預期互動性確實會提高感知互動性，但二者對后續評價的影響卻存在差異，如預期互動性只會通過感知互動性間接作用于滿意度。這不同于Sohn等提出的觀點[7-8]。他們認為預期互動性屬于蓄意預期，它對評價的影響適用于一致性原則，即預期互動性會提高滿意度。本研究中二者的直接關系不顯著，也就是說，期望不一致與一致性原則兩種對立機制同時存在且強度相當，豐富了互動性理論。

最后，選取用戶粘性與購買意向為行為變量。現有旅游App研究者只停留于探究用戶的下載使用意愿的形成機制[3-4]，而并未剖析用戶粘性與購買意向的形成機制。其實，后者研究結論對用戶保留及流量變現的指導意義會更大。本文在區分預期與感知互動性的基礎上，提取出流體驗和用戶滿意兩個中間變量，檢驗它們對用戶粘性與購買意向的影響。本研究發現除預期與感知互動性之間的路徑關系不顯著之外，其他變量之間的路徑關系均得到驗證。同時，還發現感知互動性與流體驗在提高用戶滿意、粘性與購買意向上發揮著重要作用。這些結論有力推動了旅游App使用行為理論的發展。

5.3 實踐啟示

本研究結論對旅游App管理者從互動性角度維系用戶關系以及實現流量變現有重要的實踐啟示。

首先，時刻關注用戶對互動性的預期。本研究表明旅游App互動性預期會影響用戶對旅游App的態度與行為。具體來看，預期互動性會通過感知互動性和流體驗間接作用于用戶滿意，繼而流體驗和用戶滿意不僅會直接影響購買意向，而且還會通過用戶粘性間接作用于購買意向。從總效應表可知，預期互動性對用戶滿意、粘性與購買意向的作用強度都在0.3左右，即預期互動性變化1個單位，用戶滿意、粘性與購買意向會相應地變化0.3個單位。據此，營銷人員通過廣告、事件與體驗等多種促銷方式，可以適度提高用戶對旅游App互動性的預期，這將有助于提高用戶滿意、粘性與購買意向。然而，隨著時間的推移，用戶會越來越熟悉旅游App，期望不一致機制會起主導作用[48]，這時提高互動性預期反而會帶來消極影響，即會降低用戶滿意、粘性與購買意向。因而，營銷人員在制定促銷方案時，要正確理解互動性預期水平。

其次，著力強化旅游App互動性體驗。相比預期互動性，旅游App感知互動性在提高用戶滿意、粘性與購買意向上起著更為重要的作用。另外，本研究還發現感知互動性會正向影響流體驗，而流體驗又會正向影響用戶滿意、粘性與購買意向，這些作用強度并不比感知互動性的弱。為此，運營方需要對旅游App進行優化設計，從而使得用戶的互動性體驗更好，最終促使他們進入流體驗狀態。他們可以從可控性、響應性與個性化3方面下足功夫。比如，依據用戶需求與習慣，優化頁面布局與導航系統，使得用戶能快速找到想要的信息；關注軟件的運行速度與反饋機制，要確保用戶的輸入能得到快速有效的回應；基于用戶使用行為數據，對界面與內容等盡量做到個性化與定制化。值得注意的是，不能盲目在旅游App上增加互動性特征或功能，因為并不是互動性特征或功能越多，用戶的互動性體驗就越好，這取決于是否使用以及使用的效果[12]。

5.4 不足與展望

本研究還存在一些不足，為未來探索提供了空間。首先，樣本量相對較少，可以增加樣本量以再次檢驗模型。其次，預期與感知互動性之間的關系不顯著，或許是由于調節變量的干擾，所以建議從文獻中提取熟悉度等變量以揭示調節效應。再次，采用問卷調查法獲得的截面數據不能有效驗證變量之間的因果關系。在條件允許的情況下，可以開展縱向研究。最后，將預期與感知互動性以及流體驗視作為單維構念進行測量。其實，它們在很多研究中也被界定為多維構念，所以可以剖析不同維度之間的差異化關系。

參考文獻（References）

[1] CNNIC. The 37th China Internet Network Development Statistics Reporting[EB/OL]. http：//www.cnnic.cn/hlwfzyj/hlwxzbg/hlwtjbg/ 201601/P020160122444930951954.pdf. [中國互聯網信息中心. 第37次中國互聯網絡發展狀況統計報告[EB/OL]. http：//www.cnnic.cn/hlwfzyj/hlwxzbg/hlwtjbg/201601/P02016012244493095195 4.pdf.]

[2] Ctcnn.com. The downloads TOP10 of domestic booking tourism Apps in February 2016[EB/OL]. http：// www.ctcnn.com/html/2016-03-18/17934958.html. [勁旅網. 2016年2月國內預訂類旅游App下載量TOP10 [EB /OL]. http：//www.ctcnn.com/html/2016-03-18/17934958.html.]

[3] Chang I， Chou P， Yeh R K， et al. Factors influencing Chinese tourists intentions to use the Taiwan medical travel App[J]. Telematics and Informatics， 2016， 33（2）： 401-409.

[4] Li Donghe， Zhang Luxu. Model of influential factors for downloading and using tourism apps based on a technology acceptance model[J]. Tourism Tribune， 2015， 30（8）： 26-34. [李東和， 張鷺旭. 基于TAM的旅游App下載使用行為影響因素研究[J].旅游學刊，2015，30（8）：26-34.]

[5] Morosan C， DeFranco A. Disclosing personal information via hotel apps： A privacy calculus perspective[J]. International Journal of Hospitality Management， 2015， 47（7）： 120-130.

[6] Cho C， Cheon H J. Cross-cultural comparisons of interactivity on corporate web sites： The United States， the United Kingdom， Japan， and South Korea[J]. Journal of Advertising， 2005， 34（5）： 99-115.

[7] Sohn D， Ci C， Lee B. The Moderating effects of expectation on the patterns of the interactivity-attitude relationship[J]. Journal of Advertising， 2007， 36（3）： 109-119.

[8] Sohn D， Choi S M. Measuring expected interactivity： Scale development and validation[J]. New Media & Society， 2013， 16（5）： 1-15.

[9] Newhagen J E， Cordes J W， Levy M R. Audience scope and the perception of interactivity in viewer mail on the Internet[J]. Journal of Communication， 1995， 45（3）： 164-175.

[10] Mcmillan S J. Interactivity is in the eye of the beholder： Function， perception， involvement， and attitude toward the web site[C]. Proceedings of the Conference-American Academy of Advertising， 2000： 71-78.

[11] Wu G. Conceptualizing and measuring the perceived interactivity of websites[J]. Journal of Current Issues & Research in Advertising， 2006， 28（1）： 87-104.

[12] Song J H， Zinkhan G M. Determinants of perceived web site interactivity[J]. Journal of Marketing， 2008， 72（2）： 99-113.

[13] Kim J， Spielmann N， Mcmillan S J. Experience effects on interactivity： Functions， processes， and perceptions[J]. Journal of Business Research，2012， 65（11）： 1543-1550.

[14] Coursaris C K， Sung J. Antecedents and consequents of a mobile websites interactivity[J]. New Media & Society， 2012， 14（7）： 1128-1146.

[15] Cyr D， Head M， Ivanov A. Perceived interactivity leading to eloyalty： Development of a model for cognitive–affective user responses[J]. International Journal of Human-Computer Studies， 2009， 67（10）： 850-869.

[16] Park M， Park J. Exploring the influences of perceived interactivity on consumers e-shopping effectiveness[J]. Journal of Customer Behavior， 2009， 8（4）： 361-379.

[17] Yoo W， Lee Y， Park J. The role of interactivity in e-tailing： Creating value and increasing satisfaction[J]. Journal of Retailing and Consumer Services， 2010， 17（2）： 89-96.

[18] van Noort G， Voorveld H A M， van Reijmersdal E A. Interactivity in brand web sites： Cognitive， affective， and behavioral responses explained by consumers online flow experience[J]. Journal of Interactive Marketing， 2012， 26（4）： 223-234.

[19] Gao L， Bai X， Park A T. Understanding sustained participation in virtual travel communities from the perspectives of is success model and flow theory[J]. Journal of Hospitality & Tourism Research， 2014， 38（4）：1-35.

[20] Xu Xianying， Ma Qinhai. Research on the relationships among expectation， perceived service quality and customer satisfaction[J]. Forecasting， 2011， 30（4）： 14-19. [徐嫻英， 馬欽海. 期望與感知服務質量、顧客滿意的關系研究[J].預測，2011，30（4）： 14-19.]

[21] Zhao L， Lu Y. Enhancing perceived interactivity through network externalities： An empirical study on micro-blogging service satisfaction and continuance intention[J]. Decision Support Systems， 2012， 53（4）： 825-834.

[22] Yoo C W， Kim Y J， Sanders G L. The impact of interactivity of electronic word of mouth systems and E-Quality on decision support in the context of the e-market place[J]. Information & Management， 2015， 52（4）： 496-505.

[23] Wang L C， Hsiao D F. Antecedents of flow in retail store shopping[J]. Journal of Retailing and Consumer Services， 2012， 19（4）： 381-389.

[24] Zhang H， Lu Y， Gupta S， et al. What motivates customers to participate in social commerce？ The impact of technological environments and virtual customer experiences[J].Information & Management， 2014， 51（8）： 1017-1030.

[25] Hoffman D L， Novak T P. Flow online： Lessons learned and future prospects[J]. Journal of Interactive Marketing， 2009， 23（1）： 23-34.

[26] O'Cass A， Carlson J. Examining the effects of website-induced flow in professional sporting team websites[J]. Internet Research， 2010， 20（2）： 115-134.

[27] Zhou T. An empirical examination of continuance intention of mobile payment services[J]. Decision Support Systems， 2013， 54（2）： 1085-1091.

[28] Lee K C， Kang I， McKnight D H. Transfer from offline trust to key online perceptions： An empirical study[J]. IEEE Transactions on Engineering Management， 2007， 54（4）： 729-741.

[29] Gao L， Waechter K A， Bai X. Understanding consumers continuance intention towards mobile purchase： A theoretical framework and empirical study： A case of China[J]. Computers in Human Behavior， 2015， 53（6）： 249-262.

[30] Richard M O， Chandra R. A model of consumer web navigational behavior： Conceptual development and application[J]. Journal of Business Research， 2005， 58（8）： 1019-1029.

[31] Zhou T. An empirical examination of continuance intention of mobile payment services[J]. Decision Support Systems， 2013， 54（2）： 1085-1091.

[32] Elliot S， Li G， Choi C. Understanding service quality in a virtual travel community environment[J]. Journal of Business Research， 2013， 66（8）： 1153-1160.

[33] Li G， Elliot S， Choi C. Electronic word-of-mouth in B2C virtual communities： An empirical study from Ctrip. com[J]. Journal of Global Academy of Marketing， 2010， 20（3）： 262-268.

[34] Ha S， Stoel L. Online apparel retailing： Roles of e-shopping quality and experiential e-shopping motives[J]. Journal of Service Management，2012， 23（2）： 197-215.

[35] Chen Ye， Yi Liusu， He Chuan，et al. Tourism website stickiness and its impact factors： Based on the dual system cognitive process theory[J]. Tourism Tribune， 2016， 31（2）： 53-63. [陳曄， 易柳夙， 何釧， 等. 旅游網站的粘性及其影響因素——基于雙系統認知理論[J].旅游學刊，2016，31（2）：53-63.]

[36] Lee D， Moon J， Kim Y J. Antecedents and consequences of mobile phone usability： Linking simplicity and interactivity to satisfaction， trust， and brand loyalty[J]. Information & Management， 2015， 52（3）： 295-304.

[37] Chu K， Yuan B J C. The effects of perceived interactivity on e-trust and e-consumer behaviors： The application of fuzzy linguistic scale[J]. Journal of Electronic Commerce Research， 2013， 14（1）： 124-136.

[38] Kim Y J， Han J. Why smartphone advertising attracts customers： A model of web advertising， flow， and personalization[J]. Computers in Human Behavior， 2014， 33（9）： 256-269.

[39] Hoelter J W. The analysis of covariance structures goodness-of-fit indices[J]. Sociological Methods & Research， 1983， 11（3）： 325-344.

[40] Chin W W， Marcolin B L， Newsted P R. A partial least squares latent variable modeling approach for measuring interaction effects： Results from a Monte Carlo simulation study and an electronic-mail emotion/adoption study[J]. Information Systems Research， 2003， 14（2）： 189-217.

[41] Barclay D， Higgins C， Thompson R. The partial least squares （PLS） approach to causal modeling： Personal computer adoption and use as an illustration[J]. Technology Studies， 1995， 2（2）： 285-309.

[42] Lu I R R， Kwan E， Thomas D R， et al. Two new methods for estimating structural equation models： An illustration and a comparison with two established methods[J]. International Journal of Research in Marketing， 2011， 28（3）： 258-268.

[43] Henseler 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（1）： 277-319.

[44] Bagozzi R P， Yi Y， Phillips L W. Assessing construct validity in organizational research[J]. Administrative Science Quarterly， 1991， 36（1）： 421-458.

[45] Bagozzi R P， Yi Y. On the evaluation of structural equation models[J]. Journal of the Academy of Marketing Science， 1988， 16（1）： 74-94.

[46] 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.

[47] Lew Y K， Sinkovics R R. Crossing borders and industry sectors： Behavioral governance in strategic alliances and product innovation for competitive advantage[J]. Long Range Planning， 2013， 46（1）： 13-38.

[48] S?derlund M. Customer familiarity and its effects on satisfaction and behavioral intentions[J]. Psychology & Marketing， 2002， 19（10）： 861-879.