移動社交媒體用戶持續使用行為研究

孟 猛 朱慶華

(南京大學信息管理學院，江蘇 南京 210023)

·理論探索·

移動社交媒體用戶持續使用行為研究

孟 猛 朱慶華*

(南京大學信息管理學院，江蘇 南京 210023)

[目的/意義]文章旨在探究移動社交媒體用戶持續使用行為的影響因素及其相互關系，為移動社交媒體運營商提高用戶滿意度和忠誠度，增強用戶黏性，洞察用戶真正興趣和心理需求，培養用戶習慣等提供決策參考。[方法/過程]本文整合擴展的ECM-ISC模型、自我決定理論及習慣，構建移動社交媒體用戶持續使用行為概念模型，提出研究假設并設計調查問卷；針對微信用戶進行紙質問卷調查，共回收234份有效問卷，采用偏最小二乘法分析數據，在排除共同方法變異的影響下，對測量模型和結構模型進行評估，并對研究假設和調節效應進行驗證。[結果/結論]結果顯示，持續使用意愿和習慣直接影響移動社交媒體用戶持續使用行為，習慣對持續使用意愿和行為之間有負向的調節作用；使用后感知有用性、滿意度及自我功效正向顯著影響持續使用意愿；期望確認度對使用后感知有用性和滿意度產生直接影響；感知關系性和感知勝任性正向顯著影響內在動機，內在動機對滿意度正向影響顯著，滿意度對習慣產生直接影響。根據研究結論，對移動社交媒體(微信)運營商提出管理建議。

用戶；移動社交媒體；持續使用行為；概念模型；擴展的ECM-ISC；自我決定理論；微信；習慣；偏最小二乘法

社交媒體(Social Media)是以Web2.0的思想和技術為基礎并允許用戶創造和分享內容的一組互聯網應用程序[1]，如Twitter、Facebook、Google+等。而移動社交媒體(Mobile Social Media)是以移動終端設備(如智能手機等)為載體，通過“移動社交APP”實現社交媒體功能[2]。隨著移動互聯網、移動終端以及移動APP的日益發展，移動社交媒體用戶數量越來越多。據中國互聯網絡信息中心(CNNIC)2017年8月發布的《第40次中國互聯網絡發展狀況統計報告》顯示，截至2017年6月，中國網民規模達到7.51億，手機網民規模達7.24億，各類手機應用的用戶規模不斷上升，場景更加豐富[3]。由于移動社交類APP具有較高的同質性，移動社交類APP運營商之間的競爭十分激烈[4]。用戶在移動社交類APP之間使用切換成本比較低，使得用戶幾乎無需花費任何成本便可使用另一款移動社交APP。因此，如何提高用戶滿意度和忠誠度，增強用戶黏性，洞察用戶真正興趣和心理需求，培養用戶習慣等，確保用戶在初次使用后并保持持續使用，對移動社交類APP運營商來說尤為重要。

然而，信息系統的最初接受是實現信息系統成功的第一步，信息系統的長期存活和最終的成功取決于它的持續使用，而不是第一次使用[5]。從近幾年來國內外學者關于信息系統用戶持續使用的研究來看，主要集中在兩個方面：一是信息系統用戶持續使用意愿，主要以ECM-ISC模型或通過理論整合構建模型為基礎進行研究。趙英等[6]通過梳理和分析動機理論、使用與滿足理論、信息系統成功模型、期望確認理論，構建大學生持續使用社交媒體的影響因素概念模型，并采用同一測量量表對微信、微博和人人網進行實證研究，提出3種不同社交媒體的影響因素模型，為高校相關部門利用社交媒體提供依據和參考；陳明紅等[7]基于感知價值理論、信息質量理論和沉浸理論，研究了移動社交媒體用戶持續共享信息的影響因素和機制。類似的，其他學者[8-13]也開展了相關研究。除社交媒體(網絡)外，學者們還研究了其它主題，比如移動即時通訊[14-15]、位置分享[16-17]、移動閱讀[18-19]、移動圖書館[20]、網絡圖書館[21]、社會化閱讀[22]、社交問答平臺[23]、移動社交支付[24]以及網上團購[25]等。二是信息系統用戶持續使用行為，主要以ECM-ISC模型或以擴展的ECM-ISC模型為基礎進行研究。劉人境等[26]以ECM-ISC基礎，整合計劃行為理論(Theory of Planned Behavior，TPB)，引入感知娛樂、感知信任和習慣建立研究模型。研究發現，ECM-ISC與TPB集成在解釋SNS 的持續使用方面具有良好的適用性，并且該模型的整體解釋能力得到了增強。期望確認度對感知有用和滿意度影響顯著，滿意度對持續使用意向直接產生影響；王哲[27]以ECM-ISC模型為基礎，新增自變量(感知易用性、感知愉悅度和感知信任度)，引入習慣作為調節變量，構建社會化問答社區知乎用戶持續使用行為理論模型并實證研究。劉魯川等[28]以擴展的ECM-ISC模型為理論依據，結合移動搜索信息系統的特點，構建并實證了移動搜索用戶持續使用的理論模型；楊文正等[29]以擴展的ECM-ISC模型為基礎，對數字教育資源用戶持續使用行為進行研究；類似的，楊甜[30]和李宗富等[31]也做了相關研究。

綜上所述，國內外學者較多地關注以ECM-ISC模型或整合理論構建模型為基礎的用戶持續使用意愿研究，用戶持續使用行為研究相對較少。用戶持續使用行為研究主要以ECM-ISC模型或擴展ECM-ISC模型為基礎進行分析，而且在以ECM-ISC模型為基礎的用戶持續使用行為研究方面，主要將習慣作為持續使用意圖和行為之間的調節變量，延伸至用戶持續使用行為的研究。整合擴展的ECM-ISC模型、自我決定理論(Self-determination Theory，SDT)及習慣研究移動社交媒體用戶持續使用行為尚未發現。盡管已有研究為本文提供了有益借鑒，但是仍然存在一些問題和不足。一是擴展ECM-ISC模型僅從心里認知視角分析IS用戶持續使用行為，從內在動機視角分析IS用戶持續使用行為尚存不少空白；二是持續使用行為包括有意識的持續使用行為和習慣性使用行為，有意識的持續使用行為通過“持續使用意向”來解釋，在擴展ECM-ISC模型中習慣性使用行為并未得到解釋。鑒于此，本文在借鑒上述國內外學者研究成果的基礎上，整合擴展的ECM-ISC模型和自我決定理論，從心理認知與內在動機的雙重視角分析移動社交媒體用戶持續使用行為，引入習慣以便能夠更好地解釋移動社交媒體用戶持續使用行為。這也是本研究的創新之處，以期得到與以往不同且更加合理的解釋，為移動社交媒體(微信)運營商提供決策參考。

1 理論背景

1.1 擴展的ECM-ISC模型

Oliver R L[32]于1980年提出期望確認理論(Expectation-Confirmation Theory，ECT)，該理論是研究消費者滿意度的基本理論。在此基礎上，Bhattacherjee A(2001)[33]提出了信息系統持續使用模型(Expectation-Confirmation Model of IS Continuance，ECM-ISC)，并采用對在線銀行用戶的實地調查驗證該模型的假設。該模型由4個要素構成：感知有用性、期望確認度、滿意度和信息系統持續意向。Limayem M(2007)[34]整合習慣和ECM-ISC模型，對ECM-ISC模型進一步擴展，將最終因變量擴展到信息系統持續使用。隨后，為了提高ECM-ISC模型的魯棒性和預測能力，Bhattacherjee A(2008)等[35]對該模型提出了一些修改和擴展，刪除了使用后感知有用性和滿意度之間的關系。然而，任何人類行為理論模型的目標是預測行為而非意圖，比如理性行為理論(Theory of Reasoned Action，TRA)和計劃行為理論(TPB)。信息技術使用意向和行為之間的正向聯系已經在科技接受模型(Technology Acceptance Model，TAM)和技術接受使用統一理論(Unified Theory of Acceptance and Use of Technology，UTAUT)得到擴展。IT持續使用意愿是IT持續使用行為的必要非充分條件，如果用戶缺少訪問IT的資源或使用IT的技能，意愿可能無法轉化為實際行為。因而，Bhattacherjee A(2008)等[35]引入感知行為控制(Perceived Behavior Control，PBC)，增添信息技術自我功效和可控制性(也稱促成因素)兩個變量到ECM-ISC模型，即為擴展的ECM-ISC模型，增強了模型的解釋力[36]。

1.2 自我決定理論

美國心理學家Deci E L和Ryan R M[37]于1985年提出自我決定理論(Self-determination Theory，SDT)，它的核心要素是內在動機和外在動機，以及構成動機的一系列基本心理需求[38]。內在動機是指自己因為享受該活動過程，有意識地去做這件事。外在動機是指從事結果與活動本身相背離的活動，如追求獎勵或避免懲罰[39]。該理論還提出內在動機的采納或較多自我決定類型外在動機的內化，取決于3個基本心理需求的滿足：自主需求(Autonomy)、關系需求(Relatedness)和勝任需求(Competence)[40]。研究表明，在滿足這些需求的活動上人們更有可能堅持并有更好的定性表現。自主性是指個體渴望自我發起并自我調節行為；關系性是指個體渴望感受到與他人或群體有聯系；勝任性是指個體渴望在獲得有價值的結果時感覺到有效[41]，類似自我效能感。

1.3 習 慣

行為被習慣影響，但習慣與行為是有區別的。Aarts H和Dijksterhuis A[42]指出習慣是一種目標導向的自動行為形式，它代表了一個目標和有助于實現這個目標的行動之間的聯系。Triandis H C[43]和Kim B[44]認為習慣是指不假思索地自動發生的重復行為模式，因此它有助于保持習慣性行為。Ouellette J A和Wood W[45]發現過去行為對未來行為的直接影響最為顯著，因為在穩定的環境中行為會頻繁且持續地執行，同時行為意愿和實際使用之間的關系明顯減弱，習慣和實際使用之間的關系顯著增強。然而，多年以來習慣在其它學科已被廣泛地進行研究，尤其是社會心理學，然而信息系統領域的文獻很少關注[34]。在不同學科中，習慣通常被理解為“習得的行為序列自動地對特定的情況做出反應，這些特定的情況可能在獲得某些目標或結束狀態時起作用”[46]。本研究采用Limayem M等[34]對IS習慣的定義“IS習慣是指人們由于學習，傾向于自動地執行行為(使用IS)的程度”。根據該定義，習慣與意愿在概念上有相對較少的重疊，因此可以在解釋IS使用時提供額外的解釋力。

2 概念模型與研究假設

2.1 概念模型

本研究概念模型主要基于上述擴展的ECM-ISC模型、自我決定理論及習慣進行設計構建，如圖1所示。其中擴展的ECM-ISC模型作為本研究概念模型的基礎，由于擴展的ECM-ISC模型是從心理認知視角解釋“持續使用意愿”對“持續使用行為”的影響，“滿意度”變量主要通過“期望確認度”的短期影響來解釋，未能從用戶“內在動機”視角去解釋用戶“滿意度”和“持續使用意愿”。因此，本研究引入自我決定理論，從用戶內在動機的角度研究用戶長期穩定的使用移動社交媒體的心理動機及對“滿意度”和“持續使用意愿”的影響。然而，劉人境等[26]認為“持續使用行為”包括有意識和無意識的持續使用行為，而“持續使用意向”不能解釋無意識持續使用行為，即習慣性持續使用行為。基于此，本研究引入習慣變量，開展移動社交媒體用戶習慣性持續使用行為的研究，以期得到與以往不同且更加合理的解釋。

圖1 概念模型

2.2 研究假設

擴展的ECM-ISC模型是本研究概念模型的基礎，期望確認度(Expectation Confirmation，EC)是指用戶對移動社交媒體的初始期望與使用后實際體驗感受之間差距的程度。期望確認度正向影響使用后感知有用性和滿意度。一般而言，用戶對移動社交媒體的期望確認度越高，認為移動社交媒體越有用，對使用移動社交媒體越滿意。使用后感知有用性(Post-Usage Usefulness，PU)是指用戶在使用移動社交媒體后，從先前有用性認知中聚合而來形成一種長期不變的信念，它區別于TAM模型中的感知有用性。Bhattacherjee A(2008)等[35]根據TRA、TBP 和EDT 等理論,在論證了長期信念與持續使用意圖之間的關系后，認為使用后的感知有用性對用戶的持續使用意圖產生直接影響[47]。滿意度(Satisfaction，ST)是指用戶對比移動社交媒體使用前初始期望與使用后實際體驗感受而產生的心理狀態的總和，即用戶需求被滿足的程度。Bhattacherjee A(2008)等[35]的研究顯示滿意度正向影響用戶IS持續使用的意愿。持續使用意愿(Continuance Usage Intention，CUI)是指已經使用過移動社交媒體的用戶認為自己未來持續使用移動社交媒體的可能性或意愿[27]。持續使用行為(Continuance Usage Behavior，CUB)是指用戶持續不斷地使用移動社交媒體的實際行為。根據理性行為理論(TRA)，用戶使用移動社交媒體的意愿直接影響其持續使用行為。然而，IT持續使用意愿是IT持續使用行為的必要非充分條件，如果用戶缺少訪問IT的資源或使用IT的技能，意愿可能無法轉化為實際行為。因而，Bhattacherjee A(2008)等[35]引入感知行為控制(PBC)，增添兩個截然不同但又相互聯系的變量：自我功效(Self-Efficacy，SE)和可控制性(Controllability)。自我功效反映個體有能力獨立地完成預定行為的信念，關注的是個人技能和能力。如果用戶在使用移動社交媒體后，認為自己沒有能力使用，自然會產生放棄繼續使用的意愿。可控制性反映個體對執行該行為所需外部資源的控制感，也稱促成因素(Facilitating Conditions，FC)。與自我功效不同，促成因素正向影響用戶持續使用行為。如果用戶缺乏智能手機(終端)，或者不在無線網絡覆蓋范圍，即便用戶有持續使用移動社交媒體的意愿，也必須中斷持續使用的行為。由于擴展的ECM-ISC模型是本研究的理論基礎之一，該模型的提出者Bhattacherjee A(2008)等[35]以烏克蘭政府機構的管理和工作人員使用文件管理系統為背景，驗證了擴展的ECM-ISC模型7個假設；劉魯川等[28,47]以擴展的ECM-ISC模型為基礎，引進信息質量、系統質量和服務質量等變量，構建移動搜索用戶持續使用理論模型并提出研究假設，研究表明擴展的ECM-ISC模型7個假設均成立。鑒于此，本文提出研究假設如下：

H1a：移動社交媒體用戶的期望確認度正向影響使用后感知有用性。

H1b：移動社交媒體用戶的期望確認度正向影響滿意度。

H1c：移動社交媒體用戶使用后感知有用性正向影響持續使用意愿。

H1d：移動社交媒體用戶使用后滿意度正向影響持續使用意愿。

H1e：移動社交媒體用戶的持續使用意圖正向影響持續使用行為。

H1f：移動社交媒體用戶的自我功效正向影響持續使用意愿。

H1g：移動社交媒體用戶的促成因素正向影響持續使用行為。

根據自我決定理論，感知自主性(Perceived Autonomy，PA)是指用戶在使用移動社交媒體時對自主性的需要，即自我調節他們參與使用自己選擇的移動社交媒體的渴望。自我決定理論中的一個重要假設是與活動有關的感知自主性會增加內在動機。用戶根據自己的興趣，結合活動主題自主發表言論，主動建立好友關系，讓用戶感受到活動有感知自主性，從而會增加自我決定的內在動機。感知關系性(Perceived Relatedness，PR)是指用戶使用移動社交媒體時渴望能夠感受到與他人或群體聯系及關心和支持，從中體驗到一種歸屬感。用戶通過移動社交媒體能夠很方便地與他人或群體建立聯系，能得到他們關心和支持，滿足內心的歸屬感，進而影響內在動機。感知勝任性(Perceived Competence，PC)是指用戶在使用移動社交媒體時想要有效的渴望。自我決定理論認為，滿足這一顯著需要將影響內在動機。原因在于當移動社交媒體勝任性的需要被滿足時，用戶感覺到有能力使用移動社交媒體。生活中人們都希望被大家的認可和關注，用戶通過移動社交媒體發布自己感興趣的或分享有價值的信息，好友給予點贊或好評，用戶從中獲取成就感，進而影響內在動機。內在動機(Intrinsic Motivation，IM)是指一項活動的表現，沒有明顯的原因除了對它的真正興趣或享受執行過程之外[38,41]。對移動社交媒體有興趣的用戶更有可能對他們實際使用移動社交媒體感到滿意[41,48]。Sorebo O等[41]以自我決定理論為基礎，在教師利用在線學習技術與現場課程相結合的背景下，提出一個擴展的信息系統延續理論，研究表明感知自主性、感知關系性、感知勝任性對內在動機產生正向影響，內在動機正向影響用戶滿意度和持續使用意愿。鑒于此，本文提出研究假設如下：

H2a：用戶使用移動社交媒體時的感知自主性正向影響內在動機。

H2b：用戶使用移動社交媒體時的感知關系性正向影響內在動機。

H2c：用戶使用移動社交媒體時的感知勝任性正向影響內在動機。

H2d：用戶使用移動社交媒體時的內在動機正向影響滿意度。

H2e：用戶使用移動社交媒體時的內在動機正向影響持續使用意愿。

如上所述，習慣(HABIT)有很大的潛力去解釋與IS相關的行為，這些行為可能不會再是個人完全有意識的控制。Limayem M等[34]研究發現習慣對IS持續使用意愿與行為之間的關系起負向調節作用，對IS持續使用行為有直接效應。肖懷云[49]根據持續使用行為產生的原因，它被分為有意識的持續使用行為和習慣使用行為。劉人境等[50]認為有意識的持續使用行為是用“持續使用意圖”來解釋的，習慣性使用行為是用“習慣”來解釋的。然而，Aarts H等[51]認為當行動與個人最初希望獲得的目標密切相關時，令人滿意的經驗可能是重復同樣的動作。如果移動社交媒體用戶成功獲得他們意向的目標，在相同的情境線索和相關目標下，他們傾向于重復使用移動社交媒體。因此，移動社交媒體用戶的滿意度與習慣性使用的形成密切相關是可期待的[44]。基于上述分析，本文假設如下：

H3a：移動社交媒體用戶的滿意度正向影響習慣。

H3b：移動社交媒體用戶的習慣對持續使用意愿和持續使用行為的關系有負向的調節作用。

H3c：移動社交媒體用戶的習慣正向影響持續使用行為。

3 研究方法與數據分析

3.1 研究方法

3.1.1 量表設計

本研究所使用的量表均借鑒國內外相關文獻中已有成熟量表，對國外相關研究量表，進行雙向翻譯法翻譯，并根據移動社交媒體的主題特性做出相應調整設計問卷，其中感知信任(Perceived Trust，PT)為標記變量(Marker Variable)用于共同方法變異(Common Method Variance，CMV)檢驗。為確保問卷的有效性和可靠性，在正式問卷調查之前選取小部分移動社交媒體(微信)用戶進行預調查，根據預調查結果修改相關題項，最終問卷由兩部分構成：第一部分是用戶基本信息；第二部分是移動社交媒體(微信)用戶行為的測量，如表1所示。除持續使用行為外，其它潛變量的測量均采用李克特(Likert)七級等距量表[52]，其中“1”為完全不同意、“2”為不同意、“3”為比較不同意、“4”為不確定、“5”為比較同意、“6”為同意、“7”為完全同意，移動社交媒體(微信)用戶根據實際使用經歷進行選擇。

表1 移動社交媒體(微信)用戶行為概念模型變量選項

表1(續)

3.1.2 數據收集與樣本構成

截止到2017年第二季度，微信和WeChat的合并月活躍賬戶數達到9.63億[62]。據此，本研究選取微信作為移動社交媒體平臺，以此為研究對象具有一定的代表性。此外，據中國互聯網絡信息中心(CNNIC)2017年8月發布的《第40次中國互聯網絡發展狀況統計報告》顯示，截至2017年6月，中國手機網民規模達7.24億。從年齡結構來看，20～29歲年齡段的網民占比最高，達29.7%；30～39歲群體占比為23.0%。從職業結構來看，學生群體占比仍然最高，為24.8%[3]。另外，洪紅等[9]、陳昊等[11]及梁栩彬等[13]選取在校大學生進行問卷調查，開展移動社交媒體的相關研究。因此，本研究認為在校大學生樣本在一定程度上可以代表總體。

本研究問卷調查時間為2017年3～4月，調查對象為南京大學在校本生，采用便利抽樣法，發放300份紙質調研問卷，回收問卷279份，回收率為93%，剔除全部選"1"或"7"及其它無效問卷45份，有效問卷234份，有效率為78%。在有效樣本的人口統計學特征中，男生129人(55.10%)，女生105人(44.90%)；年齡范圍為16～22歲102人(43.60%)，23～30歲105人(44.90%)，31～35歲9人(3.80%)，36歲以上18人(7.70%)；學歷構成分別是本科117人(50.00%)，碩士93人(39.70%)，博士及以上24人(10.30%)；移動社交媒體(微信)使用經驗為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 樣本量評估

為了確保本研究樣本估計的穩健性，作為流行的經驗法則，Barclay D W等[63]建議最小樣本量應為測量模型最大題目數的10倍或結構模型最大路徑關系數的10倍。在本研究的概念中，測量模型最大題目數為6，結構模型最大路徑關系數為4，最小樣本量至少應為60個或40個。因此，本文研究的樣本數為234個，滿足Barclay D W等關于采用PLS數據分析最小樣本數的建議準則。

3.2 數據分析

本研究采用偏最小二乘法(Partial Least Squares，PLS)分析樣本數據，軟件工具包為Smart PLS 2.0，PLS屬于第二代統計學范疇的分析方法[64]。采用PLS理由在于：①PLS特別適合于預測[65]；②PLS可以處理反映型(Reflective)和形成型(Formative)測量模型[65]；③PLS可以最大限度地解釋方差[66]；④PLS適合探索式研究和理論發展以及復雜的模型，而且與研究的目標更接近[67]；⑤PLS容易用于測試調節效應[65,68]。由于PLS并沒有提供一個既定的全局擬合優度準則，通常評估模型分兩個階段進行：測量模型評估和結構模型評估，模型評估是指系統地評估結構模型所表達的假設是否被數據所支持[69，70]。同時，在運用SmartPLS計算時，估計方法選用路徑加權方案(Path Weighting Scheme)[71]，最大迭代次數為300；顯著性計算選用自助法(Bootstrapping)抽樣為5 000次[72]。

3.2.1 共同方法變異檢驗

在問卷調查時，由于所有測量題目均由同一被調查者填寫，就容易產生共同方法變異(CMV)的問題[73]。根據Podsakoff P M等[74]建議，在問卷設計過程中，為了確保問卷質量，對問卷進行兩次前測，并根據被調查者反饋信息修正問卷語義。在問卷調查過程中，采用被調查者信息匿名法[75]。同時，在數據分析前，使用Harman單因子鑒定法檢驗共同方法變異[76]，將該研究所有測量題目進行探索式因素分析，判斷標準為特征值是否大于1，在未旋轉時提取9個主成分共解釋總方差的73.2%，其中第一主成分解釋了總方差的31.6%，略高于解釋總方差的30%，顯示可能受CMV的影響。另外，根據Lindell等[77]的建議，采用標記變量技術(Marker Variable Technique)進行CMV檢驗，首先定義一個理論上與該研究無關的變量為標記變量——感知信任(Perceived Trust，PT)，計算該變量與結構模型內生變量之間的相關性。如果存在一定的相關性且顯著，由于標記變量是理論上不相關的變量，說明受到CMV的影響，然后通過標記變量排除多余的相關性[78]。經計算，感知信任(β=0.181，T=3.453)對使用后感知有用性(PU)正影響且顯著；感知信任(β=-0.216，T=4.91)對內在動機(IM)負影響且顯著，說明該研究受CMV的影響。因此，該研究采用標記變量——感知信任(Perceived Trust，PT)，在排除CMV的影響下進行數據分析。

3.2.2 測量模型評估

本文通過驗證性因子分析驗證測量模型的有效性和可靠性，Hair J F等[72]及Fornell C和Larcker D F[79]建議反映型測量模型的內部一致性：Cronbach’s Alpha>0.70(在探索性研究中，0.60≤Cronbach’s Alpha≤0.70被認為是可以接受的)，Nunnally J和Bernstein I[80]建議組成信度CR>0.70；測量題目可靠性：因子載荷值大于0.70，且大于交叉因子載荷值；收斂效度：平均方差萃取量AVE>0.50。從表2可知，在排除CMV的影響下，除促成因素(FC)的Cronbach’s Alpha=0.575不符合標準外，其它均符合標準，說明該測量模型的其它構念具有內部一致性、測量題目可靠性及收斂效度。另外，區別效度分析用于驗證模型潛變量之間相關性在統計上是否有差異。Bagozzi R P和Yi Y[81]認為AVE的算術平方根應大于構念之間Pearson相關數的絕對值，說明該測量模型的構念之間有較好的區分效度。從表3可知，在排除CMV的影響下，對角線粗體字為AVE的算術平方根，下三角為構念之間的Pearson相關系數，符合Bagozzi R P和Yi Y的標準，說明該測量模型具有區別效度。

表2 信度及收斂效度分析

表2(續)

表3 區別效度分析

本研究概念模型中持續使用行為(Continuance Usage Behavior，CUB)為形成型測量模型，該模型的評估方法與反映型測量模型的評估方法不同，評估可靠性沒有意義[70，82]。Diamantopoulos A[83]認為評估形成型測量模型主要評估有效性，而非可靠性。Henseler J等[84]建議從指標和結構(潛變量之間的關系)兩個層面評估形成型測量模型有效性。對于指標有效性的評估， Efron B[85]建議采用Bootstrapping及Miller R G[86]建議采用Jackknifing檢驗指標權重是否在p<0.05顯著[70]，Fornell C和Bookstein F L[87]建議通過方差膨脹因子(Variance Inflation Factor，VIF)評估形成型指標之間的多重共線性程度，Neter J等[88]認為VIF<4及Hair J F等[72]認為VIF<5顯示多重共線性并不是一個問題。對于結構效度(潛變量之間的關系有效性)的評估，Straub D等[89]認為潛變量和其他潛變量之間的關系在以前的文獻中已經被充分提及并且具有顯著意義，Bruhn M等[90]認為形成型潛在變量與其它潛在變量之間的相關性小于0.700，表明有足夠的區別效度，而且Lohm?ller J-B[91]建議路徑系數應大于0.100。經計算，在排除CMV的影響下，除CUB1(β=0.396，p=0.093)對CUB影響不顯著外，CUB2(β=0.420，p=0.001)和CUB3(β=0.500，p=0.001)對CUB影響均顯著且符合Efron B和Miller R G建議標準；CUB1的VIF=1.175，CUB2的VIF=1.257，CUB3的VIF=1.367，符合Neter J等建議標準；形成型潛在變量CUB與其它潛在變量的關系均來自以前的文獻回顧，而且相關性均小于0.700且符合Bruhn M等建議標準；除FC→CUB的路徑系數小于0.100外，其它路徑系數均大于0.100且符合Lohm?ller J-B。因此，為確保形成型潛在變量CUB有效性及區別效度，考慮刪除指標CUB1及路徑FC→CUB(H1g)，同時不在共線性問題得到驗證。

3.2.3 研究假設驗證

在排除CMV的影響下，刪除指標CUB1及路徑FC→CUB(H1g)，采用PLS對該模型的路徑關系進行分析，除PA(β=0.027，T=0.421)→IM(H2a)及IM(β=-0.014，T=0.245)→CUI(H2e)的路徑系數不顯著外，其它均顯著。刪除路徑PA→IM(H2a)及IM→CUI(H2e)，對研究假設進一步分析，檢驗結果全部顯著，該模型標準化路徑系數PLS分析結果如圖2所示。

注：*:P<0.05,**:P<0.01,***:P<0.001,n.s.:insignificance.圖2 概念模型路徑PLS分析結果

3.2.4 調節效應驗證

由于自變量CUI、調節變量HABIT、因變量CUB均為潛變量，采用SPSS24.0分析HABIT對CUI→CUB(H1e)之間的調節效應之前，該研究采取對3個潛變量分別求和再計算，對自變量CUI和調節變量HABIT做中心化變換[93]，再做CUB=a×CUI+b×HABIT+c×CUI×HABIT+e的層次回歸分析，若CUI×HABIT的回歸系數c檢驗顯著，則調節效應顯著，分析結果如表4所示。由表4知，CUI×HABIT的回歸系數c=-0.158且顯著，ΔR2=0.021且顯著。表明HABIT對CUI→CUB(H1e)之間有負調節效應，即當調節變量HABIT每增加一個標準差，自變量CUI對因變量CUB的斜率減少0.158個標準差。另外，采用PLS分析HABIT對CUI→CUB(H1e)之間的調節效應，調節效應(β=-0.172，T=3.957)→CUB的路徑系數顯著。通過兩種方式分析HABIT對CUI→CUB(H1e)之間的調節效應，回歸系數(c=-0.158)與路徑系數(β=-0.172)相差甚微，HABIT對CUI →CUB(H1e)之間的負調節效應得到驗證。

3.2.5 結構模型評估

對于結構模型的評估主要看每個內生潛在變量的決定系數R2。Chin W W[93]認為內生潛在變量的決定系數R2近似為0.670表示實務上解釋能力，R2約為0.333表示中度解釋能力，R2約為0.190表示解釋能力薄弱。同時，還要評估結構模型中潛變量之間的路徑系數，Huber F等[94]認為潛變量之間的路徑系數應該大于0.100，且在p<0.05顯著[70]。另外，Chin W W[93]和Cohen J[95]認為可以根據Cohen J的f2值評估結構方程模型中每條路徑的影響大小(Effect Size)，0.0200.350分別表示外生變量對內生變量的影響力低、中、高。對于結構模型的預測相關性評估，可以采用非參數Stone-Geisser檢驗[96-97]，該檢驗采用一個樣本重用技術Blindfolding程序創建殘差估計。Hair J F等[72]認為結構模型的預測相關性Q2應該大于0，而且被檢驗模型預測相關性越好，Q2就越大[70,98]。經計算，在排除CMV的影響下，決定系數(根據Chin W W[93]的標準)：0.214≤R2(CUB、CUI、IM、PU、ST、HABIT)≤0.483表示具有中度解釋能力；路徑系數(根據Huber F等[94]的標準)：從表3知，潛變量之間的路徑系數均大于0.100且顯著；影響大小(根據Chin W W[93]和Cohen J[95]的標準)：f2(CUI→CUB)= 0.099(低)、f2(HABIT→ CUB)= 0.021(低)，f2(PU→ CUI)= 0.1(低)、f2(SE→CUI)= 0.063(低)、f2(ST→CUI)= 0.086(低)，f2(PC→IM)= 0.12(低)、f2(PR→IM)= 0.034(低)，f2(ST→ HABIT)= 0.272(中)，f2(EC→PU)=0.599(高)，f2(EC→ST)= 0.447(高)、f2(IM→ST)= 0.159(中)；預測相關性(根據Hair J F等[72]及Fornell C等[98]的標準)：0.148≤Q2(CUB、CUI、IM、PU、ST、HABIT)≤0.327表示內生潛在變量有較好的預測相關性。

表4 習慣調節作用的層次回歸分析

注：*:P<0.05,**:P<0.01,***:P<0.001,N=234

4 討論與結論

4.1 結果討論

本研究在借鑒國內外學者研究成果的基礎上，整合擴展的ECM-ISC模型、自我決定理論及習慣，構建移動社交媒體用戶持續使用行為概念模型。根據本研究概念模型，提出研究假設和問卷設計并以微信為例收集樣本數據，采用PLS分析數據，在排除CMV的影響下，對測量模型和結構模型進行評估，并對研究假設和調節效應進行驗證，主要有以下研究發現：

1)持續使用意愿和習慣對移動社交媒體用戶持續使用行為產生直接影響，共同解釋23.2% 持續使用行為的方差變異。相對于習慣(β=0.165，p<0.05)而言，持續使用意愿(β=0.359，p<0.001)的影響更大，該結果與Limayem M等[34]2007年在MIS Quarterly發表的文章研究結果相近。從影響效應大小來看，f2(CUI→ CUB)= 0.099、f2(HABIT →CUB)= 0.021，說明持續使用意愿大于習慣對持續使用行為的解釋能力。而且，習慣(β=-0.172，T=3.957)對持續使用意愿和持續使用行為的關系有負向的調節作用，這一結果與Limayem M等[34]、劉人境等[26]研究相一致。但是，本研究促成條件對持續使用行為影響不顯著，可能原因是隨著移動互聯網和移動智能終端的普及，對移動社交媒體(微信)用戶來說，使用移動社交媒體(微信)的促成條件已不成問題。然而，前人的研究對象大多是功能型信息系統，如數字資源教育系統[29]、文件管理系統[35]等，促成條件是必須的，進而對持續使用行為產生直接影響。因此，本研究移動社交媒體(微信)用戶持續使用行為受到有意識的使用行為和習慣性使用行為的雙重作用。這一結果表明，用戶使用移動社交媒體(微信)強烈意愿和習慣可以直接促使用戶使用移動社交媒體(微信)行為的發生。

2)使用后感知有用性、滿意度及自我功效正向顯著影響持續使用意愿，共同解釋40.0% 持續使用意愿的方差變異。就路徑系數而言，使用后感知有用性(β=0.321，p<0.001)對持續使用意愿的影響要大于滿意度(β=0.269，p<0.001)及自我功效(β=0.219，p<0.001)，這一結果與Bhattacherjee A等[35]、劉魯川等[28]等研究一致。從影響效應大小來看，f2(PU→CUI)= 0.1、f2(ST→CUI)= 0.086、f2(SE→CUI)= 0.063，說明使用后感知有用性對持續使用意愿的解釋能力要大于滿意度和自我功效。這一結果表明用戶只有在實際生活中通過使用移動社交媒體(微信)，感覺對自己有用，對整個使用過程和結果滿意，自己有能力使用，才會產生后續持續使用的意愿。

3)期望確認度對使用后感知有用性和滿意度產生直接影響，期望確認度解釋43.1%使用后感知有用的方差變異，期望確認度和內在動機共同解釋48.3%滿意度的方差變異，并通過他們對移動社交媒體(微信)用戶持續使用意愿和行為產生間接影響。就路徑系數而言，期望確認度(β=0.597，p<0.001；β=0.518，p<0.001)對使用后感知有用性的影響略大于對滿意度的影響，這一結果與Bhattacherjee等[35]、楊文正等[29]等研究一致。從影響效應大小來看，f2(EC→PU)=0.599、f2(EC→ST)= 0.447，說明期望確認度對使用后感知有用性的解釋能力略大于滿意度。這一結果表明，擴展的ECM-ISC模型中期望確認度對使用后感知有用性和滿意度具有較穩健的解釋力。在使用移動社交媒體(微信)后，用戶的期望確認度越高，認為移動社交媒體(微信)越有用，對使用移動社交媒體(微信)越滿意。

4)感知關系性和感知勝任性正向顯著影響內在動機，共同解釋35.7% 內在動機的方差變異，感知自主性對內在動機正向影響不顯著。就路徑系數而言，感知勝任性(β=0.412，p<0.001)對內在動機的影響大于感知關系性(β=0.225，p<0.05)。從影響效應大小來看，f2(PC→IM)= 0.12、f2(PR→IM)= 0.034，說明感知勝任性對內在動機的解釋能力略大于感知關系性。這一結果與Sorebo O等[41]略有不同，Sorebo O等的研究結果是感知自主性和感知勝任性正向顯著影響內在動機。進一步研究發現，Sorebo O等的研究對象是在線學習系統，非社會化媒體系統，感知關系性并不是內在動機的充分條件，感知自主性和感知勝任性才是最重要的因素。本研究對象為移動社交媒體(微信)，是一種社會化媒體平臺，感知關系性是影響內在動機的因素之一。因此，用戶通過使用移動社交媒體(微信)與他人或群體建立聯系，擴大他們的交際圈，發布自己感興趣的或分享有價值的信息，好友給予點贊或好評，從中獲取成就感，進而增強用戶使用移動社交媒體(微信)的內在動機。然而，用戶雖然感知到自主性對他們很重要，但是移動社交類APP有較多的選擇性，用戶對自主性的敏感性就會降低，進而降低用戶使用移動社交媒體(微信)的內在動機。

5)內在動機對滿意度正向影響顯著，內在動機和期望確認度共同解釋48.3%滿意度的方差變異。就路徑系數而言，期望確認度(β=0.518，p<0.001)對滿意度的影響大于內在動機(β=0.309，p<0.001)。從影響效應大小來看，f2(EC→ST)= 0.447、f2(IM→ST)= 0.159，說明期望確認度對滿意度的解釋能力大于內在動機。這一結果與Sorebo O等[41]研究一致，移動社交媒體(微信)用戶使用前的預期在使用后得到確認的程度將對用戶滿意度產生重要影響，同時對移動社交媒體(微信)正真有興趣的用戶，他們對實際使用移動社交媒體(微信)也會感到滿意。但是，內在動機對持續使用意愿不具有顯著影響關系，這說明用戶興趣與持續使用移動社交媒體(微信)的關系不太明顯，并不是持續使用移動社交媒體(微信)的充分條件，使用后感知有用才是最重要的因素。

6)滿意度對習慣產生直接影響，解釋21.4% 習慣的方差變異。從路徑系數和影響效應大小來看，滿意度對習慣影響的路徑系數β=0.462且p<0.001，f2(ST→HABIT)= 0.272，說明滿意度對習慣正向影響非常穩健，這一結果與Kim B[44]研究一致。因此用戶使用移動社交媒體(微信)一旦達到目的，他們就會感到滿意。在相同的情境線索和相關目標下，他們傾向于重復使用移動社交媒體(微信)進而形成習慣，并通過習慣間接影響持續使用行為。

4.2 結論及啟示

4.2.1 研究結論

本研究通過整合擴展的ECM-ISC模型、自我決定理論及習慣，構建移動社交媒體用戶持續使用行為概念模型，以微信用戶為實證對象，采用PLS對該模型進行了驗證，探究了移動社交媒體用戶持續使用行為的影響因素及其相互關系。在排除CMV的影響下，本研究測量模型具有較好的信度和效度，結構模型中12假設(共15個)得到驗證，概念模型整體具有較強的解釋能力及較好的預測能力，假設檢驗結果形成了以下的研究結論：①從心理認知角度來看，在擴展的ECM-ISC模型中，諸如期望確認度、使用后感知有用性、滿意度、持續使用意愿等變量是影響用戶持續移動社交媒體的關鍵因素。②從內在動機角度來看，自我決定理論SDT中感知關系性和感知勝任性是影響移動社交媒體用戶內在動機的關鍵因素。同時突破了擴展的ECM-ISC模型中滿意度僅受到期望確認度的正向影響的局限，揭示了滿意度還受到內在動機的正向影響。③本研究引入習慣這一變量，分析了滿意度對習慣的正向影響及習慣對持續使用行為的正向影響，并分析了習慣對持續使用意向和行為的關系有負向調節作用的機理，擴展了解釋持續使用行為的影響因素，彌補了現有研究的不足。

4.2.2 研究啟示

根據本研究結論，對移動社交媒體(微信)運營商給出管理建議如下：1)擴展的ECM-ISC模型中，期望確認度對使用后感知有用性和滿意度均正向顯著影響。因此，移動社交媒體(微信)運營商應合理塑造用戶期望，期望過高或過低都會影響用戶的持續使用意愿和行為，同時增強移動社交媒體(微信)的實用性，不斷開發新功能，增強用戶使用后有用性感知，提高用戶對產品的滿意度和忠誠度，確保用戶在初次使用后并保持持續使用。2)移動社交媒體(微信)運營商應從內在動機角度洞察用戶的真正興趣和心理需求，從感知關系性和感知勝任性兩個方面強化用戶的內在動機。因此，移動社交媒體(微信)運營商應增強用戶社交功能，鼓勵朋友圈相互關心和支持，提醒朋友圈定期溝通聯系等，讓用戶切實感受到移動社交媒體(微信)能夠幫助自己管理人際關系。同時增強用戶自我展示功能，對用戶在朋友圈等發布自己感興趣的或分享有價值的信息，除好友給予點贊或好評外，移動社交媒體(微信)可以建立聲譽跟蹤機制，用戶從中獲取成就感。3)移動社交媒體(微信)應加強用戶使用習慣的培養，可根據用戶每天上線的次數、停留時間的長短、與好友互動的次數以及用戶發布感興趣的或分享有價值的信息數量，對用戶給予不同形式不同級別的獎勵，鼓勵用戶持續使用，培養用戶的習慣性使用行為。另外，雖然本研究以微信為例，但是研究結論和啟示亦可廣泛適用于各大移動社交媒體平臺。

4.3 研究意義與局限性

本研究的目的是探討如何提高對移動社交媒體(微信)用戶忠誠度及增強用戶黏性，確保用戶在初次使用后并保持持續使用，穩定和吸收更多用戶群體，促進移動社交媒體(微信)穩定持續發展。基于此，本研究通過整合擴展的ECM-ISC模型、自我決定理論及習慣，構建移動社交媒體用戶持續使用行為概念模型，試圖從心理認知與內在動機的雙重視角分析移動社交媒體用戶持續使用行為，引入習慣以便能夠更好地解釋移動社交媒體用戶持續使用行為，這是本研究的創新之處，以期得到與以往不同且更有力的理論解釋。本研究的意義包括兩個方面：1)理論方面：從國內外學者研究成果來看，主要以ECM-ISC模型或以擴展的ECM-ISC模型為基礎，開展信息系統用戶持續使用行為研究，還未發現整合擴展的ECM-ISC模型、自我決定理論(Self-determination Theory，SDT)及習慣構建概念模型，開展移動社交媒體用戶持續使用行為研究。未來的研究者可考慮采用本研究概念模型或在本研究概念模型的基礎上引入新的變量等，對如何提高對移動社交媒體(微信)用戶忠誠度及增強用戶黏性做進一步的探索。2)實踐方面：本研究對移動社交媒體(微信)運營商提高用戶忠誠度及增強用戶黏性具有一定的實踐指導意義，移動社交媒體(微信)運營商可根據本研究結論開展相應的工作。

當然，本研究也存在一定局限性。主要集中在3個方面：1)本研究調查樣本主要來自在校大學生，未考慮其它移動社交媒體(微信)用戶，雖然在校大學生群體具有一定的代表性，但選擇更廣泛的用戶群體作為研究對象，本研究概念模型的通用性會更好。2)本研究所采用的數據為橫截面數據，不能反映各潛變量之間相互關系的動態變化，未來可考慮在移動社交媒體(微信)終端安裝數據采集器獲取用戶行為數據，做進一步的研究。3)本研究持續使用意愿和習慣共同解釋23.2% 持續使用行為的方差變異，該結果與Limayem M等[34]研究結果(R2=0.211)相近。筆者通過便利抽樣訪談，總結發現用戶使用移動社交媒體(微信)主要受親朋好友、同學同事等在用或業務往來、工作需要使用等的影響，這與計劃行為理論(Theory of Planned Behavior，TPB)中“主觀規范”的相符合。此外，移動社交媒體(微信)平臺的友好性、便捷性等直接影響用戶的行為控制感知，進而對用戶持續使用意愿和行為產生影響。因此，下一步考慮在本研究概念模型中引入TPB 中的“主觀規范”和“感知行為控制”這兩個潛變量，以期對用戶持續使用移動社交媒體(微信)得到更好的解釋。

[1]Kaplan A M，Haenlein M.Users of the World,Unite! The Challenges and Opportunities of Social Media[J].Business Horizons,53(1):59-68.

[2]趙宇翔,張軒慧,宋小康.移動社交媒體環境下用戶錯失焦慮癥(FoMO)的研究回顧與展望[J].圖書情報工作,2017,(8):133-144.

[3]中國互聯網絡信息中心.第40次《中國互聯網絡發展狀況統計報告》[EB/OL].http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201708/P020170807351923262153.pdf,2017-08-04.

[4]黃柏淅,朱小棟.移動社交類APP用戶持續使用意愿的影響因素研究[J].現代情報,2016,(12):57-64.

[5]劉莉. 社交網站用戶持續使用行為研究——基于信息獲取和人際交互的視角[J]. 情報理論與實踐,2012,35(11):17-22.

[6]趙英,范嬌穎.大學生持續使用社交媒體的影響因素對比研究——以微信、微博和人人網為例[J].情報雜志,2016,(1):188-195.

[7]陳明紅,鄭潔萍,漆賢軍.移動社交媒體用戶信息共享持續意愿研究[J].情報理論與實踐,2017,(4):37-43.

[8]曹歡歡,姜錦虎,胡立斌.社交網絡持續使用:從眾行為和習慣調節作用[J].華東經濟管理,2015,(4):156-162.

[9]洪紅,徐迪.移動社交應用的持續使用意愿影響因素研究——探討網絡外部性和羊群行為的共同作用[J].經濟管理,2015,(5):40-50.

[10]葛仲夏,顧東曉,顧佐佐.社交網絡工具持續使用影響因素的實證研究[J].圖書館學研究,2015,(1):34-40.

[11]陳昊,李文立,柯育龍.社交媒體持續使用研究:以情感響應為中介[J].管理評論,2016,(9):61-71.

[12]黃柏淅,朱小棟.移動社交類APP用戶持續使用意愿的影響因素研究[J].現代情報,2016,(12):57-64.

[13]梁栩彬,甘春梅.移動社交媒體沉迷的影響因素研究:以微信為例[J].情報理論與實踐,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,2015,39(8):658-677.

[15]Oghuma A P,Libaque-Saenz C F,Wong S F,et al.An expectation-confirmation model of continuance intention to use mobile instant messaging[J].Telematics & Informatics,2016,33(1):34-47.

[16]周濤,方文侃.移動社交APP位置分享服務持續使用研究[J].杭州電子科技大學學報：社會科學版,2016,(3):1-7.

[17]陳明紅,孫順,漆賢軍.移動社交媒體位置信息分享持續意愿研究——隱私保護視角[J].圖書館論壇,2017,(4):58-67.

[18]Hu J,Zhang Y.Understanding Chinese Undergraduates’ Continuance Intention to Use Mobile Book-Reading Apps:An Integrated Model and Empirical Study[J].Libri,2016,66(2):85-99.

[19]趙婉穎.社交因素對用戶移動閱讀持續使用的影響研究[J].圖書館學研究,2016,(20):87-95.

[20]Zhao Y,Deng S,Zhou R.Understanding Mobile Library Apps Continuance Usage in China:A Theoretical Framework and Empirical Study[J].Libri,2015,65(3).

[21]Joo S,Choi N.Understanding users’ 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,趙星.大學生社會化閱讀APP持續使用意愿及發生機理研究[J].中國圖書館學報,2016,(1):52-65.

[23]趙文軍,易明,王學東.社交問答平臺用戶持續參與意愿的實證研究——感知價值的視角[J].情報科學,2017,(2):69-74,91.

[24]趙延昇,高佳.移動社交支付APP用戶持續使用意愿研究——主觀參照的調節作用[J].大連理工大學學報：社會科學版,2015,(4):47-52.

[25]Hsu M H，Chang C M，Chuang L W.Understanding the Determinants of Online Repeat Purchase Intention and Moderating Role of Habit：The Case of Online Group-buying in Taiwan[J].International Journal of Information Management，2015，35(1)：45-56.

[26]劉人境,柴婧,張莉莉.綜合類SNS社交網絡個人用戶持續使用行為的影響因素研究[J].知識管理論壇,2013,(5):25-37.

[27]王哲.社會化問答社區知乎的用戶持續使用行為影響因素研究[J].情報科學,2017,(1):78-83,143.

[28]劉魯川,孫凱,王菲,等.移動搜索用戶持續使用行為實證研究[J].中國圖書館學報,2011,(6):50-57.

[29]楊文正,張靜,劉敏昆,等.數字教育資源用戶持續使用行為實證研究——基于擴展的ECM-ISC模型[J].中國電化教育,2015,(11):54-61.

[30]楊甜.高校圖書館微信公眾平臺用戶持續關注行為影響因素研究[J].情報探索,2017,(2):95-103.

[31]李宗富,郭順利.檔案微信公眾號用戶持續使用的理論模型及實證研究[J].檔案學研究,2017,(2):80-88.

[32]Oliver R L.A Cognitive Model of the Antecedents and Consequences of Satisfaction Decisions[J].Journal of Marketing Research,1980,17(4):460-469.

[33]Bhattacherjee A.Understanding Information Systems Continuance:An Expectation-Confirmation Model[J].Mis Quarterly,2001,25(3):351-370.

[34]Limayem M,Hirt S G,Cheung C M K.How 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):17-26.

[36]曹園園,李君君,秦星紅.SNS采納后階段用戶持續使用行為研究——基于情感依戀與ECM-IS的整合模型[J].現代情報,2016,36(10):81-88.

[37]Deci E L,Ryan R M.Intrinsic Motivation and Self-Determination in Human Behavior[M].Springer US,1985.

[38]Gagné M,Deci E L.Self-determination theory and work motivation[ J].Journal of Organizational Behavior,2005,26(4):331-362.

[39]Ryan R M,Deci E L.Intrinsic and Extrinsic Motivations:Classic Definitions and New Directions[J].Contemporary Educational Psychology,2000,25(1):54.

[40]Roca J C,Gagné M.Understanding e-learning continuance intention 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:automaticity 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,Wood 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]劉魯川,孫凱.基于擴展ECM-ISC的移動搜索用戶持續使用理論模型[J].圖書情報工作,2011,55(20):134-137,148.

[48]楊根福.MOOC用戶持續使用行為影響因素研究[J].開放教育研究,2016,(1):100-111.

[49]肖懷云.MC消費者持續使用行為演化分析[J].西安電子科技大學學報：社會科學版,2011,21(6):49-54.

[50]劉人境,柴婧.SNS社交網絡個人用戶持續使用行為的影響因素研究[J].軟科學,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 Characteristics on the Means and Reliabilities of Ratings[J].Educational & Psychological Measurement,1972,32(2):255-265.

[53]陳瑤,邵培基.社交網站持續使用的實證研究——基于改進的期望確認模型[J].信息系統學報,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 Utilization[J]. Mis Quarterly,1991,15(1):125-143.

[56]Venkatesh V,Morris M G,Davis G B,et al.User Acceptance of Information Technology:Toward a Unified View[J]. Mis Quarterly,2003,27(3):425-478.

[57]Taylor S,Todd P A.Understanding Information Technology Usage:A Test of Competing Models[M].Information Systems Research(6:2)，1995：144-176.

[58]Limayem M,Cheung C M K.Understanding 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 User 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 Usage[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]騰訊.騰訊2017年第二季度及中期業績[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 Use as an Illustration[J].Technology Studies,1995,2(2):285-309.

[64]Fornell C.A Second generation of multivariate analysis :classification 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 of PLS-PM in MIS quarterly[J].MIS Quarterly,2012,36(1):3-14.

[66]Teo H H,Wei K K,Benbasat I.Predicting Intention to Adopt Interorganizational Linkages:An Institutional Perspective.[J].Mis Quarterly,2003,27(1):19-49.

[67]Hair J F,Sarstedt M,Ringle C M,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]Huang Q,Chen X,Ou C X,et al.Understanding buyers’ loyalty 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]Urbach N,Ahlemann F.Structural equation modeling in information systems research using Partial Least Squares[J].Jitta Journal of Information Technology Theory & Application,2010,11.

[71]Henseler J.On the convergence of the partial least squares path modeling algorithm[M].Kluwer Academic Publishers,2010.

[72]Hair 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]吳壽進,方文昌,黃恒獎.虛擬社群成員識別匿名性與群體規范之研究：外在自我覺察與社群認同之中介效果[J].資訊管理學報,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]趙衛東,吳繼紅,王穎.組織學習對員工—組織匹配的影響——知識慣性調節作用的實證研究[J].管理工程學報,2012,26(3):7-14.

[76]Podsakoff P M,Organ D W.Self-Report in Organizational Research[J].Journal of Management,1986,12(4):531-544.

[77]Lindell M K,Whitney D J.Accounting for common method variance 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 I.Psychometric Theory,3rd edn,New York:McGraw-Hill,1994.

[81]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.

[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 models:interpretation and modeling implications[J].Journal of Modelling in Management,2006,1(1):7-17.

[84]Henseler J,Ringle C.M,Sinkovics R.R.The use of partial least squares path modeling in international marketing[J],Advances in International Marketing,2009,20:277-320.

[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:LISREL and PLS applied to consumer exit-voice theory[J].Journal of Marketing Research,1982,19(4):440-452.

[88]Neter J,Wasserman W,Kutner M H.Applied linear regression models[M].Homewood 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,Hadwich K.Customer equity management as formative second-order construct[J].Journal of Business Research,2008,61(12):1292-1301.

[91] Lohm?ller J-B.Latent variable path modeling with partial least squares[M].Heidelberg:Physica-Verlag,1989.

[92]溫忠麟,侯杰泰,張雷.調節效應與中介效應的比較和應用[J].心理學報,2005,37(2):268-274.

[93]Chin W W.The partial least squares approach for structural equation modeling[J].In Modern Methods for Business Research,Marcoulides,G.A.(ed.),Lawrence Erlbaum Associates,Mahwah,NJ,1998b,295:295-336.

[94]Huber F,Herrmann A,Meyer F,et al.Kausalmodellierung mit partial least squares :eine anwendungsorientierte Einführung[M].Gabler,2007.

[95]Cohen J.Statistical power analysis for the behavioral sciences[M].Hillsdale,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 Applications[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.),Blackwell,Cambridge,1994:152-178.

StudyonMobileSocialMediaUsers’ContinuousUsageBehavior

Meng Meng Zhu Qinghua

(School of Information Management，Nanjing University，Nanjing 210023,China)

[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 validated the hypothesis and the moderating effect under the influence of excluding common methods of variation.[Result/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.

user;mobile social media;continuous usage behavior;conceptual model;extended ECM-ISC;self-determination theory;WeChat;habit;partial least squares

10.3969/j.issn.1008-0821.2018.01.001

C931.6

A

1008-0821(2018)01-0005-14

2017-09-19

國家社會科學基金重大項目“面向大數據的數字圖書館移動視覺搜索機制與應用研究”(項目編號15ZDB126)。

孟猛(1977-)，男，副研究員，博士研究生，研究方向：互聯網用戶行為，信息安全風險管理。

朱慶華(1963-)，男，教授，博士生導師，研究方向：社會化媒體，互聯網用戶行為，信息政策與法規。

馬 卓)