社交商務平臺用戶在線購買行為組態研究

中圖分類號：F713.36 文獻標志碼：A 文章編號：1674-8131（2025）03-0032-15

引用格式：.社交商務平臺用戶在線購買行為組態研究——基于AISAS模型和扎 根理論的fsQCA分析[J].西部論壇，2025，35（3）：32-46.

YANG Jin-long，CHEN Long-sheng，ZHOU Bing-rui.A configurational study of users’online purchase behavior on social commerce platforms：An fsQCA analysis based on the AISAS model and grounded theory [J].West Forum，2025，35（3）： 32-46.

一、引言

根據中國互聯網絡信息中心（CNNIC）發布的第55次《中國互聯網絡發展狀況統計報告》，截至2024年12月，我國網民規模近11.08億人，互聯網普及率達 78.6% 。隨著互聯網的發展，電子商務迅速崛起并不斷迭代，成為釋放內需潛力、擴大市場規模的加速器。傳統電商通過標準化的交易流程實現服務的高效化和規模化，但在個性化體驗和用戶粘性方面存在不足，而社交商務平臺（SocialCommercePlatform，SCP）通過對“用戶—平臺—內容\"關系鏈的整合升級，為用戶提供集購物、社交、信息獲取于一體的數字化體驗（Busalimet al.，2021）[1]，快速成長為一種新的電子商務模式（王昕天 等，2019）[2]。在各類互聯網應用軟件中，即時通信、網絡媒體、短視頻的用戶規模位居前三，其社交屬性促進了社交網絡的形成和發展。在此背景下，以拼多多拼團、抖音直播帶貨、小紅書種草社區等為代表的社交商務平臺在整合社交與購物過程中重塑著用戶的決策路徑（張曉等，2025）[3」。作為社交商務的載體，社交商務平臺在電子商務中融合了社交元素，為用戶提供了一個社交互動和商品交易相結合的綜合性環境，并通過用戶生成內容（UGC）、社交分享、算法推薦等功能使在線消費更加社交化和個性化，對用戶在線購買行為和習慣產生了顯著的差異化影響（Akramet al.，2021）[4]。那么，哪些因素決定了社交商務平臺用戶的在線購買行為，是值得深入研究的重要課題。

近年來，社交商務平臺的用戶在線購買行為受到學界廣泛關注，眾多文獻從不同角度探討了其影響因素。比如：Shen和 Eder（2011）[5]采用技術接受理論模型驗證了平臺交互性設計對用戶購買意愿的正向強化作用;劉宏和張小靜（2017）[°基于強弱關系理論和互動理論從互動場所、方式、對象和內容4個方面分析社交商務平臺用戶的互動關系，并構建了用戶互動關系模型;Lazaroiu等（2020）[7研究發現，社交商務平臺用戶的感知風險、感知易用性以及在線信任等顯著影響其在線購買決策過程;王興標和谷斌（2020）[8]基于結構方程模型探究了社交商務平臺質量、用戶網購認知、社群關系強度對用戶感知信任和風險的影響，并分析了用戶感知信任和風險作為中介變量影響用戶購買意愿的機制;Wang等（2022）[9]通過元分析發現，信任對社交商務平臺用戶的購買意愿具有積極影響，并且社區中的用戶往往可以獲得更多信任;Chandra等（2022）[10]研究發現，個性化推薦系統可以有效緩解用戶信息過載現象，從而提升用戶決策效率;Santos（2022）[11]認為，用戶生成內容是驅動用戶信任和創新的核心因素，有助于形成集內容、互動和消費為一體的平臺模型;周延和常亮（2023）[12]研究發現，社交商務平臺用戶的綠色產品購買意愿受到推薦者專業性、推薦信息詳盡性和視覺性以及潛在消費者信任傾向的影響，且平臺用戶的信任態度在其中起中介作用。

總體來看，相關文獻主要從社交網絡（用戶互動）、購物體驗、推薦系統等方面探究影響社交商務平臺用戶在線購買行為的因素，但大多局限于對單維度前因條件的分析，缺乏對各維度前因條件的綜合性研究。社交商務平臺是一種用戶集中在線的復雜系統，用戶決策受到多維因素的協同影響，傳統單維度的線性分析難以充分解釋多因素間復雜的非線性互動與組態效應（潘建林 等，2020）[13]。有鑒于此，本文首先基于AISAS 模型構建理論分析框架，將社交商務平臺用戶在線購買行為解構為注意、興趣、搜索、行動、分享5個環節;然后采用扎根理論研究范式，通過半結構化訪談與理論取向訪談相結合的方式確定社交商務平臺用戶在線購買行為的前因條件組合；最后采用模糊集定性比較分析（fsQCA）方法，明確社交商務平臺用戶產生高在線購買行為和低在線購買行為的組態路徑。

本文的邊際貢獻主要在于：第一，在研究方法上，采用“理論模型 + 扎根理論 + fsQCA分析”的范式，保證了fsQCA分析中前因變量識別的系統性和有效性，為相關研究提供了方法借鑒;第二，在研究內容上，基于AISAS五環節分析模型（注意—興趣—搜索—行動—分享）和扎根理論，通過半結構化訪談與理論取向訪談相結合的方式提煉出影響社交商務平臺用戶在線購買行為的7個前因變量，并設計了包含42個題項的測量量表，進而采用fsQCA方法歸納出導致社交商務平臺用戶高在線購買行為的5條組態路徑和導致社交商務平臺用戶低在線購買行為的2條組態路徑，拓展和深化了消費者在線購買行為研究，并為促進社交商務平臺健康發展和推動消費增量提質提供了有益的管理啟示。

二、理論框架與研究設計

1.理論基礎（AISAS模型）

AISAS 模型最早由日本電通廣告公司在AIDMA模型基礎上提出的，其將用戶的消費行為模式化，能夠較為細致地刻畫社交媒體時代用戶在面對海量信息時商業行為的自主選擇性和主動反饋性（Wu etal.，2021）[14]。如圖1所示，AISAS 模型由注意（Attention）、興趣（Interest）、搜索（Search）、行動（Action）和分享（Share）五個關鍵環節構成，可進一步分為心理活動階段（A-I）和實際行動階段（S-A-S）。

圖1AISAS模型框架

AISAS 模型契合社交化消費場景的動態特征，因此在社交商務平臺用戶在線購買行為研究中具有良好的適用性（Javed etal.，2022）[15]。社交商務平臺以內容驅動為核心，用戶通過短視頻、直播、KOL推薦或好友動態等多元形式觸發注意階段，這一過程高度依賴平臺算法推薦和社交關系鏈傳播，與AISAS 的初始階段緊密關聯。興趣使社交環境更具交互性，用戶通過評論互動、社群討論或體驗式內容傳播形成情感共鳴，加速決策轉化。在搜索環節，社交商務平臺用戶傾向于在平臺內直接完成信息檢索或通過即時社交咨詢獲取產品反饋，突破了傳統電商單向搜索的局限，產生信息協同優勢。在行動環節，社交商務平臺內嵌的便捷支付工具縮短了轉化路徑，同時拼團、限時折扣等社交化營銷策略進一步刺激用戶的即時消費（Chen et al.，2021）[16]。在分享環節，用戶通過曬單、好評轉發或內容共創形成二次傳播，這種用戶自發的社交行為不僅能夠強化品牌曝光，更可以通過信任背書影響其他用戶的決策，形成正向循環（Purohit et al.，2022）[17]。總體而言，AISAS 模型完整涵蓋了用戶在社交商務活動中的行為鏈條，尤其凸顯了社交關系網絡對用戶決策的滲透作用，是分析社交商務平臺用戶在線購買行為的一種有效模型。

2.確定前因變量（扎根理論）

扎根理論是一種系統化的質性研究方法，該方法并不預設假設，而是通過對經驗數據的持續分析與歸納，從底層數據中挖掘出原生理論。研究者通過開放式數據收集獲取原始資料，并借助三級編碼逐步提煉概念、范疇及理論框架。在此過程中，研究者需要不斷比較數據與概念、概念與范疇之間的關聯，直至達到理論飽和（Mohajan et al.，2023）[18]。扎根理論尤其適用于探索缺乏現有理論支撐的新興領域或復雜社會現象，為本文在AISAS模型的基礎上確定影響社交商務平臺用戶在線購買行為的前因變量（即反映前因條件的變量）提供了恰當的方法。

首先，設計開放性問題引導受訪者分享其在AISAS五個環節所受到的影響，訪談問題包括但不限于以下內容：（1）Atention環節：您在使用社交商務平臺時，什么因素吸引您關注到特定的產品或服務？（2）Interest環節：您在平臺上瀏覽產品或服務時，是什么讓您對該產品產生了興趣？（3）Search環節：在決定購買前，您是如何主動尋找更多相關信息的？（4）Action環節：做出購買決策時，您會考慮到哪些因素？（5）Share環節：在購買之后，您是否通過社交媒體或平臺評論等方式分享您的購物經驗？為什么選擇分享或不分享？

然后，選擇目標用戶進行深度訪談。本文采用目的性抽樣策略，訪談對象至少是某一社交商務平臺的深度用戶，并來源于多個行業和地域，保證了消息采集的有效性、訪談對象的廣泛性和代表性。最終選取60名目標用戶進行深度訪談，其中男性受訪者28名，女性受訪者32名。通過半結構化訪談，在獲得受訪者同意后，將訪談內容進行錄音存檔，再梳理成文本材料，得到4.7萬字的受訪者文本數據。

最后，進行文本分析，確定前因變量。對原始資料進行分類整理，隨機選擇45份訪談記錄，運用扎根理論研究范式提煉出核心范疇，并基于AISAS模型進行驗證和補充，通過兩者的反饋循環確定社交商務平臺用戶在線購買行為的前因變量。此外，采用剩下的15份訪談資料進行理論飽和度檢驗。

3.組態劃分（fsQCA分析）

模糊集定性比較分析（fsQCA）是一種以案例研究為導向、結合定性與定量分析邏輯的中小樣本分析方法，其以“組態”為核心，旨在揭示多條件組合如何共同導致某一結果的產生，尤其適用于探究社會現象中復雜的因果異質性、多重并發因果及非對稱性關系（杜運周等，2017）[19]。fsQCA分析的核心是尋找多重等效路徑（即同一結果可能由不同的條件組態實現），而單一條件的作用需通過與其他條件的互動來體現。因此，本文通過fsQCA分析對導致社交商務平臺用戶高在線購買行為和低在線購買行為的前因條件進行組合，并歸納出具有結果等效性的不同組態。

首先，借鑒相關文獻研究成果，對通過扎根理論得到的影響社交商務平臺用戶在線購買行為的前因變量進行定義和維度劃分。然后，設計調研題項和量表，并進行預調研。為保證調研的可操作性與科學性，本文使用的所有測度量表均來自國內外已發表的相關文獻，并經過嚴格的雙向翻譯以保證題項內容的準確性;在此基礎上，結合社交商務平臺在線購買環境、消費者認知習慣等對個別題項表述進行適應性修改，并經過卡片分類實驗進行驗證；對身邊有較豐富在線購物經驗的56名調研對象進行紙質版調查問卷初稿預測試，根據其反饋意見，對問卷進行完善;對完善后的問卷進行擴大調研范圍的小樣本測試，根據回收的102份問卷的統計分析結果，對問卷再次進行微調，形成最終的正式調查量表（均采用Likert5點量表）。接著，開展正式調研。采用“線上 + 線下”的方式發放395份調查問卷，回收有效問卷363份，有效率達到 91.9% 。最后，對調研數據進行因子分析、信度和效度檢驗、變量校準，進而采用fsQCA3.0軟件進行必要條件分析和組態分析。

三、實證分析結果

1.社交商務平臺用戶在線購買行為的前因變量

對45份訪談文本進行編碼和范疇化（見表1，部分編碼過程參見本文在知網的附加材料），最終得到影響社交商務平臺用戶在線購買行為的7個主范疇（即前因變量，包括在線廣告效果、在線評論刺激、推薦引擎、平臺形象、感知風險、社交分享、社會支持），其內部均未發現新的重要范疇。在主范疇確定后，使用剩下的15份訪談記錄進行理論飽和度檢驗，結果顯示，7個主范疇外部均未發現新的重要范疇。基于此，本研究建立如圖2所示的社交商務平臺用戶在線購買行為模型。

圖2社交商務平臺用戶在線購買行為模型

表1主軸編碼及范疇化

2.前因變量和結果變量的測量量表

借鑒Calder等（2009）[20]、Mumuni等（2019）[21]、Chandra等（2022）[2]、宋思根等（2016）[23]、Ko等（2004）[24]、Chen和Wang（2021）[25]、Yahia等（2018）[26]的研究對7個前因變量進行定義，如表2所示。進一步參考 Zeng等（2009）[27]的研究，將在線廣告效果分為感知廣告相關性和感知廣告價值兩個維度進行測量;參考Jiang等（2002）[28]、Liang等（2011）[29]的研究，將平臺形象分為服務形象和系統形象兩個維度進行測量；參考 Lee（2005）^[30] 、王偉軍等（2017）[31]的研究，將推薦引擎分為感知個性化和感知有用性兩個維度進行測量；參考戴國良（2018）[32] Ko^[33] 的研究，將社交分享分為購前分享和購后分享兩個維度進行測量;參考Hajli（2015）[34]的研究，將社會支持分為信息支持和情感支持兩個維度進行測量；對在線評論刺激的測量借鑒了Wang（2010）[35]、Zhang等（2018）[36]的研究，對感知風險的測量借鑒了潘煜等（2010）[37]、趙宏霞等（2015）[38]的研究。此外，借鑒廖成林（2012）[39]的研究，對結果變量在線購買行為進行測量。最終的測量量表包括42個題項（參見本文在知網的附加材料）。

表27個前因變量的定義

3.變量的因子分析與校準

本文采用熵值法確定各變量題項的權重，進而計算得到各變量的綜合分值。由表3的因子分析結果可知：各前因變量和結果變量的Cronbach’s ∝ 系數均大于0.8，表明量表具有較好的信度;各前因變量與結果變量的組合信度（CR）均大于0.7，平均方差萃取量（AVE）均大于0.5，表明量表的收斂效度較高。變量的校準是將變量轉換為集合并賦予集合隸屬度的過程。本文采用直接校準法進行變量校準，由于采用的是主觀性題項，缺乏明確的衡量標準，因而參考Fiss等（2011）[40]的研究，將各變量的上四分位數、中位數、下四分位數分別作為校準的3個錨點（完全不隸屬、交叉點和完全隸屬），如表4所示。

表3變量因子分析結果

表4變量校準錨點和描述性統計

4.必要條件分析

對7個前因變量進行單個條件的必要性檢驗，結果見表5。各前因變量的一致性均低于0.9的閾值要求，都不是導致社交商務平臺用戶高在線購買行為和低在線購買行為的必要條件，在后續的真值表運算時應當全部保留。可見，社交商務平臺用戶在線購買行為產生的條件具有復雜性，并非只是某個前因條件單獨作用的結果，而是多個前因條件共同作用的結果，因此有必要進行組態分析。

表5必要條件分析結果

5.組態分析

由于7個前因變量對結果變量的獨立解釋能力不高，需要進一步探討能夠充分解釋社交商務平臺用戶高在線購買行為及低在線購買行為的前因條件組合。借鑒已有研究，本文在條件組態分析中將一致性閾值設置為0.8，PRI閾值設置為0.7，案例頻數設置為1，以確保分析結果的一致性、解釋性和穩定性（Kraus etal.，2018）[41]。運用fsQCA3.0軟件分析得到復雜解、簡約解和中間解，對簡約解和中間解進行布爾代數運算以區分組態路徑中的核心條件與邊緣條件，最終得到影響社交商務平臺用戶在線購買行為的前因條件組態，如表6所示。綜合來看，導致社交商務平臺用戶高在線購買行為的組態路徑有5條，其單個解和總體解的一致性均高于 90% ，共同解釋了 56.47% 高在線購買行為的原因；導致社交商務平臺用戶低在線購買行為的組態路徑有3條，總體解的一致性亦在 90% 以上，共同解釋了 65.63% 低在線購買行為的原因。下面進一步對8條組態路徑進行詳細分析。

表6社交商務平臺用戶在線購買行為組態分析結果

注： ? 和 ? 表示該前因條件存在（ ? 為核心條件，·為邊緣條件）； ⑧ 和表示該前因條件不存在（ ⑧ 為核心條件， ? 為邊緣條件），空格表示該條件可存在亦可缺失。

（1）高在線購買行為的前因條件組態

路徑一：沖動型消費模式（組態H1a）。在該組態中，在線廣告效果、推薦引擎、社會支持是核心條件，社交分享是邊緣條件，表明在線廣告的強效曝光與推薦引擎的精準引導可降低用戶感知風險，并且在社會支持的背書下，即使社交分享僅作為邊緣條件存在，仍會促使用戶產生高在線購買行為（Leeetal.，2021）[42]。此類用戶的行為機制主要體現在兩個方面：其一，技術運用增強消費欲望。一方面，平臺通過廣告創意的感官沖擊和推薦算法的需求預判形成對用戶需求的創造和滿足;另一方面，平臺通過即時性信息削弱用戶的理性思考。其二，低風險感知簡化決策流程。平臺信任與社交關系擔保共同降低了用戶對交易風險的感知，使用戶容易產生沖動性消費。因此，本文將其命名為沖動型消費模式。

路徑二：瀏覽型消費模式（組態H1b）。在該組態中，在線廣告效果、推薦引擎、社會支持是核心條件，在線評論刺激、社交分享是邊緣條件，表明當用戶同時面臨高強度的在線廣告觸達、精準的推薦算法驅動以及社群關系網絡的支持時，即使僅淺層參與評論瀏覽和社交分享，仍會在“被動瀏覽—主動轉化”的驅使下產生高在線購買行為。此類用戶的行為機制主要體現在三個方面：其一，技術驅動的注意力捕獲。廣告的媒介滲透與推薦系統的內容精準匹配共同構建信息繭房，使用戶的瀏覽行為被持續卷入商品流（Dhaigude et al.，2023）[43]。其二，社交背書的信任增強。社群互動中累積的社交關系部分替代了在線評論，通過信任傳遞降低了決策成本。其三，行為環節的即時轉化。平臺形象與技術服務支持使用戶在瀏覽過程中隨機觸發的興趣點能直接轉化為購買行動，形成即看即買的消費習慣。這一組態映射了社交商務中算法投喂與輕度社交介入相結合的流量變現邏輯——用戶并非基于評論或社交分享完成購買，而是在平臺技術與社群關系的協同引導下將無目的性的瀏覽轉化為高頻率的消費行為。因此，本文將其命名為瀏覽型消費模式。

路徑三：依附型消費模式（組態H2）。在該組態中，在線廣告效果、平臺形象、社交分享、社會支持是核心條件，感知風險是邊緣條件，表明當用戶持續受到在線廣告的精準觸達，對平臺形象的技術性能與服務保障形成深度認同，并嵌入社交分享與社會支持的互動網絡時，即使感知到一定風險，仍會形成依附于平臺的高消費慣性。此類用戶的行為機制主要體現在兩個方面：其一，技術信任的復利效應。廣告投放的穩定性與平臺功能的可靠性長期積累產生用戶信任，使用戶對平臺產生依附性心理。其二，用戶風險耐受心理的構建。盡管平臺交易存在偶發風險，但平臺形象背書與網絡社交的支持可降低用戶風險感知。這一組態的本質是用戶與平臺的生態化綁定——用戶決策不再依賴于單次交易的利弊權衡，轉而基于歷史體驗所積累的系統性信任和穩定性社交關系，形成依附于平臺的消費習慣（Chen et al.，2024）[44]。因此，本文將其命名為依附型消費模式。

路徑四：自主型消費模式（組態H3）。在該組態中，平臺形象、社交分享是核心條件，推薦引擎、感知風險、社會支持是邊緣條件，表明當用戶與平臺之間建立聯系并長期保持社交分享習慣時，即使缺乏評論信息刺激和推薦引擎引導，用戶仍能依托自身消費計劃和對平臺生態的認同實現高頻消費。此類用戶的行為機制主要體現在兩個方面：其一，平臺信任促使用戶形成默認消費場景。基于歷史體驗形成的信任積累，用戶將平臺視為默認消費場景，其購買行為脫離即時性刺激，更多源于自主性需求。其二，用戶主動社交分享進一步強化其平臺信任。用戶在社交互動中的內容分享并非被動傳播，而是作為個人消費檔案的主動建構，通過內容自主生成實現購物經驗的自我積累與消費策略的持續優化。這一組態反映了用戶的消費行為既不依賴于算法推薦的即時誘導，也不受社群關系的影響，而是基于對平臺功能價值的理性評估來滿足自身的有效需求。因此，本文將其命名為自主型消費模式。

路徑五：穩定型消費模式（組態H4）。在該組態中，在線廣告效果、平臺形象、社會支持為核心條件，在線評論刺激、推薦引擎、感知風險為邊緣條件，表明當用戶同時受到在線廣告的廣泛觸達、平臺形象的功能信任與社會支持的輕度嵌人驅動時，即使在線評論刺激、推薦引擎與感知風險僅作為輔助條件存在，仍能產生穩定的消費行為（Zhao et al.，2023）[45]。此類用戶的行為機制主要體現在兩個方面：其一，平臺功能滿足消費需求。廣告曝光與平臺功能成為用戶消費決策的默認選項，用戶無須依賴算法推薦的精準投喂或對評論的深度分析即可產生消費意愿。其二，社交支持常態滲透。社群互動的常態化參與雖未使用戶與平臺形成強綁定關系，但通過適度社交背書為決策注人的安全感可部分抵消潛在風險的干擾。這一組態反映了社交商務生態中技術和社交雙軌并行的標準化消費場景，用戶既非依賴單一技術工具的極致效率，也無須深度卷人社交網絡，而是在平臺基礎服務、輕度社交互動與風險耐受的復合均衡中完成常規化、可復購的消費行為。因此，本文將其命名為穩定型消費模式。

（2）低在線購買行為的前因條件組態

路徑一：獨立型消費模式（組態NH1a和NH1b）。在這兩種組態中，缺失的核心條件都是在線廣告效果、推薦引擎、社會支持，由于缺失的核心條件一致，構成二階等價組態。其中，組態NH1a缺失的邊緣條件是平臺形象、社交分享，組態NH1b缺失的邊緣條件是在線評論刺激、平臺形象。該路徑表明，當用戶既未受到在線廣告曝光、推薦引擎引導等平臺技術賦能的驅動，又缺乏社交分享激勵與社會支持的關系網絡嵌入，同時平臺形象未能建立功能或情感層面的吸引力時，用戶將脫離平臺預設的“刺激—響應”閉環，形成去中心化的自主決策邏輯。此類用戶通常表現出更強的決策獨立性，其購買需求源于內生驅動，而非外部廠商營銷或社交線索的影響（Sharma et al.，2022）[46]。因此，本文將這兩條等價組態命名為獨立型消費模式。

路徑二：謹慎型消費模式（組態NH2）。在該組態中，在線評論刺激、感知風險是存在的核心條件，在線廣告效果、推薦引擎、平臺形象是缺失的核心條件，社會支持是存在的邊緣條件，表明當用戶購買決策主要依賴在線評論刺激與社會支持的有限賦能，而平臺技術驅動要素集體缺位時，用戶會陷人高信息輸人和低信息輸出的決策困境，最終導致低購買行為。此類用戶的行為邏輯呈現出以下矛盾性：其一，興趣錨點的外部依賴性。用戶購買需求雖被評論內容激發，但因缺乏廣告曝光與推薦算法的精準引導，導致信息獲取碎片化，難以形成穩定的商品認知。其二，風險感知的決策主導性。對平臺形象認知的薄弱加劇了用戶的風險敏感度，即便用戶可通過社交支持獲得部分信息補充，但仍無法消除其對交易安全性的擔憂。因此，本文將其命名為謹慎型消費模式。

6.穩健性檢驗

借鑒李曉娣和饒美仙（2023）[47]的研究，本文將一致性閾值從0.8分別上調到0.85和0.90進行穩健性檢驗，結果表明：當一致性閾值上調到0.85時，導致社交商務平臺用戶高在線購買行為和低在線購買行為的前因條件組態均未發生變化;當一致性閾值上調到0.90時，組態H5消失，其他組態保持不變，調整前后的組態之間存在清晰的子集關系。因此，可以認為本文的分析結論是穩健的。

四、結論與啟示

本文基于AISAS模型的注意、興趣、搜索、行動、分享5個關鍵環節，通過扎根理論歸納出決定社交商務平臺用戶在線購買行為的7個前因變量——在線廣告效果、在線評論刺激、推薦引擎、平臺形象、感知風險、社交分享和社會支持，在此基礎上設計包含42個題項的測量量表進行問卷調查，獲得363份有效問卷，進而運用fsQCA方法考察導致社交商務平臺用戶高在線購買行為和低在線購買行為的組態路徑，研究發現：（1）社交商務平臺用戶在線購買行為具有高度的條件依賴性，單一條件對結果的解釋力較差，需要通過不同條件的動態組合來實現具體的實踐情境。（2）所有前因條件均不能單獨構成產生高在線購買行為和低在線購買行為的必要條件，其中，提高在線廣告效果和強化社會支持對高在線購買行為具有普適性作用，而在線廣告效果較差和推薦引擎較弱則是導致低在線購買行為的重要條件。（3）導致社交商務平臺用戶高在線購買行為的等效組態路徑有5條，分別對應沖動型、瀏覽型、依附型、自主型、穩定型5種消費模式。（4）導致社交商務平臺用戶低在線購買行為的等效組態路徑有3條，可歸納為獨立型和謹慎型2種消費模式。基于上述結論，本文得到以下啟示：

第一，廣告效果、推薦引擎和社會支持之間存在良性耦合關系，平臺運營者應重視這三種因素在促進用戶在線購買中的正向協同效應。組態H1a凸顯了用戶消費沖動窗口期運營的重要性，組態H1b 則反映出瀏覽型用戶低投入高轉化的特征，兩條路徑均提示平臺需重視廣告和推薦的功效以及社交氛圍的營造，通過技術賦能壓縮用戶消費決策周期，提高用戶消費心理的轉化效率。

第二，平臺運營者應通過塑造良好平臺形象和推動社交分享來鞏固用戶對平臺的認知和信任，驅動用戶完成在線購買行為。組態H2提示平臺可通過技術改進和社交生態優化將用戶逐漸轉化為平臺公民，實現用戶依附從行為慣性到文化認同的轉變。組態H3提示平臺需深耕自主型用戶，可通過會員體系的深度綁定、用戶生成內容的價值反哺等方式強化用戶對平臺生態的生活化嵌入，實現從自主型消費到無感式習慣的轉化。組態H4中的穩定型用戶具有低認知負荷和高平臺慣性的特點，平臺應增強基礎能力建設，通過平臺服務的穩健迭代維持多數用戶的消費舒適區，從而實現平臺基本盤的可持續發展。

第三，對低在線購買行為的用戶群體，平臺應制定個性化策略以滿足其差異化需求。針對獨立型消費的用戶，平臺可弱化外部營銷和社交活動激勵，轉而強化產品信息透明度、優化自主搜索工具，通過最小化干預策略適配用戶的自主決策偏好。針對謹慎型消費的用戶，平臺應建立和改善“社交—技術—信任\"的消費生態關系，如通過評論真實性認證、用戶支持系統升級等措施打破謹慎型消費者的購物決策僵局。

本文存在以下不足，值得進一步研究：第一，收集的數據為靜態截面數據，無法反映社交商務平臺用戶在線購買行為的長期變化趨勢，未來可收集跨時間數據，通過時序QCA方法探究社交商務平臺用戶在線購買行為的演變與持續性。第二，聚焦社交商務場景中在線購買行為的共性機制研究，對不同類型平臺的差異進行分析，未來可針對不同社交商務平臺進行異質性分析，進而深化該領域的研究。

參考文獻：

[1]BUSALIMA H，GHABBANF，HUSIN AR C. Customer engagement behaviour on social commerce platforms：An empirical study[J]. Technology in Society，2021，64（2）：101437.

[2] 王昕天，汪向東.社群化、流量分配與電商趨勢：對\"拼多多”現象的解讀[J].中國軟科學，2019（7）：47-59.

[3] 張曉，王焜陽，陳希，等.社會化商務中基于感知信任與社會學習的消費者偏好分析[J].系統工程，2025，43（2）15-24.

[4] AKRAM U，JUNAID M，ZAFAR A U，et al. Online purchase intention in Chinese social commerce platforms：Being emotional or rational？[J]. Journal of Retailing and Consumer Services，2O21，63：102669.

[5] SHEN J，EDER L B.An examination of factorsassociatedwith user acceptance of social shopping websites[J]. International Journal of Technology and Human Interaction，2O11，7（1） ：19-36.

[6] 劉宏，張小靜.社會化電子商務用戶互動模式研究[J].商業經濟研究，2017（23）：68-70.

[7] LAZAROIU G，NEGURITA O，GRECU I，et al. Consumers’decision-making process onsocial commerce platforms： Online trust，perceived risk，and purchase intentions[J].Frontiers in Psychology，2O2O，11：890.

[8] 王興標，谷斌.基于信任的移動社交電子商務購買意愿影響因素[J].中國流通經濟，2020，34（4）：21-31.

[9] WANG J，SHAHZAD F，AHMAD Z，et al. Trust and consumers’purchase intention in a social commerce platform：A metaanalytic approach[J]. SAGE Open，2022，12（2） ：21582440221091262.

[10] CHANDRA S，VERMA S，LIMWM，et al.Personalization in personalized marketing：Trendsandways forward[J]. Psychologyamp;Marketing，2022，39（8） ：1529-1562.

[11]SANTOS ML B.The“so-caled”UGC：An updated definition of user-generated content inthe age ofsocial media[J]. OnlineInformationReview，2022，46（1）：95-113.

[12]周延，常亮.社會化電商平臺用戶推薦對消費者綠色產品購買意愿的影響[J].商業經濟研究，2023（6）：60-64.

[13］潘建林，汪彬，董曉晨.基于SICAS消費者行為模型的社交電商模式及比較研究[J].企業經濟，2020，39（10）：37-43.

[14]WUJ，SHIL，YUYa，etal.Evaluationof precision marketing efctiveness ofcommunitye-commerce：An AISASbased model[J]. Sustainable Operations and Computers，2021，2（13） ：200-205.

[15]JAVED S，RASHIDINM S，XIAOY.Investigating the impactof digitalinfluencers onconsumerdecision-makingand content outreach：UsingdualAISAS model[J].EconomicResearch-Ekonomska Istrazivanja，202，35（1）：1183-1210.

[16] CHEN X，LIUZ，WEI S，etal.Understandingtheroleofafordancesinpromoting socialcommerce engagement[J]. International Journal of Electronic Commerce，2021，25（3） ：287-312.

[17]PUROHITS，ARORA R，PAULJ.The bright sideofonline consumer behavior：Continuance intention for mobile payments [J].Journal of Consumer Behaviour，2022，21（3）：523-542.

[18]MOHAJAN H K，MOHAJAN D.Glaserian grounded theoryand Strausiangrounded theory：Twostandard qualitative research approaches insocial sciene[J].Journalof Economic DevelopmentEnvironmentandPeople，2023，1（1）72-81.

[19]杜運周，賈良定.組態視角與定性比較分析（QCA）：管理學研究的一條新道路[J].管理世界，2017（6）：155-167.

[20]CALDER BJ，MALTHOUSEEC，SCHAEDEL U. An experimental study of the relationship between online engagement and advertising effectiveness[J]. Journal of Interactive Marketing，2009，23（4）：321-331.

[21]MURUNI A G，LANCENDORFER K M，O’REILLY K A，et al.Antecedents of consumers’reliance on online product reviews[J]. Journal of Research in Interactive Marketing，2O19，13（1） ：26-46.

[22]CHANDRA S，VERMA S，LIM WM，etal.Personalization inpersonalized marketing：Trendsand ways forward[J]. Psychologyamp; Marketing，2022，39（8） ：1529-1562.

[23］宋思根，王平，徐偉.網店形象購后評級、新產品質量評價與購買意愿[J].現代財經（天津財經大學學報），2016，36 （7） ：70-79.

[24]KO H，JUNGJ，KIJY，etal.ross-culturaldiferencesiperceivedrisk ofonlineshopping[J].Jouralof Interactive Advertising，2004，4（2） ：20-29.

[25]CHENJ，WANG Y.Social mediause forhealth purposes：Systematicreview[J].Journal of medical Intemet research， 2021，23（5） ：17917.

[26]YAHIAIB，Al-NEAMA N，KERBACHEL.Investigating thedrivers for social commerce insocial media platforms： Importance of trust，socialsupport andthe platformperceived usage[J].Journal of Retailing and Consumer Services，2018， 41（8） ：11-19.

[27]ZENGF，HUANG L，DOU W.Socialfactors inuserperceptions and responses toadvertising inonline socialnetworking communities[J]. Journal of Interactive Advertising，20O9，1O（1） ：1-13.

[28] JIANG JJ，KLEIN G，CARR C L.Measuring information system service quality：SERVQUALfrom the other side[J].MIS Quarterly，2002，26（2） ：145-166.

[29]LIANG TP，HOYT，LIYW，et al.What drives socialcommerce：Theroleofsocialsupportand relationshipquality[J]. International Journal of Electronic Commerce，2011，16（2） ：69-90.

[30]LEE TM.The impact of perceptions of interactivityoncustomer trust and transaction intentions in mobile commerce[J]. Journal of Electronic Commerce Research，2005，6（3）：165.

[31]王偉軍，王陽，王玉珠，等.移動商務用戶個性化推薦采納行為影響因素的實證研究[J].系統管理學報，2017，26 （5） ：816-823.

[32]戴國良.社交電子商務購前分享動機研究[J].中國流通經濟，2018，32（10）：39-47.

[33]KO HC.Social desireorcommercial desire？The factors driving social sharingand shopping intentionsonsocialcommerce platforms[J]. Electronic Commerce Research and Applications，2018，28（16） ：1-15.

[34]HAJLIN.Socialcommerceconstructsandconsumer’sintention tobuy[J].InternationalJournal of Information Management，2015，35（2）：183-191.

[35]WANG ST.Internet usage purposesandgenderdiferences inthe efects of perceived utilitarianandhedonic valueJ]. Cyberpsychology，Behavior，and Social Networking，2010，13（2） ：179-183.

[36]ZHANG K Z K，XUH，ZHAO S，etal.Onlinereviews and impulse buying behavior：The role of browsing andimpulsivenes [J].Internet Research，2018，28（3） ：522-543.

[37］潘煜，張星，高麗.網絡零售中影響消費者購買意愿因素研究——基于信任與感知風險的分析[J].中國工業經濟， 2010（7） ：115-124.

[38]趙宏霞，王新海，周寶剛.B2C網絡購物中在線互動及臨場感與消費者信任研究[J].管理評論，2015，27（2）：43-54.

[39]廖成林，龔小艷，李憶.新客戶的網站感知和信任對其在線購買行為影響的實證研究[J].技術經濟，2012，31（1）：16-21.

[40]FISS PC.Building betercausal theories：Afuzzyset approach totypologies inorganizationresearchJ].Academyof Management Journal，2011，54（2） ：393-420.

[41] KRAUS S，RIBEIRO-SORIANO D， SCHUSSLER M. Fuzzy-set qualitative comparativeanalysis（ fsQCA）in entrepreneurshipand innovationresearch：Theriseofa method[J].Intemational Entrepreneurshipand Management Journal，2018，14（9）：15-33.

[42]LEE SE，JUNGHJ，LEEKH.Motivatingcolaborativeconsumptioninfashion：onsumerbenefits，perceivedrisks，ervice trust，and usage intention of online fashion rental services[J]. Sustainability，2O21，13（4）：1804.

[43]DHAIGUDE SA，MOHANB C.Customer experience in social commerce：Asystematic literature review and research agenda[J]. International Journal of Consumer Studies，2023，47（5） ：1629-1668.

[44]CHEN X，DING R，WEI S，et al.Understandingandmitigating risksinsocial commerce：Anempirical studyfrom the perspective of signalling theory[J]. Behaviour amp; Information Technology，2024，43（10） ：2195-2215.

[45]ZHAO W，HUF，WANGJ，et al.Asystematic literature review onsocialcommerce：Assessng the pastand guiding the future[J]. Electronic Commerce Research and Applications，2O22，57：101219.

[46]SHARMA S，ISLAMN，SINGH G，etal.Whydoretail customersadoptartificial inteligence（AI）basedautonomous decision-making systems？ [J]. IEEE Transactions on Engineering Management，2022，71（16） ：1846-1861.

[47］李曉娣，饒美仙.區域數字創新生態系統發展路徑研究——基于fsQCA的組態分析[J].管理工程學報，2023，37 （6） ：20-31.

A Configurational Study of Users’ Online Purchase Behavior on Social Commerce Platforms ： An fsQCA Analysis Based on the AISAS Model and Grounded Theory

YANG Jin-long1，CHEN Long-sheng'， ZHOU Bing-rui2 （1. School of Management，Northwest Normal University，Lanzhou 73oo7o，Gansu，China; 2.School of Economics and Management， Xidian University，Xi’an 71o126，Shaanxi，China）

Summary：With the rapid iteration of mobile internet technologies and the continuous development of social media ecosystems，social commerce has emerged as the fastest-growing sub-sector in the global ecommerce domain. However，against the backdrop of fragmented user atention and intensifying platform competition，how to efectively enhance users’online purchase conversion rates remains a shared challenge for both academia and industry. Existing research predominantly employs single-factor analyses based on traditional technology acceptance models or the theory of planned behavior，lacking systematic exploration of multi-factor synergistic effects. This study，based on the AISAS（Attention-Interest-Search-Action-Share）consumer behavior model，integrates grounded theory and fuzy-set qualitative comparative analysis（fsQCA）to reveal the multidimensional driving mechanisms of user purchase decisions in social commerce contexts and provide theoretical support for platform operation optimization.

This research adopts a mixed-methods approach to construct its theoretical framework.First，grounded theory is applied to conduct in-depth interviews with 6O active users from representative platforms，including Douyin Mall， Xiaohongshu， and Pinduoduo， extracting core categories through three-stagecoding. Subsequently，fsQCA is employed to perform configurational analysis on 363 valid questionnaires，exploring the synergistic effects of antecedent conditions.The study selects the AISAS model as its theoretical framework， particularly focusing on users’complete behavioral chain from attention triggering to sharing diffusion.In terms of methodological innovation，it transcends the linear thinking of traditional regression analysis byadopting a set-theoretic perspective to deconstruct the multiple concurrent causal relationships in user decision-making.

Through in-depth interviews with active users，this study first identifies seven core elements influencing userpurchasing behavior：（1）online advertising effctiveness；（2）stimulating online reviews；（3） recommendation engines；（4） platform image；（5） perceived risk；（6）social sharing；and（7）social support. fsQCA analysis reveals five equivalent pathways leading to high online purchasing behavior：（1） Impulsive type： Core drivers include advertising efectiveness，recommendation engines，and social support; （2）Browsing type： Key drivers encompass online advertising efectiveness，recommendation engines，and social support;；（3） Dependent type： Principal factors involve online advertising effctiveness， platform image， social sharing，and social support；（4）Autonomous type：Core determinants consist of platform image and social sharing；（5）Stable type：Fundamental drivers include online advertising efectiveness，platform image， and social support.Two equivalent pathways lead to non-high online purchasing behavior：（1） Independent type：Mising core conditions include online advertising effectiveness，recommendation engines，and social support；（2） Cautious type：Absent critical factors comprise online advertising effectiveness，recommendation engines，and platform image.

Compared with existing literature，the marginal contributions of this paper are threefold： First，it pioneers the application of the AISAS model as the foundational theoretical framework for investigating online purchasing behaviorson social commerce platforms.Second，in factor identification，it combines semi-structured interviews with theoretically-oriented interviews，conducting a three-stage coding analysis based on grounded theory to explore determinants of user purchasing behavior.Third，in analyzing interactive effects，it adopts fsQCA to examine the synergistic efects of antecedents from a configurational perspective，revealing diferentiated driving pathwaysand multiple concurrent causal characteristics underlying high/non-high purchasing behaviors.Therefore，this study not only extends theoretical research on the AISAS model， grounded theory，and fsQCA applications，but also provides practical insights for users and social commerce platform management.

Keywords： social commerce platform;online purchasing behavior; AISAS model; grounded theory; fuzzyset qualitative comparative analysis （fsQCA）

CLC number：F713.36 Document code ： A Article ID：1674-8131（2025） 03-0032-15

（編輯：吳倩，朱德東）