旅游App用户粘性与购买意向：互动性视角

张初兵++李义娜++吴波++李东进

[摘 要]旅游App间的激烈竞争不断升级。如何提高旅游App用户粘性与购买意向是企业亟须解决的重要问题。文章以“信念→态度→行为”为框架，综合运用互动性理论与流体验理论，构建旅游App互动性影响用户粘性与购买意向的路径模型。采用问卷调查法，收集211份有效样本，执行偏最小二乘估计法，研究发现：预期互动性会正向影响感知互动性，但对用户满意没有直接影响；感知互动性不仅会直接影响而且还会通过流体验间接作用于用户满意；流体验和用户满意不仅会直接影响而且还会通过用户粘性间接影响购买意向；感知互动性和流体验对用户粘性与购买意向影响的总效应都很强。在理论上，发展了旅游App使用行为理论，丰富了互动性理论的应用范围；在实践上，提出时刻关注用户对互动性的预期与着力强化旅游App互动性体验两点建议。

[关键词]旅游App；预期互动性；感知互动性；流体验；用户粘性

[中图分类号]F59

[文献标识码]A

[文章编号]1002-5006（2017）06-0109-10

Doi： 10.3969/j.issn.1002-5006.2017.06.015

引言

随着移动互联技术的发展与智能手机的全球普及，人们越来越青睐使用手机来查阅旅游信息、分享旅游体验、购买旅游产品。截至2015年12月，我国有超过2.10亿网民通过手机预订机票、酒店、火车票或旅游度假产品，较2014年12月底增长7569万人，增长率为56.4%，其中，使用手机在线旅游预订的比例由24.1%提升至33.9%[1]。同时，政府积极推动“互联网+旅游”，在线旅游移动化趋势加剧，旅游企业竞争开始逐渐由PC端转向移动端，旅游App由此应运而生，并成为企业争夺的焦点。2016年2月，国内旅游App下载量排名前三的依次为携程旅行、去哪儿旅行与同程旅游[2]。企业确要关注旅游App的下载量，但更要提高用户粘性与购买意向，因为它们决定活跃度与流量变现。

近年来，国内外仅有少数学者探讨旅游App使用行为。这些研究主要是基于计划行为理论与 技术接受模型来剖析人们为何会采纳和使用旅游App[3-4]。当前，各种旅游App都积累了大量用户，面对同类App的激烈竞争，如何提高用户粘性与购买意向成为难题。在实践中，企业做法之一就是想方设法提高用户的互动性体验。比如，优化用户界面、提供个性化内容。然而，并未有学者探讨旅游App互动性会如何影响用户粘性与购买意向。本文以“信念→态度→行为”为框架，综合运用互动性理论与流体验理论，从互动性视角揭示旅游App用户粘性与购买意向的形成机制，具有重要的理论与现实意义。

1 相关文献分析

1.1 旅游App使用行为

App的英文全称为Application，其在汉语中常被翻译为应用、应用服务、应用程序或应用软件等。本文将旅游App定义为在手机与平板电脑等移动终端上安装的与旅游相关的应用程序或软件，如携程旅行、途牛旅游等。

近年来，有学者开始对旅游App使用行为进行探索。Morosan和DeFranco以美国酒店顾客为被试，通过模拟酒店App使用情境，研究发现顾客之所以会在酒店App上公开个人信息，主要是源于他们信任该系统且认为能从中获得价值[5]。基于计划行为理论，Chang等解析了中国游客为何会使用台湾医疗旅游App，结果表明游客对App卷入、易用性与有用性的评价越高，就越会对App产生积极的态度，从而更愿意使用它[3]。他们还发现来自亲朋好友的影响会直接强化游客的使用意愿，而自我效能会通过感知行为控制间接作用于使用意愿。李东和与张鹭旭修改了技术接受模型，以中国游客为样本，检验发现高自我效能者会觉得旅游App更易用/有用，因而会更愿意下载使用。虽然高自我效能者会感到更低的风险，但这并不会对下载使用行为产生消极影响[4]。

总体上看，上述研究主要是以计划行为理论和技术接受模型为理论基础，并且主要是以下载和使用意愿为结果变量。然而，学者们却没有回答用户为何会持续使用旅游App，甚至会购买其推荐的产品。显然，促使人们下载和使用旅游App只是第一步，而如今多数旅游App都拥有大量的用户，为此，企业尤为关注两个问题，即在激烈的市场竞争中，如何保留住用户并提高其使用频率，以及如何促使用户购买其推荐的产品。因而，本文拟研究旅游App用户粘性与购买意向的形成机制。

1.2 预期与感知互动性

互动性是互联网的核心特征[6]，甚至有人将其视为互联网的本质。显然，互动性必然是以移动互联网为基础App的关键特征。然而，目前关于App互动性的研究却非常少见。为探究旅游App的互动性，下文对预期与感知互动性研究中的主要观点进行归纳。

预期互动性（expected interactivity）是指個体拟与某种信息工具（如网站）互动时，他们期望体验到的互动程度[7]。根据预期的形成方式，学者们将预期分为两种类型：偶然预期（contingent expectation）和蓄意预期（intentional expectation）[8]。前者是指对那些超出人们控制范围之外事件（如自然灾害）的预测。当人们的预测不符合现实时，他们会立刻对其做出调整。后者是指基于不断试错的重复学习形成的信念。这种习得信念至少部分被自己掌控，并会保持很长一段时间。即使出现一些反面事例，它们也不会被轻易改变。Sohn等认为预期互动性属于蓄意预期而非偶然预期[7-8]。也就是说，个体会从类似的重复互动中学习，进而产生对互动性的稳定信念。比如，个体对旅游App互动性的预期取决于他们先前与相似App的互动体验。

Newhagen等于1995年首次提出感知互动性（perceived interactivity）[9]。此后，研究者的兴趣主要集中于网站感知互动性。它被定义为个体在与网站互动过程中体验到的一种心理状态[10]。网站感知互动性是一个多维构念，其维度主要包括可控性、响应性和个性化[11]。大量研究表明，个体对网站互动性感知越好，他们就越会表现出更加积极的情感与行为。其背后的机制主要有三种观点。首先，感知互动性具有直接效应。据Song和Zinkhan的观点，网站感知互动性会提高满意度、正面口碑相传与重复购买意向[12]。Kim等还发现网站感知互动性会积极影响对网站的信任与态度[13]。其次，以感知价值为中介变量。Coursaris等都认为感知互动性会通过娱乐性、有用性等感知价值维度间接作用于忠诚度[14-15]。然而，Park等在研究对满意度的影响时却得出相悖的结论[16-17]。比如，前者认为可控性会增加功能价值，而后者却发现二者关系不显著。最后，以流体验为中介变量。Van Noort等证实流体验会中介感知互动性与情感变量（对网站和品牌的态度）/行为变量（推荐意向、再浏览意向和购买意向）之间的关系[18]。

综上可见，预期互动性与感知互动性是两个不同的构念，但鲜有学者探讨预期互动性与感知互动性的关系。此外，学者们都认为网站感知互动性会积极影响重复使用意向与购买意向，并且感知价值与流体验会对这种影响起着中介作用。这启发我们可以从互动性视角来探讨预期和感知互动性如何影响旅游App用户粘性与购买意向。进一步，之所以选取流体验作为关键的中间变量，是因为它是一种最优的、令人愉快的体验，对粘性等行为变量有很强的解释力[19]。

2 模型与假设

计划行为理论认为信念决定态度，而态度又影响行为。本文以旅游App为研究对象，以“信念→态度→行为”为框架，综合运用互动性理论与流体验理论，设计出旅游App互动性影响用户粘性与购买意向的路径模型，见图1。

2.1 预期、感知互动性与用户满意

个体预期对其评价的影响存在两种相对立的机制[7]。一种是期望不一致，即正向不一致（比预期好）会导致积极评价，而负向不一致（比预期差）会导致消极评价。以产品购买为例，消费者对所购产品的评价取决于他们在购买前对产品的预期以及在购买后对绩效的实际感知。当预期结果小于感知绩效时，消费者会给予产品积极评价。反之，当预期结果大于感知绩效时，他们会给予产品消极评价。

另一种是一致性原则，即个体不论绩效比预期好还是差，在评价时都会尽力保持与最初预期一致，因为他们不喜欢超出预期的结果。这种机制也可以用社会心理学中的同化理论加以解释[20]。预期结果与感知绩效不一致会使得个体产生消极情绪。为降低甚至消除这种消极情绪，当二者的差距不大时，个体会更倾向于调整感知绩效以达到自己的预期。Sohn等指出期望不一致更适合解释偶然预期，而一致性原则更适合解释蓄意预期[7]。

由于预期互动性属于蓄意预期[7-8]，所以预期互动性与感知互动性及用户满意的关系符合一致性原则。具体来看，用户对旅游App互动性的预期越高，他们对其互动性感知的评价就会越好，也会感到更加满意。在美国顾客满意度指数模型中，也存在类似的逻辑，即顾客预期对感知价值与顾客满意均有积极的影响。据此，提出如下假设：

H1：预期互动性会正向影响感知互动性（H1a）与用户满意（H1b）

2.2 感知互动性、流体验与用户满意

现有研究并未检验旅游App感知互动性对流体验与用户满意的影响。不过，有关感知互动性的研究成果为推演三者之间的关系提供了理论基础。Song和Zinkhan执行多次实验研究都发现消费者对购物网站互动性的评价越高，他们就会表现出更高的满意度[12]。Zhao和Lu以微博用户为研究对象，基于问卷调查数据，已证实微博感知互动性与满意度之间存在正向关系[21]。Yoo等采用问卷调查数据，验证电子口碑系统感知互动性会积极影响消费者决策支持满意度[22]。这些研究一致地肯定了感知互动性与满意度正相关。本文将该结论延伸至旅游App使用情境。据此，提出如下假设：

H2a：感知互动性会正向影响用户满意

个体能否进入流体验状态主要取决于技能与挑战[23]。技能是指个体成功完成既定任务的能力，而挑战是指完成任务需要的所有努力。流体验只会发生在技能与挑战水平都高时，即个体拥有高的技能以完成高挑战性的任务。以旅游App为例，如果用户不能从中找到想要的信息，或是它给予用户的输入反馈很慢，就很可能是用户掌握的技能很难满足旅游App使用要求，即技能与挑战不匹配。反过来说，用户对旅游App互动性的评价越高，就能越好地实现技能与挑战的平衡，进而就会越容易进入流体验状态。Van Noort等和Zhang等都验证网站感知互动性与流体验正相关[18，24]。据此，提出如下假设：

H2b：感知互动性会正向影响流体验

2.3 流体验、用户满意/粘性与购买意向

流体验会影响个体的态度与行为[25]。OCass和Carlson认为流体验是个体对先前体验进行认知加工之后形成的积极结果，并发现处于流体验状态的消费者会对网站更加满意[26]。流体验与满意度之间的正向关系也在虚拟旅游社区[19]、移动支付服务[27]、网上银行[28]、移动商务[29]等背景下得到了多次验证。为此，笔者有理由相信流体验会提高满意度。据此，在旅游App背景下，提出如下假设：

H3a：流体验会正向影响用户满意

当个体进入流体验状态时，他们会感到非常享受，并希望再次获得这种体验。在互联网背景下，诸多研究都表明流体验会带来积极的行为（如粘性或忠诚），甚至有学者发现流体验对行为的预测力强于满意度[19，29]。因而，当旅游App用户进入流体验状态时，他们会感到时间过得很快，进而会在其上花费更多的时间。同时，他们会感到非常享受，并希望再次获得这种体验，所以会增加对其的使用频率。此外，研究者还发现流体验会提高网络购物意向[30]、移动支付意向[31]。那么，高流体验者就会更愿意购买旅游App中的产品。据此，提出如下假设：

H3b：流体验会正向影响用户粘性

H3c：流体验会正向影响购买意向

满意会引发积极的行为。以虚拟社区为研究对象，Gao等、Elliot等与Li等都证实社区成员越满意，他们對社区的粘性就越强[19，32-33]。此外，Gao等用来自中国的数据统计检验发现移动购物满意度会提高持续使用意向[29]。Ha和Stoel研究发现美国大学生从网上购买服装的满意度会提高他们的网络购物意向[34]。因而，如果用户对旅游App不满意，那么就很难增加使用频率和时间，就更不可能购买其中的产品。也就是说，用户满意与用户粘性、购买意向均正相关。进一步，陈晔等指出旅游网站粘性会提高购买意向[35]。基于上述分析，提出如下假设：

H4a：用户满意会正向影响用户粘性

H4b：用户满意会正向影响购买意向

H5：用户粘性会正向影响购买意向

3 研究设计

3.1 变量测量

为测量概念模型中的6个变量，选取已有研究中的成熟量表，翻译并修改问项以符合旅游App使用情境。所有变量均采用Likert 7点量表，1表示“非常不同意”，7表示“非常同意”。问项具体内容见表1。

预期互动性是指个体在使用某旅游App之前期望体验到的互动程度。针对预期互动性的测量很少见，只有Sohn和Choi从知觉、语义和行為三方面设计开发出预期互动性量表[8]。据此，通过修改并执行预调查得到旅游App预期互动性量表。

感知互动性是指用户在与某旅游App互动过程中体验到的心理状态。综合借鉴Song和Zinkhan、Lee等、Chu和Yuan对网站感知互动性的测量[12，36-37]，基于可控性、响应性和个性化3个维度，设计出旅游App感知互动性量表。

流体验是指某旅游App用户以完全卷入的方式采取行动所体验到的整体感受，而购买意向是指用户对购买某旅游App推荐产品可能性的评价。流体验与购买意向量表来源于Kim和Han研究智能手机网站广告时使用的量表[38]。

满意是指某旅游App用户通过对比预期与实际感知后得到的情感状态，而粘性是指用户经常使用某旅游App或延长持续停留时间的意愿。根据Gao及其合作者研究中使用的量表[19，29]，测评旅游App用户满意与粘性。

3.2 数据收集

关于样本量，社会科学研究所需样本量应大于预测因子数的15倍[29]。本模型中有6个预测因子，所以样本量至少要达到90。此外，结构方程模型法要求样本量必须超过200[39]。因此，本文设定的最小样本量为200。

本研究委托国内专业的在线调查公司（问卷星）在其样本库中进行随机抽样调查。问卷星有超过260万样本库成员，其样本服务已得到知名高校与企业的信赖，如北京大学、神户大学、阿里巴巴、奔驰等。在具体执行时，以智能手机用户为调研对象，只有那些安装并使用过旅游App的用户才能填答问卷，要求选出最近一次使用的旅游App，并对与该旅游App直接相关的问题给予评价。据此，2016年5月16日至21日，问卷星随机发放并回收答卷293份。剔除答题时间过长/过短以及前后不一致等无效问卷，共得到有效答卷211份，有效率为72%，满足上述提及的最小样本量要求。

在被调查者中，45.97%的是男性；年龄主要集中于26至40岁（85.78%）；绝大多数拥有本科学历（78.20%）；过半工作类型为公司职员（65.40%）；月收入处于4000～6000元、6001～8000元、8001～10000元的占比，依次为27.01%、23.22%、26.54%；年旅游消费支出额超5000元的占比最高，为44.55%，其次为4001～5000元（29.86%）；过去一年旅游次数为2次（29.86%）和3次（23.22%）的居多；最近一次使用旅游App排列前三的依次为携程旅行（35.07%）、去哪儿旅行（18.48%）和途牛旅游（15.17%）。

3.3 分析方法

为统计检验结构方程模型，研究者通常会采用两种方法：基于协方差分析法与基于方差偏最小二乘法。首先，前者要求大样本且数据至少要服从近似正态分布，但后者对这两点都不十分敏感[40]。其次，后者比前者更适用于理论发展与探索性调查[41]。最后，后者比前者有更强的统计功效，尤其是针对小样本[42]。基于这些差异，本文将使用基于方差偏最小二乘法。一方面是因为本文收集的数据相对较少且很难服从多元正态分布，另一方面是因为本研究目的是剖析旅游App互动性如何影响用户粘性与购买意向，这是对已有理论的发展。此外，分析软件使用SmartPLS 2.0。

4 数据分析

4.1 测量模型分析

根据Henseler等提出的标准[43]，对测量模型的信度（指标信度和内部一致性信度）与效度（收敛效度和判别效度）进行评价。

从表1可知，所有观测指标的载荷系数都大于0.7，并都在0.001水平下显著。这表明指标信度是令人满意的[44]。此外，各变量的Cronbachs α均在0.8以上。同时，组合信度（CR）的最小值为0.879。为此，内部一致性信度都达到标准[45]。最后，平均方差萃取量（AVE）都超过临界值0.5（AVEmin=0.569）。可见，量表具有较好的收敛效度[46]。

判别效度检验目的在于揭示各变量之间的差异程度。本文采用Fornell和Larcker给出的标准[46]，即要求AVE算术平方根要大于变量之间相关系数绝对值。从表2可知，对角线上的AVE算术平方根都大于对角线左下方的相关系数值，说明判别效度满足要求。

4.2 结构模型分析

在SmartPLS 2.0中，设定211个样本，5000次抽样，执行非参数Bootstrapping检验，得到直接效应与总效应及其显著性水平。

从拟合效果看，内生变量感知互动性、流体验、用户满意、用户粘性与购买意向的R2依次为26.5%、47.9%、60.8%、65.3%、26.5%。显然，这些R2都大于临界值0.1[47]，表明数据与模型的拟合度高，模型具有较好的预测力。

从直接效应看，预期互动性对感知互动性有积极的影响（β = 0.514，p < 0.001），但它不会直接影响用户满意（β = 0.003，n.s.），而会通过感知互动性的传递才能发挥作用。感知互动性不仅会直接正向影响用户满意（β = 0.433，p < 0.001），而且还会通过流体验间接作用于用户满意，即感知互动性先影响流体验（β=0.692，p<0.001），继而流体验再影响用户满意（β=0.413，p<0.001）。此外，流体验还会正向影响用户粘性（β=0.432，p<0.001）和购买意向（β=0.265，p<0.001）。用户满意也会正向影响用户粘性（β=0.441，p<0.001）和购买意向（β=0.261，p<0.001）。用户粘性会提高购买意向（β=0.319，p<0.001）。逻辑关系见图2。

从总效应看，感知互动性对流体验的影响强于预期互动性（0.692>0.356）。用户满意影响因素对其作用强度从大到小依次为感知互动性、流体验与预期互动性（0.719>0.413>0.373）。感知互动性（0.616）和流体验（0.614）对用户粘性的影响差异不大，但它们都强于预期互动性（0.318）和用户满意（0.441）。按照总效应从大到小排序，影响购买意向的因素依次为流体验、感知互动性、用户满意、用户粘性与预期互动性（0.569>0.567>0.401>0.319>0.293）。

5 討论

5.1 主要结论

基于“信念→态度→行为”框架，本文对互动性理论与流体验理论进行整合，构建并检验旅游App互动性影响用户粘性/购买意向的路径模型，研究发现除预期互动性不会直接影响用户满意之外，其他所有路径关系均在0.001水平上显著。具体来看：预期互动性会正向影响感知互动性，但对用户满意没有直接影响；感知互动性不仅会直接影响而且还会通过流体验间接作用于用户满意；流体验和用户满意不仅会直接影响而且还会通过用户粘性间接影响购买意向；感知互动性和流体验对用户粘性与购买意向影响的总效应都很强。

此外，预期互动性之所以不会直接影响用户满意，可能是因为期望不一致与一致性原则两种相对立机制同时在起作用。具体来看，期望不一致机制认为预期互动性与用户满意负相关，而一致性原则却认为预期互动性与用户满意正相关。当上述两种机制下的正负效应强度相差不大时，预期互动性与用户满意的直接关系就会不显著。S?derlund指出消费者对高/低熟悉服务有不同的评价框架，即当高熟悉服务时，他们更倾向于采用期望不一致评价机制，反之，当低熟悉服务时，他们更倾向于一致性原则评价机制[48]。由此，我们可以推测，在当前阶段，用户对旅游App互动性的预期处在中等水平，所以上述两种对立机制都起作用但相互抵消。

5.2 理论贡献

本文首次从互动性视角对旅游App用户粘性与购买意向的形成机制进行探索，研究发现具有重要的理论贡献，主要体现在下述三点：

首先，使用互动性理论研究旅游App使用行为。以往互动性研究多关注网站互动性，但却较少探究旅游App等新媒体的互动性。另外，学者们对旅游App使用行为研究依然不够，已有文献主要是基于计划行为理论与技术接受模型来建构理论解释[3-4]，但并未剖析旅游App特征（如互动性）对其使用行为的影响。为此，本文以预期/感知互动性为起点以揭示其对旅游App用户粘性与购买意向的影响，有助于拓展互动性理论的应用范围，也为解释旅游App使用行为提供新的视角。

其次，检验预期与感知互动性的关系及其影响。虽然有关感知互动性的研究成果十分丰富，也有学者提及预期互动性会影响感知互动性[8]，但是对于二者关系及其影响的实证研究却非常少见。本研究发现预期互动性确实会提高感知互动性，但二者对后续评价的影响却存在差异，如预期互动性只会通过感知互动性间接作用于满意度。这不同于Sohn等提出的观点[7-8]。他们认为预期互动性属于蓄意预期，它对评价的影响适用于一致性原则，即预期互动性会提高满意度。本研究中二者的直接关系不显著，也就是说，期望不一致与一致性原则两种对立机制同时存在且强度相当，丰富了互动性理论。

最后，选取用户粘性与购买意向为行为变量。现有旅游App研究者只停留于探究用户的下载使用意愿的形成机制[3-4]，而并未剖析用户粘性与购买意向的形成机制。其实，后者研究结论对用户保留及流量变现的指导意义会更大。本文在区分预期与感知互动性的基础上，提取出流体验和用户满意两个中间变量，检验它们对用户粘性与购买意向的影响。本研究发现除预期与感知互动性之间的路径关系不显著之外，其他变量之间的路径关系均得到验证。同时，还发现感知互动性与流体验在提高用户满意、粘性与购买意向上发挥着重要作用。这些结论有力推动了旅游App使用行为理论的发展。

5.3 实践启示

本研究结论对旅游App管理者从互动性角度维系用户关系以及实现流量变现有重要的实践启示。

首先，时刻关注用户对互动性的预期。本研究表明旅游App互动性预期会影响用户对旅游App的态度与行为。具体来看，预期互动性会通过感知互动性和流体验间接作用于用户满意，继而流体验和用户满意不仅会直接影响购买意向，而且还会通过用户粘性间接作用于购买意向。从总效应表可知，预期互动性对用户满意、粘性与购买意向的作用强度都在0.3左右，即预期互动性变化1个单位，用户满意、粘性与购买意向会相应地变化0.3个单位。据此，营销人员通过广告、事件与体验等多种促销方式，可以适度提高用户对旅游App互动性的预期，这将有助于提高用户满意、粘性与购买意向。然而，随着时间的推移，用户会越来越熟悉旅游App，期望不一致机制会起主导作用[48]，这时提高互动性预期反而会带来消极影响，即会降低用户满意、粘性与购买意向。因而，营销人员在制定促销方案时，要正确理解互动性预期水平。

其次，着力强化旅游App互动性体验。相比预期互动性，旅游App感知互动性在提高用户满意、粘性与购买意向上起着更为重要的作用。另外，本研究还发现感知互动性会正向影响流体验，而流体验又会正向影响用户满意、粘性与购买意向，这些作用强度并不比感知互动性的弱。为此，运营方需要对旅游App进行优化设计，从而使得用户的互动性体验更好，最终促使他们进入流体验状态。他们可以从可控性、响应性与个性化3方面下足功夫。比如，依据用户需求与习惯，优化页面布局与导航系统，使得用户能快速找到想要的信息；关注软件的运行速度与反馈机制，要确保用户的输入能得到快速有效的回应；基于用户使用行为数据，对界面与内容等尽量做到个性化与定制化。值得注意的是，不能盲目在旅游App上增加互动性特征或功能，因为并不是互动性特征或功能越多，用户的互动性体验就越好，这取决于是否使用以及使用的效果[12]。

5.4 不足與展望

本研究还存在一些不足，为未来探索提供了空间。首先，样本量相对较少，可以增加样本量以再次检验模型。其次，预期与感知互动性之间的关系不显著，或许是由于调节变量的干扰，所以建议从文献中提取熟悉度等变量以揭示调节效应。再次，采用问卷调查法获得的截面数据不能有效验证变量之间的因果关系。在条件允许的情况下，可以开展纵向研究。最后，将预期与感知互动性以及流体验视作为单维构念进行测量。其实，它们在很多研究中也被界定为多维构念，所以可以剖析不同维度之间的差异化关系。

参考文献（References）

[1] CNNIC. The 37th China Internet Network Development Statistics Reporting[EB/OL]. http：//www.cnnic.cn/hlwfzyj/hlwxzbg/hlwtjbg/ 201601/P020160122444930951954.pdf. [中国互联网信息中心. 第37次中国互联网络发展状况统计报告[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. [劲旅网. 2016年2月国内预订类旅游App下载量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. [李东和， 张鹭旭. 基于TAM的旅游App下载使用行为影响因素研究[J].旅游学刊，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， 马钦海. 期望与感知服务质量、顾客满意的关系研究[J].预测，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. [陳晔， 易柳夙， 何钏， 等. 旅游网站的粘性及其影响因素——基于双系统认知理论[J].旅游学刊，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.