移动社交媒体用户持续使用行为研究

孟 猛 朱庆华

(南京大学信息管理学院，江苏 南京 210023)

·理论探索·

移动社交媒体用户持续使用行为研究

孟 猛 朱庆华*

(南京大学信息管理学院，江苏 南京 210023)

[目的/意义]文章旨在探究移动社交媒体用户持续使用行为的影响因素及其相互关系，为移动社交媒体运营商提高用户满意度和忠诚度，增强用户黏性，洞察用户真正兴趣和心理需求，培养用户习惯等提供决策参考。[方法/过程]本文整合扩展的ECM-ISC模型、自我决定理论及习惯，构建移动社交媒体用户持续使用行为概念模型，提出研究假设并设计调查问卷；针对微信用户进行纸质问卷调查，共回收234份有效问卷，采用偏最小二乘法分析数据，在排除共同方法变异的影响下，对测量模型和结构模型进行评估，并对研究假设和调节效应进行验证。[结果/结论]结果显示，持续使用意愿和习惯直接影响移动社交媒体用户持续使用行为，习惯对持续使用意愿和行为之间有负向的调节作用；使用后感知有用性、满意度及自我功效正向显著影响持续使用意愿；期望确认度对使用后感知有用性和满意度产生直接影响；感知关系性和感知胜任性正向显著影响内在动机，内在动机对满意度正向影响显著，满意度对习惯产生直接影响。根据研究结论，对移动社交媒体(微信)运营商提出管理建议。

用户；移动社交媒体；持续使用行为；概念模型；扩展的ECM-ISC；自我决定理论；微信；习惯；偏最小二乘法

社交媒体(Social Media)是以Web2.0的思想和技术为基础并允许用户创造和分享内容的一组互联网应用程序[1]，如Twitter、Facebook、Google+等。而移动社交媒体(Mobile Social Media)是以移动终端设备(如智能手机等)为载体，通过“移动社交APP”实现社交媒体功能[2]。随着移动互联网、移动终端以及移动APP的日益发展，移动社交媒体用户数量越来越多。据中国互联网络信息中心(CNNIC)2017年8月发布的《第40次中国互联网络发展状况统计报告》显示，截至2017年6月，中国网民规模达到7.51亿，手机网民规模达7.24亿，各类手机应用的用户规模不断上升，场景更加丰富[3]。由于移动社交类APP具有较高的同质性，移动社交类APP运营商之间的竞争十分激烈[4]。用户在移动社交类APP之间使用切换成本比较低，使得用户几乎无需花费任何成本便可使用另一款移动社交APP。因此，如何提高用户满意度和忠诚度，增强用户黏性，洞察用户真正兴趣和心理需求，培养用户习惯等，确保用户在初次使用后并保持持续使用，对移动社交类APP运营商来说尤为重要。

然而，信息系统的最初接受是实现信息系统成功的第一步，信息系统的长期存活和最终的成功取决于它的持续使用，而不是第一次使用[5]。从近几年来国内外学者关于信息系统用户持续使用的研究来看，主要集中在两个方面：一是信息系统用户持续使用意愿，主要以ECM-ISC模型或通过理论整合构建模型为基础进行研究。赵英等[6]通过梳理和分析动机理论、使用与满足理论、信息系统成功模型、期望确认理论，构建大学生持续使用社交媒体的影响因素概念模型，并采用同一测量量表对微信、微博和人人网进行实证研究，提出3种不同社交媒体的影响因素模型，为高校相关部门利用社交媒体提供依据和参考；陈明红等[7]基于感知价值理论、信息质量理论和沉浸理论，研究了移动社交媒体用户持续共享信息的影响因素和机制。类似的，其他学者[8-13]也开展了相关研究。除社交媒体(网络)外，学者们还研究了其它主题，比如移动即时通讯[14-15]、位置分享[16-17]、移动阅读[18-19]、移动图书馆[20]、网络图书馆[21]、社会化阅读[22]、社交问答平台[23]、移动社交支付[24]以及网上团购[25]等。二是信息系统用户持续使用行为，主要以ECM-ISC模型或以扩展的ECM-ISC模型为基础进行研究。刘人境等[26]以ECM-ISC基础，整合计划行为理论(Theory of Planned Behavior，TPB)，引入感知娱乐、感知信任和习惯建立研究模型。研究发现，ECM-ISC与TPB集成在解释SNS 的持续使用方面具有良好的适用性，并且该模型的整体解释能力得到了增强。期望确认度对感知有用和满意度影响显著，满意度对持续使用意向直接产生影响；王哲[27]以ECM-ISC模型为基础，新增自变量(感知易用性、感知愉悦度和感知信任度)，引入习惯作为调节变量，构建社会化问答社区知乎用户持续使用行为理论模型并实证研究。刘鲁川等[28]以扩展的ECM-ISC模型为理论依据，结合移动搜索信息系统的特点，构建并实证了移动搜索用户持续使用的理论模型；杨文正等[29]以扩展的ECM-ISC模型为基础，对数字教育资源用户持续使用行为进行研究；类似的，杨甜[30]和李宗富等[31]也做了相关研究。

综上所述，国内外学者较多地关注以ECM-ISC模型或整合理论构建模型为基础的用户持续使用意愿研究，用户持续使用行为研究相对较少。用户持续使用行为研究主要以ECM-ISC模型或扩展ECM-ISC模型为基础进行分析，而且在以ECM-ISC模型为基础的用户持续使用行为研究方面，主要将习惯作为持续使用意图和行为之间的调节变量，延伸至用户持续使用行为的研究。整合扩展的ECM-ISC模型、自我决定理论(Self-determination Theory，SDT)及习惯研究移动社交媒体用户持续使用行为尚未发现。尽管已有研究为本文提供了有益借鉴，但是仍然存在一些问题和不足。一是扩展ECM-ISC模型仅从心里认知视角分析IS用户持续使用行为，从内在动机视角分析IS用户持续使用行为尚存不少空白；二是持续使用行为包括有意识的持续使用行为和习惯性使用行为，有意识的持续使用行为通过“持续使用意向”来解释，在扩展ECM-ISC模型中习惯性使用行为并未得到解释。鉴于此，本文在借鉴上述国内外学者研究成果的基础上，整合扩展的ECM-ISC模型和自我决定理论，从心理认知与内在动机的双重视角分析移动社交媒体用户持续使用行为，引入习惯以便能够更好地解释移动社交媒体用户持续使用行为。这也是本研究的创新之处，以期得到与以往不同且更加合理的解释，为移动社交媒体(微信)运营商提供决策参考。

1 理论背景

1.1 扩展的ECM-ISC模型

Oliver R L[32]于1980年提出期望确认理论(Expectation-Confirmation Theory，ECT)，该理论是研究消费者满意度的基本理论。在此基础上，Bhattacherjee A(2001)[33]提出了信息系统持续使用模型(Expectation-Confirmation Model of IS Continuance，ECM-ISC)，并采用对在线银行用户的实地调查验证该模型的假设。该模型由4个要素构成：感知有用性、期望确认度、满意度和信息系统持续意向。Limayem M(2007)[34]整合习惯和ECM-ISC模型，对ECM-ISC模型进一步扩展，将最终因变量扩展到信息系统持续使用。随后，为了提高ECM-ISC模型的鲁棒性和预测能力，Bhattacherjee A(2008)等[35]对该模型提出了一些修改和扩展，删除了使用后感知有用性和满意度之间的关系。然而，任何人类行为理论模型的目标是预测行为而非意图，比如理性行为理论(Theory of Reasoned Action，TRA)和计划行为理论(TPB)。信息技术使用意向和行为之间的正向联系已经在科技接受模型(Technology Acceptance Model，TAM)和技术接受使用统一理论(Unified Theory of Acceptance and Use of Technology，UTAUT)得到扩展。IT持续使用意愿是IT持续使用行为的必要非充分条件，如果用户缺少访问IT的资源或使用IT的技能，意愿可能无法转化为实际行为。因而，Bhattacherjee A(2008)等[35]引入感知行为控制(Perceived Behavior Control，PBC)，增添信息技术自我功效和可控制性(也称促成因素)两个变量到ECM-ISC模型，即为扩展的ECM-ISC模型，增强了模型的解释力[36]。

1.2 自我决定理论

美国心理学家Deci E L和Ryan R M[37]于1985年提出自我决定理论(Self-determination Theory，SDT)，它的核心要素是内在动机和外在动机，以及构成动机的一系列基本心理需求[38]。内在动机是指自己因为享受该活动过程，有意识地去做这件事。外在动机是指从事结果与活动本身相背离的活动，如追求奖励或避免惩罚[39]。该理论还提出内在动机的采纳或较多自我决定类型外在动机的内化，取决于3个基本心理需求的满足：自主需求(Autonomy)、关系需求(Relatedness)和胜任需求(Competence)[40]。研究表明，在满足这些需求的活动上人们更有可能坚持并有更好的定性表现。自主性是指个体渴望自我发起并自我调节行为；关系性是指个体渴望感受到与他人或群体有联系；胜任性是指个体渴望在获得有价值的结果时感觉到有效[41]，类似自我效能感。

1.3 习 惯

行为被习惯影响，但习惯与行为是有区别的。Aarts H和Dijksterhuis A[42]指出习惯是一种目标导向的自动行为形式，它代表了一个目标和有助于实现这个目标的行动之间的联系。Triandis H C[43]和Kim B[44]认为习惯是指不假思索地自动发生的重复行为模式，因此它有助于保持习惯性行为。Ouellette J A和Wood W[45]发现过去行为对未来行为的直接影响最为显著，因为在稳定的环境中行为会频繁且持续地执行，同时行为意愿和实际使用之间的关系明显减弱，习惯和实际使用之间的关系显著增强。然而，多年以来习惯在其它学科已被广泛地进行研究，尤其是社会心理学，然而信息系统领域的文献很少关注[34]。在不同学科中，习惯通常被理解为“习得的行为序列自动地对特定的情况做出反应，这些特定的情况可能在获得某些目标或结束状态时起作用”[46]。本研究采用Limayem M等[34]对IS习惯的定义“IS习惯是指人们由于学习，倾向于自动地执行行为(使用IS)的程度”。根据该定义，习惯与意愿在概念上有相对较少的重叠，因此可以在解释IS使用时提供额外的解释力。

2 概念模型与研究假设

2.1 概念模型

本研究概念模型主要基于上述扩展的ECM-ISC模型、自我决定理论及习惯进行设计构建，如图1所示。其中扩展的ECM-ISC模型作为本研究概念模型的基础，由于扩展的ECM-ISC模型是从心理认知视角解释“持续使用意愿”对“持续使用行为”的影响，“满意度”变量主要通过“期望确认度”的短期影响来解释，未能从用户“内在动机”视角去解释用户“满意度”和“持续使用意愿”。因此，本研究引入自我决定理论，从用户内在动机的角度研究用户长期稳定的使用移动社交媒体的心理动机及对“满意度”和“持续使用意愿”的影响。然而，刘人境等[26]认为“持续使用行为”包括有意识和无意识的持续使用行为，而“持续使用意向”不能解释无意识持续使用行为，即习惯性持续使用行为。基于此，本研究引入习惯变量，开展移动社交媒体用户习惯性持续使用行为的研究，以期得到与以往不同且更加合理的解释。

图1 概念模型

2.2 研究假设

扩展的ECM-ISC模型是本研究概念模型的基础，期望确认度(Expectation Confirmation，EC)是指用户对移动社交媒体的初始期望与使用后实际体验感受之间差距的程度。期望确认度正向影响使用后感知有用性和满意度。一般而言，用户对移动社交媒体的期望确认度越高，认为移动社交媒体越有用，对使用移动社交媒体越满意。使用后感知有用性(Post-Usage Usefulness，PU)是指用户在使用移动社交媒体后，从先前有用性认知中聚合而来形成一种长期不变的信念，它区别于TAM模型中的感知有用性。Bhattacherjee A(2008)等[35]根据TRA、TBP 和EDT 等理论,在论证了长期信念与持续使用意图之间的关系后，认为使用后的感知有用性对用户的持续使用意图产生直接影响[47]。满意度(Satisfaction，ST)是指用户对比移动社交媒体使用前初始期望与使用后实际体验感受而产生的心理状态的总和，即用户需求被满足的程度。Bhattacherjee A(2008)等[35]的研究显示满意度正向影响用户IS持续使用的意愿。持续使用意愿(Continuance Usage Intention，CUI)是指已经使用过移动社交媒体的用户认为自己未来持续使用移动社交媒体的可能性或意愿[27]。持续使用行为(Continuance Usage Behavior，CUB)是指用户持续不断地使用移动社交媒体的实际行为。根据理性行为理论(TRA)，用户使用移动社交媒体的意愿直接影响其持续使用行为。然而，IT持续使用意愿是IT持续使用行为的必要非充分条件，如果用户缺少访问IT的资源或使用IT的技能，意愿可能无法转化为实际行为。因而，Bhattacherjee A(2008)等[35]引入感知行为控制(PBC)，增添两个截然不同但又相互联系的变量：自我功效(Self-Efficacy，SE)和可控制性(Controllability)。自我功效反映个体有能力独立地完成预定行为的信念，关注的是个人技能和能力。如果用户在使用移动社交媒体后，认为自己没有能力使用，自然会产生放弃继续使用的意愿。可控制性反映个体对执行该行为所需外部资源的控制感，也称促成因素(Facilitating Conditions，FC)。与自我功效不同，促成因素正向影响用户持续使用行为。如果用户缺乏智能手机(终端)，或者不在无线网络覆盖范围，即便用户有持续使用移动社交媒体的意愿，也必须中断持续使用的行为。由于扩展的ECM-ISC模型是本研究的理论基础之一，该模型的提出者Bhattacherjee A(2008)等[35]以乌克兰政府机构的管理和工作人员使用文件管理系统为背景，验证了扩展的ECM-ISC模型7个假设；刘鲁川等[28,47]以扩展的ECM-ISC模型为基础，引进信息质量、系统质量和服务质量等变量，构建移动搜索用户持续使用理论模型并提出研究假设，研究表明扩展的ECM-ISC模型7个假设均成立。鉴于此，本文提出研究假设如下：

H1a：移动社交媒体用户的期望确认度正向影响使用后感知有用性。

H1b：移动社交媒体用户的期望确认度正向影响满意度。

H1c：移动社交媒体用户使用后感知有用性正向影响持续使用意愿。

H1d：移动社交媒体用户使用后满意度正向影响持续使用意愿。

H1e：移动社交媒体用户的持续使用意图正向影响持续使用行为。

H1f：移动社交媒体用户的自我功效正向影响持续使用意愿。

H1g：移动社交媒体用户的促成因素正向影响持续使用行为。

根据自我决定理论，感知自主性(Perceived Autonomy，PA)是指用户在使用移动社交媒体时对自主性的需要，即自我调节他们参与使用自己选择的移动社交媒体的渴望。自我决定理论中的一个重要假设是与活动有关的感知自主性会增加内在动机。用户根据自己的兴趣，结合活动主题自主发表言论，主动建立好友关系，让用户感受到活动有感知自主性，从而会增加自我决定的内在动机。感知关系性(Perceived Relatedness，PR)是指用户使用移动社交媒体时渴望能够感受到与他人或群体联系及关心和支持，从中体验到一种归属感。用户通过移动社交媒体能够很方便地与他人或群体建立联系，能得到他们关心和支持，满足内心的归属感，进而影响内在动机。感知胜任性(Perceived Competence，PC)是指用户在使用移动社交媒体时想要有效的渴望。自我决定理论认为，满足这一显著需要将影响内在动机。原因在于当移动社交媒体胜任性的需要被满足时，用户感觉到有能力使用移动社交媒体。生活中人们都希望被大家的认可和关注，用户通过移动社交媒体发布自己感兴趣的或分享有价值的信息，好友给予点赞或好评，用户从中获取成就感，进而影响内在动机。内在动机(Intrinsic Motivation，IM)是指一项活动的表现，没有明显的原因除了对它的真正兴趣或享受执行过程之外[38,41]。对移动社交媒体有兴趣的用户更有可能对他们实际使用移动社交媒体感到满意[41,48]。Sorebo O等[41]以自我决定理论为基础，在教师利用在线学习技术与现场课程相结合的背景下，提出一个扩展的信息系统延续理论，研究表明感知自主性、感知关系性、感知胜任性对内在动机产生正向影响，内在动机正向影响用户满意度和持续使用意愿。鉴于此，本文提出研究假设如下：

H2a：用户使用移动社交媒体时的感知自主性正向影响内在动机。

H2b：用户使用移动社交媒体时的感知关系性正向影响内在动机。

H2c：用户使用移动社交媒体时的感知胜任性正向影响内在动机。

H2d：用户使用移动社交媒体时的内在动机正向影响满意度。

H2e：用户使用移动社交媒体时的内在动机正向影响持续使用意愿。

如上所述，习惯(HABIT)有很大的潜力去解释与IS相关的行为，这些行为可能不会再是个人完全有意识的控制。Limayem M等[34]研究发现习惯对IS持续使用意愿与行为之间的关系起负向调节作用，对IS持续使用行为有直接效应。肖怀云[49]根据持续使用行为产生的原因，它被分为有意识的持续使用行为和习惯使用行为。刘人境等[50]认为有意识的持续使用行为是用“持续使用意图”来解释的，习惯性使用行为是用“习惯”来解释的。然而，Aarts H等[51]认为当行动与个人最初希望获得的目标密切相关时，令人满意的经验可能是重复同样的动作。如果移动社交媒体用户成功获得他们意向的目标，在相同的情境线索和相关目标下，他们倾向于重复使用移动社交媒体。因此，移动社交媒体用户的满意度与习惯性使用的形成密切相关是可期待的[44]。基于上述分析，本文假设如下：

H3a：移动社交媒体用户的满意度正向影响习惯。

H3b：移动社交媒体用户的习惯对持续使用意愿和持续使用行为的关系有负向的调节作用。

H3c：移动社交媒体用户的习惯正向影响持续使用行为。

3 研究方法与数据分析

3.1 研究方法

3.1.1 量表设计

本研究所使用的量表均借鉴国内外相关文献中已有成熟量表，对国外相关研究量表，进行双向翻译法翻译，并根据移动社交媒体的主题特性做出相应调整设计问卷，其中感知信任(Perceived Trust，PT)为标记变量(Marker Variable)用于共同方法变异(Common Method Variance，CMV)检验。为确保问卷的有效性和可靠性，在正式问卷调查之前选取小部分移动社交媒体(微信)用户进行预调查，根据预调查结果修改相关题项，最终问卷由两部分构成：第一部分是用户基本信息；第二部分是移动社交媒体(微信)用户行为的测量，如表1所示。除持续使用行为外，其它潜变量的测量均采用李克特(Likert)七级等距量表[52]，其中“1”为完全不同意、“2”为不同意、“3”为比较不同意、“4”为不确定、“5”为比较同意、“6”为同意、“7”为完全同意，移动社交媒体(微信)用户根据实际使用经历进行选择。

表1 移动社交媒体(微信)用户行为概念模型变量选项

表1(续)

3.1.2 数据收集与样本构成

截止到2017年第二季度，微信和WeChat的合并月活跃账户数达到9.63亿[62]。据此，本研究选取微信作为移动社交媒体平台，以此为研究对象具有一定的代表性。此外，据中国互联网络信息中心(CNNIC)2017年8月发布的《第40次中国互联网络发展状况统计报告》显示，截至2017年6月，中国手机网民规模达7.24亿。从年龄结构来看，20～29岁年龄段的网民占比最高，达29.7%；30～39岁群体占比为23.0%。从职业结构来看，学生群体占比仍然最高，为24.8%[3]。另外，洪红等[9]、陈昊等[11]及梁栩彬等[13]选取在校大学生进行问卷调查，开展移动社交媒体的相关研究。因此，本研究认为在校大学生样本在一定程度上可以代表总体。

本研究问卷调查时间为2017年3～4月，调查对象为南京大学在校本生，采用便利抽样法，发放300份纸质调研问卷，回收问卷279份，回收率为93%，剔除全部选"1"或"7"及其它无效问卷45份，有效问卷234份，有效率为78%。在有效样本的人口统计学特征中，男生129人(55.10%)，女生105人(44.90%)；年龄范围为16～22岁102人(43.60%)，23～30岁105人(44.90%)，31～35岁9人(3.80%)，36岁以上18人(7.70%)；学历构成分别是本科117人(50.00%)，硕士93人(39.70%)，博士及以上24人(10.30%)；移动社交媒体(微信)使用经验为1～2年(不含2年)30人(12.80%)，2～3年(不含3年)87人(37.20%)，3～4年(不含4年)60人(25.60%)，4年及以上57人(24.40%)。

3.1.3 样本量评估

为了确保本研究样本估计的稳健性，作为流行的经验法则，Barclay D W等[63]建议最小样本量应为测量模型最大题目数的10倍或结构模型最大路径关系数的10倍。在本研究的概念中，测量模型最大题目数为6，结构模型最大路径关系数为4，最小样本量至少应为60个或40个。因此，本文研究的样本数为234个，满足Barclay D W等关于采用PLS数据分析最小样本数的建议准则。

3.2 数据分析

本研究采用偏最小二乘法(Partial Least Squares，PLS)分析样本数据，软件工具包为Smart PLS 2.0，PLS属于第二代统计学范畴的分析方法[64]。采用PLS理由在于：①PLS特别适合于预测[65]；②PLS可以处理反映型(Reflective)和形成型(Formative)测量模型[65]；③PLS可以最大限度地解释方差[66]；④PLS适合探索式研究和理论发展以及复杂的模型，而且与研究的目标更接近[67]；⑤PLS容易用于测试调节效应[65,68]。由于PLS并没有提供一个既定的全局拟合优度准则，通常评估模型分两个阶段进行：测量模型评估和结构模型评估，模型评估是指系统地评估结构模型所表达的假设是否被数据所支持[69，70]。同时，在运用SmartPLS计算时，估计方法选用路径加权方案(Path Weighting Scheme)[71]，最大迭代次数为300；显著性计算选用自助法(Bootstrapping)抽样为5 000次[72]。

3.2.1 共同方法变异检验

在问卷调查时，由于所有测量题目均由同一被调查者填写，就容易产生共同方法变异(CMV)的问题[73]。根据Podsakoff P M等[74]建议，在问卷设计过程中，为了确保问卷质量，对问卷进行两次前测，并根据被调查者反馈信息修正问卷语义。在问卷调查过程中，采用被调查者信息匿名法[75]。同时，在数据分析前，使用Harman单因子鉴定法检验共同方法变异[76]，将该研究所有测量题目进行探索式因素分析，判断标准为特征值是否大于1，在未旋转时提取9个主成分共解释总方差的73.2%，其中第一主成分解释了总方差的31.6%，略高于解释总方差的30%，显示可能受CMV的影响。另外，根据Lindell等[77]的建议，采用标记变量技术(Marker Variable Technique)进行CMV检验，首先定义一个理论上与该研究无关的变量为标记变量——感知信任(Perceived Trust，PT)，计算该变量与结构模型内生变量之间的相关性。如果存在一定的相关性且显著，由于标记变量是理论上不相关的变量，说明受到CMV的影响，然后通过标记变量排除多余的相关性[78]。经计算，感知信任(β=0.181，T=3.453)对使用后感知有用性(PU)正影响且显著；感知信任(β=-0.216，T=4.91)对内在动机(IM)负影响且显著，说明该研究受CMV的影响。因此，该研究采用标记变量——感知信任(Perceived Trust，PT)，在排除CMV的影响下进行数据分析。

3.2.2 测量模型评估

本文通过验证性因子分析验证测量模型的有效性和可靠性，Hair J F等[72]及Fornell C和Larcker D F[79]建议反映型测量模型的内部一致性：Cronbach’s Alpha>0.70(在探索性研究中，0.60≤Cronbach’s Alpha≤0.70被认为是可以接受的)，Nunnally J和Bernstein I[80]建议组成信度CR>0.70；测量题目可靠性：因子载荷值大于0.70，且大于交叉因子载荷值；收敛效度：平均方差萃取量AVE>0.50。从表2可知，在排除CMV的影响下，除促成因素(FC)的Cronbach’s Alpha=0.575不符合标准外，其它均符合标准，说明该测量模型的其它构念具有内部一致性、测量题目可靠性及收敛效度。另外，区别效度分析用于验证模型潜变量之间相关性在统计上是否有差异。Bagozzi R P和Yi Y[81]认为AVE的算术平方根应大于构念之间Pearson相关数的绝对值，说明该测量模型的构念之间有较好的区分效度。从表3可知，在排除CMV的影响下，对角线粗体字为AVE的算术平方根，下三角为构念之间的Pearson相关系数，符合Bagozzi R P和Yi Y的标准，说明该测量模型具有区别效度。

表2 信度及收敛效度分析

表2(续)

表3 区别效度分析

本研究概念模型中持续使用行为(Continuance Usage Behavior，CUB)为形成型测量模型，该模型的评估方法与反映型测量模型的评估方法不同，评估可靠性没有意义[70，82]。Diamantopoulos A[83]认为评估形成型测量模型主要评估有效性，而非可靠性。Henseler J等[84]建议从指标和结构(潜变量之间的关系)两个层面评估形成型测量模型有效性。对于指标有效性的评估， Efron B[85]建议采用Bootstrapping及Miller R G[86]建议采用Jackknifing检验指标权重是否在p<0.05显著[70]，Fornell C和Bookstein F L[87]建议通过方差膨胀因子(Variance Inflation Factor，VIF)评估形成型指标之间的多重共线性程度，Neter J等[88]认为VIF<4及Hair J F等[72]认为VIF<5显示多重共线性并不是一个问题。对于结构效度(潜变量之间的关系有效性)的评估，Straub D等[89]认为潜变量和其他潜变量之间的关系在以前的文献中已经被充分提及并且具有显著意义，Bruhn M等[90]认为形成型潜在变量与其它潜在变量之间的相关性小于0.700，表明有足够的区别效度，而且Lohmöller J-B[91]建议路径系数应大于0.100。经计算，在排除CMV的影响下，除CUB1(β=0.396，p=0.093)对CUB影响不显著外，CUB2(β=0.420，p=0.001)和CUB3(β=0.500，p=0.001)对CUB影响均显著且符合Efron B和Miller R G建议标准；CUB1的VIF=1.175，CUB2的VIF=1.257，CUB3的VIF=1.367，符合Neter J等建议标准；形成型潜在变量CUB与其它潜在变量的关系均来自以前的文献回顾，而且相关性均小于0.700且符合Bruhn M等建议标准；除FC→CUB的路径系数小于0.100外，其它路径系数均大于0.100且符合Lohmöller J-B。因此，为确保形成型潜在变量CUB有效性及区别效度，考虑删除指标CUB1及路径FC→CUB(H1g)，同时不在共线性问题得到验证。

3.2.3 研究假设验证

在排除CMV的影响下，删除指标CUB1及路径FC→CUB(H1g)，采用PLS对该模型的路径关系进行分析，除PA(β=0.027，T=0.421)→IM(H2a)及IM(β=-0.014，T=0.245)→CUI(H2e)的路径系数不显著外，其它均显著。删除路径PA→IM(H2a)及IM→CUI(H2e)，对研究假设进一步分析，检验结果全部显著，该模型标准化路径系数PLS分析结果如图2所示。

注：*:P<0.05,**:P<0.01,***:P<0.001,n.s.:insignificance.图2 概念模型路径PLS分析结果

3.2.4 调节效应验证

由于自变量CUI、调节变量HABIT、因变量CUB均为潜变量，采用SPSS24.0分析HABIT对CUI→CUB(H1e)之间的调节效应之前，该研究采取对3个潜变量分别求和再计算，对自变量CUI和调节变量HABIT做中心化变换[93]，再做CUB=a×CUI+b×HABIT+c×CUI×HABIT+e的层次回归分析，若CUI×HABIT的回归系数c检验显著，则调节效应显著，分析结果如表4所示。由表4知，CUI×HABIT的回归系数c=-0.158且显著，ΔR2=0.021且显著。表明HABIT对CUI→CUB(H1e)之间有负调节效应，即当调节变量HABIT每增加一个标准差，自变量CUI对因变量CUB的斜率减少0.158个标准差。另外，采用PLS分析HABIT对CUI→CUB(H1e)之间的调节效应，调节效应(β=-0.172，T=3.957)→CUB的路径系数显著。通过两种方式分析HABIT对CUI→CUB(H1e)之间的调节效应，回归系数(c=-0.158)与路径系数(β=-0.172)相差甚微，HABIT对CUI →CUB(H1e)之间的负调节效应得到验证。

3.2.5 结构模型评估

对于结构模型的评估主要看每个内生潜在变量的决定系数R2。Chin W W[93]认为内生潜在变量的决定系数R2近似为0.670表示实务上解释能力，R2约为0.333表示中度解释能力，R2约为0.190表示解释能力薄弱。同时，还要评估结构模型中潜变量之间的路径系数，Huber F等[94]认为潜变量之间的路径系数应该大于0.100，且在p<0.05显著[70]。另外，Chin W W[93]和Cohen J[95]认为可以根据Cohen J的f2值评估结构方程模型中每条路径的影响大小(Effect Size)，0.0200.350分别表示外生变量对内生变量的影响力低、中、高。对于结构模型的预测相关性评估，可以采用非参数Stone-Geisser检验[96-97]，该检验采用一个样本重用技术Blindfolding程序创建残差估计。Hair J F等[72]认为结构模型的预测相关性Q2应该大于0，而且被检验模型预测相关性越好，Q2就越大[70,98]。经计算，在排除CMV的影响下，决定系数(根据Chin W W[93]的标准)：0.214≤R2(CUB、CUI、IM、PU、ST、HABIT)≤0.483表示具有中度解释能力；路径系数(根据Huber F等[94]的标准)：从表3知，潜变量之间的路径系数均大于0.100且显著；影响大小(根据Chin W W[93]和Cohen J[95]的标准)：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)；预测相关性(根据Hair J F等[72]及Fornell C等[98]的标准)：0.148≤Q2(CUB、CUI、IM、PU、ST、HABIT)≤0.327表示内生潜在变量有较好的预测相关性。

表4 习惯调节作用的层次回归分析

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

4 讨论与结论

4.1 结果讨论

本研究在借鉴国内外学者研究成果的基础上，整合扩展的ECM-ISC模型、自我决定理论及习惯，构建移动社交媒体用户持续使用行为概念模型。根据本研究概念模型，提出研究假设和问卷设计并以微信为例收集样本数据，采用PLS分析数据，在排除CMV的影响下，对测量模型和结构模型进行评估，并对研究假设和调节效应进行验证，主要有以下研究发现：

1)持续使用意愿和习惯对移动社交媒体用户持续使用行为产生直接影响，共同解释23.2% 持续使用行为的方差变异。相对于习惯(β=0.165，p<0.05)而言，持续使用意愿(β=0.359，p<0.001)的影响更大，该结果与Limayem M等[34]2007年在MIS Quarterly发表的文章研究结果相近。从影响效应大小来看，f2(CUI→ CUB)= 0.099、f2(HABIT →CUB)= 0.021，说明持续使用意愿大于习惯对持续使用行为的解释能力。而且，习惯(β=-0.172，T=3.957)对持续使用意愿和持续使用行为的关系有负向的调节作用，这一结果与Limayem M等[34]、刘人境等[26]研究相一致。但是，本研究促成条件对持续使用行为影响不显著，可能原因是随着移动互联网和移动智能终端的普及，对移动社交媒体(微信)用户来说，使用移动社交媒体(微信)的促成条件已不成问题。然而，前人的研究对象大多是功能型信息系统，如数字资源教育系统[29]、文件管理系统[35]等，促成条件是必须的，进而对持续使用行为产生直接影响。因此，本研究移动社交媒体(微信)用户持续使用行为受到有意识的使用行为和习惯性使用行为的双重作用。这一结果表明，用户使用移动社交媒体(微信)强烈意愿和习惯可以直接促使用户使用移动社交媒体(微信)行为的发生。

2)使用后感知有用性、满意度及自我功效正向显著影响持续使用意愿，共同解释40.0% 持续使用意愿的方差变异。就路径系数而言，使用后感知有用性(β=0.321，p<0.001)对持续使用意愿的影响要大于满意度(β=0.269，p<0.001)及自我功效(β=0.219，p<0.001)，这一结果与Bhattacherjee A等[35]、刘鲁川等[28]等研究一致。从影响效应大小来看，f2(PU→CUI)= 0.1、f2(ST→CUI)= 0.086、f2(SE→CUI)= 0.063，说明使用后感知有用性对持续使用意愿的解释能力要大于满意度和自我功效。这一结果表明用户只有在实际生活中通过使用移动社交媒体(微信)，感觉对自己有用，对整个使用过程和结果满意，自己有能力使用，才会产生后续持续使用的意愿。

3)期望确认度对使用后感知有用性和满意度产生直接影响，期望确认度解释43.1%使用后感知有用的方差变异，期望确认度和内在动机共同解释48.3%满意度的方差变异，并通过他们对移动社交媒体(微信)用户持续使用意愿和行为产生间接影响。就路径系数而言，期望确认度(β=0.597，p<0.001；β=0.518，p<0.001)对使用后感知有用性的影响略大于对满意度的影响，这一结果与Bhattacherjee等[35]、杨文正等[29]等研究一致。从影响效应大小来看，f2(EC→PU)=0.599、f2(EC→ST)= 0.447，说明期望确认度对使用后感知有用性的解释能力略大于满意度。这一结果表明，扩展的ECM-ISC模型中期望确认度对使用后感知有用性和满意度具有较稳健的解释力。在使用移动社交媒体(微信)后，用户的期望确认度越高，认为移动社交媒体(微信)越有用，对使用移动社交媒体(微信)越满意。

4)感知关系性和感知胜任性正向显著影响内在动机，共同解释35.7% 内在动机的方差变异，感知自主性对内在动机正向影响不显著。就路径系数而言，感知胜任性(β=0.412，p<0.001)对内在动机的影响大于感知关系性(β=0.225，p<0.05)。从影响效应大小来看，f2(PC→IM)= 0.12、f2(PR→IM)= 0.034，说明感知胜任性对内在动机的解释能力略大于感知关系性。这一结果与Sorebo O等[41]略有不同，Sorebo O等的研究结果是感知自主性和感知胜任性正向显著影响内在动机。进一步研究发现，Sorebo O等的研究对象是在线学习系统，非社会化媒体系统，感知关系性并不是内在动机的充分条件，感知自主性和感知胜任性才是最重要的因素。本研究对象为移动社交媒体(微信)，是一种社会化媒体平台，感知关系性是影响内在动机的因素之一。因此，用户通过使用移动社交媒体(微信)与他人或群体建立联系，扩大他们的交际圈，发布自己感兴趣的或分享有价值的信息，好友给予点赞或好评，从中获取成就感，进而增强用户使用移动社交媒体(微信)的内在动机。然而，用户虽然感知到自主性对他们很重要，但是移动社交类APP有较多的选择性，用户对自主性的敏感性就会降低，进而降低用户使用移动社交媒体(微信)的内在动机。

5)内在动机对满意度正向影响显著，内在动机和期望确认度共同解释48.3%满意度的方差变异。就路径系数而言，期望确认度(β=0.518，p<0.001)对满意度的影响大于内在动机(β=0.309，p<0.001)。从影响效应大小来看，f2(EC→ST)= 0.447、f2(IM→ST)= 0.159，说明期望确认度对满意度的解释能力大于内在动机。这一结果与Sorebo O等[41]研究一致，移动社交媒体(微信)用户使用前的预期在使用后得到确认的程度将对用户满意度产生重要影响，同时对移动社交媒体(微信)正真有兴趣的用户，他们对实际使用移动社交媒体(微信)也会感到满意。但是，内在动机对持续使用意愿不具有显著影响关系，这说明用户兴趣与持续使用移动社交媒体(微信)的关系不太明显，并不是持续使用移动社交媒体(微信)的充分条件，使用后感知有用才是最重要的因素。

6)满意度对习惯产生直接影响，解释21.4% 习惯的方差变异。从路径系数和影响效应大小来看，满意度对习惯影响的路径系数β=0.462且p<0.001，f2(ST→HABIT)= 0.272，说明满意度对习惯正向影响非常稳健，这一结果与Kim B[44]研究一致。因此用户使用移动社交媒体(微信)一旦达到目的，他们就会感到满意。在相同的情境线索和相关目标下，他们倾向于重复使用移动社交媒体(微信)进而形成习惯，并通过习惯间接影响持续使用行为。

4.2 结论及启示

4.2.1 研究结论

本研究通过整合扩展的ECM-ISC模型、自我决定理论及习惯，构建移动社交媒体用户持续使用行为概念模型，以微信用户为实证对象，采用PLS对该模型进行了验证，探究了移动社交媒体用户持续使用行为的影响因素及其相互关系。在排除CMV的影响下，本研究测量模型具有较好的信度和效度，结构模型中12假设(共15个)得到验证，概念模型整体具有较强的解释能力及较好的预测能力，假设检验结果形成了以下的研究结论：①从心理认知角度来看，在扩展的ECM-ISC模型中，诸如期望确认度、使用后感知有用性、满意度、持续使用意愿等变量是影响用户持续移动社交媒体的关键因素。②从内在动机角度来看，自我决定理论SDT中感知关系性和感知胜任性是影响移动社交媒体用户内在动机的关键因素。同时突破了扩展的ECM-ISC模型中满意度仅受到期望确认度的正向影响的局限，揭示了满意度还受到内在动机的正向影响。③本研究引入习惯这一变量，分析了满意度对习惯的正向影响及习惯对持续使用行为的正向影响，并分析了习惯对持续使用意向和行为的关系有负向调节作用的机理，扩展了解释持续使用行为的影响因素，弥补了现有研究的不足。

4.2.2 研究启示

根据本研究结论，对移动社交媒体(微信)运营商给出管理建议如下：1)扩展的ECM-ISC模型中，期望确认度对使用后感知有用性和满意度均正向显著影响。因此，移动社交媒体(微信)运营商应合理塑造用户期望，期望过高或过低都会影响用户的持续使用意愿和行为，同时增强移动社交媒体(微信)的实用性，不断开发新功能，增强用户使用后有用性感知，提高用户对产品的满意度和忠诚度，确保用户在初次使用后并保持持续使用。2)移动社交媒体(微信)运营商应从内在动机角度洞察用户的真正兴趣和心理需求，从感知关系性和感知胜任性两个方面强化用户的内在动机。因此，移动社交媒体(微信)运营商应增强用户社交功能，鼓励朋友圈相互关心和支持，提醒朋友圈定期沟通联系等，让用户切实感受到移动社交媒体(微信)能够帮助自己管理人际关系。同时增强用户自我展示功能，对用户在朋友圈等发布自己感兴趣的或分享有价值的信息，除好友给予点赞或好评外，移动社交媒体(微信)可以建立声誉跟踪机制，用户从中获取成就感。3)移动社交媒体(微信)应加强用户使用习惯的培养，可根据用户每天上线的次数、停留时间的长短、与好友互动的次数以及用户发布感兴趣的或分享有价值的信息数量，对用户给予不同形式不同级别的奖励，鼓励用户持续使用，培养用户的习惯性使用行为。另外，虽然本研究以微信为例，但是研究结论和启示亦可广泛适用于各大移动社交媒体平台。

4.3 研究意义与局限性

本研究的目的是探讨如何提高对移动社交媒体(微信)用户忠诚度及增强用户黏性，确保用户在初次使用后并保持持续使用，稳定和吸收更多用户群体，促进移动社交媒体(微信)稳定持续发展。基于此，本研究通过整合扩展的ECM-ISC模型、自我决定理论及习惯，构建移动社交媒体用户持续使用行为概念模型，试图从心理认知与内在动机的双重视角分析移动社交媒体用户持续使用行为，引入习惯以便能够更好地解释移动社交媒体用户持续使用行为，这是本研究的创新之处，以期得到与以往不同且更有力的理论解释。本研究的意义包括两个方面：1)理论方面：从国内外学者研究成果来看，主要以ECM-ISC模型或以扩展的ECM-ISC模型为基础，开展信息系统用户持续使用行为研究，还未发现整合扩展的ECM-ISC模型、自我决定理论(Self-determination Theory，SDT)及习惯构建概念模型，开展移动社交媒体用户持续使用行为研究。未来的研究者可考虑采用本研究概念模型或在本研究概念模型的基础上引入新的变量等，对如何提高对移动社交媒体(微信)用户忠诚度及增强用户黏性做进一步的探索。2)实践方面：本研究对移动社交媒体(微信)运营商提高用户忠诚度及增强用户黏性具有一定的实践指导意义，移动社交媒体(微信)运营商可根据本研究结论开展相应的工作。

当然，本研究也存在一定局限性。主要集中在3个方面：1)本研究调查样本主要来自在校大学生，未考虑其它移动社交媒体(微信)用户，虽然在校大学生群体具有一定的代表性，但选择更广泛的用户群体作为研究对象，本研究概念模型的通用性会更好。2)本研究所采用的数据为横截面数据，不能反映各潜变量之间相互关系的动态变化，未来可考虑在移动社交媒体(微信)终端安装数据采集器获取用户行为数据，做进一步的研究。3)本研究持续使用意愿和习惯共同解释23.2% 持续使用行为的方差变异，该结果与Limayem M等[34]研究结果(R2=0.211)相近。笔者通过便利抽样访谈，总结发现用户使用移动社交媒体(微信)主要受亲朋好友、同学同事等在用或业务往来、工作需要使用等的影响，这与计划行为理论(Theory of Planned Behavior，TPB)中“主观规范”的相符合。此外，移动社交媒体(微信)平台的友好性、便捷性等直接影响用户的行为控制感知，进而对用户持续使用意愿和行为产生影响。因此，下一步考虑在本研究概念模型中引入TPB 中的“主观规范”和“感知行为控制”这两个潜变量，以期对用户持续使用移动社交媒体(微信)得到更好的解释。

[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]赵宇翔,张轩慧,宋小康.移动社交媒体环境下用户错失焦虑症(FoMO)的研究回顾与展望[J].图书情报工作,2017,(8):133-144.

[3]中国互联网络信息中心.第40次《中国互联网络发展状况统计报告》[EB/OL].http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201708/P020170807351923262153.pdf,2017-08-04.

[4]黄柏淅,朱小栋.移动社交类APP用户持续使用意愿的影响因素研究[J].现代情报,2016,(12):57-64.

[5]刘莉. 社交网站用户持续使用行为研究——基于信息获取和人际交互的视角[J]. 情报理论与实践,2012,35(11):17-22.

[6]赵英,范娇颖.大学生持续使用社交媒体的影响因素对比研究——以微信、微博和人人网为例[J].情报杂志,2016,(1):188-195.

[7]陈明红,郑洁萍,漆贤军.移动社交媒体用户信息共享持续意愿研究[J].情报理论与实践,2017,(4):37-43.

[8]曹欢欢,姜锦虎,胡立斌.社交网络持续使用:从众行为和习惯调节作用[J].华东经济管理,2015,(4):156-162.

[9]洪红,徐迪.移动社交应用的持续使用意愿影响因素研究——探讨网络外部性和羊群行为的共同作用[J].经济管理,2015,(5):40-50.

[10]葛仲夏,顾东晓,顾佐佐.社交网络工具持续使用影响因素的实证研究[J].图书馆学研究,2015,(1):34-40.

[11]陈昊,李文立,柯育龙.社交媒体持续使用研究:以情感响应为中介[J].管理评论,2016,(9):61-71.

[12]黄柏淅,朱小栋.移动社交类APP用户持续使用意愿的影响因素研究[J].现代情报,2016,(12):57-64.

[13]梁栩彬,甘春梅.移动社交媒体沉迷的影响因素研究:以微信为例[J].情报理论与实践,2017,(1):93-97.

[14]Oghuma A P,Chang Y,Libaque-Saenz C F,et al.Benefit-confirmation model for post-adoption behavior of mobile instant messaging applications[J].Telecommunications Policy,2015,39(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]周涛,方文侃.移动社交APP位置分享服务持续使用研究[J].杭州电子科技大学学报：社会科学版,2016,(3):1-7.

[17]陈明红,孙顺,漆贤军.移动社交媒体位置信息分享持续意愿研究——隐私保护视角[J].图书馆论坛,2017,(4):58-67.

[18]Hu J,Zhang Y.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]赵婉颖.社交因素对用户移动阅读持续使用的影响研究[J].图书馆学研究,2016,(20):87-95.

[20]Zhao Y,Deng S,Zhou R.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,赵星.大学生社会化阅读APP持续使用意愿及发生机理研究[J].中国图书馆学报,2016,(1):52-65.

[23]赵文军,易明,王学东.社交问答平台用户持续参与意愿的实证研究——感知价值的视角[J].情报科学,2017,(2):69-74,91.

[24]赵延昇,高佳.移动社交支付APP用户持续使用意愿研究——主观参照的调节作用[J].大连理工大学学报：社会科学版,2015,(4):47-52.

[25]Hsu M H，Chang C M，Chuang L W.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]刘人境,柴婧,张莉莉.综合类SNS社交网络个人用户持续使用行为的影响因素研究[J].知识管理论坛,2013,(5):25-37.

[27]王哲.社会化问答社区知乎的用户持续使用行为影响因素研究[J].情报科学,2017,(1):78-83,143.

[28]刘鲁川,孙凯,王菲,等.移动搜索用户持续使用行为实证研究[J].中国图书馆学报,2011,(6):50-57.

[29]杨文正,张静,刘敏昆,等.数字教育资源用户持续使用行为实证研究——基于扩展的ECM-ISC模型[J].中国电化教育,2015,(11):54-61.

[30]杨甜.高校图书馆微信公众平台用户持续关注行为影响因素研究[J].情报探索,2017,(2):95-103.

[31]李宗富,郭顺利.档案微信公众号用户持续使用的理论模型及实证研究[J].档案学研究,2017,(2):80-88.

[32]Oliver R L.A Cognitive Model of the Antecedents and 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]曹园园,李君君,秦星红.SNS采纳后阶段用户持续使用行为研究——基于情感依恋与ECM-IS的整合模型[J].现代情报,2016,36(10):81-88.

[37]Deci E L,Ryan R M.Intrinsic Motivation and Self-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]刘鲁川,孙凯.基于扩展ECM-ISC的移动搜索用户持续使用理论模型[J].图书情报工作,2011,55(20):134-137,148.

[48]杨根福.MOOC用户持续使用行为影响因素研究[J].开放教育研究,2016,(1):100-111.

[49]肖怀云.MC消费者持续使用行为演化分析[J].西安电子科技大学学报：社会科学版,2011,21(6):49-54.

[50]刘人境,柴婧.SNS社交网络个人用户持续使用行为的影响因素研究[J].软科学,2013,(4):132-135,140.

[51]Aarts H,Verplanken B,Knippenberg A V.Predicting Behavior From Actions in the Past:Repeated Decision Making or a Matter of Habit?[J].Journal of Applied Social Psychology,1998,28(15):1355-1374.

[52]Finn R H.Effects of Some Variations in Rating Scale Characteristics on the Means and Reliabilities of Ratings[J].Educational & Psychological Measurement,1972,32(2):255-265.

[53]陈瑶,邵培基.社交网站持续使用的实证研究——基于改进的期望确认模型[J].信息系统学报,2011,(1):23-34.

[54]MengHsiang Hsu,ChaoMin Chiu.Predicting electronic service continuance with a decomposed theory of planned behaviour[J]. Behaviour & Information Technology, 2004,23(5):359-373.

[55]Thompson R L,Higgins C A,Howell J M.Personal Computing:Toward a Conceptual Model of 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]腾讯.腾讯2017年第二季度及中期业绩[EB/OL]. https://www.tencent.com/zh-cn/articles/8003451502937229.pdf,2017-08-16.

[63]Barclay D W,Thompson R L,Higgins C.The Partial Least Squares(PLS)Approach to Causal Modeling:Personal Computer 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]吴寿进,方文昌,黄恒奖.虚拟社群成员识别匿名性与群体规范之研究：外在自我觉察与社群认同之中介效果[J].资讯管理学报,2012,19( 2):315-347.

[74]Podsakoff P.M,MacKenzie S.B,Lee J.Y,Podsakoff N.P.Common method biases in behavioral research:a critical review of literature and recommended remedies[J]．Journal of Applied Psychology,2003,88( 5):879-903.

[75]赵卫东,吴继红,王颖.组织学习对员工—组织匹配的影响——知识惯性调节作用的实证研究[J].管理工程学报,2012,26(3):7-14.

[76]Podsakoff P M,Organ D W.Self-Report in Organizational 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] Lohmöller J-B.Latent variable path modeling with partial least squares[M].Heidelberg:Physica-Verlag,1989.

[92]温忠麟,侯杰泰,张雷.调节效应与中介效应的比较和应用[J].心理学报,2005,37(2):268-274.

[93]Chin W W.The partial least squares approach for structural 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

国家社会科学基金重大项目“面向大数据的数字图书馆移动视觉搜索机制与应用研究”(项目编号15ZDB126)。

孟猛(1977-)，男，副研究员，博士研究生，研究方向：互联网用户行为，信息安全风险管理。

朱庆华(1963-)，男，教授，博士生导师，研究方向：社会化媒体，互联网用户行为，信息政策与法规。

马 卓)