1. 引言
随着科技的进步与经济发展水平的提高，我国网民规模不断扩大。中国互联网络信息中心(CNNIC)发布的第53次《中国互联网络发展状况统计报告》显示，截至2023年12月，我国网民规模达10.92亿人，较2022年12月增长2480万人，互联网普及率达77.5% [1]。具体数据如图1所示。互联网的迅速普及为我国生鲜电商的发展提供了良好的条件。近五年来生鲜电商行业持续高速发展，2019年和2020年市场
Figure 1. Size of Internet users and Internet penetration rate
图1. 网民规模和互联网普及率
规模增速分别达到31%和42.54%。虽然近年来增速有所减缓，但市场规模仍然庞大，表明我国生鲜消费能力较强。
尽管生鲜电商线上渗透率不断上升，但相比其他行业，消费者通过网络购买生鲜果蔬的频率仍然较低，市场规模较小，但潜力巨大。因此，本课题基于技术接受模型，以果蔬为例，研究消费者网上选购果蔬农产品的影响因素，为生鲜电商平台的运营提供参考。
2. 模型构建与研究假设
2.1. 理论基础
2.1.1. 感知风险理论
感知风险(Perceived Risk)这一概念是由哈佛大学教授Raymond Bauer在1960年首次提出，他将感知风险定义为消费者对其所要购买的商品存在的不确定性的感知，是一种主观感受[2]。Cox (1964)认为感知风险是指消费者在考虑特定购买决策时所感受到的风险程度，是主要的行为决定因素，当感知风险水平过高时，消费者倾向于通过亲自购物来减少购买的不确定性。
2.1.2. 技术接受模型(TAM)
技术接受模型(Technology Acceptance Model，简称TAM)是Davis (1989)在运用理性行为理论研究用户对于信息系统接受时提出的[3]。最初用于研究用户对信息系统接受的关键因素，后被学者们广泛应用于与网络技术相关的各行各业的研究中。技术接受模型在理性行为模型的基础上舍弃了一些变量，引入了两个新变量——感知有用性(Perceived Usefulness，简称PU)和感知易用性(Perceived Ease Of Use，简称PEOU)。感知有用性是指“个人认为使用某一项新技术对其生活效率的提高程度”，感知易用性是指“个人认为使用某项新技术的容易程度”。技术接受模型认为，个人对一项信息技术的接受和使用行为是由行为意愿决定的，而行为意愿又由感知有用性和想用态度共同决定，其中，想用态度是由感知有用性和感知易用性共同决定的，感知有用性是由感知易用性和外部变量共同决定的，感知易用性是由外部变量决定的。具体的相互作用关系如图2所示。
Figure 2. TAM model
图2. TAM模型
后来，Davis考虑到现实情况，对模型进行了简化[3]。如图3为简化后的技术接受模型。
2.2. 研究假设
2.2.1. 因变量
根据前人的研究，消费者购买意愿是预测消费者购买行为的关键指标，因此本文将购买意愿作为因变量来衡量消费者购买行为，外部变量通过作用于核心自变量从而影响消费者购买意愿。
Figure 3. The simplified TAM model
图3. 简化后的TAM模型
2.2.2. 自变量
在模型中，外部变量通过对消费者感知易用性、感知有用性和感知安全性产生影响，最终影响消费者的购买意愿。结合大量文献阅读以及自身网购果蔬经验，本文提出以下的假设：
1. 电商平台因素
电商平台因素包括平台有用性、平台易用性和平台安全性。平台有用性是指消费者使用电商平台所感知到的效用，平台易用性是指使用该平台时感知到的操作容易程度，平台安全性是指在该平台进行购买消费者所感知到的安全程度。郭妹(2010)认为当电商平台提供的商品信息越详细、完整、真实并且简洁高效，则顾客对于平台的感知易用性、感知有用性越高[4]。综合以上分析，提出以下假设：
H1a：电商平台因素正向影响感知有用性。
H1b：电商平台因素正向影响感知易用性。
H1c：电商平台因素正向影响感知安全性。
2. 商品因素
商品因素反映的是消费者通过网络购买到的果蔬农产品的属性。当商品属性与消费者的期望相符合，便会引发购买行为。马若男(2021)认为当电商网站提供的商品种类越丰富、信息越全面，消费者感知有用性被提升，则消费者购买意向越明显[5]。汪卓(2019)研究发现产品质量是决定购买意愿的关键因素[6]。乔俊丽(2010)认为质量越好的商品可以给消费者带来越多的安全感[7]。基于以上的分析，提出以下的假设：
H2a：商品因素正向影响感知有用性。
H2b：商品因素正向影响感知易用性。
H2c：商品因素正向影响感知安全性。
3. 购物体验因素
购物体验因素是指用户在购物前、中、后用户对平台服务的感知。王露露(2019)认为可以通过强化购物体验，增强消费者对产品的信任，从而提高感知有用性和感知安全性[8]。汪卓(2019)研究发现物流服务和价格对于消费者的网购生鲜农产品的意愿具有显著的影响作用，产品质量是决定购买意愿的关键因素，而物流质量直接决定着产品质量[6]。基于以上的分析，提出如下几个假设：
H3a：购物体验因素正向影响感知有用性。
H3b：购物体验因素正向影响感知易用性。
H3c：购物体验因素正向影响感知安全性。
4. 感知有用性
在电子商务背景下，消费者对电商平台有用程度的感知会影响其使用该平台购买果蔬农产品的意愿。黄丽华(2018)通过改进后的TAM模型对消费者网购生鲜农产品影响因素进行分析，研究表明感知有用性显著影响消费者的购买意愿[9]。因此提出以下假设：
H4：感知有用性正向影响购买意愿。
5. 感知易用性
与感知有用性一样，感知易用性也被看做是影响消费者对信息技术接受的一个关键变量。杨春艳(2016)认为如果可以使消费者感觉到网购生鲜农产品比线下购买更加便利、信息更加真实，则他们更愿意选择网络购买方式[10]。因此提出以下假设：
H5：感知易用性正向影响购买意愿。
6. 感知安全性
感知安全性是感知风险变量的反维度，在本文中是指消费者对网购果蔬农产品结果以及对其达到预期的看好程度，是一种主观感觉。井淼(2005)将感知风险细化为8个维度，他认为消费者在网络购买时要比线下购买承担更大的心理压力，在购买时倾向于减少其感知风险而不仅仅是追求利益最大化[11]。
综合以上分析，提出假设：
H6：感知安全性正向影响购买意愿。
2.3. 模型构建
本文在TAM模型和感知风险理论的基础上，结合研究对象果蔬农产品，构建出研究模型对影响消费者网购果蔬农产品的影响因素进行探究。具体的模型如图4所示。
Figure 4. Research model
图4. 研究模型
2.4. 量表设计
在阅读大量文献的基础上，结合生活实际，本文将从以下维度对变量进行测量。具体内容如表1所示。
Table 1. Questionnaire scale design
表1. 调查问卷量表设计
测量变量 |
题项编号 |
测量维度 |
参考来源 |
商品因素 |
PF1 |
在该平台，我购买到的果蔬种类齐全 |
|
PF2 |
在该平台，我购买到的果蔬质量好 |
朱豪(2021) [12] |
PF3 |
在该平台，我购买到的果蔬比较新鲜 |
|
电商平台因素 |
EPF1 |
该平台的用户量大 |
王志辉(2017) [13] 柴亦欣(2019) [14] |
EPF2 |
该平台优惠活动频繁，且优惠力度大 |
|
EPF3 |
该平台电商口碑好 |
|
EPF4 |
相比于其他平台，我对该平台更信任 |
购物体验因素 |
SEF1 |
该平台客服的服务质量令我满意 |
赖琳琳(2020) [15] 王美玲(2019) [16] 等 |
SEF2 |
该平台可选择的支付方式多 |
SEF3 |
该平台提供的物流服务好 |
感知有用性 |
PU1 |
在该平台线上购买果蔬可以节省时间 |
柳立君(2007) [17] 王军(2017) [18] |
PU2 |
在该平台线上购买果蔬可供选择的种类更多 |
PU3 |
在该平台线上购买果蔬可以提高生活工作效率 |
感知易用性 |
PE1 |
在该平台，我能迅速找到我想要的产品 |
王军(2017) [18] 赵文彦(2020) [19] |
PE2 |
在该平台线上支付更加地快捷方便 |
PE3 |
总的来说，在该平台上购买果蔬农产品对我来说是一件很容易的事 |
感知安全性 |
PS1 |
在该平台购买果蔬，我会觉得物有所值 |
王露露(2019) [8] 朱豪(2021) [12] |
PS2 |
在该平台购买果蔬，我不会担心果蔬质量问题 |
PS3 |
在该平台购买果蔬，我不会担心支付安全 |
PS4 |
在该平台购买果蔬，我不会担心个人信息被泄露 |
购买意愿 |
PI1 |
我愿意在该平台购买果蔬 |
Davis (1989) [3] |
PI2 |
如果有需要，在未来我会运用该平台购买更多果蔬农产品 |
PI3 |
我愿意向亲朋好友推荐网购果蔬 |
3. 问卷设计与数据分析
3.1. 调查问卷的设计与发放
调查问卷共分为两部分。第一部分是问卷填写者的个人信息，包括性别、年龄、最高学历、职业、网购果蔬频率等；第二部分是用于变量测量的量表题项，对电商平台因素、商品因素、购物体验因素、感知有用性、感知易用性、感知安全性、购买意愿7个变量从多个维度进行测量。此次问卷主要利用问卷星平台进行制作，通过分享链接在微信、QQ、微博等网络平台随机填写，回收问卷251份。调查对象为具有网购果蔬经验的人群，为了保证数据的准确性，对不符合要求的问卷进行剔除，最终获得有效问卷228份。
3.2. 数据分析
3.2.1. 信度分析
信度分析即信度检验，用于考察量表的内部一致性。本研究运用SPSS25.0计算量表的Cronbach’s Alpha系数，运算结果如表2所示。
结果显示，每个变量的Cronbach’s Alpha系数都大于0.8，说明各个量表的信度是很好的。同时可以发现，量表每一个测量项的Cronbach’s Alpha系数都小于总体的系数，比如：购买意愿的Cronbach’s Alpha系数为0.913，其三个测量项的Cronbach’s Alpha系数值分别为0.880、0.891、0.854，均小于总体的系数，由此看来量表的信度水平符合要求。
Table 2. Reliability test results
表2. 信度检验结果
变量 |
项数 |
修正后的项与总计相关性 |
删除项后的克隆巴赫Alpha |
各变量的克隆巴赫Alpha |
电商平台因素 |
EPF1 |
0.630 |
0.802 |
0.833 |
EPF2 |
0.681 |
0.779 |
EPF3 |
0.699 |
0.772 |
EPF4 |
0.637 |
0.800 |
商品因素 |
PF1 |
0.700 |
0.843 |
0.863 |
PF2 |
0.749 |
0.799 |
PF3 |
0.772 |
0.777 |
购物体验因素 |
SEF1 |
0.687 |
0.719 |
0.813 |
SEF2 |
0.664 |
0.745 |
SEF3 |
0.643 |
0.765 |
感知有用性 |
PU1 |
0.712 |
0.816 |
0.856 |
PU2 |
0.704 |
0.827 |
PU3 |
0.779 |
0.753 |
感知易用性 |
PE1 |
0.716 |
0.800 |
0.852 |
PE2 |
0.775 |
0.748 |
PE3 |
0.682 |
0.834 |
感知安全性 |
PS1 |
0.702 |
0.850 |
0.874 |
PS2 |
0.758 |
0.827 |
PS3 |
0.766 |
0.823 |
PS4 |
0.698 |
0.851 |
购买意愿 |
PI1 |
0.820 |
0.880 |
0.913 |
PI2 |
0.807 |
0.891 |
PI3 |
0.850 |
0.854 |
3.2.2. 效度分析
通过对量表进行信度分析可知，量表具有一定的可靠性，接下来对量表进行进一步的效度分析。
1. 探索性因子分析
本次研究运用SPSS24.0来进行效度检验，首先进行KMO和Bartlett球形度检验，检验结果如表3所示，样本数据的KMO值为0.877，大于0.7；Bartlett球形度检验显著性为0.000，小于0.05。因此，样本数据适合做探索性因子分析。
在进行因子分析时，剔除因子载荷系数小于0.5之后的数据结果如表4所示。
从旋转矩阵可以看出，本次共提取出7个因子，各个变量的因子载荷系数均大于0.7，累计解释方差达到76.2%，说明提取的公因子能够解释原始变量的绝大部分信息，可以做进一步的验证性因子分析。
2. 验证性因子分析
验证性因子分析是用来验证测量因子与测量项之间的关系与研究者的预测是否保持一致，通过验证聚合效度、区分效度和结构效度来进行效度分析。本文根据探索性因子分析结果运用软件AMOS24构建出的消费者网购果蔬农产品影响因素模型如图5所示。
Table 3. KMO and Bartlett’s test results
表3. KMO和Bartlett的检验结果
KMO和Bartlett的检验 |
取样足够度的KMO度量 |
0.877 |
Bartlett球形度检验 |
近似卡方 |
3241.787 |
自由度(df) |
253 |
显著性(sig.) |
0.00 |
Table 4. Factor load matrix after rotation
表4. 旋转后的因子载荷矩阵
变量 |
题项 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
电商平台因素 |
EPF1 |
|
0.757 |
|
|
|
|
|
EPF2 |
|
0.752 |
|
|
|
|
|
EPF3 |
|
0.789 |
|
|
|
|
|
EPF4 |
|
0.708 |
|
|
|
|
|
商品因素 |
PF1 |
|
|
|
0.796 |
|
|
|
PF2 |
|
|
|
0.856 |
|
|
|
PF3 |
|
|
|
0.830 |
|
|
|
购物体验因素 |
SEF1 |
|
|
|
|
|
0.767 |
|
SEF2 |
|
|
|
|
|
0.799 |
|
SEF3 |
|
|
|
|
|
0.798 |
|
感知有用性 |
PU1 |
|
|
0.791 |
|
|
|
|
PU2 |
|
|
0.784 |
|
|
|
|
PU3 |
|
|
0.812 |
|
|
|
|
感知易用性 |
PE1 |
|
|
|
|
|
|
0.818 |
PE2 |
|
|
|
|
|
|
0.794 |
PE3 |
|
|
|
|
|
|
0.716 |
感知安全性 |
PS1 |
0.770 |
|
|
|
|
|
|
PS2 |
0.794 |
|
|
|
|
|
|
PS3 |
0.806 |
|
|
|
|
|
|
PS4 |
0.705 |
|
|
|
|
|
|
购买意愿 |
PI1 |
|
|
|
|
0.764 |
|
|
PI2 |
|
|
|
|
0.770 |
|
|
PI3 |
|
|
|
|
0.764 |
|
|
Figure 5. Model of influencing factors of consumers’ online shopping
图5. 消费者网购果蔬农产品影响因素模型
(1) 结构效度
根据表5可以看出，X2/df值为1.820，介于1到3之间，符合标准；其他各项拟合系数也都达到标准，可以看出模型整体拟合度较好。
(2) 聚合效度
如表6所示，每个变量的AVE值均大于0.5，组合信度CR值均大于0.7，同时每个测量项的因子载荷系数均大于0.7，说明该量表具有良好的聚合效度。
(3) 区分效度
区分效度分析如表7所示，可以看出，各个潜变量与其他变量的相关系数明显小于潜变量AVE的算术平方根，因此可以说明该量表具有很好的区分效度。
总的来说，量表的信度和效度均已达标，可以进行接下来的相关性分析与回归分析。
Table 5. Overall fitting coefficient table and coefficient index
表5. 整体拟合系数表和系数指标
参考指标 |
评价标准 |
实际测量值 |
是否达标 |
X2/df |
1~3之间合适 |
1.820 |
是 |
RESEA |
小于0.08 |
0.06 |
是 |
IFI |
大于0.9 |
0.946 |
是 |
CFI |
大于0.9 |
0.945 |
是 |
TLI |
大于0.9 |
0.933 |
是 |
GFI |
大于0.8 |
0.872 |
是 |
AGFI |
大于0.8 |
0.831 |
是 |
Table 6. Aggregate validity analysis table
表6. 聚合效度分析表
观测变量 |
|
潜变量 |
Estimate |
AVE |
CR |
EPF4 |
<--- |
电商平台因素 |
0.727 |
0.557 |
0.834 |
EPF3 |
<--- |
电商平台因素 |
0.778 |
EPF2 |
<--- |
电商平台因素 |
0.776 |
EPF1 |
<--- |
电商平台因素 |
0.701 |
PF3 |
<--- |
商品因素 |
0.871 |
0.680 |
0.864 |
PF2 |
<--- |
商品因素 |
0.834 |
PF1 |
<--- |
商品因素 |
0.765 |
SEF3 |
<--- |
购物体验因素 |
0.742 |
0.594 |
0.814 |
SEF2 |
<--- |
购物体验因素 |
0.765 |
SEF1 |
<--- |
购物体验因素 |
0.804 |
PU3 |
<--- |
感知有用性 |
0.875 |
0.673 |
0.861 |
PU2 |
<--- |
感知有用性 |
0.784 |
PU1 |
<--- |
感知有用性 |
0.800 |
PE3 |
<--- |
感知易用性 |
0.769 |
0.667 |
0.857 |
PE2 |
<--- |
感知易用性 |
0.877 |
PE1 |
<--- |
感知易用性 |
0.801 |
PS4 |
<--- |
感知安全性 |
0.774 |
0.638 |
0.875 |
PS3 |
<--- |
感知安全性 |
0.831 |
PS2 |
<--- |
感知安全性 |
0.820 |
PS1 |
<--- |
感知安全性 |
0.767 |
PI3 |
<--- |
购买意愿 |
0.910 |
0.780 |
0.914 |
PI2 |
<--- |
购买意愿 |
0.857 |
PI1 |
<--- |
购买意愿 |
0.882 |
Table 7. Differential validity analysis table
表7. 区分效度分析表
变量 |
电商平台因素 |
商品因素 |
购物体验因素 |
感知有用性 |
感知易用性 |
感知安全性 |
购买意愿 |
电商平台因素 |
0.557 |
|
|
|
|
|
|
商品因素 |
0.123*** |
0.680 |
|
|
|
|
|
购物体验因素 |
0.13*** |
0.084*** |
0.594 |
|
|
|
|
感知有用性 |
0.147*** |
0.156*** |
0.117*** |
0.673 |
|
|
|
感知易用性 |
0.154*** |
0.127*** |
0.133*** |
0.167*** |
0.667 |
|
|
感知安全性 |
0.163*** |
0.191*** |
0.151*** |
0.180*** |
0.171*** |
0.638 |
|
购买意愿 |
0.153*** |
0.207*** |
0.149*** |
0.200*** |
0.177*** |
0.196*** |
0.780 |
AVE平方根 |
0.746 |
0.824 |
0.771 |
0.821 |
0.817 |
0.798 |
0.883 |
3.2.3. 相关性分析
相关性分析是指检验两个或者多个变量之间相关程度的一种统计方法，只能粗略地得出变量之间的正相关或负相关关系，当相关性分析结果符合研究假设时，可进一步做回归分析。
(1) 核心自变量与外部变量的相关性分析
Table 8. Correlation analysis table of perceived usefulness and external variables
表8. 感知有用性与外部变量相关性分析表
变量 |
电商平台因素 |
商品因素 |
购物体验因素 |
感知有用性 |
电商平台因素 |
1 |
|
|
|
商品因素 |
0.323** |
1 |
|
|
购物体验因素 |
0.435** |
0.227** |
1 |
|
感知有用性 |
0.423** |
0.377** |
0.350** |
1 |
**在0.01级别(双尾)，相关性显著。
由表8~10可知，外部变量电商与核心自变量之间的相关系数均为正值，即外部变量与核心自变量在0.01的显著性水平上正相关，研究假设初步得到验证。
(2) 购买意愿与核心自变量的相关性分析
由表11可知，感知有用性、感知易用性、感知安全性与购买意愿均显著正相关，其中感知有用性与购买意愿之间的相关性系数最大，达0.544，研究假设初步得到验证。
Table 9. Perceived ease of use and external variables correlation analysis table
表9. 感知易用性与外部变量相关性分析表
变量 |
电商平台因素 |
商品因素 |
购物体验因素 |
感知易用性 |
电商平台因素 |
1 |
|
|
|
商品因素 |
0.323** |
1 |
|
|
购物体验因素 |
0.435** |
0.227** |
1 |
|
感知易用性 |
0.499** |
0.344** |
0.446** |
1 |
**在0.01级别(双尾)，相关性显著。
Table 10. Correlation analysis table between perceived security and external variables
表10. 感知安全性与外部变量相关性分析表
变量 |
电商平台因素 |
商品因素 |
购物体验因素 |
感知安全性 |
电商平台因素 |
1 |
|
|
|
商品因素 |
0.323** |
1 |
|
|
购物体验因素 |
0.435** |
0.227** |
1 |
|
感知安全性 |
0.457** |
0.456** |
0.447** |
1 |
**在0.01级别(双尾)，相关性显著。
Table 11. Table of correlation analysis between purchase intention and core independent variables
表11. 购买意愿与核心自变量相关性分析表
变量 |
感知有用性 |
感知易用性 |
感知安全性 |
购买意愿 |
感知有用性 |
1 |
|
|
|
感知易用性 |
0.483** |
1 |
|
|
感知安全性 |
0.459** |
0.493** |
1 |
|
购买意愿 |
0.544** |
0.531** |
0.525** |
1 |
**在0.01级别(双尾)，相关性显著。
Table 12. Model regression analysis
表12. 模型回归分析
模型 |
因变量 |
自变量 |
Beta |
T |
P |
VIF |
感知有用性的回归分析 |
PU |
EPF |
0.265 |
4.033 |
0.000 |
1.319 |
PF |
0.251 |
4.143 |
0.000 |
1.128 |
SEF |
0.178 |
2.787 |
0.006 |
1.246 |
感知易用性的回归分析 |
PE |
EPF |
0.326 |
4.033 |
0.000 |
1.319 |
PF |
0.179 |
4.143 |
0.000 |
1.128 |
SEF |
0.264 |
2.787 |
0.006 |
1.246 |
感知安全性的回归分析 |
PS |
EPF |
0.236 |
3.883 |
0.000 |
1.319 |
PF |
0.319 |
5.675 |
0.000 |
1.128 |
SEF |
0.272 |
4.606 |
0.000 |
1.246 |
购买意愿的回归分析 |
PI |
PU |
0.300 |
5.019 |
0.000 |
1.423 |
PE |
0.258 |
4.229 |
0.000 |
1.484 |
PS |
0.261 |
4.329 |
0.000 |
1.442 |
注：当0 < VIF < 5时，不存在多重共线性。
3.2.4. 回归分析
(1) 关于核心变量与购买意愿的回归分析
由表12可知，各个模型VIF值均处于0~5之间，因此每个模型中各自变量之间不存在多重共线性，且P值均小于0.05，回归模型显著。由表可知，外部变量显著正向影响核心自变量感知有用性、感知易用性和感知安全性，假设H1a~H1c、H2a~H2c、H3a~H3c成立；且核心自变量显著正向影响购买意愿，假设H4、H5、H6成立。
(2) 关于核心变量具体影响因素的回归分析
a. 感知有用性具体影响因素回归分析
Table 13. Regression analysis of perceived usefulness
表13. 感知有用性的回归分析
模型 |
未标准化系数 |
标准化系数 Beta |
t |
显著性 |
共线性统计 |
B |
标准错误 |
容差 |
VIF |
(常量) |
1.186 |
0.326 |
|
3.642 |
0.000 |
|
|
平台用户量 |
0.054 |
0.070 |
0.059 |
0.768 |
0.443 |
0.536 |
1.864 |
平台优惠 |
0.133 |
0.070 |
0.153 |
1.909 |
0.058 |
0.501 |
1.998 |
电商口碑 |
−0.090 |
0.077 |
−0.098 |
−1.176 |
0.241 |
0.459 |
2.180 |
用户信任度 |
0.190 |
0.066 |
0.222 |
2.867 |
0.005 |
0.533 |
1.876 |
果蔬种类 |
0.097 |
0.073 |
0.109 |
1.330 |
0.185 |
0.479 |
2.087 |
果蔬质量 |
0.155 |
0.077 |
0.184 |
2.024 |
0.044 |
0.389 |
2.569 |
果蔬新鲜度 |
−0.002 |
0.079 |
−0.003 |
−0.027 |
0.978 |
0.368 |
2.718 |
服务质量 |
−0.059 |
0.073 |
−0.066 |
−0.809 |
0.419 |
0.479 |
2.088 |
支付方式 |
0.122 |
0.066 |
0.144 |
1.851 |
0.066 |
0.531 |
1.882 |
物流服务 |
0.120 |
0.071 |
0.130 |
1.696 |
0.091 |
0.549 |
1.822 |
a. 因变量：PU。
由表13可知，用户信任度和果蔬质量的显著性水平分别为0.005、0.044，均小于0.05，其标准化系数为0.222、0.184，因此，两个因素中，用户信任度对感知有用性的影响最大。
b. 感知易用性具体影响因素回归分析
如表14所示，服务质量的显著性水平小于0.05，其余各个因素与感知易用性并无显著相关性，服务质量的标准化系数为0.163，与感知易用性显著正相关。
c. 感知安全性具体影响因素回归分析
如表15所示，平台优惠、果蔬质量、支付方式的显著性水平均小于0.05，其标准化系数分别为0.235、0.216、0.144，均大于0，即平台优惠、果蔬质量、支付方式三者共同正向显著影响感知安全性。
Table 14. Regression analysis of perceived ease of use
表14. 感知易用性的回归分析
模型 |
未标准化系数 |
标准化系数 Beta |
t |
显著性 |
共线性统计 |
B |
标准错误 |
容差 |
VIF |
(常量) |
0.975 |
0.300 |
|
3.254 |
0.001 |
|
|
平台用户量 |
0.067 |
0.064 |
0.078 |
1.045 |
0.297 |
0.536 |
1.864 |
平台优惠 |
0.113 |
0.064 |
0.136 |
1.759 |
0.080 |
0.501 |
1.998 |
电商口碑 |
0.102 |
0.071 |
0.117 |
1.448 |
0.149 |
0.459 |
2.180 |
用户信任度 |
0.051 |
0.061 |
0.063 |
0.841 |
0.401 |
0.533 |
1.876 |
果蔬种类 |
0.088 |
0.067 |
0.103 |
1.304 |
0.194 |
0.479 |
2.087 |
果蔬质量 |
0.019 |
0.070 |
0.023 |
0.264 |
0.792 |
0.389 |
2.569 |
果蔬新鲜度 |
0.058 |
0.073 |
0.072 |
0.792 |
0.429 |
0.368 |
2.718 |
服务质量 |
0.138 |
0.067 |
0.163 |
2.052 |
0.041 |
0.479 |
2.088 |
支付方式 |
0.034 |
0.060 |
0.042 |
0.556 |
0.579 |
0.531 |
1.882 |
物流服务 |
0.097 |
0.065 |
0.110 |
1.481 |
0.140 |
0.549 |
1.822 |
a. 因变量：PE。
Table 15. Regression analysis of perceived security
表15. 感知安全性的回归分析
模型 |
未标准化系数 |
标准化系数 |
t |
显著性 |
共线性统计 |
B |
标准错误 |
Beta |
容差 |
VIF |
(常量) |
0.179 |
0.326 |
|
0.550 |
0.583 |
|
|
平台用户量 |
0.039 |
0.070 |
0.040 |
0.553 |
0.581 |
0.536 |
1.864 |
平台优惠 |
0.219 |
0.070 |
0.235 |
3.136 |
0.002 |
0.501 |
1.998 |
电商口碑 |
−0.041 |
0.077 |
−0.041 |
−0.531 |
0.596 |
0.459 |
2.180 |
用户信任度 |
0.050 |
0.066 |
0.055 |
0.759 |
0.449 |
0.533 |
1.876 |
果蔬种类 |
0.069 |
0.073 |
0.072 |
0.944 |
0.346 |
0.479 |
2.087 |
果蔬质量 |
0.195 |
0.077 |
0.216 |
2.544 |
0.012 |
0.389 |
2.569 |
果蔬新鲜度 |
0.062 |
0.079 |
0.068 |
0.782 |
0.435 |
0.368 |
2.718 |
服务质量 |
0.100 |
0.073 |
0.105 |
1.371 |
0.172 |
0.479 |
2.088 |
支付方式 |
0.131 |
0.066 |
0.144 |
1.985 |
0.048 |
0.531 |
1.882 |
物流服务 |
0.075 |
0.071 |
0.076 |
1.057 |
0.292 |
0.549 |
1.822 |
a. 因变量：PS。
4 总结与讨论
4.1. 结论与建议
根据数据分析可知，外部变量商品因素、电商平台因素、购物体验因素分别显著正向影响核心自变量感知有用性、感知易用性和感知安全性，3个核心自变量分别显著正向影响购买意愿。其中，用户信任度这一因素对感知有用性影响最大，服务质量这一因素显著正向影响感知易用性，平台优惠、果蔬质量、支付方式三者共同显著正向影响感知安全性。
4.1.1. 增强用户信任，提高感知有用性
电商平台可以通过以下途径来增强用户对平台的信任度。第一，提高信息透明度，做到商品信息透明、卖家信息公开、交易条款明确。确保商品描述、价格等信息准确且详尽，展示卖家的信誉等级、用户评价等信息，清晰列出交易条款，包括退换货政策、运费计算、售后服务等，避免用户因信息不对称而产生疑虑。第二，优化售后服务。平台应为用户提供高效的退换货流程和售后保障。例如，简化退换货流程，确保用户能够方便快捷地处理退换货事宜，并提供清晰的退货政策和指引，提供延保、质量保证等附加服务，让用户购物有保障，增加信任感。
4.1.2. 提供优质果蔬，增强平台竞争力
首先，平台应建立严谨的供应链管理体系。与经过严格筛选和认证的果蔬供应商合作，确保供应商具有高生产标准、良好农业实践(如GAP认证)和稳定供货能力。同时，可以直接从优质果蔬产地采购，缩短中间环节，确保果蔬新鲜度的同时控制质量和成本。对供应商进行定期审查，包括实地考察、产品质量检测，确保持续供应高质量的果蔬产品。其次，采用先进的储运技术。采用全程冷链物流，确保果蔬在运输过程中始终处于适宜的温度范围，最大限度保持产品的新鲜和营养。同时，优化包装，如采用气调包装、抗菌包装等，减少在运输和储存过程中因损坏或变质造成的损失。优化物流配送体系，提升配送速度，减少配送时间，确保用户尽快收到果蔬。
4.1.3. 优化平台服务，提高感知易用性
平台可以使用新技术提升用户体验。例如，可以利用区块链技术确保交易的透明性和不可篡改性，提升用户对交易数据的信任度。同时，通过AI推荐系统和大数据分析，为用户提供个性化购物建议和精准服务，提高用户满意度。还可以简化用户界面(UI)设计，采用简洁明了的导航菜单，使用户能够轻松找到所需的商品与服务。
4.1.4. 保障支付安全，提高感知安全性
电商平台可以通过使用加密技术并提供支付安全保障来提高用户感知安全性。平台要确保所有与支付相关的数据传输使用SSL/TLS加密协议，防止用户敏感信息(如信用卡号、密码等)被截获。对用户的支付信息(如银行卡号)进行加密存储，避免明文存储，确保数据得到有效保护。同时，通过与保险公司合作，提供支付保险服务，若用户在支付过程中遇到问题，保险公司可以提供赔偿。
4.2. 研究局限与展望
本文的创新点在于它不仅关注多维度的感知变量，还将这些感知变量与外部因素及购买意愿有机结合，并将其应用于特定的网购生鲜农产品场景。此前虽然已经有大量学者将技术接受模型用于对传统电商网站的研究，但是将此模型用于生鲜电商的研究比较少见。此外，大多学者在运用TAM模型时，大多是在原有模型的基础上增加新的核心自变量，但很少有学者引入会影响核心自变量的外部变量，通过研究外部变量对核心自变量的影响，进而研究外部变量对网购生鲜农产品意愿的影响。
本文研究的局限在于调查问卷的发放对象中大部分为学生，样本的选取不够全面且样本量不够大。此外，本文的外部变量是在大量阅读国内外文献的基础上选取出来的，但在实际生活中，影响消费者网购果蔬农产品的影响因素还有很多，不仅仅局限于本文中的三个外部变量。因此，未来的学者可从以下方面继续探究：第一，将本文的研究模型应用到不同的国家或文化背景下，研究不同文化中的消费者如何感知易用性、有用性和安全性，以及这些感知如何影响他们的购买决策；第二，引入更多的外部变量并探讨这些变量如何通过感知有用性、感知易用性和感知安全性进而影响消费者的购买意愿。