1. 问题提出
在数字化转型的浪潮中，企业品牌社区逐渐成为企业与消费者沟通、协作和共创价值的重要场所，成为企业数字化转型的关键环节。如何有效提升用户在社区中的参与度和价值共创行为是企业面临的一大难题。尽管已有研究探讨了任务技术匹配和价值共创的概念，但在企业线上社区这一特定情境下，任务技术匹配如何影响用户的价值共创行为，以及社区认同如何中介这一影响过程，尚缺乏深入的研究。
在这一背景下，探究任务技术匹配对用户在线上社区中的价值共创行为的影响，以及社区认同在这一过程中的作用，具有重要的理论和实践意义。本研究通过构建“任务技术匹配–社区认同–价值共创”的理论模型，探讨任务技术匹配对价值共创的影响，检验社区认同在其中的中介作用，以期为企业提供线上社区运营管理和价值共创实践的理论指导和实践建议。
2. 文献综述
2.1. 任务技术匹配
任务技术匹配(TTF)概念源自技术-绩效链理论，其演进历程可分为理论奠基与实证拓展两大阶段。理论奠基阶段聚焦技术–绩效链的核心机理，提出技术必须与任务需求形成适配关系并通过有效使用方能提升绩效的核心命题；实证拓展阶段则致力于跨情境概念验证，推动理论边界向多元应用场景延伸。
在维度建构方面，学界以Goodhue提出的三维度十二指标框架为基准模型[1]，涵盖数据识别(信息详实度、准确性、通用性)、数据获取(软硬件易用性、呈现方式、兼容性)以及数据解析(信息意义明晰度、去混淆性、定位性、可及性、辅助支持、系统可靠性)三个核心维度。随着应用场景多元化，该框架呈现显著学科分化特征：教育技术领域侧重移动学习特征重构[2] [3]，医疗信息化研究强调信息质量–可及性–支持能力三维模型[4]，而移动商务场景则发展出网站可用性评估体系。网络服务与虚拟社区等新兴领域亦成为研究热点[5]。
量表开发呈现两大研究路径：单层次测量范式强调任务技术特征的直接匹配效应，如刘春芳、沈启晖通过跨场景实证验证Goodhue量表的解释效度[6] [7]；多层次测量范式则关注匹配程度的动态变化，Junglas构建理想–欠–过匹配三维模型[8]，许民利进一步细化低度–高度–过度–不足四维框架并开发17题项量表，推动测量工具向精细化方向发展[9]。
2.2. 价值共创
价值共创研究历经从微观到宏观的演化，其主体从“顾客–企业”二元关系拓展为动态网络系统，核心在于通过需求满足与多方协作实现价值创造。学界对其构成维度仍存在视角分歧[10]，现有研究覆盖生产领域、消费领域及虚拟品牌社区[11]。
在测量体系方面呈现方法论多样性：问卷调查[12]、头脑风暴[13]、专家访谈[14]、实验设计[15]及网络民族志[16]等多种范式并存。测量工具开发呈现层级化特征，任际范首创二阶四维企业间量表[13]，李静则通过文本分析构建博物馆场景量表[16]。
尽管测量体系尚未统一，Yi的三阶模型因其结构完整性和适用广度[17]，已成为学界普遍认可的基础框架。这种共识与分歧并存的现状，折射出价值共创研究的多维性与场景特异性特征。
2.3. 社区认同
社区认同的概念发端于社会认同理论，它指的是个体主动探寻与自身特质相匹配的社区，并积极对其给予正向评价的过程。在互联网蓬勃发展的时代背景下，社区认同应运而生。当社区成员之间展开高频次的交流互动时，便会逐渐形成一种对社区及其他成员的群体归属感。
在学术研究领域，有关社区认同构成维度的探索与剖析已取得初步进展。早期，部分学者倾向于将社区认同看作单维变量，采用单维度量表开展测量工作[18]-[20]。比如，涂剑波和张欣瑞便运用情感认同量表对社区认同进行度量。
但随着研究的持续深入，单维度测量方法的局限性愈发明显。这一现状推动着学者们将目光投向多维度构念的深入探究。范志国和柴海静在Algesheimer和Kim等人的研究基础上，认为社区认同涵盖了群体认同和品牌认同两个核心维度[21]，且社区认同量表得到了崔婷等学者的实证检验[22]，一定程度上丰富了社区认同维度的理论体系，为后续研究提供了新的思考方向和研究角度。与此同时，其他学者也从各自的研究视角提出了不同的观点。例如，李先国等人基于顾客感知价值的独特视角，创新性地提出了社区认同的双维度结构模型[23]；韩武成和鲁若愚依据组织认同理论，主张社区认同包含心理认同和行为认同两大成分[24]；周桂林在研究虚拟社区系统特征与消费者信任之间的关系时，把社区认同细分为小团体数量、对制度价值观的认同以及社区用户团结程度这三个维度[25]；杨洋等通过具体案例分析，将社区认同划分为身份认知、社群情感、积极评价和用户行为[26]。
3. 模型构建和研究设计
3.1. 模型构建
在本研究中任务技术匹配将参考杨超的研究[27]，价值共创采用Yi [17]和陈瑛等[12]等大多数国内外学者所认同的二维构念，具体为顾客参与行为和顾客公民行为两项，社区认同采用范志国和柴海静[21]的群体认同和品牌认同维度划分。基于国内外学者对任务技术匹配和价值共创的研究，本研究将社区认同作为中介变量，构建了本文的研究模型，见图1。
Figure 1. Research model of task-technology fit on value co-creation
图1. 任务技术匹配对价值共创的研究模型
3.2. 研究假设
1. 任务技术匹配对价值共创的假设
杨超指出，企业绩效评价的核心基准应当聚焦于价值创造[27]。在这一理论体系下，虚拟品牌社区的绩效本质上与其所蕴含的价值等同，而虚拟品牌社区的价值由企业与广大消费者共同创造，即价值共创。实证研究表明，任务技术匹配度对用户使用行为有着直接影响。例如，李人杰研究发现，技术功能供给与使用者学习需求的匹配程度，会显著正向影响大学生的在线学习意愿[3]。
然而，部分学者的研究结论有所不同。董滨和庄贵军将任务技术匹配模型应用于企业间任务技术协作研究中，结果显示，虽然网络交互策略与协作任务间存在显著的匹配效应，但跨组织信息系统支持的交互策略以及社会化媒体推动的交互策略，并未对企业间合作绩效产生显著正向影响，甚至会产生负面影响[28]。鉴于此，本文提出假设：
H1：任务技术匹配对价值共创有显著的正向影响。
H1a：任务技术匹配对顾客公民行为有显著的正向影响。
H1b：任务技术匹配对顾客参与行为有显著的正向影响。
2. 任务技术匹配对社区认同的假设
社区认同是社区成员在与社区及其他成员互动过程中形成的群体归属感。结合本研究特点，可将其理解为社区成员在企业线上社区交流时对企业、品牌的归属认同感。杨超的研究表明，任务技术匹配对消费者虚拟社区感有显著正向影响[28]，这说明任务技术匹配可提升消费者对虚拟社区的卷入度和归属感，进而有利于社区认同感的培养。因此，将社区认同纳入任务技术匹配模型，能够更全面地分析其影响效果。周桂林的实证研究也表明，虚拟社区系统特征显著影响虚拟社区会员和游客的社区认同[25]。基于以上分析，本研究提出以下假设：
H2：任务技术匹配对社区认同有显著正向影响。
H2a：任务技术匹配对群体认同有显著正向影响。
H2b：任务技术匹配对品牌认同有显著正向影响。
3. 社区认同对价值共创的假设
Zwass指出消费者成为了价值共创中不断增长的生产力[29]。如果用户在社区中获得他人的认可，他们会更积极参与社区价值共创活动中[30]。马向阳等从“感知–态度–行为”的心理视角切入，发现虚拟品牌社区成员参与的贡献行为受到社区认同的促进[31]。范志国和柴海静使用Carlson的划分方法将社区认同分为群体认同和品牌认同，并且研究发现认同在顾客–顾客间价值共创对品牌忠诚的影响效果大于在企业–顾客间价值共创产生的效果[21]。王松等发现，用户在社区中获得他人认可后，会更积极地参与社区价值共创活动[30]。鉴于此，本文提出假设：
H3：社区认同对价值共创有显著的正向影响。
H3a：群体认同对价值共创有显著的正向影响。
H3b：品牌认同对价值共创有显著的正向影响。
4. 社区认同的中介作用假设
杨金焕构建了“社区个性化特征–社区认同–持续分享意愿”的研究模型，发现社区认同在自我展示和社会交互联结对持续分享意愿的过程中起到完全中介作用[32]。张巧媛采用实验法，证实品牌社区认同在虚拟品牌社区特征和购买意愿之间存在中介作用，其中系统质量与信息质量与之相关性较低[33]。李先国等验证了社群认同与品牌认同在品牌社群中扮演着重要的中介作用[23]。
对于企业线上社区的用户而言，当社区内技术与任务、成员与任务之间适配时，就会被社区成员、平台内容等吸引，从而产生认同感，如小米社区用户彼此之间互称“米粉”，用户之间产生了群体认同，一加社区被其用户叫做“加园”，产生了品牌认同，进而又在社区认同的作用下影响自己的价值共创。基于此，本研究提出以下假设：
H4：社区认同在任务技术匹配对价值共创的影响中有中介作用。
H4a：群体认同在任务技术匹配对价值共创的影响中有中介作用。
H4b：品牌认同在任务技术匹配对价值共创的影响中有中介作用。
3.3. 实证设计、数据收集与处理
本研究借助小米社区以及微信社区投放链接邀请来访者参与问卷的填写。通过“问卷星”在线问卷调查平台来进行网络发放，使用李克特(Likert)五级量表的填答方式收集数据，调查对象来源涵盖学生、企业员工、公务员或事业单位等不同行业的消费者，总体样本数据收集时间为2024年3月至2024年12月，累计共收到440份问卷，剔除连续三个题目选择同一选项、多选、少选、前后矛盾等问卷130份，回收有效问卷310份，有效回复率70.45%。
4. 实证分析与结果讨论
4.1. 描述性统计分析
从表1中数据可知，男女使用者的比例大致为1:1；19~24岁的用户占比70.6%，其次为25~30岁和41岁及以上，分别占比12.9%和8.1%，而笔者认为18岁及以下的用户较少可能是在于该群体较少部分人拥有手机且上网时间较少；被调查者教育程度以大专及本科为主，占比高达82.9%；在职业层面，学生用户占比最多，高达61.9%，其次企业员工占比12.9%。
4.2. 信效度分析
本文采用克隆巴赫系数(Cronbach’s Alpha)验证问卷信度，问卷整体的α系数值为0.931，证明问卷信度良好，调查所得到的数据有一定的关联性。
效度分析主要是检验量表及数据的有效性。样本数据KMO值为0.922 > 0.9，Bartlett球形度检验的近似卡方值为4461.503，显著水平p = 0.000 < 0.01，达到显著水平，说明本文样本数据具有好的结构效度，可以进行因子分析。
Table 1. Descriptive analysis of the survey samples
表1. 调研样本描述性分析
选项 |
题项 |
频率 |
百分比 |
您的性别 |
女生 |
156 |
50.3 |
男生 |
154 |
49.7 |
您的年龄 |
18岁及以下 |
5 |
1.6 |
19岁~24岁 |
219 |
70.6 |
25岁~30岁 |
40 |
12.9 |
31岁~35岁 |
15 |
4.8 |
41岁及以上 |
25 |
8.1 |
您的学历 |
高中、中专及以下 |
38 |
12.3 |
大专及本科 |
257 |
82.9 |
研究生及以上 |
15 |
4.8 |
您的职业 |
学生 |
192 |
61.9 |
企业员工 |
40 |
12.9 |
公务员或事业单位 |
24 |
7.7 |
专业人士(如会计师、律师、医护人员等) |
20 |
6.5 |
自由职业者 |
26 |
8.4 |
其他 |
8 |
2.6 |
4.3. 因子分析
4.3.1. 任务技术匹配因子分析
本文以特征值 ≥ 1为提取标准，共提取2个因素，并在此基础上进行总方差分析得到表2。
Table 2. Analysis of total variance in value co-creation
表2. 价值共创总方差分析
总方差解释 |
成分 |
初始特征值 |
提取载荷平方和 |
旋转载荷平方和 |
总计 |
方差百分比 |
累积% |
总计 |
方差百分比 |
累积% |
总计 |
方差百分比 |
累积% |
1 |
3.912 |
48.896 |
48.896 |
3.912 |
48.896 |
48.896 |
2.677 |
33.461 |
33.461 |
2 |
1.260 |
15.747 |
64.643 |
1.260 |
15.747 |
64.643 |
2.495 |
31.182 |
64.643 |
3 |
0.673 |
8.411 |
73.054 |
|
|
|
|
|
|
4 |
0.526 |
6.580 |
79.634 |
|
|
|
|
|
|
5 |
0.471 |
5.890 |
85.524 |
|
|
|
|
|
|
6 |
0.444 |
5.547 |
91.071 |
|
|
|
|
|
|
7 |
0.369 |
4.608 |
95.679 |
|
|
|
|
|
|
8 |
0.346 |
4.321 |
100.000 |
|
|
|
|
|
|
提取方法：主成分分析法。
价值共创的总方差解释达到了64.643%大于50%。因此，认为其具有良好的解释能力，然后利用最大方差法进行旋转，从而获得了价值共创的旋转成分矩阵，如表3。
Table 3. Rotated component matrix of value co-creation
表3. 价值共创旋转成份矩阵
|
成分 |
1 |
2 |
25. 对于因特殊原因造成的服务或产品问题，我可以谅解 |
0.856 |
0.134 |
24. 对于社区成员遇到的问题，我会主动帮助 |
0.796 |
0.309 |
22. 我会在社区中发布产品使用感觉、问题和建议 |
0.794 |
0.140 |
23. 我会主动宣传和倡导使用该品牌产品 |
0.707 |
0.362 |
20. 我会积极参与企业举办的创意征集或性能测试活动 |
0.145 |
0.802 |
21. 我会积极参与企业开展的产品体验或推广活动 |
0.157 |
0.796 |
19. 对企业发起的话题，我会积极回应并认真表达自己的想法 |
0.248 |
0.742 |
18. 我会在社区中搜索和浏览品牌或产品相关信息 |
0.269 |
0.634 |
提取方法：主成分分析法。旋转方法：凯撒正态化最大方差法。a. 旋转在3次迭代后已收敛。
通过旋转分析矩阵，发现各指标的因子载荷均落在预设的维度上，结合题项进行归类，将八个题项归纳为两个维度，分别为顾客公民行为及顾客参与行为。
4.3.2. 社区认同因子分析
同理，经过分析，价值共创的总方差解释达到了66.394%大于50%。因此，认为其具有良好的解释能力，利用最大方差法进行旋转，从而获得了价值共创的旋转成分矩阵，如表4。
Table 4. Rotated component matrix of community identity
表4. 社区认同旋转成份矩阵
|
成分 |
1 |
2 |
29. 如果小米社群成员举行一项活动，我会参加 |
0.838 |
0.049 |
28. 我认为自己是该社群中一个重要的成员 |
0.820 |
0.195 |
26. 我觉得自己归属于小米社区 |
0.778 |
0.241 |
27. 其他社群成员跟我有共同的目标 |
0.774 |
0.256 |
33. 我对其他人对小米手机品牌的看法很感兴趣 |
−0.081 |
0.797 |
30. 我认同小米手机品牌代表的价值观 |
0.226 |
0.751 |
32. 我认同小米品牌所代表的生活方式 |
0.396 |
0.723 |
31. 小米品牌形象跟我在很多方面类似 |
0.401 |
0.687 |
提取方法：主成分分析法。旋转方法：凯撒正态化最大方差法。a. 旋转在3次迭代后已收敛。
通过旋转分析矩阵，发现各指标的因子载荷均落在预设的维度上，结合题项进行归类，将八个题项归纳群体认同和品牌认同两个维度
4.4. 相关分析
为了探讨任务技术匹配、社区认同、价值共创三个变量之间的相关性，本研究采用了相关分析作为检验手段，以深入探究变量之间的内在相关程度。在具体操作上，我们运用了Pearson相关系数。
从表5分析结果可看出，各个变量及相应维度所对应的p值都小于0.05，具有显著性意义，且变量之间两两具有相关性，为任务技术匹配与价值共创的回归以及社区认同的Process中介分析提供可能。其中任务技术匹配与顾客参与行为的相关系数为0.429，与顾客公民行为的相关系数为0.395，与价值共创的相关系数为0.471，说明任务技术匹配与价值共创及其维度呈现正相关关系；任务技术匹配与社区认同的相关系数为0.471，与群体认同的相关系数为0.482，与品牌认同的相关系数为0.421，说明任务技术匹配与社区认同及其维度呈现正相关关系；价值共创与社区认同的相关系数为0.644，与群体认同的相关系数为0.659，与品牌认同的相关系数为0.437，说明价值共创与社区认同及其维度呈现正相关关系。
Table 5. Correlation analysis among variables
表5. 各变量之间的相关分析
|
任务技术匹配 |
群体认同 |
品牌认同 |
社区认同 |
任务技术匹配 |
1 |
0.482** |
0.421** |
0.526** |
显著性(双尾) |
0.000 |
0.000 |
0.000 |
0.000 |
顾客参与行为 |
0.429** |
0.581** |
0.370** |
0.560** |
显著性(双尾) |
0.000 |
0.000 |
0.000 |
0.000 |
顾客公民行为 |
0.395** |
0.571** |
0.393** |
0.566** |
显著性(双尾) |
0.000 |
0.000 |
0.000 |
0.000 |
价值共创 |
0.471** |
0.659** |
0.437** |
0.644** |
显著性(双尾) |
0.000 |
0.000 |
0.000 |
0.000 |
**p < 0.01.
4.5. 自变量对因变量的回归检验
由相关分析可知，各变量之间存在良好的相关性，因此本文的检验假设分析分为两步：第一步，通过三个回归分析来检验因变量对自变量的回归系数，即任务技术匹配对价值共创、顾客公民行为和顾客参与行为的影响。第二步，通过SPSS的PROCESS插件验证以社区认同、群体认同和品牌认同为中介变量，任务技术匹配对价值共创影响的模型是否成立。
本研究对任务技术匹配与价值共创的回归分析，如表6所示。确定模型1的系数为0.220，说明价值共创的变动有22.0%是由任务技术匹配所带来的；模型2的系数为0.181，说明顾客参与行为的变动有18.1%是由任务技术匹配所带来的；模型3的系数为0.153，说明顾客公民行为的变动有15.3%是由任务技术匹配所带来的。根据文献发现，社会科学类在对关于消费者的相关模型检验时，由于消费者个体的主观意识复杂多变，导致了残值比重相对较高，使得回归值与观察值之间存在一定的误差。虽然R2值大致落在0.15到0.60这个区间内，并不十分理想，但考虑到主观因素的干扰，该回归方程公式的质量可以被接受。
经检验任务技术匹配对价值共创顾客参与行为和顾客公民行为都存在显著的正影响，模型F分别为87.919、69.354和56.846，显著性水平均<0.05，说明任务技术匹配与其存在线性关系。
Table 6. Table of regression coefficients and significance tests
表6. 回归系数及显著性检验表
模型 |
未标准化系数 |
标准化系数 |
t |
显著性 |
B |
标准错误 |
Beta |
1 (任务技术匹配与价值共创) |
(常量) |
1.577 |
0.225 |
|
7.015 |
0.000 |
任务技术匹配 |
0.537 |
0.057 |
0.471 |
9.377 |
0.000 |
2 (任务技术匹配与顾客参与行为) |
(常量) |
1.438 |
0.262 |
|
5.498 |
0.000 |
任务技术匹配 |
0.555 |
0.067 |
0.429 |
8.328 |
0.000 |
3 (任务技术匹配与顾客公民行为) |
(常量) |
1.717 |
0.27 |
|
6.349 |
0.000 |
任务技术匹配 |
0.519 |
0.069 |
0.395 |
7.54 |
0.000 |
由表6可知，模型1中常量的显著性概率为0.000小于0.05，任务技术匹配的p值 < 0.05，通过了F检验，因此回归方程为：价值共创 = 1.577 + 0.537 * 任务技术匹配。
同理，模型2的回归方程为：顾客参与行为 = 1.438 + 0.555 * 任务技术匹配。
模型3的回归方程为：顾客公民行为 = 1.717 + 0.519 * 任务技术匹配。
综上所述，任务技术匹配对价值共创及其两个维度均有显著正向影响，假设H1、H1a和H1b成立。
4.6. 中介变量的回归检验
4.6.1. 社区认同的中介作用检验
设置Bootstrap数量为5000，采用Process选用Modle 4进行中介效应分析。检验可得企业线上社区任务技术匹配到社区认同的路径系数为0.5588 (p < 0.05)，证明任务技术匹配正向影响社区认同；社区认同到价值共创的路径系数为0.5877 (p < 0.05)，证明社区认同正向影响价值共创。
企业线上社区的任务技术匹配通过社区认同对价值共创产生影响，置信区间中间接效应[0.2448, 0.4168]中间不含0，说明社区认同在任务技术匹配对价值共创的影响中发挥中介作用。95%置信区间中直接效应[0.0958, 0.321]不含0，说明社区认同在任务技术匹配对价值共创的影响中发挥部分中介作用。
4.6.2. 群体认同的中介作用检验
企业线上社区任务技术匹配到群体认同的路径系数为0.6396 (p < 0.05)，任务技术匹配显著正向影响群体认同；群体认同对价值共创的路径系数为0.4838 (p < 0.05)，群体认同显著正向影响价值共创。
企业线上社区的任务技术匹配通过群体认同对价值共创产生影响，置信区间中间接效应[0.2279, 0.3923]中间不含0，说明群体认同在任务技术匹配对价值共创的影响中发挥中介作用。95%置信区间中直接效应[0.1206, 0.3342]不含0，说明群体认同在任务技术匹配对价值共创的影响中发挥部分中介作用。
4.6.3. 品牌认同的中介作用检验
企业线上社区任务技术匹配到品牌认同的路径系数为0.4780 (p < 0.05)，任务技术匹配显著正向影响品牌认同；品牌认同对价值共创的路径系数为0.2908 (p < 0.05)，品牌认同显著正向影响价值共创。
企业线上社区的任务技术匹配通过品牌认同对价值共创产生影响，置信区间中间接效应[0.0815, 0.2080]中间不含0，说明品牌认同在任务技术匹配对价值共创的影响中发挥中介作用。95%置信区间中直接效应[0.2791, 0.5166]不含0，说明品牌认同在任务技术匹配对价值共创的影响中发挥部分中介作用，具体如表7所示。由上述分析可知，假设均验证通过。
Table 7. Output results of each variable in the bootstrap mediation test
表7. Bootstrap中介检验各变量输出结果
社区认同 |
Coeff |
se |
t |
p |
LLCI |
ULCI |
X→M |
0.5588 |
0.0515 |
10.8475 |
0.000 |
0.4574 |
0.6601 |
X→Y(c’) |
0.5368 |
0.0573 |
9.3765 |
0.000 |
0.4242 |
0.6495 |
M→Y |
0.5877 |
0.0538 |
10.9153 |
0.000 |
0.4817 |
0.6936 |
群体认同 |
Coeff |
se |
t |
P |
LLCI |
ULCI |
X→M1 |
0.6396 |
0.0662 |
9.6672 |
0.000 |
0.5094 |
0.7698 |
X→Y(c’) |
0.2274 |
0.0543 |
4.1888 |
0.000 |
0.1206 |
0.3342 |
M1→Y |
0.4838 |
0.0409 |
11.8162 |
0.000 |
0.4033 |
0.5644 |
品牌认同 |
Coeff |
se |
t |
P |
LLCI |
ULCI |
X→M2 |
0.4780 |
0.0587 |
8.1468 |
0.000 |
0.3625 |
0.5934 |
X→Y(c’) |
0.3978 |
0.0603 |
6.5921 |
0.000 |
0.2791 |
0.5166 |
M2→Y |
0.2908 |
0.0532 |
5.4699 |
0.000 |
0.1862 |
0.3954 |
5. 结论与展望
5.1. 研究结论
任务技术匹配显著正向促进价值共创。顾客参与行为和顾客公民行为受社区中任务技术匹配的正向促进作用显著，其中顾客参与行为的影响效果优于顾客公民行为对任务技术匹配的影响作用。任务技术匹配是影响用户社区认同的重要变量，且任务技术匹配对群体认同的积极影响大于对品牌认同的积极影响。社区认同正向影响价值共创。具有较高社区认同感的个人会更加积极主动地建立联系，更多地分享资源、知识和经验等，具体而言，群体认同对价值共创的影响大于品牌认同的影响。社区认同在任务技术匹配与价值共创中起部分中介作用。社区认同的两个维度在任务技术匹配和价值共创的影响中均发挥部分中介作用。对于社区用户而言，最初加入社区可能只是为了了解其他用户对产品的使用体验，但在社区中交流互动的过程中被社区中良好的粉丝互动、合理的平台设计等吸引，形成了社区认同，在认同感的刺激下用户会更多地进行价值共创。
5.2. 研究展望
本研究结合企业品牌社区，开展企业数字化转型中任务技术匹配对价值共创影响的实证研究，并进一步探讨了社区认同的中介效应，进一步拓宽了相关研究领域，但仍存在一定局限与不足。
第一，任务技术匹配维度探究浅，仅涉及单层次影响，未深入挖掘细分维度，导致任务技术匹配不准。由于社区任务或需特定技术工具，不同行业规则标准各异，缺乏细化研究难达良好匹配。后续研究应深入剖析多层次影响，精准度量任务与技术匹配度，开展不同维度的深入研究。
第二，当前任务技术匹配到价值共创路径研究相对有限，本研究通过构建路径模型探讨社区认同的中介效应，但研究对象较单一，没有针对不同类型企业进行横向对比验证理论模型，未来研究可结合不同类型企业及其数字化转型特点进行对比研究。
第三，本研究研究场景单一，仅聚焦数字化转型企业线上社区。各领域虚拟品牌社区功能、用户特征、企业品牌文化调性、需求内容及适配数字技术皆不同。未来应开展多情境实证，强化任务技术匹配与价值共创作用机制论证，提升理论普适性。
基金项目
绍兴市哲学社会科学研究“十四五”规划2024年度重点课题项目(145D122)；
浙江省教育厅2023年度一般项目(Y202354035)。
NOTES
*通讯作者。