旅游移動APP能夠持續(xù)吸引用戶嗎？

許峰 李帥帥

[摘 要]在移動互聯(lián)網背景下，旅游移動APP潛在商業(yè)價值巨大，相關企業(yè)為推廣APP應用投入巨大。然而，旅游移動APP的用戶是否會受到“強推”式營銷策略的影響從而產生持續(xù)吸引力并構建顧客忠誠度呢？文章在已有成熟理論的基礎上，引入了使用經驗、傳染性、自我效能3個變量，構建了有調節(jié)的中介檢驗模型。實證結果顯示：旅游移動APP用戶的感知優(yōu)勢對使用行為的直接效應與中介效應均顯著，表明其只是部分通過中介變量作用于使用行為；傳染性因素正向影響旅游移動APP用戶的感知優(yōu)勢與使用行為，雖分享價值已被利用，但離充分發(fā)揮移動客戶端營銷爆炸性傳播力量仍有距離；使用經驗對態(tài)度與使用意向之間關系以及使用意向與使用行為之間關系的調節(jié)效應不顯著，自我效能對旅游移動APP用戶態(tài)度與使用意向之間關系的調節(jié)效應顯著，而對使用意向與使用行為之間關系的調節(jié)效應不顯著，旅游移動APP的內容與形式亟待完善?，F(xiàn)有補貼、返利、首單立減等營銷手段，可短時間引爆市場卻尚不能夠真正“俘獲”用戶，如何激發(fā)并培育用戶的忠誠度仍需探索新的策略。

[關鍵詞]旅游移動APP；有調節(jié)的中介；檢驗模型

[中圖分類號]F59

[文獻標識碼]A

[文章編號]1002-5006（2016）08-0052-09

Doi： 10.3969/j.issn.1002-5006.2016.08.010

引言

移動互聯(lián)網的高速發(fā)展是當今社會進入“互聯(lián)網+”時代的標志之一。在這一新時代下，電商企業(yè)的營銷邏輯與傳統(tǒng)方式有著較大差異。為了“俘獲”用戶，電商企業(yè)付出了巨額代價，這一現(xiàn)象在旅游移動APP1的推廣方面更加明顯。眾多電商企業(yè)推出補貼、返利、首單立減等營銷手段，以吸引用戶從早期的網絡端轉移到更加敏捷的移動端，從而獲得更多的忠誠用戶。然而，這些APP能否持續(xù)吸引用戶？使用經驗較多的用戶是否更加忠誠？不同自我效能的用戶其使用行為是否存在差異？移動互聯(lián)網時代的分享價值是否被充分利用？這些問題都有待研究與檢驗。

已有許多學者對創(chuàng)新性產品的用戶使用行為進行了研究，如理性行為理論（theory of reasoned action，TRA）[1]、計劃行為理論（theory of planned behavior，TPB）[2]、技術接受理論（technology acceptance model，TAM）[3]、創(chuàng)新擴散理論（innovation diffusion theory，IDT）[4]等，并提出了成熟的研究模式。而旅游移動APP正是移動互聯(lián)網時代典型的創(chuàng)新性產品之一，為用戶提供的是超過普通APP的多元化、一站式的長價值鏈服務，其價值性更強，省時性、省錢性、便利性的特點更為突出。因此在移動互聯(lián)網背景下，其用戶使用行為的許多方面都非常具有研究價值。本文在上述成熟理論模型的基礎上，與移動互聯(lián)網背景相結合進行創(chuàng)新性探索性研究，引入了使用經驗、傳染性、自我效能3個變量，構建了有調節(jié)的中介檢驗模型，通過實證數(shù)據(jù)對相關假設進行檢驗，以期對其營銷效能做出判斷并對旅游移動APP的健康有序發(fā)展有所裨益。

1 文獻綜述與研究假設

1.1 感知優(yōu)勢與態(tài)度-意向-行為模型

感知優(yōu)勢（perceived advantage）是用戶選擇使用旅游移動APP的重要原因。Davis于1989年提出的TAM模型中將感知優(yōu)勢分為感知有用性與感知易用性兩方面，并且認為行為意圖主要受感知有用性影響。后續(xù)一些學者將感知優(yōu)勢視為單獨構面，認為構面具有內部一致性[5-6]。然而，有學者指出對于創(chuàng)新性產品來說，感知優(yōu)勢應包括其與傳統(tǒng)產品的比較優(yōu)勢[7-8]，并將創(chuàng)新性產品的感知優(yōu)勢細分為省時性（time saving）、省錢性（money saving）、便利性（convenience）、產品多樣性（product variety）等。對于旅游移動APP來說，其所擁有的比較優(yōu)勢是“俘獲”用戶的關鍵。因此，本文選取省時性、省錢性、便利性作為用戶對旅游移動APP感知優(yōu)勢的3個維度。雖然態(tài)度-意向-行為模型是在TRA、TPB、TAM等理論模型中充分驗證過的成熟理論，但在移動互聯(lián)網背景下，由于互聯(lián)網公司獨特的營銷手段對用戶消費行為的刺激性極強，某一互聯(lián)網產品或服務自身獨特的優(yōu)勢足以“綁架”用戶的使用行為。在這種情況下，態(tài)度-意向-行為模型是否仍然成立呢？因此，本文假設如下：

H1a：旅游移動APP用戶的感知優(yōu)勢直接正向影響用戶使用行為

H1b：旅游移動APP用戶的感知優(yōu)勢通過態(tài)度、使用意向的中介作用正向影響用戶使用行為

1.2 傳染性

傳染性（communicability）是行為人周圍的環(huán)境因素對其行為產生的影響。Fishbein等認為社會群體壓力會影響個體的行為表現(xiàn)，個體往往會由于感知到社會壓力的存在而表現(xiàn)出與他人期望相一致的行為[9]，這種觀點得到了大量實證研究的驗證[10-11]。然而，周邊的群體壓力等傳染性因素會促進用戶對旅游移動APP等互聯(lián)網創(chuàng)新產品的優(yōu)勢感知么？因此，本文假設如下：

H2a：傳染性因素正向影響旅游移動APP用戶的感知優(yōu)勢

H2b：傳染性因素正向影響旅游移動APP用戶的使用行為

1.3 使用經驗

經驗（experience）是一個多維度的概念。通過文獻回顧發(fā)現(xiàn)，為了研究方便，許多學者用行為次數(shù)來代替經驗[12-15]。由此可見，行為次數(shù)可以在較大程度上代表經驗的觀點被大多數(shù)學者所接受。因此，筆者選取用戶使用旅游移動APP的次數(shù)來代表用戶的使用經驗。不同的使用經驗可能會對態(tài)度與使用意向以及使用意向與使用行為的關系產生正向調節(jié)作用，這也正是互聯(lián)網企業(yè)采取首單立減、滿減等營銷策略的原因。如果用戶的忠誠度隨著使用經驗的增加有所提高，那么使用意向與使用行為之間的關系應該受到使用經驗的正向調節(jié)作用。因此，本文假設如下：

H3a：使用經驗正向調節(jié)旅游移動APP用戶態(tài)度與使用意向之間的關系

H3b：使用經驗正向調節(jié)旅游移動APP用戶使用意向與使用行為之間的關系

1.4 自我效能

自我效能（self-efficacy）是個體在自我認識的基礎上對自己能力的預期。自我效能是行為學學者著重關注的一個概念，自我效能不同的個體，其最終的行為表現(xiàn)往往也會有所區(qū)別[16-18]。目前來看，幾乎所有旅游移動APP均為單一的標準化版本，并沒有根據(jù)用戶實際條件與需求情況，量身打造合適的版本。這種情況是否會對用戶的使用意向等產生影響呢？因此，本文假設如下：

H4a：自我效能正向調節(jié)旅游移動APP用戶態(tài)度與使用意向之間的關系

H4b：自我效能正向調節(jié)旅游移動APP用戶使用意向與使用行為之間的關系

據(jù)上，本文研究框架見圖1。

2 研究設計

2.1 研究樣本

筆者在2014年9月15日—11月23日，選擇濟南的趵突泉、千佛山、動物園、恒隆廣場、魯菜館等共計20個數(shù)據(jù)采集地點，在每個地點的APP取票處隨機發(fā)放25份問卷，總共發(fā)放500份問卷，收回問卷407份，回收率為81.4%，剔除回答不完整問卷后最終得到有效問卷336份，問卷有效回收率為67.2%。Bentler和Chow提出樣本數(shù)應為觀察變量的10倍以上[19]，Loehlin認為要得到穩(wěn)定的結果，樣本數(shù)應該大于200[20]，因此，本文所收集到的問卷數(shù)量滿足研究需要。在樣本構成中，性別方面，男性占46.1%，女性占53.9%；學歷方面，本科以下占40.4%，本科占37%，碩士及以上占22.6%；年齡方面，18～30歲的年輕用戶居多，占75.6%，其他年齡段占24.4%；收入方面，3000元以下占31.5%，3000～5000元占49.1%，其他收入水平占19.4%；職業(yè)方面，學生占27.7%，私企員工占22.9%，其他占49.4%。

2.2 變量測量

本文所使用的問卷題項均來自知名學者多次使用的成熟量表，問卷采用Likert的五級量表，并根據(jù)實際需要對題目內容進行了修改。在問卷發(fā)放之前，筆者咨詢了相關領域的專家，并進行了小規(guī)模的問卷預調研，據(jù)此對問卷的部分內容進行了修正，然后在專家審閱通過后確定最終問卷。因此，問卷的內容效度較好。問卷的具體構成如下：

感知優(yōu)勢包括3個維度，其中測量省時性的量表根據(jù)Davis [3]、Limayem等[21]和Cho [22]的量表改編；測量省錢性的量表根據(jù)Limayem等[21]、Kim等[23]以及Li和Buhalis[24]的量表改編；測量便利性的量表根據(jù)Verhoef和Langerak[25]和Limayem等[21]的量表改編。測量態(tài)度的量表根據(jù)Ajzen和Fishbein[26]的量表改編。測量使用意向的量表根據(jù)Grewal等[27]、Teo和Yeong[28]、Bigné等[29]的量表改編。測量使用行為的量表根據(jù)Kijsanayotin等[30]的量表改編。測量傳染性的量表根據(jù)Li和Buhalis[24]、Morrison等[31]的量表改編。測量自我效能的量表根據(jù)Vijayasarathy[32]的量表和一般自我效能感量表改編。

3 數(shù)據(jù)分析和結果

3.1 探索性因子分析

本文的問卷題項均來自國外成熟量表，并且小規(guī)模預調研的數(shù)據(jù)顯示效果良好。然而，是否會出現(xiàn)“橘生淮南則為橘，生于淮北則為枳”的現(xiàn)象呢？對此， Kolar和Zabaker[33]建議首先要對數(shù)據(jù)進行探索性因子分析，刪除因子載荷量小于0.6，交叉載荷量大于0.35的題項，Hair等建議此值為0.4[34]。本文按照此方法，利用SPSS19.0進行探索性因子分析，剔除不符合上述條件的題目后，最終因子旋轉的結果見表1。分析結果顯示，KMO=0.936，χ2近似值為6086.352，Sig.=0.000，解釋的總方差為79.861%，表明數(shù)據(jù)適合做因子分析。從表1中可以看出，同一研究構面內的測量題項經過因子旋轉之后均聚到一起，說明量表具有良好的結構效度。

3.2 信度與效度分析

在信度檢驗方面，本文采用Cronbachs α系數(shù)來檢驗變量的信度，具體數(shù)值見表2。由表2可知，Cronbachs α系數(shù)的值均大于0.8，超過0.7的標準，表明數(shù)據(jù)具有較好的信度。

在效度分析方面，收斂效度和區(qū)分效度是效度檢驗中應用最廣泛的兩個檢驗項目。

在收斂效度的檢驗中，根據(jù)Fornell和Larcker的建議，本文對標準化載荷量、組合信度、平均方差萃取量等指標進行檢驗[35]。由表2可以看出，標準化載荷量λ均大于0.7，t值均在p<0.001的水平下顯著，符合0.6以上的標準，說明測量指標的信度較高； Hair等認為C.R.值的可接受門檻是0.7，而Fornell和Larcker則建議0.6以上即可，本文中C.R.值均大于0.8，符合以上標準，表明構面的內部一致性較好；Fornell和Larcker認為AVE值在0.36～0.5之間是可接受的，而理想狀態(tài)AVE值應該大于0.5，表2中的AVE值均大于0.5，表明本文所選取的研究構面可以較好地解釋變量的方差。

在區(qū)分效度的檢驗中，F(xiàn)ornell和Larcker建議要驗證模型具有區(qū)分效度，只需驗證潛變量AVE值的均方根大于其與其他潛變量的相關系數(shù)即可。由表3可知，本文中所有潛變量AVE值的均方根均大于其與其他潛變量的相關系數(shù)，說明本文所選取潛變量之間的區(qū)分效度效果較好。

3.3 模型的整體擬合度分析

本文借助AMOS17.0對所建立模型進行整體擬合度的檢驗，整體模型的擬合情況可根據(jù)絕對適配度、增值適配度、簡約適配度三類指標判斷。在絕對適配度指標中，χ2/df =1.462、GFI=0.927、AGFI=0.908、RMR=0.037、RMSEA=0.037；在增值適配度指標中，CFI=0.982、NFI=0.947、TLI=0.980；在簡約適配度指標中，PNFI=0.820，PCFI=0.851。根據(jù)相關學者提出的標準，所有指標均在相應標準以上，說明整體模型具有良好的適配度。

3.4 假設1與中介效應的檢驗

由于感知優(yōu)勢是相對于省時性、省錢性、便利性的二階潛變量，因而在具體分析之前涉及模型選擇的問題。Marsh和Hocevar指出，當一階潛變量有3個時，二階模型與一階模型是等價的，而且二階模型是一階模型的簡化，便于分析潛變量之間的關 系[36]。經驗證，一階模型與二階模型的擬合度指標完全一致，因此，本文選擇二階模型以便于以下研究的開展。模型的運算結果顯示，感知優(yōu)勢對使用行為影響的標準化路徑系數(shù)為0.28（p <0.001），因而H1a成立，即感知優(yōu)勢對使用行為具有顯著正向影響。這表明用戶在使用旅游移動APP時，其感知到APP所具有的優(yōu)勢將直接刺激其后續(xù)的使用行為。

當H1a成立時，感知優(yōu)勢-態(tài)度-使用意向-使用行為這一路徑仍然顯著嗎？對此，接下來將檢驗中介效應。在中介效應的檢驗中，最常見的是Baron和Kenny在1986年提出的逐步檢驗法[37]，該方法具有易于理解和操作簡便的優(yōu)點。但一些學者通過模擬研究發(fā)現(xiàn)，較之其他方法，逐步回歸法的統(tǒng)計效果最差而且無法檢驗中介效果的顯著性[38-39]。Sobel在1982年與1986年先后提出了Sobel Test法來彌補逐步回歸法的不足[40-41]，但是Sobel Test法的正態(tài)分布等假設條件很難滿足，其估計結果往往是有偏的[42-43]。由于Bootstrapping法無需正態(tài)分布等假設條件，相關學者通過模擬發(fā)現(xiàn)其較之其他方法具有最強的統(tǒng)計效果[44-45]，因此，Hayes建議采用Bootstrapping法[46]。使用Bootstrapping法進行中介效應的檢驗結果如表4所示，總效應、間接效應、直接效應的Z值均大于1.96，表明利用系數(shù)乘積法來估計三種效應均顯著；在Bootstrapping中三種效應的Bias-corrected法與Percentile法中的取值區(qū)間均不包括0，表明三種效應均顯著，因而H1b成立。綜上所述，模型中的直接效應、間接效應均顯著，即感知優(yōu)勢對使用行為的直接效應顯著，感知優(yōu)勢通過態(tài)度、使用意向的中介作用對使用行為的間接效應也顯著。

3.5 傳染性的影響檢驗

傳染性對感知優(yōu)勢影響的標準化路徑系數(shù)為0.46（p<0.001），因而H2a成立，即傳染性對旅游移動APP用戶的感知優(yōu)勢具有顯著正向影響。傳染性對使用行為影響的標準化路徑系數(shù)為0.21（p<0.001），因而H2b成立，即傳染性對旅游移動APP用戶的使用行為產生顯著正向影響。這表明周邊人群的使用行為等傳染性因素，不僅會促進用戶做出使用旅游移動APP的決策行為，還會提升用戶對旅游移動APP所具有優(yōu)勢的感知程度。

3.6 使用經驗的調節(jié)效應檢驗

為了檢驗用戶使用經驗對模型中變量之間關系的調節(jié)作用，筆者根據(jù)Edwards和Lambert的建議，將樣本進行分類，進而比較低使用經驗組與高使用經驗組樣本下，態(tài)度與使用意向以及使用意向與使用行為之間路徑系數(shù)的差異[47]。根據(jù)運算結果，態(tài)度與使用意向之間路徑系數(shù)差異的p值為0.286，大于0.05，表明使用經驗對態(tài)度與使用意向之間關系的調節(jié)作用不顯著；使用意向與使用行為之間路徑系數(shù)差異的p值為0.418，大于0.05，表明使用經驗對使用意向與使用行為之間關系的調節(jié)作用不顯著。因此，樣本數(shù)據(jù)分析結果不支持H3a與H3b。這表明用戶使用旅游移動APP經驗的增加，并未造成態(tài)度與使用意向以及使用意向與使用行為之間關系的顯著變化。

3.7 自我效能的調節(jié)效應檢驗

本文中的另一調節(jié)變量自我效能是潛變量，但由于運算操作上比較復雜等原因，潛變量作為調節(jié)變量的研究相對較少。Kenny和Judd在1984年最早提出使用帶乘積項的結構方程來分析調節(jié)變量為潛變量時的調節(jié)效應[48]，Ping在1995年與1996年先后提出了潛變量調節(jié)效應分析的單一指標法與多重指標法[49-50]。本文采用單一指標法進行分析，即通過自變量與調節(jié)變量構造出單一指標潛變量，將運算出的λ與θ值賦予這一潛變量1，通過驗證這一潛變量與因變量之間路徑系數(shù)的顯著性，得出潛變量調節(jié)效應的顯著性。利用上述方法構造出新的潛變量，經過運算得出，態(tài)度與自我效能構造出的潛變量與使用意向之間的標準化路徑系數(shù)為0.1，p=0.008，調節(jié)效應顯著；使用意向與自我效能構造出的潛變量與使用行為之間的標準化路徑系數(shù)為0.02，p=0.715，調節(jié)效應不顯著。因此，樣本分析結果支持H4a而不支持H4b。這表明，自我效能對態(tài)度與使用意向之間關系的調節(jié)作用顯著，而對使用意向與使用行為之間關系的調節(jié)作用不顯著。

綜上，本文的最終假設檢驗結果如圖2所示。

4 結論與討論

本文引入了傳染性、使用經驗、自我效能3個變量，構建了一個有調節(jié)的中介檢驗模型，通過問卷數(shù)據(jù)的實證分析，最終得出以下結論：（1）旅游移動APP用戶的感知優(yōu)勢會直接促進最終的使用行為，這也為近期相關企業(yè)實施瘋狂“強推”營銷的效果提供了數(shù)據(jù)佐證，說明旅游移動APP本身的省錢性等優(yōu)勢可以直接吸引用戶使用。然而，這種“粗獷”式的策略盡管可以帶來大量用戶，但用戶“粘性”往往會不足。數(shù)據(jù)顯示，感知優(yōu)勢只是部分通過中介變量作用于使用行為，這也體現(xiàn)出用戶忠誠度不夠的問題。未來針對這一問題，筆者將通過實證數(shù)據(jù)進一步深入探討。（2）群體壓力等傳染性因素不僅可以對旅游移動APP用戶的使用行為產生促進作用，還可以讓用戶更好地感知APP所具有的優(yōu)勢，這正是移動互聯(lián)網時代分享行為極具價值性的體現(xiàn)。例如，微信等移動社交軟件已經成為許多人生活中必要的交流工具之一，旅游移動APP如何有效地通過這些軟件來提高分享價值，是值得相關企業(yè)深思的問題。（3）旅游移動APP用戶使用經驗的增加，并沒有對態(tài)度、使用意向、使用行為的關系產生顯著的調節(jié)作用。這恰恰說明相關企業(yè)“粗獷”式營銷策略的不足，雖然用戶的使用次數(shù)在增加，但并沒有帶來用戶使用意向等方面發(fā)生顯著轉變。因此，單純的價格戰(zhàn)等營銷策略很難帶來忠誠的用戶，相關企業(yè)應該尋求有效的新策略。（4）自我效能對態(tài)度與使用意向之間的關系產生顯著性調節(jié)作用，但對使用意向與使用行為之間關系的調節(jié)作用不顯著。這說明不同自我效能的用戶對待旅游移動APP的態(tài)度及使用意向并不相同，高自我效能感的用戶使用意向較高，而低自我效能感的用戶使用意向較低。一些用戶做出使用決策可能只是被相關企業(yè)誘人的營銷策略所吸引，這也是自我效能對使用意向與使用行為之間關系的調節(jié)效應不顯著的原因。相關企業(yè)要想真正維持自我效能較低群體的忠誠度，還需根據(jù)這類群體的實際需求，采取提供差異化的APP版本等精準營銷策略。

5 創(chuàng)新與展望

本文的創(chuàng)新之處主要有以下兩個方面：（1）將傳染性、使用經驗、自我效能引入旅游移動APP用戶使用行為的研究之中，構建了一個有調節(jié)的中介檢驗模型，這是現(xiàn)有成熟理論模型與移動互聯(lián)網背景相結合所進行的探索性研究。（2）在中介效應的檢驗中使用了最新的Bootstrapping法，同時，在研究自我效能的調節(jié)作用時涉及潛變量調節(jié)效應的檢驗。這些方法在國外發(fā)展得已經比較成熟，國內的相關旅游研究還有待跟進。研究結論表明，對于旅游移動APP的用戶來說，首單立減等營銷手段，并不能真正“俘獲”用戶，如何保持這些用戶的忠誠度仍需探索新的策略。未來，筆者將通過調查問卷對旅游移動APP用戶的忠誠度等方面進行實證研究，為相關企業(yè)的營銷策略優(yōu)化提供進一步的實證 支撐。

參考文獻（References）

[1] Fishbein M， Ajzen I. Belief， Attitude， Intention and Behavior： An Introduction to Theory and Research[M]. Reading， MA： Addison-Wesley， 1975： 335-383.

[2] Ajzen， I. The theory of planned behavior[J]. Organizational Behavior and Human Decision Processes， 1991， 50（2）： 179-211.

[3] Davis F D. Perceived usefulness， perceived ease of use， and user acceptance of information technology[J]. QIS Quarterly， 1989， 13（3）： 319-340.

[4] Rogers E M. Diffusion of Innovations （4th ed.）[M]. New York， NY： The Free Press， 1995： 79-85.

[5] Wu J H， Wang S C. What drives mobile commerce？ An empirical evaluation of the revised technology acceptance model[J]. Information & Management， 2005， 42（5）： 719-729.

[6] Lee Y， Kozar K A. An empirical investigation of anti-spyware software adoption： A multitheoretical perspective[J]. Information & Management， 2008， 45（2）： 109-119.

[7] Shin D H. MVNO services： Policy implications for promoting MVNO diffusion[J]. Telecommunications Policy， 2010， 34（10）： 616-632.

[8] Suzanne A， Paulo D. An integrative model of consumers intentions to purchase travel online[J]. Tourism Management， 2015， 46： 64-79.

[9] Ajzen I. From Intentions to Actions： A theory of planned behavior[A]. // Kuhl J， Beckman J. Action-control： From Cognition to Behavior[C]. Heidelberg， Germany： Springer， 1985： 11-39.

[10] Chen Chunyan. Impact Study of the Buying Herd Behavior Online of the Students in Vocational Colleges Caused by the Social Networking Sites[D]. Chongqing： Southwest University， 2012. [陳春燕. 社交網站對高職院校學生網絡團購從眾行為的影響研究[D]. 重慶： 西南大學， 2012.]

[11] Cheng Zhiyu， Wang Chaohui. Research on consumer resource-saving brand innovation from customer value perspective[J]. Academic Exchange， 2013， （4）： 94-97. [程志宇，王朝暉. 顧客價值視角下消費者資源節(jié)約型品牌創(chuàng)新研究[J]. 學術交流， 2013，（4）： 94-97.]

[12] Heung V， Qu H， Chu R. The relationship between vacation factors and socio-demographic and traveling characteristics： The case of Japanese leisure travelers[J]. Tourism Management， 2001， 22（3）： 259-269.

[13] Baloglu S. Image variations of Turkey by familiarity index： Informational and experiential dimensions[J]. Tourism Management， 2001， 22（2）： 127-133.

[14] Huang S S， Hsu C H C. Effects of travel motivation， past experience， perceived constraint， and attitude on revisit intention[J]. Journal of Travel Research， 2009， 48（1）： 29-44.

[15] Lv Xingyang， Xu Hong， Liu Yuqing. An empirical study of the impact of tourists power on their satisfaction： Mediating effect of perceived control and moderating effect of consumption experience[J]. Tourism Science， 2014， 28（5）： 41-53.[呂興洋，徐虹，劉宇青. 旅游者權力對旅游者滿意影響的實證研究——感知控制的中介作用及消費經驗的調節(jié)作用[J]. 旅游科學， 2014， 28（5）： 41-53.]

[16] Pavlou P A， Fygenson M. Understanding and predicting electronic commerce adoption： An extension of the theory of panned behavior[J]. Management Information Systems Quarterly， 2006， 30（1）： 115.

[17] Wendelien V， Hans V， Mieke V H. Transcending the gender dichotomy in educational gender gap research： The association between gender identify and academic self-efficacy[J]. Contemporary Educational Psychology， 2014， 39（4）： 369-378.

[18] Wu Weixing， Shen Tao， Ren Xiaocan. Self-efficacy and investor participation in stock market[J]. The Theory and Practice of Finance and Economics， 2014， 35（1）： 45-51. [吳衛(wèi)星，沈濤，任小璨. 自我效能與股票市場投資者參與[J]. 財經理論與實踐， 2014， 35（1）： 45-51.]

[19] Bentler P M， Chou C P. Practical issues in structural modeling[J]. Sociological Methods & Research， 1987， 16（1）： 78-117.

[20] Loehlin J C. Latent Variable Models： An Introduction to Factor， Path， and Structural Analysis （the 2nd Edition.）[M]. Hillsdale， NJ： Lawrence Erlbaum Associates， 1992： 40-47.

[21] Limayem M， Khalifa M， Frini A. What makes consumers buy from internet？ A longitudinal study of online shopping[J]. Systems， Man and Cybernetics， 2000， 30（4）： 421-432.

[22] Cho J. Likelihood to abort an online transaction： Influences from cognitive evaluations， attitudes， and behavioral variables[J]. Information & Management， 2004， 41（7）， 827-838.

[23] Kim M J， Chung N， Lee C K. The effect of perceived trust on electronic commerce： Shopping online for tourism products and services in South Korea[J]. Tourism Management， 2011， 32（2）： 256-265.

[24] Li L， Buhalis D. E-Commerce in China： The case of travel[J]. International Journal of Information Management， 2006， 26（2）： 153-166.

[25] Verhoef P C， Langerak F. Possible determinants of consumers adoption of electronic grocery shopping in the Netherlands[J]. Journal of Retailing and Consumer Services， 2001， 8（5）： 275-285.

[26] Ajzen I， Fishbein M. Understanding Attitudes and Predicting Social Behavior[M]. Englewood Cliffs， NJ： Prentice Hall， 1980： 13-27.

[27] Grewal D， Monroe K B， Krishnan R. The effects of price-comparison advertising on buyers perceptions of acquisition value， transaction value， and behavioral intentions[J]. The Journal of Marketing， 1998， 62（2）： 46-59.

[28] Teo T S H， Yeong Y D. Assessing the consumer decision process in the digital marketplace[J]. Omega， 2003， 31（5）： 349-363.

[29] Bigné E， Sanz S， Ruiz C， et al. Why some Internet users dont buy air tickets online[A]// Gretzel U， Law R， Fuchs M. Informationand Communication Technologies in Tourism 2010[C]. New York， NY： Springer-Verlag/Wien， 2010： 209-221.

[30] Kijsanayotin B， Pannarunothai S， Speedie S M. Factors influencing health information technology adoption in Thailands community health centers： Applying the UTAUT model[J]. International Journal of Medical Informatics， 2009， 78（6）： 404-416.

[31] Morrison A M， Jing S， OLeary J T， et al. Predicting usage of the Internet for travel bookings： An exploratory study[J]. Information Technology & Tourism， 2001， 4（1）： 15-30.

[32] Vijayasarathy L R. Predicting consumer intentions to use on-line shopping： The case for an augmented technology acceptance model [J]. Information & Management， 2004， 41（6）： 747-762.

[33] Kolar T， Zabkar V. A consumer-based model of authenticity： An oxymoron or the foundation of cultural heritage marketing？ [J]. Tourism Management， 2010， 31（5）： 652-664.

[34] Hair J， Anderson R， Tatham R， et al. Multivariate Data Analysis （the 5th ed.）[M]. Upper Saddle River， NJ： Prentice Hall， 1998： 677-679.

[35] 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.

[36] Marsh H W， Hocevar D. Application of confirmatory factor analysis to the study of self-concept： First and higher order factor models and their invariance across groups[J]. Psychological Bulletin， 1985， 97（3）： 562-582.

[37] Baron R M， Kenny D A. The moderator-mediator variable distinction in social psychological research： Conceptual， strategic， and statistical considerations[J]. Journal of Personality and Social Psychology， 1986， 51（6）： 1173-1182.

[38] MacKinnon D P， Lockwood C M， Hoffman J M， et al. A comparison of methods to test mediation and other intervening variable effects[J]. Psychological Methods， 2002， 7（1）： 83-104.

[39] Fritz M S， MacKinnon D P. Required sample size to detect the mediated effect[J]. Psychological Science， 2007， 18（3）： 233-239.

[40] Sobel M E. Asymptotic confidence intervals for indirect effects in structural equation models[J]. Sociological Methodology， 1982， 13： 290-312.

[41] Sobel M E. Some new results on indirect effects and their standard errors in covariance structure models[J]. Sociological Methodology， 1986， 16： 159-186.

[42] Bollen K A， Stine R. Direct and indirect effects： Classical and bootstrap estimates of variability[J]. Sociological Methodology， 1990， 20（1）： 115-140.

[43] Stone C A， Sobel M E. The robustness of estimates of total indirect effects in covariance structure models estimated by maximum[J]. Psychometrika， 1990， 55（2）： 337-352.

[44] Cheung G W， Lau R S. Testing mediation and suppression effects of latent variables[J]. Organizational Research Methods， 2008， 11： 296-325.

[45] MacKinnon D P. Introduction to Statistical Mediation Analysis[M]. Mahwah， NJ： Lawrence Erlbaum Associates， 2008： 173-192.

[46] Hayes A F. Beyond Baron and Kenny： Statistical mediation analysis in the new millennium[J]. Communication Monographs， 2009， 76（4）： 408-420.

[47] Edwards J R， Lambert L S. Methods for integrating moderation and mediation： A general analytical framework using moderated path analysis[J]. Psychological Methods， 2007， 12（1）： 1-22.

[48] Kenny D A， Judd C M. Estimating the nonlinear and interactive effects of latent variables[J]. Psychological Bulletin， 1984， 96（1）： 201-210.

[49] Ping Jr R A. A parsimonious estimating technique for interaction and quadratic latent variables[J]. Journal of Marketing Research， 1995， 32（4）： 336-347.

[50] Ping Jr R A. Latent variable interaction and quadratic effect estimation： A two-step technique using structural equation analysis[J]. Psychological Bulletin， 1996， 119（1）： 166-175.